The invention discloses a medical CT image segmentation method based on 3D countermeasure network, which includes the following steps: collecting medical CT image samples, standardizing preprocessing; establishing final segmentation network; putting any given medical CT image to be recognized into the final segmentation network, and obtaining the final segmentation result. The invention designs the overall structure of the 3D countermeasure network, uses the partitioned network as the generating network G of the 3D countermeasure network, and the pre-trained VGG11 as the discriminant network D of the 3D countermeasure network. The invention adds tagging data by antagonistic network, enhances the credibility of image through similarity calculation and cyclic random screening, generates high-quality tagging image set in batches, and finally updates the parameters of segmentation network and discriminant network D by antagonistic training between discriminant network D and segmentation network, so as to realize the separation. Optimize the cut network and improve the accuracy of segmentation. The method of the invention is simple in design and easy to realize.
【技术实现步骤摘要】
一种基于3D对抗网络的医学CT图像分割方法
本专利技术属于医疗图像分析领域,涉及一种针对医疗CT图像内感兴趣区域的分割方法。
技术介绍
随着医疗影像技术的发展,医疗影像学检查在临床诊断中变得越来越重要。在众多医疗影像技术中计算机断层成像(ComputedTomography,CT)是其中最常用的方式。目前对于医疗影像的诊断主要还是由医生人工阅片完成。所以医生的个人经验与知识水平的差异性会影响诊断的准确度。例如肺部的CT照片是整个胸部横切面的截图,往往包含许多其他器官的组织信息,这些组织信息对医生的诊断工作有严重干扰。因此,利用计算机技术对CT影像进行处理是十分有必要的。而如何将医生感兴趣区域精确的分割出来是医学图像处理的关键问题。对医学图像的精准分割对完成视觉增强、计算机辅助诊断、干预和从图像中提取定量指标等任务具有重要意义。目前医学图像分割方法主要可以分为传统方法与基于深度学习的方法,传统的医学图像分割方法主要集中在阈值法、区域生长法、微分算子法等简单的方法上,取得了一定的成果,但是由于医学图像的复杂性,最终效果还不能令人满意。最近几年随着人工智能的发展,一些新的理论和方法被引入到图像分割领域。全卷积神经网络与过去用于处理分类问题、检测问题、跟踪问题等常规卷积神经网络不同,其可以实现对图像的像素级密集预测。图像分割问题是要求逐像素点产生合理预测值的密度预测问题,使用全卷积网络可以高效地以端到端的方式解决图像分割问题。与针对自然图像的分割问题不同,医学图像的标注成本普遍较高,导致可用的数据集普遍较小,如何通过训练小数据集得到精确的模型,是深度学习用于医学图 ...
【技术保护点】
1.一种基于3D对抗网络的医学CT图像分割方法,其特征在于,包括如下步骤:S1:采集医学CT图像样本,进行标准化预处理,建立未标注图像集合Sunlabled和已标注图像集合Su;S2:将已标注图像集合Su输入分割网络进行网络训练,生成初始分割网络;S3:将步骤S1的未标注图像集合Sunlabled输入步骤S2的初始分割网络,进行初始分割,得到初始分割生成图像集合Sm;S4:对步骤S3的初始分割生成图像集合Sm加入权重值M,进行随机筛选,得到新的标注图像集合Sa;权重值M是由图像相似度决定的,取值范围为[0.1,1];S5:将新的标注图像集合Sa加入已标注图像集合Su作为新的已标注图像集合Sb,用于训练初始分割网络;S6:循环执行步骤S2~S5,直到步骤S4中的权重值M达到预设值E,得到中间分割网络和中间分割图像,将循环得到的中间分割图像合成中间生成图像集合Sgenerate;预设值E为超参数,需要根据不同的CT图像特点选择,取值范围为[0.7,1];S7:建立3D对抗网络,进行对抗训练,得到最终分割网络;S8:将给定任意一幅待识别医学CT图像放入步骤S7的最终分割网络中,得到最终分割结 ...
【技术特征摘要】
1.一种基于3D对抗网络的医学CT图像分割方法,其特征在于,包括如下步骤:S1:采集医学CT图像样本,进行标准化预处理,建立未标注图像集合Sunlabled和已标注图像集合Su;S2:将已标注图像集合Su输入分割网络进行网络训练,生成初始分割网络;S3:将步骤S1的未标注图像集合Sunlabled输入步骤S2的初始分割网络,进行初始分割,得到初始分割生成图像集合Sm;S4:对步骤S3的初始分割生成图像集合Sm加入权重值M,进行随机筛选,得到新的标注图像集合Sa;权重值M是由图像相似度决定的,取值范围为[0.1,1];S5:将新的标注图像集合Sa加入已标注图像集合Su作为新的已标注图像集合Sb,用于训练初始分割网络;S6:循环执行步骤S2~S5,直到步骤S4中的权重值M达到预设值E,得到中间分割网络和中间分割图像,将循环得到的中间分割图像合成中间生成图像集合Sgenerate;预设值E为超参数,需要根据不同的CT图像特点选择,取值范围为[0.7,1];S7:建立3D对抗网络,进行对抗训练,得到最终分割网络;S8:将给定任意一幅待识别医学CT图像放入步骤S7的最终分割网络中,得到最终分割结果。2.如权利要求1所述的基于3D对抗网络的医学CT图像分割方法,其特征在于,所述步骤S1包括如下步骤:S11:对采集的医学CT图像样本进行标准化预处理;S12:将步骤S11预处理后的图像随机抽取一半图像由人工进行标注,另一半作为未标注图像,设为未标注图像集合Sunlabled;S13:将人工标注后的图像设为已标注图像集合Su,图像数量为K张,K为整数,K≥100;随机选取该集合中的一张图像为Ix。3.如权利要求2所述的基于3D对抗网络的医学CT图像分割方法,其特征在于,所述步骤S11包括如下步骤:S111:根据输入的医学CT图像,按照经验值选取感兴趣区域的CT值范围,将CT值范围以外的像素值置零;S112:随机选取步骤S111处理后医学CT图像原图长度和宽度的(0,0.1]倍作为位移长度,进行平移变换;S113:对步骤S112平移变换后的医学CT图像进行旋转变换,在(0,10]度的范围内进行随机旋转;S114:对医学CT图像平移变换或旋转变换超出边界的部分使用像素值为0.1的像素点进行填充。4.如权利要求1所述的基于3D对抗网络的医学CT图像分割方法,其特征在于,所述步骤S2中的分割网络为3维的TernausNet,所述3维的TernausNet使用VGG-11作为编码器,由11个向前传播的网络层组成。5.如权利要求4所述的基于3D对抗网络的医学CT图像分割方法,...
【专利技术属性】
技术研发人员:张颖,洪晓东,王好谦,
申请(专利权)人:深圳市未来媒体技术研究院,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。