【技术实现步骤摘要】
一种MRI图像中自动头颈肿瘤分割方法
本专利技术属于医学图像
,特别是涉及一种MRI图像中自动头颈肿瘤分割方法。
技术介绍
在头颈部肿瘤中,鼻咽癌(NPC)是导致高死亡率的最常见类型;大多数鼻咽癌患者在诊断鼻咽癌之前已经错过了最佳治疗时期。磁共振成像(MRI)图像中的准确肿瘤描绘在指导放射治疗中起着至关重要的作用。因此,NPC的早期诊断在临床应用中特别重要。通常根据人工分割和医学图像分析对NPC患者进行诊断。与其他类型的肿瘤如脑肿瘤和肺肿瘤相比,NPC肿瘤具有更复杂的解剖结构,并且通常与周围组织如脑干,耳蜗,腮腺和淋巴具有相似的强度;另外,来自不同NPC患者的肿瘤通常呈现高形状变异性。这些属性使NPC肿瘤的分割成为一项特别具有挑战性的任务。由于带有NPC的MRI图像通常具有与鼻腔区域相似的视觉属性,因此基于视觉特征的一般图像分割技术可能不再适合于区分MRI图像中的NPC肿瘤边缘。也许部分原因在于分割挑战和鼻咽癌病例的地方性分布,但沿着这一研究方向仅有少量文献记录。而现有的提取算法通常提取用于肿瘤分割的一组手工特征;然而,由于NPC肿瘤的形状变化很大,并且与邻近组织的强度值相似,这些方法可能会限制分割性能。因此,准确分割NPC肿瘤以确定传播和体积等特征对诊断和随后的治疗计划至关重要。然而,由于手工分割的劳动密集性以及不同放射科医师之间的分歧,降低了分隔的准确性和鲁棒性。
技术实现思路
为了解决上述问题,本专利技术提出了一种MRI图像中自动头颈肿瘤分割方法,能够实现快速、稳健且精确的自动在MRI图像中分割NPC肿瘤。为达到上述目的,本专利技术采用的技术方案是 ...
【技术保护点】
1.一种MRI图像中自动头颈肿瘤分割方法,其特征在于,包括步骤:S100,训练基于U‑net的神经网络模型:神经网络模型包括用于分析输入MRI图像的收缩编码器和用于产生标签图输出的扩展解码器;在U‑net架构中使用跳跃连接将浅层编码层的外观特征表示与深度解码层的高级特征表示相结合;训练所述基于U‑net的神经网络模型,包括步骤:S101,对图像训练集进行数据预处理和数据增强;数据增强为通过应用随机非线性变换;S102,通过图像训练集中整个MRI图像来训练神经网络,并使用跳跃连接来组合分层特征以生成标签图;S103,通过标签图结合增强后的数据训练基于U‑net的神经网络模型;S200,利用所述神经网络模型在待测试MRI图像中分割NPC肿瘤区域图像,包括步骤:对待测试MRI图像进行数据采集、图像预处理和分割NPC肿瘤区域图像。
【技术特征摘要】
1.一种MRI图像中自动头颈肿瘤分割方法,其特征在于,包括步骤:S100,训练基于U-net的神经网络模型:神经网络模型包括用于分析输入MRI图像的收缩编码器和用于产生标签图输出的扩展解码器;在U-net架构中使用跳跃连接将浅层编码层的外观特征表示与深度解码层的高级特征表示相结合;训练所述基于U-net的神经网络模型,包括步骤:S101,对图像训练集进行数据预处理和数据增强;数据增强为通过应用随机非线性变换;S102,通过图像训练集中整个MRI图像来训练神经网络,并使用跳跃连接来组合分层特征以生成标签图;S103,通过标签图结合增强后的数据训练基于U-net的神经网络模型;S200,利用所述神经网络模型在待测试MRI图像中分割NPC肿瘤区域图像,包括步骤:对待测试MRI图像进行数据采集、图像预处理和分割NPC肿瘤区域图像。2.根据权利要求1所述的一种MRI图像中自动头颈肿瘤分割方法,其特征在于,所述数据采集包括步骤:通过扫描仪采集具有T1加权的MRI图像,即T1-MRI图像;所述T1-MRI图像具有从头部到颈部的相同尺寸以及相同的体素尺寸。3.根据权利要求2所述的一种MRI图像中自动头颈肿瘤分割方法,其特征在于,所述图像预处理包括步骤:选择所述T1-MRI图像中每个MRI切片的轴向视图作为感兴趣区域,感兴趣区域尺寸为鼻咽区域尺寸;进行各向同性重采样以达到设定分辨率;校正MRI图像中的偏置场,通过减去T1序列的平均值并除以其标准偏差来使T1-MRI图像的数据强度归一化。4.根据权利要求3所述的一种MRI图像中自动头颈肿瘤分割方法,其特征在于,所述T1-MRI图像通过PhilipsAchieva3.0T扫描仪获取;获得的图像具有从头部到颈部的相同尺寸232×320×103mm3以及相同的体素尺寸0.6061×0.6061×0.8mm3;选择每个MRI切片在轴向视图中作为感兴趣区域的尺寸为128×128mm3的鼻咽区域;进行各向同性重采样以达到1.0×1.0×1.0mm3的分辨率。5.根据权利要求4所述的一种MRI图像中自动头颈肿瘤分割方法,其特征在于,所述数据增强包括步骤:通过图像变形处理方式获得不同形状的MRI图像训练标记NPC数据;所述图像变形是将MRI图像的行和列分割成片段,从而在MRI图像中获得具有相同大小的盒子;盒子边界上的顶点表示图像变形的范围,盒子边界内的所有顶点作为源控制点,从而得到控制点的目标位置;将变形函数应用于网络中的每个顶点,获得不同形状的MRI图像训练标记NPC数据。6.根据权利要求5所述的一种MRI图像中自动头颈肿瘤分割方法,其特征在于,所述分割NPC肿瘤包括步骤:...
【专利技术属性】
技术研发人员:王艳,何坤,林峰,吴锡,周激流,
申请(专利权)人:四川大学,
类型:发明
国别省市:四川,51
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。