The invention provides an automatic pelvic tumor segmentation method and system, storage medium and terminal, including the following steps: pre-processing and data amplification of the image of meningioma image centralization to obtain training data of meningioma; training U_net full convolution neural network based on the training data of meningioma; drawing pelvic tumors with gold standard of tumour boundary in the image centralization of pelvic tumors. Tumor images are preprocessed and data are amplified to obtain pelvic cancer training data. Based on the pelvic cancer training data, the trained U_net full-convolution neural network is fine-tuned to obtain the optimal U_net full-convolution neural network. The collected pelvic cancer images are input into the optimal U_net full-convolution neural network to obtain the pelvic cancer segmentation results. The full automatic pelvic tumor segmentation method and system, storage medium and terminal of the invention can realize full automatic pelvic tumor segmentation through U_net full convolution neural network of migration learning, thereby greatly improving the efficiency of medical interaction and the accuracy of pelvic tumor segmentation.
【技术实现步骤摘要】
一种全自动骨盆肿瘤分割方法及系统、存储介质及终端
本专利技术涉及医学图像处理的
,特别是涉及一种全自动骨盆肿瘤分割方法及系统、存储介质及终端。
技术介绍
骨肌系统的肿瘤中,无论原发还是继发的骨肿瘤,通常存在显著的异质性。尤其是复杂骨盆肿瘤,病变累及多分骨盆分区,手术切除范围大,使得骨盆肿瘤的自动分割始终存在较大挑战。目前,肿瘤边界影像判定是医工交互工程中效率最低、最影响手术结果的环节。现有的骨盆肿瘤分割方法通常是由有经验的医师手工进行标注分割,具有以下缺陷:(1)费时费力,很难快速地获取大量的分割结果;(2)分割结果受到医师主观和经验的影响,可重复性低。现有技术中,深度学习被广泛地应用到医学图像分析的问题上。其中,全卷积神经网络也被逐渐地应用于医学图像分割,如U-net被广泛应用于细胞分割、脑膜瘤分割等。因此,如何基于深度学习实现骨盆肿瘤的分割成为当前亟待解决的热点课题。
技术实现思路
鉴于以上所述现有技术的缺点,本专利技术的目的在于提供一种全自动骨盆肿瘤分割方法及系统、存储介质及终端,通过迁移学习的U-net全卷积神经网络来实现全自动的骨盆肿瘤分割,从而大幅缩短医工交互时间、大幅提高医工交互效率和骨盆肿瘤分割的精确度。为实现上述目的及其他相关目的,本专利技术提供一种全自动骨盆肿瘤分割方法,包括以下步骤:对脑膜瘤图像集中的图像进行预处理和数据扩增,得到脑膜瘤训练数据;基于所述脑膜瘤训练数据训练U-net全卷积神经网络;对骨盆肿瘤图像集中的绘制有肿瘤边界金标准的骨盆肿瘤图像进行预处理和数据扩增,得到骨盆肿瘤训练数据;基于所述骨盆肿瘤训练数据对训练得到的U- ...
【技术保护点】
1.一种全自动骨盆肿瘤分割方法,其特征在于,包括以下步骤:对脑膜瘤图像集中的图像进行预处理和数据扩增,得到脑膜瘤训练数据;基于所述脑膜瘤训练数据训练U‑net全卷积神经网络;对骨盆肿瘤图像集中的绘制有肿瘤边界金标准的骨盆肿瘤图像进行预处理和数据扩增,得到骨盆肿瘤训练数据;基于所述骨盆肿瘤训练数据对训练得到的U‑net全卷积神经网络进行微调,得到最优U‑net全卷积神经网络;将采集到的骨盆肿瘤图像输入所述最优U‑net全卷积神经网络,获取骨盆肿瘤分割结果。
【技术特征摘要】
1.一种全自动骨盆肿瘤分割方法,其特征在于,包括以下步骤:对脑膜瘤图像集中的图像进行预处理和数据扩增,得到脑膜瘤训练数据;基于所述脑膜瘤训练数据训练U-net全卷积神经网络;对骨盆肿瘤图像集中的绘制有肿瘤边界金标准的骨盆肿瘤图像进行预处理和数据扩增,得到骨盆肿瘤训练数据;基于所述骨盆肿瘤训练数据对训练得到的U-net全卷积神经网络进行微调,得到最优U-net全卷积神经网络;将采集到的骨盆肿瘤图像输入所述最优U-net全卷积神经网络,获取骨盆肿瘤分割结果。2.根据权利要求1所述的全自动骨盆肿瘤分割方法,其特征在于,所述预处理包括以下步骤:对图像进行模态间配准;对配准后的图像进行N4偏置场校正;对校正后的图像进行灰度直方图匹配;对匹配后的图像进行标准化处理,使得图像的灰度均值为0、方差为1。3.根据权利要求1所述的全自动骨盆肿瘤分割方法,其特征在于,采用弹性变换算法对预处理后的图像进行数据扩增。4.根据权利要求1所述的全自动骨盆肿瘤分割方法,其特征在于,所述脑膜瘤训练数据包括训练集、验证集和测试集;基于所述脑膜瘤训练数据训练U-net全卷积神经网络时,基于所述训练集和所述验证集在所述U-net全卷积神经网络上的准确率,调整网络超参数以获取训练得到的U-net全卷积神经网络;基于所述测试集获取所述训练得到的U-net全卷积神经网络的准确率。5.根据权利要求1所述的全自动骨盆肿瘤分割方法,其特征在于,所述骨盆肿瘤训练数据包括训练集、验证集和测试集;基于所述骨盆肿瘤训练数据对训练得到的U-net全卷积神经网络进行微调时,基于所述训练集和所述验证集在所述训练得到的U-net全卷积神经网络上的准确率,调整网络超参数以获取最优U-net全卷积神经网络;基于所述测试集获取所述最优U-net全卷积神经网络的准确率。6.根据权利要求4或5所述的全自动骨盆肿瘤分割...
【专利技术属性】
技术研发人员:艾松涛,王燎,曲扬,李小敏,
申请(专利权)人:上海交通大学医学院附属第九人民医院,
类型:发明
国别省市:上海,31
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。