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方案

本发明专利技术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，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。本发明专利技术的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，从而大幅提高医工交互效率和骨盆肿瘤分割的精确度。

An Automatic Pelvic Tumor Segmentation Method and System, Storage Medium and Terminal

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-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。于本专利技术一实施例中，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。于本专利技术一实施例中，采用弹性变换算法对预处理后的图像进行数据扩增。于本专利技术一实施例中，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。于本专利技术一实施例中，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。于本专利技术一实施例中，根据计算所述准确率，其中S1表示基于U-net全卷积神经网络得到的分割结果，S2表示分割金标准；|S1∩S2|表示基于U-net全卷积神经网络得到的分割结果与分割金标准的重叠区域；|S1|+|S2|表示基于U-net全卷积神经网络得到的分割结果与分割金标准的区域综合；TP表示基于U-net全卷积神经网络得到的分割结果与分割金标准的重叠区域；FP表示仅出现在分割金标准中的区域，FN表示仅出现在基于U-net全卷积神经网络得到的分割结果中的区域。于本专利技术一实施例中，所述训练集、所述验证集和所述测试集的占比分别为70％、20％和10％。对应地，本专利技术提供一种全自动骨盆肿瘤分割系统，包括第一训练数据生成模块、第一训练模块、第二训练数据生成模块、第二训练模块和分割模块；所述第一训练数据生成模块用于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；所述第一训练模块用于基于所述脑膜瘤训练数据训练U-net全卷积神经网络；所述第二训练数据生成模块用于所述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；所述第二训练模块用于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；所述分割模块用于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。本专利技术提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的全自动骨盆肿瘤分割方法。最后，本专利技术提供一种终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行上述的全自动骨盆肿瘤分割方法。如上所述，本专利技术所述的全自动骨盆肿瘤分割方法及系统、存储介质及终端，具有以下有益效果：(1)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；(2)无需医生手动操作，不仅能够减少医生的工作量，而且肿瘤分割的结果不依赖于操作人员的业务水平和主观影响，分割的准确率高。附图说明图1显示为本专利技术的全自动骨盆肿瘤分割方法于一实施例中的流程图；图2显示为本专利技术的全自动骨盆肿瘤分割系统于一实施例中的结构示意图；图3显示为本专利技术的终端于一实施例中的结构示意图。元件标号说明21第一训练数据生成模块22第一训练模块23第二训练数据生成模块24第二训练模块25分割模块31处理器32存储器具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图示中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。本专利技术的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，无需专业人士手动分割，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。为了提高深度学习架构的一般化，采用一个表现好的深度学习网络在一个大的数据集上训练，然后在一个小数据集上针对一个特定问题进行微调，这种方法被称为迁移学习。迁移学习可以在一定程度上解决训练样本数据量太少的问题，从而在实践中被广泛应用。如图1所示，于一实施例中，本专利技术的全自动骨盆肿瘤分割方法包括以下步骤：步骤S1、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。具体地，获取脑膜瘤患者的MRI图像作为脑膜瘤图像集，对所述脑膜瘤图像集进行预处理，以得到统一标准下的脑膜瘤图像，并将其作为脑膜瘤训练数据。于本专利技术一实施例中，所述预处理包括以下步骤：11)对图像进行模态间配准。具体地，对于同一病人的不同模态下的MRI图像进行配准。优选地，采用B样条线性插值算本文档来自技高网...

【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