一种CT图像内的肿瘤自动分割方法及系统技术方案

本发明专利技术公开了一种CT图像内的肿瘤自动分割方法及系统，属于医学图像处理领域，用于分割CT图像内的肿瘤病灶区域，解决了CT图像的分割精度较低的问题，其包括：对原始图像数据进行数据增强扩充，得到增强扩充数据；对增强扩充数据进行归一化处理，得到归一化数据；将归一化数据入已训练的处理网络，得到分割图像；对分割图像做降噪处理；从而减少不同CT机扫描带来的不同原始图像的差异，提高处理网络处理结果的适用范围及精度。

A Method and System for Automatic Segmentation of Tumors in CT Images

【技术实现步骤摘要】
一种CT图像内的肿瘤自动分割方法及系统
本专利技术涉及医学图像处理
，尤其涉及一种CT图像内的肿瘤自动分割方法及系统。
技术介绍
肝脏肿瘤是威胁人类健康的重大疾病，肝脏肿瘤的早期检测、精准测量对临床诊治与治疗有重要意义。CT(ComputedTomography，中文名称为电子计算机断层扫描)作为一种廉价高效的检测方式，已经逐渐成为临床上肝肿瘤诊断的常规手段。快速精准地从肝脏CT图像中分割出肿瘤病灶区域，不仅对手术计划制订有帮助，而且对术中肿瘤区域部位的精准定位与切除、以及术后放化疗效果的评估具有很大的实用价值。如何快速精准地从肝脏CT图像中分割出肿瘤病灶区域，是医生及学者们研究的一大课题，目前已有基于深度学习架构的肝脏肿瘤自动分割方法的研究，如卷积神经网络(ConvolutionalNeuralNetwork,CNN)、全卷积神经网络(FullyConvolutionalNetwork,FCN)等。但是，CNN的网络结构较为单一，且全连接层的加入使得网络整体训练参数较为庞大，计算较为复杂，信息量大，网络训练时间较长，分割精度较差。后基于此改进的FCN的整体分割精度依然较低，且基于像素的分类没有考虑像素之间的关系，缺乏空间一致性。此后又在这些经典网络架构基础上提出了一些分割网络架构，但分割精度仍有待提高。
技术实现思路
本专利技术的主要目的在于提供一种CT图像内的肿瘤自动分割方法及系统，旨在解决现有技术中对CT图像的分割精度较低的技术问题。为实现上述目的，本专利技术第一方面提供一种CT图像内的肿瘤自动分割方法，包括：对原始图像数据进行数据增强扩充，得到增强扩充数据；对增强扩充数据进行归一化处理，得到归一化数据；将归一化数据入已训练的处理网络，得到分割图像；对分割图像做降噪处理。进一步地，所述对原始图像数据进行数据增强扩充包括：基于平移旋转原则对原始图像数据进行增强扩充，或基于随机弹性形变原则对原始图像数据进行增强扩充。进一步地，所述对增强扩充数据进行归一化处理包括：根据线性归一化原则对增强扩充数据及肝脏肿瘤金标准进行归一化处理，得到线性归一化图像数据；对所述线性归一化图像数据进行数据分布的归一化处理得到归一化数据。进一步地，所述已训练的处理网络的训练方法包括：构建第一卷积层、第一修正线性单元层、池化层、dropout层及下采样层，形成收缩路径；根据所述第一卷积层、所述第一修正线性单元层、所述池化层、dropout层及下采样层提取并编码所述降噪数据，生成编码数据；构建第二卷积层、第二修正线性单元层及上采样层，形成膨胀路径；根据所述第二卷积层、所述第二修正线性单元层及上采样层解码并分割样本编码数据，生成解码数据；构建概率输出层，输出所述解码数据。进一步地，所述构建第一卷积层、第一修正线性单元层、池化层、dropout层及下采样层包括：依次构建三个第一3*3卷积层，并构建两个第一2*2卷积层，且依次构建的第一3*3卷积层及第一2*2卷积层的特征通道数从64开始，依次增加一倍；在每个第一3*3卷积层后构建一个修正线性单元层；在相邻第一3*3卷积层之间、相邻第一2*2卷积层之间、及相邻的第一3*3卷积层和第一2*2卷积层之间构建池化层；在第一3*3的卷积层之后构建的第一个第一2*2的卷积层后构建第一个dropout层，在构建dropout层后构建第二个第一2*2的卷积层；在第二个第一2*2卷积层后构建第二个dropout层；所述构建第二卷积层、第二修正线性单元层及上采样层包括：在构建第二个dropout层后，依次构建四个第二卷基层，均由上采样层及两个第二3*3卷积层构成，且依次构建的第二卷基层特征通道数以第二个第一2*2卷积层为始，特征通道数依次减少一倍；在每个第二3*3卷积层之前构建上采样层。进一步地，所述收缩路径及所述膨胀路径之间呈镜像分布，并进行级联。进一步地，所述已训练的处理网络的训练方法还包括：构建对抗网络，所述构建对抗网络包括：构建第一数据，所述第一数据由分割金标准作为标准参照，并由肝脏肿瘤二值金标准及原始肝脏灰度图像点乘得到；构建第二数据，所述第二数据由所述分割图像与原始肝脏灰度图像点乘得到；构建损失函数，并将第一数据及第二数据输入损失函数，捕捉来自不同层级的像素级的长短空间特征。本专利技术第二方面提供一种CT图像内的肿瘤自动分割系统，包括：增强扩充模块，用于对原始图像数据进行增强扩充，得到增强扩充数据；归一化处理模块，用于对增强扩充数据进行归一化处理，得到归一化数据；图像分割模块，用于将降噪数据输入已训练的处理网络，得到分割图像；降噪模块，用于对分割图像做降噪处理。本专利技术第三方面提供一种电子装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现上述中的任意一项所述方法。本专利技术第四方面提供一种计算机可读存储介质，一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现上述中的任意一项所述方法。本专利技术提供一种CT图像内的肿瘤自动分割方法，有益效果在于：通过对原始图像数据进行增强扩充，在满足变化灰度信息的鲁棒要求的基础及不影响处理网络对真实信息的处理上，能够达到丰富信息量的结果，从而提高分割模型的泛化效果，使分割模型能够适用于更广泛的数据集，提高处理网络的适用范围；由于不同病人得到的原始图像的灰度值差异较大，故通过归一化处理，能够方便分割处理网络对图像数据的处理，从而减少不同CT机扫描带来的不同原始图像的差异，提高处理网络处理结果的适用范围及精度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例CT图像内的肿瘤自动分割方法的结构示意框图；图2为本专利技术实施例CT图像内的肿瘤自动分割方法中已训练的处理网络的结构示意图；图3为本专利技术实施例CT图像内的肿瘤自动分割方法中对抗网络的结构示意图；图4为本专利技术实施例电子装置的结构示意框图。具体实施方式为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而非全部实施例。基于本专利技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1，为一种CT图像内的肿瘤自动分割方法，包括：S1、对原始图像数据进行数据增强扩充，得到增强扩充数据；S2、对增强扩充数据进行归一化处理，得到归一化数据；S3、将归一化数据入已训练的处理网络，得到分割图像；S4、对分割图像做降噪处理。对原始图像数据进行数据增强扩充包括：基于平移旋转原则对原始图像数据进行增强扩充，或基于随机弹性形变原则对原始图像数据进行增强扩充。由于原始图像数据较为单调，只有一个垂直正方向的数据信息，对于已训练的处理网络信息丰富度来说较为欠缺，单调的数据信息导致处理网络学习的泛化性能较弱，因此需要对原始图像数本文档来自技高网...

【技术保护点】
1.一种CT图像内的肿瘤自动分割方法，其特征在于，包括：对原始图像数据进行数据增强扩充，得到增强扩充数据；对增强扩充数据进行归一化处理，得到归一化数据；将归一化数据入已训练的处理网络，得到分割图像；对分割图像做降噪处理。

【技术特征摘要】
1.一种CT图像内的肿瘤自动分割方法，其特征在于，包括：对原始图像数据进行数据增强扩充，得到增强扩充数据；对增强扩充数据进行归一化处理，得到归一化数据；将归一化数据入已训练的处理网络，得到分割图像；对分割图像做降噪处理。2.根据权利要求1所述的CT图像内的肿瘤自动分割方法，其特征在于，所述对原始图像数据进行数据增强扩充包括：基于平移旋转原则对原始图像数据进行增强扩充，或基于随机弹性形变原则对原始图像数据进行增强扩充。3.根据权利要求1所述的CT图像内的肿瘤自动分割方法，其特征在于，所述对增强扩充数据进行归一化处理包括：根据线性归一化原则对增强扩充数据及肝脏肿瘤金标准进行归一化处理，得到线性归一化图像数据；对所述线性归一化图像数据进行数据分布的归一化处理得到归一化数据。4.根据权利要求1所述的CT图像内的肿瘤自动分割方法，其特征在于，所述已训练的处理网络的训练方法包括：构建第一卷积层、第一修正线性单元层、池化层、dropout层及下采样层，形成收缩路径；根据所述第一卷积层、所述第一修正线性单元层、所述池化层、dropout层及下采样层提取并编码样本降噪数据，生成编码数据；构建第二卷积层、第二修正线性单元层及上采样层，形成膨胀路径；根据所述第二卷积层、所述第二修正线性单元层及上采样层解码并分割所述编码数据，生成解码数据；构建概率输出层，输出所述解码数据。5.根据权利要求4所述的CT图像内的肿瘤自动分割方法，其特征在于，所述构建第一卷积层、第一修正线性单元层、池化层、dropout层及下采样层包括：依次构建三个第一3*3卷积层，并构建两个第一2*2卷积层，且依次构建的第一3*3卷积层及第一2*2卷积层的特征通道数从64开始，依次增加一倍；在每个第一3*3卷积层后构建一个修正线性单元层；在相邻第一3*3卷积层之间、相邻第一2*2卷积层之间、及相邻的第一3*3卷积层和第一2*2卷积层之间构建池化...

【专利技术属性】
技术研发人员：贾富仓，方驰华，初陈曦，
申请(专利权)人：中国科学院深圳先进技术研究院，南方医科大学珠江医院，
类型：发明
国别省市：广东,44