【技术实现步骤摘要】
基于FCN的腹部多器官核磁共振图像分割方法、系统及介质
本专利技术涉及数字医学影像处理与分析和计算机辅助诊断领域,具体涉及一种基于FCN的腹部多器官核磁共振图像分割方法、系统及介质。
技术介绍
了解复杂医疗程序的先决条件对于手术的成功起着重要作用。为了丰富理解水平,医生使用三维可视化和打印等高级工具,这些工具需要从DICOM图像中提取感兴趣的对象。腹部多器官(即肝脏,肾脏和脾脏)的精确分割对于几种临床程序至关重要,包括但不限于基于活体供体的移植手术的肝脏预评估或腹部多器官的详细分析以确定在腹主动脉手术之前,为了正确定位移植物的血管并进入它们。这促使正在进行的研究需要克服由于腹部的高度灵活的解剖学特性和反映图像特征的模态的限制带来的无数挑战,以获得更好的分割结果。腹部多器官核磁共振(MR)图像的精确分割对于诊断、手术规划、术后分析以及化疗、放疗计划至关重要,目前国内外有很多研究人员提出了各种各样的腹部多器官MR图像的分割算法,主要包括基于图形分割的算法以及基于像素的分割算法等。基于图形的分割算法在网络图中使用顶点来表示图像的像素,使用图中的边来表示像素之间的相似度,通过以能量最小化问题为优化目标将网络图逐渐分割成子网络图,使得子网络图内部的相似度以及子网络图之间的差异度达到最大。此类算法一般需要解决一个求解广义特征向量问题,在图像分辨率大小较大的情况下,此类算法会产生较大的计算量,复杂度较高。基于像素的分割算法的基本思想是根据每个像素在MR图像上亮度信息、纹理信息等把该像素点分类到正确的的类别中。分类的算法包括 ...
【技术保护点】
1.一种基于FCN的腹部多器官核磁共振图像分割方法,其特征在于实施步骤包括:/n1)获取输入的腹部多器官核磁共振图像并进行数据预处理、图像归一化操作;/n2)将归一化后的腹部多器官核磁共振图像输入完成训练的高分辨率全卷积神经网络模型得到最终预测图,所述高分辨率全卷积神经网络模型被预先训练建立了归一化后的腹部多器官核磁共振图像及其对应的最终预测图的映射关系;/n3)将最终预测图使用激活函数激活得到预测得分图,且在每个像素位置取预测得分最高的类别作为该像素位置的预测标签类别,得到最终的分割预测图。/n
【技术特征摘要】 【专利技术属性】
1.一种基于FCN的腹部多器官核磁共振图像分割方法,其特征在于实施步骤包括:
1)获取输入的腹部多器官核磁共振图像并进行数据预处理、图像归一化操作;
2)将归一化后的腹部多器官核磁共振图像输入完成训练的高分辨率全卷积神经网络模型得到最终预测图,所述高分辨率全卷积神经网络模型被预先训练建立了归一化后的腹部多器官核磁共振图像及其对应的最终预测图的映射关系;
3)将最终预测图使用激活函数激活得到预测得分图,且在每个像素位置取预测得分最高的类别作为该像素位置的预测标签类别,得到最终的分割预测图。
2.根据权利要求1所述的基于FCN的腹部多器官核磁共振图像分割方法,其特征在于,所述高分辨率全卷积神经网络模型包括第一卷积模块、多分辨率并行-融合模块和最终卷积模块三个部分,且三个部分除了最终卷积模块最后的卷积层不包括激活操作之外其他所有部分的卷积层都包括卷积操作、批量归一化操作和激活操作,且三个部分使用的瓶颈块结构相同。
3.根据权利要求2所述的基于FCN的腹部多器官核磁共振图像分割方法,其特征在于,所述多分辨率并行-融合模块包括多个并行的并行-融合模块,每一个并行-融合模块对应着不同分辨率大小和通道数的特征图以实现对不同分辨率的特征图并行卷积操作,每一个并行-融合模块都由并行部分、融合部分这两部分组成,并行部分用于对上一个模块输出的多个特征图进行多分支并行的卷积操作,融合部分对并行部分输出的多个不同分辨率的特征图,经过上采样和下采样后在通道维度拼接,实现不同分辨率特征之间的相互融合,并且除最后一个多分辨率并行-融合模块以外的最后一个分支融合结果进行下采样,使得下一个分辨率并行-融合模块增加一条新分辨率的并行分支。
4.根据权利要求3所述的基于FCN的腹部多器官核磁共振图像分割方法,其特征在于,所述多分辨率并行-融合模块包括4个并行的并行-融合模块MP-FM1~MP-FM4,其中:并行-融合模块MP-FM1的输入为大小分别为32*H*W和64*H/2*W/2的特征图,其并行部分PP_1为通道数分别为32和64的2个并行的瓶颈块,融合部分FP_1包括1个最大池化层、1个双线性插值上采样操作、2个通道维度上的连接操作和1个通道数为128的卷积池化层,且其输出为大小分别为96*H*W、96*H/2*W/2和128*H/4*W/4的特征图;并行-融合模块MP-FM2的输入为大小分别为96*H*W、96*H/2*W/2和128*H/4*W/4的特征图,其并行部分PP_2为通道数分别为32、64和128的3个并行的瓶颈块,融合部分FP_2包括3个最大池化层、3个双线性插值上采样操作、3个通道维度上的连接操作和1个通道数为256的卷积池化层,输出为大小分别为224*H*W、224*H/2*W/2、224*H/4*W/4和256*H/8*W/8的特征图;并行-融合模块MP-FM3的输入为大小分别为224*H*W、224*H/2*W/2、224*H/4*W/4和256*H/8*W/8的特征图,其并行部分PP_3为通道数分别为32、64、128和256的4个并行的瓶颈块,融合部分FP_3包括6个最大池化层、6个双线性插值上采样操作、4个通道维度上的连接操作和1个通道数为512的卷积池化层,输出为大小分别为480*H*W、480*H/2*W/2、480*H/4*W/4、480*H/8*W/8和512*H/16*W/16的特征图;并行-融合模块MP-FM4的输入为大小分别为480*H*W、480*H/2*W/2、480*H/4*W/4、480*H/8*W/8和512*H/16*W/16的特征图,其并行部分PP_4为通道数分别为32、64、128、256和512的5个并行的瓶颈块,融合部分FP_4包括4个双线性插值上采样操作和1个通道维度上的连接操作,输出为大小为992*H*W的特征图。
技术研发人员:戈峰,肖侬,卢宇彤,陈志广,邓楚富,
申请(专利权)人:中山大学,
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。