一种基于伪彩色CT图像的深度学习分割方法技术

本发明专利技术公开了一种基于伪彩色CT图像的深度学习分割方法，该方法包括以下步骤：步骤1：获取CT图像数据集S

【技术实现步骤摘要】
一种基于伪彩色CT图像的深度学习分割方法
本专利技术涉及医学图像处理领域，尤其涉及一种基于伪彩色CT图像的深度学习分割方法。
技术介绍
X射线CT(ComputedTomography)具有成像速度快、空间分辨率高等优势在医学诊断和治疗等领域具有广泛应用。CT图像分割在三维重建、计算机辅助诊断和治疗、放射治疗等领域具有重要意义。目前感兴趣组织分割大多依靠医生手动进行勾画，但观察不同组织图像的窗宽窗位往往差异较大，难以在相同的窗宽窗位下对其进行同时分割，致使图像分割不仅需要耗费大量的时间和精力，且易受主观性和医生经验的影响，存在因疲劳或者经验不足等原因导致的勾画结果不一致等问题，对临床诊断和治疗产生不利影响。随着计算机技术的发展，提出了诸多医学图像分割算法，如阈值法、区域生长法、主动轮廓模型分割法等。但在组织或器官边界不明显的情况下，这些算法难以获得满意的分割结果，且通常需要人工干预，存在人为误差。阈值法在图像背景和目标差异较大时可得到精确的分割图像，但在灰度差异不大的情况下难以获得令人满意的分割结果；区域生长法对种子点的选取和生长合并规则很敏感，容易对图像连通性和完整性造成破坏；主动轮廓模型分割法利用了先验知识，具有较好的分割效果但非常耗时，且对于观察窗宽窗位差异较大的不同组织，目前大部分算法每次只能针对单个器官或组织进行有效分割，导致多器官或组织分割效率低下。近年来，基于深度学习的图像分割技术得到了快速发展，在自然图像分割、医学图像分割等领域获得较深入的研究，可实现多目标的并行分割。但是对于CT图像，同样对于观察窗宽窗位差异较大的不同组织，无法再同一个窗宽窗位下进行有效观察，难以实现准确的并行分割。
技术实现思路
本专利技术所要解决的技术问题是针对
技术介绍
中所涉及到的缺陷，提供一种基于伪彩色CT图像的深度学习分割方法，能够对观察窗宽窗位差异较大的组织实现并行分割，有利于提高分割效率和分割准确性。本专利技术为解决上述技术问题采用以下技术方案：一种基于伪彩色CT图像的深度学习分割方法，所述CT图像分割的步骤包括：步骤1：获取CT图像数据集SI0和对应的标签图像数据集SL0；步骤2：通过图像旋转操作对数据集进行扩增；步骤3：生成伪彩色CT图像数据集SIP；步骤4：将伪彩色CT图像数据集SIP及对应的标签图像数据集SL0随机分成训练集ST和测试集SX；步骤5：构建深度学习网络架构；步骤6：利用训练集ST和测试集SX对深度学习网络模型进行训练，得到训练好的分割模型；步骤7：将需要进行分割的图像数据转换为伪彩色图像，输入到训练好的深度学习网络模型中，得到对应的分割结果。作为本专利技术一种基于伪彩色CT图像的深度学习分割方法进一步的优化方案，所述伪彩色CT图像产生的方法是：选择三种不同的感兴趣窗宽窗位，得到相应窗宽窗位下的CT图像，分别作为伪彩色图像R、G、B三个通道的图像数据，从而生成伪彩色CT图像；所述深度学习网络架构采用带孔U-net网络架构，它包括提取图像特征的收缩路径和将特征图恢复至原图像大小的扩张路径，且在收缩路径中采用了带孔卷积核。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：本专利技术先将CT图像转换为伪彩色图像，然后运用深度学习对其进行并行分割，可有效提高分割的准确度和效率，有利于临床诊断与治疗。附图说明图1为一种基于伪彩色CT图像的深度学习分割方法的流程图；图2为带孔U-net网络架构示意图，其中，DILATED-CONV_BN_RELU表示进行带孔卷积以后进行批归一化处理，再通过ReLU进行非线性激活；CONV_BN_RELU表示标准卷积以后进行批归一化处理，再通过ReLU进行非线性激活；MAXPOOLING表示最大值池化；UPSAMPLING表示上采样；CONCAT表示融合，将收缩路径和扩张路径中的特征图进行叠加处理，融合上下文的特征信息；softmax层是一个分类器，可解决多分类问题；图3为3*3带孔卷积核示意图，其中图3(a)是扩张率为1的卷积核，相当于标准卷积核，感受野大小为3×3；图3(b)是扩张率为2的带孔卷积核，只有9个黑色位置处参数参与卷积操作，即进行卷积运算时只有9个黑色位置的权重不为0，其余都为0，其感受野为5×5；同理，图3(c)是扩张率为3的带孔卷积核，感受野为7×7；图4为图像分割结果示例图，其中图4(a)表示原始CT图像，图4(b)表示分割的金标准，图4(c)表示深度学习分割的结果。具体实施方式下面结合附图对本专利技术的技术方案做进一步的详细说明：如图1所示，本专利技术公开了一种基于伪彩色CT图像的深度学习分割方法，下面以胸部CT图像分割为例进行说明，分割的具体步骤如下：步骤1：获取胸部CT图像数据集SI0和对应的标签图像数据集SL0；步骤2：通过图像旋转、缩放操作对数据集进行扩增；步骤3：对CT图像进行调窗处理，分别得到肺窗、心脏窗以及纵膈窗下的图像，生成伪彩色CT图像数据集SIP；步骤4：将伪彩色CT图像数据集SIP及对应的标签图像数据集SL0随机分成训练集ST和测试集SX；步骤5：构建深度学习网络架构；步骤6：利用训练集ST和测试集SX对深度学习网络模型进行训练，得到训练好的分割模型；步骤7：将需要进行分割的胸部CT图像数据转换为伪彩色图像，输入到训练好的深度学习网络模型中，得到对应的分割结果，如附图4所示。本
技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。以上所述的具体实施方式，对本专利技术的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本专利技术的具体实施方式而已，并不用于限制本专利技术，凡在本专利技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种基于伪彩色CT图像的深度学习分割方法，其特征在于包括以下步骤：/n步骤1：获取CT图像数据集S

【技术特征摘要】
1.一种基于伪彩色CT图像的深度学习分割方法，其特征在于包括以下步骤：
步骤1：获取CT图像数据集SI0和对应的标签图像数据集SL0；
步骤2：通过图像旋转、缩放操作对数据集进行扩增；
步骤3：生成伪彩色CT图像数据集SIP；
步骤4：将伪彩色CT图像数据集SIP及对应的标签图像数据集SL0随机分成训练集ST和测试集SX；
步骤5：构建深度学习网络架构；
步骤6：利用训练集ST和测试集SX对深度学习网络模型进行训练，得到训练好的分割模型；
步骤7：将需要进行分割的图像数据转换为伪彩色图像，输入到训练好的深度学习网络模型中，得到对应的分割结果。


2.根据权利要求1所述的基于伪彩色CT图像的深度学习分割方法，其特征在于，对于步骤2，在-15°～15°之间随机产...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：镇江慧影科技发展有限公司，
类型：发明
国别省市：江苏;32