【技术实现步骤摘要】
基于DNN的胰腺全自动分割模型的构建、分割方法及系统
本专利技术属于医学图像分割
,具体涉及一种基于DNN的胰腺全自动分割模型的构建、分割方法及系统。
技术介绍
医学图像分割技术在临床诊断、病理分析、手术动态规划等相关的计算机辅助诊断(CAD)方面有着广泛的研究意义。在临床应用方面,CT(ComputedTomography)检查是诊断胰腺病变最主要的检查方式,腹部CT胰腺器官分割方法作为准确检查胰腺病变的计算机辅助诊断系统的基础,在辅助临床医生提高诊断效率方面有重要的应用价值。基于深度学习方法用于医学图像分割的U-Net网络包含具有对称结构的提取图像上下文信息的收缩路径与恢复图像空间语义信息的扩张路径,通过弹性变形的方式对有效的训练数据进行增强,能够用较短的训练时间得到较高的分割性能。针对腹部CT胰腺分割任务,U-Net网络结构无法充分提取有关分割目标的深层次的特征表示和丰富的语义信息,导致胰腺和背景区域的分割结果精度较低。为解决上述问题,2020年Li等人提出三种跨域信息融合策略对U-Net网络结构进行改进。第一种策略称为跳跃式跨域连接,通过直接在编码器和解码器对应的卷积层之间添加网络残差,有效抑制胰腺分割结果中的过分割。第二种策略称为残差网络,将残差分别加入到编码器、解码器的连续卷积块中,能够同时减弱胰腺分割结果中的过分割和欠分割程度。第三种策略称多尺度残差网络,利用多尺度残差网络块代替编码器解码器之间的特征串联融合策略,不仅能够抑制胰腺分割结果中的过分割和欠分割,还能通过多尺度卷积残差提高网络对 ...
【技术保护点】
1.基于DNN的胰腺全自动分割模型的构建方法,其特征在于,包括如下步骤:/n步骤a:获取胰腺CT图像,对胰腺CT图像进行图像变换和数据预处理,得到预处理后的CT图像集;/n步骤b:构建全自动分割网络,包括依次连接的编码器网络、压缩采样模型和解码器网络;/n步骤c:采用第一损失函数,对步骤b得到的全自动分割网络进行训练,对压缩采样模型中的压缩矩阵A和重建矩阵B进行迭代更新,获得更新后的压缩采样模型,所述更新后的压缩采样模型包括更新后的压缩矩阵
【技术特征摘要】
1.基于DNN的胰腺全自动分割模型的构建方法,其特征在于,包括如下步骤:
步骤a:获取胰腺CT图像,对胰腺CT图像进行图像变换和数据预处理,得到预处理后的CT图像集;
步骤b:构建全自动分割网络,包括依次连接的编码器网络、压缩采样模型和解码器网络;
步骤c:采用第一损失函数,对步骤b得到的全自动分割网络进行训练,对压缩采样模型中的压缩矩阵A和重建矩阵B进行迭代更新,获得更新后的压缩采样模型,所述更新后的压缩采样模型包括更新后的压缩矩阵和更新后的重建矩阵
步骤d:采用第二损失函数,对步骤c得到的包含更新后的压缩采样模型的全自动分割网络进行训练,对编码器网络和解码器网络的参数进行迭代更新,将训练好的全自动分割网络作为胰腺全自动分割模型;
步骤b中压缩采样模型的构建方法包括如下步骤:
步骤1:获取胰腺CT图像,所述的胰腺CT图像上带有多个分割类别标签,对胰腺CT图像进行图像变换和数据预处理,得到预处理后的CT图像;
步骤2:对预处理后的CT图像的分割类别标签采用独热编码方式进行编码,得到标签图G∈{0,1}H×W×C,其中,H和W分别表示标签图的高和宽,C代表分割类别总数;
步骤3:对预处理后的CT图像进行特征提取,得到特征图其中,和分别表示特征图的高和宽,R表示矩阵,代表原始特征图O内的特征总数,将特征图O上坐标为(i,j)的像素点对应的特征值按照特征提取的顺序构成观测向量
将观测向量进行重建,得到原始向量vij∈{0,1}N×1,其中N=r×r×C,[·]表示向上取整函数;
步骤4:构建如式Ⅰ所示的压缩采样模型,根据压缩采样模型获得分割预测向量
其中,A为压缩矩阵且B为重建矩阵且
2.如权利要求1所述的基于DNN的胰腺全自动分割模型的构建方法,其特征在于,所述第一损失函数为l2范数,所述第二损失函数交叉熵损失函数。
3.一种分割方法,其特征在于,包括如下步骤:
步骤Ⅰ:获取待分割的胰腺CT图像;
步骤Ⅱ:利用如权利要求1或2所述的基于DNN的胰腺全自动分割模型的构建方法获得胰腺全自动分割网络模型,将待分割的胰腺CT图像输入胰腺全自动分割网络模型,输出胰腺分割结果。
4.基于DNN的胰腺全自动分割模型的构建系统,其特征在于,包括预处理模块、全自动分割网络构建模块、首次训练模块和二次训练模块;...
【专利技术属性】
技术研发人员:张敏,徐强强,冯筠,任冯刚,仵正,吕毅,
申请(专利权)人:西北大学,
类型:发明
国别省市:陕西;61
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。