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方案

本发明专利技术属于医学图像分割技术领域，公开了一种基于DNN的胰腺全自动分割模型的构建、分割方法及系统。本发明专利技术克服现有技术中存在的胰腺分割过程中对医生先验知识的依赖问题以及胰腺分割预测结果精度较低的问题，提供一种从标签空间中感知胰腺位置先验知识，在实现对分割目标的精准定位的基础上，进一步通过更细粒度的分割保证胰腺分割结果与标签的形状一致性，有效地提高胰腺分割的精度。

【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分割目标形状的学习能力。上述跨域信息融合策略在一定程度上有效地解决了胰腺分割结果中的过分割、欠分割以及形状不一致问题，提高胰腺器官分割结果的精度，增强分割网络的鲁棒性。2020年Li等人提出三种跨域信息融合策略对U-Net网络结构进行改进后应用于腹部CT胰腺器官分割，首先需要根据医生利用其先验知识手动地从CT图像中勾画出包含胰腺的最小矩形区域，然后再将该最小矩形区域作为分割网络的输入，因此是一种半自动分割方法，该方法存在的不足主要是在进行胰腺分割时输入的图像是包含目标及其周围的较小区域得到较高的分割精度，需依赖医生的先验知识。在三维CT(3DCT)扫描影像数据上直接训练胰腺分割网络可以有效利用具有体积结构的胰腺器官所固有的空间连续信息和解剖相关信息，与在3DCT体素的2D切片上训练2D胰腺分割网络相比，其对程序运行工作站的计算能力和内存成本的要求显著提高。2019年Zhao等人提出直接在3DCT体素训练胰腺全自动分割网络的方法，该方法探索了从粗分割到细分割的多阶段技术，其基本思想是通过粗略的步骤确定感兴趣区(ROIs)，然后对ROIs进行细粒度分割。该全自动分割网络的训练过程分为两个阶段：第一个阶段，在经过下采样的3DCT体素上训练用于生成含有胰腺候选区域的3DU-Net粗分割网络；第二个阶段，在第一个阶段生成的候选区域数据集上训练另一个3DU-Net网络用于对胰腺的细粒度分割。2019年Zhao等人探索出的直接在3DCT体素上从粗分割到细分割的多阶段胰腺全自动分割网络的方法，其局限性在于通过多阶段训练模型而引起的胰腺形状上分割预测结果与标签不一致性问题，导致胰腺分割预测结果的精度较低。
技术实现思路
本专利技术的目的在于提供基于DNN的胰腺全自动分割模型的构建、分割方法及系统，用以解决现有技术中的存在的胰腺分割过程中对医生先验知识的依赖问题以及胰腺分割预测结果精度较低的问题。为了实现上述任务，本专利技术采用以下技术方案：基于DNN的胰腺全自动分割模型的构建方法，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为重建矩阵且进一步的，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。一种分割方法，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。进一步的，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；所述的预处理模块用于获取胰腺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；所述的全自动分割网络构建模块用于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；所述的首次训练模块用于采用第一损失函数，对全自动分割网络构建模块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所述的二次训练模块用于采用第二损失函数，对首次训练模块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；所述的压缩采样模型包括预处理模块、标签图生成模块、特征图生成模块和压缩采样模型生成模块：所述预处理模块用于获取胰腺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；所述标签图生成模块用于对预处理后的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分别表本文档来自技高网...

【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