听神经瘤图像自动化分割方法及系统技术方案

本发明专利技术提供了听神经瘤图像自动化分割方法和系统，利用预先训练的听神经瘤图像自动化分割模型对获取的听神经瘤患者的核磁共振图像进行自动化分割获得分割结果，所述听神经瘤图像自动化分割模型采用预处理网络和分割网络的级联结构。本发明专利技术实施例通过构建以提升模型分割性能为目标的预处理网络提升了模型的分割性能，突破了单一Unet分割模型的局限性，获得了当前最优的听神经瘤图像自动化分割模型，能以较快的速度实现听神经瘤图像的自动化分割，大幅提升了听神经瘤图像分割效率。

【技术实现步骤摘要】
听神经瘤图像自动化分割方法及系统
本专利技术属于图像自动化分割
，特别是基于深度神经网络的听神经瘤图像分割方法。
技术介绍
听神经瘤是一种并不罕见的颅内肿瘤，患者多为30岁以上的中年人，在肿瘤体积较小时常伴随着耳鸣、恶心等容易被忽视的症状，当发展到疾病中后期时由于肿瘤增大，压迫到了面部神经和小脑，就会出现较为严重的面瘫和四肢不协调，医生对这种良性肿瘤的治疗意见都是尽早切除。核磁共振成像（MagneticResonanceImaging，MRI）在脑部诊疗中使用较为频繁，MR成像具有如下优势：1.MRI可以呈现多样的图像对比度；2.MRI可以实现较为完整的软组织成像；3.MRI分辨率较高。医生能够凭借MRI观察病患大脑、腹部等身体部位的详尽细节，这对疾病的诊疗十分有利。MRI影像一般使用T1、T1ce、T2、FLAIR四个序列，不同的序列可以显示不同的组织特征。在听神经瘤的治疗中，医生常使用T2序列加权的MRI影像作为诊断依据，在这个序列上的肿瘤区域相比周围组织值更大一些，视觉效果上更亮一些。通过医疗影像，医生可以根据自己的知识和经验对肿瘤区域进行人工标注，但在医疗资源分配不均、医疗影像数据连年增长的情况下，人工标注逐渐暴露出了标定周期长、标定精度参差不齐的问题，这也使得自动化标注成为了人们关注的重点。由于医学图像样式单一，界限模糊，传统的语义分割方法在医学图像分割上效果不佳且需要人为辅助，无法实现全自动化的标注。为减轻医生负担、提高分割准确率，近年来以深度学习为基础的计算机辅助诊疗技术逐渐得到了广泛应用，然而单一的分割网络性能提升有限，因此需要提出新的听神经瘤图像自动化分割方法提升分割性能。
技术实现思路
本专利技术针对目前单一的听神经瘤图像分割网络性能提升有限的技术问题，提供一种听神经瘤图像自动化分割方法及系统。本专利技术为实现上述技术目的，采用了以下的技术方案。一方面提供一种听神经瘤图像自动化分割方法，包括以下步骤：获取听神经瘤患者的核磁共振图像；利用预先训练的听神经瘤图像自动化分割模型对获取的听神经瘤患者的核磁共振图像进行自动化分割获得分割结果，所述听神经瘤图像自动化分割模型采用预处理网络和分割网络的级联结构。进一步地，所述预处理网络采用pix2pixGAN网络，所述分割网络采用Unet分割网络，其中：pix2pixGAN网络与Unet分割网络均为对称网络结构，均包括下采样部分和上采样部分，所述pix2pixGAN的生成器结构共26层，其下采样部分包含2个dropout层；Unet分割网络共23层，其下采样部分包含10个卷积层，2个最大池化操作，上采样部分包括8个卷积层和4个反卷积层。再进一步地，所述Unet分割网络的训练方法如下：获取听神经瘤患者脑部核磁共振影像样本的训练集；将训练集作为输入数据，该影像样本对应的标注分割结果作为目标数据，对所述Unet分割网络进行训练，多次迭代后选取损失值最小的Unet分割网络作为最终的Unet分割网络。再进一步地，所述pix2pixGAN网络的训练方法如下：获取听神经瘤患者脑部核磁共振影像样本的训练集和验证集；基于训练集和Unet分割网络获取训练集中听神经瘤核磁共振影像对应的修正图像；将训练集中的听神经瘤核磁共振影像和对应的修正图像分别作为pix2pixGAN网络的输入数据和目标数据输入pix2pixGAN网络，多次迭代训练，得到生成器网络；使用测试集在所述听神经瘤图像自动化分割模型上进行测试，选取测试性能最优的生成器网络作为听神经瘤图像自动化分割模型的预处理网络。再进一步地，获取听神经瘤核磁共振影像对应的修正图像的方法包括：计算训练集中听神经瘤患者脑部核磁共振影像在Unet分割网络中的Dice评估系数；计算Dice评估系数关于该核磁共振影像的偏微分，将该偏微分值作为当前核磁共振影像的修正值进行叠加；多次迭代得到听神经瘤脑部核磁共振影像最终的修正图像。另一方面，本专利技术提供了听神经瘤图像自动化分割系统，包括：数据获取模块和听神经瘤图像自动化分割模块，所述数据获取模块，用于获取听神经瘤患者的核磁共振图像；所述听神经瘤图像自动化分割模块用于利用预先训练的听神经瘤图像自动化分割模型对获取的听神经瘤患者的核磁共振图像进行自动化分割获得分割结果，所述听神经瘤图像自动化分割模型采用预处理网络和分割网络的级联结构本专利技术还提供了一种计算机可读存储介质，包括：至少一个处理器以及与所述至少一个处理器通信连接的存储器，其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使得所述至少一个处理器能够执行如以上技术方案任意一种可能的实时方式所提供的听神经瘤图像自动化分割方法。本专利技术所取得的有益技术效果：本专利技术实施例通过构建以提升模型分割性能为目标的预处理网络提升了模型的分割性能，突破了单一Unet分割模型的局限性，获得了当前最优的听神经瘤图像自动化分割模型，提升了经瘤图像分割方法的性能。同时使用后处理模块融合分割掩码与核磁共振图像，使分割结果更加直观，医生可以凭借该结果对肿瘤位置及特征进行较为精确的诊断，有效解决了人工标注标定周期长、标定精度参差不齐的问题。本专利技术实施例在计算机终端上能以较快的速度实现听神经瘤图像的自动化分割，大幅提升了听神经瘤图像的分割效率，有效简化了诊疗流程。附图说明图1为本专利技术实施例的基于梯度下降原理的预处理网络和Unet分割网络级联的听神经瘤图像自动化分割方法流程图；图2为本专利技术实施例的具体分割方案流程图；图3为听神经瘤患者的二维脑部核磁共振影像；图4为图3对应的真实标注图；图5为本专利技术实施例Unet分割网络结构图；图6为本专利技术实施例Unet分割网络训练流程图；图7为本专利技术实施例预处理网络结构图；图8为本专利技术示例预处理网络训练流程图；图9为本专利技术实施例自动化分割模型结构图；图10为本专利技术实施例得到的分割效果示例图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例和说明书附图对本专利技术进一步详细说明。如图1，本专利技术实施例提供了一种听神经瘤图像自动化分割方法，包括以下步骤：获取听神经瘤患者的脑部核磁共振成像；使用基于深度学习方法的听神经瘤图像自动化分割模型对获取的核磁共振图像进行自动化分割，所述听神经瘤图像自动化分割模型采用基于梯度下降原理的预处理网络和Unet分割网络的级联结构。具体地，肿瘤的自动化标注可以被认为是一种图像分割问题，确切地讲，图像分割是对像素进行类别判断的过程，在肿瘤分割中，每个像素只有肿瘤和非肿瘤两种标签，因此肿瘤分割可以看作是对像素进行二分类。由于医学图像样式单一，界限模糊，传统的语义分割方法在医学图像分割上效果不佳且需要人为辅助，无法实现全自动化的标注。为减轻医生负担、提高分割准确率，近年来以深度学习为基础的计算机辅助诊疗技本文档来自技高网...

【技术保护点】
1.听神经瘤图像自动化分割方法，其特征在于，包括以下步骤：/n获取听神经瘤患者的核磁共振图像；/n利用预先训练的听神经瘤图像自动化分割模型对获取的听神经瘤患者的核磁共振图像进行自动化分割获得分割结果，所述听神经瘤图像自动化分割模型采用预处理网络和分割网络的级联结构。/n

【技术特征摘要】
1.听神经瘤图像自动化分割方法，其特征在于，包括以下步骤：
获取听神经瘤患者的核磁共振图像；
利用预先训练的听神经瘤图像自动化分割模型对获取的听神经瘤患者的核磁共振图像进行自动化分割获得分割结果，所述听神经瘤图像自动化分割模型采用预处理网络和分割网络的级联结构。


2.根据权利要求1所述的听神经瘤图像自动化分割方法，其特征在于，所述预处理网络采用pix2pixGAN网络，所述分割网络采用Unet分割网络，其中：
pix2pixGAN网络与Unet分割网络均为对称网络结构，均包括下采样部分和上采样部分，所述pix2pixGAN的生成器结构共26层，其下采样部分包含2个dropout层；
Unet分割网络共23层，其下采样部分包含10个卷积层，2个最大池化操作，上采样部分包括8个卷积层和4个反卷积层。


3.根据权利要求2所述的听神经瘤图像自动化分割方法，其特征在于，所述Unet分割网络的训练方法包括：获取听神经瘤患者脑部核磁共振影像样本的训练集；将训练集作为输入数据，该影像样本对应的标注分割结果作为目标数据，对所述Unet分割网络进行训练，多次迭代后选取损失值最小的Unet分割网络作为最终的Unet分割网络。


4.根据权利要求2所述的听神经瘤图像自动化分割方法，其特征在于，所述pix2pixGAN网络的训练方法包括：获取听神经瘤患者脑部核磁共振影像样本的训练集和验证集；基于训练集和Unet分割网络获取训练集中听神经瘤核磁共振影像对应的修正图像；将训练集中的听神经瘤核磁共振影像和对应的修正图像分别作为pix2pixGAN网络的输入数据和目标数据输入pix2pixGAN网络，多次迭代训练，得到生成器网络；使用测试集在所述听神经瘤图像自动化分割模型上进行测试，选取测试性能最优的生成器网络作为听神经瘤图像自动化分割模型的预处理网络。


5.根据权利要求4所述的听神经瘤图像自动化分割方法，其特征在于，获取听神经瘤核磁...

【专利技术属性】
技术研发人员：刘钦源，柴露，张国凯，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31