一种基于深度学习的3D肺部病灶分割方法、装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的3D肺部病灶分割方法、装置、电子设备及存储介质，所述方法通过获取肺结节dicom图像，对所述dicom图像进行预处理；将预处理过的dicom图像进行三维堆叠得到3D图像块，并对3D图像块进行裁剪；将裁剪后的3D图像通过预先训练的球面分割模型进行特征提取得到回归子图；对所述回归子图进行中心度和概率的乘积计算得到多个中心点坐标，通过中心点坐标得到回归的点的坐标，得到分割结果，本发明专利技术提出的球面分割和主流的分割技术相比，无需先检测再分割，直接通过3D图像进行分割得到相应的结果，对比目前的主流3D分割方法，这种方式更加简便快捷，且符合结节类球形的形状特点，达到与主流分割方式接近的精度，提供了一种新思路。

【技术实现步骤摘要】
一种基于深度学习的3D肺部病灶分割方法、装置
本专利技术涉及人工智能
，尤其涉及一种基于深度学习的3D肺部病灶分割方法、装置、电子设备及存储介质。
技术介绍
在医学上，在医疗领域，医疗影像已经成为精准诊断，病灶定位不可分割的一步，但是由于有些病灶较小，难以发现，常常导致医生忽略掉该病灶从而出现误诊的情况，而且，由于病灶形状的互不一致，大小不一，医生对病灶的测量也相对困难。深度学习方法自20世纪末被提出，至今已经得到了良好的发展，它模拟人的神经组成，利用大量的数据完成神经连接的模拟，从而达到模拟人脑的效果，完成一些专业人士完成甚至无法完成的工作。LIDC-IDRI是数据集由胸部医学图像文件(如CT、X光片)和对应的诊断结果病变标注组成。该数据是由美国国家癌症研究所(NationalCancerInstitute)发起收集的，目的是为了研究高危人群早期癌症检测。该数据集包含了1018位病人的CT影像，完成了逐像素级别的肺结节标注，也对肺结节的分类进行了一定的标注。目前使用深度学习的方案在LIDC-IDRI进行检测和分割的办法主要是先对肺结节进行检测，根据检测结果进行逐像素(2D)或逐体素(3D)的分割，从而从而得到肺结节的体积的描述，以及其他相应的描述。但是目前的方法涉及到两阶段模型的使用，或者一阶段的检出和分割。但是，这样的方法导致了相应的耗时高或者占用高显存。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的3D肺部病灶分割方法、装置、电子设备及存储介质，无需先检测再分割，直接通过3D图像进行分割得到相应的结果。第一方面，本专利技术实施例提供了一种深度学习的3D肺部病灶分割方法，所述方法包括以下步骤：获取肺结节dicom图像，对所述dicom图像进行预处理；将预处理过的dicom图像进行三维堆叠得到3D图像块，并对3D图像块进行裁剪；将裁剪后的3D图像通过预先训练的球面分割模型进行特征提取得到回归子图；对所述回归子图进行中心度和概率的乘积计算得到多个中心点坐标，通过中心点坐标得到回归的点的坐标，得到分割结果。可选地，所述球面分割模型的训练过程包括：对所述dicom图像的标注数据进行预处理得到球坐标数据；基于上述构建的网络提取特征图；构建基于ResNeSt-34的特征图金字塔网络FPN和循环特征金字塔网络RFP；将所述特征图通过所述FPN及RFP分为三个部分对所述特征图的球坐标数据进行损失函数的计算，求解出最优化的模型。可选地，对所述dicom图像进行预处理包括；图像归一化和图像增强；其中，图像归一化包括，使用窗宽窗位值分别为500,-1500,对所述dicom图像通过窗宽窗位调整图像值得到归一化到像素值为0-255的图像。可选地，对所述dicom图像的标注数据进行预处理得到球坐标数据包括：根据所述dicom图像的标注数据，得到数据的坐标信息以及分割轮廓；对所述dicom图像的标注数据按照空间距离进行一致性插值，将体素的每个维度的单位值通过3次线性插值的插值方式设置为相同的值；所述dicom图像的标注数据插值完成后，计算回归像素的球坐标空间位置；其中，球坐标的空间表达式如下：z＝rcosθ其中，n在本专利技术中取值36，m在本专利技术中取值为36，r为球心坐标从每一个对应θ和角度到达物体边缘的长度。进一步地，将所述特征图通过所述FPN及RFP分为三个部分对所述特征图的球坐标数据进行损失函数的计算包括：第一部分回归特征图对应的类别，其大小为D*H*W*k，其中DHW分别对应特征图的长宽高三个维度，k为类别数，设置为1，激活函数为sigmoid，即通过概率值判断其是否为结节，使用的损失函数为Focalloss；第二部分为特征图对应的球坐标的中心度，其大小为D*H*W*1，DHW为特征图的长宽高三个维度，中心度的计算式如下：其中di为第个射线的长度，其中球坐标会回归n条射线，其中，本专利技术中n取72(代表36+36)，按照球坐标的θ和进行均匀取值得到，即θ从0-2π等间距取36个值，从0-2π等间距取36个值，得到72个回归直线，代表从中心点到72个方向上的回归距离；第三部分为回归特征图对应的球坐标n个角度上离中心点的距离，其大小为D*H*W*n，在这里DHW分别为长宽高三个维度，n为n个角度，如第二部分所示，n在本专利技术中取值为72。第二方面，本专利技术实施例提供了一种基于深度学习的3D肺部病灶分割装置，所述分割装置包括：图像处理模块，用于获取肺结节dicom图像，对所述dicom图像进行预处理；3D图像获取模块，用于将预处理过的dicom图像进行三维堆叠得到3D图像块，并对3D图像块进行裁剪；回归子图获取模块，用于将裁剪后的3D图像通过预先训练的球面分割模型进行特征提取得到回归子图；计算模块，用于对所述回归子图进行中心度和概率的乘积计算得到多个中心点坐标，通过中心点坐标得到回归的点的坐标，得到分割结果。第三方面，本专利技术提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器通过运行所述可执行指令以实现上述的方法。第四方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述方法的步骤。有益效果本专利技术提出了一种基于深度学习的3D肺部病灶分割方法、装置、电子设备及存储介质，所述方法通过获取肺结节dicom图像，对所述dicom图像进行预处理；将预处理过的dicom图像进行三维堆叠得到3D图像块，并对3D图像块进行裁剪；将裁剪后的3D图像通过预先训练的球面分割模型进行特征提取得到回归子图；对所述回归子图进行中心度和概率的乘积计算得到多个中心点坐标，通过中心点坐标得到回归的点的坐标，得到分割结果，本专利技术提出了球面分割和主流的分割技术相比，本专利技术无需先检测再分割，直接通过3D图像进行分割得到相应的结果，对比目前的主流3D分割方法，这种方式更加简便快捷，且符合结节类球形的形状特点，达到与主流分割方式接近的精度，提供了一种新思路。附图说明图1为本专利技术实施例的基于深度学习的3D肺部病灶分割方法的流程图；图2为本专利技术实施例的球面分割模型的训练过程；图3为本专利技术实施例dicom图像的标注数据进行预处理得到球坐标数据的流程图；图4为本专利技术实施例的通过dicom图像的标注数据，按照空间距离进行一致性插值得到数据的坐标信息以及分割轮廓；图5为本专利技术实施例的将所述特征图通过所述FPN及RFP分为三个部分对所述特征图的球坐标数据进行损失函数的计算的示意图；图6为本专利技术实施例的基于深度学习的3D肺部病灶分割装置的结构框图；图7为本专利技术实施例的一种电子设备的结构框图。具体实施方式下面将结合实施例本文档来自技高网...

【技术保护点】
1.一种基于深度学习的3D肺部病灶分割方法，其特征在于，所述方法包括以下步骤：/n获取肺结节dicom图像，对所述dicom图像进行预处理；/n将预处理过的dicom图像进行三维堆叠得到3D图像块，并对3D图像块进行裁剪；/n将裁剪后的3D图像通过预先训练的球面分割模型进行特征提取得到回归子图；/n对所述回归子图进行中心度和概率的乘积计算得到多个中心点坐标，通过中心点坐标得到回归的点的坐标，得到分割结果。/n

【技术特征摘要】
1.一种基于深度学习的3D肺部病灶分割方法，其特征在于，所述方法包括以下步骤：
获取肺结节dicom图像，对所述dicom图像进行预处理；
将预处理过的dicom图像进行三维堆叠得到3D图像块，并对3D图像块进行裁剪；
将裁剪后的3D图像通过预先训练的球面分割模型进行特征提取得到回归子图；
对所述回归子图进行中心度和概率的乘积计算得到多个中心点坐标，通过中心点坐标得到回归的点的坐标，得到分割结果。


2.根据权利要求1所述的分割方法，其特征在于，所述球面分割模型的训练过程包括：
对所述dicom图像的标注数据进行预处理得到球坐标数据；
构建基于ResNeSt-34的特征图金字塔网络FPN和循环特征金字塔网络RFP；
基于上述构建的网络提取特征图；
将所述特征图通过所述FPN及RFP分为三个部分对所述特征图的球坐标数据进行损失函数的计算，求解出最优化的模型。


3.根据权利要求1所述的分割方法，其特征在于，对所述dicom图像进行预处理包括；
图像归一化和图像增强；
其中，图像归一化包括，使用窗宽窗位值分别为500,-1500,对所述dicom图像通过窗宽窗位调整图像值得到归一化到像素值为0-255的图像。


4.根据权利要求2所述的分割方法，其特征在于，对所述dicom图像的标注数据进行预处理得到球坐标数据包括：
根据所述dicom图像的标注数据，得到数据的坐标信息以及分割轮廓；
对所述dicom图像的标注数据按照空间距离进行一致性插值，将体素的每个维度的单位值通过3次线性插值的插值方式设置为相同的值；
所述dicom图像的标注数据插值完成后，计算回归像素的球坐标空间位置；其中，球坐标的空间表达式如下：






z＝rcosθ
其中，n在本发明中取值36，m在本发明中取值为36，r为球心坐标从每一个对应θ和角度到达物体边缘的长度。


5....

【专利技术属性】
技术研发人员：杜强，陈相儒，郭雨晨，聂方兴，唐超，
申请(专利权)人：北京小白世纪网络科技有限公司，
类型：发明
国别省市：北京;11