一种基于深度学习的CT图像危及器官分割系统技术方案

本发明专利技术公开了一种基于深度学习的CT图像危及器官分割系统，包括：数据采集模块、感兴趣区域勾画模块、危及器官分割模型训练模块、模型测试模块和分割图像生成模块。提出了整合全局信息流的金字塔型深度学习网络与位于跳跃连接上的提取融合多尺度信息的SCP模块，通过多尺度全局信息流的利用及注意力机制增大对分割有用特征的权重，增强结构的非线性，显著提高分割模型的性能，同时设计了基于自动上下文方法的级联网络结构，使用自动上下文方法将待分割器官区域的定位结果与原始CT图像输入结合后，进行精细化分割，显著提升整体系统分割准确度。割准确度。割准确度。

【技术实现步骤摘要】
一种基于深度学习的CT图像危及器官分割系统


[0001]本专利技术涉及医学图像处理的
，尤其是指一种基于深度学习的CT图像危及器官分割系统。

技术介绍

[0002]鼻咽癌是一种在中国高发的恶性肿瘤之一，其发病率为耳鼻咽喉恶性肿瘤之首，在对患者进行该类肿瘤得放射治疗时，如若不能严格控制好放射靶区范围，可能危及到的正常器官组织较多，会给患者健康带来不良影响。CT图像是放疗中的靶区和危机器官勾画的标准图像资源，通过经验丰富的医师手动对相应的靶区和器官进行勾画，清晰地显示出各自所在的区域，从而射线放疗区域被严格地控制在靶区内，不会对正常器官造成损伤或是尽最大程度降低损伤，CT图像的器官分割在临床上是有着重要作用的。但是，人工勾画的工作量很大，非常花费时间；并且受到不同医师间的经验不同的影响，人工分割之间也存在较大差异，勾画准确性受到一定影响。由此，设计一个能够对鼻咽癌危及器官的CT图像进行自动分割的系统，是具有很强的现实意义的，不但能够解放人的双手，降低医师工作量；并且在勾画时间上也要远远快过人工勾画，能够及时地对相应的器官进行分割，为病人的治疗节省宝贵的时间。
[0003]现有的基于深度学习的CT图像危及器官分割系统一般基于编码器
‑
解码器的结构，在特定的医学图像分割任务中表现良好，但仍存在以下不足：
[0004]1、缺乏对多尺度信息的提取及利用，对于结构较为复杂的分割对象或是多个结构尺寸不同的分割对象的分割效果欠佳，对尤其是尺寸较小的器官分割精度较低。
[0005]2、在分割系统还原特征图尺寸的过程中，缺乏对全局信息的利用，并且由编码器采集到的全局信息会随着上采样的进行被逐渐削弱。
[0006]3、分割系统中的跳跃连接结构过于简单，对于融合进解码器中的编码器特征，并未做任何的非线性变换，这在一定程度上降低了网络的非线性水平从而削弱了网络的学习能力。过于简单地引入解码器中的信息也会带来噪声导致像素错误分类的情况出现。
[0007]综上所述，在CT图像危及器官分割系统中，如何充分提取并利用全局信息和多尺度信息、增强跳跃连接结构的非线性以增强网络的学习能力是亟待解决的关键问题。

技术实现思路

[0008]本专利技术的目的在于克服现有技术的缺点与不足，提出了一种基于深度学习的CT图像危及器官分割系统，采用一种能够提取融合多尺度信息的SCP模块，SCP模块处于跳跃连接上，能够加强分割系统对于CT图像危及器官中多尺度器官信息的提取，增强跳跃连接结构的非线性以增强网络的学习能力；设计了金字塔型的深度学习分割网络结构，实现对于分割系统中全局信息的融合利用；还将分割系统设计成了级联网络的形式，利用自动上下文的方法连接主要网络和次级网络，利用主要网络定位待分割的区域，提升次级网络的分割精确度。
[0009]为实现上述目的，本专利技术所提供的技术方案为：一种基于深度学习的CT图像危及器官分割系统，包括：
[0010]数据采集模块，用于采集CT图像数据集，将CT图像数据集进行随机划分，形成训练集和测试集；
[0011]感兴趣区域勾画模块，用于在CT图像数据集中勾画感兴趣区域，将勾画后的图像数据作为参考标签；
[0012]危及器官分割模型训练模块，用于使用训练集中的图像数据，对危及器官分割模型进行迭代训练，危及器官分割模型包括分割网络A和分割网络B，其中分割网络A由多尺度全局信息融合的金字塔型网络P构成，分割网络B由深度学习网络U构成，二者通过自动上下文级联的方式构成了危及器官分割模型，在训练时首先通过优化分割网络A自身的损失函数进行训练，并在训练完成后固定A中的参数，然后通过优化危及器官分割模型的损失函数对分割网络B进行训练，进而完成对整体模型的训练；分割网络A通过优化感兴趣区域的分割损失，帮助训练分割网络B，以获得精确度更高的危及器官分割结果；
[0013]模型测试模块，用于将测试集中的全部样本CT图像，输入危及器官分割模型训练模块得到的各个迭代训练轮次的危及器官分割模型，生成对应的危及器官分割结果，输出灰度图像，并评估各样本得到分割结果的准确度，选择迭代训练的各个轮次得到的模型中危及器官分割精确度最高的模型作为最优分割模型；
[0014]分割图像生成模块，用于将模型测试模块输出的灰度图像进行处理，得到预测的标签图的二值图像，采用叠图的方式，将预测的标签图叠加到对应的原输入CT图像上，得到完整的分割图像。
[0015]进一步，所述CT图像数据集包括含有多个鼻咽癌危及器官的CT图像；所述数据采集模块使用软件Matlab，读取含有鼻咽癌危及器官的CT图像数据的dicom文件，然后将读取到的数据制成图像，得到对应的CT图像数据集；将CT图像数据集进行随机排序，并将随机排序后的数据集中80％的数据作为训练集，20％的数据作为测试集。
[0016]进一步，所述感兴趣区域勾画模块利用软件Matlab，根据参考图像对应dicom文件中人工勾画的分割结果数据，制作出对应的标签图，作为分割系统的目标区域。
[0017]进一步，所述危及器官分割模型训练模块将训练集分成n个批次大小为m的数据并逐批次进行训练；在训练阶段，当前批次的CT图像为原始CT图像，用I
origin_CT
表示，经医师手工分割鼻咽癌危及器官的标签用gt表示；所述危及器官分割模型包括分割网络A和分割网络B，其中分割网络A由多尺度全局信息融合的金字塔型网络P构成，分割网络B由传统的深度学习网络U构成，训练过程包括以下步骤：
[0018]1)将I
origin_CT
输入分割网络A，得到分割结果计算分割网络A的相应损失项并更新分割网络A的参数；其中，分割结果由下列表达式确定：
[0019][0020]分割网络A的相应损失项由多分类交叉熵损失构成，由下式确定：
[0021][0022]其中，越小，分割网络A准确度越高；
[0023]2)根据自动上下文的原理，首先利用softmax操作将步骤1)中的以概率分布的形式输出，记为接着利用Concatenate操作将与原始的CT图像I
origin_CT
在通道维度进行拼接，得到拼接后的结果I
concat
；将I
concat
输入到分割网络B，得到分割结果计算分割网络B的相应损失项并更新分割网络B的参数；其中，分割结果由下列表达式确定：
[0024][0025]分割网络B的相应损失项由多分类交叉熵损失构成，由下式确定：
[0026][0027]式中，m为当前小批次中数据的个数，gt表示经医师手工分割鼻咽癌危及器官的标签；越小，分割网络B的准确度越高；
[0028]所述分割网络A和分割网络B通过自动上下文的方式进行级联，其中自动上下文是一种能有效识别物体的统计模型，是一个迭代的过程，其第一步用传统分类器对新数据进行识别，得到这个数据属于各类别的概率；第二步的数据训练集不仅包含数据和类别，还包含有上述所得的各类别概率，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的CT图像危及器官分割系统，其特征在于，包括：数据采集模块，用于采集CT图像数据集，将CT图像数据集进行随机划分，形成训练集和测试集；感兴趣区域勾画模块，用于在CT图像数据集中勾画感兴趣区域，将勾画后的图像数据作为参考标签；危及器官分割模型训练模块，用于使用训练集中的图像数据，对危及器官分割模型进行迭代训练，危及器官分割模型包括分割网络A和分割网络B，其中分割网络A由多尺度全局信息融合的金字塔型网络P构成，分割网络B由深度学习网络U构成，二者通过自动上下文级联的方式构成了危及器官分割模型，在训练时首先通过优化分割网络A自身的损失函数进行训练，并在训练完成后固定A中的参数，然后通过优化危及器官分割模型的损失函数对分割网络B进行训练，进而完成对整体模型的训练；分割网络A通过优化感兴趣区域的分割损失，帮助训练分割网络B，以获得精确度更高的危及器官分割结果；模型测试模块，用于将测试集中的全部样本CT图像，输入危及器官分割模型训练模块得到的各个迭代训练轮次的危及器官分割模型，生成对应的危及器官分割结果，输出灰度图像，并评估各样本得到分割结果的准确度，选择迭代训练的各个轮次得到的模型中危及器官分割精确度最高的模型作为最优分割模型；分割图像生成模块，用于将模型测试模块输出的灰度图像进行处理，得到预测的标签图的二值图像，采用叠图的方式，将预测的标签图叠加到对应的原输入CT图像上，得到完整的分割图像。2.根据权利要求1所述的一种基于深度学习的CT图像危及器官分割系统，其特征在于：所述CT图像数据集包括含有多个鼻咽癌危及器官的CT图像；所述数据采集模块使用软件Matlab，读取含有鼻咽癌危及器官的CT图像数据的dicom文件，然后将读取到的数据制成图像，得到对应的CT图像数据集；将CT图像数据集进行随机排序，并将随机排序后的数据集中80％的数据作为训练集，20％的数据作为测试集。3.根据权利要求1所述的一种基于深度学习的CT图像危及器官分割系统，其特征在于：所述感兴趣区域勾画模块利用软件Matlab，根据参考图像对应dicom文件中人工勾画的分割结果数据，制作出对应的标签图，作为分割系统的目标区域。4.根据权利要求1所述的一种基于深度学习的CT图像危及器官分割系统，其特征在于：所述危及器官分割模型训练模块将训练集分成n个批次大小为m的数据并逐批次进行训练；在训练阶段，当前批次的CT图像为原始CT图像，用I
origin_CT
表示，经医师手工分割鼻咽癌危及器官的标签用gt表示；所述危及器官分割模型包括分割网络A和分割网络B，其中分割网络A由多尺度全局信息融合的金字塔型网络P构成，分割网络B由传统的深度学习网络U构成，训练过程包括以下步骤：1)将I
origin_CT
输入分割网络A，得到分割结果计算分割网络A的相应损失项并更新分割网络A的参数；其中，分割结果由下列表达式确定：分割网络A的相应损失项由多分类交叉熵损失构成，由下式确定：
其中，越小，分割网络A准确度越高；2)根据自动上下文的原理，首先利用softmax操作将步骤1)中的以概率分布的形式输出，记为接着利用Concatenate操作将与原始的CT图像I
origin_CT
在通道维度进行拼接，得到拼接后的结果I
concat
；将I
concat
输入到分割网络B，得到分割结果计算分割网络B的相应损失项并更新分割网络B的参数；其中，分割结果由下列表达式确定：分割网络B的相应损失项由多分类交叉熵损失构成，由下式确定：式中，m为当前小批次中数据的个数，gt表示经医师手工分割鼻咽癌危及器官的标签；越小，分割网络B的准确度越高；所述分割网络A和分割网络B通过自动上下文的方式进行级联，其中自动上下文是一种能有效识别物体的统计模型，是一个迭代的过程，其第一步用传统分类器对新数据进行识别，得到这个数据属于各类别的概率；第二步的数据训练集不仅包含数据和类别，还包含有上述所得的各类别概率，得到一个新的分类器后再对新数据识别得到其分别属于个类别的概率；迭代更新，重复第二步，一直到收敛，分类概率几乎不变，这时便得到更清晰的分割图像；所述分割网络A和分割网络B在训练时，先单独将分割网络A训练至收敛，然后将分割网络A中的参数固定，加入分割网络B，训练整个危及器官分割模型。5.根据权利要求4所述的一种基于深度学习的CT图像危及器官分割系统，其特征在于：所述分割网络A由多尺度全局信息融合的金字塔型网络P构成，是一种嵌入了具有提取多尺度信息、整合全局信息的SE
‑
Connection Pyramid模块即SCP模块的金字塔型网络，金字塔型网络包含带跳跃连接的编码器部分和解码器部分；所述编码器部分由4个结构相同的编码器子模块构成；每个编码器子模块均含有2个连续的2D卷积层和1个最大池化层；每个2D卷积层后紧接着是实例归一化层，并使用ReLU作为激活函数；其中，每一个卷积层的卷积核尺寸大小设置为3
×
3，步长设置为1，使用“same”卷积的方式，将填充量设置为1，目的是在扩大网络感受野的同时，加强对图像边缘信息的提取，保证卷积过程中特征图的尺寸不变使网络后续尺寸变化计算更为方便；最大池化层处于第2个2D卷积层之后，目的是提取特征图的主要信息，减小特征图尺寸；每一个编码器子模块的输出除了输送到下一级编码器子模块外，还会被输送到处于跳跃连接位置上的SCP模块中，与来自下一级的SCP模块输出进行通道维度上的拼接融合，以实现全局多尺度信息的融合，融合后的信息除了作为上一级的SCP模块的输入，还会被输入到对应层级的解码器
子模块中，以获得更为精确的分割结果；所述SC...

【专利技术属性】
技术研发人员：郭礼华，黄泽曦，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：