基于拓扑感知的结直肠和结直肠癌分割方法、系统、设备及介质技术方案

本发明专利技术公开了一种基于拓扑感知的结直肠和结直肠癌分割方法、系统、设备及介质，方法包括：将结直肠标签图在预设的结直肠坐标系中进行坐标转换，得到结直肠坐标图；在分割模型中引入辅助的回归任务用于预测结直肠坐标图，得到预测的坐标图和坐标回归损失误差；在分割模型中融合自注意力模块用以获取全局的图像信息和分割损失误差；对所述分割模型进行训练，基于真实标签图进行结直肠及结直肠癌分割图的预测，基于转换得到的坐标图进行坐标图的预测；将坐标回归损失误差与分割损失误差联合作为分割模型的总误差，直到训练满足设定的终止条件；利用训练好的分割模型进行分割处理。本发明专利技术能对医学影像中结直肠及其癌变病灶进行自动分割。自动分割。自动分割。

【技术实现步骤摘要】
基于拓扑感知的结直肠和结直肠癌分割方法、系统、设备及介质


[0001]本专利技术属于医学影像处理的
，具体涉及一种基于拓扑感知的结直肠和结直肠癌分割方法、系统、设备及介质。

技术介绍

[0002]结直肠癌(CRC)是全球第三大常见以及致死率第二高的癌症。医学成像能够提供结直肠和CRC的位置和形态学信息，可用于结直肠结构评估和CRC检测、诊断、分期以及治疗响应评估。在临床工作中，放射科医生需要逐层地检查医学影像，判断并手动标注出CRC肿瘤区域，这个过程极其耗时费力且可重复性低。因此，对CRC进行自动分割就显得尤为重要。
[0003]近年来，深度学习技术在医学图像分割任务中取得了显著的成功。目前关于CRC的自动分割算法主要是基于磁共振(MR)和CT肠镜(CTC)图像开展的。然而，由于MR在临床实践中主要用于直肠部分的扫描，这类基于MR图像的分割算法仅对直肠癌的分割有效。另一方面，CTC扫描虽然能进行整个结直肠的检查和CRC的检查，但是CTC需要进行肠道准备，这个过程可能会引起一些类似抽筋疼痛或者晕厥等不良反应。因此，常规的增强CT扫描(仅需静脉注射造影剂，无需肠道准备)在CRC任务中具有更广泛的应用潜力。
[0004]然而，在常规的增强CT图像中分割结直肠癌也面临着更大的挑战：1)结直肠在腹部占很大的空间，但因为其与诸如小肠之类的其他器官粘连紧密，导致其结构在常规的增强CT图像中很难被完整地检测并分割出来，而结直肠的不完整分割可能最终导致CRC的误诊。2)在无需进行肠道准备的常规增强CT扫描图像中，CRC体积通常很小，很难与结直肠内其他正常组织区分开。

技术实现思路

[0005]本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于拓扑感知的结直肠和结直肠癌分割方法、系统、设备及介质，更好的对结直肠及结直肠癌进行分割。
[0006]为了达到上述目的，本专利技术采用以下技术方案：
[0007]第一方面，本专利技术提供了一种基于拓扑感知的结直肠和结直肠癌分割方法，包括下述步骤：
[0008]获取结直肠标签图，将结直肠标签图在预设的结直肠坐标系中进行坐标转换，得到结直肠坐标图，所述结直肠坐标图中对结直肠标注区域中每一个体素的位置信息进行了编码；
[0009]在分割模型中引入辅助的回归任务用于预测结直肠坐标图，得到预测的坐标图P
c
和坐标回归损失误差L
reg
；
[0010]在分割模型中融合自注意力模块用以获取全局的图像信息和分割损失误差L
seg
；所述分割模型的主干网络为“下采样
‑
上采样”架构，在每个下采样阶段整合了自注意力模块，通过添加带有位置嵌入的自注意力层，以增强网络对图像全局信息建模的能力；
[0011]对所述分割模型进行训练，训练任务为两部分，第一部分是基于真实标签图Y进行结直肠及结直肠癌分割图的预测，第二部分是基于转换得到的坐标图E进行坐标图的预测；将坐标回归损失误差L
reg
与分割损失误差L
seg
联合作为分割模型的总误差，直到训练满足设定的终止条件，得到训练好的分割模型；
[0012]利用训练好的分割模型对待处理的图片进行结直肠和结直肠癌分割。
[0013]作为优选的技术方案，所述将结直肠标签图在预设的结直肠坐标系中进行坐标转换，得到结直肠坐标图，具体为：
[0014]基于像素级标签图Y，根据中心线提取算法，提取出结直肠标签图的3D中心线C；
[0015]建立一个结直肠坐标系S，将S初始化为与Y形状相同的全零矩阵，然后在中心线C上找到最低的位置，以这个最低的位置为起点沿中心线进行遍历并在S上递增标记：将最低的位置在S上的值标记为0并开始遍历中心线C，每遍历到中心线的第n个点就将该点在S上的值标记为n
‑
1，最后，将S的值归一化到[0，1]的范围；
[0016]建立一个结直肠坐标图E，将E初始化为与Y形状相同的全零矩阵，沿结直肠坐标系S对标签图Y中的各个体素建立结直肠坐标并赋给结直肠坐标图E：对于标签图Y上每个前景位置p，找到p在坐标系S上最近的点q，并以S上q的相同坐标更新p的坐标图E
P
。
[0017]作为优选的技术方案，所述在分割模型中引入辅助的回归任务用于预测结直肠坐标图的步骤中：
[0018]通过减少分割模型中预测的坐标图P
c
与真实坐标图E之间的回归损失误差L
reg
，来保证分割的整体性及连续性，回归损失误差L
reg
的计算公式如下：
[0019][0020]其中，j代表第j个体素，代表预测的坐标图P
c
上第j个体素的值，E
j
代表真实坐标图E上第j个体素的值。
[0021]作为优选的技术方案，对于每个自注意力模块，处理过程如下：
[0022]先将大小为(H
×
W
×
D)的特征图下采样得到固定的空间大小(H0，W0，D0)，再将其进行重塑成一串长度为τ＝H0×
W0×
D0的标记F
in
；随后通过一个可训练的线性投影层f
proj
将F
in
投射到维，并利用一个可学习的位置嵌入层F
pos
让分割模型获取各个标记的相对位置信息，该过程表示为Z0：
[0023]Z0＝f
proj
(F
in
)+F
pos
[0024]然后将Z0送入多头自注意力模块，所述多头自注意力模块分别包括L层多头自注意力层MSA以及多层感知机MLP，具体如下：
[0025]Z
′
l
＝MSA(LN(Z
′
l
‑1))+Z
′
l
‑1，l＝1，...，L
[0026]Z
l
＝MLP(LN(Z
′
l
))+Z
′
l
，l＝1，...，L
[0027][0028]其中，LN代表层归一化；Z
′
l
代表第l层多头自注意力层输出，Z
′
l
‑1代表第l层多层感知机输出，l代表多头自注意力模块的第l层；
[0029]经过多头自注意力计算后，将计算得到的输出F
out
重塑回(H0，W0，D0)大小，并将其上采样到特征图的原始大小(H
×
W
×
D)，最后再通过一个卷积层将原始特征图与自注意力
特征图进行融合。
[0030]作为优选的技术方案，所述分割模型进行训练具体为：
[0031]在分割模型中，为每个输入图片X得到预测的分割图P
s
和预测的坐标图P
C
：
[0032]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于拓扑感知的结直肠和结直肠癌分割方法，其特征在于，包括下述步骤：获取结直肠标签图，将结直肠标签图在预设的结直肠坐标系中进行坐标转换，得到结直肠坐标图，所述结直肠坐标图中对结直肠标注区域中每一个体素的位置信息进行了编码；在分割模型中引入辅助的回归任务用于预测结直肠坐标图，得到预测的坐标图P
c
和坐标回归损失误差L
reg
；在分割模型中融合自注意力模块用以获取全局的图像信息和分割损失误差L
seg
；所述分割模型的主干网络为“下采样
‑
上采样”架构，在每个下采样阶段整合了自注意力模块，通过添加带有位置嵌入的自注意力层，以增强网络对图像全局信息建模的能力；对所述分割模型进行训练，训练任务为两部分，第一部分是基于真实标签图Y进行结直肠及结直肠癌分割图的预测，第二部分是基于转换得到的坐标图E进行坐标图的预测；将坐标回归损失误差L
reg
与分割损失误差L
seg
联合作为分割模型的总误差，直到训练满足设定的终止条件，得到训练好的分割模型；利用训练好的分割模型对待处理的图片进行结直肠和结直肠癌分割。2.根据权利要求1所述基于拓扑感知的结直肠和结直肠癌分割方法，其特征在于，所述将结直肠标签图在预设的结直肠坐标系中进行坐标转换，得到结直肠坐标图，具体为：基于像素级标签图Y，根据中心线提取算法，提取出结直肠标签图的3D中心线C；建立一个结直肠坐标系S，将S初始化为与Y形状相同的全零矩阵，然后在中心线C上找到最低的位置，以这个最低的位置为起点沿中心线进行遍历并在S上递增标记：将最低的位置在S上的值标记为0并开始遍历中心线C，每遍历到中心线的第n个点就将该点在S上的值标记为n
‑
1，最后，将S的值归一化到[0，1]的范围；建立一个结直肠坐标图E，将E初始化为与Y形状相同的全零矩阵，沿结直肠坐标系S对标签图Y中的各个体素建立结直肠坐标并赋给结直肠坐标图E：对于标签图Y上每个前景位置p，找到p在坐标系S上最近的点q，并以S上q的相同坐标更新p的坐标图E
P
。3.根据权利要求1所述基于拓扑感知的结直肠和结直肠癌分割方法，其特征在于，所述在分割模型中引入辅助的回归任务用于预测结直肠坐标图的步骤中：通过减少分割模型中预测的坐标图P
c
与真实坐标图E之间的回归损失误差L
reg
，来保证分割的整体性及连续性，回归损失误差L
reg
的计算公式如下：其中，j代表第j个体素，代表预测的坐标图P
c
上第j个体素的值，E
j
代表真实坐标图E上第j个体素的值。4.根据权利要求1所述基于拓扑感知的结直肠和结直肠癌分割方法，其特征在于，对于每个自注意力模块，处理过程如下：先将大小为(H
×
W
×
D)的特征图下采样得到固定的空间大小(H0，W0，D0)，再将其进行重塑成一串长度为τ＝H0×
W0×
D0的标记F
in
；随后通过一个可训练的线性投影层f
proj
将F
in
投射到维，并利用一个可学习的位置嵌入层F
pos
让分割模型获取各个标记的相对位置信息，该过程表示为Z0：
Z0＝f
proj
(F
in
)+F
pos
然后将Z0送入多头自注意力模块，所述多头自注意力模块分别包括L层多头自注意力层MSA以及多层感知机MLP，具体如下：Z
′
l
＝MSA(LN(Z
′
l
‑1))+Z
′
l
‑1，l＝1，...，LZ
l
＝MLP(LN(Z
′
l
))+Z
′
l
，l＝1，...，L其中，LN代表层归一化；Z
′
l
代表第l层多头自注意力层输出，Z
′
l
‑1代表第l层多层感知机输出，l代表多头自注意力模块的第l层；经过多头自注意力计算后，将计算得到的输出F...

【专利技术属性】
技术研发人员：刘再毅，姚丽莎，陈鑫，李夙芸，陈治宏，
申请(专利权)人：广东省人民医院，
类型：发明
国别省市：