本发明专利技术提供一种基于深度残差网络的全身肿瘤分割方法及系统，该方法包括获取全身正电子发射断层图像和对应的金标准分割图像，并对图像按照预设的空间间距进行重采样；对重采样后的全身正电子发射断层图像和金标准分割图像进行预处理；将预处理后的全身正电子发射断层图像和金标准分割图像作为训练集，训练深度残差网络；将待分割的图像输入到已训练的深度残差网络中；根据已训练的深度残差网络输出分割预测图像。与现有的单一空间间距训练方法对比，本方法可以处理不同空间间距数据并保持良好的鲁棒性，通过结合深度残差网络和图像重采样技术，实现了全身肿瘤分割的高质量、准确性和效率，对于肿瘤诊断、治疗规划和评估具有重要的应用价值。要的应用价值。要的应用价值。
【技术实现步骤摘要】
一种基于深度残差网络的全身肿瘤分割方法及系统
[0001]本专利技术涉及核医学影像学
，具体为一种基于深度残差网络的全身肿瘤分割方法及系统。
技术介绍
[0002]正电子发射断层成像（Positron Emission Tomography，PET）是一种核医学影像学技术，用于观察人体内部器官和组织的代谢活动。PET成像通过检测放射性示踪剂注入体内后产生的正电子与电子湮灭所释放出的能量，生成三维影像。PET成像可以用于评估治疗效果和预后判断。在癌症治疗中，PET可以帮助医生评估肿瘤对治疗的反应，并指导进一步的治疗方案。定量分析的一个关键初始处理步骤是肿瘤病灶的分割，以实现准确的特征提取、肿瘤表征、肿瘤分期和基于图像的治疗反应评估。然而，手动病灶分割需要巨大的工作量和成本，因此在临床例行工作中不可行。因此，自动化这个任务对于广泛的全面PET图像分析的临床实施是非常重要的。
[0003]针对这个问题，基于卷积网络的深度学习模型被广泛研究。结合先验边界框，3D卷积神经网络被证明在固定部位具有良好的肿瘤分割效果，例如头颈部肿瘤分割。基于2D/3D卷积的深度编码解码网络的PET/CT双输入模型也被证明在全身的肿瘤分割任务上有着良好表现。3D卷积Unet解码器编码器结构的深度学习模型在大肿瘤分割上也被证实有着良好的分割结果。
[0004]现有的方法仍然存在以下问题：1、模型训练的数据基于单一的空间间距PET数据，导致在推理阶段对于其他空间间距数据表现较差。2、基于dice损失函数的模型会偏向优化大肿瘤区域的分割结果，导致方法在小肿瘤区域上分割结果差，漏检率高。3、依赖于CT的输入或者先验边界框的输入来达到高质量的分割结果。
技术实现思路
[0005]鉴于以上所述现有技术的缺点，本专利技术提供一种基于深度残差网络的全身肿瘤分割方法及系统，以解决上述技术问题。
[0006]本专利技术提供的一种基于深度残差网络的全身肿瘤分割方法，包括：获取全身正电子发射断层图像，并对所述全身正电子发射断层图像按照预设的空间间距进行重采样；根据所述全身正电子发射断层图像按照金标准分割获取对应的金标准分割图像，并按照相同的所述空间间距进行重采样；对重采样后的所述全身正电子发射断层图像和所述金标准分割图像进行预处理；将预处理后的所述全身正电子发射断层图像和所述金标准分割图像作为训练集，训练深度残差网络；将待分割的图像进行重采样和预处理，并输入到已训练的深度残差网络中；根据已训练的所述深度残差网络输出分割预测图像。
[0007]于本专利技术的一实施例中，所述预处理具体包括：使用直方图修剪所述全身正电子发射断层图像得到的窗口最小值与窗口最大值；根据窗口最小值与窗口最大值对重采样后的所述全身正电子发射断层图像进行归一化。
[0008]于本专利技术的一实施例中，所述归一化具体实现逻辑为：其中，为归一化后的所述全身正电子发射断层图像，为预处理后的所述全身正电子发射断层图像。
[0009]于本专利技术的一实施例中，训练深度残差网络，具体包括：对所述金标准分割图像做3D连同域提取得到实例映射图像；通过在图像边缘进行背景体素填充将的形状填充至预设目标尺寸整数倍；通过使用滑动窗口对的各窗口进行推理预测；根据输入图像的尺寸与格式将推理预测结果输出为输出图像。
[0010]于本专利技术的一实施例中，对所述金标准分割图像做3D连同域提取得到实例映射图像，具体包括：将中所有前景体素提取并得到3D坐标；根据所获的3D坐标建立双向连接图，其中，连接关系表示为3D空间中的邻近关系；根据所获得的双向连接图计算连同分量并对同一分量的所有点赋予相同标签；根据获取的标签信息还原与同一形状的3D图像，其中，所有前景的体素值设置为对应的点标签。
[0011]于本专利技术的一实施例中，在训练时，将与，计算损失再进行反向传播更新模型权重，损失函数表示为：表示为：====其中，、和分别是实例dice损失，focal损失和交叉熵损失，为实例dice损失，focal损失的权重系数，且，，，
函数表示返回集合的交集部分，代表对应标签掩码图像，为超参数。
[0012]于本专利技术的一实施例中，根据已训练的所述深度残差网络输出分割预测图像后，所述方法还包括：将分割预测图像的空间间距设置为与输入图像的采样空间间距一致，并输出保存为dicom或nifti格式。
[0013]本专利技术还提供一种基于深度残差网络的全身肿瘤分割系统，包括：数据重采样模块：获取全身正电子发射断层图像，并对所述全身正电子发射断层图像按照预设的空间间距进行重采样；金标准获取模块：根据所述全身正电子发射断层图像按照金标准分割获取对应的金标准分割图像，并按照相同的所述空间间距进行重采样；数据预处理模块：对重采样后的所述全身正电子发射断层图像和所述金标准分割图像进行预处理；训练模块：将预处理后的所述全身正电子发射断层图像和所述金标准分割图像作为训练集，训练深度残差网络；推理模块：将待分割的图像进行重采样和预处理，并输入到已训练的深度残差网络中；结果输出数据：根据已训练的所述深度残差网络输出分割预测图像。
[0014]本专利技术还提供一种电子设备，所述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如上述实施例中任一项所述的一种基于深度残差网络的全身肿瘤分割方法。
[0015]本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行如上述实施例中任一项所述的一种基于深度残差网络的全身肿瘤分割方法。
[0016]本专利技术提供的一种基于深度残差网络的全身肿瘤分割方法及系统，通过获取全身正电子发射断层图像，并对所述全身正电子发射断层图像按照预设的空间间距进行重采样；根据所述全身正电子发射断层图像按照金标准分割获取对应的金标准分割图像，并按照相同的所述空间间距进行重采样；对重采样后的所述全身正电子发射断层图像和所述金标准分割图像进行预处理；将预处理后的所述全身正电子发射断层图像和所述金标准分割图像作为训练集，训练深度残差网络；将待分割的图像进行重采样和预处理，并输入到已训练的深度残差网络中；根据已训练的所述深度残差网络输出分割预测图像。产生的有益效果包括：1、肿瘤的全身分割非常依赖3D全图的特征联系与空间信息交互，本方法通过使用不同比例下的3D卷积，残差连接能够达到更低的漏检率与假阳率。并且能够更好的区分病理性结构高亮区域与生理性结构。
[0017]2、与现有的基于UNet3d的深度解码网络相比，本方法所用的深度监督机制让深度
残差网络同时学习不同比例下特征与金标准的误差。让训练更加平滑，提升分割的精细程度，并且让深度残差网络的鲁棒性更强。
[0018]3、与现有的基于固定部位（如头颈）的方法相比，本方法可以一次性处理整个PET数据并分割全身肿瘤，有更好的通用型以及鲁棒性。
[0019]4、与现有的基于dice损失函数训练的深度网络相比本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度残差网络的全身肿瘤分割方法，其特征在于，包括：获取全身正电子发射断层图像，并对所述全身正电子发射断层图像按照预设的空间间距进行重采样；根据所述全身正电子发射断层图像按照金标准分割获取对应的金标准分割图像，并按照相同的所述空间间距进行重采样；对重采样后的所述全身正电子发射断层图像和所述金标准分割图像进行预处理；将预处理后的所述全身正电子发射断层图像和所述金标准分割图像作为训练集，训练深度残差网络；将待分割的图像进行重采样和预处理，并输入到已训练的深度残差网络中；根据已训练的所述深度残差网络输出分割预测图像。2.根据权利要求1所述的一种基于深度残差网络的全身肿瘤分割方法，其特征在于，所述预处理具体包括：使用直方图修剪所述全身正电子发射断层图像得到的窗口最小值与窗口最大值；根据窗口最小值与窗口最大值对重采样后的所述全身正电子发射断层图像进行归一化。3.根据权利要求2所述的一种基于深度残差网络的全身肿瘤分割方法，其特征在于，归一化具体实现逻辑为：其中，为归一化后的所述全身正电子发射断层图像，为预处理后的所述全身正电子发射断层图像。4.根据权利要求3所述的一种基于深度残差网络的全身肿瘤分割方法，其特征在于，训练深度残差网络，具体包括：对所述金标准分割图像做3D连同域提取得到实例映射图像；通过在图像边缘进行背景体素填充将的形状填充至预设目标尺寸整数倍；通过使用滑动窗口对的各窗口进行推理预测；根据输入图像的尺寸与格式将推理预测结果输出为输出图像。5.根据权利要求4所述的一种基于深度残差网络的全身肿瘤分割方法，其特征在于，对所述金标准分割图像做3D连同域提取得到实例映射图像，具体包括：将中所有前景体素提取并得到3D坐标；根据所获的3D坐标建立双向连接图，其中，连接关系表示为3D空间中的邻近关系；根据所获得的双向连接图计算连同分量并对同一分量的所有点赋予相同标签；根据获取的标签信息还原与同一形状的3D图像，其中，所有前景的体素值设置为对应的点标签...
【专利技术属性】
技术研发人员：詹昕锐，宫恩浩，宫恩莹，项磊，
申请(专利权)人：长沙微妙医疗科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。