【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于平扫ct和深度学习的肾盂和输尿管分割方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、目前，可以明确泌尿道解剖结构的影像学检查方法主要包括静脉肾盂造影(ivu)、ct泌尿系统造影(ctu)和磁共振泌尿系统水成像(mru)等。这几种影像学检查方法都存在一定的局限性：静脉肾盂造影需要静脉注射造影剂，属于有创检查，存在造影剂过敏、外渗、静脉炎、造影剂肾病等风险，有过敏史或严重肾功能不全者不能进行检查，而且不能进行三维重建，只能提供冠状位的平面图像。ctu可以进行三维重建，而且密度分辨率和空间分辨率均明显好于ivu，但其同样属于有创检查，同样存在造影剂相关的风险。而且为了保证成像质量，ctu常常需要多次扫描，显著增加了患者所受的辐射剂量。最后，ivu和ctu存在一个共同的问题，即对输尿管、肾盂的显影依赖于造影剂的排泄和充盈。如果患者的肾功能较差或泌尿道梗阻很严重，导致肾脏无法将造影剂排泄进入集合系统，或者造影剂无法通过梗阻处，均会导致泌尿道显影不完全，严重影响成像质量。mru属于无创检查，不需使用造影剂，且无辐射，但检查费用贵，需要的时间较长，临床应用较为不便，而且其成像质量非常依赖水的信号，对于存在明显输尿管积水的患者成像质量较好，但对于没有积水的输尿管，其成像质量常常不能令人满意。
3、平扫ct是临床最常用的检查之一，属于无创检查，不需要造影剂，几乎没有不良反应，临床绝大多数患者均适用，只需一次扫描，辐射剂量也
4、综上，目前可以明确泌尿道解剖结构的影像学检查方法均存在一定缺陷，不能完全满足现在的需求。
技术实现思路
1、为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种基于平扫ct和深度学习的肾盂和输尿管分割方法及系统，其采用深度学习模型从平扫ct图像中进行泌尿系统三维重建，可以使一部分患者免受有创检查，避免了各种造影剂产生的相关不良反应，节约了检查费用，同时降低了影像科医师的工作量，提高了工作效率。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术的第一个方面提供一种基于平扫ct和深度学习的肾盂和输尿管分割方法。
4、基于平扫ct和深度学习的肾盂和输尿管分割方法，包括：
5、获取泌尿系统的平扫ct图像；
6、以平扫ct图像为输入，采用基于注意力机制的swin-unet目标检测模型对平扫ct图像进行处理；所述目标检测模型包括若干层神经网络，在每一层神经网络依次进行下采样、分窗和邻近比较操作，得到每一层的特征图；从最小的特征图开始，依次进行上采样、分窗和邻近比较操作，再与高层特征图进行连接，判断高层特征图中的每一个窗块是否属于某个器官；重复多次，得到输入图像中双侧肾脏的位置，并将相关位置提供给两个分割模型；
7、第一分割模型用于分割肾盂和输尿管上段，得到第一分割结果，第二分割模型用于分割输尿管中下段，得到第二分割结果，并将第一分割结果和第二分割结果进行加和处理，得到肾盂结构和输尿管结构。
8、进一步地，每个所述分割模型均采用基于三维卷积的unet图像分割模型。每个所述分割模型包括若干层卷积网络，在每层卷积网络采用不同的卷积核对目标图像进行卷积操作，得到不同的第一特征图；将所有第一特征图进行下采样操作，得到第二特征图；基于第二特征图，采用不同的卷积核，进行卷积操作，得到第三特征图；将所有第三特征图进行下采样操作，得到第四特征图；将第一特征图、第二特征图、第三特征图和第四特征图，按照尺寸大小排序，从最小的特征图开始，依次进行上采样和卷积操作，再与高层特征图连接，判断高层特征图中的每个特征块与输尿管结构或肾盂结构的相似度；重复多次，在达到与目标图像的分辨率时，得到输入序列中输尿管和肾盂的三维结构。
9、进一步地，两个分割模型的网络结构相同，参数不同。
10、进一步地，所述分窗的过程包括：将平扫ct图像或特征图划分成若干个相同大小的窗块。
11、更进一步地，所述邻近比较的过程包括：将每个窗块与邻近的窗块进行比较，确定不同窗块之间的差别和联系，得到特征图。
12、进一步地，在所述目标检测模型中还采用局部的分块移窗自注意模块。
13、进一步地，所述将第一分割结果和第二分割结果进行加和处理的过程包括：对于两个分割模型计算不重叠部分，均以各自模型的计算结果为准；重叠部分中前一部分层面以第一分割模型计算的第一分割结果为准，其余层面以第二分割模型计算的第二分割结果为准。
14、本专利技术的第二个方面提供一种基于平扫ct和深度学习的肾盂和输尿管分割系统。
15、基于平扫ct和深度学习的肾盂和输尿管分割系统，包括：
16、数据获取模块，其被配置为：获取泌尿系统的平扫ct图像；
17、目标检测模块，其被配置为：以平扫ct图像为输入，采用基于注意力机制的swin-unet目标检测模型对平扫ct图像进行处理；所述目标检测模型包括若干层神经网络，在每一层神经网络依次进行下采样、分窗和邻近比较操作，得到每一层的特征图；从最小的特征图开始，依次进行上采样、分窗和邻近比较操作，再与高层特征图进行连接，判断高层特征图中的每一个窗块是否属于某个器官；重复多次，得到输入图像中双侧肾脏的位置，并将相关位置提供给两个分割模型；
18、分割模块，其被配置为：第一分割模型用于分割肾盂和输尿管上段，得到第一分割结果，第二分割模型用于分割输尿管中下段，得到第二分割结果，并将第一分割结果和第二分割结果进行加和处理，得到肾盂结构和输尿管结构。
19、本专利技术的第三个方面提供一种计算机可读存储介质。
20、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于平扫ct和深度学习的肾盂和输尿管分割方法中的步骤。
21、本专利技术的第四个方面提供一种计算机设备。
22、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于平扫ct和深度学习的肾盂和输尿管分割方法中的步骤。
23、与现有技术相比，本专利技术的有益效果是：
24、本专利技术本文档来自技高网...
【技术保护点】
1.基于平扫CT和深度学习的肾盂和输尿管分割方法，其特征在于，包括：
2.根据权利要求1所述的基于平扫CT和深度学习的肾盂和输尿管分割方法，其特征在于，每个所述分割模型的分割过程包括：所述分割模型包括若干层卷积网络，在每层卷积网络采用不同的卷积核对目标图像进行卷积操作，得到不同的第一特征图；将所有第一特征图进行下采样操作，得到第二特征图；基于第二特征图，采用不同的卷积核，进行卷积操作，得到第三特征图；将所有第三特征图进行下采样操作，得到第四特征图；将第一特征图、第二特征图、第三特征图和第四特征图，按照尺寸大小排序，从最小的特征图开始，依次进行上采样和卷积操作，再与高层特征图连接，判断高层特征图中的每个特征块与输尿管结构或肾盂结构的相似度；重复多次，在达到与目标图像的分辨率时，得到输入序列中输尿管和肾盂的三维结构。
3.根据权利要求1所述的基于平扫CT和深度学习的肾盂和输尿管分割方法，其特征在于，两个分割模型的网络结构相同，参数不同。
4.根据权利要求1所述的基于平扫CT和深度学习的肾盂和输尿管分割方法，其特征在于，所述分窗的过程包括：将平扫CT
5.根据权利要求4所述的基于平扫CT和深度学习的肾盂和输尿管分割方法，其特征在于，所述邻近比较的过程包括：将每个窗块与邻近的窗块进行比较，确定不同窗块之间的差别和联系，得到特征图。
6.根据权利要求1所述的基于平扫CT和深度学习的肾盂和输尿管分割方法，其特征在于，在所述目标检测模型中还采用局部的分块移窗自注意模块。
7.根据权利要求1所述的基于平扫CT和深度学习的肾盂和输尿管分割方法，其特征在于，所述将第一分割结果和第二分割结果进行加和处理的过程包括：对于两个分割模型计算不重叠部分，均以各自模型的计算结果为准；重叠部分中前一部分层面以第一分割模型计算的第一分割结果为准，其余层面以第二分割模型计算的第二分割结果为准。
8.基于平扫CT和深度学习的肾盂和输尿管分割系统，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于平扫CT和深度学习的肾盂和输尿管分割方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于平扫CT和深度学习的肾盂和输尿管分割方法中的步骤。
...【技术特征摘要】
1.基于平扫ct和深度学习的肾盂和输尿管分割方法，其特征在于，包括：
2.根据权利要求1所述的基于平扫ct和深度学习的肾盂和输尿管分割方法，其特征在于，每个所述分割模型的分割过程包括：所述分割模型包括若干层卷积网络，在每层卷积网络采用不同的卷积核对目标图像进行卷积操作，得到不同的第一特征图；将所有第一特征图进行下采样操作，得到第二特征图；基于第二特征图，采用不同的卷积核，进行卷积操作，得到第三特征图；将所有第三特征图进行下采样操作，得到第四特征图；将第一特征图、第二特征图、第三特征图和第四特征图，按照尺寸大小排序，从最小的特征图开始，依次进行上采样和卷积操作，再与高层特征图连接，判断高层特征图中的每个特征块与输尿管结构或肾盂结构的相似度；重复多次，在达到与目标图像的分辨率时，得到输入序列中输尿管和肾盂的三维结构。
3.根据权利要求1所述的基于平扫ct和深度学习的肾盂和输尿管分割方法，其特征在于，两个分割模型的网络结构相同，参数不同。
4.根据权利要求1所述的基于平扫ct和深度学习的肾盂和输尿管分割方法，其特征在于，所述分窗的过程包括：将平扫ct图像或特征图划分成若干个相同大小的窗块。
5.根据权利要求4所述的基于平扫ct和深度学习...
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。