CN108961274A - 一种mri图像中自动头颈肿瘤分割方法 - Google Patents
一种mri图像中自动头颈肿瘤分割方法 Download PDFInfo
- Publication number
- CN108961274A CN108961274A CN201810730473.5A CN201810730473A CN108961274A CN 108961274 A CN108961274 A CN 108961274A CN 201810730473 A CN201810730473 A CN 201810730473A CN 108961274 A CN108961274 A CN 108961274A
- Authority
- CN
- China
- Prior art keywords
- mri image
- size
- image
- neural network
- tumors
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 14
- 230000002708 enhancing effect Effects 0.000 claims 2
- 229910002056 binary alloy Inorganic materials 0.000 claims 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 51
- 208000002454 Nasopharyngeal Carcinoma Diseases 0.000 description 42
- 206010061306 Nasopharyngeal cancer Diseases 0.000 description 41
- 201000011216 nasopharynx carcinoma Diseases 0.000 description 41
- 230000006870 function Effects 0.000 description 10
- 208000014829 head and neck neoplasm Diseases 0.000 description 7
- 210000003128 head Anatomy 0.000 description 4
- 210000001989 nasopharynx Anatomy 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000008602 contraction Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000004660 morphological change Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000133 brain stem Anatomy 0.000 description 1
- 210000003477 cochlea Anatomy 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 208000037841 lung tumor Diseases 0.000 description 1
- 210000002751 lymph Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000005155 neural progenitor cell Anatomy 0.000 description 1
- 210000003681 parotid gland Anatomy 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种MRI图像中自动头颈肿瘤分割方法，包括步骤：训练基于U‑net的神经网络模型：神经网络模型包括用于分析输入MRI图像的收缩编码器和用于产生标签图输出的扩展解码器；在U‑net架构中使用跳跃连接将浅层编码层的外观特征表示与深度解码层的高级特征表示相结合；利用所述神经网络模型在待测试MRI图像中分割NPC肿瘤区域图像。本发明能够实现快速、稳健且精确的自动在MRI图像中分割NPC肿瘤。
Description
技术领域
本发明属于医学图像技术领域，特别是涉及一种MRI图像中自动头颈肿瘤分割方法。
背景技术
在头颈部肿瘤中，鼻咽癌(NPC)是导致高死亡率的最常见类型；大多数鼻咽癌患者在诊断鼻咽癌之前已经错过了最佳治疗时期。磁共振成像(MRI)图像中的准确肿瘤描绘在指导放射治疗中起着至关重要的作用。
因此，NPC的早期诊断在临床应用中特别重要。通常根据人工分割和医学图像分析对NPC患者进行诊断。与其他类型的肿瘤如脑肿瘤和肺肿瘤相比，NPC肿瘤具有更复杂的解剖结构，并且通常与周围组织如脑干，耳蜗，腮腺和淋巴具有相似的强度；另外，来自不同NPC患者的肿瘤通常呈现高形状变异性。这些属性使NPC肿瘤的分割成为一项特别具有挑战性的任务。
由于带有NPC的MRI图像通常具有与鼻腔区域相似的视觉属性，因此基于视觉特征的一般图像分割技术可能不再适合于区分MRI图像中的NPC肿瘤边缘。也许部分原因在于分割挑战和鼻咽癌病例的地方性分布，但沿着这一研究方向仅有少量文献记录。而现有的提取算法通常提取用于肿瘤分割的一组手工特征；然而，由于NPC肿瘤的形状变化很大，并且与邻近组织的强度值相似，这些方法可能会限制分割性能。
因此，准确分割NPC肿瘤以确定传播和体积等特征对诊断和随后的治疗计划至关重要。然而，由于手工分割的劳动密集性以及不同放射科医师之间的分歧，降低了分隔的准确性和鲁棒性。
发明内容
为了解决上述问题，本发明提出了一种MRI图像中自动头颈肿瘤分割方法，能够实现快速、稳健且精确的自动在MRI图像中分割NPC肿瘤。
为达到上述目的，本发明采用的技术方案是：一种MRI图像中自动头颈肿瘤分割方法，包括步骤：
S100，训练基于U-net的神经网络模型：神经网络模型包括用于分析输入MRI图像的收缩编码器和用于产生标签图输出的扩展解码器；在U-net架构中使用跳跃连接将浅层编码层的外观特征表示与深度解码层的高级特征表示相结合；
训练所述基于U-net的神经网络模型，包括步骤：
S101，对图像训练集进行数据预处理和数据增强；数据增强为通过应用随机非线性变换，生成更多训练数据来提高网络性能，以应对有限数量的用于训练的标记NPC数据；
S102，通过图像训练集中整个MRI图像来训练神经网络，并使用跳跃连接来组合分层特征以生成标签图，跳过连接以同时实现良好的本地化和上下文的使用；
S103，通过标签图结合增强后的数据训练基于U-net的神经网络模型；
S200，利用所述神经网络模型在待测试MRI图像中分割NPC肿瘤区域图像，包括步骤：对待测试MRI图像进行数据采集、图像预处理和分割NPC肿瘤区域图像。
进一步的是，所述数据采集包括步骤：通过扫描仪采集具有T1加权的MRI图像，即T1-MRI图像；所述T1-MRI图像具有从头部到颈部的相同尺寸以及相同的体素尺寸。
进一步的是，考虑到NPC肿瘤仅在所获图像中占据较小的区域，并且鼻咽部的位置相对固定，所述图像预处理包括步骤：选择所述T1-MRI图像中每个MRI切片的轴向视图作为感兴趣区域，感兴趣区域尺寸为鼻咽区域尺寸；进行各向同性重采样以达到设定分辨率；校正MRI图像中的偏置场，通过减去T1序列的平均值并除以其标准偏差来使T1-MRI图像的数据强度归一化。
进一步的是，所述T1-MRI图像通过Philips Achieva 3.0T扫描仪获取；获得的图像具有从头部到颈部的相同尺寸232×320×103mm3以及相同的体素尺寸0.6061×0.6061×0.8mm3；选择每个MRI切片在轴向视图中作为感兴趣区域的尺寸为128×128mm3的鼻咽区域；进行各向同性重采样以达到1.0×1.0×1.0mm3的分辨率。
进一步的是，由于鼻咽癌肿瘤没有明确的形状，不同的患者通常呈现较大的肿瘤形态变化，随机非线性变换采用图像变形；所述数据增强包括步骤：通过图像变形处理方式获得不同形状的MRI图像训练标记NPC数据；
所述图像变形是将MRI图像的行和列分割成片段，从而在MRI图像中获得具有相同大小的盒子；盒子边界上的顶点表示图像变形的范围，盒子边界内的所有顶点作为源控制点，从而得到控制点的目标位置；将变形函数应用于网络中的每个顶点，获得不同形状的MRI图像训练标记NPC数据；生成具有完全不同形状的足够多样化的训练数据，实现MRI图像的数据增强，以应对有限数量的用于训练的标记NPC数据，以提高网络性能。
进一步的是，所述分割NPC肿瘤包括步骤：在所述神经网络模型的标签映射中的每个像素表示的肿瘤区域标记为1并且正常区域标记为0；在U-net架构中使用的跳过连接将来自扩展解码层的高级特征与从收缩编码层的外观特征相结合；通过具有分层特征的组合分割图像中的NPC肿瘤区域，得到NPC肿瘤区域图像。
进一步的是，所述基于U-net的神经网络模型包括28个卷积层；
所述编码器的路径包含5个卷积块，在每个卷积块中包括有大小为3×3滤波器且每个维度上步长为1的2个卷积层，并设置有ReLu激活函数；在编码器路径的第四块和第五块的最后一层中设置dropout层，dropout层设置为0.5；所述编码器的特征映射数量从1增加到1024；在除了最后一个块之外的每个卷积块的末尾设置有大小为2×2的过滤器且2×2步长的下卷积层，从而使得每个卷积块输出的特征映射的大小从128×128减小到8×8；
所述解码器的路径包含4个上卷积块，所述上卷积块从每个维度上步长为2且滤波器大小为3×3的上卷积层开始，这使得解码器中特征映射的大小加倍，但特征映射的数量减半，解码器中特征映射的大小从8×8增加到128×128；所述上卷积块中包括2个卷积层，上卷积块中的第一个卷积层减少连接的特征映射的数量；来自所述编码器路径的特征映射被复制并与解码器路径的特征映射连接。
进一步的是，在所述基于U-net的神经网络模型的每个卷积层中应用1×1零填充，使得每个卷积层的输出补丁大小为：
Ioutput＝(Iinput-F+2P)/S+1，
其中，Iinput和Ioutput是卷积层的输入和输出的补丁大小，F是滤波器大小，P代表填充大小，并且S是步幅大小；
根据上述输出补丁大小的计算，使得在编码器路径和解码器路径的每个块中保留相同大小的特征映射。
进一步的是，在所述基于U-net的神经网络模型中应用1×1卷积层以将特征映射的数量减少为反映标签映射的特征映射的数量，并且应用sigmoid函数使输出在0至1的范围内；在标签映射中的每个像素表示的肿瘤区域被标记为1并且正常区域被标记为0；在U-net架构中使用的跳过连接将来自扩展解码器卷积层的高级特征与从收缩编码器卷积层的外观特征相结合；通过具有分层特征的组合分割图像中的NPC肿瘤区域。
进一步的是，在训练过程中，采用二进制交叉熵作为成本函数，网络采用随机梯度下降优化进行训练，以使与其参数相关的成本函数最小化。
采用本技术方案的有益效果：
本发明提出的方法利用深度神经结构从训练数据中自动提取特征信息，更好地捕获MRI强度图像和相应标签图之间的关系；
本发明采用整个MRI图像而不是图像块作为输入来训练神经网络；并且在本发明中通过跳过连接策略用于将浅层编码层的外观特征表示与深度解码层的高层特征表示相结合；从而通过结合分层特征能够实现更好的分割性能；能够实现快速、稳健且精确的自动在MRI图像中分割NPC肿瘤。
附图说明
图1为本发明的一种MRI图像中自动头颈肿瘤分割方法流程示意图；
图2为本发明实施例中MRI图像中自动头颈肿瘤分割方法的原理示意图；
图3为本发明实施例中图像分割结果示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
在本实施例中，参见图1和图2所示，本发明提出了一种MRI图像中自动头颈肿瘤分割方法，包括步骤：
S100，训练基于U-net的神经网络模型：神经网络模型包括用于分析输入MRI图像的收缩编码器和用于产生标签图输出的扩展解码器；在U-net架构中使用跳跃连接将浅层编码层的外观特征表示与深度解码层的高级特征表示相结合；
训练所述基于U-net的神经网络模型，包括步骤：
S101，对图像训练集进行数据预处理和数据增强；数据增强为通过应用随机非线性变换，生成更多训练数据来提高网络性能，以应对有限数量的用于训练的标记NPC数据；
S102，通过图像训练集中整个MRI图像来训练神经网络，并使用跳跃连接来组合分层特征以生成标签图，跳过连接以同时实现良好的本地化和上下文的使用；
S103，通过标签图结合增强后的数据训练基于U-net的神经网络模型；
S200，利用所述神经网络模型在待测试MRI图像中分割NPC肿瘤区域图像，包括步骤：对待测试MRI图像进行数据采集、图像预处理和分割NPC肿瘤区域图像。
作为上述实施例的优化方法，所述数据采集包括步骤：通过扫描仪采集具有T1加权的MRI图像，即T1-MRI图像；所述T1-MRI图像具有从头部到颈部的相同尺寸以及相同的体素尺寸。
考虑到NPC肿瘤仅在所获图像中占据较小的区域，并且鼻咽部的位置相对固定，所述图像预处理包括步骤：选择所述T1-MRI图像中每个MRI切片的轴向视图作为感兴趣区域，感兴趣区域尺寸为鼻咽区域尺寸；进行各向同性重采样以达到设定分辨率；校正MRI图像中的偏置场，通过减去T1序列的平均值并除以其标准偏差来使T1-MRI图像的数据强度归一化。
所述T1-MRI图像通过Philips Achieva 3.0T扫描仪获取；获得的图像具有从头部到颈部的相同尺寸232×320×103mm3以及相同的体素尺寸0.6061×0.6061×0.8mm3；选择每个MRI切片在轴向视图中作为感兴趣区域的尺寸为128×128mm3的鼻咽区域；进行各向同性重采样以达到1.0×1.0×1.0mm3的分辨率。
由于鼻咽癌肿瘤没有明确的形状，不同的患者通常呈现较大的肿瘤形态变化，随机非线性变换采用图像变形；所述数据增强包括步骤：通过图像变形处理方式获得不同形状的MRI图像训练标记NPC数据；
所述图像变形是将MRI图像的行和列分割成片段，从而在MRI图像中获得具有相同大小的盒子；盒子边界上的顶点表示图像变形的范围，盒子边界内的所有顶点作为源控制点，从而得到控制点的目标位置；将变形函数应用于网络中的每个顶点，获得不同形状的MRI图像训练标记NPC数据；生成具有完全不同形状的足够多样化的训练数据，实现MRI图像的数据增强，以应对有限数量的用于训练的标记NPC数据，以提高网络性能。
所述分割NPC肿瘤包括步骤：在所述神经网络模型的标签映射中的每个像素表示的肿瘤区域标记为1并且正常区域标记为0；在U-net架构中使用的跳过连接将来自扩展解码层的高级特征与从收缩编码层的外观特征相结合；通过具有分层特征的组合分割图像中的NPC肿瘤区域，得到NPC肿瘤区域图像。
作为上述实施例的优化方法，所述基于U-net的神经网络模型包括28个卷积层；
所述编码器的路径包含5个卷积块，在每个卷积块中包括有大小为3×3滤波器且每个维度上步长为1的2个卷积层，并设置有ReLu激活函数；在编码器路径的第四块和第五块的最后一层中设置dropout层，dropout层设置为0.5；所述编码器的特征映射数量从1增加到1024；在除了最后一个块之外的每个卷积块的末尾设置有大小为2×2的过滤器且2×2步长的下卷积层，从而使得每个卷积块输出的特征映射的大小从128×128减小到8×8；
所述解码器的路径包含4个上卷积块，所述上卷积块从每个维度上步长为2且滤波器大小为3×3的上卷积层开始，这使得解码器中特征映射的大小加倍，但特征映射的数量减半，解码器中特征映射的大小从8×8增加到128×128；所述上卷积块中包括2个卷积层，上卷积块中的第一个卷积层减少连接的特征映射的数量；来自所述编码器路径的特征映射被复制并与解码器路径的特征映射连接。
在所述基于U-net的神经网络模型的每个卷积层中应用1×1零填充，使得每个卷积层的输出补丁大小为：
Ioutput＝(Iinput-F+2P)/s+1，
其中，Iinput和Ioutput是卷积层的输入和输出的补丁大小，F是滤波器大小，P代表填充大小，并且S是步幅大小；
根据上述输出补丁大小的计算，使得在编码器路径和解码器路径的每个块中保留相同大小的特征映射。
在所述基于U-net的神经网络模型中应用1×1卷积层以将特征映射的数量减少为反映标签映射的特征映射的数量，并且应用sigmoid函数使输出在0至1的范围内；在标签映射中的每个像素表示的肿瘤区域被标记为1并且正常区域被标记为0；在U-net架构中使用的跳过连接将来自扩展解码器卷积层的高级特征与从收缩编码器卷积层的外观特征相结合；通过具有分层特征的组合分割图像中的NPC肿瘤区域。
在训练过程中，采用二进制交叉熵作为成本函数，网络采用随机梯度下降优化进行训练，以使与其参数相关的成本函数最小化。
通过测试验证所提出的方法：
为了直观地评估本发明方法的分割性能，给出了一些示例分割结果，如图3所示。第一行显示了NPC主体的MRI强度图像，第二行对应于本发明方法的分割结果，第三行显示了放射科医师的手动分割结果。如图可以看出，即使没有任何后处理，我们的分割结果也非常接近实际情况，这表明我们的方法可以在MRI图像中准确地分割NPC肿瘤。
根据DSC，ASSD，PM和CR参数值评估我本案方法。对于每个目标体素，本案提取其周围的补丁作为目标补丁；然后我们在每个训练样本中找到了相同的位置，并定义了一个以此体素为中心的邻域；然后，我们从邻域中的每个体素中提取与目标贴片尺寸相同的贴片以形成贴片库；考虑到补丁库中的补丁数量很大，通过字典学习得到小型字典。获得字典后，可以通过求解相应的稀疏表示分类问题来获得目标体素的标签。比较结果如表1所示。
表1参数值评估比较
从表1中我们可以看出，所提出的方法达到了最高的DSC和最低的ASSD，表明其优于其他三种方法。与包括基于CNN的方法，基于FCN的方法和所提出的方法相比，基于DL的方法获得最差的分割性能，即使它达到最高的CR。这是因为深度学习方法不依赖于手工制作的特征，而是从训练数据中自动学习复杂特征的层次结构。与基于CNN的方法相比，我们的方法的平均DSC增加约1.67％，而平均ASSD降低约0.12mm。另外，PM和CR值分别增加3.36％和2.82％。与基于FCN的方法相比，获得最高PM和比CNN方法更好的性能，我们的方法的平均DSC增加约1.17％，而平均ASSD降低约0.0048mm。此外，CR值增加1.44％。
实验结果证明了深度神经网络的优越性以及在深度神经网络中采用跳跃连接策略的好处。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种MRI图像中自动头颈肿瘤分割方法，其特征在于，包括步骤：
S100，训练基于U-net的神经网络模型：神经网络模型包括用于分析输入MRI图像的收缩编码器和用于产生标签图输出的扩展解码器；在U-net架构中使用跳跃连接将浅层编码层的外观特征表示与深度解码层的高级特征表示相结合；
训练所述基于U-net的神经网络模型，包括步骤：
S101，对图像训练集进行数据预处理和数据增强；数据增强为通过应用随机非线性变换；
S102，通过图像训练集中整个MRI图像来训练神经网络，并使用跳跃连接来组合分层特征以生成标签图；
S103，通过标签图结合增强后的数据训练基于U-net的神经网络模型；
S200，利用所述神经网络模型在待测试MRI图像中分割NPC肿瘤区域图像，包括步骤：对待测试MRI图像进行数据采集、图像预处理和分割NPC肿瘤区域图像。
2.根据权利要求1所述的一种MRI图像中自动头颈肿瘤分割方法，其特征在于，所述数据采集包括步骤：通过扫描仪采集具有T1加权的MRI图像，即T1-MRI图像；所述T1-MRI图像具有从头部到颈部的相同尺寸以及相同的体素尺寸。
3.根据权利要求2所述的一种MRI图像中自动头颈肿瘤分割方法，其特征在于，所述图像预处理包括步骤：选择所述T1-MRI图像中每个MRI切片的轴向视图作为感兴趣区域，感兴趣区域尺寸为鼻咽区域尺寸；进行各向同性重采样以达到设定分辨率；校正MRI图像中的偏置场，通过减去T1序列的平均值并除以其标准偏差来使T1-MRI图像的数据强度归一化。
4.根据权利要求3所述的一种MRI图像中自动头颈肿瘤分割方法，其特征在于，所述T1-MRI图像通过Philips Achieva 3.0T扫描仪获取；获得的图像具有从头部到颈部的相同尺寸232×320×103mm3以及相同的体素尺寸0.6061×0.6061×0.8mm3；选择每个MRI切片在轴向视图中作为感兴趣区域的尺寸为128×128mm3的鼻咽区域；进行各向同性重采样以达到1.0×1.0×1.0mm3的分辨率。
5.根据权利要求4所述的一种MRI图像中自动头颈肿瘤分割方法，其特征在于，所述数据增强包括步骤：通过图像变形处理方式获得不同形状的MRI图像训练标记NPC数据；
所述图像变形是将MRI图像的行和列分割成片段，从而在MRI图像中获得具有相同大小的盒子；盒子边界上的顶点表示图像变形的范围，盒子边界内的所有顶点作为源控制点，从而得到控制点的目标位置；将变形函数应用于网络中的每个顶点，获得不同形状的MRI图像训练标记NPC数据。
6.根据权利要求5所述的一种MRI图像中自动头颈肿瘤分割方法，其特征在于，所述分割NPC肿瘤包括步骤：在所述神经网络模型的标签映射中的每个像素表示的肿瘤区域标记为1并且正常区域标记为0；在U-net架构中使用的跳过连接将来自扩展解码层的高级特征与从收缩编码层的外观特征相结合；通过具有分层特征的组合分割图像中的NPC肿瘤区域，得到NPC肿瘤区域图像。
7.根据权利要求1-6中任一所述的一种MRI图像中自动头颈肿瘤分割方法，其特征在于，所述基于U-net的神经网络模型包括28个卷积层；
所述编码器的路径包含5个卷积块，在每个卷积块中包括有大小为3×3滤波器且每个维度上步长为1的2个卷积层，并设置有ReLu激活函数；在编码器路径的第四块和第五块的最后一层中设置dropout层，dropout层设置为0.5；所述编码器的特征映射数量从1增加到1024；在除了最后一个块之外的每个卷积块的末尾设置有大小为2×2的过滤器且2×2步长的下卷积层，从而使得每个卷积块输出的特征映射的大小从128×128减小到8×8；
所述解码器的路径包含4个上卷积块，所述上卷积块从每个维度上步长为2且滤波器大小为3×3的上卷积层开始，这使得解码器中特征映射的大小加倍，但特征映射的数量减半，解码器中特征映射的大小从8×8增加到128×128；所述上卷积块中包括2个卷积层，上卷积块中的第一个卷积层减少连接的特征映射的数量；来自所述编码器路径的特征映射被复制并与解码器路径的特征映射连接。
8.根据权利要求7所述的一种MRI图像中自动头颈肿瘤分割方法，其特征在于，在所述基于U-net的神经网络模型的每个卷积层中应用1×1零填充，使得每个卷积层的输出补丁大小为：
Ioutput＝(Iinput-F+2P)/S+1，
其中，Iinput和Ioutput是卷积层的输入和输出的补丁大小，F是滤波器大小，P代表填充大小，并且S是步幅大小；
根据上述输出补丁大小的计算，使得在编码器路径和解码器路径的每个块中保留相同大小的特征映射。
9.根据权利要求8所述的一种MRI图像中自动头颈肿瘤分割方法，其特征在于，在所述基于U-net的神经网络模型中应用1×1卷积层以将特征映射的数量减少为反映标签映射的特征映射的数量，并且应用sigmoid函数使输出在0至1的范围内；在标签映射中的每个像素表示的肿瘤区域被标记为1并且正常区域被标记为0；在U-net架构中使用的跳过连接将来自扩展解码器卷积层的高级特征与从收缩编码器卷积层的外观特征相结合；通过具有分层特征的组合分割图像中的NPC肿瘤区域。
10.根据权利要求9所述的一种MRI图像中自动头颈肿瘤分割方法，其特征在于，在训练过程中，采用二进制交叉熵作为成本函数，网络采用随机梯度下降优化进行训练，以使与其参数相关的成本函数最小化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810730473.5A CN108961274B (zh) | 2018-07-05 | 2018-07-05 | 一种mri图像中自动头颈肿瘤分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810730473.5A CN108961274B (zh) | 2018-07-05 | 2018-07-05 | 一种mri图像中自动头颈肿瘤分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108961274A true CN108961274A (zh) | 2018-12-07 |
| CN108961274B CN108961274B (zh) | 2021-03-02 |
Family
ID=64485908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810730473.5A Expired - Fee Related CN108961274B (zh) | 2018-07-05 | 2018-07-05 | 一种mri图像中自动头颈肿瘤分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108961274B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919954A (zh) * | 2019-03-08 | 2019-06-21 | 广州视源电子科技股份有限公司 | 目标对象的识别方法和装置 |
| CN109961446A (zh) * | 2019-03-27 | 2019-07-02 | 深圳视见医疗科技有限公司 | Ct/mr三维图像分割处理方法、装置、设备及介质 |
| CN110009623A (zh) * | 2019-04-10 | 2019-07-12 | 腾讯科技（深圳）有限公司 | 一种图像识别模型训练及图像识别方法、装置及系统 |
| CN110992338A (zh) * | 2019-11-28 | 2020-04-10 | 华中科技大学 | 一种原发灶转移辅助诊断系统 |
| CN111640118A (zh) * | 2019-03-01 | 2020-09-08 | 西门子医疗有限公司 | 使用多参数磁共振成像的肿瘤组织表征 |
| CN111784792A (zh) * | 2020-06-30 | 2020-10-16 | 四川大学 | 基于双域卷积神经网络的快速磁共振重建系统及其训练方法与应用 |
| CN113034461A (zh) * | 2021-03-22 | 2021-06-25 | 中国科学院上海营养与健康研究所 | 胰腺肿瘤区域图像分割方法及装置、计算机可读存储介质 |
| CN113192014A (zh) * | 2021-04-16 | 2021-07-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 改进脑室分割模型的训练方法、装置、电子设备和介质 |
| CN114155215A (zh) * | 2021-11-24 | 2022-03-08 | 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） | 一种基于mr图像的鼻咽癌识别及肿瘤分割方法及系统 |
| CN114519722A (zh) * | 2022-02-17 | 2022-05-20 | 东北大学 | 一种基于卷积神经网络的颈动脉提取方法 |
| CN118471519A (zh) * | 2024-07-11 | 2024-08-09 | 北京安吉贝玛健康科技有限公司 | 一种基于机器学习的甲状腺癌患者风险分级系统 |
| CN118948438A (zh) * | 2024-10-16 | 2024-11-15 | 北京迈迪斯医疗技术有限公司 | 基于电磁导航的定位柱植入数据处理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005010699A2 (en) * | 2003-07-15 | 2005-02-03 | Medical Metrx Solutions, Inc. | Generating a computer model using scan data of a patient |
| CN102999917A (zh) * | 2012-12-19 | 2013-03-27 | 中国科学院自动化研究所 | 基于t2-mri和dw-mri的宫颈癌图像自动分割方法 |
| CN104851101A (zh) * | 2015-05-25 | 2015-08-19 | 电子科技大学 | 一种基于深度学习的脑肿瘤自动分割方法 |
| CN104933711A (zh) * | 2015-06-10 | 2015-09-23 | 南通大学 | 一种肿瘤病理图像自动快速分割方法 |
| CN107220980A (zh) * | 2017-05-25 | 2017-09-29 | 重庆理工大学 | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 |
| US20180122082A1 (en) * | 2016-11-02 | 2018-05-03 | General Electric Company | Automated segmentation using deep learned priors |
-
2018
- 2018-07-05 CN CN201810730473.5A patent/CN108961274B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005010699A2 (en) * | 2003-07-15 | 2005-02-03 | Medical Metrx Solutions, Inc. | Generating a computer model using scan data of a patient |
| CN102999917A (zh) * | 2012-12-19 | 2013-03-27 | 中国科学院自动化研究所 | 基于t2-mri和dw-mri的宫颈癌图像自动分割方法 |
| CN104851101A (zh) * | 2015-05-25 | 2015-08-19 | 电子科技大学 | 一种基于深度学习的脑肿瘤自动分割方法 |
| CN104933711A (zh) * | 2015-06-10 | 2015-09-23 | 南通大学 | 一种肿瘤病理图像自动快速分割方法 |
| US20180122082A1 (en) * | 2016-11-02 | 2018-05-03 | General Electric Company | Automated segmentation using deep learned priors |
| CN107220980A (zh) * | 2017-05-25 | 2017-09-29 | 重庆理工大学 | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 |
Non-Patent Citations (5)
| Title |
|---|
| CHRISTIAN LUCAS 等: "Multi-scale neural network for automatic segmentation of ischemic strokes on acute perfusion images", 《2018 IEEE 15TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI 2018)》 * |
| HAO DONG 等: "Automatic Brain Tumor Detection and Segmentation Using U-Net Based Fully Convolutional Networks", 《 AUTOMATIC BRAIN TUMOR DETECTION AND SEGMENTATION》 * |
| JONATHAN LONG 等: "Fully Convolutional Networks for Semantic Segmentation", 《2015 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
| XULEI YANG 等: "Deep convolutional neural networks forautomatic segmentation of left ventricle cavityfrom cardiac magnetic resonance images", 《IET COMPUTER VISION ( VOLUME: 11 , ISSUE: 8 , 12 2017 )》 * |
| 周鲁科 等: "基于U_net网络的肺部肿瘤图像分割算法研究", 《信息与电脑》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11969239B2 (en) | 2019-03-01 | 2024-04-30 | Siemens Healthineers Ag | Tumor tissue characterization using multi-parametric magnetic resonance imaging |
| CN111640118A (zh) * | 2019-03-01 | 2020-09-08 | 西门子医疗有限公司 | 使用多参数磁共振成像的肿瘤组织表征 |
| CN111640118B (zh) * | 2019-03-01 | 2024-03-01 | 西门子医疗有限公司 | 使用多参数磁共振成像的肿瘤组织表征 |
| CN109919954A (zh) * | 2019-03-08 | 2019-06-21 | 广州视源电子科技股份有限公司 | 目标对象的识别方法和装置 |
| CN109961446A (zh) * | 2019-03-27 | 2019-07-02 | 深圳视见医疗科技有限公司 | Ct/mr三维图像分割处理方法、装置、设备及介质 |
| CN109961446B (zh) * | 2019-03-27 | 2021-06-01 | 深圳视见医疗科技有限公司 | Ct/mr三维图像分割处理方法、装置、设备及介质 |
| CN110009623A (zh) * | 2019-04-10 | 2019-07-12 | 腾讯科技（深圳）有限公司 | 一种图像识别模型训练及图像识别方法、装置及系统 |
| US11967414B2 (en) | 2019-04-10 | 2024-04-23 | Tencent Technology (Shenzhen) Company Limited | Image recognition model training method and apparatus, and image recognition method, apparatus, and system |
| CN110992338B (zh) * | 2019-11-28 | 2022-04-01 | 华中科技大学 | 一种原发灶转移辅助诊断系统 |
| CN110992338A (zh) * | 2019-11-28 | 2020-04-10 | 华中科技大学 | 一种原发灶转移辅助诊断系统 |
| CN111784792A (zh) * | 2020-06-30 | 2020-10-16 | 四川大学 | 基于双域卷积神经网络的快速磁共振重建系统及其训练方法与应用 |
| CN113034461A (zh) * | 2021-03-22 | 2021-06-25 | 中国科学院上海营养与健康研究所 | 胰腺肿瘤区域图像分割方法及装置、计算机可读存储介质 |
| CN113192014A (zh) * | 2021-04-16 | 2021-07-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 改进脑室分割模型的训练方法、装置、电子设备和介质 |
| CN113192014B (zh) * | 2021-04-16 | 2024-01-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 改进脑室分割模型的训练方法、装置、电子设备和介质 |
| CN114155215A (zh) * | 2021-11-24 | 2022-03-08 | 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） | 一种基于mr图像的鼻咽癌识别及肿瘤分割方法及系统 |
| CN114155215B (zh) * | 2021-11-24 | 2023-11-10 | 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） | 一种基于mr图像的鼻咽癌识别及肿瘤分割方法及系统 |
| CN114519722A (zh) * | 2022-02-17 | 2022-05-20 | 东北大学 | 一种基于卷积神经网络的颈动脉提取方法 |
| CN114519722B (zh) * | 2022-02-17 | 2024-11-08 | 东北大学 | 一种基于卷积神经网络的颈动脉提取方法 |
| CN118471519A (zh) * | 2024-07-11 | 2024-08-09 | 北京安吉贝玛健康科技有限公司 | 一种基于机器学习的甲状腺癌患者风险分级系统 |
| CN118948438A (zh) * | 2024-10-16 | 2024-11-15 | 北京迈迪斯医疗技术有限公司 | 基于电磁导航的定位柱植入数据处理方法及系统 |
| CN118948438B (zh) * | 2024-10-16 | 2024-12-20 | 北京迈迪斯医疗技术有限公司 | 基于电磁导航的定位柱植入数据处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108961274B (zh) | 2021-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108961274A (zh) | 一种mri图像中自动头颈肿瘤分割方法 | |
| CN111709953B (zh) | Ct影像的肺叶段分割中的输出方法、装置 | |
| KR102410955B1 (ko) | 의료 영상에서 딥러닝에 기반한 복부 장기 자동분할 방법 및 그 컴퓨터 프로그램 | |
| Wang et al. | Deep crisp boundaries: From boundaries to higher-level tasks | |
| CN109741343B (zh) | 一种基于3D-Unet和图论分割的T1WI-fMRI图像肿瘤协同分割方法 | |
| RU2739713C1 (ru) | Обучение аннотированию объектов в изображении | |
| CN111127482B (zh) | 基于深度学习的ct影像肺气管的分割方法及系统 | |
| Chen et al. | Hippocampus segmentation through multi-view ensemble ConvNets | |
| CN112150428A (zh) | 一种基于深度学习的医学图像分割方法 | |
| CN108986115B (zh) | 医学图像分割方法、装置及智能终端 | |
| CN109993733A (zh) | 肺部病灶的检测方法、系统、存储介质、终端及显示系统 | |
| Wang et al. | Automated segmentation of CBCT image using spiral CT atlases and convex optimization | |
| CN116188479B (zh) | 基于深度学习的髋关节图像分割方法及系统 | |
| CN102622750A (zh) | 基于交互式区域生长的胃部ct序列图像分割方法 | |
| CN105913431A (zh) | 低分辨率医学图像的多图谱分割方法 | |
| CN110992439B (zh) | 纤维束追踪方法、计算机设备和存储介质 | |
| CN112862805B (zh) | 听神经瘤图像自动化分割方法及系统 | |
| KR102349515B1 (ko) | 의료 영상에서 딥러닝에 기반한 종양 자동분할 방법 | |
| US20240169544A1 (en) | Methods and systems for biomedical image segmentation based on a combination of arterial and portal image information | |
| Zhou et al. | H-Net: A dual-decoder enhanced FCNN for automated biomedical image diagnosis | |
| Yang et al. | A neural ordinary differential equation model for visualizing deep neural network behaviors in multi‐parametric MRI‐based glioma segmentation | |
| Wang et al. | Bact-3D: A level set segmentation approach for dense multi-layered 3D bacterial biofilms | |
| Canna et al. | Automated search of control points in surface-based morphometry | |
| Liu et al. | Automatic segmentation of non-tumor tissues in glioma mr brain images using deformable registration with partial convolutional networks | |
| CN115810139B (zh) | 一种spect图像的目标区域识别方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210302 |