本发明涉及医学图像处理,具体是一种腹部ct图像中的胰腺癌半自动精细勾画方法。
背景技术:
1、胰腺癌是消化系统常见的恶性肿瘤之一,因其早期难发现、患者预后差、晚期致死率高等因素,在肿瘤领域中有“癌症之王”的称号。随着高分辨率ct的广泛应用和深度学习技术(dl)的进步,胰腺癌的定位和自动分割准确率得到了极大的提升。通过计算机辅助诊断系统,可以帮助医生快速进行手术规划和导航,同时进行癌症的自动检测和评估,减少医生分割的工作量。然而,由于患者年龄、肿瘤大小、肿瘤位置和病理类型等,胰腺癌的分割精度并没有像肝癌等其他癌种效果好,胰腺癌体积相对较小且与周围血管、器官不易分割,即使对于有经验的放射科医生,肿瘤分割也是一件复杂困难的任务,特别在临床环境条件下,对肿瘤的定位和分割准确性要求更高。当下,借助深度学习方法和医学成像技术,提高胰腺癌自动或半自动分割精度以此减少医生工作量是一个迫切需要解决的问题,尤其是在当前我国放疗人力和设备资源不足的背景下。
技术实现思路
1、本发明的目的是克服传统方法在胰腺癌自动分割中精度和速度方面存在的不足,提供一种腹部ct图像中胰腺癌半自动精细勾画方法,该方法模型精简,速度快,准确率高。
2、实现本发明目的的技术方案是:
3、一种腹部ct图像中胰腺癌半自动精细勾画方法,具体包括如下步骤:
4、1)选取多组含有胰腺癌的ct图像,并按照合理的比例划分训练数据集;
5、2)对步骤1)所选取的ct图像进行预处理,获取胰腺癌的纹理特征,将其得到的图像作为步骤3)的训练数据;
6、3)对步骤2)的图像数据进行分块处理,同时,按照分块预测的思想,以点状图的形式对每个分块上下两层的胰腺癌图像区域进行确定;
7、4)建立基于卷积神经网络的双通道三维胰腺癌语义分割模型,将步骤2)描述的胰腺癌特征以步骤3)分块的形式作为学习样本输入网络的一个通道,步骤3)确定的点状图分块作为网络的另外一个通道,进行网络迭代训练,得到一个胰腺癌分割网络模型;
8、5)对步骤4)得到的胰腺癌块状分割结果进行数据后处理,提取轮廓线范围作为勾画结果,再进行分块融合,完整输出每例胰腺癌患者的勾画结果;
9、6)胰腺癌的三维重建,对步骤5)得到的胰腺癌勾画结果进行三维重建和分析,对其影像组学参数进行可视化显示。
10、所述步骤1),具体是指随机选取多例胰腺癌患者ct图像作为训练的数据,包括但不限患者的胰腺肿瘤病理多期数据。
11、所述步骤2),具体是对于dicom数据格式的各层ct图像,依据腹部ct图像的窗宽窗位情况,将其转换为位图,在保持图像大小不变的情况下,对图像进行灰度转换和归一化操作。
12、所述步骤3),具体是以胰腺癌患者ct图像的若干层n作为一个图像分块,将每一例胰腺癌患者ct图像向上兼容的方式转化为若干个图像分块,每个分块维度为[n,512,512],同时将每个分块对应的首层和末层的胰腺癌区域进行手工点状标注,点状标注形式为一个3*3大小的圆点,将其作为另外一个独立的标签分块,分块维度也是[n,512,512],中间层则以空白图像替代。
13、所述步骤4),具体是将步骤3)得到的图像分块和标签分块作为两个输入端口分别输入网络模型的两个通道,以弱监督的方式对网络模型进行训练,预测出每个标签分块的ct图像靶区范围;在训练过程中,将模型得到的语义图像与实际标签图像进行比较,使用戴斯(dsc)作为损失函数比较两者之间损失值,以此作为反向传播的误差梯度依据。
14、所述步骤5),具体是指对步骤4)得到的模型预测结果进行数据预处理,包括形态学的膨胀和腐蚀操作,通过提取轮廓线范围得到勾画结果,再按照步骤3)的方式,将多个标签分块进行分块融合,得到与该胰腺癌患者ct图像总层数对等的勾画预测图像。
15、所述步骤6),具体是利用c语言的qt框架编程实现胰腺癌影像组参数的显示,支持动态的三维展示和人机交互功能。
16、有益效果:本发明提供的一种腹部ct图像中的胰腺癌半自动精细勾画方法,该方法模型规模小,勾画速度快,准确度高,为胰腺癌的影像组学分析和预后预测提供技术支撑。
1.一种腹部ct图像中的胰腺癌半自动精细勾画方法,其特征在于,具体包括如下步骤:
2.根据权利要求1所述的一种腹部ct图像中的胰腺癌半自动精细勾画方法,其特征在于,所述步骤2),具体是对于dicom数据格式的各层ct图像,依据腹部ct图像特定的窗宽窗位情况,将其转换为位图,在保持图像大小不变的情况下,对图像进行灰度转换和归一化操作,其中,位图转换公式为:
3.根据权利要求1所述的一种腹部ct图像中的胰腺癌半自动精细勾画方法,其特征在于,所述步骤3),具体是以胰腺癌患者ct图像的若干层n作为一个图像分块,将每一例胰腺癌患者ct图像向上兼容的方式转化为若干个图像分块,每个分块维度为[n,512,512],同时将每个分块对应的首层和末层的胰腺癌区域进行手工点状标注,点状标注形式为一个3*3大小的圆点,将其作为另外一个独立的标签分块,分块维度也是[n,512,512],中间层则以空白图像替代。
4.根据权利要求1所述的一种腹部ct图像中的胰腺癌半自动精细勾画方法,其特征在于,所述步骤4),具体是将步骤3)得到的图像分块和标签分块作为两个输入端口分别输入网络模型的两个通道,以弱监督的方式对网络模型进行训练,预测出每个标签分块的ct图像靶区范围;在训练过程中,将模型得到的语义图像与实际标签图像进行比较,使用戴斯(dsc)作为损失函数比较两者之间损失值,以此作为反向传播的误差梯度依据,其中,所述dsc损失函数为:
5.根据权利要求1所述的一种腹部ct图像中的胰腺癌半自动精细勾画方法,其特征在于,所述步骤5),具体是指对步骤4)得到的分割预测结果进行数据预处理,包括形态学的膨胀和腐蚀操作,通过opencv提取相应轮廓线范围作为勾画结果,再按照步骤3)的方式,将多个标签分块进行分块融合,得到与该胰腺癌患者ct图像总层数对等的勾画结果。
6.根据权利要求1所述的一种腹部ct图像中的胰腺癌半自动精细勾画方法,其特征在于,所述步骤6),具体是利用c语言中qt框架编程实现胰腺癌影像组参数的显示,采用marching cube算法完成动态的三维展示和人机交互功能。