本申请涉及医疗图像处理领域,尤其涉及一种基于全神经网络的病灶特征识别与分割方法。还涉及一种基于全神经网络的病灶特征识别与分割系统。
背景技术:
1、目前,通过构建和训练深度学习神经网络可以对病灶进行识别与特征分割,深度神经网络的参与,提高了诊断率、降低误诊率和漏诊率。
2、但是ct图像特征的复杂性,直接利用ct图像的全局特征,进行图像识别,难度较大,训练速度较慢,增大了工作量,而且识别精度可能偏低。此外,对图像进行分割后进行识别,忽略了图像轮廓边界处的特征,降低了病灶识别的可靠性。
3、因此,传统的医学影像识别和分割方法存在缺乏有效的特征提取和增强手段,导致医学影像中各结构的识别和分割的误差率高。
技术实现思路
1、本申请的目的在于克服现有技术中医学影像识别和分割缺乏有效的特征提取和增强手段的缺陷,提供一种基于全神经网络的病灶特征识别与分割方法。还涉及一种基于全神经网络的病灶特征识别与分割系统。
2、本申请提供一种基于全神经网络的病灶特征识别与分割方法,包括:
3、 s1采用小波滤波神经网络模型提高ct图像的清晰度和对比度;
4、 s2采用语义分割网络对提高清晰度和对比度的所述ct图像进行病灶的识别和分割,生成病灶图像;
5、 s3将多个连续且相邻的所述病灶图像中的病灶数据进行堆栈,构建具有三维上下文信息的病灶体积数据;
6、 s4采用多尺度特征金字塔网络对所述病灶体积数据进行病灶特征提取,采用条件随机场方法进行所述病灶特征的处理和优化,输出所述病灶特征的识别和分割结果。
7、可选地,所述小波滤波神经网络模型采用mallat算法:
8、
9、其中,x表示采样点向量,y输出所述采样点的滤波后向量,j是尺度参数,k表示j所表示尺度下的位置参数,是尺度参数、位置参数k的小波函数,所述是尺度参数的最低尺度小波函数。
10、可选地,所述语义分割网络,包括:
11、采用空洞卷积进行所述病灶的提取;
12、基于提取的所述病灶,采用组归一化替代批归一化进行数据的标准化处理;
13、对于所述标准化处理的所述病灶,采用5个并行的空洞卷积分支,以及一个平均池化分支的aspp模型获取病灶识别与分割后的所述病灶图像。
14、可选地,所述病灶图像进行堆叠处理得到三维张量,所述三维张量中每个元素都对应原始ct图像中特定的像素点。
15、可选地,所述多尺度特征金字塔网络,包括:低维特征层、高维特征层和并行连接层;
16、所述低维特征层将所述病灶体积数据中的低级病灶特征转化为高级病灶特征;
17、所述高维特征层从不同尺度的病灶特征中提取病灶特征表示;
18、所述并行连接层将不同层次和尺度的所述病灶特征表示进行融合。
19、可选地,还包括:
20、在所述高维特征层中,通过逐层下采样将输入的三维张量转化为多个不同尺度的二维特征图;
21、在所述并行连接层中,将不同尺度的特征表示进行融合;
22、在全局池化层中,对融合后的特征表示进行全局池化,得到固定尺寸的特征向量;
23、将所述特征向量输入全连接层进行分类,输出每个类别的概率值;
24、将输出的所述概率值和预设的阈值进行对比,得到物体类别、位置和置信度;
25、应用非极大值抑制进行去重和筛选,输出预测的类别、位置和置信度。
26、可选地,所述根据条件随机场方法进行该特征的处理和优化,包括:
27、使用crf模型对所述病灶特征像素之间的依赖关系进行建模,以消除噪声、填补空洞和平滑分割边界。
28、可选地,还包括:
29、性能评估:采用包括dice系数、精度,召回率,map0.5:0.95进行性能评估。
30、本申请还提供一种基于全神经网络的病灶特征识别与分割系统,包括读取模块和处理模块;
31、所述读取模块采用pydicom库读取包括ct图像的dicom文件,将所述ct图像输入到所述处理模块;
32、所述处理模块采用小波滤波神经网络模型提高ct图像的清晰度和对比度;采用语义分割网络对提高清晰度和对比度的所述ct图像进行病灶的识别和分割,生成病灶图像;基于相邻的所述病灶图像中所述病灶具有的邻近关系,将所述病灶图像进行堆叠,构建具有三维上下文信息的病灶体积数据;采用多尺度特征金字塔网络对所述病灶体积数据进行病灶特征提取,采用条件随机场方法进行所述病灶特征的处理和优化,输出所述病灶特征的识别和分割结果。
33、本申请的优点和有益效果:
34、本申请提供一种基于全神经网络的病灶特征识别与分割方法,包括:采用小波滤波神经网络模型提高ct图像的清晰度和对比度,并根据需要进行所述ct图像中各结构类型的调整;采用语义分割网络进行调整后的所述ct图像中所述各结构类型的识别和各结构的分割;将各结构识别和分割后的在不同方向上邻近的所述ct图像切片进行堆叠,构建具有三维上下文信息的体积数据;使用多尺度特征金字塔网络对所述体积数据提取特征,根据条件随机场方法进行该特征的处理和优化,输出识别与分割后特征的特征信息和类别信息。本申请通过对医学影像进行特征提取与增强、图像分割,特征图像分类,最后处理与优化,有效提高了医学影像中各结构的识别和分割准确率。
1.一种基于全神经网络的病灶特征识别与分割方法,其特征在于,包括:
2.根据权利要求1所述基于全神经网络的病灶特征识别与分割方法,其特征在于,所述小波滤波神经网络模型采用mallat算法:
3.根据权利要求1所述基于全神经网络的病灶特征识别与分割方法,其特征在于,所述语义分割网络,包括:
4.根据权利要求3所述基于全神经网络的病灶特征识别与分割方法,其特征在于,所述病灶图像进行堆叠处理得到三维张量,所述三维张量中每个元素都对应原始ct图像中的像素点。
5.根据权利要求1所述基于全神经网络的病灶特征识别与分割方法,其特征在于,所述多尺度特征金字塔网络,包括:低维特征层、高维特征层和并行连接层;
6.根据权利要求5所述基于全神经网络的病灶特征识别与分割方法,其特征在于,还包括:
7.根据权利要求1所述基于全神经网络的病灶特征识别与分割方法,其特征在于,所述采用条件随机场方法进行所述病灶特征的处理和优化,包括:
8.根据权利要求1~7任一项所述基于全神经网络的病灶特征识别与分割方法,其特征在于,还包括:
9.一种基于全神经网络的病灶特征识别与分割系统,其特征在于,包括读取模块和处理模块;