一种肝肿瘤CT图像候选区域生成方法技术

本发明专利技术涉及肝肿瘤CT图像候选区生成技术领域，具体提供了一种肝肿瘤CT图像候选区域生成方法，其特征在于，具有以下步骤：S1、CT图像预处理；S2、CT图像使用3D U

【技术实现步骤摘要】
一种肝肿瘤CT图像候选区域生成方法


[0001]本专利技术涉及肝肿瘤CT图像候选区生成
，具体提供一种肝肿瘤CT图像候选区域生成方法。

技术介绍

[0002]主流的图像检测算法都是图像级的，虽然这样的方式可以有效的利用全局特征,进而增强提取到的特征，但是这样也导致了对于小目标的敏感性不令人满意。然而采用图像块级的检测，可以有效提高检测的敏感性。图像块级的检测首先要生成候选区域，然后对每个候选区域进行分类，得到图像块级的分割结果。
[0003]滑动窗口是经典的候选区域算法之一。然而，使用滑动窗口获得候选区域会将一个目标分成多个区域，这不利于神经网络学习特征。尽管，该方法中可以充分考虑每个像素的邻阈信息，但是它也会引起一系列问题，例如，生成大量的冗余信息以及需要更高的计算力。由于误报引起的一些零散的假阳性点，这可能会误导医生。

技术实现思路

[0004]本专利技术是针对上述现有技术的不足，提供一种实用性强的肝肿瘤CT图像候选区域生成方法。
[0005]本专利技术解决其技术问题所采用的技术方案是：
[0006]一种肝肿瘤CT图像候选区域生成方法，具有以下步骤：
[0007]S1、CT图像预处理；
[0008]S2、CT图像使用3D U-Net分割；
[0009]S3、使用弹性形变来扩充训练集；
[0010]S4、多尺度超像素分割生成候选区域。
[0011]进一步的，在步骤S1中，调整CT图像的参数，调整的参数为窗宽和窗位，所述窗宽表示调整后灰度阶的中心，窗宽表示调整后灰度阶的范围。
[0012]作为优选，将原始CT图像灰度阶大于250的像素变为250，灰阶小于-150的像素变为-150，将灰阶范围限定在[-150，250]，将不感兴趣的器官排出在外，将图像标准化，分布调整到[0，255]区间。
[0013]进一步的，在步骤S2中，使用3D U-Net用来肝肿瘤检测之前的肝脏粗分割和肝脏精分割。
[0014]进一步的，在步骤S3中，使用弹性形变后令网络学习形变不变性，增强泛化能力。
[0015]进一步的，在步骤S4中，在CT切片图像处理后，再使用多尺度超像素分割方法来分割肝脏区域缩小背景区域，将图像映射到高维空间来查找像素之间的关系，从而将相同类型的像素分到相同的候选区域中。
[0016]作为优选，所述多尺度超像素分割方法为线性光谱聚类。
[0017]进一步的，所述线性光谱聚类是将原始图像从原始颜色空间转换到新的颜色空
间，然后结合每个像素的三通道颜色参数(L，a，b)和坐标(x，y)，组成一个新的特征向量；
[0018]最后，通过计算每个像素对每个超像素区域质心的欧式距离为每个像素划分区域。
[0019]本专利技术的一种肝肿瘤CT图像候选区域生成方法和现有技术相比，具有以下突出的有益效果：
[0020]传统的数据扩充是对原图像进行一系列几何变换，例如随机裁剪、翻转、移动、缩放和倾斜。本专利使用弹性变形后令网络能够学习形变不变性，以防止过拟合现象的发生，进一步增强泛化能力。
[0021]多尺度超像素分割方法可以通过将多个尺度的候选区集成的方式给出最终结果，因此其对于假阳性具有更高的容忍性。同时，对于不同尺寸的肿瘤可以用不同尺度检测，这样就有效的增加检测的灵敏度，解决了检测准确率较低、小目标检测不到等问题。
附图说明
[0022]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0023]附图1是一种肝肿瘤CT图像候选区域生成方法的流程图；
[0024]附图2是一种肝肿瘤CT图像候选区域生成方法中调整窗宽和窗位前示意图；
[0025]附图3是一种肝肿瘤CT图像候选区域生成方法中调整窗宽和窗位后的示意图；
[0026]附图4是一种肝肿瘤CT图像候选区域生成方法中肝脏分割结果示意图；
[0027]附图5是一种肝肿瘤CT图像候选区域生成方法中超像素分割结果示意图；
[0028]附图6是一种肝肿瘤CT图像候选区域生成方法中基于弹性形变的CT图像扩充示意图。
具体实施方式
[0029]为了使本
的人员更好的理解本专利技术的方案，下面结合具体的实施方式对本专利技术作进一步的详细说明。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例都属于本专利技术保护的范围。
[0030]下面给出一个最佳实施例：
[0031]CT图像作为医生诊断肝肿瘤的主要手段，但是因为有经验医生的数量较少以及图像的数量过多，医生对于准确的肝肿瘤检测系统有了十分迫切的需求。尤其是可以有效的检测到早期肝肿瘤的肝肿瘤检测系统。本专利主要的研究内容为如何提取有效的候选区域，并对区域进行准确的分类。
[0032]如图1-6所示，本实施例中的一种肝肿瘤CT图像候选区域生成方法，具有以下步骤：
[0033]S1、CT图像预处理：
[0034]首先在肝肿瘤检测前将肝脏CT图像进行预处理，需要对数据进行增强。CT图像的
灰阶范围在[-2000，2000]，而在医学领域中，针对不同的器官，需要对其范围进行调整以保证医生可以尽可能多的接收CT图像中的信息。而调整的参数为窗宽和窗位，其中窗宽表示调整后灰度阶的中心，窗宽表示调整后灰度阶的范围。
[0035]为了便于训练，本文将原始图像灰度阶大于250的像素变为250，灰阶小于-150的像素变为-150，通过这样的方式将灰阶范围限定在[-150，250]，以改善肝脏与周围器官和组织之间的对比度，进而将不感兴趣的器官排除在外。最后，将图像标准化，将其分布调整到[0，255]这一区间。处理前后对比如图2、3所示。
[0036]S2、CT图像使用3D U-Net分割：
[0037]如图4所示，使用3D U-Net用于肝肿瘤检测之前的肝脏粗分割和肝脏精分割。
[0038]S3、使用弹性形变来扩充训练集：
[0039]本专利使用弹性形变后令网络能够学习形变不变性，以防止过拟合现象的发生，进一步增强了泛化能力。
[0040]S4、多尺度超像素分割生成候选区域。
[0041]在CT切片图像处理后，再使用的多尺度超像素分割方法来分割肝脏区域缩小背景区域，它将图像映射到高维空间以查找像素之间的关系，从而将相同类型的像素分到相同的候选区域中。
[0042]本专利使用超像素分割方法为线性光谱聚类(linear spectral clustering，LSC)。它将原始图像从原始颜色空间转换到新的颜色空间，然后结合每个像素的三通道颜色参数(L，a，b)和坐标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肝肿瘤CT图像候选区域生成方法，其特征在于，具有以下步骤：S1、CT图像预处理；S2、CT图像使用3D U-Net分割；S3、使用弹性形变来扩充训练集；S4、多尺度超像素分割生成候选区域。2.根据权利要求1所述的一种肝肿瘤CT图像候选区域生成方法，其特征在于，在步骤S1中，调整CT图像的参数，调整的参数为窗宽和窗位，所述窗宽表示调整后灰度阶的中心，窗宽表示调整后灰度阶的范围。3.根据权利要求2所述的一种肝肿瘤CT图像候选区域生成方法，其特征在于，将原始CT图像灰度阶大于250的像素变为250，灰阶小于-150的像素变为-150，将灰阶范围限定在[-150，250]，将不感兴趣的器官排出在外，将图像标准化，分布调整到[0，255]区间。4.根据权利要求1所述的一种肝肿瘤CT图像候选区生成方法，其特征在于，在步骤S2中，使用3D U-Net用来肝肿瘤检测之前的肝脏粗分割和肝脏精分...

【专利技术属性】
技术研发人员：张高铭，单震，
申请(专利权)人：浪潮卓数大数据产业发展有限公司，
类型：发明
国别省市：