一种肝胆管及胆道结石的图像分割系统技术方案

本申请公开了一种肝胆管及胆道结石的图像分割系统，在第一编码器‑解码器中，在下采样阶段对小目标区域进行特征学习，并在上采样阶段进行特征融合，并且下采样提取了低层多尺度时域上下文特征，用于后续的逐层特征融合；在第二编码器‑解码器模块中，上采样阶段融合了低层多尺度时域上下文特征与高层双向时域上下文特征，并获得原始分辨率尺寸的预测序列图，从而获得更准确的位置和分类信息；通过改进的损失函数对分割网络模型进行训练，以增加序列图像切片间时域上下文信息的关注，使之更适应于处理序列图像。从而解决了现有技术对于肝胆管结石病的CT图像中的肝胆管及胆道结石分割，不能同时兼顾精确度和高效率的技术问题。

【技术实现步骤摘要】
一种肝胆管及胆道结石的图像分割系统
本申请涉及医学图像分割
，尤其涉及一种肝胆管及胆道结石的图像分割系统。
技术介绍
肝胆管结石病是肝胆外科的常见病、多发病，此病好发于东亚地区。肝胆管结石的外科治疗面临着许多难点和挑战，包括肝胆管结石取石困难等。而肝胆管结石的取石治疗主要依靠微创外科手术。取石手术很大程度上取决于术前对病人CT扫描片的分析。其中最为重要的环节就是对CT图像中的胆管和胆结石进行分割，以得知胆管和胆结石的具体分布，方便手术介入。目前，对于肝胆管结石病的CT图像进行分割的技术主要有：通过全卷积神经网络，如U-Net网络和M-Net网络；或通过3D卷积网络对CT图像进行分割。但是由于U-Net网络和M-Net网络均不能直接对3D医学图像进行处理，而是将3D图像切割成多个2D图像切片后再分别送到卷积网络中，这样忽略了3D图像中切片与切片之间的相关信息，会丢失CT数据中的空间结构信息，容易导致欠分割，导致对CT图像中的肝胆管及胆道结石分割不精确。而3D卷积网络由于是直接对CT图像中的体素进行处理的，使得整个网络模型中的参数个数特别多，这大大增加了计算的负担，显著地降低了对CT图像中的肝胆管及胆道结石的分割效率。
技术实现思路
本申请实施例提供了一种肝胆管及胆道结石的图像分割系统，解决现有技术对于肝胆管结石病的CT图像中的肝胆管及胆道结石分割，不能同时兼顾精确度和高效率的技术问题。有鉴于此，本申请第一方面提供了一种肝胆管及胆道结石的图像分割系统，所述系统包括：>分割网络模型；所述分割网络模型包括：第一编码器-解码器模块、第二编码器-解码器模块、优化模块；所述第一编码器-解码器模块用于：对CT序列图像的各图像分别进行特征提取，得到若干个第一多尺度特征图和高层特征图；对所述第一多尺度特征图的上下文信息特征再学习处理，生成多尺度上下文特征图；对所述高层特征图进行时域上下文信息学习，生成高层双向上下文特征图；对所述多尺度上下文特征图和所述高层双向上下文特征图进行拼接，生成第一上下文融合特征图；其中，所述CT序列图像为连续且相邻的肝胆管结石病的CT序列图像；所述第二编码器-解码器模块用于：对所述多尺度上下文特征图和所述第一上下文融合特征图进行拼接，生成第二上下文融合特征图；对所述第二上下文融合特征图进行时域上下文信息学习，生成高层双向上下文融合特征图；对所述多尺度上下文特征图和所述高层双向上下文融合特征图进行连接后，输出序列概率图；所述优化模块用于：基于预置的损失函数，计算所述序列概率图和所述序列概率图对应的标签序列图的损失函数值，判断所述损失函数值是否小于预置值，若是，则得到最优分割网络模型，否则，根据所述损失函数值对所述分割网络模型的特征参数进行更新后，触发所述第一编码器-解码器模块和所述第二编码器-解码器模块。可选地，所述第一编码器-解码器模块，具体包括：第一编码器、ConvLSTM模块、第一BiConvLSTM模块、第一解码器；所述第一编码器用于：对所述CT序列图像的各图像中的小目标区域分别进行特征提取，得到若干个第一多尺度特征图和高层特征图，将所述第一多尺度特征图发送到所述ConvLSTM模块，以及将所述高层特征图发送到所述第一BiConvLSTM模块；所述ConvLSTM模块用于：对所述第一多尺度特征图上下文信息特征再学习处理，生成多尺度上下文特征图，将所述多尺度上下文特征图发送到所述第一解码器和所述第二编码器-解码器模块；所述第一BiConvLSTM模块用于：对所述高层特征图进行两次相反方向的时域上下文信息学习，生成高层双向上下文特征图，将所述高层双向上下文特征图发送到所述第一解码器；所述第一解码器用于：对所述多尺度上下文特征图和所述高层双向上下文特征图进行跳跃拼接，生成第一上下文融合特征图，并将所述第一上下文融合特征图发送到所述第二编码器-解码器模块。可选地，所述第二编码器-解码器模块，具体包括：第二编码器、第二BiConvLSTM模块、第二解码器；所述第二编码器用于：对所述多尺度上下文特征图和所述第一上下文融合特征图进行跳跃拼接，生成第二上下文融合特征图，将所述第二上下文融合特征图发送到所述第二BiConvLSTM模块；所述第二BiConvLSTM模块用于：对所述第二上下文融合特征图进行两次相反方向的时域上下文信息学习，生成高层双向上下文融合特征图，将所述高层双向上下文融合特征图发送到所述第二解码器；所述第二解码器用于：对所述多尺度上下文特征图和所述高层双向上下文融合特征图进行连接后，通过激活函数输出序列概率图。可选地，所述激活函数为：Sigmoid函数。可选地，还包括：输入模块；所述输入模块用于：控制连续且相邻的肝胆管结石病的所述CT序列图像的序列数量，使得所述CT序列图像输入到所述第一编码器-解码器模块。可选地，所述第一编码器由若干个第一卷积层和第一池化层组层，其中，所述第一卷积层的高斯卷积核的尺寸为1*1。可选地，所述第一解码器由若干个第一特征融合层、第二卷积层、上采样层组成，其中，所述第二卷积层的高斯卷积核的尺寸为3*3。可选地，所述第二编码器由若干个第二特征融合层、第三卷积层、第二池化层组，其中，所述第三卷积层的稀疏卷积核的尺寸为5*5。可选地，所述第二解码器由若干个特征融合层、第四卷积层、上卷积层组成，其中，所述第四卷积层的稀疏卷积核的尺寸为7*7。可选地，所述预置的损失函数为：其中，所述预置的损失函数等式的右边分为两个部分；一是普通的自举交叉熵损失函数，其中N和K分别表示图像像素数和像素类别数；在括号内，yi＝j表示属于第j类的这个条件，pij表示属于第j类的第i个像素的测量概率，其中t是一个阈值，其取值范围为(0,1]；当括号内的条件(yi＝j)∩(pij≤tj)成立时，1{(yi＝j)∩(pij≤tj)}等于1，否则等于0；二是基于关联性的加权值，即w；其中n代表输入序列图像的切片帧数(正整数)，s代表当前时刻的切片位置(s≤n)；C代表两张不同图像切片之间的相似度，如常见的余弦相似度、欧几里得距离相似度。从以上技术方案可以看出，本申请具有以下优点：本申请提供了一种肝胆管及胆道结石的图像分割系统。由于同个病例的不同图像切片之间存在密切的信息联系，针对这一特征；本申请设计了一种新型的时域上下文信息关联性机制，该机制主要由低层多尺度时域上下文信息的第一编码器-解码器模块、高层双向时域上下文信息的第二编码器-解码器模块以及改进的基于序列图像切片关联性的损失函数构成。在第一编码器-解码器中，在下采样阶段对小目标区域进行特征学习，并在上采样阶段进行特征融合，并且下采样提取了低层多尺度时域上下文特征，用于后续的逐层特征融合；在第二编码器-解码器模块中，上采样阶段融合了低层多尺度时域上下文特征与高层双向时域上下文特征，并获得原始分辨率尺本文档来自技高网...

【技术保护点】
1.一种肝胆管及胆道结石的图像分割系统，其特征在于，包括：分割网络模型；所述分割网络模型包括：第一编码器-解码器模块、第二编码器-解码器模块、优化模块；/n所述第一编码器-解码器模块用于：/n对CT序列图像的各图像分别进行特征提取，得到若干个第一多尺度特征图和高层特征图；对所述第一多尺度特征图的上下文信息特征再学习处理，生成多尺度上下文特征图；对所述高层特征图进行时域上下文信息学习，生成高层双向上下文特征图；对所述多尺度上下文特征图和所述高层双向上下文特征图进行拼接，生成第一上下文融合特征图；其中，所述CT序列图像为连续且相邻的肝胆管结石病的CT序列图像；/n所述第二编码器-解码器模块用于：/n对所述多尺度上下文特征图和所述第一上下文融合特征图进行拼接，生成第二上下文融合特征图；对所述第二上下文融合特征图进行时域上下文信息学习，生成高层双向上下文融合特征图；对所述多尺度上下文特征图和所述高层双向上下文融合特征图进行连接后，输出序列概率图；/n所述优化模块用于：/n基于预置的损失函数，计算所述序列概率图和所述序列概率图对应的标签序列图的损失函数值，判断所述损失函数值是否小于预置值，若是，则得到最优分割网络模型，否则，根据所述损失函数值对所述分割网络模型的特征参数进行更新后，触发所述第一编码器-解码器模块和所述第二编码器-解码器模块。/n...

【技术特征摘要】
1.一种肝胆管及胆道结石的图像分割系统，其特征在于，包括：分割网络模型；所述分割网络模型包括：第一编码器-解码器模块、第二编码器-解码器模块、优化模块；
所述第一编码器-解码器模块用于：
对CT序列图像的各图像分别进行特征提取，得到若干个第一多尺度特征图和高层特征图；对所述第一多尺度特征图的上下文信息特征再学习处理，生成多尺度上下文特征图；对所述高层特征图进行时域上下文信息学习，生成高层双向上下文特征图；对所述多尺度上下文特征图和所述高层双向上下文特征图进行拼接，生成第一上下文融合特征图；其中，所述CT序列图像为连续且相邻的肝胆管结石病的CT序列图像；
所述第二编码器-解码器模块用于：
对所述多尺度上下文特征图和所述第一上下文融合特征图进行拼接，生成第二上下文融合特征图；对所述第二上下文融合特征图进行时域上下文信息学习，生成高层双向上下文融合特征图；对所述多尺度上下文特征图和所述高层双向上下文融合特征图进行连接后，输出序列概率图；
所述优化模块用于：
基于预置的损失函数，计算所述序列概率图和所述序列概率图对应的标签序列图的损失函数值，判断所述损失函数值是否小于预置值，若是，则得到最优分割网络模型，否则，根据所述损失函数值对所述分割网络模型的特征参数进行更新后，触发所述第一编码器-解码器模块和所述第二编码器-解码器模块。


2.根据权利要求1所述的肝胆管及胆道结石的图像分割系统，其特征在于，所述第一编码器-解码器模块，具体包括：第一编码器、ConvLSTM模块、第一BiConvLSTM模块、第一解码器；
所述第一编码器用于：对所述CT序列图像的各图像中的小目标区域分别进行特征提取，得到若干个第一多尺度特征图和高层特征图，将所述第一多尺度特征图发送到所述ConvLSTM模块，以及将所述高层特征图发送到所述第一BiConvLSTM模块；
所述ConvLSTM模块用于：对所述第一多尺度特征图的上下文信息特征再学习处理，生成多尺度上下文特征图，将所述多尺度上下文特征图发送到所述第一解码器和所述第二编码器-解码器模块；
所述第一BiConvLSTM模块用于：对所述高层特征图进行两次相反方向的时域上下文信息学习，生成高层双向上下文特征图，将所述高层双向上下文特征图发送到所述第一解码器；
所述第一解码器用于：对所述多尺度上下文特征图和所述高层双向上下文特征图进行跳跃拼接，生成第一上下文融合特征图，并将所述第一上下文融合特征图发送到所述第二编码器-解码器模块。


3.根据权利要求2所述的肝胆管及胆道结石的图像分割系统，其特征在于，所述第二编码器-解码器模块，具体包括：第二编码器、第二BiConvLSTM模块、第二解码器；
所述第二编码器用于：对所述...

【专利技术属性】
技术研发人员：蔡念，陈芝涛，罗智浩，何兆泉，王平，王晗，陈梅云，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44