一种基于变形场的器官表面病灶检出的方法和装置制造方法及图纸

本发明专利技术提供了一种基于变形场的器官表面病灶检出的方法和装置，其中方法包括：获取医学影像序列，基于器官分割模型对目标器官进行分割；基于目标器官的分割结果，进行变形场初始化，将扭曲的目标器官轮廓变形成直线；确定病灶轮廓，对图像进行预处理，划分训练集和测试集，在训练集上对病灶检出模型进行训练，在测试集上对病灶检出模型进行验证；利用病灶检出模型检出器官表面病灶。提高了器官表面的病灶检出模型性能，尤其是器官表面细条形附着的病灶的检出性能。病灶的检出性能。病灶的检出性能。

【技术实现步骤摘要】
一种基于变形场的器官表面病灶检出的方法和装置


[0001]本专利技术涉及计算机
，尤其涉及一种基于变形场的器官表面病灶检出的方法和装置。

技术介绍

[0002]随着医学成像技术的发展，计算机断层扫描技术(CT)、磁共振成像(MRI)等技术被广泛应用于器官和病灶的分析和诊断流程中。对于器官表面的病灶检出，如卵巢癌肝周转移病灶，其在每一层扫描图像上常常呈现细条形附着的状态，对检出模型来说是一个较大的挑战。同时，器官的位置可以为病灶检出提供先验知识。如何把这些先验知识利用起来，提高器官表面的病灶检出效能，是亟需研究的问题。
[0003]当前现有目标检测算法可以分为基于锚点的目标检测(anchor
‑
based)和无锚点的目标检测(anchor
‑
free)，这两种方法对于细长条物体的检出效能均有所下降。尤其是当细长条物体处于图像中对角方向时，基于矩形检测框的模型在训练时会引入大量的背景噪声，影响模型效能。
[0004]现有的处理细长条物体的检出算法研究较少，这些研究主要集中于基于注意力机制的特征自适应提取。然而，这些算法无法充分利用医学影像的解剖学先验信息，无法对目标病灶进行针对性分析。

技术实现思路

[0005]本专利技术旨在提供一种克服上述问题或者至少部分地解决上述问题的基于变形场的器官表面病灶检出的方法和装置。
[0006]为达到上述目的，本专利技术的技术方案具体是这样实现的：
[0007]本专利技术的一个方面提供了一种基于变形场的器官表面病灶检出的方法，包括：获取医学影像序列，基于器官分割模型对目标器官进行分割；基于所述目标器官的分割结果，进行变形场初始化，将扭曲的所述目标器官轮廓变形成直线；确定病灶轮廓，对图像进行预处理，划分训练集和测试集，在所述训练集上对病灶检出模型进行训练，在所述测试集上对所述病灶检出模型进行验证；利用所述病灶检出模型检出器官表面病灶。
[0008]其中，所述基于所述目标器官的分割结果，进行变形场初始化，将扭曲的所述目标器官轮廓变形成直线包括：基于所述目标器官的分割结果得到器官边界的轮廓点集S；确定变形场，所述变形场的形状为(H,W,2)，其中，变形场的宽W为|S|
‑
2，变形场的高度H为自定义的超参数；变形场所描述的对应关系针对所述轮廓点集S中除首尾之外的每个点进行迭代计算，沿W方向依次拼接，得到完整的初始变形场Φ0。
[0009]其中，所述变形场所描述的对应关系针对所述轮廓点集S中除首尾之外的每个点进行迭代计算包括：对点集中除首尾之外的每个点p2，利用过p点等间隔采样算法计算映射关系；其中，所述利用过p点等间隔采样算法包括：基于待计算的点p2(x2,y2)，找到它前后的两个点，p1(x1,y1)和p3(x3,y3)。由p1和p3，计算过p1和p3两点的直线L1的公式；计算过p2的、垂
直于L1的直线L2的公式；在直线L2上，围绕p2进行等间隔采样。
[0010]其中，所述确定病灶轮廓，对图像进行预处理，划分训练集和测试集，在所述训练集上对病灶检出模型进行训练，在所述测试集上对所述病灶检出模型进行验证包括：确定病灶检出模型的输入，包括原始图像X1和所述病灶轮廓；利用所述初始变形场Φ0对所述原始图像X1进行变形，得到第一变形后图像X2；基于变形场网络G生成变形场Φ，利用所述变形场Φ将所述第一变形后图像X2进行进一步变换，得到第二变形后图像X3；利用所述变形场Φ对所述病灶轮廓进行变形，得到变形后的病灶轮廓；基于所述变形后的病灶轮廓，生成病灶检测框，作为回归的目标；基于所述第二变形后图像X3和回归目标，构建病灶检出模型；将所述测试集上的原始图像输入至所述病灶检出模型，输出病灶位置对所述病灶检出模型进行验证。
[0011]其中，方法还包括：初始化变形场网络G。
[0012]其中，所述初始化变形场网络G包括：确定输入为第二变形后图像X2，目标为初始化变形场Φ0，损失函数为MSE loss；使用Adam优化器最小化损失函数，训练模型直至收敛，选取验证集上损失函数最小的模型作为训练好的变形场网络。
[0013]其中，所述基于所述变形后的病灶轮廓，生成病灶检测框包括：逐个对比病灶轮廓点的坐标，得到横坐标的最小值X
min
和最大值X
max
，纵坐标的最小值Y
min
和最大值Y
max
；根据左上角点(X
min
,Y
min
)、框宽X
max
‑
X
min
、框高Y
max
‑
Y
min
确定所述病灶检测框。
[0014]其中，方法还包括：将所述病灶检测框换算为原始图像上的病灶检测框。
[0015]本专利技术的另一个方面提供了一种基于变形场的器官表面病灶检出的装置，包括：器官轮廓分割模块，用于获取医学影像序列，基于器官分割模型对目标器官进行分割；变形场初始化模块，用于基于所述目标器官的分割结果，进行变形场初始化，将扭曲的所述目标器官轮廓变形成直线；基于变形场的病灶检出模型模块，用于确定病灶轮廓，对图像进行预处理，划分训练集和测试集，在所述训练集上对病灶检出模型进行训练，在所述测试集上对所述病灶检出模型进行验证；并利用所述病灶检出模型检出器官表面病灶。
[0016]其中，所述变形场初始化模块通过如下方式基于所述目标器官的分割结果，进行变形场初始化，将扭曲的所述目标器官轮廓变形成直线：基于所述目标器官的分割结果得到器官边界的轮廓点集S；确定变形场，所述变形场的形状为(H,W,2)，其中，变形场的宽W为|S|
‑
2，变形场的高度H为自定义的超参数；变形场所描述的对应关系针对所述轮廓点集S中除首尾之外的每个点进行迭代计算，沿W方向依次拼接，得到完整的初始变形场Φ0。
[0017]其中，所述变形场所描述的对应关系针对所述轮廓点集S中除首尾之外的每个点进行迭代计算包括：对点集中除首尾之外的每个点p2，利用过p点等间隔采样算法计算映射关系；其中，所述利用过p点等间隔采样算法包括：基于待计算的点p2(x2,y2)，找到它前后的两个点，p1(x1,y1)和p3(x3,y3)。由p1和p3，计算过p1和p3两点的直线L1的公式；计算过p2的、垂直于L1的直线L2的公式；在直线L2上，围绕p2进行等间隔采样。
[0018]其中，所述基于变形场的病灶检出模型模块通过如下方式确定病灶轮廓，对图像进行预处理，划分训练集和测试集，在所述训练集上对病灶检出模型进行训练，在所述测试集上对所述病灶检出模型进行验证：确定病灶检出模型的输入，包括原始图像X1和所述病灶轮廓；利用所述初始变形场Φ0对所述原始图像X1进行变形，得到第一变形后图像X2；基于变形场网络G生成变形场Φ，利用所述变形场Φ将所述第一变形后图像X2进行进一步变换，
得到第二变形后图像X3；利用所述变形场Φ对所述病灶轮廓进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于变形场的器官表面病灶检出的方法，其特征在于，包括：获取医学影像序列，基于器官分割模型对目标器官进行分割；基于所述目标器官的分割结果，进行变形场初始化，将扭曲的所述目标器官轮廓变形成直线；确定病灶轮廓，对图像进行预处理，划分训练集和测试集，在所述训练集上对病灶检出模型进行训练，在所述测试集上对所述病灶检出模型进行验证；利用所述病灶检出模型检出器官表面病灶。2.根据权利要求1所述的方法，其特征在于，所述基于所述目标器官的分割结果，进行变形场初始化，将扭曲的所述目标器官轮廓变形成直线包括：基于所述目标器官的分割结果得到器官边界的轮廓点集S；确定变形场，所述变形场的形状为(H,W,2)，其中，变形场的宽W为|S|
‑
2，变形场的高度H为自定义的超参数；变形场所描述的对应关系针对所述轮廓点集S中除首尾之外的每个点进行迭代计算，沿W方向依次拼接，得到完整的初始变形场Φ0。3.根据权利要求2所述的方法，其特征在于，所述变形场所描述的对应关系针对所述轮廓点集S中除首尾之外的每个点进行迭代计算包括：对点集中除首尾之外的每个点p2，利用等间隔采样算法计算映射关系；其中，所述利用过p点等间隔采样算法包括：基于待计算的点p2(x2,y2)，找到它前后的两个点，p1(x1,y1)和p3(x3,y3)。由p1和p3，计算过p1和p3两点的直线L1的公式；计算过p2的、垂直于L1的直线L2的公式；在直线L2上，围绕p2进行等间隔采样。4.根据权利要求3所述的方法，其特征在于，所述确定病灶轮廓，对图像进行预处理，划分训练集和测试集，在所述训练集上对病灶检出模型进行训练，在所述测试集上对所述病灶检出模型进行验证包括：确定病灶检出模型的输入，包括原始图像X1和所述病灶轮廓；利用所述初始变形场Φ0对所述原始图像X1进行变形，得到第一变形后图像X2；基于变形场网络G生成变形场Φ，利用所述变形场Φ将所述第一变形后图像X2进行进一步变换，得到第二变形后图像X3；利用所述变形场Φ对所述病灶轮廓进行变形，得到变形后的病灶轮廓；基于所述变形后的病灶轮廓，生成病灶检测框，作为回归的目标；基于所述第二变形后图像X3和回归目标，构建病灶检出模型；将所述测试集上的原始图像输入至所述病灶检出模型，输出病灶位置对所述病灶检出模型进行验证。5.根据权利要求4所述的方法，其特征在于，还包括：初始化变形场网络G。6.根据权利要求5所述的方法，其特征在于，所述初始化变形场网络G包括：确定输入为第二变形后图像X2，目标为初始化变形场Φ0，损失函数为MSE loss；使用Adam优化器最小化损失函数，训练模型直至收敛，选取验证集上损失函数最小的模型作为训练好的变形场网络。7.根据权利要求4所述的方法，其特征在于，所述基于所述变形后的病灶轮廓，生成病灶检测框包括：
逐个对比病灶轮廓点的坐标，得到横坐标的最小值X
min
和最大值X
max
，纵坐标的最小值Y
min
和最大值Y
max
；根据左上角点(X
min
,Y
min
)、框宽X
max
‑
X
min
、框高Y
max
‑
Y
min
确定所述病灶检测框。8.根据权利要求7所述的方法，其特征在于，还包括：将所述病灶检测框换算为原始图像上的病灶检测框。9.一种基于变形场的器官表面病灶检出的装置，其特征在于，包括：器官轮廓分割模块，用于获取医学影像序列，基于器官分割模型对目标器官进行分割；变形场初始化模块...

【专利技术属性】
技术研发人员：毛丽，李秀丽，薛华丹，何泳蓝，金征宇，俞益洲，李一鸣，乔昕，
申请(专利权)人：杭州深睿博联科技有限公司，
类型：发明
国别省市：