【技术实现步骤摘要】
部分监督的腹部CT序列图像多器官自动分割方法及装置
[0001]本专利技术涉及医学图像处理的
,尤其涉及一种部分监督的腹部CT序列图像多器官自动分割方法,以及部分监督的腹部CT序列图像多器官自动分割装置。
技术介绍
[0002]多器官分割已广泛应用于临床实践,包括诊断干预、治疗计划和治疗实施。在放射治疗计划中,这是一项耗时的任务,经常使用手动或半自动工具来圈定处于危险中的器官。因此,为了提高器官分割的效率,已经开发了诸如统计模型、多图谱标签融合和免配准方法等自动分割方法。不幸的是,这些方法可能会受到图像变形和主体间差异性的影响,并且它们在临床应用上的成功是有限的。
[0003]基于深度学习的医学图像分割方法已在文献中广泛用于对给定的2D/3D医学图像的每个像素/体素进行分类,并显著提高了多器官自动分割的性能。一个突出的卷积神经网络(CNN)模型是U
‑
Net,以及它的最新变体nnUNet,它通过跳跃连接学习多尺度特征。多器官分割的其他框架包括DenseVNet、OBELISK
‑
Net和器官注意力网络。大量后续工作的重点是通过发现和表示基于典型相关分析的相互关系来改进现有框架,特别是通过构建和利用统计图谱。
[0004]然而,几乎所有当前的分割模型都依赖于具有强大监督的完全标注数据。管理一个大规模的完全标注数据集是一项具有挑战性的任务,既昂贵又耗时。当前标记数据集的样本量通常较低且大多是部分标记的,这也是多器官分割研究领域的一个瓶颈。也就是说,一个数据集标记了 ...
【技术保护点】
【技术特征摘要】
1.部分监督的腹部CT序列图像多器官自动分割方法,其特征在于:其包括以下步骤:(1)获取待分割腹部多器官CT序列图像数据集;(2)预处理获取的腹部多器官CT序列图像数据集;(3)划分预处理后的腹部多器官CT序列图像数据集,该数据集包括训练集、验证集和测试集;(4)构建用于腹部多器官CT序列图像分割的深度学习模型,该深度学习模型为基于Swin Transformer技术的U型网络;(5)利用上述训练集和部分监督损失对上述深度学习模型进行训练,并根据上述验证集保存最佳模型,所述部分监督损失为边际损失和排他损失的线性组合;(6)利用上述保存的最佳模型对上述测试集进行预测,获得腹部CT序列图像中多个器官的分割结果。2.根据权利要求1所述的部分监督的腹部CT序列图像多器官自动分割方法,其特征在于:所述步骤(1)中,完全标注数据集D:每例腹部CT图像标注肝脏、左肾、右肾、脾脏和胰腺;肝脏数据集D
Liver
:每例腹部CT图像标注肝脏;左肾数据集D
LKidney
:每例腹部CT图像标注左肾;右肾数据集D
RKidney
:每例腹部CT图像标注右肾;脾脏数据集D
Spleen
:每例腹部CT图像标注脾脏;胰腺数据集D
Pancreas
:每例腹部CT图像标注胰腺。3.根据权利要求2所述的部分监督的腹部CT序列图像多器官自动分割方法,其特征在于:所述步骤(2)中,对于D,将所有CT图像插值到1.5
×
1.5
×
2.0mm3的各向同性体素间距内,使用软组织加窗将CT值限制在[
‑
125,275]HU的范围内;对于D
Liver
,将所有CT图像插值到1.0
×
1.0
×
1.0mm3的各向同性体素间距内,使用软组织加窗将CT值限制在[
‑
21,189]HU的范围内;对于D
LKidney
,将所有CT图像插值到1.5
×
1.5
×
3.0mm3的各向同性体素间距内,使用软组织加窗将CT值限制在[
‑
200,200]HU的范围内;对于D
RKidney
,将所有CT图像插值到1.5
×
1.5
×
3.0mm3的各向同性体素间距内,使用软组织加窗将CT值限制在[
‑
200,200]HU的范围内;对于D
Spleen
,将所有CT图像插值到1.0
×
1.0
×
1.0mm3的各向同性体素间距内,使用软组织加窗将CT值限制在[
‑
125,275]HU的范围内;对于D
Pancreas
,将所有CT图像插值到1.0
×
1.0
×
1.0mm3的各向同性体素间距内,使用软组织加窗将CT值限制在[
‑
87,199]HU的范围内。4.根据权利要求3所述的部分监督的腹部CT序列图像多器官自动分割方法,其特征在于:所述步骤(3)中,将数据集D、D
Liver
、D
LKidney
、D
RKidney
、D
Spleen
和D
Pancreas
按4∶1随机划分为两部分,第一部分采用五折交叉法再划分为训练集和验证集,第二部分直接用作测试集。5.根据权利要求1所述的部分监督的腹部CT序列图像多器官自动分割方法,其特征在于:所述步骤(4)中,深度学习模型由一个基于Swin Transformer的编码器和一个基于CNN的解码器组成,编码器使用的补丁大小为2
×2×
2,特征维度为2
×2×2×
1=8和嵌入空间P=48维;编码器的整体架构由四个阶段组成,每个阶段包括两个Swin Transformer块,在每一阶段之间,利用补丁合并层将分辨率降低两倍,阶段1包括一个线性嵌入层和令牌数量为的Swin Transformer块;补丁合并层对分辨率为2
×2×
2的补丁进行分组,并将它们拼接起来,形成一个4P维特征嵌入,然后使用线性嵌入层降低特征维度到2P,相同的过程继续在阶段2、阶段3和阶段4执行,它们的Swin Transformer块中的令牌数量分别为
和编码器在不同阶段的分层表示被用于腹部多器官CT序列图像分...
【专利技术属性】
技术研发人员:宋红,李强,杨健,付天宇,林毓聪,范敬凡,肖德强,
申请(专利权)人:北京理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。