【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及一种ct图像分割方法及系统。
技术介绍
1、在医学影像领域，计算机断层扫描（computed tomography，ct）成像技术因可以发现高密度结构信息使之成为辅助识别肝脏疾病的常用手段之一；现如今，在采集到ct图像后，会先通过人工智能模型将ct图像可能指示的异常区域分割出来，医生在获取到异常区域的ct图像后，再结合血液检测指标和其他指标以方便医生综合各种信息进行肝脏疾病的诊断。
2、由于采集ct图像具有一定的特殊性，不同采集设备带来的噪声和伪影影响了图像的质量；正常肝脏与邻近器官组织的灰度值较为相似，正常肝脏和损伤肝脏灰度值（或者是hu值）大部分是重叠的，说明两者对比度不高；因此，常规的图像分析方法在识别肝损伤方面精度并不高；例如，中国专利技术专利（cn112561860a）公开了一种基于先验形状约束的bca-unet肝脏分割方法，采用优化的主动轮廓损失函数计算高维特征的损失，融合两个网络中间特征作为下一层注意力信号，用于约束分割网络（bca-unet），误差反向传播逐层优化，避免了边缘轮廓的丢失；然而，上述方案并未考虑肝损伤不同级别对分割精度的影响，导致对肝损伤的分割精度不高。
3、因此，现有技术急需一种ct图像分割方法及系统，用于提高肝脏异常区域分割的精度。
技术实现思路
1、本专利技术要解决的技术问题是针对上述技术方案的不足，提供一种ct图像分割方法及系统，用于提高肝脏异常区域分割的精度。
2、为了实现上
3、s1：获取待分割ct图像；
4、s2：将所述待分割ct图像输入至第一分割模型，得到第一分割结果；
5、s3：若第一分割模型输出结果为无异常、肝损伤iv级的异常区域、肝损伤v级的异常区域、肝损伤vi级的异常区域，则将第一分割结果作为最终结果，若第一分割模型输出为肝损伤i级的异常区域、肝损伤ii级的异常区域、肝损伤iii级的异常区域，则进入下一步；
6、s4：若第一分割结果为肝损伤i级的异常区域或肝损伤ii级的异常区域或肝损伤iii级的异常区域，则将所述待分割ct图像输入至第二分割模型，用于输出第二分割结果作为最终结果；
7、其中，第二分割模型为卷积神经网络模型，所述第二分割模型为卷积神经网络模型，在所述卷积神经网络模型训练过程中，将电子病历中筛选出诊断结论为肝损伤i级和肝损伤ii级和肝损伤iii级的数据集作为训练集，用于实现卷积神经网络模型训练；获得所述第二分割模型；
8、然后将第一分割结果为肝损伤i级的异常区域和肝损伤ii级的异常区域和肝损伤iii级的异常区域的待预测ct图像输入至所述第二分割模型，得到第二分割结果，作为最终的分割结果。
9、优选地，所述ct图像可以为平扫ct图像，也可为增强ct图像。
10、优选地，通过以下方式采集ct图像：进行平扫操作，采用东软neuviz128层多排螺旋ct扫描仪进行ct检查，扫描参数为：电流130-150 mas、电压120 kv，矩阵512 x 512，扫描视野50 cm，扫描层厚2.5 mm，螺距1.25，层厚6-7 mm，窗宽150-250 hu。
11、更进一步地，所述将所述待分割ct图像输入至第一分割模型，得到第一分割结果具体为：
12、s2.1：获取第一分割模型的训练集；
13、本专利技术将某三甲医院自2010年以来诊断为肝损伤的具有ct图像的电子病历，将电子病历中的ct图像和诊断结论作为数据集，用于后续模型的训练；对训练集中的ct图像进行裁剪、旋转实现数据集的扩充；
14、另外，在获取训练集时，需要对训练集中的ct图像进行预处理，所述预处理包括hu值截取、像素归一化和重采样；
15、所述hu值截取是设置阈值将与肝脏区域无关的hu值去除，获取的hu值目标范围为[-200，200]；所述像素归一化是指使用像素归一化方法减小同性质组织之间的差异；所述重采样为对每张ct图像进行重采样，将ct图像的大小从512×512重采样成256×256；
16、s2.2：采用训练集训练第一分割模型；
17、由上述介绍可知，第一分割模型为神经网络模型，具体地，所述第一分割模型由输入层、隐藏层和输出层三部分组成，所述输入层用于输入待测图像的数据特征，其中，所述特征的维数则对应着网络的神经元数；所述隐藏层为所述神经网络模型的中间层，其作用为接受前一层网络输出作为当前的输入，并计算输出当前结果到下一层；所述输出层为结果输出的网络层；
18、优选地，在所述神经网络模型中加入激活函数增强所述第一分割模型的拟合能力，所述激活函数为sigmoid激活函数；
19、所述sigmoid激活函数的表达式为：
20、
21、式中，f（x）为激活函数输出值，所述x为神经网络模型中的输入特征值；
22、值得强调的是，将所述训练集输入至神经网络模型中训练，直至所述神经网络模型收敛，从而得到第一分割模型；
23、s2.3：将所述待分割ct图像输入至所述第一分割模型中，得到第一分割结果；
24、所述第一分割结果为无异常、肝损伤i级的异常区域、肝损伤ii级的异常区域、肝损伤iii级的异常区域、肝损伤iv级的异常区域、肝损伤v级的异常区域、肝损伤vi级的异常区域；
25、实际上，经过了上述的步骤，可得到肝损伤的分割结果，但是，在专利技术人在采用上述方式进行分割过程中发现，上述分割结果在肝损伤iii级、肝损伤iv级、肝损伤v级、肝损伤vi级具有更优的分割准确度，在肝损伤i级、肝损伤ii级相对差一些，于是，本专利技术相较于现有技术，对于初步诊断为肝损伤i级、肝损伤ii级、肝损伤iii级的待预测ct图像输入至第二分割模型，进而提高肝损伤分割的总体精度；
26、值得强调的是，实际上，通过文献调研发现，现有技术中存在将图像分为简单识别的图像和复杂识别的图像进行分类进而通过不同模型预测的方案，然而，本专利技术通过在对肝损伤预测时，发现了对于不同的肝损伤级别，识别精度不同，并且，分析了对于识别精度高的肝损伤iii级的ct图像来说，由于肝损伤ii级和肝损伤iii级在ct图像上的特征区别相对不明显，因此会存在将肝损伤ii级的ct图像预测为肝损伤iii级的情况，因此，本专利技术创造性地将第一分割结果为肝损伤i级、肝损伤ii级、肝损伤iii级的待分割ct图像均输入至第二分割模型，用于提高分割的精度；
27、其中，第二分割模型为卷积神经网络模型；所述卷积神经网络模型包括：1个输入层、3个卷积层、2个下采样层、1个全连接层以及输出层；输入层用于输入待预测ct图像，所述卷积层用于进行卷积操作，所述卷积操作的公式为：
28、
29、其中，表示第l层的第j个特征图，表示激活函数，表示待预测ct图像中选择的输入本文档来自技高网...
【技术保护点】
1.一种CT图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的CT图像分割方法，其特征在于，CT图像为平扫CT图像或者增强CT图像。
3.根据权利要求1所述的CT图像分割方法，其特征在于，所述第一分割模型由输入层、隐藏层和输出层三部分组成，所述输入层用于输入待测图像的数据特征，其中，所述数据特征的维数则对应着所述神经网络的神经元数；所述隐藏层为所述神经网络模型的中间层，其作用为接受前一层网络输出作为当前的输入，并计算输出当前结果到下一层；所述输出层为结果输出的网络层。
4.根据权利要求3所述的CT图像分割方法，其特征在于，在所述第一分割模型中加入激活函数增强所述第一分割模型的拟合能力，所述激活函数为Sigmoid激活函数；
5.根据权利要求4所述的CT图像分割方法，其特征在于，所述将所述待分割CT图像输入至第一分割模型，得到第一分割结果具体为：
6.根据权利要求1所述的CT图像分割方法，其特征在于，所述卷积神经网络模型包括：1个输入层、3个卷积层、2个下采样层、1个全连接层以及输出层。
7.根
8.一种CT图像分割系统，其采用权利要求1-7任一项所述的CT图像分割方法，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种ct图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的ct图像分割方法，其特征在于，ct图像为平扫ct图像或者增强ct图像。
3.根据权利要求1所述的ct图像分割方法，其特征在于，所述第一分割模型由输入层、隐藏层和输出层三部分组成，所述输入层用于输入待测图像的数据特征，其中，所述数据特征的维数则对应着所述神经网络的神经元数；所述隐藏层为所述神经网络模型的中间层，其作用为接受前一层网络输出作为当前的输入，并计算输出当前结果到下一层；所述输出层为结果输出的网络层。
4.根据权利要求3所述的ct图像分割方法，其特征在于，在所述第一分割模型中加入...
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。