【技术实现步骤摘要】
本专利技术涉及计算机视觉，特别涉及基于深度学习的3d体积医学图像多器官实例分割方法。
技术介绍
1、医学图像对于临床诊断、治疗规划、手术导航、放射治疗计划制定等至关重要。准确的医学图像分割有助于医生更好地理解病变的位置、大小和形态，从而做出更精确的诊断。例如，通过精确分割腹部器官，如肝脏、胰腺、肾脏等，可以帮助医生准确定位这些器官的位置和形态。这对于检测和评估器官的大小、形状、位置异常等有重要意义，从而帮助医生进行疾病诊断。
2、然而在当前的医学图像分割领域，传统的方法通常依赖于人工介入。这种依赖人工的方法会存在主观性、低效性、可扩展性、误差不一致性等一些限制和挑战。再加上我国ct和mri等3d医学图像数据的规模不断增加，但资质医生数量受限且就诊流程繁琐，人工长时间作业必定延误诊断。鉴于计算机视觉和机器学习技术的发展，使用深度学习技术可以摆脱传统人工介入的限制。因此，研发一种具有自动化、准确性、可扩展性和一致性等优势的3d体积医学图像多器官实例分割技术的需求极为迫切。
技术实现思路
1、为了克服现有技术中的不足，本专利技术提供基于深度学习的3d体积医学图像多器官实例分割方法，是一种从3d体积医学图像中端到端分割心脏、肾脏、肝脏、脾脏等器官区域的深度学习实例分割模型方法，将3d体积医学图像输入多器官实例分割模型，以得到多种器官类别置信度及相应器官区域；将所述每种器官类别的置信度结合器官置信度阈值，以得到多器官实例分割结果。
2、为了达到上述专利技术目的，解决其
3、基于深度学习的3d体积医学图像多器官实例分割方法，包括以下步骤：
4、步骤1：数据预处理阶段：对输入的3d体积医学图像数据进行尺寸统一化、灰度值标准化、数据增强和归一化处理；
5、步骤2：邻间数据整合阶段：对预处理后的数据进行切片划分，将相邻三个切片合并成一个三通道样本，对于两侧端部切片直接复制为三通道样本；
6、步骤3：网络模型设计阶段：模型网络包含主干网络部分、颈部网络部分、头部网络部分，所述主干网络部分由一个se模块和一个backbone组合而成；所述颈部网络部分包含多尺度特征图的提取模块与特征候选区域生成和特征映射模块；所述头部网络部分包含分类器结构和分割器结构；
7、步骤4：模型评价体系构建阶段：采用分割区域一致性dice作为评价模型性能评价指标；
8、步骤5：模型训练阶段：对主干网络部分的backbone网络参数采用其主干网络在大型公开图像数据集imagenet-1k上预训练好的参数做初始化，主干网络部分的se模块以及颈部网络部分和头部网络部分的参数均采用随机初始化，输入的3d体积医学图像数据经过步骤1所述预处理以及步骤1所述邻间数据整合后进入模型，采用梯度下降算法对模型进行迭代训练以取得最优解，根据验证集在步骤4所述评价体系中的dice值来确定模型的最优参数；
9、步骤6：模型网络推理阶段：推理无标签的3d体积医学图像数据，并可视化多器官区域。
10、进一步的，步骤3中，所述se模块采用三个结构统一且权重共享的编码器组成，各编码器之间加权融合采用concat拼接和1x1卷积模块，另外中间编码器与融合后的特征采用跳跃连接相连。
11、进一步的，步骤3中，
12、所述backbone网络采用swin transformer网络结构；
13、所述多尺度特征图的提取模块采用fpn模块；
14、所述特征候选区域生成模块采用rpn模块；
15、所述特征映射模块采用roialign模块。
16、进一步的，步骤3中，所述分类器结构采用卷积层、attention block和softmax激活函数实现类别的分类。
17、进一步的，步骤3中，所述分割结构采用卷积层、空洞卷积层、转置层和全连接层做像素区域的分割。
18、进一步的，步骤4中，所述dice值为：
19、
20、其中，g和p代表真实值和预测值，i是像素数。
21、进一步的，步骤5中，所述随机初始化的方法为：glorot_norma、glorot_uniform、he_normal、lecun_uniform或lecun_normal。
22、进一步的，步骤5中，所述梯度下降算法的方法为：adam或sgd。
23、进一步的，步骤6中，采用步骤5中得到验证集精度最高的3d体积医学图像实例分割模型的最优参数，载入至3d医学图像实例分割模型中；输入1张无标签的3d体积医学图像数据，经过步骤1中的预处理和步骤2邻间数据整合后，将数据送入3d体积医学图像多器官实例分割模型；3d医学图像模型将推理图片中的多器官类别和区域，根据类别置信度来保留最终的器官分割区域并实现可视化。
24、本专利技术由于采用以上技术方案，使之与现有技术相比，具有以下的优点和积极效果：
25、1、本专利技术的多器官实例分割模型通过主干网络的特征提取和颈部网络的特征转化与融合，对大小目标的器官区域都可精准分割；
26、2、本专利技术考虑3d体积医学图像的空间属性，通过在网络模型中添加se模块提取邻间信息，提升了3d体积医学图像的分割性能；
27、3、本专利技术实现了多器官的同时分割，极大的提高了分割效率；
28、4、本专利技术基于深度学习技术，能够脱离传统人工介入的限制，自动实现多器官分割。与传统依赖人工经验和直观判断相比，更加高效、客观且可重复。
本文档来自技高网...【技术保护点】
1.基于深度学习的3D体积医学图像多器官实例分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的3D体积医学图像多器官实例分割方法，其特征在于，步骤3中，所述SE模块采用三个结构统一且权重共享的编码器组成，各编码器之间加权融合采用concat拼接和1x1卷积模块，另外中间编码器与融合后的特征采用跳跃连接相连。
3.根据权利要求1所述的基于深度学习的3D体积医学图像多器官实例分割方法，其特征在于，步骤3中，
4.根据权利要求1所述的基于深度学习的3D体积医学图像多器官实例分割方法，其特征在于，步骤3中，所述分类器结构采用卷积层、attention block和softmax激活函数实现类别的分类。
5.根据权利要求1所述的基于深度学习的3D体积医学图像多器官实例分割方法，其特征在于，步骤3中，所述分割结构采用卷积层、空洞卷积层、转置层和全连接层做像素区域的分割。
6.根据权利要求1所述的基于深度学习的3D体积医学图像多器官实例分割方法，其特征在于，步骤4中，所述Dice值为：
7.根据权
8.根据权利要求1所述的基于深度学习的3D体积医学图像多器官实例分割方法，其特征在于，步骤5中，所述梯度下降算法的方法为：Adam或SGD。
9.根据权利要求1所述的基于深度学习的3D体积医学图像多器官实例分割方法，其特征在于，步骤6中，采用步骤5中得到验证集精度最高的3D体积医学图像实例分割模型的最优参数，载入至3D医学图像实例分割模型中；输入1张无标签的3D体积医学图像数据，经过步骤1中的预处理和步骤2邻间数据整合后，将数据送入3D体积医学图像多器官实例分割模型；3D医学图像模型将推理图片中的多器官类别和区域，根据类别置信度来保留最终的器官分割区域并实现可视化。
...【技术特征摘要】
1.基于深度学习的3d体积医学图像多器官实例分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的3d体积医学图像多器官实例分割方法，其特征在于，步骤3中，所述se模块采用三个结构统一且权重共享的编码器组成，各编码器之间加权融合采用concat拼接和1x1卷积模块，另外中间编码器与融合后的特征采用跳跃连接相连。
3.根据权利要求1所述的基于深度学习的3d体积医学图像多器官实例分割方法，其特征在于，步骤3中，
4.根据权利要求1所述的基于深度学习的3d体积医学图像多器官实例分割方法，其特征在于，步骤3中，所述分类器结构采用卷积层、attention block和softmax激活函数实现类别的分类。
5.根据权利要求1所述的基于深度学习的3d体积医学图像多器官实例分割方法，其特征在于，步骤3中，所述分割结构采用卷积层、空洞卷积层、转置层和全连接层做像素区域的分割。
6.根据权利要求1所述的基于深度学习的3d体积医学图像多器官...
【专利技术属性】
技术研发人员：王硕，李乾坤，袁德志，许皖秀，张雅妮，侯广宇，
申请(专利权)人：李乾坤，
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。