【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及基于ct成像中脂肪和肌肉区域自动分割的数据处理方法。
技术介绍
1、ct根据人体组织对x线吸收衰减特性的不同实现成像，图像像素强度值和对比度是组织x线穿透能力的体现。ct增强成像通过静脉注射对比剂增加软组织与脂肪等的对比度差异，ct肠道成像则通过引入肠腔内对比剂增加肠道腔内外对比度。当前利用深度学习分割算法对区域脂肪和肌肉体积分割进行实现。比如，构建的基于ct成像中对脂肪和肌肉区域进行自动分割的分割模型，能够实现在ct成像中对脂肪和肌肉区域进行自动分割。
2、因此，虽然现有深度学习方法可以实现在ct成像中对脂肪和肌肉区域进行自动分割，然而该分割过程中却需要较多人工分割的介入，而且由于腹部脂肪和肌肉组织成分与腹部多数器官结构位置紧凑，ct图像中的噪点、内部灰度不均一性和部分容积效应等可导致组织分割准确性下降，导致在ct成像脂肪和肌肉区域的分割效率和分割精度难以得到保证。
技术实现思路
1、本专利技术的目的在于提供基于ct成像中脂肪和肌肉区域自动分割的数据处理方法，以解决现有技术中在ct成像脂肪和肌肉区域的分割效率和分割精度难以得到保证的技术问题。
2、为解决上述技术问题，本专利技术具体提供下述技术方案：
3、基于ct成像中脂肪和肌肉区域自动分割的数据处理方法，包括以下步骤：
4、获取多个包含脂肪和肌肉区域的ct图像；以窗处理和灰度线性拉伸、双边滤波、直方图均衡化和ct床板去除的顺序，对各个所述ct图像进行
5、在各个ct图像中获取脂肪和肌肉区域的真实标注；
6、将预处理后的ct图像与脂肪和肌肉区域的真实标注构成数据集；
7、通过transunet模型，在所述数据集上进行训练，得到ct图像分割模型，以实现在ct成像中对脂肪和肌肉区域进行自动分割。
8、作为本专利技术的一种优选方案，以窗处理和灰度线性拉伸、双边滤波、直方图均衡化和ct床板去除的顺序，对各个所述ct图像进行预处理的方法包括：
9、第一步：对ct图像进行窗处理和灰度线性拉伸，其中，将腹部窗宽ww设置为600和窗位wl设置为40以高对比度显示ct图像腹部软组织结构，并利用窗处理公式将图像灰度等级范围归一化至腹窗和0～255范围，所述窗处理公式为：
10、
11、
12、
13、式中，iwindow(z,x,y)为窗处理和灰度线性拉伸后的ct图像，i(z,x,y)为所述ct图像，ww为窗宽，wl为窗位；
14、第二步：对第一步获得的窗处理和灰度线性拉伸后的ct图像进行双边滤波，其中，将窗处理和灰度线性拉伸后的ct图像进行横轴切片，并对逐个切片利用双边滤波器进行图像滤波，所述双边滤波器为：
15、
16、
17、式中，i(x,y)为切片图像，ifiltered(x,y)为滤波后切片图像，(x,y)为待滤波当前切片图像的像素坐标，s为以(x,y)为中心的空间域，(xi,yi)为s中另一像素坐标点，fr为平滑灰度差异的像素范围域核，gs为平滑坐标差异的空间域核，所述像素范围域核和空间域核均为高斯核；
18、第三步：对第二步获得的滤波图像进行直方图均衡化，其中，采用对比度受限自适应直方图均衡方法增强所述滤波图像的图像边缘对比度，同时减少局部均匀区域噪声放大的可能性；
19、第四步：对第三步获得的直方图均衡化图像进行ct床板去除，其中，通过提取第一步获得的窗处理和灰度线性拉伸后的ct图像[30，255]hu阈值范围的像素为前景，剩余像素为背景，得到包含体部和床板的掩膜，通过对掩膜的轮廓检测及对比各轮廓面积，提取最大轮廓面积保存为新的掩膜，将新掩膜与第三步获得的直方图均衡化图像进行图像矩阵相乘得到去除床板后的图像；
20、将第四步获得的ct床板去除后的图像作为预处理后的ct图像。
21、作为本专利技术的一种优选方案，通过半自动数据扩增标注策略在各个ct图像中获取脂肪和肌肉区域的真实标注。
22、作为本专利技术的一种优选方案，半自动数据扩增标注策略获取ct图像中脂肪和肌肉区域的真实标注的方法包括：
23、对ct图像按照轴向层面进行切片得到人工标注二维层面序列；
24、对所述人工标注二维层面序列进行二维图像传统半自动分割，得到人工标注二维层面掩膜序列；
25、对人工标注二维层面序列和人工标注二维层面掩膜序列进行transunet模型训练，得到二维深度学习分割模型；
26、利用二维深度学习分割模型对ct图像中除人工标注二维层面序列外的二维层面进行掩膜预测，得到自动标注二维层面掩膜序列；
27、将人工标注二维层面掩膜序列和自动标注二维层面掩膜序列重建为3d掩膜，并将对自动标注二维层面掩膜序列中预测面积未达到80％应有覆盖面积的二维层面采用传统半自动分割方法校正后再次3d重建得到ct图像的3d掩膜；
28、对3d掩膜利用itk-snap软件进行人工校正后，作为ct图像中脂肪和肌肉区域的真实标注。
29、其中，
30、人工标注二维层面序列是基于椎体层面水平的方法对ct图像进行下采样得到的39个二维层面构成的序列，39个二维层面的层面数量由内脏脂肪最高层面、第一至第五腰椎每个腰椎平均选取5个层面、盆腔3个层面、第一腰椎至骶椎各椎间隙的一个层面、骶椎上缘、耻骨联合上缘以及最高层面至第一腰椎上缘间平均选取的3个层面构成；
31、二维图像传统半自动分割中采用了基于直方图选择阈值结合区域轮廓选择的方法，在阈值选择和轮廓选择过程中加入人工介入，并在选定轮廓区域后经人工通过imagej软件标注完成精细分割，得到人工标注二维层面序列中每个二维层面的掩膜，并以人工标注二维层面序列顺序形成人工标注二维层面掩膜序列。
32、作为本专利技术的一种优选方案，所述公开数据集包括kits19数据集，lits数据集，nihpancreas-ct。
33、作为本专利技术的一种优选方案，所述ct图像中脂肪和肌肉区域的真实标注均包括皮下脂肪sat、内脏脂肪vat以及肌肉sm的掩膜。
34、本专利技术与现有技术相比较具有如下有益效果：
35、本专利技术构建半自动数据扩增标注策略，全面学习和整合ct肠道成像图像的3d切片间和切片内特征，实现脂肪和肌肉的有效和快速标注，减少人工标注工作量的情况下结合现有深度学习transunet分割网络的灵活性，提高分割效率。
本文档来自技高网...【技术保护点】
1.基于CT成像中脂肪和肌肉区域自动分割的数据处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于CT成像中脂肪和肌肉区域自动分割的数据处理方法，其特征在于：以窗处理和灰度线性拉伸、双边滤波、直方图均衡化和CT床板去除的顺序，对各个所述CT图像进行预处理的方法包括：
3.根据权利要求1所述的基于CT成像中脂肪和肌肉区域自动分割的数据处理方法，其特征在于：通过半自动数据扩增标注策略在各个CT图像中获取脂肪和肌肉区域的真实标注。
4.根据权利要求3所述的基于CT成像中脂肪和肌肉区域自动分割的数据处理方法，其特征在于：半自动数据扩增标注策略获取CT图像中脂肪和肌肉区域的真实标注的方法包括：
5.根据权利要求1所述的基于CT成像中脂肪和肌肉区域自动分割的数据处理方法，其特征在于：所述公开数据集包括KiTS19数据集，LiTS数据集，NIHPancreas-CT。
6.根据权利要求4所述的基于CT成像中脂肪和肌肉区域自动分割的数据处理方法，其特征在于：所述CT图像中脂肪和肌肉区域的真实标注均包括皮下脂肪SAT、内脏脂
...【技术特征摘要】
1.基于ct成像中脂肪和肌肉区域自动分割的数据处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于ct成像中脂肪和肌肉区域自动分割的数据处理方法，其特征在于：以窗处理和灰度线性拉伸、双边滤波、直方图均衡化和ct床板去除的顺序，对各个所述ct图像进行预处理的方法包括：
3.根据权利要求1所述的基于ct成像中脂肪和肌肉区域自动分割的数据处理方法，其特征在于：通过半自动数据扩增标注策略在各个ct图像中获取脂肪和肌肉区域的真实标注。
4.根据权利要求3所述的基于ct...
【专利技术属性】
技术研发人员：周紫玲，
申请(专利权)人：华中科技大学同济医学院附属同济医院，
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。