【技术实现步骤摘要】
本专利技术涉及深度学习，尤其涉及一种基于手工特征的无监督肝脏肿瘤ct图像分割方法。
技术介绍
1、三维医学成像技术可对内部结构进行精确的可视化和定量分析，从而彻底改变了临床实践。三维图像的精确分割对于早期发现和有效诊断肝脏肿瘤至关重要。肿瘤分割已成为医学图像分析的一项基本任务，对病变的准确诊断和治疗决策具有重要价值，一直是研究人员和临床医生关注的焦点。
2、然而，现有的肿瘤ct图像分割方法存在以下问题：首先是三维成像的体积特性使得人工分割成本较高且具有主观性；第二常规医学图像分割方法中通常需要大量人工分割的训练数据，而标注良好的肿瘤数据规模有限；第三肿瘤的复杂性和形态差异性使得肿瘤图像分割工作更为困难。
3、因此，亟需提供一种方案改善上述问题。
技术实现思路
1、本专利技术的目的在于提供一种基于手工特征的无监督肝脏肿瘤ct图像分割方法，用以改善上述
技术介绍
的问题。
2、本专利技术提供的一种基于手工特征的无监督肝脏肿瘤ct图像分割方法采用如下的技术方案：
3、收集正常肝脏的ct扫描图像作为数据集，并对肝脏的潜在肿瘤位置进行体积和梯度验证确定肝脏的肿瘤位置；
4、基于肝脏的肿瘤位置获取最终肿瘤纹理，并基于所述最终肿瘤纹理对肝脏肿瘤进行形态学建模，合成新的肝脏肿瘤ct图像；
5、使用注释的ct扫描图像来训练分割模型，将合成的肿瘤图像作为数据集进行医学图像分割，并基于评价指标对分割性能进行验证。
6、本专利
7、可选的，对肝脏的潜在肿瘤位置进行体积和梯度验证确定肝脏的肿瘤位置的过程，包括：
8、在肝脏内生成球面坐标将球面坐标转换为笛卡尔坐标x＝(x、y、z)，并基于椭圆轴线和半价对笛卡尔坐标和球面坐标进行转换；
9、对每个潜在的肿瘤位置x进行迭代验证，判断该点是否位于肝脏内，直至到确定肿瘤位置xt＝(xt,yt,zt)时停止迭代，生成肝脏的肿瘤位置，其中，所述肿瘤位置位于肝脏的内部，与肝脏边界有足够的距离。
10、可选的，生成肝脏的肿瘤位置的过程，包括：
11、基于邻域体积检查获取预测位置周围邻域体积中肝脏掩膜的数量，基于所述肝脏掩膜的数量和第一阈值获取第一肿瘤位置；
12、基于梯度幅度评估计算预测位置处扫描量的梯度值，并基于所述梯度值和第二阈值获取第二肿瘤位置，基于所述第一肿瘤位置和第二肿瘤位置生成肝脏的肿瘤位置。
13、可选的，述的一种基于手工特征的无监督肝脏肿瘤ct图像分割方法，其特征在于，所述获取最终肿瘤纹理的过程，包括：
14、基于预定义参数获取三维简约噪声，使用非线性扩散和小波变换分别对所述噪声进行伪影过滤和高频细节保留获取待处理纹理；
15、归一化所述待处理纹理获取归一化纹理，并基于第一高斯滤波器对所述归一化纹理进行平滑处理获取平滑后的纹理；
16、等比例缩放并移动所述平滑后的纹理获取第一纹理；
17、基于随机取样获取第一二进制掩膜，基于第二高斯滤波器对所述第一二进制掩膜进行平滑处理获取第二二进制掩膜，并基于所述第二二进制掩膜对所述第一纹理进行缩放和裁剪后生成最终肿瘤纹理。
18、可选的，对肝脏肿瘤进行形态学建模的过程，包括：
19、将合成肿瘤分为四个大小类别：微小、小型、中型和大型，并从离散均匀分布中抽取合成样本数；
20、基于参数定义的椭圆体模拟肿瘤形状，椭球体在x、y和z坐标上的半主轴取自均匀分布u(0.75r,1.25r)且以扫描体积域f(x)内的坐标xt＝(xt,yt,zt)为中心，在这一范围内定义初始肿瘤掩膜；
21、基于非线性弹性形变对所述初始肿瘤掩膜进行非线性变换处理获取变形的肿瘤掩膜：
22、基于第三高斯滤波器对所述变形的肿瘤掩膜进行卷积处理获取合成掩膜。
23、可选的，所述合成新的肝脏肿瘤ct图像的过程，包括：
24、量化肝脏的密度：将肝脏划分为三个密度区间，并将每个区间内的强度值标准化；
25、对肿瘤密度进行调整，降低高密度组织的密度；
26、将肿瘤整合到扫描体积域f(x)和相应的肝脏掩膜l(x)中。
27、可选的，所述量化肝脏的密度的过程，包括：
28、获取肝脏区域p的下线l和上限u，计算密度尺度δ：
29、δ＝(u-l)/3；
30、对于肝脏区域内的每一个三维坐标点pijk进行如下操作：
31、如果pijk<l+δ，令pijk＝l；如果l+δ≤pijk<l+2δ，则令pijk＝l+δ；如果l+δ≤pijk<u，则令pijk＝l+2δ；如果pijk≥u，则令pijk＝u；
32、根据上述操作得到密度分布图d，对于密度分布图d上的每一个dijk进行处理：如果dijk＝u并且pijk≠u，则令dijk＝l+2δ。
33、可选的，对肿瘤密度进行调整的过程，包括：
34、获取肝脏区域p的下线l和上限u，计算密度尺度δ：
35、δ＝(u-l)/3；
36、对于扫描体积域f中的每一个坐标点fijk进行如下处理：
37、当坐标点fijk与生成肿瘤位置重合时，如果dijk＝u，则令如果dijk＝l+2δ则令其他情况下保留fijk；
38、其中，dijk表示密度分布图d上的坐标点，u表示肝脏区域的上限，l表示肝脏区域的下限。
39、可选的，将肿瘤整合到扫描体积域f(x)和相应的肝脏掩膜l(x)中的过程，包括：
40、将肿瘤与扫描体积整合：
41、f′(x)＝[1-t″(x)]⊙f(x)+t″(x)⊙t″(x)；
42、其中，⊙表示元素相乘，t″(x)表示肿瘤掩膜阵列，t″(x)表示肿瘤纹理阵列，通过上述变换可得到新的扫描体积f′(x)，包含肿瘤的新肝脏掩膜可按l′(x)＝l(x)+t″(x)方式合成；
43、确定肿瘤的边界区域：
44、
45、其中λl代表定义肿瘤边界区域的下强度阈值，λu代表定义肿瘤边界区域的上强度阈值；
46、使用高斯滤波器g(x；σ3)与b(x)相卷积，生成平滑的边界图像b′(x)：本文档来自技高网...
【技术保护点】
1.一种基于手工特征的无监督肝脏肿瘤CT图像分割方法，其特征在于，包括：
2.根据权利要求1所述的一种基于手工特征的无监督肝脏肿瘤CT图像分割方法，其特征在于，对肝脏的潜在肿瘤位置进行体积和梯度验证确定肝脏的肿瘤位置的过程，包括：
3.根据权利要求2所述的一种基于手工特征的无监督肝脏肿瘤CT图像分割方法，其特征在于，生成肝脏的肿瘤位置的过程，包括：
4.根据权利要求1所述的一种基于手工特征的无监督肝脏肿瘤CT图像分割方法，其特征在于，所述获取最终肿瘤纹理的过程，包括：
5.根据权利要求1所述的一种基于手工特征的无监督肝脏肿瘤CT图像分割方法，其特征在于，对肝脏肿瘤进行形态学建模的过程，包括：
6.根据权利要求1所述的一种基于手工特征的无监督肝脏肿瘤CT图像分割方法，其特征在于，所述合成新的肝脏肿瘤CT图像的过程，包括：
7.根据权利要求6所述的一种基于手工特征的无监督肝脏肿瘤CT图像分割方法，其特征在于，所述量化肝脏的密度的过程，包括：
8.根据权利要求6所述的一种基于手工特征的无监督肝脏肿瘤CT
9.根据权利要求6所述的一种基于手工特征的无监督肝脏肿瘤CT图像分割方法，其特征在于，将肿瘤整合到扫描体积域f(x)和相应的肝脏掩膜l(x)中的过程，包括：
10.根据权利要求1所述的一种基于手工特征的无监督肝脏肿瘤CT图像分割方法，其特征在于，将合成的肿瘤图像作为数据集进行医学图像分割，并基于评价指标对分割性能进行验证时，所述图像分割是利用118个带有肝脏和肝脏肿瘤注释的CT扫描来训练分割模型，所述数据集包括281例三维腹部CT，每个数据集的分辨率为512×512像素，螺旋数据在轴向平面重建，切片厚度为1.25毫米，间隔为1.0毫米，所述数据集的类型可分为肝脏肿瘤分割数据集和正常肝脏CT数据集，其中，
...【技术特征摘要】
1.一种基于手工特征的无监督肝脏肿瘤ct图像分割方法，其特征在于，包括：
2.根据权利要求1所述的一种基于手工特征的无监督肝脏肿瘤ct图像分割方法，其特征在于，对肝脏的潜在肿瘤位置进行体积和梯度验证确定肝脏的肿瘤位置的过程，包括：
3.根据权利要求2所述的一种基于手工特征的无监督肝脏肿瘤ct图像分割方法，其特征在于，生成肝脏的肿瘤位置的过程，包括：
4.根据权利要求1所述的一种基于手工特征的无监督肝脏肿瘤ct图像分割方法，其特征在于，所述获取最终肿瘤纹理的过程，包括：
5.根据权利要求1所述的一种基于手工特征的无监督肝脏肿瘤ct图像分割方法，其特征在于，对肝脏肿瘤进行形态学建模的过程，包括：
6.根据权利要求1所述的一种基于手工特征的无监督肝脏肿瘤ct图像分割方法，其特征在于，所述合成新的肝脏肿瘤ct图像的过程，包括：
7.根据权利要求6所述的一种基于手工特征的...
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。