[發明專利]一種全自動骨盆腫瘤分割方法及系統、存儲介質及終端

有效

• 申請號: 201810941726.3
• 申請日: 2018-08-17
• 公開（公告）號: CN109215041B
• 公開（公告）日: 2022-06-17
• 發明（設計）人: 艾松濤;王燎;曲揚;李小敏
• 申請（專利權）人: 上海交通大學醫學院附屬第九人民醫院
• 主分類號: G06T7/12
• 分類號: G06T7/12;G06T7/30;G06N3/04
• 代理公司: 上海光華專利事務所(普通合伙) 31219
• 代理人: 徐秋平

本發明提供一種全自動骨盆腫瘤分割方法及系統、存儲介質及終端，包括以下步驟：對腦膜瘤圖像集中的圖像進行預處理和數據擴增，得到腦膜瘤訓練數據；基于所述腦膜瘤訓練數據訓練U?net全卷積神經網絡；對骨盆腫瘤圖像集中的繪制有腫瘤邊界金標準的骨盆腫瘤圖像進行預處理和數據擴增，得到骨盆腫瘤訓練數據；基于所述骨盆腫瘤訓練數據對訓練得到的U?net全卷積神經網絡進行微調，得到最優U?net全卷積神經網絡；將采集到的骨盆腫瘤圖像輸入所述最優U?net全卷積神經網絡，獲取骨盆腫瘤分割結果。本發明的全自動骨盆腫瘤分割方法及系統、存儲介質及終端通過遷移學習的U?net全卷積神經網絡來實現全自動的骨盆腫瘤分割，從而大幅提高醫工交互效率和骨盆腫瘤分割的精確度。

技術領域

本發明涉及醫學圖像處理的技術領域，特別是涉及一種全自動骨盆腫瘤分割方法及系統、存儲介質及終端。

背景技術

骨肌系統的腫瘤中，無論原發還是繼發的骨腫瘤，通常存在顯著的異質性。尤其是復雜骨盆腫瘤，病變累及多分骨盆分區，手術切除范圍大，使得骨盆腫瘤的自動分割始終存在較大挑戰。

目前，腫瘤邊界影像判定是醫工交互工程中效率最低、最影響手術結果的環節。現有的骨盆腫瘤分割方法通常是由有經驗的醫師手工進行標注分割，具有以下缺陷：

(1)費時費力，很難快速地獲取大量的分割結果；

(2)分割結果受到醫師主觀和經驗的影響，可重復性低。

現有技術中，深度學習被廣泛地應用到醫學圖像分析的問題上。其中，全卷積神經網絡也被逐漸地應用于醫學圖像分割，如U-net被廣泛應用于細胞分割、腦膜瘤分割等。因此，如何基于深度學習實現骨盆腫瘤的分割成為當前亟待解決的熱點課題。

發明內容

鑒于以上所述現有技術的缺點，本發明的目的在于提供一種全自動骨盆腫瘤分割方法及系統、存儲介質及終端，通過遷移學習的U-net全卷積神經網絡來實現全自動的骨盆腫瘤分割，從而大幅縮短醫工交互時間、大幅提高醫工交互效率和骨盆腫瘤分割的精確度。

為實現上述目的及其他相關目的，本發明提供一種全自動骨盆腫瘤分割方法，包括以下步驟：對腦膜瘤圖像集中的圖像進行預處理和數據擴增，得到腦膜瘤訓練數據；基于所述腦膜瘤訓練數據訓練U-net全卷積神經網絡；對骨盆腫瘤圖像集中的繪制有腫瘤邊界金標準的骨盆腫瘤圖像進行預處理和數據擴增，得到骨盆腫瘤訓練數據；基于所述骨盆腫瘤訓練數據對訓練得到的U-net全卷積神經網絡進行微調，得到最優U-net全卷積神經網絡；將采集到的骨盆腫瘤圖像輸入所述最優U-net全卷積神經網絡，獲取骨盆腫瘤分割結果。

于本發明一實施例中，所述預處理包括以下步驟：

對圖像進行模態間配準；

對配準后的圖像進行N4偏置場校正；

對校正后的圖像進行灰度直方圖匹配；

對匹配后的圖像進行標準化處理，使得圖像的灰度均值為0、方差為1。

于本發明一實施例中，采用彈性變換算法對預處理后的圖像進行數據擴增。

于本發明一實施例中，所述腦膜瘤訓練數據包括訓練集、驗證集和測試集；基于所述腦膜瘤訓練數據訓練U-net全卷積神經網絡時，基于所述訓練集和所述驗證集在所述U-net全卷積神經網絡上的準確率，調整網絡超參數以獲取訓練得到的U-net全卷積神經網絡；基于所述測試集獲取所述訓練得到的U-net全卷積神經網絡的準確率。

于本發明一實施例中，所述骨盆腫瘤訓練數據包括訓練集、驗證集和測試集；基于所述骨盆腫瘤訓練數據對訓練得到的U-net全卷積神經網絡進行微調時，基于所述訓練集和所述驗證集在所述訓練得到的U-net全卷積神經網絡上的準確率，調整網絡超參數以獲取最優U-net全卷積神經網絡；基于所述測試集獲取所述最優U-net全卷積神經網絡的準確率。