[發明專利]一種基于深度學習的大腸空腔區及腸內容物標注方法

有效

• 申請號: 202110259525.7
• 申請日: 2021-03-10
• 公開（公告）號: CN112950599B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 王國利;吳迪邦;郭雪梅
• 申請（專利權）人: 中山大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/187;G06T3/40;G06N3/0464;G06N3/08
• 代理公司: 深圳市創富知識產權代理有限公司 44367
• 代理人: 高冰

本發明公開了一種基于深度學習的大腸空腔區及腸內容物標注方法，該方法包括：獲取CT腹腔圖像并對圖像中的相關區域進行區域合并，得到區域合并后圖像；將區域合并后圖像進行圖像拆分，得到拆分后圖像；基于預訓練的分割網絡對拆分后圖像進行分割，得到大腸區域圖；根據大腸區域圖對大腸區域進行標注，得到標注圖；將標注圖與輸入的CT腹腔圖像進行圖像拼接，得到帶標注的CT腹腔圖像。本發明方法能夠自動對輸入的CT腹腔圖像的大腸空腔區及腸內容物區域進行標注。本發明作為一種基于深度學習的大腸空腔區及腸內容物標注方法，可廣泛應用于圖像處理領域。

技術領域

本發明涉及圖像處理領域，尤其涉及一種基于深度學習的大腸空腔區及腸內容物標注方法。

背景技術

現階段對于腸內容物以及大腸區的標記，以及大腸區的標記，只能通過專業人員進行手動標注，這樣費時費力，并且長時間工作之后有標記失誤的風險。近年來人工智能技術得到快速發展，尤其是深度學習方法在醫學圖像處理領域中得到廣泛應用，但是目前常用于醫學圖像處理的網絡因為沒有顧及到上下文信息導致分割效果并不好，極容易出現錯判和漏判的情況。

發明內容

為了解決上述技術問題，本發明的目的是提供一種基于深度學習的大腸空腔區及腸內容物標注方法，自動對輸入的CT腹腔圖像的大腸空腔區及腸內容物區域進行標注。

本發明所采用的第一技術方案是：一種基于深度學習的大腸空腔區及腸內容物標注方法，包括以下步驟：

獲取CT腹腔圖像并對圖像中的相關區域進行區域合并，得到區域合并后圖像；

將區域合并后圖像進行圖像拆分，得到拆分后圖像；

基于預訓練的分割網絡對拆分后圖像進行分割，得到大腸區域圖；

根據大腸區域圖和輸入的CT腹腔圖，分別對大腸空腔區及腸內容物進行標注，得到標注圖；

將標注圖與輸入的CT腹腔圖像進行圖像拼接，得到帶標注的CT腹腔圖像。

進一步，所述獲取CT腹腔圖像并對圖像中的相關區域進行區域合并，得到區域合并后圖像這一步驟，其具體包括：

獲取CT腹腔圖像；

將CT腹腔圖像內與腸內容物顏色接近的像素點進行去除；

將去除部分像素點后的CT腹腔圖像中的腸內容物區域和大腸空腔區域進行合并，得到區域合并后圖像。

進一步，所述將區域合并后圖像進行圖像拆分，得到拆分后圖像這一步驟，其具體包括：

將區域合并后圖像等比率分割成3*3的圖像塊，并將相鄰圖層的同一對應位置的圖像塊組成一個五張圖片形成的圖像組，得到拆分后圖像。

進一步，所述預訓練的分割網絡的訓練步驟包括：

獲取訓練用CT腹腔圖像并對訓練用CT腹腔圖像進行數據增強，得到增強訓練圖像；

將增強訓練圖像結合圖像對應的真實標簽，構建訓練集；

基于訓練集中的CT腹腔圖像對預構建的分割網絡進行訓練，得到預測標簽；

基于預測標簽與對應的真實標簽計算誤差損失；

根據誤差損失對預構建的分割網絡進行參數更新，得到訓練完成的分割網絡。

進一步，所述預構建的分割網絡包括編碼器、帶注意力機制的解碼器、ConvLSTM模塊、和分類模塊。

進一步，所述數據增強包括對圖像平移、圖像旋轉和對圖像進行gamma變換。

進一步，所述基于預訓練的分割網絡對拆分后圖像進行分割，得到大腸區域圖這一步驟，其具體包括：