[發明專利]一種基于局部線性嵌入的插值神經網絡的胰腺腫瘤圖像分割處理方法

在審

• 申請號: 202210036644.0
• 申請日: 2022-01-13
• 公開（公告）號: CN114494289A
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 楊小宇;陳宇飛;黃麒光;徐紹勛
• 申請（專利權）人: 同濟大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/70;G06N3/04;G06N3/08
• 代理公司: 上?？坡蓪＠硎聞账?特殊普通合伙) 31290
• 代理人: 葉鳳

本發明涉及計算機醫學圖像處理領域，提出了一種基于局部線性嵌入的插值神經網絡的胰腺腫瘤圖像分割處理方法。包括步驟：對輸入的3D腫瘤切片和對應腫瘤標簽切片輸入局部插值網絡進行插值；輸入多尺度級聯分割網絡進行腫瘤分割，對結果進行可視化。本發明易于實現，提高了圖像質量和腫瘤切片的數量，減少了相鄰切片之間的腫瘤差異，并盡可能避免漏檢。利用本發明可以有效緩解腫瘤邊界的模糊標注問題，并在有限的計算條件下處理不同的腫瘤圖像特征，顯著提高了圖像分辨率。

技術領域

本發明涉及計算機醫學圖像處理領域。

背景技術

胰腺腫瘤是一種診治難度大的疾病，一年生存率不足20％，五年生存率為9％。

CT/MR具有更高的軟組織分辨率，可以識別對比圖案，成為胰腺腫瘤診斷的常規方法之一。但是，由于掃描儀精度的限制，相鄰切片之間的間距很大。即使是經驗豐富的放射科醫師，通過仔細比較相鄰切片來檢測腫瘤也需要大量時間，對于小腫瘤，漏檢是不可避免的。此外，厚CT/MR的大間距加劇了胰腺腫瘤自動分割的難度。因此，利用切片間插值，CT/MR圖像上胰腺腫瘤的自動分割不僅可以幫助醫生確定腫瘤的大小、形態和位置，還可以為后續的診斷提供可靠的依據。

近年來，深度學習在醫學圖像處理中得到廣泛應用，在胰腺腫瘤分割方面取得了突破性進展。Y.Zhou等人采用雙路徑網絡，其中并行流與超連接互連，以在動脈期和靜脈期CT圖像之間進行密集的信息交換。該研究報告稱，在239例胰腺導管腺癌(PDAC)病例中，有63.94％的病例被診斷為胰腺癌。類似地，Y.Lang等人采用了基于方窗的卷積神經網絡(CNN)架構和三個卷積層塊。它通過融合三相DCE-MRI，分別是造影前、動脈和靜脈圖像。然而，多階段數據難以獲得，上述模型不能用于單階段胰腺腫瘤分割任務。多相數據也給模型帶來了復雜性，需要大量的計算資源。由于醫學圖像上的腫瘤分割困難，尤其是胰腺腫瘤，越來越多的研究使用插值來增強圖像。F.Isensee等人使用自動插值作為預處理方法來減輕分割任務中體素的各向異性。此外，越來越多的基于深度學習的分割方法著眼于插值帶來的改進。J.Zhang等人提出了一種半自動方法，結合高斯加權歐幾里德距離的先驗知識和非線性插值來增強腿部分割的MR。

發明內容

有鑒于此，本發明目的在于克服現有技術生成的大間距厚CT/MR分辨率低、CT/MR圖像切片之間的連續性較差以及小腫瘤模糊邊界帶來的不確定性等問題，公開一種基于局部線性嵌入的插值神經網絡的胰腺腫瘤分割方法。

本發明技術方案：

一種基于局部線性嵌入的插值神經網絡的胰腺腫瘤分割方法包括步驟：

步驟1數據集準備：

從醫院中獲取數據集，包括3D的MR切片圖像和經過標注的腫瘤分割標簽作為數據集。

步驟2訓練優化：

2.1將步驟1獲取的原始切片圖像和標簽分為兩兩一組，表示為x_i-1和x_i+1，同時輸入到待訓練的片間插值網絡(已有結構，簡稱“網絡一”)中。以原始切片圖像和插值得到的切片圖像的結構相似度損失作為評價指標來，對“網絡一”進行訓練?！熬W絡一”能得到切片間插值切片，表示為x_i，讓3D的MR切片序列間更加連續。

2.2接下來合并步驟2.1插值得到的切片x_i和切片x_i-1、x_i+1得到切片序列。將其中的腫瘤標簽切片輸入概率圖生成器中，生成腫瘤標簽的概率圖，用于提供給步驟2.3；

2.3將MR切片序列輸入到待訓練的多尺度級聯網絡(已有結構，簡稱“網絡二”)中，根據腫瘤的特征，輸出腫瘤概率圖。將“網絡二”輸出的腫瘤概率圖和步驟2.2提供的腫瘤標簽概率圖的均方誤差作為評價指標，對“網絡二”進行訓練。

步驟3預測病理切片和可視化：