本發(fā)明屬于醫(yī)療數(shù)據(jù)處理，具體涉及一種對(duì)腹部平掃ct圖像中腎上腺區(qū)域的自動(dòng)分割模型。

背景技術(shù)：

1、腎上腺是人體最重要的內(nèi)分泌器官之一，負(fù)責(zé)合成和分泌多種激素。其位于雙側(cè)腎上極的內(nèi)側(cè)，左右各一，按組織學(xué)結(jié)構(gòu)可分為皮質(zhì)和髓質(zhì)兩個(gè)部分。可發(fā)生多種病變。作為無創(chuàng)檢查，?ct檢查由于密度分辨力高和空間分辨力較高，易于發(fā)現(xiàn)較小病變，并顯示病變的某些組織學(xué)特征，例如脂肪、液體以及鈣化等成分，對(duì)于腎上腺增生、萎縮、腎上腺髓質(zhì)瘤和腎上腺囊腫等，應(yīng)當(dāng)優(yōu)先使用ct或者其他成像方法進(jìn)行診斷。因腎上腺被其他器官所包圍，活檢較為困難。

2、現(xiàn)有的腹部圖像智能分割方法一般都以增強(qiáng)ct作為對(duì)象。一般來說，經(jīng)過初步診斷，發(fā)現(xiàn)可疑部位的病人，通常會(huì)采用增強(qiáng)ct的方法。該方法主要通過對(duì)患者靜脈注射含碘的造影劑。由于碘對(duì)于輻射具有更高的吸收效率，造影劑隨著血液循環(huán)流經(jīng)各個(gè)器官，相應(yīng)器官在ct圖像中的灰度值就會(huì)顯著提高，使得器官的邊界更加明顯、易于區(qū)分。盡管增強(qiáng)ct是一種非常有效的方式，但相對(duì)于平掃ct來說，增強(qiáng)ct需要更高的金錢和時(shí)間成本。雖然使用的靜脈造影劑對(duì)人無毒副作用，但仍有少數(shù)人對(duì)造影劑可產(chǎn)生過敏反應(yīng)；同時(shí)，在診斷進(jìn)程中，需要時(shí)間讓造影劑隨血液流經(jīng)檢查部位；掃描結(jié)束后，病人仍需要留滯觀察數(shù)十分鐘是否存在不良反應(yīng)；對(duì)造影劑的代謝也會(huì)對(duì)人體健康產(chǎn)生影響。

3、人工智能應(yīng)用于醫(yī)學(xué)圖像，不僅能幫助醫(yī)生快速的分析和解讀圖像數(shù)據(jù)，提高工作效率，讓醫(yī)生能夠在較短時(shí)間內(nèi)為更多患者提供服務(wù)。更能通過日益發(fā)達(dá)的移動(dòng)互聯(lián)網(wǎng)技術(shù)，實(shí)現(xiàn)跨區(qū)域的遠(yuǎn)程醫(yī)療咨詢于診斷，特別是在偏遠(yuǎn)地區(qū)或資源匱乏的地區(qū)，為更多人提供高質(zhì)量的醫(yī)療服務(wù)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有方法多為針對(duì)增強(qiáng)ct圖像的腎上腺且分割精度不高的問題，提出了一種針對(duì)平掃ct腎上腺區(qū)域的分割方法。

2、本發(fā)明的技術(shù)方案如下：

3、一種平掃ct圖像中腎上腺區(qū)域分割的方法，包括以下步驟：

4、s1：選取腎上腺無病變的腹部ct平掃圖像，并勾畫出腎上腺區(qū)域圖像的感興趣區(qū)域；

5、s2：對(duì)步驟s1中的ct圖像按照8：2分為原始訓(xùn)練集和測(cè)試集，對(duì)原始訓(xùn)練集，分別按照水平面、矢狀面和冠狀面三個(gè)視角進(jìn)行逐層分割，分別記為水平面、矢狀面和冠狀面的粗分割數(shù)據(jù)集；對(duì)三個(gè)粗分割數(shù)據(jù)集，隨機(jī)裁剪出像素大小為128*128的圖像，得到水平面、矢狀面和冠狀面的精分割數(shù)據(jù)集；

6、s3：將步驟s2中的三個(gè)粗分割訓(xùn)練集分別送入三個(gè)帶注意力模塊、深度為5的u型卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到三個(gè)視角的粗分割網(wǎng)絡(luò)；

7、s4：將步驟s2中的三個(gè)粗分割訓(xùn)練集送入步驟s3中訓(xùn)練得到的對(duì)應(yīng)視角的網(wǎng)絡(luò)，取得網(wǎng)絡(luò)預(yù)測(cè)的結(jié)果為正樣本的區(qū)域，取得這些區(qū)域中的最大連通域，并以最大連通域?yàn)橹行?，裁剪為像素大小?28*128的圖像，得到三個(gè)不同視角下的粗分割網(wǎng)絡(luò)輸出，記作差異化數(shù)據(jù)集；

8、s5：將步驟s4中得到的差異化數(shù)據(jù)集分別送入三個(gè)帶注意力模塊、深度為3的u型卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；再將步驟s2中得到的三個(gè)精分割數(shù)據(jù)集分別送入這三個(gè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

9、重復(fù)步驟s5，得到三個(gè)視角的精分割網(wǎng)絡(luò)；

10、s6：將步驟s2所述的原始訓(xùn)練集分三個(gè)視角，由步驟s4中生成的粗分割網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，將得到的預(yù)測(cè)結(jié)果為正樣本的區(qū)域等權(quán)重相加，取得這些區(qū)域中的最大連通域，并以最大連通域?yàn)橹行?，裁剪為像素大小?28*128*128的3d圖像，將所述3d圖像分三個(gè)視角由步驟s5中生成的精分割網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，得到三個(gè)視角下的精分割網(wǎng)絡(luò)預(yù)測(cè)結(jié)果，將圖像中某一像素以及周圍像素的灰度值、像素對(duì)應(yīng)的三個(gè)精分割網(wǎng)絡(luò)預(yù)測(cè)結(jié)果組合成一個(gè)數(shù)列，得到融合網(wǎng)絡(luò)訓(xùn)練集；

11、s7：將步驟s6中生成的融合網(wǎng)絡(luò)訓(xùn)練集送入一個(gè)全連接網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到三視角融合網(wǎng)絡(luò)，對(duì)步驟s2中生成的測(cè)試集，按照步驟s6逐步預(yù)測(cè)，得到三個(gè)精分割網(wǎng)絡(luò)預(yù)測(cè)結(jié)果，將結(jié)果通入中得到的三視角融合網(wǎng)絡(luò)，得到該ct圖像中腎上腺區(qū)域的分割結(jié)果。

12、進(jìn)一步，在步驟s5中，對(duì)精分割網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，使用的損失函數(shù)包括改進(jìn)后的交叉熵?fù)p失函數(shù)，該損失函數(shù)針對(duì)粗分割網(wǎng)絡(luò)和精分割網(wǎng)絡(luò)的預(yù)測(cè)差異區(qū)域作為重點(diǎn)，其公式定義為：

13、

14、其中，是模型對(duì)于樣本的預(yù)測(cè)概率，定義為：

15、

16、為在步驟s1中，勾畫出的腎上腺區(qū)域的標(biāo)簽值，為模型對(duì)腎上腺區(qū)域的預(yù)測(cè)結(jié)果，為焦點(diǎn)因子，為焦點(diǎn)因子的調(diào)節(jié)變量（本發(fā)明中取2），為權(quán)重值，其值為：當(dāng)體素被精分割網(wǎng)絡(luò)預(yù)測(cè)為正樣本，但被粗分割網(wǎng)絡(luò)預(yù)測(cè)為負(fù)樣本時(shí)，，其他情況下，；

17、在步驟s5中，使用差異化訓(xùn)練方法：將步驟s4中得到的差異化數(shù)據(jù)集分別送入三個(gè)帶注意力模塊、深度為3層的u型卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，使用改進(jìn)后的交叉熵?fù)p失函數(shù)fl和dsc系數(shù)損失函數(shù)fdice結(jié)合，其公式表達(dá)為：

18、

19、其中，表示精分割網(wǎng)絡(luò)預(yù)測(cè)結(jié)果，表示粗分割網(wǎng)絡(luò)預(yù)測(cè)結(jié)果，即第一步中的感興趣區(qū)域。

20、進(jìn)一步，在步驟s7中，使用融合多視角輸出的全連接網(wǎng)絡(luò)，該網(wǎng)絡(luò)以某一像素為中心的5*5*5范圍內(nèi)所有像素的灰度值、5*5*5范圍所有像素對(duì)應(yīng)的三個(gè)精分割網(wǎng)絡(luò)預(yù)測(cè)結(jié)果組合成一個(gè)數(shù)列作為輸入，輸出為的預(yù)測(cè)結(jié)果。

21、本發(fā)明與現(xiàn)有技術(shù)相比，有益效果在于：

22、本發(fā)明基于帶注意力模塊的u型卷積神經(jīng)網(wǎng)絡(luò)對(duì)平掃ct圖像中的腎上腺區(qū)域的分割，在常用的兩步法的基礎(chǔ)之上提出了一種新的訓(xùn)練方法，并輔以改進(jìn)后的交叉熵?fù)p失函數(shù)使分割模型關(guān)注于難以分割的邊界區(qū)域；同時(shí)使用了多視角方法并引入了融合網(wǎng)絡(luò)，使得模型的分割精度進(jìn)一步提升，提高了模型分割結(jié)果的可靠性和準(zhǔn)確性。

技術(shù)特征：

1.一種平掃ct圖像中腎上腺區(qū)域分割的方法，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種平掃ct圖像中腎上腺區(qū)域分割的方法，其特征在于，在步驟s5中，對(duì)精分割網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，使用的損失函數(shù)包括改進(jìn)后的交叉熵?fù)p失函數(shù)，該損失函數(shù)針對(duì)粗分割網(wǎng)絡(luò)和精分割網(wǎng)絡(luò)的預(yù)測(cè)差異區(qū)域作為重點(diǎn)，其公式定義為：

3.根據(jù)權(quán)利要求1所述的一種平掃ct圖像中腎上腺區(qū)域分割的方法，其特征在于，在步驟s7中，使用融合多視角輸出的全連接網(wǎng)絡(luò)，該網(wǎng)絡(luò)以某一像素為中心的5*5*5范圍內(nèi)所有像素的灰度值、5*5*5范圍所有像素對(duì)應(yīng)的三個(gè)精分割網(wǎng)絡(luò)預(yù)測(cè)結(jié)果組合成一個(gè)數(shù)列作為輸入，輸出為的預(yù)測(cè)結(jié)果。

技術(shù)總結(jié)
本發(fā)明的平掃CT圖像中腎上腺區(qū)域分割的方法屬于醫(yī)療數(shù)據(jù)處理技術(shù)領(lǐng)域，步驟包括勾畫感興趣區(qū)域、將訓(xùn)練集進(jìn)行分割、送入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、得到差異化數(shù)據(jù)集、得到三個(gè)視角的精分割網(wǎng)絡(luò)、得到融合網(wǎng)絡(luò)訓(xùn)練集、得到CT圖像中腎上腺區(qū)域的分割結(jié)果等。本發(fā)明在常用的兩步法的基礎(chǔ)之上提出了一種新的訓(xùn)練方法，并輔以改進(jìn)后的交叉熵?fù)p失函數(shù)，使分割模型關(guān)注難以勾畫邊界的區(qū)域；同時(shí)采用多視角方式并引入融合網(wǎng)絡(luò)，使得模型的分割精度進(jìn)一步提升，提高了模型分割結(jié)果的可靠性和準(zhǔn)確性。

技術(shù)研發(fā)人員：王世剛,楊錦晗,陳玫玫
受保護(hù)的技術(shù)使用者：吉林大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/4/28