前列腺磁共振图像的分割方法及系统与流程
本发明涉及医学图像处理领域，具体是涉及一种前列腺磁共振图像的分割方法及系统。
背景技术：
前列腺疾病在年龄较大的男性中很常见。特别是，前列腺癌已经成为威胁男性健康的第二大癌症。在美国，大约1/6的男人会得前列腺癌，1/36的男人会死于这种疾病。在众多检查方法中，mri(magneticresonanceimaging，磁共振成像)已经成为前列腺癌检查的最有效的手段。
前列腺的解剖组织可以分为中央腺体(centralgland，cg)和外周区域(peripheralzone，pz)，大约70％～75％的前列腺癌来自pz，来自pz的癌症和来自cg的癌症从图像上看是不一样的。从mr图像精确分割前列腺作为治疗计划中的一个重要步骤，对前列腺癌的诊断至关重要。
目前，前列腺分割是由医生手工完成，分割的质量主要取决于医生的经验，手工分割耗时且主观。因此，临床上急需前列腺的快速分割方法。
然而，基于磁共振(magneticresonance，mr)图像的前列腺的自动分割是非常困难的，主要由以下几点因素造成：
一、前列腺与周围的组织相似，缺乏清晰的边界；
二、不同对象、不同病种、不同的成像条件造成前列腺在形状和大小上有较大差异。
目前已经提出许多前列腺分割方法，但这些方法的分割结果与手工分割仍然存在较大的差异。而且，大多数分割方法主要是针对整个前列腺组织，并未对前列腺的中央腺体和外周区域进行分割。
前列腺组织内的中央腺体和外周区域的自动分割，该问题可以被看作是医学图像的语义分割，即给图像中的每个像素指定一类标签。目前，全卷积网络(fullyconvolutionalnetworks，fcn)已经被证明是一个能进行语义分割的有效工具，可同时对图像中的各个目标进行分割。
在实现本发明的过程中，发明人发现现有技术中至少存在如下问题：全卷积网络得到的结果还不够精确，在分割医学图像的时候，对一些细节的分割还不够好，性能仍然需要被进一步提高。
技术实现要素：
本发明的目的是为了克服上述背景技术的不足，提供一种前列腺磁共振图像的分割方法及系统，能够实现从磁共振图像自动分割前列腺内的中央腺体和外周区域。
第一方面，提供一种前列腺磁共振图像的分割方法，包括以下步骤：
在训练阶段，将图像输入全卷积网络，得到相应的输出概率，计算输出概率与标签之间的交叉熵；根据图像和标签计算权重图，将交叉熵与权重图按像素至像素的方式相乘，得到最终的损失，调整全卷积网络的参数，使该损失达到最小值；
在分割阶段，将待分割的前列腺磁共振图像输入训练好的全卷积网络，得到初分割结果。
上述技术方案能够实现从磁共振图像自动分割前列腺内的各个区域，即前列腺组织内的中央腺体和外周区域的自动分割。
根据第一方面，在第一方面的第一种可能的实现方式中，所述权重图的计算公式为：
其中，wi(x)为权重图，ix为原图的灰度值，yx为标签图，grad(ix)表示原图的梯度，
本技术方案为前列腺mr图像设计了一个新的权重图计算方式，用于加权损失函数，给前列腺mr图像中难以分割的像素赋予更高的权重，权重图包含三个成分，分别对应背景、外周区域、中央腺体，促使深度学习模型更好地分割前列腺的各个区域。
根据第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述morphology(yx)是通过对标签图分别进行膨胀和腐蚀后相减得到：morphology(yx)＝dilation(yx,smi)-erosion(yx,smi)，其中，dilation(yx,smi)是对标签图分别进行膨胀得到的结果，erosion(yx,smi)是对标签图分别进行腐蚀得到的结果，smi是形态学元素，用来控制膨胀和腐蚀操作的范围。
根据第一方面，在第一方面的第三种可能的实现方式中，得到初分割结果之后，还包括以下步骤：
在初分割结果的基础上，进行手工调节，得到最终的分割结果。
在自动分割的结果上，还可以进一步由医生进行手工调节。
根据第一方面，在第一方面的第四种可能的实现方式中，所述全卷积网络的参数是指全卷积网络模型中神经元的权值。
第二方面，提供一种前列腺磁共振图像的分割系统，包括：
训练单元，用于：在训练阶段，将图像输入全卷积网络，得到相应的输出概率，计算输出概率与标签之间的交叉熵；根据图像和标签计算权重图，将交叉熵与权重图按像素至像素的方式相乘，得到最终的损失，调整全卷积网络的参数，使该损失达到最小值；
分割单元，用于：在分割阶段，将待分割的前列腺磁共振图像输入训练好的全卷积网络，得到初分割结果。
上述技术方案能够实现从磁共振图像自动分割前列腺内的各个区域，即前列腺组织内的中央腺体和外周区域的自动分割。
根据第二方面，在第二方面的第一种可能的实现方式中，所述权重图的计算公式为：
其中，wi(x)为权重图，ix为原图的灰度值，yx为标签图，grad(ix)表示原图的梯度，
本技术方案为前列腺mr图像设计了一个新的权重图计算方式，用于加权损失函数，给前列腺mr图像中难以分割的像素赋予更高的权重，权重图包含三个成分，分别对应背景、外周区域、中央腺体，促使深度学习模型更好地分割前列腺的各个区域。
根据第二方面的第一种可能的实现方式，在第二方面的第二种可能的实现方式中，所述morphology(yx)是通过对标签图分别进行膨胀和腐蚀后相减得到：morphology(yx)＝dilation(yx,smi)-erosion(yx,smi)，其中，dilation(yx,smi)是对标签图分别进行膨胀得到的结果，erosion(yx,smi)是对标签图分别进行腐蚀得到的结果，smi是形态学元素，用来控制膨胀和腐蚀操作的范围。
根据第二方面，在第二方面的第三种可能的实现方式中，所述系统还包括：
手工调节单元，用于：在初分割结果的基础上，进行手工调节，得到最终的分割结果。
在自动分割的结果上，还可以进一步由医生进行手工调节。
根据第二方面，在第二方面的第四种可能的实现方式中，所述全卷积网络的参数是指全卷积网络模型中神经元的权值。
与现有技术相比，本发明的优点如下：
本发明在训练阶段，将图像输入全卷积网络，得到相应的输出概率，计算输出概率与标签之间的交叉熵，同时，根据图像和标签计算权重图，将交叉熵与权重图按像素至像素的方式相乘，得到最终的损失，不断调整全卷积网络的参数，使该损失达到最小值；这里的全卷积网络的参数是指全卷积网络模型中神经元的权值。在分割阶段，将待分割的前列腺磁共振图像输入训练好的全卷积网络，得到初分割结果。本发明能够实现从磁共振图像自动分割前列腺内的各个区域，即前列腺组织内的中央腺体和外周区域的自动分割，在自动分割的结果上，还可以进一步由医生进行手工调节。
附图说明
图1是本发明实施例中用于训练模型的损失函数的计算流程图。
图2是本发明实施例中不包括手工调节步骤的前列腺磁共振图像的分割方法的流程图。
图3是本发明实施例中包括手工调节步骤的前列腺磁共振图像的分割方法的流程图。
具体实施方式
现在将详细参照本发明的具体实施例，在附图中例示了本发明的例子。尽管将结合具体实施例描述本发明，但将理解，不是想要将本发明限于所述的实施例。相反，想要覆盖由所附权利要求限定的在本发明的精神和范围内包括的变更、修改和等价物。应注意，这里描述的方法步骤都可以由任何功能块或功能布置来实现，且任何功能块或功能布置可被实现为物理实体或逻辑实体、或者两者的组合。
为了使本领域技术人员更好地理解本发明，下面结合附图和具体实施方式对本发明作进一步详细说明。
注意：接下来要介绍的示例仅是一个具体的例子，而不作为限制本发明的实施例必须为如下具体的步骤、数值、条件、数据、顺序等等。本领域技术人员可以通过阅读本说明书来运用本发明的构思来构造本说明书中未提到的更多实施例。
本发明实施例提供一种前列腺磁共振图像的分割方法，包括以下步骤：
在训练阶段，参见图1所示，将图像输入全卷积网络，得到相应的输出概率，计算输出概率与标签之间的交叉熵，同时，根据图像和标签计算权重图，将交叉熵与权重图按像素至像素的方式相乘，得到最终的损失，不断调整全卷积网络的参数，使该损失达到最小值；这里的全卷积网络的参数是指全卷积网络模型中神经元的权值。
在分割阶段，参见图2所示，将待分割的前列腺磁共振图像输入训练好的全卷积网络，得到初分割结果。
上述技术方案能够实现从磁共振图像自动分割前列腺内的各个区域，即前列腺组织内的中央腺体和外周区域的自动分割。
作为可选的实施方式，在初分割结果的基础上，参见图3所示，还可以由医生进行手工调节，得到最终的分割结果。
本发明实施例还提供一种前列腺磁共振图像的分割系统，包括：
训练单元，用于：在训练阶段，将图像输入全卷积网络，得到相应的输出概率，计算输出概率与标签之间的交叉熵；根据图像和标签计算权重图，将交叉熵与权重图按像素至像素的方式相乘，得到最终的损失，调整全卷积网络的参数，使该损失达到最小值；这里的全卷积网络的参数是指全卷积网络模型中神经元的权值。
分割单元，用于：在分割阶段，将待分割的前列腺磁共振图像输入训练好的全卷积网络，得到初分割结果。
上述技术方案能够实现从磁共振图像自动分割前列腺内的各个区域，即前列腺组织内的中央腺体和外周区域的自动分割。
作为可选的实施方式，该系统还包括：
手工调节单元，用于：在初分割结果的基础上，进行手工调节，得到最终的分割结果。
前列腺mr图像分割可以被认为是一个语义分割问题，即给图像中的每个像素指定一类标签。全卷积网络(fullyconvolutionalnetworks，fcn)已经被证明是一个能进行语义分割的有效工具，可同时对图像中的各个目标进行分割。作为模式识别的基本问题之一，语义分割是用从已知的数据和标签中学习到的知识来解释新数据。该过程分为两个阶段，一是使用已有的数据和标签来训练一个模型，二是用已经训练好的模型来推理出新数据的标签，即给新数据图像中的每个像素指定类别标签，进行语义分割。模型的训练过程可以描述如下，在给定一个数据集的情况下，训练一个带参数的模型，使相应的损失函数达到最小值，其数学公式是：
min{∑(x,y)∈dl(fθ(x),y)}(1)
其中，θ是深度网络的参数，y是指标签，∑(x,y)表示对所有位置的损失求和，l(fθ(x),y)是用来惩罚错误标签的损失函数，d是训练样本集合。
加权损失函数的数学公式是：
其中，w(x)为权重图，
本发明实施例提出的权重图w(x)的设计思路是：给前列腺mr图像中难以分割的像素赋予更高的权重，权重图w(x)包含三个成分，分别对应背景、外周区域、中央腺体，因此，也可以表示为wi(x)，本发明实施例中权重图的计算公式为：
其中，wi(x)为权重图，ix为原图的灰度值，yx为标签图，grad(ix)表示原图的梯度，
上述公式(3)中各个参数的具体数值根据经验进行人工设置。
本发明实施例中的权重图wi(x)由两部分组成：
第一部分是：
第二部分是：bi，表示权重值的基础部分。
morphology(yx)是形态学操作，用来控制权重值增加的像素的空间范围，即用来指定每张mr图像中哪些位置的像素需要被增加权重。
morphology(yx)是通过对标签图分别进行膨胀和腐蚀后相减得到：morphology(yx)＝dilation(yx,smi)-erosion(yx,smi)，其中，dilation(yx,smi)是对标签图分别进行膨胀得到的结果，erosion(yx,smi)是对标签图分别进行腐蚀得到的结果，smi是形态学元素，用来控制膨胀和腐蚀操作的范围。
本发明实施例中的前列腺mr图像分割可以过程分为两个阶段，一是使用已有的数据和标签来训练一个模型，二是用已经训练好的模型来推理出新数据的标签，即获取分割结果。
本发明实施例在给定数据集的基础上训练模型，使相应的损失函数达到最小值，计算过程参见图1所示，首先将图像数据输入全卷积网络，得到相应的输出概率，计算输出概率与标签之间的交叉熵；同时，根据图像和标签计算权重图；将交叉熵与权重图按像素至像素的方式相乘，得到最终的损失。模型的训练过程，就是不断调整全卷积网络的参数，全卷积网络的参数具体是指全卷积网络模型中神经元的权值，使该损失函数达到最小值的过程。
待分割图像的分割过程参见图2所示，首先，将待分割图像输入训练好的全卷积网络，得到输出结果，在此结果上进行一些后处理，得到初分割结果，后处理计算包括中值滤波等。
可选的，参见图3所示，在初分割结果的基础上由医生进行手工调节，得到最终的分割结果。
本发明实施例中的手工调节并不是必须的步骤，如果前面的步骤所得到的结果已经比较准确，则无需手工调节。
本发明实施例在公开的数据集上进行了测试(不含手工调节过程)，分割性能评估采用dice系数(dicecoefficient,dsc)作为评估指标，dice系数是参考图像和分割图像之间的交集和并集的比值，dice系数的值在0与1之间，值越高代表分割结果越准。
本发明实施例的方法与交叉熵损失函数比较，比较结果参见表1所示。
表1、本发明实施例的方法与交叉熵损失函数比较的结果
从表1中可以看出，使用dsc进行评估，在中央腺体的分割上，本发明实施例的分割性能(0.8831)比交叉熵损失函数的性能(0.8557)高0.0274；在外周区域的分割上，本发明实施例的分割性能(0.7576)比交叉熵损失函数的性能(0.7171)高0.0405，在前列腺的各个区域的分割中，本发明实施例的方法均超过交叉熵损失函数。
本发明实施例的优势在于为前列腺mr图像设计了一个新的权重图计算方式，用于加权损失函数，促使深度学习模型更好地分割前列腺的各个区域。在公开的数据集上进行了测试，本发明实施例的方法获得了优异的性能，本发明实施例提出的方法是足够普遍的，可以扩展到其他医学图像分割任务上，例如：肝脏分割和心脏分割。
注意：上述的具体实施例仅是例子而非限制，且本领域技术人员可以根据本发明的构思从上述分开描述的各个实施例中合并和组合一些步骤和装置来实现本发明的效果，这种合并和组合而成的实施例也被包括在本发明中，在此不一一描述这种合并和组合。
本发明实施例中提及的优点、优势、效果等仅是示例，而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，本发明实施例公开的上述具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明实施例必须采用上述具体的细节来实现。
本发明实施例中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子，并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。本发明实施例所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。本发明实施例所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
本发明实施例中的步骤流程图以及以上方法描述仅作为例示性的例子，并且不意图要求或暗示必须按照给出的顺序进行各个实施例的步骤。如本领域技术人员将认识到的，可以按任意顺序进行以上实施例中的步骤的顺序。诸如“其后”、“然后”、“接下来”等等的词语不意图限制步骤的顺序；这些词语仅用于引导读者通读这些方法的描述。此外，例如使用冠词“一个”、“一”或者“该”对于单数的要素的任何引用不被解释为将该要素限制为单数。
另外，本发明各个实施例中的步骤和装置并非仅限定于某个实施例中实行，事实上，可以根据本发明的概念来结合本文中的各个实施例中相关的部分步骤和部分装置，以构思新的实施例，而这些新的实施例也包括在本发明的范围内。
本发明实施例中的各个操作可以通过能够进行相应的功能的任何适当的手段而进行。该手段可以包括各种硬件和/或软件组件和/或模块，包括但不限于硬件的电路、asic(applicationspecificintegratedcircuit，专用集成电路)或处理器。
在实际应用中，可以利用被设计用于执行上述功能的通用处理器、dsp(digitalsignalprocessor，数字信号处理器)、asic、fpga(fieldprogrammablegatearray，现场可编程门阵列)或cpld(complexprogrammablelogicdevice，复杂可编程逻辑器件)、离散门或晶体管逻辑、离散的硬件组件或者其任意组合，来实现上述各个例示的逻辑块、模块和电路。其中，通用处理器可以是微处理器，但是作为替换，该处理器可以是任何商业上可获得的处理器、控制器、微控制器或状态机。处理器还可以实现为计算设备的组合，例如dsp和微处理器的组合，多个微处理器、与dsp核协作的一个或多个微处理器或任何其他这样的配置。
结合本发明实施例描述的方法或算法的步骤可以直接嵌入在硬件中、处理器执行的软件模块中或者这两种的组合中。软件模块可以存在于任何形式的有形存储介质中。可以使用的存储介质的一些例子包括ram(randomaccessmemory，随机存储器)、rom(read-onlymemory，只读存储器)、快闪存储器、eprom(electricallyprogrammableread-onlymemory，可擦除的可编程只读存储器)、eeprom(electrically-erasableprogrammableread-onlymemory，电可擦可编程只读存储器)、寄存器、硬碟、可移动碟、cd-rom(compactdiscread-onlymemory，紧凑型光盘只读储存器)等。存储介质可以耦接到处理器以便该处理器可以从该存储介质读取信息以及向该存储介质写信息。在替换方式中，存储介质可以与处理器是整体的。软件模块可以是单个指令或者许多指令，并且可以分布在几个不同的代码段上、不同的程序之间以及跨过多个存储介质。
本发明实施例的方法包括用于实现上述的方法的一个或多个动作。方法和/或动作可以彼此互换而不脱离权利要求的范围。换句话说，除非指定了动作的具体顺序，否则可以修改具体动作的顺序和/或使用而不脱离权利要求的范围。
本发明实施例中的功能可以按硬件、软件、固件或其任意组合而实现。如果以软件实现，功能可以作为一个或多个指令存储在切实的计算机可读介质上。存储介质可以是可以由计算机访问的任何可用的切实介质。通过例子而不是限制，这样的计算机可读介质可以包括ram、rom、eeprom、cd-rom或其他光碟存储、磁碟存储或其他磁存储器件或者可以用于携带或存储指令或数据结构形式的期望的程序代码并且可以由计算机访问的任何其他切实介质。如在此使用的，碟(disk)和盘(disc)包括紧凑盘(cd)、激光盘、光盘、dvd(digitalversatiledisc，数字多功能光盘)、软碟和蓝光盘，其中碟通过磁再现数据，而盘利用激光光学地再现数据。
因此，计算机程序产品可以进行在此给出的操作。例如，这样的计算机程序产品可以是具有有形存储(和/或编码)在其上的指令的计算机可读的有形介质，该指令可由一个或多个处理器执行以进行在此所述的操作。计算机程序产品可以包括包装的材料。
本发明实施例中的软件或指令也可以通过传输介质而传输。例如，可以使用诸如同轴电缆、光纤光缆、双绞线、dsl(digitalsubscriberline，数字用户线路)或诸如红外、无线电或微波的无线技术的传输介质从网站、服务器或者其他远程源传输软件。
此外，用于实现本发明实施例中的方法和技术的模块和/或其他适当的手段可以在适当时由用户终端和/或基站下载和/或其他方式获得。例如，这样的设备可以耦接到服务器以促进用于进行在此所述的方法的手段的传送。或者，在此所述的各种方法可以经由存储部件(例如ram、rom、诸如cd或软碟等的物理存储介质)提供，以便用户终端和/或基站可以在耦接到该设备或者向该设备提供存储部件时获得各种方法。此外，可以利用用于将在此所述的方法和技术提供给设备的任何其他适当的技术。
其他例子和实现方式在本发明实施例和所附权利要求的范围和精神内。例如，由于软件的本质，以上所述的功能可以使用由处理器、硬件、固件、硬连线或这些的任意的组合执行的软件实现。实现功能的特征也可以物理地位于各个位置，包括被分发以便功能的部分在不同的物理位置处实现。而且，如在此使用的，包括在权利要求中使用的，在以“至少一个”开始的项的列举中使用的“或”指示分离的列举，以便例如“a、b或c的至少一个”的列举意味着a或b或c，或ab或ac或bc，或abc(即a和b和c)。此外，措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
本领域技术人员可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外，本公开的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而，所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
- 还没有人留言评论。精彩留言会获得点赞！