一种适用于膀胱癌的CT影像分割方法、终端以及存储介质与流程

一种适用于膀胱癌的ct影像分割方法、终端以及存储介质
技术领域
[0001]
本发明涉及磁共振技术领域，特别涉及一种适用于膀胱癌的ct影像分割方法、终端以及存储介质。


背景技术：

[0002]
临床中确定癌症病灶，一般通过计算机x线断层扫描(computed tomography，ct)，获得ct影像，然后再对ct影像进行图像处理，从而实现对病灶的识别。当前病灶的识别与分割都依赖于影像医师手工分割，然而手工分割非常费时且不稳定。
[0003]
因此，现有技术还有待改进和提高。


技术实现要素：

[0004]
针对现有技术的上述缺陷，提供一种适用于膀胱癌的ct影像分割方法、终端及存储介质，旨在解决现有技术中手工分割病灶费时的问题。
[0005]
本发明的第一方面，提供一种适用于膀胱癌的ct影像分割方法，包括：
[0006]
获取目标ct影像，将所述目标ct影像处理为预设格式；
[0007]
将预处理后的所述目标ct影像输入至目标影像分割模型，获取所述目标影像分割模型输出的病灶分割结果；
[0008]
其中，所述目标影像分割模型是根据第一训练集和第二训练集训练得到的，所述第一训练集中包括多组训练数据，每组训练数据包括第一样本ct影像和第一样本ct影像对应的第一样本病灶分割结果，所述第二训练集中包括多组训练数据，每组训练数据包括第二样本ct影像和第二样本ct影像对应的第二样本病灶分割结果，所述第二样本ct影像从用于测试所述目标影像分割模型的测试集中选取得到，所述测试集中包括第三样本ct影像和第三样本ct影像对应的第三样本病灶分割结果。
[0009]
所述的适用于膀胱癌的ct影像分割方法，其中，所述获取目标ct影像之前，所述方法还包括：
[0010]
构建初始影像分割模型，获取多个ct影像进行病灶分割结果标注，生成所述第一训练集和所述测试集；
[0011]
使用所述第一训练集对所述初始影像分割模型进行训练，得到中间影像分割模型；
[0012]
根据所述中间影像分割模型和所述测试集构建所述第二训练集；
[0013]
根据所述第一训练集和所述第二训练集训练所述中间影像分割模型，训练完成后得到所述目标影像分割模型。
[0014]
所述的适用于膀胱癌的ct影像分割方法，其中，所述根据所述中间影像分合模型和所述测试集构建所述第二训练集，包括：
[0015]
将所述测试集中的第三样本ct影像处理为所述预设格式后根据所述中间影像分割模型获取各个所述第三样本ct影像的预测病灶分割结果；
[0016]
对于目标第三样本ct影像，若所述目标第三样本ct影像的所述预测病灶分割结果与所述目标第三样本ct影像对应第三样本病灶分割结果一致，则将所述目标第三样本ct影像作为第二样本ct影像，将所述目标第三样本ct影像对应的所述预测病灶分割结果作为对应的第二样本病灶分割结果，构成所述第二训练集中的一组训练数据。
[0017]
所述的适用于膀胱癌的ct影像分割方法，其中，所述目标影像分割模型包括至少一个解码模块、至少一个编码模块、和第一连接模块，所述解码模块和所述编码模块一一对应，对应的所述解码模块和所述编码模块之间通过第二连接模块连接，所述第二连接模块中设置有注意力门控；
[0018]
其中，各个所述编码模块、所述第一连接模块和各个所述解码模块依次连接，每个所述编码模块以及所述第一连接模块的输入为上一模块的输出，每个解码模块的输入为上一模块的输出和对应的所述第二连接模块的输出。
[0019]
所述的适用于膀胱癌的ct影像分割方法，其中，每个所述编码模块中包括卷积层、批归一化层、激活函数以及下采样层，其中，所述批归一化层中包括残差连接运算。
[0020]
所述的适用于膀胱癌的ct影像分割方法，其特征在于，所述第二连接模块与所述批归一化层连接，所述批归一化层的输出结果被所述注意力门控激活后输入对应的所述解码模块，所述第二连接模块中的注意力门控用于综合对应的所述编码模块、对应的所述解码模块以及第一模块的参数计算自注意力，其中，所述第一模块为所述对应的所述编码模块的前一模块。
[0021]
所述的适用于膀胱癌的ct影像分割方法，其中，每个所述解码模块包括上采样层、卷积层、批归一化层以及激活函数。
[0022]
所述的适用于膀胱癌的ct影像分割方法，其中，所述获取所述影像分割模型输出的病灶分割结果之后，所述方法还包括：
[0023]
通过预先构建的特征提取器，根据所述病灶分割结果提取病灶的特征。
[0024]
本发明的第二方面，提供一种终端，包括：处理器、与处理器通信连接的存储介质，存储介质适于存储多条指令，处理器适于调用存储介质中的指令，以执行实现上述任一项所述的适用于膀胱癌的ct影像分割方法的步骤。
[0025]
本发明的第三方面，提供一种存储介质，其中，存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现上述任一项所述的适用于膀胱癌的ct影像分割方法的步骤。
[0026]
有益效果：与现有技术相比，本发明提供了一种适用于膀胱癌的ct影像分割方法、终端及存储介质，本发明提供的适用于膀胱癌的ct影像分割方法通过包括样本ct影像以及样本ct影像对应的病灶分割结果的训练集训练得到影像分割模型，通过影像分割模块来进行适用于膀胱癌的ct影像分割，不需要人工分割，缩短了影像分割的时间，并且通过从测试集中选取样本的方式对训练集进行扩充，提升影像分割模型的训练效果，保证影像分割的准确性。
附图说明
[0027]
图1为本发明提供的适用于膀胱癌的ct影像分割方法的实施例的流程图；
[0028]
图2为本发明提供的适用于膀胱癌的ct影像分割方法的实施例中获取第一训练集
的流程示意图；
[0029]
图3为本发明提供的适用于膀胱癌的ct影像分割方法的实施例中获取第二训练集的流程示意图；
[0030]
图4为本发明提供的适用于膀胱癌的ct影像分割方法的实施例中模型训练的流程示意图；
[0031]
图5为本发明提供的适用于膀胱癌的ct影像分割方法的实施例中目标影像分割模型的结构示意图；
[0032]
图6为本发明提供的终端的实施例的结构原理图。
具体实施方式
[0033]
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0034]
本发明提供的一种适用于膀胱癌的ct影像分割方法，是可以应用在终端中，终端可以但不限于是各种个人计算机、笔记本电脑、手机、平板电脑等。
[0035]
实施例一
[0036]
如图1所示，本发明提供的适用于膀胱癌的ct影像分割方法包括步骤：
[0037]
s100、获取目标ct影像，将所述目标ct影像处理为预设格式。
[0038]
所述目标ct影像为待分割的ct影像，所述目标ct影像可以通过ct扫描得到，在获取到所述目标ct影像后，由于不同条件、不同扫描对象对应的ct影像不同，为了方便处理，在本实施例中，将待分割的ct影像处理为统一的格式，即所述预设格式。
[0039]
具体地，将所述目标ct影像处理为预设格式包括预处理和数据增强，预处理包括将ct影像的解剖坐标系统一调整为ras，并将影像体素调整成预设的空间大小，影像的厚度调整为预设的厚度，调整影像厚度为预设的厚度可以通过插值法来实现。数据增强包括通过预设设置的影像读取窗口对预处理后的ct影像进行n次随机取样，n为正整数，影像读取窗口的大小以及n的数值可以根据实际应用情况进行设置，例如影像读取窗口的大小可以设置为(96,96,96)，n取8等。对所述目标ct影像进行数据增强可以增加数据随机性，提升分割准确度。
[0040]
s200、将预处理后的所述目标ct影像输入至目标影像分割模型，获取所述目标影像分割模型输出的病灶分割结果。
[0041]
所述目标影像分割模型是根据第一训练集和第二训练集训练得到的，所述第一训练集中包括多组训练数据，每组训练数据包括第一样本ct影像和第一样本ct影像对应的第一样本病灶分割结果，所述第二训练集中包括多组训练数据，每组训练数据包括第二样本ct影像和第二样本ct影像对应的第二样本病灶分割结果，所述第二样本ct影像从用于测试所述目标影像分割模型的测试集中选取得到，所述测试集中包括第三样本ct影像和第三样本ct影像对应的第三样本病灶分割结果。
[0042]
在本实施例中，在获取所述目标ct影像之前，先训练得到所述目标影像分割模型，具体包括：
[0043]
s001、构建初始影像分割模型，获取多个ct影像进行病灶分割结果标注，生成所述
第一训练集和所述测试集；
[0044]
s002、使用所述第一训练集对所述初始影像分割模型进行训练，训练完成后得到中间影像分割模型；
[0045]
s003、根据所述中间影像分割模型和所述第一训练集构建所述第二训练集；
[0046]
s004、根据所述第一训练集和所述第二训练集训练所述中间影像分割模型，训练完成后的到所述目标影像分割模型。
[0047]
具体地，所述初始影像分割模型为一个神经网络模型，对所述初始影像分割模型进行训练得到中间影像分割模型，以及对所述中间影像分割模型进行训练得到所述目标影像分割模型的过程是通过训练修改神经网络模型的参数的过程。
[0048]
所述第一训练集和所述测试集的数据中的第一样本ct影像对应的第一样本病灶分割结果和第三样本ct影像对应的第三样本病灶分割结果可以是通过人工勾勒标注得到，所述第一训练集的生成过程可以如图2所示，首先获取ct影像作为第一样本ct影像存入数据库，每个第一样本ct影像对应的病灶分割结果都通过两组医师标注得到，判断两组标注的结果是否一致，若一致，则将标注结果作为该第一样本ct影像对应的第一样本病灶分割结果，保存至数据库；若不一致，则两组医师联合判断，重新标注。所述测试集的生成方式与所述第一训练集的生产方式一致。
[0049]
在现有技术中，对神经网络模型进行训练是根据预先设置的训练集进行一次训练，再利用测试集对训练结果进行测试。若要获取到准确度更高的模型，需要使用大量的样本数据，这就需要大量的人力进行实现标注，效率较低，在本实施例中，为了提升模型训练的效率，是先使用所述第一训练集对所述初始影像分割模型进行第一次训练，训练完成后得到中间影像分割模型，并根据所述中间影像分割模型和所述训练集集来生成第二训练集，实现训练集的扩充，再使用扩充后的训练集进行第二次训练，最终生成所述目标影像分割模型。
[0050]
值得说明的是，在通过所述第一训练集和所述第二训练集中的第一样本ct影像和第二样本ct影像训练影像分割模型时，都先将第一样本ct影像和第二样本ct影像处理至所述预设格式，具体处理方式可以见前文中对步骤s100的说明。训练是否完成可以通过损失函数来确定，损失函数收敛则判断训练完成，停止迭代训练，保存此时的模型参数。模型训练的流程图可以如图4所示。
[0051]
具体地，所述根据所述中间影像分割模型和所述测试集构建所述第二训练集包括步骤：
[0052]
s031、将所述测试集中的第三样本ct影像处理为所述预设格式后根据所述中间影像分割模型获取各个所述第三样本ct影像的预测病灶分割结果；
[0053]
s032、对于目标第三样本ct影像，若所述目标第三样本ct影像的所述预测病灶分割结果与所述目标第三样本ct影像对应的第三样本病灶分割结果一致，则将所述目标第三样本ct影像作为第二样本ct影像，将所述目标第三样本ct影像对应的所述预测病灶分割结果作为对应的第二样本病灶分割结果，构成所述第二训练集中的一组训练数据。
[0054]
使用经过所述第一训练集训练得到的所述中间影像分割模型来获取所述测试集中的各个所述第三样本ct影像的预测病灶分割结果，即，通过所述中间影像分割模型来预测各个所述第三样本ct影像对应的病灶分割结果，具体可以将所述第三样本ct影像处理至
所述预设格式后输入至所述中间影像分割模型，获取所述中间影像分割模型输出的病灶分割结果作为所述第三样本ct影像的预测病灶分割结果。对于目标第三样本ct影像，若所述目标第三样本ct影像的所述预测病灶分割结果与所述目标第三样本ct影像对应的第三样本病灶分割结果一致，那么可以将所述目标第三样本ct影像作为训练集继续训练所述中间影像分割模型，具体地，是将所述目标第三样本ct影像作为第二样本ct影像，将所述目标第三样本ct影像对应的所述预测病灶分割结果作为对应的第二样本病灶分割结果，构成所述第二训练集中的一组训练数据。
[0055]
构建所述第二训练集的过程框图可以如图3所示。
[0056]
再生成所述第二训练集后，将所述第一训练集和所述第二训练集作为训练集迭代训练所述中间影像分割模型，训练完成后得到所述目标影像分割模型。在得到所述目标影像分割模型后，可以通过所述测试集对所述目标影像分割模型的性能进行测试，具体地，根据所述目标影像分割模型获取所述测试集中各个第三样本ct影像的病灶分割结果并与所述测试集中的数据进行对应比较，计算dice系数，来测试模型的预测效果。值得说明的是，为了提升对所述目标影像分割模型的测试结果准确性，所述第三样本ct影像与所述第一样本ct影像为不同的影像。
[0057]
所述目标影像分割模型的结构示意图可以如图5所示，包括至少一个解码模块、至少一个编码模块、和第一连接模块，所述解码模块和所述编码模块一一对应，对应的所述解码模块和所述编码模块之间通过第二连接模块连接；
[0058]
各个所述编码模块、所述第一连接模块和各个所述解码模块依次连接，每个所述编码模块以及所述第一连接模块的输入为上一模块的输出，每个解码模块的输入为上一模块的输出和该编码模块对应的所述第二连接模块的输出。
[0059]
所述编码模块和所述解码模块的个数可以根据实际应用自行设置，所述第一连接模块可以为若干组卷积，在本实施例中，所述编码模块和所述解码模块各有4个，所述第一连接模块中包括2组3*3的卷积。
[0060]
每个所述编码模块中包括卷积层、批归一化层(batch normalization)、激活函数以及下采样层，所述卷积层中包括两个卷积运算，卷积核大小可以为3*3*3，所述批归一化层中包括残差连接运算，即加入short-cut连接以防止梯度弥散，具体地，short-cut跨越的层数可以是跨越单层或多层。所述激活函数可以采用relu等常见的激活函数，在本实施例中，所述下采样层中采用2*2*2的最大池化(max_pooling)的方式进行下采样，步长stride＝2，当然，本领域技术人员也可以采用其他的方式进行下采样。
[0061]
所述第二连接模块与所述批归一化层连接，所述批故意华层的输出结果被所述注意力门控激活后输入对应的所述解码模块，所述第二连接模块中设置有注意力门控，所述注意力门控用于确定所述解码模块的输入中对应的所述编码模块中的所述批归一化层的输出的权重，所述注意力门控综合对应的所述编码模块、对应的所述解码模块以及第一模块的参数计算自注意力，所述第一模块为所述对应的所述编码模块的前一模块，也就是说，对于连接编码模块a和解码模块b的第二连接模块中的注意力门控，是总和编码模块a的参数、解码模块b的参数以及编码模块a的前一个编码模块c的参数来计算注意力，所述自注意力门控可以在训练得到所述目标影像分割模型的过程中(包括对所述初始影像分割模型进行训练得到所述中间影像分割模型以及对所述中间影像分割模型进行训练得到所述目标
影像分割模型的过程)自动学习参数来调整激活值，即调整对应的解码模块的输入中编码模块的批归一化层的输出的权重。
[0062]
每个所述解码模块中包括上采样层、批归一化层(batch normalization)、卷积层以及激活函数，在本实施例中，所述上采样层中可以通过反卷积(upconvolution)的方式进行上采样，卷积核大小可以为2*2*2，步长stride＝2，所述卷积层中包括两个正常的卷积运算，卷积核大小可以为3*3*3。
[0063]
可以理解的是，上述的所述目标影像分割模型中的模型参数，包括卷积核大小、步长、采样方式等可以是由本领域技术人员根据试验进行调整或重新设置，本发明对此不做具体的限定。
[0064]
在获取到目标影像分割模型输出的病灶分割结果之后，本实施例提供的适用于膀胱癌的ct影像分割方法还包括步骤：
[0065]
s300、通过预先构建的特征提取器，根据所述病灶分割结果提取病灶的特征。
[0066]
在本实施例中，预先构建特征提取器，所述特征提取器用于根据病灶分割结果提取病灶的特征，包括一阶影像特征、形态特征、灰度共生矩阵特征、灰度连通区域矩阵特征等，具体地，所述一阶影像特征是描述图像roi内的像素强度的分布，包括图像energy、熵、丰度、均匀等，所述形态特征包括描述病灶部位的形状、体积、紧致性等信息，提取灰度共生矩阵(gray level co-occurrence matrix，glcm)特征是通过统计不同方向和步长的像素对出现的概率，从而得到灰度共生矩阵，然后对灰度共生矩阵的分布进行量化，以得到描述病灶部位的复杂性、层级变化、以及纹理的粗细程度等信息的过程，提取灰度连通区域矩阵(grey level size zone matrix，glszm)特征是通过统计所有相邻灰度值相同的像素个数，从而得到灰度连通区域矩阵，然后对灰度连通区域矩阵的分布进行量化，以得到描述病灶部位的复杂性、层级变化、以及纹理的粗细程度等信息的过程。
[0067]
综上所述，本实施例提供一种适用于膀胱癌的ct影像分割方法，通过包括样本ct影像以及样本ct影像对应的病灶分割结果的训练集训练得到影像分割模型，通过影像分割模块来进行适用于膀胱癌的ct影像分割，不需要人工分割，缩短了影像分割的时间，并且通过从测试集中选取样本的方式对训练集进行扩充，提升影像分割模型的训练效果，保证影像分割的准确性。
[0068]
应该理解的是，虽然本发明说明书附图中给出的的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，本发明中的步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，本发明步骤的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0069]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom
(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0070]
实施例二
[0071]
基于上述实施例，本发明还提供了一种终端，其原理框图可以如图6所示。该终端包括存储器10和处理器20，存储器10中存储有计算机程序，该处理器10执行计算机程序时至少可以实现以下步骤：
[0072]
获取目标ct影像，将所述目标ct影像处理为预设格式；
[0073]
将预处理后的所述目标ct影像输入至目标影像分割模型，获取所述目标影像分割模型输出的病灶分割结果；
[0074]
其中，所述目标影像分割模型是根据第一训练集和第二训练集训练得到的，所述第一训练集中包括多组训练数据，每组训练数据包括第一样本ct影像和第一样本ct影像对应的第一样本病灶分割结果，所述第二训练集中包括多组训练数据，每组训练数据包括第二样本ct影像和第二样本ct影像对应的第二样本病灶分割结果，所述第二样本ct影像从用于测试所述目标影像分割模型的测试集中选取得到，所述测试集中包括第三样本ct影像和第三样本ct影像对应的第三样本病灶分割结果。
[0075]
其中，所述获取目标ct影像之前，所述方法还包括：
[0076]
构建初始影像分割模型，获取多个ct影像进行病灶分割结果标注，生成所述第一训练集和所述测试集；
[0077]
使用所述第一训练集对所述初始影像分割模型进行训练，得到中间影像分割模型；
[0078]
根据所述中间影像分割模型和所述测试集构建所述第二训练集；
[0079]
根据所述第一训练集和所述第二训练集训练所述中间影像分割模型，训练完成后得到所述目标影像分割模型。
[0080]
其中，所述根据所述中间影像分合模型和所述测试集构建所述第二训练集，包括：
[0081]
将所述测试集中的第三样本ct影像处理为所述预设格式后根据所述中间影像分割模型获取各个所述第三样本ct影像的预测病灶分割结果；
[0082]
对于目标第三样本ct影像，若所述目标第三样本ct影像的所述预测病灶分割结果与所述目标第三样本ct影像对应的第三样本病灶分割结果一致，则将所述目标第三样本ct影像作为第二样本ct影像，将所述目标第三样本ct影像对应的所述预测病灶分割结果作为对应的第二样本病灶分割结果，构成所述第二训练集中的一组训练数据。
[0083]
其中，所述目标影像分割模型包括至少一个解码模块、至少一个编码模块、和第一连接模块，所述解码模块和所述编码模块一一对应，对应的所述解码模块和所述编码模块之间通过第二连接模块连接，所述第二连接模块中设置有注意力门控；
[0084]
其中，各个所述编码模块、所述第一连接模块和各个所述解码模块依次连接，每个所述编码模块以及所述第一连接模块的输入为上一模块的输出，每个解码模块的输入为上一模块的输出和对应的所述第二连接模块的输出。
[0085]
其中，每个所述编码模块中包括卷积层、批归一化层、激活函数以及下采样层，其中，所述批归一化层中包括残差连接运算。
[0086]
其中，所述第二连接模块与所述批归一化层连接，所述批归一化层的输出结果被所述注意力门控激活后输入对应的所述解码模块，所述第二连接模块中的注意力门控用于综合对应的所述编码模块、对应的所述解码模块以及第一模块的参数计算自注意力，其中，所述第一模块为所述对应的所述编码模块的前一模块。
[0087]
其中，每个所述解码模块包括上采样层、卷积层、批归一化层以及激活函数。
[0088]
其中，所述获取所述影像分割模型输出的病灶分割结果之后，还包括：
[0089]
通过预先构建的特征提取器，根据所述病灶分割结果提取病灶的特征。
[0090]
实施例三
[0091]
本发明还提供了一种存储介质，存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现上述实施例所述的适用于膀胱癌的ct影像分割方法的步骤。
[0092]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。