一种基于深度学习的大肠空腔区及肠内容物标注方法

文档序号:25427586发布日期:2021-06-11 21:41阅读:来源:国知局

技术特征:

1.一种基于深度学习的大肠空腔区及肠内容物标注方法,其特征在于,包括以下步骤:

获取ct腹腔图像并对图像中的相关区域进行区域合并,得到区域合并后图像;

将区域合并后图像进行图像拆分,得到拆分后图像;

基于预训练的分割网络对拆分后图像进行分割,得到大肠区域图;

根据大肠区域图和输入的ct腹腔图,分别对大肠空腔区及肠内容物进行标注,得到标注图;

将标注图与输入的ct腹腔图像进行图像拼接,得到带标注的ct腹腔图像。

2.根据权利要求1所述一种基于深度学习的大肠空腔区及肠内容物标注方法,其特征在于,所述获取ct腹腔图像并对图像中的相关区域进行区域合并,得到区域合并后图像这一步骤,其具体包括:

获取ct腹腔图像;

将ct腹腔图像内与肠内容物颜色接近的像素点进行去除;

将去除部分像素点后的ct腹腔图像中的肠内容物区域和大肠空腔区域进行合并,得到区域合并后图像。

3.根据权利要求2所述一种基于深度学习的大肠空腔区及肠内容物标注方法,其特征在于,所述将区域合并后图像进行图像拆分,得到拆分后图像这一步骤,其具体包括:

将区域合并后图像等比率分割成3*3的图像块,并将相邻图层的同一对应位置的图像块组成一个五张图片形成的图像组,得到拆分后图像。

4.根据权利要求3所述一种基于深度学习的大肠空腔区及肠内容物标注方法,其特征在于,所述预训练的分割网络的训练步骤包括:

获取训练用ct腹腔图像并对训练用ct腹腔图像进行数据增强,得到增强训练图像;

将增强训练图像结合图像对应的真实标签,构建训练集;

基于训练集中的ct腹腔图像对预构建的分割网络进行训练,得到预测标签;

基于预测标签与对应的真实标签计算误差损失;

根据误差损失对预构建的分割网络进行参数更新,得到训练完成的分割网络。

5.根据权利要求4所述一种基于深度学习的大肠空腔区及肠内容物标注方法,其特征在于,所述预构建的分割网络包括编码器、带注意力机制的解码器、convlstm模块、和分类模块。

6.根据权利要求5所述一种基于深度学习的大肠空腔区及肠内容物标注方法,其特征在于,所述数据增强包括对图像平移、图像旋转和对图像进行gamma变换。

7.根据权利要求6所述一种基于深度学习的大肠空腔区及肠内容物标注方法,其特征在于,所述基于预训练的分割网络对拆分后图像进行分割,得到大肠区域图这一步骤,其具体包括:

基于编码器对输入的拆分后图像进行特征提取,得到特征信息;

基于convlstm模块连接各层编码器的特征信息并进行特征拼接,得到拼接后的特征信息;

基于带注意力机制的解码器将拼接后的特征信息还原;

基于分类模块输出属于大肠区域的像素点的概率值并将像素点整合,得到大肠区域图。

8.根据权利要求7所述一种基于深度学习的大肠空腔区及肠内容物标注方法,其特征在于,所述根据大肠区域图和输入的ct腹腔图,分别对大肠空腔区及肠内容物进行标注,得到标注图这一步骤,其具体包括:

根据大肠区域图在输入的ct腹腔图上确定大肠区域,并根据输入的ct腹腔图上大肠区域中的颜色差异分别对大肠空腔区和肠内容物进行标注,得到标注图。


技术总结
本发明公开了一种基于深度学习的大肠空腔区及肠内容物标注方法,该方法包括:获取CT腹腔图像并对图像中的相关区域进行区域合并,得到区域合并后图像;将区域合并后图像进行图像拆分,得到拆分后图像;基于预训练的分割网络对拆分后图像进行分割,得到大肠区域图;根据大肠区域图对大肠区域进行标注,得到标注图;将标注图与输入的CT腹腔图像进行图像拼接,得到带标注的CT腹腔图像。本发明方法能够自动对输入的CT腹腔图像的大肠空腔区及肠内容物区域进行标注。本发明作为一种基于深度学习的大肠空腔区及肠内容物标注方法,可广泛应用于图像处理领域。

技术研发人员:王国利;吴迪邦;郭雪梅
受保护的技术使用者:中山大学
技术研发日:2021.03.10
技术公布日:2021.06.11
当前第2页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1