本发明涉及医学图像处理,特别涉及一种3d医学图像分割系统及方法。
背景技术:
1、3d医学图像分割是指将三维医学图像中的不同结构或区域进行精确划分和标记的过程。这一过程旨在识别和分离出图像中感兴趣的解剖结构、器官、组织或病变,以便进一步的分析、诊断和治疗规划。医学图像分割在医学影像领域具有重要的应用,如计算机辅助诊断、手术规划、肿瘤定位和量化分析等。医学图像分割是一个复杂的任务,因为医学图像通常具有高度变异的特点,医学图像中的不同结构具有不同的对比度水平,某些结构可能非常明亮,而其他结构可能非常暗淡,不均匀的对比度使得自动分割算法难以确定适当的分割阈值或特征,因此需要在这种情况下进行适应性处理。
技术实现思路
1、为了解决以上问题,本发明提供了一种3d医学图像分割系统及方法。
2、为实现上述目的,本发明所采用的技术方案如下:
3、一方面,本发明公开一种3d医学图像分割方法,包括如下步骤:
4、步骤1:收集并准备3d医学图像数据集,包括3d医学图像以及相应的分割标签,确保数据集中包括对比度不均匀的图像;
5、步骤2:使用直方图均衡化来增强图像的对比度;
6、步骤3:对数据进行数据增强,以增加训练样本的多样性和鲁棒性;
7、步骤4:建立图像分割的3d cnn模型,用于输入原始3d医学图像,并输出每个像素的分割标签;
8、步骤5:使用准备好的训练数据对cnn模型进行训练,在训练过程中,使用均衡化后的图像作为输入,以确保对比度已经得到增强;
9、步骤6:用经过训练的cnn模型对新的3d医学图像进行分割。
10、进一步的:所述步骤1包括:
11、获取3d医学图像以及相应的分割标签;
12、对获得的原始3d医学图像进行预处理,以确保数据的一致性和适用性;
13、为每个图像生成相应的分割标签;
14、将数据集分成训练集、验证集和测试集;
15、从数据集中选择具有不均匀对比度的图像作为针对不均匀对比度问题进行适当处理和训练的示例。
16、进一步的:所述步骤2包括:
17、计算原始3d医学图像的直方图:h(i)=频数(i),其中,h(i)表示像素值i的频数;
18、计算直方图的累积分布函数cdf:其中,cdf(i)是像素值i的累积分布函数;
19、标准化cdf,使其范围在0到255之间:其中,cdfnormalized(x)是标准化后的cdf,min(cdf)和max(cdf)分别是cdf的最小值和最大值;
20、将原始图像中的每个像素值映射到经过直方图均衡化后的值,使用标准化后的cdf:enhancedimange(x,y)=cdfnormalized(originalimage(x,y)),其中,originalimage(x,y)是原始图像中的像素值,enhancedimange(x,y)是经过直方图均衡化后的像素值。
21、进一步的:所述步骤3包括:
22、随机选择一个角度,然后将图像以这个角度旋转,旋转的角度通过以下公式表示:旋转角度=随机角度×2×π;
23、对图像进行随机缩放,以模拟不同分辨率的3d医学图像,缩放通过以下公式表示:缩放因子=1+随机因子,其中,随机因子是一个小于1的值,表示缩小图像的比例;
24、随机选择水平翻转或垂直翻转图像;
25、对应于图像的分割标签同样经过相同的变换操作,以保持图像和标签的一致性。
26、进一步的:所述步骤4包括:
27、基于u-net架构建立3d cnn模型,包括:
28、编码器:包括卷积层和池化层,每个卷积层之后使用激活函数来引入非线性,将输入的原始3d医学图像映射到低分辨率的特征图;
29、解码器:包括卷积层和上采样层,用于将编码器生成的特征图逐渐恢复到原始图像分辨率,每个卷积层之后使用激活函数;
30、输出层:包括卷积层,其输出通道数等于分割标签的类别数,用于生成每个像素的类别概率分布。
31、进一步的:所述步骤5包括:
32、选择随机梯度下降算法用于训练3d cnn模型;
33、使用交叉熵损失和dice损失作为损失函数:
34、交叉熵损失用于多类别分割任务,其公式如下:
35、lce(p,q)=-σipilog(qi)
36、其中,p是真实标签的概率分布,q是模型的预测概率分布,i表示类别索引;
37、dice损失用于二进制分割任务,其公式如下:
38、
39、其中,p是真实标签的二进制分割掩码,q是模型的预测掩码,i表示像素索引,ε是一个小常数,避免分母为零;
40、在训练开始前,初始化模型的参数;
41、在每个训练批次中,前向传播用于计算模型的输出和损失函数值,然后反向传播用于计算梯度;
42、使用随机梯度下降算法和梯度信息来更新模型的参数,以减小损失函数的值,参数更新规则如下:
43、
44、其中,θt表示在时间步t的模型参数,α是学习率,是损失函数关于参数的梯度;
45、重复执行上述,直到模型收敛;
46、在每个训练周期结束后,使用验证数据集来评估模型的性能,包括使用分割性能指标dice系数、jaccard指数、准确性来评估模型的准确性。
47、进一步的:所述步骤6包括:
48、准备新的3d医学图像,确保图像已经经过均衡化以处理不均匀的对比度;
49、对新的3d医学图像进行预处理,以确保输入与模型训练时一致;
50、将预处理后的图像输入已经训练好的3d cnn模型中,通过模型的前向传播过程,生成对每个像素的分割预测;
51、根据模型的输出,采用以下策略生成最终的分割结果:
52、对于多类别分割,选择概率最高的类别作为像素的标签;
53、对于二进制分割,选择一个阈值来将概率映射为二进制分割结果。
54、另一方面,本发明公开了一种3d医学图像分割系统,包括:
55、医学图像数据集模块:收集并准备3d医学图像数据集,包括3d医学图像以及相应的分割标签,确保数据集中包括对比度不均匀的图像;
56、直方图均衡化模块:使用直方图均衡化来增强图像的对比度;
57、数据增强模块:对数据进行数据增强,以增加训练样本的多样性和鲁棒性。
58、卷积神经网络模型:建立图像分割的3d cnn模型,用于输入原始3d医学图像,并输出每个像素的分割标签;
59、模型训练模块:使用准备好的训练数据对cnn模型进行训练,在训练过程中,使用均衡化后的图像作为输入,以确保对比度已经得到增强;
60、图像分割模块:用经过训练的cnn模型对新的3d医学图像进行分割。
61、本发明与现有技术相比,所取得的技术进步在于:
62、对不均匀对比度更鲁棒:传统方法通常对不均匀对比度非常敏感,难以确定合适的分割阈值或特征,然而,本发明使用了直方图均衡化来增强图像的对比度,使得模型更能适应不均匀对比度的情况,有助于提高分割的稳定性和准确性。
63、自适应性处理:本发明在数据准备阶段使用直方图均衡化,不仅提高了图像的对比度,还使模型具备了自适应性,即使在医学图像中存在强烈的对比度不均匀性,模型也能够适应并提供更好的分割结果。
64、深度学习的优势:本发明采用了3d卷积神经网络(cnn)模型,允许模型学习更复杂的特征和上下文信息,相对于传统的手工特征提取方法,深度学习可以更好地捕捉图像中的结构和关联,提高了分割准确性。
65、数据增强:数据增强技术用于增加训练样本的多样性和鲁棒性,这可以帮助模型更好地适应不同类型的不均匀对比度和噪声,从而提高了分割的鲁棒性。
66、实时应用潜力:由于深度学习模型的高效性和自适应性,本发明有望用于实时应用,如实时图像分割或导航,这对于医学诊断和手术导航等领域具有潜在的重要意义,
67、综合而言,本发明利用深度学习和适应性处理,使得模型更具鲁棒性和准确性,尤其是在面对不均匀对比度的医学图像时,有望提高医学图像分割的效率和准确性,从而为医疗诊断和研究提供更有力的工具。