基于肾肿瘤病灶部位CT影像自动识别分割方法的设计与实现.pdf
《基于肾肿瘤病灶部位CT影像自动识别分割方法的设计与实现.pdf》由会员分享,可在线阅读,更多相关《基于肾肿瘤病灶部位CT影像自动识别分割方法的设计与实现.pdf(8页珍藏版)》请在咨信网上搜索。
1、基于肾肿瘤病灶部位CT影像自动识别分割方法的设计与实现王佳蕊1,张博文2,刘玉洁1,刘兆清1,张玉婷3,岳梦颖3,李 扬3,赵建洪3*,李书艳1*1 徐州医科大学 医学信息与工程学院,江苏 徐州 221004;2 兰州大学 化学化工学院,甘肃 兰州 730000;3 兰州大学第二医院 影像科,甘肃 兰州 730030收稿日期:2023-06-15基金项目:国家重点研发计划资助项目(2020YFC2006600);甘肃省自然科学基金资助项目(22JR5RA972)作者简介:李书艳,女,教授,博士,研究方向为医学信息学,e-mail:,通信作者;赵建洪,男,教授,博士,研究方向为影像学,e-mai
2、l:,*共同通信作者摘要:目的目的 开发基于计算机断层扫描图像和深度学习的高效率且高精确度的肾肿瘤语义分割模型。方法方法 基于注意力机制的U-Net网络架构算法,通过损失函数等相关系数评估模型,选择Patchwise-grid和Patchwise-crop两种训练方法,其中Patchwise-grid是将图像分割成数个网络分析,Patchwise-crop是分析图像中随机裁剪的斑块。使用3折交叉验证方法,在训练集和测试集上,通过训练轮次的增加,得到损失函数、dice系数、dice交叉熵的反映值,最终训练确定使用Patch-wise-crop方法。结果结果 构建的自动分割模型的3折交叉验证模型性
3、能dice系数分别为0.886 8,0.872 6,0.886 8;dice交叉熵结果分别为0.180 3,0.190 2,0.180 3,结果优于其他方法。结论结论 使用注意力机制U-Net网络架构算法有效实现了对肾、肾肿瘤区域的自动分割,为肾肿瘤的影像学辅助诊断提供技术支持。关键词:肾细胞癌;计算机断层扫描;深度学习;注意力机制U-Net中图分类号:R541文献标识码:Adoi:10.13885/j.issn.1000-2812.2023.08.007Automated identification and segmentation of renaltumor lesions based
4、on CT imagingWang Jiarui1,Zhang Bowen2,Liu Yujie1,Liu Zhaoqing1,Zhang Yting3,Yue Mengying3,Li Yang3,Zhao Jianhong3*,Li Shuyan1*1 School of Medical Information and Engineering,Xuzhou Medical University,Xuzhou 221004,Jiangsu,China;2 School of Chemistry and Chemical Engineering,Lanzhou University,Lanzh
5、ou 730000,China;3 Departmentof Imaging,The Second Hospital of Lanzhou University,Lanzhou 730030,ChinaAbstract:Objective To develop a high-efficiency and high-accuracy semantic segmentation model for renal tumors based on computed tomography images and deep learning.Methods An attention-based U-Net n
6、etwork architecture algorithm was employed and the modelevaluated using loss functions and relevant coefficients.Two training methods,Patchwise-grid and Patchwise-crop,were selected and compared.The Patchwise-grid method segmented the image into a network of segments for analysis,while the Patchwise
7、-crop method randomly crops sections of the image for analysis.Three-fold cross-validation was used to evaluate the model performance in the training and testing datasets.The loss function and the dice-soft and dice-crossentropy metrics were employed to assess the models performance.Results The Patc
8、hwise-crop method was the most effective training method,with dice-soft scores of 0.886 8,0.872 6 and 0.886 8,and dice-crossentropy scores of 0.180 3,0.190 2 and 0.180 3.These results were better than those by other methods.Conclusion The atten-文章编号:1000-2812(2023)08-0047-08第49卷 第8期2023年8月兰州大学学报(医 学
9、 版)Journal of Lanzhou University(Medical Sciences)Vol.49 No.8Aug.2023第49卷兰州大学学报(医 学 版)肾细胞癌是泌尿系统中常见的恶性肿瘤,患者约占肾恶性肿瘤的85%90%1。临床上多采用保留肾单位的手术治疗方式,是指完整切除肿瘤组织,尽可能保留患者部分正常肾组织,这要求临床医生尽可能准确地确定病变位置。传统分割方法中,医生根据病理学知识和相关经验,需要借助相应的标注软件在计算机断层扫描(com-puted tomography,CT)影像上手动标注肾和肿瘤位置,耗费大量时间和精力,并且由于肾肿瘤CT图像的灰度值过于相似,仅通
10、过人眼观察无法做到精确有效的分割。近年来,人工智能广泛应用,已可以通过反复学习得到人类的逻辑思维能力及行为感知能力。深度学习是实现人工智能的主要技术之一,如何将深度学习与临床图像处理完美结合是目前数字医疗迫切需要解决的主要课题之一2-3。因此本研究选择使用了一种深度学习的图像分割方法应用于肾和肾肿瘤区域的自动分割,为肾肿瘤的影像学辅助诊断提供技术支持。1材料与方法材料与方法1.1 材料1.1.1 实验数据本研究用到的数据集是 KiTS19(Kidney Tu-mor Segmentation Challenge 2019),KiTS19 是肾肿瘤分割挑战赛,美国明尼苏达大学医学中心收集2010
11、-2018年所有因肾肿瘤行部分或根治性肾切除术患者治疗前的肾 CT 增强皮髓质期图像,共计300例,其中有标签的图像210例,无标签的图像90例。数据分割标注是由美国明尼苏达大学医学中心放射科医师监督医学生完成,分割标注对照了手术病理,提高了肿瘤的精确定位,并排除了囊肿。其标注信息类别分别为背景、肾、肾肿瘤。1.1.2 实验环境使用 python 3.7.13 和 tensorflow 2.7.0 搭建本研究所需要的深度学习环境。采用的是 Ubuntu 18.04.3 系统,选用的硬件是 16 核,64 Intel(R)Xeon(R)Gold 6226R CPU 2.90GHz,GPU选用的是
12、10 G显存的RTX3080显卡。实验环境搭建流程:安装cuda11.2+cudnn8.1.0;安装anaconda;在anaconda中新建python3.7.13子环境;进入子环境安装tensorflow2.7.0,miscnn,numpy,matplotlib,nibabel,keras,pillow,pydicom,SimpleITK,pyqt5,pyqt5-tools等工具包。1.2 图像分割数据预处理由于成像设备在肾肿瘤 CT图像的成像过程中会受到一些无关因素的影响,例如运动伪影、散射伪影及钙化等4,通常会导致获取的肾肿瘤CT图像存在各种噪声、伪影和低对比度等,影响医生的诊断和治疗
13、准确性5。因此,需要在肾肿瘤CT图像分割之前对图片进行预处理和归一化,以提高图像质量和可用性,为后续算法提供更准确、有效的输入数据6。本研究针对 KiTS19 数据集的预处理步骤:(1)KiTS19 CT扫描是以NIfTI格式编码的,因此要使用miscnn部署一个使用NIfTI接口的数据I/O类。(2)信息增强:预处理器对象将自动用默认值初始化数据增强,考虑到miscnn管道的确切工作流,可以手动初始化。使用所有可能的增强技术触发大规模的数据增强,避免过度拟合,在数据集上,通过使用名为Data_Augmentation的函数增强图像数据操作,使用cycles=2设置对每张图像增强 2 次;使用
14、 scaling=True,rotations=True,elastic_deform=True,mirror=True,brightness=True,contrast=True,gamma=True,gau-ssian_noise=True分别对图像进行缩放、旋转、弹性变形、镜像翻转、亮度调整、对比度调整、伽马校正和高斯噪声添加等增强操作。Miscnn的增强流程见图1。(3)预处理类:预处理类是指在数据分析或机器学习任务中,对原始数据进行清洗、转换、特征提取和准备的一组操作的封装。对于预处理类,需要定义在数据集上执行的子函数。子函数是应用于数据的前处理和后处理的函数,用于提高性能。如果子函
15、数已经存在,可以从 miscnn 中添tion U-Net network architecture algorithm effectively achieved automatic segmentation of the kidney and re-nal tumor areas,providing technical support for the imaging-assisted diagnosis of renal tumors.Keywords:renal cell carcinoma;computed tomography;deep learning;attention U-Net
16、48配置数据增强技术设置裁剪、分割图等的增强初始化后解析参数运行数据增强 返回增强后的图像数据添加空间变换,数次增强增强亮度、对比度等定义标签添加批量生成器和数据生成器生成器在批处理模块中加载数据设置迭代器,批处理器的多线程图1 数据增强代码流程图第8期王佳蕊,等:基于肾肿瘤病灶部位CT影像自动识别分割方法的设计与实现加,如果miscnn库中没有所需的子函数,可以编写自定义的子函数并将其传递给miscnn管道。有3种最先进的预处理方法:像素归一化,即像素值将通过Z-Score公式归一化;裁剪,根据提供的像素值范围最小/最大值进行裁剪,通过CT扫描像素值范围的一致性实现;重采样,磁共振成像和CT
17、图像可以有不同的体素间隔(切片厚度),因此需要将这些体素间隔标准化到一个共同的尺度,重采样过程也导致图像尺寸变得更小。(4)异 常 值 处 理:删 除 case00015,case00023,case00037,case00068,case00125,case00133 6 个异常值样本。(5)训练集测试集划分:210个有标签的样本删去6个异常样本后,将剩余的204个样本取80%即163个样本作为训练集,其余41个样本作为测试集。1.3 图像分割模型1.3.1 图像分割模型构建分割模型的构建部分将选取训练集163个样本分别建立U-Net和注意力机制U-Net深度学习模型分割肾图像。U-Net网
18、络是一种全卷积神经网络7,对小目标的分割效果较好,在结构上具有可扩展性,当训练样本不够充分的时候,也可以自行拼接信息以充分利用训练数据8。近几年 U-Net 网络也向3D网络的方向扩展9,并可以做到增强相关特征,抑制无关特征。U-Net网络的提出就是为了处理医学图像分割的难题,它首先卷积和池化一张图片,即下采样,然后反卷积,即上采样。U-Net网络的优点在于它的特征图视野域很大,浅层的卷积会关注纹理特征,而深层的卷积会关注更本质的特征,因此体现在图像的划分上每一格上都有意义10,对于使用vaild方法卷积时会造成特征信息的损失也可通过拼接特征的方式找回11。注意力机制U-Net是由Schlem
19、per等12提出的基于注意力门的模型,它能自动学习以分辨目标的形状和大小。注意力门模型能在训练中抑制不相关区域,并将注意力集中在有用的重要特征上。卷积神经网络在局部信息层的基础上产生图像的高维,表示在高维空间产生具有语义信息的离散像素和巨大的感受野13。基于注意力机制 U-Net的粗粒特征图可以结合上下文信息,突出前景物体的类别和位置,然后使用跳跃链接合并在多个尺度上获得特征图,最终与粗粒度和细粒度的密集程度的预测相结合14。注意力机制U-Net是将注意力机制运用到U-Net分割网络中,原始的U-Net是把下采样层的特征直接拼接到同层的上采样层中15,而在注意力机制加入后,会使用注意力模块处理
20、下采样的同一层和上采样的上一层的特征图,再拼接上采样的特征图,可以有效抑制图像中不显著的区域,并突出显著区域的特征16。另外,载入注意力机制后可以有效提高模型的灵敏度和预测精度,且不会额外花费太多的计算力17。因此,相较于原型的U-Net模型,注意力机制U-Net模型能取得更好的效果。1.3.2 图像分割模型训练及超参数调整本研究采用了Patchwise-grid和Patchwise-crop两种训练方法18,Patchwise-grid和Patchwise-crop都是图像分割任务中常用的训练方法,都是将输入图像分成多个小块训练,以提高网络的泛化能力和抗干扰能力。其中,Patchwise-g
21、rid是将输入49第49卷兰州大学学报(医 学 版)图像分成多个大小相等的小块,每个小块都用来训练网络。其优点是可以充分利用输入图像的全部信息,让网络更好地学习到目标物体的位置和形状信息,从而提高分割的准确性。但是,由于每个小块都是独立训练的,网络可能无法学习到不同小块之间的关联信息,从而影响分割的精度。Patchwise-crop是将输入图像分成多个大小不等的小块,每个小块都从输入图像中随机裁剪。其优点是可以让网络学习到不同尺度的特征信息,并且由于每个小块都随机裁剪,可以学习到不同小块之间的关联信息,从而提高分割的精度,但可能会出现一些小块中不包含目标物体的情况,影响分割的准确性19。对训练
22、集使用3折交叉验证评估其性能,并用测试集验证。使用Tversky loss函数作为损失函数,也通过dice交叉熵(dice系数和分类交叉熵的总和)和 dice系数作为额外的性能评估指标,分类交叉熵通常被用作分类任务的损失函数,用于衡量分类的准确性,应该越小越好。交叉验证的结果如图2。图2 注意力机制U-Net及U-Net模型注意力机制U-Net的dice系数注意力机制U-Net验证集dice系数U-net dice系数U-net验证集dice系数1.4 图像分割实验评估指标与方法1.4.1 dice系数dice系数是一种集合相似度度量函数,用于计算两个样本的相似度,在医学图像分割的评估指标中是
23、使用频率最高的一个指标,取值范围为0,1,它是通过衡量相对重叠的程度来评估20,0表示完全不重叠,1表示完全重叠,因此,越接近1表示模型的分割性能越好,公式:dice系数=2|XY|X+|Y,其中,X表示实际分割结果,Y表示模型预测结果。考虑到分母会重复计算X和Y之间共同元素的可能性,因此分子的系数是2。1.4.2 Tversky loss函数在医学图像分割领域,数据不平衡是一个很严重的问题,会造成训练模型高精度和低灵敏度,Tversky loss函数用以优化模型的性能,其值越小模型越优;该函数是基于dice系数和Jaccard系数的一种推广,公式:T(X,Y)=|XY|XY+|X-Y+|Y-
24、X,其中,=0.5的时候,Tversky系数是dice系数,而=1的时候,Tversky系数是Jaccard系数,和就是Tversky在假阴性和假阳性区域所增加的权重因子,通过这两个数值可控制系数在假阴性和假阳性区域之间的平衡21。具体权重参数(和)的选择可能需根据具体的任务和需求确定,以找到最佳的平衡点,以便在假阴性和假阳性之间达到最佳性能。2结果结果图3、4、表1结果显示,Patchwise-crop方法dice系数上表现出更加稳定的增长趋势,随着迭代次数的增加逐渐趋于平稳。表明Patchwise-crop方法在分割目标区域时具有更好的稳定性和准确性。同时,dice交叉熵和损失函数也更低,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 肿瘤 病灶 部位 CT 影像 自动识别 分割 方法 设计 实现
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。