![点击分享此内容可以赚币 分享](/master/images/share_but.png)
多标签病毒性肺炎图像分割方法的研究.pdf
《多标签病毒性肺炎图像分割方法的研究.pdf》由会员分享,可在线阅读,更多相关《多标签病毒性肺炎图像分割方法的研究.pdf(10页珍藏版)》请在咨信网上搜索。
1、2023年12 月Chinese Journal of Biomedical EngineeringDecember2023中国医42卷6 期生程No.6报物Vol.42学学多标签病毒性肺炎图像分割方法的研究吴怡红杨勇1#叶宏伟?王小状2孙芳芳1#*(杭州电子科技大学自动化学院,杭州310018)2(浙江明峰智能医疗科技有限公司,杭州310018)摘要:目前,对于病毒性肺炎病灶分割的研究大多是基于单标签分割的,其分割准确率并不是特别理想。为提高病灶分割的准确率,提出了一种基于多标签的病毒性肺炎图像分割方法。本方法结合预先已知的肺部特征知识,将肺部特征信息叠加病灶特征信息形成多标签,并利用One
2、-Hot编码原理和改进的3D-UNet网络模型,结合来源于大挑战比赛中的病毒性肺炎病灶分割挑战-2 0 2 0 公共数据集进行多标签图像分割训练,其中训练集139例,验证集和预测集同为40 例,共计17 9例。在评价指标的选择上,除了常规的Dice评价指标外,本研究还提出了一个新的评估指标,炎肺比(focus-lungratio),提供了病灶和肺部的比例,结合精度评价指标,可用于衡量模型的鲁棒性。最终,该研究提出的双标签分割方法在公开数据集上的预测集的Dice可达到7 0.10%,相较于同网络下的单标签分割方法,提高4.2 0%的准确率;该研究还通过3种不同网络(级联Res-UNet,nnUN
3、et-ResUNet,3D-UNet)进行对比试验,实验结果表明在训练集上Dice损失达到最小,为5.0 0%;在验证集上Dice达到最大,为7 5.7 0%。所提出的方法改善了肺炎病灶分割的准确率,提高了模型的鲁棒性,对未来相关研究具有一定的临床价值和潜在意义。关键词:深度学习;图像分割;CT图像;多标签;病毒性肺炎中图分类号:R318文献标志码:A文章编号:0 2 58-8 0 2 1(2 0 2 3)0 6-0 7 2 0-10Research on Multi-Label Viral Pneumonia Image Segmentation MethodWu YihongYang Yo
4、ngYeHongweiWang XiaozhuangSun Fangfang1#221#*(School of Automation,University of Hangzhou Dianzi University,Hangzhou 310018,China)2(Zhejiang Minfound Intlligent Healthcare Technology Co.,Ltd.,Hangzhou 310018,China)Abstract:Researches on the segmentation algorithm of COVID-19 s lesion are mostly base
5、d on the single-label segmentation algorithm,but the accuracy cant reach the clinical criteria.In this paper,a new method ofCOVID-19s lesion segmentation based on multi-label was proposed,training on COVID-19 Lung CT LesionSegmentation Challenge-2020 dataset in the Grand Challenge.The dataset contai
6、ns 179 cases,including 139cases in the training set and the rest 40 cases in both of the validation and prediction set.We conducted lungregions with existing lung region segmentation model,which generated from LUNA16 dataset.The generatedlung region label was incorporated with the lesion label to fo
7、rm the multi-label of training dataset.The One-Hotcoding principle and improved 3D-UNet network model is used for training.This paper also proposed a newevaluation index,focus-lung ratio which was used to reflect the proportion of lesion regions in the lung andmeasured the models robustness with oth
8、er indicators.In the end,the prediction s Dice reached 70.10%,which is 4.20%higher than the single-label segmentation method under the same network.Besides,ourresults were compared with some published data,and ours displayed better performance,the validation saccuracy of dataset reached 75.70%.Exper
9、imental results showed that the proposed algorithm improved theaccuracy of pneumonia lesion segmentation and the robustness of the model,therefore,is of clinical value anddoi:10.3969/j.issn.0258-8021.2023.06.009收稿日期:2 0 2 1-0 8-2 5,录用日期:2 0 2 2-0 9-2 9#中国生物医学工程学会会员(Member,Ch i n e s e So c i e t y o
10、 f Bi o me d i c a l En g i n e e r i n g)*通信作者(Corresponding author),E-ma i l:s u n f f 511 h d u.e d u.c n721吴怡红,等的病毒性肺炎图像分割方法的研究6期potential significance for future studies.Key words:deep learning;image segmentation;computerized tomography;multi-label;viral pneumonia引言由于医学图像具有纹理复杂和语义多样的特点,多标签监督学习因
11、其有效性和实用性的特点使得训练效果更佳。相较于单标签分类的特征信息少的特点,多标签分类可获得较多的信息,使得被训练的数据能更好地体现泛性化的优点。就图像分割技术而言,相比于缺少泛性化的单标签深度学习图像分割方法,结合神经网络和深度学习算法的多标签分割方法正在成为近年来的趋势。随着多标签分割方法在肝脏,肾脏等器官上的成功应用,多标签分割方法也得到了越来越多的关注。Payer等1I提出了一种应全自动多标签心脏亚结构的分割方法,该方法通过使用两个全卷积网络,先对心脏周围的边界框进行粗定位,然后对心脏亚结构进行多标签分割。并在多模态全心脏分割(multi-modality whole heart se
12、gmentation,M M-WHS挑战中取得较好效果。Efremova等2 提出LinkNet-34模型,实验使用单通道和2.5维体系结构代替了3通道的RCB颜色,使得肾脏和肾脏肿瘤的分割准确率提高到9 6.2 0%和7 8.8 0%。2 0 2 0年,多标签方法也被运用到对训练时间的缩短上,Kim等3 提出了一种卷积神经网络,旨在生成肝脏、胃、十二指肠和右、左肾3D多标签语义图像。最终该模型以8 为一次训练所抓取的数据样本数量(b a t c h s i z e)和10 5次迭代应用在英特尔酷睿i9-7960 CPU(2.8 GHz)和 Nvidia GeForce RTX Titan 显
13、卡(2 4 GB内存)的GPU上,模型在分割肝脏和肾脏的时间上从原来的2 2.6 min减少至7.1min,大大提高了训练的时间效率。多标签方法的成功应用表明了多标签方法在不同领域发挥作用的巨大潜力4-10 2020年病毒性肺炎的突然爆发,使得该肺炎成为各路学者关注的重点1。对病毒性肺炎进行快速且准确的诊断是控制病毒性肺炎蔓延的重要前提。但是医生对肺炎CT图像的病灶区域误诊漏诊概率高,导致诊断时费时费力的问题突出。通过利用计算机辅助诊断等科学措施,提高病毒性肺炎分割的准确率为辅助医生对病情进行诊断并及时救治病人迫在眉睫。在2 0 2 0 年初,Ma等12 提出了一种病毒性肺炎病灶的分割模型。其
14、利用40 多个预训练的基线模型,进行了单标签病灶分割。次年,Rajamani等13提出了一种基于单标签的动态可变形注意力网络(dynamic deformable attention network,DDANet),实现了更准确的上下文信息计算,最终在分割病灶上平均取得一定的准确率。最近,Jin等14 提出了一种基于域自适应的CT图像分割模型(domainadaptation based self-correction network,DASC-Net),通过一个新的注意力机制、特征域增强的域自适应模型(attention and feature domain enhanced domaina
15、daptatio,A FD D A)和一个自校正学习过程来细化分割结果。以上的分割方法皆为单标签分割,其分割结果并不是特别理想。所以对病毒性肺炎 CT图像中的病灶部分进行精准的分割并提高正确率具有重要意义。由于对病毒性肺炎病灶分割的研究大抵是基于单标签分割的,其分割准确率并不是特别理想。并且单标签分割方法也存在对分割对象的学习缺少一定的泛性化、算法运行繁琐等缺陷。为避免以上问题,并进一步提高病毒性肺炎图像分割的准确率,本研究在深度学习的基础上,搭建神经网络,设计了一种基于多标签方法的病毒性肺炎病灶分割算法。通过利用LUNA16数据集训练得出的肺实质模型预测病毒性肺炎公开数据集中的肺实质的有效区
16、域,为减少肺部以外的假阳性结果,对肺实质标签和病毒性肺炎病灶标签合成为多标签。在训练时,把双标签输入到改进的神经网络中去,以提高网络训练结果的泛性化和新型冠状肺炎病灶分割的准确率。本研究提出了一个新的评价指标:炎肺比。通过该指标和常用精度指标的结合分析,可以对模型的稳定性和鲁棒性进行判定,具有一定的普遍意义。1材料和方法1.1材料实验数据集来源于大挑战(GrandChallenge)的病毒性肺炎病灶分割挑战比赛项目中的公开数据集(https:/covid-segmentation.grand-challenge.org/Data/)。该数据集标签通过美国儿童国家医院,NVIDIA公司和美国国立
17、卫生研究院的联合工作,并由专业临床医生在ITK-SNAP软件上对数据集进行注释。该公开数据集对病例的胸部CT进行了增722中国医42卷程物报学学强,其对SARS-CoV-2进行了RT-PCR(逆转录PCR)技术呈阳性,并对训练集肺中的病毒性肺炎病灶区进行了真值(ground truth)标注。本实验采用的数据主要由该公开数据集的训练集构成,共17 9例患者病例。其中训练集139例,验证集和预测集同为40例。原始图片和标签的数据的尺寸绝大数为512 512。本实验数据集的特殊性在于图片的层厚,相较于普通数据集的薄层,本数据集层厚达到5.0 0mm,属于厚层图像。实验中使用的肺部标签,是通过已有的
18、肺部模型,利用模型生成的权重对实验数据集进行肺部区域的预测,进而得出新的肺部标签,通过叠加操作,使之成为本实验的标签。图1中展示了两组公开数据集的图像及其病灶图像。1.2方法1.2.1数据分析在生成本实验的新标签之后,对实验数据也进行了数据分析。分析从两个方面进行,一是标签中的肺部区域和病灶区域的CT值的分布情况;二是标签中病灶的体积分布情况。在图2(a)中可明显看出,在-10 0 0 0 HU区间,病灶部分和肺部区域在很大程度上都有重叠的部分。-8 0 0 HU值的病灶(a)(b)图1病毒性肺炎数据集中病毒性肺炎病灶准确轮廓图样例(上下两行分别代表了两组不同的数据)。(a)肺部轮廓及红色标签
19、病灶;(b)病毒性肺炎病灶标签(掩膜值为1)Fig.1Accurate contour pattern in the viralpneumonia dataset(The upper and lower linesrepresent two different groups of data).(a)Lungprofile with red lesions label;(b)Lesions label ofviral pneumonia(The mask value is 1)40focusvolume35302520151050024.68101214volume/x10mm3(a)lung0
20、.005focus0.004KouenbaigBununoo0.0030.0020.0010.000-1200-1000-800-600-400-2000200CTvalue(b)图2 基于多标签的肺部和病灶的数据分析。(a)肺部、病灶CT值分布;(b)病毒性肺炎病灶的体积分布Fig.2Lung and focus data analysis based on multiplelabels.(a)CT value distribution of lung and lesion;(b)Thevolumedistributionofviralpneumonia lesions区占绝大多数,接近样本
21、肺部区域(-950 HU),该数据进一步说明了该新肺炎数据集中,病灶和肺部难以从CT图像上被区别开,为传统医生判定病毒性肺炎病灶带来了困难,进而也表明了病毒性肺炎确诊率低的原因。图2(b)展示的是以病灶体积(mm)为横轴,统计数目为纵轴的分布图。该分布图中几乎所有的病灶体积均集中在图片左侧0 2 10 mm之间,说明了该数据集的病灶均比较小且多的特点,进一步表明了病灶分割的难度大。但图中右侧也有些许大病灶的存在,体积大约在1.40 x10mm以上。1.2.2多标签的运用本研究多标签分割方法的目标是对肺部和病灶组成的多标签进行训练。实验产生肺部标签的原图像是来源于胸部CT扫描公共参考数据库的LI
22、DC-IDRI数据集,该数据集共有10 18 个CT扫描15-16 。由于该数据来源于7 家不同的学术机构,所采用的扫描器及其相关参数都不尽相同,导致图723吴怡红,等:多标签的病毒性肺炎图像分割方法的研究6期像各不相同。生成的肺部标签模型是利用了Setio等17 提出的LUNA16数据集。该数据集是剔除了LIDC-IDRI数据集中切片厚度大于3.0 0 mm的扫描数据,同时将切片空间不一致以及缺失部分切片的CT去除,最终产生了8 8 8 组肺部CT图像。本实验采用LUNA16数据集对8 8 8 例胸部CT进行了深度学习的训练,进而生成肺部模型。首先对数据集按照7:2:1的比例分为训练集,验证
23、集和测试集;其中训练集共6 2 2 例,验证集17 8 例,测试集8 8 例;对数据集进行数据分析,统计了肺部标签的CT值,通过该分析可为后续的阈值阶段操作进行铺垫;在数据预处理中,经过对数据集的以一定概率的旋转、翻折、线性变换、阈值截断、插值、和重采样等操作;然后利用Dialated-ResUNet网络进行训练;在训练后对预测出的标签进行图像后处理操作,对小区域的肺部标签进行去除,对两个大连通域的区域进行保留。最终,通过训练实验后,训练集的Diceloss值可达5.0 0%,验证集Diceloss值可达7.0 0%,在测试集上可得到98.42%的准确率。遂获得肺实质的预测模型。利用已训练完成
24、的肺实质预测模型对实验数据集进行预测,得出的肺部标签就是病毒性肺炎的数据标签。图3中展示了两组单标签和处理后的多标签图像。通过对肺部标签的标记,更好地反映了病灶标签相对于肺部标签的位置,为后续模型的精准预测提供了一定的基础。由于实验数据集标签具有互相独立性特点,故在标签处理中采用独热(One-Hot)编码。One-Hot编码亦被称为一位有效编码,即其n位状态寄存器对n个状态进行编码。每个状态都有其自已的独立寄存器位,一次仅对应一个有效位。One-Hot编码是分类变量以二进制向量的形式存在,标签的分类值将一一映射到整数,标签编号有两种状态,1或者O。实验在训练部分的损失函数处加人One-Hot编
25、码,对多标签中的肺部标签和病毒性肺炎病灶标签进行编码,使得肺部标签和病灶标签转换为独立的标签。该方法保留了原数据的完整性,增加了训练的灵活性。1.2.3数据预处理本实验中主要获取了原始图像尺寸,体素间距(s p a c i n g)等基本信息。对这些数据使用pickle模块对分析的数据进行分装,保存至pkl文件中。在(a)(b)(c)(d)图3病毒性肺炎数据集的病毒性肺炎病灶准确轮廓图样例和预测肺部标签后叠加生成多标签的病毒性肺炎病灶准确轮廓图样例对比图(上下两行分别代表了两组不同的数据)。(a)单标签原始肺部图像及病灶,灰色背景为肺部影像,红色标签为病灶区域;(b)原始病毒性肺炎病灶,白色图
- 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:
- 标签 病毒性 肺炎 图像 分割 方法 研究
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
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。