CN119444778A 肾脏磁共振图像的小肿瘤自动分割方法及装置 （中国人民解放军总医院第一医学中心）

心肾脏磁共振图像的小肿瘤自动分割方法及本发明涉及肾脏磁共振图像的小肿瘤自动的3DU_Net分割网络模型；S3.使用ModelGenesis自监督学习预训练方法对3DU_Net分割处理后的训练用的图像和肿瘤分割图上对CP、到的初始分割结果进行平均来获得最终的分割2S1.对训练用的图像和肿瘤分割图采用重采样和归一化的方式进行预处理，所述训练S3.使用ModelGenesis自监督学习预训练方法对所述3DU_Net分割网络模型进行预所述预训练包括：使用LUNA2016中623个CT图像作为预训练的材料，将S4.使用预训练所获得的所述模型参数，采用五折交叉验证在预处理后的训练用的图S5.对待分割的图像采用重采样和归一化的方式进行预处理，所述待分割的图像为有S6.基于所述五个分割网络模型，对所述预处理后的待分割的图像使用滑窗法进行推理，以及对五个分割网络模型分别获取到的初始分割结果进行平均来获得最终的分割结使用三次样条插值法对训练用的图像和待分割的图像分别进行对所述肿瘤分割图进行以下重采样：将肿瘤分割图变换为独热编码图，值方法对one_hot向量进行插值，同时使用argmax方法将one_hot图重新转化为肿瘤分割所述重采样还包括：所有训练用的图像和待分割的图像被重采样到同一所述归一化包括采用z_score对所述训练用的图像和待分割的图像的信号强度进行归z-"3率为0.01的LeakyReLU函数作为上采样时增加或减少一半特征图的数量；以及使用具有6层分辨率的3DU_Net分割网络模所述方法还包括：在解码器区域的最后四个分辨率层级上添加1x1x1卷积和S使用联通分量分析来优化每个分割网络模型的初始分割结果以得到最9.肾脏磁共振图像的小肿瘤自动分割装置，其包括4极大缩短影像组学的开发时间，为后续影像组学的全自动分割及诊断流程的建立奠定基生运动伪影。并且，肾脏小肿瘤的体积较小，更难被检出及分割。在相关技术，基于CNN(ConvolutionalNeuralNetwork，卷积神经网络)构建的肾脏分割模型表现出较好的性[0005]S1.对训练用的图像和肿瘤[0007]S3.使用ModelGenesis自监督学习预训练方法对所述3DU_Net分割网络模型进[0009]S4.使用预训练所获得的所述模型参数，一[0010]S5.对待分割的图像采用重采样和归化的方式进行预处理，所述待分割的图像一5[0011]S6.基于所述五个分割网络模型，对[0016]所述归一化包括采用z_score对所述训练用的图像和待分割的图像的信号强度进[0017]根据本发明一些实施例，在将预处理后的图像输入3DU_N通过减去其均值强度值然后除以其标准差来标准化每个图像，之后收集所有的前景体素，时增加或减少一半特征图的数量；以及使用具有6层分辨率的3DU_Net分割网络模型来分[0024]其中Lce为cross_entropyloss，Laice为softdiceloss,两者的为6[0027]所述方法还包括：在解码器区域的最后四个分辨率层级上添加1x1x1卷积和通分量分析来优化每个分割网络模型的初始分割结果以得到最终的分[0034]图1示出根据本发明一些实施例的肾脏磁共振图像的小肿瘤自动分割方法的流程[0038]图5示出根据本发明的一些实施例的肾脏磁共振图像的小肿瘤自动分割装置的示7[0045]核磁共振成像(MagneticResonanceImaging，MRI)：利用核磁共振(nuclear[0046]图1示出根据本发明一些实施例的肾脏磁共振图像的小肿瘤自动分割方法的流程[0050]根据本发明一些实施例，图像的层内插值使用三次样条插值法(third_ordersplineinterpolation)进行重采样，层间插值使用最近邻插值(nearest_neighborinterpolation)进行重采样。训练用的肿瘤分割图([0052]根据本发明一些实施例，可以采用z_score对图像的信号强度进行归一化线性变8一层卷积使用的步长大小(Stride)如图2所示。此外，由于T2WI序列具有更高的层内分辨[0059]根据本发明的一些实施例，使用如下损[0061]其中Lce.为cross_entropyloss，Laice为softdiceloss,两者的计算公式分别为9下的分割损失以进一步优化模型参数，那么总损失函数(Lror)由各个分辨率下的损失函[0067]S3.使用ModelGenesis自监督学习预训练方法对所述3DU_Net分割网络模型进[0068]使用自监督学习预训练方法对模型进行预训练旨在减少训练时间，同时提高3D[0070]具体而言，本发明使用ModelGenesis自监督学习方法来预训练3DU_Net分割网pixelshuffling)，概率为0.5，随机非线性外观转换(randomnon_linearappearance[0071]S4.使用预训练所获得的所述模型参数，[0074]S5.对待分割的图像采用重采样下；对于平面内分辨率使用所有训练用的图像数据的中位分辨率作为目标平面内分辨率；[0078]所述归一化包括采用z_score对待分割的图像的信号强度进行归一化线性变换，[0079]所述归一化还可以包括在将预处理后的待分割的图像输入3DU_Net分割网络模[0082]S6.基于所述五个分割网络模型，对[0083]通过将输入的待分割的图像按照训练时裁剪的图像块(patch)大小进行滑动，预均集成策略(averageensemblestrategy)，通过对步骤S4获取的五个分割网络模型的初联通分量分析(connectedcomponentanalysis)来优化模型的初始分割结果以得到最终[0084]图展示了分割模型在某三个病人的肾脏小肿瘤(SRM)的分割结果，从左到右分别[0085]图5示出根据本发明的一些实施例的肾脏磁共振图像的小肿瘤自动分割装置500该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field_分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规