【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及圖像分割，尤其涉及一種基于深度學(xué)習(xí)的pet-ct肺癌圖像分割方法及系統(tǒng)。
技術(shù)介紹
1、pet使用正電子示蹤劑，當(dāng)核素衰變時(shí)，正電子與自由電子碰撞湮滅，產(chǎn)生一對(duì)能量為511kev的光子。通過探測(cè)器接收這兩個(gè)光子，可以確定正電子發(fā)射點(diǎn)的位置，并形成斷層示蹤劑分布圖像。代謝率高的組織或病變?cè)趐et上呈現(xiàn)高代謝亮信號(hào)，反之則呈現(xiàn)低代謝暗信號(hào)。ct利用人體組織對(duì)x線的吸收差異，通過x線穿過人體后的衰減，經(jīng)重建計(jì)算獲得圖像矩陣。ct對(duì)組織的密度分辨率較高。pet/ct將pet的功能成像和ct的解剖學(xué)信息相結(jié)合，在分子水平上顯示組織細(xì)胞的代謝、功能、血流、細(xì)胞增殖和受體分布。它利用惡性腫瘤細(xì)胞高代謝的特點(diǎn)，通過注射18f-fdg（氟脫氧葡萄糖）等顯像劑，反映體內(nèi)葡萄糖利用狀況，從而在pet-ct顯像中顯示腫瘤的部位、形態(tài)、大小等信息。
2、但傳統(tǒng)的基于pet-ct肺癌圖像分割方法往往存在以下問題：深度學(xué)習(xí)算法被稱為黑箱算法，因?yàn)槿狈山忉屝裕茈y完全理解導(dǎo)致分割性能不佳的因素，在臨床實(shí)踐中，深度學(xué)習(xí)算法可能以不可預(yù)測(cè)的方式失敗，無法分割oar（危及器官）和gtv（腫瘤體積），這在臨床實(shí)踐中是危險(xiǎn)的。在處理x光片上，與盲區(qū)重疊的病變不僅難以檢測(cè)，而且在分割上準(zhǔn)確性也較低。
技術(shù)實(shí)現(xiàn)思路
1、基于此，本專利技術(shù)有必要提供一種基于深度學(xué)習(xí)的pet-ct肺癌圖像分割方法及系統(tǒng)，以解決至少一個(gè)上述技術(shù)問題。
2、為實(shí)現(xiàn)上述目的，一種基于深度學(xué)習(xí)的pet-ct肺癌圖像
3、步驟s1：獲取pet肺癌圖像數(shù)據(jù)以及ct肺癌圖像數(shù)據(jù)，利用多尺度特征編碼器分別對(duì)pet肺癌圖像數(shù)據(jù)以及ct肺癌圖像數(shù)據(jù)進(jìn)行多尺度特征提取，得到圖像特征數(shù)據(jù)；
4、步驟s2：根據(jù)圖像特征數(shù)據(jù)進(jìn)行基于跨模態(tài)注意力機(jī)制的圖像特征融合，得到雙模態(tài)圖像融入數(shù)據(jù)；根據(jù)雙模態(tài)圖像融入數(shù)據(jù)進(jìn)行可解釋性注意力模塊設(shè)計(jì)，并通過顏色梯度標(biāo)記注意力強(qiáng)度，生成逐像素注意力熱力圖；
5、步驟s3：對(duì)逐像素注意力熱力圖進(jìn)行基于盲區(qū)、重疊病變以及假陽性檢測(cè)的熱力圖引導(dǎo)邊界修正處理，得到熱力圖校正特征數(shù)據(jù)；根據(jù)熱力圖校正特征數(shù)據(jù)進(jìn)行多層分割解碼器構(gòu)建，并通過多層分割解碼器進(jìn)行器官以及腫瘤體積分割，得到腫瘤分割圖像數(shù)據(jù)；
6、步驟s4：根據(jù)腫瘤分割圖像數(shù)據(jù)設(shè)計(jì)包括dice損失以及邊界損失混合損失函數(shù)，并通過可學(xué)習(xí)的權(quán)重系數(shù)動(dòng)態(tài)調(diào)整兩類損失的貢獻(xiàn)比例，得到混合損失函數(shù)數(shù)據(jù)，其中dice損失計(jì)算分割區(qū)域重疊度，邊界損失關(guān)注分割邊界的精確性；
7、步驟s5：根據(jù)混合損失函數(shù)數(shù)據(jù)對(duì)腫瘤分割圖像數(shù)據(jù)進(jìn)行連通域分析，進(jìn)行面積小于預(yù)設(shè)閾值的偽影區(qū)域去除，得到不同損失函數(shù)權(quán)重配置下的候選分割優(yōu)化數(shù)據(jù)；對(duì)候選分割優(yōu)化數(shù)據(jù)進(jìn)行基于分割性能的最優(yōu)分割圖像選擇，得到最優(yōu)分割圖像數(shù)據(jù)。
8、本專利技術(shù)通過多尺度特征編碼器對(duì)pet和ct肺癌圖像數(shù)據(jù)進(jìn)行多尺度特征提取，分別捕獲pet的功能代謝特征和ct的解剖結(jié)構(gòu)特征，確保圖像特征的完整性和多樣性。在此基礎(chǔ)上，利用跨模態(tài)注意力機(jī)制融合兩種模態(tài)特征，生成雙模態(tài)圖像融合數(shù)據(jù)，通過可解釋性注意力模塊設(shè)計(jì)生成逐像素注意力熱力圖，直觀展示模型對(duì)腫瘤區(qū)域的關(guān)注程度，增強(qiáng)了算法的可信度。隨后，對(duì)熱力圖進(jìn)行基于盲區(qū)、重疊病變及假陽性檢測(cè)的引導(dǎo)邊界修正處理，解決分割精度問題，同時(shí)構(gòu)建多層分割解碼器進(jìn)一步優(yōu)化分割結(jié)果，實(shí)現(xiàn)對(duì)器官和腫瘤體積的精確分割。基于分割圖像，設(shè)計(jì)包含dice損失和邊界損失的混合損失函數(shù)，通過動(dòng)態(tài)可學(xué)習(xí)權(quán)重調(diào)整兩種損失的貢獻(xiàn)比例，既提升分割區(qū)域與真實(shí)腫瘤區(qū)域的重疊度，又提高分割邊界的精確性。最終，通過連通域分析去除面積小于閾值的偽影區(qū)域，并對(duì)不同損失權(quán)重配置下的候選分割優(yōu)化數(shù)據(jù)進(jìn)行性能評(píng)估，自動(dòng)選擇最優(yōu)分割圖像數(shù)據(jù)，確保輸出結(jié)果的精確性和臨床實(shí)用性。這一方法綜合利用多模態(tài)數(shù)據(jù)特性、注意力機(jī)制和分割優(yōu)化策略，有效提升肺癌圖像分割的精度、魯棒性和可解釋性，為臨床診斷和治療提供高質(zhì)量支持。
9、本專利技術(shù)還提供一種基于深度學(xué)習(xí)的pet-ct肺癌圖像分割系統(tǒng)，用于執(zhí)行上述的基于深度學(xué)習(xí)的pet-ct肺癌圖像分割方法，所述基于深度學(xué)習(xí)的pet-ct肺癌圖像分割系統(tǒng)包括：
10、多尺度特征提取模塊，用于獲取pet肺癌圖像數(shù)據(jù)以及ct肺癌圖像數(shù)據(jù)，利用多尺度特征編碼器分別對(duì)pet肺癌圖像數(shù)據(jù)以及ct肺癌圖像數(shù)據(jù)進(jìn)行多尺度特征提取，得到圖像特征數(shù)據(jù)；
11、跨模態(tài)注意力融合模塊，用于根據(jù)圖像特征數(shù)據(jù)進(jìn)行基于跨模態(tài)注意力機(jī)制的圖像特征融合，得到雙模態(tài)圖像融入數(shù)據(jù)；根據(jù)雙模態(tài)圖像融入數(shù)據(jù)進(jìn)行可解釋性注意力模塊設(shè)計(jì)，并通過顏色梯度標(biāo)記注意力強(qiáng)度，生成逐像素注意力熱力圖；
12、熱力圖引導(dǎo)邊界修正模塊，用于對(duì)逐像素注意力熱力圖進(jìn)行基于盲區(qū)、重疊病變以及假陽性檢測(cè)的熱力圖引導(dǎo)邊界修正處理，得到熱力圖校正特征數(shù)據(jù)；根據(jù)熱力圖校正特征數(shù)據(jù)進(jìn)行多層分割解碼器構(gòu)建，并通過多層分割解碼器進(jìn)行器官以及腫瘤體積分割，得到腫瘤分割圖像數(shù)據(jù)；
13、混合損失優(yōu)化模塊，用于根據(jù)腫瘤分割圖像數(shù)據(jù)設(shè)計(jì)包括dice損失以及邊界損失混合損失函數(shù)，并通過可學(xué)習(xí)的權(quán)重系數(shù)動(dòng)態(tài)調(diào)整兩類損失的貢獻(xiàn)比例，得到混合損失函數(shù)數(shù)據(jù)，其中dice損失計(jì)算分割區(qū)域重疊度，邊界損失關(guān)注分割邊界的精確性；
14、偽影去除與最優(yōu)分割選擇模塊，用于根據(jù)混合損失函數(shù)數(shù)據(jù)對(duì)腫瘤分割圖像數(shù)據(jù)進(jìn)行連通域分析，進(jìn)行面積小于預(yù)設(shè)閾值的偽影區(qū)域去除，得到不同損失函數(shù)權(quán)重配置下的候選分割優(yōu)化數(shù)據(jù)；對(duì)候選分割優(yōu)化數(shù)據(jù)進(jìn)行基于分割性能的最優(yōu)分割圖像選擇，得到最優(yōu)分割圖像數(shù)據(jù)。
15、本專利技術(shù)使用多尺度特征編碼器分別對(duì)pet和ct圖像進(jìn)行處理，以提取不同尺度上的圖像特征。由于pet和ct圖像具有不同的空間分辨率和視覺特征，通過多尺度提取能夠捕獲腫瘤的多層次信息。提取多尺度特征可以更全面地表示圖像中的信息，使模型能夠識(shí)別到腫瘤在不同尺度下的形態(tài)和變化。針對(duì)pet和ct圖像的不同特性，能夠有效整合其信息，增強(qiáng)對(duì)腫瘤的識(shí)別能力。根據(jù)提取的圖像特征數(shù)據(jù)，使用跨模態(tài)注意力機(jī)制融合pet和ct圖像的特征數(shù)據(jù)。該模塊通過注意力機(jī)制聚焦于重要的圖像區(qū)域，將兩個(gè)模態(tài)圖像的互補(bǔ)信息進(jìn)行融合。通過跨模態(tài)注意力機(jī)制，自動(dòng)關(guān)注和加強(qiáng)圖像中最相關(guān)的部分，減少無關(guān)信息的干擾。有效整合pet和ct圖像的特征，提供更全面的腫瘤信息，提高檢測(cè)的準(zhǔn)確性和魯棒性。根據(jù)雙模態(tài)圖像融合數(shù)據(jù)，設(shè)計(jì)可解釋性注意力模塊，通過顏色梯度標(biāo)記注意力強(qiáng)度并生成逐像素的注意力熱力圖。這可以幫助醫(yī)生了解模型關(guān)注的重點(diǎn)區(qū)域，增加診斷的透明度。生成的注意力熱力圖為模型決策提供可視化依據(jù)，有助于解釋模型關(guān)注的關(guān)鍵區(qū)域，增加模型的可信度。醫(yī)生可以根據(jù)熱力圖更直觀地理解腫瘤的位置和特征，輔助臨床決策。基于逐像素注意力熱力圖，該模塊進(jìn)行盲區(qū)、重疊病變以及假陽性區(qū)域的檢測(cè)和邊界修正。通過這種方式，確保分割結(jié)果更加精確，減少錯(cuò)誤分割區(qū)域。通過引導(dǎo)邊界修正，消除熱本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于深度學(xué)習(xí)的PET-CT肺癌圖像分割方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的PET-CT肺癌圖像分割方法，其特征在于，步驟S1包括以下步驟：
3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的PET-CT肺癌圖像分割方法，其特征在于，步驟S13包括以下步驟：
4.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的PET-CT肺癌圖像分割方法，其特征在于，步驟S2包括以下步驟：
5.根據(jù)權(quán)利要求4所述的基于深度學(xué)習(xí)的PET-CT肺癌圖像分割方法，其特征在于，步驟S21包括以下步驟：
6.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)的PET-CT肺癌圖像分割方法，其特征在于，步驟S24包括以下步驟：
7.根據(jù)權(quán)利要求6所述的基于深度學(xué)習(xí)的PET-CT肺癌圖像分割方法，其特征在于，步驟S3包括以下步驟：
8.根據(jù)權(quán)利要求7所述的基于深度學(xué)習(xí)的PET-CT肺癌圖像分割方法，其特征在于，步驟S35包括以下步驟：
9.根據(jù)權(quán)利要求8所述的基于深度學(xué)習(xí)的PET-CT肺癌圖像分割方法，其特征在于，步
10.一種基于深度學(xué)習(xí)的PET-CT肺癌圖像分割系統(tǒng)，其特征在于，用于執(zhí)行如權(quán)利要求1所述的基于深度學(xué)習(xí)的PET-CT肺癌圖像分割方法，所述基于深度學(xué)習(xí)的PET-CT肺癌圖像分割系統(tǒng)包括：
...【技術(shù)特征摘要】
1.一種基于深度學(xué)習(xí)的pet-ct肺癌圖像分割方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的pet-ct肺癌圖像分割方法，其特征在于，步驟s1包括以下步驟：
3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的pet-ct肺癌圖像分割方法，其特征在于，步驟s13包括以下步驟：
4.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的pet-ct肺癌圖像分割方法，其特征在于，步驟s2包括以下步驟：
5.根據(jù)權(quán)利要求4所述的基于深度學(xué)習(xí)的pet-ct肺癌圖像分割方法，其特征在于，步驟s21包括以下步驟：
6.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)的pet-c...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：張瑞，蔡鐵，程?hào)|升，曹維，胡藝檬，
申請(qǐng)(專利權(quán))人：深圳信息職業(yè)技術(shù)學(xué)院，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。