[发明专利]一种基于深度学习的大肠空腔区及肠内容物标注方法

说明书

本发明公开了一种基于深度学习的大肠空腔区及肠内容物标注方法，该方法包括：获取CT腹腔图像并对图像中的相关区域进行区域合并，得到区域合并后图像；将区域合并后图像进行图像拆分，得到拆分后图像；基于预训练的分割网络对拆分后图像进行分割，得到大肠区域图；根据大肠区域图对大肠区域进行标注，得到标注图；将标注图与输入的CT腹腔图像进行图像拼接，得到带标注的CT腹腔图像。本发明方法能够自动对输入的CT腹腔图像的大肠空腔区及肠内容物区域进行标注。本发明作为一种基于深度学习的大肠空腔区及肠内容物标注方法，可广泛应用于图像处理领域。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于深度学习的大肠空腔区及肠内容物标注方法。

背景技术

现阶段对于肠内容物以及大肠区的标记，以及大肠区的标记，只能通过专业人员进行手动标注，这样费时费力，并且长时间工作之后有标记失误的风险。近年来人工智能技术得到快速发展，尤其是深度学习方法在医学图像处理领域中得到广泛应用，但是目前常用于医学图像处理的网络因为没有顾及到上下文信息导致分割效果并不好，极容易出现错判和漏判的情况。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于深度学习的大肠空腔区及肠内容物标注方法，自动对输入的CT腹腔图像的大肠空腔区及肠内容物区域进行标注。

本发明所采用的第一技术方案是：一种基于深度学习的大肠空腔区及肠内容物标注方法，包括以下步骤：

获取CT腹腔图像并对图像中的相关区域进行区域合并，得到区域合并后图像；

将区域合并后图像进行图像拆分，得到拆分后图像；

基于预训练的分割网络对拆分后图像进行分割，得到大肠区域图；

根据大肠区域图和输入的CT腹腔图，分别对大肠空腔区及肠内容物进行标注，得到标注图；

将标注图与输入的CT腹腔图像进行图像拼接，得到带标注的CT腹腔图像。

进一步，所述获取CT腹腔图像并对图像中的相关区域进行区域合并，得到区域合并后图像这一步骤，其具体包括：

获取CT腹腔图像；

将CT腹腔图像内与肠内容物颜色接近的像素点进行去除；

将去除部分像素点后的CT腹腔图像中的肠内容物区域和大肠空腔区域进行合并，得到区域合并后图像。

进一步，所述将区域合并后图像进行图像拆分，得到拆分后图像这一步骤，其具体包括：

将区域合并后图像等比率分割成3*3的图像块，并将相邻图层的同一对应位置的图像块组成一个五张图片形成的图像组，得到拆分后图像。

进一步，所述预训练的分割网络的训练步骤包括：

获取训练用CT腹腔图像并对训练用CT腹腔图像进行数据增强，得到增强训练图像；

将增强训练图像结合图像对应的真实标签，构建训练集；

基于训练集中的CT腹腔图像对预构建的分割网络进行训练，得到预测标签；

基于预测标签与对应的真实标签计算误差损失；

根据误差损失对预构建的分割网络进行参数更新，得到训练完成的分割网络。

进一步，所述预构建的分割网络包括编码器、带注意力机制的解码器、ConvLSTM模块、和分类模块。

进一步，所述数据增强包括对图像平移、图像旋转和对图像进行gamma变换。

进一步，所述基于预训练的分割网络对拆分后图像进行分割，得到大肠区域图这一步骤，其具体包括：