一种肉羊外脊肉CT图像分割方法与流程

一种肉羊外脊肉ct图像分割方法
技术领域
1.本发明属于肉羊育种领域，涉及一种肉羊外脊肉ct图像分割方法，特别是一种肉羊外脊肉ct图像分割方法。


背景技术：

2.肉用性状测定是肉羊育种的重要工作，传统的肉羊肉用性能通过屠宰进行测量，即将被测量肉羊经过宰杀和胴体分割后，对肉块或器官进行称重，这种方法测量结果准确，缺点是即使被测量个体具有优异的肉用性能和良好的育种潜力，经过屠宰后，这些个体不能用于后期的育种实践。
3.无损式肉羊肉用性能测量可以避免屠宰测量的缺陷，研究合适的无损式肉羊肉用性能性状测量方法有助于充分利用优异育种个体进行育种实践，这对提高育种效率、促进肉羊产业的发展具有重要的实践意义。
4.计算机断层扫描(computerized tomography,ct)是一种无需开刀就能生成不重叠轴向切片图像的医学影像技术。ct设备利用精确的x射线束对被测物体进行断面扫描，探测器将所接收的x射线经过光电和数模转换形成被扫描部位的图像。ct图像通过不同的灰度反映出被扫描部位的不同组织实现被测部位的图像显示。由于能够准确地确定被扫描部位的病灶等异常部位，ct图像技术有助于快速、准确的病症诊断，并在医学研究中得到了广泛的应用。图像分割是ct图像分析的重要步骤，分割效果对图像分析结果产生重要的影响。
5.深度学习(dl,deep learning)是机器学习(ml,machine learning)领域中一个新的研究方向，它学习样本数据的内在规律，利用学习过程中获得的信息提高对所分析数据的理解，深度学习在语音和图像识别等领域表现出了优异的性能。
6.在畜禽育种中，外脊肉通常作为肉用性能的代表性肉块被广泛应用到产肉性状和肉质性状的育种研究中。本发明选择肉羊外脊肉ct图像进行深度学习图像分割研究，为后期的肉羊肉用性能无损式测量进行技术方面的探索。


技术实现要素：

7.本发明的目的在于提供一种结构设计科学合理，能够进行无损测量、利于后期育种实践、易于实现的肉羊外脊肉ct图像分割方法。
8.本发明解决其技术问题是通过以下技术方案实现的：
9.一种肉羊外脊肉ct图像分割方法，其特征在于：包括如下方法：
10.步骤一，利用ct扫描设备对羊只进行扫描，获取ct图像，并选取肉羊胸部至腹部的包含外脊部位肉的图像；
11.步骤二，将选取的图像按照五折交叉验证的方法随机选择1/5的图像组成验证集合，剩下4/5的图像组成训练集合；
12.步骤三，使用python语言开源软件库中的labelme软件对训练集合中ct图像的外脊部位进行标记构建图片标签，并保存为json文件；
13.步骤四，使用python开源代码将保存好的json文件提取为png格式的图片文件；
14.步骤五，将原ct图像，dicom格式的图片作为训练集原图，标记好的png格式的图片作为训练集标签，共同送入python深度学习网络进行网络训练和验证。
15.而且，使用simpleitk对肉羊胸部至腹部的包含外脊肉部位ct图像进行hu值转换；使用窗口化操作和直方图均衡化提高图像中被分割区域与背景区域的对比度。
16.而且，所述对羊只进行扫描，获取ct图像，并选取肉羊胸部至腹部的包含外脊肉部位的图像的方法为：测量人员通过静脉注射1.0毫升盐酸氯丙嗪注射剂对被测肉羊进行全身麻醉，然后将麻醉后的肉羊仰卧放置在ct扫描仪平台上，将羊的前蹄、后蹄捆绑固定，并确保前蹄呈弯曲状，后蹄自然伸开，羊头朝上并用遮布蒙住羊眼，避免射线伤害羊只眼睛，扫描完成后将被扫描羊只送到等候场地，让其自然苏醒。
17.而且，所述将选取的图像按照五折交叉验证的方法随机选择1/5的图像组成验证集合，剩下4/5的图像组成训练集合的方法为：
18.第一步，首先不重复抽样将原始数据随机分为5份；
19.第二步，每一次挑选其中1份作为验证集，剩余4份作为训练集用于模型训练；
20.第三步，重复第二步5次，使每个子集都有一次机会作为验证集，其余均作为训练集；
21.第四步，在每个训练集上训练后得到一个模型，用这个模型在相应的验证集上验证，计算并保存模型的评估指标；
22.第五步，计算5组测试结果的平均值作为模型精度的估计，并作为当前5折交叉验证下模型的性能指标。
23.而且，所述使用python语言开源软件库中的labelme软件对训练集合中ct图像的外脊部位进行标记构建训练数据集的方法为：通过人工将外脊部位与其他部位分开，然后使用labelme软件中的画笔工具，手动描点，顺序勾画出外脊部位的大致轮廓，首尾相接并保存为json文件。
24.本发明的优点和有益效果为：
25.1、本肉羊外脊肉ct图像分割方法，通过将肉羊ct切片放入网络模型进行模型训练，并通过卷积神经网络进行了大量卷积、池化等操作，得到了外脊部位分割的权重，经验证，通过该权重进行验证的模型能够最大程度完整且精确地分割出肉羊外脊部位肉，分割精度达到了87％以上。
26.2、本肉羊外脊肉ct图像分割方法，能够使用深度学习技术实现自动化精确分割肉羊外脊部位肉，与手动屠宰方式获取的方法相比，提高了精度和效率，并且属于非侵入式方法。
附图说明
27.图1为本发明ct扫描仪扫描肉羊照片；
28.图2为本发明通过ct扫描获取到的肉羊外脊部位ct切片；
29.图3为本发明经过图像增强预处理操作后的ct切片；
30.图4为本发明图像分割后肉羊外脊部位肉图像，顺序依次为使用fcn8s、attention_unet、channelunet、resnet34_unet、unet++以及unet网络的分割结果；
31.图5为本发明图像分割后肉羊外脊部位肉图像loss值训练过程图像，顺序依次为使用fcn8s、attention_unet、channelunet、resnet34_unet、unet++以及unet网络的分割结果；
32.图6为本发明图像分割后肉羊外脊部位肉图像aver_hd值训练过程图像，顺序依次为使用fcn8s、attention_unet、channelunet、resnet34_unet、unet++以及unet网络的分割结果；
33.图7为本发明图像分割后肉羊外脊部位肉图像iou与dice值训练过程图像，顺序依次为使用fcn8s、attention_unet、channelunet、resnet34_unet、unet++以及unet网络的分割结果。
具体实施方式
34.下面通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。
35.本发明所使用的ct图像数据来源于国家肉羊核心育种场
‑‑
天津奥群牧业有限公司，图像采集地点位于天津市奥群牧业有限公司(国家)肉羊生产性能测定中心，采集工具是东软集团股份有限公司制造的ct测量仪。实验羊只包括澳洲白公羊和杜泊公羊两个品种，羊只月龄在四月齡到六月齡之间。
36.ct扫描前，测量人员通过静脉注射1.0毫升盐酸氯丙嗪注射剂对被测肉羊进行全身麻醉，然后将麻醉后的肉羊仰卧放置在ct扫描仪平台上，将羊的前蹄、后蹄捆绑固定，并确保前蹄呈弯曲状，后蹄自然伸开，羊头朝上并用遮布蒙住羊眼，避免射线伤害羊只眼睛。肉羊ct扫描如图1所示。扫描完成后将被扫描羊只送到等候场地，让其自然苏醒。肉羊扫描获取的ct切片如图2所示。
37.数据预处理
38.本实施例扫描了25只肉羊，得到共计4508张大小为512
×
512像素的ct图像，选取肉羊胸部至腹部的包含外脊肉部位的图像1471张，按照五折交叉验证的方法随机选择大约1/5的图像(303张)组成验证集合，剩下大约4/5的图像(1168张)组成训练集合。预处理后的肉羊ct切片如图3所示。
39.首先使用python语言开源软件库中的labelme软件对训练集合中ct图像的外脊部位进行标记构建训练数据集，然后使用microdicom开源软件将dicom序列ct图像数据转换成json文件，最后将json文件转换成jpg格式图像文件。为了更好的描述分析ct图像的特征信息，本发明使用simpleitk对ct图像进行hu值转换；使用窗口化操作和直方图均衡化提高图像中被分割区域与背景区域的对比度。
40.首先在相同的训练迭代次数、学习率的参数设置下分别使用cpu和gpu处理运行模式unet进行ct图像分割比较，选出合适的处理器训练模式；然后使用了全卷积神经网络(fcn)和5种不同的unet深度学习模型对采集到的25只澳洲白羊和杜泊羊包含外脊部位1471张ct图像采用五折交叉验证的方式进行图像分割研究。选用loss、aver_hd、miou和dice四种指标对肉羊ct图像分割深度学习结果进行分析和评比。外脊部位分割对比结果如图4所示。
41.结果：attention-unet的aver_hd、miou和dice评价指标分别是4.591
±
0.338、
0.90
±
0.012和0.95
±
0.007，结果最优，channel-unet的loss评价指标为0.029
±
0.018，是最优结果，6种模型的评价指标结果差异较小，而resnet34-unet运行时间最短。loss、aver_hd、iou与dice对比结果分别如图5、6、7所示。
42.尽管为说明目的公开了本发明的实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例和附图所公开的内容。

技术特征：
1.一种肉羊外脊肉ct图像分割方法，其特征在于：包括如下方法：步骤一，利用ct扫描设备对羊只进行扫描，获取ct图像，并选取肉羊胸部至腹部的包含外脊部位肉的图像；步骤二，将选取的图像按照五折交叉验证的方法随机选择1/5的图像组成验证集合，剩下4/5的图像组成训练集合；步骤三，使用python语言开源软件库中的labelme软件对训练集合中ct图像的外脊部位进行标记构建图片标签，并保存为json文件；步骤四，使用python开源代码将保存好的json文件提取为png格式的图片文件；步骤五，将原ct图像，dicom格式的图片作为训练集原图，标记好的png格式的图片作为训练集标签，共同送入python深度学习网络进行网络训练和验证。2.根据权利要求1所述的一种肉羊外脊肉ct图像分割方法，其特征在于：使用simpleitk对肉羊胸部至腹部的包含外脊肉部位ct图像进行hu值转换；使用窗口化操作和直方图均衡化提高图像中被分割区域与背景区域的对比度。3.根据权利要求1所述的一种肉羊外脊肉ct图像分割方法，其特征在于：所述对羊只进行扫描，获取ct图像，并选取肉羊胸部至腹部的包含外脊肉部位的图像的方法为：测量人员通过静脉注射1.0毫升盐酸氯丙嗪注射剂对被测肉羊进行全身麻醉，然后将麻醉后的肉羊仰卧放置在ct扫描仪平台上，将羊的前蹄、后蹄捆绑固定，并确保前蹄呈弯曲状，后蹄自然伸开，羊头朝上并用遮布蒙住羊眼，避免射线伤害羊只眼睛，扫描完成后将被扫描羊只送到等候场地，让其自然苏醒。4.根据权利要求1所述的一种肉羊外脊肉ct图像分割方法，其特征在于：所述将选取的图像按照五折交叉验证的方法随机选择1/5的图像组成验证集合，剩下4/5的图像组成训练集合的方法为：第一步，首先不重复抽样将原始数据随机分为5份；第二步，每一次挑选其中1份作为验证集，剩余4份作为训练集用于模型训练；第三步，重复第二步5次，使每个子集都有一次机会作为验证集，其余均作为训练集；第四步，在每个训练集上训练后得到一个模型，用这个模型在相应的验证集上验证，计算并保存模型的评估指标；第五步，计算5组测试结果的平均值作为模型精度的估计，并作为当前5折交叉验证下模型的性能指标。5.根据权利要求1所述的一种肉羊外脊肉ct图像分割方法，其特征在于：所述使用python语言开源软件库中的labelme软件对训练集合中ct图像的外脊部位进行标记构建训练数据集的方法为：通过人工将外脊部位与其他部位分开，然后使用labelme软件中的画笔工具，手动描点，顺序勾画出外脊部位的大致轮廓，首尾相接并保存为json文件。

技术总结
本发明涉及一种肉羊外脊肉CT图像分割方法，包括如下方法：步骤一，利用CT扫描设备对羊只进行扫描，获取CT图像，并选取肉羊胸部至腹部的包含外脊部位肉的图像；步骤二，将选取的图像分别组成验证集合训练集合；步骤三，对训练集合中CT图像的外脊部位进行标记构建图片标签，并保存为JSON文件；步骤四，将保存好的JSON文件提取为PNG格式的图片文件；步骤五，将原CT图像，DICOM格式的图片作为训练集原图，标记好的PNG格式的图片作为训练集标签，共同送入Python深度学习网络进行网络训练和验证。利用本发明的方法能够实现无损测量的目的，利于后期育种实践，是一种具有较高创新性的肉羊外脊肉CT图像分割方法。脊肉CT图像分割方法。脊肉CT图像分割方法。


技术研发人员：胡馨月 曹晓瑶 杨璐铭 路一航 朱广杰 尹静 卢小芳 段崇杰 张清峰
受保护的技术使用者：天津奥群牧业有限公司
技术研发日：2023.03.22
技术公布日：2023/7/21