一种基于深度学习的鼻咽癌图像分割方法及系统

1.本发明涉及图像分割技术领域，尤其涉及一种基于深度学习的鼻咽癌图像分割方法及系统。


背景技术：

2.鼻咽癌（npc）是我国头颈部最常见的恶性肿瘤之一，由于鼻咽癌早期临床表现并不特异，因此鼻咽癌早期发现存在困难；影像学及内镜检查是鼻咽癌的常用检查手段，然而，受临床医师经验等主观因素以及影像图片分辨率等客观因素的影响，传统鼻咽癌诊治过程中存在着较高的诊断结论不一致情况。此外，传统诊疗方式中大量重复性工作使得临床效率低下。因此，探寻更为稳定、客观且高效的鼻咽癌诊治手段对临床工作至关重要。近年来，随着人工智能特别是深度学习越来越多地应用于计算机视觉，基于影像学及内镜图像的模型已在肺癌、皮肤癌、结肠癌等多种癌症诊治中取得较大进展。以深度学习为基础的模型能够自主从原始数据中选择最合适的特征训练，在图像识别、分割、风险预测及疗效预测等方面展现出令人振奋的性能。
3.ct是计算机断层扫描显像技术的简称，通常在医学临床上最为常见的是以x光为放射源来建立断层图像，即x光ct。简单来说ct的成像原理如下所述，由于人体不同的组织对于x射线的吸收能力也是不同的，因此当x光通过人体不同组织时会产生不同的衰减值，根据衰减信息就能用于重建获得图像。ct成像技术的主要优点是密度分辨率高，断面解剖关系清楚，病变细节显示良好，尤其平片显示不了细小的钙化、液化、坏死等结构，在实际临床应用当中对于定性诊断很有帮助。而且ct成像技术与mri成像方法相比，具有更快的成像速度，同时成像质量也比超声图像更高，因此ct成像一直是鼻咽癌的主要成像方法。
4.现有技术中，存在采用深度学习模型对ct图像进行图像分割的技术方案，例如，中国发明专利（cn111798462a）提出了一种基于2.5维卷积神经网络与注意力机制相结合的多尺度集成模型。使其对ct图像的目标靶区进行分割时，对大间距图像有更强的特征学习能力，在分割过程中更加关注目标分割区域从而获更好的分割效果，并通过集成多个尺度下的模型提高分割精度，并根据模型集成结果提供分割结果不确定性评估，以更好辅助医生决策；然而，由于鼻咽癌病灶处于头部区域，该区域较为复杂，头骨、肌肉、脂肪、血液等都聚集在此区域，各组织相互之间界限不是很明显，采用上述方案在对鼻咽癌病灶分割时，容易受上述复杂情况影响导致分割精度不高，因此，现有技术中急需一种提高分割精度的鼻咽癌ct图像分割方法及系统。


技术实现要素：

5.本发明要解决的技术问题是针对上述技术方案的不足，提供一种基于深度学习的鼻咽癌图像分割方法及系统，用于提高ct图像鼻咽癌区域分割的效率。
6.为了实现上述目的，根据本发明的一个方面，提供一种基于深度学习的鼻咽癌图
像分割方法，包括以下步骤：s101：搜集医院系统鼻咽癌患者的ct图像作为样本集；s102：对所述样本集进行预处理；s103：根据所述样本集训练第一深度学习模型；s104：将待识别ct图像输入至所述第一深度学习模型中，得到第一初步识别结果；s105：判断所述第一初步识别结果是否处于骨组织区域；若不处于，则进入下一步，若处于，则进入s109;s106：对所述样本集进行处理，得到新的样本集，根据新的样本集训练第二深度学习模型；s107：将待识别ct图像输入至所述第二深度学习模型中，得到第二初步识别结果；s108：判断所述第二初步识别结果是否处于肌肉以及脂肪组织区域；若处于，则进入下一步，若不处于，则将所述待识别ct图像发送给医生综合判断;s109：按照所述第一初步识别结果或第二初步识别结果进行图像分割。
7.优选地，本实施例以天津市2000年-2020年诊断为鼻咽癌的电子病历中的ct图像作为鼻咽癌图像分割的样本集；其中，其中t1期58例，t2期35例，t3期135例及t4期56例；所述ct图像利用该医院philips大孔径ct扫描，采用仰卧位并用真空垫固定，球管电压设置为120kv，x射线管电流设置为25ma，获取患者首次治疗前的ct图像；值得强调地是，所述ct图像中应包括专业放疗医生手动勾画的鼻咽癌病灶区域；更进一步地，还增加了来自医疗图像会议（miccai）2019挑战赛中的鼻咽癌ct图像作为样本集；优选地，所述预处理包括将所述ct图像的像素值转换成hu值；所述预处理还包括去除ct图像中的孤立值；优选地，所述去除ct图像中的孤立值具体为：统计所述样本集中hu值的均值，当所述ct图像中的某点像素点的hu值小于1%分位hu值时，将1%分位hu值赋值给该像素点的hu值，当该点像素点的hu值大于99%分位hu值时，将99%分位值赋予给该像素点；优选地，所述步骤s103具体包括：s1031：建立初始第一深度学习模型；优选地，所述初始第一深度学习模型为卷积神经网络模型；所述卷积神经网络模型包括输入层，卷积层，激活层，池化层和全连接层组成；s1032：将所述样本集按照8:2比例分为训练集和验证集；优选地，采用训练集对所述卷积神经网络模型训练，并通过验证集验证所述卷积神经网络模型的误差函数是否收敛；s1033：得到所述第一深度学习模型；优选地，所述第一初步识别结果为鼻咽癌病灶区域；优选地，所述s106包括：s1061：将所述样本集中hu值大于预设阈值的像素随机删除25%，得到新的样本集；值得强调的是，本发明采用了对骨组织进行随机删除，从而突出肌肉和脂肪的信息从而提高模型在肌肉和脂肪区域的鼻咽癌病灶识别精度；s1062：建立初始第二深度学习模型；
优选地，所述第二深度学习模型同所述第一深度学习模型相同，都为卷积神经网络模型；所述卷积神经网络模型包括输入层，卷积层，激活层，池化层和全连接层组成；s1063：采用所述新的样本集对所述卷积神经网络模型训练；优选地，采用新的训练集对所述卷积神经网络模型训练，并通过新的验证集验证所述卷积神经网络模型的误差函数是否收敛；s1064：得到所述第二深度学习模型；优选地，所述第二初步识别结果为鼻咽癌病灶区域；根据本发明的另一方面，还提供一种基于深度学习的鼻咽癌图像分割系统，所述分割系统采用上述的一种基于深度学习的鼻咽癌图像分割方法。
8.根据本发明的另一方面，还提供一种计算机可读存储介质，计算机可读存储介质上存储有数据处理程序，数据处理程序被处理器执行上述的一种基于深度学习的鼻咽癌图像分割方法。
9.基于上述技术方案，本技术提供的一种基于深度学习的鼻咽癌图像分割方法及系统，具有如下技术效果：本发明通过对鼻咽癌病灶所在区域较为复杂的特点，将鼻咽癌病灶分为骨组织和肌肉脂肪组织两类，并分别采用两个深度学习模型分别对病灶识别，提高了模型识别的精度，进而提高了模型分割的精度；另外，本发明根据鼻咽癌病灶发生在肌肉脂肪组织上时，识别精度不高的问题时，通过将大于某阈值的hu值随机删除，从而弱化骨头在训练过程中的影响，使得模型更多的注意肌肉，脂肪等消息，从而提高模型对肌肉和脂肪区域的病灶的识别能力，提高了模型识别的精度，进而提高了模型分割的精度。
附图说明
10.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
11.图1为本技术实施例提供的一种基于深度学习的鼻咽癌图像分割方法的流程图；图2为本技术实施例提供的根据所述样本集训练第一深度学习模型的流程图；图3为本技术实施例提供的根据所述样本集训练第二深度学习模型的流程图。
具体实施方式
12.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
13.下面首先结合附图对本技术所涉及的概念进行说明。在此需要指出的是，以下对各个概念的说明，仅为了使本技术的内容更加容易理解，并不表示对本技术保护范围的限定。
14.实施例一、在本实施例的实例中，为了实现上述目的，如图1所示，提供一种基于深度学习的鼻咽癌图像分割方法，包括以下步骤：s101：搜集医院系统鼻咽癌患者的ct图像作为样本集；具体地，本实施例以天津市2000年-2020年诊断为鼻咽癌的电子病历中的ct图像作为鼻咽癌图像分割的样本集；其中，其中t1期58例，t2期35例，t3期135例及t4期56例；所述ct图像利用该医院philips大孔径ct扫描，采用仰卧位并用真空垫固定，球管电压设置为120kv，x射线管电流设置为25ma，获取患者首次治疗前的ct图像；值得强调地是，所述ct图像中应包括专业放疗医生手动勾画的鼻咽癌病灶区域；更进一步地，由于本实施例将ct图像作为样本集用于后续模型的训练，还增加了来自医疗图像会议（miccai）2019挑战赛中的鼻咽癌ct图像作为样本集；一方面为了上述样本集能公开获取，且鼻咽癌病灶区域勾画的也较为准确，另一方面，本实施例通过增加不同来源ct图像作为样本集，也是为了避免一个区域的病历或者一种仪器采集的数据对结果造成的适应性方面的影响；s102：对所述样本集进行预处理；具体地，所述预处理包括将所述ct图像的像素值转换成hu值；具体地转换公式为现有技术，在此不进行详细论述；然后去除ct图像中的孤立值以使在对深度学习模型训练时，排除所述孤立值对模型的干扰；具体地，所述去除ct图像中的孤立值具体为：统计所述样本集中hu值的均值，当所述ct图像中的某点像素值小于1%分位hu值时，将1%分位hu值赋值给该点像素值，当该点像素值大于99%分位hu值时，将99%分位值赋予给该点像素值；s103：根据所述样本集训练第一深度学习模型；具体地，如图2所示，所述步骤s103具体包括：s1031：建立初始第一深度学习模型；具体地，所述初始第一深度学习模型为卷积神经网络模型；所述卷积神经网络模型包括输入层，卷积层，激活层，池化层和全连接层组成；s1032：将所述样本集按照8:2比例分为训练集和验证集；具体地，采用训练集对所述卷积神经网络模型训练，并通过验证集验证所述卷积神经网络模型的误差函数是否收敛；s1033：得到所述第一深度学习模型；s104：将待识别ct图像输入至所述第一深度学习模型中，得到第一初步识别结果；具体地，所述第一初步识别结果为鼻咽癌病灶区域；实际上，第一深度学习模型由于经过了大量的训练集训练和验证集验证，已经具备了较为准确的鼻咽癌病灶识别能力，但是由于鼻咽癌病灶处于头部区域，该区域较为复杂，头骨、肌肉、脂肪、血液等都聚集在此区域，且互相之间交叉较为明显，若鼻咽癌病灶区域包括肌肉、脂肪等区域时，一般地深度学习模型识别效果较差，针对这一特点，本实施例设置了后续步骤用于继续对ct图像识别；s105：判断所述第一初步识别结果是否处于骨组织区域；若不处于，则进入下一步，若处于，则进入s109;
s106：对所述样本集进行处理，得到新的样本集，根据新的样本集训练第二深度学习模型；具体地，如图3所示，所述s106包括：s1061：将所述样本集中hu值大于预设阈值的像素随机删除25%，得到新的样本集；在本步骤中，通过将大于某阈值的hu值随机删除，从而弱化骨头在训练过程中的影响，使得模型更多的注意肌肉，脂肪等消息，从而提高模型对肌肉和脂肪区域的病灶的识别能力；值得强调的是，本实施例采用了对骨组织进行随机删除，从而突出肌肉和脂肪的信息从而提高模型在肌肉和脂肪区域的鼻咽癌病灶识别精度；实际上，通过对样本集筛选，筛选出病灶区域在肌肉和脂肪区域的样本对模型训练，也可达到提高模型在肌肉和脂肪区域的鼻咽癌病灶识别精度的效果；s1062：建立初始第二深度学习模型；具体地，所述第二深度学习模型同所述第一深度学习模型相同，都为卷积神经网络模型；所述卷积神经网络模型包括输入层，卷积层，激活层，池化层和全连接层组成；s1063：采用所述样本集对所述卷积神经网络模型训练；具体地，采用训练集对所述卷积神经网络模型训练，并通过验证集验证所述卷积神经网络模型的误差函数是否收敛；s1064：得到所述第二深度学习模型；s107：将待识别ct图像输入至所述第二深度学习模型中，得到第二初步识别结果；具体地，所述第二初步识别结果为鼻咽癌病灶区域；s108：判断所述第二初步识别结果是否处于肌肉以及脂肪组织区域；若处于，则进入下一步，若处于，则将所述待识别ct图像发送给医生综合判断;此时，经过第一深度学习模型和第二深度学习模型可准确识别出大部分鼻咽癌病灶，但是对于一些极复杂的鼻咽癌病灶图像或者病灶区域在骨组织和肌肉脂肪组织均扩散的病历来说，上述的两个模型识别精度不高，因此需要医生进行综合判断。
15.s109：按照所述第一初步识别结果或第二初步识别结果进行图像分割。
16.实施例二、在本实施例的实例中，提供一种基于深度学习的鼻咽癌图像分割系统，所述分割系统采用实施例一的一种基于深度学习的鼻咽癌图像分割方法。
17.实施例三，本实施例包括一种计算机可读存储介质，计算机可读存储介质上存储有数据处理程序，数据处理程序被处理器执行实施例一的一种基于深度学习的鼻咽癌图像分割方法。
18.本领域技术人员应明白，本文的实施例可提供为方法、装置（设备）、或计算机程序产品。因此，本文可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘（dvd）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
19.本文是参照根据本文实施例的方法、装置（设备）和计算机程序产品的流程图和/
或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
20.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
21.以上所述的实施例及/或实施方式，仅是用以说明实现本发明技术的较佳实施例及/或实施方式，并非对本发明技术的实施方式作任何形式上的限制，任何本领域技术人员，在不脱离本发明内容所公开的技术手段的范围，当可作些许的更动或修改为其它等效的实施例，但仍应视为与本发明实质相同的技术或实施例。

技术特征：
1.一种基于深度学习的鼻咽癌图像分割方法，其特征在于，包括以下步骤：s101：搜集医院系统鼻咽癌患者的ct图像作为样本集；s102：对所述样本集进行预处理；s103：根据所述样本集训练第一深度学习模型；s104：将待识别ct图像输入至所述第一深度学习模型中，得到第一初步识别结果；s105：判断所述第一初步识别结果是否处于骨组织区域；若不处于，则进入下一步，若处于，则进入s109;s106：对所述样本集进行处理，得到新的样本集，根据新的样本集训练第二深度学习模型；s107：将待识别ct图像输入至所述第二深度学习模型中，得到第二初步识别结果；s108：判断所述第二初步识别结果是否处于肌肉以及脂肪组织区域；若处于，则进入下一步，若不处于，则将所述待识别ct图像发送给医生综合判断;s109：按照所述第一初步识别结果或第二初步识别结果进行图像分割。2.根据权利要求1所述的一种基于深度学习的鼻咽癌图像分割方法，其特征在于， 所述s101中，所述s101中的ct图像中包括专业放疗医生手动勾画的鼻咽癌病灶区域。3.根据权利要求2所述的一种基于深度学习的鼻咽癌图像分割方法，其特征在于，所述s101中，以天津市2000-2020年诊断为鼻咽癌的电子病历中的ct图像作为鼻咽癌图像分割的样本集。4.根据权利要求1所述的一种基于深度学习的鼻咽癌图像分割方法，其特征在于，所述s102中，所述预处理包括将所述ct图像的像素值转换成hu值以及去除ct图像中的孤立值。5.根据权利要求1所述的一种基于深度学习的鼻咽癌图像分割方法，其特征在于，所述步骤s103具体包括：s1031：建立初始第一深度学习模型；s1032：将所述样本集按照8:2比例分为训练集和验证集；s1033：得到所述第一深度学习模型。6.根据权利要求1所述的一种基于深度学习的鼻咽癌图像分割方法，其特征在于，所述s106包括：s1061：将所述样本集中hu值大于预设阈值的像素随机删除25%，得到新的样本集；s1062：建立初始第二深度学习模型；s1063：采用所述新的样本集对所述第二深度学习模型训练；s1064：得到所述第二深度学习模型。7.根据权利要求1所述的一种基于深度学习的鼻咽癌图像分割方法，其特征在于，所述第二深度学习模型同所述第一深度学习模型相同，都为卷积神经网络模型，所述卷积神经网络模型包括输入层，卷积层，激活层，池化层和全连接层组成。8.根据权利要求1所述的一种基于深度学习的鼻咽癌图像分割方法，其特征在于，所述第一初步识别结果和所述第二初步识别结果为鼻咽癌病灶区域。9.一种基于深度学习的鼻咽癌图像分割系统，所述分割系统采用权利要求1-8任一项所述的一种基于深度学习的鼻咽癌图像分割方法。

技术总结
本发明涉及图像分割技术领域，尤其涉及一种基于深度学习的鼻咽癌图像分割方法及系统；本发明通过对鼻咽癌病灶所在区域较为复杂的特点，将鼻咽癌病灶分为骨组织和肌肉脂肪组织两类，并分别采用两个深度学习模型分别对病灶识别，提高了模型识别的精度，进而提高了模型分割的精度；另外，本发明根据鼻咽癌病灶发生在肌肉脂肪组织上时，识别精度不高的问题时，通过将大于某阈值的HU值随机删除，从而弱化骨头在训练过程中的影响，使得模型更多的注意肌肉，脂肪等消息，从而提高模型对肌肉和脂肪区域的病灶的识别能力，提高了模型识别的精度，进而提高了模型分割的精度。进而提高了模型分割的精度。进而提高了模型分割的精度。


技术研发人员：高晓葳 王珊珊 杜俊尧
受保护的技术使用者：天津医科大学第二医院
技术研发日：2023.07.10
技术公布日：2023/8/13