一种能够定量分析肾表面结节的量化方法

摘要

本发明公开了一种能够定量分析肾表面结节的量化方法，涉及医疗相关技术领域，包括U‑Net“编码器‑解码器”型网络，所述U‑Net“编码器‑解码器”型网络包括有：A1、超分辨率模块；A2、兼顾全局与细节的注意力模块；A3、网络结构；A4、肾表面结节量化。本发明为一种能够定量分析肾表面结节的量化方法，利用计算机量化肾表面结节的不规则程度，提高量化效率、减少测量者间差异，方便推广应用。

说明书

技术领域

本发明涉及医疗相关技术领域，具体为一种能够定量分析肾表面结节的量化方法。

背景技术

正常肾脏形态像一粒蚕豆，形态饱满、表面光滑，但在高血压性肾损伤、肾结石及其它肾脏疾病的情况下，肾脏表面发生改变，CT图像上表现为肾表面凹凸不平；肾表面的结节部分规则或不规则，可能代表不同的肾损伤病因，包括：高血压性肾损伤、尿路感染或部分肾梗死等；肾表面结节程度可预测疾病的严重程度；如，在高血压患者中，肾表面结节越明显，全身性靶器官的损伤约严重，其发生各种并发症或各种不良事件的风险越大；因此，这里设计了一种能够定量分析肾表面结节的量化方法，以便于解决上述问题。

发明内容

本发明的目的在于提供一种能够定量分析肾表面结节的量化方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种能够定量分析肾表面结节的量化方法，包括U-Net“编码器-解码器”型网络，所述U-Net“编码器-解码器”型网络包括有：

A1、超分辨率模块；

A2、兼顾全局与细节的注意力模块；

A3、网络结构；

A4、肾表面结节量化。

在进一步的实施例中，U-Net“编码器-解码器”型网络基于深度为5层的U-Net网络，向右侧指示的箭头表示卷积+批归一化+激活，向下指示的箭头表示的下池化层采用池化步长为2的最大值池化；向上指示的箭头表示对应最大值池化的上采样操作。

在进一步的实施例中，上采样是卷积神经网络中常用的用来放大特征图分辨率的技术，这里采用超分辨率像素操作的方式。

在进一步的实施例中，所述超分辨率操作的整个过程为：

I

超分辨率操作的两条分支网络分别为：

I

I

在进一步的实施例中，提出的兼顾全局与细节的注意力模块将低分辨率的特征图

在进一步的实施例中，兼顾全局与细节的注意力模块公式表示如下：

I

在进一步的实施例中，网络结构基于U-Net“编码器-解码器”型网络，并提出CP模块生成边缘清晰层内平滑的上采样特征图以及注意力模块兼顾全局与局部信息等新的分割策略，用于对肾脏分割，U-Net是一个左右完全对称的卷积神经网络，在左侧“编码器”分支中，下采样特征图提取特征；在右侧“解码器”分支中，上采样特征图使特征图恢复到输入图片的尺寸，U-Net的跳过连接操作将“编码器”分支的浅层特征图与“解码器”分支的深层特征图级联，将浅层特征图中丰富的上下文信息传入深层网络。

在进一步的实施例中，损失函数采用Dice系数(Dice coefficient)损失，记分割结果为，对应的手动标注为()，表示多分类的类别，表示像素点，网络的损失函数如下：

在进一步的实施例中，使用Marching Cube算法把肾脏分割结果转化为表面数据，记为S1，进一步对S1，使用Quadric Decimation表面简化算法与Laplacian表面平滑算法，得到简化与平滑后的表面数据，记为S2，对于表面数据S1，计算每个顶点到表面数据S2的欧氏距离，对表面数据S1顶点的欧氏距离使用阈值方法，保留大于给定阈值的顶点与距离值，并计算这些顶点的最小值、最大值、中值和均值，以中值作为肾表面结节量化标准。

与现有技术相比，本发明的有益效果是：

本发明为一种能够定量分析肾表面结节的量化方法，利用计算机量化肾表面结节的不规则程度，提高量化效率、减少测量者间差异，方便推广应用，基于CT图像的肾脏表面自动化分割，采用基于U-Net“编码器-解码器”型网络，并提出超分辨率模块生成边缘清晰层内平滑的上采样特征图以及注意力模块兼顾全局与局部信息等新的分割策略，用于对肾脏分割；肾表面结节量化，使用Marching Cube算法把肾脏分割结果转化为表面数据S1，使用表面简化算法和平滑算法得到简化与平滑后的表面数据S2，计算多个顶点S1到表面数据S2的欧氏距离，标化处理。

附图说明

图1为本发明主体结构U-Net网络图；

图2为本发明的超分辨率操作结构框图；

图3为本发明的兼顾全局与细节的注意力模块结构框图。

具体实施方式

下面将结合本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

实施例

请参阅图1-3，本实施例提供了一种能够定量分析肾表面结节的量化方法，包括U-Net“编码器-解码器”型网络，U-Net“编码器-解码器”型网络包括有：

A1、超分辨率模块；

A2、兼顾全局与细节的注意力模块；

A3、网络结构；

A4、肾表面结节量化。

其中，U-Net“编码器-解码器”型网络基于深度为5层的U-Net网络，向右侧指示的箭头表示卷积+批归一化+激活，向下指示的箭头表示的下池化层采用池化步长为2的最大值池化；向上指示的箭头表示对应最大值池化的上采样操作。

其中，上采样是卷积神经网络中常用的用来放大特征图分辨率的技术，这里采用超分辨率像素操作的方式。

其中，超分辨率操作的整个过程为：

I

超分辨率操作的两条分支网络分别为：

I

I

为了设计在神经网络中能清晰保留图像边缘的上采样层，本文提出了充分利用网络通道间的信息的超分辨率操作；如图2所示，CP操作示意图，“C”是Concatenate的首字母，表示级联特征图；超分辨率操作包含两个分支网络：一个分支网络由像素重排列层(PixelShuffle，PS)、卷积层、批归一化、激活函数组成；另一个分支网络由一个上采样(un-pooling)层组成；

另外，

假设输入特征图I

假设输入特征图I

其中，提出的兼顾全局与细节的注意力模块将低分辨率的特征图

其中，兼顾全局与细节的注意力模块公式表示如下：

I

其中W

高分辨率特征图I

其中，网络结构基于U-Net“编码器-解码器”型网络，并提出CP模块生成边缘清晰层内平滑的上采样特征图以及注意力模块兼顾全局与局部信息等新的分割策略，用于对肾脏分割，U-Net是一个左右完全对称的卷积神经网络，在左侧“编码器”分支中，下采样特征图提取特征；在右侧“解码器”分支中，上采样特征图使特征图恢复到输入图片的尺寸，U-Net的跳过连接操作将“编码器”分支的浅层特征图与“解码器”分支的深层特征图级联，将浅层特征图中丰富的上下文信息传入深层网络。

其中，损失函数采用Dice系数(Dice coefficient)损失，记分割结果为，对应的手动标注为()，表示多分类的类别，表示像素点，网络的损失函数如下：

其中，使用Marching Cube算法把肾脏分割结果转化为表面数据，记为S1，进一步对S1，使用Quadric Decimation表面简化算法与Laplacian表面平滑算法，得到简化与平滑后的表面数据，记为S2，对于表面数据S1，计算每个顶点到表面数据S2的欧氏距离，对表面数据S1顶点的欧氏距离使用阈值方法，保留大于给定阈值的顶点与距离值，并计算这些顶点的最小值、最大值、中值和均值，以中值作为肾表面结节量化标准；

本发明使用的数据采集自医院的病人。该数据集由200个带有医生标注的三维(3D)CT图像组成：每个3D CT图像的图像大小为512×512×299，体素大小为0.234×0.234×1〖mm〗^3。在本发明使用其中100个用作训练，100个用做测试，将每个3D CT图像沿着Z轴方向切成二维(2D)的切片图像作为卷积神经网络的输入。考虑到数据平衡，利用翻转、旋转和长度和宽度方向平移进行数据扩增。

本发明的实验结果如下：

为了定量评估本发明提出的方法的性能，根据以下四个指标将分割结果与金标准进行了比较：DSC系数(Dice similarity coefficient)，精度(Precision)，真阳性分数TPF(true positive fraction)和假阳性分数FPF(false positive fraction)。DSC计算分割结果和金标准之间的重叠，并定义为：

其中TP是真阳性的分割像素数量，FP是假阳性的分割像素数量，FN是假阴性的分割像素数量。TPF、FPF和精度指标计算公式为：

本发明将分割结果与他人的方法进行了比较，如表1所示：

表1本发明方法与现有方法的分割定量结果对比。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。