[发明专利]一种基于小样本医学影像的综合性数据增广方法

说明书

本发明公开了一种基于小样本医学影像的综合性数据增广方法，涉及医学影像处理技术领域。本发明包括如下步骤：步骤S1：解析CT图像，将图像的像素矩阵值转换成HU值；步骤S2：对CT图像做预处理；步骤S3：对CT图像做角度范围内的随机旋转；步骤S4：对CT图像做倍数范围内的尺度缩放；步骤S5：对CT图像做不同维度的镜像变化；步骤S6：对CT图像做随机Gamma变换；步骤S7：将增广后的CT图像输入到U‑Net网络中训练得出U‑Net模型。本发明通过对CT图像进行预处理后，对预处理后的图像进行旋转、缩放以及镜像扩充原有的数据集，来模拟临床的各种情况下的CT数据，使得训练出来的模型具备更好的泛化性、准确性。

技术领域

本发明属于医学影像处理技术领域，特别是涉及一种基于小样本医学影像的综合性数据增广方法。

背景技术

在放射治疗的勾画环节中，现在采用的自动勾画技术一般基于Unet网络，通过神经网络的迭代训练学习收集的CT图像特征，来模拟训练集中医生的勾画习惯，最终实现身体器官的自动分割。

临床情况比较复杂，病人的生理构造可能因为肿瘤发生变化；器官生长位置偶尔也会存在显著性差异；拍摄CT时因技师误操作或者病人身体扭动导致CT影像没有定位好；病人体内植入金属装置会导致CT拍摄发生金属散射，从而极大影响CT成像质量；不同医院的CT成像质量也存在显著差异；此外，CT图像还分为平扫图像、增强图像，两者在同一器官的成像可能截然不同，等等。这些情况，训练集很难完全涵盖，神经网络如果学不到训练集外的CT成像特征，在针对不同源CT勾画时无法表现的稳定及准确。

发明内容

本发明的目的在于提供一种基于小样本医学影像的综合性数据增广方法，通过对CT图像进行预处理后，对预处理后的图像进行旋转、缩放以及镜像扩充原有的数据集，来模拟临床的各种情况下的CT数据，解决了现有的自动分割模型在针对不同源数据集时泛化性及精度不高问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种基于小样本医学影像的综合性数据增广方法，包括如下步骤：

步骤S1：解析CT图像，将图像的像素矩阵值转换成HU值；

步骤S2：对CT图像做预处理；

步骤S3：对CT图像做角度范围内的随机旋转；

步骤S4：对CT图像做倍数范围内的尺度缩放；

步骤S5：对CT图像做不同维度的镜像变化；

步骤S6：对CT图像做随机Gamma变换；

步骤S7：将增广后的CT图像输入到U-Net网络中训练得出U-Net模型。

作为一种优选的技术方案，所述步骤S1中，解析CT图像的DICOM属性，获取斜面和截面的属性，并计算HU的值，具体计算公式如下：

HU＝CT*Slope+Intercept；

式中，Slope表示斜面属性，Intercept表示截面属性。

作为一种优选的技术方案，所述步骤S2中，CT图像的预处理包括插值处理、裁剪处理和归一化处理；所述差值处理，用于将待预测图像的分辨率差值到跟训练图像的分辨率相同；所述裁剪处理，用于获取皮肤轮廓，得到人体中心，并以此中心裁剪出指定尺寸的CT图像；所述归一化处理，用于将裁剪完成的CT图像固定在(WL_min，WL_max)范围内，则归一化处理的公式为：

作为一种优选的技术方案，所述步骤S3中，对CT图像进行随机角度的旋转，模拟在临床出现的因定位不准，或者病人在拍摄CT过程中身体扭动导致CT图像偏移的情况，用于将原始训练数据增广一倍。