[发明专利]一种基于深度学习的病变区域自动分割方法

说明书

技术领域

本发明涉及医学图像处理领域，尤其涉及一种基于深度学习的病变区域自动分割方法。

背景技术

医学图像的处理目前还是以人工方式为主，在二维或三维图像中挑选出病变可能较大的区域，由医学影像师在二维图像上进行人工的描绘，医师再根据人工标注结果进行诊断和相应的治疗。部分医疗机构开始引入一些辅助诊断的设备，基于形状或者异常检测等手段发现疑似病变区域，并由人工进行进一步确认和边缘描绘。

对于肿瘤等人体的物理病变，可以使用多种医学仪器对人体进行检查，生成不同模态的人体图像(包括但不限于X光、CT、PET、MRI，DTI等)。在这些图像中，病变区域可能显示出与正常区域不同的形状、信号强度、纹理等，这些信息可以用于相关疾病的诊断，并辅助多种治疗手段进行病变的精确治疗。医学图像中病变区域的识别是一个较为困难的问题，需要有经验的医师和大量的人力进行二维或三维图像的人工标注，但在实际操作中，一方面是熟练医师的稀缺，另一方面由于标注人员水平差异较大，质量不能保证，存在错误标注或遗漏，导致患者不能得到及时准确的诊断，贻误病情。

发明内容

针对现有技术之不足，本发明提出了一种基于深度学习的病变区域自动分割方法，其包括以下步骤：

S1)采集多个病例数据，然后对病变部位特定模态的医学图像进行标准化预处理；

S2)由医学影像师对病变区域逐层进行边缘标注，将其作为真实数据；

S3)进行训练样本的提取，其包括：从病变区域内部和病变区域之外一定距离(在实验中该距离取10个体素)内的体素中，随机各抽取若干(实验中病变区域内取10000个或病变区域总体素数量中的较小值，病变区域外取10000个)体素，并以该体素为中心取固定大小的图片块(实验中取31*31的二维图片块，或31*31*5的三维图片块)用于作为下一步的训练样本；图片中心在病变区域内部的作为正样本，图片中心在病变区域外的作为负样本，正负样本的图片块中均同时包含两类体素，即，病变区域内的体素和病变区域外的体素；

S4)建立深度学习神经网络，对上述病例的正负样本进行训练；进行后处理和分割精度测评，在取得满意分割精度(实验中Dice相似性系数DSC>0.75，平均对称表面距离ASSD<2.2)后，得到分割模型；

S5)对于待诊断的病例，采集同部位同样模态的医学图像，然后使用相同的预处理参数进行标准化预处理；

S6)使用分割模型自动检测病变区域，然后输出分割结果。

根据一个优选实施方式，在步骤S4中，深度学习网络包括卷积神经网络(CNN)、循环神经网络(RNN)和二者的混合网络。

根据一个优选实施方式，所述卷积神经网络(CNN)由卷积层、下采样层、局部规范化、Dropout、全连接层和Softmax组成；所述循环神经网络(RNN)中的每层由多个LSTM单元组成，每层在训练阶段有Dropout，最后连接Softmax；混合网络的结构包含CNN中的卷积层、RNN中的RNN层和Softmax。

根据一个优选实施方式，对于待标注的区域每个体素，以其为中心取同样大小的图片块，然后通过训练完成的神经网络得到该体素属于病变区域的概率；对于所有体素同样进行处理后，得到该区域病变概率的热度图；对接近区域边缘的体素，如果图片块超出边缘，使用镜像进行补边。

根据一个优选实施方式，在利用前述方法得到的热度图出现分割边缘不清晰，噪音严重的情况时，使用全局优化算法对其进行后处理，以得到平滑且清晰的分割边缘。前述全局优化算法包括GraphCut和条件随机场(CRF)，对于GraphCut来说，使用热度图的概率作为全局优化能量的一元项，体素间的空间邻接关系确定节点间的二元项是否存在，相邻节点是否划分为相同类型(病变或正常区域)决定二元项的取值。CRF使用方法与GraphCut类似，但考虑所有体素间的连接关系。

本发明具有以下有益效果：