[发明专利]基于三维卷积神经网络的CT造影图像肾脏肿瘤分割方法及系统

说明书

本发明公开了一种基于三维卷积神经网络的CT造影图像肾脏肿瘤分割方法。该方法首先粗略分割出CT造影图像中的肾脏区域，并对其中的肾脏和肿瘤分别标注，生成数据集，然后将训练集送入基于金字塔池化和逐步特征增强模块的卷积神经网络中训练，得到训练模型，利用得到的训练模型对新的肾脏数据进行预测，得到肾脏肿瘤的分割掩模。本发明还提出一种基于三维卷积神经网络的CT造影图像肾脏肿瘤分割系统，本发明主要解决了肾脏肿瘤难图像分割的问题，通过本发明能够直接得到肾脏肿瘤的分割掩模。

技术领域

本发明涉及一种医学图像处理技术，属于计算机应用技术领域。

背景技术

肾癌是人类最常见的十种癌症之一。近年来，针对临床治疗局部肾癌问题，传统的根治性肾切除术(RN)正日益取代微创腹腔镜肾部分切除术(LPN)^[1]。LPN手术可以切除肾肿瘤并保留正常肾组织。特别是，新提出的基于肾动脉阻断技术的部分切除手术可以最大程度地保护肾功能^[2]。为了进行LPN手术，一些有用的信息，如肿瘤的大小、位置、肾的解剖结构，肾动脉和输尿管等，应于术前从CT图像中获得。然而，手工勾画超过200个CT层是一项费时费力的工作。因此，自动或半自动的分割方法对于提高手术的效率和准确性是必不可少的。

目前已经提出的有几种在CT或MR图像中进行肾脏分割。Cuingnet等人^[3]提出了一种两步肾脏分割法，利用回归森林检测肾脏位置，并利用分类森林获得每个肾脏的概率图。杨等人^[4]利用多模板的方法实现了由粗到细的分割。但是，所提出的方法只解决了整个肾脏的分割，正常肾组织和肿瘤病变区域不能被区分。此外，这种基于多模板的方法的先验形状特征在模板图像存在巨大血管瘤时可能会失败。

关于肾脏肿瘤分割的研究工作比较少。Linguraru等人^[5]提出了一种基于水平集(level-set)的肾脏肿瘤提取方法。但是，这种方法用户定义的点需要以交互方式提供给每一个肿瘤，而且在静脉期CT图像中进行肿瘤病灶分割。考虑到辐射剂量的限制，静脉相位CT图像对PN手术没有必要，只有动脉期CT图像可用于研究。

图1为动脉相位CT图像的几个例子，如图1所示，肿瘤的位置和大小，或肾脏的灰度和纹理都有显著差异。因此，精确地自动分割这些图像中的肾脏肿瘤仍然是一项具有挑战性的工作。近年来，二维的深度神经网络在医学图像和自然图像中有一些成功的应用。然而，在这些二维网络中使用的二维卷积内核将限制空间的特征提取能力。例如，如图1所示，肾脏和肿瘤的区域具有相似的灰度分布和纹理。仅仅根据这些二维图像中的信息很难将它们分开。然而，目前没有方法直接作用于肾和肾肿瘤分割。

[1]B.Ljungberg,K.Bensalah,S.Canfield,S.Dabestani,F.Hofmann,M.Hora,M.A.Kuczyk,T.Lam,L.Marconi,and A.S.Merseburger,“Eau guidelines on renal cellcarcinoma:2014 update,”European Urology,vol.67,no.5,p.913-924,2015；

[2]P.Shao,C.Chao,X.Meng,Xiaobing,Qiang,Zhang,and Zhengquan,“Laparoscopic partial nephrectomy with segmental renal artery clamping:technique and clinical outcomes,”European Urology,vol.59,no.7,pp.849–55,2011；