[发明专利]基于深度学习的CT影像的肺叶段分割方法、装置

说明书

本发明涉及一种CT影像的肺叶段分割方法、装置、系统、存储介质及设备，该方法包括：检测步骤，在CT影像中，检测输出肺部轮廓，其包括肺内区域、肺外区域；筛选步骤，在肺部轮廓中，选用机器分割的方式筛选出肺内区域，并将其作为候选区域；分割步骤，在候选区域的3D层面中，同时对肺段和肺叶进行血管分割与肺裂分割；构造步骤，根据血管分割结果，通过构造出血管树，得到肺部的三维血管分布；整合步骤，将血管树和肺裂分割结果结合，并进行肺叶段分割，得到候选区域的最终分割结果。本发明提供的基于深度学习的CT影像的肺叶段分割方法、装置、系统、存储介质及设备，有效地减少了误差，提高了诊断率和准确率，且不受到个体肺部形态差异的限制。

本申请是申请号为201711070729.6、申请日为2017年11月03日、发明创造名称为“CT影像的肺叶段分割方法、装置、系统、存储介质及设备”的中国发明专利申请的分案申请。

技术领域

本发明涉及图像分割领域，尤其涉及一种CT影像的肺叶段分割方法、装置、系统、存储介质及设备。

背景技术

目前，肺癌是所有癌症中死亡率最高的癌症。肺结节是肺癌的影像表现形式，在CT影像学中表现为密度增高的阴影，通过对CT影像中肺叶与肺段中肺结节的检测和分割，对肺癌的早期筛查和评估具有重要意义。现有检测中，3D CT(Emmenlauer,M.,etc.:“free,fast and reliable stitching of large 3d datasets.”J Microscopy,233,no.1,pp.42-60,2009.)影像数据量大，而且存在较大的个体差异，给肺叶与肺段的分割技术带来了一定的困难。

与广义的计算机视觉技术应用不同，为了减少深度卷积神经网络(DCNN)计算的复杂度、高效地利用有限的训练数据，现有技术采用将医学背景信息与深度学习结合的方式进行分割，例如，1)现今对于肺叶与肺段分割效果最好的技术是以逐层递进的分割方式(K.Hayashi,etc.:“Radiographic and CT appearances of the major fissures,”Radiographics,vol.21,no.4,pp.861–874,2001.)，先对肺部轮廓进行检测定位，再利用深度学习的方法对肺叶进行分割(S.Hu,etc.:“Automatic lung segmentation foraccurate quantitation of volumetric X-ray CT images.”IEEE Trans.Med.Imag.,vol.20,no.6,pp.490–498,Jun.2001.)，依据肺段的点坐标为特征来分割肺段(E.M.vanRikxoort,etc.:“Supervised enhancement filters:Application to fissuredetection in chest CT scans,”IEEE Trans.Med.Imag.,vol.27,no.1,pp.1–10,Jan.2008.)。这种方式忽略了不同患者之间的肺部结构差异，检测结果具有不确定性(I.C.Sluimer,etc.:“Towards automated segmentation of the pathological lung inCT,”IEEE Trans.Med.Imag.,vol.24,no.8,pp.1025–1038,Aug.2005.)。2)通过对气管和脉管的分析来建立一个水洗变形，这种方式对于可见的肺裂分割效果较好，但是对于部分不可见的分列分割效果较差(E.van Rikxoort,etc.:“Automatic segmentation ofpulmonary lobes robust against incomplete fissures.”IEEE Transactions onMedical Imaging,vol.29,no.6,pp.1286–1296,2010.)。以上方法均在大量数据上进行了试验，分割效果不好。