[发明专利]基于深度学习的CT影像肺血管的分割方法及系统

权利要求书

1.一种基于深度学习的CT影像肺血管的分割方法，其特征在于，其使用的深度学习网络模型为3D UNet，并包括以下步骤：

步骤S1，预处理：将输入CT影像的图像灰度值规范化，提取肺的轮廓和肺部感兴趣的区域，并根据肺部感兴趣的区域将肺部区域图像从CT影像中筛选出来；

步骤S2，三维采样：根据筛选出的肺部区域图像，在肺部感兴趣的区域按照步长为48×48×48，提取大小为80×80×64且有相互重叠的局部片块图像；

步骤S3，血管分割：根据上述三维采样得到的一系列图像，输入到3DUNet网络中，得到局部的血管分割结果，将所有局部片块的分割结果组合起来得到整体的血管分割结果；

步骤S4，血管动静脉区分：根据上述三维采样得到的一系列图像，输入到3D UNet网络中，得到局部的动静脉分割结果，将所有局部片块的分割结果组合起来得到整体的动静脉分割结果；

步骤S5，后处理：结合血管动静脉区分得到的动静脉概率图和血管分割模块得到的血管初步分割结果；

其中，所述步骤S3中，标注数据包括：肺内小血管和心脏部分的肺外大血管，其中肺内小血管标注值为1，肺外大血管标注值为2，血管分割中输出图像中包含2个通道，分别表示像素属于肺内小血管和肺外大血管的概率值；

其中，所述步骤S3中，3D UNet的训练方式为：提取肺部感兴趣的区域，按照标注好的血管提取其骨架点；对于每一个CT影像，以其血管骨架点为基点，从中随机选取600个80×80×64的局部片块图像，并在提取的肺部感兴趣的区域随机选取其他200个80×80×64的局部片块图像，输入网络进行训练。

2.根据权利要求1所述的基于深度学习的CT影像肺血管的分割方法，其特征在于，所述步骤S4中，标注数据包括：肺内小血管动静脉和心脏部分的肺外大血管动静脉，其中肺内小血管动静脉的标注值分别为1和2，肺外大血管动静脉的标注值分别为3和4；动静脉区分中输出图像中包括4个通道，分别表示该像素属于肺内小血管动静脉和肺外大血管动静脉的概率值。

3.根据权利要求1所述的基于深度学习的CT影像肺血管的分割方法，其特征在于，所述步骤S3的3D UNet训练中的数据增广方式有：水平翻转、垂直翻转、随机旋转、随机高斯噪声和随机Gamma变换。

4.根据权利要求1所述的基于深度学习的CT影像肺血管的分割方法，其特征在于，所述步骤S5中的血管初步分割结果利用图割方法得到动静脉分割结果，计算图像中的最大连通区域作为最终的血管动静脉分割结果。

5.根据权利要求1所述的基于深度学习的CT影像肺血管的分割方法，其特征在于，所述3D Unet深度学习网络模型包括：

编码器：对输入图像通过卷积网络和下采样进行高层次抽象特征的提取，把图像编码为尺寸只有原图1/16的特征图；

解码器：把编码器输出的特征图通过卷积网络和上采样解码，输出与原尺寸相同的图像；

跳跃连接：将编码器中较浅层的高分辨率特征与解码器中较高层的低分辨率特征直接相连。