[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

说明书

本发明实施例提供一种基于深度学习的CT影像肺血管的分割方法及系统，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；步骤S2，三维采样；步骤S3，血管分割；步骤S4，血管动静脉区分；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。该基于深度学习的CT影像肺血管的分割方法及系统能够分割肺内小血管和肺外大血管，并且能够完全自动的将动静脉区分开来，提高了分割的准确度。

技术领域

本发明涉及医学影像处理技术领域，尤其涉及一种基于深度学习的CT影像肺血管的分割方法及系统。

背景技术

肺癌是对人类生命和健康威胁最大的肿瘤早期发现对于患者的生存和康复至关重要。临床上，肺结节检测是肺癌筛查的第一步。通过对CT影像中肺部气管和血管的检测和分割，对肺癌的早期筛查和评估具有重要意义。由于身体组织器官的复杂型和个体差异，再加上不同成像设备之间的差异性使得医学成像结果非常复杂，造成了传统医学图像分割方法分割结果不准确的问题。

在医学图像分割领域中的肺血管分割领域中，肺血管成像有对比度低，细小血管和气管结构复杂，肺部图像噪声较多，使得准确的肺血管分割具有一定的难度，在过去一些时间内，大多通过人工方式分割，不仅效率低，而且准确度因人而异，难以得到保证。

近几年来人工智能技术，尤其是深度学习方法，发展十分迅速，在医学图像分割领域也有十分广泛的应用，但是就目前公开的方法而言，在肺血管分割的准确上仍旧需要进一步提升。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

针对现有技术存在的问题，本发明实施例提供一种基于深度学习的CT影像肺血管的分割方法及系统。

第一方面，本发明实施例提供一种基于深度学习的CT影像肺血管的分割方法，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3D UNet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。

进一步地，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，分别表示该像素属于肺内小血管和肺外大血管的概率值。

进一步地，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。