[发明专利]一种肝脏以及肝脏肿瘤的图像分割方法和装置

说明书

一种肝脏以及肝脏肿瘤的图像分割方法及装置，其能够有效针对不同模态下的肝脏以及肝脏肿瘤进行准确分割。方法包括：(1)获取腹部磁共振影像；(2)使用肝脏模型确定感兴趣区域，肝脏模型为Dial3DResUNet，其结合长短程跳跃连接结构以及混合空洞卷积，充分捕获图像全局结构信息从而进行精准的肝脏分割；(3)使用肝脏肿瘤模型进行精细分割以减少假阳性，肝脏肿瘤模型为H3DNet，其由Hybrid‑3D卷积组成，在有效提取肝脏肿瘤三维特征的同时大幅度减少模型参数量，并降低模型优化难度以及过拟合风险。

技术领域

本发明涉及医学图像处理的技术领域，尤其涉及一种肝脏以及肝脏肿瘤的图像分割方法，还涉及一种肝脏以及肝脏肿瘤的图像分割装置。

背景技术

肝癌是全球患病率第六高、致死率第二高的癌症。2012年，在全球范围内造成782,000例死亡，在2015年造成810,500例死亡。肝脏肿瘤分割是肝癌术前诊断、手术方案制定及术后疗效评估的重要步骤。然而，手动分割肝脏以及肝脏肿瘤，费时费力，且需要医生大量经验积累。因此，全自动的肝脏以及肝脏肿瘤分割对于辅助医生的日常工作是十分必要的。

然而肝脏以及肿瘤的自动分割是十分具有挑战性。肝脏与周边组织对比度较低，且不同病人间的肝脏外形差异较大。相较于肝脏，肝脏肿瘤的分割难度更大。首先肝脏肿瘤的形状、大小、数量以及出现位置均不固定，其次肿瘤灰度轮廓不清晰，难以辨识。

为了解决这些难题，许多分割算法被提出。阈值分割，区域增长等算法因其速度快，实现简单，被广泛应用于医学图像分割领域。主动轮廓模型，例如水平集算法，因其良好的数值计算性质，同样被研究人员所广泛关注。许多基于机器学习的算法同样被大量提出。Kadoury等人提出一种基于判别性格拉斯曼流形的无监督转移性肝脏肿瘤分割算法；Zhou等人提出一种基于传播学习的半自动CT图像肝脏肿瘤算法；Huang等人提出仅用健康的肝脏组织训练一个极限学习机，将肝脏肿瘤分割问题转化为异常检测问题。

纵观以上提到的算法，虽然在分割精度上取得了一定的进展，但是大多数算法依赖手工特征，因此特征表达能力有限。近些年来，卷积神经网络的一种变体--全卷积神经网络，自从被提出以来，因其强大的层次特征表达能力，已被广泛应用于计算机视觉领域，例如语义分割、目标探测等。研究人员提出三类方法，可将全卷积神经网络应用于三维医学影像。

1)2DFCN：这类方法将三维体数据看成二维切片的集合。在训练网络模型时，通常选取体数据一张或相邻多张切片作为输入，然后输出中心切片的分割结果。Chlebus等人提出使用一个U形网络来逐切片的分割肝脏肿瘤，然后使用随机森林分类器来降低假阳性。Vorontsov等人提出了一种端到端训练的级联网络分割肝脏肿瘤。然而2DFCN忽略了体数据切片之间的上下文特征，因此无法充分利用数据中隐藏的空间结构信息。

2)2DFCN+RNN：这类方法在2DFCN的顶部引入循环神经网络来加强模型对体数据三维空间结构信息的利用。Cai等人提出一种CNN+CLSTM的网络来分割胰腺。Chen等人提出使用U-Net来提取相邻多张切片的二维特征信息，然后将这些2D特征图序列输入到BDC-LSTM中得到分割结果。然而2DFCN+RNN的结构将循环神经网络置于卷积网络的末端，此时输入到RNN中的已经是相对高阶的特征序列了，难以捕捉细小变换，因此对肝脏肿瘤这类细小物体的识别可能并不适合。

3)3DFCN：这类方法可以直接处理三维数据。Oktay等人提出了Attention U-Net对胰腺进行分割，Yu等人提出了DenseVoxNet对心脏以及血管结构进行分割。3DFCN虽然充分利用了体数据的空间结构信息，但其参数量多，计算量大，直接应用于肝脏肿瘤分割这类目标体素数据量极小的任务，可能会导致模型出现过拟合等问题。

发明内容

为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种肝脏以及肝脏肿瘤的图像分割方法，其能够有效针对不同模态下的肝脏以及肝脏肿瘤进行准确分割。