[发明专利]一种基于肺结节生长形态的交互式分割方法

说明书

本发明涉及一种基于肺结节生长形态的交互式分割方法，包括S100获取包括N个患者的M个胸部扫描CT图像的数据集；S200将数据集中的所有胸部扫描CT图像输入现有的U‑Net模型进行粗分割得到对应粗分割图像；S300:构建各向异性生长交互式分割网络，将S100数据集中的胸部扫描CT图像和对应的粗分割图像融合后输入该各向异性生长交互式分割网络中，对网络的参数进行训练和参数优化；S400:将待预测患者的CT图像输入U‑Net模型进行粗分割，再将待测患者的粗分割图像、生成的热力图与胸部扫描CT图像一并输入优化后的各向异性生长交互式分割网络，最后输出分割结果。该方法使用深度学习的方法得到的结节粗分割基础上，通过少量交互让模型自动调优，以提高结节分割的准确率。

技术领域

本发明涉及肺结节的交互式分割方法，尤其涉及一种基于肺结节生长形态的“感知-学习 -记忆”的交互式分割方法。

背景技术

肺结节筛查用于肺癌早期防控的形势依然严峻。我国患肺癌人数多，发病率高，医疗花 费大。按发病人数顺位排序，肺癌占所有癌症的20.3％，位居恶性肿瘤发病首位。据国家肿 瘤质控中心发布的《2019年全国癌症报告》，恶性肿瘤死亡高达居民全部死因的23.91％，且 近十几年来恶性肿瘤的发病死亡呈持续上升态势,每年恶性肿瘤所致的医疗花费超过2200亿。 在临床诊断过程中，医生需要在数百张CT切片中，逐次筛查结节，这不仅极大地依赖于医生 的临床经验，且极其耗时耗力。因此急需设计肺结节计算机辅助诊断系统，以简化医生的筛 查工作，缩短诊断时间。

近几年，随着深度学习相关技术的发展，深度学习智能技术辅助肺结节筛查为严峻的肺 癌防控工作带来了新机遇。自深度学习技术应用于医学影像以来，在肺癌防控强烈需求驱动 下，肺结节计算机辅助筛查技术表现出深度学习、数据驱动、特征自学习、处理端到端等新 特征。使用计算机辅助诊断系统精准勾画出结节的边界，可以帮助医生快速定位病灶，记录 结节形状变化，以缩短诊断时间，这对医生和病人都有极大的帮助。因此，无论是过去的发 展期，还是现在的成熟期，计算机辅助诊断肺结节分割依然是一门热门的研究内容。

肺结节精准分割有利于结节大小和形态的精准计算，有利于影像的三维精准重建，从而 为肺结节临床诊断提供重要依据。肺结节分割的关键在于对于结节关键特征的提取，传统的 肺结节分割算法更多考虑的是自动分割问题，所构建的各种深度学习模型都是围绕自动分割 展开的。因肺结节在大小、密度、形态等生长形态上的巨大差异，肺结节自动精准分割仍然 是至今没有很好解决的难题。

发明内容

针对现有技术存在的上述问题，本发明的要解决的技术问题是：一般深度学习方法无法 感知肺结节各向异性生长的特征，难以获得精准的肺结节分割结果。

为解决上述技术问题，本发明采用如下技术方案：一种基于肺结节生长形态的交互式分 割方法，包括如下步骤：

S100:获取数据集，该数据集包括N个患者的M个胸部扫描CT图像,MN；

所述数据集中的每个CT图像由至少1位经验丰富的放射科医生为其标注结节信息，此结 节信息包括每个结节勾画的轮廓信息、结节良恶性以及结节的各属性信息，并将结节信息保 存在XML文件中；

S200:将数据集中的所有胸部扫描CT图像输入现有的U-Net模型进行粗分割得到对应粗 分割图像；

S300:构建各向异性生长交互式分割网络，将S100数据集中的胸部扫描CT图像和对应的 粗分割图像融合后输入该各向异性生长交互式分割网络中，对网络的参数进行训练和参数优 化，输出热力图；

S400:将待预测患者的CT图像先输入现有的U-Net模型进行粗分割得到待测患者的粗分 割图像，再将生成的热力图、待测患者的粗分割图像与待预测患者的胸部扫描CT图像一并输 入优化后的各向异性生长交互式分割网络，最后输出分割结果。