[发明专利]基于轻量级卷积神经网络和空间先验传播的胰腺分割方法

说明书

本发明公开了一种基于轻量级卷积神经网络和空间先验传播的胰腺分割方法，本发明的胰腺分割方法将小目标胰腺分割问题解耦为分割子问题和定位子问题，并分别设计了函数具体的子网络。基于此，构建了一个新的端到端的深度卷积神经网络模型，能够以较低的计算复杂度获得较高的胰腺分割准确率，便于实际临床的应用。

技术领域

本发明属于医学图像处理技术领域，具体涉及一种基于轻量级卷积神经网络和空间先验传播的胰腺分割方法。

背景技术

胰腺分割，旨在自动地从医学图像(腹部对比度增强CT扫描图像)中将胰腺区域标注出来。该任务在胰腺癌诊断分析(定位肿瘤和病变区域)，胰腺癌变化发现(观察肿瘤生长或减少)，胰腺癌治疗方案确定(提供手术计划)及胰腺解剖结构研究等方面起着至关重要的作用。

现有胰腺分割算法大致分为基于传统手工特征的胰腺自动分割方法和基于卷积神经网络的胰腺自动分割方法两大类。前者因特征表示简单而具有较低的分割准确率，并且耗时长；后者因卷积特征强大的表征能力而广泛应用于胰腺分割领域。因医学图像的3D属性，后者又分为基于2D卷积神经网络的方法，基于3D卷积神经网络的方法以及介于2D与3D间的卷积神经网络的方法这三小类。基于3D卷积神经网络的方法以及介于2D与3D间的卷积神经网络的方法虽考虑了相邻切片间的一致性，但是具有较高的计算复杂度。目前基于2D卷积神经网络的方法仍然是胰腺分割任务最常采用的方法。

相比于其他器官分割任务，如肾分割等，胰腺分割准确率较低主要可归因于如下几点：1)胰腺体积小，仅占整个腹部图像非常小的一部分(0.5％)；2)胰腺与周围其他组织对比度低且边界模糊，易产生较高假正率；3)胰腺形状、大小随个体变化差异大。

为解决上述问题，基于2D全卷积神经网络的胰腺分割方法如“Y.Zhou,L.Xie,W.Shen,Y.Wang,E.K.Fishman,A.L.Yuille,A fixedpoint model for pancreassegmentation in abdominal ct scans,in:Medical Image Computing and ComputerAssisted Intervention 2017,Springer Verlag,2017,pp.693-701.”提出由粗到细两阶段的方式，通过逐渐缩小输入区域，来降低大面积无关背景与周围组织的影响。该方法基于全卷积神经网络FCN8s获得粗尺度胰腺分割结果，由该结果定位胰腺，裁剪输入，将裁减后包含胰腺的小区域作为第二阶段全卷积神经网络的输入获得细尺度胰腺分割结果。

然而，这种方法仍具有如下局限性：1)粗尺度模型与细尺度模型分开训练却联合测试，这种训练阶段与测试阶段不一致方式导致结果是次优的；2)未能根据分割与定位两个阶段任务的差异性设计函数具体的网络结构；3)直接使用自然图像任务中具有较多参数的网络结构FCN8s，未考虑到医学图像数据集包含样本少而不适用较复杂网络结构的问题；4)未探究目标胰腺的域知识，忽略了丰富的空间先验信息。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于轻量级卷积神经网络和空间先验传播的胰腺分割方法。本发明要解决的技术问题通过以下技术方案实现：

一种基于轻量级卷积神经网络和空间先验传播的胰腺分割方法，包括：

获取第一图片集和第二图片集，其中，所述第一图片集包括若干第一腹部CT图像，所述第二图片集包括若干第二腹部CT图像，且所述第一腹部CT图像和所述第二腹部CT图像均为3D图像；

根据所述第一腹部CT图像对应得到X轴方向的第一2D切片图像、Y轴方向的第二2D切片图像和Z轴方向的第三2D切片图像；

根据所述第一腹部CT图像对应的第一真值图得到X轴方向的第一2D胰腺空间先验、Y轴方向的第二2D胰腺空间先验和Z轴方向的第三2D胰腺空间先验；