[发明专利]一种基于神经网络改进的RSG肝脏CT图像交互式分割算法

说明书

本发明提出一种基于一维卷积神经网络改进的区域生长算法对肝脏CT图像进行交互式分割，通过神经网络统筹考虑像素的灰度值、空间信息、不同梯度值等多种信息作为生长规则，提高了区域生长法的稳定性，增强了算法对边缘复杂结构的分割能力。具体步骤如下：首先是图像预处理，提取CT图像序列集中含有肝脏的切片，使用窗口算法将CT图像转化为灰度图像；然后是图像边缘检测，计算像素在不同边缘检测算子下的梯度值作为该像素的特征，形成像素特征向量；接下来是构建网络模型，提取训练数据集，训练网络模型；最后是分割，将训练好的卷积神经网络模型作为区域生长算法的生长准则，利用鼠标点击肝脏区域产生初始分割结果，利用形态学方法进行填充孔洞得到最终结果。

技术领域

本发明提出一种基于一维卷积神经网络改进的区域生长算法（Region SeedsGrowing，RSG）对肝脏CT图像进行交互式分割，通过神经网络统筹考虑像素的灰度值、空间信息、不同梯度值等多种信息作为生长规则，提高了区域生长法的稳定性，增强了算法对边缘复杂结构的分割能力。

背景技术

CT是无侵害性的器官体外成像手段，由于其成像速度较快、分辨力较高、效果较好，已经成为临床医生进行医疗诊断不可或缺的重要手段，可视化技术与医学图像分析结合，在对肝脏疾病的诊断中占有主导地位。通过对肝脏CT图像进行分割，提取出肝脏组织并获得相应的特征信息，医生可以很直观地了解患者肝脏内部的详细情况，对诊断及下一步治疗计划的制定起到关键作用。

当前的分割方法可以分为三类：手动，半自动和全自动。手动分割方法繁琐，耗时，并且可能受到观察者间和观察者内部变异性的影响。需要将图像的每个像素手动分配到其类别，尽管可以通过该技术获得非常准确的结果，但是所需的时间将限制一些任务转换成临床实践。对于某些任务，单个案例的手动分割可能需要数小时。全自动方法不需要人力，在过去的几十年中，研究人员开发了许多自动分割方法。但是，全自动分割方法很少能获得足够准确、鲁棒的结果，以至于在临床上是不实用的。这通常是由于图像质量差（带有噪音，部分体积效应，伪影和低对比度），患者之间的差异大，病理学带来的不均匀外观以及临床医生之间的方案差异导致给定结构边界的定义不同。

为了解决全自动分割方法的局限性，交互式分割方法在临床实践中是可行的，因为它可以在许多应用中提供更高的准确性和鲁棒性，例如规划脑肿瘤的放射治疗。由于提供用于分割的手动注释既费时又费力，因此有效的交互式分割方法对于实际使用非常重要。良好的交互式分割方法应以尽可能少的用户交互获得准确的结果，从而提高交互效率。尽管存在大量的交互式分割方法，但大多数方法都需要大量的用户交互和花费较长的用户时间，或者其基础模型的学习能力有限。例如，广泛使用的ITK-SNAP以用户提供的种子像素或斑点为起点，并采用主动轮廓模型进行分割。它要求在初始时就进行大量的用户交互，一旦获得初始细分，就很难通过其他用户交互来完善基础模型。SlicSeg在单个开始切片中接受用户提供的涂鸦，以训练在线随机森林进行3D分割，但是缺乏灵活性，无法进行进一步的用户编辑。Random Walks和Graph Cuts从涂鸦中学习，并允许用户提供其他涂鸦以进行细化。他们使用随机游走和高斯混合模型（GMM）作为基础模型。但是，他们需要大量的涂鸦才能获得令人满意的分割效果。本文利用卷积神经网络改进常规区域生长算法的生长规则，通过鼠标点击即可完成交互产生分割图像。

发明内容

本发明的目的是为了解决传统的区域生长法对肝脏CT图像分割精度不高、稳定弱的问题，提出使用基于一维卷积神经网络改进的区域生长算法对肝脏CT图像进行交互式分割，通过神经网络统筹考虑像素的灰度值、空间信息、不同梯度值等多种信息作为生长规则，为了实现上述目的，本发明的步骤如下：

步骤一：图像预处理，提取CT图像序列集中含有肝脏的切片，使用窗口算法(W/L)将CT图像转化为灰度图像；

步骤二：图像边缘检测，计算像素在不同边缘检测算子下的梯度值作为该像素的特征，形成像素特征向量；