[发明专利]一种基于测地线距离和V-net的交互式肝脏分割方法

说明书

一种基于测地线距离和V‑net的交互式肝脏分割方法，以V‑net为基础，结合测地线距离交互式分割算法，提出了一种基于测地线距离和V‑net的交互式肝脏分割算法，首先，利用调窗算法增强肝脏图像的对比度，并通过高斯滤波抑制噪声干扰；其次，利用三维分割网络V‑net，可以有效兼顾空间上下文信息的特点，得到肝脏图像初步分割结果；再次，利用基于测地线距离的交互式分割方法简单、易实现、对肝脏边界响应良好的特点，形成人为的硬约束对V‑net分割结果进行修正，并进一步将分水岭算法形成的超像素块作为样本点进行运算，提高算法效率；本发明实验结果表明该算法可以准确地分割出完整的肝脏区域，实现了在临床上方便医生使用的较少用户干预及较短时间的交互式肝脏图像分割框架，临床使用效果好，具有广阔的应用前景。

技术领域

本发明属于图像处理及模式识别技术领域，特别涉及一种基于测地线距离和V-net的交互式肝脏分割方法。

背景技术

随着医学成像技术的飞速发展及广泛应用，影像学检查已经成为临床诊断中必不可少的手段之一，在肝脏疾病的诊断中被普遍应用，通过影像学数据可以直观地获得肝脏的大小、是否病变等信息，从而作为医生初期的诊疗依据。而目前临床上对肝脏区域进行精准有效的分割是肝脏术前规划的重要前提，从而辅助医生对肝脏病症患者进行疾病诊断，形成准确的术前规划，术中指导，术后评价，对临床手术起着很重要的指导作用。

目前，研究人员已经提出了大量肝脏分割算法，可以分为两类：传统肝脏分割算法与深度学习算法。传统肝脏分割算法包括：区域增长法、水平集法、主动轮廓法、阈值法、图割法、聚类算法等。传统肝脏分割算法主要采用人工设计的特征模板提取图像特征，这种特征提取方式所获得的特征数量较少，容易将接近于肝脏灰度值的非肝脏组织错分为肝脏区域，且当肝脏内发生病变或者CT成像过程中设备的参数不同时，最终分割结果误差较大。为减少种子点选取对区域生长算法的影响，Gambino等人提出一种基于纹理的区域生长肝脏分割算法，该算法可以自动选取种子点并自动计算区域生长停止条件的阈值，但是在肝脏边界处存在欠分割现象。姜慧研和冯锐杰针对传统的水平集算法对图像噪声和初始边界敏感以及容易从弱边缘处泄露等不稳定的问题，提出一种基于变分水平集和区域生长的肝脏分割算法，该方法结合待分割区域的灰度统计信息和梯度信息，对水平集演化函数进行改进，并利用区域生长算法改善水平集对初始边界敏感的不足，但当肝脏与其他相邻组织的灰度统计信息相似时，导致统计信息项和梯度信息项不能反映其复杂细微的变化，存在过分割现象。Zareei等人利用结合梯度矢量流失的主动轮廓模型改善初始分割结果，并采用遗传算法来产生合适的参数集，以克服对初始轮廓的依赖性，但是当肝脏轮廓边缘处存在肿瘤干扰时会导致分割失败。Apollon等人根据CT影像中各个器官像素强度特征的差异，人工选取种子点并利用种子点的平均强度作为阈值对肝脏图像进行分割，但该方法对灰度不均匀和噪声很敏感。罗清等人将核主成分分析与初始分割轮廓配准后融入到核图割模型中，得到肝脏分割结果，但由于核图割模型对初始参数具有很强的依赖性，所以该算法在分割背景复杂的肝脏影像时容易出现分割错误。王荣淼等人在模糊C均值(Fuzzy C-means,FCM)聚类的基础上，利用高斯分布函数构建卷积核提取空间信息的特征矩阵，并在原有目标函数的基础上引入空间惩罚项，通过多次迭代得到最终的肝脏分割结果。但融合空间信息的FCM算法对背景复杂的肝脏图像分割效果仍不理想。

相比于传统肝脏分割算法，深度学习方法能够充分利用大量训练样本的数据多样性，使得肝脏分割结果优于传统方法的分割结果。但是完全自动化的肝脏分割结果仍然需要进一步细化，使之变得足够准确和稳健，以便于临床使用。

发明内容

为了克服上述现有技术存在的缺陷，本发明的目的在于提供一种基于测地线距离和V-net的交互式肝脏分割方法，利用V-net三维分割网络可以改善一般二维卷积网络不能兼顾空间上下文的缺陷，提高了分割精度，并采用结合分水岭算法的测地线距离交互分割算法形成人为硬约束，降低误分割现象，提高肝脏分割结果的正确率，临床效果好，具有广阔的应用前景。

为了达到上述目的，本发明采取的技术方案为：