[发明专利]结合多信息融合网络和区域增长的气管树分级提取方法

权利要求书

1.一种结合多信息融合网络和区域增长的气管树分级提取方法，其特征在于，包括以下步骤：

步骤S1：获取肺部的CT图像，并预处理；

步骤S2:将预处理后的肺部的CT图像集进行分级，划分整体气管树和细小气管分支两个训练集；

步骤S3:分别对整体气管树训练集和细小气管分支训练集进行采样，得到整体气管树训练子集和细小气管训练子集；

步骤S4:构建多信息融合网络模型，并根据整体气管树训练子集训练；

所述多信息融合网络模型，包括：

一个包含收缩路径和拓展路径的U形网络结构：收缩路径通过连续的卷积核下采样来增大感受野，提取高层语义特征，拓展路径通过卷积核上采样还原图像，增强位置信息；

下采样模块，该模块包含两层连续的卷积层和一个池化层，每一个卷积层后都连接批规范化和修正线性单元；

上采样模块，包含两层连续的卷积层和一个上采样层，上采样模块中每一个卷积层后也连接着BN层和ReLU；

跳跃连接，将收缩路径中低层的高分辨率低语义特征与拓展路径中高层的低分辨率高语义特征直接相连；

空洞空间卷积池化金字塔，增强模型对不同尺度分割目标的感知能力，提取多尺度信息；

边缘引导模块：通过标签数据得到边界图监督网络学习气管的边缘信息，再将物体的边缘信息并反馈到主干网络中，增强对分割边界的学习；

坐标信息：融合到网络的拓展路径中，增强位置信息；

步骤S5:构建体素分类网络模型，并根据细小气管训练子集训练；

步骤S6:将待分割图像数据依次输入训练后的多信息融合分割模型和训练后的体素分类网络模型，得到初步气管树；

步骤S7:基于中心线的几何重建方法进一步处理初步气管树，去除其中的小泄漏，补全断续部位，得到最终的气管树。

2.根据权利要求1所述的一种结合多信息融合网络和区域增长的气管树分级提取方法，其特征在于，所述预处理具体为：

步骤S11:使用高斯滤波平滑肺部的CT图像；

步骤S12:利用Frangi滤波增强气管；

步骤S13:进行归一化处理，并提取肺的轮廓和肺部感兴趣区域，并训练气管标签数据。

3.根据权利要求1所述的一种结合多信息融合网络和区域增长的气管树分级提取方法，其特征在于，所述步骤S2具体为：基于自动分级标注算法，对预处理后的肺部的CT图像集进行分级，得到气管、主支气管、肺叶支气管和肺段支气管的标注信息，并划分整体气管子集和细小气管子集两个气管分支子集。

4.根据权利要求1所述的一种结合多信息融合网络和区域增长的气管树分级提取方法，其特征在于，所述步骤S3具体为：

在包含整体气管子集的肺部感兴趣区域按照步长为32×32×32，提取大小为64×64×64的有重叠部分的三维切块；

在包含细小气管子集的肺部感兴趣区域进行采样；其中气管体素为正样本，非气管体素为负样本，以体素为中心，提取大小为32×32×32的正负样本。

5.根据权利要求1所述的一种结合多信息融合网络和区域增长的气管树分级提取方法，其特征在于，所述训练后的多信息融合分割模型对待分割图像数据处理具体如下：提取肺部感兴趣区域，将感兴趣区域等步长滑窗取块得到的所有64×64×64的切块都输入到网络预测；最后将所有预测得到的切块进行还原叠加得到初步的气管分割结果。

6.根据权利要求1所述的一种结合多信息融合网络和区域增长的气管树分级提取方法，其特征在于，所述训练后的体素分类网络模型数据处理，具体如下：对多信息融合分割模型输出的气管提取骨架点；通过骨架搜索得到气管树的末端点作为区域增长法的初始种子点并将其放入堆栈；训练得到的体素分类网络作为区域增长法的判别器，得到种子点26邻域上的体素点所属类别的概率，将属于气管概率0.8的体素作为新的种子点并放入堆栈；循环进行区域生长法的迭代过程，直到堆栈中的种子点数目为空时停止。

7.根据权利要求1所述的一种结合多信息融合网络和区域增长的气管树分级提取方法，其特征在于，所述步骤S7具体为：根据步骤S6得到气管树，提取得到气管的中心线，获得拓扑信息；基于中心线进行几何重建工作，然后利用重建的结果去细化分割结果，去除小泄露和分割不完整的部位。