[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

说明书

本发明涉及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:构建多信息融合分割模型，并根据整体气管树训练子集训练；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处理初步气管树，得到最终的气管树。本发明有效提高分类的准确性。

技术领域

本发明属于医学图像处理领域，具体涉及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。

背景技术

由于肺气管的特殊解剖结构和生理功能，肺部疾病与其病理密切相关。 因此，从CT数据中分割出完整精确的气管在肺部疾病的术前诊断、术中导航和术后评估都起着极其重要的作用。人工阅片的分割方式，受切片数量和气管本身复杂的树状结构影响，不仅给医学工作者带来巨大工作负荷，也容易导致错误的分割。传统的分割方法中手工提取特征依赖于专业学者的知识引导，而且需要通过大量调整参数才能避免出现泄漏情况。

近年来，深度学习方法不仅在自然图像处理中发挥出极大的作用，也被广泛应用在医学图像处理中。由于其具有较高的敏感性和较低的假阳率，可以用于提取更为精准的气管树。但是目前，在细小气管方面，深度学习方法仍然不能得到令人满意的结果。

发明内容

有鉴于此，本发明的目的在于提供一种结合多信息融合网络（multi-informationfusion convolution neural network，Mif-CNN）和区域增长（Region Growth）的气管树分级提取方法，有效提高分类的准确性。

为实现上述目的，本发明采用如下技术方案：

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:构建多信息融合分割模型，并根据整体气管树训练子集训练；

步骤S5:构建体素分类网络（voxel classification network，VCN）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。

进一步的，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。

进一步的，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。