[发明专利]一种增强CT图像的脏器内血管自动分割方法及系统

说明书

本发明提供一种增强CT图像的脏器内血管自动分割方法及系统，方法包括对增强CT图像进行脏器分割处理提取脏器区域，由脏器区域得到三维脏器感兴趣区域；对所述三维脏器感兴趣区内，分别进行全局脏器内血管分割和局部脏器内血管分割产生全局脏器内血管自动分割结果和局部脏器内血管自动分割结果；将全局脏器内血管自动分割结果和局部脏器内血管自动分割结果融合，得到最终的脏器内血管自动分割结果。本发明提出了一种全自动渐进式的脏器内血管分割的深度学习解决方案，旨在保持血管在其形状细节和连续性方面的完整性。实验结果表明，该方案具有较高的准确性、效率和稳健性。

技术领域

本发明涉及图像机器学习处理领域，特别涉及一种增强CT图像的脏器内血管自动分割方法及系统。

背景技术

心脑血管病严重危害人类的健康，近年来心脑血管的发病率和死亡率总体呈现上升态势，心脑血管死亡率继续呈现快速上升趋势，农村地区心脑血管的死亡率和发病率已高于城市地区。因此，对心脑血管患者尽早做出诊断，并采取科学的有效治疗措施，具有非常重要的现实意义。目前，诊断心脑血管的金标准是脏器内血管造影，但是此种方法属于有创检查，且价格较贵，并且会存在并发症等问题，不适合常规体检，而且在基层医院推广相对困难。相比之下，增强CT成像的诊断方法安全可靠无创，已在临床广泛应用。

通过增强CT图像可以重建和评估病人的脏器和脏器内血管结构。为了分析增强CT图像的一系列任务，如狭窄计算、中心线提取和斑块分析，脏器内血管自动分割是一个关键步骤。由于脏器内血管可能有丰富的直径变化和复杂的轨迹，手动脏器内血管分割是非常费力和技术要求高的，这导致了对自动脏器内血管分割的需求不断增加。

现有的脏器内血管分割方法已经利用经典的机器学习和现代的深度学习方法来分割增强CT图像中的血管。前一类方法包括基于区域、基于边缘、基于跟踪、基于图形切割和基于水平集的方法，但所有这些方法在其前处理或后处理步骤中都需要某种人工协助。后一类方法主要建立在FCN和UNET的基础上，它们分析了二维或三维小块来进行自动脏器内血管自动分割。这两类现有的方法都面临着两个共同的挑战，即：1)相对较小的脏器内血管体积分散在更大体积的周围组织中；2)脏器内血管与其相邻的血管结构(如肺血管)之间具有高度的感知相似性和紧密的空间相邻性。

发明内容

为了高效率地进行准确和稳健的脏器内血管自动分割，本发明提出了一种增强CT图像的脏器内血管自动分割方法及系统，它能够在形状细节和连续性方面保留血管的完整性。

为达到上述目的，本发明采用了以下技术方案：

一种增强CT图像的脏器内血管自动分割方法，包括以下步骤：

对增强CT图像进行脏器分割处理提取脏器区域，由脏器区域得到三维脏器感兴趣区域；

对所述三维脏器感兴趣区内，分别进行全局脏器内血管分割和局部脏器内血管分割产生全局脏器内血管自动分割结果和局部脏器内血管自动分割结果；

将全局脏器内血管自动分割结果和局部脏器内血管自动分割结果融合，得到最终的脏器内血管自动分割结果。

作为本发明的进一步改进，所述利用脏器分割模块从原始CT扫描图像中提取脏器区域和三维脏器感兴趣区域具体包括：

对原始增强CT图像经灰度映射预处理后，输入HVessel-Net深度学习模型，通过监督学习和第一损失函数进行训练，生成脏器分割掩膜；

通过脏器分割掩膜对原始增强CT图像进行过滤，以获得脏器区域，并得出相应的边界框，在其冠状位和矢状位方向上保持相同的长度；通过三维裁剪操作对检测到的脏器区域提取三维脏器感兴趣区。

作为本发明的进一步改进，所述第一损失函数公式如下：