[发明专利]基于深度学习的肺结节精细化分割方法、装置及存储介质

说明书

本发明涉及一种基于深度学习的肺结节精细化分割方法、装置及存储介质，所述方法包括以下步骤：构建基于深度学习的多尺度输出的肺结节分割模型；获取待分割肺部CT影像，对该待分割肺部CT影像进行预处理，获得待分割3D图像块；以所述待分割3D图像块作为所述肺结节分割模型的输入，获得不同尺度输出结果；对各个不同尺度输出结果进行融合处理，获得最终分割结果。与现有技术相比，本发明具有分割精度高等优点。

技术领域

本发明涉及医学图像处理技术领域，尤其是涉及一种基于深度学习的肺结节精细化分割方法、装置及存储介质。

背景技术

肺癌是死亡率最高的肿瘤疾病之一。每年世界上有超过130万人因为患肺癌而死亡。由于肺癌在早期阶段临床表现非常不明显，70％以上的肺癌确诊患者基本上都处于肺癌晚期，及早干预和治疗是提高肺癌患者生存率的关键。肺癌早期一般表现为肺结节。当前，肺癌的早期发现最常用的是通过计算机断层扫描技术(Computed Tomography,CT)进行成像检查，然后由放射科医生进行筛查并进行诊断，放射科医生通常只能根据医学知识和经验对肺结节定性评估，在此背景下，提出了基于CT影像的肺癌计算机辅助诊断(CAD)系统，基于CT影像的计算机辅助诊断技术的出现，能够辅助放射科医生诊断，作为“第二意见”进行临床诊断。肺结节的精准分割不仅能够辅助医生定量评估结节的生长趋势，也是肺癌的早期计算机辅助诊断的基础。

目前的国内外对肺结节分割方法的研究取得了一定的进展，但仍存在着一些不足，具有较大的改进和提升空间。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种分割精度高的基于深度学习的肺结节精细化分割方法、装置及存储介质。

本发明的目的可以通过以下技术方案来实现：

一种基于深度学习的肺结节精细化分割方法，包括以下步骤：

构建基于深度学习的多尺度输出的肺结节分割模型；

获取待分割肺部CT影像，对该待分割肺部CT影像进行预处理，获得待分割3D图像块；

以所述待分割3D图像块作为所述肺结节分割模型的输入，获得不同尺度输出结果；

对各个不同尺度输出结果进行融合处理，获得最终分割结果。

进一步地，所述预处理包括归一化操作和图像裁剪处理。

进一步地，所述归一化操作具体为：

CT影像中HU值大于400的值被定义为1，HU值小于-1000的值被定义为0。

进一步地，所述肺结节分割模型以3D U-Net网络作为基础结构，且在3D U-Net网络的解码部分引出多个不同尺度的输出。

进一步地，对所述肺结节分割模型进行训练时使用的数据集包括CT影像及基于标注信息形成的对应的分割掩膜图像。

进一步地，所述融合处理为：

以最小尺度的输出结果作为基础输出，其他尺度的输出结果按尺度由小到大依次融合尺度相对较小的其他输出结果，以最后一个输出结果作为最终分割结果。

进一步地，对所述肺结节分割模型进行训练时，基于批量平均dice损失函数进行模型参数的更新，以该批量平均dice损失函数计算各尺度输出结果与分割的标签图像的损失值，将各尺度损失值加权得到最终损失值，使用该最终损失值更新所述模型参数。

进一步地，所述批量平均dice损失函数的表达式为：

式中：Q为每个批次中的样本数，w、h、l分别对应3D图像块的长、宽和高，g对应标签图像中的前景区域，e为基于三维上下文信息的深度学习模型对应的预测结果。