[发明专利]一种基于局部线性嵌入的插值神经网络的胰腺肿瘤图像分割处理方法

说明书

本发明涉及计算机医学图像处理领域，提出了一种基于局部线性嵌入的插值神经网络的胰腺肿瘤图像分割处理方法。包括步骤：对输入的3D肿瘤切片和对应肿瘤标签切片输入局部插值网络进行插值；输入多尺度级联分割网络进行肿瘤分割，对结果进行可视化。本发明易于实现，提高了图像质量和肿瘤切片的数量，减少了相邻切片之间的肿瘤差异，并尽可能避免漏检。利用本发明可以有效缓解肿瘤边界的模糊标注问题，并在有限的计算条件下处理不同的肿瘤图像特征，显着提高了图像分辨率。

技术领域

本发明涉及计算机医学图像处理领域。

背景技术

胰腺肿瘤是一种诊治难度大的疾病，一年生存率不足20％，五年生存率为9％。

CT/MR具有更高的软组织分辨率，可以识别对比图案，成为胰腺肿瘤诊断的常规方法之一。但是，由于扫描仪精度的限制，相邻切片之间的间距很大。即使是经验丰富的放射科医师，通过仔细比较相邻切片来检测肿瘤也需要大量时间，对于小肿瘤，漏检是不可避免的。此外，厚CT/MR的大间距加剧了胰腺肿瘤自动分割的难度。因此，利用切片间插值，CT/MR图像上胰腺肿瘤的自动分割不仅可以帮助医生确定肿瘤的大小、形态和位置，还可以为后续的诊断提供可靠的依据。

近年来，深度学习在医学图像处理中得到广泛应用，在胰腺肿瘤分割方面取得了突破性进展。Y.Zhou等人采用双路径网络，其中并行流与超连接互连，以在动脉期和静脉期CT图像之间进行密集的信息交换。该研究报告称，在239例胰腺导管腺癌(PDAC)病例中，有63.94％的病例被诊断为胰腺癌。类似地，Y.Lang等人采用了基于方窗的卷积神经网络(CNN)架构和三个卷积层块。它通过融合三相DCE-MRI，分别是造影前、动脉和静脉图像。然而，多阶段数据难以获得，上述模型不能用于单阶段胰腺肿瘤分割任务。多相数据也给模型带来了复杂性，需要大量的计算资源。由于医学图像上的肿瘤分割困难，尤其是胰腺肿瘤，越来越多的研究使用插值来增强图像。F.Isensee等人使用自动插值作为预处理方法来减轻分割任务中体素的各向异性。此外，越来越多的基于深度学习的分割方法着眼于插值带来的改进。J.Zhang等人提出了一种半自动方法，结合高斯加权欧几里德距离的先验知识和非线性插值来增强腿部分割的MR。

发明内容

有鉴于此，本发明目的在于克服现有技术生成的大间距厚CT/MR分辨率低、CT/MR图像切片之间的连续性较差以及小肿瘤模糊边界带来的不确定性等问题，公开一种基于局部线性嵌入的插值神经网络的胰腺肿瘤分割方法。

本发明技术方案：

一种基于局部线性嵌入的插值神经网络的胰腺肿瘤分割方法包括步骤：

步骤1数据集准备：

从医院中获取数据集，包括3D的MR切片图像和经过标注的肿瘤分割标签作为数据集。

步骤2训练优化：

2.1将步骤1获取的原始切片图像和标签分为两两一组，表示为x_i-1和x_i+1，同时输入到待训练的片间插值网络(已有结构，简称“网络一”)中。以原始切片图像和插值得到的切片图像的结构相似度损失作为评价指标来，对“网络一”进行训练。“网络一”能得到切片间插值切片，表示为x_i，让3D的MR切片序列间更加连续。

2.2接下来合并步骤2.1插值得到的切片x_i和切片x_i-1、x_i+1得到切片序列。将其中的肿瘤标签切片输入概率图生成器中，生成肿瘤标签的概率图，用于提供给步骤2.3；

2.3将MR切片序列输入到待训练的多尺度级联网络(已有结构，简称“网络二”)中，根据肿瘤的特征，输出肿瘤概率图。将“网络二”输出的肿瘤概率图和步骤2.2提供的肿瘤标签概率图的均方误差作为评价指标，对“网络二”进行训练。

步骤3预测病理切片和可视化：