[发明专利]基于级联VNet-S网络和三维条件随机场的肝脏分割系统

说明书

本发明提供一种基于级联VNet‑S网络和三维条件随机场的肝脏分割系统，涉及图像处理技术领域。该系统包括级联VNet‑S网络和三维条件随机场；级联VNet‑S网络得到肝脏CT图像前景像素点的概率，并将前景像素点的概率作为先验概率使用三维条件随机场分割肝脏；三维条件随机场通过空间上下文信息，反映观测变量之间的依赖关系，剔除误分割区域和细化分割，实现对肝脏分割边界的优化，进而实现对CT图像中肝脏的分割；该系统能够较为准确地分割肝脏，运算速度满足实际需求，且处理过程全自动，减少了医生的工作量，能够较好地满足应用需求。

技术领域

本发明涉及图像处理技术领域，尤其涉及基于级联VNet-S网络和三维条件随机场的肝脏分割系统。

背景技术

肝脏疾病在人群中发病率高，且极大地威胁着人类的健康。为了快速诊断肝脏疾病，需要从计算机断层扫描(CT)中准确快速定位肝脏，以进行进一步分析。目前对肝脏疾病的形态学诊断手段主要依靠CT、MRI等二维图像，医生只能凭经验由多幅二维图像去估计病灶的大小及形状，“构思”病灶与其周围结构的三维几何关系，这会加大误诊或漏诊的可能性；且随着CT精度的提高，每次扫描所得到的CT图像数量也大大增加，这使得医生的工作量大大增加。

在医学影像器官分割领域，研究者们采用的图像分割算法主要分为传统图像算法和深度学习方法。传统分割算法主要有基于灰度、基于统计形状模型和基于纹理特征的算法。但这些传统分割算法都存在不足之处。基于灰度的算法要求器官与背景差异大；基于统计形状模型的算法要求器官形状相对规则；基于纹理特征的算法依赖人工提取的特征，费时费力。而深度学习的方法主要分为二维分割网络(全卷积神经网络、2D Unet网络等)和三维分割网络(3D Unet网络和Vnet网络等)。但它们也存在一定的问题，二维分割网络无法利用三维空间中的信息，会导致分割准确度低；而三维分割网络在运行时要占用大量显存，硬件限制导致三维分割网络需要大尺度缩小输入图像尺寸，从而导致特征丢失，影响分割精度，且仅考虑区域像素特征，缺乏全局空间上下文信息会导致边缘细节分割能力不强。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于级联VNet-S网络和三维条件随机场的肝脏分割系统，联合级联Vnet-S网络和三维条件随机场(Dense3D CRF)，实现对肝脏分割边界的优化。

为解决上述技术问题，本发明所采取的技术方案是：基于级联VNet-S网络和三维条件随机场的肝脏分割系统，包括级联VNet-S网络和三维条件随机场；级联VNet-S网络得到肝脏CT图像前景像素点的概率，并将前景像素点的概率作为先验概率使用三维条件随机场分割肝脏；三维条件随机场通过空间上下文信息，反映观测变量之间的依赖关系，剔除误分割区域和细化分割，实现对肝脏分割边界的优化；具体包括以下步骤：

步骤1：获取肝脏CT图像作为样本数据集，并对图像数据进行数据增强预处理；

所述CT图像为遵循医疗数位影像传输协定(Digital Imaging andCommunications in Medicine,DICOM)的dcm文件或多张dcm肝脏CT图像压缩而成的NIFTI文件及对应的标签，即肝脏分割人工标注的结果；

步骤2：将数据集划分为两种类型：

(1)训练数据集和验证数据集：包括原始肝脏CT图像和对应的标签，用于训练和测试级联VNet-S网络模型；

(2)无标注的待分割数据集：原始肝脏CT图像，用于评估肝脏分割效果；

步骤3：根据数据集类型配置级联Vnet-S网络工作模式，如果用户使用的是训练和验证数据集，则初始化级联Vnet-S网络模型，然后执行步骤7，否则执行步骤4；