[发明专利]一种基于深度学习的CT序列图像肝脏肿瘤分割方法

说明书

本发明公开了一种基于深度学习的CT序列图像肝脏肿瘤分割方法，主要包括：(1)构建基于空洞空间金字塔卷积的U型2D卷积网络，并利用该网络分别从矢状面、冠状面和横切面三个视图方向对CT序列图像进行二维切片分割；(2)采用轻量级的3D卷积网络对不同视图方向获取的分割结果进行融合，获取CT序列各像素属于目标的概率及CT序列肝脏肿瘤三维分割结果；(3)根据所获取的概率和三维分割结果，构建图割能量函数，进一步优化分割结果。本发明通过结合2D、3D卷积网络以及图割算法，可在轻量化网络的情况下，有效提取CT序列的三维空间信息，提高肝脏肿瘤分割精度。

技术领域

本发明涉及医学图像处理技术领域，特别涉及一种基于深度学习的CT序列图像肝脏肿瘤分割方法。

背景技术

肝癌已经成为严重危害我国人民身体健康的癌症之一。据国家癌症中心数据显示，我国肝癌发病率在所有恶性肿瘤中排第5，且死亡率高居第2位。肝癌的早诊断、早分期和早治疗对于提高患者生存率和生活质量起着至关重要的作用。计算机断层扫描(Computed Tomography,CT)成像具有分辨率高、速度快、成本低等优点，被广泛应用于肝脏肿瘤的临床诊断。CT序列图像中的肝脏肿瘤区域的精确分割是进行肝癌计算机辅助诊疗的重要基础。肿瘤医师可根据分割结果获取肿瘤大小、形状、位置等详细信息，为患者制定合适的治疗方案。目前临床上，肝脏肿瘤分割通常由专业人员手动分割完成。由于CT扫描生成的切片数量巨大，手动分割耗时耗力，且分割结果质量高度取决于操作者的经验。因此，亟需开发腹部CT序列图像肝脏肿瘤区域的自动精确分割方法。

CT图像中肝脏肿瘤具有对比度低、边界模糊、形状不规则等特点，传统分割方法，如阈值、区域生长、水平集、图割等，通常需要人工交互，难以实现肿瘤的自动分割。近年来，随着人工智能技术在智能医疗领域的快速发展与广泛应用，国内外相关专家学者提出了一些基于深度学习的肝脏肿瘤分割方法。该类方法主要可分为基于2D和3D卷积的方法。基于2D卷积的分割网络未考虑CT序列图像的片间信息，无法有效提取三维空间特征，分割精度有限。而基于3D卷积的分割网络参数量巨大。受限于计算资源，现有基于3D卷积的分割网络通常无法直接对原始CT序列进行处理，需要预先将CT序列进行下采样或截取为小尺寸的三维数据，这将导致图像细节信息丢失、网络的分割精度降低。

发明内容

针对现有技术的缺点与不足，本发明将2D深度卷积网络、3D轻量网络和图割算法相结合，旨在提供一种可有效分割CT序列图像中肝脏肿瘤区域的方法，有效解决单纯采用2D卷积无法提取三维特征、3D卷积内存开销大的问题，并通过结合深度学习和图割算法可有效提高肿瘤分割精度。本发明成果可为肝脏肿瘤的临床诊疗和病理学研究提供技术支持和决策服务。

一种基于深度学习的CT序列图像肝脏肿瘤分割方法，包括以下步骤：

(1)建立包含原始CT序列图像和肝脏区域手动分割结果的原始训练数据集A和B；

(2)构建基于空洞空间金字塔卷积的U型2D卷积网络，记作ASPP-UNet，具体包括：

(2-a)采用U形网络作为主干网络，该主干网络包含三个编码层、两个跳跃连接、一个空洞空间金字塔卷积层、三个解码层和和一个1×1卷积层，其中：第一个编码层的输出不仅作为第二个编码层的输入，同时还通过第一个跳跃连接与第二个解码层相连作为该解码层的输入；第二个编码层的输出不仅作为第三个编码层的输入，同时还通过第二个跳跃连接与第一个解码层相连作为该解码层的输入；第三个编码层的输出作为空洞空间金字塔卷积层的输入，且空洞空间金字塔卷积层的输出作为第一个解码层的输入；此外，上一个解码层的输出均作为下一个解码层的输入；为了得到分割结果，将最后一个解码层与一个1×1卷积层相连，其中最后一个解码层的输出作为1×1卷积层的输入，1×1卷积层的输出为各像素属于目标的概率，通过引入阈值ε₁，即可得到分割结果；所述ε₁优选0.3～0.7的常数；