一种三维医学图像中管状结构的分割方法技术

本发明专利技术涉及一种三维医学图像中管状结构的分割方法。属于医学图像处技术领域。该方法在离线时期中包括获取训练图像并对训练图像进行人工标注；估计管状结构的空间概率密度得到管状结构空间概率密度图像；三维全卷积网络参数训练；在线时期中包括获取待分割图像；估计管状结构的位置先验分布；基于三维全卷积网络的管状结构分割得到分割结果。本发明专利技术中，三维医学图像中管状结构的分割方法的输入是三维医学图像，输出为对应的特定管状结构分割结果。本发明专利技术的管状结构分割方法可以有效抑制图像中其他结构的影响、提高在非正常管状结构区域的分割性能。

【技术实现步骤摘要】
一种三维医学图像中管状结构的分割方法
本专利技术属于医学图像处理
，尤其涉及一种三维医学图像中管状结构的分割方法。
技术介绍
三维医学图像中的管状结构大多对应动脉、静脉、气管等重要功能组织，通过对图像中的管状结构进行观察分析，医生可以在不进行外科手术的情况下对患者的身体整体情况及特定组织的情况有更直观、全面的了解。以冠状动脉举例，冠状动脉是负责向心肌组织进行氧气和营养输送的血管，因此发生在冠状动脉上的病变将会对整个心脏的正常工作产生影响。如果能够通过对冠状动脉三维图像中的冠状动脉进行分析，医生对冠脉的输血能力和心脏的供血情况有更整体的了解，便于之后手术方案的确定。但是这样的分析过程严重依赖于医生的临床经验，并且由于三维医学图像不够直观，以及图像质量欠佳的影响(例如可能存在的人工制品、对比度低、异常结构等)，医生的分析判断往往会遇到很大的困难，因此如果能对三维医学图像中的管状结构进行自动分析，可以大大提高诊断效率和准确率。三维医学图像中管状结构的分割与提取已有很多的相关方法，分割目标包括冠状动脉、主动脉、肺气管以及其他器官的血管等等。例如一类方法使用机器学习的方法实现对冠状动脉血管的分割，该方法分为两个阶段，在第一个阶段中首先对冠状动脉血管进行粗略的分割，第二个阶段则是在前一阶段的粗分割结果上进行更为精细地分割，由于前一阶段已经排除了大量的非冠状动脉血管区域，因此第二个阶段更专注于分割冠状动脉与类冠状动脉结构，并且使分割结果更为精细、准确。两个阶段使用相同的特征提取方法，训练时第一个阶段在完整图像上进行训练，大量排除非冠状动脉区域，而第二个阶段则在粗分割结果形成的掩模上进行训练，对上一步的粗分割结果进行更精细地调整。但是该类方法将冠状动脉血管的分割问题视为逐像素的分类任务，往往忽视了相邻像素之间的类别约束关系。综合来看，已有的管状结构分割方法一般具有以下的局限性和不足：A)管状结构被建模为一个具有多方向、多尺度的管状模型，无法很好地应对出现分叉、病变等非正常管状结构的部位。B)分割方法是根据特定的任务设计的，仅能应对特定的管状结构，无法进行很好地迁移。C)部分算法使用机器学习解决管状结构的分割问题时，仅仅将其视为像素级别的分类问题，没有考虑到相邻像素之间的类别约束关系。除管状结构的分割之外，深度学习已经在很多医学图像分割任务中得到应用，但是这些方法在使用卷积神经网络进行目标器官的分割时忽略了目标的先验知识。例如医学图像中特定的器官几乎分布于特定的区域内，如果能够在深度学习框架中引入这类位置先验信息的约束，可以对分割过程起到很好的约束作用。管状结构的分割问题同样具有这样的特性，人体中的管状结构大都具有特定的分布规律，以冠状动脉举例：冠状动脉分为左右两支，从主动脉根部的两侧发出，然后环绕心脏并分布于心脏表面之上，其分布具有很强的规律性，如果能够将这样的分布规律与深度学习算法结合起来，会对管状结构的分割准确率有较大的提升。但目前尚未有将先验知识与深度学习结合起来的管状结构分割方法。
技术实现思路
本专利技术的目的是为克服已有技术的不足之处，提出一种三维医学图像中管状结构的分割方法。该方法不限定于某种特定血管的分割，可以广泛应用于多种血管、气管、消化道等管状结构的分割任务，位置先验信息的应用能够提高在图像模糊、对比度低、出现病变等非正常管状结构区域的分割算法性能，有很高的应用价值。本专利技术的一种三维医学图像中管状结构的分割方法，其特征在于，包括离线时期与在线时期；其中：离线时期包括以下步骤：1)获取训练图像并对训练图像进行人工标注；采集N张同种类型三维医学图像作为训练图像，N大于等于20，根据训练图像对待分割的管状结构进行0/1二值标注；2)估计管状结构的空间概率密度得到管状结构空间概率密度图像；首先将三维医学图像通过图像配准算法对齐，将对齐后的所有管状结构人工标注图像使用逻辑或运算进行合并；然后对得到的结果使用概率密度估计算法，估计管状结构的空间概率密度，得到管状结构空间概率密度图像；；3)三维全卷积网络参数训练；首先建立三维全卷积网络，然后将步骤2)得到的管状结构空间概率密度图像通过图像配准算法对齐至各训练图像，得到对应的管状结构位置先验分布图像；所有的训练图像、管状结构位置先验分布图像、以及人工标注图像组成训练数据集，用于训练三维全卷积网络参数；在线时期包括以下步骤：4)获取待分割图像；采集一张包含有待分割管状结构的三维医学图像，图像类型与获取方式与离线时期中步骤1)相同，但不进行人工标注；5)估计管状结构的位置先验分布；将离线时期步骤2)得到的管状结构空间概率密度图像通过图像配准算法对齐至待分割图像，得到管状结构的位置先验分布图像；图像配准算法采用以基于关键点检测的刚体配准方法；6)基于三维全卷积网络得到管状结构分割结果；首先建立三维全卷积网络，使用的网络结构与离线时期建立的三维全卷积网络相同，但是去掉从低到高部分的三个深度辅助监督，使用的网络参数为离线时期中步骤3)的训练结果；将待分割图像与对应的管状结构位置先验分布图像在通道维度堆叠为多通道图像，与离线时期相同，在该多通道图像上截取K3分辨率大小的局部图像块作为三维全卷积网络的输入，图像块之间有重叠，网络的输出为相应图像块的增强结果图像，将这些图像块的增强结果图像根据截取时的位置填充至与待分割图像相同大小的增强结果中，重叠部分采用取平均的方式，对与待分割图像相同大小的增强结果进行二值化得到最终的分割结果。本专利技术的特点及有益效果在于：本专利技术方法结合了神经网络强大的特征提取能力，能够通过对已有数据的学习得到特定目标结构的有效特征描述，从而使得该方法能够扩展至多种管状结构的分割任务，该方法中三维全卷积神经网络对邻域信息的应用也使得分割结果受到邻域像素的类别约束，此外管状结构位置先验信息的引入可以帮助神经网络的特征提取更加专注于对管状结构与类似结构的区分，并且在图像模糊、对比度低、出现病变等非正常管状结构区域提升分割算法的性能。本专利技术方法能够提高三维医学图像中特定管状结构的分割准确度，从而能够建立特定管状结构的准确3D模型，通过对该模型的自动分析计算，可以对许多相应疾病进行自动诊断，例如对冠状动脉分割结果的3D模型进行自动分析，可以发现冠状动脉出现狭窄的位置，而这些位置往往伴随有钙化等冠状动脉病变。此外，由准确的分割结果得到的3D模型也有助于对病变的发展情况进行合理的量化描述，例如对冠状动脉分割结果得到的3D模型进行血液流体动力学仿真，可以量化地描述冠状动脉中出现的钙化等病变对冠状动脉供血能力的影响。这些应用场景都需要准确的管状结构分割结果作为前提，因此本专利技术方法具有很高的应用价值。附图说明图1为本专利技术方法的整体流程图；图2为关键点及对应坐标系示意图片(以冠状动脉为例)；图3为离线时期分割网络结构示意图(以冠状动脉为例)；图4为在线时期分割网络结构示意图(以冠状动脉为例)；图5为分割结果图片(以冠状动脉为例)。具体实施方式：本专利技术提出一种三维医学图像中管状结构的分割方法，下面将会结合附图和具体实施流程进一步进行详细说明。本专利技术提出一种三维医学图像中管状结构的分割方法，分为离线和在线两个时期。离线时期包括三个阶段，分别为获取训练图像并对训练图像进行人工标本文档来自技高网...

【技术保护点】
1.一种三维医学图像中管状结构的分割方法，其特征在于，包括离线时期与在线时期；其中：离线时期包括以下步骤：1)获取训练图像并对训练图像进行人工标注；采集N张同种类型三维医学图像作为训练图像，N大于等于20，根据训练图像对待分割的管状结构进行0/1二值标注；2)估计管状结构的空间概率密度得到管状结构空间概率密度图像；首先将三维医学图像通过图像配准算法对齐，将对齐后的所有管状结构人工标注图像使用逻辑或运算进行合并；然后对得到的结果使用概率密度估计算法，估计管状结构的空间概率密度，得到管状结构空间概率密度图像；3)三维全卷积网络参数训练；首先建立三维全卷积网络，然后将步骤2)得到的管状结构空间概率密度图像通过图像配准算法对齐至各训练图像，得到对应的管状结构位置先验分布图像；所有的训练图像、管状结构位置先验分布图像、以及人工标注图像组成训练数据集，用于训练三维全卷积网络参数；在线时期包括以下步骤：4)获取待分割图像；采集一张包含有待分割管状结构的三维医学图像，图像类型与获取方式与离线时期中步骤1)相同，但不进行人工标注；5)估计管状结构的位置先验分布；将离线时期步骤2)得到的管状结构空间概率密度图像通过图像配准算法对齐至待分割图像，得到管状结构的位置先验分布图像；图像配准算法采用以基于关键点检测的刚体配准方法；6)基于三维全卷积网络得到管状结构分割结果；首先建立三维全卷积网络，使用的网络结构与离线时期建立的三维全卷积网络相同，但是去掉从低到高部分的三个深度辅助监督，使用的网络参数为离线时期中步骤3)的训练结果；将待分割图像与对应的管状结构位置先验分布图像在通道维度堆叠为多通道图像，与离线时期相同，在该多通道图像上截取K3分辨率大小的局部图像块作为三维全卷积网络的输入，图像块之间有重叠，网络的输出为相应图像块的增强结果图像，将这些图像块的增强结果图像根据截取时的位置填充至与待分割图像相同大小的增强结果中，重叠部分采用取平均的方式，对与待分割图像相同大小的增强结果进行二值化得到最终的分割结果。...

【技术特征摘要】
1.一种三维医学图像中管状结构的分割方法，其特征在于，包括离线时期与在线时期；其中：离线时期包括以下步骤：1)获取训练图像并对训练图像进行人工标注；采集N张同种类型三维医学图像作为训练图像，N大于等于20，根据训练图像对待分割的管状结构进行0/1二值标注；2)估计管状结构的空间概率密度得到管状结构空间概率密度图像；首先将三维医学图像通过图像配准算法对齐，将对齐后的所有管状结构人工标注图像使用逻辑或运算进行合并；然后对得到的结果使用概率密度估计算法，估计管状结构的空间概率密度，得到管状结构空间概率密度图像；3)三维全卷积网络参数训练；首先建立三维全卷积网络，然后将步骤2)得到的管状结构空间概率密度图像通过图像配准算法对齐至各训练图像，得到对应的管状结构位置先验分布图像；所有的训练图像、管状结构位置先验分布图像、以及人工标注图像组成训练数据集，用于训练三维全卷积网络参数；在线时期包括以下步骤：4)获取待分割图像；采集一张包含有待分割管状结构的三维医学图像，图像类型与获取方式与离线时期中步骤1)相同，但不进行人工标注；5)估计管状结构的位置先验分布；将离线时期步骤2)得到的管状结构空间概率密度图像通过图像配准算法对齐至待分割图像，得到管状结构的位置先验分布图像；图像配准算法采用以基于关键点检测的刚体配准方法；6)基于三维全卷积网络得到管状结构分割结果；首先建立三维全卷积网络，使用的网络结构与离线时期建立的三维全卷积网络相同，但是去掉从低到高部分的三个深度辅助监督，使用的网络参数为离线时期中步骤3)的训练结果；将待分割图像与对应的管状结构位置先验分布图像在通道维度堆叠为多通道图像，与离线时期相同，在该多通道图像上截取K3分辨率大小的局部图像块作为三维全卷积网络的输入，图像块之间有重叠，网络的输出为相应图像块的增强结果图像，将这些图像块的增强结果图像根据截取时的位置填充至与待分割图像相同大小的增强结果中，重叠部分采用取平均的方式，对与待分割图像相同大小的增强结果进行二值化得到最终的分割结果。2.如权利要求1所述三维医学图像中管状结构的分割方法，其特征在于，所述步骤2)具体包括以下子步骤：2-1)图像配准；首先定义三维医学图像中具有显著解剖学意义、位置相对稳定的点为关键点，3个不在同一直线上的关键点确定特定目标结构在空间中的位置和姿态，基于这三个关键点定义统一的坐标系，根据定义的坐标系将所有的管状结构人工标注图像都对齐至同一坐标系下；2-2)概率密度估计；将所有对齐至同一坐标系下的管状结构人工标注图像相加，对相加得到的结果图像使用概率密度估计算法估计管状结构的空间概率密度得到管状结构空间概率密度图像；采用以非参数概率密度估计中的Parzen窗法，Parzen窗法估计概率密度的具体公式为：其中，xi，i＝1，2，…...

【专利技术属性】
技术研发人员：冯建江，周杰，段永杰，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11