一种基于深度学习的CT图像肝脏动脉分割方法及系统技术方案

本发明专利技术公开了一种基于深度学习的CT图像肝脏动脉分割方法及系统，属于医学图像处理和人工智能技术领域。所述方法包括：获取所有肝脏CT显影图像，并将图像尺寸调整为固定尺寸；将肝脏部分的CT值进行归一化处理，并输入神经网络模型；计算神经网络模型的输出与肝脏动脉掩模的损失值，并据此更新神经网络模型的参数；遍历所有训练样本，完成神经网络模型的训练学习，得到肝脏动脉分割模型；根据肝脏动脉分割模型，对归一化处理后的肝脏部分的CT值进行分割，得到肝脏动脉的分割结果。所述系统包括获取模块、调整模块、归一输入模块、计算更新模块、训练模块及分割模块。本发明专利技术可以精确地得到肝动脉的实际情况，分割过程完全不需要人为参与。

A method and system of hepatic artery segmentation based on deep learning in CT images

【技术实现步骤摘要】
一种基于深度学习的CT图像肝脏动脉分割方法及系统
本专利技术涉及医学图像处理和人工智能
，特别涉及一种基于深度学习的CT图像肝脏动脉分割方法及系统。
技术介绍
医学成像有多种图像模态，包括MR（MagneticResonance，磁共振）、CT（ComputedTomography，电子计算机断层扫描）、PET（PositronEmissionComputedTomography，正电子发射型计算机断层显像）、超声成像等等。成像可以获得反映二维和三维区域人体的生理和物理特性的图像。肝病患者在进行外科手术前需要拍摄增强CT，根据造影剂在进入病人体内后的扫描时间不同，增强CT可以分为动脉期、门静脉期和平扫期三期序列图像。通过在动脉期对显影的动脉区域进行分割，可以帮助医生查看肝脏动脉的解剖结构，进而帮助医生诊断病情和指导手术。然而由于CT图像的敏感性和特异性相对MR较差，且存在成像伪影、成像质量不好等问题，与此同时肝脏动脉又相对细小且形态各异，因此基于CT图像的肝脏动脉区域的分割是非常有难度的问题。目前常用的图像分割方法主要有两类：基于阈值的分割和基于区域生长的分割。阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值作比较，最后将像素根据比较结果分配到合适的类别中；阈值法最为关键的是按照某个准则函数来求解最佳灰度阈值，该方法计算简单、效率较高，但由于只考虑图像的灰度特征，因此对噪声比较敏感，鲁棒性不高。区域生长法是从一组代表不同生长区域的种子像素开始，接下来将种子像素邻域里符合条件的像素合并到种子像素所代表的生长区域中，并将新添加的像素作为新的种子像素继续合并过程，直到找不到符合条件的新像素为止；区域生长法最为关键的是选择合适的初始种子像素及合理的生长准则，该方法非常依赖种子像素的选取，且分割结果容易出现空洞和过分割。现有技术公开了一种肝脏医学图像动脉区域分割方法，该方法在具体实施过程中多处需要进行人工设定参数，这会使得一方面参数设定非常依赖经验，另一方面由于CT图像显影的复杂多变，固定的参数不能很好地适配不同的CT影像数据，从而导致该方法的鲁棒性较差，并且不易扩展。
技术实现思路
为了解决现有肝脏动脉区域分割方法存在的参数设定人为化，参数固定导致的适配性差、不易扩展等问题，本专利技术提供了基于深度学习的CT图像肝脏动脉分割方法，包括：获取所有肝脏CT显影图像，并将所述CT显影图像尺寸调整为固定尺寸；将固定尺寸的肝脏部分的CT值进行归一化处理，并输入神经网络模型；计算所述神经网络模型的输出与肝脏动脉掩模的损失值，并根据所述损失值更新所述神经网络模型的参数；遍历所有训练样本，完成所述神经网络模型的训练学习，得到训练好的肝脏动脉分割模型；根据所述肝脏动脉分割模型，对归一化处理后的肝脏部分的CT值进行分割，得到肝脏动脉的分割结果；其中，所述将所述CT显影图像尺寸调整为固定尺寸的步骤为：统计所有CT图像肝脏部分三个方向大小的中位数；利用三次插值法，将原始尺寸的肝脏部分均调整为三个方向大小为所述中位数的固定尺寸。所述获取所有肝脏CT显影图像的步骤为：根据预设的裁剪规则，从整个腹部CT图像中裁剪出所有肝脏显影；所述裁剪规则为：根据肝脏显影以外接长方体的形式，裁剪出包含整个肝脏部分的长方体区域。所述将固定尺寸的肝脏部分的CT值进行归一化处理的步骤具体包括：根据肝脏和肝脏动脉在CT显影中的Hu值范围，设定第一阈值和第二阈值；将CT值小于所述第一阈值的部分设置为所述第一阈值，将CT值大于所述第二阈值的部分设置为所述第二阈值；对每个像素的原始CT值按如下公式进行转换；其中，min为最小CT值，max为最大CT值，x为原始CT值，x＇为转换后的CT值。所述神经网络模型为3D卷积神经网络V-Net。所述损失值的计算公式为：loss=1-s其中，loss为损失值；M为神经网络模型输出的概率矩阵；N为训练数据所对应的肝脏动脉二值化掩模；|M∩N|代表同为1的像素点的个数，|M|代表概率矩阵中所有1的个数，|N|代表肝脏动脉二值化掩模中所有1的个数。所述根据所述肝脏动脉分割模型，对归一化处理后的肝脏部分的CT值进行分割，得到肝脏动脉的分割结果的步骤具体包括：根据所述肝脏动脉分割模型对归一化处理后的肝脏部分的CT值进行分割，得到肝脏动脉的初步分割结果；从所述初步分割结果中提取最大肝脏动脉联通的区域，得到肝脏动脉的最终分割结果。本专利技术还提供了一种基于深度学习的CT图像肝脏动脉分割系统，包括：获取模块，用于获取所有肝脏CT显影图像；调整模块，用于统计所述获取模块获取的所有CT图像肝脏部分三个方向大小的中位数，并利用三次插值法，将原始尺寸的肝脏部分均调整为三个方向大小为所述中位数的固定尺寸；归一输入模块，用于将所述调整模块调整为固定尺寸的肝脏部分的CT值进行归一化处理，并输入神经网络模型；计算更新模块，用于计算所述神经网络模型的输出与肝脏动脉掩模的损失值，并根据所述损失值更新所述神经网络模型的参数；训练模块，用于遍历所有训练样本，完成所述神经网络模型的训练学习，得到训练好的肝脏动脉分割模型；分割模块，用于根据所述肝脏动脉分割模型，对所述归一输入模块处理后的肝脏部分的CT值进行分割，得到肝脏动脉的分割结果。所述获取模块包括：裁剪规则设置单元，用于设置裁剪规则；裁剪单元，用于根据所述裁剪规则设置单元设置的裁剪规则，从整个腹部CT图像中裁剪出所有肝脏显影。所述归一输入模块包括：设定单元，用于根据肝脏和肝脏动脉在CT显影中的Hu值范围，设定第一阈值和第二阈值；归一单元，用于将所述调整模块调整为固定尺寸的肝脏部分的CT值小于所述第一阈值的部分设置为所述第一阈值，将所述调整模块调整为固定尺寸的肝脏部分的CT值大于所述第二阈值的部分设置为所述第二阈值；转换单元，用于对所述调整模块调整为固定尺寸的肝脏部分的每个像素的原始CT值进行转换；输入单元，用于将所述归一单元和转换单元的结果输入神经网络模型。所述分割模块包括：第一分割单元，用于根据所述训练模块得到的肝脏动脉分割模型对所述归一输入模块处理后的肝脏部分的CT值进行分割，得到肝脏动脉的初步分割结果；第二分割单元，用于从所述第一分割单元得到的初步分割结果中提取最大肝脏动脉联通的区域，得到肝脏动脉的最终分割结果。本专利技术提供的基于深度学习的CT图像肝脏动脉分割方法及系统，通过神经网络模型深度学习技术从大量的训练样本中自动地提取肝脏动脉区域的特征，这些特征有着更强的表征能力和泛化能力，不仅可以更加精确的得到肝动脉的实际情况，具有很好的鲁棒性，而且分割过程完全不需要人为参与，全自动分割大大提高了分割效率。附图说明图1是本专利技术实施例基于深度学习的C本文档来自技高网...

【技术保护点】
1.一种基于深度学习的CT图像肝脏动脉分割方法，其特征在于，包括：/n获取所有肝脏CT显影图像，并将所述CT显影图像尺寸调整为固定尺寸；/n将固定尺寸的肝脏部分的CT值进行归一化处理，并输入神经网络模型；/n计算所述神经网络模型的输出与肝脏动脉掩模的损失值，并根据所述损失值更新所述神经网络模型的参数；/n遍历所有训练样本，完成所述神经网络模型的训练学习，得到训练好的肝脏动脉分割模型；/n根据所述肝脏动脉分割模型，对归一化处理后的肝脏部分的CT值进行分割，得到肝脏动脉的分割结果；/n其中，所述将所述CT显影图像尺寸调整为固定尺寸的步骤为：统计所有CT图像肝脏部分三个方向大小的中位数；利用三次插值法，将原始尺寸的肝脏部分均调整为三个方向大小为所述中位数的固定尺寸。/n

【技术特征摘要】
1.一种基于深度学习的CT图像肝脏动脉分割方法，其特征在于，包括：
获取所有肝脏CT显影图像，并将所述CT显影图像尺寸调整为固定尺寸；
将固定尺寸的肝脏部分的CT值进行归一化处理，并输入神经网络模型；
计算所述神经网络模型的输出与肝脏动脉掩模的损失值，并根据所述损失值更新所述神经网络模型的参数；
遍历所有训练样本，完成所述神经网络模型的训练学习，得到训练好的肝脏动脉分割模型；
根据所述肝脏动脉分割模型，对归一化处理后的肝脏部分的CT值进行分割，得到肝脏动脉的分割结果；
其中，所述将所述CT显影图像尺寸调整为固定尺寸的步骤为：统计所有CT图像肝脏部分三个方向大小的中位数；利用三次插值法，将原始尺寸的肝脏部分均调整为三个方向大小为所述中位数的固定尺寸。


2.如权利要求1所述的基于深度学习的CT图像肝脏动脉分割方法，其特征在于，所述获取所有肝脏CT显影图像的步骤为：根据预设的裁剪规则，从整个腹部CT图像中裁剪出所有肝脏显影；所述裁剪规则为：根据肝脏显影以外接长方体的形式，裁剪出包含整个肝脏部分的长方体区域。


3.如权利要求1所述的基于深度学习的CT图像肝脏动脉分割方法，其特征在于，所述将固定尺寸的肝脏部分的CT值进行归一化处理的步骤具体包括：
根据肝脏和肝脏动脉在CT显影中的Hu值范围，设定第一阈值和第二阈值；
将CT值小于所述第一阈值的部分设置为所述第一阈值，将CT值大于所述第二阈值的部分设置为所述第二阈值；
对每个像素的原始CT值按如下公式进行转换；



其中，min为最小CT值，max为最大CT值，x为原始CT值，x＇为转换后的CT值。


4.如权利要求1所述的基于深度学习的CT图像肝脏动脉分割方法，其特征在于，所述神经网络模型为3D卷积神经网络V-Net。


5.如权利要求1所述的基于深度学习的CT图像肝脏动脉分割方法，其特征在于，所述损失值的计算公式为：
loss=1-s



其中，loss为损失值；M为神经网络模型输出的概率矩阵；N为训练数据所对应的肝脏动脉二值化掩模；|M∩N|代表同为1的像素点的个数，|M|代表概率矩阵中所有1的个数，|N|代表肝脏动脉二值化掩模中所有1的个数。


6.如权利要求1所述的基于深度学习的CT图像肝脏动脉分割方法，其特征在于，所述根据所述肝脏动脉分割模型，对归一化处理后的肝脏部分的CT值进行分割，得到肝...

【专利技术属性】
技术研发人员：赵威，申建虎，代笃伟，王博，张伟，
申请(专利权)人：天津精诊医疗科技有限公司，
类型：发明
国别省市：天津;12