结合多信息融合网络和区域增长的气管树分级提取方法技术

本发明专利技术涉及一种结合多信息融合网络和区域增长的气管树分级提取方法，其包括以下步骤：步骤S1：获取肺部的CT图像，并预处理；步骤S2:将预处理后的肺部的CT图像集进行分级，划分整体气管树和细小气管分支两个训练集；步骤S3:分别对整体气管树训练集和细小气管分支训练集进行采样，得到整体气管树训练子集和细小气管训练子集；步骤S4:构建多信息融合分割模型，并根据整体气管树训练子集训练；步骤S5:构建体素分类网络模型，并根据细小气管训练子集训练；步骤S6:将待分割图像数据依次输入训练后的多信息融合分割模型和训练后的体素分类网络模型，得到初步气管树；步骤S7:基于中心线的几何重建方法进处理初步气管树，得到最终的气管树。本发明专利技术有效提高分类的准确性。本发明专利技术有效提高分类的准确性。本发明专利技术有效提高分类的准确性。

【技术实现步骤摘要】
结合多信息融合网络和区域增长的气管树分级提取方法


[0001]本专利技术属于医学图像处理领域，具体涉及一种结合多信息融合网络和区域增长的气管树分级提取方法。

技术介绍

[0002]由于肺气管的特殊解剖结构和生理功能，肺部疾病与其病理密切相关。 因此，从CT数据中分割出完整精确的气管在肺部疾病的术前诊断、术中导航和术后评估都起着极其重要的作用。人工阅片的分割方式，受切片数量和气管本身复杂的树状结构影响，不仅给医学工作者带来巨大工作负荷，也容易导致错误的分割。传统的分割方法中手工提取特征依赖于专业学者的知识引导，而且需要通过大量调整参数才能避免出现泄漏情况。
[0003]近年来，深度学习方法不仅在自然图像处理中发挥出极大的作用，也被广泛应用在医学图像处理中。由于其具有较高的敏感性和较低的假阳率，可以用于提取更为精准的气管树。但是目前，在细小气管方面，深度学习方法仍然不能得到令人满意的结果。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种结合多信息融合网络（multi
‑
information fusion convolution neural network，Mif
‑
CNN）和区域增长（Region Growth）的气管树分级提取方法，有效提高分类的准确性。
[0005]为实现上述目的，本专利技术采用如下技术方案：一种结合多信息融合网络和区域增长的气管树分级提取方法，其包括以下步骤：步骤S1：获取肺部的CT图像，并预处理；步骤S2:将预处理后的肺部的CT图像集进行分级，划分整体气管树和细小气管分支两个训练集；步骤S3:分别对整体气管树训练集和细小气管分支训练集进行采样，得到整体气管树训练子集和细小气管训练子集；步骤S4:构建多信息融合分割模型，并根据整体气管树训练子集训练；步骤S5:构建体素分类网络（voxel classification network，VCN）模型，并根据细小气管训练子集训练；步骤S6:将待分割图像数据依次输入训练后的多信息融合分割模型和训练后的体素分类网络模型，得到初步气管树；步骤S7:基于中心线的几何重建方法进处理初步气管树，去除其中的小泄漏，补全断续部位，得到最终的气管树。
[0006]进一步的，所述预处理具体为：步骤S11:使用高斯滤波平滑肺部的CT图像；步骤S12:利用Frangi滤波增强气管；步骤S13:进行归一化处理，并提取肺的轮廓和肺部感兴趣区域，并训练气管标签
数据。
[0007]进一步的，所述步骤S2具体为：基于自动分级标注算法，对预处理后的肺部的CT图像集进行分级，得到气管、主支气管、肺叶支气管和肺段支气管的标注信息，并划分整体气管子集和细小气管子集两个气管分支子集。
[0008]进一步的，所述根据骨架细化方法具体为：提取气管标签的拓扑信息，将每一个分支作为一个独立的节点，构建目标树。再结合分支直径、走向、父分支和子分支信息，从目标树根部搜索，为每一个分支进行标注。
[0009]进一步的，所述步骤S3具体为：在包含整体气管子集的肺部感兴趣区域按照步长为32
ꢀ×ꢀ
32
ꢀ×ꢀ
32，提取大小为64
ꢀ×ꢀ
64
ꢀ×ꢀ
64的有重叠部分的三维切块；在包含细小气管子集的肺部感兴趣区域进行采样；其中气管体素为正样本，非气管体素为负样本，以体素为中心，提取大小为32
ꢀ×ꢀ
32
ꢀ×ꢀ
32的正负样本。
[0010]进一步的，所述训练后的多信息融合分割模型对待分割图像数据处理具体如下：提取肺部感兴趣区域，将感兴趣区域等步长滑窗取块得到的所有64
ꢀ×ꢀ
64
ꢀ×ꢀ
64的切块都输入到网络预测；最后将所有预测得到的切块进行还原叠加得到初步的气管分割结果。
[0011]进一步的，所述训练后的体素分类网络模型数据处理，具体如下：对多信息融合分割模型输出的气管提取骨架点；通过骨架搜索得到气管树的末端点作为区域增长法的初始种子点并将其放入堆栈；训练得到的体素分类网络作为区域增长法的判别器，得到种子点26邻域上的体素点所属类别的概率，将属于气管概率>0.8的体素作为新的种子点并放入堆栈；循环进行区域生长法的迭代过程，直到堆栈中的种子点数目为空时停止。
[0012]进一步的，所述步骤S7具体为：根据步骤S6得到气管树，提取得到气管的中心线，获得拓扑信息；基于中心线进行几何重建工作，然后利用重建的结果去细化分割结果，去除小泄露和分割不完整的部位。
[0013]本专利技术与现有技术相比具有以下有益效果：本专利技术分别针对不同级别的气管分支提出多信息融合网络（Mif
‑
CNN）和结合体素分类网络（VCN）的区域增长法（Region Growth），能够得到更为完整、准确的气管树。多信息融合网络中，信息的融合有利于提高网络的精度和鲁棒性；而在结合体素分类网络的区域增长法中，3D 分类网络能够更充分的捕捉每个体素的空间信息，有利于提高分类的准确性。
附图说明
[0014]图1是本专利技术方法流程示意图；图2是本专利技术一实施例中自动分级标注算法的流程示意图图3是本专利技术一实施例中多信息融合网络的结构示意图；图4是本专利技术一实施例中体素分类网络的结构示意图。
具体实施方式
[0015]下面结合附图及实施例对本专利技术做进一步说明。
[0016]请参照图1，本专利技术提供一种结合多信息融合网络和区域增长的气管树分级提取
方法，其包括以下步骤：步骤S1：获取肺部的CT图像，先使用高斯滤波平滑CT图像，然后利用Frangi滤波增强气管。最后再将图像归一化处理，并提取肺的轮廓和肺部感兴趣区域ROI(Region of interest)；步骤S2:基于自动分级标注算法，对训练的气管标签数据进行分级，得到气管、主支气管、肺叶支气管和肺段支气管的标注信息，并划分整体气管子集和细小气管子集两个气管分支子集用以分别训练两个网络；步骤S3:在包含整体气管子集的肺部感兴趣区域按照步长为32
ꢀ×ꢀ
32
ꢀ×ꢀ
32，提取大小为64
ꢀ×ꢀ
64
ꢀ×ꢀ
64的有重叠部分的三维切块(Patch)；在包含细小气管子集的肺部感兴趣区域进行采样。其中气管体素为正样本，非气管体素为负样本，以体素为中心，提取大小为32
ꢀ×ꢀ
32
ꢀ×ꢀ
32的三维切块(Patch)作为正负样本；步骤S4:构建多信息融合分割模型，将步骤3中得到的64
ꢀ×ꢀ
64
ꢀ×ꢀ
64的三维切块(Patch)输入到多信息融合分割网络中进行训练。预测时，该步骤可以得到一个初步的整体气管分割结果；步骤S5:构建体素分类网络模型，将步骤3中得到的正负样本输入到体素分类网络中进行训练。预测时，基于体素分类网络的区域生长法（Region growt本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合多信息融合网络和区域增长的气管树分级提取方法，其特征在于，包括以下步骤：步骤S1：获取肺部的CT图像，并预处理；步骤S2:将预处理后的肺部的CT图像集进行分级，划分整体气管树和细小气管分支两个训练集；步骤S3:分别对整体气管树训练集和细小气管分支训练集进行采样，得到整体气管树训练子集和细小气管训练子集；步骤S4:构建多信息融合分割模型，并根据整体气管树训练子集训练；步骤S5:构建体素分类网络模型，并根据细小气管训练子集训练；步骤S6:将待分割图像数据依次输入训练后的多信息融合分割模型和训练后的体素分类网络模型，得到初步气管树；步骤S7:基于中心线的几何重建方法进处理初步气管树，去除其中的小泄漏，补全断续部位，得到最终的气管树。2.根据权利要求1所述的结合多信息融合网络和区域增长的气管树分级提取方法，其特征在于，所述预处理具体为：步骤S11:使用高斯滤波平滑肺部的CT图像；步骤S12:利用Frangi滤波增强气管；步骤S13:进行归一化处理，并提取肺的轮廓和肺部感兴趣区域，并训练气管标签数据。3.根据权利要求1所述的结合多信息融合网络和区域增长的气管树分级提取方法，其特征在于，所述步骤S2具体为：基于自动分级标注算法，对预处理后的肺部的CT图像集进行分级，得到气管、主支气管、肺叶支气管和肺段支气管的标注信息，并划分整体气管子集和细小气管子集两个气管分支子集。4.根据权利要求1所述的结合多信息融合网络和区域增长的气管树分级提取方法，其特征在于，所述根据骨架细化方法具体为：提取气管标签的拓扑信息，将每一个分支作为一个独立的节点，构建目标树。5.再结合分支直径、走向、父分支和子分支信息，从目标树根部搜索，为每一个分支进行标注。6.根据权利要求1所述的结合多信息融合网络和区域增长的气管树分级提取方法，其特征在于，所述步骤S3具体为：在...

【专利技术属性】
技术研发人员：潘林，傅荣达，何炳蔚，郑绍华，黄立勤，
申请(专利权)人：福州大学，
类型：发明
国别省市：