【技术实现步骤摘要】
基于3D全卷积神经网络与多任务学习的肺叶分割方法
本专利技术涉及肺叶自动分割领域,尤其涉及一种基于3D全卷积神经网络与多任务学习的肺叶分割方法。
技术介绍
随着计算机断层扫描(CT)技术在医院的普及使用,CT成为肺部疾病诊疗的主要技术之一。肺叶分割在肺部疾病定性定量的分析中至关重要,例如肺结节的定位,诊疗报告的生成。肺部从解剖学上可分为五个功能独立的部分:左肺上叶,左肺下叶,右肺上叶,右肺中叶,右肺下叶。肺叶的边界被称为肺裂,由于肺裂通常是不完整且不清晰的,人工地对肺叶进行分割十分繁琐,对一例CT进行标注通常需要2-4个小时。通过深度学习方法,构建的神经网络能够从CT当中快速且准确地进行自动肺叶分割,这对于肺部疾病的辅助诊疗来说具有重大意义。近些年来,针对自动肺叶分割的方法有很多研究。这些方法主要可以分为两个部分:传统方法和深度学习方法。传统方法主要是通过图形图像学的算法检测肺叶边界——肺裂,从而最终得到肺叶的分割结果。其中,Zhou等人基于血管连接肺叶但不会穿过肺叶边界的解剖学特点来进行肺裂的搜索,他们通过支气管的信息将分割的血管分配给肺叶,肺叶之间的间隙被定义为肺裂的目标区域,他们使用边缘检测滤波来检测这些目标区域之中的肺裂点,并将这些肺裂点用形态学操作连接起来。Kuhnigk等人也利用到了血管信息,但不同的是,他们对血管使用欧式距离转换与分水岭转换算法来增强肺叶之间的间隙,肺叶则通过支气管树的标记点指导分水岭转换过程中叶的分配。Wei等人使用估计的肺裂方向来搜索没有血管和支气管的感兴趣区域,然后 ...
【技术保护点】
1.基于3D全卷积神经网络与多任务学习的肺叶分割方法,其特征在于,包括如下步骤:/na、准备肺叶相关数据并进行标定;/nb、对原始的肺叶CT图像数据以及有准确标签的肺叶相关数据均进行预处理,去除冗余的背景信息;/nc、基于多任务学习构建3D全卷积神经网络;/nd、使用预处理后的标定的肺叶相关数据与合成的学习误差训练所述构建的3D全卷积神经网络;/ne、使用训练好的3D全卷积神经网络对输入的三维肺叶CT图像进行肺叶分割,输出预测的肺叶标签。/n
【技术特征摘要】
1.基于3D全卷积神经网络与多任务学习的肺叶分割方法,其特征在于,包括如下步骤:
a、准备肺叶相关数据并进行标定;
b、对原始的肺叶CT图像数据以及有准确标签的肺叶相关数据均进行预处理,去除冗余的背景信息;
c、基于多任务学习构建3D全卷积神经网络;
d、使用预处理后的标定的肺叶相关数据与合成的学习误差训练所述构建的3D全卷积神经网络;
e、使用训练好的3D全卷积神经网络对输入的三维肺叶CT图像进行肺叶分割,输出预测的肺叶标签。
2.根据权利要求1所述的基于3D全卷积神经网络与多任务学习的肺叶分割方法,其特征在于,步骤a中,所述准备的肺叶相关数据从肺叶CT图像数据系统导入。
3.根据权利要求1所述的基于3D全卷积神经网络与多任务学习的肺叶分割方法,其特征在于,步骤a中,对肺叶相关数据进行标定时,所使用的数据的标签包括肺叶标签与肺叶边界标签;
对于肺叶标签,对于每一例肺叶CT图像检查的图像,都经过人工进行标定;
对于肺叶边界标签,通过标定完成的肺叶标签自动获取,具体方法为:使用图像处理包Skimage的边界寻找方法从肺叶标签中产生肺叶边界标签,并将产生的肺叶边界标签应用高斯滤波平滑边界;
对于肺叶CT图像中不完整的肺裂,根据肺部的相关解剖学结构进行标定,所述相关解剖学结构为血管和/或支气管,所述肺裂是指:肺叶之间的边界。
4.根据权利要求1所述的基于3D全卷积神经网络与多任务学习的肺叶分割方法,其特征在于,步骤b具体为:对原始的肺叶CT图像数据以及有准确标签的肺叶相关数据均进行crop处理与归一化处理,将原始的肺叶CT图像数据以及有准确标签的肺叶相关数据均沿着三个维度的边缘分别裁剪掉20个像素值,使得原始的肺叶CT图像数据以及有准确标签的肺叶相关数据均被归一化到[0-1]之间。
5.根据权利要求1所述的基于3D全卷积神经网络与多任务学习的肺叶分割方法,其特征在于,步骤c中,所述多任务学习具体是指:在3D全卷积神经网络的解码器的最后一层增加一个1*1*1的卷积和sigmoid激活函数产生肺叶边界的分割结果,并使用Focal学习误差进行训练,使得网络在反向传播的过程中能够同时学习到肺叶边界分割任务与肺叶分割任务。
6.根据权利要求1或5所述的基于3D全卷积神经网络与多任务学习的肺叶分割方法,其特征在于,步骤c中,所述构建的3D全卷积神经网络为3D-Unet网络或V-net网络或轻量级三维全卷积网络。
7.根据权利要求6所述的基于3D全卷积神经网络与多任务学习的肺叶分割方法,其特征在于,当构建的3D全卷积...
【专利技术属性】
技术研发人员:王成弟,章毅,李为民,郭际香,邵俊,徐修远,刘沛,刘金鑫,李经纬,王建勇,
申请(专利权)人:四川大学,四川大学华西医院,成都华西精准医学产业技术研究院有限公司,成都智能迭迦科技合伙企业有限合伙,
类型:发明
国别省市:四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。