一种基于级联混合网络的肝脏病变图像分割方法技术

本发明专利技术公开了一种基于级联混合网络的肝脏病变图像分割方法，该方法首先通过2D卷积神经网络对获取到的腹部CT图像进行处理，得到带有训练集和测试集的肝脏区域图像；构建包括了用于分割肝脏CT图像中大病灶的2D卷积神经网络和用于分割肝脏中小病灶的3D卷积神经网络的混合网络图像分割模型；将肝脏CT图像中的训练集进行预处理并对混合网络图像分割模型进行训练，得到训练完成的混合网络图像分割模型，测试得到肝脏病变图像分割结果。本发明专利技术结合了2D神经网络在图像分割时计算时间和内存成本低，3D神经网络在图像分割时有较高精度的优点，实现了在保证精度的前提下，大大降低了计算时间和内存成本的目的。

【技术实现步骤摘要】
一种基于级联混合网络的肝脏病变图像分割方法
本专利技术属于医学图像处理领域，具体涉及一种基于级联混合网络的肝脏病变图像分割方法。
技术介绍
肝癌是全球癌症死亡的主要原因之一，对于肝癌的筛查，计算机断层扫描(CT)是最常用的成像工具，CT中肝脏的形态和质地异常以及可见病变在原发性和继发性肝肿瘤疾病中是疾病进展的重要的标志物。在临床上，虽然已存在手动和半手动的技术，然而，这些方法都是主观的、严重依赖操作者且非常耗时。为了提高放射科医生的生产力，计算机辅助的方法在过去已经有所发展，然而由于肝脏与其病变的低对比度，对比度的不同类型、组织中的异常(转移性切除术)、病变的大小以及数量变化，自动肝脏及其病变分割依然是一个非常具有挑战性的问题。现有技术中通常是采用基于2D卷积神经网络(ConvolutionalNeuralNetwork)或3D卷积神经网络的肝脏肿瘤自动分割方法，采用2D卷积神经网络对于处理小病灶时的效果较差，也存在着肝脏病变分割结果中假阳性的问题，而采用3D卷积神经网络虽然保证了精度，但存在着计算时间长和内存成本大的问题。
技术实现思路
为了解决现有技术的上述问题，本专利技术提供一种基于级联混合网络的肝脏病变图像分割方法，在不牺牲精度的前提下，大大降低计算时间和内存成本，为了达到该目的，本专利技术的技术方案如下：一种基于级联混合网络的肝脏病变图像分割方法，所述方法包括：S1、获取腹部CT图像，通过2D卷积神经网络对所述的腹部CT图像进行处理得到肝脏区域图像，其中所述的肝脏区域图像包括训练集和测试集；S2、构建混合网络图像分割模型，其中所述的混合网络图像分割模型包括用于分割肝脏CT图像中大病灶的2D卷积神经网络和用于分割肝脏中小病灶的3D卷积神经网络；所述的大病灶为肝脏CT图像中大于预设阈值的肝脏病变，所述的小病灶为肝脏CT图像中小于预设阈值的肝脏病变；S3、对获取到的肝脏区域图像中的训练集进行预处理得到所述2D卷积神经网络的2D网络训练集和所述3D卷积神经网络的3D网络训练集；其中所述的预处理包括对肝脏区域图像进行直方图均衡化处理；S4、将预处理得到的2D网络训练集输入到2D卷积神经网络进行训练，预处理得到的3D网络训练集输入到3D卷积神经网络进行训练，得到训练好的2D卷积神经网络和3D卷积神经网络；S5、将肝脏区域图像中的测试集输入到训练完成的混合网络分割模型，完成肝脏病变图像分割。进一步地，所述的2D卷积神经网络和3D卷积神经网络采用Unet神经网络结构。进一步地，所述的2D卷积神经网络中的编码器由两个卷积层组成，卷积层的过滤器大小都是3×3。进一步地，所述的3D卷积神经网络中的编码器由3个3D卷积块组成。进一步地，所述的腹部CT图像的每个切片分辨率为512×512，所述的预设阈值为32×32。进一步地，对获取到的肝脏CT图像中的训练集进行预处理还包括使用组件标签定位病变中心，根据病变中心设置3D网络训练集。本专利技术的有益效果在于：(1)相比于使用2D卷积神经网络分割肝脏CT，本方法对于处理肝脏内小病灶具有更好的分割效果；(2)相比于使用3D卷积神经网络分割肝脏CT，本方法在计算时间和内存成本方面更加高效。附图说明图1是本专利技术肝脏病变CT图像分割方法流程示意图；图2是本专利技术肝脏病变CT图像分割方法的结构图；图3是本专利技术2D卷积神经网络的示意图；图4是本专利技术3D卷积神经网络的示意图；图5是本专利技术进行图像分割的原始腹部CT图像；图6是本专利技术对原始腹部CT原始图像进行处理得到的肝脏CT图像；图7是本专利技术混合网络图像分割模型中大病灶的处理图像；图8是本专利技术混合网络图像分割模型中小病灶的处理图像；图9是本专利技术通过混合网络图像分割模型处理后图像。具体实施方式下面结合附图和实施例，对本专利技术技术方案作进一步描述：本实施例中提供了一种基于级联混合网络的肝脏病变图像分割方法，如图1所示，该流程包括如下步骤：步骤1，获取腹部CT图像，通过2D卷积神经网络对腹部CT图像进行处理得到肝脏区域图像，在本实施例中采用公共肝肿瘤分割数据集(LiTS)作为训练集和测试集，其中总共包括19163个2D切片，其中包括了11503个含有小病灶的样本，每个切片的分辨率为512×512，小病灶样本设置大小为32×32×32；步骤2，如图2构建混合网络图像分割模型，其中混合网络图像分割模型包括用于分割肝脏CT图像中大病灶的2D卷积神经网络和用于分割肝脏中小病灶的3D卷积神经网络。如图3，在本实施例中构建的2D卷积神经网络模型中分割和重建部分的编码器均由两个卷积层的多个块组成，然后是批处理归一化层，所有卷积层都使用3×3的过滤器大小，块中的过滤器数目依次设置为16、32、64、128和过渡块256，在每个块后都设置由池化层，解码器分支合并层由2D转置卷积层代替的编码器。如图4，构建的3D卷积神经网络模型中分割和重建部分的编码器由三个3D卷积块组成。每个块分别由32、64和128个特征图组成，每个特征图之后是一个3D合并层，其池大小为(2、2、2)。转换块具有256个特征图，解码器分支镜像编码器分支合并池层替换为3D转置的卷积层。步骤3，对获取到的肝脏CT图像中的训练集进行预处理得到2D卷积神经网络的2D网络训练集和3D卷积神经网络的3D网络训练集；本实施例中预处理阶段，基于直方图的阈值化方法对肝脏CT扫描进行处理，并使用直方图均衡算法生成增强的图像。本方法设置分辨率大于32×32为肝脏大病灶，2D网络训练集对于每个CT切片，仅中提取大于32×32的病灶，删除了所有水平和垂直尺寸均小于或等于32的病灶。而对于3D网络训练集，本方法使用组件标签来定位病灶中心并在2D切片上估计其尺寸，保留在2D切片上的水平和垂直方向尺寸均小于或等于32的病灶，由于小型病灶通常仅占据几个CT切片，因此选择一个32×32×32的立方体来覆盖病灶，即围绕着切片上的病灶中心，选择该CT切片上方的15个CT切片和下方的16个CT切片来创建3D网络训练集。步骤4，将预处理得到的2D网络训练集输入到2D卷积神经网络进行训练，预处理得到的3D网络训练集输入到3D卷积神经网络进行训练，得到训练好的2D卷积神经网络和3D卷积神经网络；在本实施例中，使用3D滑动立方体在训练好的3D网络肝脏体积内进行预测，确定以8个体素作为步幅，利用该体素上所有预测的平均值，并将大于0.5的值设置为1作为最终预测。并且使用Adam优化器的网络的学习率为1e-5，同时设置300个最大训练纪元，此外，在所有池化和上采样层之后使用参数1e-5的L2正则化和0.5的丢失率来减轻过度拟合。步骤5，将肝脏区域图像中的测试集输入到训练完成的混合网络分割模型，完成肝脏病变图像分割。应当理解的是，本专利技术的应用不限于上述的举例，对本领本文档来自技高网...

【技术保护点】
1.一种基于级联混合网络的肝脏病变图像分割方法，其特征在于，所述方法包括：/nS1、获取腹部CT图像，通过2D卷积神经网络对所述的腹部CT图像进行处理得到肝脏区域图像，其中所述的肝脏区域图像包括训练集和测试集；/nS2、构建混合网络图像分割模型，其中所述的混合网络图像分割模型包括用于分割肝脏CT图像中大病灶的2D卷积神经网络和用于分割肝脏中小病灶的3D卷积神经网络；所述的大病灶为肝脏CT图像中大于预设阈值的肝脏病变，所述的小病灶为肝脏CT图像中小于预设阈值的肝脏病变；/nS3、对获取到的肝脏区域图像中的训练集进行预处理得到所述2D卷积神经网络的2D网络训练集和所述3D卷积神经网络的3D网络训练集；其中所述的预处理包括对肝脏区域图像进行直方图均衡化处理；/nS4、将预处理得到的2D网络训练集输入到2D卷积神经网络进行训练，预处理得到的3D网络训练集输入到3D卷积神经网络进行训练，得到训练好的2D卷积神经网络和3D卷积神经网络；/nS5、将肝脏区域图像中的测试集输入到训练完成的混合网络分割模型，完成肝脏病变图像分割。/n

【技术特征摘要】
1.一种基于级联混合网络的肝脏病变图像分割方法，其特征在于，所述方法包括：
S1、获取腹部CT图像，通过2D卷积神经网络对所述的腹部CT图像进行处理得到肝脏区域图像，其中所述的肝脏区域图像包括训练集和测试集；
S2、构建混合网络图像分割模型，其中所述的混合网络图像分割模型包括用于分割肝脏CT图像中大病灶的2D卷积神经网络和用于分割肝脏中小病灶的3D卷积神经网络；所述的大病灶为肝脏CT图像中大于预设阈值的肝脏病变，所述的小病灶为肝脏CT图像中小于预设阈值的肝脏病变；
S3、对获取到的肝脏区域图像中的训练集进行预处理得到所述2D卷积神经网络的2D网络训练集和所述3D卷积神经网络的3D网络训练集；其中所述的预处理包括对肝脏区域图像进行直方图均衡化处理；
S4、将预处理得到的2D网络训练集输入到2D卷积神经网络进行训练，预处理得到的3D网络训练集输入到3D卷积神经网络进行训练，得到训练好的2D卷积神经网...

【专利技术属性】
技术研发人员：王博，赵威，申建虎，张伟，徐正清，
申请(专利权)人：西安智诊智能科技有限公司，
类型：发明
国别省市：陕西;61