医学图像中肺部血管的分割方法、装置及电子设备制造方法及图纸

本申请提供了一种医学图像中肺部血管的分割方法，包括：获取原始医学图像；采用深度学习网络模型对原始医学图像进行训练，利用训练得到的模型输出预分割结果；提取原始医学图像中每一像素点的脉管特征，根据脉管特征判别函数对脉管特征进行判别得到脉管特征判别结果并以此对原始医学图像进行处理，输出第一肺部血管增强结果；以第一肺部血管增强结果的肺动脉和肺静脉区域为初始生长点进行区域生长，输出区域生长后的第二肺部血管增强结果，将第二肺部血管增强结果与预分割结果进行融合，输出最终分割结果。本申请还提供一种医学图像中肺部血管的分割装置及电子设备。借此，本申请能够快速、准确地分割和拆分肺部血管，提高了肺部血管分割的效率和准确度。部血管分割的效率和准确度。部血管分割的效率和准确度。

【技术实现步骤摘要】
医学图像中肺部血管的分割方法、装置及电子设备


[0001]本申请涉及医学图像处理
，尤其涉及一种医学图像中肺部血管的分割方法、装置及电子设备。

技术介绍

[0002]肺癌已经成为威胁我国国民健康的第一大癌症杀手，外科手术在可切除肺癌的治疗中起决定性作用，微创化胸腔镜手术提高了患者的术后生活质量和生存率。通过胸腔镜进行解剖型肺段切除术安全可行，治疗选择性早期肺癌基本得到肯定。在手术前获得清晰准确的肺部血管结构对于手术的成功与否具有至关重要的影响，而通过肺部医学图像快速准确的对肺部动静脉血管进行分割、拆分、重建是一种非常有效的方法。
[0003]目前主要的方法包括基于图像灰度的区域生长方法以及采用大量标注样本的深度学习方法。但是，由于肺部血管非常复杂，单纯的区域生长方法或者深度学习方法都不能生成令人满意的结果，往往需要大量的后期手动修复断裂的血管细支，或者更正错分的肺动脉血管、肺静脉血管。
[0004]综上可知，现有技术在实际使用上显然存在不便与缺陷，所以有必要加以改进。

技术实现思路

[0005]针对上述的缺陷，本申请的目的在于提供一种医学图像中肺部血管的分割方法、装置及电子设备，其能够快速、准确地分割和拆分肺部血管，提高了肺部血管分割的效率和准确度。
[0006]为了解决上述技术问题，本申请是这样实现的：
[0007]第一方面，本申请实施例提供了一种医学图像中肺部血管的分割方法，该方法包括：
[0008]获取待分割的肺动脉血管和肺静脉血管的原始医学图像；<br/>[0009]采用深度学习网络模型对所述原始医学图像进行训练，利用训练得到的模型输出预分割结果；
[0010]提取所述原始医学图像中每一个像素点的脉管特征，根据预定的脉管特征判别函数对所述脉管特征进行判别得到脉管特征判别结果，根据所述脉管特征判别结果对所述原始医学图像进行处理，输出第一肺部血管增强结果；
[0011]以所述第一肺部血管增强结果的肺动脉和肺静脉区域为初始生长点进行区域生长，输出区域生长后的第二肺部血管增强结果，将所述第二肺部血管增强结果与所述预分割结果进行融合，输出最终分割结果。
[0012]根据本申请所述的医学图像中肺部血管的分割方法，所述采用深度学习网络模型对所述原始医学图像进行训练，输出预分割结果，包括：
[0013]对所述原始医学图像进行下采样处理后输出下采样数据，采用神经网络模型对所述下采样数据进行训练，输出低分辨率的第一肺部血管网络模型；
[0014]通过所述第一肺部血管网络模型分别获取所述肺动脉血管和肺静脉血管的低分辨率的预测结果，将所述预测结果进行上采样处理后输出上采样数据；
[0015]采用所述神经网络模型对所述上采样数据和所述原始医学图像进行训练，输出高分辨率的第二肺部血管网络模型；
[0016]分别采用所述第一肺部血管网络模型和所述第二肺部血管网络模型，对所述原始医学图像进行训练，输出所述肺动脉血管和肺静脉血管的所述预分割结果。
[0017]根据本申请所述的医学图像中肺部血管的分割方法，所述输出所述肺动脉血管和肺静脉血管的所述预分割结果之后，还包括：
[0018]分别对所述肺动脉血管和肺静脉血管的所述预分割结果进行连通区域识别，只保留最大连通区域，去除断裂分支。
[0019]根据本申请所述的医学图像中肺部血管的分割方法，所述获取待分割的肺动脉血管和肺静脉血管的原始医学图像，包括：
[0020]获取待分割的所述肺动脉血管和肺静脉血管的原始医学图像及其对应的原始分割数据；
[0021]所述对所述原始医学图像进行下采样处理后输出下采样数据，包括：
[0022]对所述原始医学图像和所述原始分割数据进行下采样处理后输出所述下采样数据，所述下采样数据为低分辨率的图像和标注数据；
[0023]所述采用所述神经网络模型对所述上采样数据和所述原始医学图像进行训练，包括：
[0024]采用所述神经网络模型，对所述上采样数据、所述原始医学图像和所述原始分割数据进行训练。
[0025]根据本申请所述的医学图像中肺部血管的分割方法，所述原始医学图像为 CT图像或MRI图像；或者
[0026]所述神经网络模型为3D
‑
UNET神经网络模型。
[0027]根据本申请所述的医学图像中肺部血管的分割方法，所述提取所述原始医学图像中每一个像素点的脉管特征，根据预定的脉管特征判别函数对所述脉管特征进行判别输出脉管特征判别结果，根据所述脉管特征判别结果对所述原始医学图像进行处理，输出第一肺部血管增强结果，包括：
[0028]计算所述原始医学图像中每一个像素点的脉管特征；
[0029]提取并根据各个所述像素点的脉管特征来构造Hessian矩阵；
[0030]构造所述脉管特征判别函数；
[0031]根据所述脉管特征判别函数对所述Hessian矩阵的各个所述像素点的脉管特征进行判别，并输出所述脉管特征判别结果；
[0032]根据各个所述像素点的所述脉管特征判别结果，对所述原始医学图像进行处理，并输出所述第一肺部血管增强结果。
[0033]根据本申请所述的医学图像中肺部血管的分割方法，所述计算所述原始医学图像中每一个像素点的脉管特征，包括：
[0034]构造高斯滤波器G
σ
，对所述高斯滤波器G
σ
求二阶导数，将所述二阶导数与所述原始医学图像的各个所述像素点逐一进行卷积得到对应的所述脉管特征 I
xx
(σ)、I
yy
(σ)、I
zz
(σ)、I
xy
(σ)、I
xz
(σ)和I
yz
(σ)；
[0035]所述提取并根据各个所述像素点的脉管特征来构造Hessian矩阵，包括：
[0036]提取并根据各个所述像素点的三维邻域内二阶导来构建所述Hessian矩阵：
[0037][0038]所述构造所述脉管特征判别函数，包括：
[0039]构造所述脉管特征判别函数V
s
(λ)；
[0040][0041]其中，H(λ)exp(h(λ1))|exp(h(λ2，λ3))|h(λ2，λ3)h(λ1)和h(λ2，λ3)为可调的特征函数；
[0042]所述根据所述脉管特征判别函数对所述Hessian矩阵的各个所述像素点的脉管特征进行判别，并输出所述脉管特征判别结果，包括：
[0043]所述根据所述脉管特征判别函数对所述Hessian矩阵的各个所述像素点的脉管特征进行判别，判别为正的所述像素点即处于肺动脉和肺静脉区域，并输出所述脉管特征判别结果；
[0044]所述根据各个所述像素点的所述脉管特征判别结果，对所述原始医学图像进行处理，并输出所述第一肺部血管增强结果，包括：
[0045]根据各个所述像素点的所述脉管特征判别结果，对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学图像中肺部血管的分割方法，其特征在于，包括步骤有：获取待分割的肺动脉血管和肺静脉血管的原始医学图像；采用深度学习网络模型对所述原始医学图像进行训练，利用训练得到的模型输出预分割结果；提取所述原始医学图像中每一个像素点的脉管特征，根据预定的脉管特征判别函数对所述脉管特征进行判别得到脉管特征判别结果，根据所述脉管特征判别结果对所述原始医学图像进行处理，输出第一肺部血管增强结果；以所述第一肺部血管增强结果的肺动脉和肺静脉区域为初始生长点进行区域生长，输出区域生长后的第二肺部血管增强结果，将所述第二肺部血管增强结果与所述预分割结果进行融合，输出最终分割结果。2.根据权利要求1所述的方法，其特征在于，所述采用深度学习网络模型对所述原始医学图像进行训练，输出预分割结果，包括：对所述原始医学图像进行下采样处理后输出下采样数据，采用神经网络模型对所述下采样数据进行训练，输出低分辨率的第一肺部血管网络模型；通过所述第一肺部血管网络模型分别获取所述肺动脉血管和肺静脉血管的低分辨率的预测结果，将所述预测结果进行上采样处理后输出上采样数据；采用所述神经网络模型对所述上采样数据和所述原始医学图像进行训练，输出高分辨率的第二肺部血管网络模型；分别采用所述第一肺部血管网络模型和所述第二肺部血管网络模型，对所述原始医学图像进行训练，输出所述肺动脉血管和肺静脉血管的所述预分割结果。3.根据权利要求2所述的方法，其特征在于，所述输出所述肺动脉血管和肺静脉血管的所述预分割结果之后，还包括：分别对所述肺动脉血管和肺静脉血管的所述预分割结果进行连通区域识别，只保留最大连通区域，去除断裂分支。4.根据权利要求2所述的方法，其特征在于，所述获取待分割的肺动脉血管和肺静脉血管的原始医学图像，包括：获取待分割的所述肺动脉血管和肺静脉血管的原始医学图像及其对应的原始分割数据；所述对所述原始医学图像进行下采样处理后输出下采样数据，包括：对所述原始医学图像和所述原始分割数据进行下采样处理后输出所述下采样数据，所述下采样数据为低分辨率的图像和标注数据；所述采用所述神经网络模型对所述上采样数据和所述原始医学图像进行训练，包括：采用所述神经网络模型，对所述上采样数据、所述原始医学图像和所述原始分割数据进行训练。5.根据权利要求2所述的方法，其特征在于，所述原始医学图像为CT图像或MRI图像；或者所述神经网络模型为3D
‑
UNET神经网络模型。6.根据权利要求1所述的方法，其特征在于，所述提取所述原始医学图像中每一个像素点的脉管特征，根据预定的脉管特征判别函数对所述脉管特征进行判别输出脉管特征判别
结果，根据所述脉管特征判别结果对所述原始医学图像进行处理，输出第一肺部血管增强结果，包括：计算所述原始医学图像中每一个像素点的脉管特征；提取并根据各个所述像素点的脉管特征来构造Hessian矩阵；构造所述脉管特征判别函数；根据所述脉管特征判别函数对所述Hessian矩阵的各个所述像素点的脉管特征进行判别，并输出所述脉管特征判别结果；根据各个所述像素点的所述脉管特征判别结果，对所述原始医学图像进行处理，并输出所述第一肺部血管增强结果。7.根据权利要求6所述的方法，其特征在于，所述计算所述原始医学图像中每一个像素点的脉管特征，...

【专利技术属性】
技术研发人员：伍亚军，郭李云，郭诏君，
申请(专利权)人：深圳市旭东数字医学影像技术有限公司，
类型：发明
国别省市：