基于跨尺度融合的CT影像肺血管分割方法技术

本发明专利技术提供了一种基于跨尺度融合的CT影像肺血管分割方法，包括以下步骤：获取原始肺CT数据及肺血管标签，并进行预处理，得到训练集；截取CT序列中的最大连通区域，平衡正负样本数量；构建CSF

【技术实现步骤摘要】
基于跨尺度融合的CT影像肺血管分割方法


[0001]本专利技术涉及图像分割领域，具体涉及一种基于跨尺度融合的CT影像肺血管分割方法。

技术介绍

[0002]计算机辅助诊断系统是一种辅助医生进行诊断的工具，该系统通过对患者的数据进行处理分析，使医生做出更快更准确地诊断，在一定程度上减少了医生的工作量。该系统的完善对临床医学的发展起到了促进性的作用，其中，肺部疾病诊断是计算机辅助诊断系统的主要功能之一，而肺部及其血管的分割和可视化是计算机辅助诊断肺部疾病的重要依据。例如，肺血管分割及其3D可视化技术可在肺结节、肺栓塞、肺肿瘤的诊疗方面，提供手术规划、术后效果预测等辅助诊断功能。因此，准确分割并直观显示肺血管，对于临床诊断具有重要的指导意义。
[0003]在传统方法中，专业医生主要采用手动逐切片提取的方式获取肺血管数据，难免会存在耗时耗力且容易出错等问题。因此，使用医学图像分割技术实现肺血管的自动化提取，相较人工提取具有效率高、成本低、准确性高等优势，是医学影像发展的趋势。经CT扫描得到的肺部数据存在与周围组织对比度低、边界模糊和高噪声等问题，且肺血管的结构复杂多样，这也增加了肺血管分割的难度。
[0004]随着计算机技术的发展，许多研究人员也提出了大量的基于医学影像的肺血管分割方法，这些方法主要分为传统的血管分割方法、基于机器学习的血管分割方法和基于深度学习的血管分割方法。传统的血管分割方法主要包括基于阈值选择的血管分割方法、基于区域生长的血管分割方法和基于形态学的血管分割方法等。然而，传统的血管分割方法，大多依赖阈值的设定，需要人工干预，且在目标分布不均匀的条件下，分割精度差、效率低。基于机器学习的血管分割方法主要包括支持向量机、聚类算法和AdaBoost算法等，但是这些方法需要人工设计分割目标的特征模型，特征模型的先验参数与理想化条件较多，在图像差异较大的情况下，会导致分割性能严重下降。
[0005]随着AI技术的发展，深度学习取代传统机器学习方法，成为AI的前沿技术。目前基于深度学习的图像分割技术在分割速度和准确率上已经超越了传统的分割方法，被广泛运用于医学图像分割领域。深度学习方法尤其是全卷积神经网络(Fully Convolutional Network,FCN)可以解决上述传统方法面临的问题。2015年，在FCN的基础上，Ronneberger等人提出了U
‑
Net网络，该网络整体为Encoder
‑
Decoder结构，并采用跳层连接实现多尺度融合。基于上述特点，U
‑
Net比FCN更适合用于肺血管分割。2018年，Huang等人采用3D U
‑
Net实现了肝脏血管分割。该网络结构将3D卷积引入血管分割领域，可以直接对3D CT数据进行分割。相比于2D神经网络，可大幅度提高3D分割的准确率。
[0006]目前，基于深度学习的血管分割方法通常只使用一个神经网络同时分割多种尺度的血管。但是，由于小血管的表征能力不够，导致小血管的特征很容易被淹没在大血管的特征中，从而导致小血管的分割精度较低。此外，这类方法，在进行特征提取时，需要对图像进
行下采样和池化处理，这种处理方式存在信息丢失的问题，也会导致小血管的分割效果较差。
[0007]针对上述问题，本专利技术考虑将三个尺度的血管分开处理，以提高小血管的分割精度。此外，为了解决下采样造成的信息丢失问题，本专利技术设计了一个特征融合模块，用于恢复丢失的信息。因此，本专利技术提出了基于跨尺度融合的CT影像肺血管分割方法，其由共享的编码器和三个独立的解码器分支组成。

技术实现思路

[0008]本专利技术的目的在于克服现有方法中所存在的上述不足，提出了一种基于跨尺度融合的CT影像肺血管分割方法，实现肺血管快速和准确的分割。
[0009]为解决上述问题，本专利技术提供一种基于跨尺度融合的CT影像肺血管分割方法，包括以下步骤：
[0010]S1：获取原始肺CT数据及肺血管标签，并进行预处理，得到训练集；
[0011]S2：截取CT序列中的最大连通区域，平衡正负样本数量；
[0012]S3：构建CSF
‑
U
‑
Net；
[0013]S4：使用预处理得到的训练集训练CSF
‑
U
‑
Net，其中CSF
‑
U
‑
Net的网络结构以3D ResUNet为基本结构，并根据网络结构的特点，使用基于多尺度肺血管标签的监督策略训练CSF
‑
U
‑
Net，在训练过程中，保存在验证集上效果最好的模型用于测试；
[0014]S5：最终使用训练完成的CSF
‑
U
‑
Net处理3D肺CT数据，得到肺血管分割结果。
[0015]其中，步骤S1对CT图像进行预处理，在不同仪器不同环境下采集得到的CT图像在对比度方面有很大的不同，本步骤通过体素值截取、数值归一化和线性灰度变换的手段预处理CT图像，来得到各方面一致的CT体数据，这使得后续用于训练的CT图像的空间信息和强度信息保持一致，并保证了后续深度学习步骤能提取到有用的特征，获得更好的效果。
[0016]优选地，所述步骤S1具体包括以下步骤：
[0017]S11：根据血管面积大小的不同，将肺血管标签拆分为小尺度、中尺度和大尺度血管标签；
[0018]S12：将CT图像的体素值截断在[
‑
950,+250]范围内；
[0019]S13：将体素值线性化归一到[0,1]范围内；
[0020]S14：使用灰度线性变换来增强血管与其它背景图像之间的对比度。
[0021]优选地，所述步骤S2具体包括以下步骤：
[0022]S21：根据肺血管标签的数据分布，截取CT序列中的最大连通区域，平衡正负样本的数量；
[0023]S22：使用数据增强，随机截取CT序列中连续的32张切片用于训练。
[0024]优选地，所述步骤S3中的CSF
‑
U
‑
Net由共享的编码器和三个独立的解码器分支组成，三个独立的解码器分支分别为小尺度分支、中尺度分支和大尺度分支；其中，共享的编码器用于提取肺血管的多尺度特征，该部分采用参数共享的卷积神经网络。
[0025]优选地，当肺CT影像被送入到CSF
‑
U
‑
Net网络中后，共享的编码器提取出三种尺度的肺血管特征，分别送入到三个独立的解码器(用于提取三种不同尺度的血管)中，并利用给定的多尺度血管标签，训练整个分割网络；
[0026]其中，共享的编码器采用5层参数共享的卷积神经网络，将包含小血管特征较多的第三层特征作为小尺度分支的输入，第四层特征作为中尺度分支的输入，第五层特作为大尺度分支的输入；在三个独立的解码器分支中，小尺度分支包括三层卷积神经网络结构，中尺度分支包括本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于跨尺度融合的CT影像肺血管分割方法，其特征在于，包括以下步骤：S1：获取原始肺CT数据及肺血管标签，并进行预处理，得到训练集；S2：截取CT序列中的最大连通区域，平衡正负样本数量；S3：构建CSF
‑
U
‑
Net；S4：使用预处理得到的训练集训练CSF
‑
U
‑
Net；其中CSF
‑
U
‑
Net的网络结构以3D ResUNet为基本结构，并根据网络结构的特点，使用基于多尺度肺血管标签的监督策略训练CSF
‑
U
‑
Net，在训练过程中，保存在验证集上效果最好的模型用于测试；S5：最终使用训练完成的CSF
‑
U
‑
Net处理3D肺CT数据，得到肺血管分割结果。2.根据权利要求1所述的基于跨尺度融合的CT影像肺血管分割方法，其特征在于，所述步骤S1具体包括以下步骤：S11：根据血管面积大小的不同，将肺血管标签拆分为小尺度、中尺度和大尺度血管标签；S12：将CT图像的体素值截断在[
‑
950,+250]范围内；S13：将体素值线性化归一到[0,1]范围内；S14：使用灰度线性变换来增强血管与其它背景图像之间的对比度。3.根据权利要求1所述的基于跨尺度融合的CT影像肺血管分割方法，其特征在于，所述步骤S2具体包括以下步骤：S21：根据肺血管标签的数据分布，截取CT序列中的最大连通区域，平衡正负样本的数量；S22：使用数据增强，随机截取CT序列中连续的32张切片用于训练。4.根据权利要求1所述的基于跨尺度融合的CT影像肺血管分割方法，其特征在于，所述步骤S3中的CSF
‑
U
‑
Net由共享的编码器和三个独立的解码器分支组成，三个独立的解码器分支分别为小尺度分支、中尺度分支和大尺度分支；其中，共享的编码器用于提取肺血管的多尺度特征，该部分采用参数共享的卷积神经网络。5.根据权利要求4所述的基于跨尺度融合的CT影像肺血管分割方法，其特征在于，当肺CT影像被送入到CSF
‑
U
‑
Net网络中后，共享的编码器提取出三种尺度的肺血管特征，分别送入到三个独立的解码器中，并利用给定的多尺度血管标签，训练整个分割网络；其中，共享的编码器采用五层参数共享的卷积神经网络，将包含小血管特征较多的第三层特征作为小尺度分支的输入，第四层特征作为中尺度分支的输入，第五层特作为大尺度分支的输入；在三个独立的解码器分支中，小尺度分支包括三...

【专利技术属性】
技术研发人员：李佳宁，吴仁诚，辛宇，
申请(专利权)人：宁波大学附属第一医院，
类型：发明
国别省市：