本发明专利技术提供了基于CT图像的肝脏肿瘤分割方法及装置。方法包括：对肝脏的CT图像数据进行高斯除噪，将其转化为灰度均值为0，方差为1的标准化数据并进行下采样操作；从肝脏的CT图像的金标准图像中提取病变切片和正常组织切片，将其划分为正样本和负样本；构建多层次的深度卷积神经网络，通过随机梯度下降法训练模型，得到网络模型，通过分类器获得肿瘤的粗分割二值图像及像素分类的概率图像；对肿瘤的粗分割二值图像进行形态学腐蚀操作，获得图割所需要的前景图像，再将肝脏的二值图像与肿瘤的粗分割二值图像作相减操作并进行形态学腐蚀操作，得到对应于肝脏正常组织的背景图像；构建无向图，使用图割优化算法得到肿瘤的最终分割区域。
【技术实现步骤摘要】
本专利技术属于医学图像处理领域，尤其涉及一种基于CT图像的肝脏肿瘤分割方法及 装置。
技术介绍
肝脏是维持人体生命活动重要且复杂的功能器官，肝脏病变多发，病变种类多，发 病率高。计算机发射断层扫描(Computed Tomography，CT)图像已成为临床诊断中重要的常 规手段之一，是肝脏疾病的重要检查手段。目前肝肿瘤治疗手段主要包括肿瘤切除、介入、 放射治疗等，肿瘤切除是其中最有效的治疗方式。这些治疗手段都需要在术前精确了解肿 瘤的数量、位置、大小和形状等信息，有助于肝脏肿瘤治疗方案的制定，但是肿瘤个体差异 性大，肝脏肿瘤和肝脏实质界限模糊，肿瘤的位置、大小、形状、灰度以及纹理各异，很难研 究出一种通用的肿瘤分割算法。人工手动分割需要具有解剖学知识和经验，而且人为主观 性强，需要花费大量时间和精力。由于肿瘤边界模糊，表现差异性大等因素，大多数肝脏分 割方法无法达到临床要求精度。 现有的全自动分割肝脏肿瘤方法，主要的流程是人工对训练数据进行特征提取、 特征选择、设计分类器，通过监督学习或者非监督学习得到预测模型，根据此模型对测试数 据进行预测，特征提取过程计算量大、耗时多，能不能选取好的特征很大程度上靠经验和运 气。
技术实现思路
本专利技术要解决的技术问题在于克服传统分割方法手工设计提取特征的局限性。 为了达到上述目的，本专利技术实施例提供一种基于CT图像的肝脏肿瘤分割方法，包 括:步骤1，对肝脏的CT图像数据进行高斯除噪，将其转化为灰度均值为0,方差为1的标准化 数据并进行下采样操作;步骤2,从所述肝脏的CT图像的金标准图像中提取病变切片和正常 组织切片，根据切片中心像素点的标签分别将其划分为正样本和负样本，并采用随机采样 的方法使得正负样本数量相等;步骤3，构建多层次的深度卷积神经网络，通过随机梯度下 降法训练模型，有监督的自动学习肿瘤特征和肝脏正常组织特征，得到网络模型，通过分类 器获得肿瘤的粗分割二值图像及像素分类的概率图像;步骤4,对所述肿瘤的粗分割二值图 像进行形态学腐蚀操作，获得图割所需要的前景图像，再将肝脏的二值图像与肿瘤的粗分 割二值图像作相减操作并进行形态学腐蚀操作，得到对应于肝脏正常组织的背景图像;步 骤5,根据所述前景图像和背景图像构建无向图，使用图割优化算法得到肿瘤的最终分割区 域。 进一步地，在一实施例中，在所述步骤2中，根据切片中心像素点的标签分别将其 划分为正样本和负样本，包括:正样本对应肿瘤切片，负样本对应正常组织切片，为了使得 训练模型输入的正负样本数量均衡，采用随机采样的方法使得正负样本数量相等。 进一步地，在一实施例中，在所述步骤3中，通过分类器获得肿瘤的粗分割二值图 像及像素分类的概率图像，包括:通过网络中最后一层的分类器将图像中每个像素点进行 分类，得到属于肿瘤还是属于肝脏正常组织的概率值，根据所属类别的概率值的大小分类， 获得所述肿瘤的粗分割二值图像及像素分类的概率图像。 进一步地，在一实施例中，在所述步骤5中，根据所述前景图像和背景图像构建无 向图，使用图割优化算法得到肿瘤的最终分割区域，包括:根据所述前景图像和背景图像构 建无向图，利用最大流/最小割算法优化能量函数使其达到最小，将全部的像素划分为目标 或者背景，分别标记为1和〇,得到肿瘤的最终分割区域。 为了达到上述目的，本专利技术实施例还提供一种基于CT图像的肝脏肿瘤分割装置， 包括:图像预处理模块，用于对肝脏的CT图像数据进行高斯除噪，将其转化为灰度均值为0， 方差为1的标准化数据并进行下采样操作;样本采集模块，用于从所述肝脏的CT图像的金标 准图像中提取病变切片和正常组织切片，根据切片中心像素点的标签分别将其划分为正样 本和负样本，并采用随机采样的方法使得正负样本数量相等;模型训练模块，用于构建多层 次的深度卷积神经网络，通过随机梯度下降法训练模型，有监督的自动学习肿瘤特征和肝 脏正常组织特征，得到网络模型，通过分类器获得肿瘤的粗分割二值图像及像素分类的概 率图像;腐蚀操作模块，用于对所述肿瘤的粗分割二值图像进行形态学腐蚀操作，获得图割 所需要的前景图像，再将肝脏的二值图像与肿瘤的粗分割二值图像作相减操作并进行形态 学腐蚀操作，得到对应于肝脏正常组织的背景图像;分割区域生成模块，用于根据所述前景 图像和背景图像构建无向图，使用图割优化算法得到肿瘤的最终分割区域。 进一步地，在一实施例中，所述样本采集模块根据切片中心像素点的标签分别将 其划分为正样本和负样本，具体包括:正样本对应肿瘤切片，负样本对应正常组织切片，为 了使得训练模型输入的正负样本数量均衡，采用随机采样的方法使得正负样本数量相等。 进一步地，在一实施例中，所述模型训练模块通过分类器获得肿瘤的粗分割二值 图像及像素分类的概率图像，具体包括:通过网络中最后一层的分类器将图像中每个像素 点进行分类，得到属于肿瘤还是属于肝脏正常组织的概率值，根据所属类别的概率值的大 小分类，获得所述肿瘤的粗分割二值图像及像素分类的概率图像。 进一步地，在一实施例中，所述分割区域生成模块根据所述前景图像和背景图像 构建无向图，使用图割优化算法得到肿瘤的最终分割区域，具体包括:根据所述前景图像和 背景图像构建无向图，利用最大流/最小割算法优化能量函数使其达到最小，将全部的像素 划分为目标或者背景，分别标记为1和0,得到肿瘤的最终分割区域。 本专利技术提出了一种全自动的基于CT图像的肝脏肿瘤分割的方法及装置，通过深度 学习模型自动学习特征，提取数据集中更丰富的本质特征，与手工设计提取特征相比具有 更好的可分性，通过图割方法优化肿瘤分割结果，使得最终分割更加精确和鲁棒;并且，整 个分割过程无需任何人工干预，能够为肝脏肿瘤的诊断和治疗提供精确肿瘤信息，有助于 提高肝脏肿瘤手术的成功率。【附图说明】 为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 专利技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动性的前提下，还可以根 据这些附图获得其他的附图。 图1为本专利技术实施例的基于CT图像的肝脏肿瘤分割方法的方法流程图； 图2为本专利技术实施例的构建的多层次的深度卷积神经网络的示意图； 图3为本专利技术实施例的基于CT图像的肝脏肿瘤分割装置的结构示意图。【具体实施方式】 下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于 本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前当前第1页1 2 3 本文档来自技高网...
【技术保护点】
一种基于CT图像的肝脏肿瘤分割方法，其特征在于，所述方法包括：步骤1，对肝脏的CT图像数据进行高斯除噪，将其转化为灰度均值为0，方差为1的标准化数据并进行下采样操作；步骤2，从所述肝脏的CT图像的金标准图像中提取病变切片和正常组织切片，根据切片中心像素点的标签分别将其划分为正样本和负样本，并采用随机采样的方法使得正负样本数量相等；步骤3，构建多层次的深度卷积神经网络，通过随机梯度下降法训练模型，有监督的自动学习肿瘤特征和肝脏正常组织特征，得到网络模型，通过分类器获得肿瘤的粗分割二值图像及像素分类的概率图像；步骤4，对所述肿瘤的粗分割二值图像进行形态学腐蚀操作，获得图割所需要的前景图像，再将肝脏的二值图像与肿瘤的粗分割二值图像作相减操作并进行形态学腐蚀操作，得到对应于肝脏正常组织的背景图像；步骤5，根据所述前景图像和背景图像构建无向图，使用图割优化算法得到肿瘤的最终分割区域。
【技术特征摘要】
【专利技术属性】
技术研发人员：贾富仓，李雯，贺宝春，胡庆茂，方驰华，范应方，
申请(专利权)人：中国科学院深圳先进技术研究院，南方医科大学珠江医院，
类型：发明
国别省市：广东;44
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。