基于深度学习的CT影像的肺叶段分割方法、装置制造方法及图纸

本发明专利技术涉及一种CT影像的肺叶段分割方法、装置、系统、存储介质及设备，该方法包括：检测步骤，在CT影像中，检测输出肺部轮廓，其包括肺内区域、肺外区域；筛选步骤，在肺部轮廓中，选用机器分割的方式筛选出肺内区域，并将其作为候选区域；分割步骤，在候选区域的3D层面中，同时对肺段和肺叶进行血管分割与肺裂分割；构造步骤，根据血管分割结果，通过构造出血管树，得到肺部的三维血管分布；整合步骤，将血管树和肺裂分割结果结合，并进行肺叶段分割，得到候选区域的最终分割结果。本发明专利技术提供的基于深度学习的CT影像的肺叶段分割方法、装置、系统、存储介质及设备，有效地减少了误差，提高了诊断率和准确率，且不受到个体肺部形态差异的限制。

Method and Device for Segmentation of Lung Segments Based on Deep Learning CT Images

The invention relates to a lung segment segmentation method, device, system, storage medium and equipment for CT images. The method includes: detection steps, detection of output lung contour in CT images, including intra-lung region and extrapulmonary region; screening steps, in lung contour, selection of machine segmentation method to select intra-lung region and take it as a candidate region; In the 3D level of candidate regions, the pulmonary segments and lobes are segmented simultaneously by blood vessels and fissures; the construction step is to construct a blood vessel tree according to the results of blood vessel segmentation to obtain the three-dimensional blood vessel distribution of the lung; the integration step is to combine the results of blood vessel tree and fissure segmentation, and to segment the pulmonary lobes to get the final segmentation results of candidate regions. The lobe segment segmentation method, device, system, storage medium and equipment based on in-depth learning CT image provided by the invention effectively reduces errors, improves diagnosis rate and accuracy, and is not limited by individual lung morphological differences.

【技术实现步骤摘要】
基于深度学习的CT影像的肺叶段分割方法、装置
本专利技术涉及图像分割领域，尤其涉及一种CT影像的肺叶段分割方法、装置、系统、存储介质及设备。
技术介绍
目前，肺癌是所有癌症中死亡率最高的癌症。肺结节是肺癌的影像表现形式，在CT影像学中表现为密度增高的阴影，通过对CT影像中肺叶与肺段中肺结节的检测和分割，对肺癌的早期筛查和评估具有重要意义。现有检测中，3DCT(Emmenlauer,M.,etc.:“free,fastandreliablestitchingoflarge3ddatasets.”JMicroscopy,233,no.1,pp.42-60,2009.)影像数据量大，而且存在较大的个体差异，给肺叶与肺段的分割技术带来了一定的困难。与广义的计算机视觉技术应用不同，为了减少深度卷积神经网络(DCNN)计算的复杂度、高效地利用有限的训练数据，现有技术采用将医学背景信息与深度学习结合的方式进行分割，例如，1)现今对于肺叶与肺段分割效果最好的技术是以逐层递进的分割方式(K.Hayashi,etc.:“RadiographicandCTappearancesofthemajorfiss本文档来自技高网...

【技术保护点】
1.一种基于深度学习的CT影像的肺叶段分割方法，其特征在于，该方法包括以下步骤：检测步骤，在CT影像中，检测输出肺部轮廓，所述肺部轮廓包括肺内区域、肺外区域；筛选步骤，在所述肺部轮廓中，选用机器分割的方式筛选出所述肺内区域，并将所述肺内区域作为候选区域；分割步骤，在所述候选区域的3D层面中，同时对肺段和肺叶进行血管分割与肺裂分割；构造步骤，根据所述血管分割结果，通过构造出血管树，得到肺部的三维血管分布；整合步骤，采用肺叶段分割算法将所述血管树和所述肺裂分割结果进行结合，并进行肺叶段分割，得到所述候选区域的最终分割结果，其中，在所分割步骤中，在3D层面对候选区域的肺段与肺叶进行血管分割与肺裂分割...

【技术特征摘要】
1.一种基于深度学习的CT影像的肺叶段分割方法，其特征在于，该方法包括以下步骤：检测步骤，在CT影像中，检测输出肺部轮廓，所述肺部轮廓包括肺内区域、肺外区域；筛选步骤，在所述肺部轮廓中，选用机器分割的方式筛选出所述肺内区域，并将所述肺内区域作为候选区域；分割步骤，在所述候选区域的3D层面中，同时对肺段和肺叶进行血管分割与肺裂分割；构造步骤，根据所述血管分割结果，通过构造出血管树，得到肺部的三维血管分布；整合步骤，采用肺叶段分割算法将所述血管树和所述肺裂分割结果进行结合，并进行肺叶段分割，得到所述候选区域的最终分割结果，其中，在所分割步骤中，在3D层面对候选区域的肺段与肺叶进行血管分割与肺裂分割，得到血管分割和肺裂分割结果，具体的格式是一个三维点阵，对应了CT影像中的三维位置，点阵中每个元素值代表了是否被血管/肺裂算法判定为血管/肺裂。2.根据权利要求1所述的基于深度学习的CT影像的肺叶段分割方法，其特征在于，在所述检测步骤中采用以多层卷积层为主体结构的FCN网络进行检测和输出。3.根据权利要求1所述的基于深度学习的CT影像的肺叶段分割方法，其特征在于，在所述分割步骤中，采用3DU-net并沿两个支线对所述肺段和所述肺叶分别进行所述血管分割与所述肺裂分割。4.根据权利要求1所述的基于深度学习的CT影像的肺叶段分割方法，其特征在于，在所述构造步骤中，根据所述三维血管分布推断气管分布情况，得到支气管树。5.根据权利要求1所述的基于深度学习的CT影像的肺叶段分割方法，其特征在于，在所述整合步骤中，所述肺叶段分割算法通过输入肺叶段分类模型，将所述血管树和所述肺裂分割结果整合，并输出最终分割结果。6.一...

【专利技术属性】
技术研发人员：郑永升，戎术，
申请(专利权)人：杭州依图医疗技术有限公司，
类型：发明
国别省市：浙江,33