一种基于全卷积神经网络的肺叶分割方法技术

本发明专利技术提供了一种基于全卷积神经网络的肺叶分割方法。其技术方案包括：构建肺叶分割数据集；获取肺部器官的3D包围框；对肺部3D包围框内的数据进行预处理；将数据块输入到全卷积神经网络中进行训练；将数据块输入到训练好的网络中进行预测。由于采用全卷积神经网络，实现了端到端的训练和预测，无需人工干预，预测速度快；并且采用在肺包围框内进行分割，剔除了肺部3D包围框外信息对肺叶分割的干扰，肺叶分割的完整性和细节明显优于传统方法；对于有明显病症的肺部CT数据也能较好地实现肺叶区域分割，从而为进一步定量定性评估肺部病变提供技术支撑。相比传统算法，本次发明专利技术方法明显提高了肺叶分割的精度，实现了全自动肺叶分割。

【技术实现步骤摘要】
一种基于全卷积神经网络的肺叶分割方法
本专利技术设计医学影像处理领域，特别涉及一种基于全卷积神经网络的肺叶分割方法。
技术介绍
近年来，由于医学影像学以及计算机技术的快速发展，将计算机技术更好地融入医学影像学中进行发展已然是大势所趋。高清晰度、高对比度的CT图像，通常被应用于肺部疾病的诊断。借助胸部CT观察肺部结构及功能特征是当今临床针对肺部各种疾病的重要辅助手段，为了向医生提供可靠的诊断数据，利于及早发现及治疗患者病情，通常需要对胸部CT图像进行后续处理，提取即分割肺组织图像。目前，很多分割方法被应用至肺区分割，技术有：（1）阈值法是最常见的肺部分割方法，虽然简单、快速，但不能有效去除背景和气管分支，且确定阈值较难，往往根据经验确定。（2）区域增长法是大多数工作中采用的方法，该方法能够有效的弥补边缘追踪的遗漏缺陷，但常常需要手动选择种子点，是一种需要人工参与的半自动分割方法；（3）基于模式分类的方法。该方法能提取有些数据的图像特征，但是需要大量的训练样本，分割结果对样本与特征的依赖性强，处理时间较长。（4）基于图像配准和形状模型的方法，该方法一般效果较好，但其受训练集数据影响会导致本文档来自技高网...

【技术保护点】
1.一种基于全卷积神经网络的肺叶分割方法，其步骤包括：（a）构建训练数据集：采集CT影像，对肺叶区域进行不同类别的标注，对数据进行预处理；（b）获得肺部包围框：在训练阶段，根据所述步骤（a）中的所述标注方法或肺分割，获得CT影像中肺部区域的3D包围框；在预测阶段，利用已有的肺分割算法分割所述肺部区域，获得CT影像中肺部区域的3D包围框；（c）数据切块：在所述步骤（b）的肺部候选3D包围框内进行数据切块，将所述肺部包围框切分成若干个数据块，对所述数据块进行填充或剪切或不处理以满足数据尺寸要求；（d）训练模型：将所述步骤（c）中的所述数据块提供给全卷积神经网络进行训练，获得所述肺叶分割模型；（e）...

【技术特征摘要】
1.一种基于全卷积神经网络的肺叶分割方法，其步骤包括：（a）构建训练数据集：采集CT影像，对肺叶区域进行不同类别的标注，对数据进行预处理；（b）获得肺部包围框：在训练阶段，根据所述步骤（a）中的所述标注方法或肺分割，获得CT影像中肺部区域的3D包围框；在预测阶段，利用已有的肺分割算法分割所述肺部区域，获得CT影像中肺部区域的3D包围框；（c）数据切块：在所述步骤（b）的肺部候选3D包围框内进行数据切块，将所述肺部包围框切分成若干个数据块，对所述数据块进行填充或剪切或不处理以满足数据尺寸要求；（d）训练模型：将所述步骤（c）中的所述数据块提供给全卷积神经网络进行训练，获得所述肺叶分割模型；（e）肺叶分割：将数据经过所述步骤（a）中的所述图像预处理，然后经过所述步骤（b）与所述步骤（c）过程，获得肺部3D包围框内的多个数据块，数据块通过所述步骤（d）所述肺叶分割模型得到数据块的肺叶分割结果，通过数据回填方式最终得到整个CT影像的肺叶分割结果。2.根据权利要求1所述的一种基于全卷积神经网络的肺叶分割方法，其特征在于：所述步骤（a）中，医生根据临床解剖结构，对肺进行五个区域的标注，分别为：左肺上叶、左肺下叶、右肺上叶、右肺中叶和右肺下叶。3.根据权利要求1所述的一种基于全卷积神经网络的肺叶分割方法，其特征在于：所述步骤（a）中，所述数据预处理的方式为，对数据进行归一化处理；对数据进行插值，使得数据在x，y，z三个方向上的物理像素间隔为...

【专利技术属性】
技术研发人员：姜志强，程国华，何林阳，季红丽，宣琳娜，
申请(专利权)人：杭州健培科技有限公司，
类型：发明
国别省市：浙江,33