The invention discloses a method for renal artery segmentation of CT angiographic images based on three-dimensional convolution neural network, which relates to the field of image processing technology. A three-dimensional convolution network structure for renal artery segmentation of CT angiographic images is designed. Renal artery data sets are obtained by manual labeling, and then the training set is fed into the network structure for training, and the training model is obtained. The training model predicts the new kidney data and obtains the renal artery segmentation mask. The invention can obtain the output result with high accuracy and solve the problem of difficult renal artery segmentation. The renal artery segmentation mask can be directly obtained by the invention.
【技术实现步骤摘要】
一种基于三维卷积神经网络的CT造影图像肾动脉分割方法
本专利技术涉及图像处理
，特别是一种基于三维卷积神经网络的CT造影图像肾动脉分割方法。
技术介绍
肾癌是人类最常见的十种癌症之一。近年来，针对临床治疗局部肾癌问题，传统的根治性肾切除术(RN)正日益取代微创腹腔镜肾部分切除术(LPN)。LPN手术可以切除肾肿瘤并保留正常肾组织。特别是，新提出的基于肾动脉阻断技术的部分切除手术可以最大程度地保护肾功能。为了进行LPN手术，一些有用的信息，如肿瘤的大小、位置、肾的解剖结构，肾动脉和输尿管等，应于术前从CT图像中获得。然而，手工勾画超过200个CT层是一项费时费力的工作。因此，自动或半自动的分割方法对于提高手术的效率和准确性是必不可少的。目前在CT或MR图像中进行肾动脉分割的工作比较少。东南大学研究生丁皓提出了一种在CTA图像上对肾动脉增强后，使用动态调参的方式进行区域生长的方法，成功实现了肾动脉分割。但是从图像增强到动脉分割整个过程需要巨大的计算量，花费大量的时间，算法整体效率过低。图1为CT图像肾脏ROI区域的几个例子，其中，图1中的(a)为第一个动脉相位CT图像示例图，图1中的(b)为第二个动脉相位CT图像示例图，图1中的(c)为第三个动脉相位CT图像示例图，图1中的(d)为第四个动脉相位CT图像示例图。如图1所示，肾动脉连接主动脉，从肾门处生长进入肾脏，可以发现，肾动脉主干部分较为清楚明亮，进入肾门后，肾动脉分支尤其是肾动脉末端过于细小，难以清晰准确地分辨。因此精确地自动分割这些图像中的肾动脉仍然是一项具有挑战性的任务。近年来，二维的深度神经网络...
【技术保护点】
1.一种基于三维卷积神经网络的CT造影图像肾动脉分割方法，其特征在于，包括以下步骤：步骤(P1)、对已有的CT造影图像分割出图像中的肾脏区域，对肾动脉进行标注，得到感兴趣区域，生成训练数据集；步骤(P2)、将训练数据集送入三维卷积神经网络中进行训练，得到训练模型；三维卷积神经网络包括五个部分，分别为输入模块、现实情况流、浅层意识流、深层意识流和输出模块；输入模块，用于将原始图像I直接输入至现实情况流和深层意识流，并将输入至现实情况流的原始图像重命名为现实情况流图像RI，输入至深层意识流的原始图像重命名为深层意识流图像DI；现实情况流，用于对RI连续进行池化操作，获得不同尺寸的RI，并将不同尺寸的RI分别输出至浅层意识流；浅层意识流，用于多次提取浅层特征图并将其输出至深层意识流；深层意识流，用于获得多次记忆的深层特征图并将其输出至浅层意识流，并将最后一次获得的深层特征图输入至输出模块；输出模块对其进行卷积操作，并激活，获得肾动脉的分割掩模；步骤(P3)、对于新的待分割的肾脏CT造影图像，送入已训练完毕的步骤(P2)的训练模型得到肾动脉分割掩模。
【技术特征摘要】
1.一种基于三维卷积神经网络的CT造影图像肾动脉分割方法，其特征在于，包括以下步骤：步骤(P1)、对已有的CT造影图像分割出图像中的肾脏区域，对肾动脉进行标注，得到感兴趣区域，生成训练数据集；步骤(P2)、将训练数据集送入三维卷积神经网络中进行训练，得到训练模型；三维卷积神经网络包括五个部分，分别为输入模块、现实情况流、浅层意识流、深层意识流和输出模块；输入模块，用于将原始图像I直接输入至现实情况流和深层意识流，并将输入至现实情况流的原始图像重命名为现实情况流图像RI，输入至深层意识流的原始图像重命名为深层意识流图像DI；现实情况流，用于对RI连续进行池化操作，获得不同尺寸的RI，并将不同尺寸的RI分别输出至浅层意识流；浅层意识流，用于多次提取浅层特征图并将其输出至深层意识流；深层意识流，用于获得多次记忆的深层特征图并将其输出至浅层意识流，并将最后一次获得的深层特征图输入至输出模块；输出模块对其进行卷积操作，并激活，获得肾动脉的分割掩模；步骤(P3)、对于新的待分割的肾脏CT造影图像，送入已训练完毕的步骤(P2)的训练模型得到肾动脉分割掩模。2.根据权利要求1所述的一种基于三维卷积神经网络的CT造影图像肾动脉分割方法，其特征在于，步骤(P1)具体包括以下步骤：(P101)、将CT造影图像与专家库中的M个模板图像分别进行图像配准，获得形变参数；(P102)、利用步骤(P101)获得的形变参数，将M个模板图像上的肾脏的专家分割结果形变后都映射到CT造影图像上；(P103)、将步骤(P102)所得到的映射后的CT造影图像上的M个肾脏形变结果分别各自合并，获得CT造影图像肾脏的初步分割结果图像；(P104)、在步骤(p103)获得的肾脏初步分割结果图像上人工标注肾动脉区域，获得肾动脉标签图像，并和初步分割结果图像一起组成训练数据集。3.根据权利要求2所述的一种基于三维卷积神经网络的CT造影图像肾动脉分割方法，其特征在于，(P104)之后包括(P105)，(P105)：使用翻转、旋转、裁剪方法对步骤(p104)获得的训练数据集进行数据增强。4.根据权利要求1所述的一种基于三维卷积神经网络的CT造影图像肾动脉分割方法，其特征在于，步骤(P2)中的三维卷积神经网络包括五个部分，分别为输入模块、现实情况流、浅层意识流、深层意识流和输出模块，其中浅层意识流由七个格物模块、三个步长为2的池化模块和三个步长为2的反卷积模块组成，七个格物模块包括第一至第七个格物模块，三个池化模块包括浅层意识流中的第一至第三个池化模块，三个反卷积模块包括浅层意识流中的第一至第三个反卷积模块；深层意识流由七个加法模块、三个步长为2的池化模块和三个步长为2的反卷积模块组成，七个加法模块包括深层意识流中的第一至第七个加法模块，三个池化模块包括深层意识流中的第一至第三个池化模块，三个反卷积模块包括深层意识流中的第一至第三个池化模块；其中，输入模块，用于将原始图像I分为现实情况流图像RI和深层意识流图像DI，RI输入至现实情况流，DI输入至深层意识流；现实情况流用于对RI连续进行三次步长为2的池化操作，获得四种不同尺寸的RI，并将RI按照倍数排列为的顺序分别输出至浅层意识流中的七个格物模块；浅层意识流中，RI输入至第一个格物模块，得到第一次提取的浅层特征图SF1，将SF1输出至深层意识流中第一个加法模块和浅层意识流中第一个池化模块，深层意识流中第一个加法模块将SF1与DI相加，获得第一次记忆的深层特征图DF1并跨层传输至第七个格物模块的输入端和深层意识流中第一个池化模块，同时深层意识流中第一个池化模块对DF1进行步长为2的池化操作获得输入至第二个格物模块和深层意识流中第二个加法模块，而浅层意识流中第一个池化模块对SF1进行步长为2的池化操作后获得输入至第二个格物模块，输入至第二个格物模块；同样的，第二个格物模块通过处理和得到第二次提取的浅层特征图将输出至深层意识流中第二个加法模块和浅层意识流中第二个池化模块，深层意识流中第二个加法模块将与相加，得到第二次记忆的深层特征图并跨层传输至第...
【专利技术属性】
技术研发人员：杨冠羽，何宇霆，李甜甜，赵子腾，吴显政，伍家松，孔佑勇，舒华忠，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32
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。