基于深度学习的CT影像肺血管的分割方法及系统技术方案

本发明专利技术实施例提供一种基于深度学习的CT影像肺血管的分割方法及系统，其使用的深度学习网络模型为3D UNet，并包括以下步骤：步骤S1，预处理；步骤S2，三维采样；步骤S3，血管分割；步骤S4，血管动静脉区分；步骤S5，后处理：结合血管动静脉区分得到的动静脉概率图和血管分割模块得到的血管初步分割结果。该基于深度学习的CT影像肺血管的分割方法及系统能够分割肺内小血管和肺外大血管，并且能够完全自动的将动静脉区分开来，提高了分割的准确度。

Segmentation method and system of pulmonary vessels in CT images based on deep learning

【技术实现步骤摘要】
基于深度学习的CT影像肺血管的分割方法及系统
本专利技术涉及医学影像处理
，尤其涉及一种基于深度学习的CT影像肺血管的分割方法及系统。
技术介绍
肺癌是对人类生命和健康威胁最大的肿瘤早期发现对于患者的生存和康复至关重要。临床上，肺结节检测是肺癌筛查的第一步。通过对CT影像中肺部气管和血管的检测和分割，对肺癌的早期筛查和评估具有重要意义。由于身体组织器官的复杂型和个体差异，再加上不同成像设备之间的差异性使得医学成像结果非常复杂，造成了传统医学图像分割方法分割结果不准确的问题。在医学图像分割领域中的肺血管分割领域中，肺血管成像有对比度低，细小血管和气管结构复杂，肺部图像噪声较多，使得准确的肺血管分割具有一定的难度，在过去一些时间内，大多通过人工方式分割，不仅效率低，而且准确度因人而异，难以得到保证。近几年来人工智能技术，尤其是深度学习方法，发展十分迅速，在医学图像分割领域也有十分广泛的应用，但是就目前公开的方法而言，在肺血管分割的准确上仍旧需要进一步提升。公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现思路
针对现有技术存在的问题，本专利技术实施例提供一种基于深度学习的CT影像肺血管的分割方法及系统。第一方面，本专利技术实施例提供一种基于深度学习的CT影像肺血管的分割方法，其使用的深度学习网络模型为3DUNet，并包括以下步骤：步骤S1，预处理：将输入CT影像的图像灰度值规范化，提取肺的轮廓和肺部感兴趣的区域，并根据肺部感兴趣的区域将肺部区域图像从CT影像中筛选出来；步骤S2，三维采样：根据筛选出的肺部区域图像，在肺部感兴趣的区域按照步长为48×48×48，提取大小为80×80×64且有相互重叠的局部片块图像；步骤S3，血管分割：根据上述三维采样得到的一系列图像，输入到3DUNet网络中，得到局部的血管分割结果，将所有局部片块的分割结果组合起来得到整体的血管分割结果；步骤S4，血管动静脉区分：根据上述三维采样得到的一系列图像，输入到3DUNet网络中，得到局部的动静脉分割结果，将所有局部片块的分割结果组合起来得到整体的动静脉分割结果；步骤S5，后处理：结合血管动静脉区分得到的动静脉概率图和血管分割模块得到的血管初步分割结果。进一步地，步骤S3中，标注数据包括：肺内小血管和心脏部分的肺外大血管，其中肺内小血管标注值为1，肺外大血管标注值为2，血管分割中输出图像中包含2个通道，分别表示该像素属于肺内小血管和肺外大血管的概率值。进一步地，步骤S3中，3DUNet的训练方式为：提取肺部感兴趣的区域，按照标注好的血管提取其骨架点；对于每一个CT影像，以其血管骨架点为基点，从中随机选取600个80×80×64的局部片块图像，并在提取的肺部感兴趣的区域随机选取其他200个80×80×64的局部片块图像，输入网络进行训练。进一步地，步骤S4中，标注数据包括：肺内小血管动静脉和心脏部分的肺外大血管动静脉，其中肺内小血管动静脉的标注值分别为1和2，肺外大血管动静脉的标注值分别为3和4；动静脉区分中输出图像中包括4个通道，分别表示该像素属于肺内小血管动静脉和肺外大血管动静脉的概率值。进一步地，步骤S3的3DUNet训练中的数据增广方式有：水平翻转、垂直翻转、随机旋转、随机高斯噪声和随机Gamma变换。进一步地，步骤S5中的血管初步分割结果利用图割方法得到动静脉分割结果，计算图像中的最大连通区域作为最终的血管动静脉分割结果。进一步地，3DUnet深度学习网络模型包括：编码器：对输入图像通过卷积网络和下采样进行高层次抽象特征的提取，把图像编码为尺寸只有原图1/16的特征图；解码器：把编码器输出的特征图通过卷积网络和上采样解码，输出与原尺寸相同的图像；跳跃连接：将编码器中较浅层的高分辨率特征与解码器中较高层的低分辨率特征直接相连。第二方面，本专利技术实施例提供一种基于深度学习的CT影像肺血管的分割系统，包括：预处理模块，用于将输入CT影像的图像灰度值规范化，提取肺的轮廓和肺部感兴趣的区域，并根据肺部感兴趣的区域将肺部区域图像从CT影像中筛选出来；三维采样模块，用于根据筛选出的肺部区域图像，在肺部感兴趣的区域按照步长为48×48×48，提取大小为80×80×64且有相互重叠的局部片块图像；血管分割模块，用于根据上述三维采样模块得到的一系列图像，输入到3DUNet网络中，得到局部的血管分割结果，将所有局部片块的分割结果组合起来得到整体的血管分割结果；血管动静脉区分模块，用于根据上述三维采样模块得到的一系列图像，输入到3DUNet网络中，得到局部的动静脉分割结果，将所有局部片块的分割结果组合起来得到整体的动静脉分割结果；后处理模块，用于结合血管动静脉区分模块得到的动静脉概率图和血管分割模块得到的血管初步分割结果，利用图割方法得到动静脉分割结果，计算图像中的最大连通区域作为最终的血管动静脉分割结果。第三方面，本专利技术实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的基于深度学习的CT影像肺血管的分割方法的步骤。第四方面，本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的基于深度学习的CT影像肺血管的分割方法的步骤。本专利技术实施例提供的一种基于深度学习的CT影像肺血管的分割方法及系统能够分割肺内小血管和肺外大血管，并且能够完全自动的将动静脉区分开来，提高了分割的准确度。另外，在动静脉区分中使用的基于图割的后处理方法，能够将UNet网络分割错误的动静脉十分有效的纠正。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一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，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提供的基于深度学习的CT影像肺血管的分割流程示意图；图2为本专利技术实施例提供的方法步骤S5中图割方法示意图；图3为本专利技术实施例提供的方法中深度学习网络模型3DUNet分割网络结构示意图；图4本专利技术实施例提供的基于深度学习的CT影像肺血管的分割系统的原理图；图5本专利技术实施例提供的一种电子设备的实体结构图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，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作出创造性劳动前提下所获得的所有其他实施例，都属于本文档来自技高网...

【技术保护点】
1.一种基于深度学习的CT影像肺血管的分割方法，其特征在于，其使用的深度学习网络模型为3D UNet，并包括以下步骤：/n步骤S1，预处理：将输入CT影像的图像灰度值规范化，提取肺的轮廓和肺部感兴趣的区域，并根据肺部感兴趣的区域将肺部区域图像从CT影像中筛选出来；/n步骤S2，三维采样：根据筛选出的肺部区域图像，在肺部感兴趣的区域按照步长为48×48×48，提取大小为80×80×64且有相互重叠的局部片块图像；/n步骤S3，血管分割：根据上述三维采样得到的一系列图像，输入到3D UNet网络中，得到局部的血管分割结果，将所有局部片块的分割结果组合起来得到整体的血管分割结果；/n步骤S4，血管动静脉区分：根据上述三维采样得到的一系列图像，输入到3D UNet网络中，得到局部的动静脉分割结果，将所有局部片块的分割结果组合起来得到整体的动静脉分割结果；/n步骤S5，后处理：结合血管动静脉区分得到的动静脉概率图和血管分割模块得到的血管初步分割结果。/n

【技术特征摘要】
1.一种基于深度学习的CT影像肺血管的分割方法，其特征在于，其使用的深度学习网络模型为3DUNet，并包括以下步骤：
步骤S1，预处理：将输入CT影像的图像灰度值规范化，提取肺的轮廓和肺部感兴趣的区域，并根据肺部感兴趣的区域将肺部区域图像从CT影像中筛选出来；
步骤S2，三维采样：根据筛选出的肺部区域图像，在肺部感兴趣的区域按照步长为48×48×48，提取大小为80×80×64且有相互重叠的局部片块图像；
步骤S3，血管分割：根据上述三维采样得到的一系列图像，输入到3DUNet网络中，得到局部的血管分割结果，将所有局部片块的分割结果组合起来得到整体的血管分割结果；
步骤S4，血管动静脉区分：根据上述三维采样得到的一系列图像，输入到3DUNet网络中，得到局部的动静脉分割结果，将所有局部片块的分割结果组合起来得到整体的动静脉分割结果；
步骤S5，后处理：结合血管动静脉区分得到的动静脉概率图和血管分割模块得到的血管初步分割结果。


2.根据权利要求1所述的基于深度学习的CT影像肺血管的分割方法，其特征在于，所述步骤S3中，标注数据包括：肺内小血管和心脏部分的肺外大血管，其中肺内小血管标注值为1，肺外大血管标注值为2，血管分割中输出图像中包含2个通道，分别表示该像素属于肺内小血管和肺外大血管的概率值。


3.根据权利要求2所述的基于深度学习的CT影像肺血管的分割方法，其特征在于，所述步骤S3中，3DUNet的训练方式为：提取肺部感兴趣的区域，按照标注好的血管提取其骨架点；对于每一个CT影像，以其血管骨架点为基点，从中随机选取600个80×80×64的局部片块图像，并在提取的肺部感兴趣的区域随机选取其他200个80×80×64的局部片块图像，输入网络进行训练。


4.根据权利要求3所述的基于深度学习的CT影像肺血管的分割方法，其特征在于，所述步骤S4中，标注数据包括：肺内小血管动静脉和心脏部分的肺外大血管动静脉，其中肺内小血管动静脉的标注值分别为1和2，肺外大血管动静脉的标注值分别为3和4；动静脉区分中输出图像中包括4个通道，分别表示该像素属于肺内小血管动静脉和肺外大血管动静脉的概率值。


5.根据权利要求3所述的基于深度学习的CT影像肺血管的分割方法，其特征在于，所述步骤S3的3DUNet训练中的数据增广方式有：水...

【专利技术属性】
技术研发人员：余明亮，魏军，
申请(专利权)人：广州柏视医疗科技有限公司，
类型：发明
国别省市：广东;44