【技术实现步骤摘要】
基于深度学习的CT影像肺气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影像肺气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气管分割领域中，肺气管成像有对比度低，细小血管和气管结构复杂，肺部图像噪声较多，使得准确的肺气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，在肺气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...
【技术保护点】
1.一种基于深度学习的CT影像肺气管的分割方法，其特征在于，其同时运用2D UNet和3D Unet深度学习网络模型，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S2，二维重采样：根据筛选出的肺部区域图像，将XY方向的图像重采样至大小为352×352，同时保持Z方向物理间距不变；/n步骤S3，二维分割：沿Z轴将相邻的9张二维切片图像堆叠为一张9通道的二维图像输入到2D UNet网络中，得到的预测结果为第5张切片图像对应的肺气管分割结果；将所有横切面图...
【技术特征摘要】 【专利技术属性】
1.一种基于深度学习的CT影像肺气管的分割方法，其特征在于，其同时运用2DUNet和3DUnet深度学习网络模型，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S2，二维重采样：根据筛选出的肺部区域图像，将XY方向的图像重采样至大小为352×352，同时保持Z方向物理间距不变；
步骤S3，二维分割：沿Z轴将相邻的9张二维切片图像堆叠为一张9通道的二维图像输入到2DUNet网络中，得到的预测结果为第5张切片图像对应的肺气管分割结果；将所有横切面图像的结果堆叠起来，并重采样至原始图像尺寸，得到二维气管分割结果；
步骤S4，三维采样：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且有相互重叠的片块；
步骤S5，三维分割：根据步骤S4得到的一系列图像输入到3DUNet网络中，得到局部的肺气管分割结果，将所有局部片块的分割结果组合起来得到整体的肺气管三维分割结果；
步骤S6，融合：对肺气管二维和三维的分割结果做并运算，得到融合后的分割肺气管，然后利用计算图像中最大的三维连通区域作为最终的肺气管分割结果。
2.根据权利要求1所述的基于深度学习的CT影像肺气管的分割方法，其特征在于，所述步骤S3中，2DUNet的训练的方式为：提取肺部感兴趣的区域，并将横切面图像重采样使得横切面图像尺寸为352×352；将横切面切片上下相邻的9张切片图像堆叠为一张9通道的2维图像，并将位于中间第5张切片图像对应的气管金标作为该图像的金标，输入网络进行训练。
3.根据权利要求2所述的基于深度学习的CT影像肺气管的分割方法，其特征在于，所述步骤S5中，3DUNet的训练方式为：提取肺部感兴趣的区域，按照标注好的肺气管提取其骨架点；对于每一个CT影像，以其气管骨架点为基点，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影像肺气管的分割方法，其特征在于，所述步骤S3的2DUNet和步骤S5的3DUNet的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。
技术研发人员：魏军，余明亮，
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
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。