【技术实现步骤摘要】
基于深度学习的肝脏血管分割方法、装置及存储介质
本专利技术涉及计算机领域，特别是涉及一种基于深度学习的肝脏血管分割方法、装置及存储介质。【技术背景】肝血管的计算机断层扫描(CT)图像分割是现代医学最重要的诊断手段之一，可以实现对肝脏内门静脉以及肝静脉的同时成像。由于肝脏图像中存在大量的噪声和复杂的非均匀背景，准确的血管分割是一项具有挑战性的工作。通常，医生通过在每个切片上勾画血管轮廓来手工进行准确的血管分割。然而，人工分割操作极其繁琐，而且依赖于操作者的经验和技能，而对于非医学背景的工作者来说是难以完成的工作。此外，CT存在的部分容积效应将肝静脉与门静脉粘连在一起，在图像质量较差时还会出现非血管的杂质，这对血管显示的效果产生了严重影响，给分割带来很大的困难，这也会对血管分割的结果产生不利的影响。主成分分析法能够将原来众多具有一定相关性的特征，重新组合成一组新的互相无关的综合特征来代替原来的特征，同时根据实际需要，从中可以取出几个较少的总和特征，使它们尽可能多地反映原来特征的信息，被广泛使用在图像处理的...
【技术保护点】
1.基于深度学习的肝脏血管分割方法，其特征在于，所述方法包括以下步骤：/n获取医学影像图像集；/n对图像集中的血管进行增强处理，得到增强血管图像集；/n利用V-Net深度神经网络训练过的血管自动分割权重网络对增强过的血管图像进行分割，得到初步分割好的三维肝脏血管图像集；/n利用卷积神经网络对初步分割好的三维肝脏血管图像集进行粘连血管的分类，并将血管粘连点的数据自动变为非血管点，将粘连血管分离；/n去除非血管点，整合所有图像集数据，完成血管自动分割。/n
【技术特征摘要】
1.基于深度学习的肝脏血管分割方法，其特征在于，所述方法包括以下步骤：
获取医学影像图像集；
对图像集中的血管进行增强处理，得到增强血管图像集；
利用V-Net深度神经网络训练过的血管自动分割权重网络对增强过的血管图像进行分割，得到初步分割好的三维肝脏血管图像集；
利用卷积神经网络对初步分割好的三维肝脏血管图像集进行粘连血管的分类，并将血管粘连点的数据自动变为非血管点，将粘连血管分离；
去除非血管点，整合所有图像集数据，完成血管自动分割。
2.如权利要求1所述的肝脏血管分割的方法，其特征在于，所述血管增强的方法，包括对图像集进行高斯二阶导数处理将血管与背景进行区分，由于血管部分一般为管状的结构，血管的高斯二阶导数的响应值比较大，而背景部分高斯二阶导数的响应值比较小，利用响应值的差异将血管与背景区分；然后利用Hessian矩阵对图像集的每个点用多种尺度的高斯函数进行卷积，选择各向异性最强的结果作为该点的输出，完成血管增强，得到增强血管图像集。
3.如权利要求1所述的肝脏血管分割的方法，其特征在于，所述血管分割的方法，包括：将增强血管图像集转换为三维影像集；以手工分割的三维肝脏血管图像及其对应的原始图像集作为训练集，进行有监督的训练，训练至预设的停止训练条件，获得训练好的可完成三维肝脏血管分割的V-Net权重网络；将三维影像集输入所述权重网络进行血管分割，得到初步分割的三维肝脏血管图像集。
4.如权利要求1所述的肝脏血管分割的方法，其特征在于，所述的获得三维肝脏血管分割的V-Net权重网络的方法包括：所构建的V-Net网络模型可以分为编码器阶段和解码器阶段：编码器阶段包括4次下采样，一次3D卷积使得特征图大小减半，一次批归一化能够加快训练速度，提高模型训练精度，使用ELU作为激活函数，用于缓解梯度消失，对输入变化或噪声更鲁棒，使得收敛速度更快；解码器阶段包括4次上采样，一次获取同层下采样数据进行连接后dropout，一次3D反卷积操作使得特征图的大小变为原来的2倍，一次批归一化，使用ELU作为激活函数；将同层下采样数据与当前数据进行连接，可以收集在下采样的压缩过程中会丢失的一些细节，提高最终预测的质量，改善模型的收敛时间，得到三维肝脏血管分割的V-Net权重网络。
5.如权利要求1所述的肝脏血管分割的方法，其特征在于，所述的粘连血管分离的方法，包括：通过分析粘连血管处血管的表层特征，找出初步分割后的血管图像中存在血管粘连点的部分血管区域；分别对每一类血管区域...
【专利技术属性】
技术研发人员：刘洋，刘继敏，袁新生，孙加伟，陈杰，刘峥嵘，
申请(专利权)人：苏州六莲科技有限公司，
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。