一种基于深度学习的盆骨及其动脉血管的多层级分割方法技术

本发明专利技术涉及盆骨及盆骨动脉血管树的分割技术领域，具体是一种基于深度学习的盆骨及其动脉血管的多层级分割方法，用于解决现有技术中不能在多分辨率的CT图像中自动、高效、准确地分割腹部盆骨以及盆骨动脉血管树的问题。本发明专利技术包括步骤1：数据准备与标注；步骤2：数据预处理；步骤3：基于多层级分割的3D卷积神经网络的第一级分割模型构建；步骤4：第二级分割模型构建；步骤5：使用标定的数据与合成的损失函数训练第一级分割模型和第二级分割模型；步骤6：使用步骤5训练好的第一级分割模型和第二级分割模型对输入的三维CT图像进行腹部信息分割。本发明专利技术中可以在多分辨率CT图像中自动、高效、准确地分割腹部盆骨以及盆骨血管树。

【技术实现步骤摘要】
一种基于深度学习的盆骨及其动脉血管的多层级分割方法
本专利技术涉及盆骨及盆骨动脉血管树的分割
，更具体的是涉及一种基于深度学习的盆骨及其动脉血管的多层级分割方法。
技术介绍
侧方淋巴结转移是低位直肠癌的重要转移途径，放化疗对其疗效不佳，影响直肠癌病人预后，侧方淋巴结清扫作为一种有效的治疗手段，随着腹腔镜手术的普及和外科医生手术技巧的提高，被越来越广泛的应用于临床，而且越来越多的循证医学证据表明：侧方淋巴结清扫（laterallymphnodedissection，LLND）可以降低直肠癌盆腔局部复发率，手术指征掌握准确的侧方淋巴结清扫也可以带来生存获益，识别盆腔的淋巴结对于盆腔区域的癌症包括宫颈癌、前列腺癌、结肠癌和直肠癌的治疗和诊断非常重要，盆腔淋巴结位于盆腔动脉及其分支附近，在普通CT或MRI中不可见，然而髂动脉是可见的，对髂动脉及其分支进行分割，可以定位淋巴结的位置辅助诊断。腹部、盆腔内脏器官和血管众多，需要术前进行全面仔细地评估，确定病变的位置、范围、与周围的解剖关系，这样才能更好地制定术前计划，决定什么样的手术最好以及手术切除的范围，盆腔内主要动脉的三维重建，可以为手术前在PC机上进行手术设计以及腹腔镜的虚拟手术训练提供计算机模型，临床医生感兴趣的主要是盆腔内的小血管，因为这些分支小血管可能位于淋巴结附近，有助于医生定位淋巴结，做出正确诊断。然而，血管分割极具挑战性，除了CT图像对比度差，噪声大，背景复杂等原因外，血管结构本身也比较复杂，血管包绕在其他器官和组织周围，很难分辨，支架、钙化、动脉瘤和狭窄会扰乱血管的外观和几何形状。现有技术中盆骨及盆骨头腔内动脉血管的分割在医院一般由医生通过专业的软件如3DSlicer、ITK-SNAP等手动标注进行分割重建，针对盆骨及盆腔内动脉血管树自动分割的方法研究不多，一些盆骨分割方法和盆骨动脉血管分割方法大体上可以分为传统方法和深度学习方法，而血管分割的传统方法有三种：区域增长法、活动轮廓法和基于中心线的方法。传统的血管分割方法一般都是利用了血管的几何特征构建可变形的形状模型去拟合血管结构，但是由于缺少有效的学习算法，这些方法不能很好地解决管状结构分割存在的对比度差，噪声大，背景复杂等问题。近几年基于神经网络对图像深层的特征进行提取的方法取得了飞速的发展，在医学图像分割领域，深度神经网络取得了非常的成功的应用，3D卷积神经网络以其采用任意大小的输入并以有效的推论和对特征层次结构的学习，以端到端的方式生成相应大小的输出而分割领域的应用中尤为广泛，然而基于深度神经网络进行盆骨和盆骨内动脉血管分割的研究并不多，其中一个很重要的原因是盆腔内动脉血管的金标准标签很难获取，目前没有相关的公开数据集。总的来说，随着计算机断层扫描（CT）技术在医院的普及使用，CT成为腹部疾病诊疗的主要技术之一，盆骨及下肢动脉血管分割对于定位侧方淋巴结至关重要，普通CT盆骨内血管是不清晰的，增强CT和CTA盆腔内的动脉会更明显，但人工地对盆骨及盆骨内动脉血管进行分割仍十分繁琐，对一例CT进行标注通常需要2-4个小时。因此，我们迫切的需要构建的3D卷积神经网络能够从CT当中快速且准确地进行自动盆骨及盆腔内动脉血管分割的方法，这对于腹部疾病的辅助诊疗来说具有重大意义。
技术实现思路
基于以上问题，本专利技术提供了一种基于深度学习的盆骨及其动脉血管的多层级分割方法，用于解决现有技术中不能在多分辨率的CT图像中自动、高效、准确地分割腹部盆骨以及盆骨动脉血管树的问题。本专利技术中能够接受原始大小的CT数据自动、快速地产生准确的腹部盆骨以及盆骨动脉血管树的分割结果，生成盆骨与盆骨血管树信息，同时将血管信息放置于盆骨环境中使数据展示更立体更具体，展示动脉血管与腹部相对位置关系更清晰，更有利于医生诊断判别，从而可以利用计算机在多分辨率CT图像中自动、高效、准确地分割腹部盆骨以及盆骨血管树。本专利技术为了实现上述目的具体采用以下技术方案：一种基于深度学习的盆骨及其动脉血管的多层级分割方法，包括以下步骤：步骤1：数据准备与标注，该阶段主要完成数据从数据系统导入，盆骨及盆骨动脉血管树数据的标定；步骤2：数据预处理，该阶段对数据进行预处理，去除冗余的背景信息；步骤3：基于多层级分割的3D卷积神经网络的第一级分割模型构建，第一级分割模型用于分割盆骨及粗分割盆骨动脉血管树；步骤4：基于多层级分割的3D卷积神经网络的第二级分割模型构建，第二级分割模型利用第一级分割模型分割的结果以及基于金标准血管标签的距离转换尺度标签对血管进行细分割；步骤5：使用标定的数据与合成的损失函数训练第一级分割模型和第二级分割模型；步骤6：使用步骤5训练好的第一级分割模型和第二级分割模型对输入的三维CT图像进行腹部信息分割，输出分割结果。本专利技术中，一共要标注九种标签，分别是盆骨标签、盆骨动脉血管标签、总动脉、左髂总动脉、右髂总动脉、左髂外动脉、右髂外动脉、左髂内动脉、右髂内动脉。其中后七种是小分段血管标签，小分段血管标签分别是总动脉、左髂总动脉、右髂总动脉、左髂外动脉、右髂外动脉、左髂内动脉、右髂内动脉。第一级分割模型所使用的标签是：盆骨标签、盆骨动脉血管标签，第二级分割模型所使用的标签是：总动脉、左髂总动脉、右髂总动脉、左髂外动脉、右髂外动脉、左髂内动脉、右髂内动脉。步骤2中对数据的预处理包括裁剪处理与归一化处理，数据将在预处理阶段按照标签的边缘分别裁剪掉20-100个像素，同时保留CT值在0HU-1600HU，最终获得的数据被归一化到[0,1]之间。所述第一级分割模型得到盆骨及盆骨动脉血管信息，再将得到的盆骨及盆骨动脉血管信息与原始CT信息融合通过第二级分割模型获取血管树细分割结果。其中，原始CT信息是指第一级分割模型所输入的CT数据。所述第一级分割模型和第二级分割模型均采用3D-Unet网络作为主体提取3D卷积神经网络，使用第一级分割模型和第二级分割模型对同一CT影像生成多个尺度、不同层级和细节的分割结果集，所述分割结果集形成对同一幅CT影像的不同尺度的多层级3D卷积神经网络结构表达。这里多层级3D卷积神经网络是指第一级分割模型和第二级分割模型中的3D卷积神经网络。还包括重组再校准模块和空间自适应压缩激活模块，所述重组再校准模块和空间自适应压缩激活模块先获取局部信息，再利用空洞卷积获取更大的感受野。所述第二级分割模型输入通过距离转换算法利用金标准血管标签计算得到的尺度标签，定义集合,，则距离转换算法的计算公式如下：其中，对于标签为血管的体素，距离转换值是该体素到血管表面体素的最小欧式距离，表示某个体素相邻的6个体素，集合是血管表面体素的集合，表示体素的标签;表示某个体素，表示血管表面的某个体素;表示体素的标签，表示某个体素的距离转换值。步骤5中训练第一级分割模型和第二级分割模型包括以下步骤：步骤5.1：加权交叉熵分类学习误差和深度距离转换学习误差，加权交叉熵学习误差使得前景后景贡献占比本文档来自技高网...

【技术保护点】
1.一种基于深度学习的盆骨及其动脉血管的多层级分割方法，其特征在于：包括以下步骤：/n步骤1：数据准备与标注，完成数据从数据系统导入，盆骨及盆骨动脉血管树数据的标定；/n步骤2：数据预处理，对数据进行预处理，去除冗余的背景信息；/n步骤3：基于多层级分割的3D卷积神经网络的第一级分割模型构建，第一级分割模型用于分割盆骨及粗分割盆骨动脉血管树；/n步骤4：基于多层级分割的3D卷积神经网络的第二级分割模型构建，第二级分割模型利用第一级分割模型分割的结果以及基于金标准血管标签的距离转换尺度标签对血管进行细分割；/n步骤5：使用标定的数据与合成的损失函数训练第一级分割模型和第二级分割模型；/n步骤6：使用步骤5训练好的第一级分割模型和第二级分割模型对输入的三维CT图像进行腹部信息分割，输出分割结果。/n

【技术特征摘要】
1.一种基于深度学习的盆骨及其动脉血管的多层级分割方法，其特征在于：包括以下步骤：
步骤1：数据准备与标注，完成数据从数据系统导入，盆骨及盆骨动脉血管树数据的标定；
步骤2：数据预处理，对数据进行预处理，去除冗余的背景信息；
步骤3：基于多层级分割的3D卷积神经网络的第一级分割模型构建，第一级分割模型用于分割盆骨及粗分割盆骨动脉血管树；
步骤4：基于多层级分割的3D卷积神经网络的第二级分割模型构建，第二级分割模型利用第一级分割模型分割的结果以及基于金标准血管标签的距离转换尺度标签对血管进行细分割；
步骤5：使用标定的数据与合成的损失函数训练第一级分割模型和第二级分割模型；
步骤6：使用步骤5训练好的第一级分割模型和第二级分割模型对输入的三维CT图像进行腹部信息分割，输出分割结果。


2.根据权利要求1所述的一种基于深度学习的盆骨及其动脉血管的多层级分割方法，其特征在于：步骤2中对数据的预处理包括裁剪处理与归一化处理，数据将在预处理阶段按照标签的边缘分别裁剪掉20-100个像素，同时保留CT值在0HU-1600HU，最终获得的数据被归一化到[0,1]之间。


3.根据权利要求1所述的一种基于深度学习的盆骨及其动脉血管的多层级分割方法，其特征在于：所述第一级分割模型得到盆骨及盆骨动脉血管信息，再将得到的盆骨及盆骨动脉血管信息与原始CT信息融合通过第二级分割模型获取血管树细分割结果。


4.根据权利要求3所述的一种基于深度学习的盆骨及其动脉血管的多层级分割方法，其特征在于：所述第一级分割模型和第二级分割模型均采用3D-Unet网络作为主体提取3D卷积神经网络，使用第一级分割模型和第二级分割模型对同一CT影像生成多个尺度、不同层级和细节的分割结果集，所述分割结果集形成对同一幅CT影像的不同尺度的多层级3D卷积神经网络结构表达。


5.根据权利要求4所述的一种基于深度学习的盆骨及其动脉血管的多层级分割方法，其特征在于：还包括重组再校准模块和空间自适应压缩激活模块，所述重组再校准模块和空间自适应压缩激活模块先获取局部信息，再利用空洞卷积获取更大的感受野。


6.根据权利要求5所述的一种基于深度学习的盆骨及其动脉血管的多层级分割方法，其特征在于：所述第二级分割模型输入通过距离转换算法利用金标准血管标签计算得到的尺度标签，定义集合,，则距离转换算法的计算公式如下：



其中，对于标签为血管的体素，距离转换值是该体素到血管表面体素的最小欧式距离，表示某个体素相邻的6个体素，集合是血管表面体素的集合，表示体素的标签;表示某个体素，表示血管表面的某个体素;表示体素的标签，V表...

【专利技术属性】
技术研发人员：章毅，王自强，王晗，黄昊，张海仙，魏明天，王璟玲，邓祥兵，陈帅华，崔俊杰，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川;51