一种基于MR和CT的多模态肝脏肿瘤分割方法技术

本发明专利技术公开了一种基于MR和CT的多模态肝脏肿瘤分割方法，首先获取原始腹部MR影像序列和原始腹部CT影像序列，并对原始腹部MR影像序列和原始腹部CT影像序列进行预处理操作得到多模态影像序列，然后构建卷积神经网络模型以及数据集，利用数据集中的训练集对卷积神经网络模型进行训练得到训练完成的卷积神经网络模型，最后将测试集输入到训练完成的神经网络模型中，得到包括了肝脏及肝脏肿瘤的分割结果。本申请使用多模态图像来做肝脏和肝脏肿瘤分割，融合了多模态信息，提高了最终分割结果精度，同时开展肝脏和肝脏肿瘤分割任务，消除了肝脏分割结果与肿瘤分割结果相互耦合的关系。

【技术实现步骤摘要】
一种基于MR和CT的多模态肝脏肿瘤分割方法
本专利技术属于医学图像处理领域，具体涉及一种基于MR和CT的多模态肝脏肿瘤分割方法。
技术介绍
近年来，医学成像技术得到了快速发展，已经作为一种重要的常规检查手段，在临床检查、诊断、手术方案规划中发挥着重要作用。如利用X光原理的X光成像和计算机断层扫描技术(CT)、利用超声反射原理的超声成像(US)和利用核磁共振技术的磁共振成像(MRI)等医学成像技术给临床医生提供了更丰富、更准确的有关病灶的组织、结构和病例方面的信息。但是，大多数医生在临床诊断时大多采用人工手动的方式，存在信息量大、诊断过程繁琐和效率低等缺陷，因此基于医学图像的计算机处理分析一直是国内外研究的热点。在进行肝脏外科手术时，由于肝脏内的解剖结构复杂，使得肝脏手术存在手术方案复杂、难度高、风险大等问题。尤其肝脏肿瘤手术治疗领域，需要切除整个包含肝脏肿瘤的部分，这需要医生能够从患者前期的医学影像资料的基础上，精确的定位肝脏与肿瘤的位置。并根据其特点制定手术方案。目前的医学图像分割方法多属于半自动分割方法，比如主动轮廓法就需要手动在肝脏肿瘤边缘预先确定一部分轮廓点，形成一个初始轮廓，算法才会去主动拟合这个肿瘤的边界，这非常依赖操作医生的主观经验和知识，而且实际分割效果也并不理想。另外，传统的机器学习分割方法需要手动设计和选择肝脏肿瘤的特征，这需要非常专业的数学及病理学相关知识，也为开发模型带来了挑战。值得一提的是，为提高肿瘤的分割精度，业界选择先分割出肝脏的轮廓。在此基础上对肿瘤进行分割，因此肿瘤的分割精度会严重受到肝脏分割精度的影响；并且传统的医学图像分割方法图像的来源为单一的MRI或者CT模态，分割的结果精度可能不高。
技术实现思路
为了解决现有技术的上述问题，本专利技术提供一种基于MR和CT的多模态肝脏肿瘤分割方法，实现了对MRI和CT的多模态信息融合，并且同时进行肝脏与肝脏肿瘤分割，提升了结果的精度，本专利技术的技术方案如下：一种基于MR和CT的多模态肝脏肿瘤分割方法，其特征在于，所述方法包括：S1、获取原始腹部MR影像序列和原始腹部CT影像序列，并对所述原始腹部MR影像序列和原始腹部CT影像序列进行预处理操作得到多模态影像序列；所述预处理操作包括对所述原始腹部MR影像序列进行偏置场校正得到第一MR影像序列，对所述原始腹部CT影像序列进行对比度调整得到第一CT影像序列；将所述第一MR影像序列和所述第一CT影像序列进行重采样和配准并进行通道连接得到多模态影像序列；S2、构建卷积神经网络模型以及数据集，利用所述数据集中的训练集对所述卷积神经网络模型进行训练得到训练完成的卷积神经网络模型；其中，所述卷积神经网络为3DU-Net网络结构包括包括编码部分和解码部分，所述解码部分包括了第一卷积分支和第二卷积分支，所述第一卷积分支用于还原肝脏轮廓，所述第二卷积分支用于还原肝脏肿瘤轮廓；构建数据集具体包括：将预处理后的所述多模态影像序列进行人工标注，并进行随机裁剪得到多模态影像序列图像块集，所述多模态影像序列数据块集包括训练集和测试集；S3、将所述测试集输入到训练完成的神经网络模型中，得到肝脏分割结果及肝脏肿瘤分割结果。进一步地，所述对原始腹部MR影像序列进行偏置场校正得到第一MR影像序列，包括采用非参数非均匀强度归一化算法来对原始腹部MR影像序列进行偏置场校正。进一步地，所述对原始腹部CT影像序列进行对比度调整得到第一CT影像序列，包括对原始腹部CT影像序列图像中的像素值进行截断。进一步地，将所述第一MR影像序列和所述第一CT影像序列进行重采样包括：通过双线性函数将所述第一MR影像序列和所述第一CT影像序列重采样到[1,1,1]，其中所述双线性函数具体为：其中，(x,y)为重采样后的图像坐标，(x1,y1)，(x2,y2)为重采样前的图像坐标，f(Q11)，f(Q12)，f(Q21)，f(Q22)为重采样前图像坐标系中左上角，右上角，左下角，右下角的图像像素值。进一步地，所述将预处理后的所述多模态影像序列进行人工标注，并进行随机裁剪得到多模态影像序列图像块集，包括：在人工标注后的多模态影响序列中随机选取一个中心点，然后以这个中心点为中心，剪裁出大小相同的图像块集合。本专利技术的有益效果在于：(1)使用多模态图像来做肝脏和肝脏肿瘤分割，融合了多模态信息，提高了最终分割结果精度；(2)同时开展肝脏和肝脏肿瘤分割任务，消除了肝脏分割结果与肿瘤分割相互耦合的关系。附图说明图1是本专利技术基于深度学习的胆管图像分割方法流程示意图；图2是本专利技术3D卷积神经网络模型结构图。具体实施方式下面结合附图和实施例，对本专利技术技术方案作进一步描述：本实施例中提供了一种基于MR和CT的多模态肝脏肿瘤分割方法，该方法包括：步骤1、获取原始腹部MR影像序列和原始腹部CT影像序列，并对原始腹部MR影像序列和原始腹部CT影像序列进行预处理操作得到多模态影像序列。在本申请实施例中，预处理操作包括：对原始腹部MR影像序列进行偏置场校正得到第一MR影像序列，由于在腹部MRI影像序列成像时，磁共振磁场存在不均匀性，磁场的不均匀性是无法避免的磁场效应，它会导致在同一组织内的图像度范围不均匀，为提高后续结果的精度，所以需要对原始的腹部MRI影像序列图像做偏置场校正，本申请实施例采用了非参数非均匀强度归一化(N4)算法来偏置场校正。同时，对原始腹部CT影像序列进行对比度调整得到第一CT影像序列，具体的在本实施例中对所有腹部CT影像序列进行对比度调整，调整方法为原始腹部CT影像序列的像素值进行截断，目标截断范围为[-150,250]。即，将像素值大于250的像素赋值为250，将像素值小于-150的像素赋值为-15。同时为防止神经网络训练过程中出现梯度爆炸的问题，我们将图像像素值归一化到0到1，归一化公式如公式(1)：其中x为原始像素值，x'为归一化后的像素值，min为最小的图像像素最小值，max为最大的图像像素最小值。最后将第一MR影像序列和第一CT影像序列进行重采样和配准并进行通道连接得到多模态影像序列。在本申请实施例中，由于腹部MRI影像序列与CT影像来源于不同的扫描仪，所以同一病人的不同影像序列的空间分辨率不同，所以需要将不同模态的图像重采样到同一分辨率上，为了后续图像处理的方便，本专利技术选择将腹部MRI影像序列与CT影像重采样到[1,1,1]，满足图像的各向同性，其中采用双线性函数作为采样函数，即：其中，(x,y)为重采样后的图像坐标，(x1,y1)，(x2,y2)为重采样前的图像坐标，f(Q11)，f(Q12)，f(Q21)，f(Q22)为重采样前图像坐标系中左上角，右上角，左下角，右下角的图像像素值。由于腹部MRI影像序列与CT影像来源于不同的扫描仪，两种影像在空间上的对应点不一致，这会对后续的图像分割算法带来混淆，所以需要对本文档来自技高网...

【技术保护点】
1.一种基于MR和CT的多模态肝脏肿瘤分割方法，其特征在于，所述方法包括：/nS1、获取原始腹部MR影像序列和原始腹部CT影像序列，并对所述原始腹部MR影像序列和原始腹部CT影像序列进行预处理操作得到多模态影像序列；/n所述预处理操作包括对所述原始腹部MR影像序列进行偏置场校正得到第一MR影像序列，对所述原始腹部CT影像序列进行对比度调整得到第一CT影像序列；将所述第一MR影像序列和所述第一CT影像序列进行重采样和配准并进行通道连接得到多模态影像序列；/nS2、构建卷积神经网络模型以及数据集，利用所述数据集中的训练集对所述卷积神经网络模型进行训练得到训练完成的卷积神经网络模型；/n其中，所述卷积神经网络为3D U-Net网络结构包括包括编码部分和解码部分，所述解码部分包括了第一卷积分支和第二卷积分支，所述第一卷积分支用于还原肝脏轮廓，所述第二卷积分支用于还原肝脏肿瘤轮廓；/n构建数据集具体包括：将预处理后的所述多模态影像序列进行人工标注，并进行随机裁剪得到多模态影像序列图像块集，所述多模态影像序列数据块集包括训练集和测试集；/nS3、将所述测试集输入到训练完成的神经网络模型中，得到肝脏分割结果及肝脏肿瘤分割结果。/n...

【技术特征摘要】
1.一种基于MR和CT的多模态肝脏肿瘤分割方法，其特征在于，所述方法包括：
S1、获取原始腹部MR影像序列和原始腹部CT影像序列，并对所述原始腹部MR影像序列和原始腹部CT影像序列进行预处理操作得到多模态影像序列；
所述预处理操作包括对所述原始腹部MR影像序列进行偏置场校正得到第一MR影像序列，对所述原始腹部CT影像序列进行对比度调整得到第一CT影像序列；将所述第一MR影像序列和所述第一CT影像序列进行重采样和配准并进行通道连接得到多模态影像序列；
S2、构建卷积神经网络模型以及数据集，利用所述数据集中的训练集对所述卷积神经网络模型进行训练得到训练完成的卷积神经网络模型；
其中，所述卷积神经网络为3DU-Net网络结构包括包括编码部分和解码部分，所述解码部分包括了第一卷积分支和第二卷积分支，所述第一卷积分支用于还原肝脏轮廓，所述第二卷积分支用于还原肝脏肿瘤轮廓；
构建数据集具体包括：将预处理后的所述多模态影像序列进行人工标注，并进行随机裁剪得到多模态影像序列图像块集，所述多模态影像序列数据块集包括训练集和测试集；
S3、将所述测试集输入到训练完成的神经网络模型中，得到肝脏分割结果及肝脏肿瘤分割结果。


2.根据权...

【专利技术属性】
技术研发人员：王博，赵威，申建虎，张伟，徐正清，
申请(专利权)人：西安智诊智能科技有限公司，
类型：发明
国别省市：陕西;61