一种基于深度卷积神经网络的胰腺分割方法及系统技术方案

本公开提供了一种基于深度卷积神经网络的胰腺分割方法，包括：获取患者胰腺处的计算机断层扫描图像；将计算机断层扫描图像进行预处理后输入至训练好的深度卷积神经网络模型中，训练好的深度卷积神经网络模型进行自动分割并获取初步胰腺分割结果；采用距离正则化水平集对初步胰腺分割结果进行隐式轮廓模拟，通过优化算法确定最终胰腺边界，进行降噪和归一化处理后得到最终胰腺分割结果；将感兴趣区域送入三种神经网络中进行初步分割，将二维胰腺图像进行数据增强获得足够的训练和验证数据，得到胰腺区域的初步分割结果，使得胰腺的分割边界清晰且平滑，能够简便地将解剖学的先验知识添加到分割模型中。

【技术实现步骤摘要】
一种基于深度卷积神经网络的胰腺分割方法及系统
本公开涉及医学图像处理领域，尤其涉及一种基于深度卷积神经网络的胰腺分割方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成现有技术。胰腺是位于腹腔深处的一个腺体器官，它在消化和葡萄糖代谢中都起着中心作用。胰腺疾病可分成外分泌性胰腺疾病和内分泌性胰腺疾病。据估计，仅在美国每年就有约4万例胰腺癌患者死亡和5万例新发病例。胰腺癌病人的愈后结果也令人沮丧——5年生存率不足5％。在医学图像中，胰腺的自动分割是许多医疗应用的前提，例如糖尿病筛查、胰腺癌确诊和手术规划等。但是，实现胰腺自动分割的高精度是一项艰巨的任务。对病人来说，胰腺的形状，大小和在腹部的位置可能因患者而异。胰腺周围的内脏脂肪组织可导致CT边界的对比度变化大，以上这些因素使胰腺的准确而稳固的分割具有挑战性。为了解决胰腺分割中的挑战，研究者们在过去的几十年里开发了几种分割算法，这些算法主要采用具有手动特征的统计形状建模，水平集，多图集和图形模型。使用腹部CT进行胰腺分割的早期工作大多是基于统计形状模型或多图集技术。近几年主流的器官分割框架之一是多图谱与标签融合(Multi-atlasandLabelFusion，简称MALF)，其依据是“一人一病”评估协议，它可以通过转移来自图集图像的组合标签来分割目标图像。但是这些具有手动特征的方法在处理类似胰腺外观和形状存在巨大差异的这种器官时，它们的表现能力可能有限。最近几年，深度学习领域，特别是卷积神经网络(ConvolutionalNeuralNetwork，简称CNN)正在蓬勃向前发展，为图像分割这一领域带来了长足的进步。许多传统方法，例如基于图割的分割方法或基于手工局部特征的方法，已被深度分割网络所取代，这些网络通常会产生更高的分割精度。与MALF方法相比，基于深度学习的分割算法不需要图像配准。一些专业的研究人员提出可以利用神经网络进行胰腺等医学图像的智能分割。虽然深度卷积神经网络(DeepConvolutionalNeuralNetwork，简称DCNN)可以用来高效分割胰腺等医学图像，并取得很好的分割效果，但仍需要解决以下问题：1)胰腺的分割边界粗糙或不够平滑；2)难以将解剖学的先验知识添加到分割模型中。
技术实现思路
为了解决上述问题，本公开提出了一种基于深度卷积神经网络的胰腺分割方法及系统。第一方面，本公开提供了一种基于深度卷积神经网络的胰腺分割方法，包括：获取患者胰腺处的计算机断层扫描图像；将计算机断层扫描图像进行预处理后输入至训练好的深度卷积神经网络模型中，训练好的深度卷积神经网络模型进行自动分割并获取初步胰腺分割结果；采用距离正则化水平集对初步胰腺分割结果进行隐式轮廓模拟，通过优化算法确定最终胰腺边界，进行降噪和归一化处理后得到最终胰腺分割结果。第二方面，本公开提供了一种基于深度卷积神经网络的胰腺分割系统，包括：数据获取模块，用于获取患者胰腺处的计算机断层扫描图像；数据处理模块，用于将计算机断层扫描图像进行预处理后输入至训练好的深度卷积神经网络模型中，训练好的深度卷积神经网络模型进行自动分割并获取初步胰腺分割结果；数据优化处理模块，用于采用距离正则化水平集对初步胰腺分割结果进行隐式轮廓模拟，通过优化算法确定最终胰腺边界，进行降噪和归一化处理后得到最终胰腺分割结果。第三方面，本公开提供了一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时，完成如第一方面所述的基于深度卷积神经网络的胰腺分割方法。第四方面，本公开提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如第一方面所述的基于深度卷积神经网络的胰腺分割方法。与现有技术对比，本公开具备以下有益效果：1、本公开将计算机断层扫描图像进行预处理后输入至训练好的深度卷积神经网络模型中，训练好的深度卷积神经网络模型进行自动分割并获取初步胰腺分割结果，采用距离正则化水平集对初步胰腺分割结果进行隐式轮廓模拟，通过优化算法确定最终胰腺边界，进行降噪和归一化处理后得到最终胰腺分割结果，将感兴趣区域送入三种神经网络中进行初步分割，将二维胰腺图像进行数据增强获得足够的训练和验证数据，得到胰腺区域的初步分割结果，使得胰腺的分割边界清晰且平滑，能够简便地将解剖学的先验知识添加到分割模型中。2、本公开利用水平集算法进行优化处理，将三种网络模型得到的初步分割结果进行取交集，得到公共的分割部分，再利用水平集算法对此结果进行优化处理，得到最终的分割结果，这使得最后的结果更加精确，其中基于边缘的水平集方法的性能很大程度上依赖于一个前提条件，即围绕感兴趣的对象存在清晰和可区分的边界。但是，CT图像上的胰腺往往有非常模糊的边界，这可能会严重损害水平集的性能。为了解决这一问题，本专利技术重新定义了一个边缘指标g。给定DCNN衍生的胰腺分割，本专利技术获得了胰腺内CT图像强度的统计数据，然后使用最大和最小百分比以减少嘈杂的分割。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1为本公开的一种基于深度卷积神经网络的胰腺分割方法的流程图；图2是建立基于深度卷积神经网络和水平集的胰腺分割算法的步骤流程图；图3是建立基于深度卷积神经网络的胰腺分割算法流程图；图4是三种神经网络中的HED网络结构示意图；图5是三种神经网络的SegNet网络结构示意图；图6是三种神经网络的改进的U-Net网络结构示意图；图7是利用本公开对胰腺进行分割的结果图。具体实施方式下面结合附图与实施例对本公开作进一步说明。应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。属于解释：CT(ComputedTomography)，即电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描。实施例1如图1所示，一种基于深度卷积神经网络的胰腺分割方法，包括：获取患者胰腺处的计算机断层扫描图像；将计算机断层扫描图像进行预处理后输入至训练好的深度卷积神经网络模型中，训练好的深度卷积神经网络模型进行自动分割并获取初步胰腺分割结果本文档来自技高网...

【技术保护点】
1.一种基于神经网络的胰腺分割方法，其特征在于，包括：/n获取患者胰腺处的计算机断层扫描图像；/n将计算机断层扫描图像进行预处理后输入至训练好的深度卷积神经网络模型中，训练好的深度卷积神经网络模型进行自动分割并获取初步胰腺分割结果；/n采用距离正则化水平集对初步胰腺分割结果进行隐式轮廓模拟，通过优化算法确定最终胰腺边界，进行降噪和归一化处理后得到最终胰腺分割结果。/n

【技术特征摘要】
1.一种基于神经网络的胰腺分割方法，其特征在于，包括：
获取患者胰腺处的计算机断层扫描图像；
将计算机断层扫描图像进行预处理后输入至训练好的深度卷积神经网络模型中，训练好的深度卷积神经网络模型进行自动分割并获取初步胰腺分割结果；
采用距离正则化水平集对初步胰腺分割结果进行隐式轮廓模拟，通过优化算法确定最终胰腺边界，进行降噪和归一化处理后得到最终胰腺分割结果。


2.如权利要求1所述的基于深度卷积神经网络的胰腺分割方法，其特征在于，所述得到最终胰腺分割结果的具体步骤包括：
用一个欧氏符号距离函数的零水平集形成胰腺的隐式轮廓表示；
使用距离正则化水平集进行模拟，运行优化算法确定最终胰腺边界；
重新定义了一个边缘指标，给定深度卷积神经网络衍生的胰腺分割，获得了胰腺内计算机断层扫描图像强度的统计数据，然后使用最大和最小百分比以减少嘈杂的分割；
通过线性映射来归一化图像强度，输出最终胰腺分割结果。


3.如权利要求2所述的基于深度卷积神经网络的胰腺分割方法，其特征在于，对每个切片的像素强度归一化处理为通过最小-最大归一化将每个切片的像素强度归一化。


4.如权利要求1所述的基于深度卷积神经网络的胰腺分割方法，其特征在于，所述神经网络模型的训练过程包括：
获取历史数据的原始计算机断层扫描图像；
将历史数据的原始计算机断层扫描图像进行预处理获得数据增强后的胰腺图像训练数据；
利用多种神经网络模型对数据增强后的胰腺图像训练数据进行训练和测试，得到训练好的深度卷积神经网络模型。


5.如权利要求4所述的基于深度卷积神经网络的胰腺分割方法，其特征在于，所述多种神经网络具体数量为三种，分别为U-Net网络结构的神经网络模型、SegNet网络结构的神经网络模型、HED网络结构的神经网络模型。


6.如权利要求5所述的基于深度卷积神...

【专利技术属性】
技术研发人员：王晶晶，张立人，高军，
申请(专利权)人：山东澳望德信息科技有限责任公司，
类型：发明
国别省市：山东;37