肺部CT图像的支气管分割方法及相关系统和存储介质技术方案

本申请提供一种肺部CT图像的支气管分割方法，包括：（a）获取肺部CT图像并进行支气管的标注；（b）对肺部CT图像进行预处理，包括肺实质提取和数据归一化，并计算图像对应的肺边界距离图；（c）将预处理后的图像、体素坐标及其到肺边界距离图输入到3D Unet网络模型进行端到端训练，得到3D Unet训练模型，其中在训练过程中，采用拉普拉斯过滤器来增强图像的边界区域，并计算边界增强损失（L

【技术实现步骤摘要】
肺部CT图像的支气管分割方法及相关系统和存储介质


[0001]本专利技术涉及肺部CT图像的处理，特别是肺部CT图像的支气管分割方法及相关系统，以及相应的计算机存储介质。

技术介绍

[0002]众多肺部疾病包括支气管扩张、慢性阻塞性肺疾病(COPD)和肺癌，对人类健康构成巨大的威胁。标准的计算机断层扫描(CT，computed tomography)成像能帮助放射科医生检测病变。对于气管和支气管外科，在CT扫描上重建气管树模型通常被认为是疾病诊断的先决条件。由于其树状结构以及大小、形状和强度的多样性，手动分割支气管气道非常耗时耗力。
[0003]目前已经有研究学者提出了几种基于CT图像的气道分割方法。Van Rikxoort等人提出了一种自适应阈值的区域生长方法。Xu等人在模糊连通性分割框架内结合了两种管状结构增强技术。Lo等人设计了一种基于学习的方法，对气道外观进行建模，并利用血管方向相似性。在EXACT
’
09的挑战中，Lo等人总结了15种气道提取算法，大多数算法采用区域生长，并附加了管状相似度等约束条件。虽然这些传统的方法成功地分割了大尺寸的支气管，但对周围支气管的分割效果较差。
[0004]最近，卷积神经网络(CNNs, convolutional neural networks)越来越多地被用于分割任务。对于气道提取，基于CNN的方法被开发出来，并被证明优于Lo等人总结的气道提取算法。Charbonnier等人和Yun等人在已经粗分的支气管上分别使用二维(2
‑/>D)和2.5
‑
D CNN，以减少假阳性并增加被检测树的长度。Meng等人将基于CNN的分割嵌入到气道感兴趣体积(VOI)跟踪框架中。金等人对CNN的概率输出进行了基于图模型的优化。Juarez等人设计了一种前后处理简单的端到端CNN模型。
[0005]尽管这些方法对气管分割有初步的效果，但在小支气管的分割上仍然存在泄露和断裂的情况。经过观察发现，这些存在泄露和断裂的气管在CT图像上的直径较小，边缘模糊，与周围组织的对比度较低，这导致气管边界区域的识别困难。最近，基于神经网络的方法已被广泛用于分割任务取得了非常先进的性能。这些模型架构采用卷积编码器和解码器的U形方式 (Unet)，将图像作为直接的输入和输出分割掩码。此外，这些模型使用基于梯度的优化进行端到端的训练，目标是最小化公认的损失函数，例如多类加权交叉熵、DICE损失。虽然这样的损失函数能够处理医学图像分割任务中经常出现的类不平衡问题，但边界问题没有得到很好的解决，因为这些函数平等地对待所有像素/体素。

技术实现思路

[0006]为改善气管边界区域的分割性能，减少气管分割的泄露和断裂，本申请利用体素的坐标及其到肺边界的距离作为额外的语义信息，并在模型训练过程中引入边界增强损失，在训练过程中显式地聚焦于边界区域，以改善深度神经网络的边界分割，从而提供一种肺部CT图像的支气管分割的新方法、系统及相应的计算机可读介质。
[0007]因此，在一个方面，本申请提供一种肺部CT图像的支气管分割方法，所述方法包括：（a）获取肺部CT图像并进行支气管的标注；（b）对肺部CT图像进行预处理，包括肺实质提取和数据归一化，并计算图像对应的肺边界距离图；（c）将预处理后的图像、体素坐标及其到肺边界距离图输入到3D Unet网络模型进行端到端训练，得到3D Unet训练模型，其中在训练过程中，采用拉普拉斯过滤器来增强图像的边界区域，并计算边界增强损失（L
BE
）和Dice损失，所述拉普拉斯过滤器（l）的计算公式为：所述边界增强损失的计算公式为：其中x,y,z是体素坐标，S是二值化的分割掩膜，F(X)是支气管分割结果，Y是支气管分割的金标准；和（d）基于所得到的3D Unet训练模型进行支气管分割。
[0008]在一些实施方式中，在步骤（a）中，对图像进行清洗和/或脱敏。在一些实施方式中，在步骤（c）中，求出边界增强损失（L
BE
）和Dice损失的代数和或加权代数和，以所述代数和或加权代数和更新所述3D Unet网络参数。在一些实施方式中，在步骤（c）中，当3D Unet网络参数连续复数次不下降时即结束训练，得到3D Unet训练模型。
[0009]在另一个方面，本申请提供一种建立肺部CT图像的支气管分割模型的系统，所述系统包括：（a）支气管标注模块，用于获取肺部CT图像并进行支气管的标注；（b）图像预处理模块，用于对肺部CT图像进行预处理，包括肺实质提取和数据归一化，并计算图像对应的肺边界距离图；（c）训练模块，用于将预处理后的图像、体素坐标及其到肺边界距离图输入到3D Unet网络模型进行端到端训练，得到肺部CT图像的支气管分割3D Unet训练模型，其中在训练过程中，采用拉普拉斯过滤器来增强图像的边界区域，并计算边界增强损失（LBE）和Dice损失，所述拉普拉斯过滤器（l）的计算公式为：所述边界增强损失的计算公式为：其中x,y,z是体素坐标，S是二值化的分割掩膜，F(X)是支气管分割结果，Y是支气管分割的金标准。
[0010]在一些实施方式中，所述支气管标注模块对图像进行清洗和/或脱敏。在一些实施方式中，所述训练模块计算边界增强损失（L
BE
）和Dice损失的代数和或加权代数和，以所述代数和或加权代数和更新所述3D Unet网络参数。在一些实施方式中，所述训练模块在3D Unet网络参数连续复数次不下降时即结束训练，得到肺部CT图像的支气管分割3D Unet训练模型。
[0011]在又一个方面，本申请提供一种计算机存储介质，其上存储有计算机可执行指令，所述指令被执行以实现本申请所述的支气管分割方法。
[0012]随着深度学习技术的发展，全卷积网络(fully connected networks，FCNs)为自动医学图像分割开辟了新的可能性。与传统的分割方法相比，FCNs的主要优点是自动、分层地从数据中学习特征，以端到端的方式优化目标函数，在许多分割任务中都获得了很好的性能。U
‑
Net结构在FCN上进行改良，Unet由降采样的特征提取层和与之对称的上采样部分组成，并在降采样层和对应上采样层之间通过多个跳跃式连接，融合特征信息。3D Unet保持初始的编码
‑
解码结构不变，将Unet中的2D卷积核替换成3D卷积核，三维医学影像可以整张输入网络进行训练，而不是以切片的形式，很好地保持了医学影像的空间信息。
[0013]本申请提出的基于3D Unet分割网络的支气管分割模型，与常规的分割模型相比，除了将CT图像作为模型的输入外，本模型还将体素的坐标及其到肺边界的距离作为额外的语义信息，帮助模型有效地提取广泛的上下文信息；此外，为了进一步提高分割性能，本申请引入了一种新的边界增强损失，在训练过程中显式地聚焦于边界区域，以改善深度神经网络的边界分割，减少气管分割的泄露和断裂。本申请的方法相对于常规分割模型能明显提升分割性能，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肺部CT图像的支气管分割方法，包括：（a）获取肺部CT图像并进行支气管的标注；（b）对肺部CT图像进行预处理，包括肺实质提取和数据归一化，并计算图像对应的肺边界距离图；（c）将预处理后的图像、体素坐标及其到肺边界距离图输入到3D Unet网络模型进行端到端训练，得到3D Unet训练模型，其中在训练过程中，采用拉普拉斯过滤器来增强图像的边界区域，并计算边界增强损失（L
BE
）和Dice损失，所述拉普拉斯过滤器（l）的计算公式为：所述边界增强损失的计算公式为：其中x,y,z是体素坐标，S是二值化的分割掩膜，F(X)是支气管分割结果，Y是支气管分割的金标准；（d）基于所得到的3D Unet训练模型进行支气管分割。2.根据权利要求1所述的支气管分割方法，其特征在于，在步骤（c）中，求出边界增强损失（L
BE
）和Dice损失的代数和或加权代数和，以所述代数和或加权代数和更新所述3D Unet网络参数。3.根据权利要求1所述的支气管分割方法，其特征在于，在步骤（a）中，对图像进行清洗和/或脱敏。4.根据权利要求1所述的支气管分割方法，其特征在于，在步骤（e）中，当3D Unet网络参数连续复数次不下降时即结束训练，得到3D Unet训练模型。5.一种建立肺部CT图像的支气管分割模型的系统，包括：（a）支气管标注模块...

【专利技术属性】
技术研发人员：许家璇，梁振宇，王凤燕，唐国燕，陈荣昌，郑劲平，简文华，张冬莹，李洽胜，陈德彦，章强，梁翠霞，吕晓凤，
申请(专利权)人：广州医科大学附属第一医院，
类型：发明
国别省市：