一种基于深度学习的肺裂自动检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的肺裂自动检测方法及装置。本发明专利技术首先利用肺裂在二维CT图像中表现为细的曲线结构、在三维CT图像中表现为薄的曲面结构的特性，使用增强滤波对肺裂进行增强，计算每个体素的肺裂概率。但是，肺裂增强会在病理性肺导致的一些类似裂隙结构上产生虚假响应，使得肺裂提取的结果准确性过于依赖提取条件的参数设置。为此，本发明专利技术进一步利用深度学习的方法，输入严格肺裂提取条件下的不完整的肺裂，经过深度学习网络重建后得到准确且完整的最优肺裂，从而实现即便在病理性肺中仍能有效且鲁棒地完成肺裂检测。性肺中仍能有效且鲁棒地完成肺裂检测。性肺中仍能有效且鲁棒地完成肺裂检测。

【技术实现步骤摘要】
一种基于深度学习的肺裂自动检测方法及装置


[0001]本专利技术涉及医学影像领域，具体地公开了一种基于深度学习的肺裂自动检测方法及装置。

技术介绍

[0002]肺裂是人体肺部解剖结构的重要标记，包括右斜裂、右水平裂和左斜裂，在物理上将肺分成5个肺叶。右肺被右斜裂和右水平裂分为上、中、下三个肺叶，左肺被左斜裂分成上下两个肺叶。肺裂的这种解剖特性决定了肺裂检测在肺叶分割算法中的重要地位，使得其在定位和评估肺部疾病方面具有非常重要的作用。
[0003]目前，肺部诊断的常用手段是电子计算机断层扫描（CT，Computed tomography）成像，具有较高的分辨率。肺裂在二维CT图像中表现为细的曲线结构，在三维CT图像中表现为薄的曲面结构。因此，传统的肺裂检测算法主要利用其在二维CT图像中的线性特性或在三维CT图像中的曲面特性来进行增强和检测。其中，Wang等提出了利用Ridgeness算子来增强二维CT图像的肺裂，用曲线生长算法提取肺裂的方法。Wiemker等提出了利用Hessian矩阵来增强三维CT图像中的肺裂，用连通域分析算法提取肺裂的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的肺裂自动检测方法，其特征在于，包括：提取出肺部图像的不完整肺裂fissure
in
，所述不完整肺裂fissure
in
是从所述肺部图像滤除虚假响应的结构和/或病理导致的类似裂隙结构后获得的；将不完整肺裂fissure
in
输入至一深度学习网络，生成完整的最优肺裂；其中，所述深度学习网络以采集的肺部图像在虚假响应的结构和/或病理导致的类似裂隙结构后提取出的不完整肺裂fissure
in
为输入，预测的完整肺裂为输出，以采集的肺部图像对应的完整肺裂fissure
opt
作为标签，通过最小化输出与标签的损失函数训练获得。2.根据权利要求1所述的方法，其特征在于，所述提取出肺部图像的不完整肺裂fissure
in
具体为：对输入的肺部图像，以肺裂可能性、肺裂连续性和肺裂灰度值中的一个或多个作为约束参数，以滤除虚假响应的结构和/或病理导致的类似裂隙结构为目标设定约束参数范围，筛选出满足约束参数范围的体素，提取获得不完整肺裂fissure
in
。3.根据权利要求1所述的方法，其特征在于，所述标签通过如下方法获得：对每个采集的肺部图像，以肺裂可能性、肺裂连续性和肺裂灰度值中的一个或多个作为约束参数，设定多个约束参数范围，生成对应的多个不同的肺裂提取结果，依据所述肺裂提取结果中的肺裂准确度和/或肺裂完整度，从生成的肺裂提取结果中挑选出最优的肺裂提取结果作为标签。4.权利要求2或3所述的方法，其...

【专利技术属性】
技术研发人员：韩璐，朱闻韬，饶璠，
申请(专利权)人：之江实验室，
类型：发明
国别省市：