一种基于神经网络的计算机辅助肺气道分割方法技术

本发明专利技术公开一种基于神经网络的计算机辅助肺气道分割方法，包括以下步骤：步骤s1：数据准备：预先准备若干病人的肺部CT图像并标定其中的待分割肺气道；步骤s2：数据预处理：对肺部CT图像中的肺部区域进行分割，得到输入数据；步骤s3：建构三维多尺度特征聚合网络并训练三维多尺度特征聚合网络；步骤s4：将所述输入数据输入经历步骤s3后的三维多尺度特征聚合网络，得到输出结果；步骤s5：对输出结果进行后处理，得到肺气道分割结果。本发明专利技术通过一种三维多尺度特征聚合的深度神经网络准确、高效地完成对肺气道的分割，尤其能获取更为准确的叶内气道分割结果，同时本发明专利技术实施过程可实现无人值守批量操作。值守批量操作。值守批量操作。

【技术实现步骤摘要】
一种基于神经网络的计算机辅助肺气道分割方法


[0001]本专利技术涉及计算机图像数据处理
，尤其涉及一种基于神经网络的计算机辅助肺气道分割方法。

技术介绍

[0002]肺部CT图像中的肺气道的分割结果在临床上具有重大的应用价值。首先，精确的分割结果可用于评估气道树结构和功能，基于分割结果的树状几何信息可用于帮助医师评估病理状况。例如，气道中特定水平的气道管腔尺寸显著减小可能表明可能的狭窄，并且气道的异常扩张代表支气管扩张。其次，气道的分割结果还有助于其他肺部解剖分割任务，比如肺段分割。对于肺部异常组织的切除手术而言，因为胸部的病理异常可能仅限于一个或几个段，所以肺段的分割可以精确地指导手术计划，并且更精确的切除术有望改善肺部疾病患者术后康复情况和五年生存率。然而，肺段是根据其支气管供应来定义的，并且在这些段之间在CT中通常没有可见的物理边界，这使得肺段的分割高度依赖于气道的分割结果。
[0003]肺气道是一个由多级子结构组成的复杂树状结构，包括气管、主支气管、叶支气管、段支气管、亚段支气管、细支气管等更细小的结构。
[0004]肺气道的分割在最近二十年获得了广泛研究。临床医学中采用的肺气道分割算法可分为传统图像处理方法和基于神经网络的方法。传统方法包括利用基于图像学或解剖学先验知识增强肺气管引导分割流程，并且需要大量的人工标注进一步细化。而随着近年来深度神经网络的发展，更多的研究开始将深度神经网络方法应用到肺气道的分割中。与传统方法不同，深度神经网络不需要手动提取特征，而是直接从数据中学习特征，这使得基于深度神经网路的方法更加具有鲁棒性。Charbonnier等人提出多视图卷积网络ConvNet来对候选分支进行分类，判断其是气道还是泄露区域。候选分支由沿气道中心线以固定间隔提取的三个2D切块组成。Yun等人使用2.5D卷积神经网络采用对切块进行分类的方式进行气道分割，切块由采样点处的三个正交方向上的三个切片组成。使用迭代的方式不断延伸气道树长度。Meng等人结合3D U
‑
Net和基于图像的跟踪算法，先使用区域生长算法得到较粗糙的气道，再沿着粗糙气道的中心线设置VOI用3D U
‑
Net提取更为精确的气道分割结果。Jin通过对3D ConvNet得到的粗糙的分割结果应用模糊连通性分割和曲线骨架来进行提升。Qin提出了一种26连通性建模的方法来对标签进行编码。他们将常规的二值化的分割任务转换为26个连通性预测任务，其中相邻体素之间的关系用于增强网络对连通性的认识。
[0005]现有方法大都能在气管和主支气管这些尺寸较大、成像效果更明显的子结构上取得很好的分割效果，而对于更进一步的叶内支气管的分割效果较差，但这对于辅助进一步的肺段分割十分重要。

技术实现思路

[0006]本专利技术旨在提供一种三维多尺度特征聚合的深度神经网络用于准确高效地对肺气道进行分割，尤其提升叶内支气管的分割效果。
[0007]为达到上述目的，本专利技术是采用以下技术方案实现的：
[0008]一种基于神经网络的计算机辅助肺气道分割方法，包括以下步骤：
[0009]步骤s1：数据准备：预先准备若干病人的肺部CT图像并标定其中的待分割肺气道；
[0010]步骤s2：数据预处理：对肺部CT图像中的肺部区域进行分割，得到输入数据；
[0011]步骤s3：建构三维多尺度特征聚合网络并训练三维多尺度特征聚合网络：所述三维多尺度特征聚合网络包括三维全卷积神经网络以及多尺度特征聚合模块，三维多尺度特征聚合网络以U
‑
Net网络作为基础框架，三维多尺度特征聚合网络呈U型结构且采用跨层连接方式；所述训练所采用训练数据为采集的数据和步骤s1所得到的标定后的肺部CT图像；
[0012]步骤s4：将所述输入数据输入经历步骤s3后的三维多尺度特征聚合网络，得到输出结果；
[0013]步骤s5：对输出结果进行后处理，得到肺气道分割结果。
[0014]优选的，在步骤s1中，所述标定包括以下步骤：
[0015]步骤s101：使用区域增长算法和简单阈值算法获得粗略肺气道分割结果；
[0016]步骤s102：将所述肺部CT图像分为两个子集，每个子集均由3D U
‑
Net训练一个基础模型并对另一个子集进行预测，得到预测结果；
[0017]步骤s103：人工修正所述预测结果得到肺气道分割的参考标准。
[0018]优选的，在步骤s2中，所述分割包括以下步骤：
[0019]步骤s201：以肺部为中心裁剪标定后的肺部CT图像，中心裁剪的边界框固定为240*352像素；
[0020]步骤s202：使用给定的阈值对CT图像进行二值化处理，然后通过清除边界、腐蚀及膨胀完整地分割出肺部的有效区域；
[0021]步骤s203：在肺部CT图像的轴向上使用滑动窗口进行裁剪且大小为32，得到32*240*352像素的切块，以此作为所述输入数据。
[0022]优选的，在步骤s2中，将HU值在
‑
1200～200范围内的像素值映射到0～1的范围，低于
‑
1200的像素将被置为0，高于
‑
200的像素将被置为1。
[0023]优选的，所述三维全卷积神经网络由一个降采样的收缩路径和一个上采用的扩展路径组成，分别有四个分辨率尺度；在每个分辨率上的卷积操作包括两个带组归一化层的卷积层、一个线性整流单元以及一个最大池化层；在所述扩展路径中，来自低分辨率的更精细的特征图使用线上采样，并与跳层连接中的粗糙特征进行合并。
[0024]优选的，所述多尺度特征聚合模块由普通三维卷积、三维空洞卷积以及平均池化层组成，所述三维空洞卷积可用下式表示：
[0025][0026]其中，P，Q，M表示卷积核的三个维度，C表示通道；表示第l+1层坐标为(i，j，k)的神经元的输入，由权重矩阵为w
l
的卷积操作和前一层的输出a
l
计算得到；a
l
通过对前一层的输出z
l
‑1应用非线性激活函数得到；r表示空洞卷积中的膨胀率，等价于在卷积核的两个
相邻元素之间插入r
‑
1个零元素；当膨胀率r＝1的时候，三维空洞卷积等价于普通三维卷积。
[0027]优选的，在步骤s4中，使用了基于Dice相似性系数的损失函数建立前景与背景之间的平衡，所述损失函数用下式表示：
[0028][0029]其中，p
i
和g
i
分别是第i个体素的预测概率和期望的输出，N表示体素总数，∈表示一个用于避免除数为零的常量。
[0030]优选的，在步骤s4中，采用Adam优化器对所述三维全卷积神经网络进行优化，设置三维全卷积神经网络的学习率为0.001，设置超参数β1和β2的默认值分别为0.9和0.999，设置权重衰减率为10
‑5。
[0031本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的计算机辅助肺气道分割方法，其特征在于，包括以下步骤：步骤s1：数据准备：预先准备若干病人的肺部CT图像并标定其中的待分割肺气道；步骤s2：数据预处理：对肺部CT图像中的肺部区域进行分割，得到输入数据；步骤s3：建构三维多尺度特征聚合网络并训练三维多尺度特征聚合网络：所述三维多尺度特征聚合网络包括三维全卷积神经网络以及多尺度特征聚合模块，三维多尺度特征聚合网络以U
‑
Net网络作为基础框架，三维多尺度特征聚合网络呈U型结构且采用跨层连接方式；所述训练所采用训练数据为所述肺部CT图像和步骤s1所得到的标定后的肺部CT图像；步骤s4：将所述输入数据输入经历步骤s3后的三维多尺度特征聚合网络，得到输出结果；步骤s5：对输出结果进行后处理，得到肺气道分割结果。2.根据权利要求1所述的一种基于神经网络的计算机辅助肺气道分割方法，其特征在于：在步骤s1中，所述标定包括以下步骤：步骤s101：使用区域增长算法和简单阈值算法获得粗略肺气道分割结果；步骤s102：将所述肺部CT图像分为两个子集，每个子集均由3DU
‑
Net训练一个基础模型并对另一个子集进行预测，得到预测结果；步骤s103：人工修正所述预测结果得到肺气道分割的参考标准。3.根据权利要求1所述的一种基于神经网络的计算机辅助肺气道分割方法，其特征在于：在步骤s2中，所述分割包括以下步骤：步骤s201：以肺部为中心裁剪标定后的肺部CT图像，中心裁剪的边界框固定为240*352像素；步骤s202：使用给定的阈值对CT图像进行二值化处理，然后通过清除边界、腐蚀及膨胀完整地分割出肺部的有效区域；步骤s203：在肺部CT图像的轴向上使用滑动窗口进行裁剪且大小为32，得到32*240*352像素的切块，以此作为所述输入数据。4.根据权利要求1所述的一种基于神经网络的计算机辅助肺气道分割方法，其特征在于：在步骤s2中，将HU值在
‑
1200～200范围内的像素值映射到0～1的范围，低于
‑
1200的像素将被置为0，高于
‑
200的像素将被置为1。5.根据权利要求1所述的一种基于神经网络的计算机辅助肺气道分割方法，其特征在于：所述三维全卷积神经网络由一个降采样的收缩路径和一个上采用的扩展路径组成，...

【专利技术属性】
技术研发人员：刘伦旭，章毅，陈楠，郭际香，王子淮，徐修远，刘知浩，周凯，宋佳耕，
申请(专利权)人：四川大学，
类型：发明
国别省市：