基于深度学习的肺结节半自动分割方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种基于深度学习的肺结节半自动分割方法、装置、设备及介质，通过结合二维和三维的半自动肺结节分割网络，对医学影像进行二维分割和三维分割，基于每层的二维分割结果，以及三维分割结果，确定实际的三维分割结果，通过二维分割网络可以更好的学习全局图像的全局信息，通过三维分割网络可以更好的学习肺结节三维特征，有效解决了单独使用二维分割网络无法很好地利用三维特征，以及单独使用三维分割网络无法很好地利用全局信息，并且结合了用户先验信息，有效解决了在不具备目标大小的先验条件下无法选择很好的裁切方法的问题，并通过多分支联合训练的方式有效地提升分割性能，解决了全自动方法中存在的假阳性问题。题。题。

【技术实现步骤摘要】
基于深度学习的肺结节半自动分割方法、装置、设备及介质


[0001]本专利技术涉及计算机视觉领域及医学图像分析领域，尤其涉及一种基于深度学习的肺结节半自动分割方法、装置、设备及介质。

技术介绍

[0002]肺癌居全球恶性肿瘤发病率和死亡率之首，占所有癌症中的11.6％，每年有超过180万人死于肺癌。不同临床分期的肺癌患者生存率存在显著差异，肺癌的早期精准诊断是降低肺癌死亡率的关键，目前，对肺癌高危人群进行CT筛查已成为全球共识。然而，随着筛查广泛开展，出现一个新的问题—肺结节过度检出(>2mm)，大量性质难定的肺结节被发现。因此，如何制定合理的肺结节诊治策略是国家重大公共卫生问题。肺结节的分割是肺癌分析中的重要任务，肺癌的定量评估、辅助诊断等都需要精确的分割结果。然而，人工分割肺结节需要耗费大量人力，而基于深度学习的肺结节分割算法多采用全自动分割算法，虽然可以减少人为标注的时间和误差。但是，由于CT图像的成像参数、模态不同以及肺结节的位置大小不一，形态模糊等，全自动分割算法通常会导致假阳性问题，即大量正常组织被错误判断为肺结节，给医学诊断带来了极大的难度。

技术实现思路

[0003]基于此，有必要针对上述技术问题，提供一种基于深度学习的肺结节半自动分割方法、装置、计算机设备及存储介质，以解决现有技术中容易出现假阳性，导致大量正常组织被错误判断为肺结节的问题。
[0004]第一方面，提供了一种基于深度学习的肺结节半自动学习方法，包括：
[0005]获取待分割三维肺部医学影像数据，并对所述待分割三维肺部医学影像数据进行预处理和数据增强；
[0006]在所述待分割三维肺部医学影像数据的交互层中获取位置先验信息，并根据所述位置先验信息，生成交互信息图，
[0007]将所述交互层的二维肺部医学影像以及所述交互信息图，输入至预设的交互模型中，以生成二维肺结节分割结果；
[0008]根据所述二维肺结节分割结果，在所述待分割三维肺部医学影像中裁剪出肺结节所在区域的三维医学影像，以作为兴趣区域，将所述兴趣区域输入至预设分割模型中，以生成第一三维肺结节分割结果；
[0009]通过预设的传播模型对所述待分割三维肺部医学影像数据的未分割层进行逐层分割，以获取每层的逐层分割结果，并根据所述每层的逐层分割结果以及所述二维肺结节分割结果，生成第二三维肺结节分割结果；
[0010]根据所述第一三维肺结节分割结果以及所述第二三维肺结节分割结果，确定实际三维肺结节分割结果。
[0011]在一实施例中，所述将所述交互层的二维肺部医学影像以及所述交互信息图，输
入至预设的交互模型中，以生成二维肺结节分割结果之前，包括：
[0012]对所述交互模型的输入层进行重构；
[0013]所述重构的流程具体包括：
[0014]将所述交互层的二维医学影像以及所述交互信息图的图像通道数修改为预设通道数；
[0015]将预训练的输入层权重按照通道方向加和，作为所述交互模型的输入层的第一个图像通道的权重；
[0016]采用高斯分布随机初始化所述交互模型的输入层的第二个图像通道的权重。
[0017]在一实施例中，所述通过预设的传播模型对所述肺部医学影像数据的未分割层进行逐层分割，以获取每层的逐层分割结果，包括：
[0018]将当前正在分割的二维肺部医学影像所在层作为目标层，将已通过所述交互模型或者所述传播模型分割过的二维肺部医学影像所在层作为已分割层
[0019]获取已分割层深度学习特征、肺结节三维特征以及目标层深度学习特征，并输入至所述传播模型；
[0020]通过所述传播模型，以所述交互层的相邻帧作为起点，逐层进行二维肺结节分割，以获取所述每层的逐层分割结果。
[0021]在一实施例中，所述目标层深度学习特征通过如下方式获取，包括：
[0022]通过编码器获取所述目标层的二维肺结节医学影像的第一键值，以及已分割层的二维肺结节医学影像的第二键值；
[0023]通过所述编码器对所述已分割层的二维肺结节医学影像进行处理，以获取已分割层的特征图；
[0024]根据所述第一键值以及所述第二键值，生成相似度矩阵；
[0025]根据所述相似度矩阵以及所述已分割层特征图之间的乘积，获取所述目标层深度学习特征。
[0026]在一实施例中，所述肺结节三维特征通过如下方式获取：
[0027]在所述预设分割模型输出的每个三维深度学习特征图中，分别选取所述目标层对应的二维特征图；
[0028]根据所述兴趣区域尺寸，将所述二维特征图还原至与所述目标层的二维肺部影像尺寸一致的特征图，作为所述肺结节三维特征。
[0029]在一实施例中，所述并根据所述位置先验信息，生成交互信息图，包括：
[0030]当所述位置先验信息为通过点击方式录入时，生成第一交互信息图，在所述第一信息交互图中以点击位置作为中心点生成预设大小的高斯分布热力图，所述第一信息交互图中所述中心点的像素值为1，边界的像素值为0，所述高斯分布热力图之外的区域的像素值为0；
[0031]当所述位置先验信息通过划线方式录入时，生成第二交互信息图，所述第二交互信息图中划线区域像素为1，其余区域像素为0。
[0032]在一实施例中，所述根据所述二维肺结节分割结果，在所述肺部医学影像数据中分割出肺结节所在区域的三维医学影像，包括：
[0033]以所述二维肺结节分割结果的中心点，作为所述兴趣区域的中心点；
[0034]根据所述肺结节的最大直径作为边长，裁剪出所述肺结节所在区域的三维医学影像。
[0035]在一实施例中，所述根据所述第一三维肺结节分割结果以及所述第二三维肺结节分割结果，确定实际肺结节分割结果，包括：
[0036]计算所述第一三维肺结节分割结果以及所述第二三维肺结节分割结果的均值，以确定分割概率；
[0037]将所述分割概率大于预设阈值的区域作为肺结节区域，并输出所述实际三维肺结节分割结果。
[0038]第二方面，提供了一种基于深度学习的肺结节半自动分割装置，包括：
[0039]三维肺部医学影像数据获取单元，用于获取待分割三维肺部医学影像数据，并对所述待分割三维肺部医学影像数据进行预处理和数据增强；
[0040]位置先验信息获取单元，用于在所述待分割三维肺部医学影像数据的交互层中获取位置先验信息，并根据所述位置先验信息，生成交互信息图，
[0041]二维肺结节分割结果生成单元，用于将所述交互层的二维肺部医学影像以及所述交互信息图，输入至预设的交互模型中，以生成二维肺结节分割结果；
[0042]第一三维肺结节分割结果生成单元，用于根据所述二维肺结节分割结果，在所述待分割三维肺部医学影像中裁剪出肺结节所在区域的三维医学影像，以作为兴趣区域，将所述兴趣区域输入至预设分割模型中，以生成第一三维肺结节分割结果；
[0043]第二三维肺结节分割结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习肺结节半自动分割方法，其特征在于，所述方法，包括：获取待分割三维肺部医学影像数据，并对所述待分割三维肺部医学影像数据进行预处理和数据增强；在所述待分割三维肺部医学影像数据的交互层中获取位置先验信息，并根据所述位置先验信息，生成交互信息图，将所述交互层的二维肺部医学影像以及所述交互信息图，输入至预设的交互模型中，以生成二维肺结节分割结果；根据所述二维肺结节分割结果，在所述待分割三维肺部医学影像中裁剪出肺结节所在区域的三维医学影像，以作为兴趣区域，将所述兴趣区域输入至预设分割模型中，以生成第一三维肺结节分割结果；通过预设的传播模型对所述待分割三维肺部医学影像数据的未分割层进行逐层分割，以获取每层的逐层分割结果，并根据所述每层的逐层分割结果以及所述二维肺结节分割结果，生成第二三维肺结节分割结果；根据所述第一三维肺结节分割结果以及所述第二三维肺结节分割结果，确定实际三维肺结节分割结果。2.如权利要求1所述的基于深度学习的肺结节半自动分割方法，其特征在于，所述将所述交互层的二维肺部医学影像以及所述交互信息图，输入至预设的交互模型中，以生成二维肺结节分割结果之前，包括：对所述交互模型的输入层进行重构；所述重构的流程具体包括：将所述交互层的二维医学影像以及所述交互信息图的图像通道数修改为预设通道数；将预训练的输入层权重按照通道方向加和，作为所述交互模型的输入层的第一个图像通道的权重；采用高斯分布随机初始化所述交互模型的输入层的第二个图像通道的权重。3.如权利要求1所述的基于深度学习肺结节半自动分割方法，其特征在于，所述通过预设的传播模型对所述肺部医学影像数据的未分割层进行逐层分割，以获取每层的逐层分割结果，包括：将当前正在分割的二维肺部医学影像所在层作为目标层，将已通过所述交互模型或者所述传播模型分割过的二维肺部医学影像所在层作为已分割层；获取已分割层深度学习特征、肺结节三维特征以及目标层深度学习特征，并输入至所述传播模型；通过所述传播模型，以所述交互层的相邻帧作为起点，逐层进行二维肺结节分割，以获取所述每层的逐层分割结果。4.如权利要求3所述的基于深度学习肺结节半自动分割方法，其特征在于，所述目标层深度学习特征通过如下方式获取，包括：通过编码器获取所述目标层的二维肺结节医学影像的第一键值，以及已分割层的二维肺结节医学影像的第二键值；通过所述编码器对所述已分割层的二维肺结节医学影像进行处理，以获取已分割层的特征图；
根据所述第一键值以及所述第二键值，生成相似度矩阵；根据所述相似度矩阵以及所述已分割层特征图之间的乘积，获取所述目标层深度学习特征。5.如权利要求3所述的基于深度学习的肺结节半自动分割方法，其特征在于，所述肺结节三维特征通过如下方式获取：在所述预设分割模型输出的每个三维深度学习特征图中，分别选取所述目标层对应的二维特征图；根据所述兴趣区域尺寸，将所述二维特征图还原至与所述目标层的二维肺部影像尺寸一致的特征图，作为所述肺结节三维特征。6.如权利要求1所述的基于深度学习肺结节半自动分割方法，其特征在于，所...

【专利技术属性】
技术研发人员：韩晓光，石鲁越，刘周，王昌淼，李丽，罗虹虹，罗德红，于振涛，
申请(专利权)人：香港中文大学深圳，
类型：发明
国别省市：