一种基于深度学习的肝脏血管分割方法和装置制造方法及图纸

本发明专利技术涉及医学图像技术领域，具体涉及一种基于深度学习的肝脏血管分割方法和装置；本发明专利技术所提供的方法，获取待处理的CT图像，将待处理的CT图像预处理，从预处理后的CT图像中采集血管样本和非血管样本，将血管样本和非血管样本作为训练样本，对卷积神经网络进行训练，利用卷积神经网络对待处理的肝脏血管进行分割；所提供的方法用灰度变换增加CT图像的亮度和对比度，在样本标记过程中，使用阈值和打标签的方式，减少工作量，最终利用训练的卷积神经网络对肝脏血管进行分割，有效的保障了正确率。率。率。

【技术实现步骤摘要】
一种基于深度学习的肝脏血管分割方法和装置


[0001]本专利技术涉及医学图像
，具体涉及一种基于深度学习的肝脏血管分割方法和装置。

技术介绍

[0002]心脏的结构复杂，包括心房、心室、冠状动脉、上下腔静脉以及瓣膜等结构，并且心脏组织与周围组织的灰度十分相似，因此在心脏图像分割的时候，心脏会与其他的组织粘连在一起，给心脏分割造成很大的困难。
[0003]对电子计算机断层扫描CT(ComputedTomography)图像中的肝脏血管分割能够协助各种医疗任务，对于肝脏相关的手术能够提供重要信息。
[0004]专利申请号为CN202010643401.4的专利，其在说明书中记载有“获取医学影像图像集；对图像集中的血管进行增强处理；利用V
‑
Net深度神经网络训练过的血管自动分割权重网络对增强过的血管图像进行分割；利用卷积神经网络对初步分割好的三维肝脏血管图像集进行粘连血管的分类，并将血管粘连点的数据自动变为非血管点，将粘连血管分离；去除非血管点，整合所有图像集数据，完成血管自动分割。本专利技术还提供了基于深度学习的肝脏血管分割装置，该装置包括：图像获取模块、血管增强模块、血管初分模块、血管分离模块、自动整合模块以及数据库模块。本公开专利技术的有益效果在于可完成医学影像中肝脏血管自动分割，极大提升分割效率，减少医师及技术工作者的工作量”，上述专利虽然能够实现对于肝脏血管的分割，但是其需要对初步分割好的三维肝脏血管图像集进行粘连血管的分类，以及分离粘连血管，整个过程复杂，同时，所提供的方法，准确性不佳，无法满足使用需求。
[0005]综上所述，研发一种基于深度学习的肝脏血管分割方法和装置，是医学图像
中急需解决的关键问题。

技术实现思路

[0006]针对现有技术所存在的上述缺点，本专利技术在于提供一种基于深度学习的肝脏血管分割方法和装置，所提供的方法用灰度变换增加CT图像的亮度和对比度，在样本标记过程中，使用阈值和打标签的方式，减少工作量，最终利用训练的卷积神经网络对肝脏血管进行分割，有效的保障了正确率。
[0007]为实现上述目的，本专利技术提供了如下技术方案：
[0008]本专利技术的第一方面：提供了一种基于深度学习的肝脏血管分割方法，包括以下步骤：
[0009](1)获取待处理的CT图像，将待处理的CT图像预处理；
[0010](2)从预处理后的CT图像中采集血管样本和非血管样本；
[0011](3)将血管样本和非血管样本作为训练样本，对卷积神经网络进行训练；
[0012](4)利用卷积神经网络对待处理的肝脏血管进行分割。
[0013]本专利技术进一步的设置为：在步骤(1)中，CT图像预处理是指将CT图像采用灰度变换来提升CT图像的质量。
[0014]本专利技术进一步的设置为：在步骤(2)中，在从预处理后的CT图像中采集血管样本和非血管样本前，对静脉血管进行标记，其过程如下：
[0015]将预处理后的CT图像进行二值化的阈值处理，即通过设定的阈值显示阈值图像；
[0016]由人工手动在阈值图像上标记静脉血管，并删除非静脉血管，完成对静脉血管的标记。
[0017]本专利技术进一步的设置为：在步骤(2)中，从预处理后的CT图像中采集血管样本和非血管样本的方法为：将标记后的CT图像分割成图像块，以图像块的中心点像素是否为标记的静脉血管为依据，划分确定血管样本和非血管样本。
[0018]本专利技术进一步的设置为：在步骤(3)中，在对卷积神经网络进行训练前，将血管样本和非血管样本按照相同的比例，选取出样本集作为训练样本，再将剩余的血管样本和非血管样本作为测试样本。
[0019]本专利技术进一步的设置为：在步骤(3)中，对卷积神经网络进行训练的过程如下：
[0020]将训练样本作为卷积神经网络的输入，来对卷积神经网络进行样本训练；
[0021]再将测试样本作为卷积神经网络的输入，输出测试结果；
[0022]将测试结果与经过专业医护人员分割的结果进行对比，计算出准确率，并将其与设定阈值进行对比，若准确率在设定阈值内，则完成对卷积神经网络的训练，否则，重复步骤(1)
‑
步骤(3)。
[0023]本专利技术的第二方面：还提供了一种基于深度学习的肝脏血管分割装置，包括图像预处理单元、样本采集单元、卷积神经网络单元和存储单元，其中：
[0024]所述图像预处理单元用于获取待处理的CT图像，并对其进行预处理；
[0025]所述样本采集单元用于从预处理的CT图像中采集血管样本和非血管样本，所述样本采集单元的输入端与图像预处理单元的输出端连接；
[0026]所述卷积神经网络单元根据所训练的卷积神经网络对肝脏血管进行分割，所述卷积神经网络单元的输出端与样本采集单元的输入端连接；
[0027]所述存储单元用于存储所接收的信息，所述存储单元的输入端与卷积神经网络单元的输出端连接。
[0028]本专利技术的第三方面：还提供了一种电子设备，包括：
[0029]存储器，用于存储应用程序及所述应用程序运行所产生的数据；
[0030][0031]处理器，用于执行所述应用程序，以实现：获取待处理的CT图像，并对CT图像预处理，从中采集血管样本和非血管样本，利用卷积神经网络对待处理的肝脏血管进行分割。
[0032]本专利技术的第四方面：还提供了一种肝脏血管分割的计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的肝脏血管分割的步骤。
[0033]有益效果
[0034]采用本专利技术提供的技术方案，与已知的公有技术相比，具有如下有益效果：
[0035]本专利技术所提供的方法，获取待处理的CT图像，将待处理的CT图像预处理，从预处理后的CT图像中采集血管样本和非血管样本，将血管样本和非血管样本作为训练样本，对卷
积神经网络进行训练，利用卷积神经网络对待处理的肝脏血管进行分割；所提供的方法用灰度变换增加CT图像的亮度和对比度，在样本标记过程中，使用阈值和打标签的方式，减少工作量，最终利用训练的卷积神经网络对肝脏血管进行分割，有效的保障了正确率，具有广泛的应用前景。
附图说明
[0036]图1为本专利技术一种基于深度学习的肝脏血管分割方法的流程图；
[0037]图2为本专利技术一种基于深度学习的肝脏血管分割装置的示意图。
具体实施方式
[0038]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0039]下面结合实施例对本专利技术作进一步的描述。
[0040]实施例：
[0041]如图1所示，本专利技术提供了一种基于深度学习的肝脏血管分割方法，包括以下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的肝脏血管分割方法，其特征在于，包括以下步骤：(1)获取待处理的CT图像，将待处理的CT图像预处理；(2)从预处理后的CT图像中采集血管样本和非血管样本；(3)将血管样本和非血管样本作为训练样本，对卷积神经网络进行训练；(4)利用卷积神经网络对待处理的肝脏血管进行分割。2.根据权利要求1所述的一种基于深度学习的肝脏血管分割方法，其特征在于，在步骤(1)中，CT图像预处理是指将CT图像采用灰度变换来提升CT图像的质量。3.根据权利要求1所述的一种基于深度学习的肝脏血管分割方法，其特征在于，在步骤(2)中，在从预处理后的CT图像中采集血管样本和非血管样本前，对静脉血管进行标记，其过程如下：将预处理后的CT图像进行二值化的阈值处理，即通过设定的阈值显示阈值图像；由人工手动在阈值图像上标记静脉血管，并删除非静脉血管，完成对静脉血管的标记。4.根据权利要求1所述的一种基于深度学习的肝脏血管分割方法，其特征在于，在步骤(2)中，从预处理后的CT图像中采集血管样本和非血管样本的方法为：将标记后的CT图像分割成图像块，以图像块的中心点像素是否为标记的静脉血管为依据，划分确定血管样本和非血管样本。5.根据权利要求1所述的一种基于深度学习的肝脏血管分割方法，其特征在于，在步骤(3)中，在对卷积神经网络进行训练前，将血管样本和非血管样本按照相同的比例，选取出样本集作为训练样本，再将剩余的血管样本和非血管样本作为测试样本。6.根据权利要求1所述的一种基于深度学习的肝脏血管分割方法置，其特征在于，在步...

【专利技术属性】
技术研发人员：朱佳琦，刘翔，
申请(专利权)人：上海工程技术大学，
类型：发明
国别省市：