基于级联末端引导机制的扩张胰管分割方法技术

本发明专利技术公开了一种在CT图像上基于级联末端引导机制的扩张胰管分割方法。首先构建一个基本的串联分割网络依次得到胰腺分割结果和扩张胰管的粗分割结果，并在扩张胰管的粗分割结果上基于图结构建立对扩张胰管末端区域的注意力机制；其次训练一个嵌入解剖信息的子网络，其输入分别为扩张胰管的末端图像、扩张胰管的粗分割结果和胰腺分割结果对应的局部解剖注意力图，网络输出扩张胰管的细分割结果；最后设计一个末端抗干扰网络，其输入为扩张胰管末端图像和细分割结果，网络输出细分割结果可能存在的混淆区域，将其与细分割结果结合以得到扩张胰管的最终分割结果。本发明专利技术可以在CT图像上得到末端更加完整、精度更高的扩张胰管分割结果。分割结果。分割结果。

【技术实现步骤摘要】
基于级联末端引导机制的扩张胰管分割方法


[0001]本专利技术属于医学图像分割
，具体涉及一种基于级联末端引导机制的扩张胰管分割方法。

技术介绍

[0002]胰腺癌是最难治疗的癌症之一，其5年相对存活率最低，约为10%。最常见的胰腺癌症发生在主胰管，称为胰腺导管腺癌(PDAC) 。在几项临床研究中，胰管扩张被认为是PDAC的高风险因素。除此之外，与扩张胰管相关的胰腺疾病分类也包括其他类型的肿块，如导管内乳头状粘液性肿瘤(IPMN)、浆液性囊性导管内乳头状粘液性肿瘤(SCN)、导管内乳头状粘液性肿瘤(MCN)和实性假乳头状肿瘤(SPT)。正常胰管区域在腹部增强CT上不可见，CT扫描中胰管的可见性是PDAC和其他胰腺肿块的直接警告信号。因此，作为一种临床筛查工具，CT图像上扩张胰管的自动分割对于胰腺肿块的早期诊断具有重大意义。
[0003]胰管分割的困难主要是由导管的小尺寸、细长的形状和周围组织的复杂性引起的。对于器官内病变的精准分割，一般的解决方法是采用级联策略即先分割胰腺区域，再在胰腺区域内分割胰管，这往往比在整个CT扫描上分割胰管表现出更好的性能。然而，胰管末端的低强度表征，以及胆管或肿瘤等与胰管具有相似位置和CT强度的组织仍然为胰管的分割带来很大的困难。事实上，由于胰管具有管状结构，所有的分割误差都分布在分割结果的末端区域。本专利技术基于上述事实提出了一种基于级联末端引导的扩张胰管分割方法，通过在末端分别嵌入解剖信息和抗干扰机制，在提高胰管分割精度的同时保证了末端的完整性。

技术实现思路
r/>[0004]专利技术目的：针对现有基于深度学习方法对于扩张胰管分割问题的缺陷和不足，本专利技术提出了一种基于级联末端引导机制的扩张胰管分割方法，通过在末端分别嵌入解剖信息和抗干扰机制，在提高胰管分割精度的同时保证了末端的完整性。
[0005]技术方案：本专利技术提出了一种全新的CT图像上扩张胰管分割方法，包括如下5个步骤：（a）构建一个基本的串联分割网络，使用第一个分割网络先分割CT图像上的胰腺，进而获得胰腺分割结果和对应的局部区域图像；（b）在胰腺的局部区域图像上使用第二个分割网络来分割扩张胰管，得到扩张胰管的粗分割结果；（c）在扩张胰管的粗分割结果上基于图结构建立对扩张胰管末端区域的注意力机制；（d）训练一个嵌入解剖信息的子网络，其输入分别为扩张胰管的末端图像、扩张胰管的粗分割结果和胰腺分割结果对应的局部解剖注意力图，训练标签为扩张胰管在末端的局部掩膜，网络输出扩张胰管的细分割结果；
（e）设计一个末端抗干扰网络，其输入为扩张胰管的末端图像和细分割结果，训练标签为扩张胰管在末端的局部掩膜与细分割结果的差异，网络输出细分割结果可能存在的混淆区域即假阳性和假阴性区域，再将其与细分割结果结合得到扩张胰管最终的分割结果。
[0006]具体而言，（a）和（b）中所述的基本的串联分割网络均使用nnUNet网络，训练策略为从每个输入的三维图像中裁剪大小为的patch进行训练，网络训练所使用的损失函数为Dice+CE loss即Dice损失和交叉熵损失和按照1:1的比例组合得到的损失函数，计算公式如下：
[0007]其中为体素总数，和分别为在体素点上的分割结果和标签，为相对于全体体素的SoftMax函数输出。
[0008]具体而言，步骤（c）首先利用中心线提取算法提取出扩张胰管的粗分割结果的中心线，其中中心线提取算法包括但不限于Lee等人提出的三维体素的细化算法，其次在中心线上利用节点的邻域关系构建扩张胰管的图结构，最后在图结构上筛选出末端节点并提取出对应的末端图像。其中图结构的构建方式具体为中心线上每一个点都作为图的一个节点，如果一个节点出现在另一个节点的三维27
‑
邻域内，则形成边关系。只有一个邻点的节点被筛选为末端节点，末端区域图像的大小设置为；具体而言，所述步骤（d）中嵌入解剖信息的子网络的架构包括但不限于U
‑
Net网络的架构。胰腺分割结果对应的解剖注意力图可表示为
[0009]其中是模型预测的胰腺分割结果，是的边界，计算的是点和之间的欧式距离；局部胰腺解剖注意力图为限制在扩张胰管末端区域的子矩阵。
[0010]具体而言，步骤（e）中末端抗干扰网络的架构使用U
‑
Net网络的架构，输出上一步分割可能存在的假阳性和假阴性区域，并且在细分割结果上，加上抗干扰网络输出的假阴性区域，减去输出的假阳性区域得到胰管最终的输出结果。
[0011]本专利技术所提出的方法已经与其他前沿的医学图像分割方法进行多方面对比，体现了本专利技术的优越性。
[0012]有益效果：本专利技术提出了一种基于级联末端引导机制的扩张胰管分割方法，通过
在末端分别嵌入解剖信息和抗干扰机制，在提高胰管分割精度的同时保证了末端的完整性，可以在CT图像上获得末端更加完整、精度更高的扩张胰管分割结果；本专利技术所提出的级联末端引导机制对于扩张胰管分割效果提升超过9%，对于末端的分割效果提升约20%。
附图说明
[0013]图1为本专利技术所提出的基于级联末端引导的扩张胰管分割方法的结构图；图2为本专利技术所提出的末端抗干扰网络的结构图；图3为本专利技术所提出网络模型的消融实验效果三维重建对比图。第一行：coarse阶段分割结果；第二行：fine阶段分割结果；第三行：refine阶段分割结果。每个案例的分割精度在图像左下方标出；图4为本专利技术所提出扩张胰管分割方法与其他前沿图像分割方法的三维重建结果对比。每个案例的分割精度在图像左下方标出。
具体实施方式
[0014]下面结合本专利技术的附图和具体实施方式，对本专利技术的目的、技术方案和优点进行详细的描述。
[0015]本专利技术提出了一种新的CT图像上扩张胰管分割模型，并建立了有效的求解算法。具体而言，本专利技术提出了一种基于级联末端引导机制的扩张胰管分割方法，通过在末端分别嵌入解剖信息和抗干扰机制，在提高胰管分割精度的同时保证了末端的完整性。本专利技术的整体流程图如图1所示，具体包括以下步骤。
[0016]（a）构建一个基本串联分割网络，使用第一个分割网络来分割胰腺，分割网络具体使用nnUNet网络，训练策略为从每个输入的三维图像中裁剪大小为的patch进行训练，使用Dice + CE loss作为损失函数来训练nnUNet网络。网络输出胰腺分割结果，将胰腺分割结果的三维边界框向外延拓5个体素获得胰腺的局部区域图像；（b）在训练集经过步骤（a）获得的胰腺的局部区域图像上使用第二个分割网络来分割扩张胰管，分割网络、训练策略和损失函数与步骤（a）保持一致，网络输出扩张胰管的粗分割结果；（c）在扩张胰管粗分割结果上利用Lee等人提出的细化算法提取出扩张胰管粗分割结果的中心线，在中心线上利用点的邻域关系构建扩张胰管的图结构，再在图结构上筛选出末端节点并提取出对应的末端图像，末端图像的大小设置为；（d）训练一个三通道的嵌入解剖信息的子网络，其架构使用U
‑
Net网络的架构，其输入分别为扩张胰管的末端图像、扩张胰本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于级联末端引导机制的扩张胰管分割方法，其特征在于，包括如下步骤：（a）构建一个基本的串联分割网络，使用第一个分割网络先分割CT图像上的胰腺，进而获得胰腺分割结果和对应的局部区域图像；（b）在胰腺的局部区域图像上使用第二个分割网络来分割扩张胰管，得到扩张胰管的粗分割结果；（c）在扩张胰管的粗分割结果上基于图结构建立对扩张胰管末端区域的注意力机制；（d）训练一个嵌入解剖信息的子网络，其输入分别为扩张胰管的末端图像、扩张胰管的粗分割结果和胰腺分割结果对应的局部解剖注意力图，训练标签为扩张胰管在末端的局部掩膜，网络输出扩张胰管的细分割结果；（e）设计一个末端抗干扰网络，其输入为扩张胰管的末端图像和细分割结果，训练标签为扩张胰管在末端的局部掩膜与细分割结果的差异，网络输出细分割结果可能存在的混淆区域即假阳性和假阴性区域，再将其与细分割结果结合得到扩张胰管最终的分割结果。2.根据权利要求1所述的基于级联末端引导机制的扩张胰管分割方法，其特征在于：所述步骤（a）和（b）中的分割网络包括但不限于nnUNEet网络,训练nnUNet网络的损失函数包括但不限于Dice +CE loss，具体计算如下：；其中为体素总数，和分别为在体素点上的分割结果和标签，为相对于全体体素的SoftMax函数输出；胰腺的局部区域图像为基于胰腺分割结果的三维边界框向外延扩若干体素得到，延扩的体素个数包括但不限于5。3.根据权利要求1所述的基于级联末端引导机制的扩张胰管分割方法，其特征在于...

【专利技术属性】
技术研发人员：杨孝平，邹礼稳，蔡正华，仇毓东，贵鹿颖，毛谅，
申请(专利权)人：南京大学，
类型：发明
国别省市：