基于3D物理空间域和螺旋分解空间域的胰腺癌分割方法技术

本发明专利技术涉及基于3D物理空间域和螺旋分解空间域的胰腺癌分割方法，具体如下：利用临床先验知识对腹部CT进行预处理；将预处理后的图像进行粗分割获得肿瘤大致位置信息；利用粗分割的位置对预处理后的CT图像进行进行螺旋分解和3D局部区域裁剪；将螺旋分解图和3D区域图像同时输入到训练好的模型中进行细分割得到螺旋分割结果；对螺旋分割结果进行3D重建，获得最终分割结果。利用三维物理空间和螺旋分解空间两个分支进行特征提取，并通过构建螺纹升角注意力模块和信息融合模块，保持胰腺肿瘤的空间相关性，缓解胰腺肿瘤边界不清晰、周围组织结构复杂、以及切片组织结构连续性差的特性，给分割模型带来的干扰，提高胰腺肿瘤的分割精度。割精度。割精度。

【技术实现步骤摘要】
基于3D物理空间域和螺旋分解空间域的胰腺癌分割方法


[0001]本专利技术属于医学图像处理
，涉及胰腺癌病灶的分割，尤其涉及一种基于3D物理空间域和螺旋分解空间域的胰腺癌分割方法。

技术介绍

[0002]胰腺癌是消化道常见恶性肿瘤之一，在消化道肿瘤领域中有“癌症之王”的称号。胰腺癌在临床中症状表现隐匿、不典型且癌细胞转移迅速，因此给胰腺癌的诊断和治疗带来了困难。同时胰腺癌一旦确诊后五年生存率约10%，早期确诊率不高，手术死亡率较高，治愈率低，预后差。因此，在腹部图像中准确的观测胰腺肿瘤的位置、大小、形状、体积空间信息给胰腺癌临床诊断和治疗带来了巨大的价值。然而由于胰腺肿瘤在计算机断层扫描（CT）中存在周围结构复杂、边界结构不清晰、2D平面上不连续以及个体差异性大多个挑战，给胰腺癌的手动分割以及自动分割技术的发展带来了巨大的困难。
[0003]为了解决胰腺癌的本身特性带来的挑战，腹部CT自动分割技术正不断发展。胰腺癌自动分割的目的是以更高的效率、更高的准确度获得患者胰腺癌的病理特性用于临床诊断，其中3D物理实体空间体素相关性的充分利用是胰腺癌分割中的重要任务。
[0004]胰腺癌通常占整个CT体积的比例不到5%，这样在分割的过程中，会面临严重的类别不平衡、背景混乱的干扰以及非刚性几何特征的的巨大挑战，因此Zhu Z提出了一种两阶段学习框架（DSN）。在该框架中，粗分割阶段根据粗分割结果，采用启发式种植策略，大致裁剪出胰腺区域，然后，精细化分割阶段学习另一个分割网络，将粗化的定位结果作为输入，最后输出精细化的分割结果。该粗到细分割的想法能够消除网络中的部分冗余特征，缓解因胰腺肿瘤较小而带来类别不平衡、背景混乱问题带来的干扰，在一定程度上提高了胰腺癌分割的准确地。
[0005]胰腺癌在CT图像中是3D立体的空间结构，每个体素和空间26个角度中的体素间均存在一定相关性，使用单张切片进行分割方便简单、易于实现、且2D网络分割速度快、效率高，但是却割裂了体素和空间中前后18个角度下的体素相关性，使得最终肿瘤结构连续性差，位置、大小、形状、体积存在较大偏差，严重影响医生对患者病情判断。使用3D图像块进行分割，空间利用率得到提升，但是全局性差，边缘体素值之间存在间断性，且分割模型中存在大量的冗余信息不易消除给结果带来巨大干扰。针对于胰腺癌分割中的种种问题，少量研究学者结合上述两种方法的特点，提出了各种3D空间变换深度学习算法。例如，Chen XH等通过螺旋变换，将3D物理实体空间域投影变换到螺旋分解空间域中，实现模型驱动的胰腺癌分割（spiral
‑
transformation and model
‑
driven segmentation），螺旋分解能在很大程度上保留胰腺肿瘤周围空间体素值间的相关性，从一定程度上在提高了肿瘤分割准确度。
[0006]然而，目前存在的算法忽略掉了肿瘤在物理实体空间域中体素相关性和3D变换域中的连续性和全局性，这限制了分割效能进一步得到提升。

技术实现思路

[0007]为解决上述现有胰腺分割过程中存在的问题，本专利技术提供一种基于3D物理空间域和螺旋分解空间域的胰腺癌分割方法，包括如下步骤：S1：预处理：将CT图像像素值进行归一化并利用临床先验知识对获取到的3D CT图像的窗宽窗位进行设置；S2：将步骤S1中预处理CT图像切片输入训练好的粗分割网络模型中得到胰腺肿瘤的位置信息；S3：根据步骤S2中的粗分割结果，以肿瘤为中心建立球坐标系，对CT图像进行螺旋分解得到螺旋分解图；S4：建立物理空间并行分支，根据步骤S2中的粗分割结果，裁剪以肿瘤为中心CT区域图像块；S5：根据步骤S3中的螺旋分解图的连续性，利用螺纹升角注意力模块（LAA)获取螺旋分解图中的不同螺纹升角之间的相互关系；S6：将步骤S4和步骤S5中的3D区域图像块和螺旋块相关性特征输入到不同的编码中提取到不同分辨率下的物理空间域特征和螺旋空间域特征；S7：将步骤S6中的双域特征输入到信息融合模块中，信息融合模块包含两个部分：对不同分辨率下的物理空间域特征进行螺旋特征分解、利用域
‑
域特征融合机制将螺旋分解域特征和物理螺旋域特征融合；S8：对步骤S7中的融合特征进行解码，获得螺旋分割结果，利用逆螺旋分解对多角度下的螺旋分割结果进行3D图像重建，获得最终胰腺肿瘤3D分割结果。
[0008]进一步地，所述步骤S1预处理部分包含：（1）根据胰腺肿瘤临床先验信息，设置腹部CT窗宽：200HU，窗位：100HU，从而在一定程度上增强肿瘤和周围组织结构对比度，缓解肿瘤边界不清晰导致准确率低的问题；（2）对腹部CT图像中像素值进行归一化，提升模型的收敛速度，增加模型的分割精度。
[0009]进一步地，所述步骤S2粗分割过程包含CT切片裁剪和分割两个阶段，切片裁剪：根据CT中胰腺肿瘤的先验位置信息，对CT切片进行裁剪，裁剪区域对应坐标为长：100~400、宽：120~480（以像素为单位），减少因胰腺肿瘤较小而带来类别不平衡、背景混乱以及非刚性几何特征问题带来的干扰，提高肿瘤位置信息准确度。粗分割：粗分割网络为编码
‑
解码结构，其中编解码中每层包含两个模块，每个模块包含积核大小为5X5的2D卷积层、Batch Normalization的归一化层以及激活函数为Relu的激活层，编码器在每层最后加入最大池化层，解码器在每层最后加入上采样层，粗分割模型的深度为4层，最后将CT切片按照初始时序结合，得到粗分割结果。粗分割作为后续步骤的基础，既为螺旋分解和3D区域裁剪确定中心区域，又能减少细分割模型中冗余信息带来的干扰，从而增强模型分割的准确度。
[0010]进一步地，所述步骤S3中的螺旋分解包括建立球坐标系、初始化参数以及确定取值范围、螺旋空间映射三个组成部分。建立球坐标系：根据步骤S2得到的粗分割结果，获取肿瘤标签非零域中心点作为球坐标系中心O，并根据CT图像的维度，建立球坐标系：根据步骤S2得到的粗分割结果获得肿瘤标签非零域中心点，
将该点作为球坐标系中心O，并根据CT图像的维度，设置x、y、z轴的方向、、，不同的方向能获得CT图像冠状面、矢状面以及横切面的螺旋分解图，实现数据增强，扩充训练样本，提高模型泛化能力。初始化：CT图像中任何一点均能用球坐标系表示，具体如下：，其中x，y，z代表CT图像中坐标，半径(r)的取值范围在
‑
R到R之间（以体素为单位），其中R是中心点和六个面的最小距离之间，极角的取值范围是0到，方位角的取值范围是0到，极角和方位角均用弧度制表示，不同的初始化极角和方位角会获取同一球面中不同的螺旋线，实现数据增强，提高逆螺旋分解的准确度，增强模型泛化能力，缓解个体差异性大给分割带来的干扰。映射：在某半径下，通过同时增大极角和方位角，在球面上进行螺旋式采样，并按照采样次序排列到直角坐标系的同一行中，得到该半径对应的螺旋线，因此获得不同半径下的多条螺旋线，并按照半径的采样次序排列到直角坐标系的列中，从而获得螺旋分解图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于3D物理空间域和螺旋分解空间域的胰腺癌分割方法，其特征在于，所述方法包括以下步骤：S1：预处理：将CT图像像素值进行归一化并利用临床先验知识对获取到的3D CT图像的窗宽窗位进行设置；S2：将步骤S1中预处理CT图像切片输入训练好的粗分割网络模型中得到胰腺肿瘤的位置信息；S3：根据步骤S2中的粗分割结果，以肿瘤为中心建立球坐标系，对CT图像进行螺旋分解得到螺旋分解图；S4：建立物理空间并行分支，根据步骤S2中的粗分割结果，裁剪以肿瘤为中心CT区域图像块；S5：根据步骤S3中的螺旋分解图的连续性，利用螺纹升角注意力模块（LAA)获取螺旋分解图中的不同螺纹升角之间的相互关系；S6：将步骤S4和步骤S5中的3D区域图像块和螺旋块相关性特征输入到不同的编码中提取到不同分辨率下的物理空间域特征和螺旋空间域特征；S7：将步骤S6中的双域特征输入到信息融合模块中，信息融合模块包含两个部分：对不同分辨率下的物理空间域特征进行螺旋特征分解、利用域
‑
域特征融合机制将螺旋分解域特征和物理螺旋域特征融合；S8：对步骤S7中的融合特征进行解码，获得螺旋分割结果，利用逆螺旋分解对多角度下的螺旋分割结果进行3D图像重建，获得最终胰腺肿瘤3D分割结果。2.根据权利要求1所述基于3D物理空间域和螺旋分解空间域的胰腺癌分割方法，其特征在于：所述步骤S1中预处理包括：（1）根据胰腺肿瘤临床先验信息，设置腹部CT窗宽：200HU，窗位：100HU，（2）对腹部CT图像中像素值进行归一化。3.根据权利要求1所述基于3D物理空间域和螺旋分解空间域的胰腺癌分割方法，其特征在于：步骤S2中粗分割过程包含以下步骤：首先需要根据3D CT中胰腺肿瘤的先验位置信息，对CT切片进行裁剪，裁剪区域对应坐标为长：100~400、宽：120~480，均以像素为单位，在此基础上，对裁剪后的每张CT切片进行粗分割，粗分割网络为编码
‑
解码结构，其中编码解码中每层均包含积核大小为5X5的2D卷积层、Batch Normalization的归一化层以及激活函数为Relu的激活层，编码器在每层最后加入最大池化层，解码器在每层最后加入上采样层，粗分割模型的深度为4层，最后将CT切片按照初始时序结合，得到粗分割结果。4.根据权利要求1所述基于3D物理空间域和螺旋分解空间域的胰腺癌分割方法，其特征在于：步骤S3中所述螺旋分解过程包括建立球坐标系、初始化参数以及确定取值范围、螺旋空间映射三个组成部分；建立球坐标系：根据步骤S2得到的粗分割结果获得肿瘤标签非零域中心点，将该点作为球坐标系中心O，并根据CT图像的维度，设置x、y、z轴的方向、、，不同的方向能获得CT图像冠状面、矢状面以及横切面的螺旋分解图；初始化：CT中任何一点均能用球坐标系表示，具体如下：
，其中x，y，z代表CT图像中坐标，半径r的取值范围在
‑
R到R之间，以体素为单位，其中R是中心点和六个面的最小距离之间，极角的取值范围是0到，方位角的取值范围是0到，极角和方位角均用弧度制表示，不同的初始化极角和方位角会获取同一球面中不同的螺旋线；映射：在某半径下，通过同时增大极角和方位角，在球面上进行螺旋式采样，并按照采样次序排列到直角坐标系的同一行中，得到该半径对应的螺旋线，因此获得不同半径的多条螺旋线，并根据半径的采样次序按列排列到直角坐标系，从而获得螺旋分解图，实现物理空间体素相关性向螺旋分解域中的转化。5.根据权利要求1所述基于3D物理空间域和螺旋...

【专利技术属性】
技术研发人员：葛荣骏，杨董莹，张道强，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：