一种基于神经网络的肺动静脉自动分割的方法技术

本发明专利技术公开了一种基于神经网络的肺动静脉自动分割的方法，该方法包含：(S100)通过图像增强算法，将CT中支气管部分增强；(S200)构建神经网络，将增强后的CT数据与原始的CT图像合并作为神经网络的输入数据，并进行神经网络训练，完成动静脉分割或分类训练；(S300)对待分析的CT扫描数据，采用图像增强算法，对肺支气管增强，将增强后的CT数据与原始的CT图像合并输入神经网路进行预测，输出结果每个体素点求概率最大值作为预测目标，即背景，动脉或者静脉，生成对应器官掩膜，进行三维重建。本发明专利技术通过在神经网络训练过程中引入肺支气管的解剖信息，有效提升肺动静脉的分割与分类的精确度。度。度。

【技术实现步骤摘要】
一种基于神经网络的肺动静脉自动分割的方法


[0001]本专利技术涉及一种肺动静脉自动分割的方法，具体涉及一种基于神经网络的肺动静脉自动分割的方法。

技术介绍

[0002]随着医疗技术向数字化、精准化发展，人体脏器的三维重建模型得到越来越多的应用。CT(电子计算机断层扫描)、MRI(磁共振成像)、彩超等设备采集的医学影像信息，通过计算机后处理，重建脏器的三维模型。通过三维模型，医生可以精确地、直观地了解病变与周围组织的空间关系，术前规划方案，术中指导手术。
[0003]在胸外科手术中，医生需要根据肿瘤与动静脉、支气管的空间位置关系，判断手术切割方案，并在术中定位肿瘤。基于术前薄层CT扫描的肺动静脉分割与分类是准确进行术前规划与术中指导的关键。目前存在的肺动静脉分割分类工具都需要较多的人工后续干预，手动调整，消耗较多的人力。
[0004]肺部动静脉呈复杂的树状结构交叉生长，且在CT中灰度值相同，由于CT空间分辨率有限及局部容积效应等因素，肺动静脉像素在CT中出现相互毗邻现象。当动静脉分割分类算法试图通过连通域分析，区分动静脉系统时，往往出现错误分类，将动脉标记为静脉或者相反。由于动静脉系统的复杂的解剖结构，手动的后处理非常困难，耗时耗力，且极易遗漏，影响手术规划。基于深度神经网络的动静脉分割及分类系统相比于传统的基于局部二阶微分分析的算法，能够达到较高的血管识别准确率，且能够通过样本学习，通过多尺度的上下文信息分析，学习由纵膈动静脉到外周动静脉的联通关系，实现动静脉的自动分类。但是目前的深度学习算法仍然存在较多的动静脉分类错误的方法。

技术实现思路

[0005]本专利技术的目的是提供一种基于神经网络的肺动静脉自动分割的方法，解决了现有方法对动静脉分类存在错误的问题，能够提高动静脉及支气管分割准确率。
[0006]为了达到上述目的，本专利技术提供了一种基于神经网络的肺动静脉自动分割的方法，该方法包含：
[0007](S100)通过图像增强算法，将CT中支气管部分进行增强；
[0008](S200)构建神经网络，将增强后的CT数据作为一个独立的通道与原始的CT图像合并组成双通道数据，将所述双通道数据作为神经网络的输入数据，并进行神经网络训练，完成动静脉分割或分类训练；
[0009](S300)对待分析的CT扫描数据，采用步骤(S100)的图像增强算法，对肺支气管增强，将增强后的CT数据作为一个独立的通道与原始的CT图像合并组成双通道数据，将输入数据输入神经网路进行预测，输出结果每个体素点求概率最大值作为预测目标，即背景，动脉或者静脉，生成对应器官掩膜，并进行三维重建。
[0010]优选地，在步骤(S100)中，设胸肺CT影像图每一张尺寸为(w,h)，共有d张，则其三
维尺寸为(d,w,h)，在Hessian矩阵中的x轴方向像素点个数为w，y轴方向像素点个数为h，z轴方向像素点个数为d，计算CT扫描数据每个体素的Hessian矩阵，为：
[0011][0012]式(1)中，v为CT扫描每一个体素值；v
″
x,x
表示体素点在x轴方向的二阶偏导；v
″
x,y
表示体素点在x轴和y轴方向的二阶偏导；v
″
x,z
表示体素点在x轴和z轴方向的二阶偏导；v
″
y,x
表示体素点在y轴和x轴方向的二阶偏导；v
″
y,y
表示表示体素点在y轴方向的二阶偏导；v
″
y,z
表示表示体素点在y轴和z轴方向的二阶偏导；v
″
z,x
表示表示体素点在z轴和x轴方向的二阶偏导；v
″
z,y
表示表示体素点在z轴和y轴方向的二阶偏导；v
″
z,z
表示表示体素点在z轴方向的二阶偏导。
[0013]计算Hessian矩阵的三个特征值λ1、λ2和λ3，并对其绝对值进行排序，假设|λ1|<|λ2|<|λ3|，如果|λ1|～0，|λ2|,|λ3|>>0，则认为此体素周围局部为低灰度值的管道形状，认为其为支气管部分，对相应体素进行增强，支气管覆盖位置的体素值增加，支气管外部的体素的值得到抑制。
[0014]优选地，在步骤(S200)中，假设神经网络按照输入补丁为(patch_d,patch_w,patch_h)的尺寸进行逐个补丁训练，则合并后的输入数据尺寸为(channel＝2,patch_d,patch_w,patch_h)，将该输入数据尺寸作为训练神经网络的输入。
[0015]优选地，在步骤(S200)中，训练神经网络是用mini
‑
batch方法训练，每次输入mini
‑
batch尺寸的训练样本，则总体的输入样本张量尺寸为：(batch_size,channel,patch_d,patch_w,patch_h)，训练标签为人工标注的肺动静脉标签。
[0016]优选地，在步骤(S300)中，将增强后的CT数据与原始CT数据组合，组成双通道数据，并通过维度扩展，扩展处batch维度，batch_size尺寸固定为1，最终输入数据尺寸为：(1,2,patch_d,patch_w,patch_h)。
[0017]本专利技术的基于神经网络的肺动静脉自动分割的方法，解决了现有方法对动静脉分类存在错误的问题，具有以下优点：
[0018](1)本专利技术通过在神经网络训练过程中引入肺支气管的解剖信息，有效提升肺动静脉的分割与分类的精确度。
[0019](2)本专利技术通过优化神经网络训练方法，有效提升肺动静脉自动分割分类准确度。
[0020](3)本专利技术通过图像增强算法，提升支气管位置像素对比度，使其在神经网络下采样过程中，保持高响应，从而在池化过程中保持支气管信息。神经网络训练通过动静脉标签及支气管信息，自动学习支气管与动脉的伴行特征，自动的在动静脉分类中引入的解剖的先验信息。
[0021](4)本专利技术通过Hessian矩阵分析的方式进行支气管增强，通过神经网络训练自动的引入肺支气管信息，不需要额外的增加神经网络标注功能。
附图说明
[0022]图1为本专利技术的肺支气管增强数据与原始CT数据合并成双通道数据图。
[0023]图2为本专利技术的肺动静脉标注数据图。
[0024]图3为本专利技术的训练补丁patch为[128,112,160]的神经网络架构示意图。
[0025]图4为本专利技术的肺动静脉重建图。
[0026]图5为本专利技术的不同肺动静脉分割方式图。
[0027]注：图5中，蓝色表示肺支气管；红色表示肺动脉；绿色表示肺静脉；(b)、(e)和(h)中的黄色箭头指向分别为(a)、(d)和(g)中放大区域；(c)、(f)和(i)分别为(b)、(e)和(h)中黄色箭头位置处的放大图；(a)中黄色放大区域为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的肺动静脉自动分割的方法，其特征在于，该方法包含：(S100)通过图像增强算法，将CT中支气管部分进行增强；(S200)构建神经网络，将增强后的CT数据作为一个独立的通道与原始的CT图像合并组成双通道数据，将所述双通道数据作为神经网络的输入数据，并进行神经网络训练，完成动静脉分割或分类训练；(S300)对待分析的CT扫描数据，采用步骤(S100)的图像增强算法，对肺支气管增强，将增强后的CT数据作为一个独立的通道与原始的CT图像合并组成双通道数据，将输入数据输入神经网路进行预测，输出结果每个体素点求概率最大值作为预测目标，即背景，动脉或者静脉，生成对应器官掩膜，并进行三维重建。2.根据权利要求1所述的方法，其特征在于，在步骤(S100)中，设胸肺CT影像图每一张尺寸为(w,h)，共有d张，则其三维尺寸为(d,w,h)，在Hessian矩阵中的x轴方向像素点个数为w，y轴方向像素点个数为h，z轴方向像素点个数为d，计算CT扫描数据每个体素的Hessian矩阵，为：式(1)中，v为CT扫描每一个体素值；v
″
x,x
表示体素点在x轴方向的二阶偏导；v
″
x,y
表示体素点在x轴和y轴方向的二阶偏导；v
″
x,z
表示体素点在x轴和z轴方向的二阶偏导；v
″
y,x
表示体素点在y轴和x轴方向的二阶偏导；v
″
y,y
表示表示体素点在y轴方向的二阶偏导；v
″
y,z
表示表示体素点在y轴和z轴方向的二阶偏导；v
″
z,x
...

【专利技术属性】
技术研发人员：敖强，王云兵，田广野，王校，程宇生，
申请(专利权)人：四川大学，
类型：发明
国别省市：