[發明專利]基于雙路徑U-net卷積神經網絡的PET/CT高代謝淋巴結分割方法

有效

• 申請號: 201811588646.0
• 申請日: 2018-12-24
• 公開（公告）號: CN109685811B
• 公開（公告）日: 2019-12-13
• 發明（設計）人: 趙梅莘;許力;張衛方;張璐
• 申請（專利權）人: 北京大學第三醫院;浙江大學
• 主分類號: G06T7/11
• 分類號: G06T7/11
• 代理公司: 11470 北京精金石知識產權代理有限公司
• 代理人: 張黎

本發明涉及醫學圖像處理領域，旨在提供一種基于雙路徑U?net卷積神經網絡的PET/CT圖像中高代謝淋巴結的分割方法。該分割方法包括下述過程：實驗數據的獲得與處理；構建雙路徑U?net卷積神經網絡；訓練雙路徑U?net卷積神經網絡；采用訓練好的雙路徑U?net卷積神經網絡對PET/CT圖像中高代謝淋巴結進行分割，得到分割結果。本發明借助于雙路徑U?net卷積神經網絡，可以很好的將PET/CT圖像中的高代謝淋巴結分割出來。

技術領域

本發明涉及醫學圖像處理領域，尤其涉及一種基于雙路徑U-net卷積神經網絡的PET/CT圖像中高代謝淋巴結的分割方法。

背景技術

淋巴瘤嚴重威脅人民的健康和生命，但部分患者可以治愈。¹⁸F-FDG-PET/CT對于以霍奇金淋巴瘤(HL)和彌漫大B細胞淋巴瘤(DLBCL)為代表的侵襲性淋巴瘤的診療發揮重要作用。淋巴瘤對于全身的侵犯以淋巴結受累為主，在PET/CT圖像上表現為FDG攝取增高，目前對淋巴瘤患者的PET/CT影像評估主要依賴于影像醫師的手工測量，具有消耗大量人工、測量存在主觀性等缺陷。因此，對淋巴瘤受累淋巴結的所在分區、大小、代謝程度進行自動化分析具有重要意義，但目前尚無針對淋巴瘤PET/CT影像的智能評估軟件出現，我們的研究力圖尋找一個相對準確的分割方法，使系統在PET/CT上自動識別出表現為FDG攝取增高的受累淋巴結(即高代謝淋巴結)，以利于后期自動測量其大小及SUV值，對淋巴瘤患者進行自動化分期，以達到盡量排除影像醫師主觀因素的影響、減少人力消耗的目的，以利于臨床正確評估病情，盡早開始規范治療，改善預后。

目前已有多種算法用來分割PET/CT圖像中的高代謝淋巴結，主要包括區域生長法、填充法和卷積法等。但大部分的淋巴結分割方法無法實現完全自動化，仍需要人工參與，例如區域生長法需要手動選擇區域生長的種子點，填充法需要手動選擇初始的感興趣區域等。而卷積等數學計算方法是由人工設計，卷積層數受限，對于位置特征和形狀特征無法方便準確地提取。2015年，Jonathan Long等人將全卷積網絡(Fully ConvolutionalNetworks，FCN)成功應用于圖像分割領域，并且取得了顯著的效果。該網絡能夠對圖像中對立位置的每個像素進行分類，從而實現圖像分割的任務。FCN可以實現端到端的預測，例如輸入一張512*512尺寸的灰度或彩色圖像，輸出是同樣大小的矩陣，包含對每個像素點的類別預測結果。U-net卷積神經網絡是在2015年國際生物醫學會議ICMICCAI中提出的，具有與FCN類似的網絡結構，近年來成為了用于醫學圖像分割的主要網絡之一。

U-net的結構如圖1所示，包括收縮路徑和擴張路徑兩部分，因網絡結構的形狀與字母‘U’相似，所以稱為U-net。收縮路徑包含收縮模塊1～5，其中收縮模塊1～4的內部結構如圖2(a)所示，每個模塊有一個輸入和兩個輸出，輸入是初始的待分割圖像或者上層收縮模塊的池化輸出，輸入經過兩層卷積操作得到卷積輸出，卷積輸出經過最大池化得到池化輸出；收縮模塊5的結構如圖2(b)所示，包含一個輸入和一個輸出，其輸入為收縮模塊4的池化輸出，經過兩層卷積操作和一層反卷積操作得到反卷積輸出。擴張路徑包括擴張模塊1～4，其中擴張模塊1～3的內部結構如圖2(c)所示，每個模塊有2個輸入，1個輸出，輸入為收縮模塊5(或上層擴張模塊)的反卷積輸出和相應收縮模塊的卷積輸出，兩個輸入經過融合、兩層卷積操作和一層反卷積操作得到反卷積輸出；擴張模塊4的內部結構與擴張模塊1～3基本相同，只是不含反卷積層，輸入經過若干層卷積操作得到輸出。如圖1所示，擴張模塊4的輸出即為網絡輸出的分割結果。目前在研究領域，U-net卷積神經網絡常用于醫學圖像分割，包括神經細胞的分割，血管的分割。U-net卷積神經網絡在許多分割挑戰賽中取得了不錯的效果，例如2012ISBI細胞分割挑戰賽。

利用U-net卷積神經網絡實現對PET/CT圖像中的高代謝淋巴結進行分割是有效的辦法，但根據PET/CT圖像中分割高代謝淋巴結需要同時分析PET和CT兩種圖像的特征，而U-net卷積神經網絡只有一個輸入通道，無法實現同時對PET/CT圖像中的高代謝淋巴結進行分割。

發明內容