[發明專利]一種基于三維卷積神經網絡的CT造影圖像腎動脈分割方法

有效

• 申請號: 201811620359.3
• 申請日: 2018-12-28
• 公開（公告）號: CN109801268B
• 公開（公告）日: 2023-03-14
• 發明（設計）人: 楊冠羽;何宇霆;李甜甜;趙子騰;吳顯政;伍家松;孔佑勇;舒華忠
• 申請（專利權）人: 東南大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 朱楨榮

本發明公開了一種基于三維卷積神經網絡的CT造影圖像腎動脈分割方法，涉及圖像處理技術領域，設計了一種應用于CT造影圖像腎動脈分割的三維卷積網絡結構，利用手工標注獲得腎動脈數據集，然后將訓練集送入該網絡結構進行訓練，得到訓練模型，利用得到的訓練模型對新的腎臟數據進行預測，得到腎動脈分割掩模。本發明能夠獲得高準確率的輸出結果，能夠解決腎動脈難分割的問題，通過本發明能夠直接得到腎動脈分割掩模。

技術領域

本發明涉及圖像處理技術領域，特別是一種基于三維卷積神經網絡的CT造影圖像腎動脈分割方法。

背景技術

腎癌是人類最常見的十種癌癥之一。近年來，針對臨床治療局部腎癌問題，傳統的根治性腎切除術(RN)正日益取代微創腹腔鏡腎部分切除術(LPN)。LPN手術可以切除腎腫瘤并保留正常腎組織。特別是，新提出的基于腎動脈阻斷技術的部分切除手術可以最大程度地保護腎功能。為了進行LPN手術，一些有用的信息，如腫瘤的大小、位置、腎的解剖結構，腎動脈和輸尿管等，應于術前從CT圖像中獲得。然而，手工勾畫超過200個CT層是一項費時費力的工作。因此，自動或半自動的分割方法對于提高手術的效率和準確性是必不可少的。

目前在CT或MR圖像中進行腎動脈分割的工作比較少。東南大學研究生丁皓提出了一種在CTA圖像上對腎動脈增強后，使用動態調參的方式進行區域生長的方法，成功實現了腎動脈分割。但是從圖像增強到動脈分割整個過程需要巨大的計算量，花費大量的時間，算法整體效率過低。

圖1為CT圖像腎臟ROI區域的幾個例子，其中，圖1中的(a)為第一個動脈相位CT圖像示例圖，圖1中的(b)為第二個動脈相位CT圖像示例圖，圖1中的(c)為第三個動脈相位CT圖像示例圖，圖1中的(d)為第四個動脈相位CT圖像示例圖。如圖1所示，腎動脈連接主動脈，從腎門處生長進入腎臟，可以發現，腎動脈主干部分較為清楚明亮，進入腎門后，腎動脈分支尤其是腎動脈末端過于細小，難以清晰準確地分辨。因此精確地自動分割這些圖像中的腎動脈仍然是一項具有挑戰性的任務。近年來，二維的深度神經網絡在醫學圖像和自然圖像中有一些成功的應用。然而，在這些二維網絡中使用的二維卷積內核將限制空間的特征提取能力。例如，如圖1所示，腎動脈分支和末端過于細小，而不同病人的腎動脈生長形態也具有很大差異。僅僅根據這些二維圖像中的信息很難將其與背景分開；現有存在腎動脈分割難，分割效果差的問題。

發明內容

本發明所要解決的技術問題是克服現有技術的不足而提供一種基于三維卷積神經網絡的CT造影圖像腎動脈分割方法，本發明基于設計的卷積神經網絡結構，能夠分割腎動脈區域，提高了腎動脈末端的分割效果。

本發明為解決上述技術問題采用以下技術方案：

根據本發明提出的一種基于三維卷積神經網絡的CT造影圖像腎動脈分割方法，包括以下步驟：

步驟(P1)、對已有的CT造影圖像分割出圖像中的腎臟區域，對腎動脈進行標注，得到感興趣區域，生成訓練數據集；

步驟(P2)、將訓練數據集送入三維卷積神經網絡中進行訓練，得到訓練模型；

三維卷積神經網絡包括五個部分，分別為輸入模塊、現實情況流、淺層意識流、深層意識流和輸出模塊；

輸入模塊，用于將原始圖像I直接輸入至現實情況流和深層意識流，并將輸入至現實情況流的原始圖像重命名為現實情況流圖像RI，輸入至深層意識流的原始圖像重命名為深層意識流圖像DI；

現實情況流，用于對RI連續進行池化操作，獲得不同尺寸的RI，并將不同尺寸的RI分別輸出至淺層意識流；

淺層意識流，用于多次提取淺層特征圖并將其輸出至深層意識流；

深層意識流，用于獲得多次記憶的深層特征圖并將其輸出至淺層意識流，并將最后一次獲得的深層特征圖輸入至輸出模塊；輸出模塊對其進行卷積操作，并激活，獲得腎動脈的分割掩模；