[發明專利]基于多期CT影像引導的肝臟腫瘤分割方法及裝置

在審

• 申請號: 201910229378.1
• 申請日: 2019-03-25
• 公開（公告）號: CN109961443A
• 公開（公告）日: 2019-07-02
• 發明（設計）人: 宋紅;陳磊;楊健;艾丹妮
• 申請（專利權）人: 北京理工大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T7/00;G06K9/46;G06K9/62
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 王慶龍;周永君

本發明實施例提供一種基于多期CT影像引導的肝臟腫瘤分割方法及裝置，所述方法包括：獲取對比度增強的腹部CT影像，將所述對比度增強的腹部CT影像輸入至預設的單通道全卷積神經網絡中，獲得肝臟感興趣區域圖像；將所述肝臟感興趣區域圖像輸入至預設的腫瘤分割網絡中，獲得所述對比度增強的腹部CT影像對應的腫瘤分割結果；其中，所述腫瘤分割網絡是根據不同時期肝臟感興趣區域圖像樣本以及與所述腹部CT影像樣本對應的帶有腫瘤區域標注的圖像樣本進行多通道融合訓練后獲得的。本發明實施例采用了多通道融合的訓練網絡對不同時期的肝臟腫瘤CT影像進行了有效地特征挖掘，使得訓練好的網絡對肝臟腫瘤的分割精度更高，魯棒性較好。

技術領域

本發明實施例涉及醫學圖像處理技術領域，更具體地，涉及一種基于多期CT影像引導的肝臟腫瘤分割方法及裝置。

背景技術

從腹部CT序列影像中自動、精準的分割出肝臟腫瘤對很多肝臟相關的臨床手術而言至關重要，近年來，隨著CT成像技術的不斷成熟，其在幫助醫生進行肝癌的臨床檢查和診斷中取得了廣泛的應用。然而，由于肝臟腫瘤的形狀大小會隨著患者的性別、年齡、個體間的差異而改變，加之腫瘤組織與周圍正常肝臟組織之間的對比度通常較低，因此從腹部CT影像中分割肝腫瘤一直是個難題。在傳統的肝腫瘤診療任務中，醫生需要憑借自身豐富的經驗和專業知識來判斷每一張切片上肝臟及其腫瘤的位置，這對醫生提出了較高的專業門檻要求，且費時費力，在病人數量很多的情況下，會導致排號難，誤診率高的問題。因此，基于計算機算法的肝臟腫瘤自動分割方法的出現成為了近年來醫學圖像處理領域的研究熱點。

目前，有研究團隊提出了利用閾值、主動輪廓模型、區域生長、圖割模型和機器學習等方法來實現肝臟及其腫瘤的分割任務。閾值法是先統計所有像素的強度，設置一個閾值，將大于這個值的作為前景像素(如腫瘤)，剩余的所有像素則作為背景像素處理。區域生長則是通過手動選擇一個種子點，然后根據一定的相似性度量往外進行擴張，是一種簡單快速的分割方法。主動輪廓模型和圖割優化分割方法常常配合著一起使用。利用諸多機器學習如k-means聚類、極限機器學習機的方法來進行肝腫瘤分割也取得了一定的成績。事實表明，大多數基于機器學習的分割方法要比以往傳統的分割方法更為有效。但是，它們也存在抗噪性差、分割精度不理想的缺點。隨著深度學習技術的興起，其在諸如目標識別、檢測和分類等各領域中都取得了最好的成績，其主要技術之一的全卷積神經網絡在圖像分割領域中有著卓越的表現，也被證明是圖像分割領域中可靠的通用型分割框架。

不同患者間的腫瘤尺寸、形狀、位置、數量存在較大差異，腫瘤邊界不清晰，給傳統分割方法帶來了較大困難。基于機器學習的分割方法往往需要手動設計腫瘤的特征提取方法，特征提取方法設計的好壞直接影響到最終的分割性能，技術壁壘較高。用深度學習方法訓練肝腫瘤分割模型需要大量的數據，現有方法大多是基于平掃期搜集的影像數據進行訓練得到的，而此類數據能夠反應出的肝腫瘤信息十分有限，在很多時候往往模糊不清，連專業醫生都難以判斷。

發明內容

本發明實施例提供一種克服上述問題或者至少部分地解決上述問題的基于多期CT影像引導的肝臟腫瘤分割方法及裝置。

第一方面，本發明實施例提供一種基于多期CT影像引導的肝臟腫瘤分割方法，包括：

獲取對比度增強的腹部CT影像，將所述對比度增強的腹部CT影像輸入至預設的單通道全卷積神經網絡中，獲得肝臟感興趣區域圖像；

將所述肝臟感興趣區域圖像輸入至預設的腫瘤分割網絡中，獲得所述對比度增強的腹部CT影像對應的腫瘤分割結果；

其中，所述單通道全卷積神經網絡是根據不同時期對比度增強的腹部CT影像樣本以及與所述腹部CT影像樣本對應的帶有肝臟區域標注的圖像樣本在一個通道下進行訓練后獲得的；

其中，所述腫瘤分割網絡是根據不同時期肝臟感興趣區域圖像樣本以及與所述腹部CT影像樣本對應的帶有腫瘤區域標注的圖像樣本在多個通道下進行融合訓練后獲得的；