[發(fā)明專利]一種肝臟以及肝臟腫瘤的圖像分割方法和裝置

在審

• 申請?zhí)枺?/td>: 201911342328.0
• 申請日: 2019-12-23
• 公開（公告）號: CN111179237A
• 公開（公告）日: 2020-05-19
• 發(fā)明（設(shè)計(jì)）人: 楊健;宋紅;范敬凡;張超逸;王涌天
• 申請（專利權(quán)）人: 北京理工大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11
• 代理公司: 北京市中聞律師事務(wù)所 11388
• 代理人: 馮夢洪

一種肝臟以及肝臟腫瘤的圖像分割方法及裝置，其能夠有效針對不同模態(tài)下的肝臟以及肝臟腫瘤進(jìn)行準(zhǔn)確分割。方法包括：(1)獲取腹部磁共振影像；(2)使用肝臟模型確定感興趣區(qū)域，肝臟模型為Dial3DResUNet，其結(jié)合長短程跳躍連接結(jié)構(gòu)以及混合空洞卷積，充分捕獲圖像全局結(jié)構(gòu)信息從而進(jìn)行精準(zhǔn)的肝臟分割；(3)使用肝臟腫瘤模型進(jìn)行精細(xì)分割以減少假陽性，肝臟腫瘤模型為H3DNet，其由Hybrid?3D卷積組成，在有效提取肝臟腫瘤三維特征的同時(shí)大幅度減少模型參數(shù)量，并降低模型優(yōu)化難度以及過擬合風(fēng)險(xiǎn)。

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)學(xué)圖像處理的技術(shù)領(lǐng)域，尤其涉及一種肝臟以及肝臟腫瘤的圖像分割方法，還涉及一種肝臟以及肝臟腫瘤的圖像分割裝置。

背景技術(shù)

肝癌是全球患病率第六高、致死率第二高的癌癥。2012年，在全球范圍內(nèi)造成782,000例死亡，在2015年造成810,500例死亡。肝臟腫瘤分割是肝癌術(shù)前診斷、手術(shù)方案制定及術(shù)后療效評估的重要步驟。然而，手動分割肝臟以及肝臟腫瘤，費(fèi)時(shí)費(fèi)力，且需要醫(yī)生大量經(jīng)驗(yàn)積累。因此，全自動的肝臟以及肝臟腫瘤分割對于輔助醫(yī)生的日常工作是十分必要的。

然而肝臟以及腫瘤的自動分割是十分具有挑戰(zhàn)性。肝臟與周邊組織對比度較低，且不同病人間的肝臟外形差異較大。相較于肝臟，肝臟腫瘤的分割難度更大。首先肝臟腫瘤的形狀、大小、數(shù)量以及出現(xiàn)位置均不固定，其次腫瘤灰度輪廓不清晰，難以辨識。

為了解決這些難題，許多分割算法被提出。閾值分割，區(qū)域增長等算法因其速度快，實(shí)現(xiàn)簡單，被廣泛應(yīng)用于醫(yī)學(xué)圖像分割領(lǐng)域。主動輪廓模型，例如水平集算法，因其良好的數(shù)值計(jì)算性質(zhì)，同樣被研究人員所廣泛關(guān)注。許多基于機(jī)器學(xué)習(xí)的算法同樣被大量提出。Kadoury等人提出一種基于判別性格拉斯曼流形的無監(jiān)督轉(zhuǎn)移性肝臟腫瘤分割算法；Zhou等人提出一種基于傳播學(xué)習(xí)的半自動CT圖像肝臟腫瘤算法；Huang等人提出僅用健康的肝臟組織訓(xùn)練一個極限學(xué)習(xí)機(jī)，將肝臟腫瘤分割問題轉(zhuǎn)化為異常檢測問題。

縱觀以上提到的算法，雖然在分割精度上取得了一定的進(jìn)展，但是大多數(shù)算法依賴手工特征，因此特征表達(dá)能力有限。近些年來，卷積神經(jīng)網(wǎng)絡(luò)的一種變體--全卷積神經(jīng)網(wǎng)絡(luò)，自從被提出以來，因其強(qiáng)大的層次特征表達(dá)能力，已被廣泛應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域，例如語義分割、目標(biāo)探測等。研究人員提出三類方法，可將全卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于三維醫(yī)學(xué)影像。

1)2DFCN：這類方法將三維體數(shù)據(jù)看成二維切片的集合。在訓(xùn)練網(wǎng)絡(luò)模型時(shí)，通常選取體數(shù)據(jù)一張或相鄰多張切片作為輸入，然后輸出中心切片的分割結(jié)果。Chlebus等人提出使用一個U形網(wǎng)絡(luò)來逐切片的分割肝臟腫瘤，然后使用隨機(jī)森林分類器來降低假陽性。Vorontsov等人提出了一種端到端訓(xùn)練的級聯(lián)網(wǎng)絡(luò)分割肝臟腫瘤。然而2DFCN忽略了體數(shù)據(jù)切片之間的上下文特征，因此無法充分利用數(shù)據(jù)中隱藏的空間結(jié)構(gòu)信息。

2)2DFCN+RNN：這類方法在2DFCN的頂部引入循環(huán)神經(jīng)網(wǎng)絡(luò)來加強(qiáng)模型對體數(shù)據(jù)三維空間結(jié)構(gòu)信息的利用。Cai等人提出一種CNN+CLSTM的網(wǎng)絡(luò)來分割胰腺。Chen等人提出使用U-Net來提取相鄰多張切片的二維特征信息，然后將這些2D特征圖序列輸入到BDC-LSTM中得到分割結(jié)果。然而2DFCN+RNN的結(jié)構(gòu)將循環(huán)神經(jīng)網(wǎng)絡(luò)置于卷積網(wǎng)絡(luò)的末端，此時(shí)輸入到RNN中的已經(jīng)是相對高階的特征序列了，難以捕捉細(xì)小變換，因此對肝臟腫瘤這類細(xì)小物體的識別可能并不適合。

3)3DFCN：這類方法可以直接處理三維數(shù)據(jù)。Oktay等人提出了Attention U-Net對胰腺進(jìn)行分割，Yu等人提出了DenseVoxNet對心臟以及血管結(jié)構(gòu)進(jìn)行分割。3DFCN雖然充分利用了體數(shù)據(jù)的空間結(jié)構(gòu)信息，但其參數(shù)量多，計(jì)算量大，直接應(yīng)用于肝臟腫瘤分割這類目標(biāo)體素?cái)?shù)據(jù)量極小的任務(wù)，可能會導(dǎo)致模型出現(xiàn)過擬合等問題。

發(fā)明內(nèi)容

為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明要解決的技術(shù)問題是提供了一種肝臟以及肝臟腫瘤的圖像分割方法，其能夠有效針對不同模態(tài)下的肝臟以及肝臟腫瘤進(jìn)行準(zhǔn)確分割。