[發明專利]一種肺部多器官同步分割方法

在審

• 申請號: 202011627996.0
• 申請日: 2020-12-31
• 公開（公告）號: CN112767411A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 羅雄彪;萬英
• 申請（專利權）人: 羅雄彪;萬英
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/13;G06T7/136;G06T5/40;G06T5/00;G06K9/62
• 代理公司: 北京知聯天下知識產權代理事務所(普通合伙) 11594
• 代理人: 史光偉;張迎新

本發明涉及一種一種肺部多器官同步分割方法，所述方法包括步驟a：對肺部多器官進行交互式數據標注；步驟b：對所述數據標注進行數據預處理；步驟c：對所述數據預處理結果構造數據集；步驟d：增強擴充所述數據集；步驟e：對所述數據集進行DC?U?Net網絡模型訓練，得到DC?U?Net訓練模型；步驟f：基于所述DC?U?Net訓練模型的肺部多器官進行自動分割。本發明基于深度學習技術能夠實現自動提取肺實質、血管、支氣管與肺結節區域，實現同步分割。

技術領域

本發明屬于醫學圖像處理分析領域，特別涉及一種肺部多器官同步分割方法。

背景技術

現有的肺部肺實質、血管、支氣管與肺結節分割方法主要是使用各種自適應區域生長方法以及閾值分割方法提取，這種方法的缺點有：1)速度慢、泛化能力差，需要反復調整多個參數，由于圖像存在噪聲，對每一個體素進行判斷的方法可以精確地分類，但是對噪聲敏感，導致需要反復調節生長閾值等參數才能達到最好的分割效果；2)無法同步分割，需要按照一定的順序分割三種器官；3)人工交互頻繁，分割流程繁瑣。同時還有部分使用深度學習神經網絡方法獲取分割結果，分為三維網絡和二維網絡兩種，存在以下幾個缺點：使用三維網絡需要占用大量的顯存和內存資源；以及使用二維網絡獲得的分割結果誤分割情況嚴重。

現有的肺部器官傳統分割方法主要分為以下幾類：閾值分割、種子點自適應增長、濾波獲取候選區和機器學習分類。閾值分割就是根據需要提取的目標的CT值，通過設定某一閾值快速分割圖像前景和背景的一種方法。種子點自適應增長則是通過自動或手動選取初始生長點，設定生長條件，通過判斷種子點的周圍像素點是否能夠成為新的種子點達到分割的目的。濾波獲取候選區是利用器官在二維層片上的一些信息，將疑似區域選取出來，通過種子點生長等方法提取的一種分割方法。該方法計算步驟較為繁瑣，如需要提前計算矩陣的二階導數，即hessian矩陣，以此獲得像素的變換規律，從而確定圖像中的環狀區域，通過提取環狀區域或者增強環狀區域的對比度達到濾波的目的。最后一種是機器學習分類方法，主要是利用不同的機器學習算法，如支持向量機，K最鄰近等方法，計算某點是否屬于某器官的概率，一般用于粗分割后的完善分割結果階段。而不論使用那種方法，都無法達到多器官同步分割的效果。

因此，肺部器官同步分割問題越來越成為亟待解決的技術問題。

發明內容

針對上述問題，本發明提供一種肺部多器官同步分割方法，所述方法包括：

步驟a：對肺部多器官進行交互式數據標注；

步驟b：對所述數據標注進行數據預處理；

步驟c：對所述數據預處理結果構造數據集；

步驟d：增強擴充所述數據集；

步驟e：對所述數據集進行DC-U-Net網絡模型訓練，得到DC-U-Net訓練模型；

步驟f：基于所述DC-U-Net訓練模型的肺部多器官進行自動分割。

進一步地，

所述步驟a中對肺部多器官進行交互式數據標注包括對肺實質、支氣管、血管、肺結節區域進行交互式數據標注。

進一步地，

對所述肺實質進行交互式數據標注主要包括以下步驟：

使用循環判斷方法對所述肺實質區域進行閾值分割；

采用直方圖分析方法選出需要濾波預處理的肺實質圖像，優化所述閾值分割結果；

根據CT序列的上下圖層相關性，優化所述閾值分割結果的邊緣；

對誤分割區域進行手動交互式調整，剔除誤分割區域，形成精確的肺實質交互式數據標注。

進一步地，