[發明專利]一種基于深度學習的肝臟血管圖像分割方法

在審

• 申請號: 202110493743.7
• 申請日: 2021-05-07
• 公開（公告）號: CN113344940A
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 王博;趙威;申建虎;張偉;徐正清
• 申請（專利權）人: 西安智診智能科技有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T9/00;G06T5/50;G06T3/40;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于深度學習的肝臟血管圖像分割方法，首先獲取原始計算機斷層掃描圖像，通過人工標記出肝臟血管區域掩膜圖像，并對第一3D圖像分割模型進行訓練，利用第一3D圖像分割模型，得到第一3D圖像分割模型分割結果，并基于該結果標記為漏分割區域掩膜圖像和誤分割區域掩膜圖像，再將原始計算機斷層掃描圖像、第一3D圖像分割模型分割結果、漏分割區域掩膜圖像和誤分割區域掩膜圖像進行通道疊加得到第一融合圖像，將第一融合圖像對第二3D圖像分割模型訓練，直至第二3D圖像分割模型訓練完成，利用訓練完成的第二3D圖像分割模型得到肝臟血管分割結果。本方法通過訓練漏分割區域和誤分割區域信息，相比于現有方法更加準確。

技術領域

本發明屬于醫學圖像處理領域，具體涉及一種基于深度學習的肝臟血管圖像分割方法。

背景技術

隨著醫學影像學設備的快速發展和普及，成像技術包括磁共振成像 (MR)、計算機斷層掃描(CT)、超聲、正電子發射斷層掃描(PET)等，成為醫療機構開展疾病診斷、手術計劃制定、預后評估、隨訪不可或缺的設備。全世界每天都產生大量的醫學影像學信息，有報道顯示全世界醫學影像信息量占全世界信息總量的1/5以上。醫學圖像處理是分析醫學圖像的首要步驟，有助于使圖像更加直觀、清晰，提高診斷效率，因此國內外都十分重視醫學影像處理。圖像分割是圖像處理的重要環節，也是難點，是制約三維重建等技術應用的瓶頸性問題。近年來，由于深度學習方法的迅速發展，基于深度學習的圖像分割算法在醫學圖像分割領域取得了顯著的成就。

現有肝臟血管分割方法中，一般是將CT影像的某個掃描序列送入訓練好的深度學習網絡中，直接進行血管的分割，然后現有技術一般存在血管區域漏分割，以及誤分割的情況。

發明內容

為了解決現有技術的上述問題，本發明提供一種基于深度學習的肝臟血管圖像分割方法，首先進行第一階段肝臟血管分割，通過人工干預提供的漏分割區域和誤分割區域信息，對第一階段風格結果進行修正，最后得到完整的肝血管分割結果，本發明的技術方案如下：

一種基于深度學習的肝臟血管圖像分割方法，該方法包括：

S1、獲取原始計算機斷層掃描圖像，通過人工標記出肝臟血管區域掩膜圖像，組成訓練集和數據集；

S2、通過所述訓練集對第一3D圖像分割模型進行訓練，得到訓練完成的第一3D圖像分割模型，其中，所述第一3D圖像分割模型包括編碼部分和解碼部分，所述編碼部分用于對輸入圖像進行特征提取與分析，所述解碼部分用于將輸入圖像所提取出的特征進行還原；

S3、通過所述第一3D圖像分割模型獲取所述數據集的第一肝臟血管分割圖像；

S4、基于所述第一肝臟血管分割圖像，通過人工標記分別得到漏分割區域掩膜圖像和誤分割區域掩膜圖像；

S5、對所述原始計算機斷層掃描圖像、第一肝臟血管分割圖像、漏分割區域掩膜圖像和誤分割區域掩膜圖像進行通道融合，得到第一融合圖像；

S6、通過所述第一融合圖像對第二3D圖像分割模型進行訓練，得到訓練完成的第二3D圖像分割模型，其中，所述第二3D圖像分割模型包括編碼部分和解碼部分，所述編碼部分用于對輸入圖像進行特征提取與分析，所述解碼部分用于將輸入圖像所提取出的特征進行還原；

S7、獲取待分割肝臟血管分割圖像，將所述待分割肝臟血管分割圖像輸入到所述訓練完成的第一3D圖像分割模型中得到待分割第一肝臟血管分割圖像，通過人工標記出所述待分割第一肝臟血管分割圖像的漏分割區域掩膜圖像和誤分割區域掩膜圖像；

S8、對所述待分割肝臟血管分割圖像、所述待分割第一肝臟血管分割圖像及所述待分割第一肝臟血管分割圖像的漏分割區域掩膜圖像和誤分割區域掩膜圖像進行通道融合得到待分割第二肝臟血管分割圖像；

S9、將所述待分割第二肝臟血管分割圖像輸入到所述訓練完成的第二3D 圖像分割模型中，得到肝臟血管圖像分割結果。