[發明專利]一種基于級聯混合網絡的肝臟病變圖像分割方法

在審

• 申請號: 202110493903.8
• 申請日: 2021-05-07
• 公開（公告）號: CN113160208A
• 公開（公告）日: 2021-07-23
• 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: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/136;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級聯混合網絡的肝臟病變圖像分割方法，該方法首先通過2D卷積神經網絡對獲取到的腹部CT圖像進行處理，得到帶有訓練集和測試集的肝臟區域圖像；構建包括了用于分割肝臟CT圖像中大病灶的2D卷積神經網絡和用于分割肝臟中小病灶的3D卷積神經網絡的混合網絡圖像分割模型；將肝臟CT圖像中的訓練集進行預處理并對混合網絡圖像分割模型進行訓練，得到訓練完成的混合網絡圖像分割模型，測試得到肝臟病變圖像分割結果。本發明結合了2D神經網絡在圖像分割時計算時間和內存成本低，3D神經網絡在圖像分割時有較高精度的優點，實現了在保證精度的前提下，大大降低了計算時間和內存成本的目的。

技術領域

本發明屬于醫學圖像處理領域，具體涉及一種基于級聯混合網絡的肝臟病變圖像分割方法。

背景技術

肝癌是全球癌癥死亡的主要原因之一，對于肝癌的篩查，計算機斷層掃描(CT)是最常用的成像工具，CT中肝臟的形態和質地異常以及可見病變在原發性和繼發性肝腫瘤疾病中是疾病進展的重要的標志物。在臨床上，雖然已存在手動和半手動的技術，然而，這些方法都是主觀的、嚴重依賴操作者且非常耗時。為了提高放射科醫生的生產力，計算機輔助的方法在過去已經有所發展，然而由于肝臟與其病變的低對比度，對比度的不同類型、組織中的異常(轉移性切除術)、病變的大小以及數量變化，自動肝臟及其病變分割依然是一個非常具有挑戰性的問題。

現有技術中通常是采用基于2D卷積神經網絡(Convolutional Neural Network)或3D卷積神經網絡的肝臟腫瘤自動分割方法，采用2D卷積神經網絡對于處理小病灶時的效果較差，也存在著肝臟病變分割結果中假陽性的問題，而采用3D卷積神經網絡雖然保證了精度，但存在著計算時間長和內存成本大的問題。

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級聯混合網絡的肝臟病變圖像分割方法，在不犧牲精度的前提下，大大降低計算時間和內存成本，為了達到該目的，本發明的技術方案如下：

一種基于級聯混合網絡的肝臟病變圖像分割方法，所述方法包括：

S1、獲取腹部CT圖像，通過2D卷積神經網絡對所述的腹部CT圖像進行處理得到肝臟區域圖像，其中所述的肝臟區域圖像包括訓練集和測試集；

S2、構建混合網絡圖像分割模型，其中所述的混合網絡圖像分割模型包括用于分割肝臟CT圖像中大病灶的2D卷積神經網絡和用于分割肝臟中小病灶的3D卷積神經網絡；所述的大病灶為肝臟CT圖像中大于預設閾值的肝臟病變，所述的小病灶為肝臟CT圖像中小于預設閾值的肝臟病變；

S3、對獲取到的肝臟區域圖像中的訓練集進行預處理得到所述2D卷積神經網絡的2D網絡訓練集和所述3D卷積神經網絡的3D網絡訓練集；其中所述的預處理包括對肝臟區域圖像進行直方圖均衡化處理；

S4、將預處理得到的2D網絡訓練集輸入到2D卷積神經網絡進行訓練，預處理得到的3D網絡訓練集輸入到3D卷積神經網絡進行訓練，得到訓練好的2D 卷積神經網絡和3D卷積神經網絡；

S5、將肝臟區域圖像中的測試集輸入到訓練完成的混合網絡分割模型，完成肝臟病變圖像分割。

進一步地，所述的2D卷積神經網絡和3D卷積神經網絡采用Unet神經網絡結構。

進一步地，所述的2D卷積神經網絡中的編碼器由兩個卷積層組成，卷積層的過濾器大小都是3×3。

進一步地，所述的3D卷積神經網絡中的編碼器由3個3D卷積塊組成。

進一步地，所述的腹部CT圖像的每個切片分辨率為512×512，所述的預設閾值為32×32。

進一步地，對獲取到的肝臟CT圖像中的訓練集進行預處理還包括使用組件標簽定位病變中心，根據病變中心設置3D網絡訓練集。

本發明的有益效果在于：