[發明專利]一種基于深度學習的支氣管肺段圖像分割方法及系統

在審

• 申請號: 202110769339.8
• 申請日: 2021-07-07
• 公開（公告）號: CN113793357A
• 公開（公告）日: 2021-12-14
• 發明（設計）人: 袁康;何毅;楊健程
• 申請（專利權）人: 點內（上海）生物科技有限公司
• 主分類號: G06T7/187
• 分類號: G06T7/187;G06T7/194;G06T7/155;G06T7/143;G06T7/136;G06T7/12;G06T7/181;G06K9/62
• 代理公司: 上海容慧專利代理事務所(普通合伙) 31287
• 代理人: 于曉菁

1.一種基于深度學習的支氣管肺段圖像分割方法，其特征在于，所述方法包括以下步驟：

S1：提取肺部圖像，對所述肺部圖像進行支氣管分割，得到支氣管分割圖像；

S2：對所述支氣管分割圖像進行關鍵點分類和標注，得到支氣管關鍵點標注圖像；對所述支氣管關鍵點標注圖像進行分割，得到肺段分割圖像。

2.根據權利要求1所述的方法，其特征在于，所述對所述肺部圖像進行支氣管分割，得到支氣管分割圖像，包括：

對圖像進行閾值分割、歸一化、數據增強、重采樣和過采樣操作，得到模型輸入數據；

采用兩階段的3D-UNet網絡分別對低分辨率和高分辨率的肺部圖像數據進行計算，輸出分割結果；

對分割結果進行最大連通域分析，篩選出像素數量最大的區域和體積大于預定數量的體素的連通區域；

對篩選出來的區域進行形態學調整和支氣管分支斷裂處連接處理，得到支氣管分割圖像。

3.根據權利要求2所述的方法，其特征在于，所述支氣管分割圖像包括支氣管前景通道和背景通道；所述前景通道和背景通道的損失函數由二分類的交叉熵損失和Dice損失按照不同的權重組合而成，組合權重隨著損失函數值的變化而自動調整；所述交叉熵損失和Dice損失的公式為：

其中H(p,q)為交叉熵損失，p(x)為真實概率分布，q(x)為真實概率分布，X為預測的二值分割圖像，Y為標注的二值分割圖像。

4.根據權利要求3所述的方法，其特征在于，所述對所述支氣管分割圖像進行關鍵點分類和標注，得到支氣管關鍵點標注圖像，包括：

使用機器學習模型支持向量機，利用損失函數對支氣管關鍵點進行分類和標注，得到肺葉標注數據，根據模型中學習到的超參數確定肺段的基本分割面，其中，所述損失函數為Hinge函數：

hinge(y)＝max(0,1-y·y′)

其中y為二值標注數據(0或1)，y'為模型預測值。

5.根據權利要求4所述的方法，其特征在于，所述對所述支氣管關鍵點標注圖像進行分割，得到肺段分割圖像，包括：

基于所述肺葉標注數據，將超參數加載至相應的肺葉區域，整理出所有肺葉體素的坐標，并依次輸入到支持向量機的模型中，從而將肺葉體素完全對應到各個肺段的分類中；

若存在肺葉標注數據缺失，則對缺失標注數據的肺段位置進行肺段位置和比例的概率統計，計算出所述肺段位置的位置坐標，根據所述位置坐標對所述肺葉標注數據進行補充，進而在相應區域進行缺失肺段的自動補全。

6.一種基于深度學習的支氣管肺段圖像分割系統，其特征在于，所述系統包括：

支氣管分割裝置，用于提取肺部圖像，對所述肺部圖像進行支氣管分割，得到支氣管分割圖像；

肺段分割裝置，用于對所述支氣管分割圖像進行關鍵點分類和標注，得到支氣管關鍵點標注圖像；對所述支氣管關鍵點標注圖像進行分割，得到肺段分割圖像。

7.根據權利要求6所述的系統，其特征在于，所述支氣管分割裝置包括：

圖像預處理模塊，對圖像進行閾值分割、歸一化、數據增強、重采樣和過采樣操作，得到模型輸入數據；

肺分割模塊，采用兩階段的3D-UNet網絡分別對低分辨率和高分辨率的肺部圖像數據進行計算，輸出分割結果；

篩選模塊，對分割結果進行最大連通域分析，篩選出像素數量最大的區域和體積大于預定數量的體素的連通區域；

優化模塊，對篩選出來的區域進行形態學調整和支氣管分支斷裂處連接處理，得到支氣管分割圖像。

8.根據權利要求7所述的系統，其特征在于，所述支氣管分割圖像包括支氣管前景通道和背景通道；所述前景通道和背景通道的損失函數由二分類的交叉熵損失和Dice損失按照不同的權重組合而成，組合權重隨著損失函數值的變化而自動調整；所述交叉熵損失和Dice損失的公式為：

其中H(p,q)為交叉熵損失，p(x)為真實概率分布，q(x)為真實概率分布，X為預測的二值分割圖像，Y為標注的二值分割圖像。