[發(fā)明專利]一種基于深度學(xué)習(xí)的支氣管肺段圖像分割方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110769339.8
• 申請(qǐng)日: 2021-07-07
• 公開（公告）號(hào): CN113793357A
• 公開（公告）日: 2021-12-14
• 發(fā)明（設(shè)計(jì)）人: 袁康;何毅;楊健程
• 申請(qǐng)（專利權(quán)）人: 點(diǎn)內(nèi)（上海）生物科技有限公司
• 主分類號(hào): G06T7/187
• 分類號(hào): 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(wù)所(普通合伙) 31287
• 代理人: 于曉菁

本發(fā)明涉及一種基于深度學(xué)習(xí)的支氣管肺段圖像分割方法及系統(tǒng)，所述方法包括：S1：提取肺部圖像，對(duì)所述肺部圖像進(jìn)行支氣管分割，得到支氣管分割圖像；S2：對(duì)所述支氣管分割圖像進(jìn)行關(guān)鍵點(diǎn)分類和標(biāo)注，得到支氣管關(guān)鍵點(diǎn)標(biāo)注圖像；對(duì)所述支氣管關(guān)鍵點(diǎn)標(biāo)注圖像進(jìn)行分割，得到肺段分割圖像。本發(fā)明通過(guò)提取肺部圖像，先對(duì)支氣管圖像進(jìn)行分割和數(shù)據(jù)標(biāo)注，然后對(duì)肺部圖像進(jìn)行分割，提高了支氣管細(xì)分支和末端處的圖像分割清晰度和準(zhǔn)確度，同時(shí)提高了肺段圖像分割的穩(wěn)定性，簡(jiǎn)化了過(guò)程，降低了數(shù)據(jù)依賴性。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像分割技術(shù)領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的支氣管肺段圖像分割方法及系統(tǒng)。

背景技術(shù)

定位病灶位置是肺部疾病診療過(guò)程中非常重要的一步，因此完成支氣管的分割，并在此基礎(chǔ)上完成對(duì)肺段的分割定位，是非常有價(jià)值的技術(shù)手段。過(guò)去，支氣管的分割和肺段定位都是由醫(yī)生手工勾畫出來(lái)的，由于每個(gè)人的肺部情況迥異，且支氣管的變異情況較為復(fù)雜，所以醫(yī)生往往需要花費(fèi)很多的時(shí)間，而且分割的質(zhì)量良莠不齊，進(jìn)而影響手術(shù)方案的設(shè)計(jì)和執(zhí)行。近年來(lái)，隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)的發(fā)展，我們可以借助計(jì)算機(jī)輔助技術(shù)來(lái)提升支氣管分割和肺段分割的速度精度和穩(wěn)定性。

現(xiàn)階段的支氣管分割方法很多還是基于傳統(tǒng)圖像算法的閾值分割技術(shù)，或是直接使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，算法結(jié)果往往不能準(zhǔn)確分割支氣管細(xì)分支和末端；而在肺段分割任務(wù)中，直接使用模型預(yù)測(cè)則會(huì)發(fā)生分割結(jié)果不穩(wěn)定，分割面不閉合的情況，而且完整的肺段分割數(shù)據(jù)標(biāo)記成本很高，質(zhì)量一般，這樣會(huì)造成模型無(wú)法準(zhǔn)確的學(xué)習(xí)到肺段分割面的特征。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種基于深度學(xué)習(xí)的支氣管肺段圖像分割方法及系統(tǒng)，通過(guò)提取肺部圖像，先對(duì)支氣管圖像進(jìn)行分割和數(shù)據(jù)標(biāo)注，然后對(duì)肺部圖像進(jìn)行分割，提高了支氣管細(xì)分支和末端處的圖像分割清晰度和準(zhǔn)確度，同時(shí)提高了肺段圖像分割的穩(wěn)定性，簡(jiǎn)化了過(guò)程，降低了數(shù)據(jù)依賴性。

根據(jù)本發(fā)明的一個(gè)方面，本發(fā)明提供了一種基于深度學(xué)習(xí)的支氣管肺段圖像分割方法，所述方法包括以下步驟：

S1：提取肺部圖像，對(duì)所述肺部圖像進(jìn)行支氣管分割，得到支氣管分割圖像；

S2：對(duì)所述支氣管分割圖像進(jìn)行關(guān)鍵點(diǎn)分類和標(biāo)注，得到支氣管關(guān)鍵點(diǎn)標(biāo)注圖像；對(duì)所述支氣管關(guān)鍵點(diǎn)標(biāo)注圖像進(jìn)行分割，得到肺段分割圖像。

優(yōu)選地，所述對(duì)所述肺部圖像進(jìn)行支氣管分割，得到支氣管分割圖像，包括：

對(duì)圖像進(jìn)行閾值分割、歸一化、數(shù)據(jù)增強(qiáng)、重采樣和過(guò)采樣操作，得到模型輸入數(shù)據(jù)；

采用兩階段的3D-UNet網(wǎng)絡(luò)分別對(duì)低分辨率和高分辨率的肺部圖像數(shù)據(jù)進(jìn)行計(jì)算，輸出分割結(jié)果；

對(duì)分割結(jié)果進(jìn)行最大連通域分析，篩選出像素?cái)?shù)量最大的區(qū)域和體積大于預(yù)定數(shù)量的體素的連通區(qū)域；

對(duì)篩選出來(lái)的區(qū)域進(jìn)行形態(tài)學(xué)調(diào)整和支氣管分支斷裂處連接處理，得到支氣管分割圖像。

優(yōu)選地，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(shù)由二分類的交叉熵?fù)p失和Dice損失按照不同的權(quán)重組合而成，組合權(quán)重隨著損失函數(shù)值的變化而自動(dòng)調(diào)整；所述交叉熵?fù)p失和Dice損失的公式為：

其中H(p,q)為交叉熵?fù)p失，p(x)為真實(shí)概率分布，q(x)為真實(shí)概率分布，X為預(yù)測(cè)的二值分割圖像，Y為標(biāo)注的二值分割圖像。

優(yōu)選地，所述對(duì)所述支氣管分割圖像進(jìn)行關(guān)鍵點(diǎn)分類和標(biāo)注，得到支氣管關(guān)鍵點(diǎn)標(biāo)注圖像，包括：

使用機(jī)器學(xué)習(xí)模型支持向量機(jī)，利用損失函數(shù)對(duì)支氣管關(guān)鍵點(diǎn)進(jìn)行分類和標(biāo)注，得到肺葉標(biāo)注數(shù)據(jù)，根據(jù)模型中學(xué)習(xí)到的超參數(shù)確定肺段的基本分割面，其中，所述損失函數(shù)為Hinge函數(shù)：