[发明专利]一种基于CT图像的肝脏肿瘤分割方法及装置

权利要求书

1.一种基于CT图像的肝脏肿瘤分割方法，其特征在于，所述方法包括：

步骤1，对肝脏的CT图像数据进行高斯除噪，将其转化为灰度均值为0，方差为1的标准化数据并进行下采样操作；

步骤2，从所述肝脏的CT图像的金标准图像中提取病变切片和正常组织切片，根据切片中心像素点的标签分别将其划分为正样本和负样本，并采用随机采样的方法使得正负样本数量相等；

步骤3，构建多层次的深度卷积神经网络，通过随机梯度下降法训练模型，有监督的自动学习肿瘤特征和肝脏正常组织特征，得到网络模型，通过分类器获得肿瘤的粗分割二值图像及像素分类的概率图像；

步骤4，对所述肿瘤的粗分割二值图像进行形态学腐蚀操作，获得图割所需要的前景图像，再将肝脏的二值图像与肿瘤的粗分割二值图像作相减操作并进行形态学腐蚀操作，得到对应于肝脏正常组织的背景图像；

步骤5，根据所述前景图像和背景图像构建无向图，使用图割优化算法得到肿瘤的最终分割区域。

2.根据权利要求1所述的基于CT图像的肝脏肿瘤分割方法，其特征在于，在所述步骤2中，根据切片中心像素点的标签分别将其划分为正样本和负样本，包括：

正样本对应肿瘤切片，负样本对应正常组织切片，为了使得训练模型输入的正负样本数量均衡，采用随机采样的方法使得正负样本数量相等。

3.根据权利要求1所述的基于CT图像的肝脏肿瘤分割方法，其特征在于，在所述步骤3中，通过分类器获得肿瘤的粗分割二值图像及像素分类的概率图像，包括：

通过网络中最后一层的分类器将图像中每个像素点进行分类，得到属于肿瘤还是属于肝脏正常组织的概率值，根据所属类别的概率值的大小分类，获得所述肿瘤的粗分割二值图像及像素分类的概率图像。

4.根据权利要求1所述的基于CT图像的肝脏肿瘤分割方法，其特征在于，在所述步骤5中，根据所述前景图像和背景图像构建无向图，使用图割优化算法得到肿瘤的最终分割区域，包括：

根据所述前景图像和背景图像构建无向图，利用最大流/最小割算法优化能量函数使其达到最小，将全部的像素划分为目标和背景，分别标记为1和0，得到肿瘤的最终分割区域。

5.一种基于CT图像的肝脏肿瘤分割装置，其特征在于，所述装置包括：

图像预处理模块，用于对肝脏的CT图像数据进行高斯除噪，将其转化为灰度均值为0，方差为1的标准化数据并进行下采样操作；

样本采集模块，用于从所述肝脏的CT图像的金标准图像中提取病变切片和正常组织切片，根据切片中心像素点的标签分别将其划分为正样本和负样本，并采用随机采样的方法使得正负样本数量相等；

模型训练模块，用于构建多层次的深度卷积神经网络，通过随机梯度下降法训练模型，有监督的自动学习肿瘤特征和肝脏正常组织特征，得到网络模型，通过分类器获得肿瘤的粗分割二值图像及像素分类的概率图像；

腐蚀操作模块，用于对所述肿瘤的粗分割二值图像进行形态学腐蚀操作，获得图割所需要的前景图像，再将肝脏的二值图像与肿瘤的粗分割二值图像作相减操作并进行形态学腐蚀操作，得到对应于肝脏正常组织的背景图像；

分割区域生成模块，用于根据所述前景图像和背景图像构建无向图，使用图割优化算法得到肿瘤的最终分割区域。

6.根据权利要求5所述的基于CT图像的肝脏肿瘤分割装置，其特征在于，所述样本采集模块根据切片中心像素点的标签分别将其划分为正样本和负样本，具体包括：

正样本对应肿瘤切片，负样本对应正常组织切片，为了使得训练模型输入的正负样本数量均衡，采用随机采样的方法使得正负样本数量相等。

7.根据权利要求5所述的基于CT图像的肝脏肿瘤分割装置，其特征在于，所述模型训练模块通过分类器获得肿瘤的粗分割二值图像及像素分类的概率图像，具体包括：

通过网络中最后一层的分类器将图像中每个像素点进行分类，得到属于肿瘤还是属于肝脏正常组织的概率值，根据所属类别的概率值的大小分类，获得所述肿瘤的粗分割二值图像及像素分类的概率图像。

8.根据权利要求5所述的基于CT图像的肝脏肿瘤分割装置，其特征在于，所述分割区域生成模块根据所述前景图像和背景图像构建无向图，使用图割优化算法得到肿瘤的最终分割区域，具体包括：

根据所述前景图像和背景图像构建无向图，利用最大流/最小割算法优化能量函数使其达到最小，将全部的像素划分为目标和背景，分别标记为1和0，得到肿瘤的最终分割区域。