[发明专利]一种基于CT图像的肝脏肿瘤分割方法及装置

说明书

本发明提供了基于CT图像的肝脏肿瘤分割方法及装置。方法包括：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；从肝脏的CT图像的金标准图像中提取病变切片和正常组织切片，将其划分为正样本和负样本；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，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；对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；构建无向图，使用图割优化算法得到肿瘤的最终分割区域。

技术领域

本发明属于医学图像处理领域，尤其涉及一种基于CT图像的肝脏肿瘤分割方法及装置。

背景技术

肝脏是维持人体生命活动重要且复杂的功能器官，肝脏病变多发，病变种类多，发病率高。计算机发射断层扫描(Computed Tomography,CT)图像已成为临床诊断中重要的常规手段之一，是肝脏疾病的重要检查手段。目前肝肿瘤治疗手段主要包括肿瘤切除、介入、放射治疗等，肿瘤切除是其中最有效的治疗方式。这些治疗手段都需要在术前精确了解肿瘤的数量、位置、大小和形状等信息，有助于肝脏肿瘤治疗方案的制定，但是肿瘤个体差异性大，肝脏肿瘤和肝脏实质界限模糊，肿瘤的位置、大小、形状、灰度以及纹理各异，很难研究出一种通用的肿瘤分割算法。人工手动分割需要具有解剖学知识和经验，而且人为主观性强，需要花费大量时间和精力。由于肿瘤边界模糊，表现差异性大等因素，大多数肝脏分割方法无法达到临床要求精度。

现有的全自动分割肝脏肿瘤方法，主要的流程是人工对训练数据进行特征提取、特征选择、设计分类器，通过监督学习或者非监督学习得到预测模型，根据此模型对测试数据进行预测，特征提取过程计算量大、耗时多，能不能选取好的特征很大程度上靠经验和运气。

发明内容

本发明要解决的技术问题在于克服传统分割方法手工设计提取特征的局限性。

为了达到上述目的，本发明实施例提供一种基于CT图像的肝脏肿瘤分割方法，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。

进一步地，在一实施例中，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。

进一步地，在一实施例中，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。

进一步地，在一实施例中，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或者背景，分别标记为1和0，得到肿瘤的最终分割区域。