[发明专利]一种三维医学图像中管状结构的分割方法

权利要求书

1.一种三维医学图像中管状结构的分割方法，其特征在于，包括离线时期与在线时期；其中：

离线时期包括以下步骤：

1)获取训练图像并对训练图像进行人工标注；

采集N张同种类型三维医学图像作为训练图像，N大于等于20，根据训练图像对待分割的管状结构进行0/1二值标注；

2)估计管状结构的空间概率密度得到管状结构空间概率密度图像；

首先将三维医学图像通过图像配准算法对齐，将对齐后的所有管状结构人工标注图像使用逻辑或运算进行合并；然后对得到的结果使用概率密度估计算法，估计管状结构的空间概率密度，得到管状结构空间概率密度图像；

3)三维全卷积网络参数训练；

首先建立三维全卷积网络，然后将步骤2)得到的管状结构空间概率密度图像通过图像配准算法对齐至各训练图像，得到对应的管状结构位置先验分布图像；所有的训练图像、管状结构位置先验分布图像、以及人工标注图像组成训练数据集，用于训练三维全卷积网络参数；

在线时期包括以下步骤：

4)获取待分割图像；

采集一张包含有待分割管状结构的三维医学图像，图像类型与获取方式与离线时期中步骤1)相同，但不进行人工标注；

5)估计管状结构的位置先验分布；

将离线时期步骤2)得到的管状结构空间概率密度图像通过图像配准算法对齐至待分割图像，得到管状结构的位置先验分布图像；图像配准算法采用以基于关键点检测的刚体配准方法；

6)基于三维全卷积网络得到管状结构分割结果；

首先建立三维全卷积网络，使用的网络结构与离线时期建立的三维全卷积网络相同，但是去掉从低到高部分的三个深度辅助监督，使用的网络参数为离线时期中步骤3)的训练结果；将待分割图像与对应的管状结构位置先验分布图像在通道维度堆叠为多通道图像，与离线时期相同，在该多通道图像上截取K³分辨率大小的局部图像块作为三维全卷积网络的输入，图像块之间有重叠，网络的输出为相应图像块的增强结果图像，将这些图像块的增强结果图像根据截取时的位置填充至与待分割图像相同大小的增强结果中，重叠部分采用取平均的方式，对与待分割图像相同大小的增强结果进行二值化得到最终的分割结果。

2.如权利要求1所述三维医学图像中管状结构的分割方法，其特征在于，所述步骤2)具体包括以下子步骤：

2-1)图像配准；

首先定义三维医学图像中具有显著解剖学意义、位置相对稳定的点为关键点，3个不在同一直线上的关键点确定特定目标结构在空间中的位置和姿态，基于这三个关键点定义统一的坐标系，根据定义的坐标系将所有的管状结构人工标注图像都对齐至同一坐标系下；

2-2)概率密度估计；

将所有对齐至同一坐标系下的管状结构人工标注图像相加，对相加得到的结果图像使用概率密度估计算法估计管状结构的空间概率密度得到管状结构空间概率密度图像；采用以非参数概率密度估计中的Parzen窗法，Parzen窗法估计概率密度的具体公式为：

其中，x_i,i＝1,2,…,N为超球窗内是所有属于管状结构的体素，x为当前体素，核函数K(x,x_i)采用超球窗函数定义：

其中，R为超球窗的半径，V是超球窗的体积，I(·)为示性函数，当括号内的条件满足时为1，否则为0。

3.如权利要求1所述三维医学图像中管状结构的分割方法，其特征在于，所述步骤3)具体包括以下子步骤：

3-1)三维全卷积网络的建立；

将三维医学图像与对应的管状结构位置先验图像同时输入到三维全卷积网络中，输入层通道数为2，输出层通道数为2，其中第1个输出通道代表出现管状结构的概率，第2个输出通道代表出现背景的概率；整个网络分为从高到低和从低到高两个部分，高、低用于描述中间结果的分辨率；该网络具体结构定义为：

从高到低部分共有4个卷积模块，每个卷积层由批归一化、非线性激活以及三维卷积操作按顺序组成；每个卷积模块使用残差结构，即卷积模块的原始输出加上卷积模块的输入作为卷积模块的最终输出；

从低到高部分共有3个卷积模块，每个卷积层由批归一化、非线性激活以及三维卷积操作按顺序组成；每个卷积模块的输入由两部分拼接而成，分别为上一层的输出和从高到低部分中具有相同分辨率的卷积模块输出；拼接方式为在通道维度上的堆叠；每个卷积模块同样使用残差结构，即卷积模块的输入与原始输出相加作为卷积模块的最终输出；

在从低到高部分的三个位置上还定义有深度辅助监督，分别位于第一个反卷积层的输入、输出、以及第二个反卷积层的输出，对这三个位置上的中间结果进行若干次反卷积操作，直至与三维全卷积网络的输入具有相同的分辨率大小；

3-2)网络参数训练；

首先将步骤2)得到的管状结构空间概率密度图像对齐至各训练图像，作为各训练图像的管状结构位置先验分布图像；每个训练图像与对应的管状结构位置先验分布图像堆叠为多通道图像；受到内存即显存大小的限制；在得到的多通道图像上截取K³分辨率大小的局部图像块作为三维全卷积网络的输入，同时在对应的人工标注图像上的相同位置截取相同大小的局部图像块用于三维全卷积网络的网络参数训练；

所有的训练图像、管状结构的位置先验分布图像、以及人工标注图像共同组成三维全卷积网络的训练数据集，训练时的损失函数定义为：

其中

p_t＝y_p+(1-y)(1-p),

上述损失函数作为三维全卷积网络的输出与人工标注图像之间的损失函数，表示三维全卷积网络的输入图像，表示三维全卷积网络的全部待训练参数，x为该图像中的像素点，y为类别取值，y取0时为非管状结构，y取1时为管状结构，则表示该图像中属于类别y的像素点集合，p为三维全卷积网络输出预测结果，α为权重因子，用于平衡类别间的重要程度，而γ为衰减因子，的定义与类似，预测结果p分别为从高到低部分中三个深度辅助监督位置上的反卷积输出，β^s为深度监督中不同尺度s下的权重系数，s取值为1、2、3；

根据定义的损失函数，输入训练数据进行分割网络参数的训练，分割网络的参数初始化为当总的损失函数不再下降时停止训练，得到最优的网络参数