[发明专利]一种三维医学图像中管状结构的分割方法

说明书

本发明涉及一种三维医学图像中管状结构的分割方法。属于医学图像处技术领域。该方法在离线时期中包括获取训练图像并对训练图像进行人工标注；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；三维全卷积网络参数训练；在线时期中包括获取待分割图像；估计管状结构的位置先验分布；基于三维全卷积网络的管状结构分割得到分割结果。本发明中，三维医学图像中管状结构的分割方法的输入是三维医学图像，输出为对应的特定管状结构分割结果。本发明的管状结构分割方法可以有效抑制图像中其他结构的影响、提高在非正常管状结构区域的分割性能。

技术领域

本发明属于医学图像处理技术领域，尤其涉及一种三维医学图像中管状结构的分割方法。

背景技术

三维医学图像中的管状结构大多对应动脉、静脉、气管等重要功能组织，通过对图像中的管状结构进行观察分析，医生可以在不进行外科手术的情况下对患者的身体整体情况及特定组织的情况有更直观、全面的了解。以冠状动脉举例，冠状动脉是负责向心肌组织进行氧气和营养输送的血管，因此发生在冠状动脉上的病变将会对整个心脏的正常工作产生影响。如果能够通过对冠状动脉三维图像中的冠状动脉进行分析，医生对冠脉的输血能力和心脏的供血情况有更整体的了解，便于之后手术方案的确定。但是这样的分析过程严重依赖于医生的临床经验，并且由于三维医学图像不够直观，以及图像质量欠佳的影响(例如可能存在的人工制品、对比度低、异常结构等)，医生的分析判断往往会遇到很大的困难，因此如果能对三维医学图像中的管状结构进行自动分析，可以大大提高诊断效率和准确率。

三维医学图像中管状结构的分割与提取已有很多的相关方法，分割目标包括冠状动脉、主动脉、肺气管以及其他器官的血管等等。例如一类方法使用机器学习的方法实现对冠状动脉血管的分割，该方法分为两个阶段，在第一个阶段中首先对冠状动脉血管进行粗略的分割，第二个阶段则是在前一阶段的粗分割结果上进行更为精细地分割，由于前一阶段已经排除了大量的非冠状动脉血管区域，因此第二个阶段更专注于分割冠状动脉与类冠状动脉结构，并且使分割结果更为精细、准确。两个阶段使用相同的特征提取方法，训练时第一个阶段在完整图像上进行训练，大量排除非冠状动脉区域，而第二个阶段则在粗分割结果形成的掩模上进行训练，对上一步的粗分割结果进行更精细地调整。但是该类方法将冠状动脉血管的分割问题视为逐像素的分类任务，往往忽视了相邻像素之间的类别约束关系。综合来看，已有的管状结构分割方法一般具有以下的局限性和不足：

A)管状结构被建模为一个具有多方向、多尺度的管状模型，无法很好地应对出现分叉、病变等非正常管状结构的部位。

B)分割方法是根据特定的任务设计的，仅能应对特定的管状结构，无法进行很好地迁移。

C)部分算法使用机器学习解决管状结构的分割问题时，仅仅将其视为像素级别的分类问题，没有考虑到相邻像素之间的类别约束关系。

除管状结构的分割之外，深度学习已经在很多医学图像分割任务中得到应用，但是这些方法在使用卷积神经网络进行目标器官的分割时忽略了目标的先验知识。例如医学图像中特定的器官几乎分布于特定的区域内，如果能够在深度学习框架中引入这类位置先验信息的约束，可以对分割过程起到很好的约束作用。管状结构的分割问题同样具有这样的特性，人体中的管状结构大都具有特定的分布规律，以冠状动脉举例：冠状动脉分为左右两支，从主动脉根部的两侧发出，然后环绕心脏并分布于心脏表面之上，其分布具有很强的规律性，如果能够将这样的分布规律与深度学习算法结合起来，会对管状结构的分割准确率有较大的提升。但目前尚未有将先验知识与深度学习结合起来的管状结构分割方法。

发明内容

本发明的目的是为克服已有技术的不足之处，提出一种三维医学图像中管状结构的分割方法。该方法不限定于某种特定血管的分割，可以广泛应用于多种血管、气管、消化道等管状结构的分割任务，位置先验信息的应用能够提高在图像模糊、对比度低、出现病变等非正常管状结构区域的分割算法性能，有很高的应用价值。

本发明的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：