[发明专利]CT图像中肺部血管分割方法

说明书

本发明公开了一种CT图像中肺部血管分割方法，包括：使用堆叠式全卷积神经网络依次对未增强的肺部CT图像进行肺部区域的提取与血管分割，并输出血管分类概率；基于血管分类概率，使用基于血管走形的区域生长算法获得最终的肺部血管分割结果。上述方法可以极大的提高血管分割精确度，实验表明上述方法无论是精确度、召回率及F值都优于现有方案。

技术领域

本发明涉及CT图像处理技术领域，尤其涉及一种CT图像中肺部血管分割方法。

背景技术

医学图像分割技术是医学领域图像处理的关键技术之一，由于身体组织器官的复杂性和个体差异性，不再加上医学图像具有一些自己的特征，例如成像的原理和模型的多样性、噪声以及不同的设备状况都会导致最后有不同的成像结果，造成了传统图像分割算法在医学图像分割领域中分割结果不准确问题。

在医学图像分割领域中的肺部血管分割领域中，肺部血管成像有血管对比度低，细小血管结构复杂，肺部组织结构复杂，肺部图像噪声较多等特点，使得准确的肺部血管分割具有一定的难度，在过去一些时间内，大多通过人工方式来进行，但是，对操作者的水平要求较高，并且，其精确度也难以保证。

近年来，学者们运用深度学习技术对疾病诊断分析，深度学习运用于医学领域提高疾病诊断和辅助治疗已经成为一种趋势，并且在医学图像分割中具有重大的研究意义，但是，目前基于U-net的分割算法精确度还有待提升。

发明内容

本发明的目的是提供一种CT图像中肺部血管分割方法，具有较高的精确度。

本发明的目的是通过以下技术方案实现的：

一种CT图像中肺部血管分割方法，其特征在于，包括：

使用堆叠式全卷积神经网络依次对未增强的肺部CT图像进行肺部区域的提取与血管分割，并将一系列二维血管分割结果堆叠为三维血管分割结果；

基于三维血管分割结果，使用基于血管走形的区域生长算法获得最终的肺部血管分割结果。

由上述本发明提供的技术方案可以看出，通过堆叠式全卷积神经网络与基于血管走形的区域生长算法相配合实现的肺部血管分割方式，可以极大的提高血管分割精确度，实验表明本发明提供的方案无论是精确度、召回率及F值都优于现有方案。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种CT图像中肺部血管分割方法的框架图；

图2为本发明实施例提供的肺部区域分割结果示意图；

图3为本发明实施例提供的肺部区域提取过程示意图；

图4为本发明实施例提供的血管走形特征判断示意图；

图5为本发明实施例提供的肺部血管分割结果示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

本发明实施例提供一种CT图像中肺部血管分割方法，如图1所示，其主要包括如下两个部分：

1、使用堆叠式全卷积神经网络依次对未增强的肺部CT图像进行肺部区域的提取与血管分割，并将一系列二维血管分割结果堆叠为三维血管分割结果。