[发明专利]一种基于深度神经网络的CT图像肺实质三维语义分割方法

说明书

本发明公开了一种基于深度神经网络的CT图像肺实质三维语义分割方法，该分割方法包括离线部分和在线部分。离线部分：包括4个步骤：数据集的预处理；全卷积神经网络框架搭建；GRU循环卷积神经网络框架搭建；网络训练。在线部分：包括5个步骤：图像预处理；像素特征提取与融合；体素特征提取与融合；分割输出；分割结果评价。特征融合包括编码层与解码层之间的特征融合，解剖结构层与层之间的特征融合。通过设计带有门控循环单元的深度神经网络模型，利用肺部的解剖结构先验信息，提取空间特征来有效表征断层序列之间的表观演变关系，实现对CT图像中的肺实质进行准确的三维语义分割。

技术领域

本发明属于医学影像处理领域中的图像分割技术，具体涉及一种基于深度神经网络的CT图像肺实质三维语义分割方法。

背景技术

肺部疾病一直严重威胁着人类健康，肺癌居所有恶性肿瘤的病死率首位，总体5年生存率不超过15％。随着我国经济水平的快速发展，人们对于自身健康的关注程度也不断提高，疾病的早期诊断、早期治疗已经日益成为全社会共同关注的目标。为减轻医生的工作量，更快更准确地检查出肺部疾病，将医学图像处理技术应用于肺部疾病辅助诊断中，对临床肺部疾病的辅助诊断意义重大。肺实质的分割指的是将肺实质从肺部CT图像中提取出来，为临床治疗和病理学研究提供可靠依据。在肺部疾病计算机辅助诊断研究中，肺实质的分割是最为核心的步骤，是影响分析自动化、稳定性、结果精确性的关键问题，其处理结果的好坏直接影响到后续的分析过程，具有重大的临床诊断意义。

针对肺部CT图像肺实质分割问题，目前已有研究者开展了相关的研究工作。传统的肺部CT图像肺分割技术有阈值法、区域生长法、基于聚类的分割方法等。

阈值法用一个或几个门限值将图像的灰度直方图分成几类，认为灰度值在同一类的像素属于同一个物体。由于CT图像具有较高的密度分辨率，成像后的灰度差异很明显，因此阈值分割对于CT图像分割具有较好的效果，且其算法简单、计算速度快。但在选择阈值时需要依据经验判断，或者先做多次尝试性分割后再对阈值进行调整，直至效果满意。它的主要局限是只考虑了像素本身的值，一般并不考虑图像的空间特性。

区域生长法是根据预先定义的标准提取图像中相连接区域的方法。区域生长法弥补了阈值分割法没有或很少考虑空间关系的不足，但它的主要缺陷是每一个需要提取的区域都必须人工给出1个种子点，这样有多个区域就必须给出相应的种子个数，而且对种子点及生长合并规则的选取也比较敏感。在肺实质提取过程中，肺部CT图像经过初步处理之后，上肺层片中间目标区域上还保留有大气管的影像，而在中层肺片，还保留有左右主支气管的影像，这都是不属于肺实质的部分，需要去除，区域生长法多用于此处。区域生长法存在的不足之处是：(1)如何定义区域一致性准则；(2)其分割结果和种子点的选择有很大的关系；(3)此法对噪声也很敏感，可能会形成孔状甚至是根本不连续的区域。

基于聚类的方法中常用的是模糊C-均值算法。该算法是一种非监督模糊聚类后再标定的过程，适于分割有模糊性和不确定性特点的医学图像，如超声图像等。优点在于可形成原始图像的细致的特征空间，不会产生偏倚；无需人的干预，分割过程是完全自动的；对噪声敏感度较低。但该算法在应用于大数据量时收敛速度慢，耗时多。而且该算法易受初始设置的影响，初始值的选取会影响算法的收敛速度，不当的初始值可能会使算法陷入局部极小点，得到错误的结果。

但是这些方法仍然得不到令人满意的效果。近几年，随着深度学习的迅速发展，基于深度学习的肺分割方法逐渐受到研究者关注。基于2D CNN的方法通常以逐层的方式分割体积CT或MR数据。例如，将具有各种级联架构的双通道浅层网络用于脑MR图像中的低/高级成胶质细胞瘤分割。在胰腺分割中运用了整体嵌套网络的空间聚合来对CT图像实现了准确的胰腺分割。