[发明专利]基于双路径U-net卷积神经网络的PET/CT高代谢淋巴结分割方法

说明书

本发明涉及医学图像处理领域，旨在提供一种基于双路径U‑net卷积神经网络的PET/CT图像中高代谢淋巴结的分割方法。该分割方法包括下述过程：实验数据的获得与处理；构建双路径U‑net卷积神经网络；训练双路径U‑net卷积神经网络；采用训练好的双路径U‑net卷积神经网络对PET/CT图像中高代谢淋巴结进行分割，得到分割结果。本发明借助于双路径U‑net卷积神经网络，可以很好的将PET/CT图像中的高代谢淋巴结分割出来。

技术领域

本发明涉及医学图像处理领域，尤其涉及一种基于双路径U-net卷积神经网络的PET/CT图像中高代谢淋巴结的分割方法。

背景技术

淋巴瘤严重威胁人民的健康和生命，但部分患者可以治愈。¹⁸F-FDG-PET/CT对于以霍奇金淋巴瘤(HL)和弥漫大B细胞淋巴瘤(DLBCL)为代表的侵袭性淋巴瘤的诊疗发挥重要作用。淋巴瘤对于全身的侵犯以淋巴结受累为主，在PET/CT图像上表现为FDG摄取增高，目前对淋巴瘤患者的PET/CT影像评估主要依赖于影像医师的手工测量，具有消耗大量人工、测量存在主观性等缺陷。因此，对淋巴瘤受累淋巴结的所在分区、大小、代谢程度进行自动化分析具有重要意义，但目前尚无针对淋巴瘤PET/CT影像的智能评估软件出现，我们的研究力图寻找一个相对准确的分割方法，使系统在PET/CT上自动识别出表现为FDG摄取增高的受累淋巴结(即高代谢淋巴结)，以利于后期自动测量其大小及SUV值，对淋巴瘤患者进行自动化分期，以达到尽量排除影像医师主观因素的影响、减少人力消耗的目的，以利于临床正确评估病情，尽早开始规范治疗，改善预后。

目前已有多种算法用来分割PET/CT图像中的高代谢淋巴结，主要包括区域生长法、填充法和卷积法等。但大部分的淋巴结分割方法无法实现完全自动化，仍需要人工参与，例如区域生长法需要手动选择区域生长的种子点，填充法需要手动选择初始的感兴趣区域等。而卷积等数学计算方法是由人工设计，卷积层数受限，对于位置特征和形状特征无法方便准确地提取。2015年，Jonathan Long等人将全卷积网络(Fully ConvolutionalNetworks，FCN)成功应用于图像分割领域，并且取得了显著的效果。该网络能够对图像中对立位置的每个像素进行分类，从而实现图像分割的任务。FCN可以实现端到端的预测，例如输入一张512*512尺寸的灰度或彩色图像，输出是同样大小的矩阵，包含对每个像素点的类别预测结果。U-net卷积神经网络是在2015年国际生物医学会议ICMICCAI中提出的，具有与FCN类似的网络结构，近年来成为了用于医学图像分割的主要网络之一。

U-net的结构如图1所示，包括收缩路径和扩张路径两部分，因网络结构的形状与字母‘U’相似，所以称为U-net。收缩路径包含收缩模块1～5，其中收缩模块1～4的内部结构如图2(a)所示，每个模块有一个输入和两个输出，输入是初始的待分割图像或者上层收缩模块的池化输出，输入经过两层卷积操作得到卷积输出，卷积输出经过最大池化得到池化输出；收缩模块5的结构如图2(b)所示，包含一个输入和一个输出，其输入为收缩模块4的池化输出，经过两层卷积操作和一层反卷积操作得到反卷积输出。扩张路径包括扩张模块1～4，其中扩张模块1～3的内部结构如图2(c)所示，每个模块有2个输入，1个输出，输入为收缩模块5(或上层扩张模块)的反卷积输出和相应收缩模块的卷积输出，两个输入经过融合、两层卷积操作和一层反卷积操作得到反卷积输出；扩张模块4的内部结构与扩张模块1～3基本相同，只是不含反卷积层，输入经过若干层卷积操作得到输出。如图1所示，扩张模块4的输出即为网络输出的分割结果。目前在研究领域，U-net卷积神经网络常用于医学图像分割，包括神经细胞的分割，血管的分割。U-net卷积神经网络在许多分割挑战赛中取得了不错的效果，例如2012ISBI细胞分割挑战赛。

利用U-net卷积神经网络实现对PET/CT图像中的高代谢淋巴结进行分割是有效的办法，但根据PET/CT图像中分割高代谢淋巴结需要同时分析PET和CT两种图像的特征，而U-net卷积神经网络只有一个输入通道，无法实现同时对PET/CT图像中的高代谢淋巴结进行分割。

发明内容