[发明专利]一种基于三维卷积神经网络的CT造影图像肾动脉分割方法

说明书

本发明公开了一种基于三维卷积神经网络的CT造影图像肾动脉分割方法，涉及图像处理技术领域，设计了一种应用于CT造影图像肾动脉分割的三维卷积网络结构，利用手工标注获得肾动脉数据集，然后将训练集送入该网络结构进行训练，得到训练模型，利用得到的训练模型对新的肾脏数据进行预测，得到肾动脉分割掩模。本发明能够获得高准确率的输出结果，能够解决肾动脉难分割的问题，通过本发明能够直接得到肾动脉分割掩模。

技术领域

本发明涉及图像处理技术领域，特别是一种基于三维卷积神经网络的CT造影图像肾动脉分割方法。

背景技术

肾癌是人类最常见的十种癌症之一。近年来，针对临床治疗局部肾癌问题，传统的根治性肾切除术(RN)正日益取代微创腹腔镜肾部分切除术(LPN)。LPN手术可以切除肾肿瘤并保留正常肾组织。特别是，新提出的基于肾动脉阻断技术的部分切除手术可以最大程度地保护肾功能。为了进行LPN手术，一些有用的信息，如肿瘤的大小、位置、肾的解剖结构，肾动脉和输尿管等，应于术前从CT图像中获得。然而，手工勾画超过200个CT层是一项费时费力的工作。因此，自动或半自动的分割方法对于提高手术的效率和准确性是必不可少的。

目前在CT或MR图像中进行肾动脉分割的工作比较少。东南大学研究生丁皓提出了一种在CTA图像上对肾动脉增强后，使用动态调参的方式进行区域生长的方法，成功实现了肾动脉分割。但是从图像增强到动脉分割整个过程需要巨大的计算量，花费大量的时间，算法整体效率过低。

图1为CT图像肾脏ROI区域的几个例子，其中，图1中的(a)为第一个动脉相位CT图像示例图，图1中的(b)为第二个动脉相位CT图像示例图，图1中的(c)为第三个动脉相位CT图像示例图，图1中的(d)为第四个动脉相位CT图像示例图。如图1所示，肾动脉连接主动脉，从肾门处生长进入肾脏，可以发现，肾动脉主干部分较为清楚明亮，进入肾门后，肾动脉分支尤其是肾动脉末端过于细小，难以清晰准确地分辨。因此精确地自动分割这些图像中的肾动脉仍然是一项具有挑战性的任务。近年来，二维的深度神经网络在医学图像和自然图像中有一些成功的应用。然而，在这些二维网络中使用的二维卷积内核将限制空间的特征提取能力。例如，如图1所示，肾动脉分支和末端过于细小，而不同病人的肾动脉生长形态也具有很大差异。仅仅根据这些二维图像中的信息很难将其与背景分开；现有存在肾动脉分割难，分割效果差的问题。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于三维卷积神经网络的CT造影图像肾动脉分割方法，本发明基于设计的卷积神经网络结构，能够分割肾动脉区域，提高了肾动脉末端的分割效果。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于三维卷积神经网络的CT造影图像肾动脉分割方法，包括以下步骤：

步骤(P1)、对已有的CT造影图像分割出图像中的肾脏区域，对肾动脉进行标注，得到感兴趣区域，生成训练数据集；

步骤(P2)、将训练数据集送入三维卷积神经网络中进行训练，得到训练模型；

三维卷积神经网络包括五个部分，分别为输入模块、现实情况流、浅层意识流、深层意识流和输出模块；

输入模块，用于将原始图像I直接输入至现实情况流和深层意识流，并将输入至现实情况流的原始图像重命名为现实情况流图像RI，输入至深层意识流的原始图像重命名为深层意识流图像DI；

现实情况流，用于对RI连续进行池化操作，获得不同尺寸的RI，并将不同尺寸的RI分别输出至浅层意识流；

浅层意识流，用于多次提取浅层特征图并将其输出至深层意识流；

深层意识流，用于获得多次记忆的深层特征图并将其输出至浅层意识流，并将最后一次获得的深层特征图输入至输出模块；输出模块对其进行卷积操作，并激活，获得肾动脉的分割掩模；