[发明专利]基于深度学习技术的肺部解剖学位置定位算法

说明书

本发明公开了一种基于深度学习技术的肺部解剖学位置定位算法，能对肺部CT进行准确快速的划分，本专利提出的算法，能简单、快速、准确的实现基于肺部CT图像的肺叶的自动分割，从而实现肺部病变的解剖学位置定位。相比传统的分割方法，优点突出，具体表现在：（1）过程简单，端到端的分割方式，完全不需要关注其他过程；（2）多阶段多输出的网络架构在不同阶段对网络加以控制，使得分割效果更好，基于语义的分割方式，能很最大程度上保证分割精度；（3）泛化能力强，训练过程的数据增强，保证了模型能对不同的、多样的数据学习，即保证了分割模型的泛化能力，同时也在一定程度上避免了过拟合的风险，在对不同CT进行肺叶划分时，对CT的几何形变和光照影响不敏感。

技术领域

本发明涉及一种肺部解剖学位置定位算法，具体来讲是一种基于深度学习技术的肺部解剖学位置定位算法。

背景技术

肺在临床上分为五个肺叶区域，左肺分为上下两肺叶，右肺分为上中下肺叶，在医学上有重大意义。

目前的肺叶分割算法，主要思想是先提取“肺裂”，再依据肺裂来实现肺叶的区域分割。这类方法典型存在如下不足：

（1）方法过程复杂，这类方法首先要分割出肺主体、气管、血管等，去除这些组织的干扰。再根据计算机图形学，提取出肺裂，最后再利用分割或者聚类算法进行肺叶区域的划分；

（2）计算量大，根据（1）中所描述的过程，需要大量的计算，特别是在分割气管、血管时常常使用区域增长算法，另外，在肺裂提取时需要计算图像的黑塞矩阵，再对该矩阵进行特征值与特征向量的计算，而CT图像信息量，进行如上的计算，无疑是一个极其耗费时间的过程；

（3）分割效果不好，首先，在肺裂提取时，其它类似的图形结构被提取出来，所以往往需要二次提取，即使是这样，提取出的肺裂一样会出现断裂或者被其他组织干扰的问题。除此之外，病变的肺部CT以及非高清CT的会出现肺裂不明显、肺裂残缺甚至肺裂消失，会对肺裂的提取造成极大的困难，这会导致肺叶区域划分时，出现区域不连续或者区域错误。

（4）泛化能力差，分割过程，需要设置种子点、阈值等，这些值的设定和选择会极大程度上影响最后的分割效果。再加之CT图像的个体差异以及几何多样性，使得这些方法很难满足实际需要。

发明内容

因此，为了解决上述不足，本发明在此提供一种基于深度学习技术的肺部解剖学位置定位算法。本专利提出一种端到端的深度学习网络，能对肺部CT进行准确快速的划分，本专利提出的算法，能简单、快速、准确的实现基于肺部CT图像的肺叶的自动分割，从而实现肺部病变的解剖学位置定位。

本发明是这样实现的，构造一种基于深度学习技术的肺部解剖学位置定位算法，其特征在于：过程如下：

（1）对输入CT进行数据类型转换，将图像的像素值从32位浮点数类型转换到无符号8位整型，从而降低算法的内存消耗和提高计算效率；

（2）对转换后的CT和标签图像先进行缩放，将CT图像大小缩小为原始CT的1/2，为了近一半避免训练中出现的内存溢出问题，需要将缩放后的图像进行分块，包括重叠的分块和不重叠的分块，并对块的尺寸进行不同的尝试，发现有无重叠对最后效果并无大的影响，而过小的尺寸会造成训练中丢失全局信息，最后选择为128×128×128为划分大小，原始图像不足该大小的以0填充；

（3）将划分后源数据和标签输入网络训练，标签以1到5分别表示左肺的上下叶和右肺的上中下叶；对图像进入网络训练之前，现将图像按照（2）的缩放和划分，网络的输入尺寸为128×128×128，以UNet为骨干网络，并以多阶段多输出控制网络学习，网络以多阶段的DiceLoss和作为网络的损失函数，采用Adam优化算法，batchsize为4，训练5个epoch后dice系数在验证集上为0.9437。