[发明专利]一种基于深度学习的肝脏CT图像分割方法

说明书

本发明公开了一种基于深度学习的肝脏CT图像分割模型建立方法，包括以下步骤：1.收集腹部CT图像，并对肝脏位置进行标注，生成原始图像序列，然后将原始图像序列分为训练样本和测试样本；2.对训练样本进行预处理，同时去除干扰信息；3.搭建肝脏分割深度学习网络；4.利用搭建完成的学习网络对预处理后的训练样本进行模型训练，得到肝脏分割模型；5.对测试样本进行预处理，并作为输入参数输入到肝脏分割模型，得到初分割图像，然后对每套图像进行连通域处理，连通域处理后的分割结果反馈至原始图像序列中。基于该肝脏CT图像分割模型，可以直接对预处理后的肝脏CT图像进行准确地分割，分割结果准确率高，细节刻画效果好。

技术领域

本发明涉及医学图像处理技术领域，尤其是一种基于深度学习的肝脏CT图 像分割模型建立方法以及基于该分割模型的肝脏CT图像分割方法。

背景技术

肝脏的准确分割是肝脏三维可视化及计算机辅助诊断的重要步骤，同时也 能为其他器官(如胰腺、脾脏、肾脏等)的分割提供指导意见。针对肝脏的分 割，专业学者提出了多种方法，例如基于区域的分割、基于边缘的分割、基于 形态的分割等，但这些分割方法对图像的特征提取能力不足，分割效果有待提 高。

近年来，随着深度学习的快速发展，深度学习在传统计算机视觉方面取得 了不少突破性进展。在定位、分类、实例分割等任务中，深度学习的方法已经 能够接近人类水平，有的甚至已经超越人类水平。这些技术的发展也在一定程 度上促进了深度学习在医学图像处理技术邻域的探究，例如疾病的诊断、器官 的分割等。

目前，在医学上应用的模型大多是FCN、U-Net结构以及它们的变形。在这 些结构中，层与层之间通过简单的堆叠进行特征传递，导致特征信息的利用率 较低，池化层的应用导致一些信息丢失，同时缺少有效的特征整合。这些问题 在边缘以及一些小目标分割中具有重要的影响。由于GPU的显存限制，以及损 失函数的梯度消失效应，很难构建较深的卷积神经网络，无法很好地利用深层 卷积带来处理效果的提升。

发明内容

针对上述问题，本发明提供一种基于深度学习的肝脏CT图像分割模型建立 方法以及基于该分割模型的肝脏CT图像分割方法。

本发明保护一种基于深度学习的肝脏CT图像分割模型建立方法，包括以下 步骤：1.收集大量患者的腹部CT图像，并对肝脏位置进行标注，生成原始图像 序列，然后将原始图像序列分为训练样本和测试样本；2.对训练样本进行预处 理，同时去除干扰信息；3.搭建基于Encoder-Decoder模型的肝脏分割深度学 习网络，其中Encoder阶段利用带残差结构的深度可分离卷积对CT图像进行特 征提取，Decoder阶段通过逐步的上采样将特征图恢复到原始图像大小并对图像 中每一个像素点进行分类；4.利用搭建完成的学习网络对预处理后的训练样本 进行模型训练，得到肝脏分割模型；5.对测试样本进行预处理，并作为输入参 数输入到肝脏分割模型，得到初分割图像，然后对每套图像进行连通域处理， 连通域处理后的分割结果反馈至原始图像序列中。

进一步的，所述Encoder阶段先将CT图像大小缩小16倍以提取其特征信 息，然后将特征信息传递到特征金字塔模块进行特征融合，再进入所述Decoder 阶段，通过4次上采样将特征图扩大16倍以恢复至原始大小；所述特征金字塔 模块内部采用3×3空洞卷积。更进一步的，所述Encoder阶段先采用步长为2 的7×7的卷积进行CT图像特征的提取，后接BN层和ReLU层；然后再利用带 有残差结构的深度可分离卷积模块对CT图像进行特征提取；同时利用步长为2 的卷积与平均池化相结合的方式进行池化操作；所述Decoder阶段上采样的过 程中，先将底层信息与高层信息进行融合，然后采用转置卷积进行上采样。