[发明专利]基于深度学习的肝脏肿瘤分割方法及装置

说明书

本发明实施例提供一种基于深度学习的肝脏肿瘤分割方法及装置，所述方法包括：获取患者腹部CT/MR影像，将患者腹部CT/MR影像输入至预设的密集连接型全卷积神经网络中，获得肝脏感兴趣区域图像；将肝脏感兴趣区域图像输入至预设的深度卷积生成对抗网络的生成器中，获得肿瘤分割结果。本发明实施例通过采用密集连接型全卷积神经网络和深度卷积生成对抗网络，提高了肝脏肿瘤分割的鲁棒性、分割准确率，并将在二维平面提取到的特征和三维空间提取到的结构特征相融合，使得肿瘤分割精度更高。

技术领域

本发明实施例涉及基于CT/MR成像的肝脏肿瘤分割领域，更具体地，涉及一种基于深度学习的肝脏肿瘤分割方法及装置。

背景技术

利用计算机算法实现腹部CT/MR切片中肝脏肿瘤的自动分割，可提供准确、重复性的肿瘤检测服务，可辅助医生进行诊断，在手术规划和肿瘤治疗评估等方面都有重要作用，是近年来医学图像处理领域的研究热点。然而，肝脏肿瘤分割一直存在较大的挑战，由于不同患者间肿瘤的大小、形状和位置具有很大差异，这限制了许多基于形状和位置等先验信息进行肿瘤分割的方法。另外，由于肝脏肿瘤和其周围正常组织间存在边界不清晰现象，导致许多传统分割方法常发生分割过度和分割不全现象。

近年来，出现了许多有关肿瘤自动分割方法的研究，其中大多数是基于生成型或判别型的方法。基于生成型的分割方法明确地模拟了肿瘤及周围健康组织的解剖学外观的概率分布，它们通常通过结合领域的先验知识来对需要分割的物体进行特征描述，然而，对肝脏肿瘤的概率分布却很难进行准确建模。判别型方法则是直接学习肿瘤和周围正常组织像素之间的强度关系，它们需要一组带标注的训练图像用于学习，如基于支持向量机和决策树等分割方法。随着深度学习的兴起，基于神经网络的判别方法已经达到了肿瘤分割领域的最佳性能，其中，主要以卷积神经网络构架为主，对肿瘤的局部和全局特征进行学习训练。但是，大多数基于神经网络的方法只使用了肿瘤的二维切片信息而没有考虑三维切片数据中包含的空间结构信息，从而导致模型训练时因没有充分利用肿瘤在空间结构上呈现出的连续性信息而导致分割结果不准确。

肝脏肿瘤的自动分割研究虽受到了广泛关注并取得了一定的研究成果，但仍然存在以下问题：不同肝肿瘤患者体内的肿瘤尺寸、形状、位置、数量等各不相同，使得基于领域先验知识的肿瘤分割方法效果不佳；由于肝脏肿瘤边缘不清晰，手动特征提取方法并不能较好的令模型学习到肿瘤与非肿瘤像素间的区别，使得大多数基于像素强度信息的判别型分割方法在分割肿瘤边缘时还存在一定的困难；基于深度学习的分割方法大多只使用了二维切片信息而没有考虑三维数据中包含的肿瘤空间结构信息，其他少数一些使用三维数据进行网络训练的方法，受计算资源的限制也仅利用了其中极少部分的切片，难以对肿瘤空间结构进行有效的挖掘，从而使模型难以捕捉肿瘤在三维影像序列上呈现的全局特征，丢失了肿瘤在序列影像中特有的空间连续性信息而导致分割结果不理想。

发明内容

本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的基于深度学习的肝脏肿瘤分割方法及装置。

第一方面，本发明实施例提供一种基于深度学习的肝脏肿瘤分割方法，包括：

获取患者腹部CT/MR影像，将所述患者腹部CT/MR影像输入至预设的密集连接型全卷积神经网络中，获得肝脏感兴趣区域图像；

将所述肝脏感兴趣区域图像输入至预设的深度卷积生成对抗网络的生成器中，获得所述患者腹部CT/MR影像对应的肿瘤分割结果；

其中，所述预设的密集连接型全卷积神经网络是根据患者腹部CT/MR影像样本以及与所述患者腹部CT/MR影像样本对应的带有肝脏区域标注的图像样本进行密集连接训练后获得的；

其中，所述预设的深度卷积生成对抗网络是根据肝脏感兴趣区域图像样本以及与所述患者腹部CT/MR影像样本对应的带有肿瘤区域标注的图像样本进行对抗训练后获得的。

第二方面，本发明实施例提供一种基于深度学习的肝脏肿瘤分割装置，包括：