[发明专利]基于多期CT影像引导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多期CT影像引导的肝脏肿瘤分割方法及装置，所述方法包括：获取对比度增强的腹部CT影像，将所述对比度增强的腹部CT影像输入至预设的单通道全卷积神经网络中，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肿瘤分割网络中，获得所述对比度增强的腹部CT影像对应的肿瘤分割结果；其中，所述肿瘤分割网络是根据不同时期肝脏感兴趣区域图像样本以及与所述腹部CT影像样本对应的带有肿瘤区域标注的图像样本进行多通道融合训练后获得的。本发明实施例采用了多通道融合的训练网络对不同时期的肝脏肿瘤CT影像进行了有效地特征挖掘，使得训练好的网络对肝脏肿瘤的分割精度更高，鲁棒性较好。

技术领域

本发明实施例涉及医学图像处理技术领域，更具体地，涉及一种基于多期CT影像引导的肝脏肿瘤分割方法及装置。

背景技术

从腹部CT序列影像中自动、精准的分割出肝脏肿瘤对很多肝脏相关的临床手术而言至关重要，近年来，随着CT成像技术的不断成熟，其在帮助医生进行肝癌的临床检查和诊断中取得了广泛的应用。然而，由于肝脏肿瘤的形状大小会随着患者的性别、年龄、个体间的差异而改变，加之肿瘤组织与周围正常肝脏组织之间的对比度通常较低，因此从腹部CT影像中分割肝肿瘤一直是个难题。在传统的肝肿瘤诊疗任务中，医生需要凭借自身丰富的经验和专业知识来判断每一张切片上肝脏及其肿瘤的位置，这对医生提出了较高的专业门槛要求，且费时费力，在病人数量很多的情况下，会导致排号难，误诊率高的问题。因此，基于计算机算法的肝脏肿瘤自动分割方法的出现成为了近年来医学图像处理领域的研究热点。

目前，有研究团队提出了利用阈值、主动轮廓模型、区域生长、图割模型和机器学习等方法来实现肝脏及其肿瘤的分割任务。阈值法是先统计所有像素的强度，设置一个阈值，将大于这个值的作为前景像素(如肿瘤)，剩余的所有像素则作为背景像素处理。区域生长则是通过手动选择一个种子点，然后根据一定的相似性度量往外进行扩张，是一种简单快速的分割方法。主动轮廓模型和图割优化分割方法常常配合着一起使用。利用诸多机器学习如k-means聚类、极限机器学习机的方法来进行肝肿瘤分割也取得了一定的成绩。事实表明，大多数基于机器学习的分割方法要比以往传统的分割方法更为有效。但是，它们也存在抗噪性差、分割精度不理想的缺点。随着深度学习技术的兴起，其在诸如目标识别、检测和分类等各领域中都取得了最好的成绩，其主要技术之一的全卷积神经网络在图像分割领域中有着卓越的表现，也被证明是图像分割领域中可靠的通用型分割框架。

不同患者间的肿瘤尺寸、形状、位置、数量存在较大差异，肿瘤边界不清晰，给传统分割方法带来了较大困难。基于机器学习的分割方法往往需要手动设计肿瘤的特征提取方法，特征提取方法设计的好坏直接影响到最终的分割性能，技术壁垒较高。用深度学习方法训练肝肿瘤分割模型需要大量的数据，现有方法大多是基于平扫期搜集的影像数据进行训练得到的，而此类数据能够反应出的肝肿瘤信息十分有限，在很多时候往往模糊不清，连专业医生都难以判断。

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多期CT影像引导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多期CT影像引导的肝脏肿瘤分割方法，包括：

获取对比度增强的腹部CT影像，将所述对比度增强的腹部CT影像输入至预设的单通道全卷积神经网络中，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肿瘤分割网络中，获得所述对比度增强的腹部CT影像对应的肿瘤分割结果；

其中，所述单通道全卷积神经网络是根据不同时期对比度增强的腹部CT影像样本以及与所述腹部CT影像样本对应的带有肝脏区域标注的图像样本在一个通道下进行训练后获得的；

其中，所述肿瘤分割网络是根据不同时期肝脏感兴趣区域图像样本以及与所述腹部CT影像样本对应的带有肿瘤区域标注的图像样本在多个通道下进行融合训练后获得的；