[发明专利]基于3D残差U-Net和加权损失函数的腹部血管分割方法

说明书

本发明公开了一种基于3D残差U‑Net和加权损失函数的腹部血管分割方法，包括以下步骤：S1，输入CT序列图像；S2，对CT序列图像进行预处理，并截取图像的最大连通区域；S4，将截取了最大连通区域后的每套CT图像序列打包成NIFTI格式的数据；S5，将已标注的NIFTI格式的图像输入到3D残差U‑Net网络中，使用加权的Dice损失函数计算输出图像与真实图像的误差，更新3D残差U‑Net网络中的参数，获得已训练的3D残差U‑Net网络；S6，将待测的NIFTI格式的图像输入到已训练的3D残差U‑Net网络中，输出预测图像；S7，将3D残差U‑Net网络中输出的预测图像扩大到原始图像尺寸，并进行平滑去噪处理。

技术领域

本发明涉及图像分割领域，具体涉及一种基于3D残差U-Net和加权损失函数的腹部血管分割方法。

背景技术

腹部CT图像为腹部某一横断图像，可展示肝脏、胆囊、胰腺、脾脏、肾脏等各脏器的轮廓以及结构，辅助医生进行术前诊断及手术规划。以肝脏为例，严重的肝脏疾病需要通过肝移植来进行治疗。在手术的过程中，由于血管较小，医生不容易分辨，极易对肝脏周围重要血管造成伤害，从而导致更加严重的后果。通过对腹部CT图像中肝脏周围的血管进行分割，可以帮助医生做出更加合理的手术规划，辅助医生进行手术。

现有常用的腹部CT图像血管分割方法包含了阈值法、水平集方法、区域生长法和活动轮廓模型等，以及在这些方法的基础上进行改进的方法。虽然这些方法在一些简单背景的CT序列图像中能取得较好的分割效果，但是应对复杂背景下的器官周围血管分割问题，这些方法的效果往往较差。

U-Net网络是医学图像分割领域中常用的一种分割方法，它是在FCN网络的基础上改进得到的。相比于FCN，它能得到更加精确的分割结果。残差网络是2015年提出来的一种深度神经网络结构，因为在每个残差块结构中，有一个shortcut连接，因此在网络比较深的情况下，反向转播时梯度不会消失或爆炸。同时shortcut连接还起到了一个特征重用的作用，可以保留更多有用的信息。在CT序列图像中，由于器官周围血管区域面积较小，在下采样的过程中，血管区域信息极易丢失，因此采用常规的U-Net网络可能导致分割效果较差。传统的2D网络以单张CT图像为输入，没有充分考虑CT序列间的空间信息，而对于血管分割而言，CT序列图像间血管的连通性可以为血管分割提供重要的特征信息，因此2D网络结构存在着忽略空间信息的问题。另外，由于器官周围的多类血管间存在着像素不均衡的问题，用传统的损失函数容易导致像素少的类学习不充分的问题。

例如论文“White matter hyperintensity and stroke lesion segmentationand differentiation using convolutional neural networks”，(Guerrero,R等，2018年第17卷《NeuroImage:Clinical》,第918-934页)公开了一种用于分割肝脏周围血管的网络结构，但其不能充分的提取图像特征，在血管区域小的情况时，可能导致分割效果较差。

发明内容

本发明的目的在于克服现有技术中所存在的上述不足，提供一种基于3D残差U-Net和加权损失函数的腹部血管分割方法，实现肝脏周围血管快速和准确的分割。

为了实现上述发明目的，本发明提供了以下技术方案：

一种基于3D残差U-Net和加权损失函数的腹部血管分割方法，包括以下步骤：

S1：输入CT序列图像；

S2：对CT序列图像进行预处理，并截取图像的最大连通区域；

S4：将截取了最大连通区域后的每套CT图像序列打包成NIFTI格式的数据；

S5：将已标注的NIFTI格式的图像输入到3D残差U-Net网络中，使用加权的Dice损失函数计算输出图像与真实图像的误差，更新3D残差U-Net网络中的参数，获得已训练的3D残差U-Net网络；