[发明专利]一种头颈部CT影像中淋巴结检测的方法

说明书

本发明公开了一种头颈部CT影像中淋巴结检测的方法，采用先分割淋巴结分区，再从分区内识别分割淋巴结的方法，充分利用了头颈部淋巴结分部的先验知识，减少了淋巴结分区以外肌肉组织和其他与淋巴结密度相近组织对于淋巴结分割的干扰；基于淋巴结形态相对平滑、CT影像层间变化不明显的情况，在淋巴结识别与分割中采用三维卷积核，依靠图像层间的互补信息提高分割精确度；可以避免肌肉组织对于淋巴结识别分割的干扰，从而有效地提高淋巴结分割的准确率。

技术领域

本发明属于图像识别技术领域，尤其涉及一种头颈部CT影像中淋巴结检测的方法。

背景技术

CT技术的成像因为能够较好地显示软组织构成的器官，并在解剖影像背景上显示出病变，而广泛应用于临床医学领域。从CT影像中精确地分割出目标区域是计算机辅助诊断及手术规划的关键步骤，受深度学习和卷积神经网络在计算机图像理解与分析问题上取得成功的启发，研究人员将其应用到了CT/MR等医学影像的处理中，并在多种组织和器官的分割中取得了不错的结果。例如Dou Q等人采用3D卷积神经网络实现了LDCT影像中肺结节的识别和分割(Dou Q,Chen H,Jin Y,et al.Automated Pulmonary Nodule Detectionvia 3D ConvNets with Online Sample Filtering and Hybrid-Loss ResidualLearning[C]//International Conference on Medical Image ComputingComputer-assisted Intervention.Springer,Cham,2017.)，Hu P等人同样采用3D卷积神经网络实现了CT影像中肝脏的分割(Hu P,Wu F,Peng J,et al.Automatic 3D liver segmentationbased on deep learning and globally optimized surface evolution[J].Physics inMedicine and Biology,2016,61(24):8676-8698.)，Samaneh K等人利用U-Net网络实现了CT影像中前列腺组织的分割(Samaneh K,Anjali B,Dan N,et al.Segmentation of theprostate and organs at risk in male pelvic CT images using deep learning[J].Biomedical PhysicsEngineering Express,2018,4(5):055003-.)，Kuo M等人利用深度反卷积神经网络实现了鼻咽癌CT影像中病变区域的分割(Kuo M,Xinyuan C,Ye Z,etal.Deep Deconvolutional Neural Network for Target Segmentation ofNasopharyngeal Cancer in Planning Computed Tomography Images[J].Frontiers inOncology,2017,7:315-.)，等等。

颈部淋巴结的探查及辨识极为重要且具挑战性。健康的淋巴结能帮助淋巴液流动，也能对外来物进行过滤并发动必要的免疫应答，然而这些对人体来说重要的生理活动，却成为淋巴结容易罹患多种类型疾病的生理基础。因淋巴结病变病理类型繁多，分布广泛多样，发病率高，且头颈部解剖结构精细复杂，这使从事鉴别诊断颈部淋巴病变的放射科医生需要牢记头颈部解剖结构、颈部淋巴结分布状况及分区标准，掌握淋巴回流通路，熟识颈部淋巴结各类常见病理类型的各发病阶段的多种影像检查手法的特征性表现。因此，就算是从事头颈神经方面的专科放射医生，也认为准确诊断颈部淋巴结病变是一件难事。虽然深度学习已经被初步应用于医学影像分割并在多种组织上获得成功，但是由于其形态多样、分部复杂、不易与其他组织区分的特点，目前尚未有利用深度学习技术进行头颈部CT淋巴结识别分割的报道。