[发明专利]基于密集偏置网络和自编码器的半监督肾动脉分割方法

说明书

本发明公开了一种基于密集偏置网络和自编码器的半监督肾动脉分割方法，包括：对现有的腹部CT血管造影图像，分割出图像中的肾脏区域得到感兴趣区域图像并进行标注得到肾动脉的真实掩模，并形成监督训练数据集和无监督训练数据集；将无监督训练数据集输入三维卷积去噪自编码器中进行图像重建训练，得到训练好的去噪自编码器模型；将监督训练数据集输入去噪自编码器模型，获得每张图像的先验解剖特征并同对应图像输入构建的密集偏置网络中进行分割训练，得到分割模型；对于新的待分割腹部CT血管造影图像，输入去噪自编码器模型得到图像的先验解剖特征，输入分割模型得到分割结果。本发明能获得高准确率的输出结果，快速实现肾动脉分割。

技术领域

本发明涉及基于密集偏置网络和自编码器的半监督肾动脉分割方法，属于图像处理技术领域。

背景技术

腹部CT血管造影图像上的肾动脉分割，目的是实现获得达叶间动脉末端的3D肾动脉树掩模。临床医生可以利用分割获得的掩模容易地找到对应于每个叶间动脉的血液供给区域，这对于肾脏疾病的诊断和手术前计划非常重要。随着肾脏疾病概率的增加，3D肾动脉分割将在诊断和治疗中发挥重要的作用。然而，这是一项极具挑战的任务，至今还没有人在精细的3D肾动脉分割上取得成功，原因如下：1)肾脏内部血管尺度变化较大。患者最粗的肾动脉可达7.4mm，可超过最细动脉的5倍。这使得网络必须对不同尺度的特征敏感，增加了特征提取的难度。2)不同病人之间肾动脉解剖形态差异大。仅在461名患者之间能发现11种不同的肾动脉结构。如图1和2所示，患者之间的肾动脉开口，分支和肾动脉的数量是可变的。这使得小型数据集难以覆盖所有解剖结构变化并导致网络容易过拟合。3)血管结构细小。最细的肾动脉小于1.5mm，远小于邻近的其他器官，这使得网络在分割时容易丢失这些结构。4)体积比小。肾动脉仅占肾脏感兴趣区域的0.27％，这将导致严重的类不平衡问题，使得网络很难训练。5)标记数据数量的限制。在一个小数据集上学习不同肾动脉解剖结构的特征表示是极其困难的，这将限制了网络的泛化能力。因此，克服这些挑战并实现3D精细肾动脉分割是一个困难并亟待解决的问题。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种基于密集偏置网络和自编码器的半监督肾动脉分割方法，利用密集偏置连接技术构建的三维卷积神经网络即密集偏置网络，结合卷积去噪自编码器的编码器模型，对腹部CT血管造影图像处理，得到肾动脉分割掩模。

本发明具体采用以下技术方案解决上述技术问题：

基于密集偏置网络和自编码器的半监督肾动脉分割方法，包括以下步骤：

步骤(1)、对现有的腹部CT血管造影图像，分割出图像中的肾脏区域得到感兴趣区域图像，对部分感兴趣区域图像中的肾动脉进行标注得到肾动脉真实掩模，并形成监督训练数据集，将剩余的感兴趣区域图像形成无监督训练数据集；

步骤(2)、将无监督训练数据集输入三维卷积去噪自编码器中进行图像重建训练，得到训练好的去噪自编码器模型；

步骤(3)、将监督训练数据集输入训练好的去噪自编码器模型，获得每张图像的先验解剖特征，并将先验解剖特征和对应图像输入构建的密集偏置网络中进行分割训练，得到分割模型；

步骤(4)、对于新的待分割腹部CT血管造影图像，输入训练好的去噪自编码器模型得到图像的先验解剖特征，并将该图像及其先验解剖特征一起输入分割模型得到分割结果。

进一步地，作为本发明的一种优选技术方案，所述步骤(1)中形成监督训练数据集和无监督训练数据集，具体包括步骤：

步骤(101)、在腹部CT血管造影图像上获取能够囊括整个肾脏和肾动脉的感兴趣区域图像；

步骤(102)、根据部分步骤(101)获得的感兴趣区域图像，利用阈值区域增长法获得粗糙的肾动脉掩模；