[发明专利]一种基于深度学习的胰腺组织分割方法

权利要求书

1.一种基于深度学习的胰腺组织分割方法，其特征在于，首先对原始数据进行裁剪，再进行扩展训练数据，然后利用U-net网络实现胰腺组织的粗分割，粗分割结果中含有部分非胰腺组织，最后通过最大连通域方法去除非胰腺组织，从而实现胰腺组织的精确分割。

2.根据权利要求1所述的一种基于深度学习的胰腺组织分割方法，其特征在于，所述对原始数据进行裁剪具体为：截取原始影像中心256*256大小的子部分作为后续深度学习的输入影像，该子部分包含了全部的胰腺组织，对三维影像的每一层都做上述处理，获取到的子影像部分即作为深度学习的训练数据。

3.根据权利要求1所述的一种基于深度学习的胰腺组织分割方法，其特征在于，所述扩展训练数据拟采用U-NET网络实现胰腺组织分割，并通过对原始图像进行平移、旋转以及错切操作扩展数据集来满足U-NET网络训练的要求。

4.根据权利要求3所述的一种基于深度学习的胰腺组织分割方法，其特征在于，所述扩展训练数据的具体方法如下：

(1)平移操作扩展数据：对CT影像进行水平位置和上下位置平移，平移的距离通常为影像的尺寸乘以一个参数；

(2)图像旋转扩展数据：通过设定一个随机整数来指定旋转角度范围，并根据指定的角度旋转影像；

(3)错切变换扩展数据：让所有点的x坐标或者y坐标保持不变，而对应的y坐标或者x坐标则按比例发生平移，且平移的大小和该点到x轴或y轴的垂直距离成正比。

5.根据权利要求1所述的一种基于深度学习的胰腺组织分割方法，其特征在于，基于三维图像的最大连通域方法，具体过程如下：

(1)输入经U-NET模型处理后得到的三维胰腺图像；

(2)建立堆栈，并给图像添加一个是否已访问的属性；

(3)找到第一个非零的像素点，将其入栈并将其是否已访问的属性置为真；

(4)以栈的大小是否为0作为结束条件，寻找栈顶元素相邻的二十六邻域非零像素点，并将它们入栈，结束后将栈顶元素删除；

(5)当栈为空时，表明一个连通区域已经遍历完成，在三维图像中继续找到下一个非空且未访问过的像素点作为起点，重复步骤(4)，直到所有的非零像素点都被访问完成；

(6)当所有的连通区域遍历完成之后，标记最大的连通区域即为胰腺组织。