[发明专利]一种基于深度学习的胸腔器官分割方法

说明书

本发明提供一种基于深度学习的胸腔器官分割方法。本发明改进了U‑Net的结构，得到了一种更优的用于胸腔器官分割的编码解码结构，相较于传统的U‑Net，在特征提取部分具有更好的性能以及更好的效果，而在上采样部分针对各层的不同特点增加了卷积和池化层，有效减少了锯齿现象，使得上采样结果更加精细，本发明也对分割结果中出现的一些脱离主体的分割错误进行了只取最大连通区域的处理。本发明训练速度和计算速度都优于传统的U‑Net网络，本发明方法的网络达到了50层，提取特征的效果更好，并且本发明仅需一个模型就可以用于多器官的图像分割。

技术领域

本发明涉及医学图像分割领域，具体来讲是一种基于深度学习技术的胸腔器官解剖学位置定位与轮廓描绘算法。

背景技术

在临床上，胸腔器官的自动分割具有十分重大的临床意义，也已经成为了国内外研究的重点。在肺癌和食道癌中，放射治疗是一种较好的选择，要进行放射治疗需要描绘患有靶肿瘤的器官与靶肿瘤附近的健康器官。

在当前阶段，描绘器官的工作主要由肿瘤科医生手动完成，繁琐，耗时久，而且描绘的精确度也并不高。对于某些器官(例如食道)，图像分割的任务具有十足的挑战性：患者与患者之间的形状和位置差异很大；CT图像中的轮廓具有低对比度，并且当CT值设置不合理时有可能不存在。

在医学影像中现在常用的分割算法大多基于U-Net，大量研究表明U-Net在此领域是可行且相对可靠的。但是U-Net还存在一定的改进空间，从而可以更精确地描绘出各个器官的边缘轮廓。

现在传统的U-Net结构简介如下：

U-Net采用的是一个包含下采样和上采样的网络结构。下采样用来逐渐展现环境信息，而上采样的过程是结合下采样各层信息和上采样的输入信息来还原细节信息，并且逐步还原图像精度。

左半边，也就是U型的下降部分是特征提取部分，每经过一个池化层图片的尺寸就下降一个尺度，上采样部分，每上采样一次，就和特征提取部分对应的通道数相同尺度融合，但是融合之前要将其尺寸调节为相同大小，这里的融合不是像素之间对应的加和，而是拼接。

最终的输出不采用传统分类算法的全连接层，而是卷积层，这样可以实现像素级别的预测分类效果，宏观来看也就是对图像进行了分割处理。简单来看U-Net目前的优势在于可以实现端到端的分割，而且能适应大尺寸输入。

同样的，缺点也比较明显。一个是U-Net对于每个块都要运行一次预测，而且由于网络本身的特点，会有许多重叠部分进行了多次的重复运算，虽然这样有助于提高特征提取的精度，但是对运行速度的影响是巨大的。必须在局部标记准确性和语义的确定之间进行权衡，大的分割块需要更多的池化层，但是池化层降低了局部标记的准确性，而小的分割块无法获得充分的语义信息。

发明内容

针对现有技术中存在的问题，本发明提供一种基于深度学习的胸腔器官分割方法。本发明改进了U-Net的结构，得到了一种更优的用于胸腔器官分割的编码解码结构，相较于传统的U-Net，在特征提取部分具有更好的性能以及更好的效果，而在上采样部分针对各层的不同特点增加了卷积和池化层，有效减少了锯齿现象，使得上采样结果更加精细，本发明也对分割结果中出现的一些脱离主体的分割错误进行了只取最大连通区域的处理。

一种基于深度学习的胸腔器官分割方法，步骤如下：

步骤(1)、图像预处理