[发明专利]基于深度学习的肝脏血管分割方法、装置及存储介质

权利要求书

1.基于深度学习的肝脏血管分割方法，其特征在于，所述方法包括以下步骤：

获取医学影像图像集；

对图像集中的血管进行增强处理，得到增强血管图像集；

利用V-Net深度神经网络训练过的血管自动分割权重网络对增强过的血管图像进行分割，得到初步分割好的三维肝脏血管图像集；

利用卷积神经网络对初步分割好的三维肝脏血管图像集进行粘连血管的分类，并将血管粘连点的数据自动变为非血管点，将粘连血管分离；

去除非血管点，整合所有图像集数据，完成血管自动分割。

2.如权利要求1所述的肝脏血管分割的方法，其特征在于，所述血管增强的方法，包括对图像集进行高斯二阶导数处理将血管与背景进行区分，由于血管部分一般为管状的结构，血管的高斯二阶导数的响应值比较大，而背景部分高斯二阶导数的响应值比较小，利用响应值的差异将血管与背景区分；然后利用Hessian矩阵对图像集的每个点用多种尺度的高斯函数进行卷积，选择各向异性最强的结果作为该点的输出，完成血管增强，得到增强血管图像集。

3.如权利要求1所述的肝脏血管分割的方法，其特征在于，所述血管分割的方法，包括：将增强血管图像集转换为三维影像集；以手工分割的三维肝脏血管图像及其对应的原始图像集作为训练集，进行有监督的训练，训练至预设的停止训练条件，获得训练好的可完成三维肝脏血管分割的V-Net权重网络；将三维影像集输入所述权重网络进行血管分割，得到初步分割的三维肝脏血管图像集。

4.如权利要求1所述的肝脏血管分割的方法，其特征在于，所述的获得三维肝脏血管分割的V-Net权重网络的方法包括：所构建的V-Net网络模型可以分为编码器阶段和解码器阶段：编码器阶段包括4次下采样，一次3D卷积使得特征图大小减半，一次批归一化能够加快训练速度，提高模型训练精度，使用ELU作为激活函数，用于缓解梯度消失，对输入变化或噪声更鲁棒，使得收敛速度更快；解码器阶段包括4次上采样，一次获取同层下采样数据进行连接后dropout，一次3D反卷积操作使得特征图的大小变为原来的2倍，一次批归一化，使用ELU作为激活函数；将同层下采样数据与当前数据进行连接，可以收集在下采样的压缩过程中会丢失的一些细节，提高最终预测的质量，改善模型的收敛时间，得到三维肝脏血管分割的V-Net权重网络。

5.如权利要求1所述的肝脏血管分割的方法，其特征在于，所述的粘连血管分离的方法，包括：通过分析粘连血管处血管的表层特征，找出初步分割后的血管图像中存在血管粘连点的部分血管区域；分别对每一类血管区域利用卷积神经网络进行学习分类，分为粘连点及非粘连点两类，找出所有的粘连点，并将粘连点变为非血管点，完成粘连血管分离。

6.如权利要求1所述的肝脏血管分割的方法，其特征在于，所述找出分割后的血管图像中存在粘连点的血管区域的方法包括：根据两种血管粘连情况，分析其表层特征，利用PCA主成分分析法找出存在血管粘连点部分的血管区域；所述血管粘连的两种情况是指：1、多处无固定形态的粘连；2、粘连部分形成与血管一样的管状区域；所述利用卷积神经网络将待分离血管图像中血管部分的点分类的方法包括：将待分离血管图像输入到卷积神经网络中，分别判定每一个点属于粘连血管点的概率。通过反复测试实验，得到一个阈值，如果输出概率大于这个阈值，我们将这个点视为粘连点，否则，这个点为非粘连点。

7.一种基于深度学习的肝脏血管分割装置，其特征在于，该装置包括：图像获取模块、血管增强模块、血管初分模块、血管分离模块、血管整合模块以及数据库模块，其中：

图像获取模块，用于获取医学影像图像集；

血管增强模块，用于对所获取的图像集进行血管增强处理，得到增强血管图像集；

血管初分模块，用于对增强血管图像集进行分割，得到初步分割好的三维肝脏血管图像集；

血管分离模块，用于对初步分割好的三维肝脏血管图像集中的粘连血管进行分离；

自动整合模块，用于去除非血管点，整合所有图像集数据，完成血管自动分割；

数据库模块，用于存储数据。