[发明专利]一种基于深度学习的盆骨及其动脉血管的多层级分割方法

说明书

本发明涉及盆骨及盆骨动脉血管树的分割技术领域，具体是一种基于深度学习的盆骨及其动脉血管的多层级分割方法，用于解决现有技术中不能在多分辨率的CT图像中自动、高效、准确地分割腹部盆骨以及盆骨动脉血管树的问题。本发明包括步骤1：数据准备与标注；步骤2：数据预处理；步骤3：基于多层级分割的3D卷积神经网络的第一级分割模型构建；步骤4：第二级分割模型构建；步骤5：使用标定的数据与合成的损失函数训练第一级分割模型和第二级分割模型；步骤6：使用步骤5训练好的第一级分割模型和第二级分割模型对输入的三维CT图像进行腹部信息分割。本发明中可以在多分辨率CT图像中自动、高效、准确地分割腹部盆骨以及盆骨血管树。

技术领域

本发明涉及盆骨及盆骨动脉血管树的分割技术领域，更具体的是涉及一种基于深度学习的盆骨及其动脉血管的多层级分割方法。

背景技术

侧方淋巴结转移是低位直肠癌的重要转移途径，放化疗对其疗效不佳，影响直肠癌病人预后，侧方淋巴结清扫作为一种有效的治疗手段，随着腹腔镜手术的普及和外科医生手术技巧的提高，被越来越广泛的应用于临床，而且越来越多的循证医学证据表明：侧方淋巴结清扫(lateral lymph node dissection，LLND)可以降低直肠癌盆腔局部复发率，手术指征掌握准确的侧方淋巴结清扫也可以带来生存获益，识别盆腔的淋巴结对于盆腔区域的癌症包括宫颈癌、前列腺癌、结肠癌和直肠癌的治疗和诊断非常重要，盆腔淋巴结位于盆腔动脉及其分支附近，在普通CT或MRI中不可见，然而髂动脉是可见的，对髂动脉及其分支进行分割，可以定位淋巴结的位置辅助诊断。

腹部、盆腔内脏器官和血管众多，需要术前进行全面仔细地评估，确定病变的位置、范围、与周围的解剖关系，这样才能更好地制定术前计划，决定什么样的手术最好以及手术切除的范围，盆腔内主要动脉的三维重建，可以为手术前在PC机上进行手术设计以及腹腔镜的虚拟手术训练提供计算机模型，临床医生感兴趣的主要是盆腔内的小血管，因为这些分支小血管可能位于淋巴结附近，有助于医生定位淋巴结，做出正确诊断。

然而，血管分割极具挑战性，除了CT图像对比度差，噪声大，背景复杂等原因外，血管结构本身也比较复杂，血管包绕在其他器官和组织周围，很难分辨，支架、钙化、动脉瘤和狭窄会扰乱血管的外观和几何形状。

现有技术中盆骨及盆骨头腔内动脉血管的分割在医院一般由医生通过专业的软件如3D Slicer、ITK-SNAP等手动标注进行分割重建，针对盆骨及盆腔内动脉血管树自动分割的方法研究不多，一些盆骨分割方法和盆骨动脉血管分割方法大体上可以分为传统方法和深度学习方法，而血管分割的传统方法有三种：区域增长法、活动轮廓法和基于中心线的方法。

传统的血管分割方法一般都是利用了血管的几何特征构建可变形的形状模型去拟合血管结构，但是由于缺少有效的学习算法，这些方法不能很好地解决管状结构分割存在的对比度差，噪声大，背景复杂等问题。

近几年基于神经网络对图像深层的特征进行提取的方法取得了飞速的发展，在医学图像分割领域，深度神经网络取得了非常的成功的应用，3D卷积神经网络以其采用任意大小的输入并以有效的推论和对特征层次结构的学习，以端到端的方式生成相应大小的输出而分割领域的应用中尤为广泛，然而基于深度神经网络进行盆骨和盆骨内动脉血管分割的研究并不多，其中一个很重要的原因是盆腔内动脉血管的金标准标签很难获取，目前没有相关的公开数据集。

总的来说，随着计算机断层扫描(CT)技术在医院的普及使用，CT成为腹部疾病诊疗的主要技术之一，盆骨及下肢动脉血管分割对于定位侧方淋巴结至关重要，普通CT盆骨内血管是不清晰的，增强CT和CTA盆腔内的动脉会更明显，但人工地对盆骨及盆骨内动脉血管进行分割仍十分繁琐，对一例CT进行标注通常需要2-4个小时。因此，我们迫切的需要构建的3D卷积神经网络能够从CT当中快速且准确地进行自动盆骨及盆腔内动脉血管分割的方法，这对于腹部疾病的辅助诊疗来说具有重大意义。

发明内容