[发明专利]基于深度学习的自动化肝脏分段模型的构建方法、装置、计算机设备和存储介质

说明书

本发明提供一种基于深度学习的自动化肝脏分段模型的构建方法，包括：获取样本肝脏三维影像，并获取样本肝脏三维影像的肝脏分段标签；将样本肝脏三维影像和肝脏分段标签作为训练集，对肝脏分段模型迭代进行深度学习训练，得到经过训练的肝脏分段模型，其中肝脏分段模型采用的深度学习网络是基于UNet/VNet和通道注意力机制相结合的分段网络。还提供了相关的装置、计算机设备和可读存储介质。由于采用UNet/VNet和通道注意力机制相结合，通过UNet/VNet更多挖掘样本肝脏三维影像的影像信息，通过通道注意力机制对重要通道信息赋予更高的权重，得到更准确的预测结果，可以为医生提供准确且高效的肝脏分段结果。

技术领域

本发明涉及医学影像处理技术领域，特别涉及肝脏分段技术领域，具体是指一种基于深度学习的自动化肝脏分段模型的构建方法、装置、计算机设备和存储介质。

背景技术

肝癌是世界上最常见的癌症疾病之一，目前肝癌超越胃癌挤进了癌症死亡的前三。肝脏是原发或继发肿瘤生长的常见部位，它们的异质和扩散形状使其很难进行分段解剖。因此，对肝脏中的每个分段能够实现精确推断和测量是现代肝脏手术的先决条件。

在临床诊断中，沿着Z轴远距离探索空间信息来进行肝脏分段是十分耗时的，因而需要自动化方法来高效解决。近来，深度学习在计算机视觉领域表现优异，已应用在CT的肝脏和肿瘤的自动化分割(Sun,C.,et al.:Automatic segmentation of liver tumorsfrom multiphase contrast enhanced ct images based on FCNs[J].AI Med.2017,83:58–66)和自动化分段(Tian J,Liu L,Shi Z,et al.Automatic Couinaud Segmentationfrom CT Volumes on Liver Using GLC-UNet[M].Machine Learning in MedicalImaging,10th International Workshop,MLMI 2019,Held in Conjunction with MICCAI2019,Shenzhen,China,October 13,2019,Proceedings.2019)中。

上述的现有的基于CT的自动化肝脏分段方法基于深度学习Unet 2D网络(Ronneberger,O.,Fischer,P.,Brox,T.:U-Net:convolutional networks forbiomedical image segmentation.In:Navab,N.,Hornegger,J.,Wells,W.M.,Frangi,A.F.(eds.)MICCAI 2015.LNCS,vol.9351,pp.234–241.Springer,Cham(2015))通过全局和局部信息对CT数据进行肝脏分段，整个网络基于2D切片实现肝脏分割和肝脏分段两个任务。该网络采用的注意力机制是多层感知机，主要针对多层级的全局和局部信息的由粗到细进行特征提取。该网络的解码过程最终通过多层级融合实现对肝脏分段的结果预测。

但目前基于MRI的自动化肝脏分段研究较少，仍采用传统的算法分步骤实现(Lebre M A,Vacavant A,Grand-Brochier M,et al.Automatic segmentation methodsfor liver and hepatic vessels from CT and MRI volumes,applied to the Couinaudscheme[J].Computers in Biology and Medicine,2019,110(7):42-51)，即肝脏分割、血管中心线提取和重建肝脏分段。

由于现有的肝脏分段技术集中在两个方面：基于深度学习的CT肝脏分段和基于传统算法的MRI肝脏分段。然而，相对于CT，MRI能够提供多序列成像、多种图像模态等影像信息，它对疾病的诊断具有很大的潜在优越性，而深度学习相对传统算法能够自动化挖掘更潜在的影像信息。