[发明专利]一种基于深度学习的肝脏血管图像分割方法

说明书

本发明公开了一种基于深度学习的肝脏血管图像分割方法，首先获取原始计算机断层扫描图像，通过人工标记出肝脏血管区域掩膜图像，并对第一3D图像分割模型进行训练，利用第一3D图像分割模型，得到第一3D图像分割模型分割结果，并基于该结果标记为漏分割区域掩膜图像和误分割区域掩膜图像，再将原始计算机断层扫描图像、第一3D图像分割模型分割结果、漏分割区域掩膜图像和误分割区域掩膜图像进行通道叠加得到第一融合图像，将第一融合图像对第二3D图像分割模型训练，直至第二3D图像分割模型训练完成，利用训练完成的第二3D图像分割模型得到肝脏血管分割结果。本方法通过训练漏分割区域和误分割区域信息，相比于现有方法更加准确。

技术领域

本发明属于医学图像处理领域，具体涉及一种基于深度学习的肝脏血管图像分割方法。

背景技术

随着医学影像学设备的快速发展和普及，成像技术包括磁共振成像 (MR)、计算机断层扫描(CT)、超声、正电子发射断层扫描(PET)等，成为医疗机构开展疾病诊断、手术计划制定、预后评估、随访不可或缺的设备。全世界每天都产生大量的医学影像学信息，有报道显示全世界医学影像信息量占全世界信息总量的1/5以上。医学图像处理是分析医学图像的首要步骤，有助于使图像更加直观、清晰，提高诊断效率，因此国内外都十分重视医学影像处理。图像分割是图像处理的重要环节，也是难点，是制约三维重建等技术应用的瓶颈性问题。近年来，由于深度学习方法的迅速发展，基于深度学习的图像分割算法在医学图像分割领域取得了显著的成就。

现有肝脏血管分割方法中，一般是将CT影像的某个扫描序列送入训练好的深度学习网络中，直接进行血管的分割，然后现有技术一般存在血管区域漏分割，以及误分割的情况。

发明内容

为了解决现有技术的上述问题，本发明提供一种基于深度学习的肝脏血管图像分割方法，首先进行第一阶段肝脏血管分割，通过人工干预提供的漏分割区域和误分割区域信息，对第一阶段风格结果进行修正，最后得到完整的肝血管分割结果，本发明的技术方案如下：

一种基于深度学习的肝脏血管图像分割方法，该方法包括：

S1、获取原始计算机断层扫描图像，通过人工标记出肝脏血管区域掩膜图像，组成训练集和数据集；

S2、通过所述训练集对第一3D图像分割模型进行训练，得到训练完成的第一3D图像分割模型，其中，所述第一3D图像分割模型包括编码部分和解码部分，所述编码部分用于对输入图像进行特征提取与分析，所述解码部分用于将输入图像所提取出的特征进行还原；

S3、通过所述第一3D图像分割模型获取所述数据集的第一肝脏血管分割图像；

S4、基于所述第一肝脏血管分割图像，通过人工标记分别得到漏分割区域掩膜图像和误分割区域掩膜图像；

S5、对所述原始计算机断层扫描图像、第一肝脏血管分割图像、漏分割区域掩膜图像和误分割区域掩膜图像进行通道融合，得到第一融合图像；

S6、通过所述第一融合图像对第二3D图像分割模型进行训练，得到训练完成的第二3D图像分割模型，其中，所述第二3D图像分割模型包括编码部分和解码部分，所述编码部分用于对输入图像进行特征提取与分析，所述解码部分用于将输入图像所提取出的特征进行还原；

S7、获取待分割肝脏血管分割图像，将所述待分割肝脏血管分割图像输入到所述训练完成的第一3D图像分割模型中得到待分割第一肝脏血管分割图像，通过人工标记出所述待分割第一肝脏血管分割图像的漏分割区域掩膜图像和误分割区域掩膜图像；

S8、对所述待分割肝脏血管分割图像、所述待分割第一肝脏血管分割图像及所述待分割第一肝脏血管分割图像的漏分割区域掩膜图像和误分割区域掩膜图像进行通道融合得到待分割第二肝脏血管分割图像；

S9、将所述待分割第二肝脏血管分割图像输入到所述训练完成的第二3D 图像分割模型中，得到肝脏血管图像分割结果。