[发明专利]一种磨玻璃肺结节分割方法及装置

说明书

本发明涉及一种磨玻璃肺结节分割方法及装置,属于医学图像处理技术领域。所述方法包括：对肺部CT图像进行预处理；运用注意力级联残差U‑Net构建磨玻璃肺结节分割模型，对肺结节区域实施初分割，得到初分割结果；使用条件随机场优化所述初分割结果，获得最终分割结果；输出所述最终分割结果。本发明的方法自动化程度高，提高了分割效率和精度。

技术领域

本发明属于医学图像处理技术领域，尤其涉及一种磨玻璃肺结节分割方法及装置。

背景技术

肺癌是死亡率全球最高的恶性肿瘤，低剂量计算机断层扫描(Low-Dose ComputedTomography,LDCT)能够提高早期肺癌的检出率，降低高危人群的死亡率。在CT影像中肺结节是早期肺癌的主要表现形式，对肺结节的检测和诊断是肺癌鉴别诊断的关键。在肺癌CT影像诊断中，肿瘤边界是常用的重要诊断信息。目前磨玻璃肺结节边界确定主要依赖于放射科医生手动勾画，而手动勾画三维肺肿瘤边界不仅费时、费力，而且可重复性较差，容易受到放射科医生个人经验等主观因素的影像。探索肺结节的自动、快速、准确分割方法能够有效解决这一问题，因此，基于CT影像的磨玻璃肺结节自动分割方法研究是肺癌CT影像诊断研究中的热点之一。

近年来，国内外研究学者提出了多种基于CT影像的磨玻璃肺结节自动分割模型，按照算法类型的不同可以大致分为两类：①基于图像分析算法驱动的常规分割方法，②基于数据驱动的深度学习分割方法。

常规基于图像分析算法驱动的分割方法在肺结节分割中主要根据结节的图像灰度分布特点和形状特征，通过设计不同的数学模型实现结节的分割，但此类方法在结节类型单一与周围组织灰度信息差异较大时效果较好，当结节与周围组织粘连、边界模糊时效果较差。而基于深度学习的分割方法是一种端到端的分割模型，能够较好的分割不同类型的结节，但是，作为一种数据驱动的模型，训练一个鲁棒性好的分割模型需要大样本、多样性的训练数据集。

现有技术中，对磨玻璃肺结节的分割自动化程度较低，效率低，精度不高。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种磨玻璃肺结节分割方法，通过建立基于注意力级联残差U-Net模型，对所述模型进行训练得到分割模型，利用所述分割模型对磨玻璃肺结节区域进行初分割；使用条件随机场优化初分割结果，获得最终分割结果，提高了分割效率和分割精度。

根据本发明的一个方面，本发明提供了一种磨玻璃肺结节分割方法，所述方法包括以下步骤：

对肺部CT图像进行预处理；

运用注意力级联残差U-Net模型对肺结节区域实施初分割，得到初分割结果；

使用条件随机场优化所述初分割结果，获得最终分割结果；

输出所述最终分割结果。

优选地，所述对CT影像预处理步骤包括：

输入肺部CT序列断层影像I_CT；

将所述影像I_CT的灰度范围归一化至[-1,1]；

选取磨玻璃肺结节中心点，根据肺结节的中心点坐标，剪切出包含磨玻璃肺结节的三维感兴趣区域ROI_GGN；

对训练集中样本数据进行增强和扩充。

优选地，对注意力级联残差U-Net模型构建步骤包括：

根据卷积神经网络结构，构建包含编码模块和解码模块的注意力级联残差U-Net模型，对所述注意力级联残差U-Net进行训练，得到肺结节分割模型。

优选地，所述对所述注意力级联残差U-Net进行训练，包括：

构建损失函数，利用所述损失函数对所述模型进行训练；其中，