[发明专利]肝部区域血管分割的方法及设备

说明书

本发明实施例提供一种肝部区域血管分割方法及设备，属于数字化医疗技术领域。该方法包括：构建肝部区域血管的分割网络；将肝部图像转化为肝部血管重建分割图；利用肝部区域血管的分割网络，在肝部血管分割公共数据集上进行训练，得到训练完毕的肝部血管分割网络；以及将肝部血管重建分割图输出为肝部区域血管分割图像。本申请将自动提取CT影像中肝部区域多尺度局部特征以及全局特征并使用多任务一致性输出分支建模血管特征转换关系，从而实现肝部血管分割；使用的组合的类别平衡损失函数，针对多任务以及血管数据的特点，缓解了网络的极端类别不平衡问题。

技术领域

本发明涉及数字化医疗技术领域，具体地涉及一种肝部区域血管分割的方法及设备。

背景技术

在现代外科手术中，医生通常需要在手术前预先采集患者肝部医学图像并对患者病变部位进行分析，进行术前手术设计，手术过程中分割识别患者血管区域，利用分割出的血管进行定位或者避免对其造成损伤，其中，血管分割是肝脏手术导航中至关重要的一环。从CT等医学图像中提取血管在可视化、手术导航和手术计划中起着重要作用。但是，一些难点阻碍着该领域的发展：首先，血管可以被视为长的、扭曲的、甚至是具有各种半径的管状结构，这导致血管的拓扑结构非常复杂；其次，血管区域和背景软组织区域的像素强度非常相似，没有明显的差别，这导致血管区域和背景难以区分；最后一点，复杂的形态、低对比度的像素强度和昂贵的分割标注成本导致了血管已有标注数据的稀缺。同时，即使在标注数据集中，属于血管的有效体素也只占极小一部分，因此，对血管区域精确地进行分割仍然是一个具有挑战性的问题。

基于传统方式的医学图像分割方法包括：阈值分割、基于区域生长的分割、基于主动轮廓或者水平集的分割方法等等。然而这些方法各自具备一些缺点，往往只能分割一些简单部位，并需要医生参与交互，如需要医生勾勒出初始轮廓，这限制了传统分割方法在一些复杂的医学图像分割问题中的应用。然而利用基于深度学习的肝部血管分割方法也大致存在两个问题：首先，大部分现有的血管分割方法都基于全卷积网络，基于全卷积网络的方法难以捕捉全局特征，从而难以应对血管纤细复杂的形状；其次，基于正交深度自注意力网络的方法，由于其巨大的参数，在少样本数据集上，容易形成过拟合现象。此外，血管中轴和血管半径是血管重要的特征，现有方法多在后处理阶段进行探索，或者简单的利用多任务机制，而忽略了三个任务之间的联系。

发明内容

为克服现存的肝部区域血管分割存在的问题，本发明专利提出了一种肝部区域血管分割的方法及设备，采用基于正交卷积的U形三维深度自注意力网络，来同时捕捉多尺度局部特征和全局特征，并采用组合类别平衡函数同时减轻类别极度不平衡的问题，并利用多任务一致性分支探索了分割图、血管中轴和血管半径之间的相互转换的关系。基于本发明方法的装置操作简便，成本更低，分割结果更准确，更节约时间且不会给患者带来额外创伤。

为了实现上述目的，本发明实施例提供一种肝部区域血管分割的方法，包括以下步骤：构建肝部区域血管的分割网络，所述肝部区域血管的分割网络具有n层编码器-解码器结构的正交移动窗口的深度自注意力网络和多任务一致性输出分支网络；将肝部图像转化为肝部血管重建分割图；利用所述肝部区域血管的分割网络，在肝部血管分割公共数据集上进行训练，得到训练完毕的肝部血管分割网络；以及根据预测结果和真实标注，利用类别平衡损失函数计算损失，将所述肝部血管重建分割图输出为肝部区域血管分割图像。

可选地，构建肝部区域血管的分割网络，步骤包括：构建包含n层编码器-解码器结构的正交移动窗口的深度自注意力网络作为骨干网络，所述骨干网络由对称的编码器和解码器构成，并具有卷积和深度自注意力的交替运算；所述编码器的第一层是嵌入层，将所述肝部图像进行编码，随后的卷积层将输入的特征下采样为第一阈值尺寸，且所述编码器将所述随后的卷积层输出特征传递给所述解码器对应层，其中所述编码器利用深度自注意力运算以计算所述输出特征间的联系，捕获全局特征；以及所述解码器的最后一层为特征扩展层，将所述输入的特征恢复到指定维度，所述解码器的卷积层接受上一层的输出及所述编码器对应层的输入，并上采样为高维特征或第二阈值尺寸。