[发明专利]基于迭代主干生长和弱监督学习的胰周血管分割标记方法

权利要求书

1.基于迭代主干生长和弱监督学习的胰周血管分割标记方法，其特征在于，包括如下步骤：

（a）使用一个基本分割网络得到CT图像上胰周动脉血管和胰周静脉血管的基本分割结果；

（b）针对胰周静脉血管的基本分割结果设计一个迭代主干生长机制，包含一系列可迭代的主干生长模块，每个模块由两个最大连通约束和一个分支提议网络组成，最大连通约束用来获取分割结果的主干部分，分支提议网络用来搜寻血管主干附近可能存在的血管分支，每个主干生长模块将分支提议网络预测出的血管分支与血管主干进行结合，将满足连通性约束的血管分支生长到血管主干上作为更新的血管分割结果；

（c）针对胰周动脉血管的基本分割结果首先使用一个基于解剖规则的标记算法来获得血管分支类别的伪标签，包括先使用细化算法提取胰周动脉血管分割结果的中心线，然后根据中心线上的点建立血管树结构并提取关键点，再以胰周动脉血管各个分支的解剖位置作为规则寻找血管树上的目标通路作为标记结果；标记结果交由医学专家进行病例级别的评估，即只需以病例为单位给出“合格”和“不合格”的评价，评估标准为专家认定标记结构是否满足临床诊断要求，评估合格的标记结果作为伪标签参与后续标记网络的训练；

（d）以步骤（c）中获得的伪标签训练一个标记网络来端到端地学习血管分支的分布特征；

（e）设计一个自适应的后处理模块来修正血管的结构。

2.根据权利要求1所述的基于迭代主干生长和弱监督学习的胰周血管分割标记方法，其特征在于：所述步骤（a）中使用的基本分割网络包括但不限于nnUNet网络，训练nnUNet网络的损失函数包括但不限于Dice +CE loss，具体计算如下：

；

其中为Dice损失函数项，为CE损失函数项，为网络总体损失函数，为体素总数，和分别为在体素点上的分割结果和标签，为相对于全体体素的SoftMax函数输出。

3.根据权利要求1所述的基于迭代主干生长和弱监督学习的胰周血管分割标记方法，其特征在于：步骤（b）中的最大连通约束为取分割结果的最大连通分量；分支提议网络的架构包括但不限于U-Net网络架构，网络的输入为CT图像和胰周静脉血管的基本分割结果，网络的输出为血管主干附近的可能存在的分支。

4.根据权利要求1所述的基于迭代主干生长和弱监督学习的胰周血管分割标记方法，其特征在于：步骤（c）中的血管树生成算法包括但不限于Prim算法，胰周动脉血管的解剖规则和具体标记算法的过程见具体实施方式。

5.根据权利要求1所述的基于迭代主干生长和弱监督学习的胰周血管分割标记方法，其特征在于：步骤（d）中标记网络是一个双通道的分割网络，其网络架构包括但不限于U-Net网络架构，网络的输入为评估合格的胰周动脉分割结果和对应的CT图像，网络的输出为胰周动脉分支的标记结果，以步骤（c）中产生的伪标签作为标签进行网络训练，训练网络的损失函数包括但不限于Dice +CE loss。

6.根据权利要求1所述的基于迭代主干生长和弱监督学习的胰周血管分割标记方法，其特征在于：步骤（e）中自适应的后处理模块计算血管在中心线上每一点的半径，对中心线上所有点的半径使用K-Means算法划分为两类，将半径较大的一类点归于腹主动脉，剩下的归于原本的血管分支，完成对该血管分支结构的修正。