[发明专利]基于深度卷积神经网络和区域竞争模型的多器官分割方法

摘要

本发明涉及医学图像处理，旨在提供基于深度卷积神经网络和区域竞争模型的多器官分割方法。该基于深度卷积神经网络和区域竞争模型的多器官分割方法包括过程：训练三维卷积神经网络；利用训练好的三维卷积神经网络学习CTA体数据中的肝脏、脾脏、肾脏和背景的先验概率图；由各类组织的先验概率图确定各个组织的初始分割区域；确定图像中各个像素点分别属于四种组织的概率；建立基于区域竞争的多区域分割模型；用凸优化方法求解模型；进行后处理，得到各个器官的轮廓。本发明利用卷积神经网络自动快速的探测到腹部肝脏、脾脏和肾脏的位置，得到各个器官的先验概率图，再利用区域竞争模型，能够同时精确地分割出肝脏、脾脏和肾脏的轮廓。

主权项

1.基于深度卷积神经网络和区域竞争模型的多器官分割方法，用于对腹部CTA三维体数据，即计算机断层扫描血管造影图像中的肝脏、脾脏、左肾、右肾进行同时分割，其特征在于，所述基于深度卷积神经网络和区域竞争模型的多器官分割方法包括下述过程：一、训练三维卷积神经网络；二、利用训练好的三维卷积神经网络学习CTA体数据中的肝脏、脾脏、肾脏和背景的先验概率图；三、由各类组织的先验概率图确定各个组织的初始分割区域；四、确定图像中各个像素点分别属于四种组织的概率；五、建立基于区域竞争的多区域分割模型；六、用凸优化方法求解模型；七、进行后处理，得到各个器官的轮廓；所述过程一具体包括下述步骤：步骤A：准备训练集：搜集大小为512×512×n的腹部肝脏CTA体数据，并做出这些数据的肝脏、脾脏和肾脏的标准分割结果，其中n为体数据的层数；步骤B：设计卷积神经网络的结构，输入图像块大小为496×496×279，输出图像为四个大小为496×496×256的图像块，分别对应每个像素点属于背景、肝脏、脾脏和肾脏的概率值；步骤C：利用训练集训练卷积神经网络中的各种参数，将步骤A中准备好的训练集放入步骤B中设计好的卷积神经网络进行训练，得到卷积神经网络中的各种参数，训练完成；所述过程二具体是指：设需要进行器官分割的图像为三维数据I(x)，图像定义域为像素点为x＝(x₁，x₂，x₃)；将待测试图像输入过程一训练好的卷积神经网络中，使图像I(x)的每个像素点被赋予属于四种组织的概率值，记属于背景、肝脏、脾脏和肾脏的概率值分别为L0(x)，L1(x)，L2(x)，和L3(x)，x∈Ω，这四个概率图的大小与原始图像大小相同；其中，符号表示包含于，符号∈表示属于集合；所述过程三具体是指：分别对概率图Li(x)，i＝0，1，2，3的每一像素点值取阈值0.5，大于阈值的像素点属于该类组织的初始区域Si，i＝0，1，2，3；所述过程四具体是指：对输入的原始图像I(x)中的每一点像素x，针对背景、肝脏、脾脏和肾脏的初始区域Si，i＝0，1，2，3，统计各个区域内的灰度直方图Hi，i＝0，1，2，3；然后根据像素点x的灰度值，将这个灰度值在灰度直方图Hi中所占的比例作为这个像素点属于i类的概率，记为pi(x)；所述过程五具体包括下述步骤：步骤D：定义背景、肝脏、脾脏和肾脏的标签函数分别为：对于x∈Ω且满足ui(x)的值等于1表示像素点x属于第i类组织；其中，符号：＝表示定义为；Ω表示图像区域；区域Ωi，i＝0，1，2，3分别代表背景、肝脏、脾脏和肾脏区域；∑为求和符号；步骤E：对原始图像I(x)，计算边界探测函数g(x)如下：其中，β是正数，符号：＝表示定义为；符号表示梯度算子；符号|·|₂表示L2范数；步骤F：建立基于先验概率图和区域统计信息的区域竞争模型：并计算Ci(x)：＝[α1(‑log pi(x))+α2(‑log Li(x))]g(x)，i＝0，1，2，3；其中，g(x)为步骤E定义的边界探测函数；符号：＝表示定义为；Ω表示图像区域；∫_Ω表示在区域Ω内的积分；dx表示区域积分元；∑为求和符号；p_i(x)为过程四计算的像素点x属于类i的概率；L_i(x)为由过程二得到的像素点x属于类i的先验概率；log表示以10为底求对数；符号|·|表示L₁范数；α₁，α₂为正常数，用于调节各项的权重，取值均在区间[20，50]内；表示梯度算子；所述λ是指正则化参数，用于调节各项的权重，取值在[0，20]之间；所述过程六包括下述步骤：步骤G：对过程五中的模型(1)进行凸松弛，得到：且满足步骤H：用增广拉格朗日方法求解上述带约束的问题(2)，得到最优解步骤I：根据各个区域标签函数的值确定各个组织的分割区域，具体可以表示为：Ωi＝{x∈Ω|ui(x)＝max(u0(x)，u1(x)，u2(x)，u3(x))}，分别对于i＝0，1，2，3；所述过程七具体是指：对于过程六得到的组织二值分割结果，依次用二维填洞算子处理，即得到最终的对应组织区域，实现对计算机断层扫描血管造影图像中的肝脏、脾脏、肾脏分割。