[发明专利]一种基于深度神经网络的CT图像肺实质三维语义分割方法

摘要

本发明公开了一种基于深度神经网络的CT图像肺实质三维语义分割方法，该分割方法包括离线部分和在线部分。离线部分：包括4个步骤：数据集的预处理；全卷积神经网络框架搭建；GRU循环卷积神经网络框架搭建；网络训练。在线部分：包括5个步骤：图像预处理；像素特征提取与融合；体素特征提取与融合；分割输出；分割结果评价。特征融合包括编码层与解码层之间的特征融合，解剖结构层与层之间的特征融合。通过设计带有门控循环单元的深度神经网络模型，利用肺部的解剖结构先验信息，提取空间特征来有效表征断层序列之间的表观演变关系，实现对CT图像中的肺实质进行准确的三维语义分割。

主权项

1.一种基于深度神经网络的CT图像肺实质三维语义分割方法，其特征在于：该分割方法包括离线部分和在线部分：离线部分：包括4个步骤：数据集的预处理；全卷积神经网络框架搭建；GRU循环卷积神经网络框架搭建；网络训练；在线部分：包括5个步骤：图像预处理；像素特征提取与融合；体素特征提取与融合；分割输出；分割结果评价；特征融合包括编码层与解码层之间的特征融合，解剖结构层与层之间的特征融合；首先对收集的胸部CT图像进行数据集的预处理，然后搭建全卷积神经网络用于二维粗略分割；二维粗略分割采用基于跳过连接结构的全卷积神经网络提取二维图像中的上下文像素特征，包括编码器和解码器两部分；编码器逐渐减少池化层的空间维度，解决图像的边缘定位问题；解码器逐步修复肺实质的细节和空间维度，解决像素语义分类的问题；跳过连接结构则将编码器的定位信息传至解码器，因此能帮助解码器更好地修复目标的细节，实现边界定位的二维分割；然后搭建GRU循环卷积神经网络用于三维准确分割，在扫描层图像的二维分割基础之上，结合肺部解剖结构的先验知识指导，针对轴向序列的三维图像，采用带有GRU记忆单元的循环卷积神经网络建模肺解剖结构信息，通过获得表征肺解剖结构信息的特征来挖掘扫描层序列之间的表观演变关系，训练获得肺实质分割模型；得到肺实质分割模型之后，对待分割的序列图像进行测试；首先对图像进行预处理，然后将序列图像送入肺实质分割模型中，通过像素特征的提取融合和体素特征的提取融合来实现肺实质三维语义分割；此外，采用DSC系数对分割结果进行评价，验证分割的准确性；设计的深度神经网络架构由全卷积神经网络和GRU循环卷积神经网络两个子网络构成，每个子网络都担负着分割任务；在二维粗略分割中，第一个子网络即全卷积神经网络架构包含编码路径、解码路径和跳过的连接路径；编码路径包括8个卷积层，4个Relu激活函数，4个最大池化层；解码路径包括10个卷积层，4个反卷积层，以及最后一层的卷积映射层；跳过的连接路径将编码路径每次Relu激活函数后的特征图复制连接到解码路径的反卷积层特征图中；第一个子网络共有23个卷积层，4个池化层，4个跳过的连接结构；通过跳过的连接路径，第一个子网络将浅层的粗略的边缘定位信息与深层的细节的像素分割信息相融合，得到一个有效的二维分割结果；在三维准确分割中，第二个子网络即门控循环单元即GRU循环卷积神经网络包括1个输入层，9个带有GRU记忆单元的隐藏卷积层，其中GRU记忆单元包含9个sigmoid激活函数，1个输出层；每一个隐藏卷积层是对上一层特征与当前层状态的卷积运算；每个GRU记忆单元包含1个更新门和1个复位门，通过更新门和复位门的相互作用，获得输入与输出之间的演变状态；经过GRU记忆单元的模型推演，获得的隐藏卷积层蕴含的上一层的特征信息，从而使得整个网络学习到了表征容积数据信息的体素特征；在网络的卷积层之间需要通过卷积滤波器联系，卷积滤波器的定义表示为W×H×C×D，其中，C代表被滤波图像的通道数；W、H分别代表滤波范围的宽、高；D代表卷积滤波器的种类。