一种基于深度学习的肺叶图像分割方法与流程

1.本发明属于医学图像处理领域，具体涉及一种基于深度学习的肺叶图像分割方法。


背景技术：

2.随着现代计算机技术和医学影像技术的发展，在肺气肿及肺癌等肺部疾病的诊断中，对病灶的定位提出了更高的要求，以便为肺部的诊断和治疗提供更有效的参考。但是，肺部ct图像数据质量和肺叶自动分割算法的精度使会对自动肺叶分割结果的精确造成一定的影响，使肺叶自动分割的结果不能满足临床需求，需要对自动肺叶分割结果进一步优化
3.目前，肺叶分割方法大致分为四种策略：基于图像配准的方法、基于分水岭分割的方法、基于有监督学习的方法、基于深度学习的方法，现有的基于图像配准的方法较依赖构造图谱且计算量大；现有的基于分水岭分割的方法准确率依赖于构建的特征图，容易因分水岭界限不明确产生误分割的问题；现有的基于有监督学习的方法的准确度依赖于人工提取的特征，且需要大量有标签的样本；现有的基于深度学习的方法通过级联方式，先分割肺部区域的3d包围框，再对3d包围框进行肺叶分割，虽然提高了肺叶分割精度，但没有实现端到端的工作流程，工作流程比较复杂。


技术实现要素：

4.为了解决现有技术的上述问题，本发明提供一种基于深度学习的肺叶图像分割方法，以实现对自动肺叶分割结果进行进一步的优化，使肺叶分割结果更加精确，能够满足临床需求。本发明的技术方案如下：
5.一种基于深度学习的肺叶图像分割方法，其特征在于，所述方法包括：
6.s1、获取肺部ct图像，并将所述肺部ct图像中的肺叶和血管进行标注得到数据集；
7.s2、对所述数据集进行预处理操作得到训练集图像；所述预处理操作包括：将所述数据集进行提取得到144
×
144
×
96大小的3d图像，并对所述3d图像进行包含随机位移的线性变换得到训练集图像；
8.s3、构建肺叶图像分割模型，并利用所述训练集图像进行训练；
9.所述肺叶图像分割模型包括编码部分和解码部分，所述编码部分用于对输入图像进行特征提取与分析，所述解码部分用于将输入图像所提取出的特征进行还原；其中，所述解码部分包括第一网络、第二网络和第三网络，其中所述第一网络包括一个背景输出通道和五个波瓣输出通道，用于还原肺叶图像，所述第二网络包括一个背景输出通道和一个血管输出通道，用于还原血管图像，所述第三网络用于重建图像；
10.s4、获取待分割的肺叶图像，并将所述待分割的肺叶图像进行预处理操作，并将预处理后的待分割的肺叶图像输入到所述训练好的肺叶图像分割模型中，得到肺叶图像分割结果。
11.进一步地，所述3d图像进行包含随机位移的线性变换包括进行动态增强、旋转、剪切和缩放。
12.本发明的有益效果在于：
13.通过建立一个基于深度学习的肺叶图像分割，该模型可以利用未注释数据集和不同结构注释数据集的多结构信息，同时为了平衡不同的任务，采用交替训练策略训练模型中的第一网络、第二网络及第三网络。该模型的分割结果实现了对自动肺叶分割结果的进一步优化，提高肺叶分割结果准确度，满足用于临床诊断的需求。
附图说明
14.图1是本发明基于深度学习的肺叶图像分割方法流程示意图；
15.图2是本发明肺叶图像分割模型中结构图。
具体实施方式
16.下面结合附图和实施例，对本发明技术方案作进一步描述：
17.本实施例中提供了一种基于深度学习的胆管图像分割方法，该方法包括：
18.步骤1、获取肺部ct图像，并将所述肺部ct图像中的肺叶和血管进行标注得到数据集。
19.在本申请实施例中，通过人工标注的方式对腹部ct图像中的肺叶和血管进行标注，得到带有肺叶和血管图像标注的肺部ct图像数据集。
20.步骤2、对所述数据集进行预处理操作得到训练集图像。
21.在本申请实施例中，由于得到的带有肺叶和血管图像标注的肺部ct图像数据集具有较高的分辨率，需要较大的数据处理量，所以对肺部ct图像数据集执行预处理操作，包括将数据集进行提取得到144
×
144
×
96大小的3d图像，并对3d图像进行包含随机位移的线性变换进行动态增强(
±
5％)、旋转(
±
5％)、剪切(
±
5％)和缩放(
±
5％)得到训练集图像。
22.步骤3、构建肺叶图像分割模型，并利用训练集图像进行训练。
23.在本申请实施例中，肺叶图像分割模型包括编码部分和解码部分，编码部分用于对输入图像进行特征提取与分析，解码部分用于将输入图像所提取出的特征进行还原；其中，解码部分包括第一网络、第二网络和第三网络，其中第一网络包括一个背景输出通道和五个波瓣输出通道，用于还原肺叶图像，第二网络包括一个背景输出通道和一个血管输出通道，用于还原血管图像，第三网络用于重建图像。在本申请实施例中，第一网络、第二网络和第三网络具有相同的编码器，第一网络和第二网络的区别在于最后一层的输出通道数，而第三网络中的u型结构不包括第一网络和第二网络所具有的残差连接。
24.具体的如图2，网络使用u型结构，每个卷积层包含3d卷积、prelu激活函数、3d残差结构，本实施例基于u型结构搭建三维卷积神经网络，结合了多尺度信息，解决了传统方法只考虑单一尺度导致分割效果不佳的问题，达到了提高分割精度的技术效果
25.网络输入为经过预处理的三维数据，先通过卷积神经网络及下采样提取特征，扩大感受野；再通过上采样恢复原图尺寸，上升通道与浅层的通道进行拼接，最终通过卷积层及softmax层输出预测的每个像素所属类别概率图，最后一层使用softmax层即可输出多类别概率图。
26.第一特征图通过第一下采样层进行缩放，并在第二卷积层进行卷积，得到第二特征图；
27.第二特征图通过第二下采样层进行缩放，并在第三卷积层进行卷积，得到第三特征图；
28.第三特征图通过第三下采样层进行缩放，并在第四卷积层进行卷积，得到第四特征图，该第四特征为底部特征；
29.第四特征图通过上采样并与第三特征图进行融合，并在第一反卷积层进行特征回复，得到第五特征图；
30.第五特征图通过上采样并与第二特征图进行融合，并在第二反卷积层进行特征回复，得到第六特征图；
31.第六特征图通过上采样并与第一特征图进行融合，并在第三反卷积层进行特征回复，得到模型分割结果。
32.在本申请实施例中，利用训练集图像对肺叶图像分割模型的进行训练的的每一次训练过程包括利用训练集图像依次对肺叶图像分割模型的第一网络、第三网络、第一网络和第二网络进行训练，即初始训练集图像进行分割还原肺叶图像，通过第一网络还原的肺叶图像重建训练图像，再将重建的训练图像通过第一网络分割出肺叶图像以及通过第二网络分割出血管图像。通过每次训练两次迭代第一网络能够使得第一网络的梯度更新更加频繁。
33.利用dice函数作为网络的损失函数，采用adam优化器，第一网络初始学习率设置为1
×
10
‑4，第二网络和第三网络初始学习率设置为1
×
10
‑5，随后在训练期间自适应更新。
34.s4、获取待分割的肺叶图像，并将所述待分割的肺叶图像进行预处理操作，并将预处理后的待分割的肺叶图像输入到所述训练好的肺叶图像分割模型中，得到肺叶图像分割结果。
35.本发明提供一种基于深度学习的肺叶图像分割方法，以实现对自动肺叶分割结果进行进一步的优化，使肺叶分割结果更加精确，能够满足临床需求。
36.应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权力要求的保护范围。