一种基于CT图像的肝脏血管分割方法

摘要

本发明公开了一种基于CT图像的肝脏血管分割方法，首先获取原始3D肝脏图像并进行预处理，得到训练集；然后利用预处理得到的训练集训练3D卷积神经网络，其中采用的3D卷积神经网络采用Unet网络结构，编码器设置有侧输出层对卷积网络体系体系结构进行深度监管，输出端设置两个并行分支，上路分支用于提取肝静脉和门静脉区别于背景的特征，下路分支用于提取区分肝静脉和门静脉的特征，最终利用训练完成的3D卷积神经网络处理3D肝脏图像，得到肝脏血管分割结果。该方法从编码器部分添加侧输出层帮助底层特征提取更多语义信息，同时在输出端设置两个并行分支，提高了肝脏图像内肝静脉和门静脉的分割效果。

说明书

技术领域

本发明属于医学图像处理领域，具体涉及一种基于CT图像的肝脏血管分割方法。

背景技术

肝脏血管分割和三维重建有助于准确获取腹部肝脏血管组织的整体信息，是计算机辅助肝脏疾病诊断和肝脏手术规划的前提，对于肝病诊断及肝病手术的指导具有非常重要的意义。CT(计算机断层扫描)技术是最常用的肝脏及血管影响诊断技术之一。通过CT，医生可以获得一系列血管增强的二维CT切片，然而腹部CT图像往往存在低对比度、高信噪比、边界模糊、肝脏与其他灰度相近组织粘连等不利因素，由于肝脏血管结构复杂、血管之间相互缠绕、不同个体差异较大，肝脏血管分割面临巨大挑战。

现有三维肝脏血管分割方法一般可以分为基于灰度和梯度两大类，但单一的基于灰度或梯度的分割方法，如三维区域生长、模糊聚类等，都无法有效地提取低对比度的肝静脉与门静脉；在现有肝脏血管分割模型如主动轮廓模型及其混合模型容易越过血管的弱边界而导致严重的过分割，且需要提供血管的初始区域，并且难以处理小血管的分割。

发明内容

为了解决现有技术的上述问题，本发明提供一种CT图像中肝脏血管分割方法，能够对3D肝脏图像进行肝脏中肝静脉与门静脉的图像分割，并提高了血管分割的效果，本发明的技术方案如下：

一种基于CT图像的肝脏血管分割方法，所述的方法包括：

S1、获取原始3D肝脏图像并进行预处理，得到训练集；所述的预处理包括原始3D肝脏图像进行窗宽窗位调节，并通过照明校正提高血管的对比度，平滑CT图像噪声；

S2、利用预处理得到的训练集训练3D卷积神经网络；

所述的3D卷积神经网络采用Unet网络结构，卷积神经网络中的编码器由两个卷积层组成，卷积层的过滤器大小都是3×3×3，下采样阶段中每层编码器设置有对应的侧输出层，所述的卷积神经网络的输出端设置有多询问输出层，多询问输出层内采用的激活函数具体为：

σ表示激活因子，e表示自然底数，x表示当前输入，x∈(0,1)，m(x)表示激活函数输出；

所述的卷积神经网络通过：

确定所述训练集的损失值，当得到的损失值未达到设定的训练收敛条件，更新3D卷积神经网络的网络参数，并进行下一次迭代；当得到的损失值达到设定的训练条件，得到训练完成的3D卷积神经网络；其中，BCE表示损失函数

S3、利用训练完成的3D卷积神经网络处理3D肝脏图像，得到肝脏血管分割结果。

进一步地，所述的激活因子σ设置为1，激活函数的范围在

进一步地，所述的权类比重μ

本发明的有益效果在于：

(1)3D卷积神经网络编码器部分添加侧输出层对体系结构进行深度监管，帮助底层特征提取更多语义信息，提高了图像分割的效果；

(2)3D卷积神经网络输出端设置两个并行分支，上路分支用于提取肝静脉和门静脉区别于背景的特征，下路分支专注于提取区分肝静脉和门静脉的特征，提高了肝脏图像内肝静脉和门静脉的分割效果。

附图说明

图1是本发明基于CT图像的肝脏血管分割方法流程示意图；

图2是本发明3D卷积神经网络模型结构图；

图3是本发明3D卷积神经网络模型中侧输出层结构图；

图4是本发明3D卷积神经网络模型中多询问输出层结构图。

具体实施方式

下面结合附图和实施例，对本发明技术方案作进一步描述：

本实施例中提供了一种基于CT图像的肝脏血管分割方法，如图1所示，包括：

步骤1，获取原始3D肝脏图像并进行预处理，得到训练集。在本实施例中，将原始3D肝脏图像进行窗宽窗位调节，并按照128×128×128的patch(补丁)大小进行随机裁剪，作为训练集，为了消除整个图像上的亮度分布不均匀的问题，通过照明校正提高血管的对比度，并平滑CT图像噪声。

步骤2，利用得到的训练集训练卷积神经网络；

如图2，在本实施例中的卷积神经网络采用Unet网络结构，卷积神经网络一共9层，包括了下采样阶段、上采样阶段和多询问输出层，卷积层的卷积核大小都是3×3×3，在下采样阶段中，编码器由两个卷积层组成，为了提高肝脏血管分割的效果，如图3，在下采样阶段中设置侧输出层，下采样阶段中每层编码器设置有对应的侧输出层，具体的在第2层设置有侧输出层1，第3层设置有侧输出层2，第4层设置有侧输出层3，侧输出层根据当前层数的不同进行不同次数的反卷积操作，其中侧输出层1、2、3，分别经过1、2、3次反卷积。

3D卷积神经网络模型中分割和重建部分的编码器由三个3D卷积块组成。每个块分别由32、64和128个特征图组成，每个特征图之后是一个3D合并层，其池大小为(2、2、2)。转换块具有256个特征图，解码器分支镜像编码器分支池化层替换为3D转置卷积层。

如图4，为了获得更准确的肝静脉和门静脉的分割效果，在卷积神经网络的输出端设置由多询问输出层，具体包括了两个并行分支，其中，上路分支用于提取肝静脉和门静脉区别于背景的特征，具体为首先通过1×128×128×128的卷积处理，然后由sigmoid函数处理后加入本发明设计的激活操作，得到一个激活的权重图。下路分支合并了反卷积之后的特征图，专注于提取区分肝静脉和门静脉的特征。接着将激活块得到的结果对下路分支得到的合并后的特征图进行校准，最终通过卷积得到2×128×128×128的多询问输出层结果。

在本实施例中采用的激活块具体为：

σ表示激活因子，e表示自然底数，x表示当前输入，m(x)表示激活函数输出，在本实施例中激活因子σ设置为1，激活函数的范围在

在本实施例，训练3D卷积神经网络采用的损失值设置为：

其中，BCE表示损失函数

以1的批量大小将大小为128×128×128的12734个样本图像输入至本发明3D卷积神经网络模型中进行训练，学习率设置为10

步骤3，利用训练完成的3D卷积神经网络处理3D肝脏图像，得到肝脏血管分割结果，利用测试集对训练好的3D卷积神经网络模型进行测试，达到了94.5％的像素精度，高于现有的肝静脉和门静脉图像分割像素精度。

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。