本發(fā)明是關于醫(yī)學圖像處理領域，特別涉及基于深度卷積神經(jīng)網(wǎng)絡和區(qū)域競爭模型的多器官分割方法。

背景技術：

腹部器官的分割具有重要的研究意義和臨床價值。臨床上，醫(yī)生常常借助于CT機，即計算機斷層掃描機，來獲得人體腹部的一系列平面灰度斷層圖像，并通過連續(xù)地查看這些圖像來判各個器官的大小、位置、相互關系等。從CT圖像中快速自動地將器官分割出來是進行可視化的第一步。比可視化更重要的是，確定感興趣器官位置和區(qū)域在放療手術中由重要的意義。只有根據(jù)器官的空間幾何形狀和體積，才能制定出準確的放療方案和放療劑量。

傳統(tǒng)的腹部器官分割方法可以分為基于圖像的方法和基于模型的方法。基于圖像的方法包括閾值分割方法、區(qū)域生長方法、形變模型等。這些方法一般需要人工初始化或者交互，而且容易受灰度值的影響，發(fā)生發(fā)生欠分割或過分割的情況。基于模型的方法中，典型算法有概率圖譜方法和統(tǒng)計形狀模型。但這兩類算法受先驗形狀初始化的影響大，算法過程復雜，且先驗形狀難以刻畫不同個體的器官形狀。一方面由于腹部器官的形狀、位置和大小在不同人群中差異巨大，另一方面由于不同組織器官粘連和病變組織的存在，使得器官的邊緣模糊、對比度低、難以探測。這些問題都對現(xiàn)有的腹部器官分割方法帶來了挑戰(zhàn)。最新的算法中有通過卷積神經(jīng)網(wǎng)絡來探測腹部多個器官，但是沒有得到精確的分割結果。

因此，提出一種能夠自動探測腹部多器官位置，并且能夠快速精確分割各個器官的算法在臨床上非常必要和亟需。

技術實現(xiàn)要素：

本發(fā)明的主要目的在于克服現(xiàn)有技術中的不足，提供一種自動探測腹部多個器官的位置，并且能夠解決速度和精度問題的醫(yī)學圖像中多器官的聯(lián)合分割方法。為解決上述技術問題，本發(fā)明的解決方案是：

提供基于深度卷積神經(jīng)網(wǎng)絡和區(qū)域競爭模型的多器官分割方法，用于對腹部CTA(Computed Tomography Angiography，CT血管造影術)三維體數(shù)據(jù)，即計算機斷層掃描血管造影圖像中的肝臟、脾臟、左腎、右腎進行同時分割，所述基于深度卷積神經(jīng)網(wǎng)絡和區(qū)域競爭模型的多器官分割方法包括下述過程：

一、訓練三維卷積神經(jīng)網(wǎng)絡；

二、利用訓練好的三維卷積神經(jīng)網(wǎng)絡學習CTA體數(shù)據(jù)中的肝臟、脾臟、腎臟和背景的先驗概率圖；

三、由各類組織的先驗概率圖確定各個組織的初始分割區(qū)域；

四、確定圖像中各個像素點分別屬于四種組織的概率；

五、建立基于區(qū)域競爭的多區(qū)域分割模型；

六、用凸優(yōu)化方法求解模型；

七、進行后處理，得到各個器官的輪廓；

所述過程一具體包括下述步驟：

步驟A：準備訓練集：搜集大小為512×512×n的腹部肝臟CTA體數(shù)據(jù)，并做出這些數(shù)據(jù)的肝臟、脾臟和腎臟的標準分割結果，其中n為體數(shù)據(jù)的層數(shù)；

步驟B：設計卷積神經(jīng)網(wǎng)絡的結構，輸入圖像塊大小為496×496×279，輸出圖像為四個大小為496×496×256的圖像塊，分別對應每個像素點屬于背景、肝臟、脾臟和腎臟的概率值；

步驟C：利用訓練集訓練卷積神經(jīng)網(wǎng)絡中的各種參數(shù)，將步驟A中準備好的訓練集放入步驟B中設計好的卷積神經(jīng)網(wǎng)絡進行訓練，得到卷積神經(jīng)網(wǎng)絡中的各種參數(shù)，訓練完成；

所述過程二具體是指：

設需要進行器官分割的圖像為三維數(shù)據(jù)I(x)，圖像定義域為像素點為x＝(x₁，x₂，x₃)；

將待測試圖像輸入過程一訓練好的卷積神經(jīng)網(wǎng)絡中，使圖像I(x)的每個像素點被賦予屬于四種組織的概率值，記屬于背景、肝臟、脾臟和腎臟的概率值分別為L₀(x)，L₁(x)，L₂(x)，和L₃(x)，x∈Ω，這四個概率圖的大小與原始圖像大小相同；

其中，符號表示包含于，符號∈表示屬于集合；

所述過程三具體是指：

分別對概率圖L_i(x)，i＝0，1，2，3的每一像素點值取閾值0.5，大于閾值的像素點屬于該類組織的初始區(qū)域S_i，i＝0，1，2，3；

所述過程四具體是指：

對輸入的原始圖像I(x)中的每一點像素x，針對背景、肝臟、脾臟和腎臟的初始區(qū)域S_i，i＝0，1，2，3，統(tǒng)計各個區(qū)域內(nèi)的灰度直方圖H_i，i＝0，1，2，3；然后根據(jù)像素點x的灰度值，將這個灰度值在灰度直方圖H_i中所占的比例作為這個像素點屬于i類的概率，記為p_i(x)；

所述過程五具體包括下述步驟：

步驟D：定義背景、肝臟、脾臟和腎臟的標簽函數(shù)分別為：

對于x∈Ω且滿足

u_i(x)的值等于1表示像素點x屬于第i類組織；

其中，符號：＝表示定義為；Ω表示圖像區(qū)域；區(qū)域Ω_i，i＝0，1，2，3分別代表背景、肝臟、脾臟和腎臟區(qū)域；符號∪表示集合的并；∑為求和符號；

步驟E：對原始圖像I(x)，計算邊界探測函數(shù)g(x)如下：

$g\left(x\right):=\frac{1}{1+\mathrm{\β}{|\▿I\left(x\right)|}^2};$

其中，β是正數(shù)(取值為0.2)，符號：＝表示定義為；符號表示梯度算子；符號|·|表示L2范數(shù)；

步驟F：建立基于先驗概率圖和區(qū)域統(tǒng)計信息的區(qū)域競爭模型：

并計算C_i(x)：＝[α₁(-log p_i(x))+α₂(-log L_i(x))]g(x)，i＝0，1，2，3；

其中，g(x)為步驟E定義的邊界探測函數(shù)；符號：＝表示定義為；Ω表示圖像區(qū)域；∫_Ω表示在區(qū)域Ω內(nèi)的積分；dx表示區(qū)域積分元；∑為求和符號；p_i(x)為過程四計算的像素點x屬于類i的概率；L_i(x)為由過程二得到的像素點x屬于類i的先驗概率；log表示以10為底求對數(shù)；符號|·|表示L₁范數(shù)；α₁，α₂為正常數(shù)，用于調節(jié)各項的權重，取值均在區(qū)間[20，50]內(nèi)；表示梯度算子；所述λ是指正則化參數(shù)，用于調節(jié)各項的權重，取值在[0，20]之間；

(上述能量泛函(1)的第一項中C_i(x)是基于區(qū)域的項，利用各組織的初始區(qū)域的灰度統(tǒng)計信息p_i(x)及先驗概率圖L_i(x)，估計出每個像素點x屬于第i類組織的代價函數(shù)C_i(x)；第二項是基于邊界的項，能夠很好地捕捉邊界信息，保證分割出的肝臟輪廓的光滑性；區(qū)域項和邊界項通過一個邊界探測函數(shù)g(x)和權重α₁，α₂，λ自適應的調節(jié)比重，使得在靠近邊界的地方，模型主要依賴于邊界信息，在肝臟中平滑的區(qū)域，模型依賴于區(qū)域信息；最優(yōu)解通過極小化上述能量泛函可以得到)

所述過程六包括下述步驟：

步驟G：對過程五中的模型(1)進行凸松弛，得到：

$u_i^{*}=\arg \underset{u_i\∈\[0,1\]}{\min }\{\underset{i-0}{\overset{3}{\Σ}}{\∫}_{\mathrm{\Ω}}{C}_i\left(x\right)u_i\left(x\right)dx+\mathrm{\λ}\underset{i-0}{\overset{3}{\Σ}}{\∫}_{\mathrm{\Ω}}g\left(x\right)|\▿u_i\left|dx\right\}---\left(2\right)$

且滿足

步驟H：用增廣拉格朗日方法求解上述帶約束的問題(2)，得到最優(yōu)解

步驟I：根據(jù)各個區(qū)域標簽函數(shù)的值確定各個組織的分割區(qū)域，具體可以表示為：

Ω_i＝{x∈Ω|u_i(x)＝max(u₀(x)，u₁(x)，u₂(x)，u₃(x))}，分別對于i＝0，1，2，3；

所述過程七具體是指：

對于過程六得到的組織二值分割結果，依次用二維填洞算子處理，即得到最終的對應組織區(qū)域，實現(xiàn)對計算機斷層掃描血管造影圖像中的肝臟、脾臟、腎臟分割。

在本發(fā)明中，所述步驟B中的卷積神經(jīng)網(wǎng)絡具體為：

卷積神經(jīng)網(wǎng)絡共有10層卷積層：第1層是卷積層，輸入為496×496×279大小的原始圖像，輸出為96個大小為248×248×136大小的特征圖，卷積核大小為7×7×9，步長為2；第2個卷積層輸入96個大小為124×124×68的特征圖，輸出512個大小為62×62×64的特征圖，卷積核大小為5×5×5，步長為2；第3層到第7層卷積層分布在4個GPU上運算，每個GPU上都輸入512個大小為31×31×32的特征圖，輸出512個大小為31×31×32的特征圖，卷積核大小為3×3×3，步長為1；在第7層卷積層將4個GPU上分布的512個特征圖加和；第8個卷積層輸入64個大小為62×62×64的特征圖，輸出512個大小為62×62×64的特征圖，卷積核大小為3×3×3，步長為1；第9個卷積層輸入大小為124×124×128的特征圖，輸出128個大小為124×124×128的特征圖；第10個卷積層輸入為16個248×248×256的特征圖，輸出4個248×248×256的特征圖，卷積核大小為3×3×3，步長為1；接著作用一個softmax函數(shù)輸出4個248×248×256的圖像塊；最后，將輸出的圖像塊上采樣到496×496×256大小，得到最終的4個概率圖；

其中，在第1、2個卷積層后作用平均池化層，局部領域大小為2×2×2；在第7、8、9個卷積層后分別作用重排雙倍尺寸輸出層，將輸入的8個通道變成2×2×2，即雙倍尺寸，1/8通道數(shù)；且3次重排后輸出和輸入的尺度保持一致。

在本發(fā)明中，所述過程七中，二維填洞算子處理具體是指：

對體數(shù)據(jù)的每層圖像，檢測在組織區(qū)域中的孔洞，認為被該組織包圍的孔洞也屬于該組織，將其對應的二值分割結果的值設為1，即得到最終的完整準確的該組織區(qū)域。

與現(xiàn)有技術相比，本發(fā)明的有益效果是：

本發(fā)明利用卷積神經(jīng)網(wǎng)絡能自動快速的探測到腹部肝臟、脾臟和腎臟的位置，并且學習得到較為準確的各個器官的先驗概率圖，接著，利用區(qū)域競爭模型，能夠同時精確地分割出肝臟、脾臟和腎臟的輪廓。本發(fā)明不需要人工交互，算法速度快，分割結果準確。

附圖說明

圖1為本發(fā)明的操作流程圖。

圖2為三維體數(shù)據(jù)的第118層原圖。

圖3為第118層數(shù)據(jù)經(jīng)三維卷積神經(jīng)網(wǎng)絡處理后的中間效果圖。

圖4為第118層數(shù)據(jù)經(jīng)本發(fā)明技術處理后的最終效果圖。

圖5為三維體數(shù)據(jù)的第189層原圖。

圖6為第189層數(shù)據(jù)經(jīng)三維卷積神經(jīng)網(wǎng)絡處理后的中間效果。

圖7為第189層數(shù)據(jù)經(jīng)本發(fā)明技術處理后的最終效果圖。

具體實施方式

下面結合附圖與具體實施方式對本發(fā)明作進一步詳細描述：

下面的實施例可以使本專業(yè)的專業(yè)技術人員更全面地理解本發(fā)明，但不以任何方式限制本發(fā)明。

如圖1所示，采用基于卷積神經(jīng)網(wǎng)絡和區(qū)域競爭模型的多器官分割方法，對計算機斷層掃描血管造影圖像中的肝臟、脾臟和腎臟進行同時分割，具體步驟為：

所述過程一具體包括下述步驟：

步驟A：搜集140個大小為512×512×N的腹部肝臟CTA體數(shù)據(jù)，并由醫(yī)生給出這些數(shù)據(jù)的肝臟分割標準結果，其中N為體數(shù)據(jù)的層數(shù)。對于N＞286的數(shù)據(jù)，刪掉數(shù)據(jù)中不含肝臟組織的層數(shù)，使得該數(shù)據(jù)層數(shù)縮減為286層；對于N＜286的數(shù)據(jù)，在其最后一層增加若干不含肝臟組織的層，使得該數(shù)據(jù)層數(shù)增加至286層。

步驟B、C：從512×512×286的圖像中隨機框選大小為496×496×279大小的圖像塊，輸入網(wǎng)絡中。隨機初始化網(wǎng)絡參數(shù)，然后利用前向傳播得到輸出的概率圖。根據(jù)得到的概率圖與標準分割的標簽之間的代價函數(shù)，反向傳播更新網(wǎng)絡參數(shù)。迭代90步后，停止網(wǎng)絡訓練。

所述過程二具體為：輸入三維CTA掃描圖像I大小為512×512×245，調整窗寬窗位使得肝臟灰度范圍在0到255之間。將圖像在已經(jīng)訓練好的卷積神經(jīng)網(wǎng)絡中測試，得到四個與原圖像同大小的概率圖L_i，i＝0，1，2，3。概率圖給定圖像每點屬于類i的概率L_i(x)，其值范圍在[0.1，0.9]。

所述過程三具體為：選定閾值為0.5，對概率圖L₁取截斷，認為概率大于0.5的點屬于肝臟；對概率圖L₂取截斷，認為概率大于0.5的點屬于脾臟；對概率圖L₃取截斷，認為概率大于0.5的點屬于腎臟；對概率圖L₀取截斷，認為概率大于0.5的點屬于背景。這樣給定了四類組織的初始分割結果。

所述過程四具體為：對輸入的原始圖像I(x)中的每一點像素x，針對背景、肝臟、脾臟和腎臟的初始區(qū)域S_i，i＝0，1，2，3，統(tǒng)計各個區(qū)域內(nèi)的灰度直方圖H_i，i＝0，1，2，3。然后根據(jù)像素點x的灰度值，將這個灰度值在灰度直方圖H_i中所占的比例作為這個像素點屬于i類的概率，記為p_i(x)。

所述過程五具體為：根據(jù)說明中過程五步驟B、C給出的公式計算圖像在每個像素點的C_i(x)和g(x)的值。在本實例中，取定參數(shù)α₁＝40，α₂＝24，λ＝12。

所述過程六具體為：利用凸松弛和原始-對偶算法，引入變量p_s，p_t，p，將能量泛函轉化為：

$\underset{p_s,p,q}{max}\underset{u}{\min }\{{\∫}_{\mathrm{\Ω}}{p}_s\left(x\right)dx+\underset{i=0}{\overset{3}{\Σ}}{\∫}_{\mathrm{\Ω}}{u}_i\left(x\right)(div{q}_i-p_s+p_i)dx\}$

s.t.p_i(x)≤C_i(x)，q_i(x)≤λg(x)；i＝0，1，2，3

為求解上述新模型，利用交錯迭代的技術，分別對i＝0，1，2，3，迭代地計算以下式子：

1、固定變量優(yōu)化求解

這一步可以用Chambolle投影算法求解；

2、固定變量更新$p_i^{k+1}\left(x\right)=max\left(p_i^{k+1}\right(x),C_i(x\left)\right);$

3、固定變量更新

4、固定變量更新

$u_i^{k+1}:=u_i^k-c(div{q}_i^{k+1}-p_s^{k+1}+p_i^{k+1}).;$

迭代步數(shù)k＝k+1，重復以上1-4迭代直至收斂后停止。

其中，c是迭代中的步長，在本實例中設為0.35。g是本說明步驟四中定義的邊界探測函數(shù)g(x)。最后解得上述模型后，最優(yōu)分割標簽函數(shù)

5、對得到的標簽函數(shù)二值話，得到最終分割結果，具體地，

Ω_i＝{x∈Ω|u_i(x)＝max(u₀(x)，u₁(x)，u₂(x)，u₃(x))}，分別對于i＝0，1，2，3。

上述符號中，s.t.表示“受約束于”；max表示求最大值，min表示求最小值；k和k+1表示迭代第k步和第k+1步；等符號的上標k表示迭代第k步；arg max表示求使得能量函數(shù)最大的變量值；|| ||_∞表示無窮范數(shù)；div表示散度算子；：＝表示“定義為”；∫_Ω表示在區(qū)域Ω內(nèi)的積分；dx表示區(qū)域積分元；集合Ω₀，Ω₁，Ω₂，Ω₃分別對應背景、肝臟、脾臟和腎臟區(qū)域。

所述過程七具體為：對過程七得到的二值分割結果，用二維填洞算子處理。具體的，對體數(shù)據(jù)的每層圖像，檢測在肝臟區(qū)域中的孔洞，認為被肝臟包圍的孔洞也屬于肝臟，將其對應的二值分割結果的值設為1。同理，對脾臟、腎臟區(qū)域也做同樣的處理。

圖2、5分別為示例三維體數(shù)據(jù)的第118、189層。圖3、6為由三維卷積神經(jīng)網(wǎng)絡處理后的初始分割，圖4、7為本發(fā)明技術處理后的最終分割結果?？梢钥闯?，三維卷積網(wǎng)絡可以較為準確的定位到肝臟、腎臟和脾臟的位置，但是分割結果不精確；經(jīng)過區(qū)域競爭模型的分割，可以得到各個器官精確的分割結果。

最后，需要注意的是，以上列舉的僅是本發(fā)明的具體實施例。顯然，本發(fā)明不限于以上實施例，還可以有很多變形。本領域的普通技術人員能從本發(fā)明公開的內(nèi)容中直接導出或聯(lián)想到的所有變形，均應認為是本發(fā)明的保護范圍。