一種基于ct圖像的肝臟腫瘤分割方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于醫(yī)學(xué)圖像處理領(lǐng)域，尤其涉及一種基于CT圖像的肝臟腫瘤分割方法及 裝置。
【背景技術(shù)】
[0002] 肝臟是維持人體生命活動(dòng)重要且復(fù)雜的功能器官，肝臟病變多發(fā)，病變種類(lèi)多，發(fā) 病率高。計(jì)算機(jī)發(fā)射斷層掃描(Computed Tomography，CT)圖像已成為臨床診斷中重要的常 規(guī)手段之一，是肝臟疾病的重要檢查手段。目前肝腫瘤治療手段主要包括腫瘤切除、介入、 放射治療等，腫瘤切除是其中最有效的治療方式。這些治療手段都需要在術(shù)前精確了解腫 瘤的數(shù)量、位置、大小和形狀等信息，有助于肝臟腫瘤治療方案的制定，但是腫瘤個(gè)體差異 性大，肝臟腫瘤和肝臟實(shí)質(zhì)界限模糊，腫瘤的位置、大小、形狀、灰度以及紋理各異，很難研 究出一種通用的腫瘤分割算法。人工手動(dòng)分割需要具有解剖學(xué)知識(shí)和經(jīng)驗(yàn)，而且人為主觀 性強(qiáng)，需要花費(fèi)大量時(shí)間和精力。由于腫瘤邊界模糊，表現(xiàn)差異性大等因素，大多數(shù)肝臟分 割方法無(wú)法達(dá)到臨床要求精度。
[0003] 現(xiàn)有的全自動(dòng)分割肝臟腫瘤方法，主要的流程是人工對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行特征提取、 特征選擇、設(shè)計(jì)分類(lèi)器，通過(guò)監(jiān)督學(xué)習(xí)或者非監(jiān)督學(xué)習(xí)得到預(yù)測(cè)模型，根據(jù)此模型對(duì)測(cè)試數(shù) 據(jù)進(jìn)行預(yù)測(cè)，特征提取過(guò)程計(jì)算量大、耗時(shí)多，能不能選取好的特征很大程度上靠經(jīng)驗(yàn)和運(yùn) 氣。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明要解決的技術(shù)問(wèn)題在于克服傳統(tǒng)分割方法手工設(shè)計(jì)提取特征的局限性。
[0005] 為了達(dá)到上述目的，本發(fā)明實(shí)施例提供一種基于CT圖像的肝臟腫瘤分割方法，包 括:步驟1，對(duì)肝臟的CT圖像數(shù)據(jù)進(jìn)行高斯除噪，將其轉(zhuǎn)化為灰度均值為0,方差為1的標(biāo)準(zhǔn)化 數(shù)據(jù)并進(jìn)行下采樣操作;步驟2,從所述肝臟的CT圖像的金標(biāo)準(zhǔn)圖像中提取病變切片和正常 組織切片，根據(jù)切片中心像素點(diǎn)的標(biāo)簽分別將其劃分為正樣本和負(fù)樣本，并采用隨機(jī)采樣 的方法使得正負(fù)樣本數(shù)量相等;步驟3，構(gòu)建多層次的深度卷積神經(jīng)網(wǎng)絡(luò)，通過(guò)隨機(jī)梯度下 降法訓(xùn)練模型，有監(jiān)督的自動(dòng)學(xué)習(xí)腫瘤特征和肝臟正常組織特征，得到網(wǎng)絡(luò)模型，通過(guò)分類(lèi) 器獲得腫瘤的粗分割二值圖像及像素分類(lèi)的概率圖像;步驟4,對(duì)所述腫瘤的粗分割二值圖 像進(jìn)行形態(tài)學(xué)腐蝕操作，獲得圖割所需要的前景圖像，再將肝臟的二值圖像與腫瘤的粗分 割二值圖像作相減操作并進(jìn)行形態(tài)學(xué)腐蝕操作，得到對(duì)應(yīng)于肝臟正常組織的背景圖像;步 驟5,根據(jù)所述前景圖像和背景圖像構(gòu)建無(wú)向圖，使用圖割優(yōu)化算法得到腫瘤的最終分割區(qū) 域。
[0006] 進(jìn)一步地，在一實(shí)施例中，在所述步驟2中，根據(jù)切片中心像素點(diǎn)的標(biāo)簽分別將其 劃分為正樣本和負(fù)樣本，包括:正樣本對(duì)應(yīng)腫瘤切片，負(fù)樣本對(duì)應(yīng)正常組織切片，為了使得 訓(xùn)練模型輸入的正負(fù)樣本數(shù)量均衡，采用隨機(jī)采樣的方法使得正負(fù)樣本數(shù)量相等。
[0007] 進(jìn)一步地，在一實(shí)施例中，在所述步驟3中，通過(guò)分類(lèi)器獲得腫瘤的粗分割二值圖 像及像素分類(lèi)的概率圖像，包括:通過(guò)網(wǎng)絡(luò)中最后一層的分類(lèi)器將圖像中每個(gè)像素點(diǎn)進(jìn)行 分類(lèi)，得到屬于腫瘤還是屬于肝臟正常組織的概率值，根據(jù)所屬類(lèi)別的概率值的大小分類(lèi)， 獲得所述腫瘤的粗分割二值圖像及像素分類(lèi)的概率圖像。
[0008] 進(jìn)一步地，在一實(shí)施例中，在所述步驟5中，根據(jù)所述前景圖像和背景圖像構(gòu)建無(wú) 向圖，使用圖割優(yōu)化算法得到腫瘤的最終分割區(qū)域，包括:根據(jù)所述前景圖像和背景圖像構(gòu) 建無(wú)向圖，利用最大流/最小割算法優(yōu)化能量函數(shù)使其達(dá)到最小，將全部的像素劃分為目標(biāo) 或者背景，分別標(biāo)記為1和〇,得到腫瘤的最終分割區(qū)域。
[0009] 為了達(dá)到上述目的，本發(fā)明實(shí)施例還提供一種基于CT圖像的肝臟腫瘤分割裝置， 包括:圖像預(yù)處理模塊，用于對(duì)肝臟的CT圖像數(shù)據(jù)進(jìn)行高斯除噪，將其轉(zhuǎn)化為灰度均值為0， 方差為1的標(biāo)準(zhǔn)化數(shù)據(jù)并進(jìn)行下采樣操作;樣本采集模塊，用于從所述肝臟的CT圖像的金標(biāo) 準(zhǔn)圖像中提取病變切片和正常組織切片，根據(jù)切片中心像素點(diǎn)的標(biāo)簽分別將其劃分為正樣 本和負(fù)樣本，并采用隨機(jī)采樣的方法使得正負(fù)樣本數(shù)量相等;模型訓(xùn)練模塊，用于構(gòu)建多層 次的深度卷積神經(jīng)網(wǎng)絡(luò)，通過(guò)隨機(jī)梯度下降法訓(xùn)練模型，有監(jiān)督的自動(dòng)學(xué)習(xí)腫瘤特征和肝 臟正常組織特征，得到網(wǎng)絡(luò)模型，通過(guò)分類(lèi)器獲得腫瘤的粗分割二值圖像及像素分類(lèi)的概 率圖像;腐蝕操作模塊，用于對(duì)所述腫瘤的粗分割二值圖像進(jìn)行形態(tài)學(xué)腐蝕操作，獲得圖割 所需要的前景圖像，再將肝臟的二值圖像與腫瘤的粗分割二值圖像作相減操作并進(jìn)行形態(tài) 學(xué)腐蝕操作，得到對(duì)應(yīng)于肝臟正常組織的背景圖像;分割區(qū)域生成模塊，用于根據(jù)所述前景 圖像和背景圖像構(gòu)建無(wú)向圖，使用圖割優(yōu)化算法得到腫瘤的最終分割區(qū)域。
[0010] 進(jìn)一步地，在一實(shí)施例中，所述樣本采集模塊根據(jù)切片中心像素點(diǎn)的標(biāo)簽分別將 其劃分為正樣本和負(fù)樣本，具體包括:正樣本對(duì)應(yīng)腫瘤切片，負(fù)樣本對(duì)應(yīng)正常組織切片，為 了使得訓(xùn)練模型輸入的正負(fù)樣本數(shù)量均衡，采用隨機(jī)采樣的方法使得正負(fù)樣本數(shù)量相等。
[0011] 進(jìn)一步地，在一實(shí)施例中，所述模型訓(xùn)練模塊通過(guò)分類(lèi)器獲得腫瘤的粗分割二值 圖像及像素分類(lèi)的概率圖像，具體包括:通過(guò)網(wǎng)絡(luò)中最后一層的分類(lèi)器將圖像中每個(gè)像素 點(diǎn)進(jìn)行分類(lèi)，得到屬于腫瘤還是屬于肝臟正常組織的概率值，根據(jù)所屬類(lèi)別的概率值的大 小分類(lèi)，獲得所述腫瘤的粗分割二值圖像及像素分類(lèi)的概率圖像。
[0012] 進(jìn)一步地，在一實(shí)施例中，所述分割區(qū)域生成模塊根據(jù)所述前景圖像和背景圖像 構(gòu)建無(wú)向圖，使用圖割優(yōu)化算法得到腫瘤的最終分割區(qū)域，具體包括:根據(jù)所述前景圖像和 背景圖像構(gòu)建無(wú)向圖，利用最大流/最小割算法優(yōu)化能量函數(shù)使其達(dá)到最小，將全部的像素 劃分為目標(biāo)或者背景，分別標(biāo)記為1和0,得到腫瘤的最終分割區(qū)域。
[0013] 本發(fā)明提出了一種全自動(dòng)的基于CT圖像的肝臟腫瘤分割的方法及裝置，通過(guò)深度 學(xué)習(xí)模型自動(dòng)學(xué)習(xí)特征，提取數(shù)據(jù)集中更豐富的本質(zhì)特征，與手工設(shè)計(jì)提取特征相比具有 更好的可分性，通過(guò)圖割方法優(yōu)化腫瘤分割結(jié)果，使得最終分割更加精確和魯棒;并且，整 個(gè)分割過(guò)程無(wú)需任何人工干預(yù)，能夠?yàn)楦闻K腫瘤的診斷和治療提供精確腫瘤信息，有助于 提高肝臟腫瘤手術(shù)的成功率。
【附圖說(shuō)明】
[0014] 為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本 發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根 據(jù)這些附圖獲得其他的附圖。
[0015] 圖1為本發(fā)明實(shí)施例的基于CT圖像的肝臟腫瘤分割方法的方法流程圖；
[0016] 圖2為本發(fā)明實(shí)施例的構(gòu)建的多層次的深度卷積神經(jīng)網(wǎng)絡(luò)的示意圖；
[0017] 圖3為本發(fā)明實(shí)施例的基于CT圖像的肝臟腫瘤分割裝置的結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0018] 下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；?本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前