[发明专利]一种基于神经网络的肝包虫病灶分割方法及系统

权利要求书

1.一种基于神经网络的肝包虫病灶分割方法，其特征在于，包括：

S1、通过肝脏分割模型从囊性包虫CT图像集中获取分割后的肝脏区域，基于肝脏分割结果训练并验证囊性包虫病灶分割模型，在训练和验证中对病灶是否有活性进行标注；

S2、通过所述肝脏分割模型从泡性包虫CT图像集中获取分割后的肝脏区域，对获取到的肝脏区域进行血管识别与分割，基于血管分割结果和肝脏分割结果训练并验证泡性包虫病灶分割模型，在训练和验证中对病灶是否侵及血管以及病灶位于左半肝或右半肝进行标注；

S3、通过所述肝脏分割模型从一包虫CT图像中获取分割后的肝脏区域，在平扫CT上将获取到的肝脏区域作为VOI区输入病灶识别模型，得到识别结果；

S4、当确定所述识别结果为囊性包虫病灶时，将所述VOI区输入所述囊性包虫病灶分割模型，得到第一分割结果；

S5、当确定所述识别结果为泡性包虫病灶时，对所述VOI区进行血管识别与分割，将血管分割结果和所述VOI区输入所述泡性包虫病灶分割模型，得到第二分割结果。

2.根据权利要求1所述的一种基于神经网络的肝包虫病灶分割方法，其特征在于，所述囊性包虫病灶分割模型包括2D FCN分割网络、3D FCN分割网络以及特征融合层，步骤S4包括：

S41、将所述VOI区的图像切片输入所述2D FCN分割网络，进行粗分割；

S42、将2D分割的结果堆叠成3D结构，与所述VOI区的3D图像整合后输入所述3D FCN分割网络，进行细分割；

S43、将所述VOI区的2D网络特征和3D网络特征输入所述特征融合层，在分割时将有活性及无活性的病灶打上不同的标签，输出第一分割结果；

S44、通过3D全连接的条件随机场模型对所述第一分割结果进行优化。

3.根据权利要求1所述的一种基于神经网络的肝包虫病灶分割方法，其特征在于，步骤S5中，对所述VOI区进行血管识别与分割，包括：

对所述VOI区的CT图像进行血管增强处理；

检测初始的血管边界，包括通过阈值分割方法对血管进行初始分割，通过膨胀腐蚀操作连接断点；

通过level set方法或graph cut方法进行血管分割；

通过距离投票方法鉴别肝静脉和门静脉。

4.根据权利要求3所述的一种基于神经网络的肝包虫病灶分割方法，其特征在于，步骤S5中，将血管分割结果和所述VOI区输入所述泡性包虫病灶分割模型，具体包括：将血管分割结果的二值图像、所述VOI区的二值图像与CT图像输入所述泡性包虫病灶分割模型。

5.根据权利要求1所述的一种基于神经网络的肝包虫病灶分割方法，其特征在于，所述肝脏分割模型为全卷积神经网络模型，病灶识别模型为卷积神经网络模型，所述囊性包虫病灶分割模型为全卷积神经网络模型，所述泡性包虫病灶分割模型为非局部神经网络模型。

6.一种基于神经网络的肝包虫病灶分割系统，其特征在于，包括：

第一标注模块，用于通过肝脏分割模型从囊性包虫CT图像集中获取分割后的肝脏区域，基于肝脏分割结果训练并验证囊性包虫病灶分割模型，在训练和验证中对病灶是否有活性进行标注；

第二标注模块，用于通过所述肝脏分割模型从泡性包虫CT图像集中获取分割后的肝脏区域，对获取到的肝脏区域进行血管识别与分割，基于血管分割结果和肝脏分割结果训练并验证泡性包虫病灶分割模型，在训练和验证中对病灶是否侵及血管以及病灶位于左半肝或右半肝进行标注；

病灶识别模块，用于通过所述肝脏分割模型从一包虫CT图像中获取分割后的肝脏区域，在平扫CT上将获取到的肝脏区域作为VOI区输入病灶识别模型，得到识别结果；

第一病灶分割模块，用于当确定所述识别结果为囊性包虫病灶时，将所述VOI区输入所述囊性包虫病灶分割模型，得到第一分割结果；

第二病灶分割模块，用于当确定所述识别结果为泡性包虫病灶时，对所述VOI区进行血管识别与分割，将血管分割结果和所述VOI区输入所述泡性包虫病灶分割模型，得到第二分割结果。