[发明专利]一种基于深度学习的腹部体影像肝脏分割方法及装置

说明书

本发明涉及术前规划领域，具体涉及一种基于深度学习的腹部体影像肝脏分割方法及装置。该方法及装置对预处理后的腹部体影像进行滑动窗口取样获取拼接体数据，将每个拼接体数据送入训练好的肝脏分割卷积神经网络得到对应的分割结果，并将多个分割结果拼接成完整的腹部体影像数据，便于后续分割出肝脏区域，本发明基于深度学习的腹部体影像肝脏分割方法及装置分割速度快、分割精度高。

技术领域

本发明涉及术前规划领域，具体而言，涉及一种基于深度学习的腹部体影像肝脏分割方法及装置。

背景技术

从医学体数据如CT或者MR中重建重要的器官，对于临床医学来说是十分重要的，准确的分割不仅有利于随后对感兴趣区域进行定量评估，还有利于精确诊断、预后预测、手术计划和术中指导。作为腹部最大的器官，肝脏的精准分割是肝脏肿瘤切除和微创手术的先决条件。

如今，肝脏分割的金标准都是由有经验的医生手动分割得到的，但是对于具有上百张切片的医学三维体数据的手动标注是十分无聊而且浪费时间的，并且带有医生的主观经验，因此全自动的分割算法是十分必要的。

对于三维医学数据的全自动分割算法具有以下的几点挑战：

1.肝脏的边界和其周围组织之间的区别非常模糊，对比度不足；

2.不同病人之间的器官差异性较大；

先前的肝脏算法主要包括：主动轮廓模型、统计形状模型、水平集、多图谱、图割以及基于手动特征的机器学习算法，以上的这些算法针对上述两点挑战表现的均不好。

卷积神经网络近些年来在计算机视觉领域大放异彩，然而尽管深度卷积神经网络在二维的自然图像上取得了惊人的效果，对于三维的医学影像体数据来说，卷积神经网络依然面临着以下的一些挑战：

1.三维医学图像比二维自然场景下的图像具有更复杂的解剖环境，因此通常需要具有更多参数的三维卷积神经网络的变体来捕获更多的代表性特征；

2.训练这样的卷积神经网络存在着需要优化方面的问题：过拟合、梯度的消失与爆炸、以及缓慢的收敛速度。

3.医学影像数据量的匮乏使得训练一个深度神经网络变得更加困难。

发明内容

本发明实施例提供了一种基于深度学习的腹部体影像肝脏分割方法及装置，以至少解决现有肝脏分割系统分割精度低的技术问题。

根据本发明的一实施例，提供了一种基于深度学习的腹部体影像肝脏分割方法，包括以下步骤：

对输入的多个腹部体影像进行预处理；

对预处理后的腹部体影像进行滑动窗口取样获取拼接体数据；

将每个拼接体数据送入训练好的肝脏分割卷积神经网络得到对应的分割结果；

将所有获得的拼接体数据的分割结果拼接成一个完整的腹部体影像数据。

进一步地，该方法还包括：

在完整的腹部体影像数据中提取最大连通区域，去除无关结果后分割出肝脏区域。

进一步地，肝脏分割卷积神经网络的训练步骤包括：

对输入的多个腹部体影像进行灰度阈值截断；

对经过灰度阈值截断后的腹部体影像数据进行spacing归一化；

对进行spacing归一化后的腹部体影像滑动取样获得多个网络训练样本；

构建基于深度学习的肝脏分割卷积神经网络并使用多个网络训练样本对肝脏分割卷积神经网络进行训练。

进一步地，对输入的多个腹部体影像进行灰度阈值截断包括：