[发明专利]基于CT/MR影像的肝脏肿瘤分割方法及装置

权利要求书

1.一种基于CT/MR影像的肝脏肿瘤分割方法，其特征在于，该方法包括：

采集患者的腹部CT/MR影像序列，记为第一CT/MR影像序列；

根据所述第一CT/MR影像序列，分别获取肝脏和肿瘤区域的CT/MR影像，并预设为肝脏金标准和肿瘤金标准；

对所述第一CT/MR影像序列进行预处理，获得第二CT/MR影像序列；

构建第一深度全卷积神经网络，输入所述第二CT/MR影像序列进行训练学习，根据所述肝脏金标准自动学习并提取肝脏的内在特征，在所述第二CT/MR影像序列中分割出肝脏感兴趣区域序列；

构建第二深度全卷积神经网络，输入所述肝脏感兴趣区域序列进行训练学习，根据所述肿瘤金标准自动学习并提取肿瘤的内在特征，在所述肝脏感兴趣区域序列中分割出肿瘤序列。

2.根据权利要求1所述的基于CT/MR影像的肝脏肿瘤分割方法，其特征在于，所述第一CT/MR影像序列包括训练数据和测试数据。

3.根据权利要求1所述的基于CT/MR影像的肝脏肿瘤分割方法，其特征在于，“对所述第一CT/MR影像序列进行预处理，获得第二CT/MR影像序列”的步骤包括：

输入所述第一CT/MR影像序列；

对所述第一CT/MR影像序列依次进行加窗处理、N4偏差矫正处理、直方图均衡处理和对比度增强处理后生成第二CT/MR影像序列；

输出所述第二CT/MR影像序列。

4.根据权利要求1所述的基于CT/MR影像的肝脏肿瘤分割方法，其特征在于，在“构建第一深度全卷积神经网络”的步骤之前，该方法还包括：

对所述第二CT/MR影像序列进行数据增强处理，所述数据增强处理包括：依次进行镜像翻转处理、旋转处理、加噪处理和扭曲处理。

5.根据权利要求1所述的基于CT/MR影像的肝脏肿瘤分割方法，其特征在于，在“构建第二深度全卷积神经网络”的步骤之前，该方法还包括：

对所述肝脏感兴趣区域序列进行数据增强处理，所述数据增强处理包括：依次进行镜像翻转处理、旋转处理、加噪处理和扭曲处理。

6.根据权利要求1所述的基于CT/MR影像的肝脏肿瘤分割方法，其特征在于，所述第一深度全卷积神经网络和所述第二深度全卷积神经网络的结构相同，所述第一深度全卷积神经网络和所述第二深度全卷积神经网络的结构均包括卷积层、池化层和上采样层。

7.一种基于CT/MR影像的肝脏肿瘤分割装置，其特征在于，该装置包括：

影像采集单元，用于采集患者的腹部CT/MR影像序列，记为第一CT/MR影像序列；

金标准预设单元，用于根据所述第一CT/MR影像序列，分别获取肝脏和肿瘤区域的CT/MR影像，并预设为肝脏金标准和肿瘤金标准；

影像预处理单元，用于对所述第一CT/MR影像序列进行预处理，获得第二CT/MR影像序列；

第一训练单元，用于构建第一深度全卷积神经网络，输入所述第二CT/MR影像序列进行训练学习，根据所述肝脏金标准自动学习并提取肝脏的内在特征，在所述第二CT/MR影像序列中分割出肝脏感兴趣区域序列；

第二训练单元，用于构建第二深度全卷积神经网络，输入所述肝脏感兴趣区域序列进行训练学习，根据所述肿瘤金标准自动学习并提取肿瘤的内在特征，在所述肝脏感兴趣区域序列中分割出肿瘤序列。

8.根据权利要求7所述的基于CT/MR影像的肝脏肿瘤分割装置，其特征在于，所述第一CT/MR影像序列包括训练数据和测试数据。

9.根据权利要求7所述的基于CT/MR影像的肝脏肿瘤分割装置，其特征在于，所述影像预处理单元包括：依次设置的输入模块、加窗模块、N4偏差矫正模块、直方图均衡模块、对比度增强模块和输出模块，所述输入模块用于输入所述第一CT/MR影像序列，所述输出模块用于输出所述第二CT/MR影像序列。

10.根据权利要求7所述的基于CT/MR影像的肝脏肿瘤分割装置，其特征在于，所述装置还包括第一数据增强单元和第二数据增强单元，所述第一数据增强单元用于对所述第二CT/MR影像序列进行数据增强处理，所述第二数据增强单元用于对所述肝脏感兴趣区域序列进行数据增强处理，所述第一数据增强单元和所述第二数据增强单元均包括：依次设置的镜像翻转模块、旋转模块、加噪模块和扭曲模块。