[发明专利]基于CT/MR影像的肝脏肿瘤分割方法及装置

说明书

本发明涉及医学影像处理技术领域，具体涉及一种基于CT/MR影像的肝脏肿瘤分割方法及装置。本发明的实施例提供了基于CT/MR影像的肝脏肿瘤分割方法及装置，通过利用深度学习中的全卷积神经网络技术，配合以大量经过医生手动勾画肝脏和肿瘤区域的CT/MR影像作为金标准输入网络中进行训练学习，网络能根据这些金标准自动学习肝脏和肿瘤的内在特征，并在有新数据输入的时候，能根据先验知识来对其进行预测。模型训练完成后，整个肿瘤分割过程可实现自动化，无需利用医生的专业知识即可实现理想的肝脏肿瘤分割结果，提高系统的实时性和导航的准确性，为CT/MR影像引导的腹腔微创手术提供一种便利的方法和工具。

技术领域

本发明涉及医学影像处理技术领域，具体涉及一种基于CT/MR影像的肝脏肿瘤分割方法及装置。

背景技术

CT/MR成像已是一个成熟的和被广泛使用的医学成像技术。CT/MR成像系统的成本适中，操作简单，密度分辨率高，断面解剖关系清楚，病变细节显示良好，无骨骼伪影干扰，可进行图像重建等优点，对病情的定性诊断很有帮助。除此之外，CT/MR是一种相对安全的成像模式，被广泛应用于临床微创手术的辅助诊疗过程中。

近年来，利用计算机开发模型来进行肝脏肿瘤的分割研究得到了广泛的关注，主要可以分为基于传统的医学图像分割方法和基于机器学习的分割方法两类。传统的医学图像分割方法主要有阈值法、主动轮廓、区域生长和水平集法。基于机器学习的分割方法有支持向量机、聚类方法、词袋模型和AdaBoost等方法。但是，传统的医学图像分割方法多属于半自动分割方法，比如主动轮廓法就需要手动在肝脏肿瘤边缘预先确定一部分轮廓点，形成一个初始轮廓，算法才会去主动拟合这个肿瘤的边界，这非常依赖操作医生的主观经验和知识，而且实际分割效果也并不理想。另外，传统的机器学习分割方法需要手动设计和选择肝脏肿瘤的特征，这需要非常专业的数学及病理学相关知识，也为开发模型带来了挑战。由此可见，肝脏肿瘤的分割方法虽广泛受到了关注并取得了一定的研究成果，但仍然存在以下几个方面的缺陷：

1.每个患者体内的肿瘤尺寸、形状、位置、数量等各不相同，极大的妨碍了传统分割方法的鲁棒性。

2.一些肿瘤的边缘与肝实质十分相近，边界不清晰，给很多基于边缘分割的方法带来了困扰。

3.不同医院采集的CT/MR图像的层数也各不一致，厚度一般在0.45mm到6mm不等，这也给设计精准的自动分割算法带来了挑战。

4.机器学习算法在各不同模态下都需要手动设计特征提取的方法，然后重新训练分类器，抗干扰性不强，如果数据稍有变动，就会对分割结果造成较大影响。

鉴于此，克服以上现有技术中的缺陷，提供一种新的基于CT/MR影像的肝脏肿瘤分割方法及装置成为本领域亟待解决的技术问题。

发明内容

本发明的目的在于针对现有技术的上述缺陷，提供一种基于CT/MR影像的肝脏肿瘤分割方法及装置。

本发明的目的可通过以下的技术措施来实现：

本发明一方面提供了一种基于CT/MR影像的肝脏肿瘤分割方法，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；