[发明专利]肺部支气管的分割及标定方法

说明书

本发明公开了一种肺部支气管的分割及标定方法，包括：步骤S1：于影像数据中提取肺部气道树区域；步骤S2：根据肺部气道树区域设定感兴趣体素区域，并对感兴趣体素区域进行锐化滤波处理；步骤S3：根据处理后的感兴趣体素区域通过深度学习卷积神经网络对感兴趣体素区域进行分类，去除渗漏并追踪气道分支，获得优化后的肺部气道树区域；步骤S4：于优化后的肺部气道树区域中提取气道树结构信息，根据肺部气道树区域及气道树结构信息通过肺部气道名称标注模型获得每枝气道的候选名称集合及每个候选名称的权值；步骤S5：根据权值对每一组气道树的名称进行优化，实施气道树名称精准自动标注，获得气道名称信息。

技术领域

本发明涉及一种肺部支气管的分割及标定方法，特别涉及一种基于体素锐化追踪与深度学习卷积神经网络的肺部气道精准自动分割及基于深度学习卷积神经网络的肺部支气管名称自动标定的方法。

背景技术

现有的肺部气道的分割方法主要以自适应区域生长方法为主，即自动或手动选区种子点，以种子点为起始，在6邻域或26邻域内选择候选点，根据生长准则判断候选点是否为目标点，再将目标点作为新的种子点进行下一次的自适应生长。这一类方法通过多种不同算法实现，这些算法区别主要在于生长准则的设置。有的区域生长算法直接比较体素值的差值，差值在一定范围内的体素认为在同一个区域内，这种方法比较简单，但很容易受噪声的影响造成欠分割。同时，有人提出双阈值算法来改进上述算法，但总体效果一般，速度慢且能发现的气道分支不多。此外，有的方法是用影像灰度值作为生长准则做一次生长，然后加入二次生长，二次生长准则加入专业经验，将气道结构特征与计算出来的特征(Hess ian特征)之间的关系对应，从而判断体素是否符合生长准则；但这种算法的缺点是速度慢，设定二次生长增加计算量，并且判断二次生长准则的计算量大。

由于肺部气道是一个复杂的树状结构器官，在呼吸道内镜手术介入过程，医生(尤其是年轻医生名称标定)很难把握内镜在肺部所处的位置，往往需要参考肺部气道器官结构图纸，来操作内镜的行进走向。这给介入手术增加难度、手术风险与手术时间，也会导致手术误操作。

因此急需开发一种克服上述缺陷的肺部支气管的分割及标定方法。

发明内容

针对上述问题，本发明为解决上述技术问题提供一种肺部支气管的分割及标定方法，其中，包括：

步骤S1：于影像数据中提取肺部气道树区域；

步骤S2：根据所述肺部气道树区域设定感兴趣体素区域，并对所述感兴趣体素区域进行锐化滤波处理；

步骤S3：根据处理后的所述感兴趣体素区域通过深度学习卷积神经网络对所述感兴趣体素区域进行分类，去除渗漏并追踪气道分支，获得优化后的所述肺部气道树区域；

步骤S4：于优化后的所述肺部气道树区域中提取气道树结构信息，根据所述肺部气道树区域及所述气道树结构信息通过肺部气道名称标注模型获得每枝气道的候选名称集合及每个候选名称的权值；

步骤S5：根据所述权值对每一组气道树的名称进行优化，实施气道树名称精准自动标注，获得气道名称信息。

上述的分割及标定方法，其中，于所述步骤S1中包括：

步骤S11：对所述影像数据进行平滑处理，以除去所述影像数据中的噪声；

步骤S12：于处理后的所述影像数据上设置种子点形成种子点集合；

步骤S13：根据所述种子点集合通过区域生长算法于影像数据中提取所述肺部气道树区域。

上述的分割及标定方法，其中，于所述步骤S2中包括：

步骤S21：根据提取到的所述肺部气道树区域定义与设置初始感兴趣体素区域，并确定多个感兴趣体素区域参数；