[发明专利]一种基于级联混合网络的肝脏病变图像分割方法

说明书

本发明公开了一种基于级联混合网络的肝脏病变图像分割方法，该方法首先通过2D卷积神经网络对获取到的腹部CT图像进行处理，得到带有训练集和测试集的肝脏区域图像；构建包括了用于分割肝脏CT图像中大病灶的2D卷积神经网络和用于分割肝脏中小病灶的3D卷积神经网络的混合网络图像分割模型；将肝脏CT图像中的训练集进行预处理并对混合网络图像分割模型进行训练，得到训练完成的混合网络图像分割模型，测试得到肝脏病变图像分割结果。本发明结合了2D神经网络在图像分割时计算时间和内存成本低，3D神经网络在图像分割时有较高精度的优点，实现了在保证精度的前提下，大大降低了计算时间和内存成本的目的。

技术领域

本发明属于医学图像处理领域，具体涉及一种基于级联混合网络的肝脏病变图像分割方法。

背景技术

肝癌是全球癌症死亡的主要原因之一，对于肝癌的筛查，计算机断层扫描(CT)是最常用的成像工具，CT中肝脏的形态和质地异常以及可见病变在原发性和继发性肝肿瘤疾病中是疾病进展的重要的标志物。在临床上，虽然已存在手动和半手动的技术，然而，这些方法都是主观的、严重依赖操作者且非常耗时。为了提高放射科医生的生产力，计算机辅助的方法在过去已经有所发展，然而由于肝脏与其病变的低对比度，对比度的不同类型、组织中的异常(转移性切除术)、病变的大小以及数量变化，自动肝脏及其病变分割依然是一个非常具有挑战性的问题。

现有技术中通常是采用基于2D卷积神经网络(Convolutional Neural Network)或3D卷积神经网络的肝脏肿瘤自动分割方法，采用2D卷积神经网络对于处理小病灶时的效果较差，也存在着肝脏病变分割结果中假阳性的问题，而采用3D卷积神经网络虽然保证了精度，但存在着计算时间长和内存成本大的问题。

发明内容

为了解决现有技术的上述问题，本发明提供一种基于级联混合网络的肝脏病变图像分割方法，在不牺牲精度的前提下，大大降低计算时间和内存成本，为了达到该目的，本发明的技术方案如下：

一种基于级联混合网络的肝脏病变图像分割方法，所述方法包括：

S1、获取腹部CT图像，通过2D卷积神经网络对所述的腹部CT图像进行处理得到肝脏区域图像，其中所述的肝脏区域图像包括训练集和测试集；

S2、构建混合网络图像分割模型，其中所述的混合网络图像分割模型包括用于分割肝脏CT图像中大病灶的2D卷积神经网络和用于分割肝脏中小病灶的3D卷积神经网络；所述的大病灶为肝脏CT图像中大于预设阈值的肝脏病变，所述的小病灶为肝脏CT图像中小于预设阈值的肝脏病变；

S3、对获取到的肝脏区域图像中的训练集进行预处理得到所述2D卷积神经网络的2D网络训练集和所述3D卷积神经网络的3D网络训练集；其中所述的预处理包括对肝脏区域图像进行直方图均衡化处理；

S4、将预处理得到的2D网络训练集输入到2D卷积神经网络进行训练，预处理得到的3D网络训练集输入到3D卷积神经网络进行训练，得到训练好的2D 卷积神经网络和3D卷积神经网络；

S5、将肝脏区域图像中的测试集输入到训练完成的混合网络分割模型，完成肝脏病变图像分割。

进一步地，所述的2D卷积神经网络和3D卷积神经网络采用Unet神经网络结构。

进一步地，所述的2D卷积神经网络中的编码器由两个卷积层组成，卷积层的过滤器大小都是3×3。

进一步地，所述的3D卷积神经网络中的编码器由3个3D卷积块组成。

进一步地，所述的腹部CT图像的每个切片分辨率为512×512，所述的预设阈值为32×32。

进一步地，对获取到的肝脏CT图像中的训练集进行预处理还包括使用组件标签定位病变中心，根据病变中心设置3D网络训练集。

本发明的有益效果在于：