[发明专利]一种基于差分曲率的肝脏表面平滑度的测量方法

说明书

本发明公开了一种基于差分曲率的肝脏表面平滑度的测量方法，主要涉及数字图像处理技术。本发明的技术方案如下：（1）利用医学影像调窗算法对肝脏CT图像进行预处理以增强腹部肝脏区域的对比度；（2）利用深度网络模型获取肝脏的分割结果；（3）利用边缘检测算法获取肝脏分割结果的轮廓；（4）利用人机交互选择待评估的肝脏区域，得到待评估的肝脏轮廓曲线；（5）利用曲线的曲率计算来度量肝脏形状的平滑程度。本发明有效量化了肝脏表面的平滑程度，实现对肝脏轮廓平滑度的准确、客观度量，进一步辅助医生进行肝功能量化评估。

技术领域

本发明属于医学影像分析领域，具体提供了一种基于差分曲率的肝脏表面平滑度的测量方法。

背景技术

肝脏的病变具有突发性且发病率较高，当前，中国的肝癌发病率和死亡率居世界首位。因此，肝癌严重威胁着我国人民群众的生命健康。对腹部医学影像进行分析是最有效、最直接的肝病辅助治疗手段，并且全面的医学影像分析对患者的治疗以及预后具有重要价值。利用腹部CT图像评估患者的肝功能通常有几个重要指标，主要涉及肝脏体积、肿瘤体积、肝脏与脾脏的比例、肝脏的平滑度。利用图像分割技术可以实现对肝脏、脾脏、肝脏肿瘤的分割，进而估计其体积数据。然而，对肝脏的平滑度计算长期以来都依赖于医生的主观判断，没有统一的标准和客观评价方法。根据临床解剖发现，正常的肝脏表面光滑，患有疾病的肝脏容易形成大小不一的肿块，导致肝脏表面凹凸不平。通常临床医生认为肝脏表面的平滑度与肝功能直接相关，因此研究肝脏表面平滑度的测量方法对推动智慧医疗具有重要意义。

由于肝脏的表面是不规则的曲面，而腹部CT成像是以切片的形式进行的，因此对肝脏表面平滑度的估计问题可以转换为对切片中肝脏轮廓曲线的平滑度估计。为了有效估计肝脏轮廓曲线的平滑度，首先需要获取准确的肝脏轮廓。在图像处理中，获取目标的轮廓通常有两种方法：边缘检测和图像分割。由于腹部CT图像中通常存在大量的噪声，并且肝脏与周围组织的边界较为模糊，这些问题导致利用经典的边缘检测算子很难实现准确的肝脏边缘检测。相比传统的边缘检测算子，图像分割的目是提取目标的封闭轮廓信息，因此利用图像分割能够获得更好的肝脏轮廓信息。

传统的图像分割方法通常是半自动的，依赖人工设计的特征描述子提取特征，通常分割精度较低。例如区域生长法、水平集方法、分水岭方法、聚类方法等。传统的图像分割方法均依赖于模型驱动，忽略了数据自身的分布特性，而且难以提取图像的高层语义信息，虽然对简单的图像能够实现较好的分割结果，但算法的鲁棒性较低，因此分割精度受限。

相比传统的图像分割方法，基于深度学习的图像分割方法能够有效学习图像的高层语义信息，实现端到端的全自动图像分割，因此近年来成为计算机视觉领域的热门研究领域。针对图像语义分割，最具代表性的卷积神经网络有：全卷积神经网络(fullyconvolutional network,FCN)、SegNet、DeepLab V1-V3等。FCN首次采用了编解码网络，通过跳跃连接实现了对图像低层和高层语义信息的有效融合，大幅提升了图像分割效果，尤其是对图像中目标的轮廓细节改善较为明显。SegNet针对FCN仅能实现固定尺寸的图像分割问题，利用图像金字塔算法使得网络可以接受任意尺寸的输入图像。而DeepLab利用ResNet以获得更好的特征编码，通过引入空洞卷积以实现更宽的接收域，在不增加网络参数的情况下实现高效的多尺度特征融合，实现了高精度的图像分割效果。尽管基于深度卷积神经网络的图像分割方法能实现端到端的图像语义分割，然而这些方法很难直接推广到医学图像分割中。一方面由于医学图像分割是小样本问题，另一方面由于医学图像呈现对比度低、受噪声污染严重、目标信息不明确等问题。