[发明专利]一种基于神经网络与超像素算法的CT图像肝脏自动分割方法

说明书

本发明提出了一种基于Unet网络与SLIC超像素算法相结合的新型CT图像肝脏自动分割方法。该方法一方面通过Unet网络对CT图像进行初步预测，又通过超像素算法对结果进行后处理，提高了肝分割结果的轮廓完整度，强化了预测结果的边缘与CT图像中肝脏真实轮廓的匹配性。本发明旨在解决当分类特征存在于边缘部分时，肝自动分割后的破碎边缘会严重影响网络分类准确性这一问题。经过验证，相比于其他相关分割算法，该算法明显提高了分割精度，也提高了边缘敏感型分类情况的正确率。在实践方面，该方法既可以减少人工分割的工作量，又提高了分割边缘的真实性，在医学图像处理方面有很强的实用性。

技术领域

本发明涉及人工智能深度学习、卷积神经网络(Convolutional NeuralNetworks，CNN)、和图像处理在CT图像中肝脏分割方向的应用。

背景技术

肝癌是我国最常见的癌症之一，并具有可预测性低、恶化速度快、导致死亡率高的特点。其中最常见的两种原发性肝癌分别为肝细胞癌(hepatocellular carcinoma，HCC)和肝内胆管细胞癌(intrahepatic cholangiocarcinoma，ICC)。这两种较为常见的原发性肝癌有着不同的组织来源和发病机制，这导致它们的临床特点不同，针对它们进行的影像学检查和疾病预后也都有较大的差别。肝细胞癌和肝内胆管细胞癌在患病初期都无特异性症状，因此在影像学检查中肝内胆管细胞癌会易误诊为肝细胞癌。而两种癌症的治疗方案有较大的不同，因此，在临床上对肝细胞癌和肝内胆管细胞癌的准确诊断有重要的意义，而精确的肝脏分割对其诊断准确性的提升有显著的作用。

传统的肝脏自动分割算法一般是通过寻找CT图像的亨氏单位(Hounsfiled Unit，HU)值的分布规律对图像进行处理，如水平集算法和图切割算法等。但是这种传统算法需要医生手动根据经验对模型的参数进行初始化，导致分割效果受医生个人因素影响较大，结果较为主观。而近年来，越来越多的人开始将机器学习方法引入医学图像处理的领域中来。

本发明采用的是Unet网络与SLIC超像素算法相结合的技术来进行CT图像中肝脏分割。Unet是从全卷积网络的结构改进而来，包括特征提取和上采样两部分。医学图像所包含的器官组织等通常边界较为模糊，需要更多的高分辨率信息才能分割；同时医学图像的内部结构相对固定，语义简单明确，低分辨率信息可以提供这一部分的内部结构信息。Unet具有能够结合底层特征信息和高层信息的特点，这使它更加适用于医学图像的分割。

一个超像素区域所包含的图像组合信息远超单个像素所包含的信息量，且使用超像素来代替像素会使图像处理时的计算量大大减少，因此超像素概念在图像处理方面已经得到了不少的应用。本发明采用的是基于K-means聚类算法的简单线性迭代聚类算法(SLIC)。本发明利用SLIC算法生成的超像素结果与图像边缘贴合性较好的特点，引入超像素算法作为后处理，有效优化了Unet网络对像素进行预测的边缘轮廓不敏感情况。

发明内容

本发明采用将Unet与SLIC超像素算法相结合的方式，目的是解决当分类特征存在于边缘部分时，肝自动分割后的破碎边缘会严重影响网络分类准确性这个问题。本发明通过SLIC超像素算法来优化Unet网络对腹部CT图片的预测蒙版，使其具有更高的完整度。

首先先建立数据库，对收集到的CT图像数据进行筛选以及格式转换，通过预处理减小CT图像数据的冗余度，避免同一病例的过多数据会导致网络训练的过拟合风险增高。使用Unet网络模型对数据库进行训练，使用训练好的模型对目标CT图片进行预测，得到初步的预测结果。

接着使用SLIC算法，多次调整算法参数对目标CT图片进行超像素划分。保证生成的超像素区域不应过于小导致失去优化的作用，同时可以较为平滑的勾勒出腹部CT图片中肝部的边缘，且保证迭代次数可以使聚类完成，但不至于过度迭代多次导致时间以及资源上的浪费。