[发明专利]基于多任务卷积模型的肺部CT感兴趣区域自动检测方法

说明书

一种基于多任务卷积模型的肺部CT感兴趣区域自动检测方法，通过对CT扫描进行解析得到张量形式的图像，对该图像进行肺部粗分割、重采样以及像素值归一化处理，得到仅包含肺部区域的三维CT图像体素矩阵；然后对三维图像切片后，将得到的若干张横截面的二维图像输入二维卷积模型，得到若干个ROI粗略轮廓；再以ROI粗略轮廓为中心截取三维图像块，通过三维分类器分别给出各个ROI为真实ROI的概率，经筛选后将得到的包含真实ROI的三维图像块输入由多任务训练得到的三维卷积模型，得到精确ROI轮廓，并根据ROI为真实ROI的概率将轮廓渲染为不同的颜色。本发明可快速处理大批量CT图像，提高ROI检测效率。

技术领域

本发明涉及的是一种图像处理领域的技术，具体是一种基于多任务卷积模型的肺部CT(Computed Tomography)感兴趣区域自动检测方法。

背景技术

随着医疗技术的发展，越来越多的肺部CT图像需要进行及时处理，其中感兴趣区域即ROI(Region OfInterest)的检测，属于肺部CT图像处理的首要步骤。在数字图像处理领域中，ROI指技术人员在图像当中关注的特定区域。如果采用人工逐层检查CT图像判断有无ROI的传统方法，则会给医生增加较大的负担，因为医生寻找ROI需要参考多张图像不断比对来进行判断，是一项费时费力的工作。而利用卷积网络自动定位ROI并勾画ROI轮廓，在保证准确率的基础上减少CT图像的处理时间，使得大批量处理CT影像成为可能，将医生从冗杂的工作中解放出来，可以提高医院整体的运转效率。

目前针对肺部CT图像ROI自动检测的算法缺乏通用性，往往只能处理某一层厚的CT图像，对于不同层厚或不同机器扫描得到的CT图像处理泛化性较差。另外大多数算法仅使用ROI掩膜或锚框作为语义标签对卷积网络进行训练，因此卷积模型只关注了CT图像中基于体素值的视觉特征，而忽略了临床上的生物特征，不利于ROI轮廓的精确勾画。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于多任务卷积模型的肺部CT感兴趣区域自动检测方法，针对不同的层厚训练不同的模型，可以有效解决不同层厚的CT图像包含信息量不一致的问题。此外在训练三维语义分割模型时同时使用ROI掩膜与ROI良恶性的语义标签，结合了ROI的影像学特征与生物学特征，有利于精确勾画ROI轮廓。通过基于编码器解码器结构的卷积模型，得到ROI轮廓，可快速处理大批量CT图像，提高ROI检测效率。

本发明是通过以下技术方案实现的：

本发明涉及一种基于多任务卷积模型的肺部CT感兴趣区域自动检测方法，通过对CT扫描进行解析得到张量形式的图像，对该图像进行肺部粗分割、重采样以及像素值归一化处理，得到仅包含肺部区域的三维CT图像体素矩阵；然后对三维图像切片后，将横截面切片输入基于编码器解码器结构的二维语义分割网络，得到若干个ROI粗略轮廓；再以ROI粗略轮廓为中心截取三维图像块，通过三维分类器分别给出各个ROI为真实ROI的概率，经筛选后将得到的包含真实ROI的三维图像块输入由多任务训练得到的三维卷积模型，得到精确ROI轮廓，并根据ROI为真实ROI的概率将轮廓渲染为不同的颜色。

所述的三维图像，通过以下方式得到：对原始CT扫描，即DICOM(Digital Imagingand Communications inMedicine)形式的CT扫描，根据切片的位置坐标将多张DICOM文件中的二维切片矩阵组合为一张三维图像，然后对三维图像进行预处理，具体包括：用数字图像处理技术找到肺部区域的粗略锚框，并按照该锚框裁剪掉图像中的非肺部分；将图像的像素间距沿(x,y,z)轴分别采样至(0.7mm,0.7mm,1.5mm)；根据肺窗[-1024,400]和纵膈窗[-160,240]对像素值进行归一化，分别得到对应肺窗和纵膈窗的两个通道。