CN104992430A - 基于卷积神经网络的全自动的三维肝脏分割方法 - Google Patents

Abstract

本发明涉及医学图像处理领域，旨在提供基于卷积神经网络的全自动的三维肝脏分割方法。该基于卷积神经网络的全自动的三维肝脏分割方法包括下述过程：准备训练集；训练卷积神经网络；利用训练好的卷积神经网络处理腹部肝脏CTA体数据，得到肝脏的分割结果。本发明借助于三维卷积神经网络来分割肝脏，不仅是全自动的，而且可以很好地避免欠分割和过分割的现象，得到准确的肝脏分割结果。

Description

基于卷积神经网络的全自动的三维肝脏分割方法

技术领域

本发明是关于医学图像处理领域，特别涉及基于卷积神经网络的全自动的三维肝脏分割方法。

背景技术

目前，肝脏疾病是临床上发病概率比较高的疾病，直接威胁到人们的生命，所以肝脏疾病的准确诊断具有重要的医学意义。临床上，医生常常借助于CT机，即计算机断层扫描机，来获得肝脏部位的一系列平面灰度断层图像，并通过连续地查看这些图像来判断病灶的病变位置、特征、大小、同周围组织之间的关系等。而肝脏的提取和定量分析对准确地诊断肝脏疾病和制定适当的手术方案起着关键性的作用。临床上，肝脏的提取往往由经验丰富的医生直接在CTA图像(即CT血管造影图像)上勾勒出来。此方法不仅非常耗时耗力，而且由于分割结果依赖于医生的经验而缺乏鲁棒性。因此急需建立好的肝脏分割模型。

非人工的肝脏分割方法有半自动和全自动两大类方法。半自动方法需要人机交互，其中典型的代表是区域增长法、水平集方法、图割方法。这些方法需要人为提供种子点或者初始化区域。对于不同的算法操作人员，种子点或者初始化区域的位置或者大小往往也不同，这将导致不同的分割结果，从而使得算法缺少鲁棒性。全自动分割方法则不需要人工交互，现有的典型算法有概率图谱法、Active Shape Model法。由于受CT图像的低对比度、弱边界等影响，目前的全自动方法普遍存在过分割和欠分割现象，故一些方法在分割肝脏之前会进行一些复杂的预处理过程，比如周围器官的预先提取，但这又会带来分割时间过长的问题。

因此，提出一种不需要进行任何预处理，同时又可以克服过分割和欠分割现象的全自动算法在临床医学应用上很有必要。

发明内容

本发明的主要目的在于克服现有技术中的不足，提供一种能准确地将肝脏同周围粘连的组织分割出来，且对于含有病变的肝脏，能克服欠分割现象而准确地提取出肝脏组织的方法。为解决上述技术问题，本发明的解决方案是：

提供基于卷积神经网络的全自动的三维肝脏分割方法，用于对腹部肝脏CTA(Computed Tomography Angiography，CT血管造影术)体数据，即计算机断层扫描血管造影图像中的肝脏进行分割，所述三维肝脏分割方法具体包括下述过程：

一、准备训练集；

二、训练卷积神经网络；

三、利用训练好的卷积神经网络处理腹部肝脏CTA体数据，得到肝脏的分割结果；

所述过程一具体包括下述步骤：

步骤A：搜集大小为512×512×N的腹部肝脏CTA体数据，并做出这些数据的肝脏标准分割结果，其中N为体数据的层数；

步骤B：通过下采样将步骤A中收集的大小为256×256×N的体数据的调整成大小为256×256×286；其中，对于N大于286的体数据，删掉体数据中不含肝脏组织的层数，使得该数据层数缩减为286层；对于N小于286的数据，在其最后一层增加若干不含肝脏组织的层，使得该数据层数增加至286层；

所述过程二具体包括下述步骤：

步骤C：设计卷积神经网络的结构，使用的卷积神经网络的输入是大小为249×249×279的体块；

所述卷积神经网络一共11层：第1层为96个滤波大小为7×7×9的卷积核，步长为1的卷积层；第2层为256个滤波大小为5×5×5的卷积核，步长为2的卷积层；第3层到第8层均为512个滤波大小为3×3×3的卷积核，步长为1的卷积层；第9层为128个滤波大小为3×3×3的卷积核，步长为1的卷积层；第10层为16个滤波大小为3×3×3的卷积核，步长为1的卷积层；第11层为1个滤波大小为3×3×3的卷积核，步长为1的卷积层；

其中，第1、第2层后面加了average pooling层，将数据维度从249×249×279缩小到31×31×32；第7、第8、第9层后面加入了重排双倍尺寸输出层，将输入的8个通道变成2×2×2，即双倍尺寸，1/8通道数；且3次重排后输出和输入的尺度保持一致；第11层使用logistic函数输出大小为248×248×256的概率图；

步骤D：利用训练集训练卷积神经网络中的各种参数，将过程一中准备好的训练集放入步骤C中设计好的卷积神经网络进行训练，得到卷积神经网络中的各种参数；

所述过程三具体包括下述步骤：

步骤E：选取需要进行肝脏分割的CTA体数据，按照步骤B的方法，将需要进行肝脏分割的CTA体数据的大小调整为256×256×286，将调整后的数据作为测试集；

步骤F：从测试集中随机选择一个大小为249×249×279的体块，将此体块作为卷积神经网络中的输入，通过卷积神经网络的迭代，能输出一个大小为248×248×256的标签块，其取值范围为[0.1，0.9]；

步骤G：重复42次步骤F后停止，得到测试集的肝脏概率图P；

步骤H：(根据经验)对P选取阈值，大于阈值的结果即为分割得到的肝脏分割结果。

与现有技术相比，本发明的有益效果是：

本发明借助于三维卷积神经网络来分割肝脏，不仅是全自动的，而且可以很好地避免欠分割和过分割的现象，得到准确的肝脏分割结果。

附图说明

图1为本发明中的卷积神经网络的结构图。

图2为示例三维体数据的第190层原图。

图3为第190层数据经本发明技术处理后的效果图。

图4为示例三维体数据的第58层原图。

图5为第58层数据经本发明技术处理后的效果图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

提供一种新的基于卷积神经网络的全自动三维肝脏分割方法，用于对腹部肝脏CTA(Computed Tomography Angiography，CT血管造影术)体数据，即计算机断层扫描血管造影图像中的肝脏进行分割，包括下列过程：

一、准备训练集；

二、训练卷积神经网络；

三、利用训练好的卷积神经网络处理腹部肝脏CTA体数据，得到肝脏的分割结果。

所述过程一具体包括下述步骤：

步骤A：搜集68个大小为512×512×N的腹部肝脏CTA体数据，并由医生专家给出这些数据的肝脏分割标准结果，其中N为体数据的层数。

步骤B：通过下采样将大小为256×256×N的数据的进行调整。对于N>286的数据，删掉数据中不含肝脏组织的层数，使得该数据层数缩减为286层；对于N<286的数据，在其最后一层增加若干不含肝脏组织的层，使得该数据层数增加至286层。

所述过程二具体包括下述步骤：

步骤C：设计卷积神经网络的结构。

该卷积神经网络是由多个卷积层和下采样交替实现的。其中每一个卷积层之后都附加了一个ReLu响应函数以便加快卷积神经网络的训练。

神经网络一共11层，第1层是7×7×9步长为2的卷积，第2层是5×5×5步长为1的卷积层，其余卷积层均为3×3×3步长为1。前两层卷积后面有average pooling层，使得卷积层学习得到的纹理可以存在小范围的形变。做完了pooling后，数据维度从249×249×279缩小到31×31×32，接下来的第3层到第7层让每个输入影响到了周围11×11×11的邻域输出。由于我们不能只通过一个小邻域就判断这点是不是肝脏，因此大接收域非常有必要。

第7、第8、第9层后面加入了重排双倍尺寸输出层，将输入的8个通道变成2×2×2，即双倍尺寸，1/8通道数。3次重排后输出和输入的尺度一致，重排层能获得锐利的边界，而简单的上采样超分辨不行，卷积层加载每个重排后能有效地去除块状效应。最后的logistic函数将生成逐点的概率。

步骤D：利用训练集训练神经网络中的各种参数。

将过程一中准备好的训练集放入步骤C中设计好的卷积神经网络进行训练，得到神经网络中的各种参数。

所述过程三具体包括下述步骤：

步骤E：选取某个CTA体数据，按照步骤1的操作，将数据大小调整为256×256×286，将调整后的数据作为测试集。

步骤F：从256×256×286的测试集中随机选择一个大小为249×249×279的体块，将此体块作为卷积神经网络中的输入，通过卷积神经网络的迭代，将会输出一个大小为248×248×256的标签块，其取值范围为[0.1，0.9]。

步骤G：重复52次步骤F后停止，将得到整个肝脏的概率图P。

步骤H：取0.5为阈值，将概率图P中值大于0.5的地方认为是肝脏组织，从而得到肝脏分割结果。

图2为示例三维体数据的第190层，图3为本发明技术分割出来的肝脏第190层效果图，肝脏组织为左侧大块白色区域描述，可以看到中间的肝脏肿瘤区域也能正确的分割出来。图4为示例三维体数据的第58层，图5为本发明技术分割出来的肝脏第58层效果图，肝脏组织为左侧大块白色区域描述，可以看到克服了过分割的现象。

最后，需要注意的是，以上列举的仅是本发明的具体实施例。显然，本发明不限于以上实施例，还可以有很多变形。本领域的普通技术人员能从本发明公开的内容中直接导出或联想到的所有变形，均应认为是本发明的保护范围。

Claims (1)

1.基于卷积神经网络的全自动的三维肝脏分割方法，用于对腹部肝脏CTA体数据，即计算机断层扫描血管造影图像中的肝脏进行分割，其特征在于，所述三维肝脏分割方法具体包括下述过程：

一、准备训练集；

二、训练卷积神经网络；

三、利用训练好的卷积神经网络处理腹部肝脏CTA体数据，得到肝脏的分割结果；

所述过程一具体包括下述步骤：

步骤A：搜集大小为512×512×N的腹部肝脏CTA体数据，并做出这些数据的肝脏标准分割结果，其中N为体数据的层数；

步骤B：通过下采样将步骤A中收集的大小为256×256×N的体数据的调整成大小为256×256×286；其中，对于N大于286的体数据，删掉体数据中不含肝脏组织的层数，使得该数据层数缩减为286层；对于N小于286的数据，在其最后一层增加若干不含肝脏组织的层，使得该数据层数增加至286层；

所述过程二具体包括下述步骤：

步骤C：设计卷积神经网络的结构，使用的卷积神经网络的输入是大小为249×249×279的体块；

所述卷积神经网络一共11层：第1层为96个滤波大小为7×7×9的卷积核，步长为1的卷积层；第2层为256个滤波大小为5×5×5的卷积核，步长为2的卷积层；第3层到第8层均为512个滤波大小为3×3×3的卷积核，步长为1的卷积层；第9层为128个滤波大小为3×3×3的卷积核，步长为1的卷积层；第10层为16个滤波大小为3×3×3的卷积核，步长为1的卷积层；第11层为1个滤波大小为3×3×3的卷积核，步长为1的卷积层；

其中，第1、第2层后面加了average pooling层，将数据维度从249×249×279缩小到31×31×32；第7、第8、第9层后面加入了重排双倍尺寸输出层，将输入的8个通道变成2×2×2，即双倍尺寸，1/8通道数；且3次重排后输出和输入的尺度保持一致；第11层使用logistic函数输出大小为248×248×256的概率图；

步骤D：利用训练集训练卷积神经网络中的各种参数，将过程一中准备好的训练集放入步骤C中设计好的卷积神经网络进行训练，得到卷积神经网络中的各种参数；

所述过程三具体包括下述步骤：

步骤E：选取需要进行肝脏分割的CTA体数据，按照步骤B的方法，将需要进行肝脏分割的CTA体数据的大小调整为256×256×286，将调整后的数据作为测试集；

步骤F：从测试集中随机选择一个大小为249×249×279的体块，将此体块作为卷积神经网络中的输入，通过卷积神经网络的迭代，能输出一个大小为248×248×256的标签块，其取值范围为[0.1，0.9]；

步骤G：重复42次步骤F后停止，得到测试集的肝脏概率图P；

步骤H：对P选取阈值，大于阈值的结果即为分割得到的肝脏分割结果。