【技術實現步驟摘要】
本專利技術涉及一種針對高分辨率肺部ct圖像的分割方法，同時也涉及相應的分割系統，屬于ct圖像處理。
技術介紹
1、高分辨率的ct圖像相比于普通ct圖像能夠更加細致地描繪出肺部紋理及細小病灶。雖然普通ct圖像已經能夠通過深度學習的技術實現比較準確、快速的肺部分割，但是這些技術在處理高分辨率ct圖像的時候會面臨著準確度、分割速度與硬件資源難以權衡的技術問題，這對在高分辨率ct圖像上進行肺部分割的實際應用造成了巨大阻礙。
2、目前，在ct圖像上關于肺部分割相近的技術方案主要分為兩類：
3、第一類：根據現有的深度學習方法的發展，提出了一系列具有不同模型的分割方法。這些方法的不同之處主要體現在：模型架構、ct圖像的預處理方法、針對含有不同病灶的ct圖像的魯棒性等。最終的分割優勢主要都體現在：分割準確、魯棒性強、速度更快、減少工作量、邊緣更清晰、實現智能化輔助診斷等。
4、第二類：將肺部分割的方法與硬件、系統等聯合起來，提出了一整套能夠從ct圖像輸入，最終可視化分割結果或者輸出分割報告的操作流程，該流程包括：分割方法、軟件設計、硬件設計與部署等方面。最終的分割優勢主要體現在端到端的一站式分割服務。
5、然而，現有的肺部分割方法都是應用在常規分辨率的ct圖像上。相比于常規分辨率的ct圖像，高分辨率ct圖像在分割時往往需要更大的硬件資源要求和更長的計算時間，因此在常規分辨率的ct圖像上的肺部分割方法即使能夠比較快速準確地分割肺部，也很難保證在高分辨率ct圖像上進行肺部分割的低資源消耗、實時性以及準
技術實現思路
1、本專利技術所要解決的首要技術問題在于提供一種針對高分辨率肺部ct圖像的分割方法。
2、本專利技術所要解決的另一技術問題在于提供一種針對高分辨率肺部ct圖像的分割系統。
3、為實現上述技術目的，本專利技術采用以下的技術方案：
4、根據本專利技術實施例的第一方面，提供一種針對高分辨率肺部ct圖像的分割方法，包括如下步驟：
5、獲取高分辨率的肺部ct圖像；
6、對所述肺部ct圖像進行預處理，以獲取肺部邊緣以及左右肺的易錯分部位；
7、對預處理后的肺部ct圖像進行裁切以去除所述肺部邊緣以外的非肺部區域，從而得到尺寸縮小后的裁切圖像；并且，對所述尺寸縮小后的裁切圖像進行插值處理，以獲取尺寸統一的肺部區域ct圖像；
8、基于resunet模型，將所述resunet模型的所有解碼層的部分卷積更換為可分離卷積，并只保留分辨率最大的前三層編碼層以及解碼層，以對所述resunet模型進行框架改進；
9、基于預設的訓練集對框架改進后的resunet模型進行模型訓練，以通過對左右肺的易錯分部位增加權重的混合損失函數進行深度學習，從而得到最終的resunet改進模型；
10、將所述尺寸統一的肺部區域ct圖像輸入所述resunet改進模型，以輸出初步的肺部分割結果；
11、基于原肺部ct圖像的大小以及預處理后的肺部ct圖像的裁切位置，對所述初步的肺部分割結果進行還原，以獲取最終的肺部分割結果。
12、其中較優地，所述肺部邊緣通過以下方式獲取：
13、對所述肺部ct圖像進行形態學的腐蝕和膨脹，以得到膨脹結果和腐蝕結果；
14、將所述膨脹結果減去所述腐蝕結果，以得到所述肺部邊緣。
15、其中較優地，所述易錯分部位通過以下方式獲取：
16、將左肺圖像向右平移第一距離，并將右肺圖像向左平移第二距離，以使所述左肺圖像與所述右肺圖像部分重疊；
17、其中，所述左肺圖像與所述右肺圖像的重疊區域即為所述易錯分部位，并且所述左肺圖像與所述右肺圖像共同構成所述肺部ct圖像。
18、其中較優地，所述第一距離與所述第二距離相等，且大小為一個預設的像素區間。
19、其中較優地，所述尺寸統一的肺部區域ct圖像通過以下方式獲取：
20、調整預處理后的肺部ct圖像的窗寬和窗位，并將像素值進行歸一化處理；
21、根據預設閾值將歸一化后的像素值進行二值化分類，得到二分類矩陣；其中，所述二分類矩陣為包含肺部區域的低像素值區域以及包含正常組織的高像素值區域；
22、去除所述二分類矩陣中邊緣的低像素值區域，從而僅保留人體部位內的低像素值區域；其中，所述人體部位內的低像素值區域包括空腔區域和肺部區域；
23、去除所述人體部位內的低像素值區域的空腔區域，從而僅保留肺部區域；
24、對篩選出的肺部區域進行裁切，并對裁切后的ct數據進行插值，以統一ct圖像的尺寸，從而得到尺寸統一的肺部區域ct圖像。
25、其中較優地，將所述尺寸統一的肺部區域ct圖像輸入所述resunet改進模型，以輸出初步的肺部分割結果，具體包括：
26、將輸入的肺部區域ct圖像率先通過兩層卷積縮小一倍；
27、在編碼階段中，利用每一編碼層所設置的兩層殘差結構進行特征提取，以獲取特征圖；其中，每層殘差結構包含兩層卷積；
28、在解碼階段中，將所述特征圖通過上采樣的方式逐漸還原到原圖大小；對于每一解碼層，通過設置一層殘差結構，將兩個3×3×3的卷積更換為一個1×3×3與一個3×1×1的可分離卷積；
29、按照編解碼的層數依次經過三次編解碼處理后，再經過上采樣與卷積后輸出初步的肺部分割結果。
30、其中較優地，所述基于原肺部ct圖像的大小以及對預處理后的肺部ct圖像的裁切位置，對所述初步的肺部分割結果進行還原，以獲取最終的肺部分割結果，具體包括：
31、將插值還原后的ct圖像進行剪裁還原，以還原成剪裁前的圖像大小。
32、其中較優地，所述基于預設的訓練集對框架改進后的resunet模型進行模型訓練，以通過對左右肺的易錯分部位增加權重的混合損失函數進行深度學習，具體包括：
33、對訓練集的預處理圖像進行二值化處理，從而可以得到兩個二值化的標簽圖，其中一個標簽圖中1表示肺部邊緣，0表示非肺部邊緣，另一個標簽圖中1表示左右肺過近部位，0表示非左右肺過近部位；
34、通過混合損失函數在標簽圖中1的部位額外增加權重，以增強對難分割部位的學習；
35、其中，最終的損失權重矩陣w中，每個像素點i的損失權重為：
36、wi＝1+w1medgei+w2mhardi，其中，w1表示為肺部邊緣設置的權重值，w2表示為左右肺過近部位設置的權重值；并且，所述混合損失函數lmix由交叉熵損失函數lce與dice損失函數ldice混合而成，損失權重運用在所述交叉熵損失函數lce上；
37、混合損失函數lmix＝α∑w·lce/∑w+(1－α)ldice，其中，α表示不同損失函數在設計的混合損失函數中的占比。
38、根本文檔來自技高網...
【技術保護點】
1.一種針對高分辨率肺部CT圖像的分割方法，其特征在于包括如下步驟：
2.如權利要求1所述的分割方法，其特征在于所述肺部邊緣通過以下方式獲取：
3.如權利要求1所述的分割方法，其特征在于所述易錯分部位通過以下方式獲取：
4.如權利要求3所述的分割方法，其特征在于：
5.如權利要求1所述的分割方法，其特征在于所述尺寸統一的肺部區域CT圖像通過以下方式獲取：
6.如權利要求1所述的分割方法，其特征在于將所述尺寸統一的肺部區域CT圖像輸入所述ResUNet改進模型，以輸出初步的肺部分割結果，具體包括：
7.如權利要求1所述的分割方法，其特征在于所述基于原肺部CT圖像的大小以及對預處理后的肺部CT圖像的裁切位置，對所述初步的肺部分割結果進行還原，以獲取最終的肺部分割結果，具體包括：
8.如權利要求1所述的分割方法，其特征在于所述基于預設的訓練集對框架改進后的ResUNet模型進行模型訓練，以通過對左右肺的易錯分部位增加權重的混合損失函數進行深度學習，具體包括：
9.一種針對高分辨率肺部CT圖像
10.一種針對高分辨率肺部CT圖像的分割系統，其特征在于包括處理器和存儲器，所述處理器讀取所述存儲器中的計算機程序，用于執行以下操作：
...【技術特征摘要】
1.一種針對高分辨率肺部ct圖像的分割方法，其特征在于包括如下步驟：
2.如權利要求1所述的分割方法，其特征在于所述肺部邊緣通過以下方式獲取：
3.如權利要求1所述的分割方法，其特征在于所述易錯分部位通過以下方式獲取：
4.如權利要求3所述的分割方法，其特征在于：
5.如權利要求1所述的分割方法，其特征在于所述尺寸統一的肺部區域ct圖像通過以下方式獲取：
6.如權利要求1所述的分割方法，其特征在于將所述尺寸統一的肺部區域ct圖像輸入所述resunet改進模型，以輸出初步的肺部分割結果，具體包括：
7.如權利要...
【專利技術屬性】
技術研發人員：陳萬樓，
申請(專利權)人：納米維景上海醫療科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。