本發(fā)明屬于醫(yī)學(xué)圖像處理領(lǐng)域，具體涉及基于全卷積神經(jīng)網(wǎng)絡(luò)的端對端胸部ct圖像分割方法。

背景技術(shù)：

隨著醫(yī)學(xué)影像學(xué)和計算機技術(shù)的不斷快速發(fā)展，利用計算機技術(shù)對臨床影像數(shù)據(jù)進行分析提高了疾病預(yù)防與治療成功的概率。在胸部疾病的診斷與檢測中，計算機斷層掃描(ct)使用最為普遍。由于ct能夠為胸部的各個器官或組織提供高分辨率的掃描圖像，所以充分利用ct掃描圖像對于肺部疾病的檢測非常重要，比如肺癌、肺結(jié)節(jié)等疾病。在計算機輔助診斷系統(tǒng)中，精準的肺部ct掃描圖片的分割是后續(xù)胸部功能分析和三維圖像數(shù)據(jù)重建的基礎(chǔ)和前提。精準的分割不僅可以增加疾病診斷的準確性，還能減少后續(xù)無關(guān)計算的時間。

由于肺部中充滿了空氣，相對于胸部的其它組織和器官，肺部的ct值很低，但是由于氣管相對于周圍的組織在密度上差異不太大，所以氣管的ct值相對于肺部的ct值更高。然而由于氣管與胸部皮膚的密度相似，這使得胸部ct圖像中氣管與皮膚的對比度很低，很難直接從ct圖像中辨認出氣管的部分。對于在特殊的生理、病理的條件下，胸部ct各部分的形態(tài)表現(xiàn)差異更加明顯，這使得胸部ct圖像的分割稱為一個現(xiàn)實的挑戰(zhàn)。

胸部ct圖像的分割方法，大體包括了閾值法、區(qū)域生長法及結(jié)合其它理論的方法。閾值法基于胸部ct圖像的ct值不同可以很容易將肺部等器官分割出來，但是遇到ct值與皮膚相似的氣管，閾值法確實比較難以分割。區(qū)域生長法的胸部ct圖像分割中需要先設(shè)置區(qū)域生長的種子點，當肺部或者氣管出現(xiàn)位置分叉導(dǎo)致ct圖像中氣管影像不連續(xù)時，分割就難以取得令人滿意的結(jié)果。結(jié)合其他理論的方法進行胸部ct圖像分割也會存在著許多的問題，比如算法的處理時間過長，無法滿足在計算機輔助診斷系統(tǒng)中應(yīng)用的實時性需求。針對胸部ct圖像分割在計算機發(fā)展診斷系統(tǒng)中的特殊性，圖像分割的系統(tǒng)需要經(jīng)胸部粘膜粘連結(jié)節(jié)、血管等組織正確的分類，還需要實現(xiàn)快速的、準確的ct圖像分割，這是胸部ct圖像分割的關(guān)鍵所在。

針對利用傳統(tǒng)的方法進行胸部ct圖像的分割中存在著諸多問題，比如肺部的邊緣含胸膜粘連性結(jié)節(jié)及肺部實質(zhì)邊緣受損，針對這些問題，已經(jīng)有很多相關(guān)的研究出現(xiàn)：比如檢測凹凸點，將圖像中的所有像素點分為凸點、凹點和平滑點，可以利用沿輪廓上的凸起的點來畫一條直線糾正肺部的邊緣；曲率分析法，該方法中曲率比較大的地方代表的是氣管或者大的血管。snake模型的圖像分割法，結(jié)合了snake模型和生理解剖學(xué)來分割胸部ct圖像。但是這些分割方法也存在一定的缺點，凹凸點檢測對形變模型比較敏感，曲率分析法每次模型的參數(shù)及初始化還會存在著一定的誤差，snake模型沒有規(guī)范化的分割流程，分割的結(jié)果會出現(xiàn)一定的誤差。

技術(shù)實現(xiàn)要素：

本發(fā)明針對胸部ct圖像分割中存在的問題，結(jié)合深度學(xué)習(xí)技術(shù)，提出了具有端對端的結(jié)構(gòu)性質(zhì)的胸部ct圖像分割方法。模型中包括了卷積層和其它層的交互間隔，能夠自動對輸入圖像進行特征提取以利用圖像中內(nèi)容的鄰域信息，并且通過了池化層的設(shè)置，在不增加計算量的同時擴大了卷積核的感受野獲得了更大的信息，并且利用這些信息對圖像中的像素點進行分類，進而將整個ct圖像進行分割。

為了實現(xiàn)上述的目的，本發(fā)明提出的技術(shù)方案是基于全卷積神經(jīng)網(wǎng)絡(luò)的端對端胸部ct圖像分割方法，具體包括以下步驟：

步驟1：臨床掃描k組胸部ct圖像，并且將每組ct圖像按照每一張切片分開作為訓(xùn)練樣本；

步驟2：對于每一個訓(xùn)練樣本和測試樣本，經(jīng)過專業(yè)的醫(yī)護人員進行手動分割，將圖像分成肺部、氣管、皮膚和背景四個部分；

步驟3：構(gòu)建端對端的全卷積神經(jīng)網(wǎng)絡(luò)對經(jīng)過標記的胸部ct訓(xùn)練數(shù)據(jù)進行訓(xùn)練，得到訓(xùn)練好的參數(shù)模型；

步驟4：將掃描的ct圖像的每張切片分開，并且逐個輸入訓(xùn)練好的模型，得到分割好的輸出模型；

步驟5：將輸出的模型進行組合，最后得到分割完成的胸部ct圖像模型。

進一步，上述步驟3中的訓(xùn)練具體包含以下步驟：

a、在模型的前面設(shè)置3個卷積層，卷積層的輸入與輸出之間的關(guān)系為：

yij＝fks({xsi+δi,sj+δj}0≤δi,δj≤k)

xij為在特定的某一層中位置(i,j)處的數(shù)據(jù)向量，yij是下一層的某一位置的數(shù)據(jù)向量，k是內(nèi)核大小，s是步幅或子采樣因子；

b、在每個卷積層之后設(shè)置一層非線性激活單元，這里選擇的激活函數(shù)為relu，該非線性計算為原址計算，不增加模型的存儲空間，輸入輸出關(guān)系為：

yij＝max(0，xij)

xij在這里與輸出yij是同一位置上的數(shù)據(jù)量；

c、在每一個非線性激活后的卷積層后設(shè)置池化層；

d、在第三個池化層之后設(shè)置卷積層，該卷積層保持了之前卷積層輸出特征圖的空間結(jié)構(gòu)；

e、網(wǎng)絡(luò)中設(shè)置一個反卷積層，該層將網(wǎng)絡(luò)中的特征圖映射到原始圖像的大小，反卷積層是卷積層中數(shù)據(jù)的反向傳遞過程，其可以視為一個插值的過程，也可以看成一個稀疏濾波器來放大，產(chǎn)生的輸出為：

這里的i和j都是基于0值的f′ij為輸出特征圖；

f、設(shè)定網(wǎng)絡(luò)的損失函數(shù)，定義損失函數(shù)為空間上各個維度的和，形式為：

l(x:θ)為總的損失，l′(xij；θ)為每個點的損失，θ為整個網(wǎng)絡(luò)中的參數(shù)，這里的損失為softmax損失，輸出是4個類別的損失，公式如下：

這里的k的值為4，即分為的肺部、氣管、皮膚和背景四個部分，每個類別的損失函數(shù)等價為：

這里的損失即是交叉熵損失；

g、利用處理好的數(shù)據(jù)對定義的網(wǎng)絡(luò)在深度學(xué)習(xí)平臺上進行訓(xùn)練，經(jīng)過一段時間的訓(xùn)練之后，保存訓(xùn)練完成的模型。

作為優(yōu)選，上述c步驟中選擇的是步幅為2的最大值池化。

上述d步驟中所述卷積層為兩層1×1的卷積層。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：

與現(xiàn)有的胸部ct圖像分割的技術(shù)相比，本發(fā)明具有以下優(yōu)點：

(1)本發(fā)明提出了一種利用圖像鄰域內(nèi)容進行特征提取的卷積神經(jīng)網(wǎng)絡(luò)模型，利用該深度模型可以對胸部ct圖像進行密集預(yù)測；

(2)直接從圖像到標記圖像進行學(xué)習(xí)的非線性深度學(xué)習(xí)模型具有端對端的結(jié)構(gòu)特性，簡化了圖像分割的流程；

(3)實驗結(jié)果表明，將本發(fā)明構(gòu)建的模型應(yīng)用到胸部ct圖像的分割工作中，能夠有效地將胸部ct圖像分成肺部、氣管、皮膚和背景4個部分，該方法為醫(yī)學(xué)圖像處理中胸部疾病的診斷所需要的ct圖像分割提供了一種新的方法。

附圖說明

圖1位本發(fā)明的整體流程圖。

圖2是胸部ct圖像以及分割完成的標簽圖像。

具體實施方式

現(xiàn)結(jié)合附圖對本發(fā)明做進一步詳細的說明。此處所說明的附圖用來提供對本發(fā)明的進一步理解，構(gòu)成本申請的一部分，本發(fā)明的示意性實施例及其僅說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當限定。

如圖1所示，本發(fā)明包含以下步驟：

步驟1：臨床掃描k組胸部ct圖像，并且將每組ct圖像按照每一張切片分開作為訓(xùn)練樣本；

在獲取胸部ct圖像的過程中，ct掃描做的是螺旋式的掃描，其掃描過程大體是，當x光的光源和探測器在繞病人旋轉(zhuǎn)的時候，病人的床沿著旋轉(zhuǎn)軸的方向緩慢移動?，F(xiàn)代ct使用的是二維的多行探測器，采集的是錐形束數(shù)據(jù)，有些系統(tǒng)設(shè)置有多個x光光源和多個二維探測器。x光光源螺旋線軌跡是靠光源繞病人旋轉(zhuǎn)并同時沿轉(zhuǎn)軸方向移動病人來實現(xiàn)的。胸部ct圖像的成像與衰減系數(shù)有關(guān)，衰減系數(shù)與物質(zhì)材料的性質(zhì)有關(guān)，通常衰減系數(shù)記為μ。其定義為單位長度上光的輸入與輸出的強度比的對數(shù)。通常情況下骨頭衰減系數(shù)值較大，而軟組織衰減系數(shù)值較小。物質(zhì)材料的衰減系數(shù)還與x光的能量有關(guān)。當x光的能量較高時，衰減系數(shù)較小。所得到了ct圖像大小為512×512，而掃描的切片數(shù)量不相等。

步驟2：對于每一個訓(xùn)練樣本和測試樣本，經(jīng)過專業(yè)的醫(yī)護人員進行手動分割，將圖像分成肺部、氣管、皮膚和背景四個部分；

步驟3：構(gòu)建端對端的全卷積神經(jīng)網(wǎng)絡(luò)對經(jīng)過標記的胸部ct訓(xùn)練數(shù)據(jù)進行訓(xùn)練，得到訓(xùn)練好的參數(shù)模型；

步驟4：將掃描的ct圖像的每張切片分開，并且逐個輸入訓(xùn)練好的模型，并且得到分割好的輸出模型；

步驟5：將輸出的模型進行組合，最后得到分割完成的胸部ct圖像模型。

如圖2所示，第一行圖像為待分割的胸部圖像，第二行為對應(yīng)的分割完成的胸部ct圖像。

上述步驟3中的深度學(xué)習(xí)模型的構(gòu)建，所構(gòu)建的模型包括了以下幾個部分：

(1)在模型的前面設(shè)置3個卷積層，卷積層的輸入與輸出之間的關(guān)系為：

yij＝fks({xsi+δi,sj+δj}0≤δi,δj≤k)

xij為在特定的某一層中位置(i,j)處的數(shù)據(jù)向量，yij是下一層的某一位置的數(shù)據(jù)向量，k是內(nèi)核大小，s是步幅或子采樣因子；

(2)在每個卷積層之后設(shè)置一層非線性激活單元，這里選擇的激活函數(shù)為relu，該非線性計算為原址計算，不增加模型的存儲空間，輸入輸出關(guān)系為：

yij＝max(0，xij)

xij在這里與輸出yij是同一位置上的數(shù)據(jù)量。

(3)在每一個非線性激活后的卷積層后設(shè)置池化層，這里選擇的是步幅為2的最大值池化。

(4)在第三個池化層之后設(shè)置兩層1×1的卷積層，該卷積層保持了之前輸出保持了特征圖的空間結(jié)構(gòu)。

(5)網(wǎng)絡(luò)中設(shè)置一個反卷積層，該層將網(wǎng)絡(luò)中的特征圖映射到原始圖像的大小，反卷積層是卷積層中數(shù)據(jù)的反向傳遞過程，其可以視為一個插值的過程，也可以看成一個稀疏濾波器來放大，產(chǎn)生的輸出為：

這里的i和j都是基于0值的f′ij為輸出特征圖。

(6)設(shè)定網(wǎng)絡(luò)的損失函數(shù)，定義損失函數(shù)為空間上各個維度的和，形式為：

l(x:θ)為總的損失，l′(xij；θ)為每個點的損失，θ為整個網(wǎng)絡(luò)中的參數(shù)。這里的損失為softmax損失，輸出是4個類別的損失，公式如下：

這里的k的值為4，即分為的肺部、氣管、皮膚和背景四個部分，每個類別的損失函數(shù)等價為：

這里的損失即是交叉熵損失；

(7)利用處理好的數(shù)據(jù)對定義的網(wǎng)絡(luò)在深度學(xué)習(xí)平臺上進行訓(xùn)練，經(jīng)過一段時間的訓(xùn)練之后，保存訓(xùn)練完成的模型。

需要說明的是本發(fā)明并不局限于上述實施例所述的具體技術(shù)方案，凡采用等同替換形成的技術(shù)方案均屬于本發(fā)明的保護范圍。