CN113935976B 一种增强ct图像的脏器内血管自动分割方法及系统 （西安交通大学医学院第二附属医院）

院号NetworkforReal-timeBrainTumorconvolutionalneuralnvolumetricmedicalimagesegmentation.一种增强CT图像的脏器内血管自动分割方本发明提供一种增强CT图像的脏器内血管血管分割产生全局脏器内血管自动分割结果和管自动分割结果和局部脏器内血管自动分割结本发明提出了一种全自动渐进式的脏器内血管2对原始增强CT图像进行脏器分割处理提取脏器区域，由脏器区域得对所述三维脏器感兴趣区内，分别进行全局脏器内血管分割和局生全局脏器内血管自动分割结果和局部脏器内血管将全局脏器内血管自动分割结果和局部脏器内血管自动分割结果所述对原始增强CT图像进行脏器分割处理提取脏器区域，由脏器区域通过脏器分割掩膜对原始增强CT图像进行过滤，以获得所述HVessel-Net深度学习模型是通过在编码-解码卷积网络结构中融入扩张卷积而编码部分输出的最终嵌入向量由ResConv块进行转换；变换后的嵌入向量被送入网络采用基于HVessel-Net深度学习模型能够自动学习以端到端的方式执行脏器内血管自将输入的三维脏器感兴趣区调整为三维矩阵，将三维矩阵输入HVessel-Net深度学习寸调整为与原始增强CT图像尺寸一致，得到整个病例的三维全局脏器内血管自动分割掩在输入的三维脏器感兴趣区域内应用一个三维滑动窗口，所有三个维度的步长相同，生成一系列三维小块，每个小块的尺寸为128×128×128；每个小块被单独输入HVessel-将全局脏器内血管自动分割结果和局部脏器内血管自动分割结果融合具体是指采用3将全局脏器内血管分割结果进行骨架化，将骨架化的结果叠加到局部脏器结果上，对叠加后的结果做最大连通域保留并获取到局部脏器内血管分割结果欠缺的部分；将所有欠缺部分对应的全局脏器内血管分割区域叠加到局部脏器内血管分割结果上，ytrue和ypred分别代表真值掩模和脏vi和v,分别代表真值掩膜和全局脏器内血管表示为si和s,，和Tses(s.,vn)代表s,在v中的比例和si在vp中的比例，loss=1-(xsuos+(1-u)XDice)(6)5.一种增强CT图像的脏器内血管自动分割系统，基于权利要求1至4任一项所述的方脏器分割模块，用于对增强CT图像进行脏器分割处理提取脏器区域，由脏器脏器内血管分割模块，用于对所述三维脏器感兴趣区内，分别进行全局割和局部脏器内血管分割产生全局脏器内血管自动分割结果和局部脏器内血管自动分割结果融合模块，用于将全局脏器内血管自动分割结果和局4[0004]现有的脏器内血管分割方法已经利用经典的机器学习和现代的深度学习方法来和基于水平集的方法，但所有这些方法在其前处理或后处理步骤中都需要某种人工协助。后一类方法主要建立在FCN和UNET的基础上，它们分析了二维或三维小块来进行自动脏器5[0018]将输入的三维脏器感兴趣区调整为三维矩阵，将三维矩阵输入HVessel-Net深度同，生成一系列三维小块，每个小块的尺寸为128×128×128；每个小块被单独输入6[0030]编码部分输出的最终嵌入向量由ResConv块进行转换；变换后的嵌入向量被送入动分割结果融合具体是指采用以局部分割结果为主，全局分割结果为补充的方法进行融管分割和局部脏器内血管分割产生全局脏器内血管自动分割结果和局部脏器内血管自动7[0044]图5展示了从30个测试案例中选取的9个具有挑战性的案例的脏器内血管分割结始CT扫描图像中提取脏器区域和三维脏器感兴趣[0055]作为优选实施例，对原始增强CT图像在灰度映射预处理的基础上输入HVessel-[0058]将输入的三维脏器感兴趣区调整为三维矩阵，将三维矩阵输入HVessel-Net深度8同，生成一系列三维小块，每个小块的尺寸为128×128×128体素；每个小块被单独输入[0061]具体的本发明采用的所述HVessel-Net深度学习模型是通过在Vnet网络的主干中[0063]编码部分输出的最终嵌入向量由ResConv块进行转换；变换后的嵌入向量被送入[0070]增强CT图像的CT值(HounsfieldUnit)范围非常大，而放入深度学习网络中的数[0074]图像分割算法已经有很多优秀的网络结构，如Deeplab系列、unet系列及9一些信息损失了，而扩张卷积(Dilatedconvolution)算法可以使得深度学习网络不通过[0076]HVessel‑Net是通过在编码‑解码卷积网络结构中融入扩张卷积而构建的。图1显保留了这些图的分辨率(见④)。网络的编码部分输出的最终嵌入向量(见⑤)由ResConv块[0077]所提出的HVessel‑Net模型的一个关键优势是其直接处理三维数据的能力，因此[0079]在新引入的HVessel‑Net模型的基础上，本发明进一步提出了一个新的渐进式的[0081]首先利用其脏器分割模块从一个病例的原始CT扫描图像在灰度映射预处理的基础上提取脏器区域和三维脏器感兴趣区域(3DCardiacROI)。根据三维脏器感兴趣区域，器内血管自动分割结果。受益于上述两个模块独立完成的全局和局部脏器内血管自动分[0094]全局脏器内血管分割模块首先将输入的三维脏器感兴趣区域调整为256×256×中Vt和Vp分别代表真值掩膜和全局脏器内血管自动分割生成的掩膜，其骨架分别表示为Stprecp[0098]局部脏器内血管分割模块首先在输入的三维脏器感兴趣区域上应用一个三维滑动窗口(三个维度的步长都为64个像素)，生成128×128体素。每个小块被单独送入HVessel-Net，通过监督学习和设计的新型损失函数Suos_Dice_loss进行训练，为小块所代表的三维空间内的脏器内血管生成一个三维掩模。[0102]其中，ytrue和ypred分别[0104]全局脏器内血管分割重点在关注脏器内血管的概貌特征，进而保证整体的连续后的结果做最大连通域保留并获取到局部脏器内血管分割结果欠缺的部分(仅有骨架的部[0109]统计分析是在Linux计算机上使用Python3.7进[0110]进行定量结果，表2显示了由所提出的解决方案产生的脏器分割和脏器内血管自决方案的脏器内血管自动分割结果与同行方法的结果进行了Wilcoxon测试，得出P值为[0112]表2所提提出的解决方案在脏器分割和脏器内血管分割方面的性能，及脏器内血其中150个病例有预先标记的真实脏器掩膜，210个病例有预先标记的真实脏器内血管掩例平均消耗30秒。本发明采用的新型的深度学习解决方案(基于HVessel-Net深度学习模[0117]如图7所示，本发明的另一目的在于提出一种增强CT图像的脏器内血管自动分割管分割和局部脏器内血管分割产生全局脏器内血管自动分割结果和局部脏器内血管自动现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0133]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或