CT影像的肺叶段分割的整合方法、装置与流程

本发明涉及图像分割领域，尤其涉及一种ct影像的肺叶段分割方法、装置、系统、存储介质及设备。

背景技术：

目前，肺癌是所有癌症中死亡率最高的癌症。肺结节是肺癌的影像表现形式，在ct影像学中表现为密度增高的阴影，通过对ct影像中肺叶与肺段中肺结节的检测和分割，对肺癌的早期筛查和评估具有重要意义。现有检测中，3dct(emmenlauer,m.,etc.:“free,fastandreliablestitchingoflarge3ddatasets.”jmicroscopy,233,no.1,pp.42-60,2009.)影像数据量大，而且存在较大的个体差异，给肺叶与肺段的分割技术带来了一定的困难。

与广义的计算机视觉技术应用不同，为了减少深度卷积神经网络(dcnn)计算的复杂度、高效地利用有限的训练数据，现有技术采用将医学背景信息与深度学习结合的方式进行分割，例如，1)现今对于肺叶与肺段分割效果最好的技术是以逐层递进的分割方式(k.hayashi,etc.:“radiographicandctappearancesofthemajorfissures,”radiographics,vol.21,no.4,pp.861–874,2001.)，先对肺部轮廓进行检测定位，再利用深度学习的方法对肺叶进行分割(s.hu,etc.:“automaticlungsegmentationforaccuratequantitationofvolumetricx-rayctimages.”ieeetrans.med.imag.,vol.20,no.6,pp.490–498,jun.2001.)，依据肺段的点坐标为特征来分割肺段(e.m.vanrikxoort,etc.:“supervisedenhancementfilters:applicationtofissuredetectioninchestctscans,”ieeetrans.med.imag.,vol.27,no.1,pp.1–10,jan.2008.)。这种方式忽略了不同患者之间的肺部结构差异，检测结果具有不确定性(i.c.sluimer,etc.:“towardsautomatedsegmentationofthepathologicallunginct,”ieeetrans.med.imag.,vol.24,no.8,pp.1025–1038,aug.2005.)。2)通过对气管和脉管的分析来建立一个水洗变形，这种方式对于可见的肺裂分割效果较好，但是对于部分不可见的分列分割效果较差(e.vanrikxoort,etc.:“automaticsegmentationofpulmonarylobesrobustagainstincompletefissures.”ieeetransactionsonmedicalimaging,vol.29,no.6,pp.1286–1296,2010.)。以上方法均在大量数据上进行了试验，分割效果不好。

中国专利文献cn103035009a公开了一种基于ct影像肺结节边缘的重建与分割方法，该专利首先利用对梯度特征具有稀疏表示能力的变换方式对图像进行空间变换；然后建立ct图像分割算法评价体系，主要是对边缘信息进行放大，重建肺结节边缘。

虽然上述专利提高了ct影像中肺结节边缘检测与分割的准确率，但是在开始对图像的边缘进行检测之前，需要与初始设定的阈值进行比较，只有在满足条件的情况下才能开始检测，反之，需要对图像进行重新处理，该方法使用范围受到个体差异的限制，需要不断进行调整。

作为肺癌筛查的最新技术ldct(低剂量螺旋ct)，ldct辐射剂量较低，较常规ct剂量降低75％～90％，却不影响肺部成像，同样具有ct所具备的敏感性，自2011年美国国家肺癌筛查试验(nationallungscreeningtrial,nlst)的数据提示了ldct可提高早期肺癌的诊断率以及有效降低肺癌病死率后，各项关于肺癌筛查的临床研究先后给出振奋人心的结果，有力地推广了ldct在肺癌筛查中的应用。因此，如何充分激活和利用近乎沉默性存储的胸部ldct大数据，是本领域技术人员亟需解决的问题之一。

综上所述，如何提高对ct影像中肺结节的检测和分割的准确度和精确度，以及如何充分利用和激活ct影像的大数据，是本领域技术人员亟待解决的问题之一。

技术实现要素：

为了解决上述问题，本发明提出了一种基于深度学习的ct影像肺叶段分割方法、装置、系统、存储介质及设备。

为了实现上述目的，本发明第一方面提供了一种ct影像的肺叶段分割方法，该方法包括以下步骤：

检测步骤，在ct影像中，检测输出肺部轮廓，肺部轮廓包括肺内区域、肺外区域；

筛选步骤，在肺部轮廓中，选用机器分割的方式筛选出肺内区域，并将肺内区域作为候选区域；

分割步骤，在候选区域的3d层面中，同时对肺段和肺叶进行血管分割与肺裂分割；

构造步骤，根据血管分割结果，通过构造出血管树，得到肺部的三维血管分布；

整合步骤，采用肺叶段分割算法将血管树和肺裂分割结果进行结合，并进行肺叶段分割，得到候选区域的最终分割结果。

进一步地，检测步骤中采用以多层卷积层为主体结构的fcn网络进行检测和输出。

具体地，在分割步骤中，采用3du-net并沿两个支线对肺段和肺叶分别进行血管分割与肺裂分割。

进一步地，构造步骤中，根据三维血管分布推断气管分布情况，得到支气管树。

具体地，在整合步骤中，肺叶段分割算法通过输入肺叶段分类模型，将血管树和肺裂分割结果整合，并输出最终分割结果。

本发明第二方面提供了一种基于ct影像的肺叶段分割装置，该装置包括：

检测模块，用于在ct影像中，检测输出肺部轮廓，肺部轮廓包括肺内区域、肺外区域；

筛选模块，用于在肺部轮廓中，选用机器分割的方式筛选出肺内区域，并将肺内区域作为候选区域；

分割模块，用于在候选区域的3d层面中，同时对肺段和肺叶进行血管分割与肺裂分割；

构造模块，用于根据血管分割结果，通过构造出血管树，得到肺部的三维血管分布；

整合模块，用于采用肺叶段分割算法将血管树和肺裂分割结果进行结合，并进行肺叶段分割，得到候选区域的最终分割结果。

进一步地，在检测模块中采用以多层卷积层为主体结构的fcn网络进行检测和输出。

具体地，在分割模块中，采用3du-net并沿两个支线对肺段和肺叶分别进行血管分割与肺裂分割。

进一步地，在构造模块中，根据三维血管分布推断气管分布情况，得到支气管树。

具体地，在整合模块中，肺叶段分割算法通过输入肺叶段分类模型，将血管树和肺裂分割结果整合，并输出最终分割结果。

本发明第三方面提供了一种实现基于ct影像的肺叶段分割的系统，包括第二方面中任一项的基于ct影像的肺叶段分割装置。

本发明第四方面提供了一种非易失性存储介质，该非易失性存储介质具有存储其中的指令，当指令被执行时，使得处理器执行基于ct影像的肺叶段分割方法，指令包括：

检测指令，在ct影像中，检测输出肺部轮廓，肺部轮廓包括肺内区域、肺外区域；

筛选指令，在肺部轮廓中，选用机器分割的方式筛选出肺内区域，并将肺内区域作为候选区域；

分割指令，在候选区域的3d层面中，同时对肺段和肺叶进行血管分割与肺裂分割；

构造指令，根据血管分割结果，通过构造出血管树，得到肺部的三维血管分布；

整合指令，采用肺叶段分割算法将血管树和肺裂分割结果进行结合，并进行肺叶段分割，得到候选区域的最终分割结果。

本发明第五方面提供了一种设备，包括存储器和处理器，存储器存储有计算机可执行指令，处理器被配置为执行指令以实施基于ct影像的肺叶段分割的过程，过程包括：

检测步骤，在ct影像中，检测输出肺部轮廓，肺部轮廓包括肺内区域、肺外区域；

筛选步骤，在肺部轮廓中，选用机器分割的方式筛选出肺内区域，并将肺内区域作为候选区域；

分割步骤，在候选区域的3d层面中，同时对肺段和肺叶进行血管分割与肺裂分割；

构造步骤，根据血管分割结果，通过构造出血管树，得到肺部的三维血管分布；

整合步骤，采用肺叶段分割算法将血管树和肺裂分割结果进行结合，并进行肺叶段分割，得到候选区域的最终分割结果。

本发明提供的一种ct影像肺叶段分割方法、装置、系统、存储介质及设备，首先采用多层卷积层作为主体结构的fcn网络，精确地检测和输出ct影像中的肺部轮廓；其次筛选候选区域并选择3du-net展开对肺段和肺叶进行血管分割和肺裂分割，根据血管分割结果构造出血管树，并由三维血管分布推断气管分布情况；再次结合血管树和肺裂分割结果进行肺叶段分割，最后得到候选区域的分割结果，该方法可高效地控制分割过程的精确度和速度，最终得到的分割结果准确度高，大大减少了传统分割方式中易存在的误差，提高了诊断率，且不受到个体肺部形态差异的限制，本发明在国际和国内首次提出将ldct筛查大数据与人工智能技术结合，用于解决肺段自动分割、标记与肺结节精准定位问题。

附图说明

图1为本发明提供的一种基于ct影像的肺叶段分割方法流程图；

图2为本发明提供的一种基于ct影像的肺叶段分割装置模块图；

图3为本发明提供的一种基于ct影像的肺叶段分割流程示意图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合较佳实施例一起介绍，但这并不代表此发明的特征仅限于该实施方式。恰恰相反，结合实施方式作发明介绍的目的是为了覆盖本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解，以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外，为了避免混乱或模糊本发明的重点，有些具体细节将在描述中被省略。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像、声音和文本(“深度学习那么火，它究竟能做些什么？”选自《深度学习世界》，引用日期2016-05-03.)。本发明提供了一种基于深度学习的ct影像肺叶段分割方法、装置、系统、存储介质及设备。

本发明实施例提供了一种ct影像肺叶段分割方法，如图1所示，该方法包括检测步骤1、筛选步骤2、分割步骤3、构造步骤4、整合步骤5。具体来说，在检测步骤1中，输入ct影像数据，并对ct影像中的肺部轮廓进行检测和输出，输出的肺部轮廓包括肺内区域、肺外区域；在筛选步骤2中，输入肺部轮廓，选用机器分割的方式筛选出肺内区域，并将肺内区域作为候选区域；在分割步骤3中，在3d层面对候选区域的肺段与肺叶进行血管分割与肺裂分割，得到血管分割和肺裂分割结果，具体的格式是一个三维点阵，对应了ct影像中的三维位置，点阵中每个元素值代表了是否被血管/肺裂算法判定为血管/肺裂；在构造步骤4中，根据血管分割结果，通过构造出血管树，得到肺部的三维血管分布；在整合步骤5中，采用肺叶段分割算法将血管树和肺裂分割结果进行结合，并进行肺叶段分割，得到候选区域的最终分割结果。本发明采用层层分割，高效地控制分割的精确度和速度，提高了分割的效率且不受限于个体肺部形态差异的限制。

近些年来，基于深度学习的图像分割技术(hariharan,b.,arbel_aez,p.,girshick,r.,malik,j.:hypercolumnsforobjectsegmentationand_ne-grainedlocalization.in:proc.cvpr.pp.447-456(2015))在各大国际回忆中大放异彩，在一般深度卷积神经网络(dcnn)中，通常在卷积网络之后添加几个全连接层，使得卷积网络的特征能够映射成固定长度的向量(io_e,s.,szegedy,c.:batchnormalization:acceleratingdeepnetworktrainingbyreducinginternalcovariateshift.corrabs/1502.03167(2015))，并最终加以利用。而全卷积网络如fcn(long,j.,shelhamer,e.,darrell,t.:fullyconvolutionalnetworksforsemanticsegmentation.in:proc.cvpr.pp.3431-3440(2015))或者u-net(ronneberger,o.,fischer,p.,brox,t.:u-net:convolutionalnetworksforbiomedicalimagesegmentation.in:miccai.lncs,vol.9351,pp.234-241.springer(2015))，则能够对图像实现像素级别的分类(milletari,f.,ahmadi,s.,etc.:hough-cnn:deeplearningforsegmentationofdeepbrainregionsinmriandultrasound.corrabs/1601.07014(2016)).将任意大小的图像输入fcn网络中，经过卷积层的特征提取和返卷积层的上采样，最终的分类结果可以恢复成原图大小，形成一个端到端(tran,d.,bourdev,l.d.,fergus,r.,torresani,l.,paluri,m.:deepend2endvoxel2voxelprediction.corrabs/1511.06681(2015))的网络结构(seyedhosseini,m.,sajjadi,m.,tasdizen,t.:imagesegmentationwithcascadedhierarchicalmodelsandlogisticdisjunctivenormalnetworks.in:proc.iccv.pp.2168-2175(2013))，而且这种分类不仅仅可以将待检测图像分成前景背景两类，而且可以自动给出物体的类别。u-net也是较常见的图像分割网络之一，并且在医学图像特别是肺叶，肺段分割有很大的优势：首先u-net可以转化成3-d(fedorov,a.,beichel,r.,etal.:3dslicerasanimagecomputingplatformforthequantitativeimagingnetwork.j.magnresonimaging30(9),1323-1341(2012))层面上的图像分割(kleesiek,j.,urban,g.,hubert,a.,schwarz,d.,maier-hein,k.,bendszus,m.,biller,a.:deepmribrainextraction:a3dconvolutionalneuralnetworkforskullstripping.neuroimage(2016))，同时u-net已经在医学领域展现了巨大的成果，如肾部病变分割检测，视网膜血管分割等等。利用深度学习领域的图像分割算法，可以大大减小误差，提高诊断效率与准确性。

具体来说，本领域技术人员可以理解，传统分割方式是由hushiying等人(hushiying,hoffmanea,reinhardtjm.automaticlungsegmentationforaccuratequantitationofvolumetricx-rayctimages[j].ieeetransonmedicalimaging,2001,20(6):490-498).)开创的一个经典的肺分割流程，即灰度阈值分割、连接度分析、左右肺分离、形态学闭合肺内高密度结构。该流程采用了一种迭代阈值优化方法，然后寻找最大两个连通分量，肺粘连时通过不断形态学腐蚀的方法将其分离，这类方法称之为经典的肺分割方法。而本发明在检测步骤1中，采用了不同于经典分割方法的全卷积神经网络(fullyconvolutionalnetworks,fcn)，与传统用卷积神经网络(convolutionalneuralnetwork,cnn)图像分割的方法相比，fcn具有明显的优势：(1)可以接受任意大小的输入图像，而不用要求所有的训练图像和测试图像具有同样的尺寸；(2)更加高效，因为避免了由于使用像素块而带来的重复存储和计算卷积的问题。本发明采用了成熟的fcn网络进行分割，其中多卷积层作为fcn网络的主体结构，并将传统的神经网络全链接层替换为卷积层，保证整个网络为全卷积网络结构。

为了保证输出结果的分辨率和输入图像一致，通过最后几层的翻卷积层将网络的输出特征图进行扩展，扩展到和输入图像一致。而且本发明通过以下几个方面，在肺部ct影像上进行重新训练或微调以提升分割的准确度：(1)采用肺部ct影像xy方向(如图3所示)切面作为训练图像，并标注出肺内区域作为训练标注；(2)训练数据量：从10k量级ct中随机采样产生100k量级ct切面图像；(3)标注准确性：需要保证训练标注误差在3mm以内；(4)需要针对性保证特定ct区域(肺尖、隔膜、肺外)的数据量；(5)需要保证特定ct类型分布(患者不同年龄段、病症、ct剂量等)，从而高效地输出肺部轮廓，由于人体分布结构相似性较高，ct影像中的肺部轮廓相对清晰，所以检测步骤1这一过程会非常快速。

接着在筛选步骤2中，选择机器分割的方式筛选出肺内区域，机器分割是基于机器学习的自动肺分割，并将肺内区域作为候选区域，用于后续进一步分割的重点筛查，有效地减少了噪声，加快了检测速度。其中机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

进一步地，在分割步骤3中，采用3du-net并沿两个支线对肺段和肺叶分别进行血管分割与肺裂分割。其中两个支线是通过筛选候选区域(肺内区域)得到的，也就是候选区域的边缘。本领域技术人员可以理解，编码器逐渐减少池化层的空间维度，解码器逐步修复物体的细节和空间维度。编码器和解码器之间通常存在快捷连接，因此能帮助解码器更好地修复目标的细节。u-net是这种方法中最常用的结构。3du-net是全卷积深度神经网络的一种，是对于传统fcn网络的一种实现，会将自顶向下网络和自底向上网络通过跳跃式传递(skipconnection)连接以保证同时最终输出层能同时获得高阶语义和低阶局部纹理信息。血管分割和肺裂分割均采用3du-net进行分割，两者采用的是相同的算法框架和网络结构，区别在于训练的时候输入的标注语义区别，前者需要标注出血管，后者需要标注出肺裂。通过3du-net对肺段和肺叶进行分割，得到肺段中血管分布以及5个独立的空间(即肺叶)和隔膜。

具体地，构造步骤4中，在血管分割结果的基础上，构造出血管树，得到肺段内部三维血管分布，由于3du-net是一个3d分割模型(如图3所示)，其输入为一个3d空间的分割结果，即3d空间中每个点是否为血管的置信度。在构造血管树的时候，首先根据一个固定的阈值将分割结果进行二值化，并进行平滑处理，然后通过floodfill算法求出血管区域的最大连通分量，作为构造出来的血管树，即产出最终的血管分割结果，基于3d空间点的置信度来进行二值化处理，具体决定哪里是血管。根据肺内的解剖学构造，在肺内肺血管和气管的走向具有强一致性，往往肺部各级支气管附近都有血管伴随。然而在肺部ct成像中，肺血管在视觉上更加显著，因此算法是通过检测血管树，并根据血管的位置近似得到肺支气管分布，从而提取肺支气管树分布和形状等特征信息，用于后续步骤的信息整合。其中，floodfill算法是从一个区域中提取若干个连通的点与其他相邻区域区分开(或分别染成不同颜色)的经典算法，因为其思路类似洪水从一个区域扩散到所有能到达的区域而得名。

进一步地，在整合步骤5中，肺叶段分割算法是基于神经网络的分类模型。算法输入特征为肺内特定点的相对位置(如图3所示，基于肺分割结果计算该区域在xyz方向的相对比例)，该区域附近的血管和肺裂结果(采用一个64×64×64立方体表示)，距离最近肺裂和血管的向量(位置+距离)信息。算法通过学习上述输入训练出肺叶段分类模型，从而将血管树和肺裂分割结果进行结合。算法输出为该位置肺叶和肺段的分类结果。本发明可精确地控制分割过程的准确度和速度，例如，需要保证训练数据量和标注准确性，训练数据量需要保证100k量级肺内点(标注所属肺叶和肺段)，并且保证来自10k量级ct数据，并保证ct类型分布(患者不同年龄段，病症，ct剂量等)；需要保证标注精度在95％以上。可以通过采用适当精简的网络结构(减少卷积层深度和宽度)，和共享邻近区域特征一起操作来减少计算量，从而达到加速的目的。

其中，关于ct类型分布，在进行ct影像的肺叶段分割之前，首先应按照患者年龄段、病症、ct剂量(如常规ct、ldct等)进行分类；其次针对同一ct类型进行分割，可有效地减少因不同ct类型带来的误差，同时可以有针对性地进行数据统计，为诊断相关疾病(如转移瘤、间皮瘤、肺结节等)提供有价值的参考依据。

如图3所示，本发明优选实施例首先输入ct影像数据，采用fcn网络对ct影像中的肺部轮廓进行检测和输出，输出的肺部轮廓包括肺内区域、肺外区域；其次选用机器分割的方式筛选出肺内区域作为候选区域；再次，在3d层面，采用3du-net对候选区域的肺段和肺叶分别进行血管分割与肺裂分割，分别得到5个独立的空间(即肺叶)和隔膜以及肺段中血管分布，并根据肺段中血管分布的结果构造血管树；最后结合血管分割与肺裂分割结果并肺叶段分割算法进行肺叶段分割，肺叶段分割算法是基于神经网络的分类模型，算法通过学习上述输入训练出肺叶段分类模型，从而将血管树和肺裂分割结果进行结合。算法输出为该位置肺叶和肺段的分类结果，精确且快速地得到具有多个分割区域(如图3中区域1、3、4等)的结果。

因此，本发明提出的一种ct影像的肺叶段分割方法，采用层层分割的形式，并引入fcn和3du-net分别进行分割，最终得到的分割结果准确度高，大大减少了传统分割方式中易存在的误差，提高了诊断率。

本发明实施例提供了一种基于深度学习的ct影像的肺叶段分割装置，如图2所示，该装置包括检测模块10、筛选模块20、分割模块30、构造模块40、整合模块50。

检测模块10，用于在ct影像中，检测输出肺部轮廓，肺部轮廓包括肺内区域、肺外区域；

筛选模块20，用于在肺部轮廓中，选用机器分割的方式筛选出肺内区域，并将肺内区域作为候选区域；

分割模块30，用于在候选区域的3d层面中，同时对肺叶和肺段进行血管分割与肺裂分割；

构造模块40，用于根据血管分割结果，通过构造出血管树，得到肺部的三维血管分布；

整合模块50，用于采用肺叶段分割算法将血管树和肺裂分割结果进行结合，并进行肺叶段分割，得到候选区域的最终分割结果。

进一步地，在检测模块10中，采用了成熟的fcn网络进行分割，其中多卷积层作为fcn网络的主体结构，并将传统的神经网络全链接层替换为卷积层，保证整个网络为全卷积网络结构，高效且快速地输出ct影像中的肺部轮廓。

接着在筛选步骤2中，选择机器分割的方式筛选出肺内区域，并将肺内区域作为候选区域，用于后续进一步分割的重点筛查。

进一步地，在分割模块30中，采用3du-net并沿两个支线对所述肺段和所述肺叶分别进行所述血管分割与所述肺裂分割。也就是说在候选区域的3d层面中，通过3du-net对肺段和肺叶进行分割，得到肺段中血管分布以及5个独立的空间(即肺叶)和隔膜。

进一步地，在构造模块40中，在血管分割结果的基础上，构造出血管树，得到肺段内部三维血管分布。根据肺内的解剖学构造，在肺内肺血管和气管的走向具有强一致性，往往肺部各级支气管附近都有血管伴随。然而在肺部ct成像中，肺血管在视觉上更加显著，因此算法是通过检测血管树，并根据血管的位置近似得到肺支气管分布。

进一步地，在整合模块50中，肺叶段分割算法是基于神经网络的分类模型。算法输入特征为肺内特定点的相对位置(如图3所示，基于肺分割结果计算该区域在xyz方向的相对比例)，该区域附近的血管和肺裂结果(采用一个64×64×64立方体表示)，距离最近肺裂和血管的向量(位置+距离)信息。算法通过学习上述输入训练出肺叶段分类模型，从而将血管树和肺裂分割结果进行结合。算法输出为该位置肺叶和肺段的分类结果。

因此，本发明实施例的一种基于ct影像的肺叶段分割装置，采用层层分割的形式，并引入fcn和3du-net分别进行分割，最终得到的分割结果准确度高，大大减少了传统分割方式中易存在的误差，提高了诊断率。

本发明实施例还提供了一种实现基于ct影像的肺叶段分割的系统，包括前述实施方式中的基于ct影像的肺叶段分割装置。

本发明实施例又提供了一种非易失性存储介质，该非易失性存储介质具有存储其中的指令，当该指令被执行时，使得处理器执行基于ct影像的肺叶段分割方法，该指令包括：

检测指令，在ct影像中，检测输出肺部轮廓，肺部轮廓包括肺内区域、肺外区域；

筛选指令，在肺部轮廓中，选用机器分割的方式筛选出肺内区域，并将肺内区域作为候选区域；

分割指令，在候选区域的3d层面中，同时对肺叶和肺段进行血管分割与肺裂分割；

构造指令，根据血管分割结果，通过构造出血管树，得到肺部的三维血管分布；

整合指令，采用肺叶段分割算法将血管树和肺裂分割结果进行结合，并进行肺叶段分割，得到候选区域的最终分割结果。

本发明实施例也提供了一种设备，包括存储器和处理器，存储器存储有计算机可执行指令，处理器被配置为执行该指令以实施基于ct影像的肺叶段分割的过程，该过程包括：

检测步骤，在ct影像中，检测输出肺部轮廓，肺部轮廓包括肺内区域、肺外区域；

筛选步骤，在肺部轮廓中，选用机器分割的方式筛选出肺内区域，并将肺内区域作为候选区域；

分割步骤，在候选区域的3d层面中，同时对肺叶和肺段进行血管分割与肺裂分割；

构造步骤，根据血管分割结果，通过构造出血管树，得到肺部的三维血管分布；

整合步骤，采用肺叶段分割算法将血管树和肺裂分割结果进行结合，并进行肺叶段分割，得到候选区域的最终分割结果。

综上所述，本发明提供的一种基于深度学习的ct影像的肺叶段分割方法、装置、系统、存储介质及设备，首先采用多层卷积层作为主体结构的fcn网络，精确地检测和输出ct影像中的肺部轮廓；其次筛选候选区域并选择3du-net展开对肺段和肺叶进行血管分割和肺裂分割，根据血管分割结果构造出血管树，并有血管分布推断气管分布情况；再次结合血管树和肺裂分割结果进行肺叶段分割，最后得到候选区域的分割结果，该方法可高效地控制分割过程的精确度和速度，最终得到的分割结果准确度高，大大减少了传统分割方式中易存在的误差，提高了诊断率，且不受到个体肺部形态差异的限制，本发明在国际和国内首次提出将ldct筛查大数据与人工智能技术结合，用于解决肺段自动分割、标记与肺结节精准定位问题。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。