基于深度学习技术的肺部解剖学位置定位算法的制作方法

本发明涉及一种肺部解剖学位置定位算法，具体来讲是一种基于深度学习技术的肺部解剖学位置定位算法。

背景技术：

肺在临床上分为五个肺叶区域，左肺分为上下两肺叶，右肺分为上中下肺叶，在医学上有重大意义。

目前的肺叶分割算法，主要思想是先提取“肺裂”，再依据肺裂来实现肺叶的区域分割。这类方法典型存在如下不足：

（1）方法过程复杂，这类方法首先要分割出肺主体、气管、血管等，去除这些组织的干扰。再根据计算机图形学，提取出肺裂，最后再利用分割或者聚类算法进行肺叶区域的划分；

（2）计算量大，根据（1）中所描述的过程，需要大量的计算，特别是在分割气管、血管时常常使用区域增长算法，另外，在肺裂提取时需要计算图像的黑塞矩阵，再对该矩阵进行特征值与特征向量的计算，而ct图像信息量，进行如上的计算，无疑是一个极其耗费时间的过程；

（3）分割效果不好，首先，在肺裂提取时，其它类似的图形结构被提取出来，所以往往需要二次提取，即使是这样，提取出的肺裂一样会出现断裂或者被其他组织干扰的问题。除此之外，病变的肺部ct以及非高清ct的会出现肺裂不明显、肺裂残缺甚至肺裂消失，会对肺裂的提取造成极大的困难，这会导致肺叶区域划分时，出现区域不连续或者区域错误。

（4）泛化能力差，分割过程，需要设置种子点、阈值等，这些值的设定和选择会极大程度上影响最后的分割效果。再加之ct图像的个体差异以及几何多样性，使得这些方法很难满足实际需要。

技术实现要素：

因此，为了解决上述不足，本发明在此提供一种基于深度学习技术的肺部解剖学位置定位算法。本专利提出一种端到端的深度学习网络，能对肺部ct进行准确快速的划分，本专利提出的算法，能简单、快速、准确的实现基于肺部ct图像的肺叶的自动分割，从而实现肺部病变的解剖学位置定位。

本发明是这样实现的，构造一种基于深度学习技术的肺部解剖学位置定位算法，其特征在于：过程如下：

（1）对输入ct进行数据类型转换，将图像的像素值从32位浮点数类型转换到无符号8位整型，从而降低算法的内存消耗和提高计算效率；

（2）对转换后的ct和标签图像先进行缩放，将ct图像大小缩小为原始ct的1/2，为了近一半避免训练中出现的内存溢出问题，需要将缩放后的图像进行分块，包括重叠的分块和不重叠的分块，并对块的尺寸进行不同的尝试，发现有无重叠对最后效果并无大的影响，而过小的尺寸会造成训练中丢失全局信息，最后选择为128×128×128为划分大小，原始图像不足该大小的以0填充；

（3）将划分后源数据和标签输入网络训练，标签以1到5分别表示左肺的上下叶和右肺的上中下叶；对图像进入网络训练之前，现将图像按照（2）的缩放和划分，网络的输入尺寸为128×128×128，以unet为骨干网络，并以多阶段多输出控制网络学习，网络以多阶段的diceloss和作为网络的损失函数，采用adam优化算法，batchsize为4，训练5个epoch后dice系数在验证集上为0.9437。

（4）在对肺部ct进行肺叶分割(预测)时，由于训练时网络的限制，需要将图像按（2）所述方法进行缩放和划分，在对各个块进行分割后，需要将各个块按照划分顺序进行合并，并放大到原始尺寸，放大后的图像为了避免锯齿，需要对合并后的图像进行插值，在此采用了1阶多项式插值方法。

本发明具有如下优点：本发明在此提供一种基于深度学习技术的肺部解剖学位置定位算法，一种端到端的深度学习网络，能对肺部ct进行准确快速的划分，本专利提出的算法，能简单、快速、准确的实现基于肺部ct图像的肺叶的自动分割，从而实现肺部病变的解剖学位置定位。本专利对应的优点和有益效果体现为；本专利提出的方法完全基于端到端的深度学习方法，相比传统的分割方法，优点突出，具体表现在：

（1）过程简单，端到端的分割方式，完全不需要关注其他过程；

（2）多阶段多输出的网络架构在不同阶段对网络加以控制，使得分割效果更好，基于语义的分割方式，能很最大程度上保证分割精度；

（3）泛化能力强，训练过程的数据增强，保证了模型能对不同的、多样的数据学习，即保证了分割模型的泛化能力，同时也在一定程度上避免了过拟合的风险，在对不同ct进行肺叶划分时，对ct的几何形变和光照影响不敏感。

附图说明

图1是本发明流程图；

图2是本发明对应的网络模型示意图。

具体实施方式

下面将结合附图1-图2对本发明进行详细说明，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明通过改进在此提供一种基于深度学习技术的肺部解剖学位置定位算法；本专利提出一种端到端的深度学习网络，能对肺部ct进行准确快速的划分，过程简单，大致如下：

（1）对输入ct进行数据类型转换，将图像的像素值从32位浮点数类型转换到无符号8位整型，从而降低算法的内存消耗和提高计算效率；

（2）对转换后的ct和标签图像先进行缩放，将ct图像大小缩小为原始ct的1/2，为了近一半避免训练中出现的内存溢出问题，需要将缩放后的图像进行分块，我们尝试了有重叠的分块和不重叠的分块，并对块的尺寸进行不同的尝试，发现有无重叠对最后效果并无大的影响，而过小的尺寸会造成训练中丢失全局信息，最后选择为128×128×128为划分大小，原始图像不足该大小的以0填充；

（3）将划分后源数据和标签输入网络训练，我们的标签以1到5分别表示左肺的上下叶和右肺的上中下叶。对图像进入网络训练之前，现将图像按照（2）的缩放和划分，网络的输入尺寸为128×128×128，以unet为骨干网络，并以多阶段多输出控制网络学习，网络以多阶段的diceloss和作为网络的损失函数，采用adam优化算法，batchsize为4，训练5个epoch后dice系数在验证集上为0.9437。

（4）在对肺部ct进行肺叶分割(预测)时，由于训练时网络的限制，需要将图像按（2）所述方法进行缩放和划分，在对各个块进行分割后，需要将各个块按照划分顺序进行合并，并放大到原始尺寸，放大后的图像为了避免锯齿，需要对合并后的图像进行插值，我们采用了1阶多项式插值方法。

本专利对应的优点和有益效果体现为；本专利提出的方法完全基于端到端的深度学习方法，相比传统的分割方法，优点突出，具体表现在：

（1）过程简单，端到端的分割方式，完全不需要关注其他过程；

（2）多阶段多输出的网络架构在不同阶段对网络加以控制，使得分割效果更好，基于语义的分割方式，能很最大程度上保证分割精度；

（3）泛化能力强，训练过程的数据增强，保证了模型能对不同的、多样的数据学习，即保证了分割模型的泛化能力，同时也在一定程度上避免了过拟合的风险，在对不同ct进行肺叶划分时，对ct的几何形变和光照影响不敏感。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。