一种从肺部CT图像中提取末端支气管树的方法与流程

本发明涉及肺部ct图像处理技术领域，具体是一种从肺部ct图像中提取末端支气管树的方法。

背景技术：

肺部血管由肺动脉与肺静脉组成，是人体各组织器官中最为复杂的血管结构之一。从肺主动脉和肺主静脉开始，肺部血管逐级分支形成类树状的血管树结构。在临床诊断中，准确获取肺部血管树的解剖结构信息，是评估肺动脉高压风险的重要参考依据，也是实现肺栓塞自动检测的基础，同时也有利于减少肺结节检测的假阳性率。在临床研究中，有效地分离出肺部血管树，对于肺灌注研究、间质性肺疾病研究以及肿瘤体积量化分析具有重要的临床意义。在图像处理领域，提取出的肺部血管树，还可用于引导肺气管和肺叶组织的分割。因此有效准确地分割出肺部血管区域，具有重要的临床意义与研究价值。而由于肺部血管树分布范围广、血管半径跨度大且分支数目庞大，完整有效地分割出肺部血管树难度依旧较大。针对这一难题，国内外提出的肺部血管分割方法相对较少。其中能够完整分割出肺部血管区域的方法又占少数，并且用于评判分割结果的量化指标不够全面。主要的分割方法包括基于区域生长的方法、基于水平集的方法以及基于管状滤波增强的方法。基于区域生长的方法能够有效地分割出管半径较大的肺部血管，但对细小血管的分割效果较差，且容易错分出肺部气管壁区域。基于水平集的分割方法，具有较高的分割精度，但由于引入了水平集函数，使得完整分割肺部血管的计算量较大。基于管状滤波函数的分割方法种类较多，该类方法主要通过对hessian矩阵进行分析，从而提取出潜在的肺部血管区域。但该类方法容易在血管分叉处产生断裂，从而影响最终的分割结果。

技术实现要素：

本发明所要解决的技术问题是提供一种从肺部ct图像中提取末端支气管树的方法，以解决现有技术中存在的缺陷。

本发明解决上述技术问题的技术方案如下：

一种从肺部ct图像中提取末端支气管树的方法，包括下列步骤：

1)准备初始数据：初始数据包括用来训练、验证和测试的肺部纹理ct图像小块、对应的几何信息图像小块和对应的类别标签。

2)卷积神经网络的构建：基于卷积神经网络中跳跃结构的思想，构建一个18层的卷积神经网络。

3)基于步骤(2)得到的卷积神经网络进行训练；

更具体的，所述卷积神经网络的卷基层尺寸为96个7×7大小的卷积核，扫描时步长设置为2，得到96个31×31的卷积输出，将卷积输出通过relu激活输入2×2的池化层降采样，得到96个15×15的数据，之后每层卷积层尺寸为256个5×5，384个3×3，256个3×3，所述卷积神经网络的全连接层为两层，维度为1152，与输出softmax相连计算每分钟分类的目标概率，通过随机梯度下降来进行权重的更新。

本发明的有益效果是：将每一张原始的肺部ct图像以同样顺序和大小进行切片编号，得到多个图像块；将图像块分为有病结、无组织或腔壁、有血管或其他肺部组织以及有肺部腔壁，输入卷积神经网络中进行训练。本发明的图像切片分类处理能够降低系统复杂度，同时保证肺结节特征的完整性，能够很好的用于卷积神经网络的训练，有很高的敏感性和较低的误诊率，使卷积神经网络能够在应用中快速的实现肺结节的识别和定位。

附图说明

图1为本发明结构示意图；

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，一种从肺部ct图像中提取末端支气管树的方法，包括下列步骤：

1)准备初始数据：初始数据包括用来训练、验证和测试的肺部纹理ct图像小块、对应的几何信息图像小块和对应的类别标签。

2)卷积神经网络的构建：基于卷积神经网络中跳跃结构的思想，构建一个18层的卷积神经网络。

3)基于步骤(2)得到的卷积神经网络进行训练；

更具体的，所述卷积神经网络的卷基层尺寸为96个7×7大小的卷积核，扫描时步长设置为2，得到96个31×31的卷积输出，将卷积输出通过relu激活输入2×2的池化层降采样，得到96个15×15的数据，之后每层卷积层尺寸为256个5×5，384个3×3，256个3×3，所述卷积神经网络的全连接层为两层，维度为1152，与输出softmax相连计算每分钟分类的目标概率，通过随机梯度下降来进行权重的更新。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

技术总结
本发明涉及一种从肺部CT图像中提取末端支气管树的方法，将每一张原始的肺部CT图像以同样顺序和大小进行切片编号，得到多个图像块；将图像块分为有病结、无组织或腔壁、有血管或其他肺部组织以及有肺部腔壁，输入卷积神经网络中进行训练。本发明的图像切片分类处理能够降低系统复杂度，同时保证肺结节特征的完整性，能够很好的用于卷积神经网络的训练，有很高的敏感性和较低的误诊率，使卷积神经网络能够在应用中快速的实现肺结节的识别和定位。

技术研发人员：李丹
受保护的技术使用者：吉林大学第一医院
技术研发日：2019.06.14
技术公布日：2019.09.17