基于U-Net网络的CT影像身体器官自动分割方法与流程

本发明涉及医学图像技术领域，具体涉及一种基于u-net网络的ct影像身体器官自动分割方法。

背景技术：

在放射治疗的勾画环节中，医院的传统是由放疗科医生对危机器官进行手动勾画，一个病例平均需要2～3个小时的时间才能勾画完成，不仅大量浪费医生资源而且可能出现人为误差，影响病人的放疗质量。

传统的全卷积神经网络fcn进行ct图像分割时需要训练大量样本，而医学图像并不具备这一条件。为此，目前u-net神经网络为了提高对于图像信息的利用率，提出了一种对称的网络结构，在上采样用skipconnection对称信息传输来弥补下采样时的信息损失。

技术实现要素：

针对现有技术的不足，本发明公开一种基于u-net网络的ct影像身体器官自动分割方法，能够解决传统方法分割精度低的问题。

为实现以上目的，本发明通过以下技术方案予以实现：

基于u-net网络的ct影像身体器官自动分割方法，包括以下步骤：

步骤1：解析ct图像，将图像的像素矩阵值转换成hu值；

步骤2：使用器官分类算法，筛选出当前器官所在的ct图像；

步骤3：对图像做预处理，包括插值和裁剪；

步骤4：将步骤1至步骤3处理后的图像输入到训练好的u-net模型里面进行预测；

步骤5：对预测出来的图像做后处理，包括阈值化、反插值和反裁剪；

步骤6：提取预测器官的轮廓，即为器官的自动分割。

优选的技术方案，在步骤4中建立卷积神经网络模型，通过卷积层、batchnormalization层、concatenate层、池化层和全连接层进行构建。

优选的技术方案，所述建立的卷积神经网络模型分为左侧的编码层跟右侧的解码层。

优选的技术方案，所述左侧编码层中的一个编码层单元包括3x3卷积、relu激活层及2x2的最大池化层，编码层的每一步特征通道数都增加一倍。

优选的技术方案，右侧解码层中的一个解码层单元融合对应编码层输出的特征图池化层得到新的特征矩阵，最后一层用了一层1x1得卷积将64个通道映射到想要的类别数上。

优选的技术方案，在步骤4中所述的u-net模型由训练医生勾画好的数据得出。

优选的技术方案，包括以下步骤：

步骤41：根据步骤1和步骤3对图像进行处理；

步骤42：搭建u-net网络，其中采用dice系数作为损失函数；

步骤43：将得出的图像作为输入，对构建的u-net网络进行训练。

优选的技术方案，其定义式为

其中v(a)和v(b)分别标识自动分割结果和医生手动勾画的面积。

本发明公开一种基于u-net网络的ct影像身体器官自动分割方法，具有以下优点：

本发明提出一种u-net网络的ct影像身体器官自动分割方法，该方法的分割速度远快于医生手动勾画，且比传统器官分割算法精度更高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例中建立的卷积神经网络的结构图；

图2是本发明实施例的流程图；

图3是本发明实施例的另一流程图；

图4是本发明实施例中测试的病例的结果图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将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。

本发明专利的流程图如图2、3所示：第一步利用医生勾画好的数据对模型进行训练，得到分割模型；第二步对模型进行预测；分割模型的数据处理包括数据加载与预处理部分，数据加载需要将ct值转换成hu值，数据预处理包括插值、裁剪。

具体实现步骤如下：

数据加载及预处理

获取肝脏病例60例，共计ct1200张，其中1000张用于训练，剩下的用于测试。所有原始ct的分辨率都是512×512。通过解析ct的dicom(医学数字成像和通信)属性，得到斜面(slope)及截面(intercept)属性,通过公式

hu＝ct*slope+intercept

得出hu值。

数据预处理部分包括插值、裁剪。插值的目的在于将待预测图像的分辨率插值到跟训练图像的分辨率相同，这一步依赖解析ct图像得到像素间隙属性(pixelspacing)，通过双线性插值法将像素间隙归一。对ct进行处理，找出皮肤轮廓，然后得到人体中心，基于此中心分别在x和y轴正负方向上外扩128个网格，得到分辨率为256×256的处理后ct。

u-net模型的建立和训练

模型训练以肝脏为例，取肝脏病例50例，共计1000张ct用于训练，其中把肝脏部分记为1，非肝脏部分记为0。搭建的卷积神经网络模型结构如图1所示。可以看出，从最初的输入是分辨率为256×256的ct矩阵，经过u-net模型后得到勾画信息，输出矩阵结果为2类，分别非肝脏部分、肝脏部分。

结果测试

本文所述u-net模型采用dice相似度作为评价分割结果的标准，其定义为

用于测试的病例为10个，ct一共有200张，测试结果如图4所示，精度可以达到临床要求。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。