支气管中心线提取方法及其系统和存储介质

1.本发明涉及肺部支气管中心线提取方法及系统，以及相应的计算机存储介质。


背景技术：

2.支气管是将空气从呼吸道输往肺部的通道，在免疫功能中扮演着重要的角色。支气管与很多疾病相关，如支气管炎、哮喘、慢性阻塞性肺疾病、肺癌等。支气管的定量化测量对疾病诊断起着重要的作用，重要的指标有支气管管壁厚度、支气管管壁面积占支气管面积比例、支气管管壁面积与周长之比等。为了计算以上参数，需要先提取支气管的中心线，然后沿着中心线计算切面，在切面上进一步计算。因此，支气管中心线提取，是支气管定量化参数的一个重要过程。
3.现有支气管中心线提取算法主要分两种，一种是掩码的细化，另一种是距离图编码。掩码细化算法是在不改变掩码的拓扑结构下，迭代式的剥离掩码外围像素，直至只留下中心线上的像素。而距离图编码算法是通过给支气管掩码进行距离图编码，从而通过局部极值点确认中心线像素。但是，这两种方法，都存在计算时间较长，提取的中心线容易存在噪声等缺点。针对这些问题，有许多学者提出了改进方案，但依然未能较好的解决该问题。
4.随着深度学习技术的发展，全卷积神经网络（fully connected networks, fcns）在计算机视觉领域取得了广泛的应用。有学者将深度学习算法引入到医学影像中，如肋骨的中心线提取、冠状动脉中心线提取等。在上述肋骨中心线提取算法中，首先计算肋骨中心线附近区域的概率图，在此基础上，首先计算肋骨的中心线的起始点，然后通过不停的移动起始点到下一个中心点，依次不停迭代地得到肋骨中心线。在上述冠状动脉中心线提取算法中，提出了一个多任务网络，在网络训练过程中，同时学习掩码的距离图，以及分支的端点，然后依据分支端点以及距离图，通过后处理算法得到中心线。
5.可见，现有的基于深度学习的中心线提取算法，都是首先计算中心线的概率图或者距离图，然后通过后处理的方式得到最终的中心线。因此，后处理算法将中心线提取过程变得更为复杂，并且后处理过程中一些参数并不适用所有的情况，最终会影响到算法的性能。


技术实现要素：

6.为提升中心线提取算法的性能，本技术提供了一种通过端到端的深度学习直接提取中心线的方法、系统及相应的计算机可读介质，该方法避免复杂的后处理操作，因此也不需要任何的人工介入，更加简洁。
7.在一个方面，本技术提供一种建立支气管中心线提取模型的方法，包括以下步骤：（a）获取支气管掩码和人工标注的真实支气管中心线；（b）将所述支气管二值掩码输入到三维fcn中，通过三维fcn编码器、解码器网络，得到支气管的预测端点，所述支气管的预测端点包括支气管的根节点以及末端的端点；（c）根据所得到的支气管的预测端点，确定初始中心线；（d）通过三维fcn编码器对初始中心线进行采样，得到初始中心线的特征，将采样得到
的特征输入一维fcn，输出预测中心线；（e）根据预测的端点及预测中心线，以人工标注的真实支气管中心线作为金标准计算损失，并更新网络权重；（f）重复步骤（a）至（e），直至获得符合预期的模型参数，建立支气管中心线提取模型。
8.在一个实施方式中，在步骤（f）中，当三维fcn权重连续复数次不下降时即认为符合预期。
9.在另一个方面，本技术提供一种建立支气管中心线提取模型的系统，其包括：（a）数据获取模块，用于获取支气管二值掩码以及人工标注的真实支气管中心线；（b）端点预测模块，用于将所述ct影像数据输入到三维fcn中，通过三维fcn编码器、解码器网络，得到支气管的预测端点，所述支气管的预测端点包括支气管的根节点以及末端的端点；（c）初始中心线生成模块，根据所得到的支气管的预测端点，确定初始中心线；（d）中心线预测模块，用于通过三维fcn编码器对初始中心线进行采样，得到初始中心线的特征，将采样得到的特征输入一维fcn，输出预测中心线；（e）损失计算模块，用于根据预测的端点及预测中心线，以人工标注的真实支气管中心线作为金标准计算损失，并更新网络权重；（f）控制模块，用于重复以上步骤直至获得符合预期的模型参数，建立支气管中心线提取模型。
10.在一个实施方式中，控制模块在三维fcn权重连续复数次不下降时即认为符合预期。
11.在又一个方面，本技术提供一种提取支气管中心线的方法，其包括：（a）获取根据上述方法建立的支气管中心线提取模型；和（b）基于所述支气管中心线提取模型提取中心线。在一些实施方式中，步骤（b）进一步包括将支气管二值掩码输入到所述模型中，得到预测端点；根据预测端点确定初始中心线；以及通过编码器对初始中心线进行采样，将采样得到的特征输入一维fcn，输出预测中心线。
12.在又一个方面，本技术提供一种计算机存储介质，其上存储有计算机可执行指令，所述指令被执行以实现本技术所述的建立支气管中心线提取模型的方法或提取支气管中心线的方法。
13.本技术通过预测支气管端点，以及通过一维卷积预测中心线坐标，是一套端到端的深度学习方法，不需要任何的后处理，因此也不需要任何的人工介入，方法简洁，优化了中心线提取的性能。
附图说明
14.图1示例性显示了本发明的建立支气管中心线提取模型以及利用该模型提取支气管中心线的理论示意图。
15.图2示例性显示了本发明的建立支气管中心线提取模型的流程图。
16.图3显示了本发明的建立支气管中心线提取模型的系统。
17.图4显示了本技术的一种提取支气管中心线的示例性方法。
具体实施方式
18.以下通过特定的具体实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露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离
本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可根据具体情况改变。
19.图1示例性显示了示例性显示了本发明的建立支气管中心线提取模型以及利用该模型提取支气管中心线的理论示意图。本发明通过输入支气管二值掩码，该方法是最终输出支气管的端点以及中心线。一方面，通过三维fcn编码器，解码器方式，得到支气管的端点，包含支气管的根节点，以及末端的端点。另一方面，通过支气管的根节点和末端的端点，先确定一条初始中心线，通过三维fcn编码器对初始中心线进行采样，得到初始化中心线的特征，将采样得到的特征输入一维fcn网络，最终输出中心线特征。对于中心线任务，训练时可以用真实的端点来生成初始中心线，测试时可以用端点预测任务的输出生成初始中心线。
20.图2示例性显示了本发明的建立支气管中心线提取模型的流程图。该方法开始于步骤s100，获取支气管二值掩码和人工标注的真实支气管中心线。随后，方法进行步骤s110，将所述支气管二值掩码输入到三维fcn，通过编码器、解码器网络，得到支气管的预测端点，包括支气管的根节点以及末端的端点。随后，根据所得到的支气管的预测端点，确定初始中心线（步骤s120）。在步骤s130中，通过编码器对初始中心线进行采样，将采样得到的特征输入一维fcn，输出预测中心线。随后，方法进行步骤140，根据预测的端点及预测中心线，以人工标注的真实支气管中心线作为金标准计算损失，并更新网络权重。所述损失例如是l1、l2等距离损失函数。l1、l2等距离损失函数可通过本领域常规方法获得。在步骤150中，该方法判断是否获得符合预期的模型参数，如是，进行步骤160，建立支气管中心线提取模型，如否，进行步骤s100以循环多次直至模型参数符合预期。在本发明的一些实施方式中，当网络权重连续复数次（例如2至10次）不下降时即认为符合预期。
21.图3显示了本发明的一种建立支气管中心线提取模型的系统，其包括控制模块200、数据获取模块210、端点预测模块220、初始中心线生成模块230、中心线预测模块240以及损失计算模块250。控制模块200按照系统预定的逻辑和程序执行控制功能，数据获取模块210用于获取支气管二值掩码和人工标注的真实支气管中心线。端点预测模块220用于将所述ct影像数据输入到三维fcn中，通过三维fcn编码器、解码器网络，得到支气管的预测端点，所述支气管的预测端点包括支气管的根节点以及末端的端点。初始中心线生成模块230用于根据所得到的支气管的预测端点，确定初始中心线。中心线预测模块240用于通过三维fcn编码器对初始中心线进行采样，得到初始中心线的特征，将采样得到的特征输入一维fcn，输出预测中心线。损失计算模块250用于根据预测的端点及预测中心线，以人工标注的真实支气管中心线作为金标准计算损失，并更新网络权重。控制模块200判断模型参数是否符合预期，以决定是否循环执行网络权重更新，或停止更新，建立中心线提取模型。
22.图4显示了本技术的一种提取支气管中心线的示例性方法。如图4所示，方法开始于s400，获取根据上述方法建立的支气管中心线提取模型。随后，基于所述支气管中心线提取模型提取中心线，包括：步骤s410，将支气管二值掩码输入到所述模型中，得到预测端点；步骤s420，根据预测端点确定初始中心线；以及步骤s430，通过编码器对初始中心线进行采样，将采样得到的特征输入一维fcn，输出预测中心线。
23.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。