基于级联末端引导机制的扩张胰管分割方法

本发明属于医学图像分割，具体涉及一种基于级联末端引导机制的扩张胰管分割方法。

背景技术：

1、胰腺癌是最难治疗的癌症之一，其5年相对存活率最低，约为10%。最常见的胰腺癌症发生在主胰管，称为胰腺导管腺癌(pdac) 。在几项临床研究中，胰管扩张被认为是pdac的高风险因素。除此之外，与扩张胰管相关的胰腺疾病分类也包括其他类型的肿块，如导管内乳头状粘液性肿瘤(ipmn)、浆液性囊性导管内乳头状粘液性肿瘤(scn)、导管内乳头状粘液性肿瘤(mcn)和实性假乳头状肿瘤(spt)。正常胰管区域在腹部增强ct上不可见，ct扫描中胰管的可见性是pdac和其他胰腺肿块的直接警告信号。因此，作为一种临床筛查工具，ct图像上扩张胰管的自动分割对于胰腺肿块的早期诊断具有重大意义。

2、胰管分割的困难主要是由导管的小尺寸、细长的形状和周围组织的复杂性引起的。对于器官内病变的精准分割，一般的解决方法是采用级联策略即先分割胰腺区域，再在胰腺区域内分割胰管，这往往比在整个ct扫描上分割胰管表现出更好的性能。然而，胰管末端的低强度表征，以及胆管或肿瘤等与胰管具有相似位置和ct强度的组织仍然为胰管的分割带来很大的困难。事实上，由于胰管具有管状结构，所有的分割误差都分布在分割结果的末端区域。本发明基于上述事实提出了一种基于级联末端引导的扩张胰管分割方法，通过在末端分别嵌入解剖信息和抗干扰机制，在提高胰管分割精度的同时保证了末端的完整性。

技术实现思路

1、发明目的：针对现有基于深度学习方法对于扩张胰管分割问题的缺陷和不足，本发明提出了一种基于级联末端引导机制的扩张胰管分割方法，通过在末端分别嵌入解剖信息和抗干扰机制，在提高胰管分割精度的同时保证了末端的完整性。

2、技术方案：本发明提出了一种全新的ct图像上扩张胰管分割方法，包括如下5个步骤：

3、（a）构建一个基本的串联分割网络，使用第一个分割网络先分割ct图像上的胰腺，进而获得胰腺分割结果和对应的局部区域图像；

4、（b）在胰腺的局部区域图像上使用第二个分割网络来分割扩张胰管，得到扩张胰管的粗分割结果；

5、（c）在扩张胰管的粗分割结果上基于图结构建立对扩张胰管末端区域的注意力机制；

6、（d）训练一个嵌入解剖信息的子网络，其输入分别为扩张胰管的末端图像、扩张胰管的粗分割结果和胰腺分割结果对应的局部解剖注意力图，训练标签为扩张胰管在末端的局部掩膜，网络输出扩张胰管的细分割结果；

7、（e）设计一个末端抗干扰网络，其输入为扩张胰管的末端图像和细分割结果，训练标签为扩张胰管在末端的局部掩膜与细分割结果的差异，网络输出细分割结果可能存在的混淆区域即假阳性和假阴性区域，再将其与细分割结果结合得到扩张胰管最终的分割结果。

8、具体而言，（a）和（b）中所述的基本的串联分割网络均使用nnunet网络，训练策略为从每个输入的三维图像中裁剪大小为的patch进行训练，网络训练所使用的损失函数为dice+ce loss即dice损失和交叉熵损失和按照1:1的比例组合得到的损失函数，计算公式如下：

9、

10、其中为体素总数，和分别为在体素点上的分割结果和标签，为相对于全体体素的softmax函数输出。

11、具体而言，步骤（c）首先利用中心线提取算法提取出扩张胰管的粗分割结果的中心线，其中中心线提取算法包括但不限于lee等人提出的三维体素的细化算法，其次在中心线上利用节点的邻域关系构建扩张胰管的图结构，最后在图结构上筛选出末端节点并提取出对应的末端图像。其中图结构的构建方式具体为中心线上每一个点都作为图的一个节点，如果一个节点出现在另一个节点的三维27-邻域内，则形成边关系。只有一个邻点的节点被筛选为末端节点，末端区域图像的大小设置为；

12、具体而言，所述步骤（d）中嵌入解剖信息的子网络的架构包括但不限于u-net网络的架构。胰腺分割结果对应的解剖注意力图可表示为

13、

14、其中是模型预测的胰腺分割结果，是的边界，计算的是点和之间的欧式距离；局部胰腺解剖注意力图为限制在扩张胰管末端区域的子矩阵。

15、具体而言，步骤（e）中末端抗干扰网络的架构使用u-net网络的架构，输出上一步分割可能存在的假阳性和假阴性区域，并且在细分割结果上，加上抗干扰网络输出的假阴性区域，减去输出的假阳性区域得到胰管最终的输出结果。

16、本发明所提出的方法已经与其他前沿的医学图像分割方法进行多方面对比，体现了本发明的优越性。

17、有益效果：本发明提出了一种基于级联末端引导机制的扩张胰管分割方法，通过在末端分别嵌入解剖信息和抗干扰机制，在提高胰管分割精度的同时保证了末端的完整性，可以在ct图像上获得末端更加完整、精度更高的扩张胰管分割结果；本发明所提出的级联末端引导机制对于扩张胰管分割效果提升超过9%，对于末端的分割效果提升约20%。

技术特征：

1.基于级联末端引导机制的扩张胰管分割方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于级联末端引导机制的扩张胰管分割方法，其特征在于：所述步骤（a）和（b）中的分割网络包括但不限于nnuneet网络,训练nnunet网络的损失函数包括但不限于dice +ce loss，具体计算如下：

3.根据权利要求1所述的基于级联末端引导机制的扩张胰管分割方法，其特征在于：步骤（c）中所述的基于图结构建立对扩张胰管末端区域的注意力机制的方法，具体为首先利用中心线提取算法提取出扩张胰管的粗分割结果的中心线，其中中心线提取算法包括但不限于三维体素的细化算法，其次在中心线上利用节点的邻域关系构建扩张胰管的图结构，最后在图结构上筛选出末端节点并提取出对应的末端图像；其中图结构的具体构建方式为中心线上每一个点都作为图的一个节点，如果一个节点出现在另一个节点的三维27-邻域内，则形成边关系；只有一个邻点的节点被筛选为末端节点；其中扩张胰管的末端图像的大小包括但不限于。

4.根据权利要求1所述的基于级联末端引导机制的扩张胰管分割方法，其特征在于：步骤（d）中嵌入解剖信息的子网络的架构包括但不限于u-net网络的架构，胰腺分割结果对应的解剖注意力图为一个三维矩阵，每一个在胰腺分割结果内的点对应的值为其到胰腺分割结果边界的距离，在胰腺分割结果外的点对应的值为0，具体公式如下：

5.根据权利要求1所述的基于级联末端引导机制的扩张胰管分割方法，其特征在于：步骤（e）中末端抗干扰网络的架构包括但不限于u-net网络的架构，在细分割结果上，加上抗干扰网络输出的假阴性区域，减去输出的假阳性区域得到扩张胰管最终的输出结果。

技术总结
本发明公开了一种在CT图像上基于级联末端引导机制的扩张胰管分割方法。首先构建一个基本的串联分割网络依次得到胰腺分割结果和扩张胰管的粗分割结果，并在扩张胰管的粗分割结果上基于图结构建立对扩张胰管末端区域的注意力机制；其次训练一个嵌入解剖信息的子网络，其输入分别为扩张胰管的末端图像、扩张胰管的粗分割结果和胰腺分割结果对应的局部解剖注意力图，网络输出扩张胰管的细分割结果；最后设计一个末端抗干扰网络，其输入为扩张胰管末端图像和细分割结果，网络输出细分割结果可能存在的混淆区域，将其与细分割结果结合以得到扩张胰管的最终分割结果。本发明可以在CT图像上得到末端更加完整、精度更高的扩张胰管分割结果。

技术研发人员：杨孝平,邹礼稳,蔡正华,仇毓东,贵鹿颖,毛谅
受保护的技术使用者：南京大学
技术研发日：
技术公布日：2024/1/13