式。
[0035] 本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程 图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流 程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序 指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产 生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实 现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0036] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特 定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指 令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或 多个方框中指定的功能。
[0037] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计 算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或 其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一 个方框或多个方框中指定的功能的步骤。
[0038] 本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例 的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员， 依据本发明的思想，在【具体实施方式】及应用范围上均会有改变之处，综上所述，本说明书内 容不应理解为对本发明的限制。
【主权项】
1. 一种基于CT图像的肝脏肿瘤分割方法，其特征在于，所述方法包括： 步骤1，对肝脏的CT图像数据进行高斯除噪，将其转化为灰度均值为0,方差为1的标准 化数据并进行下采样操作； 步骤2,从所述肝脏的CT图像的金标准图像中提取病变切片和正常组织切片，根据切片 中心像素点的标签分别将其划分为正样本和负样本，并采用随机采样的方法使得正负样本 数量相等； 步骤3,构建多层次的深度卷积神经网络，通过随机梯度下降法训练模型，有监督的自 动学习肿瘤特征和肝脏正常组织特征，得到网络模型，通过分类器获得肿瘤的粗分割二值 图像及像素分类的概率图像； 步骤4,对所述肿瘤的粗分割二值图像进行形态学腐蚀操作，获得图割所需要的前景图 像，再将肝脏的二值图像与肿瘤的粗分割二值图像作相减操作并进行形态学腐蚀操作，得 到对应于肝脏正常组织的背景图像； 步骤5,根据所述前景图像和背景图像构建无向图，使用图割优化算法得到肿瘤的最终 分割区域。2. 根据权利要求1所述的基于CT图像的肝脏肿瘤分割方法，其特征在于，在所述步骤2 中，根据切片中心像素点的标签分别将其划分为正样本和负样本，包括： 正样本对应肿瘤切片，负样本对应正常组织切片，为了使得训练模型输入的正负样本 数量均衡，采用随机采样的方法使得正负样本数量相等。3. 根据权利要求1所述的基于CT图像的肝脏肿瘤分割方法，其特征在于，在所述步骤3 中，通过分类器获得肿瘤的粗分割二值图像及像素分类的概率图像，包括： 通过网络中最后一层的分类器将图像中每个像素点进行分类，得到属于肿瘤还是属于 肝脏正常组织的概率值，根据所属类别的概率值的大小分类，获得所述肿瘤的粗分割二值 图像及像素分类的概率图像。4. 根据权利要求1所述的基于CT图像的肝脏肿瘤分割方法，其特征在于，在所述步骤5 中，根据所述前景图像和背景图像构建无向图，使用图割优化算法得到肿瘤的最终分割区 域，包括： 根据所述前景图像和背景图像构建无向图，利用最大流/最小割算法优化能量函数使 其达到最小，将全部的像素划分为目标或者背景，分别标记为1和0，得到肿瘤的最终分割区 域。5. -种基于CT图像的肝脏肿瘤分割装置，其特征在于，所述装置包括： 图像预处理模块，用于对肝脏的CT图像数据进行高斯除噪，将其转化为灰度均值为0， 方差为1的标准化数据并进行下采样操作； 样本采集模块，用于从所述肝脏的CT图像的金标准图像中提取病变切片和正常组织切 片，根据切片中心像素点的标签分别将其划分为正样本和负样本，并采用随机采样的方法 使得正负样本数量相等； 模型训练模块，用于构建多层次的深度卷积神经网络，通过随机梯度下降法训练模型， 有监督的自动学习肿瘤特征和肝脏正常组织特征，得到网络模型，通过分类器获得肿瘤的 粗分割二值图像及像素分类的概率图像； 腐蚀操作模块，用于对所述肿瘤的粗分割二值图像进行形态学腐蚀操作，获得图割所 需要的前景图像，再将肝脏的二值图像与肿瘤的粗分割二值图像作相减操作并进行形态学 腐蚀操作，得到对应于肝脏正常组织的背景图像； 分割区域生成模块，用于根据所述前景图像和背景图像构建无向图，使用图割优化算 法得到肿瘤的最终分割区域。6. 根据权利要求5所述的基于CT图像的肝脏肿瘤分割装置，其特征在于，所述样本采集 模块根据切片中心像素点的标签分别将其划分为正样本和负样本，具体包括： 正样本对应肿瘤切片，负样本对应正常组织切片，为了使得训练模型输入的正负样本 数量均衡，采用随机采样的方法使得正负样本数量相等。7. 根据权利要求5所述的基于CT图像的肝脏肿瘤分割装置，其特征在于，所述模型训练 模块通过分类器获得肿瘤的粗分割二值图像及像素分类的概率图像，具体包括： 通过网络中最后一层的分类器将图像中每个像素点进行分类，得到属于肿瘤还是属于 肝脏正常组织的概率值，根据所属类别的概率值的大小分类，获得所述肿瘤的粗分割二值 图像及像素分类的概率图像。8. 根据权利要求5所述的基于CT图像的肝脏肿瘤分割装置，其特征在于，所述分割区域 生成模块根据所述前景图像和背景图像构建无向图，使用图割优化算法得到肿瘤的最终分 割区域，具体包括： 根据所述前景图像和背景图像构建无向图，利用最大流/最小割算法优化能量函数使 其达到最小，将全部的像素划分为目标或者背景，分别标记为1和0，得到肿瘤的最终分割区 域。
【专利摘要】本发明提供了基于CT图像的肝脏肿瘤分割方法及装置。方法包括：对肝脏的CT图像数据进行高斯除噪，将其转化为灰度均值为0，方差为1的标准化数据并进行下采样操作；从肝脏的CT图像的金标准图像中提取病变切片和正常组织切片，将其划分为正样本和负样本；构建多层次的深度卷积神经网络，通过随机梯度下降法训练模型，得到网络模型，通过分类器获得肿瘤的粗分割二值图像及像素分类的概率图像；对肿瘤的粗分割二值图像进行形态学腐蚀操作，获得图割所需要的前景图像，再将肝脏的二值图像与肿瘤的粗分割二值图像作相减操作并进行形态学腐蚀操作，得到对应于肝脏正常组织的背景图像；构建无向图，使用图割优化算法得到肿瘤的最终分割区域。
【IPC分类】G06T7/00
【公开号】CN105574859
【申请号】CN201510925624
【发明人】贾富仓, 李雯, 贺宝春, 胡庆茂, 方驰华, 范应方
【申请人】中国科学院深圳先进技术研究院, 南方医科大学珠江医院
【公开日】2016年5月11日
【申请日】2015年12月14日