基于局部先驗(yàn)信息和凸優(yōu)化的全自動(dòng)三維肝臟分割方法
【專利摘要】本發(fā)明涉及醫(yī)學(xué)圖像處理，旨在提供基于局部先驗(yàn)信息和凸優(yōu)化的全自動(dòng)三維肝臟分割方法。該基于局部先驗(yàn)信息和凸優(yōu)化的全自動(dòng)三維肝臟分割方法包括：利用訓(xùn)練好的三維卷積神經(jīng)網(wǎng)絡(luò)處理腹部肝臟CTA體數(shù)據(jù)，得到肝臟的先驗(yàn)概率圖；由肝臟先驗(yàn)概率圖中得到肝臟的初始區(qū)域；確定圖像中各像素點(diǎn)屬于前景肝臟和背景的概率；利用凸優(yōu)化技術(shù)優(yōu)化新的能量模型，并分割肝臟；進(jìn)行后處理，得到肝臟的輪廓。本發(fā)明得到的分割結(jié)果，可以很好地克服原來卷積神經(jīng)網(wǎng)絡(luò)分割肝臟中存在的欠分割、邊界不準(zhǔn)確的問題，進(jìn)而得到更精確的分割結(jié)果。
【專利說明】
基于局部先驗(yàn)信息和凸優(yōu)化的全自動(dòng)三維肝臟分割方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明是關(guān)于醫(yī)學(xué)圖像處理領(lǐng)域，特別涉及基于局部先驗(yàn)信息和凸優(yōu)化的全自動(dòng) 三維肝臟分割方法。
【背景技術(shù)】
[0002] 目前，肝臟疾病是臨床上發(fā)病概率比較高的疾病，直接威脅到人們的生命，所以肝 臟疾病的準(zhǔn)確診斷具有重要的醫(yī)學(xué)意義。臨床上，醫(yī)生常常借助于CT機(jī)，即計(jì)算機(jī)斷層掃描 機(jī)，來獲得肝臟部位的一系列平面灰度斷層圖像，并通過連續(xù)地查看這些圖像來判斷病灶 的病變位置、特征、大小、同周圍組織之間的關(guān)系等。而肝臟的提取和定量分析對(duì)準(zhǔn)確地診 斷肝臟疾病和制定適當(dāng)?shù)氖中g(shù)方案起著關(guān)鍵性的作用。臨床上，肝臟的提取往往由經(jīng)驗(yàn)豐 富的醫(yī)生直接在CTA圖像上勾勒出來。但是此方法非常耗時(shí)耗力，而且由于分割結(jié)果依賴于 醫(yī)生的經(jīng)驗(yàn)而缺乏魯棒性。因此急需準(zhǔn)確可用的肝臟自動(dòng)或半自動(dòng)分割算法。
[0003] 現(xiàn)有的半自動(dòng)肝臟分割方法由于一定量的人工交互，對(duì)初始肝臟區(qū)域敏感，因而 算法缺少魯棒性。全自動(dòng)分割方法不需要人工交互，現(xiàn)有的典型算法有概率圖譜法、Active Shape Model法。但是這兩類算法受先驗(yàn)形狀初始化的影響大，且算法過程復(fù)雜，算法結(jié)果 普遍存在過分割和欠分割現(xiàn)象。最新的算法有基于卷積神經(jīng)網(wǎng)絡(luò)的全自動(dòng)三維肝臟分割方 法。該方法通過訓(xùn)練一個(gè)卷積神經(jīng)網(wǎng)絡(luò)后，對(duì)新輸入的數(shù)據(jù)自動(dòng)給出一個(gè)屬于前景肝臟的 概率圖，然后取一個(gè)合適的閾值得到最終的分割結(jié)果。但是由于在不同的個(gè)體當(dāng)中，肝臟的 形狀和位置差異非常大，通過卷積網(wǎng)絡(luò)得到的肝臟分割結(jié)果在肝臟左葉會(huì)出現(xiàn)欠分割的現(xiàn) 象。另外，肝臟邊緣的分割準(zhǔn)確性也不高。
[0004] 因此，提出一種能夠克服肝臟形狀差異大等難點(diǎn)，避免過分割和前分割缺陷的全 自動(dòng)算法在臨床醫(yī)學(xué)應(yīng)用上很有必要。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的主要目的在于克服現(xiàn)有技術(shù)中的不足，提供一種能準(zhǔn)確地將肝臟同周圍 粘連的組織區(qū)分出來，且對(duì)于形狀大小各異的肝臟，能克服欠分割現(xiàn)象而準(zhǔn)確地提取出肝 臟的全自動(dòng)方法。為解決上述技術(shù)問題，本發(fā)明的解決方案是：
[0006] 提供基于局部先驗(yàn)信息和凸優(yōu)化的全自動(dòng)三維肝臟分割方法，用于對(duì)腹部肝臟 CTA(Computed Tomography Angiography，CT血管造影術(shù))體數(shù)據(jù)，即計(jì)算機(jī)斷層掃描血管 造影圖像中的肝臟進(jìn)行分割，所述基于局部先驗(yàn)信息和凸優(yōu)化的全自動(dòng)三維肝臟分割方法 包括下述過程：
[0007] 一、利用訓(xùn)練好的三維卷積神經(jīng)網(wǎng)絡(luò)處理腹部肝臟CTA體數(shù)據(jù)，得到肝臟的先驗(yàn)概 率圖；
[0008] 二、由肝臟先驗(yàn)概率圖中得到肝臟的初始區(qū)域；
[0009] 三、確定圖像中各像素點(diǎn)屬于前景肝臟和背景的概率；
[0010] 四、利用凸優(yōu)化技術(shù)優(yōu)化新的能量模型，并分割肝臟；
[0011] 五、進(jìn)行后處理，得到肝臟的輪廓；
[0012] 所述過程一具體是指:設(shè)需要進(jìn)行肝臟分割的圖像為三維數(shù)據(jù)I(X)，圖像定義域 為? C： 灰度范圍為[0，N]，像素點(diǎn)為X = (Xi，X2，X3);利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)處理數(shù) 據(jù)Kx)，使圖像Kx)的每個(gè)像素點(diǎn)被賦予屬于肝臟的概率值，得到一個(gè)與原始圖像大小相 同的概率圖L(x)，xe Ω ;
[0013] 其中，符號(hào)c表不包含于，符號(hào)e表不屬于集合；
[0014]所述訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)能對(duì)所處理圖像的每一像素點(diǎn)進(jìn)行二分類，二分類的 結(jié)果為每一點(diǎn)屬于前景肝臟的概率；
[0015] 所述過程二具體是指：（根據(jù)經(jīng)驗(yàn))對(duì)概率圖LU)的每一像素點(diǎn)值取閾值0.5,大于 閾值的像素點(diǎn)屬于肝臟的初始肝臟區(qū)域Q re3f;
[0016] 所述過程三具體包括下述步驟：
[0017] 步驟A:對(duì)輸入的原始圖像I (X)中的每一點(diǎn)像素 X，統(tǒng)計(jì)初始肝臟區(qū)域Ω re3f內(nèi)的灰 度直方圖，根據(jù)像素點(diǎn)X的灰度值，將這個(gè)灰度值在灰度直方圖中所占的比例作為這個(gè)像素 點(diǎn)屬于前景的概率，記為(勾:統(tǒng)計(jì)初始背景區(qū)域Ω / Ω re3f的灰度直方圖，根據(jù)像素點(diǎn)X的 灰度值，將這個(gè)灰度值在背景區(qū)域的灰度直方圖中的比例作為這個(gè)像素點(diǎn)屬于背景的概 率，記為卩。111：(叉） ；
[0018] 其中，符號(hào)Ω / Ω re沖的表示在區(qū)域Ω中除去區(qū)域Ω ref; # (X.)的上標(biāo)g表示全 局信息，下標(biāo)in表示肝臟內(nèi)部;p?t(X)的下標(biāo)out表示肝臟外部；
[0019] 步驟B:計(jì)算在區(qū)域Qre3f中的每個(gè)像素點(diǎn)/4(Λ〇的均值μ和標(biāo)準(zhǔn)差〇,并計(jì)算概率閾 值t=y-n;
[0020] 步驟C:對(duì)MU) <^的像素點(diǎn)X，設(shè)該點(diǎn)的局部鄰窗為W(x);如果像素點(diǎn)X的局部鄰 窗W(X)與初始肝臟區(qū)域Ω re3f相交，則將這個(gè)點(diǎn)記錄在集合S中，即定義集合 SskeOi: ff⑶然后在該像素點(diǎn)X的領(lǐng)域RU)內(nèi)重新計(jì)算屬于前景肝臟的概 率/Kx)，計(jì)算公式為：
[0021]
[0022] 其中，R(x) =W(X)門Ω ref，W(x)是以X為中心的立方體，邊長(zhǎng)分別為a、b、c;Kn( ·) 表示一個(gè)核函數(shù)，η表示其窗寬;ζ表示在區(qū)域RU)內(nèi)觀察到的灰度值，IM，Imax分別表示其 中的最小值和最大值;符號(hào)Σ表不求和;h( ·)表不區(qū)域R(x)內(nèi)的灰度直方圖，1ι(ζ)表不區(qū) 域R ( X )內(nèi)的灰度值ζ的統(tǒng)計(jì)數(shù)；
表示對(duì)灰度直方圖求和值； I W(X)Hnf,, 〃 0丨中，集合S指所有局部鄰窗W(X)與初始肝臟區(qū)域Ω ref相交的點(diǎn) 的集合;符號(hào)：=表示定義為，符號(hào)e表示屬于集合，符號(hào)0表示空集，符號(hào)η表示區(qū)域相 交；
[0023] 步驟D:對(duì)于每個(gè)像素點(diǎn)，計(jì)算最終屬于肝臟的概率，計(jì)算公式為：
[0024]
[0025] 其中，每個(gè)像素點(diǎn)的/?⑶由過程三步驟A計(jì)算得到，乂和集合S在過程三步驟C中 計(jì)算和定義；
[0026]所述過程四具體包括下述步驟：
[0027] 步驟E:定義并計(jì)算g(x)，Ct(x)，Cs(x):
[0028]
[0029] Ct(x): =g(x)[_ailog pin(x)-a2log L(x)]，
[0030] Cs(X): =g(x)[_ail0g pout(x)-a2log(l-L(x))] ·
[0031] 其中，
〖示邊界探測(cè)函數(shù)，β是正數(shù)(取值為0.2);符號(hào)：=表示 定義為，符號(hào)▽表示梯度算子，符號(hào)I · I表示L2范數(shù);Ct(X)代表每個(gè)像素點(diǎn)X屬于肝臟的代 價(jià)函數(shù);Cs(x)代表每個(gè)像素點(diǎn)X屬于背景的代價(jià)函數(shù);ριη(χ)和ρ_(Χ)分別表示像素點(diǎn)X屬 于肝臟和背景的概率;LU)和I-L(X)分別表示由卷積神經(jīng)網(wǎng)絡(luò)得到的像素點(diǎn)X屬于肝臟和 背景的概率，其中LU)由過程一計(jì)算得到; 〇1，〇2為正常數(shù)，用于調(diào)節(jié)各項(xiàng)的權(quán)重，取值均在 區(qū)間[20，50]內(nèi)；log表示以10為底求對(duì)數(shù)；
[0032] 步驟F:通過極小化如下的能量泛函，得到最優(yōu)的肝臟分割ιΛ
[0033]
[0034]
[0035]
[0036] 其中，u是肝臟的標(biāo)簽函數(shù)，u(x) e {〇, 1}，u(x)的值等于1表示X屬于肝臟，u(x)的 值等于〇表示X不屬于肝臟;arg min表示求使得能量函數(shù)最小的值；Ω表示圖像區(qū)域;"表 示在區(qū)域Ω內(nèi)的積分;dx表示區(qū)域積分元；▽表示梯度算子；I · I表示L2范數(shù);log表示以10 為底求對(duì)數(shù)；：=表示定義為;所述λ是指正則化參數(shù)，用于調(diào)節(jié)各項(xiàng)的權(quán)重，取值在[0,20] 之間；
[0037] (上述能量泛函的第一項(xiàng)是基于區(qū)域的項(xiàng)，其中的第一部分是利用全局或局部的 初始肝臟區(qū)域的灰度分布及先驗(yàn)概率圖，估計(jì)出每個(gè)像素點(diǎn)X屬于肝臟的代價(jià)函數(shù)C t(X); 第二部分是利用全局的初始背景區(qū)域的灰度分布及先驗(yàn)概率圖，估計(jì)每個(gè)像素點(diǎn)X屬于背 景的代價(jià)函數(shù)C s(X);第一項(xiàng)的作用是將肝臟區(qū)域從周圍背景區(qū)域區(qū)分出來，第二項(xiàng)是基于 邊界的項(xiàng)，能夠很好地捕捉邊界信息，保證分割出的肝臟輪廓的光滑性;區(qū)域項(xiàng)和邊界項(xiàng)通 過一個(gè)邊界探測(cè)函數(shù)g(x)和權(quán)重CU，CU，λ來自適應(yīng)的調(diào)節(jié)比重，使得在靠近邊界的地方，模 型主要依賴于邊界信息，在肝臟中平滑的區(qū)域，模型依賴于區(qū)域信息）
[0038]所述過程五具體包括下述步驟：
[0039]步驟G:用形態(tài)學(xué)算子中的閉算子處理由過程四得到的二值分割結(jié)果定義E為 半徑為3的圓形結(jié)構(gòu)算子，對(duì)二值分割結(jié)果W先進(jìn)行結(jié)構(gòu)算子為E的膨脹處理，再進(jìn)行結(jié)構(gòu) 算子為E的腐蝕處理）；
[0040] 步驟Η:對(duì)步驟G處理后的肝臟二值分割結(jié)果，用二維填洞算子處理(具體的，對(duì)體 數(shù)據(jù)的每層圖像，檢測(cè)在肝臟區(qū)域中的孔洞，認(rèn)為被肝臟包圍的孔洞也屬于肝臟，將其對(duì)應(yīng) 的二值分割結(jié)果的值設(shè)為1)，即得到到最終的完整準(zhǔn)確的肝臟區(qū)域，實(shí)現(xiàn)對(duì)計(jì)算機(jī)斷層掃 描血管造影圖像中的肝臟進(jìn)行分割。
[0041] 在本發(fā)明中，所述過程一中，卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)有共11層:第1層為96個(gè)濾波大小 為7 X 7 X 9的卷積核，步長(zhǎng)為2的卷積層;第2層為256個(gè)濾波大小為5 X 5 X 5的卷積核，步長(zhǎng) 為2的卷積層;第3層到第7層均為2048個(gè)濾波大小為3 X 3 X 3的卷積核，步長(zhǎng)為1的卷積層； 第8層為512個(gè)濾波大小為3 X 3 X 3的卷積核，步長(zhǎng)為1的卷積層;第9層為128個(gè)濾波大小為3 X 3 X 3的卷積核，步長(zhǎng)為1的卷積層；第IQ層為16個(gè)濾波大小為3 X 3 X 3的卷積核，步長(zhǎng)為1 的卷積層;第11層為1個(gè)濾波大小為3X3X3的卷積核，步長(zhǎng)為1的卷積層;其中，第1、第2層 后面加了 average poo I ing層，將數(shù)據(jù)維度從496 X 496 X 279縮小到31 X 31 X 32;第7、第8、 第9層后面加入了重排雙倍尺寸輸出層，將輸入的8個(gè)通道變成2 X 2 X 2，即雙倍尺寸，1/8通 道數(shù);且3次重排后輸出和輸入的尺度保持一致;第11層后使用logistic函數(shù)和上采樣層， 使得最終輸出大小為496 X 496 X 256的概率圖；
[0042]根據(jù)所設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)，搜集68個(gè)腹部肝臟CTA體數(shù)據(jù)作為網(wǎng)絡(luò)輸入，將這些 體數(shù)據(jù)對(duì)應(yīng)的肝臟分割二值結(jié)果作為網(wǎng)絡(luò)的輸出，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)，這樣即得 到一個(gè)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)。
[0043] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：
[0044] 本發(fā)明把由三維卷積神經(jīng)網(wǎng)絡(luò)得到的概率圖作為先驗(yàn)信息，設(shè)計(jì)一個(gè)分割模型自 適應(yīng)地利用全局或局部的先驗(yàn)信息，并且用凸優(yōu)化算法求解模型，從而達(dá)到全自動(dòng)地提取 肝臟輪廓的目的；且本發(fā)明得到的分割結(jié)果，可以很好地克服原來卷積神經(jīng)網(wǎng)絡(luò)分割肝臟 中存在的欠分割、邊界不準(zhǔn)確的問題，進(jìn)而得到更精確的分割結(jié)果。
【附圖說明】
[0045] 圖1為本發(fā)明的操作流程圖。
[0046]圖2為三維體數(shù)據(jù)的第110層原圖。
[0047]圖3為第110層數(shù)據(jù)經(jīng)三維卷積神經(jīng)網(wǎng)絡(luò)處理后的效果圖。
[0048]圖4為第110層數(shù)據(jù)經(jīng)本發(fā)明技術(shù)處理后的效果圖。
【具體實(shí)施方式】
[0049]下面結(jié)合附圖與【具體實(shí)施方式】對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述：
[0050] 下面的實(shí)施例可以使本專業(yè)的專業(yè)技術(shù)人員更全面地理解本發(fā)明，但不以任何方 式限制本發(fā)明。
[0051] 如圖1所示，采用基于局部先驗(yàn)信息和凸優(yōu)化的全自動(dòng)三維肝臟分割方法，對(duì)計(jì)算 機(jī)斷層掃描血管造影圖像中的肝臟進(jìn)行分割，具體步驟為：
[0052] 一、輸入肝臟CTA掃描圖像I大小為512 X 512 X 245,調(diào)整窗寬窗位使得肝臟灰度范 圍在0到255之間。將圖像在已經(jīng)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中測(cè)試，得到一個(gè)與原圖像同大小 的概率圖L。概率圖給定圖像每點(diǎn)屬于肝臟的概率LU)，其值范圍在[0.1，0.9]。將圖像I和 概率圖L在x-y平面上進(jìn)行下采樣，得到圖像大小均為256 X 256 X 245。
[0053]二、選定閾值為0.5,對(duì)概率圖L取截?cái)?，認(rèn)為概率大于0.5的點(diǎn)屬于肝臟，概率小于 0.5的點(diǎn)屬于背景。這樣給定了初始分割結(jié)果。
[0054]三、按照步驟三的方法計(jì)算圖像圖像I中每一像素點(diǎn)屬于前景和屬于背景的概率 Pin(X)和Pciut(X)。在本實(shí)例中，局部鄰窗W(X)設(shè)為一個(gè)大小為7X7X7的立方體;核函數(shù)Kn (·)為高斯核函數(shù)，其標(biāo)準(zhǔn)差η由區(qū)域RU)的灰度標(biāo)準(zhǔn)差計(jì)算得到；I min，Imax分別取定為〇和 255。
[0055] 四、根據(jù)說明中步驟四給出的公式計(jì)算圖像在每個(gè)像素點(diǎn)的(^(1)，仏(1)^(1)的 值。在本實(shí)例中，取定參數(shù)αι = 40，α2 = 32，λ=1〇。
[0056] 五、利用凸松弛和原始-對(duì)偶算法，引入變量!^!^^，將能量泛函轉(zhuǎn)化為：
[0057]
[0058] s. t.ps(xXCs(X)，pt(xXCt(x)，p(x)<Xg(x)
[0059] 為求解上述新模型，利用交錯(cuò)迭代的技術(shù)，迭代地計(jì)算以下式子：
[0060] 1、固定變量/?夂/4，妙，優(yōu)化求角
。 這一步可以用Chambol Ie投影算法求解； ^ ?.
[0061] 2、固定變量.pipk+1，Ak，更 f
[0062] 3、固定變量 /^pk+1，Ak，更I
[0063] 4、固定變量尸 f i^pk+1，I
[0064] 迭代步數(shù)k = k+l，重復(fù)以上1-4迭代直至收斂后停止。
[0065] 其中c是迭代中的步長(zhǎng)，在本實(shí)例中設(shè)為0.35^是本說明步驟四中定義的邊界探 測(cè)函數(shù)g(x)。最后解得上述模型后，最優(yōu)分割標(biāo)簽函數(shù)u*(x)。
[0066] 上述符號(hào)中，s.t.表示"受約束于"；sup表示求極大，inf表示求極小;k和k+Ι表示 迭代第k步和第k+Ι步； ;./r丨,Ak等符號(hào)的上標(biāo)k表示迭代第k步;arg max表示求使得能量函 數(shù)最大的變量值；I I I 表示無窮范數(shù);div表示散度算子；：=表示"定義為"；/ω表示在區(qū)域 Ω內(nèi)的積分;dx表示區(qū)域積分元。
[0067] 六、按照步驟五給出的方法對(duì)分割結(jié)果u*(x)后處理：
[0068] 1、用形態(tài)學(xué)算子中的閉算子處理由過程四得到的二值分割結(jié)果u'定義E為半徑 為3的圓形結(jié)構(gòu)算子，對(duì)二值分割結(jié)果W先進(jìn)行結(jié)構(gòu)算子為E的膨脹處理，再進(jìn)行結(jié)構(gòu)算子 為E的腐蝕處理；
[0069] 2、對(duì)步驟G處理后的肝臟二值分割結(jié)果，用二維填洞算子處理。具體的，對(duì)體數(shù)據(jù) 的每層圖像，檢測(cè)在肝臟區(qū)域中的孔洞，認(rèn)為被肝臟包圍的孔洞也屬于肝臟，將其對(duì)應(yīng)的二 值分割結(jié)果的值設(shè)為1。
[0070] 圖2為示例三維體數(shù)據(jù)的第110層。圖3為由三維卷積神經(jīng)網(wǎng)絡(luò)處理后的肝臟第110 層效果圖，肝臟內(nèi)部為白色，可以看出在肝左葉的地方存在欠分割現(xiàn)象。圖4為本發(fā)明技術(shù) 處理后的肝臟第110層效果圖，肝臟內(nèi)部為白色，可以看出算法正確分割出了肝臟組織。
[0071] 最后，需要注意的是，以上列舉的僅是本發(fā)明的具體實(shí)施例。顯然，本發(fā)明不限于 以上實(shí)施例，還可以有很多變形。本領(lǐng)域的普通技術(shù)人員能從本發(fā)明公開的內(nèi)容中直接導(dǎo) 出或聯(lián)想到的所有變形，均應(yīng)認(rèn)為是本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1.基于局部先驗(yàn)信息和凸優(yōu)化的全自動(dòng)三維肝臟分割方法，用于對(duì)腹部肝臟CTA體數(shù) 據(jù)，即計(jì)算機(jī)斷層掃描血管造影圖像中的肝臟進(jìn)行分割，其特征在于，所述基于局部先驗(yàn)信 息和凸優(yōu)化的全自動(dòng)三維肝臟分割方法包括下述過程： 一、 利用訓(xùn)練好的三維卷積神經(jīng)網(wǎng)絡(luò)處理腹部肝臟CTA體數(shù)據(jù)，得到肝臟的先驗(yàn)概率 圖； 二、 由肝臟先驗(yàn)概率圖中得到肝臟的初始區(qū)域； 三、 確定圖像中各像素點(diǎn)屬于前景肝臟和背景的概率； 四、 利用凸優(yōu)化技術(shù)優(yōu)化新的能量模型，并分割肝臟； 五、 進(jìn)行后處理，得到肝臟的輪廓； 所述過程一具體是指：設(shè)需要進(jìn)行肝臟分割的圖像為三維數(shù)據(jù)IU)，圖像定義域?yàn)?Ω c /f\灰度范圍為[0，N]，像素點(diǎn)為X = (XI，X2，X3);利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)處理數(shù)據(jù)I (a)，使圖像I(x)的每個(gè)像素點(diǎn)被賦予屬于肝臟的概率值，得到一個(gè)與原始圖像大小相同的 概率圖L(x)，xe Ω ; 其中，符號(hào)^1表不包含于，符號(hào)￡表不屬于集合； 所述訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)能對(duì)所處理圖像的每一像素點(diǎn)進(jìn)行二分類，二分類的結(jié)果 為每一點(diǎn)屬于前景肝臟的概率； 所述過程二具體是指:對(duì)概率圖L(x)的每一像素點(diǎn)值取閾值0.5,大于閾值的像素點(diǎn)屬 于肝臟的初始肝臟區(qū)域 所述過程三具體包括下述步驟： 步驟A:對(duì)輸入的原始圖像I(x)中的每一點(diǎn)像素 X，統(tǒng)計(jì)初始肝臟區(qū)域〇re3f內(nèi)的灰度直 方圖，根據(jù)像素點(diǎn)X的灰度值，將這個(gè)灰度值在灰度直方圖中所占的比例作為這個(gè)像素點(diǎn)屬 于前景的概率，記為/4(4 ;統(tǒng)計(jì)初始背景區(qū)域Ω / Ω re3f的灰度直方圖，根據(jù)像素點(diǎn)X的灰度 值，將這個(gè)灰度值在背景區(qū)域的灰度直方圖中的比例作為這個(gè)像素點(diǎn)屬于背景的概率，記 為P〇ut(X); 其中，符號(hào)Ω / Ω ref中的表示在區(qū)域Ω中除去區(qū)域Ω ref ; 〇)的上標(biāo)g表示全局信 息，下標(biāo)in表示肝臟內(nèi)部;p?t(X)的下標(biāo)out表示肝臟外部； 步驟B:計(jì)算在區(qū)域Ω 中的每個(gè)像素點(diǎn)/(X)的均值μ和標(biāo)準(zhǔn)差σ，并計(jì)算概率閾值t = μ-η； 步驟C:對(duì)<&)〃的像素點(diǎn)X，設(shè)該點(diǎn)的局部鄰窗為w(x);如果像素點(diǎn)χ的局部鄰窗W(x) 與初始肝臟區(qū)域Ω r e f相交，則將這個(gè)點(diǎn)記錄在集合S中，即定義集合 h卡βΩ，⑷然后在該像素點(diǎn)X的領(lǐng)域R(x)內(nèi)重新計(jì)算屬于前景肝臟的概 率/4 (4,計(jì)算公式為：其中，R(x)=w(x)fl Qref，W(x)是以X為中心的立方體，邊長(zhǎng)分別為a、b、c;Kn( ·)表示一個(gè) 核函數(shù)，η表示其窗寬;ζ表示在區(qū)域R(x)內(nèi)觀察到的灰度值，Imin，Imax分別表示其中的最小值 和最大值;符號(hào)Σ表不求和;h( ·)表不區(qū)域R(x)內(nèi)的灰度直方圖，1ι(ζ)表不區(qū)域R(x)內(nèi)的灰 度值ζ的統(tǒng)計(jì)數(shù)；表示對(duì)灰度直方圖求和值J 以e D舊〇)Π 夂0} 中，集合S指所有局部鄰窗W(x)與初始肝臟區(qū)域Ωμ相交的點(diǎn)的集合;符號(hào)：=表示定義為， 符號(hào)e表不屬于集合，符號(hào)0表不空集，符號(hào)η表不區(qū)域相交； 步驟D:對(duì)于每個(gè)像素點(diǎn)，計(jì)算最終屬于肝臟的概率，計(jì)算公式為：其中，每個(gè)像素點(diǎn)的此⑴由過程三步驟Α計(jì)算得到，和集合S在過程三步驟C中計(jì)算 和定義； 所述過程四具體包括下述步驟： 步驟E:定義并計(jì)算g(x)，Ct(x)，Cs(x):Ct(x) ： =g(x) [-ailog pin(x)-a2log L(x)], Cs(x) ： =g(x)[-ailog p〇ut(x)-a2log(l-L(x))].表示邊界探測(cè)函數(shù)，β是正數(shù);符號(hào)：=表示定義為，符號(hào)▽表 示梯度算子，符號(hào)I · I表示L2范數(shù);Ct(x)代表每個(gè)像素點(diǎn)X屬于肝臟的代價(jià)函數(shù);Cs(x)代表 每個(gè)像素點(diǎn)X屬于背景的代價(jià)函數(shù);pin(x)和PoutU)分別表示像素點(diǎn)X屬于肝臟和背景的概 率;L(x)和l-L(x)分別表示由卷積神經(jīng)網(wǎng)絡(luò)得到的像素點(diǎn)X屬于肝臟和背景的概率，其中L (X)由過程一計(jì)算得到;正常數(shù)，用于調(diào)節(jié)各項(xiàng)的權(quán)重，取值均在區(qū)間[20,50]內(nèi)；log 表示以10為底求對(duì)數(shù)； 步驟F:通過極小化如下的能量泛函，得到最優(yōu)的肝臟分割ιΛCt(x) ： =g(x) [-ailog pin(x)-a2log L(x)], Cs(x) ： =g(x) [~ai log p〇ut(x)-a2 log( l~L(x))]. 其中，u是肝臟的標(biāo)簽函數(shù)，u(x) e {〇, 1)，u(x)的值等于1表示x屬于肝臟，u(x)的值等 于0表示X不屬于肝臟;arg min表示求使得能量函數(shù)最小的值；Ω表示圖像區(qū)域;/Ω表示在 區(qū)域Ω內(nèi)的積分;dx表示區(qū)域積分元；V表示梯度算子；| · |表示L2范數(shù);log表示以10為底 求對(duì)數(shù)；：=表示定義為;所述λ是指正則化參數(shù)，用于調(diào)節(jié)各項(xiàng)的權(quán)重，取值在[0,20]之間； 所述過程五具體包括下述步驟： 步驟G:用形態(tài)學(xué)算子中的閉算子處理由過程四得到的二值分割結(jié)果ιΛ 步驟Η:對(duì)步驟G處理后的肝臟二值分割結(jié)果，用二維填洞算子處理，即得到到最終的完 整準(zhǔn)確的肝臟區(qū)域，實(shí)現(xiàn)對(duì)計(jì)算機(jī)斷層掃描血管造影圖像中的肝臟進(jìn)行分割。2.根據(jù)權(quán)利要求1所述的基于局部先驗(yàn)信息和凸優(yōu)化的全自動(dòng)三維肝臟分割方法，其 特征在于，所述過程一中，卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)有共11層:第1層為96個(gè)濾波大小為7 X 7 X 9的 卷積核，步長(zhǎng)為2的卷積層;第2層為256個(gè)濾波大小為5 X 5 X 5的卷積核，步長(zhǎng)為2的卷積層； 第3層到第7層均為2048個(gè)濾波大小為3 X 3 X 3的卷積核，步長(zhǎng)為1的卷積層;第8層為512個(gè) 濾波大小為3 X 3 X 3的卷積核，步長(zhǎng)為1的卷積層;第9層為128個(gè)濾波大小為3 X 3 X 3的卷積 核，步長(zhǎng)為1的卷積層;第10層為16個(gè)濾波大小為3X3X3的卷積核，步長(zhǎng)為1的卷積層;第11 層為1個(gè)濾波大小為3X3X3的卷積核，步長(zhǎng)為1的卷積層；其中，第1、第2層后面加了 average poo 1 ing層，將數(shù)據(jù)維度從496 X496X 279縮小到31X31X32;第7、第8、第9層后面 加入了重排雙倍尺寸輸出層，將輸入的8個(gè)通道變成2 X 2 X 2，即雙倍尺寸，1/8通道數(shù);且3 次重排后輸出和輸入的尺度保持一致;第11層后使用logistic函數(shù)和上采樣層，使得最終 輸出大小為496 X 496 X 256的概率圖； 根據(jù)所設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)，搜集68個(gè)腹部肝臟CTA體數(shù)據(jù)作為網(wǎng)絡(luò)輸入，將這些體數(shù) 據(jù)對(duì)應(yīng)的肝臟分割二值結(jié)果作為網(wǎng)絡(luò)的輸出，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)，這樣即得到一 個(gè)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)。
【文檔編號(hào)】G06T7/00GK106056596SQ201610362119
【公開日】2016年10月26日
【申請(qǐng)日】2016年5月26日
【發(fā)明人】孔德興, 胡佩君, 吳法
【申請(qǐng)人】浙江德尚韻興圖像科技有限公司