基于深度学习的CT影像的肺叶段分割方法、装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109584252A(43)申请公布日2019.04.05(21)申请号201811505228.0(22)申请日2017.11.03(62)分案原申请数据201711070729.62017.11.03(71)申请人杭州依图医疗技术有限公司地址310024浙江省杭州市转塘街道科技经济区块16号3幢177室(72)发明人郑永升戎术(74)专利代理机构上海华诚知识产权代理有限公司31300代理人徐颖聪(51)Int.Cl.G06T7/11(2017.01)G06T7/187(2017.01)G06T17/00(2006.01)权利要求书2页说明书8页附图2页(54)发明名称基于深度学习的CT影像的肺叶段分割方法、装置(57)摘要本发明涉及一种CT影像的肺叶段分割方法、装置、系统、存储介质及设备，该方法包括：检测步骤，在CT影像中，检测输出肺部轮廓，其包括肺内区域、肺外区域；筛选步骤，在肺部轮廓中，选用机器分割的方式筛选出肺内区域，并将其作为候选区域；分割步骤，在候选区域的3D层面中，同时对肺段和肺叶进行血管分割与肺裂分割；构造步骤，根据血管分割结果，通过构造出血管树，得到肺部的三维血管分布；整合步骤，将血管树和肺裂分割结果结合，并进行肺叶段分割，得到候选区域的最终分割结果。本发明提供的基于深度学习的CT影像的肺叶段分割方法、装置、系统、存储介质及设备，有效地减少了误差，提高了诊断率和准确率，且不受到个体肺部形态差异的限制。CN109584252ACN109584252A权利要求书1/2页1.一种基于深度学习的CT影像的肺叶段分割方法，其特征在于，该方法包括以下步骤：检测步骤，在CT影像中，检测输出肺部轮廓，所述肺部轮廓包括肺内区域、肺外区域；筛选步骤，在所述肺部轮廓中，选用机器分割的方式筛选出所述肺内区域，并将所述肺内区域作为候选区域；分割步骤，在所述候选区域的3D层面中，同时对肺段和肺叶进行血管分割与肺裂分割；构造步骤，根据所述血管分割结果，通过构造出血管树，得到肺部的三维血管分布；整合步骤，采用肺叶段分割算法将所述血管树和所述肺裂分割结果进行结合，并进行肺叶段分割，得到所述候选区域的最终分割结果，其中，在所分割步骤中，在3D层面对候选区域的肺段与肺叶进行血管分割与肺裂分割，得到血管分割和肺裂分割结果，具体的格式是一个三维点阵，对应了CT影像中的三维位置，点阵中每个元素值代表了是否被血管/肺裂算法判定为血管/肺裂。2.根据权利要求1所述的基于深度学习的CT影像的肺叶段分割方法，其特征在于，在所述检测步骤中采用以多层卷积层为主体结构的FCN网络进行检测和输出。3.根据权利要求1所述的基于深度学习的CT影像的肺叶段分割方法，其特征在于，在所述分割步骤中，采用3DU-net并沿两个支线对所述肺段和所述肺叶分别进行所述血管分割与所述肺裂分割。4.根据权利要求1所述的基于深度学习的CT影像的肺叶段分割方法，其特征在于，在所述构造步骤中，根据所述三维血管分布推断气管分布情况，得到支气管树。5.根据权利要求1所述的基于深度学习的CT影像的肺叶段分割方法，其特征在于，在所述整合步骤中，所述肺叶段分割算法通过输入肺叶段分类模型，将所述血管树和所述肺裂分割结果整合，并输出最终分割结果。6.一种基于深度学习的CT影像的肺叶段分割装置，其特征在于，该装置包括：检测模块，用于在CT影像中，检测输出肺部轮廓，所述肺部轮廓包括肺内区域、肺外区域；筛选模块，用于在所述肺部轮廓中，选用机器分割的方式筛选出所述肺内区域，并将所述肺内区域作为候选区域；分割模块，用于在所述候选区域的3D层面中，同时对肺段和肺叶进行血管分割与肺裂分割；构造模块，用于根据所述血管分割结果，通过构造出血管树，得到肺部的三维血管分布；整合模块，用于采用肺叶段分割算法将所述血管树和所述肺裂分割结果进行结合，并进行肺叶段分割，得到所述候选区域的最终分割结果，其中，在分割步骤中，在3D层面对候选区域的肺段与肺叶进行血管分割与肺裂分割，得到血管分割和肺裂分割结果，具体的格式是一个三维点阵，对应了CT影像中的三维位置，点阵中每个元素值代表了是否被血管/肺裂算法判定为血管/肺裂。7.根据权利要求6所述的基于深度学习的CT影像的肺叶段分割装置，其特征在于，在所述检测模块中采用以多层卷积层为主体结构的FCN网络进行检测和输出。8.根据权利要求6所述的基于深度学习的CT影像的肺叶段分割装置，其特征在于，在所述分割模块中，采用3DU-net并沿两个支线对所述肺段和所述肺叶分别进行所述血管分割2CN109584252A权利要求书2/2页与所述肺裂分割。9.根据权利要求6所述的基于深度学习的CT影像的肺叶段分割装置，其特征在于，在所述构