基于跨尺度融合的CT影像肺血管分割方法

技术特征：
1.一种基于跨尺度融合的ct影像肺血管分割方法，其特征在于，包括以下步骤：s1：获取原始肺ct数据及肺血管标签，并进行预处理，得到训练集；s2：截取ct序列中的最大连通区域，平衡正负样本数量；s3：构建csf-u-net；s4：使用预处理得到的训练集训练csf-u-net；其中csf-u-net的网络结构以3d resunet为基本结构，并根据网络结构的特点，使用基于多尺度肺血管标签的监督策略训练csf-u-net，在训练过程中，保存在验证集上效果最好的模型用于测试；s5：最终使用训练完成的csf-u-net处理3d肺ct数据，得到肺血管分割结果。2.根据权利要求1所述的基于跨尺度融合的ct影像肺血管分割方法，其特征在于，所述步骤s1具体包括以下步骤：s11：根据血管面积大小的不同，将肺血管标签拆分为小尺度、中尺度和大尺度血管标签；s12：将ct图像的体素值截断在[-950, 250]范围内；s13：将体素值线性化归一到[0,1]范围内；s14：使用灰度线性变换来增强血管与其它背景图像之间的对比度。3.根据权利要求1所述的基于跨尺度融合的ct影像肺血管分割方法，其特征在于，所述步骤s2具体包括以下步骤：s21：根据肺血管标签的数据分布，截取ct序列中的最大连通区域，平衡正负样本的数量；s22：使用数据增强，随机截取ct序列中连续的32张切片用于训练。4.根据权利要求1所述的基于跨尺度融合的ct影像肺血管分割方法，其特征在于，所述步骤s3中的csf-u-net由共享的编码器和三个独立的解码器分支组成，三个独立的解码器分支分别为小尺度分支、中尺度分支和大尺度分支；其中，共享的编码器用于提取肺血管的多尺度特征，该部分采用参数共享的卷积神经网络。5.根据权利要求4所述的基于跨尺度融合的ct影像肺血管分割方法，其特征在于，当肺ct影像被送入到csf-u-net网络中后，共享的编码器提取出三种尺度的肺血管特征，分别送入到三个独立的解码器中，并利用给定的多尺度血管标签，训练整个分割网络；其中，共享的编码器采用五层参数共享的卷积神经网络，将包含小血管特征较多的第三层特征作为小尺度分支的输入，第四层特征作为中尺度分支的输入，第五层特作为大尺度分支的输入；在三个独立的解码器分支中，小尺度分支包括三层卷积神经网络结构，中尺度分支包括四层卷积神经网络结构，大尺度分支包括五层卷积神经网络结构。6.根据权利要求5所述的基于跨尺度融合的ct影像肺血管分割方法，其特征在于，在共享的编码器路径中，数据依次通过各层进行步长为2的卷积，不断减小图像分辨率，以提取图像的high-level语义特征；在三个独立的解码器路径中，各层结构块的图像大小以及卷积核的数量均与对应的编码器一致，可以通过步长为2的反卷积将high-level语义特征映射回原始尺寸；跳层连接结构是编码器和解码器多尺度融合的桥梁，通过级联的方式将下采样的特征信息补充到对应的上采样层，实现特征复用。7.根据权利要求6所述的基于跨尺度融合的ct影像肺血管分割方法，其特征在于，在跳层连接结构中设置跨层特征融合模块，用以减少噪音信息的干扰；该跨层特征融合模块在
跳层连接结构中，引入注意力机制融合编码器的特征，用于恢复丢失的信息。8.根据权利要求7所述的基于跨尺度融合的ct影像肺血管分割方法，其特征在于，解码器分支中同一层的跨层特征融合模块中右侧的三个卷积层参数设置相同。9.根据权利要求1所述的基于跨尺度融合的ct影像肺血管分割方法，其特征在于，所述步骤s4中使用了基于多尺度肺血管标签的监督策略训练csf-u-net，该监督策略为：先分别融合了小尺度、中尺度和大尺度的血管特征以及中尺度和大尺度的血管特征，得到两个新的特征图后，再用对应尺度的血管标签进行监督训练；训练过程中通过dice损失函数计算每个分支的输出结果与标记结果的误差，并通过不同权重将各分支损失进行叠加，用于后续训练；同时，通过梯度反向传播方法，采用adam优化算法对网络中的参数进行更新，以获得训练好的csf-u-net网络；其中，使用的dice损失函数表达式如下所示：其中c是类别总数，h是ct图像的高，w是ct图像的宽，t是输入网络的ct切片数量，p是csf-u-net网络中输出的结果，是标注结果的one-hot编码的真实图。10.根据权利要求1所述的基于跨尺度融合的ct影像肺血管分割方法，其特征在于，所述步骤s5中，使用训练得到的csf-u-net网络模型预测测试样本的每个像素点的类别概率，概率值最高的类别为该像素点的预测结果；以此方法，ct序列中每张切片的每个像素点都有且仅有一个预测类别，最后根据预测结果，使用三维重建技术建立三维血管结构，用于临床诊断。

技术总结
本发明提供了一种基于跨尺度融合的CT影像肺血管分割方法，包括以下步骤：获取原始肺CT数据及肺血管标签，并进行预处理，得到训练集；截取CT序列中的最大连通区域，平衡正负样本数量；构建CSF-U-Net；使用预处理得到的训练集训练CSF-U-Net，其中CSF-U-Net的网络结构以3DResUNet为基本结构，并根据网络结构的特点，使用基于多尺度肺血管标签的监督策略训练CSF-U-Net，在训练过程中，保存在验证集上效果最好的模型用于测试；最终使用训练完成的CSF-U-Net处理3D肺CT数据，得到肺血管分割结果。本发明采用以ResUNet为基本框架的网络结构能够实现多层特征复用，保留更多重要的特征，进而提高分割效果，并且提出了CSF-U-Net，该网络通过增强小血管的表征能力来提升小血管的分割精度。精度。精度。


技术研发人员：李佳宁 吴仁诚 辛宇
受保护的技术使用者：宁波大学附属第一医院
技术研发日：2023.06.05
技术公布日：2023/10/25