一种三维图像中多分支管状结构分割与标记方法

1.一种三维图像中多分支管状结构分割与标记方法，分为离线阶段和在线阶段，其特征在于，该方法包括以下步骤：1)离线阶段；1-1)获取原始图像，对每张原始图像中的管状结构的中心线和分割结果进行标注，分别得到简单中心线训练集和复杂中心线训练集；具体步骤如下：1-1-1)获取同一部位的N张CT图像作为原始图像；1-1-2)对每张原始图像中管状结构的中心线和分割结果进行标注，得到该图像中管状结构每条分支的中心线和管腔分割二值图；其中，每条中心线由若干个关键点的组成，中心线的标注结果为该中心线上每个关键点的坐标；1-1-3)对步骤1-1-2)标注得到的中心线分类，将主干的中心线分为简单中心线，将所有分支的中心线分为复杂中心线；对每张图像的中心线分类完毕后，将所有图像和该图像对应的简单中心线组成一个简单中心线训练样本，所有简单中心线训练样本构成简单中心线训练集；将所有图像和该图像对应的复杂中心线组成一个复杂中心线训练样本，所有复杂中心线训练样本构成复杂中心线训练集；1-2)构建简单中心线预测网络，利用步骤1-1)得到的简单中心线训练集训练简单中心线预测网络，得到训练完毕的简单中心线预测网络；其中，该网络的输入是原始CT图像，输出是输入图像的简单中心线对应的所有关键点的位置的预测结果；利用步骤1-1)得到的简单中心线训练集，把每张原始图像输入简单中心线预测网络，将得到对应的输出的预测结果和该输入图像的简单中心线标注结果进行L2 loss，通过梯度反传更新网络参数，当loss函数稳定后，得到训练完毕的简单中心线预测网络；1-3)构建简单中心线预测网络，利用步骤1-1)得到的复杂中心线训练集训练复杂中心线预测网络，得到训练完毕的复杂中心线预测网络；其中，所述复杂中心线预测网络包括分支起点预测网络和复杂中心线微调网络；具体步骤如下：1-3-1)根据步骤1-1-2)得到的标注结果，对每一条复杂中心线，统计在所有原始图像中的该复杂中心线平均值，得到该复杂中心线对应的平均中心线，其中所述平均中心线为每条复杂中心线中除起点外的其他关键点相对于该起点的相对坐标平均值；1-3-2)构建分支起点预测网络，该网络的输入是原始图像，输出是输入图像的各复杂中心线的起点的预测结果和各复杂中心线的标记结果；利用步骤1-1)得到的复杂中心线训练集，把每张原始图像输入分支起点预测网络，将得到对应的输出的预测结果和该输入图像的复杂中心线标注结果进行L2 loss，通过梯度反传更新网络参数，当loss函数稳定后，得到训练完毕的复杂起点预测网络；然后将每张原始图像输入训练完毕的分支起点预测网络，该网络输出对应该输入图像的每条复杂中心线起点的预测结果；1-3-3)利用步骤1-3-1)和1-3-2)的结果，对每张原始图像，将步骤1-3-2)得到的每条复杂中心线起点的预测结果，结合步骤1-3-1)得到的该复杂中心线对应的平均中心线，组合成该图像中对应分支的初始中心线；1-3-4)构建复杂中心线微调网络，复杂中心线微调网络的输入是原始图像中每条复杂初始中心线上所有关键点为中心的固定尺寸图像组合成的多通道3D图像，该网络输出为该复杂中心线上每个关键点的三维坐标偏移量；利用平方误差损失函数训练复杂中心线微调网络，得到训练完毕的复杂中心线微调网络；1-4)各网络训练完毕后，将每张原始图像输入训练完毕的简单中心线预测网络，得到对应的简单中心线的预测结果，然后将该原始图像输入训练完毕的分支起点预测网络，得到各复杂中心线的起点预测结果，然后原始图像中每条复杂初始中心线上所有关键点为中心的固定尺寸图像组合成的多通道3D图像输入训练完毕的复杂中心线微调网络，得到最终的每条复杂中心线的预测结果；1-5)分割前预处理；利用步骤1-4)的结果，对原始图像进行预处理，具体方法为：根据该原始图像上每条中心线预测结果的方向对原始图像对应该中心线的管状结构进行旋转和裁剪，得到沿该中心线的横截面图像；1-6)构件分割网络并进行训练，得到训练完毕的分割网络；其中，分割网络的输入是经过步骤1-5)预处理后的横截面图像，分割网络的输出为对应的管状结构概率预测图；2)在线阶段；2-1)获取一张与步骤1-1)的原始图像同尺寸且同部位的增强CT图像；2-2)将步骤2-1)获取的图像分别输入训练完毕的简单中心线预测网络和复杂中心线预测网络，分别得到的该图像中简单中心线和复杂中心线的预测结果以及各复杂中心线的标记结果；2-3)根据步骤2-2)得到的每一条中心线的预测结果，根据该中心线的方向进行旋转和裁剪，得到沿该中心线的横截面图像；2-4)将步骤2-3)得到的每张横截面图像输入训练完毕的分割网络，该网络输出对应的管状结构的概率预测结果，然后对所有概率预测结果进行二值化得到最终的管腔分割结果。