基于CT影像及深度学习的肝脏及脾脏形态学分析方法

本发明涉及形态学分析，特别是涉及一种基于ct影像及深度学习的肝脏及脾脏形态学分析方法。

背景技术：

1、随着医学成像技术的发展，ct(计算机断层扫描)已经成为诊断内脏疾病的重要工具。肝脏和脾脏作为人体重要的器官，其形态学的细微变化常常与多种疾病相关。传统的图像分析方法依赖于放射科医生的经验进行视觉判断，这不仅耗时，而且结果的准确性高度依赖于个人经验。

2、深度学习技术，特别是卷积神经网络(cnn)，在图像识别和分析领域已显示出卓越的性能。应用深度学习技术于ct图像的分析，可以实现更为精准和自动化的医学影像分析。

3、申请号为cn202110069161.6公开了一种肺炎ct影像的图像处理方法，包括步骤，肺部ct影像分割：取ct影像，将肺部区域从ct影像中取出，并对取出带有肺部的ct影像进行图像预处理，得到分割后的肺部ct影像；肺叶ct影像分割：对分割后的肺部ct影像通过二维卷积神经网络进行肺叶ct影像分割，得到分割后的肺叶ct影像分割；其特征在于，还包括步骤，异常区域图像分割：对分割后的肺叶ct影像分割通过二维卷积神经网络和三维卷积神经网络进行分割，得到每个像素点属于异常区域的概率；异常区域图像融合：将每个像素点属于异常区域的概率结果输入至随机森林模型进行图像的融合，并输出融合后的异常区域图像；异常区域图像体征分析：将融合后的异常区域图像通过机器学习和深度学习算法进行异常区域的体征分析，并输出体征分析后的异常区域图像。但是其图像预处理过程简单，使得最终的结果精准程度不足。

技术实现思路

1、为了克服现有技术的不足，本发明的目的是提供一种基于ct影像及深度学习的肝脏及脾脏形态学分析方法，能够提高肝脏及脾脏的ct图像处理精度。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于ct影像及深度学习的肝脏及脾脏形态学分析方法，包括：

4、获取待测患者的扫描图像；

5、将所述待测患者的扫描图像输入至训练好的形态学分析模型中，得到分析结果；所述形态学分析模型的构建方法包括：

6、收集样本ct图像集；所述样本ct图像集包括肝脏和脾脏的健康状态和各种病理状态下的扫描图像；

7、根据所述样本ct图像集进行连通域计算，并根据连通域匹配方法识别目标区域图像；

8、对所述目标区域图像进行滤波处理，得到滤波图像；

9、构建图像增强窗口，并利用图像增强窗口遍历所述滤波图像进行去噪，得到去噪图像；

10、对所述去噪图像进行直方图均衡化处理，得到增强图像；

11、构建多目标分割的卷积神经网络深度学习模型，并利用各个所述增强图像对所述卷积神经网络深度学习模型进行训练，得到所述形态学分析模型。

12、优选地，根据所述样本ct图像集进行连通域计算，并根据连通域匹配方法识别目标区域图像，包括：

13、对所述样本ct图像集中的各张影像进行阈值分割，得到二值化图像；

14、根据所述二值化图像进行二维连通域计算，得到各个待测连通域；

15、根据各个所述待测连通域的属性参数和预测的肝脏及脾脏形态参数确定预设层的连通域；

16、采用逐层搜索的方式分别向所述预设层数的远端层的二值化图像和近端层的二值化图像进行连通域匹配，得到第一匹配连通域和第二匹配连通域；

17、采用顺序搜索的方式，从首张二值化图像向最后一张二值化图像进行连通域匹配，得到第三匹配连通域；

18、根据所述第一匹配连通域和所述第二匹配连通域确定待修正的肝脏及脾脏区域；

19、利用所述第三匹配连通域对所述待修正的肝脏及脾脏区域进行像素匹配，得到匹配后的完整的所述目标区域图像。

20、优选地，对所述目标区域图像进行滤波处理，得到滤波图像，包括：

21、对所述目标区域图像在多个尺度上进行小波分解，得到对应的小波系数；

22、根据所述目标区域图像的大小和分解尺度构建滤波阈值；

23、利用所述滤波阈值构建图像滤波模型；

24、利用所述图像滤波模型对所述目标区域图像进行滤波，得到所述滤波图像。

25、优选地，所述滤波阈值的计算公式为：

26、其中，λj表示在第j个分解尺度下的滤波阈值，σj表示在第j个分解尺度下的噪声标准差，nj表示在第j个分解尺度下的信号长度，j表示分解尺度。

27、优选地，所述图像滤波模型的计算公式为：

28、

29、其中，sign为符号函数，a为第一预设系数，b为第二预设系数，ωj,k表示在第j个分解尺度下第k个小波系数，表示滤波后的小波系数。

30、优选地，构建图像增强窗口，并利用图像增强窗口遍历所述滤波图像进行去噪，得到去噪图像，包括：

31、利用图像识别模型检测滤波图像，得到每个图像增强窗口下的占比值；

32、当所述图像增强窗口内的占比值大于预设阈值时，对相应图像增强窗口内的图像进行中值去噪，得到中值图像；

33、滑动所述图像增强窗口，直到遍历完整个中值图像，得到所述去噪图像。

34、优选地，利用图像识别模型检测滤波图像，得到每个图像增强窗口下的占比值，包括：

35、采用公式fij＝|xij-yij|得到每个图像增强窗口下的每个像素点的像素差值；其中，fij表示滤波图像在(i，j)位置的像素差值，xij表示原始图像在(i，j)位置处的像素值，yij表示滤波图像在(i，j)位置处的像素值；

36、将像素差值大于特征阈值的像素点作为特征点并记录数量；

37、将所述图像增强窗口下特征点占所有像素点的比例作为占比值。

38、优选地，所述中值去噪的计算公式为：

39、其中，f(a,b)表示像素点(a，b)在中值去噪后的像素值，d为可调参数，x(a,b)表示像素点(a，b)在图像增强窗口内的像素值，mean(a,b)表示图像增强窗口的像素中值，σx(a,b)表示图像增强窗口内像素值的方差。

40、根据本发明提供的具体实施例，本发明公开了以下技术效果：

41、本发明提供了一种基于ct影像及深度学习的肝脏及脾脏形态学分析方法，包括：获取待测患者的扫描图像；将所述待测患者的扫描图像输入至训练好的形态学分析模型中，得到分析结果；所述形态学分析模型的构建方法包括：收集样本ct图像集；所述样本ct图像集包括肝脏和脾脏的健康状态和各种病理状态下的扫描图像；根据所述样本ct图像集进行连通域计算，并根据连通域匹配方法识别目标区域图像；对所述目标区域图像进行滤波处理，得到滤波图像；构建图像增强窗口，并利用图像增强窗口遍历所述滤波图像进行去噪，得到去噪图像；对所述去噪图像进行直方图均衡化处理，得到增强图像；构建多目标分割的卷积神经网络深度学习模型，并利用各个所述增强图像对所述卷积神经网络深度学习模型进行训练，得到所述形态学分析模型。本发明能够提高肝脏及脾脏的ct图像处理精度，进而提高肝脏及脾脏的形态学分析的准确性。