计算机辅助肝脏肿瘤负荷分析的关键技术研究

Automatic segmentation of liver and tumor from abdominal CT series is one of the essential steps for tumor burden analysis, diseases diagnosis, and determination of treatment plan. Aiming at the low precision of liver segmentation caused by the presence of pathologies, low contrast as well as shape diversity, this project proposes an automatic and robust segmentation method based on multilevel local sparse shape composition model. Firstly, a multilevel local liver shape repository is built according to the shape statistical characteristics. Then, a patient-specific initial liver shape is derived based on liver vessels, and the initial shape is further optimized iteratively by a hierarchical optimization strategy combining the multilevel local sparse shape composition model and a gray-level appearance model to obtain the liver segmentation result. Since the features extracted by unsupervised methods cannot represent the characteristics of liver tumor accurately, this project proposes an automatic feature extraction and classification method based on three-dimensional deep convolutional neural networks for tumor extraction from the segmented liver region using three-dimensional spatial information of abdominal CT series. This project can help the radiologists and surgeons timely and effectively get the overall information and three-dimensional visualization of liver and tumors, and provide the technical supports and decision services for computer-aided diagnosis and treatment of liver diseases.

腹部CT序列图像肝脏及其肿瘤组织的自动分割是进行肝脏肿瘤负荷分析、疾病诊断以及治疗方案制定的重要前提。针对病变、对比度低以及形状多样等因素引起的肝脏分割精度低的问题，提出基于多层级局部稀疏形状组合的肝脏鲁棒自动分割方法：首先根据形状统计特性，建立肝脏多层级局部稀疏形状库，然后利用肝脏血管信息获取具有病人特异性的肝脏初始形状，并结合多层级局部稀疏形状组合模型和灰度阶表观模型进行分层迭代优化，得到肝脏分割结果；考虑到无监督特征提取难以适应肝脏肿瘤的复杂性和多样性，利用腹部CT序列图像的三维空间信息，提出基于三维深度卷积神经网络的特征提取与分类方法，从已分割的肝脏中自动识别与提取肿瘤组织。本项目的研究将有助于放射科专家和外科医师及时有效地获取肝脏及肿瘤的整体信息和三维显示，为肝脏疾病计算机辅助诊断和治疗提供技术支持和决策服务。

腹部计算机断层扫描(computed tomography, CT)图像肝脏、肿瘤及其脉管系统的分割是肝脏肿瘤负荷分析的重要前提，也是肝脏疾病诊断和手术方案制定的重要基础。由于肝脏解剖结构复杂，以及肝脏肿瘤和血管与邻近组织对比度低、边界模糊等原因，腹部CT图像中肝脏、肿瘤及其脉管系统的自动准确分割很难进行。本项目利用稀疏形状组合、水平集、图割、深度学习、区域生长等技术，研究并提出了多种自动和半自动分割方法，主要包括：1)基于水平集和形状描述符的腹部CT序列肝脏自动分割方法；2)基于稀疏形状组合和水平集的病变肝脏自动分割方法；3)基于方向信息的腹部CT序列肝脏精确鲁棒分割方法；4)基于阈值水平集的腹部CTA序列图像肝脏分割方法；5)基于多层级LI-SLIC的图像超像素分割方法；6)基于超像素和SVM的CT图像肝脏肿瘤自动分割方法；7) 基于非线性增强和图割的CT序列肝脏肿瘤自动分割方法；8)基于自适应区域生长和图割的肝脏肿瘤区域半自动分割方法；9)基于中心线约束与强度模型的肝脏血管分割方法；10) 基于3D区域生长和混合活动轮廓的肝脏血管自动分割方法。通过本项目的研究，课题组已发表相关学术论文7篇，其中SCI收录4篇，EI收录3篇，并申请了国家发明专利10项。. 本项目的研究将有助于放射科专家和外科医师及时方便地获取肝脏、肿瘤及其脉管系统的整体信息和三维显示，为肝脏三维重建、体积测量、病灶分析、手术导航和器官移植等提供技术支持和决策服务，提高计算机辅助诊断的精度和效率。

内容获取失败，请点击重试