本发明涉及医学图像处理，尤其是涉及一种腹部ct图像门脉主干和血栓自动分割量化系统及其方法。
背景技术：
1、由于肝脏移植的需求，现存腹部ct中上消化系统相关感兴趣区域血管自动分割方法多数与肝脏血管有关，门静脉主干的自动分割相关研究较少。
2、过往腹部对比增强ct血管自动分割多针对正常群体，肝硬化门脉高压患者有独特的血管特征。肝脏血流动力学的改变会导致肝静脉和门静脉形态的改变。针对门脉高压患者的腹部对比增强ct静脉血管自动分割并未有所研究。
3、静脉血栓通常与周围的组织具有相似的密度，对比度较低，边界模糊，难以识别。且一些血栓可能非常微小，与血管壁紧密附着，难以区分。另外，静脉血栓的形态可能因患者病史、血栓位置、形成原因等因素而各异，有些血栓呈现线状、片状或结节状，甚至可能存在多个分支。形态多样增加了血栓的识别难度。
4、尽管门静脉压力梯度是检验肝硬化门脉高压症的金标准，但是门静脉压力梯度是入侵性检测手段，患者适从性较低，对医生的操作要求高。因此迫切需要一种无创的手段评估肝硬化门脉高压症，能够从患者腹部对比增强ct中获取门脉主干可以无创评估门脉高压。
5、现有技术中，手动进行3d医学图像的像素级标注非常消耗时间，另外血栓的分割需要专业医学知识，标注十分昂贵。传统的分割方法，例如阈值分割等，由于腹部ct组成较为复杂，难以适用于血管和血栓的分割，对于半自动医学图像分割，则需要手动设置一些参数，分割过程十分繁杂，且精度不高。
技术实现思路
1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种腹部ct图像门脉主干和血栓自动分割量化系统及其方法，能够从腹部ct图像中自动、准确分割门静脉主干和血栓，并进行量化。
2、本发明的目的可以通过以下技术方案来实现：一种腹部ct图像门脉主干和血栓自动分割量化系统，包括分割模块和量化模块，所述分割模块用于对腹部对比增强ct图像中门脉主干和血栓进行自动分割，得到分割结果；
3、所述量化模块用于对分割结果进行相关参数量化处理，输出得到量化参数结果。
4、进一步地，所述分割模块中设置有预先训练好的分割网络，所述分割网络采用边缘结构增强的u-net框架，并在公开医学图像数据集上进行预训练迁移学习，以增加对血管结构的识别能力。
5、进一步地，所述分割网络包括编码器和解码器，所述编码器通过跳跃连接将提取的目标特征信息传递给相同层级的解码器。
6、进一步地，所述编码器和解码器之间通过边界注意力模块实现跳跃连接，所述边界注意力模块用于提高网络对目标的定位能力和边界的识别能力。
7、进一步地，所述编码器的每一层由两个卷积块和一个下采样块组成，用于提取目标特征，下采样学习不同分辨率下不同大小的目标。
8、进一步地，所述解码器的每一层由一个上采样块和两个卷积块组成，以通过上采样和卷积进行特征重建和分辨率回复产生分割掩码。
9、一种腹部ct图像门脉主干和血栓自动分割量化方法，包括以下步骤：
10、s1、构建深度学习模型，并利用公开医学图像数据集进行预训练，得到初步分割模型；
11、s2、收集腹部对比增强ct图像数据、并进行归一化预处理以及像素级标注，以针对初步分割模型进行训练，得到最优分割模型；
12、s3、将当前腹部对比增强ct图像输入最优分割模型，输出得到门脉主干和门脉血栓的分割结果；
13、s4、针对门脉主干和门脉血栓的分割结果进行参数量化处理，输出得到量化参数结果。
14、进一步地，所述步骤s2具体包括以下步骤：
15、s21、收集多个腹部对比增强ct图像，对其进行归一化预处理，将所有的腹部对比增强ct图像重采样至统一spacing；
16、s22、针对收集的腹部对比增强ct图像中门脉主干和血栓进行像素级标注，之后将多个处理后的腹部对比增强ct图像作为初步分割模型的训练输入，以训练输出背景、门脉主干、门脉血栓三分类像素级标签，经过训练，得到最优分割模型。
17、进一步地，所述步骤s4中参数量化处理的过程包括：
18、统计血栓的体积和表面积；
19、统计血管体积和表面积；
20、将血栓转换为血管，使之成为管状整体，计算血管曲率；
21、对管状目标提取中心线，提取中心线后，将血栓转置回来，在中心线上的每一个像素上取中心线法向横截面，计算所有截面中血栓截面占血管整体截面比值，记录最大比值、平均比值。
22、进一步地，所述步骤s4中量化参数结果包括血管体积、血管表面积、血管曲率、血栓体积、血栓表面积、血管血栓体积比、最大血栓截面比、平均血栓截面比。
23、与现有技术相比，本发明具有以下优点：
24、本发明设计分割模块和量化模块，利用分割模块对腹部对比增强ct图像中门脉主干和血栓进行自动分割，得到分割结果；利用量化模块对分割结果进行相关参数量化处理，输出得到量化参数结果。由此能够从腹部ct图像中自动、准确分割门静脉主干和血栓，并进行量化，从而辅助准确识别出血栓。
25、本发明在分割模块设置预先训练好的分割网络，该分割网络采用边缘结构增强的u-net框架，通过编码和解码路径设计，并在大规模公开医学图像数据集上进行预训练迁移学习，能够有效增加对血管结构的识别能力。
26、本发明利用分割网络中编码器提取目标特征，下采样学习不同分辨率下不同大小的目标；利用解码器通过上采样和卷积进行特征重建和分辨率回复产生分割掩码；并且编码器通过跳跃连接将信息直接传递给相同层级的解码器，进行特征融合；此外，在跳跃连接中加入边界注意力模块，能够提高网络对目标的定位能力和边界的识别能力，增加网络对血栓边界的捕获能力。
27、本发明首先利用公开医学图像数据集进行预训练，得到初步分割模型；之后收集腹部对比增强ct图像数据、并进行归一化预处理以及像素级标注，以针对初步分割模型进行训练，得到最优分割模型。即在公开医学图像大规模数据集上进行预训练，然后在影像标签上进行微调，迁移学习经过预训练能够使模型捕捉到广泛的图像特征，并且缓解数据稀缺问题，减少人工标注代价。
28、本发明针对分割结果进行参数量化处理，以获得包括血管体积、血管表面积、血管曲率、血栓体积、血栓表面积、血管血栓体积比、最大血栓截面比、平均血栓截面比的量化参数结果，有助于后续进行治疗预后等预测。
1.一种腹部ct图像门脉主干和血栓自动分割量化系统，其特征在于，包括分割模块和量化模块，所述分割模块用于对腹部对比增强ct图像中门脉主干和血栓进行自动分割，得到分割结果；
2.根据权利要求1所述的一种腹部ct图像门脉主干和血栓自动分割量化系统，其特征在于，所述分割模块中设置有预先训练好的分割网络，所述分割网络采用边缘结构增强的u-net框架，并在公开医学图像数据集上进行预训练迁移学习，以增加对血管结构的识别能力。
3.根据权利要求2所述的一种腹部ct图像门脉主干和血栓自动分割量化系统，其特征在于，所述分割网络包括编码器和解码器，所述编码器通过跳跃连接将提取的目标特征信息传递给相同层级的解码器。
4.根据权利要求3所述的一种腹部ct图像门脉主干和血栓自动分割量化系统，其特征在于，所述编码器和解码器之间通过边界注意力模块实现跳跃连接，所述边界注意力模块用于提高网络对目标的定位能力和边界的识别能力。
5.根据权利要求3所述的一种腹部ct图像门脉主干和血栓自动分割量化系统，其特征在于，所述编码器的每一层由两个卷积块和一个下采样块组成，用于提取目标特征，下采样学习不同分辨率下不同大小的目标。
6.根据权利要求3所述的一种腹部ct图像门脉主干和血栓自动分割量化系统，其特征在于，所述解码器的每一层由一个上采样块和两个卷积块组成，以通过上采样和卷积进行特征重建和分辨率回复产生分割掩码。
7.一种腹部ct图像门脉主干和血栓自动分割量化方法，其特征在于，包括以下步骤：
8.根据权利要求7所述的一种腹部ct图像门脉主干和血栓自动分割量化方法，其特征在于，所述步骤s2具体包括以下步骤：
9.根据权利要求7所述的一种腹部ct图像门脉主干和血栓自动分割量化方法，其特征在于，所述步骤s4中参数量化处理的过程包括：
10.根据权利要求7～9任一所述的一种腹部ct图像门脉主干和血栓自动分割量化方法，其特征在于，所述步骤s4中量化参数结果包括血管体积、血管表面积、血管曲率、血栓体积、血栓表面积、血管血栓体积比、最大血栓截面比、平均血栓截面比。
