[发明专利]在计算机断层扫描血管造影术中基于深度学习的骨移除

权利要求书

1.一种用于在患者的3D医学图像中自动骨移除的方法，包括：

通过使用针对骨分割训练的深度神经网络将所述3D医学图像的体素分类为骨体素或非骨体素来分割患者的3D医学图像中的骨结构；以及

通过从所述3D医学图像的3D可视化中移除被分类为骨体素的体素来生成所述3D医学图像中的非骨结构的3D可视化，

其中，针对骨分割训练的深度神经网络是深度卷积神经网络（CNN）的分解版本，在所述分解版本中至少一个3D卷积层被分解成三个轻加权卷积层，所述三个轻加权卷积层分别执行针对3D核的每个维度的卷积。

2.根据权利要求1所述的方法，其中，所述患者的3D医学图像是计算机断层扫描血管造影术（CTA）体积。

3.根据权利要求1所述的方法，其中，通过从所述3D医学图像的3D可视化中移除被分类为骨体素的体素来生成所述3D医学图像中的非骨结构的3D可视化包括：

对于所述3D医学图像的3D可视化中的被分类为骨体素的每一个体素，将强度值设置为零。

4.根据权利要求1所述的方法，其中，对于N_c表示所述至少一个3D卷积层中的特征的数目，N_p表示前一层中的特征图的数目，并且N_x、N_y、N_z是所述3D核的核大小，并且所述至少一个3D卷积层被分解成具有N_cN_pN_x个权重的第一轻加权卷积层、具有N_pN_pN_y个权重的第二轻加权卷积层、以及具有N_pN_pN_z个权重的第三轻加权卷积层。

5.根据权利要求1所述的方法，其中，通过使用针对骨分割训练的深度神经网络将3D医学图像的体素分类为骨体素或非骨体素来分割患者的3D医学图像中的骨结构包括：

使用对在所述3D医学图像中分类的所有多个体素的端对端卷积来执行深度卷积神经网络的分解版本的卷积层中所需的卷积。

6.根据权利要求1所述的方法，其中，通过使用针对骨分割训练的深度神经网络将3D医学图像的体素分类为骨体素或非骨体素来分割患者的3D医学图像中的骨结构包括：

执行基于强度的阈值设定以生成所述3D医学图像中的具有大于强度阈值的强度的体素的初始掩模；

使用具有对应于所述深度卷积神经网络的分解版本的接受域的大小的核，执行对体素的所述初始掩模的扩大；以及

基于通过使用所述深度卷积神经网络的分解版本执行对扩大的初始掩模的卷积，将所述初始掩模中的体素分类为骨体素或非骨体素。

7.根据权利要求1所述的方法，其中，通过使用针对骨分割训练的深度神经网络将3D医学图像的体素分类为骨体素或非骨体素来分割患者的3D医学图像中的骨结构包括：

将所述3D医学图像中的图像块的2D切片分配给图像矩阵的列，所述图像矩阵与核矩阵相乘以执行所述深度卷积神经网络的分解版本的卷积层中所需的卷积。

8.根据权利要求1所述的方法，其中，通过使用针对骨分割训练的深度神经网络将3D医学图像的体素分类为骨体素或非骨体素来分割患者的3D医学图像中的骨结构包括：

控制分配用于存储深度神经网络的层的特征值的存储器，使得对应于相同特征图索引的所有通道的特征值被分组在一起。