[发明专利]CT图像腹部多器官分割方法及装置

说明书

本发明实施例提供一种CT图像腹部多器官分割方法及装置。其中，方法包括：根据待分割的腹部CT图像序列获取第一图像序列和第二图像序列；将第一图像序列和第二图像序列输入至多器官分割模型，输出待分割的腹部CT图像序列中各腹部CT图像的多器官分割结果；其中，第一图像序列中图像的尺度大于第二图像序列中图像的尺度；多器官分割模型是基于腹部CT图像序列样本数据以及预先确定的手动分割标注结果进行训练后获得的。本发明实施例提供的CT图像腹部多器官分割方法及装置，根据两个不同尺度获得的器官层次的上下文信息，获取待分割的腹部CT图像序列中各腹部CT图像的多器官分割结果，能获得更准确、更稳定的分割结果。

技术领域

本发明涉及图像处理技术领域，更具体地，涉及一种CT图像腹部多器官分割方法及装置。

背景技术

器官分割，指确定医学影像中属于各器官的区域，识别医学影像中的器官。CT图像腹部多器官分割，能够识别医学影像中的各腹腔器官。人体腹腔内有多种重要器官，包含肝脏、胆、胰脏、脾脏和肾脏。多器官分割，指分割出图像中每个目标器官包括的区域，目标器官的数量为多个。腹部CT图像的对比度低，且图像中各个器官的边界模糊、种类繁多，受到腹部压力影响，人体中的某些器官(例如胃、胰脏、肝脏等)存在较大的变形及不同器官之间存在结构重叠，人工手动进行分割是十分费时费力的，因此利用多器官分割技术实现腹部多器官的自动分割具有十分重要的意义。

目前，基于大数据集学习的方法实现器官分割，得到较多的应用。例如，深度卷积神经网络和全卷积网络已被普遍用于CT扫描图像的器官分割。基于深度学习的分类和分割方法，带来基于深度学习的语义分割在医学影像处理领域的广泛应用。

但由于服务器等硬件资源的限制，现有技术主要针对二维图像，将针对二维图像的多器官分割方法直接应用于二维图像的多器官分割非常困难，且三维深度网络比二维深度网络具有更多参数，因而需要更多的训练数据，但腹部CT图像的训练数据有限，且需要专业的人体放射科医师的介入，使得将三维深度网络应用于三维CT图像腹部多器官分割十分困难，并且分割结果的准确性较差、稳定性较差。

发明内容

本发明实施例提供一种CT图像腹部多器官分割方法及装置，用以解决或者至少部分地解决现有技术进行三维CT图像腹部多器官分割的准确性较差的缺陷。

第一方面，本发明实施例提供一种CT图像腹部多器官分割方法，包括：

根据待分割的腹部CT图像序列获取第一图像序列和第二图像序列；

将所述第一图像序列和第二图像序列输入至多器官分割模型，输出所述待分割的腹部CT图像序列中各腹部CT图像的多器官分割结果；

其中，所述第一图像序列中图像的尺度大于所述第二图像序列中图像的尺度；所述多器官分割模型是基于腹部CT图像序列样本数据以及预先确定的手动分割标注结果进行训练后获得的。

优选地，所述将所述第一图像序列和第二图像序列输入至多器官分割模型，输出所述待分割的腹部CT图像序列中各腹部CT图像的多器官分割结果的具体步骤包括：

将所述第二图像序列输入至所述多器官分割模型中的第一U-Net网络，输出第一结果；

将所述第一结果进行升采样，获得第三图像序列；

将所述第一图像序列和所述第三图像序列输入至所述多器官分割模型中的第二U-Net网络，输出所述待分割的腹部CT图像序列中各腹部CT图像的多器官分割结果。

优选地，将所述第一图像序列和第二图像序列输入至多器官分割模型之前，还包括：

获取多个原始腹部CT图像序列和每一所述原始腹部CT图像序列的手动分割标注结果；

根据每一原始腹部CT图像序列，对所述每一原始腹部CT图像序列中的每一图像进行归一化；