[发明专利]基于卷积神经网络的CT影像骨骼分割方法及装置

说明书

本发明公开了基于卷积神经网络的CT影像骨骼分割方法及装置，涉及计算机视觉、深度学习技术领域。所述方法包括：获取CT影像数据输入至骨骼识别模型中；所述CT影像数据经卷积操作处理后得到特征输出图C1；对特征输出图C1经瓶颈模块进行多次复合操作处理后获得特征输出图C_N；所述特征输出图C_N经卷积操作处理后得到特征输出图C_N+1；将所述特征输出图C_N+1输入到多个池化核分别进行平均池化操作，获取特征输出图PL；多个特征输出图PL进行堆叠操作得到融合特征PF1；所述融合特征PF1与特征输出图C_N+1进行堆叠操作得到融合特征PF2；将融合特征PF2进行卷积操作后，获取分割图S。本申请能够准确并快速的将CT影像进行骨骼分割，节约了时间成本，对GPU要求也不高。

技术领域

本发明涉及计算机视觉、深度学习技术领域，具体涉及基于卷积神经网络的CT影像骨骼分割方法及装置。

背景技术

CT影像自动去骨是医生对患者CT影像评估中一个重要步骤，在CT影像中骨骼会影响医生对血管疾病的判断。目前骨骼分割方式是通过传统数字图像处理中的方法实现，即先确定出阈值，再对图像进行二值分割等。该种方式只有在特殊情况下分割结果较为理想，在血管分布密集时分割结果并不精准。

现有技术中CT图像去骨一般采用两次CT扫描，一次是正常CT扫描，第二次为造影CT扫描，将骨骼用造影剂标记得到标记后的CT图像。将两次图像做相减处理，得到去骨后的图像。但在医生查阅患者CT影像时，由于血液和骨骼在CT影像中的显示较为相近,使用传统数字图像处理的方法将骨骼和血液分离的效果并不理想。而现有的深度学习方法计算速度慢，无法在短时间内做到快速分割。考虑到大型网络对GPU也有一定要求，故会导致成本高等问题出现。

发明内容

针对现有技术存在上述问题，本申请提供一种基于卷积神经网络的CT影像骨骼分割方法及装置，其能够准确并快速的将CT影像进行骨骼分割，节约了时间成本，对GPU要求也不高。

为实现上述目的，本发明提供一种基于卷积神经网络的CT影像骨骼分割方法，该方法包括：

获取CT影像数据输入至骨骼识别模型中，将所述CT影像数据按照背景数据、骨骼数据进行标注；所述骨骼识别模型训练方式为：

所述CT影像数据经卷积操作处理后得到特征输出图C1；

对所述特征输出图C1经瓶颈模块进行多次复合操作处理后获得特征输出图C_N，N的取值为4-8；

所述特征输出图C_N经卷积操作处理后得到特征输出图C_N+1；

将所述特征输出图C_N+1输入到多个池化核分别进行平均池化操作，压缩特征输出图C_N+1获取特征输出图P，对所述特征输出图P进行卷积操作、双线性插值操作得到尺寸一致的特征输出图PL；

多个所述特征输出图PL进行堆叠操作得到融合特征PF1；

所述融合特征PF1与特征输出图C_N+1进行堆叠操作得到融合特征PF2；

将所述融合特征PF2进行卷积操作后，获取与输入CT影像尺寸一致的分割图S。

优选地，还包括：使用交叉熵损失函数获取分割图S与原图数据标注之间的损失，利用Adam优化器对骨骼识别模型进行反向传播更新参数，若骨骼识别模型已经收敛则保存模型参数，否则继续训练。

优选地，对所述特征输出图C1经瓶颈模块进行多次复合操作处理后获得特征输出图C_N，具体为：

将所述特征输出图C1输入至瓶颈模块B1，经所述瓶颈模块B1复合操作处理后得到特征输出图C2；