[发明专利]基于多尺度特征提取的分割模型建立、分割方法及装置

说明书

本发明属于语义分割技术领域，公开了一种基于多尺度特征提取的分割模型建立、分割方法及装置。该装置包括数据采集和预处理模块用于获取原始腹部3D CT图像集，对原始腹部3D CT图像集进行预处理，获得腹部3D CT图像集，进行标注获得标签集；模型建立模块用于建立3D U‑Net模型，3D U‑Net模型包括编码器和解码器，所述编码器和解码器均包含由低到高多个层级，每层编码器与同层级以及所有高层级的解码器之间存在跳跃连接，每层解码器与所有高层级的解码器之间存在跳跃连接；模型训练模块用于训练，将训练好的模型作为分割模型；分割模块用于获取待分割的原始腹部3D CT图像的分割结果。本发明在不同层级的编码器和解码器之间引入跳跃连接，增加了网络中信息传递的路径，解决了原始U‑Net难以同时提取不同尺度的特征的问题，提高了分割的准确性。

技术领域

本发明属于语义分割技术领域，具体涉及一种基于多尺度特征提取的分割模型建立、分割方法及装置。

背景技术

近年来，随着图像处理和深度学习技术的不断成熟，基于人工智能技术的计算机辅助诊断可以帮助病理医师进行更加客观、有效的诊断。深度卷积神经网络可直接从数据样本中隐式地自动学习医学图像特征，其学习过程本质上是一个优化问题的求解过程。通过学习，模型从训练数据中选择正确的特征，使其在测试新数据时做出正确决策。

虽然将深度学习应用于医学影像问题已十分普遍，但针对消化道肿瘤方面的研究依然稀少。相比于医学图像中研究较多的器官分割，肿瘤分割一直是医学图像分割的难点，也逐渐称为热门的研究主题。肿瘤分割的难点有三方面。第一是类别不平衡，3D CT中大部分图像都是背景，只有很小的比例是肿瘤；第二是对比度低，对于从事非医学图像研究的人来说，看少量的病例就能大致知道每个数据中的器官在哪里，但是想把每个病例中的肿瘤都找出来，难度就大很多；第三，相对于器官，肿瘤的尺度变化差异明显，想要更好的分割效果就需要解决多尺度问题。

现有方法对于医学图像分割时常采用U-Net方法，然而针对小肠间质瘤的数据集，直接使用U-Net进行分割效果并不理想，存在的问题如下：第一，对于体积较小的肿瘤，网络难以区分出来；第二，考虑临床影像特征，肿瘤在三维方向上具有连续性，但分割的结果会出现只有一张CT被标识出肿瘤，临近的CT均未被标识的情况。

发明内容

本发明的目的在于提供一种基于多尺度特征提取的分割模型建立、分割方法及装置，用以解决现有技术中的对尺寸较小的肿瘤分割效果较差的问题。

为了实现上述任务，本发明采用以下技术方案：

本发明与现有技术相比具有以下技术特点：

(1)在消化道影像数据中，肿瘤类病灶区域存在多尺度和医学影像各向异性的特点，传统U-Net没有充分融合不同尺度的特征，因此对于肿瘤的定位以及边界分割不准确。本发明改进的3D U-Net在不同层级的编码器和解码器之间引入skip-connection，增加了网络中信息传递的路径，从而将网络提取到的不同尺度的特征充分融合。

(2)本发明引入消化道器官的分割结果，从而增强了网络对消化道区域的特征提取能力。

(3)为了解决网络医学图像的各向异性，在数据预处理阶段，本发明使用三阶样条插值的方法来将数据各个方向的间距统一。

附图说明

图1表示改进的3D U-Net结构示意图；

图2表示实施例中D2的输入示意图；

图3表示不同方法产生的模型对小尺度肿瘤的分割效果对比图。

具体实施方式

在本实施例中公开了一种基于多尺度特征提取的分割模型建立方法，包括如下步骤：