[发明专利]一种解耦分治的面神经分割方法和装置

说明书

本发明公开了一种解耦分治的面神经分割方法和装置，针对面神经结构小和对比度低的特性，构建了包含特征提取模块、粗分割模块、以及精分割模块的面神经分割模型，利用特征提取模块提取低级特征和多个不同层次的高级特征的基础上，采用粗分割模块对不同层次的高级特征进行面神经特征的全局搜索和融合，再利用精分割模块对融合特征进行解耦得到中心主体特征，综合中心主体特征与低级特征得到边缘细节特征后，对中心主体特征和边缘细节特征进行空间注意力机制特征提取，得到面神经分割图，该方法提升了面神经的自动分割精度和速度，满足机器人人工耳蜗植入术前路径规划需求。

技术领域

本发明涉及医学图像处理领域，具体地说，涉及一种解耦分治的面神经分割方法和装置。

背景技术

机器人人工耳蜗植入是一种帮助患者恢复听力的自动治疗方法，它依赖于精确的术前规划以避免对关键解剖结构的损坏。耳蜗周围组织结构的识别在术前路径规划中起着至关重要的作用。其中，面神经的损伤可能导致永久性颞面神经麻痹，是耳蜗周围最重要的组织结构，并且与周围组织之间的距离不到1mm。然而，面神经的准确分割面临两大挑战：(1)面神经结构非常小。面神经在CT图像中仅占一个特别小的区域(512×512像素的全脑CT图像，面神经区域仅有9-16个像素点，图像占比0.0034％)。(2)面神经与周围组织结构之间的对比度低。面神经与周围环境的边界通常很模糊，缺乏传统分割方法所需的强对比度。综上所述，自动、准确的面神经分割是机器人人工耳蜗植入术前路径规划中的一大难题。

面神经分割的传统方法依赖于手动提取特征，例如中心线和设置点。这些方法通常训练一个分类器来区分面神经和复杂结构，错误分割率很高。主要是因为面神经区域与周围高度相似区域之间的类间差异较弱，导致人工特征提取的表示能力非常有限，如文献Noble J H,Warren F M,Labadie R F,et al.Automatic segmentation of the facialnerve and chorda tympani using image registration and statistical priors[C]//Medical Imaging 2008:Image Processing.International Society for Optics andPhotonics,2008,6914:69140P。

近年来，随着深度学习的发展，医学图像分析取得了重大突破。尤其是Unet模型，它利用多层次信息重建高分辨率特征图，在少量数据的前提下收敛，推动了医学图像分割的发展。然而，基于U形模型的解码器中的特征，高度依赖于从编码器中提取的特征。这些方法直接将特征从编码器引入到解码器，忽略了不同层次特征聚合的有效性，限制了特征的有效利用并引入了误导性特征，从而导致面神经与其他区域混淆。现有的基于深度学习的面神经分割方法中，如文献Ronneberger O,Fischer P,Brox T.U-net:Convolutionalnetworks for biomedical image segmentation[C]//International Conference onMedical image computing and computer-assisted intervention.Springer,Cham,2015:234-241.所述的采用Unet模型的分割精度Dice系数为0.756，如文献Zhou Z,Siddiquee M M R,Tajbakhsh N,et al.Unet++:A nested u-net architecture formedical image segmentation[M]//Deep learning in medical image analysis andmultimodal learning for clinical decision support.Springer,Cham,2018:3-11.所述的采用Unet++模型的分割精度Dice系数为0.764。

发明内容