[发明专利]医学影像器官分割方法

权利要求书

1.一种医学影像器官分割方法，其特征在于，包括：

数据标注，对第一医学影像中的器官进行标注，得到标注后的第二医学影像；

数据预处理，对所述第一医学影像和第二医学影像进行数据预处理，所述预处理包含裁剪医学影像边缘处像素、重采样医学影像数据及医学影像数据归一化；

构建神经网络模型，所述神经网络模型包括3D-Unet网络模块、集中模块、聚合模块及后处理模块；

所述集中模块包含维度转换层、softmax层和乘积层；

所述聚合模块包含维度转换层、softmax层、三维卷积层和乘积层；

所述后处理模块包含融合层、三维卷积层、Instance Normalizaiton层和LeakyReLU层；

训练神经网络模型，将所述第一医学影像裁切为若干子块后作为输入，将所述第二医学影像裁切为若干子块后作为学习目标，训练所述神经网络模型；

医学影像器官分割，将包含器官的第三医学影像进行预处理，将预处理后的第三医学影像通过滑窗裁切为若干子块，将所述若干子块送入神经网络模型，获取所述神经网络模型输出的若干子块的分割结果，将所述分割结果拼接为第四医学影像。

2.根据权利要求1所述的方法，其特征在于，所述裁剪医学影像边缘处像素、重采样医学影像数据及医学影像数据归一化的步骤，包括：

将所述医学影像边缘处像素值为0的像素裁剪；

重采样医学影像数据到同一分辨率；

将所述医学影像数据归一化到均值为0、方差为1的分布中。

3.根据权利要求1所述的方法，其特征在于，所述3D-Unet网络模块的上采样层和下采样层的数量均为5；所述3D-Unet网络模块的归一化层采用Instance Normalization层，非线性激活函数采用LeakyReLU层；所述3D-Unet网络模块的输出为特征图m_base和粗分割预测图p_coarse。

4.根据权利要求3所述的方法，其特征在于，

所述特征图m_base经过集中模块的维度转换层转换为第一特征向量

所述粗分割预测图p_coarse经过集中模块的维度转换层和softmax层得到类别预测向量

所述第一特征向量和类别预测向量经过集中模块的乘积层相乘得到类别全局表征r_class。

5.根据权利要求4所述的方法，其特征在于，

所述类别全局表征r_class经过聚合模块的三维卷积层和维度转换层转换为第二特征向量

将所述全局表征r_class经过聚合模块的三维卷积层得到第三特征向量

将所述特征图m_base经过聚合模块的三维卷积层和维度转换层转换为第四特征向量

将所述第三特征向量和第四特征向量经过聚合模块的乘积层相乘得到相似度向量

将所述相似度向量经过聚合模块的softmax层后，与所述第二特征向量经过聚合模块的乘积层相乘得到类别聚合表征r_aggregation。

6.根据权利要求5所述的方法，其特征在于，所述后处理模块的融合层将类别聚合表征r_aggregation与特征图m_base按通道维度进行合并后，通过所述后处理模块的三维卷积层，Instance Normalizaiton层，LeakyReLU层得到强化表征r_enhanced，将所述强化表征r_enhanced通过后处理模块的三维卷积层得到精分割预测图p_fine。

7.根据权利要求1所述的方法，其特征在于，在所述训练神经网络模型前，还包括：

对裁切为若干子块后的所述第一医学影像，进行随机水平翻转、垂直翻转，或添加高斯噪声。