[发明专利]医学影像器官分割方法

说明书

本发明公开了一种医学影像器官分割方法，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，对第一医学影像和第二医学影像进行数据预处理；构建神经网络模型，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；训练神经网络模型，将第一医学影像裁切为若干子块后作为输入，将第二医学影像裁切为若干子块后作为学习目标，训练神经网络模型；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，将若干子块送入神经网络模型。本发明通过构建识别全局语义特征的深度学习神经网络，提升了医学影像器官分割效果。

技术领域

本发明涉及模式识别技术领域，特别是涉及一种医学影像器官分割方法及装置。

背景技术

在医学影像应用中，患者的器官分割图在癌症放疗计划设计中，可以作为辅助的视觉参照，避免放疗过程给病灶周围危及器官带去额外损伤。基于深度学习的医学影像器官分割方法被广泛应用，该类方法通常建立一个深层神经网络，通过包含下采样和上采样的多层卷积来从大量的图像中提取并学习不同尺度的特征，以便后续在图像上的像素级分类。对于医学影像中包含多个器官的案例，在传统深度学习方法下，医学影像中器官同质、异质之间，或边缘、背景之间对比度低，造成器官的分割精度较低。

发明内容

鉴于此，本发明提出一种医学影像器官分割方法，在引入深度学习神经网络之后，进一步提取医学影像的像素特征，达到器官分割的目的，以缓解现有技术的不足。

根据实施例，本发明提供了一种医学影像器官分割方法，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，对第一医学影像和第二医学影像进行数据预处理，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，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；集中模块包含维度转换层、softmax层和乘积层；聚合模块包含维度转换层、softmax层、三维卷积层和乘积层；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，将第一医学影像裁切为若干子块后作为输入，将第二医学影像裁切为若干子块后作为学习目标，训练神经网络模型；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，将若干子块送入神经网络模型，获取神经网络模型输出的若干子块的分割结果，将分割结果拼接为第四医学影像。

可选地，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；将医学影像数据归一化到均值为0、方差为1的分布中。

可选地，3D-Unet网络模块的上采样层和下采样层的数量均为5；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；3D-Unet网络模块的输出为特征图m_base和粗分割预测图p_coarse。

可选地，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。