[发明专利]医学影像的预处理方法及其装置、计算机可读存储介质

说明书

本发明公开了一种医学影像的预处理方法及其装置、计算机可读存储介质。其中，该方法包括：获取目标对象的预定器官的二维影像序列；通过预定分割模型对二维影像序列中每一张二维影像切片按照预定器官的各个部位进行分割，得到分割后的二维影像序列；对分割后的二维影像序列进行拼接，得到预定器官的目标三维影像。本发明解决了相关技术中传统的基于深度学习的血管分割的方式都是在整个影像中进行分割，不仅分割效果较差，而且分割后的结果还需要人工去除分割结果中非目标血管的部分，导致血管分割效率较低的技术问题。

技术领域

本发明涉及医学影像处理技术领域，具体而言，涉及一种医学影像的预处理方法及其装置、计算机可读存储介质。

背景技术

从医疗影像(CT造影/核磁共振/超声影像等)中分割心脏器官各个部位十分重要。在临床中，对于心脏器官各个部位结构分析是理解心脏器官各个部位病变描述心脏器官各个部位疾病的必要环节。医学影像中心脏器官各个部位的分割对于心脏部位图像理解、图像分析、冠脉血管中心线提取、图像分割、模型重构有很高的研究价值。传统的基于深度学习的冠脉血管分割的方法都是在整个影像中进行分割的，分割效果较差，分割后的结果还需要人工去除分割结果中非冠脉血管的部分，比如，静脉血管等，建模难度较大、效率低。

图像语义分割算法的结果很大程度上取决于图像的特征提取方面，图像的特征提取的越充分，语义分割像素的争取率就会越高。目前主流的效果显著的图像语义分割算法的采样方式有3中，下面进行详细说明。

第一种为U-Net网络模型，U-Net网络模型采用将特征在通道维度拼接在一起，以更好的利用浅层特性图的信息。第二种为DeepLab系列网络模型，DeepLab系列网络模型采用了空洞卷积来提取图像特征，空洞卷积的使用增大了过滤器的感受野，使对特征的提取更加全面。第三种为特征金字塔模型，特征金字塔模型通过将深层特征信息与浅层信息结合以提高图像信息的提取效率。

但以上3种图像特征的采样方式都不能解决边界像素分类难的问题。由于医疗图像中血管分支多且杂乱，边界像素分类的准确性直接影响着整体图像的分割效果，而且对于贴近骨骼，组织，病变等的血管，由于像素流明接近，这些血管的边界特征不是特别明显，也加大了血管分割的难度。

针对上述相关技术中传统的基于深度学习的血管分割的方式都是在整个影像中进行分割，不仅分割效果较差，而且分割后的结果还需要人工去除分割结果中非目标血管的部分，导致血管分割效率较低的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种医学影像的预处理方法及其装置、计算机可读存储介质，以至少解决相关技术中传统的基于深度学习的血管分割的方式都是在整个影像中进行分割，不仅分割效果较差，而且分割后的结果还需要人工去除分割结果中非目标血管的部分，导致血管分割效率较低的技术问题。

根据本发明实施例的一个方面，提供了一种医学影像的预处理方法，包括：获取目标对象的预定器官的二维影像序列；通过预定分割模型对所述二维影像序列中每一张二维影像切片按照所述预定器官的各个部位进行分割，得到分割后的二维影像序列，其中，所述预定分割模型为使用多组训练数据通过机器学习训练得到的，所述多组训练数据中的每组训练数据均包括：历史二维影像切片、以及与所述历史二维影像切片对应的历史分割结果；对所述分割后的二维影像序列进行拼接，得到所述预定器官的目标三维影像。

可选地，获取目标对象的预定器官的二维影像序列，包括：获取所述预定器官的原始三维影像；对所述原始三维影像进行切片处理，得到多个二维影像切片；基于所述二维影像切片得到所述二维影像序列。

可选地，在通过预定分割模型对所述二维影像序列中每一张二维影像切片按照所述预定器官的各个部位进行分割之前，所述方法还包括：对所述二维影像序列中的每一个二维影像切片进行归一化处理。