[发明专利]一种基于体位识别的AI结构勾画方法及系统

说明书

本发明公开了一种基于体位识别的AI结构勾画方法及系统，包括：构建用于识别矢状位图像的卷积神经网络；基于卷积神经网络，通过采集三维医学图像，获取矢状位图像；根据矢状位图像，识别体位以及体位对应的真实体位；构建用于AI结构勾画的全卷积神经网络；通过识别真实体位，获取体位对应的三维医学图像；基于结构，根据全卷积神经网络以及体位对应的三维医学图像，进行AI结构勾画，其中，结构用于表示医学图像中医生感兴趣的区域或者器官区域区域；本发明技术方案不仅可以简化对AI勾画模型的训练，还可以显著地提高结构勾画的精度，很好地解决严格区分左右或者上下的结构的勾画任务。

技术领域

本发明涉及数字医疗技术领域，具体而言，涉及一种基于体位识别的AI结构勾画方法及系统。

背景技术

在临床或者科研中，医生会在医学图像上标记出感兴趣的结构区域，以便对该结构进行下一步的分析研究。而AI结构勾画方法是基于全卷积神经网络(如U-net)方法，将医学图像输入到神经网络中，预测出医学图像中每个像素点属于各结构的概率，最后选择概率最大的结构作为该像素的类别。由于医学图像的体位有8种，通常体位HFS在医学图像中比较常见，因此一般都是以基于HFS的图像作为样本训练AI模型，这使得在实际使用中遇到其余7种体位时AI模型的勾画精度会变得很差。对于严格区分左右的结构(如左右眼球、左右腮腺等)而言，这种训练方法会导致AI模型在勾画此类结构时容易出现很严重的偏差，例如AI模型在训练中会遇到左眼球会出现在图像的左侧或者右侧，导致最终预测会将右眼球的一部分也是识别成左眼球，因此，急需一种基于体位识别的AI结构勾画方法及系统，用来解决现有技术中存在的技术问题。

发明内容

为了解决上述问题，本发明的目的是提供一种基于体位识别的AI结构勾画方法及系统，用于解决AI模型在体位未知的医学图像中识别严格区分左右或者上下的结构的问题。

为了实现上述技术目的，本申请提供了一种基于体位识别的AI结构勾画方法，包括以下步骤：

构建用于识别矢状位图像的卷积神经网络；

基于卷积神经网络，通过采集三维医学图像，获取矢状位图像；

根据矢状位图像，识别体位以及体位对应的真实体位；

构建用于AI结构勾画的全卷积神经网络；

通过识别真实体位，获取体位对应的三维医学图像；

基于结构，根据全卷积神经网络以及体位对应的三维医学图像，进行AI结构勾画，其中，结构用于表示医学图像中医生感兴趣的区域或者器官区域。

优选地，在构建卷积神经网络的过程中，卷积神经网络包括vgg16，resnet18中的一种或多种组合。

优选地，在采集三维医学图像的过程中，三维医学图像包括8个体位为：HFS：头在前，仰卧；HFP：头在前，俯卧；FFS：脚在前，仰卧；FFP：脚在前，俯卧；HFDL：头在前，左侧卧；HFDR：头在前，右侧卧；FFDL：脚在前，左侧卧；FFDR：脚在前，右侧卧；

体位为HFS、HFP、FFS和FFP中的一种的三维医学图像的矢状位图像，用于表示过三维图像中心的x-z平面的图像；

体位为HFDL、HFDR、FFDL和FFDR中的一种的三维医学图像的矢状位图像，用于表示过三维图像中心的y-z平面的图像。

优选地，在获取矢状位图像的过程中，将三维医学图像的平面图像拷贝三份，形成三通道图像，经归一化像素值、调整图像尺寸预处理后，输入到卷积神经网络中，预测该图像是矢状位的概率，并根据预测结果，生成矢状位图像。

优选地，在识别体位和真实体位的过程中，如果矢状位图像是过三维图像中心的x-z平面的图像，则真实体位为识别的体位；如果矢状位图像是过三维图像中心的y-z平面的图像，则，