[发明专利]一种基于深度学习的HRCT图像听小骨自动分割方法

权利要求书

1.一种基于深度学习的HRCT图像听小骨自动分割方法，其特征在于：包括步骤：

S1.首先筛选n例正常人听骨链HRCT图像数据，在图像上进行区域标注，作为模型训练的标准；

S2.获得病人在检测过程中的HRCT图像，对图像进行预处理，得到测试数据；

S3.将预处理后的左右位置听骨HRCT图像输入改进的U-net模型；

S4.利用U-net模型对听骨HRCT图像进行切片分割，并对切片分割后的图像数据进行测试和重新建模，完成对测试HRCT图像的重建。

2.根据权利要求1所述的一种基于深度学习的HRCT图像听小骨自动分割方法，其特征在于：步骤S1所述的标注过程包括：

S101.整理提取到的正常人听骨链HRCT图像数据，并编号形成n例听骨链HRCT图像数据序列；

S102.对序列中的n例正常人听骨链HRCT图像上的区域以坐标的形式进行标注，得到每张听骨链HRCT图像上区域的坐标为：

(x,y)，……，(x_N,y_N)；

其中，所述n不小于150。

3.根据权利要求1所述的一种基于深度学习的HRCT图像听小骨自动分割方法，其特征在于：步骤S2所述的预处理过程包括：

S201.利用阈值法分离出HRCT图像中的头部颅骨；

S202.保留分割的颅骨中最大的联通区域；

S203.根据分割出的颅骨边缘，由周边向内逐步进行图像裁剪；

S204.粗定位左右听骨的大致位置进行图像剪裁，得到预处理后的听骨链HRCT图像。

4.根据权利要求1所述的一种基于深度学习的HRCT图像听小骨自动分割方法，其特征在于：步骤S3所述的改进的U-net模型内嵌设有深度学习算法。

5.根据权利要求1所述的一种基于深度学习的HRCT图像听小骨自动分割方法，其特征在于：步骤S4所述的图像切割的具体过程包括：

S401.在得到清晰的HRCT图像的基础上，利用黄金分割算法计算二维CT图像上的等值点和法向量；

S402.然后利用等值面方向平滑算法计算出二维CT图像中每个三角面片法向矢量的均值，从而得到等值面的新矢量场，对所有三角面片在空间排列上进行方向平滑；

S403.绘制出二维HRCT图像中每个三角面片的三维显示结果，得到重建后的HRCT图像的三维模型。