[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

说明书

本发明公开了一种基于深度学习的HRCT图像听小骨自动分割方法，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；S2.获得病人在检测过程中的HRCT图像，对图像进行预处理；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；本方法通过应用深度学习技术可以对患者个体HRCT图像数据完成全自动听小骨分割，实现对听小骨的后处理重建，全过程无需人为操作，辅助疾病诊断，提高了工作效率，可以减少误诊及漏诊，具有工作效率高、可以有效减少误诊及漏诊的特点。

技术领域

本发明涉及医学影像处理技术领域，具体涉及一种基于深度学习的HRCT图像听小骨自动分割方法。

背景技术

头部CT检查一种常规头部疾病的筛查方法，其中听骨的检查在CT图像上尤为重要；目前需要借助医生的诊断经验定位和挖掘听骨在图像中的位置；由于听小骨具有体征小的特征，检查过程费时费力，在当前全民医疗的背景下给医生带来了巨大的压力与挑战；

听力障碍是常见的疾病，听骨链疾病是常见病因之一，听小骨结构的形态、位置、密度的改变都可能导致不同程度的听力障碍，给患者带来不便。听骨链位置深在，外面有鼓膜覆盖，临床医生很难通过物理手段观察，HRCT可以达到亚毫米的分辨率，是明确其病变部位、程度的重要工具之一，在评估听骨链发育畸形、外伤，颞骨肿瘤等疾病有及其重要的作用；

常规横轴位CT图像听骨链各部分不在同一平面，而听骨链结构微小，不能显示听骨链的完整结构，因而很难作出准确诊断，常需要进行CPR、MPR等后处理重建显示全貌，这个过程极度依赖放射医师经验，也非常耗时，大部分综合医院缺少耳鼻喉科放射医师，造成工作效率低下，甚至造成很多患者漏诊或者误诊。

发明内容

针对上述存在的问题，本发明旨在提供一种基于深度学习的HRCT图像听小骨自动分割方法，本方法通过应用深度学习技术可以对患者个体HRCT图像数据完成全自动听小骨分割，实现对听小骨的后处理重建，全过程无需人为操作，结果可靠，辅助疾病诊断，改变了放射科诊疗流程，提高了工作效率，可以减少误诊及漏诊，具有工作效率高、可以有效减少误诊及漏诊的特点。

为了实现上述目的，本发明所采用的技术方案如下：

一种基于深度学习的HRCT图像听小骨自动分割方法，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。

优选的，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。

优选的，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；