[發明專利]一種基于不確定性引導的交互式醫學圖像分割方法

有效

• 申請號: 202010541439.0
• 申請日: 2020-06-15
• 公開（公告）號: CN111798458B
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 王國泰;孫雪瑞;張少霆
• 申請（專利權）人: 電子科技大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/12;G16H30/20
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 陳一鑫

本發明公開了一種基于不確定性引導的交互式醫學圖像分割方法，涉及的是圖像處理領域，特別是醫學圖像分割技術領域。本發明首先建立一個包含金標準的訓練圖像集，然后使用一種分組卷積深度神經網絡進行訓練，對于一幅三維圖像可同時得到初始分割結果及其不確定性估計。在不確定性估計的基礎上，算法自動推薦需要操作者修正的切片，即不確定性程度最大的切片。在當前所推薦的切片中，人工提供交互信息后，采用交互式水平集對初始分割結果進行修正。本發明能克服傳統的交互式分割方法需要的人工交互多、交互效率低的問題，通過不確定性引導人工交互，在提高人工交互的效率的同時，能夠獲得精確的分割結果。

技術領域

本發明涉及的是圖像處理領域，特別是醫學圖像分割技術領域。

背景技術

隨著醫學影像技術的發展，各種醫學圖像，如X光圖像、計算機斷層圖像(ComputedTomography,CT)、磁共振圖像(Magnetic Resonance Image,MRI)、正電子發射型計算機斷層圖像(Positron Emission Computed Tomography，PET)、超聲圖像等，為現代醫學帶來了革命性的變化，在臨床診斷、治療和醫學研究中扮演著至關重要的角色。圖像分割技術，即從圖像中準確地提取出目標器官或結構，是眾多醫學圖像應用中的核心任務，例如放療靶區勾畫、手術規劃和導航、器官和病灶建模等。

目前大多數臨床場景中的醫學圖像分割都是由專業的醫師通過手工標記完成的。這對醫師來說是一項單調重復的工作，不僅需要消耗大量的時間，也需要醫師具有豐富的經驗。由于大多數醫學圖像特別是軟組織的圖像對比度低、存在噪聲和偽影、一些器官在不同病人之間具有很大的形狀變化、病變組織給圖像帶來的不一致的表觀等因素，對許多器官和病灶的準確自動分割非常困難。

為了克服這些問題，半自動的交互式分割方法在實際應用中使用最為廣泛，具有巨大的臨床需求。交互式分割利用了人工參與，將使用者的知識融入到特定的應用需求中，可以更有效地處理復雜的臨床圖像。一方面，它比手工分割更加高效；另一方面，它比自動分割具有更高的魯棒性。然而，如果需要的人工交互過多，則會大大增加使用者的工作量和時間消耗，降低了分割的效率。因此，一個好的交互式分割方法應當在需要的人工交互盡可能少的情況下，快速、智能地得到精確的分割結果。

現有的交互式醫學圖像分割方法主要分為三類：基于區域和邊緣的方法，基于能量最優化的方法和基于機器學習的方法。Rolf Adams等人提出的交互式區域生長算法需要人工提供一個或多個種子點作為初始分割區域，并不斷將其它與分割區域相鄰且灰度值相近的像素添加到分割區域中。西門子公司研究院提出一種基于隨機游走(Random Walks)的交互式分割方法，微軟劍橋研究院提出一種基于測地線距離(Geodesic Distance)的交互式分割方法，賓夕法尼亞大學開發的圖像分割軟件ITK-SNAP使用了人工引導的三維活動輪廓模型進行交互式分割，Yuri Y.Boykov提出了一種交互式圖割(Graph Cuts)的方法。由于這些方法仍然比較依賴于低層次的特征，因此在對比度較低的圖像中難以得到精確的分割結果，或者需要大量的人工交互進行修正。這些現有的方法普遍面臨需要的人工交互多、智能化程度較低的問題。

近年來，作為人工智能和機器學習領域的最前沿的方法，深度學習技術在醫學圖像分割領域取得了顯著的成果。然而這些方法主要用于圖像的自動分割場景，無法將人工交互融入到分割流程，以進行更加智能化的修正。最近出現了一些將深度學習與人工交互相結合的方法，但在三維圖像的分割場景中，這些方法需要人工對每一個二維切片進行仔細檢查，以發現并修改錯誤的分割部分。這樣的修正方法面臨效率低下的問題，因為對于大多數二維切片，深度學習已經能取得較好的分割效果，僅有少部分切片需要人工修正，如果算法系統可以自動推薦那些可能分割不夠準確的切片供操作者修正，則可大大提高分割的效率和準確性。

發明內容

本發明的目的在于克服現有醫學圖像交互式分割方法的缺陷而提出一種高精度、高效率的智能化醫學圖像的交互式分割方法。

本發明的目的可以通過以下技術方案來實現：