[發(fā)明專利]一種頭頸部CT圖像中多器官自動分割方法

有效

• 申請?zhí)枺?/td>: 202010618803.9
• 申請日: 2020-06-30
• 公開（公告）號: CN111798463B
• 公開（公告）日: 2023-03-17
• 發(fā)明（設(shè)計）人: 王國泰;雷文輝;梅昊陳;張少霆
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/181;G16H20/40
• 代理公司: 電子科技大學(xué)專利中心 51203
• 代理人: 陳一鑫

本發(fā)明涉及的是一種頭頸部CT圖像中多器官自動分割方法，屬于醫(yī)學(xué)圖像分割技術(shù)領(lǐng)域。本發(fā)明首先使用分段線性函數(shù)對原始CT圖像進(jìn)行強度轉(zhuǎn)換。再通過在切片內(nèi)卷積與切片間卷積的基礎(chǔ)上搭建的空間可分離卷積神經(jīng)網(wǎng)絡(luò)，將轉(zhuǎn)換后圖像輸入網(wǎng)絡(luò)中，使用加權(quán)損失函數(shù)訓(xùn)練網(wǎng)絡(luò)直至收斂。最終加權(quán)組合多個子模型給出最終分割結(jié)果以及不確定性評估。本發(fā)明能克服用簡單線性強度轉(zhuǎn)換與使用標(biāo)準(zhǔn)三維卷積處理大間距圖像等方法的不足，更有效地處理不同大小、不同難以程度的器官。在對器官分割有較強魯棒性的同時，能夠給出對應(yīng)的像素級別和器官級別的不確定性估計。

技術(shù)領(lǐng)域

本發(fā)明涉及的是一種醫(yī)學(xué)圖像的自動分割技術(shù)，特別是三維醫(yī)學(xué)圖像中基于深度神經(jīng)網(wǎng)絡(luò)的多器官自動分割方法，屬于醫(yī)學(xué)圖像分割技術(shù)領(lǐng)域。

背景技術(shù)

鼻咽癌是指發(fā)生于鼻咽腔頂部和側(cè)壁的惡性腫瘤，是我國高發(fā)惡性腫瘤之一。鼻咽癌的發(fā)病率為耳鼻咽喉惡性腫瘤之首，放射治療是其最常用治療方法。為制定精確的放射治療計劃，放療醫(yī)師會在醫(yī)學(xué)圖像中勾畫出頭頸部多個器官的邊界以輔助放療計量的計算。

從醫(yī)學(xué)圖像中對多器官的精確分割是一個具有挑戰(zhàn)性的問題。由于醫(yī)學(xué)圖像比如CT圖像具有較低的軟組織對比度，不同毗鄰的器官具有相似的灰度值，邊界不易確定，不同器官具有較大的形狀差異和不同的大小范圍等因素，難以通過一個方法對所有器官取得較好的分割效果。盡管過去二十多年醫(yī)學(xué)圖像分割領(lǐng)域涌現(xiàn)了大量的算法，至今仍然缺乏一個普遍使用的規(guī)則能夠分割各種器官。

傳統(tǒng)的醫(yī)學(xué)圖像分割算法例如閾值法、區(qū)域增長算法、邊界檢測算法、活動輪廓模型、基于地圖集的方法、基于機器學(xué)習(xí)的方法等，由于依賴人工設(shè)計的特征，在進(jìn)行醫(yī)學(xué)圖像分割時容易出現(xiàn)欠分割和過分割。近年來，基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割方法越來越受到重視，由于其是一種數(shù)據(jù)驅(qū)動的學(xué)習(xí)方式，可進(jìn)行端到端訓(xùn)練，自動學(xué)習(xí)最佳特征，在醫(yī)學(xué)圖像分割中取得了較好的效果。

對目前所使用的深度學(xué)習(xí)模型進(jìn)行考察發(fā)現(xiàn)，盡管深度學(xué)習(xí)在醫(yī)學(xué)圖像分割中可以有效排除噪聲干擾，具有很強的魯棒性，對CT圖像中頭頸部多器官自動分割卻仍面臨許多挑戰(zhàn)。這里主要存在著三個問題：首先，由于CT圖像的成像特性，諸如腦干、腮腺等軟組織器官對比度較低。這使得區(qū)分這類器官的邊界較為困難。目前的工作大多未能較好處理這一問題，因為它們大多使用單個窗寬窗位的方式進(jìn)行灰度歸一化。這種簡單的灰度轉(zhuǎn)換方式難以同時保留多個器官的視覺信息。其次，頭頸部器官的CT圖像通常層間距較大，導(dǎo)致如視神經(jīng)這樣的小器官只占幾個切片。標(biāo)準(zhǔn)的三維卷積神經(jīng)網(wǎng)絡(luò)使用三維卷積來等同的處理x,y,z三個方向的信息，這忽略了層間距較大的事實并且限制了小器官的分割精度。第三，不同器官大小嚴(yán)重不平衡，使得分割模型在較大的器官可以取得較好的分割結(jié)果，但對小器官難以取得好的精度。現(xiàn)有的一些方法通過在損失函數(shù)中對較小器官進(jìn)行加權(quán)來緩解這種不平衡問題，但該處理方式是對較小或較難器官整體加權(quán)，導(dǎo)致容易忽略較大或較易分割器官中的難像素點。

在實際應(yīng)用場景中，器官分割的不確定性也很重要。對于放療計劃，放射治療師不僅關(guān)注分割的精度，同時也在意該結(jié)果的置信度。如果某部分的不確定性過高，那么醫(yī)師可能需要檢查該區(qū)域并給出修正。在頭頸部危及器官的CT勾畫中，由于器官與周邊組織的對比度較低，它們分割結(jié)果的置信度也同樣較低。這部分組織的不確定性信息能夠指導(dǎo)醫(yī)師修正預(yù)測結(jié)果。但目前的頭頸部多器官自動分割方法普遍缺失分割結(jié)果的不確定性信息。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有的CT圖像中多器官自動分割算法的不足,針對基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割方法中的問題，提出一種基于空間可分離卷積網(wǎng)絡(luò)與難區(qū)域加權(quán)模型的分割方法。使其對頭頸部多器官分割時，能在預(yù)處理階段保留多器官的邊界信息，對大間距圖像有更強的特征學(xué)習(xí)能力，針對難區(qū)域加權(quán)的損失函數(shù)可對各類器官取得更好效果，并通過加權(quán)組合多個子模型給出最終分割結(jié)果以及不確定性評估。