[發明專利]三維圖像的碎骨分割方法、裝置、計算機設備及存儲介質

有效

• 申請號: 202011161212.X
• 申請日: 2020-10-27
• 公開（公告）號: CN112241955B
• 公開（公告）日: 2023-08-25
• 發明（設計）人: 洪振厚;王健宗;瞿曉陽
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V20/70;G06V20/64;G06V10/80;G06V10/764;G06V10/82;G06T7/00;G06N3/0464
• 代理公司: 北京英特普羅知識產權代理有限公司 11015
• 代理人: 程超

本發明公開了三維圖像的碎骨分割方法、裝置、計算機設備及存儲介質，屬于智能醫療領域。本發明的三維圖像的碎骨分割方法以三維的立體圖像作為輸入，通過分割模型中的特征提取模塊對待分割三維圖像進行特征提取獲取基礎特征圖，考慮了立體圖像中組織的相關性；通過中間模塊對基礎特征圖進行特征提取以得到與原始的待分割三維圖像尺寸一樣的分割圖，利用分割模塊將分割圖與基礎特征圖融合，進而獲取三維碎骨分割結果，節省了分割時間，提升了分割的精度及效率。

技術領域

本發明涉及智能醫療領域，尤其涉及三維圖像的碎骨分割方法、裝置、計算機設備及存儲介質。

背景技術

骨折是一類常見疾病，比較嚴重的骨折經常會出現碎骨，在手術處理過程中如果遺漏碎骨可能會導致嚴重后果。現有傳統分割方法主要是通過人為的主觀意識理解圖像，從而提取特定的特征信息，如：灰度信息、紋理信息及對稱信息等實現碎骨的分割，然而該分割方法只針對特定圖像有比較好的分割結果，但存在分割結果過于粗糙且分割效率較低的問題。隨著人工智能尤其深度學習的出現為碎骨的自動分割提供了新的方向，傳統的碎骨分割方法逐步被基于機器學習的方式取代。其中，卷積神經網絡作為有監督學習的代表，能夠直接從數據中學習特征表示，通過逐層特征提取，將圖像從簡單的邊緣、角點等底層特征，逐層組合形成更加抽象的高層次特征，在圖像識別領域取得了顯著效果，已被廣泛地應用于醫學圖像處理。目前主流的機器分割方法主要是基于組織切片對MRI圖像進行分割，存在無法體現組織的空間相關性，而且分割效率低的問題。

發明內容

針對現有碎骨分割方法無法考慮組織的空間相關性的問題，現提供一種旨在可考慮組織的空間相關性的三維圖像的碎骨分割方法、裝置、計算機設備及存儲介質。

為實現上述目的，本發明提供一種三維圖像的碎骨分割方法，包括：

獲取待分割三維圖像；

采用分割模型對所述待分割三維圖像進行識別獲取三維碎骨分割結果；

采用分割模型對所述待分割三維圖像進行識別獲取三維碎骨分割結果包括：

對所述待分割三維圖像進行特征提取獲取基礎特征圖；

對所述基礎特征圖進行特征提取獲取分割圖；

將所述分割圖與所述基礎特征圖融合，生成所述三維碎骨分割結果。

可選的，對所述待分割三維圖像進行特征提取獲取基礎特征圖，包括：

通過對所述待分割三維圖像進行卷積得到第一特征結果；

對第一特征結果進行下采樣以得到第一采樣結果；

將所述第一采樣結果與所述第一特征結果逐元素相加后再進行卷積，以得到第二特征結果；

對所述第二特征結果進行下采樣以得到第二采樣結果；

將所述第二采樣結果與所述第二特征結果逐元素相加再進行卷積，以得到第三特征結果；

對所述第三特征結果進行下采樣以得到第三采樣結果；

將所述第三采樣結果與所述第三特征結果逐元素相加再進行卷積，以得到第四特征結果；

將所述第四特征結果進行下采樣以得到第四采樣結果；

將所述第四采樣結果與所述第四特征結果逐元素相加再進行卷積，以得到所述基礎特征圖。

可選的，對所述基礎特征圖進行特征提取獲取分割圖，包括：

對所述基礎特征圖進行上采樣，以得到第一分割結果；

將所述第一分割結果與所述第四特征結果進行融合、解碼及上采樣，以得到第二分割結果；