[發明專利]一種醫學圖像分割方法、裝置、存儲介質及電子設備

在審

• 申請號: 202210022075.4
• 申請日: 2022-01-10
• 公開（公告）號: CN114359248A
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 張雨萌;黃乾富
• 申請（專利權）人: 海杰亞（北京）醫療器械有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/194;G06N3/04;G06N3/08
• 代理公司: 北京聿宏知識產權代理有限公司 11372
• 代理人: 胡曉男;吳昊

本發明提供了一種醫學圖像分割方法、裝置、存儲介質及電子設備。一種醫學圖像分割方法，包括：獲取待分割醫學圖像；利用已訓練的圖像分割模型對所述待分割醫學圖像進行分割，分別得到目標臟器與背景的第一分割結果及目標臟器病灶與背景的第二分割結果，并將所述第一分割結果和所述第二分割結果疊加并進行特征融合，得到背景、目標臟器和目標臟器病灶的第三分割結果。本發明在一個神經網絡框架中融合了兩種不同的神經網絡結構分別對臟器及病灶進行分割，并將兩種神經網絡結構的分割結果進行融合，得到最終的整體分割結果，解決了臟器與臟器內病灶大小不均勻導致的圖像分割問題。

技術領域

本發明涉及圖像分割技術領域，尤其涉及一種醫學圖像分割方法、裝置、存儲介質及電子設備。

背景技術

近年來，微創手術的飛速發展為耐受性較差的患者帶來了希望。隨著人工智能科技的進步，在多模態冷熱消融領域，用戶對消融針自動規劃系統的需求也越來越大。由于消融針的自動規劃依賴人體器官的三維重建，而三維重建的基礎是對每張CT圖像的肝臟及其病灶區域進行準確定位，因此要想實現消融針精確和快速的自動規劃，就需要對每張CT圖像的肝臟及病灶區域進行精確分割。

2015年，Ronneberger等人提出了U型神經網絡(U-Net)這一概念，這使得深度學習在醫學影像分割中有了突破性的進展。然而傳統的U型神經網絡在只含有肝臟的CT切片上表現較好，當不含有肝臟的CT切片也一并輸入神經網絡中訓練時，傳統U型神經網絡的效果會變得極差，甚至連肝臟都無法正確分割，在訓練到8000次左右時，傳統U型神經網絡會出現梯度消失的問題，直接導致模型崩潰。后來人們以U型神經網絡結構為基礎，提出各種各樣的神經網絡模型用于醫學圖像的分割，然而使用單一的U型或改進的U型神經網絡，不能很好地分割肝臟及肝臟病灶區域，這主要是背景區域、肝臟區域和病灶區域大小不均衡導致的，因此有必要提出了一種新的技術方案來解決臟器與臟器內病灶大小不均勻導致的圖像分割問題。

發明內容

為了解決臟器與臟器內病灶大小不均勻導致的圖像分割問題，本發明提供一種醫學圖像分割方法、裝置、存儲介質及電子設備。

第一方面，本發明實施例提供一種醫學圖像分割方法，包括：

獲取待分割醫學圖像；

利用已訓練的圖像分割模型對所述待分割醫學圖像進行分割，分別得到目標臟器與背景的第一分割結果及目標臟器病灶與背景的第二分割結果，并將所述第一分割結果和所述第二分割結果疊加并進行特征融合，得到背景、目標臟器和目標臟器病灶的第三分割結果；

其中，所述圖像分割模型包括：輸入為所述待分割醫學圖像、輸出為第一分割結果的第一神經網絡模型，以及輸入為所述待分割醫學圖像、輸出為第二分割結果的第二神經網絡模型。

在一些實施方式中，所述第一神經網絡模型包括將U-Net模型的卷積層替換為殘差神經網絡模塊且跳躍連接部分插入殘差神經網絡模塊所形成的第一Res-UNet Plus模型。

在一些實施方式中，所述第二神經網絡模型包括跳躍連接的第二Res-UNetPlus模型和第三Res-UNet Plus模型，所述第一Res-UNet Plus模型的部分特征圖跳躍連接至所述第二Res-UNet Plus模型和所述第三Res-UNet Plus模型；

其中，所述第二Res-UNet Plus模型和所述第三Res-UNet Plus模型是將U-Net模型的卷積層替換為殘差神經網絡模塊且跳躍連接部分插入殘差神經網絡模塊所形成的模型；所述第二Res-UNet Plus模型和所述第三Res-UNet Plus模型的池化層小于4個。

在一些實施方式中，所述第一Res-UNet Plus模型中的下采樣部分的淺層特征圖跳躍連接至所述第二Res-UNet Plus模型的池化層，所述第一Res-UNet Plus模型中的上采樣部分的深層特征圖跳躍連接至所述第三Res-UNet Plus模型的反卷積層。