[發明專利]一種基于深度學習的醫學圖像三維自動分割方法

在審

• 申請號: 202210189197.2
• 申請日: 2022-02-28
• 公開（公告）號: CN114549805A
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 李晉國;孟平;李祎;孫哲;溫蜜;王亮亮;張凱
• 申請（專利權）人: 上海電力大學
• 主分類號: G06T19/20
• 分類號: G06T19/20;G06T15/30;G06T7/11;G06T7/00;G06N3/04;G06K9/62;G06V10/774;G06V10/82
• 代理公司: 上海德昭知識產權代理有限公司 31204
• 代理人: 陳龍梅

本發明公開了一種基于深度學習的醫學圖像三維自動分割方法，具有這樣的特征，包括以下步驟：步驟1，對于待實現自動分割的病灶或器官的病例，采集臨床影像數據，并對影像數據進行脫敏及規范化處理。步驟2，基于影像數據構建訓練集。步驟3，對訓練集進行預處理及數據增強，得到規范化的數據。步驟4，設置超參數，并將規范化的數據輸入到三維全自動分割網絡模型中進行訓練，得到訓練完成的分割模型。步驟5，采集影像數據作為測試樣本，經規范化處理后輸入訓練完成的分割模型。步驟6，由步驟4得到的分割模型實現全自動特征提取并輸出的病灶或器官的分割結果。

技術領域

本發明涉及計算機視覺領域和醫學圖像分析領域，具體涉及一種基于深度學習的醫學圖像三維自動分割方法。

背景技術

在醫學領域，為了滿足病情診斷、治療方案制定等需求，往往需要通過影像數據確定各內部器官的情況，因此醫學圖像是使人們能夠了解人體組織形態和病理變化的直觀介質，且針對人體組織器官的分割是醫學圖像分析和醫療診斷的關鍵步驟和前提，而這個過程大都需要由醫生完成，而判斷精度往往依賴于醫生的經驗及熟練度，并且往往也會由于醫生的精力限制及其他外界因素造成判斷精度的不穩定性，因此，為了輔助診斷，減少由于個體偏差和臨床經驗導致的誤判，現階段在醫學圖像分析領域引入了深度學習技術，基于深度學習的自動分割技術極大地促進了醫學分析領域的研究，也逐漸地應用到臨床實踐中，然而現今提出的醫學圖像分割算法大都是針對具體問題，同時也由于人體器官本身具有復雜的組織結構及個體的異構性，難以有一種通用且有效的方法能夠滿足不同問題和需求。

對于三維醫學圖像的分割技術大致可分為兩個方向，一是逐層處理，基于二維圖像實現自動分割，最后將各層的分割結果聚合，但此類方法沒有利用層間信息，分割區域可能出現斷層現象而非一個整體目標；二是將三維體數據作為整體輸入實現全自動分割，而此類方法往往面臨著較大的計算成本，基于裁剪分塊輸入的方式雖可解決顯存需求高的問題，但往往存在拼接失真問題，因此基于三維體數據的分割技術是醫學圖像分析中需要解決和優化的問題。

因此，需要設計一種能夠解決上述問題的三維自動分割方法。

發明內容

本發明是為了解決上述問題而進行的，目的在于提供一種基于深度學習的醫學圖像三維自動分割方法。

本發明提供了一種基于深度學習的醫學圖像三維自動分割方法，具有這樣的特征，包括以下步驟：步驟1，對于待實現自動分割的病灶或器官的病例，采集臨床影像數據，并對影像數據進行脫敏及規范化處理。步驟2，基于影像數據構建訓練集。步驟3，對訓練集進行預處理及數據增強，得到規范化的數據。步驟4，設置超參數，并將規范化的數據輸入到三維全自動分割網絡模型中進行訓練，得到訓練完成的分割模型。步驟5，采集影像數據作為測試樣本，經規范化處理后輸入訓練完成的分割模型。步驟6，由步驟4得到的分割模型實現全自動特征提取并輸出的病灶或器官的分割結果。

在本發明提供的基于深度學習的醫學圖像三維自動分割方法中，還可以具有這樣的特征：其中，步驟1中，影像數據包括：核磁共振影像MRI數據、計算機斷層影像CT以及正電子發射斷層影像PET。

在本發明提供的基于深度學習的醫學圖像三維自動分割方法中，還可以具有這樣的特征：其中，步驟2中，訓練集真值由專業放射科醫師逐層對所需分割目標進行標注，訓練集包含脫敏的腫瘤或器官原始影像及對腫瘤或器官的人工標注結果。

在本發明提供的基于深度學習的醫學圖像三維自動分割方法中，還可以具有這樣的特征：其中，步驟3中，預處理包含數據歸一化處理以及三維數據尺寸縮放，數據增強包含三維數據隨機裁剪、隨機水平翻轉以及隨機旋轉。

在本發明提供的基于深度學習的醫學圖像三維自動分割方法中，還可以具有這樣的特征：其中，步驟4中，超參數包括：學習率、批樣本數量、梯度下降法迭代的數量。