[發(fā)明專利]一種醫(yī)學(xué)圖像分割方法、系統(tǒng)及電子裝置

在審

• 申請?zhí)枺?/td>: 202310112134.1
• 申請日: 2023-02-14
• 公開（公告）號: CN116228792A
• 公開（公告）日: 2023-06-06
• 發(fā)明（設(shè)計）人: 鄭健;汪子宇;劉德森;曹玉柱;朱峰;陸文強(qiáng);宋洪
• 申請（專利權(quán)）人: 中國科學(xué)院蘇州生物醫(yī)學(xué)工程技術(shù)研究所;蘇州九龍醫(yī)院股份有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/00;G06N3/048;G06V10/80;G06V10/82
• 代理公司: 北京遠(yuǎn)大卓悅知識產(chǎn)權(quán)代理有限公司 11369
• 代理人: 徐晨

本發(fā)明公開了一種醫(yī)學(xué)圖像分割方法，屬于醫(yī)學(xué)圖像處理領(lǐng)域，通過數(shù)據(jù)集預(yù)處理、建立U型基線分割網(wǎng)絡(luò)、構(gòu)建管狀特征提取模塊、構(gòu)建多尺度信息融合模塊、構(gòu)建邊界引導(dǎo)模塊和空間坐標(biāo)信息特征、構(gòu)建自注意力蒸餾模塊、建立管狀器官分割網(wǎng)絡(luò)、分割網(wǎng)絡(luò)自動分割出病灶等步驟，提升網(wǎng)絡(luò)對管狀器官的末端精細(xì)分支的分割性能，學(xué)習(xí)到圖像全局尺度和局部尺度的上下文信息，充分利用氣管、肺血管區(qū)域的邊界信息和空間位置信息來引導(dǎo)網(wǎng)絡(luò)更加關(guān)注待分割目標(biāo)的邊界區(qū)域，提升網(wǎng)絡(luò)的分割準(zhǔn)確度。本發(fā)明還涉及實(shí)施上述醫(yī)學(xué)圖像分割方法的系統(tǒng)以及電子裝置。

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)學(xué)圖像處理領(lǐng)域，尤其是涉及醫(yī)學(xué)圖像分割方法、系統(tǒng)以及電子裝置。

背景技術(shù)

醫(yī)學(xué)圖像分割，是根據(jù)醫(yī)學(xué)圖像的某種相似性特征，將醫(yī)學(xué)圖像劃分為若干個互不相交的“連通”的區(qū)域的過程，是計算機(jī)輔助診斷的關(guān)鍵步驟，如胸部CT中氣管、肺血管的分割。氣管、肺血管的分割有助于觀察其形態(tài)學(xué)變化，以診斷支氣管狹窄、慢性阻塞性肺疾病、肺栓塞、動靜脈畸形等疾病，還能在支氣管鏡檢查和手術(shù)導(dǎo)航中發(fā)揮重要作用。

目前主流的氣管、肺血管分割技術(shù)大多采用基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法，盡管這些方法在多個公開數(shù)據(jù)集上取得了優(yōu)異的表現(xiàn)，但仍然存在以下挑戰(zhàn)：1、粗大管狀結(jié)構(gòu)和細(xì)微管狀結(jié)構(gòu)之間的體素強(qiáng)度分布存在差異。氣管和肺血管主支與背景強(qiáng)度對比明顯，但隨著管徑的減小和分叉的增多，管狀結(jié)構(gòu)和背景之間的強(qiáng)度差異越來越小，邊界越來越模糊。2、完整的氣管、肺血管樹的空間分布范圍廣，而氣管、肺血管管狀結(jié)構(gòu)的末端尺度較小，因此氣管、肺血管的分割需要網(wǎng)絡(luò)兼顧全局尺度和局部尺度的上下文信息。3、卷積神經(jīng)網(wǎng)絡(luò)主要基于圖像的體素強(qiáng)度來提取特征，但對空間結(jié)構(gòu)信息(如邊界信息、空間坐標(biāo)位置信息)利用不充分。針對以上挑戰(zhàn)，研究一種分割精確、應(yīng)用廣泛的醫(yī)學(xué)圖像分割算法進(jìn)行氣管、肺血管的分割具有重要意義。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的之一在于提供一種分割精確、應(yīng)用廣泛的醫(yī)學(xué)圖像分割方法進(jìn)行氣管、肺血管的分割。

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的之二在于提供一種分割精確、應(yīng)用廣泛的醫(yī)學(xué)圖像分割系統(tǒng)進(jìn)行氣管、肺血管的分割。

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的之三在于提供一種分割精確、應(yīng)用廣泛的電子裝置，以便于進(jìn)行氣管、肺血管的分割。

本發(fā)明的目的之一采用如下技術(shù)方案實(shí)現(xiàn)：

一種醫(yī)學(xué)圖像分割方法，包括以下步驟：

數(shù)據(jù)集預(yù)處理：采集三維醫(yī)學(xué)圖像形成數(shù)據(jù)集，對數(shù)據(jù)進(jìn)行增強(qiáng)處理；

建立U型基線分割網(wǎng)絡(luò)：采用3D?U-Net作為分割的基線網(wǎng)絡(luò)，3D?U-Net網(wǎng)絡(luò)包括編碼階段以及解碼階段，編碼階段由三維卷積層、歸一化層、非線性激活函數(shù)ReLU以及最大池化層組成，采用四層分辨率結(jié)構(gòu)；

構(gòu)建管狀特征提取模塊：通過堆疊圖卷積層，使得圖中的節(jié)點(diǎn)能夠?qū)W習(xí)到與其直接相鄰的鄰域外的信息，讓網(wǎng)絡(luò)能夠從距離當(dāng)前體素較遠(yuǎn)但共享了特征信息的圖像區(qū)域里進(jìn)行學(xué)習(xí)；

構(gòu)建多尺度信息融合模塊：采用三個不同尺度的空洞卷積來擴(kuò)大感受野并獲得多尺度特征圖，采用特征重校準(zhǔn)層來自動獲取每個通道的權(quán)重，然后依據(jù)權(quán)重去提升有用的特征并抑制對當(dāng)前任務(wù)用處較小的特征；

構(gòu)建邊界引導(dǎo)模塊和空間坐標(biāo)信息特征：通過構(gòu)建邊界引導(dǎo)模塊和空間坐標(biāo)信息特征來充分利用管狀器官區(qū)域的邊界信息和空間位置信息從而引導(dǎo)網(wǎng)絡(luò)更加關(guān)注待分割目標(biāo)的邊界區(qū)域，提升網(wǎng)絡(luò)的分割準(zhǔn)確度；

構(gòu)建自注意力蒸餾模塊：通過構(gòu)建自注意力蒸餾模塊來充分獲取有價值的上下文信息，并在監(jiān)督信號不足的情況下探索利用自注意力蒸餾本身來充當(dāng)輔助學(xué)習(xí)任務(wù)，提供額外的監(jiān)督信號來輔助訓(xùn)練；

建立管狀器官分割網(wǎng)絡(luò)：在建立好的基線網(wǎng)絡(luò)上，插入管狀特征提取模塊、多尺度信息融合模塊、自注意力蒸餾模塊；