医学图像的自动分割方法、系统、设备及存储介质技术方案

本发明专利技术提供一种医学图像的自动分割方法和系统。该医学图像的自动分割方法包括：采用视觉注意模型获得待训练的医学图像的显著图，并用于训练深度学习神经网络的参数；通过视觉注意模型获得待分割的医学图像的显著图，并输入到训练好的深度学习神经网络中进行分割，得到初分割结果；把初分割结果用于构建统计形状模型的初始轮廓并且用于优化所述统计形状模型，以及采用优化的统计形状模型对待分割的医学图像进行分割。本发明专利技术将统计形状模型和深度学习模型结合起来，利用深度学习网络的初分割结果减少统计形状模型中匹配操作的计算量，从而实现了利用统计形状模型快速、准确地对三维医学图像进行分割。

【技术实现步骤摘要】
医学图像的自动分割方法、系统、设备及存储介质
本专利技术属于医学图像的计算机分析技术的应用领域，具体涉及一种医学图像的自动分割方法及系统。
技术介绍
近年来，随着医学诊断和影像技术的不断发展，医学图像的各种计算机辅助分析方法在预测疾病、介入治疗指导等方面得到了广泛的应用。心脏是人体最为重要器官，负责把血液运行至身体各个部分，心脏疾病直接影响到人的生死存亡。据统计心脏疾病是全球死亡率最高的疾病之一，给社会经济发展带来巨大的影响。为此，开展心脏病早期诊断与治疗的新技术研究，具有非常重要的社会意义与使用价值。在临床上，对心脏射血分数和心肌质量，以及其它功能参数(如室壁运动和壁厚)的评估，是心脏疾病早期诊断的重要手段之一。而这些功能参数指标的测量依赖于医学影像(如MR成像，CT成像和SPECT成像)中心脏在不同时间上的分割，即四维分割。医学图像的分割是将医学图像中具有特殊含义的不同区域分开的过程。随着成像设备时间和空间分辨率的大幅提高，海量的影像数据极大地增加了分割难度。另外，对于复杂的医学图像(例如心脏图像)，现有的分割方法容易受图像质量的影响，缺乏普适性和鲁棒性。因此，借助于信息处理技术本文档来自技高网...

【技术保护点】
1.一种医学图像的自动分割方法，包括：采用视觉注意模型获得待训练的医学图像的显著图；将待训练的医学图像的显著图输入深度学习神经网络中，以便训练深度学习神经网络的参数；通过所述视觉注意模型获得待分割的医学图像的显著图，并利用训练好的深度学习神经网络对待分割的医学图像的显著图进行分割，得到初分割结果；基于所述初分割结果来构建统计形状模型的初始轮廓和优化所述统计形状模型，以获得优化的统计形状模型；以及采用优化的统计形状模型对待分割的医学图像进行分割，得到该医学图像的轮廓。

【技术特征摘要】
1.一种医学图像的自动分割方法，包括：采用视觉注意模型获得待训练的医学图像的显著图；将待训练的医学图像的显著图输入深度学习神经网络中，以便训练深度学习神经网络的参数；通过所述视觉注意模型获得待分割的医学图像的显著图，并利用训练好的深度学习神经网络对待分割的医学图像的显著图进行分割，得到初分割结果；基于所述初分割结果来构建统计形状模型的初始轮廓和优化所述统计形状模型，以获得优化的统计形状模型；以及采用优化的统计形状模型对待分割的医学图像进行分割，得到该医学图像的轮廓。2.根据权利要求1所述的自动分割方法，其中，所述统计形状模型是三维活动形状模型，基于所述初分割结果来构建统计形状模型的初始轮廓和优化所述统计形状模型以获得优化的统计形状模型包括，基于所述初分割结果构建三维活动形状模型的初始形状和优化三维活动形状模型的图像强度模型。3.根据权利要求2所述的自动分割方法，其中，基于所述初分割结果构建三维活动形状模型的初始形状包括，根据所述初分割结果，通过点云配准把三维活动形状模型的平均形状变换成初始形状，以及基于所述初分割结果优化三维活动形状模型的图像强度模型包括，根据粗分割结果构建窄带，用于限制图像轮廓点的搜索区域，建立像素点和该像素点到所述窄带的距离之间的函数关系，并且根据该函数关系计算图像强度模型中的马氏距离。4.根据权利要求1所述的自动分割方法，其中，所述深度学习神经网络是深度卷积神经网络，将待训练的医学图像的显著图输入深度学习神经网络中以便训练深度学习神经网络的参数包括，根据手工标记的金标准与待分割的医学图像的显著图，采用所述深度卷积神经网络对所述显著图进行训练。5.根据权利要求1所述的自动分割方法，其中，采用视觉注意模型获得待训练的医学图像的显著图包括，在多个特征通道内分别提取视觉特征，所述视觉特征包括灰度、纹理和亮度中的至少一种，在所述多个特征通道内分别进行所述视觉特征的融合，以获得多幅特征显著图，以及把所述多幅特征显著图线性融合成待训练...

【专利技术属性】
技术研发人员：胡怀飞，刘海华，潘宁，李旭，高智勇，
申请(专利权)人：中南民族大学，
类型：发明
国别省市：湖北,42