一种医学图像中小器官的分割方法技术

一种医学图像中小器官的分割方法，包括以下步骤：(1)获取包含小器官的医学图像数据作为样本数据，经过预处理后标注标签，将标注后的样本数据分成训练集和测试集；(2)搭建分割模型，所述分割模型包括DRD模块和ESF模块，所述的DRD模块用于实现小器官的目标检测和动态区域选择，所述ESF模块用于实现对动态区域的精细分割和三维特征融合；(3)使用训练集对分割模型进行训练，根据模型预测结果与标签的重合度对网络的参数进行调节，直至模型收敛；(4)将需要分割的医学图像输入训练好的模型中，输出最终的分割结果。利用本发明专利技术的模型，可以准确分割出小器官，且该模型具有较高的计算效率。

A Method for Segmenting Small Organs in Medical Images

A method for small organ segmentation in medical images includes the following steps: (1) obtaining medical image data containing small organs as sample data, labeling the labeled sample data after pretreatment, and dividing the labeled sample data into training set and test set; (2) building a segmentation model, which includes DRD module and ESF module, and the DRD module is used for target detection of small organs. Measuring and dynamic region selection, the ESF module is used to achieve fine segmentation and three-dimensional feature fusion of the dynamic region; (3) training the segmentation model with training set, adjusting the network parameters according to the coincidence degree of model prediction results and labels until the model converges; (4) input the medical image which needs to be segmented into the trained model and output the final segmentation results. By using the model of the invention, small organs can be accurately segmented, and the model has high computational efficiency.

【技术实现步骤摘要】
一种医学图像中小器官的分割方法
本专利技术属于医学人工智能领域，尤其是涉及一种医学图像中小器官的分割方法。
技术介绍
随着医疗需求的不断增长，计算机辅助诊疗(CAD)应运而生，在过去的十多年间引起了越来越多的关注，其中一个重要前提是系统对于医疗数据的智能化分析，比如CT和MRI扫描。在医学影像分析领域，器官的分割是重要的研究方向之一，但是相比于类似于肺部、肾脏、胃等大器官的分割，小器官(指除掉大器官之外的其他器官，胰腺、肾上腺、十二指肠等)的分割任务更为困难，目前所取得的效果也不尽如人意。其原因一方面在于：腹部扫描CT图像中，被分割目标一般只占据一小部分，并且人体的腹部结构复杂，腹部的脂肪及其他器官的状态会使得小器官边界的对比度变化较大，使用常用的一些深度神经网络方案过程中，这类目标经常会与背景区域中其他器官混淆，从而导致分割效果较差；另一方面，小器官的形状、大小和位置在人体的腹部可能会有比较大的变化。此外，对于器官的分割任务需要处理的是三维数据，目前出现了两大类解决方案，一类是从三个正交平面训练二维网络并融合分割结果。如公开号为CN105389813A公开了一种医学图像中器官的识别方法及分割方法，包括：获取待处理的医学图像，将所述医学图像分别在X、Y和Z轴方向拆分成若干二维图像，并根据目标器官的大小设定检测窗口；利用所述检测窗口按照设定的检测步长分别对所述二维图像进行遍历检测，获取在X、Y和Z轴方向的检测结果；将所述结果进行融合，保留在X、Y和Z轴三个方向上都检测为阳性的像素点，从而确定所述目标器官边界。该方法能够从单个平面获得较好的分割结果，但是在空间特征方面表现较差。另一类是直接构建网络结构。该方法在空间特征表现较好，但是分割结果不稳定，而且计算成本较高。因此，针对人体腹部CT扫描图像中的小器官进行分割的任务，目前尚未有比较好的分割模型提出。
技术实现思路
本专利技术提供了一种医学图像中小器官的分割方法，可以使小器官分割达到较高的准确度。一种医学图像中小器官的分割方法，包括以下步骤：(1)获取包含小器官的医学图像数据作为样本数据，经过预处理后标注标签，将标注后的样本数据分成训练集和测试集；(2)搭建分割模型，所述分割模型包括DRD模块和ESF模块，所述的DRD模块用于实现小器官的目标检测和动态区域选择，所述ESF模块用于实现对动态区域的精细分割和三维特征融合；(3)使用训练集对分割模型进行训练，根据模型预测结果与标签的重合度对网络的参数进行调节，直至模型收敛；(4)将需要分割的医学图像输入训练好的模型中，输出最终的分割结果。步骤(1)中，所述的预处理包括图像数据清洗和切割，将无效的图像数据剔除，将有效图像数据处理成相同大小的尺寸。本专利技术中的使用的医学图像为CT图像，也可以为其它扫描图像。通常情况下，医院扫描得到的腹部扫描CT图像数据以DCM格式进行存储，每个DCM存储一个个体扫描数据的一个片层，多个片层组合成一组三维数据样本，其中每个个体的片层数不确定，即每个样本所包含的DCM文件数不同，每个片层的尺寸大小一致。在实际应用中，这些DCM数据中可能会混杂几个vvi文件，无法作为输入进行训练，影响数据读取过程，因此在(1-1)中进行预处理时，主要针对此类问题进行处理。由于所述腹部扫描CT图像中各个目标的位置、方向、大小是具有人体组成的客观规律的，因此，不选择对数据进行平移、反转、镜像、旋转等数据增强处理。为了提升模型性能的稳定性，选用k折交叉验证方法，通过将数据集进行分组，从而对k个不同分组训练的结果进行平均来减少方差，降低模型的性能对数据的划分的敏感性。k折交叉验证方法的具体过程如下：(1-1)不重复抽样将样本数据随机分为k份，每份数据样本数量相等或相接近；(1-2)每一次挑选其中1份作为测试集，剩余k-1份作为训练集用于模型训练，重复k次，制作k组不同的训练集和测试集组。这样每个子集都有一次机会作为测试集，其余机会作为训练集。步骤(2)中，所述的DRD模块包括具有压缩功能的卷积块、实现动态区域检测的PMask-RCNN网络和RAmap处理模块。所述DRD模块的运算方法如下：(2-1-1)将三维图像数据输入具有压缩功能的卷积块进行压缩；(2-1-2)将压缩后的图像输入PMask-RCNN网络进行目标识别，得到目标在压缩图像上的边界框BBX(BoundingBox)以及目标在三维图像上的位置对应图RAmap(RegionAttentionmap)，即达到位置放大效果；(2-1-3)RAmap处理模块结合RAmap和BBX将原三维图像切割得到BBX-C并输出，作为ESF模块的输入。RAmap和输入图像具有相同大小的尺寸，用来表示经过网络处理后识别出的胰腺可能存在的位置，其中每个像素点的值代表该点如果被正确预测为胰腺相对于该点被正确放在BBX内部的比值，RAmap反映了某个区域对应的检测准确性。所述的ESF模块由两部分组成，并进行多次迭代执行，第一部分实现小器官精细分割，第二部分实现分割结果融合。具体的运算方法如下：(5-2-1)将DRD模块输出的BBX-C及其对应标签，从xyz三个方向分别读取二维数据作为输入；(5-2-2)分别搭建3个2D分割子模型和1个3D分割子模型，对xyz方向的2D数据和通过DRD模块得到的BBX-C数据进行精细分割，得到四组分割结果；其中，所述的2D分割子模型为P-FCN模型，所述的3D分割子模型为3DPU-net分割模型；(5-2-3)四组分割结果通过FFN(FourFusionNet)网络进行融合，得到融合结果输出。步骤(3)中，所述模型的具体训练过程为：(3-1)输入一组训练集，经过DRD模块和ESF模块运算后，ESF模块输出融合结果；(3-2)将融合结果与ESF模块输入图像对应的标签进行对比，运用DSC(Dice-coefficient)函数计算当前模型的损失，并回传到DRD模块中，对所述RAmap进行更新；(3-3)当达到设定的DSC阈值或达到指定迭代次数时，所述ESF模块停止更新，输出结果；(3-4)使用上述方法依次输入剩余的训练集进行训练，直至模型收敛。每组训练集训练结束后，将该组的测试集输入模型，得到对应的分割结果，并按DSD中的对应位置拼接回原始图像大小，得到模型在测试数据集上的损失DSC；将所有测试集得到的损失值求平均值，作为模型的性能评估，从而寻找最优参数。本专利技术搭建了以DRD模块和ESF模块组成的动态区域检测小器官分割模型，利用DRD模块实现小器官目标检测和动态区域放大，利用ESF模块实现对放大区域完成精细化分割和三维特征融合。在训练过程中DRD模块所得到的RAmap为ESF模块进行进一步分割提供一个较小的动态区域选择，ESF模块迭代执行，每次执行过程中所得损失回传用来指导DRD模块的RAmap的调整。最终训练完成的模型对于小器官的分割具有较高的准确度。附图说明图1为本专利技术实施例中采用的十折交叉验证方法示意图；图2为本专利技术构建的分割模型的结构示意图；图3为DRD模块中PMask-RCNN网络的结构示意图；图4为ESF模块中ResNeXt网络的结构示意图；图5为本专利技术实施例的测试前后对比图，其中(a)为未进行标注和预测的图像数据，(b)为分割结果。具体本文档来自技高网...

【技术保护点】
1.一种医学图像中小器官的分割方法，其特征在于，包括以下步骤：(1)获取包含小器官的医学图像数据作为样本数据，经过预处理后标注标签，将标注后的样本数据分成训练集和测试集；(2)搭建分割模型，所述分割模型包括DRD模块和ESF模块，所述的DRD模块用于实现小器官的目标检测和动态区域选择，所述ESF模块用于实现对动态区域的精细分割和三维特征融合；(3)使用训练集对分割模型进行训练，根据模型预测结果与标签的重合度对网络的参数进行调节，直至模型收敛；(4)将需要分割的医学图像输入训练好的模型中，输出最终的分割结果。

【技术特征摘要】
1.一种医学图像中小器官的分割方法，其特征在于，包括以下步骤：(1)获取包含小器官的医学图像数据作为样本数据，经过预处理后标注标签，将标注后的样本数据分成训练集和测试集；(2)搭建分割模型，所述分割模型包括DRD模块和ESF模块，所述的DRD模块用于实现小器官的目标检测和动态区域选择，所述ESF模块用于实现对动态区域的精细分割和三维特征融合；(3)使用训练集对分割模型进行训练，根据模型预测结果与标签的重合度对网络的参数进行调节，直至模型收敛；(4)将需要分割的医学图像输入训练好的模型中，输出最终的分割结果。2.根据权利要求1所述的医学图像中小器官的分割方法，其特征在于，步骤(1)中，所述的预处理包括图像数据清洗和切割，将无效的图像数据剔除，将有效图像数据处理成相同大小的尺寸。3.根据权利要求1所述的医学图像中小器官的分割方法，其特征在于，步骤(1)中，所述标注后的样本数据通过k折交叉验证方法分成训练集和测试集，具体过程如下：(1-1)不重复抽样将样本数据随机分为k份，每份数据样本数量相等或相接近；(1-2)每一次挑选其中1份作为测试集，剩余k-1份作为训练集用于模型训练，重复k次，制作k组不同的训练集和测试集组。4.根据权利要求1所述的医学图像中小器官的分割方法，其特征在于，步骤(2)中，所述的DRD模块包括具有压缩功能的卷积块、实现动态区域检测的PMask-RCNN网络和RAmap处理模块。5.根据权利要求4所述的医学图像中小器官的分割方法，其特征在于，所述DRD模块的运算方法如下：(2-1-1)将三维图像数据输入具有压缩功能的卷积块进行压缩；(2-1-2)将压缩后的...

【专利技术属性】
技术研发人员：吴健，冯芮苇，王文哲，宋庆宇，雷璧闻，陈晋泰，陆逸飞，吴福理，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33