一种基于深度学习的腹部肌肉标注方法及装置制造方法及图纸

本发明专利技术涉及一种基于深度学习的腹部肌肉标注方法及装置。所述方法包括以下步骤：收集包含第三腰椎的腹部CT影像数据；标注第三腰椎位置及肌肉群位置，四个肌肉群区域分别标记为1、2、3、4，其他区域标记为0，生成与原始CT影像对应的标签影像，标签影像中每个像素的值为{0,1,2,3,4}中的一个；利用已标注的CT影像训练分割模型，所述分割模型实现将CT影像中的像素分为5类，分别对应第二步中的标签0、1、2、3、4；分割肌肉群，得到影像中每个像素位置对应的标签预测；基于肌肉群分割结果，计算肌肉面积及肌肉的影像组学特征。所述装置包括实现所述方法的相关模块。利用本发明专利技术可简便、快捷、准确地提取与营养评估相关的参数。

A Method and Device for Abdominal Muscle Labeling Based on Deep Learning

The invention relates to a method and device for abdominal muscle marking based on deep learning. The method includes the following steps: collecting abdominal CT image data including the third lumbar spine; labeling the position of the third lumbar spine and muscle group, four muscle group regions labeled as 1, 2, 3, 4, and other regions labeled as 0, generating label images corresponding to the original CT image, the value of each pixel in the label image is one of {0, 1, 2, 3, 4}; using labeled CT image training points. The segmentation model divides the pixels in CT images into five categories, corresponding to the labels 0, 1, 2, 3 and 4 in the second step; segmentes the muscle groups and gets the label prediction corresponding to each pixel position in the image; and calculates the muscle area and muscle image histology characteristics based on the muscle group segmentation results. The device includes relevant modules for implementing the method. The method can extract parameters related to nutrition assessment simply, quickly and accurately.

【技术实现步骤摘要】
一种基于深度学习的腹部肌肉标注方法及装置
本专利技术涉及医学图像处理及人工智能
，具体地说，涉及一种基于深度学习的腹部肌肉标注方法及系统。
技术介绍
腹部第三腰椎平面的肌肉状态是衡量人营养状况的重要指标，腹部CT检查是获取腹部肌肉图像，进而分析其营养状况的主要手段。在检查过程中，需要在CT图像中勾画出腹部第三腰椎平面的肌肉区域，进而计算相关参数，对营养状况进行判断。目前常规方法是医生对该区域进行人工勾画，进而计算相关参数(常用参数包括肌肉面积，长宽等)。虽然常规方法可以得到精确肌肉区域以及参数，然而为医生日常工作带来较大负担，因此有必要提供一种智能化的腹部肌肉参数获取方法。近年来，深度学习成为计算机科学与工程的研究热点之一，被广泛应用于包括医学图像处理的各个领域，如肺结节定位与分割，乳腺钼靶图像分类，脑部胶质瘤良恶性判定等。例如专利文献CN108446730A，公开日2018.08.24，公开了一种基于深度学习的CT肺结节检测方法，该方法包括以下步骤：S1：获取用户的3D肺部CT序列影像；S2：将获取的3D肺部CT序列影像处理为2D图像数据；S3：将2D图像数据输入至预设的深度本文档来自技高网...

【技术保护点】
1.一种基于深度学习的腹部肌肉标注方法，其特征在于，包括以下步骤：第一步：收集数据收集包含第三腰椎的腹部CT影像数据；第二步：标注数据标注第一步收集的包含第三腰椎的腹部CT影像的第三腰椎位置及肌肉群，其中：标注第三腰椎位置即标注第三腰椎的起始CT页面编号；标注肌肉群即标注肌肉群位置并生成标签影像，具体地，将第一肌肉群、第二肌肉群、第三肌肉群、第四肌肉群分别标记为数字标签1、2、3、4，其他区域标记为数字标签0，基于这些数字标签生成与原始的所述包含第三腰椎的腹部CT影像对应的标签影像，所述标签影像中每个像素位置对应原始的所述包含第三腰椎的腹部CT影像中的同一位置，每个像素的值为{0,1,2,3,...

【技术特征摘要】
1.一种基于深度学习的腹部肌肉标注方法，其特征在于，包括以下步骤：第一步：收集数据收集包含第三腰椎的腹部CT影像数据；第二步：标注数据标注第一步收集的包含第三腰椎的腹部CT影像的第三腰椎位置及肌肉群，其中：标注第三腰椎位置即标注第三腰椎的起始CT页面编号；标注肌肉群即标注肌肉群位置并生成标签影像，具体地，将第一肌肉群、第二肌肉群、第三肌肉群、第四肌肉群分别标记为数字标签1、2、3、4，其他区域标记为数字标签0，基于这些数字标签生成与原始的所述包含第三腰椎的腹部CT影像对应的标签影像，所述标签影像中每个像素位置对应原始的所述包含第三腰椎的腹部CT影像中的同一位置，每个像素的值为{0,1,2,3,4}中的一个；所述第一肌肉群是由腹直肌、腹外斜肌、腹横肌、腹内斜肌组成的肌肉群，所述第二肌肉群是由图像左侧腰大肌、图像左侧腰小肌、图像左侧腰方肌组成的肌肉群，所述第三肌肉群是由图像右侧腰大肌、图像右侧腰小肌、图像右侧腰方肌组成的肌肉群，所述第四肌肉群是竖脊肌肌肉群；第三步，训练分割模型利用已标注的包含第三腰椎的腹部CT影像训练基于深度神经网络的分割模型，所述分割模型实现将已标注的包含第三腰椎的腹部CT影像中的像素分为5类，分别对应第二步中的数字标签0、1、2、3、4；第四步，分割肌肉群运用第三步中训练得到的分割模型，分割腹部CT影像中的第三腰椎影像，得到所述腹部CT影像中的第三腰椎影像中每个像素位置对应的标签预测；第五步，提取参数基于分割模型划分的腹部肌肉群区域，计算肌肉面积及肌肉的影像组学特征：肌肉面积的计算方法为：a＝w*h*n，其中a为肌肉面积，w和h分别为所述腹部CT影像中的第三腰椎影像中每个像素对应的现实世界长度及宽度，n为肌肉区域的像素个数；所述肌肉的影像组学特征包括肌肉的长宽，所述肌肉的长宽定义为肌肉区域的最小矩形包围盒的长宽。2.根据权利要求1所述的基于深度学习的腹部肌肉标注方法，其特征在于，所述第二步中，所述标注肌肉群具体采用一种基于多个子区域模板的腹部肌肉标注方法，包括以下步骤：S1.构建标准的腹部肌肉标注数据库：收集N个个体的第三腰椎中部的CT切片图像，定义腹部肌肉的四个子区域，将第一肌肉群、第二肌肉群、第三肌肉群、第四肌肉群分别标注为数字标签1、2、3、4，构建标准的腹部肌肉标注数据库，所述标准的腹部肌肉标注数据库包括三大类信息：CT图像数据、标注的区域模板以及对应的区域编号r，其中r取值范围为{1，2，3，4}；S2.根据所述标准的腹部肌肉标注数据库生成腹部肌肉形状模板库，具体包括以下步骤：S21.对每个所述第三腰椎中部的CT切片图像进行预处理，所述预处理包括图像平滑预处理、感兴趣区域筛选以及医学图像矩阵归一化；S22.腹部肌肉子区域提取，即针对腹部肌肉的四个子区域，分别提取特征，并用向量表示，具体为：首先，在预处理后的图像中提取当前感兴趣子区域范围，同时将图像中其他区域像素值置为0；接着，将图像按照当前子区域范围进行切割，仅保留当前子区域范围；最后，将切割好的子区域在图像横轴上的范围进行大小归一化，使得所有切割好的子区域在图像横轴上的范围相同；S23.生成形状模板库，具体为：首先，按照切割好的子区域在图像纵轴上的范围，将子区域进行聚类，将大小相似的子区域归为一类；接着，基于归为同一类型的子区域，生成平均模板；最后，收集所有平均模板，形成形状模板库；S3.基于所述标准的腹部肌肉标注数据库和所述形状模板库对所述包含第三腰椎的腹部CT影像中的腹部肌肉进行自动分割与标注；S4.结果查看及修正。3.根据权利要求1所述的基于深度学习的腹部肌肉标注方法，其特征在于，所述第三步具体步骤如下：首先，对所述包含第...

【专利技术属性】
技术研发人员：刘迎迎，陈世耀，周继，
申请(专利权)人：复旦大学附属中山医院，复旦大学，
类型：发明
国别省市：上海,31