基于混合上下文CNN模型的医学图像分割制造技术

通过2D卷积神经网络(CNN)分割由多个解剖学图像形成的体积图像，每个解剖学图像具有不同成像模态的多个图像切片。通过在没有任何估计的图像切片的情况下结合来自两个相邻解剖学图像的所选择的图像切片来预处理单个解剖学图像以形成混合上下文图像。2D CNN利用关于多模态上下文的边信息和3D空间上下文来提高分割准确性，同时避免由于估计的图像切片中的伪像导致的分割性能降低。2D CNN通过具有从最高层级到最低层级的多个层级的BASKET‑NET模型来实现。层级的大多数多通道特征图中的通道数量从最高层级到最低层级单调减少，从而允许最高层级富含低层级特征细节，以帮助更精细地分割单个解剖学图像。

【技术实现步骤摘要】
【国外来华专利技术】基于混合上下文CNN模型的医学图像分割缩写词列表2D二维3D三维BN批标准化CNN卷积神经网络CT计算机断层扫描DSC戴斯相似性系数ELU指数线性单元FCN完全卷积神经网络FLAIR流体衰减反转恢复IR反转恢复MRI磁共振成像PET正电子发射断层扫描
本专利技术总体上涉及通过使用CNN(卷积神经网络)的自动图像分割。特别地，本专利技术涉及使用2D(二维)CNN来分割通过在医学应用中的不同成像模态下对受试者的身体部位进行成像而获得的体积图像。
技术介绍
将MRI(磁共振成像)考虑为用于说明一般医学成像所考虑的技术问题的示例。MRI广泛用于非侵入性地对受试者的身体部位成像的医疗应用。MRI的一个重要医学应用是对人脑进行成像以进行医学诊断，例如检测大脑中可能的肿瘤和表征阿尔茨海默病。在分析获得的MRI图像时，最经常需要将MRI图像分割成不同的类别或区域，例如脑中的灰质区域和白质区域。在对大脑进行成像时，通常生成体积图像，该体积图像是在大脑中本文档来自技高网...

【技术保护点】
1.一种计算机实现的方法，所述方法用于分割由在身体部位的连续位置的序列被成像的多个解剖学图像形成的体积图像，单个解剖学图像是多通道图像，所述多通道图像包括在多个预先选择的成像模态下在相同位置被成像的多个图像切片，所述方法包括：/n从所述多个解剖学图像生成多个混合上下文图像，其中，针对位置序列中除了其两个终端位置之外的所考虑位置生成的单个混合上下文图像是多通道图像，该多通道图像包括在所考虑位置被成像的对应的解剖学图像的多个图像切片、在第一位置被成像的一个或多个图像切片的第一集合和在第二位置被成像的一个或多个图像切片的第二集合，并且其中，所述第一位置和第二位置在位置序列中分别紧接在所考虑位置之前和...

【技术特征摘要】
【国外来华专利技术】20190813 US 16/538,9231.一种计算机实现的方法，所述方法用于分割由在身体部位的连续位置的序列被成像的多个解剖学图像形成的体积图像，单个解剖学图像是多通道图像，所述多通道图像包括在多个预先选择的成像模态下在相同位置被成像的多个图像切片，所述方法包括：
从所述多个解剖学图像生成多个混合上下文图像，其中，针对位置序列中除了其两个终端位置之外的所考虑位置生成的单个混合上下文图像是多通道图像，该多通道图像包括在所考虑位置被成像的对应的解剖学图像的多个图像切片、在第一位置被成像的一个或多个图像切片的第一集合和在第二位置被成像的一个或多个图像切片的第二集合，并且其中，所述第一位置和第二位置在位置序列中分别紧接在所考虑位置之前和紧接在所考虑位置之后，从而避免所述单个混合上下文图像包括针对所述第一位置和所考虑位置之间或所述第二位置和所考虑位置之间的中间位置估计的任何成像切片；和
在二维(2D)卷积神经网络(CNN)被训练之后，使用该2DCNN分别处理所述多个混合上下文图像，其中，通过所述2DCNN处理单个混合上下文图像以分割对应的解剖学图像，使得所述2DCNN能够利用关于多模态上下文的边信息和体积图像的三维(3D)空间上下文，以提高分割对应的解剖学图像的准确性，同时避免由于估计的图像切片中的伪像导致的分割性能降低的来源。


2.根据权利要求1所述的方法，其中，所述第一图像切片集合是在所述第一位置被成像的第一相邻解剖学图像中的所述多个图像切片，并且所述第二图像切片集合是在所述第二位置被成像的第二相邻解剖学图像中的所述多个图像切片。


3.根据权利要求1所述的方法，其中，所述第一图像切片集合是在所述第一位置被成像的第一相邻解剖学图像中的所述多个图像切片的第一真子集，并且所述第二图像切片集合是在所述第二位置被成像的第二相邻解剖学图像中的所述多个图像切片的第二真子集。


4.根据权利要求3所述的方法，其中，所述第一图像切片集合和第二图像切片集合中的每一个具有相同数量的图像切片，并且在从所述多个预先选择的成像模态中选择的同一组成像模态下被成像。


5.根据权利要求4所述的方法，其中，图像切片的所述相同数量是一个。


6.根据权利要求1所述的方法，其中：
所述身体部位是受试者的头部；和
对应的解剖学图像被分割成多个类别，所述多个类别包括背景、灰质、白质和脑脊液。


7.根据权利要求1所述的方法，其中，所述多个预先选择的成像模态包括：磁共振成像(MRI)模态，包括T1MRI模态；反转恢复(IR)MRI模态；和流体衰减反转恢复(FLAIR)MRI模态。


8.根据权利要求1所述的方法，其中：
所述2DCNN用于通过在其间生成多个特征图来从接收的输入图像生成输出分割图，其中，所述接收的输入图像、所述输出分割图和所述特征图中的每一个是具有多个通道的多通道图；
所述接收的输入图像是单个混合上下文图像的一部分，由此，所述输出分割图是与该混合上下文图像的该一部分对应的分割的对应解剖学图像的一部分；
所述2DCNN包括从最高层级到最低层级顺序地布置的多个层级，所述2DCNN被配置为使得：
单个层级从输入图生成输出图，通过在其间生成一系列特征图，将所述单个层级的输入图变换为其输出图；
所述最高层级的输入图是所述接收的输入图像，并且所述最高层级的输出图是所述输出分割图；
对于直接低于所述单个层级的下一个较低层级，通过下采样所述单个层级的第一预先选择的特征图来获得该下一个较低层级的输入图；和
所述下一个较低层级的输出图被上采样，然后与所述单个层级的第二预先选择的特征图级联，以生成与所述单个层级中的所述第二预先选择的特征图相邻的下一个特征图；
并且
在所述单个层级的第二预先选择的特征图中的通道的第一数量大于或等于所述下一个较低层级的第二预先选择的特征图中的通道的第二数量，使得与在所述下一个较低层级中相比，在所述单个层级中能够包含更多的特征细节，从而允许所述最高层级的第二预先选择的特征图富含低层级特征细节，以在生成输出分割图时帮助更精细地分割所述接收的输入图像。


9.根据权利要求8所述的方法，其中，所述2DCNN还被配置为使得在所述单个层级中，使用一个或多个隐藏层处理除所述第二预先选择的特征图之外的单个特征图，以生成后续特征图，所述一个或多个隐藏层包括卷积层。


10.根据权利要求9所述的方法，其中，所述一个或多个隐藏层包括所述卷积层、指数线性单元(ELU)层、丢弃层和批标准化(BN)层。


11.根据权利要求8所述的方法，其中，所述2DCNN还被配置为使得在所述单个层级中，一个或多个隐藏层被用于从所述第一预先选择的特征图生成所述第二预先选择的特征图。


12.根据权利要求8所述的方法，其中：
在所述2DCNN被训练之后，使用所述2DCNN分别处理所述多个混合上下文图像包括：使用所述2DCNN处理所述单个混合上下文图像以分割对应的解剖学图像；并且
使用所述2DCNN处理所述单个混合上下文图像包括：
对所述单个混合上下文图像进行网格化以形成多个多通道图块；和
通过所述2DCNN将所述多通道图块中的每一个处理为接收的输入图像，以获得分割的对应解剖学图像。


13.根据权利要求8所述的方法，其中：
在所述2DCNN被训练之后，使用所述2DCNN分别处理所述多个混合上下文图像包括：使用所述2DCNN处理所述单个混合上下文图像以分割对应的解剖学图像；并且
使用所述2DCNN处理所述单个混合上下文图像包括：
选择多个网格，每个网格用于对所述单个混合上下文图像进行网格化，其中，所述网格在几何上彼此偏移；
对于从所述网格中选择的候选网格，根据所述候选网格对所述单个混合上下文图像进...

【专利技术属性】
技术研发人员：何学俭，王陆，吴晓华，
申请(专利权)人：香港应用科技研究院有限公司，
类型：发明
国别省市：中国香港;81