一种基于多视角分离卷积神经网络的骨骼CT图像三维分割方法技术

本发明专利技术属于图像处理技术领域，提供了一种基于多视角分离卷积神经网络的三维CT图像分割方法，主要涉及利用一种新型卷积神经网络对CT图像中骨骼进行三维自动分割。针对使用三维卷积的神经网络存在模型过大、运行内存占用量过高、无法在小显存容量显卡或嵌入式设备上运行的问题，同时为了提高卷积神经网络利用三维空间上下文信息的能力，本发明专利技术提出引入一种多视角分离卷积模块，利用多个二维卷积分别在三维图像的多视角子图像上提取上下文信息并进行多层级融合，实现多视角和多尺度上下文信息的提取和融合，提高三维CT图像中骨骼的分割精度。经本发明专利技术改进后的网络结构在平均精准度上得到明显提升，模型参数数量得到明显降低。

A 3D segmentation method of bone CT image based on multi view separation convolution neural network

【技术实现步骤摘要】
一种基于多视角分离卷积神经网络的骨骼CT图像三维分割方法
本专利技术涉及一种骨骼CT扫描图像分割方法，特别一种基于多视角分离卷积神经网络的骨骼CT图像三维分割方法。
技术介绍
图像分割是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，它是由图像处理到图像分析的关键步骤。骨骼CT图像三维分割是骨科学家应用于辅助骨骼疾病诊断的关键和必要的任务。但是骨骼CT影像中存在大量的冗余信息，因此高效地筛选出最有效的特征指标变得非常有意义。然而手工描绘这种超大规模的高分辨率数据费时、繁琐而且再现性也有限。并且大多数现有的自动分割方法依赖于大量标注的数据，在大多数情况下都是不可用的。在早期的骨骼CT图像分割中，普遍采用无监督图像处理方法进行图像分割，例如：自适应阈值处理、区域生长和边界调整等，其缺陷在于分割精度较低。得益于深度学习的快速发展，卷积神经网络逐步适用于医学图像的处理中。首先有人使用U-Net来细分生物医学图像；接着，又有人提出一种改进的3DU-Net，来学习稀疏注解的密集体积分割；在此基础上，进一步提出一种用于本文档来自技高网...

【技术保护点】
1.一种基于多视角分离卷积神经网络的骨骼CT图像三维分割方法，其特征在于，包括以下步骤：/nS1.骨骼CT图像预处理，其具体包括：/nS11.对训练集样本进行数据扩充，即随机旋转、随机镜像和随机裁剪；/nS12.对步骤S11中所述训练集样本和待分割骨骼CT图像进行图像预处理，得到预处理图像样本和预处理待分割骨骼CT图像。/nS2.多视角分离卷积神经网络的训练，其具体包括：/nS21.构建以编码-解码结构的多视角分离卷积神经网络，其由多个多视角分离卷积模块构成；/nS22.利用步骤S12中所述预处理图像样本对步骤S21所述多视角分离卷积神经网络进行训练，通过反向传播优化模型参数，得到多视角分离卷...

【技术特征摘要】
1.一种基于多视角分离卷积神经网络的骨骼CT图像三维分割方法，其特征在于，包括以下步骤：
S1.骨骼CT图像预处理，其具体包括：
S11.对训练集样本进行数据扩充，即随机旋转、随机镜像和随机裁剪；
S12.对步骤S11中所述训练集样本和待分割骨骼CT图像进行图像预处理，得到预处理图像样本和预处理待分割骨骼CT图像。
S2.多视角分离卷积神经网络的训练，其具体包括：
S21.构建以编码-解码结构的多视角分离卷积神经网络，其由多个多视角分离卷积模块构成；
S22.利用步骤S12中所述预处理图像样本对步骤S21所述多视角分离卷积神经网络进行训练，通过反向传播优化模型参数，得到多视角分离卷积神经网络参数模型；
S3.利用步骤S22所述的多视角分离卷积神经网络参数模型对预处理待分割骨骼CT图像进行自动分割。


2.根据权利要求1所述的基于多视角分离卷积神经网络的骨骼CT图像三维分割方法，其特征在于步骤S12所述预处理包括：将CT图像调整至合适的窗宽窗位，使用高斯平滑对图像进行去噪，对图像零均值一方差标准化后获得预处理图像。


3.根据权利要求1所述的基于多视角分离卷积神经网络的骨骼CT图像三维分割方法，其特征在于步骤S21所述的多视角分离卷积模块：多视角分离卷积模块作为多视角分离卷积神经网络基础模块，由两个同样的多视角分离卷积子模块构成。


4.根据权利要求3所述的多视角分离卷积神经网络的骨骼CT图像三维分割方法，其特征在于：所述多视角分离卷积子模块的前一子模块的输出作为后...

【专利技术属性】
技术研发人员：彭佳林，罗峥嵘，袁直敏，王文怀，
申请(专利权)人：华侨大学，
类型：发明
国别省市：福建;35