一种胸腔器官的分割方法及装置制造方法及图纸

本申请提供了一种胸腔器官分割方法及装置，其中，方法包括：获取待分割图像；将待分割图像输入完成训练的网络模型，得到分类结果和分割数据；网络模型包括：主干网络和分类器；主干网络和分类器连接；主干网络包括编码模块和解码模块；编码模块的数量和解码模块的数量相同；主干网络中对应位置的编码模块和解码模块进行跳转连接；分类结果是分类器输出的表示待分割图像中包含待分割胸腔器官的概率；分割数据是主干网络输出的对待分割胸腔器官的分割结果；根据分类结果和分割数据，确定分割结果；输出分割结果。本申请可以降低假阳性分割结果。

A method and device of thoracic organ segmentation

【技术实现步骤摘要】
一种胸腔器官的分割方法及装置
本申请涉及医学图像处理领域，尤其涉及一种胸腔器官的分割方法及装置。
技术介绍
精准的器官分割对于胸腔恶性肿瘤的放射治疗过程有着至关重要的影响，因为其直接影响放疗计划中照射范围和剂量的制定。近年来，深度学习技术发展迅速，越来越广泛地被应用于医学图像分析领域，并取得了显著的效果。其中，对于医学图像中的器官分割任务，深度卷积神经网络已然成为了主流研究方法。最具代表性的是基于全卷积神经网络的FCN和U-Net结构，二者通过特征自动提取和梯度反向传播优化机制，实现了对输入图像的逐像素分类，即语义分割。虽然目前基于深度学习技术的算法要远远优于传统方法，但是，由于软组织与相邻器官的低对比度将导致大量的假阳性分割结果，即将非待分割器官判定为待分割器官。
技术实现思路
本申请提供了一种胸腔器官的分割方法及装置，目的在于解决由于软组织与相邻器官的低对比度将导致大量的假阳性分割结果的问题。为了实现上述目的，本申请提供了以下技术方案：本申请提供了一种胸腔器官的分割方法，包括：获取待分割图像；将所述待分割图像输入完成训练的网络模型，得到分类结果和分割数据；所述网络模型包括：主干网络和分类器；所述主干网络和所述分类器连接；所述主干网络包括编码模块和解码模块；所述编码模块的数量和所述解码模块的数量相同；所述主干网络中对应位置的编码模块和解码模块进行跳转连接；所述分类结果是所述分类器输出的表示所述待分割图像中包含待分割胸腔器官的概率；所述分割数据是所述主干网络输出的对所述待分割胸腔器官的分割结果；根据所述分类结果和所述分割数据，确定分割结果；输出所述分割结果。可选的，所述根据所述分类结果和所述分割数据，确定分割结果，包括：在所述分类结果大于所述待分割胸腔器官的预设阈值的情况下，确定分割结果为所述分割数据；在所述分类结果不大于所述预设阈值的情况下，确定所述分割结果为预设图像；所述预设图像是表示所述待分割图像中不存在所述待分割器官的图像。可选的，所述分类器由全局最大池化层、全连接层和softmax构成；其中，输入所述分类器的数据依次经过所述全局最大池化层、所述全连接层和所述softmax函数。可选的，所述主干网络中的任一编码模块由混合空洞卷积模块和最大池化层构成；任一解码模块由一个双线性插值层和3个标准的3x3卷积层叠加而成。可选的，所述主干网络还包括：空间金字塔池化模块；所述空间金字塔池化模块位于中所述编码模块和所述解码模块的瓶颈处。可选的，在所述获取待分割图像之后，并且，在将所述待分割图像输入完成训练的网络模型，得到分类结果和分割数据之前，还包括：对所述待分割图像进行预处理，得到预处理后的待分割图像；所述预处理包括：灰度截断、冗余信息清除以及重采样；所述将所述待分割图像输入所述完成训练的网络模型，得到分类结果和分割数据，具体为：将所述预处理后的待分割图像输入所述完成训练的网络模型，得到分类结果和分割数据。可选的，在所述根据所述分类结果和所述分割数据，确定分割结果之后，还包括：对所述分割结果进行裁剪或填充，得到第一分割结果；对所述第一分割结果进行重采样至原始分辨率，得到第二分割结果；移除所述第二分割结果中预设大小的连通域，得到第三分割结果；所述输出分割结果，具体为：输出所述第三分割结果。可选的，对所述网络模型的训练方式包括：获取训练数据；根据所述训练数据、预设的第一损失函数和预设的第二损失函数，对所述网络模型进行训练；所述第一损失函数为所述主干网络的损失函数；所述第二损失函数为所述分类器的损失函数。可选的，在所述获取训练数据之后，并且，在所述根据所述训练数据、预设的第一损失函数和预设的第二损失函数，对所述网络模型进行训练之前，还包括：对所述训练数据进行预处理，得到预处理后的训练数据；对所述预处理后的训练数据进行增强变换，得到变换后的训练数据；所述根据所述训练数据、预设的第一损失函数和预设的第二损失函数，对所述网络模型进行训练，具体为：根据所述变换后的训练数据、预设的第一损失函数和预设的第二损失函数，对所述网络模型进行训练。本申请还提供了一种胸腔器官的分割装置，包括：获取模块，用于获取待分割图像；输入模块，用于将所述待分割图像输入完成训练的网络模型，得到分类结果和分割数据；所述网络模型包括：主干网络和分类器；所述主干网络和所述分类器连接；所述主干网络包括编码模块和解码模块；所述编码模块的数量和所述解码模块的数量相同；所述主干网络中对应位置的编码模块和解码模块进行跳转连接；所述分类结果是所述分类器输出的表示所述待分割图像中包含待分割胸腔器官的概率；所述分割数据是所述主干网络输出的对所述待分割胸腔器官的分割结果；确定模块，用于根据所述分类结果和所述分割数据，确定分割结果；输出模块，用于输出所述分割结果。可选的，所述确定模块，用于根据所述分类结果和所述分割数据，确定分割结果，包括：所述确定模块，具体用于在所述分类结果大于所述待分割胸腔器官的预设阈值的情况下，确定分割结果为所述分割数据；在所述分类结果不大于所述预设阈值的情况下，确定所述分割结果为预设图像；所述预设图像是表示所述待分割图像中不存在所述待分割器官的图像。可选的，所述分类器由全局最大池化层、全连接层和softmax构成；其中，输入所述分类器的数据依次经过所述全局最大池化层、所述全连接层和所述softmax函数。可选的，所述主干网络中的任一编码模块由混合空洞卷积模块和最大池化层构成；任一解码模块由一个双线性插值层和3个标准的3x3卷积层叠加而成。可选的，所述主干网络还包括：空间金字塔池化模块；所述空间金字塔池化模块位于中所述编码模块和所述解码模块的瓶颈处。可选的，该胸腔器官分割装置还包括：第一预处理模块，用于在所述获取模块获取待分割图像之后，并且，在所述输入模块将所述待分割图像输入完成训练的网络模型，得到分类结果和分割数据之前，对所述待分割图像进行预处理，得到预处理后的待分割图像；所述预处理包括：灰度截断、冗余信息清除以及重采样；所述输入模块，用于将所述待分割图像输入所述完成训练的网络模型，得到分类结果和分割数据，具体为：所述输入模块，具体用于将所述预处理后的待分割图像输入所述完成训练的网络模型，得到分类结果和分割数据。可选的，该胸腔器官分割装置还包括：处理模块，用于在所述确定模块根据所述分类结果和所述分割数据，确定分割结果之后，对所述分割结果进行裁剪或填充，得到第一分割结果；对所述第一分割结果进行重采样至原始分辨率，得到第二分割结果；移除所述第二分割结果中预设大小的连通域，得到第三分割结果；所述输出模块，用于输出分割结果，具体为：所述输出模块，具体用于输出所述第三分割结果。可选的，本文档来自技高网...

【技术保护点】
1.一种胸腔器官的分割方法，其特征在于，包括：/n获取待分割图像；/n将所述待分割图像输入完成训练的网络模型，得到分类结果和分割数据；所述网络模型包括：主干网络和分类器；所述主干网络和所述分类器连接；所述主干网络包括编码模块和解码模块；所述编码模块的数量和所述解码模块的数量相同；所述主干网络中对应位置的编码模块和解码模块进行跳转连接；所述分类结果是所述分类器输出的表示所述待分割图像中包含待分割胸腔器官的概率；所述分割数据是所述主干网络输出的对所述待分割胸腔器官的分割结果；/n根据所述分类结果和所述分割数据，确定分割结果；/n输出所述分割结果。/n

【技术特征摘要】
1.一种胸腔器官的分割方法，其特征在于，包括：
获取待分割图像；
将所述待分割图像输入完成训练的网络模型，得到分类结果和分割数据；所述网络模型包括：主干网络和分类器；所述主干网络和所述分类器连接；所述主干网络包括编码模块和解码模块；所述编码模块的数量和所述解码模块的数量相同；所述主干网络中对应位置的编码模块和解码模块进行跳转连接；所述分类结果是所述分类器输出的表示所述待分割图像中包含待分割胸腔器官的概率；所述分割数据是所述主干网络输出的对所述待分割胸腔器官的分割结果；
根据所述分类结果和所述分割数据，确定分割结果；
输出所述分割结果。


2.根据权利要求1所述的方法，其特征在于，所述根据所述分类结果和所述分割数据，确定分割结果，包括：
在所述分类结果大于所述待分割胸腔器官的预设阈值的情况下，确定分割结果为所述分割数据；
在所述分类结果不大于所述预设阈值的情况下，确定所述分割结果为预设图像；所述预设图像是表示所述待分割图像中不存在所述待分割器官的图像。


3.根据权利要求1所述的方法，其特征在于，所述分类器由全局最大池化层、全连接层和softmax构成；其中，输入所述分类器的数据依次经过所述全局最大池化层、所述全连接层和所述softmax函数。


4.根据权利要求1所述的方法，其特征在于，所述主干网络中的任一编码模块由混合空洞卷积模块和最大池化层构成；任一解码模块由一个双线性插值层和3个标准的3x3卷积层叠加而成。


5.根据权利要求1所述的方法，其特征在于，所述主干网络还包括：空间金字塔池化模块；所述空间金字塔池化模块位于中所述编码模块和所述解码模块的瓶颈处。


6.根据权利要求1所述的方法，其特征在于，在所述获取待分割图像之后，并且，在将所述待分割图像输入完成训练的网络模型，得到分类结果和分割数据之前，还包括：
对所述待分割图像进行预处理，得到预处理后的待分割图像；所述预处理包括：灰度截断、冗余信息清除以及重采样；
所述将所述待分割图像输入所述完成训练的网络模型，得到分类结果和分割数据，具体为：
将所述预处理后的待...

【专利技术属性】
技术研发人员：李秀林，韩文廷，石军，陈俊仕，郝晓宇，王朝晖，文可，
申请(专利权)人：合肥凯碧尔高新技术有限公司，
类型：发明
国别省市：安徽;34