一种基于深度学习的医学影像分割方法、系统、终端及存储介质技术方案

本申请提供一种基于深度学习的医学影像分割方法、系统、终端及存储介质，包括：采集医学影像数据并进行预处理；根据专家对待标注数据的标注结果，确定标准标注数据；将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型；将测试样本数据的各2D层面数据输入训练好的分割网络模型，预测2D层面分割结果；将多个2D层面上预测的分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果；根据所述3D分割结果计算出实际的病症体积；本申请利用深度学习技术，精确地分割出CT中每层图像上两种病症的轮廓，并通过累加各层面上的面积，得到最终病灶的精确体积，提高了胸腔积液和气胸体积测量的准确性和可靠性。

【技术实现步骤摘要】
一种基于深度学习的医学影像分割方法、系统、终端及存储介质
本申请涉及医学影像和计算机辅助
，尤其是涉及一种基于深度学习的医学影像分割方法、系统、终端及存储介质。
技术介绍
深度学习在医学影像学领域的应用是目前的研究热点，在临床与科研中得到越来越广泛的重视。传统的影像诊断是由临床医生依据经验做出主观判断，因此耗时长且主观性强，结果也可能存在差异，已成为制约现代医学影像学发展的瓶颈。随着医疗技术和计算机技术的发展，更多的医生利用计算机辅助技术来对病灶进行分析和处理，例如使用深度学习快速地得到病灶的大小，密度等，帮助医生更容易地获得病灶及其感兴趣的区域，得到更为直接、更准确和清晰的病症信息，大大地提高了诊断的准确性和可靠性，降低医疗争端的发生。胸腔积液和气胸是临床上常见的征象，这两种病症的量的计算也是临床实践中常常需要解决的问题，直接关系到治疗方案的确定，并有助于胸腔积液治疗后的疗效判定。而胸腔积液和气胸量的计算通常需要依赖影像学方法，经常被采用的影像学手段是普通X线及CT检查。X线检查对积液和气胸的量的计算较为粗糙，少量的积液或者气胸很容易漏诊。而医生在CT上能够判断一些少量的积液以及气胸，但由于缺少量化的指标，只能粗略地判断为少量、中量或大量。在过去的十几年中，人们使用传统的计算机视觉算法和模式分类算法进行对胸腔积液和气胸的分割。这类方法依据的是目标颜色和背景的差异，或者目标强烈的边缘响应等。但这些基于人工设计特征或者阈值的方法通常不具备很强的普适性。对于不同的设备，管电流管电压，使用不同的扫描剂量，以及使用不同的窗宽窗位都会对分割的结果造成巨大的影像。而且，基于传统的测量方式是在CPU上进行计算的，反应速度比基于GPU的深度学习技术慢许多倍。而基于深度学习的分割方法虽然已经被提出，但在积液和气胸上，暂时还没有被使用。因此，目前亟需一种基于深度学习的医学影像分割方法，以实现胸腔积液和气胸体积快速准确测量。
技术实现思路
针对现有技术的上述不足，本申请提供一种基于深度学习的医学影像分割方法、系统、终端及存储介质，通过对2D层面图像的每一个像素点进行类别的判定，然后将相邻像素相同类别的点进行合并，并通过累加的方式将多层的病灶区域相加，得到该病灶的积液体积或者气胸体积信息。第一方面，为解决上述技术问题，本申请提供一种基于深度学习的医学影像分割方法，包括：采集医学影像数据并进行预处理；根据专家对待标注数据的标注结果，确定标准标注数据；将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型；将测试样本数据的各2D层面数据输入训练好的分割网络模型，预测2D层面分割结果；将多个2D层面上预测的分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果；根据所述3D分割结果计算出实际的病症体积；其中，所述标准标注数据分为训练样本数据和测试样本数据。可选的，所述采集医学影像数据并进行预处理，包括：对CT图像数据进行标准化采集；将所述CT图像数据进行数据脱敏处理；其中，所述CT图像数据包括基本病情、病程、符合国际标准的诊断报告、病理、影像数据及实验室检测数据。可选的，所述根据专家对待标注数据的标注结果，确定标准标注数据，包括：获取预设数目的专家对同一待标注数据的标注结果；将所述标注结果进行对比，判断标注结果是否有异议；若无异议，则将标注结果录入数据库；若有异议，则由其他专家判断标注结果是否录入数据库。可选的，所述将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型，包括：获取标准标注数据连续的上下三个层面合并作为分割网络模型的三个通道的输入，对分割网络模型进行训练。可选的，所述将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型，包括：将训练样本数据输入至特征金字塔网络为主干网络的目标检测/分割模型进行训练，得到训练好的分割网络模型。可选的，所述将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型，包括：将训练样本数据放缩成不同大小输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型。可选的，所述将多个2D层面上预测的分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果，包括：将多个2D层面上预测的分割结果进行平滑处理，合并成一个完整的3D分割结果。可选的，所述根据所述3D分割结果计算出实际的病症体积，包括：根据3D分割结果，通过计算拍摄设备时设置的参数进行反向推导，根据CT检查数据在像素之间和物理距离之间的比例，以及层与层之间的间距计算出实际的病症体积。可选的，所述方法具体包括：对CT图像数据进行标准化采集；将所述CT图像数据进行数据脱敏处理；获取预设数目的专家对同一待标注数据的标注结果；将所述标注结果进行对比，判断标注结果是否有异议；若无异议，则将标注结果录入数据库；若有异议，则由其他专家判断标注结果是否录入数据库；获取标准标注数据连续的上下三个层面合并作为分割网络模型的三个通道的输入，将标准标注数据中的训练样本数据输入至特征金字塔网络为主干网络的目标检测/分割模型进行训练，将训练样本数据放缩成不同大小输入至特征金字塔网络为主干网络的目标检测/分割模型进行训练，得到训练好的分割网络模型；将测试样本数据的各2D层面数据输入训练好的分割网络模型，预测2D层面分割结果；将多个2D层面上预测的分割结果进行平滑处理，按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果；根据3D分割结果，通过计算拍摄设备时设置的参数进行反向推导，根据CT检查数据在像素之间和物理距离之间的比例，以及层与层之间的间距计算出实际的病症体积；其中，所述标准标注数据分为训练样本数据和测试样本数据。第二方面，本专利技术还提供一种基于深度学习的医学影像分割系统，包括：数据采集单元，配置用于采集医学影像数据并进行预处理；数据标注单元，配置用于根据专家对待标注数据的标注结果，确定标准标注数据；模型训练单元，配置用于将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型；模型预测单元，配置用于将测试样本数据的各2D层面数据输入训练好的分割网络模型，预测2D层面分割结果；层面合并单元，配置用于将多个2D层面上预测的分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果；体积计算单元，配置用于根据所述3D分割结果计算出实际的病症体积。可选的，所述数据采集单元具体用于：对CT图像数据进行标准化采集；将所述CT图像数据进行数据脱敏处理本文档来自技高网...

【技术保护点】
1.一种基于深度学习的医学影像分割方法，其特征在于，包括：/n采集医学影像数据并进行预处理；/n根据专家对待标注数据的标注结果，确定标准标注数据；/n将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型；/n将测试样本数据的各2D层面数据输入训练好的分割网络模型，预测2D层面分割结果；/n将多个2D层面上预测的分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果；/n根据所述3D分割结果计算出实际的病症体积；/n其中，所述标准标注数据分为训练样本数据和测试样本数据。/n

【技术特征摘要】
1.一种基于深度学习的医学影像分割方法，其特征在于，包括：
采集医学影像数据并进行预处理；
根据专家对待标注数据的标注结果，确定标准标注数据；
将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型；
将测试样本数据的各2D层面数据输入训练好的分割网络模型，预测2D层面分割结果；
将多个2D层面上预测的分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果；
根据所述3D分割结果计算出实际的病症体积；
其中，所述标准标注数据分为训练样本数据和测试样本数据。


2.根据权利要求1所述的基于深度学习的医学影像分割方法，其特征在于，所述采集医学影像数据并进行预处理，包括：
对CT图像数据进行标准化采集；
将所述CT图像数据进行数据脱敏处理；
其中，所述CT图像数据包括基本病情、病程、符合国际标准的诊断报告、病理、影像数据及实验室检测数据。


3.根据权利要求1所述的基于深度学习的医学影像分割方法，其特征在于，所述根据专家对待标注数据的标注结果，确定标准标注数据，包括：
获取预设数目的专家对同一待标注数据的标注结果；
将所述标注结果进行对比，判断标注结果是否有异议；
若无异议，则将标注结果录入数据库；
若有异议，则由其他专家判断标注结果是否录入数据库。


4.根据权利要求1所述的基于深度学习的医学影像分割方法，其特征在于，所述将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型，包括：
获取标准标注数据连续的上下三个层面合并作为分割网络模型的三个通道的输入，对分割网络模型进行训练。


5.根据权利要求1所述的基于深度学习的医学影像分割方法，其特征在于，所述将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型，包括：
将训练样本数据输入至特征金字塔网络为主干网络的目标检测/分割模型进行训练，得到训练好的分割网络模型。


6.根据权利要求1所述的基于深度学习的医学影像分割方法，其特征在于，所述将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型，包括：
将训练样本数据放缩成不同大小输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型。


7.根据权利要求1所述的基于深度学习的医学影像分割方法，其特征在于，所述将多个2D层面上预测的分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果，包括：
将多个2D层面上预测的分割结果进行平滑处理，合并成一个完整的3D分割结果。

【专利技术属性】
技术研发人员：马杰超，张树，俞益洲，
申请(专利权)人：北京深睿博联科技有限责任公司，杭州深睿博联科技有限公司，
类型：发明
国别省市：北京;11