一种自动化分割医学影像多器官的方法技术

本发明专利技术提供了一种自动化分割医学影像多器官的方法，涉及医学图像处理技术领域，包括数据预处理：将原始CT图像在进行归一化，然后以各向同性的空间体进行重采样到低分辨率，输入低分辨率全卷积网络；数据处理：低分辨率全卷积网络输出一个粗分割的感兴趣体积区域，并以各向同性的空间体进行重采样，得到一个感兴趣体积区域的高分辨数据，使用该数据作为训练数据分别输入到高分辨率的2D与3D全卷积网络进行训练；数据后处理：融合2D与3D全卷积网络的结果并输出，对输出的结果进行后处理，得到各个器官的分割结果。本发明专利技术能对医生提供像素级高精度的自动化的智能多器官分割，减少医生的工作负担，提升效率，提高分割的准确率。

【技术实现步骤摘要】
一种自动化分割医学影像多器官的方法
本专利技术涉及一种自动化分割医学影像多器官的方法，属于医学图像处理

技术介绍
近年来，人工智能领域在医疗健康领域的应用越来越广泛，人工智能已经在医学的很多核心领域展开了应用，也有越来越多的医院来采用这一先进的技术来改善患者的就医体验，降低医生的工作负担，提升医疗效率。随着我国60岁及以上老年人口的增加，确诊慢病患者近3亿，且两者数量都在逐年上升，但职业医师数量远远供不应求，我国280万职业医师远远无法应对2000万日均门诊量。供需缺口持续加剧、催生医疗智能化，为此引入大数据、人工智能、云计算、区块链等技术，以有效提升医疗服务效率、扩大医疗服务供给。人工智能在医疗领域应用不断探索发展，将为医生带来一个更强的大脑，为百姓提供更智慧的服务，也将为缓解医疗资源供需失衡等问题而助力。在医疗诊断过程中，医生通常需要按照CT拍摄诊断，手动逐张逐个勾画各个器官或病灶的标记轮廓线。这一过程增加了医生的工作负担，耗费大量的时间，并且技术含量相对较低，降低了医疗效率。而增加医疗过程时间有可能使得确诊时的病灶发生病变，难以准确定位。同时加上医疗水平的差别，以及不同医生对解剖结构的理解上的差异等，不同医生的标注习惯也迥然有别。医生依照自己的知识与经验进行标注，难以有一套统一标准的标注和评定标准。这些问题一方面让病人的确诊存在差别，另一方面医生在重复性、低水平工作上耗费数个小时，并且具有很大的操作上的不确定性，可能会影响后续的治疗过程。这些年由于运算能力持续加强，经过标注的可用数据的增加以及基于深度学习的高级算法的涌现，使得人工智能近年发展迅速。随着人工智能渗透到各行各业，它不仅带来技术变革，也会对社会造成深远影响。尤其是近些年兴起的深度学习技术表现了惊人的能力，也让这项技术应用到医疗图像处理上成为可能。其中器官自动分割的算法可以有效地降低医生的工作负担，提供像素级的精准分割，有着广阔的应用前景。器官分割旨在识别并将不同的器官自动地在CT图像中分割出来，从而减少医生的标注工作。在传统图像处理上，通过阈值处理，区域生长等各种算法，对于部分器官有着不错的表现，但是对于大部分的软组织器官，由于HU值变化小，边界不明显以及形变严重的特点，医生也要通过解剖结构与长年积累的经验，才能大致标注出器官组织的轮廓线。并且CT图像张数多，图像大，会耗费巨大的时间。并且自动化分割多个器官时，尽管使用了深度学习模型进行预测，但是由于模型结构设计的问题，使得现有的模型在器官分割任务上的表现并不令人满意。目前对于多器官分割，相关专利都是使用全卷积的深度学习网络进行推理预测，但在精度上，尤其是不同病例中形变较大，边界不清晰的器官(如胰腺)，分割效果不够满意。换言之，现有技术主要分别存在以下缺陷：1、在传统方法中，很大程度上医生手动逐张逐个器官进行器官标注，医生需要持续密集地同时对多个器官进行标注，不仅工作量大且效率较低。此外不同患者的目标器官通常在形状和位置上差异很大，并且CT影像中的轮廓对比度相对较低，也给器官的分割标注带来了困难。2、在基于深度学习的人工智能方法中，建立的深度学习模型的效果，在部分器官上精度较低，仍然影响了医生的诊断。基于此，做出本申请。
技术实现思路
为了解决现有技术中存在的上述缺陷，本专利技术提供了一种自动化分割医学影像多器官的方法，能够有效地整合原始的图像数据预处理流程、优化的模型训练流程，能对医生提供像素级高精度的自动化的智能多器官分割，减少医生的工作负担，提升效率，提高分割的准确率。为了实现上述目的，本专利技术采取的技术方案如下：一种自动化分割医学影像多器官的方法，包括如下步骤：(1)数据预处理：将原始CT图像在进行归一化，然后以各向同性的空间体进行重采样到低分辨率，输入低分辨率全卷积网络；(2)数据处理：低分辨率全卷积网络输出一个粗分割的感兴趣体积区域，并以各向同性的空间体进行重采样，得到一个感兴趣体积区域的高分辨数据，使用该数据作为训练数据分别输入到高分辨率的2D与3D全卷积网络进行训练；(3)数据后处理：融合2D与3D全卷积网络的结果并输出，对输出的结果进行后处理，提取最大连通区域以去除噪声，得到各个器官的分割结果。所述步骤(1)中，归一化具体过程为，首先设定窗宽窗位，并且分别设定灰度值区间，然后将图像在这个区间内的灰度值线性归一化到[-1,1]之间。所述步骤(2)中，在训练过程中，采用多类的Dice损失函数作为网络的损失函数。本专利技术从数据预处理方法，深度学习模型的构建上对现有方法进行了改进，实现了一个提升了分割准确度的自动化的多器官分割方法。本专利技术的工作原理：本专利技术提出一种改进的数据预处理以及多分辨率的基于Vnet的全卷积分割模型的方法，针对分割效果一般的器官，实现了提升其分割准确度的自动化方法，在此提出了一种多分辨率策略，针对不同的图像分辨率，训练多个不同分辨率输入的全卷积网络。在低分辨率的CT图像为输入训练得到的全卷积网络模型，用来粗略定位每个器官的VOI(VolumeofInterest,VOI)，再将这个VOI重采样得到一个基于该VOI的高分辨率的图像，用来训练2D与3D的全卷积分割网络，最后融合两个网络的结果得到一个更精准的器官分割结果。本专利技术能实现如下技术效果：(1)本专利技术能够有效地整合原始的图像数据预处理流程、优化的模型训练流程，能对医生提供像素级高精度的自动化的智能多器官分割，减少医生的工作负担，提升效率，提高分割的准确率。(2)本专利技术针对训练的数据医学数据，进行多重分辨率的重采样，缩小资源占用，提升性能。(3)本专利技术使用经过改进的多个分辨率网络混合训练的模型进行训练，可以提升器官分割的预测精度。(4)本专利技术训练2D与3D的两个全卷积网络，同时拥有2D与3D网络的优点，通过融合两个网络的结果，调整融合权重，可以获得更好的分割效果，达到更高的准确度。附图说明图1为本实施例一种自动化分割医学影像多器官的方法流程图。具体实施方式为了使本专利技术的技术手段及其所能达到的技术效果，能够更清楚更完善的披露，兹提供了一个实施例，并结合附图作如下详细说明：目前多器官分割通常是对胸腹部CT图像中的器官，心脏，肝脏，左右肾，胃，脾，主动脉，结肠，十二指肠，小肠，静脉，胆囊，胰腺等器官进行分割。类似胰腺这类边界不清晰，形变较大的器官，普遍使用的全卷积分割模型的分割结果表现不如人意。本专利技术提出一种改进的数据预处理以及多分辨率的基于Vnet的全卷积分割模型的方法，针对分割效果一般的器官，实现了提升其分割准确度的自动化方法，方法框架图如图1所示。根据图1所示，在此提出了一种多分辨率策略，针对不同的图像分辨率，训练多个不同分辨率输入的全卷积网络。在低分辨率的CT图像为输入训练得到的全卷积网络模型，用来粗略定位每个器官的感兴趣体积区域VOI(VolumeofInterest,VOI)。再将这个VOI本文档来自技高网...

【技术保护点】
1.一种自动化分割医学影像多器官的方法，包括如下步骤：/n（1）数据预处理：将原始CT图像在进行归一化，然后以各向同性的空间体进行重采样到低分辨率，输入低分辨率全卷积网络；/n（2）数据处理：低分辨率全卷积网络输出一个粗分割的感兴趣体积区域，并以各向同性的空间体进行重采样，得到一个感兴趣体积区域的高分辨数据，使用该数据作为训练数据分别输入到高分辨率的2D与3D全卷积网络进行训练；/n（3）数据后处理：融合2D与3D全卷积网络的结果并输出，对输出的结果进行后处理，提取最大连通区域以去除噪声，得到各个器官的分割结果。/n

【技术特征摘要】
1.一种自动化分割医学影像多器官的方法，包括如下步骤：
（1）数据预处理：将原始CT图像在进行归一化，然后以各向同性的空间体进行重采样到低分辨率，输入低分辨率全卷积网络；
（2）数据处理：低分辨率全卷积网络输出一个粗分割的感兴趣体积区域，并以各向同性的空间体进行重采样，得到一个感兴趣体积区域的高分辨数据，使用该数据作为训练数据分别输入到高分辨率的2D与3D全卷积网络进行训练；
（3）数据后处理：融合2D与3D全卷积网络的结果并输出，对输出的结果...

【专利技术属性】
技术研发人员：刘铭，叶宏伟，
申请(专利权)人：浙江明峰智能医疗科技有限公司，
类型：发明
国别省市：浙江;33