一种基于深度学习的多模态融合胰腺分割方法和系统技术方案

本发明专利技术提供了一种基于深度学习的多模态融合胰腺分割方法和系统，解决现有技术分割准确性较低的技术问题。方法包括：利用确定模态图像分割网络形成胰腺影像的确定模态三维图像；利用空间变换网络形成所述胰腺影像的变换场数据，通过所述变换场数据将所述确定模态三维图像转换为其他模态参考三维图像；利用所述确定模态图像分割网络形成所述胰腺影像的其他模态相似三维图像；通过融合所述参考三维图像和所述相似三维图像形成其他模态三维图像。实现了利用模态优化的图像分割网络和变换场数据获得其他多个模态的准确分割三维图像的快捷途经，形成的两种相关三维图像进行特征拟合和修正保证了本技术方案快速分割多模态影像结果的准确性。有效提高了多模态胰腺影像的分割效率。

【技术实现步骤摘要】
一种基于深度学习的多模态融合胰腺分割方法和系统
本专利技术涉及图像识别
，具体涉及一种基于深度学习的多模态融合胰腺分割方法和系统。
技术介绍
胰腺导管腺癌占恶性胰腺癌的90％，是目前已知的死亡率最高的癌症之一，五年生存率低于5％，究其原因是因为引起胰腺癌的主要因素例如囊性病变等无法及时检出。现有技术中，应用计算机辅助诊断(CAD)系统对胰腺各种病灶进行量化分析之前需要对医学影像中的胰腺进行精准的分割，利用深度卷积神经网络算法形成的图像分割网络如FCN(FullyConvolutionalNetwork)、SegNet(SementicSegmentation)、空洞卷积等，已经成为解决医学图像分割问题的主要技术手段。考虑到胰腺形变较大，以及胰腺与周围结构如肠道，血管等分界不清的负面组织特征，针对胰腺图像主流的分割算法主要分为两类，一类是利用2D信息，通过将少量相邻切片影像堆叠在一起输入训练分割网络模型，另一类是利用3D信息，通过将互有重叠的影像图块(patch)输入训练分割网络模型。但是两类分割网络都存在分割缺陷，前者不能有效的合并脏器三本文档来自技高网...

【技术保护点】
1.一种基于深度学习的多模态融合胰腺分割方法，其特征在于，包括：/n利用确定模态图像分割网络形成胰腺影像的确定模态三维图像；/n利用空间变换网络形成所述胰腺影像的变换场数据，通过所述变换场数据将所述确定模态三维图像转换为其他模态参考三维图像；/n利用所述确定模态图像分割网络形成所述胰腺影像的其他模态相似三维图像；/n通过融合所述参考三维图像和所述相似三维图像形成其他模态三维图像。/n

【技术特征摘要】
1.一种基于深度学习的多模态融合胰腺分割方法，其特征在于，包括：
利用确定模态图像分割网络形成胰腺影像的确定模态三维图像；
利用空间变换网络形成所述胰腺影像的变换场数据，通过所述变换场数据将所述确定模态三维图像转换为其他模态参考三维图像；
利用所述确定模态图像分割网络形成所述胰腺影像的其他模态相似三维图像；
通过融合所述参考三维图像和所述相似三维图像形成其他模态三维图像。


2.如权利要求1所述的基于深度学习的多模态融合胰腺分割方法，其特征在于，所述利用确定模态图像分割网络形成胰腺影像的确定模态三维图像包括：
采用所述胰腺影像的确定模态医学图像形成关联的图块训练样本集和全局训练样本集训练初始图像分割网络形成所述确定模态图像分割网络。


3.如权利要求2所述的基于深度学习的多模态融合胰腺分割方法，其特征在于，所述图块训练样本集和全局训练样本集的形成包括：
在确定模态单一轴面切片图像集合中选取基础图像，将所述基础图像平均划分为若干连续的胰腺图块，根据所述胰腺图块的划分位置在所述确定模态单一轴面切片图像集合中确定局部对应图块组，根据所述局部对应图块组形成图块训练样本集；
在所述确定模态单一轴面切片图像集合中将切片图像调整至所述胰腺图块尺度形成全局对应图块组，根据所述全局对应图块组形成全局训练样本集。


4.如权利要求3所述的基于深度学习的多模态融合胰腺分割方法，其特征在于，所述切片图像集合形成包括：
根据腹部CT影像形成三维影像数据；
通过对所述三维影像数据调整影像参数形成胰腺三维影像数据；
利用所述胰腺三维影像数据进行切分形成各模态各轴面切片图像集合。


5.如权利要求3所述的基于深度学习的多模态融合胰腺分割方法，其特征在于，所述确定模态图像分割网络的形成包括：
利用确定模态的确定轴面的所述图块训练样本集和所述全局训练样本集训练初始图像...

【专利技术属性】
技术研发人员：李秀丽，曲太平，俞益洲，
申请(专利权)人：杭州深睿博联科技有限公司，北京深睿博联科技有限责任公司，
类型：发明
国别省市：浙江;33