本发明专利技术涉及一种利用知识数据库的医学图像的自动分割方法，所述知识数据库包含关于在a x b x n维的3D医学图像，即，由n个均为a x b维的不同2D图像构成的3D医学图像中可见的解剖和病理结构或器械的信息。所述方法的特征在于主要包括三个处理步骤，即，第一步骤，包括从所述医学图像中提取9个a/2 x b/2 x n维的子图像(1至9)，即，从每个2D图像中提取9个部分重叠的a/2 x b/2子图像；第二步骤，包括9个卷积神经网络(CNN)分析和分割每个2D图像的这9个子图像(1至9)中的每一个；第三步骤，将n个不同的2D图像的9个分析和分割的结果，并且因此，分割的9个a/2 x b/2 x n维的子图像的结果组合成与初始医学图像的单一分割对应的a x b x n维的单一图像。
【技术实现步骤摘要】
【国外来华专利技术】一种按照3D医学图像的解剖几何形状通过一个或多个神经网络经由结构化卷积来自动分割3D医学图像的处理
本专利技术涉及数据处理领域，更具体地，涉及图像的处理和分析，尤其是医学图像的分割，并且涉及按照3D医学图像的解剖几何形状(geometry)，通过一个或多个神经网络经由结构化卷积来自动分割3D医学图像的处理。
技术介绍
从医学成像设备形成的三维图像，比如扫描仪、MRI、超声、CT或SPEC类图像由一组体素组成，体素是3D图像的基本单元。体素是像素的3D延伸，而像素是2D图像的基本单元。每个体素与可被认为是2D函数F(x,y)或3D函数F(x,y,z)的结果的灰度或密度关联，其中x、y和z表示空间坐标(参见图1)。图2的视图图解说明按照横向图的3D医学图像分割的定义。通常，2D或3D医学图像包含临床医生必须进行描述以便评估情况并确定和计划其治疗策略的一组解剖和病理结构(器官、骨骼、组织、…)或人造元件(支架、植入物、…)。在这方面，在图像中必须识别器官和病理，这意味标记2D图像的每个像素或者3D图像的每个体素。该处理被称为分割。就在临床常规中获取的CT和MRI图像来说，它们可被视为一系列的n个axb维(沿x和Y轴)的矩形或方形2D图像(沿Z轴)。通常，它们沿X轴和Y轴的标准尺寸等于512x512像素，这意味横向平面的尺寸通常为a＝b＝512。相比之下，切片的数量n(沿Z轴的尺寸)是高度可变的，并且取决于观察区域的尺寸。因此，可以设想将横向平面作为整体进行分析，或者将其划分为更小的(例如4个)256x256子图像，从而更快地分别进行分析。创建的4个子图像覆盖了初始图像的所有体素，并且它们的尺寸为a/2xb/2xn。图3A图解说明在拍摄人类对象的医学图像时要考虑的三个主要平面，并且图3B图解说明沿医学图像的横向平面将切片划分成4个256x256子图像。进行分割的方法有很多种。在这些方法中，神经网络是致力于人工智能算法的类别的一部分，并且具有自动化的优点。这些算法有许多变种，但它们通常局限于标准的架构基础，而这种架构基础并不是特别针对医学成像的，尤其不是特别针对医学成像的内容的。然而，医学成像中的图像内容是经常反复出现的，尤其是在CT和MRI图像中。在图像的中央，我们系统地让患者被空气包围着，除了在他/她的下方有工作台(在成像过程中，患者通常躺在工作台上)。因此，与环境因照片而异的摄影图像不同，医学图像的结构和格式与用于护照的ID图片一样：环境和位置总是相同的，只是人的面部细节有所变化。在胸部的医学图像的情况下，例如，肋骨总是连接到背部的脊柱和前部的胸骨，包围着两个肺，心脏位于两个肺之间。当然，也可能存在一些变型，比如肺位置倒置或肺缺失之类，但与正常的解剖变型相比，这些情况发生得非常少。至于其他区域(头部、腹部、骨盆、上肢或下肢)，可以进行同样的观察并适用同样的原理。图4的图像通过三个例子图解说明了不同的解剖区域(胸部、腹部和骨盆)如何显示相对器官定位的规则分布。基于这些发现，专利技术人确认在这种背景下，上述子图像划分具有不同的含义，因为可以使用这种划分来定位子图像内未出现在其他子图像中的结构。例如，如图5中所示，子图像划分(这里是腹部的512x512横向平面图像的256x256子图像)可以包含非常规则的解剖结构，这可以使所开发的关联网络更加鲁棒、更加有效和和更加专业化。图5图解说明从腹部的同一横向平面图像进行的不同划分和子图像提取如何允许系统地定位相同区域中的反复出现的解剖结构。例如在图5的第一个图像中，胆囊经常出现在左上方的子图像中，右肾经常出现在左下方的子图像中，并且左肾经常出现在右下方的子图像中。脊椎将系统地归属于在图像2中识别的子图像。肝脏将系统地成为图像1或3的左侧子图像的一部分，而脾脏将在右侧的子图像中。最后，主动脉和腔静脉将一起在图像4的子图像中，但是分散在图像3的子图像中，腔静脉在左侧的子图像中，而主动脉在右侧的子图像中。
技术实现思路
因此，本专利技术的基本思想是使用允许系统地定位相同区域中的反复出现的解剖结构的多个特定子图像划分，并利用和组合从这些子图像的单独分析中收集到的信息，以便开发一种利用器官的特定定位信息使用卷积神经网络(CNN)的新的医学图像分析过程。因此，作为本专利技术的主要目的，本专利技术涉及一种利用知识数据库的医学图像的自动分割方法，所述知识数据库包含关于在axbxn维的3D医学图像，即，由n个各为axb维的不同2D图像构成的3D医学图像中可见的解剖和病理结构或器械的信息，所述方法的特征在于主要包括三个处理步骤，即，第一步骤，包括从所述医学图像中提取9个a/2xb/2xn维的子图像，即，从每个2D图像中提取9个部分重叠的a/2xb/2子图像；第二步骤，包括9个卷积神经网络分析和分割每个2D图像的这9个子图像中的每一个；第三步骤，将n个不同的2D图像的9个分析和分割的结果，并且因此，分割的9个a/2xb/2xn维的子图像的结果组合成与初始医学图像的单一分割对应的axbxn维的单一图像。更准确地说，本专利技术提出了一种在知识数据库已学习在axbxn维的3D医学图像中可见的解剖和病理结构或器械之后，通过由三个步骤组成的算法进行的自动分割处理。第一步骤包括提取9个a/2xb/2xn维的子图像，第二步骤包括9个卷积神经网络(CNN)分析这9个子图像中的一个，第三步骤包括将这9个分析的结果，并且因此，分割的9个a/2xb/2xn的子图像的结果组合成axbxn维的单一图像。输出是初始图像的单一分割。主要的独创性在于这种全局架构，以及在于将基于CNN的原始图像分析划分成基于CNN的9个子图像分析。附图说明利用以下说明将更好地理解本专利技术，以下说明涉及作为非限制性例子给出的并且参考附图说明的至少一个优选实施例，附图中：-图6是图解说明本专利技术的方法的处理步骤的示意表示，即：导致从初始的axb医学图像中提取9个(编号为1至9)子图像的特定图像划分；通过专用CNN(图6中的一行圆点)进行的每个子图像的分析和分割；和源于初始图像划分的9个子图像的多个部分重叠，和CNN的分析结果的合并，以及16个互补的部分区域(指定为A至P)的定义和分组；-图7举例图解说明借助在3个可能方向上移动(shift)(平移)1个像素(或1个体素)，从图6中图解所示例子的第一个子图像(图6中编号为1的子图像)生成的4个不同图像的子集；-图8举例图解说明借助1个或2个像素(或体素)的移动(平移)，从与图7相同的子图像生成的9个不同图像的子集；-图9是图解说明由一组9个协同的CNN处理(分割)一个2D图像(3D图像的一个切片)所涉及的步骤的示意表示，每个CNN专用于从初始图像提取的9个子图像(1至9)之一的分割，所有子图像的各个分割结果被组合或合并成单一初始图像分割；-图10是类似于图9的示意表示，图解说明结果是单一图像分割的处理(分割)一组n个本文档来自技高网...
【技术保护点】
1.一种利用知识数据库的医学图像的自动分割方法，所述知识数据库包含关于在a xb x n维的3D医学图像，即，由n个各为a x b维的不同2D图像构成的3D医学图像中可见的解剖和病理结构或器械的信息，/n所述方法的特征在于主要包括三个处理步骤，即：/n第一步骤，包括从所述医学图像中提取9个a/2 x b/2 x n维的子图像(1至9)，即，从每个2D图像中提取9个部分重叠的a/2 x b/2子图像；/n第二步骤，包括9个卷积神经网络(CNN)分析和分割每个2D图像的这9个子图像(1至9)中的每一个；/n第三步骤，包括将n个不同的2D图像的9个分析和分割的结果，并且因此，分割的9个a/2x b/2 x n维的子图像的结果组合成与初始医学图像的单一分割对应的a x b x n维的单一图像。/n
【技术特征摘要】
【国外来华专利技术】20180110 US 62/615,5251.一种利用知识数据库的医学图像的自动分割方法，所述知识数据库包含关于在axbxn维的3D医学图像，即，由n个各为axb维的不同2D图像构成的3D医学图像中可见的解剖和病理结构或器械的信息，
所述方法的特征在于主要包括三个处理步骤，即：
第一步骤，包括从所述医学图像中提取9个a/2xb/2xn维的子图像(1至9)，即，从每个2D图像中提取9个部分重叠的a/2xb/2子图像；
第二步骤，包括9个卷积神经网络(CNN)分析和分割每个2D图像的这9个子图像(1至9)中的每一个；
第三步骤，包括将n个不同的2D图像的9个分析和分割的结果，并且因此，分割的9个a/2xb/2xn维的子图像的结果组合成与初始医学图像的单一分割对应的axbxn维的单一图像。
2.按照权利要求1所述的自动分割方法，其特征在于如下从axb维的2D图像中提取各为a/2xb/2维的9个子图像(1-9)：
-通过两对对边的中间线，将2D图像对称划分为4个子图像(1至4)；
-按照所述图像的两个方向中的每一个，形成之间具有一条公共边并且对于2D图像的垂直边居中的两个子图像(5、6及7、8)；
-形成对于2D图像居中并且其边与所述图像的边平行的子图像(9)。
3.按照权利要求2所述的自动分割方法，其特征在于9个子图像(1至9)的重叠被配置成以便产生16个各为a/4xb/4维的部分的互补区域(A至P)，共同覆盖所考虑的初始2D图像的整个表面。
4.按照权利要求1-3任意之一所述的自动分割方法，其特征在于所述自动分割方法包括：
-从K个分割的axbxN(i)维医学图像...
【专利技术属性】
技术研发人员：L·索莱尔，N·托梅，A·豪斯特拉，J·马赫斯克，
申请(专利权)人：消化器官癌症研究所，可见患者简易股份公司，国家工艺美术学院，
类型：发明
国别省市：法国;FR
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。