【技术实现步骤摘要】
一种CT肋骨分割方法及装置
本专利技术涉及计算机
，尤其涉及一种CT肋骨分割方法及装置。
技术介绍
近年，深度机器学习在图像理解领域得到广泛应用。其中，针对图像语义分割问题提出的深度全卷积网络在分割精度方面相比于传统算法有明显优势，且较好地控制了推理时所需的时间。此外，GPU的广泛使用又进一步提高了全卷积网络的推理速度。这使得在医学影像场景中应用高精度的全卷积网络成为可能。另一方面，传统的医学影像诊断依赖于临床医生经验性的主观判断，因而存在耗时长稳定性差等问题，渐已成为制约现代医学影像发展的瓶颈。随着计算机辅助技术在医学影像领域的发展，越来越多的医生开始使用自动算法辅助定位病灶或异常区域，从而提高效率并降低漏诊风险。具体来说，在肋骨骨折诊断报告中，医生需要给出骨折所在肋骨的准确编号(例如，左第三肋)。因而，在完整的肋骨骨折自动诊断系统中，准确的给出每一根肋骨的计数是必不可少的功能，否则其可用性将大打折扣。而首先得到精确的肋骨分割结果，是实现肋骨计数的重要途径之一。此外，精确的肋骨分割还有助于增强肋骨三维重建和肋骨展平等...
【技术保护点】
1.一种CT肋骨分割方法，其特征在于，包括：/nS1，获取训练数据，根据所述训练数据生成两类标签，其中，所述两类标签包括：当前层的像素级肋骨标签和当前层与下一层或者多层的关系；/nS2，根据所述两类标签训练两任务的全卷积图像语义分割模型，得到肋骨分割模型，其中所述两任务共享输入和底层的特征表达，顶端使用各自的分类器；/nS3，获取待分割CT数据，其中，所述待分割CT数据包括CT中所有层面；/nS4，用训练好的所述肋骨分割模型推理出所述待分割CT数据中每一层上的二维分割结果以及相邻层关系，基于二维分割使用连通域检测算法得到每层的肋骨轮廓；/nS5，根据相邻层关系合并所有层的肋...
【技术特征摘要】
1.一种CT肋骨分割方法，其特征在于，包括：
S1，获取训练数据，根据所述训练数据生成两类标签，其中，所述两类标签包括：当前层的像素级肋骨标签和当前层与下一层或者多层的关系；
S2，根据所述两类标签训练两任务的全卷积图像语义分割模型，得到肋骨分割模型，其中所述两任务共享输入和底层的特征表达，顶端使用各自的分类器；
S3，获取待分割CT数据，其中，所述待分割CT数据包括CT中所有层面；
S4，用训练好的所述肋骨分割模型推理出所述待分割CT数据中每一层上的二维分割结果以及相邻层关系，基于二维分割使用连通域检测算法得到每层的肋骨轮廓；
S5，根据相邻层关系合并所有层的肋骨轮廓得到三维分割结果；
S6，利用后处理算法，得到所述待分割CT数据的CT肋骨分割结果。
2.根据权利要求1所述的方法，其特征在于，所述S5，根据相邻层关系合并所有层的肋骨轮廓得到三维分割结果包括：
对于相邻层，合并重合度大于阈值的肋骨轮廓，其中，所述重合度是相邻层的肋骨轮廓交的面积比并的面积，且计算交时排除被所述肋骨分割模型在每层中预测不属于同一根肋骨的像素点，或者所述重合度是计算相邻层的肋骨轮廓交的面积，或者所述重合度是通用的指标。
3.根据权利要求1所述的方法，其特征在于，所述后处理算法包括：
删除零散的体积符合预设规则的连通域；或者
使用条件随机场平滑输出。
4.根据权利要求1所述的方法，其特征在于，在所述S2根据所述两类标签训练两任务的全卷积图像语义分割模型，得到肋骨分割模型之后，所述S3，获取待分割CT数据之前，还包括：
S21，利用所述肋骨分割模型在所述两类标签上推理以得到新的伪标签；
S22，对所述新的伪标签进行优化，将优化后的所述新的伪标签作为所述两类标签；返回执行S2，根据所述两类标签训练两任务的全卷积图像语义分割模型，得到肋骨分割模型的步骤；
重复执行S21-S22，直至符合预设结果，得到所述肋骨分割模型。
5.根据权利要求4所述的方法，其特征在于，所述对所述新的伪标签进行优化包括：
对所述新的伪标签做多种变换，推理多次取输出的平均值。
6.一种CT肋骨分割装置，其特征在于，包括：...
【专利技术属性】
技术研发人员：吴子丰，刘锋，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
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。