医学图像的分割方法、分割装置、分割系统及计算机可读介质制造方法及图纸

本公开涉及一种医学图像的分割方法、分割装置、分割系统及计算机可读介质。医学图像中包含血管树。医学图像的分割方法包括：获取所述医学图像及所述血管树的中心线；由至少一个处理器，从所述医学图像在沿着所述血管树的中心线的多个位置提取图像块，以得到图像块集合；由所述至少一个处理器，基于所得到的图像块集合，利用训练好的学习网络对所述医学图像进行分割，其中，所述学习网络包括与所述多个位置对应的多个全卷积神经网络以及与之依序连接的节点与所述多个位置对应的至少一层树结构卷积递归神经网络，且节点间的信息传播方式与所述多个位置的空间约束关系相符。

【技术实现步骤摘要】
医学图像的分割方法、分割装置、分割系统及计算机可读介质本申请是申请号为201910331967.0、申请日为2019年4月24日、专利技术名称为“医学图像的分割方法、分割装置、分割系统及计算机可读介质”的中国专利技术专利申请的分案申请。交叉引用本申请要求于2018年4月24日提交的申请号为62/662,212的美国临时申请的优先权，其全部内容通过引用结合于此。
本公开大体涉及图像处理和分析。更具体地，本公开涉及医学图像的分割方法、分割装置、分割系统以及其上储存有计算机程序的非暂时性的计算机可读介质。
技术介绍
在医学图像分析中，重要的问题是对2D或3D图像进行分割以识别出2D或3D目标，例如，在CT和MRI图像中识别诸如冠脉血管树，在视网膜图像中分割出血管等。通常在临床实践中，血管是由专家或医师在图像上手动分割的，这耗时且劳动强度大，并且分割结果可能是主观的。因此，引入了自动化计算机辅助的分割来提供更可靠和一致的血管分割。目前，计算机辅助的传统分割方法不能适应不同模态和部位的血管分割需求，也不能受益于临床分割数据。虽然引入了机器学习方法，但是通常将2D图像块作为输入，将单个卷积神经网络应用于各个2D图像块来提取局部特征，并利用监督决定融合来分析整幅图像，也就是说，各个图像块是被独立处理的，而没有考虑到图像块与其相邻图像块之间的互相影响。即便有些分割方法考虑到了在单个路径上相邻图像块之间的互相影响，血管树通常包括多个分支而非单个路径，这些分割方法依然不能准确地分割出血管树。提出本公开以解决以上问题。
技术实现思路
本公开意图提供一种医学图像的分割方法、分割装置、分割系统及计算机可读介质，其能够在医学图像中准确迅速且同步地分割出血管树。根据本公开的第一方面，提供一种医学图像的分割方法，所述医学图像中包含血管树，所述医学图像的分割方法包括：获取所述医学图像及所述血管树的中心线；由处理器，从所述医学图像在沿着所述血管树的中心线的多个位置提取图像块，以得到图像块集合；由所述处理器，基于所得到的图像块集合，利用训练好的学习网络对所述医学图像进行分割，其中，所述学习网络基于与所述多个位置一一对应的多个全卷积神经网络以及节点与所述多个位置一一对应的至少一层树结构递归神经网络依序连接而成，每个节点由卷积递归神经网络构成，且节点间的信息传播方式与所述多个位置的空间约束关系相符。在一些实施例中，基于所得到的图像块集合，利用训练好的学习网络对所述医学图像进行分割包括：基于所得到的图像块集合，利用训练好的学习网络确定所述多个位置的分割蒙版集合；基于获得的分割蒙版集合得到所述医学图像的分割结果。在一些实施例中，所述图像分割方法还包括：由人工对所述医学图像进行初步分割，并提取中心线；或者先由所述处理器对所述医学图像进行初步分割并提取中心线，然后由人工进行核查修正。在一些实施例中，所述图像分割方法还包括：提取所述血管树的中心线的分支和分支中的分叉点，其中，所述多个位置至少包括分叉点和各个分支中除了分叉点以外的至少一个点。在一些实施例中，所述图像块为2D图像块，所述学习网络为2D学习网络。在一些实施例中，所述学习网络为3D学习网络，并且在接收2D医学图像的情况下，所述图像分割方法还包括：基于所接收的2D医学图像，重建3D医学图像；所提取的中心线是3D中心线，所述图像块为从所述3D医学图像沿着3D中心线提取的多个位置的3D图像块。在一些实施例中，所述卷积递归神经网络为卷积长短期记忆网络或卷积门控递归单元。在一些实施例中，所述血管树的路径中两个相邻位置所对应的每对节点间的信息传播方式为双向信息传播。在一些实施例中，至少一层树结构递归神经网络包括至少二层树结构神经网络，相邻层中与所述多个位置中相同位置对应的两个节点彼此连接。在一些实施例中，所述全卷积神经网络基于3×3卷积核的数个卷积层、2×2的数个池化层以及数个上采样层的堆叠而构成，或者基于3×3×3卷积核的数个卷积层、2×2×2的数个池化层以及数个上采样层的堆叠而构成。根据本公开的第二方面，提供一种医学图像的分割装置，所述医学图像包含血管树，所述医学图像的分割装置包括：接口，其配置为接收待分割的医学图像；处理器，其配置为：从所述医学图像在沿着所述血管树的中心线的多个位置提取图像块，以得到图像块集合；基于所得到的图像块集合，利用训练好的学习网络对所述医学图像进行分割；所述学习网络基于与所述多个位置一一对应的多个全卷积神经网络以及节点与所述多个位置一一对应的至少一层树结构递归神经网络依序连接而成，每个节点由卷积递归神经网络构成，且节点间的信息传播方式与所述多个位置的空间约束关系相符，并且所述中心线采用人工提取、自动提取和半自动提取中的一种方式来提取，所述自动提取由所述处理器执行，或者不由所述处理器执行而经由所述接口将提取的中心线传输到所述图像分割装置。在一些实施例中，基于所得到的图像块集合，利用训练好的学习网络对所述医学图像进行分割包括：基于所得到的图像块集合，利用训练好的学习网络确定所述多个位置的分割蒙版集合；基于获得的分割蒙版集合得到所述医学图像的分割结果。根据本公开的第三方面，提供一种医学图像的分割系统，所述医学图像包含血管树，所述医学图像的分割系统包括：接口，其配置为接收待分割的医学图像；初步分割单元，其配置用于对所接收的医学图像进行初步分割，并提取所述血管树的中心线；图像块提取单元，其配置为从所述医学图像在沿着所述血管树的中心线的多个位置提取图像块，以得到图像块集合；学习网络构建单元，其配置为：构建与所述多个位置一一对应的多个全卷积神经网络；利用卷积递归神经网络作为节点，以各个节点与所述多个位置一一对应的方式来构建至少一层树结构递归神经网络，使得节点间的信息传播方式与所述多个位置的空间约束关系相符；将各个全卷积神经网络与第一层树结构递归神经网络中对应于相同位置的节点连接，以构建所述学习网络；训练单元，其配置为：利用所述多个位置处的图像块集合及其人工标注的地面真值分割蒙版集合作为训练样本，对所述学习网络进行训练；细化分割单元，其配置为：基于所得到的图像块集合，利用训练好的所述学习网络实现所述医学图像的细化分割。在一些实施例中，所述训练单元被配置为：对所述学习网络中的所述多个全卷积神经网络和所述至少一层树结构递归神经网络进行联合训练。在一些实施例中，所接收的医学图像是一系列的2D医学图像，所述初步分割单元还包括：2D初步分割单元，其配置用于对所接收的一系列的2D医学图像进行中心线的2D初步分割；3D重建单元，其配置为：基于所述一系列的2D图像、由2D初步分割得到的血管树的中心线，重建所述血管树的3D中心线和3D图像。根据本公开的第四方面，提供了一种其上储存有计算机程序的非暂时性的计算机可读介质，其中，所述计算机程序由至少一个处理器执行时，实现如下步骤：获取包含血管树的医学图像及所述血管树的中心线；从所述医学图像在沿着所述血管树的中心线的多个位置提取图像块，本文档来自技高网...

【技术保护点】
1.一种医学图像的分割方法，所述医学图像中包含血管树，其特征在于，所述医学图像的分割方法包括：/n获取所述医学图像及所述血管树的中心线；/n由至少一个处理器，从所述医学图像在沿着所述血管树的中心线的多个位置提取图像块，以得到图像块集合；/n由所述至少一个处理器，基于所得到的图像块集合，利用训练好的学习网络对所述医学图像进行分割，其中，所述学习网络包括与所述多个位置对应的多个全卷积神经网络以及与之依序连接的节点与所述多个位置对应的至少一层树结构卷积递归神经网络，且节点间的信息传播方式与所述多个位置的空间约束关系相符。/n

【技术特征摘要】
20180424 US 62/662,2121.一种医学图像的分割方法，所述医学图像中包含血管树，其特征在于，所述医学图像的分割方法包括：
获取所述医学图像及所述血管树的中心线；
由至少一个处理器，从所述医学图像在沿着所述血管树的中心线的多个位置提取图像块，以得到图像块集合；
由所述至少一个处理器，基于所得到的图像块集合，利用训练好的学习网络对所述医学图像进行分割，其中，所述学习网络包括与所述多个位置对应的多个全卷积神经网络以及与之依序连接的节点与所述多个位置对应的至少一层树结构卷积递归神经网络，且节点间的信息传播方式与所述多个位置的空间约束关系相符。


2.根据权利要求1所述的医学图像的分割方法，其特征在于，基于所得到的图像块集合，利用训练好的学习网络对所述医学图像进行分割包括：
基于所得到的图像块集合，利用训练好的学习网络确定所述多个位置的分割蒙版集合；
基于获得的分割蒙版集合得到所述医学图像的分割结果。


3.根据权利要求2所述的医学图像的分割方法，其特征在于，所述图像分割方法还包括：
由人工对所述医学图像进行初步分割，并提取中心线；或者
先由所述处理器对所述医学图像进行初步分割并提取中心线，然后由人工进行核查修正。


4.根据权利要求3所述的医学图像的分割方法，其特征在于，基于所得到的图像块集合，利用训练好的学习网络对所述医学图像进行分割还包括：
将基于所述分割蒙版集合得到所述分割结果与所述初步分割的分割结果整合，以得到所述医学图像的精细分割结果。


5.根据权利要求1所述的医学图像的分割方法，其特征在于，基于所得到的图像块集合，利用训练好的学习网络对所述医学图像进行分割包括：利用训练好的学习网络对所述血管树的所述多个位置处的图像块进行同步分割。


6.根据权利要求1所述的医学图像的分割方法，其特征在于，所述图像分割方法还包括：提取所述血管树的中心线的分支和分支中的分叉点，其中，所述多个位置至少包括分叉点和各个分支中除了分叉点以外的至少一个点。


7.根据权利要求1所述的医学图像的分割方法，其特征在于，所述图像块为2D图像块，所述学习网络为2D学习网络；或者，所述图像块为3D图像块，所述学习网络为3D学习网络。


8.根据权利要求1所述的医学图像的分割方法，其特征在于，所述学习网络为3D学习网络，并且在接收2D医学图像的情况下，所述图像分割方法还包括：
基于所接收的2D医学图像，重建3D医学图像；
所提取的中心线是3D中心线，所述图像块为从所述3D医学图像沿着3D中心线提取的多个位置的3D图像块。


9.根据权利要求1所述的医学图像的分割方法，其特征在于，所述血管树的路径中两个相邻位置所对应的每对节点间的信息传播方式为双向信息传播。


10.根据权利要求1所述的医学图像的分割方法，其特征在于，至少一层树结构卷积递归神经网络包括至少二层树结构神经网络，相邻层中与所述多个位置中相同位置对应的两个节点彼此连接。


11.根据权利要求1所述的医学图像的分割方法，其特征在于，每个节点基于卷积递归神经网络构成。


12.一种医学图像的分割装置，所述医学图像包含血管树，其特征在于，所述医学图像的分割装置包括：
接口，其配置为接收待分割的医学图像；
至少一个处理器，其配置为：
从所述医学图像在沿着所述血管树的中心线的多个位置提取图像块以得到图像块集合；
基于所得到的图像块集合，利用训练好的学习网络对所述医学图像进行分割；
所述学习网络包括与所述多个位置对应的多...

【专利技术属性】
技术研发人员：王昕，尹游兵，白军杰，陆易，宋麒，
申请(专利权)人：深圳科亚医疗科技有限公司，
类型：发明
国别省市：广东;44