一种基于影像数据的分割方法、装置以及设备制造方法及图纸

本说明书实施例公开了一种基于影像数据的分割方法、装置以及设备。所述方法包括：获取待处理的CTA影像数据；将所述待处理的CTA影像数据输入分割模型中，对所述待处理的CTA影像数据进行分割，获得三分割结果，其中，所述分割模型是基于半自动标注方法，经过神经网络训练预先获得的三分割模型，所述三分割结果为所述待处理的CTA影像数据的骨组织的分割结果，血管的分割结果和钙化组织的分割结果。采用本说明书提供的分割方法，能够自动实现骨组织、钙化组织及血管的分割，大幅度节省分析时间，而且准确性较高。

【技术实现步骤摘要】
一种基于影像数据的分割方法、装置以及设备
本说明书涉及医学影像及计算机
，尤其涉及一种基于影像数据的分割方法、装置以及设备。
技术介绍
CTA(计算机断层扫描血管造影术)影像数据在临床中具有重要应用，可作为颅内动脉瘤的临床治疗的辅助诊断手段。由于颅脑影像中的骨组织会影响到临床诊断结果，为了实现较佳的诊断结果、减少诊断误差，往往需要去除颅脑影像数据中的骨组织。现有技术中，CTA影像数据的去骨，一般采用两组图像，通过做差处理去除骨组织。具体地，利用平扫CT影像数据(NCCT)及CTA影像数据，其中，NCCT影像为不需要注射造影剂的图像，CTA影像为注射造影剂的图像，利用CTA影像数据与CTA影像数据进行做差处理，得到去骨后的图像，继而通过阈值分割等方法，进行血管组织的提取。这种对CTA影像去骨，提取血管的方法，需要进行两次CT扫描，增加了患者的辐射量；患者如果移动，造成去骨图像位置不匹配，导致去骨效果变差，甚至需要重新扫描；而且这种方法误差较大。另外，由于血管的钙化亮度与颅骨相当，这种方法，难以将钙化部位与骨组织区分开，尤其是在血管入颅段等区域。因此，需要一种新的方法，能够实现骨组织、钙化组织及血管的分割。
技术实现思路
本说明书实施例提供一种基于影像数据的分割方法、装置以及设备，用于解决以下技术问题：需要进行两次CT扫描，增加了患者的辐射量；易出现去骨图像位置不匹配，导致去骨效果变差，甚至需要重新扫描；误差较大，且难以将钙化部位与骨组织区分开。为解决上述技术问题，本说明书实施例是这样实现的：本说明书实施例提供一种基于影像数据的分割方法，包括：获取待处理的CTA影像数据；将所述待处理的CTA影像数据输入分割模型中，对所述待处理的CTA影像数据进行分割，获得三分割结果，其中，所述分割模型是基于半自动标注方法，经过神经网络训练预先获得的三分割模型，所述三分割结果为所述待处理的CTA影像数据的骨组织的分割结果，血管的分割结果和钙化组织的分割结果。进一步地，所述分割模型是基于半自动标注方法，经过神经网络训练预先获得的三分割模型，具体包括：对训练集数据通过半自动标注的方法添加标签，获得标注的训练集数据，其中，所述训练集数据包括NCCT影像数据及与所述NCCT影像数据对应的CTA影像数据，所述标签包括骨组织的标签、血管的标签及钙化组织的标签；将所述标注的训练集数据及所述训练集数据中的CTA影像数据输入卷积神经网络中进行训练，获得分割模型。进一步地，所述对训练集数据通过半自动标注的方法添加标签，获得标注的训练集数据，具体包括：基于所述训练集数据中的NCCT影像数据中的骨组织的位置，获得所述训练集数据的骨组织的第一标签数据，所述训练集数据的骨组织的第一标签数据作为所述训练集数据的骨组织的标签数据；基于所述训练集数据中的CTA影像数据中的血管的位置，获得所述训练集数据的血管的标签数据；基于所述训练集数据的骨组织的第一标签数据及所述训练集数据的血管的标签数据，获得所述训练集数据的钙化组织的标签数据。进一步地，所述基于所述训练集数据中的NCCT影像数据中的骨组织的位置，获得所述训练集数据的骨组织的第一标签数据，具体包括：对所述训练集数据中的NCCT影像数据进行阈值分割，获得所述训练集数据的骨组织的第一标签数据。进一步地，所述基于所述训练集数据中的CTA影像数据中的血管的位置，获得所述训练集数据的血管的标签数据，具体包括：将所述训练集数据中的CTA影像数据与所述训练集数据中的NCCT影像数据进行做差操作后，采用血管阈值算法，获得所述训练集数据中的CTA影像数据中的血管的位置。进一步地，所述获得所述训练集数据的钙化组织的标签数据，进一步包括：对所述训练集数据的钙化组织的标签数据进行人工识别，作为最终的训练集数据的钙化组织的标签数据。进一步地，所述基于所述训练集数据的骨组织的第一标签数据及所述训练集数据的血管的标签数据，获得所述训练集数据的钙化组织的标签数据，具体包括：对所述训练集数据的骨组织的第一标签数据进行连通域分析，获得所述训练集数据的连通域标签数据；从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后，与所述训练集数据的血管标签数据进行重叠分析，获得所述训练集数据的钙化组织的标签数据。进一步地，所述从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后，与所述训练集数据的血管标签数据进行重叠分析，获得所述训练集数据的钙化组织的标签数据，具体包括：从所述训练集数据的骨组织的第一标签数据中去除预设体积的骨组织的标签数据后，与经过膨胀操作的所述训练集数据的血管标签数据进行重叠分析，获得所述训练集数据的钙化组织的标签数据。进一步地，所述方法进一步包括：从所述训练集数据的骨组织的第一标签数据中去除所述训练集数据的钙化组织的标签数据，获得所述训练集数据的骨组织的第二标签数据，所述训练集数据的骨组织的第二标签数据作为所述训练集数据的骨组织的标签数据。本说明书实施例还提供一种基于影像数据的分割装置，包括：获取模块，获取待处理的CTA影像数据；分割模块，将所述待处理的CTA影像数据输入分割模型中，对所述待处理的CTA影像数据进行分割，获得三分割结果，其中，所述分割模型是基于半自动标注方法，经过神经网络训练预先获得的三分割模型，所述三分割结果为所述待处理的CTA影像数据的骨组织的分割结果，血管的分割结果和钙化组织的分割结果。进一步地，所述分割模型是基于半自动标注方法，经过神经网络训练预先获得的三分割模型，具体包括：对训练集数据通过半自动标注的方法添加标签，获得标注的训练集数据，其中，所述训练集数据包括NCCT影像数据及与所述NCCT影像数据对应的CTA影像数据，所述标签包括骨组织的标签、血管的标签及钙化组织的标签；将所述标注的训练集数据及所述训练集数据中的CTA影像数据输入卷积神经网络中进行训练，获得分割模型。进一步地，所述对训练集数据通过半自动标注的方法添加标签，获得标注的训练集数据，具体包括：基于所述训练集数据中的NCCT影像数据中的骨组织的位置，获得所述训练集数据的骨组织的第一标签数据，所述训练集数据的骨组织的第一标签数据作为所述训练集数据的骨组织的标签数据；基于所述训练集数据中的CTA影像数据中的血管的位置，获得所述训练集数据的血管的标签数据；基于所述训练集数据的骨组织的第一标签数据及所述训练集数据的血管的标签数据，获得所述训练集数据的钙化组织的标签数据。进一步地，所述基于所述训练集数据中的NCCT影像数据中的骨组织的位置，获得所述训练集数据的骨组织的第一标签数据，具体包括：对所述训练集数据中的NCCT影像数据进行阈值分割，获取所述训练集数据中的NCCT影像数据的骨组织的位置；对所述训练集数据中的NCCT影像数据的本文档来自技高网...

【技术保护点】
1.一种基于影像数据的分割方法，其特征在于，所述方法包括：/n获取待处理的CTA影像数据；/n将所述待处理的CTA影像数据输入分割模型中，对所述待处理的CTA影像数据进行分割，获得三分割结果，其中，所述分割模型是基于半自动标注方法，经过神经网络训练预先获得的三分割模型，所述三分割结果为所述待处理的CTA影像数据的骨组织的分割结果，血管的分割结果和钙化组织的分割结果。/n

【技术特征摘要】
1.一种基于影像数据的分割方法，其特征在于，所述方法包括：
获取待处理的CTA影像数据；
将所述待处理的CTA影像数据输入分割模型中，对所述待处理的CTA影像数据进行分割，获得三分割结果，其中，所述分割模型是基于半自动标注方法，经过神经网络训练预先获得的三分割模型，所述三分割结果为所述待处理的CTA影像数据的骨组织的分割结果，血管的分割结果和钙化组织的分割结果。


2.如权利要求1所述的方法，其特征在于，所述分割模型是基于半自动标注方法，经过神经网络训练预先获得的三分割模型，具体包括：
对训练集数据通过半自动标注的方法添加标签，获得标注的训练集数据，其中，所述训练集数据包括NCCT影像数据及与所述NCCT影像数据对应的CTA影像数据，所述标签包括骨组织的标签、血管的标签及钙化组织的标签；
将所述标注的训练集数据及所述训练集数据中的CTA影像数据输入卷积神经网络中进行训练，获得分割模型。


3.如权利要求2所述的方法，其特征在于，所述对训练集数据通过半自动标注的方法添加标签，获得标注的训练集数据，具体包括：
基于所述训练集数据中的NCCT影像数据中的骨组织的位置，获得所述训练集数据的骨组织的第一标签数据，所述训练集数据的骨组织的第一标签数据作为所述训练集数据的骨组织的标签数据；
基于所述训练集数据中的CTA影像数据中的血管的位置，获得所述训练集数据的血管的标签数据；
基于所述训练集数据的骨组织的第一标签数据及所述训练集数据的血管的标签数据，获得所述训练集数据的钙化组织的标签数据。


4.如权利要求3所述的方法，其特征在于，所述基于所述训练集数据中的NCCT影像数据中的骨组织的位置，获得所述训练集数据的骨组织的第一标签数据，具体包括：
对所述训练集数据中的NCCT影像数据进行阈值分割，获得所述训练集数据的骨组织的第一标签数据。


5.如权利要求3所述的方法，其特征在于，所述基于所述训练集数据中的CTA影像数据中的血管的位置，获得所述训练集数据的血管的标签数据，具体包括：
将所述训练集数据中的CTA影像数据与所述训练集数据中的NCCT影像数据进行做差操作后，采用血管阈值算法，提取所述训练集数据中的CTA影像数据中的血管组织，获得所述训练集数据中的CTA影像数据中的血管的位置。


6.如权利要求3所述的方法，其特征在于，所述获得所述训练集数据的钙化组织的标签数据，进一步包括：
对所述训练集数据的钙化组织的标签数据进行...

【专利技术属性】
技术研发人员：方刚，宋凌，印胤，杨光明，
申请(专利权)人：强联智创北京科技有限公司，
类型：发明
国别省市：北京;11