基于边缘感知的腹部多器官分割建模、分割方法及系统技术方案

本发明专利技术属于医学图像分割技术领域，公开了一种基于边缘感知的腹部多器官分割建模、分割方法及系统。方法包括如下步骤：步骤1：获取原始腹部CT图像集，标注出每张原始腹部CT图像中的肝脏、胃、胰腺和肠道器官，对标注完成后的原始腹部CT图像集进行预处理，获得腹部CT图像集；步骤2：建立腹部多器官分割网络，所述的腹部多器官分割网络包括体素分割模块、边缘感知模块和融合模块；步骤3：将腹部CT图像集作为训练集，将标注出的肝脏、胃、胰腺和肠道器官的原始腹部CT图像作为标签，对腹部多器官分割网络进行训练，将训练好的分割网络作为腹部多器官分割模型。分割模型。分割模型。

【技术实现步骤摘要】
基于边缘感知的腹部多器官分割建模、分割方法及系统


[0001]本专利技术属于医学图像分割
，具体涉及一种基于边缘感知的腹部多器官分割建模、分割方法及系统。

技术介绍

[0002]CT扫描是腹部疾病的常规检查，也是疾病诊断的重要参考手段。在腹部CT图像中，准确地对器官区域进行自动分割，可以节省大量的时间和人力成本，可以提高后续器官内病灶区域分割和检测结果的准确性，可以帮助医生制定更精准的手术方案，还可以将分割出来的器官进行三维重建及可视化，从而辅助医生完成更精准的诊疗。在面对复杂的腹部疾病时，需要对腹部CT图像中的多种器官同时完成分割才能满足临床应用。因此，腹部CT图像的多器官分割在病理分析、手术方案制定以及临床诊断上都存在巨大的意义。
[0003]人的腹部包含了人体许多重要器官，如胃、脾脏、肾脏、肝脏、胰腺、胆囊和肠道等。随着计算机性能的提高和深度学习领域的快速发展，卷积神经网络(CNN)已广泛应用于医学图像分割和检测。其中，U
‑
Net网络结构的提出极大的促进了图像分割在医学图像上的广泛应用，并在各类分割任务上取得了优秀的性能，例如在2D图像上进行细胞检测，在X射线和CT图像上进行器官和肿瘤分割等。然而，腹部多器官分割存在着很多技术难题，例如腹部CT图像对比度差，存在较大的噪声，图像背景复杂且各器官组织边界模糊等，这些问题都为腹部器官分割带来了一定的挑战。目前的分割算法针对体积较大且位置相对固定的器官(胃、肝肾脾)已经取得了不错的效果，但对肠道和胰腺等形变较大、体积较小、组织边缘模糊的器官分割效果相对较差。尤其是胰腺器官的周围脏器较多，在CT图像中边缘不清晰、难以与其他脏器区分。
[0004]究其原因，CT图像在分割过程中，前景对象与不相关的背景对象具有较高的相似性，这种相似特征会被神经网络混淆，从而导致分割边缘不准确等错误预测。除此之外，大多数现有的方法侧重于目标区域的特征提取，忽略了边缘特征的提取，而这些边缘信息对于精确分割形变较大、体积较小、组织边缘模糊的器官是至关重要的。如何在腹部影像多器官分割过程中，有效提取上述器官的边缘特征，是制约腹部多器官分割技术发展的主要问题之一。

技术实现思路

[0005]本专利技术的目的在于提供一种基于边缘感知的腹部多器官分割建模、分割方法及系统，用以解决现有技术中的在进行腹部多器官分割时，组织边缘模糊导致的器官分割边缘不准确问题。
[0006]为了实现上述任务，本专利技术采用以下技术方案：
[0007]一种基于边缘感知的腹部多器官分割建模方法，包括如下步骤：
[0008]步骤1：获取原始腹部CT图像集，标注出每张原始腹部CT图像中的肝脏、胃、胰腺和肠道器官，对标注完成后的原始腹部CT图像集进行预处理，获得腹部CT图像集；
[0009]步骤2：建立腹部多器官分割网络，所述的腹部多器官分割网络包括体素分割模块、边缘感知模块和融合模块；所述的体素分割模块用于提取各个器官的语义分割特征图，所述的边缘感知模块用于提取各个器官的边缘特征图，所述的融合模块用于将各个器官的语义分割特征图和边缘特征图进行融合；
[0010]所述的体素分割模块采用nnUNet网络作为主干网络，包括编码器和解码器，所述的编码器包括多层的卷积和下采样，所述的解码器包括多层反卷积和上采样，所述的编码器和解码器层数相同；所述的边缘感知模块设置在体素分割模块的每层卷积之后，所述的边缘感知模块包括依次相连的卷积层、边缘注意门控卷积层和残差块；
[0011]步骤3：将腹部CT图像集作为训练集，将标注出的肝脏、胃、胰腺和肠道器官的原始腹部CT图像作为标签，对腹部多器官分割网络进行训练，将训练好的分割网络作为腹部多器官分割模型。
[0012]进一步的，所述的边缘注意门控卷积层包括4个AGL分别为AGL1、AGL2、AGL3和AGL4，每个AGL有两路输入；
[0013]其中，AGL1的一路输入为体素分割模块第一层的卷积输出的特征图经1
×1×
1大小的卷积和残差块结构操作之后得到的特征图，另一路输入为体素分割模块第二层的卷积块结构输出的特征图经1
×1×
1大小的卷积操作之后得到的特征图，AGL1的输出为第一个边缘特征图；
[0014]AGL2、AGL3和AGL4的输入均为上一层AGL输出的边缘特征图经残差块结构处理之后得到的边缘特征图，以及体素分割网络对应层的卷积块结构输出的特征图经1
×1×
1大小的卷积操作之后得到的特征图，AGL2、AGL3和AGL4的输出分别为第二至四个边缘特征图。
[0015]一种基于边缘感知的腹部多器官分割方法，包括如下步骤：
[0016]步骤一：获取待分割的原始腹部CT图像并进行预处理，得到待分割的腹部CT图像；
[0017]步骤二：将待分割的腹部CT图像输入任一种基于边缘感知的腹部多器官分割建模方法建立的腹部多器官分割模型中，获得待分割的腹部CT图像的多器官分割结果。
[0018]一种基于边缘感知的腹部多器官分割系统，该系统包括处理器和用于存储能够在处理器上运行的多个功能模块的存储器，所述功能模块包括腹部多器官分割模型和分割模块；
[0019]所述的腹部多器官分割模型采用任一种基于边缘感知的腹部多器官分割建模方法获得；
[0020]所述的分割模块用于获取待分割的原始腹部CT图像并进行预处理，得到待分割的腹部CT图像，将待分割的腹部CT图像输入如上述实施例方法建立的腹部多器官分割模型中，获得待分割的腹部CT图像的多器官分割结果。
[0021]一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如基于边缘感知的腹部多器官分割方法。
[0022]本专利技术与现有技术相比具有以下技术特点：
[0023](1)本专利技术基于腹部肝脏、胃、胰腺和肠道四个器官的特点，提出了一种基于边缘感知的多器官分割网络架构，在主干网络(nnUNet)中嵌入边缘感知模块来引导分割网络，有效缓解了形变较大、体积较小、组织边缘模糊的器官分割边缘不准确的问题，从而实现了更精准的CT影像的腹部多器官分割结果。
[0024](2)本专利技术设计了一种基于边缘感知的分割方法，该方法在体素分割网络(nnUNet)中嵌入一种边界感知模块来引导分割网络，边缘感知模块通过边缘注意门控卷积层(AGL)和边缘标签来帮助该模块仅处理图像边界相关信息，而不关注图像的其他信息，最后在融合模块将体素分割网络模块提取的语义特征和边缘感知模块提取的边缘特征进行融合，有效缓解了胰腺和肠道器官分割边缘不准确的问题。
附图说明
[0025]图1为本专利技术的腹部多器官分割模型网络架构图；
[0026]图2为实施例中腹部多器官分割模型的网络结构图；
[0027]图3为边缘注意门控卷积层结构图；
[0028]图4为融合模块具体结构图；
[0029]图5为腹部多器官分割测试结果对比图。
具体实施方式
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘感知的腹部多器官分割建模方法，其特征在于，包括如下步骤：步骤1：获取原始腹部CT图像集，标注出每张原始腹部CT图像中的肝脏、胃、胰腺和肠道器官，对标注完成后的原始腹部CT图像集进行预处理，获得腹部CT图像集；步骤2：建立腹部多器官分割网络，所述的腹部多器官分割网络包括体素分割模块、边缘感知模块和融合模块；所述的体素分割模块用于提取各个器官的语义分割特征图，所述的边缘感知模块用于提取各个器官的边缘特征图，所述的融合模块用于将各个器官的语义分割特征图和边缘特征图进行融合；所述的体素分割模块采用nnUNet网络作为主干网络，包括编码器和解码器，所述的编码器包括多层的卷积和下采样，所述的解码器包括多层反卷积和上采样，所述的编码器和解码器层数相同；所述的边缘感知模块设置在体素分割模块的每层卷积之后，所述的边缘感知模块包括依次相连的卷积层、边缘注意门控卷积层和残差块；步骤3：将腹部CT图像集作为训练集，将标注出的肝脏、胃、胰腺和肠道器官的原始腹部CT图像作为标签，对腹部多器官分割网络进行训练，将训练好的分割网络作为腹部多器官分割模型。2.如权利要求1所述的基于边缘感知的腹部多器官分割建模方法，其特征在于，所述的边缘注意门控卷积层包括4个AGL分别为AGL1、AGL2、AGL3和AGL4，每个AGL有两路输入；其中，AGL1的一路输入为体素分割模块第一层的卷积输出的特征图经1
×1×
1大小的卷积和残差块结构操作之后得到的特征图，另一路输入为体素分割模块第二层的卷积...

【专利技术属性】
技术研发人员：谢飞，郜刚，
申请(专利权)人：陕西大智慧医疗科技股份有限公司，
类型：发明
国别省市：