头颈部器官影像分割方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术提供一种头颈部器官影像分割方法、装置、电子设备和存储介质，其中方法包括：确定待分割的头颈部影像中的器官区域图像；将所述器官区域图像输入至像素分割模型，得到所述像素分割模型输出的器官分割结果；所述像素分割模型是基于样本器官区域图像及其像素级分割标签训练得到的，所述像素分割模型包括残差结构下的主流网络和支流网络，所述支流网络通过线性插值提取所述器官区域图像的细微特征，并基于所述细微特征进行像素分割，解决了传统方法提取特征时，在多次增大感受野的情况下对细小器官的细微特征无法捕捉特征的问题，实现了对细微特征的提取，从而能够对器官区域图像进行准确的像素分割。行准确的像素分割。行准确的像素分割。

【技术实现步骤摘要】
头颈部器官影像分割方法、装置、电子设备和存储介质


[0001]本专利技术涉及医学影像领域，尤其涉及一种头颈部器官影像分割方法、装置、电子设备和存储介质。

技术介绍

[0002]多尺度头颈部器官图像分割技术利用CT(Computed Tomography,电子计算机断层扫描)影像的边缘特征和结构特征，通过像素值高低的分布信息，推算出CT影像中器官的位置和分类。这一技术在放射治疗领域具有很高的应用价值。
[0003]U
‑
Net是一种基于深度学习的图像语义分割方法，尤其在医学图像分割中表现优异。传统的U
‑
Net结构方法利用卷积核提取会使感受野成倍增加的特点，通过encoder
‑
decoder(编码
‑
解码)的形式收集并浓缩关键的特征信息，然后通过层层解码还原器官轮廓，并对其进行像素级分割。
[0004]但是，由于扩大感受野的过程是加权后求和，所以在U
‑
Net架构中被扩大32倍的感受野不可避免地会将细小对象的特征忽略。此外，最终得到的特征图的解码也增加了多尺度器官分割的难度。

技术实现思路

[0005]本专利技术提供一种头颈部器官影像分割方法、装置、电子设备和存储介质，用以解决现有技术中U
‑
Net架构卷积神经网络在多次增大感受野的情况下对细小器官的细微特征无法捕捉特征的问题，实现了对细微特征的提取，从而能够对器官区域图像进行准确的像素分割。
[0006]本专利技术提供一种头颈部器官影像分割方法，包括：
[0007]确定待分割的头颈部影像中的器官区域图像；
[0008]将所述器官区域图像输入至像素分割模型，得到所述像素分割模型输出的器官分割结果；
[0009]所述像素分割模型是基于样本器官区域图像及其像素级分割标签训练得到的，所述像素分割模型包括残差结构下的主流网络和支流网络，所述支流网络通过线性插值提取所述器官区域图像的细微特征，并基于所述细微特征进行像素分割。
[0010]根据本专利技术提供的一种头颈部器官影像分割方法，所述支流网络包括插值编码层和池化解码层；
[0011]其中，所述插值编码层包括串联的多个尺度逐个增大的插值编码模块，所述池化解码层包括串联的多个尺度逐个减小的池化解码模块；
[0012]所述插值编码模块输出的细微特征输入下一插值编码模块以及对应尺度下的池化解码模块。
[0013]根据本专利技术提供的一种头颈部器官影像分割方法，所述插值编码层用于对输入的细微特征进行线性插值、卷积和激活。
[0014]根据本专利技术提供的一种头颈部器官影像分割方法，所述主流网络包括池化编码层和插值解码层；
[0015]其中，所述池化编码层包括串联的多个尺度逐个减小的池化编码模块，所述插值解码层包括串联的多个尺度逐个增大的插值解码模块；
[0016]所述池化编码模块输出的图像特征输入下一池化编码模块以及对应尺度下的插值解码模块。
[0017]根据本专利技术提供的一种头颈部器官影像分割方法，所述插值编码层中的首个插值编码模块与所述池化编码层中的首个池化编码模块共享信息；
[0018]所述池化解码层中的最后一个池化解码模块和所述插值解码层中的最后一个插值解码模块共享信息。
[0019]根据本专利技术提供的一种头颈部器官影像分割方法，所述确定待分割的头颈部影像中的器官区域图像，包括：
[0020]将所述待分割的头颈部影像输入至器官检测模型，得到所述器官检测模型输出的器官区域图像，所述器官检测模型是基于样本头颈部影像以及其中标注的器官区域训练得到的。
[0021]根据本专利技术提供的一种头颈部器官影像分割方法，所述将所述器官区域图像输入至像素分割模型，得到所述像素模型输出的器官分割结果，之前还包括：
[0022]对所述器官区域图像进行边缘增强。
[0023]本专利技术还提供一种头颈部器官影像分割装置，包括：
[0024]图像确定单元，用于确定待分割的头颈部影像中的器官区域图像；
[0025]结果获取单元，用于将所述器官区域图像输入至像素分割模型，得到所述像素分割模型输出的器官分割结果；所述像素分割模型是基于样本器官区域图像及其像素级分割标签训练得到的，所述像素分割模型包括残差结构下的主流网络和支流网络，所述支流网络通过线性插值提取所述器官区域图像的细微特征，并基于所述细微特征进行像素分割。
[0026]本专利技术还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述头颈部器官影像分割方法的步骤。
[0027]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述头颈部器官影像分割方法的步骤。
[0028]本专利技术提供的头颈部器官影像分割方法、装置、电子设备和存储介质，从待分割的头颈部影像中的确定器官区域图像，通过像素分割模型包括的残差结构下的支流网络，提取器官区域图像中的细微特征，根据细微特征对器官区域图像进行像素分割，解决了传统方法提取特征时，在多次增大感受野的情况下对细小器官的细微特征无法捕捉特征的问题，实现了对细微特征的提取，从而能够对器官区域图像进行准确的像素分割，该方法适用于在共享权重的前提下对多尺度分割对象进行像素级分割，算法具有更高的精度。
附图说明
[0029]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些
实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0030]图1是本专利技术提供的头颈部器官影像分割方法的流程示意图；
[0031]图2是本专利技术提供的像素分割模型的结构示意图；
[0032]图3是本专利技术提供的头颈部器官影像分割装置的结构示意图；
[0033]图4是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0034]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0035]图1是本专利技术提供的延误情况下的时刻表调整方法的流程示意图，如图1所示，该方法包括：
[0036]步骤110，确定待分割的头颈部影像中的器官区域图像。
[0037]此处，待分割的头颈部影像即需要进行像素分割，并从影像中获取器官分割结果的头颈部影像。待分割的头颈部影像可以是CT图像，也可以是核磁共振图像，本专利技术实施例对此不作具体限定。此处的待分割的头颈部影像可以是一张也本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种头颈部器官影像分割方法，其特征在于，包括：确定待分割的头颈部影像中的器官区域图像；将所述器官区域图像输入至像素分割模型，得到所述像素分割模型输出的器官分割结果；所述像素分割模型是基于样本器官区域图像及其像素级分割标签训练得到的，所述像素分割模型包括残差结构下的主流网络和支流网络，所述支流网络通过线性插值提取所述器官区域图像的细微特征，并基于所述细微特征进行像素分割。2.根据权利要求1所述的头颈部器官影像分割方法，其特征在于，所述支流网络包括插值编码层和池化解码层；其中，所述插值编码层包括串联的多个尺度逐个增大的插值编码模块，所述池化解码层包括串联的多个尺度逐个减小的池化解码模块；所述插值编码模块输出的细微特征输入下一插值编码模块以及对应尺度下的池化解码模块。3.根据权利要求2所述的头颈部器官影像分割方法，其特征在于，所述插值编码层用于对输入的细微特征进行线性插值、卷积和激活。4.根据权利要求2所述的头颈部器官影像分割方法，其特征在于，所述主流网络包括池化编码层和插值解码层；其中，所述池化编码层包括串联的多个尺度逐个减小的池化编码模块，所述插值解码层包括串联的多个尺度逐个增大的插值解码模块；所述池化编码模块输出的图像特征输入下一池化编码模块以及对应尺度下的插值解码模块。5.根据权利要求4所述的头颈部器官影像分割方法，其特征在于，所述插值编码层中的首个插值编码模块与所述池化编码层中的首个池化编码模块共享信息；所述池化解码层中的最后一个池化解码模块和所述插值解码层中...

【专利技术属性】
技术研发人员：马喜波，刘宇浩，雷震，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：