肋骨实例分割、计数与定位的方法及系统技术方案

本发明专利技术提供了一种肋骨实例分割、计数与定位的方法及系统，包括如下步骤：对胸部CT中的肋骨进行语义分割，得到肋骨语义分割二值掩码；收集所述肋骨语义分割二值掩码对应的人工标注，获得肋骨实例分割掩码；对所述肋骨语义分割二值掩码和所述肋骨实例分割掩码进行处理，制作层序分割训练样本集；建立深度卷积神经网络模型；采用所述训练样本集训练所述深度卷积神经网络模型，得到能够预测最顶层肋骨的深度卷积神经网络；将肋骨语义分割二值掩码输入训练好的深度卷积神经网络，自顶到底逐层序得到最顶层肋骨的预测掩码，进而得到预测的肋骨实例分割掩码。本发明专利技术对肋骨计数问题进行了显式建模，通过从肺顶到肺底对肋骨进行逐根分割，实现了对肋骨计数和定位。实现了对肋骨计数和定位。实现了对肋骨计数和定位。

【技术实现步骤摘要】
肋骨实例分割、计数与定位的方法及系统


[0001]本专利技术涉及计算机
，具体地，涉及一种肋骨实例分割、计数与定位的方法及系统，尤其是一种基于深度学习的肋骨实例分割、计数与定位的方法。

技术介绍

[0002]对CT中出现的骨折(病)进行诊断、描述、报告是影像科医生阅片的重要内容之一。在发现骨折(病)时，需要根据其解剖位置对病灶进行描述，以进行随访分析或供其它科室参考。随着薄层CT的普及，医生可以发现细微的骨折(病)，但由于层数的增多，对病灶位置的确认成为了一个难题，尤其是肋骨的描述。人通常有12对肋骨，而每个肋骨均有独立的编号，按从上到下可以分为第1肋，
…
，第12肋。由于没有可靠的参考点，医生需要从CT的开始层面到病灶层面翻阅一次方可确定一个病灶的位置，如果有多个病灶，则需要反复多次。这个过程极易出错，且严重影响了医生的阅片效率，因此专利技术自动化的肋骨计数方法对于医生效率，提高诊疗质量至关重要。
[0003]目前自动肋骨计数方法主要有两种。第一种为基于规则的方法，该方法通常采用阈值或深度学习方法对肋骨进行分割，提取肋骨区域，然后采用一定的形态学规则化方法处理，最后计算连通域，按位置从上到下为每个连通域分配类别标签。但这种方法未考虑肋骨的形态信息，当CT未扫到第1对肋骨时，将给出错误的计数；在严重骨折或分割失败的情况下，每个连通域不再对应一根肋骨，因此难以设计合理的规则为每个区域分配肋骨编号。第二种为基于体素分割的方法，此类方法通常将肋骨计数看作分割问题，采用基于深度学习的2D或3D分割模型，将每个肋骨作为独立的类别进行预测，该方法可以通过标注大量肋骨计数的数据，从数据中学习从而避免手动设计规则，但受显存和计算量的制约，模型仅能以部分CT数据作为输入，导致模型因为缺少足够上下文导致分割不准确；同时分割网络有大量参数，需大量CT和其对应的计数标注，考虑到骨折的类型和部位各种各样，且人的个体差异较大，在实际中难以收集多样性足够的训练数据，以保证模型的稳定性；最后由于分割网络对原始数据进行操作，具有极高的计算复杂度，在实际部署时有巨大的资源开销。
[0004]公开号为CN112529849A的专利文献公开了一种CT肋骨自动计数方法及装置，其中方法包括：对CT中肋骨进行分割，得到与CT对应的肋骨掩码；遍历掩码的每个层面，将每一层掩码作为二值图片，提取肋骨轮廓；将每个层面每个肋骨轮廓转换为点云；采用点云图神经网络对肋骨的编号进行预测，得到点云肋骨编号；将点云肋骨编号进行逆映射，映射回肋骨轮廓，得到每个层面每个肋骨轮廓所属的肋骨编号，完成肋骨计数。但是该专利文献无法保证肋骨计数的稳定性和可靠性。
[0005]公开号为CN111915620A的专利文献公开了一种CT肋骨分割方法及装置，方法包括：S1获取训练数据，根据训练数据生成两类标签；S2根据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；S3获取待分割CT数据，其中，待分割CT数据包括CT中所有层面；S4用训练好的肋骨分割模型推理出待分割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，得到待分割CT数据的CT肋骨分割结果。但是该专利文献仅能得到肋骨语义分割结果，无法得到每根肋骨分离的实例分割掩码，且仍然存在分割不准确的缺陷。

技术实现思路

[0006]针对现有技术中的缺陷，本专利技术的目的是提供一种肋骨实例分割、计数与定位的方法及系统。
[0007]根据本专利技术提供的一种肋骨实例分割、计数与定位的方法，包括如下步骤：
[0008]步骤1：对胸部CT中的肋骨进行语义分割，得到肋骨语义分割二值掩码；
[0009]步骤2：收集所述肋骨语义分割二值掩码对应的人工标注，获得肋骨实例分割掩码；
[0010]步骤3：对所述肋骨语义分割二值掩码和所述肋骨实例分割掩码进行处理，制作层序分割训练样本集；
[0011]步骤4：建立深度卷积神经网络模型；
[0012]步骤5：采用所述训练样本集训练所述深度卷积神经网络模型中的各级神经网络架构，得到能够预测最顶层肋骨的深度卷积神经网络；
[0013]步骤6：将肋骨语义分割二值掩码输入训练好的深度卷积神经网络，自顶到底逐层序得到最顶层肋骨的预测掩码，从肋骨语义分割二值掩码中擦除所述最顶层肋骨，再重新将肋骨语义分割二值掩码输入训练好的深度卷积神经网络，重复直至肋骨语义分割二值掩码为空或得到全部肋骨，得到预测的肋骨实例分割掩码。
[0014]优选的，所述步骤3具体为：依据肋骨实例分割掩码提供的信息，对肋骨语义分割二值掩码分别保留第1肋以及之后的肋骨、第2肋以及之后的肋骨、第3肋以及之后的肋骨、第4肋以及之后的肋骨、第5肋以及之后的肋骨、第6肋以及之后的肋骨、第7肋以及之后的肋骨、第8肋以及之后的肋骨、第9肋以及之后的肋骨、第10肋以及之后的肋骨、第11肋以及之后的肋骨、第12肋以及之后的肋骨；每个肋骨语义分割二值掩码得到12个训练输入图像，对每个训练输入图像最顶层的肋骨进行标注，得到训练目标图像。
[0015]优选的，所述步骤4中，所述深度神经网络模型以3D UNet作为骨干网络，包括多层3D神经元。
[0016]优选的，所述3D神经元为10层，分别是输入层、卷积层、降维卷积层、降维卷积层、降维卷积层、跳连反卷积层、跳连反卷积层、跳连反卷积层、卷积层、输出层。
[0017]优选的，所述步骤5中，在训练过程中，对训练输出图像进行在线数据增广。
[0018]优选的，所述在线数据增广包括随机平移、随机旋转以及随机缩放。
[0019]优选的，所述步骤5中，训练所述深度卷积神经网络时，使用交叉熵和Dice作为损失函数，使用Adam优化算法作为学习算法，各层神经元参数使用L2 Weight Decay进行正则化。
[0020]优选的，所述步骤5中，训练各级所述神经网络架构时，每轮迭代训练的学习率小于或等于前一轮迭代的学习率。
[0021]优选的，所述步骤1中，对得到的肋骨语义分割二值掩码进行去噪处理，删除语义分割掩码中体积小于预设值的小噪点。
[0022]本专利技术还提供一种肋骨实例分割、计数与定位的系统，包括如下模块：
[0023]肋骨语义分割二值掩码模块：对胸部CT中的肋骨进行语义分割，得到肋骨语义分割二值掩码；
[0024]肋骨实例分割掩码模块：收集所述肋骨语义分割二值掩码对应的人工标注，获得肋骨实例分割掩码；
[0025]训练样本集模块：对所述肋骨语义分割二值掩码和所述肋骨实例分割掩码进行处理，制作层序分割训练样本集；
[0026]神经网络模型模块：建立深度卷积神经网络模型；
[0027]训练模块：采用所述训练样本集训练所述深度卷积神经网络模型中的各级神经网络架构，得到能够预测最顶层肋骨的深度卷积神经网络；
[0028]预测模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肋骨实例分割、计数与定位的方法，其特征在于，包括如下步骤：步骤1：对胸部CT中的肋骨进行语义分割，得到肋骨语义分割二值掩码；步骤2：收集所述肋骨语义分割二值掩码对应的人工标注，获得肋骨实例分割掩码；步骤3：对所述肋骨语义分割二值掩码和所述肋骨实例分割掩码进行处理，制作层序分割训练样本集；步骤4：建立深度卷积神经网络模型；步骤5：采用所述训练样本集训练所述深度卷积神经网络模型中的各级神经网络架构，得到能够预测最顶层肋骨的深度卷积神经网络；步骤6：将肋骨语义分割二值掩码输入训练好的深度卷积神经网络，自顶到底逐层序得到最顶层肋骨的预测掩码，从肋骨语义分割二值掩码中擦除所述最顶层肋骨，再重新将肋骨语义分割二值掩码输入训练好的深度卷积神经网络，重复直至肋骨语义分割二值掩码为空或得到全部肋骨，得到预测的肋骨实例分割掩码。2.根据权利要求1所述的肋骨实例分割、计数与定位的方法，其特征在于，所述步骤3具体为：依据肋骨实例分割掩码提供的信息，对肋骨语义分割二值掩码分别保留第1肋以及之后的肋骨、第2肋以及之后的肋骨、第3肋以及之后的肋骨、第4肋以及之后的肋骨、第5肋以及之后的肋骨、第6肋以及之后的肋骨、第7肋以及之后的肋骨、第8肋以及之后的肋骨、第9肋以及之后的肋骨、第10肋以及之后的肋骨、第11肋以及之后的肋骨、第12肋以及之后的肋骨；每个肋骨语义分割二值掩码得到12个训练输入图像，对每个训练输入图像最顶层的肋骨进行标注，得到训练目标图像。3.根据权利要求1所述的肋骨实例分割、计数与定位的方法，其特征在于，所述步骤4中，所述深度神经网络模型以3D UNet作为骨干网络，包括多层3D神经元。4.根据权利要求3所述的肋骨实例分割、计数与定位的方法，其特征在于，所述3D神经元为10层，分别是输入层、卷积层、降维卷积层、降维卷积层、降维卷积层、跳连反卷积层、跳连反卷积层、跳连反卷积层、卷积层、输出层。5.根...

【专利技术属性】
技术研发人员：王昊，蒋昌龙，冯奕乐，王子龙，张政，丁晓伟，
申请(专利权)人：苏州体素信息科技有限公司，
类型：发明
国别省市：