一种基于多模态影像的图像分割方法及装置制造方法及图纸

本发明专利技术提供一种基于多模态影像的图像分割方法及装置。所述方法包括：获取多模态医学影像，以一种模态的医学影像为固定图像X

【技术实现步骤摘要】
一种基于多模态影像的图像分割方法及装置


[0001]本专利技术属于医学影像
，具体涉及一种基于多模态影像的图像分割方法及装置。

技术介绍

[0002]基于卷积神经网络(CNN)的深度学习算法，可以有效提取图像特征，在图像的识别、分割和检测方面均有广泛的应用。基于深度学习算法，可以有效地进行图像的语义分割，即对于输入图像的每一个像素，均关联到一个类别标签。在医学图像方面，基于深度学习的语义分割已经被广泛用于感兴趣器官、病灶等的分割。随着医学成像技术的发展，可以采集同一部位的多种不同模态的图像，如CT、MRI、超声、PET等。不同的模态可以提供互补的信息，有助于医生进行精确的诊断和评估。对于医学图像分割问题，充分利用不同模态的互补信息，有助于提高分割的效能。例如，对于前列腺全腺体或肿瘤的分割多模态影像学检查不仅能提供精准的前列腺内部解剖信息、显示与周围组织器官的关系，并且能反映病灶的代谢、血流动力学等相关信息，能有效提高病变检出效能并实现风险分层。然而，不同模态的图像的分辨率、扫描位置和像素值分布有较大的差异，需要进行有效的配准，对齐不同模态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模态影像的图像分割方法，其特征在于，包括以下步骤：获取多模态医学影像，以一种模态的医学影像为固定图像X
F
，以其余模态的医学影像为移动图像X
Mi
，i＝1,2,
…
,N
‑
1，N为医学影像模态的数量；分别对X
F
与每一X
Mi
进行仿射变换，得到图像X
Ai
，将X
F
与每一X
Ai
拼接后分别输入到一个变形场网络G
i
，得到变形场Ф
i
；将X
Ai
分别通过变形场Ф
i
后得到变形图像X
Фi
；将X
F
与所有X
Фi
拼接后输入到分割网络F，得到预测的分割结果；分割网络F和变形场网络G
i
的结构相同。2.根据权利要求1所述的基于多模态影像的图像分割方法，其特征在于，所述多模态医学影像包括CT图像、MRI图像、超声图像、PET图像。3.根据权利要求2所述的基于多模态影像的图像分割方法，其特征在于，以MRI图像为固定图像X
F
，以CT图像、超声图像、PET图像为移动图像X
Mi
，i＝1,2,3。4.根据权利要求1所述的基于多模态影像的图像分割方法，其特征在于，所述方法还包括图像预处理步骤：将所有模态的图像归一化至目标分辨率和目标尺寸。5.根据权利要求1所述的基于多模态影像的图像分割方法，其特征在于，所述分割网络为卷积网络UNet或FCN或VNet或UNet++。6.根据权利要求1所述的基于多模态影像的图像分割方法，其特征在于，基于损失函数L
S
优化变形场网络：L
S
＝L
CC
+λL
SMOOTHSMOOTHSMOOTH
式中，L
CC
为互相关损失，L
SMOOTH
为平滑正则项，λ为两项损失的平衡系数，X
F
(P
i
)为X
F
中第i个像素点的灰度值，X
Φ
(P
i
)为X
Ф
中第i个像素点的灰度值，n为第i个像素点附近局部区域内像素点的数量。7.根据权利要求6所述的基于多模态影像的图像分割方法，其特征在于，基于损失函数L
D
对变形场网络...

【专利技术属性】
技术研发人员：毛丽，李秀丽，孙昊，金征宇，俞益洲，李一鸣，乔昕，
申请(专利权)人：杭州深睿博联科技有限公司，
类型：发明
国别省市：