一种基于体位识别的AI结构勾画方法及系统技术方案

本发明专利技术公开了一种基于体位识别的AI结构勾画方法及系统，包括：构建用于识别矢状位图像的卷积神经网络；基于卷积神经网络，通过采集三维医学图像，获取矢状位图像；根据矢状位图像，识别体位以及体位对应的真实体位；构建用于AI结构勾画的全卷积神经网络；通过识别真实体位，获取体位对应的三维医学图像；基于结构，根据全卷积神经网络以及体位对应的三维医学图像，进行AI结构勾画，其中，结构用于表示医学图像中医生感兴趣的区域或者器官区域区域；本发明专利技术技术方案不仅可以简化对AI勾画模型的训练，还可以显著地提高结构勾画的精度，很好地解决严格区分左右或者上下的结构的勾画任务。务。务。

【技术实现步骤摘要】
一种基于体位识别的AI结构勾画方法及系统


[0001]本专利技术涉及数字医疗
，具体而言，涉及一种基于体位识别的AI结构勾画方法及系统。

技术介绍

[0002]在临床或者科研中，医生会在医学图像上标记出感兴趣的结构区域，以便对该结构进行下一步的分析研究。而AI结构勾画方法是基于全卷积神经网络(如U
‑
net)方法，将医学图像输入到神经网络中，预测出医学图像中每个像素点属于各结构的概率，最后选择概率最大的结构作为该像素的类别。由于医学图像的体位有8种，通常体位HFS在医学图像中比较常见，因此一般都是以基于HFS的图像作为样本训练AI模型，这使得在实际使用中遇到其余7种体位时AI模型的勾画精度会变得很差。对于严格区分左右的结构(如左右眼球、左右腮腺等)而言，这种训练方法会导致AI模型在勾画此类结构时容易出现很严重的偏差，例如AI模型在训练中会遇到左眼球会出现在图像的左侧或者右侧，导致最终预测会将右眼球的一部分也是识别成左眼球，因此，急需一种基于体位识别的AI结构勾画方法及系统，用来解决现有技术中存在的技术问题。

技术实现思路

[0003]为了解决上述问题，本专利技术的目的是提供一种基于体位识别的AI结构勾画方法及系统，用于解决AI模型在体位未知的医学图像中识别严格区分左右或者上下的结构的问题。
[0004]为了实现上述技术目的，本申请提供了一种基于体位识别的AI结构勾画方法，包括以下步骤：
[0005]构建用于识别矢状位图像的卷积神经网络；
[0006]基于卷积神经网络，通过采集三维医学图像，获取矢状位图像；
[0007]根据矢状位图像，识别体位以及体位对应的真实体位；
[0008]构建用于AI结构勾画的全卷积神经网络；
[0009]通过识别真实体位，获取体位对应的三维医学图像；
[0010]基于结构，根据全卷积神经网络以及体位对应的三维医学图像，进行AI结构勾画，其中，结构用于表示医学图像中医生感兴趣的区域或者器官区域。
[0011]优选地，在构建卷积神经网络的过程中，卷积神经网络包括vgg16，resnet18中的一种或多种组合。
[0012]优选地，在采集三维医学图像的过程中，三维医学图像包括8个体位为：HFS：头在前，仰卧；HFP：头在前，俯卧；FFS：脚在前，仰卧；FFP：脚在前，俯卧；HFDL：头在前，左侧卧；HFDR：头在前，右侧卧；FFDL：脚在前，左侧卧；FFDR：脚在前，右侧卧；
[0013]体位为HFS、HFP、FFS和FFP中的一种的三维医学图像的矢状位图像，用于表示过三维图像中心的x
‑
z平面的图像；
[0014]体位为HFDL、HFDR、FFDL和FFDR中的一种的三维医学图像的矢状位图像，用于表示过三维图像中心的y
‑
z平面的图像。
[0015]优选地，在获取矢状位图像的过程中，将三维医学图像的平面图像拷贝三份，形成三通道图像，经归一化像素值、调整图像尺寸预处理后，输入到卷积神经网络中，预测该图像是矢状位的概率，并根据预测结果，生成矢状位图像。
[0016]优选地，在识别体位和真实体位的过程中，如果矢状位图像是过三维图像中心的x
‑
z平面的图像，则真实体位为识别的体位；如果矢状位图像是过三维图像中心的y
‑
z平面的图像，则，
[0017]识别的体位为HFS，对应的真实体位为HFDL；
[0018]识别的体位为HFP，对应的真实体位为HFDR；
[0019]识别的体位为FFS，对应的真实体位为FFDL；
[0020]识别的体位为FFP，对应的真实体位为FFDR。
[0021]优选地，在构建用于AI结构勾画的全卷积神经网络的过程中，全卷积神经网络为U
‑
net，利用体位为HFS的三维医学图像进行训练。
[0022]优选地，在进行AI结构勾画的过程中，基于训练好的全卷积神经网络，通过获取真实体位对应的体位，将体位转换为HFS；
[0023]根据结构，将体位转换后的三维医学图像进行分割，生成HFS对应的三维分割图像，将HFS对应的三维分割图像转换为真实体位对应的三维分割图像后，对Z方向上的每一层二维图像进行轮廓提取，生成结构的AI结构。
[0024]本专利技术提供了一种基于体位识别的AI结构勾画系统，包括：
[0025]矢状位识别模块，用于构建用于识别矢状位图像的卷积神经网络，并基于卷积神经网络，通过采集三维医学图像，获取矢状位图像；
[0026]体位识别模块，用于根据矢状位图像，识别体位以及体位对应的真实体位；
[0027]AI结构勾画模块，用于通过构建用于AI结构勾画的全卷积神经网络，识别真实体位，获取体位对应的三维医学图像；基于结构，根据全卷积神经网络以及体位对应的三维医学图像，进行AI结构勾画，其中，结构用于表示医学图像中医生感兴趣的区域或者器官区域。
[0028]本专利技术公开了以下技术效果：
[0029]与现有技术相比，本专利技术技术方案不仅可以简化对AI勾画模型的训练，还可以显著地提高结构勾画的精度，很好地解决严格区分左右或者上下的结构的勾画任务。
附图说明
[0030]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
[0031]图1是本专利技术所述的方法流程图。
具体实施方式
[0032]下为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0033]如图1所示，本专利技术提供了一种基于体位识别的AI结构勾画方法，包括以下步骤：
[0034]构建用于识别矢状位图像的卷积神经网络；
[0035]基于卷积神经网络，通过采集三维医学图像，获取矢状位图像；
[0036]根据矢状位图像，识别体位以及体位对应的真实体位；
[0037]构建用于AI结构勾画的全卷积神经网络；
[0038]通过识别真实体位，获取体位对应的三维医学图像；
[0039]基于结构，根据全卷积神经网络以及体位对应的三维医学图像，进行AI结构勾画，其中，结构用于表示医学图像中医生感兴趣的区域或者器官区域。
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于体位识别的AI结构勾画方法，其特征在于，包括以下步骤：构建用于识别矢状位图像的卷积神经网络；基于所述卷积神经网络，通过采集三维医学图像，获取所述矢状位图像；根据所述矢状位图像，识别体位以及所述体位对应的真实体位；构建用于AI结构勾画的全卷积神经网络；通过识别所述真实体位，获取所述体位对应的所述三维医学图像；基于结构，根据所述全卷积神经网络以及所述体位对应的所述三维医学图像，进行AI结构勾画，其中，所述结构用于表示医学图像中医生感兴趣的区域或者器官区域。2.根据权利要求1所述一种基于体位识别的AI结构勾画方法，其特征在于：在构建卷积神经网络的过程中，所述卷积神经网络包括vgg16，resnet18中的一种或多种组合。3.根据权利要求2所述一种基于体位识别的AI结构勾画方法，其特征在于：在采集三维医学图像的过程中，所述三维医学图像包括8个所述体位为：HFS：头在前，仰卧；HFP：头在前，俯卧；FFS：脚在前，仰卧；FFP：脚在前，俯卧；HFDL：头在前，左侧卧；HFDR：头在前，右侧卧；FFDL：脚在前，左侧卧；FFDR：脚在前，右侧卧；所述体位为HFS、HFP、FFS和FFP中的一种的三维医学图像的所述矢状位图像，用于表示过三维图像中心的x
‑
z平面的图像；所述体位为HFDL、HFDR、FFDL和FFDR中的一种的三维医学图像的所述矢状位图像，用于表示过三维图像中心的y
‑
z平面的图像。4.根据权利要求3所述一种基于体位识别的AI结构勾画方法，其特征在于：在获取所述矢状位图像的过程中，将所述三维医学图像的平面图像拷贝三份，形成三通道图像，经归一化像素值、调整图像尺寸预处理后，输入到所述卷积神经网络中，预测该图像是矢状位的概率，并根据预测结果，生成所述矢状位图像。5.根据权利要求4所述一种基于体位识别的AI结构勾画方法，其特征在于：在识别体...

【专利技术属性】
技术研发人员：刘强，
申请(专利权)人：重庆大学附属三峡医院，
类型：发明
国别省市：