基于深度学习的耳软骨及其子结构的图像分割方法及系统技术方案

本发明专利技术涉及基于深度学习的耳软骨及其子结构的图像分割方法及系统，图像分割方法包括：获取外耳轮廓的UTE序列的磁共振图像；对获取到的外耳轮廓的UTE序列的磁共振图像进行预处理；将预处理后的UTE序列的磁共振图像作为输入，分别利用手动分割的耳软骨图像和手动分割的耳软骨子结构图像作为标签图像，训练基于深度学习的耳软骨及其子结构的分割模型，从而分别对耳软骨和耳软骨子结构进行分割。基于深度学习的耳软骨及其子结构的图像分割方法及系统能够自动高效地获取可供3D生物打印的耳软骨模型。软骨模型。软骨模型。

【技术实现步骤摘要】
基于深度学习的耳软骨及其子结构的图像分割方法及系统


[0001]本专利技术涉及医学图像的处理的
，尤其涉及基于深度学习的耳软骨及其子结构的图像分割方法及系统。

技术介绍

[0002]先天性小儿畸形是一种常见的先天性颌面部畸形，据流行病统计学显示发病率在中国为5.18/10000。该病一般表现为重度耳廓发育不全，对患者的外貌、功能以及心理健康有重要影响。
[0003]目前，使用自体肋软骨雕刻支架重建外耳廓是先天性小儿畸形的主要整形外科治疗方法之一。然而这种整形手术在获取肋软骨时给患儿造成了额外的伤害，并且手术的美学效果在很大程度上取决于外科医生的经验。随着组织工程和3D生物打印技术的发展，这种可以精准分配细胞、基质和生物材料进行生物打印的方法，不仅可以改善耳软骨支架构建方式，还能精准控制耳软骨支架结构。3D生物打印按照以生物医学图像为基础设计的三维模型，逐层进行组织学装配完成支架构建任务，但是，如何自动、高效的获取可供3D生物打印的耳软骨模型仍是一个难题。
[0004]上述对
技术介绍
的陈述仅是为了方便对本专利技术技术方案(使用的技术手段、解决的技术问题以及产生的技术效果等方面)的深入理解，而不应当被视为承认或以任何形式暗示该消息构成已为本领域技术人员所公知的现有技术。

技术实现思路

[0005]针对现有技术中存在的实际问题，本专利技术提供了一种适用于耳软骨的核磁共振成像构建适用于组织工程和3D生物打印的耳软骨形态结构模型的解决方案。
[0006]根据本专利技术的一个实施方案，提供了一种基于深度学习的耳软骨及其子结构的图像分割方法，其包括以下步骤：获取外耳轮廓的UTE序列的磁共振图像；对获取到的外耳轮廓的UTE序列的磁共振图像进行预处理；将预处理后的UTE序列的磁共振图像作为输入，分别利用手动分割的耳软骨图像和手动分割的耳软骨子结构图像作为标签图像，训练基于深度学习的耳软骨及其子结构的分割模型，从而分别对耳软骨和耳软骨子结构进行分割。
[0007]优选地，基于深度学习的耳软骨及其子结构的分割模型包括分割网络，其以编码
‑
解码的U形框架作为骨干网络；所述分割网络包括一个编码器和一个解码器；所述分割网络在编码器的每一层设置有残差结构，所述残差结构中的跳跃连接跳过一个卷积层或多个卷积层来执行恒等映射；所述分割网络利用卷积池化代替池化操作，利用卷积核对特征图进行卷积；所述分割网络具有多尺度融合输出；所述分割网络针对每一个耳软骨子结构在耳软骨图像中的占比赋予了权重；所述分割网络利用密集的条件随机场和权重Dice损失函数优化子结构分割。
[0008]优选地，基于深度学习的耳软骨子结构的分割模型进一步包括定位操作，其将手动分割的耳软骨图像和手动分割的耳软骨子结构图像作为蒙版，从图像六个方向判断图像
边缘位置，从而定位预处理后的UTE序列的磁共振图像中的耳软骨并进一步裁剪，定位完成后与蒙版点乘，进一步去除图像中的脑骨区域；利用定位操作后的图像与预处理后的UTE序列的磁共振图像进行点乘，然后将得到的图像输入至分割网络中来训练分割网络。
[0009]优选地，在获取外耳轮廓的UTE序列的磁共振图像时，根据使用的核磁扫描设备的不同将回波时间设置为0～1ms；所述UTE序列的磁共振图像包括轴位图像、矢状位图像和冠状位图像；对获取到的外耳轮廓的UTE序列的磁共振图像进行预处理包括：对图像进行格式转换、重命名、转向以及刚性配准。
[0010]优选地，所述手动分割的耳软骨图像是根据操作人员的手动操作获得的；在根据操作人员的手动操作分割耳软骨图像时，基于在预处理后的UTE序列的磁共振图像中，耳软骨、周围脂肪和结缔组织均以不同程度呈现为亮信号，皮肤和其他组织相对较暗，从而分割出耳软骨边界。
[0011]优选地，所述手动分割的耳软骨子结构图像是根据操作人员的手动操作获得的；在根据操作人员的手动操作分割耳软骨子结构图像时，按照对耳轮、三角窝和对耳轮脚分割、耳轮和耳轮脚分割、耳甲艇分割、耳舟分割、耳屏、对耳屏和耳屏间切迹分割、以及外耳道和耳甲腔分割的顺序来分割总共十二个耳软骨子结构图像。
[0012]根据本专利技术的一个实施方案，提供了一种基于深度学习的耳软骨及其子结构的图像分割系统，其包括以下模块：获取模块，其获取外耳轮廓的UTE序列的磁共振图像；预处理模块，其对获取到的外耳轮廓的UTE序列的磁共振图像进行预处理；训练模块，其将预处理后的UTE序列的磁共振图像作为输入，分别利用手动分割的耳软骨图像和手动分割的耳软骨子结构图像作为标签图像，训练基于深度学习的耳软骨及其子结构的分割模型，从而分别对耳软骨和耳软骨子结构进行分割。
[0013]优选地，基于深度学习的耳软骨及其子结构的分割模型包括分割网络，其以编码
‑
解码的U形框架作为骨干网络；所述分割网络包括一个编码器和一个解码器；所述分割网络在编码器的每一层设置有残差结构，所述残差结构中的跳跃连接跳过一个卷积层或多个卷积层来执行恒等映射；所述分割网络利用卷积池化代替池化操作，利用卷积核对特征图进行卷积；所述分割网络具有多尺度融合输出；所述分割网络针对每一个耳软骨子结构在耳软骨图像中的占比赋予了权重；所述分割网络利用密集的条件随机场和权重Dice损失函数优化子结构分割。
[0014]优选地，基于深度学习的耳软骨及其子结构的分割模型进一步包括定位操作，其将手动分割的耳软骨图像和手动分割的耳软骨子结构图像作为蒙版，从图像六个方向判断图像边缘位置，从而定位预处理后的UTE序列的磁共振图像中的耳软骨并进一步裁剪，定位完成后与蒙版点乘，进一步去除图像中的脑骨区域；利用定位操作后的图像与预处理后的UTE序列的磁共振图像进行点乘，然后将得到的图像输入至分割网络中来训练分割网络。
[0015]优选地，所述手动分割的耳软骨图像是根据操作人员的手动操作获得的；在根据操作人员的手动操作分割耳软骨图像时，基于在预处理后的UTE序列的磁共振图像中，耳软骨、周围脂肪和结缔组织均以不同程度呈现为亮信号，皮肤和其他组织相对较暗，从而分割出耳软骨边界；所述手动分割的耳软骨子结构图像是根据操作人员的手动操作获得的；在根据操作人员的手动操作分割耳软骨子结构图像时，按照对耳轮、三角窝和对耳轮脚分割、耳轮和耳轮脚分割、耳甲艇分割、耳舟分割、耳屏、对耳屏和耳屏间切迹分割、以及外耳道和
耳甲腔分割的顺序来分割总共十二个耳软骨子结构图像
[0016]本专利技术采取以上技术方案，其具有以下有益效果：
[0017]本专利技术在耳软骨超短回波时间序列成像和其手动分割结果的基础上通过深度学习网络得到可以自动分割耳软骨及子结构形态的模型，此方法及系统为自动高效地获取可供3D生物打印的耳软骨模型提供了人工智能化的解决思路。
附图说明
[0018]下文将结合附图对本专利技术的示例性实施例进行更为详细的说明。为清楚起见，不同附图中相同的部件以相同标号示出。需要说明的是，附图仅起到示意作用，其并不必然按照比例绘制。在这些附图中：
[001本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的耳软骨及其子结构的图像分割方法，其特征在于，包括以下步骤：获取外耳轮廓的UTE序列的磁共振图像；对获取到的外耳轮廓的UTE序列的磁共振图像进行预处理；将预处理后的UTE序列的磁共振图像作为输入，分别利用手动分割的耳软骨图像和手动分割的耳软骨子结构图像作为标签图像，训练基于深度学习的耳软骨及其子结构的分割模型，从而分别对耳软骨和耳软骨子结构进行分割。2.根据权利要求1所述的基于深度学习的耳软骨及其子结构的图像分割方法，其特征在于，基于深度学习的耳软骨及其子结构的分割模型包括分割网络，其以编码
‑
解码的U形框架作为骨干网络；所述分割网络包括一个编码器和一个解码器；所述分割网络在编码器的每一层设置有残差结构，所述残差结构中的跳跃连接跳过一个卷积层或多个卷积层来执行恒等映射；所述分割网络利用卷积池化代替池化操作，利用卷积核对特征图进行卷积；所述分割网络具有多尺度融合输出；所述分割网络针对每一个耳软骨子结构在耳软骨图像中的占比赋予了权重；所述分割网络利用密集的条件随机场和权重Dice损失函数优化子结构分割。3.根据权利要求2所述的基于深度学习的耳软骨及其子结构的图像分割方法，其特征在于，基于深度学习的耳软骨子结构的分割模型进一步包括定位操作，其将手动分割的耳软骨图像和手动分割的耳软骨子结构图像作为蒙版，从图像六个方向判断图像边缘位置，从而定位预处理后的UTE序列的磁共振图像中的耳软骨并进一步裁剪，定位完成后与蒙版点乘，进一步去除图像中的脑骨区域；利用定位操作后的图像与预处理后的UTE序列的磁共振图像进行点乘，然后将得到的图像输入至分割网络中来训练分割网络。4.根据权利要求1所述的基于深度学习的耳软骨及其子结构的图像分割方法，其特征在于，在获取外耳轮廓的UTE序列的磁共振图像时，根据使用的核磁扫描设备的不同将回波时间设置为0～1ms；所述UTE序列的磁共振图像包括轴位图像、矢状位图像和冠状位图像；对获取到的外耳轮廓的UTE序列的磁共振图像进行预处理包括：对图像进行格式转换、重命名、转向以及刚性配准。5.根据权利要求1所述的基于深度学习的耳软骨及其子结构的图像分割方法，其特征在于，所述手动分割的耳软骨图像是根据操作人员的手动操作获得的；在根据操作人员的手动操作分割耳软骨图像时，基于在预处理后的UTE序列的磁共振图像中，耳软骨、周围脂肪和结缔组织均以不同程度呈现为亮信号，皮肤和其他组织相对较暗，从而分割出耳软骨边界。
6.根据权利要求1所述的基于深度学习的耳软骨及其子结构的图像分割方法，其特征在于，所述手动分割的耳软骨子结构图像是根据操作人员的手动操作获得的；在根据操作人员的手动操作分割...

【专利技术属性】
技术研发人员：张唯唯，孙若凡，李恩慧，
申请(专利权)人：中国医学科学院基础医学研究所，
类型：发明
国别省市：