基于物理分辨率的医学图像分割方法、系统、介质及设备技术方案

本发明专利技术公开了一种基于物理分辨率的医学图像分割方法、系统、介质及设备，属于图像分割技术领域。本发明专利技术摒弃了传统方案中直接以超过物理分辨率的超分辨率重建图像进行图像分割的做法，转而基于医学图像的物理分辨率来设计图像分割方法。本发明专利技术通过将医学图像降采样至物理分辨率图像作为图像分割网络的输入，可以显著降低图像分割网络的计算成本，同时在医学图像分割任务上取得与直接使用超分辨率重建图像基本相似的结果，不会明显影响分割精度。因此，本发明专利技术中基于物理分辨率的图像分割方法能够使网络模型更加轻量化，提高分割效率。提高分割效率。提高分割效率。

【技术实现步骤摘要】
基于物理分辨率的医学图像分割方法、系统、介质及设备


[0001]本专利技术属于图像分割领域，具体涉及一种用于医学图像的分割技术。

技术介绍

[0002]物理分辨率在自然图像分割任务中是一个被忽略的问题，但其在医学图像中至关重要。在医学图像分割任务中，图像的物理分辨率和矩阵大小可能存在不一致。然而，大多数工作在受到自然图像分割算法的启发时忽略了上述差异，通常直接将具有大矩阵的图像作为输入。为了在模型训练中使用3D图像，基于Patch 的方法被广泛使用，一般从原始图像中随机或者特定地选取Patch作为模型输入。为了平衡医学图像3D的空间信息和内存限制，使用2D方法和2.5D方法也是方向之一，2D方法将3D图像分割成2维的切片输入，2.5D方法则分别从轴向、冠状和矢状面三个方向提取图像的二维特征以保留部分空间信息。然而在医学图像中，矩阵尺寸大但细节模糊的图像提供的信息有限。例如，在磁共振图像 (MRI)中，可以获取视野为240mm
×
240mm，物理分辨率为4mm
×
4mm的脑血流图像，但导出为256
×
256的图像矩阵。因此，图像中大约4
×
4个像素代表物理上获取的单个体素点。大矩阵尺寸使医学图像模糊，但方便放射科医生可视化。然而，图像中呈现的信息仍然受到其物理分辨率的限制。由于图像重建中使用的滤波器、非各向同性像素的插值、层选激发RF的轮廓以及k空间中的信号衰减，MRI中可能会出现矩阵大小和物理分辨率不匹配的情况。胎儿大脑MRI是一个典型案例。为了避免胎儿和母体的运动伪影对成像质量的影响，通常使用单次快速自旋回波的序列逐片获取胎儿脑图像。依次获取一堆切片以覆盖整个大脑。由点扩散函数确定的物理分辨率在平面内通常为2mm
×
2mm，切片厚度约为 2
‑
5mm。为了提高物理分辨率，可以在三个正交方向上获取2D多层图像，并使用图像插值重建高分辨率3D图像。一些新工作使用基于逆问题的最优化求解方法来替代图像插值，其通过求解约束条件下的目标函数得到结果。近年来，深度学习方法也被用于胎儿大脑重建。在上面胎儿脑MRI的重建中，其物理分辨率约为2mm，各向同性，但是图像通常被插值到更高的分辨率，例如0.5mm。
[0003]虽然对物理分辨率的原始图像进行超分辨率重建可以获得更高分辨率的图形，便于放射科医生可视化，但是此类超分辨率重建图像也往往导致实现此类图像分割的网络结构复杂，所消耗的计算资源庞大。因此，如何兼顾超分辨率医学图像最终分割结果的分辨率，以及分割网络复杂度和消耗的计算资源，是医学图像分割领域目前亟待解决的技术问题。

技术实现思路

[0004]本专利技术的目的在于解决现有技术中医学图像分割时计算成本过高、框架设计复杂等问题，并提供一种基于物理分辨率的医学图像分割方法、系统、介质及设备。在以MRI图像为代表的医学图像中，当图像矩阵远大于物理分辨率时，其无法提供额外的物理信息以提升分割任务的精度，而这些超过物理分辨率的信息使用简单的框架就可以进行估计。因此本专利技术中设计了基于物理分辨率的分割方法，减少计算成本，且框架结构简单。
[0005]本专利技术所采用的具体技术方案如下：
[0006]第一方面，本专利技术提供了一种基于物理分辨率的医学图像分割方法，所述医学图像的原始分辨率高于成像设备采集该医学图像时所能达到的物理分辨率，该方法具体包括：
[0007]S1、将医学图像下采样至物理分辨率，得到下采样图像；
[0008]S2、将下采样图像输入经过训练的图像分割网络中，经过图像分割网络的图像分割处理，得到中间分割结果；
[0009]S3、将中间分割结果重新上采样至医学图像的原始分辨率，得到医学图像的最终分割结果。
[0010]作为优选，所述医学图像为磁共振成像(MRI)图像、断层扫描成像(CT) 图像或正电子成像(PET)图像，且属于一维、二维、三维或更多维的图像。
[0011]作为优选，所述图像分割网络为V
‑
Net模型、U
‑
Net模型或基于Transformer 的分割模型。
[0012]作为优选，所述上采样的方法为双线性插值或像素重组。
[0013]作为优选，所述图像分割网络采用PRNet模型，且所述PRNet模型基于V
‑
Net 网络结构进行调整，调整之处包括：使用PReLU激活函数替代V
‑
Net中原始的 ReLU激活函数，使用池化层替代V
‑
Net的下采样卷积层，同时在预测阶段使用集成学习和多数投票方法输出最终预测结果；所述上采样的方法为双线性插值。
[0014]作为优选，所述图像分割网络采用PRNet模型，且所述PRNet模型基于V
‑
Net 网络结构进行调整，调整之处包括：使用PReLU激活函数替代V
‑
Net中原始的 ReLU激活函数，使用池化层替代V
‑
Net的下采样卷积层，同时在预测阶段使用集成学习和多数投票方法输出最终预测结果；所述上采样的方法为通过pixelshuffle模块进行上采样，且训练策略为：PRNet模型和pixel shuffle模块一并进行训练。
[0015]作为优选，所述图像分割网络采用PRNet模型，且所述PRNet模型基于V
‑
Net 网络结构进行调整，调整之处包括：使用PReLU激活函数替代V
‑
Net中原始的 ReLU激活函数，使用池化层替代V
‑
Net的下采样卷积层，同时在预测阶段使用集成学习和多数投票方法输出最终预测结果；所述上采样的方法为通过pixelshuffle模块进行上采样，且训练策略为：PRNet模型预先利用由原始分辨率标签下采样至物理分辨率后得到的欠采样标签进行预训练，然后冻结PRNet模型中的编码器和解码器的前两层，然后再将PRNet模型与pixel shuffle模块一起进行训练，优化PRNet模型中解码器的未冻结层和pixel shuffle模块中的可学习参数。
[0016]第二方面，本专利技术提供了一种基于物理分辨率的医学图像分割系统，所述医学图像的原始分辨率高于成像设备采集该医学图像时所能达到的物理分辨率，该分割系统包括：
[0017]下采样模块，用于将医学图像下采样至物理分辨率，得到下采样图像；
[0018]分割模块，用于将下采样图像输入经过训练的图像分割网络中，经过图像分割网络的图像分割处理，得到中间分割结果；
[0019]上采样模块，用于将中间分割结果重新上采样至医学图像的原始分辨率，得到医学图像的最终分割结果。
[0020]第三方面，本专利技术提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如第一方面中任一方案所述的基于物理分辨率的医学图像分割方法。
[0021]第四方面，本专利技术提供了一种计算机电子设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物理分辨率的医学图像分割方法，所述医学图像的原始分辨率高于成像设备采集该医学图像时所能达到的物理分辨率，其特征在于，包括：S1、将医学图像下采样至物理分辨率，得到下采样图像；S2、将下采样图像输入经过训练的图像分割网络中，经过图像分割网络的图像分割处理，得到中间分割结果；S3、将中间分割结果重新上采样至医学图像的原始分辨率，得到医学图像的最终分割结果。2.如权利要求1所述的基于物理分辨率的图像分割方法，其特征在于，所述医学图像为磁共振成像(MRI)图像、断层扫描成像(CT)图像或正电子成像(PET)图像，且属于一维、二维、三维或更多维的图像。3.如权利要求1所述的基于物理分辨率的图像分割方法，其特征在于，所述图像分割网络为V
‑
Net模型、U
‑
Net模型或基于Transformer的分割模型。4.如权利要求1所述的基于物理分辨率的图像分割方法，其特征在于，所述上采样的方法为双线性插值或像素重组。5.如权利要求2所述的基于物理分辨率的图像分割方法，其特征在于，所述图像分割网络采用PRNet模型，且所述PRNet模型基于V
‑
Net网络结构进行调整，调整之处包括：使用PReLU激活函数替代V
‑
Net中原始的ReLU激活函数，使用池化层替代V
‑
Net的下采样卷积层，同时在预测阶段使用集成学习和多数投票方法输出最终预测结果；所述上采样的方法为双线性插值。6.如权利要求2所述的基于物理分辨率的图像分割方法，其特征在于，所述图像分割网络采用PRNet模型，且所述PRNet模型基于V
‑
Net网络结构进行调整，调整之处包括：使用PReLU激活函数替代V
‑
Net中原始的ReLU激活函数，使用池化层替代V
‑
Net的下采样卷积层，同时在预测阶段使用集成学习和多数投票方法输出最...

【专利技术属性】
技术研发人员：赵立，胥云智，李嘉欣，吴丹，
申请(专利权)人：浙江大学，
类型：发明
国别省市：