一种基于部分标注数据学习的多器官分割方法技术

本发明专利技术属于医学影像技术领域，特别涉及一种基于部分标注数据学习的多器官分割方法，包括：构建不同尺度下的语义特征，获取不同尺度下的图像；图像包括多个器官的图像；基于图像的上下文的自适应权重层融合不同尺度下的分割特征，并基于器官大小分布的先验损失，调整不同器官的输出尺寸均值，使每个器官的输出尺寸均值与每个器官的先验比例值近似，获取多器官分割网络；基于多器官分割网络，对图像的每个器官进行分割。该方法能够充分利用具有部分标注的数据集，通过多器官分割网络实现对输入图像的每个器官进行精确分割。图像的每个器官进行精确分割。图像的每个器官进行精确分割。

【技术实现步骤摘要】
一种基于部分标注数据学习的多器官分割方法


[0001]本专利技术涉及医学影像
，尤其涉及一种基于部分标注数据学习的多器官分割方法。

技术介绍

[0002]随着深度卷积神经网络的发展，深度卷积神经网络在单器官分割方面表现出良好的性能。然而，在临床应用中经常面临多器官分割问题。使用单器官分割算法对多个器官进行独立分割，虽然简单明了，但却失去了图像的全局性。因此，分割性能可能会下降。
[0003]然而，为训练算法收集多器官标注比为单个器官数据集标注要困难得多。在医学图像分析领域，大部分的数据出于各种研究目的标注的是不同的潜在危险器官。如果能够将这些多单一器官标注的数据集结合起来训练一个多器官分割网络，通过多器官分割网络对图像进行多器官分割，将具有极大的优势。

技术实现思路

[0004]针对上述现有技术，本专利技术提出一种基于部分标注数据学习的多器官分割方法，解决现有的分割方法欠缺图像的全局性以及分割性能不佳的问题。
[0005]为了解决上述技术问题，本专利技术提供了一种基于部分标注数据学习的多器官分割方法，包括：构建不同尺度下的语义特征，获取不同尺度下的图像；所述图像包括多个器官的图像；基于所述图像的上下文的自适应权重层融合不同尺度下的分割特征，并基于所述器官大小分布的先验损失，调整不同器官的输出尺寸均值，使每个器官的输出尺寸均值与每个器官的先验比例值近似，获取多器官分割网络；基于所述多器官分割网络，对所述图像的每个器官进行分割。
[0006]一些示例性实施例中，所述多器官分割网络包括多个数据集，所述数据集包括完全标注的数据集和部分标注的数据集；所述完全标注的数据集包括对每个器官进行标注的数据集；所述部分标注的数据集包括对部分器官进行标注的数据集。
[0007]一些示例性实施例中，所述数据集包括LiTS数据集、KiTS数据集、Spleen数据集以及BTCV数据集。
[0008]一些示例性实施例中，采用金字塔输入输出构建不同尺度下的语义特征。
[0009]一些示例性实施例中，所述采用金字塔输入输出构建不同尺度下的语义特征，获取不同尺度下的图像，包括：获取医学影像数据集，并为所述医学影像数据集作的图像中所有器官制作分割标签；对所述医学影像数据集中的数据进行空间金字塔池化操作，获取不同尺度下的图像。
[0010]一些示例性实施例中，为所述医学影像数据集作的图像中所有器官制作分割标签之后，获取完全标签数据集。
[0011]一些示例性实施例中，所述器官大小分布的先验损失的获取，包括：假设平均器官的大小分布接近平均器官的经验分布；计算所述完全标签数据集的器官大小统计信息；基
于所述器官大小统计信息，获取所述器官大小分布的先验损失。
[0012]一些示例性实施例中，所述基于所述多器官分割网络，对所述图像的每个器官进行分割，包括：在所述多器官分割网络中，基于所述图像的上下文的自适应权重层融合不同尺度下的分割特征，吸收图像的丰富信息，获取训练模型；对所述训练模型进行优化，获取分割模型；基于所述分割模型，对所述图像的每个器官进行分割。
[0013]一些示例性实施例中，依次在所述完全标注的数据集、所述部分标注的数据集的数据上交替训练和优化所述训练模型，获取分割模型。
[0014]一些示例性实施例中，所述语义特征包括：数据标准化、扫描数据的内部结构一致以及内部器官具有固定的解剖和空间关系。
[0015]本专利技术提供的技术方案至少具有以下优点：
[0016]本专利技术针对现有的多器官分割方法存在的使用单器官分割算法对多个器官进行独立分割，影响图像的全局性以及降低分割性能的问题，提供一种基于部分标注数据学习的多器官分割方法，首先构建不同尺度下的语义特征，获取不同尺度下的图像；然后基于图像的上下文的自适应权重层融合不同尺度下的分割特征，并基于器官大小分布的先验损失，调整不同器官的输出尺寸均值，使每个器官的输出尺寸均值与每个器官的先验比例值近似，获取多器官分割网络；最后通过多器官分割网络对图像的每个器官进行分割。
[0017]与现有分割技术相比，本专利技术能够更好地利用部分标注数据集进行多器官分割。另外，本专利技术不需要对医学图像中的每个器官赋予分割标签就可以训练得到单个分割网络模型实现对图像中所有器官的分割。其次，对于金字塔特征提取网络，输入多尺度并引入了基于图像的上下文的自适应权重层融合多尺度的分割特征，吸收图像的丰富信息，并通过计算完全标记数据集的器官大小统计信息获得先验损失；然后基于器官大小分布先验知识的先验损失调整不同器官的平均输出尺寸分布，使器官的平均尺寸分布与其先验比例近似，通过多器官分割网络实现对输入图像的每个器官进行精确分割。
附图说明
[0018]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述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申请的一些实施例，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。
[0019]图1为本申请一实施例提供的一种基于部分标注数据学习的多器官分割方法的流程示意图；
[0020]图2为本申请一实施例提供的通过多器官分割网络对多器官进行分割的流程示意图；
[0021]图3为本申请一实施例提供的利用金字塔特征提取网络获取不同尺度下的分割特征的示意图。
具体实施方式
[0022]由
技术介绍
可知，现有的采用单器官分割算法对多个器官进行分割的方法影响了图像的全局性和分割性能，如何将多个单一器官标注的数据集结合起来训练一个多器官分
割网络，并通过多器官分割网络对图像进行多器官分割，是亟待解决的技术问题。
[0023]目前，放射治疗是许多癌症的重要治疗选择，它可以作为手术前后的辅助治疗，也可以作为根治性治疗与化疗联合使用。然而，辐射会导致正常器官(危及器官)的损伤。比如在治疗头颈部癌症时，因为这一区域的重要器官解剖结构复杂，分布密集。损伤头颈部的正常器官可导致一系列并发症，如口干、口腔黏膜损伤、喉水肿、吞咽困难、张口困难、视力下降、听力下降和认知障碍等。近年来，随着肿瘤放疗疗效的稳步提高，影响患者生活质量的放疗并发症越来越受到关注。减轻放疗毒副作用的研究具有重要的临床和社会意义。在放疗计划中，减少放疗副作用的一个关键步骤是精确勾画所有危及器官，以便它们在放疗中得到保护。危及器官勾画通常是由放射肿瘤学家基于计算机断层扫描图像手工完成的，根据需要勾画的危及器官数量和局部解剖结构的复杂性，这可能需要大量的时间和精力，人工勾画尤其令人生畏。如果能够在合理的时间内准确地勾画出危及器官，自动分割解剖区域的计算工具将大大减轻临床医生的手工工作量。
[0024]基于深度学习的医学图像分割方法已被广泛应用于对给定的2D/3D医学图像进行像素/体素分类，显著提高了多器官自动分割的性能。然而，目前几乎所有的分割模型都依赖于完全注释的数据。管理大规模的全注释数据集是一项具有挑战性的任务，既昂贵又耗时。现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于部分标注数据学习的多器官分割方法，其特征在于，包括：构建不同尺度下的语义特征，获取不同尺度下的图像；所述图像包括多个器官的图像；基于所述图像的上下文的自适应权重层融合不同尺度下的分割特征，并基于所述器官大小分布的先验损失，调整不同器官的输出尺寸均值，使每个器官的输出尺寸均值与每个器官的先验比例值近似，获取多器官分割网络；基于所述多器官分割网络，对所述图像的每个器官进行分割。2.根据权利要求1所述的基于部分标注数据学习的多器官分割方法，其特征在于，所述多器官分割网络包括多个数据集，所述数据集包括完全标注的数据集和部分标注的数据集；所述完全标注的数据集包括对每个器官进行标注的数据集；所述部分标注的数据集包括对部分器官进行标注的数据集。3.根据权利要求2所述的基于部分标注数据学习的多器官分割方法，其特征在于，所述数据集包括LiTS数据集、KiTS数据集、Spleen数据集以及BTCV数据集。4.根据权利要求1所述的基于部分标注数据学习的多器官分割方法，其特征在于，采用金字塔输入输出构建不同尺度下的语义特征。5.根据权利要求4所述的基于部分标注数据学习的多器官分割方法，其特征在于，所述采用金字塔输入输出构建不同尺度下的语义特征，获取不同尺度下的图像，包括：获取医学影像数据集，并为所述医学影像数据集作的图像中所有器官制作分割标签；对所述医学影像数据...

【专利技术属性】
技术研发人员：王珊珊，薛珍珍，李程，郑海荣，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：