基于深度学习的膝关节自动分割方法、系统、介质及设备技术方案

本申请实施例公开了一种基于深度学习的膝关节自动分割方法、系统、介质及设备，其中，方法包括：接收目标膝关节的第一MR图像，将所述第一MR图像代入预先得到的自动分割模型中，所述自动分割模型包括一阶分割模型和二阶分割模型；通过所述一阶分割模型对所述第一MR图像中的目标软骨区域进行粗分割，得到第二MR图像；通过所述二阶分割模型对所述第二MR图像中的目标软骨特征进行细分割，得到所述目标膝关节的目标软骨分割图像。通过采用本申请实施例，可以提高膝关节的MR图像分割膝关节软骨的准确性。准确性。准确性。

【技术实现步骤摘要】
基于深度学习的膝关节自动分割方法、系统、介质及设备


[0001]本申请涉及人工智能领域，具体涉及一种基于深度学习的膝关节自动分割方法、系统、介质及设备。

技术介绍

[0002]膝关节炎在全球范围内是一种患病率很高的疾病，它由生物力学、生化、系统性以及内在因素等多重因素组合引起，通常会导致膝关节疼痛和关节软骨的结构性破坏，并且会造成患者身体的永久性损伤。然而，迄今为止，对膝关节炎的病理生理学都尚未完全了解，现阶段还缺乏对膝关节炎还有效的治疗方法。但是膝关节软骨退化在早期是可逆的，通过膝关节软骨的形态特征和软骨下骨的形态特征可以预测膝关节炎的发展周期，对于这两个特征的研究主要集中在软骨的体积、厚度以及表面曲率的生物标志物上，通过它们的生物标志物变化可以确定早期膝关节炎，进而对患者设计有效的治疗手段，可以有效避免膝关节炎病情的加重。
[0003]由于MR成像技术具有突出膝关节软组织特性的能力，通过MR图像可对膝关节软骨进行分割，进而提取生物标志物，这些生物标志物反映的信息可以用于表征膝关节炎病情的发展情况，因此MR成像技术被广泛应用于膝关节炎病情的预测。但在实际应用中，由于膝关节软骨在MR图像中的灰度与周围组织类似，且膝关节软骨区域较小、形态较薄，导致分割膝关节MR图像的准确性较低。

技术实现思路

[0004]本申请提供一种基于深度学习的膝关节自动分割方法、系统、介质及设备，可以提高膝关节的MR图像分割膝关节软骨的准确性。
[0005]在本申请的第一方面提供了一种基于深度学习的膝关节自动分割方法，包括：接收目标膝关节的第一MR图像，将所述第一MR图像代入预先得到的自动分割模型中，所述自动分割模型包括一阶分割模型和二阶分割模型；通过所述一阶分割模型对所述第一MR图像中的目标软骨区域进行粗分割，得到第二MR图像；通过所述二阶分割模型对所述第二MR图像中的目标软骨特征进行细分割，得到所述目标膝关节的目标软骨分割图像。
[0006]通过采用上述技术方案，采用二个阶段的分割模型对膝关节的MR图像进行分割，一阶分割模型用于对第一MR图像中的软骨区域进行定位，确定目标软骨区域，二阶分割模型用于对第二MR图像中的目标软骨区域进行精准分割，可以提升自动分割模型分割MR图像膝关节软骨的准确性。
[0007]可选的，所述一阶分割模型中包括ResUnet模型，所述通过所述一阶分割模型对所述第一MR图像中的目标软骨区域进行粗分割，得到第二MR图像，包括：通过所述ResUnet模型对所述第一MR图像中的所述目标软骨区域进行粗分割，得
到多个粗分割结果；通过三维连通域操作对所述多个粗分割结果进行连接，并清除所述多个粗分割结果连接后产生的细小区域，得到所述第一MR图像的三维连通域；提取所述三维连通域中的目标软骨区域，得到所述第二MR图像。
[0008]通过采用上述技术方案，使用ResUnet模型作为一阶分割模型，对MR图像中的软骨区域进行粗分割，从而确定软骨的大致区域，可以减少二阶分割模型的分割范围。
[0009]可选的，所述二阶分割模型包括3D
‑
MedicalNet模型和ASPP模块，所述通过所述二阶分割模型对所述第二MR图像中的目标软骨特征进行细分割，得到所述目标膝关节的目标软骨分割图像，包括：通过所述二阶分割模型中的3D
‑
MedicalNet模型，对所述第二MR图像中的目标软骨特征进行细分割，得到多个细分割结果；通过所述ASPP模块对所述多个细分割结果进行解码以及拼接操作，得到所述目标膝关节的所述目标软骨分割图像。
[0010]通过采用上述技术方案，使用3D
‑
MedicalNet模型作为二阶分割模型，对第二MR图像进行细分割，二阶分割模型更加关注于软骨与周围组织的区别，可以进一步提升模型分割的准确性。
[0011]可选的，所述接收膝关节软骨的第一MR图像，将所述第一MR图像代入预先得到的自动分割模型之前，还包括：通过ResUnet网络构建所述一阶分割模型，通过3D
‑
MedicalNet网络构建所述二阶分割模型，得到第一自动分割模型；接收多个膝关节的MR图像，对所述多个膝关节的MR图像进行预处理，得到多个第三MR图像；按照预设比例，将所述多个第三MR图像划分为训练集、验证集以及测试集；将所述训练集中的第三MR图像代入所述第一自动分割模型中，对所述第一自动分割模型进行分割训练；将所述验证集中的第三MR图像代入所述分割训练后的第一自动分割模型，得到训练结果；根据所述训练结果，对所述第一自动分割模型进行训练，得到目标自动分割模型。
[0012]通过采用上述技术方案，构建第一自动分割模型，并对第一自动分割模型进行训练以及验证，进而得到准确度较高的目标自动分割模型。
[0013]可选的，所述对所述多个膝关节MR图像进行预处理，得到多个第三MR图像，包括：依次对所述多个膝关节MR图像进行滤波去噪、三维重建、归一化处理的操作，得到多个第三MR图像。
[0014]通过采用上述技术方案，对膝关节MR图像进行预处理，使得MR图像更适用于自动分割模型。
[0015]可选的，所述根据所述训练结果，对所述第一自动分割模型进行训练，得到目标自动分割模型，包括：判断所述训练结果是否达标；若所述训练结果达标，则将所述训练结果对应的第一自动分割模型作为目标自动
分割模型；若所述训练结果未达标，则重新执行将所述训练集中的第三MR图像代入所述第一自动分割模型中，对所述第一自动分割模型进行分割训练，得到训练结果的步骤，直到所述训练结果达标；所述方法还包括：若所述一阶分割模型的训练次数达到最大训练次数，则终止执行将所述训练集中的第三MR图像代入所述第一自动分割模型中，对所述第一自动分割模型进行分割训练，得到训练结果的步骤，并将所述最大训练次数对应的第一自动分割模型作为所述目标自动分割模型。
[0016]通过采用上述技术方案，根据训练结果判断第一自动模型是否达到标准，若第一自动分割模型不达标，则对不达标的第一自动分割模型进行重复训练，以优化第一自动分割模型，得到目标自动分割模型。
[0017]可选的，所述根据所述训练结果，对所述第一自动分割模型进行训练，得到目标自动分割模型之后，还包括：将所述测试集中的第三MR图像代入所述目标自动分割模型中，得到软骨分割结果；通过Dice公式对所述软骨分割结果进行评估，得到所述目标自动分割模型的评估结果；所述Dice公式为：Dice（e，f）=；式中，Dice（e，f）为评估结果；e为分割结果中的软骨面积；f为实际软骨面积。
[0018]通过采用上述技术方案，采用Dice公式对目标自动分割模型进行评估，通过评估结果反映目标自动分割模型的实际应用效果。
[0019]在本申请的第二方面提供了一种基于深度学习的膝关节自动分割系统，所述系统包括：第一MR图像获取模块，用于接收目标膝关节的第一MR图像，将所述第一MR图像代入预先得到的自动分割模型中，所述自动分割模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的膝关节软骨自动分割方法，其特征在于，包括：接收目标膝关节的第一MR图像，将所述第一MR图像代入预先得到的自动分割模型中，所述自动分割模型包括一阶分割模型和二阶分割模型；通过所述一阶分割模型对所述第一MR图像中的目标软骨区域进行粗分割，得到第二MR图像；通过所述二阶分割模型对所述第二MR图像中的目标软骨特征进行细分割，得到所述目标膝关节的目标软骨分割图像。2.根据权利要求1所述的基于深度学习的膝关节软骨自动分割方法，其特征在于，所述一阶分割模型中包括ResUnet模型，所述通过所述一阶分割模型对所述第一MR图像中的目标软骨区域进行粗分割，得到第二MR图像，包括：通过所述ResUnet模型对所述第一MR图像中的所述目标软骨区域进行粗分割，得到多个粗分割结果；通过三维连通域操作对所述多个粗分割结果进行连接，并清除所述多个粗分割结果连接后产生的细小区域，得到所述第一MR图像的三维连通域；提取所述三维连通域中的目标软骨区域，得到所述第二MR图像。3.根据权利要求1所述的基于深度学习的膝关节软骨自动分割方法，其特征在于，所述二阶分割模型包括3D
‑
MedicalNet模型和ASPP模块，所述通过所述二阶分割模型对所述第二MR图像中的目标软骨特征进行细分割，得到所述目标膝关节的目标软骨分割图像，包括：通过所述二阶分割模型中的3D
‑
MedicalNet模型，对所述第二MR图像中的目标软骨特征进行细分割，得到多个细分割结果；通过所述ASPP模块对所述多个细分割结果进行解码以及拼接操作，得到所述目标膝关节的所述目标软骨分割图像。4.根据权利要求1所述的基于深度学习的膝关节软骨自动分割方法，其特征在于所述接收膝关节软骨的第一MR图像，将所述第一MR图像代入预先得到的自动分割模型之前，还包括：通过ResUnet网络构建所述一阶分割模型，通过3D
‑
MedicalNet网络构建所述二阶分割模型，得到第一自动分割模型；接收多个膝关节的MR图像，对所述多个膝关节的MR图像进行预处理，得到多个第三MR图像；按照预设比例，将所述多个第三MR图像划分为训练集、验证集以及测试集；将所述训练集中的第三MR图像代入所述第一自动分割模型中，对所述第一自动分割模型进行分割训练；将所述验证集中的第三MR图像代入所述分割训练后的第一自动分割模型，得到训练结果；根据所述训练结果，对所述第一自动分割模型进行训练，得到目标自动分割模型。5.根据权利要求4所述的基于深度学习的膝...

【专利技术属性】
技术研发人员：柴象飞，
申请(专利权)人：慧影医疗科技北京股份有限公司，
类型：发明
国别省市：