一种基于医学图像的器官分割建模方法及终端技术

本发明专利技术公开了一种基于医学图像的器官分割建模方法及终端，接收输入的连续的医学图像，从连续的医学图像中获取包含目标器官的第一图像，接收第一图像上标记的正负控制点，根据标记结果在所述第一图像上识别目标器官，基于识别到的器官区域，对该断面中连续的序列影像进行器官的连续追踪，进而完成整个器官的自动识别，生成器官基于原始断面连续图像上的三维模型，根据输入的连续的医学图像至少建立另外两个断面的连续的医学图像，再对其他断面的连续的医学图像进行器官的识别与建模

【技术实现步骤摘要】
一种基于医学图像的器官分割建模方法及终端


[0001]本专利技术涉及医学图像处理的
，特别涉及一种基于医学图像的器官分割建模方法及终端
。

技术介绍

[0002]随着人工智能的飞速发展，目前应用于医学图像自动分割的软件不断涌现，当前应用广泛的软件包括
3D slicer、ITK
‑
SNAP
等
。
这些软件背后所依赖的自动分割算法主要包括传统算法如基于阈值
、
区域生长
、
水平集方法
、
活动轮廓模型等，以及深度学习算法如
U
‑
Net、CNN
等
。
[0003]目前的现有技术公开了采用边缘感知算法针对腹部计算机断层扫描图像进行多器官的分割建模的方法
。
此方法中构建了腹部多器官分割网络，该网络主要包括体素分割模块
、
边缘感知模块和融合模块
。
通过训练集中的腹部
CT
图像对该网络进行训练，从而得到腹部多器官分割模型
。
但是，上述分割方法仅适用于
CT
图像的腹部脏器，对其他器官或病变的适用性较差
。
对于那些可以广泛适应各种器官组织的自动分割算法，大多数场景下的实际分割效果并不理想，导致其在实际应用中效益有限
。
[0004]并且，传统自动分割算法对种子点
、
边界和阈值的选择非常敏感
。
>为了得到较为准确的结果，可能需要人为设定多个边界点或在自动分割后进行大量的修正，这在操作上甚至可能超越直接手动分割的复杂度
。
至于深度学习算法，它们要求有大量标注的训练集数据，这不仅增加了工作量，而且需要较高的计算能力
。
[0005]同时，现有的传统自动分割算法很难完全满足医学分割的需求
。
这些算法容易受到图像噪声的影响，且在目标与背景强度分布有重叠的情况下，其分割效果通常不尽如人意
。
由于医学图像的特性，脏器间的密度往往相似或有重叠，导致分割难以达到理想状态
。
尽管深度学习算法在特定场景中相较于传统算法表现更佳，但在处理生理变异或少见的病变和异常组织时，仍然面临较大的挑战
。

技术实现思路

[0006]本专利技术所要解决的技术问题是：提供一种基于医学图像的器官分割建模方法及终端，能够对多种医学图像中的器官进行分割建模的同时，保证分割的准确度
。
[0007]为了解决上述技术问题，本专利技术采用的技术方案为：
[0008]一种基于医学图像的器官分割建模方法，包括步骤：
[0009]S1、
接收连续的医学图像，从连续的医学图像中获取包含目标器官的第一图像，接收在所述第一图像上标记的正负控制点，根据标记结果在所述第一图像上识别目标器官；
[0010]S2、
对连续的医学图像中的目标器官进行识别跟踪，计算连续的跟踪结果的重叠比例，若所述重叠比例大于预设比例，则得到所述目标器官的跟踪结果，生成所述目标器官的三维模型；
[0011]S3、
根据所述连续的医学图像分别建立除原始连续的医学图像所在断面之外的至
少两个断面的连续的医学图像，依次使用建立的连续的医学图像返回执行步骤
S1
和
S2
，得到至少两个断面的目标器官的三维模型；
[0012]S4、
对所述目标器官在所有断面的三维模型进行校准，得到所述目标器官的三维分割模型
。
[0013]为了解决上述技术问题，本专利技术采用的另一种技术方案为：
[0014]一种基于医学图像的器官分割建模终端，包括存储器
、
处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0015]S1、
接收连续的医学图像，从连续的医学图像中获取包含目标器官的第一图像，接收在所述第一图像上标记的正负控制点，根据标记结果在所述第一图像上识别目标器官；
[0016]S2、
对连续的医学图像中的目标器官进行识别跟踪，计算连续的跟踪结果的重叠比例，若所述重叠比例大于预设比例，则得到所述目标器官的跟踪结果，生成所述目标器官的三维模型；
[0017]S3、
根据所述连续的医学图像分别建立除原始连续的医学图像所在断面之外的至少两个断面的连续的医学图像，依次使用建立的连续的医学图像返回执行步骤
S1
和
S2
，得到至少两个断面的目标器官的三维模型；
[0018]S4、
对所述目标器官在所有断面的三维模型进行校准，得到所述目标器官的三维分割模型
。
[0019]本专利技术的有益效果在于：接收输入的连续的医学图像，从连续的医学图像中获取包含目标器官的第一图像，接收第一图像上标记的正负控制点，根据标记结果在所述第一图像上进行目标器官的自动识别，基于识别到的器官区域，对该连续的序列影像进行器官的连续追踪，进而完成整个器官的自动识别，生成器官基于原始断面连续图像上的三维模型，根据输入的连续的医学图像至少建立另外两个断面的连续的医学图像，再对其他断面的连续的医学图像进行器官的识别与建模
。
最后基于所有断面的模型进行校准得到所述目标器官的三维分割模型，确保得到精确的器官分割结果
。
因此，本专利技术可以适配多种医学图像，适用于多种扫描部位，同时目标器官的勾画只需在对应部位标注少量的控制点即可实现，结合连续的医学图像进行识别跟踪，进一步保证分割的准确度
。
附图说明
[0020]图1为本专利技术实施例的一种基于医学图像的器官分割建模方法的流程图；
[0021]图2为本专利技术实施例的一种基于医学图像的器官分割建模终端的示意图；
[0022]图3为本专利技术实施例中医学图像目标器官三维模型构建流程图
。
[0023]标号说明：
[0024]1、
一种基于医学图像的器官分割建模终端；
2、
存储器；
3、
处理器
。
具体实施方式
[0025]为详细说明本专利技术的
技术实现思路

、
所实现目的及效果，以下结合实施方式并配合附图予以说明
。
[0026]请参照图1，本专利技术实施例提供了一种基于医学图像的器官分割建模方法，包括步
骤：
[0027]S1、
接收连续的医学图像，从连续的医学图像中获取包含目标器官的第一图像，接收在所述第一图像上标记的正负控制点，根据标记结果在所述第一图像上识别目标器官；
[0028]S2、
对连续的医学图像中的目标器官进行识别跟踪，计算连续的跟踪结果的重叠比例，若所述重叠比例大于预设比例，则得到所述目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于医学图像的器官分割建模方法，其特征在于，包括步骤：
S1、
接收连续的医学图像，从连续的医学图像中获取包含目标器官的第一图像，接收在所述第一图像上标记的正负控制点，根据标记结果在所述第一图像上识别目标器官；
S2、
对连续的医学图像中的目标器官进行识别跟踪，计算连续的跟踪结果的重叠比例，若所述重叠比例大于预设比例，则得到所述目标器官的跟踪结果，生成所述目标器官的三维模型；
S3、
根据所述连续的医学图像分别建立除原始连续的医学图像所在断面之外的至少两个断面的连续的医学图像，依次使用建立的连续的医学图像返回执行步骤
S1
和
S2
，得到至少两个断面的目标器官的三维模型；
S4、
对所述目标器官在所有断面的三维模型进行校准，得到所述目标器官的三维分割模型
。2.
根据权利要求1所述的一种基于医学图像的器官分割建模方法，其特征在于，所述接收在所述第一图像上标记的正负控制点，根据标记结果依次在所述第一图像上识别目标器官包括：从所述第一图像中提取图像特征信息，基于所述图像特征信息构建所述第一图像的预测器；接收对所述第一图像中的目标器官标记的正负控制点，将所述正负控制点输入所述预测器，识别得到所述第一图像中目标器官的图像分割结果
。3.
根据权利要求1所述的一种基于医学图像的器官分割建模方法，其特征在于，所述对连续的医学图像中的目标器官进行识别跟踪包括：构建包含所述第一图像及所述第一图像之后的图像的第一图像序列，以及包含所述第一图像及所述第一图像之前的图像的第二图像序列；根据所述第一图像中目标器官的图像分割结果进行第一图像序列和第二图像序列中目标器官的识别跟踪，得到初始跟踪结果
。4.
根据权利要求3所述的一种基于医学图像的器官分割建模方法，其特征在于，所述计算连续的跟踪结果的重叠比例，若所述重叠比例大于预设比例，则得到所述目标器官的跟踪结果包括：在图像序列中从第一图像开始计算当前图像的跟踪结果与下一图像的初始跟踪结果的重叠比例，若所述重叠比例大于或者等于预设比例，则存储下一图像的初始跟踪结果，并将下一图像作为当前图像，进行重叠比例的计算，直至图像序列中的所有图像均完成重叠比例的计算；若所述重叠比例小于预设比例，则认为下一图像中不存在目标器官，结束器官分割
。5.
根据权利要求1所述的一种基于医学图像的器官分割建模方法，其特征在于，对所述目标器官在所有断面的三维模型进行校准，得到所述目标器官的三维分割模型包括：将所述目标器官在所有断面的三维模型转换到相同的坐标系，并计算所有断面的三维模型的交集，根据交集结果得到所述目标器官的三维分割模型
。6.
一种基于医学图像的器官分割建模终端，包括存储器
...

【专利技术属性】
技术研发人员：扈雪晗，余庆，成官迅，
申请(专利权)人：北京大学深圳医院北京大学深圳临床医学院，
类型：发明
国别省市：