基于深度学习的增强CT图像解剖图谱分割方法及系统技术方案

本发明专利技术提供一种基于深度学习的增强CT图像解剖图谱分割方法及系统，包括如下步骤：基于神经网络构建肝脏病灶分割模型；获取待分割CT图像以及多例腹部增强CT图像；为所有腹部增强CT图像标注多类别的肝脏解剖掩膜，并划分出训练集图像和测试集图像；预处理所有训练集图像和测试集图像；结合预处理后的训练集图像和测试集图像分别完成目标定位模块、精准分割网络模块和肝脏图谱预测网络模块的模型训练；将图像三维数据输入至肝脏病灶分割模型中生成定位二值掩码；进行裁剪处理得到裁剪三维数据；通过精准分割网络模块得到分割二值掩码；利用肝脏图谱预测网络模块得到肝脏解剖图谱预测掩码。本发明专利技术具有高效自动预测生成解剖结构图谱的效果。

【技术实现步骤摘要】

本专利技术属于医学图像分割，具体是涉及到一种基于深度学习的增强ct图像解剖图谱分割方法及系统。

技术介绍

1、在当前的医疗领域，解剖结构图谱的获取仍然主要依赖于医生的手工勾勒。这种方式虽然精确，但无疑是一项既费时又费力的任务，尤其是在需要大规模应用的临床环境中，其局限性愈专利技术显。此外，由于每位医生的主观判断可能存在一定的差异，这也导致了图谱勾勒结果的不一致性和偏差。因此，探索一种更加高效且准确的方法来生成解剖结构图谱成为了迫切的需求。

2、近年来，深度学习在图像处理领域的应用取得了显著的进展，为自动预测生成解剖结构图谱提供了新的可能。通过训练大量的图像数据，深度学习模型能够学习到解剖结构的特征，进而自动识别和勾勒出图像中的关键部位。这种方法不仅大大提高了获取图谱的效率，还有助于减少人为因素的干扰，提高结果的准确性。然而，当图像中存在大面积病变时，现有深度学习方法的预测效果可能会受到一定的限制。病变区域可能导致图像特征的扭曲或缺失，使得模型难以准确识别和勾勒出解剖结构。

技术实现思路p>

1、本专利本文档来自技高网...

【技术保护点】

1.一种基于深度学习的增强CT图像解剖图谱分割方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的增强CT图像解剖图谱分割方法，其特征在于，所述基于Couinaud肝段划分法为所有所述腹部增强CT图像标注多类别的肝脏解剖掩膜，并利用所述感兴趣区域裁剪模块将所有所述腹部增强CT图像划分为训练集图像和测试集图像包括如下步骤：

3.根据权利要求2所述的基于深度学习的增强CT图像解剖图谱分割方法，其特征在于，所述结合预处理后的所述训练集图像和所述测试集图像分别完成所述目标定位模块、所述精准分割网络模块和所述肝脏图谱预测网络模块的模型训练包括如下步骤：<...

【技术特征摘要】

1.一种基于深度学习的增强ct图像解剖图谱分割方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的增强ct图像解剖图谱分割方法，其特征在于，所述基于couinaud肝段划分法为所有所述腹部增强ct图像标注多类别的肝脏解剖掩膜，并利用所述感兴趣区域裁剪模块将所有所述腹部增强ct图像划分为训练集图像和测试集图像包括如下步骤：

3.根据权利要求2所述的基于深度学习的增强ct图像解剖图谱分割方法，其特征在于，所述结合预处理后的所述训练集图像和所述测试集图像分别完成所述目标定位模块、所述精准分割网络模块和所述肝脏图谱预测网络模块的模型训练包括如下步骤：

4.根据权利要求1所述的基于深度学习的增强ct图像解剖图谱分割方法，其特征在于，所述将所述待分割ct图像预处理为图像三维数据包括如下步骤：

【专利技术属性】
技术研发人员：何昆仑，刘盼，王晓，
申请(专利权)人：中国人民解放军总医院，
类型：发明
国别省市：