[发明专利]一种医学图像中小器官的分割方法

权利要求书

1.一种医学图像中小器官的分割方法，其特征在于，包括以下步骤：

(1)获取包含小器官的医学图像数据作为样本数据，经过预处理后标注标签，将标注后的样本数据分成训练集和测试集；

(2)搭建分割模型，所述分割模型包括DRD模块和ESF模块，所述的DRD模块用于实现小器官的目标检测和动态区域选择，所述ESF模块用于实现对动态区域的精细分割和三维特征融合；

所述的DRD模块包括具有压缩功能的卷积块、实现动态区域检测的PMask-RCNN网络和RAmap处理模块；所述DRD模块的运算方法如下：

(2-1-1)将三维图像数据输入具有压缩功能的卷积块进行压缩；

(2-1-2)将压缩后的图像输入PMask-RCNN网络进行目标识别，得到目标在压缩图像上的边界框BBX以及目标在三维图像上的位置对应图RAmap；

(2-1-3)RAmap处理模块结合RAmap和BBX将原三维图像切割得到BBX-C并输出；

所述的ESF模块的运算方法如下：

(2-2-1)将DRD模块输出的BBX-C及其对应标签，从xyz三个方向分别读取二维数据作为输入；

(2-2-2)分别搭建3个2D分割子模型和1个3D分割子模型，对xyz方向的2D数据和通过DRD模块得到的BBX-C数据进行精细分割，得到四组分割结果；

(2-2-3)四组分割结果通过FFN网络进行融合，得到融合结果输出；

(3)使用训练集对分割模型进行训练，根据模型预测结果与标签的重合度对网络的参数进行调节，直至模型收敛；

(4)将需要分割的医学图像输入训练好的模型中，输出最终的分割结果。

2.根据权利要求1所述的医学图像中小器官的分割方法，其特征在于，步骤(1)中，所述的预处理包括图像数据清洗和切割，将无效的图像数据剔除，将有效图像数据处理成相同大小的尺寸。

3.根据权利要求1所述的医学图像中小器官的分割方法，其特征在于，步骤(1)中，所述标注后的样本数据通过k折交叉验证方法分成训练集和测试集，具体过程如下：

(1-1)不重复抽样将样本数据随机分为k份，每份数据样本数量相等或相接近；

(1-2)每一次挑选其中1份作为测试集，剩余k-1份作为训练集用于模型训练，重复k次，制作k组不同的训练集和测试集组。

4.根据权利要求1所述的医学图像中小器官的分割方法，其特征在于，步骤(3)中，所述模型的具体训练过程为：

(3-1)输入一组训练集，经过DRD模块和ESF模块运算后，ESF模块输出融合结果；

(3-2)将融合结果与ESF模块输入图像对应的标签进行对比，运用DSC函数计算当前模型的损失，并回传到DRD模块中，对所述RAmap进行更新；

(3-3)当达到设定的DSC阈值或达到指定迭代次数时，所述ESF模块停止更新，输出结果；

(3-4)使用上述方法依次输入剩余的训练集进行训练，直至模型收敛。

5.根据权利要求4所述的医学图像中小器官的分割方法，其特征在于，每组训练集训练结束后，将该组的测试集输入模型，得到对应的分割结果，并按DRD中的对应位置拼接回原始图像大小，得到模型在测试数据集上的损失DSC；将所有测试集得到的损失值求平均值，作为模型的性能评估，从而寻找最优参数。