[发明专利]基于3D-UNet的医学图像自动分割方法及系统

说明书

本发明公开了一种基于3D‑UNet的医学图像自动分割方法及系统，所述医学图像自动分割方法包括：构建一医学图像库，医学图像库包含多个分割好的医学图像，每个分割好的医学图像中的每个器官的图像区域已划分好且每个器官对应的图像区域已标注器官标签，器官标签用于表征对应的图像区域的所属器官；将多个分割好的医学图像作为训练数据输入至3D‑UNet模型，训练得到全局图像自动分割模型；获取目标三维图像；将目标三维图像输入全局图像自动分割模型，输出分割好的目标三维图像。本发明能同时对多个器官同时进行分割，直接输出医学图像的分割结果，提高分割效率，减轻医生工作量，提高用户体验。

技术领域

本发明属于医疗影像处理领域，特别涉及一种基于3D-UNet的医学图像自动分割方法及系统。

背景技术

医学图像往往能够直接反映病人当前的身体状况，广泛应用于疾病诊断、精准治疗、术前分析以及术中引导等场合，例如，在放疗的过程中，医生常常通过观察胸部CT(断层扫描)中各个器官的形态和特征来制定放疗计划，为了便于观察，医生需要对医学图像中各个器官进行手动勾画。手动勾画耗时耗力，并且受到医生个人水平和经验的影响，难以准确客观地反映各个器官的边界。常见的自动分割方法主要是建立统计学形状模型，例如水平集(Level Sets)、主动轮廓(Active Contours)、多图谱(Multi-atlas)以及图模型(Graphical Model)等，这些模型都依赖于手动提取的特征，但是手动提取的特征往往不能很好地应对器官形状的变化，分割效果较差。

近年来，深度卷积神经网络(DCNN)的研究取得一定突破，它通过分层学习来获得高层次的特征，可以有效应用于图像处理领域，应用DCNN自动学习医学图像中的特征，可以有效提高分割效果，当前主流的分割模型有全卷积网络(FCN)，语义分割(DeconvNet)，卷积神经网络(U-Net)等，然而，这些分割模型只能逐步处理多张二维断层图像，忽视了医学图像中的三维结构信息，导致分割效果有限，耗费的时间较长。

发明内容

本发明要解决的技术问题是为了克服现有技术中医学图像的分割效果较差且分割效率低的缺陷，提供一种基于3D-UNet的医学图像自动分割方法及系统。

本发明是通过下述技术方案来解决上述技术问题：

一种基于3D-UNet(三维卷积神经网络)的医学图像自动分割方法，所述医学图像自动分割方法包括：

构建一医学图像库，所述医学图像库包含多个分割好的医学图像，每个分割好的医学图像中的每个器官的图像区域已划分好且每个器官对应的图像区域已标注器官标签，所述器官标签用于表征所述对应的图像区域的所属器官；

将所述多个分割好的医学图像作为训练数据输入至3D-UNet模型，训练得到全局图像自动分割模型；

获取目标三维图像；

将所述目标三维图像输入所述全局图像自动分割模型，输出分割好的目标三维图像，每个分割好的目标三维图像中的每个目标器官的图像区域已划分好且每个目标器官对应的图像区域已标注器官标签。

较佳地，所述医学图像自动分割方法还包括：

从所述多个分割好的医学图像中提取单个器官的图像数据，所述单个器官的图像数据包括所述单个器官的器官标签及所述单个器官的图像区域；

将所述单个器官的器官标签及所述单个器官的图像区域作为训练数据输入至所述3D-UNet模型，训练得到单个器官分割模型；

所述输出分割好的目标三维图像的步骤之后，所述自动分割方法还包括：

从所述分割好的目标三维图像中提取单个目标器官的图像数据；

将所述单个目标器官的图像数据输入所述单个器官分割模型，输出单个目标器官的分割图像；