[发明专利]一种基于3D深监督机制的颞骨关键解剖结构小目标分割方法

说明书

一种基于3D深监督机制的颞骨关键解剖结构小目标分割方法属于医学影像处理领域，本发明设计了一个3D的编码解码网络，编码阶段采用密集连接网络提取特征，加强特征的传播，提升特征的利用率，不同的密集连接网络块之间设计了迁移模块，迁移模块采用3D多池化特征融合策略，融合max pooling和average pooling后的特征。解码阶段引入3D深监督机制隐藏层和主干网络的输出结果共同指导网络训练。本发明针对颞骨关键解剖结构体积微小，可供提取特征不足的问题，采用3D网络充分利用颞骨CT的空间的信息，实现颞骨关键解剖结构锤骨、砧骨、耳蜗外壁、耳蜗内腔、外半规管、后半规管、前半规管、前庭以及内听道的自动分割。

技术领域

本发明属于医学影像处理领域，特别涉及一种基于3D深监督机制的颞骨关键解剖结构小目标分割方法。

背景技术

颞骨计算机断层扫描是一项已经确立的耳部检查标准，用来检查颞骨关键解剖结构是否发生解剖学结构变异。随着临床需求的不断增加，颞骨成像数据迅速增长，需要医生观察和处理的数据越来越多，大大增加了医生的工作量。因此，从颞骨CT中自动分割出医生关注的关键解剖结构对减轻医生工作负担，降低漏诊和误诊有重要的意义。颞骨关键解剖结构的准确分割不仅有助于提高医学影像数据的处理效率，在临床教学和科研方面也有重要意义。

医学的影像的分割方法主要包括两大类基于手工特征的分割方法和基于深度学习的分割方法。深度学习兴起前阈值分割、区域生长、活动轮廓模型等许多分割算法已应用于医学影像的分割任务。基于手工特征的分割方法虽然实现起来相对简单，但是，影响其分割精度的因素有很多，医学影像小目标分割任务对精度要求高，因此不适于采用传统的基于手工特征的分割方法

近年来医学影像语义分割已经成为医学影像智能分析的热门研究方向。医学影像小目标分割受到目标区域占图像比例小、目标与背景区域对比不明显、边界模糊以及不同个体形状大小差异性大的影响成为一项富有挑战性任务。颞骨关键解剖结构相对较小。例如，在一例512×512×199体素的容积数据中最大的解剖结构内听道仅有1298个体素，最小的解剖结构锤骨仅有184个体素。此外，不同的解剖结构之间差异性大。这些特点给颞骨关键解剖结构的智能分割带来了挑战。

语义分割网络的先驱全卷积神经网络将卷积层替换为全连接层对图像进行像素级别的分类，训练了一个端到端的编码解码网络，解决自然图像语义级别的分割问题。其分割结果不够精确，容易丢失边界等细节信息。与自然图像不同的是医学影像往往是三维容积数据，不同断层不仅包含层内的特征信息，层间还包含着丰富的空间信息。现有的医学影像分割方法大多适用于肝脏、心脏、肺等比较大的解剖结构，在小目标分割上表现不佳。

本发明提出了一种基于3D深监督机制的颞骨关键解剖结构小目标分割方法。设计了一个3D的编码解码网络，编码阶段采用密集连接网络提取特征，加强特征的传播，提升特征的利用率，不同的密集连接网络块之间设计了迁移模块，迁移模块采用3D多池化特征融合策略，融合max pooling和average pooling后的特征。解码阶段引入3D深监督机制隐藏层和主干网络的输出结果共同指导网络训练。

发明内容

本发明的目的在于克服现有分割方法的不足，针对颞骨关键解剖结构体积微小，可供提取特征不足的问题，提出一个基于3D深监督机制的分割网络，采用 3D网络充分利用颞骨CT的空间的信息，实现颞骨关键解剖结构锤骨、砧骨、耳蜗外壁、耳蜗内腔、外半规管、后半规管、前半规管、前庭以及内听道的自动分割。

本发明是采用以下技术手段实现的：

一种基于3D深监督机制的颞骨关键解剖结构分割方法。该方法的整体架构主要分为两个阶段：编码阶段和解码阶段，如附图1所示。

编码阶段包括密集连接网络提取特征、多池化特征融合。

解码阶段包括长短跳跃连接恢复特征、3D深监督机制。

该方法具体包括以下步骤：