[发明专利]一种自动化分割医学影像多器官的方法

说明书

本发明提供了一种自动化分割医学影像多器官的方法，涉及医学图像处理技术领域，包括数据预处理：将原始CT图像在进行归一化，然后以各向同性的空间体进行重采样到低分辨率，输入低分辨率全卷积网络；数据处理：低分辨率全卷积网络输出一个粗分割的感兴趣体积区域，并以各向同性的空间体进行重采样，得到一个感兴趣体积区域的高分辨数据，使用该数据作为训练数据分别输入到高分辨率的2D与3D全卷积网络进行训练；数据后处理：融合2D与3D全卷积网络的结果并输出，对输出的结果进行后处理，得到各个器官的分割结果。本发明能对医生提供像素级高精度的自动化的智能多器官分割，减少医生的工作负担，提升效率，提高分割的准确率。

技术领域

本发明涉及一种自动化分割医学影像多器官的方法，属于医学图像处理技术领域。

背景技术

近年来，人工智能领域在医疗健康领域的应用越来越广泛，人工智能已经在医学的很多核心领域展开了应用，也有越来越多的医院来采用这一先进的技术来改善患者的就医体验，降低医生的工作负担，提升医疗效率。随着我国60岁及以上老年人口的增加，确诊慢病患者近3亿，且两者数量都在逐年上升，但职业医师数量远远供不应求，我国280万职业医师远远无法应对2000万日均门诊量。供需缺口持续加剧、催生医疗智能化，为此引入大数据、人工智能、云计算、区块链等技术，以有效提升医疗服务效率、扩大医疗服务供给。人工智能在医疗领域应用不断探索发展，将为医生带来一个更强的大脑，为百姓提供更智慧的服务，也将为缓解医疗资源供需失衡等问题而助力。

在医疗诊断过程中，医生通常需要按照CT拍摄诊断，手动逐张逐个勾画各个器官或病灶的标记轮廓线。这一过程增加了医生的工作负担，耗费大量的时间，并且技术含量相对较低，降低了医疗效率。而增加医疗过程时间有可能使得确诊时的病灶发生病变，难以准确定位。同时加上医疗水平的差别，以及不同医生对解剖结构的理解上的差异等，不同医生的标注习惯也迥然有别。医生依照自己的知识与经验进行标注，难以有一套统一标准的标注和评定标准。这些问题一方面让病人的确诊存在差别，另一方面医生在重复性、低水平工作上耗费数个小时，并且具有很大的操作上的不确定性，可能会影响后续的治疗过程。

这些年由于运算能力持续加强，经过标注的可用数据的增加以及基于深度学习的高级算法的涌现，使得人工智能近年发展迅速。随着人工智能渗透到各行各业，它不仅带来技术变革，也会对社会造成深远影响。尤其是近些年兴起的深度学习技术表现了惊人的能力，也让这项技术应用到医疗图像处理上成为可能。其中器官自动分割的算法可以有效地降低医生的工作负担，提供像素级的精准分割，有着广阔的应用前景。

器官分割旨在识别并将不同的器官自动地在CT图像中分割出来，从而减少医生的标注工作。在传统图像处理上，通过阈值处理，区域生长等各种算法，对于部分器官有着不错的表现，但是对于大部分的软组织器官，由于HU值变化小，边界不明显以及形变严重的特点，医生也要通过解剖结构与长年积累的经验，才能大致标注出器官组织的轮廓线。并且CT图像张数多，图像大，会耗费巨大的时间。并且自动化分割多个器官时，尽管使用了深度学习模型进行预测，但是由于模型结构设计的问题，使得现有的模型在器官分割任务上的表现并不令人满意。

目前对于多器官分割，相关专利都是使用全卷积的深度学习网络进行推理预测，但在精度上，尤其是不同病例中形变较大，边界不清晰的器官(如胰腺)，分割效果不够满意。

换言之，现有技术主要分别存在以下缺陷：

1、在传统方法中，很大程度上医生手动逐张逐个器官进行器官标注，医生需要持续密集地同时对多个器官进行标注，不仅工作量大且效率较低。此外不同患者的目标器官通常在形状和位置上差异很大，并且CT影像中的轮廓对比度相对较低，也给器官的分割标注带来了困难。

2、在基于深度学习的人工智能方法中，建立的深度学习模型的效果，在部分器官上精度较低，仍然影响了医生的诊断。

基于此，做出本申请。

发明内容