[发明专利]一种头颈部CT图像中多器官自动分割方法

说明书

本发明涉及的是一种头颈部CT图像中多器官自动分割方法，属于医学图像分割技术领域。本发明首先使用分段线性函数对原始CT图像进行强度转换。再通过在切片内卷积与切片间卷积的基础上搭建的空间可分离卷积神经网络，将转换后图像输入网络中，使用加权损失函数训练网络直至收敛。最终加权组合多个子模型给出最终分割结果以及不确定性评估。本发明能克服用简单线性强度转换与使用标准三维卷积处理大间距图像等方法的不足，更有效地处理不同大小、不同难以程度的器官。在对器官分割有较强鲁棒性的同时，能够给出对应的像素级别和器官级别的不确定性估计。

技术领域

本发明涉及的是一种医学图像的自动分割技术，特别是三维医学图像中基于深度神经网络的多器官自动分割方法，属于医学图像分割技术领域。

背景技术

鼻咽癌是指发生于鼻咽腔顶部和侧壁的恶性肿瘤，是我国高发恶性肿瘤之一。鼻咽癌的发病率为耳鼻咽喉恶性肿瘤之首，放射治疗是其最常用治疗方法。为制定精确的放射治疗计划，放疗医师会在医学图像中勾画出头颈部多个器官的边界以辅助放疗计量的计算。

从医学图像中对多器官的精确分割是一个具有挑战性的问题。由于医学图像比如CT图像具有较低的软组织对比度，不同毗邻的器官具有相似的灰度值，边界不易确定，不同器官具有较大的形状差异和不同的大小范围等因素，难以通过一个方法对所有器官取得较好的分割效果。尽管过去二十多年医学图像分割领域涌现了大量的算法，至今仍然缺乏一个普遍使用的规则能够分割各种器官。

传统的医学图像分割算法例如阈值法、区域增长算法、边界检测算法、活动轮廓模型、基于地图集的方法、基于机器学习的方法等，由于依赖人工设计的特征，在进行医学图像分割时容易出现欠分割和过分割。近年来，基于深度学习的医学图像分割方法越来越受到重视，由于其是一种数据驱动的学习方式，可进行端到端训练，自动学习最佳特征，在医学图像分割中取得了较好的效果。

对目前所使用的深度学习模型进行考察发现，尽管深度学习在医学图像分割中可以有效排除噪声干扰，具有很强的鲁棒性，对CT图像中头颈部多器官自动分割却仍面临许多挑战。这里主要存在着三个问题：首先，由于CT图像的成像特性，诸如脑干、腮腺等软组织器官对比度较低。这使得区分这类器官的边界较为困难。目前的工作大多未能较好处理这一问题，因为它们大多使用单个窗宽窗位的方式进行灰度归一化。这种简单的灰度转换方式难以同时保留多个器官的视觉信息。其次，头颈部器官的CT图像通常层间距较大，导致如视神经这样的小器官只占几个切片。标准的三维卷积神经网络使用三维卷积来等同的处理x,y,z三个方向的信息，这忽略了层间距较大的事实并且限制了小器官的分割精度。第三，不同器官大小严重不平衡，使得分割模型在较大的器官可以取得较好的分割结果，但对小器官难以取得好的精度。现有的一些方法通过在损失函数中对较小器官进行加权来缓解这种不平衡问题，但该处理方式是对较小或较难器官整体加权，导致容易忽略较大或较易分割器官中的难像素点。

在实际应用场景中，器官分割的不确定性也很重要。对于放疗计划，放射治疗师不仅关注分割的精度，同时也在意该结果的置信度。如果某部分的不确定性过高，那么医师可能需要检查该区域并给出修正。在头颈部危及器官的CT勾画中，由于器官与周边组织的对比度较低，它们分割结果的置信度也同样较低。这部分组织的不确定性信息能够指导医师修正预测结果。但目前的头颈部多器官自动分割方法普遍缺失分割结果的不确定性信息。

发明内容

本发明的目的在于克服现有的CT图像中多器官自动分割算法的不足,针对基于深度学习的医学图像分割方法中的问题，提出一种基于空间可分离卷积网络与难区域加权模型的分割方法。使其对头颈部多器官分割时，能在预处理阶段保留多器官的边界信息，对大间距图像有更强的特征学习能力，针对难区域加权的损失函数可对各类器官取得更好效果，并通过加权组合多个子模型给出最终分割结果以及不确定性评估。