[发明专利]一种基于深度学习的3D CT床快速分割方法

说明书

本发明公开了一种基于深度学习的3D CT床快速分割方法，包括，利用labelme标注输入的三维CT图切片中的CT床；基于深度学习构建CT床分割模型并训练标注完成的数据，得到训练完成的网络模型；利用训练好的所述网络模型分割原始CT图像中的一张切片，得到所述CT床，根据形态学操作所述CT床，得到CT床掩模；根据“与”运算策略计算所述原始图像剩余的所有切片及所述掩模，完成CT床的快速分割去除。本发明可以有效地去除三维图像的CT床，解决了去除CT床精度不好的问题，且无需将所有CT切片放入CT床分割模型，仅需将一张切片送入网络模型所得CT床掩膜，继而将其余切片与掩膜进行与运算实现CT床快速精确3D分割。

技术领域

本发明涉及计算机视觉、深度学习的技术领域，尤其涉及一种基于深度学习的3DCT床快速分割方法。

背景技术

随着计算机科学技术的发展，计算机技术在医学影像方面的应用也越来越多。电子计算机断层扫描(Computed Tomography，以下简称CT)利用其独特的优势逐渐在医学方面发挥重要的作用，将传统的成像技术提高到了一个新的水平，目前，CT不仅仅只用于物体的平面，更多地是应用于一个三维的目标物体，获取其三维的CT体数据。

CT扫描床作为CT的重要设备，是用来配合扫描装置完成全方位扫描的辅助工具，直接影响到检测结果和成像质量，是用来配合扫描装置完成全方位扫描的辅助工具，在物体拍摄CT的过程中，扫描床具有上下前后移动等功能，用以辅助目标物体更好地呈现在图像正中央。但是在实践过程中，CT图像扫描床总是包含CT图像中，这样就会对CT图像造成干扰、影响临床诊断的准确性，因此，去除CT图像扫描床在医学图像的处理中是必不可少地的一步。

传统方案的方法通过图像处理进程读取三维的CT图像，对扫描的图像进行多线程操作，然后通过阈值分割、形态学运算等操作去除图像中的CT床部分。

上述方法可以用于某些图像的CT床去除，若图像中的物体的灰度值或者形态与CT床结构相似则无法完整地去除，故此方法只适用于某些特定的图像，无法大范围推广使用。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：提供一种基于深度学习的3D CT床快速分割新方法，能够通过输入CT图像，自动识别出CT床体部分，并在原图中去除CT床体。

为解决上述技术问题，本发明提供如下技术方案：利用labelme标注输入的三维CT图切片中的CT床；基于深度学习构建CT床分割模型并训练标注完成的数据，得到训练完成的网络模型；利用训练好的所述网络模型分割原始CT图像中的一张切片，得到所述CT床，根据形态学操作所述CT床，得到CT床掩模；根据“与”运算策略计算所述原始图像剩余的所有切片及所述掩模，完成CT床的快速分割去除。

作为本发明所述的基于深度学习的3D CT床快速分割方法的一种优选方案，其中：所述三维CT图切片的输入包括，利用Python dicom提取CT图像信息，得到三维CT图像的切片，将切片生成三维矩阵f(x,y,z)。

作为本发明所述的基于深度学习的3D CT床快速分割方法的一种优选方案，其中：所述CT图像的二值化结果包括，定义阈值T1和T2，介于该阈值范围内的所有体素的CT值为1，小于T1或大于T2的所有体素的CT值设置为0；得到二值化切片序列图像bin_image：

作为本发明所述的基于深度学习的3D CT床快速分割方法的一种优选方案，其中：所述CT床分割模型包括一个提取特征的编码器和一个实现精确定位的解码器。