[发明专利]一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法

说明书

本发明公开一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法：步骤一：腹部多器官的区域粗分割和边缘检测；步骤二：引入语义引导的逐类多尺度注意力机制；步骤三：多分支信息的逐类融合：步骤四：引入多任务损失：本发明利用卷积神经网络和门控循环神经单元的优势，针对多器官分割任务的特点和难点，借助轮廓信息辅助多尺度特征的提取，引入逐类多尺度语义注意力机制、逐类空洞卷积融合机制和多个损失函数缓解器官类间不平衡问题，更高效、准确地对三维CT影像进行多器官分割，并在含有14类器官标注的数据集上验证了本发明的优势，能被广泛应用于计算机辅助诊断和治疗应用中，如内窥镜手术、介入治疗、放射治疗计划制定。

技术领域

本发明涉及一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法，尤其是一种基于逐类多尺度语义注意力机制和空洞卷积融合的轮廓感知三维卷积神经网络，用于腹部CT影像的多器官分割，属于数字图像处理、模式识别和医学影像工程技术领域。它主要涉及卷积神经网络(CNN)和门控循环神经单元(GRU)，能广泛应用于计算机辅助诊断和治疗应用中，如内窥镜手术、介入治疗、放射治疗计划制定。

背景技术

在现有的医学诊断过程中，人工方法仍然无法满足患者对精度和时效的要求。人工判断结果会受到多重外部因素的影响：有不同经验和操作习惯的医生可能会对同一组数据给出不同的结论，导致观察者间差异；不同的环境等其他外部因素可能会影响同一位医生的判断，此即为观察者内差异。此外，人眼对三维体数据的分析耗时较长，而医疗资源的匮乏和分布不均又为一些患者的求医带来困难。因此，为提高医学诊断的敏感性和特异性，加强计算机辅助的医学影像分析十分必要，而将图像像素或三维体素标记为有生物学意义的标签，即分割，是很多应用的关键过程，也是非常具有挑战性的一个研究领域。传统的医疗图像分析致力于特定的某个器官或特定的某种疾病，而为了支持手术中的目标定位和导航，往往需要对多个器官进行分割，从而引导内窥镜或介入导管等的移动，因此，近年来，更全面详尽的多器官分割任务引起了重视。

已有的多器官分割方法可以分为基于配准的方法和基于分类的方法。配准方法包括统计形状模型法(SSM)[T.Okada,M.G.Linguraru,Y.Yoshida,et al,Abdominal multi-organ segmentation of CT images based on hierarchical spatial modeling oforgan interrelations,in International MICCAI Workshop on Computational andClinical Challenges in Abdominal Imaging,2011,pp.173-180.(冈田等:基于器官相互关系层次空间模型的腹部多器官分割,国际腹部成像计算和临床挑战MICCAI研讨会,2011,173-180.)]、统计图谱法(PA)[M.Oda,T.Nakaoka,T.Kitasaka,et al,Organ segmentationfrom 3d abdominal CT images based on atlas selection and graph cut,inInternational MICCAI Workshop on Computational and Clinical Challenges inAbdominal Imaging,2011,pp.181-188.(大田等:基于图谱选择和图形切割的三维腹部CT图像器官分割,国际腹部成像计算和临床挑战MICCAI研讨会,2011,180-188.)]和多图谱方法(MA)[Z.Wang,Bhatia.K,Glocker.B,et al,Geodesic Patch-Based Segmentation,inInternational Conference on Medical Image Computing and Computer-AssistedIntervention,2014,pp.666-673.(王等:基于测地区块的分割,医学图像计算和计算机辅助介入国际会议,2014,666-673.)]。所有配准方法都有一个共同的限制条件，即要求样本中每个器官都存在，且在训练和测试集中的位置较稳定，因此对器官外形等变化较丰富的数据分割效果较差。此外，配准方法在训练和测试过程中均耗时较长。