[发明专利]基于稀疏标记的三维医学图像分割方法及存储介质

说明书

本发明提供一种基于稀疏标记的三维医学图像分割方法及存储介质。本发明能更好的分割三维医学图像，同时考虑冠状面、矢状面、横断面这三个切片方向的医学图像信息，丰富图像的特征，并设计包含目标分类和边缘回归的多任务深度神经网络模型，使得分类和回归两个任务相互帮助，实现准确的图像分割。另外，本发明允许医生只标记少部分医学图像的切片，就可以实现图像的准确分割，较好的解决了医学图像样本标记太少的实际问题，有效提高医学图像分割的自动化、智能化水平。

技术领域

本发明涉及基于人工智能方法实现疾病诊断领域，具体地说，涉及一 种基于稀疏标记的三维医学图像分割方法及存储介质。

背景技术

目前面向三维医学图像切面的分割方法主要以某一方向的切面为主， 来实现图像的分割。而且，目前流行的有监督深度学习方法需要每个训练 图像都有完整的标记，这些方法都需要医生手动标记图像中的每个切片。

这些面向切片的医学图像分割方法没有充分利用三维医学图像三个切 面(冠状面、矢状面、横断面)的完整信息。而且，对于三维医学图像来 说，图像标记需要有经验的医生逐个切片的勾画，费时费力。另外，为了 训练数据驱动的深度学习模型，需要逐个图像标记大量训练数据，这给基 于深度学习模型的三维医学图像分割带来了很大的挑战。

发明内容

本发明的目的在于，提供一种基于稀疏标记的三维医学图像分割方法 及存储介质，以解决目前面向切片的医学图像分割方法没有充分利用三维 医学图像三个切面(冠状面、矢状面、横断面)的完整信息，导致图像标 记需要有经验的医生逐个切片的勾画，费时费力的技术问题。

为实现上述目的，本发明提供一种基于稀疏标记的三维医学图像分割 方法，包括以下步骤：

S1、训练图像手动标记部分切片步骤，在一个三维图像集合中随机选 择一组作为训练图像，所述三维图像包含冠状面、矢状面、横断面三个不 同切片方向，每一切片方向具有多个切片；对所述训练图像中的冠状面、 矢状面、横断面的三维图像分别稀疏地手动标记一部分切片；

S2、组成训练图像集步骤，对于切片标记方向相同的图像，将具有手 动标记的所述训练图像结合相应的原始三维图像组成三个训练图像集 T_j(j＝1，2，3)，分别对应冠状面、矢状面、横断面；

S3、训练深度神经网络步骤，分别以三个不同切片方向的训练图像集 作为输入，按照监督学习的方式，为三个训练图像集T_j(j＝1，2，3)训练三个 端到端的深度神经网络Net_j(j＝1，2，3)；

S4、得到分割结果步骤，将每个训练图像分别输入到Net_j(j＝1，2，3)这 三个深度神经网络中，分别得到三个分割结果；

S5、分割结果加入训练图像集步骤，选择分割结果S1_i和S2_i中置信度都 高的可靠像素，加入到Net₃的训练图像集中；选择分割结果S2_i和S3_i中置信 度都高的可靠像素，加入到Net₁的训练图像集中；选择分割结果S1_i和S3_i中置信度都高的可靠像素，加入到Net₂的训练图像集中；

S6、重新训练深度神经网络步骤，基于添加了可靠像素的新训练图像 集，重新训练所述深度神经网络Net_j(j＝1，2，3)；

S7、算法收敛步骤，循序执行得到分割结果步骤、分割结果加入训练 图像集步骤以及重新训练深度神经网络步骤，直到算法收敛，获得训练好 的深度神经网络模型；以及

S8、得到最后分割结果步骤，基于训练好的深度神经网络模型，只用 一个切面方向的深度神经网络模型，分割三维图像，得到最后的分割结果。