[发明专利]基于尺度和序列关系的骨盆核磁共振图像肌肉骨骼分割方法

说明书

本发明是基于尺度和序列关系的骨盆核磁共振图像肌肉骨骼分割方法，首先搜集数字化的核磁共振图像三维序列，并进行手动标记多类肌肉骨骼结构；针对核磁共振图像三维序列进行采样，以连续的三张切面为一组，得到伪RGB三通道的图像数据；基于序列关系和不同肌肉骨骼的图像内容的尺度差异构建肌肉骨骼对象自动分割模型；采用自适应权重的交叉熵损失函数和DICE损失函数进行模型优化；最后对于新采集核磁共振图像三维序列，采样得到伪RGB三通道的图像数据后送入到肌肉骨骼对象自动分割模型中，得到对应于核磁共振图像三维序列的预测结果。该方法能够对核磁共振图像序列中的密集肌肉骨骼的自动分割，得到核磁共振图像序列对应的骨骼肌肉内容的三维重建结果。

技术领域

本发明涉及人工智能和医学影像识别技术领域，具体的说是基于尺度和序列关系的骨盆核磁共振图像肌肉骨骼分割方法。

背景技术

随着计算机视觉技术的发展，越来越多的先进图像处理算法被应用到医学图像领域。在核磁共振影像(MRI)领域，深度学习因其在疾病分类、目标分割和三维重建等方面的优异性能而发挥着越来越重要的作用。已有的深度学习方法大多是对诸如前列腺、胰腺、肝脏等稀疏器官进行分割，虽然它达到甚至超过了人类水平的表现，但实际临床上却需要更复杂的多器官甚至更密集的多目标分割定位。因此，这需要考虑不同目标的尺度关系来指导分割模型的偏好。

人体解剖结构和器官复杂。我们的身体里有206块骨头和639块肌肉。肌肉和骨骼在整个人体结构中的作用相当于“框架”。骨盆在人体中占有重要的地位。它连接脊柱和下肢。它不仅将体重转移到下肢，而且作为下肢运动的基础，支持腹部和骨盆内脏的保护。尤其对女性来说，骨盆结构的解剖对盆底功能障碍的诊断至关重要。然而，在临床实践中，由于解剖结构复杂，这些结构通常是手工分割的。如果这些结构能够被自动识别和分割，就可以快速进行个性化的三维重建；在放射治疗的定位参考、手术计划或术中导航、手术重建或肌肉骨骼疾病的动态监测等个性化诊断和治疗中具有重要作用。

发明内容

本发明要解决的技术问题是提供基于尺度和序列关系的骨盆核磁共振图像肌肉骨骼分割方法，该方法考虑了不同肌肉骨骼对象的不同尺度内容并利用核磁共振图像序列中的连续序列关系进行骨盆图像中密集肌肉骨骼的自动分割。

为解决上述技术问题，本发明采用的技术方案为：

基于尺度和序列关系的骨盆核磁共振图像肌肉骨骼分割方法，其特征在于：利用核磁共振图像序列中的连续序列关系和不同肌肉、骨骼对象的不同尺度内容进行骨盆图像中密集肌肉、骨骼的自动分割，具体步骤如下：

步骤1，人工在数字化的核磁共振图像三维序列中手动标记多类肌肉骨骼结构区域；

步骤2，针对核磁共振图像三维数据进行采样，以连续的三张切面为一组，得到伪RGB三通道的二维图像数据，然后对二维图像数据进行标准化的图像预处理；

步骤3，基于序列关系和不同肌肉骨骼的图像内容的尺度差异构建肌肉骨骼对象自动分割模型；

步骤4，模型优化，采用自适应权重的交叉熵损失函数和DICE损失进行优化，其中，交叉熵损失的权重值由每一类的dice指标值的线性给定；

步骤5，对于新采集的数字化的核磁共振图像三维序列，进行采样得到伪RGB三通道的图像数据后送入到肌肉骨骼对象自动分割模型中，得到对应于三通道中心切面的骨骼肌肉位置预测结果，并按照采样顺序进行三维的融合，得到对应于核磁共振图像三维序列的预测结果。

步骤3中所述的自动分割模型包含编码器、解码器、尺度感知模块SCaM和序列感知模块SLiM；

所述的编码器用以提取核磁共振图像单一切面的高维特征；所述的解码器用于从深层语义特征中恢复空间信息所述的尺度感知模块SCaM通过不同大小感受野融合深层特征图中的不同尺度信息；所述的序列感知模块SLiM用于融合单一序列以及其上一序列和下一序列的深层特征。