[发明专利]一种基于卷积神经网络的肋骨分割标记方法及系统

说明书

本发明公开了一种基于卷积神经网络的肋骨分割标记方法及系统，涉及医学影像技术领域。该方法包括：步骤1，获取肋骨的CT影像序列数据；步骤2，将所述CT影像序列数据输入至卷积神经网络模型中，得到预测结果数据，并将预测结果进行标记，其中，卷积神经网络模型通过对肋骨的背景填充、骨窗归一化处理以及损失计算进行训练；步骤3，从所述CT影像序列数据中剔除掉所述预测结果数据，得到剩余CT影像序列数据；步骤4，将所述剩余CT影像序列数据作为新的CT影像序列数据，在所述新的CT影像序列数据的基础上，重复步骤2及步骤3，直至全部CT影像序列数据标记完毕。本发明能够达到算法准确率高，且能够处理肋骨粘连及肋骨断裂错位的情况。

技术领域

本发明涉及医学影像技术领域，尤其涉及一种基于卷积神经网络的肋骨分割标记方法及系统。

背景技术

CT检查由于其较高的密度分辨率和空间分辨率，可以显示不同层次的组织结构，在临床疾病诊断中获得广泛的应用。但CT图像是层面图像，为了显示整个器官，需要多个连续的层面图像序列，医生阅片难度大，效率低。人的肋骨有12对，平分在胸部两侧，前与胸骨、后与胸椎相连，构成一个完整的胸廓。在CT肋骨疾病诊断过程中，医生往往从横断面上从上至下按序浏览阅片，识别病灶的同时记录肋骨的编号，这种数肋骨的方法速度慢、效率低，在对医生造成工作负担的同时容易出现忘记肋骨编号或者数错的情况。

有一些现有技术可以用来解决自动分割并标记肋骨的问题，往往是通过深度学习结合传统图像处理方法，如深度学习分割网络结合连通域分析、肋骨中心线提取或肋骨关键点检测的方法。这些技术方法过于依赖人体解剖结构，算法设计复杂，鲁棒性较差。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种基于卷积神经网络的肋骨分割标记方法及系统。

本发明解决上述技术问题的技术方案如下：一种基于卷积神经网络的肋骨分割标记方法，包括：

步骤1，获取肋骨的CT影像序列数据；

步骤2，将所述CT影像序列数据输入至卷积神经网络模型中，得到预测结果数据，并将预测结果进行标记，其中，卷积神经网络模型通过对肋骨的背景填充、骨窗归一化处理以及损失计算进行训练；

步骤3，从所述CT影像序列数据中剔除掉所述预测结果数据，得到剩余CT影像序列数据；

步骤4，将所述剩余CT影像序列数据作为新的CT影像序列数据，在所述新的CT影像序列数据的基础上，重复步骤2及步骤3，直至全部CT影像序列数据标记完毕。

本发明的有益效果是：通过对预测结果的标记来有效的为后续操作识别做铺垫，以此来提高系统的处理速度，在CT影像序列数据中提出预测结果数据可以提高数据的精确度，并且在不断剔除的过程中可以减少系统处理数据的量，在提高效率的同时，达到了计算方法简单，不易出现错误的效果。

进一步，所述损失计算包括：

二值交叉熵损失计算和dice损失计算。

进一步，步骤2具体为：

将所述CT影像序列数据输入至卷积神经网络模型中，所述卷积神经网络模型分割出所述CT影像序列数据中的第一根肋骨数据，将所述第一根肋骨数据作为预测结果数据，并将预测结果进行标记。

采用上述进一步方案的有益效果是，对预测结果进行标记可以提高识别度，在后续处理的过程中可以快速识别出预测结果的数据，提高系统的处理速度。

进一步，步骤3具体为：

将所述预测结果数据对应的背景区域按预设值进行填充，从所述CT影像序列数据中剔除填充后的预测结果数据，得到剩余CT影像序列数据。