[发明专利]一种食管肿瘤区域分割及模型训练方法、装置及电子设备

说明书

本发明提供了一种食管肿瘤区域分割及模型训练方法、装置及电子设备，食管肿瘤区域分割模型训练方法包括：获取食管的计算机断层成像序列，依据获取的计算机断层成像序列进行椎体检测，所述计算机断层成像序列包括二维图像切片子序列以及对二维图像切片子序列进行标注得到的二维图像切片标注子序列；以椎体的中心作为剪裁种子点，从二维图像切片子序列中剪裁出包含食管区域的三维图像块，以及，从二维图像切片标注子序列中的对应位置剪裁出三维标注图像块；以三维图像块为初始食管肿瘤区域分割模型的输入，结合三维标注图像块对初始食管肿瘤区域分割模型进行训练，得到食管肿瘤区域分割模型。可以提高食管肿瘤区域的分割效率。

技术领域

本发明涉及肿瘤技术领域，具体而言，涉及一种食管肿瘤区域分割及模型训练方法、装置及电子设备。

背景技术

食道癌是全世界癌症死亡率和负担的主要元凶之一，并且由于高死亡率，它已经成为紧急的公共卫生问题。放疗(RT，Radiotherapy)是一种较为有效的食道癌治疗方法，其最基本且关键的步骤为确定肿瘤区域总体积(GTV，Gross Tumor Volume)。然而，由于肿瘤区域边界模糊且与周围正常食管区域对比度低(肿瘤区域与周围组织没有明显的分界线)，使得传统的图像分割方法并不适合进行食管肿瘤区域分割。

全卷积网络(FCN，Fully Convolutional Networks)作为深度学习方法的一种，通过采用编解码器结构以及跳跃连接，具备较好的特征提取能力，在语义分割方面表现出了不错的性能，其应用已从自然图像领域转移到医学图像分析领域。但该采用全卷积网络进行肿瘤区域分割的方法，需要构建粗分割网络模型以及细分割网络模型以实现较好的分割性能，使得分割过程复杂并且模型的网络参数量大，例如，对于采用编解码器结构以及跳跃连接的U-Net网络构建的粗分割网络模型以及细分割网络模型，每个网络模型的参数量达到60M以上，不仅使得训练网络模型所需的时间较长，训练效率较低，还使得训练完成的粗分割网络模型以及细分割网络模型，对肿瘤区域进行分割所需的时间较长，分割效率较低。

发明内容

有鉴于此，本发明的目的在于提供食管肿瘤区域分割及模型训练方法、装置及电子设备，以提高食管肿瘤区域分割效率。

第一方面，本发明实施例提供了食管肿瘤区域分割模型训练方法，包括：

获取食管的计算机断层成像序列，依据获取的计算机断层成像序列进行椎体检测，所述计算机断层成像序列包括二维图像切片子序列以及对二维图像切片子序列进行标注得到的二维图像切片标注子序列；

以椎体的中心作为剪裁种子点，从二维图像切片子序列中剪裁出包含食管区域的三维图像块，以及，从二维图像切片标注子序列中的对应位置剪裁出三维标注图像块；

以三维图像块为初始食管肿瘤区域分割模型的输入，结合三维标注图像块对初始食管肿瘤区域分割模型进行训练，得到食管肿瘤区域分割模型。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述椎体检测为椎骨孔检测，所述依据获取的计算机断层成像序列进行椎体检测，包括：

针对二维图像切片子序列中顺序排列的每一二维图像切片，依据该二维图像切片中每一像素点的亨氏单位值以及预设的亨氏单位阈值，进行二值处理，得到对应的切片二值图像；

对切片二值图像进行形态学闭操作并取反，得到切片处理图像；

将顺序得到的切片处理图像堆叠成三维分析图像，对三维分析图像进行连通域分析，保留体积最大的连通区域，得到椎骨孔；

将包含椎骨孔对应的二维图像切片进行叠加，得到二维图像切片子序列的椎骨孔位置。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述以椎体的中心作为剪裁种子点，从二维图像切片子序列中剪裁出包含食管区域的三维图像块，包括：