[发明专利]一种基于深度学习的医学图像活动轮廓分割方法

说明书

本发明提出了一种基于深度学习的医学图像活动轮廓分割方法，其步骤如下：获取医学图像作为样本图像，将样本图像分成训练集和测试集，获取训练集中样本图像的像素级的标签；构建初始化网络并进行训练，得到粗分割模型；将所有样本图像输入到粗分割模型中得到像素级的粗分割预测图像，提取粗分割预测图像的边界点得到初始化表面的点云数据；构建表面演化网络模型并训练表面演化网络模型，得到表面演化模型；将测试集的初始化表面的点云数据输入到表面演化模型中得到边界点的预测位移，根据预测位移确定目标边界点：利用目标边界点进行三维表面重建，得到最终的分割图像。本发明提高了分割精度，相对于其他基于边界的表面演化方法节省了计算时间。

技术领域

本发明涉及图像分割的技术领域，尤其涉及一种基于深度学习的医学图像活动轮廓分割方法，可应用于智慧医疗行业，计算机辅助诊断。

背景技术

深度学习方法的发展使得计算机视觉技术飞速提高，然而医学图像分割是三维分割问题，现有深度神经网络应用到医学图像分割时，仍有所不足。根据数据的维度将三维图像的深度学习方法粗略分为两类：第一种方法通过牺牲三维的几何信息，在二维切片上训练2D网络；另一种方法使用三维网络，通过消耗大量GPU内存或是直接将图像切成小块，或者下采样后用神经网络直接处理三维数据。但是由于医学图像中部分小器官体积小、形状不一，比如胰腺、脾脏等，上述两种方法在边界以及细长狭小的部分分割结果不太理想。

传统的活动轮廓模型是个经典的医学图像分割模型，它高效且内存消耗低，通过处理二维边界或三维表面来处理高维图像问题。受传统的活动轮廓模型的启发，一些方法已经研究了基于边界的深度学习模型。这些方法使用神经网络来演化初始轮廓或使表面变形，来得到目标对象的二维边界或三维表面并得到最终的分割结果，这使得分割更高效，同时也使得边界更准确。然而，这些方法中的初始化边界是一组点，即点云数据，但他们的网络模型则是经典二维网络“UNet”。数据与网络模型之间的差异严重影响预测精度和效率。

医学图像中的人体器官的自动分割，相较于传统的手工分割，极大地提高了图像分割速度并节省了人力，但是现有基于深度学习的图像分割方法获得的分割结果不够精细，存在着器官边界模糊，粘连等情况。基于边界的三维医学图像分割模型，输入的是点云数据，即由边界组成的点，但是使用的模型却是二维深度神经网络，模型不针对数据，预测精度不够高。

申请号为201811208492.8的发明专利，公开了一种半自动脑部图像分割方法，结合了图谱配准方法和活动轮廓分割方法的优点，实现了脑部图像的半自动分割；有效的利用了图谱的形状先验信息，并且能获得光滑连续的目标组织轮廓，但是这种方法不是全自动的，需要手动选择出目标组织边界轮廓点添加拓扑关系，得到初始活动轮廓。

发明内容

针对现有基于深度学习的图像分割方法获得的分割结果不够精细，存在着器官边界模糊和粘连的技术问题，本发明提出一种基于深度学习的医学图像活动轮廓分割方法，是全自动的，由模型来预测初始轮廓和轮廓的演化，直接演化边界，可以得到一个更精确的分割结果；利用基于点云的网络来处理器官表面的点，提高了分割精度，同时也实现了更高的效率。

为了达到上述目的，本发明的技术方案是这样实现的：一种基于深度学习的医学图像活动轮廓分割方法，其步骤如下：

步骤一：获取医学图像作为样本图像，将样本图像分成训练集和测试集，获取训练集中样本图像的像素级的标签；

步骤二：构建初始化网络，利用训练集中的样本图像和步骤一得到的像素级的标签训练初始化网络，得到粗分割模型；

步骤三：将所有样本图像输入到步骤二中得到的训练好的粗分割模型中得到像素级的粗分割预测图像，提取粗分割预测图像的边界点得到初始化表面的点云数据；

步骤四：构建表面演化网络模型，利用步骤三中得到的训练集的初始化表面的点云数据训练表面演化网络模型，得到表面演化模型；