[发明专利]一种基于深度学习的医学影像自动分割方法

说明书

本发明涉及一种基于深度学习的医学影像自动分割方法，针对肿瘤或器官分割任务中成像背景复杂、肿瘤区域缺乏形状特征、强度特异性和位置先验等挑战提出的解决方案，实现了肿瘤或器官的自动定位与分割。具体而言，设计了一种基于感兴趣区域的分割策略，使用一个稀疏目标检测模块自动定位及分类肿瘤或器官，并使用掩模分支对感兴趣区域进行精细分割。此外，将边界分割融合到掩模分割中以获得更精细的分割结果。本发明旨在解决常规的语义分割方法在肿瘤或器官分割任务中的局限性，通过实现全自动分割肿瘤或器官，一定程度上解决放射科医生的工作效率问题并减少由于个人偏差和临床经验带来的人工错误分割。

技术领域

本发明涉及计算机视觉领域和医学图像分析领域，特别是涉及一种基于医学影像的自动分割算法。

背景技术

肿瘤或器官分割是医学影像定量分析中重要的基础，诸多后续任务，包括肿瘤或器官的定量评估，肿瘤分期，辅助诊断，放疗等都需要精确的分割结果。然而，人工分割肿瘤或器官需要结合图像，临床信息和背景知识才能准确地定位肿瘤或器官。全自动分割在一定程度上极大地减少放射科医师的工作量，并且减少由于个体偏差和临床经验引起的分割中的人为错误。

基于深度学习的自动分割技术的应用可以极大地促进肿瘤或器官的研究。由于医学影像包含诸多模态，成像参数以及肿瘤或器官大小不一等，给肿瘤或器官自动分割带来以下挑战：成像背景复杂且目标缺乏位置先验；目标缺乏形状特征，模型很难适应其比例和形状的高变化；目标缺乏强度特异性。针对上述问题，本发明提出了一种基于深度学习的医学影像自动分割技术。

发明内容

本发明的目的是为了提供一种基于深度学习的医学影像自动分割技术，可以在常见医学影像上开展肿瘤或器官的全自动检测及分割。为此，本发明采用以下技术方案：

一种基于深度学习的医学影像自动分割方法，其特征在于所述医学影像自动分割方法的网络结构主要由调制可变形主干网络和用于分类、框回归和掩模生成的多任务动态模块组成；自动分割步骤如下：

1)读取临床影像数据；

2)图像预处理及数据增强；

3)调制可变形主干网络提取特征；对经步骤2)输出的数据进行特征提取，然后使用特征金字塔网络来处理分割任务中的多尺度变化，最终输出具有高级语义信息的不同尺寸的特征图并由步骤4)中的多任务动态模块的分类、回归和掩模生成共享；

4)多任务动态模块分类、回归及基于感兴趣区域的掩模生成，输出对医学影像的分割结果；其中，多任务动态模块包括检测模块、掩模分割模块和边界分割模块三部分组成。

在步骤1)中，将数据集划分为训练集、验证集和测试集，应保证样本的随机性及相互独立性。所述数据为肿瘤或器官临床影像数据，包括常见的核磁共振影像MRI、计算机断层影像CT以及正电子发射断层影像PET等影像数据及对肿瘤或器官人工标注结果。

在步骤2)中，图像预处理包括重采样到同构分辨率以消除扫描分辨率的差异。如果数据为计算机断层影像CT，可以对CT影像数据根据所需分割部位的HU值选取分布范围，并对数据归一化处理。应用的数据增强方法包括随机水平翻转和随机垂直翻转等适用于医学影像的数据增强方法。

进一步地，在步骤3)中，具体步骤如下：在调制可变形主干网络中的卷积层，将调制可变形卷积作为单个层应用，在卷积之前使用学习的偏移量来重新计算特征图的像素位置，以实现卷积核的扩展。生成的偏移量采用双线性插值得到相应的像素，并对偏移量校正后的位置赋予不同的权重，以达到更准确的特征提取；其中所用到的预训练模型包括但不限于ResNet,DenseNet,EfficientNet等常见预训练模型；提取后的特征输入到特征金字塔网络以处理分割任务中的多尺度变化，最终输出具有高级语义信息的不同尺寸的特征图并由步骤4)中多任务动态模块的分类、回归和掩模生成三个分支共享。