[发明专利]基于PET/CT成像的病灶分割融合校准方法、设备、介质及产品

说明书

本发明涉及基于PET/CT成像的病灶分割融合校准方法、设备、介质及产品，该方法包括步骤：提取语义特征，融合语义特征，解码语义特征，校准语义特征，生成概率图，生成像素分类。本发明在特征编码阶段，利用多个编码器提取不同模态图像的语义特征；同时，利用融合下采样模块提取融合语义特征，减小单模态语义特征中错误信息的干扰。在解码阶段，通过跳连接的方式融合不同尺度的语义特征，然后通过多模态校准模块融合CT和PET图像的语义特征，实现不同模态信息之间的相互校准。

技术领域

本发明涉及医学图像处理技术领域，特别涉及基于PET/CT成像的病灶分割融合校准方法、设备、介质及产品。

背景技术

F-FDG正电子发射断层扫描和计算机断层扫描(PET-CT)目前被广泛应用于肿瘤学。由于病变组织的高葡萄糖代谢，其通常在PET图像中显示出更高的F-FDG摄取。而CT图像可以提供异常摄取部位的解剖学结构。因此PET-CT图像整合了二者优点而在临床中(诊断，分期)得到广泛应用。与此同时，基于PET-CT图像的定量研究在临床中显示出巨大潜力，例如疗效预测、影像组学分析、治疗计划和预后评估等。语义分割在医学图像定量分析中至关重要，因为他是这些任务的先驱。然而目前大多数研究都是基于放射科医师手动勾画的病灶区域。手动分割病灶是非常费力和耗时的，并且易受到观察者之间以及观察者自身影响。因此，设计一种自动以及准确的肿瘤分割方法具有重要的临床应用价值。

基于PET-CT图像的肿瘤自动分割方法得到了广泛关注。由于PET图像本身高灵敏度的特点，最初的研究关注于单模态图像的肿瘤分割。在临床实践中使用最广泛的分割方法是基于SUV的阈值方法以及相关改进算法。除此之外，研究者们还将区域生长算法以及基于图论的分割算法应用于PET肿瘤图像分割。然而，尽管PET图像显示出对肿瘤的高度敏感性，但由于18F-FDG的非特异性，在许多具有高度代谢(大脑)的健康组织中也会出现高摄取。并且，18F-FDG在肾脏和膀胱中的累积导致PET图像的高摄取状态。此外，由于肿瘤的异质性，部分患者的肿瘤会在PET图像上显示为低摄取状态。这对上述分割算法来说也是个极大的挑战。而CT图像属于低剂量平扫图像，基于CT图像来定位病灶区域几乎是不可能的。

研究表明，在医学图像处理中多模态图像相结合可以提供更多的信息，所以设计有效的多模态融合分割网络是准确分割的关键。

发明内容

为了实现根据本发明的上述目的和其他优点，本发明的第一目的是提供基于PET/CT成像的病灶分割融合校准方法，包括以下步骤：

提取语义特征，通过多模态融合分割网络中的第一编码器提取CT图像的语义特征，通过多模态融合分割网络中的第二编码器提取PET图像的语义特征；

融合语义特征，通过多模态融合分割网络中的融合下采样模块提取所述CT图像的语义特征和所述PET图像的语义特征的融合语义特征，得到CT图像的融合语义特征和PET图像的融合语义特征；

解码语义特征，通过多模态融合分割网络中的第一解码器对CT图像的融合语义特征进行上采样，将CT图像的融合语义特征的上采样结果与CT图像的语义特征进行连接，并对连接后的特征进行解码，通过多模态融合分割网络中的第二解码器对PET图像的融合语义特征进行上采样，将PET图像的语义特征的上采样结果与PET图像的融合语义特征进行连接，并对连接后的特征进行解码；

校准语义特征，通过多模态融合分割网络中的多模态校准块对解码得到的CT图像的语义特征和PET图像的语义特征进行校准，并将校准后的CT图像的语义特征和PET图像的语义特征与原始的CT图像的语义特征和PET图像的语义特征融合，获得更新的CT图像的语义特征和PET图像的语义特征；

生成概率图，将所述第一解码器和所述第二解码器分支重建的病变图像相加，通过激活函数生成病变的输出概率图；

生成像素分类，通过设置概率图阈值生成每个像素的分类。