[发明专利]一种基于空间位置结构先验的内耳迷路多级标注伪标签生成与分割方法

说明书

一种基于空间位置结构先验的内耳迷路多级标注伪标签生成与分割方法属于医学影像处理领域。本发明提出了一种基于内耳迷路空间位置结构先验信息在中心骨线上生成多级目标结构伪标签的方法，生成媲美专业医生手工标注的内耳迷路多级结构伪标签，作为多级标注自动实例分割网络的训练集和验证集，借助已有的在大量(68例)手工标注的内耳迷路单一结构的语义分割网络工作，实现少样本(10例)内耳迷路多级分割初始模型，完成对内耳迷路中水平半规管、上半规管、后半规管、前庭和耳蜗的自动分割。然后基于主动学习范式，筛选初始模型中最有价值的样本以达到更新优化初始多级分割模型的效果。

技术领域

本发明属于医学影像处理领域，特别涉及一种结合空间位置结构先验信息，进行内耳迷路多级结构自动分割方法。

背景技术

内耳，又称内耳迷路，包含听觉感受器和平衡感觉感受器，功能重要，结构复杂，包括三个半规管、前庭和耳蜗。内耳骨性病变可引起感音性神经聋，前庭性眩晕等。在耳部疾病中，约40％的眩晕患者的病理改变位于内耳前庭系统。我国是世界上听力障碍人数最多的国家，耳部疾病是影响人民健康的重大疾病。CT是显示耳部骨性结构及其病变的主要手段，传统CT空间分辨率为0.3～0.6mm，对内耳前庭导水管等众多0.1～1mm的与耳部重大疾病密切相关的解剖结构显示分辨率不足，人眼识别存在困难，更无法准确的定量测量，为临床诊断、耳科医学研究以及计算机自动分析带来了极大的困难。超高分辨力专用CT设备(Ultra-HighResolutionCT，以下简称U-HRCT)，最小体素分辨率达到了0.05mm×0.05mm×0.05mm。与传统CT相比，U-HRCT极大地提升了对内耳微小结构显示能力，为耳病诊疗提供了全新的技术手段。U-HRCT提供的影像展现出不同于传统CT的全新征象，需要经验丰富的头颈部影像医师进行专业的解读。但是，我国经验丰富的医师资源短缺，造成影像医生工作繁重。同时，影像医生之间的经验不均衡，造成耳部疾病诊断时出现漏诊和误诊的情况。

近年来，以深度学习为代表的人工智能在医学影像分析方面取得了巨大的突破，基于深度学习的医学影像分析处理也因此成为目前生物医学工程领域的一个热点方向，各种新技术、新方法、新产品层出不穷，基于人工智能的医学影像智能化分析正在改变传统的医学诊断模式。但是，深度学习是以大数据作为支撑的，大量的有标注样本数据是深度学习取得成功的关键。医学影像由于其特殊性，医学影像数据标注工作往往需要经验丰富的放射科医师进行，在医疗资源紧张的背景下，难以获得大量标注的医学影像数据。医学影像虽然每年产生大量的数据，但带有标注的数量却很少。具体到本任务在已有的分割内耳迷路整体结构基础上对其各局部结构进行多级分割，常规的分割算法首先需要标注足够多的多级标注样本，然后重新训练多级实例分割模型。这些算法并没有利用到内耳迷路各结构之间的相对位置关系，而是将每个待定位的结构视为独立的个体，解剖结构之间的相对位置关系是医学影像的一大特点，可以为多级分割提供指导。除此之外，目前还没有能够将解剖结构之间的相对位置信息直接应用到深度学习，转化为能媲美人工标注的数据。

因此，本发明提出了一种基于内耳迷路提取3D中心骨线，然后利用内耳迷路空间位置结构先验生成伪标签，最后使用迁移学习与主动学习手段实现内耳迷路多级分割的算法。

发明内容

本发明的目的在于减轻现有医学影像分割方法对人工标注的严重依赖。对于分割内耳迷路多个结构的实例分割任务来说，常规的实例分割方法需要提供每类结构的大量放射医生手工标注样本，并没有从已有的内耳迷路分割模型中提取相关的先验信息。同时，在内耳迷路多级分割任务中，各目标结构之间的空间相对位置可以为实例分割提供先验指导，比如三个半规管所在平面近似互相垂直，前庭前后分别连接三个半规管和耳蜗结构等。利用上述先验知识，可以很好地提升内耳迷路实例分割效果。目前现有的传统分割网络引入注意力机制，以更好地捕获上下文信息，但并没有对整个解剖结构信息加以利用。此外，对于只有少量已标注数据，而未标注数据量远大于前者，已标注数据不能够很好地代表数据的真实分布，数据分布的不同会导致分割模型泛化能力下降，使其无法满足临床方面在大数据集上的需求。