技术领域
[0001] 本发明涉及模式识别技术领域，特别是涉及一种医学影像器官分割方法及装置。
相关背景技术
[0002] 在医学影像应用中，患者的器官分割图在癌症放疗计划设计中，可以作为辅助的视觉参照，避免放疗过程给病灶周围危及器官带去额外损伤。基于深度学习的医学影像器官分割方法被广泛应用，该类方法通常建立一个深层神经网络，通过包含下采样和上采样的多层卷积来从大量的图像中提取并学习不同尺度的特征，以便后续在图像上的像素级分类。对于医学影像中包含多个器官的案例，在传统深度学习方法下，医学影像中器官同质、异质之间，或边缘、背景之间对比度低，造成器官的分割精度较低。
具体实施方式
[0017] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
[0018] 图1是本发明实施例一种医学影像器官分割方法流程示意图，如图1所示，该方法包括如下五个步骤。
[0019] 步骤S101：数据标注。具体地，对第一医学影像中的器官进行标注，得到标注后的第二医学影像。
[0020] 需要进行说明的是，数据标注的目的是提供训练样本数据，以用于神经网络模型的训练。第一医学影像可以是CT(Computed Tomography，计算机断层扫描)图像，对CT图像中的标注可以在二维上进行，CT图像在三维上构成器官及周围组织的空间拓扑。
[0021] 步骤S102：数据预处理。具体地，对第一医学影像和第二医学影像进行数据预处理，预处理包含裁剪医学影像边缘处像素、重采样医学影像数据及医学影像数据归一化。裁剪医学影像边缘处像素，是为了去除医学影像边缘处噪声点对训练数据的影响；重采样医学影像数据是为了使数据能够均匀分布；医学影像数据归一化，是为了降低神经网络模型训练的难度及提高训练精度。
[0022] 在一些实施例中，裁剪医学影像边缘处像素、重采样医学影像数据及医学影像数据归一化的步骤，包括：将医学影像边缘处像素值为0的像素裁剪；重采样医学影像数据到同一分辨率；将医学影像数据归一化到均值为0、方差为1的分布中。
[0023] 示例性地，重采样医学影像数据到同一分辨率的步骤为，统计医学影像数据像素间的间距original_spacing和图像尺寸original_shape，设定重采样后的像素间距为target_spacing。
[0024] new_shape＝round(original_spacing×original_shape÷target_spacing)[0025] 其中，round表示四舍五入取整操作，new_shape表示计算出的重采样后的影像大小。
[0026] 需要进行说明的是，CT图像在三维上的像素间距除了二维影像像素间的距离，还包括不同各个二维影像间的间距。重采样的目的是提高影像数据的均匀度。
[0027] 示例性地，将医学影像数据归一化到均值为0、方差为1的分布中的步骤为，将医学影像的像素值进行99.5％和0.05％分位的强度截断，即去除像素值排序大于全体像素99.5％的像素，去除像素值排序小于全体像素0.05％的像素，其后进行像素归一化处理，像素进行归一化的公式为datai＝(datai‑datamean)÷datastd。
[0028] 其中，datai表示医学影像第i个像素的像素值；datamean表示医学影像所有像素的平均像素值；datastd表示医学影像所有像素的像素值方差。
[0029] 步骤S103：构建神经网络模型。具体地，神经网络模型包括3D‑Unet网络模块、集中模块、聚合模块及后处理模块；集中模块包含维度转换层、softmax层和乘积层；聚合模块包含维度转换层、softmax层、三维卷积层和乘积层；后处理模块包含融合层、三维卷积层、Instance Normalizaiton层和LeakyReLU层。
[0030] 图2为本发明实施例一种医学影像器官分割方法神经网络结构示意图。
[0031] 如图2所示，神经网络模型从输入端到输出端依次包括3D‑Unet网络模块、集中模块、聚合模块及后处理模块。需要进行说明的是，3D‑Unet网络用于三维数据的分割，示例性地，三维数据可以是CT三维影像数据。集中模块可以将3D‑Unet网络输出的结果进行特征重新关注，聚合模块可以将重新关注的特征进行聚合，后处理模块将3D‑Unet网络模块及聚合模块输出进行融合输出。
[0032] 需要进行说明的是，各模块中的维度转换层是按照预定的规则将数据重新排列。softmax层利用softmax函数，将多分类的结果以概率的形式展现出来。三维卷积层，利用三维的卷积核在医学影像数据高度、宽度、深度三个方向进行卷积运算。融合层融合不同的数据进行输出。Instance Normalizaiton层采用归一化算法，将输入的数据进行归一化处理。
LeakyReLU层采用LeakyReLU激活函数映射神经网络的输出。
[0033] 在一些实施例中，3D‑Unet网络模块的上采样层和下采样层的数量均为5；3D‑Unet网络模块的归一化层采用Instance Normalization层，非线性激活函数采用LeakyReLU层；3D‑Unet网络模块的输出为特征图mbase和粗分割预测图pcoarse。
[0034] 示例性地，3D‑Unet网络模块的输入和输出为三维图像，输入为单通道图pin，尺寸为(1，d，h，w)，输出分别为(c，d，h,w)尺寸的特征图mbase和(k,d,h,w)的粗分割预测图pcoarse；
[0035] (mbase,pcoarse)＝α(pin)
[0036] 其中，k为器官类别数量，c为特征图mbase的通道数量，c可以设置为32，其中α表示3D‑Unet网络模块映射。
[0037] 在一个实施例中，特征图mbase经过集中模块的维度转换层转换为第一特征向量粗分割预测图pcoarse经过集中模块的维度转换层和softmax层得到类别预测向量第一特征向量 和类别预测向量 经过集中模块的乘积层相乘得到类别全局表征rclass。
[0038] 示例性地，维度转换层对大小为(c,d,h,w)的特征图mbase进行维度转换，得到尺寸为(d×h×w,c)的第一特征向量 维度转换层和softmax层对大小为(k,d,h,w)的粗分割预测图pcoarse进行维度转换和softmax操作，得到尺寸为(k,d×h×w)的类别预测向量乘积层对第一特征向量 和类别预测向量 进行相乘，得到尺寸为(c,
k)的类别全局表征rclass，
[0039]
[0040]
[0041]
[0042] 其中，reshape表示维度转换操作，softmax表示softmax操作，multiply表示乘法操作。
[0043] 在一个实施例中，类别全局表征rclass经过聚合模块的三维卷积层和维度转换层转换为第二特征向量 将全局表征rclass经过聚合模块的三维卷积层得到第三特征向量将特征图mbase经过聚合模块的三维卷积层和维度转换层转换为第四特征向量将第三特征向量 和第四特征向量 经过聚合模块的乘积层相乘得到相似度向量
将相似度向量 经过聚合模块的softmax层后，与第二特征向量 经过聚合
模块的乘积层相乘得到类别聚合表征raggregation。
[0044] 示例性地，三维卷积层和维度转换层对类别全局表征rclass依次进行核大小为1的三维卷积操作，及维度转换操作，得到尺寸为(k,c)的第二特征向量 三维卷积层对类别全局表征rclass进行核大小为1的三维卷积操作，得到尺寸为(c,k)的第三特征向量三维卷积层和维度转换层对特征图mbase依次进行核大小为1的三维卷积操作，维度转换操作，得到尺寸为(d×h×w,c)的第四特征向量 乘积层对 和 进行相乘，得到尺寸为(d×h×w,k)的相似度向量 softmax层对相似度向量 进行
softmax后，乘积层将其与 相乘后，通过维度转换操作，得到尺寸为(c，d,h,w)的类别聚合表征raggregation，
[0045]
[0046]
[0047]
[0048]
[0049]
[0050] 其中，conv_1表示核大小为1的三维卷积操作。
[0051] 在一个实施例中，后处理模块的融合层将类别聚合表征raggregation与特征图mbase按通道维度进行合并后，通过后处理模块的三维卷积层，Instance Normalizaiton层，LeakyReLU层得到强化表征renhanced，将强化表征renhanced通过后处理模块的三维卷积层得到精分割预测图pfine。
[0052] 示例性地，融合层将类别聚合表征raggregation和特征图mbase按通道维度进行合并，之后通过三维卷积层卷积核大小为3的三维卷积操作，Instance Normalizaiton层，LeakyReLU层，得到尺寸为(c，d，h，w)的强化表征renhanced，将强化表征renhanced通过三维卷积层核大小为3的三维卷积操作，得到尺寸为(k，d，h，w)的精分割预测图pfine。
[0053] renhanced＝LeakyReLU(IN(conv_3(concat(raggregation，mbase))))
[0054] pfine＝conv_3(renhanced)
[0055] 其中，LeakyReLU，IN，conv_3，concat分别表示非线性激活函数LeakyReLU，Instance Normalizaiton归一化运算，核大小为3的三维卷积和按通道维度合并操作。
[0056] 步骤S104：训练神经网络模型。具体地，将第一医学影像裁切为若干子块后作为输入，将第二医学影像裁切为若干子块后作为学习目标，训练神经网络模型。示例性地，训练神经网络模型迭代时，对尺寸为(1,D,H,W)的第一医学影像和第二医学影像，进行300次随机抽样并裁剪出尺寸为(1,d,h,w)的子块，对神经网络模型进行训练。
[0057] 在一些实施例中，对裁切为若干子块后的第一医学影像，进行随机水平翻转、垂直翻转，或添加高斯噪声。
[0058] 步骤S105：医学影像器官分割。具体地，将包含器官的第三医学影像进行预处理，将预处理后的第三医学影像通过滑窗裁切为若干子块，将若干子块送入神经网络模型，获取神经网络模型输出的若干子块的分割结果，将分割结果拼接为第四医学影像。
[0059] 最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
