[发明专利]CT/MR三维图像分割处理方法、装置、设备及介质

说明书

本发明公开了一种CT/MR三维图像分割处理方法、装置、设备及介质，本发明基于大数据深度学习算法，该方法包括：获取CT/MR三维图像，对该CT/MR三维图像进行重采样处理，得到预设尺寸的图像块，获取该图像块的最优临界包围盒；通过预存的检测分割一体化的三维卷积神经网络模型，对该最优临界包围盒进行检测以及分割处理，得到CT/MR三维图像中标记所需目标区域的分割标签，其中，所述三维卷积神经网络模型包括残差块，该残差块中包括批归一化层以及卷积层交替的交替结构，该残差块中还包括跳跃连接层。本发明解决现有技术中对CT/MR三维图像的处理精度以及处理速度难以满足市场需求的技术问题。

技术领域

本发明涉及图像技术领域，尤其涉及一种CT/MR三维图像分割处理方法、装置、设备及介质。

背景技术

目前，常常通过图像块裁切-遍历-拼接的分割方法，才能完成对CT/MR三维图像的CT/MR区域的检测，该CT/MR三维图像指的是CT/MR扫描图像，基于图像块裁切-遍历-拼接的分割方法，每次只能裁切并处理CT/MR三维图像的一个小块图像，然后移动一段有重合的空间跨度后才能获取并进行下一个小块图像的处理，即是在一个小块图像处理完后，需要以一定重叠率滑动步长裁切并处理CT/MR三维图像的下一个小块图像，最后基于众多子小块图像的分割结果，用预测概率平均、先二值化再投票等方式得到CT/MR三维图像的分割结果。

由于现有技术中，在一个小块图像处理完后，需要以一定重叠率滑动步长裁切并处理CT/MR三维图像的下一个小块图像，因而造成很大一部分CT/MR三维图像的重复计算，上述重复计算减慢了CT/MR三维图像的处理速度，不满足大批量三维数据的快速处理需求；由于图形处理设备的存储空间限制，基于图像块的分割处理方式在训练和测试阶段无法处理体积较大的图像块，因此网络模型的深度和感受野大小不能满足分割大体积目标的需求；而且，基于图像块的处理方式不能排除在未观测到完整目标的情况下给出的预测，在这种情况下预测容易出现错误。因此，这类方法对CT/MR三维图像的处理精度也存在缺陷，难以满足市场对CT/MR三维图像的处理需求。

发明内容

本发明的主要目的在于提供一种CT/MR三维图像分割处理方法、装置、设备及介质，旨在解决现有技术中对CT/MR三维图像的处理精度以及处理速度低，难以满足市场需求的技术问题。

为实现上述目的，本发明提供一种CT/MR三维图像分割处理方法，所述CT/MR三维图像分割处理方法包括：

获取CT/MR三维图像，对所述CT/MR三维图像进行重采样处理，得到预设采样率的图像块，并获取所述图像块对应的最优临界包围盒；

通过预存的检测分割一体化的三维卷积神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理，以得到所述CT/MR三维图像中标记所需目标区域的分割标签，其中，所述三维卷积神经网络模型包括残差块，所述残差块中包括批归一化层与卷积层多次交替的非线性变换模块，以及与所述非线性变换模块连接的跳跃连接层。

可选地，所述通过预存的检测分割一体化的三维神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理步骤包括：

通过预存的检测分割一体化的三维神经网络模型中的检测子网络模型，对所述最优临界包围盒进行检测处理，得到一个或者多个感兴趣区域；

通过预存的检测分割一体化的三维神经网络模型中的分割子网络模型，对所述一个或者多个感兴趣区域进行分割，得到分割概率图，对所述分割概率图进行二值化处理，得到分割掩模。

可选地，所述通过预存的检测分割一体化的三维神经网络模型中的检测子网络模型，对所述最优临界包围盒进行检测处理，得到一个或者多个感兴趣区域步骤包括：

对所述最优临界包围盒进行裁切处理，得到裁切图像块；