[发明专利]一种按照3D医学图像的解剖几何形状通过一个或多个神经网络经由结构化卷积来自动分割3D医学图像的处理

说明书

本发明涉及一种利用知识数据库的医学图像的自动分割方法，所述知识数据库包含关于在a x b x n维的3D医学图像，即，由n个均为a x b维的不同2D图像构成的3D医学图像中可见的解剖和病理结构或器械的信息。所述方法的特征在于主要包括三个处理步骤，即，第一步骤，包括从所述医学图像中提取9个a/2 x b/2 x n维的子图像(1至9)，即，从每个2D图像中提取9个部分重叠的a/2 x b/2子图像；第二步骤，包括9个卷积神经网络(CNN)分析和分割每个2D图像的这9个子图像(1至9)中的每一个；第三步骤，将n个不同的2D图像的9个分析和分割的结果，并且因此，分割的9个a/2 x b/2 x n维的子图像的结果组合成与初始医学图像的单一分割对应的a x b x n维的单一图像。

技术领域

本发明涉及数据处理领域，更具体地，涉及图像的处理和分析，尤其是医学图像的分割，并且涉及按照3D医学图像的解剖几何形状(geometry)，通过一个或多个神经网络经由结构化卷积来自动分割3D医学图像的处理。

背景技术

从医学成像设备形成的三维图像，比如扫描仪、MRI、超声、CT或SPEC类图像由一组体素组成，体素是3D图像的基本单元。体素是像素的3D延伸，而像素是2D图像的基本单元。每个体素与可被认为是2D函数F(x,y)或3D函数F(x,y,z)的结果的灰度或密度关联，其中x、y和z表示空间坐标(参见图1)。

图2的视图图解说明按照横向图的3D医学图像分割的定义。

通常，2D或3D医学图像包含临床医生必须进行描述以便评估情况并确定和计划其治疗策略的一组解剖和病理结构(器官、骨骼、组织、…)或人造元件(支架、植入物、…)。在这方面，在图像中必须识别器官和病理，这意味标记2D图像的每个像素或者3D图像的每个体素。该处理被称为分割。

就在临床常规中获取的CT和MRI图像来说，它们可被视为一系列的n个a x b维(沿x和Y轴)的矩形或方形2D图像(沿Z轴)。通常，它们沿X轴和Y轴的标准尺寸等于512x512像素，这意味横向平面的尺寸通常为a＝b＝512。相比之下，切片的数量n(沿Z轴的尺寸)是高度可变的，并且取决于观察区域的尺寸。

因此，可以设想将横向平面作为整体进行分析，或者将其划分为更小的(例如4个)256x256子图像，从而更快地分别进行分析。创建的4个子图像覆盖了初始图像的所有体素，并且它们的尺寸为a/2x b/2x n。

图3A图解说明在拍摄人类对象的医学图像时要考虑的三个主要平面，并且图3B图解说明沿医学图像的横向平面将切片划分成4个256x256子图像。

进行分割的方法有很多种。在这些方法中，神经网络是致力于人工智能算法的类别的一部分，并且具有自动化的优点。

这些算法有许多变种，但它们通常局限于标准的架构基础，而这种架构基础并不是特别针对医学成像的，尤其不是特别针对医学成像的内容的。

然而，医学成像中的图像内容是经常反复出现的，尤其是在CT和MRI图像中。在图像的中央，我们系统地让患者被空气包围着，除了在他/她的下方有工作台(在成像过程中，患者通常躺在工作台上)。

因此，与环境因照片而异的摄影图像不同，医学图像的结构和格式与用于护照的ID图片一样：环境和位置总是相同的，只是人的面部细节有所变化。

在胸部的医学图像的情况下，例如，肋骨总是连接到背部的脊柱和前部的胸骨，包围着两个肺，心脏位于两个肺之间。当然，也可能存在一些变型，比如肺位置倒置或肺缺失之类，但与正常的解剖变型相比，这些情况发生得非常少。至于其他区域(头部、腹部、骨盆、上肢或下肢)，可以进行同样的观察并适用同样的原理。

图4的图像通过三个例子图解说明了不同的解剖区域(胸部、腹部和骨盆)如何显示相对器官定位的规则分布。