[发明专利]一种基于不确定性引导的交互式医学图像分割方法

说明书

本发明公开了一种基于不确定性引导的交互式医学图像分割方法，涉及的是图像处理领域，特别是医学图像分割技术领域。本发明首先建立一个包含金标准的训练图像集，然后使用一种分组卷积深度神经网络进行训练，对于一幅三维图像可同时得到初始分割结果及其不确定性估计。在不确定性估计的基础上，算法自动推荐需要操作者修正的切片，即不确定性程度最大的切片。在当前所推荐的切片中，人工提供交互信息后，采用交互式水平集对初始分割结果进行修正。本发明能克服传统的交互式分割方法需要的人工交互多、交互效率低的问题，通过不确定性引导人工交互，在提高人工交互的效率的同时，能够获得精确的分割结果。

技术领域

本发明涉及的是图像处理领域，特别是医学图像分割技术领域。

背景技术

随着医学影像技术的发展，各种医学图像，如X光图像、计算机断层图像(ComputedTomography,CT)、磁共振图像(Magnetic Resonance Image,MRI)、正电子发射型计算机断层图像(Positron Emission Computed Tomography，PET)、超声图像等，为现代医学带来了革命性的变化，在临床诊断、治疗和医学研究中扮演着至关重要的角色。图像分割技术，即从图像中准确地提取出目标器官或结构，是众多医学图像应用中的核心任务，例如放疗靶区勾画、手术规划和导航、器官和病灶建模等。

目前大多数临床场景中的医学图像分割都是由专业的医师通过手工标记完成的。这对医师来说是一项单调重复的工作，不仅需要消耗大量的时间，也需要医师具有丰富的经验。由于大多数医学图像特别是软组织的图像对比度低、存在噪声和伪影、一些器官在不同病人之间具有很大的形状变化、病变组织给图像带来的不一致的表观等因素，对许多器官和病灶的准确自动分割非常困难。

为了克服这些问题，半自动的交互式分割方法在实际应用中使用最为广泛，具有巨大的临床需求。交互式分割利用了人工参与，将使用者的知识融入到特定的应用需求中，可以更有效地处理复杂的临床图像。一方面，它比手工分割更加高效；另一方面，它比自动分割具有更高的鲁棒性。然而，如果需要的人工交互过多，则会大大增加使用者的工作量和时间消耗，降低了分割的效率。因此，一个好的交互式分割方法应当在需要的人工交互尽可能少的情况下，快速、智能地得到精确的分割结果。

现有的交互式医学图像分割方法主要分为三类：基于区域和边缘的方法，基于能量最优化的方法和基于机器学习的方法。Rolf Adams等人提出的交互式区域生长算法需要人工提供一个或多个种子点作为初始分割区域，并不断将其它与分割区域相邻且灰度值相近的像素添加到分割区域中。西门子公司研究院提出一种基于随机游走(Random Walks)的交互式分割方法，微软剑桥研究院提出一种基于测地线距离(Geodesic Distance)的交互式分割方法，宾夕法尼亚大学开发的图像分割软件ITK-SNAP使用了人工引导的三维活动轮廓模型进行交互式分割，Yuri Y.Boykov提出了一种交互式图割(Graph Cuts)的方法。由于这些方法仍然比较依赖于低层次的特征，因此在对比度较低的图像中难以得到精确的分割结果，或者需要大量的人工交互进行修正。这些现有的方法普遍面临需要的人工交互多、智能化程度较低的问题。

近年来，作为人工智能和机器学习领域的最前沿的方法，深度学习技术在医学图像分割领域取得了显著的成果。然而这些方法主要用于图像的自动分割场景，无法将人工交互融入到分割流程，以进行更加智能化的修正。最近出现了一些将深度学习与人工交互相结合的方法，但在三维图像的分割场景中，这些方法需要人工对每一个二维切片进行仔细检查，以发现并修改错误的分割部分。这样的修正方法面临效率低下的问题，因为对于大多数二维切片，深度学习已经能取得较好的分割效果，仅有少部分切片需要人工修正，如果算法系统可以自动推荐那些可能分割不够准确的切片供操作者修正，则可大大提高分割的效率和准确性。

发明内容

本发明的目的在于克服现有医学图像交互式分割方法的缺陷而提出一种高精度、高效率的智能化医学图像的交互式分割方法。

本发明的目的可以通过以下技术方案来实现：