[发明专利]一种CT肋骨分割方法及装置

说明书

本发明提供了一种CT肋骨分割方法及装置，方法包括：S1获取训练数据，根据训练数据生成两类标签；S2根据两类标签训练两任务的全卷积图像语义分割模型，得到肋骨分割模型；S3获取待分割CT数据，其中，待分割CT数据包括CT中所有层面；S4用训练好的肋骨分割模型推理出待分割CT数据中每一层上的二维分割结果以及相邻层关系，基于二维分割使用连通域检测算法得到每层的肋骨轮廓；S5根据相邻层关系合并所有层的肋骨轮廓得到三维分割结果；S6利用后处理算法，得到待分割CT数据的CT肋骨分割结果。相比于传统的由人工启发式设计的算法，本发明基于海量数据和深度机器学习，从而在鲁棒性、可扩展性等方面具有优势。

技术领域

本发明涉及计算机技术领域，尤其涉及一种CT肋骨分割方法及装置。

背景技术

近年，深度机器学习在图像理解领域得到广泛应用。其中，针对图像语义分割问题提出的深度全卷积网络在分割精度方面相比于传统算法有明显优势，且较好地控制了推理时所需的时间。此外，GPU的广泛使用又进一步提高了全卷积网络的推理速度。这使得在医学影像场景中应用高精度的全卷积网络成为可能。另一方面，传统的医学影像诊断依赖于临床医生经验性的主观判断，因而存在耗时长稳定性差等问题，渐已成为制约现代医学影像发展的瓶颈。随着计算机辅助技术在医学影像领域的发展，越来越多的医生开始使用自动算法辅助定位病灶或异常区域，从而提高效率并降低漏诊风险。具体来说，在肋骨骨折诊断报告中，医生需要给出骨折所在肋骨的准确编号(例如，左第三肋)。因而，在完整的肋骨骨折自动诊断系统中，准确的给出每一根肋骨的计数是必不可少的功能，否则其可用性将大打折扣。而首先得到精确的肋骨分割结果，是实现肋骨计数的重要途径之一。此外，精确的肋骨分割还有助于增强肋骨三维重建和肋骨展平等基于CT影像骨窗数据的自动分析系统的性能。因此，肋骨分割成为一项关键技术。

过去，人们主要使用启发式的计算机视觉算法或传统机器学习算法分割CT影像中的肋骨区域。这类方法往往依赖于肋骨区域和背景区域的颜色或亮度差异，人工设计的特征或者使用少量数据训练的机器学习模型，难以保证鲁棒性，限制了其应用范围。近年来，基于深度机器学习的通用的图像语义分割方法虽有多次被应用于医学影像领域的例子，但是在肋骨分割方面，却少有针对性的优化或改进，存在生产成本高、预测精度低等问题。

发明内容

本发明旨在提供一种克服上述问题或者至少部分地解决上述问题的CT肋骨分割方法及装置。

为达到上述目的，本发明的技术方案具体是这样实现的：

本发明的一个方面提供了一种CT肋骨分割方法，包括：S1，获取训练数据，根据训练数据生成两类标签，其中，两类标签包括：当前层的像素级肋骨标签和当前层与下一层或者多层的关系；S2，根据两类标签训练两任务的全卷积图像语义分割模型，得到肋骨分割模型，其中两任务共享输入和底层的特征表达，顶端使用各自的分类器；S3，获取待分割CT数据，其中，待分割CT数据包括CT中所有层面；S4，用训练好的肋骨分割模型推理出待分割CT数据中每一层上的二维分割结果以及相邻层关系，基于二维分割使用连通域检测算法得到每层的肋骨轮廓；S5，根据相邻层关系合并所有层的肋骨轮廓得到三维分割结果；S6，利用后处理算法，得到待分割CT数据的CT肋骨分割结果。

其中，S5，根据相邻层关系合并所有层的肋骨轮廓得到三维分割结果包括：对于相邻层，合并重合度大于阈值的肋骨轮廓，其中，重合度是相邻层的肋骨轮廓交的面积比并的面积，且计算交时排除被肋骨分割模型在每层中预测不属于同一根肋骨的像素点，或者重合度是计算相邻层的肋骨轮廓交的面积，或者重合度是通用的指标。

其中，后处理算法包括：删除零散的体积符合预设规则的连通域；或者使用条件随机场平滑输出。