[发明专利]基于CT的三维颌骨图像分割建模方法、装置及终端设备

说明书

本发明涉及图像模型领域，其实施方式提供了一种基于CT的三维颌骨图像分割建模方法，所述方法包括：构建卷积神经网络模型；将已分割标记颌骨的CT图像预处理后，从中提取图像子序列作为训练样本，对所述卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；所述训练好的卷积神经网络模型用于获取从待分割的CT图像提取的图像子序列，处理后得到所述图像子序列对应的分割结果；所述分割结果用于整合后得到所述待分割的CT图像的三维颌骨分割结果。同时还提供了对应的基于CT的三维颌骨图像分割建模装置，以及一种终端设备。本发明提供的实施方式适用于建立一个从CT图像提取出三维颌骨区域的分割模型。

技术领域

本发明涉及图像模型领域，特别涉及一种基于CT的三维颌骨图像分割建模方法、一种基于CT的三维颌骨图像分割建模装置、一种终端设备以及对应的存储介质。

背景技术

颌面部骨折作为一类常见的结构复杂的骨折，仅依靠临床症状及体征的诊断难度较大，常需要影像学的辅助诊断。相比于传统X线片，颌面部CT的三维影像能够更加清晰、直观地表现骨折的位置及移位的方向，被认为是颌面部骨折诊断的“金标准”。但是由于CT图像中包含较大信息，基于此方法的诊疗模式依赖于熟练掌握影像学知识的人员和专业的设备及诊治场所，且仅通过临床医生的视觉检查难以全面准确评估诸如骨骼结构、边界和隐匿骨折线等细节。因此，传统诊疗模式在处理以“快速、准确、高效”为特点的大型赛事及突发事件现场的救治存在较大困难。

近年来，深度学习技术已逐步用于医学领域，在检测癌症、白内障、骨折、脑出血等疾病方面均有较好的效果。其中卷积神经网络(CNN)是医学图像诊断方面最尖端的技术，其高精确性和稳定性弥补了人眼诊断漏诊和误诊的不足，在肺结核、肺结节CT图像、乳腺癌、脑部病变及白内障分级等疾病分类的精确度已证明达到了人类专家的级别。将深度学习技术应用于基于CT的颌面部骨折诊断，形成智能化的颌面部骨折诊疗平台，将使得事故现场及时、专业、准确的诊治成为可能。

在基于CT的颌面部骨折诊断的相关技术中，上下颌骨分割及三维可视化对于合面外科诊断具有重要意义，目前主要的方法是借助相关软件，由专业医师进行半自动的方式(通常是阈值法或区域生长法)分割上下颌骨，现有软件的分割精度较差。

发明内容

有鉴于此，本发明旨在提出一种基于CT的三维颌骨图像分割建模方法、装置及终端设备，对颌面部骨折螺旋CT数据模型进行深度学习训练，测试集模型验证，实现三维颌骨的人工智能区域识别，进而通过此发明实现深度学习人工智能辅助冻伤和颌面创伤诊断，形成智能化诊断平台，提高疾病诊治的稳定性和反应效率，为未来颌面部创伤的螺旋CT智能诊断的临床应用提供参考，并至少解决背景技术中的问题。

在本发明的第一方面，提供了一种基于CT的三维颌骨图像分割建模方法，所述方法包括：构建卷积神经网络模型；将已分割标记颌骨的CT图像预处理后，从中提取图像子序列作为训练样本，对所述卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；所述训练好的卷积神经网络模型用于获取从待分割的CT图像提取的图像子序列，处理后得到所述图像子序列对应的分割结果；所述分割结果用于整合后得到所述待分割的CT图像的三维颌骨分割结果。

可选的，所述卷积神经网络模型，包括：3D-Unet、V-Net和2D-Unet中的其中一种。

可选的，所述将已分割标记颌骨的CT图像预处理，包括：将所述已分割标记颌骨的CT图像的亨氏单位值映射至至预设亨氏单位值范围。

可选的，提取图像子序列包括以下步骤：以预设宽度的滑窗和预设步长得到多个单层图像子序列；对所述单层图像子序列复制预设次数；得到所述图像子序列。

可选的，在对所述卷积神经网络模型进行训练之前，所述方法还包括：将所述训练样本的灰度值映射至预设灰度值范围。