[发明专利]基于分层感知融合的3D医疗图像分割方法、装置及存储介质

说明书

本发明公开了一种基于分层感知融合的3D医疗图像分割方法、装置及存储介质，所述方法包括如下步骤：步骤S1，获取3D医疗图像进行预处理，并对预处理后的3D医疗图像进行切片，获得多个切片图像；步骤S2，对各切片图像分别通过卷积神经网络语义分割算法进行卷积计算，获得各切片图像语义分割后的结果；步骤S3，对各切片图像的预测结果进行融合，输出最终医疗图像分割结果。

技术领域

本发明涉及图像分割技术领域，特别是涉及一种基于分层感知融合的3D医疗图像分割方法、装置及存储介质。

背景技术

医学图像处理的对象是各种不同成像机理的医学影像，临床广泛使用的医学成像种类主要有X-射线成像(X-CT)、核磁共振成像(MRI)、核医学成像(NMI)和超声波成像(UI)四类。在目前的影像医疗诊断中，主要是通过观察一组二维切片图象去发现病变体，这往往需要借助医生的经验来判定。利用计算机图象处理技术对二维切片图象进行分析和处理，实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示，可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析，从而大大提高医疗诊断的准确性和可靠性；在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。医学图像分割主要以各种细胞、组织与器官的图像作为处理的对象，根据区域间的相似或不同把图像分割成若干区域的过程。因此医学图像分割对于疾病诊断与预测有着非常重要的作用。

2015年香港大学计算机科学系及生物信号研究中心和德国弗莱堡大学提出了一种镜像的全卷积神经网络Unet，由于其参数小，拟合能力强广泛的应用于缺陷检测和医学图像分割中，随后也出现了一系列为了扩大感知域的全卷积神经网络。Unet由于其跳层连接的方式以及多尺度网络结构，有效的减少了神经网络在运算过程中信息的流失，同时这一结构，这也保证了Unet在医疗图像分割中取得优异的表现。

限于成像技术与医疗疾病隐私的问题，医疗数据常常格外宝贵。这使得医疗图像分割模型大小受限，模型过大会导致模型过拟合，模型太小准确性低。合理的数据增强以及适当的模型是处理好医学图像分割的关键。目前针对于图像分割的全卷积神经网络方法，虽然已有甚多，但是全卷积神经网络需要大量的数据作为驱动，并且由于不可解释性，大量的训练模型往往没法避免瑕疵的出现，同时，由于医疗图像场景复杂多变且数据有限，单一的端到端全卷积神经网络很难直接满足医疗疾病诊断场景中高精度的要求。目前在诸多论文中，为了提高图像分割的准确度，通常的做法是加入大量优化单元模块和加深网络提取更多的特征，这些方法需要大量计算量和内存占用，在计算资源有限的情况下，不能提供工业场景中实时的测量控制。并且单一增大网络层数的方法对于小数据集往往泛化能力较差，需要大量数据驱动，并不适合医疗图像分割的场景。

目前医疗图像分割方法为将3D图像切成一个个的2D图像，然后对于每个2D图像使用自然图像/计算机视觉中常用的分割模型，最后将对于每个2D图像分割后的结果拼接成3D形式，2D切片的解决方案充分利用了整张2D切片中的信息，但是却忽略了几张相邻切片图像之间的关系，损失了全局的切片序列之间的关联性。使用3DCNN直接分割3D图像，由于3D CNN网络模型的计算量本身就很大，直接在原始高分辨率3D块上使用3D CNN很可能导致显存不够，故而需要将3D原始分辨率切成一个个的3D块，再在每个块上送入3D CNN网络拼接。

发明内容

为克服上述现有技术存在的不足，本发明之目的在于提供一种基于分层感知融合的3D医疗图像分割方法、装置及存储介质，以通过将3D医疗图像切分为H、W、C方向的三个2D图像以及若干小块3D图像，利用2D通道序列关系模型与3D模型的融合，解决单一模型无法充分利用且预测不准的问题，并且根据多模型的融合成立一个投票机制，实现高效准确的3D医疗图像分割的目的。

为达上述及其它目的，本发明提出一种基于分层感知融合的3D医疗图像分割方法，包括如下步骤：

步骤S1，获取3D医疗图像进行预处理，并对预处理后的3D医疗图像进行切片，获得多个切片图像；