[发明专利]分割管状特征

说明书

在分割图像中的管状特征的方法中，使用经训练的模型分割图像的一系列重叠部分。重叠部分沿着管状特征的长度定位，并且被组合以确定对管状特征的分割。

技术领域

本公开涉及图像分割。本文特定但非排他的实施例涉及分割包括管状结构(诸如医学图像中的血管结构)的图像。

背景技术

图像分割涉及将图像划分或分区成多个段，每个段对应于图像内容的不同部分。例如，在医学成像中，可将解剖特征的图像分割成不同的部分，由此每个段或部分代表医学图像中的不同解剖特征。分割使得能够提取/分离图像中的不同特征，用于进一步分析和/或建模。分割可以以自动或(部分)交互的方式执行，并且在医学图像处理中具有广泛的应用。

神经网络，例如已证明U-网或F-网(如参考文献Ronneberger O等人(2015)“U-Net:Convolutional Networks for Biomedical Image Segmentation”；MICCAI2015Lecture Notes in Computer Science，第9351卷，234-241页；以及Brosch T.、Saalbach A.(2018)“Foveal fully convolutional nets for multi-organsegmentation”SPIE第10574卷，105740U中所描述)对于分割解剖结构是有用的，并且当与其他分割方法相比时，它们通常是性能最好的方法之一。神经网络也可以用于分割血管结构。

血管分割技术的最新概述可参见S.Moccia等人2018所著的“Blood vesselsegmentation algorithms—Review of methods,datasets and evaluation metrics”，Computer Methods and Programs in Biomedicine 2018，158，71-91。

本公开的目的是提供一种分割图像中的诸如血管的管状结构的改进方法。

发明内容

如以上简要概述，神经网络已经在图像分割，包括医学图像的分割方面显示出前景。然而，由于血管结构(面积非常小)与背景(面积大得多)的相对大小，使用标准网络架构分割管状结构(例如，诸如血管结构)具有挑战性(尤其是在3D中)。因此，需要非常大的训练数据集来获得好的结果。

对此，一种解决方案是使用数据增强技术(例如生成对抗网络)，来生成可用于训练神经网络的模拟数据。然而，这些可能很难从2D推广到3D。

因此，本文的实施例的目的是提供用于分割管状结构(例如血管结构)的改进分割技术。

因此，根据第一方面，提供了一种分割图像中的管状特征的方法。该方法包括使用经训练的模型分割图像的一系列重叠部分，重叠部分沿着管状特征的长度定位，以及组合对图像的一系列重叠部分的分割以确定对管状特征的分割。

通过以这种方式将分割分成一系列更小的部分，简化了经训练的模型的分割任务。每个部分中的内容或背景信息量少于(可能显著少于)整个图像中的信息量。换句话说，与整个图像相比，每个部分中的管状特征与背景相比可能更突出，因此更容易分割。基于较小的数据集，可以更快更容易地训练模型。所得经训练的模型可更可靠(由于上述任务的简化)。此外，该方法可以比一些现有技术方法更容易地推广到三维。

在一些实施例中，分割图像的一系列重叠部分可以包括：分割图像的第一部分，图像的第一部分包括管状特征的第一部分；基于对图像的第一部分的分割确定被包括在管状特征中的第一点；确定在第一点平行于管状特征的长度的第一矢量；以及基于第一点和第一矢量确定图像的一系列重叠部分中的第二部分。

在一些实施例中，可以确定图像的第二部分，使得管状特征在图像的第二部分中基于第一矢量被旋转。

在一些实施例中，管状特征可以被旋转为使得第一矢量在图像的第二部分中处于预定定向。