[发明专利]一种基于由粗到细密集编解码网络的颞骨内耳骨腔结构自动分割方法

说明书

一种基于由粗到细密集编解码网络的颞骨内耳骨腔结构自动分割方法属于医学影像领域。本发明采用一种由粗到细的框架，先对颞骨区域中待分割的解剖结构进行粗分割，计算中心点坐标。在该中心点周围，像外部扩张至能够完整包含内耳骨腔结构的区域，并能够保留一部分背景信息，作为进一步精准分割的子区域。在细分割阶段，在编码过程中分别引入了密集连接模块，提取更加充分的特征，并在密集连接模块中加入空洞卷积，使分割算法对待分割目标获得了更大感受野，以提取到更充分的周围特征和空间信息。在解码阶段，对编码阶段提取特征通过转置卷积进行上采样，在每次转置卷积后，引入密集连接模块，加强解码信息的重复利用。本发明分割更加准确。

技术领域

本发明属于医学影像处理领域，特别涉及一种由粗到细密集编解码网络的颞骨内耳骨腔结构自动分割方法。

背景技术

颞骨CT是医生检查耳部疾病的重要参考依据。在颞骨区域中，分为外耳、中耳和内耳三个区域，共包含30多个微小的解剖结构。其中，内耳区域是颞骨重要的区域之一，帮助人体听到声音并保持平衡。该区域主要包括耳蜗、前庭、外半规管、后半规管和前半规管等结构，这些结构主要以连通的骨腔结构构成，他们分别对保证人体听力和平衡起到不同的作用。耳蜗与外耳和中耳共同作用，外界声波促使耳蜗墙内液体流动，使耳蜗内细毛弯曲和移动，将声波的运动信号转化成电信号，通过听觉神经发送到大脑；前庭和三个半规管对维持人体平衡起到重要的作用，其中前庭是耳蜗和半规管的连接部分，内含更多的液体和细毛，通过液体流动感受人体运动；三个半规管彼此成直角，人体移动时，半规管内液体流动，促进内部细毛运动，帮助人提感受运动方向。因此，内耳区域是听力损失、头晕等症状重要的参考依据。近些年来，伴随着医学影像技术的发展，颞骨CT影像数据快速增长，但是，由于缺乏自动分析工具，大量的颞骨CT影像数据难以有效地应用于相关的分析研究中去。

医学影像分割是医学影像自动处理和分析中、医学研究与临床诊断中复杂而关键的基础步骤，其目的是将医学影像中具有某些特殊意义的部分分割出来，为临床诊断、手术规划、临床教学等任务提供可靠的参考依据。分割是医学影像分析的重要步骤，精准的分割不仅可以减轻医生的工作负担，并且可以帮助医生进一步了解解剖结构的特性，进行生理分析，例如耳蜗蜗轴的数量、前庭尺寸、半规管曲率夹角等物理量的测量。

解剖结构中小目标分割一直是医学影像分割中一项具有挑战性的任务。在颞骨的解剖结构中，需要分割的解剖结构仅占一例完整CT数据体素数的不足1％，并且，由于颞骨解剖结构的特殊性，解剖结构和解剖结构周围通常没有明显的界限划分，为颞骨解剖结构的分割带来了挑战。

经典的医学影像分割算法有阈值法、区域生长等方法，但是，由于颞骨CT解剖结构间的界限不明显且结构精密、体积微小，上述方法难以获得准确的分割结果。因此，迫切的需要更高效准确的分割算法。

近些年来，随着深度学习技术的发展，涌现了许多基于卷积神经网络的医学影像分割算法。为了充分捕获的层内信息和层间信息，这类算法通常采用三维的U型编、解码结构的神经网络。受到计算资源的限制，这类算法通常在一例完整的CT数据中，采用滑动窗口的形式按顺序将CT分块进行体素类别的预测。由于颞骨待分割的目标微小，容易受到复杂背景的干扰，因此分割速度和精度均表现欠佳。