[发明专利]一种肝胆管及胆道结石的图像分割系统

说明书

本申请公开了一种肝胆管及胆道结石的图像分割系统，在第一编码器‑解码器中，在下采样阶段对小目标区域进行特征学习，并在上采样阶段进行特征融合，并且下采样提取了低层多尺度时域上下文特征，用于后续的逐层特征融合；在第二编码器‑解码器模块中，上采样阶段融合了低层多尺度时域上下文特征与高层双向时域上下文特征，并获得原始分辨率尺寸的预测序列图，从而获得更准确的位置和分类信息；通过改进的损失函数对分割网络模型进行训练，以增加序列图像切片间时域上下文信息的关注，使之更适应于处理序列图像。从而解决了现有技术对于肝胆管结石病的CT图像中的肝胆管及胆道结石分割，不能同时兼顾精确度和高效率的技术问题。

技术领域

本申请涉及医学图像分割技术领域，尤其涉及一种肝胆管及胆道结石的图像分割系统。

背景技术

肝胆管结石病是肝胆外科的常见病、多发病，此病好发于东亚地区。肝胆管结石的外科治疗面临着许多难点和挑战，包括肝胆管结石取石困难等。而肝胆管结石的取石治疗主要依靠微创外科手术。取石手术很大程度上取决于术前对病人CT扫描片的分析。其中最为重要的环节就是对CT图像中的胆管和胆结石进行分割，以得知胆管和胆结石的具体分布，方便手术介入。

目前，对于肝胆管结石病的CT图像进行分割的技术主要有：通过全卷积神经网络，如U-Net网络和M-Net网络；或通过3D卷积网络对CT图像进行分割。

但是由于U-Net网络和M-Net网络均不能直接对3D医学图像进行处理，而是将3D图像切割成多个2D图像切片后再分别送到卷积网络中，这样忽略了3D图像中切片与切片之间的相关信息，会丢失CT数据中的空间结构信息，容易导致欠分割，导致对CT图像中的肝胆管及胆道结石分割不精确。而3D卷积网络由于是直接对CT图像中的体素进行处理的，使得整个网络模型中的参数个数特别多，这大大增加了计算的负担，显著地降低了对CT图像中的肝胆管及胆道结石的分割效率。

发明内容

本申请实施例提供了一种肝胆管及胆道结石的图像分割系统，解决现有技术对于肝胆管结石病的CT图像中的肝胆管及胆道结石分割，不能同时兼顾精确度和高效率的技术问题。

有鉴于此，本申请第一方面提供了一种肝胆管及胆道结石的图像分割系统，所述系统包括：

分割网络模型；所述分割网络模型包括：第一编码器-解码器模块、第二编码器-解码器模块、优化模块；

所述第一编码器-解码器模块用于：

对CT序列图像的各图像分别进行特征提取，得到若干个第一多尺度特征图和高层特征图；对所述第一多尺度特征图的上下文信息特征再学习处理，生成多尺度上下文特征图；对所述高层特征图进行时域上下文信息学习，生成高层双向上下文特征图；对所述多尺度上下文特征图和所述高层双向上下文特征图进行拼接，生成第一上下文融合特征图；其中，所述CT序列图像为连续且相邻的肝胆管结石病的CT序列图像；

所述第二编码器-解码器模块用于：

对所述多尺度上下文特征图和所述第一上下文融合特征图进行拼接，生成第二上下文融合特征图；对所述第二上下文融合特征图进行时域上下文信息学习，生成高层双向上下文融合特征图；对所述多尺度上下文特征图和所述高层双向上下文融合特征图进行连接后，输出序列概率图；

所述优化模块用于：

基于预置的损失函数，计算所述序列概率图和所述序列概率图对应的标签序列图的损失函数值，判断所述损失函数值是否小于预置值，若是，则得到最优分割网络模型，否则，根据所述损失函数值对所述分割网络模型的特征参数进行更新后，触发所述第一编码器-解码器模块和所述第二编码器-解码器模块。

可选地，所述第一编码器-解码器模块，具体包括：第一编码器、ConvLSTM模块、第一BiConvLSTM模块、第一解码器；