[发明专利]髋关节图像中骨骼分割方法、电子设备及存储介质

说明书

本发明实施例涉及图像处理领域，公开了一种髋关节图像中骨骼分割方法、电子设备及存储介质，该方法包括：获取待分割髋关节图像；将待分割髋关节图像输入预先训练的分割模型，输出分割结果；通过预先训练得到分割模型的方法，包括：创建分割初始模型，获取多张人工标注的髋关节样本图像，得到掩膜图像；将髋关节样本图像分别输入自注意力变换初始模型以及卷积神经网络初始模型，分别得到第一分割结果和第二分割结果；计算训练损失，将训练损失回传至分割初始模型，以得到最终的分割模型。本发明实施例分割结果精确，且具有鲁棒性，能够高效地自动分割出髋关节图像中的骨结构，从而辅助临床医生进行手术规划，术中导航以及术后评估。

技术领域

本发明涉及图像处理技术领域，具体涉及一种髋关节图像中骨骼分割方法、电子设备及存储介质。

背景技术

髋关节图像骨骼的分割一直是医疗影像研究的热点之一。精确、稳定的分割结果能很好的辅助骨科医生诊断髋关节疾病、快速定位患病区域、规划手术以及分析关节受力情况等。传统的分割技术大多基于atlas方法，收集大量的数据建立模型库，通过将目标与库中模型进行配准来得到分割结果。然而，由于人体结构的多变性与复杂性，特别是病变的影响，传统的方法鲁棒性有限。近年来，深度卷积神经网络的高速发展受到了医疗影像研究人员的高度关注。卷积网络通过端到端的训练方式能够自动从标注数据中学习并提取对目标任务有用的特征。多项工作也将深度卷积神经网络应用到了髋关节图像的骨骼分割中，并达到了领域中的先进结果。然而，深度卷积神经网络常常需要堆叠大量的卷积层和下采样层以达到足够大的感受野，由此带来了三个问题：

(1)大量的卷积层和下采样层使得特征图的分辨率下降，不利于像图像分割这样的密集预测任务；

(2)非常深的网络结构使得训练过程变得不鲁棒，容易过拟合，需要大量的数据来进行学习；

(3)计算复杂度高，网络的预测速度有限。

发明内容

针对所述缺陷，本发明实施例公开了一种髋关节图像中骨骼分割方法、电子设备及存储介质，其能够高效地自动分割出髋关节图像中的骨结构。

本发明实施例第一方面公开了一种髋关节图像中骨骼分割方法，包括：

获取待分割髋关节图像；

将所述待分割髋关节图像输入预先训练的分割模型，以输出所述待分割髋关节图像的分割结果；

其中，通过预先训练得到分割模型的方法，包括：

创建分割初始模型，所述分割初始模型包括自注意力变换初始模型和卷积神经网络初始模型；

获取多张人工标注的髋关节样本图像，得到掩膜图像；

将所述髋关节样本图像输入所述自注意力变换初始模型，以得到第一分割结果；

将所述髋关节样本图像输入所述卷积神经网络初始模型，以得到局部特征信息；

将所述第一分割结果和局部特征信息进行融合，得到第二分割结果；

比对所述第一分割结果和所述掩膜图像、以及所述第二分割结果和所述掩膜图像，得到训练损失，将所述训练损失回传至所述分割初始模型，以得到最终的分割模型。

作为一种可选的实施方式，在本发明实施例第一方面中，所述获取多张人工标注的髋关节样本图像，得到掩膜图像，包括：

获取多张髋关节样本图像，并对所述髋关节样本图像进行脱敏处理；

由骨科医生对所述脱敏后的髋关节样本图像进行分割，得到掩膜图像。

作为一种可选的实施方式，在本发明实施例第一方面中，对所述脱敏后的髋关节样本图像进行分割，得到掩膜图像，包括：

在所述髋关节样本图像中分割出骨盆和左右股骨轮廓；