[发明专利]基于空间邻域分析的肺部CT图像分割装置

说明书

本发明提出基于空间邻域分析的肺部CT图像分割装置。在提取单一CT图层二维图像特征的基础上，通过三维卷积并行地融合邻域CT序列间的上下文三维图像特征，在降低全3D卷积运算量与参数规模的同时实现对三维病灶区域图像特征的表达；同时利用自注意力机制从上下文融合特征图中重映射各邻域图层切片序列对应的通道域二维图像特征分量，以此指导单一CT图层的特征解码过程，提升病灶图像分割准确性；为了提升算法适应性与可解释性，引入可解释的先验知识作为额外的图像分割判别规则，以此对分割结果进行校准与检验，为临床辅助诊断提供依据。

技术领域

本申请涉及图像处理领域，具体涉及基于空间邻域分析的肺部CT图像分割装置。

背景技术

肺部CT图像是通过计算机断层扫描得到的一系列横断面连续影像图层序列。通过图像处理技术定位并分割肺部CT病灶区域，能够为影像科医生提供图像可视化及定量分析结果，进而为临床诊断与病情检测提供帮助。

现有的肺部CT图像分割装置通常面向单一图层进行处理，或针对所有图层组成的三维影像进行分析，但各类处理方法均存在以下不同方面的问题：

第一，针对单一图层的图像分割方法仅使用了CT影像横断面的二维空间信息，导致部分病灶边界区域难以准确分割。高分辨率CT影像图层层厚通常在1mm左右，而多数待分割病灶在实际尺寸远大于层厚，因此单一横断面图层难以提供三维空间中其余两个正交方向上的有效信息，导致分割结果不连续或有遗漏；

第二，CT影像的层内间距(分辨率)通常小于层间间距(层厚)，即在正交方向存在各向异性，这导致以三维空间区域作为处理单元的图像分割方法需要通过图像插值将各个方向的像素间距一致化，而不同的插值策略将直接影响病灶区域图像分割的准确性；

第三，以三维卷积为代表的深度学习方法具有更强的空间特征分析能力，且不受各向异性的影响，但其整体参数规模及运算量均提升了一个量级，对硬件设备具有较高的要求，且基于三维监督信息的图像分割方法依赖于病灶区域的完整3D标注，因此难以应用于临床实践；第四，现有的医学图像处理方案中，尚未出现针对特定肺部CT病灶分割场景的解决方案，且通用的深度学习分割方法以监督信息(图像标注数据)的图像特征作为指导实现结果推理，其针对特定病灶区域的可解释性较差，如何将其灵活应用于临床诊断实践并与医师实际需求相结合仍是需要考虑的问题。

通过文献检索发现，现有一种隐式的逆向注意力机制，用于分割胸部CT影像中新型冠状病毒病变区域，该方法仅针对单一CT图层进行病变区域分割，而未充分考虑CT图层间包含的病灶区域三维空间信息；另一类方法对连续CT图层切片进行二维卷积以实现三维血管结构的分割，该方法在通道域整合多个相邻二维CT图层切片的图像特征，并通过非局部注意力的方式从融合特征中抽取单一图层的语义信息，但该方案仅是针对局部邻域图像在通道维度进行特征整合，而未能真正分析单一像素与三维空间邻域内其他像素的相关性语义信息。

发明内容

本申请实施例提出了基于空间邻域分析的肺部CT图像分割装置，提取并融合连续邻域图层间的空间上下文特征，并通过自注意力机制将融合特征重映射为通道域二维图像分量，以此指导单一CT图层的特征解码过程，实现精确的三维图像分割。

具体的，本申请实施例提出的基于空间邻域分析的肺部CT图像分割装置，包括：

图像预处理模块，用于对输入的原始CT影像文件进行图像格式标准化得到图像像素值，计算肺部CT影像原始文件中各图层对应的肺实质前景区域掩码，将单一前景区域图层及其前后邻域图层合并为一组邻域图层切片序列；

空间邻域特征识别模块，用于利用预设的编码卷积块并行提取每个邻域图层切片序列中的二维病灶图像特征，提取邻域图层切片序列间的局部三维空间语义特征，通过三维卷积运算对提取到的局部三维空间语义特征进行融合，获取不同尺度的病灶区域编码特征图；