[发明专利]一种基于计算机断层扫描3D图像的全心脏分割方法、装置、设备及介质

说明书

本发明公开了一种基于计算机断层扫描3D图像的全心脏分割方法、装置、设备及介质，涉及医学影像分割领域，本发明提出一种用于心脏分割的两阶段分割策略，第一阶段由FasterR‑CNN网络检测心脏的边界框，第二阶段将与边界框对齐的心脏原始CT图像输入3DU‑Net进行心脏子结构分割。此外，本发明还重新定义了边界框损失函数，采用CIoU损失函数。试验结果表明，该方案在2017年多模态全心脏分割挑战赛(MM‑WHS)数据集上获得了最先进的分割效果，达到91.1％的平均Dice分数。同时，单个心脏CT图像的分割耗时取得了从数分钟大幅提高至不到6秒的优异成绩，实现了更快、更精准的全心脏自动分割。

技术领域

本发明涉及医学影像分割领域，尤其涉及一种基于计算机断层扫描3D图像的全心脏分割方法、装置、设备及介质。

背景技术

全心脏分割是指提取心脏子结构的形状和体积，包括七个部分，分别为：左心室(LV)、左心房(LA)、左心室心肌(Myo)、右心室(RV)、右心房(RA)、升主动脉(AA)、肺动脉(PA)。在临床诊断中，常需要获得心脏的功能参数指标，心脏子结构分割精度的提高有助于提升计算心脏结构功能参数的可靠性。

随着卷积神经网络在医学影像智能计算中的迅速发展，基于3DU-Net网络的方法显示出强大的分割能力。近年来，直接使用3D图像作为3DU-Net网络的输入已经逐渐成为本领域的研究潮流。但它通常与平铺策略一起使用，即将整个图像分割成一个个小切片分开处理，最终合并得到分割结果的策略，而心脏图像中的前景信息只占很小的比例，这将导致计算资源的巨大浪费。为了解决上述问题，一种两个串联的3DU-Net网络被提出，通过进一步分割第一阶段动态提取的感兴趣区域(RoI)来分割整个心脏结构。虽然保留了原始分辨率，但最终分割质量取决于第一阶段提取到RoI的提取质量。此外，学者应用3DU-Net作为网络模型，并结合主成分分析作为数据增强技术来改变网络的输入和输出。这种方法的缺点是主成分的手动选择会影像PCA数据增强的效果，从而影响分割质量。

近年来，基于检测的分割方法在医学影像分割中显示了其优越性。一种改进的FasterR-CNN展现了良好的定位精度和时间效率。它通过将图像输入区域建议网络(RPN)获得多个建议框，然后将多个建议框输入分类回归网络，获得分类结果和目标边界框。在此之上，学者提出的Mask R-CNN在FasterR-CNN的RPN结构之后增添了一个预测目标掩码的分支，并被证实在医学图像分割中具有很强的通用性。在医学图像领域的应用方面，将MaskR-CNN与光线投射体绘制算法相结合，实现肺部结节检测和分割的3D诊断。与分割肺结节相比，整个心脏分割任务对于Mask R-CNN的分割头来说更加复杂和具有挑战性。

先前的方法由基于FasterR-CNN的检测和定位模块和基于3DU-Net的分割模块组成，实现了高精度的全心脏自动分割。该方法保留了Faster R-CNN中边界框损失函数的平滑L1损失函数。然而，实际中预测边界框是使用联合交叉(IoU)损失函数。尽管多个边界框具有相同大小的损失值，但其IoU可能有较大的差异。

因此，本发明提出了一种对心脏CT图像的全自动高效分割方法、装置、设备及介质。

发明内容

针对上述存在的问题，本发明旨在提供一种对心脏CT图像的全自动高效分割方法、装置、设备及介质，考虑了真值边界框和预测边界框的中心点之间的距离，以及两个边界框的宽高比。此外，考虑到心脏CT图像的图像尺寸和帧尺寸之间的差异，将特征提取网络ResNet替换为P3DResNet。并在P3DResNet网络之后加入FPN网络，该结构能够融合不同分辨率的特征，增强了特征学习能力，能够适应不同尺度的心脏图像，在心脏CT图像的全自动快速分割任务上达到了领域最先进的水平。

本发明所采用的技术方案的主要思路：本发明提出一种对心脏CT图像的全自动高效分割方法、装置、设备及介质，由基于FasterR-CNN网络的检测和定位方法和基于3DU-Net网络的分割方法组成，实现了高精度的全心脏自动分割。