一种二阶精细化颞骨CT图像分割方法

本发明属于医疗影像，尤其涉及一种二阶精细化颞骨ct图像分割方法。

背景技术：

1、颞骨属于颅骨中的脑颅骨，是人体最小最复杂的骨头之一，医生通过分析病人颞骨的形态与结构，能够对耳鼻喉相关疾病进行更精确的病理分析、医疗诊断和手术定位。受限于ct扫描图像的分辨率，医生很难在十分细小的结构上做出准确快速的判断，而基于神经网络的颞骨ct分割算法能够帮助医生对病灶进行初步的定位与分析，大大提高医生的诊断精度和效率。

2、现有算法（fully automated segmentation in temporal bone ct with neuralnetwork: a preliminary assessment study[j]. bmc medical imaging, 2021, 21(1):1-11.）提出的颞骨ct分割算法直接把整张脑部ct图用作模型训练，由于颞骨仅占脑部ct图中较小的一个区域，正样本前景像素数量远小于负样本背景的像素数量，现有的模型很难快速收敛，分割算法不能精准地定位到颞骨，无法对十分细小的结构进行精准分割。此外，脑部ct图中存在许多与颞骨形状、纹理相类似的脑组织结构，分割模型直接对整张脑部ct图进行训练，会产生许多的假阳性预测结果，极大影响模型的精度。

3、为了克服用整张脑部ct图训练对模型精度与分割效果的影响，我们提出了新的技术方案：一种二阶精细化颞骨ct图像分割方法。

技术实现思路

1、本发明的目的在于提供一种二阶精细化颞骨ct图像分割方法，旨在解决所述背景技术中存在的在颞骨ct分割任务中，由于直接训练整张脑部ct图存在无法精确定位颞骨区域，正负样本不均衡导致模型难以收敛等问题问题。为实现所述目的，本发明采用的技术方案是：

2、步骤s201：对87例病人的数据集进行清洗，通过检查同一例病人的标注结果是否连续，判断是否存在错误标注，若存在错误标注则进行剔除，减少数据集存在的标注噪声；

3、步骤s202：利用python中的cv2库函数，找到颞骨标注区域的边界框，并转换为json数据集格式；

4、步骤s203：将数据集根据4：1的比例，划分训练集和测试集，划分后训练集的病例数为70，测试集的病例数为17；

5、步骤s204：根据步骤s203划分好的数据集，对颞骨不同的功能区单独训练第一阶段的目标检测模型，对功能区进行精准定位；

6、步骤s205：根据步骤s204定位的颞骨区域，计算出功能区最大的边界框。设置初始的裁剪膨胀系数为1，边界框的长宽与膨胀系数相乘，得到裁剪框的大小；算法自适应地增大膨胀系数，直到能精确地裁剪出颞骨的相关区域；其中，对功能区对哒边界框利用自适应算法进行调整裁剪，算法自适应的具体步骤为：设目标检测定位的边界框长和宽分别为w和h，设置裁剪膨胀系数为α，初始膨胀系数为1；

7、标注区域的最大包围框长和宽分别为p和z，其中p>w且z>h，设置包围框膨胀系数为β，初始膨胀系数为1.6；

8、裁剪膨胀系数α以从初始值开始逐步增大，直到满足公式：p<w*α<p*β，z<h*α<z*β，自适应地精准裁剪出功能区的相关区域。

9、步骤s206：根据步骤s205裁剪出的图片块，裁剪出的图片块，生成语义分割的二值化标注模板，背景像素值为0，前景像素值为1；根据二值化标注模板训练语义分割模型；

10、步骤s207：根据步骤s206的二值化标注模板训练语义分割模型，语义分割模型为在swin transformer基础上构建的，该模型的骨干包含了四层，分别为stage1、stage2、stage3和stage4，每层的骨干分别设计了2、2、6和2个特征提取模块；网络参数由在imagenet数据集上预训练的swin transformer-base模型初始化，以便充分利用在imagenet上学习的提取深层次特征的能力；

11、步骤s208：根据步骤s207得到的语义分割模型在测试集上进行推理，并对结果进行可视化，得到颞骨ct不同结构的分割结果。

12、本发明的有益效果：

13、1.在第一阶段采用高精度的目标检测算法，对颞骨相关区域进行精准定位。

14、2.根据颞骨不同结构的大小，自适应地裁剪出合适的图片块，用于第二阶段的分割算法，优化正负样本不均衡的问题，加快模型训练和收敛的速度。

技术特征：

1.一种二阶精细化颞骨ct图像分割方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种二阶精细化颞骨ct图像分割方法，其特征在于：所述s1具体包括为：对n例病人的数据集进行清洗，通过检查同一例病人的标注结果是否连续，判断是否存在错误标注，若存在错误标注则进行剔除，减少数据集存在的标注噪声。

3.根据权利要求1所述的一种二阶精细化颞骨ct图像分割方法，其特征在于：所述s2中对格式的转换为利用python中的cv2库函数，找到颞骨标注区域的边界框，并转换为json数据集格式；将数据集根据4：1的比例，划分训练集和测试集，划分后训练集的病例数为4/5n，测试集的病例数为1/5n；根据前述划分好的数据集，对颞骨不同的功能区单独训练第一阶段的目标检测模型，对功能区进行精准定位。

4.根据权利要求3所述的一种二阶精细化颞骨ct图像分割方法，其特征在于：所述s3具体包括为：对训练第一阶段的目标检测模型定位的颞骨区域，计算出功能区最大的边界框；利用自适应算法进行调整裁剪，算法自适应的具体步骤为：设目标检测定位的边界框长和宽分别为w和h，设置裁剪膨胀系数为α，初始膨胀系数为1；

5.根据权利要求4所述的一种二阶精细化颞骨ct图像分割方法，其特征在于：所述s4具体包括为：将s3裁剪出的图片块，生成语义分割的二值化标注模板，背景像素值为0，前景像素值为1；根据二值化标注模板训练语义分割模型；根据得到的语义分割模型在测试集上进行推理，并对结果进行可视化。

6.根据权利要求5所述的一种二阶精细化颞骨ct图像分割方法，其特征在于：所述语义分割模型为在swin transformer基础上构建的，该模型的骨干包含了四层，分别为stage1、stage2、stage3和stage4，每层的骨干分别设计了2、2、6和2个特征提取模块；网络参数由在imagenet数据集上预训练的swin transformer-base模型初始化，以便充分利用在imagenet上学习的提取深层次特征的能力。

技术总结
本发明公开了一种二阶精细化颞骨CT图像分割方法，包括以下步骤：步骤S1：收集多组病例病人的颞骨CT图像，对原数据进行清洗，判断有无错误标注和遗漏标注；步骤S2：对原数据进行格式的转换，并划分训练集和测试集，在此基础上对颞骨的功能区分别训练目标检测模型；步骤S3：利用该目标检测模型对颞骨的功能区进行定位，并根据功能区的不同大小自适应地裁剪出图片块；步骤S4：根据裁剪出的图片块训练分割模型，得到最终的图像分割结果。本发明在第一阶段采用高精度的目标检测算法，对颞骨相关区域进行精准定位；根据颞骨不同结构的大小，自适应地裁剪出合适的图片块，用于第二阶段的分割算法，优化正负样本不均衡的问题，加快模型训练和收敛的速度。

技术研发人员：蔡跃新,陈俊周,曾俊波,张梓睿
受保护的技术使用者：中山大学孙逸仙纪念医院
技术研发日：
技术公布日：2024/1/12