CT图像分割方法及设备与流程

本发明涉及医学图像处理领域，具体涉及ct图像分割方法及设备。

背景技术：

1、u-net是一种常用于医疗图像分割的卷积神经网络架构，包含编码器和解码器两个部分。u-net的主要优势是能够针对少量数据集进行高质量的分割，且在医学图像分割领域有很好的应用前景；u-net的网络结构包括编码器和解码器两部分，其中编码器通过逐步对输入图像进行下采样操作，提取特征信息；解码器则通过上采样将编码器的特征信息还原到原图尺度，并对特征进行融合操作，生成最终的分割结果。为了避免信息丢失和梯度消失等问题，u-net引入了跳跃式连接（skip connection）和卷积核大小为1的卷积层，用以增加网络的深度和可训练参数，保证图像信息不会丢失，同时有助于加快模型的收敛。在医疗图像分割任务中，u-net不仅可以分割出感兴趣区域，还可以提取图像中的不同组织结构特征，被广泛应用于心脏、脑部、肺部和血管等领域。相比其他深度学习方法，u-net可以在不同病例的数据集上进行高效的训练，且在保证可靠性和较短的计算时间上具有较好的性能，因此在医学图像分割中有广泛的应用。

2、但在实际临床应用中，如对医学图像中的皮肤、支气管或定位小球等小目标进行分割时，由于其小目标的像素数太少，而一般的特征提取网络都会下采样到32x，这样就会导致最后一层特征层中很有可能已经不包含目标像素了，导致信息丢失，分割目标不准确。

技术实现思路

1、有鉴于此，本发明提供一种ct图像分割方法，包括：利用神经网络模型对ct图像进行分割，所述神经网络模型包括编码模块、平衡特征融合模块和解码模块，所述编码模块用于对所述ct图像进行特征提取，得到尺度不同、维度不同的多个图像特征，所述平衡特征融合模块用于将所述多个图像特征的尺度统一为预设尺度，并将预设尺度的多个的图像特征按维度进行聚合，再将聚合图像特征还原成尺度不同、维度不同的多个平衡特征，所述解码模块用于对多个平衡特征进行处理，得到针对所述ct图像中感兴趣目标的分割结果。

2、可选地，所述编码模块包括多阶编码模块，其中第一阶编码模块针对所述ct图像提取得到尺度为ct图像1/2的初阶图像特征，后续各阶编码模块均针对前一阶的编码模块提取得到的图像特征进行特征提取，得到尺度逐阶递减且维度逐渐增加的各阶图像特征。

3、可选地，所述平衡特征融合模块对除所述初阶图像特征外的各阶图像特征进行处理得到多个平衡特征；所述解码模块用于对多个平衡特征和所述初阶图像特征进行处理得到所述分割结果。

4、可选地，所述平衡特征融合模块包括第一线性插值模块和第一卷积模块，所述第一线性插值模块用于将所述多个图像特征中的一个尺度作为所述预设尺度，对其它图像特征进行线性插值处理，使其它图像特征的尺度增大或减小至所述预设尺度；所述第一卷积模块用于对预设尺度的多个图像特征进行卷积处理，使得多个图像特征的维度相同。

5、可选地，所述平衡特征融合模块包括连接模块，用于将经过第一卷积模块处理得到的各个所述图像特征按维度进行连接，得到聚合图像特征。

6、可选地，所述平衡特征融合模块包括加权聚合模块，用于利用如下方式对经过第一卷积模块处理得到的图像特征进行处理：

7、，

8、其中，表示聚合图像特征，表示第一卷积模块处理得到的第i个图像特征，编码模块处理得到的图像特征总数量，1≤≤。

9、可选地，所述平衡特征融合模块包括：

10、第一连接模块，用于将经过第一卷积模块处理的各个所述图像特征按维度进行连接，得到第一聚合图像特征；加权聚合模块，用于利用如下方式对经过第一卷积模块处理得到的图像特征进行处理：

11、，

12、其中，表示第二聚合图像特征，表示第一卷积模块处理得到的第i个图像特征，编码模块处理得到的图像特征总数量，1≤≤；

13、第二连接模块，用于将所述第一聚合图像特征与所述第二聚合图像特征按维度进行连接，得到聚合图像特征。

14、可选地，所述平衡特征融合模块包括第三卷积模块，用于对聚合图像特征进行卷积处理，以降低模型参数，去除聚合处理所形成的混叠效应。

15、可选地，所述平衡特征融合模块包括第二线性插值模块和第二卷积模块，所述第二线性插值模块用于将聚合图像特征还原成尺度不同的多个平衡特征，还原后的尺度与所述编码模块输出的多个图像特征的尺度相同；所述第二卷积模块用于对尺度不同的多个平衡特征进行卷积处理，卷积处理后的维度与所述编码模块输出的多个图像特征的维度相同。

16、可选地，所述解码模块包括多阶解码模块和输出模块，所述多阶解码模块用于根据特征尺度对所述多个平衡特征以及所述初阶图像特征逐阶段进行上采样处理，所述输出模块根据所述多阶解码模块的上采样处理结果输出所述分割结果。

17、可选地，各阶解码模块均包括上采样模块或反卷积模块，以及连接模块和算子融合模块；所述上采样模块或反卷积模块用于对前一阶的尺度较小的平衡特征进行上采样操作或反卷积操作，以使其尺度与后一阶的尺度较大的平衡特征或者所述初阶特征的尺度一致，所述连接模块用于将上采样模块或反卷积模块的处理结果与所述后一阶的尺度较大的平衡特征或者所述初阶特征按特征维度进行连接，所述算子融合模块用于对所述连接模块的处理结果进行卷积、归一化和激活处理。

18、可选地，所述输出模块包括上采样模块或反卷积模块、算子融合模块，所述上采样模块或反卷积模块用于将所述多阶解码模块的上采样处理结果进行上采样操作或反卷积操作，以使其尺度与所述ct图像的尺度一致，所述算子融合模块用于对上采样模块或反卷积模块的处理结果进行卷积、归一化和激活处理，得到所述分割结果。

19、相应地，本发明提供一种ct图像分割设备，包括：处理器以及与所述处理器连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令被所述处理器执行，以使所述处理器执行上述ct图像分割方法。

20、根据本发明提供的ct图像分割方法及设备，通过编码模块将ct图像进行特征提取，得到尺度不同、维度不同的多个图像特征，尺度不同的图像特征提供了不同程度的图像细节信息，能够提高图像特征的质量和准确性，并且使用尺度不同、维度不同的多个特征图还能加快网络收敛速度，同时提高网络的稳定性；平衡特征融合模块聚合不同层级的图像特征，再将其还原回原来图像特征的大小得到的平衡特征，使得不同层级的图像特征都拥有其它层级图像特征的信息，即浅层图像特征包含了语义信息，深层图像特征融合了浅层的细粒度信息，大大提升了网络特征提取能力，避免丢失一些重要特征信息，解码结构将平衡特征融合模块的平衡特征作为跳层连接，使得相同的特征被思考和应用了两次，对小目标的分割非常有利，能够显著提高对ct图像中较小的病灶或组织结构的识别精度。

技术特征：

1.一种ct图像分割方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述编码模块包括多阶编码模块，其中第一阶编码模块针对所述ct图像提取得到尺度为ct图像1/2的初阶图像特征，后续各阶编码模块均针对前一阶的编码模块提取得到的图像特征进行特征提取，得到尺度逐阶递减且维度逐渐增加的各阶图像特征。

3.根据权利要求2所述的方法，其特征在于，所述平衡特征融合模块对除所述初阶图像特征外的各阶图像特征进行处理得到多个平衡特征；所述解码模块用于对多个平衡特征和所述初阶图像特征进行处理得到所述分割结果。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述平衡特征融合模块包括第一线性插值模块和第一卷积模块，所述第一线性插值模块用于将所述多个图像特征中的一个尺度作为所述预设尺度，对其它图像特征进行线性插值处理，使其它图像特征的尺度增大或减小至所述预设尺度；所述第一卷积模块用于对预设尺度的多个图像特征进行卷积处理，使得多个图像特征的维度相同。

5.根据权利要求4所述的方法，其特征在于，所述平衡特征融合模块包括连接模块，用于将经过第一卷积模块处理得到的各个所述图像特征按维度进行连接，得到聚合图像特征。

6.根据权利要求4所述的方法，其特征在于，所述平衡特征融合模块包括加权聚合模块，用于利用如下方式对经过第一卷积模块处理得到的图像特征进行处理：

7.根据权利要求4所述的方法，其特征在于，所述平衡特征融合模块包括：

8.根据权利要求1所述的方法，其特征在于，所述平衡特征融合模块包括第三卷积模块，用于对聚合图像特征进行卷积处理，以降低模型参数，去除聚合处理所形成的混叠效应。

9.根据权利要求1所述的方法，其特征在于，所述平衡特征融合模块包括第二线性插值模块和第二卷积模块，所述第二线性插值模块用于将聚合图像特征还原成尺度不同的多个平衡特征，还原后的尺度与所述编码模块输出的多个图像特征的尺度相同；所述第二卷积模块用于对尺度不同的多个平衡特征进行卷积处理，卷积处理后的维度与所述编码模块输出的多个图像特征的维度相同。

10.根据权利要求2所述的方法，其特征在于，所述解码模块包括多阶解码模块和输出模块，所述多阶解码模块用于根据特征尺度对所述多个平衡特征以及所述初阶图像特征逐阶段进行上采样处理，所述输出模块根据所述多阶解码模块的上采样处理结果输出所述分割结果。

11.根据权利要求10所述的方法，其特征在于，各阶解码模块均包括上采样模块或反卷积模块，以及连接模块和算子融合模块；所述上采样模块或反卷积模块用于对前一阶的尺度较小的平衡特征进行上采样操作或反卷积操作，以使其尺度与后一阶的尺度较大的平衡特征或者所述初阶特征的尺度一致，所述连接模块用于将上采样模块或反卷积模块的处理结果与所述后一阶的尺度较大的平衡特征或者所述初阶特征按特征维度进行连接，所述算子融合模块用于对所述连接模块的处理结果进行卷积、归一化和激活处理。

12.根据权利要求10所述的方法，其特征在于，所述输出模块包括上采样模块或反卷积模块、算子融合模块，所述上采样模块或反卷积模块用于将所述多阶解码模块的上采样处理结果进行上采样操作或反卷积操作，以使其尺度与所述ct图像的尺度一致，所述算子融合模块用于对上采样模块或反卷积模块的处理结果进行卷积、归一化和激活处理，得到所述分割结果。

13.一种ct图像分割设备，其特征在于，包括：处理器以及与所述处理器连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令被所述处理器执行，以使所述处理器执行如权利要求1-12中任意一项所述的ct图像分割方法。

技术总结
本发明提供一种CT图像分割方法及设备，所述方法包括：利用神经网络模型对CT图像进行分割，所述神经网络模型包括编码模块、平衡特征融合模块和解码模块，所述编码模块用于对所述CT图像进行特征提取，得到尺度不同、维度不同的多个图像特征，所述平衡特征融合模块用于将所述多个图像特征的尺度统一为预设尺度，并将预设尺度的多个的图像特征按维度进行聚合，再将聚合图像特征还原成尺度不同、维度不同的多个平衡特征，所述解码模块用于对多个平衡特征进行处理，得到针对所述CT图像中感兴趣目标的分割结果。

技术研发人员：张昊任,陈向前,史纪鹏,杜立翠,张欢
受保护的技术使用者：真健康（北京）医疗科技有限公司
技术研发日：
技术公布日：2024/1/14