一种腹部CT图像多器官自动分割方法

本发明创造属于医学图像处理领域，尤其是涉及一种腹部ct图像多器官自动分割方法。

背景技术：

1、调强放射治疗是治疗腹部肿瘤的重要手段，为制定精确的治疗计划，医生会在患者ct图像中勾画肿瘤及周围多个重要器官，以辅助放疗计划的优化。在临床工作中，由于腹部ct图像的对比度较低，且部分器官的边界难以区分，因此器官勾画的准确度完全依赖于医师的临床经验，且不同医师的勾画结果很容易存在差异。

2、在现有技术中，针对医学图像分割领域涌现出很多算法，传统分割方法(如阈值法、区域生长算法、边缘检测算法以及基于图谱的算法)虽然能在一定程度上提高医师勾画的效率，但由于其图像特征的提取依赖人工经验，因此分割结果仍具有较大的不确定性。

3、近年来，基于深度学习的方法在医学图像分割领域中得到广泛应用，该方法是一种数据驱动的学习方式，可实现端到端的训练，避免了人为经验差异造成的偏差，取得了较好的效果。当前一些主流深度分割模型(如fcn、unet、rnn等)已经被用于ct或mr图像中心脏、肝脏、大脑等器官的分割。由于这些器官的边缘明显且形变较小，因此实际使用效果较好，但在分割边界较模糊或形变较大的器官及病灶时，这些模型的分割效果并不理想，无法满足实际的使用需求。

技术实现思路

1、有鉴于此，本发明创造旨在提出一种腹部ct图像多器官自动分割方法，以解决上述技术问题。

2、为达到上述目的，本发明创造的技术方案是这样实现的：

3、一种腹部ct图像多器官自动分割方法，包括：

4、获取带有器官分割标签的历史ct图像数据集，对历史ct图像数据集进行预处理，生成训练数据集和验证数据集；

5、构建图像分割网络模型，将训练数据集输入图像分割网络模型进行训练；所述图像分割网络模型包括：用于提取2d特征和3d特征的编码器模块、用于进行2d特征和3d特征融合的特征融合模块和用于进行目标分割的解码器模块；

6、根据预设损失函数对完成训练的图像分割网络模型进行优化；

7、将验证数据集输入优化后的图像分割网络模型，生成验证分割结果，并根据验证分割结果计算像素分割相对不确定度阈值；

8、获取腹部ct图像，对腹部ct图像进行与历史ct图像数据集相同的预处理，并将预处理后的腹部ct图像输入优化后的图像分割网络模型，生成初步分割结果，计算初步分割结果的像素分割相对不确定度，根据像素分割相对不确定度阈值对初步分割结果的像素分割相对不确定度进行筛选，将像素分割相对不确定度小于像素分割相对不确定度阈值的初步分割结果替换腹部ct图像的相应位置，以获得腹部ct图像的多器官分割结果。

9、进一步的，所述对历史ct图像数据集进行预处理，生成训练数据集和验证数据集，包括：

10、对历史ct图像数据集进行归一化处理和灰度变换处理，将处理后的图像进行张量合并，并根据7:3的比例将合并后的张量划分为训练数据集和验证数据集。

11、进一步的，所述对历史ct图像数据集进行归一化处理和灰度变换处理，包括：

12、获取历史ct图像的最大灰度值hmax和最小灰度值hmin，对其进行取值范围0.0至1.0的最大最小值归一化处理；

13、计算历史ct图像中每个待分割区域的105％最大灰度值hmax105％和95％最小灰度值hmin95％，并将大于hmax105％的灰度值设置为1.0，小于hmin95％的灰度值设置为0.0；

14、计算历史ct图像中每个待分割区域的灰度平均值，将所述灰度平均值由小到大进行排序，并对每两个相邻的灰度平均值之间进行三等分，生成三段子区间；

15、对每段子区间进行线性灰度变换处理，其中第奇数个子区间的映射方式为第偶数个子区间的映射方式为式中xi和xi-1为灰度变换处理前子区间的上限和下限，x'i和x'i-1为灰度变换后子区间的上限和下限。

16、进一步的，在将训练数据集输入图像分割网络模型进行训练之前，所述腹部ct图像多器官自动分割方法，包括：

17、根据原始图像的特征维度和参与迭代的数据量对输入图像分割网络模型的张量形状进行调整。

18、进一步的，所述编码器模块包括多层2d卷积层和多层3d卷积层，每层2d卷积层均包括一个二维卷积核，且2d卷积层用于提取训练数据集的2d特征，多层3d卷积层之间通过残差方式相连，每层3d卷积层均包括两个三维卷积核，且3d卷积层用于提取训练数据集的3d特征。

19、进一步的，所述特征融合模块包括2d特征处理单元和3d特征处理单元；所述2d特征处理单元用于对每层2d卷积层输出的2d特征进行卷积、平铺和位置编码处理；所述3d特征处理单元用于对每层3d卷积层输出的3d特征进行特征维度压缩、空洞卷积、卷积、平铺和位置编码处理。

20、进一步的，所述特征融合模块还包括拆分单元和多个融合transformer编码器，所述拆分单元根据batch-size的大小对2d特征处理单元和3d特征处理单元处理后的特征进行拆分，生成二维张量和三维张量，所述融合transformer编码器用于接收二维张量和三维张量，每个融合transformer编码器利用3d特征的注意力系数矩阵引导每层2d特征的特征分布，多个融合transformer编码器的输出结果之间进行维度扩展和特征拼接，以实现2d特征和3d特征的融合。

21、进一步的，所述特征融合模块还包括再处理单元和自注意力transformer编码器，所述再处理单元用于对融合transformer编码器的输出结果和下一层的上采样输出进行卷积和像素对应相加处理，并通过relu激活函数和sigmoid激活函数生成空间注意力权重图，再对相邻两个融合transformer编码器输出的融合特征进行像素对应相加处理，并与所述空间注意力权重图进行像素相乘处理，生成空间注意力加权特征，所述自注意力transformer编码器用于对空间注意力加权特征进行注意力计算，并生成特征融合模块的输出结果。

22、进一步的，所述解码器模块包括空间/通道注意力单元，每层特征融合模块的输出结果经过上采样进行张量形状复原，并在依次通过卷积层、批标准化层和relu激活函数后进入空间/通道注意力单元进行处理，所述空间/通道注意力单元处理后的特征被分为多个分支，每个分支均进行反卷积处理，并将当前层及下层反卷积处理后的特征与上一层特征融合模块的输出结果进行特征拼接处理，得到上一层的解码输出；在经过逐层解码处理后，特征图的尺度恢复成原始图像的大小，最终由softmax激活函数得到预测分割概率图。

23、进一步的，所述预设损失函数的公式如下：

24、l＝αlcross+βlgdice

25、其中，α为基于分布的损失函数(lcross)的权重，β为基于区域的损失函数(lgdice)的权重；

26、基于分布的损失函数的公式如下：

27、

28、基于区域的损失函数的公式如下：

29、

30、上式中，x代表一个图像像素，c为该像素对应的类别，总类别数为c，总像素数为z，pc(x)为解码器输出像素x的属于c类别的概率，gc(x)为像素x对应的标签值，ωc表示每个待分割目标的权重系数，且待分割目标越小ωc值越大。

31、进一步的，所述计算像素分割相对不确定度阈值的计算公式如下：

32、

33、其中，u(y|x)表示像素分割相对不确定度阈值，fi(x)表示n组验证数据集中第i个像素x被划分为目标类别的次数，norm表示归一化处理。

34、相对于现有技术，本发明创造具有以下优势：

35、(1)本发明创造提供的一种腹部ct图像多器官自动分割方法，能通过图像分割网络模型中的编码器模块提取2d特征和3d特征，因此采样感受野较大，采样效率较高，其次特征融合模块能实现2d特征与3d特征之间的融合，从而借助3d特征来引导2d特征的特征分布，因此能降低图像分割网络模型的内存占用，加速特征融合和特征处理过程，此外解码器模块能使图像分割过程关注空间位置和通道特征，从而提高模型的性能和效率。

36、(2)本发明创造提供的一种腹部ct图像多器官自动分割方法，在针对历史ct图像数据集进行灰度变换处理时，能弱化待分割区域内的灰度变化，并强化待分割区域间的灰度变化，从而提高特征提取的精度。

37、(3)本发明创造提供的一种腹部ct图像多器官自动分割方法，能通过预设损失函数对完成训练的图像分割网络模型进行优化，以缓解图像分割中类别不均衡的问题，并使图像分割网络模型关注较小的分割目标。

38、(4)本发明创造提供的一种腹部ct图像多器官自动分割方法，能根据验证分割结果计算像素分割相对不确定度阈值，并通过像素分割相对不确定度阈值对初步分割结果进行筛选，从而进一步提升器官分割精度。