腹部CT图像的自动分割处理方法、系统和装置制造方法及图纸

本申请公开了一种腹部CT图像的自动分割处理方法、系统和装置，本方法通过获取生成的腹部CT图像数据集并对其进行预处理得到腹部三维立体图像；通过神经网络模型提取所述三维立体图像中每个层图像中的像素级概率图，生成所述像素级概率图的特征向量；将所述特征向量作为生成式对抗性网络模型的输入进行训练模型得到分割模型；将待处理的腹部CT图像输入所述分割模型得到分割图像。解决了相关技术中对腹部CT图像的器官分割精度较低，难以实现器官的有效分离的技术问题，实现自动化的腹部CT图像分割，有效实现对腹部器官的准确分离，便于医学研究和诊断。医学研究和诊断。医学研究和诊断。

【技术实现步骤摘要】
腹部CT图像的自动分割处理方法、系统和装置


[0001]本申请属于计算机
，具体而言，涉及一种腹部CT图像的自动分割处理方法、系统和装置。

技术介绍

[0002]腹部包含着人体的许多重要器官，包括肝、胆、胰、脾、肾等。CT扫描是腹部疾病的常规检查，也是疾病诊断的重要参考手段。在腹部CT图像中，器官区域的精确自动分割在人体结构研究、手术计划和临床诊断中起着重要作用。但由于CT成像技术的局限性、患者个体差异以及腹部脏器的复杂特征，实际应用中腹部CT图像多脏器分割仍存在噪声高、背景复杂、脏器间边界模糊等技术挑战
[0003]相关技术中，与腹部多器官分割密切相关的研究成果，基于图谱的方法最早被应用于腹部多器官分割。例如，统计形状模型和多图像标签融合。这两种方法都受限于基本图像配准算法的精度和性能，如图像的选择、可变形图像的准确配准和标签融合等因素，导致对腹部CT图像的器官分割精度较低，难以实现器官的有效分离。

技术实现思路

[0004]因此，本申请实施例在于提供一种腹部CT图像的自动分割处理方法、系统、电子设备及存储介质，旨在解决上述现有技术存在的至少一个问题。
[0005]为实现上述目的，第一方面，本申请提供了一种腹部CT图像的自动分割处理方法，包括：
[0006]获取生成的腹部CT图像数据集并对其进行预处理得到腹部三维立体图像；
[0007]通过神经网络模型提取所述三维立体图像中每个层图像中的像素级概率图，生成所述像素级概率图的特征向量；
[0008]将所述特征向量作为生成式对抗性网络模型的输入进行训练模型得到分割模型；
[0009]将待处理的腹部CT图像输入所述分割模型得到分割图像。
[0010]在一个实施例中，所述获取生成的腹部CT图像数据集并对其进行预处理得到腹部三维立体图像，包括：获取生成的腹部CT图像数据集的原始图，将所述原始图基于预设对比度转换为灰度腹部三维立体图像。
[0011]在一个实施例中，在提取所述三维立体图像中每个层图像中的像素级概率图之后，还包括：获取每个层图像的相邻层图像的位置信息，根据每个层图像的相邻层图像的位置信息进行优化所述像素级概率图。
[0012]在一个实施例中，所述将所述特征向量作为生成式对抗性网络模型的输入进行训练模型得到分割模型，包括：将所述特征向量输入对抗性网络模型的生成器中生成样本数据向量，将所述特征向量和样本数据向量同时输入对抗性网络模型的判别模型中，当判别模型的输出值等于预设值时停止训练，得到所述分割模型。
[0013]第二方面，本申请还提供了一种腹部CT图像的自动分割处理系统，包括：
[0014]图像预处理单元，用于获取生成的腹部CT图像数据集并对其进行预处理得到腹部三维立体图像；
[0015]特征提取单元，用于通过神经网络模型提取所述三维立体图像中每个层图像中的像素级概率图，生成所述像素级概率图的特征向量；
[0016]模型训练单元，用于将所述特征向量作为生成式对抗性网络模型的输入进行训练模型得到分割模型；
[0017]图像分割单元，用于将待处理的腹部CT图像输入所述分割模型得到分割图像。
[0018]在一个实施例中，所述获取生成的腹部CT图像数据集并对其进行预处理得到腹部三维立体图像，包括：获取生成的腹部CT图像数据集的原始图，将所述原始图基于预设对比度转换为灰度腹部三维立体图像。
[0019]在一个实施例中，在提取所述三维立体图像中每个层图像中的像素级概率图之后，还包括：获取每个层图像的相邻层图像的位置信息，根据每个层图像的相邻层图像的位置信息进行优化所述像素级概率图。
[0020]在一个实施例中，所述将所述特征向量作为生成式对抗性网络模型的输入进行训练模型得到分割模型，包括：将所述特征向量输入对抗性网络模型的生成器中生成样本数据向量，将所述特征向量和样本数据向量同时输入对抗性网络模型的判别模型中，当判别模型的输出值等于预设值时停止训练，得到所述分割模型。
[0021]第三方面，本申请还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述腹部CT图像的自动分割处理方法的步骤。
[0022]第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述腹部CT图像的自动分割处理方法的步骤。
[0023]本申请实施例提供的一种腹部CT图像的自动分割处理方法、系统、电子设备及存储介质，通过获取生成的腹部CT图像数据集并对其进行预处理得到腹部三维立体图像；通过神经网络模型提取所述三维立体图像中每个层图像中的像素级概率图，生成所述像素级概率图的特征向量；将所述特征向量作为生成式对抗性网络模型的输入进行训练模型得到分割模型；将待处理的腹部CT图像输入所述分割模型得到分割图像。解决了相关技术中对腹部CT图像的器官分割精度较低，难以实现器官的有效分离的技术问题，实现了以下有益效果：可以实现自动化的腹部CT图像分割，有效实现对腹部器官的准确分离，便于医学研究和诊断。
附图说明
[0024]构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0025]图1为本申请实施例提供的腹部CT图像的自动分割处理方法的实现流程；
[0026]图2为本申请实施例提供的腹部CT图像的自动分割处理方法的分割前后的图像对比图；
[0027]图3为本申请实施例提供的腹部CT图像的自动分割处理系统的主要模块示意图；
[0028]图4为本申请实施例提供的可以应用于其中的示例性系统架构图；
[0029]图5为适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
[0030]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
[0031]需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0032]在本申请中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种腹部CT图像的自动分割处理方法，其特征在于，包括：获取生成的腹部CT图像数据集并对其进行预处理得到腹部三维立体图像；通过神经网络模型提取所述三维立体图像中每个层图像中的像素级概率图，生成所述像素级概率图的特征向量；将所述特征向量作为生成式对抗性网络模型的输入进行训练模型得到分割模型；将待处理的腹部CT图像输入所述分割模型得到分割图像。2.根据权利要求1所述的腹部CT图像的自动分割处理方法，其特征在于，所述获取生成的腹部CT图像数据集并对其进行预处理得到腹部三维立体图像，包括：获取生成的腹部CT图像数据集的原始图，将所述原始图基于预设对比度转换为灰度腹部三维立体图像。3.根据权利要求1所述的腹部CT图像的自动分割处理方法，其特征在于，在提取所述三维立体图像中每个层图像中的像素级概率图之后，还包括：获取每个层图像的相邻层图像的位置信息，根据每个层图像的相邻层图像的位置信息进行优化所述像素级概率图。4.根据权利要求3所述的腹部CT图像的自动分割处理方法，其特征在于，所述将所述特征向量作为生成式对抗性网络模型的输入进行训练模型得到分割模型，包括：将所述特征向量输入对抗性网络模型的生成器中生成样本数据向量，将所述特征向量和样本数据向量同时输入对抗性网络模型的判别模型中，当判别模型的输出值等于预设值时停止训练，得到所述分割模型。5.一种腹部CT图像的自动分割处理系统，其特征在于，包括：图像预处理单元，用于获取生成的腹部CT图像数据集并对其进行预处理得到腹部三维立体图像；特征提取单元，用于通过神经网络模型提取所述三维立体图像中每个层图像中的像素级概率图，生成所述像素级概率图...

【专利技术属性】
技术研发人员：李超，刘贾贤，范兴刚，
申请(专利权)人：浙江工业大学之江学院，
类型：发明
国别省市：