【技术实现步骤摘要】
本专利技术属于医疗图像处理，具体涉及一种基于切片插补的三维ct肝脏肿瘤分割方法及系统。
技术介绍
1、医学影像是目前主流的非介入性临床诊断手段，其中ct(计算机断层扫描)作为一种有力的医学影像工具，常被用于检查人体的肝脏有无病变，且在手术中起到重要的引导和定位作用。然而，由于腹部ct扫描范围较广，临床诊断时需要对ct数据进行逐帧判读和筛查，比较消耗医生的时间和精力。同时，这种依赖医生经验的阅片方式可能导致不同临床经验医生之间出现诊断差异。计算机辅助诊断系统可以很好地适应复杂的人体解剖结构和不规则的病灶形态，提供精细的器官分割、病灶检测结果，减轻医生在临床诊断时的负担，并且为后续的医学任务，例如协助医生完成腹部手术导航规划或为患者定制化的医学问答大模型提供基础信息。
2、相对于传统的机器学习算法，基于卷积神经网络的算法具备构建更多可训练参数的能力，可以更精确地对ct图像中的器官和病灶进行分类分割。来自于不同医院、设备和切片厚度的ct数据之间存在体素差异，常规的数据预处理方式通常采用重采样(线性插值)处理，当不同数据之间的体素差异较大时，层间隔较大的数据重采样所产生的插值ct切片存在失真、模糊现象，导致切片轴向方向上出现人体组织的结构不连贯和不完整，从而影响分割算法的泛化性，导致分割的准确性较低。此外，在临床诊断中，医生需要了解模型是如何得出特定的诊断和分割结果，现有算法的内部决策过程通常是不透明的，可解释性较弱，严重影响其在临床实践中的应用。
3、因此实现可解释性较强与强泛化性的器官与病灶分割识别算法是实现
技术实现思路
1、针对现有技术中的ct线性重采样方法导致插值切片模糊、分割算法的泛化性低以及实时性较差的问题，本专利技术提出一种基于切片插值的三维肝脏肿瘤ct自动分割方法及系统，实现更精准、快速的定位识别病变区域，从而克服了现有技术中的不足。
2、为了达到前述专利技术目的，本专利技术采用了以下方案：
3、本专利技术的一个方面提供了一种基于切片插补的三维ct肝脏肿瘤分割方法，包括：
4、步骤s1：将原始三维ct数据进行裁剪与归一化预处理，得到预处理后的三维ct数据；
5、步骤s2：判断所述预处理后的三维ct数据对应的z轴方向的切片间距是否低于预设值；若是，则将所述预处理后的三维ct数据输入至预先构建的ct切片插补模型，在所述预处理后的三维ct数据的z轴方向上生成中间ct切片，得到切片插补后的三维ct数据；若否，则转入步骤s3；
6、步骤s3：将满足z轴方向的切片间距大小的三维ct数据进行重采样预处理，得到统一平面像素分辨率与z轴切片间距后的三维ct数据；
7、步骤s4：将所述统一后的三维ct数据输入至预先构建的三维ct肝脏分割网络中进行分割；
8、步骤s5：对测试数据进行数据增强，将分割出的多个分割结果进行投票处理，得到最终分割结果。
9、本专利技术的另一个方面提供了一种基于切片插补的三维ct肝脏肿瘤分割系统，包括：
10、裁剪与归一化预处理模块，用于将原始三维ct数据进行裁剪与归一化预处理，得到预处理后的三维ct数据；
11、ct切片插补模块，用于判断所述预处理后的三维ct数据对应的z轴方向的切片间距是否低于预设值；若是，则将所述预处理后的三维ct数据输入至预先构建的ct切片插补模型，在所述预处理后的三维ct数据的z轴方向上生成中间ct切片，得到切片插补后的三维ct数据；
12、重采样预处理模块，用于将满足z轴方向的切片间距大小的三维ct数据进行重采样预处理，得到统一平面像素分辨率与z轴切片间距后的三维ct数据；
13、图像分割模块，用于将所述统一平面像素分辨率与z轴切片间距后的三维ct数据输入至预先构建的三维ct肝脏分割网络中进行分割；
14、分割结果获取模块，用于对测试数据进行数据增强，将分割出的多个分割结果进行投票处理，得到最终分割结果。
15、与现有技术相比，本专利技术至少具有如下优点：
16、(1)本专利技术针对现有重采样技术中出现的线性插值导致的插值图片失真、模糊以及切片轴向方向人体肝脏组织不连贯性的问题，构建ct切片插补模型，生成人体ct的中间帧图像，增加ct轴向方向的信息量，减缓重采样过程导致的失真与模糊问题，实现人体组织的平滑过渡，降低大切片间隔对图像分割模型的影像；
17、(2)本专利技术在采用ct图像分割模型时，为了提升ct图像分割模型的可解释性，在模型的编码器结构上采用混合注意力机制充分提取输入图像的局部特征，将transformer模块放置在编码器与解码器之间，更好地捕捉输入图像的全局依赖关系，从而提高ct图像分割的总体精确度。
本文档来自技高网...【技术保护点】
1.一种基于切片插补的三维CT肝脏肿瘤分割方法，其特征在于，包括：
2.根据权利要求1所述的基于切片插补的三维CT肝脏肿瘤分割方法，其特征在于，所述步骤S1具体包括：对原始三维CT数据进行预处理操作和抽取数据特征操作，所述预处理操作包括去除背景区域、调整窗宽窗位和数据标准化；
3.根据权利要求2所述的基于切片插补的三维CT肝脏肿瘤分割方法，其特征在于，所述CT切片插补模型的骨干网络由多尺度特征提取模块和自适应选择特征融合模块组成；所述多尺度特征提取模块为U-Net结构的深度学习模型，包含残差全局上下文注意力模块、下采样编码器与上采样解码器三个结构；所述自适应选择特征融合模块由重复的卷积层组成，针对提取出的多个特征，采用分组卷积，并针对分组卷积的输出进行归一化，获得每个分组特征的权重，最后将计算的权重与相应的特征相乘得到加权融合的特征。
4.根据权利要求3所述的基于切片插补的三维CT肝脏肿瘤分割方法，其特征在于，所述步骤S2中包括通过预处理后的三维CT数据对构建的CT切片插补模型进行训练，具体为：
5.根据权利要求2所述的基于切片插补
6.一种基于切片插补的三维CT肝脏肿瘤分割系统，其特征在于，包括：
7.根据权利要求6所述的基于切片插补的三维CT肝脏肿瘤分割系统，其特征在于，所述裁剪与归一化预处理模块具体包括：对原始三维CT数据进行预处理操作和抽取数据特征操作，所述预处理操作包括去除背景区域、调整窗宽窗位和数据标准化；
8.根据权利要求7所述的基于切片插补的三维CT肝脏肿瘤分割系统，其特征在于，所述CT切片插补模型的骨干网络由多尺度特征提取模块和自适应选择特征融合模块组成；所述多尺度特征提取模块为U-Net结构的深度学习模型，包含残差全局上下文注意力模块、下采样编码器与上采样解码器三个结构；所述自适应选择特征融合模块由重复的卷积层组成，针对提取出的多个特征，采用分组卷积，并针对分组卷积的输出进行归一化，获得每个分组特征的权重，最后将计算的权重与相应的特征相乘得到加权融合的特征。
9.根据权利要求8所述的基于切片插补的三维CT肝脏肿瘤分割系统，其特征在于，所述CT切片插补模块还包括通过预处理后的三维CT数据对构建的CT切片插补模型进行训练，具体为：
10.根据权利要求7所述的基于切片插补的三维CT肝脏肿瘤分割系统，其特征在于，所述重采样预处理模块中的重采样预处理包括：在切片方向上采用第一插值处理，在切片轴向方向采用第二插值处理；所述重采样的目标Spacing为裁剪与归一化预处理模块中所记录的中值Spacing；
...【技术特征摘要】
1.一种基于切片插补的三维ct肝脏肿瘤分割方法，其特征在于，包括：
2.根据权利要求1所述的基于切片插补的三维ct肝脏肿瘤分割方法，其特征在于，所述步骤s1具体包括：对原始三维ct数据进行预处理操作和抽取数据特征操作，所述预处理操作包括去除背景区域、调整窗宽窗位和数据标准化；
3.根据权利要求2所述的基于切片插补的三维ct肝脏肿瘤分割方法，其特征在于，所述ct切片插补模型的骨干网络由多尺度特征提取模块和自适应选择特征融合模块组成；所述多尺度特征提取模块为u-net结构的深度学习模型，包含残差全局上下文注意力模块、下采样编码器与上采样解码器三个结构；所述自适应选择特征融合模块由重复的卷积层组成，针对提取出的多个特征，采用分组卷积，并针对分组卷积的输出进行归一化，获得每个分组特征的权重，最后将计算的权重与相应的特征相乘得到加权融合的特征。
4.根据权利要求3所述的基于切片插补的三维ct肝脏肿瘤分割方法，其特征在于，所述步骤s2中包括通过预处理后的三维ct数据对构建的ct切片插补模型进行训练，具体为：
5.根据权利要求2所述的基于切片插补的三维ct肝脏肿瘤分割方法，其特征在于，所述步骤s3中的重采样预处理包括：在切片方向上采用第一插值处理，在切片轴向方向采用第二插值处理；所述重采样的目标spacing为步骤s1中所记录的中值spacing；
6.一种基于切片...
【专利技术属性】
技术研发人员：庄佳衍，杜冰燕，沈琳，易耕华，陈俊豪，欧阳雄，
申请(专利权)人：中国科学院宁波材料技术与工程研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。