一种基于深度学习的HRCT图像听小骨自动分割方法

技术领域

本发明涉及医学影像处理技术领域，具体涉及一种基于深度学习的HRCT图像听小骨自动分割方法。

背景技术

头部CT检查一种常规头部疾病的筛查方法，其中听骨的检查在CT图像上尤为重要；目前需要借助医生的诊断经验定位和挖掘听骨在图像中的位置；由于听小骨具有体征小的特征，检查过程费时费力，在当前全民医疗的背景下给医生带来了巨大的压力与挑战；

听力障碍是常见的疾病，听骨链疾病是常见病因之一，听小骨结构的形态、位置、密度的改变都可能导致不同程度的听力障碍，给患者带来不便。听骨链位置深在，外面有鼓膜覆盖，临床医生很难通过物理手段观察，HRCT可以达到亚毫米的分辨率，是明确其病变部位、程度的重要工具之一，在评估听骨链发育畸形、外伤，颞骨肿瘤等疾病有及其重要的作用；

常规横轴位CT图像听骨链各部分不在同一平面，而听骨链结构微小，不能显示听骨链的完整结构，因而很难作出准确诊断，常需要进行CPR、MPR等后处理重建显示全貌，这个过程极度依赖放射医师经验，也非常耗时，大部分综合医院缺少耳鼻喉科放射医师，造成工作效率低下，甚至造成很多患者漏诊或者误诊。

发明内容

针对上述存在的问题，本发明旨在提供一种基于深度学习的HRCT图像听小骨自动分割方法，本方法通过应用深度学习技术可以对患者个体HRCT图像数据完成全自动听小骨分割，实现对听小骨的后处理重建，全过程无需人为操作，结果可靠，辅助疾病诊断，改变了放射科诊疗流程，提高了工作效率，可以减少误诊及漏诊，具有工作效率高、可以有效减少误诊及漏诊的特点。

为了实现上述目的，本发明所采用的技术方案如下：

一种基于深度学习的HRCT图像听小骨自动分割方法，包括步骤：

S1.首先筛选n例正常人听骨链HRCT图像数据，在图像上进行区域标注，作为模型训练的标准；

S2.获得病人在检测过程中的HRCT图像，对图像进行预处理，得到测试数据；

S3.将预处理后的左右位置听骨HRCT图像输入改进的U-net模型；

S4.利用U-net模型对听骨HRCT图像进行切片分割，并对切片分割后的图像数据进行测试和重新建模，完成对测试HRCT图像的重建。

优选的，步骤S1所述的标注过程包括：

S101.整理提取到的正常人听骨链HRCT图像数据，并编号形成n例听骨链HRCT图像数据序列；

S102.对序列中的n例正常人听骨链HRCT图像上的区域以坐标的形式进行标注，得到每张听骨链HRCT图像上区域的坐标为：

(x,y)，……，(x

其中，所述n不小于150。

优选的，步骤S2所述的预处理过程包括：

S201.利用阈值法分离出HRCT图像中的头部颅骨；

S202.保留分割的颅骨中最大的联通区域；

S203.根据分割出的颅骨边缘，由周边向内逐步进行图像裁剪；

S204.粗定位左右听骨的大致位置进行图像剪裁，得到预处理后的听骨链HRCT图像。

优选的，步骤S3所述的改进的U-net模型内嵌设有深度学习算法。

优选的，步骤S4所述的图像切割的具体过程包括：

S401.在得到清晰的HRCT图像的基础上，利用黄金分割算法计算二维CT图像上的等值点和法向量；

S402.然后利用等值面方向平滑算法计算出二维CT图像中每个三角面片法向矢量的均值，从而得到等值面的新矢量场，对所有三角面片在空间排列上进行方向平滑；

S403.绘制出二维HRCT图像中每个三角面片的三维显示结果，得到重建后的HRCT图像的三维模型。

本发明的有益效果是：本发明公开了一种基于深度学习的HRCT图像听小骨自动分割方法，与现有技术相比，本发明的改进之处在于：

针对现有技术中存在的问题，本发明设计了一种基于深度学习的HRCT图像听小骨自动分割方法，本方法通过应用深度学习技术可以对患者个体HRCT图像数据完成全自动听小骨分割，实现对听小骨的后处理重建，全过程无需人为操作，结果可靠，辅助疾病诊断，改变了放射科诊疗流程，提高了工作效率，可以减少误诊及漏诊，具有工作效率高、可以有效减少误诊及漏诊的优点。

附图说明

图1为本发明基于深度学习的HRCT图像听小骨自动分割方法的分割流程图。

图2为本发明病人头部颅骨HRCT图像。

图3为本发明病人左右听骨区域的HRCT图像。

具体实施方式

为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。

参照附图1-3所示的一种基于深度学习的HRCT图像听小骨自动分割方法，包括步骤：

S1.首先筛选n例正常人听骨链HRCT图像数据，在图像上进行区域标注，作为模型训练的标准，其具体过程为：

S101.整理提取到的正常人听骨链HRCT图像数据，并编号形成n例听骨链HRCT图像数据序列；

S102.经具有10年经验的主治医生手动对序列中的n例正常人听骨链HRCT图像上的区域以坐标的形式进行标注，得到每张听骨链HRCT图像上区域的坐标为：

(x,y)，……，(x

其中，所述n不小于150；

S2.获得病人在检测过程中的HRCT图像，对图像进行预处理，得到测试数据，所述预处理包括以下过程：

S201.利用阈值法分离出HRCT图像中的头部颅骨，如图2所示；

S202.保留分割的颅骨中最大的联通区域；

S203.根据分割出的颅骨边缘，由周边向内逐步进行图像裁剪；

S204.粗定位左右听骨的大致位置进行图像剪裁，得到预处理后的听骨链HRCT图像，如图3所示；

S3.将预处理后的左右位置听骨HRCT图像输入改进的U-net模型；

其中，所述改进的U-net模型内嵌设有深度学习算法，在分割时，利用深度学习算法对听骨HRCT图像进行切片分割；

S4.利用U-net模型对听骨HRCT图像进行切片分割，并对切片分割后的图像数据进行测试和重新建模，完成对测试HRCT图像的重建，所述图像切割重建的过程包括：

S401.在得到清晰的HRCT图像的基础上，利用黄金分割算法计算二维CT图像上的等值点和法向量；

S402.然后利用等值面方向平滑算法计算出二维CT图像中每个三角面片法向矢量的均值，从而得到等值面的新矢量场，对所有三角面片在空间排列上进行方向平滑；

S403.绘制出二维HRCT图像中每个三角面片的三维显示结果，得到重建后的HRCT图像的三维模型。

步骤S401所述的利用黄金分割算法计算二维CT图像上的等值点和法向量的具体过程为：

(1)利用体素棱边的黄金分割点确定交点的坐标

如果交点在棱边的x轴上，交点的坐标设为:

如果交点在棱边的y轴上，交点的坐标设为:

如果交点在棱边的z轴上，交点的坐标设为:

(2)利用体素棱边的黄金分割点确定交点的法向量

如果交点在棱边的x轴上，交点的法向量为：

如果交点在棱边的y轴上，交点的法向量为：

如果交点在棱边的z轴上，交点的法向量为：

其中:N(i，j，k)表示坐标(i，j，k)的向量值，N表示所求的法向量。

本发明所述的基于深度学习的HRCT图像听小骨自动分割方法，在使用时通过应用深度学习技术可以对患者个体HRCT图像数据完成全自动听小骨分割，实现对听小骨的后处理重建，全过程无需人为操作，结果可靠，辅助疾病诊断，改变了放射科诊疗流程，提高了工作效率，可以减少误诊及漏诊，具有工作效率高、可以有效减少误诊及漏诊的优点。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。