一种骨CT图像分割方法、装置、计算机设备及存储介质

本发明涉及图像处理，特别涉及一种骨ct图像分割方法、装置、计算机设备及存储介质。

背景技术：

1、骨科疾病是指影响人体骨骼系统的一系列疾病，包括骨折、骨质疏松症、关节炎、骨肿瘤等，并且人体骨骼系统出现骨科疾病的可能性会随着年龄的增长越来越高，而对于骨科疾病的诊断和治疗而言，医学影像学起着至关重要的作用。计算机断层扫描(ct)成像技术是骨科疾病诊断中常用的一种重要工具，临床上，ct成像技术被广泛应用于多种骨科疾病的治疗场景，比如骨折诊断、评估和骨肿瘤诊断等等，这种成像方式可以提供高分辨率、立体化的骨骼和组织结构图像，能够帮助医生准确定位病变部位、评估病变的程度和严重性，从而为患者提供更准确的诊断和治疗方案，现如今所有的骨科疾病诊断及治疗计划的应用都严重依赖于ct图像中骨骼的成功定位。在ct成像技术中，对骨ct图像进行骨分割是一项重要的处理步骤，然而传统的骨分割工作采用手动或半自动形式进行，这种工作形式的效率低下且极其乏味，在临床中并不实用，因此在骨ct图像中进行高质量且快速的自动骨骼分割，对于骨科疾病的分析及治疗计划的制定至关重要。

2、近年来，由于深度学习技术快速发展，基于深度学习的医学图像分割方法开始流行，基于深度学习的分割方法可以使网络学习到图像深层次的特征，不再单纯依赖于骨骼在图像中的强度，这种方法取得了良好的效果，在速度和精确度上都一定程度地超过了传统的分割方法。但现有的基于深度学习的分割方法仍普遍存在一些缺陷，例如，一方法使用图割的分割方法，给定起始点后，利用空间增强滤波器强化骨骼图像边界，再进行传统图割分割法，以提高分割精度，该方法的缺陷是：对图像质量要求高且图像处理速度慢；另一方法使用级联方法将图像分割网络进行多尺度的级联，根据图像进行计算确认级联方法以及深度，使用相应的分割训练方法，将二维和三维分割方法结合，以切片和整体的形式对三维图像进行分割，该方法的缺陷是：网络庞大结构复杂且整体可解释性较差，训练时间长且占用资源多。还有一方法将距离加权融入图像分割网络的训练中，先从整体图像中分离目标骨骼，然后用体素计算方法获得边缘权重图像，用其加深模型对边缘的关注，以达到对骨折边缘进行精细分割的效果，该方法的缺陷是：分割前需要先计算边缘权重，对掩码准确性要求高，并且训练得到的模型泛化性较差，只能针对某一部位的骨骼有较高分割精度。

3、因此，如何提供一种能够保证分割精度、训练难度更低且泛化性更高的骨ct图像分割方法，是本领域技术人员待解决的问题。

技术实现思路

1、本发明实施例提供了一种骨ct图像分割方法、装置、计算机设备及存储介质，旨在保证分割质量的同时，降低骨ct图像分割的训练难度并提高骨ct图像分割的泛化性，从而提高模型分割预测的准确性和稳定性。

2、第一方面，本发明实施例提供了一种骨ct图像分割方法，包括：

3、获取骨ct训练图像及其真实掩码；

4、将所述骨ct训练图像的真实掩码输入至编码器进行特征提取，得到第一特征图，并通过解码器对所述第一特征图解码得到对应的生成掩码，然后利用判别器分别对所述真实掩码和生成掩码进行判别；

5、基于判别器的判别结果构建第一损失函数，并通过所述第一损失函数对所述编码器、解码器和判别器进行参数更新，以构建得到预训练模型；

6、将所述骨ct训练图像输入至所述预训练模型，并通过所述预训练模型中的编码器对所述骨ct训练图像提取得到第二特征图，然后通过所述预训练模型中的解码器对所述第二特征图生成训练图像分割结果，以此构建初始分割模型；

7、计算所述第一特征图和第二特征图的互信息，并基于所述互信息构建第二损失函数，通过所述第二损失函数对所述初始分割模型进行参数更新，以构建得到骨ct图像分割模型；

8、通过所述骨ct图像分割模型对指定的骨ct图像进行图像分割处理。

9、第二方面，本发明实施例提供了一种骨ct图像分割装置，包括：

10、图像获取单元，用于获取骨ct训练图像及其真实掩码；

11、掩码处理单元，用于将所述骨ct训练图像的真实掩码输入至编码器进行特征提取，得到第一特征图，并通过解码器对所述第一特征图解码得到对应的生成掩码，然后利用判别器分别对所述真实掩码和生成掩码进行判别；

12、第一参数更新单元，用于基于判别器的判别结果构建第一损失函数，并通过所述第一损失函数对所述编码器、解码器和判别器进行参数更新，以构建得到预训练模型；

13、分割训练单元，用于将所述骨ct训练图像输入至所述预训练模型，并通过所述预训练模型中的编码器对所述骨ct训练图像提取得到第二特征图，然后通过所述预训练模型中的解码器对所述第二特征图生成训练图像分割结果，以此构建初始分割模型；

14、第二参数更新单元，用于计算所述第一特征图和第二特征图的互信息，并基于所述互信息构建第二损失函数，通过所述第二损失函数对所述初始分割模型进行参数更新，以构建得到骨ct图像分割模型；

15、指定图像分割单元，用于通过所述骨ct图像分割模型对指定的骨ct图像进行图像分割处理。

16、第三方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的骨ct图像分割方法。

17、第四方面，本发明实施例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实现如第一方面所述的骨ct图像分割方法。

18、本发明实施例公开了一种骨ct图像分割方法、装置、计算机设备及存储介质，该方法通过在预训练阶段利用骨ct训练图像的真实掩码作为输入进行训练，得到第一特征图，并得到了具有目标形状特征提取能力的预训练模型，然后在分割训练阶段直接将骨ct训练图像作为输入训练，得到第二特征图，接着通过计算第一特征图和第二特征图之间的互信息，并基于互信息构建损失函数更新模型参数，得到骨ct图像分割模型，如此能够使骨ct图像分割模型提取的特征和预训练模型提取的特征相远离，使得骨ct图像分割模型减少了对目标形状特征的关注，并学习到更多的高维特征，这样就能够在保证分割精度、降低模型训练难度的同时，提高骨ct图像分割模型的泛化性，从而提高了模型分割预测的准确性和稳定性。

技术特征：

1.一种骨ct图像分割方法，其特征在于，包括：

2.根据权利要求1所述的骨ct图像分割方法，其特征在于，所述获取骨ct训练图像及其真实掩码，包括：

3.根据权利要求1所述的骨ct图像分割方法，其特征在于，所述将所述骨ct训练图像的真实掩码输入至编码器进行特征提取，得到第一特征图，并通过解码器对所述第一特征图解码得到对应的生成掩码，然后利用判别器分别对所述真实掩码和生成掩码进行判别，包括：

4.根据权利要求3所述的骨ct图像分割方法，其特征在于，所述基于判别器的判别结果构建第一损失函数，包括：

5.根据权利要求1所述的骨ct图像分割方法，其特征在于，所述计算所述第一特征图和第二特征图的互信息，并基于所述互信息构建第二损失函数，包括：

6.根据权利要求3所述的骨ct图像分割方法，其特征在于，所述将所述第一特征图和所述初始隐空间编码跳跃连接后输入至所述解码器进行解码投影，以得到所述骨ct训练图像的生成掩码，包括：

7.根据权利要求3所述的骨ct图像分割方法，其特征在于，所述通过所述编码器对所述真实掩码进行下采样处理，以提取得到所述第一特征图包括：

8.一种骨ct图像分割装置，其特征在于，包括：

9.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的骨ct图像分割方法。

10.一种计算机可读存储介质，其特征在于，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实现如权利要求1至7任一项所述的骨ct图像分割方法。

技术总结本发明公开了一种骨CT图像分割方法、装置、计算机设备及存储介质，该方法包括：获取训练图像及其真实掩码；将真实掩码提取第一特征图，对第一特征图解码得到生成掩码，对真实掩码和生成掩码进行判别；基于判别结果构建第一损失函数，通过第一损失函数进行参数更新得到预训练模型；将训练图像输入预训练模型提取第二特征图，对第二特征图生成训练图像分割结果，构建初始分割模型；计算第一特征图和第二特征图的互信息构建第二损失函数对初始分割模型进行参数更新，得到骨CT图像分割模型进行图像分割。本发明通过预训练学习图像特征，并在图像分割训练中利用互信息构建损失函数更新模型，使模型特征相远离，提高了模型分割预测的准确性和稳定性。技术研发人员：王毅,邹夏昊受保护的技术使用者：深圳大学技术研发日：技术公布日：2024/10/10