医学影像智能分割方法及系统与流程

摘要: 本发明涉及医学影像处理,尤其涉及医学影像智能分割方法及系统。背景技术:1、医学影像智能分割是计算机辅助诊断与手术规划中的关键技术,广泛应用于肿瘤靶区勾画、器官形...
医学影像智能分割方法及系统与流程

本发明涉及医学影像处理,尤其涉及医学影像智能分割方法及系统。

背景技术:

1、医学影像智能分割是计算机辅助诊断与手术规划中的关键技术,广泛应用于肿瘤靶区勾画、器官形态分析及三维可视化等临床场景。现有常规做法多基于单模态影像(如仅使用ct或mri)进行逐像素分割,通过训练全卷积神经网络(如u-net、deeplab系列)直接输出二值或类别概率图。对于多模态影像,常用方法是将不同模态的影像在空间配准后直接拼接为多通道输入,或对单模态分割结果进行简单的后融合(如取平均或逻辑运算)。在分割边界处理上,普遍采用条件随机场(crf)或马尔可夫随机场(mrf)进行局部平滑修正,但此类方法依赖手工设计的能量函数参数。三维重建环节通常对二维分割掩码进行轮廓提取后,利用面绘制算法(如marching cubes)直接生成三角网格模型,或通过层间插值构建体数据进行体绘制。

2、多模态影像的简单拼接或后融合忽略了不同模态对特定组织区域的特征表达能力差异,例如t1与t2加权mri对病灶边缘的对比度优势不同,但现有方法无法自适应地分配各模态特征的贡献权重,导致分割精度在模态信息冲突区域(如水肿与正常组织交界处)显著下降。

3、此外,大多数分割模型仅输出单一概率图,缺乏对预测不确定性的量化评估,当影像中存在噪声、部分容积效应或运动伪影时,模型在高不确定区域(如模糊边界或低信噪比位置)的预测结果不可靠,而简单依赖固定阈值进行二值化会引入错误分割。这些不精确的二维分割掩码直接用于三维重建,往往导致网格模型出现表面不连续、拓扑错误(如孔洞或分支断裂)以及几何失真,无法满足临床对解剖结构高保真三维可视化的需求。

技术实现思路

1、本发明实施例提供医学影像智能分割方法及系统,能够解决现有技术中的问题。

2、本发明实施例的第一方面,提供医学影像智能分割方法,包括:

3、对获取的多模态医学影像进行跨模态空间配准与分辨率统一重采样,生成对齐影像序列,对对齐影像序列中的各层切片分别提取多模态深度特征,并通过通道注意力机制计算各模态特征通道的差异化贡献权重,生成加权多模态特征图;

4、对加权多模态特征图进行逐层语义分割,同时输出分割概率图及逐像素预测不确定度图,以预测不确定度图作为置信度先验,对分割概率图中不确定度超限的区域进行自适应阈值修正,得到稳健分割掩码;

5、对稳健分割掩码进行形状约束轮廓演化,以目标组织的统计形状模型为演化约束项驱动轮廓线收敛至组织边界,得到演化分割掩码,从演化分割掩码的各层切片中提取目标组织的精确轮廓线,按切片空间深度排序构建三维有序轮廓集;

6、基于三维有序轮廓集,通过轮廓间对应点最优传输匹配构建连续向量场,并对连续向量场进行径向基函数重建,生成三维三角网格模型;

7、对三维三角网格模型进行曲率自适应的网格细分与法向一致性调整,生成目标组织优化三维重建模型。

8、对对齐影像序列中的各层切片分别提取多模态深度特征,并通过通道注意力机制计算各模态特征通道的差异化贡献权重,生成加权多模态特征图,包括:

9、以互信息最大化作为多模态影像间的相似性度量,通过多分辨率金字塔策略迭代优化刚性变换参数,将多模态影像映射至同一空间坐标系;

10、对配准后的各模态影像进行等间距各向同性重采样,使各模态序列具有一致的空间分辨率与体素尺寸;

11、将重采样切片沿模态维度堆叠后输入共享特征提取网络,经多层级卷积操作获得各模态对应的多尺度深度特征;

12、将各模态最高层语义特征沿通道方向拼接,经全局平均池化生成通道维度描述向量;

13、通过全连接变换与非线性激活门控对通道描述向量进行变换,生成各模态特征通道的差异化贡献权重;

14、将差异化贡献权重逐通道乘回拼接后的融合特征图,得到多模态信息自适应均衡的加权多模态特征图。

15、对加权多模态特征图进行逐层语义分割,同时输出分割概率图及逐像素预测不确定度图;以预测不确定度图作为置信度先验,对分割概率图中不确定度超限的区域进行自适应阈值修正,得到稳健分割掩码,包括:

16、将加权多模态特征图输入证据理论深度分割头,以狄利克雷分布参数化逐像素的类别预测输出,通过分布集中度参数计算各类别附属概率并基于分布方差量化逐像素主观预测不确定度,同时生成各像素类别的分割概率图与逐像素预测不确定度图;

17、遍历分割概率图中各像素位置,将逐像素预测不确定度图中不确定度值超过预设置信判定阈值的像素标记为不确定区域,对该区域内的各标记像素以逐像素预测不确定度值作为抑制权重与分割概率图中次高类别概率加权组合作为该像素的分割判决依据,生成初步修正分割掩码;

18、对初步修正分割掩码中不确定区域边界像素所处的连通域施加形态学膨胀操作,以膨胀区域所覆盖的各高置信度像素的类别标签进行多数投票填充,生成边界连续的稳健分割掩码。

19、以预测不确定度图作为置信度先验,对分割概率图中不确定度超限的区域进行自适应阈值修正,得到稳健分割掩码,还包括:

20、将当前切片与上下紧邻切片中各像素的预测不确定度沿切片深度方向堆叠,构建以当前切片为中心、覆盖相邻三层切片的不确定度空间传播张量;

21、对三层不确定度空间传播张量沿深度方向施加高斯权重核进行加权平均滤波,以滤波后的一致化不确定度值替代当前切片的原始预测不确定度值,生成经切片间空间平滑约束的一致性不确定度图;

22、以一致性不确定度图替代原始预测不确定度图作为置信度先验,对分割概率图重新执行所述自适应阈值修正操作,消除因单层局部噪声响应或局部容积效应导致的层间焦平面跳动伪影;

23、对经层间约束修正后的分割掩码执行连通域保持的形态学细化操作,切除连通面积小于预设连通阈值的孤立噪斑碎片,切除后保留的剩余连通域输出为最终稳健分割掩码。

24、对稳健分割掩码进行形状约束轮廓演化,以目标组织的统计形状模型为演化约束项驱动轮廓线收敛至组织边界,得到演化分割掩码;从演化分割掩码的各层切片中提取目标组织的精确轮廓线,按切片空间深度排序构建三维有序轮廓集,包括:

25、以目标组织标注训练样本的各二值掩码构建形状训练集,通过对齐归一化后执行主成分分析提取前序主成分系数,将主成分系数向量作为形状先验参数空间;

26、构建融合图像梯度驱动项、轮廓平滑正则项与形状先验约束项的加权复合能量泛函,其中形状先验约束项以当前轮廓在形状先验参数空间中的主成分投影残差构建约束能量,以稳健分割掩码边界为零水平集初始位置,迭代极小化复合能量泛函驱动轮廓向组织边界收敛;

27、演化中以当前轮廓在形状先验参数空间中的主成分投影残差作为形状约束力更新演化步长,当能量降幅持续低于预设收敛容限时终止迭代;

28、提取演化收敛后的零水平集曲线作为各层精确组织轮廓线,按各层切片的空间深度坐标升序排列构建三维有序轮廓集。

29、从演化分割掩码的各层切片中提取目标组织的精确轮廓线,按切片空间深度排序构建三维有序轮廓集,还包括:

30、对相邻层精确轮廓线沿各自轮廓弧长方向进行均匀采样离散化,将连续轮廓转化为等间距有序离散点集序列;

31、在相邻层离散点集之间建立基于欧氏距离与局部曲率差异的联合匹配约束,以最小化匹配点对间的曲率差异作为优化目标,通过动态规划求解相邻层轮廓间的最优对应点匹配关系;

32、以轮廓弧长归一化参数为对齐基准,将最优对应点匹配关系中匹配点对的坐标偏差沿切片深度方向执行三次样条插值,生成连续平滑的轮廓变形过渡路径;

33、当相邻切片间轮廓所围面积差超过预设面积变化率阈值时,在该相邻层的切片深度中点处依据轮廓变形过渡路径对轮廓进行多层插值补全,生成均匀分布的插值轮廓线序列;

34、将原始提取轮廓线集合与插值补全的轮廓线序列合并,按实际切片深度坐标与插值切片深度坐标统一升序排列,构建层间轮廓分布稠密的三维有序轮廓集。

35、基于三维有序轮廓集,通过轮廓间对应点最优传输匹配构建连续向量场,并对连续向量场进行径向基函数重建,生成三维三角网格模型;对三维三角网格模型进行曲率自适应的网格细分与法向一致性调整,生成目标组织的优化三维重建模型,包括:

36、在相邻层轮廓离散点集之间建立基于欧氏距离的传输代价矩阵,以熵正则化sinkhorn迭代算法求解相邻层点集间的最优传输匹配方案,得到对应点映射关系;

37、根据最优传输匹配方案中匹配点对的坐标差计算对应点的位移向量,以径向基函数对全部层间匹配点对的位移向量进行全空间插值,构建连续向量场;

38、在连续向量场中对各层轮廓离散点进行逐点位移映射,将轮廓点变换至三维密集点集,对三维密集点集执行泊松表面重建生成三维三角网格模型;

39、计算三维三角网格模型中三角面片的高斯曲率与平均曲率,对曲率超限区域执行面片自适应细分、对平坦区域执行边折叠简化,并通过顶点法向一致性加权迭代调整统一面片朝向,生成目标组织的优化三维重建模型。

40、本发明实施例的第二方面,提供一种医学影像智能分割系统,包括:

41、对齐特征单元,用于对获取的多模态医学影像进行跨模态空间配准与分辨率统一重采样,生成对齐影像序列,对对齐影像序列中的各层切片分别提取多模态深度特征,并通过通道注意力机制计算各模态特征通道的差异化贡献权重,生成加权多模态特征图;

42、稳健分割单元,用于对加权多模态特征图进行逐层语义分割,同时输出分割概率图及逐像素预测不确定度图,以预测不确定度图作为置信度先验,对分割概率图中不确定度超限的区域进行自适应阈值修正,得到稳健分割掩码;

43、轮廓演化单元,用于对稳健分割掩码进行形状约束轮廓演化,以目标组织的统计形状模型为演化约束项驱动轮廓线收敛至组织边界,得到演化分割掩码,从演化分割掩码的各层切片中提取目标组织的精确轮廓线,按切片空间深度排序构建三维有序轮廓集;

44、网格重建单元,用于基于三维有序轮廓集,通过轮廓间对应点最优传输匹配构建连续向量场,并对连续向量场进行径向基函数重建,生成三维三角网格模型;

45、网格优化单元,用于对三维三角网格模型进行曲率自适应的网格细分与法向一致性调整,生成目标组织优化三维重建模型。

46、本发明实施例的第三方面,提供一种电子设备,包括:

47、处理器;

48、用于存储处理器可执行指令的存储器;

49、其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。

50、本发明实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。

51、多模态医学影像经跨模态空间配准与分辨率统一重采样后形成对齐影像序列,消除了不同模态间的空间和分辨率差异,为后续融合奠定基础。通道注意力机制能够自适应计算各模态特征通道的差异化贡献权重,强化关键模态特征同时抑制冗余噪声,生成的加权多模态特征图有效融合了多模态互补信息,显著提升特征表达的语义丰富度和区分性。

52、基于加权多模态特征图进行逐层语义分割,同时输出分割概率图和逐像素不确定度图。利用不确定度作为置信度先验,对分割概率图中高不确定度区域进行自适应阈值修正,有效降低了模糊边界和低信噪比区域的分割错误。形状约束轮廓演化以目标组织统计形状模型驱动轮廓线收敛至真实边界,约束了分割结果的几何合理性,避免出现非解剖学形态,进一步提升了分割的准确性和鲁棒性。

53、从演化分割掩码提取各层精确轮廓线,构建三维有序轮廓集。通过轮廓间对应点最优传输匹配构建连续向量场并进行径向基函数重建,能够生成平滑且拓扑正确的三维三角网格模型。曲率自适应的网格细分根据局部几何复杂度调整网格密度,在平坦区域减少冗余面片而在高曲率区域增加精细度,结合法向一致性调整,最终得到光滑、精确且结构保真的目标组织优化三维重建模型。