面向三维医学图像的目标检测方法和相关装置

本技术涉及医学图像检测，尤其涉及一种面向三维医学图像的目标检测方法和相关装置。

背景技术：

1、医学图像目标检测是医学影像智能分析中的重要任务，其目的在于从ct图像、mri图像等医学图像中自动识别腹部器官及肿瘤的位置和类别。与医学图像分割任务相比，目标检测通常不需要对每一个像素或体素进行精细标注，而是通过边界框标注目标所在区域，因此在部分不要求精确轮廓的临床场景中，目标检测能够以较低的标注成本提供有效的空间定位结果。该结果可辅助医生快速获取目标区域的空间位置信息，为临床提供直观的病灶定位参考，有助于提升早期肿瘤检出率、优化术前规划与术中导航，并支持影像引导下的精准诊断及治疗决策。

2、现有的medyolo等三维医学图像目标检测框架通过将二维目标检测网络中的卷积结构、特征融合结构和检测头扩展至三维空间，使目标检测网络能够直接处理三维体数据，并输出目标类别、目标置信度和三维边界框。但是，现有三维医学图像目标检测网络通常主要依据图像特征与检测结果之间的相关性进行学习，容易受到噪声、伪影、扫描差异和复杂解剖背景的影响；同时，常规多尺度特征融合对不同尺度特征之间的信息交互利用不足，可能造成小目标或边界模糊目标的特征信息损失。

技术实现思路

1、本技术实施例提供了一种面向三维医学图像的目标检测方法和相关装置，能够在保留三维空间上下文信息的基础上，提高对小目标、边界不清目标和关键解剖区域的检测能力。

2、第一方面，本技术的实施例提供了一种面向三维医学图像的目标检测方法，所述方法包括以下步骤：

3、对三维医学图像进行预处理，得到三维处理信息；

4、对所述三维处理信息进行特征提取，得到多尺度特征信息；

5、对所述多尺度特征信息进行空间尺度统一和序列融合处理，得到融合特征信息；

6、计算所述融合特征信息与预设的可学习混杂变量的相似度，根据所述相似度对所述融合特征信息进行筛除处理，得到增强特征信息；

7、根据所述增强特征信息，输出目标检测结果。

8、在一些实施例中，所述对三维医学图像进行预处理，得到三维处理信息，包括：

9、对所述三维医学图像进行格式转换，得到三维格式信息；

10、对所述三维格式信息进行体素间距重采样，得到体素信息；

11、对所述体素信息进行归一化处理，得到归一化信息；

12、对所述归一化信息进行尺寸调整，得到所述三维处理信息。

13、在一些实施例中，所述对所述三维处理信息进行特征提取，得到多尺度特征信息，还包括：

14、构建基于卷积神经网络的特征提取模块，所述特征提取模块包括多个三维卷积层；

15、把所述三维处理信息输入到不同的所述三维卷积层，以同时在长、宽、高三个方向上对所述三维处理信息进行特征计算，得到所述多尺度特征信息，其中，所述多尺度特征信息用于表征医学目标的体积形态、层间连续性和邻近解剖结构关系。

16、在一些实施例中，所述对所述多尺度特征信息进行空间尺度统一和序列融合处理，得到融合特征信息，包括：

17、对所述多尺度特征信息进行平滑处理和通道对齐，得到平滑特征信息；

18、对所述平滑特征信息进行统一分辨率处理，并按照特征尺度顺序进行排列或拼接，得到有序特征信息；

19、对所述有序特征信息进行卷积处理，完成跨尺度语义融合，得到所述融合特征信息。

20、在一些实施例中，所述计算所述融合特征信息与预设的可学习混杂变量的相似度，根据所述相似度对所述融合特征信息进行筛除处理，包括：

21、初始化所述可学习混杂变量，所述可学习混杂变量用于表征所述三维医学图像中存在的噪声、伪影、复杂背景和扫描差异的至少一种潜在混杂因素，且所述可学习混杂变量在模型训练阶段与所述卷积神经网络的参数同步更新；

22、计算所述融合特征信息与所述可学习混杂变量的余弦相似度，得到所述相似度；

23、当所述相似度满足预设条件时，削弱或剥离所述融合特征信息中与所述可学习混杂变量相关的特征分量，得到去混杂特征信息。

24、在一些实施例中，所述得到去混杂特征信息之后，所述面向三维医学图像的目标检测方法还包括：

25、对所述去混杂特征信息进行重加权和缩放操作，得到重加权特征信息；

26、对所述融合特征信息和所述重加权特征信息进行残差连接操作，得到所述增强特征信息。

27、在一些实施例中，所述根据所述增强特征信息，输出目标检测结果，包括：

28、对所述增强特征信息进行目标类别预测、目标置信度预测和三维边界框回归处理，获取检测目标和对应的目标区域；

29、根据所述检测目标和所述目标区域，确定所述目标检测结果。

30、第二方面，本技术的实施例提供了一种面向三维医学图像的目标检测装置，其用于实现第一方面的面向三维医学图像的目标检测方法，包括：

31、预处理模块，用于对三维医学图像进行预处理，得到三维处理信息；

32、提取模块，用于对所述三维处理信息进行特征提取，得到多尺度特征信息；

33、多尺度序列融合模块，用于对所述多尺度特征信息进行空间尺度统一和序列融合处理，得到融合特征信息；

34、因果干预模块，用于计算所述融合特征信息与预设的可学习混杂变量的相似度，根据所述相似度对所述融合特征信息进行筛除处理，得到增强特征信息；

35、检测模块，用于根据所述增强特征信息，输出目标检测结果。

36、第三方面，本技术的实施例提供了一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在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，实现第一方面的面向三维医学图像的目标检测方法。

37、第四方面，本技术的实施例提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面的面向三维医学图像的目标检测方法。

38、本技术实施例的面向三维医学图像的目标检测方法、装置及其存储介质，至少具有以下有益效果：通过对三维医学图像进行预处理，得到三维处理信息；对三维处理信息进行特征提取，得到多尺度特征信息；对多尺度特征信息进行空间尺度统一和序列融合处理，得到融合特征信息；计算融合特征信息与预设的可学习混杂变量的相似度，根据相似度对融合特征信息进行筛除处理，得到增强特征信息；根据增强特征信息，输出目标检测结果。通过对多尺度特征信息进行空间尺度统一和序列融合，能够加强浅层定位信息与深层语义信息之间的交互；通过可学习混杂变量对融合特征信息中的混杂相关分量进行识别和抑制，能够降低噪声、伪影、扫描差异和复杂解剖背景对检测结果的影响，从而提高对小目标、边界不清目标和复杂解剖区域的检测能力。

39、本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在说明书以及附图中所特别指出的结构来实现和获得。