一种基于头颈部CT图像的口腔区域分割方法及系统

本发明涉及医学图像处理，具体涉及一种基于头颈部ct图像的口腔区域分割方法及系统。

背景技术：

1、头颈部放射治疗是一种常见的癌症治疗方法，其中ct(computed tomography)图像在诊断和治疗过程中扮演着关键角色。ct图像提供了关于患者解剖结构的详细信息，因此在放射治疗计划制定、剂量分配和治疗效果评估中起着至关重要的作用。传统的ct图像分割方法主要基于阈值分割、区域生长、边缘检测等基本图像处理技术。

2、传统的ct图像分割方法存在的问题包括：

3、(1).分割精度不高：传统的基于阈值和区域生长等方法对于头颈部放射治疗ct图像中的口腔区域分割精度较低，导致放射治疗计划的准确性和治疗效果的评估受到限制。

4、(2).对噪声和伪影结构敏感：传统方法对于图像中的噪声和复杂结构较为敏感，容易受到外部干扰影响，导致分割结果不稳定，从而影响了放射治疗计划的制定和执行。此外，目前大多数技术集中于处理无伪影的图像以及在此基础上进行口腔区域的勾画，但对于伪影干扰的考虑相对较少。口腔伪影是头颈部放射治疗ct图像中常见的问题之一，它可能来源于多种因素，如金属假体、口腔内植入物、咀嚼肌运动等。这些伪影不仅可能扭曲口腔区域的形态，还会影响到口腔分割的准确性，导致放射治疗计划的不准确和治疗效果的评估受限。

5、(3).缺乏多尺度信息：传统方法缺乏对图像中多尺度信息的有效利用，无法充分捕获口腔区域内部的细节和结构信息，导致分割结果缺乏完整性和准确性，从而影响了放射治疗计划的准确性和治疗效果的评估。

技术实现思路

1、针对现有技术中的缺陷，本发明提供的一种基于头颈部ct图像的口腔区域分割方法及系统，有效解决了现有技术中口腔分割精度低的技术问题。

2、第一方面，本发明提供的一种基于头颈部ct图像的口腔区域分割方法，包括：包括：

3、获取原始头颈部放射治疗ct图像；

4、对所述ct图像进行预处理得到预处理后的图像；

5、构建多尺度卷积注意块u-net模型，对多尺度卷积注意块u-net模型进行训练和调参，得到训练好的最优多尺度卷积注意块u-net模型；

6、使用训练好的最优多尺度卷积注意块u-net模型在验证集上进行模型性能验证，得到口腔分割模型；

7、将所述预处理后的图像输入口腔分割模型，得到口腔区域分割结果。

8、第二方面，本发明实施例提供的一种基于头颈部ct图像的口腔区域分割系统，包括：图像获取模块、预处理模块、模型构建模块、模型验证模块和图像分割模块；

9、所述图像获取模块用于获取原始头颈部放射治疗ct图像；

10、所述预处理模块用于对ct图像进行预处理得到预处理后的图像；

11、所述模型构建模块用于构建多尺度卷积注意块u-net模型，对多尺度卷积注意块u-net模型进行训练和调参，得到训练好的最优多尺度卷积注意块u-net模型；

12、所述模型验证模块用于使用训练好的最优多尺度卷积注意块u-net模型在验证集上进行模型性能验证，得到口腔分割模型；

13、所述图像分割模块将预处理后的图像输入口腔分割模型，得到口腔区域分割结果。

14、本发明的有益效果：

15、本发明实施例提供的一种基于头颈部ct图像的口腔区域分割方法及系统，构建的多尺度卷积注意块u-net模型，结合u-net结构和多尺度卷积注意机制，能对包含伪影的口腔和不包含伪影的口腔进行分割，有效解决了传统u-net模型中存在的梯度消失和爆炸问题，提高了模型的收敛速度和训练稳定性。同时，采用了多尺度卷积层和空洞卷积，丰富了图像特征信息，提高了分割精度和准确性，大大提高了模型的抗伪影性能和分割性能，为头颈部放射治疗的精准化治疗提供了可靠的技术支持。

1.一种基于头颈部ct图像的口腔区域分割方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，对所述ct图像进行预处理包括：hu值转换、窗宽和窗位调整、自适应直方图均衡化和图像归一化处理。

3.如权利要求1所述的方法，其特征在于，所述多尺度卷积注意块u-net模型包括第一特征提取子模型、第二特征提取子模型和第三特征提取子模型，所述第一特征提取子模型和第二特征提取子模型用于提取口腔的基本特征分别得到第一特征图和第二特征图，所述第三特征提取子模型用于提取口腔细节特征得到第三特征图，将第一特征图、第二特征图和第三特征图相加合并得到整个口腔结构的相关特征。

4.如权利要求3所述的方法，其特征在于，所述第一特征提取子模型包括2层卷积层提取口腔基本特征，卷积层的卷积核为3×3，每层卷积层之后都依次跟有一层归一化层和一层relu激活层，在每层卷积层之后增加一个注意力分支模块，注意力分支模块获取每一步口腔结构的相关的关键特征，在两次注意力机制后采用一个残差连接的方式将原始的输入和经过注意力机制后得到的关键特征进行相加得到第一特征图。

5.如权利要求4所述的方法，其特征在于，所述第二特征提取子模型包括2层卷积层提取口腔基本特征，卷积层的卷积核为5×5，每层卷积层之后都依次跟有一层归一化层和一层relu激活层，在每层卷积层之后增加一个注意力分支模块，注意力分支模块获取每一步口腔结构的相关的关键特征，在两次注意力机制后采用一个残差连接的方式将原始的输入和经过注意力机制后得到的关键特征进行相加得到第二特征图。

6.如权利要求5所述的方法，其特征在于，所述第三特征提取子模型包括2层空洞卷积层提取口腔细节特征，卷积层的卷积核为3×3，每层空洞卷积层之后都依次跟有一层归一化层和一层relu激活层，在每层空洞卷积层之后增加一个注意力分支模块，注意力分支模块获取每一步口腔结构的相关的关键特征，在两次注意力机制后采用一个残差连接的方式将原始的输入和经过注意力机制后得到的关键特征进行相加得到第三特征图。

7.如权利要求4-6任一项所述的方法，其特征在于，所述注意力分支模块获取每一步口腔结构的相关的关键特征的具体方法包括：

8.如权利要求4-6任一项所述的方法，其特征在于，所述残差连接由1×1卷积核的全卷积层和归一化层组成。

9.一种基于头颈部ct图像的口腔区域分割系统，其特征在于，包括：图像获取模块、预处理模块、模型构建模块、模型验证模块和图像分割模块；

10.如权利要求9所述的系统，其特征在于，所述多尺度卷积注意块u-net模型包括第一特征提取子模型、第二特征提取子模型和第三特征提取子模型，所述第一特征提取子模型和第二特征提取子模型用于提取口腔的基本特征分别得到第一特征图和第二特征图，所述第三特征提取子模型用于提取口腔细节特征得到第三特征图，将第一特征图、第二特征图和第三特征图相加合并得到整个口腔结构的相关特征。