本发明涉及医学图像处理，尤其涉及一种基于三维医学影像的大脑海马分割方法及系统。
背景技术：
1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
2、图像分割是指将图像分为特定的多个区域，在各个领域有着广泛且重要的应用。医学图像分割是该领域的一个重要体现，能够使图像中的解剖结构和病理结构更加清晰，是计算机辅助诊断、计算机辅助手术规划、临床量化与治疗、智慧医疗等临床应用的预处理步骤，在临床工作中有着重要的作用。然而，大多数的医学影像解读是由放射科医生来完成的，不仅耗时耗力，无法保证其实时性；受到医生个人主观因素和工作疲劳的影响，分割结果之间还会存在一定的差异；且医生的解读是有限的，越来越多的图像产出与工作负荷会带来漏诊、工作周期长等负面影响，极大限制了医学领域的发展。因此自动分割方法应运而生，一套完整的计算机辅助医学图像分割方法及系统可以通过自动化的分析为医生提供支持，为临床工作带来了巨大便利。
3、现有的自动分割方法可以根据其自动化程度分为半自动分割方法和全自动分割方法，且发明人发现，根据分割技术的不同，也可分为传统的医学图像分割方法和基于深度学习的医学图像分割方法。这些方法都蕴含了研究学者的创意，极具创新性，然而当应用到临床工作的时候依旧会遇到巨大的困难与挑战。
4、传统的图像分割方法在一定程度上取得了不错的效果。目前，有些学者使用基于阈值的分割方法，用一个或多个阈值将图像的像素分为几个类，每个类被认为具有相同属性，此方法非常简单，但分割效果是直接受阈值影响的，但却很难得到一个最佳阈值；有些学者使用基于边缘检测的分割方法，先确定图像中的边缘像素，然后将边缘像素相连，便可得到分割结果，通常会使用到一些边缘检测算子，如sobel算子，canny算子等；有些学者使用基于聚类的分割方法，通过无标记的样本训练学习来揭示数据之间的规律，通过指定的聚簇数量来得到多类别分割结果；有些学者使用基于配准的分割方法，将已经分割好的图谱图像与目标图像进行配准，得到的变换参数在应用到图谱图像的分割结果上，便可得到目标图像的分割结果。还有更多的方法，包括基于可变行模型的分割方法、基于区域的分割方法、基于活动轮廓线的分割方法、基于机器学习的分割方法等，但由于以上方法需要手工制作的特征，导致了特征表示的困难，需要各种人工干预手段和一定的专业知识，使得分割成本依旧较高，特别是医学图像的特征提取比普通rgb图像更加困难，其图像更加模糊、噪声更多，对比度更低。
5、近年来，随着深度学习技术的发展，它的应用已经渗透到各行各业当中，医学领域也不例外，得益于卷积神经网络强大的特征提取能力，其摒弃了传统的手工制作特征，对图像的模糊、噪声和低对比度并不敏感，表现出了优越的性能，成为医学图像分割领域的首要选择。最先冒出水面的便是全卷积神经网络fcn，是最基础的编码器-解码器架构模型，编码器用于提取图像特征，解码器用于将提取的特征恢复到原图大小并输出分割结果。受此启发，能够广泛用于医学领域的图像分割方法u-net诞生了，它通过跳跃连接，将低分辨率和高分辨率的特征图结合起来，有效地融合了低分辨率和高分辨率的图像特征，完美的解决了医学图像分割任务，适用于ct、mri、x光、超声等各种医学影像，该体系拥有应用于二维图像的2d u-net和三维体数据的3d u-net以及各种基于此的变体如u-net++等，已然成为了医学图像分割领域的基准与骨干。
6、核磁共振成像(mri)作为医学影像的主要成像方式之一，可以观察大脑、胸腹部、肝脏、骨盆和各类软组织等的结构细节，但其成像时间较长且影响因素多，会导致图像中包含各种伪影和噪声：部分容积效应、随机场噪声、强度非均匀性、梯度伪影、运动伪影、环绕伪影和磁敏感伪影等；不同受试者的组织器官也会有形态学上的显著差异；部分组织器官的边界的对比度低，尤其对于大脑海马来说，海马整体与其周围组织器官的分界不清晰且海马内部头、体、尾三部分直接的分界更不明显。这些都导致了利用深度学习技术对大脑海马进行分割依旧是一个挑战性的难题。
技术实现思路
1、针对现有技术存在的不足，本发明的目的是提供一种基于三维医学影像的大脑海马分割方法及系统，解决了大脑mri影像中存在各种伪影和噪声，海马整体与其周围组织器官的分界不清晰且海马内部头、体、尾三部分之间的分界更不明显，不同受试者之间组织器官具有显著性差异，导致的特征提取困难和分割结果不精确的问题。
2、为了实现上述目的，本发明是通过如下的技术方案来实现：
3、本发明第一方面提供了一种基于三维医学影像的大脑海马分割方法，包括以下步骤：
4、获取待分割的三维大脑医学影像体数据；
5、提取并裁剪三维大脑医学影像体数据中三维海马感兴趣区域，并记录裁剪后得到的三维海马感兴趣区域在完整体数据中的位置信息；
6、对三维海马感兴趣区域体数据进行数据预处理和数据增强操作；
7、利用基于空间域与频域特征自适应融合的分割网络对数据预处理和数据增强操作后的三维海马感兴趣区域进行分割，得到初步分割结果；
8、使用类间边界区域增强技术对初步分割结果进一步细化分割得到中间分割结果；
9、根据记录的三维海马感兴趣区域在完整体数据中的位置信息将感兴趣区域的分割结果映射至完整的三维大脑医学影像体数据中，并进行后处理操作，得到最终的大脑海马分割结果；
10、对最终的大脑海马分割结果进行三维可视化显示，并计算各个分割类别及整体的体积与表面积。
11、进一步的，提取并裁剪三维大脑医学影像体数据中三维海马感兴趣区域，并记录裁剪后得到的三维海马感兴趣区域在完整体数据中的位置信息的具体步骤为：
12、根据标注文件确定海马所在区域的包围盒；
13、根据包围盒确定海马空间中心点，记录空间中心点位置；
14、以中心点向三维坐标轴方向扩张到设定大小，得到感兴趣区域，并根据空间中心点位置和扩张长度计算并记录感兴趣区域的顶点位置信息；
15、裁剪感兴趣区域得到三维海马感兴趣区域体数据。
16、进一步的，对三维海马感兴趣区域体数据进行数据预处理和数据增强操作的具体步骤为：
17、对三维海马感兴趣区域体数据进行对比度拉伸和直方图均衡化的预处理操作；
18、计算三维海马感兴趣区域体数据的平均值和标准差，并根据计算结果对三维海马感兴趣区域体数据进行z-score归一化操作；
19、使用随机旋转、随机镜像和随机缩放的数据增强方法对归一化后的三维海马感兴趣区域体数据进行数据增强操作。
20、进一步的，利用基于空间域与频域特征自适应融合的分割网络对数据预处理和数据增强操作后的三维海马感兴趣区域进行分割，得到初步分割结果的具体步骤为：
21、将三维海马感兴趣区域体数据输入到骨干网络中进行编码与特征提取，得到初始特征；
22、将初步特征输入空间域与频域特征自适应融合模块，进一步加强网络的特征提取能力，得到融合特征；
23、对融合特征进行解码与特征图大小恢复，并通过深监督机制，得到初步分割结果。
24、进一步的，使用类间边界区域增强技术对初步分割结果进一步细化分割得到中间分割结果的具体步骤为：
25、使用二值标签膨胀求交的方法获得类间边界区域图，将类间边界区域图作为网络每个阶段训练过程中着重学习的注意力图；
26、根据预测分割结果与真实标签计算损失函数，同时在损失函数中增加类间边界区域图所占部分的权重。
27、进一步的，根据记录的三维海马感兴趣区域在完整体数据中的位置信息将感兴趣区域的分割结果映射至完整的三维大脑医学影像体数据中，并进行后处理操作，得到最终的大脑海马分割结果的具体步骤为：
28、根据记录的三维海马感兴趣区域在完整体数据中的位置信息，将感兴趣区域的分割结果映射回去；
29、对映射后的感兴趣区域的分割结果进行去除散点的后处理操作；
30、保存后处理操作之后的完整分割结果。
31、进一步的，根据nifti格式的最终的大脑海马分割结果构建obj三维模型文件并设计mtl材质文件，从而实现三维可视化显示。
32、本发明第二方面提供了一种基于三维医学影像的大脑海马分割系统，包括：
33、数据获取模块，被配置为获取待分割的三维大脑医学影像体数据；提取并裁剪三维大脑医学影像体数据中三维海马感兴趣区域，并记录裁剪后得到的三维海马感兴趣区域在完整体数据中的位置信息；对三维海马感兴趣区域体数据进行数据预处理和数据增强操作；
34、区域分割模块，被配置为利用基于空间域与频域特征自适应融合的分割网络对数据预处理和数据增强操作后的三维海马感兴趣区域进行分割，得到初步分割结果；使用类间边界区域增强技术对初步分割结果进一步细化分割得到中间分割结果；
35、分割优化模块，被配置为根据记录的三维海马感兴趣区域在完整体数据中的位置信息将感兴趣区域的分割结果映射至完整的三维大脑医学影像体数据中，并进行后处理操作，得到最终的大脑海马分割结果；
36、分割显示模块，被配置为对最终的大脑海马分割结果进行三维可视化显示，并计算各个分割类别及整体的体积与表面积。
37、本发明第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的基于三维医学影像的大脑海马分割方法中的步骤。
38、本发明第四方面提供了一种设备，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程序，所述处理器执行所述程序时实现如本发明第一方面所述的基于三维医学影像的大脑海马分割方法中的步骤。
39、以上一个或多个技术方案存在以下有益效果：
40、本发明提出了一种基于三维医学影像的大脑海马分割方法及系统，使用空间域与频域特征自适应融合策略，增强了网络的特征提取能力，极大程度的降低了mri图像中复杂的伪影与噪声对分割效果的影响，提升了大脑海马的分割精度。
41、本发明使用空间域与频域特征自适应融合策略，增强了网络的特征提取能力，极大程度的降低了mri图像中复杂的伪影与噪声对分割效果的影响，提升了大脑海马的分割精度。
42、本发明使用类间边界区域增强技术，解决了海马整体与其周围组织器官的分界不清晰且海马内部头、体、尾三部分之间的分界更不明显的问题，显著提高了海马头、体、尾三部分之间的边界划分，确保了各个部分计算得到的体积与表面积更加准确。
43、本发明还可以动态显示三维形态和各个部位的体积与表面积，可以帮助临床医生进行更精确的疾病诊断与疾病追踪。
44、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
1.一种基于三维医学影像的大脑海马分割方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于三维医学影像的大脑海马分割方法，其特征在于，提取并裁剪三维大脑医学影像体数据中三维海马感兴趣区域，并记录裁剪后得到的三维海马感兴趣区域在完整体数据中的位置信息的具体步骤为：
3.如权利要求1所述的基于三维医学影像的大脑海马分割方法，其特征在于，对三维海马感兴趣区域体数据进行数据预处理和数据增强操作的具体步骤为：
4.如权利要求1所述的基于三维医学影像的大脑海马分割方法，其特征在于，利用基于空间域与频域特征自适应融合的分割网络对数据预处理和数据增强操作后的三维海马感兴趣区域进行分割，得到初步分割结果的具体步骤为：
5.如权利要求1所述的基于三维医学影像的大脑海马分割方法，其特征在于，使用类间边界区域增强技术对初步分割结果进一步细化分割得到中间分割结果的具体步骤为：
6.如权利要求1所述的基于三维医学影像的大脑海马分割方法，其特征在于，根据记录的三维海马感兴趣区域在完整体数据中的位置信息将感兴趣区域的分割结果映射至完整的三维大脑医学影像体数据中，并进行后处理操作，得到最终的大脑海马分割结果的具体步骤为：
7.如权利要求1所述的基于三维医学影像的大脑海马分割方法，其特征在于，根据nifti格式的最终的大脑海马分割结果构建obj三维模型文件并设计mtl材质文件，从而实现三维可视化显示。
8.一种基于三维医学影像的大脑海马分割系统，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的基于三维医学影像的大脑海马分割方法。
10.一种终端设备，其特征在于，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-7中任一项所述的基于三维医学影像的大脑海马分割方法。
