(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211123639.X (22)申请日 2022.09.15 (71)申请人 佛山读图科技有限公司 地址 528299 广东省佛山市南海区桂城街 道平西上海村东平路北侧瀚天科技城 B区产业区2号楼 A座501单元 申请人 京心禾 （北京） 医疗科技有限公司 (72)发明人 陈思　杨雪松　 (74)专利代理 机构 佛山市禾才知识产权代理有 限公司 4 4379 专利代理师 单蕴倩 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/12(2017.01) G06T 7/30(2017.01)G06T 7/44(2017.01) (54)发明名称 一种SPECT平面图像中自动分割器官的方法 和系统 (57)摘要 本发明公开了一种SPECT平 面图像中自动分 割器官的方法和系统， 该方法包括以下步骤： 检 测受检者的SPECT平面图像中与背景区别 度大的 器官， 确定该器官对应检测框， 并得到该器官的 检测框中心坐标； 从同一受检者的三维SPECT/CT 融合断层数据中分割出目标器官， 得出三维器官 模板图， 将三维模板图投影到人体前后位方向的 二维平面， 生成二维器官模板图； 平移二维器官 模板图， 使二维器官模板图中的多个器官的几何 中心与步骤A所得的检测框中心对齐； 二维器官 模板图与SPECT平面图像配准， 使二维器官模板 图中的所有器官对应SPECT平面图像中的器官区 域， 完成分割。 本发明实现了全自动准确分割 SPECT平面图像中的器 官， 无需人工参与， 还能够 适用不同放 射性药物的S PECT平面图像 。 权利要求书3页 说明书7页 附图4页 CN 115311258 A 2022.11.08 CN 115311258 A 1.一种SPECT平面图像中自动分割器官的方法， 其特 征在于， 包括以下步骤： A、 检测受检者的SPECT平面图像中与背景 区别度大的器官， 确定该器官对应检测框， 并 得到该器官的检测框中心坐标； B、 从同一受检者的三维SPECT/CT融合断层数据中分割出目标器官， 得出三维器官模板 图， 将三维模板图投影到人体前后位方向的二维平面， 生成二维器官模板图； C、 平移二维器官模板图， 使二维器官模板图中的多个器官的几何中心与步骤A所得的 检测框中心对齐； D、 二维器官模板图与SPECT平面图像配准， 使二维器官模板图中的所有器官对应SPECT 平面图像中的器官区域， 完成分割。 2.根据权利要求1所述的SPECT平面 图像中自动分割器官的方法， 其特征在于， 所述步 骤A中， 以深度学习 算法对SPECT平面图像进行检测， 输出与背景区别 大的器官的检测 框中 心坐标[xcenter， ycenter]； 以深度学习算法对S PECT平面图像进行检测的步骤 包括： S101： 以ResNet5 0作为检测网络的基础特 征提取网络， 进行 特征提取， 得到特 征图； S102： 对S101步骤提取的特 征进行上采样， 使其大小回复至原图分辨 率的1/N大小； S103： 对S102上采样后的数据， 通过子网络1获取其heatmap， 再通过heatmap极值点位 置提取待检测目标的中心位置坐标， 并且利用位置偏移预测子网络， 获取中心点偏置量； S104： 通过S103获取的中心点偏置量修正目标的中心点坐标， 即可获取最终待检测目 标的中心点 位置。 3.根据权利要求1所述的SPECT平面 图像中自动分割器官的方法， 其特征在于， 所述步 骤B中， 将同一受检者的三维SPECT/CT融合断层数据中， 将属于同一器官的像素设置为同一 编码值， 不同器官对应不同的编码值， 将不属于任何器官的像素编码为0； 将三维模板图投影到人体前后 位方向的二维平面， 将二维平面上的像素值对应各器官 的编码值或0， 即可生成二维器官模板图。 4.根据权利要求3所述的SPECT平面 图像中自动分割器官的方法， 其特征在于， 所述步 骤B中， 采用unet++分割网络对三维SPECT/CT融合断层数据中的主要器官进行分割， 包括如 下步骤： S201： 将CT断层图像的每一层作为数据， 通过unet+ +分割网络， 得到该层分割结果； S202： 将CT断层图像的每一层数据的分割结果全部放在一起， 通过连通域分析， 整合每 个器官的三维断层分割结果； S203： 利用SPECT断层图像的对比度信息对S202三维断层分割结果进行优化， 得出三维 器官模板图。 5.根据权利要求3所述的SPECT平面 图像中自动分割器官的方法， 其特征在于， 所述步 骤B中， 得 出三维器官模板图的步骤如下： S301： 对SPECT断层图像和CT断层图像分别进行提取 特征， 得到特 征图； S302： 两种模态的特征图进入SPP网络， SPP网络对特征图进行池化， 产生固定长度输 出， 即featuremap， 将两种模态的featuremap链接， 使得两种模态的尺度大小一样的 featurmap按照c hannel维度拼接， 得到拼接后的多模态结果； S303： 通过N层上采样将拼接后的多模态结果解码为分割结果， 即得出三维器官模板权　利　要　求　书 1/3 页 2 CN 115311258 A 2图。 6.根据权利要求1所述的SPECT平面 图像中自动分割器官的方法， 其特征在于， 所述步 骤C包括以下子步骤： 定义SPECT平面图像中器官的检测框中心坐标为 其中i代表器 官的编号； 定义二维器官模板图中的器官几何中心坐标为(xi， yi)， i＝1， 2， ..， I； 通过如下公式寻找二维器官模板图的最优平移向量(x0， y0)使得二维器官模板图的器 官几何中心和S PECT平面图像中器官的检测框中心对应距离平方和最小化： 求解以上公式得 出： 7.根据权利要求1所述的SPECT平面 图像中自动分割器官的方法， 其特征在于， 所述步 骤D中， 基于互信息代价函数或B样条非刚性变换的图像配准方法将二维器官模板图与 SPECT平面图像进行整体 配准。 8.根据权利 要求7所述的SPECT平面图像中自动分割器官的方法， 其特征在于， 所述B样 条非刚性变换的图像 配准方法如下： 定义SPECT平面图像向量为P， 器官模板图像向量为T， 经B样条变换后的器官模板图像 向量为B(T,s1,s2,...,sn),其中s1， s2， ...， sn代表一组B样条变换的参数， 则该最小化问题 可以表述 为如下公式： (s1， s2， ...， sn)opt＝argmin{‑I(P， B(T， s1， s2， ...， sn))}      (3) 即寻找一组最优化的B样 条变换参数， 从而使P与B(T， s1， s2， ...， sn)的互信息I(P， B(T， s1， s2， ...， sn))最大化， 定义pi与bi分别代表P与B(T， s1， s2， ...， sn)的第i个像素的值， 则有 如下定义： 其中Prob(pi， bi)代表联合概率函数， Prob(pi)代表图像P的像素值分布概率函数， Prob (bi)代表图像B(T， s1， s2， ...， sn)的像素值分布概 率函数。 9.根据权利要求7所述的SPECT平面 图像中自动分割器官的方法， 其特征在于， 基于互 信息代价 函数的图像 配准方法如下： 定义SPECT平面图像向量为P， 器官编号为i的对应模板图像向量为Ti， Ti中对应器官编 号i的区域的像素值为i， 其它区域的像素值为0， 经刚性变换的器官i模板图像向量为 其中 为相对于器官几何中心(xi， yi)平移的二位矢量， 为器 官以平移后的几何中心 为中心进 行旋转变换的角度， 则上述配准问题等效于如下最优化问 题： 权　利　要　求　书 2/3 页 3 CN 115311258 A 3