动脉血管图像模型训练方法、分割方法、装置及电子设备
技术领域
本发明涉及数字图像处理技术领域,特别涉及动脉血管图像模型训练方法、分割方法、装置及电子设备。
背景技术
人工智能与医疗相结合的应用,随着国家《医疗人工智能技术与应用***》以及80余项相关全国性红利政策的颁布,拥有良好发展机遇。目前,国内存在医疗资源与需求间存在着较大不均衡的现象,这在二三线城市更为严重,优质医生资源的匮乏,给病人及时诊疗带来阻碍。
在分析医疗影像方面,多数医生大部分的时间花费在单一、数量庞大的阅片工作上,给医生进行深层次有效的诊疗带来了障碍。现阶段,医疗影像数据的累积已经达到PB数量级,如此海量的数据对于人工而言是极大负担,却恰好符合深度学***和诊断效率。
良好的数据分割效果对于后期的血管分类、疾病诊断等工作有较大影响。与传统的图像分割任务相比,医疗影像领域的图像处理要求更高的精度。细微的目标分割差别可能导致诊断结果有较大差距。且动脉血管及结构复杂,尤其是脑部血管拥有较多细微的毛细血管,传统方式无法良好提取血管目标。
此外,由不同医学影像成像的设备,数据格式,以及医疗影像的图片质量都存在一定程度的差异,这给图像分割带来了一定程度的干扰。许多DSA(Digital SubtractionAngiography,数字减影血管造影)影像数据因拍摄装置效果较差,将许多非血管的信息,如头骨、牙齿等噪声信息也包含在内,血管清晰度较低,这对于后期的分析处理不利。
发明内容
有鉴于此,本发明实施例提供了动脉血管图像模型训练方法、分割方法、装置及电子设备,可以较高精度地对DSA图像进行目标血管提取,辅助后续图像处理。
本发明实施例提供的技术方案如下:
第一方面,提供了一种动脉血管图像分割模型训练方法,包括步骤:
S1、对获取到的DSA图像进行预处理,以构建动脉血管图像库;
S2、对所述动脉血管图像库中的部分样本图像进行标注,以构建标注样本图像集;
S3、构建卷积深度网络,并设置深度网络参数,生成初始动脉血管分割模型;
S4、使用所述标注样本图像集训练所述初始动脉血管分割模型,生成动脉血管图像分割模型;
S5、对于使用所述动脉血管图像分割模型分割所述动脉血管图像库中除所述部分样本图像之外的其他图像得到的血管目标图像,进一步进行标注,以对所述动脉血管图像分割模型进行迭代训练。
在一些实施例中,所述步骤S1包括:
S11、从DICOM文件中解析出多个医疗影像,并对所述多个医疗影像按照预设规则进行叠加融合,生成所述DSA图像;
S12、对所述DSA图像进行图像缩放、截断阈值化处理、对比度增强处理及图像去噪声处理。
在一些实施例中,所述步骤S2包括:
S21、对所述部分样本图像进行像素级别的标注操作,生成标注样本图像;
S22、对所述标注样本图像和所述标注样本图像对应的所述部分样本图像进行对应增强,构建所述标注样本图像集。
在一些实施例中,所述部分样本图像的图像尺寸为(512,512,1),所述步骤S3中构建卷积深度网络包括:
S31、将所述部分样本图像输入至卷积层Lconv(Ksize,T1num)进行T1次卷积操作,得到第一阶段的特征图Fconv(x,y,T1num),其中,Ksize表示x,y表示经过卷积输出的图像大小,T1num表示第T1个卷积层输出的卷积核个数;
S32、对所述特征图Fconv(x,y,T1num)进行第T1次非线性激活,得到经过激活后的特征图Fa(x,y,T1num);
S33、将所述特征图Fa(x,y,T1num)输入至池化层Lpool(Kpool,S)进行图像降采样,得到第一阶段的特征图Fo(x,y,O1num),其中,Kpool表示下采样的核大小,S表示滑动步长,O1num表示第一阶段特征图的数量;
S34、重复步骤S31至步骤S33,直至得到图像尺寸为(32,32,1024)的特征图F1;
S35、将所述特征图F1输入至卷积层Lconv(Ksize,T2num)进行T2次卷积操作,得到第二阶段的特征图Fconv(x,y,T2num),其中,T2num表示第T2个卷积层输出的卷积核个数;
S36、对所述特征图Fconv(x,y,T2num)进行第T2次非线性激活,得到经过激活后的特征图Fa(x,y,T2num);
S37、将所述特征图Fa(x,y,T2num)输入至上采样层Us(Kupsample,S)进行图像上采样,得到第二阶段的特征图Fo(x,y,O2num),其中,Kupsample表示上采样的核大小,S表示滑动步长,O2num表示第二阶段特征图的数量;
S38、将第一阶段与第二阶段图像尺寸相同的特征图进行拼接,得到拼接后的特征图Fconcat(x,y,Tnum),其中,Tnum表示由T1num和T2num拼接后卷积层输出的卷积核个数;
S39、重复步骤S35至步骤S38,直到得到图像尺寸为(512,512,1)的特征图F2,即完成构建所述卷积深度网络。
在一些实施例中,所述步骤S3中设置深度网络参数,生成初始动脉血管分割模型包括:
S31'、设置所述卷积深度网络的超参数,并选择损失函数和优化器;
S32'、将所述卷积深度网络结合所述网络参数,在预先获取的图像分割数据集进行训练,生成初始动脉血管分割模型。
在一些实施例中,所述标注样本图像集包括训练样本图像集和测试样本图像集,所述步骤S4包括:
S41、使用所述训练样本图像集对所述初始动脉血管分割模型进行训练,得到训练好的初始动脉血管分割模型;
S42、使用所述测试样本图像集对所述训练好的初始动脉血管分割模型进行测试,并根据测试结果优化所述深度网络参数,得到所述动脉血管图像分割模型。
在一些实施例中,所述步骤S5包括:
S51、使用所述动脉血管图像分割模型对所述动脉血管图像库中除所述部分样本图像之外的其他图像进行分割,得到血管目标图像集;
S52、对所述血管目标图像集中的错误血管目标图像进行人工标注,以补充到所述标注样本图像集;
S53、使用补充后的所述标注样本图像集对所述动脉血管图像分割模型进行迭代训练。
第二方面,提供了一种动脉血管图像分割方法,包括步骤:
A1、获取待处理的DSA图像;
A2、对所述待处理的DSA图像进行预处理;
A3、采用预先训练好的动脉血管图像分割模型对预处理后的所述待处理的DSA图像进行分割,得到动脉血管目标图像并输出;
其中,所述预先训练好的动脉血管图像分割模型基于如权利要求1~7任一所述的方法训练。
第三方面,提供了一种应用于第一方面所述的动脉血管图像分割模型训练方法的训练装置,所述装置包括:
预处理单元,用于对获取到的DSA图像进行预处理,以构建动脉血管图像库;
第一标注单元,用于对所述动脉血管图像库中的部分样本图像进行标注,以构建标注样本图像集;
第一训练单元,用于构建卷积深度网络,并设置深度网络参数,生成初始动脉血管分割模型;
第二训练单元,用于使用所述标注样本图像集训练所述初始动脉血管分割模型,生成动脉血管图像分割模型;
第二标注单元,用于对于使用所述动脉血管图像分割模型分割所述动脉血管图像库中除所述部分样本图像之外的其他图像得到的血管目标图像,进一步进行标注;
第三训练单元,用于对所述动脉血管图像分割模型进行迭代训练。
第四方面,提供了一种动脉血管图像分割装置,所述装置包括:
获取单元,用于获取待处理的DSA图像;
预处理单元,用于对所述待处理的DSA图像进行预处理;
分割单元,用于采用预先训练好的动脉血管图像分割模型对预处理后的所述待处理的DSA图像进行分割,得到动脉血管目标图像;
输出单元,用于输出所述动脉血管目标图像;
其中,所述预先训练好的动脉血管图像分割模型基于如权利要求1~6任一所述的方法训练。
第五方面,提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的动脉血管图像分割模型训练方法。
第六方面,提供一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的动脉血管图像分割方法。
本发明提供的动脉血管图像分割模型训练方法及装置,在构建标注样本图像集之前,首先对获取到的DSA图像进行预处理,能够减少图像噪声干扰,有利于更精确地获得训练样本的像素级的处理结果;同时,通过构建卷积深度网络,并设置深度网络参数,生成初始动脉血管分割模型,以及使用标注样本图像集训练初始动脉血管分割模型,生成动脉血管图像分割模型;然后对于使用动脉血管图像分割模型分割动脉血管图像库中除所述部分样本图像之外的其他图像得到的血管目标图像,进一步进行标注,以对动脉血管图像分割模型进行迭代训练,由此可以提高动脉血管图像分割模型的训练准确度。
基于此,若后续使用该训练完成的动脉血管图像分割模型进行动脉血管图像的前背景分割,均可相应地提高前背景分割的效率,从而实现从包含较复杂背景的DSA影像数据中,快速地提取较清晰的动脉血管目标,辅助后续图像处理。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的动脉血管图像分割模型训练方法的流程图;
图2为本发明实施例一提供的对获取到的DSA图像进行预处理的流程图;
图3为本发明实施例一提供的不同动脉血管DSA图像的示意图;
图4为本发明实施例一提供的DSA原始图像与预处理结果的示意图;
图5为本发明实施例一提供的构建标注样本图像集的流程图;
图6为本发明实施例一提供的预处理后的DSA图像与标注样本图像的示意图;
图7为本发明实施例一提供的标注样本图像增强结果的示意图;
图8为本发明实施例一提供的构建卷积深度网络的流程图;
图9为本发明实施例一提供的生成初始动脉血管分割模型的流程图;
图10为本发明实施例一提供的生成动脉血管图像分割模型的流程图;
图11为本发明实施例一提供的对动脉血管图像分割模型进行迭代训练的流程图;
图12为本发明实施例二提供的动脉血管图像分割方法的流程图;
图13为本发明实施例二提供的动脉血管图像分割结果的示意图;
图14为本发明实施例三提供的动脉血管图像分割模型训练装置的框图;
图15为本发明实施例四提供的动脉血管图像分割装置的框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
图1为本发明实施例一提供的动脉血管图像分割模型训练方法的流程图,该方法可以由动脉血管图像分割模型训练装置来执行,该装置可以采用软件/硬件的方式实现。如图1所示,该方法具体包括:
S1、对获取到的DSA图像进行预处理,以构建动脉血管图像库。
S2、对动脉血管图像库中的部分样本图像进行标注,以构建标注样本图像集。其中,标注样本图像集包括样本图像和样本图像对应的标注图像。
S3、构建卷积深度网络,并设置深度网络参数,生成初始动脉血管分割模型。
S4、使用标注样本图像集训练初始动脉血管分割模型,生成动脉血管图像分割模型。
S5、对于使用动脉血管图像分割模型分割动脉血管图像库中除部分样本图像之外的其他图像得到的血管目标图像,进一步进行标注,以对动脉血管图像分割模型进行迭代训练。
本发明提供的动脉血管图像分割模型训练方法,在构建标注样本图像集之前,首先对获取到的DSA图像进行预处理,能够减少图像噪声干扰,有利于更精确地获得训练样本的像素级的处理结果;同时,通过构建卷积深度网络,并设置深度网络参数,生成初始动脉血管分割模型,以及使用所述标注样本图像集训练初始动脉血管分割模型,生成动脉血管图像分割模型;然后对于使用动脉血管图像分割模型分割所述动脉血管图像库中除部分样本图像之外的其他图像得到的血管目标图像,进一步进行标注,以对动脉血管图像分割模型进行迭代训练,由此可以提高动脉血管图像分割模型的训练准确度。
为便于本领域技术人员更清楚本发明技术方案,下面对前述方法中各个步骤的具体实现进行详细的描述。
前述步骤S1中对获取到的DSA图像进行预处理,以构建动脉血管图像库的具体实现可如图2所示,包括:
S11、从DICOM文件中解析出多个医疗影像,并对多个医疗影像按照预设规则进行叠加融合,生成DSA图像。
其中,DICOM文件中存储了针对同一个病人联系拍摄的动脉医疗影像数据,如拍摄设备、拍摄角度、拍摄角度增量、影像的帧像素数据,还存储有该病人的病人编号、姓名等信息。可以使用Python图像处理相关模块解析DICOM文件,将其中的医学影像以图片的格式持久化在硬盘上,并在数据库中存储图片的位置信息以及DICOM文件中的相关信息。
医疗影像可以视为按照拍摄时间排序的若干张图片,不同时刻的图片对应着不同的造影剂在血管中的分布状态。为了得到比较清晰完整的血管造影图像,需要对影像按照合理的规则进行叠加融合,根据DSA拍摄设备生产商(Manufacturer)的不同,选择医疗影像中不同时间范围内的图片进行叠加。
其中,对多个医疗影像进行叠加融合可以采用如下预设规则:
a、对于G类拍摄设备,选用拍摄时间占比范围为γ1%到γ2%的图片进行叠加,其中,G类拍摄设备为拍摄效果不佳的拍摄设备。
b、对于其他拍摄设备,选用拍摄时间占比范围ε1%到ε2%的图片进行叠加。
c、忽略设备差异,选用所有帧的图片进行叠加,减去不含造影剂的医疗影像背景。
上述所提到的图片叠加操作主要通过Python图像库实现,首先将选定范围内的若干张图片的对应像素值相加,然后除以参与叠加的图片总数量。
采用上述步骤S11的方式,可以得到图3所示的不同动脉血管DSA图像。其中,图3中的(a)~(j)所示的多个DSA图像依次为右颈外动脉(RECA)、左颈外动脉(LECA)、右椎动脉(RVA)、左椎动脉(LVA)、右椎动脉(RVA)、左椎动脉(LVA)、右总动脉(RCCA)、主动脉弓(ARCH)、右颈内动脉(RICA)、左颈内动脉(LICA)。
S12、对DSA图像进行图像缩放、截断阈值化处理、对比度增强处理及图像去噪声处理。
关于图像缩放,由于拍摄DSA的设备以及拍摄参数设置存在差异,生成DSA中的图像的尺寸也存在差异。而对于绝大多数深度学习算法,都要求输入的图像有统一的尺寸,因此在血管分割前需要进行图像缩放到统一尺寸。该统一尺寸为(512,512,1)。其中,可以采用现有技术中的图像缩放方法对DSA图像进行图像缩放。
关于截断阈值化处理,不同于二值阈值化,经过截断阈值化后的图像还是多像素值的,只有大于阈值的像素点会被置为该阈值,小于阈值的像素点灰度值不变,即较浅色的图像会被加深。这样可以消除一些噪音点,对图像对比度增强、滤波去噪等图像预处理操作都会有帮助作用。
关于对比度增强处理,因为造影剂是在注入到血液中并随血液一起流动,并且X光无法穿透造影剂,因此在DSA影像中血管呈现为深色,血管以外的背景呈现为浅色。通过指数变换、直方图均衡化等算法对图像的对比度增强,可以使血管和背景的对比度更强,差异性更大,目标特征更加突出,便于后续对DSA图像进行标注。
关于图像去噪声处理,可通过图像滤波、膨胀腐蚀等操作去除图像中可能存在的噪音,如图像中可能会存在的文字。
采用上述步骤S12的方式,可以得到图4所示的DSA原始图像与预处理结果的示意图。其中,图4中的(a)所示的为DSA原始图像,图4中的(b)所示的为与DSA原始图像对应的预处理结果。
前述步骤S2中对所述动脉血管图像库中的部分样本图像进行标注,以构建标注样本图像集的具体实现可如图5所示,包括:
S21、对部分样本图像进行像素级别的标注操作,生成标注样本图像。
在使用深度学习的方式实现图像分割,首先需要准备像素级别的样本模板集。可以采用图像处理工具提取出粗精度的模板图像集,之后,针对上述粗精度的模板图像集中每个模板图像进行人工修正标注,得到标注样本图像。如此可以提高训练样本图像的标注速度和效率,降低人力成本。
采用上述步骤S21的方式,可以得到图6所示的预处理后的DSA图像与标注样本图像的示意图;其中,图6中的(a)为预处理后的DSA图像,图6中的(b)为对该预处理后的DSA图像进行标注操作,得到的标注样本图像。
S22、对标注样本图像和标注样本图像对应的部分样本图像进行对应增强,构建标注样本图像集。
由于像素级别的血管数据集人工标注成本高,而深度学***移、拉伸中的任意一项或任意组合,但不限于此。由此得到扩充后的动脉血管分割训练数据集。示例性的,假如,已有标注样本图像为100个,对每一个标注样本图像经过图像变换处理(如缩放、平移等)得到10个图像变换处理后的标注样本图像,此时,100个标注样本图像就变成了1000个标注样本图像,从而扩充了标注样本图像集,进而提高后续模型训练效果。
采用上述步骤S22的方式,可以得到图7所示的标注样本图像增强结果的示意图,其中,图7中的(a)为标注样本图像,图7中的(b)、(c)和(d)均为对该标注样本图像进行对应增强而得到的标注样本图像增强结果。
前述步骤S3中构建卷积深度网络的具体实现可如图8所示,其中,卷积深度网络要求的输入图像尺寸为(512,512,1)的灰度图,(512,512,1)分别表示图像的长、宽以及通道数。预先定义第一阶段卷积操作次数为T1,第二阶段卷积操作次数为T2,以及定义第一阶段池化操作次数为O1,第二阶段池化操作次数为O2。步骤S3构建卷积深度网络的具体可以包括:
S31、T1次卷积操作:将部分样本图像输入至卷积层Lconv(Ksize,T1num)进行T1次卷积操作,得到第一阶段的特征图Fconv(x,y,T1num),其中,Ksize表示x,y表示经过卷积输出的图像大小,T1num表示第T1个卷积层输出的卷积核个数。
其中,部分样本图像的统一图像尺寸为(512,512,1)。
S32、T1次非线性激活:对特征图Fconv(x,y,T1num)进行T1次非线性激活,得到经过激活后的特征图Fa(x,y,T1num)。
其中,优选采用包括Relu或Sigmoid方法进行非线性激活。
S33、O1次池化操作:将特征图Fa(x,y,T1num)输入至池化层Lpool(Kpool,S)进行图像降采样,得到第一阶段的特征图Fo(x,y,O1num),其中,Kpool表示下采样的核大小,S表示滑动步长,O1num表示第一阶段特征图的数量。
S34、重复步骤S31至步骤S33,直至得到图像尺寸为(32,32,1024)的特征图F1。
S35、T2次卷积操作:将特征图F1输入至卷积层Lconv(Ksize,T2num)进行T2次卷积操作,得到第二阶段的特征图Fconv(x,y,T2num),其中,T2num表示第T2个卷积层输出的卷积核个数。
S36、T2次非线性激活:对特征图Fconv(x,y,T2num)进行T2次非线性激活,得到经过激活后的特征图Fa(x,y,T2num)。
其中,优选采用包括Relu或Sigmoid方法进行非线性激活。
S37、O2次池化操作:将特征图Fa(x,y,T2num)输入至上采样层Us(Kupsample,S)进行图像上采样,得到第二阶段的特征图Fo(x,y,O2num),其中,Kupsample表示上采样的核大小,S表示滑动步长,O2num表示第二阶段特征图的数量。
S38、特征图拼接:将第一阶段与第二阶段图像尺寸相同的特征图进行拼接,得到拼接后的特征图Fconcat(x,y,Tnum),其中,Tnum表示由T1num和T2num拼接后卷积层输出的卷积核个数。
S39、重复步骤S35至步骤S38,直到得到图像尺寸为(512,512,1)的特征图F2,即完成构建卷积深度网络。
本实施例中,通过第一阶段的多次卷积、池化操作,以放大卷积处理后的图像特征,并得到的原始输入图像同样尺寸大小的输出。
前述步骤S3中设置深度网络参数,生成初始动脉血管分割模型的具体实现可如图9所示,包括:
S31'、设置卷积深度网络的超参数,并选择损失函数和优化器。
具体的,网络超参数设置包括Batch_size、Epochs、Learning_rate。
选择损失函数和优化器,包括:
a、采用交叉熵计算训练精度,计算公式为:
其中y为真实标签,a为经过神经网络预测的输出。在优化神经网络参数时的目标即最小化交叉熵代价函数。
b、选择带有Nesterov与Momentum项的SGD作为优化器。
S32'、将卷积深度网络结合所述网络参数,在预先获取的图像分割数据集进行训练,生成初始动脉血管分割模型。
其中,预先获取的图像分割数据集可以为从公共数据库中预先获取到的已公开的图像分割数据集。其中,获取的图像分割数据集包括血管分割图像和血管分割图像对应的原始图像。本发明实施例对具体的获取过程不作限定。
以血管分割图像对应的原始图像为输入图像,以血管分割图像为标注图像,输入至卷积深度网络中,通过正向传播过程得到输入图像与所述标注图像间的损失函数,更新损失函数最小化时所述卷积深度网络的网络超参数。
其中,标注样本图像集包括训练样本图像集和测试样本图像集,前述步骤S4中使用所述标注样本图像集训练所述初始动脉血管分割模型,生成动脉血管图像分割模型的具体实现可如图10所示,包括:
S41、使用训练样本图像集对初始动脉血管分割模型进行训练,得到训练好的初始动脉血管分割模型。
其中,训练样本图像集包括样本图像和样图像对应的标注图像。
通过对初始动脉血管分割模型进行训练,初始动脉血管分割模型可以对DSA图像的图像特征进行特征提取,从而具有分割出DSA图像中的动脉血管目标的功能。
S42、使用测试样本图像集对训练好的初始动脉血管分割模型进行测试,并根据测试结果优化深度网络参数,生成动脉血管图像分割模型。
为了使训练的结果更为精准,可以通过测试样本图像测试该训练出的训练好的初始动脉血管分割模型是否准确,进而根据测试结果决定使用该训练好的初始动脉血管分割模型还是对该训练好的初始动脉血管分割模型进行优化所述深度网络参数再训练,生成动脉血管图像分割模型,由此可以进一步提高分割模型的训练准确性。
前述步骤S5中对动脉血管图像分割模型进行迭代训练的具体实现可如图11所示,包括:
S51、使用动脉血管图像分割模型对动脉血管图像库中除部分样本图像之外的其他图像进行分割,得到血管目标图像集。
其中,对所述动脉血管图像库中除所述部分样本图像之外的其他图像为未进行标注的图像。
具体的,将所述动脉血管图像库中除所述部分样本图像之外的其他图像分别输入到动脉血管图像分割模型中,进行预测,可以得到分割后的血管目标图像集。
S52、对血管目标图像集中的错误血管目标图像进行人工标注,以补充到标注样本图像集。
由于通过动脉血管图像分割模型分割得到的血管目标图像集能够较为准确地接近人工标注的结果,但也可能得到错误血管目标图像,即存在对于分割效果不佳的血管目标图像,对此类血管目标图像需要进一步进行像素级别的人工标注作为新的标注图像,并对新的标注图像执行步骤S22的过程,以补充进入动脉血管的标注样本图像集。如此,不但可大量降低人工标注的耗时,也可由此得到更为大量的标注样本图像集,进而提升模型训练效果。
S53、使用补充后的标注样本图像集对动脉血管图像分割模型进行迭代训练。
具体的,使用步骤S52中预测不正确的样本图像和对应的标注样本图像对动脉血管图像分割模型进行再次训练。
通过将预测不正确的样本作为一个新的样本图像集对动脉血管图像分割模型进行再训练,不仅使得训练更有针对性,也大大节约了训练成本,同时也能够进一步优化深度网络血管分割模型的训练效果。
实施例二
基于实施例一中训练得到的动脉血管图像分割模型,本发明实施例还提供一种动脉血管图像分割方法,该动脉血管图像分割方法通过使用预先训练好的动脉血管图像分割模型能够实现针对减影血管造影(DSA)医学影像中动脉血管进行快速、准确地分割提取。
图12为本发明实施例二提供的动脉血管图像分割方法的流程图,该方法可以由动脉血管图像分割装置来执行,该装置可以采用软件/硬件的方式实现。如图12所示,该方法具体包括:
A1、获取待处理的DSA图像。
具体的,获取待处理的DSA图像的过程可以参照实施例一中的步骤S11,此处不再赘述。
A2、对待处理的DSA图像进行预处理。
具体的,对待处理的DSA图像进行预处理的过程可以参照实施例一中的步骤S12,此处不再赘述。
A3、采用预先训练好的动脉血管图像分割模型对预处理后的待处理的DSA图像进行分割,得到动脉血管目标图像并输出。
其中,所述预先训练好的动脉血管图像分割模型基于如实施例一所述的方法训练。
示例性的,参照图13所示,采用本发明实施例提供的动脉血管图像分割方法,对图13中的(a)所示的待处理的DSA图像进行图像分割,可以得到图13中的(b)所示的动脉血管目标图像,从图13中的(b)中可以看出,分割提取到的动脉血管图像较为清晰,精度较高。
本发明实施例提供的动脉血管图像分割方法,通过采用预先训练好的动脉血管图像分割模型进行动脉血管图像分割,可以实现快速、准确地从DSA图像中,分割提取到动脉血管目标图像,从而为后续图像处理提供准确、可靠的数据基础。
实施例三
作为对实施例一中的动脉血管图像分割模型训练方法的实现,本发明实施例还提供一种动脉血管图像分割模型训练装置,参照图14所示,该装置包括:
预处理单元141,用于对获取到的DSA图像进行预处理,以构建动脉血管图像库;
第一标注单元142,用于对动脉血管图像库中的部分样本图像进行标注,以构建标注样本图像集;
第一训练单元143,用于构建卷积深度网络,并设置深度网络参数,生成初始动脉血管分割模型;
第二训练单元144,用于使用标注样本图像集训练所述初始动脉血管分割模型,生成动脉血管图像分割模型;
第二标注单元145,用于对于使用动脉血管图像分割模型分割所述动脉血管图像库中除部分样本图像之外的其他图像得到的血管目标图像,进一步进行标注;
第三训练单元146,用于对动脉血管图像分割模型进行迭代训练。
本实施例提供的动脉血管图像分割模型训练装置,与本发明实施例所提供的动脉血管图像分割模型训练方法属于同一发明构思,可执行本发明任意实施例所提供的动脉血管图像分割模型训练方法,具备执行动脉血管图像分割模型训练方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例提供的动脉血管图像分割模型训练方法,此处不再加以赘述。
实施例四
作为对实施例二中的动脉血管图像分割方法的实现,本发明实施例还提供一种动脉血管图像分割装置,参照图15所示,该装置包括:
获取单元151,用于获取待处理的DSA图像;
预处理单元152,用于对待处理的DSA图像进行预处理;
分割单元153,用于采用预先训练好的动脉血管图像分割模型对预处理后的待处理的DSA图像进行分割,得到动脉血管目标图像;
输出单元154,用于输出动脉血管目标图像;
其中,预先训练好的动脉血管图像分割模型基于实施例一所述的方法训练。
本实施例提供的动脉血管图像分割装置,与本发明实施例所提供的动脉血管图像分割方法属于同一发明构思,可执行本发明任意实施例所提供的动脉血管图像分割方法,具备执行动脉血管图像分割方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例提供的动脉血管图像分割方法,此处不再加以赘述。
此外,本发明另一实施例还提供一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如实施例一所述的动脉血管图像分割模型训练方法。
此外,本发明另一实施例还提供一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如实施例二所述的动脉血管图像分割方法。
此外,本发明另一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如实施例一所述的动脉血管图像分割模型训练方法。
此外,本发明另一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如实施例二的动脉血管图像分割方法。
本领域内的技术人员应明白,本发明实施例中的实施例可提供为方法、***、或计算机程序产品。因此,本发明实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例中是参照根据本发明实施例中实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例中的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例中范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。