CN110400317A - 多结构图像分割方法、计算机设备和存储介质 - Google Patents

多结构图像分割方法、计算机设备和存储介质 Download PDF

Info

Publication number
CN110400317A
CN110400317A CN201910592537.4A CN201910592537A CN110400317A CN 110400317 A CN110400317 A CN 110400317A CN 201910592537 A CN201910592537 A CN 201910592537A CN 110400317 A CN110400317 A CN 110400317A
Authority
CN
China
Prior art keywords
image
channel
convolution
split
characteristic pattern
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910592537.4A
Other languages
English (en)
Inventor
霍权
石峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN201910592537.4A priority Critical patent/CN110400317A/zh
Publication of CN110400317A publication Critical patent/CN110400317A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种多结构图像分割方法、计算机设备和存储介质，计算机设备在获取待分割图像后，将该待分割图像输入预先训练好的分割网络中，得到分割后的多结构图像，由于该方法中，分割网络中是通过至少两层卷积操作将得到的C1通道的特征图转换为C2通道特征图，这样可以极大地降低计算量以及内存和显存的消耗。

Description

多结构图像分割方法、计算机设备和存储介质
技术领域
本申请涉及医疗检测技术领域，特别是涉及一种多结构图像分割方法、计算机设备和存储介质。
背景技术
在医疗检测技术领域，通常采用卷积神经网络实现对医疗图像的分类、检测及分割，其中，对医疗图像的分割为目前医疗检测的一个重要部分。而且由于人体组织器官的复杂度很高，可能包括很多子结构，例如，脑图谱中包含上百甚至上千子结构，基于上述应用场景，相应的出现了很多基于卷积神经网络的大批量子结构的分割方法。
通常基于卷积神经网络的大批量子结构的分割方法主要包括两类，第一类方法为根据大批量子结构分别训练得到的对应分割模型分别进行子结构分割。第二类方法为根据大批量子结构训练一个分割模型，再利用训练好的一个分割模型对输入图像中包含的大批量子结构进行一次性分割。
但是，上述基于卷积神经网络的大批量子结构的分割方法存在内存和显存消耗大的问题。
发明内容
基于此，有必要针对上述基于卷积神经网络的大批量子结构的分割方法存在内存和显存消耗大的技术问题，提供一种多结构图像分割方法、计算机设备和存储介质。
第一方面，本申请实施例提供一种多结构图像分割方法，该方法包括：
获取待分割图像，其中，待分割图像包括多个待分割结构；
将待分割图像输入至分割网络中，得到分割后的多结构图像，其中，分割网络包括将得到的C1通道的特征图转换为C2通道特征图的卷积操作，其中，将得到的C1通道的特征图转换为C2通道特征图的卷积操作，包括采用C1个k1*k2*k3的卷积核，对各卷积核与C1通道的特征图中的一个通道的图像进行卷积运算，得到卷积后的C1通道的特征图，然后对卷积后的C1通道的特征图与C2个m1*m2*m3的卷积核进行卷积运算，得到C2通道的特征图，其中，k1>m1，k2>m2，k3>m3。
在其中一个实施例中，上述分割网络在分割网络的输出层进行将得到的C1通道的特征图转换为C2通道特征图的卷积操作。
在其中一个实施例中，上述转换的C2通道的数量为分割网络输出的分割后多结构图像的结构数量。
在其中一个实施例中，C2>C1。
在其中一个实施例中，1<k1<n，1<k2<n，1<k3<n；其中，n为自然整数。
在其中一个实施例中，m1＝m2＝m3＝1。
在其中一个实施例中，上述待分割图像为整个图像或者多个区域块图像，多个区域块图像具有整个图像的全部图像特征。
在其中一个实施例中，上述区域块图像的中心坐标是根据整个图像上的非背景点坐标进行随机选取的。
在其中一个实施例中，上述区域块图像的尺寸为16的倍数。
第二方面，本申请实施例提供一种多结构图像分割装置，该装置包括：
获取模块，用于获取待分割图像，其中，待分割图像包括多个待分割结构；
分割模块，用于将待分割图像输入至分割网络中，得到分割后的多结构图像，其中，分割网络包括将得到的C1通道的特征图转换为C2通道特征图的卷积操作，其中，将得到的C1通道的特征图转换为C2通道特征图的卷积操作，包括采用C1个k1*k2*k3的卷积核，对各卷积核与C1通道的特征图中的一个通道的图像进行卷积运算，得到卷积后的C1通道的特征图，然后对卷积后的C1通道的特征图与C2个m1*m2*m3的卷积核进行卷积运算，得到C2通道的特征图，其中，k1>m1，k2>m2，k3>m3。
第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面实施例提供的任一项方法的步骤。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面实施例提供的任一项方法的步骤。
本申请实施例提供的一种多结构图像分割方法、计算机设备和存储介质，计算机设备在获取待分割图像后，将该待分割图像输入预先训练好的分割网络中，得到分割后的多结构图像，由于该方法中，分割网络中是通过至少两层卷积操作将得到的C1通道的特征图转换为C2通道特征图，这样可以极大地降低计算量以及内存和显存的消耗。
附图说明
图1为一个实施例提供的一种多结构图像分割方法的应用环境图；
图2为一个实施例提供的一种多结构图像分割方法的流程示意图；
图3为一个实施例提供的一种多结构图像分割网络示意图；
图4为一个实施例提供的一种多结构图像分割网络示意图；
图5为一个实施例提供的一种多结构图像分割装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的一种多结构图像分割方法，可以应用于如图1所示的计算机设备中，该计算机设备可以是终端，其内部结构图可以如图1所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种多结构图像分割方法。
本申请实施例提供一种多结构图像分割方法、装置、计算机设备和存储介质，旨在解决基于卷积神经网络的大批量子结构的分割方法存在内存和显存消耗大的技术问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是，本申请提供的一种多结构图像分割方法，图2-图5的执行主体为计算机设备，其中，其执行主体还可以是多结构图像分割装置，其中该装置可以通过软件、硬件或者软硬件结合的方式实现成为多结构图像分割方法的部分或者全部。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。
在一个实施例中，图2提供了一种多结构图像分割方法，本实施例涉及的是计算机设备对待分割图像进行分割的具体过程，如图2所示，所述方法包括：
S101，获取待分割图像，其中，待分割图像包括多个待分割结构。
本实施例中，待分割图像表示当前需要进行多个结构分割的图像，该待分割图像可以包含大量待分割结构，例如，该待分割图像可以是常规CT图像、MR I图像、PET-MRI图像等，本实施例对此不做限定。以脑MRI图像为例，该脑M RI图像中可以包括上千子结构，例如白质、灰质、脑脊液等结构，其中的白质又包括胼胝体、脑干等，灰质包括额叶、颞叶、顶叶、基底节等，胼胝体包括干部、嘴部、压部等，颞叶包括颞上回、颞中回、颞下回、颞级等，基底节包括杏仁核、尾状核、壳核、苍白球等。其中，该待分割图像中的结构类型，可以是脑结构、血管结构、器官结构、***构等，本实施例对该待分割图像中结构的数量、类型以及分布等均不作限定，只要有该图像包括多个结构需要被分割即可。
可选的，该待分割图像为整个图像或者整个图像分成的多个区域块图像，其中，多个区域块图像具有整个图像的全部图像特征。其中，整个图像的尺寸表示为原始的待分割图像，而区域块图像表示为从整个图像上分离出来的部分图像，其中，该区域块图像的形状不做限定，可以为长方形，也可以为正方形，只要该多个区域块图像组合起来所包含的图像特征能够满足具有整个图像的全部图像特征即可，对此本实施例不做限定。可选地，各区域块图像的中心坐标是根据整个图像上的非背景点坐标进行随机选取的，即在选取各区域块图像时，计算机设备是在整个图像上选取一个非背景点作为中心点，即该中心点必须处于某个子结构上，这样可以确保选取的区域块图像中都具有待分割的部分结构。
示例地，在实际应用中，计算机设备可以通过一些外接设备对人体器官或生态结构进行扫描得到该待分割图像，也可以是接收其他设备发送的该待分割图像，还可以是从预先存储至数据库中直接获取，或者，从互联网上进行下载的图像，本实施例对此计算机设备得到该待分割图像的方式不做具体限定。可以理解的是，上述所列举的获取待分割图像的方式均是获取整个图像的方式，若该待分割图像为多个区域块图像，则计算机设备通过整个图像获取多个区域块图像的方式可以是采用滑动窗口的方法在整个图像上提取固定大小的多个区域块图像，也可以预先设定不同尺寸的窗口，再根据不同尺寸的窗口在整个图像上提取对应尺寸大小的多个区域块图像，还可以是其他方式，本实施例对此不做限定。
S102，将待分割图像输入至分割网络中，得到分割后的多结构图像，其中，分割网络包括将得到的C1通道的特征图转换为C2通道特征图的卷积操作，其中，将得到的C1通道的特征图转换为C2通道特征图的卷积操作，包括采用C1个k1*k2*k3的卷积核，对各卷积核与C1通道的特征图中的一个通道的图像进行卷积运算，得到卷积后的C1通道的特征图，然后对卷积后的C1通道的特征图与C2个m1*m2*m3的卷积核进行卷积运算，得到C2通道的特征图，其中，k1>m1，k2>m2，k3>m3。
基于上述S101步骤获取的待分割图像，计算机设备将该待分割图像输入至分割网络中，得到分割后的多结构图像，其中该分割网络为预先训练好的用于对任何一张多结构图像中的多个结构进行分割，该分割网络在分割待分割图像中各结构时，可以是通过采用深度可分离卷积操作将得到的C1通道的特征图转换为C2通道特征图，即在将得到的C1通道的特征图转换为C2通道特征图中引入深度可分卷积结构，由于在现有技术中将C1通道的特征图转换为C2通道特征图一般是直接通过一层卷积层转换的，导致在转换过程中需要很大的显存并且计算复杂度较高、转换速度较慢，而本方案通过至少两层卷积层进行转换，可以提高转换的速度，降低复杂度以及降低显存。
具体地，分割网络对得到的C1通道的特征图转换为C2通道特征图的过程中，先采用C1个k1*k2*k3的卷积核，在一个实施例中，1<k1<n，1<k2<n，1<k3<n；其中，n为自然整数，如k1＝k2＝k3＝3，或k1＝k2＝k3＝5，对各卷积核与C1通道的特征图中的一个通道的图像进行卷积运算，得到卷积后的C1通道的特征图。基于得到的卷积后的C1通道的特征图，本步骤继续对卷积后的C1通道的特征图与C2个m1*m2*m3的卷积核进行卷积运算，即可得到C2通道的特征图，其中k1>m1，k2>m2，k3>m3，可减少计算量。在一个实施例中，C2>C1。在一个实施例中，m1＝m2＝m3＝1。
本实施例提供的多结构图像分割方法，计算机设备在获取待分割图像后，将该待分割图像输入预先训练好的分割网络中，得到分割后的多结构图像，由于该方法中，分割网络中是通过至少两层卷积操作将得到的C1通道的特征图转换为C2通道特征图，这样可以极大地降低复杂度以及内存和显存的消耗。
另外需要说明的是，本申请提供的多结构图像分割方法是基于典的v-net结构进行的，则本申请在具体实施例过程中是v-net结构的输出层完成，则在一个实施例中，该分割网络在分割网络的输出层进行将得到的C1通道的特征图转换为C2通道特征图的卷积操作。可选地，该转换的C2通道的数量为分割网络输出的分割后多结构图像的结构数量。其中，需要转换的C2通道的数量即最终的分割后多结构图像的结构数量，即若待分割图像最后需要被分割成112类结构，则C2通道数量表示的为112通道。这样在v-net结构的输出层通过深度可分离卷积操作将得到的C1通道的特征图转换为C2通道特征图，可以降低复杂度以及内存和显存的消耗。
下面对于上述分割网络通过将得到的C1通道的特征图转换为C2通道特征图的具体过程进行说明，则在上述实施例的基础上，本申请实施例还提供了一种多结构图像分割方法。示例地，以脑MR图像、将其分为112个子结构、分割网络是经典的v-net结构为例，来说明如何对大批量子结构的图像进行分割。
具体地，在说明之前，先对该v-net结构的分割网络训练过程进行简单说明，本实施例在实际应用时，需要对分割网络作以训练以适应本实施例的可实施性。则在得到脑MR图像数据后，将脑图像经过旋转、重采样、调整尺寸、去头骨、图像非均匀校正、直方图匹配、灰度归一化一系列操作，使所有图像尺寸均为256*256*256mm3，由于采用的V-net网络结构是全卷积网络，所以在训练过程是可以输入任意尺寸的图像的，其分割的过程中V-net的最大步长为16，需要选取patch size的大小为16的倍数完成有效的训练，因此选取的patchsize为96*96*96。为了均衡正负样本，选择patch的中心坐标是基于mask上的每一个label进行随机选取的，这样可以保证不会选到全是背景的Patch，通过该方法训练还可以有效的降低对显存的消耗，在测试的时候，由于不会保存梯度信息，所以可以将整个图像送入网络，端到端的生成子结构的mask。
基于上述训练好的分割网络，该脑MR图像最后需要被分割成112类，即需要将最后一层图像96*96*96*32变成96*96*96*112，即将C1＝32通道变为C2＝112通道。具体地，如图3所示，第一步分开使用32个卷积核，每个卷积核的大小是3*3*3，即k1＝k2＝k3＝3，每个卷积核与输入层的一个通道卷积(仅一个通道，而非所有通道)，每个这样的卷积都能提供大小为96*96*96的特征图，然后将这些映射图堆叠在一起，创建一个96*96*96*32的特征图，经过这个操作之后，可以得到大小为96*96*96*32的输出。第二步应用卷积核大小为1*1*1的卷积,即m1＝m2＝m3＝1，将96*96*96*32的输入图像与112个1*1*1的卷积核卷积，即可得到96*96*96*112个特征图。
通过上述两层卷积操作可达到的效果，可参照图5所示，可以分别计算一下图4中传统方法和本申请提供的卷积操作中两种方法各自的参数数量。
则传统方法中直接卷积操作需要32×112×3×3×3＝96768个参数；
而本申请提供的卷积操作，第一步需要32×1×3×3×3＝864个参数，第二步需要32×112×1×1×1＝3584个参数，一共需要4448个参数；
两种方法的参数数量进行对比，可确定的是本申请提供的卷积操作大概仅有直接卷积的4.5％。
相当于，传统方法中直接卷积操作的计算成本为：N×M×3×3×3＝27NM；
本申请提供的卷积操作的计算成本为：N×1×3×3×3+N×M×1×1×1＝27N+NM；使用本申请提供的卷积操作与统方法中直接卷积操作的计算成本的关系为：27M/(27+M)。
可见，本申请提供的多结构图像分割方法，在对大批量子结构分割的情况下，在分割网络最后输出层使用深度可分卷积可以大幅度的降低显存的消耗。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种多结构图像分割装置，该装置包括：获取模块10、分割模块11，其中，
获取模块10，用于获取待分割图像，其中，待分割图像包括多个待分割结构；
分割模块11，用于将待分割图像输入至分割网络中，得到分割后的多结构图像，其中，分割网络包括将得到的C1通道的特征图转换为C2通道特征图的卷积操作，其中，将得到的C1通道的特征图转换为C2通道特征图的卷积操作，包括采用C1个k1*k2*k3的卷积核，对各卷积核与C1通道的特征图中的一个通道的图像进行卷积运算，得到卷积后的C1通道的特征图，然后对卷积后的C1通道的特征图与C2个m1*m2*m3的卷积核进行卷积运算，得到C2通道的特征图，其中，k1>m1，k2>m2，k3>m3。
上述实施例提供的一种多结构图像分割装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，分割模块11具体用于在分割网络的输出层进行将得到的C1通道的特征图转换为C2通道特征图的卷积操作。
在一个实施例中，上述转换的C2通道的数量为分割网络输出的分割后多结构图像的结构数量。
在一个实施例中，C2>C1。
在一个实施例中，1<k1<n，1<k2<n，1<k3<n；其中，n为自然整数。
在一个实施例中，m1＝m2＝m3＝1。
在一个实施例中，上述待分割图像为整个图像或者多个区域块图像，多个区域块图像具有整个图像的全部图像特征。
在一个实施例中，上述区域块图像的中心坐标是根据整个图像上的非背景点坐标进行随机选取的。
在一个实施例中，上述区域块图像的尺寸为16的倍数。
关于多结构图像分割装置的具体限定可以参见上文中对于多结构图像分割方法的限定，在此不再赘述。上述多结构图像分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图1所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种多结构图像分割方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待分割图像，其中，待分割图像包括多个待分割结构；
将待分割图像输入至分割网络中，得到分割后的多结构图像，其中，分割网络包括将得到的C1通道的特征图转换为C2通道特征图的卷积操作，其中，将得到的C1通道的特征图转换为C2通道特征图的卷积操作，包括采用C1个k1*k2*k3的卷积核，对各卷积核与C1通道的特征图中的一个通道的图像进行卷积运算，得到卷积后的C1通道的特征图，然后对卷积后的C1通道的特征图与C2个m1*m2*m3的卷积核进行卷积运算，得到C2通道的特征图，其中，k1>m1，k2>m2，k3>m3。
上述实施例提供的一种计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待分割图像，其中，待分割图像包括多个待分割结构；
将待分割图像输入至分割网络中，得到分割后的多结构图像，其中，分割网络包括将得到的C1通道的特征图转换为C2通道特征图的卷积操作，其中，将得到的C1通道的特征图转换为C2通道特征图的卷积操作，包括采用C1个k1*k2*k3的卷积核，对各卷积核与C1通道的特征图中的一个通道的图像进行卷积运算，得到卷积后的C1通道的特征图，然后对卷积后的C1通道的特征图与C2个m1*m2*m3的卷积核进行卷积运算，得到C2通道的特征图，其中，k1>m1，k2>m2，k3>m3。
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种多结构图像分割方法，其特征在于，所述方法包括：
获取待分割图像，所述待分割图像包括多个待分割结构；
将所述待分割图像输入至分割网络中，得到分割后的多结构图像，其中，所述分割网络包括将得到的C1通道的特征图转换为C2通道特征图的卷积操作，所述将得到的C1通道的特征图转换为C2通道特征图的卷积操作，包括采用C1个k1*k2*k3的卷积核，对各所述卷积核与所述C1通道的特征图中的一个通道的图像进行卷积运算，得到卷积后的C1通道的特征图，然后对所述卷积后的C1通道的特征图与C2个m1*m2*m3的卷积核进行卷积运算，得到所述C2通道的特征图，其中，k1>m1，k2>m2，k3>m3。
2.根据权利要求1所述的方法，其特征在于，所述分割网络在所述分割网络的输出层进行将得到的C1通道的特征图转换为所述C2通道特征图的卷积操作。
3.根据权利要求2所述的方法，其特征在于，所述转换的C2通道的数量为所述分割网络输出的分割后多结构图像的结构数量。
4.根据权利要求1-3任一项所述的方法，其特征在于，C2>C1。
5.根据权利要求4所述的方法，其特征在于，1<k1<n，1<k2<n，1<k3<n；所述n为自然整数。
6.根据权利要求5所述的方法，其特征在于，m1＝m2＝m3＝1。
7.根据权利要求1所述的方法，其特征在于，所述待分割图像为整个图像图像或者多个区域块图像，所述多个区域块图像具有所述整个图像的全部图像特征。
8.根据权利要求7所述的方法，其特征在于，所述区域块图像的中心坐标是根据所述整个图像上的非背景点坐标进行随机选取的。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN201910592537.4A 2019-07-03 2019-07-03 多结构图像分割方法、计算机设备和存储介质 Pending CN110400317A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910592537.4A CN110400317A (zh) 2019-07-03 2019-07-03 多结构图像分割方法、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910592537.4A CN110400317A (zh) 2019-07-03 2019-07-03 多结构图像分割方法、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN110400317A true CN110400317A (zh) 2019-11-01

Family

ID=68322720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910592537.4A Pending CN110400317A (zh) 2019-07-03 2019-07-03 多结构图像分割方法、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110400317A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109584246A (zh) * 2018-11-16 2019-04-05 成都信息工程大学 基于多尺度特征金字塔的dcm心肌诊疗放射影像分割方法
CN109583576A (zh) * 2018-12-17 2019-04-05 上海联影智能医疗科技有限公司 一种医学图像处理装置及方法
CN109785311A (zh) * 2019-01-14 2019-05-21 深圳和而泰数据资源与云技术有限公司 一种疾病诊断方法及相关设备
CN109949309A (zh) * 2019-03-18 2019-06-28 安徽紫薇帝星数字科技有限公司 一种基于深度学习的肝脏ct图像分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109584246A (zh) * 2018-11-16 2019-04-05 成都信息工程大学 基于多尺度特征金字塔的dcm心肌诊疗放射影像分割方法
CN109583576A (zh) * 2018-12-17 2019-04-05 上海联影智能医疗科技有限公司 一种医学图像处理装置及方法
CN109785311A (zh) * 2019-01-14 2019-05-21 深圳和而泰数据资源与云技术有限公司 一种疾病诊断方法及相关设备
CN109949309A (zh) * 2019-03-18 2019-06-28 安徽紫薇帝星数字科技有限公司 一种基于深度学习的肝脏ct图像分割方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ANDREW G. HOWARD ET AL: "MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications", 《ARXIV:1704.04861V1》 *
FAUSTO MILLETARI ET AL: "V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation", 《ARXIV:1606.04797V1》 *
FRANCOIS CHOLLET: "Xception: Deep Learning with Depthwise Separable Convolutions", 《ARXIV:1610.02357V3》 *
李庆勃、苏丹: "基于V-Net 的腹部多器官图像分割", 《数字技术与应用》 *
赵婕: "《特征提取与语义分析》", 30 June 2015 *

Similar Documents

Publication Publication Date Title
US11080857B2 (en) Systems and methods for segmenting an image
CN112365496B (zh) 基于深度学习和多引导的多模态mr影像脑肿瘤分割方法
Sun et al. Accurate gastric cancer segmentation in digital pathology images using deformable convolution and multi-scale embedding networks
CN110211130A (zh) 图像分割方法、计算机设备和存储介质
Chen et al. A trusted medical image super-resolution method based on feedback adaptive weighted dense network
CN110706214B (zh) 融合条件随机与残差的三维U-Net大脑肿瘤分割方法
Liu et al. IOUC-3DSFCNN: Segmentation of brain tumors via IOU constraint 3D symmetric full convolution network with multimodal auto-context
CN112862805B (zh) 听神经瘤图像自动化分割方法及***
CN110197491A (zh) 图像分割方法、装置、设备和存储介质
Veillard et al. Cell nuclei extraction from breast cancer histopathologyimages using colour, texture, scale and shape information
CN113628220B (zh) 基于改进的U-Net网络对MRI脑肿瘤图像的分割方法及***
Xie et al. The head and neck tumor segmentation using nnU-Net with spatial and channel ‘squeeze & excitation’blocks
Ansari et al. Multiple sclerosis lesion segmentation in brain MRI using inception modules embedded in a convolutional neural network
Mecheter et al. Brain MR images segmentation using 3D CNN with features recalibration mechanism for segmented CT generation
Yanling et al. Segmenting vitiligo on clinical face images using CNN trained on synthetic and internet images
DE102023104829A1 (de) Objektklasseninpainting - bzw. manipulieren in Digitalbildern unter Einsatz von klassenspezifischen Inpainting-Neuronalen- Netzwerken
Lin et al. A novel 2-phase residual U-net algorithm combined with optimal mass transportation for 3D brain tumor detection and segmentation
Cao et al. Brain tumor magnetic resonance image segmentation by a multiscale contextual attention module combined with a deep residual UNet (MCA-ResUNet)
DE102022105598A1 (de) Einrichtung, Verfahren und computerlesbares Medium für robuste Reaktion auf adversariale Störungen unter Verwendung hyperdimensionaler Vektoren
Deng et al. Isotropic reconstruction of 3D EM images with unsupervised degradation learning
Abbas et al. Improving deep learning-based image super-resolution with residual learning and perceptual loss using SRGAN model
CN110400317A (zh) 多结构图像分割方法、计算机设备和存储介质
US20230215545A1 (en) Method and system for tissue density analysis
DE102022120117A1 (de) On-Device erfolgendes Detektieren von Digitalobjekten und Generieren von Objektmasken
Cai et al. Learning global dependencies based on hierarchical full connection for brain tumor segmentation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191101