CN111028246A - 一种医学图像分割方法、装置、存储介质及电子设备 - Google Patents
一种医学图像分割方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111028246A CN111028246A CN201911252001.4A CN201911252001A CN111028246A CN 111028246 A CN111028246 A CN 111028246A CN 201911252001 A CN201911252001 A CN 201911252001A CN 111028246 A CN111028246 A CN 111028246A
- Authority
- CN
- China
- Prior art keywords
- sample data
- medical image
- module
- image segmentation
- image
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种医学图像分割方法、装置、存储介质及电子设备。其中,方法包括:获取待处理的医学图像,将所述医学图像输入至预先训练的图像分割模型中,其中,所述图像分割模型包括编码器和解码器,其中,所述编码器中的各第一残差模块分别基于多尺度空洞卷积模块与所述解码器中的各第二残差模块横向连接;基于所述图像分割模型的输出结果,确定所述医学图像的分割目标。本实施例的技术方案,通过设置配置尺度空洞卷积模块的图像分割模型,对医学图像进行高精度的图像分割,在得到准确的分割目标的基础上,并保留了分割的目标的细节和空间信息。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种医学图像分割方法、装置、存储介质及电子设备。
背景技术
脑肿瘤是最常见和侵袭性的原发性脑肿瘤之一,严重危害人类健康。基于脑肿瘤的精确分割结果,医生可获得肿瘤的形态、大小及位置等多种信息,对其进行定量的分析和跟踪比较,掌握肿瘤病变发展和生长状态。
目前已有的脑肿瘤分割方法,无法准确提取细节特征以及整合多尺度感受野信息,导致脑肿瘤分割精度差,为解决这一问题,提出一种基于多尺度空洞卷积的脑肿瘤自动分割方法。
发明内容
本发明提供一种医学图像分割方法、装置、存储介质及电子设备,以实现提升医学图像分割精度。
第一方面,本发明实施例提供了一种医学图像分割方法,包括:
获取待处理的医学图像,将所述医学图像输入至预先训练的图像分割模型中,其中,所述图像分割模型包括编码器和解码器,其中,所述编码器中的各第一残差模块分别基于多尺度空洞卷积模块与所述解码器中的各第二残差模块横向连接;
基于所述图像分割模型的输出结果,确定所述医学图像的分割目标,其中,所述分割目标在所述输出结果中突出区别显示。
第二方面,本发明实施例还提供了一种医学图像分割装置,包括:
医学图像输入模块,用于获取待处理的医学图像,将所述医学图像输入至预先训练的图像分割模型中,其中,所述图像分割模型包括编码器和解码器,其中,所述编码器中的各第一残差模块分别基于多尺度空洞卷积模块与所述解码器中的各第二残差模块横向连接;
分割目标确定模块,用于基于所述图像分割模型的输出结果,确定所述医学图像的分割目标,其中,所述分割目标在所述输出结果中突出区别显示。
第三方面,本发明实施例还提供了一种电子设备,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计算机程序,其中,所述处理器执行所述计算机程序时实现如本发明任意实施例提供的一种操作推荐方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,其中,所述计算机可执行指令在由计算机处理器执行时实现如本发明任意实施例提供的一种操作推荐方法。
本发明实施例提供的技术方案,通过设置配置尺度空洞卷积模块的图像分割模型,对医学图像进行高精度的图像分割,在得到准确的分割目标的基础上,保留分割目标的细节信息。
附图说明
图1为本发明实施例一提供的一种医学图像分割方法的流程示意图;
图2是本发明实施例一提供的一种图像分割模型的结构示意图;
图3是本发明实施例提供的多尺度空洞卷积模块的结构示意图;
图4是本发明实施例提供的不同图像分割方式的脑肿瘤图像分割结果比对图;
图5是本发明实施例二提供的一种医学图像分割方法的流程示意图;
图6是本发明实施例三提供的一种医学图像分割装置的结构示意图;
图7为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种医学图像分割方法的流程示意图,本实施例可适用于对医学图像进行准确分割的情况,该方法可以由本实施例提供的医学图像分割装置来执行,该装置可通过软件和/或硬件的方式实现,该装置可集成在诸如计算机等的电子设备中。该方法具体包括如下步骤:
S110、获取待处理的医学图像,将医学图像输入至预先训练的图像分割模型中,其中,图像分割模型包括编码器和解码器,其中,编码器中的各第一残差模块分别基于多尺度空洞卷积模块与解码器中的各第二残差模块横向连接。
S120、基于图像分割模型的输出结果,确定医学图像的分割目标,其中,分割目标在输出结果中突出区别显示。
本实施例中,医学图像可以是通过医疗采集设备采集目标对象的任一检测位置的医疗图像,例如医学图像可以是但不限于磁共振图像、超声图像或者CT图像等,进一步的,医学图像可以是但不限于通过医疗采集设备采集的脑肿瘤图像、乳腺图像或者椎间盘图像等。
通过预先训练的图像分割模型对医学图像进行自动分割,得到精确的分割目标,提高了医学图像的分割精度和分割效率。
示例性的,参见图2,图2是本发明实施例一个提供的一种图像分割模型的结构示意图。图2中图像分割模型包括编码器和解码器,其中,编码器通过下采样提取医学图像中的图像特征,解码器通过上采样恢复特征信息,同时,在编码器和解码器之间横向设置多尺度空洞卷积模块。通过配置有多尺度空洞卷积模块的图像分割模型可提高肿瘤图像深层上下文语义信息和浅层细节纹理信息融合,实现细节特征以及整合多尺度感受野信息,解决传统卷积层对于语义分割任务存在特征分辨率与感受野的矛盾,多尺度空洞卷积模块的应用在增加感受野的同时不降低特征的分辨率,提升了对医学图像中分割目标的分割细节信息。
其中,编码器中包括预设数量的第一残差模块,解码器包括预设数量的第二残差模块,示例性的,参见图2,编码器中包括3个第一残差模块依次连接,解码器中包括3个第二残差模块并依次连接。编码器中的第一残差模块与解码器中的第二残差模块通过多尺度空洞卷积模块横向连接。需要说明的是,编码器和解码器中的残差模块的数量可以是根据用户需求进行调节。
可选的,对于第一残差模块或第二残差模块,包括:第一卷积层和第二卷积层,其中,第一卷积层和第二卷积层之后分别设置有正则化层和激活函数层,残差模块中输入端和输出端短接,其中,第一卷积层和第二卷积层的卷积核可以是3×3,激活函数层可以是RELU函数。在编码器中,任一第一残差模块用于对输入的样本数据或者上一第一残差模块的输出数据进行卷积处理,并将处理结果输出至下一第一残差模块和与第一残差模块连接的多尺度空洞卷积模块。示例性的,编码器中第一个第一残差模块对输入的样本数据进行特征提取,并将得到的特征信息分别输出至下一第一残差模块,以及与第一个第一残差模块连接的多尺度空洞卷积模块。在解码器中,任一第二残差模块用于对上一第二残差模块的输出结果或者编码器的输出结果,以及与第二残差模块连接的多尺度空洞卷积模块的输出结果进行卷积处理。
在图2中,编码器中包括三个第一残差模块,依次得到不同层次的特征信息,且不同层次的特征信息分别经过多尺度空洞卷积模块的处理,得到不同层次的多尺度特征信息,在解码器中包括三个第二残差模块,每一个第二残差模块分别将前一残差模块的特征信息与经过多尺度空洞卷积模块处理得到的多尺度特征信息进行融合,实现将不同层次的多尺度特征信息进行融合,其中,融合得到的特征信息中既包括深层次的细节特征信息,还包括浅层次的轮廓位置特征信息,提高了多尺度感受野信息的整合能力。
可选的,多尺度空洞卷积模块包括依次连接的至少两个卷积层和分别与至少两个卷积层连接的融合层,其中,至少两个卷积层的通道数相同。参见图3,图3是本发明实施例提供的多尺度空洞卷积模块的结构示意图。其中,多尺度空洞卷积模块中包括四个卷积层,依次连接。第一个卷积层,由空洞卷积系数为1,卷积核大小为1×1的卷积组成;第二个卷积由空洞卷积系数为12,卷积核大小为3×3卷积组成;第三个卷积由空洞卷积系数为24,卷积核大小为3×3卷积组成;第四个卷积由空洞卷积系数为36,卷积核大小为3×3卷积组成,四个卷积层的通道数相同。多尺度空洞卷积模块中还包括融合层(Concat层),分别与上述四个卷积层连接,用于将上述四个卷积层的输出特征进行融合。多尺度空洞卷积模块通过不同空洞卷积系数的卷积层对输入数据进行多尺度的特征提取,并通过融合层进行融合,实现多尺度特征信息的融合叠加。
可选的,图像分割模型中还包括softmax层,用于根据解码器的输出信息确定各标签的预测概率。
本实施例中,将医学图像输入至如图2所示的图像分割模型中,对医学图像进行多尺度特征提取和融合,并基于提取的多尺度特征信息对输入的医学图像进行识别,输出分割目标。需要说明的是,图像分割模型的输出结果可以是只包括分割目标,还可以是在医学图像中将分割目标进行突出显示,例如,可以通过调节医学图像中分割目标的颜色,将分割目标进行突出显示,示例性的,医学图像分割目标的为黑色,其他区域为白色;示例性的,当医学图像中分割目标包括多种分类时,将不同分类的像素点设置为不同的颜色,以进行区别显示。需要说明的是,图2仅是一种示例,在其他实施例中,输入的一些图像的尺寸不仅限于128×128×4,还可以是其他尺寸,例如240×240×4等,同时输入的医学图像可以是一个二维图像,例如大小为128×128或者240×240的图像等。
在一些实施例中,医学图像为脑肿瘤图像,包括四种不同磁序列表示,即Flair模态、T1模态、T2模态和T1c模态,每一个模态的图像可以是一个二维图像,例如240×240的图像,相应的,输入图像即为240×240×4的图像,其中,4表示Flair模态、T1模态、T2模态和T1c模态。图像分割模型对上述输入图像进行处理,得到脑肿瘤区域的分割结果。
需要说明的是,当采集的脑肿瘤图像为三维图像时,将三维的脑肿瘤图像进行切片处理,得到二维的脑肿瘤图像,基于图像分割模型对二维的脑肿瘤图像进行图像分割。
示例性的,参见图4,图4是本发明实施例提供的不同图像分割方式的脑肿瘤图像分割结果比对图。根据图4可知,通过本实施例提供的图像分割模型得到的脑肿瘤分割结果中包括脑肿瘤边缘的细节信息,提高了脑肿瘤分割的精度。参见表1,表1为基于ResU-Net和本申请实施例提供的图像分割模型(即多尺度空洞网络模型)对肿瘤图像分割结果参数对比。其中,表1中的肿瘤图像分割结果参数为在BraTS 2017数据集上的Dice得分。
表1
方法 | 完全肿瘤 | 核心肿瘤 | 增强肿瘤 |
ResU-Net | 0.8675 | 0.7646 | 0.6884 |
多尺度空洞网络模型(ours) | 0.8754 | 0.7669 | 0.6967 |
通过表1可明显得到,本申请实施例中提供的图像分割模型在完全肿瘤、核心肿瘤和增强肿瘤的图像分割上均存在高精度的分割。
本实施例提供的技术方案,通过设置配置尺度空洞卷积模块的图像分割模型,对医学图像进行高精度的图像分割,在得到准确的分割目标的基础上,保留分割目标的细节信息。
实施例二
图5是本发明实施例二提供的一种医学图像分割方法的流程示意图,在上述实施例的基础上进行了优化,其中,该方法包括:
S210、获取样本数据和样本数据的标签。
其中,样本数据和样本数据的标签用于训练得到图像分割模型。可选的,获取样本数据和样本数据的标签,包括:获取初始样本数据,和初始样本图像的初始标签;基于预设滑动窗口在初始样本数据上进行滑动,并截取至少一个样本数据,其中,样本数据包括待分割目标;基于初始样本数据与初始标签的对应关系,确定截取的至少一个样本数据的标签。
示例性的,以脑肿瘤图像为例,初始样本数据可以是通过磁共振成像设备采集的脑肿瘤图像,初始标签中包括初始样本图像中各像素点的分类标识,其中,初始样本图像至少包括分割目标区域和背景区域,相应的,不同区域的像素点属于不同的类型,不同类型的像素点分别设置有不同的分类标识,且一个像素点有且只有一个分类标识,示例性的,分割目标区域的像素点的分类标识可以是1,背景区域的像素点的分类标识可以是0。以脑肿瘤图像为例,初始样本图像可以是包括背景区域、坏死和非增强区域、水肿区域和增强肿瘤区域,相应的,背景区域的像素点的分类标识可以是0,坏死和非增强区域的像素点的分类标识可以是1,水肿区域的像素点的分类标识可以是2,增强肿瘤区域的像素点的分类标识可以是4。
通过预设滑动窗口在初始样本数据上进行滑动,得到包括待分割目标的至少一个样本数据,可在一个初始样本数据的基础上,得到多个样本数据,为训练图像分割模型提供大量的样本数据,降低了样本数据的获取难度。其中,预设滑动窗口可以是根据样本数据的需求尺寸确定,例如可以是128×128。初始样本数据和初始标签中分类标识一一对应,根据截取的样本数据在初始样本数据的相对位置,可从初始标签中确定截取的样本数据的标签。
可选的,初始样本数据为三维样本数据,其中,在获取初始样本数据之后,还包括:将三维样本数据沿分割目标的轴向进行切片,得到多个二维初始样本数据。示例性的,三维样本数据的尺寸可以是152×192×146,沿分割目标的轴向进行切片,可得到146个尺寸为152×192的二维初始样本数据。本实施例中,图像分割模型对二维图像进行分割,可提高图像分割模型对医学图像的处理效率。
本实施例中,在对三维样本数据进行切片处理之前,还可以确定三维样本数据中是否存在大面积无效像素,若是,则从三维样本数据中切除无效像素,避免大面积无效像素对图像分割的干扰。
S220、对样本数据进行预处理,生成输入数据。
本实施例中,对样本数据进行预处理可以是对样本数据进行归一化处理。由于不同的样本数据可以是通过不同的图像采集设备基于不同用户得到,医学图像采集过程中可以是基于不同剂量得到,相应的,不同样本数据的差异性较大。通过归一化处理减少不同样本数据之间的差异性。
可选的,对样本数据进行预处理可以包括:确定样本数据的像素均值和像素标准差;基于样本数据的各像素点的像素值、像素均值和像素标准差对样本数据进行归一化处理,得到输入数据。
例如,可以是根据如下公式得到输入数据:
S230、将输入数据输入至待训练的图像分割模型中,基于所述样本数据的标签以和所述图像分割模型的预测结果,确定损失函数。
其中,y为样本数据的标签,yl为图像分割模型的预测结果,i为标签中的各类别,c为类别和。
其中,c为标签类别,w为各类型的权重,f(x,θ)为方法预测结果,θ为激活函数,x为输入图像。
本实施例中,损失函数可以是Dice函数和加权Entropy Loss函数的和。
S240、基于损失函数对待训练的图像分割模型进行训练。
本实施例中,将损失函数反向输入至待训练的图像分割模型中,通过随机梯度下降法对网络不断的进行优化,直到完成预设次数的迭代训练或者图像分割模型达到预设分割精度,完成对图像分割模型的训练。
可选的,在完成对图像分割模型的训练之后,还可以是通过测试样本数据对训练得到的图像分割模型进行测试,当测试结果中图像分割模型的分割精度满足要求时,确定图像分割模型训练成功,当测试结果中图像分割模型的分割精度不满足要求时,对该图像分割模型进行重新训练。
其中,测试样本数据及测试样本数据的标签的获取方式,与训练样本数据相同,此处不再赘述。
S250、获取待处理的医学图像,将医学图像输入至预先训练的图像分割模型中,基于图像分割模型的输出结果,确定医学图像的分割目标,其中,分割目标在输出结果中突出区别显示。
示例性的,对于脑肿瘤图像的分割,图像分割模型的输出结果中可以是将背景区域设置为白色或者黑色,坏死和非增强区域、水肿区域和增强肿瘤区域分别以黑色或白色以外的其他三种颜色显示,实现对脑肿瘤图像的精确分割和突出显示。
本实施例的技术方案,通过端对端的训练得到具有细节特征提取和整合多尺度感受野信息能力的图像分割模型,对获取的医学图像进行分割,得到具有细节信息的分割目标,提高了医学图像的分割精度,有利于辅助提高医学图像的诊断准确率。
实施例三
图6是本发明实施例三提供的一种医学图像分割装置的结构示意图,该装置包括:
医学图像输入模块310,用于获取待处理的医学图像,将医学图像输入至预先训练的图像分割模型中,其中,图像分割模型包括编码器和解码器,其中,编码器中的各第一残差模块分别基于多尺度空洞卷积模块与解码器中的各第二残差模块横向连接;
分割目标确定模块0,用于基于图像分割模型的输出结果,确定医学图像的分割目标,其中,分割目标在输出结果中突出区别显示。
在上述实施例的基础上,该装置还包括:
样本数据获取模块,用于获取样本数据和样本数据的标签;
预处理模块,用于对样本数据进行预处理,生成输入数据;
损失函数确定模块,用于将输入数据输入至待训练的图像分割模型中,基于样本数据的标签和待训练的图像分割模型的预测分割结果,确定损失函数;
模型训练模块,用于基于损失函数对待训练的图像分割模型进行训练。
可选的,样本数据获取模块包括:
初始样本数据获取单元,用于获取初始样本数据,和初始样本图像的初始标签,其中,初始标签中包括初始样本图像中各像素点的分类标识;
样本数据截取单元,用于基于预设滑动窗口在初始样本数据上进行滑动,并截取至少一个样本数据,其中样本数据包括待分割目标;
标签确定单元,用于基于初始样本数据与初始标签的对应关系,确定截取的至少一个样本数据的标签。
可选的,初始样本数据为三维样本数据。
相应的,样本数据获取模块还包括:
初始样本数据切片单元,用于在获取初始样本数据之后,将三维样本数据沿分割目标的轴向进行切片,得到多个二维初始样本数据。
可选的,预处理模块用于:
确定样本数据的像素均值和像素标准差;
基于样本数据的各像素点的像素值、像素均值和像素标准差对样本数据进行归一化处理,得到输入数据。
可选的,第一残差模块或第二残差模块包括:第一卷积层和第二卷积层,其中,第一卷积层和第二卷积层之后分别设置有正则化层和激活函数层。
可选的,多尺度空洞卷积模块包括依次连接的至少两个卷积层和分别与至少两个卷积层连接的融合层,其中,至少两个卷积层的通道数相同。
可选的,任一第一残差模块用于对输入的样本数据或者上一第一残差模块的输出数据进行卷积处理,并将处理结果输出至下一第一残差模块和与第一残差模块连接的多尺度空洞卷积模块;
任一第二残差模块用于对上一第二残差模块的输出结果或者编码器的输出结果,以及与第二残差模块连接的多尺度空洞卷积模块的输出结果进行卷积处理。
可选的,医学图像为脑肿瘤图像,分割目标为脑肿瘤区域。
本发明实施例提供的医学图像分割装置可执行本发明任意实施例所提供的医学图像分割方法,具备执行医学图像分割方法相应的功能模块和有益效果。
实施例四
图7为本发明实施例四提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图7显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
电子设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图7未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组程序模块46的程序/实用工具44,可以存储在例如存储器28中,这样的程序模块46包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块46通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种医学图像分割方法,该方法包括:
获取待处理的医学图像,将所述医学图像输入至预先训练的图像分割模型中,其中,所述图像分割模型包括编码器和解码器,其中,所述编码器中的各第一残差模块分别基于多尺度空洞卷积模块与所述解码器中的各第二残差模块横向连接;
基于所述图像分割模型的输出结果,确定所述医学图像的分割目标,其中,所述分割目标在所述输出结果中突出区别显示。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种医学图像分割方法。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的一种医学图像分割方法的技术方案。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的一种医学图像分割方法,该方法包括:
获取待处理的医学图像,将所述医学图像输入至预先训练的图像分割模型中,其中,所述图像分割模型包括编码器和解码器,其中,所述编码器中的各第一残差模块分别基于多尺度空洞卷积模块与所述解码器中的各第二残差模块横向连接;
基于所述图像分割模型的输出结果,确定所述医学图像的分割目标,其中,所述分割目标在所述输出结果中突出区别显示。
当然,本发明实施例所提供的一种计算机可读存储介质,其上存储的计算机程序不限于如上的方法操作,还可以执行本发明任意实施例所提供的一种医学图像分割方法中的相关操作。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、***或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、***或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在视频片段、第二视频的特征编码、各视频片段的特征编码等,其中承载了计算机可读的程序代码。这种传播的视频片段、第二视频的特征编码、各视频片段的特征编码等形式。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、***或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
值得注意的是,上述视频处理装置的实施例中,所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种医学图像分割方法,其特征在于,包括:
获取待处理的医学图像,将所述医学图像输入至预先训练的图像分割模型中,其中,所述图像分割模型包括编码器和解码器,其中,所述编码器中的各第一残差模块分别基于多尺度空洞卷积模块与所述解码器中的各第二残差模块横向连接;
基于所述图像分割模型的输出结果,确定所述医学图像的分割目标。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取样本数据和样本数据的标签;
对所述样本数据进行预处理,生成输入数据;
将所述输入数据输入至待训练的图像分割模型中,基于所述样本数据的标签以和所述图像分割模型的预测结果,确定损失函数;
基于所述损失函数对所述待训练的图像分割模型进行训练。
3.根据权利要求2所述的方法,其特征在于,获取样本数据和样本数据的标签,包括:
获取初始样本数据,和所述初始样本图像的初始标签,其中,所述初始标签中包括所述初始样本图像中各像素点的分类标识;
基于预设滑动窗口在所述初始样本数据上进行滑动,并截取至少一个样本数据,其中所述样本数据包括待分割目标;
基于所述初始样本数据与所述初始标签的对应关系,确定截取的至少一个样本数据的标签。
4.根据权利要求3所述的方法,其特征在于,所述初始样本数据为三维样本数据,其中,在基于预设滑动窗口在所述初始样本数据上进行滑动之前,还包括:
将所述三维样本数据沿所述分割目标的轴向进行切片,得到多个二维初始样本数据。
5.根据权利要求2所述的方法,其特征在于,所述对所述样本数据进行预处理,生成输入数据包括:
确定所述样本数据的像素均值和像素标准差;
基于所述样本数据的各像素点的像素值、像素均值和像素标准差对所述样本数据进行归一化处理,得到所述输入数据。
6.根据权利要求1所述的方法,其特征在于,所述第一残差模块或第二残差模块包括:第一卷积层和第二卷积层,其中,所述第一卷积层和第二卷积层之后分别设置有正则化层和激活函数层。
7.根据权利要求1所述的方法,其特征在于,所述多尺度空洞卷积模块包括依次连接的至少两个卷积层和分别与所述至少两个卷积层连接的融合层,其中,所述至少两个卷积层的通道数相同。
8.根据权利要求1所述的方法,其特征在于,任一所述第一残差模块用于对输入的样本数据或者上一第一残差模块的输出数据进行卷积处理,并将处理结果输出至下一第一残差模块和与所述第一残差模块连接的多尺度空洞卷积模块;
任一所述第二残差模块用于对上一第二残差模块的输出结果或者所述编码器的输出结果,以及与所述第二残差模块连接的多尺度空洞卷积模块的输出结果进行卷积处理。
9.根据权利要求1-8任一所述的方法,其特征在于,所述医学图像为脑肿瘤图像,所述分割目标为脑肿瘤区域。
10.一种医学图像分割装置,其特征在于,包括:
医学图像输入模块,用于获取待处理的医学图像,将所述医学图像输入至预先训练的图像分割模型中,其中,所述图像分割模型包括编码器和解码器,其中,所述编码器中的各第一残差模块分别基于多尺度空洞卷积模块与所述解码器中的各第二残差模块横向连接;
分割目标确定模块,用于基于所述图像分割模型的输出结果,确定所述医学图像的分割目标,其中,所述分割目标在所述输出结果中突出区别显示。
11.一种电子设备,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如权利要求1-9中任一项所述的一种医学图像分割方法。
12.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-9中任一项所述的医学图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911252001.4A CN111028246A (zh) | 2019-12-09 | 2019-12-09 | 一种医学图像分割方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911252001.4A CN111028246A (zh) | 2019-12-09 | 2019-12-09 | 一种医学图像分割方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111028246A true CN111028246A (zh) | 2020-04-17 |
Family
ID=70206135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911252001.4A Pending CN111028246A (zh) | 2019-12-09 | 2019-12-09 | 一种医学图像分割方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111028246A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915597A (zh) * | 2020-08-07 | 2020-11-10 | 温州医科大学 | 一种病灶图像检测方法和装置 |
CN112102251A (zh) * | 2020-08-20 | 2020-12-18 | 上海壁仞智能科技有限公司 | 一种分割影像的方法及装置、电子设备和存储介质 |
CN112530554A (zh) * | 2020-12-17 | 2021-03-19 | 上海联影医疗科技股份有限公司 | 一种扫描定位方法、装置、存储介质及电子设备 |
CN112635060A (zh) * | 2020-12-29 | 2021-04-09 | 北京航空航天大学合肥创新研究院 | 一种生存力评估方法、装置、评估设备及存储介质 |
CN112950652A (zh) * | 2021-02-08 | 2021-06-11 | 深圳市优必选科技股份有限公司 | 机器人及其手部图像分割方法和装置 |
CN113362409A (zh) * | 2021-05-28 | 2021-09-07 | 北京百度网讯科技有限公司 | 图像上色及其模型训练方法、装置、电子设备、存储介质 |
CN113538394A (zh) * | 2021-07-26 | 2021-10-22 | 泰康保险集团股份有限公司 | 一种图像分割方法、装置、电子设备及存储介质 |
CN113538359A (zh) * | 2021-07-12 | 2021-10-22 | 北京曙光易通技术有限公司 | 一种用于指静脉图像分割的***以及方法 |
CN113592771A (zh) * | 2021-06-24 | 2021-11-02 | 深圳大学 | 一种图像分割方法 |
CN113947681A (zh) * | 2021-10-18 | 2022-01-18 | 柏意慧心(杭州)网络科技有限公司 | 用于分割医学影像的方法、设备和介质 |
CN115409990A (zh) * | 2022-09-28 | 2022-11-29 | 北京医准智能科技有限公司 | 一种医学图像分割方法、装置、设备及存储介质 |
CN115700762A (zh) * | 2022-12-28 | 2023-02-07 | 苏州国科康成医疗科技有限公司 | 医学图像的目标元素分割方法、模型、电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635882A (zh) * | 2019-01-23 | 2019-04-16 | 福州大学 | 一种基于多尺度卷积特征提取和融合的显著物体检测方法 |
CN110110617A (zh) * | 2019-04-22 | 2019-08-09 | 腾讯科技(深圳)有限公司 | 医学影像分割方法、装置、电子设备和存储介质 |
CN110197709A (zh) * | 2019-05-29 | 2019-09-03 | 广州瑞多思医疗科技有限公司 | 一种基于深度学习与先验计划的三维剂量预测方法 |
CN110490878A (zh) * | 2019-07-29 | 2019-11-22 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110503052A (zh) * | 2019-08-27 | 2019-11-26 | 西南交通大学 | 一种基于改进u-net网络的图像语义分割方法 |
US20190370972A1 (en) * | 2018-06-04 | 2019-12-05 | University Of Central Florida Research Foundation, Inc. | Capsules for image analysis |
-
2019
- 2019-12-09 CN CN201911252001.4A patent/CN111028246A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190370972A1 (en) * | 2018-06-04 | 2019-12-05 | University Of Central Florida Research Foundation, Inc. | Capsules for image analysis |
CN109635882A (zh) * | 2019-01-23 | 2019-04-16 | 福州大学 | 一种基于多尺度卷积特征提取和融合的显著物体检测方法 |
CN110110617A (zh) * | 2019-04-22 | 2019-08-09 | 腾讯科技(深圳)有限公司 | 医学影像分割方法、装置、电子设备和存储介质 |
CN110197709A (zh) * | 2019-05-29 | 2019-09-03 | 广州瑞多思医疗科技有限公司 | 一种基于深度学习与先验计划的三维剂量预测方法 |
CN110490878A (zh) * | 2019-07-29 | 2019-11-22 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110503052A (zh) * | 2019-08-27 | 2019-11-26 | 西南交通大学 | 一种基于改进u-net网络的图像语义分割方法 |
Non-Patent Citations (1)
Title |
---|
JIANXIN ZHANG 等: ""SDResU-net:Separable and dilated residual U-net for mri Brain tumor segmentation"", 《CURRENT MEDICAL IMAGING》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915597A (zh) * | 2020-08-07 | 2020-11-10 | 温州医科大学 | 一种病灶图像检测方法和装置 |
CN112102251A (zh) * | 2020-08-20 | 2020-12-18 | 上海壁仞智能科技有限公司 | 一种分割影像的方法及装置、电子设备和存储介质 |
CN112102251B (zh) * | 2020-08-20 | 2023-10-31 | 上海壁仞智能科技有限公司 | 一种分割影像的方法及装置、电子设备和存储介质 |
CN112530554B (zh) * | 2020-12-17 | 2023-08-18 | 上海联影医疗科技股份有限公司 | 一种扫描定位方法、装置、存储介质及电子设备 |
CN112530554A (zh) * | 2020-12-17 | 2021-03-19 | 上海联影医疗科技股份有限公司 | 一种扫描定位方法、装置、存储介质及电子设备 |
WO2022127318A1 (zh) * | 2020-12-17 | 2022-06-23 | 上海联影医疗科技股份有限公司 | 一种扫描定位方法、装置、存储介质及电子设备 |
CN112635060A (zh) * | 2020-12-29 | 2021-04-09 | 北京航空航天大学合肥创新研究院 | 一种生存力评估方法、装置、评估设备及存储介质 |
CN112635060B (zh) * | 2020-12-29 | 2023-11-14 | 北京航空航天大学合肥创新研究院 | 一种生存力评估方法、装置、评估设备及存储介质 |
WO2022143811A1 (zh) * | 2020-12-29 | 2022-07-07 | 北京航空航天大学合肥创新研究院 | 一种生存力评估方法、装置、评估设备及存储介质 |
CN112950652B (zh) * | 2021-02-08 | 2024-01-19 | 深圳市优必选科技股份有限公司 | 机器人及其手部图像分割方法和装置 |
CN112950652A (zh) * | 2021-02-08 | 2021-06-11 | 深圳市优必选科技股份有限公司 | 机器人及其手部图像分割方法和装置 |
CN113362409A (zh) * | 2021-05-28 | 2021-09-07 | 北京百度网讯科技有限公司 | 图像上色及其模型训练方法、装置、电子设备、存储介质 |
CN113362409B (zh) * | 2021-05-28 | 2023-10-31 | 北京百度网讯科技有限公司 | 图像上色及其模型训练方法、装置、电子设备、存储介质 |
CN113592771A (zh) * | 2021-06-24 | 2021-11-02 | 深圳大学 | 一种图像分割方法 |
CN113592771B (zh) * | 2021-06-24 | 2023-12-15 | 深圳大学 | 一种图像分割方法 |
CN113538359A (zh) * | 2021-07-12 | 2021-10-22 | 北京曙光易通技术有限公司 | 一种用于指静脉图像分割的***以及方法 |
CN113538359B (zh) * | 2021-07-12 | 2024-03-01 | 北京曙光易通技术有限公司 | 一种用于指静脉图像分割的***以及方法 |
CN113538394B (zh) * | 2021-07-26 | 2023-08-08 | 泰康保险集团股份有限公司 | 一种图像分割方法、装置、电子设备及存储介质 |
CN113538394A (zh) * | 2021-07-26 | 2021-10-22 | 泰康保险集团股份有限公司 | 一种图像分割方法、装置、电子设备及存储介质 |
CN113947681A (zh) * | 2021-10-18 | 2022-01-18 | 柏意慧心(杭州)网络科技有限公司 | 用于分割医学影像的方法、设备和介质 |
CN115409990A (zh) * | 2022-09-28 | 2022-11-29 | 北京医准智能科技有限公司 | 一种医学图像分割方法、装置、设备及存储介质 |
CN115700762A (zh) * | 2022-12-28 | 2023-02-07 | 苏州国科康成医疗科技有限公司 | 医学图像的目标元素分割方法、模型、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111028246A (zh) | 一种医学图像分割方法、装置、存储介质及电子设备 | |
EP3961484B1 (en) | Medical image segmentation method and device, electronic device and storage medium | |
CN110111313B (zh) | 基于深度学习的医学图像检测方法及相关设备 | |
CN111524106B (zh) | 颅骨骨折检测和模型训练方法、装置、设备和存储介质 | |
CN110059697B (zh) | 一种基于深度学习的肺结节自动分割方法 | |
US10853409B2 (en) | Systems and methods for image search | |
CN112085714B (zh) | 一种肺结节检测方法、模型训练方法、装置、设备及介质 | |
An et al. | Medical image segmentation algorithm based on multilayer boundary perception-self attention deep learning model | |
US20200372654A1 (en) | Sampling latent variables to generate multiple segmentations of an image | |
US20230052133A1 (en) | Medical image processing method and apparatus, device, storage medium, and product | |
CN112614144A (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN112465834A (zh) | 一种血管分割方法及装置 | |
CN114820584A (zh) | 肺部病灶定位装置 | |
CN112151179A (zh) | 影像数据评估方法、装置、设备及存储介质 | |
CN111523578B (zh) | 图像分类方法及装置、神经网络模型的训练方法及装置 | |
CN113781387A (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
CN110135428B (zh) | 图像分割处理方法和装置 | |
CN115601299A (zh) | 基于图像的肝硬化状态智能评估***及其方法 | |
CN111369524A (zh) | 结节识别模型训练方法、结节识别方法及装置 | |
CN110992310A (zh) | 一种确定纵隔***所在分区的方法及装置 | |
CN113537026A (zh) | 建筑平面图中的图元检测方法、装置、设备及介质 | |
CN113822846A (zh) | 医学图像中确定感兴趣区域的方法、装置、设备及介质 | |
CN113554668A (zh) | 一种皮肤镜图像黑色素瘤分割方法、装置及相关组件 | |
CN116309465B (zh) | 一种基于改进的YOLOv5的自然环境下舌像检测定位方法 | |
CN112927235A (zh) | 基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法 |
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: 20200417 |