CN111429421A - 模型生成方法、医学图像分割方法、装置、设备及介质 - Google Patents

模型生成方法、医学图像分割方法、装置、设备及介质 Download PDF

Info

Publication number
CN111429421A
CN111429421A CN202010197600.7A CN202010197600A CN111429421A CN 111429421 A CN111429421 A CN 111429421A CN 202010197600 A CN202010197600 A CN 202010197600A CN 111429421 A CN111429421 A CN 111429421A
Authority
CN
China
Prior art keywords
image
lung
segmentation
network
knowledge
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.)
Granted
Application number
CN202010197600.7A
Other languages
English (en)
Other versions
CN111429421B (zh
Inventor
康清波
谭卫雄
张荣国
李新阳
王少康
陈宽
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.)
Beijing Tuoxiang Technology Co ltd
Beijing Infervision Technology Co Ltd
Original Assignee
Beijing Tuoxiang Technology 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 Beijing Tuoxiang Technology Co ltd filed Critical Beijing Tuoxiang Technology Co ltd
Priority to CN202010197600.7A priority Critical patent/CN111429421B/zh
Publication of CN111429421A publication Critical patent/CN111429421A/zh
Application granted granted Critical
Publication of CN111429421B publication Critical patent/CN111429421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/30061—Lung
    • 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
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种模型生成方法、医学图像分割方法、装置、设备及介质。该模型生成方法包括：获取样本胸部的样本图像、样本图像中已知肺部的肺部掩膜图像、以及肺部掩膜图像的形状先验知识；将样本图像、肺部掩膜图像和形状先验知识作为一组训练样本，基于多组训练样本对原始分割模型进行训练，生成肺部分割模型；其中，原始分割模型包括特征提取网络，以及与特征提取网络分别连接的图像分割网络和先验知识回归网络。本发明实施例的技术方案，解决了现有分割模型未将肺部区域的形状先验知识有效利用起来的问题，基于形状先验知识设置的先验知识回归网络，与已有的图像分割网络相互配合，提高了肺部分割模型与肺部区域分割的匹配程度。

Description

模型生成方法、医学图像分割方法、装置、设备及介质
技术领域
本发明实施例涉及医学图像处理技术领域，尤其涉及一种模型生成方法、医学图像分割方法、装置、设备及介质。
背景技术
X光成像技术因辐射剂量较小且成本较低，是医学检查中最为常用的成像手段。基于X光成像技术获取的X光胸片可用于研究胸腔内各种结构，例如，从X光胸片中提取出的肺部区域信息如大小、不规则形状和总肺体积等等，可作为医护人员诊断肺气肿、肺癌、肺结核、肺气肿、气胸、心脏病和尘肺等等临床疾病的重要参考因素。因此，从X光胸片中精准分割出肺部区域，对后续的医学图像分析流程起着至关重要的作用。
但是，从X光胸片中精准分割出肺部区域存在许多困难和挑战，首先，因各位患者的性别、年龄和健康状况的差异性，肺部区域的形状和外观存在较大差异；其次，胸骨线、手术夹和起搏器等外部物体的存在将会进一步增加肺部区域的分割难度；再次，肺部的某些解剖结构也可能导致分割困难。
近年来，随着深度学习特别是卷积神经网络(Convolutional neural network，CNN)模型的快速发展，大量的可应用于医学图像分割的网络模型被相继提出，这些网络模型也可应用于X光胸片中的肺部区域分割。但是，这些网络模型在设置时并未考虑到肺部区域的独有特性，其对几乎全部的分割任务都采用同样的网络结构，这使得肺部区域的分割精度有待提高。
发明内容
本发明实施例提供了一种模型生成方法、医学图像分割方法、装置、设备及介质，以生成与肺部区域分割相匹配的肺部分割模型。
第一方面，本发明实施例提供了一种模型生成方法，可以包括：
获取样本胸部的样本图像、样本图像中已知肺部的肺部掩膜图像、以及肺部掩膜图像的形状先验知识；
将样本图像、肺部掩膜图像和形状先验知识作为一组训练样本，基于多组训练样本对原始分割模型进行训练，生成肺部分割模型；
其中，原始分割模型包括特征提取网络，以及与特征提取网络分别连接的图像分割网络和先验知识回归网络。
可选的，基于多组训练样本对原始分割模型进行训练，生成肺部分割模型，可以包括：
将样本图像输入至原始分割模型中，根据原始分割模型的输出结果，得到肺部预测图像和形状预测知识；
根据肺部预测图像和肺部掩膜图像确定图像分割网络的分割损失函数，并根据肺部预测图像、形状预测知识和形状先验知识确定先验知识回归网络的回归损失函数；
根据分割损失函数和回归损失函数确定原始分割模型的损失函数，并将损失函数反向输入至原始分割模型，调节原始分割模型的网络参数，生成肺部分割模型。
可选的，根据肺部预测图像、形状预测知识和形状先验知识确定先验知识回归网络的回归损失函数，可以包括：
根据形状先验知识和形状预测知识，确定第一回归损失函数；
根据肺部预测图像计算出形状计算知识，并根据形状先验知识和形状计算知识，确定第二回归损失函数；
根据第一回归损失函数和第二回归损失函数，确定先验知识回归网络的回归损失函数。
可选的，图像分割网络和先验知识回归网络分别连接在特征提取网络的瓶颈层后，和/或，特征提取网络包括残差连接层。
可选的，形状先验知识包括肺部掩膜图像中连通域的个数、面积、边界周长和边界长宽中的至少一个；和/或，
先验知识回归网络包括自适应平均池化层以及连续的全连接层；和/或，
样本图像是基于X光成像技术获取的。
第二方面，本发明实施例还提供了一种医学图像分割方法，可以包括：
获取受检胸部的受检图像，以及按照上述任一项的模型生成方法生成的已训练完成的肺部分割模型；
将受检图像输入至肺部分割模型中，根据肺部分割模型的输出结果，从受检图像中提取出肺部区域的分割图像。
第三方面，本发明实施例还提供了一种模型生成装置，该装置可以包括：
第一获取模块，用于获取样本胸部的样本图像、样本图像中已知肺部的肺部掩膜图像、以及肺部掩膜图像的形状先验知识；
模型生成模块，用于将样本图像、肺部掩膜图像和形状先验知识作为一组训练样本，基于多组训练样本对原始分割模型进行训练，生成肺部分割模型，其中，原始分割模型包括特征提取网络，以及与特征提取网络分别连接的图像分割网络和先验知识回归网络。
第四方面，本发明实施例还提供了一种医学图像分割装置，该装置可包括：
第二获取模块，用于获取受检胸部的受检图像，以及按照本发明任意实施例所提供的模型生成方法生成的已训练完成的肺部分割模型；
图像分割模块，用于将受检图像输入至肺部分割模型中，根据肺部分割模型的输出结果，从受检图像中提取出肺部区域的分割图像。
第五方面，本发明实施例还提供了一种设备，该设备可以包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本发明任意实施例所提供的模型生成方法或是医学图像分割方法。
第六方面，本发明实施例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，该计算机程序被处理器执行时实现本发明任意实施例所提供的模型生成方法或是医学图像分割方法。
本发明实施例的技术方案，通过已获取的样本胸部的样本图像、样本图像中已知肺部的肺部掩膜图像、以及肺部掩膜图像的形状先验知识构成一组训练样本，并基于多组训练样本对原始分割模型进行训练，该原始分割模型充分考虑了已知肺部的形状先验知识，是一种可以同时学习图像分割任务和全局图像回归任务的多任务学习框架，由此生成的已训练完成的肺部分割模型的泛化性能较强。上述技术方案，解决了现有分割模型未将肺部区域的形状先验知识有效利用起来的问题，基于形状先验知识设置的先验知识回归网络，与已有的图像分割网络相互配合，提高了肺部分割模型与肺部区域分割的匹配程度。
附图说明
图1是本发明实施例一中的一种模型生成方法的流程图；
图2是本发明实施例一中的一种模型生成方法中肺部区域分割的示意图；
图3是本发明实施例一中的一种模型生成方法中残差连接的原理图；
图4a是本发明实施例一中的一种模型生成方法中现有分割模型的示意图；
图4b是本发明实施例一中的一种模型生成方法中原始分割模型的示意图；
图4c是本发明实施例一中的一种模型生成方法中原始分割模型中的瓶颈层和先验知识回归网络的局部放大示意图；
图5是本发明实施例二中的一种医学图像分割方法的流程图；
图6是本发明实施例三中的一种模型生成装置的结构框图；
图7是本发明实施例四中的一种医学图像分割装置的结构框图；
图8是本发明实施例五中的一种设备的结构示意图。
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是本发明实施例一中提供的一种模型生成方法的流程图。本实施例可适用于生成与肺部区域分割相匹配的肺部分割模型的情况，尤其适用于基于多任务学习框架生成与肺部区域分割相匹配的肺部分割模型的情况。该方法可以由本发明实施例提供的模型生成装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在各种用户终端或服务器上。
参见图1，本发明实施例的方法具体包括如下步骤：
S110、获取样本胸部的样本图像、样本图像中已知肺部的肺部掩膜图像、以及肺部掩膜图像的形状先验知识。
其中，样本图像可以是基于X光成像技术获取的，该X光成像技术可以是数字X线摄影技术(Digital Radiography，DR)、计算机X线摄影技术(Computed Radiography,CR)或是计算机断层扫描技术(Computed Tomography，CT)等等，在此未做具体限定，由此得到的样本图像可称为X光胸片。
肺部掩模图像通常是人工标注的已知肺部的二值图像，其可作为模型训练过程中的一个期望输出，示例性的，如图2所示，图2左侧是一个样本图像的示意图，图2右侧是与图2左侧对应的肺部掩膜图像的示意图。
形状先验知识可以是肺部掩膜图像中连通域的个数、面积、边界周长和边界长宽中的至少一个，当然，其也可以是肺部掩膜图像的其余形状属性，在此未做具体限定。示例性的，若形状先验知识是连通域的个数，则形状先验知识是2，这是因为肺部通常分为左肺和右肺，则肺部掩膜图像中会包含两个连通域，即连通域的个数是2，该连通域的个数也可理解为分割目标的个数先验。其中，连通域的含义是，样本图像中每个像素周围均有8个邻接像素，常见的邻接关系包括4邻接与8邻接两种。若像素点A与像素点B邻接，则像素点A与像素点B连通；在此基础上，若像素点A与像素点B连通，像素点B与像素点C连通，则像素点A与像素点C连通。在视觉上看来，彼此连通的各像素点形成了同一区域，而不连通的各像素点形成了不同的区域。由此，一个由彼此连通的像素点构成的集合，可称为一个连通域。
S120、将样本图像、肺部掩膜图像和形状先验知识作为一组训练样本，基于多组训练样本对原始分割模型进行训练，生成肺部分割模型，其中，原始分割模型包括特征提取网络，以及与特征提取网络分别连接的图像分割网络和先验知识回归网络。
其中，现有技术中已存在的现有分割模型通常只包括特征提取网络和图像分割网络，该特征提取网络可从已输入的医学图像中提取出特征图，该图像分割网络可根据已提取的特征图对医学图像进行分割。也就是说，针对不同的分割任务，现有分割模型都采用同样的网络结构，其因未考虑到各分割任务的独有特性，导致各分割任务的分割精度有待提高。
为提高肺部区域的分割精度，本发明实施例对现有分割模型做出改进，设置一个与已有的特征提取网络连接的充分考虑了肺部区域的独有特性的先验知识回归网络，该先验知识回归网络可用于学习全局图像的形状属性，由此构成了本发明实施例所述的基于多任务学习的原始分割模型。
需要说明的是，首先，现有分割模型可以是那些可用于实现图像分割的卷积神经网络模型，比如U-Net、Res-U-Net、SegNet、Mask R-CNN、FCN等等，在此未做具体限定。其次，先验知识回归网络可以是将多个特征图转换为至少一个数值的任意网络结构，如1*1卷积层，再如自适应平均池化层加上连续的全连接层，等等，在此未做具体限定。再次，形状先验知识的类型的差异性，主要是对先验知识回归网络的网络参数产生影响，其通常不会对先验知识回归网络的网络结构产生影响，比如，若形状先验知识是连通域的数量，则先验知识回归网络的期望输出是1个数值；若形状先验知识是连通域的数量和连通域的面积，则先验知识回归网络的期望输出是2个数值，期望输出在数量上和数值上的差异性都会对网络参数产生影响。
综上可知，特征提取网络和图像分割网络相互配合，可用于执行图像分割任务；特征提取网络和先验知识回归网络相互配合，可用于执行全局图像回归任务，即，特征提取网络是图像分割任务和全局图像回归任务中共享的网络结构。由此，在模型训练过程中，原始分割模型可同时学习图像分割任务和全局图像回归任务，该多任务学习方案提高了已训练完成的肺部分割模型的泛化性能，进而提高了肺部区域的分割精度。
本发明实施例的技术方案，通过已获取的样本胸部的样本图像、样本图像中已知肺部的肺部掩膜图像、以及肺部掩膜图像的形状先验知识构成一组训练样本，并基于多组训练样本对原始分割模型进行训练，该原始分割模型充分考虑了已知肺部的形状先验知识，是一种可以同时学习图像分割任务和全局图像回归任务的多任务学习框架，由此生成的已训练完成的肺部分割模型的泛化性能较强。上述技术方案，解决了现有分割模型未将肺部区域的形状先验知识有效利用起来的问题，基于形状先验知识设置的先验知识回归网络，与已有的图像分割网络相互配合，提高了肺部分割模型与肺部区域分割的匹配程度。
在此基础上，可选的，图像分割网络和先验知识回归网络可连接在特征提取网络的同一卷积层的后面，该卷积层多为特征提取网络的最后一个卷积层。此时，当特征提取网络从已输入的医学图像中提取出多个特征图后，该多个特征图可同时输入到图像分割网络和先验知识回归网络，由此实现了图像分割任务和全局图像回归任务的并行执行。当然，图像分割网络和先验知识回归网络也可连接在特征提取网络的不同的卷积层的后面，在此未做具体限定。
可选的，上述同一卷积层可以是瓶颈层(bottleneck layer)，该瓶颈层可以认为是原始分割模型中输出具有最小分辨率的特征图的卷积层。需要说明的是，该瓶颈层可能是原始分割模型的最后一个卷积层，也可能不是原始分割模型的最后一个卷积层。比如，若原始分割模型是在现有的U-Net网络模型上设置了一个先验知识回归网络后得到的，因U-Net网络模型包括编码器和解码器，则该瓶颈层通常是编码器的最后一个卷积层，而并非是原始分割模型的最后一个卷积层；再比如，若原始分割模型未包括编码解码过程，则该瓶颈层有可能是原始分割模型的最后一个卷积层，在此未做具体限定。
可选的，特征提取网络可以包括残差连接(Residual connection，Res)层，其设置的原因在于，卷积神经网络模型随着卷积层层数的增加会带来梯度消失或者梯度***的问题，为了解决这一问题，可以在特征提取网络中设置残差连接层，其可将后一卷积层的输出特征图与其前一卷积层的输入特征图连接起来，由此构成了残差连接。示例性的，如图3所示，将后一卷积层的输出特征图F(X)和其前一卷积层的输入特征图X连接起来，得到F(X)+X。
一种可选的技术方案，基于多组训练样本对原始分割模型进行训练，生成肺部分割模型，具体可以包括：将样本图像输入至原始分割模型中，根据原始分割模型的输出结果，得到肺部预测图像和形状预测知识，其中，该肺部预测图像是根据图像分割网络的输出结果得到的，该形状预测知识是根据先验知识回归网络的输出结果得到的；根据肺部预测图像和肺部掩膜图像确定图像分割网络的分割损失函数，并根据肺部预测图像、形状预测知识和形状先验知识确定先验知识回归网络的回归损失函数；根据分割损失函数和回归损失函数确定原始分割模型的损失函数，并将损失函数反向输入至原始分割模型，调节原始分割模型的网络参数，生成肺部分割模型。
在此基础上，可选的，根据肺部预测图像、形状预测知识和形状先验知识确定先验知识回归网络的回归损失函数，具体可以包括：根据形状先验知识和形状预测知识，确定第一回归损失函数；根据肺部预测图像计算出形状计算知识，如若形状先验知识是连通域的个数，则将肺部预测图像中连通域的个数作为形状计算知识，进而，可根据形状先验知识和形状计算知识，确定第二回归损失函数；根据第一回归损失函数和第二回归损失函数，确定先验知识回归网络的回归损失函数。
为了更好地理解上述步骤的具体实现过程，下面结合具体示例对本实施例的模型生成方法进行示例性的说明。示例性的，如图4a-4c所示，以广泛应用于医学图像分割领域的U-Net网络结构为现有分割模型为例，其是由左侧的编码器与右侧的解码器组成。具体的，在编码器中，可基于堆叠的3*3卷积层(Conv 3*3)以及下采样(Max-pooling)操作来提取不同分辨率的特征图；在解码器中，可基于堆叠的3*3卷积层以及上采样(Up-conv)操作来恢复特征图的维度，并基于1*1卷积层(Conv 1*1)输出图像分割结果；与此同时，U-Net网络结构还包括跳跃连接(skip-connection，即Copy and Concat)层，其将编码器与解码器中对应分辨率的特征图进行特征融合。
在此基础上，本发明实施例所述的原始分割模型如图4b和图4c所示，相对于现有的U-Net网络结构，原始分割模型包括特征提取网络(相当于编码器)、以及连接在特征提取网络的瓶颈层上的图像分割网络(相当于解码器)以及先验知识回归网络，且特征提取网络包括残差连接(Copy and Add)层。
具体的，在模型训练过程中，若原始分割模型的输入图像是X光胸片I，该X胸片I通常为单通道的灰度图像，I∈θ＝Rw*h，其中，w和h分别表示X光胸片I的宽和高，则图像分割任务的输出结果是肺部预测图像S，其是一个二值图像，S∈δ＝{0,1}w*h，而全局图像回归任务的输出结果是形状预测知识C，其是一个非负整数，
Figure BDA0002418183140000111
由此，图像分割任务可以定义为t1＝θ→δ，全局图像回归任务可以定义为
Figure BDA0002418183140000112
这两个任务同时在原始分割模型中进行训练，且共享编码器。当编码器提取出的特征图到达瓶颈层后，其可分别输入至U-Net网络结构既有的解码器和本发明实施例设置的先验知识回归网络中，其中，解码器可用于实现逐像素分割，先验知识回归网络可由自适应平均池化及连续的全连接层构成，可用于实现全局图像回归。
在基于训练样本对原始分割模型进行训练时，可选的，在图像分割任务中，可基于交叉熵或者DICE系数计算得到分割损失函数。其中，交叉熵的定义是
Figure BDA0002418183140000113
n为训练样本的总数量，y为肺部掩膜图像中人工标注的真实值，
Figure BDA0002418183140000114
为肺部预测图像中的预测值；Dice系数的定义是
Figure BDA0002418183140000115
其中|E∩Y|表示肺部预测图像E和肺部掩膜图像Y间的交集，|E|和|Y|分别表示E和Y的元素个数。模型在训练过程中可基于反向传播(BP)的优化算法或者其变种进行网络参数的更新。再可选的，在全局图像回归任务中，可基于均方误差计算回归损失函数，其中，均方误差的定义是
Figure BDA0002418183140000116
n为训练样本的总数量，y为肺部掩膜图像中人工标注的真实值，
Figure BDA0002418183140000117
为肺部预测图像中的预测值。特别地，为提高模型训练精度，可根据形状先验知识Rtrue和形状预测知识Rpred间的均方误差计算第一回归损失函数MSE(Rtrue，Rpred)，并根据肺部预测图像计算出形状计算知识Rcalc，根据形状先验知识Rtrue和形状计算知识Rcalc间的均方误差计算出第二回归损失函数MSE(Rtrue，Rcalc)，进而，将第一回归损失函数MSE(Rtrue，Rpred)和第二回归损失函数MSE(Rtrue，Rcalc)相加后，即可得到回归损失函数Lreg。由此，原始分割模型的损失函数Ltotal可以表示为Ltotal＝αLseg+(1-α)Lreg，其中，Lseg是分割损失函数，α是范围在[0,1]间的权重。
实施例二
图5是本发明实施例二中提供的一种医学图像分割方法的流程图。本实施例可适用于对X光胸片中的肺部区域进行分割的情况，尤其适用于基于肺部分割模型对X光胸片中的肺部区域进行分割的情况，该肺部分割模型在训练过程中有效利用了肺部区域的形状先验知识。该方法可以由本发明实施例提供的医学图像分割装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在各种用户终端或服务器上。
参见图5，本发明实施例的方法具体包括如下步骤：
S210、获取受检胸部的受检图像，以及按照实施例一所述的模型生成方法生成的已训练完成的肺部分割模型。
其中，该受检图像是基于X光成像技术获取的，该肺部分割模型包括特征提取网络，以及与特征提取网络分别连接的图像分割网络和先验知识回归网络，其是基于样本图像、该样本图像的肺部掩膜图像、以及该肺部掩膜图像的形状先验知识构成的训练样本训练得到的。
S220、将受检图像输入至肺部分割模型中，根据肺部分割模型的输出结果，从受检图像中提取出肺部区域的分割图像。
本发明实施例的技术方案，因肺部分割模型中的先验知识回归网络是基于肺部区域的形状先验知识设置的，由此生成的肺部分割模型是一种可以同时学习图像分割任务和全局图像回归任务的多任务学习框架，这提高了已训练完成的肺部分割模型的泛化性能，因此，在将已获取的受检图像输入至该肺部分割模型后，可以从受检图像中提取出肺部区域的精准的分割图像。上述技术方案，解决了现有分割模型因未将肺部区域的形状先验知识有效利用起来而导致的肺部区域的分割精度较低的问题，达到了肺部区域的精准分割的效果。
实施例三
图6为本发明实施例三提供的模型生成装置的结构框图，该装置用于执行上述任意实施例所提供的模型生成方法。该装置与上述各实施例的模型生成方法属于同一个发明构思，在模型生成装置的实施例中未详尽描述的细节内容，可以参考上述模型生成方法的实施例。参见图6，该装置具体可包括：第一获取模块310和模型生成模块320。
其中，第一获取模块310，用于获取样本胸部的样本图像、样本图像中已知肺部的肺部掩膜图像、以及肺部掩膜图像的形状先验知识；
模型生成模块320，用于将样本图像、肺部掩膜图像和形状先验知识作为一组训练样本，基于多组训练样本对原始分割模型进行训练，生成肺部分割模型，其中，原始分割模型包括特征提取网络，以及与特征提取网络分别连接的图像分割网络和先验知识回归网络。
可选的，模型生成模块320，具体可以包括：
实际输出得到单元，用于将样本图像输入至原始分割模型中，根据原始分割模型的输出结果，得到肺部预测图像和形状预测知识；
损失函数确定单元，用于根据肺部预测图像和肺部掩膜图像确定图像分割网络的分割损失函数，并根据肺部预测图像、形状预测知识和形状先验知识确定先验知识回归网络的回归损失函数；
模型生成单元，用于根据分割损失函数和回归损失函数确定原始分割模型的损失函数，并将损失函数反向输入至原始分割模型，调节原始分割模型的网络参数，生成肺部分割模型。
可选的，损失函数确定单元，具体可以用于：
根据形状先验知识和形状预测知识，确定第一回归损失函数；
根据肺部预测图像计算出形状计算知识，并根据形状先验知识和形状计算知识，确定第二回归损失函数；
根据第一回归损失函数和第二回归损失函数，确定先验知识回归网络的回归损失函数。
可选的，图像分割网络和先验知识回归网络分别连接在特征提取网络的瓶颈层后，和/或，特征提取网络包括残差连接层。
可选的，形状先验知识包括肺部掩膜图像中连通域的个数、面积、边界周长和边界长宽中的至少一个；和/或，
先验知识回归网络包括自适应平均池化层以及连续的全连接层；和/或，
样本图像是基于X光成像技术获取的。
本发明实施例三提供的模型生成装置，通过第一获取模块和模型生成模块相互配合，将已获取的样本胸部的样本图像、样本图像中已知肺部的肺部掩膜图像、以及肺部掩膜图像的形状先验知识作为一组训练样本，并基于多组训练样本对原始分割模型进行训练，该原始分割模型充分考虑了已知肺部的形状先验知识，是一种可以同时学习图像分割任务和全局图像回归任务的多任务学习框架，由此生成的已训练完成的肺部分割模型的泛化性能较强。上述装置解决了现有分割模型未将肺部区域的形状先验知识有效利用起来的问题，基于形状先验知识设置的先验知识回归网络，与已有的图像分割网络相互配合，由此提高了肺部分割模型与肺部区域分割的匹配程度。
本发明实施例所提供的模型生成装置可执行本发明任意实施例所提供的模型生成方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述模型生成装置的实施例中，所包括的各个单元和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。
实施例四
图7为本发明实施例四提供的医学图像分割装置的结构框图，该装置用于执行上述任意实施例所提供的医学图像分割方法。该装置与上述各实施例的医学图像分割方法属于同一个发明构思，在医学图像分割装置的实施例中未详尽描述的细节内容，可以参考上述医学图像分割方法的实施例。参见图7，该装置具体可包括：第二获取模块410和图像分割模块420。
其中，第二获取模块410，用于获取受检胸部的受检图像，以及按照本发明任意实施例所述的模型生成方法生成的已训练完成的肺部分割模型；
图像分割模块420，用于将受检图像输入至肺部分割模型中，根据肺部分割模型的输出结果，从受检图像中提取出肺部区域的分割图像。
本发明实施例四提供的医学图像分割装置，通过第二获取模块和图像分割模块相互配合，因肺部分割模型中的先验知识回归网络是基于肺部区域的形状先验知识设置的，由此生成的肺部分割模型是一种可以同时学习图像分割任务和全局图像回归任务的多任务学习框架，这提高了已训练完成的肺部分割模型的泛化性能，因此，在将已获取的受检图像输入至该肺部分割模型后，可以从受检图像中提取出肺部区域的精准的分割图像。上述装置解决了现有分割模型因未将肺部区域的形状先验知识有效利用起来而导致的肺部区域的分割精度较低的问题，达到了肺部区域的精准分割的效果。
本发明实施例所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，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述医学图像分割装置的实施例中，所包括的各个单元和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。
实施例五
图8为本发明实施例五提供的一种设备的结构示意图，如图8所示，该设备包括存储器510、处理器520、输入装置530和输出装置540。设备中的处理器520的数量可以是一个或多个，图8中以一个处理器520为例；设备中的存储器510、处理器520、输入装置530和输出装置540可以通过总线或其它方式连接，图8中以通过总线550连接为例。
存储器510作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的模型生成方法对应的程序指令/模块(例如，模型生成装置中的第一获取模块310和模型生成模块320)，或是，如本发明实施例中的医学图像分割方法对应的程序指令/模块(例如，医学图像分割装置中的第二获取模块410和图像分割模块420)。处理器520通过运行存储在存储器510中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的模型生成方法或是医学图像分割方法。
存储器510可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器510可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器510可进一步包括相对于处理器520远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置530可用于接收输入的数字或字符信息，以及产生与装置的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。
实施例六
本发明实施例六提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种模型生成方法，该方法包括：
获取样本胸部的样本图像、样本图像中已知肺部的肺部掩膜图像、以及肺部掩膜图像的形状先验知识；
将样本图像、肺部掩膜图像和形状先验知识作为一组训练样本，基于多组训练样本对原始分割模型进行训练，生成肺部分割模型；
其中，原始分割模型包括特征提取网络，以及与特征提取网络分别连接的图像分割网络和先验知识回归网络。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的模型生成方法中的相关操作。
实施例七
本发明实施例七提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种医学图像分割方法，包括：
获取受检胸部的受检图像，以及按照上述任意实施例所述的模型生成方法生成的已训练完成的肺部分割模型；
将受检图像输入至肺部分割模型中，根据肺部分割模型的输出结果，从受检图像中提取出肺部区域的分割图像。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。依据这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
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 (10)

1.一种模型生成方法，其特征在于，包括：
获取样本胸部的样本图像、所述样本图像中已知肺部的肺部掩膜图像、以及所述肺部掩膜图像的形状先验知识；
将所述样本图像、所述肺部掩膜图像和所述形状先验知识作为一组训练样本，基于多组所述训练样本对原始分割模型进行训练，生成肺部分割模型；
其中，所述原始分割模型包括特征提取网络，以及与所述特征提取网络分别连接的图像分割网络和先验知识回归网络。
2.根据权利要求1所述的方法，其特征在于，所述基于多组所述训练样本对原始分割模型进行训练，生成肺部分割模型，包括：
将所述样本图像输入至原始分割模型中，根据所述原始分割模型的输出结果，得到肺部预测图像和形状预测知识；
根据所述肺部预测图像和所述肺部掩膜图像确定所述图像分割网络的分割损失函数，并根据所述肺部预测图像、所述形状预测知识和所述形状先验知识确定所述先验知识回归网络的回归损失函数；
根据所述分割损失函数和所述回归损失函数确定所述原始分割模型的损失函数，并将所述损失函数反向输入至所述原始分割模型，调节所述原始分割模型的网络参数，生成肺部分割模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述肺部预测图像、所述形状预测知识和所述形状先验知识确定所述先验知识回归网络的回归损失函数，包括：
根据所述形状先验知识和所述形状预测知识，确定第一回归损失函数；
根据所述肺部预测图像计算出形状计算知识，并根据所述形状先验知识和所述形状计算知识，确定第二回归损失函数；
根据所述第一回归损失函数和所述第二回归损失函数，确定所述先验知识回归网络的回归损失函数。
4.根据权利要求1所述的方法，其特征在于，所述图像分割网络和所述先验知识回归网络分别连接在所述特征提取网络的瓶颈层后，和/或，所述特征提取网络包括残差连接层。
5.根据权利要求1所述的方法，其特征在于，所述形状先验知识包括所述肺部掩膜图像中连通域的个数、面积、边界周长和边界长宽中的至少一个；
和/或，所述先验知识回归网络包括自适应平均池化层以及连续的全连接层；
和/或，所述样本图像是基于X光成像技术获取的。
6.一种医学图像分割方法，其特征在于，包括：
获取受检胸部的受检图像，以及按照权利要求1-5中任一项的方法生成的已训练完成的肺部分割模型；
将所述受检图像输入至所述肺部分割模型中，根据所述肺部分割模型的输出结果，从所述受检图像中提取出肺部区域的分割图像。
7.一种模型生成装置，其特征在于，包括：
第一获取模块，用于获取样本胸部的样本图像、所述样本图像中已知肺部的肺部掩膜图像、以及所述肺部掩膜图像的形状先验知识；
模型生成模块，用于将所述样本图像、所述肺部掩膜图像和所述形状先验知识作为一组训练样本，基于多组所述训练样本对原始分割模型进行训练，生成肺部分割模型，其中，所述原始分割模型包括特征提取网络，以及与所述特征提取网络分别连接的图像分割网络和先验知识回归网络。
8.一种医学图像分割装置，其特征在于，包括：
第二获取模块，用于获取受检胸部的受检图像，以及按照权利要求1-5中任一项的方法生成的已训练完成的肺部分割模型；
图像分割模块，用于将所述受检图像输入至所述肺部分割模型中，根据所述肺部分割模型的输出结果，从所述受检图像中提取出肺部区域的分割图像。
9.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，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权利要求1-5中任一所述的模型生成方法，或者如权利要求6中所述的医学图像分割方法。
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如权利要求1-5中任一所述的模型生成方法，或者如权利要求6中所述的医学图像分割方法。
CN202010197600.7A 2020-03-19 2020-03-19 模型生成方法、医学图像分割方法、装置、设备及介质 Active CN111429421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010197600.7A CN111429421B (zh) 2020-03-19 2020-03-19 模型生成方法、医学图像分割方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010197600.7A CN111429421B (zh) 2020-03-19 2020-03-19 模型生成方法、医学图像分割方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN111429421A true CN111429421A (zh) 2020-07-17
CN111429421B CN111429421B (zh) 2021-08-27

Family

ID=71548096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010197600.7A Active CN111429421B (zh) 2020-03-19 2020-03-19 模型生成方法、医学图像分割方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN111429421B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950637A (zh) * 2020-08-14 2020-11-17 厦门美图之家科技有限公司 紫质检测方法、装置、皮肤检测仪和可读存储介质
CN111968134A (zh) * 2020-08-11 2020-11-20 影石创新科技股份有限公司 目标分割方法、装置、计算机可读存储介质及计算机设备
CN112001856A (zh) * 2020-07-29 2020-11-27 东软医疗***股份有限公司 去噪模型的训练方法及去除图像噪声方法、相关装置
CN112613517A (zh) * 2020-12-17 2021-04-06 深圳大学 内窥镜仪器分割方法、装置、计算机设备及存储介质
CN112669273A (zh) * 2020-12-22 2021-04-16 吉林大学 眼底图像中玻璃膜疣自动分割方法、装置及可读存储介质
CN112750124A (zh) * 2021-01-22 2021-05-04 推想医疗科技股份有限公司 模型生成、图像分割方法、装置、电子设备及存储介质
CN112802040A (zh) * 2021-01-28 2021-05-14 上海藤核智能科技有限公司 一种基于边缘感知的x光片气胸分割及评估方法
CN113449781A (zh) * 2021-06-17 2021-09-28 上海深至信息科技有限公司 一种甲状腺结节分类模型的生成方法及***
CN113538530A (zh) * 2021-07-09 2021-10-22 深圳市深光粟科技有限公司 一种耳部医学图像分割方法、装置、电子设备及存储介质
CN113610785A (zh) * 2021-07-26 2021-11-05 安徽理工大学 基于智能影像的尘肺预警方法、装置及存储介质
WO2023108968A1 (zh) * 2021-12-14 2023-06-22 北京邮电大学 基于知识驱动的深度学习图像分类方法和***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107248162A (zh) * 2017-05-18 2017-10-13 杭州全景医学影像诊断有限公司 急性脑缺血图像分割模型的获得方法及急性脑缺血图像分割的方法
CN109064443A (zh) * 2018-06-22 2018-12-21 哈尔滨工业大学 一种基于腹部超声图像的多模型器官分割方法及***
US20190343477A1 (en) * 2016-06-30 2019-11-14 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for extracting blood vessel
CN110728675A (zh) * 2019-10-22 2020-01-24 慧影医疗科技（北京）有限公司 肺结节分析装置、模型训练方法、装置及分析设备
CN110751187A (zh) * 2019-09-26 2020-02-04 上海联影智能医疗科技有限公司 异常区域图像生成网络的训练方法和相关产品

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190343477A1 (en) * 2016-06-30 2019-11-14 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for extracting blood vessel
CN107248162A (zh) * 2017-05-18 2017-10-13 杭州全景医学影像诊断有限公司 急性脑缺血图像分割模型的获得方法及急性脑缺血图像分割的方法
CN109064443A (zh) * 2018-06-22 2018-12-21 哈尔滨工业大学 一种基于腹部超声图像的多模型器官分割方法及***
CN110751187A (zh) * 2019-09-26 2020-02-04 上海联影智能医疗科技有限公司 异常区域图像生成网络的训练方法和相关产品
CN110728675A (zh) * 2019-10-22 2020-01-24 慧影医疗科技（北京）有限公司 肺结节分析装置、模型训练方法、装置及分析设备

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001856A (zh) * 2020-07-29 2020-11-27 东软医疗***股份有限公司 去噪模型的训练方法及去除图像噪声方法、相关装置
CN111968134A (zh) * 2020-08-11 2020-11-20 影石创新科技股份有限公司 目标分割方法、装置、计算机可读存储介质及计算机设备
CN111968134B (zh) * 2020-08-11 2023-11-28 影石创新科技股份有限公司 目标分割方法、装置、计算机可读存储介质及计算机设备
CN111950637B (zh) * 2020-08-14 2024-05-03 厦门美图宜肤科技有限公司 紫质检测方法、装置、皮肤检测仪和可读存储介质
CN111950637A (zh) * 2020-08-14 2020-11-17 厦门美图之家科技有限公司 紫质检测方法、装置、皮肤检测仪和可读存储介质
CN112613517A (zh) * 2020-12-17 2021-04-06 深圳大学 内窥镜仪器分割方法、装置、计算机设备及存储介质
CN112613517B (zh) * 2020-12-17 2022-02-18 深圳大学 内窥镜仪器分割方法、装置、计算机设备及存储介质
CN112669273A (zh) * 2020-12-22 2021-04-16 吉林大学 眼底图像中玻璃膜疣自动分割方法、装置及可读存储介质
CN112750124B (zh) * 2021-01-22 2021-11-09 推想医疗科技股份有限公司 模型生成、图像分割方法、装置、电子设备及存储介质
CN112750124A (zh) * 2021-01-22 2021-05-04 推想医疗科技股份有限公司 模型生成、图像分割方法、装置、电子设备及存储介质
CN112802040A (zh) * 2021-01-28 2021-05-14 上海藤核智能科技有限公司 一种基于边缘感知的x光片气胸分割及评估方法
CN112802040B (zh) * 2021-01-28 2024-05-31 上海藤核智能科技有限公司 一种基于边缘感知的x光片气胸分割及评估方法
CN113449781A (zh) * 2021-06-17 2021-09-28 上海深至信息科技有限公司 一种甲状腺结节分类模型的生成方法及***
CN113538530A (zh) * 2021-07-09 2021-10-22 深圳市深光粟科技有限公司 一种耳部医学图像分割方法、装置、电子设备及存储介质
CN113538530B (zh) * 2021-07-09 2024-03-01 深圳市深光粟科技有限公司 一种耳部医学图像分割方法、装置、电子设备及存储介质
CN113610785A (zh) * 2021-07-26 2021-11-05 安徽理工大学 基于智能影像的尘肺预警方法、装置及存储介质
WO2023108968A1 (zh) * 2021-12-14 2023-06-22 北京邮电大学 基于知识驱动的深度学习图像分类方法和***

Also Published As

Publication number Publication date
CN111429421B (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN111429421B (zh) 模型生成方法、医学图像分割方法、装置、设备及介质
US11861829B2 (en) Deep learning based medical image detection method and related device
US20210365717A1 (en) Method and apparatus for segmenting a medical image, and storage medium
CN110599528B (zh) 一种基于神经网络的无监督三维医学图像配准方法及***
CN108921851B (zh) 一种基于3d对抗网络的医学ct图像分割方法
EP3611699A1 (en) Image segmentation using deep learning techniques
US11810301B2 (en) System and method for image segmentation using a joint deep learning model
US10929643B2 (en) 3D image detection method and apparatus, electronic device, and computer readable medium
WO2021128825A1 (zh) 三维目标检测及模型的训练方法及装置、设备、存储介质
WO2022032824A1 (zh) 图像分割方法、装置、设备及存储介质
US10878564B2 (en) Systems and methods for processing 3D anatomical volumes based on localization of 2D slices thereof
WO2023044605A1 (zh) 极端环境下脑结构的三维重建方法、装置及可读存储介质
Shu et al. LVC-Net: Medical image segmentation with noisy label based on local visual cues
CN110570394A (zh) 医学图像分割方法、装置、设备及存储介质
WO2023207743A1 (zh) 图像检测方法、装置、计算机设备、存储介质及程序产品
CN114387317A (zh) Ct图像和mri三维图像的配准方法、装置
US20230386067A1 (en) Systems and methods for segmenting 3d images
CN116245832A (zh) 一种图像处理方法、装置、设备及存储介质
CN114972211A (zh) 图像分割模型的训练方法、分割方法、装置、设备和介质
Patel et al. PTXNet: An extended UNet model based segmentation of pneumothorax from chest radiography images
CN113822323A (zh) 脑部扫描图像的识别处理方法、装置、设备及存储介质
CN111507950B (zh) 图像分割的方法和装置、电子设备及计算机可读存储介质
CN117911432A (zh) 图像分割方法、装置及存储介质
CN113724185A (zh) 用于图像分类的模型处理方法、装置及存储介质
CN111209946A (zh) 三维图像处理方法、图像处理模型训练方法及介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085

Applicant after: Tuxiang Medical Technology Co., Ltd

Address before: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085

Applicant before: Beijing Tuoxiang Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant