CN112150485B - 图像分割方法、装置、计算机设备和存储介质 - Google Patents

图像分割方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112150485B
CN112150485B CN202011041387.7A CN202011041387A CN112150485B CN 112150485 B CN112150485 B CN 112150485B CN 202011041387 A CN202011041387 A CN 202011041387A CN 112150485 B CN112150485 B CN 112150485B
Authority
CN
China
Prior art keywords
image
deformation field
partition
registration
initial
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.)
Active
Application number
CN202011041387.7A
Other languages
English (en)
Other versions
CN112150485A (zh
Inventor
刘超然
李阳
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 Healthcare Co Ltd
Original Assignee
Shanghai United Imaging 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 Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN202011041387.7A priority Critical patent/CN112150485B/zh
Publication of CN112150485A publication Critical patent/CN112150485A/zh
Priority to PCT/CN2021/104787 priority patent/WO2022062566A1/en
Priority to US18/191,856 priority patent/US20230237665A1/en
Application granted granted Critical
Publication of CN112150485B publication Critical patent/CN112150485B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Character Input (AREA)

Abstract

本申请涉及一种图像分割方法、装置、计算机设备和存储介质。所述方法包括：将预先获取到的初始模板图像配准至待分割的目标图像，得到第一形变场和配准后的中间模板图像；第一形变场表征所述初始模板图像与所述目标图像之间的变换关系；根据预先获取到的初始分区掩模和所述第一形变场得到中间分区掩模，并根据所述中间分区掩模从所述目标图像中选取出第一局部图像，从所述中间模板图像选取出第二局部图像；将所述第二局部图像配准至所述第一局部图像，得到第二形变场；第二形变场表征所述第二局部图像与所述第一局部图像之间的变换关系；根据所述第二形变场调整所述中间分区掩模，得到所述目标图像的分割结果。采用本方法能够提高图像分割准确性。

Description

图像分割方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像配准技术领域，特别是涉及一种图像分割方法、装置、计算机设备和存储介质。
背景技术
随着医学影像的快速发展，CT(Computed Tomography，电子计算机断层扫描)、MRI(Magnetic Resonance Imaging，磁共振成像)、PET(Positron Emission ComputedTomography，正电子发射型计算机断层显像)等技术已成为疾病诊断、手术计划制定、预后评估必不可少的一种手段。医学影像处理可以提高诊断效率，其中，图像分割是医学影像处理的一个重要环节。
相关技术中，常用的图像分割方法包括基于配准的分割方法，就是先将模板配准到目标图像上，再将模板上的分割区域映射到目标图像中，从而得到目标图像的分割结果。
但是，当模板与目标图像差别较大时，例如，不同部位形变程度不同，采样单一全局方式的配准方法，往往不能适配不同形变的情况，配准精度较差，甚至陷入局部极值，从而导致分割结果也不够准确。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高分割结果准确性的图像分割方法、装置、计算机设备和存储介质。
一种图像分割方法，该方法包括：
将预先获取到的初始模板图像配准至待分割的目标图像，得到第一形变场和配准后的中间模板图像；第一形变场表征初始模板图像与目标图像之间的变换关系；
根据预先获取到的初始分区掩模和第一形变场得到中间分区掩模，并根据中间分区掩模从目标图像中选取出第一局部图像，从中间模板图像选取出第二局部图像；初始分区掩模为根据标准图像中各像素点处于同一分区的概率确定的掩模图像；
将第二局部图像配准至第一局部图像，得到第二形变场；第二形变场表征第二局部图像与第一局部图像之间的变换关系；
根据第二形变场调整中间分区掩模，得到目标图像的分割结果。
在其中一个实施例中，上述根据第二形变场调整中间分区掩模，得到目标图像的分割结果，包括：
建立与中间模板图像尺寸匹配的零值形变场；
根据第一局部图像在目标图像中的位置，将第二形变场与零值形变场合并，得到第三形变场；第三形变场表征中间模板图像与目标图像之间的变换关系；
利用第三形变场调整中间分区掩模，得到目标图像的分割结果。
在其中一个实施例中，在上述得到第三形变场之后，该方法还包括：
利用第三形变场调整中间模板图像，得到第一配准结果。
在其中一个实施例中，在上述得到第一配准结果之后，该方法还包括：
对目标图像和第一配准结果分别进行左半侧和右半侧的相似度计算，得到左半侧相似度和右半侧相似度；
若左半侧相似度和右半侧相似度符合预设条件，则对第一配准结果中相似度高的半侧配准结果进行左右翻转处理，得到翻转后的半侧配准结果；
将翻转后的半侧配准结果配准至目标图像，得到第四形变场和第二配准结果；其中，第四形变场用于表征翻转后的半侧配准结果与目标图像之间的变换关系。
在其中一个实施例中，该方法还包括：
利用第四形变场调整目标图像的分割结果。
在其中一个实施例中，上述根据中间分区掩模从目标图像中选取出第一局部图像，包括：
确定目标图像中各组织结构与中间分区掩模的重合状况；
根据重合状况选取出至少一个组织结构对应的第一局部图像。
在其中一个实施例中，在上述将预先获取到的初始模板图像配准至待分割的目标图像之前，该方法还包括：
获取多个浮动图像和各浮动图像的分区设置；浮动图像为头部扫描图像经过预处理后的图像；预处理包括将头部图像中的头骨和头骨外区域设置为背景；
将各浮动图像配准至标准图像，得到配准转换关系和各浮动图像对应的配准图像；
根据多个配准图像生成初始模板图像；
根据配准转换关系将各浮动图像的分区设置映射到标准图像，得到标准图像中同一分区的多种设置；
根据标准图像中同一分区的多种设置，得到初始分区掩模。
在其中一个实施例中，上述获取多个浮动图像和各浮动图像的分区设置，包括：
接收输入的分区操作，得到各浮动图像的分区设置。
在其中一个实施例中，上述将各浮动图像配准至标准图像，得到各浮动图像对应的配准图像，包括：
将各浮动图像中脑实质部分的中心与标准图像中脑实质部分的中心对齐；
将浮动图像中各组织结构的中心分别与标准图像中对应组织结构的中心对齐，得到各浮动图像对应的配准图像。
在其中一个实施例中，上述根据多个配准图像生成初始模板图像，包括：
对多个配准图像进行像素值平均处理，根据平均处理后的像素值生成初始模板图像。
在其中一个实施例中，上述根据标准图像中同一分区的多种设置，得到初始分区掩模，包括：
根据标准图像中同一分区的多种设置，计算标准图像中各像素点处于同一分区的概率，并由各像素点处于同一分区的概率得到初始概率图；
根据初始概率图和预设概率阈值生成初始分区掩模。
一种图像分割装置，该装置包括：
全图配准模块，用于将预先获取到的初始模板图像配准至待分割的目标图像，得到第一形变场和配准后的中间模板图像；所述第一形变场表征所述初始模板图像与所述目标图像之间的变换关系；
图像选取模块，用于根据预先获取到的初始分区掩模和所述第一形变场得到中间分区掩模，并根据所述中间分区掩模从所述目标图像中选取出第一局部图像，从所述中间模板图像选取出第二局部图像；初始分区掩模为根据标准图像中各像素点处于同一分区的概率确定的掩模图像；
局部配准模块，用于将所述第二局部图像配准至所述第一局部图像，得到第二形变场；所述第二形变场表征所述第二局部图像与所述第一局部图像之间的变换关系；
分割结果获得模块，用于根据所述第二形变场调整所述中间分区掩模，得到所述目标图像的分割结果。
在其中一个实施例中，上述分割结果获得模块，具体用于建立与中间模板图像尺寸匹配的零值形变场；根据第一局部图像在目标图像中的位置，将第二形变场与零值形变场合并，得到第三形变场；第三形变场表征中间模板图像与目标图像之间的变换关系；利用第三形变场调整中间分区掩模，得到目标图像的分割结果。
在其中一个实施例中，该装置还包括：
配准结果获得模块，用于利用第三形变场调整中间模板图像，得到第一配准结果。
在其中一个实施例中，该装置还包括：
相似度计算模块，用于对目标图像和第一配准结果分别进行左半侧和右半侧的相似度计算，得到左半侧相似度和右半侧相似度；
翻转模块，用于若左半侧相似度和右半侧相似度符合预设条件，则对第一配准结果中相似度高的半侧配准结果进行左右翻转处理，得到翻转后的半侧配准结果；
半侧配准模块，用于将翻转后的半侧配准结果配准至目标图像，得到第四形变场和第二配准结果；其中，第四形变场用于表征翻转后的半侧配准结果与目标图像之间的变换关系。
在其中一个实施例中，该装置还包括：
分割结果调整模块，用于利用第四形变场调整目标图像的分割结果。
在其中一个实施例中，上述局部配准模块，具体用于确定目标图像中各组织结构与中间分区掩模的重合状况；根据重合状况选取出至少一个组织结构对应的第一局部图像。
在其中一个实施例中，该装置还包括：
图像和分区获取模块，用于获取多个浮动图像和各浮动图像的分区设置；浮动图像为头部扫描图像经过预处理后的图像；预处理包括将头部图像中的头骨和头骨外区域设置为背景；
浮动图像配准模块，用于将各浮动图像配准至标准图像，得到配准转换关系和各浮动图像对应的配准图像；
初始模板生成模块，用于根据多个配准图像生成初始模板图像；
分区映射模块，用于根据配准转换关系将各浮动图像的分区设置映射到标准图像，得到标准图像中同一分区的多种设置；
初始分区获得模块，用于根据标准图像中同一分区的多种设置，得到初始分区掩模。
在其中一个实施例中，上述图像和分区获取模块，具体用于接收输入的分区操作，得到各浮动图像的分区设置。
在其中一个实施例中，上述浮动图像配准模块，具体用于将各浮动图像中脑实质部分的中心与标准图像中脑实质部分的中心对齐；将浮动图像中各组织结构的中心分别与标准图像中对应组织结构的中心对齐，得到各浮动图像对应的配准图像。
在其中一个实施例中，上述初始模板生成模块，具体用于对多个配准图像进行像素值平均处理，根据平均处理后的像素值生成初始模板图像。
在其中一个实施例中，上述初始分区获得模块，具体用于根据标准图像中同一分区的多种设置，计算标准图像中各像素点处于同一分区的概率，并由各像素点处于同一分区的概率得到初始概率图；根据初始概率图和预设概率阈值生成初始分区掩模。
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，所述处理器执行所述计算机程序时实现以下步骤：
将预先获取到的初始模板图像配准至待分割的目标图像，得到第一形变场和配准后的中间模板图像；第一形变场表征初始模板图像与目标图像之间的变换关系；
根据预先获取到的初始分区掩模和第一形变场得到中间分区掩模，并根据中间分区掩模从目标图像中选取出第一局部图像，从中间模板图像选取出第二局部图像；初始分区掩模为根据标准图像中各像素点处于同一分区的概率确定的掩模图像；
将第二局部图像配准至第一局部图像，得到第二形变场；第二形变场表征第二局部图像与第一局部图像之间的变换关系；
根据第二形变场调整中间分区掩模，得到目标图像的分割结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
将预先获取到的初始模板图像配准至待分割的目标图像，得到第一形变场和配准后的中间模板图像；第一形变场表征初始模板图像与目标图像之间的变换关系；
根据预先获取到的初始分区掩模和第一形变场得到中间分区掩模，并根据中间分区掩模从目标图像中选取出第一局部图像，从中间模板图像选取出第二局部图像；初始分区掩模为根据标准图像中各像素点处于同一分区的概率确定的掩模图像；
将第二局部图像配准至第一局部图像，得到第二形变场；第二形变场表征第二局部图像与第一局部图像之间的变换关系；
根据第二形变场调整中间分区掩模，得到目标图像的分割结果。
上述图像分割方法、装置、计算机设备和存储介质，计算机设备将预先获取到的初始模板图像配准至待分割的目标图像，得到第一形变场和配准后的中间模板图像；根据预先获取到的初始分区掩模和第一形变场得到中间分区掩模，并根据中间分区掩模从目标图像中选取出第一局部图像，从中间模板图像选取出第二局部图像；将第二局部图像配准至第一局部图像，得到第二形变场；根据第二形变场调整中间分区掩模，得到目标图像的分割结果。本公开实施例中，采用先全图再局部的方式进行配准，可以提高配准精度，从而提高分割结果的准确性。
附图说明
图1为一个实施例中图像分割方法的应用环境图；
图2为一个实施例中图像分割方法的流程示意图；
图3为一个实施例中图像分割过程中图像演变的示意图；
图4为一个实施例中根据第二形变场调整中间分区掩模步骤的流程示意图；
图5为一个实施例中获取初始模板图像和初始分区掩模步骤的流程示意图；
图6为一个实施例中获取初始模板图像过程中图像演变的示意图；
图7为一个实施例中再次配准步骤的流程示意图；
图8为一个实施例中图像分割装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
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。
本申请提供的图像分割方法，可以应用于如图1所示的应用环境中。其中，该应用环境可以包括各种医学影像***，如CT***、MRI***等。医学影像***包括扫描设备101和计算机设备102。其中，扫描设备101可以包括但不限于X线管、探测器和扫描架(机架)；计算机设备102可以包括至少一个终端，终端可以包括处理器、显示器和存储器。
在一个实施例中，如图2所示，提供了一种图像分割方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
步骤201，将预先获取到的初始模板图像配准至待分割的目标图像，得到第一形变场和配准后的中间模板图像。
其中，第一形变场表征初始模板图像与目标图像之间的变换关系。
计算机设备获取初始模板图像和待分割的目标图像，如图3所示。之后，计算机设备将初始模板图像配准至待分割的目标图像，该步骤实质是对初始模板图像和待分割的目标图像进行全图配准。全图配准可以采用刚性配准方式，也可以采用非刚性配准方式，本公开实施对配准方式不做限定。
配准后，可以得到初始模板图像与目标图像之间的变换关系，即第一形变场。计算机设备根据该变换关系对初始模板图像进行形变处理，得到中间模板图像，如图3所示。
步骤202，根据预先获取到的初始分区掩模和第一形变场得到中间分区掩模，并根据中间分区掩模从目标图像中选取出第一局部图像，从中间模板图像选取出第二局部图像；初始分区掩模为根据标准图像中各像素点处于同一分区的概率确定的掩模图像。
计算机设备获取初始分区掩模，并根据第一形变场对初始分区掩模进行形变处理，得到中间分区掩模，如图3所示。接着，计算机设备根据中间分区掩模分别从目标图像中选取出第一局部图像，从中间模板图像中选取出第二局部图像。
在其中一个实施例中，根据中间分区掩模从目标图像中选取出第一局部图像可以包括：确定目标图像中各组织结构与中间分区掩模的重合状况；根据重合状况选取出至少一个组织结构对应的第一局部图像。
例如，确定目标图像中组织结构A与中间分区掩模中对应分区的重合状况，以及组织结构B与中间分区掩模中对应分区的重合状况；其中，组织结构A与中间分区掩模对应分区的重合状况较差，则选取出组织结构A的图像作为第一局部图像。
计算机设备在根据重合状况从目标图像中选取出第一局部图像之后，根据第一局部图像在目标图像中的位置，从中间模板图像的相同位置处选取出第二局部图像。
步骤203，将第二局部图像配准至第一局部图像，得到第二形变场。
其中，第二形变场表征第二局部图像与第一局部图像之间的变换关系。
计算机设备将第二局部图像配准至第一局部图像，该步骤实质对中间模板图像和目标图像进行局部图配准，局部图配准可以采用刚性配准方式，也可以采用非刚性配准方式，本公开实施对配准方式不做限定。
配准后，得到第二局部图像与第一局部图像之间的变换关系，即得到第二形变场。
步骤204，根据第二形变场调整中间分区掩模，得到目标图像的分割结果。
计算机设备根据第二形变场对中间分区掩模进行形变处理，得到形变处理后的分区掩模，则得到了目标图像的分割结果。
上述图像分割方法中，计算机设备将预先获取到的初始模板图像配准至待分割的目标图像，得到第一形变场和配准后的中间模板图像；根据预先获取到的初始分区掩模和第一形变场得到中间分区掩模，并根据中间分区掩模从目标图像中选取出第一局部图像，从中间模板图像选取出第二局部图像；将第二局部图像配准至第一局部图像，得到第二形变场；根据第二形变场调整中间分区掩模，得到目标图像的分割结果。本公开实施例中，采用先全图再局部的方式进行配准，可以提高配准精度，从而提高分割结果的准确性。
在一个实施例中，如图4所示，上述根据第二形变场调整中间分区掩模，得到目标图像的分割结果的步骤，可以包括：
步骤301，建立与中间模板图像尺寸匹配的零值形变场。
其中，零值形变场为无形变的形变场。
计算机设备先建立一个与中间模板图像尺寸匹配的零值形变场。
步骤302，根据第一局部图像在目标图像中的位置，将第二形变场与零值形变场合并，得到第三形变场。
其中，第三形变场表征中间模板图像与目标图像之间的变换关系。
由于第二形变场是将第二局部图像配准至第一局部图像得到的，因此，第二形变场是局部形变场。计算机设备按照第一局部图像在目标图像中的位置，将第二形变场合并到零值形变场中，这样，就得到了中间模板图像与目标图像之间的变换关系，即得到第三形变场。
步骤303，利用第三形变场调整中间分区掩模，得到目标图像的分割结果。
计算机设备得到第三形变场之后，根据第三形变场对中间分区掩模进行形变处理，形变处理后的分区掩模即为目标图像的分割结果。
上述根据第二形变场调整中间分区掩模，得到目标图像的分割结果的步骤中，建立与中间模板图像尺寸匹配的零值形变场；根据第一局部图像在目标图像中的位置，将第二形变场与零值形变场合并，得到第三形变场；利用第三形变场调整中间分区掩模，得到目标图像的分割结果。本公开实施例中，在利用第一形变场对初始分区掩模进行调整得到中间分区掩模后，根据第二形变场对中间分区掩模进行调整，可以使目标图像的分割结果更加准确。
在其中一个实施例中，在得到第三形变场之后，还可以包括：利用第三形变场调整中间模板图像，得到第一配准结果。
计算机设备得到第三形变场之后，根据第三形变场对中间模板图像进行形变处理，得到形变处理后的模板图像，即得到了初始模板图像经过全图配准和局部图配准之后的第一配准结果。
可以理解地，对初始模板图像进行调整得到中间模板图像之后，再对中间模板图像进行调整，得到的第一配准结果。第一配准结果先后经过全图配准和局部配准，因此与现有技术相比，配准精度更高。
在一个实施例中，如图5所示，在上述将初始模板图像配准至目标图像之前，还可以包括获取初始模板图像和初始分区掩模的步骤：
步骤401，获取多个浮动图像和各浮动图像的分区设置；浮动图像为头部扫描图像经过预处理后的图像；预处理包括将头部图像中的头骨和头骨外区域设置为背景。
其中，浮动图像为头部扫描图像经过预处理后的图像。
计算机设备首先获取多个头部扫描图像；然后将各头部扫描图像中的头骨和头骨外区域设置为背景，得到多个浮动图像。之后，计算机设备接收输入的分区操作，得到各浮动图像的分区设置，如图6所示。
上述头部扫描图像可以是CT图像，也可以是MRI图像，本公开实施例对此不做限定。
步骤402，将各浮动图像配准至标准图像，得到配准转换关系和各浮动图像对应的配准图像。
计算机设备预先获取标准图像，在得到多个浮动图像之后，将各浮动图像分别配准至标准图像。配准后，可以得到每个浮动图像与标准图像之间的配准转换关系。根据配准转换关系对各浮动图像进行形变处理，则得到各浮动图像对应的配准图像，如图6所示。
在其中一个实施例中，将各浮动图像配准至标准图像的步骤可以包括：将各浮动图像中脑实质部分的中心与标准图像中脑实质部分的中心对齐；将浮动图像中各组织结构的中心分别与标准图像中对应组织结构的中心对齐，得到各浮动图像对应的配准图像。
可以理解地，脑实质部分的中心进行对齐可以采用刚性配准，各组织结构的中心进行对齐可以采用非刚性配准。这种配准方式的准确性较高，并且配准速度也比较快。
步骤403，根据多个配准图像生成初始模板图像。
计算机设备得到多个配准图像之后，对多个配准图像进行像素值平均处理，根据平均处理后的像素值生成初始模板图像，如图6所示。
步骤404，根据配准转换关系将各浮动图像的分区设置映射到标准图像，得到标准图像中同一分区的多种设置。
计算机设备得到每个浮动图像与标准图像之间的配准转换关系之后，将各浮动图像的分区设置分别映射到标准图像中。映射后，标准图像的同一分区则具有多种设置。
步骤405，根据标准图像中同一分区的多种设置，得到初始分区掩模。
计算机设备根据标准图像中同一分区的多种设置，计算标准图像中各像素点处于同一分区的概率，并由各像素点处于同一分区的概率得到初始概率图；根据初始概率图和预设概率阈值生成初始分区掩模。
例如，像素点1处于分区X的概率为a1，像素点2处于分区X的概率为a2……像素点n位于分区X的概率为an，预设概率阈值为b；根据概率大于预设概率阈值的像素点生成分区X的掩模。以此类推，生成其他分区的掩模，则得到了初始分区掩模。
在其中一个实施例中，计算标准图像中各像素点处于同一分区的概率可以包括：针对一个像素点，判断该像素点是否在各浮动图像的目标分区中，得到该像素点在目标分区中的浮动图像的数量，计算该数量与浮动图像总数量之间的比值，得到该像素点处于同一分区的概率。
在其中一个实施例中，初始概率图与初始分区掩模对比，在得到第一形变场后，根据第一形变场对初始概率图进行形变处理，得到中间概率图。中间概率图与中间分区掩模对应，在得到第三形变场后，根据第三形变场对中间概率图进行形变处理，得到目标概率图。
上述获取初始模板图像和初始分区掩模的过程中，计算机设备获取多个浮动图像和各浮动图像的分区设置；将各浮动图像配准至标准图像，得到配准转换关系和各浮动图像对应的配准图像；根据多个配准图像生成初始模板图像；根据配准转换关系将各浮动图像的分区设置映射到标准图像，得到标准图像中同一分区的多种设置；根据标准图像中同一分区的多种设置，得到初始分区掩模。本公开实施例中，根据大量正常的头部扫描图像获取初始模板图像，然后根据手动输入的分区设置得到初始分区掩模，为后续进行配准和分割提供了较为准确的依据。
在一个实施例中，很多脑卒中患者多伴有陈旧性脑梗塞，在头部扫描图像中，陈旧性脑梗塞的灰度与正常组织的灰度明显不同，会对配准产生比较大的影响，从而影响分割结果的准确性。因此，为了使分割结果不受陈旧性脑梗塞的影响，在得到第一配准结果之后，如图7所示，还可以包括再次配准的步骤：
步骤501，对目标图像和第一配准结果分别进行左半侧和右半侧的相似度计算，得到左半侧相似度和右半侧相似度。
将目标图像和第一配准结果均按照中心线划分为左半侧和右半侧，计算机设备计算目标图像左半侧与第一配准结果左半侧的相似度，得到左半侧相似度；计算目标图像右半侧与第一配准结果右半侧的相似度，得到右半侧相似度。
步骤502，若左半侧相似度和右半侧相似度符合预设条件，则对第一配准结果中相似度高的半侧配准结果进行左右翻转处理，得到翻转后的半侧配准结果。
其中，预设条件包括：左半侧相似度与右半侧相似度之间的差值大于预设差值，左半侧相似度与右半侧相似度之间的比值大于预设比值中的至少一种。
计算机设备计算相似度得到左半侧相似度和右半侧相似度之后，计算左半侧相似度与右半侧相似度之间的差值或比值；若差值大于预设差值，或比值大于预设比值，则确定左半侧相似度和右半侧相似度符合预设条件。
之后，计算机设备将第一配准结果中，相似度高的半侧沿着中心线进行左右翻转处理。例如，如果左半侧相似度高于右半侧相似度，则将第一配准结果的左半侧沿着中心线翻转到右半侧；或者，如果右半侧相似度高于左半侧相似度，则将第一配准结果的右半侧沿着中心线翻转到左半侧。
步骤503，将翻转后的半侧配准结果配准至目标图像，得到第四形变场和第二配准结果。
其中，第四形变场用于表征翻转后的半侧配准结果与目标图像之间的变换关系。
计算机设备得到翻转后的半侧配准结果之后，将翻转后的半侧配准结果配准至目标图像，可以得到翻转后的半侧配准结果与目标图像之间的变换关系，即得到第四形变场。根据第四形变场对翻转后的半侧配准结果进行形变处理，得到第二配准结果。
上述实施例中，计算机设备对目标图像和第一配准结果分别进行左半侧和右半侧的相似度计算，得到左半侧相似度和右半侧相似度；若左半侧相似度和右半侧相似度符合预设条件，则对第一配准结果中相似度高的半侧配准结果进行左右翻转处理，得到翻转后的半侧配准结果；将翻转后的半侧配准结果配准至目标图像，得到第四形变场和第二配准结果。通过本公开实施例，可以避免陈旧性脑梗塞对配准结果的影响，从而提高配准精度。
在其中一个实施例中，在得到第四形变场之后，还可以包括：利用第四形变场调整目标图像的分割结果。
计算机设备根据第四形变场对目标图像的分割结果进行形变处理，得到形变后的半侧分割结果。
在其中一个实施例中，目标图像的分割结果对应目标概率图，计算机设备根据第四形变场对目标概率图进行形变处理，得到形变后的半侧概率图。
可以理解地，利用第四形变场调整目标图像的分割结果，得到形变后的半侧分割结果，可以避免陈旧性脑梗塞对分割结果的影响，从而提高分割准确性。
应该理解的是，虽然图2-图7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-图7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的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8所示，提供了一种图像分割装置，包括：
全图配准模块601，用于将预先获取到的初始模板图像配准至待分割的目标图像，得到第一形变场和配准后的中间模板图像；所述第一形变场表征所述初始模板图像与所述目标图像之间的变换关系；
图像选取模块602，用于根据预先获取到的初始分区掩模和所述第一形变场得到中间分区掩模，并根据所述中间分区掩模从所述目标图像中选取出第一局部图像，从所述中间模板图像选取出第二局部图像；初始分区掩模为根据标准图像中各像素点处于同一分区的概率确定的掩模图像；
局部配准模块603，用于将所述第二局部图像配准至所述第一局部图像，得到第二形变场；所述第二形变场表征所述第二局部图像与所述第一局部图像之间的变换关系；
分割结果获得模块604，用于根据所述第二形变场调整所述中间分区掩模，得到所述目标图像的分割结果。
在其中一个实施例中，上述分割结果获得模块604，具体用于建立与中间模板图像尺寸匹配的零值形变场；根据第一局部图像在目标图像中的位置，将第二形变场与零值形变场合并，得到第三形变场；第三形变场表征中间模板图像与目标图像之间的变换关系；利用第三形变场调整中间分区掩模，得到目标图像的分割结果。
在其中一个实施例中，该装置还包括：
配准结果获得模块，用于利用第三形变场调整中间模板图像，得到第一配准结果。
在其中一个实施例中，该装置还包括：
相似度计算模块，用于对目标图像和第一配准结果分别进行左半侧和右半侧的相似度计算，得到左半侧相似度和右半侧相似度；
翻转模块，用于若左半侧相似度和右半侧相似度符合预设条件，则对第一配准结果中相似度高的半侧配准结果进行左右翻转处理，得到翻转后的半侧配准结果；
半侧配准模块，用于将翻转后的半侧配准结果配准至目标图像，得到第四形变场和第二配准结果；其中，第四形变场用于表征翻转后的半侧配准结果与目标图像之间的变换关系。
在其中一个实施例中，该装置还包括：
分割结果调整模块，用于利用第四形变场调整目标图像的分割结果。
在其中一个实施例中，上述局部配准模块603，具体用于确定目标图像中各组织结构与中间分区掩模的重合状况；根据重合状况选取出至少一个组织结构对应的第一局部图像。
在其中一个实施例中，该装置还包括：
图像和分区获取模块，用于获取多个浮动图像和各浮动图像的分区设置；浮动图像为头部扫描图像经过预处理后的图像；预处理包括将头部图像中的头骨和头骨外区域设置为背景；
浮动图像配准模块，用于将各浮动图像配准至标准图像，得到配准转换关系和各浮动图像对应的配准图像；
初始模板生成模块，用于根据多个配准图像生成初始模板图像；
分区映射模块，用于根据配准转换关系将各浮动图像的分区设置映射到标准图像，得到标准图像中同一分区的多种设置；
初始分区获得模块，用于根据标准图像中同一分区的多种设置，得到初始分区掩模。
在其中一个实施例中，上述图像和分区获取模块，具体用于接收输入的分区操作，得到各浮动图像的分区设置。
在其中一个实施例中，上述浮动图像配准模块，具体用于将各浮动图像中脑实质部分的中心与标准图像中脑实质部分的中心对齐；将浮动图像中各组织结构的中心分别与标准图像中对应组织结构的中心对齐，得到各浮动图像对应的配准图像。
在其中一个实施例中，上述初始模板生成模块，具体用于对多个配准图像进行像素值平均处理，根据平均处理后的像素值生成初始模板图像。
在其中一个实施例中，上述初始分区获得模块，具体用于根据标准图像中同一分区的多种设置，计算标准图像中各像素点处于同一分区的概率，并由各像素点处于同一分区的概率得到初始概率图；根据初始概率图和预设概率阈值生成初始分区掩模。
关于图像分割装置的具体限定可以参见上文中对于图像分割方法的限定，在此不再赘述。上述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9所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像分割方法。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9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：
将预先获取到的初始模板图像配准至待分割的目标图像，得到第一形变场和配准后的中间模板图像；第一形变场表征初始模板图像与目标图像之间的变换关系；
根据预先获取到的初始分区掩模和第一形变场得到中间分区掩模，并根据中间分区掩模从目标图像中选取出第一局部图像，从中间模板图像选取出第二局部图像；初始分区掩模为根据标准图像中各像素点处于同一分区的概率确定的掩模图像；
将第二局部图像配准至第一局部图像，得到第二形变场；第二形变场表征第二局部图像与第一局部图像之间的变换关系；
根据第二形变场调整中间分区掩模，得到目标图像的分割结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
建立与中间模板图像尺寸匹配的零值形变场；
根据第一局部图像在目标图像中的位置，将第二形变场与零值形变场合并，得到第三形变场；第三形变场表征中间模板图像与目标图像之间的变换关系；
利用第三形变场调整中间分区掩模，得到目标图像的分割结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
利用第三形变场调整中间模板图像，得到第一配准结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对目标图像和第一配准结果分别进行左半侧和右半侧的相似度计算，得到左半侧相似度和右半侧相似度；
若左半侧相似度和右半侧相似度符合预设条件，则对第一配准结果中相似度高的半侧配准结果进行左右翻转处理，得到翻转后的半侧配准结果；
将翻转后的半侧配准结果配准至目标图像，得到第四形变场和第二配准结果；其中，第四形变场用于表征翻转后的半侧配准结果与目标图像之间的变换关系。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
利用第四形变场调整目标图像的分割结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定目标图像中各组织结构与中间分区掩模的重合状况；
根据重合状况选取出至少一个组织结构对应的第一局部图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取多个浮动图像和各浮动图像的分区设置；浮动图像为头部扫描图像经过预处理后的图像；预处理包括将头部图像中的头骨和头骨外区域设置为背景；
将各浮动图像配准至标准图像，得到配准转换关系和各浮动图像对应的配准图像；
根据多个配准图像生成初始模板图像；
根据配准转换关系将各浮动图像的分区设置映射到标准图像，得到标准图像中同一分区的多种设置；
根据标准图像中同一分区的多种设置，得到初始分区掩模。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
接收输入的分区操作，得到各浮动图像的分区设置。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将各浮动图像中脑实质部分的中心与标准图像中脑实质部分的中心对齐；
将浮动图像中各组织结构的中心分别与标准图像中对应组织结构的中心对齐，得到各浮动图像对应的配准图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对多个配准图像进行像素值平均处理，根据平均处理后的像素值生成初始模板图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据标准图像中同一分区的多种设置，计算标准图像中各像素点处于同一分区的概率，并由各像素点处于同一分区的概率得到初始概率图；
根据初始概率图和预设概率阈值生成初始分区掩模。
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：
将预先获取到的初始模板图像配准至待分割的目标图像，得到第一形变场和配准后的中间模板图像；第一形变场表征初始模板图像与目标图像之间的变换关系；
根据预先获取到的初始分区掩模和第一形变场得到中间分区掩模，并根据中间分区掩模从目标图像中选取出第一局部图像，从中间模板图像选取出第二局部图像；初始分区掩模为根据标准图像中各像素点处于同一分区的概率确定的掩模图像；
将第二局部图像配准至第一局部图像，得到第二形变场；第二形变场表征第二局部图像与第一局部图像之间的变换关系；
根据第二形变场调整中间分区掩模，得到目标图像的分割结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
建立与中间模板图像尺寸匹配的零值形变场；
根据第一局部图像在目标图像中的位置，将第二形变场与零值形变场合并，得到第三形变场；第三形变场表征中间模板图像与目标图像之间的变换关系；
利用第三形变场调整中间分区掩模，得到目标图像的分割结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
利用第三形变场调整中间模板图像，得到第一配准结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对目标图像和第一配准结果分别进行左半侧和右半侧的相似度计算，得到左半侧相似度和右半侧相似度；
若左半侧相似度和右半侧相似度符合预设条件，则对第一配准结果中相似度高的半侧配准结果进行左右翻转处理，得到翻转后的半侧配准结果；
将翻转后的半侧配准结果配准至目标图像，得到第四形变场和第二配准结果；其中，第四形变场用于表征翻转后的半侧配准结果与目标图像之间的变换关系。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
利用第四形变场调整目标图像的分割结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定目标图像中各组织结构与中间分区掩模的重合状况；
根据重合状况选取出至少一个组织结构对应的第一局部图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取多个浮动图像和各浮动图像的分区设置；浮动图像为头部扫描图像经过预处理后的图像；预处理包括将头部图像中的头骨和头骨外区域设置为背景；
将各浮动图像配准至标准图像，得到配准转换关系和各浮动图像对应的配准图像；
根据多个配准图像生成初始模板图像；
根据配准转换关系将各浮动图像的分区设置映射到标准图像，得到标准图像中同一分区的多种设置；
根据标准图像中同一分区的多种设置，得到初始分区掩模。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
接收输入的分区操作，得到各浮动图像的分区设置。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将各浮动图像中脑实质部分的中心与标准图像中脑实质部分的中心对齐；
将浮动图像中各组织结构的中心分别与标准图像中对应组织结构的中心对齐，得到各浮动图像对应的配准图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对多个配准图像进行像素值平均处理，根据平均处理后的像素值生成初始模板图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据标准图像中同一分区的多种设置，计算标准图像中各像素点处于同一分区的概率，并由各像素点处于同一分区的概率得到初始概率图；
根据初始概率图和预设概率阈值生成初始分区掩模。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)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 (14)

1.一种图像分割方法，其特征在于，所述方法包括：
将预先获取的初始模板图像配准至待分割的目标图像，得到第一形变场和配准后的中间模板图像；所述第一形变场表征所述初始模板图像与所述目标图像之间的变换关系；
根据预先获取的初始分区掩模和所述第一形变场得到中间分区掩模，并根据所述中间分区掩模从所述目标图像中选取出第一局部图像，从所述中间模板图像选取出第二局部图像；所述初始分区掩模为根据标准图像中各像素点处于同一分区的概率确定的掩模图像；
将所述第二局部图像配准至所述第一局部图像，得到第二形变场；所述第二形变场表征所述第二局部图像与所述第一局部图像之间的变换关系；
根据所述第二形变场调整所述中间分区掩模，得到所述目标图像的分割结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第二形变场调整所述中间分区掩模，得到所述目标图像的分割结果，包括：
建立与所述中间模板图像尺寸匹配的零值形变场；
根据所述第一局部图像在所述目标图像中的位置，将所述第二形变场与所述零值形变场合并，得到第三形变场；所述第三形变场表征所述中间模板图像与所述目标图像之间的变换关系；
利用所述第三形变场调整所述中间分区掩模，得到所述目标图像的分割结果。
3.根据权利要求2所述的方法，其特征在于，在所述得到第三形变场之后，所述方法还包括：
利用所述第三形变场调整所述中间模板图像，得到第一配准结果。
4.根据权利要求3所述的方法，其特征在于，在所述得到第一配准结果之后，所述方法还包括：
对所述目标图像和所述第一配准结果分别进行左半侧和右半侧的相似度计算，得到左半侧相似度和右半侧相似度；
若所述左半侧相似度和右半侧相似度符合预设条件，则对所述第一配准结果中相似度高的半侧配准结果进行左右翻转处理，得到翻转后的半侧配准结果；
将所述翻转后的半侧配准结果配准至所述目标图像，得到第四形变场和第二配准结果；其中，所述第四形变场用于表征所述翻转后的半侧配准结果与所述目标图像之间的变换关系。
5.根据权利要求4所述方法，其特征在于，所述方法还包括：
利用所述第四形变场调整所述目标图像的分割结果。
6.根据权利要求1所述的方法，其特征在于，所述根据所述中间分区掩模从所述目标图像中选取出第一局部图像，包括：
确定所述目标图像中各组织结构与所述中间分区掩模的重合状况；
根据所述重合状况选取出至少一个组织结构对应的所述第一局部图像。
7.根据权利要求1所述的方法，其特征在于，在所述将预先获取到的初始模板图像配准至待分割的目标图像之前，所述方法还包括：
获取多个浮动图像和各所述浮动图像的分区设置；所述浮动图像为头部扫描图像经过预处理后的图像；所述预处理包括将所述头部图像中的头骨和头骨外区域设置为背景；
将各所述浮动图像配准至标准图像，得到配准转换关系和各所述浮动图像对应的配准图像；
根据多个所述配准图像生成所述初始模板图像；
根据所述配准转换关系将各所述浮动图像的分区设置映射到所述标准图像，得到所述标准图像中同一分区的多种设置；
根据所述标准图像中同一分区的多种设置，得到所述初始分区掩模。
8.根据权利要求7所述的方法，其特征在于，所述获取多个浮动图像和各所述浮动图像的分区设置，包括：
接收输入的分区操作，得到各所述浮动图像的分区设置。
9.根据权利要求7所述的方法，其特征在于，所述将各所述浮动图像配准至标准图像，得到各所述浮动图像对应的配准图像，包括：
将各所述浮动图像中脑实质部分的中心与所述标准图像中脑实质部分的中心对齐；
将所述浮动图像中各组织结构的中心分别与所述标准图像中对应组织结构的中心对齐，得到各所述浮动图像对应的配准图像。
10.根据权利要求7所述的方法，其特征在于，所述根据多个所述配准图像生成所述初始模板图像，包括：
对多个所述配准图像进行像素值平均处理，根据平均处理后的像素值生成所述初始模板图像。
11.根据权利要求7所述的方法，其特征在于，所述根据所述标准图像中同一分区的多种设置，得到所述初始分区掩模，包括：
根据所述标准图像中同一分区的多种设置，计算所述标准图像中各像素点处于同一分区的概率，并由所述各像素点处于同一分区的概率得到初始概率图；
根据所述初始概率图和预设概率阈值生成所述初始分区掩模。
12.一种图像分割装置，其特征在于，所述装置包括：
全图配准模块，用于将预先获取到的初始模板图像配准至待分割的目标图像，得到第一形变场和配准后的中间模板图像；所述第一形变场表征所述初始模板图像与所述目标图像之间的变换关系；
图像选取模块，用于根据预先获取到的初始分区掩模和所述第一形变场得到中间分区掩模，并根据所述中间分区掩模从所述目标图像中选取出第一局部图像，从所述中间模板图像选取出第二局部图像；所述初始分区掩模为根据标准图像中各像素点处于同一分区的概率确定的掩模图像；
局部配准模块，用于将所述第二局部图像配准至所述第一局部图像，得到第二形变场；所述第二形变场表征所述第二局部图像与所述第一局部图像之间的变换关系；
分割结果获得模块，用于根据所述第二形变场调整所述中间分区掩模，得到所述目标图像的分割结果。
13.一种计算机设备，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11中任一项所述的方法的步骤。
14.一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11中任一项所述的方法的步骤。
CN202011041387.7A 2020-09-28 2020-09-28 图像分割方法、装置、计算机设备和存储介质 Active CN112150485B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011041387.7A CN112150485B (zh) 2020-09-28 2020-09-28 图像分割方法、装置、计算机设备和存储介质
PCT/CN2021/104787 WO2022062566A1 (en) 2020-09-28 2021-07-06 Systems and methods for image segmentation
US18/191,856 US20230237665A1 (en) 2020-09-28 2023-03-28 Systems and methods for image segmentation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011041387.7A CN112150485B (zh) 2020-09-28 2020-09-28 图像分割方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112150485A CN112150485A (zh) 2020-12-29
CN112150485B true CN112150485B (zh) 2023-05-30

Family

ID=73894922

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011041387.7A Active CN112150485B (zh) 2020-09-28 2020-09-28 图像分割方法、装置、计算机设备和存储介质

Country Status (3)

Country Link
US (1) US20230237665A1 (zh)
CN (1) CN112150485B (zh)
WO (1) WO2022062566A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112150485B (zh) * 2020-09-28 2023-05-30 上海联影医疗科技股份有限公司 图像分割方法、装置、计算机设备和存储介质
CN113240699B (zh) * 2021-05-20 2022-02-08 推想医疗科技股份有限公司 图像处理方法及装置，模型的训练方法及装置，电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103854276A (zh) * 2012-12-04 2014-06-11 株式会社东芝 图像配准及分割装置和方法，以及医学图像设备
CN104050666A (zh) * 2014-06-10 2014-09-17 电子科技大学 基于分割的脑部mr图像配准方法
CN109325971A (zh) * 2018-08-02 2019-02-12 沈阳东软医疗***有限公司 图像配准方法及装置
CN109741378A (zh) * 2018-12-13 2019-05-10 华南理工大学 基于mrf模型的多模态医学图像配准方法、装置、平台及介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014207236A1 (de) * 2014-04-15 2015-10-15 Siemens Aktiengesellschaft Verfahren und Steuerungseinrichtung zum Erstellen von Magnetresonanzaufnahmen
CN107093190B (zh) * 2017-04-17 2018-05-11 哈尔滨理工大学 一种基于多图谱标签融合的医学图像配准算法
CN110599526B (zh) * 2019-08-06 2023-04-25 上海联影智能医疗科技有限公司 图像配准方法、计算机设备和存储介质
CN112150485B (zh) * 2020-09-28 2023-05-30 上海联影医疗科技股份有限公司 图像分割方法、装置、计算机设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103854276A (zh) * 2012-12-04 2014-06-11 株式会社东芝 图像配准及分割装置和方法，以及医学图像设备
CN104050666A (zh) * 2014-06-10 2014-09-17 电子科技大学 基于分割的脑部mr图像配准方法
CN109325971A (zh) * 2018-08-02 2019-02-12 沈阳东软医疗***有限公司 图像配准方法及装置
CN109741378A (zh) * 2018-12-13 2019-05-10 华南理工大学 基于mrf模型的多模态医学图像配准方法、装置、平台及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Combination Strategies in Multi-Atlas Image Segmentation: Application to Brain MR Data;Xabier Artaechevarria et al.;《IEEE TRANSACTIONS ON MEDICAL IMAGING》;20090218;第1266-1277页 *
基于加权相似性度量的脑ＭＲ图像特定组织分割;刘宏等;《计算机学报》;20140630;第1241-1248页 *

Also Published As

Publication number Publication date
US20230237665A1 (en) 2023-07-27
WO2022062566A1 (en) 2022-03-31
CN112150485A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
CN107123137B (zh) 医学图像处理方法及设备
CN111080573B (zh) 肋骨图像检测方法、计算机设备和存储介质
CN110570483B (zh) 扫描方法、装置、计算机设备和存储介质
CN110717961B (zh) 多模态图像重建方法、装置、计算机设备和存储介质
CN112150485B (zh) 图像分割方法、装置、计算机设备和存储介质
CN110246580B (zh) 基于神经网络和随机森林的颅侧面影像分析方法和***
CN110473226B (zh) 图像处理网络的训练方法、计算机设备及可读存储介质
JP2014171867A (ja) 医用画像処理装置、医用画像整合性判定方法、および医用画像整合性判定プログラム
CN107403457A (zh) 医学成像方法、设备及多模态医学成像方法
CN110751187A (zh) 异常区域图像生成网络的训练方法和相关产品
CN111105472B (zh) Pet图像的衰减校正方法、装置、计算机设备和存储介质
CN111223158B (zh) 心脏冠脉图像的伪影校正方法和可读存储介质
CN114092475A (zh) 病灶长径确定方法、图像标注方法、装置及计算机设备
CN111583099A (zh) 图像摆正方法、计算机设备和存储介质
CN109087357B (zh) 扫描定位方法、装置、计算机设备及计算机可读存储介质
CN113989110A (zh) 肺部图像配准方法、装置、计算机设备和存储介质
CN113780519A (zh) 生成对抗网络训练方法、装置、计算机设备和存储介质
CN110473241B (zh) 图像配准方法、存储介质及计算机设备
CN116630239A (zh) 影像分析方法、装置和计算机设备
CN115836872A (zh) 扫描舱偏移确定方法、装置、***、计算机设备及介质
CN111062998B (zh) 图像重建方法、装置、ct***及存储介质
CN111080733B (zh) 医学扫描图像获取方法、装置、存储介质及计算机设备
CN111210414A (zh) 医学图像分析方法、计算机设备和可读存储介质
US20230099906A1 (en) Image registration method, computer device, and storage medium
US11854126B2 (en) Methods and apparatus for deep learning based image attenuation correction

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
GR01 Patent grant
GR01 Patent grant