CN113012166A - 颅内动脉瘤分割方法及装置、电子设备和存储介质 - Google Patents

颅内动脉瘤分割方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113012166A
CN113012166A CN202110296566.3A CN202110296566A CN113012166A CN 113012166 A CN113012166 A CN 113012166A CN 202110296566 A CN202110296566 A CN 202110296566A CN 113012166 A CN113012166 A CN 113012166A
Authority
CN
China
Prior art keywords
image
processed
segmentation
network
sample
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
CN202110296566.3A
Other languages
English (en)
Inventor
隋雨桐
李元杰
刘盼
吴振洲
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 Ande Yizhi Technology Co ltd
Original Assignee
Beijing Ande Yizhi 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 Ande Yizhi Technology Co ltd filed Critical Beijing Ande Yizhi Technology Co ltd
Priority to CN202110296566.3A priority Critical patent/CN113012166A/zh
Publication of CN113012166A publication Critical patent/CN113012166A/zh
Pending legal-status Critical Current

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

本公开涉及一种颅内动脉瘤分割方法及装置、电子设备和存储介质，所述方法包括：对待处理图像进行第一预处理，获得多个待处理图像块；将待处理图像块输入目标分割网络，获得待处理图像块的分割结果；对多个待处理图像块的分割结果进行融合，获得待处理图像的分割图。根据本公开的实施例的颅内动脉瘤分割方法，可通过目标分割网络分割出病灶所在区域，提升处理效率，减少人工参与，提高处理稳定性。进一步地，目标分割网络可将注意力机制集中于承载病灶的器官所在的第二区域，进而基于第二区域来确定病灶区域，可提升病灶区域的分割精度。

Description

颅内动脉瘤分割方法及装置、电子设备和存储介质
技术领域
本公开涉及图像处理技术领域，尤其涉及一种颅内动脉瘤分割方法及装置、电子设备和存储介质。
背景技术
在相关技术中，通常通过医生等专业人员手动将医学图像中的动脉瘤分割出来，以做进一步分析。然而，医生等专业人员的培养难度大，人工处理的稳定性较差，易发生误判或漏判等现象，此外，人工处理所需时间较长，效率较低。
发明内容
本公开提出了一种颅内动脉瘤分割方法及装置、电子设备和存储介质。
根据本公开的一方面，提供了一种颅内动脉瘤分割方法，包括：对待处理图像进行第一预处理，获得多个待处理图像块；将所述待处理图像块输入目标分割网络进行处理，获得所述待处理图像块的分割结果，其中，所述分割结果包括所述待处理图像块中病灶所在的第一区域，所述目标分割网络包括相关区域注意力子网络，所述相关区域注意力子网络用于将所述目标分割网络的注意力机制集中于所述待处理图像块中的第二区域，所述第二区域为承载病灶的器官所在的区域；对多个待处理图像块的分割结果进行融合，获得所述待处理图像的分割图，其中，所述分割图包括所述待处理图像中病灶所在的病灶区域。
在一种可能的实现方式中，所述目标分割网络还包括下采样子网络和上采样子网络，将所述待处理图像块输入目标分割网络进行处理，获得所述待处理图像块的分割结果，包括：将所述待处理图像块输入所述下采样子网络，获得所述待处理图像块的第一特征信息；将所述第一特征信息输入相关区域注意力子网络，获得所述第二区域的注意力信息；将所述注意力信息和所述第一特征信息输入所述上采样子网络，获得所述待处理图像块的分割结果。
在一种可能的实现方式中，将所述注意力信息和所述第一特征信息输入所述上采样子网络，获得所述待处理图像块的分割结果，包括：将所述第一特征信息输入所述上采样子网络，获得第二特征信息；将所述注意力信息与所述第二特征信息进行融合处理，获得第三特征信息；根据所述第三特征信息，获得所述待处理图像块的分割结果。
在一种可能的实现方式中，对待处理图像序列进行第一预处理，获得多个待处理图像块，包括：对所述待处理图像进行归一化处理，获得第一图像；对所述第一图像进行区域筛选处理，获得第二图像；对所述第二图像进行分割处理，获得所述多个待处理图像块。
在一种可能的实现方式中，所述方法还包括：将所述分割图进行二值化处理，获得二值化结果；将所述二值化结果进行连通域分析处理，获得所述待处理图像的分割结果。
在一种可能的实现方式中，所述方法还包括：对第一样本图像进行第二预处理，获得多个第一样本图像块；将所述第一样本图像块输入所述下采样子网络，获得所述第一样本图像块的第一样本特征信息；将所述第一样本特征信息输入相关区域注意力子网络，获得样本注意力信息；根据所述样本注意力信息，获得所述第一样本图像块中的第二样本区域的注意力图，其中，所述第二样本区域为第一样本图像块中器官所在的区域；将所述样本注意力信息和所述第一样本特征信息输入所述上采样子网络，获得所述第一样本图像块的样本分割结果，其中，所述样本分割结果包括所述第一样本图像块中病灶所在的第一样本区域；根据所述注意力图、所述样本分割结果和所述第一样本图像序列的标注信息，训练所述目标分割网络。
在一种可能的实现方式中，对第一样本图像进行第二预处理，获得多个第一样本图像块，包括：将所述第一样本图像进行归一化处理，获得第二样本图像；对所述第二样本图像进行区域筛选处理，获得第三样本图像；对所述第三样本图像进行分割处理，获得多个第二样本图像块；对所述第二样本图块进行随机翻转处理，获得所述第一样本图像块。
在一种可能的实现方式中，所述第一样本图像序列的标注信息包括病灶区域的第一标注信息和承载病灶的器官所在的区域的第二标注信息；根据所述注意力图、所述样本分割图和所述第一样本图像序列的标注信息，训练所述目标分割网络，包括：根据所述样本分割结果和所述第一标注信息，确定所述目标分割网络的第一网络损失；根据所述注意力图和所述第二标注信息，确定所述目标分割网络的第二网络损失；根据所述第一网络损失和所述第二网络损失，训练所述目标分割网络。
在一种可能的实现方式中，所述待处理图像包括三维医学图像，所述器官包括血管，所述病灶包括动脉瘤。
根据本公开的一方面，提供了一种颅内动脉瘤分割装置，包括：第一预处理模块，用于对待处理图像进行第一预处理，获得多个待处理图像块；分割模块，用于将所述待处理图像块输入目标分割网络进行处理，获得所述待处理图像块的分割结果，其中，所述分割结果包括所述待处理图像块中病灶所在的第一区域，所述目标分割网络包括相关区域注意力子网络，所述相关区域注意力子网络用于将所述目标分割网络的注意力机制集中于所述待处理图像块中的第二区域，所述第二区域为承载病灶的器官所在的区域；融合模块，用于对多个待处理图像块的分割结果进行融合，获得所述待处理图像的分割图，其中，所述分割图包括所述待处理图像中病灶所在的病灶区域。
在一种可能的实现方式中，所述目标分割网络还包括下采样子网络和上采样子网络，所述分割模块进一步用于：将所述待处理图像块输入所述下采样子网络，获得所述待处理图像块的第一特征信息；将所述第一特征信息输入相关区域注意力子网络，获得所述第二区域的注意力信息；将所述注意力信息和所述第一特征信息输入所述上采样子网络，获得所述待处理图像块的分割结果。
在一种可能的实现方式中，所述分割模块进一步用于：将所述第一特征信息输入所述上采样子网络，获得第二特征信息；将所述注意力信息与所述第二特征信息进行融合处理，获得第三特征信息；根据所述第三特征信息，获得所述待处理图像块的分割结果。
在一种可能的实现方式中，所述第一预处理模块进一步用于：对所述待处理图像进行归一化处理，获得第一图像；对所述第一图像进行区域筛选处理，获得第二图像；对所述第二图像进行分割处理，获得所述多个待处理图像块。
在一种可能的实现方式中，所述装置还包括：二值化模块，用于将所述分割图进行二值化处理，获得二值化结果；连通域分析模块，用于将所述二值化结果进行连通域分析处理，获得所述待处理图像的分割结果。
在一种可能的实现方式中，所述方法还包括：训练模块，用于对第一样本图像进行第二预处理，获得多个第一样本图像块；将所述第一样本图像块输入所述下采样子网络，获得所述第一样本图像块的第一样本特征信息；将所述第一样本特征信息输入相关区域注意力子网络，获得样本注意力信息；根据所述样本注意力信息，获得所述第一样本图像块中的第二样本区域的注意力图，其中，所述第二样本区域为第一样本图像块中器官所在的区域；将所述样本注意力信息和所述第一样本特征信息输入所述上采样子网络，获得所述第一样本图像块的样本分割结果，其中，所述样本分割结果包括所述第一样本图像块中病灶所在的第一样本区域；根据所述注意力图、所述样本分割结果和所述第一样本图像序列的标注信息，训练所述目标分割网络。
在一种可能的实现方式中，所述训练模块进一步用于：将所述第一样本图像进行归一化处理，获得第二样本图像；对所述第二样本图像进行区域筛选处理，获得第三样本图像；对所述第三样本图像进行分割处理，获得多个第二样本图像块；对所述第二样本图块进行随机翻转处理，获得所述第一样本图像块。
在一种可能的实现方式中，所述第一样本图像序列的标注信息包括病灶区域的第一标注信息和承载病灶的器官所在的区域的第二标注信息；所述训练模块进一步用于：根据所述样本分割结果和所述第一标注信息，确定所述目标分割网络的第一网络损失；根据所述注意力图和所述第二标注信息，确定所述目标分割网络的第二网络损失；根据所述第一网络损失和所述第二网络损失，训练所述目标分割网络。
在一种可能的实现方式中，所述待处理图像包括三维医学图像，所述器官包括血管，所述病灶包括动脉瘤。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
根据本公开的实施例的颅内动脉瘤分割方法，可通过目标分割网络分割出病灶所在区域，提升处理效率，减少人工参与，提高处理稳定性。进一步地，目标分割网络可将注意力机制集中于承载病灶的器官所在的第二区域，进而基于第二区域来确定病灶区域，可提升病灶区域的分割精度。在目标分割网络的训练过程中，通过病灶区域的第一标注信息以及承载病灶的器官所在区域的第二标注信息来训练目标分割网络，使目标分割网络可获取精度较高的注意力信息，进而可将注意力机制集中于与病灶相关的器官，进而基于器官所在区域来确定病灶所在区域，提升病灶区域的分割精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的颅内动脉瘤分割方法的流程图；
图2示出根据本公开实施例的目标分割网络的训练的示意图；
图3示出根据本公开的实施例的颅内动脉瘤分割方法的应用示意图；
图4示出根据本公开的实施例的颅内动脉瘤分割装置的框图；
图5示出根据本公开的实施例的电子装置的框图；
图6示出根据本公开的实施例的电子装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的颅内动脉瘤分割方法的流程图，如图1所示，所述颅内动脉瘤分割方法包括：
在步骤S11中，对待处理图像进行第一预处理，获得多个待处理图像块；
在步骤S12中，将所述待处理图像块输入目标分割网络进行处理，获得所述待处理图像块的分割结果，其中，所述分割结果包括所述待处理图像块中病灶所在的第一区域，所述目标分割网络包括相关区域注意力子网络，所述相关区域注意力子网络用于将所述目标分割网络的注意力机制集中于所述待处理图像块中的第二区域，所述第二区域为承载病灶的器官所在的区域；
在步骤S13中，对多个待处理图像块的分割结果进行融合，获得所述待处理图像的分割图，其中，所述分割图包括所述待处理图像中病灶所在的病灶区域。
根据本公开的实施例的颅内动脉瘤分割方法，可通过目标分割网络分割出病灶所在区域，提升处理效率，减少人工参与，提高处理稳定性。进一步地，目标分割网络可将注意力机制集中于承载病灶的器官所在的第二区域，进而基于第二区域来确定病灶区域，可提升病灶区域的分割精度。
在一种可能的实现方式中，所述颅内动脉瘤分割处理方法可以由终端设备或其它处理设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中，该颅内动脉瘤分割方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行该方法。
在一种可能的实现方式中，待处理图像可为医学影像，该医学影像可以是各种类型的医疗设备拍摄的图像，或者，用于医疗诊断的图像，例如，电子计算机断层扫描(Computed Tomography，CT)图像或者核磁共振(Magnetic Resonance Imaging，MRI)图像等。本公开对待处理图像的类型及具体获取方式不作限制。
在一种可能的实现方式中，在一种可能的实现方式中，待处理图像可为三维医学影像，即包括由多个二维图像组成的图像组，例如，在xyz轴形成的直角坐标系中，一张二维图像对应一个xy平面，不同的二维图像位于z轴上的不同位置，因此，一个图像组可构成一个三维图像，其中，每一个像素的坐标可表示为(x，y，z)。
在一种可能的实现方式中，所述待处理图像包括器官或组织所在的第二区域以及所述第二区域以外的背景区域。所述第二区域为患者的待诊断的身体部位、组织或器官，例如，待处理图像上颅内血管区域、冠状动脉区域、骨骼区域、输卵管区域等，在示例中，所述器官包括血管，本公开对具体的待处理图像的第二区域不作限制。
在一种可能的实现方式中，在待处理图像中，可包括病灶区域，病灶区域通常与承载病灶区域的器官有关联，例如，所述病灶包括血管瘤，血管瘤可生长在血管壁上，即，病灶区域与血管所在区域(第二区域)是有关联的，例如，病灶区域位于第二区域内，或病灶区域与第二区域存在交集等。
在一种可能的实现方式中，在通过目标分割网络进行处理前，可对待处理图像进行第一预处理，待处理图像可以是尺寸较大的三维图像，可对待处理图像进行分割等处理，以符合目标分割网络的输入条件。步骤S11可包括：对所述待处理图像进行归一化处理，获得第一图像；对所述第一图像进行区域筛选处理，获得第二图像；对所述第二图像进行分割处理，获得所述多个待处理图像块。
在一种可能的实现方式中，可首先对待处理图像的像素值进行归一化。在示例中，可将待处理图像中各像素点的像素值转换为0-1之间的值，例如，可将各像素点的像素值均除以255，以得到各像素点的归一化后的像素值，或者，可确定各像素点中像素值最高的像素点，并将所有像素点的像素值除以该像素点的像素值，以获得各像素点的归一化后的像素值，本公开对归一化处理的方式不做限制。
在一种可能的实现方式中，可对归一化处理后获得的第一图像进行区域筛选处理。在示例中，待处理三维图像可以是脑部的医学图像，可通过区域筛选处理在第一图像中筛选出脑部区域，排除头骨以外的区域，以减少不相关区域的干扰。
在示例中，可确定第一图像中像素值较高的部分区域(例如，脑部区域的像素值较高，而头骨以外的像素值较低)，例如，可确定第一图像中像素值大于或等于预设阈值的区域，并基于该区域生成二值化图像，即，用于描述该区域的位置的图像，在二值化图像中，该区域的像素值为1，其他区域的像素值为0。进一步地，可确定该区域的外包矩形，即，将该区域包括在内的矩形，且矩形的边与该区域的边界相切。进而可确定外包矩形的中心的位置，并以基于该中心的位置，从二值化图像中选择出预设的矩形区域(预设的矩形区域的中心位置与上述中心的位置重合)，并基于预设的矩形区域在在二值化图像中的位置，确定筛选出的区域(例如，脑部区域)在第一图像中的位置。所述预设的矩形区域可与上述外包矩形的范围相同，也可大于或小于上述外包矩形的范围，本公开对预设的矩形区域的范围不做限制。在示例中，可对第一图像进行剪裁，获得仅包括筛选出的区域的第二图像，或者，可另筛选出的区域以外的区域的像素值为0，获得第二图像，本公开对获得第二图像的方式不做限制。
在一种可能的实现方式中，可对第二图像进行分割处理，在示例中，第二图像为三维图像，可将第二图像分割为多个三维图像块，即，待处理图像块。同时，确定待处理图像块在第二图像中的相对位置。
在一种可能的实现方式中，经过上述第一预处理，目标分割网络可分别对各待处理图像块进行处理。目标分割网络可以是深度卷积神经网络，可包括下采样子网络和上采样子网络等，具体可采用的目标分割网络包括但不限于U形网络(U Network，U-NET)、V形网络(V Network，V-NET)等网络结构，本公开对目标分割网络的具体网络结构不作限制。
在一种可能的实现方式中，步骤S12可包括：将所述待处理图像块输入所述下采样子网络，获得所述待处理图像块的第一特征信息；将所述第一特征信息输入相关区域注意力子网络，获得所述第二区域的注意力信息；将所述注意力信息和所述第一特征信息输入所述上采样子网络，获得所述待处理图像块的分割结果。
在一种可能的实现方式中，所述下采样子网络可包括卷积层、激活层等网络层级，本公开对下采样子网络的具体结构不做限制。经过下采样子网络的处理，可获得待处理图像块的第一特征信息，例如，获得特征通道较多，感受野较大，但分辨率较低的特征图。
在一种可能的实现方式中，可将第一特征信息输入相关区域注意力子网络，注意力自网络可包括卷积层、激活层等网络层级，本公开对相关区域注意力子网络的具体结构不做限制。经过相关区域注意力子网络的处理，可获得第二区域的注意力信息，即，待处理图像块中承载病灶区域的器官所在区域的注意力信息。例如，所述注意力信息可以是与权值相关的图像，其中，第二区域所在位置的权值较高，其他区域的权值较低等，本公开对注意力信息的具体形式不做限制。
在一种可能的实现方式中，可基于注意力信息和第一特征信息，确定待处理图像块的分割结果。该步骤可包括：将所述第一特征信息输入所述上采样子网络，获得第二特征信息；将所述注意力信息与所述第二特征信息进行融合处理，获得第三特征信息；根据所述第三特征信息，获得所述待处理图像块的分割结果。
在一种可能的实现方式中，可将第一特征信息输入上采样子网络，获得第二特征信息。在示例中，上采样子网络可包括反卷积层等网络层级，本公开对上采样子网络的具体结构不做限制。获得的第二特征信息可以是分辨率较高，特征通道较少的特征图，本公开对第二特征信息的具体形式不做限制。
在一种可能的实现方式中，可将注意力信息与第二特征信息进行融合。在示例中，注意力信息可以是与权值相关的图像，可将注意力信息与第二特征信息相乘，即可将注意力信息融合至第二特征信息中，获得第三特征信息。例如，可使得第三特征信息中第二区域的权值较高，其他区域的权值较低，以便于在后续处理中针对权值较高的区域进行进一步识别，获得与第二区域相关联的病灶区域。
在一种可能的实现方式中，可对第三特征信息进行进一步处理，例如，可通过激活层、全连接层等网络层级对第三特征信息进行处理，可确定待处理图像块的分割结果。例如，可确定待处理图像块中病灶(例如，血管瘤)所在的第一区域，并可基于该区域生成与待处理图像块对应的分割概率图(例如，将像素点属于病灶区域的概率作为该像素点的像素值的图)，例如，分割概率图与待处理图像块尺寸一致，且在分割概率图中，病灶所在区域的概率值较高(例如，高于预设概率阈值)，其他区域的概率值较低。本公开对分割结果的形式不做限制。
通过这种方式，可通过将第二区域的注意力信息与第二特征信息进行融合，使得融合后的特征信息中的注意力机制集中于与病灶区域相关的第二区域，可提升与第二区域相关的病灶区域的检测精度。
在一种可能的实现方式中，在步骤S13中，可对多个待处理图像块的分割结果进行融合，获得待处理图像的分割图。在示例中，在对第二图像进行分割时，可保存各待处理图像块相对于第二图像的位置关系。可基于该位置关系，将各待处理图像块的分割概率图进行拼接，可获得待处理图像的分割图，即，用于表示待处理图像中血管瘤等病灶区域的位置和轮廓的分割图。
在一种可能的实现方式中，上述分割图中可能由于计算误差等原因，导致同一个病灶区域被错误划分成多个部分，因此，可通过连通域分析等处理校正该误差。所述方法还包括：将所述分割图进行二值化处理，获得二值化结果；将所述二值化结果进行连通域分析处理，获得所述待处理图像的分割结果。
在示例中，可将分割图进行二值化处理，即，将病灶区域的像素值设为1，将其他区域的像素值设为0。并对二值化结果进行连通域分析，例如，获取具有连接关系的区域的最大连通域，可矫正上述误差，获得完整的病灶区域，进一步地，还可排除提及小于预设体积阈值的连通域，获得待处理图像的分割结果，即，待处理图像中的血管瘤等病灶区域所在的位置以及轮廓。
在一种可能的实现方式中，上述目标分割网络可用于确定待处理图像块的分割结果，即，确定待处理图像块中病灶所在的第一区域。在通过目标分割网络对待处理图像块进行处理前，可对目标分割网络进行训练。
在一种可能的实现方式中，所述方法还包括：对第一样本图像进行第二预处理，获得多个第一样本图像块；将所述第一样本图像块输入所述下采样子网络，获得所述第一样本图像块的第一样本特征信息；将所述第一样本特征信息输入相关区域注意力子网络，获得样本注意力信息；根据所述样本注意力信息，获得所述第一样本图像块中的第二样本区域的注意力图，其中，所述第二样本区域为第一样本图像块中器官所在的区域；将所述样本注意力信息和所述第一样本特征信息输入所述上采样子网络，获得所述第一样本图像块的样本分割结果，其中，所述样本分割结果包括所述第一样本图像块中病灶所在的第一样本区域；根据所述注意力图、所述样本分割结果和所述第一样本图像序列的标注信息，训练所述目标分割网络。
在一种可能的实现方式中，第一样本图像可包括三维医学图像，可对第一样本图像进行分割等预处理，获得第一样本图像块，并通过第一样本图像块来训练目标分割网络。
在一种可能的实现方式中，对第一样本图像进行第二预处理，获得多个第一样本图像块，包括：将所述第一样本图像进行归一化处理，获得第二样本图像；对所述第二样本图像进行区域筛选处理，获得第三样本图像；对所述第三样本图像进行分割处理，获得多个第二样本图像块；对所述第二样本图块进行随机翻转处理，获得所述第一样本图像块。
在一种可能的实现方式中，可首先对第一样本图像的像素值进行归一化。在示例中，可将第一样本图像中各像素点的像素值转换为0-1之间的值，例如，可将各像素点的像素值均除以255，以得到各像素点的归一化后的像素值，或者，可确定各像素点中像素值最高的像素点，并将所有像素点的像素值除以该像素点的像素值，以获得各像素点的归一化后的像素值，本公开对归一化处理的方式不做限制。
在一种可能的实现方式中，可对归一化处理后获得的第二样本图像进行区域筛选处理。在示例中，第一样本图像可以是脑部的医学图像，可通过区域筛选处理在第二样本图像中筛选出脑部区域，排除头骨以外的区域，得到第三样本图像，以减少不相关区域的干扰。
在示例中，可确定第二样本图像中像素值较高的部分区域(例如，脑部区域的像素值较高，而头骨以外的像素值较低)，例如，可确定第二样本图像中像素值大于或等于预设阈值的区域，并基于该区域生成二值化图像，即，用于描述该区域的位置的图像，在二值化图像中，该区域的像素值为1，其他区域的像素值为0。进一步地，可确定该区域的外包矩形，即，将该区域包括在内的矩形，且矩形的边与该区域的边界相切。进而可确定外包矩形的中心的位置，并以基于该中心的位置，从二值化图像中选择出预设的矩形区域(预设的矩形区域的中心位置与上述中心的位置重合)，并基于预设的矩形区域在在二值化图像中的位置，确定筛选出的区域(例如，脑部区域)在第二样本图像中的位置。所述预设的矩形区域可与上述外包矩形的范围相同，也可大于或小于上述外包矩形的范围，本公开对预设的矩形区域的范围不做限制。在示例中，可对第二样本图像进行剪裁，获得仅包括筛选出的区域的第三样本图像，或者，可另筛选出的区域以外的区域的像素值为0，获得第三样本图像，本公开对获得第三样本图像的方式不做限制。
在一种可能的实现方式中，可对第三样本图像进行分割处理，在示例中，第三样本图像为三维图像，可将第三样本图像分割为多个三维图像块，即，第二样本图像块。同时，确定第二样本图像块在第三样本图像中的相对位置。
在一种可能的实现方式中，为提升训练效果，增强目标分割网络的鲁棒性，还可对第二样本图像块进行数据增强。例如，可对第二样本图像块进行随即翻转处理，例如，可在长度方向、高度方向和/或宽度方向上进行翻转，也可对第二样本图像块进行镜像处理，本公开对翻转方式不做限制。进一步地，可记录翻转的方式。用翻转前和翻转后的图像块共同训练目标分割网络，可提升目标分割网络处理多种角度的图像块的能力，即，可适应多种角度拍摄的三维图像，减小因拍摄角度引起的分割误差。
进一步地，还可对翻转后的图像块进行进一步地分割，例如，分割成尺寸更小的图像块。利用尺寸更小的图像块对目标分割网络进行训练，可提升目标分割网络在尺寸更小、信息含量更少的图像块中确定出病灶所在区域的能力，提升分割精度。
在一种可能的实现方式中，经过上述随机翻转和分割等处理，可获得用于训练目标分割网络的第一样本图像块。由于目标分割网络可将注意力机制集中于与病灶相关的器官所在的区域，因此，在通过第一样本图像块训练目标分割网络的过程中，不仅可训练对病灶区域的分割精度，还可训练目标分割网络的注意力机制。
图2示出根据本公开实施例的目标分割网络的训练的示意图，如图2所示，可将第一样本图像块输入目标分割网络的下采样子网络，以进行特征提取，获得第一样本图像块的第一样本特征信息。并将第一样本图像块的第一样本特征信息分别输入相关区域注意力子网络和上采样子网络。
在一种可能的实现方式中，相关区域注意力子网络可获取第一样本特征信息的样本注意力信息。在进行训练时，可对基于该样本注意力信息生成注意力图(例如，通过激活处理生成注意力图)，所述注意力图可表示承载病灶的器官所在的区域的位置(可能含有误差)，可基于该位置与第一样本图像的标注信息中承载病灶的器官所在的区域的位置(准确的)之间的差异来训练目标分割网络，使得相关区域注意力子网络可获得准确度更高的注意力信息。在示例中，注意力图可以是承载病灶的器官所在的区域的分割图，在所述承载病灶的器官为血管的情况下，所述注意力图还可以是减影血管造影图像，本公开对注意力图的类型不作限制。
在一种可能的实现方式中，上采样子网络可对第一样本特征信息进行上采样，获得分辨率较高，特征通道较少的特征信息，进一步地，可将样本注意力信息与该特征信息进行融合，并基于融合后的特征确定样本分割结果。在示例中，可将样本注意力信息与该特征信息进行相乘，并将相乘后的结果进行激活等处理，获得样本分割结果。该样本分割结果可表示病灶区域的位置(可能含有误差)，可基于该位置与第一样本图像的标注信息中病灶区域的位置(准确的)之间的差异来训练目标分割网络，使得目标分割网络可获得准确度更高的样本分割结果。
在一种可能的实现方式中，所述第一样本图像序列的标注信息包括病灶区域的第一标注信息和承载病灶的器官所在的区域的第二标注信息；根据所述注意力图、所述样本分割图和所述第一样本图像序列的标注信息，训练所述目标分割网络，包括：根据所述样本分割结果和所述第一标注信息，确定所述目标分割网络的第一网络损失；根据所述注意力图和所述第二标注信息，确定所述目标分割网络的第二网络损失；根据所述第一网络损失和所述第二网络损失，训练所述目标分割网络。
在一种可能的实现方式中，第一标注信息可表示病灶区域的准确位置，第二标注信息可表示承载病灶的器官所在的区域的准确位置。如上所述，可通过第一标注信息与样本分割结果之间的差异，以及第二标注信息与注意力图之间的差异来训练目标分割网络。
在示例中，第一标注信息和第二标注信息均为第一样本图像的标注信息，例如，第一标注信息可以是病灶区域的分割结果(例如，准确的分割图)，第二标注信息可以是承载病灶的器官所在的区域的分割结果(例如，准确的分割图，或准确的减影血管造影图像等)。由于第一样本图像块是第一样本图像经过分割和随机翻转等处理后获得的图像块，因此，可对第一标注信息和第二标注信息进行相同的分割和翻转处理，并将第一标注信息和第二标注信息中与输入目标分割网络的第一样本图像块对应的图像块作为标注。例如，在对第一样本图像进行分割时，将第一样本图像分割成1000个第一样本图像块，其中某些图像块进行了随机翻转，例如，第10个图像块进行了镜像翻转。可将第一标注信息和第二标注信息以同样的方式进行分割和翻转，在将第10个图像块输入目标分割网络时，可将第一标注信息中第10个图像块(进行过镜像翻转)以及第二标注信息中第10个图像块(进行过镜像翻转)作为标注信息。
在一种可能的实现方式中，可根据样本分割结果和第一标注信息之间的差异确定第一网络损失，并根据注意力图和第二标注信息之间的差异确定第二网络损失。在示例中，可基于上述方式确定第一网络损失和第二网络损失，即，基于注意力图与第二标注信息中对应的图像块之间的差异确定第二网络损失，并基于样本分割结果与第一标注信息中对应的图像块之间的差异确定第一网络损失。
在一种可能的实现方式中，可根据第一网络损失和第二网络损失确定目标分割网络的网络损失，在示例中，可对第一网络损失和第二网络损失进行加权求和处理，以确定目标分割网络的网络损失。例如，可根据以下公式(1)确定目标分割网络的网络损失：
Lt＝Ls+λLv (1)
其中，Lt为目标分割网络的网络损失，Ls为第一网络损失，Lv为第二网络损失，λ为权值。
在一种可能的实现方式中，可通过目标分割网络的网络损失对目标分割网络进行训练，例如，可将目标分割网络的网络损失进行反向传播，以调节目标分割网络的网络参数，使得网络损失最小化。进一步地，可迭代执行上述处理，以对目标分割网络进行多次训练，并在满足训练条件时完成训练。所述训练条件可包括训练次数条件或网络损失条件，所述训练次数条件可以是在训练次数达到预定次数时，完成训练；所述网络损失条件可以是在网络损失小于或等于预设阈值，或收敛于预设区间内时，完成训练。本公开对训练条件不做限制。
在一种可能的实现方式中，在经过上述训练后，所述目标分割网络可达到较高的精度，可用于对医学图像中的病灶区域进行识别和分割，例如，可对脑部CT图像中的血管瘤等病灶进行分割，本公开对目标分割网络的应用领域不做限制。
根据本公开的实施例的颅内动脉瘤分割方法，可通过目标分割网络分割出病灶所在区域，提升处理效率，减少人工参与，提高处理稳定性。进一步地，目标分割网络可将注意力机制集中于承载病灶的器官所在的第二区域，进而基于第二区域来确定病灶区域，可提升病灶区域的分割精度。在目标分割网络的训练过程中，通过病灶区域的第一标注信息以及承载病灶的器官所在区域的第二标注信息来训练目标分割网络，使目标分割网络可获取精度较高的注意力信息，进而可将注意力机制集中于与病灶相关的器官，进而基于器官所在区域来确定病灶所在区域，提升病灶区域的分割精度。
图3示出根据本公开的实施例的颅内动脉瘤分割方法的应用示意图。可通过目标分割网络对脑部的三维医学图像进行处理，以分割出血管瘤所在的区域。在使用目标分割网络进行处理前，可对目标分割网络进行训练。
在一种可能的实现方式中，如图3所示，可利用第一样本图像训练目标分割网络，可首先将第一样本图像进行第二预处理，例如，进行归一化、区域筛选、分割以及随机翻转等处理，获得多个第一样本图像块，并将第一样本图像块输入目标分割网络的下采样子网络。所述下采样子网络可包括卷积块、残差块等多个网络模块，所述卷积块可包括三维卷积层(例如，3×3×3卷积层)、归一化层(例如，批归一化层)、relu激活层、压缩-激励块(SE-block)等网络层级，各卷积块所包括的网络层级的类型和数量可不一致，本公开对卷积块所包括的网络层级不做限制。所述残差块可包括三维卷积层(例如，3×3×3卷积层和1×1×1卷积层)、归一化层、relu激活层等网络层级，并可在relu激活层之前计算残差块的输入信息以及relu激活层之前的网络层级的处理结果之间的残差，并将该残差结果进行relu激活处理，获得残差块的输出信息，本公开对残差块所包括的网络层级不做限制。所述下采样子网络可用于获得第一样本图像块的第一样本特征信息。
在一种可能的实现方式中，可将第一样本特征信息输入相关区域注意力子网络，获得注意力信息，在示例中，相关区域注意力子网络可包括多个网络模块，例如，卷积块等。各卷积块可输出不同尺度的特征信息，可将预设尺度的特征信息与下采样子网络中对应尺度的特征信息进行合并(例如，将特征图进行拼接、或保留所述预设尺度的特征信息和所述对应尺度的特征信息，并将其全部输入下一个卷积块继续处理)以进行进一步地处理。相关区域注意力子网络可获得三种尺度的注意力信息，所述注意力信息可以是表示承载血管瘤的血管的位置的权值图像，即，相关区域注意力子网络可获得三种尺度的权值图像。可将注意力信息进行softmax激活，可获得表示血管的位置的注意力图(例如，二值化图像)。
在一种可能的实现方式中，可将第一样本特征信息输入上采样子网络，上采样子网络可包括多个网络模块，例如，卷积模块等，可获得多个尺度的特征信息，可将获得的特征信息分别与下采样子网络中对应尺度的特征信息合并，并将合并后的特征信息与对应尺度的注意力信息进行相乘，以将特征图中的注意力机制集中于血管的位置，并进行进一步的卷积处理。进一步地，可将上述处理的结果进行softmax激活等处理，获得表示血管瘤位置的样本分割结果。
在一种可能的实现方式中，可通过第一样本图像中对血管所在位置的第二标注信息以及注意力图确定第二网络损失，并通过第一样本图像中对血管瘤所在位置的标注信息以及样本分割结果确定第一网络损失，进一步地，可对上述第一网络损失和第二网络损失进行加权求和，以获得目标分割网络的网络损失。可基于目标分割网络的网络损失训练目标分割网络。
在一种可能的实现方式中，可通过训练后的目标分割网络处理脑部的三维医学图像，以确定血管瘤的位置和轮廓。例如，可对脑部的三维医学图像进行第一预处理，获得待处理图像块，并将待处理图像块输入下采样子网络，获得第一特征信息。
在一种可能的实现方式中，可将第一特征信息输入相关区域注意力子网络，获得注意力信息，在使用过程中，可无需对注意力信息进行激活，来获取注意力图。
在一种可能的实现方式中，可将第一特征信息输入上采样子网络，并将获得的特征图与相同尺度的注意力信息进行相乘，以将特征图中的注意力机制集中于血管的位置。进一步地，可将上述处理的结果进行激活等处理，获得表示血管瘤位置的分割结果。
在一种可能的实现方式中，可将各待处理图像块的分割结果进行融合，以及连通域分析等处理，获得三维医学图像中血管瘤的分割结果。
图4示出根据本公开的实施例的颅内动脉瘤分割装置的框图，如图4所示，所述装置包括：第一预处理模块11，用于对待处理图像进行第一预处理，获得多个待处理图像块；分割模块12，用于将所述待处理图像块输入目标分割网络进行处理，获得所述待处理图像块的分割结果，其中，所述分割结果包括所述待处理图像块中病灶所在的第一区域，所述目标分割网络包括相关区域注意力子网络，所述相关区域注意力子网络用于将所述目标分割网络的注意力机制集中于所述待处理图像块中的第二区域，所述第二区域为承载病灶的器官所在的区域；融合模块13，用于对多个待处理图像块的分割结果进行融合，获得所述待处理图像的分割图，其中，所述分割图包括所述待处理图像中病灶所在的病灶区域。
在一种可能的实现方式中，所述目标分割网络还包括下采样子网络和上采样子网络，所述分割模块进一步用于：将所述待处理图像块输入所述下采样子网络，获得所述待处理图像块的第一特征信息；将所述第一特征信息输入相关区域注意力子网络，获得所述第二区域的注意力信息；将所述注意力信息和所述第一特征信息输入所述上采样子网络，获得所述待处理图像块的分割结果。
在一种可能的实现方式中，所述分割模块进一步用于：将所述第一特征信息输入所述上采样子网络，获得第二特征信息；将所述注意力信息与所述第二特征信息进行融合处理，获得第三特征信息；根据所述第三特征信息，获得所述待处理图像块的分割结果。
在一种可能的实现方式中，所述第一预处理模块进一步用于：对所述待处理图像进行归一化处理，获得第一图像；对所述第一图像进行区域筛选处理，获得第二图像；对所述第二图像进行分割处理，获得所述多个待处理图像块。
在一种可能的实现方式中，所述装置还包括：二值化模块，用于将所述分割图进行二值化处理，获得二值化结果；连通域分析模块，用于将所述二值化结果进行连通域分析处理，获得所述待处理图像的分割结果。
在一种可能的实现方式中，所述方法还包括：训练模块，用于对第一样本图像进行第二预处理，获得多个第一样本图像块；将所述第一样本图像块输入所述下采样子网络，获得所述第一样本图像块的第一样本特征信息；将所述第一样本特征信息输入相关区域注意力子网络，获得样本注意力信息；根据所述样本注意力信息，获得所述第一样本图像块中的第二样本区域的注意力图，其中，所述第二样本区域为第一样本图像块中器官所在的区域；将所述样本注意力信息和所述第一样本特征信息输入所述上采样子网络，获得所述第一样本图像块的样本分割结果，其中，所述样本分割结果包括所述第一样本图像块中病灶所在的第一样本区域；根据所述注意力图、所述样本分割结果和所述第一样本图像序列的标注信息，训练所述目标分割网络。
在一种可能的实现方式中，所述训练模块进一步用于：将所述第一样本图像进行归一化处理，获得第二样本图像；对所述第二样本图像进行区域筛选处理，获得第三样本图像；对所述第三样本图像进行分割处理，获得多个第二样本图像块；对所述第二样本图块进行随机翻转处理，获得所述第一样本图像块。
在一种可能的实现方式中，所述第一样本图像序列的标注信息包括病灶区域的第一标注信息和承载病灶的器官所在的区域的第二标注信息；所述训练模块进一步用于：根据所述样本分割结果和所述第一标注信息，确定所述目标分割网络的第一网络损失；根据所述注意力图和所述第二标注信息，确定所述目标分割网络的第二网络损失；根据所述第一网络损失和所述第二网络损失，训练所述目标分割网络。
在一种可能的实现方式中，所述待处理图像包括三维医学图像，所述器官包括血管，所述病灶包括动脉瘤。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了颅内动脉瘤分割装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种颅内动脉瘤分割方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的颅内动脉瘤分割方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的颅内动脉瘤分割方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是医疗设备，计算机等终端。参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边缘，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (12)

1.一种颅内动脉瘤分割方法，其特征在于，包括：
对待处理图像进行第一预处理，获得多个待处理图像块；
将所述待处理图像块输入目标分割网络进行处理，获得所述待处理图像块的分割结果，其中，所述分割结果包括所述待处理图像块中病灶所在的第一区域，所述目标分割网络包括相关区域注意力子网络，所述相关区域注意力子网络用于将所述目标分割网络的注意力机制集中于所述待处理图像块中的第二区域，所述第二区域为承载病灶的器官所在的区域；
对多个待处理图像块的分割结果进行融合，获得所述待处理图像的分割图，其中，所述分割图包括所述待处理图像中病灶所在的病灶区域。
2.根据权利要求1所述的方法，其特征在于，所述目标分割网络还包括下采样子网络和上采样子网络，
将所述待处理图像块输入目标分割网络进行处理，获得所述待处理图像块的分割结果，包括：
将所述待处理图像块输入所述下采样子网络，获得所述待处理图像块的第一特征信息；
将所述第一特征信息输入相关区域注意力子网络，获得所述第二区域的注意力信息；
将所述注意力信息和所述第一特征信息输入所述上采样子网络，获得所述待处理图像块的分割结果。
3.根据权利要求2所述的方法，其特征在于，将所述注意力信息和所述第一特征信息输入所述上采样子网络，获得所述待处理图像块的分割结果，包括：
将所述第一特征信息输入所述上采样子网络，获得第二特征信息；
将所述注意力信息与所述第二特征信息进行融合处理，获得第三特征信息；
根据所述第三特征信息，获得所述待处理图像块的分割结果。
4.根据权利要求1所述的方法，其特征在于，对待处理图像序列进行第一预处理，获得多个待处理图像块，包括：
对所述待处理图像进行归一化处理，获得第一图像；
对所述第一图像进行区域筛选处理，获得第二图像；
对所述第二图像进行分割处理，获得所述多个待处理图像块。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述分割图进行二值化处理，获得二值化结果；
将所述二值化结果进行连通域分析处理，获得所述待处理图像的分割结果。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对第一样本图像进行第二预处理，获得多个第一样本图像块；
将所述第一样本图像块输入所述下采样子网络，获得所述第一样本图像块的第一样本特征信息；
将所述第一样本特征信息输入相关区域注意力子网络，获得样本注意力信息；
根据所述样本注意力信息，获得所述第一样本图像块中的第二样本区域的注意力图，其中，所述第二样本区域为第一样本图像块中器官所在的区域；
将所述样本注意力信息和所述第一样本特征信息输入所述上采样子网络，获得所述第一样本图像块的样本分割结果，其中，所述样本分割结果包括所述第一样本图像块中病灶所在的第一样本区域；
根据所述注意力图、所述样本分割结果和所述第一样本图像序列的标注信息，训练所述目标分割网络。
7.根据权利要求6所述的方法，其特征在于，对第一样本图像进行第二预处理，获得多个第一样本图像块，包括：
将所述第一样本图像进行归一化处理，获得第二样本图像；
对所述第二样本图像进行区域筛选处理，获得第三样本图像；
对所述第三样本图像进行分割处理，获得多个第二样本图像块；
对所述第二样本图块进行随机翻转处理，获得所述第一样本图像块。
8.根据权利要求6所述的方法，其特征在于，所述第一样本图像序列的标注信息包括病灶区域的第一标注信息和承载病灶的器官所在的区域的第二标注信息；
根据所述注意力图、所述样本分割图和所述第一样本图像序列的标注信息，训练所述目标分割网络，包括：
根据所述样本分割结果和所述第一标注信息，确定所述目标分割网络的第一网络损失；
根据所述注意力图和所述第二标注信息，确定所述目标分割网络的第二网络损失；
根据所述第一网络损失和所述第二网络损失，训练所述目标分割网络。
9.根据权利要求1所述的方法，其特征在于，所述待处理图像包括三维医学图像，所述器官包括血管，所述病灶包括动脉瘤。
10.一种颅内动脉瘤分割装置，其特征在于，包括：
第一预处理模块，用于对待处理图像进行第一预处理，获得多个待处理图像块；
分割模块，用于将所述待处理图像块输入目标分割网络进行处理，获得所述待处理图像块的分割结果，其中，所述分割结果包括所述待处理图像块中病灶所在的第一区域，所述目标分割网络包括相关区域注意力子网络，所述相关区域注意力子网络用于将所述目标分割网络的注意力机制集中于所述待处理图像块中的第二区域，所述第二区域为承载病灶的器官所在的区域；
融合模块，用于对多个待处理图像块的分割结果进行融合，获得所述待处理图像的分割图，其中，所述分割图包括所述待处理图像中病灶所在的病灶区域。
11.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至9中任意一项所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。
CN202110296566.3A 2021-03-19 2021-03-19 颅内动脉瘤分割方法及装置、电子设备和存储介质 Pending CN113012166A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110296566.3A CN113012166A (zh) 2021-03-19 2021-03-19 颅内动脉瘤分割方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110296566.3A CN113012166A (zh) 2021-03-19 2021-03-19 颅内动脉瘤分割方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN113012166A true CN113012166A (zh) 2021-06-22

Family

ID=76403359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110296566.3A Pending CN113012166A (zh) 2021-03-19 2021-03-19 颅内动脉瘤分割方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113012166A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674269A (zh) * 2021-08-30 2021-11-19 北京安德医智科技有限公司 基于一致性损失的肿瘤脑区定位方法及装置
CN114387436A (zh) * 2021-12-28 2022-04-22 北京安德医智科技有限公司 壁冠状动脉检测方法及装置、电子设备和存储介质
CN114612404A (zh) * 2022-03-04 2022-06-10 清华大学 一种血管分割方法、装置、存储介质及电子设备
CN114820584A (zh) * 2022-05-27 2022-07-29 北京安德医智科技有限公司 肺部病灶定位装置
CN114820535A (zh) * 2022-05-05 2022-07-29 深圳市铱硙医疗科技有限公司 动脉瘤的图像检测方法、装置、计算机设备及存储介质
CN115272165A (zh) * 2022-05-10 2022-11-01 推想医疗科技股份有限公司 图像的特征提取方法、图像分割模型的训练方法和装置
WO2023198166A1 (zh) * 2022-04-14 2023-10-19 北京联影智能影像技术研究院 图像检测方法、***、装置及存储介质
CN116958551A (zh) * 2023-07-25 2023-10-27 强联智创（北京）科技有限公司 图像分割方法、电子设备及存储介质
CN114612404B (zh) * 2022-03-04 2024-07-26 清华大学 一种血管分割方法、装置、存储介质及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829920A (zh) * 2019-02-25 2019-05-31 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
CN110807788A (zh) * 2019-10-21 2020-02-18 腾讯科技（深圳）有限公司 医学图像处理方法、装置、电子设备及计算机存储介质
CN112241766A (zh) * 2020-10-27 2021-01-19 西安电子科技大学 基于样本生成和迁移学习的肝脏ct图像多病变分类方法
US20210042967A1 (en) * 2019-02-02 2021-02-11 Shenzhen Sensetime Technology Co., Ltd. Method for image generation, electronic device, and storage medium

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210042967A1 (en) * 2019-02-02 2021-02-11 Shenzhen Sensetime Technology Co., Ltd. Method for image generation, electronic device, and storage medium
CN109829920A (zh) * 2019-02-25 2019-05-31 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
CN110807788A (zh) * 2019-10-21 2020-02-18 腾讯科技（深圳）有限公司 医学图像处理方法、装置、电子设备及计算机存储介质
CN112241766A (zh) * 2020-10-27 2021-01-19 西安电子科技大学 基于样本生成和迁移学习的肝脏ct图像多病变分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HUIYAN JIANG ET AL.: "An Application of Attention Mechanism", 《IEEE》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674269A (zh) * 2021-08-30 2021-11-19 北京安德医智科技有限公司 基于一致性损失的肿瘤脑区定位方法及装置
CN114387436A (zh) * 2021-12-28 2022-04-22 北京安德医智科技有限公司 壁冠状动脉检测方法及装置、电子设备和存储介质
CN114612404A (zh) * 2022-03-04 2022-06-10 清华大学 一种血管分割方法、装置、存储介质及电子设备
CN114612404B (zh) * 2022-03-04 2024-07-26 清华大学 一种血管分割方法、装置、存储介质及电子设备
WO2023198166A1 (zh) * 2022-04-14 2023-10-19 北京联影智能影像技术研究院 图像检测方法、***、装置及存储介质
CN114820535A (zh) * 2022-05-05 2022-07-29 深圳市铱硙医疗科技有限公司 动脉瘤的图像检测方法、装置、计算机设备及存储介质
CN114820535B (zh) * 2022-05-05 2023-09-12 深圳市铱硙医疗科技有限公司 动脉瘤的图像检测方法、装置、计算机设备及存储介质
CN115272165A (zh) * 2022-05-10 2022-11-01 推想医疗科技股份有限公司 图像的特征提取方法、图像分割模型的训练方法和装置
CN115272165B (zh) * 2022-05-10 2023-09-26 推想医疗科技股份有限公司 图像的特征提取方法、图像分割模型的训练方法和装置
CN114820584A (zh) * 2022-05-27 2022-07-29 北京安德医智科技有限公司 肺部病灶定位装置
CN114820584B (zh) * 2022-05-27 2023-02-21 北京安德医智科技有限公司 肺部病灶定位装置
CN116958551A (zh) * 2023-07-25 2023-10-27 强联智创（北京）科技有限公司 图像分割方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN113012166A (zh) 颅内动脉瘤分割方法及装置、电子设备和存储介质
CN109829920B (zh) 图像处理方法及装置、电子设备和存储介质
CN110047078B (zh) 图像处理方法及装置、电子设备和存储介质
CN110647834B (zh) 人脸和人手关联检测方法及装置、电子设备和存储介质
CN112967291B (zh) 图像处理方法及装置、电子设备和存储介质
CN109522910B (zh) 关键点检测方法及装置、电子设备和存储介质
CN111899268B (zh) 图像分割方法及装置、电子设备和存储介质
CN110675409A (zh) 图像处理方法及装置、电子设备和存储介质
CN111310764A (zh) 网络训练、图像处理方法及装置、电子设备和存储介质
CN110211134B (zh) 一种图像分割方法及装置、电子设备和存储介质
CN113034491B (zh) 一种冠脉钙化斑块检测方法及装置
CN112862916B (zh) Ct灌注功能图量化参数处理设备及方法
CN114820584B (zh) 肺部病灶定位装置
CN114387436B (zh) 壁冠状动脉检测方法及装置、电子设备和存储介质
CN112927239A (zh) 图像处理方法、装置、电子设备及存储介质
CN111860388A (zh) 图像处理方法及装置、电子设备和存储介质
CN113222038A (zh) 基于核磁图像的乳腺病灶分类和定位方法及装置
CN111860373B (zh) 目标检测方法及装置、电子设备和存储介质
CN111882558A (zh) 图像处理方法及装置、电子设备和存储介质
CN111798498A (zh) 图像处理方法及装置、电子设备和存储介质
CN111640114A (zh) 图像处理方法及装置
CN115239999A (zh) 蛋白质电子密度图处理方法、装置、电子设备和存储介质
CN112308867B (zh) 牙齿图像的处理方法及装置、电子设备和存储介质
CN113902730A (zh) 图像处理和神经网络训练方法及装置
CN111882527B (zh) 图像处理方法及装置、电子设备和存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210622

RJ01 Rejection of invention patent application after publication