CN114332132A - 图像分割方法、装置和计算机设备 - Google Patents
图像分割方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN114332132A CN114332132A CN202111679357.3A CN202111679357A CN114332132A CN 114332132 A CN114332132 A CN 114332132A CN 202111679357 A CN202111679357 A CN 202111679357A CN 114332132 A CN114332132 A CN 114332132A
- Authority
- CN
- China
- Prior art keywords
- region
- interest
- segmentation
- image
- processed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003709 image segmentation Methods 0.000 title claims abstract description 38
- 230000011218 segmentation Effects 0.000 claims abstract description 229
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 210000004072 lung Anatomy 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 14
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 239000011521 glass Substances 0.000 claims description 5
- 238000002591 computed tomography Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 11
- 210000001519 tissue Anatomy 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 208000037841 lung tumor Diseases 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 208000020816 lung neoplasm Diseases 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000005338 frosted glass Substances 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 210000004392 genitalia Anatomy 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种图像分割方法、装置和计算机设备。该方法包括：获取待处理医学影像和待处理医学影像中的目标部位分割图像；目标部位中包括至少一个感兴趣区域；根据待处理医学影像，获取待处理医学影像中感兴趣区域的初始分割结果；根据目标部位分割图像，对感兴趣区域的初始分割结果进行假阳性过滤，得到目标部位中感兴趣区域的目标分割结果。如此，通过目标部位分割图像，可以有效排除目标部位内感兴趣区域的初始分割结果中的假阳性干扰，提高了目标部位中感兴趣区域分割结果的准确度。
Description
技术领域
本申请涉及医学影像处理技术领域，特别是涉及一种图像分割方法、装置和计算机设备。
背景技术
临床识别肺肿瘤主要依赖于临床医生对肺部计算机断层成像(ComputedTomography，CT)图像进行肉眼判断并粗略评估其严重程度，评估准确性完全依赖于医生个人的经验。而且肺部CT影像数据呈现***式增长，极大地增强了医生的工作量，随之在疾病检测过程中容易造成误诊和漏诊。
为了提高肺肿瘤的识别效率和准确性，相关技术中，可以通过深度学习技术来对肺部CT图像进行图像分割处理，从中确定肺肿瘤所处区域，进而辅助医生进行诊断。
然而，相关技术中采用深度学习技术分割肺肿瘤区域时，区域分割结果不准确，导致肺肿瘤分割结果中会出现假阳性的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够有效排除目标部位的假阳性分割结果的干扰，提高分割结果准确度的图像分割方法、装置和计算机设备。
第一方面，本申请提供了一种图像分割方法。该方法包括：
获取待处理医学影像和待处理医学影像中的目标部位分割图像；目标部位中包括至少一个感兴趣区域；
根据待处理医学影像，获取待处理医学影像中感兴趣区域的初始分割结果；
根据目标部位分割图像，对感兴趣区域的初始分割结果进行假阳性过滤，得到目标部位中感兴趣区域的目标分割结果。
在其中一个实施例中，获取待处理医学影像中目标部位分割图像，包括：
通过预设的第一分割模型，对待处理医学影像中目标部位所在区域进行分割，得到目标部位分割图像。
在其中一个实施例中，根据目标部位分割图像，对感兴趣区域的初始分割结果进行假阳性过滤，得到目标部位中感兴趣区域的目标分割结果，包括：
若感兴趣区域的初始分割结果未处于目标部位分割图像中，则确定目标部位中感兴趣区域的目标分割结果为假阳性。
在其中一个实施例中，根据待处理医学影像，获取待处理医学影像中感兴趣区域的初始分割结果，包括：
对待处理医学影像的窗宽和窗位进行调整；
对调整后的待处理医学影像中的感兴趣区域进行分割，得到感兴趣区域的初始分割结果。
在其中一个实施例中，目标部位为肺部，则对待处理医学影像的窗宽和窗位进行调整，包括：
根据肺窗的窗参数，对待处理医学影像的窗宽和窗位进行调整。
在其中一个实施例中，目标部位为肺部，则对待处理医学影像窗宽和窗位进行调整，包括：
根据肺磨玻璃窗的窗参数，对待处理医学影像的窗宽和窗位进行调整。
在其中一个实施例中，对调整后的待处理医学影像中的感兴趣区域进行分割，得到感兴趣区域的初始分割结果，包括：
通过预设的第二分割模型，对调整后的待处理医学影像中的感兴趣区域进行分割，得到感兴趣区域的初始分割结果。
在其中一个实施例中，第二分割模型的构建过程包括：
获取多个样本医学影像；所述样本医学影像包括目标部位，且所述目标部位中存在至少一个感兴趣区域；
按照预设的采样比例，对所述多个样本医学影像中的目标部位进行采样，得到多个第一样本医学影像，对所述多个样本医学影像中的感兴趣区域进行采样，得到多个第二样本医学影像；
根据多个第一样本医学影像、多个第二样本医学影像和预设的金标准，对初始第二分割模型进行训练，直至初始第二分割模型输出结果满足预设的收敛条件，得到第二分割模型。
第二方面，本申请还提供了一种图像分割装置。该装置包括：
第一获取模块，用于获取待处理医学影像和待处理医学影像中的目标部位分割图像；目标部位中包括至少一个感兴趣区域；
第二获取模块，用于根据待处理医学影像，获取待处理医学影像中感兴趣区域的初始分割结果；
检测模块，用于根据目标部位分割图像，对感兴趣区域的初始分割结果进行假阳性过滤，得到目标部位中感兴趣区域的目标分割结果。
第三方面，本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面中任一方法实施例的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面中任一方法实施例的步骤。
第五方面，本申请还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现上述第一方面中任一方法实施例的步骤。
上述图像分割方法、装置和计算机设备，通过获取待处理医学影像和待处理医学影像中的目标部位分割图像；目标部位中包括至少一个感兴趣区域；根据待处理医学影像，获取待处理医学影像中感兴趣区域的初始分割结果；根据目标部位分割图像，对感兴趣区域的初始分割结果进行假阳性过滤，得到目标部位中感兴趣区域的目标分割结果。在该方法中，从待处理医学影像中精准获取目标部位整体的分割图像，得到目标部位分割图像。进一步地，通过目标部位分割图像，可以有效排除目标部位内感兴趣区域的初始分割结果中的假阳性干扰，提高了目标部位中感兴趣区域分割结果的准确度。
附图说明
图1为一个实施例中图像分割方法的流程示意图；
图2为另一个实施例中图像分割方法的流程示意图；
图3为一个实施例中第二分割模型的构建流程示意图；
图4为又一个实施例中图像分割方法的流程示意图；
图5为一个实施例中图像分割装置的结构框图；
图6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。
深度学习是当前医学影像分割任务采用的主流技术，受限于训练样本局限性、语义信息相似性等因素影响，分割结果中存在假阳性问题，即分割模型错误地将病灶外区域识别为目标区域的情况时有发生。
基于此，为了减轻假阳性问题对病灶分割结果的准确性影响，提升产品的性能，本申请提出一种图像分割方法、装置和计算机设备，针对感兴趣区域分割结果，采用目标部位的整体分割图像对感兴趣区域分割结果进行假阳性过滤，以排除分割结果中的假阳性干扰，提高目标部位中感兴趣区域分割结果的准确度。
本申请提供的图像分割方法，可以应用于图像分割装置，该图像分割装置可以采用软件和/或硬件的方式实现，该装置可以集成在具有医学影像处理功能的计算机设备中，例如：终端、服务器、医学设备等。
其中，终端可以包括但不限于为运行于实体设备中的软件，例如安装在设备上的应用程序或客户端等，也可以包括但不限于为安装有应用的个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以包括但不限于为至少一个独立服务器、分布式服务器、云服务器和服务器集群。
下面将通过实施例并结合附图，具体地对本申请实施例的技术方案以及本申请实施例的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是，本申请实施例提供的一种图像分割方法，其执行主体可以为上述计算机设备，也可以为具体的医学设备，还可以为本申请提供的图像分割装置。显然，所描述的实施例是本申请实施例一部分实施例，而不是全部的实施例。
在一个实施例中，如图1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110：获取待处理医学影像和待处理医学影像中的目标部位分割图像；目标部位中包括至少一个感兴趣区域。
其中，待处理医学影像为包括受检对象的目标部位信息的医学影像，该医学影像可以是二维图像，也可以是三维图像。具体地，待处理医学影像可以采用以下任一种医学成像技术得到的：CT扫描技术、磁共振成像(Magnetic Resonance Imaging，MRI)技术、X射线(X-Ray)成像技术、正电子发射型计算机断层显像(Positron Emission ComputedTomography，简称PET)技术等。
进一步地，待处理医学影像中的目标部位为受检对象可能存在病灶的器官或组织。若受检对象为人，则目标部位可以为：肺、肝脏、心脏、脾脏、脑、胆、生殖器官等中的至少一种。感兴趣区域为目标部位中由疾病引起的病变组织所处区域。
在一种可能的实现方式中，步骤110的实现过程可以为：从医学影像数据库中获取待处理医学影像，从待处理医学影像中识别目标部位，并对目标部位进行分割，得到目标部位分割图像。其中，目标部位分割图像即为目标部位的全局图像，从目标部位分割图像中，可以准确且清晰的获知目标部位中组织的分布情况和目标部位的界线。
需要说明的是，待处理医学影像可以是对受检对象的目标部位进行扫描后得到的实时影像，也可以是存储的医学影像数据库中的医学影像。同时，在获取待处理医学影像时，可以逐一获取，也可以批量获取，本申请实施例对待处理医学影像的来源，以及获取方式不做限制。
步骤120：根据待处理医学影像，获取待处理医学影像中感兴趣区域的初始分割结果。
其中，感兴趣区域的初始分割结果可以包括一个感兴趣区域分割图像，也可以包括多个感兴趣区域分割图像。应该理解的是，从待处理医学影像中未识别到感兴趣区域的情况下，感兴趣区域的初始分割结果为空。
在一种可能的实现方式中，步骤120的实现过程可以为：对于待处理医学影像，采用预先训练好的分割模型对待处理医学影像中的目标部位进行感兴趣区域检测和识别，并对识别的感兴趣区域进行图像分割，得到待处理医学影像中感兴趣区域的初始分割结果。
其中，分割模型可以为任一机器学习模型，例如深度学习模型、随机森林模型、决策树模型等。其中，机器学习模型中的分割处理网络可以为单独的神经网络，也可以为至少两个神经网络构成的级联网络。本申请实施例对此不做限制。
进一步地，分割模型是预先使用样本医学影像进行训练得到的，该训练过程可以为监督学习，也可以为无监督学习，还可以为半监督学习。
在采用监督学习的方式训练中，样本医学影像中预先标注好目标部位，以及目标部位中的感兴趣区域。在训练过程中，初始分割模型根据预先标注好的样本医学影像，学习目标部位的生理特征，以及目标部位中非感兴趣区域和感兴趣区域之间的区别，进而输出样本医学影像对应的感兴趣区域分割结果，当输出结果满足预设的收敛条件时，初始分割模型训练完成，得到训练好的分割模型。
需要说明的是，分割模型可以是针对受检对象特定部位进行感兴趣区域分割的模型，也可以是针对受检对象多个部位进行感兴趣区域分割的模型，本申请实施例对此不做限制。
步骤130：根据目标部位分割图像，对感兴趣区域的初始分割结果进行假阳性过滤，得到目标部位中感兴趣区域的目标分割结果。
分割模型虽然在感兴趣区域识别速率上远高于人工，但由于图像成像、干扰物、伪影等因素，在分割模型输出的感兴趣区域的初始分割结果中，标记的感兴趣区域可能为非感兴趣区域，即分割结果中存在假阳性。因此，在根据分割模型得到感兴趣区域的初始分割结果后，需要进行假阳性去除操作，得到可以反映目标部位中感兴趣区域的目标分割结果。
然而，通过先验知识和病理知识可知，在待处理医学影像中，感兴趣区域应该位于目标部位内，则假阳性结果可能会存在于目标部位外。因此，对于感兴趣区域的初始分割结果，本申请利用目标部位分割图像可以快速有效地过滤掉位于目标部位外的感兴趣区域分割图像，去除假阳性结果。
在一种可能的实现方式中，步骤130的实现过程可以为：若感兴趣区域的初始分割结果未处于目标部位分割图像中，则确定目标部位中感兴趣区域的目标分割结果为假阳性。如此，从感兴趣区域的初始分割结果中去除假阳性结果后，得到目标部位中感兴趣区域的目标分割结果。
作为一个示例，将感兴趣区域的初始分割结果中的感兴趣区域分割图像，依次与目标部位分割图像进行区域匹配，若感兴趣区域分割图像未处于目标部位分割图像中，则确定该感兴趣区域分割图像为假阳性。若感兴趣区域分割图像处于目标部位分割图像中，则将其确定为目标部位中感兴趣区域的目标分割结果。
上述图像分割方法中，获取待处理医学影像中的目标部位分割图像，通过目标部位分割图像对感兴趣区域的初始分割结果进行假阳性过滤，得到感兴趣区域的目标分割结果。有效排除了目标部位内感兴趣区域分割结果的假阳性干扰，提高了感兴趣区域分割结果的准确度。
在其中一个实施例中，基于上述实施例中通过分割模型获取待处理医学影像中感兴趣区域的初始分割结果的技术构思，获取待处理医学影像中目标部位分割图像的实现过程可以为：通过预设的第一分割模型，对待处理医学影像中目标部位所在区域进行分割，得到目标部位分割图像。
同理，第一分割模型同样可以为任一机器学习模型。以监督学习为例，训练第一分割模型的过程为：获取包括目标部位的样本医学影像，该样本医学影像中预先标注了目标部位；将该样本医学影像输入至初始第一分割模型中，对初始第一分割模型进行训练，若初始第一分割模型输出的目标部位分割图像和标注的目标部位所在区域之间的误差在预设误差范围内，则初始第一分割模型收敛，得到训练好的第一分割模型。
进一步地，由于目标部位分割图像用于过滤感兴趣区域的初始分割结果中的假阳性结果，对其准确度要求较高。因此，在训练第一分割模型时，可以优化第一分割模型的分割处理网络，以及，定期采用新的样本医学影像对第一分割模型进行训练，以提高其分割结果的准确度。
在本实施例中，通过训练好的第一分割模型从待处理医学影像中获取目标部位分割图像，提高了目标部位分割图像的获取效率。
基于上述方法实施例，在一个实施例中，如图2所示，根据待处理医学影像，获取待处理医学影像中感兴趣区域的初始分割结果的实现过程，可以包括以下步骤：
步骤210：对待处理医学影像的窗宽和窗位进行调整。
在临床实践中，影像科医生在观察一副CT图像进行诊断时，会调整图像的窗宽与窗位到多个范围，不同窗宽窗位下的图像可以呈现出不同的细节，让诊断更加精确。本申请受此启发，在对感兴趣区域进行分割时，为了提高分割准确度，可以调整待处理医学影像的窗宽和窗位，使得感兴趣区域更清晰，边界更明确，以提高分割效果。
待处理医学影像以CT图像为例，窗宽指CT图像所显示的CT值范围。在此CT值范围内的组织结构按其密度高低从白到黑分为16个灰阶(因为人眼仅能识别16个灰阶)以供观察对比。窗位(也称窗中心)指窗宽范围内的均值或中心值。
作为一个示例，一幅CT图像，若窗宽选定为100Hu，则人眼可分辨的CT值为100/16＝6.25Hu。即待处理医学影像中两种组织CT值相差在6.25Hu以上的，才可以为人眼所识别。进一步地，若窗位选在0Hu；则以窗位为中心(0Hu)，向上包括+50Hu，向下包括-50Hu，凡是在100Hu范围内的组织均可显示出来并为人眼所识别。其中，大于+50Hu的组织均显示为白色；小于-50Hu的组织均显示为黑色。
因此，窗宽的宽窄直接影响图像的清晰度与对比度。如果使用窄的窗宽，则显示的CT值范围小，每一灰阶代表的CT值幅度小，对比度强，适于观察密度接近的组织结构(比如脑组织)。反之，如果使用宽的窗宽，则显示的CT值范围大，每一灰阶代表的CT值幅度大，则图像对比度差，但密度均匀，适于观察密度差别大的结构(比如，骨骼与软组织)。
需要说明的是，在对窗宽和窗位进行调整时，原则上窗位应该接近于需要观察的目标部位的CT值，窗宽应能反映该目标部位中组织或病变的CT值变化范围。
在一种可能的应用场景中，若待处理医学影像中需要关注的目标部位为肺部。则上述步骤210的调整过程可以包括下述(1)和/或(2)。
(1)根据肺窗的窗参数，对待处理医学影像的窗宽和窗位进行调整。
其中，肺窗的窗宽为1500Hu，窗位为-400Hu，则调整待处理医学影像的窗宽为1500Hu，窗位-400Hu，调整后的待处理医学影像可以呈现出肺部更多的细节信息。
(2)根据肺磨玻璃窗的窗参数，对待处理医学影像的窗宽和窗位进行调整。
其中，肺磨玻璃窗的窗宽为800Hu，窗位为-600Hu，则调整待处理医学影像的窗宽为800Hu，窗位-600Hu，调整后的待处理医学影像可以清晰显示出肺部的磨玻璃窗结节信息。
可选地，还可以对待处理医学影像中的像素进行归一化处理、重采样、像素扩充等操作，以丰富待处理医学影像的细节信息。本申请实施例对此不做限制。
步骤220：对调整后的待处理医学影像中的感兴趣区域进行分割，得到感兴趣区域的初始分割结果。
在一种可能的实现方式中，步骤220的实现过程可以为：通过预设的第二分割模型，对调整后的待处理医学影像中的感兴趣区域进行分割，得到感兴趣区域的初始分割结果。
其中，第二分割模型是预先训练好的深度学习模型，通过第二分割模型可以准确地从待处理医学影像中确定感兴趣区域，并对感兴趣区域进行图像分割，快速得到感兴趣区域的初始分割结果，提高了感兴趣区域的分割效率。
需要说明的是，第二分割模型和上述第一分割模型可以为同一机器学习模型，区别在于其训练使用的样本数据不同，模型的配置参数不同。进一步地，第二分割模型和第一分割模型也可以是不同的机器学习模型，采用不同的样本数据进行训练。本申请实施例对分割模型的具体类型不做限制。
在本实施例中，不同窗宽窗位下的医学影像可以呈现出不同的细节，因此，通过对待处理医学影像的窗宽和窗位进行调整，使得调整后的待处理医学影像可以呈现出感兴趣区域全面的特征信息，方便对感兴趣区域进行精准识别和高效分割。另外，从调整后的待处理医学影像中分割感兴趣区域时，是通过第二分割模型来实现的，提高了感兴趣区域的分割效率。
进一步地，在一个实施例中，如图3所示，第二分割模型的构建过程可以为：
步骤310：获取多个样本医学影像；样本医学影像包括目标部位，且目标部位中存在至少一个感兴趣区域。
其中，在使用多个样本医学影像对初始第二分割模型进行训练前，可以对多个样本医学影像的窗宽和窗位进行调整，使得初始第二分割模型可以在有限的样本数据上获得更强的适应性，对于未见过的样本医学影像，可以输出更准确地感兴趣区域分割结果。
若样本医学影像中的目标部位为肺部，则在一种可能的实现方式中，对多个样本医学影像的窗宽和窗位进行调整的实现过程可以为：根据肺窗的窗参数，对各样本医学影像的窗宽和窗位进行调整，以及根据肺磨玻璃窗的窗参数，对各样本医学影像的窗宽和窗位进行调整；将调整后的多个样本医学影像作为初始第二分割模型的训练数据。
步骤320：按照预设的采样比例，对多个样本医学影像中的目标部位进行采样，得到多个第一样本医学影像，对多个样本医学影像中的感兴趣区域进行采用，得到多个第二样本医学影像。
作为一个示例，若预设比例4：6，则针对每个样本医学影像，以40％的概率在目标部位进行采样，得到第一样本医学影像。以60％的概率在目标部位中的感兴趣区域进行采样，得到第二样本医学影像。
进一步地，第一样本医学影像和第二样本医学影像都是从样本医学影像中采样得到图像块，因此，在采样前还可以预先设置采样范围大小。
作为一个示例，若预先设置的采样范围大小为：64x64x64，则第一样本医学影像是以目标部位中随机一点为中心点，获取的64x64x64像素的图像块，第二样本医学影像是以感兴趣中随机一点为中心点，获取的64x64x64像素的图像块。
需要说明的是，由于第一样本医学影像是针对整个目标部位采样得到的图像块，具有全局性，其可视范围更大，但采样的图像块中可能存在无关干扰。也即是，第一样本医学影像中可能包括目标部位中的感兴趣区域，也可能为目标部位中的非感兴趣区域。而第二样本医学影像是在感兴趣区域中采样的图像块，具有局部性，其可视范围小，但可以获得更精确的特征信息。
因此，可以根据第二模型的学习效果，对采样比例进行调整，以调整第一样本医学影像和第二样本医学影像的数量，使得模型可以根据输入的样本医学影像进行针对性的学习。
步骤330：根据多个第一样本医学影像、多个第二样本医学影像和预设的金标准，对初始第二分割模型进行训练，直至初始第二分割模型输出结果满足预设的收敛条件，得到第二分割模型。
其中，金标准为人工预先在样本医学影像的目标部位中标定的感兴趣区域。
在一种可能的实现方式中，步骤330的实现过程可以为：将多个第一样本医学影像和多个第二样本医学影像输入至初始第二分割模型中，对初始第二分割模型进行训练。若初始第二分割模型输出的感兴趣区域分割结果与金标准在允许误差范围内，则初始第二分割模型输出结果满足预设的收敛条件，得到第二分割模型。
在本申请实施例中，训练第二分割模型时，通过调整样本医学影像的窗宽窗位，让初始第二分割模型在感兴趣区域与背景对比度更强的情形下进行有效地学习，增强对未知医学影像中感兴趣区域的识别能力，使得初始第二分割模型可以在有限的数据上获得更强的适应性。另外，根据预设的采样比例，获取多个第一样本医学影像和多个第二样本医学影像，初始第二分割模型聚焦感兴趣区域的同时，也学习目标部位的特征信息，以及目标部位和感兴趣区域之间的关系，减少差异带来的假阳性。如此，通过调整样本医学影像的窗宽窗位，以及通过采样比例，控制输入到初始第二模型中的第一样本医学影像和第二样本医学影像的数量，提高了模型的学习效果，使得训练得到的第二分割模型在进行感兴趣区域分割时，其分割结果更精确。
综合上述各方法实施例，如图4所示，本申请还提供了另一种图像分割方法，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410：获取待处理医学影像；
步骤420：通过预设的第一分割模型，对待处理医学影像中目标部位所在区域进行分割，得到目标部位分割图像；
步骤430：对待处理医学影像的窗宽和窗位进行调整；
步骤440：通过预设的第二分割模型，对调整后的待处理医学影像中的感兴趣区域进行分割，得到感兴趣区域的初始分割结果；
步骤450：若感兴趣区域的初始分割结果未处于目标部位分割图像中，则确定目标部位中感兴趣区域的目标分割结果为假阳性。
本实施例提供的图像分割方法中各步骤，其实现原理和技术效果与前面各方法实施例中类似，在此不再赘述。
该理解的是，虽然如上所述的各实施例所涉及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，如上所述的各实施例所涉及的流程图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。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的图像分割方法的图像分割装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个图像分割装置实施例中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。
在一个实施例中，如图5所示，提供了一种图像分割装置，该装置500包括：第一获取模块510、第二获取模块520和检测模块530，其中：
第一获取模块510，用于获取待处理医学影像和待处理医学影像中的目标部位分割图像；目标部位中包括至少一个感兴趣区域；
第二获取模块520，用于根据待处理医学影像，获取待处理医学影像中感兴趣区域的初始分割结果；
检测模块530，用于根据目标部位分割图像，对感兴趣区域的初始分割结果进行假阳性过滤，得到目标部位中感兴趣区域的目标分割结果。
在其中一个实施例中，第一获取模块510，包括：
部位分割单元，用于通过预设的第一分割模型，对待处理医学影像中目标部位所在区域进行分割，得到目标部位分割图像。
在其中一个实施例中，检测模块530，包括：
假阳性过滤单元，用于若感兴趣区域的初始分割结果未处于目标部位分割图像中，则确定目标部位中感兴趣区域的目标分割结果为假阳性。
在其中一个实施例中，第二获取模块520，包括：
调整单元，用于对待处理医学影像的窗宽和窗位进行调整；
区域分割单元，用于对调整后的待处理医学影像中的感兴趣区域进行分割，得到感兴趣区域的初始分割结果。
在其中一个实施例中，目标部位为肺部，则调整单元，包括：
第一调整子单元，用于根据肺窗的窗参数，对待处理医学影像的窗宽和窗位进行调整。
在其中一个实施例中，目标部位为肺部，则调整单元，包括：
第二调整子单元，用于根据肺磨玻璃窗的窗参数，对待处理医学影像的窗宽和窗位进行调整。
在其中一个实施例中，区域分割单元，包括：
分割子单元，用于通过预设的第二分割模型，对调整后的待处理医学影像中的感兴趣区域进行分割，得到感兴趣区域的初始分割结果。
在其中一个实施例中，该装置500还包括：
第三获取模块，用于获取多个样本医学影像；样本医学影像包括目标部位，且目标部位中存在至少一个感兴趣区域；
采样模块，用于按照预设的采样比例，对多个样本医学影像中的目标部位进行采样，得到多个第一样本医学影像，对多个样本医学影像中的感兴趣区域进行采样，得到多个第二样本医学影像；
建模模块，用于根据多个第一样本医学影像、多个第二样本医学影像和预设的金标准，对初始第二分割模型进行训练，直至初始第二分割模型输出结果满足预设的收敛条件，得到第二分割模型。
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6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6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待处理医学影像和待处理医学影像中的目标部位分割图像；目标部位中包括至少一个感兴趣区域；
根据待处理医学影像，获取待处理医学影像中感兴趣区域的初始分割结果；
根据目标部位分割图像，对感兴趣区域初始分割结果进行假阳性过滤，得到目标部位中感兴趣区域的目标分割结果。
上述实施例提供的一种计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待处理医学影像和待处理医学影像中的目标部位分割图像；目标部位中包括至少一个感兴趣区域；
根据待处理医学影像，获取待处理医学影像中感兴趣区域的初始分割结果；
根据目标部位分割图像，对感兴趣区域初始分割结果进行假阳性过滤，得到目标部位中感兴趣区域的目标分割结果。
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取待处理医学影像和待处理医学影像中的目标部位分割图像；目标部位中包括至少一个感兴趣区域；
根据待处理医学影像，获取待处理医学影像中感兴趣区域的初始分割结果；
根据目标部位分割图像，对感兴趣区域初始分割结果进行假阳性过滤，得到目标部位中感兴趣区域的目标分割结果。
上述实施例提供的一种计算机程序产品，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和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 (10)
1.一种图像分割方法，其特征在于，所述方法包括：
获取待处理医学影像和所述待处理医学影像中的目标部位分割图像；所述目标部位中包括至少一个感兴趣区域；
根据所述待处理医学影像，获取所述待处理医学影像中感兴趣区域的初始分割结果；
根据所述目标部位分割图像，对所述感兴趣区域的初始分割结果进行假阳性过滤，得到所述目标部位中感兴趣区域的目标分割结果。
2.根据权利要求1所述的方法，其特征在于，所述获取待处理医学影像中目标部位分割图像，包括：
通过预设的第一分割模型，对所述待处理医学影像中目标部位所在区域进行分割，得到所述目标部位分割图像。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述目标部位分割图像，对所述感兴趣区域的初始分割结果进行假阳性过滤，得到所述目标部位中感兴趣区域的目标分割结果，包括：
若所述感兴趣区域的初始分割结果未处于所述目标部位分割图像中，则确定所述目标部位中感兴趣区域的目标分割结果为假阳性。
4.根据权利要求1或2所述的方法，其特征在于，所述根据所述待处理医学影像，获取所述待处理医学影像中感兴趣区域的初始分割结果，包括：
对所述待处理医学影像的窗宽和窗位进行调整；
对调整后的待处理医学影像中的感兴趣区域进行分割，得到所述感兴趣区域的初始分割结果。
5.根据权利要求4所述的方法，其特征在于，所述目标部位为肺部，则所述对所述待处理医学影像的窗宽和窗位进行调整，包括：
根据肺窗的窗参数，对所述待处理医学影像的窗宽和窗位进行调整。
6.根据权利要求4所述的方法，其特征在于，所述目标部位为肺部，则所述对所述待处理医学影像窗宽和窗位进行调整，包括：
根据肺磨玻璃窗的窗参数，对所述待处理医学影像的窗宽和窗位进行调整。
7.根据权利要求4所述的方法，其特征在于，所述对调整后的待处理医学影像中的感兴趣区域进行分割，得到所述感兴趣区域的初始分割结果，包括：
通过预设的第二分割模型，对调整后的待处理医学影像中的感兴趣区域进行分割，得到所述感兴趣区域的初始分割结果。
8.根据权利要求7所述的方法，其特征在于，所述第二分割模型的构建过程包括：
获取多个样本医学影像；所述样本医学影像包括目标部位，且所述目标部位中存在至少一个感兴趣区域；
按照预设的采样比例，对所述多个样本医学影像中的目标部位进行采样，得到多个第一样本医学影像，对所述多个样本医学影像中的感兴趣区域进行采样，得到多个第二样本医学影像；
根据所述多个第一样本医学影像、所述多个第二样本医学影像和预设的金标准，对初始第二分割模型进行训练，直至所述初始第二分割模型输出结果满足预设的收敛条件，得到所述第二分割模型。
9.一种图像分割装置，其特征在于，所述装置包括：
第一获取模块，用于获取待处理医学影像和所述待处理医学影像中的目标部位分割图像；所述目标部位中包括至少一个感兴趣区域；
第二获取模块，用于根据所述待处理医学影像，获取所述待处理医学影像中感兴趣区域的初始分割结果；
检测模块，用于根据所述目标部位分割图像，对所述感兴趣区域的初始分割结果进行假阳性过滤，得到所述目标部位中感兴趣区域的目标分割结果。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111679357.3A CN114332132A (zh) | 2021-12-31 | 2021-12-31 | 图像分割方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111679357.3A CN114332132A (zh) | 2021-12-31 | 2021-12-31 | 图像分割方法、装置和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114332132A true CN114332132A (zh) | 2022-04-12 |
Family
ID=81023232
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111679357.3A Pending CN114332132A (zh) | 2021-12-31 | 2021-12-31 | 图像分割方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114332132A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115131333A (zh) * | 2022-07-20 | 2022-09-30 | 珠海横琴圣澳云智科技有限公司 | 基于实例不确定性的图像检测及分割的方法和装置 |
| CN115482248A (zh) * | 2022-09-22 | 2022-12-16 | 推想医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
| CN116071375A (zh) * | 2023-03-10 | 2023-05-05 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 图像分割方法和装置、存储介质及电子设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1943513A (zh) * | 2006-11-08 | 2007-04-11 | 沈阳东软医疗***有限公司 | 一种针对ct图像的处理装置、方法及*** |
| CN101563708A (zh) * | 2006-12-19 | 2009-10-21 | 皇家飞利浦电子股份有限公司 | 用于指示医学成像数据中可能经计算机检测的假阳性的装置和方法 |
| CN108446730A (zh) * | 2018-03-16 | 2018-08-24 | 北京推想科技有限公司 | 一种基于深度学习的ct肺结节检测方法 |
| CN108520519A (zh) * | 2018-04-11 | 2018-09-11 | 上海联影医疗科技有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
| CN108765415A (zh) * | 2018-06-14 | 2018-11-06 | 南京鼎瑞医疗器械有限公司 | 一种具有阴影管理监测*** |
| CN111062947A (zh) * | 2019-08-14 | 2020-04-24 | 深圳市智影医疗科技有限公司 | 一种基于深度学习的x光胸片病灶定位方法及*** |
| CN111127466A (zh) * | 2020-03-31 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 医学图像检测方法、装置、设备及存储介质 |
| WO2020164468A1 (zh) * | 2019-02-15 | 2020-08-20 | 腾讯科技（深圳）有限公司 | 医学图像分割方法、图像分割方法及相关装置、*** |
| CN112541884A (zh) * | 2020-10-30 | 2021-03-23 | 浙江大华技术股份有限公司 | 缺陷检测方法及设备、计算机可读存储介质 |
| CN113168537A (zh) * | 2018-12-05 | 2021-07-23 | 爱克发有限公司 | 改进深度神经网络的分割 |
-
2021
- 2021-12-31 CN CN202111679357.3A patent/CN114332132A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1943513A (zh) * | 2006-11-08 | 2007-04-11 | 沈阳东软医疗***有限公司 | 一种针对ct图像的处理装置、方法及*** |
| CN101563708A (zh) * | 2006-12-19 | 2009-10-21 | 皇家飞利浦电子股份有限公司 | 用于指示医学成像数据中可能经计算机检测的假阳性的装置和方法 |
| CN108446730A (zh) * | 2018-03-16 | 2018-08-24 | 北京推想科技有限公司 | 一种基于深度学习的ct肺结节检测方法 |
| CN108520519A (zh) * | 2018-04-11 | 2018-09-11 | 上海联影医疗科技有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
| CN108765415A (zh) * | 2018-06-14 | 2018-11-06 | 南京鼎瑞医疗器械有限公司 | 一种具有阴影管理监测*** |
| CN113168537A (zh) * | 2018-12-05 | 2021-07-23 | 爱克发有限公司 | 改进深度神经网络的分割 |
| WO2020164468A1 (zh) * | 2019-02-15 | 2020-08-20 | 腾讯科技（深圳）有限公司 | 医学图像分割方法、图像分割方法及相关装置、*** |
| CN111062947A (zh) * | 2019-08-14 | 2020-04-24 | 深圳市智影医疗科技有限公司 | 一种基于深度学习的x光胸片病灶定位方法及*** |
| CN111127466A (zh) * | 2020-03-31 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 医学图像检测方法、装置、设备及存储介质 |
| CN112541884A (zh) * | 2020-10-30 | 2021-03-23 | 浙江大华技术股份有限公司 | 缺陷检测方法及设备、计算机可读存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115131333A (zh) * | 2022-07-20 | 2022-09-30 | 珠海横琴圣澳云智科技有限公司 | 基于实例不确定性的图像检测及分割的方法和装置 |
| CN115482248A (zh) * | 2022-09-22 | 2022-12-16 | 推想医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
| CN115482248B (zh) * | 2022-09-22 | 2023-12-08 | 推想医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
| CN116071375A (zh) * | 2023-03-10 | 2023-05-05 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 图像分割方法和装置、存储介质及电子设备 |
| CN116071375B (zh) * | 2023-03-10 | 2023-09-26 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 图像分割方法和装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111127466B (zh) | 医学图像检测方法、装置、设备及存储介质 | |
| CN109741346B (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
| CN108010021B (zh) | 一种医学图像处理***和方法 | |
| US20200074634A1 (en) | Recist assessment of tumour progression | |
| JP2023507109A (ja) | 医用画像による自動化された腫瘍識別およびセグメンテーション | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| CN107563434B (zh) | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 | |
| EP2401719B1 (fr) | Méthodes de segmentation d'images et de détection de structures particulières | |
| CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
| CN111862044A (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
| CN110246109B (zh) | 融合ct影像和个性化信息的分析***、方法、装置及介质 | |
| EP2987114B1 (en) | Method and system for determining a phenotype of a neoplasm in a human or animal body | |
| US11257210B2 (en) | Method and system of performing medical treatment outcome assessment or medical condition diagnostic | |
| CN111968130B (zh) | 脑部造影图像处理方法、装置、介质及电子设备 | |
| CN109919254B (zh) | 乳腺密度分类方法、***、可读存储介质和计算机设备 | |
| US20220101034A1 (en) | Method and system for segmenting interventional device in image | |
| Heydarheydari et al. | Auto-segmentation of head and neck tumors in positron emission tomography images using non-local means and morphological frameworks | |
| Barbosa et al. | Towards automatic quantification of the epicardial fat in non-contrasted CT images | |
| JP6458166B2 (ja) | 医用画像処理方法及び装置及びシステム及びプログラム | |
| WO2021125950A1 (en) | Image data processing method, method of training a machine learning data processing model and image processing system | |
| CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、***、装置 | |
| CN111508004B (zh) | 基于深度学习的室壁运动异常超声处理方法、***和设备 | |
| Faisal et al. | Computer assisted diagnostic system in tumor radiography | |
| CN110992312B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| Delmoral et al. | Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study |
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 |