CN115731214A - 一种基于人工智能的医学图像分割方法及装置 - Google Patents
一种基于人工智能的医学图像分割方法及装置 Download PDFInfo
- Publication number
- CN115731214A CN115731214A CN202211513888.XA CN202211513888A CN115731214A CN 115731214 A CN115731214 A CN 115731214A CN 202211513888 A CN202211513888 A CN 202211513888A CN 115731214 A CN115731214 A CN 115731214A
- Authority
- CN
- China
- Prior art keywords
- image
- medical image
- spine
- medical
- processing
- 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 73
- 238000003709 image segmentation Methods 0.000 title claims abstract description 31
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 69
- 238000013136 deep learning model Methods 0.000 claims abstract description 29
- 230000009466 transformation Effects 0.000 claims abstract description 23
- 230000003044 adaptive effect Effects 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 15
- 230000000670 limiting effect Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 13
- 238000005070 sampling Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种基于人工智能的脊柱图像分割方法及装置,其中,方法包括:获取脊柱图像数据集,脊柱图像数据集包括多张第一医学图像,每张第一医学图像包括特征子图像和非特征子图像;对第一医学图像进行非局部均值去噪处理、底帽变换处理以及限制对比度自适应直方图均衡化处理,得到第二医学图像;将第二医学图像输入到训练好的深度学习模型中,得到特征子图像的掩膜图像。本发明提供的上述方法,通过对第一医学图像进行非局部均值去噪处理、底帽变换处理以及限制对比度自适应直方图均衡化处理,可以明显提高提高特征子图像的清晰度及对比度,从而提高脊柱图像的分割精度。
Description
技术领域
本发明涉及医疗领域,尤其涉及一种基于人工智能的医学图像分割方法及装置。
背景技术
近年来,通过脊柱CT图像分割椎体对于病理诊断、手术计划和术后评估至关重要。然而,由于病理学的解剖学变化,难以自动分割脊柱CT图像。由于椎骨结构的高度重复性、骨折和植入物等不同病理形态的差异以及不同的视野,大多数的椎体分割方法都是基于传统图像和机器学习实现的,分割精度较差。
因此,如何解决上述问题,是需要考虑的。
发明内容
本发明提供一种基于人工智能的医学图像分割方法及装置,用以解决上述问题。
为了达到上述目的,本发明提供了一种基于人工智能的脊柱图像分割方法,包括:获取脊柱图像数据集,所述脊柱图像数据集包括多张第一医学图像,每张第一医学图像包括特征子图像和非特征子图像;对所述第一医学图像进行非局部均值去噪处理、底帽变换处理以及限制对比度自适应直方图均衡化处理,得到第二医学图像;将所述第二医学图像输入到训练好的深度学习模型中,得到所述特征子图像的掩膜图像。
可选地,得到所述特征子图像的掩膜图像之后,所述方法还包括:对多张所述掩膜图像进行三维重建,得到脊柱的三维图像。
可选地,所述深度学习模型基于FC-DenseNet网络结构训练得到;所述FC-DenseNet网络结构的密集连接块Dense block采用多尺度残差结构。
可选地,所述多尺度残差结构为4个通道的多尺度残差的结构。
可选地,对所述深度学习模型进行训练,包括:获取脊柱图像训练集,所述脊柱图像训练集包括多张第一样本医学图像,每张所述第一样本医学图像包括样本特征子图像和样本非特征子图像;对所述第一样本医学图像进行去噪处理、底帽变换处理以及限制对比度自适应直方图均衡化处理,得到第二样本医学图像;将所述第二样本医学图像和所述第二样本医学图像对应的样本特征子图像的掩膜图像,输入到深度学习模型中,对所述深度学习模型进行训练。
可选地,在对所述第一医学图像进行非局部均值去噪处理、底帽变换处理以及限制对比度自适应直方图均衡化处理之前,所述方法还包括:将所述第一医学图像的数据格式处理为png数据格式。
本发明的另一实施例提供了一种基于人工智能的脊柱图像分割装置,包括:获取模块,用于获取脊柱图像数据集,所述脊柱图像数据集包括多张第一医学图像,每张第一医学图像包括特征子图像和非特征子图像;处理模块,用于对所述第一医学图像进行非局部均值去噪处理、底帽变换处理以及限制对比度自适应直方图均衡化处理,得到第二医学图像;所述处理模块,还用于将所述第二医学图像输入到训练好的深度学习模型中,得到所述特征子图像的掩膜图像。
本发明的又一实施例提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的基于人工智能的脊柱图像分割方法。
本发明的另一实施例提供了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如上所述的基于人工智能的脊柱图像分割方法。
本发明的再一实施例提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上所述的基于人工智能的脊柱图像分割方法。
本发明的上述技术方案至少具有如下有益效果:
通过将脊柱图像数据集中的每张第一医学图像进行非局部均值去噪处理,在去除噪声的同时还能最大程度地保持第一医学图像的细节特征,对进行非局部均值去噪处理后的第一医学图像进行底帽变换处理,可以对第一医学图像起到增强效果;对进行底帽变换处理的第一医学图像进行限制对比度自适应直方图均衡化处理,使得最终得到的第二医学图像更加清晰,骨骼与周围环境的对比更加明显,并且不会过度放大噪声。基于上述方式得到的第二医学图像,在输入到深度学习模型之后,输出的特征子图像的掩膜图像相比于特征子图像,能够明显的提高特征子图像的清晰度及对比度,从而提高脊柱图像的分割精度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于人工智能的脊柱图像分割方法的流程示意图;
图2a为本发明提供的第一医学图像的示意图;
图2b为本发明提供的对第一医学图像进行非局部均值去噪处理后的示意图;
图2c为本发明提供的对第一医学图像进行底帽变换处理后的示意图;
图2d为本发明提供的对第一医学图像进行限制对比度自适应直方图均衡化处理后的示意图;
图3为本发明提供的FC-DenseNet网络结构的示意图;
图4为本发明提供的改进后的FC-DenseNet网络中的Dense block模块结构示意图;
图5为本发明提供的脊柱分割重建示意图;
图6为本发明提供的一种基于人工智能的脊柱图像分割装置的模块示意图;
图7为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“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,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。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。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不再赘述。
为了方便理解,对本申请的名词或技术术语进行介绍。
非局部均值去噪:该方法充分利用了图像中的冗余信息,在去噪的同时能最大程度地保持图像的细节特征。基本思想是:当前像素的估计值由图像中与它具有相似邻域结构的像素加权平均得到。
底帽变换:图像减去闭运算结果称为底帽变换(Bottom-hat)。闭运算可以删除亮度较高背景下的较暗区域,那么用原图减去闭运算结果就可以得到原图中灰度较暗的区域,所以底帽变换又称黑底帽变换。
限制对比度自适应直方图均衡化处理:限制了对比度的放大,从而减少了噪声放大的问题。
本发明实施例提供的基于人工智能的脊柱图像分割方法,采用深度学习模型对脊柱图像进行特征子图像的分割,以下对所述深度学习模型的训练过程进行介绍,该训练过程,包括:
获取脊柱图像训练集,所述脊柱图像训练集包括多张第一样本医学图像,每张所述第一样本医学图像包括样本特征子图像和样本非特征子图像;
对所述第一样本医学图像进行非局部均值去噪处理、底帽变换处理以及限制对比度自适应直方图均衡化处理,得到第二样本医学图像;
将所述第二样本医学图像和所述第二样本医学图像对应的样本特征子图像的掩膜图像,输入到深度学习模型中,对所述深度学习模型进行训练。
在进行模型训练时,医学图像的背景标签像素值标记为0,脊柱像素值设置为1,设置batch_size为32,初始化学习率设置为1e-4,每隔10000个迭代iteration,学习率衰减为原来的0.95,优化器使用Adam优化器,使用的损失函数为Focal loss损失函数。使用搭建好的网络训练切分好的训练集,设置每迭代1000次,对训练全集和验证全集做一次验证。通过早停法来判断网络训练停止时机得到最终深度学习模型。
其中,Focal loss损失函数的表达式为:
代表模型预测某类别的概率(即置信度);α是用来平衡正负样本数量的,样本数量多的赋予更小的α值,样本数量少的赋予更大的α值;γ是用来调节难分易分样本不均衡问题的。一般取γ≥1,对易分样本的损失进行一个幂函数的降低。乘上这项可以使模型更加关注于难分样本,有利于模型预测能力的提升。即,使用Focal loss损失函数,目的是关注难例(也就是给难分类的样本较大的权重)。对于正样本,使预测概率大的样本(简单样本)得到的loss变小,而预测概率小的样本(难例)loss变得大,从而加强对难例的关注度。
接下来,参阅图1,本发明提供了一种基于人工智能的脊柱图像分割方法,包括以下步骤:
S11:获取脊柱图像数据集,所述脊柱图像数据集包括多张第一医学图像,每张第一医学图像包括特征子图像和非特征子图像。
需要说明的是,脊柱图像数据集中的多张第一医学图像为脊柱的CT图像,多张脊柱的CT图像按照特定的顺序排列。每张第一医学图像中包括不同的区域,需要分割出的目标区域内的图像可以称之为特征子图像,非目标区域内的图像可以称之为非特征子图像。
S12:对所述第一医学图像进行非局部均值去噪处理、底帽变换处理以及限制对比度自适应直方图均衡化处理,得到第二医学图像。
需要说明的是,对每一张第一医学图像均进行S12的过程,从而可以得到多张处理后的第二医学图像。
S12中提到的非局部均值去噪处理、底帽变换处理以及限制对比度自适应直方图均衡化处理的顺序不作限定,优选地,在对第一医学图像进行处理时,按照非局部均值去噪处理、底帽变换处理以及限制对比度自适应直方图均衡化处理的顺序操作。可选地,在一种方式中,还可以按照底帽变换处理、非局部均值去噪处理以及限制对比度自适应直方图均衡化处理的顺序对第一医学图像进行处理。
S13:将所述第二医学图像输入到训练好的深度学习模型中,得到所述特征子图像的掩膜图像。
所述训练好的深度学习模型用于确定输入的医学图像中的特征子图像的掩膜图像。
将所述第二医学图像输入到训练好的深度学习模型中,实现了将特征子图像从第二医学图像中分割出来的目的,即得到了所述特征子图像的掩膜图像。
本发明实施例提供的基于人工智能的脊柱图像分割方法,通过将脊柱图像数据集中的每张第一医学图像进行非局部均值去噪处理,在去除噪声的同时还能最大程度地保持第一医学图像的细节特征,对进行非局部均值去噪处理后的第一医学图像进行底帽变换处理,可以对第一医学图像起到增强效果;对进行底帽变换处理的第一医学图像进行限制对比度自适应直方图均衡化处理,使得最终得到的第二医学图像更加清晰,骨骼与周围环境的对比更加明显,并且不会过度放大噪声。基于上述方式得到的第二医学图像,在输入到深度学习模型之后,输出的特征子图像的掩膜图像相比于特征子图像,能够明显的提高特征子图像的清晰度及对比度,从而提高脊柱图像的分割精度。
本发明实施例提供的基于人工智能的脊柱图像分割方法,在得到所述特征子图像的掩膜图像之后,所述方法还包括:
对多张所述掩膜图像进行三维重建,得到脊柱的三维图像。
由于每张掩膜图像均是经过了非局部均值去噪处理、底帽变换处理以及限制对比度自适应直方图均衡化处理后得到的,因此每张掩膜图像的清晰度及对比度都得到了增强。因此,基于掩膜图像进行三维重建得到的脊柱的三维图像,其清晰度及对比度也都得到了增强。根据三维重建得到的脊柱图像,可以辅助医生进行手术规划,提高手术精度及成功率。
如图3所示,本发明实施例提供的基于人工智能的脊柱图像分割方法,所述深度学习模型基于FC-DenseNet网络结构训练得到;
所述FC-DenseNet网络结构的密集连接块Dense block采用多尺度残差结构。需要说明的是,FC-DenseNet网络结构由用密集连接块(Dense Block)和UNet架构组建。该FC-DenseNet网络结构是由向下过渡的两个下采样路径和向上过渡的两个上采样路径组成。且该FC-DenseNet网络结构同样包含两个水平跳跃连接,将来自下采样路径的特征图与上采样路径中的相应特征图拼接在一起。需要说明的是,上采样路径和下采样路径中的连接模式不完全相同,下采样路径中,每个Dense block外有一条跳跃拼接通路,从而导致特征图数量的呈线性增长,而在上采样路径中没有此操作。
与ResNet网络结构类似,FC-DenseNet网络结构也有解决梯度消失的能力,与UNet网络结构相比,因其每一层结构特征的传递性更强,更好的利用了特征图中的特征;且当数据集较少时,多过拟合有很好的帮助,抗过拟合能力强;在减少参数量的同时,FC-DenseNet网络结构更加注重参数的使用,使得参数的利用率很高;虽然FC-DenseNet网络结构的网络很深,但是参数少。
如图4所示,本发明实施例提供的基于人工智能的脊柱图像分割方法,所述多尺度残差结构为4个通道的多尺度残差的结构。
为了从CT图像中提取到更多的细节信息,缓解低对比度边缘的欠分割问题,本文对FC-DenseNet网络中Dense block模块进行了改进以减少内存消耗,引入多尺度残差网络结构来优化卷积-池化结构的基础模块,深化了网络结构,也解决了较深的网络训练时容易产生的梯度弥散问题使其拥有多尺度特征表示能力,改进后Dense block结构如图4所示。
多尺度的结构提升了预测的稳定性;不同尺度的中继监督使得模型学到更加多层次的丰富特征;作用于各尺度输入与输出之间的全局残差连接则显著提升了模型的效果。
该模块通过对瓶颈残差结构进行改进,用一组更小的滤波器组替换全通道的3×3卷积核,并将这些分组的滤波器以类残差的层次化方式连接,来增加输出特征所能代表的尺度的数量,对1×1卷积输出后的特征图按通道数均分为4块后分层进行特征提取,特征计算结果如下:
其中,xi为分块特征子集,Ki为每层分块后进行的3*3卷积,yi为特征子集的输出。经过分块卷积和残差融合,可得到不同感受野大小的特征输出:y4与输入特征相同,y3可表示为3*3卷积所提取的特征图,y2相当于5*5大小的感受野得到的特征图,y1相当于经过7*7大小的感受野得到的特征图。模块中卷积输出与原特征图的跨层连接,能缩短前后层之间的距离,进一步提高特征的学习能力。
将输入的特征通过1x1的卷积核改变通道数,之后分别经过四个路径,y4表示特征不变,y3表示经过3x3的卷积核,并将通道数变为1/4;y2表示输入的特征和y3的特征相加,再经过3x3的卷积核,并将通道数变为1/4;y1表示输入的特征和y2的特征相加,在经过3x3的卷积核,并将通道数变为1/4;最后将y1,y2,y3,y4特征合并,并经过1x1卷积核输出,并和输入的原始特征合并输出最终的结果。
该残差结构采用先拆分后融合的策略,能够在控制参数量的同时增加每个网络层的感受野范围,既不增加网络的计算负载,还能从多个尺度上表示特征。多尺度的融合有助于提取出更多细节信息,降低脊柱目标和周围软组织对比度低对分割结果的干扰,提高分割精度。
本发明实施例提供的基于人工智能的脊柱图像分割方法,在对所述第一医学图像进行非局部均值去噪处理、底帽变换处理以及限制对比度自适应直方图均衡化处理之前,所述方法还包括:
将所述第一医学图像的数据格式处理为png数据格式。
需要说明的是,第一医学图像的数据格式可以是Dicom文件,也可以是Mask文件。如图5所示,为本发明对Dicom数据进行分割重建的的示意图。
如图6所示,基于与上述基于人工智能的脊柱图像分割方法相同的技术构思,本发明的另一实施例提供了一种基于人工智能的脊柱图像分割装置,所示分割装置所达到的效果与上述方法达到的效果类似,此处不再赘述。所述分割装置包括:
获取模块61,用于获取脊柱图像数据集,所述脊柱图像数据集包括多张第一医学图像,每张第一医学图像包括特征子图像和非特征子图像;
处理模块62,用于对所述第一医学图像进行非局部均值去噪处理、底帽变换处理以及限制对比度自适应直方图均衡化处理,得到第二医学图像;
所述处理模块62,还用于将所述第二医学图像输入到训练好的深度学习模型中,得到所述特征子图像的掩膜图像。
本发明实施例提供的分割装置,在得到所述特征子图像的掩膜图像之后,所述处理模块62,还用于:对多张所述掩膜图像进行三维重建,得到脊柱的三维图像。
本发明实施例提供的分割装置,所述深度学习模型基于FC-DenseNet网络结构训练得到;
所述FC-DenseNet网络结构的密集连接块Dense block采用多尺度残差结构。
本发明实施例提供的分割装置,所述多尺度残差结构为4个通道的多尺度残差的结构。
本发明实施例提供的分割装置,所述获取模块61,在对所述深度学习模型进行训练时,具体用于:
获取脊柱图像训练集,所述脊柱图像训练集包括多张第一样本医学图像,每张所述第一样本医学图像包括样本特征子图像和样本非特征子图像;
处理模块62,用于对所述第一样本医学图像进行去噪处理、底帽变换处理以及限制对比度自适应直方图均衡化处理,得到第二样本医学图像;
处理模块62,还用于将所述第二样本医学图像和所述第二样本医学图像对应的样本特征子图像的掩膜图像,输入到深度学习模型中,对所述深度学习模型进行训练。
本发明实施例提供的分割装置,所述处理模块62,在对所述第一医学图像进行非局部均值去噪处理、底帽变换处理以及限制对比度自适应直方图均衡化处理之前,还用于:将所述第一医学图像的数据格式处理为png数据格式。
接下来参见图7,图7示例了一种电子设备的实体结构示意图,该电子设备可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行上述各方法所提供的基于人工智能的脊柱图像分割方法。
此外,上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,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或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明的又一实施例提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上所述的基于人工智能的脊柱图像分割方法。
本发明的另一实施例提供了提供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如上所述的基于人工智能的脊柱图像分割方法。
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。
用于执行本发明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,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。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、专用计算机或其他可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时,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、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程数据处理装置或其他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、其他可编程数据处理装置、或其他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发明的多个实施例的***、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。
注意,除非另有直接说明,否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此,除非另有明确说明,否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下,进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头,该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
本领域的技术人员应理解,上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明,在没有背离所述原理下,本发明的实施方式可以有任何变形或修改。
最后应说明的是:以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。
Claims (10)
1.一种基于人工智能的脊柱图像分割方法,其特征在于,包括:
获取脊柱图像数据集,所述脊柱图像数据集包括多张第一医学图像,每张第一医学图像包括特征子图像和非特征子图像;
对所述第一医学图像进行非局部均值去噪处理、底帽变换处理以及限制对比度自适应直方图均衡化处理,得到第二医学图像;
将所述第二医学图像输入到训练好的深度学习模型中,得到所述特征子图像的掩膜图像。
2.根据权利要求1所述的方法,其特征在于,得到所述特征子图像的掩膜图像之后,所述方法还包括:
对多张所述掩膜图像进行三维重建,得到脊柱的三维图像。
3.根据权利要求1所述的方法,其特征在于,所述深度学习模型基于FC-DenseNet网络结构训练得到;
所述FC-DenseNet网络结构的密集连接块Dense block采用多尺度残差结构。
4.根据权利要求3所述的方法,其特征在于,所述多尺度残差结构为4个通道的多尺度残差的结构。
5.根据权利要求1所述的方法,其特征在于,对所述深度学习模型进行训练,包括:
获取脊柱图像训练集,所述脊柱图像训练集包括多张第一样本医学图像,每张所述第一样本医学图像包括样本特征子图像和样本非特征子图像;
对所述第一样本医学图像进行去噪处理、底帽变换处理以及限制对比度自适应直方图均衡化处理,得到第二样本医学图像;
将所述第二样本医学图像和所述第二样本医学图像对应的样本特征子图像的掩膜图像,输入到深度学习模型中,对所述深度学习模型进行训练。
6.根据权利要求1所述的方法,其特征在于,在对所述第一医学图像进行非局部均值去噪处理、底帽变换处理以及限制对比度自适应直方图均衡化处理之前,所述方法还包括:
将所述第一医学图像的数据格式处理为png数据格式。
7.一种基于人工智能的脊柱图像分割装置,其特征在于,包括:
获取模块,用于获取脊柱图像数据集,所述脊柱图像数据集包括多张第一医学图像,每张第一医学图像包括特征子图像和非特征子图像;
处理模块,用于对所述第一医学图像进行非局部均值去噪处理、底帽变换处理以及限制对比度自适应直方图均衡化处理,得到第二医学图像;
所述处理模块,还用于将所述第二医学图像输入到训练好的深度学习模型中,得到所述特征子图像的掩膜图像。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述的基于人工智能的脊柱图像分割方法。
9.一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至6任一项所述的基于人工智能的脊柱图像分割方法。
10.一种计算机程序产品,包括计算机程序,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至6任一项所述的基于人工智能的脊柱图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211513888.XA CN115731214A (zh) | 2022-11-29 | 2022-11-29 | 一种基于人工智能的医学图像分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211513888.XA CN115731214A (zh) | 2022-11-29 | 2022-11-29 | 一种基于人工智能的医学图像分割方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115731214A true CN115731214A (zh) | 2023-03-03 |
Family
ID=85299158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211513888.XA Pending CN115731214A (zh) | 2022-11-29 | 2022-11-29 | 一种基于人工智能的医学图像分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115731214A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563218A (zh) * | 2023-03-31 | 2023-08-08 | 北京长木谷医疗科技股份有限公司 | 基于深度学习的脊柱图像分割方法、装置及电子设备 |
CN117036376A (zh) * | 2023-10-10 | 2023-11-10 | 四川大学 | 基于人工智能的病变图像分割方法、装置及存储介质 |
-
2022
- 2022-11-29 CN CN202211513888.XA patent/CN115731214A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563218A (zh) * | 2023-03-31 | 2023-08-08 | 北京长木谷医疗科技股份有限公司 | 基于深度学习的脊柱图像分割方法、装置及电子设备 |
CN117036376A (zh) * | 2023-10-10 | 2023-11-10 | 四川大学 | 基于人工智能的病变图像分割方法、装置及存储介质 |
CN117036376B (zh) * | 2023-10-10 | 2024-01-30 | 四川大学 | 基于人工智能的病变图像分割方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311518B (zh) | 基于多尺度混合注意力残差网络的图像去噪方法及装置 | |
CN115731214A (zh) | 一种基于人工智能的医学图像分割方法及装置 | |
CN115661144B (zh) | 基于可变形U-Net的自适应医学图像分割方法 | |
JP2019533866A (ja) | 制御フィードバックを用いる画像セグメンテーションの方法及びシステム | |
CN109816666B (zh) | 对称全卷积神经网络模型构建方法、眼底图像血管分割方法、装置、计算机设备及存储介质 | |
CN108492271A (zh) | 一种融合多尺度信息的自动图像增强***及方法 | |
CN111583285A (zh) | 一种基于边缘关注策略的肝脏影像语义分割方法 | |
CN110674824A (zh) | 基于R2U-Net的手指静脉分割方法、装置和存储介质 | |
CN110728626A (zh) | 图像去模糊方法和装置及其训练 | |
CN114565620B (zh) | 一种基于骨架先验和对比损失的眼底图像血管分割方法 | |
CN113592783A (zh) | 角膜共聚焦图像中细胞基础指标的精准量化方法及装置 | |
CN112330684A (zh) | 对象分割方法、装置、计算机设备及存储介质 | |
CN109993701B (zh) | 一种基于金字塔结构的深度图超分辨率重建的方法 | |
CN111626379A (zh) | 肺炎x光图像检测方法 | |
CN112884702B (zh) | 一种基于内窥镜图像的息肉识别***和方法 | |
CN114882220B (zh) | 基于域自适应先验知识引导gan的图像生成方法及*** | |
CN116580187A (zh) | 基于人工智能的膝关节图像分割方法、装置及电子设备 | |
CN116363429A (zh) | 图像识别模型的训练方法、图像识别方法、装置及设备 | |
CN116704217A (zh) | 基于困难样本挖掘的模型训练方法、设备和存储介质 | |
CN115131361A (zh) | 目标分割模型的训练、病灶分割方法及装置 | |
CN111882551B (zh) | 病理图像细胞计数方法、***及装置 | |
CN113989171A (zh) | 减影图生成方法及装置、存储介质、计算机设备 | |
CN112991266A (zh) | 用于小样本医疗影像的语义分割方法及*** | |
CN113487622B (zh) | 头颈部器官影像分割方法、装置、电子设备和存储介质 | |
CN117197166B (zh) | 基于边缘和邻域信息的息肉图像分割方法及成像方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 100176 2201, 22 / F, building 1, yard 2, Ronghua South Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant after: Beijing Changmugu Medical Technology Co.,Ltd. Applicant after: Zhang Yiling Address before: 100176 2201, 22 / F, building 1, yard 2, Ronghua South Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant before: BEIJING CHANGMUGU MEDICAL TECHNOLOGY Co.,Ltd. Applicant before: Zhang Yiling |