CN117078711A - 医学图像分割方法、***、电子设备和存储介质 - Google Patents
医学图像分割方法、***、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117078711A CN117078711A CN202210494158.3A CN202210494158A CN117078711A CN 117078711 A CN117078711 A CN 117078711A CN 202210494158 A CN202210494158 A CN 202210494158A CN 117078711 A CN117078711 A CN 117078711A
- Authority
- CN
- China
- Prior art keywords
- image
- medical
- blood vessel
- medical image
- interest
- 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 137
- 238000003709 image segmentation Methods 0.000 title claims abstract description 75
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 133
- 238000003062 neural network model Methods 0.000 claims abstract description 104
- 230000011218 segmentation Effects 0.000 claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 150
- 238000012795 verification Methods 0.000 claims description 92
- 230000006870 function Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 10
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000007917 intracranial administration Methods 0.000 description 34
- 210000001367 artery Anatomy 0.000 description 29
- 201000008450 Intracranial aneurysm Diseases 0.000 description 27
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 230000002792 vascular Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 206010002329 Aneurysm Diseases 0.000 description 4
- 208000032843 Hemorrhage Diseases 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 210000000709 aorta Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 208000007474 aortic aneurysm Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 201000011066 hemangioma Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000019553 vascular disease Diseases 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010008132 Cerebral thrombosis Diseases 0.000 description 1
- 208000000386 Hypertensive Intracranial Hemorrhage Diseases 0.000 description 1
- 201000001429 Intracranial Thrombosis Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 238000002585 cerebral angiography Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种医学图像分割方法、***、电子设备和存储介质。医学图像分割方法根据第一原始医学图像,获取第一待分割医学图像;根据第一待分割医学图像,获取感兴趣血管区域图像;根据感兴趣血管区域图像,获取感兴趣血管区域对应的血管中心线;并以血管中心线上的点为中心、沿着血管中心线进行滑窗,获取若干个预设尺寸的第二待分割医学图像;采用训练好的神经网络模型对每一个第二待分割医学图像进行分割,获取初步分割医学图像;对若干个初步分割医学图像进行拼接,获取最终的目标医学图像。本发明能够有效提高检测效率,减少人机交互的繁琐操作。而且通用性强,实现了端到端的算法流程,可以更好更快速地辅助医生提高诊断准确性。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种医学图像分割方法、***、电子设备和存储介质。
背景技术
血管疾病尤其是心脑血管疾病,已经为威胁人类生命安全的主要疾病之一,而在脑血管疾病中,颅内动脉瘤的发病率仅次于脑血栓和高血压脑出血,位居第三,严重威胁着人类的生命健康。30%左右的患者首次颅内动脉瘤破裂就可能导致死亡,如果幸运存活,颅内动脉瘤也极有可能再次破裂致二次出血,颅内动脉瘤二次出血的死亡率在60%—70%,往往以7天的整数倍为高危破裂期。如果第三次发生破裂出血,死亡率将高达90%以上。因此,颅内动脉瘤出血前的诊治是降低死亡率和致残率的最佳方法。
脑血管造影(DSA)是确诊颅内动脉瘤的“金标准”,能够明确判断颅内动脉瘤的部位、形态、大小和数目,以及最终手术方案的确定。然而,由于脑血管的复杂结构使得的不同部位具有不同的特征,从而会在医生对患者的医学图像进行血管结构分析时,带来很大的难度。
目前颅内动脉瘤的分割方法:1、依靠经验丰富的医生或专业人员进行手动将医学图像上的动脉瘤分割出来分割;2、基于传统的模型匹配的方法;3基于图像或可变模型的方法;4、基于深度学习的分割方法。
上述几种分割方法存在以下问题:
1、手动颅内动脉瘤分割方法的结果,不仅差异化大,而且需要花费大量的时间和精力。
2、由于颅内血管不同部位特征不同,基于模型匹配方法的分割精度较低。
3、基于可变模型的方法,需要用户交互来完成分割,鲁棒性差,且分割精度低。
4、基于深度学习分割方法,相对传统方法有了一定精度提高,但采用级联网络模型复杂繁琐,在预测时也不够高效且受限于硬件配置。
发明内容
本发明的目的在于提供一种医学图像分割方法、***、电子设备和存储介质,不仅可以有效减少人机交互的繁琐操作,同时也可以有效提高图像分割精度,更好地辅助医生提高针对准确性。
为达到上述目的,本发明提供一种医学图像分割方法,包括:
根据第一原始医学图像,采用第一预设插值方法,将所述第一原始医学图像变换至目标尺寸,以获取第一待分割医学图像;
采用自适应阈值算法对所述第一待分割医学图像进行第一分割,并比较第一分割得到的医学图像中每一个连通域的体积値,将具有最大体积值的连通域作为感兴趣区域图像的主干区域,以获取感兴趣血管区域图像;
采用目标路径法获取所述感兴趣血管区域对应的血管中心线;其中,所述目标路径法,包括:根据所述感兴趣血管区域图像,获取起始点和至少一个终止点的位置坐标,计算所述起始点与所述终止点之间的目标路径,将所述目标路径作为所述感兴趣血管区域对应的血管中心线;
以所述血管中心线上的点为中心、沿着所述血管中心线按照预设像素距离进行滑窗,获取若干个预设尺寸的第二待分割医学图像;
采用神经网络模型对每一个所述第二待分割医学图像进行第二分割,并对第二分割得到的若干个医学图像进行拼接,采用第二预设插值方法将所述拼接后的若干个医学图像变换至与所述第一原始医学图像相同的尺寸,以获取最终的目标医学图像。
可选地,所述将具有最大体积值的连通域作为感兴趣区域图像的主干区域,以获取感兴趣血管区域图像,包括:
根据所述最大体积值和预设阈值系数,获取预设体积阈值;遍历所有连通域,保留体积大于所述预设体积阈值的所有连通域,获取所述感兴趣血管区域图像。
可选地,在所述采用第一血管中心线获取方法获取所述感兴趣血管区域对应的血管中心线之前,还包括:
对于感兴趣血管区域图像的每一个连通域,判断该连通域是否为主干区域,若是,则采用所述目标路径法获取所述感兴趣血管区域所对应的血管中心线;若否,采用3D骨架提取算法,提取所述连通域的骨架,将骨架提取的结果作为所述感兴趣血管区域所对应的血管中心线。
可选地,所述根据所述感兴趣血管区域图像,获取起始点,包括:
S311:从所述感兴趣血管区域图像的起始切片开始向着终止切片方向,获取N个第一连续切片;其中N≥3,所述起始切片相对于所述终止切片更靠近在获取所述第一原始医学图像时患者的起始扫描位置;
S312:判断所述N个第一连续切片对应的连通域的椭圆率是否均大于第一预设阈值且各个所述第一连续切片对应连通域的质心坐标在X轴和Y轴的偏差是否小于第二预设阈值,若是,则根据各个所述第一连续切片对应连通域的质心,获取所述起始点;若否,执行步骤S313;
S313:从所述第一连续切片中第二靠近起始切片的相邻切片开始向着终止切片方向,获取N个第二连续切片,并将所述第二连续切片作为所述第一连续切片,执行步骤S312。
可选地,所述根据所述感兴趣血管区域图像,获取若干个终止点,包括:
S321:对所述感兴趣血管区域图像进行开操作,再使用所述感兴趣区域图像减去开操作得到的结果,得到所述感兴趣血管区域图像的若干个末端区域;
S322:对每一个所述末端区域进行连通域分析,获取每一个所述末端区域对应的连通域的质心,将所述连通域的质心作为终止点,从而得到所述感兴趣血管区域图像的若干个终止点。
可选地,在所述采用神经网络模型对每一个所述第二待分割医学图像进行分割之前,还包括通过如下步骤训练得到所述神经网络模型:
步骤A:获取原始样本,所述原始样本包括第二原始医学图像和与所述第二原始医学图像对应的标签图像,所述标签图像为已标注出目标组织的医学图像;
步骤B:对所述原始样本进行扩展,得到训练样本和验证样本,所述训练样本包括扩展后的医学训练图像和与所述扩展后的医学训练图像对应的标签图像;所述验证样本包括扩展后的医学验证图像和与所述扩展后的医学验证图像对应的标签图像;
步骤C:设置神经网络模型的模型参数的初始值;以及
根据所述训练样本、所述验证样本和所述神经网络模型的模型参数的初始值对预先搭建的神经网络模型进行训练,直至满足第一预设训练结束条件。
可选地,所述对所述原始样本进行扩展,得到训练样本和验证样本,包括:
分别对所述第二原始医学图像和与所述第二原始医学图像对应的标签图像进行预处理,得到预处理后的第二原始医学图像和预处理后的标签图像;
根据所述预处理后的第二原始医学图像,获取所述第二原始医学图像对应的感兴趣血管区域图像和所述第二原始医学图像对应的感兴趣血管区域图像的血管中心线;
以所述第二原始医学图像对应的感兴趣血管区域图像的血管中心线为中心点、沿着所述血管中心线并按照所述预设像素距离进行滑窗,获取若干个预设尺寸的医学图像,得到扩展后的样本图像;
将所述若干个预设尺寸的样本图像的中心点作为第一中心点,在与所述预处理后的第二原始医学图像对应的预处理后的标签图像上,获取与所述第一中心点的对应的若干个第二中心点,并以所述第二中心点为中心,获取若干个所述预设尺寸的医学图像,得到扩展后的标签图像;
按照预设比例分配关系,将所述扩展后的样本图像随机分为两组,其中一组作为医学训练图像,另外一组作为医学验证图像;将所述医学训练图像和与所述医学训练图像对应的扩展后的标签图像组成一组作为训练数据,得到所述训练样本;将所述医学验证图像和与所述医学验证图像对应的扩展后的标签图像组成一组作为验证数据,得到所述验证样本。
可选地,所述第一预设训练结束条件为所述神经网络模型的训练次数大于或等于第一预设迭代次数;
步骤C中,所述根据所述训练样本、所述验证样本和所述神经网络模型的模型参数的初始值对预先搭建的神经网络模型进行训练,直至满足第一预设训练结束条件,包括:
步骤C1:将所述训练样本作为所述神经网络模型的输入,根据所述神经网络模型的模型参数的初始值,获取所述医学训练图像的目标组织预测结果;
步骤C2:根据所述医学训练图像的目标组织预测结果和所述医学训练图像对应的扩展后的标签图像,计算损失函数的值;并根据所述损失函数的值和初步训练预设误差值,调整所述神经网络模型的模型参数,直至神经网络模型的训练次数大于或等于第二预设迭代次数,得到初步训练的神经网络模型;
步骤C3:将所述验证样本输入所述初步训练的神经网络模型,获取医学验证图像的目标组织预测结果,根据所述医学验证图像的目标组织预测结果和所述医学验证图像对应的扩展后的标签图像,计算损失函数的值;并记录验证结果,所述验证结果包括所述损失函数的值和对应的所述初步训练的神经网络模型的模型参数;
步骤C4:判断所述神经网络模型的训练次数是否大于或等于所述第一预设迭代次数,若是,执行步骤C5;若否,调整所述神经网络模型的模型参数,并将所述神经网络模型的模型参数的初始值更新为调整后的模型参数,返回执行步骤C1;
步骤C5:根据所述验证结果的记录,得到所述神经网络模型,训练结束;其中,所述神经网络模型的模型参数为最小的所述损失函数的值所对应的所述初步训练的神经网络模型的模型参数。
为了实现上述目的,本发明还提供了一种医学图像分割***,所述医学图像分割***包括:
第一待分割医学图像获取单元,被配置为根据第一原始医学图像,采用第一预设插值方法,将所述第一原始医学图像变换至目标尺寸,以获取第一待分割医学图像;
感兴趣血管区域获取单元,被配置为采用自适应阈值算法对所述第一待分割医学图像进行第一分割,并比较第一分割得到的医学图像中每一个连通域的体积値,将具有最大体积值的连通域作为感兴趣区域图像的主干区域,以获取感兴趣血管区域图像;
血管中心线获取单元,被配置为采用目标路径法获取所述感兴趣血管区域对应的血管中心线;其中,所述目标路径法,包括:根据所述感兴趣血管区域图像,获取起始点和至少一个终止点的位置坐标,计算所述起始点与所述终止点之间的目标路径,将所述目标路径作为所述感兴趣血管区域对应的血管中心线;
第二待分割医学图像获取单元,被配置为以所述血管中心线上的点为中心、沿着所述血管中心线按照预设像素距离进行滑窗,以获取若干个预设尺寸的第二待分割医学图像;
目标医学图像获取单元,被配置为采用神经网络模型对每一个所述第二待分割医学图像进行第二分割,并对第二分割得到的若干个医学图像进行拼接,采用第二预设插值方法将所述拼接后的若干个医学图像变换至与所述第一原始医学图像相同的尺寸,以获取最终的分割医学图像。
为达到上述目的,本发明还提供一种电子设备,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现上文所述的医学图像分割方法。
为达到上述目的,本发明还提供一种可读存储介质,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现上文所述的医学图像分割方法。
与现有技术相比,本发明提供的医学图像分割方法、***、电子设备和存储介质具有以下有益效果:
本发明提供的医学图像分割方法,首先根据第一原始医学图像,采用第一预设插值方法,将所述第一原始医学图像变换至目标尺寸,以获取第一待分割医学图像;采用自适应阈值算法对所述第一待分割医学图像进行第一分割,并比较第一分割得到的医学图像中每一个连通域的体积値,将具有最大体积值的连通域作为感兴趣区域图像的主干区域,以获取感兴趣血管区域图像;然后采用目标路径法获取所述感兴趣血管区域对应的血管中心线;其中,所述目标路径法,包括:根据所述感兴趣血管区域图像,获取起始点和至少一个终止点的位置坐标,计算所述起始点与所述终止点之间的目标路径,将所述目标路径作为所述感兴趣血管区域对应的血管中心线;接着以所述血管中心线上的点为中心、沿着所述血管中心线按照预设像素距离进行滑窗,获取若干个预设尺寸的第二待分割医学图像;最后采用神经网络模型对每一个所述第二待分割医学图像进行第二分割,并对第二分割得到的若干个医学图像进行拼接,采用第二预设插值方法将所述拼接后的若干个医学图像变换至与所述第一原始医学图像相同的尺寸,以获取最终的目标医学图像。由此,本发明提供的医学图像分割方法,在获取感兴趣血管区域(比如颅内动脉)的基础上,自动计算出血管中心线,并以中心线上的点为中心在图像上裁剪兴趣区域进行目标组织(比如颅内动脉和颅内动脉瘤)的网络预测,不仅能够有效提高检测效率,而且大大提高整体的分割精度,减少人机交互的繁琐操作。此外,本发明提供的医学图像分割方法,通用性强,实现了端到端的算法流程,可以更好更快速地辅助医生提高诊断准确性。
2、本发明提供的医学图像分割方法,首先通过获取原始训练样本和原始验证样本,所述原始训练样本包括原始医学训练图像和与所述原始医学训练图像对应的第一标签图像,所述第一标签图像为已标注出目标组织的第一医学图像;所述原始验证样本包括原始医学验证图像和与所述原始医学验证图像对应的第二标签图像,所述第二标签图像为已标注出目标组织的第二医学图像;并对所述原始训练样本进行扩展,得到扩展训练样本,所述扩展训练样本包括扩展后的医学训练图像和与所述扩展后的医学训练图像对应的第一标签图像;对所述原始验证样本进行扩展,得到扩展验证样本,所述扩展验证样本包括扩展后的医学验证图像和与所述扩展后的医学验证图像对应的第二标签图像;接着设置神经网络模型的模型参数的初始值;以及根据所述扩展训练样本、所述扩展验证样本和所述神经网络模型的模型参数的初始值对预先搭建的神经网络模型进行训练,直至满足第一预设训练结束条件。由此,本发明提供的医学图像分割方法通过获取训练样本和验证样本,并对训练样本和验证样本进行扩展,不仅能够解决样本不足的问题,而且能够根据所述扩展训练样本、所述扩展验证样本和所述神经网络模型的模型参数的初始值对预先搭建的神经网络模型进行训练,从而能够保证所述神经网络模型的泛化性和鲁棒性,能够提高医学图像的分割精度和准确率。
3、由于本发明提供的医学图像分割***、电子设备和存储介质和本发明提供的医学图像分割方法属于同一发明构思,因此,至少具有与上述医学图像分割方法相同的有益效果,在此,不再赘述。
附图说明
图1为本发明一实施方式中的医学图像分割方法的流程图;
图2为本发明一具体示例中的颅内动脉图像的示意图;
图3为图1中步骤S300的其中一实施方式提供的根据所述感兴趣血管区域图像获取起始点的具体流程图;
图4为图1中步骤S300的其中一实施方式提供的根据所述感兴趣血管图像获取终止点的具体流程图;
图5为本发明一实施方式提供的神经网络模型的训练总体流程示意图;
图6为本发明一实施方式对原始样本进行扩展得到训练样本和验证样本的流程示意图;
图7为本发明一实施方式提供的神经网络模型的训练细节流程示意图;
图8为本发明一具体示例中的分割得到的颅内动脉瘤图像的示意图;
图9为本发明一实施方式提供的医学图像分割***的方框结构示意图;
图10为本发明一实施方式中的电子设备的方框结构示意图;
其中,附图标记如下:
100-颅内动脉、200-颅内动脉瘤;
310-第一待分割医学图像获取单元、320-感兴趣血管区域获取单元、330-血管中心线获取单元、340-第二待分割医学图像获取单元、350-目标医学图像获取单元、360-神经网络模型训练单元、361-训练样本和验证样本获取模块、362-样本扩展模块、363-网络模型训练模块;
410-处理器、420-存储器、430-通信接口、440-通信总线。
具体实施方式
以下结合附图和具体实施方式对本发明提出的医学图像分割方法、***、电子设备和存储介质作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,任何结构的修饰、比例关系的改变或大小的调整,在与本发明所能产生的功效及所能达成的目的相同或近似的情况下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的核心思想在于提供一种医学图像分割方法、***、电子设备和存储介质,不仅可以有效减少人机交互的繁琐操作,同时也可以有效提高图像分割精度。需要说明的是,虽然本发明是以三维DSA(Digital Subtraction Angiography、数字减影血管造影)体数据图像中分割出颅内血管和颅内动脉瘤(即输入数据为患者脑部的三维DSA体数据图像)为例进行说明,但是如本领域技术人员所能理解的,本发明还可以从其它的医学图像中分割出想要分割的组织器官,比如主动脉及主动脉瘤等,本发明对此并不进行限制。
需要说明的是,本发明实施方式的电子设备可以是个人计算机、移动终端等,该移动终端可以是手机、平板电脑等具有各种操作***的硬件设备。此外,需要说明的是,虽然本发明是以颅内动脉区域作为感兴趣血管区域,通过获取颅内动脉区域的颅内动脉瘤为例进行说明,但是这并不构成对本发明的限制,如本领域技术人员所能理解的,本发明提供的医学图像分割方法还可以用于分割其它部位的血管瘤(或其他血管疾病)。另外,需要说明的是,本发明中的所有计算过程均是在世界坐标系下进行的,具体地,可以根据预先获取的图像坐标系与世界坐标系之间的映射关系,将第一/第二原始医学图像上各个像素点在图像坐标系下的坐标转化为世界坐标系下的坐标再进行计算即可,其中图像坐标系与世界坐标系之间的映射关系可以由所获取的原始医学图像的采集设备的参数得到。
为实现上述思想,本发明其中一实施例提供了一种医学图像分割方法,具体地,请参考图1,其示意性地给出了本发明一实施方式提供的医学图像分割方法的流程图,如图1所示,所述医学图像分割方法包括如下步骤:
S100:根据第一原始医学图像,采用第一预设插值方法,将所述第一原始医学图像变换至目标尺寸,以获取第一待分割医学图像;
S200:采用自适应阈值算法对所述第一待分割医学图像进行第一分割,并比较第一分割得到的医学图像中每一个连通域的体积値,将具有最大体积值的连通域作为感兴趣区域图像的主干区域,以获取感兴趣血管区域图像;
S300:采用目标路径法获取所述感兴趣血管区域对应的血管中心线;其中,所述目标路径法,包括:根据所述感兴趣血管区域图像,获取起始点和至少一个终止点的位置坐标,计算所述起始点与所述终止点之间的目标路径,将所述目标路径作为所述感兴趣血管区域对应的血管中心线;
S400:以所述血管中心线上的点为中心、沿着所述血管中心线按照预设像素距离进行滑窗,获取若干个预设尺寸的第二待分割医学图像;
S500:采用神经网络模型对每一个所述第二待分割医学图像进行第二分割,并对第二分割得到的若干个医学图像进行拼接,采用第二预设插值方法将所述拼接后的若干个医学图像变换至与所述第一原始医学图像相同的尺寸,以获取最终的目标医学图像。
由此,本发明提供的医学图像分割方法,再获取感兴趣血管区域(比如颅内动脉)的基础上,自动计算出血管中心线,并以中心线上的点为中心在图像上裁剪兴趣区域进行目标组织(比如颅内动脉和颅内动脉瘤)的网络预测,不仅能够有效提高检测效率,而且大大提高整体的分割精度,减少人机交互的繁琐操作。此外,本发明提供的医学图像分割方法,通用性强,实现了端到端的算法流程,可以更好更快速地辅助医生提高诊断准确性。
在本发明中,所述待分割医学图像可以是患者脑部的医学图像,也可以是除患者脑部之外的其他组织器官的医学图像,比如肺部、主动脉等,本发明对此并不进行限制。所述待分割医学图像三维DSA体数据图像,还可以是其它的医学图像,比如,CTA(计算机断层血管造影)体数据(三维数据)图像。需要说明的是,所述待分割医学图像的大小可以根据具体情况进行设置,本发明对此并不进行限制,例如所述待分割医学图像的大小可为512×512×510像素。此外,需要说明的是,所述待分割医学图像可以通过图像获取装置进行采集,例如CT、MRI等影像设备,也可以通过互联网搜集得到,还可以通过扫描设备扫描得到,本发明对此同样不作任何限制。
需要特别说明的是,如本领域技术人员可以理解地,像素距离定义了图像像素的物理大小并且保证了实际距离测量的准确性,比如,以2D图像(3D图像可以据此类推)为例,假如已知X轴和Y轴的像素间距为0.5mm,那么在图像中的一条10像素的线就会有5mm的长度;同样,由于知道图像像素中的宽和高(比如512×512),就能够找到图像的实际尺寸:512×0.5mm=256mm。与自然图像不同,在医学影像中,人体部位真实的大小(成像大小)是非常重要的信息。但由于不同的扫描仪或不同的采集协议通常会产生具有不同体素间距的数据集,而神经网络模型无法理解体素间距,因此将所有医学影像的图像像素重采样到一致。而本申请的发明人经过大量的调查研究发现,一般三维DSA体数据的像素(体素)距离和实际物理距离之间的比例在0.3-0.5之间波动,因此,在其中一种实施方式中,定义目标体素间距=[0.4,0.4,0.4],通过第一预设插值方法,将所述第一原始医学图像变换为目标尺寸下,得到第一待分割图像。优选地,步骤S100中,所述第一预设差值方法为spline插值方法,Spline插值会把周围更多的像素纳入计算范围内,从而能够在尽可能保留画面细节的同时,提高分割精度。有关spline插值的具体细节请参见现有技术,在此,不再赘述。如本领域技术人员可以理解地,本发明并不限定所述第一预设差值方法的具体算法,在其他的实施方式中,也可以采用其他的插值算法,包括但不限于最近邻插值和双线性插值。
由此可见,本发明提供的医学图像分割方法,在步骤S100中,通过采用第一预设插值方法,将所述第一原始医学图像变换至目标尺寸,能够为采用神经网络模型进一步分割打下基础。
与此相对应,步骤S500,采用第二预设插值方法,将所述拼接后的分割医学图像变换至与所述第一原始医学图像相同的尺寸,以获取最终的目标医学图像。如此配置,本发明提供的医学图像分割方法能够获得与所述第一原始医学图像相同尺寸的目标医学图像,从而保持图像的一致性。
为了进一步提高分割精度,较佳地,在其中一种示范性实施方式中,在执行步骤S200之前,所述医学图像分割方法还包括:对所述第一待分割医学图像进行滤波,以滤除所述第一待分割医学图像中的噪声。由此,通过对所述第一待分割医学图像进行滤波处理(例如高斯滤波处理),可以有效去除所述第一待分割医学图像中的噪声,为获取准确的感兴趣血管区域图像奠定良好的基础。
相应地,所述步骤S200为:根据滤波后的所述第一待分割医学图像,获取感兴趣血管区域图像。
具体地,作为其中一种优选实施方式,步骤S200中,所述将具有最大体积值的连通域作为感兴趣区域图像的主干区域,以获取感兴趣血管区域图像,包括:
根据所述最大体积值和预设阈值系数,获取预设体积阈值;遍历所有连通域,保留体积大于所述预设体积阈值的所有连通域,获取所述感兴趣血管区域图像。
如此配置,本发明提供的医学图像分割方法,基于三维DSA图像的成像原理,颅内动脉区域在造影剂作用下在图像上呈现高亮状态,通过采用自适应阈值算法,不仅算法简单易行,而且运算效率较高、速度快。
更具体地,在其中一种实施方式中,先将所述第一待分割医学图像中小于0的像素值均设置为0以去除背景干扰,利用OTSU自适应阈值算法(大津法)进行颅内动脉分割,得到颅内动脉的初步分割结果体数据(即第一分割得到的医学图像),其中颅内动脉区域为1,其他区域为0。此时,初步分割结果体数据存在非血管区域和断裂细小血管的干扰(一般情况下颅内动脉瘤不会发生在细小血管区域)。统计初步分割结果体数据内所有连通域并分别计算其体积,找出其中体积最大的连通域,假如对应体积为maxV,则认定为该连通域是颅内动脉的主干区域;设定预设阈值系数a,可以理解地,所述预设阈值系数的取值范围在[0-1]之间,比如在其中一种实施方式中,设置为0.2。循环遍历所有连通域,仅保留体积大于maxV*a的连通域。由此,能够实现非血管高亮区域和部分断裂的细小血管区域的去除,获取所述感兴趣血管区域图像(比如颅内动脉体数据掩膜图像)。请参见图2,其示意性地给出了运用上述方法得到的颅内动脉图像的示意图。如图2所示,通过对滤波处理后的所述医学图像进行分割,可以获取完整的颅内动脉图像,在该所述颅内动脉图像(比如颅内动脉体数据掩膜图像)中,颅内动脉区域的像素值为1,其它区域的像素值为0。
需要说明的是,如本领域技术人员所能理解的,可以采用现有技术中的其他图像分割法,例如阈值分割法、基于深度学习的神经网络分割法等,对所述医学图像进行分割,本发明对分割方法并不进行限制。
由此,通过对所述第一待分割医学图像(例如患者脑部的三维DSA体数据图像)进行第一(即初步)分割,获取感兴趣血管区域图像(例如颅内动脉和颅内动脉瘤的初步分割结果),可以有效减少人机交互的繁琐操作,提高分割精度,为后续获取准确的目标组织的图像(例如颅内动脉和颅内动脉瘤)奠定基础。
特别需要说明的是,如本领域技术人员可以理解的,本发明提供的医学图像分割方法,在步骤S300中,根据所述感兴趣血管区域图像,获取起始点和终止点,然后根据所述起始点和所述终止点的位置坐标,确定所述起始点和所述终止点之间的目标路径,并将所述目标路径作为所述感兴趣血管区域对应的血管中心线,由此,不仅能够准确地获取血管中心线,而且提取得到所述血管中心线,为提高后续获取准确的目标组织图像的效率奠定了基础。
优选地,在其中一种示范性实施方式中,在所述采用第一血管中心线获取方法获取所述感兴趣血管区域对应的血管中心线之前,还包括:
对于感兴趣血管区域图像的每一个连通域,判断该连通域是否为主干区域,若是,则采用所述目标路径法获取所述感兴趣血管区域所对应的血管中心线;若否,采用3D骨架提取算法,提取所述连通域的骨架,将骨架提取的结果作为所述感兴趣血管区域所对应的血管中心线。
更具体地,需要特别说明的是,所述主干区域为所述感兴趣血管区域图像中具有最大体积值的连通域。进一步地,本发明也不限制步骤S300中,根据计算所述起始点与所述终止点之间的目标路径的具体方法,包括但不限于A*算法或Dijkstra算法。有关连通域的骨架提取算法、A*算法或Dijkstra的具体细节,请参见现有技术中的相关说明,在此,不再展开说明。由此,本发明提供的医学图像的分割方法,根据感兴趣血管区域连通域的体积,采用不同的中心线提取算法,能够在不降低血管中心线提取精度的同时(通常情况下,以血管瘤为例,血管瘤位于较小血管组织的概率较低),兼顾血管中心线的提取效率,从而在精度和效率之间寻求一种较佳的平衡。
优选地,在其中一种示范性实施方式中,请参见图3,其示意性地给出了本实施方式提供的根据所述感兴趣血管区域图像获取起始点的具体流程图,从图3可以看出,步骤S00中,所述根据所述感兴趣血管区域图像,获取起始点,包括:
S311:从所述感兴趣血管区域图像的起始切片开始向着终止切片方向,获取N个第一连续切片;其中N≥3,所述起始切片相对于所述终止切片更靠近在获取所述第一原始医学图像时患者的起始扫描位置。
S312:判断所述N个第一连续切片对应的连通域的椭圆率是否均大于第一预设阈值且各个所述第一连续切片对应连通域的质心坐标在X轴和Y轴的偏差是否小于第二预设阈值,若是,则根据各个所述第一连续切片对应连通域的质心,获取所述起始点;若否,执行步骤S313;
S313:从所述第一连续切片中第二靠近起始切片的相邻切片开始向着终止切片方向,获取N个第二连续切片,并将所述第二连续切片作为所述第一连续切片,执行步骤S312。
更具体地,作为其中一种优选实施方式,N为奇数,步骤S312中,所述根据各个所述第一连续切片对应连通域的质心,获取所述起始点,包括将所述第一连续切片的中间切片对应的连通域的质心作为所述起始点。
优选地,在其中一种示范性实施方式中,请参见图4,其示意性地给出了本实施方式提供的根据所述感兴趣血管区域图像获取终止点的具体流程图,从图4可以看出,步骤S00中,所述根据所述感兴趣血管区域图像,获取若干个终止点,包括:
S321:对所述感兴趣血管区域图像进行开操作,再使用所述感兴趣区域图像减去开操作得到的结果,得到所述感兴趣血管区域图像的若干个末端区域。
S322:对每一个所述末端区域进行连通域分析,获取每一个所述末端区域对应的连通域的质心,将所述连通域的质心作为终止点,从而得到所述感兴趣血管区域图像的若干个终止点。
具体地,仍以患者脑部的三维DSA体数据图像为原始图像提取颅内动脉和颅内动脉瘤图像为例进行说明。首先,作为优选,起始点一般需要选在颈内动脉最开始处,原始的三维DSA图像也是从患者颈部开始向上扫描的,因此对于所述感兴趣血管区域图像(掩膜体数据),从第0个切片(沿着Z轴方向)开始逐步进行连通域分析,当满足相邻3(N的取值)个切片之间各自的联通域椭圆率均大于0.8(所述第一预设阈值)、且各自质心在X和Y轴上彼此偏差小于3(所述第二预设阈值),则中间切片对应连通域的质心可认为是起始点。如本领域技术人员可以理解地,本实施例中的N设置为3、所述第一预设阈值设置为0.8以及所述第二预设阈值设置为3仅是较佳实施方式的描述,而非本发明的限制,在其他的实施方式中(比如对于心脏主动脉以及主动脉瘤图像)应根据实际情况合理设置。其次,因颅内动脉瘤一般不会发生在细端动脉区域,终点选择在动脉细端较为合理,即若存在动脉瘤,则一定在颅内动脉血管的起始点和终止点之间。具体地,先对所述感兴趣血管区域图像(比如颅内动脉体数据掩膜图像)进行开操作(即先对所述感兴趣血管区域图像向腐蚀操作再进行膨胀操作以去除图像中血管的末端区域),再用所述感兴趣血管区域图像(比如颅内动脉体数据掩膜图像)减去开操作的结果,得到所述感兴趣血管区域图像的若干个末端区域(比如颅内动脉的细端区域),对其进行连通域分析,将每一个连通域的质心作为终止点,最终得到一系列终止点。最后,在所述感兴趣血管区域图像(比如颅内动脉体数据掩膜图像)上基于起始点和多个终止点,利用最短路径迭代方法(如A*算法,Dijkstra算法等),最终得到从所述起始点到终止点的多条血管中心线,体现为一系列三维点坐标[[x1,y1,z1],[x2,y2,z2],[x3,y3,z3],…]。
需要说明的是,如本领域技术人员所能理解的,上述虽然以自动获取所述起始点和所述终止点为例进行说明,所述起始点和所述终止点可以由人工手动进行选择,也可以由计算机根据预先设定好的算法进行选择,本发明对此并不进行限制。此外,需要说明的是,在其它一些实施方式中,还可以采用现有技术中的血管中心线的提取方法,例如基于区域增长以及基于血管中心线模型的方法,本发明对此并不进行限制。
优选地,在其中一种示范性实施方式中,在步骤S500所述采用神经网络模型对每一个所述第二待分割医学图像进行分割之前,还包括对预先搭建好的神经网络模型训练,以获取所述神经网络模型。如本领域技术人员可以理解地,所述神经网络模型是预先训练好的,且只要在步骤S500之前完成神经网络模型的训练即可,本发明并不限定神经网络模型训练与步骤S100~步骤S400的先后顺序,也不限定神经网络模型训练的具体方法,下述仅是较佳实施方式的描述。
具体地,请参见图5,其示意性地给出了本发明一实施方式提供的神经网络模型的训练流程示意图。从图5可以看出,包括以下步骤:
步骤A:获取原始样本,所述原始样本包括第二原始医学图像和与所述第二原始医学图像对应的标签图像,所述标签图像为已标注出目标组织的医学图像。
可以理解地,作为优选,所述标签图像可以通金标准获取,但这并非本发明的限制,在其他的实施方式中,也可以根据第二原始医学图像人工获取或计算机算法获取,但应该能够理解,所述标签图像应是可靠的。
步骤B:对所述原始样本进行扩展,得到训练样本和验证样本,所述训练样本包括扩展后的医学训练图像和与所述扩展后的医学训练图像对应的标签图像;所述验证样本包括扩展后的医学验证图像和与所述扩展后的医学验证图像对应的标签图像;
步骤C:设置神经网络模型的模型参数的初始值;以及
根据所述训练样本、所述验证样本和所述神经网络模型的模型参数的初始值对预先搭建的神经网络模型进行训练,直至满足第一预设训练结束条件。
如本领域技术人员可以理解地,如前所述,在执行步骤B之前,作为优选,应对所述第二原始医学图像以及与所述第二原始医学图像对应的标签图像的像素重采样到目标分辨率尺度下,具体的采样方法上文已经详述,在此不再赘述,比如,所述标签图像可以采用最近邻插值法重采样至目标分辨率尺度下。
优选地,在其中一种优选实施方式中,请参见图6,其示意性地给出了本发明一实施方式对原始样本进行扩展得到训练样本和验证样本的流程图,从图6可以看出,步骤B中,所述对所述原始样本进行扩展,得到训练样本和验证样本,包括:
步骤B1:分别对所述第二原始医学图像和与所述第二原始医学图像对应的标签图像进行预处理,得到预处理后的第二原始医学图像和预处理后的标签图像。
具体地,为了提高神经网络模型的准确性,在生成训练样本和验证样本前,还可以对第二原始医学图像进行预处理,以去除图像中的噪音,提高训练样本的图像质量。
步骤B2:根据所述预处理后的第二原始医学图像,获取所述第二原始医学图像对应的感兴趣血管区域图像和所述第二原始医学图像对应的感兴趣血管区域图像的血管中心线。
需要特别说明的是,此处获取感兴趣区域图像和所述第二原始医学图像对应的感兴趣血管区域图像的血管中心线的基本原理与上文有关第一原始医学图像的感兴趣血管区域图像以及其血管中心线的获取方法类似,具体请参见上文,在此不再赘述;如本领域技术人员可以理解地,也可以采用其他方式获取感兴趣血管区域图像以及其血管中心线,本发明对此不作任何限定。
步骤B3:以所述第二原始医学图像对应的感兴趣血管区域图像的血管中心线为中心点、沿着所述血管中心线并按照所述预设像素距离进行滑窗,获取若干个预设尺寸的医学图像,得到扩展后的样本图像。
具体地,可以沿着中心线以中心线上的点为中心,两点间像素距离为64(预设像素距离)进行滑窗,在原图上截取大小为[128,128,128]区域作为样本图像。由此,本发明提供的医学图像分割方法,能够在第二原始医学图像数量有限的情况下可以得到若干个扩展后的样本图像,不仅算法简单,而且能够显著提高神经网络模型的训练效率。
步骤B4:将所述若干个预设尺寸的扩展后的样本图像的中心点作为第一中心点,在与所述预处理后的第二原始医学图像对应的预处理后的标签图像上,获取与所述第一中心点的对应的若干个第二中心点,并以所述第二中心点为中心,获取若干个所述预设尺寸的医学图像,得到扩展后的标签图像。
本领域技术人员应该可以理解地,所述扩展后的样本图像与扩展后的标签图像是一一对应的:包括在扩展后的样本图像在所述第二原始医学图像上的位置与所述扩展后的标签图像在所述第二原始医学图像对应的标签图像的位置以及尺寸。
步骤B5:按照预设比例分配关系,将所述扩展后的样本图像随机分为两组,其中一组作为医学训练图像,另外一组作为医学验证图像;将所述医学训练图像和与所述医学训练图像对应的扩展后的标签图像组成一组作为训练数据,得到所述训练样本;将所述医学验证图像和与所述医学验证图像对应的扩展后的标签图像组成一组作为验证数据,得到所述验证样本。
作为优选,可以将扩展后的样本图像及所述扩展后的样本图像对应的所述扩展后的标签图像的80%作为训练图像,其余的20%作为验证图像。但这并非限制,在其中一种实施方式中,比如有150例扩展后的样本图像及与所述150例扩展后的样本图像对应的标签图像,可以将其中的120例作为训练样本,另外的30例作为测试样本。
优选地,在其中一种示范性实施方式中,所述神经网络模型为3D V-Net网络模型,V-Net是一个全卷积的体数据分割神经网络。如本领域技术人员可以理解地,神经网络模型的模型参数包括两类:特征参数和超参数。特征参数是用于学习图像特征的参数,例如学习动脉瘤的纹理特征、几何形状特征、位置特征等的参数。特征参数包括权重参数和偏置参数。超参数是在训练时人为设置的参数,只有设置合适的超参数才能从样本中学到特征参数。超参数可以包括学习率、隐藏层个数、卷积核大小、训练迭代次数,每次迭代批次大小。可以理解地,有关V-Net的具体结构(比如卷积核的大小、尺寸等)可根据实际情况合理设置。举例而言,本发明可以设置隐藏层个数分别为16、32、64、128、256,卷积核大小为3×3,训练迭代(epoch)次数为500次,每次迭代步长(batch)大小为2。在GPU显存未达上限情况下,可逐步增加补步长。作为优选,损失函数为dice值和二值交叉熵的和,其中交叉熵可用于改善只用dice值作为损失函数时,出现训练波动不稳定的情况,dice值对于颅内动脉瘤占整个图像较小时有较好效果。
步骤C中,所述第一预设训练结束条件为所述神经网络模型的训练次数大于或等于第一预设迭代次数(比如500次)。具体地,请参见图7,其示意性地给出了提供的神经网络模型的训练细节流程示意图,从图7可以看出,步骤C所述根据所述训练样本、所述验证样本和所述神经网络模型的模型参数的初始值对预先搭建的神经网络模型进行训练,直至满足第一预设训练结束条件,包括:
步骤C1:将所述训练样本作为所述神经网络模型的输入,根据所述神经网络模型的模型参数的初始值,获取所述医学训练图像的目标组织预测结果。
步骤C2:根据所述医学训练图像的目标组织预测结果和所述医学训练图像对应的扩展后的标签图像,计算损失函数的值;并根据所述损失函数的值和初步训练预设误差值,调整所述神经网络模型的模型参数,直至神经网络模型的训练次数大于或等于第二预设迭代次数(比如10次),得到初步训练的神经网络模型。
步骤C3:将所述验证样本输入所述初步训练的神经网络模型,获取医学验证图像的目标组织预测结果,根据所述医学验证图像的目标组织预测结果和所述医学验证图像对应的扩展后的标签图像,计算损失函数的值;并记录验证结果,所述验证结果包括所述损失函数的值和对应的所述初步训练的神经网络模型的模型参数。
步骤C4:判断所述神经网络模型的训练次数是否大于或等于所述第一预设迭代次数,若是,执行步骤C5;若否,调整所述神经网络模型的模型参数,并将所述神经网络模型的模型参数的初始值更新为调整后的模型参数,返回执行步骤C1。
步骤C5:根据所述验证结果的记录,得到所述训练好的神经网络模型,训练结束;其中,所述神经网络模型的模型参数为最小的所述损失函数的值所对应的所述初步训练的神经网络模型的模型参数。
由此,通过沿着中心线并按照所述预设像素距离进行滑窗,获取若干个预设尺寸的医学图像进行样本扩展的方式不仅扩展效率高,而且在网络模型训练时通过训练样本和验证样本训练和验证交替进行的方式,不仅训练效率高,得到的神经网络模型的泛化能力强,鲁棒性好。
接下来对医学图像分割方式步骤S400予以说明。在其中一种实施方式中,通过步骤S100-S300得到血管中心线,由此,可以沿着血管中心线并以血管中心线上的点为中心,两中心点间像素距离为64进行滑窗,在原图上截取大小为[128,128,128]裁剪区域(即第二待分割医学图像),即得到若干个预设尺寸的第二待分割医学图像。最后,执行步骤S500,即将得到若干个预设尺寸的第二待分割医学图像分别输入所述神经网络模型,从而得到若干个与所述第二待分割医学图像对应的初步分割医学图像。
需要说明的是,在该实施方式中,由于裁剪区域存在重叠(两中心点间像素距离为64,裁剪区域的大小为[128,128,128]),基于通常情况下神经网络模型预测出(即第二分割)的结果,中心区域的准确度大于边缘区域的认知,因此,作为优选,定义一个[128,128,128]大小(与裁剪区域相同)权重模板,内部权重参数为高斯分布,即中心权重大,边缘权重小。用于在拼接之前,将预测出的[128,128,128]的所述第二待分割医学图像对应的初步分割医学图像先与模板权重相乘,再进行拼接(即根据步骤S400进行反向操作),然后再通过最临近插值将拼接后的结果调整到与所述第一原始医学图像相同的尺寸,以获取最终的目标医学图像(患者颅内动脉瘤图像)。具体地,请参考图2和图8,其中图8为本发明一具体示例中的分割得到的颅内动脉瘤图像的示意图。从图2和图8可以看出,通过采用本发明提供的医学图像分割方法对待分割医学图像(例如三维DSA图像)进行分割,可以准确地将想要的目标组织(例如颅内动脉100和颅内动脉瘤200)从所述待分割医学图像上分割出来,且本发明提供的医学分割方法得到的分割结果不仅可以准确地分割出组织器官图像,同时减少了人机交互操作流程,能够显著提高医生的诊断效率和准确性。
本发明的另一实施方式提供了一种医学图像分割***,具体地,请参见图9,其示意性地给出了本实施方式提供的医学图像分割***的方框结构示意图,从图9可以看出,本实施例提供的医学图像分割***包括第一待分割医学图像获取单元310、感兴趣血管区域获取单元320、血管中心线获取单元330、第二待分割医学图像获取单元340和目标医学图像获取单元350。
具体地,所述第一待分割医学图像获取单元310被配置为根据第一原始医学图像,采用第一预设插值方法,将所述第一原始医学图像变换至目标尺寸,以获取第一待分割医学图像。所述感兴趣血管区域获取单元320被配置为采用自适应阈值算法对所述第一待分割医学图像进行第一分割,并比较第一分割得到的医学图像中每一个连通域的体积値,将具有最大体积值的连通域作为感兴趣区域图像的主干区域,以获取感兴趣血管区域图像。所述血管中心线获取单元330,被配置为采用目标路径法获取所述感兴趣血管区域对应的血管中心线;其中,所述目标路径法,包括:根据所述感兴趣血管区域图像,获取起始点和至少一个终止点的位置坐标,计算所述起始点与所述终止点之间的目标路径,将所述目标路径作为所述感兴趣血管区域对应的血管中心线。所述第二待分割医学图像获取单元340被配置为以所述血管中心线上的点为中心、沿着所述血管中心线按照预设像素距离进行滑窗,以获取若干个预设尺寸的第二待分割医学图像。所述目标医学图像获取单元350被配置为采用神经网络模型对每一个所述第二待分割医学图像进行第二分割,并对第二分割得到的若干个医学图像进行拼接,采用第二预设插值方法将所述拼接后的若干个医学图像变换至与所述第一原始医学图像相同的尺寸,以获取最终的分割医学图像。由此,本发明提供的医学图像分割***,在获取感兴趣血管区域(比如颅内动脉)的基础上,自动计算出血管中心线,并以中心线上的点为中心在图像上裁剪兴趣区域进行目标组织(比如颅内动脉和颅内动脉瘤)的网络预测,不仅能够有效提高检测效率,而且大大提高整体的分割精度,减少人机交互的繁琐操作。此外,本发明提供的医学图像分割方法,通用性强,实现了端到端的算法流程,可以更好更快速地辅助医生提高诊断准确性。
优选地,在其中一种示范性实施方式中,请继续参见图9,所述医学图像分割***还包括神经网络模型训练单元360,所述神经网络模型训练单元360包括训练样本和验证样本获取模块361、样本扩展单元362和网络模型训练单元363。
具体地,所述训练样本和验证样本获取模块361被配置为获取原始训练样本和原始验证样本,所述原始训练样本包括原始医学训练图像和与所述原始医学训练图像对应的第一标签图像,所述第一标签图像为已标注出目标组织的第一医学图像;所述原始验证样本包括原始医学验证图像和与所述原始医学验证图像对应的第二标签图像,所述第二标签图像为已标注出目标组织的第二医学图像。所述样本扩展模块362被配置为对所述原始训练样本进行扩展,得到扩展训练样本,所述扩展训练样本包括扩展后的医学训练图像和与所述扩展后的医学训练图像对应的第一标签图像;对所述原始验证样本进行扩展,得到扩展验证样本,所述扩展验证样本包括扩展后的医学验证图像和与所述扩展后的医学验证图像对应的第二标签图像。所述网络模型训练模块363被配置为设置神经网络模型的模型参数的初始值;以及根据所述扩展训练样本、所述扩展验证样本和所述神经网络模型的模型参数的初始值对预先搭建的神经网络模型进行训练,直至满足第一预设训练结束条件。
由此,本发明提供的医学图像分割***,其神经网络模型训练单元360,不仅能够获取训练样本和验证样本,而且能够对训练样本和验证样本进行扩展,不仅能够缓解样本的不足,而且能够根据所述扩展训练样本、所述扩展验证样本和所述神经网络模型的模型参数的初始值对预先搭建的神经网络模型进行训练,从而能够保证网络模型的泛化性和鲁棒性,能够提高医学图像的分割精度和准确率。
由此,由于本发明实施例提供的医学图像分割***与上述各实施方式提供的医学图像分割方法属于同一发明构思,因此,至少具有与其相同的有益效果,具体请参见上述有关医学图像分割方法的有益效果,在此,不再赘述。
基于同一发明构思,本发明的有一实施方式还提供一种电子设备,请参考图10,其示意性地给出了本发明一实施方式提供的电子设备的方框结构示意图。如图10所示,所述电子设备包括处理器410和存储器420,所述存储器420上存储有计算机程序,所述计算机程序被所述处理器410执行时,实现上文所述的医学图像分割方法。
如图10所示,所述电子设备还包括通信接口430和通信总线440,其中所述处理器410、所述通信接口430、所述存储器420通过通信总线440完成相互间的通信。所述通信总线440可以是外设部件互连标准(Peripheral Component Interconnect,PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,EISA)总线等。该通信总线440可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。所述通信接口430用于上述电子设备与其他设备之间的通信。
本发明中所称处理器410可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器410是所述电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分。
所述存储器420可用于存储所述计算机程序,所述处理器410通过运行或执行存储在所述存储器420内的计算机程序,以及调用存储在存储器420内的数据,实现所述电子设备的各种功能。
所述存储器420可以包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本发明再一实施例还提供了一种可读存储介质,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时可以实现上文所述的医学图像分割方法。
本发明实施方式的可读存储介质,可以采用一个或多个计算机可读的介质的任意组合。可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机硬盘、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)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其组合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码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)。
综上所述,与现有技术相比,本发明提供的医学图像分割方法、***、电子设备和存储介质具有以下优点:
本发明提供的医学图像分割方法,首先根据第一原始医学图像,获取第一待分割医学图像;再根据所述第一待分割医学图像,获取感兴趣血管区域图像;然后根据所述感兴趣血管区域图像,获取所述感兴趣血管区域对应的血管中心线;并以所述血管中心线上的点为中心、沿着所述血管中心线按照预设像素距离进行滑窗,获取若干个预设尺寸的第二待分割医学图像;然后采用神经网络模型对每一个所述第二待分割医学图像进行分割,获取与所述第二待分割医学图像对应的初步分割医学图像;并对若干个所述初步分割医学图像进行拼接,获取最终的目标医学图像。由此,本发明提供的医学图像分割方法,再获取感兴趣血管区域(比如颅内动脉)的基础上,自动计算出血管中心线,并以中心线上的点为中心在图像上裁剪兴趣区域进行目标组织(比如颅内动脉和颅内动脉瘤)的网络预测,不仅能够有效提高检测效率,而且大大提高整体的分割精度,减少人机交互的繁琐操作。此外,本发明提供的医学图像分割方法,通用性强,实现了端到端的算法流程,可以更好更快速地辅助医生提高诊断准确性。
由于本发明提供的医学图像分割***、电子设备和存储介质和本发明提供的医学图像分割方法属于同一发明构思,因此,至少具有与上述医学图像分割方法相同的有益效果,在此,不再赘述。
应当注意的是,在本文的实施方式中所揭露的装置和方法,也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的,例如,附图中的流程图和框图显示了根据本文的多个实施方式的装置、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、程序或代码的一部分,所述模块、程序段或代码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,所述模块、程序段或代码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。也应当注意,在有些作为替换的实现方式中,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,可以用于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。
另外,在本文各个实施方式中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
上述描述仅是对本发明较佳实施方式的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于本发明的保护范围。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若这些修改和变型属于本发明及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (11)
1.一种医学图像分割方法,其特征在于,包括:
根据第一原始医学图像,采用第一预设插值方法,将所述第一原始医学图像变换至目标尺寸,以获取第一待分割医学图像;
采用自适应阈值算法对所述第一待分割医学图像进行第一分割,并比较第一分割得到的医学图像中每一个连通域的体积値,将具有最大体积值的连通域作为感兴趣区域图像的主干区域,以获取感兴趣血管区域图像;
采用目标路径法获取所述感兴趣血管区域对应的血管中心线;其中,所述目标路径法,包括:根据所述感兴趣血管区域图像,获取起始点和至少一个终止点的位置坐标,计算所述起始点与所述终止点之间的目标路径,将所述目标路径作为所述感兴趣血管区域对应的血管中心线;
以所述血管中心线上的点为中心、沿着所述血管中心线按照预设像素距离进行滑窗,获取若干个预设尺寸的第二待分割医学图像;
采用神经网络模型对每一个所述第二待分割医学图像进行第二分割,并对第二分割得到的若干个医学图像进行拼接,采用第二预设插值方法将所述拼接后的若干个医学图像变换至与所述第一原始医学图像相同的尺寸,以获取最终的目标医学图像。
2.根据权利要求1所述的医学图像分割方法,其特征在于,所述将具有最大体积值的连通域作为感兴趣区域图像的主干区域,以获取感兴趣血管区域图像,包括:
根据所述最大体积值和预设阈值系数,获取预设体积阈值;遍历所有连通域,保留体积大于所述预设体积阈值的所有连通域,获取所述感兴趣血管区域图像。
3.根据权利要求1所述的医学图像分割方法,其特征在于,在所述采用第一血管中心线获取方法获取所述感兴趣血管区域对应的血管中心线之前,还包括:
对于感兴趣血管区域图像的每一个连通域,判断该连通域是否为主干区域,若是,则采用所述目标路径法获取所述感兴趣血管区域所对应的血管中心线;若否,采用3D骨架提取算法,提取所述连通域的骨架,将骨架提取的结果作为所述感兴趣血管区域所对应的血管中心线。
4.根据权利要求1所述的医学图像分割方法,其特征在于,所述根据所述感兴趣血管区域图像,获取起始点,包括:
S311:从所述感兴趣血管区域图像的起始切片开始向着终止切片方向,获取N个第一连续切片;其中N≥3,所述起始切片相对于所述终止切片更靠近在获取所述第一原始医学图像时患者的起始扫描位置;
S312:判断所述N个第一连续切片对应的连通域的椭圆率是否均大于第一预设阈值,且各个所述第一连续切片对应连通域的质心坐标在X轴和Y轴的偏差是否小于第二预设阈值,若是,则根据各个所述第一连续切片对应连通域的质心,获取所述起始点;若否,执行步骤S313;
S313:从所述第一连续切片中第二靠近起始切片的相邻切片开始向着终止切片方向,获取N个第二连续切片,并将所述第二连续切片作为所述第一连续切片,执行步骤S312。
5.根据权利要求1所述的医学图像分割方法,其特征在于,所述根据所述感兴趣血管区域图像,获取若干个终止点,包括:
S321:对所述感兴趣血管区域图像进行开操作,再使用所述感兴趣区域图像减去开操作得到的结果,得到所述感兴趣血管区域图像的若干个末端区域;
S322:对每一个所述末端区域进行连通域分析,获取每一个所述末端区域对应的连通域的质心,将所述连通域的质心作为终止点,从而得到所述感兴趣血管区域图像的若干个终止点。
6.根据权利要求1所述的医学图像分割方法,其特征在于,在所述采用神经网络模型对每一个所述第二待分割医学图像进行分割之前,还包括通过如下步骤训练得到所述神经网络模型:
步骤A:获取原始样本,所述原始样本包括第二原始医学图像和与所述第二原始医学图像对应的标签图像,所述标签图像为已标注出目标组织的医学图像;
步骤B:对所述原始样本进行扩展,得到训练样本和验证样本,所述训练样本包括扩展后的医学训练图像和与所述扩展后的医学训练图像对应的标签图像;所述验证样本包括扩展后的医学验证图像和与所述扩展后的医学验证图像对应的标签图像;
步骤C:设置神经网络模型的模型参数的初始值;以及
根据所述训练样本、所述验证样本和所述神经网络模型的模型参数的初始值对预先搭建的神经网络模型进行训练,直至满足第一预设训练结束条件。
7.根据权利要求6所述的医学图像分割方法,其特征在于,所述对所述原始样本进行扩展,得到训练样本和验证样本,包括:
分别对所述第二原始医学图像和与所述第二原始医学图像对应的标签图像进行预处理,得到预处理后的第二原始医学图像和预处理后的标签图像;
根据所述预处理后的第二原始医学图像,获取所述第二原始医学图像对应的感兴趣血管区域图像和所述第二原始医学图像对应的感兴趣血管区域图像的血管中心线;
以所述第二原始医学图像对应的感兴趣血管区域图像的血管中心线为中心点、沿着所述血管中心线并按照所述预设像素距离进行滑窗,获取若干个预设尺寸的医学图像,得到扩展后的样本图像;
将所述若干个预设尺寸的扩展后的样本图像的中心点作为第一中心点,在与所述预处理后的第二原始医学图像对应的预处理后的标签图像上,获取与所述第一中心点的对应的若干个第二中心点,并以所述第二中心点为中心,获取若干个所述预设尺寸的医学图像,得到扩展后的标签图像;
按照预设比例分配关系,将所述扩展后的样本图像随机分为两组,其中一组作为医学训练图像,另外一组作为医学验证图像;将所述医学训练图像和与所述医学训练图像对应的扩展后的标签图像组成一组作为训练数据,得到所述训练样本;将所述医学验证图像和与所述医学验证图像对应的扩展后的标签图像组成一组作为验证数据,得到所述验证样本。
8.根据权利要求6所述的医学图像分割方法,其特征在于,所述第一预设训练结束条件为所述神经网络模型的训练次数大于或等于第一预设迭代次数;
步骤C中,所述根据所述训练样本、所述验证样本和所述神经网络模型的模型参数的初始值对预先搭建的神经网络模型进行训练,直至满足第一预设训练结束条件,包括:
步骤C1:将所述训练样本作为所述神经网络模型的输入,根据所述神经网络模型的模型参数的初始值,获取所述医学训练图像的目标组织预测结果;
步骤C2:根据所述医学训练图像的目标组织预测结果和所述医学训练图像对应的扩展后的标签图像,计算损失函数的值;并根据所述损失函数的值和初步训练预设误差值,调整所述神经网络模型的模型参数,直至神经网络模型的训练次数大于或等于第二预设迭代次数,得到初步训练的神经网络模型;
步骤C3:将所述验证样本输入所述初步训练的神经网络模型,获取医学验证图像的目标组织预测结果,根据所述医学验证图像的目标组织预测结果和所述医学验证图像对应的扩展后的标签图像,计算损失函数的值;并记录验证结果,所述验证结果包括所述损失函数的值和对应的所述初步训练的神经网络模型的模型参数;
步骤C4:判断所述神经网络模型的训练次数是否大于或等于所述第一预设迭代次数,若是,执行步骤C5;若否,调整所述神经网络模型的模型参数,并将所述神经网络模型的模型参数的初始值更新为调整后的模型参数,返回执行步骤C1;
步骤C5:根据所述验证结果的记录,得到所述神经网络模型,训练结束;其中,所述神经网络模型的模型参数为最小的所述损失函数的值所对应的所述初步训练的神经网络模型的模型参数。
9.一种医学图像分割***,其特征在于,包括:
第一待分割医学图像获取单元,被配置为根据第一原始医学图像,采用第一预设插值方法,将所述第一原始医学图像变换至目标尺寸,以获取第一待分割医学图像;
感兴趣血管区域获取单元,被配置为采用自适应阈值算法对所述第一待分割医学图像进行第一分割,并比较第一分割得到的医学图像中每一个连通域的体积値,将具有最大体积值的连通域作为感兴趣区域图像的主干区域,以获取感兴趣血管区域图像;
血管中心线获取单元,被配置为采用目标路径法获取所述感兴趣血管区域对应的血管中心线;其中,所述目标路径法,包括:根据所述感兴趣血管区域图像,获取起始点和至少一个终止点的位置坐标,计算所述起始点与所述终止点之间的目标路径,将所述目标路径作为所述感兴趣血管区域对应的血管中心线;
第二待分割医学图像获取单元,被配置为以所述血管中心线上的点为中心、沿着所述血管中心线按照预设像素距离进行滑窗,以获取若干个预设尺寸的第二待分割医学图像;
目标医学图像获取单元,被配置为采用神经网络模型对每一个所述第二待分割医学图像进行第二分割,并对第二分割得到的若干个医学图像进行拼接,采用第二预设插值方法将所述拼接后的若干个医学图像变换至与所述第一原始医学图像相同的尺寸,以获取最终的分割医学图像。
10.一种电子设备,其特征在于,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现权利要求1至8中任一项所述的医学图像分割方法。
11.一种可读存储介质,其特征在于,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1至8中任一项所述的医学图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210494158.3A CN117078711A (zh) | 2022-05-05 | 2022-05-05 | 医学图像分割方法、***、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210494158.3A CN117078711A (zh) | 2022-05-05 | 2022-05-05 | 医学图像分割方法、***、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117078711A true CN117078711A (zh) | 2023-11-17 |
Family
ID=88706625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210494158.3A Pending CN117078711A (zh) | 2022-05-05 | 2022-05-05 | 医学图像分割方法、***、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078711A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117809122A (zh) * | 2024-02-29 | 2024-04-02 | 北京航空航天大学 | 一种颅内大血管图像的处理方法、***、电子设备及介质 |
-
2022
- 2022-05-05 CN CN202210494158.3A patent/CN117078711A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117809122A (zh) * | 2024-02-29 | 2024-04-02 | 北京航空航天大学 | 一种颅内大血管图像的处理方法、***、电子设备及介质 |
CN117809122B (zh) * | 2024-02-29 | 2024-06-04 | 北京航空航天大学 | 一种颅内大血管图像的处理方法、***、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
US8385688B2 (en) | System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans | |
CN110599505A (zh) | 一种器官图像分割方法、装置、电子设备和存储介质 | |
CN110648338B (zh) | 图像分割方法、可读存储介质及图像处理装置 | |
CN112435263A (zh) | 医学图像分割方法、装置、设备、***及计算机存储介质 | |
Zotin et al. | Techniques for medical images processing using shearlet transform and color coding | |
CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和*** | |
US8934690B2 (en) | Method for processing vascular structure images | |
CN114881968A (zh) | 基于深度卷积神经网络的octa图像血管分割方法、设备及介质 | |
CN112562058B (zh) | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 | |
CN114693710A (zh) | 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质 | |
Vukadinovic et al. | Segmentation of the outer vessel wall of the common carotid artery in CTA | |
CN112862835A (zh) | 冠脉血管分割方法、装置、设备及计算机可读存储介质 | |
CN113674291A (zh) | 一种全类型主动脉夹层真假腔图像分割方法及*** | |
CN115439533A (zh) | 获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品 | |
WO2021011775A1 (en) | Systems and methods for generating classifying and quantitative analysis reports of aneurysms from medical image data | |
CN117078711A (zh) | 医学图像分割方法、***、电子设备和存储介质 | |
CN115018863A (zh) | 基于深度学习的图像分割方法及装置 | |
CN112651984A (zh) | 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质 | |
CN113744171B (zh) | 血管钙化图像分割方法、***和可读存储介质 | |
CN116228781A (zh) | 冠脉血管分割方法、装置、电子设备及存储介质 | |
CN113724264B (zh) | 图像分割方法、***和可读存储介质 | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
CN115115657A (zh) | 病灶分割方法及装置、电子设备及存储介质 |
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 |