CN117911432A - 图像分割方法、装置及存储介质 - Google Patents
图像分割方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117911432A CN117911432A CN202311745371.8A CN202311745371A CN117911432A CN 117911432 A CN117911432 A CN 117911432A CN 202311745371 A CN202311745371 A CN 202311745371A CN 117911432 A CN117911432 A CN 117911432A
- Authority
- CN
- China
- Prior art keywords
- image data
- network branch
- deformation field
- image
- segmentation
- 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
- 238000003709 image segmentation Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000011218 segmentation Effects 0.000 claims abstract description 68
- 230000009466 transformation Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 76
- 230000006870 function Effects 0.000 claims description 73
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 15
- 238000013527 convolutional neural network Methods 0.000 description 9
- 210000004556 brain Anatomy 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000013507 mapping Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000005669 field effect Effects 0.000 description 2
- 210000001320 hippocampus Anatomy 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000001159 caudate nucleus Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000000971 hippocampal effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000003140 lateral ventricle Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
- 230000001225 therapeutic effect Effects 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
- G06T7/11—Region-based segmentation
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/0475—Generative networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种图像分割方法、装置及存储介质,所述方法包括:获取预先训练的图像分割模型,图像分割模型包括第一网络分支、第二网络分支和空间变换网络层;第一网络分支的输出和第二网络分支的输出输入空间变换网络层;第一网络分支生成第一图像数据对应的第一形变场;第二网络分支生成第二图像数据对应的第二形变场;第一形变场与第二形变场的形变方向相反;空间变换网络层用于基于第一图像数据、第二图像数据、第一形变场和第二形变场,生成第一图像数据对应的分割掩码;将第一图像数据和第二图像数据输入图像分割模型,得到分割图像。本发明能够解决当前主流的深度学习方法,在复杂图像的多目标分割任务中,存在多目标分割效果较差的问题。
Description
技术领域
本发明涉及数字图像处理技术领域,尤其涉及一种图像分割方法、装置及存储介质。
背景技术
图像多目标自动分割的原理是对具有语义标签的多个对象进行逐体素(对于二维图像则为像素)分类,即使用一组对象类别对图像的所有体素进行分类,以分割和描述图像中感兴趣的多个对象。在医学领域,图像分割指的是从CT或MRI等医学图像中提取出器官或病变的体素。该技术可以帮助医生更准确地诊断疾病,并制定出更有效的治疗方案,也是医学图像分析中最具挑战性的任务之一。在医学图像分析中,图像分割的准确性和可靠性至关重要,它直接关系到后续的临床决策和治疗效果,甚至更高级别的任务,如对象的分类。因此,图像多目标自动分割是帮助描述、表征和可视化医学图像中的感兴趣区域的最基本和最关键的过程。
目前,医学图像的多目标分割方法,包括:以深度学习的形式训练分割模型,使用分割模型对医学图像进行分割。
然而,当前主流的深度学习方法,在单目标分割中具有良好的性能,但在复杂图像的多目标分割任务中,存在多目标分割效果较差的问题。
发明内容
鉴于此,本发明实施例提供了一种图像分割方法、装置及存储介质,以消除或改善现有技术中存在的一个或更多个缺陷。可以解决当前主流的深度学习方法,在单目标分割中具有良好的性能,但在复杂图像的多目标分割任务中,存在多目标分割效果较差的问题。
本发明的一个方面提供了一种图像分割方法,该方法包括以下步骤:
获取第一图像数据和第二图像数据,第一图像数据是指通过磁共振成像得到的图像数据,第二图像数据是指对第一图像数据对应的参考图像数据;第二图像数据中包括第二图像数据中至少一个目标区域的分割掩码;
获取预先训练的图像分割模型,图像分割模型包括第一网络分支、第二网络分支和空间变换网络层;第一网络分支的输出和第二网络分支的输出输入空间变换网络层;第一网络分支用于生成第一图像数据对应的第一形变场;第二网络分支用于生成第二图像数据对应的第二形变场;第一形变场与第二形变场的形变方向相反;空间变换网络层用于基于第一图像数据、第二图像数据、第一形变场和第二形变场,生成第一图像数据对应的分割掩码;
将第一图像数据和第二图像数据输入图像分割模型,得到分割图像。
可选地,第一网络分支包括第一编码器、解码器和第一形变场模块;第二网络分支包括第二编码器、解码器和第二形变场模块;
第一编码器层用于生成第一图像数据对应的第一特征映射;第二编码器层用于生成第二图像数据对应的第二特征映射;
解码器层用于基于第一特征映射和第二特征映射生成第三特征映射;
第一形变场模块用于基于第三特征映射、第一图像数据和第二图像数据,生成第一形变场;
第二形变场模块用于基于第三特征映射、第一图像数据和第二图像数据,生成第二形变场。
可选地,第一编码器的权重与第二编码器的权重相同。
可选地,解码器用于以跳层连接的形式,递归地使用高层语义信息的特征映射来提取具有低层细节信息的特征映射,直到得到与第一图像数据和第二图像数据相同分辨率的第三特征映射。
可选地,获取预先训练的图像分割模型,包括:
获取训练数据,训练数据包括:样本磁共振图像数据、样本磁共振图像数据对应的样本参考图像数据;
获取预先创建的初始分割模型;初始分割模型与图像分割模型的模型结构相同;初始分割模型包括第一初始网络分支和第二初始网络分支;
将样本磁共振图像数据输入第一初始网络分支,将输出样本参考图像数据输入第二初始网络分支,分别得到第一初始网络分支中的第一编码器和第二初始网络分支中的第二编码器输出的第一训练结果;
将第一训练结果输入预设的损失函数,得到第一损失函数值;
使用第一损失函数值对第一初始网络分支中的第一编码器和第二初始网络分支中的第二编码器进行迭代训练,得到第一中间网络分支和第二中间网络分支;
将样本磁共振图像数据输入第一中间网络分支,将输出样本参考图像数据输入第二中间网络分支,由第一中间网络分支中的第一形变场模块、第二中间网络分支中的第二形变场模块和空间变换网络层分别输出第二训练结果;
将第二训练结果、样本参考图像数据和样本磁共振图像数据输入预设的损失函数,得到第二损失函数值;
使用第二损失函数值对第一中间网络分支中的第一形变场模块和第二中间网络分支中的第二形变场模块进行迭代训练,得到第一迭代网络分支和第二迭代网络分支;
将样本磁共振图像数据输入第一迭代网络分支,将输出样本参考图像数据输入第二迭代网络分支,分别得到第一迭代网络分支中的第一形变场模块和第二迭代网络分支中的第二形变场模块输出的第三训练结果;
将第三训练结果和第三训练结果对应的梯度输入预设的损失函数,得到第三损失函数值;
使用第三损失函数值对第一迭代网络分支中的第一形变场模块和第二迭代网络分支中的第二形变场模块进行迭代训练,得到第一网络分支和第二网络分支。
可选地,损失函数包括第一损失函数、第二损失函数和第三损失函数;
第一损失函数用于放大第一训结果中第一训练子结果与第二训练子结构之间的相似度,以及用于缩小第一训练子结果与第二训练子结果之间的差异;第一训练子结果为第一初始网络分支中第一编码器输出的特征序列;第二训练子结果为第一初始网络分支中第二编码器输出的特征序列;
第二损失函数用于缩小样本参考图像数据、样本磁共振图像数据与第二训练结果之间的外观差异;第二训练结果包括样本磁共振图像数据对应的配准图像和样本参考图像数据对应的配准图像;
第三损失函数用于缩小第三训练结果中相邻位置的差异;第三训练结果包括第一迭代网络分支中的第一形变场模块输出的形变场,和第二迭代网络分支中的第二形变场模块输出的形变场。
可选地,空间变换网络层包括网格生成器和采样器;
网格生成器用于将第一图像数据分割成若干个网格单元,根据第一形变场确定每个网格单元在第二图像数据中的位置;将第二图像数据分割成若干个网格单元,根据第二形变场确定每个网格单元在第一图像数据中的位置;
采样器用于对第一图像数据对应的若干个网格单元进行线性插值,生成第一图像数据对应的第一配准图像;对第二图像数据中分割掩码对应的网格单元进行线性插值,生成第一图像数据对应的分割掩码并应用在第一图像数据上,得到分割图像。
可选地,对第一图像数据对应的若干个网格单元进行线性插值,包括:在若干个网格单元中,对任一体素的八个相邻体素的值进行线性插值;每个网格单元中包括至少一个体素。
本发明的另一方面提供了一种图像分割装置,该装置包括:包括处理器和存储器,其特征在于,存储器中存储有计算机指令,处理器用于执行存储器中存储的计算机指令,当计算机指令被处理器执行时该装置实现上述图像分割方法的步骤。
本发明的另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,其特征在于,该程序被处理器执行时实现上述图像分割方法的步骤。
本发明的图像分割方法、装置及存储介质,能够将第一图像数据和第二图像数据输入图像分割模型,得到分割图像;可以解决当前主流的深度学习方法,在复杂图像的多目标分割任务中,存在多目标分割效果较差的问题;首先将待配准的第一图像数据和作为参考图像的第二图像数据作为配准对输入到第一网络分支和第二网络分支中,分别提取两个图像数据的特征映射并整合后,计算输出形变场;最后,通过空间变换网络,将第二图像数据中至少一个目标区域对应的分割掩码对齐到第一图像数据的空间坐标系上,以无监督的方式获得第一图像数据中至少一个目标区域对应的分割掩码,并应用到第一图像数据中。这样,可以从第一图像数据中分割出多个感兴趣的目标区域,能够提高多目标分割的效果。
进一步地,通过将图像级配准体系和特征级对比学习的结合,将对比学习嵌入到无监督的配准分割体系结构中,并使用带有标签的基准数据集和可视化结果来评估模型的分割准确率和泛化能力,通过对比学习的引入,可以极大地提高无监督配准分割体系的性能,同时,缩小有监督分割和无监督分割之间的性能差距。
进一步地,使用互相关损失替代现有医学图像分割方法中常用的均方误差损失,作为无监督的重构损失函数,可以提高的无监督分割性能。
进一步地,通过参考图像对模型进行训练,无需带标签的数据集即可完成图像分割模型的训练,避免了消耗大量时间和成本获取高质量的标注数据,降低了图像分割模型的训练难度。
本发明的附加优点、目的,以及特征将在下面的描述中将部分地加以阐述,且将对于本领域普通技术人员在研究下文后部分地变得明显,或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是,能够用本发明实现的目的和优点不限于以上具体所述,并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1为本发明一实施例提供的图像分割方法的流程图;
图2为本发明一实施例提供的图像分割模型的结构示意图;
图3为本发明一实施例提供的空间变换网络层的结构示意图;
图4为本发明一实施例提供的图像分割模型训练方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
应该强调,术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此,还需要说明的是,如果没有特殊说明,术语“连接”在本文不仅可以指直接连接,也可以表示存在中间物的间接连接。
在下文中,将参考附图描述本发明的实施例。在附图中,相同的附图标记代表相同或类似的部件,或者相同或类似的步骤。
下面对本申请提供的图片分割方法进行介绍。
可选地,本申请提供的图像分割方法的执行主体为电子设备,该电子设备可以为计算机、手机、平板电脑、摄像头等终端,或者也可以为服务器,本实施例不对电子设备的实现方式作限定。
本实施例提供一种图像分割方法,如图1所示,该方法至少步骤S101至步骤S103:
步骤S101,获取第一图像数据和第二图像数据,第一图像数据是指通过磁共振成像得到的图像数据,第二图像数据是指对第一图像数据对应的参考图像数据;第二图像数据中包括第二图像数据中至少一个目标区域的分割掩码。其中,目标区域包括但不限于海马区域、侧脑室区域或者尾状核区域等。
本实施例中,第一图像数据是磁共振成像(Magnetic Resonance Imaging,MRI)技术获取的图像文件,包括但不限于NifTI格式的图像文件或者MINC格式的图像文件。
磁共振成像由于具有非侵入性、可以提供较高分辨率的图像等特点,成为了探究大脑内部结构的变化的首选方法,对神经和脑相关疾病的早期识别和预后评估有着极为重要的临床应用价值。常见的脑疾病在进展过程中通常伴随局部或多个脑结构的形态学变化,比如阿尔茨海默症(Alzheimer’s Disease,AD)患者的海马体、颞叶以及额叶等部位会比正常衰老的老人萎缩的程度更大。临床上常用结构磁共振影像来观测大脑内部的组织结构。因此,从磁共振影像中分割出这些感兴趣的区域(比如海马)并对其进行定量的观测有利于辅助医生的临床诊断。
第二图像数据与第一图像数据是相同部位磁共振成像的图像数据。第二图像数据中包括分割掩码。
第二图像数据和第一图像数据可以是同一目标的相同部位磁共振成像的图像数据,也可以是不同目标的相同部位磁共振成像的图像数据。
例如:在目标包括目标A和目标B的情况下,第一图像数据可以是目标A的大脑磁共振成像得到的图像数据,第二图像数据可以是目标A的大脑磁共振成像得到的图像数据;或者,第一图像数据可以是目标A的大脑磁共振成像得到的图像数据,第二图像数据可以是目标B的大脑磁共振成像得到的图像数据。
本实施例中,不同部位对应的第二图像数据的数量为一份,在实际实现时,也可以根据实际情况调整第二图像数据的数量为至少两份。
步骤S102,获取预先训练的图像分割模型,图像分割模型包括第一网络分支、第二网络分支和空间变换网络层;第一网络分支的输出和第二网络分支的输出输入空间变换网络层;第一网络分支用于生成第一图像数据对应的第一形变场;第二网络分支用于生成第二图像数据对应的第二形变场;第一形变场与第二形变场的形变方向相反;空间变换网络层用于基于第一图像数据、第二图像数据、第一形变场和第二形变场,生成第一图像数据对应的分割掩码。
参考图2所示的图像分割模型,第一网络分支21的输入为第一图像数据,以供网络分支21基于第一图像数据生成第一图像数据对应的第一形变场;第二网络分支22的输入第二图像数据,以供第二网络分支22基于第二图像数据生成第二图像数据对应的第二形变场。空间变换网络层23使用第一图像数据、第二图像数据、第一形变场和第二形变场,生成第一图像数据对应的分割掩码。
如图2所示,第一网络分支21包括第一编码器、解码器和第一形变场模块;第二网络分支22包括第二编码器、解码器和第二形变场模块。其中,第一编码器层用于生成第一图像数据对应的第一特征映射;第二编码器层用于生成第二图像数据对应的第二特征映射;解码器层用于基于第一特征映射和第二特征映射生成第三特征映射;第一形变场模块用于基于第三特征映射、第一图像数据和第二图像数据,生成第一形变场;第二形变场模块用于基于第三特征映射、第一图像数据和第二图像数据,生成第二形变场。
本实施例中,第一编码器的权重与第二编码器的权重相同。第一编码器和第二编码器分别包括一个三维卷积神经网络(Three-Dimensional Convolutional NeuralNetwork,3D CNN)。
其中,第一编码器和第二编码器为自编码器(Autoencoder,AE)的结构,是一种生成模型,在实际实现时,可以用其他生成模型替代,例如变分自编码器(VariationalAutoencoder,VAE)、生成对抗网络(Generative Adversarial Network,GAN)等。
将第一图像数据和第二图像数据作为配准对输入到两个权重相同的三维卷积神经网络,生成第一图像数据对应的第一特征映射和第二图像数据对应的第二特征映射。第一特征映射和第二特征映射的分辨率与输入图像的分辨率相同。通过解码器将第一特征映射和第二特征映射整合。
具体地,将第一特征映射和第二特征映射进行拼接,之后输入到解码器中,解码器用于以跳层连接的形式,递归地使用高层语义信息(低分辨率)的特征映射来提取具有低层细节信息(高分辨率)的特征映射,直到得到与第一图像数据和第二图像数据相同分辨率的第三特征映射。
解码器利用编码器阶段保存的高层语义信息,并与其它更底层的特征映射进行结合,以重建输入数据的细节信息。这种结构能够帮助三维卷积神经网络更好地学习并保留输入的图像数据的细节特征,从而提升图像分割模型在图像分割任务上的性能。
本实施例中,第一图像数据对应的第一特征映射和第二图像数据对应的第二特征映射,在经过解码器后得到第三特征映射。将第三特征映射输入形变场计算模块中,由形变场计算模块计算到目标变换参数。将目标变换参数作用于第一图像数据,得到第一形变场;将目标变换参数作用于第二图像数据,得到第二形变场。其中,形变场计算模块为定位网络(Localization net),用于接收输入的特征映射,并回归目标变换参数φ。
比如:以第一图像数据为图像x,第二图像数据为图像y为例,图像x在输入到第一编码器后,输出特征映射A;图像y在输入到第二编码器后输出特征映射B;将特征映射A和特征映射B拼接后,得到特征映射AB;将特征映射AB输入解码器,输出特征映射C;将特征映射C输入形变场计算模块,得到目标变换参数φ;将目标变换参数φ分别作用于图像x和图像y,得到形变场φ_xy和形变场φ_yx。
形变场可以看作是对图像进行非刚性的变形,其中每个体素点都对应了一个新的位置。通过形变场的应用,可以将体素点从一个图像映射到另一个图像的对应位置,从而实现图像的配准或变形。
第一形变场用于将第一图像数据进行形变,将第一图像数据变成第二图像数据,实现第一图像数据的配准,得到第一图像数据对应的配准图像。将第一图像数据与第二图像数据进行对齐,使它们在空间上达到最佳匹配。相应地,第二形变场用于将第二图像数据进行形变,得到第二图像数据对应的配准图像。
本实施例中,第二图像数据对应的配准图像用于在训练过程中,确定与第一图像数据对应的配准图像之间的差异,通过最小化第二图像数据对应的配准图像和第一图像数据对应的配准图像之间的差异,来学习最优参数值,优化形变场计算模块。
本实施例中,如图2所示,形变场计算模块包括第一形变场计算模块和第二形变场计算模块,第一形变场计算模块与第二形变场计算模块为相同的函数。通过形变场计算模块的计算,能够获得两个方向的形变场,包括第一形变场和第二形变场,可以在图像配准、图像重建等任务中发挥重要作用,实现图像的准确匹配和变形。
在由形变场计算模块输出第一形变场和第二形变场后,将第一形变场和第二形变场输入空间变换网络层23。其中,如图3所示,空间变换网络层23包括网格生成器(Gridgenerator)和采样器(Sampler)。网格生成器用于将形变场应用于输入的图像中。采样器作为插值器来构造最终输出的图像。
网格生成器用于将第一图像数据分割成若干个网格单元,根据第一形变场确定每个网格单元在第二图像数据中的位置;将第二图像数据分割成若干个网格单元,根据第二形变场确定每个网格单元在第一图像数据中的位置。
采样器用于对第一图像数据对应的若干个网格单元进行线性插值,生成第一图像数据对应的第一配准图像;对第二图像数据中分割掩码对应的网格单元进行线性插值,生成第一图像数据对应的分割掩码并应用在第一图像数据上,得到分割图像。
其中,对第一图像数据对应的若干个网格单元进行线性插值,包括:在若干个网格单元中,对任一体素的八个相邻体素的值进行线性插值;每个网格单元中包括至少一个体素。
相应地,对第二图像数据中分割掩码对应的网格单元进行线性插值,在分割掩码对应的若干个网格单元中,对任一体素的八个相邻体素的值进行线性插值。
本实施例中,为了实现标准的基于梯度的方法,本实施例中通过基于空间变换网络层的可微运算来计算第一图像数据和第二图像数据配准后的图像。
对于每个体素,本实施例在第一图像数据中计算(子体素)的位置,通过下式表示:
p'=p+u(p)
式中,p为第一图像数据中体素;u(p)表示第一形变场;p'表示第一形变场作用与第一图像数据后的体素。
由于图像值仅在整数范围定义,因此图像分割模型对八个相邻体素的值进行线性插值,通过下式表示:
式中,m表示第一图像数据;p’表示第一形变场作用与第一图像数据后的体素;Z(p’)是p’的相邻体素;d在三维欧氏空间(R3)上迭代;p'd表示体素p'的空间三维坐标的(x,y,z)值;q表示p’的相邻体素Z(p’)中的任意一个体素,qd表示体素q的空间三维坐标的(x,y,z)值。
空间变换网络层23的引入使得梯度可计算,因此可以在优化过程中反向传播误差。
步骤S103,将第一图像数据和第二图像数据输入图像分割模型,得到分割图像。
具体地,第一图像数据输入第一网络分支21,且第二图像输入第二网络分支22,经过图像分割模型的计算后,得到第一图像数据对应的分割图像。
参考图4,本实施例提供一种图像分割模型的训练方法,该方法至少包括步骤S401至步骤S411:
步骤S401,获取训练数据,训练数据包括:样本磁共振图像数据、样本磁共振图像数据对应的样本参考图像数据。
可选地,获取训练数据,包括:获取不同目标对象相同部位的磁共振图像数据,作为样本磁共振图像数据;在样本磁共振图像数据中确定出一份磁共振图像数据作为样本参考图像数据。
其中,可以在样本磁共振图像数据中随机抽取一份图像数据;或者,在样本磁共振图像数据中筛选出图像质量最高的图像数据。
步骤S402,获取预先创建的初始分割模型。
其中,初始分割模型与图像分割模型的模型结构相同;初始分割模型包括第一初始网络分支和第二初始网络分支。
步骤S403,将样本磁共振图像数据输入第一初始网络分支,将输出样本参考图像数据输入第二初始网络分支,分别得到第一初始网络分支中的第一编码器和第二初始网络分支中的第二编码器输出的第一训练结果。
步骤S404,将第一训练结果输入预设的损失函数,得到第一损失函数值。
可选地,损失函数包括第一损失函数、第二损失函数和第三损失函数。其中,第一损失函数为对比损失函数(Contrastive loss);第二损失函数为重构损失函数(Reconstruction loss);第三损失函数为平滑损失函数(Smooth loss)。具体地,损失函数可以通过下式表示:
Ltotal=Lrecon+αLsmooth+βLcontrast
式中,Ltotal表示损失函数;Lrecon表示重构损失函数;Lsmooth表示平滑损失函数;Lcontrast表示对比损失函数;α和β是平衡Lrecon、Lsmooth和Lcontrast的超参数,将α设置为1,将β设置为0.01。
本实施例中,第一损失函数用于放大第一训结果中第一训练子结果与第二训练子结构之间的相似度,以及用于缩小第一训练子结果与第二训练子结果之间的差异。
其中,第一训练子结果为第一初始网络分支中第一编码器输出的特征序列;第二训练子结果为第一初始网络分支中第二编码器输出的特征序列。
本实施例中,第一损失函数形式上,给定一组图像,将第一图像数据和第二图像数据视为增强图像对,并将一组图像中的其他图像视为负样本。具体地,第一损失函数可以通过下式表示:
式中,f(x)表示为第一图像数据对应的第一特征序列;f(y)表示为第二图像数据对应的第二特征序列;f(i)表示为给定的一组图像中其他图像的特征序列;1i≠x∈{0,1}是一个标识符,在i≠x时取1;τ是一个超参数;sim(f(x),f(y))表示为f(x)与f(y)之间的余弦相似度,可以通过下式表示:
相应地,sim(f(x),f(i))表示为f(x)与f(i)之间的余弦相似度,可以通过下式表示:
本实施例中,第一编码器与解码器之间通过投影层连接;第二编码器与解码器之间通过另一个投影层连接。两个投影层用于计算对比损失,以最大化图像和增强视图之间的一致性,从而提高无监督性能。
第二损失函数用于缩小样本参考图像数据、样本磁共振图像数据与第二训练结果之间的外观差异;相应地,第二训练结果包括样本磁共振图像数据对应的配准图像和样本参考图像数据对应的配准图像。
对于第二损失函数,本实施例中,为了提升无监督性能,采用了互相关函数(Cross-
Correlation loss)进行实验,该函数更适合于处理不同扫描仪、不同数据集之间的配准问题,具有更好的鲁棒性。设和/>表示对图像中每个体素周围一定区域内体素的灰度值求平均后得到的图像,/>f和/>的局部互相关记为:
式中,m表示第一图像数据,f表示第二图像数据(即参考图像),表示将形变场φ作用于第一图像数据;/>和/>表示对图像中每个体素周围一定区域内体素的灰度值求平均后得到的图像;p表示一个体素;pi表示第i个体素(其中i=
1,2,…n),n为图像中体素的个数;Ω∈R3,表示n个体素所在的三维欧氏空间。
局部互相关(CC)的值越高,表明对齐效果越好。基于说上述CC的计算公式,第二损失函数表示为:
式中,表示f和/>的局部互相关;f表示第二图像数据(即参考图像);表示将形变场φ作用于第一图像数据。
另外,本实施例中,使用互相关损失(Cross-Correlation Loss)作为图像分割模型的重构损失能够达到最佳效果,在实际实现时,可以选择其他常用的重构损失函数做替代,;例如均方误差损失(Mean Square Error Loss)、交叉熵损失(Cross-Entropy Loss)等。
步骤S405,使用第一损失函数值对第一初始网络分支中的第一编码器和第二初始网络分支中的第二编码器进行迭代训练,得到第一中间网络分支和第二中间网络分支。
步骤S406,将样本磁共振图像数据输入第一中间网络分支,将输出样本参考图像数据输入第二中间网络分支,由第一中间网络分支中的第一形变场模块、第二中间网络分支中的第二形变场模块和空间变换网络层分别输出第二训练结果。
步骤S407,将第二训练结果、样本参考图像数据和样本磁共振图像数据输入预设的损失函数,得到第二损失函数值。
步骤S408,使用第二损失函数值对第一中间网络分支中的第一形变场模块和第二中间网络分支中的第二形变场模块进行迭代训练,得到第一迭代网络分支和第二迭代网络分支。
步骤S409,将样本磁共振图像数据输入第一迭代网络分支,将输出样本参考图像数据输入第二迭代网络分支,分别得到第一迭代网络分支中的第一形变场模块和第二迭代网络分支中的第二形变场模块输出的第三训练结果。
本实施例中,第三损失函数用于缩小第三训练结果中相邻位置的差异;第三训练结果包括第一迭代网络分支中的第一形变场模块输出的形变场,和第二迭代网络分支中的第二形变场模块输出的形变场。
最小化第三损失函数,将使得m°φ与f对齐,但可能会产生物理上不真实的非平滑形变场φ。因此,引入平滑损失函数作用于形变场,保证配准的良好进行。第三损失函数通过下式表示:
式中,p表示一个体素;φ表示形变场;用于表示体素p的梯度,Ω∈R3,表示n个体素所在的三维欧氏空间。
步骤S410,将第三训练结果和第三训练结果对应的梯度输入预设的损失函数,得到第三损失函数值。
步骤S411,使用第三损失函数值对第一迭代网络分支中的第一形变场模块和第二迭代网络分支中的第二形变场模块进行迭代训练,得到第一网络分支和第二网络分支。
本实施例中,图像分割模型将对比学习机制嵌入到配准体系中,以提取具有更丰富信息的特征映射,进而提升无监督分割的性能。具体地,本实施例遵循对比学习过程的四个组成部分原则。第一部分是输入的配准对,其中,将未配准的第一图像数据和作为参考的第二图像数据视为从不同的增强视图中采样的图像。第二部分是两个权重共享的CNN编码器。这样,能够确保基于CNN的编码器可以从未配准的第一图像数据和作为参考的第二图像数据中提取统一的CNN特征。第三部分采用全连通层作为投影层,将CNN特征映射到潜在空间。最后,根据对比学习过程的标准定义,第四个组成部分是对比损失。
综上所述,本实施例提供的图像分割方法,将第一图像数据和第二图像数据输入图像分割模型,得到分割图像;可以解决当前主流的深度学习方法,在复杂图像的多目标分割任务中,存在多目标分割效果较差的问题;首先将待配准的第一图像数据和作为参考图像的第二图像数据作为配准对输入到第一网络分支和第二网络分支中,分别提取两个图像数据的特征映射并整合后,计算输出形变场;最后,通过空间变换网络,将第二图像数据中至少一个目标区域对应的分割掩码对齐到第一图像数据的空间坐标系上,以无监督的方式获得第一图像数据中至少一个目标区域对应的分割掩码,并应用到第一图像数据中。这样,可以从第一图像数据中分割出多个感兴趣的目标区域,能够提高多目标分割的效果。
进一步地,通过将图像级配准体系和特征级对比学习的结合,将对比学习嵌入到无监督的配准分割体系结构中,并使用带有标签的基准数据集和可视化结果来评估模型的分割准确率和泛化能力,通过对比学习的引入,可以极大地提高无监督配准分割体系的性能,同时,缩小有监督分割和无监督分割之间的性能差距。
进一步地,使用互相关损失替代现有医学图像分割方法中常用的均方误差损失,作为无监督的重构损失函数,可以提高的无监督分割性能。
进一步地,通过参考图像对模型进行训练,无需带标签的数据集即可完成图像分割模型的训练,避免了消耗大量时间和成本获取高质量的标注数据,降低了图像分割模型的训练难度。
与上述方法相应地,本发明还提供了一种图像分割方法装置,该装置包括计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该装置实现如前所述图像分割方法的步骤。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时以实现前述图像分割方法的步骤。该计算机可读存储介质可以是有形存储介质,诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本领域普通技术人员应该可以明白,结合本文中所公开的实施方式描述的各示例性的组成部分、***和方法,能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
本发明中,针对一个实施方式描述和/或例示的特征,可以在一个或更多个其它实施方式中以相同方式或以类似方式使用,和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像分割方法,其特征在于,该方法包括以下步骤:
获取第一图像数据和第二图像数据,所述第一图像数据是指通过磁共振成像得到的图像数据,所述第二图像数据是指对所述第一图像数据对应的参考图像数据;所述第二图像数据中包括所述第二图像数据中至少一个目标区域的分割掩码;
获取预先训练的图像分割模型,所述图像分割模型包括第一网络分支、第二网络分支和空间变换网络层;所述第一网络分支的输出和所述第二网络分支的输出输入所述空间变换网络层;所述第一网络分支用于生成所述第一图像数据对应的第一形变场;所述第二网络分支用于生成所述第二图像数据对应的第二形变场;所述第一形变场与所述第二形变场的形变方向相反;所述空间变换网络层用于基于所述第一图像数据、所述第二图像数据、所述第一形变场和所述第二形变场,生成所述第一图像数据对应的分割掩码;
将所述第一图像数据和所述第二图像数据输入所述图像分割模型,得到分割图像。
2.根据权利要求1所述的图像分割方法,其特征在于,所述第一网络分支包括第一编码器、解码器和第一形变场模块;所述第二网络分支包括第二编码器、所述解码器和第二形变场模块;
所述第一编码器层用于生成所述第一图像数据对应的第一特征映射;所述第二编码器层用于生成所述第二图像数据对应的第二特征映射;
所述解码器层用于基于所述第一特征映射和所述第二特征映射生成第三特征映射;
所述第一形变场模块用于基于所述第三特征映射、所述第一图像数据和所述第二图像数据,生成所述第一形变场;
所述第二形变场模块用于基于所述第三特征映射、所述第一图像数据和所述第二图像数据,生成所述第二形变场。
3.根据权利要求2所述的图像分割方法,其特征在于,所述第一编码器的权重与所述第二编码器的权重相同。
4.根据权利要求2所述的图像分割方法,其特征在于,所述解码器用于以跳层连接的形式,递归地使用高层语义信息的特征映射来提取具有低层细节信息的特征映射,直到得到与所述第一图像数据和所述第二图像数据相同分辨率的所述第三特征映射。
5.根据权利要求2所述的图像分割方法,其特征在于,所述获取预先训练的图像分割模型,包括:
获取训练数据,所述训练数据包括:样本磁共振图像数据、所述样本磁共振图像数据对应的样本参考图像数据;
获取预先创建的初始分割模型;所述初始分割模型与所述图像分割模型的模型结构相同;所述初始分割模型包括第一初始网络分支和第二初始网络分支;
将所述样本磁共振图像数据输入所述第一初始网络分支,将所述输出样本参考图像数据输入所述第二初始网络分支,分别得到所述第一初始网络分支中的第一编码器和所述第二初始网络分支中的第二编码器输出的第一训练结果;
将所述第一训练结果输入预设的损失函数,得到第一损失函数值;
使用第一损失函数值对所述第一初始网络分支中的第一编码器和所述第二初始网络分支中的第二编码器进行迭代训练,得到第一中间网络分支和第二中间网络分支;
将所述样本磁共振图像数据输入所述第一中间网络分支,将所述输出样本参考图像数据输入所述第二中间网络分支,由所述第一中间网络分支中的第一形变场模块、所述第二中间网络分支中的第二形变场模块和所述空间变换网络层分别输出第二训练结果;
将所述第二训练结果、所述样本参考图像数据和所述样本磁共振图像数据输入所述预设的损失函数,得到第二损失函数值;
使用所述第二损失函数值对所述第一中间网络分支中的第一形变场模块和所述第二中间网络分支中的第二形变场模块进行迭代训练,得到第一迭代网络分支和第二迭代网络分支;
将所述样本磁共振图像数据输入所述第一迭代网络分支,将所述输出样本参考图像数据输入所述第二迭代网络分支,分别得到所述第一迭代网络分支中的第一形变场模块和所述第二迭代网络分支中的第二形变场模块输出的第三训练结果;
将所述第三训练结果和所述第三训练结果对应的梯度输入所述预设的损失函数,得到第三损失函数值;
使用第三损失函数值对所述第一迭代网络分支中的第一形变场模块和所述第二迭代网络分支中的第二形变场模块进行迭代训练,得到所述第一网络分支和所述第二网络分支。
6.根据权利要求5所述的图像分割方法,其特征在于,所述损失函数包括第一损失函数、第二损失函数和第三损失函数;
所述第一损失函数用于放大所述第一训结果中第一训练子结果与第二训练子结构之间的相似度,以及用于缩小所述第一训练子结果与所述第二训练子结果之间的差异;所述第一训练子结果为所述第一初始网络分支中第一编码器输出的特征序列;所述第二训练子结果为所述第一初始网络分支中第二编码器输出的特征序列;
所述第二损失函数用于缩小所述样本参考图像数据、所述样本磁共振图像数据与第二训练结果之间的外观差异;所述第二训练结果包括所述样本磁共振图像数据对应的配准图像和所述样本参考图像数据对应的配准图像;
所述第三损失函数用于缩小所述第三训练结果中相邻位置的差异;所述第三训练结果包括所述第一迭代网络分支中的第一形变场模块输出的形变场,和所述第二迭代网络分支中的第二形变场模块输出的形变场。
7.根据权利要求1所述的图像分割方法,其特征在于,所述空间变换网络层包括网格生成器和采样器;
所述网格生成器用于将所述第一图像数据分割成若干个网格单元,根据所述第一形变场确定每个网格单元在所述第二图像数据中的位置;将所述第二图像数据分割成若干个网格单元,根据所述第二形变场确定每个网格单元在所述第一图像数据中的位置;
所述采样器用于对所述第一图像数据对应的若干个网格单元进行线性插值,生成所述第一图像数据对应的第一配准图像;对所述第二图像数据中分割掩码对应的网格单元进行线性插值,生成所述第一图像数据对应的分割掩码并应用在所述第一图像数据上,得到所述分割图像。
8.根据权利要求7所述的图像分割方法,其特征在于,所述对所述第一图像数据对应的若干个网格单元进行线性插值,包括:在所述若干个网格单元中,对任一体素的八个相邻体素的值进行线性插值;每个网格单元中包括至少一个体素。
9.一种图像分割装置,包括处理器和存储器,其特征在于,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该装置实现如权利要求1至8中任一项所述图像分割方法的步骤。
10.一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,该程序被处理器执行时实现如权利要求1至8中任一项所述图像分割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311745371.8A CN117911432A (zh) | 2023-12-18 | 2023-12-18 | 图像分割方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311745371.8A CN117911432A (zh) | 2023-12-18 | 2023-12-18 | 图像分割方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117911432A true CN117911432A (zh) | 2024-04-19 |
Family
ID=90695819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311745371.8A Pending CN117911432A (zh) | 2023-12-18 | 2023-12-18 | 图像分割方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117911432A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118115838A (zh) * | 2024-04-29 | 2024-05-31 | 北京邮电大学 | 医学图像分割模型训练方法、分割方法、设备及程序产品 |
CN118115838B (zh) * | 2024-04-29 | 2024-07-30 | 北京邮电大学 | 医学图像分割模型训练方法、分割方法、设备及程序产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114283162A (zh) * | 2021-12-27 | 2022-04-05 | 河北工业大学 | 基于对比自监督学习的现实场景图像分割方法 |
CN115082293A (zh) * | 2022-06-10 | 2022-09-20 | 南京理工大学 | 一种基于Swin Transformer和CNN双分支耦合的图像配准方法 |
CN115239637A (zh) * | 2022-06-28 | 2022-10-25 | 中国科学院深圳先进技术研究院 | 一种ct胰腺肿瘤自动分割方法、***、终端以及存储介质 |
WO2023207266A1 (zh) * | 2022-04-29 | 2023-11-02 | 腾讯科技(深圳)有限公司 | 图像配准方法、装置、设备和存储介质 |
-
2023
- 2023-12-18 CN CN202311745371.8A patent/CN117911432A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114283162A (zh) * | 2021-12-27 | 2022-04-05 | 河北工业大学 | 基于对比自监督学习的现实场景图像分割方法 |
WO2023207266A1 (zh) * | 2022-04-29 | 2023-11-02 | 腾讯科技(深圳)有限公司 | 图像配准方法、装置、设备和存储介质 |
CN115082293A (zh) * | 2022-06-10 | 2022-09-20 | 南京理工大学 | 一种基于Swin Transformer和CNN双分支耦合的图像配准方法 |
CN115239637A (zh) * | 2022-06-28 | 2022-10-25 | 中国科学院深圳先进技术研究院 | 一种ct胰腺肿瘤自动分割方法、***、终端以及存储介质 |
Non-Patent Citations (2)
Title |
---|
LIYUN TU等: "Supervising the Decoder of Variational Autoencoders to Improve Scientific Utility", IEEE TRANSACTIONS ON SIGNAL PROCESSING, vol. 70, 19 December 2022 (2022-12-19), pages 5954, XP011931614, DOI: 10.1109/TSP.2022.3230329 * |
田娟秀;刘国才;谷珊珊;鞠忠建;刘劲光;顾冬冬;: "医学图像分析深度学习方法研究与挑战", 自动化学报, no. 03, 15 March 2018 (2018-03-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118115838A (zh) * | 2024-04-29 | 2024-05-31 | 北京邮电大学 | 医学图像分割模型训练方法、分割方法、设备及程序产品 |
CN118115838B (zh) * | 2024-04-29 | 2024-07-30 | 北京邮电大学 | 医学图像分割模型训练方法、分割方法、设备及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mahapatra et al. | Joint registration and segmentation of xray images using generative adversarial networks | |
US20200167930A1 (en) | A System and Computer-Implemented Method for Segmenting an Image | |
CN107886508B (zh) | 差分减影方法和医学图像处理方法及*** | |
CN109272510B (zh) | 一种三维医学图像中管状结构的分割方法 | |
CN111429421B (zh) | 模型生成方法、医学图像分割方法、装置、设备及介质 | |
CN109978037A (zh) | 图像处理方法、模型训练方法、装置、和存储介质 | |
Hashimoto et al. | Automated segmentation of 2D low-dose CT images of the psoas-major muscle using deep convolutional neural networks | |
WO2021102644A1 (zh) | 图像增强方法、装置及终端设备 | |
CN112785632A (zh) | 基于epid的图像引导放疗中dr和drr影像跨模态自动配准方法 | |
Cai et al. | Accurate weakly supervised deep lesion segmentation on CT scans: Self-paced 3D mask generation from RECIST | |
Iglesias | A ready-to-use machine learning tool for symmetric multi-modality registration of brain MRI | |
CN113610752A (zh) | 乳腺图像配准方法、计算机设备和存储介质 | |
CN116091466A (zh) | 图像分析方法、计算机设备和存储介质 | |
Tong et al. | Registration of histopathology images using self supervised fine grained feature maps | |
CN112950684B (zh) | 基于表面配准的目标特征提取方法、装置、设备和介质 | |
CN112686932B (zh) | 用于医学影像的图像配准方法及图像处理方法、介质 | |
Chatterjee et al. | A survey on techniques used in medical imaging processing | |
CN112365512B (zh) | 训练图像分割模型的方法、图像分割的方法及其装置 | |
Dong et al. | Hole-filling based on content loss indexed 3D partial convolution network for freehand ultrasound reconstruction | |
CN108596900B (zh) | 甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备 | |
Gao et al. | Consistency based co-segmentation for multi-view cardiac MRI using vision transformer | |
Lafitte et al. | Accelerating multi-modal image registration using a supervoxel-based variational framework | |
CN117911432A (zh) | 图像分割方法、装置及存储介质 | |
CN114596286A (zh) | 图像分割方法、***、装置和存储介质 | |
CN113963037A (zh) | 图像配准方法、装置、计算机设备和存储介质 |
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 |