CN107506766A - 图像分割方法及装置 - Google Patents

图像分割方法及装置 Download PDF

Info

Publication number
CN107506766A
CN107506766A CN201710741223.7A CN201710741223A CN107506766A CN 107506766 A CN107506766 A CN 107506766A CN 201710741223 A CN201710741223 A CN 201710741223A CN 107506766 A CN107506766 A CN 107506766A
Authority
CN
China
Prior art keywords
image
pixel point
segmented
segmentation
training
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.)
Granted
Application number
CN201710741223.7A
Other languages
English (en)
Other versions
CN107506766B (zh
Inventor
韩冬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neusoft Medical Systems Co Ltd
Original Assignee
Neusoft Medical Systems Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Neusoft Medical Systems Co Ltd filed Critical Neusoft Medical Systems Co Ltd
Priority to CN201710741223.7A priority Critical patent/CN107506766B/zh
Publication of CN107506766A publication Critical patent/CN107506766A/zh
Application granted granted Critical
Publication of CN107506766B publication Critical patent/CN107506766B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种图像分割方法及装置，其中，图像分割方法包括：获取若干训练图像和所述训练图像的感兴趣区域被分割出的训练分割图像；根据所述训练图像和所述训练分割图像，确定独立像素点分类器；利用所述独立像素点分类器对所述训练图像的感兴趣区域进行分割，得到初始分割图像；根据所述训练图像、所述训练分割图像以及所述初始分割图像，确定层间关联像素点分类器；及利用所述独立像素点分类器和所述层间关联像素点分类器对待分割图像进行分割，得到目标分割图像。通过本申请实施例提供的图像分割方法及装置，能够在对图像进行分割时充分考虑相邻像素的相关性，提高医学图像分割的鲁棒性和精确性。

Description

图像分割方法及装置
技术领域
本申请涉及医学影像技术领域，尤其涉及一种图像分割方法及装置。
背景技术
医学影像技术的飞速发展极大地丰富了医生的诊断手段，显著地提升了诊疗水平。医学影像技术主要包括成像和后处理两大部分。成像指的是利用成像设备获取人体内某些物理量的空间分布，例如CT获取的是人体组织密度分布情况、超声获取的是人体声阻抗分布情况，医生可以从这些物理量的空间分布图像中提取出相关的生理病理信息，实现对疾病的诊断。后处理指的是对成像得到的医学图像进行如分割、配准、测量、增强等处理，从而更好地辅助医生的疾病诊断。图像分割是后处理中一项基础且重要的工作，图像分割将感兴趣区域(Region of Interest，ROI)从背景中分离出来，从而可以更加方便地对ROI进行处理与分析(如密度计算、形态测量等)，辅助医生的诊断。
发明内容
本申请提供一种图像分割方法及装置。
根据本申请实施例的第一方面提供一种图像分割方法。包括：获取若干训练图像和所述训练图像的感兴趣区域被分割出的训练分割图像；根据所述训练图像和所述训练分割图像，确定独立像素点分类器；利用所述独立像素点分类器对所述训练图像的感兴趣区域进行分割，得到初始分割图像；根据所述训练图像、所述训练分割图像以及所述初始分割图像，确定层间关联像素点分类器；及利用所述独立像素点分类器和所述层间关联像素点分类器对待分割图像进行分割，得到目标分割图像。
根据本申请实施例的第二方面提供一种图像分割装置。训练分割图像获取模块，用于获取若干训练图像和所述训练图像的感兴趣区域被分割出的训练分割图像；独立像素点分类器确定模块，用于根据所述训练图像和所述训练分割图像，确定独立像素点分类器；初始分割图像确定模块，利用所述独立像素点分类器对训练图像的感兴趣区域进行分割，得到初始分割图像；层间关联像素点分类器确定模块，用于根据所述训练图像、所述训练分割图像以及所述初始分割图像，确定层间关联像素点分类器；及目标分割图像确定模块，利用所述独立像素点分类器和所述层间关联像素点分类器对待分割图像进行分割，得到目标分割图像。
本申请实施例提供的图像分割方法及装置，通过对训练图像的感兴趣区域进行分割，得到的训练分割图像被用作独立像素点分类器训练数据的一部分，而利用独立像素点分类器对训练图像的感兴趣区域进行分割，得到的初始分割图像被用作层间关联像素点分类器训练数据的一部分。因此，使用独立像素点分类器和层间关联像素点分类器得到目标分割图像，能够充分考虑待分割图像中的感兴趣区与背景区的相邻像素之间的相关性，最终得到的目标分割图像具有较高的鲁棒性和精确性。
附图说明
图1是本申请实施例示出的一种图像分割方法的流程图；
图2是图1所示实施例中获取目标分割图像的步骤的一个实施例的流程图；
图3是图1所示实施例中获取目标分割图像的步骤的另一个实施例的流程图；
图4是本申请实施例示出的又一种图像分割方法的流程图；
图5是图4所示实施例中获取目标分割图像的步骤的一个实施例的流程图；
图6是图4所示实施例中获取目标分割图像的步骤的另一个实施例的流程图；
图7是本申请实施例示出的一种图像分割装置的结构框图；
图8是本申请实施例示出的另外一种图像分割装置的结构框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
一种图像分割方法包括阈值分割、区域增长、基于配准的图像分割等，这些方法通常基于简单的图像特征(如像素值、梯度、纹理等)并且手工设定分割准则，然而由于人体解剖结构存在着显著的个体差异性，上述分割方法的鲁棒性并不高。另一种图像分割方法基于机器学习来实现图像分割，由于机器学习方法可以根据图像的特点自动学习出最优的分割准则，因此基于机器学习的分割方法通常具有更高的鲁棒性。基于机器学习的分割方法通常需要训练一个像素点分类器，在应用过程中对给定图像的每个像素点进行二分类(即属于ROI或者背景区域)，在这一过程中每个像素点的分类是独立的，并没有充分地考虑相邻像素点的图像内容相关性，因此分割结果通常存在一些噪声点，并且分割得到的ROI的边缘并不平滑。
机器学习领域主要包括监督学习(Supervised Learning)和无监督学习(Unsupervised Learning)，监督学习又包括分类(Classification)和回归(Regression)两大类。医学图像分割方法可以包括以下两种：
第一种方法：基于分类的医学图像分割方法，主要包括以下4个步骤：
1、随机选取N幅医学图像组成训练图像集(Training Image Set)，每幅图像需要包含完整的ROI，在每幅图像中手动分割出ROI，形成一幅与当前训练图像尺寸相同的分割图像(Segmentation Image)，该分割图像为二值图像(Binary Image)，例如ROI区域的图像像素值为1，背景区域的像素值为0，通常而言，训练图像的数量越大，最终得到的分割算法的精度越高。
2、选取一种或多种图像特征提取器(Image Feature Extractor)，图像特征提取器的输入是一个图像像素点的位置，输出是该像素一定邻域内的图像特征向量(ImageFeature Vector)，常用的特征包括灰度特征(Intensity Feature)、形态学特征(Morphological Feature)、纹理特征(Texture Feature)等，特征提取器提取出的特征将用于训练图像像素点分类器(Image Pixel Classifier)。
3、选择一种机器学习分类方法，分类方法可以包括支持向量机(Support VectorMachine，SVM)、神经网络(Neural Network)、决策树(Decision Tree)、朴素贝叶斯方法(Naive Bayes Method)等，利用训练图像集、手动分割得到的分割图像以及图像特征提取器，训练出一个图像像素点分类器，该分类器的输入是图像中某一像素的位置坐标，输出是该像素所在位置是否属于ROI。
4、当需要在一幅新的图像中分割ROI时，可以将图像的每一个像素点输入到步骤3中训练得到的图像像素分类器中，像素分类器的输出表明了该像素所在位置是否属于ROI，最终可以得到一幅与当前图像尺寸相同的分割图像，该分割图像中像素值为1的区域即是所求得的ROI。
这类方法通常需要训练一个像素点分类器，当需要对一幅测试图像进行ROI分割时，可以将测试图像每个像素点依次输入到分类器中，分类器输出的是该像素点是否属于ROI，从而实现了ROI分割。然而，每个像素点的分类是独立的、不相关的，没有考虑到相邻像素点的相关性，因此这类方法的鲁棒性不高，分割结果存在着较多的噪声点，并且分割得到的ROI边缘不够平滑。
第二种方法：基于配准的医学图像分割方法。
这类方法首先需要选择一幅或者多幅具有代表性的模板图像(Template Image)，每幅模板图像需要完整包含ROI，然后在每幅图像中手动分割出ROI，形成与原模板图像尺寸相同的分割图像。当对一幅测试图像进行ROI分割时，需要将每幅模板图像配准到测试图像上，在配准过程中可以得到每幅模板图像相对于测试图像的形变场(DeformationField)，根据得到的形变场可以将模板图像对应的手动分割图像映射到测试图像上，从而得到测试图像中ROI的位置。
由于人体解剖结构存在着显著的个体差异性，因此为了补偿这种复杂的无规则差异性、提高分割的精度，这类分割方法通常采用的是非刚性配准方法，和刚性配准方法(Rigid Registration)相比，非刚性配准方法的计算复杂度显著提高，从而大大增加了图像分割所需的时间，因此基于配准的医学图像分割方法在临床应用中的价值不高。
本申请提出了一种新的基于机器学习的图像分割方法及装置，充分地考虑到了相邻像素的相关性，提升医学图像分割的鲁棒性和精确性。
下面结合附图，对本申请实施例的图像分割方法及装置进行详细说明。在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。
如图1所示，图1是本申请一示例性实施例提供的一种图像分割方法的流程图，该方法包括步骤21至步骤25。其中，
在步骤21中，获取若干训练图像和训练图像的ROI被分割出的训练分割图像。
在本申请实施例中，可以随机选取若干幅医学训练图像组成训练图像集I＝{I1,I2,…,IN}(N为自然数)，该训练图像为包含多个断层的三维图像，每幅训练图像包含完整的ROI。在每幅训练图像Ii(1≤i≤N)中手动分割出ROI，形成一幅与当前训练图像Ii尺寸相同的训练分割图像Si。该训练分割图像Si为二值图像(Binary Image)，在一个实施例中，ROI区域的图像像素值为1，背景区域的像素值为0。
在步骤22中，根据训练图像和训练分割图像，确定独立像素点分类器。
在一可选的实施例中，可以根据训练图像中的若干个采样点的位置坐标、若干个采样点的局部图像特征以及训练分割图像中对应所述若干个采样点的像素值，确定独立像素点分类器。
具体而言，在每一幅训练图像Ii中随机采样M(M为自然数)个点Pi＝{Pi1,Pi2,…,PiM}，并从训练分割图像Si中确定每个采样点Pim(1≤m≤M)对应的像素值(0或1)。
选取一种或多种图像特征提取器(Image Feature Extractor)，图像特征提取器的输入是一个图像像素点的位置坐标，输出是该像素一定邻域内的局部图像特征向量(Image Feature Vector)。常用的图像特征包括灰度特征(Intensity Feature)、形态学特征(Morphological Feature)、纹理特征(Texture Feature)等。使用图像特征提取器提取出训练图像Ii中M个采样点中每个采样点Pim的局部图像特征。
选择一种机器学习分类方法，分类方法可以包括支持向量机(Support VectorMachine，SVM)、神经网络(Neural Network)、决策树(Decision Tree)、朴素贝叶斯方法(Naive Bayes Method)等，然后利用训练图像中M个采样点Pi＝{Pi1,Pi2,…,PiM}的位置坐标、M个采样点的局部图像特征以及训练分割图像Si中对应M个采样点的像素值(0或1)，训练出独立像素点分类器。该独立像素点分类器的输入是三维医学图像中某个像素点的位置坐标，然后独立像素点分类器根据该像素点的位置坐标、该像素点的局部图像特征以及该像素点在训练分割图像中Si中的像素值(0或1)，并采用现有的一种机器学习分类法进行计算，输出该像素点属于待分割ROI的概率(0到1之间的小数，越接近于1，说明该像素点属于待分割ROI的概率越大)。
在步骤23中，利用独立像素点分类器对训练图像的感兴趣区域进行分割，得到初始分割图像。
在使用独立像素点分类器对训练图像的感兴趣区域进行分割时，输入训练图像Ii中某个像素点的位置坐标，输出是该像素点属于待分割ROI的概率。比如，可以设置一个阈值，当概率大于或者等于该阈值时，将该像素点列为ROI，当概率小于阈值时，将该像素点列为背景区域。如此，可以得到初始分割图像
在步骤24中，根据训练图像、训练分割图像以及初始分割图像，确定层间关联像素点分类器。
在一可选的实施例中，可以根据训练图像中的若干个采样点的位置坐标、若干个采样点的局部图像特征、训练分割图像中对应若干个采样点的像素值以及初始分割图像中所述若干个采样点所在层的相邻一层中对应所述若干个采样点的局部图像特征，确定层间关联像素点分类器。
具体而言，在每一幅训练图像Ii中随机采样M(M为自然数)个点Pi＝{Pi1,Pi2,…,PiM}，使用图像特征提取器提取出训练图像Ii中M个采样点中每个采样点Pim的邻域内的局部图像特征。并从训练分割图像Si中确定每个采样点Pim对应的像素值(0或1)。然后，假设训练图像Ii具有多个断层，而采样点Pim属于训练图像Ii的第l个断层，则从初始分割图像的第l-1个断层的对应点Pim的位置提取局部图像特征。本申请实施例并不限制特征的种类，可选的特征类型包括：灰度特征、形态学特征、纹理特征等。然后利用训练图像Ii中M个点Pi＝{Pi1,Pi2,…,PiM}中每个采样点Pim的位置坐标、训练图像Ii中每个采样点Pim的局部图像特征、训练分割图像Si中每个采样点Pim对应的像素值(0或1)、以及初始分割图像的第l-1个断层的对应点Pim的位置的局部图像特征，训练出层间关联像素点分类器。可选的训练方法包括：支持向量机、决策树、神经网络等等，本申请实施例中不做限定。层间关联像素点分类器输入是三维医学图像中某个像素点的位置坐标，然后层间关联像素点分类器根据该像素点的位置坐标、该像素点的局部图像特征、该像素点在训练分割图像中Si中的像素值(0或1)以及该像素点在初始分割图像中所在层的前一层中的局部图像特征，并采用现有的一种机器学习法进行计算，输出该像素点属于待分割ROI的概率(0到1之间的小数，越接近于1，说明该像素点属于待分割ROI的概率越大)。
在步骤25中，利用独立像素点分类器和层间关联像素点分类器对待分割图像进行分割，得到目标分割图像。
待分割图像包括若干层断层图像，在一可选的实施例中，本步骤25包括子步骤251、子步骤253和子步骤253，如图2所示。其中，
在子步骤251中，使用独立像素点分类器对待分割图像的第一断层图像进行分割，得到第一断层分割图像。
假设该待分割图像共有M层断层图像，首先使用独立像素点分类器对第1层图像的每个像素进行分割，从而得到第1层断层图像的第一断层分割图像
在子步骤252中，使用层间关联像素点分类器，根据待分割图像的当前断层图像的相邻一层的断层分割图像，对待分割图像的当前断层图像进行分割，得到待分割图像的当前断层分割图像。
在一可选的实施例中，可以使用层间关联像素点分类器，根据当前断层图像中的像素点的局部图像特征、断层分割图像中所述像素点所在层的相邻一层中对应所述像素点的局部图像特征，对待分割图像的当前断层图像进行分割，得到待分割图像的当前断层分割图像。
具体而言，可以使用层间关联像素点分类器对待分割图像的第2层至第M层断层图像依次进行分割，在分割第m(2≤m≤M)层断层图像时，利用层间关联像素点分类器对第m层断层图像中每个像素点进行分类，在对某一像素点P进行分类时，不但需要提取第m层断层图像中P点的邻域内的局部图像特征，还需要从第m-1层断层分割图像的对应位置提取局部图像特征。依次可以得到待分割图像的第2层至第M层断层图像的断层分割图像
在子步骤253中，根据第一断层分割图像和除第一断层分割图像外的待分割图像的所有断层分割图像，确定目标分割图像。本实施例中，第一断层分割图像为除第一断层分割图像外的待分割图像的所有断层分割图像为则待分割图像的每一层断层分割图像可以将待分割图像的每一层断层分割图像进行合成，得到最终的目标分割图像。
本实施例提供的图像分割方法充分地考虑到了医学图像的局部空间相关性，首先，将三维医学图像看作是二维断层图像的序列，相邻断层图像之间具有高度的相关性，因此在训练层间关联像素点分类器时，对于每一个输入的像素点，从该像素点的邻域内提取图像特征，还从前一个断层的分割结果图中提取特征，然后将两种特征结合在一起训练层间关联分类器，由于层间关联分类器充分地考虑了相邻层之间的图像相关性，因此可以得到更加鲁棒的分割结果，提高图像分割的准确性。
在另一可选的实施例中，假设待分割图像包括M层断层图像，M为大于1的整数。本步骤25包括子步骤254、子步骤255、子步骤256以及子步骤257，如图3所示。其中，
在子步骤254中，按照从第一层至第M层断层图像的正向序列，利用独立像素点分类器和层间关联像素点分类器对待分割图像的M层断层图像依次进行分割，得到第一正向序列分割结果。本实施例中，可以利用图2所示实施例的步骤25的分割方法对第一层至第M层断层图像依次分割，在此不再赘述。本步骤中按照从第一层至第M层断层图像的正向序列对待分割图像的M层断层图像依次进行分割，得到的第一正向序列分割结果
在子步骤255中，按照从第M层至第一层断层图像的逆向序列，利用独立像素点分类器和层间关联像素点分类器对待分割图像的M层断层图像依次进行分割，得到第一逆向序列分割结果。本实施例中，可以利用图2所示实施例的步骤25的分割方法对第M层至第一层断层图像依次分割，在此不再赘述。本步骤中按照从第M层至第一层断层图像的逆向序列对待分割图像的M层断层图像依次进行分割，得到的第一逆向序列分割结果
在步骤子256中，确定第一正向序列分割结果和第一逆向序列分割结果的第一平均值。本实施例中可以分别对RA+和RA-中每一层断层图像的分割结果求平均，得到平均后的分割结果
在子步骤257中，根据第一平均值，得到目标分割图像。本实施例中，可以将中的分割结果进行合成得到目标分割图像。
本实施将待分割图像看作是正向和逆向两个二维断层图像的序列，并利用独立像素点分类器和层间关联像素点分类器从正向和逆向两个方向对待分割图像进行分割，最后将两个方向的分割结果求平均，这样可以得到更加平滑的分割结果。
如图4所示，图4是本申请一示例性实施例提供的另一种图像分割方法的流程图，包括步骤51至步骤57。其中，
本实施例中的步骤51至步骤54与图1所示实施例的对应步骤21至步骤24类似，在此不再赘述。
在步骤55中，利用层间关联像素点分类器对训练图像的ROI进行分割，得到层间分割图像。
在使用层间关联像素点分类器对训练图像的感兴趣区域进行分割时，输入训练图像Ii中某个像素点的位置坐标，输出是该像素点属于待分割ROI的概率。比如，可以设置一个阈值，当概率大于或者等于阈值时，将该像素点列为ROI，当概率小于阈值时，将该像素点列为背景区域。如此，可以得到层间分割图像
在步骤56中，根据训练图像、训练分割图像以及层间分割图像，确定层内关联像素点分类器。
在一可选的实施例中，可以根据训练图像中的若干个采样点的位置坐标、若干个采样点的局部图像特征、训练分割图像中对应所述若干个采样点的像素值以及层间分割图像中所述若干个采样点所在层中对应所述若干个采样点的局部图像特征，确定层内关联像素点分类器。
具体而言，在每一幅训练图像Ii中随机采样M(M为自然数)个点Pi＝{Pi1,Pi2,…,PiM}，使用图像特征提取器提取出训练图像Ii中M个采样点中每个采样点Pim的邻域内的局部图像特征。并从训练分割图像Si中确定每个采样点Pim对应的像素值(0或1)。然后，假设训练图像Ii具有多个断层，而采样点Pim属于训练图像Ii的第l个断层，则从层间分割图像的第l个断层的对应点Pim的位置提取局部图像特征，本申请实施例并不限制特征的种类，可选的特征类型包括：灰度特征、形态学特征、纹理特征等。然后利用训练图像Ii中M个点Pi＝{Pi1,Pi2,…,PiM}中每个采样点Pim的位置坐标、训练图像Ii中每个采样点Pim的局部图像特征、训练分割图像Si中每个采样点Pim对应的像素值(0或1)、以及层间分割图像的第l个断层的对应点Pim的位置的局部图像特征，训练出层内关联像素点分类器。可选的训练方法包括：支持向量机、决策树、神经网络等等，本申请实施例中不做限定。层内关联像素点分类器输入的是三维医学图像中某个像素点的位置坐标，然后层内关联像素点分类器根据该像素点的位置坐标、该像素点的局部图像特征、该像素点在训练分割图像中Si中的像素值(0或1)以及该像素点在层间分割图像中所在层的局部图像特征，并采用现有的一种机器学习法进行计算，输出该像素点属于待分割ROI的概率(0到1之间的小数，越接近于1，说明该像素点属于待分割ROI的概率越大)。
在步骤57中，利用独立像素点分类器、层间关联像素点分类器以及层内关联像素点分类器对待分割图像进行分割，得到目标分割图像。
在一可选的实施例中，本步骤57包括子步骤571、子步骤572以及子步骤573，如图5所示。其中，
在子步骤571中，使用独立像素点分类器对待分割图像的第一断层图像进行分割，得到第一断层分割图像。
假设该待分割图像共有M层断层图像，首先使用独立像素点分类器对第1层图像的每个像素进行分割，从而得到第1层断层图像的第一断层分割图像
在子步骤572中，使用层间关联像素点分类器，根据当前待分割的断层图像的相邻一层的断层分割图像，对当前待分割的断层图像进行分割，得到当前待分割的断层图像的断层分割图像。其中，当前待分割的断层图像为待分割图像中除去第一断层图像之外的断层图像，即当前待分割的断层图像为待分割图像的第2层至第M层断层图像。
具体而言，本实施例中，可以使用层间关联像素点分类器对待分割图像的第2层至第M层断层图像依次进行分割，在分割第m(2≤m≤M)层断层图像时，利用层间关联像素点分类器对第m层断层图像中每个像素点进行分类。在对某一像素点P进行分类时，提取第m层断层图像中P点的邻域内的局部图像特征，还从第m-1层断层分割图像的对应位置提取局部图像特征。最终，可以得到当前待分割图像的每一层的断层分割图像
在子步骤573中，使用层内关联像素点分类器，根据每一层断层图像对应的断层分割图像，对待分割图像进一步分割，得到目标分割图像。
在一可选的实施例中，可以使用层内关联像素点分类器，根据待分割图像中的像素点的局部图像特征、断层分割图像中所述像素点所在层中对应所述像素点的局部图像特征，对待分割图像进行分割，得到目标分割图像。
具体而言，使用层内关联像素点分类器对待分割图像进一步优化分割时，在分割第m层断层图像时，利用层内关联像素点分类器对该层断层图像中的每个像素点进行分类，在对某一像素点P进行分类时，提取第m层断层图像中P点的邻域内的局部图像特征，还从第m层断层分割图像的对应位置提取局部图像特征。最终，可以得到待分割图像进一步优化的分割结果该分割结果即为目标分割图像的分割结果。
本实施例的图像分割方法不仅考虑到了医学图像的断层的层间关联性，还考虑了层内关联性，即在同一断层内，某一个像素点与临近的其它像素点具有高度的相关性，因此在训练层内关联像素点分类器时，对于每一个输入的训练像素点，不但需要从该像素点的邻域内提取图像特征，还要从利用层间关联像素点分类器得到的当前层的断层分割图像中提取特征，然后将两种特征结合在一起训练层内关联分类器，该层内关联分类器相当于对层间关联分类器得到的初始分割结果图进一步优化。因此，使用层内关联像素点分类器对待分割图像进一步分割，得到的目标分割图像具有更加稳定的分割结果，减少分割图像的噪声点。
在另一可选的实施例中，假设待分割图像包括M层断层图像，M为大于1的整数。步骤57包括子步骤574、子步骤575、子步骤576以及子步骤577，如图6所示。其中，
在子步骤574中，按照从第一层至第M层断层图像的正向序列，利用独立像素点分类器、层间关联像素点分类器以及层内关联像素点分类器对待分割图像的M层断层图像依次进行分割，得到第二正向序列分割结果。本实施例中，可以利用图5所示实施例的步骤57的分割方法对第一层至第M层断层图像依次分割，得到第二正向序列分割结果。在此不再赘述。
在子步骤575中，按照从第M层至第一层断层图像的逆向序列，利用独立像素点分类器、层间关联像素点分类器以及层内关联像素点分类器对待分割图像的M层断层图像依次进行分割，得到第二逆向序列分割结果。本实施例中，可以利用图5所示实施例的步骤57的分割方法对第M层至第一层断层图像依次分割，得到第二逆向序列分割结果。在此不再赘述。
在子步骤576中，确定第二正向序列分割结果和第二逆向序列分割结果的第二平均值。本实施例中可以分别对第二正向序列分割结果和第二逆向序列分割结果中每一层断层图像的分割结果求平均，得到第二平均值。
在子步骤577中，根据第二平均值，得到目标分割图像。本实施例中，可以将第二平均值中每层图像的平均分割结果进行合成得到目标分割图像。
本实施例将待分割图像看作是正向和逆向两个二维断层图像的序列，并利用独立像素点分类器、层间关联像素点分类器以及层内关联像素点分类器从正向和逆向两个方向对待分割图像进行分割，最后将两个方向的分割结果求平均，这样可以进一步得到更加平滑的分割结果。
与前述图像分割方法的实施例相对应，本申请还提供了图像分割装置的实施例。
本申请图像分割装置的实施例可以应用在图像分割方法上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在图像分割装置的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。
请参考图7，图7是本申请一示例性实施例提供的一种图像分割装置70的结构框图。
图像分割装置70包括：训练分割图像获取模块71、独立像素点分类器确定模块72、初始分割图像确定模块73、层间关联像素点分类器确定模块74以及目标分割图像确定模块75。其中，
训练分割图像获取模块71用于获取若干训练图像和训练图像的感兴趣区域被分割出的训练分割图像。独立像素点分类器确定模块72用于根据训练分割图像获取模块71获取的训练图像和训练分割图像，确定独立像素点分类器。初始分割图像确定模块73利用独立像素点分类器确定模块72确定的独立像素点分类器对训练图像的感兴趣区域进行分割，得到初始分割图像。层间关联像素点分类器确定模块74用于根据训练分割图像获取模块71获取的训练图像、训练分割图像以及初始分割图像确定模块73得到的初始分割图像，确定层间关联像素点分类器。目标分割图像确定模块75利用独立像素点分类器确定模块72得到的独立像素点分类器和层间关联像素点分类器确定模块74得到的层间关联像素点分类器对待分割图像进行分割，得到目标分割图像。
在一可选的实施例中，独立像素点分类器确定模块72用于根据训练图像中的若干个采样点的位置坐标、若干个采样点的局部图像特征以及训练分割图像中对应所述若干个采样点的像素值，确定独立像素点分类器。
在一可选的实施例中，层间关联像素点分类器确定模块74用于根据训练图像中的若干个采样点的位置坐标、若干个采样点的局部图像特征、训练分割图像中对应若干个采样点的像素值以及初始分割图像中若干个采样点所在层的相邻一层中对应所述若干个采样点的局部图像特征，确定层间关联像素点分类器。
在另一可选的实施例中，待分割图像包括M层断层图像，M为大于1的整数。
目标分割图像确定模块75按照从第一层至第M层断层图像的正向序列，利用独立像素点分类器确定模块72确定的独立像素点分类器和层间关联像素点分类器确定模块74确定的层间关联像素点分类器对待分割图像的M层断层图像依次进行分割，得到正向序列分割结果。按照从第M层至第一层断层图像的逆向序列，利用独立像素点分类器和层间关联像素点分类器对待分割图像的M层断层图像依次进行分割，得到逆向序列分割结果。并根据正向序列分割结果和所述逆向序列分割结果的平均值，得到目标分割图像。
在另一可选的实施例中，参考图8，图8是本申请一示例性实施例提供的另一种图像分割装置70的结构框图，在本实施例中，图像分割装置70还包括：层间分割图像确定模块76和层内关联像素点分类器确定模块77。其中，
层间分割图像确定模块76利用层间关联像素点分类器确定模块74确定的层间关联像素点分类器对训练分割图像获取模块71获取的训练图像的感兴趣区域进行分割，得到层间分割图像。
层内关联像素点分类器确定模块77用于根据训练分割图像获取模块71获取的训练图像、训练分割图像以及层间分割图像确定模块76获取的层间分割图像，确定层内关联像素点分类器。
目标分割图像确定模块75还用于利用独立像素点分类器确定模块72确定的独立像素点分类器、层间关联像素点分类器确定模块74确定的层间关联像素点分类器以及层内关联像素点分类器确定模块77获取的层内关联像素点分类器对待分割图像进行分割，得到目标分割图像。
在一可选的实施例中，层间关联像素点分类器确定模块74根据训练图像中的若干个采样点的位置坐标、若干个采样点的局部图像特征、训练分割图像中对应若干个采样点的像素值以及层间分割图像中所述若干个采样点所在层中对应所述若干个采样点的局部图像特征，确定层内关联像素点分类器。
在一另可选的实施例中，待分割图像包括若干层断层图像，目标分割图像确定模块75使用独立像素点分类器确定模块72确定的独立像素点分类器对待分割图像的第一断层图像进行分割，得到第一断层分割图像。并使用层间关联像素点分类器确定模块74确定的层间关联像素点分类器，根据当前待分割的断层图像的相邻一层的断层分割图像，对当前待分割的断层图像进行分割，得到当前待分割的断层图像的断层分割图像，其中，当前待分割的断层图像为待分割图像中除去第一断层图像之外的断层图像。然后根据第一断层分割图像和当前待分割的断层图像的断层分割图像，确定目标分割图像。
在另一可选的实施例中，目标分割图像确定模块75还用于使用层内关联像素点分类器确定模块77确定的层内关联像素点分类器，根据每一层断层图像对应的断层分割图像，对待分割图像进一步分割，得到所述目标分割图像
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (12)

1.一种图像分割方法，其特征在于，所述方法包括：
获取若干训练图像和所述训练图像的感兴趣区域被分割出的训练分割图像；
根据所述训练图像和所述训练分割图像，确定独立像素点分类器；
利用所述独立像素点分类器对所述训练图像的感兴趣区域进行分割，得到初始分割图像；
根据所述训练图像、所述训练分割图像以及所述初始分割图像，确定层间关联像素点分类器；及
利用所述独立像素点分类器和所述层间关联像素点分类器对待分割图像进行分割，得到目标分割图像。
2.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
利用所述层间关联像素点分类器对所述训练图像的感兴趣区域进行分割，得到层间分割图像；
根据所述训练图像、所述训练分割图像以及所述层间分割图像，确定层内关联像素点分类器；及
利用所述独立像素点分类器、所述层间关联像素点分类器以及所述层内关联像素点分类器对待分割图像进行分割，得到目标分割图像。
3.根据权利要求1所述的方法，其特征在于，所述根据所述训练图像和所述训练分割图像，确定独立像素点分类器，包括：
根据所述训练图像中的若干个采样点的位置坐标、所述若干个采样点的局部图像特征以及所述训练分割图像中对应所述若干个采样点的像素值，确定独立像素点分类器。
4.根据权利要求1所述的方法，其特征在于，所述根据所述训练图像、所述训练分割图像以及所述初始分割图像，确定层间关联像素点分类器，包括：
根据所述训练图像中的若干个采样点的位置坐标、所述若干个采样点的局部图像特征、所述训练分割图像中对应所述若干个采样点的像素值以及所述初始分割图像中所述若干个采样点所在层的相邻一层中对应所述若干个采样点的局部图像特征，确定层间关联像素点分类器。
5.根据权利要求2所述的方法，其特征在于，所述根据所述训练图像、所述训练分割图像以及所述层间分割图像，确定层内关联像素点分类器，包括：
根据所述训练图像中的若干个采样点的位置坐标、所述若干个采样点的局部图像特征、所述训练分割图像中对应所述若干个采样点的像素值以及所述层间分割图像中所述若干个采样点所在本层中对应所述若干个采样点的局部图像特征，确定层内关联像素点分类器。
6.根据权利要求2所述的方法，其特征在于，所述待分割图像包括若干层断层图像；
所述利用所述独立像素点分类器和所述层间关联像素点分类器对待分割图像进行分割，得到目标分割图像，包括：
使用所述独立像素点分类器对所述待分割图像的第一断层图像进行分割，得到第一断层分割图像；
使用所述层间关联像素点分类器，根据所述待分割图像的当前断层图像的相邻一层的断层分割图像，对所述待分割图像的当前断层图像进行分割，得到所述待分割图像的当前断层分割图像；及
根据所述第一断层分割图像和除所述第一断层分割图像外的所述待分割图像的所有断层分割图像，确定所述目标分割图像。
7.根据权利要求6所述的方法，其特征在于，所述使用所述层间关联像素点分类器，根据所述待分割图像的当前断层图像的相邻一层的断层分割图像，对所述待分割图像的当前断层图像进行分割，得到所述待分割图像的当前断层分割图像，包括：
使用所述层间关联像素点分类器，根据所述当前断层图像中的像素点的局部图像特征、所述断层分割图像中所述像素点所在层的相邻一层中对应所述像素点的局部图像特征，对所述待分割图像的当前断层图像进行分割，得到所述待分割图像的当前断层分割图像。
8.根据权利要求6所述的方法，其特征在于，所述方法进一步包括：
使用所述层内关联像素点分类器，根据每一层断层图像对应的断层分割图像，对所述待分割图像进一步分割，得到所述目标分割图像。
9.根据权利要求8所述的方法，其特征在于，所述使用所述层内关联像素点分类器，根据所述每一层断层图像对应的断层分割图像，对所述待分割图像进一步分割，得到所述目标分割图像，包括：
使用所述层内关联像素点分类器，根据所述待分割图像中的像素点的局部图像特征、所述断层分割图像中所述像素点所在层中对应所述像素点的局部图像特征，对所述待分割图像进行分割，得到所述目标分割图像。
10.根据权利要求1所述的方法，其特征在于，所述待分割图像包括M层断层图像，M为大于1的整数；
所述利用所述独立像素点分类器和所述层间关联像素点分类器对待分割图像进行分割，得到目标分割图像，包括：
按照从第一层至第M层断层图像的正向序列，利用所述独立像素点分类器和所述层间关联像素点分类器对待分割图像的M层断层图像依次进行分割，得到第一正向序列分割结果；
按照从第M层至第一层断层图像的逆向序列，利用所述独立像素点分类器和所述层间关联像素点分类器对待分割图像的M层断层图像依次进行分割，得到第一逆向序列分割结果；
确定所述第一正向序列分割结果和所述第一逆向序列分割结果的第一平均值；及
根据所述第一平均值，得到所述目标分割图像。
11.根据权利要求2所述的方法，其特征在于，所述待分割图像包括M层断层图像，M为大于1的整数；
所述利用所述独立像素点分类器、所述层间关联像素点分类器以及所述层内关联像素点分类器对待分割图像进行分割，得到目标分割图像，包括：
按照从第一层至第M层断层图像的正向序列，利用所述独立像素点分类器、所述层间关联像素点分类器以及所述层内关联像素点分类器对待分割图像的M层断层图像依次进行分割，得到第二正向序列分割结果；
按照从第M层至第一层断层图像的逆向序列，利用所述独立像素点分类器、所述层间关联像素点分类器以及所述层内关联像素点分类器对待分割图像的M层断层图像依次进行分割，得到第二逆向序列分割结果；
确定所述第二正向序列分割结果和所述第二逆向序列分割结果的第二平均值；及
根据所述第二平均值，得到所述目标分割图像。
12.一种图像分割装置，其特征在于，所述装置包括：
训练分割图像获取模块，用于获取若干训练图像和所述训练图像的感兴趣区域被分割出的训练分割图像；
独立像素点分类器确定模块，用于根据所述训练图像和所述训练分割图像，确定独立像素点分类器；
初始分割图像确定模块，利用所述独立像素点分类器对训练图像的感兴趣区域进行分割，得到初始分割图像；
层间关联像素点分类器确定模块，用于根据所述训练图像、所述训练分割图像以及所述初始分割图像，确定层间关联像素点分类器；及
目标分割图像确定模块，利用所述独立像素点分类器和所述层间关联像素点分类器对待分割图像进行分割，得到目标分割图像。
CN201710741223.7A 2017-08-25 2017-08-25 图像分割方法及装置 Active CN107506766B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710741223.7A CN107506766B (zh) 2017-08-25 2017-08-25 图像分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710741223.7A CN107506766B (zh) 2017-08-25 2017-08-25 图像分割方法及装置

Publications (2)

Publication Number Publication Date
CN107506766A true CN107506766A (zh) 2017-12-22
CN107506766B CN107506766B (zh) 2020-03-17

Family

ID=60693471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710741223.7A Active CN107506766B (zh) 2017-08-25 2017-08-25 图像分割方法及装置

Country Status (1)

Country Link
CN (1) CN107506766B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389587A (zh) * 2018-09-26 2019-02-26 上海联影智能医疗科技有限公司 一种医学图像分析系统、装置及存储介质
CN109410224A (zh) * 2018-11-12 2019-03-01 深圳安科高技术股份有限公司 一种图像分割方法、系统、装置及存储介质
CN110634144A (zh) * 2019-09-23 2019-12-31 武汉联影医疗科技有限公司 一种卵圆孔定位方法、装置和存储介质
CN112166474A (zh) * 2018-05-16 2021-01-01 皇家飞利浦有限公司 使用机器学习的在外科手术期间的自动化肿瘤识别
CN112734697A (zh) * 2020-12-24 2021-04-30 沈阳东软智能医疗科技研究院有限公司 图像处理方法、装置、存储介质和电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630363A (zh) * 2009-07-13 2010-01-20 中国船舶重工集团公司第七○九研究所 复杂背景下彩色图像人脸的快速检测方法
CN104517116A (zh) * 2013-09-30 2015-04-15 北京三星通信技术研究有限公司 在图像中确定目标区域的装置和方法
CN105022990A (zh) * 2015-06-29 2015-11-04 华中科技大学 一种基于无人艇应用的水面目标快速检测方法
CN105260712A (zh) * 2015-10-03 2016-01-20 上海大学 一种车辆前方行人检测方法及系统
CN105894517A (zh) * 2016-04-22 2016-08-24 北京理工大学 基于特征学习的ct图像肝脏分割方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630363A (zh) * 2009-07-13 2010-01-20 中国船舶重工集团公司第七○九研究所 复杂背景下彩色图像人脸的快速检测方法
CN104517116A (zh) * 2013-09-30 2015-04-15 北京三星通信技术研究有限公司 在图像中确定目标区域的装置和方法
CN105022990A (zh) * 2015-06-29 2015-11-04 华中科技大学 一种基于无人艇应用的水面目标快速检测方法
CN105260712A (zh) * 2015-10-03 2016-01-20 上海大学 一种车辆前方行人检测方法及系统
CN105894517A (zh) * 2016-04-22 2016-08-24 北京理工大学 基于特征学习的ct图像肝脏分割方法及系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112166474A (zh) * 2018-05-16 2021-01-01 皇家飞利浦有限公司 使用机器学习的在外科手术期间的自动化肿瘤识别
CN109389587A (zh) * 2018-09-26 2019-02-26 上海联影智能医疗科技有限公司 一种医学图像分析系统、装置及存储介质
CN109410224A (zh) * 2018-11-12 2019-03-01 深圳安科高技术股份有限公司 一种图像分割方法、系统、装置及存储介质
CN109410224B (zh) * 2018-11-12 2022-04-15 深圳安科高技术股份有限公司 一种图像分割方法、系统、装置及存储介质
CN110634144A (zh) * 2019-09-23 2019-12-31 武汉联影医疗科技有限公司 一种卵圆孔定位方法、装置和存储介质
CN110634144B (zh) * 2019-09-23 2022-08-02 武汉联影医疗科技有限公司 一种卵圆孔定位方法、装置和存储介质
CN112734697A (zh) * 2020-12-24 2021-04-30 沈阳东软智能医疗科技研究院有限公司 图像处理方法、装置、存储介质和电子设备
CN112734697B (zh) * 2020-12-24 2024-05-28 沈阳东软智能医疗科技研究院有限公司 图像处理方法、装置、存储介质和电子设备

Also Published As

Publication number Publication date
CN107506766B (zh) 2020-03-17

Similar Documents

Publication Publication Date Title
CN107506766B (zh) 图像分割方法及装置
Lessmann et al. Automatic calcium scoring in low-dose chest CT using deep neural networks with dilated convolutions
CN108010021B (zh) 一种医学图像处理系统和方法
Guan et al. Breast cancer detection using transfer learning in convolutional neural networks
EP2070045B1 (en) Advanced computer-aided diagnosis of lung nodules
US9959617B2 (en) Medical image processing apparatus and breast image processing method thereof
Sert et al. Ensemble of convolutional neural networks for classification of breast microcalcification from mammograms
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
US20230005140A1 (en) Automated detection of tumors based on image processing
Elsayed et al. Automatic detection of the pulmonary nodules from CT images
Shahangian et al. Automatic brain hemorrhage segmentation and classification in CT scan images
JP2020166809A (ja) モデル学習用のシステム、装置、及び学習方法
Dhivya et al. GAN based data augmentation for enhanced tumor classification
Lagogiannis et al. Unsupervised pathology detection: a deep dive into the state of the art
JP5106047B2 (ja) 画像処理方法及び装置
Son et al. Liver segmentation on a variety of computed tomography (CT) images based on convolutional neural networks combined with connected components
Delmoral et al. Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study
US10307124B2 (en) Image display device, method, and program for determining common regions in images
US20230103692A1 (en) Data processing apparatus and method
Rahman et al. Detection and Segmentation of Breast Tumor from MRI Images Using Image Processing Techniques
Atlas et al. Deep learning enabled hemorrhage detection in retina with DPFE and splat segmentation in fundus images
Paul et al. Computer-Aided Diagnosis Using Hybrid Technique for Fastened and Accurate Analysis of Tuberculosis Detection with Adaboost and Learning Vector Quantization
Amritha et al. Liver tumor segmentation and classification using deep learning
Poornima et al. Automatic breast cancer detection with optimized ensemble of classifiers
Prakash Medical image processing methodology for liver tumour diagnosis

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

Address after: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province

Applicant after: DongSoft Medical System Co., Ltd.

Address before: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province

Applicant before: Dongruan Medical Systems Co., Ltd., Shenyang

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant