CN110060262A - 一种图像分割方法及装置、电子设备和存储介质 - Google Patents
一种图像分割方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110060262A CN110060262A CN201910315130.7A CN201910315130A CN110060262A CN 110060262 A CN110060262 A CN 110060262A CN 201910315130 A CN201910315130 A CN 201910315130A CN 110060262 A CN110060262 A CN 110060262A
- Authority
- CN
- China
- Prior art keywords
- lung
- lobe
- data
- network
- split
- 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 78
- 238000003860 storage Methods 0.000 title claims abstract description 27
- 238000005192 partition Methods 0.000 title claims abstract description 15
- 210000004072 lung Anatomy 0.000 claims abstract description 432
- 230000011218 segmentation Effects 0.000 claims abstract description 101
- 238000005070 sampling Methods 0.000 claims description 94
- 230000006870 function Effects 0.000 claims description 91
- 238000012545 processing Methods 0.000 claims description 81
- 238000012549 training Methods 0.000 claims description 55
- 239000000203 mixture Substances 0.000 claims description 19
- 238000003709 image segmentation Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 230000003902 lesion Effects 0.000 abstract description 15
- 230000008569 process Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 208000019693 Lung disease Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 210000000621 bronchi Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 208000023504 respiratory system disease Diseases 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开涉及一种图像分割方法及装置、电子设备和存储介质,其中,该方法包括根据肺部图像中的肺叶数据和肺裂数据得到肺叶分割网络,根据该肺叶分割网络,确定肺部图像中目标肺叶所在的位置。采用本公开,能准确地确定肺叶位置,从而及时对病灶进行定位。
Description
技术领域
本公开涉及计算机视觉技术领域,尤其涉及一种图像分割方法及装置、电子设备和存储介质。
背景技术
在临床诊断中,呼吸科医生经常依据被感染的肺叶来做出疾病严重性评估和制定治疗手段;而放射科医生则会在遇到肺部疾病或病变时寻找临近切片才能确定发病肺叶。此类病灶定位通常会由于肺部裂隙不可见的原因而造成诊断失误。如何确定肺叶位置以及时对病灶进行定位,是要解决的问题。然而,相关技术中未存在有效的解决方案。
发明内容
本公开提出了一种图像分割技术方案。
根据本公开的一方面,提供了一种图像分割方法,所述方法包括:
根据肺部图像中的肺叶数据和肺裂数据得到肺叶分割网络;
根据所述肺叶分割网络,确定所述肺部图像中目标肺叶所在的位置。
采用本公开,由于该肺叶分割网络不依赖人工定位,而是根据肺叶数据和肺裂数据训练得到的自适应分割网络,因此,基于该分割网络能准确的确定肺叶位置,从而及时对病灶进行定位。
在可能的实现方式中,所述根据肺部图像中的肺叶数据和肺裂数据得到肺叶分割网络,包括:
将所述肺裂数据用于包含所述肺叶数据的肺叶分割网络训练中,得到训练后的肺叶分割网络;
所述根据所述肺叶分割网络,确定所述肺部图像中目标肺叶所在的位置,包括:
根据所述训练后的肺叶分割网络,确定所述肺部图像中目标肺叶所在的位置。
采用本公开,在输入数据中加入手动标注的肺裂数据与肺叶数据一起进行网络训练,可以提高了分割准确度。由于该肺裂数据,是用于标识肺叶的边界信息,因此,将该肺裂数据辅助于肺叶分割网络训练中,强化了肺叶分割网络对肺叶边界的特征提取,使采用该训练后的肺叶分割网络能更精确的进行图像分割,以从肺部图像中确定出肺叶的位置,从而根据肺叶的位置,可以及时对病灶进行定位。
在可能的实现方式中,所述将所述肺裂数据用于包含所述肺叶数据的肺叶分割网络训练中,得到训练后的肺叶分割网络,包括:
根据所述肺裂数据和所述肺叶数据相结合所得到的混合损失函数,进行损失函数的反向传播;
通过所述损失函数的反向传播对所述肺叶分割网络进行训练,得到训练后的肺叶分割网络。
采用本公开,在输入数据中加入手动标注的肺裂进行网络训练,结合肺裂数据和肺叶数据得到混合损失函数,通过损失函数的反向传播对肺叶分割网络进行训练,通过这种训练方式所得到的肺叶分割网络,可以提高分割准确度。使采用该训练后的肺叶分割网络能更精确的进行图像分割,以从肺部图像中确定出肺叶的位置,从而根据肺叶的位置,可以及时对病灶进行定位。
在可能的实现方式中,所述方法还包括:根据所述肺裂数据和所述肺叶数据相结合所得到的混合损失函数,进行损失函数的反向传播之前,
根据所述肺叶数据得到第一损失函数和第二损失函数;
根据所述肺裂数据得到第三损失函数;
根据所述第一损失函数、所述第二损失函数和所述第三损失函数得到所述混合损失函数。
采用本公开,分别根据所述肺叶数据和所述肺裂数据得到各自的损失函数后,根据所得到的多个损失函数得到的混合损失函数更为准确,通过该混合损失函数的反向传播对肺叶分割网络进行训练,通过这种训练方式所得到的肺叶分割网络,可以提高分割准确度。使采用该训练后的肺叶分割网络能更精确的进行图像分割,以从肺部图像中确定出肺叶的位置,从而根据肺叶的位置,可以及时对病灶进行定位。
在可能的实现方式中,所述将所述肺裂数据用于包含所述肺叶数据的肺叶分割网络训练之前,还包括:
将所述肺部图像输入所述肺叶分割网络中,对所述肺部图像进行多层级的下采样处理和对应的上采样处理,得到对应不同层级的下采样处理结果和上采样处理结果;
将同一层级的下采样处理结果和上采样处理结果进行跳跃连接处理,直至对所有层级处理结束,得到对应不同分辨率和多尺度大小的多层输出结果。
在可能的实现方式中,所述多层输出结果包括:用于标识所述肺裂数据的第一体素数据,和/或用于标识所述肺叶数据的第二体素数据;
所述方法还包括:将所述第一体素数据和/或所述第二体素数据作为用于训练所述肺叶分割网络的训练数据。
采用本公开,对所述肺部图像进行多层级的下采样处理和对应的上采样处理,以及针对同一层级的下采样处理和上采样处理进行跳跃连接,可以得到对应不同分辨率和多尺度大小的多层输出结果,可以提高肺叶分割网络的分割精度。使采用该训练后的肺叶分割网络能更精确的进行图像分割,以从肺部图像中确定出肺叶的位置,从而根据肺叶的位置,可以及时对病灶进行定位。
在可能的实现方式中,所述将同一层级的下采样处理结果和上采样处理结果进行跳跃连接处理,包括:
将所述同一层级的下采样处理结果和上采样处理结果中同一尺度的特征进行融合,得到跳跃处理结果。
采用本公开,对于多层输出结果中的每一层,将同一层级的下采样处理结果和上采样处理结果中同一尺度的特征进行融合,可以提高肺叶分割网络的分割精度。使采用该训练后的肺叶分割网络能更精确的进行图像分割,以从肺部图像中确定出肺叶的位置,从而根据肺叶的位置,可以及时对病灶进行定位。
根据本公开的一方面,提供了一种图像分割装置,所述装置包括:
分割网络获得单元,用于根据肺部图像中的肺叶数据和肺裂数据得到肺叶分割网络;
位置确定单元,用于根据所述肺叶分割网络,确定所述肺部图像中目标肺叶所在的位置。
在可能的实现方式中,所述分割网络获得单元,进一步用于:
将所述肺裂数据用于包含所述肺叶数据的肺叶分割网络训练中,得到训练后的肺叶分割网络;
所述位置确定单元,进一步用于:
根据所述训练后的肺叶分割网络,确定所述肺部图像中目标肺叶所在的位置。
在可能的实现方式中,所述分割网络获得单元,进一步用于:
根据所述肺裂数据和所述肺叶数据相结合所得到的混合损失函数,进行损失函数的反向传播;
通过所述损失函数的反向传播对所述肺叶分割网络进行训练,得到训练后的肺叶分割网络。
在可能的实现方式中,所述装置还包括:混合损失函数确定单元,用于:
根据所述肺叶数据得到第一损失函数和第二损失函数;
根据所述肺裂数据得到第三损失函数;
根据所述第一损失函数、所述第二损失函数和所述第三损失函数得到所述混合损失函数。
在可能的实现方式中,所述装置还包括:数据处理单元,用于:
将所述肺部图像输入所述肺叶分割网络中,对所述肺部图像进行多层级的下采样处理和对应的上采样处理,得到对应不同层级的下采样处理结果和上采样处理结果;
将同一层级的下采样处理结果和上采样处理结果进行跳跃连接处理,直至对所有层级处理结束,得到对应不同分辨率和多尺度大小的多层输出结果。
在可能的实现方式中,所述多层输出结果包括:用于标识所述肺裂数据的第一体素数据,和/或用于标识所述肺叶数据的第二体素数据;
所述装置还包括:数据确定单元,用于:将所述第一体素数据和/或所述第二体素数据作为用于训练所述肺叶分割网络的训练数据。
在可能的实现方式中,所述数据处理单元,进一步用于:
将所述同一层级的下采样处理结果和上采样处理结果中同一尺度的特征进行融合,得到跳跃处理结果。
根据本公开的一方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述图像分割方法方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述图像分割方法方法。
在本公开实施例中,根据肺部图像中的肺叶数据和肺裂数据得到肺叶分割网络,根据该肺叶分割网络,确定肺部图像中目标肺叶所在的位置。由于该肺叶分割网络不依赖人工定位,而是根据肺叶数据和肺裂数据训练得到的自适应分割网络,因此,基于该分割网络能准确的确定肺叶位置,从而及时对病灶进行定位。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像分割方法的流程图。
图2示出根据本公开实施例的图像分割方法的流程图。
图3示出根据本公开实施例的图像分割方法的流程图。
图4示出根据本公开实施例的训练过程的流程图。
图5示出根据本公开实施例的图像分割装置的框图。
图6示出根据本公开实施例的电子设备的框图。
图7示出根据本公开实施例的电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
在临床诊断中,一方面,可以通过人眼识别来确定肺叶的位置。呼吸科医生经常依据被感染的肺叶来做出疾病严重性评估和制定治疗手段。另一方面,可以通过影像学方法来确定肺叶的位置。放射科医生会在遇到肺部疾病或病变时寻找临近切片才能确定发病肺叶。此类病灶定位通常会由于肺部裂隙不可见的原因而造成诊断失误。相关技术中,在进行肺叶分割时,需要依赖预先的气管和血管来分割,或是需要用户的交互从而优化分割结果,即需要依赖医生的人工操作来予以识别和优化,因此,不仅得到的肺叶分割结果较差,而且分割速度很慢。
综上所述,无论是采用人眼识别,还是使用影像学方法来确定肺叶的位置,都面临着以下问题:1、大多数肺裂是不完整的,经常无法延伸到肺部边缘,相关研究已经确认了肺裂的不完整是常见现象;2、肺叶边缘的视觉特征会由于病理学因素影响而产生变化,这些视觉特征包括厚度、位置和形状;3、肺部存在其他裂隙(如副裂和奇裂)可能被误识为大小肺裂。
构建一种可靠且全自动化的肺叶分割网络来确定肺叶的位置,对肺部疾病的诊断、评估和量化有着重要的意义。全自动的肺叶分割方法,还会帮助医生们减少病灶定位的时间并提高定位准确度。
图1示出根据本公开实施例的图像分割方法的流程图,该图像分割方法应用于图像分割装置,例如,图像分割装置可以由终端设备或服务器或其它处理设备执行,其中,终端设备可以为用户设备(UE,User Equipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(PDA,Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该图像分割方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示,该流程包括:
步骤S101、根据肺部图像中的肺叶数据和肺裂数据得到肺叶分割网络。
本公开一可能的实现方式中,肺部图像可以是医院拍CT的图像,该肺叶数据和肺裂数据可以是手工标注的肺叶和肺裂数据,根据该手工标注的肺叶和肺裂数据来训练肺叶分割网络,得到训练后的肺叶分割网络。
需要指出的是,在肺叶分割的任务中,需要提高分割精度,降低假阳性,区分不同肺叶位置。由于成像和自然生理原因,部分CT影像中可能没有可见的肺裂,视觉上无法区分不同的肺叶,会产生误分割的可能。为此,在输入数据中加入手动标注的肺裂进行网络训练,通过这种方式,可以提高了分割准确度。输入肺叶分割网络的训练数据,不仅包括肺叶数据,还包括肺裂数据。将肺裂数据用于包含肺叶数据的肺叶分割网络训练中,而不是只依赖肺叶数据本身,由于该肺裂数据,是用于标识肺叶的边界信息,因此,将该肺裂数据辅助于肺叶分割网络训练中,强化了肺叶分割网络对肺叶边界的特征提取,使采用该训练后的肺叶分割网络能更精确的进行图像分割,以从肺部图像中确定出肺叶的位置。
步骤S102、根据肺叶分割网络,确定肺部图像中目标肺叶所在的位置。
本公开一可能的实现方式中,根据该手工标注的肺叶和肺裂数据来训练肺叶分割网络,得到训练后的肺叶分割网络后,可根据训练后的肺叶分割网络,确定肺部图像中目标肺叶所在的位置。就目标肺叶而言,人类的肺被分成五个肺叶,其中右肺有三个肺叶,为右上肺叶(RUL,right upper lobe)、右中肺叶(RML,right middle lobe)和右下肺叶(RLL,right lower lobe),分别被小肺裂和大肺裂所分隔。而左肺有两个肺叶,为左上肺叶(LUL,left upper lobe)和左下肺叶(LLL,left lower lobe),被大肺裂所分隔。这五个肺叶分别功能性独立,而且有各自的支气管和血管系统。根据该训练后的肺叶分割网络,可以确定肺部图像中这五个肺叶在肺部图像中所在的位置。
图2示出根据本公开实施例的图像分割方法的流程图,该图像分割方法应用于图像分割装置,例如,图像分割装置可以由终端设备或服务器或其它处理设备执行,其中,终端设备可以为用户设备(UE,User Equipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(PDA,Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该图像分割方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图2所示,该流程包括:
步骤S201、根据肺裂数据和肺叶数据相结合所得到的混合损失函数,进行损失函数的反向传播。
步骤S202、通过损失函数的反向传播对肺叶分割网络进行训练,得到训练后的肺叶分割网络。
本公开一可能实现方式中,可以采用肺叶Dice加肺叶和肺裂Cross Entropy相结合的混合损失函数作为该损失函数,通过该损失函数的反向传播来训练肺叶分割网络中的各个参数,即对该肺叶分割网络进行参数调优。
本公开一可能实现方式中,可以根据肺裂数据和肺叶数据相结合所得到的混合损失函数,进行损失函数的反向传播之前,根据肺叶数据得到第一损失函数(如Dlobe)和第二损失函数(如H(p,q)lobe)。根据肺裂数据得到第三损失函数(如H(p,q)fissure)。根据所述第一损失函数、所述第二损失函数和所述第三损失函数得到所述混合损失函数。如何计算混合损失函数具体的运算过程在后续的应用示例中具体阐述。
通过步骤S201-步骤S202,可以根据手工标注的肺叶数据和肺裂数据得到训练后的肺叶分割网络。由于该肺裂数据是用于标识肺叶的边界信息,因此,将该肺裂数据辅助于肺叶分割网络训练中,强化了肺叶分割网络对肺叶边界的特征提取,使采用该训练后的肺叶分割网络能更精确的进行图像分割,以从肺部图像中确定出肺叶的位置。换言之,在肺叶以外,使用手动标注的肺裂作为输入进行网络训练,加强了网络模型对肺裂位置的敏感度,提高在肺叶分界处的关注度。可以提高不同肺叶边界处的分割效果,减少边界模糊。
步骤S203、根据训练后的肺叶分割网络,确定肺部图像中目标肺叶所在的位置。
本公开一可能的实现方式中,根据该手工标注的肺叶和肺裂数据来训练肺叶分割网络,得到训练后的肺叶分割网络后,可根据训练后的肺叶分割网络,确定肺部图像中目标肺叶所在的位置。就目标肺叶而言,人类的肺被分成五个肺叶,其中右肺有三个肺叶,为右上肺叶(RUL,right upper lobe)、右中肺叶(RML,right middle lobe)和右下肺叶(RLL,right lower lobe),分别被小肺裂和大肺裂所分隔。而左肺有两个肺叶,为左上肺叶(LUL,left upper lobe)和左下肺叶(LLL,left lower lobe),被大肺裂所分隔。这五个肺叶分别功能性独立,而且有各自的支气管和血管系统。根据该训练后的肺叶分割网络,可以确定肺部图像中这五个肺叶在肺部图像中所在的位置。
图3示出根据本公开实施例的图像分割方法的流程图,该图像分割方法应用于图像分割装置,例如,图像分割装置可以由终端设备或服务器或其它处理设备执行,其中,终端设备可以为用户设备(UE,User Equipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(PDA,Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该图像分割方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图3所示,该流程包括:
步骤S301、将肺部图像输入肺叶分割网络中,对肺部图像进行多层级的下采样处理和对应的上采样处理,得到对应不同层级的下采样处理结果和上采样处理结果。
采样:是采集模拟信号的样本,采样是将时间上、幅值上都连续的信号,在采样脉冲的作用下,转换成时间、幅值上离散的信号。采样又称为波形的离散化过程。其中,下采样:是对于一个样值序列,间隔几个样值来取样一次,得到的新序列为原序列的下采样。缩小图像(或称为下采样或降采样)的主要目的有两个:1、使得图像符合显示区域的大小;2、生成对应图像的缩略图。上采样:是下采样的逆过程。上采样的实质是内插或差值。图像放大几乎都是采用内插值方法,即在原有图像像素的基础上在像素点之间采用合适的插值算法插入新的元素。放大图像(或称为上采样或图像插值)的主要目的是放大原图像,从而可以显示在更高分辨率的显示设备上。需要指出的是,上采样和下采样都是对数字信号的重新采集,重新采集的采样率与原来获得该数字信号(比如从模拟信号采样而来)的采样率比较,大于原信号的,称为上采样;小于原信号的,称为下采样。
本公开一可能实现方式中,多次下采样和对应的上采样及跳跃连接可以为:对于输入的肺部图像CT,该CT图记为图1,对图1进行第一层下采样,得到图12,对图12进行第二层下采样,得到图13,依次,进行多层级的下采样(本公开不限于四层下采样)。以四层下采样为例,对图13进行第三层下采样,得到图14,对图14进行第四层下采样,得到图15,下采样结束后,对下采样最底层的图15(本公开中的第四次下采样之后的结果),进行第一次上采样,得到图24,对图24进行第二次上采样,得到图23,对图23进行第三次上采样,得到图22,对图22进行第四次上采样,得到图21。
跳跃连接是针对同一层级,比如,对于第一层,下采样“图12”与上采样“图22”对应,因此,将图12和图22进行跳跃连接。
步骤S302、将同一层级的下采样处理结果和上采样处理结果进行跳跃连接处理,直至对所有层级处理结束,得到对应不同分辨率和多尺度大小的多层输出结果。
本公开一可能实现方式中,将同一层级的下采样处理结果和上采样处理结果中同一尺度的特征进行融合,得到跳跃处理结果。通过融合同一尺度的卷积特征,提高分割精度。
本公开一可能实现方式中,该多层输出结果包括:用于标识所述肺裂数据的第一体素数据,和/或用于标识所述肺叶数据的第二体素数据。
步骤S303、将用于标识肺裂数据的第一体素数据和用于标识肺叶数据的第二体素数据作为训练数据所得到的混合损失函数,进行损失函数的反向传播,通过损失函数的反向传播对肺叶分割网络进行训练,得到训练后的肺叶分割网络。
本公开一可能的实现方式中,还可以在该训练数据输入肺叶分割网络前进行下采样,以减小数据量,用有限的计算资源分割整个肺部,在保证完整数据输入的前提下,使用更为完备的网络模型。通过在该训练数据输入肺叶分割网络前进行下采样,可以加快对数据的处理速度,将分割速度控制在2秒以内。
步骤S304、根据训练后的肺叶分割网络,确定肺部图像中目标肺叶所在的位置。
本公开中,对于肺裂和肺叶分割处理流程,输入的肺部图像CT是一样的,采用的网络都是同一个网络,不同流程得到不同的数据,都可以采用上述步骤S301-步骤S302的处理流程。肺裂和肺叶分割处理流程二者的处理模式是相同的,其处理中的不同之处在于:对于肺裂数据,可以是用于标识肺裂数据的第一体素数据;对于肺叶数据,可以是用于标识肺叶数据的第二体素数据。也就是说,根据多层输出结果可以得到最终处理结果,从该最终处理结果中所提取并用于训练的数据是两种,一种是针对肺裂的第一体素数据,另一种是针对肺叶的第二体素数据。肺裂和肺叶分割处理流程可以是同时进行的。
就体素而言,对于一副图像,如果该图像为2D图像,则该图像可以描述为由多个像素构成,像素是二维的;如果该图像为3D图像,则该图像可以描述为由多个体素所构成,体素是三维的,在3D图像中,体积分为均匀间隔的行和列,涵盖所有三个不同的方向(上下、左右,内外)。这将3D空间划分成立方体,也称为体素(体积元素或体积像素)。每个体素由三维坐标和该坐标处的颜色定义。
本公开中,该肺叶分割网络为端到端的3D分割网络(或称为基于VNet的3D卷积神经网络)。为了实现更精确的分割,本公开采用端到端的3D分割网络结构,对肺部进行整体分割,提高了在空间上的感知能力,可以提取更多的空间信息,从而提高各肺叶的分割结果。右中肺叶因其形状和位置多变,预测准确度不高,采用本公开,可以对该右中肺叶区域进行精准分割。由于通过混合损失函数的反向传播来训练该网络结构,是一种深度学习模型,与相关技术相比不需要医生在分割结果上进行额外的工作,即无需医生的交互和修改才能得到较为准确的肺叶分割结果,而是利用该网络结构进行全自动的肺叶分割,在保证分割精度的同时减少医生的工作量,提高分割的处理效率。
采用本公开,首先将肺部图像输入肺叶分割网络中,对肺部图像进行多层级的下采样处理和对应的上采样处理,将同一层级的下采样处理结果和上采样处理结果进行跳跃连接处理,直至对所有层级处理结束,得到对应不同分辨率和多尺度大小的多层输出结果。将同一层级的下采样处理结果和上采样处理结果中同一尺度的特征进行融合,得到跳跃处理结果,通过融合同一尺度的卷积特征的方式来提高分割精度。然后,将肺裂数据和肺叶数据用于网络训练,根据肺裂数据和肺叶数据相结合所得到的混合损失函数进行损失函数的反向传播,实现对肺叶分割网络的训练。通过这种训练方式所得到的肺叶分割网络,可以提高分割准确度。使采用该训练后的肺叶分割网络能更精确的进行图像分割,以从肺部图像中确定出肺叶的位置,从而根据肺叶的位置,可以及时对病灶进行定位。
应用示例:
该肺叶分割网络的训练过程包含以下两个流程,肺叶整体的分割和肺裂的分割流程。对于肺裂和肺叶分割处理流程,输入的肺部图像CT是一样的,采用的网络都是同一个网络。图4为根据本公开的训练过程示意图。如图4所示,基于端到端3D结构的肺叶分割网络,分别进行肺叶分割和肺裂分割工作,肺部图像111为肺叶分割网络的输入数据,肺部图像111可以为3维CT数据,通过上采样、对应的下采样及同层的跳跃连接,可以得到肺叶分割网络的输出数据,输出数据包括两种:肺叶数据112和肺裂数据113。然后根据肺裂数据113和肺叶数据112训练该肺叶分割网络。肺叶分割和肺裂分割工作具体可分为以下两个部分。
一、肺叶分割
基于端到端3D结构的肺叶分割网络,如图4所示,肺叶分割网络的输入为肺部3维CT数据,在肺叶分割网络中进行多次下采样和对应的上采样过程以及跳跃连接,产生不同分辨率和多尺度大小的多层输出,将这些多尺度输出结合在一起就得到了最终分割结果。其中,输入的原始数据是z×x×y的单通道灰度图像,经过数据预处理之后进入3D分割网络,而输出则为z×x×y尺寸的6通道张量,分别代表每个体素位置属于哪个肺叶或是背景。其中每个跳跃连接都是将网络中下采样与其相对应的上采样相融合,这样的级联合成了该数据的3D概率分布图。
二、肺裂分割
基于端到端3D结构的肺叶分割网络,如图4所示,为了提取肺部边界的信息,使用肺裂作为目标结果进行训练。利用端到端3D结构进行多尺度的卷积特征融合。为了充分利用肺叶分割网络中的局部信息,在肺叶分割网络中采用多栅卷积的网络结构代替相关技术中的卷积块,肺叶分割网络中用四尺度代替了相关技术的单尺度网络,以增强特征融合效果。多栅卷积的网络结构在每个卷积层之前将不同尺度的特征图进行级联,避免了传统FCN、U-Net等网络结构由于降采样造成了特征损失。将多栅网络用于3D分割,通过融合不同尺度的卷积特征,提高分割精度,在提取肺裂位置信息时有更准确的预测效果。网络的输入与肺叶分割相同,是z×x×y的单通道灰度图像,输出为4通道3D数据(其中3通道为人体内3条肺裂的位置信息,1通道为背景信息)。
训练过程中,本公开采用肺叶Dice加肺叶和肺裂Cross Entropy相结合的混合损失作为损失函数对网络进行参数调优。其中Dice损失函数的表达式如公式(1)所示。
其中,V表示3D图像中的所有体素点,pi为i体素点被预测为目标类的概率,即预测为目标肺叶的概率;li为该体素点的实际标签。采用多Dice的加权以修正边界,肺叶训练时的Dice损失函数如公式(2)所示。
Dlobe=αiDRUL+α2DRML+α3DRLL+α4DLUL+α5DLLL (2)
其中,DRUL,DRML,DRLL,DLUL,DL表示五个肺叶分别的Dice,α是可调节系数,用来标定各肺叶在分割任务中的权重对整体分割的影响。
Cross Entropy损失函数的表达式如公式(3)所示:
H(p,q)=-∑x∈Xp(x)logq(x) (3)
其中p(x)为预测正确的概率,q(x)为预测错误的概率。
最终网络的损失函数采用公式(4)计算得到:
Loss=β1Dlobe+β2H(p,q)lobe+β3H(p,q)fissure (4)
其中,Dlobe为肺叶训练时的Dice损失函数,H(p,q)lobe为肺叶训练时的CrossEntropy损失函数,H(p,q)fissure为肺裂训练时的Cross Entropy损失函数,β1、β2、β3是各个损失函数的权重,决定各部分训练结果对最终分割结果对影响。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了图像分割装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种图像分割方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图5示出根据本公开实施例的图像分割装置的框图,如图5所示,本公开实施例的图像分割装置,包括:分割网络获得单元31,用于根据肺部图像中的肺叶数据和肺裂数据得到肺叶分割网络;位置确定单元32,用于根据所述肺叶分割网络,确定所述肺部图像中目标肺叶所在的位置。
本公开可能的实现方式中,所述分割网络获得单元,进一步用于:将所述肺裂数据用于包含所述肺叶数据的肺叶分割网络训练中,得到训练后的肺叶分割网络;所述位置确定单元,进一步用于:根据所述训练后的肺叶分割网络,确定所述肺部图像中目标肺叶所在的位置。
本公开可能的实现方式中,所述分割网络获得单元,进一步用于:根据所述肺裂数据和所述肺叶数据相结合所得到的混合损失函数,进行损失函数的反向传播;通过所述损失函数的反向传播对所述肺叶分割网络进行训练,得到训练后的肺叶分割网络。
本公开可能的实现方式中,所述装置还包括:混合损失函数确定单元,用于:根据所述肺叶数据得到第一损失函数和第二损失函数;根据所述肺裂数据得到第三损失函数;根据所述第一损失函数、所述第二损失函数和所述第三损失函数得到所述混合损失函数。
本公开可能的实现方式中,所述装置还包括:数据处理单元,用于:将所述肺部图像输入所述肺叶分割网络中,对所述肺部图像进行多层级的下采样处理和对应的上采样处理,得到对应不同层级的下采样处理结果和上采样处理结果;将同一层级的下采样处理结果和上采样处理结果进行跳跃连接处理,直至对所有层级处理结束,得到对应不同分辨率和多尺度大小的多层输出结果。
本公开可能的实现方式中,所述多层输出结果包括:用于标识所述肺裂数据的第一体素数据,和/或用于标识所述肺叶数据的第二体素数据;所述装置还包括:数据确定单元,用于:将所述第一体素数据和/或所述第二体素数据作为用于训练所述肺叶分割网络的训练数据。
本公开可能的实现方式中,所述数据处理单元,进一步用于:将所述同一层级的下采样处理结果和上采样处理结果中同一尺度的特征进行融合,得到跳跃处理结果。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图6,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7是根据一示例性实施例示出的一种电子设备900的框图。例如,电子设备900可以被提供为一服务器。参照图7,电子设备900包括处理组件922,其进一步包括一个或多个处理器,以及由存储器932所代表的存储器资源,用于存储可由处理组件922的执行的指令,例如应用程序。存储器932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件922被配置为执行指令,以执行上述方法。
电子设备900还可以包括一个电源组件926被配置为执行电子设备900的电源管理,一个有线或无线网络接口950被配置为将电子设备900连接到网络,和一个输入输出(I/O)接口958。电子设备900可以操作基于存储在存储器932的操作系统,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器932,上述计算机程序指令可由电子设备900的处理组件922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种图像分割方法,其特征在于,所述方法包括:
根据肺部图像中的肺叶数据和肺裂数据得到肺叶分割网络;
根据所述肺叶分割网络,确定所述肺部图像中目标肺叶所在的位置。
2.根据权利要求1所述的方法,其中,所述根据肺部图像中的肺叶数据和肺裂数据得到肺叶分割网络,包括:
将所述肺裂数据用于包含所述肺叶数据的肺叶分割网络训练中,得到训练后的肺叶分割网络;
所述根据所述肺叶分割网络,确定所述肺部图像中目标肺叶所在的位置,包括:
根据所述训练后的肺叶分割网络,确定所述肺部图像中目标肺叶所在的位置。
3.根据权利要求2所述的方法,其特征在于,所述将所述肺裂数据用于包含所述肺叶数据的肺叶分割网络训练中,得到训练后的肺叶分割网络,包括:
根据所述肺裂数据和所述肺叶数据相结合所得到的混合损失函数,进行损失函数的反向传播;
通过所述损失函数的反向传播对所述肺叶分割网络进行训练,得到训练后的肺叶分割网络。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:根据所述肺裂数据和所述肺叶数据相结合所得到的混合损失函数,进行损失函数的反向传播之前,
根据所述肺叶数据得到第一损失函数和第二损失函数;
根据所述肺裂数据得到第三损失函数;
根据所述第一损失函数、所述第二损失函数和所述第三损失函数得到所述混合损失函数。
5.根据权利要求2至4中任一项所述的方法,其特征在于,所述将所述肺裂数据用于包含所述肺叶数据的肺叶分割网络训练之前,还包括:
将所述肺部图像输入所述肺叶分割网络中,对所述肺部图像进行多层级的下采样处理和对应的上采样处理,得到对应不同层级的下采样处理结果和上采样处理结果;
将同一层级的下采样处理结果和上采样处理结果进行跳跃连接处理,直至对所有层级处理结束,得到对应不同分辨率和多尺度大小的多层输出结果。
6.根据权利要求5所述的方法,其特征在于,所述多层输出结果包括:用于标识所述肺裂数据的第一体素数据,和/或用于标识所述肺叶数据的第二体素数据;
所述方法还包括:将所述第一体素数据和/或所述第二体素数据作为用于训练所述肺叶分割网络的训练数据。
7.根据权利要求5所述的方法,其特征在于,所述将同一层级的下采样处理结果和上采样处理结果进行跳跃连接处理,包括:
将所述同一层级的下采样处理结果和上采样处理结果中同一尺度的特征进行融合,得到跳跃处理结果。
8.一种图像分割装置,其特征在于,所述装置包括:
分割网络获得单元,用于根据肺部图像中的肺叶数据和肺裂数据得到肺叶分割网络;
位置确定单元,用于根据所述肺叶分割网络,确定所述肺部图像中目标肺叶所在的位置。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910315130.7A CN110060262A (zh) | 2019-04-18 | 2019-04-18 | 一种图像分割方法及装置、电子设备和存储介质 |
JP2021534283A JP2022515722A (ja) | 2019-04-18 | 2019-09-25 | 画像セグメンテーション方法及び装置、電子機器並びに記憶媒体 |
KR1020217018707A KR20210107667A (ko) | 2019-04-18 | 2019-09-25 | 이미지 분할 방법 및 장치, 전자 기기 및 저장 매체 |
PCT/CN2019/107850 WO2020211293A1 (zh) | 2019-04-18 | 2019-09-25 | 一种图像分割方法及装置、电子设备和存储介质 |
TW108137871A TWI713054B (zh) | 2019-04-18 | 2019-10-21 | 圖像分割方法及裝置、電子設備和儲存媒體 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910315130.7A CN110060262A (zh) | 2019-04-18 | 2019-04-18 | 一种图像分割方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110060262A true CN110060262A (zh) | 2019-07-26 |
Family
ID=67319606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910315130.7A Pending CN110060262A (zh) | 2019-04-18 | 2019-04-18 | 一种图像分割方法及装置、电子设备和存储介质 |
Country Status (5)
Country | Link |
---|---|
JP (1) | JP2022515722A (zh) |
KR (1) | KR20210107667A (zh) |
CN (1) | CN110060262A (zh) |
TW (1) | TWI713054B (zh) |
WO (1) | WO2020211293A1 (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942453A (zh) * | 2019-11-21 | 2020-03-31 | 山东众阳健康科技集团有限公司 | 一种基于神经网络的ct影像肺叶识别方法 |
CN111311541A (zh) * | 2020-01-15 | 2020-06-19 | 深圳前海微众银行股份有限公司 | 肺裂隙平面的运动位移确定方法、装置及存储介质 |
CN111563902A (zh) * | 2020-04-23 | 2020-08-21 | 华南理工大学 | 一种基于三维卷积神经网络的肺叶分割方法及系统 |
CN111626998A (zh) * | 2020-05-22 | 2020-09-04 | 深圳前海微众银行股份有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111738998A (zh) * | 2020-06-12 | 2020-10-02 | 深圳技术大学 | 病灶位置动态检测方法及装置、电子设备和存储介质 |
WO2020211293A1 (zh) * | 2019-04-18 | 2020-10-22 | 北京市商汤科技开发有限公司 | 一种图像分割方法及装置、电子设备和存储介质 |
CN112348794A (zh) * | 2020-11-05 | 2021-02-09 | 南京天智信科技有限公司 | 基于注意力增强u型网络的超声乳腺肿瘤自动分割方法 |
CN112561884A (zh) * | 2020-02-24 | 2021-03-26 | 广州柏视医疗科技有限公司 | 肺气管和血管的分段命名系统 |
WO2021056916A1 (zh) * | 2019-09-29 | 2021-04-01 | 浪潮电子信息产业股份有限公司 | 一种医学图像分割方法、装置、设备及可读存储介质 |
CN112801964A (zh) * | 2021-01-20 | 2021-05-14 | 中国人民解放军总医院 | 肺部ct图像的多标签智能检测方法、装置、设备和介质 |
CN112950553A (zh) * | 2021-02-05 | 2021-06-11 | 慧影医疗科技(北京)有限公司 | 一种多尺度肺叶分割方法、系统、存储介质及电子设备 |
CN113496496A (zh) * | 2021-07-07 | 2021-10-12 | 中南大学 | 基于多种损失和多尺度特征的mri影像海马体区域分割方法 |
CN113870167A (zh) * | 2020-06-11 | 2021-12-31 | 通用电气精准医疗有限责任公司 | 用于对肺部图像进行分割的方法、系统以及存储介质 |
CN114627139A (zh) * | 2022-03-18 | 2022-06-14 | 中国科学院自动化研究所 | 基于像素特征学习的无监督图像分割方法、装置及设备 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508974B (zh) * | 2020-12-14 | 2024-06-11 | 北京达佳互联信息技术有限公司 | 图像分割模型的训练方法、装置、电子设备和存储介质 |
CN112560945B (zh) * | 2020-12-14 | 2024-08-09 | 珠海格力电器股份有限公司 | 一种基于情绪识别的设备控制方法及系统 |
CN112561917A (zh) * | 2020-12-22 | 2021-03-26 | 上海联影智能医疗科技有限公司 | 图像的分段方法、系统、电子设备及可读存储介质 |
CN112749801A (zh) * | 2021-01-22 | 2021-05-04 | 上海商汤智能科技有限公司 | 神经网络训练和图像处理方法及装置 |
CN112651969B (zh) * | 2021-02-08 | 2023-04-07 | 福州大学 | 结合多信息融合网络和区域增长的气管树分级提取方法 |
CN113762265B (zh) * | 2021-08-27 | 2024-05-07 | 慧影医疗科技(北京)股份有限公司 | 肺炎的分类分割方法及系统 |
CN115063433B (zh) * | 2022-04-29 | 2024-08-23 | 深圳技术大学 | 肺图像的处理方法及装置、电子设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784647A (zh) * | 2017-09-29 | 2018-03-09 | 华侨大学 | 基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统 |
CN109636808A (zh) * | 2018-11-27 | 2019-04-16 | 杭州健培科技有限公司 | 一种基于全卷积神经网络的肺叶分割方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10107765A1 (de) * | 2001-02-17 | 2002-08-29 | Siemens Ag | Verfahren zur Bildbearbeitung ausgehend von einem unter Verwendung eines Kontrastmittels aufgenommenen Computertomographie(CT)-Bildes einer Lunge und CT-Gerät zur Durchführung eines solchen Verfahrens |
CN104700118A (zh) * | 2015-03-18 | 2015-06-10 | 中国科学院自动化研究所 | 基于卷积神经网络的肺结节良恶性预测方法 |
CN107230204B (zh) * | 2017-05-24 | 2019-11-22 | 东北大学 | 一种从胸部ct图像中提取肺叶的方法及装置 |
EP3633612A4 (en) * | 2017-06-30 | 2020-06-03 | Shanghai United Imaging Healthcare Co., Ltd. | IMAGE SEGMENTATION METHOD AND SYSTEM |
CN107909581B (zh) * | 2017-11-03 | 2019-01-29 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割方法、装置、系统、存储介质及设备 |
CN110060262A (zh) * | 2019-04-18 | 2019-07-26 | 北京市商汤科技开发有限公司 | 一种图像分割方法及装置、电子设备和存储介质 |
-
2019
- 2019-04-18 CN CN201910315130.7A patent/CN110060262A/zh active Pending
- 2019-09-25 JP JP2021534283A patent/JP2022515722A/ja active Pending
- 2019-09-25 KR KR1020217018707A patent/KR20210107667A/ko unknown
- 2019-09-25 WO PCT/CN2019/107850 patent/WO2020211293A1/zh active Application Filing
- 2019-10-21 TW TW108137871A patent/TWI713054B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784647A (zh) * | 2017-09-29 | 2018-03-09 | 华侨大学 | 基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统 |
CN109636808A (zh) * | 2018-11-27 | 2019-04-16 | 杭州健培科技有限公司 | 一种基于全卷积神经网络的肺叶分割方法 |
Non-Patent Citations (1)
Title |
---|
郭佑民 等: "《结核病影像诊断学教程》", 31 May 2018 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020211293A1 (zh) * | 2019-04-18 | 2020-10-22 | 北京市商汤科技开发有限公司 | 一种图像分割方法及装置、电子设备和存储介质 |
WO2021056916A1 (zh) * | 2019-09-29 | 2021-04-01 | 浪潮电子信息产业股份有限公司 | 一种医学图像分割方法、装置、设备及可读存储介质 |
CN110942453A (zh) * | 2019-11-21 | 2020-03-31 | 山东众阳健康科技集团有限公司 | 一种基于神经网络的ct影像肺叶识别方法 |
CN111311541A (zh) * | 2020-01-15 | 2020-06-19 | 深圳前海微众银行股份有限公司 | 肺裂隙平面的运动位移确定方法、装置及存储介质 |
CN112561884A (zh) * | 2020-02-24 | 2021-03-26 | 广州柏视医疗科技有限公司 | 肺气管和血管的分段命名系统 |
CN111563902A (zh) * | 2020-04-23 | 2020-08-21 | 华南理工大学 | 一种基于三维卷积神经网络的肺叶分割方法及系统 |
CN111563902B (zh) * | 2020-04-23 | 2022-05-24 | 华南理工大学 | 一种基于三维卷积神经网络的肺叶分割方法及系统 |
CN111626998A (zh) * | 2020-05-22 | 2020-09-04 | 深圳前海微众银行股份有限公司 | 图像处理方法、装置、设备及存储介质 |
CN113870167A (zh) * | 2020-06-11 | 2021-12-31 | 通用电气精准医疗有限责任公司 | 用于对肺部图像进行分割的方法、系统以及存储介质 |
CN111738998A (zh) * | 2020-06-12 | 2020-10-02 | 深圳技术大学 | 病灶位置动态检测方法及装置、电子设备和存储介质 |
CN111738998B (zh) * | 2020-06-12 | 2023-06-23 | 深圳技术大学 | 病灶位置动态检测方法及装置、电子设备和存储介质 |
CN112348794A (zh) * | 2020-11-05 | 2021-02-09 | 南京天智信科技有限公司 | 基于注意力增强u型网络的超声乳腺肿瘤自动分割方法 |
CN112801964A (zh) * | 2021-01-20 | 2021-05-14 | 中国人民解放军总医院 | 肺部ct图像的多标签智能检测方法、装置、设备和介质 |
CN112950553A (zh) * | 2021-02-05 | 2021-06-11 | 慧影医疗科技(北京)有限公司 | 一种多尺度肺叶分割方法、系统、存储介质及电子设备 |
CN113496496A (zh) * | 2021-07-07 | 2021-10-12 | 中南大学 | 基于多种损失和多尺度特征的mri影像海马体区域分割方法 |
CN114627139A (zh) * | 2022-03-18 | 2022-06-14 | 中国科学院自动化研究所 | 基于像素特征学习的无监督图像分割方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2020211293A1 (zh) | 2020-10-22 |
JP2022515722A (ja) | 2022-02-22 |
TWI713054B (zh) | 2020-12-11 |
KR20210107667A (ko) | 2021-09-01 |
TW202040587A (zh) | 2020-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060262A (zh) | 一种图像分割方法及装置、电子设备和存储介质 | |
US20210158533A1 (en) | Image processing method and apparatus, and storage medium | |
JP7084457B2 (ja) | 画像の生成方法、生成装置、電子機器、コンピュータ可読媒体およびコンピュータプログラム | |
CN108399409B (zh) | 图像分类方法、装置及终端 | |
CN109614876A (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN108764069A (zh) | 活体检测方法及装置 | |
CN109618184A (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN106651955A (zh) | 图片中目标物的定位方法及装置 | |
CN109816764A (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN109166107A (zh) | 一种医学图像分割方法及装置、电子设备和存储介质 | |
CN109978886A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109614613A (zh) | 图像的描述语句定位方法及装置、电子设备和存储介质 | |
CN110210487A (zh) | 一种图像分割方法及装置、电子设备和存储介质 | |
CN110458218A (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
CN109902738A (zh) | 网络模块和分配方法及装置、电子设备和存储介质 | |
CN108260020A (zh) | 在全景视频中显示互动信息的方法和装置 | |
CN109711546A (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
EP4300431A1 (en) | Action processing method and apparatus for virtual object, and storage medium | |
CN106875446B (zh) | 相机重定位方法及装置 | |
CN110532956A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109840917A (zh) | 图像处理方法及装置、网络训练方法及装置 | |
CN110532957A (zh) | 人脸识别方法及装置、电子设备和存储介质 | |
KR20230078756A (ko) | 이미지 애니메이션을 위한 방법, 시스템 및 컴퓨터 판독가능 저장 매체 | |
CN109920016A (zh) | 图像生成方法及装置、电子设备和存储介质 | |
WO2024041235A1 (zh) | 图像处理方法、装置、设备、存储介质及程序产品 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40004463 Country of ref document: HK |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190726 |