CN110599505A - 一种器官图像分割方法、装置、电子设备和存储介质 - Google Patents
一种器官图像分割方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110599505A CN110599505A CN201910877982.5A CN201910877982A CN110599505A CN 110599505 A CN110599505 A CN 110599505A CN 201910877982 A CN201910877982 A CN 201910877982A CN 110599505 A CN110599505 A CN 110599505A
- Authority
- CN
- China
- Prior art keywords
- image
- organ
- segmentation
- initial
- 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.)
- Pending
Links
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10—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]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种器官图像分割方法、装置、电子设备和存储介质,所述方法包括:采用预先训练好的神经网络模型对待分割器官图像进行分割,得到初始器官分割图像;根据初始器官分割图像计算区域生长的种子点位置和合并阈值;以及根据种子点位置和合并阈值,采用区域生长法对待分割器官图像进行分割,以获得最终的器官图像。本发明不仅减少了人机交互的繁琐操作,而且可以提高图像分割效率,进而可以更好地辅助医生。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种器官图像分割方法、装置、电子设备和存储介质。
背景技术
血管疾病尤其是心血管疾病,已经成为威胁人类生命安全的主要疾病之一。在手术过程中,医生通过血管成像技术来辅助诊断各种血管疾病,例如钙化、主动脉夹层、动脉瘤等。
血管成像技术包括计算机断层血管造影(CTA)、核磁共振血管造影(MRA)等。血管成像得到的是三维影像,该影像不仅有血管组织同时还包含血管周围其他组织(骨骼,脂肪,肌肉,肺组织等),无法给医生带来精准诊断。所以,从三维影像中提取整个血管区域,并以三维显示技术展示血管的形态,会提高医生诊断准确率。
虽然目前已经有很多血管分割的技术,但血管分割问题仍然是一个非常具有挑战性的任务。目前血管分割方法主要以手动和半自动为主,已有的半自动血管分割方法大致可以分为两类:自顶向下和自底向上。
其中,手动血管分割方法需要花费大量的时间和精力。自顶向下的半自动分割方法需要人为输入种子点作为开始条件,然后基于目标误差迭代合并邻近的区域,最后生成图像,但该方法不仅需要人为输入种子点信息,还需要人为输入目标误差值。自底向上的半自动分割方法利用管状检测滤波器来分割血管,虽然不需要人为输入初始化信息,但是该方法计算开销大,受噪声影响大且在对比度较低的区域无法得到完整的血管结构。
发明内容
本发明的目的在于提供一种器官图像分割方法、装置、电子设备和存储介质,以减少人机交互的繁琐操作以及提高图像分割的效率。
为达到上述目的,本发明提供一种器官图像分割方法,包括:
采用预先训练好的神经网络模型对待分割器官图像进行分割,得到初始器官分割图像;
根据所述初始器官分割图像计算区域生长的种子点位置和合并阈值;以及
根据所述种子点位置和合并阈值,采用区域生长法对所述待分割器官图像进行分割,以获得最终的器官图像。
可选的,在采用预先训练好的神经网络模型对待分割器官图像进行分割之前,所述方法还包括:
对所述待分割器官图像进行预处理,以滤除所述待分割器官图像中的噪声。
可选的,所述神经网络模型为深度全卷积网络模型。
可选的,所述深度全卷积网络模型通过以下步骤训练得到:
获取原始训练样本,所述原始训练样本包括原始器官训练图像和与所述原始器官训练图像对应的标签图像,所述标签图像为已标注出器官的器官图像;
对所述原始训练样本进行扩展,得到扩展后的训练样本,所述扩展后的训练样本包括扩展后的器官训练图像和与所述扩展后的器官训练图像对应的标签图像;
设置深度全卷积网络模型的模型参数的初始值;以及
根据所述扩展后的训练样本和模型参数的初始值对预先搭建的深度全卷积网络模型进行训练,直至满足预设训练结束条件。
可选的,所述根据所述扩展后的训练样本和模型参数的初始值对预先搭建的深度全卷积网络模型进行训练,具体为:
根据所述扩展后的训练样本和模型参数的初始值采用随机梯度下降法对预先搭建的深度全卷积网络模型进行训练。
可选的,所述预设训练结束条件为扩展后的训练样本中的器官图像的预测结果与对应的标签图像的误差值收敛到预设误差值。
可选的,所述根据所述扩展后的训练样本和模型参数的初始值采用随机梯度下降法对预先搭建的深度全卷积网络模型进行训练,具体包括:
步骤A:将扩展后的器官图像作为深度全卷积网络模型的输入,根据模型参数的初始值,获取所述扩展后的器官图像的预测结果;
步骤B:根据所述预测结果和所述扩展后的器官图像对应的标签图像,计算损失函数值;以及
步骤C:判断所述损失函数值是否收敛到预设值,如果是,训练结束,如果否,调整模型参数,并将所述模型参数的初始值更新为调整后的模型参数,返回执行所述步骤A。
可选的,所述根据所述初始器官分割图像计算区域生长的种子点位置,具体包括:
采用最大连通域法去除所述初始器官分割图像上的小目标区域,以获得区域图像;以及
根据体数据,选择所述区域图像的至少一层的二维图像作为种子点所在区域,分别进行最大连通域分析,并将最大连通域的中心点作为种子点。
可选的,所述合并阈值包括上限阈值和下限阈值,所述上限阈值和所述下限阈值的计算步骤包括:
计算所述初始器官分割图像的像素值的均值和标准差;以及
根据所述像素值的均值和标准差计算所述上限阈值和所述下限阈值,其中,上限阈值=均值+标准差,下限阈值=均值-标准差。
可选的,所述均值和所述标准差通过如下步骤得到:
对所述初始器官分割图像进行图像直方图统计,以获得图像直方图;
根据所述图像直方图进行正态分布曲线的拟合;以及
根据拟合出来的正态分布曲线计算得到所述均值和标准差。
为达到上述目的,本发明还提供一种器官图像分割装置,包括:
第一分割模块,用于采用预先训练好的神经网络模型对待分割器官图像进行分割,得到初始器官分割图像;
计算模块,用于根据所述初始器官分割图像计算区域生长的种子点位置和合并阈值;以及
第二分割模块,用于根据所述种子点位置和合并阈值,采用区域生长法对所述待分割器官图像进行分割,以获得最终的器官图像。
可选的,所述器官图像分割装置还包括:
预处理模块,用于对所述待分割器官图像进行预处理,以滤除所述待分割器官图像中的噪声。
可选的,所述神经网络模型为深度全卷积网络模型。
可选的,所述计算模块包括:
去除子模块,用于采用最大连通域法去除所述初始器官分割图像上的小目标区域,以获得区域图像;以及
分析子模块,用于根据体数据,选择所述区域图像的至少一层的二维图像作为种子点所在区域,分别进行最大连通域分析,并将最大连通域的中心点作为种子点。
可选的,所述合并阈值包括上限阈值和下限阈值,所述计算模块包括:
第一计算子模块,用于计算所述初始器官分割图像的像素值的均值和标准差;以及
第二计算子模块,用于根据所述像素值的均值和标准差计算所述上限阈值和所述下限阈值,其中,上限阈值=均值+标准差,下限阈值=均值-标准差。
可选的,所述第一计算子模块,具体用于:
对所述初始器官分割图像进行图像直方图统计,以获得图像直方图;
根据所述图像直方图进行正态分布曲线的拟合;以及
根据拟合出来的正态分布曲线计算得到所述均值和所述标准差。
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,实现上文所述的器官图像分割方法。
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,实现上文所述的器官图像分割方法。
与现有技术相比,本发明提供的器官图像分割方法、装置、电子设备和存储介质具有以下优点:本发明通过采用预先训练好的神经网络模型对待分割器官图像进行分割,得到初始器官分割图像;根据所述初始器官分割图像计算区域生长的种子点位置和合并阈值;以及根据所述种子点位置和合并阈值,采用区域生长法对所述待分割器官图像进行分割,以获得最终的器官图像。本发明可以自动选择种子点作为区域生长的初始种子条件,通过迭代合并得到最终的器官图像,由此不需要人为输入种子点信息和目标误差值,从而不仅减少了人机交互的繁琐操作,而且可以提高图像分割效率,进而可以更好地辅助医生。
附图说明
图1为本发明一实施方式的器官图像分割方法的流程图;
图2为本发明中的预处理后的待分割器官图像的一具体示例;
图3为采用神经网络模型对图2所示的待分割器官图像进行分割得到的初始器官分割图像的示意图;
图4为图3所示的初始器官分割图像的三维模型图像;
图5a为图3所示的初始分割器官图像在1/3处的二维图像的最大连通域示意图;
图5b为图3所示的初始分割器官图像在中间处的二维图像的最大连通域示意图;
图5c为图3所示的初始分割器官图像在2/3处的二维图像的最大连通域示意图;
图6为根据图3所示的初始器官分割图像统计得到的图像直方图以及根据所述图像直方图拟合出来的正态分布曲线的示意图;
图7为采用区域生长法对图2所示的待分割器官图像进行分割得到的最终的器官图像的示意图;
图8为图7所示的最终的器官图像的三维模型图像;
图9为本发明一实施方式的器官图像分割装置的方框结构示意图;
图10为本发明一实施方式的电子设备的方框结构示意图。
其中,附图标记如下:
第一分割模块-201;计算模块-202;第二分割模块-203;处理器-301;通信接口-302;存储器-303;通信总线-304。
具体实施方式
以下结合附图1至10和具体实施例对本发明提出的一种器官图像分割方法、装置、电子设备和存储介质作进一步详细说明。根据下面说明和权利要求书,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例的目的。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,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,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器官图像分割方法、装置、电子设备和存储介质,以减少人机交互的繁琐操作以及提高图像分割的效率。
需要说明的是,本发明实施方式的器官图像分割方法可应用于本发明实施方式的器官图像分割装置,该器官图像分割装置可为独立的装置或者被配置于电子设备上,其中,该电子设备可以是计算机设备、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系统的硬件设备。
为实现上述思想,本发明提供一种器官图像分割方法,请参考图1,示意性地给出了本发明一实施方式提供的器官图像分割方法的流程图,如图1所示,所述器官图像分割方法包括如下步骤:
步骤S101:采用预先训练好的神经网络模型对待分割器官图像进行分割,得到初始器官分割图像。
在本发明中,所述待分割器官图像可以是包括血管的图像,也可以是包括其他的组织器官的图像,本发明对此并不进行限制。所述待分割器官图像可以是CTA(计算机断层血管造影)体数据(三维数据)图像,也可以是MRA(核磁共振血管造影)图像,还可以是其它的医学图像。为了便于后续操作及提高图像分割效率,所述待分割器官图像优选为灰度图像。需要说明的是,所述待分割器官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,例如所述待分割器官图像的大小可为512×512×130像素。
所述待分割器官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。
优选的,在执行步骤S101之前,所述方法还包括:对所述待分割器官图像进行预处理,以滤除所述待分割器官图像中的噪声。由此,通过对所述待分割器官图像进行预处理,可以有效滤除所述待分割器官图像中的噪声信息,从而可以有效提高所述待分割器官图像的图像质量。对应的,步骤S101中,采用预先训练好的神经网络模型对预处理后的待分割器官图像进行分割,进而可以进一步提高器官的分割准确度。具体地,可采用三维高斯滤波器滤除所述待分割器官图像中的噪声信息,此外,还可以采用其他常用的滤波器对所述待分割器官图像进行预处理,本发明对此并不进行限制。请参考图2,其示意性地给出了本发明中的预处理后的待分割器官图像的一具体示例。
请参考图3,其示意性地给出了采用神经网络模型对图2所示的待分割器官图像进行分割得到的初始器官分割图像的示意图,在此以初始血管分割图像作为实施例进行说明。同时为了便于用户观看分割后的器官图像(例如血管图像),本发明在采用预先训练好的神经网络模型对所述待分割器官图像进行分割,得到初始器官分割图像时,还会提供所述初始器官分割图像的三维模型图像。
优选的,所述神经网络模型为深度全卷积网络模型。所述深度全卷积网络模型包括编码网络和解码网络,所述编码网络用于从图像中学习器官的有用特征信息,所述解码网络用于根据学到的特征信息,找到该特征信息所在的区域位置。所述解码网络由卷积层、残差连接和最大池化层组合级联构成,其中所述卷积层用于学习表达图像中的有用特征信息,所述最大池化层用于在保留有用特征信息的同时,减小图像大小,所述残差连接是将输入信息与输出信息直接相加,以方便后续的优化学习。所述编码网络由反卷积层和卷积层级联构成,其中的卷积层用于学习表达图像中的有用特征信息,反卷积层用于将图像大小增大;合并层用于将解码网络中的卷积层的输出与反卷积的输出进行拼接结合。其中,每个反卷积层的输出与相应的解码网络中的卷积层的输出进行拼接,作为卷积层的输入。
优选的,所述深度全卷积网络模型通过以下步骤训练得到:
获取原始训练样本,所述原始训练样本包括原始器官训练图像和与所述原始器官训练图像对应的标签图像,所述标签图像为已标注出器官的器官图像;
对所述原始训练样本进行扩展,得到扩展后的训练样本,所述扩展后的训练样本包括扩展后的器官训练图像和与所述扩展后的器官训练图像对应的标签图像;
设置深度全卷积网络模型的模型参数的初始值;以及
根据所述扩展后的训练样本和模型参数的初始值对预先搭建的深度全卷积网络模型进行训练,直至满足预设训练结束条件。
由于原始训练样本的数据有限,而深度学习需要在一定数据上进行学习才能具有一定的鲁棒性,为了增加鲁棒性,需要做数据扩增操作,以增加所述深度全卷积网络模型的泛化能力。具体地,可以通过对所述原始器官训练图像和对应的标签图像分别进行相同的随机刚性变换,具体包括:旋转、缩放、平移、翻转和灰度变换。更具体地,可以对所述原始器官训练图像和对应的标签图像分别进行上下平移-20到20个像素、左右平移-20到20个像素、旋转-20°到20°、水平翻转、垂直翻转、上下对称变换、缩放0.8到1.2倍、左右对称变换、灰度变换,以完成对器官图像的数据扩增。通过上述变换,可以将原先的例如20张图像扩增到2000张,可以用其中的1500张图像进行模型训练,用剩余的500张进行模型测试。
优选的,为了提高模型的准确性,在生成扩展后的训练样本后,进行模型训练之前,还可以对扩展后的训练样本进行预处理,以去除图像中的噪音,提高训练样本的图像质量。
深度全卷积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,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。学习率可以看作是步长。
举例而言,本发明可以设置学习率为0.001,隐藏层个数分别为16、32、64、128、256、512,卷积核大小为3×3,训练迭代次数为30000次,每次迭代批次大小为4。
优选的,所述预设训练结束条件为扩展后的训练样本中的器官图像的预测结果与对应的标签图像的误差值收敛到预设误差值。深度全卷积网络模型的训练目的是为了由该模型得到的器官分割结果与真实准确的器官分割结果相近,也就是,两者的误差缩小到一定范围,因此,预设训练结束条件可以为扩展后的训练样本中的器官图像的预测结果与对应的标签图像的误差值收敛到预设误差值。此外,深度全卷积网络模型的训练过程为一个多次循环迭代过程,因此,可以通过设置迭代多少次结束训练,因此,预设训练结束条件可以为迭代次数达到预设迭代次数。
优选的,上述根据所述扩展后的训练样本和模型参数的初始值对预先搭建的深度全卷积网络模型进行训练,具体为:根据所述扩展后的训练样本和模型参数的初始值采用随机梯度下降法对预先搭建的深度全卷积网络模型进行训练。由于,模型训练过程实际上是最小化损失函数的过程,而求导数可以快速简单地实现这个目标,这种求导数的方法就是梯度下降法。由此,采用梯度下降法来训练深度全卷积网络模型,可以快速简单地实现深度全卷积网络模型的训练。
本发明深度学习中主要利用梯度下降法来训练模型,然后再使用反向传播算法来更新优化网络模型中的权重参数和偏置参数。具体地,采用梯度下降法判断曲线斜率最大的地方为越快到达最优值的方向,反向传播法是采用概率学的链式求导方法来求偏导数以更新权重,通过不断迭代训练来更新参数,以学习到图像。反向传播算法更新权重参数和偏置参数的方法如下:
1、首先进行前向传播,通过不断迭代训练来更新参数,以学习到图像,并且计算所有层(卷积层,反卷积层)的激活值,即图像经过卷积操作后以得到激活图像;
2、对输出层(第nl层),计算敏感值
其中,y为样本真实值,为输出层的预测值,表示输出层参数的偏导数;
3、对于l=nl-1,nl-2,.....的各层,计算敏感值
其中,Wl表示第l层的权重参数,δl+1表示第l+1层的敏感值,f'(zl)表示第l层的偏导数;
4、更新每层的权重参数和偏置参数:
其中,Wl和bl分别表示l层的权重参数和偏置参数,为学习率,al表示第l层的输出值,δl+1表示l+1层的敏感值。
优选的,上述根据所述扩展后的训练样本和模型参数的初始值采用随机梯度下降法对预先搭建的深度全卷积网络模型进行训练,具体包括:
步骤A:将扩展后的器官图像作为深度全卷积网络模型的输入,根据模型参数的初始值,获取所述扩展后的器官图像的预测结果;
步骤B:根据所述预测结果和所述扩展后的器官图像对应的标签图像,计算损失函数值;以及
步骤C:判断所述损失函数值是否收敛到预设值,如果是,训练结束,如果否,调整模型参数,并将所述模型参数的初始值更新为调整后的模型参数,返回执行所述步骤A。
当损失函数值未收敛到预设值时,表示深度全卷积网络模型还不准确,需要继续对该模型进行训练,如此,则调整模型参数,并将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A,进入下一次迭代过程。
本发明中的损失函数L(W,b)表示为:
其中,W和b表示深度全卷积网络的权重参数和偏置参数,m为训练样本的数量,m为正整数,xi表示输入的第i个训练样本,fW,b(xi)表示第i个训练样本的预测结果,yi表示第i个训练样本的对应的标签图像,K是平滑参数,防止分母为零无法计算。
步骤S102:根据所述初始器官分割图像计算区域生长的种子点位置和合并阈值。
区域生长法是将图像中具有相似性质的像素结合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点,然后将种子像素周围邻域中与种子像素有相同或相似性质的像素(根据预先确定的生长或相似准则来判定)合并到种子像素所在的区域。将这些新像素当做新的种子像素继续进行上面的过程,直到再没有满足条件的像素可被包括进来,这样一个区域就长成了。
优选的,所述根据所述初始器官分割图像计算区域生长的种子点位置,具体包括:
采用最大连通域法去除所述初始器官分割图像上的小目标区域,以获得区域图像;以及
根据体数据,选择所述区域图像的至少一层的二维图像作为种子点所在区域,分别进行最大连通域分析,并将最大连通域的中心点作为种子点。
一个连通域表示具有相同像素点的集合,其中像素点个数最多的即为最大连通域。本发明中,在采用最大连通域法去除所述初始器官分割图像上的小目标区域时,统计每个连通域的像素点的个数,将那些与最大连通域的像素点的个数相差较多的连通域对应的区域作为小目标区域去除,从而获得区域图像。例如,可以将那些像素点的个数达不到最大连通域的像素点个数的百分之一的连通域作为小目标区域去除。
本发明实施例中,在选择所述区域图像的至少一层的二维图像作为种子点所在区域时,具体可以根据待分割器官所在方向,将所述区域图像划分为若干层,例如当所述待分割器官为血管时,沿血管所在方向,将所述区域图像划分为若干层,选取所述区域图像的至少一层的二维图像作为种子点所在区域。优选的,为了进一步提高图像分割的效率,可以在所述区域图像中选择多层的二维图像作为种子点所在区域,例如可以沿器官所在方向,选择所述区域图像的1/3处、中间处以及2/3处的二维图像作为种子点所在区域。需要说明的是,具体选择多少层二维图像以及各层二维图像在所述区域图像中的位置,可以根据具体情况进行设置,本发明对此并不做限定。在选择好作为种子点所在区域的二维图像后,分别对这些二维图像进行最大连通域分析,以找到各个二维图像的最大连通域,并将找到的各最大连通域的中心点作为种子点。例如,当选择所述区域图像的1/3处、中间处以及2/3处的二维图像作为种子点所在区域时,分别对所述区域图像的1/3处、中间处以及2/3处的二维图像进行最大连通域分析,以找到各自的最大连通域,请参考图5a-5c,其中图5a示意性地给出了图3所示的初始分割器官图像在1/3处的二维图像的最大连通域示意图,图5b示意性地给出了图3所示的初始分割器官图像在中间处的二维图像的最大连通域示意图,图5c示意性地给出了图3所示的初始分割器官图像在2/3处的二维图像的最大连通域示意图,将这三个最大连通域的中心点分别作为一个种子点,即1/3处的二维图像的最大连通域的中心点作为一个种子点,中间处的二维图像的最大连通域的中心点作为一个种子点,2/3处的二维图像的最大连通域的中心点作为一个种子点。由此可见,本发明无需人为输入种子点,而是自动计算种子点位置,从而可以有效提高图像的分割效率。
优选的,所述合并阈值包括上限阈值和下限阈值。由此,在采用区域生成法将图像中具有类似特性的点进行合并时,合并规则为:判断与种子点相邻的像素点是否在上、下限阈值范围内,如果在上、下限阈值范围内就合并该像素点,否则就不合并该像素点。
优选的,所述上限阈值和所述下限阈值的计算步骤包括:
计算所述初始器官分割图像的像素值的均值和标准差;以及
根据所述像素值的均值和标准差计算所述上限阈值和所述下限阈值,其中,上限阈值=均值+标准差,下限阈值=均值-标准差。
优选的,请参考图6,其示意性地给出了根据图3所示的初始器官分割图像统计得到的图像直方图以及根据所述图像直方图拟合出来的正态分布曲线的示意图,其中图6中的柱状图表示图像直方图,曲线表示拟合出来的正态分布曲线。如图6所示,所述均值和所述标准差通过如下步骤得到:
对所述初始器官分割图像进行图像直方图(如图6所示)统计,以获得图像直方图;
根据所述图像直方图进行正态分布曲线的拟合;以及
根据拟合出来的正态分布曲线计算得到所述均值和标准差。
如图6所示,本发明中的图像直方图是用来表示初始器官分割图像的像素值分布的直方图,图像直方图中统计了每个像素值的像素点个数,通过对所述图像直方图进行拟合,得到正态分布曲线,进而可以根据所述正态分布曲线,计算出所述初始器官分割图像的像素值均值和标准差。
步骤S103:根据所述种子点位置和合并阈值,采用区域生长法对所述待分割器官图像进行分割,以获得最终的器官图像。
由此,将步骤S102中获得的种子点作为区域生长的初始种子点,将步骤S102中获得的合并阈值作为生长法则的标准,采用区域生成法对所述待分割器官图像进行分割,从而获得最终的器官图像。
对应的,若在执行步骤S101之前,对所述待分割器官图像进行了预处理,则步骤S103为,根据所述种子点位置和合并阈值,采用区域生长法对预处理后的所述待分割器官图像进行分割,以获得最终的器官图像。从而可以进一步提高器官分割的准确度。
请参考图7,其示意性给出了采用区域生长法对图2所示的待分割器官图像进行分割得到的最终的器官图像(血管图像)的示意图,如图7所示,本发明可以将器官(例如血管)图像从复杂的图像中分割出来,方便医生观察,本发明可以实现器官图像的自动分割,操作简单,需要花费的时间较少,可以为临床手术提供准确的器官图像,并且可以为后续的器官三维重建打下基础,请参考图8,示意性地给出了图7所示的最终的器官图像的三维模型图像,从图8中可以清楚的看到最终的器官(血管)。尽管本发明实施方式中以将血管从器官图像中分割出来为例进行说明,但本发明不限于此,还包括从图像中分割出其它图像的方法、装置、设备等。
综上所述,本发明提供的器官图像分割方法具有以下优点:本发明提供的器官图像分割方法通过采用预先训练好的神经网络模型对待分割器官图像进行分割,得到初始器官分割图像;根据所述初始器官分割图像计算区域生长的种子点位置和合并阈值;以及根据所述种子点位置和合并阈值,采用区域生长法对所述待分割器官图像进行分割,以获得最终的器官图像。本发明可以自动选择种子点作为区域生长的初始种子条件,通过迭代合并得到最终的器官图像,由此不需要人为输入种子点信息和目标误差值,从而不仅减少了人机交互的繁琐操作,而且可以提高图像分割效率,进而可以更好地辅助医生。
与上述的器官图像分割方法相对应,本发明还提供一种器官图像分割装置,请参考图9,示意性地给出了本发明一实施方式的器官图像分割装置的结构框图,如图9所示,所述器官图像分割装置包括:
第一分割模块201,用于采用预先训练好的神经网络模型对待分割器官图像进行分割,得到初始器官分割图像;
计算模块202,用于根据所述初始器官分割图像计算区域生长的种子点位置和合并阈值;以及
第二分割模块203,用于根据所述种子点位置和合并阈值,采用区域生长法对所述待分割器官图像进行分割,以获得最终的器官图像。
优选的,所述器官图像分割装置还包括:
预处理模块,用于对所述待分割器官图像进行预处理,以滤除所述待分割器官图像中的噪声。
对应的,所述第一分割模块201,用于采用预先训练好的神经网络模型对预处理后的所述待分割器官图像进行分割,得到初始器官分割图像。
所述第二分割模块203,用于根据所述种子点位置和合并阈值,采用区域生长法对预处理后的所述待分割器官图像进行分割,以获得最终的器官图像。
优选的,所述神经网络模型为深度全卷积网络模型。
优选的,所述计算模块202包括:
去除子模块,用于采用最大连通域法去除所述初始器官分割图像上的小目标区域,以获得区域图像;以及
分析子模块,用于根据体数据,选择所述区域图像的至少一层的二维图像作为种子点所在区域,分别进行最大连通域分析,并将最大连通域的中心点作为种子点。
具体地,所述分析子模块,用于根据体数据,沿待分割器官所在方向,选择所述区域图像的1/3处、中间处以及2/3处的二维图像作为种子点所在区域,分别进行最大连通域分析,并将最大连通域的中心点作为种子点。
优选的,所述合并阈值包括上限阈值和下限阈值,所述计算模块203包括:
第一计算子模块,用于计算所述初始器官分割图像的像素值的均值和标准差;以及
第二计算子模块,用于根据所述像素值的均值和标准差计算所述上限阈值和所述下限阈值,其中,上限阈值=均值+标准差,下限阈值=均值-标准差。
优选的,所述第一计算子模块,具体用于:
对所述初始器官分割图像进行图像直方图统计,以获得图像直方图;
根据所述图像直方图进行正态分布曲线的拟合;以及
根据拟合出来的正态分布曲线计算得到所述均值和所述标准差。
与现有技术相比,本发明提供的器官图像分割装置具有以下优点:本发明提供的器官图像分割装置通过采用预先训练好的神经网络模型对所述待分割器官图像进行分割,得到初始器官分割图像;根据所述初始器官分割图像计算区域生长的种子点位置和合并阈值;以及根据所述种子点位置和合并阈值,采用区域生长法对所述待分割器官图像进行分割,以获得最终的器官图像。本发明可以自动选择种子点作为区域生长的初始种子条件,通过迭代合并得到最终的器官图像,由此不需要人为输入种子点信息和目标误差值,从而不仅减少了人机交互的繁琐操作,而且可以提高图像分割效率,进而可以更好地辅助医生。
基于同一发明构思,本发明还提供一种电子设备,请参考图10,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301和存储器303,所述存储器303上存储有计算机程序,所述计算机程序被所述处理器301执行时,实现上文所述的器官图像分割方法。
如图10所示,所述电子设备还包括通信接口302和通信总线304,其中所述处理器301、所述通信接口302、所述存储器303通过通信总线304完成相互间的通信。所述通信总线304可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线304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302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301可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器301、数字信号处理器301(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 GateArray,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301可以是微处理器301或者该处理器301也可以是任何常规的处理器301等,所述处理器301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303可用于存储所述计算机程序,所述处理器301通过运行或执行存储在所述存储器303内的计算机程序,以及调用存储在存储器303内的数据,实现所述电子设备的各种功能。
所述存储器303可以包括包括非易失性和/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。
与现有技术相比,本发明提供的电子设备具有以下优点:本发明提供的电子设备通过采用预先训练好的神经网络模型对待分割器官图像进行分割,得到初始器官分割图像;根据所述初始器官分割图像计算区域生长的种子点位置和合并阈值;以及根据所述种子点位置和合并阈值,采用区域生长法对所述待分割器官图像进行分割,以获得最终的器官图像。本发明可以自动选择种子点作为区域生长的初始种子条件,通过迭代合并得到最终的器官图像,由此不需要人为输入种子点信息和目标误差值,从而不仅减少了人机交互的繁琐操作,而且可以提高图像分割效率,进而可以更好地辅助医生。
本发明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器官图像分割方法。
与现有技术相比,本发明提供的可读存储介质具有以下优点:本发明提供的可读存储介质通过采用预先训练好的神经网络模型对所述待分割器官图像进行分割,得到初始器官分割图像;根据所述初始器官分割图像计算区域生长的种子点位置和合并阈值;以及根据所述种子点位置和合并阈值,采用区域生长法对所述待分割器官图像进行分割,以获得最终的器官图像。本发明可以自动选择种子点作为区域生长的初始种子条件,通过迭代合并得到最终的器官图像,由此不需要人为输入种子点信息和目标误差值,从而不仅减少了人机交互的繁琐操作,而且可以提高图像分割效率,进而可以更好地辅助医生。
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、红外线或半导体的系统、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系统、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系统、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)。
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。
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。
综上所述,与现有技术相比,本发明提供的器官图像分割方法、装置、电子设备和存储介质具有以下优点:本发明通过采用预先训练好的神经网络模型对待分割器官图像进行分割,得到初始器官分割图像;根据所述初始器官分割图像计算区域生长的种子点位置和合并阈值;以及根据所述种子点位置和合并阈值,采用区域生长法对所述待分割器官图像进行分割,以获得最终的器官图像。本发明可以自动选择种子点作为区域生长的初始种子条件,通过迭代合并得到最终的器官图像,由此不需要人为输入种子点信息和目标误差值,从而不仅减少了人机交互的繁琐操作,而且可以提高图像分割效率,进而可以更好地辅助医生。
上述描述仅是对本发明较佳实施例的描述,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,均属于权利要求书的保护范围。显然,本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。
Claims (18)
1.一种器官图像分割方法,其特征在于,包括:
采用预先训练好的神经网络模型对待分割器官图像进行分割,得到初始器官分割图像;
根据所述初始器官分割图像计算区域生长的种子点位置和合并阈值;以及
根据所述种子点位置和合并阈值,采用区域生长法对所述待分割器官图像进行分割,以获得最终的器官图像。
2.根据权利要求1所述的器官图像分割方法,其特征在于,在采用预先训练好的神经网络模型对待分割器官图像进行分割之前,所述方法还包括:
对所述待分割器官图像进行预处理,以滤除所述待分割器官图像中的噪声。
3.根据权利要求1所述的器官图像分割方法,其特征在于,所述神经网络模型为深度全卷积网络模型。
4.根据权利要求3所述的器官图像分割方法,其特征在于,所述深度全卷积网络模型通过以下步骤训练得到:
获取原始训练样本,所述原始训练样本包括原始器官训练图像和与所述原始器官训练图像对应的标签图像,所述标签图像为已标注出器官的器官图像;
对所述原始训练样本进行扩展,得到扩展后的训练样本,所述扩展后的训练样本包括扩展后的器官训练图像和与所述扩展后的器官训练图像对应的标签图像;
设置深度全卷积网络模型的模型参数的初始值;以及
根据所述扩展后的训练样本和所述模型参数的初始值对预先搭建的深度全卷积网络模型进行训练,直至满足预设训练结束条件。
5.根据权利要求4所述的器官图像分割方法,其特征在于,所述根据所述扩展后的训练样本和模型参数的初始值对预先搭建的深度全卷积网络模型进行训练,具体为:
根据所述扩展后的训练样本和模型参数的初始值采用随机梯度下降法对预先搭建的深度全卷积网络模型进行训练。
6.根据权利要求5所述的器官图像分割方法,其特征在于,所述预设训练结束条件为扩展后的训练样本中的器官图像的预测结果与对应的标签图像的误差值收敛到预设误差值。
7.根据权利要求6所述的器官图像分割方法,其特征在于,所述根据所述扩展后的训练样本和模型参数的初始值采用随机梯度下降法对预先搭建的深度全卷积网络模型进行训练,具体包括:
步骤A:将扩展后的器官图像作为深度全卷积网络模型的输入,根据模型参数的初始值,获取所述扩展后的器官图像的预测结果;
步骤B:根据所述预测结果和所述扩展后的器官图像对应的标签图像,计算损失函数值;以及
步骤C:判断所述损失函数值是否收敛到预设值,如果是,训练结束,如果否,调整模型参数,并将所述模型参数的初始值更新为调整后的模型参数,返回执行所述步骤A。
8.根据权利要求1所述的器官图像分割方法,其特征在于,所述根据所述初始器官分割图像计算区域生长的种子点位置,具体包括:
采用最大连通域法去除所述初始器官分割图像上的小目标区域,以获得区域图像;以及
根据体数据,选择所述区域图像的至少一层的二维图像作为种子点所在区域,分别进行最大连通域分析,并将所述最大连通域的中心点作为种子点。
9.根据权利要求1所述的器官图像分割方法,其特征在于,所述合并阈值包括上限阈值和下限阈值,所述上限阈值和所述下限阈值的计算步骤包括:
计算所述初始器官分割图像的像素值的均值和标准差;以及
根据所述像素值的均值和标准差计算所述上限阈值和所述下限阈值,其中,上限阈值=均值+标准差,下限阈值=均值-标准差。
10.根据权利要求9所述的器官图像分割方法,其特征在于,所述均值和所述标准差通过如下步骤得到:
对所述初始器官分割图像进行图像直方图统计,以获得图像直方图;
根据所述图像直方图进行正态分布曲线的拟合;以及
根据拟合出来的正态分布曲线计算得到所述均值和标准差。
11.一种器官图像分割装置,其特征在于,包括:
第一分割模块,用于采用预先训练好的神经网络模型对待分割器官图像进行分割,得到初始器官分割图像;
计算模块,用于根据所述初始器官分割图像计算区域生长的种子点位置和合并阈值;以及
第二分割模块,用于根据所述种子点位置和合并阈值,采用区域生长法对所述待分割器官图像进行分割,以获得最终的器官图像。
12.根据权利要求11所述的器官图像分割装置,其特征在于,所述器官图像分割装置还包括:
预处理模块,用于对所述待分割器官图像进行预处理,以滤除所述待分割器官图像中的噪声。
13.根据权利要求11所述的器官图像分割装置,其特征在于,所述神经网络模型为深度全卷积网络模型。
14.根据权利要求11所述的器官图像分割装置,其特征在于,所述计算模块包括:
去除子模块,用于采用最大连通域法去除所述初始器官分割图像上的小目标区域,以获得区域图像;以及
分析子模块,用于根据体数据,选择所述区域图像的至少一层的二维图像作为种子点所在区域,分别进行最大连通域分析,并将最大连通域的中心点作为种子点。
15.根据权利要求11所述的器官图像分割装置,其特征在于,所述合并阈值包括上限阈值和下限阈值,所述计算模块包括:
第一计算子模块,用于计算所述初始器官分割图像的像素值的均值和标准差;以及
第二计算子模块,用于根据所述像素值的均值和标准差计算所述上限阈值和所述下限阈值,其中,上限阈值=均值+标准差,下限阈值=均值-标准差。
16.根据权利要求15所述的器官图像分割装置,其特征在于,所述第一计算子模块,具体用于:
对所述初始器官分割图像进行图像直方图统计,以获得图像直方图;
根据所述图像直方图进行正态分布曲线的拟合;以及
根据拟合出来的正态分布曲线计算得到所述均值和所述标准差。
17.一种电子设备,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10中任一项所述的方法。
18.一种可读存储介质,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10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910877982.5A CN110599505A (zh) | 2019-09-17 | 2019-09-17 | 一种器官图像分割方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910877982.5A CN110599505A (zh) | 2019-09-17 | 2019-09-17 | 一种器官图像分割方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110599505A true CN110599505A (zh) | 2019-12-20 |
Family
ID=68860357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910877982.5A Pending CN110599505A (zh) | 2019-09-17 | 2019-09-17 | 一种器官图像分割方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110599505A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768382A (zh) * | 2020-06-30 | 2020-10-13 | 重庆大学 | 一种基于肺结节生长形态的交互式分割方法 |
CN112435263A (zh) * | 2020-10-30 | 2021-03-02 | 苏州瑞派宁科技有限公司 | 医学图像分割方法、装置、设备、系统及计算机存储介质 |
CN112466441A (zh) * | 2020-12-15 | 2021-03-09 | 海创时代(深圳)医疗科技有限公司 | 一种器官勾画方法及装置 |
CN112561871A (zh) * | 2020-12-08 | 2021-03-26 | 中国医学科学院北京协和医院 | 一种基于平扫ct图像的主动脉夹层分割方法和装置 |
CN112802032A (zh) * | 2021-01-19 | 2021-05-14 | 上海商汤智能科技有限公司 | 图像分割网络的训练和图像处理方法、装置、设备及介质 |
CN112884770A (zh) * | 2021-04-28 | 2021-06-01 | 腾讯科技(深圳)有限公司 | 图像分割处理方法、装置及计算机设备 |
CN113034415A (zh) * | 2021-03-23 | 2021-06-25 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路机车小部件图像扩增的方法 |
CN113139970A (zh) * | 2020-01-20 | 2021-07-20 | 上海微创医疗器械(集团)有限公司 | 多模态图像分割方法、装置、电子设备和存储介质 |
CN113744171A (zh) * | 2020-05-28 | 2021-12-03 | 上海微创卜算子医疗科技有限公司 | 血管钙化图像分割方法、系统和可读存储介质 |
CN114549559A (zh) * | 2022-03-01 | 2022-05-27 | 上海博恩登特科技有限公司 | 一种基于cbct数据ai分割牙齿结果的后处理方法和系统 |
CN114677516A (zh) * | 2022-05-27 | 2022-06-28 | 杭州键嘉机器人有限公司 | 一种基于深度神经网络的口腔下颌管自动分割方法 |
CN115049685A (zh) * | 2022-08-12 | 2022-09-13 | 聚时科技(深圳)有限公司 | 区域生长图像分割方法、装置、计算机设备及存储介质 |
CN115482231A (zh) * | 2022-09-27 | 2022-12-16 | 推想医疗科技股份有限公司 | 图像分割方法、装置、存储介质和电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104599262A (zh) * | 2014-12-18 | 2015-05-06 | 浙江工业大学 | 基于多通道脉冲耦合神经网络的彩色图像分割技术 |
CN106683090A (zh) * | 2016-12-31 | 2017-05-17 | 上海联影医疗科技有限公司 | 医学图像中肋骨的定位方法及其系统 |
CN107016683A (zh) * | 2017-04-07 | 2017-08-04 | 衢州学院 | 基于区域生长初始化的水平集海马图像分割方法 |
US20180000441A1 (en) * | 2016-06-30 | 2018-01-04 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for extracting blood vessel |
CN108416344A (zh) * | 2017-12-28 | 2018-08-17 | 中山大学中山眼科中心 | 眼底彩照视盘与黄斑定位识别方法 |
CN108986106A (zh) * | 2017-12-15 | 2018-12-11 | 浙江中医药大学 | 面向青光眼临床诊断的视网膜血管自动分割方法 |
CN109118495A (zh) * | 2018-08-01 | 2019-01-01 | 沈阳东软医疗系统有限公司 | 一种视网膜血管分割方法和装置 |
CN109978861A (zh) * | 2019-03-27 | 2019-07-05 | 北京青燕祥云科技有限公司 | 骨髓灰质检测方法、装置、设备和计算机可读存储介质 |
-
2019
- 2019-09-17 CN CN201910877982.5A patent/CN110599505A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104599262A (zh) * | 2014-12-18 | 2015-05-06 | 浙江工业大学 | 基于多通道脉冲耦合神经网络的彩色图像分割技术 |
US20180000441A1 (en) * | 2016-06-30 | 2018-01-04 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for extracting blood vessel |
CN106683090A (zh) * | 2016-12-31 | 2017-05-17 | 上海联影医疗科技有限公司 | 医学图像中肋骨的定位方法及其系统 |
CN107016683A (zh) * | 2017-04-07 | 2017-08-04 | 衢州学院 | 基于区域生长初始化的水平集海马图像分割方法 |
CN108986106A (zh) * | 2017-12-15 | 2018-12-11 | 浙江中医药大学 | 面向青光眼临床诊断的视网膜血管自动分割方法 |
CN108416344A (zh) * | 2017-12-28 | 2018-08-17 | 中山大学中山眼科中心 | 眼底彩照视盘与黄斑定位识别方法 |
CN109118495A (zh) * | 2018-08-01 | 2019-01-01 | 沈阳东软医疗系统有限公司 | 一种视网膜血管分割方法和装置 |
CN109978861A (zh) * | 2019-03-27 | 2019-07-05 | 北京青燕祥云科技有限公司 | 骨髓灰质检测方法、装置、设备和计算机可读存储介质 |
Non-Patent Citations (5)
Title |
---|
(美)法瑟,(美)布雷特纳,卫军胡,刘昌军译: "《电子工业中的过程改进》", 31 October 2008 * |
张定华等著: "《锥束CT技术及其应用》", 31 December 2010 * |
王成焘,苏秀云主编: "《数字骨科学基础》", 28 February 2019 * |
郭颖: "《基于区域生长的肝脏CT图像肿瘤分割方法研究》", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
马慧彬: "《基于机器学习的乳腺图像辅助诊断算法研究》", 31 August 2016 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139970A (zh) * | 2020-01-20 | 2021-07-20 | 上海微创医疗器械(集团)有限公司 | 多模态图像分割方法、装置、电子设备和存储介质 |
CN113744171B (zh) * | 2020-05-28 | 2023-11-14 | 上海微创卜算子医疗科技有限公司 | 血管钙化图像分割方法、系统和可读存储介质 |
CN113744171A (zh) * | 2020-05-28 | 2021-12-03 | 上海微创卜算子医疗科技有限公司 | 血管钙化图像分割方法、系统和可读存储介质 |
CN111768382B (zh) * | 2020-06-30 | 2023-08-15 | 重庆大学 | 一种基于肺结节生长形态的交互式分割方法 |
CN111768382A (zh) * | 2020-06-30 | 2020-10-13 | 重庆大学 | 一种基于肺结节生长形态的交互式分割方法 |
CN112435263A (zh) * | 2020-10-30 | 2021-03-02 | 苏州瑞派宁科技有限公司 | 医学图像分割方法、装置、设备、系统及计算机存储介质 |
WO2022089221A1 (zh) * | 2020-10-30 | 2022-05-05 | 苏州瑞派宁科技有限公司 | 医学图像分割方法、装置、设备、系统及计算机存储介质 |
CN112561871A (zh) * | 2020-12-08 | 2021-03-26 | 中国医学科学院北京协和医院 | 一种基于平扫ct图像的主动脉夹层分割方法和装置 |
CN112466441A (zh) * | 2020-12-15 | 2021-03-09 | 海创时代(深圳)医疗科技有限公司 | 一种器官勾画方法及装置 |
CN112802032A (zh) * | 2021-01-19 | 2021-05-14 | 上海商汤智能科技有限公司 | 图像分割网络的训练和图像处理方法、装置、设备及介质 |
CN113034415A (zh) * | 2021-03-23 | 2021-06-25 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路机车小部件图像扩增的方法 |
CN112884770A (zh) * | 2021-04-28 | 2021-06-01 | 腾讯科技(深圳)有限公司 | 图像分割处理方法、装置及计算机设备 |
CN112884770B (zh) * | 2021-04-28 | 2021-07-02 | 腾讯科技(深圳)有限公司 | 图像分割处理方法、装置及计算机设备 |
CN114549559A (zh) * | 2022-03-01 | 2022-05-27 | 上海博恩登特科技有限公司 | 一种基于cbct数据ai分割牙齿结果的后处理方法和系统 |
CN114677516A (zh) * | 2022-05-27 | 2022-06-28 | 杭州键嘉机器人有限公司 | 一种基于深度神经网络的口腔下颌管自动分割方法 |
CN114677516B (zh) * | 2022-05-27 | 2022-12-09 | 杭州键嘉医疗科技股份有限公司 | 一种基于深度神经网络的口腔下颌管自动分割方法 |
CN115049685A (zh) * | 2022-08-12 | 2022-09-13 | 聚时科技(深圳)有限公司 | 区域生长图像分割方法、装置、计算机设备及存储介质 |
CN115049685B (zh) * | 2022-08-12 | 2023-02-03 | 聚时科技(深圳)有限公司 | 区域生长图像分割方法、装置、计算机设备及存储介质 |
CN115482231A (zh) * | 2022-09-27 | 2022-12-16 | 推想医疗科技股份有限公司 | 图像分割方法、装置、存储介质和电子设备 |
CN115482231B (zh) * | 2022-09-27 | 2023-08-29 | 推想医疗科技股份有限公司 | 图像分割方法、装置、存储介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110599505A (zh) | 一种器官图像分割方法、装置、电子设备和存储介质 | |
CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
US11663293B2 (en) | Image processing method and device, and computer-readable storage medium | |
EP3674968A1 (en) | Image classifying method, server and computer readable storage medium | |
WO2021136368A1 (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
CN113205537B (zh) | 基于深度学习的血管图像分割方法、装置、设备及介质 | |
CN115170582A (zh) | 基于多尺度特征融合和网格注意力机制的肝脏影像分割方法 | |
US20220398783A1 (en) | Image processing method and device, neutral network and training method thereof, storage medium | |
CN112991346B (zh) | 用于医学图像分析的学习网络的训练方法和训练系统 | |
CN112419271A (zh) | 一种图像分割方法、装置及计算机可读存储介质 | |
EP3973508A1 (en) | Sampling latent variables to generate multiple segmentations of an image | |
CN112308846A (zh) | 血管分割方法、装置及电子设备 | |
CN113256670A (zh) | 图像处理方法及装置、网络模型的训练方法及装置 | |
CN112750137A (zh) | 基于深度学习的肝脏肿瘤分割方法及系统 | |
CN115100494A (zh) | 一种病灶图像的识别方法、装置、设备及可读存储介质 | |
CN113744171B (zh) | 血管钙化图像分割方法、系统和可读存储介质 | |
Khader et al. | Adaptive preprocessing for generalization in cardiac MR image segmentation | |
CN113284151A (zh) | 一种基于深度卷积神经网络的胰腺分割方法及系统 | |
CN115546185A (zh) | 血管图像的轮廓提取方法、装置、设备及存储介质 | |
CN117078711A (zh) | 医学图像分割方法、系统、电子设备和存储介质 | |
CN115861150A (zh) | 分割模型训练方法、医学图像分割方法、电子设备和介质 | |
CN113724263A (zh) | 全卷积神经网络模型、图像分割方法及装置 | |
CN113724264B (zh) | 图像分割方法、系统和可读存储介质 | |
CN113902689A (zh) | 一种血管中心线提取方法、系统、终端以及存储介质 | |
CN115546089A (zh) | 医学图像分割方法、病理图像处理方法、装置、设备 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210812 Address after: 201203 room 1702, building 1, No. 1601, Zhangdong Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai (actual floor 15) Applicant after: Shanghai Weiwei Medical Technology Co.,Ltd. Address before: 201203 No. 1601 Zhangdong Road, Zhangjiang High-tech Park, Pudong New Area, Shanghai Applicant before: SHANGHAI MICROPORT MEDICAL (Group) Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |