CN110689548B - 一种医学图像分割方法、装置、设备及可读存储介质 - Google Patents

一种医学图像分割方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN110689548B
CN110689548B CN201910931351.7A CN201910931351A CN110689548B CN 110689548 B CN110689548 B CN 110689548B CN 201910931351 A CN201910931351 A CN 201910931351A CN 110689548 B CN110689548 B CN 110689548B
Authority
CN
China
Prior art keywords
segmentation
loss
medical image
training
tissue
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.)
Active
Application number
CN201910931351.7A
Other languages
English (en)
Other versions
CN110689548A (zh
Inventor
王立
郭振华
赵雅倩
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.)
Inspur Electronic Information Industry Co Ltd
Original Assignee
Inspur Electronic Information Industry 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 Inspur Electronic Information Industry Co Ltd filed Critical Inspur Electronic Information Industry Co Ltd
Priority to CN201910931351.7A priority Critical patent/CN110689548B/zh
Priority to PCT/CN2019/130076 priority patent/WO2021056916A1/zh
Publication of CN110689548A publication Critical patent/CN110689548A/zh
Application granted granted Critical
Publication of CN110689548B publication Critical patent/CN110689548B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/13—Edge detection
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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]

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)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种医学图像分割方法、装置、设备及可读存储介质，该方法，包括：获取待分割的医学图像，并将医学图像输入至深度学习图像分割网络中；利用重点关注指定组织边缘的目标分割参数对医学图像进行组织分割，获得图像分割结果；其中，深度学习图像分割网络的训练过程，包括：利用医学图像训练样本对应的分割标签，确定医学图像训练样本的边缘增强区域；将医学图像训练样本输入至深度学习图像分割网络进行组织分割，获得训练分割结果；利用损失函数计算损失值时，为训练分割结果中边缘增强区域对应像素增加损失权重；利用损失值对深度学习图像分割网络的分割参数进行调节，获得目标分割参数。该方法可提高医学图像分割精度。

Description

一种医学图像分割方法、装置、设备及可读存储介质
技术领域
本发明涉及医学图像处理技术领域，特别是涉及一种医学图像分割方法、装置、设备及可读存储介质。
背景技术
医学图像分割在影像学诊断中大有用处。医学图像自动分割能帮助医生确认病变肿瘤的大小，定量评价治疗前后的效果。除此之外，脏器和病灶的边界识别和甄别也是一项影像科医生的日常工作。CT和磁共振的数据都是三维数据，这意味着对器官和病灶的分割就需要逐层进行。如果都是手工分割的话，会给医生带来繁重的工作量。
目前，已经有很多学者提出了许多医学影像的分割方法，但由于医学影像复杂，分割目标多变，仍有很多自动分割问题等待解决。具体的，对于医学影像分割，一般分割目标的类别较少，主要包括病灶和器官；但是医学图像分割对分割结果的精度要求较高，且医学影像的信噪比一般比较低，即使是医生也需要长期的专业训练，才能精确的分割边缘。同时分割结果的一致性也往往会受到医生经验、疲劳程度和耐心程度的限制。例如在心脏心室分割任务中，与其它分割任务相比，如街景分割任务，心脏心室分割任务对分割结果细节的要求较高。医学影像的分割细致程度要求较高，不正确或是不稳定的分割将会直接影响心脏射血量的定量计算，从而失去了对医学图像分割的本来意义。
综上所述，如何有效地解决医学图像分割准确率等问题，是目前本领域技术人员急需解决的技术问题。
发明内容
本发明的目的是提供一种医学图像分割方法、装置、设备及可读存储介质，以提高医学图像分割准确率。
为解决上述技术问题，本发明提供如下技术方案：
获取待分割的医学图像，并将所述医学图像输入至深度学习图像分割网络中；
利用重点关注指定组织边缘的目标分割参数对所述医学图像进行组织分割，获得图像分割结果；
其中，所述深度学习图像分割网络的训练过程，包括：
利用医学图像训练样本对应的分割标签，确定所述医学图像训练样本的边缘增强区域；
将所述医学图像训练样本输入至所述深度学习图像分割网络进行组织分割，获得训练分割结果；
利用损失函数计算损失值时，为所述训练分割结果中所述边缘增强区域对应像素增加损失权重；
利用所述损失值对所述深度学习图像分割网络的分割参数进行调节，获得所述目标分割参数。
优选地，所述利用医学图像训练样本对应的分割标签，确定所述医学图像训练样本的边缘增强区域，包括：
对所述医学图像训练样本对应的分割标签进行叠加，获得标记矩阵；
对所述标记矩阵进行膨胀，获得膨胀边缘；对所述标记矩阵进行腐蚀，获得腐蚀边缘；
将所述膨胀边缘与所述腐蚀边缘所构成的闭合区域作为所述边缘增强区域。
优选地，为所述训练分割结果中所述边缘增强区域对应像素增加损失权重，包括：
对所述边缘增强区域对应像素进行等值加权；
或，对所述边缘增强区域对应各像素进行距离加权。
优选地，对所述边缘增强区域对应各像素进行距离加权，包括：
遍历所述边缘增强区域内各个像素与所述边缘增强区域的中心线的最短距离；
按照所述最短距离与权重对应关系，确定所述增强区域对应各像素的损失权重。
优选地，所述深度学习图像分割网络的训练过程，还包括：
将所述标记矩阵在所述医学图像训练样本对应的区域确定为所述组织中心区域；
相应地，所述利用损失函数计算损失值时，为所述训练分割结果中所述边缘增强区域对应像素增加损失权重，包括：
利用损失函数计算损失值时，为所述训练分割结果中所述边缘增强区域和所述组织中心区域分别对应像素增加损失权重。
优选地，利用损失函数计算损失值时，为所述训练分割结果中所述边缘增强区域和所述组织中心区域分别对应像素增加损失权重，包括：
对所述组织中心区域对应像素进行等值加权；
或，对所述组织中心对应像素进行距离加权；
其中，对所述组织中心对应像素进行距离加权，包括：
遍历所述组织中心区域内各个像素与所述组织中心区域的中心点的直线距离；
按照所述直线距离与权重对应关系，确定所述组织中心区域对应各像素的损失权重。
优选地，利用损失函数计算损失值，包括：
利用所述边缘增强区域中对应各像素的损失权重计算出所述边缘增强区域对应的边缘增强损失值；
利用所述组织中心区域中对应各像素的损失权重计算出组织中心区域对应的中心损失值；
计算所述医学图像训练样本的所有区域对应的普通损失值；
对所述边缘增强损失值、所述中心损失值和所述普通损失值进行加权叠加，获得所述深度学习图像分割网络对应的总体损失值。
一种医学图像分割装置，包括：
医学图像获取模块，用于获取待分割的医学图像；
医学图像分割模块，用于利用训练后的深度学习图像分割网络对所述医学图像中的组织进行分割，获得图像分割结果；
网络训练模块，用于训练所述深度学习图像分割网络；
所述网络训练模块，包括：
边缘增强区域确定单元，用于利用医学图像训练样本对应的分割标签，确定所述医学图像训练样本的边缘增强区域；
训练分割单元，用于将所述医学图像训练样本输入至所述深度学习图像分割网络进行组织分割，获得训练分割结果；
损失值计算单元，用于利用损失函数计算损失值时，为所述训练分割结果中所述边缘增强区域对应像素增加损失权重。
一种医学图像分割设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述医学图像分割方法的步骤。
一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述医学图像分割方法的步骤。
应用本发明实施例所提供的方法，获取待分割的医学图像，并将医学图像输入至深度学习图像分割网络中；利用重点关注指定组织边缘的目标分割参数对医学图像进行组织分割，获得图像分割结果；其中，深度学习图像分割网络的训练过程，包括：利用医学图像训练样本对应的分割标签，确定医学图像训练样本的边缘增强区域；将医学图像训练样本输入至深度学习图像分割网络进行组织分割，获得训练分割结果；利用损失函数计算损失值时，为训练分割结果中边缘增强区域对应像素增加损失权重；利用损失值对深度学习图像分割网络的分割参数进行调节，获得目标分割参数。
在本方法中，为了提高组织(即器官或病变组织)的边缘分割精度，在将医学图像训练样本输入深度学习图像分割网络进行组织分割之前，首先对医学图像训练样本对应的分割标签(即正确的分割边缘)进行处理，得到边缘增强区域。在深度学习图像分割网络进行组织分割，获得训练分割结果后，在计算损失值时，为训练分割结果中的边缘增强区域对应像素增加损失权重，如此便可使得训练后的深度学习图像分割网络，对医学图像中用户更为关心的组织(即分割标签对应的组织)及其周边区域的分割精度得到提升。即，本方法可提高医学图像分割精度，进一步可提升医学图像处理设备对脏器和病灶的边界识别和甄别的准确率。
相应地，本发明实施例还提供了与上述医学图像分割方法相对应的医学图像分割装置、设备和可读存储介质，具有上述技术效果，在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种医学图像分割方法的实施流程图；
图2为本发明实施例中一种分割标记叠加示意图；
图3为本发明实施例中一种边缘增强区域示意图；
图4为本发明实施例中一种总体损失值计算示意图；
图5为本发明实施例中一种深度信息图像分割网络的具体结构示意图；
图6为本发明实施例中一种医学图像分割装置的结构示意图；
图7为本发明实施例中一种医学图像分割设备的结构示意图；
图8为本发明实施例中一种医学图像分割设备的具体结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
为便于本领域技术人员更好地理解本发明实施例所提供的医学图像分割方法，下面结合现有技术对本发明实施例所提供的医学图像分割方法进行比对说明。
医学图像分割输入数据一般为CT数据或核磁数据，一个病例通常包含多张CT图像或核磁图像。深度学习图像分割方法众多，不管使用哪一种方法，都需要设计损失函数，对网络进行优化训练。
在现有技术中，假设一个病例输入图像维度是512×512，该病例共有n张图像。对于分割网络，计算网络模型的损失函数通常采用交叉熵损失的方法，计算方法如下：
分割网络输出用O来表示，其维度为512×512×class_num，class_num代表分割网络分类的类别。网络输出每个元素表示为Oi,j,n，i,j代表输出维度前两维的坐标，n代表网络输出的第3维的坐标(即类别标签)，n最大为class_num。
每个分割图像都对应一个标签(GroundTruth label)，标签为one-hot格式(非0即1)，即标签的维度也是512×512×class_num，用P表示标签值。
对于网络输出O首先计算soft-max，遍历O矩阵上每个i,j位置的元素，其维度是class_num维，进行soft-max归一化，如下所示：
Figure BDA0002220328130000061
即在class_num这个维度将O的值归一化为0-1的范围。遍历i,j维度的每个元素，得到归一化后的值yi,j,n,i∈[0,512),j∈[0,512),n∈[0,class_num)。
对上一步的输出结果，计算交叉熵：
Figure BDA0002220328130000062
即遍历i,j所有元素，计算每个i,j对应位置的损失值，遍历完成后，获得512×512维的矩阵(上面已经假设图像是512*512维度的)，记为Loss矩阵，每个元素代表了对应i，j位置的一个loss值，记为lossi,j，i∈[0,512),j∈[0,512)。
最后，对该512×512维的矩阵求和，获得总的loss(损失值)。在训练网络时，希望这个总和达到最小，以结束训练。但是，从上述现有模型训练过程可以看出，每个lossi,j原素所占权重相同。
需要说明的是，对于医学图像分割而言，更关心需要分割的组织及其周边区域的分割精度，而其它区域的分割精度要求较低。而通常的分割算法，所有512×512维Loss矩阵求和，各个区域的loss值都具有相同的权重，不利于医学分割。并且，背景区域通常比分割区域大的多，对需要分割的组织及其周边区域的分割精度造成影响。
基于此，本发明实施例提出一种医学图像分割方法，在该方法中，采用的深度学习图像分割网络的训练过程，重点关注要分割的组织及其周边区域的分割精度。
请参考图1，图1为本发明实施例中一种医学图像分割方法的实施流程图，该方法包括以下步骤：
S11、训练深度学习图像分割网络。
在本发明实施例中，对深度学习图像分割网络具体采用何种深度学习图像分割方法并不限定，以提高深度学习图像分割网络的准确率。
其中，深度学习图像分割网络的训练过程，包括：
步骤一、利用医学图像训练样本对应的分割标签，确定医学图像训练样本的边缘增强区域；
步骤二、将医学图像训练样本输入至深度学习图像分割网络进行组织分割，获得训练分割结果；
步骤三、利用损失函数计算损失值时，为训练分割结果中边缘增强区域对应像素增加损失权重；
步骤四、利用损失值对深度学习图像分割网络的分割参数进行调节，获得目标分割参数。
为便于描述，下面将上述四个步骤结合起来进行说明。
需要说明的是，每一张医学图像训练样本可对应一个或多个分割标签。分割标签即为准确分割医学图像训练样本的分割边缘线，如器官对应的分割边缘线，或如肿瘤等其他病灶组织对应的分割边缘线。
在本发明实施例中，在将医学图像训练样本输入至深度学习图像分割网络进行组织分割之前，先利用医学图像训练样本对应的分割标签，确定医学图像训练样本的边缘增强区域。
其中，边缘增强区域确定过程，包括：
步骤1、对医学图像训练样本对应的分割标签进行叠加，获得标记矩阵；
步骤2、对标记矩阵进行膨胀，获得膨胀边缘；对标记矩阵进行腐蚀，获得腐蚀边缘；
步骤3、将膨胀边缘与腐蚀边缘所构成的闭合区域作为边缘增强区域。
为便于说明，下面以通过具体的示例对上述3个步骤进行说明。
每张医学图像训练样本的分割标签的值：512×512×class_num，该值为one-hot形式的，将其在class_num维度累加，获得512×512维度的标记矩阵，记为Mask。即，每一张医学图像训练样本的所有类别的分割结果累加到一张图像中(包括各种组织和器官)，该图像如图2所示。
然后，对Mask矩阵进行膨胀(膨胀系数可以调节)，求取其膨胀后的边缘，即膨胀边缘。对Mask矩阵进行腐蚀，求其腐蚀后的边缘，即腐蚀边缘。
如图3所示，腐蚀边缘和膨胀边缘之间构成了一个闭合区域，在本文中称其为边缘增强区域。
得到边缘增强区域之后，便可将医学图像训练样本输入至深度学习图像分割网络进行组织分割，得到训练分割结果。
显然地，进行迭代训练时，在每完成一轮或多轮组织分割之后，便会计算当前深度学习图像分割网络对应的损失值，即判定当前深度学习图像分割网络的组织分割准确率是否达到训练要求。在计算损失值时，为了使得迭代训练后的深度学习图像分割网络能够提高分割准确率，可重点关注需要被分割的组织及其周边区域。因此，在计算损失值时，可为训练分割结果中边缘增强区域对应像素增加损失权重。即，当边缘增强区域的损失值较大时，则计算得到当前深度学习图像分割网络的整体损失值较大；当边缘增强逾期的损失值较小时，则计算得到的当前深度学习图像分割网络的整体损失值较小。也就是说，重点关注边缘增强区域对应的损失情况，以便增强深度学习图像分割网络的边缘分割准确率。
其中，为训练分割结果中边缘增强区域对应像素增加损失权重的方法包括但不限于以下两种实现方式：
方式一、对边缘增强区域对应像素进行等值加权。
即，整个边缘增强区域具有相同的权值，在计算损失值时，赋值一个固定的权重值记为w1，使网络训练向更利于边缘分割的方向发展。
方式二、对边缘增强区域对应各像素进行距离加权。
可遍历边缘增强区域内各个像素与边缘增强区域的中心线的最短距离；按照最短距离与权重对应关系，确定增强区域对应各像素的损失权重。具体的，首先求取边缘增强区域的中心线，以中心线为中心，离中心线越远的像素位置的权重越小，离中心线越近的像素位置附加的权重越大。每个像素位置权重计算的方法,可以参考像素点与中心线之间的距离。其中，求取距离的方法包括：欧式距离、余弦距离等多种方式。
例如，确定边缘增强区域对应各像素的距离加权值，可遍历每个边缘增强区域的像素点，求该像素点距离边缘增强区域的中心线的最短距离d。最短距离与权重对应关系：wi,j＝f(d)，f代表权重计算函数。其中，wi,j＝wstart×e-d，其中d代表与中心线的距离，当d越大，wi,j值越小。需要说明的是，在实际应用中还可采用其他函数表示最短距离与权重对应关系。
需要说明的是，在本发明实施例中，重点说明了当前深度学习图像分割网络当前损失值的分权计算，对于如何基于损失值对深度学习图像分割网络中的分割参数进行调节，以及如何判定训练结束均可参照现有的深度学习网络的训练过程，在此不再一一赘述。
S12、获取待分割的医学图像，并将医学图像输入至深度学习图像分割网络中。
训练好深度学习图像分割网络之后，便可获取到待分割的医学图像。其中，医学图像可为CT图像，核磁数据等常见的需要进行分割的医学图像。将待分割的医学图像输入至训练好的深度学习图像分割网络。
S13、利用重点关注指定组织边缘的目标分割参数对医学图像进行组织分割，获得图像分割结果。
深度学习图像分割网络便可基于训练确定的目标分割参数对该医学图像中的组织进行分割，得到图像分割结果。图像分割结果可具体为在该医学图像中绘制器官、病灶组织的边缘线条或进行颜色填充。
需要说明的是，该目标分割参数针对指定组织边缘进行精准分割，以获得满足用户需要的指定组织对应的高精度分割结果。
其中，指定组织边缘即为训练过程中，医学图像训练样本对应的分割标记标注的指定组织边缘。
在本方法中，为了提高组织(即器官或病变组织)的边缘分割精度，在将医学图像训练样本输入深度学习图像分割网络进行组织分割之前，首先对医学图像训练样本对应的分割标签(即正确的分割边缘)进行处理，得到边缘增强区域。在深度学习图像分割网络进行组织分割，获得训练分割结果后，在计算损失值时，为训练分割结果中的边缘增强区域对应像素增加损失权重，如此便可使得训练后的深度学习图像分割网络，对医学图像中用户更为关心的组织(即分割标签对应的组织)及其周边区域的分割精度得到提升。即，本方法可提高医学图像分割精度，进一步可提升医学图像处理设备对脏器和病灶的边界识别和甄别的准确率。
需要说明的是，基于上述实施例，本发明实施例还提供了相应的改进方案。在优选/改进实施例中涉及与上述实施例中相同步骤或相应步骤之间可相互参考，相应的有益效果也可相互参照，在本文的优选/改进实施例中不再一一赘述。
实施例二：
为了增加器官和组织中心区域的分割精度。本发明实施例在上述实施例一的基础上，还可对中心区域的loss(损失值)进行加权，增加中心区域的loss值比重。
即，在本发明实施例所提供的医学图像分割方法，深度学习图像分割网络的训练过程，还可以包括：
将标记矩阵在医学图像训练样本对应的区域确定为组织中心区域；
相应地，利用损失函数计算损失值时，为训练分割结果中边缘增强区域对应像素增加损失权重，包括：
利用损失函数计算损失值时，为训练分割结果中边缘增强区域和组织中心区域分别对应像素增加损失权重。
其中，组织中心区域可由分割标记确定。具体的，可直接将标记矩阵在医学图像训练样本对应的区域确定为组织中心区域。也就是说，组织中心区域即为分割标记的分割线包围的内部组织区域。
其中，利用损失函数计算损失值时，为训练分割结果中边缘增强区域和组织中心区域分别对应像素增加损失权重。对于边缘增强区域的加权处理过程可参照上述实施例一，在此不再一一赘述。下面对如何确定组织中心区域对应像素确定损失权重进行详细说明。
其中，为训练分割结果中组织中心区域对应像素增加损失权重的方法包括但不限于以下两种实现方式：
方式一：对组织中心区域对应像素进行等值加权。
即，整个组织中心区域具有相同的权值，在训练的时候赋值一个固定的权重值，使网络训练向有利于分割整体组织和器官的方向发展。
方式二：对组织中心对应像素进行距离加权。
具体的，遍历组织中心区域内各个像素与组织中心区域的中心点的直线距离；按照直线距离与权重对应关系，确定组织中心区域对应各像素的损失权重。
其中，距离加权也可称之为间接加权。可以整个组织中心区域的中心点为中心，离中心点远的地方权重较小，离中心点近的地方权重较大。
渐进加权计算流程：计算整个中心区域的中心点，中心点计算可以采用多种方法。例如，计算Mask区域(所有组织)的最小外接椭圆，椭圆的圆心即为中心区域的中心点。当然也可以计算外接圆、外接矩形等等，以确定中心点。
确定中心区域对应的各像素的加权值，可以整个中心区域的中心点为中心，计算遍历Mask区域所有像素点，求每个像素点与中心点的距离，与中心点距离越大，权重越小。例如，直线距离与权重对应关系：
Figure BDA0002220328130000111
其中d代表与中心线的距离，当d越大，wi,j值越小。
实施例三：
为了灵活训练深度学习图像分割网络，还可分别计算出边缘增强区域对应的损失值，组织中心区域对应的损失值，所有区域的损失值，并按照不同的权重比例为不同的区域损失值进行加权计算，获得总体损失值。
请参考图4，总体损失值计算过程，包括：
S21、利用边缘增强区域中对应各像素的损失权重计算出边缘增强区域对应的边缘增强损失值；
S22、利用组织中心区域中对应各像素的损失权重计算出组织中心区域对应的中心损失值；
S23、计算医学图像训练样本的所有区域对应的普通损失值；
S24、对边缘增强损失值、中心损失值和普通损失值进行加权叠加，获得深度学习图像分割网络对应的总体损失值；
S25、利用损失值对深度学习图像分割网络的分割参数进行调节，获得目标分割参数。
为便于描述，下面将上述五个步骤结合起来进行说明。
需要说明的是，上述步骤S21、S22和S23的执行顺序可无先后限定，即可顺序依次执行也可并行执行，顺序依次执行的顺序可如图4所示的顺序，也可为其他顺序。
其中，普通损失值的计算过程可参见现有的损失值计算过程，在此不再一一赘述。
具体的，可将边缘增强区域的loss值，称为loss_edge，即边缘增强损失值，
Figure BDA0002220328130000121
组织中心区域的loss值，称为loss_centre，即中心损失值，
Figure BDA0002220328130000122
所有区域的loss值，称为loss_normal，即普通损失值，
Figure BDA0002220328130000123
深度学习图像分割网络，对应的总体损失值：loss＝α1×loss_edge+α2×loss_centre+α3×loss_normal，其中α1、α2、α3称为权重系数，用来调整体各部分损失函数的比例。
其中，权重系数可以设定固定值，也可以动态调整。其中，动态调整方法如下：
深度学习训练中每隔l次训练，计算一次loss_edge、loss_centre、loss_normal的值，并把它们存储在3个队列中，记为list_loss_edge、list_loss_centre、list_loss_normal。队列采用先进先出的原则，每个队列固定记录n个loss结果。
每次迭代循环计算list_loss_edge、list_loss_centre、list_loss_normal各自的均值,并把它们存储在3个队列中--ave_loss_edge、ave_loss_centre、ave_loss_normal。队列采用先进先出的原则，每个队列固定记录m个均值。
对ave_loss_edge、ave_loss_centre、ave_loss_normal进行直线拟合，计算每个直线的斜率，若其斜率为负，则其斜率计数器减1，若其斜率为正，则其斜率计数器加1。
判断其斜率计数器的值，若其斜率计数器平稳，则称为loss值不再下降。平稳可以通过斜率计数器判断，当斜率计数器值不断的增大，离最小值越来越远，或者斜率计数器值不再减小，则称为平稳。
若loss_edge、loss_centre、loss_normal都平稳后，调整学习率和增加α1、α2，减少α3，继续进行训练。
继续等待loss_edge、loss_centre、loss_normal平稳，当平稳后，调整学习率和增加α1、减少α2，减少α3，直到训练结束。
为便于本领域技术人员更好的应用本发明实施例所提供的医学图像分割方法，下面举例说明一下本发明实施例中深度学习图像分割网络的具体结构。
请参考图5，图5为本发明实施例中一种深度信息图像分割网络的具体结构示意图。
该网络的输入为一个512×512的二维矩阵，图像首先输入到ResNet网络，获取其在pool2层和pool4层的输出特征图，维度分别是128×128×64和32×32×512；对于pool2层的输出，分别经过5个分支如图所示，每个分支的输出结果的维度和输入相同；然后将每个分支的结果进行concat,获得32×32×1280维度的特征图；该32×32×1280维度的特征图经过一个卷积层和一个上采样(Resize-bilinear)后，得到维度为128×128×256维度的特征图，命名为分支5。
Pool2层的输出特征图的维度是128×128×64，该特征图经过一个卷积层后，获得128×128×48的特征图，命名为分支6。
分支5和分支6的特征图首先进行concat,得到128×128×320的特征图，然后经过2个卷积层和一个上采样层后(Resize-bilinear)，得到512×512×256维度的特征图，最后该特征图经过一个卷积核为1×1×class_num的卷积层，得到最终的网络输出结果，维度为512×512×class_num。class_num为分割目标物的类别数，例如在肾脏分割中分割肾脏、肾脏肿瘤和其它组织3部分，class_num类别为3。
需要说明的是，图5所示的深度学习图像分割网络仅仅只是本发明实施例中一种可能的情况下所使用的分割网络，在其他可能的情况下还可使用其他结构的分割网络。
实施例四：
相应于上面的方法实施例，本发明实施例还提供了一种医学图像分割装置，下文描述的医学图像分割装置与上文描述的医学图像分割方法可相互对应参照。
参见图6所示，该装置包括以下模块：
医学图像获取模块101，用于获取待分割的医学图像，并将医学图像输入至深度学习图像分割网络中；
医学图像分割模块102，用于利用重点关注指定组织边缘的目标分割参数对医学图像进行组织分割，获得图像分割结果；
网络训练模块103，用于训练深度学习图像分割网络；
网络训练模块，包括：
边缘增强区域确定单元，用于利用医学图像训练样本对应的分割标签，确定医学图像训练样本的边缘增强区域；
训练分割单元，用于将医学图像训练样本输入至深度学习图像分割网络进行组织分割，获得训练分割结果；
损失值计算单元，用于利用损失函数计算损失值时，为训练分割结果中边缘增强区域对应像素增加损失权重；
目标分割参数确定单元，用于利用损失值对深度学习图像分割网络的分割参数进行调节，获得目标分割参数。
在本装置中，为了提高组织(即器官或病变组织)的边缘分割精度，在将医学图像训练样本输入深度学习图像分割网络进行组织分割之前，首先对医学图像训练样本对应的分割标签(即正确的分割边缘)进行处理，得到边缘增强区域。在深度学习图像分割网络进行组织分割，获得训练分割结果后，在计算损失值时，为训练分割结果中的边缘增强区域对应像素增加损失权重，如此便可使得训练后的深度学习图像分割网络，对医学图像中用户更为关心的组织(即分割标签对应的组织)及其周边区域的分割精度得到提升。即，本装置可提高医学图像分割精度，进一步可提升医学图像处理设备对脏器和病灶的边界识别和甄别的准确率。
在本发明的一种具体实施方式中，边缘增强区域确定单元，具体用于对医学图像训练样本对应的分割标签进行叠加，获得标记矩阵；对标记矩阵进行膨胀，获得膨胀边缘；对标记矩阵进行腐蚀，获得腐蚀边缘；将膨胀边缘与腐蚀边缘所构成的闭合区域作为边缘增强区域。
在本发明的一种具体实施方式中，损失值计算单元，具体用于对边缘增强区域对应像素进行等值加权，或，对边缘增强区域对应各像素进行距离加权。
在本发明的一种具体实施方式中，损失值计算单元，具体用于遍历边缘增强区域内各个像素与边缘增强区域的中心线的最短距离；按照最短距离与权重对应关系，确定增强区域对应各像素的损失权重。
在本发明的一种具体实施方式中，网络训练模块103，还包括：
组织中心区域确定单元，用于将标记矩阵在医学图像训练样本对应的区域确定为组织中心区域；
相应地，损失值计算单元，具体用于利用损失函数计算损失值时，为训练分割结果中边缘增强区域和组织中心区域分别对应像素增加损失权重。
在本发明的一种具体实施方式中，损失值计算单元，具体用于对组织中心区域对应像素进行等值加权，或，对组织中心对应像素进行距离加权；
其中，对组织中心对应像素进行距离加权，包括：遍历组织中心区域内各个像素与组织中心区域的中心点的直线距离；按照直线距离与权重对应关系，确定组织中心区域对应各像素的损失权重。
在本发明的一种具体实施方式中，损失值计算单元，具体用于利用边缘增强区域中对应各像素的损失权重计算出边缘增强区域对应的边缘增强损失值；利用组织中心区域中对应各像素的损失权重计算出组织中心区域对应的中心损失值；计算医学图像训练样本的所有区域对应的普通损失值；对边缘增强损失值、中心损失值和普通损失值进行加权叠加，获得深度学习图像分割网络对应的总体损失值。
实施例五：
相应于上面的方法实施例，本发明实施例还提供了一种医学图像分割设备，下文描述的一种医学图像分割设备与上文描述的一种医学图像分割方法可相互对应参照。
参见图7所示，该医学图像分割设备包括：
存储器D1，用于存储计算机程序；
处理器D2，用于执行计算机程序时实现上述方法实施例的医学图像分割方法的步骤。
具体的，请参考图8，图8为本实施例提供的一种医学图像分割设备的具体结构示意图，该医学图像分割设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在医学图像分割设备301上执行存储介质330中的一系列指令操作。
医学图像分割设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341。例如，Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等。
上文所描述的医学图像分割方法中的步骤可以由医学图像分割设备的结构实现。
实施例六：
相应于上面的方法实施例，本发明实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种医学图像分割方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的医学图像分割方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能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。

Claims (7)

1.一种医学图像分割方法，其特征在于，包括：
获取待分割的医学图像，并将所述医学图像输入至深度学习图像分割网络中；
利用重点关注指定组织边缘的目标分割参数对所述医学图像进行组织分割，获得图像分割结果；
其中，所述深度学习图像分割网络的训练过程，包括：
利用医学图像训练样本对应的分割标签，确定所述医学图像训练样本的边缘增强区域；
对所述医学图像训练样本对应的分割标签进行叠加，获得标记矩阵；
将所述标记矩阵在所述医学图像训练样本对应的区域确定为所述组织中心区域；
将所述医学图像训练样本输入至所述深度学习图像分割网络进行组织分割，获得训练分割结果；
利用损失函数计算损失值时，为所述训练分割结果中所述边缘增强区域和所述组织中心区域分别对应像素增加损失权重；
利用所述损失值对所述深度学习图像分割网络的分割参数进行调节，获得所述目标分割参数；
其中，为所述训练分割结果中所述边缘增强区域对应像素增加损失权重，包括：对所述边缘增强区域对应各像素进行距离加权；具体包括：
遍历所述边缘增强区域内各个像素与所述边缘增强区域的中心线的最短距离；
按照所述最短距离与权重对应关系，确定所述增强区域对应各像素的损失权重；其中，所述最短距离与权重对应关系：
Figure DEST_PATH_IMAGE001
，所述d为所述最短距离，所述f为权重计算函数；
其中，利用损失函数计算损失值时，为所述训练分割结果中所述边缘增强区域和所述组织中心区域分别对应像素增加损失权重，包括：对所述组织中心对应像素进行距离加权；具体包括：
遍历所述组织中心区域内各个像素与所述组织中心区域的中心点的直线距离；
按照所述直线距离与权重对应关系，确定所述组织中心区域对应各像素的损失权重；所述直线距离与权重对应关系：
Figure 193029DEST_PATH_IMAGE002
，其中所述d代表与中心线的距离；
其中，利用损失函数计算损失值，包括：
利用所述边缘增强区域中对应各像素的损失权重计算出所述边缘增强区域对应的边缘增强损失值；
利用所述组织中心区域中对应各像素的损失权重计算出组织中心区域对应的中心损失值；
计算所述医学图像训练样本的所有区域对应的普通损失值；
对所述边缘增强损失值、所述中心损失值和所述普通损失值进行加权叠加，获得所述深度学习图像分割网络对应的总体损失值；
其中，所述总体损失值：
Figure DEST_PATH_IMAGE003
；所述
Figure 256800DEST_PATH_IMAGE004
为所述边缘增强损失值；所述loss_centre为所述中心损失值；所述loss_normal为所述普通损失值；所述
Figure DEST_PATH_IMAGE005
称为权重系数；
所述权重系数动态调整过程，包括：
深度学习训练中每隔
Figure DEST_PATH_IMAGE007
次训练，计算一次
Figure 141186DEST_PATH_IMAGE008
的值，并存储在3个队列中，记为
Figure DEST_PATH_IMAGE009
；队列采用先进先出的原则，每个队列固定记录n个loss结果；
每次迭代循环计算
Figure 669120DEST_PATH_IMAGE010
各自的均值,并把它们存储在3个队列中：
Figure DEST_PATH_IMAGE011
；队列采用先进先出的原则，每个队列固定记录m个均值；
对
Figure 459221DEST_PATH_IMAGE012
进行直线拟合，计算每个直线的斜率，若其斜率为负，则其斜率计数器减1，若其斜率为正，则其斜率计数器加1；
判断其斜率计数器的值，若其斜率计数器平稳，则称为loss值不再下降；平稳可以通过斜率计数器判断，当斜率计数器值不断的增大，离最小值越来越远，或者斜率计数器值不再减小，则称为平稳；
若
Figure DEST_PATH_IMAGE013
都平稳后，调整学习率和增加
Figure 947971DEST_PATH_IMAGE014
，减少
Figure DEST_PATH_IMAGE015
，继续进行训练；
继续等待
Figure 487580DEST_PATH_IMAGE016
平稳，当平稳后，调整学习率和增加
Figure DEST_PATH_IMAGE017
、减少
Figure 870020DEST_PATH_IMAGE018
，减少
Figure DEST_PATH_IMAGE019
，直到训练结束。
2.根据权利要求1所述的医学图像分割方法，其特征在于，所述利用医学图像训练样本对应的分割标签，确定所述医学图像训练样本的边缘增强区域，包括：
对所述标记矩阵进行膨胀，获得膨胀边缘；对所述标记矩阵进行腐蚀，获得腐蚀边缘；
将所述膨胀边缘与所述腐蚀边缘所构成的闭合区域作为所述边缘增强区域。
3.根据权利要求1所述的医学图像分割方法，其特征在于，为所述训练分割结果中所述边缘增强区域对应像素增加损失权重，包括：
对所述边缘增强区域对应像素进行等值加权。
4.根据权利要求1所述的医学图像分割方法，其特征在于，利用损失函数计算损失值时，为所述训练分割结果中所述边缘增强区域和所述组织中心区域分别对应像素增加损失权重，包括：
对所述组织中心区域对应像素进行等值加权。
5.一种医学图像分割装置，其特征在于，包括：
医学图像获取模块，用于获取待分割的医学图像，并将所述医学图像输入至深度学习图像分割网络中；
医学图像分割模块，用于利用重点关注指定组织边缘的目标分割参数对所述医学图像进行组织分割，获得图像分割结果；
网络训练模块，用于训练所述深度学习图像分割网络；
所述网络训练模块，包括：
边缘增强区域确定单元，用于利用医学图像训练样本对应的分割标签，确定所述医学图像训练样本的边缘增强区域；
中心增强区域确定单元，用于对所述医学图像训练样本对应的分割标签进行叠加，获得标记矩阵；将所述标记矩阵在所述医学图像训练样本对应的区域确定为所述组织中心区域；
训练分割单元，用于将所述医学图像训练样本输入至所述深度学习图像分割网络进行组织分割，获得训练分割结果；
损失值计算单元，用于利用损失函数计算损失值时，为所述训练分割结果中所述边缘增强区域和所述组织中心区域分别对应像素增加损失权重；
目标分割参数确定单元，用于利用所述损失值对所述深度学习图像分割网络的分割参数进行调节，获得所述目标分割参数；
其中，所述损失值计算单元，具体用于为所述训练分割结果中所述边缘增强区域对应像素增加损失权重，包括：对所述边缘增强区域对应各像素进行距离加权；具体包括：
遍历所述边缘增强区域内各个像素与所述边缘增强区域的中心线的最短距离；
按照所述最短距离与权重对应关系，确定所述增强区域对应各像素的损失权重；其中，所述最短距离与权重对应关系：
Figure 96602DEST_PATH_IMAGE020
，所述d为所述最短距离，所述f为权重计算函数；
其中，利用损失函数计算损失值时，为所述训练分割结果中所述边缘增强区域和所述组织中心区域分别对应像素增加损失权重，包括：对所述组织中心对应像素进行距离加权；具体包括：
遍历所述组织中心区域内各个像素与所述组织中心区域的中心点的直线距离；
按照所述直线距离与权重对应关系，确定所述组织中心区域对应各像素的损失权重；所述直线距离与权重对应关系：
Figure 603807DEST_PATH_IMAGE022
，其中所述d代表与中心线的距离；
其中，利用损失函数计算损失值，包括：
利用所述边缘增强区域中对应各像素的损失权重计算出所述边缘增强区域对应的边缘增强损失值；
利用所述组织中心区域中对应各像素的损失权重计算出组织中心区域对应的中心损失值；
计算所述医学图像训练样本的所有区域对应的普通损失值；
对所述边缘增强损失值、所述中心损失值和所述普通损失值进行加权叠加，获得所述深度学习图像分割网络对应的总体损失值；
其中，所述总体损失值：
Figure DEST_PATH_IMAGE023
；所述
Figure DEST_PATH_IMAGE025
为所述边缘增强损失值；所述loss_centre为所述中心损失值；所述loss_normal为所述普通损失值；所述
Figure 3564DEST_PATH_IMAGE026
称为权重系数；
所述权重系数动态调整过程，包括：
深度学习训练中每隔次训练，计算一次
Figure DEST_PATH_IMAGE027
的值，并存储在3个队列中，记为
Figure 443772DEST_PATH_IMAGE009
；队列采用先进先出的原则，每个队列固定记录n个loss结果；
每次迭代循环计算
Figure 247780DEST_PATH_IMAGE028
各自的均值,并把它们存储在3个队列中：
Figure DEST_PATH_IMAGE029
；队列采用先进先出的原则，每个队列固定记录m个均值；
对
Figure 570177DEST_PATH_IMAGE030
进行直线拟合，计算每个直线的斜率，若其斜率为负，则其斜率计数器减1，若其斜率为正，则其斜率计数器加1；
判断其斜率计数器的值，若其斜率计数器平稳，则称为loss值不再下降；平稳可以通过斜率计数器判断，当斜率计数器值不断的增大，离最小值越来越远，或者斜率计数器值不再减小，则称为平稳；
若
Figure DEST_PATH_IMAGE031
都平稳后，调整学习率和增加
Figure 383413DEST_PATH_IMAGE014
，减少
Figure 474865DEST_PATH_IMAGE032
，继续进行训练；
继续等待
Figure DEST_PATH_IMAGE033
平稳，当平稳后，调整学习率和增加
Figure 715354DEST_PATH_IMAGE017
、减少
Figure 259468DEST_PATH_IMAGE018
，减少
Figure 345235DEST_PATH_IMAGE019
，直到训练结束。
6.一种医学图像分割设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述医学图像分割方法的步骤。
7.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述医学图像分割方法的步骤。
CN201910931351.7A 2019-09-29 2019-09-29 一种医学图像分割方法、装置、设备及可读存储介质 Active CN110689548B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910931351.7A CN110689548B (zh) 2019-09-29 2019-09-29 一种医学图像分割方法、装置、设备及可读存储介质
PCT/CN2019/130076 WO2021056916A1 (zh) 2019-09-29 2019-12-30 一种医学图像分割方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910931351.7A CN110689548B (zh) 2019-09-29 2019-09-29 一种医学图像分割方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN110689548A CN110689548A (zh) 2020-01-14
CN110689548B true CN110689548B (zh) 2023-01-17

Family

ID=69110916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910931351.7A Active CN110689548B (zh) 2019-09-29 2019-09-29 一种医学图像分割方法、装置、设备及可读存储介质

Country Status (2)

Country Link
CN (1) CN110689548B (zh)
WO (1) WO2021056916A1 (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113628154A (zh) * 2020-04-23 2021-11-09 上海联影智能医疗科技有限公司 图像分析方法、装置、计算机设备和存储介质
CN111738295B (zh) * 2020-05-22 2024-03-22 南通大学 图像的分割方法及存储介质
CN111724371B (zh) * 2020-06-19 2023-05-23 联想(北京)有限公司 一种数据处理方法、装置及电子设备
CN111951274A (zh) * 2020-07-24 2020-11-17 上海联影智能医疗科技有限公司 图像分割方法、系统、可读存储介质和设备
CN112102313A (zh) * 2020-10-22 2020-12-18 上海联影医疗科技股份有限公司 一种支架检测方法、装置和存储介质
CN112102929A (zh) * 2020-09-11 2020-12-18 沈阳东软智能医疗科技研究院有限公司 医学图像标注方法、装置、存储介质及电子设备
CN112132841B (zh) * 2020-09-22 2024-04-09 上海交通大学 医疗图像切割方法及装置
CN112750124B (zh) * 2021-01-22 2021-11-09 推想医疗科技股份有限公司 模型生成、图像分割方法、装置、电子设备及存储介质
CN113066090B (zh) * 2021-03-19 2022-02-08 推想医疗科技股份有限公司 血管分割模型的训练方法及装置、应用方法及装置
CN113177952B (zh) * 2021-04-27 2021-11-16 湖南科技大学 基于方向信息的腹部ct图像肝脏区域自动分割方法
CN113240693B (zh) * 2021-04-27 2023-10-20 珠海埃克斯智能科技有限公司 芯片切割控制方法、系统、设备及计算机可读存储介质
CN113379627B (zh) * 2021-06-07 2023-06-27 北京百度网讯科技有限公司 图像增强模型的训练方法和对图像进行增强的方法
CN113538530B (zh) * 2021-07-09 2024-03-01 深圳市深光粟科技有限公司 一种耳部医学图像分割方法、装置、电子设备及存储介质
CN113689438A (zh) * 2021-08-12 2021-11-23 华中农业大学 针对果粒边缘的葡萄果粒分割方法
CN113470029B (zh) * 2021-09-03 2021-12-03 北京字节跳动网络技术有限公司 训练方法及装置、图像处理方法、电子设备和存储介质
CN113689355B (zh) * 2021-09-10 2022-07-08 数坤(北京)网络科技股份有限公司 图像处理方法、装置、存储介质及计算机设备
CN114066899A (zh) * 2021-11-11 2022-02-18 深圳市人工智能与机器人研究院 图像分割模型训练、图像分割方法、装置、设备及介质
CN114187320B (zh) * 2021-12-14 2022-11-08 北京柏惠维康科技股份有限公司 脊柱ct图像的分割方法、椎体成像的识别方法及装置
CN114581709B (zh) * 2022-03-02 2024-08-09 深圳硅基智能科技有限公司 识别医学图像中的目标的模型训练、方法、设备及介质
CN114550171B (zh) * 2022-04-22 2022-07-12 珠海横琴圣澳云智科技有限公司 细胞实例分割模型构建方法、细胞实例分割方法和装置
CN114898098B (zh) * 2022-06-27 2024-04-19 北京航空航天大学 脑组织图像分割方法
CN116563218A (zh) * 2023-03-31 2023-08-08 北京长木谷医疗科技股份有限公司 基于深度学习的脊柱图像分割方法、装置及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636813A (zh) * 2018-12-14 2019-04-16 中南民族大学 前列腺磁共振图像的分割方法及系统
US10373317B1 (en) * 2019-01-22 2019-08-06 StradVision, Inc. Learning method and learning device for attention-driven image segmentation by using at least one adaptive loss weight map to be used for updating HD maps required to satisfy level 4 of autonomous vehicles and testing method and testing device using the same
WO2019148265A1 (en) * 2018-02-02 2019-08-08 Moleculight Inc. Wound imaging and analysis

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10198822B2 (en) * 2016-10-27 2019-02-05 International Business Machines Corporation Systems and user interfaces for determination of electro magnetically identified lesions as included in medical images of differing perspectives
CN106886981B (zh) * 2016-12-30 2020-02-14 中国科学院自动化研究所 基于边缘检测的图像边缘增强方法和系统
CN109767448B (zh) * 2019-01-17 2021-06-01 上海长征医院 分割模型训练方法及装置
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
CN109886982B (zh) * 2019-04-24 2020-12-11 数坤（北京）网络科技有限公司 一种血管图像分割方法、装置及计算机存储设备
CN110189332B (zh) * 2019-05-22 2021-03-02 中南民族大学 基于权重图设计的前列腺磁共振图像分割方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019148265A1 (en) * 2018-02-02 2019-08-08 Moleculight Inc. Wound imaging and analysis
CN109636813A (zh) * 2018-12-14 2019-04-16 中南民族大学 前列腺磁共振图像的分割方法及系统
US10373317B1 (en) * 2019-01-22 2019-08-06 StradVision, Inc. Learning method and learning device for attention-driven image segmentation by using at least one adaptive loss weight map to be used for updating HD maps required to satisfy level 4 of autonomous vehicles and testing method and testing device using the same

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Segmenting Hepatic Lesions Using Residual Attention U-Net with an Adaptive Weighted Dice Loss;Yu-Cheng Liu等;《2019 IEEE International Conference on Image Processing (ICIP)》;20190826;第3322-3326页 *
一种新的轮廓－局部区域分割模型及对偶算法;葛琦等;《计算机技术与发展》;20170731;第27卷(第7期);第87-90页+95页 *

Also Published As

Publication number Publication date
CN110689548A (zh) 2020-01-14
WO2021056916A1 (zh) 2021-04-01

Similar Documents

Publication Publication Date Title
CN110689548B (zh) 一种医学图像分割方法、装置、设备及可读存储介质
CN110599528B (zh) 一种基于神经网络的无监督三维医学图像配准方法及系统
CN110176012B (zh) 图像中的目标分割方法、池化方法、装置及存储介质
CN109063710B (zh) 基于多尺度特征金字塔的3d cnn鼻咽癌分割方法
JP2008511366A (ja) 距離座標を使った特徴重み付け医療オブジェクト輪郭検出
CN108596904B (zh) 生成定位模型的方法及对脊柱矢状位图像进行处理的方法
CN112381164B (zh) 一种基于多分支注意力机制的超声图像分类方法和装置
CN109492668B (zh) 基于多通道卷积神经网络的mri不同期多模图像表征方法
CN110598714A (zh) 一种软骨图像分割方法、装置、可读存储介质及终端设备
US20220335600A1 (en) Method, device, and storage medium for lesion segmentation and recist diameter prediction via click-driven attention and dual-path connection
CN109447963A (zh) 一种脑部影像识别的方法及装置
CN112308846B (zh) 血管分割方法、装置及电子设备
CN112598656A (zh) 一种基于UNet++优化和权值预算的脑肿瘤分割算法
CN110570394A (zh) 医学图像分割方法、装置、设备及存储介质
CN115239716B (zh) 一种基于形状先验U-Net的医学图像分割方法
CN111080658A (zh) 基于可形变配准和dcnn的宫颈mri图像分割方法
CN114429459A (zh) 目标检测模型的训练方法及对应的检测方法
KR20200099633A (ko) 영상의 질감 분석 방법 및 컴퓨터 프로그램
CN113237881A (zh) 一种特定细胞的检测方法、装置和病理切片检测系统
CN113610752A (zh) 乳腺图像配准方法、计算机设备和存储介质
CN116452618A (zh) 一种三输入脊柱ct图像分割方法
CN112884792A (zh) 肺部图像分割的方法、装置、电子设备及存储介质
CN114972382A (zh) 一种基于轻量级UNet++网络的脑肿瘤分割算法
CN107516314A (zh) 医学图像超体素分割方法和装置
CN112990367A (zh) 一种图像处理方法、装置、设备以及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant