CN110853043B - 影像分割方法、装置、可读存储介质及电子设备 - Google Patents

影像分割方法、装置、可读存储介质及电子设备 Download PDF

Info

Publication number
CN110853043B
CN110853043B CN201911146163.XA CN201911146163A CN110853043B CN 110853043 B CN110853043 B CN 110853043B CN 201911146163 A CN201911146163 A CN 201911146163A CN 110853043 B CN110853043 B CN 110853043B
Authority
CN
China
Prior art keywords
image
transformation matrix
matrix parameters
segmented
images
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
CN201911146163.XA
Other languages
English (en)
Other versions
CN110853043A (zh
Inventor
陈伟导
孙岩峰
陈宽
王少康
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.)
Infervision Medical Technology Co Ltd
Original Assignee
Beijing Tuoxiang Technology 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 Beijing Tuoxiang Technology Co ltd filed Critical Beijing Tuoxiang Technology Co ltd
Priority to CN201911146163.XA priority Critical patent/CN110853043B/zh
Publication of CN110853043A publication Critical patent/CN110853043A/zh
Application granted granted Critical
Publication of CN110853043B publication Critical patent/CN110853043B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/38—Registration of image sequences
    • 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
    • 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
    • G06T2207/30016—Brain

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

本发明提供了一种影像分割方法、装置、计算机可读存储介质及电子设备。该方法包括：获取待分割影像和影像分割模板，其中，影像分割模板包括样本影像和样本影像的多个影像分区的样本分割标签；将待分割影像与样本影像在多个尺度上进行配准，得到多尺度空间变换矩阵参数；根据多尺度空间变换矩阵参数，对样本分割标签进行空间转换，得到待分割影像的所述多个影像分区的分割标签，能够利用影像分割模板自动、规范地对影像进行区域分割，得到个体特异性的区域分割标记图，同时区域分割精度较高。

Description

影像分割方法、装置、可读存储介质及电子设备
技术领域
本发明涉及影像分割技术领域，具体涉及一种影像分割方法、影像分割装置、计算机可读存储介质及电子设备。
背景技术
影像分割是指将影像中感兴趣区域的边界找到，使得边界内部和外部的像素分别具备相似的特征(强度、纹理等)。医学影像分割是对医学影像进行其他后续处理的基础，对影像中目标区域的准确分割对于医疗诊断、制定手术计划等具有十分重要的意义。
目前，医生只能依据自身的影像学经验和解剖学知识对区域边界进行人为识别判断，或者依据自身经验利用绘图软件在医学影像上手动描绘出区域边界，以得到医学影像的区域分割标记图。但是，对影像区域的分割依赖于医生的经验，难度高、一致性差，得到的区域分割标记图无法用作其他定量计算，同时手工标注费时费力。
发明内容
有鉴于此，本发明实施例提供了一种影像分割方法、影像分割装置、计算机可读存储介质及电子设备，能够自动、规范地对影像进行区域分割，得到个体特异性的区域分割标记图，同时区域分割精度较高。
根据本发明实施例的第一方面，提供一种影像分割方法，包括：获取待分割影像和影像分割模板，其中，影像分割模板包括样本影像和样本影像的多个影像分区的样本分割标签；将待分割影像与样本影像在多个尺度上进行配准，得到多尺度空间变换矩阵参数；根据多尺度空间变换矩阵参数，对样本分割标签进行空间转换，得到待分割影像的多个影像分区的分割标签。
在本发明的一个实施例中，上述将待分割影像与样本影像在多个尺度上进行配准，得到多尺度空间变换矩阵参数，包括：利用特征金字塔卷积神经网络将待分割影像与样本影像在多个尺度上进行配准，得到多尺度空间变换矩阵参数。
在本发明的一个实施例中，上述利用特征金字塔卷积神经网络将待分割影像与样本影像在多个尺度上进行配准，得到多尺度空间变换矩阵参数，包括：通过特征金字塔卷积神经网络将待分割影像与样本影像在多个尺度上进行配准，分别获取不同尺度的多个第一空间变换矩阵参数；根据多个第一空间变换矩阵参数，得到多尺度空间变换矩阵参数。
在本发明的一个实施例中，上述通过特征金字塔卷积神经网络将待分割影像与样本影像在多个尺度上进行配准，分别获取不同尺度的多个第一空间变换矩阵参数，包括：通过特征金字塔卷积神经网络提取待分割影像的不同尺度的多个影像特征，对多个影像特征进行压缩和融合，得到不同尺度的多个初始空间变换矩阵参数；对待分割影像进行重采样，得到不同尺度的多个第一影像，其中，多个第一影像的尺度与多个初始空间变换矩阵参数的尺度一一对应；根据多个初始空间变换矩阵参数，对多个第一影像进行空间变换，得到不同尺度的多个第二影像；根据多个第二影像与样本影像的不同尺度的多个第三影像的相似性损失值，调整多个初始空间变换矩阵参数，得到多个第一空间变换矩阵参数，其中，多个第三影像通过对样本影像重采样得到，多个第二影像的尺度与多个第三影像的尺度一一对应。
在本发明的一个实施例中，上述根据多个第二影像与样本影像的不同尺度的多个第三影像的相似性损失值，调整多个初始空间变换矩阵参数，得到多个第一空间变换矩阵参数，包括：获取多个第二影像与多个第三影像对应的不同尺度的多个第一相似性损失值；根据多个第一相似性损失值，得到总相似性损失值；根据总相似性损失值，调整多个初始空间变换矩阵参数，得到多个第一空间变换矩阵参数。
在本发明的一个实施例中，上述根据多个第一相似性损失值，得到总相似性损失值，包括：将多个第一相似性损失值加权相加，得到总相似性损失值。
在本发明的一个实施例中，上述根据多个第一空间变换矩阵参数，得到所述多尺度空间变换矩阵参数，包括：将多个第一空间变换矩阵参数进行上采样，得到多个第二空间变换矩阵参数，其中，多个第二空间变换矩阵参数的尺度与待分割影像的原始尺度相同；将多个第二空间变换矩阵参数加和，得到多尺度空间变换矩阵参数。
在本发明的一个实施例中，上述多个影像分区为全脑的多个脑供血区，其中，多个脑供血区为28个与脑梗死相关的脑供血区。
根据本发明实施例的第二方面，提供一种影像分割装置，包括：获取模块，用于获取待分割影像和影像分割模板，其中，影像分割模板包括样本影像和样本影像的多个影像分区的样本分割标签；配准模块，用于将待分割影像与样本影像在多个尺度上进行配准，得到多尺度空间变换矩阵参数；空间变换模块，用于根据多尺度空间变换矩阵参数，对样本分割标签进行空间转换，得到待分割影像的多个影像分区的分割标签。
根据本发明实施例的第三方面，提供一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序用于执行上述影像分割方法。
根据本发明实施例的第四方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；处理器，用于执行上述影像分割方法。
根据本发明实施例提供的技术方案，通过将待分割影像与样本影像在多个尺度上进行配准，得到多尺度空间变换矩阵参数；根据多尺度空间变换矩阵参数，对样本分割标签进行空间转换，得到待分割影像的多个影像分区的分割标签，能够利用影像分割模板自动、规范地对影像进行区域分割，得到个体特异性的区域分割标记图，同时区域分割精度较高。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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所示为本发明一实施例提供的影像分割方法的流程示意图。
图2所示为本发明一实施例提供的影像分割模板图。
图3所示为本发明另一实施例提供的影像分割方法的流程示意图。
图4所示为图3实施例中的特征金字塔卷积神经网络结构图。
图5所示为本发明一实施例提供的影像分割装置的框图。
图6所示为本发明另一实施例提供的影像分割装置的配准模块的框图。
图7所示为本发明另一实施例提供的影像分割装置的配准模块的框图。
图8所示为本发明一实施例提供的电子设备的框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
图1所示为本发明一实施例提供的影像分割方法的流程示意图。该方法可以由计算机设备(例如，服务器)执行。如图1所示，该方法包括如下内容。
S110：获取待分割影像和影像分割模板，其中，影像分割模板包括样本影像和样本影像的多个影像分区的样本分割标签。
待分割影像可以为电子计算机断层成像(ComputedTomography，CT)、核磁共振成像(Magnetic Resonance Imaging，MRI)、计算机放射成像(Computed Radiography，CR)或数字放射成像(Digital radiography，DR)等医学影像，本发明对此不作具体限定。
待分割影像可以为二维影像，也可以为三维影像，本发明对此不作限定。
待分割影像可以为脑部影像、心脏影像等待分割影像，本发明对此不作限定。例如，当待分割影像为脑部影像时，利用脑部影像分割模板对其进行区域分割；当待分割影像为心脏影像时，则利用心脏影像分割模板对其进行区域分割。
如图2所示，以脑部影像为例，挑选一套脑部影像作为样本影像，通过对该脑部影像进行人工分割和标记，得到多个脑供血区的样本分割标签，将该样本影像及其各个脑供血区的样本分割标签作为脑部影像分割模板。通过确定一套脑部影像分割模板，便可以对大量不同个体的脑部待分割影像进行区域分割，得到个体特异性的区域分割标记图，方便快捷。
其中，多个脑供血区可以为中动脉区的20个脑供血区，还可以为全脑(包括中动脉区、前动脉区、后动脉区、脑干区及小脑区)的28个与脑梗死相关的脑供血区，等等，本发明对影像的具体分区不作限定。样本分割标签可以为英文标签，也可以为颜色标签等，本发明对标签的具体类型不作限定。
S120：将待分割影像与样本影像在多个尺度上进行配准，得到多尺度空间变换矩阵参数。
配准方法可以是基于待分割影像的灰度信息的配准方法，也可以是基于待分割影像的特征信息，例如特征点、特征区域、特征边缘的配准方法等，本发明对具体的配准方法不作限定。
在本实例中，可以分别将待分割影像和样本影像在多个不同尺度上进行配准，例如，将待分割影像分别进行1/2、1/4、1/8、1/16重采样，得到4个不同尺度的影像，将其分别与样本影像的1/2、1/4、1/8、1/16重采样影像进行配准，得到4个不同尺度下的空间变换矩阵参数，进而得到待分割影像空间与样本影像空间之间的多尺度空间变换矩阵参数U0。通过在多个尺度上进行配准，得到多尺度空间变换矩阵参数，使得待分割影像空间与样本影像空间之间的空间变换更为准确，待分割影像的区域分割更为精确。
S130：根据多尺度空间变换矩阵参数，对样本分割标签进行空间转换，得到待分割影像的多个影像分区的分割标签。
例如，可以利用多尺度空间变换矩阵参数U0，将影像分割模板空间的样本分割标签映射到待分割影像空间，从而得到待分割影像的分割标签，从而实现将待分割影像分割成不同的影像分区。
根据本发明实施例提供的技术方案，通过将待分割影像与样本影像在多个尺度上进行配准，得到多尺度空间变换矩阵参数；以及根据多尺度空间变换矩阵参数，对样本分割标签进行空间转换，得到待分割影像的多个影像分区的分割标签，能够利用影像分割模板自动、规范地对影像进行区域分割，得到个体特异性的区域分割标记图，同时区域分割精度较高。
在本发明的另一个实施例中，上述将待分割影像与样本影像在多个尺度上进行配准，得到多尺度空间变换矩阵参数，包括：利用特征金字塔卷积神经网络将待分割影像与样本影像在多个尺度上进行配准，得到多尺度空间变换矩阵参数。
具体地，可以通过特征金字塔卷积神经网络将待分割影像与样本影像在多个尺度上进行配准，分别获取不同尺度的多个第一空间变换矩阵参数，并根据多个第一空间变换矩阵参数，得到多尺度空间变换矩阵参数。
在一实施例中，特征金字塔卷积神经网络的主干网络可以为ResNeXt、DenseNet等网络，本发明对此不作限定。
具体地，首先，通过特征金字塔卷积神经网络的卷积层提取待分割影像的不同尺度的多个影像特征C2、C3、C4、C5；对多个影像特征C2、C3、C4、C5进行特征压缩得到C2’、C3’、C4’和U4，例如，对于三维影像，特征压缩即进行1×1×1卷积，对于二维影像，特征压缩即进行1×1卷积，本发明对此不作限定；将特征融合，得到不同尺度的多个初始空间变换矩阵参数；例如，将U4进行两倍上采样，与C4’融合得到U3；将U3进行两倍上采样，与C3’融合得到U2；将U2进行两倍上采样，与C2’融合得到U1；U1、U2、U3和U4即为初始空间变换矩阵参数。应当理解，上述两倍上采样仅为示例性描述，本发明对此不作限定。
其次，对待分割影像进行重采样，得到不同尺度的多个第一影像，其中，所述多个第一影像的尺度与所述多个初始空间变换矩阵参数的尺度一一对应。
也就是说，对待分割影像m0进行重采样分别得到与U1、U2、U3和U4同尺度的重采样影像mi，i＝1，2，3，4。例如，在一实施例中，可以对待分割影像分别进行1/2、1/4、1/8、1/16重采样，应当理解，上述描述仅为示例性描述，本发明对此不作限定。
再次，根据多个初始空间变换矩阵参数，对多个第一影像进行空间变换，得到不同尺度的多个第二影像。
也就是说，利用初始空间变化矩阵参数U1、U2、U3和U4，将重采样影像mi映射到影像分割模板空间，得到mi’，i＝1，2，3，4。
具体地，可以采用空间变换公式m′i＝Vm(p+Ui(p))，i＝1，2，3，4对mi进行空间变换。其中，p表示影像mi内的像素坐标，Vm表示在灰度图像mi中利用最近邻插值算法选取的对应位置的灰度值。
最后，根据多个第二影像与样本影像的不同尺度的多个第三影像的相似性损失值，调整多个初始空间变换矩阵参数，得到多个第一空间变换矩阵参数，其中，多个第三影像通过对所述样本影像重采样得到，多个第二影像的尺度与多个第三影像的尺度一一对应。
具体地，在得到多个第一空间变换矩阵参数的过程中，首先，可以获取多个第二影像与多个第三影像对应的不同尺度的多个第一相似性损失值。根据多个第一相似性损失值，得到总相似性损失值。根据总相似性损失值，调整多个初始空间变换矩阵参数，得到多个第一空间变换矩阵参数。
也就是说，针对每个尺度的第二影像与第三影像进行相似性预测。具体地，可以采用均方差损失函数，例如L2损失函数，分别计算每个尺度相似性损失值。L2损失函数公式如下所示：
Li(fi，m′i)＝|fi(x)-Yi|2，i＝1，2，3，4
L′i(fi，m′i)＝2(fi(x)-Yi)fi′(x)
其中，fi(x)为每个尺度输出的预测值，Yi为每个尺度的目标值。
应当理解，上述描述仅为示例性描述，本发明对具体相似性损失函数不作限定。
其次，可以将多个第一相似性损失值Li加权相加，得到总相似性损失值L。具体地，可采用如下公式：
Figure BDA0002282254680000081
其中，αi表示不同尺度的损失值Li(fi，m′i)的权重。
应当理解，上述描述仅为示例性描述，还可以将多个第一相似性损失值直接相加得到总相似性损失值，本发明对此不作具体限定。
最后，利用总相似性损失值迭代特征金字塔卷积神经网络，调整该神经网络中的参数，直至神经网络收敛。其中，对不同尺度的多个初始空间变换矩阵参数U1、U2、U3和U4调整，得到调整后的U1、U2、U3和U4，记为多个第一空间变换矩阵参数。此外，还可以调整权重，激活函数等其他参数，本发明对此不作限定。
在本发明的另一个实施例中，上述根据多个第一空间变换矩阵参数，得到多尺度空间变换矩阵参数，包括：将多个第一空间变换矩阵参数进行上采样，得到多个第二空间变换矩阵参数，其中，多个第二空间变换矩阵参数的尺度与待分割影像的原始尺度相同；将多个第二空间变换矩阵参数加和，得到多尺度空间变换矩阵参数。
具体地，将多个第一空间变换矩阵参数U1、U2、U3和U4进行上采样，得到与待分割影像的原始尺度相同的U1’、U2’、U3’和U4’，例如，将U1两倍上采样，得到U1’，将U2四倍上采样，得到U2’，将U3八倍上采样，得到U3’，将U4十六倍上采样，得到U4’，将U1’、U2’、U3’和U4’叠加，得到最终的多尺度空间变换矩阵参数U0。
图3所示为本发明另一实施例提供的影像分割方法的流程示意图。该方法可以由计算机设备(例如，服务器)执行。如图3所示，该方法包括如下内容。
S310：将待分割影像序列有序叠加成3维影像，输入特征金字塔卷积神经网络，如图4所示。
S320：通过特征金字塔卷积神经网络卷积层提取不同尺度的影像特征，分别记为C2、C3、C4、C5。
由于C1包含的特征与原始3维影像比较接近，为减轻算力和内存压力，在此不予考虑C1。
S330：将C2、C3、C4、C5分别进行1×1×1卷积，得到C2’、C3’、C4’和U4。
S340：将U4进行两倍上采样，与C4’融合得到U3。
S350：将U3进行两倍上采样，与C3’融合得到U2。
S360：将U2进行两倍上采样，与C2’融合得到U1。
其中，U1、U2、U3和U4即为初始空间变换矩阵参数。
S370：对待分割影像m0进行1/2、1/4、1/8、1/16重采样，分别得到与U1、U2、U3和U4同尺度的3维影像m1、m2、m3和m4。
S380：根据空间变换公式，将m1、m2、m3和m4映射到影像分割模板空间，得到m1’、m2’、m3’和m4’。
空间变换公式为：
m′i＝Vm(p+Ui(p))，i＝1，2，3，4
其中，p表示影像mi内的像素坐标，Vm表示在灰度图像mi中利用最近邻插值算法选取的对应位置的灰度值。
S390：分别计算m1’、m2’、m3’和m4’与样本影像f0的1/2、1/4、1/8、1/16重采样影像f1、f2、f3和f4的相似性损失值L1、L2、L3和L4。
每个尺度的相似性损失函数为：
Li(fi，m′i)＝|fi(x)-Yi|2，i＝1，2，3，4
L′i(fi，m′i)＝2(fi(x)-Yi)fi′(x)
S3100：将L1、L2、L3和L4加权相加，得到总相似性损失函数值L。
总相似性损失函数为：
Figure BDA0002282254680000101
S3110：利用总相似性损失函数值L迭代特征金字塔卷积神经网络直至收敛完全，得到调整后的空间变换矩阵参数U1、U2、U3和U4。
S3120：将U1两倍上采样，得到U1’，将U2四倍上采样，得到U2’，将U3八倍上采样，得到U3’，将U4十六倍上采样，得到U4’，将U1’、U2’、U3’和U4’叠加，得到最终的多尺度空间变换矩阵参数U0。
S3130：利用多尺度空间变换矩阵参数U0将样本分割标签q映射到待分割影像空间，得到待分割影像的分割标签q’。
例如，样本分割标签如表1所示。具体地，可以采用公式q′i＝Vq(p+U0(p))进行标签空间变换，其中，p表示样本分割标签q内的像素坐标，Vq表示在样本分割标签空间中利用最近邻插值算法选取的对应像素点所在位置的标签。
表1
Figure BDA0002282254680000102
Figure BDA0002282254680000111
根据本发明实施例提供的技术方案，能够通过利用影像分割模板，便可以对大量不同个体的待分割影像进行自动区域分割，得到个体特异性的区域分割标记图，方便快捷；通过在多个尺度上进行配准，得到多尺度空间变换矩阵参数，使得待分割影像空间与样本影像空间之间的空间变换更为准确，待分割影像的区域分割更为精确。
上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
图5所示为本发明一实施例提供的影像分割装置的框图。如图5所示，该影像分割装置500包括：获取模块510、配准模块520和空间变换模块530。
获取模块510用于获取待分割影像和影像分割模板，其中，影像分割模板包括样本影像和样本影像的多个影像分区的样本分割标签。
配准模块520用于将待分割影像与样本影像在多个尺度上进行配准，得到多尺度空间变换矩阵参数。
空间变换模块530，用于根据多尺度空间变换矩阵参数，对样本分割标签进行空间转换，得到待分割影像的多个影像分区的分割标签。
根据本发明实施例提供的技术方案，通过将待分割影像与样本影像在多个尺度上进行配准，得到多尺度空间变换矩阵参数；根据多尺度空间变换矩阵参数，对样本分割标签进行空间转换，得到待分割影像的多个影像分区的分割标签，能够利用影像分割模板自动、规范地对影像进行区域分割，得到个体特异性的区域分割标记图，同时区域分割精度较高。
在本发明的另一个实施例中，配准模块520还用于利用特征金字塔卷积神经网络将待分割影像与样本影像在多个尺度上进行配准，得到多尺度空间变换矩阵参数。
在本发明的另一个实施例中，配准模块520还用于通过特征金字塔卷积神经网络将待分割影像与样本影像在多个尺度上进行配准，分别获取不同尺度的多个第一空间变换矩阵参数；根据多个第一空间变换矩阵参数，得到多尺度空间变换矩阵参数。
在本发明的另一个实施例中，如图6所示，配准模块520包括提取单元5210、重采样单元5220、空间变换单元5230和调整单元5240。
提取单元5210用于通过特征金字塔卷积神经网络提取待分割影像的不同尺度的多个影像特征，对多个影像特征进行压缩和融合，得到不同尺度的多个初始空间变换矩阵参数；重采样单元5220，用于对待分割影像进行重采样，得到不同尺度的多个第一影像，其中，多个第一影像的尺度与多个初始空间变换矩阵参数的尺度一一对应；空间变换单元5230，用于根据多个初始空间变换矩阵参数，对多个第一影像进行空间变换，得到不同尺度的多个第二影像；调整单元5240，用于根据多个第二影像与样本影像的不同尺度的多个第三影像的相似性损失值，调整多个初始空间变换矩阵参数，得到多个第一空间变换矩阵参数，其中，多个第三影像通过对样本影像重采样得到，多个第二影像的尺度与多个第三影像的尺度一一对应。
在本发明的另一个实施例中，调整单元5240还用于获取多个第二影像与多个第三影像对应的不同尺度的多个第一相似性损失值；根据多个第一相似性损失值，得到总相似性损失值；根据总相似性损失值，调整多个初始空间变换矩阵参数，得到多个第一空间变换矩阵参数。
在本发明的一个实施例中，调整单元5240还用于将多个第一相似性损失值加权相加，得到总相似性损失值。
在本发明的一个实施例中，如图7所示，上述配准模块520包括上采样单元5250和加和单元5260。上采样单元5250用于将多个第一空间变换矩阵参数进行上采样，得到多个第二空间变换矩阵参数，其中，多个第二空间变换矩阵参数的尺度与待分割影像的原始尺度相同；加和单元5260用于将多个第二空间变换矩阵参数加和，得到多尺度空间变换矩阵参数。
在本发明的一个实施例中，上述多个影像分区为全脑的多个脑供血区，其中，多个脑供血区为28个与脑梗死相关的脑供血区。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
图8所示为本发明一实施例提供的电子设备800的框图。
参照图8，电子设备800包括处理组件810，其进一步包括一个或多个处理器，以及由存储器820所代表的存储器资源，用于存储可由处理组件810的执行的指令，例如应用程序。存储器820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810被配置为执行指令，以执行上述影像分割方法。
电子设备800还可以包括一个电源组件被配置为执行电子设备800的电源管理，一个有线或无线网络接口被配置为将电子设备800连接到网络，和一个输入输出(I/O)接口。电子设备800可以操作基于存储在存储器820的操作系统，例如Windows ServerTM，Mac OSXTM，UnixTM，LinuxTM，FreeBSDTM或类似。
一种非临时性计算机可读存储介质，当存储介质中的指令由上述电子设备800的处理器执行时，使得上述电子设备800能够执行一种影像分割方法，包括：获取待分割影像和影像分割模板，其中，影像分割模板包括样本影像和样本影像的多个影像分区的样本分割标签；将待分割影像与样本影像在多个尺度上进行配准，得到多尺度空间变换矩阵参数；根据多尺度空间变换矩阵参数，对样本分割标签进行空间转换，得到待分割影像的多个影像分区的分割标签。
本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：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以存储程序校验码的介质。
另外，还需要说明的是，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案所记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。
需要注意的是，以上列举的仅为本发明的具体实施例，显然本发明不限于以上实施例，随之有着许多的类似变化。本领域的技术人员如果从本发明公开的内容直接导出或联想到的所有变形，均应属于本发明的保护范围。
应当理解，本发明实施例中提到的第一、第二等限定词，仅仅为了更清楚地描述本发明实施例的技术方案使用，并不能用以限制本发明的保护范围。
以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种影像分割方法，其特征在于，包括：
获取待分割影像和影像分割模板，其中，所述影像分割模板包括样本影像和所述样本影像的多个影像分区的样本分割标签；
将所述待分割影像和所述影像分割模板输入特征金字塔卷积神经网络，利用所述特征金字塔卷积神经网络将所述待分割影像与所述样本影像在多个尺度上进行配准，得到多尺度空间变换矩阵参数；
根据所述多尺度空间变换矩阵参数，对所述样本分割标签进行空间转换，得到所述待分割影像的所述多个影像分区的分割标签，
其中，所述利用特征金字塔卷积神经网络将所述待分割影像与所述样本影像在多个尺度上进行配准，得到所述多尺度空间变换矩阵参数，包括：
通过特征金字塔卷积神经网络将所述待分割影像与所述样本影像在多个尺度上进行配准，分别获取不同尺度的多个第一空间变换矩阵参数；
根据所述多个第一空间变换矩阵参数，得到所述多尺度空间变换矩阵参数，
其中，所述通过特征金字塔卷积神经网络将所述待分割影像与所述样本影像在多个尺度上进行配准，分别获取不同尺度的多个第一空间变换矩阵参数，包括：
通过所述特征金字塔卷积神经网络提取所述待分割影像的不同尺度的多个影像特征，对所述多个影像特征进行压缩和融合，得到不同尺度的多个初始空间变换矩阵参数；
对所述待分割影像进行重采样，得到不同尺度的多个第一影像，其中，所述多个第一影像的尺度与所述多个初始空间变换矩阵参数的尺度一一对应；
根据所述多个初始空间变换矩阵参数，对所述多个第一影像进行空间变换，得到不同尺度的多个第二影像；
根据所述多个第二影像与所述样本影像的不同尺度的多个第三影像的相似性损失值，调整所述多个初始空间变换矩阵参数，得到所述多个第一空间变换矩阵参数，其中，所述多个第三影像通过对所述样本影像重采样得到，所述多个第二影像的尺度与所述多个第三影像的尺度一一对应。
2.根据权利要求1所述的影像分割方法，其特征在于，所述根据所述多个第二影像与所述样本影像的不同尺度的多个第三影像的相似性损失值，调整所述多个初始空间变换矩阵参数，得到所述多个第一空间变换矩阵参数，包括：
获取所述多个第二影像与所述多个第三影像对应的不同尺度的多个第一相似性损失值；
根据所述多个第一相似性损失值，得到总相似性损失值；
根据所述总相似性损失值，调整所述多个初始空间变换矩阵参数，得到所述多个第一空间变换矩阵参数。
3.根据权利要求2所述的影像分割方法，其特征在于，所述根据所述多个第一相似性损失值，得到总相似性损失值，包括：
将所述多个第一相似性损失值加权相加，得到所述总相似性损失值。
4.根据权利要求1所述的影像分割方法，其特征在于，所述根据所述多个第一空间变换矩阵参数，得到所述多尺度空间变换矩阵参数，包括：
将所述多个第一空间变换矩阵参数进行上采样，得到多个第二空间变换矩阵参数，其中，所述多个第二空间变换矩阵参数的尺度与所述待分割影像的原始尺度相同；
将所述多个第二空间变换矩阵参数加和，得到所述多尺度空间变换矩阵参数。
5.根据权利要求1至4中任一项所述的影像分割方法，其特征在于，所述多个影像分区为全脑的多个脑供血区，其中，所述多个脑供血区为28个与脑梗死相关的脑供血区。
6.一种影像分割装置，其特征在于，包括：
获取模块，用于获取待分割影像和影像分割模板，其中，所述影像分割模板包括样本影像和所述样本影像的多个影像分区的样本分割标签；
配准模块，用于将所述待分割影像和所述影像分割模板输入特征金字塔卷积神经网络，利用所述特征金字塔卷积神经网络将所述待分割影像与所述样本影像在多个尺度上进行配准，得到多尺度空间变换矩阵参数；
空间变换模块，用于根据所述多尺度空间变换矩阵参数，对所述样本分割标签进行空间转换，得到所述待分割影像的所述多个影像分区的分割标签，
其中，配准模块还用于：
通过特征金字塔卷积神经网络将所述待分割影像与所述样本影像在多个尺度上进行配准，分别获取不同尺度的多个第一空间变换矩阵参数；
根据所述多个第一空间变换矩阵参数，得到所述多尺度空间变换矩阵参数，
其中，所述配准模块包括：
提取单元，用于通过所述特征金字塔卷积神经网络提取所述待分割影像的不同尺度的多个影像特征，对所述多个影像特征进行压缩和融合，得到不同尺度的多个初始空间变换矩阵参数；
重采样单元，用于对所述待分割影像进行重采样，得到不同尺度的多个第一影像，其中，所述多个第一影像的尺度与所述多个初始空间变换矩阵参数的尺度一一对应；
空间变换单元，用于根据所述多个初始空间变换矩阵参数，对所述多个第一影像进行空间变换，得到不同尺度的多个第二影像；
调整单元，用于根据所述多个第二影像与所述样本影像的不同尺度的多个第三影像的相似性损失值，调整所述多个初始空间变换矩阵参数，得到所述多个第一空间变换矩阵参数，其中，所述多个第三影像通过对所述样本影像重采样得到，所述多个第二影像的尺度与所述多个第三影像的尺度一一对应。
7.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-5中任一项所述的影像分割方法。
8.一种电子设备，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于执行上述权利要求1-5中任一项所述的影像分割方法。
CN201911146163.XA 2019-11-21 2019-11-21 影像分割方法、装置、可读存储介质及电子设备 Active CN110853043B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911146163.XA CN110853043B (zh) 2019-11-21 2019-11-21 影像分割方法、装置、可读存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911146163.XA CN110853043B (zh) 2019-11-21 2019-11-21 影像分割方法、装置、可读存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN110853043A CN110853043A (zh) 2020-02-28
CN110853043B true CN110853043B (zh) 2020-09-29

Family

ID=69603151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911146163.XA Active CN110853043B (zh) 2019-11-21 2019-11-21 影像分割方法、装置、可读存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN110853043B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103606148A (zh) * 2013-11-14 2014-02-26 深圳先进技术研究院 一种磁共振脊柱影像混合分割方法和装置
CN105913431A (zh) * 2016-04-12 2016-08-31 绍兴文理学院 低分辨率医学图像的多图谱分割方法
CN106530321A (zh) * 2016-10-28 2017-03-22 南方医科大学 一种基于方向和尺度描述子的多图谱图像分割方法
CN110415230A (zh) * 2019-07-25 2019-11-05 东北大学 一种基于深度学习的ct切片图像语义分割系统及方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9483831B2 (en) * 2014-02-28 2016-11-01 International Business Machines Corporation Segmentation using hybrid discriminative generative label fusion of multiple atlases
CN106204415B (zh) * 2015-05-04 2020-09-01 南京邮电大学 一种图像配准方法
US10410348B2 (en) * 2016-12-21 2019-09-10 Elekta, Inc. Online learning enhanced atlas-based auto-segmentation
US20200275988A1 (en) * 2017-10-02 2020-09-03 The Johns Hopkins University Image to world registration for medical augmented reality applications using a world spatial map
US10878576B2 (en) * 2018-02-14 2020-12-29 Elekta, Inc. Atlas-based segmentation using deep-learning
CN110310310B (zh) * 2019-03-27 2023-03-31 南京航空航天大学 一种针对航空影像配准的改进方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103606148A (zh) * 2013-11-14 2014-02-26 深圳先进技术研究院 一种磁共振脊柱影像混合分割方法和装置
CN105913431A (zh) * 2016-04-12 2016-08-31 绍兴文理学院 低分辨率医学图像的多图谱分割方法
CN106530321A (zh) * 2016-10-28 2017-03-22 南方医科大学 一种基于方向和尺度描述子的多图谱图像分割方法
CN110415230A (zh) * 2019-07-25 2019-11-05 东北大学 一种基于深度学习的ct切片图像语义分割系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《低分辨率医学图像的多图谱分割方法》;贺光华 等;《高校应用数学学报A辑》;20171113;第32卷(第3期);第15-89页 *
《医学图像配准和分割技术研究及在图像引导放射治疗系统中的应用》;李登旺;《万方智搜》;20111031;第371-378页 *

Also Published As

Publication number Publication date
CN110853043A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
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
US9561004B2 (en) Automated 3-D orthopedic assessments
US20200058098A1 (en) Image processing apparatus, image processing method, and image processing program
US20110262015A1 (en) Image processing apparatus, image processing method, and storage medium
CN108701220A (zh) 用于处理多模态图像的系统和方法
JP6741305B2 (ja) 脊椎骨姿勢推定装置
US10762648B2 (en) Image processing apparatus, image processing method, image processing system, and program
JP6824845B2 (ja) 画像処理システム、装置、方法およびプログラム
US20210271914A1 (en) Image processing apparatus, image processing method, and program
JP6905323B2 (ja) 画像処理装置、画像処理方法、およびプログラム
Forsberg et al. Model-based registration for assessment of spinal deformities in idiopathic scoliosis
CN115830016B (zh) 医学图像配准模型训练方法及设备
JP2019028887A (ja) 画像処理方法
JP4668289B2 (ja) 画像処理装置および方法並びにプログラム
CN114387317A (zh) Ct图像和mri三维图像的配准方法、装置
Van Schie et al. Correlating locations in ipsilateral breast tomosynthesis views using an analytical hemispherical compression model
CN116758087B (zh) 一种腰椎ct骨窗侧隐窝间隙检测方法及装置
JP2022111705A (ja) 学習装置、画像処理装置、医用画像撮像装置、学習方法およびプログラム
JP2022111704A (ja) 画像処理装置、医用画像撮像装置、画像処理方法、およびプログラム
CN112950684A (zh) 基于表面配准的目标特征提取方法、装置、设备和介质
JP6645442B2 (ja) 情報処理装置、情報処理方法、及び、プログラム
CN110853043B (zh) 影像分割方法、装置、可读存储介质及电子设备
CN108197539A (zh) 一种颅骨性别鉴定方法
Han et al. A momentum-based diffeomorphic demons framework for deformable MR-CT image registration
Kim et al. Multi-domain CT translation by a routable translation network

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
CP01 Change in the name or title of a patent holder

Address after: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085

Patentee after: Tuxiang Medical Technology Co., Ltd

Address before: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085

Patentee before: Beijing Tuoxiang Technology Co.,Ltd.

CP01 Change in the name or title of a patent holder