CN111080654B - 图像的病变区域分割方法、装置及服务器 - Google Patents

图像的病变区域分割方法、装置及服务器 Download PDF

Info

Publication number
CN111080654B
CN111080654B CN201911125330.2A CN201911125330A CN111080654B CN 111080654 B CN111080654 B CN 111080654B CN 201911125330 A CN201911125330 A CN 201911125330A CN 111080654 B CN111080654 B CN 111080654B
Authority
CN
China
Prior art keywords
image
characteristic
feature
similarity
lesion region
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
CN201911125330.2A
Other languages
English (en)
Other versions
CN111080654A (zh
Inventor
王珊珊
郑海荣
祁可翰
刘新
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201911125330.2A priority Critical patent/CN111080654B/zh
Publication of CN111080654A publication Critical patent/CN111080654A/zh
Application granted granted Critical
Publication of CN111080654B publication Critical patent/CN111080654B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • 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
    • G06T2207/10088—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请属于图像识别技术领域，提供了一种图像的病变区域分割方法、装置及服务器，该方法包括：对磁共振扫描获得的图像进行特征提取，生成特征图像；通过特征相似性模块计算所述特征图像中每一像素点之间的关联性，得到包含相似性信息的特征图像；预测所述包含相似性信息的特征图像中的病变区域，输出病变区域图像。本申请实施例解决分割图像中病变区域的准确率低的问题。

Description

图像的病变区域分割方法、装置及服务器
技术领域
本发明涉及图像识别的技术领域，尤其涉及一种图像的病变区域分割方法、装置及服务器。
背景技术
脑部磁共振图像可帮助专家对中风病变进行有效的评估，并制定行之有效的治疗计划。在传统方法中，脑中风病变区域的分割通常由专业放射科医师在磁共振图像切片上逐切片地去手动完成，显然这极为耗时，且有很强的主观性。目前图像分割方法多采用卷积神经网络等基于深度学习的方法，实现自动化对脑卒中病变区域进行分割。此外，人们也引入了空洞卷积运算和金字塔池化结构来获得多尺度特征图，以便进行精确的预测。为了充分利用像素之间的关联信息，人们采用了基于长短期记忆的网络来捕捉复杂的空间背景信息，采用于空洞卷积的模型来提取丰富的多尺度上下文信息。
但基于长短期记忆的网络和基于空洞卷积的模型只是从几个周围的像素中收集信息，没有在一个较远的距离上提取信息，导致自动分割方法无法充分利用所有像素之间的上下文信息对图像中病变的不同大小和位置进行有效的处理，造成分割出来的病变区域的准确率低。
发明内容
有鉴于此，本发明实施例提供了一种图像的病变区域分割方法、装置及服务器，以解决分割图像中病变区域的准确率低的问题。
本发明实施例的第一方面提供了一种图像的病变区域分割方法，包括：
对磁共振扫描获得的图像进行特征提取，生成特征图像；
通过特征相似性模块计算所述特征图像中每一像素点之间的关联性，得到包含相似性信息的特征图像；
预测所述包含相似性信息的特征图像中的病变区域，输出病变区域图像。
在一个实施示例中，所述通过特征相似性模块计算所述特征图像中每一像素点之间的关联性，得到包含相似性信息的特征图像，包括：
对于所述特征图像每一像素点，计算所述像素点与所述特征图像上其它任一像素点之间的相似性得到关联信息；
将每一所述像素点的关联信息与所述特征图像相乘得到包含相似性信息的特征图像。
在一个实施示例中，所述对磁共振扫描获得的图像进行高维特征提取，生成特征图像，包括：
通过编码器中级联的深度可分离卷积层对磁共振扫描获得的图像进行特征提取，生成特征图像。
在一个实施示例中，所述预测所述包含相似性信息的特征图像中的病变区域，输出病变区域图像，包括：
通过解码器中级联的深度可分离卷积层对所述包含相似性信息的特征图像的病变区域位置进行预测，输出病变区域掩膜。
在一个实施示例中，在对磁共振扫描获得的图像进行高维特征提取，生成特征图像之前，包括：
将预设图像训练数据输入所述编码器中级联的深度可分离卷积层进行特征提取，生成第一特征数据；
通过所述特征相似性模块计算所述第一特征数据中每一像素点之间的关联性，得到包含相似性信息的第二特征数据；
通过所述解码器中级联的深度可分离卷积层对所述第二特征数据的病变区域位置进行预测，输出病变区域预测掩膜；
根据所述病变区域预测掩膜与所述图像训练数据对应的目标掩膜反向计算梯度，以更新所述编码器和所述解码器中级联的深度可分离卷积层以及所述特征相似性模块的参数。
本发明实施例的第二方面提供了一种图像的病变区域分割装置，包括：
特征提取模块，用于对磁共振扫描获得的图像进行特征提取，生成特征图像；
相似性计算模块，用于通过特征相似性模块计算所述特征图像中每一像素点之间的关联性，得到包含相似性信息的特征图像；
病变区域分割模块，用于预测所述包含相似性信息的特征图像中的病变区域，输出病变区域图像。
在一个实施示例中，所述特征相似性模块包括：
关联信息计算单元，用于对于所述特征图像每一像素点，计算所述像素点与所述特征图像上其它任一像素点之间的相似性得到关联信息；
信息组合单元，用于将每一所述像素点的关联信息与所述特征图像相乘得到包含相似性信息的特征图像。
在一个实施示例中，所述特征提取模块包括：
特征提取单元，用于通过编码器中级联的深度可分离卷积层对磁共振扫描获得的图像进行高维特征提取，生成特征图像。
在一个实施示例中，所述病变区域分割模块包括：
病变区域预测单元，用于通过解码器中级联的深度可分离卷积层对所述包含相似性信息的特征图像的病变区域位置进行预测，输出病变区域掩膜。
本发明实施例的第三方面提供了一种服务器，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面中图像的病变区域分割方法。
本发明实施例提供的一种图像的病变区域分割方法、装置及服务器，通过对磁共振扫描获得的图像进行特征提取，生成特征图像；通过特征相似性模块计算所述特征图像中每一像素点之间的关联性，得到包含相似性信息的特征图像；预测所述包含相似性信息的特征图像中的病变区域，输出病变区域图像。通过特征相似性模块对具有特征值的特征图像中任意两个位置的像素点计算关联性，得到包含任意两个位置的像素点之间的相似性信息的特征图像。实现在远距离上提取了特征图像中每一像素点之间的相似性信息，从而对图像中不同位置、大小的病变区域都可以进行有效的辨别。根据包含相似性信息的特征图像的特征值和相似性信息对图像中的病变区域进行预测，充分利用包含相似性信息的特征图像中所有像素点之间的上下文信息进行病变区域预测，输出准确的病变区域图像，提高分割图像中病变区域的准确率。
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是本发明实施例一提供的图像的病变区域分割方法的流程示意图；
图2是本发明实施例二提供的图像的病变区域分割方法的流程示意图；
图3是本发明实施例三提供的图像的病变区域分割装置的结构示意图；
图4是本发明实施例四提供的服务器的结构示意图。
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地描述，显然，所描述的实施例是本发明一部分的实施例，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，都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。
实施例一
如图1所示，是本发明实施例一提供的图像的病变区域分割方法的流程示意图。本实施例可适用于分割出磁共振扫描获得的图像中病变区域的应用场景，该方法可以由图像的病变区域分割装置执行，该装置可为服务器、智能终端、平板或PC等；在本申请实施例中以图像的病变区域分割装置作为执行主体进行说明，该方法具体包括如下步骤：
S110、对磁共振扫描获得的图像进行特征提取，生成特征图像；
在医学病理诊断上，常采用磁共振扫描病人身体获得身体各个部位，从而医生可通过确定磁共振获得的图像中病变区域判断病人身体内部的病变情况。由于人为判断图像中的病变区域具有主观性且极为耗时，可通过深度学习图像的病变区域分割方法实现对图像中病变区域的确定。具体地，为实现对图像中病变区域的识别，需对磁共振扫描获得的图像进行特征提取，得到具有特征值的特征图像。
在一个实施示例中，对磁共振扫描获得的图像进行特征提取，生成特征图像的过程可为：通过编码器中级联的深度可分离卷积层对磁共振扫描获得的图像进行特征提取，生成特征图像。具体地，深度学习图像的病变区域分割可通过采用对称编码器-解码器架构的方法实现。其中，编码器可用于对磁共振扫描获得的图像进行特征提取。为获得包含更多信息的多尺度特征图像，编码器需对该图像进行高维特征提取，以完全提取图像中的特征信息。
若编码器采用普通神经网络卷积层如SegNet、U-Net和2D Dense-UNet等进行高维特征提取，对磁共振扫描得到的图像进行同时多通道卷积操作时需要大量的参数参与计算导致计算耗时过长。为减少编码器计算过程中的参数量，预先训练好的编码器中可使用级联的深度可分离卷积层对图像进行高维特征提取。具体地，通过编码器中的深度可分离卷积层对图像的每个通道在多尺度维度上进行卷积操作，然后再使用一个卷积核大小为1x1的普通卷积来实现通道维度上的卷积操作。根据上述规则将每一深度可分离卷积层的输出数据输入下一深度可分离卷积层针对下一通道在多尺度维度上进行卷积，经过N个级联的深度可分离卷积层卷积之后得到通道数目为N的特征图像，完成从磁共振扫描获得的图像中提取高维特征。通过使用编码器中级联的深度可分离卷积层对图像进行高维特征提取在不损失性能的同时大大降低卷积神经网络的参数量。
S120、通过特征相似性模块计算所述特征图像中每一像素点之间的关联性，得到包含相似性信息的特征图像；
从磁共振扫描获得的图像中提取高维特征生成特征图像后，还需获取特征图像中像素点之间的关联关系即上下文信息，以根据具有丰富的多尺度上下文信息的特征图像准确的分割图像中的病变区域。现有技术中通过基于长短期记忆的网络和基于空洞卷积的模型进行特征图像中像素点之间的关联信息提取。但基于长短期记忆的网络和基于空洞卷积的模型只是从几个周围的像素中收集信息，没有在一个较远的距离上提取关联信息，导致自动分割方法无法充分利用所有像素之间的上下文信息对图像中病变的不同大小和位置进行有效的处理。
为解决这一问题，可通过特征相似性模块计算所述特征图像中每一像素点之间的关联性，得到包含相似性信息的特征图像。具体地，通过特征相似性模块计算编码器输出的特征图像上所有位置上的像素点之间的关联信息，不局限于从每一像素点的周围获取关系信息而是获取特征图像中每一像素点与特征图像中除该像素点外所有像素点之间的关联信息，实现在远距离上提取特征图像中像素点之间的关联信息。并将计算得到的关联信息与特征图像中的特征值组合，从而得到包含相似性信息的特征图像，从而对图像中不同位置、大小的病变区域都可以进行有效的辨别。
在一个实施示例中，通过特征相似性模块计算所述特征图像中每一像素点之间的关联性，得到包含相似性信息的特征图像的过程可为：对于所述特征图像每一像素点，计算所述像素点与所述特征图像上其它任一像素点之间的相似性得到关联信息；将每一所述像素点的关联信息与所述特征图像相乘得到包含相似性信息的特征图像。具体地，特征图像输入特征相似性模块后通过卷积计算得到每一像素点与特征图像上除该像素点以外的任一像素点之间的相似性，得到包含特征图像上任意两个位置的像素点之间的相似性的关联信息。通过将该关联信息与原先输入的特征图像相乘得到包含相似性信息的特征图像。
可选地，考虑图像滤波中的非局部均值算法，包含相似性信息的特征图像可为：v(x)＝∑(y∈I)w(x,y)*u(y)；其中，u(y)为特征图像中任一像素点y对应的特征值；v(x)为包含相似性信息的特征图像数据；w(x,y)表示被加权的像素点y与当前像素点x的相似性。其中，w(x,y)定义为
Figure BDA0002276655730000081
且θ和
Figure BDA0002276655730000082
都是卷积操作，通过对θ(x)和
Figure BDA0002276655730000083
的结果进行矩阵相乘得到特征图像上任意两个位置的像素点之间的相似性。在得到特征图像上任意两个位置的像素点之间的相似性w(x,y)后，w(x,y)与u(y)原输入的特征图像的特征值进行对应位置相乘，得到包含相似性信息的特征图像v(x)。且为避免特征相似性模型中的梯度消失还引入残差，将包含相似性信息的特征图像v(x)与原输入的特征图像相加得到最终输出的包含相似性信息的特征图像。
由于特征相似性模块计算所述特征图像中每一像素点之间的关联性得到包含相似性信息的特征图像的过程中并未改变特征图像的尺寸，且对特征图像的尺寸也没有要求，因此特征相似性模块可插入编码器或解码器的任意位置进行计算，而无需编码器和解码器做任何调整。
S130、预测所述包含相似性信息的特征图像中的病变区域，输出病变区域图像。
在通过特征相似性模块计算得到包含相似性信息的特征图像后，可根据该特征图像包含的全面丰富的多尺度上下文信息进行图像中病变区域的预测，从而输出病变区域图像。
在一个实施示例中，预测所述包含相似性信息的特征图像中的病变区域，输出病变区域图像的具体过程可为：通过解码器中级联的深度可分离卷积层对所述包含相似性信息的特征图像的病变区域位置进行预测，输出病变区域掩膜。由于编码器-解码器为对称结构，为减少参数量通过编码器中级联的深度可分离卷积层对图像的多通道在多尺度维度上进行卷积操作提取高维特征得到特征图像时，需通过预先训练好的解码器中相同的级联的深度可分离卷积层对包含相似性信息的特征图像进行解码和病变区域预测，从而得到病变区域掩膜。具体地，解码器根据包含相似性信息的特征图像中所有像素点之间的上下文信息和多尺度特征信息进行病变区域预测得到病变区域掩膜。
若需具体图像，可根据解码器输出的病变区域掩膜对磁共振扫描获得的图像进行分割得到病变区域图像。通过包含在远距离上提取特征图像中像素点之间的关联信息的特征图像实现准确预测图像中的病变区域，提高分割图像中病变区域的准确率。
本发明实施例提供的一种图像的病变区域分割方法，通过对磁共振扫描获得的图像进行特征提取，生成特征图像；通过特征相似性模块计算所述特征图像中每一像素点之间的关联性，得到包含相似性信息的特征图像；预测所述包含相似性信息的特征图像中的病变区域，输出病变区域图像。通过特征相似性模块对具有特征值的特征图像中任意两个位置的像素点计算关联性，得到包含任意两个位置的像素点之间的相似性信息的特征图像。实现在远距离上提取了特征图像中每一像素点之间的相似性信息，从而对图像中不同位置、大小的病变区域都可以进行有效的辨别。根据包含相似性信息的特征图像的特征值和相似性信息对图像中的病变区域进行预测，充分利用包含相似性信息的特征图像中所有像素点之间的上下文信息进行病变区域预测，输出准确的病变区域图像，提高分割图像中病变区域的准确率。
实施例二
如图2所示的是本发明实施例二提供的图像的病变区域分割方法的流程示意图。在实施例一的基础上，本实施例还提供了优化图像的病变区域分割方法中的参数的过程，从而进一步分割图像中病变区域的准确率。该方法具体包括：
S210、将预设图像训练数据输入所述编码器中级联的深度可分离卷积层进行特征提取，生成第一特征数据；
为实现通过深度学习图像的病变区域分割方法实现对图像中病变区域的确定，需将预设图像训练数据输入所述编码器中级联的深度可分离卷积层进行特征提取生成第一特征数据，实现对编码器的训练。通过编码器中的深度可分离卷积层对图像训练数据的每个通道在多尺度维度上进行卷积操作，然后再使用一个卷积核大小为1x1的普通卷积来实现通道维度上的卷积操作。根据上述规则将每一深度可分离卷积层的输出数据输入下一深度可分离卷积层针对下一通道在多尺度维度上进行卷积，经过N个级联的深度可分离卷积层卷积之后得到通道数目为N的第一特征数据，完成从磁共振扫描获得的图像训练数据中提取高维特征。
S220、通过所述特征相似性模块计算所述第一特征数据中每一像素点之间的关联性，得到包含相似性信息的第二特征数据；
将通过编码器对预设图像训练数据进行特征提取得到的特征图像输入特征相似性模块计算所述第一特征数据中每一像素点之间的关联性，得到包含相似性信息的第二特征数据，完成对特征相似性模块进行关联性计算的训练过程。具体地，第一特征数据输入特征相似性模块后通过卷积计算得到每一像素点与第一特征数据上除该像素点以外的任一像素点之间的相似性，得到包含第一特征数据上任意两个位置的像素点之间的相似性的关联信息。通过将该关联信息与原先输入的特征图像相乘得到包含相似性信息的第二特征数据。
S230、通过所述解码器中级联的深度可分离卷积层对所述第二特征数据的病变区域位置进行预测，输出病变区域预测掩膜；
在通过特征相似性模块计算得到包含相似性信息的第二特征数据后，可根据该第二特征数据包含的全面丰富的多尺度上下文信息进行图像中病变区域的预测训练，从而输出病变区域预测掩膜。
S240、根据所述病变区域预测掩膜与所述图像训练数据对应的目标掩膜反向计算梯度，以更新所述编码器和所述解码器中级联的深度可分离卷积层以及所述特征相似性模块的参数。
由于预设的图像训练数据具有确定的病变区域掩膜，将确定的病变区域掩膜作为目标掩膜。可根据病变区域预测掩膜与图像训练数据对应的目标掩膜反向计算梯度，从而根据计算得到的梯度更新编码器和解码器中级联的深度可分离卷积层以及特征相似性模块的参数。并采用参数更新后的编码器和解码器中级联的深度可分离卷积层以及特征相似性模块进行图像的病变区域分割或进行下一次迭代训练。实现对编码器和解码器中级联的深度可分离卷积层以及特征相似性模块的优化，进一步提高分割图像中病变区域的准确率。并且还可通过对图像的病变区域分割方法进行多次迭代训练，以计算梯度优化编码器和解码器中级联的深度可分离卷积层以及特征相似性模块中的参数，使得图像的病变区域分割方法中模型收敛。
实施例三
如图3所示的是本发明实施例三提供的图像的病变区域分割装置。在实施例一或二的基础上，本发明实施例还提供了一种图像的病变区域分割装置3，该装置包括：
特征提取模块301，用于对磁共振扫描获得的图像进行特征提取，生成特征图像；
相似性计算模块302，用于通过特征相似性模块计算所述特征图像中每一像素点之间的关联性，得到包含相似性信息的特征图像；
病变区域分割模块303，用于预测所述包含相似性信息的特征图像中的病变区域，输出病变区域图像。
在一个实施示例中，所述特征相似性模块包括：
关联信息计算单元，用于对于所述特征图像每一像素点，计算所述像素点与所述特征图像上其它任一像素点之间的相似性得到关联信息；
信息组合单元，用于将每一所述像素点的关联信息与所述特征图像相乘得到包含相似性信息的特征图像。
在一个实施示例中，所述特征提取模块301包括：
特征提取单元，用于通过编码器中级联的深度可分离卷积层对磁共振扫描获得的图像进行高维特征提取，生成特征图像。
在一个实施示例中，所述病变区域分割模块303包括：
病变区域预测单元，用于通过解码器中级联的深度可分离卷积层对所述包含相似性信息的特征图像的病变区域位置进行预测，输出病变区域掩膜。
在一个实施示例中，该装置还包括：
编码器训练模块，用于将预设图像训练数据输入所述编码器中级联的深度可分离卷积层进行特征提取，生成第一特征数据；
特征相似性训练模块，用于通过所述特征相似性模块计算所述第一特征数据中每一像素点之间的关联性，得到包含相似性信息的第二特征数据；
解码器训练模块，用于通过所述解码器中级联的深度可分离卷积层对所述第二特征数据的病变区域位置进行预测，输出病变区域预测掩膜；
参数更新模块，用于根据所述病变区域预测掩膜与所述图像训练数据对应的目标掩膜反向计算梯度，以更新所述编码器和所述解码器中级联的深度可分离卷积层以及所述特征相似性模块的参数。
本发明实施例提供的一种图像的病变区域分割装置，通过对磁共振扫描获得的图像进行特征提取，生成特征图像；通过特征相似性模块计算所述特征图像中每一像素点之间的关联性，得到包含相似性信息的特征图像；预测所述包含相似性信息的特征图像中的病变区域，输出病变区域图像。通过特征相似性模块对具有特征值的特征图像中任意两个位置的像素点计算关联性，得到包含任意两个位置的像素点之间的相似性信息的特征图像。实现在远距离上提取了特征图像中每一像素点之间的相似性信息，从而对图像中不同位置、大小的病变区域都可以进行有效的辨别。根据包含相似性信息的特征图像的特征值和相似性信息对图像中的病变区域进行预测，充分利用包含相似性信息的特征图像中所有像素点之间的上下文信息进行病变区域预测，输出准确的病变区域图像，提高分割图像中病变区域的准确率。
实施例四
图4是本发明实施例四提供的服务器的结构示意图。该服务器包括：处理器41、存储器42以及存储在所述存储器42中并可在所述处理器41上运行的计算机程序43，例如用于图像的病变区域分割方法的程序。所述处理器41执行所述计算机程序43时实现上述图像的病变区域分割方法实施例中的步骤，例如图1所示的步骤S110至S130。
示例性的，所述计算机程序43可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器42中，并由所述处理器41执行，以完成本申请。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序43在所述服务器中的执行过程。例如，所述计算机程序43可以被分割成特征提取模块、相似性计算模块和病变区域分割模块，各模块具体功能如下：
特征提取模块，用于对磁共振扫描获得的图像进行特征提取，生成特征图像；
相似性计算模块，用于通过特征相似性模块计算所述特征图像中每一像素点之间的关联性，得到包含相似性信息的特征图像；
病变区域分割模块，用于预测所述包含相似性信息的特征图像中的病变区域，输出病变区域图像。
所述服务器可包括，但不仅限于，处理器41、存储器42以及存储在所述存储器42中的计算机程序43。本领域技术人员可以理解，图4仅仅是服务器的示例，并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述服务器还可以包括输入输出设备、网络接入设备、总线等。
所述处理器41可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(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 Gate Array，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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器42可以是所述服务器的内部存储单元，例如服务器的硬盘或内存。所述存储器42也可以是外部存储设备，例如服务器上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器42还可以既包括服务器的内部存储单元也包括外部存储设备。所述存储器42用于存储所述计算机程序以及图像的病变区域分割方法所需的其他程序和数据。所述存储器42还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
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。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种图像的病变区域分割方法，其特征在于，包括：
对磁共振扫描获得的图像进行特征提取，生成特征图像；
通过特征相似性模块计算所述特征图像中每一像素点之间的关联性，得到包含相似性信息的特征图像；
根据所述特征图像包含的所述相似性信息预测所述图像中的病变区域，输出病变区域图像；
其中，在对磁共振扫描获得的图像进行高维特征提取，生成特征图像之前，包括：
将预设图像训练数据输入编码器中级联的深度可分离卷积层进行特征提取，生成第一特征数据；
通过所述特征相似性模块计算所述第一特征数据中每一像素点之间的关联性，得到包含相似性信息的第二特征数据；
通过解码器中级联的深度可分离卷积层对所述第二特征数据的病变区域位置进行预测，输出病变区域预测掩膜；
根据所述病变区域预测掩膜与所述图像训练数据对应的目标掩膜反向计算梯度，以更新所述编码器和所述解码器中级联的深度可分离卷积层以及所述特征相似性模块的参数。
2.如权利要求1所述的图像的病变区域分割方法，其特征在于，所述通过特征相似性模块计算所述特征图像中每一像素点之间的关联性，得到包含相似性信息的特征图像，包括：
对于所述特征图像每一像素点，计算所述像素点与所述特征图像上其它任一像素点之间的相似性得到关联信息；
将每一所述像素点的关联信息与所述特征图像相乘得到包含相似性信息的特征图像。
3.如权利要求1或2所述的图像的病变区域分割方法，其特征在于，所述对磁共振扫描获得的图像进行特征提取，生成特征图像，包括：
通过编码器中级联的深度可分离卷积层对磁共振扫描获得的图像进行高维特征提取，生成特征图像。
4.如权利要求3所述的图像的病变区域分割方法，其特征在于，所述预测所述包含相似性信息的特征图像中的病变区域，输出病变区域图像，包括：
通过解码器中级联的深度可分离卷积层对所述包含相似性信息的特征图像的病变区域位置进行预测，输出病变区域掩膜。
5.一种图像的病变区域分割装置，其特征在于，包括：
特征提取模块，用于对磁共振扫描获得的图像进行特征提取，生成特征图像；
相似性计算模块，用于通过特征相似性模块计算所述特征图像中每一像素点之间的关联性，得到包含相似性信息的特征图像；
病变区域分割模块，用于根据所述特征图像包含的所述相似性信息预测所述图像中的的病变区域，输出病变区域图像；
所述装置还包括：
编码器训练模块，用于将预设图像训练数据输入编码器中级联的深度可分离卷积层进行特征提取，生成第一特征数据；
特征相似性训练模块，用于通过所述特征相似性模块计算所述第一特征数据中每一像素点之间的关联性，得到包含相似性信息的第二特征数据；
解码器训练模块，用于通过解码器中级联的深度可分离卷积层对所述第二特征数据的病变区域位置进行预测，输出病变区域预测掩膜；
参数更新模块，用于根据所述病变区域预测掩膜与所述图像训练数据对应的目标掩膜反向计算梯度，以更新所述编码器和所述解码器中级联的深度可分离卷积层以及所述特征相似性模块的参数。
6.如权利要求5所述的图像的病变区域分割装置，其特征在于，所述特征相似性模块包括：
关联信息计算单元，用于对于所述特征图像每一像素点，计算所述像素点与所述特征图像上其它任一像素点之间的相似性得到关联信息；
信息组合单元，用于将每一所述像素点的关联信息与所述特征图像相乘得到包含相似性信息的特征图像。
7.如权利要求5或6所述的图像的病变区域分割装置，其特征在于，所述特征提取模块包括：
特征提取单元，用于通过编码器中级联的深度可分离卷积层对磁共振扫描获得的图像进行高维特征提取，生成特征图像。
8.如权利要求7所述的图像的病变区域分割装置，其特征在于，所述病变区域分割模块包括：
病变区域预测单元，用于通过解码器中级联的深度可分离卷积层对所述包含相似性信息的特征图像的病变区域位置进行预测，输出病变区域掩膜。
9.一种服务器，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述图像的病变区域分割方法的步骤。
CN201911125330.2A 2019-11-18 2019-11-18 图像的病变区域分割方法、装置及服务器 Active CN111080654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911125330.2A CN111080654B (zh) 2019-11-18 2019-11-18 图像的病变区域分割方法、装置及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911125330.2A CN111080654B (zh) 2019-11-18 2019-11-18 图像的病变区域分割方法、装置及服务器

Publications (2)

Publication Number Publication Date
CN111080654A CN111080654A (zh) 2020-04-28
CN111080654B true CN111080654B (zh) 2022-02-08

Family

ID=70311204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911125330.2A Active CN111080654B (zh) 2019-11-18 2019-11-18 图像的病变区域分割方法、装置及服务器

Country Status (1)

Country Link
CN (1) CN111080654B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667458B (zh) * 2020-04-30 2023-09-01 杭州深睿博联科技有限公司 一种对平扫ct中的早急性脑梗死检测方法及装置
CN113971427B (zh) * 2020-07-23 2023-08-18 四川大学 基于改进模型的岩屑识别方法
WO2023226009A1 (zh) * 2022-05-27 2023-11-30 中国科学院深圳先进技术研究院 图像处理方法及装置
CN116843696B (zh) * 2023-04-27 2024-04-09 山东省人工智能研究院 基于特征相似性和超参数卷积注意力的心脏mri分割方法
CN117372439B (zh) * 2023-12-08 2024-03-12 天津市肿瘤医院（天津医科大学肿瘤医院） 一种基于核磁和ct融合的子宫病变位置识别方法、系统及介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109559295A (zh) * 2018-06-04 2019-04-02 新影智能科技(昆山)有限公司 图像分析系统、方法、计算机可读存储介质、及电子终端
CN109410194B (zh) * 2018-10-19 2022-03-29 山东省计算中心（国家超级计算济南中心） 一种基于深度学习的食管癌病理图像处理方法
CN110276777B (zh) * 2019-06-26 2022-03-22 山东浪潮科学研究院有限公司 一种基于深度图学习的图像分割方法及装置

Also Published As

Publication number Publication date
CN111080654A (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN111080654B (zh) 图像的病变区域分割方法、装置及服务器
CN111145209B (zh) 一种医学图像分割方法、装置、设备及存储介质
CN111161279B (zh) 医学图像分割方法、装置及服务器
CN111275034B (zh) 从图像中提取文本区域的方法、装置、设备和存储介质
JP6136537B2 (ja) 画像処理装置、画像処理方法、画像処理制御プログラム、および記録媒体
CN111524137A (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN111950723A (zh) 神经网络模型训练方法、图像处理方法、装置及终端设备
CN110826418B (zh) 脸部特征提取方法及装置
CN110415250B (zh) 一种基于深度学习的重叠染色体分割方法及装置
CN115661144A (zh) 基于可变形U-Net的自适应医学图像分割方法
CN111444807B (zh) 目标检测方法、装置、电子设备和计算机可读介质
CN114155365A (zh) 模型训练方法、图像处理方法及相关装置
CN111145196A (zh) 图像分割方法、装置及服务器
WO2021097595A1 (zh) 图像的病变区域分割方法、装置及服务器
CN111882565B (zh) 一种图像二值化方法、装置、设备及存储介质
CN113034514A (zh) 天空区域分割方法、装置、计算机设备和存储介质
CN111325709A (zh) 无线胶囊内窥镜图像检测系统及检测方法
CN112836653A (zh) 人脸隐私化方法、设备、装置及计算机存储介质
CN111882559B (zh) Ecg信号的获取方法及装置、存储介质、电子装置
CN116246072A (zh) 一种图像预处理系统和基于图像预处理的目标提取方法
CN110189332B (zh) 基于权重图设计的前列腺磁共振图像分割方法及系统
CN112966687B (zh) 图像分割模型训练方法、装置及通信设备
CN113628259A (zh) 图像的配准处理方法及装置
CN112183359A (zh) 视频中的暴力内容检测方法、装置及设备
CN116129496A (zh) 一种图像遮挡方法、装置、计算机设备及存储介质

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