CN111105421A - 一种脑白质高信号分割方法、装置、设备及存储介质 - Google Patents

一种脑白质高信号分割方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111105421A
CN111105421A CN201911202359.6A CN201911202359A CN111105421A CN 111105421 A CN111105421 A CN 111105421A CN 201911202359 A CN201911202359 A CN 201911202359A CN 111105421 A CN111105421 A CN 111105421A
Authority
CN
China
Prior art keywords
image
segmented
white matter
segmentation
high signal
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
Application number
CN201911202359.6A
Other languages
English (en)
Inventor
周雅琪
沈宏
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.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare 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 Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN201911202359.6A priority Critical patent/CN111105421A/zh
Publication of CN111105421A publication Critical patent/CN111105421A/zh
Pending legal-status Critical Current

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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请公开了一种脑白质高信号分割方法、装置、设备及存储介质，所述方法包括：获取待分割图像；基于第一分割网络对所述待分割图像进行脑白质高信号分割，得到所述待分割图像的脑白质高信号标签预测结果；将所述待分割图像和所述待分割图像的脑白质高信号标签预测结果作为第二分割网络的输入，基于所述第二分割网络对所述待分割图像的脑白质高信号标签预测结果进行修正，得到所述待分割图像的脑白质高信号标签修正结果。利用本申请提供的技术方案可以得到分辨率更高、边界更精确、空间连续性更好的脑白质高信号分割结果，弥补第一分割网络分割脑白质高信号时边界模糊的问题。

Description

一种脑白质高信号分割方法、装置、设备及存储介质
技术领域
本发明涉及图像处理技术领域，具体涉及一种脑白质高信号分割方法、装置、设备及存储介质。
背景技术
血管源性的脑白质高信号(white matter hyper intensities of presumedvascular origin,WMH)，也称为脑白质疏松症，白质病变或白质病，是指在磁共振T2流体衰减反转恢复序列(Fluid-attenuated Inversion Recovery,FLAIR)上，双侧侧脑室周围或皮质下白质存在多发的点状、斑片状或融合性高信号现象。脑白质高信号常见于老年人群体和患有小血管疾病或其它神经系统疾病的患者大脑中，并且与功能衰退，痴呆和死亡的风险增加相关。
临床上，一般通过视觉评定量表的方法评估脑白质高信号，然而，由于MRI图像常包含十层至上百层，每一层都需要专业医师视觉评估，因此对脑白质高信号进行视觉评级是极其耗时的。同时由于脑白质高信号结构的多样性，即使是经验丰富的医生也很难准确评价，因此视觉评估脑白质高信号还容易受评价者自身及评价者之间可变性的影响，一致性较低。因此迫切需要能够自动的、客观的、提供定量测量信息及空间位置信息的脑白质高信号分割方法。
近年来深度学习技术成为基于手工设计特征的监督学习方法的有力替代方案，深度学习技术具有强大的模型容量并可自动学习提取具有高度辨别的特征，达到的性能可显著优于手工设计的特征，但现有技术中基于深度学习的脑白质高信号分割技术产生的分割图往往是平滑的，无法保证分割结果在外观及空间上的连续性，在目标边界区域处的效果较差，因此需要提供更有效的方案。
发明内容
为了解决现有技术的问题，本发明提供了一种脑白质高信号分割方法、装置、计算机设备及存储介质。所述技术方案如下：
本申请一方面提供了一种脑白质高信号分割方法，所述方法包括：
获取待分割图像；
基于第一分割网络对所述待分割图像进行脑白质高信号分割，得到所述待分割图像的脑白质高信号标签预测结果；
将所述待分割图像和所述待分割图像的脑白质高信号标签预测结果作为第二分割网络的输入，基于所述第二分割网络对所述待分割图像的脑白质高信号标签预测结果进行修正，得到所述待分割图像的脑白质高信号标签修正结果。
本申请另一方面提供了一种脑白质高信号分割装置，所述装置包括：
图像获取模块，用于获取待分割图像；
脑白质高信号分割模块，用于基于第一分割网络对所述待分割图像进行脑白质高信号分割，得到所述待分割图像的脑白质高信号标签预测结果；
图像修正模块，用于将所述待分割图像和所述待分割图像的脑白质高信号标签预测结果作为第二分割网络的输入，基于所述第二分割网络对所述待分割图像的脑白质高信号标签预测结果进行修正，得到所述待分割图像的脑白质高信号标签修正结果。
本申请另一方面提供了一种设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现所述的脑白质高信号分割方法。
本申请另一方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现所述的脑白质高信号分割方法。
本申请实施例提供的脑白质高信号分割方法、装置、设备及存储介质，具有如下技术效果：
本申请实施例通过获取待分割图像，基于第一分割网络对所述待分割图像进行脑白质高信号分割，得到所述待分割图像的脑白质高信号标签预测结果；能够快速得到脑白质高信号标签预测结果，快捷高效；通过将所述待分割图像和所述待分割图像的脑白质高信号标签预测结果作为第二分割网络的输入，基于所述第二分割网络对所述待分割图像的脑白质高信号标签预测结果进行修正，得到所述待分割图像的脑白质高信号标签修正结果，能够生成分辨率更高、边界更精确、空间连续性更好的分割结果，弥补第一分割网络分割边界模糊的问题。
本发明实施例的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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它附图。
图1是本申请实施例提供的一种脑白质高信号分割方法的流程图；
图2是本申请实施例提供的一种获取待分割图像的流程图；
图3是本申请实施例提供的一种所述第一分割网络的训练方法的流程图；
图4是本申请实施例提供的一种获取样本数据集的流程图；
图5是本申请实施例提供的将所述待分割图像和所述待分割图像的脑白质高信号标签预测结果作为第二分割网络的输入，基于所述第二分割网络对所述待分割图像的脑白质高信号标签预测结果进行修正，得到所述待分割图像的脑白质高信号标签修正结果的流程图；
图6是本申请实施例提供的一种所述第二分割网络的训练方法的流程图；
图7是本申请实施例提供的另一种所述第二分割网络的训练方法的流程图；
图8是本申请实施例提供的一种脑白质高信号分割装置示意图；
图9是本申请实施例提供的一种脑白质高信号分割方法的服务器的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
近年来，随着人工智能技术研究和进步，人工智能技术在多个领域得到广泛应用，本申请实施例提供的方案涉及人工智能的机器学习/深度学习等技术，具体通过如下实施例进行说明：
图1是本申请实施例提供的一种脑白质高信号分割方法的流程图，请参照
图1，本实施例提供的脑白质高信号分割方法包括如下步骤：
S101，获取待分割图像。
图2是本发明实施例提供的获取待分割图像的流程图，具体地，如图2所示，所述获取待分割图像可以包括：
S201，获取待处理图像。
具体地，所述待处理图像可以包括但不限于计算机断层图像(CT图像)和MRI图像；其中，MRI图像还可以包括MRI T1 FLAIR序列扫描图像和MRI T2FLAIR序列扫描图像，优选地，在本发明实施例中，将以MRI T2 FLAIR序列扫描的头部图像为例，但并不以此为限。
具体地，所述获取待处理图像可以包括：
获取外部源输入的待处理图像；或；直接进行待处理图像的采集。
S203，确定所述待处理图像中的目标图像；
具体地，所述确定所述待处理图像中的目标图像可以包括：
对所述待处理图像进行目标图像提取；或；对所述待处理图像进行非目标图像剔除。
在本发明实施例中，所述目标图像可以包括脑组织图像；
优选地，可以采用脑提取算法(brain extraction tool,BET)将所述待处理中的非目标图像(例如，颅骨及眼睛边缘组织等)剔除，确定所述待处理图像中的目标图像。
需要指出的是，实际应用中还可以采用其他目标图像提取算法/非目标图像剔除算法来确定所述待处理图像中的目标图像，本实施例不以此为限。
由于MRI头部图像通常包含部分非脑组织，例如，颅骨、眼睛、皮肤、脂肪及肌肉组织等，不利于脑白质高信号分割的稳健性，本申请实施例通过确定所述待处理图像中的目标图像，相当于在脑白质高信号分割前剔除了非脑组织，去除了噪音，仅保留了对脑白质高信号分割有益的区域(脑组织区域)，有利于提高分割算法的性能，提升了脑白质高信号分割的精度和效率。
需要指出的是，此时可以将从所述待处理图像中确定的目标图像作为所述待分割图像，为了消除目标图像中的场偏移，使得同一个目标图像中绝对灰度具有相同的物理意义，提升脑白质高信号分割的准确性，所述获取待分割图像还可以包括：
S205，对所述目标图像进行场不均匀性矫正，得到矫正后的目标图像；
优选地，可以采用N3场矫正算法对所述目标图像进行场不均匀性矫正，得到矫正后的目标图像；
需要指出的是，实际应用中还可以采用其他场矫正算法来对所述目标图像进行场不均匀性矫正，本实施例不以此为限。
通过对目标图像进行场不均匀性矫正，能够消除目标图像中的场偏移，使得同一个目标图像中绝对灰度具有相同的物理意义，提升了脑白质高信号分割的准确性。
需要指出的是，此时可以将所述矫正后的目标图像作为所述待分割图像，为了将数据按比例缩放，使其落入一个小的特定区间，提升第一分割网络的收敛速度，提升分割模型的精度，所述获取待分割图像还可以包括：
S207，对所述矫正后的目标图像进行图像灰度标准化，得到所述待分割图像。
具体地，所述对所述矫正后的目标图像进行图像灰度标准化的公式如下：
Figure BDA0002296177850000061
其中，x*为标准化的矫正后的目标图像的像素值，x为矫正后的目标图像的像素值，u为所有矫正后的目标图像的像素值的均值，σ为所有矫正后的目标图像的像素值的标准差。
通过对所述矫正后的目标图像进行图像灰度标准化，能够将数据按比例缩放，使其落入一个小的特定区间，能够提升第一分割网络的收敛速度，提升分割模型的精度。
通过S201～S207对所述待处理图像进行预处理，确定了所述待处理图像中的目标图像(脑组织图像)，去除噪音干扰，仅保留了对脑白质高信号分割有益的区域(脑组织区域)，有利于提高分割算法的性能，提升了脑白质高信号分割的精度和效率；通过对所述目标图像进行场不均匀性矫正，消除目标图像中的场偏移，使得同一个目标图像中绝对灰度具有相同的物理意义，提升了脑白质高信号分割的准确性；通过对所述矫正后的目标图像进行图像灰度标准化，有利于提升第一分割网络的收敛速度和精度。
S103，基于第一分割网络对所述待分割图像进行脑白质高信号分割，得到所述待分割图像的脑白质高信号标签预测结果。
具体地，所述待分割图像的脑白质高信号标签预测结果包括所述待分割图像中各像素的初始类别标签。
本发明实施例中，为了区分图像中表征不同类别的像素，可以为图像中的每个像素生成一个类别标签，在实际应用中，不同的类别标签可以用不同的标识进行区分，例如，可以设置表征脑白质高信号的像素的类别标签为数字“1”，表征非脑白质高信号的像素的类别标签为数字“0”。
具体地，所述第一分割网络是基于样本图像及对应的脑白质高信号标注结果进行脑白质高信号分割训练得到的。
图3是本发明实施例提供的第一分割网络训练方法的流程图，具体的如图3所示，所述第一分割网络的训练方法可以包括：
S301，获取样本数据集。
具体地，如图4所示，所述获取样本数据集可以包括：
S401，获取样本图像。
具体地，所述样本图像可以包括但不限于计算机断层图像(CT图像)和MRI图像；其中，MRI图像还可以包括MRI T1 FLAIR序列扫描图像和MRI T2 FLAIR序列扫描图像，在本申请实施例中，将以MRI T2 FLAIR序列扫描的头部图像为例，但并不以此为限。在本申请实施例中，所述样本图像具体可以包括：包含了脑白质高信号的MRI T2 FLAIR序列扫描的头部图像和未包含脑白质高信号的MRI T2 FLAIR序列扫描的头部图像。
具体地，所述获取样本图像可以包括：
获取外部源输入的样本图像；或；直接进行样本图像的采集。
S403，对所述样本图像进行预处理，得到经过预处理的样本图像。
示例性而非限定性地，所述对所述样本图像进行预处理可以包括确定所述样本图像中的目标图像、对所述目标图像进行场不均匀性矫正及对所述矫正后的目标图像进行图像灰度标准化等，具体过程与S203～S207类似，可以参见S203～S207的相关描述，在此不再赘述。
通过对所述样本图像进行预处理，确定所述样本图像中的目标图像(脑组织图像)，去除噪音干扰，仅保留了对脑白质高信号分割有益的区域(脑组织区域)，有利于提高分割网络的性能，提升了脑白质高信号分割的精度和效率；通过对所述目标图像进行场不均匀性矫正，消除目标图像中的场偏移，使得同一个目标图像中绝对灰度具有相同的物理意义，提升了脑白质高信号分割的准确性；通过对所述矫正后的目标图像进行图像灰度标准化，有利于提升第一分割网络的收敛速度和精度。
S405，获取对经过预处理的样本图像进行标注后的脑白质高信号标注结果。
具体地，一般MRI T2 FLAIR序列扫描的头部图像可以包含几十至数百层，所述脑白质高信号标注结果可以包括每一层对应的脑白质高信号标注结果。
S407，基于所述经过预处理的样本图像及对应的脑白质高信号标注结果构建样本数据集。
为了获取更多训练数据，可以对上述步骤S401～S407重复多次，优选地，重复次数大于1000。这样能够获取更多训练数据，提升第一分割网络的精度。
S303，将所述样本数据集随机划分为训练集和验证集。
优选的，可以从所述样本数据集中选取占比为M的数据作为训练集，将所述样本数据集中其余的数据作为训练集，例如，在M为0.8时，即将样本数据集中80％的数据作为训练集，剩下的20％的数据作为验证集。
S305，基于所述训练集对第一神经网络模型进行脑白质高信号分割训练。
具体地，所述训练集可以包括样本数据集中一部分的样本图像及对应的脑白质高信号标注结果。
基于所述训练集对第一神经网络模型进行脑白质高信号分割训练可以包括：将训练集输入第一神经网络模型，基于第一损失函数，计算所述第一神经网络模型输出的样本图像的脑白质高信号标签预测结果与所述样本图像对应的脑白质高信号标注结果之间的误差值，并基于所述误差值对所述第一神经网络模型的模型权重进行调整。
具体地，所述第一神经网络模型可以采用基于全卷积网络的网络结构，此类结构可以包括：例如，针对2D图像的U-Net、针对3D图像的3D U-Net、V-Net等医学图像分割领域常用的全卷积网络分割模型，还可以是其他能够取得较好分割效果的全卷积网络分割模型，本实施例不以此为限；所述第一损失函数可以包括但不限于Dice Loss、Focal Loss、Dice Loss与Focal Loss的联合损失函数、Dice Loss和交叉熵的联合损失函数中的一种或多种。
S307，基于所述验证集对当前的第一神经网络模型进行验证，判断验证结果是否满足第一预设条件。
所述验证集包括样本数据集中另一部分的样本图像及对应的脑白质高信号标注结果。
具体地，所述基于所述验证集对当前的第一神经网络模型进行验证，判断验证结果是否满足第一预设条件可以包括：
1)将验证集输入当前的第一神经网络模型进行脑白质高信号分割验证，得到当前的第一神经网络模型对验证集数据的脑白质高信号标签预测结果与对应的目标区域标注结果的重叠率。
2)判断所述重叠率是否满足第一预设条件。
具体地，所述重叠率的评价指标可以包括但不限于Dice系数、IoU；
具体地，所述第一预设条件可以通过大量样本图像进行脑白质高信号分割测试确定，或根据实际应用需要进行设定，例如，所述第一预设条件可以包括Dice系数大于等于预设Dice系数，具体地，例如，预设Dice系数为0.9或根据实际需要确定的其他值；在一个实施例中，所述第一预设条件还可以包括IoU大于等于预设IoU值。
当判断的结果为否时，重复上述脑白质高信号分割训练至S309判断的步骤。
S309，当判断的结果为是时，将当前的第一神经网络模型作为所述第一分割网络。
通过基于第一分割网络对所述待分割图像进行脑白质高信号分割，得到所述待分割图像的脑白质高信号标签预测结果，方便且分割速度快。但由于卷积过程是空间不变的，因此经过步骤S103基于第一分割网络对所述待分割图像进行脑白质高信号分割，得到所述待分割图像的脑白质高信号标签预测结果之后获取的是图像区域与区域之间的关系，无法获取图像中像素级别的依赖关系，即像素邻域依赖性没有直接建模，使得第一分割网络输出的待分割图像的脑白质高信号标签预测结果往往很平滑，无法保证分割结果在外观及空间上的连续性，因此有必要对待分割图像的脑白质高信号标签预测结果进行修正。
S105，将所述待分割图像和所述待分割图像的脑白质高信号标签预测结果作为第二分割网络的输入，基于所述第二分割网络对所述待分割图像的脑白质高信号标签预测结果进行修正，得到所述待分割图像的脑白质高信号标签修正结果。
具体地，所述待分割图像包括所述待分割图像中各像素的特征信息，所述特征信息可以包括但不限于位置信息和灰度信息。
在实际应用中，当所述待分割图像为MRI图像时，所述待分割图像中每个像素的特征信息可以包括位置信息和灰度信息，还可以通过对所述待分割图像进行变化处理得到更多的特征信息，例如，纹理信息。在本说明书实施例中，可以将位置信息和灰度信息作为待分割图像中各像素的特征信息。
具体地，如图5所示，所述将所述待分割图像和所述待分割图像的脑白质高信号标签预测结果作为第二分割网络的输入，基于所述第二分割网络对所述待分割图像的脑白质高信号标签预测结果进行修正，得到所述待分割图像的脑白质高信号标签修正结果可以包括：
S501，基于所述待分割图像中各像素的特征信息、所述待分割图像的脑白质高信号标签预测结果和所述第二分割网络，对所述待分割图像中各像素的初始类别标签进行修正，得到所述待分割图像中各像素的修正后的类别标签；
S503，基于所述待分割图像中各像素的修正后的类别标签确定所述待分割图像的脑白质高信号标签修正结果。
整合待分割图像的所有像素的修正后的类别标签，即可确定脑白质高信号标签修正结果。
由于卷积过程是空间不变的，因此经过步骤S103基于第一分割网络对所述待分割图像进行脑白质高信号分割，得到脑白质高信号标签预测结果之后获取的是图像区域与区域之间的关系，无法获取图像中像素级别的依赖关系，即像素邻域依赖性没有直接建模，使得第一分割网络输出的待分割图像的脑白质高信号标签预测结果往往很平滑，无法保证分割结果在外观及空间上的连续性。因此，通过将所述待分割图像和所述待分割图像的脑白质高信号标签预测结果作为第二分割网络的输入，基于所述第二分割网络对所述待分割图像的脑白质高信号标签预测结果进行修正，得到所述待分割图像的脑白质高信号标签修正结果，能够根据像素的特征信息对像素的类别标签进行优化，从而生成分辨率更高、边界更精确、空间连续性更好的脑白质高信号分割结果。
图6是本发明实施例提供的第二分割网络训练过程的流程图，具体地，如图6所示，所述第二分割网络的训练方法可以包括：
S601，获取待分割样本图像；
具体地，所述待分割样本图像可以包括所述待分割样本图像中各像素的特征信息，所述特征信息可以包括但不限于位置信息和灰度信息。
在实际应用中，当所述待分割样本图像为MRI图像时，所述待分割样本图像中每个像素的特征信息可以包括位置信息和灰度信息，还可以通过对待分割样本图像进行变化处理得到更多的特征信息，例如，纹理信息。在本说明书实施例中，可以将位置信息和灰度信息作为待分割样本中各像素的特征信息。
具体地，此时的获取待分割样本图像的具体过程与S101中获取待分割图像的过程类似，可以包括对所述待分割样本图像进行预处理，具体地，所述对所述待分割样本图像进行预处理可以包括但不限于确定所述待分割样本图像中的目标图像、对所述目标图像进行场不均匀性矫正及对所述矫正后的目标图像进行图像灰度标准化等，具体过程可以参见S101的相关描述，在此不再赘述。
通过对所述待分割样本图像进行预处理，确定所述待分割样本图像中的目标图像(脑组织图像)，去除噪音干扰，仅保留了对脑白质高信号分割有益的区域(脑组织区域)，有利于提高分割网络的性能，提升了脑白质高信号分割的精度和效率；通过对所述目标图像进行场不均匀性矫正，消除目标图像中的场偏移，使得同一个目标图像中绝对灰度具有相同的物理意义，提升了脑白质高信号分割的准确性；通过对所述矫正后的目标图像进行图像灰度标准化，有利于提升分割网络的收敛速度和精度。
S603，获取待分割样本图像中各像素的初始类别标签；
在本发明实施例中，如图7所示，所述获取待分割样本图像中各像素的初始类别标签可以包括：
S6031，基于第一分割网络对所述待分割样本图像进行脑白质高信号分割，得到所述待分割样本图像的脑白质高信号标签预测结果。
具体地，所述待分割样本图像的脑白质高信号标签预测结果包括：所述待分割样本图像中各像素的初始类别标签。
具体地，此时的基于第一分割网络对所述待分割样本图像进行脑白质高信号分割，得到所述待分割样本图像的脑白质高信号标签预测结果的具体过程与S103的过程类似，但此时是用于在第二分割网络的训练过程中，对待分割样本图像进行脑白质高信号分割，得到的待分割样本图像的脑白质高信号标签预测结果包括所述待分割样本图像中各像素的初始类别标签，能够为后续对待分割样本图像中各像素的初始类别标签进行修正的训练提供数据，具体过程可以参见S103中的相关描述，在此不再赘述。
通过利用所述第一分割网络对所述待分割样本图像进行脑白质高信号分割，得到待分割样本图像的脑白质高信号标签预测结果作为第二分割网络训练时的输入，能够提升第二分割网络的精度。
S605，基于所述待分割样本图像中各像素的特征信息和初始类别标签建立所述全连接条件随机场模型对应的能量函数。
具体地，所述第二分割网络可以包括但不限于全连接条件随机场模型，在实际应用中还可以使用其他神经网络模型，在本发明实施例中，以全连接条件随机场模型为例，当所述第二分割网络为全连接条件随机场时，所述全连接条件随机场模型对应的能量函数可以包括采用如下方式构建：
在本申请实施例中，对于任意输入区域，将其中的每一个像素点作为一个节点，将这些区域所有像素点拉伸为一个一维向量，这样，对于随机场X(X＝{X1，X2，...，XN})，随机场X中的每个变量(X1、X2、...、XN)对应于类别标签集L＝{l1，l2，...，lk}；设存在的另一随机场I＝{I1，I2，...，IN}，可以定义全连接条件随机场模型的能量函数为：
P(X＝x|I)＝exp(-E(x|I))...........................式(1)
其中，对于每个像素，Ij是MRI头部FLAIR图像中像素j的图像灰度值，Xj是像素j的类别标签，Xj的取值范围为标注集L，N为像素个数，在本发明实施例中，对于脑白质高信号的分割，标注集L取值范围可具体化为{0，1}(表征脑白质高信号的像素的类别标签为“1”，表征非脑白质高信号的像素的类别标签为“0”)。式(1)中Z(I)作为归一化因子将能量函数取值概率化，故能量函数可以表达为式(2)：
E(X)＝∑iψu(xi)+∑i＜jψp(xi，xj).....................式(2)
式(2)中的ψu(xi)称为一元势函数，用于描述像素点被分类为类别标签lt的似然概率，在本发明实施例中，所述第一分割网络输出的脑白质高信号标签预测结果作为其输入。
式(2)中ψp(xi，xj)称为二元势函数，采用二元势函数的原因在于仅使用一元势函数时未考虑图像区域间的平滑性，也未考虑图像中像素与像素间的依赖关系，考虑这两个因素，通过使用二元势函数奖励相邻位置、灰度相近的像素为相同类别标签，模型中二元势函数设计为如下混合高斯模型，见表达式(3)：
Figure BDA0002296177850000144
式(3)中，u(xi,xj)称为标签兼容性，用于约束像素间传导的条件，即具有相同标签条件下，能量才可以相互传导。加和项中，m是混合高斯模型中采用的高斯核个数，wm是权重参数，Km(fi,fj)是特征函数，见式(4)：
Figure BDA0002296177850000141
式(4)中
Figure BDA0002296177850000142
称为表面核，
Figure BDA0002296177850000143
称为平滑核。pi和pj是第i和第j个像素对应的位置信息，Ii和Ij是第i和第j个像素对应的灰度值；σα、σβ、σγ是高斯核参数，w1、w2是两个高斯核的相对强度。
在本申请实施例中，对于所述第二分割网络，通过使用二元势函数解释一个像素与另一个像素之间的关系，像素关系紧密的两个像素赋予相同的类别标签，而关系相差大的两个像素会赋予不同的类别标签，该“关系”的判断与像素的灰度值、像素间的相对距离均有关系。基于这些所述第二分割网络能够使图像中不同类别(脑白质高信号和非脑白质高信号)在边界处分割，弥补第一分割网络分割出来的脑白质高信号标签预测结果边界模糊的问题。
具体地，在基于所述第二分割网络对脑白质高信号分割的实施例中，一元势函数为概率分布图，即第一分割网络输出的待分割图像的脑白质高信号标签预测结果；二元势函数中的特征信息(本说明书实施例中包括位置信息和灰度信息)由经过预处理的图像(即所述待分割图像)提供。
S607，基于网格搜索方法迭代最小化所述能量函数，确定最小化能量函数的参数。
具体地，所述能量函数的二元势函数为式(4)所示的混合高斯模型，最小化能量函数E(X)的参数包括混合高斯模型中采用的高斯核个数m、权重参数wm、高斯核参数σα、σβ、σγ、表面核的相对强度w1、平滑核的相对强度w2。
在本发明实施例中，作为优选地，可以将m、σγ、w2设置为1，只需要确定参数σα、σβ及w1。具体地，可以采用机器学习领域中常用的网格搜索法确定参数σα、σβ及w1；具体可以包括：基于网格搜索法对所述能量函数进行预设次数的迭代，确定最小化能量函数的参数。其中，所述预设次数可以根据实际应用需要进行设定。通过先确定优先级低一些的部分参数，再采用网格搜索法确定其它参数，能够提高模型的优化速度。
S609：基于所述最小化能量函数的参数确定所述全连接条件随机场模型。
具体地，基于所述最小化能量函数的参数即可确定基于所述最小化能量函数，将当前的最小化能量函数作为所述全连接条件随机场模型的能量函数，即可确定全连接条件随机场模型。
在本申请实施例中，对于所述全连接条件随机场模型，使用二元势函数的原因在于：仅使用一元势函数时，未考虑图像区域间的平滑性，也未考虑图像中像素与像素间的依赖关系，考虑到这两个因素，通过使用二元势函数奖励相邻位置、灰度相近的像素为相同类别标签，即当两个像素位置、灰度相近，类别标签相同时，二元势函数的值会较小；但当两个像素位置、灰度相近，但类别标签不同时，二元势函数的值会较大，使得能量函数的值无法较小，从而促使全连接条件随机场为位置、灰度相近的像素赋予相同的类别标签，这就是二元势函数的奖励机制。模型中二元势函数设计为上述的混合高斯模型，通过使用二元势函数解释一个像素与另一个像素之间的关系，促使像素关系紧密的两个像素被赋予相同的类别标签，而关系相差大的两个像素被赋予不同的类别标签，该“关系”的判断与像素的灰度值、像素间的相对距离均有关系。基于这些所述第二分割网络能够使图像中不同类别(脑白质高信号和非脑白质高信号)在边界处分割，弥补第一分割网络分割脑白质高信号时边界模糊的问题。
本申请实施例还提供了一种脑白质高信号分割装置，如图8所示，所述装置包括：
第一图像获取模块810，用于获取待分割图像；
脑白质高信号分割模块820，用于基于第一分割网络对所述待分割图像进行脑白质高信号分割，得到所述待分割图像的脑白质高信号标签预测结果；
图像修正模块830，用于将所述待分割图像和所述待分割图像的脑白质高信号标签预测结果作为第二分割网络的输入，基于所述第二分割网络对所述待分割图像的脑白质高信号标签预测结果进行修正，得到所述待分割图像的脑白质高信号标签修正结果。
在一个实施例中，当所述第二分割网络包括全连接条件随机场模型时，所述脑白质高信号分割装置还包括：
待分割样本图像获取模块，用于获取待分割样本图像，所述待分割样本图像包括所述待分割样本图像中各像素的特征信息；
类别标签获取模块，用于获取待分割样本图像中各像素的初始类别标签；
能量函数建立模块，用于基于所述待分割样本图像中各像素的特征信息和初始类别标签建立所述全连接条件随机场模型对应的能量函数；
迭代模块，用于基于网格搜索方法迭代最小化所述能量函数，确定最小化能量函数的参数；
模型确定模块，用于基于所述最小化能量函数的参数确定所述全连接条件随机场模型。
具体地，在一个实施例中，所述类别标签获取模块还可以包括：
图像分割单元，用于基于第一分割网络对所述待分割样本图像进行脑白质高信号分割，得到所述待分割样本图像的脑白质高信号标签预测结果，所述待分割样本图像的脑白质高信号标签预测结果包括：所述待分割样本图像中各像素的初始类别标签。
在一个实施例中，所述脑白质高信号分割装置还包括：
第二图像获取模块，用于获取样本图像及对应的脑白质高信号标注结果；
模型训练模块，用于基于所述样本图像对第一神经网络模型进行脑白质高信号分割训练，在脑白质高信号分割的训练中调整所述第一神经网络模型的模型参数，直到所述第一神经网络模型输出的样本图像的脑白质高信号标签预测结果与所述样本图像对应的脑白质高信号标注结果相匹配；
模型确定模块，用于当所述第一神经网络模型输出的样本图像的脑白质高信号标签预测结果与所述样本图像对应的脑白质高信号标注结果相匹配时，将当前的第一神经网络模型作为所述第一分割网络。
在一个实施例中，所述第一图像获取模块810还包括：
待处理图像获取单元，用于获取待处理图像；
目标图像确定单元，用于确定所述待处理图像中的目标图像；
场不均匀性矫正单元，用于对所述目标图像进行场不均匀性矫正，得到所述待分割图像。
优选地，对目标图像进行场不均匀性矫正之后，还包括：标准化模块，用于在对所述目标图像进行场不均匀性矫正之后，对矫正后的目标图像进行图像灰度标准化，将所述图像灰度标准化后的图像作为所述待分割图像。
具体地，脑白质高信号分割装置的上述各模块可通过总线进行耦合及通信。
本发明实施例的脑白质高信号分割装置通过基于第一分割网络对所述待分割图像进行脑白质高信号分割，得到所述待分割图像的脑白质高信号标签预测结果，方便且分割速度快。再通过将所述待分割图像和所述待分割图像的脑白质高信号标签预测结果作为第二分割网络的输入，基于所述第二分割网络对所述待分割图像的脑白质高信号标签预测结果进行修正，得到所述待分割图像的脑白质高信号标签修正结果，能够根据像素的特征信息对像素的类别标签进行优化，从而生成分辨率更高、边界更精确、空间连续性更好的脑白质高信号分割结果。
本发明实施例提供了一种计算机设备，该计算机设备包括处理器和存储器，该存储器中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的脑白质高信号分割方法。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。
本发明实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行，即上述计算机设备可以包括移动终端、计算机终端、服务器或者类似的运算装置。以运行在服务器上为例，图9是本发明实施例提供的一种脑白质高信号分割方法的服务器的硬件结构框图。如图9所示，该服务器900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中央处理器(Central Processing Units，CPU)910(处理器910可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器930，一个或一个以上存储应用程序923或数据922的存储介质920(例如一个或一个以上海量存储设备)。其中，存储器930和存储介质920可以是短暂存储或持久存储。存储在存储介质920的程序可以包括一个或一个以上模块，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器910可以设置为与存储介质920通信，在服务器900上执行存储介质920中的一系列指令操作。服务器900还可以包括一个或一个以上电源960，一个或一个以上有线或无线网络接口950，一个或一个以上输入输出接口940，和/或，一个或一个以上操作系统921，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
输入输出接口940可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器900的通信供应商提供的无线网络。在一个实例中，输入输出接口940包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，输入输出接口940可以为射频(RadioFrequency，RF)模块，其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解，图9所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器900还可包括比图9中所示更多或者更少的组件，或者具有与图9所示不同的配置。
本发明的实施例还提供了一种计算机可读存储介质，所述存储介质可设置于服务器之中以保存用于实现方法实施例中一种脑白质高信号分割方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的脑白质高信号分割方法。
可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
由上述本发明提供的脑白质高信号分割方法、装置、计算机设备或存储介质的实施例可见，本发明通过基于第一分割网络对所述待分割图像进行脑白质高信号分割，得到所述待分割图像的脑白质高信号标签预测结果，方便且分割速度快。通过将所述待分割图像和所述待分割图像的脑白质高信号标签预测结果作为第二分割网络的输入，基于所述第二分割网络对所述待分割图像的脑白质高信号标签预测结果进行修正，得到所述待分割图像的脑白质高信号标签修正结果，能够根据像素的特征信息对像素的类别标签进行优化，从而生成分辨率更高、边界更精确、空间连续性更好的脑白质高信号分割结果。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备和存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (10)

1.一种脑白质高信号分割方法，其特征在于，所述方法包括：
获取待分割图像；
基于第一分割网络对所述待分割图像进行脑白质高信号分割，得到所述待分割图像的脑白质高信号标签预测结果；
将所述待分割图像和所述待分割图像的脑白质高信号标签预测结果作为第二分割网络的输入，基于所述第二分割网络对所述待分割图像的脑白质高信号标签预测结果进行修正，得到所述待分割图像的脑白质高信号标签修正结果。
2.根据权利要求1所述的方法，其特征在于，所述待分割图像包括所述待分割图像中各像素的特征信息；所述待分割图像的脑白质高信号标签预测结果包括所述待分割图像中各像素的初始类别标签；
所述将所述待分割图像和所述待分割图像的脑白质高信号标签预测结果作为第二分割网络的输入，基于所述第二分割网络对所述待分割图像的脑白质高信号标签预测结果进行修正，得到所述待分割图像的脑白质高信号标签修正结果包括：
基于所述待分割图像中各像素的特征信息、所述待分割图像的脑白质高信号标签预测结果和所述第二分割网络，对所述待分割图像中各像素的初始类别标签进行修正，得到所述待分割图像中各像素的修正后的类别标签；
基于所述待分割图像中各像素的修正后的类别标签确定所述待分割图像的脑白质高信号标签修正结果。
3.根据权利要求1所述的方法，其特征在于，当所述第二分割网络包括全连接条件随机场模型时，所述方法还包括：
获取待分割样本图像，所述待分割样本图像包括所述待分割样本图像中各像素的特征信息；
获取待分割样本图像中各像素的初始类别标签；
基于所述待分割样本图像中各像素的特征信息和初始类别标签建立所述全连接条件随机场模型对应的能量函数；
基于网格搜索方法迭代最小化所述能量函数，确定最小化能量函数的参数；
基于所述最小化能量函数的参数确定所述全连接条件随机场模型。
4.根据权利要求3所述的方法，其特征在于，所述获取待分割样本图像中各像素的初始类别标签包括：
基于第一分割网络对所述待分割样本图像进行脑白质高信号分割，得到所述待分割样本图像的脑白质高信号标签预测结果，所述待分割样本图像的脑白质高信号标签预测结果包括：所述待分割样本图像中各像素的初始类别标签。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取样本图像及对应的脑白质高信号标注结果；
基于所述样本图像对第一神经网络模型进行脑白质高信号分割训练，在脑白质高信号分割的训练中调整所述第一神经网络模型的模型参数，直到所述第一神经网络模型输出的样本图像的脑白质高信号标签预测结果与所述样本图像对应的脑白质高信号标注结果相匹配；
将当前的第一神经网络模型作为所述第一分割网络。
6.根据权利要求1所述的方法，其特征在于，所述获取待分割图像包括：
获取待处理图像；
确定所述待处理图像中的目标图像；
对所述目标图像进行场不均匀性矫正，得到所述待分割图像。
7.根据权利要求6所述的方法，其特征在于，所述获取待分割图像还包括：
在对所述目标图像进行场不均匀性矫正之后，对矫正后的目标图像进行图像灰度标准化；
将所述图像灰度标准化后的图像作为所述待分割图像。
8.一种脑白质高信号分割装置，其特征在于，所述装置包括：
图像获取模块，用于获取待分割图像；
脑白质高信号分割模块，用于基于第一分割网络对所述待分割图像进行脑白质高信号分割，得到所述待分割图像的脑白质高信号标签预测结果；
图像修正模块，用于将所述待分割图像和所述待分割图像的脑白质高信号标签预测结果作为第二分割网络的输入，基于所述第二分割网络对所述待分割图像的脑白质高信号标签预测结果进行修正，得到所述待分割图像的脑白质高信号标签修正结果。
9.一种脑白质高信号分割设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的脑白质高信号分割方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至7任一所述的脑白质高信号分割方法。
CN201911202359.6A 2019-11-29 2019-11-29 一种脑白质高信号分割方法、装置、设备及存储介质 Pending CN111105421A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911202359.6A CN111105421A (zh) 2019-11-29 2019-11-29 一种脑白质高信号分割方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911202359.6A CN111105421A (zh) 2019-11-29 2019-11-29 一种脑白质高信号分割方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111105421A true CN111105421A (zh) 2020-05-05

Family

ID=70421519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911202359.6A Pending CN111105421A (zh) 2019-11-29 2019-11-29 一种脑白质高信号分割方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111105421A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111951279A (zh) * 2020-08-05 2020-11-17 中国科学院深圳先进技术研究院 颅脑超声图像的脑白质区域分割方法、装置及电子设备
CN112508902A (zh) * 2020-11-30 2021-03-16 上海联影智能医疗科技有限公司 白质高信号分级方法、电子设备及存储介质
CN112651924A (zh) * 2020-12-04 2021-04-13 深圳博脑医疗科技有限公司 一种数据生成装置、方法、终端和存储介质
CN114419066A (zh) * 2022-01-14 2022-04-29 深圳市铱硙医疗科技有限公司 脑白质高信号分割方法、装置、设备及存储介质
WO2022156235A1 (zh) * 2021-01-22 2022-07-28 上海商汤智能科技有限公司 神经网络训练和图像处理方法及装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102783936A (zh) * 2011-05-16 2012-11-21 常州环视高科电子科技有限公司 用于确定大脑状态的方法和系统
CN105261005A (zh) * 2015-09-11 2016-01-20 浙江工商大学 基于多尺度空间模糊聚类的无监督mri图像分割方法
CN105283780A (zh) * 2013-03-15 2016-01-27 俄亥俄州创新基金会 用于信号不均匀性校正和性能评估的方法和装置
CN109325954A (zh) * 2018-09-18 2019-02-12 北京旷视科技有限公司 图像分割方法、装置及电子设备
CN109859215A (zh) * 2019-01-30 2019-06-07 北京慧脑云计算有限公司 一种基于Unet模型的脑白质高信号自动分割系统及其方法
CN109872374A (zh) * 2019-02-19 2019-06-11 江苏通佑视觉科技有限公司 一种图像语义分割的优化方法、装置、存储介质及终端
US20190266731A1 (en) * 2018-02-26 2019-08-29 Abc Fintech Co., Ltd. Image segmentation method and device

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102783936A (zh) * 2011-05-16 2012-11-21 常州环视高科电子科技有限公司 用于确定大脑状态的方法和系统
CN105283780A (zh) * 2013-03-15 2016-01-27 俄亥俄州创新基金会 用于信号不均匀性校正和性能评估的方法和装置
CN105261005A (zh) * 2015-09-11 2016-01-20 浙江工商大学 基于多尺度空间模糊聚类的无监督mri图像分割方法
US20190266731A1 (en) * 2018-02-26 2019-08-29 Abc Fintech Co., Ltd. Image segmentation method and device
CN109325954A (zh) * 2018-09-18 2019-02-12 北京旷视科技有限公司 图像分割方法、装置及电子设备
CN109859215A (zh) * 2019-01-30 2019-06-07 北京慧脑云计算有限公司 一种基于Unet模型的脑白质高信号自动分割系统及其方法
CN109872374A (zh) * 2019-02-19 2019-06-11 江苏通佑视觉科技有限公司 一种图像语义分割的优化方法、装置、存储介质及终端

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KONSTANTINOS KAMNITSAS 等: "Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation" *
SHUAI CHEN 等: "An End-to-end Approach to Semantic Segmentation with 3D CNN and Posterior-CRF in Medical Images" *
刘亚龙 等: "基于精细化残差 U-Net 的新生儿局灶性脑白质损伤分割模型" *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111951279A (zh) * 2020-08-05 2020-11-17 中国科学院深圳先进技术研究院 颅脑超声图像的脑白质区域分割方法、装置及电子设备
WO2022027910A1 (zh) * 2020-08-05 2022-02-10 中国科学院深圳先进技术研究院 颅脑超声图像的脑白质区域分割方法、装置及电子设备
CN111951279B (zh) * 2020-08-05 2024-04-23 中国科学院深圳先进技术研究院 颅脑超声图像的脑白质区域分割方法、装置及电子设备
CN112508902A (zh) * 2020-11-30 2021-03-16 上海联影智能医疗科技有限公司 白质高信号分级方法、电子设备及存储介质
CN112508902B (zh) * 2020-11-30 2024-05-14 上海联影智能医疗科技有限公司 白质高信号分级方法、电子设备及存储介质
CN112651924A (zh) * 2020-12-04 2021-04-13 深圳博脑医疗科技有限公司 一种数据生成装置、方法、终端和存储介质
CN112651924B (zh) * 2020-12-04 2024-03-26 深圳博脑医疗科技有限公司 一种数据生成装置、方法、终端和存储介质
WO2022156235A1 (zh) * 2021-01-22 2022-07-28 上海商汤智能科技有限公司 神经网络训练和图像处理方法及装置、电子设备及存储介质
CN114419066A (zh) * 2022-01-14 2022-04-29 深圳市铱硙医疗科技有限公司 脑白质高信号分割方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
US11568533B2 (en) Automated classification and taxonomy of 3D teeth data using deep learning methods
CN111105421A (zh) 一种脑白质高信号分割方法、装置、设备及存储介质
US20200074634A1 (en) Recist assessment of tumour progression
EP3111422B1 (en) System and method for auto-contouring in adaptive radiotherapy
CN107563434B (zh) 一种基于三维卷积神经网络的脑部mri图像分类方法、装置
EP1880363A1 (en) Method and apparatus for image segmentation
US12009105B2 (en) Learning apparatus and learning method for training neural network
CN107437252B (zh) 用于黄斑病变区域分割的分类模型构建方法和设备
EP3828829A1 (en) Method and apparatus for determining mid-sagittal plane in magnetic resonance images
CN109949288A (zh) 肿瘤类型确定系统、方法及存储介质
CN113706463A (zh) 基于深度学习的关节影像关键点自动检测方法、装置、设备及存储介质
CN112348059A (zh) 基于深度学习的多种染色病理图像分类方法及系统
CN112508902B (zh) 白质高信号分级方法、电子设备及存储介质
CN111080658A (zh) 基于可形变配准和dcnn的宫颈mri图像分割方法
CN111666890A (zh) 脊柱变形人群识别方法、装置、计算机设备及存储介质
CN111652300A (zh) 脊柱曲度分类方法、计算机设备和存储介质
CN114757908A (zh) 基于ct影像的图像处理方法、装置、设备及存储介质
CN113222996A (zh) 心脏分割质量评估方法、装置、设备及存储介质
CN111339993A (zh) 一种x射线图像金属检测方法和系统
US20220292673A1 (en) On-Site training of a machine-learning algorithm for generating synthetic imaging data
Korez et al. Segmentation of pathological spines in CT images using a two-way CNN and a collision-based model
CN115880319A (zh) 一种椎体终板及邻近松质骨自动分割方法及装置
CN112884706B (zh) 一种基于神经网络模型的图像评估系统和相关产品
Prasad et al. Skull-stripping with machine learning deformable organisms
CN112949585A (zh) 一种眼底图像血管的识别方法、装置、电子设备及存储介质

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