CN111145147B - 多模态医学图像的分割方法及终端设备 - Google Patents

多模态医学图像的分割方法及终端设备 Download PDF

Info

Publication number
CN111145147B
CN111145147B CN201911286985.8A CN201911286985A CN111145147B CN 111145147 B CN111145147 B CN 111145147B CN 201911286985 A CN201911286985 A CN 201911286985A CN 111145147 B CN111145147 B CN 111145147B
Authority
CN
China
Prior art keywords
segmentation
training
segmented
image
sub
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
CN201911286985.8A
Other languages
English (en)
Other versions
CN111145147A (zh
Inventor
闫凯
李志成
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 CN201911286985.8A priority Critical patent/CN111145147B/zh
Publication of CN111145147A publication Critical patent/CN111145147A/zh
Application granted granted Critical
Publication of CN111145147B publication Critical patent/CN111145147B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于图像处理技术领域，提供了一种多模态医学图像的分割方法及终端设备，包括：获取待分割的数据集，所述数据集中包括对同一拍摄对象的目标部位拍摄得到的多种模态的医学图像；利用训练后的分割模型对所述待分割的数据集进行图像分割，得到所述待分割的数据集对应的分割结果；其中，所述训练后的分割模型为基于训练集进行半监督迭代训练后得到的分割模型，所述训练集包括至少一组已标记的数据集和多组未标记的数据集，每组数据集中包括对同一拍摄对象的目标部位拍摄得到的多种模态的医学图像。通过上述方法，在提高多模态医学图像分割效率的同时，有效提高了多模态医学图像分割结果的准确率。

Description

多模态医学图像的分割方法及终端设备
技术领域
本申请属于图像处理技术领域，尤其涉及一种多模态医学图像的分割方法及终端设备。
背景技术
多模态医学图像分割，是从多种模态的医学图像(如多模态的计算机断层扫描图像和多模态磁共振图像等)中识别出器官或病灶位置的图像处理技术，通过该技术能够得到病灶的形状、病灶的体积等信息，对疾病的诊断、治疗和研究具有重要意义。
目前，多模态医学图像分割的主要方法是利用深度卷积神经网络进行图像分割。在该方法中，利用大量的训练数据对深度卷积神经网络进行训练，再利用训练后的深度卷积神经网络进行图像分割。在训练过程中，通常需要对每个训练数据进行人工标记，耗时耗力，降低了训练效率，进而影响了图像分割的效率；而且，人工标记的结果是由人为经验决定的，准确率较低，进而影响了图像分割结果的准确率。
发明内容
本申请实施例提供了一种多模态医学图像的分割方法及终端设备，可以解决现有的多模态医学图像分割方法的效率较低、分割结果的准确率较低的问题。
第一方面，本申请实施例提供了一种多模态医学图像的分割方法，包括：
获取待分割的数据集，所述数据集中包括对同一拍摄对象的目标部位拍摄得到的多种模态的医学图像；
利用训练后的分割模型对所述待分割的数据集进行图像分割，得到所述待分割的数据集对应的分割结果；
其中，所述训练后的分割模型为基于训练集进行半监督迭代训练后得到的分割模型，所述训练集包括至少一组已标记的数据集和多组未标记的数据集，每组数据集中包括对同一拍摄对象的目标部位拍摄得到的多种模态的医学图像。
在第一方面的一种可能的实现方式中，所述利用训练后的分割模型对所述待分割的数据集进行图像分割，得到所述待分割的数据集对应的分割结果，包括：
按照相同的预设划分规则，将所述待分割的数据集中各种模态的医学图像分别划分为M个区域块；
获取所述目标部位中的K个待分割子部位；
对于每个区域块，将各种模态的医学图像中所述区域块对应的图像块组合为一个图像矩阵，并利用当前的分割模型分别对所述图像矩阵进行各个待分割子部位的图像分割，得到所述区域块对应的实际分割结果；
将所述待分割的数据集中所有区域块对应的实际分割结果记为所述待分割的数据集对应的分割结果；
其中，每个区域块对应的实际分割结果包括K个概率矩阵，每个概率矩阵的大小与所述区域块的大小相同，第k个概率矩阵中的各元素表示所述区域块中各个体素属于第k个待分割子部位的概率值，1≤k≤K，K为大于1的正整数。
在第一方面的一种可能的实现方式中，在得到所述待分割的数据集对应的分割结果之后，所述方法还包括：
对所述待分割的数据集对应的分割结果中的每个概率矩阵分别进行二值化处理；
将所述待分割的数据集中同一个区域块对应的二值化处理后的概率矩阵组合成一个二值图像，得到M个二值图像，每个二值图像的大小和与所述二值图像对应的区域块的大小相同；
将所述M个二值图像按照所述预设划分规则进行组合，得到所述待分割的数据集的分割图像。
在第一方面的一种可能的实现方式中，在利用训练后的分割模型对所述待分割的数据集进行图像分割之前，所述方法还包括：
获取由至少一组已标记的数据集和多组未标记的数据集组成的训练集，其中，每组数据集中包括对同一拍摄对象的目标部位拍摄得到的多种模态的医学图像；
利用所述训练集对预设的分割模型进行半监督迭代训练，得到训练后的分割模型。
在第一方面的一种可能的实现方式中，所述利用所述训练集对预设的分割模型进行半监督迭代训练，得到训练后的分割模型，包括：
将所述训练集中所有未标记的数据集划分为N个子集合，每个子集合中包含至少两组未标记的数据集；
当进行第一次半监督迭代训练时，利用当前的训练集中所有已标记的数据集对所述预设的分割模型进行训练，得到第一次训练后的分割模型，并利用所述第一次训练后的分割模型对第一个子集合中的各组数据集进行标记；
当进行第i次半监督迭代训练时，利用当前的训练集中所有已标记的数据集对第i-1次训练后的分割模型进行训练，得到第i次训练后的分割模型，并利用所述第i次训练后的分割模型对第i个子集合中的各组数据集进行标记，其中，2≤i≤N；
当进行第N+1次半监督迭代训练时，利用当前的训练集中所有已标记的数据集对第N次训练后的分割模型进行训练，得到训练后的分割模型。
在第一方面的一种可能的实现方式中，在任意一次半监督迭代训练的步骤中，利用当前的训练集中的一组已标记的数据集对当前的分割模型进行训练，包括：
按照相同的预设划分规则，将所述已标记的数据集中各种模态的医学图像分别划分为M个区域块；
获取所述目标部位中的L个待分割子部位；
对于每个区域块，将各种模态的医学图像中所述区域块对应的图像块组合为一个图像矩阵，并利用当前的分割模型分别对所述图像矩阵进行各个待分割子部位的图像分割，得到所述区域块对应的样本分割结果；
利用所述区域块对应的样本分割结果计算当前的分割模型的损失值，并利用所述损失值对当前的分割模型进行参数更新；
其中，所述区域块对应的样本分割结果包括L个概率矩阵，每个概率矩阵的大小与所述区域块的大小相同，第l个概率矩阵中的各元素表示所述区域块中各个体素属于第l个待分割子部位的概率值，1≤l≤L，L为大于1的正整数。
在第一方面的一种可能的实现方式中，所述利用所述区域块对应的样本分割结果计算当前的分割模型的损失值，包括：
利用所述区域块对应的标记，分别计算所述区域块对应的样本分割结果中每个概率矩阵的损失系数；
将各个概率矩阵的损失系数进行加权求和，得到当前的分割模型的损失值。
在第一方面的一种可能的实现方式中，所述分割模型包括依次顺序连接的第一卷积层、第一子模型、第二子模型、第一反卷积层和第二卷积层；
其中，所述第一子模型包括4个依次顺序连接的第一子块，每个第一子块中包括依次顺序连接的一个池化层、一个残差卷积模块和一个注意力机制模块；
所述第二子模型包括3个依次顺序连接的第二子块，每个第二子块中包括依次顺序连接的一个反卷积层和一个残差卷积模块；
第j个第一子块的输出端还连接第4-j个第二子块中反卷积层的输出端，1≤j≤3。
第二方面，本申请实施例提供了一种多模态医学图像的分割装置，包括：
获取单元，用于获取待分割的数据集，所述数据集中包括对同一拍摄对象的目标部位拍摄得到的多种模态的医学图像；
分割单元，用于利用训练后的分割模型对所述待分割的数据集进行图像分割，得到所述待分割的数据集对应的分割结果；
其中，所述训练后的分割模型为进行半监督迭代训练后得到的分割模型。
第三方面，本申请实施例提供了一种终端设备，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上述第一方面中任一项所述的多模态医学图像的分割方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的多模态医学图像的分割方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的多模态医学图像的分割方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例通过获取待分割的数据集，所述数据集中包括对同一拍摄对象的目标部位拍摄得到的多种模态的医学图像，多模态的医学图像中包含有更完整、更全面的病灶信息，为后续图像分割提供可靠依据；利用训练后的分割模型对所述待分割的数据集进行图像分割，得到所述待分割的数据集对应的分割结果，通过上述方法，将待分割的数据集直接输入训练后的分割模型即可得到分割结果，能够有效提高图像分割的效率；其中，所述训练后的分割模型为基于训练集进行半监督迭代训练后得到的分割模型，所述训练集包括至少一组已标记的数据集和多组未标记的数据集，每组数据集中包括对同一拍摄对象的目标部位拍摄得到的多种模态的医学图像；在半监督迭代训练的过程中，只需少量的标记数据即可完成分割模型的训练，无需进行大量的人工标记，省时省力，同时避免了人为经验对标记结果的影响，进而保证了分割模型的精确度。通过上述方法，在提高多模态医学图像分割效率的同时，有效提高了多模态医学图像分割结果的准确率。
附图说明
为了更清楚地说明本申请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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的医学图像分割系统的示意图；
图2是本申请一实施例提供的多模态医学图像的分割方法的流程示意图；
图3是本申请一实施例提供的4种模态的MRI切片图像的示意图；
图4是本申请一实施例提供的图像分割方法的示意图；
图5是本申请一实施例提供的分割模型的训练方法的流程示意图；
图6是本申请一实施例提供的分割模型的示意图；
图7是本申请一实施例提供的多模态医学图像的分割装置的结构框图；
图8是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一个”、“第二个”、“第三个”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。
先介绍本申请实施例的一个应用场景。参见图1，为本申请实施例提供的医学图像分割系统的示意图。如图1所示，医学图像分割系统包括医学图像采集设备101和终端设备102。其中，医学图像采集设备可以是计算机断层扫描(Computed Tomography，CT)仪、核磁共振成像(Magnetic Resonance Imaging，MRI)仪等等。终端设备可以是手机、电脑、云处理器等。医学图像采集设备负责采集多模态医学图像，并将采集到的多模态医学图像发送给终端设备；终端设备利用本申请实施例中的多模态医学图像的分割方法对接收到的多模态医学图像进行图像分割。
终端设备可以通过有线或无线的方式与医学图像采集设备通信连接。当二者无线连接时，可以实现远程的图像分割，增加了系统的适应性。
图2示出了本申请一实施例提供的多模态医学图像的分割方法的流程示意图，作为示例而非限定，分割方法可以包括以下步骤：
S201，获取待分割的数据集，所述数据集中包括对同一拍摄对象的目标部位拍摄得到的多种模态的医学图像。
示例性的，拍摄对象可以指病人，目标部位可以是待诊断的器官或人体部位。例如，待分割的数据集中包括一个病人脑部的多模态的医学图像。换句话说，一组数据集中包含多张医学图像，这些医学图像都是对同一个病人的同一个目标部位拍摄得到的，每张医学图像对应一种模态。
在实际应用中，医学图像可以是MRI图像。MRI图像是由多张切片图像组成的三维图像，其中，切片图像为二维图像。多模态MRI图像为在MRI成像过程中利用不同的脉冲序列生成的一系列MRI图像，即每种模态对应一张MRI图像。参见图3，为本申请实施例提供的4种模态的MRI切片图像的示意图。如图3所示，4种模态分别为Flair、T1、T1c和T2。图3为4种模态的MRI图像中相同层对应的切片图像(即二维图像)，图中灰度值越高的部分(较白的部分)表示病灶区。可以看出，不同模态的图像中病灶区域的亮暗程度不一样。从不同模态的MRI图像中截取相同层的切片图像进行对比，就可以观察出病灶的形态、体积等信息。
多模态MRI图像能够更清楚、更完整地反映拍摄对象的目标部位的病灶信息。
S202，利用训练后的分割模型对所述待分割的数据集进行图像分割，得到所述待分割的数据集对应的分割结果。
其中，所述训练后的分割模型为基于训练集进行半监督迭代训练后得到的分割模型，所述训练集包括至少一组已标记的数据集和多组未标记的数据集，每组数据集中包括对同一拍摄对象的目标部位拍摄得到的多种模态的医学图像。
半监督迭代训练属于半监督学习，即使用少量已标记数据和大量未标记数据进行训练。现有技术中，在对分割模型进行训练时，需要对训练数据进行全部标记，费时费力。本申请实施例中基于半监督学习，只需利用少量的已标记数据即可实现对分割模型的精确，省时省力。
在一个实施例中，S202可以包括以下步骤：
S21，按照相同的预设划分规则，将所述待分割的数据集中各种模态的医学图像分别划分为M个区域块。
在实际应用中，分割模型的数据处理能力是有限的，而医学图像通常包含较多的体素信息，即医学图像可能超过了分割模型的数据处理能力。这时需要将医学图像划分为低于分割模型的数据处理能力的小图像块。
预设划分规则可以是根据实际需要预先设定的。设定了划分规则后，每一张医学图像都基于这个划分规则进行划分。
示例性的，参见图4，为本申请实施例提供的图像分割方法的示意图。如图4所示，一组数据集中包含4种模态的医学图像(每个立方体表示一张模态图，即一种模态对应的医学图像，每张模态图的大小为256×128×256)。预设划分规则为，分别以坐标点(0,0,0)、(128,0,0)、(0,0,128)和(128,0,128)为起点，延X轴正方向、Y轴正方向和Z轴正方向截取尺寸为128×128×128的区域块。如图4中步骤(a)所示，基于上述规则，每张模态图均被划分为4个区域块1、2、3、4，且每个区域块的大小为128×128×128。
S22，获取所述目标部位中的K个待分割子部位。
示例性的，假设目标部位为人脑，待分割子部位可以是脑叶、小脑、丘脑等等。待分割子部位可以根据实际需要获取。例如，某个病人的病灶位于脑叶和丘脑部分，那么可以只将这两个部分作为待分割子部位。
S23，对于每个区域块，将各种模态的医学图像中所述区域块对应的图像块组合为一个图像矩阵，并利用当前的分割模型分别对所述图像矩阵进行各个待分割子部位的图像分割，得到所述区域块对应的实际分割结果。
可以延Z轴方向将相应的图像块摞在一起。如图4中步骤(b)所示，将4张模态图中区域块1对应的图像块组合成图像矩阵1，将4张模态图中区域块2对应的图像块组合成图像矩阵2，将4张模态图中区域块3对应的图像块组合成图像矩阵3，将4张模态图中区域块4对应的图像块组合成图像矩阵4。一共得到4个图像矩阵，每个图像矩阵的大小为128×128×(128×4)。当然，在实际应用中，也可以由其他的组合方式，上述只是示例，并不用于具体限定。
其中，每个区域块对应的实际分割结果包括K个概率矩阵，每个概率矩阵的大小与所述区域块的大小相同，第k个概率矩阵中的各元素表示所述区域块中各个体素属于第k个待分割子部位的概率值，1≤k≤K，K为大于1的正整数。
示例性的，第k个概率矩阵中(0,0,0)位置上的元素表示区域块(0,0,0)位置上的体素属于第k个待分割子部位的概率值。
参见图4中的步骤(c)，分别将各个图像矩阵输入到分割模型中。对于每个图像矩阵，对应的可以得到分割模型输出的3个概率矩阵(此时待分割子部位的数量为3)，每个概率矩阵的大小均为128×128×128。
S24，将所述待分割的数据集中所有区域块对应的实际分割结果记为所述待分割的数据集对应的分割结果。
共有M个区域块，每个区域块对应K个概率矩阵，因此，一个数据集对应的分割结果中包括M×K个概率矩阵。
此时，得到的分割结果仅是概率矩阵，为了得到直观的分割图像，在一个实施例中，在步骤S202得到待分割的数据集对应的分割结果之后，多模态医学图像的分割方法还可以包括以下步骤：
S203，对所述待分割的数据集对应的分割结果中的每个概率矩阵分别进行二值化处理。
实际应用中，可以预先设定阈值，将概率矩阵中的每个元素分别和阈值进行比较。当元素大于或等于阈值时，将该元素设置为第一预设值；当元素小于阈值时，将该元素设置为第二预设值。示例性的，第一预设值为1，第二预设值为0，这样得到的二值图像就可以清楚地展示出待分割子部位的边界以及所占的区域。参见图4中的步骤(d)。
S204，将所述待分割的数据集中同一个区域块对应的二值化处理后的概率矩阵组合成一个二值图像，得到M个二值图像，每个二值图像的大小和与所述二值图像对应的区域块的大小相同。
参见图4中的步骤(e)，一个区域块对应3个概率矩阵(即一个图像矩阵对应3个概率矩阵)，将这3个概率矩阵分别进行二值化处理后组合成一个二值图像，图4中二值图像的大小为128×128×128，与区域块大小相同。如图4所示，区域块1对应二值图像1，区域块2对应二值图像2，区域块3对应二值图像3，区域块4对应二值图像4。
到此步骤，实际得到了每个区域块对应的分割图像，并不是完整的分割图像。
S205，将所述M个二值图像按照所述预设划分规则进行组合，得到所述待分割的数据集的分割图像。
将各个区域块对应的分割图像按照之前划分时的规则组合在一起，就可以得到完整的分割图像。这时的完整的分割图像的大小与分割前的各张医学图像的大小相同。如图4步骤(f)所示，最后得到的分割图像的大小为256×128×256。且分割图像中，区域块1的位置为二值图像1，区域块2的位置为二值图像2，区域块3的位置为二值图像3，区域块4的位置为二值图像4。
本申请实施例通过获取待分割的数据集，所述数据集中包括对同一拍摄对象的目标部位拍摄得到的多种模态的医学图像，多模态的医学图像中包含有更完整、更全面的病灶信息，为后续图像分割提供可靠依据；利用训练后的分割模型对所述待分割的数据集进行图像分割，得到所述待分割的数据集对应的分割结果，通过上述方法，将待分割的数据集直接输入训练后的分割模型即可得到分割结果，能够有效提高图像分割的效率；其中，所述训练后的分割模型为基于训练集进行半监督迭代训练后得到的分割模型，所述训练集包括至少一组已标记的数据集和多组未标记的数据集，每组数据集中包括对同一拍摄对象的目标部位拍摄得到的多种模态的医学图像；在半监督迭代训练的过程中，只需少量的标记数据即可完成分割模型的训练，无需进行大量的人工标记，省时省力，同时避免了人为经验对标记结果的影响，进而保证了分割模型的精确度。通过上述方法，在提高多模态医学图像分割效率的同时，有效提高了多模态医学图像分割结果的准确率。
图5示出了本申请一实施例提供的分割模型的训练方法的流程示意图，作为示例而非限定，分割模型的训练方法可以包括以下步骤：
S501，获取由至少一组已标记的数据集和多组未标记的数据集组成的训练集，其中，每组数据集中包括对同一拍摄对象的目标部位拍摄得到的多种模态的医学图像。
已标记的数据集中的每张医学图像上都包含有待分割子部位的标记，可以只包含一个待分割子部位的标记，也可以包括多个待分割子部位的标记。
哪个待分割子部位带有标记，训练后的分割模型就可以分割出该待分割子部位。如果训练集中不包含已标记出待分割子部位A的数据集，那么训练后的分割模型也不能分割出待分割子部位A。
S502，利用所述训练集对预设的分割模型进行半监督迭代训练，得到训练后的分割模型。
在一个实施例中，可以分批地进行迭代训练，这样可以增加迭代训练的次数，进而可以提高训练后的分割模型的精度。具体方法如下。
S51，将所述训练集中所有未标记的数据集划分为N个子集合，每个子集合中包含至少两组未标记的数据集。
在实际应用中，每个子集合中包含的未标记的数据集的组数与已标记的数据集的组数相等，或两者差值在预设范围内。这样可以避免训练过程中的数据冗余或数据不足。
S52，当进行第一次半监督迭代训练时，利用当前的训练集中所有已标记的数据集对所述预设的分割模型进行训练，得到第一次训练后的分割模型，并利用所述第一次训练后的分割模型对第一个子集合中的各组数据集进行标记。
S53，当进行第i次半监督迭代训练时，利用当前的训练集中所有已标记的数据集对第i-1次训练后的分割模型进行训练，得到第i次训练后的分割模型，并利用所述第i次训练后的分割模型对第i个子集合中的各组数据集进行标记，其中，2≤i≤N。
S54，当进行第N+1次半监督迭代训练时，利用当前的训练集中所有已标记的数据集对第N次训练后的分割模型进行训练，得到训练后的分割模型。
示例性的，已标记的数据集为DL，将未标记的数据集划分为3个，分别为D1、D2和D3。进行第一次半监督迭代训练时，利用DL对预设的分割模型进行训练得到第一次训练后的分割模型m1，利用m1对D1中的各组数据集进行标记；进行第二次半监督迭代训练时，利用DL和D1对m1进行训练(当前的训练集中已标记的数据集包括DL和D1)得到第二次训练后的分割模型m2，利用m2对D2中的各组数据集进行标记；进行第三次半监督迭代训练时，利用DL、D1和D2对m2进行训练(当前的训练集中已标记的数据集包括DL、D1和D2)得到第三次训练后的分割模型m3，利用m3对D3中的各组数据集进行标记；进行第四次半监督迭代训练时，利用DL、D1、D2和D3对m3进行训练，得到训练后的分割模型。
在一个实施例中，在任意一次半监督迭代训练的步骤中，利用当前的训练集中的一组已标记的数据集对当前的分割模型进行训练，包括：
S61，按照相同的预设划分规则，将所述已标记的数据集中各种模态的医学图像分别划分为M个区域块。
这里的预设划分规则，与图2分割方法步骤中的预设划分规则相同。即训练的时候用哪种划分规则，在实际分割图像的时候也用哪种划分规则。这样，可以保证分割的准确率。
划分方法与S21中的步骤相同，具体可参见S21中的描述，在此不再赘述。
S62，获取所述目标部位中的L个待分割子部位。
原则上，L应大于或等于K。例如，在训练过程中，针对3个待分割子部位a、b、c进行了训练，那么在分割过程中，只能针对a、b、c这3个待分割子部位中的至少一个进行分割。
S63，对于每个区域块，将各种模态的医学图像中所述区域块对应的图像块组合为一个图像矩阵，并利用当前的分割模型分别对所述图像矩阵进行各个待分割子部位的图像分割，得到所述区域块对应的样本分割结果。
其中，所述区域块对应的样本分割结果包括L个概率矩阵，每个概率矩阵的大小与所述区域块的大小相同，第l个概率矩阵中的各元素表示所述区域块中各个体素属于第l个待分割子部位的概率值，1≤l≤L，L为大于1的正整数。
S63中的步骤与S23中的步骤相同，具体可参见S23中的描述，在此不再赘述。
S64，利用所述区域块对应的样本分割结果计算当前的分割模型的损失值，并利用所述损失值对当前的分割模型进行参数更新。
可选的，步骤S64中计算损失值可以包括：
S641，利用所述区域块对应的标记，分别计算所述区域块对应的样本分割结果中每个概率矩阵的损失系数。
可选的，可以利用公式计算每个概率矩阵的损失系数。其中，P为概率矩阵，T为区域块对应的标记，q为概率矩阵中大于阈值的元素的个数。
在实际应用中，也可以先对区域块对应的各个概率矩阵进行二值化处理，再利用二值化处理后的概率矩阵计算损失值。
S642，将各个概率矩阵的损失系数进行加权求和，得到当前的分割模型的损失值。
可选的，可以利用公式计算损失值。其中，wi为第i个概率矩阵对应的权值，Weight_Dicei为第i个概率矩阵对应的损失系数。
通过上述计算损失值的方法，即采用类间加权值的方法，可以均衡不同待分割子部位对整体损失值的影响。
本申请实施例通过获取由至少一组已标记的数据集和多组未标记的数据集组成的训练集，其中，每组数据集中包括对同一拍摄对象的目标部位拍摄得到的多种模态的医学图像；利用所述训练集对预设的分割模型进行半监督迭代训练，得到训练后的分割模型。通过上述方法，只需利用较少的已标记数据集，即可实现对分割模型的训练，同时能够保证训练后的分割模型具有较高的分割准确率。
图6示出了本申请一实施例提供的分割模型的示意图，如图6所示，在本申请实施例中，可以采用如下结构的分割模型。
分割模型包括依次顺序连接的第一卷积层(如图6中最左侧的Conv)、第一子模型、第二子模型、第一反卷积层(如图6中的最右侧的Deconv)和第二卷积层(如图6中的最右侧的Conv)。
其中，所述第一子模型包括4个依次顺序连接的第一子块，每个第一子块中包括依次顺序连接的一个池化层(pooling)、一个残差卷积模块(ResBlock)和一个注意力机制模块(scSEBlock)。
所述第二子模型包括3个依次顺序连接的第二子块，每个第二子块中包括依次顺序连接的一个反卷积层(Deconv)和一个残差卷积模块(ResBlock)。
第j个第一子块的输出端还连接第4-j个第二子块中反卷积层的输出端，1≤j≤3。
在利用分割模型对图像进行图像分割时，将图像输入第一卷积层进行第一次卷积处理，第一卷积层将得到第一次卷积后的图像输入到第一子模型中。
在第一子模型中，进行4次第一子处理。其中，第一次子处理为，利用第一个第一子块中的池化层对第一次卷积后的图像进行下采样处理得到第一个下采样图像，利用第一个第一子块中的残差卷积模型对第一下采样图像进行残差卷积处理得到第一个残差图像，利用第一个第一子块中的注意力机制模块对第一残差图像进行加权处理得到第一个加权图像。第s次子处理为，利用第s个第一子块中的池化层对第s－1个加权图像进行下采样处理得到第s个下采样图像，利用第s个第一子块中的残差卷积模型对第s个下采样图像进行残差卷积处理得到第s个残差图像，利用第s个第一子块中的注意力机制模块对第s个残差图像进行加权处理得到第s个加权图像，s为大于1且小于5的正整数。
利用第一子模型得到的第4个加权图像作为第二子模型的输入。在第二子模型中，进行3次第二子处理。其中，第一次子处理为，利用第一个第二子块中的反卷积层对第4个加权图像进行反卷积处理得到第一个反卷积图像，利用第一个第二子块中的残差卷积模块对第一个反卷积图像与第3次第一子处理得到的第3个加权图像之和进行残差卷积处理得到第5个残差图像。第t次第二子处理为，利用第t个第二子块中的反卷积层对第t+3个残差图像进行反卷积处理得到第t个反卷积图像，利用第t个第二子块中的残差卷积模块对第t个反卷积图像与第4-t次第一子处理得到的第4-t个加权图像之和进行残差卷积处理得到第t+4个残差图像，t为大于1且小于4的正整数。
第二子模型得到的第7个残差图像作为第一反卷积层的输入，利用第一反卷积层对第7个残差图像进行反卷积处理得到第4个反卷积图像。
第4个反卷积图像作为第二卷积层的输入，利用第二卷积层对第4个反卷积图像进行卷积处理得到最后的分割结果。
分割模型中加入注意力机制模块，可以较好地避免训练时出现梯度消失或梯度爆炸的情况，并且该注意力机制模块在训练阶段可以自动学习加权特征，提高了分割模型的鲁棒性和自适应性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的方法，图7示出了本申请实施例提供的多模态医学图像的分割装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图7，该装置7包括：
获取单元71，用于获取待分割的数据集，所述数据集中包括对同一拍摄对象的目标部位拍摄得到的多种模态的医学图像。
分割单元72，用于利用训练后的分割模型对所述待分割的数据集进行图像分割，得到所述待分割的数据集对应的分割结果。
其中，所述训练后的分割模型为基于训练集进行半监督迭代训练后得到的分割模型，所述训练集包括至少一组已标记的数据集和多组未标记的数据集，每组数据集中包括对同一拍摄对象的目标部位拍摄得到的多种模态的医学图像。
可选的，分割单元72包括：
划分模块，用于按照相同的预设划分规则，将所述待分割的数据集中各种模态的医学图像分别划分为M个区域块。
获取模块，用于获取所述目标部位中的K个待分割子部位。
分割模块，用于对于每个区域块，将各种模态的医学图像中所述区域块对应的图像块组合为一个图像矩阵，并利用当前的分割模型分别对所述图像矩阵进行各个待分割子部位的图像分割，得到所述区域块对应的实际分割结果。
结果模块，用于将所述待分割的数据集中所有区域块对应的实际分割结果记为所述待分割的数据集对应的分割结果。
其中，每个区域块对应的实际分割结果包括K个概率矩阵，每个概率矩阵的大小与所述区域块的大小相同，第k个概率矩阵中的各元素表示所述区域块中各个体素属于第k个待分割子部位的概率值，1≤k≤K，K为大于1的正整数。
可选的，装置7还包括：
二值化单元73，用于在得到所述待分割的数据集对应的分割结果之后，对所述待分割的数据集对应的分割结果中的每个概率矩阵分别进行二值化处理。
组合单元74，用于将所述待分割的数据集中同一个区域块对应的二值化处理后的概率矩阵组合成一个二值图像，得到M个二值图像，每个二值图像的大小和与所述二值图像对应的区域块的大小相同。
拼接单元75，用于将所述M个二值图像按照所述预设划分规则进行组合，得到所述待分割的数据集的分割图像。
可选的，装置7还包括：
数据获取单元76，用于获取由至少一组已标记的数据集和多组未标记的数据集组成的训练集，其中，每组数据集中包括对同一拍摄对象的目标部位拍摄得到的多种模态的医学图像。
训练单元77，用于利用所述训练集对预设的分割模型进行半监督迭代训练，得到训练后的分割模型。
可选的，训练单元77还用于：
将所述训练集中所有未标记的数据集划分为N个子集合，每个子集合中包含至少两组未标记的数据集。
当进行第一次半监督迭代训练时，利用当前的训练集中所有已标记的数据集对所述预设的分割模型进行训练，得到第一次训练后的分割模型，并利用所述第一次训练后的分割模型对第一个子集合中的各组数据集进行标记。
当进行第i次半监督迭代训练时，利用当前的训练集中所有已标记的数据集对第i-1次训练后的分割模型进行训练，得到第i次训练后的分割模型，并利用所述第i次训练后的分割模型对第i个子集合中的各组数据集进行标记，其中，2≤i≤N。
当进行第N+1次半监督迭代训练时，利用当前的训练集中所有已标记的数据集对第N次训练后的分割模型进行训练，得到训练后的分割模型。
可选的，训练单元77还用于：
按照相同的预设划分规则，将所述已标记的数据集中各种模态的医学图像分别划分为M个区域块。
获取所述目标部位中的L个待分割子部位。
对于每个区域块，将各种模态的医学图像中所述区域块对应的图像块组合为一个图像矩阵，并利用当前的分割模型分别对所述图像矩阵进行各个待分割子部位的图像分割，得到所述区域块对应的样本分割结果。
利用所述区域块对应的样本分割结果计算当前的分割模型的损失值，并利用所述损失值对当前的分割模型进行参数更新。
其中，所述区域块对应的样本分割结果包括L个概率矩阵，每个概率矩阵的大小与所述区域块的大小相同，第l个概率矩阵中的各元素表示所述区域块中各个体素属于第l个待分割子部位的概率值，1≤l≤L，L为大于1的正整数。
可选的，训练单元77还用于：
利用所述区域块对应的标记，分别计算所述区域块对应的样本分割结果中每个概率矩阵的损失系数。
将各个概率矩阵的损失系数进行加权求和，得到当前的分割模型的损失值。
可选的，所述分割模型包括依次顺序连接的第一卷积层、第一子模型、第二子模型、第一反卷积层和第二卷积层。
其中，所述第一子模型包括4个依次顺序连接的第一子块，每个第一子块中包括依次顺序连接的一个池化层、一个残差卷积模块和一个注意力机制模块。
所述第二子模型包括3个依次顺序连接的第二子块，每个第二子块中包括依次顺序连接的一个反卷积层和一个残差卷积模块。
第j个第一子块的输出端还连接第4-j个第二子块中反卷积层的输出端，1≤j≤3。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
另外，图7所示的装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。
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。
图8为本申请一实施例提供的终端设备的结构示意图。如图8所示，该实施例的终端设备8包括：至少一个处理器80(图8中仅示出一个)处理器、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82，所述处理器80执行所述计算机程序82时实现上述任意各个多模态医学图像的分割方法实施例中的步骤。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图8仅仅是终端设备8的举例，并不构成对终端设备8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，例如还可以包括输入输出设备、网络接入设备等。
所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，该处理器80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81在一些实施例中可以是所述终端设备8的内部存储单元，例如终端设备8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述终端设备8的外部存储设备，例如所述终端设备8上配备的插接式硬盘，智能存储卡(Smart Media 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81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的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，本申请实现上述实施例方法中的全部或部分流程，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至少可以包括：能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
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申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络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。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (8)

1.一种多模态医学图像的分割方法，其特征在于，包括：
获取待分割的数据集，所述数据集中包括对同一拍摄对象的目标部位拍摄得到的多种模态的医学图像；
利用训练后的分割模型对所述待分割的数据集进行图像分割，得到所述待分割的数据集对应的分割结果；
其中，所述训练后的分割模型为基于训练集进行半监督迭代训练后得到的分割模型，所述训练集包括至少一组已标记的数据集和多组未标记的数据集，每组数据集中包括对同一拍摄对象的目标部位拍摄得到的多种模态的医学图像；
所述利用训练后的分割模型对所述待分割的数据集进行图像分割，得到所述待分割的数据集对应的分割结果，包括：
按照相同的预设划分规则，将所述待分割的数据集中各种模态的医学图像分别划分为M个区域块；
获取所述目标部位中的K个待分割子部位；
对于每个区域块，将各种模态的医学图像中所述区域块对应的图像块沿Z轴方向组合为一个图像矩阵，并利用当前的分割模型分别对所述图像矩阵进行各个待分割子部位的图像分割，得到所述区域块对应的实际分割结果；
将所述待分割的数据集中所有区域块对应的实际分割结果记为所述待分割的数据集对应的分割结果；
其中，每个区域块对应的实际分割结果包括K个概率矩阵，每个概率矩阵的大小与所述区域块的大小相同，第k个概率矩阵中的各元素表示所述区域块中各个体素属于第k个待分割子部位的概率值，，K为大于1的正整数；
在得到所述待分割的数据集对应的分割结果之后，所述方法还包括：
对所述待分割的数据集对应的分割结果中的每个概率矩阵分别进行二值化处理；
将所述待分割的数据集中同一个区域块对应的二值化处理后的概率矩阵组合成一个二值图像，得到M个二值图像，每个二值图像的大小和与所述二值图像对应的区域块的大小相同；
将所述M个二值图像按照所述预设划分规则进行组合，得到所述待分割的数据集的分割图像。
2.如权利要求1所述的多模态医学图像的分割方法，其特征在于，在利用训练后的分割模型对所述待分割的数据集进行图像分割之前，所述方法还包括：
获取由至少一组已标记的数据集和多组未标记的数据集组成的训练集，其中，每组数据集中包括对同一拍摄对象的目标部位拍摄得到的多种模态的医学图像；
利用所述训练集对预设的分割模型进行半监督迭代训练，得到训练后的分割模型。
3.如权利要求2所述的多模态医学图像的分割方法，其特征在于，所述利用所述训练集对预设的分割模型进行半监督迭代训练，得到训练后的分割模型，包括：
将所述训练集中所有未标记的数据集划分为N个子集合，每个子集合中包含至少两组未标记的数据集；
当进行第一次半监督迭代训练时，利用当前的训练集中所有已标记的数据集对所述预设的分割模型进行训练，得到第一次训练后的分割模型，并利用所述第一次训练后的分割模型对第一个子集合中的各组数据集进行标记；
当进行第i次半监督迭代训练时，利用当前的训练集中所有已标记的数据集对第i-1次训练后的分割模型进行训练，得到第i次训练后的分割模型，并利用所述第i次训练后的分割模型对第i个子集合中的各组数据集进行标记，其中，2≤i≤N；
当进行第N＋1次半监督迭代训练时，利用当前的训练集中所有已标记的数据集对第N次训练后的分割模型进行训练，得到训练后的分割模型。
4.如权利要求3所述的多模态医学图像的分割方法，其特征在于，在任意一次半监督迭代训练的步骤中，利用当前的训练集中的一组已标记的数据集对当前的分割模型进行训练，包括：
按照相同的预设划分规则，将所述已标记的数据集中各种模态的医学图像分别划分为M个区域块；
获取所述目标部位中的L个待分割子部位，L大于或等于K；
对于每个区域块，将各种模态的医学图像中所述区域块对应的图像块组合为一个图像矩阵，并利用当前的分割模型分别对所述图像矩阵进行各个待分割子部位的图像分割，得到所述区域块对应的样本分割结果；
利用所述区域块对应的样本分割结果计算当前的分割模型的损失值，并利用所述损失值对当前的分割模型进行参数更新；
其中，所述区域块对应的样本分割结果包括L个概率矩阵，每个概率矩阵的大小与所述区域块的大小相同，第l个概率矩阵中的各元素表示所述区域块中各个体素属于第l个待分割子部位的概率值，，L为大于1的正整数。
5.如权利要求3所述的多模态医学图像的分割方法，其特征在于，所述利用所述区域块对应的样本分割结果计算当前的分割模型的损失值，包括：
利用所述区域块对应的标记，分别计算所述区域块对应的样本分割结果中每个概率矩阵的损失系数；
将各个概率矩阵的损失系数进行加权求和，得到当前的分割模型的损失值。
6.如权利要求1至5任一项所述的多模态医学图像的分割方法，其特征在于，所述分割模型包括依次顺序连接的第一卷积层、第一子模型、第二子模型、第一反卷积层和第二卷积层；
其中，所述第一子模型包括4个依次顺序连接的第一子块，每个第一子块中包括依次顺序连接的一个池化层、一个残差卷积模块和一个注意力机制模块；
所述第二子模型包括3个依次顺序连接的第二子块，每个第二子块中包括依次顺序连接的一个反卷积层和一个残差卷积模块；
第j个第一子块的输出端还连接第4-j个第二子块中反卷积层的输出端，1≤j≤3。
7.一种终端设备，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6任一项所述的方法。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
CN201911286985.8A 2019-12-14 2019-12-14 多模态医学图像的分割方法及终端设备 Active CN111145147B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911286985.8A CN111145147B (zh) 2019-12-14 2019-12-14 多模态医学图像的分割方法及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911286985.8A CN111145147B (zh) 2019-12-14 2019-12-14 多模态医学图像的分割方法及终端设备

Publications (2)

Publication Number Publication Date
CN111145147A CN111145147A (zh) 2020-05-12
CN111145147B true CN111145147B (zh) 2023-08-22

Family

ID=70518308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911286985.8A Active CN111145147B (zh) 2019-12-14 2019-12-14 多模态医学图像的分割方法及终端设备

Country Status (1)

Country Link
CN (1) CN111145147B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667483B (zh) * 2020-07-03 2022-08-30 腾讯科技（深圳）有限公司 多模态图像的分割模型的训练方法、图像处理方法和装置
CN112200004B (zh) * 2020-09-15 2024-01-16 深圳市优必选科技股份有限公司 图像检测模型的训练方法、装置及终端设备
CN112435227A (zh) * 2020-11-19 2021-03-02 深圳博脑医疗科技有限公司 一种医学影像图的处理方法、装置、终端设备及介质
CN112734697A (zh) * 2020-12-24 2021-04-30 沈阳东软智能医疗科技研究院有限公司 图像处理方法、装置、存储介质和电子设备
CN112966687B (zh) * 2021-02-01 2024-01-19 深圳市优必选科技股份有限公司 图像分割模型训练方法、装置及通信设备
CN114283151A (zh) * 2021-08-16 2022-04-05 腾讯科技（深圳）有限公司 用于医学图像的图像处理方法、装置、设备及存储介质
CN116863146B (zh) * 2023-06-09 2024-03-08 强联智创（北京）科技有限公司 用于对血管瘤特征进行提取的方法、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220980A (zh) * 2017-05-25 2017-09-29 重庆理工大学 一种基于全卷积网络的mri图像脑肿瘤自动分割方法
CN108986115A (zh) * 2018-07-12 2018-12-11 佛山生物图腾科技有限公司 医学图像分割方法、装置及智能终端
CN109087318A (zh) * 2018-07-26 2018-12-25 东北大学 一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法
CN109285200A (zh) * 2018-08-23 2019-01-29 上海连叶智能科技有限公司 一种基于人工智能的多模态医学影像的转换方法
CN110189323A (zh) * 2019-06-05 2019-08-30 深圳大学 一种基于半监督学习的乳腺超声图像病灶分割方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10769791B2 (en) * 2017-10-13 2020-09-08 Beijing Keya Medical Technology Co., Ltd. Systems and methods for cross-modality image segmentation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220980A (zh) * 2017-05-25 2017-09-29 重庆理工大学 一种基于全卷积网络的mri图像脑肿瘤自动分割方法
CN108986115A (zh) * 2018-07-12 2018-12-11 佛山生物图腾科技有限公司 医学图像分割方法、装置及智能终端
CN109087318A (zh) * 2018-07-26 2018-12-25 东北大学 一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法
CN109285200A (zh) * 2018-08-23 2019-01-29 上海连叶智能科技有限公司 一种基于人工智能的多模态医学影像的转换方法
CN110189323A (zh) * 2019-06-05 2019-08-30 深圳大学 一种基于半监督学习的乳腺超声图像病灶分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王继伟等."基于3D_ResUnet肝脏CT图像分割的临床应用研究".《中国数字医学》.2019,第14卷(第10期),第68-70页. *

Also Published As

Publication number Publication date
CN111145147A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
CN111145147B (zh) 多模态医学图像的分割方法及终端设备
CN110598714B (zh) 一种软骨图像分割方法、装置、可读存储介质及终端设备
CN110838125B (zh) 医学图像的目标检测方法、装置、设备、存储介质
CN111046855A (zh) 图片识别方法、识别模型训练方法、装置及电子装置
CN110310287A (zh) 基于神经网络的危及器官自动勾画方法、设备和存储介质
CN111080654B (zh) 图像的病变区域分割方法、装置及服务器
CN110706214B (zh) 融合条件随机与残差的三维U-Net大脑肿瘤分割方法
CN110751651B (zh) 基于多尺度迁移学习的mri胰腺图像分割方法
CN111161279A (zh) 医学图像分割方法、装置及服务器
CN111598871B (zh) 多特征融合辅助检测肺部磨玻璃影结节系统及介质
CN113450328B (zh) 基于改进神经网络的医学图像关键点检测方法及系统
CN110859642B (zh) 一种基于AlexNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质
CN112614133B (zh) 一种无锚点框的三维肺结节检测模型训练方法及装置
CN111291825A (zh) 病灶分类模型训练方法、装置、计算机设备和存储介质
CN109903268A (zh) 确定脊柱图像集的异常类型的方法及计算设备
CN109903269A (zh) 确定脊柱横断面图像的异常类型的方法及计算设备
CN115100185A (zh) 图像处理方法、装置、计算机设备和存储介质
CN111127487B (zh) 一种实时多组织医学图像的分割方法
CN115330813A (zh) 一种图像处理方法、装置、设备及可读存储介质
CN110874855B (zh) 一种协同成像方法、装置、存储介质和协同成像设备
CN116051589A (zh) 一种ct图像中肺实质和肺血管的分割方法及装置
CN112150470A (zh) 图像分割方法、装置、介质及电子设备
CN112348819A (zh) 模型训练方法、图像处理及配准方法以及相关装置、设备
CN116563533A (zh) 基于目标位置先验信息的医学图像分割方法及系统
CN111325709A (zh) 无线胶囊内窥镜图像检测系统及检测方法

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