CN111161256A - 图像分割方法、图像分割装置、存储介质及电子设备 - Google Patents
图像分割方法、图像分割装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111161256A CN111161256A CN201911420562.0A CN201911420562A CN111161256A CN 111161256 A CN111161256 A CN 111161256A CN 201911420562 A CN201911420562 A CN 201911420562A CN 111161256 A CN111161256 A CN 111161256A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- image
- segmented
- region
- area
- 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
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
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/20—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
- G06T2207/30068—Mammography; Breast
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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
公开了一种图像分割方法、图像分割装置、计算机可读存储介质及电子设备,涉及图像处理技术领域。该图像分割方法包括:将待分割图像输入至分割网络模型,以确定第一分割区域;对第一分割区域进行精处理操作,以确定第一分割区域对应的第二分割区域。由于基于分割网络模型确定第一分割区域的方式能够充分利用深度学习在适应能力和鲁棒性方面的优势,因此,与现有图像分割方法相比,本公开实施例提供的图像分割方法具备更优的适应能力和鲁棒性。又由于基于精分割操作确定第二分割区域的方式能够进一步提高第一分割区域的分割精准度,因此,与现有图像分割方法相比,本公开实施例提供的图像分割方法具备更优的分割精准度。
Description
技术领域
本公开涉及图像处理技术领域,具体涉及图像分割方法、图像分割装置、计算机可读存储介质及电子设备。
背景技术
图像分割技术作为图像处理技术领域和计算机视觉技术领域的重要组成部分,其重要性不言而喻。然而,无论是基于深度学习的图像分割方法、基于几何形状的图像分割方法还是基于密度的图像分割方法,其分割精准度及鲁棒性均较差。
因此,如何提高图像分割方法的分割精准度及鲁棒性成为亟待解决的问题。
发明内容
为了解决上述技术问题,提出了本公开。本公开的实施例提供了一种图像分割方法、图像分割装置、计算机可读存储介质及电子设备。
在一方面,本公开一实施例提供了一种图像分割方法,该图像分割方法包括:将待分割图像输入至分割网络模型,以确定第一分割区域,其中,第一分割区域与待分割目标对应;对第一分割区域进行精处理操作,以确定第一分割区域对应的第二分割区域。
在本公开一实施例中,对第一分割区域进行精处理操作,以确定第一分割区域对应的第二分割区域,包括:基于第一分割区域确定与待分割目标对应的种子区域;利用能量优化算法对种子区域进行能量分割操作,以生成第二分割区域。
在本公开一实施例中,能量优化算法包括图形切割算法,利用能量优化算法对种子区域进行能量分割操作,以生成第二分割区域,包括:基于种子区域,利用图形切割算法确定种子区域对应的第三分割区域;利用形态学算子对第三分割区域的分割边界进行优化操作,以确定第二分割区域。
在本公开一实施例中,基于第一分割区域确定与待分割目标对应的种子区域,包括:对第一分割区域进行腐蚀操作,以确定与待分割目标对应的种子区域。
在本公开一实施例中,基于第一分割区域确定与待分割目标对应的种子区域,包括:确定待分割目标对应的样本模板信息;基于样本模板信息对第一分割区域进行模板匹配操作,以确定与待分割目标对应的种子区域。
在本公开一实施例中,在将待分割图像输入至分割网络模型,以确定第一分割区域之前,还包括:对待分割图像进行预处理操作。
在本公开一实施例中,对待分割图像进行预处理操作,包括:调整待分割图像对应的窗宽信息和/或窗位信息。
在本公开一实施例中,在调整待分割图像对应的窗宽信息和/或窗位信息之前,还包括:对待分割图像进行裁剪操作,以去除第一图像区域,其中,第一图像区域与待分割目标之间为第一关联关系。
在本公开一实施例中,在调整待分割图像对应的窗宽信息和/或窗位信息之前,还包括:对待分割图像进行除噪声操作。
在本公开一实施例中,在调整待分割图像对应的窗宽信息和/或窗位信息之前,还包括:确定待分割图像对应的HU信息;基于HU信息去除第二图像区域,其中,第二图像区域与待分割目标之间为第二关联关系。
在本公开一实施例中,待分割图像为乳腺钼靶图像。
在另一方面,本公开一实施例提供了一种图像分割装置,该图像分割装置包括:第一分割区域确定模块,用于将待分割图像输入至分割网络模型,以确定第一分割区域,其中,第一分割区域与待分割目标对应;第二分割区域确定模块,用于对第一分割区域进行精处理操作,以确定第一分割区域对应的第二分割区域。
在另一方面,本公开一实施例提供了一种计算机可读存储介质,该存储介质存储有计算机程序,该计算机程序用于执行上述实施例所提及的图像分割方法。
在另一方面,本公开一实施例提供了一种电子设备,该电子设备包括:处理器和用于存储处理器可执行指令的存储器,其中,处理器用于执行上述实施例所提及的图像分割方法。
本公开实施例提供的图像分割方法,通过将待分割图像输入至分割网络模型以确定第一分割区域,并对第一分割区域进行精处理操作以确定第一分割区域对应的第二分割区域的方式,实现了对待分割图像进行图像分割操作的目的。由于基于分割网络模型确定第一分割区域的方式能够充分利用深度学习在适应能力和鲁棒性方面的优势,因此,与现有图像分割方法相比,本公开实施例提供的图像分割方法具备更优的适应能力和鲁棒性。又由于基于精分割操作确定第二分割区域的方式能够进一步提高第一分割区域的分割精准度,因此,与现有图像分割方法相比,本公开实施例提供的图像分割方法具备更优的分割精准度。
附图说明
通过结合附图对本公开实施例进行更详细的描述,本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解,并且构成说明书的一部分,与本公开实施例一起用于解释本公开,并不构成对本公开的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1所示为本公开实施例所适用的一场景示意图。
图2所示为本公开实施例所适用的另一场景示意图。
图3所示为本公开一示例性实施例提供的图像分割方法的流程示意图。
图4a所示为本公开一示例性实施例提供的待分割图像的示意图。
图4b所示为本公开一示例性实施例提供的待分割图像的分割效果示意图。
图5所示为本公开一示例性实施例提供的对第一分割区域进行精处理操作,以确定第一分割区域对应的第二分割区域的流程示意图。
图6a所示为本公开一示例性实施例提供的待分割图像的第一分割阶段示意图。
图6b所示为本公开一示例性实施例提供的待分割图像的第二分割阶段示意图。
图7所示为本公开一示例性实施例提供的利用能量优化算法对种子区域进行能量分割操作,以生成第二分割区域的流程示意图。
图8所示为本公开另一示例性实施例提供的对第一分割区域进行精处理操作,以确定第一分割区域对应的第二分割区域的流程示意图。
图9所示为本公开另一示例性实施例提供的基于第一分割区域确定与待分割目标对应的种子区域的流程示意图。
图10所示为本公开另一示例性实施例提供的图像分割方法的流程示意图。
图11所示为本公开又一示例性实施例提供的图像分割方法的流程示意图。
图12所示为本公开一示例性实施例提供的对待分割图像进行预处理操作的流程示意图。
图13所示为本公开另一示例性实施例提供的对待分割图像进行预处理操作的流程示意图。
图14所示为本公开又一示例性实施例提供的对待分割图像进行预处理操作的流程示意图。
图15a至图15d所示为本公开一示例性实施例提供的待分割图像对应的多个预处理阶段的示意图。
图16所示为本公开一示例性实施例提供的图像分割装置的结构示意图。
图17所示为本公开一示例性实施例提供的第二分割区域确定模块的结构示意图。
图18所示为本公开一示例性实施例提供的第二分割区域确定单元的结构示意图。
图19所示为本公开另一示例性实施例提供的第二分割区域确定模块的结构示意图。
图20所示为本公开一示例性实施例提供的种子区域确定单元的结构示意图。
图21所示为本公开另一示例性实施例提供的图像分割装置的结构示意图。
图22所示为本公开又一示例性实施例提供的图像分割装置的结构示意图。
图23所示为本公开一示例性实施例提供的预处理模块的结构示意图。
图24所示为本公开另一示例性实施例提供的预处理模块的结构示意图。
图25所示为本公开又一示例性实施例提供的预处理模块的结构示意图。
图26所示为本公开一示例性实施例提供的电子设备的结构示意图。
具体实施方式
下面,将参考附图详细地描述根据本公开的示例实施例。显然,所描述的实施例仅仅是本公开的一部分实施例,而不是本公开的全部实施例,应理解,本公开不受这里描述的示例实施例的限制。
图像分割技术作为图像处理技术领域和计算机视觉技术领域的重要组成部分,其重要性不言而喻。具体而言,图像分割技术的分割类型主要包括语义分割类型和实体分割类型。其中,语义分割指的是基于背景分离的拓展分割,即,分离开具有不同语义的图像区域。实体分割指的是基于检测任务的拓展分割,即,基于待分割目标的轮廓信息对待分割目标进行分割操作。
众所周知,随着图像处理技术和计算机视觉技术的迅速发展,图像分割技术的应用广泛性日益得到提高,并且其对应的具体的图像分割方法的类型日益丰富。具体地,在现有技术中,图像分割方法的类型主要包括基于深度学习的图像分割方法、基于几何形状的图像分割方法和基于密度的图像分割方法等。然而,上述提及的现有图像分割方法均存在一些缺陷。比如,现有基于深度学习的图像分割方法很难实现待分割目标的精细化分割,即,其分割精准度较差。又比如,现有基于几何形状的图像分割方法对待分割目标的几何轮廓要求较高,即,其适应能力较差。又比如,现有基于密度的图像分割方法对密度差异较大的待分割图像(比如,不同的成像设备拍摄的同一类型的待分割图像)进行分割时,其分割精准度和鲁棒性均较差。
综上,如何提高图像分割方法的分割精准度及鲁棒性成为亟待解决的问题。尤其当待分割图像为医学图像(比如乳腺钼靶图像)、待分割目标为人体或动物体的组织器官结构时,由于组织器官结构的结构复杂,因此,现有分割精准度较差的图像分割方法很难实现辅助后续的诊断工作的目的。
基于上述提及的技术问题,本公开的基本构思是提出一种图像分割方法、图像分割装置、计算机可读存储介质及电子设备。该图像分割方法通过将待分割图像输入至分割网络模型以确定第一分割区域,并对第一分割区域进行精处理操作以确定第一分割区域对应的第二分割区域的方式,实现了对待分割图像进行图像分割操作的目的。由于基于分割网络模型确定第一分割区域的方式能够充分利用深度学习在适应能力和鲁棒性方面的优势,因此,与现有图像分割方法相比,本公开实施例提供的图像分割方法具备更优的适应能力和鲁棒性。又由于基于精分割操作确定第二分割区域的方式能够进一步提高第一分割区域的分割精准度,因此,与现有图像分割方法相比,本公开实施例提供的图像分割方法具备更优的分割精准度。
在介绍了本公开的基本原理之后,下面将参考附图来具体介绍本公开的各种非限制性实施例。
图1所示为本公开实施例所适用的一场景示意图。如图1所示,本公开实施例所适用的场景中包括服务器1和图像采集设备2,其中,服务器1和图像采集设备2之间存在通信连接关系。
具体而言,图像采集设备2用于采集包括待分割目标的待分割图像,服务器1用于将图像采集设备2采集的待分割图像输入至分割网络模型,以确定第一分割区域,其中,第一分割区域与待分割目标对应,并对第一分割区域进行精处理操作,以确定第一分割区域对应的第二分割区域。即,该场景实现了一种图像分割方法。由于图1所示的上述场景利用服务器1实现了图像分割方法,因此,该场景不但能够提高场景的适应能力,而且能够有效降低图像采集设备2的计算量。
需要说明的是,本公开还适用于另一场景。图2所示为本公开实施例所适用的另一场景示意图。具体地,该场景中包括图像处理设备3,其中,图像处理设备3包括图像采集模块301和计算模块302,并且,图像采集模块301和计算模块302之间存在通信连接关系。
具体而言,图像处理设备3中的图像采集模块301用于采集包括待分割目标的待分割图像,图像处理设备3中的计算模块302用于将图像采集模块301采集的待分割图像输入至分割网络模型,以确定第一分割区域,其中,第一分割区域与待分割目标对应,并对第一分割区域进行精处理操作,以确定第一分割区域对应的第二分割区域。即,该场景实现了一种图像分割方法。由于图2所示的上述场景利用图像处理设备3实现了图像分割方法,无需与服务器等相关装置进行数据传输操作,因此,上述场景能够保证图像分割方法的实时性。
需要说明的是,上述场景中提及的图像采集设备2和图像采集模块301,包括但不限于为X线机、CT(Computed Tomography)扫描仪、MRI(Magnetic Resonance Imaging)设备等图像采集装置。对应地,上述场景中提及的图像采集设备2和图像采集模块301所采集的待分割图像,包括但不限于为X线图像、CT图像、MRI图像等能够将人体或动物体内部组织器官结构、密度等信息以影像方式呈现的医学图像。此外,应当理解,本公开实施例提供的图像分割方法,不局限于上述提及的医学图像的适用场景,只要涉及到需要对待分割图像进行图像分割操作的应用场景,均属于本公开实施例的适用范围。
图3所示为本公开一示例性实施例提供的图像分割方法的流程示意图。具体地,该图像分割方法应用于包括待分割目标的待分割图像。如图3所示,本公开实施例提供的图像分割方法包括如下步骤。
步骤10,将待分割图像输入至分割网络模型,以确定第一分割区域,其中,第一分割区域与待分割目标对应。
示例性地,步骤10中提及的分割网络模型是基于与待分割图像对应的样本图像数据训练生成的。其中,样本图像数据的生成过程为:首先确定与上述待分割图像同类型的多幅图像,然后对该多幅图像中各自包括的待分割目标进行分割线标注操作,进而确定包括分割线信息和图像信息的样本图像数据。其中,分割网络模型的训练过程为:首先确定初始网络模型,然后基于样本图像数据训练该初始网络模型,进而生成最终的分割网络模型。
可选地,初始网络模型和分割网络模型的模型结构是相同的,初始网络模型和分割网络模型之间的差异为模型的网络参数差异。即,初始网络模型中的网络参数为初始网络参数,然后利用样本图像数据对初始网络模型进行训练,训练过程中会调整初始网络参数,以最终生成分割网络模型中的网络参数。比如,基于梯度下降法不断调节初始网络模型的网络参数,以最终生成分割网络模型中的网络参数。
示例性地,初始网络模型为卷积神经网络(Convolutional Neural Networks,CNN)模型。
步骤20,对第一分割区域进行精处理操作,以确定第一分割区域对应的第二分割区域。
示例性地,步骤20中提及的精处理操作,指的是对第一分割区域进行进一步分割处理操作,以生成第二分割区域。即,针对待分割目标来说,第二分割区域的分割精准度优于第一分割区域的分割精准度。
需要说明的是,本公开实施例对精处理操作的具体类型不进行统一限定,只要精处理操作能够生成分割精准度优于第一分割区域的第二分割区域即可。比如,精处理操作为基于能量优化算法的分割操作。
在实际应用过程中,首先将待分割图像输入至分割网络模型以确定第一分割区域,然后对第一分割区域进行精处理操作以确定第一分割区域对应的第二分割区域。
本公开实施例提供的图像分割方法,通过将待分割图像输入至分割网络模型以确定第一分割区域,并对第一分割区域进行精处理操作以确定第一分割区域对应的第二分割区域的方式,实现了对待分割图像进行图像分割操作的目的。由于基于分割网络模型确定第一分割区域的方式能够充分利用深度学习在适应能力和鲁棒性方面的优势,因此,与现有图像分割方法相比,本公开实施例提供的图像分割方法具备更优的适应能力和鲁棒性。又由于基于精分割操作确定第二分割区域的方式能够进一步提高第一分割区域的分割精准度,因此,与现有图像分割方法相比,本公开实施例提供的图像分割方法具备更优的分割精准度。
在本公开一实施例中,上述实施例提及的分割网络模型为U-Net网络模型。由于U-Net网络模型能够支持少量样本图像数据前提下的训练过程,因此,本公开实施例能够极大降低训练过程的计算量,尤其对于样本图像数据数量较少的医学图像数据,U-Net网络模型的优势更加明显。此外,由于U-Net网络模型能够实现像素点级别的图像分割操作,因此,本公开实施例能够充分提高分割精准度。
需要说明的是,本公开实施例不局限于上述提及的U-Net网络模型,其他基于深度学习的网络模型均可应用到本公开实施例提及的图像分割方法中。
下面结合图4a和图4b描述上述图3所示实施例提供的图像分割方法的分割效果。
图4a所示为本公开一示例性实施例提供的待分割图像的示意图。具体地,图4a所示的待分割图像为乳腺钼靶图像,待分割目标为乳房区域。图4b所示为本公开一示例性实施例提供的待分割图像的分割效果示意图。具体地,图4b所示的分割效果示意图与图4a所示的待分割图像对应。
如图4a和图4b所示,基于上述实施例提供的图像分割方法对待分割图像进行图像分割操作后,能够生成清晰的分割线L。其中,分割线L为能够将乳房区域与背景区域、胸肌区域清晰地分隔开的曲线。并且,对于难以分割的乳头,本公开上述实施例提供的图像分割方法仍然能够对其进行精准分割。此外,对于易与乳房区域连通进而导致难以分割的胸肌区域,本公开上述实施例提供的图像分割方法亦仍然能够对其进行精准分割。
需要说明的是,由于乳腺钼靶图像能够清晰显示乳腺各层组织,且能够显示小于0.1毫米的微小钙化点及钙化簇,因此,其重要性不言而喻。又由于乳腺钼靶图像包括难以分割的乳头结构,且乳腺钼靶图像中的乳房区域通常与胸肌区域相邻,因此,乳腺钼靶图像对于图像分割方法的分割精准度要求极高。
基于此,与现有技术相比,借助本公开实施例提供的图像分割方法对乳腺钼靶图像进行图像分割操作,能够显著提高分割精准度及鲁棒性,继而为后续的基于分割出的乳房区域进行图像智能分析提供了前提条件,并且为更好地辅助诊断工作提供了前提条件。
图5所示为本公开一示例性实施例提供的对第一分割区域进行精处理操作,以确定第一分割区域对应的第二分割区域的流程示意图。在本公开图3所示实施例的基础上延伸出本公开图5所示实施例,下面着重叙述图5所示实施例与图3所示实施例的不同之处,相同之处不再赘述。
如图5所示,在本公开实施例提供的图像分割方法中,对第一分割区域进行精处理操作,以确定第一分割区域对应的第二分割区域步骤包括如下步骤。
步骤21,基于第一分割区域确定与待分割目标对应的种子区域。
示例性地,步骤21中提及的种子区域,指的是待分割图像中的待分割目标对应的种子图像块区域。即,种子图像块区域隶属于待分割目标对应的图像区域。其中,种子图像块区域的尺寸可基于待分割目标以及待分割图像的实际情况确定。
应当理解,由于分割网络模型的分割精准度有限,因此,基于分割网络模型确定的第一分割区域中可能包括与待分割目标无关的图像区域。比如,待分割图像为乳腺钼靶图像,待分割目标为乳房,那么,较为理想的第一分割区域中只包括乳房对应的图像区域。然而,在一种实际情况中,第一分割区域中不仅包括乳房对应的图像区域,还包括与乳房位置接近的胸肌对应的图像区域。此外,在另外一种实际情况中,第一分割区域中还可能并未完整包括待分割目标对应的图像区域。比如,第一分割区域中未包括乳房的乳头等结构对应的图像区域。
步骤22,利用能量优化算法对种子区域进行能量分割操作,以生成第二分割区域。
示例性地,步骤22中提及的能量分割操作,指的是基于能量最小原则,利用能量优化算法对种子区域进行分割操作,以生成第二分割区域。
在实际应用过程中,首先将待分割图像输入至分割网络模型以确定第一分割区域,然后基于第一分割区域确定与待分割目标对应的种子区域,并利用能量优化算法对种子区域进行能量分割操作以生成第二分割区域。
本公开实施例提供的图像分割方法,通过基于第一分割区域确定与待分割目标对应的种子区域,并利用能量优化算法对种子区域进行能量分割操作以生成第二分割区域的方式,实现了对第一分割区域进行精处理操作以确定第一分割区域对应的第二分割区域的目的。由于种子区域与待分割目标对应,因此,本公开实施例能够进一步提高所确定的第二分割区域的分割精度,进而进一步提高图像分割操作的分割精准度。
下面结合图6a和图6b描述上述图5所示实施例提供的图像分割方法的分割阶段。具体地,待分割图像为乳腺钼靶图像,待分割目标为乳房区域。
图6a所示为本公开一示例性实施例提供的待分割图像的第一分割阶段示意图。具体地,图6a所示为将待分割图像输入至分割网络模型,以确定第一分割区域步骤所对应的分割阶段示意图。图6b所示为本公开一示例性实施例提供的待分割图像的第二分割阶段示意图。具体地,图6b所示为基于第一分割区域确定与待分割目标对应的种子区域步骤所对应的分割阶段示意图。
如图6a所示,基于分割网络模型确定的第一分割区域包括疑似区域,其中,疑似区域为胸肌区域,并非乳房区域。如图6b所示,确定与待分割目标对应的种子区域后,即可在第一分割区域中去除疑似区域,进而为确定第二分割区域提供了前提条件。
图7所示为本公开一示例性实施例提供的利用能量优化算法对种子区域进行能量分割操作,以生成第二分割区域的流程示意图。在本公开图5所示实施例的基础上延伸出本公开图7所示实施例,下面着重叙述图7所示实施例与图5所示实施例的不同之处,相同之处不再赘述。
如图7所示,在本公开实施例提供的图像分割方法中,利用能量优化算法对种子区域进行能量分割操作,以生成第二分割区域步骤,包括如下步骤。
步骤221,基于种子区域,利用图形切割算法确定种子区域对应的第三分割区域。
应当理解,图形切割算法(GraphCut,GC)为基于最小割最大流算法进行待分割图像的分割操作,进而将待分割图像分割为前景区域和背景区域。那么,示例性地,在本公开实施例中,可将种子区域标记为前景区域对应的部分图像区域,将与待分割目标无关的区域标记为背景区域对应的部分图像区域,进而基于图形切割算法分割出待分割图像中的前景区域和背景区域。
步骤222,利用形态学算子对第三分割区域的分割边界进行优化操作,以确定第二分割区域。
应当理解,形态学算子的基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状,以达到图像分析和识别的目的。其中,形态学算子包括腐蚀、膨胀等。
由于图形切割算法是基于待分割图像的像素灰度信息和像素坐标信息进行的分割操作,因此,基于图形切割算法确定的第三分割区域的分割边界的光滑度不够理想。基于此,本公开实施例利用形态学算子对第三分割区域的分割边界进行优化操作,以确定分割边界更平滑的第二分割区域。
需要说明的是,形态学算子不但能够进一步提高第三分割区域的分割边界的平滑度,而且还能够在极大限度地保留图像中的原有信息的前提下,有效滤除图像噪声。
在实际应用过程中,首先将待分割图像输入至分割网络模型以确定第一分割区域,然后基于第一分割区域确定与待分割目标对应的种子区域,继而基于种子区域,利用图形切割算法确定种子区域对应的第三分割区域,并利用形态学算子对第三分割区域的分割边界进行优化操作以确定第二分割区域。
本公开实施例提供的图像分割方法,通过基于种子区域,利用图形切割算法确定种子区域对应的第三分割区域,并利用形态学算子对第三分割区域的分割边界进行优化操作以确定第二分割区域的方式,实现了利用能量优化算法对种子区域进行能量分割操作以生成第二分割区域的目的。由于利用能量优化算法能够实现基于待分割图像的像素灰度信息和像素坐标信息的像素级分割操作,因此,对于待分割图像中难以分割的图像区域(比如乳腺钼靶图像中的乳头区域),本公开实施例仍然保持较高的分割精准度。
图8所示为本公开另一示例性实施例提供的对第一分割区域进行精处理操作,以确定第一分割区域对应的第二分割区域的流程示意图。在本公开图5所示实施例的基础上延伸出本公开图8所示实施例,下面着重叙述图8所示实施例与图5所示实施例的不同之处,相同之处不再赘述。
如图8所示,在本公开实施例提供的图像分割方法中,基于第一分割区域确定与待分割目标对应的种子区域步骤,包括如下步骤。
步骤211,对第一分割区域进行腐蚀操作,以确定与待分割目标对应的种子区域。
应当理解,步骤211中提及的腐蚀操作,指的是形态学算子中的腐蚀操作。具体而言,腐蚀过程为消除边界点,使边界向内部收缩的过程。因此,腐蚀操作能够消除尺寸较小且与待分割目标无关的图像区域(比如上述实施例中的胸肌区域),进而确保留存的是与待分割目标对应的种子区域。
在实际应用过程中,首先将待分割图像输入至分割网络模型以确定第一分割区域,然后对第一分割区域进行腐蚀操作,以确定与待分割目标对应的种子区域,并利用能量优化算法对种子区域进行能量分割操作以生成第二分割区域。
本公开实施例提供的图像分割方法,通过对第一分割区域进行腐蚀操作,以确定与待分割目标对应的种子区域的方式,实现了基于第一分割区域确定与待分割目标对应的种子区域的目的。由于腐蚀操作能够消除小且与待分割目标无关的图像区域,因此,本公开实施例能够利用腐蚀操作进一步提高种子区域的定位精准度。
图9所示为本公开另一示例性实施例提供的基于第一分割区域确定与待分割目标对应的种子区域的流程示意图。在本公开图5所示实施例的基础上延伸出本公开图9所示实施例,下面着重叙述图9所示实施例与图5所示实施例的不同之处,相同之处不再赘述。
如图9所示,在本公开实施例提供的图像分割方法中,基于第一分割区域确定与待分割目标对应的种子区域步骤,包括如下步骤。
步骤212,确定待分割目标对应的样本模板信息。
示例性地,步骤212中提及的样本模板信息,基于与待分割目标对应的样本图像确定。比如,待分割图像为乳腺钼靶图像,待分割目标为乳房区域,那么,样本图像为与待分割图像同类型的乳腺钼靶图像,样本模板信息为基于多幅样本图像确定的乳房区域模板信息。
步骤213,基于样本模板信息对第一分割区域进行模板匹配操作,以确定与待分割目标对应的种子区域。
在实际应用过程中,首先将待分割图像输入至分割网络模型以确定第一分割区域,然后确定待分割目标对应的样本模板信息,进而基于样本模板信息对第一分割区域进行模板匹配操作,以确定与待分割目标对应的种子区域,最后利用能量优化算法对种子区域进行能量分割操作以生成第二分割区域。
本公开实施例提供的图像分割方法,通过确定待分割目标对应的样本模板信息,并基于样本模板信息对第一分割区域进行模板匹配操作,以确定与待分割目标对应的种子区域的方式,实现了基于第一分割区域确定与待分割目标对应的种子区域的目的。由于本公开实施例通过模板匹配的方式实现了确定种子区域的目的,因此,与图8所示实施例相比,本公开实施例能够进一步降低确定种子区域步骤的计算量,进而进一步提高图像分割操作的实时性。
图10所示为本公开另一示例性实施例提供的图像分割方法的流程示意图。在本公开图3所示实施例的基础上延伸出本公开图10所示实施例,下面着重叙述图10所示实施例与图3所示实施例的不同之处,相同之处不再赘述。
如图10所示,在本公开实施例提供的图像分割方法中,在将待分割图像输入至分割网络模型,以确定第一分割区域步骤之前,还包括如下步骤。
步骤30,对待分割图像进行预处理操作。
需要说明的是,本公开实施例对预处理操作不进行具体限定,只要预处理操作能够有利于图像分割操作即可。比如,预处理操作为针对待分割图像的除噪声操作,以提高图像分割操作的分割精准度。又比如,预处理操作为针对待分割图像的裁剪操作,以降低图像分割操作的计算量。
在实际应用过程中,首先对待分割图像进行预处理操作,然后将待分割图像输入至分割网络模型以确定第一分割区域,继而对第一分割区域进行精处理操作以确定第一分割区域对应的第二分割区域。
本公开实施例提供的图像分割方法,通过在基于待分割图像确定第一分割区域之前,对待分割图像进行预处理操作的方式,实现了进一步优化图像分割操作的目的。
图11所示为本公开又一示例性实施例提供的图像分割方法的流程示意图。在本公开图10所示实施例的基础上延伸出本公开图11所示实施例,下面着重叙述图11所示实施例与图10所示实施例的不同之处,相同之处不再赘述。
如图11所示,在本公开实施例提供的图像分割方法中,对待分割图像进行预处理操作步骤,包括如下步骤。
步骤31,调整待分割图像对应的窗宽信息和/或窗位信息。
需要说明的是,窗宽信息和窗位信息是CT图像对应的信息。其中,窗宽信息指的是CT图像上显示的CT值范围。示例性地,在该CT值范围内的组织和病变均以不同的模拟灰度显示,而CT值高于此CT值范围的组织和病变,均以白影显示,不再有灰度差异。那么,增大窗宽,则图像上显示的CT值范围加大,显示的具有不同密度的组织结构增多,但是各组织结构之间的灰度差别减少。减小窗宽,则图像上显示的组织结构减少,然而各组织结构之间的灰度差别增加。窗位信息指的是窗的中心位置。例如,窗宽为100H,当窗位为0H时,其CT值范围为-50H至+50H。
由于不同的成像设备可能导致所确定的待分割图像有所差异,并且,即使是同一成像设备,当其成像参数有所变化时,所确定的待分割图像亦可能会有所差异。基于此,需要基于上述步骤31记载的步骤调整待分割图像对应的窗宽信息和/或窗位信息,以便实现对待分割图像的归一化处理,并尽量去除掉干扰像素,进而进一步提高有效像素的占比,继而降低甚至避免干扰像素对分割网络模型的不良影响。其中,有效像素指的是能够对图像分割操作起到辅助作用的像素,比如乳房区域的像素。干扰像素指的是能够对图像分割操作起到负面作用的像素,比如胸肌区域的像素。
在实际应用过程中,首先调整待分割图像对应的窗宽信息和/或窗位信息,然后将待分割图像输入至分割网络模型以确定第一分割区域,继而对第一分割区域进行精处理操作以确定第一分割区域对应的第二分割区域。
本公开实施例提供的图像分割方法,通过调整待分割图像对应的窗宽信息和/或窗位信息的方式,实现了对待分割图像进行预处理操作的目的。由于窗宽信息和窗位信息能够进一步提高有效像素的占比,因此,本公开实施例能够进一步提高图像分割操作的分割精准度及鲁棒性。
图12所示为本公开一示例性实施例提供的对待分割图像进行预处理操作的流程示意图。在本公开图11所示实施例的基础上延伸出本公开图12所示实施例,下面着重叙述图12所示实施例与图11所示实施例的不同之处,相同之处不再赘述。
如图12所示,在本公开实施例提供的图像分割方法中,在调整待分割图像对应的窗宽信息和/或窗位信息步骤之前,还包括如下步骤。
步骤32,对待分割图像进行裁剪操作,以去除第一图像区域,其中,第一图像区域与待分割目标之间为第一关联关系。
示例性地,第一图像区域为待分割图像中与待分割目标无关的背景区域。
在实际应用过程中,首先对待分割图像进行裁剪操作以去除第一图像区域,并调整待分割图像对应的窗宽信息和/或窗位信息,然后将待分割图像输入至分割网络模型以确定第一分割区域,继而对第一分割区域进行精处理操作以确定第一分割区域对应的第二分割区域。
本公开实施例提供的图像分割方法,通过对待分割图像进行裁剪操作以去除第一图像区域,并调整待分割图像对应的窗宽信息和/或窗位信息的方式,实现了对待分割图像进行预处理操作的目的。由于去除第一图像区域后待分割图像的尺寸变小,因此,本公开实施例能够极大降低图像分割操作的计算量,进而进一步提高图像分割操作的实时性。此外,当第一图像区域为与待分割目标无关的背景区域时,本公开实施例能够充分降低第一图像区域对图像分割操作的干扰,进而进一步提高图像分割操作的鲁棒性。
图13所示为本公开另一示例性实施例提供的对待分割图像进行预处理操作的流程示意图。在本公开图11所示实施例的基础上延伸出本公开图13所示实施例,下面着重叙述图13所示实施例与图11所示实施例的不同之处,相同之处不再赘述。
如图13所示,在本公开实施例提供的图像分割方法中,在调整待分割图像对应的窗宽信息和/或窗位信息步骤之前,还包括如下步骤。
步骤33,对待分割图像进行除噪声操作。
示例性地,对待分割图像进行除噪声操作的实际实现过程为:利用高斯滤波器去除待分割图像中的白噪声。
在实际应用过程中,首先对待分割图像进行除噪声操作,并调整待分割图像对应的窗宽信息和/或窗位信息,然后将待分割图像输入至分割网络模型以确定第一分割区域,继而对第一分割区域进行精处理操作以确定第一分割区域对应的第二分割区域。
本公开实施例提供的图像分割方法,通过对待分割图像进行除噪声操作,并调整待分割图像对应的窗宽信息和/或窗位信息的方式,实现了对待分割图像进行预处理操作的目的。因此,本公开实施例充分降低甚至避免了待分割图像中的噪声对图像分割操作的干扰,进一步提高了图像分割操作的分割精准度
图14所示为本公开又一示例性实施例提供的对待分割图像进行预处理操作的流程示意图。在本公开图11所示实施例的基础上延伸出本公开图14所示实施例,下面着重叙述图14所示实施例与图11所示实施例的不同之处,相同之处不再赘述。
如图14所示,在本公开实施例提供的图像分割方法中,在调整待分割图像对应的窗宽信息和/或窗位信息步骤之前,还包括如下步骤。
步骤34,确定待分割图像对应的HU信息。
需要说明的是,HU(Hounsfield Unit)信息能够反映组织结构对X射线的吸收程度,是隶属于医学图像(比如CT图像)的图像特征信息。
步骤35,基于HU信息去除第二图像区域,其中,第二图像区域与待分割目标之间为第二关联关系。
示例性地,待分割图像为乳腺钼靶图像,第二图像区域为乳腺钼靶图像中的备注信息对应的图像区域。其中,备注信息为备注的患者信息等文字。
由于乳腺钼靶图像中的文字等备注信息对应的HU信息与乳房区域对应的HU信息较为接近,而备注信息通常远离乳腺钼靶图像中的组织结构,因此,本公开实施例能够借助上述步骤34和步骤35实现去除与备注信息同类型的干扰因素的目的,进而为进一步提高图像分割操作的分割精准度和鲁棒性提供前提条件。
在实际应用过程中,首先确定待分割图像对应的HU信息,并基于HU信息去除第二图像区域,继而调整待分割图像对应的窗宽信息和/或窗位信息,然后将待分割图像输入至分割网络模型以确定第一分割区域,继而对第一分割区域进行精处理操作以确定第一分割区域对应的第二分割区域。
本公开实施例提供的图像分割方法,通过确定待分割图像对应的HU信息,并基于HU信息去除第二图像区域,继而调整待分割图像对应的窗宽信息和/或窗位信息的方式,实现了对待分割图像进行预处理操作的目的。本公开实施例利用HU信息进一步提高了图像分割操作的分割精准度和鲁棒性。
需要说明的是,上述图11至图14所示实施例提及的图像分割方法提及的对待分割图像进行预处理操作的具体执行步骤,可根据实际情况自由组合。
比如,在本公开一实施例中,待分割图像为乳腺钼靶图像,对该乳腺钼靶图像进行预处理操作的执行步骤依次为:步骤34、步骤35、步骤33、步骤32和步骤31。由于上述执行顺序能够充分利用各预处理步骤的优势,因此,本公开实施例不仅能够充分保证预处理操作后的乳腺钼靶图像中所包括的待分割目标的有效信息量,而且能够极大降低乳腺钼靶图像中与待分割目标无关的无效信息量,进而进一步提高图像分割操作的实时性。
下面,以乳腺钼靶图像为例,详细描述上述实施例所提及的多个预处理阶段的预处理效果。
图15a至图15d所示为本公开一示例性实施例提供的待分割图像对应的多个预处理阶段的示意图。具体地,图15a所示为未经预处理操作的原始乳腺钼靶图像,图15b所示为基于HU信息区分背景区域和组织结构后的乳腺钼靶图像,图15c所示为进行裁剪操作,以去除第一图像区域后的乳腺钼靶图像,图15d所示为进行调整窗宽信息和窗位信息操作后的乳腺钼靶图像。
图16所示为本公开一示例性实施例提供的图像分割装置的结构示意图。如图16所示,本公开实施例提供的图像分割装置包括:
第一分割区域确定模块100,用于将待分割图像输入至分割网络模型,以确定第一分割区域,其中,第一分割区域与待分割目标对应;
第二分割区域确定模块200,用于对第一分割区域进行精处理操作,以确定第一分割区域对应的第二分割区域。
图17所示为本公开一示例性实施例提供的第二分割区域确定模块的结构示意图。在本公开图16所示实施例的基础上延伸出本公开图17所示实施例,下面着重叙述图17所示实施例与图16所示实施例的不同之处,相同之处不再赘述。
如图17所示,在本公开实施例提供的图像分割装置中,第二分割区域确定模块200包括:
种子区域确定单元210,用于基于第一分割区域确定与待分割目标对应的种子区域;
第二分割区域确定单元220,用于利用能量优化算法对种子区域进行能量分割操作,以生成第二分割区域。
图18所示为本公开一示例性实施例提供的第二分割区域确定单元的结构示意图。在本公开图17所示实施例的基础上延伸出本公开图18所示实施例,下面着重叙述图18所示实施例与图17所示实施例的不同之处,相同之处不再赘述。
如图18所示,在本公开实施例提供的图像分割装置中,第二分割区域确定单元220包括:
第三分割区域确定子单元2210,用于基于种子区域,利用图形切割算法确定种子区域对应的第三分割区域;
第二分割区域确定子单元2220,用于利用形态学算子对第三分割区域的分割边界进行优化操作,以确定第二分割区域。
图19所示为本公开另一示例性实施例提供的第二分割区域确定模块的结构示意图。在本公开图17所示实施例的基础上延伸出本公开图19所示实施例,下面着重叙述图19所示实施例与图17所示实施例的不同之处,相同之处不再赘述。
如图19所示,在本公开实施例提供的图像分割装置中,种子区域确定单元210包括:
腐蚀子单元2110,用于对第一分割区域进行腐蚀操作,以确定与待分割目标对应的种子区域。
图20所示为本公开一示例性实施例提供的种子区域确定单元的结构示意图。在本公开图17所示实施例的基础上延伸出本公开图20所示实施例,下面着重叙述图20所示实施例与图17所示实施例的不同之处,相同之处不再赘述。
如图20所示,在本公开实施例提供的图像分割装置中,种子区域确定单元210包括:
样本模板信息确定子单元2120,用于确定待分割目标对应的样本模板信息;
模板匹配子单元2130,用于基于样本模板信息对第一分割区域进行模板匹配操作,以确定与待分割目标对应的种子区域。
图21所示为本公开另一示例性实施例提供的图像分割装置的结构示意图。在本公开图16所示实施例的基础上延伸出本公开图21所示实施例,下面着重叙述图21所示实施例与图16所示实施例的不同之处,相同之处不再赘述。
如图21所示,本公开实施例提供的图像分割装置还包括:
预处理模块300,用于对待分割图像进行预处理操作。
图22所示为本公开又一示例性实施例提供的图像分割装置的结构示意图。在本公开图21所示实施例的基础上延伸出本公开图22所示实施例,下面着重叙述图22所示实施例与图21所示实施例的不同之处,相同之处不再赘述。
如图22所示,在本公开实施例提供的图像分割装置中,预处理模块300包括:
窗宽窗位调整单元310,用于调整待分割图像对应的窗宽信息和/或窗位信息。
图23所示为本公开一示例性实施例提供的预处理模块的结构示意图。在本公开图22所示实施例的基础上延伸出本公开图23所示实施例,下面着重叙述图23所示实施例与图22所示实施例的不同之处,相同之处不再赘述。
如图23所示,在本公开实施例提供的图像分割装置中,预处理模块300还包括:
第一图像区域去除单元320,用于对待分割图像进行裁剪操作,以去除第一图像区域,其中,第一图像区域与待分割目标之间为第一关联关系。
图24所示为本公开另一示例性实施例提供的预处理模块的结构示意图。在本公开图22所示实施例的基础上延伸出本公开图24所示实施例,下面着重叙述图24所示实施例与图22所示实施例的不同之处,相同之处不再赘述。
如图24所示,在本公开实施例提供的图像分割装置中,预处理模块300还包括:
除噪声单元330,用于对待分割图像进行除噪声操作。
图25所示为本公开又一示例性实施例提供的预处理模块的结构示意图。在本公开图22所示实施例的基础上延伸出本公开图25所示实施例,下面着重叙述图25所示实施例与图22所示实施例的不同之处,相同之处不再赘述。
如图25所示,在本公开实施例提供的图像分割装置中,预处理模块300还包括:
HU信息确定单元340,用于确定待分割图像对应的HU信息;
第二图像区域去除单元350,用于基于HU信息去除第二图像区域,其中,第二图像区域与待分割目标之间为第二关联关系。
应当理解,图16至图25提供的图像分割装置中的第一分割区域确定模块100、第二分割区域确定模块200和预处理模块300,以及第二分割区域确定模块200中包括的种子区域确定单元210和第二分割区域确定单元220,以及种子区域确定单元210中包括的腐蚀子单元2110、样本模板信息确定子单元2120和模板匹配子单元2130,以及第二分割区域确定单元220中包括的第三分割区域确定子单元2210和第二分割区域确定子单元2220,以及预处理模块300中包括的窗宽窗位调整单元310、第一图像区域去除单元320、除噪声单元330、HU信息确定单元340和第二图像区域去除单元350的操作和功能可以参考上述图3至图14提供的图像分割方法,为了避免重复,在此不再赘述。
下面,参考图26来描述根据本公开实施例的电子设备。图26所示为本公开一示例性实施例提供的电子设备的结构示意图。
如图26所示,电子设备40包括一个或多个处理器401和存储器402。
处理器401可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备40中的其他组件以执行期望的功能。
存储器402可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器401可以运行所述程序指令,以实现上文所述的本公开的各个实施例的图像分割方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如待分割图像等各种内容。
在一个示例中,电子设备40还可以包括:输入装置403和输出装置404,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置403可以包括例如键盘、鼠标等等。该输出装置404可以向外部输出各种信息,包括确定出的图像分割信息等。该输出装置404可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图26中仅示出了该电子设备40中与本公开有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备40还可以包括任何其他适当的组件。
除了上述方法和设备以外,本公开的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述描述的根据本公开各种实施例的图像分割方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本公开的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述描述的根据本公开各种实施例的图像分割方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本公开的基本原理,但是,需要指出的是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本公开的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此,本公开不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (14)
1.一种图像分割方法,其特征在于,应用于包括待分割目标的待分割图像,包括:
将所述待分割图像输入至分割网络模型,以确定第一分割区域,其中,所述第一分割区域与所述待分割目标对应;
对所述第一分割区域进行精处理操作,以确定所述第一分割区域对应的第二分割区域。
2.根据权利要求1所述的方法,其特征在于,所述对所述第一分割区域进行精处理操作,以确定所述第一分割区域对应的第二分割区域,包括:
基于所述第一分割区域确定与所述待分割目标对应的种子区域;
利用能量优化算法对所述种子区域进行能量分割操作,以生成第二分割区域。
3.根据权利要求2所述的方法,其特征在于,所述能量优化算法包括图形切割算法,所述利用能量优化算法对所述种子区域进行能量分割操作,以生成第二分割区域,包括:
基于所述种子区域,利用所述图形切割算法确定所述种子区域对应的第三分割区域;
利用形态学算子对所述第三分割区域的分割边界进行优化操作,以确定所述第二分割区域。
4.根据权利要求2或3所述的方法,其特征在于,所述基于所述第一分割区域确定与所述待分割目标对应的种子区域,包括:
对所述第一分割区域进行腐蚀操作,以确定所述与待分割目标对应的种子区域。
5.根据权利要求2或3所述的方法,其特征在于,所述基于所述第一分割区域确定与所述待分割目标对应的种子区域,包括:
确定所述待分割目标对应的样本模板信息;
基于所述样本模板信息对所述第一分割区域进行模板匹配操作,以确定所述与待分割目标对应的种子区域。
6.根据权利要求1至3任一所述的方法,其特征在于,在所述将所述待分割图像输入至分割网络模型,以确定第一分割区域之前,还包括:
对所述待分割图像进行预处理操作。
7.根据权利要求6所述的方法,其特征在于,所述对所述待分割图像进行预处理操作,包括:
调整所述待分割图像对应的窗宽信息和/或窗位信息。
8.根据权利要求7所述的方法,其特征在于,在所述调整所述待分割图像对应的窗宽信息和/或窗位信息之前,还包括:
对所述待分割图像进行裁剪操作,以去除第一图像区域,其中,所述第一图像区域与所述待分割目标之间为第一关联关系。
9.根据权利要求7或8所述的方法,其特征在于,在所述调整所述待分割图像对应的窗宽信息和/或窗位信息之前,还包括:
对所述待分割图像进行除噪声操作。
10.根据权利要求7或8所述的方法,其特征在于,在所述调整所述待分割图像对应的窗宽信息和/或窗位信息之前,还包括:
确定所述待分割图像对应的HU信息;
基于所述HU信息去除第二图像区域,其中,所述第二图像区域与所述待分割目标之间为第二关联关系。
11.根据权利要求1至3任一所述的方法,其特征在于,所述待分割图像为乳腺钼靶图像。
12.一种图像分割装置,其特征在于,应用于包括待分割目标的待分割图像,包括:
第一分割区域确定模块,用于将所述待分割图像输入至分割网络模型,以确定第一分割区域,其中,所述第一分割区域与所述待分割目标对应;
第二分割区域确定模块,用于对所述第一分割区域进行精处理操作,以确定所述第一分割区域对应的第二分割区域。
13.一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至11任一所述的图像分割方法。
14.一种电子设备,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至11任一所述的图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911420562.0A CN111161256A (zh) | 2019-12-31 | 2019-12-31 | 图像分割方法、图像分割装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911420562.0A CN111161256A (zh) | 2019-12-31 | 2019-12-31 | 图像分割方法、图像分割装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111161256A true CN111161256A (zh) | 2020-05-15 |
Family
ID=70560428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911420562.0A Pending CN111161256A (zh) | 2019-12-31 | 2019-12-31 | 图像分割方法、图像分割装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161256A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184743A (zh) * | 2020-10-29 | 2021-01-05 | 中国科学院计算技术研究所厦门数据智能研究院 | 一种乳腺钼靶图像中胸肌和乳头区域的分割预标注方法 |
CN112184631A (zh) * | 2020-09-08 | 2021-01-05 | 上海交通大学附属第六人民医院 | 一种图像处理方法、设备及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105551038A (zh) * | 2015-12-14 | 2016-05-04 | 苏州大学 | 一种基于三维oct图像的全自动分类及分割视网膜分支动脉阻塞的方法 |
CN108257135A (zh) * | 2018-02-01 | 2018-07-06 | 浙江德尚韵兴图像科技有限公司 | 基于深度学习方法解读医学图像特征的辅助诊断系统 |
CN108596887A (zh) * | 2018-04-17 | 2018-09-28 | 湖南科技大学 | 一种腹部ct序列图像肝脏肿瘤自动分割方法 |
CN110503649A (zh) * | 2019-07-05 | 2019-11-26 | 陕西科技大学 | 一种基于空间多尺度U-net与超像素修正的肝脏分割方法 |
-
2019
- 2019-12-31 CN CN201911420562.0A patent/CN111161256A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105551038A (zh) * | 2015-12-14 | 2016-05-04 | 苏州大学 | 一种基于三维oct图像的全自动分类及分割视网膜分支动脉阻塞的方法 |
CN108257135A (zh) * | 2018-02-01 | 2018-07-06 | 浙江德尚韵兴图像科技有限公司 | 基于深度学习方法解读医学图像特征的辅助诊断系统 |
CN108596887A (zh) * | 2018-04-17 | 2018-09-28 | 湖南科技大学 | 一种腹部ct序列图像肝脏肿瘤自动分割方法 |
CN110503649A (zh) * | 2019-07-05 | 2019-11-26 | 陕西科技大学 | 一种基于空间多尺度U-net与超像素修正的肝脏分割方法 |
Non-Patent Citations (6)
Title |
---|
PIETRO NARDELLI ET AL: "Pulmonary Artery–Vein Classification in CT Images Using Deep Learning", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
ZHE LIU ET AL: "Liver CT sequence segmentation based with improved U-Net and graph cut", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
吕临颖: "基于超像素的肺部GGO征象检测方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
李姝蓁等: "融合显著物体检测的图像显示适配", 《中国图象图形学报》 * |
王毅: "《扩散磁共振成像及其影像处理》", 30 September 2017 * |
赵婕: "《图像特征提取与语义分割》", 31 July 2015 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184631A (zh) * | 2020-09-08 | 2021-01-05 | 上海交通大学附属第六人民医院 | 一种图像处理方法、设备及计算机可读存储介质 |
CN112184743A (zh) * | 2020-10-29 | 2021-01-05 | 中国科学院计算技术研究所厦门数据智能研究院 | 一种乳腺钼靶图像中胸肌和乳头区域的分割预标注方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10453200B2 (en) | Automated segmentation using deep learned priors | |
Fan et al. | Multichannel fully convolutional network for coronary artery segmentation in X-ray angiograms | |
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
CN109363698B (zh) | 一种乳腺影像征象识别的方法及装置 | |
CN109363699B (zh) | 一种乳腺影像病灶识别的方法及装置 | |
JP6539303B2 (ja) | 3d医用画像中の対象物を分割するための3d対象物の変換 | |
WO2021136368A1 (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
CN111166362B (zh) | 医学图像的显示方法及装置、存储介质及电子设备 | |
CN110276408B (zh) | 3d图像的分类方法、装置、设备及存储介质 | |
CN111105427B (zh) | 一种基于连通区域分析的肺部图像分割方法及系统 | |
CN111986206A (zh) | 基于UNet网络的肺叶分割方法、装置及计算机可读存储介质 | |
CN111784701B (zh) | 结合边界特征增强和多尺度信息的超声图像分割方法及系统 | |
CN110880177A (zh) | 一种图像识别方法及装置 | |
CN107169975B (zh) | 超声图像的分析方法及装置 | |
CN111091575B (zh) | 一种基于强化学习方法的医学图像分割方法 | |
JP2010207572A (ja) | 障害のコンピュータ支援検出 | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN112164026B (zh) | 一种内窥镜息肉实时检测方法、系统及终端 | |
CN108305268A (zh) | 一种图像分割方法及装置 | |
CN111161256A (zh) | 图像分割方法、图像分割装置、存储介质及电子设备 | |
WO2024087359A1 (zh) | 用于内窥镜的病灶检测方法、装置、电子设备及存储介质 | |
Mahmood et al. | Ultrasound liver image enhancement using watershed segmentation method | |
CN116758336A (zh) | 一种基于人工智能的医学图像智能分析系统 | |
Nair et al. | Modified level cut liver segmentation from ct images | |
Senthilnath et al. | GPU-based normalized cuts for road extraction using satellite imagery |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085 Applicant after: Tuxiang Medical Technology Co., Ltd Address before: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085 Applicant before: Beijing Tuoxiang Technology Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200515 |