CN111161269B - 图像分割方法、计算机设备和可读存储介质 - Google Patents
图像分割方法、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN111161269B CN111161269B CN201911337570.9A CN201911337570A CN111161269B CN 111161269 B CN111161269 B CN 111161269B CN 201911337570 A CN201911337570 A CN 201911337570A CN 111161269 B CN111161269 B CN 111161269B
- Authority
- CN
- China
- Prior art keywords
- feature map
- medical image
- convolution
- module
- segmentation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003709 image segmentation Methods 0.000 title claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 104
- 230000007246 mechanism Effects 0.000 claims abstract description 32
- 238000005070 sampling Methods 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 5
- 238000005215 recombination Methods 0.000 claims description 5
- 230000006798 recombination Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 210000000056 organ Anatomy 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- G06T2207/20—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]
Abstract
本发明涉及一种图像分割方法、计算机设备和可读存储介质,该方法包括:获取待分割的医学图像;将所述医学图像输入分割模型,得到所述医学图像的分割结果;其中,所述分割模型的上采样模块包括混合通道打乱机制层。在该方法中,分割模型的上采样模块包括混合通道打乱机制层能够在减少分割模型的计算量和参数量的同时,获取输入的医学图像更多的特征信息,从而能够对输入的医学图像进行更加准确的分割,提高了得到的医学图像的分割结果的准确度。
Description
技术领域
本发明涉及医学图像领域,特别是涉及一种图像分割方法、计算机设备和可读存储介质。
背景技术
随着计算机断层成像(Computed Tomography,CT)技术的不断提升,能够为医生提供更加清晰和精细的人体医学CT图像。因此,利用CT图像提取患者器官的形状结构信息具有重要的临床应用价值。但是,由于CT图像中各个器官分布复杂,相互之间结构存在干扰以及不同扫描CT图像的差异性等因素都成为准确地分割CT图像的挑战性问题。
传统技术中,对CT图像进行分割时是将CT图像输入训练好的U-Net网络或者V-Net网络中,利用下采样网络和上采样网络产生CT图像的分割图像,提取CT图像中各个器官的形状信息。
但是,传统的对CT图像的分割方法存在分割结果不准确的问题。
发明内容
基于此,有必要针对传统的对CT图像的分割方法存在分割结果不准确的问题,提供一种图像分割方法、计算机设备和可读存储介质。
第一方面,本发明实施例提供一种图像分割方法,所述方法包括:
获取待分割的医学图像;
将所述医学图像输入分割模型,得到所述医学图像的分割结果;其中,所述分割模型的上采样模块包括混合通道打乱机制层。
第二方面,本发明实施例提供一种图像分割装置,所述装置包括:
获取模块,用于获取待分割的医学图像;
分割模块,用于将所述医学图像输入分割模型,得到所述医学图像的分割结果;其中,所述分割模型的上采样模块包括混合通道打乱机制层。
第三方面,本发明实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待分割的医学图像;
将所述医学图像输入分割模型,得到所述医学图像的分割结果;其中,所述分割模型的上采样模块包括混合通道打乱机制层。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待分割的医学图像;
将所述医学图像输入分割模型,得到所述医学图像的分割结果;其中,所述分割模型的上采样模块包括混合通道打乱机制层。
上述实施例提供的图像分割方法、装置、计算机设备和可读存储介质中,计算机设备获取待分割的医学图像,将该医学图像输入分割模型,得到该医学图像的分割结果;其中,分割模型的上采样模块包括混合通道打乱机制层。在该方法中,分割模型的上采样模块包括混合通道打乱机制层能够在减少分割模型的计算量和参数量的同时,获取输入的医学图像更多的特征信息,从而能够对输入的医学图像进行更加准确的分割,提高了得到的医学图像的分割结果的准确度。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图;
图2为一个实施例提供的图像分割方法的流程示意图;
图3为另一个实施例提供的图像分割方法的流程示意图;
图3(a)为一个实施例提供的将医学图像输入分割模型得到分割结果的流程示意图;
图4为一个实施例提供的图像分割装置结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的图像分割方法,可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器,该存储器中存储有计算机程序,处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的,该计算机设备还可以包括网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器,该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的,该计算机设备可以是服务器,可以是个人计算机,还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。
传统的技术中,对CT图像进行分割时是将CT图像输入训练好的U-Net网络或者V-Net网络中,利用下采样模块和上采样模块产生CT图像的分割图像,但是传统的V-Net网络的下采样模块中大量采用三维的5*5*5卷积操作,一定程度上造成网络参数过多导致对V-Net网络训练困难和不易收敛的问题;另外,下采样模块经过多次下采样操作使得CT图像中比较细小器官的信息基本上会消失,导致最终的CT分割图像中信息缺失,从而起不到辅助诊断的作用。为此,本申请实施例提供一种图像分割方法、计算机设备和可读存储介质,旨在解决传统技术的如上技术问题。
需要说明的是,本申请实施例提供的图像分割方法,其执行主体可以是图像分割装置,该图像分割装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例中,均以执行主体是计算机设备为例来进行说明。
需要说明的是,本实施例提供的图像分割方法可以适用于所有医学图像的分割,包括但不限于计算机断层成像(Computed Tomography,CT)图像、磁共振成像(MagneticResonance Imaging,MRI)图像等医学图像的分割。下面以具体的实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为一个实施例提供的图像分割方法的流程示意图。本实施例涉及的是计算机设备将待分割的医学图像输入分割模型,得到该医学图像的分割结果的具体实现过程。如图2所示,该方法可以包括:
S201,获取待分割的医学图像。
其中,待分割的医学图像可以为各种医学影像设备生成的医学图像,可以是CT图像、也可以是MRI图像,或其他医学影像图像。可选的,计算机设备可以从PACS(PictureArchiving and Communication Systems,影像归档和通信系统)服务器中获取待分割的医学图像,也可以从医学影像设备中实时地获取待分割的医学图像。获取的待分割的医学图像可以为人体各器官的医学图像,示例性地,以获取的待分割的医学图像为CT图像进行说明,获取的待分割的CT图像可以为心脏CT图像,也可以为肝脏CT图像或者脑部CT图像。
S202,将医学图像输入分割模型,得到医学图像的分割结果;其中,分割模型的上采样模块包括混合通道打乱机制层。
具体的,计算机设备将上述医学图像输入分割模型,得到该医学图像的分割结果。其中,该分割模型的上采样模块包括混合通道打乱机制层。可选的,分割模型的网络结构可以为3D V-Net网络结构。可选的,计算机设备将上述医学图像输入分割模型之前,可以对该医学图像进行预处理和数据增强操作,预处理包括灰度归一化、重采样处理、裁剪处理等处理,数据增强操作包括镜像、旋转和弹性变化等操作。需要说明的是,本实施例中的分割模型为预先训练好的模型,分割模型的训练过程包括:获取样本医学图像,对样本医学图像进行预处理和数据增强操作,得到处理后的样本医学图像,将处理后的样本医学图像输入预设的初始分割模型,得到样本医学图像的样本分割结果,根据样本分割结果和预先对样本医学图像的标记结果得到初始分割模型损失函数的值,根据该损失函数的值对初始分割模型进行训练,得到该分割模型,其中,初始分割模型的损失函数可以为加权损失函数,例如Dice损失函数,初始分割模型的优化器可以为随机梯度下降-动量(Stochastic GradientDescent-Momentum,SGD-Momentum)优化器。
在本实施例中,分割模型的上采样模块包括混合通道打乱机制层能够在减少分割模型的计算量和参数量的同时,获取输入的医学图像更多的特征信息,从而能够对输入的医学图像进行更加准确的分割,提高了得到的医学图像的分割结果的准确度。
图3为另一个实施例提供的图像分割方法的流程示意图。图3(a)为一个实施例提供的将医学图像输入分割模型得到分割结果的流程示意图。本实施例涉及的是计算机设备将医学图像输入分割模型,得到医学图像的分割结果的具体实现过程。如图3所示,在上述实施例的基础上,作为一种可选的实施方式,上述分割模型还包括输入模块、下采样模块和输出模块;上述S202,包括:
S301,将医学图像输入输入模块,得到医学图像的特征图;
其中,分割模型的输入模块包括卷积层、批量归一化层和激活函数层。具体的,如图3(a)所示,计算机设备将上述医学图像输入分割模型的输入模块,得到该医学图像的特征图。可选的,分割模型的输入模块的卷积层的大小可以为3*3*3,卷积步长可以为1;输入模块的激活函数层的激活函数可以为Relu函数。
S302,将特征图输入下采样模块,得到医学图像的下采样特征图。
具体的,计算机设备将得到的特征图输入分割模型的下采样模块,得到该医学图像的下采样特征图。可选的,下采样模块包括第一残差子模块和卷积层,第一残差子模块包括多个第一卷积块,每个第一卷积块为深度可分离卷积结构,第一卷积块的深度可分离卷积结构包括第一卷积层、第二卷积层和第三卷积层,第一卷积层的大小为1*1*1,卷积步长为1,第二卷积层的大小为3*3*3,卷积步长为1,第三卷积层的大小为1*1*1,卷积步长为1;卷积层的卷积大小为1*1*1卷积加上3*3*3卷积,卷积步长为2。需要说明的是,传统的V-Net网络中的下采样模块中的第一残差子模块包括的多个卷积块中每个卷积块的卷积结构为5*5*5卷积,而在本实施例中,每个卷积块采用深度可分离卷积结构替换传统的每个卷积块的5*5*5卷积结构,这样可以减少V-Net网络的参数量和计算量。示例性地,如图3(a)所示,以下采样模块包括三次下采样操作为例进行说明,下采样操作的第一次下采样操作包括一个第一残差子模块和一个大小为1*1*1卷积加上3*3*3卷积的卷积层,第二次下采样操作包括两个第一残差子模块和一个大小为1*1*1卷积加上3*3*3卷积的卷积层,第三次下采样操作包括三个残差子模块和一个大小为1*1*1卷积加上3*3*3卷积的卷积层。请继续参见图3(a),图3(a)中以第一残差子模块包括一个第一卷积块为例进行了说明,如图3(a)所示,第一卷积块的深度可分离卷积结构中第一卷积层的大小为1*1*1,第二卷积层的大小为3*3*3,第三卷积层的大小为1*1*1。
需要说明的是,下采样模块包括的下采样操作次数不仅限于三次,本实施例只是以三次下采样操作为例进行说明,示例性地,下采样模块可以包括一次下采样操作,两次下采样操作,或者三次以上的下采样操作,其中,每次下采样操作包括的操作可参照上述的描述以此类推,在此不再赘述。
S303,将下采样特征图输入上采样模块,利用混合通道打乱机制得到医学图像的融合特征图。
具体的,计算机设备将得到的下采样特征图输入分割模型的上采样模块,利用混合通道打乱机制得到上述医学图像的融合特征图。可选的,上采样模块包括反卷积层和第二残差子模块,第二残差子模块包括一个第二卷积块,第二卷积块包括第一组卷积层、混合通道打乱机制层、深度卷积层和第二组卷积层,第一组卷积层的大小为1*1*1,卷积步长为1,深度卷积层的大小为3*3*3,卷积步长为1,第二组卷积层的大小为1*1*1,卷积步长为1;反卷积层的大小为1*1*1卷积加上3*3*3反卷积,反卷积层的卷积步长为2。可选的,计算机设备可以将下采样特征图输入分割模型的上采样模块,通过上采样模块的反卷积层得到该医学图像的上采样特征图,然后,对下采样特征图和上采样特征图通过第一组卷积层进行组卷积操作,得到第一特征图,其中,第一特征图包括多组通道,且第一特征图的通道数、下采样特征图的通道数、上采样特征图的通道数各不相同,然后,计算机设备对第一特征图中不同通道同一位置的特征进行特征重组处理,也就是,通过混合通道打乱机制层对第一特征图中不同通道同一位置的特征进行特征重组处理,得到第二特征图,然后,对第二特征图通过深度卷积层和第二组卷积层进行卷积操作,得到第三特征图,对第三特征图中的体素相加进行特征融合,得到该医学图像的融合特征图。示例性地,在上述描述中图3(a)的下采样模块包括三次下采样操作,那么,相应地上采样模块包括三次上采样操作,如图3(a)所示,上采样操作的第一次上采样操作包括一个反卷积层和一个第二残差子模块,上采样操作的第二次上采样操作包括一个反卷积层和一个第二残差子模块,上采样操作的第三次上采样操作包括一个反卷积层和一个第二残差子模块。需要说明的是,上采样模块包括的上采样操作次数是与下采样模块包括的下采样操作次数相对应的,例如,若上采样模块包括一次上采样操作,则下采样模块包括一次下采样操作,若上采样模块包括三次以上的上采样操作,则下采样模块也包括三次以上的下采样操作,且每次上采样操作包括的操作与上述描述相同,即每次上采样操作包括一个反卷积层和一个第二残差子模块,反卷积层的大小为1*1*1卷积加上3*3*3反卷积,反卷积层的卷积步长为2,第二残差子模块包括一个第二卷积块,第二卷积块包括第一组卷积层、混合通道打乱机制层、深度卷积层和第二组卷积层,第一组卷积层的大小为1*1*1,卷积步长为1,深度卷积层的大小为3*3*3,卷积步长为1,第二组卷积层的大小为1*1*1,卷积步长为1。
示例性地,以输入的医学图像的大小为256*256*256的图像,分割模型的下采样模块包括三次下采样操作为例进行说明,具体的,计算机设备将该医学图像输入分割模型的输入模块,得到该医学图像的特征图,该医学图像的特征图大小也为256*256*256,再将该特征图输入下采样模块进行第一次下采样操作后得到大小为128*128*128的第一下采样图像,即通过一个第一残差子模块和一个大小为1*1*1卷积加上3*3*3卷积的卷积层,得到大小为128*128*128的第一下采样图像,然后通过两个第一残差子模块和一个大小为1*1*1卷积加上3*3*3卷积的卷积层对第一下采样图像进行第二次下采样操作,得到大小为64*64*64的第二下采样图像,再通过三个残差子模块和一个大小为1*1*1卷积加上3*3*3卷积的卷积层对第二下采样图像进行第三次下采样操作,得到大小为32*32*32的第三下采样图像,此时得到的第三下采样图像即为该医学图像的下采样特征图,然后将该下采样特征图输入上采样模块进行第一次上采样操作,通过第一次上采样操作中第二残差子模块的第二卷积块中的第一组卷积层、混合通道打乱机制层、深度卷积层和第二组卷积层,最终得到大小为64*64*64的第一特征图,即通过一个大小为1*1*1卷积加上3*3*3反卷积的反卷积层和一个第二残差子模块得到第一特征图,然后再通过一个大小为1*1*1卷积加上3*3*3反卷积的反卷积层和一个第二残差子模块对第一上采样图像进行第二上采样操作,通过第二次上采样操作中第二残差子模块的第二卷积块中的第一组卷积层、混合通道打乱机制层、深度卷积层和第二组卷积层,最终得到大小为128*128*128的第二特征图,再通过一个大小为1*1*1卷积加上3*3*3反卷积的反卷积层和一个第二残差子模块对第二上采样图像进行第三上采样操作,通过第三次上采样操作中第二残差子模块的第二卷积块中的第一组卷积层、混合通道打乱机制层、深度卷积层和第二组卷积层,最终得到大小为256*256*256的第三特征图,此时得到的第三特征图即为该医学图像的融合特征图。
S304,将融合特征图输入输出模块,根据融合特征图得到医学图像的分割结果。
具体的,计算机设备将得到的融合特征图输入分割模型的输出模块,分割模型的输出模块根据融合特征图得到医学图像的分割结果。其中,医学图像的分割结果为对医学图像中各个器官的分割结果。示例性地,如图3(a)所示,计算机设备将得到的融合特征图输入分割模型的输出模块,可选的,输出模块包括两个第四卷积层和三个第五卷积层和softmax层,用于根据上采样模块输出的融合特征图,得到医学图像的分割结果。其中,第四卷积层的大小为1*1*1卷积加上3*3*3反卷积、第五卷积层的大小为1*1*1卷积。
在本实施例中,计算机设备将待分割的医学图像输入分割模型的输入模块,得到该医学图像的特征图,将该特征图输入分割模型的下采样模块,下采样模块中的第一残差子模块多个卷积块中每个卷积块采用深度可分离卷积结构,能够减少下采样模块参数量和计算量,提高了得到医学图像的下采样特征图的效率,再将下采样特征图输入上采样模块,上采样模块的混合通道打乱机制能够在减少计算量和参数量的同时,能够更加准确地获取下采样特征图更多的特征信息,提高了得到的医学图像的融合特征图的准确度,进而提高了根据融合特征图得到医学图像的分割结果的准确度。
应该理解的是,虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图4为一个实施例提供的图像分割装置结构示意图。如图4所示,该装置可以包括:获取模块10和分割模块11。
具体的,获取模块10,用于获取待分割的医学图像;
分割模块11,用于将医学图像输入分割模型,得到医学图像的分割结果;其中,分割模型的上采样模块包括混合通道打乱机制层。
本实施例提供的图像分割装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,分割模型还包括输入模块、下采样模块和输出模块;上述分割模块11包括:第一获取单元、第二获取单元、第三获取单元和分割单元。
具体的,第一获取单元,用于将医学图像输入输入模块,得到医学图像的特征图;
第二获取单元,用于将特征图输入下采样模块,得到医学图像的下采样特征图;
第三获取单元,用于将下采样特征图输入上采样模块,利用混合通道打乱机制得到医学图像的融合特征图;
输出模块,用于将融合特征图输入输出模块,根据融合特征图得到医学图像的分割结果。
可选的,下采样模块包括第一残差子模块和卷积层;第一残差子模块包括多个第一卷积块,每个第一卷积块均为深度可分离卷积结构;深度可分离卷积结构包括第一卷积层、第二卷积层和第三卷积层;其中,第一卷积层的大小为1*1*1,第二卷积层的大小为3*3*3,第三卷积层的大小为1*1*1。
可选的,上采样模块包括反卷积层和第二残差子模块;第二残差子模块包括一个第二卷积块,第二卷积块包括第一组卷积层、混合通道打乱机制层、深度卷积层和第二组卷积层;第一组卷积层的大小为1*1*1,深度卷积层的大小为3*3*3,第二组卷积层的大小为1*1*1。
本实施例提供的图像分割装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,第三获取单元,具体用于将下采样特征图输入上采样模块,得到医学图像的上采样特征图;对下采样特征图和上采样特征图,利用混合通道打乱机制得到医学图像的融合特征图。
本实施例提供的图像分割装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,第三获取单元,具体用于对下采样特征图和上采样特征图进行组卷积操作,得到第一特征图;第一特征图包括多组通道;第一特征图的通道数、下采样特征图的通道数、上采样特征图的通道数各不相同;对第一特征图中不同通道同一位置的特征进行特征重组处理,得到第二特征图;对第二特征图进行卷积操作,得到第三特征图,对第三特征图中的体素相加进行特征融合,得到医学图像的融合特征图。
本实施例提供的图像分割装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于图像分割装置的具体限定可以参见上文中对于图像分割方法的限定,在此不再赘述。上述图像分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待分割的医学图像;
将医学图像输入分割模型,得到医学图像的分割结果;其中,分割模型的上采样模块包括混合通道打乱机制层。
上述实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待分割的医学图像;
将医学图像输入分割模型,得到医学图像的分割结果;其中,分割模型的上采样模块包括混合通道打乱机制层。
上述实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像分割方法,其特征在于,所述方法包括:
获取待分割的医学图像;
将所述医学图像输入分割模型,得到所述医学图像的分割结果;其中,所述分割模型用于通过上采样模块的混合通道打乱机制层对所述医学图像的第一特征图中不同通道同一位置的特征进行特征重组处理,得到第二特征图,对所述第二特征图通过深度卷积层和第二组卷积层进行卷积操作,得到第三特征图,对所述第三特征图中的体素相加进行特征融合,得到所述医学图像的融合特征图,根据所述融合特征图得到所述医学图像的分割结果。
2.根据权利要求1所述的方法,其特征在于,所述分割模型还包括输入模块、下采样模块、上采样模块和输出模块;所述将所述医学图像输入分割模型,得到所述医学图像的分割结果,包括:
将所述医学图像输入所述输入模块,得到所述医学图像的特征图;
将所述特征图输入所述下采样模块,得到所述医学图像的下采样特征图;
将所述下采样特征图输入所述上采样模块,利用混合通道打乱机制得到所述医学图像的融合特征图;
将所述融合特征图输入所述输出模块,根据所述融合特征图得到所述医学图像的分割结果。
3.根据权利要求2所述的方法,其特征在于,所述将所述下采样特征图输入所述上采样模块,利用混合通道打乱机制得到所述医学图像的融合特征图,包括:
将所述下采样特征图输入所述上采样模块,得到所述医学图像的上采样特征图;
对所述下采样特征图和所述上采样特征图,利用所述混合通道打乱机制得到所述医学图像的融合特征图。
4.根据权利要求3所述的方法,其特征在于,所述对所述下采样特征图和所述上采样特征图,利用所述混合通道打乱机制得到所述医学图像的融合特征图,包括:
对所述下采样特征图和所述上采样特征图进行组卷积操作,得到所述第一特征图;所述第一特征图包括多组通道;所述第一特征图的通道数、所述下采样特征图的通道数、所述上采样特征图的通道数各不相同;
对所述第一特征图中不同通道同一位置的特征进行特征重组处理,得到第二特征图;
对所述第二特征图通过深度卷积层和第二组卷积层进行卷积操作,得到第三特征图,对所述第三特征图中的体素相加进行特征融合,得到所述医学图像的融合特征图。
5.根据权利要求2所述的方法,其特征在于,所述下采样模块包括第一残差子模块和卷积层;所述第一残差子模块包括多个第一卷积块,每个第一卷积块为深度可分离卷积结构。
6.根据权利要求5所述的方法,其特征在于,所述深度可分离卷积结构包括第一卷积层、第二卷积层和第三卷积层;其中,所述第一卷积层的大小为1*1*1,第二卷积层的大小为3*3*3,第三卷积层的大小为1*1*1。
7.根据权利要求2所述的方法,其特征在于,所述上采样模块包括反卷积层和第二残差子模块;所述第二残差子模块包括一个第二卷积块,所述第二卷积块包括第一组卷积层、混合通道打乱机制层、深度卷积层和第二组卷积层。
8.根据权利要求7所述的方法,其特征在于,所述第一组卷积层的大小为1*1*1,所述深度卷积层的大小为3*3*3,所述第二组卷积层的大小为1*1*1。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911337570.9A CN111161269B (zh) | 2019-12-23 | 2019-12-23 | 图像分割方法、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911337570.9A CN111161269B (zh) | 2019-12-23 | 2019-12-23 | 图像分割方法、计算机设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111161269A CN111161269A (zh) | 2020-05-15 |
CN111161269B true CN111161269B (zh) | 2024-03-22 |
Family
ID=70557804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911337570.9A Active CN111161269B (zh) | 2019-12-23 | 2019-12-23 | 图像分割方法、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161269B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429460B (zh) * | 2020-06-12 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 图像分割方法、图像分割模型训练方法、装置和存储介质 |
CN111899263B (zh) * | 2020-07-14 | 2023-10-17 | 深圳大学 | 图像分割方法、装置、计算机设备及存储介质 |
CN111768409B (zh) * | 2020-09-03 | 2020-12-04 | 腾讯科技(深圳)有限公司 | 基于人工智能的箱式结构检测方法及装置 |
CN111968145B (zh) * | 2020-10-23 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 箱式结构识别方法、装置、电子设备及存储介质 |
CN112700460A (zh) * | 2021-01-14 | 2021-04-23 | 北京工业大学 | 图像分割方法及系统 |
CN117115444B (zh) * | 2023-09-08 | 2024-04-16 | 北京卓视智通科技有限责任公司 | 一种多任务图像分割方法、系统、计算机设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107405412A (zh) * | 2014-11-10 | 2017-11-28 | 埃泽瑞斯公司 | 通过递送bmp编码rna诱导骨生成 |
CN109035252A (zh) * | 2018-06-29 | 2018-12-18 | 山东财经大学 | 一种面向医学图像分割的超像素方法 |
CN109271992A (zh) * | 2018-09-26 | 2019-01-25 | 上海联影智能医疗科技有限公司 | 一种医学图像处理方法、系统、装置和计算机可读存储介质 |
CN109414458A (zh) * | 2016-05-04 | 2019-03-01 | 加利福尼亚大学董事会 | 通过程序化细胞收缩折叠生物组织 |
CN109410219A (zh) * | 2018-10-09 | 2019-03-01 | 山东大学 | 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质 |
CN109685819A (zh) * | 2018-12-11 | 2019-04-26 | 厦门大学 | 一种基于特征增强的三维医学图像分割方法 |
CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
CN110223304A (zh) * | 2019-05-20 | 2019-09-10 | 山东大学 | 一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784654B (zh) * | 2016-08-26 | 2020-09-25 | 杭州海康威视数字技术股份有限公司 | 图像分割方法、装置及全卷积网络系统 |
US10783640B2 (en) * | 2017-10-30 | 2020-09-22 | Beijing Keya Medical Technology Co., Ltd. | Systems and methods for image segmentation using a scalable and compact convolutional neural network |
-
2019
- 2019-12-23 CN CN201911337570.9A patent/CN111161269B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107405412A (zh) * | 2014-11-10 | 2017-11-28 | 埃泽瑞斯公司 | 通过递送bmp编码rna诱导骨生成 |
CN109414458A (zh) * | 2016-05-04 | 2019-03-01 | 加利福尼亚大学董事会 | 通过程序化细胞收缩折叠生物组织 |
CN109035252A (zh) * | 2018-06-29 | 2018-12-18 | 山东财经大学 | 一种面向医学图像分割的超像素方法 |
CN109271992A (zh) * | 2018-09-26 | 2019-01-25 | 上海联影智能医疗科技有限公司 | 一种医学图像处理方法、系统、装置和计算机可读存储介质 |
CN109410219A (zh) * | 2018-10-09 | 2019-03-01 | 山东大学 | 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质 |
CN109685819A (zh) * | 2018-12-11 | 2019-04-26 | 厦门大学 | 一种基于特征增强的三维医学图像分割方法 |
CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
CN110223304A (zh) * | 2019-05-20 | 2019-09-10 | 山东大学 | 一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
徐宏伟 ; 闫培新 ; 吴敏 ; 徐振宇 ; 孙玉宝 ; .基于残差双注意力U-Net模型的CT图像囊肿肾脏自动分割.计算机应用研究.(07),全文. * |
王海鸥 ; 刘慧 ; 郭强 ; 邓凯 ; 张彩明 ; .面向医学图像分割的超像素U-Net网络设计.计算机辅助设计与图形学学报.2019,(06),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111161269A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161269B (zh) | 图像分割方法、计算机设备和可读存储介质 | |
CN111192356B (zh) | 感兴趣区域的显示方法、装置、设备和存储介质 | |
CN109598728B (zh) | 图像分割方法、装置、诊断系统及存储介质 | |
CN109697740B (zh) | 图像重建方法、装置和计算机设备 | |
CN111476719B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN111369542B (zh) | 血管标记方法、图像处理系统和存储介质 | |
CN111260055A (zh) | 基于三维图像识别的模型训练方法、存储介质和设备 | |
WO2023066364A1 (zh) | 三维图像处理方法、装置、计算机设备和存储介质 | |
CN111210465B (zh) | 图像配准方法、装置、计算机设备和可读存储介质 | |
CN110210519B (zh) | 分类方法、计算机设备和存储介质 | |
CN112365413A (zh) | 图像处理方法、装置、设备、系统及计算机可读存储介质 | |
CN111951272A (zh) | 脑部影像的分割方法、装置、计算机设备和可读存储介质 | |
CN111243052A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
CN111583264A (zh) | 图像分割网络的训练方法、图像分割方法和存储介质 | |
CN114972026A (zh) | 图像处理方法和存储介质 | |
CN110310314A (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
CN111899263B (zh) | 图像分割方法、装置、计算机设备及存储介质 | |
CN111210414B (zh) | 医学图像分析方法、计算机设备和可读存储介质 | |
CN111105362B (zh) | 脑图像校正方法、计算机设备和可读存储介质 | |
CN114782300A (zh) | 产品图像重构方法、产品重构模型训练方法、装置 | |
CN111091504B (zh) | 图像偏差场矫正方法、计算机设备和存储介质 | |
CN113205451A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110930391A (zh) | 一种基于VggNet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 | |
CN110874614B (zh) | 脑图像分类方法、计算机设备和可读存储介质 | |
CN110751627B (zh) | 图像处理方法、装置、计算机设备和存储介质 |
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 |