CN111275721B - 一种图像分割方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开实施例公开了一种图像分割方法、装置、电子设备及存储介质，该方法包括：确定待分割原图像；将所述待分割原图像输入至图像分割模型，得到所述待分割原图像中的目标区域图像；其中，所述图像分割模型基于样本数据对图像分割网络进行预先训练得到，所述图像分割网络包括：至少两个级联的卷积神经网络模块，每个卷积神经网络模块包括至少两个特征提取单元；每个卷积神经网络模块均配置有损失函数，在训练时，当前卷积神经网络模块配置的损失函数用于对当前卷积神经网络模块输出的中间分割结果进行监督。本公开实施例的技术方案，实现了对待分割图像的准确分割。

Description

一种图像分割方法、装置、电子设备及存储介质

技术领域

本公开实施例涉及计算机技术领域，尤其涉及一种图像分割方法、装置、电子设备及存储介质。

背景技术

缺血性脑卒中又称脑梗塞，是一种常见的脑血管疾病，一直以来都严重危害着人体健康，其老年发病率、致残率和病死率都非常高。缺血性脑卒中的早期发现是十分重要的，尤其是超急性期的正确发现，能够及时指导采取措施，以减少梗死灶周边缺血性缺血半暗带区域的脑细胞坏死，对于缺血性脑卒中的诊断与治疗具有重大作用。

目前，对脑卒中缺血区域的确定主要依赖于医生的经验，难度高且一致性差，同时手工标注费时费力。

发明内容

本公开实施例提供一种图像分割方法、装置、电子设备及存储介质，实现了对图像中目标区域的准确分割。

第一方面，本公开实施例提供了一种图像分割方法，该方法包括：

确定待分割原图像；

将所述待分割原图像输入至图像分割模型，得到所述待分割原图像中的目标区域图像；

其中，所述图像分割模型基于样本数据对图像分割网络进行预先训练得到，所述图像分割网络包括：至少两个级联的卷积神经网络模块，每个卷积神经网络模块包括至少两个特征提取单元；

每个卷积神经网络模块均配置有损失函数，在训练时，当前卷积神经网络模块配置的损失函数用于对当前卷积神经网络模块输出的中间分割结果进行监督；

当前卷积神经网络模块输出的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第一输入特征层；

当前卷积神经网络模块最后一次上采样得到的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第二输入特征层；

当前卷积神经网络模块中第一个特征提取单元输出的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第三输入特征层；

所述第一输入特征层、第二输入特征层以及第三输入特征层堆叠成整体作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的输入。

第二方面，本公开实施例还提供了一种图像分割装置，该装置包括：

确定模块，用于确定待分割原图像；

分割模块，用于将所述待分割原图像输入至图像分割模型，得到所述待分割原图像中的目标区域图像；

其中，所述图像分割模型基于样本数据对图像分割网络进行预先训练得到，所述图像分割网络包括：至少两个级联的卷积神经网络模块，每个卷积神经网络模块包括至少两个特征提取单元；

每个卷积神经网络模块均配置有损失函数，在训练时，当前卷积神经网络模块配置的损失函数用于对当前卷积神经网络模块输出的中间分割结果进行监督；

当前卷积神经网络模块输出的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第一输入特征层；

当前卷积神经网络模块最后一次上采样得到的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第二输入特征层；

当前卷积神经网络模块中第一个特征提取单元输出的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第三输入特征层；

所述第一输入特征层、第二输入特征层以及第三输入特征层堆叠成整体作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的输入。

第三方面，本公开实施例还提供了一种设备，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的图像分割方法。

第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的图像分割方法。

本公开实施例的技术方案包括：确定待分割原图像；将所述待分割原图像输入至图像分割模型，得到所述待分割原图像中的目标区域图像；其中，所述图像分割模型基于样本数据对图像分割网络进行预先训练得到，所述图像分割网络包括：至少两个级联的卷积神经网络模块，每个卷积神经网络模块包括至少两个特征提取单元；每个卷积神经网络模块均配置有损失函数，在训练时，当前卷积神经网络模块配置的损失函数用于对当前卷积神经网络模块输出的中间分割结果进行监督；当前卷积神经网络模块输出的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第一输入特征层；当前卷积神经网络模块最后一次上采样得到的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第二输入特征层；当前卷积神经网络模块中第一个特征提取单元输出的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第三输入特征层；所述第一输入特征层、第二输入特征层以及第三输入特征层堆叠成整体作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的输入。在训练图像分割网络以得到图像分割模型时，通过为每个卷积神经网络模块均配置损失函数，当前卷积神经网络模块配置的损失函数用于对当前卷积神经网络模块输出的中间分割结果进行监督，即预测中间分割结果，并使中间分割结果参与损失loss计算，通过重复自下而上和自上而下的推理机制，允许重新评估整个图像的初始估计和特征，提高了图像分割网络获取抽象特征的能力，进而使训练所得到的图像分割模型的分割精度较高；同时为了让下一个卷积神经网络模块有更丰富的特征信息来重新评估整个图像的初始估计和特征，本实施例的方案中，使每个卷积神经网络模块的第一个特征提取单元输出的特征层作为下一个卷积神经网络模块输入的一部分，充分提高了图像分割网络获取抽象特征的能力，通过多级卷积神经网络模块不断地重新评估整个图像的初始估计和特征，纠正学习到的偏差，提高了最终图像分割模型的分割效果，通过多次中间分割结果的监督，提高了最终分割模型的分割精度。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为本公开实施例一所提供的一种图像分割方法流程示意图；

图2为本公开实施例一所提供的四种脑部DWI图像的示意图；

图3为本公开实施例一所提供的一种标注好脑缺血区域的DWI图像的示意图；

图4为本公开实施例一所提供的一种所述图像分割网络的结构示意图；

图5为本公开实施例一所提供的一种所述图像分割网络结构的放大示意图；

图6为本公开实施例一所提供的另一种图像分割方法流程示意图；

图7为本公开实施例二所提供的一种图像分割装置结构示意图；

图8为本公开实施例三所提供的一种电子设备结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

实施例一

图1为本公开实施例一所提供的一种图像分割方法流程示意图，该方法可以由图像分割装置来执行，该装置可以通过软件和/或硬件的形式实现。

如图1所述，本实施例提供的图像分割方法包括如下步骤：

步骤110、确定待分割原图像。

具体的，所述待分割原图像包括：脑部DWI(diffusion weighted imaging，磁共振扩散加权)图像；所述DWI图像可通过MRI(Magnetic Resonance Imaging，磁共振成像)获得。所述脑部DWI图像为三维图像。

DWI图像有四种，b0图，b1000图，ADC图(apparent diffusion coeffecient，表观弥散系数)，eADC图(Exponential ADC，指数化表观弥散系数)。其中，b0图和b1000图是原始图像，是通过扫描设备扫描出来的；ADC图和eADC图不是原始图像，是工作站基于原始图像进行后处理得到的，eADC图类似ADC图的反转片，即黑变白，白变黑。具体的可以参见图2所示的上述四种脑部DWI图像的示意图。

对应的，所述样本数据包括标注好脑缺血区域的DWI图像数据。例如图3所示的一种标注好脑缺血区域的DWI图像的示意图，其中，标号310表示标注的脑缺血区域。

步骤120、将所述待分割原图像输入至图像分割模型，得到所述待分割原图像中的目标区域图像。

其中，所述图像分割模型基于样本数据对图像分割网络进行预先训练得到。

示例性的，参见图4所示的一种所述图像分割网络的结构示意图，所述图像分割网络包括：至少两个级联的卷积神经网络模块，每个卷积神经网络模块包括至少两个特征提取单元。同时参考图5所示的一种所述图像分割网络结构的放大示意图，每个卷积神经网络模块510或者520包括至少两个特征提取单元511，所述卷积神经网络模块包括：Dense U-net或者Resnet；对应的，所述特征提取单元包括Dense Block或者residual block。图5以所述卷积神经网络模块为Dense U-net，特征提取单元为Dense Block为例进行说明。

每个卷积神经网络模块均配置有损失函数，在训练时，当前卷积神经网络模块510配置的损失函数用于对当前卷积神经网络模块510输出的中间分割结果512进行监督。具体是，计算所述中间分割结果与预先标注的金标准之间的相似度，相似度越高说明当前卷积神经网络模块510的分割效果越好。损失函数的具体表达式本实施例不进行限定，本领域内常用的损失函数均可。

当前卷积神经网络模块510输出的特征层513作为与当前卷积神经网络模块510级联的下一个卷积神经网络模块520的第一输入特征层；当前卷积神经网络模块510最后一次上采样得到的特征层514作为与当前卷积神经网络模块510级联的下一个卷积神经网络模块520的第二输入特征层；当前卷积神经网络模块510中第一个特征提取单元511输出的特征层515作为与当前卷积神经网络模块510级联的下一个卷积神经网络模块520的第三输入特征层；所述第一输入特征层、第二输入特征层以及第三输入特征层堆叠成整体521作为与当前卷积神经网络模块510级联的下一个卷积神经网络模块520的输入。

进一步的，当前卷积神经网络模块510最后一次上采样得到的特征层514通过卷积运算得到当前卷积神经网络模块510输出的特征层513。

从图5所示的网络结构中可见，第一个Dense U-net based Block模块510输出的特征层513和其它信息(具体是第一个Dense U-net based Block模块510中最后一次上采样得到的特征层514以及第一个Dense U-net based Block模块510中第一个特征提取单元511输出的特征层515)通过“concat”累叠起来共同作为第二个Dense U-net based Block模块520的输入，这样就能抽取特征层513作为特征使第二个Dense U-net based Block模块520通过损失函数来进行学习第一个Dense U-net based Block模块510分割结果不足的地方，又因为第一个Dense U-net based Block模块510和第二个Dense U-net basedBlock模块520是级联在一起训练的，所以第二个Dense U-net based Block模块520的梯度会反向传播给第一个Dense U-net based Block模块510，让第一个Dense U-net basedBlock模块510学习并进行参数矫正。

由于每个Dense U-net based Block模块的第一个Dense block的特征层最为接近原始图像，因此其拥有的图像空间信息和浅层信息相比于深层Dense block的特征层是损失最少的。因此，设置每个Dense U-net based Block模块的第一个Dense block的特征层作为下一个Dense U-net based Block模块输入的一部分，如此，图像的空间信息越加丰富，模型对原图的像素点的识别和分类就越准确，最终得到的图像分割模型的分割精度越高。

图5中的网络结构借鉴了Dense Net和U-net的思想形成主干网络，该主干网络左边经过三次下采样(本领域技术人员都知道，还可以是其它次采样，并不限定三次)，右边经过三次上采样得到原图大小的图像，然后输出分割图，利用DICE loss进行中间监督。输出的分割图经过3×3的卷积得到特征层，同时跨层获取第一个Dense block的特征层和最后一次上采样得到的特征层，将这三组特征层堆叠成一个整体作为后面的Dense U-netbased Block模块的输入。其中，该网络可以堆叠多个Dense U-net based Block模块，每个Dense U-net based Block都有自己的损失函数进行中间监督，其作用是用来提高模型的获取抽象特征的能力。通过每个Dense U-net based Block模块预测中间的分割结果，并让中间的分割结果参与DICE loss计算，实现了重复自下而上和自上而下的推理机制，允许重新评估整个图像的初始估计和特征。同时为了让下一个Dense U-net based Block模块有更丰富的特征信息来重新评估整个图像的初始估计和特征，因此让每个Dense U-netbased Block模块的第一个Dense block的特征层也作为下一个Dense U-net based Block模块的输入。

本公开实施例的技术方案，使用更少的输入信息可达到更好的预测结果，通过设计合理的图像分割网络结构，实现了分割精度较高的图像分割模型，进而实现了对待分割图像中目标区域的准确分割。具体的，通过为每个卷积神经网络模块均配置损失函数，使每个卷积神经网络模块输出的中间分割结果参与损失loss计算，通过重复自下而上和自上而下的推理机制，允许重新评估整个图像的初始估计和特征，提高了图像分割网络获取抽象特征的能力，进而使训练所得到的图像分割模型的分割精度较高；同时为了让下一个卷积神经网络模块有更丰富的特征信息来重新评估整个图像的初始估计和特征，本实施例的方案中，使每个卷积神经网络模块的第一个特征提取单元输出的特征层作为下一个卷积神经网络模块输入的一部分，充分提高了图像分割网络获取抽象特征的能力，通过多级卷积神经网络模块不断地重新评估整个图像的初始估计和特征，纠正学习到的偏差，提高了最终图像分割模型的分割效果，通过多次中间分割结果的监督，提高了最终分割模型的分割精度。

进一步的，参见图6所示的另一种图像分割方法的流程示意图，将所述待分割原图像输入至图像分割模型之前，还包括：

对所述待分割原图像进行预处理；

其中，所述预处理包括下述至少一种：归一化、去噪或者细节增强；

将预处理之后的输入图像输入至训练好的图像分割模块即AI模型，得到所述待分割原图像中的目标区域图像；

对所述目标区域图像进行后处理，得到对所述目标区域图像进行标记的原图像。

具体的，对所述目标区域图像进行后处理，包括：

对图像分割模型中最后一个卷积神经网络模块输出的特征层、所述最后一个卷积神经网络模块中第一个特征提取单元输出的特征层以及最后一个卷积神经网络模块最后一次上采样得到的特征层进行卷积运算，得到所述对所述目标区域图像进行标记的原图像。

示例性的，所述图像分割方法的整体流程具体为：第一步，获取脑缺血的MRI影像(DWI)数据并进行脑部缺血区域的标记；第二步，对所述影像进行预处理，包括归一化，去噪，细节增强等；第三步，设计基于深度学习的脑缺血区域的图像分割网络，并利用标记好的脑缺血MRI影像(DWI)数据来训练所述图像分割网络；第四步，将待分割脑缺血MRI影像(DWI)数据进行预处理，并将预处理之后的图像数据输入到训练好的图像分割模型中，得到分割结果。

实施例二

图7为本公开实施例二所提供的一种图像分割装置，该装置包括：确定模块710和分割模块720。

其中，确定模块710，用于确定待分割原图像；分割模块720，用于将所述待分割原图像输入至图像分割模型，得到所述待分割原图像中的目标区域图像；

所述图像分割模型基于样本数据对图像分割网络进行预先训练得到，所述图像分割网络包括：至少两个级联的卷积神经网络模块，每个卷积神经网络模块包括至少两个特征提取单元；

每个卷积神经网络模块均配置有损失函数，在训练时，当前卷积神经网络模块配置的损失函数用于对当前卷积神经网络模块输出的中间分割结果进行监督；

当前卷积神经网络模块输出的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第一输入特征层；

当前卷积神经网络模块最后一次上采样得到的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第二输入特征层；

当前卷积神经网络模块中第一个特征提取单元输出的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第三输入特征层；

所述第一输入特征层、第二输入特征层以及第三输入特征层堆叠成整体作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的输入。

在上述技术方案的基础上，所述待分割原图像包括：脑部磁共振扩散加权DWI图像；

对应的，所述样本数据包括标注好脑缺血区域的DWI图像数据。

在上述各技术方案的基础上，所述装置还包括：预处理模块，用于将所述待分割原图像输入至图像分割模型之前，对所述待分割原图像进行预处理；

其中，所述预处理包括下述至少一种：归一化、去噪或者细节增强。

在上述各技术方案的基础上，所述卷积神经网络模块包括：Dense U-net或者Resnet；

对应的，所述特征提取单元包括Dense Block或者residual block。

在上述各技术方案的基础上，当前卷积神经网络模块最后一次上采样得到的特征层通过卷积运算得到当前卷积神经网络模块输出的特征层。

在上述各技术方案的基础上，所述装置还包括：后处理模块，用于对所述目标区域图像进行后处理，得到对所述目标区域图像进行标记的原图像。

在上述各技术方案的基础上，所述后处理模块具体用于：对图像分割模型中最后一个卷积神经网络模块输出的特征层、所述最后一个卷积神经网络模块中第一个特征提取单元输出的特征层以及最后一个卷积神经网络模块最后一次上采样得到的特征层进行卷积运算，得到所述对所述目标区域图像进行标记的原图像。

本公开实施例的技术方案，实现了对待分割图像中目标区域的准确分割。具体的，通过为每个卷积神经网络模块均配置损失函数，使每个卷积神经网络模块输出的中间分割结果参与损失loss计算，通过重复自下而上和自上而下的推理机制，允许重新评估整个图像的初始估计和特征，提高了图像分割网络获取抽象特征的能力，进而使训练所得到的图像分割模型的分割精度较高；同时为了让下一个卷积神经网络模块有更丰富的特征信息来重新评估整个图像的初始估计和特征，本实施例的方案中，使每个卷积神经网络模块的第一个特征提取单元输出的特征层作为下一个卷积神经网络模块输入的一部分，充分提高了图像分割网络获取抽象特征的能力，通过多级卷积神经网络模块不断地重新评估整个图像的初始估计和特征，纠正学习到的偏差，提高了最终图像分割模型的分割效果，通过多次中间分割结果的监督，提高了最终分割模型的分割精度。

本公开实施例所提供的图像分割装置可执行本公开任意实施例所提供的图像分割方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。

实施例三

下面参考图8，其示出了适于用来实现本公开实施例的电子设备(例如图8中的终端设备或服务器)400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置406加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置406；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置406被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。

本公开实施例提供的终端与上述实施例提供的图像分割方法属于同一发明构思，未在本公开实施例中详尽描述的技术细节可参见上述实施例，并且本公开实施例与上述实施例具有相同的有益效果。

实施例四

本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的图像分割方法。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：

确定待分割原图像；

将所述待分割原图像输入至图像分割模型，得到所述待分割原图像中的目标区域图像；

其中，所述图像分割模型基于样本数据对图像分割网络进行预先训练得到，所述图像分割网络包括：至少两个级联的卷积神经网络模块，每个卷积神经网络模块包括至少两个特征提取单元；

每个卷积神经网络模块均配置有损失函数，在训练时，当前卷积神经网络模块配置的损失函数用于对当前卷积神经网络模块输出的中间分割结果进行监督；

当前卷积神经网络模块输出的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第一输入特征层；

当前卷积神经网络模块最后一次上采样得到的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第二输入特征层；

当前卷积神经网络模块中第一个特征提取单元输出的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第三输入特征层；

所述第一输入特征层、第二输入特征层以及第三输入特征层堆叠成整体作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的输入。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，可编辑内容显示单元还可以被描述为“编辑单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (8)

1.一种图像分割方法，其特征在于，包括：

确定待分割原图像；

将所述待分割原图像输入至图像分割模型，得到所述待分割原图像中的目标区域图像；

其中，所述图像分割模型基于样本数据对图像分割网络进行预先训练得到，所述图像分割网络包括：至少两个级联的卷积神经网络模块，每个卷积神经网络模块包括至少两个特征提取单元；

每个卷积神经网络模块均配置有损失函数，在训练时，当前卷积神经网络模块配置的损失函数用于对当前卷积神经网络模块输出的中间分割结果进行监督；具体是，计算所述中间分割结果与预先标注的金标准之间的相似度；

当前卷积神经网络模块输出的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第一输入特征层；

当前卷积神经网络模块最后一次上采样得到的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第二输入特征层；

当前卷积神经网络模块中第一个特征提取单元输出的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第三输入特征层；

所述第一输入特征层、第二输入特征层以及第三输入特征层堆叠成整体作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的输入；

所述方法还包括：

对所述目标区域图像进行后处理，得到对所述目标区域图像进行标记的原图像；

其中，对所述目标区域图像进行后处理，包括：

对图像分割模型中最后一个卷积神经网络模块输出的特征层、所述最后一个卷积神经网络模块中第一个特征提取单元输出的特征层以及最后一个卷积神经网络模块最后一次上采样得到的特征层进行卷积运算，得到所述对所述目标区域图像进行标记的原图像。

2.根据权利要求1所述的方法，其特征在于，所述待分割原图像包括：脑部磁共振扩散加权DWI图像；

对应的，所述样本数据包括标注好脑缺血区域的DWI图像数据。

3.根据权利要求1或2所述的方法，其特征在于，将所述待分割原图像输入至图像分割模型之前，还包括：

对所述待分割原图像进行预处理；

其中，所述预处理包括下述至少一种：归一化、去噪或者细节增强。

4.根据权利要求1或2所述的方法，其特征在于，所述卷积神经网络模块包括：Dense U-net或者Resnet；

对应的，所述特征提取单元包括Dense Block或者residual block。

5.根据权利要求1或2所述的方法，其特征在于，当前卷积神经网络模块最后一次上采样得到的特征层通过卷积运算得到当前卷积神经网络模块输出的特征层。

6.一种图像分割装置，其特征在于，包括：

确定模块，用于确定待分割原图像；

分割模块，用于将所述待分割原图像输入至图像分割模型，得到所述待分割原图像中的目标区域图像；

其中，所述图像分割模型基于样本数据对图像分割网络进行预先训练得到，所述图像分割网络包括：至少两个级联的卷积神经网络模块，每个卷积神经网络模块包括至少两个特征提取单元；

每个卷积神经网络模块均配置有损失函数，在训练时，当前卷积神经网络模块配置的损失函数用于对当前卷积神经网络模块输出的中间分割结果进行监督；具体用于，计算所述中间分割结果与预先标注的金标准之间的相似度；

当前卷积神经网络模块输出的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第一输入特征层；

当前卷积神经网络模块最后一次上采样得到的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第二输入特征层；

当前卷积神经网络模块中第一个特征提取单元输出的特征层作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的第三输入特征层；

所述第一输入特征层、第二输入特征层以及第三输入特征层堆叠成整体作为与当前卷积神经网络模块级联的下一个卷积神经网络模块的输入；

所述装置还包括：

后处理模块，用于对所述目标区域图像进行后处理，得到对所述目标区域图像进行标记的原图像；

其中，所述后处理模块具体用于：对图像分割模型中最后一个卷积神经网络模块输出的特征层、所述最后一个卷积神经网络模块中第一个特征提取单元输出的特征层以及最后一个卷积神经网络模块最后一次上采样得到的特征层进行卷积运算，得到所述对所述目标区域图像进行标记的原图像。

7.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一项所述的图像分割方法。

8.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-5中任一项所述的图像分割方法。

Images