CN111429451A - 医学超声图像分割方法及装置 - Google Patents
医学超声图像分割方法及装置 Download PDFInfo
- Publication number
- CN111429451A CN111429451A CN202010294217.3A CN202010294217A CN111429451A CN 111429451 A CN111429451 A CN 111429451A CN 202010294217 A CN202010294217 A CN 202010294217A CN 111429451 A CN111429451 A CN 111429451A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- human body
- target area
- ultrasonic image
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003709 image segmentation Methods 0.000 title claims abstract description 37
- 230000011218 segmentation Effects 0.000 claims abstract description 114
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000002604 ultrasonography Methods 0.000 claims description 34
- 238000002372 labelling Methods 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 239000002994 raw material Substances 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000003672 processing method Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 13
- 238000009826 distribution Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 230000004913 activation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 210000002700 urine Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 206010046555 Urinary retention Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种医学超声图像分割方法及装置，所述方法包括，利用超声扫描设备获取人体超声图像；对语义分割模型进行训练，得到语义分割预测模型；根据语义分割预测模型，对待检测图像进行分割；对分割的待检测图像进行优化处理，得到最终的目标区域。本发明的有益效果在于：通过将深度学习方法与传统图像处理方法相结合，可以有效解决超声图像信噪比比较低时容易产生的分割不准确的问题，能提高膀胱超声图像的分割精度，提高算法的抗干扰性能。
Description
技术领域
本发明涉及图像分割领域，尤其是指一种医学超声图像分割方法及装置。
背景技术
图像分割在影像学诊断中具有重要的作用，自动分割能帮助医生快速确定器官或者病变的大小和位置，能够减少医生手工标注所带来的繁重工作量。
膀胱是人体内储存尿液的肌性囊状器官，膀胱容积的大小反映了人体能够储存尿量的多少，同时也是是泌尿科临床应用的重要参数。在泌尿系统诊断和治疗中，人体膀胱残余尿液容积和膀胱充盈尿液容积的测量结果，是医生诊断病例的重要参考依据。利用超声设备对膀胱容积进行无创测量的方法已经在临床上广泛应用。测量膀胱容积，首先就需要对膀胱图像进行有效的分割。
现有技术中，出现了很多膀胱图像分割的方法，但现有的膀胱超声图像分割，由于膀胱超声图像中，伪像较多，膀胱前壁往往有较亮的多次反射信号，导致单纯用基于阈值的分割方法很难完整的分割出膀胱区域。基于区域的分割方法同样会受这种伪像的影响而导致分割不准确。另外，膀胱超声图像中，在膀胱侧壁，由于超声信号的入射角度和衰减，图像信噪比很低，基于边缘检测的算法在这种低信噪比图像下，分割效果不理想。基于深度学习的方法，分割的准确率比较高，但是分割精度不够高，特别是分割的膀胱边界，往往不能完全贴合于膀胱壁的边缘。
发明内容
本发明所要解决的技术问题是：提供一种医学超声图像分割方法及装置，旨在获得精确的目标区域图像。
为了解决上述技术问题，本发明采用的技术方案为：一种医学超声图像分割方法，包括，
S10、利用超声扫描设备获取人体超声图像；
S20、对语义分割模型进行训练，得到语义分割预测模型；
S30、根据语义分割预测模型，对待检测图像进行分割；
S40、对分割的待检测图像进行优化处理，得到最终的目标区域。
进一步的，所述步骤S20中，对语义分割模型进行训练，得到语义分割预测模型，包括，
S21、对获取的人体超声图像，进行尺寸归一化；
S22、选取一定比例的尺寸归一化之后的人体超声图像，作为训练集；
S23、对训练集的人体超声图像进行标注；
S24、将训练集的人体超声图像及标注结果，作为语义分割模型的输入，对模型进行训练，得到语义分割预测模型。
进一步的，所述步骤S10中，获取的所述人体超声图像中至少包括1个目标区域。
进一步的，步骤S23中，对训练集的人体超声图像进行标注，标注结果至少包含两类区域，其中一类是目标区域。
进一步的，所述标注结果中至少包含人体超声图像中每个像素的类别信息以及目标区域相关的坐标信息。
进一步的，步骤S30中，根据语义分割预测模型，对待检测图像进行分割，包括，
S31、对待预测人体超声图像进行尺寸归一化；
S32、将归一化后的人体超声图像，输入训练好的语义分割模型中，进行分割。
进一步的，分割结果中至少包含人体超声图像中每个像素的类别信息以及目标区域相关的坐标信息。
进一步的，步骤S40中，对分割结果进行优化处理，得到最终的目标区域，包括，
先对分割结果进行优化处理，然后再将处理后的分割结果映射到原始图像上，得到最终的目标区域；或者先将分割结果映射到原始图像上，然后再对原始图上的分割结果进行优化处理，得到最终的目标区域。
进一步的，所述对分割结果进行优化处理，包括，
检测分割结果的边界，获取边界坐标，所述分割结果的边界为分割结果中，目标区域与非目标区域的分界线；
根据分割结果的边界坐标和原始人体超声图像的像素值，对分割结果的边界进行优化，得到最终的目标区域。
本发明还提供了一种医学超声图像分割装置，其特征在于：包括，
图像获取模块，用于利用超声扫描设备获取人体超声图像；
模型训练模块，用于对语义分割模型进行训练，得到语义分割预测模型；
图像分割模块，用于根据语义分割预测模型，对待检测图像进行分割；
目标区域获取模块，用于对分割的待检测图像进行处理，得到最终的目标区域。
本发明的有益效果在于：本发明通过语义分割模型进行训练，得到语义分割预测模型对图像进行分割，再对分割的待检测图像进行优化处理，得到最终的目标区域；通过将深度学习方法与传统图像处理方法相结合，可以有效解决超声图像信噪比比较低时容易产生的分割不准确的问题，能提高膀胱超声图像的分割精度，提高算法的抗干扰性能。
附图说明
下面结合附图详述本发明的具体结构。
图1为本发明实施例的医学超声图像分割方法流程图；
图2为本发明实施例的医学超声图像分割装置框图；
图3为本发明实施例的超声膀胱图像；
图4为本发明实施例的UNet网络模型图；
图5为本发明实施例的极坐标下膀胱轮廓示意图；
图6为本发明实施例的优化前后的膀胱轮廓图；
图7为本发明实施例的优化前后的膀胱边缘图；
图8为本发明一具体实施例的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”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。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本发明第一实施例为：如图1所示，一种医学超声图像分割方法，包括，
S10、利用超声扫描设备获取人体超声图像，获取的所述人体超声图像中至少包括1个目标区域；
本步骤中，从超声设备获取到的图像包含三类区域，非膀胱图像区域、膀胱图像区域和背景区域，扇形区域是超声图像区，超声图像区之外是背景区，超声图像区又分为膀胱图像区和非膀胱图像区，膀胱图像区是我们要检测的目标区域。
S20、对语义分割模型进行训练，得到语义分割预测模型；
所述步骤S20中，对语义分割模型进行训练，得到语义分割预测模型，包括，
S21、对获取的人体超声图像，进行尺寸归一化；
S22、选取一定比例的尺寸归一化之后的人体超声图像，作为训练集；
S23、对训练集的人体超声图像进行标注，标注结果至少包含两类区域，其中一类是目标区域，所述标注结果中至少包含人体超声图像中每个像素的类别信息以及目标区域相关的坐标信息；
S24、将训练集的人体超声图像及标注结果，作为语义分割模型的输入，对模型进行训练，得到语义分割预测模型。
本步骤中，获取到膀胱图像之后，可对膀胱图像进行尺寸归一化，将所有膀胱图像缩放到统一的大小，图片归一化到256*256；然后，利用标注工具对膀胱图像进行标注。标注时，将背景区、膀胱区、非膀胱区分别标注，如图3所示，因此，膀胱图像中共包含三类区域。标注后，会生成保存有区域类别和相应坐标点的文件数据，最终生成标注图像。
接着对膀胱图像和标注结果进行数据扩充，包括图像缩放、平移、旋转和对比度增强等其中一项或几项。经过扩充后的图像数据可以丰富样本特征的多样性，提高算法的普适性和稳定性。然后，将制作的数据集按照一定比例，分为训练集和测试集。
本发明中的语义分割模型是指，将输入图像中的每个像素分配一个语义类别，以得到像素化的密集分类。一般的语义分割结构可以被认为是一个编码器-解码器网络。编码器通常是一个预训练的分类网络，像VGG、Resnet，然后是一个解码器网络。解码器的任务是将编码器学习到的较低分辨率的可判别特征从语义上投影到较高分辨率的像素空间。本发明可以采用任意一种语义分割网络模型，如FCNs(Fully Convolution Networks)、UNet，DeepLab以及他们的变种网络。本实施例中，采用的语义分割网络模型是UNet。
UNet网络是包括了下采样层和上采样层的U字型网络，经过下采样层中的卷积操作和池化操作提取膀胱超声图像的特征信息，然后再经过网络的上采样层还原膀胱超声图像大小。本实施例中的UNet结构，如图4所示，包含了5个下采样层和5个上采样层，并且使用了跳跃连接的方式，对下采样层和下采样层输出的特征图进行特征融合操作。网络中的激活层采用的激活函数是ReLU激活函数，网络中每个卷积层的后面都连接ReLU激活层。ReLU激活层的作用是为了增加卷积神经网络中每一层之间的非线性关系，同时防止网络过拟合现象的发生，提高网络的收敛速率，防止反向传播中由于梯度消失带来的网络无法进行训练的问题。网络中的跳跃连接是将每一个下采样经过卷积操作、激活操作和池化操作后输出的特征图与上采样层经过上采样操作后的输出特征图进行拼接融合，丰富了图像的特征信息，有助于提高网络的分割精度，提高模型的普适性。在本实例中进行了5次上采样层和下采样层输出特征的融合操作。本申请实例中UNet卷积神经网络采用的损失函数是交叉熵损失函数，交叉熵是用来评估当前网络经过训练得到的预测概率分布与真实分布之间的差异情况。交叉熵损失函数的大小反映的是实际输出概率与期望输出之间的距离，也就是交叉熵的值越小，两个概率分布就越接近，也就意味着预测的越准确。
将制作好的图像数据集输入UNet网络进行模型训练和测试，本实施例中，完成1200张图像训练为1个周期，共迭代训练了60个周期，得到网络分割模型。然后，利用测试集对训练好的网络模型进行测试，并统计测试结果是否满足期望，如满足期望，则训练结束，保存模型，否则，调整训练策略继续训练，直到满足要求。另外，本实施例中，网络模型中参数的初始化采用He正态分布初始化器he_normal，它从以0为中心，标准差为stddev＝sqrt(2/fan_in)的截断正态分布中抽取样本，其中fan_in是权值张量中的输入单位的数量。
S30、根据语义分割预测模型，对待检测图像进行分割；
步骤S30中，根据语义分割预测模型，对待检测图像进行分割，包括，
S31、对待预测人体超声图像进行尺寸归一化；
S32、将归一化后的人体超声图像，输入训练好的语义分割模型中，进行分割，分割结果中至少包含人体超声图像中每个像素的类别信息以及目标区域相关的坐标信息；
本步骤中，将待检测的膀胱超声图像，归一化到256*256，然后输入到训练好的UNet模型，得到分割结果。
S40、对分割的待检测图像进行优化处理，得到最终的目标区域，包括，
先对分割结果进行优化处理，然后再将处理后的分割结果映射到原始图像上，得到最终的目标区域；或者先将分割结果映射到原始图像上，然后再对原始图上的分割结果进行优化处理，得到最终的目标区域。
进一步的，所述对分割结果进行优化处理，包括，
检测分割结果的边界，获取边界坐标，所述分割结果的边界为分割结果中，目标区域与非目标区域的分界线；
根据分割结果的边界坐标和原始人体超声图像的像素值，对分割结果的边界进行优化，得到最终的目标区域。
本步骤中，提取分割结果中膀胱区域和非膀胱区域的边界点，得到边界点的坐标值。提取边界时，可以使用边缘检测方法，如Sobel算子、Canny算子等，或者使用阈值法，根据膀胱区域和非膀胱区域分类值的不同来检测边缘。由于直接分割的膀胱轮廓的形状与实际的膀胱形状相比，无论在边缘贴合度或者边缘连续平滑度方面，都有不小的差距，因此，在得到初步的膀胱边缘轮廓后，需要对轮廓进行优化处理。本实施例中，采用以下的步骤来优化膀胱轮廓：
1)在膀胱轮廓内部任选一个点，在本实施例中，选的点的坐标如下：
其中，x(i)、y(i)分别代表轮廓上第i个点的x、y坐标。Max[x(i)]代表所有轮廓点的x坐标中，最大的那个x坐标值，min[x(i)]则代表所有轮廓点的y坐标中，最大的那个y坐标值。按照这种方式选出的点，基本上位于轮廓的中心位置。
2)以Xc、Yc为极坐标的中心，每间隔一定角度，将中心点与膀胱轮廓相连，如图5所示。图中，p(i)代表第i个角度下，从中心点到轮廓上的连接线长度，假如每隔2°有一条连接线，则共有180条从中心点(Xc,Yc)到膀胱轮廓的连接线。此时，以i为横坐标，p(i)为纵坐标，可以得到连接线长度随角度的变化曲线，如图6所示。
3)图6中，白色点代表优化前的轮廓线，可以看出，轮廓曲线上有很毛刺和其它高频噪声，因此，相应的分割出的膀胱区域，边界就不够平滑和贴合，这与真实的膀胱壁不一致。因此，需要对轮廓曲线进行处理。处理时，可以用线性滤波或者非线性滤波方法，或者用数据拟合的方法等。本实施例中，采用包含初始化的fir滤波器进行处理，处理前，需要将曲线首尾相连，连成一个闭环，这样，相当于在曲线首位，都做了有效的数据填充，避免了滤波器器暂态对滤波结果的影响。下图6中，虚线代表滤波前的轮廓，实线代表滤波后的轮廓，能明显看出，滤波后，轮廓线变得更连续和平滑。将滤波前后的轮廓对应到膀胱图像上，如下图7所示，能明显看到膀胱区域的变化。
求解出最优p(i)后，根据p(i)和其对应的角度，记为angle(i)，就可以计算出最优轮廓上的各个点的坐标。方法为：
x(i)＝Xc+p(i)*cos[angle(i)]
y(i)＝Yc-p(i)*sin[angle(i)]
然后，将最优轮廓内的点，按照缩放比例，对应到原始图像上，得到最终的目标区域。
本实施例，通过语义分割模型进行训练，得到语义分割预测模型对图像进行分割，再对分割的待检测图像进行优化处理，得到最终的目标区域；通过将深度学习方法与传统图像处理方法相结合，可以有效解决超声图像信噪比比较低时容易产生的分割不准确的问题，能提高膀胱超声图像的分割精度，提高算法的抗干扰性能。
本发明的另一实施例为：如图2所示，一种医学超声图像分割装置，其特征在于：包括，
图像获取模块10，用于利用超声扫描设备获取人体超声图像；
模型训练模块20，用于对语义分割模型进行训练，得到语义分割预测模型；
图像分割模块30，用于根据语义分割预测模型，对待检测图像进行分割；
目标区域获取模块40，用于对分割的待检测图像进行处理，得到最终的目标区域。
进一步的，模型训练模块20包括，
图像归一化单元，用于对获取的人体超声图像，进行尺寸归一化；
图像选取单元，用于选取一定比例的尺寸归一化之后的人体超声图像，作为训练集；
图像标注单元，用于对训练集的人体超声图像进行标注；
模型训练单元，用于将训练集的人体超声图像及标注结果，作为语义分割模型的输入，对模型进行训练，得到语义分割预测模型。
进一步的，所述图像获取模块10中，获取的所述人体超声图像中至少包括1个目标区域。
进一步的，图像标注单元中，对训练集的人体超声图像进行标注，标注结果至少包含两类区域，其中一类是目标区域。
进一步的，所述标注结果中至少包含人体超声图像中每个像素的类别信息以及目标区域相关的坐标信息。
进一步的，图像分割模块30包括，
图像归一化单元，用于对待预测人体超声图像进行尺寸归一化；
图像分割单元，用于将归一化后的人体超声图像，输入训练好的语义分割模型中，进行分割。
进一步的，分割结果中至少包含人体超声图像中每个像素的类别信息以及目标区域相关的坐标信息。
进一步的，目标区域获取模块40具体用于，
先对分割结果进行优化处理，然后再将处理后的分割结果映射到原始图像上，得到最终的目标区域；或者先将分割结果映射到原始图像上，然后再对原始图上的分割结果进行优化处理，得到最终的目标区域。
进一步的，目标区域获取模块40中，对分割结果进行优化处理包括，
检测分割结果的边界，获取边界坐标，所述分割结果的边界为分割结果中，目标区域与非目标区域的分界线；
根据分割结果的边界坐标和原始人体超声图像的像素值，对分割结果的边界进行优化，得到最终的目标区域。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述医学超声图像分割装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述医学超声图像分割装置可以实现为一种计算机程序的形式，该计算机程序可以在如图8所示的计算机设备上运行。
请参阅图8，图8是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端，也可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图8，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种医学超声图像分割方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种医学超声图像分割方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如上所述的医学超声图像分割方法。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal 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。其中，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。
本领域普通技术人员可以理解的是实现上述实施例的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。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中计算机程序包括程序指令。该程序指令被处理器执行时使处理器执行如上所述的医学超声图像分割方法。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元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，也可以是两个或两个以上单元集成在一个单元中。
该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，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种医学超声图像分割方法，其特征在于：包括，
S10、利用超声扫描设备获取人体超声图像；
S20、对语义分割模型进行训练，得到语义分割预测模型；
S30、根据语义分割预测模型，对待检测图像进行分割；
S40、对分割的待检测图像进行优化处理，得到最终的目标区域。
2.如权利要求1所述的医学超声图像分割方法，其特征在于：所述步骤S20中，对语义分割模型进行训练，得到语义分割预测模型，包括，
S21、对获取的人体超声图像，进行尺寸归一化；
S22、选取一定比例的尺寸归一化之后的人体超声图像，作为训练集；
S23、对训练集的人体超声图像进行标注；
S24、将训练集的人体超声图像及标注结果，作为语义分割模型的输入，对模型进行训练，得到语义分割预测模型。
3.如权利要求2所述的医学超声图像分割方法，其特征在于：所述步骤S10中，获取的所述人体超声图像中至少包括1个目标区域。
4.如权利要求3所述的医学超声图像分割方法，其特征在于：步骤S23中，对训练集的人体超声图像进行标注，标注结果至少包含两类区域，其中一类是目标区域。
5.如权利要求4所述的医学超声图像分割方法，其特征在于：所述标注结果中至少包含人体超声图像中每个像素的类别信息以及目标区域相关的坐标信息。
6.如权利要求1所述的医学超声图像分割方法，其特征在于：步骤S30中，根据语义分割预测模型，对待检测图像进行分割，包括，
S31、对待预测人体超声图像进行尺寸归一化；
S32、将归一化后的人体超声图像，输入训练好的语义分割模型中，进行分割。
7.如权利要求6所述的医学超声图像分割方法，其特征在于：分割结果中至少包含人体超声图像中每个像素的类别信息以及目标区域相关的坐标信息。
8.如权利要求1所述的医学超声图像分割方法，其特征在于：步骤S40中，对分割结果进行优化处理，得到最终的目标区域，包括，
先对分割结果进行优化处理，然后再将处理后的分割结果映射到原始图像上，得到最终的目标区域；或者先将分割结果映射到原始图像上，然后再对原始图上的分割结果进行优化处理，得到最终的目标区域。
9.如权利要求8所述的医学超声图像分割方法，其特征在于：所述对分割结果进行优化处理，包括，
检测分割结果的边界，获取边界坐标，所述分割结果的边界为分割结果中，目标区域与非目标区域的分界线；
根据分割结果的边界坐标和原始人体超声图像的像素值，对分割结果的边界进行优化，得到最终的目标区域。
10.一种医学超声图像分割装置，其特征在于：包括，
图像获取模块，用于利用超声扫描设备获取人体超声图像；
模型训练模块，用于对语义分割模型进行训练，得到语义分割预测模型；
图像分割模块，用于根据语义分割预测模型，对待检测图像进行分割；
目标区域获取模块，用于对分割的待检测图像进行优化处理，得到最终的目标区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010294217.3A CN111429451B (zh) | 2020-04-15 | 2020-04-15 | 医学超声图像分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010294217.3A CN111429451B (zh) | 2020-04-15 | 2020-04-15 | 医学超声图像分割方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111429451A true CN111429451A (zh) | 2020-07-17 |
| CN111429451B CN111429451B (zh) | 2024-01-16 |
Family
ID=71556342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010294217.3A Active CN111429451B (zh) | 2020-04-15 | 2020-04-15 | 医学超声图像分割方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111429451B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112348825A (zh) * | 2020-10-16 | 2021-02-09 | 佛山科学技术学院 | 一种用于视网膜血流图像分割的DR-U-net网络方法及装置 |
| CN112734708A (zh) * | 2020-12-30 | 2021-04-30 | 华东师范大学 | 一种基于极坐标的超声或磁共振影像的分割方法 |
| CN112773508A (zh) * | 2021-02-04 | 2021-05-11 | 清华大学 | 一种机器人手术定位方法及装置 |
| CN112826446A (zh) * | 2020-12-30 | 2021-05-25 | 上海联影医疗科技股份有限公司 | 一种医学扫描语音增强方法、装置、系统及存储介质 |
| CN113192067A (zh) * | 2021-05-31 | 2021-07-30 | 平安科技（深圳）有限公司 | 基于图像检测的智能预测方法、装置、设备及介质 |
| CN113269798A (zh) * | 2021-05-14 | 2021-08-17 | 深圳市嘉骏实业有限公司 | 一种医学图像分割方法、装置、计算机设备及其存储介质 |
| CN116777935A (zh) * | 2023-08-16 | 2023-09-19 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 基于深度学习自动分割前列腺全腺体方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017193251A1 (zh) * | 2016-05-09 | 2017-11-16 | 深圳迈瑞生物医疗电子股份有限公司 | 识别超声图像中感兴趣区域轮廓的方法及系统 |
| CN109472313A (zh) * | 2018-11-14 | 2019-03-15 | 四川大学 | 一种提升深度学习识别b超图像稳定性的方法 |
| CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及系统 |
-
2020
- 2020-04-15 CN CN202010294217.3A patent/CN111429451B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017193251A1 (zh) * | 2016-05-09 | 2017-11-16 | 深圳迈瑞生物医疗电子股份有限公司 | 识别超声图像中感兴趣区域轮廓的方法及系统 |
| CN109472313A (zh) * | 2018-11-14 | 2019-03-15 | 四川大学 | 一种提升深度学习识别b超图像稳定性的方法 |
| CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及系统 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112348825A (zh) * | 2020-10-16 | 2021-02-09 | 佛山科学技术学院 | 一种用于视网膜血流图像分割的DR-U-net网络方法及装置 |
| CN112734708A (zh) * | 2020-12-30 | 2021-04-30 | 华东师范大学 | 一种基于极坐标的超声或磁共振影像的分割方法 |
| CN112826446A (zh) * | 2020-12-30 | 2021-05-25 | 上海联影医疗科技股份有限公司 | 一种医学扫描语音增强方法、装置、系统及存储介质 |
| CN112734708B (zh) * | 2020-12-30 | 2022-04-05 | 华东师范大学 | 一种基于极坐标的超声或磁共振影像的分割方法 |
| CN112773508A (zh) * | 2021-02-04 | 2021-05-11 | 清华大学 | 一种机器人手术定位方法及装置 |
| CN113269798A (zh) * | 2021-05-14 | 2021-08-17 | 深圳市嘉骏实业有限公司 | 一种医学图像分割方法、装置、计算机设备及其存储介质 |
| CN113269798B (zh) * | 2021-05-14 | 2024-08-16 | 深圳市嘉骏实业有限公司 | 一种医学图像分割方法、装置、计算机设备及其存储介质 |
| CN113192067A (zh) * | 2021-05-31 | 2021-07-30 | 平安科技（深圳）有限公司 | 基于图像检测的智能预测方法、装置、设备及介质 |
| CN113192067B (zh) * | 2021-05-31 | 2024-03-26 | 平安科技（深圳）有限公司 | 基于图像检测的智能预测方法、装置、设备及介质 |
| CN116777935A (zh) * | 2023-08-16 | 2023-09-19 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 基于深度学习自动分割前列腺全腺体方法及系统 |
| CN116777935B (zh) * | 2023-08-16 | 2023-11-10 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 基于深度学习自动分割前列腺全腺体方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111429451B (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111429451A (zh) | 医学超声图像分割方法及装置 | |
| 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 | |
| WO2022063198A1 (zh) | 一种肺部图像处理方法、装置及设备 | |
| CN111429452A (zh) | 基于UNet卷积神经网络的膀胱超声图像分割方法及装置 | |
| CN110889826B (zh) | 眼部oct图像病灶区域的分割方法、装置及终端设备 | |
| CN109767448B (zh) | 分割模型训练方法及装置 | |
| KR20230059799A (ko) | 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델 | |
| CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
| WO2008052312A1 (en) | System and method for segmenting a region in a medical image | |
| CN109087310B (zh) | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 | |
| WO2019223123A1 (zh) | 病变部位识别方法及装置、计算机装置及可读存储介质 | |
| CN112308846B (zh) | 血管分割方法、装置及电子设备 | |
| CN114830173A (zh) | 基于由病灶覆盖的人体表面积的百分比确定皮肤病的严重程度的方法 | |
| US20240005510A1 (en) | Method and apparatus of nidus segmentation, electronic device, and storage medium | |
| CN109948622A (zh) | 一种头颈体动脉瘤检测方法、装置及计算机可读存储介质 | |
| CN107169978B (zh) | 超声图像边缘检测方法及系统 | |
| CN116269198B (zh) | 基于卷积神经网络的眼球旋转角测量方法及装置 | |
| CN113192067A (zh) | 基于图像检测的智能预测方法、装置、设备及介质 | |
| CN113034528A (zh) | 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 | |
| CN112651984A (zh) | 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质 | |
| CN114757953B (zh) | 医学超声图像识别方法、设备及存储介质 | |
| CN113269798B (zh) | 一种医学图像分割方法、装置、计算机设备及其存储介质 | |
| CN113592802B (zh) | 一种基于超声图像的二尖瓣环位移自动检测系统 | |
| CN114170258A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN111383323B (zh) | 一种超声成像方法和系统以及超声图像处理方法和系统 |
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 |