CN111899268B - 图像分割方法及装置、电子设备和存储介质 - Google Patents

图像分割方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111899268B
CN111899268B CN202010827077.1A CN202010827077A CN111899268B CN 111899268 B CN111899268 B CN 111899268B CN 202010827077 A CN202010827077 A CN 202010827077A CN 111899268 B CN111899268 B CN 111899268B
Authority
CN
China
Prior art keywords
image
processed
pixel
target object
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
Application number
CN202010827077.1A
Other languages
English (en)
Other versions
CN111899268A (zh
Inventor
韩泓泽
刘星龙
黄宁
孙辉
张少霆
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.)
Shanghai Sensetime Intelligent Technology Co Ltd
Original Assignee
Shanghai Sensetime Intelligent Technology Co Ltd
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 Shanghai Sensetime Intelligent Technology Co Ltd filed Critical Shanghai Sensetime Intelligent Technology Co Ltd
Priority to CN202010827077.1A priority Critical patent/CN111899268B/zh
Publication of CN111899268A publication Critical patent/CN111899268A/zh
Priority to JP2021576593A priority patent/JP2022548453A/ja
Priority to KR1020227001101A priority patent/KR20220012407A/ko
Priority to PCT/CN2020/138131 priority patent/WO2022036972A1/zh
Priority to TW110116120A priority patent/TW202209254A/zh
Application granted granted Critical
Publication of CN111899268B publication Critical patent/CN111899268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • 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
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/30028—Colon; Small intestine
    • 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
    • G06T2207/30061—Lung
    • 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
    • G06T2207/30092—Stomach; Gastric

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种图像分割方法及装置、电子设备和存储介质。所述方法包括：预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像；根据所述待处理图像中所述目标对象的边缘信息，在所述初步分割图像中，对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第一分割结果。

Description

图像分割方法及装置、电子设备和存储介质
技术领域
本公开涉及图像处理技术领域，尤其涉及一种图像分割方法及装置、电子设备和存储介质。
背景技术
图像分割是指把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。图像分割是由图像处理到图像分析的关键步骤。相关技术中的图像分割方法主要分为以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。
发明内容
本公开提供了一种图像分割技术方案。
根据本公开的一方面，提供了一种图像分割方法，包括：
预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像；
根据所述待处理图像中所述目标对象的边缘信息，在所述初步分割图像中，对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第一分割结果。
通过预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像，根据所述待处理图像中所述目标对象的边缘信息，在所述初步分割图像中，对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第一分割结果，由此能够得到更准确、鲁棒的分割结果。
在一种可能的实现方式中，在所述初步分割图像中，预测的属于所述目标对象的像素的像素值为第一预设值，预测的不属于所述目标对象的像素的像素值为第二预设值；
所述根据所述待处理图像中所述目标对象的边缘信息，在所述初步分割图像中，对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第一分割结果，包括：
将所述初步分割图像中像素值为所述第二预设值的封闭区域的像素值调整为所述第一预设值，得到填充后的初步分割图像；
根据所述待处理图像中所述目标对象的边缘信息，对所述填充后的初步分割图像的像素值进行调整，得到所述待处理图像对应的第一分割结果。
该实现方式通过将所述初步分割图像中像素值为所述第二预设值的封闭区域的像素值调整为所述第一预设值，得到填充后的初步分割图像，由此能够使待处理图像对应的第一分割结果覆盖目标对象的器官内部，例如覆盖肺内等肺实质部分、消化道(例如胃肠道)的内部等。即，通过采用上述实现方式，能够将图像分割后目标对象内部(例如人体内)漏掉的空洞补上。通过根据所述待处理图像中所述目标对象的边缘信息，对所述填充后的初步分割图像的像素值进行调整，得到所述待处理图像对应的第一分割结果，由此能够减小将待处理图像中的背景部分(即不属于目标对象的部分)分割为属于目标对象的概率。
在一种可能的实现方式中，所述将所述初步分割图像中像素值为所述第二预设值的封闭区域的像素值调整为所述第一预设值，得到填充后的初步分割图像，包括：
在所述初步分割图像的周围拼接预设宽度的边，得到拼接后的初步分割图像，其中，拼接的所述预设宽度的边的像素的像素值为所述第二预设值；
选取所述拼接后的初步分割图像的图像边缘的像素作为种子点，对所述拼接后的初步分割图像进行泛洪填充操作，得到填充后的初步分割图像。
通过在所述初步分割图像的周围拼接预设宽度的边，再选取所述拼接后的初步分割图像的图像边缘的像素作为种子点，由此能够保证泛洪填充操作的种子点属于背景部分(即不属于目标对象的部分)，从而能够使待处理图像对应的第一分割结果覆盖目标对象的器官内部，进而得到更准确的分割结果。
在一种可能的实现方式中，所述根据所述待处理图像中所述目标对象的边缘信息，对所述填充后的初步分割图像的像素值进行调整，得到所述待处理图像对应的第一分割结果，包括：
根据所述待处理图像中所述目标对象的边缘信息，确定所述填充后的初步分割图像中所述目标对象的边缘所包含的最大连通域；
将所述填充后的初步分割图像中所述最大连通域之外的像素的像素值调整为所述第二预设值，得到所述待处理图像对应的第一分割结果。
根据该实现方式，能够剔除不与目标对象相连的假阳区域，由此能够大大降低将背景部分错误地划分为属于目标对象的概率，从而能够提高图像分割的准确性。例如，目标对象为人体，则根据该示例能够剔除不与人体相连的假阳区域，由此能够大大降低背景部分(例如床板等)错误地划分为属于人体的概率。
在一种可能的实现方式中，在所述得到所述待处理图像对应的第一分割结果之后，所述方法还包括：
获取与所述待处理图像相邻的图像以及所述相邻的图像对应的第二分割结果；
根据所述待处理图像与所述相邻的图像中相同位置的像素的像素值，以及所述第二分割结果，调整所述第一分割结果，得到所述待处理图像对应的第三分割结果。
根据该实现方式，能够保证待处理图像与第二分割结果的连续性，从而有助于得到更平滑、准确的三维分割结果。例如，所述目标对象为人体，则可以保证待处理图像与相邻的图像中人体的连续性，从而有助于得到更平滑、准确的三维人体分割结果。例如，可以采用该实现方式得到CT图像序列中的各个CT图像对应的分割结果，由此得到更平滑、准确的三维人体分割结果。
在一种可能的实现方式中，所述根据所述待处理图像与所述相邻的图像中相同位置的像素的像素值，以及所述第二分割结果，调整所述第一分割结果，得到所述待处理图像对应的第三分割结果，包括：
根据所述相邻的图像中，在所述第二分割结果中属于所述目标对象、且与所述待处理图像在相同位置的像素值的差值小于或等于第三预设值的像素，调整所述第一分割结果，得到所述待处理图像对应的第三分割结果。
通过根据所述第二分割结果中属于所述目标对象、且与所述待处理图像在相同位置的像素值的差值小于或等于第三预设值的像素，调整所述第一分割结果，得到所述待处理图像对应的第三分割结果，由此能够根据所述相邻的图像中与所述待处理图像较为相关的像素对应的分割结果，对所述待处理图像对应的第一分割结果进行调整，从而有助于提高所述待处理图像对应的最终分割结果的准确性。
在一种可能的实现方式中，所述根据所述相邻的图像中，在所述第二分割结果中属于所述目标对象、且与所述待处理图像在相同位置的像素值的差值小于或等于第三预设值的像素，调整所述第一分割结果，得到所述待处理图像对应的第三分割结果，包括：
根据所述待处理图像与所述相邻的图像中在相同位置的像素值的差值小于或等于第三预设值的像素，得到第一像素集；
根据所述第一像素集中在所述第二分割结果中属于所述目标对象的像素，得到第二像素集；
将所述第一分割结果中所述第二像素集的像素调整为属于所述目标对象，得到所述待处理图像对应的第三分割结果。
通过根据所述待处理图像与所述相邻的图像中在相同位置的像素值的差值小于或等于第三预设值的像素，得到第一像素集，根据所述第一像素集中在所述第二分割结果中属于所述目标对象的像素，得到第二像素集，并将所述第一分割结果中所述第二像素集的像素调整为属于所述目标对象，得到所述待处理图像对应的第三分割结果，由此能够根据所述第二分割结果中属于所述目标对象、且与所述待处理图像较为相关的像素，对所述待处理图像对应的第一分割结果进行调整，从而有助于提高所述待处理图像对应的最终分割结果的准确性。
在一种可能的实现方式中，
在所述预测待处理图像中属于目标对象的像素之前，所述方法还包括：根据训练图像和所述训练图像的标注数据训练神经网络，其中，所述训练图像的标注数据包括所述训练图像中属于所述目标对象的像素的真值；
所述预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像，包括：将待处理图像输入所述神经网络，通过所述神经网络预测所述待处理图像中属于目标对象的像素的信息；根据所述待处理图像中属于所述目标对象的像素的信息，得到所述待处理图像对应的初步分割图像。
在该实现方式中，通过所述神经网络预测所述待处理图像中属于目标对象的部分。例如，所述待处理图像是CT图像，所述目标对象是人体，则该实现方式不考虑将CT图像中各种各样的床板剔除，即不再关注非人体的部分，而是将重点放在CT图像中的人体部分的分割，从而能够保证在大量异形床板数据下分割结果的准确性和鲁棒性。即，即使待处理图像中包含异形床板，采用该实现方式也能获得准确、鲁棒的分割结果。
在一种可能的实现方式中，
所述训练图像为电子计算机断层扫描CT图像；
所述根据训练图像和所述训练图像的标注数据训练神经网络，包括：根据预设的CT值范围，对所述训练图像的像素值进行归一化处理，得到归一化的训练图像；根据所述归一化的训练图像和所述训练图像的标注数据训练所述神经网络。
在该实现方式中，根据预设的CT值范围，对所述训练图像的像素值进行归一化处理，得到归一化的训练图像，并根据所述归一化的训练图像和所述训练图像的标注数据训练所述神经网络，由此有助于降低所述神经网络的计算量，提高所述神经网络的收敛速度。
根据本公开的一方面，提供了一种图像分割方法，包括：
预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像；
获取与所述待处理图像相邻的图像以及所述相邻的图像对应的第二分割结果；
根据所述待处理图像与所述相邻的图像中相同位置的像素的像素值，以及所述第二分割结果，调整所述初步分割图像，得到所述待处理图像对应的第四分割结果。
在一种可能的实现方式中，所述根据所述待处理图像与所述相邻的图像中相同位置的像素的像素值，以及所述第二分割结果，调整所述初步分割图像，得到所述待处理图像对应的第四分割结果，包括：
根据所述相邻的图像中，在所述第二分割结果中属于所述目标对象、且与所述待处理图像在相同位置的像素值的差值小于或等于第三预设值的像素，调整所述初步分割图像，得到所述待处理图像对应的第四分割结果。
在一种可能的实现方式中，所述根据所述相邻的图像中，在所述第二分割结果中属于所述目标对象、且与所述待处理图像在相同位置的像素值的差值小于或等于第三预设值的像素，调整所述初步分割图像，得到所述待处理图像对应的第四分割结果，包括：
根据所述待处理图像与所述相邻的图像中在相同位置的像素值的差值小于或等于第三预设值的像素，得到第一像素集；
根据所述第一像素集中在所述第二分割结果中属于所述目标对象的像素，得到第二像素集；
将所述初步分割图像中所述第二像素集的像素调整为属于所述目标对象，得到所述待处理图像对应的第四分割结果。
根据本公开的一方面，提供了一种图像分割装置，包括：
第一分割模块，用于预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像；
第一调整模块，用于根据所述待处理图像中所述目标对象的边缘信息，在所述初步分割图像中，对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第一分割结果。
在一种可能的实现方式中，在所述初步分割图像中，预测的属于所述目标对象的像素的像素值为第一预设值，预测的不属于所述目标对象的像素的像素值为第二预设值；
所述第一调整模块用于：
将所述初步分割图像中像素值为所述第二预设值的封闭区域的像素值调整为所述第一预设值，得到填充后的初步分割图像；
根据所述待处理图像中所述目标对象的边缘信息，对所述填充后的初步分割图像的像素值进行调整，得到所述待处理图像对应的第一分割结果。
在一种可能的实现方式中，所述第一调整模块用于：
在所述初步分割图像的周围拼接预设宽度的边，得到拼接后的初步分割图像，其中，拼接的所述预设宽度的边的像素的像素值为所述第二预设值；
选取所述拼接后的初步分割图像的图像边缘的像素作为种子点，对所述拼接后的初步分割图像进行泛洪填充操作，得到填充后的初步分割图像。
在一种可能的实现方式中，所述第一调整模块用于：
根据所述待处理图像中所述目标对象的边缘信息，确定所述填充后的初步分割图像中所述目标对象的边缘所包含的最大连通域；
将所述填充后的初步分割图像中所述最大连通域之外的像素的像素值调整为所述第二预设值，得到所述待处理图像对应的第一分割结果。
在一种可能的实现方式中，所述装置还包括：
第二获取模块，用于获取与所述待处理图像相邻的图像以及所述相邻的图像对应的第二分割结果；
第三调整模块，用于根据所述待处理图像与所述相邻的图像中相同位置的像素的像素值，以及所述第二分割结果，调整所述第一分割结果，得到所述待处理图像对应的第三分割结果。
在一种可能的实现方式中，所述第三调整模块用于：
根据所述相邻的图像中，在所述第二分割结果中属于所述目标对象、且与所述待处理图像在相同位置的像素值的差值小于或等于第三预设值的像素，调整所述第一分割结果，得到所述待处理图像对应的第三分割结果。
在一种可能的实现方式中，所述第三调整模块用于：
根据所述待处理图像与所述相邻的图像中在相同位置的像素值的差值小于或等于第三预设值的像素，得到第一像素集；
根据所述第一像素集中在所述第二分割结果中属于所述目标对象的像素，得到第二像素集；
将所述第一分割结果中所述第二像素集的像素调整为属于所述目标对象，得到所述待处理图像对应的第三分割结果。
在一种可能的实现方式中，
所述装置还包括：训练模块，用于根据训练图像和所述训练图像的标注数据训练神经网络，其中，所述训练图像的标注数据包括所述训练图像中属于所述目标对象的像素的真值；
所述第一分割模块用于：将待处理图像输入所述神经网络，通过所述神经网络预测所述待处理图像中属于目标对象的像素的信息；根据所述待处理图像中属于所述目标对象的像素的信息，得到所述待处理图像对应的初步分割图像。
在一种可能的实现方式中，
所述训练图像为电子计算机断层扫描CT图像；
所述训练模块用于：根据预设的CT值范围，对所述训练图像的像素值进行归一化处理，得到归一化的训练图像；根据所述归一化的训练图像和所述训练图像的标注数据训练所述神经网络。
根据本公开的一方面，提供了一种图像分割装置，包括：
第二分割模块，用于预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像；
第一获取模块，用于获取与所述待处理图像相邻的图像以及所述相邻的图像对应的第二分割结果；
第二调整模块，用于根据所述待处理图像与所述相邻的图像中相同位置的像素的像素值，以及所述第二分割结果，调整所述初步分割图像，得到所述待处理图像对应的第四分割结果。
在一种可能的实现方式中，所述第二调整模块用于：
根据所述相邻的图像中，在所述第二分割结果中属于所述目标对象、且与所述待处理图像在相同位置的像素值的差值小于或等于第三预设值的像素，调整所述初步分割图像，得到所述待处理图像对应的第四分割结果。
在一种可能的实现方式中，所述第二调整模块用于：
根据所述待处理图像与所述相邻的图像中在相同位置的像素值的差值小于或等于第三预设值的像素，得到第一像素集；
根据所述第一像素集中在所述第二分割结果中属于所述目标对象的像素，得到第二像素集；
将所述初步分割图像中所述第二像素集的像素调整为属于所述目标对象，得到所述待处理图像对应的第四分割结果。
根据本公开的一方面，提供了一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
根据本公开的一方面，提供了一种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被处理器执行时实现上述方法。
在本公开实施例中，通过预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像，根据所述待处理图像中所述目标对象的边缘信息，在所述初步分割图像中，对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第一分割结果，由此能够得到更准确、鲁棒的分割结果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出本公开实施例提供的图像分割方法的流程图。
图2示出本公开实施例中的U型卷积神经网络的示意图。
图3示出在初步分割图像的周围拼接预设宽度的边，得到拼接后的初步分割图像的示意图。
图4示出本公开实施例提供的图像分割方法的另一流程图。
图5示出本公开实施例提供的图像分割装置的框图。
图6示出本公开实施例提供的图像分割装置的另一框图。
图7示出本公开实施例提供的一种电子设备800的框图。
图8示出本公开实施例提供的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
在对人体进行电子计算机断层扫描(Computed Tomography，CT)的过程中，CT仪器的床板会成为扫描出的CT图像序列中的伪影。这种伪影在计算机辅助软件进行人体的三维可视化(即，根据CT图像序列得到三维的人体模型)以及后续的处理过程中，将会产生很大的干扰。这是因为，各种形状的床板在三维可视化时会遮挡人体，且对人体内的器官进行分割时，人体外部的某些异形床板将有可能被识别为假阳。
相关技术中，对CT图像进行人体分割时，主要通过阈值和形态学操作去除CT图像中的床板，保留CT图像中的人体部分。通常，床板的形状、床板在CT图像中的CT值、床板在CT图像中的CT值的均匀程度均与人体有着显著的区别，通过阈值和形态学操作的方法可以去除。然而，对于某些异常情况，相关技术无法得到准确的分割结果。例如，与人体贴合较为紧密的曲面皮质床板，在CT图像中与人体贴合紧密，分界不明显，CT值也较为接近，难以与人体分割开。又如，床板两侧有挡板，人体的胳膊放在了挡板外，将挡板夹在身体两侧，在这种情况下，相关技术也难以从CT图像中分割出床板。其中，CT值是测定人体某一局部组织或器官密度大小的一种计算单位，也称为亨氏单位(Hounsfield Unit，HU)。
为了解决类似上文所述的技术问题，本公开实施例提供了一种图像分割方法及装置、电子设备和存储介质，通过预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像，根据所述待处理图像中所述目标对象的边缘信息，在所述初步分割图像中，对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第一分割结果，由此能够得到更准确、鲁棒的分割结果。
图1示出本公开实施例提供的图像分割方法的流程图。所述图像分割方法的执行主体可以是图像分割装置。例如，所述图像分割方法可以由终端设备或服务器或其它处理设备执行。其中，终端设备可以是用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中，所述图像分割方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，所述图像分割方法包括步骤S11和步骤S12。
在步骤S11中，预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像。
在本公开实施例中，待处理图像可以表示需要进行图像分割的图像。所述待处理图像可以是二维图像，也可以是三维图像。在一种可能的实现方式中，所述待处理图像可以是医学图像。例如，所述待处理图像可以是CT图像、MRI(Magnetic Resonance Imaging，磁共振成像)图像等。当然，所述待处理图像也可以是医学图像以外的任何需要进行图像分割的图像。
在本公开实施例中，目标对象可以表示需要分割的对象。例如，目标对象可以是人体、动物体、人体的器官、动物体的器官等。
在本公开实施例中，可以预测待处理图像中的各个像素是否属于目标对象。例如，可以预测待处理图像中的各个像素属于目标对象的概率。对于待处理图像中的任一像素，若该像素属于目标对象的概率大于或等于预设阈值，则可以判定该像素属于目标对象；若该像素属于目标对象的概率小于预设阈值，则可以判定该像素不属于目标对象。例如，预设阈值可以是0.5。
在本公开实施例中，根据预测的待处理图像中属于目标对象的像素，可以得到待处理图像对应的二值化的初步分割图像。其中，初步分割图像的尺寸可以与待处理图像相同。例如，待处理图像的高为H，宽为W，则初步分割图像的高也为H，宽也为W。在一种可能的实现方式中，在所述初步分割图像中，预测的属于所述目标对象的像素的像素值为第一预设值，预测的不属于所述目标对象的像素的像素值为第二预设值，第一预设值不等于第二预设值。例如，对于待处理图像中的任一像素，若预测该像素属于目标对象，则初步分割图像中该像素的像素值为第一预设值；若预测该像素不属于目标对象，则初步分割图像中该像素的像素值为第二预设值。例如，第一预设值为1，第二预设值为0，即，初步分割图像中预测的属于目标对象的像素的像素值为1，预测的不属于目标对象的像素的像素值为0。本公开实施例不对第一预设值和第二预设值的取值进行限定，只要第一预设值与第二预设值不同即可。又如，第一预设值可以为0，第二预设值可以为255。
在一种可能的实现方式中，在所述预测待处理图像中属于目标对象的像素之前，所述方法还包括：根据训练图像和所述训练图像的标注数据训练神经网络，其中，所述训练图像的标注数据包括所述训练图像中属于所述目标对象的像素的真值；所述预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像，包括：将待处理图像输入所述神经网络，通过所述神经网络预测所述待处理图像中属于目标对象的像素的信息；根据所述待处理图像中属于所述目标对象的像素的信息，得到所述待处理图像对应的初步分割图像。
作为该实现方式的一个示例，所述训练图像的标注数据可以包括所述训练图像对应的掩膜，所述训练图像对应的掩膜的尺寸可以与所述训练图像相同。若在所述训练图像中，任一像素的真值为属于目标对象，则在所述训练图像对应的掩膜中，该像素的像素值可以为第一预设值，例如，第一预设值可以为1；若在所述训练图像中，该像素的真值为不属于目标对象，则在所述训练图像对应的掩膜中，该像素的像素值可以为第二预设值，例如，第二预设值可以为0。当然，所述训练图像的标注数据不限于采用掩膜来表示。例如，所述训练图像的标注数据还可以采用矩阵、表格等方式来表示。
在该实现方式中，可以将所述训练图像输入所述神经网络，经由所述神经网络输出所述训练图像的预测分割结果，其中，所述训练图像的预测分割结果可以包括所述训练图像中的各个像素属于目标对象的概率；根据所述训练图像的标注数据，和所述训练图像的预测分割结果，得到所述训练图像对应的损失函数的值；根据所述训练图像对应的损失函数的值，训练所述神经网络。
作为该实现方式的一个示例，可以根据所述神经网络得到的所述训练图像的预测分割结果，以及所述训练图像的标注数据，得到Dice(戴斯)损失函数的值。例如，所述神经网络得到的训练图像的预测分割结果为P，所述训练图像的标注数据为M，Dice损失函数的值
Figure GDA0003344944290000111
在其他示例中，还可以采用交叉熵损失函数等损失函数。
作为该实现方式的一个示例，将所述损失函数的值可以通过反向求导逐层传递给神经网络的各个参数，并可以采用Adam(例如学习率为0.0003)、SDG等优化器来更新神经网络的参数。
作为该实现方式的一个示例，所述神经网络所预测的所述待处理图像中属于目标对象的像素的信息，可以包括所述待处理图像中的各个像素属于目标对象的概率。在该示例中，所述根据所述待处理图像中属于所述目标对象的像素的信息，得到所述待处理图像对应的初步分割图像，可以包括：对于任一像素，若待处理图像中该像素属于目标对象的概率大于或等于预设阈值，则该像素在所述待处理图像对应的初步分割图像中的像素值为第一预设值；若所述待处理图像中该像素属于目标对象的概率小于预设阈值，则该像素在所述待处理图像对应的初步分割图像中的像素值为第二预设值。
作为该实现方式的另一个示例，所述神经网络所预测的所述待处理图像中属于目标对象的像素的信息，可以包括待处理图像中属于目标对象的像素的位置信息。在该示例中，所述根据所述待处理图像中属于所述目标对象的像素的信息，得到所述待处理图像对应的初步分割图像，可以包括：对于任一像素，若所述待处理图像中属于目标对象的像素的位置信息包含该像素的位置，则该像素在所述待处理图像对应的初步分割图像中的像素值为第一预设值；若所述待处理图像中属于目标对象的像素的位置信息不包含该像素的位置，则该像素在所述待处理图像对应的初步分割图像中的像素值为第二预设值。
在该实现方式中，通过所述神经网络预测所述待处理图像中属于目标对象的部分。例如，所述待处理图像是CT图像，所述目标对象是人体，则该实现方式不考虑将CT图像中各种各样的床板剔除，即不再关注非人体的部分，而是将重点放在CT图像中的人体部分的分割，从而能够保证在大量异形床板数据下分割结果的准确性和鲁棒性。即，即使待处理图像中包含异形床板，采用该实现方式也能获得准确、鲁棒的分割结果。
作为该实现方式的一个示例，所述神经网络可以是基于深度学习的神经网络。例如，所述神经网络可以是U型卷积神经网络。图2示出本公开实施例中的U型卷积神经网络的示意图。在图2中，数据流向是从左到右，U型卷积神经网络包括压缩过程和解压过程。如图2所示，可以将待处理图像裁剪或缩放至尺寸为512×512后，输入所述U型卷积神经网络，通过U型卷积神经网络对待处理图像中的人体部分进行拟合，最后输出初步分割图像。在图2所示的示例中，可以对待处理图像进行4次“卷积-正则化-激活-池化”操作，每次卷积时图像通道数翻倍，池化时图像尺寸减半，图像的通道数从32增加至256，图像尺寸从512×512减小至64×64；再进行4次“上采样-卷积-正则化-激活-卷积-正则化-激活”操作将图像恢复为原尺寸，其中，每次上采样之前都合并压缩过程中同尺寸的特征图，每次卷积都将通道数减半，其中，合并可以采用concatenate操作；再通过一次卷积和激活操作将图像通道数还原为1并对图像进行归一化。其中，“卷积-正则化-激活”可以替换为残差模块(ResidualBlock)、Inception模块(Inception Block)、稠密模块(Dense Block)等。池化可以采用最大池化或者平均池化，也可以采用步长为2的卷积层替换。
在一个例子中，所述训练图像为二维的CT图像，所述神经网络为二维的卷积神经网络。
作为该实现方式的一个示例，可以对训练图像进行扩增。例如，可以将训练图像随机缩放0.6至1.4倍，再以512×512的尺寸从缩放后的图像中心裁剪，以获得不同缩放尺度下的相同尺寸的训练图像。相应地，对训练图像对应的掩膜也进行同样的操作。
作为该实现方式的一个示例，可以将训练图像分为训练集和验证集。例如，可以按照4:1的比例将训练图像分为训练集和验证集。
作为该实现方式的一个示例，可以采用训练图像重复训练所述神经网络，直至所述神经网络在验证集上的损失降到0.03以下。
由于相关技术通过形态学等操作来对图像进行分割，因此需要引入大量的超参数，例如二值化时所选取的阈值、开/闭操作所进行的次数、腐蚀/膨胀时所选择的结构体大小等，对于不同的人体部分(头、躯干、手、脚蹬)还需要改变阈值才能获得正常的分割结果。而在该实现方式中，通过神经网络对训练图像中的目标对象进行分割，能够广泛应用于同类任务上，不需要设置超参数，因此鲁棒性较高。
作为该实现方式的一个示例，所述训练图像为电子计算机断层扫描CT图像；所述根据训练图像和所述训练图像的标注数据训练神经网络，包括：根据预设的CT值范围，对所述训练图像的像素值进行归一化处理，得到归一化的训练图像；根据所述归一化的训练图像和所述训练图像的标注数据训练所述神经网络。
在一个例子中，可以根据目标对象的CT值范围，确定预设的CT值范围。例如，目标对象为人体，则可以根据人体器官的CT值范围，将预设的CT值范围设置为[-500,1200]。
在一个例子中，所述根据预设的CT值范围，对所述训练图像的像素值进行归一化处理，得到归一化的训练图像，包括：对于所述训练图像中的任一像素，根据所述预设的CT值范围，对所述像素的像素值进行预处理，得到所述像素的预处理后的像素值，其中，所述像素的预处理后的像素值在所述预设的CT值范围内；将第一差值与第二差值的比值，作为所述像素的归一化的像素值，其中，所述第一差值等于所述像素的预处理后的像素值与所述预设的CT值范围的下边界值的差值，所述第二差值等于所述预设的CT值范围的上边界值与所述像素的预处理后的像素值的差值。例如，所述像素的预处理后的像素值为h，所述预设的CT值范围的下边界值为hmin，所述预设的CT值范围的上边界值为hmax，则所述像素的归一化的像素值可以等于
Figure GDA0003344944290000141
根据所述训练图像的各个像素的归一化的像素值，可以得到归一化的训练图像。即，在所述归一化的训练图像中，任一像素的像素值为该像素的归一化的像素值。
其中，对于所述训练图像中的任一像素，所述根据所述预设的CT值范围，对所述像素的像素值进行预处理，得到所述像素的预处理后的像素值，可以包括：对于训练图像中的任一像素，若所述像素的像素值小于所述预设的CT值范围的下边界值，则可以将所述下边界值作为所述像素的预处理后的像素值；若所述像素的像素值大于所述预设的CT值范围的上边界值，则可以将所述上边界值作为所述像素的预处理后的像素值；若所述像素的像素值在所述预设的CT值范围内，则可以将所述像素的像素值作为所述像素的预处理后的像素值。例如，预设的CT值范围为[-500,1200]，所述预设的CT值范围的下边界值为-500，所述预设的CT值范围的上边界值为1200。若训练图像中的某一像素的像素值为-505，则可以将-500作为该像素的预处理后的像素值；若训练图像中的某一像素的像素值为1250，则可以将1200作为该像素的预处理后的像素值；若训练图像中的某一像素的像素值为800，则可以将800作为该像素的预处理后的像素值。
在该示例中，根据预设的CT值范围，对所述训练图像的像素值进行归一化处理，得到归一化的训练图像，并根据所述归一化的训练图像和所述训练图像的标注数据训练所述神经网络，由此有助于降低所述神经网络的计算量，提高所述神经网络的收敛速度。
在步骤S12中，根据所述待处理图像中所述目标对象的边缘信息，在所述初步分割图像中，对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第一分割结果。
在本公开实施例中，可以采用边缘检测方法，确定所述待处理图像中所述目标对象的边缘信息。例如，可以采用Canny、Sobel等边缘检测方法，确定所述待处理图像中所述目标对象的边缘信息。其中，所述待处理图像中所述目标对象的边缘信息，可以包括所述待处理图像中属于所述目标对象的边缘的像素的位置信息。
在一种可能的实现方式中，可以将所述第一分割结果作为所述待处理图像对应的最终分割结果。
在本公开实施例中，通过预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像，根据所述待处理图像中所述目标对象的边缘信息，在所述初步分割图像中，对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第一分割结果，由此在目标对象为人体或者动物体的情况下，能够将目标对象的器官内部的像素也分割为属于目标对象，从而能够得到更准确、鲁棒的分割结果。例如，待处理图像为CT图像，目标对象为人体，采用本公开实施例提供的图像分割方法对CT图像进行分割，能够准确地分割出CT图像中的人体部分，准确地去除CT图像中人体外部的干扰物(例如床板、呼吸机的管线、头部的固定装置等)。
在一种可能的实现方式中，所述根据所述待处理图像中所述目标对象的边缘信息，在所述初步分割图像中，对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第一分割结果，包括：将所述初步分割图像中像素值为所述第二预设值的封闭区域的像素值调整为所述第一预设值，得到填充后的初步分割图像；根据所述待处理图像中所述目标对象的边缘信息，对所述填充后的初步分割图像的像素值进行调整，得到所述待处理图像对应的第一分割结果。
由于一些器官内部(例如肺内、消化道内部)包含空气，密度较低，而目标对象(例如人体)的外部也是空气，因此在初步分割图像中，可能将这些器官的内部分割为属于背景部分。该实现方式通过将所述初步分割图像中像素值为所述第二预设值的封闭区域的像素值调整为所述第一预设值，得到填充后的初步分割图像，由此能够使待处理图像对应的第一分割结果覆盖目标对象的器官内部，例如覆盖肺内等肺实质部分、消化道(例如胃肠道)的内部等。即，通过采用上述实现方式，能够将图像分割后目标对象内部(例如人体内)漏掉的空洞补上。通过根据所述待处理图像中所述目标对象的边缘信息，对所述填充后的初步分割图像的像素值进行调整，得到所述待处理图像对应的第一分割结果，由此能够减小将待处理图像中的背景部分(即不属于目标对象的部分)分割为属于目标对象的概率。
作为该实现方式的一个示例，所述将所述初步分割图像中像素值为所述第二预设值的封闭区域的像素值调整为所述第一预设值，得到填充后的初步分割图像，包括：在所述初步分割图像的周围拼接预设宽度的边，得到拼接后的初步分割图像，其中，拼接的所述预设宽度的边的像素的像素值为所述第二预设值；选取所述拼接后的初步分割图像的图像边缘的像素作为种子点，对所述拼接后的初步分割图像进行泛洪填充操作，得到填充后的初步分割图像。
在该示例中，预设宽度可以大于或等于1像素。例如，预设宽度可以为1像素。图3示出在初步分割图像的周围拼接预设宽度的边，得到拼接后的初步分割图像的示意图。在图3所示的例子中，预设宽度为1像素。如图3所示，可以在初步分割图像的四周均拼接预设宽度的边。在其他例子中，还可以在初步分割图像的一边、两边或三边拼接预设宽度的边。
在该示例中，所述拼接后的初步分割图像的图像边缘的像素，可以指所述拼接后的初步分割图像在位置上的边缘的像素，例如所述拼接后的初步分割图像的最上方的像素、最下方的像素、最左方的像素、最右方的像素等。例如，可以将所述拼接后的初步分割图像的左上角的像素作为种子点。
在该示例中，通过在所述初步分割图像的周围拼接预设宽度的边，再选取所述拼接后的初步分割图像的图像边缘的像素作为种子点，由此能够保证泛洪填充操作的种子点属于背景部分(即不属于目标对象的部分)，从而能够使待处理图像对应的第一分割结果覆盖目标对象的器官内部，进而得到更准确的分割结果。
作为该实现方式的一个示例，所述根据所述待处理图像中所述目标对象的边缘信息，对所述填充后的初步分割图像的像素值进行调整，得到所述待处理图像对应的第一分割结果，包括：根据所述待处理图像中所述目标对象的边缘信息，确定所述填充后的初步分割图像中所述目标对象的边缘所包含的最大连通域；将所述填充后的初步分割图像中所述最大连通域之外的像素的像素值调整为所述第二预设值，得到所述待处理图像对应的第一分割结果。根据该示例，能够剔除不与目标对象相连的假阳区域，由此能够大大降低将背景部分错误地划分为属于目标对象的概率，从而能够提高图像分割的准确性。例如，目标对象为人体，则根据该示例能够剔除不与人体相连的假阳区域，由此能够大大降低背景部分(例如床板等)错误地划分为属于人体的概率。
在一种可能的实现方式中，在所述得到所述待处理图像对应的第一分割结果之后，所述方法还包括：获取与所述待处理图像相邻的图像以及所述相邻的图像对应的第二分割结果；根据所述待处理图像与所述相邻的图像中相同位置的像素的像素值，以及所述第二分割结果，调整所述第一分割结果，得到所述待处理图像对应的第三分割结果。
在该实现方式中，与所述待处理图像相邻的图像可以是与所述待处理图像属于同一图像序列、且与所述待处理图像相邻的图像。例如，所述待处理图像是CT图像，所述相邻的图像可以是与所述待处理图像属于同一CT图像序列、且与所述待处理图像相邻的图像。所述第二分割结果，可以指所述相邻的图像对应的最终分割结果。
根据该实现方式，能够保证待处理图像与第二分割结果的连续性，从而有助于得到更平滑、准确的三维分割结果。例如，所述目标对象为人体，则可以保证待处理图像与相邻的图像中人体的连续性，从而有助于得到更平滑、准确的三维人体分割结果。例如，可以采用该实现方式得到CT图像序列中的各个CT图像对应的分割结果，由此得到更平滑、准确的三维人体分割结果。
作为该实现方式的一个示例，所述根据所述待处理图像与所述相邻的图像中相同位置的像素的像素值，以及所述第二分割结果，调整所述第一分割结果，得到所述待处理图像对应的第三分割结果，包括：根据所述相邻的图像中，在所述第二分割结果中属于所述目标对象、且与所述待处理图像在相同位置的像素值的差值小于或等于第三预设值的像素，调整所述第一分割结果，得到所述待处理图像对应的第三分割结果。
在该示例中，所述相邻的图像与所述待处理图像在相同位置的像素值的差值，可以指所述相邻的图像与所述待处理图像在相同位置的归一化的像素值的差值。例如，第三预设值可以为0.1。当然，也可以对所述相邻的图像与所述待处理图像在相同位置的原始的像素值进行比较。
在该示例中，通过根据所述第二分割结果中属于所述目标对象、且与所述待处理图像在相同位置的像素值的差值小于或等于第三预设值的像素，调整所述第一分割结果，得到所述待处理图像对应的第三分割结果，由此能够根据所述相邻的图像中与所述待处理图像较为相关的像素对应的分割结果，对所述待处理图像对应的第一分割结果进行调整，从而有助于提高所述待处理图像对应的最终分割结果的准确性。其中，所述相邻的图像中的任一像素对应的分割结果，可以指在所述第二分割结果中，该像素是否属于目标对象。
在一个例子中，所述根据所述相邻的图像中，在所述第二分割结果中属于所述目标对象、且与所述待处理图像在相同位置的像素值的差值小于或等于第三预设值的像素，调整所述第一分割结果，得到所述待处理图像对应的第三分割结果，包括：根据所述待处理图像与所述相邻的图像中在相同位置的像素值的差值小于或等于第三预设值的像素，得到第一像素集；根据所述第一像素集中在所述第二分割结果中属于所述目标对象的像素，得到第二像素集；将所述第一分割结果中所述第二像素集的像素调整为属于所述目标对象，得到所述待处理图像对应的第三分割结果。
在这个例子中，第一像素集中的任一像素在所述待处理图像和所述相邻的图像中的像素值的差值小于或等于第三预设值。第二像素集中的任一像素在所述待处理图像和所述相邻的图像中的像素值的差值小于或等于第三预设值，且在所述第二分割结果中属于所述目标对象。例如，第一分割结果为A，第一像素集为B，所述第二分割结果为C，则第三分割结果可以为S＝A∪(B∩C)。
在上述例子中，通过根据所述待处理图像与所述相邻的图像中在相同位置的像素值的差值小于或等于第三预设值的像素，得到第一像素集，根据所述第一像素集中在所述第二分割结果中属于所述目标对象的像素，得到第二像素集，并将所述第一分割结果中所述第二像素集的像素调整为属于所述目标对象，得到所述待处理图像对应的第三分割结果，由此能够根据所述第二分割结果中属于所述目标对象、且与所述待处理图像较为相关的像素，对所述待处理图像对应的第一分割结果进行调整，从而有助于提高所述待处理图像对应的最终分割结果的准确性。
在一种可能的实现方式中，可以将所述第三分割结果作为所述待处理图像对应的最终分割结果。
图4示出本公开实施例提供的图像分割方法的另一流程图。所述图像分割方法的执行主体可以是图像分割装置。例如，所述图像分割方法可以由终端设备或服务器或其它处理设备执行。其中，终端设备可以是用户设备、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中，所述图像分割方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图4所示，所述图像分割方法包括步骤S41至步骤S43。
在步骤S41中，预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像。
在步骤S42中，获取与所述待处理图像相邻的图像以及所述相邻的图像对应的第二分割结果。
在本公开实施例中，与所述待处理图像相邻的图像可以是与所述待处理图像属于同一图像序列、且与所述待处理图像相邻的图像。例如，所述待处理图像是CT图像，所述相邻的图像可以是与所述待处理图像属于同一CT图像序列、且与所述待处理图像相邻的图像。所述第二分割结果，可以指所述相邻的图像对应的最终分割结果。
在步骤S43中，根据所述待处理图像与所述相邻的图像中相同位置的像素的像素值，以及所述第二分割结果，调整所述初步分割图像，得到所述待处理图像对应的第四分割结果。
在本公开实施例中，能够保证待处理图像与第二分割结果的连续性，从而有助于得到更平滑、准确的三维分割结果。例如，所述目标对象为人体，则可以保证待处理图像与相邻的图像中人体的连续性，从而有助于得到更平滑、准确的三维人体分割结果。例如，可以采用本公开实施例得到CT图像序列中的各个CT图像对应的分割结果，由此得到更平滑、准确的三维人体分割结果。
在一种可能的实现方式中，所述根据所述待处理图像与所述相邻的图像中相同位置的像素的像素值，以及所述第二分割结果，调整所述初步分割图像，得到所述待处理图像对应的第四分割结果，包括：根据所述相邻的图像中，在所述第二分割结果中属于所述目标对象、且与所述待处理图像在相同位置的像素值的差值小于或等于第三预设值的像素，调整所述初步分割图像，得到所述待处理图像对应的第四分割结果。
在该实现方式中，所述相邻的图像与所述待处理图像在相同位置的像素值的差值，可以指所述相邻的图像与所述待处理图像在相同位置的归一化的像素值的差值。例如，第三预设值可以为0.1。当然，也可以对所述相邻的图像与所述待处理图像在相同位置的原始的像素值进行比较。
在该实现方式中，通过根据所述相邻的图像中，在所述第二分割结果中属于所述目标对象、且与所述待处理图像在相同位置的像素值的差值小于或等于第三预设值的像素，调整所述初步分割图像，得到所述待处理图像对应的第四分割结果，由此能够根据所述相邻的图像中与所述待处理图像较为相关的像素对应的分割结果，对所述待处理图像对应的初步分割图像进行调整，从而有助于提高所述待处理图像对应的最终分割结果的准确性。其中，所述相邻的图像中的任一像素对应的分割结果，可以指在所述第二分割结果中，该像素是否属于目标对象。
作为该实现方式的一个示例，所述根据所述相邻的图像中，在所述第二分割结果中属于所述目标对象、且与所述待处理图像在相同位置的像素值的差值小于或等于第三预设值的像素，调整所述初步分割图像，得到所述待处理图像对应的第四分割结果，包括：根据所述待处理图像与所述相邻的图像中在相同位置的像素值的差值小于或等于第三预设值的像素，得到第一像素集；根据所述第一像素集中在所述第二分割结果中属于所述目标对象的像素，得到第二像素集；将所述初步分割图像中所述第二像素集的像素调整为属于所述目标对象，得到所述待处理图像对应的第四分割结果。
在该示例中，第一像素集中的任一像素在所述待处理图像和所述相邻的图像中的像素值的差值小于或等于第三预设值。第二像素集中的任一像素在所述待处理图像和所述相邻的图像中的像素值的差值小于或等于第三预设值，且在所述第二分割结果中属于所述目标对象。例如，第一分割结果为A，第一像素集为B，所述第二分割结果为C，则第三分割结果可以为S＝A∪(B∩C)。
在该示例中，通过根据所述待处理图像与所述相邻的图像中在相同位置的像素值的差值小于或等于第三预设值的像素，得到第一像素集，根据所述第一像素集中在所述第二分割结果中属于所述目标对象的像素，得到第二像素集，并将所述第一分割结果中所述第二像素集的像素调整为属于所述目标对象，得到所述待处理图像对应的第三分割结果，由此能够根据所述第二分割结果中属于所述目标对象、且与所述待处理图像较为相关的像素，对所述待处理图像对应的第一分割结果进行调整，从而有助于提高所述待处理图像对应的最终分割结果的准确性。
在一种可能的实现方式中，可以将所述第四分割结果作为所述待处理图像对应的最终分割结果。
在一种可能的实现方式中，在所述得到所述待处理图像对应的第四分割结果之后，所述方法还包括：根据所述待处理图像中所述目标对象的边缘信息，在所述第四分割结果中、对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第五分割结果。
作为该实现方式的一个示例，所述根据所述待处理图像中所述目标对象的边缘信息，在所述第四分割结果中、对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第五分割结果，包括：将所述第四分割结果中像素值为所述第二预设值的封闭区域的像素值调整为所述第一预设值，得到所述第四分割结果对应的填充后的初步分割图像；根据所述待处理图像中所述目标对象的边缘信息，对所述填充后的初步分割图像的像素值进行调整，得到所述待处理图像对应的第五分割结果。
在一个例子中，所述将所述第四分割结果中像素值为所述第二预设值的封闭区域的像素值调整为所述第一预设值，得到所述第四分割结果对应的填充后的初步分割图像，包括：在所述第四分割结果的周围拼接预设宽度的边，得到拼接后的第四分割结果，其中，拼接的所述预设宽度的边的像素的像素值为所述第二预设值；选取所述拼接后的第四分割结果的图像边缘的像素作为种子点，对所述拼接后的第四分割结果进行泛洪填充操作，得到所述第四分割结果对应的填充后的初步分割图像。
在一个例子中，所述根据所述待处理图像中所述目标对象的边缘信息，在所述第四分割结果中、对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第五分割结果，包括：根据所述待处理图像中所述目标对象的边缘信息，确定所述填充后的初步分割图像中所述目标对象的边缘所包含的最大连通域；将所述填充后的初步分割图像中所述最大连通域之外的像素的像素值调整为所述第二预设值，得到所述待处理图像对应的第五分割结果。
其中，“根据所述待处理图像中所述目标对象的边缘信息，在所述第四分割结果中、对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第五分割结果”的具体实现方式，与上文中“根据所述待处理图像中所述目标对象的边缘信息，在所述初步分割图像中，对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第一分割结果”的具体实现方式相似，在此不再赘述。
在一种可能的实现方式中，可以将所述第五分割结果作为所述待处理图像对应的最终分割结果。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
下面通过一个具体的应用场景说明本公开实施例。例如，可以将CT图像输入神经网络，通过所述神经网络预测所述CT图像中属于目标对象的像素的信息；根据所述CT图像中属于所述目标对象的像素的信息，得到所述CT图像对应的初步分割图像。在得到所述初步分割图像后，可以在所述初步分割图像的四周拼接宽度为1像素的边，得到拼接后的初步分割图像；选取所述拼接后的初步分割图像的左上角的像素作为种子点，对所述拼接后的初步分割图像进行泛洪填充操作，得到填充后的初步分割图像。可以根据所述CT图像中所述目标对象的边缘信息，确定所述填充后的初步分割图像中所述目标对象的边缘所包含的最大连通域；将所述填充后的初步分割图像中所述最大连通域之外的像素的像素值调整为所述第二预设值，得到所述CT图像对应的第一分割结果。在得到所述第一分割结果之后，可以获取与所述CT图像相邻的图像以及所述相邻的图像对应的第二分割结果。可以根据所述CT图像与所述相邻的图像中在相同位置的像素值的差值小于或等于第三预设值的像素，得到第一像素集；根据所述第一像素集中在所述第二分割结果中属于所述目标对象的像素，得到第二像素集；将所述第一分割结果中所述第二像素集的像素调整为属于所述目标对象，得到所述CT图像对应的第三分割结果。
此外，本公开还提供了图像分割装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像分割方法，相应技术方案和技术效果可参见方法部分的相应记载，不再赘述。
图5示出本公开实施例提供的图像分割装置的框图。如图5所示，所述图像分割装置包括：第一分割模块51，用于预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像；第一调整模块52，用于根据所述待处理图像中所述目标对象的边缘信息，在所述初步分割图像中，对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第一分割结果。
在一种可能的实现方式中，在所述初步分割图像中，预测的属于所述目标对象的像素的像素值为第一预设值，预测的不属于所述目标对象的像素的像素值为第二预设值；所述第一调整模块52用于：将所述初步分割图像中像素值为所述第二预设值的封闭区域的像素值调整为所述第一预设值，得到填充后的初步分割图像；根据所述待处理图像中所述目标对象的边缘信息，对所述填充后的初步分割图像的像素值进行调整，得到所述待处理图像对应的第一分割结果。
在一种可能的实现方式中，所述第一调整模块52用于：在所述初步分割图像的周围拼接预设宽度的边，得到拼接后的初步分割图像，其中，拼接的所述预设宽度的边的像素的像素值为所述第二预设值；选取所述拼接后的初步分割图像的图像边缘的像素作为种子点，对所述拼接后的初步分割图像进行泛洪填充操作，得到填充后的初步分割图像。
在一种可能的实现方式中，所述第一调整模块52用于：根据所述待处理图像中所述目标对象的边缘信息，确定所述填充后的初步分割图像中所述目标对象的边缘所包含的最大连通域；将所述填充后的初步分割图像中所述最大连通域之外的像素的像素值调整为所述第二预设值，得到所述待处理图像对应的第一分割结果。
在一种可能的实现方式中，所述装置还包括：第二获取模块，用于获取与所述待处理图像相邻的图像以及所述相邻的图像对应的第二分割结果；第三调整模块，用于根据所述待处理图像与所述相邻的图像中相同位置的像素的像素值，以及所述第二分割结果，调整所述第一分割结果，得到所述待处理图像对应的第三分割结果。
在一种可能的实现方式中，所述第三调整模块用于：根据所述相邻的图像中，在所述第二分割结果中属于所述目标对象、且与所述待处理图像在相同位置的像素值的差值小于或等于第三预设值的像素，调整所述第一分割结果，得到所述待处理图像对应的第三分割结果。
在一种可能的实现方式中，所述第三调整模块用于：根据所述待处理图像与所述相邻的图像中在相同位置的像素值的差值小于或等于第三预设值的像素，得到第一像素集；根据所述第一像素集中在所述第二分割结果中属于所述目标对象的像素，得到第二像素集；将所述第一分割结果中所述第二像素集的像素调整为属于所述目标对象，得到所述待处理图像对应的第三分割结果。
在一种可能的实现方式中，所述装置还包括：训练模块，用于根据训练图像和所述训练图像的标注数据训练神经网络，其中，所述训练图像的标注数据包括所述训练图像中属于所述目标对象的像素的真值；所述第一分割模块51用于：将待处理图像输入所述神经网络，通过所述神经网络预测所述待处理图像中属于目标对象的像素的信息；根据所述待处理图像中属于所述目标对象的像素的信息，得到所述待处理图像对应的初步分割图像。
在一种可能的实现方式中，所述训练图像为电子计算机断层扫描CT图像；所述训练模块用于：根据预设的CT值范围，对所述训练图像的像素值进行归一化处理，得到归一化的训练图像；根据所述归一化的训练图像和所述训练图像的标注数据训练所述神经网络。
在本公开实施例中，通过预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像，根据所述待处理图像中所述目标对象的边缘信息，在所述初步分割图像中，对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第一分割结果，由此能够得到更准确、鲁棒的分割结果。
图6示出本公开实施例提供的图像分割装置的另一框图。如图6所示，所述图像分割装置包括：第二分割模块61，用于预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像；第一获取模块62，用于获取与所述待处理图像相邻的图像以及所述相邻的图像对应的第二分割结果；第二调整模块63，用于根据所述待处理图像与所述相邻的图像中相同位置的像素的像素值，以及所述第二分割结果，调整所述初步分割图像，得到所述待处理图像对应的第四分割结果。
在一种可能的实现方式中，所述第二调整模块63用于：根据所述相邻的图像中，在所述第二分割结果中属于所述目标对象、且与所述待处理图像在相同位置的像素值的差值小于或等于第三预设值的像素，调整所述初步分割图像，得到所述待处理图像对应的第四分割结果。
在一种可能的实现方式中，所述第二调整模块63用于：根据所述待处理图像与所述相邻的图像中在相同位置的像素值的差值小于或等于第三预设值的像素，得到第一像素集；根据所述第一像素集中在所述第二分割结果中属于所述目标对象的像素，得到第二像素集；将所述初步分割图像中所述第二像素集的像素调整为属于所述目标对象，得到所述待处理图像对应的第四分割结果。
在一种可能的实现方式中，所述装置还包括：第四调整模块，用于根据所述待处理图像中所述目标对象的边缘信息，在所述第四分割结果中、对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第五分割结果。
在一种可能的实现方式中，所述第四调整模块用于：将所述第四分割结果中像素值为所述第二预设值的封闭区域的像素值调整为所述第一预设值，得到所述第四分割结果对应的填充后的初步分割图像；根据所述待处理图像中所述目标对象的边缘信息，对所述填充后的初步分割图像的像素值进行调整，得到所述待处理图像对应的第五分割结果。
在一种可能的实现方式中，所述第四调整模块用于：在所述第四分割结果的周围拼接预设宽度的边，得到拼接后的第四分割结果，其中，拼接的所述预设宽度的边的像素的像素值为所述第二预设值；选取所述拼接后的第四分割结果的图像边缘的像素作为种子点，对所述拼接后的第四分割结果进行泛洪填充操作，得到所述第四分割结果对应的填充后的初步分割图像。
在一种可能的实现方式中，所述第四调整模块用于：根据所述待处理图像中所述目标对象的边缘信息，确定所述填充后的初步分割图像中所述目标对象的边缘所包含的最大连通域；将所述填充后的初步分割图像中所述最大连通域之外的像素的像素值调整为所述第二预设值，得到所述待处理图像对应的第五分割结果。
在本公开实施例中，能够保证待处理图像与第二分割结果的连续性，从而有助于得到更平滑、准确的三维分割结果。例如，所述目标对象为人体，则可以保证待处理图像与相邻的图像中人体的连续性，从而有助于得到更平滑、准确的三维人体分割结果。例如，可以采用本公开实施例得到CT图像序列中的各个CT图像对应的分割结果，由此得到更平滑、准确的三维人体分割结果。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现和技术效果可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提供一种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被处理器执行时实现上述方法。其中，所述计算机可读存储介质可以是非易失性计算机可读存储介质，或者可以是易失性计算机可读存储介质。
本公开实施例还提出一种计算机程序，包括计算机可读代码，当所述计算机可读代码在电子设备中运行时，所述电子设备中的处理器执行用于实现上述方法。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图像分割方法的操作。
本公开实施例还提供一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7示出本公开实施例提供的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(Wi-Fi)、第二代移动通信技术(2G)、第三代移动通信技术(3G)、第四代移动通信技术(4G)/通用移动通信技术的长期演进(LTE)、第五代移动通信技术(5G)或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8示出本公开实施例提供的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (11)

1.一种图像分割方法，其特征在于，包括：
预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像；
根据所述待处理图像中所述目标对象的边缘信息，在所述初步分割图像中，对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第一分割结果；
获取与所述待处理图像相邻的图像以及所述相邻的图像对应的第二分割结果；
根据所述待处理图像与所述相邻的图像中在相同位置的像素值的差值小于或等于第三预设值的像素，得到第一像素集；
根据所述第一像素集中在所述第二分割结果中属于所述目标对象的像素，得到第二像素集；
将所述第一分割结果中所述第二像素集的像素调整为属于所述目标对象，得到所述待处理图像对应的第三分割结果。
2.根据权利要求1所述的方法，其特征在于，在所述初步分割图像中，预测的属于所述目标对象的像素的像素值为第一预设值，预测的不属于所述目标对象的像素的像素值为第二预设值；
所述根据所述待处理图像中所述目标对象的边缘信息，在所述初步分割图像中，对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第一分割结果，包括：
将所述初步分割图像中像素值为所述第二预设值的封闭区域的像素值调整为所述第一预设值，得到填充后的初步分割图像；
根据所述待处理图像中所述目标对象的边缘信息，对所述填充后的初步分割图像的像素值进行调整，得到所述待处理图像对应的第一分割结果。
3.根据权利要求2所述的方法，其特征在于，所述将所述初步分割图像中像素值为所述第二预设值的封闭区域的像素值调整为所述第一预设值，得到填充后的初步分割图像，包括：
在所述初步分割图像的周围拼接预设宽度的边，得到拼接后的初步分割图像，其中，拼接的所述预设宽度的边的像素的像素值为所述第二预设值；
选取所述拼接后的初步分割图像的图像边缘的像素作为种子点，对所述拼接后的初步分割图像进行泛洪填充操作，得到填充后的初步分割图像。
4.根据权利要求2或3所述的方法，其特征在于，所述根据所述待处理图像中所述目标对象的边缘信息，对所述填充后的初步分割图像的像素值进行调整，得到所述待处理图像对应的第一分割结果，包括：
根据所述待处理图像中所述目标对象的边缘信息，确定所述填充后的初步分割图像中所述目标对象的边缘所包含的最大连通域；
将所述填充后的初步分割图像中所述最大连通域之外的像素的像素值调整为所述第二预设值，得到所述待处理图像对应的第一分割结果。
5.根据权利要求1至4中任意一项所述的方法，其特征在于，
在所述预测待处理图像中属于目标对象的像素之前，所述方法还包括：根据训练图像和所述训练图像的标注数据训练神经网络，其中，所述训练图像的标注数据包括所述训练图像中属于所述目标对象的像素的真值；
所述预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像，包括：将待处理图像输入所述神经网络，通过所述神经网络预测所述待处理图像中属于目标对象的像素的信息；根据所述待处理图像中属于所述目标对象的像素的信息，得到所述待处理图像对应的初步分割图像。
6.根据权利要求5所述的方法，其特征在于，
所述训练图像为电子计算机断层扫描CT图像；
所述根据训练图像和所述训练图像的标注数据训练神经网络，包括：根据预设的CT值范围，对所述训练图像的像素值进行归一化处理，得到归一化的训练图像；根据所述归一化的训练图像和所述训练图像的标注数据训练所述神经网络。
7.一种图像分割方法，其特征在于，包括：
预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像；
获取与所述待处理图像相邻的图像以及所述相邻的图像对应的第二分割结果；
根据所述待处理图像与所述相邻的图像中在相同位置的像素值的差值小于或等于第三预设值的像素，得到第一像素集；
根据所述第一像素集中在所述第二分割结果中属于所述目标对象的像素，得到第二像素集；
将所述初步分割图像中所述第二像素集的像素调整为属于所述目标对象，得到所述待处理图像对应的第四分割结果。
8.一种图像分割装置，其特征在于，包括：
第一分割模块，用于预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像；
第一调整模块，用于根据所述待处理图像中所述目标对象的边缘信息，在所述初步分割图像中，对所述目标对象的边缘所包含的封闭区域中、预测的不属于所述目标对象的像素的像素值进行调整，得到所述待处理图像对应的第一分割结果；
第二获取模块，用于获取与所述待处理图像相邻的图像以及所述相邻的图像对应的第二分割结果；
第三调整模块，用于根据所述待处理图像与所述相邻的图像中在相同位置的像素值的差值小于或等于第三预设值的像素，得到第一像素集，根据所述第一像素集中在所述第二分割结果中属于所述目标对象的像素，得到第二像素集，将所述第一分割结果中所述第二像素集的像素调整为属于所述目标对象，得到所述待处理图像对应的第三分割结果。
9.一种图像分割装置，其特征在于，包括：
第二分割模块，用于预测待处理图像中属于目标对象的像素，得到所述待处理图像对应的初步分割图像；
第一获取模块，用于获取与所述待处理图像相邻的图像以及所述相邻的图像对应的第二分割结果；
第二调整模块，用于根据所述待处理图像与所述相邻的图像中相同位置的像素的像素值的差值小于或等于第三预设值的像素，得到第一像素集，根据所述第一像素集中在所述第二分割结果中属于所述目标对象的像素，得到第二像素集，将所述初步分割图像中所述第二像素集的像素调整为属于所述目标对象，得到所述待处理图像对应的第四分割结果。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
用于存储可执行指令的存储器；
其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行权利要求1至7中任意一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
CN202010827077.1A 2020-08-17 2020-08-17 图像分割方法及装置、电子设备和存储介质 Active CN111899268B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010827077.1A CN111899268B (zh) 2020-08-17 2020-08-17 图像分割方法及装置、电子设备和存储介质
JP2021576593A JP2022548453A (ja) 2020-08-17 2020-12-21 画像分割方法及び装置、電子デバイス並びに記憶媒体
KR1020227001101A KR20220012407A (ko) 2020-08-17 2020-12-21 이미지 분할 방법 및 장치, 전자 기기 및 저장 매체
PCT/CN2020/138131 WO2022036972A1 (zh) 2020-08-17 2020-12-21 图像分割方法及装置、电子设备和存储介质
TW110116120A TW202209254A (zh) 2020-08-17 2021-05-04 圖像分割方法、電子設備和電腦可讀儲存介質

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010827077.1A CN111899268B (zh) 2020-08-17 2020-08-17 图像分割方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111899268A CN111899268A (zh) 2020-11-06
CN111899268B true CN111899268B (zh) 2022-02-18

Family

ID=73229690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010827077.1A Active CN111899268B (zh) 2020-08-17 2020-08-17 图像分割方法及装置、电子设备和存储介质

Country Status (3)

Country Link
CN (1) CN111899268B (zh)
TW (1) TW202209254A (zh)
WO (1) WO2022036972A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111899268B (zh) * 2020-08-17 2022-02-18 上海商汤智能科技有限公司 图像分割方法及装置、电子设备和存储介质
CN113063742A (zh) * 2021-03-24 2021-07-02 和数科技(浙江)有限公司 一种植被生物量测量方法、系统、存储介质及终端
CN113079383B (zh) * 2021-03-25 2023-06-20 北京市商汤科技开发有限公司 视频处理方法、装置、电子设备及存储介质
CN113655973B (zh) * 2021-07-16 2023-12-26 深圳价值在线信息科技股份有限公司 页面分割方法、装置、电子设备及存储介质
CN113284076A (zh) * 2021-07-22 2021-08-20 烟台市综合信息中心(烟台市市民卡管理中心) 基于FloodFill的高铁接触网载流环断裂异常检测方法
CN114445447A (zh) * 2021-12-27 2022-05-06 天翼云科技有限公司 一种图像分割方法、装置、设备及介质
CN114550129B (zh) * 2022-01-26 2023-07-18 江苏联合职业技术学院苏州工业园区分院 一种基于数据集的机器学习模型处理方法和系统
TWI803223B (zh) * 2022-03-04 2023-05-21 國立中正大學 於超頻譜影像之物件偵測方法
CN114862869A (zh) * 2022-03-30 2022-08-05 北京理工大学 基于ct影像的肾脏组织分割方法及装置
CN114913187B (zh) * 2022-05-25 2023-04-07 北京百度网讯科技有限公司 图像分割方法、训练方法、装置、电子设备以及存储介质
CN117635645B (zh) * 2023-12-08 2024-06-04 兰州交通大学 一种复杂稠密网络下的并置多尺度融合边缘检测模型

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886243A (zh) * 2019-03-01 2019-06-14 腾讯科技（深圳）有限公司 图像处理方法、装置、存储介质、设备以及系统
CN109993750A (zh) * 2017-12-29 2019-07-09 中国科学院深圳先进技术研究院 一种手腕骨的分割识别方法及系统、终端及可读存储介质
CN110782468A (zh) * 2019-10-25 2020-02-11 北京达佳互联信息技术有限公司 图像分割模型的训练方法及装置及图像分割方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104143190B (zh) * 2014-07-24 2017-06-09 东软集团股份有限公司 Ct图像中组织的分割方法及系统
US9972092B2 (en) * 2016-03-31 2018-05-15 Adobe Systems Incorporated Utilizing deep learning for boundary-aware image segmentation
CN105894517B (zh) * 2016-04-22 2019-05-07 北京理工大学 基于特征学习的ct图像肝脏分割方法及系统
KR102475826B1 (ko) * 2017-04-21 2022-12-09 삼성메디슨 주식회사 영상 분할 방법 및 그 전자 장치
CN109949309B (zh) * 2019-03-18 2022-02-11 安徽紫薇帝星数字科技有限公司 一种基于深度学习的肝脏ct图像分割方法
CN110910396A (zh) * 2019-10-18 2020-03-24 北京量健智能科技有限公司 一种用于优化图像分割结果的方法和装置
CN111899268B (zh) * 2020-08-17 2022-02-18 上海商汤智能科技有限公司 图像分割方法及装置、电子设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993750A (zh) * 2017-12-29 2019-07-09 中国科学院深圳先进技术研究院 一种手腕骨的分割识别方法及系统、终端及可读存储介质
CN109886243A (zh) * 2019-03-01 2019-06-14 腾讯科技（深圳）有限公司 图像处理方法、装置、存储介质、设备以及系统
CN110782468A (zh) * 2019-10-25 2020-02-11 北京达佳互联信息技术有限公司 图像分割模型的训练方法及装置及图像分割方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于自适应阈值的Surendra背景提取方法研究;单玉刚 等;《计算机技术与发展》;20170731;第91-95页 *

Also Published As

Publication number Publication date
CN111899268A (zh) 2020-11-06
WO2022036972A1 (zh) 2022-02-24
TW202209254A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN111899268B (zh) 图像分割方法及装置、电子设备和存储介质
CN113222038B (zh) 基于核磁图像的乳腺病灶分类和定位方法及装置
CN109829920B (zh) 图像处理方法及装置、电子设备和存储介质
CN112785565B (zh) 目标检测方法及装置、电子设备和存储介质
US20210097715A1 (en) Image generation method and device, electronic device and storage medium
TWI755175B (zh) 圖像分割方法、電子設備和儲存介質
CN112967291B (zh) 图像处理方法及装置、电子设备和存储介质
CN110705626A (zh) 一种图像处理方法及装置、电子设备和存储介质
CN113034491B (zh) 一种冠脉钙化斑块检测方法及装置
KR20220012407A (ko) 이미지 분할 방법 및 장치, 전자 기기 및 저장 매체
CN104918107A (zh) 视频文件的标识处理方法及装置
CN113012166A (zh) 颅内动脉瘤分割方法及装置、电子设备和存储介质
CN110852325B (zh) 图像的分割方法及装置、电子设备和存储介质
WO2023050691A1 (zh) 图像处理方法及装置、电子设备、存储介质和程序
CN114820584A (zh) 肺部病灶定位装置
CN111640114B (zh) 图像处理方法及装置
CN111860388A (zh) 图像处理方法及装置、电子设备和存储介质
WO2023050690A1 (zh) 图像处理方法、装置、电子设备、存储介质和程序
CN112308867B (zh) 牙齿图像的处理方法及装置、电子设备和存储介质
CN113660531A (zh) 视频处理方法及装置、电子设备和存储介质
CN112200820A (zh) 三维图像处理方法及装置、电子设备和存储介质
CN115457024A (zh) 冷冻电镜图像处理方法、装置、电子设备及存储介质
CN112686867B (zh) 医学图像的识别方法及装置、电子设备和存储介质
CN111275191B (zh) 检测细胞的方法及装置、电子设备和存储介质
CN112802032A (zh) 图像分割网络的训练和图像处理方法、装置、设备及介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40032337

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant