CN111968137A - 头部ct图像分割方法、装置、电子设备及存储介质 - Google Patents

头部ct图像分割方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111968137A
CN111968137A CN202011142295.8A CN202011142295A CN111968137A CN 111968137 A CN111968137 A CN 111968137A CN 202011142295 A CN202011142295 A CN 202011142295A CN 111968137 A CN111968137 A CN 111968137A
Authority
CN
China
Prior art keywords
segmentation
image
head
network
segmented
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011142295.8A
Other languages
English (en)
Inventor
毋戈
周鑫
陈凯星
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011142295.8A priority Critical patent/CN111968137A/zh
Publication of CN111968137A publication Critical patent/CN111968137A/zh
Priority to PCT/CN2020/132452 priority patent/WO2021179692A1/zh
Pending legal-status Critical Current

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
    • G06T7/11—Region-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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T2207/20076—Probabilistic 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
    • G06T2207/20—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • 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
    • G06T2207/30096—Tumor; Lesion

Abstract

本申请涉及医疗科技技术领域，具体提供了一种头部CT图像分割方法、装置、电子设备及存储介质，其中，该方法包括获取待分割头部CT图像的第一高层特征；将所述第一高层特征输入第一分割网络进行分割，得到第一分割图像，以及将所述第一高层特征输入第二分割网络进行分割，得到第二分割图像；根据所述待分割头部CT图像、所述第一分割图像以及所述第二分割图像得到第一目标头部CT图像；获取所述第一目标头部CT图像的第二高层特征；将所述第二高层特征输入第三分割网络进行分割，得到病灶分割图像。本申请实施例有利于提高头部CT中病灶的分割精度。

Description

头部CT图像分割方法、装置、电子设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种头部CT图像分割方法、装置、电子设备及存储介质。
背景技术
随着人工智能的发展，基于深度学习的图像处理技术被广泛应用于医学领域，常见的比如针对头部CT（Computed Tomography，电子计算机断层扫描）和眼底彩照的分割等等。目前头部CT中病灶的分割方法，一是可以采用U-net等全卷积网络结构针对出血、肿瘤、梗塞等目标病灶进行训练和分割，二是可以采用多个网络级联的方式进行训练和分割，但是，前者在缓解多病种分割时不同病灶的类别不平衡因素方面较为困难，后者虽能有效解决这个问题，但是其训练集相互独立，忽略了网络之间的相关性，使得网络对头部CT中病灶的分割精度较低。
发明内容
针对上述问题，本申请提供了一种头部CT图像分割方法、装置、电子设备及存储介质，有利于提高头部CT中病灶的分割精度。
为实现上述目的，本申请实施例第一方面提供了一种头部CT图像分割方法，该方法包括：
获取待分割头部CT图像的第一高层特征；
将所述第一高层特征输入第一分割网络进行分割，得到第一分割图像，以及将所述第一高层特征输入第二分割网络进行分割，得到第二分割图像；
根据所述待分割头部CT图像、所述第一分割图像以及所述第二分割图像得到第一目标头部CT图像；
获取所述第一目标头部CT图像的第二高层特征；
将所述第二高层特征输入第三分割网络进行分割，得到病灶分割图像。
在第一方面的一种实施方式中，所述获取待分割头部CT图像的第一高层特征，包括：
将所述待分割头部CT图像输入第一编码网络进行编码，得到所述第一高层特征；
所述获取所述第一目标头部CT图像的第二高层特征，包括：
将所述第一目标头部CT图像输入第二编码网络进行编码，得到所述第二高层特征。
在第一方面的另一种实施方式中，所述将所述第一高层特征输入第一分割网络进行分割，得到第一分割图像，包括：
将所述第一高层特征输入所述第一分割网络进行解码，得到第一待分割特征；
基于所述第一待分割特征进行分割，得到所述第一分割图像。
在第一方面的另一种实施方式中，所述将所述第一高层特征输入第二分割网络进行分割，得到第二分割图像，包括：
将所述第二高层特征输入所述第二分割网络进行解码，得到第二待分割特征；
基于所述第二待分割特征进行分割，得到所述第二分割图像。
在第一方面的另一种实施方式中，所述根据所述待分割头部CT图像、所述第一分割图像以及所述第二分割图像得到第一目标头部CT图像，包括：
将所述第一分割图像与所述第二分割图像逐像素相加，得到第二目标头部CT图像；
将所述第二目标头部CT图像与所述待分割头部CT图像逐像素相乘，得到所述第一目标头部CT图像。
在第一方面的另一种实施方式中，所述方法还包括：
基于所述第一分割图像及预设的第一金标准获取所述第一分割网络的第一损失；
基于所述第二分割图像及预设的第二金标准获取所述第二分割网络的第二损失；以及，
基于所述病灶分割图像及预设的第三金标准获取所述第三分割网络的第三损失；
根据所述第一损失、所述第二损失及所述第三损失更新整个深度神经网络的参数；所述深度神经网络包括所述第一分割网络、所述第二分割网络、所述第三分割网络、所述第一编码网络及所述第二编码网络；
反复迭代直至所述第一损失、所述第二损失及所述第三损失收敛。
在第一方面的另一种实施方式中，采用以下公式获取所述第一损失：
Figure 425005DEST_PATH_IMAGE001
；其中，
Figure 300557DEST_PATH_IMAGE002
表示所述第一损失，
Figure 454327DEST_PATH_IMAGE003
表示所述第一分割图像中第
Figure 757132DEST_PATH_IMAGE004
个像素的预测值，
Figure 645454DEST_PATH_IMAGE005
表示所述第一金标准中第
Figure 183752DEST_PATH_IMAGE006
个像素 的实际值，
Figure 67394DEST_PATH_IMAGE007
表示待分割类别数，
Figure 150888DEST_PATH_IMAGE008
为Focal Loss，
Figure 119981DEST_PATH_IMAGE009
，表示 Focal Loss的超参数。
本申请实施例第二方面提供了一种头部CT图像分割装置，该装置包括：
第一编码模块，用于获取待分割头部CT图像的第一高层特征；
第一分割模块，用于将所述第一高层特征输入第一分割网络进行分割，得到第一分割图像，以及将所述第一高层特征输入第二分割网络进行分割，得到第二分割图像；
图像融合模块，用于根据所述待分割头部CT图像、所述第一分割图像以及所述第二分割图像得到第一目标头部CT图像；
第二编码模块，用于获取所述第一目标头部CT图像的第二高层特征；
第二分割模块，用于将所述第二高层特征输入第三分割网络进行分割，得到病灶分割图像。
本申请实施例第三方面提供了一种电子设备，该电子设备包括输入设备和输出设备，还包括处理器，适于实现一条或多条指令；以及，计算机存储介质，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由所述处理器加载并执行如下步骤：
获取待分割头部CT图像的第一高层特征；
将所述第一高层特征输入第一分割网络进行分割，得到第一分割图像，以及将所述第一高层特征输入第二分割网络进行分割，得到第二分割图像；
根据所述待分割头部CT图像、所述第一分割图像以及所述第二分割图像得到第一目标头部CT图像；
获取所述第一目标头部CT图像的第二高层特征；
将所述第二高层特征输入第三分割网络进行分割，得到病灶分割图像。
本申请实施例第四方面提供了一种计算机存储介质，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由处理器加载并执行如下步骤：
获取待分割头部CT图像的第一高层特征；
将所述第一高层特征输入第一分割网络进行分割，得到第一分割图像，以及将所述第一高层特征输入第二分割网络进行分割，得到第二分割图像；
根据所述待分割头部CT图像、所述第一分割图像以及所述第二分割图像得到第一目标头部CT图像；
获取所述第一目标头部CT图像的第二高层特征；
将所述第二高层特征输入第三分割网络进行分割，得到病灶分割图像。
本申请的上述方案至少包括以下有益效果：与现有技术相比，本申请实施例通过获取待分割头部CT图像的第一高层特征；将所述第一高层特征输入第一分割网络进行分割，得到第一分割图像，以及将所述第一高层特征输入第二分割网络进行分割，得到第二分割图像；根据所述待分割头部CT图像、所述第一分割图像以及所述第二分割图像得到第一目标头部CT图像；获取所述第一目标头部CT图像的第二高层特征；将所述第二高层特征输入第三分割网络进行分割，得到病灶分割图像。这样在得到第一高层特征后接入第一分割网络和第二分割网络两个分支分别分割出表示颅内颅外的第一分割图像和表示颅内脑叶、脑池、脑室等不同部位的第二分割图像，由第一分割图像和第二分割图像得到第一目标头部CT图像，基于第一目标头部CT图像的第二高层特征对病灶进行分割，最后输出病灶分割图像，充分利用了不同病灶与头部结构之间的空间位置关系，有利于缓解多病种分割时不同病灶的类别不平衡因素，降低假阳性，从而有利于提高头部CT中病灶的分割精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种应用环境的示意图；
图2为本申请实施例提供的一种头部CT图像分割方法的流程示意图；
图3为本申请实施例提供的一种深度神经网络的结构示意图；
图4为本申请实施例提供的另一种深度神经网络的结构示意图；
图5为本申请实施例提供的另一种头部CT图像分割方法的流程示意图；
图6为本申请实施例提供的一种头部CT图像分割装置的结构示意图；
图7为本申请实施例提供的另一种头部CT图像分割装置的结构示意图；
图8为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
本申请说明书、权利要求书和附图中出现的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，术语“第一”、“第二”和“第三”等是用于区别不同的对象，而并非用于描述特定的顺序。
本申请实施例提供一种头部CT图像分割方法，可基于图1所示的应用环境实施，请参见图1，该应用环境中包括CT造影设备和电子设备，其中，CT造影设备用于采集患者的头部CT图像，电子设备用于对CT造影设备采集的头部CT图像进行一系列分割处理，以检测出患者头部中的病灶，其最终的输出为病灶分割图像。CT造影设备包括但不限于成像层、通信层，电子设备包括但不限于通信层、处理层，CT造影设备的通信层和电子设备的通信层均设置有数据协议接口，基于该数据协议接口，CT造影设备的通信层可通过有线或无线网络将成像层采集的头部CT图像传输至电子设备的通信层，电子设备的通信层将获取到的头部CT图像发送给处理层，处理层对头部CT图像进行特征提取，得到图像的高层特征，然后采用两个分支分别对该高层特征进行解码，以分割出表示颅内颅外的图像和表示颅内不同部位的图像，然后对这两种图像进行融合，对融合后的图像再进行高层特征的提取和解码，基于解码出的特征进行预测，以得到病灶分割图像，整个分割处理流程呈层级式，充分利用了不同病灶与头部结构之间的空间位置关系，有利于提高头部CT中病灶的分割精度。
基于图1所示的应用环境，以下结合其他附图对本申请实施例提供的头部CT图像分割方法进行详细阐述。
请参加图2，图2为本申请实施例提供的一种头部CT图像分割方法的流程示意图，该方法应用于电子设备，如图2所示，包括步骤S21-S25：
S21，获取待分割头部CT图像的第一高层特征。
本申请具体实施例中，待分割头部CT图像是指CT造影设备传输至电子设备的原始头部CT图像，该待分割头部CT图像通常为图像序列，第一高层特征是指从待分割头部CT图像中提取出的包含高层语义信息的抽象特征，可选的，请参见图3，所述获取待分割头部CT图像的第一高层特征，包括：将所述待分割头部CT图像输入第一编码网络进行编码，得到所述第一高层特征。
其中，该第一编码网络可以是V-net、U-net、Res-Unet等神经网络的编码部分，用于对输入的待分割头部CT图像进行高层特征提取，优选的，此处第一编码网络采用3DRes-Unet的编码部分，该部分包括多个阶段，每个阶段构成一个残差块，每个阶段包括至少一个卷积层，卷积层采用三维卷积核对输入的特征图进行卷积，在经过至少一次卷积之后，将第一个卷积层输入的特征图与最后一个卷积层输出的特征图进行残差连接，然后通过空洞卷积层对残差连接后得到的特征图进行下采样作为下一阶段的输入。例如：针对待分割头部CT图像128*128*64的特征图，首先对其进行卷积处理，得到输出特征图，将该输出特征图与128*128*64的特征图进行残差连接，得到残差连接后的特征图，对残差连接后的特征图进行最大池化操作得到64*64*32的特征图，即一个阶段处理完毕，开始下一个阶段的处理，最终可得到8*8*4的第一高层特征。3DRes-Unet的编码部分和解码部分采用瓶颈结构，起着减少通道数和还原通道数的作用，残差连接的应用能够避免梯度发散加速模型收敛，而将最大池化层替换为空洞卷积层有利于增大感受野减少信息丢失。
S22，将所述第一高层特征输入第一分割网络进行分割，得到第一分割图像，以及将所述第一高层特征输入第二分割网络进行分割，得到第二分割图像。
本申请具体实施例中，请继续参见图3，在得到第一高层特征后，分别将其输入两个分支，即第一分割网络和第二分割网络，可选的，所述将所述第一高层特征输入第一分割网络进行分割，得到第一分割图像，包括：将所述第一高层特征输入所述第一分割网络进行解码，得到第一待分割特征；基于所述第一待分割特征进行分割，得到所述第一分割图像。第一分割图像是指从待分割头部CT图像中分割出颅内颅外的图像，第一待分割特征是指第一分割网络对第一高层特征进行解码、还原得到的特征，基于得到的第一待分割特征，对其进行分类预测，以得到第一分割图像。优选的，此处第一分割网络可采用3DRes-Unet的解码部分，与第一编码网络对应，第一分割网络同样包括多个阶段，每个阶段同样包括至少一个卷积层，首先采用空洞卷积层对第一高层特征进行上卷积后，与第一编码网络对应阶段残差连接后的特征图进行连接作为下一阶段的输入，该下一阶段的处理过程与第一编码网络对应阶段的处理过程类似即至少一次卷积，再残差连接，再空洞卷积，不同的是此处的空洞卷积主要进行上采样，即第一分割网络的一个阶段处理完毕，经过多个阶段的处理将第一高层特征还原为与第一编码网络的输入尺寸相同的第一待分割特征。
可选的，所述将所述第一高层特征输入第二分割网络进行分割，得到第二分割图像，包括：将所述第二高层特征输入所述第二分割网络进行解码，得到第二待分割特征；基于所述第二待分割特征进行分割，得到所述第二分割图像。第二分割图像是指从待分割头部CT图像中分割出颅内脑叶、脑池、脑室等不同部位的图像，第二待分割特征是指第二分割网络对第一高层特征进行解码、还原得到的特征。第二分割网络同样可采用3DRes-Unet的解码部分，其处理过程与第一分割网络相同。
S23，根据所述待分割头部CT图像、所述第一分割图像以及所述第二分割图像得到第一目标头部CT图像。
本申请具体实施例中，第一目标头部CT图像是对第一分割图像和第二分割图像进行融合后得到的头部CT图像，如图3所示，在得到第一分割图像和第二分割图像后，将第一分割图像与第二分割图像逐像素相加，得到第二目标头部CT图像，再将第二目标头部CT图像与待分割头部CT图像逐像素相乘，得到第一目标头部CT图像。
S24，获取所述第一目标头部CT图像的第二高层特征。
S25，将所述第二高层特征输入第三分割网络进行分割，得到病灶分割图像。
本申请具体实施例中，请继续参见图3，将步骤S23中得到的第一目标头部CT图像输入第二编码网络进行编码，便得到第二高层特征，其中，第二编码网络可采用与第一编码网络相同的结构。针对提取出的第二高层特征，将其输入第三分割网络进行解码，得到第三待分割特征，基于第三待分割特征进行分割，得到病灶分割图像，其中，第三分割网络可采用与第一分割网络或第二分割网络相同的结构。
可选的，所述方法还包括：
基于所述第一分割图像及预设的第一金标准获取所述第一分割网络的第一损失；
基于所述第二分割图像及预设的第二金标准获取所述第二分割网络的第二损失；以及，
基于所述病灶分割图像及预设的第三金标准获取所述第三分割网络的第三损失；
根据所述第一损失、所述第二损失及所述第三损失更新整个深度神经网络的参数；所述深度神经网络包括所述第一分割网络、所述第二分割网络、所述第三分割网络、所述第一编码网络及所述第二编码网络；
反复迭代直至所述第一损失、所述第二损失及所述第三损失收敛。
本申请具体实施例中，第一金标准是指医学中分割颅内颅外的金标准，第二金标 准是指医学中分割颅内各部位的金标准，第三金标准是指医学中分割病灶的金标准，如图4 所示，在得到第一分割图像时，基于第一分割图像和第一金标准计算第一损失，其采用的损 失函数为：
Figure 199320DEST_PATH_IMAGE010
；其中，
Figure 203048DEST_PATH_IMAGE011
表示所述第一损失，采 用multi-class soft Dice Loss和Focal Loss组合的形式，
Figure 582076DEST_PATH_IMAGE012
表示所述第一分割图像中 第
Figure 913832DEST_PATH_IMAGE006
个像素的预测值，
Figure 669298DEST_PATH_IMAGE013
表示所述第一金标准中第
Figure 121008DEST_PATH_IMAGE014
个像素的实际值，
Figure 936517DEST_PATH_IMAGE015
表示待分割类别 数，
Figure 755569DEST_PATH_IMAGE016
为Focal Loss，
Figure 49147DEST_PATH_IMAGE017
，表示Focal Loss的超参数。
具体的，在得到第二分割图像时计算第二损失以及在得到病灶分割图像时计算第三损失，计算第二损失与第三损失的损失函数与第一损失相同，区别在于计算所用的预测值与实际值不同，在得到第三损失后，采用反向传播算法分别向深度神经网络反馈第一损失、第二损失和第三损失，采用梯度下降法对深度神经网络可学习的参数进行更新，即包括对第一分割网络、第二分割网络、第三分割网络、第一编码网络及第二编码网络的参数的更新，反复迭代步骤S21-S25直至第一损失、第二损失和第三损失收敛。
可以看出，本申请实施例通过获取待分割头部CT图像的第一高层特征；将所述第一高层特征输入第一分割网络进行分割，得到第一分割图像，以及将所述第一高层特征输入第二分割网络进行分割，得到第二分割图像；根据所述待分割头部CT图像、所述第一分割图像以及所述第二分割图像得到第一目标头部CT图像；获取所述第一目标头部CT图像的第二高层特征；将所述第二高层特征输入第三分割网络进行分割，得到病灶分割图像。这样在得到第一高层特征后接入第一分割网络和第二分割网络两个分支分别分割出表示颅内颅外的第一分割图像和表示颅内脑叶、脑池、脑室等不同部位的第二分割图像，由第一分割图像和第二分割图像得到第一目标头部CT图像，基于第一目标头部CT图像的第二高层特征对病灶进行分割，最后输出病灶分割图像，充分利用了不同病灶与头部结构之间的空间位置关系，有利于缓解多病种分割时不同病灶的类别不平衡因素，降低假阳性，从而有利于提高头部CT中病灶的分割精度。
另外，相比于采用多网络级联的方法，本申请实施例减少了网络数量，具有更小的训练参数，降低了网络复杂度，有利于提高训练速度，同时在网络间进行第一分割图像、第二分割图像、病灶分割图像的层级分割，可以增强不同任务间的相互作用，提高泛化能力。
在本申请的一个实施方式中，本申请的方案还可以应用到智慧医疗领域，比如通过接收CT造影设备采集的患者的头部CT图像，通过本申请的头部CT图像分割方法对该头部CT图像进行分割处理，得到最终的病灶分割图像，例如：患者头部肿瘤的分割图像。由于通过本申请的头部CT图像分割方法可获取到病灶位置更为精准的病灶分割图像，这样可以为医生的诊断提供更为准确的依据，提高医生诊断的准确度。
请参见图5，图5本申请实施例提供的另一种头部CT图像分割方法的流程示意图，如图5所示，包括步骤S51-S56：
S51，获取待分割头部CT图像；
S52，将所述待分割头部CT图像输入第一编码网络进行编码，得到第一高层特征；
S53，将所述第一高层特征输入第一分割网络进行分割，得到第一分割图像，以及将所述第一高层特征输入第二分割网络进行分割，得到第二分割图像；
S54，根据所述待分割头部CT图像、所述第一分割图像以及所述第二分割图像得到第一目标头部CT图像；
S55，将所述第一目标头部CT图像输入第二编码网络进行编码，得到所述第二高层特征；
S56，将所述第二高层特征输入第三分割网络进行分割，得到病灶分割图像。
其中，步骤S51-S56的具体实施方式在图2所示的实施例中已有相关说明，且能达到相同或相似的有益效果，为避免重复，此处不再赘述。
基于上述头部CT图像分割方法实施例的描述，请参见图6，图6为本申请实施例提供的一种头部CT图像分割装置的结构示意图，如图6所示，该装置包括：
第一编码模块61，用于获取待分割头部CT图像的第一高层特征；
第一分割模块62，用于将所述第一高层特征输入第一分割网络进行分割，得到第一分割图像，以及将所述第一高层特征输入第二分割网络进行分割，得到第二分割图像；
图像融合模块63，用于根据所述待分割头部CT图像、所述第一分割图像以及所述第二分割图像得到第一目标头部CT图像；
第二编码模块64，用于获取所述第一目标头部CT图像的第二高层特征；
第二分割模块65，用于将所述第二高层特征输入第三分割网络进行分割，得到病灶分割图像。
在一种可能的实施方式中，在获取待分割头部CT图像的第一高层特征方面，第一编码模块61具体用于：将所述待分割头部CT图像输入第一编码网络进行编码，得到所述第一高层特征；
在获取所述第一目标头部CT图像的第二高层特征方面，第二编码模块64具体用于：将所述第一目标头部CT图像输入第二编码网络进行编码，得到所述第二高层特征。
在一种可能的实施方式中，在将所述第一高层特征输入第一分割网络进行分割，得到第一分割图像方面，第一分割模块62具体用于：
将所述第一高层特征输入所述第一分割网络进行解码，得到第一待分割特征；
基于所述第一待分割特征进行分割，得到所述第一分割图像。
在一种可能的实施方式中，在将所述第一高层特征输入第二分割网络进行分割，得到第二分割图像方面，第一分割模块62具体用于：
将所述第二高层特征输入所述第二分割网络进行解码，得到第二待分割特征；
基于所述第二待分割特征进行分割，得到所述第二分割图像。
在一种可能的实施方式中，在根据所述待分割头部CT图像、所述第一分割图像以及所述第二分割图像得到第一目标头部CT图像方面，图像融合模块63具体用于：
将所述第一分割图像与所述第二分割图像逐像素相加，得到第二目标头部CT图像；
将所述第二目标头部CT图像与所述待分割头部CT图像逐像素相乘，得到所述第一目标头部CT图像。
在一种可能的实施方式中，如图7所示，该装置还包括参数更新模块66；
所述参数更新模块66具体用于：
基于所述第一分割图像及预设的第一金标准获取所述第一分割网络的第一损失；
基于所述第二分割图像及预设的第二金标准获取所述第二分割网络的第二损失；以及，
基于所述病灶分割图像及预设的第三金标准获取所述第三分割网络的第三损失；
根据所述第一损失、所述第二损失及所述第三损失更新整个深度神经网络的参数；所述深度神经网络包括所述第一分割网络、所述第二分割网络、所述第三分割网络、所述第一编码网络及所述第二编码网络；
反复迭代直至所述第一损失、所述第二损失及所述第三损失收敛。
在一种可能的实施方式中，在获取所述第一损失方面，参数更新模块66具体用于采用以下公式获取所述第一损失：
Figure 761888DEST_PATH_IMAGE018
；其中，
Figure 607353DEST_PATH_IMAGE019
表示所述第一损失，
Figure 38334DEST_PATH_IMAGE020
表示所述第一分割图像中第
Figure 10970DEST_PATH_IMAGE021
个像素的预测值，
Figure 843796DEST_PATH_IMAGE022
表示所述第一金标准中第
Figure 594584DEST_PATH_IMAGE004
个像素的实 际值，
Figure 512861DEST_PATH_IMAGE023
表示待分割类别数，
Figure 148242DEST_PATH_IMAGE024
为Focal Loss，
Figure 445362DEST_PATH_IMAGE025
，表示Focal Loss的超参数。
根据本申请的一个实施例，图6或图7所示的头部CT图像分割装置的各个单元可以分别或全部合并为一个或若干个另外的单元来构成，或者其中的某个（些）单元还可以再拆分为功能上更小的多个单元来构成，这可以实现同样的操作，而不影响本申请的实施例的技术效果的实现。上述单元是基于逻辑功能划分的，在实际应用中，一个单元的功能也可以由多个单元来实现，或者多个单元的功能由一个单元实现。在本申请的其它实施例中，基于头部CT图像分割装置也可以包括其它单元，在实际应用中，这些功能也可以由其它单元协助实现，并且可以由多个单元协作实现。
根据本申请的另一个实施例，可以通过在包括中央处理单元（CPU）、随机存取存储介质（RAM）、只读存储介质（ROM）等处理元件和存储元件的例如计算机的通用计算设备上运行能够执行如图2或图5中所示的相应方法所涉及的各步骤的计算机程序（包括程序代码），来构造如图6或图7中所示的头部CT图像分割装置设备，以及来实现本申请实施例的头部CT图像分割方法。所述计算机程序可以记载于例如计算机可读记录介质上，并通过计算机可读记录介质装载于上述计算设备中，并在其中运行。
基于上述方法实施例和装置实施例的描述，本申请实施例还提供一种电子设备。请参见图8，该电子设备至少包括处理器81、输入设备82、输出设备83以及计算机存储介质84。其中，电子设备内的处理器81、输入设备82、输出设备83以及计算机存储介质84可通过总线或其他方式连接。
计算机存储介质84可以存储在电子设备的存储器中，所述计算机存储介质84用于存储计算机程序，所述计算机程序包括程序指令，所述处理器81用于执行所述计算机存储介质84存储的程序指令。处理器81（或称CPU（Central Processing Unit，中央处理器））是电子设备的计算核心以及控制核心，其适于实现一条或多条指令，具体适于加载并执行一条或多条指令从而实现相应方法流程或相应功能。
在一个实施例中，本申请实施例提供的电子设备的处理器81可以用于进行一系列头部CT图像的分割处理：
获取待分割头部CT图像的第一高层特征；
将所述第一高层特征输入第一分割网络进行分割，得到第一分割图像，以及将所述第一高层特征输入第二分割网络进行分割，得到第二分割图像；
根据所述待分割头部CT图像、所述第一分割图像以及所述第二分割图像得到第一目标头部CT图像；
获取所述第一目标头部CT图像的第二高层特征；
将所述第二高层特征输入第三分割网络进行分割，得到病灶分割图像。
再一个实施例中，处理器81执行所述获取待分割头部CT图像的第一高层特征，包括：将所述待分割头部CT图像输入第一编码网络进行编码，得到所述第一高层特征；
处理器81执行所述获取所述第一目标头部CT图像的第二高层特征，包括：将所述第一目标头部CT图像输入第二编码网络进行编码，得到所述第二高层特征。
再一个实施例中，处理器81执行所述将所述第一高层特征输入第一分割网络进行分割，得到第一分割图像，包括：将所述第一高层特征输入所述第一分割网络进行解码，得到第一待分割特征；基于所述第一待分割特征进行分割，得到所述第一分割图像。
再一个实施例中，处理器81执行所述将所述第一高层特征输入第二分割网络进行分割，得到第二分割图像，包括：
将所述第二高层特征输入所述第二分割网络进行解码，得到第二待分割特征；基于所述第二待分割特征进行分割，得到所述第二分割图像。
再一个实施例中，处理器81执行所述根据所述待分割头部CT图像、所述第一分割图像以及所述第二分割图像得到第一目标头部CT图像，包括：
将所述第一分割图像与所述第二分割图像逐像素相加，得到第二目标头部CT图像；
将所述第二目标头部CT图像与所述待分割头部CT图像逐像素相乘，得到所述第一目标头部CT图像。
再一个实施例中，处理器81还用于：
基于所述第一分割图像及预设的第一金标准获取所述第一分割网络的第一损失；
基于所述第二分割图像及预设的第二金标准获取所述第二分割网络的第二损失；以及，
基于所述病灶分割图像及预设的第三金标准获取所述第三分割网络的第三损失；
根据所述第一损失、所述第二损失及所述第三损失更新整个深度神经网络的参数；所述深度神经网络包括所述第一分割网络、所述第二分割网络、所述第三分割网络、所述第一编码网络及所述第二编码网络；
反复迭代直至所述第一损失、所述第二损失及所述第三损失收敛。
再一个实施例中，处理器81执行获取所述第一损失时，采用以下公式：
Figure 773575DEST_PATH_IMAGE026
；其中，
Figure 35274DEST_PATH_IMAGE027
表示所述第一损失，
Figure 474345DEST_PATH_IMAGE028
表 示所述第一分割图像中第
Figure 891551DEST_PATH_IMAGE029
个像素的预测值，
Figure 125086DEST_PATH_IMAGE005
表示所述第一金标准中第
Figure 752377DEST_PATH_IMAGE030
个像素的实际 值，
Figure 119773DEST_PATH_IMAGE031
表示待分割类别数，
Figure 250540DEST_PATH_IMAGE032
为Focal Loss，
Figure 61501DEST_PATH_IMAGE009
，表示Focal Loss的超 参数。
示例性的，上述电子设备可以是服务器、云服务器、计算机主机、服务器集群等，电子设备包括但不仅限于处理器81、输入设备82、输出设备83以及计算机存储介质84。本领域技术人员可以理解，所述示意图仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
需要说明的是，由于电子设备的处理器81执行计算机程序时实现上述的头部CT图像分割方法中的步骤，因此上述头部CT图像分割方法的实施例均适用于该电子设备，且均能达到相同或相似的有益效果。
本申请实施例还提供了一种计算机存储介质（Memory），所述计算机存储介质是电子设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机存储介质既可以包括终端中的内置存储介质，当然也可以包括终端所支持的扩展存储介质。计算机存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器81加载并执行的一条或多条的指令，这些指令可以是一个或一个以上的计算机程序（包括程序代码）。需要说明的是，此处的计算机存储介质可以是高速RAM存储器，也可以是非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器；可选的，还可以是至少一个位于远离前述处理器81的计算机存储介质。在一个实施例中，可由处理器81加载并执行计算机存储介质中存放的一条或多条指令，以实现上述有关头部CT图像分割方法的相应步骤；具体实现中，计算机存储介质中的一条或多条指令由处理器81加载并执行如下步骤：
获取待分割头部CT图像的第一高层特征；
将所述第一高层特征输入第一分割网络进行分割，得到第一分割图像，以及将所述第一高层特征输入第二分割网络进行分割，得到第二分割图像；
根据所述待分割头部CT图像、所述第一分割图像以及所述第二分割图像得到第一目标头部CT图像；
获取所述第一目标头部CT图像的第二高层特征；
将所述第二高层特征输入第三分割网络进行分割，得到病灶分割图像。
再一种示例中，计算机存储介质中的一条或多条指令由处理器81加载时还执行如下步骤：
将所述待分割头部CT图像输入第一编码网络进行编码，得到所述第一高层特征；
所述获取所述第一目标头部CT图像的第二高层特征，包括：
将所述第一目标头部CT图像输入第二编码网络进行编码，得到所述第二高层特征。
再一种示例中，计算机存储介质中的一条或多条指令由处理器81加载时还执行如下步骤：
将所述第一高层特征输入所述第一分割网络进行解码，得到第一待分割特征；
基于所述第一待分割特征进行分割，得到所述第一分割图像。
再一种示例中，计算机存储介质中的一条或多条指令由处理器81加载时还执行如下步骤：
将所述第二高层特征输入所述第二分割网络进行解码，得到第二待分割特征；
基于所述第二待分割特征进行分割，得到所述第二分割图像。
再一种示例中，计算机存储介质中的一条或多条指令由处理器81加载时还执行如下步骤：
将所述第一分割图像与所述第二分割图像逐像素相加，得到第二目标头部CT图像；
将所述第二目标头部CT图像与所述待分割头部CT图像逐像素相乘，得到所述第一目标头部CT图像。
再一种示例中，计算机存储介质中的一条或多条指令由处理器81加载时还执行如下步骤：
基于所述第一分割图像及预设的第一金标准获取所述第一分割网络的第一损失；
基于所述第二分割图像及预设的第二金标准获取所述第二分割网络的第二损失；以及，
基于所述病灶分割图像及预设的第三金标准获取所述第三分割网络的第三损失；
根据所述第一损失、所述第二损失及所述第三损失更新整个深度神经网络的参数；所述深度神经网络包括所述第一分割网络、所述第二分割网络、所述第三分割网络、所述第一编码网络及所述第二编码网络；
反复迭代直至所述第一损失、所述第二损失及所述第三损失收敛。
再一种示例中，计算机存储介质中的一条或多条指令由处理器81加载时采用以下公式获取所述第一损失：
Figure 910509DEST_PATH_IMAGE033
；其中，
Figure 645378DEST_PATH_IMAGE034
表示所述第一损失，
Figure 549093DEST_PATH_IMAGE020
表 示所述第一分割图像中第
Figure 124431DEST_PATH_IMAGE035
个像素的预测值，
Figure 726313DEST_PATH_IMAGE005
表示所述第一金标准中第
Figure 232250DEST_PATH_IMAGE035
个像素的实际 值，
Figure 603188DEST_PATH_IMAGE036
表示待分割类别数，
Figure 287111DEST_PATH_IMAGE037
为Focal Loss，
Figure 500923DEST_PATH_IMAGE038
，表示Focal Loss的 超参数。
示例性的，计算机存储介质的计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。
需要说明的是，由于计算机存储介质的计算机程序被处理器执行时实现上述的头部CT图像分割方法中的步骤，因此上述头部CT图像分割方法的所有实施例均适用于该计算机存储介质，且均能达到相同或相似的有益效果。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种头部CT图像分割方法，其特征在于，所述方法包括：
获取待分割头部CT图像的第一高层特征；
将所述第一高层特征输入第一分割网络进行分割，得到第一分割图像，以及将所述第一高层特征输入第二分割网络进行分割，得到第二分割图像；
根据所述待分割头部CT图像、所述第一分割图像以及所述第二分割图像得到第一目标头部CT图像；
获取所述第一目标头部CT图像的第二高层特征；
将所述第二高层特征输入第三分割网络进行分割，得到病灶分割图像。
2.根据权利要求1所述的方法，其特征在于，所述获取待分割头部CT图像的第一高层特征，包括：
将所述待分割头部CT图像输入第一编码网络进行编码，得到所述第一高层特征；
所述获取所述第一目标头部CT图像的第二高层特征，包括：
将所述第一目标头部CT图像输入第二编码网络进行编码，得到所述第二高层特征。
3.根据权利要求1所述的方法，其特征在于，所述将所述第一高层特征输入第一分割网络进行分割，得到第一分割图像，包括：
将所述第一高层特征输入所述第一分割网络进行解码，得到第一待分割特征；
基于所述第一待分割特征进行分割，得到所述第一分割图像。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述将所述第一高层特征输入第二分割网络进行分割，得到第二分割图像，包括：
将所述第二高层特征输入所述第二分割网络进行解码，得到第二待分割特征；
基于所述第二待分割特征进行分割，得到所述第二分割图像。
5.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述待分割头部CT图像、所述第一分割图像以及所述第二分割图像得到第一目标头部CT图像，包括：
将所述第一分割图像与所述第二分割图像逐像素相加，得到第二目标头部CT图像；
将所述第二目标头部CT图像与所述待分割头部CT图像逐像素相乘，得到所述第一目标头部CT图像。
6.根据权利要求2所述的方法，其特征在于，所述方法还包括：
基于所述第一分割图像及预设的第一金标准获取所述第一分割网络的第一损失；
基于所述第二分割图像及预设的第二金标准获取所述第二分割网络的第二损失；以及，
基于所述病灶分割图像及预设的第三金标准获取所述第三分割网络的第三损失；
根据所述第一损失、所述第二损失及所述第三损失更新整个深度神经网络的参数；所述深度神经网络包括所述第一分割网络、所述第二分割网络、所述第三分割网络、所述第一编码网络及所述第二编码网络；
反复迭代直至所述第一损失、所述第二损失及所述第三损失收敛。
7.根据权利要求6所述的方法，其特征在于，采用以下公式获取所述第一损失：
Figure 671394DEST_PATH_IMAGE001
；其中，
Figure 81516DEST_PATH_IMAGE002
表示所述第一损失，
Figure 319993DEST_PATH_IMAGE003
表示 所述第一分割图像中第
Figure 374536DEST_PATH_IMAGE004
个像素的预测值，
Figure 476485DEST_PATH_IMAGE005
表示所述第一金标准中第
Figure 983689DEST_PATH_IMAGE006
个像素的实际值，
Figure 914605DEST_PATH_IMAGE007
表示待分割类别数，
Figure 89235DEST_PATH_IMAGE008
为Focal Loss，
Figure 830926DEST_PATH_IMAGE009
，表示Focal Loss的超参 数。
8.一种头部CT图像分割装置，其特征在于，所述装置包括：
第一编码模块，用于获取待分割头部CT图像的第一高层特征；
第一分割模块，用于将所述第一高层特征输入第一分割网络进行分割，得到第一分割图像，以及将所述第一高层特征输入第二分割网络进行分割，得到第二分割图像；
图像融合模块，用于根据所述待分割头部CT图像、所述第一分割图像以及所述第二分割图像得到第一目标头部CT图像；
第二编码模块，用于获取所述第一目标头部CT图像的第二高层特征；
第二分割模块，用于将所述第二高层特征输入第三分割网络进行分割，得到病灶分割图像。
9.一种电子设备，包括输入设备和输出设备，其特征在于，还包括：
处理器，适于实现一条或多条指令；以及，
计算机存储介质，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由所述处理器加载并执行如权利要求1-7任一项所述的方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由处理器加载并执行如权利要求1-7任一项所述的方法。
CN202011142295.8A 2020-10-22 2020-10-22 头部ct图像分割方法、装置、电子设备及存储介质 Pending CN111968137A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011142295.8A CN111968137A (zh) 2020-10-22 2020-10-22 头部ct图像分割方法、装置、电子设备及存储介质
PCT/CN2020/132452 WO2021179692A1 (zh) 2020-10-22 2020-11-27 头部ct图像分割方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011142295.8A CN111968137A (zh) 2020-10-22 2020-10-22 头部ct图像分割方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN111968137A true CN111968137A (zh) 2020-11-20

Family

ID=73387601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011142295.8A Pending CN111968137A (zh) 2020-10-22 2020-10-22 头部ct图像分割方法、装置、电子设备及存储介质

Country Status (2)

Country Link
CN (1) CN111968137A (zh)
WO (1) WO2021179692A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634226A (zh) * 2020-12-18 2021-04-09 平安科技（深圳）有限公司 头部ct图像检测装置、方法、电子设备及存储介质
WO2021179692A1 (zh) * 2020-10-22 2021-09-16 平安科技（深圳）有限公司 头部ct图像分割方法、装置、电子设备及存储介质
CN112634226B (zh) * 2020-12-18 2024-05-14 平安科技（深圳）有限公司 头部ct图像检测装置、方法、电子设备及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116091870B (zh) * 2023-03-01 2023-09-12 哈尔滨市科佳通用机电股份有限公司 从板座破损故障识别检测网络训练及检测方法、系统及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685807A (zh) * 2018-11-16 2019-04-26 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) 基于深度学习的下肢深静脉血栓自动分割方法及系统
CN109872306A (zh) * 2019-01-28 2019-06-11 腾讯科技（深圳）有限公司 医学图像分割方法、装置和存储介质
CN109961443A (zh) * 2019-03-25 2019-07-02 北京理工大学 基于多期ct影像引导的肝脏肿瘤分割方法及装置
CN110110617A (zh) * 2019-04-22 2019-08-09 腾讯科技（深圳）有限公司 医学影像分割方法、装置、电子设备和存储介质
CN110991611A (zh) * 2019-11-29 2020-04-10 北京市眼科研究所 一种基于图像分割的全卷积神经网络
CN110992382A (zh) * 2019-12-30 2020-04-10 四川大学 用于辅助青光眼筛查的眼底图像视杯视盘分割方法及系统
CN111161279A (zh) * 2019-12-12 2020-05-15 中国科学院深圳先进技术研究院 医学图像分割方法、装置及服务器

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190320934A1 (en) * 2018-04-18 2019-10-24 Siemens Healthcare Gmbh Medical image acquisition with sequence prediction using deep learning
CN109598728B (zh) * 2018-11-30 2019-12-27 腾讯科技（深圳）有限公司 图像分割方法、装置、诊断系统及存储介质
CN110363774B (zh) * 2019-06-17 2021-12-21 上海联影智能医疗科技有限公司 图像分割方法、装置、计算机设备和存储介质
CN111968137A (zh) * 2020-10-22 2020-11-20 平安科技（深圳）有限公司 头部ct图像分割方法、装置、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685807A (zh) * 2018-11-16 2019-04-26 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) 基于深度学习的下肢深静脉血栓自动分割方法及系统
CN109872306A (zh) * 2019-01-28 2019-06-11 腾讯科技（深圳）有限公司 医学图像分割方法、装置和存储介质
CN109961443A (zh) * 2019-03-25 2019-07-02 北京理工大学 基于多期ct影像引导的肝脏肿瘤分割方法及装置
CN110110617A (zh) * 2019-04-22 2019-08-09 腾讯科技（深圳）有限公司 医学影像分割方法、装置、电子设备和存储介质
CN110991611A (zh) * 2019-11-29 2020-04-10 北京市眼科研究所 一种基于图像分割的全卷积神经网络
CN111161279A (zh) * 2019-12-12 2020-05-15 中国科学院深圳先进技术研究院 医学图像分割方法、装置及服务器
CN110992382A (zh) * 2019-12-30 2020-04-10 四川大学 用于辅助青光眼筛查的眼底图像视杯视盘分割方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021179692A1 (zh) * 2020-10-22 2021-09-16 平安科技（深圳）有限公司 头部ct图像分割方法、装置、电子设备及存储介质
CN112634226A (zh) * 2020-12-18 2021-04-09 平安科技（深圳）有限公司 头部ct图像检测装置、方法、电子设备及存储介质
CN112634226B (zh) * 2020-12-18 2024-05-14 平安科技（深圳）有限公司 头部ct图像检测装置、方法、电子设备及存储介质

Also Published As

Publication number Publication date
WO2021179692A1 (zh) 2021-09-16

Similar Documents

Publication Publication Date Title
CN109978037B (zh) 图像处理方法、模型训练方法、装置、和存储介质
CN111226258B (zh) 信号转换系统和信号转换方法
US11816870B2 (en) Image processing method and device, neural network and training method thereof, storage medium
CN111462264B (zh) 医学图像重建方法、医学图像重建网络训练方法和装置
CN113256592B (zh) 图像特征提取模型的训练方法、系统及装置
CN111968137A (zh) 头部ct图像分割方法、装置、电子设备及存储介质
CN114863225B (zh) 图像处理模型训练方法、生成方法、装置、设备及介质
CN114758360B (zh) 一种多模态图像分类模型训练方法、装置及电子设备
CN114581462A (zh) 一种图像分割方法、装置、设备和存储介质
CN112598790A (zh) 脑结构三维重建方法、装置及终端设备
CN110570394A (zh) 医学图像分割方法、装置、设备及存储介质
CN114708465B (zh) 图像分类方法、装置、电子设备与存储介质
CN112150569A (zh) 将cbct图像生成为ct图像的方法、装置及终端设备
WO2021184195A1 (zh) 医学图像重建方法、医学图像重建网络训练方法和装置
CN116740081A (zh) Ct图像中肺血管分割方法、装置、终端设备及介质
CN115965785A (zh) 图像分割方法、装置、设备、程序产品及介质
KR102639985B1 (ko) 혈액을 전달하는 신체 구성요소를 분할하는 방법 및 장치
CN115564953A (zh) 图像分割方法、装置、设备及存储介质
WO2022227193A1 (zh) 肝脏区域分割方法、装置、电子设备及存储介质
CN114419249A (zh) 物体三维形状重建方法、装置、设备及存储介质
CN113689435A (zh) 图像分割方法、装置、电子设备及存储介质
CN113379770A (zh) 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置
CN113538493A (zh) 一种mri头部影像的脑功能区自动勾画方法、勾画系统、计算设备和存储介质
CN111598891A (zh) 斑块稳定性的识别方法、装置、设备及存储介质
CN113689359B (zh) 一种图像伪影去除模型及其训练方法和系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201120

RJ01 Rejection of invention patent application after publication