CN112085696A - 医学图像分割网络模型的训练方法、分割方法及相关设备 - Google Patents

医学图像分割网络模型的训练方法、分割方法及相关设备 Download PDF

Info

Publication number
CN112085696A
CN112085696A CN202010723765.3A CN202010723765A CN112085696A CN 112085696 A CN112085696 A CN 112085696A CN 202010723765 A CN202010723765 A CN 202010723765A CN 112085696 A CN112085696 A CN 112085696A
Authority
CN
China
Prior art keywords
medical image
segmentation
network model
label
training
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
Application number
CN202010723765.3A
Other languages
English (en)
Other versions
CN112085696B (zh
Inventor
贾富仓
宋宠宠
贺宝春
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202010723765.3A priority Critical patent/CN112085696B/zh
Publication of CN112085696A publication Critical patent/CN112085696A/zh
Application granted granted Critical
Publication of CN112085696B publication Critical patent/CN112085696B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • 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
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30056—Liver; Hepatic

Landscapes

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

Abstract

本申请提供了一种医学图像分割网络模型的训练方法、分割方法及相关设备。该网络模型训练方法包括：利用第一医学图像及第一医学图像的第一分割标签对分割网络模型进行训练，得到分割网络模型；将第二医学图像输入分割网络模型，获得第二分割标签；获取被修改的第二分割标签，利用第一医学图像、第一医学图像的第一分割标签、第二医学图像及被修改的第二分割标签对分割网络模型进行训练。本申请提高了医学图像分割的效率。

Description

医学图像分割网络模型的训练方法、分割方法及相关设备
技术领域
本申请涉及医学图像分割技术领域，特别是涉及一种医学图像分割网络模型的训练方法、分割方法及相关设备。
背景技术
肝脏是人体中最大的腺体，其功能非常复杂和重要，具有参与代谢、分泌胆汁、吞噬防御和解毒等功能，由于肝脏的特殊性与重要性，肝脏的病变往往是致命的。目前肝癌的主要治疗方式有手术治疗、介入治疗、放射治疗等方式，其中肝脏切除手术和肝移植手术仍是目前最有效的根治方式，在进行肝脏手术时，需要医生对肝脏内部和病灶部位都要有全面的掌控，才能做出精确的手术规划，因此精确地分割出肝脏区域就成为了手术计划制定的关键。
现有技术中，主要通过拥有专业知识和临床经验的医生及专家对腹部CT进行体素级别的标注，获取肝脏的部分标签勾画，从而制定患者的手术计划，但这种方式增加了肝脏标签制作的时间成本和人工成本，肝脏标签勾画的效率低。
发明内容
本申请提供了一种医学图像分割网络模型的训练方法、分割方法及相关设备，主要解决的技术问题是如何提高医学图像分割的效率。
为解决上述技术问题，本申请提供了一种医学图像分割网络模型的训练方法，所述医学图像分割网络模型的训练方法包括：
利用第一医学图像及第一医学图像的第一分割标签对所述分割网络模型进行训练；
将第二医学图像输入所述分割网络模型，获得第二分割标签；
获取被修改的第二分割标签，利用所述第一医学图像、所述第一医学图像的第一分割标签、所述第二医学图像及所述被修改的第二分割标签对所述分割网络模型进行训练。
根据本申请提供的一实施方式，所述训练方法包括：
重复执行步骤：将第二医学图像输入所述分割网络模型，获得第二分割标签；获取被修改的第二分割标签，利用所述第一医学图像、所述第一医学图像的第一分割标签、所述第二医学图像及所述被修改的第二分割标签对所述分割网络模型进行训练；
直至所述网络分割模型输出的第二分割标签满足预设要求。
根据本申请提供的一实施方式，所述被修改的第二分割标签为人工基于所述第二分割标签进行一次修改后获得。
根据本申请提供的一实施方式，所述分割网络模型基于nnU-Net框架。
根据本申请提供的一实施方式，所述第一医学图像为公开的已分割肝脏医学图像，所述第二医学图像为不同姿态下的待分割肝脏医学图像。
根据本申请提供的一实施方式，所述第一医学图像通过增强CT扫描肝脏获得，所述第二医学图像通过平扫CT扫描肝脏获得。
根据本申请提供的一实施方式，所述第二医学图像包括平扫CT左侧卧姿态下的肝脏分割医学图像、平扫CT右侧卧姿态下的肝脏分割医学图像、平扫CT平躺姿态下的肝脏分割医学图像。
为解决上述技术问题，本申请提供了一种医学图像的分割方法，所述方法包括：
获取待分割的医学图像；
将所述待分割的医学图像输入到医学图像分割网络模型，获得分割的医学图像；
其中，所述医学图像分割网络模型为上述权利要求中任一项所述的方法所训练的网络模型。
为解决上述技术问题，本申请提供了一种医学图像分割设备，所述设备包括存储器以及与所述存储器耦接的处理器；
所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如上述的医学图像分割网络模型的训练方法和/或上述的医学图像的分割方法。
为解决上述技术问题，本申请还提供了一种计算机存储介质，所述计算机存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现如上述的医学图像分割网络模型的训练方法和/或上述的医学图像的分割方法。
本申请通过利用第一医学图像及第一医学图像的第一分割标签训练得到具有一定分割能力的分割网络模型，将第二医学图像输入分割网络模型，获取第二医学图像的第二分割标签，获取被修改的第二分割标签，利用第一医学图像、第一医学图像的第一分割标签、第二医学图像及被修改的第二分割标签训练分割网络模型，提高了分割网络模型的分割精度，得到能够精确分割第二医学图像的分割网络模型。本申请利用第一医学图像、第一医学图像的第一分割标签、第二医学图像及被修改的第二分割标签训练分割网络模型，提高分割网络模型的分割精度，增加了分割网络模型的训练数据集，使分割网络模型输出的分割标签更加精确，提高了第二医学图像的分割效率，极大的减少了人工修改的工作量。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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。其中：
图1是本申请提供的医学图像分割网络模型的训练方法一实施例的流程示意图；
图2是本申请提供的医学图像分割网络模型的训练方法另一实施例的流程示意图；
图3是本申请提供的医学图像的分割方法一实施例的流程示意图；
图4是本申请提供的移动终端一实施例的结构示意图；
图5是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
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，所描述的实施例仅是本申请的一部分实施例，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，都属于本申请保护的范围。
本申请提出了一种医学图像分割网络模型的训练方法，具体请参阅图1，图1是本申请提供的医学图像分割网络模型的训练方法一实施例的流程示意图。本实施例中医学图像分割网络模型的训练方法可以应用于医学图像分割设备，也可应用于具有数据处理能力的服务器。本实施例的医学图像分割网络模型的训练方法具体包括以下步骤：
S101：利用第一医学图像及第一医学图像的第一分割标签对分割网络模型进行训练。
由于现存的使用公开数据集的方式只能对特定形态下的医学图像进行分割，无法对其他形态下的医学图像进行较好的分割，为了增加医学图像分割的普适性，本实施例利用第一医学图像及第一医学图像的第一分割标签对分割网络模型进行训练，得到具有一定分割能力的分割网络模型。
分割网络模型为基于nnU-net(no-new-Net)框架的神经网络模型，nnU-net(no-new-Net)框架为一个自适应任何给定新数据集的框架。
S102：将第二医学图像输入分割网络模型，获得第二分割标签。
由于特定形态下的医学图像和其他形态下的医学图像具有一定的相似性，例如，肝脏医学图像中，肝脏外形相似，肝脏的空间位置相似等，本实施例将其他形态下的医学图像输入由特定形态下的医学图像训练出的分割网络模型中，得到其他形态下医学图像的粗糙分割标签。具体地，本实施例将第二医学图像输入分割网络模型，获得第二医学图像的第二分割标签，由于分割网络模型是由S101中第一医学图像和第一医学图像的第一分割标签训练所得，将第二医学图像作为测试集输入到分割网络模型中，可得到第二医学图像粗糙的第二分割标签。
第一医学图像可以为特定形态下的胸透CT图像、脑部CT图像或腹部CT图像等，第一医学图像的第一分割标签为具有专业知识和临床经验的医生及专家对第一医学图像中的人体部位进行的分割标注，例如，将脑部CT图像中灰质的大小及所在位置分割标注。
第二医学图像可以为待分割标注的不同姿态下的医学图像，第二分割标签为第二医学图像的分割标注。
S103：获取被修改的第二分割标签，利用第一医学图像、第一医学图像的第一分割标签、第二医学图像及被修改的第二分割标签对分割网络模型进行训练。
本步骤中，被修改的第二分割标签是具有专业知识和临床经验的医生及专家基于S102中获取的第二分割标签手动修改分割获得，即对第二分割标签进行修改得到修改后的第二分割标签。
由于S101中具有一定分割能力的分割网络模型是由特定形态下的第一医学图像及第一医学图像的第一分割标签训练而得，而S102中获取的其他形态下的第二医学图像对应的第二分割标签是基于S101中具有一定分割能力的分割网络模型获得，导致第二医学图像的第二分割标签过于粗糙，与具有专业知识和临床经验的医生及专家手动分割出的分割标签相比，误差较大，为提高医学图像分割的准确性及效率，本实施例需利用第一医学图像、第一医学图像的第一分割标签、被修改的第二分割标签及第二医学图像训练分割网络模型，以提高分割网络模型的分割精确性，使获得的分割网络模型输出的医学图像的分割标签相似于具有专业知识和临床经验的医生及专家手动分割出的分割标签。
本实施例中，通过利用特定形态下的第一医学图像及第一医学图像的第一分割标签训练得到具有一定分割能力的分割网络模型，将其他形态下的第二医学图像输入分割网络模型，获取第二医学图像的第二分割标签，获取被修改的第二分割标签，利用第一医学图像、第一医学图像的第一分割标签、第二医学图像及被修改的第二分割标签训练分割网络模型，以得到能够精确分割的网络模型。本申请利用第一医学图像、第一医学图像的第一分割标签图像、第二医学图像及修改的第二分割标签图像训练第二分割网络模型，增加了网络模型的训练数据集；利用第二医学图像和修改的第二分割标签图像训练网络模型，提高了分割网络模型的分割精度及效率；利用修改的第二分割标签图像训练分割网络模型，使得分割网络模型输出的分割标签图像精确，极大的减少了人工修改的工作量。
可参阅图2，图2是本申请提供的医学图像分割网络模型的训练方法另一实施例的流程示意图。为了得到分割医学图像准确的分割网络模型，本实施例医学图像的分割方法具体包括以下步骤：
S201：利用第一医学图像及第一医学图像的第一分割标签对分割网络模型进行训练，得到分割网络模型。
为了得到适用于不同姿态医学图像的分割网络模型，本实施例利用特定形态下的第一医学图像及第一医学图像的第一分割标签对分割网络模型进行训练，得到具有一定分割能力的分割网络模型。
S202：将第二医学图像输入分割网络模型，获得第二分割标签。
本实施例利用特定形态下的医学图像和其他形态下的医学图像的相似性，将第二医学图像输入基于S201获取的具有一定分割能力的分割网络模型进行训练，得到第二医学图像的第二分割标签。
第一医学图像为公开的已分割肝脏医学图像，第二医学图像为不同姿态下的待分割肝脏医学图像，即其他形态下的医学图像。第一医学图像可通过增强CT扫描肝脏获得，第二医学图像可通过平扫CT扫描肝脏获得，不同姿态下的第二医学图像包括平扫CT左侧卧姿态下的肝脏分割医学图像、平扫CT右侧卧姿态下的肝脏分割医学图像、平扫CT平躺姿态下的肝脏分割医学图像。
S203：获取被修改的第二分割标签，利用第一医学图像、第一医学图像的第一分割标签、第二医学图像及被修改的第二分割标签对分割网络模型进行训练。
为了使分割网络模型输出的分割标签相似于具有专业知识和临床经验的医生及专家手动分割出的分割标签，本实施例利用第一医学图像、第一医学图像的第一分割标签、第二医学图像及被修改的第二分割标签训练分割网络模型，提高了分割网络模型的分割精度，扩增了分割网络模型的数据集，使训练所得的分割网络模型对第二医学图像的分割准确且高效。
被修改的第二分割标签为具有专业知识和临床经验的医生及专家对第二分割标签进行手动分割获得。为减少人工修改医学图像的参与工作，本实施例中，具有专业知识和临床经验的医生及专家对分割网络模型输出的第二分割标签进行一次体素级别的标注，后续网络模型的训练无需进行人工标注，或者人工进行极其微小的标注。也就是说，具有专业知识和临床经验的医生及专家对分割网络模型输出的第二分割标签进行一次体素级别的标注后，后续通过对训练好的分割网络模型进行测试，获知分割网络模型的分割准确度，若测试出分割网络模型的分割准确度较好，则无需对该训练好的分割网络模型进行人工标注或进行及其微小的标注。
为了提高分割网络模型的分割精度，本实施例需对分割网络模型输出的第二分割标签进行修改，对训练集中已经修改的第二分割标签不再进行修改，修改只针对分割网络模型输出的未进行修改的第二医学图像的第二分割标签，也就是说，并非所有的第二分割标签都需进行修改。
在具体实施例中，第二医学图像作为测试集输入分割网络模型中，得到第二分割标签，为了减少人工修改的工作量，后续分割网络模型的训练为上一次分割网络模型的训练集加上被修改后的第二分割标签，而本次训练完成后的测试集为除去本次训练集中包含的第二医学图像。
S204：判断网络分割模型输出的第二分割标签是否满足预设要求。
若满足预设要求，则医学图像分割网络模型训练完成，得到分割网络模型。若否，返回S202将第二医学图像输入分割网络模型，获得第二分割标签，并将S203中被修改的第二分割标签和第二医学图像添加到训练集中，以再对分割网络模型进行训练，将未进行训练的被修改的第二分割标签和第二医学图像作为测试集，对训练后的分割网络模型进行测试，若测试满足预设要求则进行S205,如否，则进行S206。
S205：若是，得到分割网络模型。
S206：若否，返回S202。
本实施例，利用第一医学图像及第一分割标签训练得到分割网络模型，将第二医学图像输入分割网络模型中，得到粗糙的第二分割标签，并利用第二医学图像及被修改的第二分割标签训练分割网络模型，以得到适用于不同姿态医学图像的分割网络模型。本实施例利用特定形态下的第一医学图像及第一医学图像的第一分割标签训练得到针对特定情况的分割网络模型，将与特定形态下的第一医学图像具有相似性的不同姿态下的第二医学图像输入网络模型中，并结合工人修改，训练分割网络模型，扩增了训练网络模型的数据集，使网络模型适用于不同姿态下的医学图像，且提高了分割网络模型对第二医学图像的分割准确性，摆脱了对特定形态下的第一医学图像的依赖；将第二医学图像输入分割网络模型，得到第二分割标签，以得到被修改的第二分割标签，对被修改的第二分割标签进行一次修改，减少了人工参与修改标注的工作量，降低了肝脏图像标签制作的时间成本和人工成本，并最大程度降低了标注者主观因素对医学图像分割的影响。
在另一实施例中，可参阅图3，图3是本申请提供的医学图像的分割方法的一实施例的流程示意图。本实施例医学图像的分割方法可应用于上述医学图像分割网络模型的训练方法中训练所得的网络模型，从而提高医学图像分割的效率。下面以用于医学图像分割的服务器为例，介绍本申请提供的医学图像的分割方法，本实施例医学图像的分割方法具体包括以下步骤：
S301：获取待分割的医学图像。
本实施例获取的待分割的医学图像为不同姿态下的待分割肝脏医学图像，待分割肝脏医学图像可由平扫CT扫描肝脏获得，待分割肝脏医学图像可为平扫CT左侧卧姿态下的肝脏待分割医学图像、平扫CT右侧卧姿态下的肝脏待分割医学图像或平扫CT平躺姿态下的肝脏待分割医学图像等。
S302：将待分割的医学图像输入到医学图像分割网络模型，获得医学图像的分割标签。
基于S301中获取的待分割肝脏医学图像，本实施例将待分割的肝脏医学图像输入到医学图像分割网络模型，获得不同姿态下的肝脏医学图像的分割标签。其中，医学图像分割网络模型为上述实施例医学图像分割网络模型的训练方法所训练的网络模型。
本实施例，获取待分割的医学图像，将待分割的医学图像输入到医学图像分割网络模型，获得医学图像的分割标签，提高了医学图像分割的准确性，提高了医学图像分割的效率。
为实现上述实施例的医学图像分割网络模型的训练方法和/或医学图像的分割方法，本申请提出了另一种医学图像的分割设备，具体请参阅图4，图4是本申请提供的医学图像的分割设备一实施例的结构示意图。
分割设备400包括存储器41和处理器42，其中，存储器41和处理器42耦接。
存储器41用于存储程序数据，处理器42用于执行程序数据以实现上述实施例的医学图像分割网络模型的训练方法和/或医学图像的分割方法。
在本实施例中，处理器42还可以称为CPU(Central Processing Unit，中央处理单元)。处理器42可能是一种集成电路芯片，具有信号的处理能力。处理器42还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。通用处理器可以是微处理器或者该处理器42也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质500，如图5所示，计算机存储介质500用于存储程序数据51，程序数据51在被处理器执行时，用以实现如本申请方法实施例中所述的医学图像分割网络模型的训练方法和/或医学图像的分割方法。
本申请医学图像分割网络模型的训练方法和/或医学图像的分割方法实施例中所涉及到的方法，在实现时以软件功能单元的形式存在并作为独立的产品销售或使用时，可以存储在装置中，例如一个计算机可读取存储介质中。基于这样的理解，本申请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，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种医学图像分割网络模型的训练方法，其特征在于，所述训练方法包括：
利用第一医学图像及第一医学图像的第一分割标签对所述分割网络模型进行训练；
将第二医学图像输入所述分割网络模型，获得第二分割标签；
获取被修改的第二分割标签，利用所述第一医学图像、所述第一医学图像的第一分割标签、所述第二医学图像及所述被修改的第二分割标签对所述分割网络模型进行训练。
2.根据权利要求1所述的训练方法，其特征在于，所述训练方法包括：
重复执行步骤：将第二医学图像输入所述分割网络模型，获得第二分割标签；获取被修改的第二分割标签，利用所述第一医学图像、所述第一医学图像的第一分割标签、所述第二医学图像及所述被修改后的第二分割标签对所述分割网络模型进行训练；
直至所述分割网络模型输出的第二分割标签满足预设要求。
3.根据权利要求2所述的训练方法，其特征在于，所述被修改的第二分割标签为人工基于所述第二分割标签进行一次修改后获得。
4.根据权利要求1所述的训练方法，其特征在于，所述分割网络模型基于nnU-Net框架。
5.根据权利要求1所述的训练方法，其特征在于，所述第一医学图像为公开的已分割肝脏医学图像，所述第二医学图像为不同姿态下的待分割肝脏医学图像。
6.根据权利要求5所述的训练方法，其特征在于，所述第一医学图像通过增强CT扫描肝脏获得，所述第二医学图像通过平扫CT扫描肝脏获得。
7.根据权利要求6所述的训练方法，其特征在于，所述第二医学图像包括平扫CT左侧卧姿态下的肝脏分割医学图像、平扫CT右侧卧姿态下的肝脏分割医学图像、平扫CT平躺姿态下的肝脏分割医学图像。
8.一种医学图像的分割方法，其特征在于，所述方法包括：
获取待分割的医学图像；
将所述待分割的医学图像输入到医学图像分割网络模型，获得分割的医学图像；
其中，所述医学图像分割网络模型为权利要求1-7中任一项所述的方法所训练的网络模型。
9.一种医学图像分割设备，其特征在于，所述设备包括存储器以及与所述存储器耦接的处理器；
其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如权利要求1～7任一项所述的医学图像分割网络模型的训练方法和/或权利要求8所述的医学图像的分割方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现如权利要求1～7任一项所述的医学图像分割网络模型的训练方法和/或权利要求8所述的医学图像的分割方法。
CN202010723765.3A 2020-07-24 2020-07-24 医学图像分割网络模型的训练方法、分割方法及相关设备 Active CN112085696B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010723765.3A CN112085696B (zh) 2020-07-24 2020-07-24 医学图像分割网络模型的训练方法、分割方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010723765.3A CN112085696B (zh) 2020-07-24 2020-07-24 医学图像分割网络模型的训练方法、分割方法及相关设备

Publications (2)

Publication Number Publication Date
CN112085696A true CN112085696A (zh) 2020-12-15
CN112085696B CN112085696B (zh) 2024-02-23

Family

ID=73735602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010723765.3A Active CN112085696B (zh) 2020-07-24 2020-07-24 医学图像分割网络模型的训练方法、分割方法及相关设备

Country Status (1)

Country Link
CN (1) CN112085696B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819807A (zh) * 2021-02-24 2021-05-18 成都理工大学 一种用于新冠肺炎的全自动分割方法
CN114004836A (zh) * 2022-01-04 2022-02-01 中科曙光南京研究院有限公司 一种基于深度学习的自适应生物医学影像分割方法
WO2022246677A1 (zh) * 2021-05-26 2022-12-01 深圳高性能医疗器械国家研究院有限公司 一种增强ct图像的重建方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107527351A (zh) * 2017-08-31 2017-12-29 华南农业大学 一种融合fcn和阈值分割的哺乳母猪图像分割方法
CN109344833A (zh) * 2018-09-04 2019-02-15 中国科学院深圳先进技术研究院 医学图像分割方法、分割系统及计算机可读存储介质
CN109410211A (zh) * 2017-08-18 2019-03-01 北京猎户星空科技有限公司 一种图像中目标物体的分割方法及装置
CN109872333A (zh) * 2019-02-20 2019-06-11 腾讯科技（深圳）有限公司 医学影像分割方法、装置、计算机设备和存储介质
CN109934812A (zh) * 2019-03-08 2019-06-25 腾讯科技（深圳）有限公司 图像处理方法、装置、服务器及存储介质
US20190192096A1 (en) * 2017-12-21 2019-06-27 Beijing Curacloud Technology Co., Ltd. Method and device for generating anatomical labels for a physiological tree structure
CN110047128A (zh) * 2018-01-15 2019-07-23 西门子保健有限责任公司 从几个x射线放射照片3d重建x射线ct体积和分割掩模的方法和系统
CN110648762A (zh) * 2019-09-06 2020-01-03 苏州浪潮智能科技有限公司 病灶区识别模型生成方法、装置及病灶区识别方法、装置
CN110880182A (zh) * 2019-11-18 2020-03-13 东声(苏州)智能科技有限公司 图像分割模型训练方法、图像分割方法、装置及电子设备
CN111127471A (zh) * 2019-12-27 2020-05-08 之江实验室 一种基于双标签损失的胃癌病理切片图像分割方法及系统
CN111161301A (zh) * 2019-12-31 2020-05-15 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
CN111192268A (zh) * 2019-12-31 2020-05-22 广州华端科技有限公司 医学图像分割模型构建方法与cbct图像骨分割方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410211A (zh) * 2017-08-18 2019-03-01 北京猎户星空科技有限公司 一种图像中目标物体的分割方法及装置
CN107527351A (zh) * 2017-08-31 2017-12-29 华南农业大学 一种融合fcn和阈值分割的哺乳母猪图像分割方法
US20190192096A1 (en) * 2017-12-21 2019-06-27 Beijing Curacloud Technology Co., Ltd. Method and device for generating anatomical labels for a physiological tree structure
CN110047128A (zh) * 2018-01-15 2019-07-23 西门子保健有限责任公司 从几个x射线放射照片3d重建x射线ct体积和分割掩模的方法和系统
CN109344833A (zh) * 2018-09-04 2019-02-15 中国科学院深圳先进技术研究院 医学图像分割方法、分割系统及计算机可读存储介质
CN109872333A (zh) * 2019-02-20 2019-06-11 腾讯科技（深圳）有限公司 医学影像分割方法、装置、计算机设备和存储介质
CN109934812A (zh) * 2019-03-08 2019-06-25 腾讯科技（深圳）有限公司 图像处理方法、装置、服务器及存储介质
CN110648762A (zh) * 2019-09-06 2020-01-03 苏州浪潮智能科技有限公司 病灶区识别模型生成方法、装置及病灶区识别方法、装置
CN110880182A (zh) * 2019-11-18 2020-03-13 东声(苏州)智能科技有限公司 图像分割模型训练方法、图像分割方法、装置及电子设备
CN111127471A (zh) * 2019-12-27 2020-05-08 之江实验室 一种基于双标签损失的胃癌病理切片图像分割方法及系统
CN111161301A (zh) * 2019-12-31 2020-05-15 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
CN111192268A (zh) * 2019-12-31 2020-05-22 广州华端科技有限公司 医学图像分割模型构建方法与cbct图像骨分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BAOCHUN HE ET AL.: "Automatic Magnetic Resonance Image Prostate Segmentation Based on Adaptive Feature Learning Probability Boosting Tree Initialization and CNN-ASM Refinement", IEEE ACCESS, vol. 6, pages 2005 - 2015, XP011677470, DOI: 10.1109/ACCESS.2017.2781278 *
贺宝春 等: "基于组合 U-Net 网络的 CT 图像头颈放疗危及器官自动分割", 集成技术, vol. 9, no. 2, pages 17 - 24 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819807A (zh) * 2021-02-24 2021-05-18 成都理工大学 一种用于新冠肺炎的全自动分割方法
WO2022246677A1 (zh) * 2021-05-26 2022-12-01 深圳高性能医疗器械国家研究院有限公司 一种增强ct图像的重建方法
CN114004836A (zh) * 2022-01-04 2022-02-01 中科曙光南京研究院有限公司 一种基于深度学习的自适应生物医学影像分割方法

Also Published As

Publication number Publication date
CN112085696B (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
Wang et al. Multiclass CBCT image segmentation for orthodontics with deep learning
Wallner et al. Clinical evaluation of semi-automatic open-source algorithmic software segmentation of the mandibular bone: Practical feasibility and assessment of a new course of action
Qiu et al. Automatic segmentation of the mandible from computed tomography scans for 3D virtual surgical planning using the convolutional neural network
CN112085696A (zh) 医学图像分割网络模型的训练方法、分割方法及相关设备
Egger et al. Pituitary adenoma volumetry with 3D Slicer
AU2015221826B2 (en) System and method for auto-contouring in adaptive radiotherapy
Tmenova et al. CycleGAN for style transfer in X-ray angiography
EP3114645B1 (en) Apparatus and method for generating and using a subject-specific statistical motion model
JP2014174174A (ja) 医用画像処理装置、医用画像診断装置及び画像処理方法
Egger et al. Vertebral body segmentation with GrowCut: Initial experience, workflow and practical application
CN116228787A (zh) 图像勾画方法、装置、计算机设备、存储介质
Ead et al. Development and application of the average pelvic shape in virtual pelvic fracture reconstruction
Yang et al. Label efficient segmentation of single slice thigh CT with two-stage pseudo labels
Li et al. A deep learning approach with temporal consistency for automatic myocardial segmentation of quantitative myocardial contrast echocardiography
CN113538419B (zh) 一种图像处理方法和系统
US12039718B2 (en) Inference apparatus, medical apparatus, and program
CN108109143B (zh) 基于混合活动轮廓模型的医学图像分割方法
Sinha et al. Simultaneous segmentation and correspondence improvement using statistical modes
Zhou et al. Wrist ultrasound segmentation by deep learning
Stebani et al. Towards fully automated inner ear analysis with deep-learning-based joint segmentation and landmark detection framework
Shi et al. Fast shading correction for cone-beam CT via partitioned tissue classification
Al Abboodi et al. Supervised Transfer Learning for Multi Organs 3D Segmentation With Registration Tools for Metal Artifact Reduction in CT Images
Xu et al. Automatic segmentation of orbital wall from CT images via a thin wall region supervision-based multi-scale feature search network
Shankar et al. Leveraging clinically relevant biometric constraints to supervise a deep learning model for the accurate caliper placement to obtain sonographic measurements of the fetal brain
CN113724264B (zh) 图像分割方法、系统和可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant