CN112435263A - 医学图像分割方法、装置、设备、系统及计算机存储介质 - Google Patents
医学图像分割方法、装置、设备、系统及计算机存储介质 Download PDFInfo
- Publication number
- CN112435263A CN112435263A CN202011188299.XA CN202011188299A CN112435263A CN 112435263 A CN112435263 A CN 112435263A CN 202011188299 A CN202011188299 A CN 202011188299A CN 112435263 A CN112435263 A CN 112435263A
- Authority
- CN
- China
- Prior art keywords
- model
- image
- target organ
- segmentation
- target
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20101—Interactive definition of point of interest, landmark or seed
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20156—Automatic seed setting
-
- 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
-
- 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
- G06T2207/30084—Kidney; Renal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请实施例公开了一种医学图像分割方法、装置、设备、系统及计算机存储介质,该方法可以包括调用目标检测模型从待分割的医学图像中检测出目标器官所在的候选区域;调用与神经网络模型不同的目标定位模型从所述候选区域中定位出所述目标器官所在的最终区域;以及调用与所述神经网络模型不同的目标分割模型对所述最终区域进行分割以获得所述目标器官的分割结果。通过利用本申请提供的技术方案,可以实现对医学图像的全自动分割,并且有助于辅助医生进行诊断。
Description
技术领域
本申请涉及医学图像处理技术领域,特别涉及一种医学图像分割方法、装置、设备、系统及计算机可读存储介质。
背景技术
本部分的描述仅提供与本申请公开相关的背景信息,而不构成现有技术。
医学图像分割是医学图像处理与分析领域中的复杂而关键的步骤,其目的是将医学图像中具有某些特殊含义的部分分割出来并提取相关特征,为临床诊疗和病理学研究提供可靠的依据,辅助医生做出更为准确的诊断。由于医学图像自身的复杂性,在分割过程中需要解决组织的灰度不均匀及个体差异等一系列问题,所以一般的图像分割方法难以直接应用于医学图像分割。
目前,针对器官、组织的医学图像,大多数采用手动分割方法或半自动分割方法,这种分割方法需要占用医生大量的时间和精力,这种分割方式主观性强、效率较低并且分割结果无法复现。另外,人体内部环境复杂,很多器官内部存在不同的组织结构,这些组织结构在医学图像中呈现出不同的灰度分布,有些器官与相邻的器官或组织之间的边界可能比较模糊,并且不同个体的器官形状可能存在差异,这使得利用现有技术中的医学图像分割方法所得到的分割结果可能正确率较低,从而可能会影响医生的诊断。
发明内容
本申请实施例的目的是提供一种医学图像分割方法、装置、设备、系统及计算机可读存储介质,以解决现有技术中存在的至少一种问题。
为解决上述技术问题,本申请实施例提供了一种医学图像分割方法,所述方法可以包括:
调用目标检测模型从待分割的医学图像中检测出目标器官所在的候选区域;
调用与神经网络模型不同的目标定位模型从所述候选区域中定位出所述目标器官所在的最终区域;
调用与所述神经网络模型不同的目标分割模型对所述最终区域进行分割以获得所述目标器官的分割结果。
可选地,所述目标检测模型包括经过训练的YOLOv3模型、SSD模型、R-CNN模型或Faster R-CNN模型。
可选地,所述目标定位模型被调用时能够实现区域生长算法或基于图像强度的K均值聚类算法的功能。
可选地,当所述目标定位模型被调用时能够实现区域生长算法的功能时,定位所述最终区域的步骤包括:
(1)根据所述目标器官的结构从所述候选区域中自动选择至少一个像素点作为初始种子点;
(2)根据所述医学图像的类型以及所述目标器官的特征设定所述初始种子点的优先生长方向;
(3)按照所述优先生长方向以及所设置的生长阈值对所述初始种子点进行生长以获得新种子点;
(4)更新所述新种子点的图像强度并按照所述新种子点与所述初始种子点之间的最短距离更新所述生长阈值;
(5)按照所述优先生长方向和更新后的所述生长阈值对所述新种子点进行生长;
(6)重复上述步骤(4)-(5)直到获得所有满足预先设置的生长条件的种子点为止,并根据所得到的所有种子点所覆盖的区域边界来确定所述最终区域。
可选地,对所述最终区域进行分割的步骤包括:
获取所述目标器官的初始轮廓;
根据所获得的目标器官的初始轮廓,调用所述目标分割模型中的第二子模型对所述最终区域进行逐层分割以获得所述目标器官的分割结果,其中,所述第二子模型被调用时能够实现距离正则化水平集算法或改进的距离正则化水平集算法的功能。
可选地,获取所述目标器官的初始轮廓的步骤包括:
根据所述目标器官的位置信息直接从所述最终区域中提取所述初始轮廓,或者
调用所述目标分割模型中的第一子模型并根据所述最终区域从所述目标检测模型输出的检测结果中获取所述初始轮廓,其中,所述第一子模型被调用时能够实现GrabCut算法、图割算法或GrowCut算法的功能。
可选地,当所述第二子模型被调用来实现改进的距离正则化水平集算法的功能时,调用所述目标分割模型中的第二子模型对所述最终区域进行逐层分割的步骤包括:
根据所获取的目标器官的初始轮廓,初始化所述第二子模型中的水平集函数并调整所述第二子模型中的能量函数;
调用所述水平集函数和所述能量函数对所述最终区域中的第一断层图像进行分割;
根据所述第一断层图像的分割结果,调整所述水平集函数和所述能量函数;
调用调整后的所述水平集函数和所述能量函数对所述最终区域中的与所述第一断层图像相邻的第二断层图像进行分割;
重复上述调整和分割过程,直到完成所述最终区域中的所有断层图像的分割以获得所述目标器官的分割结果。
可选地,对所述最终区域进行分割的步骤包括:
调用所述目标分割模型中的第二子模型对所述最终区域进行逐层分割以获得所述目标器官的分割结果,其中,所述第二子模型包括C-V活动轮廓模型。
可选地,在对所述医学图像进行检测之前,所述方法还包括:
对待分割的所述医学图像进行预处理。
可选地,对所述医学图像进行预处理包括执行以下操作中的至少一种:
调整所述医学图像的窗宽和/或窗位、增强所述医学图像中的所述目标器官的对比度、以及对所述医学图像进行滤波。
可选地,所述方法还包括:
对所述目标器官的分割结果进行优化处理。
可选地,对所述目标器官的分割结果进行优化处理的步骤包括:
当所述分割结果为二维图像序列时,将所述二维图像序列处理成三维图像;
对所述三维图像进行形态学处理;
根据所述医学图像中的所述目标器官的三维结构信息,调用三维距离正则化水平集算法重新建立经过所述形态学处理的所述三维图像中的所述目标器官的三维轮廓。
可选地,所述方法还包括:
从优化处理后的所述分割结果中获得所述目标器官内的特定部分的图像。
可选地,获得所述特定部分的图像的步骤包括:
计算所述目标器官的所述分割结果的图像强度分布;
根据所述目标器官的图像强度分布确定分割所述特定部分的最佳阈值;
按照所述最佳阈值对所述分割结果进行分割以获得所述特定部分的图像。
可选地,所述医学图像包括含有所述目标器官的CT图像、MRI图像、PET图像。
可选地,所述目标器官包括人体或动物的脑部、心脏、肝脏、肾脏、肺部、胆囊、胰腺、甲状腺、泌尿系统或子宫。
本申请实施例还提供了一种图像分割装置,所述装置可以包括:
检测模块,其被配置为调用目标检测模型从待分割的医学图像中检测出目标器官所在的候选区域;
定位模块,其被配置为调用与神经网络模型不同的目标定位模型从所述候选区域中定位出所述目标器官所在的最终区域;
分割模块,其被配置为调用与所述神经网络模型不同的目标分割模型对所述最终区域进行分割以获得所述目标器官的分割结果。
可选地,所述装置还包括:
预处理模块,其被配置为对待分割的所述医学图像进行预处理。
可选地,所述装置还包括:
优化模块,其被配置为对所述目标器官的分割结果进行优化处理。
可选地,所述装置还包括:
提取模块,其被配置为从所述优化模块处理后的所述分割结果中提取所述目标器官内的特定部分的图像。
可选地,所述装置还包括:
交互模块,其被配置为接收用户指令、将所述用户指令发送给所述装置中的至少一个模块并显示所述至少一个模块的处理结果。
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时能够实现上述图像分割方法。
本申请实施例还提供了一种计算机设备,所述计算机设备包括处理器和存储器,其中,所述存储器上存储有计算机程序,当所述计算机程序被执行时,所述处理器执行上述图像分割方法。
本申请实施例还提供了一种图像分割系统,所述系统包括上述计算机设备以及与所述计算机设备连接的扫描设备。
可选地,所述扫描设备包括CT扫描仪、MRI扫描仪、PET探测器或PET-CT设备。
由以上本申请实施例提供的技术方案可见,本申请实施例通过调用目标检测模型从待分割的医学图像中检测出目标器官所在的候选区域,调用与神经网络模型不同的目标定位模型从候选区域中定位出目标器官所在的最终区域,以及调用与神经网络模型不同的目标分割模型对最终区域进行分割以获得目标器官的分割结果,这可以实现对医学图像的全自动分割。而且,在确定出医学图像中的目标器官所在的候选区域基础上,再确定出目标器官所在的最终区域,这可以实现对目标器官的精确定位,从而可以提高后续分割结果的准确性,进而有助于辅助医生进行诊断。
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中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请的一个实施例中的医学图像分割方法的应用环境图;
图2是本申请的一个实施例提供的医学图像分割方法的流程示意图;
图3(a)和图3(b)是目标检测模型输出的检测结果;
图4是目标器官为肾脏时所获得的初始轮廓;
图5是目标器官为肾脏时所获得的分割结果;
图6是本申请的一个实施例提供的医学图像分割方法的流程示意图;
图7是优化处理后的分割结果;
图8(a)和图8(b)分别是所获得的肾皮质和肾髓质的图像;
图9是本申请的一个实施例提供的医学图像分割装置的结构示意图;
图10是本申请的另一个实施例提供的医学图像分割装置的结构示意图;
图11是本申请的一个实施例提供的计算机设备的结构示意图;
图12是本申请的另一个实施例提供的计算机设备的结构示意图;
图13是本申请的一个实施例提供的图像处理系统的结构示意图。
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,所描述的实施例仅仅是用于解释说明本申请的一部分实施例,而不是全部的实施例,并不希望限制本申请的范围或权利要求书。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的前提下所获得的所有其它实施例,都应当属于本申请保护的范围。
需要说明的是,当元件被称为“设置在”另一个元件上,它可以直接设置在另一个元件上或者也可以存在居中的元件。当元件被称为“连接/联接”至另一个元件,它可以是直接连接/联接至另一个元件或者可能同时存在居中元件。本文所使用的术语“连接/联接”可以包括电气和/或机械物理连接/联接。本文所使用的术语“包括/包含”指特征、步骤或元件的存在,但并不排除一个或更多个其它特征、步骤或元件的存在或添加。本文所使用的术语“和/或”包括一个或多个相关所列项目的任意的和所有的组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述具体实施例的目的,而并不是旨在限制本申请。
另外,在本申请的描述中,术语“第一”、“第二”、“第三”等仅用于描述目的和区别类似的对象,两者之间并不存在先后顺序,也不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本申请实施例提供的医学图像分割方法可以适用于如图1所示的应用环境中。该方法可以应用于计算机设备。该计算机设备包括通过网络连接的终端1000和服务器2000。该方法可以在终端1000或服务器2000中执行,例如,终端1000可直接从扫描设备获取目标对象(例如,人体或动物体)的医学图像,并在终端侧执行上述方法;或者,终端1000也可在获取目标对象的医学图像后将医学图像发送至服务器2000,使得服务器2000获取目标对象的医学图像并执行上述方法。终端1000具体可以是台式终端(例如,台式电脑)或移动终端(例如,笔记本电脑、平板电脑、手机或个人数字助理)。服务器2000可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
需要说明的是,本申请实施例提供的医学图像分割方法,其执行主体可以是医学图像分割装置,该医学图像分割装置可以通过软件、硬件或者软硬件结合的方式实现为上述终端或服务器的一部分或全部。
下面结合具体实施例对本申请提供的医学图像分割方法进行详细说明。
图2为本申请的一个实施例提供的医学图像分割方法,该方法可以由医学图像分割装置执行,并且可以包括如下步骤:
S1:调用目标检测模型从待分割的医学图像中检测出目标器官所在的候选区域。
医学图像可以是指对人体或动物体内的至少一种器官进行扫描而获得的图像,其可以包括电子计算机断层扫描(Computed Tomography,CT)图像、磁共振成像(MagneticResonance Imaging,MRI)图像和/或正电子发射型计算机断层显像(Positron EmissionComputed Tomography,PET)图像等图像类型,并且可以包括上述图像类型的横断面和/或冠状面的截面断层图像(以下统称为横断面图像和/或冠状面图像),但不限于此。目标器官可以包括脑部、心脏、肝脏、肾脏、肺部、胆囊、胰腺、甲状腺、泌尿系统或子宫等,但不限于此。
目标检测模型可以是经过训练的深度学习模型,例如,卷积神经网络模型(例如,YOLOv3(You Only Look Once Version 3)模型、SSD(Single Shot MultiBox Detector)模型、R-CNN(Region-based Convolutional Neural Networks)模型或Faster R-CNN模型等),并且其可以是从医学图像分割装置外部的装置或者医学图像分割装置本地获取的。目标检测模型可以是通过利用针对目标器官的多组医学样本图像对所构建的深度学习模型进行训练来获得的。具体地:可以将针对目标器官的医学样本图像输入到所建立的深度学习模型中,并对医学样本图像进行前向传播计算和反向传播计算以得到深度学习模型的网络权重参数,然后将深度学习模型的原始网络参数调整为所得到的网络权重参数,重复前向传播计算和反向传播计算的过程,直到该深度学习模型所输出的目标检测结果与所输入的医学样本图像相似度达到预设阈值,将此时的网络权重参数确定为该深度学习模型的最终网络参数,并且将该深度学习模型确定为目标检测模型。
在获取待分割的含有目标器官的医学图像之后,可以将该医学图像输入到目标检测模型中,从而可以从该医学图像中检测出目标器官所在的候选区域,该候选区域可以指示目标器官在该医学图像中的粗略位置。
下面以目标检测模型为经过训练的YOLOv3模型并且目标器官为肾脏为例来说明执行该步骤后检测出的肾脏所在的候选区域。
当将含有肾脏的医学图像输入到YOLOv3模型进行检测之后,其可以输出以下左肾和右肾的冠状面图像和横断面图像(如图3(a)-图3(b)中的矩形框所示)及其置信度(例如,左肾:0.93,右肾:1.00等)。
S2:调用与神经网络模型不同的目标定位模型从候选区域中定位出目标器官所在的最终区域。
目标定位模型可以是指能够从图像中的候选区域内对目标对象(例如,人体器官)进行精确定位的算法模型,其不需要利用图像样本数据进行训练,并且其定位准确度一般高于神经网络模型。目标定位模型可以包括能够实现基于区域的分割算法(例如,区域生长算法)、基于边缘的分割算法或基于阈值的分割算法(例如,基于图像强度的K均值聚类算法)等算法的功能的模型,但不限于此。
在从医学图像中检测出目标器官所在的候选区域之后,可以调用目标定位模型从该候选区域中定位出目标器官所在的最终区域,该最终区域可以指示目标器官在医学图像中的精确位置。
下面以目标定位模型为能够实现区域生长算法和K均值聚类算法的功能的模型为例来说明该步骤的具体执行过程。
针对区域生长算法:在从医学图像中检测出候选区域之后,针对每张医学图像,(1)可以根据目标器官的结构从医学图像中的候选区域中自动选择至少一个像素点作为初始种子点;(2)根据医学图像的类型以及目标器官的特征设定初始种子点的优先生长方向;(3)按照所确定的优先生长方向以及所设置的生长阈值对初始种子点进行向外生长以获得新种子点;(4)更新所获得的新种子点的图像强度,例如,可以利用指数加权平均方法来更新图像强度,并按照新种子点与初始种子点之间的最短距离更新生长阈值,如下式(1)和(2)所示;(5)按照所确定的优先生长方向以及更新后的生长阈值对新种子点进行向外生长;重复上述步骤(4)-(5)直到获得所有满足预先设置的生长条件的种子点为止,并根据所得到的所有种子点所覆盖的区域边界来确定目标器官所在的最终区域,该最终区域可以为边界以内的所有种子点所覆盖的区域,也可以是根据边界从所有种子点覆盖的区域中划分出的区域。所述优先生长方向可以是指优先生长种子点的方向,例如,当目标器官为肾脏时,其为高灰度区域所在方向;当目标器官为肺部时,其为低灰度区域所在方向。所述生长条件可以是指位于目标器官的边界的种子点到其最近的所有种子点的距离相似。
An=β×An-1+(1-β)×Pn (1)
其中,An表示第n次生长后所获得的新种子点的图像强度;Pn表示第n个符合生长条件的像素点的图像强度;β为指数加权平均的参数;A0的值为0,在n较小的情况下,An的值有很大的偏差,可以通过除以(1-βn)修正此偏差;T表示生长阈值的初始值;Tn表示判断某个像素点是否为第n个种子点的生长阈值;In表示像素点的图像强度;τ表示向低图像强度区域生长的苛刻程度,τ越大,则向低图像强度区域生长时的难度越大;Dn表示像素点到最近的初始种子点的欧氏距离;ρ表示距离控制参数,ρ越大,则距离对生长阈值的影响越弱;n为正整数。
例如,当目标器官为肾脏时,可以在左肾和右肾的冠状面检测结果中分别自动选择三个种子点:针对左肾,所选择的种子点包括冠状面检测结果的中心点与其左边界之间的中点、该中心点与其上边界之间的中点、以及该中心点与其下边界之间的终点;针对右肾,所选择的种子点包括冠状面检测结果的中心点与其右边界之间的中点、该中心点与其上边界之间的中点、以及该中心点与其下边界之间的中点,从而可以保障肾脏外边界上的任一点到最近的初始种子点的距离是相似的。需要说明的是,上述左、右边界和上、下边界均是指候选区域的边界,即,图3(a)-图3(b)中所示的矩形框的边界。此时,优先生长方向可以是指肾皮质所在方向。通过将肾皮质所在方向确定为优先生长方向并且按照该方向对初始种子点进行向外生长,可以得到左、右肾脏在冠状面图像上的精确的上、下限坐标,其为包含肾脏信息的横断面图像的起始张数和终止张数。而且,通过在生长过程中不断更新种子点的图像强度,使得种子点的图像强度可以逐渐逼近肾皮质区域的强度,这可以避免因为初始种子点的图像强度的偏差引起错误生长。
例如,当目标器官为肾脏时,所获得的生长结果可以如图4所示。
针对K均值聚类算法:在从医学图像中检测出候选区域之后,可以对候选区域进行聚类分割,并且将聚类分割结果中满足预设条件(例如,体积最大)的一个聚类所覆盖的区域确定为目标器官(例如,肝脏)所在的最终区域。关于如何进行聚类分割,可以参照现有技术中对K均值聚类算法的相关描述,在此不再赘叙。
S3:调用与神经网络模型不同的目标分割模型对最终区域进行分割以获得目标器官的分割结果。
目标分割模型可以是指能够直接对图像进行逐层分割的算法模型,而不需要利用图像样本数据进行训练,并且相对于神经网络模型而言,对于特定目标,利用目标分割模型获得的图像分割结果的准确性一般更高。目标分割模型可以为活动轮廓模型,并且可以包括第一子模型和第二子模型,其中,第一子模型主要用于从医学图像中提取目标器官的初始轮廓,其可以实现GrabCut算法、图割算法或GrowCut算法等算法的功能;第二子模型可以用于对所提取出的初始轮廓进行逐层分割,其可以实现距离正则化水平集(DistanceRegularized Level Set Evolution,DRLSE)算法、改进的DRLSE(Advanced DistanceRegularized Level Set Evolution,ADRLSE)算法或C-V活动轮廓模型等算法的功能,但不限于此。
GrabCut算法可以根据最终区域对目标区域与背景区域分别建立高斯混合模型,判定每个像素点归属于目标区域或背景区域的概率,通过最小化其能量函数实现图像分割。
DRLSE算法主要是将一条平面封闭曲线看作是三维曲面与某一平面的交线,用三维曲面的演化过程代替平面封闭曲线的演化过程。该算法通过能量函数的偏微分方程来求解能量函数的最小值以获得其梯度流,根据其梯度流指示的梯度变化推进水平集函数的演化并迭代求解能量函数的最小值,从而实现图像分割。
例如,针对二维DRLSE算法,其水平集函数的初始值以及能量函数分别如下式(3)和(4)所示。
其中,是水平集函数,即是其初始值;c0是大于零的常数;O是所获得的初始轮廓所在区域;x和y是像素点的坐标;是能量函数;是正则化项,用于在水平集函数的演化过程中保持其规则性;和分别是长度项和面积项,用于驱使水平集函数向目标边缘演化;μ、λ和α分别是正则化项、长度项和面积项的权重参数。
需要说明的是,与二维DRLSE算法相比,三维DRLSE算法的能量函数的构造并无变化,只是长度项、面积项以及正则化项各增加一维度。
关于GrabCut算法、图割算法、GrowCut算法和DRLSE算法的详细描述,可以参照现有技术,在此不再赘叙。
ADRLSE算法主要是在现有的DRLSE算法的基础上,基于固定窄带范围内的相邻断层图像之间的结构相似性调整上述能量函数中的面积项系数以及根据固定窄带范围内的对比度调整长度项和面积项中的边缘指示函数,从而可以提高图像分割的准确性。其中,固定窄带范围可以是指以目标器官的轮廓曲线为中心生成的具有固定宽度的区域,结构相似性可以指示亮度、对比度和/或图像结构等属性上的相似程度。
在定位出目标器官所在的最终区域之后,可以调用目标分割模型对最终区域进行分割以获得目标器官的分割结果。
针对第二子模型被调用时能够实现距离正则化水平集算法或改进的距离正则化水平集算法的功能的情况,该步骤具体可以包括以下子步骤:
(1)获取目标器官的初始轮廓。
可以根据目标器官的位置信息直接从医学图像的最终区域中提取其初始轮廓。例如,针对肾脏,可以通过医学图像中的位于肾脏轴向位四分之一与四分之三位置处的横断面图像来获取肾脏的初始轮廓。
也可以通过调用第一子模型并根据最终区域从目标检测模型输出的检测结果中获取目标器官的初始轮廓。具体地,可以根据目标器官的位置信息从最终区域中选取起始位置(例如,位于肾脏轴向位四分之一与四分之三位置),调用第一子模型从该起始位置对目标检测模型输出的候选区域进行分割,从而获得目标器官的初始轮廓。
(2)根据所获得的目标器官的初始轮廓,调用第二子模型对最终区域进行逐层分割以获得目标器官的分割结果。
在获取目标器官的初始轮廓之后,可以调用第二子模型并根据该初始轮廓对目标图像进行逐层分割以获得目标器官的分割结果。下面以ADRLSE算法为例来说明该步骤的具体执行过程。
根据所获取的目标器官的初始轮廓,初始化第二子模型中的水平集函数并调整第二子模型中的能量函数,调用水平集函数和能量函数对最终区域中的第一断层图像进行分割,根据第一断层图像的分割结果,调整水平集函数和能量函数,并且调用水平集函数和能量函数对最终区域中的与第一断层图像相邻的第二断层图像进行分割,重复这种调整和分割过程,直到完成最终区域中的所有断层图像的分割,从而获得目标器官的二维或三维形式的分割结果。
调整第二子模型中的能量函数可以包括根据固定窄带范围内的相邻断面图像之间的结构相似性调整能量函数中的面积项系数以及根据固定窄带范围内的目标器官所在区域的对比度调整能量函数中的长度项和面积项中的边缘指示函数。
当目标器官为肾脏时,所获得的分割结果可以如图5所示。
针对第二子模型为C-V活动轮廓模型的情况,可以直接调用目标分割模型中的第二子模型对最终区域进行分割以获得目标器官(例如,肝脏)的分割结果。具体地,可以根据最终区域来初始化第二子模型中的水平集函数和能量函数,并且在分割过程中调用能量函数对水平集函数进行演化,当水平集函数不再变化时完成分割,并且可以将此时获得的目标器官的三维图像作为其分割结果。关于具体分割过程,可以参照现有技术中对C-V活动轮廓模型的描述,在此不再赘叙。
通过上述描述可以看出,本申请实施例通过调用目标检测模型从待分割的医学图像中检测出目标器官所在的候选区域,调用与神经网络模型不同的目标定位模型从候选区域中定位出目标器官所在的最终区域,以及调用与神经网络模型不同的目标分割模型对最终区域进行分割以获得目标器官的分割结果,这可以实现对医学图像的全自动分割。而且,在确定出医学图像中的目标器官所在的候选区域基础上,再确定出目标器官所在的最终区域,这可以实现对目标器官的精确定位,从而可以提高后续分割结果的准确性,从而有助于辅助医生进行诊断,进而可以提高诊断结果的准确性并提高诊断效率。另外,采用能够实现改进的DRLSE算法的功能的目标分割模型来对目标图像进行分割,这可以进一步提高分割结果的准确性,可以防止出现过分割或欠分割。
在本申请的另一实施例中,如图6所示,在步骤S1之前,该方法还可以包括以下步骤:
S0:对所获取的待分割的医学图像进行预处理。
在获取到需要进行分割的医学图像之后,可以对该医学图像进行预处理,所述预处理包括以下操作中的至少一种:调整医学图像的窗宽和/或窗位、增强医学图像中的目标器官的对比度、以及对医学图像进行滤波。具体地,可以根据目标器官在医学图像中的值域范围,调整医学图像的窗宽和/或窗位,例如,针对增强CT图像中的肾脏器官,可以将其窗宽调整为300~500HU,将其窗位调整为30-50HU,以抑制或去除医学图像中的噪声和无用的信息;也可以增强医学图像的对比度,还可以利用各向异性扩散滤波、高斯滤波、双边滤波、中值滤波、均值滤波等任一种滤波方法对该医学图像进行滤波处理,以提高医学图像的质量,从而有助于提高后续分割结果的准确性。
关于上述滤波处理的具体过程,可以参照现有技术中的相关描述。
在本申请的另一实施例中,如图6所示,在步骤S3之后,该方法还可以包括以下步骤:
S4:对所获得的分割结果进行优化处理。
在获得目标器官的分割结果之后,可以对分割结果进行优化处理。具体地:
当所获得的分割结果为二维图像序列时,可以将其处理成三维图像;对该三维图像进行形态学处理,所述形态学处理可以包括开运算或闭运算等,其中,开运算是指在对三维图像进行腐蚀运算后再对其进行膨胀运算,闭运算是指在对三维图像进行膨胀运算后再对其进行腐蚀运算,以消除三维图像的原始轮廓;根据原始的医学图像中的目标器官的结构信息,调用三维距离正则化水平集算法重新建立经过形态学处理的三维图像中的目标器官的三维轮廓,从而实现对分割结果的修正与优化。
当所获得的分割结果为三维图像时,可以直接对该三维图像进行上述形态学处理,然后根据原始的医学图像中的目标器官的结构信息,调用三维距离正则化水平集算法重新建立经过形态学处理的三维图像中的目标器官的三维轮廓。
关于形态学处理的具体过程,可以参照现有技术中的相关描述,在此不再赘叙。
当目标器官为肾脏时,通过本步骤处理后所得到的分割结果可以如图7所示。
在本申请的另一实施例中,如图6所示,在步骤S3之后,该方法还包括以下步骤:
S5:从优化处理后的分割结果中提取目标器官内的特定部分的图像。
所述特定部分可以是指目标器官内的至少一个组成部分,例如,针对肾脏,所述特定部分可以包括肾皮质和/或肾髓质。
在对目标器官的分割结果进行优化处理以获得三维形式的分割结果后,可以调用像大津法这样的基于阈值的分割算法从分割结果中提取特定部分的图像。具体地,可以计算目标器官的图像强度分布,根据目标器官的图像强度分布确定分割特定部分的最佳阈值,按照最佳阈值对分割结果进行分割以提取该特定部分的图像。关于具体计算和分割过程,可以参照现有技术中对大津法的详细描述,在此不再赘叙。
当目标器官为肾脏且特定部分为肾皮质和/或肾髓质时,通过根据肾脏的总体信息确定分割肾皮质和/或肾髓质的最佳阈值,这可以避免某些横断面图像中由于肾皮质和/或肾髓质的分布不均造成阈值选择不适而导致的错误分割结果。所获得的肾皮质和肾髓质的图像可以如图8(a)-图8(b)所示。
本申请实施例还提供了一种图像分割装置,如图9所示,其可以包括:
检测模块120,其可以被配置为调用目标检测模型从待分割的医学图像中检测出目标器官所在的候选区域;
定位模块130,其可以被配置为调用与神经网络模型不同的目标定位模型从候选区域中定位出目标器官所在的最终区域;
分割模块140,其可以被配置为调用与神经网络模型不同的目标分割模型对最终区域进行分割以获得目标器官的分割结果。
在另一实施例中,如图10所示,该图像分割装置还可以包括预处理模块110,其可以被配置为对待分割的医学图像进行预处理。
在另一实施例中,如图10所示,该图像分割装置还可以包括优化模块150,其可以被配置为对目标器官的分割结果进行优化处理。
在另一实施例中,如图10所示,该图像分割装置还可以包括提取模块160,其可以被配置为从优化模块150处理后的分割结果中提取目标器官内的特定部分的图像。另外,提取模块160可以与优化模块150集成为一体。
在另一实施例中,如图10所示,该图像分割装置还可以包括交互模块100,其可以被配置为接收用户指令、将用户指令发送给图像分割装置中的上述至少一个模块(即,预处理模块110、检测模块120、定位模块130、分割模块140、优化模块150以及提取模块160中的至少一个)、以及显示至少一个模块的处理结果。通过交互模块100,可以实现用户与该图像分割装置之间的交互。
关于上述模块的详细描述,可以参照上述方法实施例中的对应描述,在此不再赘叙。
通过利用本申请实施例提供的上述图像分割装置,可以实现对医学图像的全自动分割,并且有助于辅助医生进行诊断。
图11示出了一个实施例中的计算机设备的结构示意图。该计算机设备具体可以是图1中的终端1000。如图11所示,该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示器。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质可以存储有操作系统,还可以存储有计算机程序,在该计算机程序被处理器执行时,可使得处理器执行上述实施例中描述的图像分割方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,执行上述实施例中描述的图像分割方法。
图12示出了另一个实施例中的计算机设备的结构示意图。该计算机设备具体可以是图1中的服务器2000。如图12所示,该计算机设备包括通过系统总线连接的处理器、存储器以及网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器执行上述实施例中描述的医学图像分割方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,执行上述实施例中描述的图像分割方法。
本领域技术人员可以理解,图11和图12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的限定,具体的计算机设备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配置。
在一个实施例中,如图13所示,本申请还提供了一种图像分割系统,该图像分割系统可以包括图11或图12中的计算机设备以及与其连接的扫描设备,该扫描设备可以用于通过对人体或动物体进行扫描而获得医学图像并且将所获得的医学图像提供给计算机设备。该扫描设备可以是能够探测放射性射线的任意设备,例如,可以包括CT扫描仪、MRI扫描仪、PET探测器或PET-CT设备等,但不限于此。
在一个实施例中,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,该计算机程序被执行时能够实现上述方法实施例中描述对应的功能。该计算机程序还可在如图11或图12所示的计算机设备上运行。该计算机设备的存储器包含组成该装置的各个程序模块,各个程序模块构成的计算机程序被执行时能够实现与上述实施例中描述的图像分割方法中的各个步骤所对应的功能。
本领域普通技术人员可以理解实现上述实施例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,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储介质、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
上述实施例阐明的系统、设备、装置、单元等,具体可以由半导体芯片、计算机芯片和/或实体实现,或者由具有某种功能的产品来实现。为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个芯片中实现。
虽然本申请提供了如上述实施例或流程图所述的方法操作步骤,但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本申请实施例提供的执行顺序。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其它实施例的不同之处。另外,以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
上述实施例是为便于该技术领域的普通技术人员能够理解和使用本申请而描述的。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改,并把在此说明的一般原理应用到其它实施例中而不必经过创造性的劳动。因此,本申请不限于上述实施例,本领域技术人员根据本申请的揭示,不脱离本申请范畴所做出的改进和修改都应该在本申请的保护范围之内。
Claims (25)
1.一种医学图像分割方法,其特征在于,所述方法包括:
调用目标检测模型从待分割的医学图像中检测出目标器官所在的候选区域;
调用与神经网络模型不同的目标定位模型从所述候选区域中定位出所述目标器官所在的最终区域;
调用与所述神经网络模型不同的目标分割模型对所述最终区域进行分割以获得所述目标器官的分割结果。
2.根据权利要求1所述的方法,其特征在于,所述目标检测模型包括经过训练的YOLOv3模型、SSD模型、R-CNN模型或Faster R-CNN模型。
3.根据权利要求1所述的方法,其特征在于,所述目标定位模型被调用时能够实现区域生长算法或基于图像强度的K均值聚类算法的功能。
4.根据权利要求3所述的方法,其特征在于,当所述目标定位模型被调用时能够实现区域生长算法的功能时,定位所述最终区域的步骤包括:
(1)根据所述目标器官的结构从所述候选区域中自动选择至少一个像素点作为初始种子点;
(2)根据所述医学图像的类型以及所述目标器官的特征设定所述初始种子点的优先生长方向;
(3)按照所述优先生长方向以及所设置的生长阈值对所述初始种子点进行生长以获得新种子点;
(4)更新所述新种子点的图像强度,并按照所述新种子点与所述初始种子点之间的最短距离更新所述生长阈值;
(5)按照所述优先生长方向和更新后的所述生长阈值对所述新种子点进行生长;
(6)重复上述步骤(4)-(5)直到获得所有满足预先设置的生长条件的种子点为止,并根据所得到的所有种子点所覆盖的区域边界来确定所述最终区域。
5.根据权利要求1所述的方法,其特征在于,对所述最终区域进行分割的步骤包括:
获取所述目标器官的初始轮廓;
根据所获得的目标器官的初始轮廓,调用所述目标分割模型中的第二子模型对所述最终区域进行逐层分割以获得所述目标器官的分割结果,其中,所述第二子模型被调用时能够实现距离正则化水平集算法或改进的距离正则化水平集算法的功能。
6.根据权利要求5所述的方法,其特征在于,获取所述目标器官的初始轮廓的步骤包括:
根据所述目标器官的位置信息直接从所述最终区域中提取所述初始轮廓,或者
调用所述目标分割模型中的第一子模型并根据所述最终区域从所述目标检测模型输出的检测结果中获取所述初始轮廓,其中,所述第一子模型被调用时能够实现GrabCut算法、图割算法或GrowCut算法的功能。
7.根据权利要求5所述的方法,其特征在于,当所述第二子模型被调用来实现改进的距离正则化水平集算法的功能时,调用所述目标分割模型中的第二子模型对所述最终区域进行逐层分割的步骤包括:
根据所获取的目标器官的初始轮廓,初始化所述第二子模型中的水平集函数并调整所述第二子模型中的能量函数;
调用所述水平集函数和所述能量函数对所述最终区域中的第一断层图像进行分割;
根据所述第一断层图像的分割结果,调整所述水平集函数和所述能量函数;
调用调整后的所述水平集函数和所述能量函数对所述最终区域中的与所述第一断层图像相邻的第二断层图像进行分割;
重复上述调整和分割过程,直到完成所述最终区域中的所有断层图像的分割以获得所述目标器官的分割结果。
8.根据权利要求1所述的方法,其特征在于,对所述最终区域进行分割的步骤包括:
调用所述目标分割模型中的第二子模型对所述最终区域进行逐层分割以获得所述目标器官的分割结果,其中,所述第二子模型包括C-V活动轮廓模型。
9.根据权利要求1所述的方法,其特征在于,在对所述医学图像进行检测之前,所述方法还包括:
对待分割的所述医学图像进行预处理。
10.根据权利要求9所述的方法,其特征在于,对所述医学图像进行预处理包括执行以下操作中的至少一种:
调整所述医学图像的窗宽和/或窗位、增强所述医学图像中的所述目标器官的对比度、以及对所述医学图像进行滤波。
11.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述目标器官的分割结果进行优化处理。
12.根据权利要求11所述的方法,其特征在于,对所述目标器官的分割结果进行优化处理的步骤包括:
当所述分割结果为二维图像序列时,将所述二维图像序列处理成三维图像;
对所述三维图像进行形态学处理;
根据所述医学图像中的所述目标器官的三维结构信息,调用三维距离正则化水平集算法重新建立经过所述形态学处理的所述三维图像中的所述目标器官的三维轮廓。
13.根据权利要求12所述的方法,其特征在于,所述方法还包括:
从优化处理后的所述分割结果中获得所述目标器官内的特定部分的图像。
14.根据权利要求13所述的方法,其特征在于,获得所述特定部分的图像的步骤包括:
计算所述目标器官的所述分割结果的图像强度分布;
根据所述目标器官的图像强度分布确定分割所述特定部分的最佳阈值;
按照所述最佳阈值对所述分割结果进行分割以获得所述特定部分的图像。
15.根据权利要求1所述的方法,其特征在于,所述医学图像包括含有所述目标器官的CT图像、MRI图像、PET图像。
16.根据权利要求1所述的方法,其特征在于,所述目标器官包括人体或动物的脑部、心脏、肝脏、肾脏、肺部、胆囊、胰腺、甲状腺、泌尿系统或子宫。
17.一种图像分割装置,其特征在于,所述装置包括:
检测模块,其被配置为调用目标检测模型从待分割的医学图像中检测出目标器官所在的候选区域;
定位模块,其被配置为调用与神经网络模型不同的目标定位模型从所述候选区域中定位出所述目标器官所在的最终区域;
分割模块,其被配置为调用与所述神经网络模型不同的目标分割模型对所述最终区域进行分割以获得所述目标器官的分割结果。
18.根据权利要求17所述的装置,其特征在于,所述装置还包括:
预处理模块,其被配置为对待分割的所述医学图像进行预处理。
19.根据权利要求17所述的装置,其特征在于,所述装置还包括:
优化模块,其被配置为对所述目标器官的分割结果进行优化处理。
20.根据权利要求19所述的装置,其特征在于,所述装置还包括:
提取模块,其被配置为从所述优化模块处理后的所述分割结果中提取所述目标器官内的特定部分的图像。
21.根据权利要求17-20中任一项所述的装置,其特征在于,所述装置还包括:
交互模块,其被配置为接收用户指令、将所述用户指令发送给所述装置中的至少一个模块并显示所述至少一个模块的处理结果。
22.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时能够实现如权利要求1-16中任一项所述的图像分割方法。
23.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,其中,所述存储器上存储有计算机程序,当所述计算机程序被执行时,所述处理器执行如权利要求1-16中任一项所述的图像分割方法。
24.一种图像分割系统,其特征在于,所述系统包括如权利要求23中所述的计算机设备以及与所述计算机设备连接的扫描设备。
25.根据权利要求24所述的系统,其特征在于,所述扫描设备包括CT扫描仪、MRI扫描仪、PET探测器或PET-CT设备。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011188299.XA CN112435263A (zh) | 2020-10-30 | 2020-10-30 | 医学图像分割方法、装置、设备、系统及计算机存储介质 |
PCT/CN2021/124041 WO2022089221A1 (zh) | 2020-10-30 | 2021-10-15 | 医学图像分割方法、装置、设备、系统及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011188299.XA CN112435263A (zh) | 2020-10-30 | 2020-10-30 | 医学图像分割方法、装置、设备、系统及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112435263A true CN112435263A (zh) | 2021-03-02 |
Family
ID=74694803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011188299.XA Pending CN112435263A (zh) | 2020-10-30 | 2020-10-30 | 医学图像分割方法、装置、设备、系统及计算机存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112435263A (zh) |
WO (1) | WO2022089221A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192099A (zh) * | 2021-04-30 | 2021-07-30 | 上海联影医疗科技股份有限公司 | 一种组织提取方法、装置、设备和介质 |
CN113610840A (zh) * | 2021-08-26 | 2021-11-05 | 数坤(北京)网络科技股份有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN113920128A (zh) * | 2021-09-01 | 2022-01-11 | 北京长木谷医疗科技有限公司 | 膝关节股骨胫骨分割方法和装置 |
WO2022089221A1 (zh) * | 2020-10-30 | 2022-05-05 | 苏州瑞派宁科技有限公司 | 医学图像分割方法、装置、设备、系统及计算机存储介质 |
CN114511566A (zh) * | 2022-04-19 | 2022-05-17 | 武汉大学 | 医学图像中基底膜定位线检测方法及相关装置 |
CN114972764A (zh) * | 2022-08-01 | 2022-08-30 | 浙江省肿瘤医院 | 一种基于特征聚类的多图谱分割方法 |
WO2024002221A1 (zh) * | 2022-06-30 | 2024-01-04 | 武汉联影智融医疗科技有限公司 | 介入手术影像辅助方法、系统、装置及存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116363152B (zh) * | 2023-03-15 | 2024-03-19 | 阿里巴巴(中国)有限公司 | 图像分割的方法、训练图像分割模型的方法及装置 |
CN116681717B (zh) * | 2023-08-04 | 2023-11-28 | 经智信息科技(山东)有限公司 | 一种ct图像的分割处理方法及装置 |
CN117274294B (zh) * | 2023-09-18 | 2024-06-04 | 笑纳科技(苏州)有限公司 | 一种同源染色体分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330897A (zh) * | 2017-06-01 | 2017-11-07 | 福建师范大学 | 图像分割方法及其系统 |
CN108830853A (zh) * | 2018-07-20 | 2018-11-16 | 东北大学 | 一种基于人工智能的黑色素瘤辅助诊断方法 |
CN110599505A (zh) * | 2019-09-17 | 2019-12-20 | 上海微创医疗器械(集团)有限公司 | 一种器官图像分割方法、装置、电子设备和存储介质 |
US20200082534A1 (en) * | 2018-09-10 | 2020-03-12 | Deepmind Technologies Limited | 3-d convolutional neural networks for organ segmentation in medical images for radiotherapy planning |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435263A (zh) * | 2020-10-30 | 2021-03-02 | 苏州瑞派宁科技有限公司 | 医学图像分割方法、装置、设备、系统及计算机存储介质 |
-
2020
- 2020-10-30 CN CN202011188299.XA patent/CN112435263A/zh active Pending
-
2021
- 2021-10-15 WO PCT/CN2021/124041 patent/WO2022089221A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330897A (zh) * | 2017-06-01 | 2017-11-07 | 福建师范大学 | 图像分割方法及其系统 |
CN108830853A (zh) * | 2018-07-20 | 2018-11-16 | 东北大学 | 一种基于人工智能的黑色素瘤辅助诊断方法 |
US20200082534A1 (en) * | 2018-09-10 | 2020-03-12 | Deepmind Technologies Limited | 3-d convolutional neural networks for organ segmentation in medical images for radiotherapy planning |
CN110599505A (zh) * | 2019-09-17 | 2019-12-20 | 上海微创医疗器械(集团)有限公司 | 一种器官图像分割方法、装置、电子设备和存储介质 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022089221A1 (zh) * | 2020-10-30 | 2022-05-05 | 苏州瑞派宁科技有限公司 | 医学图像分割方法、装置、设备、系统及计算机存储介质 |
CN113192099A (zh) * | 2021-04-30 | 2021-07-30 | 上海联影医疗科技股份有限公司 | 一种组织提取方法、装置、设备和介质 |
CN113610840A (zh) * | 2021-08-26 | 2021-11-05 | 数坤(北京)网络科技股份有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN113920128A (zh) * | 2021-09-01 | 2022-01-11 | 北京长木谷医疗科技有限公司 | 膝关节股骨胫骨分割方法和装置 |
CN113920128B (zh) * | 2021-09-01 | 2023-02-21 | 北京长木谷医疗科技有限公司 | 膝关节股骨胫骨分割方法和装置 |
CN114511566A (zh) * | 2022-04-19 | 2022-05-17 | 武汉大学 | 医学图像中基底膜定位线检测方法及相关装置 |
CN114511566B (zh) * | 2022-04-19 | 2022-07-19 | 武汉大学 | 医学图像中基底膜定位线检测方法及相关装置 |
WO2024002221A1 (zh) * | 2022-06-30 | 2024-01-04 | 武汉联影智融医疗科技有限公司 | 介入手术影像辅助方法、系统、装置及存储介质 |
CN114972764A (zh) * | 2022-08-01 | 2022-08-30 | 浙江省肿瘤医院 | 一种基于特征聚类的多图谱分割方法 |
CN114972764B (zh) * | 2022-08-01 | 2022-11-18 | 浙江省肿瘤医院 | 一种基于特征聚类的多图谱分割方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022089221A1 (zh) | 2022-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112435263A (zh) | 医学图像分割方法、装置、设备、系统及计算机存储介质 | |
CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
US11562491B2 (en) | Automatic pancreas CT segmentation method based on a saliency-aware densely connected dilated convolutional neural network | |
US8958618B2 (en) | Method and system for identification of calcification in imaged blood vessels | |
US20110158491A1 (en) | Method and system for lesion segmentation | |
EP3635682B1 (en) | Systems and methods for analysis of heterotopic ossification in 3d images | |
KR20230059799A (ko) | 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델 | |
Priyadarsini et al. | Survey on segmentation of liver from CT images | |
CN112308846B (zh) | 血管分割方法、装置及电子设备 | |
CN109919254B (zh) | 乳腺密度分类方法、系统、可读存储介质和计算机设备 | |
CN112348818B (zh) | 一种图像分割方法、装置、设备以及存储介质 | |
CN114693671B (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
WO2021011775A1 (en) | Systems and methods for generating classifying and quantitative analysis reports of aneurysms from medical image data | |
Moses et al. | Automatic segmentation and analysis of the main pulmonary artery on standard post-contrast CT studies using iterative erosion and dilation | |
Jalab et al. | Fractional Renyi entropy image enhancement for deep segmentation of kidney MRI | |
CN112990367A (zh) | 一种图像处理方法、装置、设备以及存储介质 | |
CN116129184A (zh) | 多期相病灶分类方法、装置、设备及可读存储介质 | |
Patil et al. | A robust system for segmentation of primary liver tumor in CT images | |
CN117078711A (zh) | 医学图像分割方法、系统、电子设备和存储介质 | |
Anwar et al. | Segmentation of liver tumor for computer aided diagnosis | |
CN113724264A (zh) | 图像分割方法、系统和可读存储介质 | |
KN et al. | Comparison of 3-segmentation techniques for intraventricular and intracerebral hemorrhages in unenhanced computed tomography scans |
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 |