CN112651974A - 图像分割方法及系统、电子设备及存储介质 - Google Patents

图像分割方法及系统、电子设备及存储介质 Download PDF

Info

Publication number
CN112651974A
CN112651974A CN202011591638.9A CN202011591638A CN112651974A CN 112651974 A CN112651974 A CN 112651974A CN 202011591638 A CN202011591638 A CN 202011591638A CN 112651974 A CN112651974 A CN 112651974A
Authority
CN
China
Prior art keywords
segmentation
image
pixel point
segmented
target pixel
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
CN202011591638.9A
Other languages
English (en)
Inventor
江鹏博
吴迪嘉
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 United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare 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 United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN202011591638.9A priority Critical patent/CN112651974A/zh
Publication of CN112651974A publication Critical patent/CN112651974A/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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像分割方法及系统、电子设备及存储介质。其中，图像分割方法包括：获取待分割图像；将待分割图像输入至预设的图像分割模型，输出待分割图像的至少两个初始分割结果；将至少两个初始分割结果进行合并，得到待分割图像的最终分割结果；其中，所述预设的图像分割模型是基于样本图像以及对应所述样本图像的至少两种分割标签训练得到。本发明基于对应样本图像的不同分割标签针对性地训练图像分割模型，降低了图像分割模型的学习难度，使得将待分割图像输入至训练好的图像分割模型后输出的每个初始分割结果都更加准确，由于待分割图像的最终分割结果由所有的初始分割结果合并得到，因此，最终分割结果的准确度也得到提升。

Description

图像分割方法及系统、电子设备及存储介质
技术领域
本发明涉及图像分割领域，特别涉及一种图像分割方法及系统、电子设备及存储介质。
背景技术
脑血管疾病是当今世界严重致残和死亡的主要原因之一。而计算机断层扫描血管造影(CTA)、MRI、X光等具有微创且经济高效的特点，而被广泛用于医学常规临床诊断中。
以头颈血管临床诊断为例，在临床使用过程中，对重建出的血管进行分段命名是头颈血管疾病诊断中必不可少的一环，生成诊断的结构化报告也需要血管的分段命名。头颈血管可以分为58段，目前血管的分段命名由医生人工进行完成，无疑是准确度差且耗时耗力，也不利于自动诊断的工作流。
目前，深度学习模型在各个领域显示了图像分类和分割任务的巨大潜力，将深度学习模型应用到医学图像分割中将无疑简化了医生的工作流程，并提高分段命名的准确度。但是由于现有的医学样本数据比较复杂，例如头颈血管有58段，若利用深度学习模型对复杂的医学图像进行分割，就需要深度学习模型具有较强的学习能力，否则，图像分割结果的准确度就会大打折扣，不利于医学诊断。
发明内容
本发明要解决的技术问题是为了克服现有技术中深度学习模型对医学图像进行分割的准确度较低的缺陷，提供一种图像分割方法及系统、电子设备及存储介质。
本发明是通过下述技术方案来解决上述技术问题：
本发明的第一方面提供一种图像分割方法，包括以下步骤：
获取待分割图像；
将所述待分割图像输入至预设的图像分割模型，输出所述待分割图像的至少两个初始分割结果；
将所述至少两个初始分割结果进行合并，得到所述待分割图像的最终分割结果；
其中，所述预设的图像分割模型是基于样本图像以及对应所述样本图像的至少两种分割标签训练得到。
可选地，所述预设的图像分割模型是基于样本图像以及对应所述样本图像的至少两种分割标签训练得到的，包括：
获取训练数据集；其中所述训练数据集包括若干样本图像以及对应每个样本图像的至少两种分割标签；
将样本图像以及对应所述样本图像的至少两种分割标签输入图像分割模型，输出所述样本图像的至少两个分割结果；
根据每个分割结果与对应的分割标签分别计算损失值；
根据所有的损失值调整所述图像分割模型的参数并继续训练，直至满足收敛条件，获得预设的图像分割模型。
可选地，所述预设的图像分割模型包括一个编码器和至少两个解码器，所述将所述待分割图像输入至预设的图像分割模型，输出所述待分割图像的至少两个初始分割结果，包括：
将所述待分割图像输入所述编码器；
每个解码器输出所述待分割图像的一个初始分割结果。
可选地，所述根据每个分割结果与对应的分割标签分别计算损失值，包括：
针对每个分割结果，根据样本图像中目标像素点的分割结果与对应的分割标签确定目标像素点的分割错误程度；
基于目标像素点的分割错误程度设置目标像素点的权重；
基于目标像素点的权重建立损失函数；
根据目标像素点的分割结果和对应的分割标签计算所述损失函数的损失值。
可选地，所述根据样本图像中目标像素点的分割结果与对应的分割标签确定目标像素点的分割错误程度，包括：
基于距离场函数计算样本图像中目标像素点的分割结果与对应的分割标签之间的距离；其中，所述距离用于表征目标像素点的分割错误程度。
可选地，所述基于目标像素点的分割错误程度设置目标像素点的权重，包括：
对所述距离进行函数映射；
将函数映射后的距离作为目标像素点的权重。
可选地，所述将所述至少两个初始分割结果进行合并，得到所述待分割图像的最终分割结果，包括：
在所述至少两个初始分割结果中，若相同位置的像素点对应至少两个初始分割结果，则将所述像素点对应的至少两个初始分割结果的交集作为所述像素点的最终分割结果；
可选地，所述将所述至少两个初始分割结果进行合并，得到所述待分割图像的最终分割结果，包括：
在所述至少两个初始分割结果中，若相同位置的像素点对应一个初始分割结果，则将所述像素点对应的初始分割结果作为所述像素点的最终分割结果。
本发明的第二方面提供一种图像分割系统，包括：
获取模块，用于获取待分割图像；
输入模块，用于将所述待分割图像输入至预设的图像分割模型，输出所述待分割图像的至少两个初始分割结果；
合并模块，用于将所述至少两个初始分割结果进行合并，得到所述待分割图像的最终分割结果；
其中，所述预设的图像分割模型是基于样本图像以及对应所述样本图像的至少两种分割标签训练得到。
本发明的第三方面提供一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的图像分割方法。
本发明的第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的图像分割方法。
本发明的积极进步效果在于：基于对应样本图像的不同分割标签针对性地训练图像分割模型，降低了图像分割模型的学习难度，使得将待分割图像输入至训练好的图像分割模型后输出的每个初始分割结果都更加准确，由于待分割图像的最终分割结果由所有的初始分割结果合并得到，因此，待分割图像最终分割结果的准确度也得到提升。
附图说明
图1为本发明实施例1提供的一种图像分割方法的流程图。
图2为本发明实施例1提供的一种图像分割模型的训练方法流程图。
图3为本发明实施例1提供的将头颈血管样本图像的58段标签分段拆解为8段标签、11段标签以及15段标签的三种分割标签示意图。
图4为本发明实施例1提供的目标像素点i的权重wi的一种函数曲线图。
图5为本发明实施例1提供的一种图像分割模型的内部结构框图。
图6为本发明实施例2提供的一种图像分割系统的结构框图。
图7为本发明实施例3提供的一种电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
图像分割是对图像中每一个像素点进行分类，确定每个点的类别，从而进行区域划分。本发明实施例提供的图像分割方法可以应用于医学图像分割场景中，还可以应用于自动驾驶、无人机落点判定等场景中。
实施例1
如图1所示，本实施例提供的图像分割方法包括以下步骤：
步骤S101、获取待分割图像。
步骤S101中，以待分割图像为医学图像为例，医学图像分割对于疾病诊断、疾病治疗等发挥了重要的作用。具体地，待分割图像可以为CT(Computed Tomography，电子计算机断层扫描)图像、CTA(CT angiography，CT血管造影)图像、MRI(Magnetic ResonanceImaging，磁共振成像)图像以及X光图像等。待分割图像还可以为对上述这些医学图像进行处理之后的图像。在一个具体的例子中，对头颈血管的CTA图像进行处理，例如输入至血管分割网络模型中，将血管分割网络模型输出的血管分割图像作为待分割图像。
步骤S102、将所述待分割图像输入至预设的图像分割模型，输出所述待分割图像的至少两个初始分割结果。
其中，所述预设的图像分割模型是基于样本图像以及对应所述样本图像的至少两种分割标签训练得到。
需要说明的是，在图像分割模型训练阶段使用的样本图像分割标签的种类与图像分割模型使用阶段输出初始分割结果的数量对应。在一个具体的例子中，若基于样本图像以及对应样本图像的三种分割标签训练图像分割模型，则在所述图像分割模型的使用阶段，即将待分割图像输入至所述图像分割模型，会输出三个初始分割结果。
在可选的一种实施方式中，如图2所示，利用以下步骤S201～S204训练上述预设的图像分割模型：
步骤S201、获取训练数据集；其中所述训练数据集包括若干样本图像以及对应每个样本图像的至少两种分割标签。
下面以头颈血管的样本图像对分割标签进行举例说明。
头颈部的每个血管都有自己的医学名称，临床上医生常关注的头颈血管包括主动脉弓、头臂干、左右锁骨下动脉，左右颈总动脉、左右颈外动脉，左右颈内动脉、左右椎动脉、基底动脉、左右小脑上动脉，左右大脑前、中、后动脉，前交通动脉，左右后交通动脉等血管，其中颈内动脉可以分成7个亚段，椎动脉可以分为5个亚段，大脑前、中、后动脉各自可分为3个亚段，再加大脑前侧枝和大脑后侧枝，一共需要对头颈血管标记58段标签。
如图3所示，对头颈血管标记好的58段标签进行分段拆解，得到对应头颈血管样本图像的三种分割标签分别为：8段标签、11段标签以及15段标签。其中，8段标签包括不区分左右的6个标签(主动脉弓、头臂干、基底动脉、前交通动脉、大脑前侧枝、大脑后侧枝)以及剩余血管用左右2个标签表示。11段标签包括大脑前、中、后动脉各自的3个标签以及后交通动脉1个标签、小脑上动脉1个标签。15段标签包括颈内动脉7个标签、椎动脉5个标签、锁骨下动脉、颈总动脉以及颈外动脉3个标签。
步骤S202、将样本图像以及对应所述样本图像的至少两种分割标签输入图像分割模型，输出所述样本图像的至少两个分割结果。在具体实施中，所述图像分割模型可以是基于二维图像或者三维图像的分割网络，例如Unet网络或者Vnet网络。
步骤S203、根据每个分割结果与对应的分割标签分别计算损失值。
在步骤S203可选的一种实施方式中，针对每个分割结果均执行以下步骤S203a～S203d：
步骤S203a、根据样本图像中目标像素点的分割结果与对应的分割标签确定目标像素点的分割错误程度。例如针对分割标签属于头部的某个像素点，将其输入至图像分割模型后输出的分割结果属于颈部，这说明该像素点的分割错误程度十分严重。
需要说明的是，目标像素点为样本图像中进行图像分割的有效像素点，即存在对应分割标签的像素点。不存在对应分割标签的像素点则为非目标像素点。
在步骤S203a可选的一种实施方式中，基于距离场衡量分割错误程度，具体地，基于距离场函数计算样本图像中目标像素点的分割结果与对应的分割标签之间的距离；其中，所述距离用于表征目标像素点的分割错误程度。本实施方式中，目标像素点的分割结果与对应的分割标签之间的距离越小，说明目标像素点的分割错误程度越小；目标像素点的分割结果与对应的分割标签之间的距离越大，说明目标像素点的分割错误程度越大。
步骤S203b、基于目标像素点的分割错误程度设置目标像素点的权重。
在可选的一种实施方式中，步骤S203b具体包括以下步骤S203b1和步骤S203b2：
步骤S203b1、对目标像素点的分割结果与对应的分割标签之间的距离进行函数映射。
步骤S203b2、将函数映射后的距离作为目标像素点的权重。
为了防止分割错误程度很大的像素点的误差主导整个损失函数，进而无法达到很好的收敛效果，本实施方式中将进行函数映射后的距离作为权重。需要说明的是，步骤S203b1中进行函数映射的具体函数可以结合训练过程中使用的损失函数进行设置。
在一个具体的例子中，基于距离场函数计算样本图像中目标像素点i的分割结果与对应的分割标签之间的距离为distancei，对距离distancei进行如下的函数映射，得到目标像素点i的权重wi：
Figure BDA0002869333400000071
其中，a、b、c的值可以根据实际情况进行设置。当a＝5，b＝15，c＝0.015时，目标像素点i的权重wi的函数曲线如图4所示，图4中的横坐标为距离distancei，纵坐标为权重wi。当distancei接近于0时，权重wi接近于1，随着distancei越来越大，权重wi也在不断增大，最后稳定在16附近。
在具体实施的一个例子中，利用如下距离场函数计算样本图像X中目标像素点i的分割结果与对应的分割标签之间的距离为distancei：
distancei＝min∑jdistance_function(Xi，Xj)；
其中，Xi为样本图像X中目标像素点i的分割结果，Xj为与样本图像X中像素点j对应的分割标签，j＝1,2……，N，N为样本图像X中存在分割标签的像素点的索引，distance_function可以是曼哈顿距离函数，也可以是欧几里得距离函数等。上述公式中，分别计算样本图像X中目标像素点i的分割结果与样本图像X中每个像素点j对应的分割标签之间的距离，取所有距离中的最小值作为目标像素点i的分割结果与对应的分割标签之间的距离distancei。
在具体实施的其它例子中，还可以利用其它的距离场函数计算样本图像中目标像素点的分割结果与对应的分割标签之间的距离，本实施方式对距离场函数不作限定。
在另一个具体的例子中，对距离distancei进行函数映射之后得到的权重wi在0～1之间，也即对权重wi进行了归一化处理。
步骤S203c、基于目标像素点的权重建立损失函数。
在具体实施的一个例子中，将样本图像中各目标像素点的权重加入到现有的损失函数中，例如Dice损失函数和Focal损失函数，从而得到训练图像分割模型所使用的损失函数。
步骤S203d、根据目标像素点的分割结果和对应的分割标签计算所述损失函数的损失值。
以图像区域相似度度量多标签Dice损失函数为例，将样本图像中各目标像素点的权重加入Dice损失函数，得到训练图像分割模型所使用的损失函数Dice_new：
Figure BDA0002869333400000081
其中，wi为目标像素点i的权重，ai为目标像素点i的分割结果，即图像分割模型的预测结果，bi为目标像素点i的分割标签，即真实结果。
本实施方式中，基于目标像素点的分割错误程度设置目标像素点的权重，并基于目标像素点的权重建立损失函数，针对分割错误程度大的目标像素点，提高其在损失函数中对应的权重，使得图像分割模型更加关注于对分割错误程度大的目标像素点的学习，从而能够提高图像分割模型的泛化能力。
步骤S204、根据所有的损失值调整所述图像分割模型的参数并继续训练，直至满足收敛条件，获得预设的图像分割模型。
在步骤S204的具体实施中，每个分割结果对应一个损失值，根据所有的损失值训练图像分割模型。在具体实施的一个例子中，将每个分割结果对应的损失值进行求和以得到所有的损失值。
在上述训练图像分割模型的过程中，将样本图像的分割标签拆解为至少两种，并基于这至少两种分割标签同时进行针对性的训练学习，提高了图像分割模型学习的效率，降低了图像分割模型学习的难度，即提升了图像分割模型的学习能力。
以头颈血管图像为例，头颈血管有58段，并且空间分布不均匀，有些段分布密集，有些段则分散，统一的训练图像分割模型并不能很好的处理这种情况，拆分简化将使得图像分割模型更能适应血管分段的情况，提高血管分段的精度。
在训练图像分割模型的一个具体例子中，将输入的样本图像重采样到1*1*1的大小，再考虑到GPU显存大小的限制，在训练数据集上随机截取1283大小的块作为图像分割模型的输入。本例子中，图像分割模型由输入层、标准化层、激活层、卷积层、池化层、反卷积层、输出层以及层间连接构成，网络优化函数采用Adam自适应优化器，可随训练状态自动调整参数更新幅度。
在可选的一种实施方式中，如图5所示，图像分割模型30包括一个编码器31和至少两个解码器32。在图像分割模型的训练阶段，将样本图像输入编码器31，每个解码器32分别输出所述样本图像的一个分割结果，根据每个分割结果和对应的分割标签分别计算损失值。在图像分割模型的使用阶段，将待分割图像输入编码器，每个解码器分别输出所述待分割图像的一个初始分割结果。
需要说明的是，本实施方式中，解码器的数量与对应样本图像的分割标签的种类数量相同。在上述头颈血管样本图像的例子中，对应头颈血管样本图像的分割标签有三种，相应地，需要在图像分割模型中设置三个解码器，每个解码器输出一个分割结果，共输出三个分割结果。
步骤S103、将所述至少两个初始分割结果进行合并，得到所述待分割图像的最终分割结果。
在步骤S103具体实施的一个例子中，在所述至少两个初始分割结果中，若相同位置的像素点对应至少两个初始分割结果，则将所述像素点对应的至少两个初始分割结果的交集作为所述像素点的最终分割结果。
在步骤S103具体实施的另一个例子中，在所述至少两个初始分割结果中，若相同位置的像素点对应一个初始分割结果，则将所述像素点对应的初始分割结果作为所述像素点的最终分割结果。
以待分割图像为头颈血管图像为例，将头颈血管图像输入至训练好的图像分割模型，输出三个初始分割结果。在三个初始分割结果中，若相同位置的像素点P1对应两个初始分割结果，分别为8段标签中的左标签以及11段标签中的大脑前动脉标签，则对这两个初始分割结果进行逻辑判断，最终将这两个初始分割结果的交集即左大脑前动脉标签，作为像素点P1的最终分割结果。若相同位置的像素点P2对应一个初始分割结果，即8段标签中的头臂干标签，则直接将头臂干标签作为像素点P2的最终分割结果。
本发明实施例中，基于对应样本图像的不同分割标签针对性地训练图像分割模型，降低了图像分割模型的学习难度，使得将待分割图像输入至训练好的图像分割模型后输出的每个初始分割结果都更加准确，由于待分割图像的最终分割结果由所有的初始分割结果合并得到，因此，待分割图像最终分割结果的准确度也得到提升。
进一步地，将本实施例提供的图像分割方法应用于医学图像领域中，能够自动精准地对医学图像进行分割，从而提高辅助医生对医疗疾病进行诊断的准确度，进而更好地服务于医疗行业。
实施例2
本实施例提供一种图像分割系统50，如图6所示，包括获取模块51、输入模块52以及合并模块53。
获取模块用于获取待分割图像。
输入模块用于将所述待分割图像输入至预设的图像分割模型，输出所述待分割图像的至少两个初始分割结果。
合并模块用于将所述至少两个初始分割结果进行合并，得到所述待分割图像的最终分割结果。
其中，所述图像分割模型是基于样本图像以及针对所述样本图像的至少两种分割标签训练得到的。
在可选的一种实施方式中，所述预设的图像分割模型包括一个编码器和至少两个解码器。上述输入模块具体用于将所述待分割图像输入所述编码器，每个解码器输出所述待分割图像的一个初始分割结果。
在可选的一种实施方式中，上述图像分割系统还包括训练模块，所述训练模块包括：
获取单元，用于获取训练数据集；其中所述训练数据集包括若干样本图像以及对应每个样本图像的至少两种分割标签；
输入单元，用于将样本图像以及对应所述样本图像的至少两种分割标签输入图像分割模型，输出所述样本图像的至少两个分割结果；
计算单元，用于根据每个分割结果与对应的分割标签分别计算损失值；
调整单元，用于根据所有的损失值调整所述图像分割模型的参数并继续训练，直至满足收敛条件，输出训练好的图像分割模型。
在可选的一种实施方式中，上述计算单元包括：
确定子单元，用于针对每个分割结果，根据样本图像中目标像素点的分割结果与对应的分割标签确定目标像素点的分割错误程度；
设置子单元，用于基于目标像素点的分割错误程度设置目标像素点的权重；
建立子单元，用于基于目标像素点的权重建立损失函数；
计算子单元，用于根据目标像素点的分割结果和对应的分割标签计算所述损失函数的损失值。
本实施方式中，基于目标像素点的分割错误程度设置目标像素点的权重，并基于目标像素点的权重建立损失函数，针对分割错误程度大的目标像素点，提高其在损失函数中对应的权重，使得图像分割模型更加关注于对分割错误程度大的目标像素点的学习，从而能够提高图像分割模型的泛化能力。
在可选的一种实施方式中，上述确定子单元具体用于基于距离场函数计算样本图像中目标像素点的分割结果与对应的分割标签之间的距离；其中，所述距离用于表征目标像素点的分割错误程度。
在可选的一种实施方式中，上述设置子单元具体用于对所述距离进行函数映射，并将函数映射后的距离作为目标像素点的权重。为了防止分割错误程度很大的像素点的误差主导整个损失函数，进而无法达到很好的收敛效果，本实施方式中将进行函数映射后的距离作为权重。
在可选的一种实施方式中，上述合并模块具体用于在所述至少两个初始分割结果中，若相同位置的像素点对应至少两个初始分割结果，则将所述像素点对应的至少两个初始分割结果的交集作为所述像素点的最终分割结果。
在可选的一另种实施方式中，上述合并模块具体用于在所述至少两个初始分割结果中，若相同位置的像素点对应一个初始分割结果，则将所述像素点对应的初始分割结果作为所述像素点的最终分割结果。
本发明实施例中，基于对应样本图像的不同分割标签针对性地训练图像分割模型，降低了图像分割模型的学习难度，使得将待分割图像输入至训练好的图像分割模型后输出的每个初始分割结果都更加准确，由于待分割图像的最终分割结果由所有的初始分割结果合并得到，因此，待分割图像最终分割结果的准确度也得到提升。
实施例3
图7为本实施例提供的一种电子设备的结构示意图。所述电子设备包括存储器、处理器、存储在存储器上并可在处理器上运行的计算机程序以及实现不同功能的多个子系统，所述处理器执行所述程序时实现实施例1的图像分割方法。图7显示的电子设备3仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
电子设备3的组件可以包括但不限于：上述至少一个处理器4、上述至少一个存储器5、连接不同系统组件(包括存储器5和处理器4)的总线6。
总线6包括数据总线、地址总线和控制总线。
存储器5可以包括易失性存储器，例如随机存取存储器(RAM)和/或高速缓存存储器，还可以进一步包括只读存储器(ROM)。
存储器5还可以包括具有一组(至少一个)程序模块的程序/实用工具，这样的程序模块包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器4通过运行存储在存储器5中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1的图像分割方法。
电子设备3也可以与一个或多个外部设备7(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口8进行。并且，电子设备3还可以通过网络适配器9与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图7所示，网络适配器9通过总线6与电子设备3的其它模块通信。应当明白，尽管图7中未示出，可以结合电子设备3使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1的图像分割方法。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1的图像分割方法。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种图像分割方法，其特征在于，包括以下步骤：
获取待分割图像；
将所述待分割图像输入至预设的图像分割模型，输出所述待分割图像的至少两个初始分割结果；
将所述至少两个初始分割结果进行合并，得到所述待分割图像的最终分割结果；
其中，所述预设的图像分割模型是基于样本图像以及对应所述样本图像的至少两种分割标签训练得到。
2.如权利要求1所述的图像分割方法，其特征在于，所述预设的图像分割模型是基于样本图像以及对应所述样本图像的至少两种分割标签训练得到，包括：
获取训练数据集；其中所述训练数据集包括若干样本图像以及对应每个样本图像的至少两种分割标签；
将样本图像以及对应所述样本图像的至少两种分割标签输入图像分割模型，输出所述样本图像的至少两个分割结果；
根据每个分割结果与对应的分割标签分别计算损失值；
根据所有的损失值调整所述图像分割模型的参数并继续训练，直至满足收敛条件，获得预设的图像分割模型。
3.如权利要求1所述的图像分割方法，其特征在于，所述预设的图像分割模型包括一个编码器和至少两个解码器，所述将所述待分割图像输入至预设的图像分割模型，输出所述待分割图像的至少两个初始分割结果，包括：
将所述待分割图像输入所述编码器；
每个解码器输出所述待分割图像的一个初始分割结果。
4.如权利要求2所述的图像分割方法，其特征在于，所述根据每个分割结果与对应的分割标签分别计算损失值，包括：
针对每个分割结果，根据样本图像中目标像素点的分割结果和对应的分割标签确定目标像素点的分割错误程度；
基于目标像素点的分割错误程度设置目标像素点的权重；
基于目标像素点的权重建立损失函数；
根据目标像素点的分割结果和对应的分割标签计算所述损失函数的损失值。
5.如权利要求4所述的图像分割方法，其特征在于，所述根据样本图像中目标像素点的分割结果和对应的分割标签确定目标像素点的分割错误程度，包括：
基于距离场函数计算样本图像中目标像素点的分割结果和对应的分割标签之间的距离；其中，所述距离用于表征目标像素点的分割错误程度。
6.如权利要求5所述的图像分割方法，其特征在于，所述基于目标像素点的分割错误程度设置目标像素点的权重，包括：
对所述距离进行函数映射；
将函数映射后的距离作为目标像素点的权重。
7.如权利要求1所述的图像分割方法，其特征在于，所述将所述至少两个初始分割结果进行合并，得到所述待分割图像的最终分割结果，包括：
在所述至少两个初始分割结果中，若相同位置的像素点对应至少两个初始分割结果，则将所述像素点对应的至少两个初始分割结果的交集作为所述像素点的最终分割结果；
和/或，在所述至少两个初始分割结果中，若相同位置的像素点对应一个初始分割结果，则将所述像素点对应的初始分割结果作为所述像素点的最终分割结果。
8.一种图像分割系统，其特征在于，包括：
获取模块，用于获取待分割图像；
输入模块，用于将所述待分割图像输入至预设的图像分割模型，输出所述待分割图像的至少两个初始分割结果；
合并模块，用于将所述至少两个初始分割结果进行合并，得到所述待分割图像的最终分割结果；
其中，所述预设的图像分割模型是基于样本图像以及对应所述样本图像的至少两种分割标签训练得到。
9.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的图像分割方法。
10.一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，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的图像分割方法。
CN202011591638.9A 2020-12-29 2020-12-29 图像分割方法及系统、电子设备及存储介质 Pending CN112651974A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011591638.9A CN112651974A (zh) 2020-12-29 2020-12-29 图像分割方法及系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011591638.9A CN112651974A (zh) 2020-12-29 2020-12-29 图像分割方法及系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112651974A true CN112651974A (zh) 2021-04-13

Family

ID=75363799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011591638.9A Pending CN112651974A (zh) 2020-12-29 2020-12-29 图像分割方法及系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112651974A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012155A (zh) * 2021-05-07 2021-06-22 刘慧烨 髋关节图像中骨骼分割方法、电子设备及存储介质
CN113240021A (zh) * 2021-05-19 2021-08-10 推想医疗科技股份有限公司 一种筛选目标样本的方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190205606A1 (en) * 2016-07-21 2019-07-04 Siemens Healthcare Gmbh Method and system for artificial intelligence based medical image segmentation
CN110097131A (zh) * 2019-05-08 2019-08-06 南京大学 一种基于对抗协同训练的半监督医疗图像分割方法
CN110675407A (zh) * 2019-09-17 2020-01-10 北京达佳互联信息技术有限公司 一种图像实例分割方法、装置、电子设备及存储介质
CN110751659A (zh) * 2019-09-27 2020-02-04 北京小米移动软件有限公司 图像分割方法及装置、终端、存储介质
CN110866925A (zh) * 2019-10-18 2020-03-06 北京量健智能科技有限公司 一种用于图像分割的方法和装置
WO2020156303A1 (zh) * 2019-01-30 2020-08-06 广州市百果园信息技术有限公司 语义分割网络的训练方法及装置、基于语义分割网络的图像处理方法及装置、设备、存储介质
CN111951278A (zh) * 2020-07-31 2020-11-17 上海联影智能医疗科技有限公司 医学图像的分割方法和计算机可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190205606A1 (en) * 2016-07-21 2019-07-04 Siemens Healthcare Gmbh Method and system for artificial intelligence based medical image segmentation
WO2020156303A1 (zh) * 2019-01-30 2020-08-06 广州市百果园信息技术有限公司 语义分割网络的训练方法及装置、基于语义分割网络的图像处理方法及装置、设备、存储介质
CN110097131A (zh) * 2019-05-08 2019-08-06 南京大学 一种基于对抗协同训练的半监督医疗图像分割方法
CN110675407A (zh) * 2019-09-17 2020-01-10 北京达佳互联信息技术有限公司 一种图像实例分割方法、装置、电子设备及存储介质
CN110751659A (zh) * 2019-09-27 2020-02-04 北京小米移动软件有限公司 图像分割方法及装置、终端、存储介质
CN110866925A (zh) * 2019-10-18 2020-03-06 北京量健智能科技有限公司 一种用于图像分割的方法和装置
CN111951278A (zh) * 2020-07-31 2020-11-17 上海联影智能医疗科技有限公司 医学图像的分割方法和计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘博: "基于深度卷积神经网络的肝图像分割方法研究", 《中国优秀硕士学位论文全文数据库（电子期刊）医药卫生科技辑》, vol. 2020, no. 02 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012155A (zh) * 2021-05-07 2021-06-22 刘慧烨 髋关节图像中骨骼分割方法、电子设备及存储介质
CN113012155B (zh) * 2021-05-07 2023-05-05 刘慧烨 髋关节图像中骨骼分割方法、电子设备及存储介质
CN113240021A (zh) * 2021-05-19 2021-08-10 推想医疗科技股份有限公司 一种筛选目标样本的方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
WO2022021955A1 (zh) 图像分割方法及装置、图像分割模型的训练方法及装置
WO2021244661A1 (zh) 确定图像中血管信息的方法和系统
CN110298844B (zh) X光造影图像血管分割与识别方法及装置
Ciecholewski et al. Computational methods for liver vessel segmentation in medical imaging: A review
Li et al. Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound images
US11972571B2 (en) Method for image segmentation, method for training image segmentation model
CN112651974A (zh) 图像分割方法及系统、电子设备及存储介质
CN112308846B (zh) 血管分割方法、装置及电子设备
CN111986101A (zh) 一种脑血管图谱构建方法
CN116503607B (zh) 一种基于深度学习的ct图像分割方法和系统
CN111340209A (zh) 网络模型训练方法、图像分割方法、病灶定位方法
CN113256670A (zh) 图像处理方法及装置、网络模型的训练方法及装置
CN112508902A (zh) 白质高信号分级方法、电子设备及存储介质
Chen et al. Generative adversarial network based cerebrovascular segmentation for time-of-flight magnetic resonance angiography image
Zhai et al. An improved full convolutional network combined with conditional random fields for brain MR image segmentation algorithm and its 3D visualization analysis
Liu et al. LLRHNet: multiple lesions segmentation using local-long range features
CN112164447B (zh) 图像处理方法、装置、设备及存储介质
Tian et al. Fully-automated functional region annotation of liver via a 2.5 D class-aware deep neural network with spatial adaptation
CN112614143A (zh) 一种图像分割方法、装置、电子设备及存储介质
CN117237322A (zh) 一种基于医学图像的器官分割建模方法及终端
Dickson et al. An integrated 3D-sparse deep belief network with enriched seagull optimization algorithm for liver segmentation
CN116310114A (zh) 一种多任务标签模型的冠脉点云数据处理优化方法
CN112634255B (zh) 脑部病灶检测模型的建立方法、装置以及计算机设备
Zhang et al. CIDN: A context interactive deep network with edge-aware for X-ray angiography images segmentation
CN114169467A (zh) 图像标注方法、电子设备及存储介质

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