CN112767420A - 基于人工智能的核磁影像分割方法、装置、设备和介质 - Google Patents

Abstract

本申请公开了一种基于人工智能的核磁影像分割方法、装置、设备和介质。该方法包括：获取目标区域的图像序列；将第一周期图像子序列、第二周期图像子序列和第三周期图像子序列中与同一排序位置分别对应的序列图像组合为待分割图像，得到待分割图像序列；对待分割图像序列中的每张待分割图像进行第一预处理，得到预处理后的待分割图像序列；将预处理后的待分割图像序列输入预先训练的图像分割模型，得到图像分割结果。解决了图像分割效率低，精确度差的问题。

Description

基于人工智能的核磁影像分割方法、装置、设备和介质

技术领域

本申请一般涉及医疗影像分析领域，具体涉及一种基于人工智能的核磁影像分割方法、装置、设备和介质。

背景技术

随着医疗影像技术的成熟，利用核磁共振成像(Magnetic Resonance Imaging，MRI)获取的动态增强（Dynamic contrast-enhanced，DCE）序列进行病灶检测，已经成为疾病诊断过程中最具潜力的影像技术手段之一。

相关技术中，对扫描部位的核磁DCE图像序列的分析过程中，通常需要人工确定序列图像中的感兴趣区域（病灶区域），然后通过对该感兴趣区域的分析实现病灶分割；或者，部分技术通常会通过剪影技术对获取的不同扫描时期的序列图像做背景剔除处理，但是，该过程中通常会将部分不强化病灶剔除，降低病灶分割结果的准确性。

可见，相关技术中提供的核磁DCE图像序列的图像分割技术，通常耗费人力，且确定的病灶分割结果的精准度差。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种可以图像分割效率和精准度的基于人工智能的核磁影像分割方法、装置、设备和介质。

第一方面，本申请提供了一种基于人工智能的核磁影像分割方法，包括：

获取目标区域的图像序列，图像序列包括第一周期图像子序列，第二周期图像子序列和第三周期图像子序列，第一周期图像子序列，第二周期图像子序列和第三周期图像子序列分别包括按照图像生成的先后顺序排列的多张序列图像，第一周期图像子序列，第二周期图像子序列和第三周期图像子序列中的序列图像的数量相同；

将第一周期图像子序列、第二周期图像子序列和第三周期图像子序列中与同一排序位置分别对应的序列图像组合为待分割图像，得到待分割图像序列；

对待分割图像序列中的每张待分割图像进行第一预处理，得到预处理后的待分割图像序列；

将预处理后的待分割图像序列输入预先训练的图像分割模型，得到图像分割结果，图像分割模型包括依次连接的第一模型和第二模型；

第二方面，本申请提供了一种基于人工智能的核磁影像分割装置，包括：

获取模块，被配置为获取目标区域的图像序列，图像序列包括第一周期图像子序列，第二周期图像子序列和第三周期图像子序列，第一周期图像子序列，第二周期图像子序列和第三周期图像子序列分别包括按照图像生成的先后顺序排列的多张序列图像，第一周期图像子序列，第二周期图像子序列和第三周期图像子序列中的序列图像的数量相同；

组合模块，被配置为将第一周期图像子序列、第二周期图像子序列和第三周期图像子序列中与同一排序位置分别对应的序列图像组合为待分割图像，得到待分割图像序列；

处理模块，被配置为对待分割图像序列中的每张待分割图像进行第一预处理，得到预处理后的待分割图像序列；

分割模块，被配置为将预处理后的待分割图像序列输入预先训练的图像分割模型，得到图像分割结果，图像分割模型包括依次连接的第一模型和第二模型；

第三方面，本申请提供了一种计算机设备，计算机设备包括存储器、处理器以及存储在存储器并可在处理器上运行的计算机程序，处理器用于执行程序时实现如第一方面的方法；

第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序用于实现如第一方面的方法。

本申请的实施例提供的技术方案可以包括以下有益效果：

本申请实施例提供的基于人工智能的核磁影像分割方法、装置、设备和介质，可以获取目标区域的图像序列；将第一周期图像子序列、第二周期图像子序列和第三周期图像子序列中与同一排序位置分别对应的序列图像组合为待分割图像，得到待分割图像序列；对待分割图像序列中的每张待分割图像进行第一预处理，得到预处理后的待分割图像序列；将预处理后的待分割图像序列输入预先训练的图像分割模型，得到图像分割结果。无需人工参与图像分割过程，且充分保留并利用了不同成像周期的图像信息，提高了图像分割结果的精准度和效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1为本申请实施例提供的一种基于人工智能的核磁影像分割方法的流程图；

图2为本申请实施例提供的一种图像分割模型；

图3为本申请实施例提供的另一种基于人工智能的核磁影像分割方法的流程图；

图4为本申请实施例提供的一种基于人工智能的核磁影像分割装置的结构示意图；

图5为本申请实施例提供的另一种基于人工智能的核磁影像分割装置的结构示意图；

图6为本申请实施例提供的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

本申请实施例提供一种基于人工智能的核磁影像分割方法，如图1所示，该方法包括：

步骤101、获取目标区域的图像序列。

在本申请实施例中，图像序列可以为利用核磁共振成像技术获取的目标区域的核磁DCE图像序列，该目标区域可以为病人的任意核磁共振检测部位。例如，该目标区域为病人的乳腺部位。通常情况下，为了提高病情检测的正确性，需要对目标区域在不同时期进行多次扫描，获取目标区域多个扫描周期的图像子序列，获取目标区域的图像序列。

其中，图像序列包括第一周期图像子序列，第二周期图像子序列和第三周期图像子序列，该第一周期图像子序列为预扫期核磁DCE图像子序列，第二周期图像子序列为早期核磁DCE图像子序列，第三周期图像子序列为延迟期核磁DCE子序列。

需要说明的是，预扫期核磁DCE图像子序列为注射造影剂之前获取的目标区域的图像子序列，早期核磁DCE图像子序列为注射造影剂之后第一次扫描目标区域获取的图像子序列，第三周期图像子序列为注射造影剂之后非第一次扫描目标区域获取的图像子序列，示例的，该延迟期核磁DCE图像子序列为注射造影剂之后第三次扫描待目标区域获取的图像子序列，或者，延迟期核磁DCE图像子序列为注射造影剂之后最后一次扫描待目标区域获取的核磁DCE序列图像子序列，具体的可以基于实际需要确定。

在本步骤中，可以在对目标区域进行核磁扫描后，获取目标区域的图像序列，其中，该图像序列包括第一周期图像子序列，第二周期图像子序列和第三周期图像子序列，第一周期图像子序列，第二周期图像子序列和第三周期图像子序列分别包括按照图像生成的先后顺序排列的多张序列图像，第一周期图像子序列，第二周期图像子序列和第三周期图像子序列中的序列图像的数量相同。例如，第一周期图像子序列包括80张序列图像，第二周期图像子序列包括80张序列图像，第三周期图像子序列包括80张序列图像。

步骤102、将第一周期图像子序列，第二周期图像子序列和第三周期图像子序列中与同一排序位置分别对应的序列图像组合为待分割图像，得到待分割图像序列。

在本申请实施例中，为了使图像分割的过程可以综合不同扫描时期序列图像中的图像信息，通常需要对第一周期图像子序列，第二周期图像子序列和第三周期图像子序列中的序列图像进行组合，得到待分割图像序列，该待分割图像序列中的每张待分割图像包含了三个扫描时期的序列图像，可以提高最终确定的图像分割结果的准确度。

在本步骤中，将第一周期图像子序列，第二周期图像子序列和第三周期图像子序列中与同一排序位置分别对应的序列图像组合为待分割图像，得到待分割图像序列的过程可以包括：

获取第一周期图像子序列中的第n排序位置的序列图像，获取第二周期图像子序列中第n排序位置的序列图像，获取第三周期图像子序列中的第n排序位置的序列图像，组合三张序列图像得到待分割图像，将该待分割图像确定为待分割图像序列中的第n排序位置的待分割图像，得到待分割图像序列；其中，该n大于等于1，且小于等于m，该m为每个子序列中的最后一个排序位置。

示例的，假设第一周期图像子序列、第二周期图像子序列和第三周期图像子序列中分别包含80张序列图像，该80张序列图像是在子序列的生成过程中，按照图像生成的先后顺序排列的，该在本步骤中，可以将第一周期图像子序列中的第1张序列图像、第二周期图像子序列中的第1张序列图像和第三周期图像子序列中的第1张序列图像组合为待分割图像，将该待分割图像确定为待分割图像序列中的第1张待分割图像，对于每个子序列中的第2张序列图像至第80张序列图像，分别执行上述过程，得到包含80张待分割图像的待分割图像序列。

步骤103、对待分割图像序列中的每张待分割图像进行第一预处理，得到预处理后的待分割图像序列。

在本步骤中，对待分割图像序列中的每张待分割图像进行第一预处理，得到预处理后的待分割图像序列的过程可以包括：对每张待分割图像进行降噪处理得到降噪图像，计算该降噪图像的灰度值得到灰度值直方图，对该灰度值直方图进行阈值截取得到阈值图像，对该阈值图像进行归一化处理得到归一化图像，得到预处理后的待分割图像序列。其中，在阈值截取过程中设置的灰度阈值可以基于实际需要确定，本申请实施例对此不做限定，该归一化图像中的每个像素的灰度值被映射为0-1之间的任一灰度值。

步骤104、将预处理后的待分割图像序列输入预先训练的图像分割模型，得到图像分割结果。

在本申请实施例中，如图2所示，该图像分割模型包括依次连接的第一模型和第二模型，其中，第一模型可以为压缩激活（Squeeze and Excitation，SE）模型，SE模型可以对待分割图像序列中的每张待分割图像进行特征优化，以增强待分割图像中的有效特征，抑制该待分割图像中的无效特征，该第二模型可以为Unet模型，该Unet模型用于处理特征优化后的特征图像序列，得到图像分割结果。

可以理解的是，该图像分割模型是预先训练得到的，如图3所示，训练图像分割模型的过程可以包括：

步骤S1、获取多个样本图像序列。

在本步骤中，可以获取历史时期内多位病人同一目标区域的核磁DCE图像序列，将该多个图像序列确定为样本图像序列，该样本图像序列包括第一周期样本图像子序列，第二周期样本图像子序列和第三周期样本图像子序列，第一周期样本图像子序列，第二周期样本图像子序列和第三周期样本图像子序列包括按照图像生成的先后顺序排列的多张样本序列图像。

步骤S2、对每张样本序列图像进行第二预处理得到预处理样本图像。

在本步骤中，对每张样本序列图像进行第二预处理得到预处理样本图像的过程可以包括：通过人工标记的方式在该样本序列图像中确定目标区域，得到感兴趣区域图像，对该感兴趣区域图像进行二值化，得到二值分割图像，对二值分割图像进行降噪处理得到样本降噪图像，计算该样本降噪图像的灰度值得到第一灰度值直方图，对该第一灰度值直方图进行阈值截取得到样本阈值图像，对该样本阈值图像进行归一化处理得到样本归一化图像，进一步的，为了提高数据量，提高模型的泛化能力，可以对该样本归一化图像进行通道随机混合处理，得到预处理样本图像。其中，在二值分割图像中，病灶位置的像素值为1，非病灶位置的像素值为0。示例的，若该训练的图像分割模型用于进行乳腺图像分割，则在乳腺样本序列图像中确定目标区域，得到感兴趣区域图像的过程可以是：若原始乳腺样本序列图像的尺寸为512*512，则选取包含乳腺部位在内的尺寸为512*384的图像区域作为感兴趣区域；若原始乳腺样本序列图像的尺寸不是512*512，则需要先对该乳腺样本序列图像进行尺寸变换，将乳腺样本序列图像的尺寸调整为512*512，再选取包含乳腺部位在内的尺寸为512*384的图像区域作为感兴趣区域，以保留完整的乳腺区域，保证待分割区域的完整性。

步骤S3、将多张预处理样本图像划分为训练集、验证集和测试集。

在本步骤中，将多张预处理样本图像划分为训练集、验证集和测试集的过程可以包括：确定数据集划分比例，该数据集划分比例为训练集、验证集和测试集中数据量的比例关系，按照数据集划分比例从多张预处理样本图像中选择与训练集、验证集和测试集分别对应的数据量，得到训练集、验证集和测试集。其中，数据集划分比例可以基于实际需要确定，本申请实施例对此不做限定。

示例的，假设获取了1000个样本图像序列，数据集划分比例为训练集、验证集和测试集=8:1:1，则将与800个样本图像序列对应的多张预处理样本图像确定为训练集，将与100个样本图像序列对应的多张预处理样本图像确定为验证集，将与100个样本图像序列对应的多张预处理样本图像确定为测试集。

步骤S4、基于训练集、验证集和测试集训练初始图像分割模型，得到图像分割模型。

在本步骤中，基于训练集、验证集和测试集训练初始图像分割模型，得到图像分割模型的过程可以包括：

步骤S41、基于训练集和验证集训练初始图像分割模型，得到待测试初始图像分割模型。

在本步骤中，基于训练集和验证集训练初始图像分割模型，得到待测试初始图像分割模型的过程包括：

步骤S411、基于训练集训练初始图像分割模型，得到待验证图像分割模型。

在本申请实施例中，训练集包括多个第一样本待分割图像序列，该第一样本待分割图像序列包括多张样本待分割图像，该样本待分割图像由与同一样本图像序列对应的第一周期样本图像子序列、第二周期样本图像子序列和第三周期样本图像子序列中，与同一排序位置分别对应的预处理样本图像组合得到，初始图像分割模型包括初始第一模型和初始第二模型。

在本步骤中，基于训练集训练初始图像分割模型，得到待验证图像分割模型的过程可以包括：

步骤A1、将第一样本待分割图像序列输入初始第一模型，得到第一样本特征图像序列。

在本申请实施例中，请继续参考图2，该初始第一模型包括一次连接的特征提取模块、特征压缩模块和特征激活模块；则在本步骤中，将第一样本待分割图像序列输入初始第一模型，得到第一样本特征图像序列的过程可以是：

特征提取模块对每张第一样本待分割图像进行卷积操作，得到第二样本特征图像；特征压缩模块对第二样本特征图像进行特征压缩，得到第二样本特征图像的全局空间特征；特征激活模块对全局空间特征进行特征激活，确定三个图像通道的权重值；将权重值分配给对应图像通道的第二样本特征图像，得到第一样本特征图像；依次输出第一样本特征图像得到第一样本特征图像序列。其中，三个图像通道分别用于接收第一样本待分割图像中，与第一周期样本图像子序列关联的预处理样本图像、与第二周期样本图像子序列关联的预处理样本图像和与第三周期样本图像子序列关联的预处理样本图像。

可以理解的是，在本步骤中，第一样本待分割图像序列输入初始第一模型的过程中，最先输入该初始第一模型中的第一样本待分割图像可以为第一样本待分割图像序列中第一排序位置的第一样本待分割图像。

步骤A2、将第一样本特征图像序列输入初始第二模型得到样本图像分割结果。

在本申请实施例中，请继续参考图2，初始第二模型包括编码模块、融合模块和解码器模块，编码模块由5组编码器和上采样层组成，解码模块由4组解码器和下采样层组成，融合模块由4个融合器组成，则将第一样本特征图像序列输入初始第二模型得到样本图像分割结果的过程可以是：

对于每张第一样本特征图像，该编码模块用于提取第一样本特征图像中的特征信息；解码模块，用于结合融合模块将特征信息进行恢复，输出预测结果。可以理解的是，由于输入该初始第二模型中的第一样本特征图像序列中的第一样本特征图像是经过初始第一模型进行特征权重分配的图像，初始第二模型基于该第一样本特征图像的预测结果具有更高精确度。

步骤A3、按照预设次数重复上述步骤A1至步骤A2，得到待验证图像分割模型。

在本步骤中，可以按照预设次数重复上述步骤A1至步骤A2，得到待验证图像分割模型，可以理解的是，为了保证模型的泛化能力，在重复上述操作的过程中，输入初始第一模型中的第一样本待分割图像序列与上一次迭代过程中输入初始第一模型中的第一样本待分割图像序列不同，且该预设次数可以基于实际需要确定，本申请实施例对此不做限定。

步骤S412、基于验证集验证待验证图像分割模型得到待测试初始图像分割模型。

在本申请实施例中，验证集包括多个第二样本待分割图像序列，该第二样本待分割图像序列包括多张样本待分割图像，则在本步骤中，基于验证集验证待验证图像分割模型得到待测试初始图像分割模型的过程可以包括：

将第二样本待分割图像序列输入待验证图像分割模型得到第一样本分割结果，基于该第一样本分割结果确定与待验证图像分割模型对应的损失函数值；判断损失函数值是否属于预设阈值区间；若是，证明初始图像分割模型收敛，确定初始图像分割模型为待测试初始图像分割模型；若不是，调整初始图像分割模型的参数值，重复执行上述步骤S411，直至得到待测试初始图像分割模型。其中，该预设阈值区间可以基于实际需要确定，本申请实施例对此不做限定，示例的，该预设阈值区域间为0.02-0.03。

步骤S42、利用测试集测试待测试初始图像分割模型，得到图像分割模型。

在本申请实施例中，为了保证最终确定的图像分割模型具有较好的泛化能力，通常需要利用测试集对获取的待测试初始图像分割模型进行测试，以得到图像分割效果较佳的图像分割模型，其中，测试集包括多个第三样本待分割图像序列，该第三样本待分割图像序列包括多张样本待分割图像，

在本步骤中，利用测试集测试待测试初始图像分割模型，得到图像分割模型的过程可以是：将第三样本待分割图像序列输入待测试初始图像分割模型，得到第二样本分割结果；基于第二样本分割结果确定与待测试初始图像分割模型对应的评价系数；判断评价系数是否大于预设阈值；若是，确定待测试初始图像分割模型为图像分割模型；若不是，基于上述步骤S41更新待测试初始图像分割模型，重复执行上述评价系数的确定过程，直至得到图像分割模型。其中，预设阈值可以基于实际需要确定，本申请实施例对此不做限定，示例的，该评价系数可以为dice评价系数，该预设阈值可以为0.85。

在本步骤中，可以将预处理后的待分割图像序列输入预先训练的图像分割模型，得到图像分割结果，该过程可以是：调用第一模型处理预处理后的待检测图像序列，得到第一特征图像序列；调用第二模型处理第一特征图像序列，得到图像分割结果。可以理解的是，在本申请实施例中，待分割图像序列输入第一模型的过程中，最先输入该第一模型中的待分割图像可以为第一排序位置的待分割图像。

综上所述，本申请实施例中提供的基于人工智能的核磁影像分割方法，可以获取目标区域的图像序列；将第一周期图像子序列、第二周期图像子序列和第三周期图像子序列中与同一排序位置分别对应的序列图像组合为待分割图像，得到待分割图像序列；对待分割图像序列中的每张待分割图像进行第一预处理，得到预处理后的待分割图像序列；将预处理后的待分割图像序列输入预先训练的图像分割模型，得到图像分割结果。无需人工参与图像分割过程，且充分保留并利用了不同成像周期的图像信息，提高了图像分割结果的精准度和效率。

本申请实施例提供一种基于人工智能的核磁影像分割装置，如图4所示，该装置20包括：

获取模块201，被配置为获取目标区域的图像序列，图像序列包括第一周期图像子序列，第二周期图像子序列和第三周期图像子序列，第一周期图像子序列，第二周期图像子序列和第三周期图像子序列分别包括按照图像生成的先后顺序排列的多张序列图像，第一周期图像子序列，第二周期图像子序列和第三周期图像子序列中的序列图像的数量相同；

组合模块202，被配置为将第一周期图像子序列、第二周期图像子序列和第三周期图像子序列中与同一排序位置分别对应的序列图像组合为待分割图像，得到待分割图像序列；

处理模块203，被配置为对待分割图像序列中的每张待分割图像进行第一预处理，得到预处理后的待分割图像序列；

分割模块204，被配置为将预处理后的待分割图像序列输入预先训练的图像分割模型，得到图像分割结果，图像分割模型包括依次连接的第一模型和第二模型。

可选的，分割模块204，被配置为：

调用第一模型处理预处理后的待检测图像序列，得到第一特征图像序列；

调用第二模型处理第一特征图像序列，得到图像分割结果。

可选的，如图5所示，该装置还包括训练模块205，被配置为：

获取多个样本图像序列，样本图像序列包括第一周期样本图像子序列，第二周期样本图像子序列和第三周期样本图像子序列，第一周期样本图像子序列，第二周期样本图像子序列和第三周期样本图像子序列包括按照图像生成的先后顺序排列的多张样本序列图像；

对每张样本序列图像进行第二预处理得到预处理样本图像；

将多张预处理样本图像划分为训练集、验证集和测试集；

基于训练集、验证集和测试集训练初始图像分割模型，得到图像分割模型。

可选的，训练模块205，被配置为：

基于训练集和验证集训练初始图像分割模型，得到待测试初始图像分割模型；

利用测试集测试待测试初始图像分割模型，得到图像分割模型。

可选的，训练模块205，被配置为：

基于训练集训练初始图像分割模型，得到待验证图像分割模型，训练集包括多个第一样本待分割图像序列，第一样本待分割图像序列包括多张样本待分割图像，样本待分割图像由与同一样本图像序列对应的第一周期样本图像子序列、第二周期样本图像子序列和第三周期样本图像子序列中，与同一排序位置分别对应的预处理样本图像组合得到；

基于验证集验证待验证图像分割模型得到待测试初始图像分割模型。

可选的，训练模块205，被配置为：

将第一样本待分割图像序列输入初始第一模型，得到第一样本特征图像序列；

将第一样本特征图像序列输入初始第二模型，得到样本图像分割结果；

按照预设次数重复上述操作，得到待验证图像分割模型。

可选的，训练模块205，被配置为：

对每张第一样本待分割图像进行卷积操作，得到第二样本特征图像；

对第二样本特征图像进行特征压缩，得到第二样本特征图像的全局空间特征；

对全局空间特征进行特征激活，确定三个图像通道的权重值，三个图像通道分别用于接收第一样本待分割图像中，与第一周期样本图像子序列关联的预处理样本图像、与第二周期样本图像子序列关联的预处理样本图像和与第三周期样本图像子序列关联的预处理样本图像；

将权重值分配给对应图像通道的第二样本特征图像，得到第一样本特征图像；

依次输出第一样本特征图像得到第一样本特征图像序列。

综上所述，本申请实施例中提供的基于人工智能的核磁影像分割装置，可以获取目标区域的图像序列；将第一周期图像子序列、第二周期图像子序列和第三周期图像子序列中与同一排序位置分别对应的序列图像组合为待分割图像，得到待分割图像序列；对待分割图像序列中的每张待分割图像进行第一预处理，得到预处理后的待分割图像序列；将预处理后的待分割图像序列输入预先训练的图像分割模型，得到图像分割结果。无需人工参与图像分割过程，且充分保留并利用了不同成像周期的图像信息，提高了图像分割结果的精准度和效率。

图6是根据一示例性实施例示出的一种计算机系统，该计算机系统包括中央处理单元(CPU)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM303中，还存储有系统操作所需的各种程序和数据。CPU301、ROM302以及RAM303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

以下部件连接至I/O接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。

特别地，根据本申请的实施例，上文图1和图3描述的过程可以被实现为计算机软件程序。例如，本申请的各个实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)301执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的方法、装置和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、处理模块、组合模块和分割模块。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，获取模块还可以被描述为“用于获取目标区域的图像序列的获取模块”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中描述的基于人工智能的核磁影像分割方法。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种基于人工智能的核磁影像分割方法，其特征在于，包括：

获取目标区域的图像序列，所述图像序列包括第一周期图像子序列，第二周期图像子序列和第三周期图像子序列，所述第一周期图像子序列，所述第二周期图像子序列和所述第三周期图像子序列分别包括按照图像生成的先后顺序排列的多张序列图像，所述第一周期图像子序列，所述第二周期图像子序列和所述第三周期图像子序列中的所述序列图像的数量相同；

将所述第一周期图像子序列、所述第二周期图像子序列和所述第三周期图像子序列中与同一排序位置分别对应的所述序列图像组合为待分割图像，得到待分割图像序列；

对所述待分割图像序列中的每张所述待分割图像进行第一预处理，得到预处理后的所述待分割图像序列；

将预处理后的所述待分割图像序列输入预先训练的图像分割模型，得到图像分割结果，所述图像分割模型包括依次连接的第一模型和第二模型。

2.根据权利要求1所述的方法，其特征在于，将预处理后的所述待分割图像序列输入预先训练的图像分割模型，得到图像分割结果，包括：

调用所述第一模型处理预处理后的所述待检测图像序列，得到第一特征图像序列；

调用所述第二模型处理所述第一特征图像序列，得到图像分割结果。

3.根据权利要求1所述的方法，其特征在于，训练图像分割模型，包括：

获取多个样本图像序列，所述样本图像序列包括第一周期样本图像子序列，第二周期样本图像子序列和第三周期样本图像子序列，所述第一周期样本图像子序列，所述第二周期样本图像子序列和所述第三周期样本图像子序列包括按照图像生成的先后顺序排列的多张样本序列图像；

对每张所述样本序列图像进行第二预处理得到预处理样本图像；

将所述多张预处理样本图像划分为训练集、验证集和测试集；

基于所述训练集、所述验证集和所述测试集训练初始图像分割模型，得到图像分割模型。

4.根据权利要求3所述的方法，其特征在于，所述基于所述训练集、所述验证集和所述测试集训练初始图像分割模型，得到图像分割模型，包括：

基于所述训练集和所述验证集训练所述初始图像分割模型，得到待测试初始图像分割模型；

利用所述测试集测试所述待测试初始图像分割模型，得到图像分割模型。

5.根据权利要求4所述的方法，其特征在于，所述基于所述训练集和所述验证集训练所述初始图像分割模型，得到待测试初始图像分割模型，包括：

基于所述训练集训练所述初始图像分割模型，得到待验证图像分割模型，所述训练集包括多个第一样本待分割图像序列，所述第一样本待分割图像序列包括多张样本待分割图像，所述样本待分割图像由与同一样本图像序列对应的所述第一周期样本图像子序列、所述第二周期样本图像子序列和所述第三周期样本图像子序列中，与同一排序位置分别对应的所述预处理样本图像组合得到；

基于所述验证集验证所述待验证图像分割模型得到待测试初始图像分割模型。

6.根据权利要求5所述的方法，其特征在于，所述初始图像分割模型包括初始第一模型和初始第二模型，所述基于所述训练集训练所述初始图像分割模型，得到待验证图像分割模型，包括：

将所述第一样本待分割图像序列输入所述初始第一模型，得到第一样本特征图像序列；

将所述第一样本特征图像序列输入所述初始第二模型，得到样本图像分割结果；

按照预设次数重复上述操作，得到待验证图像分割模型。

7.根据权利要求6所述的方法，其特征在于，所述将所述第一样本待分割图像序列输入所述初始第一模型，得到第一样本特征图像序列，包括：

对每张所述第一样本待分割图像进行卷积操作，得到第二样本特征图像；

对所述第二样本特征图像进行特征压缩，得到所述第二样本特征图像的全局空间特征；

对所述全局空间特征进行特征激活，确定三个图像通道的权重值，所述三个图像通道分别用于接收所述第一样本待分割图像中，与所述第一周期样本图像子序列关联的所述预处理样本图像、与所述第二周期样本图像子序列关联的所述预处理样本图像和与所述第三周期样本图像子序列关联的所述预处理样本图像；

将所述权重值分配给对应所述图像通道的所述第二样本特征图像，得到第一样本特征图像；

依次输出所述第一样本特征图像得到第一样本特征图像序列。

8.一种基于人工智能的核磁影像分割装置，其特征在于，包括：

获取模块，被配置为获取目标区域的图像序列，所述图像序列包括第一周期图像子序列，第二周期图像子序列和第三周期图像子序列，所述第一周期图像子序列，所述第二周期图像子序列和所述第三周期图像子序列分别包括按照图像生成的先后顺序排列的多张序列图像，所述第一周期图像子序列，所述第二周期图像子序列和所述第三周期图像子序列中的所述序列图像的数量相同；

组合模块，被配置为将所述第一周期图像子序列、所述第二周期图像子序列和所述第三周期图像子序列中与同一排序位置分别对应的所述序列图像组合为待分割图像，得到待分割图像序列；

处理模块，被配置为对所述待分割图像序列中的每张所述待分割图像进行第一预处理，得到预处理后的所述待分割图像序列；

分割模块，被配置为将预处理后的所述待分割图像序列输入预先训练的图像分割模型，得到图像分割结果，所述图像分割模型包括依次连接的第一模型和第二模型。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器、处理器以及存储在存储器并可在处理器上运行的计算机程序，所述处理器用于执行所述程序时实现如权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序用于实现如权利要求1-7任一项所述的方法。

Images