CN112950553A - 一种多尺度肺叶分割方法、系统、存储介质及电子设备 - Google Patents

一种多尺度肺叶分割方法、系统、存储介质及电子设备 Download PDF

Info

Publication number
CN112950553A
CN112950553A CN202110164270.6A CN202110164270A CN112950553A CN 112950553 A CN112950553 A CN 112950553A CN 202110164270 A CN202110164270 A CN 202110164270A CN 112950553 A CN112950553 A CN 112950553A
Authority
CN
China
Prior art keywords
scale
segmentation
lung lobe
module
lung
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
CN202110164270.6A
Other languages
English (en)
Inventor
柴象飞
郭娜
张路
刘鹏飞
袁勇
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.)
Huiying Medical Technology Beijing Co ltd
Original Assignee
Huiying Medical Technology Beijing 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 Huiying Medical Technology Beijing Co ltd filed Critical Huiying Medical Technology Beijing Co ltd
Priority to CN202110164270.6A priority Critical patent/CN112950553A/zh
Publication of CN112950553A publication Critical patent/CN112950553A/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
    • G06T7/0002—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung

Landscapes

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

Abstract

本发明公开了一种多尺度肺叶分割方法、系统、存储介质及电子设备，涉及肺叶分割领域。该方法包括：步骤1，获取多个序列的肺部CT扫描图以及多尺度肺叶分割标签；步骤2，通过深度卷积神经网络，建立多尺度特征下的分割模型；步骤3，将所述多个序列的肺部CT扫描图输入至分割模型中，得到不同尺度下的不同类别的概率图；步骤4，根据所述不同尺度下的不同类别的概率图分别与所述多尺度肺叶分割标签进行损失计算，将计算结果回传并更新所述分割模型参数，并重复步骤1至步骤3，直至所述分割模型收敛，完成训练。本发明能够解决没有考虑到多尺度肺叶CT图像的特征问题，达到既能够保证全局分割效果，同时保证高分辨率下分割的精确性的效果。

Description

一种多尺度肺叶分割方法、系统、存储介质及电子设备
技术领域
本发明涉及肺叶分割领域，尤其涉及一种多尺度肺叶分割方法、系统、存储介质及电子设备。
背景技术
一般语义分割的输出结果都是一张与原图大小相同的代表各个类别的概率图，取相同位置最大概率所在的类别作为被分割像素的类别，因此常见的分割模型都只在最后特征上采样到跟原图大小后再进行损失计算，但是我们知道，在卷积神经网络中越深层的特征，即下采样越多的层，拥有的感受野越大，越能感受全局信息，而浅层特征，即经过多次上采样的层，更能够感受局部信息，而现有的肺叶分割方案都只考虑了在同一个尺度下做肺叶分割，没有考虑到多尺度肺叶CT图像的特征。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种多尺度肺叶分割方法、系统、存储介质及电子设备。
本发明解决上述技术问题的技术方案如下：一种多尺度肺叶分割方法，包括：
步骤1，获取多个序列的肺部CT扫描图以及多尺度肺叶分割标签；
步骤2，通过深度卷积神经网络，建立多尺度特征下的分割模型；
步骤3，将所述多个序列的肺部CT扫描图输入至分割模型中，得到不同尺度下的不同类别的概率图；
步骤4，根据所述不同尺度下的不同类别的概率图分别与所述多尺度肺叶分割标签进行损失计算，将计算结果回传并更新所述分割模型参数，并重复步骤1至步骤3，直至所述分割模型收敛，完成训练。
本发明的有益效果是：通过考虑肺叶分割时的多尺度信息，充分利用了深度学习中不同分辨率的特征优势，将人工标记的肺叶标签缩放到不同尺度下，在不同分辨率层面一一计算损失并回传梯度，可以有效确保肺叶分割过程中，在低分辨率下不忽视面积较少的肺叶层面，既能够保证全局分割效果，同时保证高分辨率下分割的精确性。
进一步，所述分割模型包括：第一模块以及第二模块，所述第一模块包括：多个第一子模块，所述第一子模块包括：第一卷积层、第一激活层以及池化层，所述第二模块包括：多个第二子模块，所述第二子模块包括：第二卷积层、第二激活层以及上采样层。
采用上述进一步方案的有益效果是，根据插值以及缩放处理，将处理结果输入至模型中可以有效确保肺叶分割过程中，在低分辨率下不忽视面积较少的肺叶层面，既能够保证全局分割效果，同时保证高分辨率下分割的精确性。
进一步，根据所述概率图进行损失l计算，具体公式为：
Figure BDA0002937043280000021
其中，M表示类别数，yc是一个one-hot向量，Pc表示预测样本属于c的概率。
进一步，步骤4还包括：
将不同分辨率下的损失计算的结果进行加权求和，将求和结果L进行回传，完成分割，求和公式为：
Figure BDA0002937043280000031
其中，N表示在N个不同尺度下计算损失，i表示当前第i个尺度下，w表示当前尺度的权值，l表示当前尺度下的交叉熵Loss。
本发明解决上述技术问题的另一种技术方案如下：一种多尺度肺叶分割系统，包括：
获取模块，用于获取多个序列的肺部CT扫描图以及多尺度肺叶分割标签；
建立模块，用于通过深度卷积神经网络，建立多尺度特征下的分割模型；
输入模块，用于将所述多个序列的肺部CT扫描图输入至分割模型中，得到不同尺度下的不同类别的概率图；
计算模块，用于根据所述不同尺度下的不同类别的概率图分别与所述多尺度肺叶分割标签进行损失计算，将计算结果回传并更新所述分割模型参数，并重复步骤1至步骤3，直至所述分割模型收敛，完成训练。
本发明的有益效果是：通过考虑肺叶分割时的多尺度信息，充分利用了深度学习中不同分辨率的特征优势，将人工标记的肺叶标签缩放到不同尺度下，在不同分辨率层面一一计算损失并回传梯度，可以有效确保肺叶分割过程中，在低分辨率下不忽视面积较少的肺叶层面，既能够保证全局分割效果，同时保证高分辨率下分割的精确性。
进一步，所述分割模型包括：第一模块以及第二模块，所述第一模块包括：多个第一子模块，所述第一子模块包括：第一卷积层、第一激活层以及池化层，所述第二模块包括：多个第二子模块，所述第二子模块包括：第二卷积层、第二激活层以及上采样层。
采用上述进一步方案的有益效果是，根据插值以及缩放处理，将处理结果输入至模型中可以有效确保肺叶分割过程中，在低分辨率下不忽视面积较少的肺叶层面，既能够保证全局分割效果，同时保证高分辨率下分割的精确性。
进一步，根据所述概率图进行损失l计算，具体公式为：
Figure BDA0002937043280000041
其中，M表示类别数，yc是一个one-hot向量，Pc表示预测样本属于c的概率。
进一步，计算模块具体用于：
将不同分辨率下的损失计算的结果进行加权求和，将求和结果L进行回传，完成分割，求和公式为：
Figure BDA0002937043280000042
其中，N表示在N个不同尺度下计算损失，i表示当前第i个尺度下，w表示当前尺度的权值，l表示当前尺度下的交叉熵Loss。
本发明解决上述技术问题的另一种技术方案如下：一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的向量，所述处理器执行所述向量时实现如上述任一项所述的一种多尺度肺叶分割方法。
本发明的有益效果是：通过考虑肺叶分割时的多尺度信息，充分利用了深度学习中不同分辨率的特征优势，将人工标记的肺叶标签缩放到不同尺度下，在不同分辨率层面一一计算损失并回传梯度，可以有效确保肺叶分割过程中，在低分辨率下不忽视面积较少的肺叶层面，既能够保证全局分割效果，同时保证高分辨率下分割的精确性。
本发明解决上述技术问题的另一种技术方案如下：一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一项所述的一种多尺度肺叶分割方法。
本发明的有益效果是：通过考虑肺叶分割时的多尺度信息，充分利用了深度学习中不同分辨率的特征优势，将人工标记的肺叶标签缩放到不同尺度下，在不同分辨率层面一一计算损失并回传梯度，可以有效确保肺叶分割过程中，在低分辨率下不忽视面积较少的肺叶层面，既能够保证全局分割效果，同时保证高分辨率下分割的精确性。
本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
图1为本发明一种多尺度肺叶分割方法的实施例提供的流程示意图；
图2为本发明一种多尺度肺叶分割系统的实施例提供的结构框架图
图3为本发明一种多尺度肺叶分割方法的其他实施例提供的网络结构示意图；
附图中，各标号所代表的部件列表如下：
100、获取模块，200、建立模块，300、输入模块，400、计算模块。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，一种多尺度肺叶分割方法，包括：
步骤1，获取多个序列的肺部CT扫描图以及多尺度肺叶分割标签；
步骤2，通过深度卷积神经网络，建立多尺度特征下的分割模型；
步骤3，将多个序列的肺部CT扫描图输入至分割模型中，得到不同尺度下的不同类别的概率图；
步骤4，根据所述不同尺度下的不同类别的概率图分别与所述多尺度肺叶分割标签进行损失计算，将计算结果回传并更新所述分割模型参数，并重复步骤1至步骤3，直至所述分割模型收敛，完成训练。
在一些可能的实施方式中，通过考虑肺叶分割时的多尺度信息，充分利用了深度学习中不同分辨率的特征优势，将人工标记的肺叶标签缩放到不同尺度下，在不同分辨率层面一一计算损失并回传梯度，可以有效确保肺叶分割过程中，在低分辨率下不忽视面积较少的肺叶层面，既能够保证全局分割效果，同时保证高分辨率下分割的精确性。
需要说明的是，分割模型收敛为：分割模型的损失函数值不再下降或下降很小，此时模型收敛。因为肺叶的分割结果往往依赖前后层面的信息，因此输入需要m个相邻序列的CT图像，这个数字m不确定，可以经验性地进行选择，如9，15,21等等，多尺度肺叶分割标签通过人工通过专业标记软件进行标记，对于分割模块的建立可以为对所述多尺度肺叶分割标签进行插值处理，将处理结果进行缩放，将缩放后的结果输入至分割模型中间层中与多尺度肺叶分割标签的分辨率相同的分辨率中，完成对分割模型的建立，将CT扫描图输入时，通常分割模型的输出是一张跟原图大小相同的概率图，比如输入的是9x512x512的图像，分割的类别是6类，则输出是6x512x512，然后再对输出的第1个维度求最大概率所在的位置，即可以得到512x512大小的分割结果，结果包含0-5，不同数字代表不同的类别。这里9个相邻序列的输入并不会一次预测9个序列的结果，可能只会预测中间层间的结果，或者中间几个层面的结果，这样结果比较准确，损失计算可通过下式：
Figure BDA0002937043280000061
优选地，在上述任意实施例中，所述分割模型包括：第一模块以及第二模块，所述第一模块包括：多个第一子模块，所述第一子模块包括：第一卷积层、第一激活层以及池化层，所述第二模块包括：多个第二子模块，所述第二子模块包括：第二卷积层、第二激活层以及上采样层。
在一些可能的实施方式中，根据插值以及缩放处理，将处理结果输入至模型中可以有效确保肺叶分割过程中，在低分辨率下不忽视面积较少的肺叶层面，既能够保证全局分割效果，同时保证高分辨率下分割的精确性。
优选地，在上述任意实施例中，根据概率图进行损失l计算，具体公式为：
Figure BDA0002937043280000071
其中，M表示类别数，yc是一个one-hot向量，Pc表示预测样本属于c的概率。
优选地，在上述任意实施例中，步骤4还包括：
将不同分辨率下的损失计算的结果进行加权求和，将求和结果L进行回传，完成分割，求和公式为：
Figure BDA0002937043280000072
其中，N表示在N个不同尺度下计算损失，i表示当前第i个尺度下，w表示当前尺度的权值，l表示当前尺度下的交叉熵Loss。
如图2所示，一种多尺度肺叶分割系统，包括：
获取模块100，用于获取多个序列的肺部CT扫描图以及多尺度肺叶分割标签；
建立模块200，用于通过深度卷积神经网络，建立多尺度特征下的分割模型；
输入模块300，用于将多个序列的肺部CT扫描图输入至分割模型中，得到不同尺度下的不同类别的概率图；
计算模块400，用于根据所述不同尺度下的不同类别的概率图分别与所述多尺度肺叶分割标签进行损失计算，将计算结果回传并更新所述分割模型参数，并重复步骤1至步骤3，直至所述分割模型收敛，完成训练。
在一些可能的实施方式中，通过考虑肺叶分割时的多尺度信息，充分利用了深度学习中不同分辨率的特征优势，将人工标记的肺叶标签缩放到不同尺度下，在不同分辨率层面一一计算损失并回传梯度，可以有效确保肺叶分割过程中，在低分辨率下不忽视面积较少的肺叶层面，既能够保证全局分割效果，同时保证高分辨率下分割的精确性。
需要说明的是，因为肺叶的分割结果往往依赖前后层面的信息，因此输入需要m个相邻序列的CT图像，这个数字m不确定，可以经验性地进行选择，如9，15,21等等，多尺度肺叶分割标签通过人工通过专业标记软件进行标记，对于分割模块的建立可以为对所述多尺度肺叶分割标签进行插值处理，将处理结果进行缩放，将缩放后的结果输入至分割模型中间层中与多尺度肺叶分割标签的分辨率相同的分辨率中，完成对分割模型的建立，将CT扫描图输入时，如图3所示，通常分割模型的输出是一张跟原图大小相同的概率图，比如输入的是9x512x512的图像，分割的类别是6类，则输出是6x512x512，然后再对输出的第1个维度求最大概率所在的位置，即可以得到512x512大小的分割结果，结果包含0-5，不同数字代表不同的类别。这里9个相邻序列的输入并不会一次预测9个序列的结果，可能只会预测中间层间的结果，或者中间几个层面的结果，这样结果比较准确，损失计算可通过下式：
Figure BDA0002937043280000081
优选地，在上述任意实施例中，所述分割模型包括：第一模块以及第二模块，所述第一模块包括：多个第一子模块，所述第一子模块包括：第一卷积层、第一激活层以及池化层，所述第二模块包括：多个第二子模块，所述第二子模块包括：第二卷积层、第二激活层以及上采样层。
在一些可能的实施方式中，根据插值以及缩放处理，将处理结果输入至模型中可以有效确保肺叶分割过程中，在低分辨率下不忽视面积较少的肺叶层面，既能够保证全局分割效果，同时保证高分辨率下分割的精确性。
优选地，在上述任意实施例中，根据概率图进行损失l计算，具体公式为：
Figure BDA0002937043280000091
其中，M表示类别数，yc是一个one-hot向量，Pc表示预测样本属于c的概率。
优选地，在上述任意实施例中，计算模块400具体用于：
将不同分辨率下的损失计算的结果进行加权求和，将求和结果L进行回传，完成分割，求和公式为：
Figure BDA0002937043280000092
其中，N表示在N个不同尺度下计算损失，i表示当前第i个尺度下，w表示当前尺度的权值，l表示当前尺度下的交叉熵Loss。
一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的向量，所述处理器执行所述向量时实现如上述任一项所述的一种多尺度肺叶分割方法。
在一些可能的实施方式中，通过考虑肺叶分割时的多尺度信息，充分利用了深度学习中不同分辨率的特征优势，将人工标记的肺叶标签缩放到不同尺度下，在不同分辨率层面一一计算损失并回传梯度，可以有效确保肺叶分割过程中，在低分辨率下不忽视面积较少的肺叶层面，既能够保证全局分割效果，同时保证高分辨率下分割的精确性。
一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一项所述的一种多尺度肺叶分割方法。
在一些可能的实施方式中，通过考虑肺叶分割时的多尺度信息，充分利用了深度学习中不同分辨率的特征优势，将人工标记的肺叶标签缩放到不同尺度下，在不同分辨率层面一一计算损失并回传梯度，可以有效确保肺叶分割过程中，在低分辨率下不忽视面积较少的肺叶层面，既能够保证全局分割效果，同时保证高分辨率下分割的精确性。
实施例1，获取多个序列的肺部CT扫描图以及人工通过标记软件标记的多尺度肺叶分割标签，对多尺度肺叶分割标签进行插值处理，将处理结果进行缩放，将缩放后的结果输入至分割模型中间层中与多尺度肺叶分割标签的分辨率相同的分辨率中，完成对分割模型的建立，分割模型可以为任意的语义分割模型，如U-net等，这里可以替换为任何可用的深度学习语义分割模型，在分割模型中一般会产生不同分辨率大小的特征层，通过将人工标记的肺叶分割标签经过插值后缩放到和分割模型中间层相同大小的分辨率下，可以在不同的分辨率下一一对应并计算损失函数。具体公式为：
Figure BDA0002937043280000101
其中，M表示类别数，元素只有0和1两种取值，如果该类别和样本的类别相同就取1，yc是一个one-hot向量，Pc表示预测样本属于c的概率，损失函数也可以取softmaxLoss或者DiceLoss等其他分割损失函数，将不同分辨率下的损失计算的结果进行加权求和，将求和结果L进行回传，完成分割，求和公式为：
Figure BDA0002937043280000102
其中，N表示在N个不同尺度下计算损失，i表示当前第i个尺度下，w表示当前尺度的权值，l表示当前尺度下的交叉熵Loss。
可以理解，在一些实施例中，可以包含如上述各实施例中的部分或全部可选实施方式。
需要说明的是，上述各实施例是与在先方法实施例对应的产品实施例，对于产品实施例中各可选实施方式的说明可以参考上述各方法实施例中的对应说明，在此不再赘述。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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)执行本发明各个实施例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-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种多尺度肺叶分割方法，其特征在于，包括：
步骤1，获取多个序列的肺部CT扫描图以及多尺度肺叶分割标签；
步骤2，通过深度卷积神经网络，建立多尺度特征下的分割模型；
步骤3，将所述多个序列的肺部CT扫描图输入至分割模型中，得到不同尺度下的不同类别的概率图；
步骤4，根据所述不同尺度下的不同类别的概率图分别与所述多尺度肺叶分割标签进行损失计算，将计算结果回传并更新所述分割模型参数，并重复步骤1至步骤3，直至所述分割模型收敛，完成训练。
2.根据权利要求1所述的一种多尺度肺叶分割方法，其特征在于，所述分割模型包括：第一模块以及第二模块，所述第一模块包括：多个第一子模块，所述第一子模块包括：第一卷积层、第一激活层以及池化层，所述第二模块包括：多个第二子模块，所述第二子模块包括：第二卷积层、第二激活层以及上采样层。
3.根据权利要求1所述的一种多尺度肺叶分割方法，其特征在于，根据所述概率图进行损失l计算，具体公式为：
Figure FDA0002937043270000011
其中，M表示类别数，yc是一个one-hot向量，Pc表示预测样本属于c的概率。
4.根据权利要求3所述的一种多尺度肺叶分割方法，其特征在于，步骤4还包括：
将不同分辨率下的损失计算的结果进行加权求和，将求和结果L进行回传，完成分割，求和公式为：
Figure FDA0002937043270000021
其中，N表示在N个不同尺度下计算损失，i表示当前第i个尺度下，w表示当前尺度的权值，l表示当前尺度下的交叉熵Loss。
5.一种多尺度肺叶分割系统，其特征在于，包括：
获取模块，用于获取多个序列的肺部CT扫描图以及多尺度肺叶分割标签；
建立模块，用于通过深度卷积神经网络，建立多尺度特征下的分割模型；
输入模块，用于将所述多个序列的肺部CT扫描图输入至分割模型中，得到不同尺度下的不同类别的概率图；
计算模块，用于根据所述不同尺度下的不同类别的概率图分别与所述多尺度肺叶分割标签进行损失计算，将计算结果回传并更新所述分割模型参数，并重复步骤1至步骤3，直至所述分割模型收敛，完成训练。
6.根据权利要求5所述的一种多尺度肺叶分割系统，其特征在于，所述分割模型包括：第一模块以及第二模块，所述第一模块包括：多个第一子模块，所述第一子模块包括：第一卷积层、第一激活层以及池化层，所述第二模块包括：多个第二子模块，所述第二子模块包括：第二卷积层、第二激活层以及上采样层。
7.根据权利要求5所述的一种多尺度肺叶分割系统，其特征在于，根据所述概率图进行损失l计算，具体公式为：
Figure FDA0002937043270000031
其中，M表示类别数，yc是一个one-hot向量，Pc表示预测样本属于c的概率。
8.根据权利要求7所述的一种多尺度肺叶分割系统，其特征在于，计算模块具体用于：
将不同分辨率下的损失计算的结果进行加权求和，将求和结果L进行回传，完成分割，求和公式为：
Figure FDA0002937043270000032
其中，N表示在N个不同尺度下计算损失，i表示当前第i个尺度下，w表示当前尺度的权值，l表示当前尺度下的交叉熵Loss。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的向量，其特征在于，所述处理器执行所述向量时实现如权利要求1至4任一项所述的一种多尺度肺叶分割方法。
10.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至4中任一项所述的一种多尺度肺叶分割方法。
CN202110164270.6A 2021-02-05 2021-02-05 一种多尺度肺叶分割方法、系统、存储介质及电子设备 Pending CN112950553A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110164270.6A CN112950553A (zh) 2021-02-05 2021-02-05 一种多尺度肺叶分割方法、系统、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110164270.6A CN112950553A (zh) 2021-02-05 2021-02-05 一种多尺度肺叶分割方法、系统、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN112950553A true CN112950553A (zh) 2021-06-11

Family

ID=76242865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110164270.6A Pending CN112950553A (zh) 2021-02-05 2021-02-05 一种多尺度肺叶分割方法、系统、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN112950553A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325534A (zh) * 2018-09-22 2019-02-12 天津大学 一种基于双向多尺度金字塔的语义分割方法
CN110060262A (zh) * 2019-04-18 2019-07-26 北京市商汤科技开发有限公司 一种图像分割方法及装置、电子设备和存储介质
CN110930417A (zh) * 2019-11-26 2020-03-27 腾讯科技（深圳）有限公司 图像分割模型的训练方法和装置、图像分割方法和装置
CN111080575A (zh) * 2019-11-22 2020-04-28 东南大学 一种基于残差密集u形网络模型的丘脑分割方法
CN111583264A (zh) * 2020-05-06 2020-08-25 上海联影智能医疗科技有限公司 图像分割网络的训练方法、图像分割方法和存储介质
CN111723817A (zh) * 2020-06-30 2020-09-29 重庆大学 一种肺结节辅助检测方法
WO2020199593A1 (zh) * 2019-04-04 2020-10-08 平安科技（深圳）有限公司 图像分割模型训练方法、图像分割方法、装置、设备及介质
CN111882560A (zh) * 2020-06-16 2020-11-03 北京工业大学 一种基于加权全卷积神经网络的肺实质ct图像分割方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325534A (zh) * 2018-09-22 2019-02-12 天津大学 一种基于双向多尺度金字塔的语义分割方法
WO2020199593A1 (zh) * 2019-04-04 2020-10-08 平安科技（深圳）有限公司 图像分割模型训练方法、图像分割方法、装置、设备及介质
CN110060262A (zh) * 2019-04-18 2019-07-26 北京市商汤科技开发有限公司 一种图像分割方法及装置、电子设备和存储介质
WO2020211293A1 (zh) * 2019-04-18 2020-10-22 北京市商汤科技开发有限公司 一种图像分割方法及装置、电子设备和存储介质
CN111080575A (zh) * 2019-11-22 2020-04-28 东南大学 一种基于残差密集u形网络模型的丘脑分割方法
CN110930417A (zh) * 2019-11-26 2020-03-27 腾讯科技（深圳）有限公司 图像分割模型的训练方法和装置、图像分割方法和装置
CN111583264A (zh) * 2020-05-06 2020-08-25 上海联影智能医疗科技有限公司 图像分割网络的训练方法、图像分割方法和存储介质
CN111882560A (zh) * 2020-06-16 2020-11-03 北京工业大学 一种基于加权全卷积神经网络的肺实质ct图像分割方法
CN111723817A (zh) * 2020-06-30 2020-09-29 重庆大学 一种肺结节辅助检测方法

Similar Documents

Publication Publication Date Title
CN110232394B (zh) 一种多尺度图像语义分割方法
CN112016507B (zh) 基于超分辨率的车辆检测方法、装置、设备及存储介质
CN111369442B (zh) 基于模糊核分类与注意力机制的遥感图像超分辨重建方法
CN113362329A (zh) 病灶检测模型的训练方法及识别图像中的病灶的方法
CN116645592B (zh) 一种基于图像处理的裂缝检测方法和存储介质
CN111274981B (zh) 目标检测网络构建方法及装置、目标检测方法
JP6107531B2 (ja) 特徴抽出プログラム及び情報処理装置
CN111798469A (zh) 基于深度卷积神经网络的数字图像小数据集语义分割方法
CN112016569A (zh) 基于注意力机制的目标检测方法、网络、设备和存储介质
CN116994140A (zh) 基于遥感影像的耕地提取方法、装置、设备和介质
CN112800955A (zh) 基于加权双向特征金字塔的遥感影像旋转目标检测方法及系统
CN114676777A (zh) 一种基于孪生网络的自监督学习细粒度图像分类方法
CN114022359A (zh) 图像超分辨率模型训练方法、装置、存储介质及设备
CN111179270A (zh) 基于注意力机制的图像共分割方法和装置
CN115147598A (zh) 目标检测分割方法、装置、智能终端及存储介质
CN114241388A (zh) 基于时空记忆信息的视频实例分割方法和分割装置
CN112651364A (zh) 图像处理方法、装置、电子设备及存储介质
CN114387270A (zh) 图像处理方法、装置、计算机设备和存储介质
CN111914949B (zh) 基于强化学习的零样本学习模型的训练方法及装置
CN111967408B (zh) 基于“预测-恢复-识别”的低分辨率行人重识别方法及系统
CN117437423A (zh) 基于sam协同学习和跨层特征聚合增强的弱监督医学图像分割方法及装置
CN114359739B (zh) 目标识别方法及装置
CN112950553A (zh) 一种多尺度肺叶分割方法、系统、存储介质及电子设备
CN113536971A (zh) 一种基于增量学习的目标检测方法
CN113486879A (zh) 图像区域建议框检测方法、装置、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
CB02 Change of applicant information

Address after: 100192 A206, 2 / F, building B-2, Dongsheng Science Park, Zhongguancun, 66 xixiaokou Road, Haidian District, Beijing

Applicant after: Huiying medical technology (Beijing) Co.,Ltd.

Address before: 100192 A206, 2 / F, building B-2, Dongsheng Science Park, Zhongguancun, 66 xixiaokou Road, Haidian District, Beijing

Applicant before: HUIYING MEDICAL TECHNOLOGY (BEIJING) Co.,Ltd.

CB02 Change of applicant information