CN113177953B - 肝脏区域分割方法、装置、电子设备及存储介质 - Google Patents
肝脏区域分割方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113177953B CN113177953B CN202110463307.5A CN202110463307A CN113177953B CN 113177953 B CN113177953 B CN 113177953B CN 202110463307 A CN202110463307 A CN 202110463307A CN 113177953 B CN113177953 B CN 113177953B
- Authority
- CN
- China
- Prior art keywords
- target
- image
- sample
- dimensional
- dimensional image
- 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.)
- Active
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 140
- 210000004185 liver Anatomy 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 94
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000003709 image segmentation Methods 0.000 claims abstract description 40
- 238000000605 extraction Methods 0.000 claims description 61
- 238000012545 processing Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 25
- 238000003384 imaging method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 206010019695 Hepatic neoplasm Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 208000014018 liver neoplasm Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010064390 Tumour invasion Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000009400 cancer invasion Effects 0.000 description 1
- 208000019425 cirrhosis of liver Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000006454 hepatitis Diseases 0.000 description 1
- 231100000283 hepatitis Toxicity 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
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
- 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
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及人工智能技术领域,具体涉及一种肝脏区域分割方法、装置、电子设备及存储介质。该方法包括:获取核磁共振图像,核磁共振图像包括多个图像序列,其中,多个图像序列中的每个图像序列包括多帧二维图像;从多个图像序列中选取至少一个目标图像序列,并确定至少一个目标图像序列中的每个目标图像序列中的目标二维图像,其中,至少一个目标图像序列中的目标二维图像包含的身体部位相同;将每个目标图像序列中的目标二维图像以及与每个目标图像序列中的目标二维图像相邻的前后两帧二维图像输入到完成训练的神经网络,对每个目标图像序列中的进行图像分割,得到目标二维图像中的肝脏区域。本申请实施例有利于提高肝脏区域的分割精度。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及一种肝脏区域分割方法、装置、电子设备及存储介质。
背景技术
肝脏分割在肝肿瘤、肝硬化、肝炎等疾病的诊断中有重要应用,是实现肝脏疾病只能诊断的基础性任务,性能优异的肝脏分割模型可以辅助去除肿瘤检测的假阳性区域,计算肝脏体积,预测肿瘤侵犯程度,辅助手术规划等。
目前肝脏分割模型大多基于(Computed Tomography,CT)图像开发。相比于CT图像,核磁共振图像(Magnetic Resonance Imaging,MRI)通常使用多种成像原理生成多种分辨率不同的序列,并且不同病人包含的序列类别也不尽相同,同时MRI广泛应用于肝脏肿瘤诊断,所以很多MRI中包含肿瘤区域,使得肝脏形状与健康肝脏有差异,这也给肝脏分割带来挑战。目前临床诊断中,越来越多的医生逐渐从CT影像过渡到MRI图像,MRI图像通常有着更高的对比度和更清晰的成像质量,在呈现肿瘤和器官内部的纹理和血管方面有着CT图像难以相比的优势。
因此,现在亟需提供一种基于MRI进行肝脏区域分割的方法,以提高肝脏区域的分割精度。
发明内容
本申请实施例提供了一种肝脏区域分割方法、装置、电子设备及存储介质,实现基于核磁共振图像进行肝脏区域的分割,提高肝脏区域的分割精度。
第一方面,本申请实施例提供一种肝脏区域分割方法,包括:
获取核磁共振图像,所述核磁共振图像包括多个图像序列,其中,所述多个图像序列中的每个图像序列包括多帧二维图像;
从所述多个图像序列中选取至少一个目标图像序列,并确定所述至少一个目标图像序列中的每个目标图像序列中的目标二维图像,其中,所述至少一个目标图像序列中的目标二维图像包含的身体部位相同;
将所述每个目标图像序列中的目标二维图像以及与所述每个目标图像序列中的目标二维图像相邻的前后两帧二维图像输入到完成训练的神经网络,对所述每个目标图像序列中的进行图像分割,得到所述目标二维图像中的肝脏区域。
第二方面,本申请实施例提供一种肝脏区域分割装置,包括:
获取单元,用于获取核磁共振图像,所述核磁共振图像包括多个图像序列,其中,所述多个图像序列中的每个图像序列包括多帧二维图像;
处理单元,用于从所述多个图像序列中选取至少一个目标图像序列,并确定所述至少一个目标图像序列中的每个目标图像序列中的目标二维图像,其中,所述至少一个目标图像序列中的目标二维图像包含的身体部位相同;
所述处理单元,还用于将所述每个目标图像序列中的目标二维图像以及与所述每个目标图像序列中的目标二维图像相邻的前后两帧二维图像输入到完成训练的神经网络,对所述每个目标图像序列中的进行图像分割,得到所述目标二维图像中的肝脏区域。
第三方面,本申请实施例提供一种电子设备,包括:处理器,所述处理器与存储器相连,所述存储器用于存储计算机程序,所述处理器用于执行所述存储器中存储的计算机程序,以使得所述电子设备执行如第二方面所述的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序使得计算机执行如第一方面所述的方法。
第五方面,本申请实施例提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机可操作来使计算机执行如第二方面所述的方法。
实施本申请实施例,具有如下有益效果:
可以看出,在本申请实施例中,先从MRI的多个图像序列中选取至少一个目标图像序列,并确定每个目标图像序列中的目标二维图像;然后,对每个目标图像序列中的目标二维图像进行图像分割,得到每个目标图像序列中的目标二维图像中的肝脏区域,从而提供了一种MRI中的二维图像进行肝脏区域进行分割的方法和手段。此外,由于MRI中的二维图像有着较高的对比度以及成像质量,对肿瘤和器官内部的纹理和血管的呈现都比较清晰,因此,使用MRI中的二维图像进行图像分割,更容易结合图像中的纹理特征分割出肝脏区域,提高了对肝脏区域的分割精度;而且,在分割时融合了目标二维图像的前后两帧二维图像以及多个图像序列中与该目标二维图像相关的图像信息,进一步提高肝脏区域的分割精度。
附图说明
为了更清楚地说明本申请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,下面描述中的附图是本申请的一些实施例,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。
图1为本申请实施例提供的一种基于核磁共振图像的肝脏分割方法的流程示意图;
图2为本申请实施例提供的一种神经网络的结构示意图;
图3为本申请实施例提供的一种神经网络训练方法的流程示意图;
图4为本申请实施例提供的一种基于核磁共振图像的肝脏分割装置的功能单元组成框图;
图5为本申请实施例提供的一种电子设备的结构示意图。
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,所描述的实施例是本申请一部分实施例,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作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。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结果或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参阅图1,图1为本申请实施例提供的一种基于核磁共振图像的肝脏分割方法的流程示意图。该方法应用于基于核磁共振图像的肝脏分割装置。该方法包括以下步骤内容:
101:获取核磁共振图像,所述核磁共振图像包括多个图像序列,其中,所述多个图像序列中的每个图像序列包括多帧二维图像。
示例性的,可通过核磁共振仪实时对待检查用户进行核磁成像,得到MRI,然后,从核磁共振仪中获取MRI;或者,直接从医疗库中获取待检查用户已成像好的MRI,本申请不对获取MRI的方式进行限定。
102:从所述多个图像序列中选取至少一个目标图像序列,并确定所述至少一个目标图像序列中的每个目标图像序列中的目标二维图像,其中,所述至少一个目标图像序列中的目标二维图像包含的身体部位相同。
示例性的,可通过随机选取的方式从,该多个图像序列中选取至少一个目标图像序列。因此,从该多个图像序列中选取至少一个目标图像序列的方式可以通过随机组合的方式实现,则选取方案有()种,其中,N为该多个图像序列的数量。比如,多个图像序列的数量为5个,则共有/>种选取方案。
示例性的,可以通过随机选取的方式从至少一个目标图像序列中的每个目标图像序列中选取一帧二维图像,作为每个目标图像序列的目标二维图像。并且,选取出的每个目标图像序列中的目标二维图像包含的身体部位相同。
应理解,由于多个图像序列采用的成像方式不同,即使该多个图像序列是对同一个部位进行成像,得到的成像视野也是不同的,也就是成像结果不同。因此,首先需要根据影像层厚度,确定出每个图像序列中的每个二维图像的世界坐标;然后,基于每个图像序列的每个二维图像的世界坐标,确定该多个图像序列中对应的二维图像中的公共区域,其中,该对应的二维图像是指多个图像序列中成像顺序相同的二维图像。比如,第一个图像序列和第二个图像序列各包含五帧图像,则第一个图像序列中的第一帧图像和第二个图像序列中的第一帧图像为对应的二维图像。最后,再使用deeds算法对每个图像序列中的二维图像进行配准,将不同图像序列下的二维图像统一到同一分辨率下,使该多个图像序列下的分辨率相同。
此外,为了消除噪声影响,再对该多个图像序列中的任意一帧二维图像进行分辨率配准之后,还可以获取每个图像序列中的每帧二维图像中的每个像素点的像素值,根据每帧二维图像中的每个像素点的像素值,以及预设的第一分位点和第二分位点,对每个图像序列中的每帧二维图像中的像素点进行截断,比如,第一分位点为0.1%,第二分位点为99.9%,二维图像中的像素点的数量为10000,则可以对这10000个像素点的像素值按照从小到大的顺序进行排序,确定排在第10的像素点,并将顺序位于第10之前的像素点的像素值全部设置为顺序排在第10的像素点对应的像素值。同样,可将顺序位于9990之后的像素点的像素值设置为顺序排在第9990的像素点的像素值,得到噪声消除的MRI。最后,将噪声消除后的MRI作为步骤101和步骤102中的MRI。
103:将所述每个目标图像序列中的目标二维图像以及与所述每个目标图像序列中的目标二维图像相邻的前后两帧二维图像输入到完成训练的神经网络,对所述每个目标图像序列中的进行图像分割,得到所述目标二维图像中的肝脏区域。
示例性的,获取与每个目标图像序列中的目标二维图像相邻的前后两帧的二维图像;根据每个目标图像序列中的目标二维图像、以及与每个目标图像序列中的目标二维图像相邻的前后两帧的二维图像,对每个目标图像序列中的目标二维图像进行图像分割,得到该目标二维图像中的肝脏区域。
在本申请的一个实施方式中,对每个目标图像序列中的目标二维图像进行图像分割可以通过完成训练的神经网络实现,后面详细描述对该神经网络的训练过程,在此不做过多描述。
具体的,分别将每个目标图像序列的目标二维图像、以及与每个目标图像序列中的目标二维图像前后相邻的两帧二维图像作为完成训练的神经网络的不同通道的输入数据进行图像分割,得到该目标二维图像对应的第一概率分割图,其中,该第一概率分割图用于表示该目标二维图像中每个像素点属于肝脏的概率;然后,根据该第一概率分割图确定出该目标二维图像中属于肝脏的像素点,其中,肝脏区域中的任意一个像素点属于肝脏的概率大于第一阈值,比如,将属于肝脏的概率大于第一阈值的像素点作为目标像素点,并将该目标二维图像中所有的目标像素点组成该肝脏区域。
其中,该神经网络可以常见的图像分割网络,比如,U-NET、V-NET或者PHNN。本申请中以该神经网络为PHNN为例进行说明。
具体的,该神经网络包括N个特征提取层,其中,该特征提取层可以为卷积层,并且本申请中以该特征提取层为卷积层为例进行说明。则可通过第i个特征提取层对所述第i个特征提取层的输入数据进行特征提取,得到与所述第i个特征提取层对应的特征提取结果,其中,所述第i个特征提取层的输入数据为第i-1个特征提取层的特征提取结果,2≤i≤N,且当i取值为1时,所述第i个特征提取层的输入数据为所述目标二维图像,以及与所述每个目标图像序列中的目标二维图像前后相邻的两帧二维图像;对所述第i个特征提取层对应的特征提取结果进行语义分割,得到与所述第i个特征提取层对应的语义分割结果;将所述N个特征提取层的语义分割结果进行叠加,得到目标语义分割结果;将所述目标语义分割结果进行非线性激活,得到所述第一概率分割图。
应理解,由于每帧目标二维图像是随机选取得到的,则在实际应用中,可以选取不同的目标二维图像,从而可以得到每个目标图像序列的每帧二维图像中的肝脏区域,即实现将该MRI中的每帧二维图像的肝脏区域分割出来。
可以看出,在本申请实施例中,可以看出,在本申请实施例中,先从MRI的多个图像序列中选取至少一个目标图像序列,并确定每个目标图像序列中的目标二维图像;然后,对每个目标图像序列中的目标二维图像进行图像分割,得到每个目标图像序列中的目标二维图像中的肝脏区域,从而提供了一种MRI中的二维图像进行肝脏区域进行分割的方法和手段。此外,由于MRI中的二维图像有着较高的对比度以及成像质量,对肿瘤和器官内部的纹理和血管的呈现都比较清晰,因此,使用MRI中的二维图像进行图像分割,更容易结合图像中的纹理特征分割出肝脏区域,提高了对肝脏区域的分割精度。另外,在对每帧目标二维图像进行肝脏区域分割时,不单单是使用该帧目标二维图像进行分割,而是还结合了前后两帧图像进行分割,即考虑到该目标二维图像的上下空间信息,进一步提高分割精度。
在本申请的一个实施方式中,本申请的基于核磁共振图像的肝脏分割方法还可以应用到医疗科技技术领域。比如,在得到待检查患者的MRI之后,可以基于本申请的基于核磁共振图像的肝脏分割方法可以分割出该待检查患者的MRI中的每帧二维图像的肝脏区域。由于本申请的分割方法分割精度较高,从而分割出的肝脏区域可以为医生提供数据参考,加快医生的诊断过程,提高医疗科技的进步。
下面结合神经网络的网络结构说明本申请的肝脏分割方法。
如图2所示,该神经网络包括多个卷积层和多个卷积核尺寸为1*1的卷积层,其中,每个卷积层与一个卷积核尺寸为1*1的卷积层连接,图2中以5个卷积,也就是以N=5为例进行说明。
如图2所示,对多个图像序列中的每帧二维图像进行分辨率配准,将每帧二维图像配准到同一分辨率下;然后,从该多个图像序列中选取目标序列,再从每个目标图像序列中选取目标二维图像,以及与每个目标图像序列中的目标二维图像前后相邻的两帧二维图像;
进一步的,将选取到的目标二维图像、以及与每个目标图像序列中的目标二维图像前后相邻的两帧二维图像作为不同通道的输入数据输入到第一个卷积层(Conv1),通过第一个卷积层(Conv1)进行特征提取,得到多个第一特征图,即第一个卷积层的特征提取结果;然后,通过与该第一卷积层连接的1*1的卷积层对该多个第一特征图进行语义分割,得到与该第一个卷积层对应的语义分割结果;然后,将该多个第一特征图作为第二个卷积层(Conv2)的不同通道的输入数据进语义分割,得到多个第二特征图,即第二个卷积层的特征提取结果;然后,通过与该第二卷积层连接的1*1的卷积层对该多个第二特征图进行图像分割,得到与该第二个卷积层对应的语义分割结果;依次类推,可以得到第五个卷积层(Conv5)对应的语义分割结果;然后,将每个卷积层的语义分割结果进行叠加融合,得到目标语义分割结果,比如,图2示出的,可以将前四个卷积层的语义分割结果全部与第五个卷积层的语义分割结果进行叠加,得到目标语义分割结果;最后,将该目标语义分割结果输入到激活层进行激活,得到该第一概率分割图。
应理解,图2中的激活层中的激活函数可以采用sigmoid函数,也可以采用其他的激活函数,比如Relu函数,本申请对此不做限定。
下面结合上述的神经网络的网络结构说明本申请的神经网络训练过程。
参阅图3,图3为本申请实施例提供的一种神经网络训练方法的流程示意图。该方法包括以下步骤:
301:获取第一核磁共振图像样本,其中,所述第一核磁共振图像样本包括多个第一图像序列样本,且多个第一图像序列样本中的每个第一图像序列样本包括多帧第一二维图像样本,第一第一核磁共振图像样本携带第一标签,且第一标签用于表示每个第一图像序列样本中的每帧第一二维图像样本中的像素点的真实类别。
其中,每帧第一二维图像样本中的像素点的真实类别可以为每帧第一二维图像样本中的像素点属于肝脏的概率,以及属于背景的概率。
302:根据第一核磁共振图像样本以及第一标签对第一神经网络进行训练,得到第二神经网络。
其中,该第一核磁共振图像样本的数量相对较少。对于核磁共振图像来说,标注相对比较困难,因此,可以使用少量有标注的第一核磁共振图像样本对第一神经网络进行训练,以减少对图像样本进行标注的人力和物力资源的投入。
示例性的,确定每个第一图像序列样本中的目标第一二维图像样本、以及与每个第一图像序列样本中的目标第一二维图像样本对应的前后相邻的两帧第一二维图像样本。
示例性的,在每次对神经网络进行迭代时,可按照上述图1中的随机选取的方式,从多个第一图像序列样本中选取至少一个第一目标图像序列样本;然后,从至少一个第一目标图像序列样本中的每个第一目标图像序列样本对应的多帧二维图像样本中随机选择一帧二维图像作为这个第一目标图像序列样本中的目标第一二维图像样本,并获取该目标图像序列中与该目标第一二维图像样本对应的前后相邻的两帧第一二维图像样本,则可得到每个第一目标图像序列样本的目标第一二维图像样本、与该目标第一二维图像样本对应的前后相邻两帧的第一二维图像样本。
应理解,按照上述的选取方式,并不会每次都选取了所有的第一图像序列样本,然而,在设计神经网络的时候,需要的输入数据是每个第一图像序列都应该有目标第一二维图像样本,以及与该目标第一二维图像样本前后相邻的两帧第一二维图像样本。因此,在该至少一个第一目标图像序列样本的数量少于该多个第一图像序列样本的数量时,将图像序列样本A的目标第一二维图像样本,以及与该目标第一二维图像样本对应的前后相邻的两帧第一二维图像样本全部用零代替,其中,该图像序列样本A为该多个第一图像序列样本中除该至少一个目标图像序列样本之外的任意一个图像序列样本,这样就可以使第一神经网络的输入数据为该多个第一图像序列中的任意图像序列的组合,从而使训练出的神经网络的鲁棒性比较高,后续在应用神经网络时,由于在训练的过程中,就有图像序列缺失的训练样本的存在,即使某个图像序列缺失,也能够对病人也完成肝脏区域的分割。
进一步的,将目标第一二维图像样本、以及与每个第一图像序列样本中的目标第一二维图像样本前后相邻的两帧第一二维图像样本分别作为所述第一神经网络的不同通道的输入数据进行图像分割,得到多个第二概率分割图,所述多个第二概率分割图中的每个第二概率分割图用于表示所述每个第一图像序列样本中的目标第一二维图像样本中各个像素点属于肝脏的概率,其中,该多个第二概率分割图与该第一神经网络的多个卷积层一一对应。
进一步的,根据每个第二概率分割图以及该第一标签,得到与每个第二概率分割图对应的损失;最后,对多个概率分割图对应的损失进行加权,得到目标损失,基于该目标损失以及梯度下降法调整该第一神经网络的网络参数,得到第二神经网络。
举例来说,如图2所示,第一神经网络包括五个卷积层,每个卷积层连接有一个卷积核为1*1的卷积层;将每个第一图像序列样本中的目标第一二维图像样本、与目标第一二维图像样本对应的前后相邻的两帧第一二维图像样本作为第一个卷积层的不同通道的输入数据输入到第一个卷积层,得到多个第一特征图;然后,将该多个第一特征图输入到该第一个卷积层连接的1*1卷积层进行语义分割,得到第一个卷积层的语义分割结果;并将第一个卷积层的语义分割结果输入到与第一个卷积层连接的激活层1进行激活,得到与该第一个卷积层对应的第二概率分割图;最后,根据该第一个卷积层对应的第二概率分割图以及该目标第一二维图像样本中的像素点的真实类别,得到第一损失;此外,可以按照图2示出的图像分割方式,得到每个卷积层对应的语义分割结果,并将每个卷积层的语义分割结果与位于该卷积层之前的所有卷积层的语义分割结果进行叠加融合,作为该卷积层的目标语义分割结果,并将每个卷积层的目标语义分割结果输入到与每个卷积层对应的激活层进行激活,得到每个卷积层对应的第二概率分割图;最后,根据每个卷积层对应的第二概率分割图,以及该目标第一二维图像样本中的像素点的真实类别,分别得到与每个卷积层对应的损失,即图2中示出的Loss1、Loss2、Loss3、Loss4以及Loss5;最后,将Loss1、Loss2、Loss3、Loss4以及Loss5进行加权处理,得到目标损失,并根据该目标损失以及梯度下降法调整第一神经网络的网络参数,得到第二神经网络。
303:使用第二神经网络,对第二核磁共振图像样本进行图像分割,得到第二核磁共振图像样本样本的第二标签,其中,第二核磁共振图像样本包括多个第二图像序列样本,且所述多个第二图像序列样本中的每个第二图像序列样本包括多帧第二二维图像样本。
其中,第二核磁共振图像样本的数量相对较多,比如,该第二核磁共振图像样本的数量远多于第一核磁共振图像样本的数量。
示例性的,与上述对目标第一二维图像样本进行图像分割类似,可以对每个第二图像序列样本中的每帧第二二维图像样本进行图像分割,即将每帧第二二维图像样本先后作为目标第二二维图像样本进行图像分割,得到每帧第二二维图像样本的第三概率分割图,其中,每个第二二维图像样本的第三概率分割图用于表示每个第二二维图像样本中各个像素点属于肝脏的概率。
应说明,第三概率分割图为图2示出的网络结构中与最后一个卷积层连接层激活层输出的概率分割图。然后,基于每帧第二二维图像样本的第三概率分割图,确定该第二核磁共振图像样本的标签。
示例性的,若像素点A属于肝脏的概率小于第一阈值,即有把握认为该像素点A一定不是肝脏,反言之,有把握认为该像素点A为背景,则确定该像素点A的标签为背景;在像素点A属于肝脏的概率小于第二阈值,即有把握认为该像素点A就是肝脏,则确定该像素点A的标签为肝脏;在该像素点属于肝脏的概率处于第一阈值和第二阈值之间时,即没有把握认为该像素点属于肝脏,还是背景,由于这个时候的第二神经网络是通过少量的第一核磁共振图像样本训练得到的,可能识别精度不高,对于这种无把握的像素点,则可以为该像素点A打上空白标签,该空白标签用于表示该像素点A不携带标签,即该像素点A后面不参与损失的计算,从而提高网络训练的精度;其中,该像点A为每帧第二二维图像样本中的任意一个像素点,且该第一阈值小于该第二阈值。
304:根据第一核磁共振图像样本、第二核磁共振图像样本、第一标签以及第二标签对第二神经网络进行训练,得到完成训练的神经网络。
示例性的,将该第一核磁共振图像样本、第二核磁共振图像样本组成训练样本集,则在该训练样本集中的训练样本为第一核磁共振图像样本中的第一二维图像样本时,则该训练样本的标签为该第一标签,在该训练样本为第二核磁共振图像样本中的第二二维图像时,则该训练样本的标签为第二标签。因此,与步骤202中训练第一神经网络的方式类似,可以根据训练集中的训练样本以及与该训练样本的标签,对该第一神经网络进行训练,得到完成训练的神经网络。
可以看出,在本申请实施例中,可以使用少量有标注的第一核磁共振图像样本进行网络训练,然后,使用训练得到的第二神经网络对大量未标注的第二核磁图像样本添加标签,从而使第二核磁共振图像样本携带有标签;最后,再使用携带有标签的第一核磁共振图像样本以及第二核磁共振图像样本对第二神经网络进行训练,得到完成训练的神经网络。由于只使用少量的有标注的核磁共振图像样本即可完成网络的训练,进而减少了图像标注时的人力和物理资源的投入。
参阅图4,图4本申请实施例提供的一种基于核磁共振图像的肝脏分割装置的功能单元组成框图。肝脏分割装置400包括:获取单元401和处理单元402,其中:
获取单元401,用于获取核磁共振图像,所述核磁共振图像包括多个图像序列,其中,所述多个图像序列中的每个图像序列包括多帧二维图像;
处理单元402,用于从所述多个图像序列中选取至少一个目标图像序列,并确定所述至少一个目标图像序列中的每个目标图像序列中的目标二维图像,其中,所述至少一个目标图像序列中的目标二维图像包含的身体部位相同;
处理单元402,还用于将所述每个目标图像序列中的目标二维图像以及与所述每个目标图像序列中的目标二维图像相邻的前后两帧二维图像输入到完成训练的神经网络,对所述每个目标图像序列中的进行图像分割,得到所述目标二维图像中的肝脏区域。
在一些可能的实施方式中,在从所述多个图像序列中选取至少一个目标图像序列,并确定所述至少一个目标图像序列中的每个目标图像序列中的目标二维图像方面,处理单元402,具体用于:
从所述多个图像序列中随机选取至少一个目标图像序列;
从所述至少一个目标序列中的每个目标序列包括的多帧二维图像中随机选取一帧二维图像,作为所述每个目标序列的目标二维图像。
在一些可能的实施方式中,在将所述每个目标图像序列中的目标二维图像以及与所述每个目标图像序列中的目标二维图像相邻的前后两帧二维图像输入到完成训练的神经网络,对所述每个目标图像序列中的进行图像分割,得到所述目标二维图像中的肝脏区域方面,处理单元402,具体用于:
分别将所述目标二维图像,以及与所述每个目标图像序列中的目标二维图像前后相邻的两帧二维图像作为完成训练的神经网络的不同通道的输入数据进行图像分割,得到所述目标二维图像的第一概率分割图,所述第一概率分割图用于表示所述目标二维图像中各个像素点属于肝脏的概率;
根据所述目标二维图像中各个像素点属于肝脏的概率,确定所述目标二维图像中属于肝脏的像素点,得到所述目标二维图像中的肝脏区域,其中,所述肝脏区域中的任意一个像素点属于肝脏的概率大于第一阈值。
在一些可能的实施方式中,所述完成训练的神经网络包括N个特征提取层,N为大于或等于1的整数;在分别将所述目标二维图像,以及与所述每个目标图像序列中的目标二维图像前后相邻的两帧二维图像作为完成训练的神经网络的不同通道的输入数据进行图像分割,得到所述目标二维图像的第一概率分割图方面,处理单元402,具体用于:
通过第i个特征提取层对所述第i个特征提取层的输入数据进行特征提取,得到与所述第i个特征提取层对应的特征提取结果,其中,所述第i个特征提取层的输入数据为第i-1个特征提取层的特征提取结果,2≤i≤N,且当i取值为1时,所述第i个特征提取层的输入数据为所述目标二维图像,以及与所述每个目标图像序列中的目标二维图像前后相邻的两帧二维图像;
对所述第i个特征提取层对应的特征提取结果进行语义分割,得到与所述第i个特征提取层对应的语义分割结果;
将所述N个特征提取层的语义分割结果进行叠加,得到目标语义分割结果;
将所述目标语义分割结果进行非线性激活,得到所述第一概率分割图。
在一些可能的实施方式中,在获取单元401获取核磁共振图像之前;
获取单元401,还用于获取第一核磁共振图像样本,其中,所述第一核磁共振图像样本包括多个第一图像序列样本,且所述多个第一图像序列样本中的每个第一图像序列样本包括多帧第一二维图像样本,所述第一核磁共振图像样本携带第一标签,所述第一标签用于表示所述每个第一图像序列样本中的每帧第一二维图像样本中的像素点的真实类别;
处理单元402,还用于根据所述第一核磁共振图像样本和所述第一标签对第一神经网络进行训练,得到第二神经网络;
处理单元402,还用于调用所述第二神经网络,对第二核磁共振图像样本进行图像分割,得到所述第二核磁共振图像样本的第二标签,其中,所述第二核磁共振图像包括多个第二图像序列样本,且所述多个第二图像序列样本中的每个第二图像序列样本包括多帧第二二维图像样本;
处理单元402,还用于根据所述第一核磁共振图像样本、所述第二核磁共振图像样本、所述第一标签以及所述第二标签对所述第二神经网络进行训练,得到所述完成训练的神经网络。
在一些可能的实施方式中,在根据所述第一核磁共振图像样本和所述第一标签对第一神经网络进行训练,得到第二神经网络方面,处理单元402,具体用于:
确定所述每个第一图像序列样本中的目标第一二维图像样本、以及与所述每个第一图像序列样本中的目标第一二维图像样本前后相邻的两帧第一二维图像样本;
将所述目标第一二维图像样本、以及与所述每个第一图像序列样本中的目标第一二维图像样本前后相邻的两帧第一二维图像样本分别作为所述第一神经网络的不同通道的输入数据进行图像分割,得到多个第二概率分割图,所述多个第二概率分割图中的每个第二概率分割图用于表示所述每个第一图像序列样本中的目标第一二维图像样本中各个像素点属于肝脏的概率;
根据所述每个第二概率分割图以及所述第一标签,确定与所述每个第二概率分割图的损失;
对所述多个第二概率分割图对应的损失进行加权,得到目标损失;
根据所述目标损失调整所述第一神经网络的网络参数,得到第二神经网络。
在一些可能的实施方式中,在调用所述第二神经网络,对第二核磁共振图像样本进行图像分割,得到所述第二核磁共振图像样本的第二标签方面,处理单元402,具体用于:
根据所述第二神经网络,确定所述第二核磁共振图像样本中的每个第二图像序列样本中的每帧第二二维图像样本的第三概率分割图,所述每帧第二二维图像样本的第三概率分割图用于表示所述每帧第二二维图像样本中各个像素点属于肝脏的概率;
在像素点A属于肝脏的概率小于第一阈值时,则确定所述像素点A的标签为背景,在像素点A属于肝脏的概率大于第二阈值,则确定所述像素点A的标签为肝脏,在所述像素点A属于肝脏的概率处于所述第一阈值和所述第二阈值之间时,确定所述像素点A的标签为空白标签,所述空白标签用于表示所述像素点不携带标签,其中,所述像素点A为所述每帧第二二维图像样本中的任意一个像素点,所述第一阈值小于所述第二阈值;
根据所述每帧第二二维图像样本中任意一个像素点的标签,确定所述每个第二图像序列样本中的每帧第二二维图像样本的标签;
根据所述每个第二图像序列样本中的每帧第二二维图像样本的标签,确定所述第二核磁共振图像样本的第二标签。
参阅图5,图5为本申请实施例提供的一种电子设备的结构示意图。如图5所示,电子设备500包括收发器501、处理器502和存储器503。它们之间通过总线504连接。存储器503用于存储计算机程序和数据,并可以将存储器503存储的数据传输给处理器502。
处理器502用于读取存储器503中的计算机程序执行以下操作:
获取核磁共振图像,所述核磁共振图像包括多个图像序列,其中,所述多个图像序列中的每个图像序列包括多帧二维图像;
从所述多个图像序列中选取至少一个目标图像序列,并确定所述至少一个目标图像序列中的每个目标图像序列中的目标二维图像,其中,所述至少一个目标图像序列中的目标二维图像包含的身体部位相同;
将所述每个目标图像序列中的目标二维图像以及与所述每个目标图像序列中的目标二维图像相邻的前后两帧二维图像输入到完成训练的神经网络,对所述每个目标图像序列中的进行图像分割,得到所述目标二维图像中的肝脏区域。
在一些可能的实施方式中,在从所述多个图像序列中选取至少一个目标图像序列,并确定所述至少一个目标图像序列中的每个目标图像序列中的目标二维图像方面,处理器502,具体用于执行以下操作:
从所述多个图像序列中随机选取至少一个目标图像序列;
从所述至少一个目标序列中的每个目标序列包括的多帧二维图像中随机选取一帧二维图像,作为所述每个目标序列的目标二维图像。
在一些可能的实施方式中,在将所述每个目标图像序列中的目标二维图像以及与所述每个目标图像序列中的目标二维图像相邻的前后两帧二维图像输入到完成训练的神经网络,对所述每个目标图像序列中的进行图像分割,得到所述目标二维图像中的肝脏区域方面,处理器502,具体用于执行以下操作:
分别将所述目标二维图像,以及与所述每个目标图像序列中的目标二维图像前后相邻的两帧二维图像作为完成训练的神经网络的不同通道的输入数据进行图像分割,得到所述目标二维图像的第一概率分割图,所述第一概率分割图用于表示所述目标二维图像中各个像素点属于肝脏的概率;
根据所述目标二维图像中各个像素点属于肝脏的概率,确定所述目标二维图像中属于肝脏的像素点,得到所述目标二维图像中的肝脏区域,其中,所述肝脏区域中的任意一个像素点属于肝脏的概率大于第一阈值。
在一些可能的实施方式中,所述完成训练的神经网络包括N个特征提取层,N为大于或等于1的整数;在分别将所述目标二维图像,以及与所述每个目标图像序列中的目标二维图像前后相邻的两帧二维图像作为完成训练的神经网络的不同通道的输入数据进行图像分割,得到所述目标二维图像的第一概率分割图方面,处理器502,具体用于执行以下操作:
通过第i个特征提取层对所述第i个特征提取层的输入数据进行特征提取,得到与所述第i个特征提取层对应的特征提取结果,其中,所述第i个特征提取层的输入数据为第i-1个特征提取层的特征提取结果,2≤i≤N,且当i取值为1时,所述第i个特征提取层的输入数据为所述目标二维图像,以及与所述每个目标图像序列中的目标二维图像前后相邻的两帧二维图像;
对所述第i个特征提取层对应的特征提取结果进行语义分割,得到与所述第i个特征提取层对应的语义分割结果;
将所述N个特征提取层的语义分割结果进行叠加,得到目标语义分割结果;
将所述目标语义分割结果进行非线性激活,得到所述第一概率分割图。
在一些可能的实施方式中,在获取核磁共振图像之前;
处理器502,还用于执行以下操作:
获取第一核磁共振图像样本,其中,所述第一核磁共振图像样本包括多个第一图像序列样本,且所述多个第一图像序列样本中的每个第一图像序列样本包括多帧第一二维图像样本,所述第一核磁共振图像样本携带第一标签,所述第一标签用于表示所述每个第一图像序列样本中的每帧第一二维图像样本中的像素点的真实类别;
根据所述第一核磁共振图像样本和所述第一标签对第一神经网络进行训练,得到第二神经网络;
调用所述第二神经网络,对第二核磁共振图像样本进行图像分割,得到所述第二核磁共振图像样本的第二标签,其中,所述第二核磁共振图像包括多个第二图像序列样本,且所述多个第二图像序列样本中的每个第二图像序列样本包括多帧第二二维图像样本;
根据所述第一核磁共振图像样本、所述第二核磁共振图像样本、所述第一标签以及所述第二标签对所述第二神经网络进行训练,得到所述完成训练的神经网络。
在一些可能的实施方式中,在根据所述第一核磁共振图像样本和所述第一标签对第一神经网络进行训练,得到第二神经网络方面,处理器502,具体用于执行以下操作:
确定所述每个第一图像序列样本中的目标第一二维图像样本、以及与所述每个第一图像序列样本中的目标第一二维图像样本前后相邻的两帧第一二维图像样本;
将所述目标第一二维图像样本、以及与所述每个第一图像序列样本中的目标第一二维图像样本前后相邻的两帧第一二维图像样本分别作为所述第一神经网络的不同通道的输入数据进行图像分割,得到多个第二概率分割图,所述多个第二概率分割图中的每个第二概率分割图用于表示所述每个第一图像序列样本中的目标第一二维图像样本中各个像素点属于肝脏的概率;
根据所述每个第二概率分割图以及所述第一标签,确定与所述每个第二概率分割图的损失;
对所述多个第二概率分割图对应的损失进行加权,得到目标损失;
根据所述目标损失调整所述第一神经网络的网络参数,得到第二神经网络。
在一些可能的实施方式中,在调用所述第二神经网络,对第二核磁共振图像样本进行图像分割,得到所述第二核磁共振图像样本的第二标签方面,处理器502,具体用于执行以下操作:
根据所述第二神经网络,确定所述第二核磁共振图像样本中的每个第二图像序列样本中的每帧第二二维图像样本的第三概率分割图,所述每帧第二二维图像样本的第三概率分割图用于表示所述每帧第二二维图像样本中各个像素点属于肝脏的概率;
在像素点A属于肝脏的概率小于第一阈值时,则确定所述像素点A的标签为背景,在像素点A属于肝脏的概率大于第二阈值,则确定所述像素点A的标签为肝脏,在所述像素点A属于肝脏的概率处于所述第一阈值和所述第二阈值之间时,确定所述像素点A的标签为空白标签,所述空白标签用于表示所述像素点不携带标签,其中,所述像素点A为所述每帧第二二维图像样本中的任意一个像素点,所述第一阈值小于所述第二阈值;
根据所述每帧第二二维图像样本中任意一个像素点的标签,确定所述每个第二图像序列样本中的每帧第二二维图像样本的标签;
根据所述每个第二图像序列样本中的每帧第二二维图像样本的标签,确定所述第二核磁共振图像样本的第二标签。
应理解,本申请中的电子设备可以包括智能手机(如Android手机、iOS手机、Windows Phone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备MID(MobileInternet Devices,简称:MID)或穿戴式设备等。上述电子设备仅是举例,而非穷举,包含但不限于上述电子设备。在实际应用中,上述电子设备还可以包括:智能车载终端、计算机设备等等。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现如上述方法实施例中记载的任何一种肝脏区域分割方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种肝脏区域分割方法的部分或全部步骤。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
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,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块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器中。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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种肝脏区域分割方法,其特征在于,包括:
获取第一核磁共振图像样本,其中,所述第一核磁共振图像样本包括多个第一图像序列样本,且所述多个第一图像序列样本中的每个第一图像序列样本包括多帧第一二维图像样本,所述第一核磁共振图像样本携带第一标签,所述第一标签用于表示所述每个第一图像序列样本中的每帧第一二维图像样本中的像素点的真实类别;
根据所述第一核磁共振图像样本和所述第一标签对第一神经网络进行训练,得到第二神经网络;
调用所述第二神经网络,对第二核磁共振图像样本进行图像分割,得到所述第二核磁共振图像样本的第二标签,其中,所述第二核磁共振图像包括多个第二图像序列样本,且所述多个第二图像序列样本中的每个第二图像序列样本包括多帧第二二维图像样本;
根据所述第一核磁共振图像样本、所述第二核磁共振图像样本、所述第一标签以及所述第二标签对所述第二神经网络进行训练,得到完成训练的神经网络;
获取核磁共振图像,所述核磁共振图像包括多个图像序列,其中,所述多个图像序列中的每个图像序列包括多帧二维图像;
从所述多个图像序列中选取至少一个目标图像序列,并确定所述至少一个目标图像序列中的每个目标图像序列中的目标二维图像,其中,所述至少一个目标图像序列中的目标二维图像包含的身体部位相同;
将所述每个目标图像序列中的目标二维图像以及与所述每个目标图像序列中的目标二维图像相邻的前后两帧二维图像输入到完成训练的神经网络,对所述每个目标图像序列中的进行图像分割,得到所述目标二维图像中的肝脏区域。
2.根据权利要求1所述的方法,其特征在于,所述从所述多个图像序列中选取至少一个目标图像序列,并确定所述至少一个目标图像序列中的每个目标图像序列中的目标二维图像,包括:
从所述多个图像序列中随机选取至少一个目标图像序列;
从所述至少一个目标序列中的每个目标序列包括的多帧二维图像中随机选取一帧二维图像,作为所述每个目标序列的目标二维图像。
3.根据权利要求1或2所述的方法,其特征在于,所述将所述每个目标图像序列中的目标二维图像以及与所述每个目标图像序列中的目标二维图像相邻的前后两帧二维图像输入到完成训练的神经网络,对所述每个目标图像序列中的进行图像分割,得到所述目标二维图像中的肝脏区域,包括:
分别将所述目标二维图像,以及与所述每个目标图像序列中的目标二维图像前后相邻的两帧二维图像作为完成训练的神经网络的不同通道的输入数据进行图像分割,得到所述目标二维图像的第一概率分割图,所述第一概率分割图用于表示所述目标二维图像中各个像素点属于肝脏的概率;
根据所述目标二维图像中各个像素点属于肝脏的概率,确定所述目标二维图像中属于肝脏的像素点,得到所述目标二维图像中的肝脏区域,其中,所述肝脏区域中的任意一个像素点属于肝脏的概率大于第一阈值。
4.根据权利要求3所述的方法,其特征在于,所述完成训练的神经网络包括N个特征提取层,N为大于或等于1的整数;
所述分别将所述目标二维图像,以及与所述每个目标图像序列中的目标二维图像前后相邻的两帧二维图像作为完成训练的神经网络的不同通道的输入数据进行图像分割,得到所述目标二维图像的第一概率分割图,包括:
通过第i个特征提取层对所述第i个特征提取层的输入数据进行特征提取,得到与所述第i个特征提取层对应的特征提取结果,其中,所述第i个特征提取层的输入数据为第i-1个特征提取层的特征提取结果,2≤i≤N,且当i取值为1时,所述第i个特征提取层的输入数据为所述目标二维图像,以及与所述每个目标图像序列中的目标二维图像前后相邻的两帧二维图像;
对所述第i个特征提取层对应的特征提取结果进行语义分割,得到与所述第i个特征提取层对应的语义分割结果;
将所述N个特征提取层的语义分割结果进行叠加,得到目标语义分割结果;
将所述目标语义分割结果进行非线性激活,得到所述第一概率分割图。
5.根据权利要求2所述的方法,其特征在于,所述根据所述第一核磁共振图像样本和所述第一标签对第一神经网络进行训练,得到第二神经网络,包括:
确定所述每个第一图像序列样本中的目标第一二维图像样本、以及与所述每个第一图像序列样本中的目标第一二维图像样本前后相邻的两帧第一二维图像样本;
将所述目标第一二维图像样本、以及与所述每个第一图像序列样本中的目标第一二维图像样本前后相邻的两帧第一二维图像样本分别作为所述第一神经网络的不同通道的输入数据进行图像分割,得到多个第二概率分割图,所述多个第二概率分割图中的每个第二概率分割图用于表示所述每个第一图像序列样本中的目标第一二维图像样本中各个像素点属于肝脏的概率;
根据所述每个第二概率分割图以及所述第一标签,确定与所述每个第二概率分割图的损失;
对所述多个第二概率分割图对应的损失进行加权,得到目标损失;
根据所述目标损失调整所述第一神经网络的网络参数,得到第二神经网络。
6.根据权利要求5所述的方法,其特征在于,所述调用所述第二神经网络,对第二核磁共振图像样本进行图像分割,得到所述第二核磁共振图像样本的第二标签,包括:
根据所述第二神经网络,确定所述第二核磁共振图像样本中的每个第二图像序列样本中的每帧第二二维图像样本的第三概率分割图,所述每帧第二二维图像样本的第三概率分割图用于表示所述每帧第二二维图像样本中各个像素点属于肝脏的概率;
在像素点A属于肝脏的概率小于第一阈值时,则确定所述像素点A的标签为背景,在像素点A属于肝脏的概率大于第二阈值,则确定所述像素点A的标签为肝脏,在所述像素点A属于肝脏的概率处于所述第一阈值和所述第二阈值之间时,确定所述像素点A的标签为空白标签,所述空白标签用于表示所述像素点不携带标签,其中,所述像素点A为所述每帧第二二维图像样本中的任意一个像素点,所述第一阈值小于所述第二阈值;
根据所述每帧第二二维图像样本中任意一个像素点的标签,确定所述每个第二图像序列样本中的每帧第二二维图像样本的标签;
根据所述每个第二图像序列样本中的每帧第二二维图像样本的标签,确定所述第二核磁共振图像样本的第二标签。
7.一种肝脏区域分割装置,其特征在于,所述装置用于执行权利要求1-6任一项所述的方法,所述装置包括:
获取单元,用于获取核磁共振图像,所述核磁共振图像包括多个图像序列,其中,所述多个图像序列中的每个图像序列包括多帧二维图像;
处理单元,用于从所述多个图像序列中选取至少一个目标图像序列,并确定所述至少一个目标图像序列中的每个目标图像序列中的目标二维图像,其中,所述至少一个目标图像序列中的目标二维图像包含的身体部位相同;
所述处理单元,还用于将所述每个目标图像序列中的目标二维图像以及与所述每个目标图像序列中的目标二维图像相邻的前后两帧二维图像输入到完成训练的神经网络,对所述每个目标图像序列中的进行图像分割,得到所述目标二维图像中的肝脏区域。
8.一种电子设备,其特征在于,包括:处理器和存储器,所述处理器与所述存储器相连,所述存储器用于存储计算机程序,所述处理器用于执行所述存储器中存储的计算机程序,以使得所述电子设备执行如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现如权利要求1-6中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110463307.5A CN113177953B (zh) | 2021-04-27 | 2021-04-27 | 肝脏区域分割方法、装置、电子设备及存储介质 |
PCT/CN2021/097084 WO2022227193A1 (zh) | 2021-04-27 | 2021-05-31 | 肝脏区域分割方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110463307.5A CN113177953B (zh) | 2021-04-27 | 2021-04-27 | 肝脏区域分割方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113177953A CN113177953A (zh) | 2021-07-27 |
CN113177953B true CN113177953B (zh) | 2024-04-26 |
Family
ID=76926676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110463307.5A Active CN113177953B (zh) | 2021-04-27 | 2021-04-27 | 肝脏区域分割方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113177953B (zh) |
WO (1) | WO2022227193A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272165B (zh) * | 2022-05-10 | 2023-09-26 | 推想医疗科技股份有限公司 | 图像的特征提取方法、图像分割模型的训练方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574859A (zh) * | 2015-12-14 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种基于ct图像的肝脏肿瘤分割方法及装置 |
CN109961443A (zh) * | 2019-03-25 | 2019-07-02 | 北京理工大学 | 基于多期ct影像引导的肝脏肿瘤分割方法及装置 |
WO2019165949A1 (zh) * | 2018-03-01 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 图像处理方法、设备、存储介质和计算机程序产品 |
CN110619633A (zh) * | 2019-09-10 | 2019-12-27 | 武汉科技大学 | 一种基于多路滤波策略的肝脏图像分割方法 |
WO2020020809A1 (en) * | 2018-07-26 | 2020-01-30 | Koninklijke Philips N.V. | Ultrasound system with an artificial neural network for guided liver imaging |
CN111627017A (zh) * | 2020-05-29 | 2020-09-04 | 昆山戎影医疗科技有限公司 | 一种基于深度学习的血管管腔自动分割方法 |
CN111986216A (zh) * | 2020-09-02 | 2020-11-24 | 长春工业大学 | 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7689265B2 (en) * | 2005-10-19 | 2010-03-30 | Siemens Medical Solutions Usa, Inc. | System and method for the joint evaluation of multi phase MR marrow images |
CN111091575B (zh) * | 2019-12-31 | 2022-10-18 | 电子科技大学 | 一种基于强化学习方法的医学图像分割方法 |
-
2021
- 2021-04-27 CN CN202110463307.5A patent/CN113177953B/zh active Active
- 2021-05-31 WO PCT/CN2021/097084 patent/WO2022227193A1/zh unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574859A (zh) * | 2015-12-14 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种基于ct图像的肝脏肿瘤分割方法及装置 |
WO2019165949A1 (zh) * | 2018-03-01 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 图像处理方法、设备、存储介质和计算机程序产品 |
WO2020020809A1 (en) * | 2018-07-26 | 2020-01-30 | Koninklijke Philips N.V. | Ultrasound system with an artificial neural network for guided liver imaging |
CN109961443A (zh) * | 2019-03-25 | 2019-07-02 | 北京理工大学 | 基于多期ct影像引导的肝脏肿瘤分割方法及装置 |
CN110619633A (zh) * | 2019-09-10 | 2019-12-27 | 武汉科技大学 | 一种基于多路滤波策略的肝脏图像分割方法 |
CN111627017A (zh) * | 2020-05-29 | 2020-09-04 | 昆山戎影医疗科技有限公司 | 一种基于深度学习的血管管腔自动分割方法 |
CN111986216A (zh) * | 2020-09-02 | 2020-11-24 | 长春工业大学 | 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022227193A1 (zh) | 2022-11-03 |
CN113177953A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161275B (zh) | 医学图像中目标对象的分割方法、装置和电子设备 | |
US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
CN110414631B (zh) | 基于医学图像的病灶检测方法、模型训练的方法及装置 | |
CN107886508B (zh) | 差分减影方法和医学图像处理方法及系统 | |
CN111127466A (zh) | 医学图像检测方法、装置、设备及存储介质 | |
CN110246109B (zh) | 融合ct影像和个性化信息的分析系统、方法、装置及介质 | |
EP2401719B1 (fr) | Méthodes de segmentation d'images et de détection de structures particulières | |
CN110276408B (zh) | 3d图像的分类方法、装置、设备及存储介质 | |
Heydarheydari et al. | Auto-segmentation of head and neck tumors in positron emission tomography images using non-local means and morphological frameworks | |
CN113538471B (zh) | 斑块的分割方法、装置、计算机设备和存储介质 | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN116228787A (zh) | 图像勾画方法、装置、计算机设备、存储介质 | |
CN113177953B (zh) | 肝脏区域分割方法、装置、电子设备及存储介质 | |
CN110992310A (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
CN108876783B (zh) | 图像融合方法及系统、医疗设备和图像融合终端 | |
US20230115927A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
CN116128895A (zh) | 医学图像分割方法、装置和计算机可读存储介质 | |
CN116188412A (zh) | 一种心脏血管分支识别方法、系统和存储介质 | |
CN113850794A (zh) | 一种图像处理方法及装置 | |
WO2021081839A1 (zh) | 基于vrds 4d的病情分析方法及相关产品 | |
CN113379770A (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
CN114612373A (zh) | 一种图像识别方法及服务器 | |
CN113706568B (zh) | 图像处理方法及装置 | |
CN116363152B (zh) | 图像分割的方法、训练图像分割模型的方法及装置 | |
CN113517056B (zh) | 医学图像目标区域的识别方法、神经网络模型及应用 |
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 |