CN113902684A - 图像分割方法及装置、电子设备、存储介质 - Google Patents

图像分割方法及装置、电子设备、存储介质 Download PDF

Info

Publication number
CN113902684A
CN113902684A CN202111105112.XA CN202111105112A CN113902684A CN 113902684 A CN113902684 A CN 113902684A CN 202111105112 A CN202111105112 A CN 202111105112A CN 113902684 A CN113902684 A CN 113902684A
Authority
CN
China
Prior art keywords
image
medical image
segmentation
target
medical
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
CN202111105112.XA
Other languages
English (en)
Inventor
韩妙飞
高耀宗
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 CN202111105112.XA priority Critical patent/CN113902684A/zh
Publication of CN113902684A publication Critical patent/CN113902684A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了图像分割方法及装置、电子设备、存储介质。该方法包括:获取第一医学图像;将所述第一医学图像转换为目标类型的第二医学图像,所述目标类型包括目标期相、目标对比度、目标模态和目标分辨率中的至少一种;将所述第二医学图像输入图像分割模型,以对所述第二医学图像中的感兴趣区域进行图像分割处理;其中,所述图像分割模型由目标类型的图像样本对神经网络训练得到,所述图像样本标注有感兴趣区域的标识信息;根据所述第二医学图像的分割结果确定所述第一医学图像的分割结果。从而无需训练多个不同类型的图像分割模型,无需对用于训练不同类型的图像分割模型的图像样本进行标注,可以节省大量人力成本。

Description

图像分割方法及装置、电子设备、存储介质
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像分割方法及装置、电子设备、存储介质。
背景技术
在神经网络领域中,通常会使用训练样本对神经网络进行训练,得到具有预期功能的模型,例如具有图像分割功能的模型。训练样本的数量、丰富程度直接关系到模型的精确度。在医学图像分割领域中,对于部分类型的医学图像来说,对其标注难度较大,意味着训练样本较难获取,在训练样本的数量不足的情况下,很难得到精确度较高的图像分割模型,也就难以对该类型的医学图像利用图像分割模型进行图像分割。
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对于部分类型的医学图像,较难获得用于模型训练的图像样本,在图像样本的数据量不足的情况下,无法确保训练得到的图像分割模型的精确度,也就不能利用图像分割模型对该类型的医学图像进行图像分割的问题,提供一种图像分割方法及装置、电子设备、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:
第一方面,提供一种图像分割方法,包括:
获取第一医学图像;
将所述第一医学图像转换为目标类型的第二医学图像,所述目标类型包括目标期相、目标对比度、目标模态和目标分辨率中的至少一种;
将所述第二医学图像输入图像分割模型,以对所述第二医学图像中的感兴趣区域进行图像分割处理;其中,所述图像分割模型由目标类型的图像样本对神经网络训练得到,所述图像样本标注有感兴趣区域的标识信息;
根据所述第二医学图像的分割结果确定所述第一医学图像的分割结果。
可选地,将所述第一医学图像转换为目标类型的第二医学图像,包括:
将所述第一医学图像输入图像转换模型,得到所述第二医学图像;其中,所述图像转换模型由多组图像样本对神经网络训练得到,每组图像样本包括被扫描对象的至少一种类型的医学图像样本和目标类型的医学图像样本。
可选地,每组图像样本中包含的医学图像为经过图像配准处理之后的医学图像样本。
可选地,将所述第一医学图像转换为目标类型的第二医学图像,包括:
在所述目标类型包括所述目标分辨率的情况下,根据所述目标分辨率对所述第一医学图像进行采样处理,以得到所述目标分辨率的第二医学图像。
可选地,将所述第一医学图像转换为目标类型的第二医学图像之前,还包括:
判断所述第一医学图像的类型与所述目标类型是否相同;
若判断结果为否,则执行将所述第一医学图像转换为所述第二医学图像的步骤;
若判断结果为是,则将所述第一医学图像输入所述图像分割模型,以对所述第一医学图像进行图像分割处理。
可选地,将所述第一医学图像转换为目标类型的第二医学图像,包括:
若存在多个对应于不同目标类型的图像分割模型,则将所述第一医学图像转换为对应于所述不同目标类型的多个第二医学图像;
根据所述第二医学图像的分割结果确定所述第一医学图像的分割结果,包括:
将所述多个第二医学图像的分割结果进行加权处理,并根据加权处理的结果确定所述第一医学图像的分割结果。
可选地,还包括:
在所述目标类型包括所述目标分辨率的情况下,根据所述目标分辨率对所述第二医学图像的分割结果进行采样,得到所述第一医学图像的分割结果。
第二方面,提供一种图像分割装置,包括:
获取模块,用于获取第一医学图像;
转换模块,用于将所述第一医学图像转换为目标类型的第二医学图像,所述目标类型包括目标期相、目标对比度、目标模态和目标分辨率中的至少一种;
输入模块,用于将所述第二医学图像输入图像分割模型,以对所述第二医学图像中的感兴趣区域进行图像分割处理;其中,所述图像分割模型由目标类型的图像样本对神经网络训练得到,所述图像样本包括感兴趣区域的标识信息;
确定模块,用于根据所述第二医学图像的分割结果确定所述第一医学图像的分割结果。
可选地,所述转换模块具体用于:
将所述第一医学图像输入图像转换模型,得到所述第二医学图像;其中,所述图像转换模型由多组图像样本对神经网络训练得到,每组图像样本包括被扫描对象的至少一种类型的医学图像样本和目标类型的医学图像样本。
可选地,每组图像样本中包含的医学图像样本为经过图像配准处理之后的医学图像样本。
可选地,所述转换模块具体用于:
在所述目标类型包括所述目标分辨率的情况下,根据所述目标分辨率对所述第一医学图像进行采样处理,以得到所述目标分辨率的第二医学图像。
可选地,还包括:
判断模块,用于判断所述第一医学图像的类型与所述目标类型是否相同;
所述判断模块还用于在判断结果为否的情况下,调用所述转转换模块;在判断结果为是的情况下,调用输入模块;
所述输入模块,还用于将所述第一医学图像输入所述图像分割模型,以对所述第一医学图像进行图像分割处理。
可选地,所述转换模块具体用于:
若存在多个对应于不同目标类型的图像分割模型,则将所述第一医学图像转换为对应于所述不同目标类型的多个第二医学图像;
所述确定模块具体用于:
将所述多个第二医学图像的分割结果进行加权处理,并根据加权处理的结果确定所述第一医学图像的分割结果。
可选地,还包括:
采样模块,用于在所述目标类型包括所述目标分辨率的情况下,根据所述目标分辨率对所述第二医学图像的分割结果进行采样,得到所述第一医学图像的分割结果。
第三方面,提供一种电子设备,包括存储器、处理器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上述任一项所述的图像分割方法。
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上述任一项所述的图像分割的方法。
本发明的积极进步效果在于:本发明实施例中,将获取的医学图像转换为目标类型的医学图像,借助对应于目标类型的图像分割模型实现对获取的医学图像的图像分割处理,从而无需训练多个不同类型的图像分割模型,无需对用于训练不同类型的图像分割模型的图像样本进行标注,可以节省大量人力成本。
附图说明
图1为本发明一示例性实施例提供的一种图像分割方法的流程图;
图2为本发明一示例性实施例提供的另一种图像分割方法的流程图;
图3为本发明一示例性实施例提供的又一种图像分割方法的流程图;
图4为本发明一示例性实施例提供的一种图像分割装置的模块示意图;
图5为本发明一示例实施例示出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1为本发明一示例性实施例提供的一种图像分割方法的流程图,该方法包括以下步骤:
步骤101、获取第一医学图像。
该第一医学图像为需要进行图像分割的医学图像。第一医学图像可以是任一期相、任一对比度、任一模态、任一分辨率的图像。
其中,模态表示医学成像技术的类型,或者成像设备类型。例如,模态可以为CT(电子计算机断层扫描)模态、MRI(磁共振成像)模态、PET(正电子发射型计算机断层显像)模态等等。期相表示在扫描过程中的不同成像时段。例如,CT技术中可以包括平扫期、动脉期、静脉期、延迟期等期相;MRI技术中可以包括T1、T2、DWI、多期增强图像等期相,不同期相的图像基于不同的扫描序列得到。
举例来说,第一医学图像可以为肺部的平扫期图像。由于平扫期图像中肺动脉血管和肺静脉血管的区分难度较大,标注比较困难,也即较难获得用于模型训练的图像样本,模型训练的挑战性较大,因此对平扫期图像中的肺动脉血管和肺静脉血管的分割是一个难题。
第一医学图像可以为T2期相的图像,也即基于T2序列扫描得到的图像。由于T2期相的图像难以清晰勾勒出浮肿区域轮廓,对其标注比较困难,也即较难获得用于模型训练的图像样本,模型训练的挑战性较大,因此对T2期相的图像中的浮肿区域的分割同样是一个难题。
步骤102、将第一医学图像转换为目标类型的第二医学图像。
第二医学图像的目标类型包括目标期相、目标对比度、目标模态和目标分辨率中的至少一种。第二医学图像的目标类型与目前已有的、或者较容易训练得到的图像分割模型相适配,该图像分割模型用于对相适配的目标类型的第二医学图像进行图像分割处理。
将第一医学图像转换为第二医学图像,是为了借助用于对第二医学图像进行图像分割的图像分割模型,实现对基于第一医学图像转换得到的第二医学图像进行图像分割,进而实现第一医学图像的图像分割。也就是当目前不存在用于对第一医学图像进行图像分割的图像分割模型时,或者用于对第一医学图像进行图像分割的图像分割模型较难训练得到时,借助已有的、或者较容易训练得到的图像分割模型,实现对第一医学图像的图像分割。
在一个实施例中,将第一医学图像转换为目标类型的第二医学图像之前,可以先判断第一医学图像的类型与目标类型是否相同。若判断结果为否,说明目前已有的、或者较容易训练得到的医学图像分割模型与第一医学图像的类型不适配,不能使用图像分割模型直接对第一医学图像进行图像分割,则执行步骤102,先将第一医学图像转换为目标类型的第二医学图像。若判断结果为是,说明目前已有的、或者较容易训练得到的图像分割模型与第一医学图像的图像类型相适配,可以使用图像分割模型直接对第一医学图像进行图像分割,则将第一医学图像输入相适配的图像分割模型进行图像分割处理,而无需执行步骤102。
在将第一医学图像转换为目标类型的第二医学图像之前,通过第一医学图像的类型判断目前是否已有与第一医学图像的图像类型相适配的图像分割模型,并在判断结果为是时,使用已有的图像分割模型对第一医学图像进行图像分割,从而无需对第一医学图像进行类型转换,也即无需执行图像转换的步骤,进而可以减少计算量。
在将第一医学图像转换为目标类型的第二医学图像之前,通过第一医学图像的类型判断与其相适配的图像分割模型是否较容易训练得到,并在判断结果为是时,针对第一医学图像,进行模型训练以得到图像分割模型,基于针对性训练得到的图像分割模型对第一医学图像进行图像分割,能够提高图像分割的精确度。
关于第一医学图像的类型的确定,可以通过训练得到的图像类型识别模块而确定;也可以通过读取第一医学图像的图像信息而确定,图像信息例如dicom(医学数字图像与通讯)文件中的tag(标记)信息,该tag信息包括以下扫描参数中的至少一种:与期相相关的扫描参数、与分辨率相关的扫描参数、与对比度相关的扫描参数、与模态相关的扫描参数等。
在一个实施例中,借助图像转换模型实现将第一医学图像转换为第二医学图像。具体的,将第一医学图像输入图像转换模型,根据图像转换模型的输出结果即可得到第二医学图像。
图像转换模型由多组图像样本对神经网络训练得到,每组图像样本包括被扫描对象的至少一种类型的医学图像样本和目标类型的医学图像样本。其中,目标类型的医学图像样本作为模型训练时的金标准。模型训练时,将该至少一种类型的医学图像样本输入神经网络,得到神经网络的输出结果,并根据神经网络的输出结果与目标类型的医学图像样本的损失误差调节神经网络的网络参数,重复上述步骤,直至满足训练停止条件,将训练完成的神经网络确定为图像转换模型。
需要说明的是,要想图像转换模型输出哪种类型的医学图像,模型训练时就将每组图像样本中该种类型的医学图像样本作为金标准。举例来说,若期望图像转换模型输出静脉期的医学图像,将平扫期的医学图像样本和静脉期的医学图像样本作为图像样本,其中静脉期的医学图像样本作为训练时的金标准,对神经网络进行训练,训练得到的图像转换模型可实现将输入的平扫期的医学图像(第一医学图像)转换为静脉期的医学图像(第二医学图像)。从而,在训练样本足够丰富的情况下,图像转换模型可以将任意类型的第一医学图像转换为第二医学图像,普适性很高,且操作方便。图像转换模型的网络架构可以但不限于采用U-Net、VB-Net、ResUNet、GAN或者Cycle-GAN等。
每组图像样本中各个医学图像样本为不同时刻对被扫描对象扫描得到的图像,在扫描过程中由于被扫描对象的肌肉收缩、呼吸运动等,会造成各个医学图像显示的内容存在位置偏差,因此,为了提高图像转换模型的准确性,使用图像样本对神经网络进行训练之前,需对各组图像样本中的医学图像样本进行图像配准处理,使用经过图像配准处理之后的医学图像样本对神经网络进行训练,得到图像转换模型。
在一个实施例中,若目标类型包括目标分辨率,也即需将第一医学图像转换为目标分辨率的第二医学图像,除了可以基于图像转换模型得到目标分辨率的第二医学图像之外,还可以根据目标分辨率对第一医学图像进行采样处理,得到目标分辨率的第二医学图像。基于采样得到第二医学图像,无需进行模型训练,计算量小。
可以理解的,图像分割模型可以是一个模型,也可以是多个分别对不同类型的医学图像进行图像分割的模型。若存在多个对应于不同目标类型的图像分割模型,则将第一医学图像转换为对应于不同目标类型的多个第二医学图像,得到多个第二医学图像,后续则根据多个第二医学图像,实现对第一医学图像的图像分割。
步骤103、将第二医学图像输入图像分割模型,以对第二医学图像中的感兴趣区域进行图像分割处理。
该图像分割模型由目标类型的图像样本对神经网络训练得到,图像样本包括感兴趣区域的标识信息。其中,标识信息作为模型训练时的金标准。模型训练时,将目标类型的图像样本输入神经网络,得到神经网络的输出结果,并根据神经网络的输出结果与图像样本的标识信息的损失误差调节神经网络的网络参数,重复上述步骤,直至满足训练停止条件,将训练完成的神经网络确定为图像分割模型。
该图像分割模型为目前已有的;或者基于较容易获得(标注较容易、较准确)的图像样本训练得到的,在图像样本较容易获得的情况下,可以获得丰富、足够数据量的图像样本,以此训练得到的图像分割模型易收敛,且分割精度更高。图像分割模型的网络架构可以但不限于采用DenseNet网络、FPN网络或者V-Net网络等。
可以理解的,由目标类型的图像样本对神经网络进行训练,也即基于目标类型的图像样本对神经网络进行针对性训练,相较于一个对各类型的医学图像相对均衡的分割模型,使用针对性训练得到的图像分割模型对目标类型的医学图像进行图像分割,图像分割的精确度更高。
若存在多个对应于不同目标类型的图像分割模型,则将第一医学图像转换为对应于不同目标类型的多个第二医学图像,并将多个第二医学图像分别输入与其类型相适配的图像分割模型,以对多个第二医学图像中的感兴趣区域分别进行图像分割处理,得到多个图像分割结果,下述步骤104中,则根据多个图像分割结果确定第一医学图像的分割结果。
举例来说,假设第一医学图像为平扫期图像,已有的两个目标类型的图像分割模型分别为用于对动脉期图像进行图像分割的图像分割模型A以及用于对静脉期图像进行图像分割的图像分割模型B,则将第一医学图像分别输入图像分割模型A、图像分割模型B,得到两个分割结果,分别为图像分割模型A输出的分割结果以及图像分割模型B输出的分割结果,得到多个图像分割结果。
步骤104、根据第二医学图像的分割结果确定第一医学图像的分割结果。
其中,医学图像的分割结果包括医学图像中感兴趣区域的位置和形状信息。
由于输入图像分割模型的第二医学图像是基于第一医学图像转换得到的,感兴趣区域在第二医学图像中的形状、位置与其在第一医学图像中的形状、位置相对应,因此根据第二医学图像的分割结果即可确定第一医学图像的分割结果。
若步骤103得到一个图像分割结果,步骤104中则直接将该图像分割结果确定为第一医学图像的分割结果。
若步骤103中得到多个图像分割结果,步骤104中则将多个图像分割结果进行融合处理,得到第一医学图像的分割结果。
在一个实施例中,对多个图像分割结果进行融合处理,可以通过将各个第二医学图像的分割结果进行加权处理实现,将加权处理的结果确定为第一医学图像的分割结果。第一医学图像的分割结果结合了多个第二医学图像的分割结果而得到,以此得到的分割结果更加精确。
在一个实施例中,在目标类型包括目标分辨率的情况下,还需要根据目标分辨率对第二医学图像的分割结果进行采样,以得到目标分辨率的分割结果,第一医学图像的分割结果根据经过采样得到的分割结果而确定。
本发明实施例中,将获取的医学图像转换为目标类型的医学图像,借助对应于目标类型的图像分割模型实现对获取的医学图像的图像分割处理,从而无需训练多个不同类型的图像分割模型,无需对用于训练不同类型的图像分割模型的图像样本进行标注,尤其无需对较难标注的图像样本进行标注,可以节省大量人力成本。本发明实施例提供的图像分割方法,可以扩展到各种不同类型的图像分割需求的场景。
在图1的基础上,图2示出了另一种图像分割方法的流程图,该方法包括以下步骤:
步骤201、获取第一医学图像。
步骤202、识别第一医学图像的类型。
关于第一医学图像的类型的确定,可以通过训练得到的图像类型识别模块而确定;也可以通过读取第一医学图像的图像信息而确定,图像信息例如dicom(医学数字图像与通讯)文件中的tag(标记)信息,该tag信息包括以下扫描参数中的至少一种:与期相相关的扫描参数、与分辨率相关的扫描参数、与对比度相关的扫描参数、与模态相关的扫描参数等。
步骤203、判断第一医学图像的类型与目标类型是否相同。
若判断结果为否,也即第一医学图像的类型与目标类型不相同,则执行步骤204;若判断结果为是,也即第一医学图像的类型与目标类型相同,则执行步骤206。
步骤204、将第一医学图像转换为目标类型的第二医学图像。
步骤205、将第二医学图像输入已有的图像分割模型,以对第二医学图像进行图像分割处理。
步骤205中,该图像分割模型用于实现对第二医学图像进行图像分割处理。
步骤204和步骤205的实现方式与步骤102和步骤103类似,步骤204和步骤205的具体实现过程,此处不再赘述。
步骤206、将第一医学图像输入已有的图像分割模型,以对第一医学图像进行图像分割处理。
步骤206中,该图像分割模型用于实现对第一医学图像进行图像分割处理。
步骤207、确定第一医学图像的分割结果。
步骤207中,也即将图像分割模型的输出结果确定为第一医学图像的分割结果。若第一医学图像类型与目标类型相同,图像分割模型的输出结果即为第一医学图像的分割结果。若第一医学图像类型与目标类型不相同,图像分割模型的输出结果为第二医学图像的分割结果,由于第二医学图像是基于第一医学图像转换得到的,感兴趣区域在第二医学图像中的形状、位置与其在第一医学图像中的形状、位置相对应,第二医学图像的分割结果即可表征第一医学图像的分割结果。
图3为本发明实施例示出的又一种图像分割方法的流程图,本实施例的图像分割方法与图2示出的图像分割方法基本相同,不同之处在于,本实施例中,得到多个图像分割结果,还需要对多个图像分割结果进行融合处理。参见图3,该方法包括以下步骤:
步骤301、获取第一医学图像。
步骤302、识别第一医学图像的类型。
关于第一医学图像的类型的确定,可以通过训练得到的图像类型识别模块而确定;也可以通过读取第一医学图像的图像信息而确定,图像信息例如dicom(医学数字图像与通讯)文件中的tag(标记)信息,该tag信息包括以下扫描参数中的至少一种:与期相相关的扫描参数、与分辨率相关的扫描参数、与对比度相关的扫描参数、与模态相关的扫描参数等。
步骤303、判断第一医学图像的类型与目标类型是否相同。
若判断结果为否,也即第一医学图像的类型与目标类型不相同,则执行步骤304;若判断结果为是,也即第一医学图像的类型与目标类型相同,则执行步骤307。
步骤304、将第一医学图像转换为目标类型的第二医学图像。
步骤305、将第二医学图像输入已有的图像分割模型,以对第二医学图像进行图像分割处理。
步骤305中,该图像分割模型用于实现对第二医学图像进行图像分割处理。
步骤304和步骤305的实现方式与步骤102和步骤103类似,步骤304和步骤305的具体实现过程,此处不再赘述。
若步骤305得到多个分割结果,则执行步骤306,否则执行步骤308。
步骤306、将多个图像分割结果进行融合处理。
步骤307、将第一医学图像输入已有的图像分割模型,以对第一医学图像进行图像分割处理。
步骤307中,该图像分割模型用于实现对第一医学图像进行图像分割处理。
步骤308、确定第一医学图像的分割结果。
若第一医学图像类型与目标类型相同,步骤308中,将图像分割模型的输出结果确定为第一医学图像的分割结果。
若第一医学图像类型与目标类型不相同,且存在多个用于对第二医学图像进行图像分割处理的图像分割模型,步骤308中,将对多个图像分割模型的输出结果进行融合而得到的融合结果,确定为第一医学图像的分割结果。
在另一个实施例中,采用基于较容易获得的图像样本训练得到的图像分割模型,替换图2、图3中示出的已有的图像分割模型。
与前述图像分割方法实施例相对应,本发明还提供了图像分割装置的实施例。
图4为本发明一示例性实施例提供的一种图像分割装置的模块示意图,该图像分割装置包括:
获取模块41,用于获取第一医学图像;
转换模块42,用于将所述第一医学图像转换为目标类型的第二医学图像,所述目标类型包括目标期相、目标对比度、目标模态和目标分辨率中的至少一种;
输入模块43,用于将所述第二医学图像输入图像分割模型,以对所述第二医学图像中的感兴趣区域进行图像分割处理;其中,所述图像分割模型由目标类型的图像样本对神经网络训练得到,所述图像样本包括感兴趣区域的标识信息;
确定模块44,用于根据所述第二医学图像的分割结果确定所述第一医学图像的分割结果。
可选地,所述转换模块具体用于:
将所述第一医学图像输入图像转换模型,得到所述第二医学图像;其中,所述图像转换模型由多组图像样本对神经网络训练得到,每组图像样本包括被扫描对象的至少一种类型的医学图像样本和目标类型的医学图像样本。
可选地,每组图像样本中包含的医学图像为经过图像配准处理之后的医学图像。
可选地,所述转换模块具体用于:
在所述目标类型包括所述目标分辨率的情况下,根据所述目标分辨率对所述第一医学图像进行重采样处理,以得到所述目标分辨率的第二医学图像。
可选地,还包括:
判断模块,用于判断所述第一医学图像的类型与所述目标类型是否相同;
所述判断模块还用于在判断结果为否的情况下,调用所述转转换模块;在判断结果为是的情况下,调用输入模块;
所述输入模块,还用于将所述第一医学图像输入所述图像分割模型,以对所述第一医学图像进行图像分割处理。
可选地,所述转换模块具体用于:
若存在多个对应于不同目标类型的图像分割模型,则将所述第一医学图像转换为对应于所述不同目标类型的多个第二医学图像;
所述确定模块具体用于:
将各个第二医学图像的分割结果进行加权处理,并根据加权处理的结果确定所述第一医学图像的分割结果。
可选地,还包括:
重采样模块,用于在所述目标类型包括所述目标分辨率的情况下,根据所述目标分辨率对所述第二医学图像的分割结果进行重采样;所述第一医学图像的分割结果根据经过重采样的分割结果而确定。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
图5为本发明一示例实施例示出的一种电子设备的结构示意图,示出了适于用来实现本发明实施方式的示例性电子设备50的框图。图5显示的电子设备50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。
如图5所示,电子设备50可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备50的组件可以包括但不限于:上述至少一个处理器51、上述至少一个存储器52、连接不同系统组件(包括存储器52和处理器51)的总线53。
总线53包括数据总线、地址总线和控制总线。
存储器52可以包括易失性存储器,例如随机存取存储器(RAM)521和/或高速缓存存储器522,还可以进一步包括只读存储器(ROM)523。
存储器52还可以包括具有一组(至少一个)程序模块524的程序工具525(或实用工具),这样的程序模块524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51通过运行存储在存储器52中的计算机程序,从而执行各种功能应用以及数据处理,例如上述任一实施例所提供的方法。
电子设备50也可以与一个或多个外部设备54(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55进行。并且,模型生成的电子设备50还可以通过网络适配器56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。如图所示,网络适配器56通过总线53与模型生成的电子设备50的其它模块通信。应当明白,尽管图中未示出,可以结合模型生成的电子设备50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。
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。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一实施例所提供的方法。
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,本发明实施例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上述任一实施例的方法。
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:
获取第一医学图像;
将所述第一医学图像转换为目标类型的第二医学图像,所述目标类型包括目标期相、目标对比度、目标模态和目标分辨率中的至少一种;
将所述第二医学图像输入图像分割模型,以对所述第二医学图像中的感兴趣区域进行图像分割处理;其中,所述图像分割模型由目标类型的图像样本对神经网络训练得到,所述图像样本包括感兴趣区域的标识信息;
根据所述第二医学图像的分割结果确定所述第一医学图像的分割结果。
2.根据权利要求1所述的图像分割方法,其特征在于,将所述第一医学图像转换为目标类型的第二医学图像,包括:
将所述第一医学图像输入图像转换模型,得到所述第二医学图像;其中,所述图像转换模型由多组图像样本对神经网络训练得到,每组图像样本包括被扫描对象的至少一种类型的医学图像样本和目标类型的医学图像样本。
3.根据权利要求2所述的图像分割方法,其特征在于,每组图像样本中包含的医学图像样本为经过图像配准处理之后的医学图像样本。
4.根据权利要求1所述的图像分割方法,其特征在于,将所述第一医学图像转换为目标类型的第二医学图像,包括:
在所述目标类型包括所述目标分辨率的情况下,根据所述目标分辨率对所述第一医学图像进行采样处理,以得到所述目标分辨率的第二医学图像。
5.根据权利要求1所述的图像分割方法,其特征在于,将所述第一医学图像转换为目标类型的第二医学图像之前,还包括:
判断所述第一医学图像的类型与所述目标类型是否相同;
若判断结果为否,则执行将所述第一医学图像转换为所述第二医学图像的步骤;
若判断结果为是,则将所述第一医学图像输入所述图像分割模型,以对所述第一医学图像进行图像分割处理。
6.根据权利要求1所述的图像分割方法,其特征在于,将所述第一医学图像转换为目标类型的第二医学图像,包括:
若存在多个对应于不同目标类型的图像分割模型,则将所述第一医学图像转换为对应于所述不同目标类型的多个第二医学图像;
根据所述第二医学图像的分割结果确定所述第一医学图像的分割结果,包括:
将所述多个第二医学图像的分割结果进行加权处理,并根据加权处理的结果确定所述第一医学图像的分割结果。
7.根据权利要求1-6中任一项所述的图像分割方法,其特征在于,还包括:
在所述目标类型包括所述目标分辨率的情况下,根据所述目标分辨率对所述第二医学图像的分割结果进行采样,得到所述第一医学图像的分割结果。
8.一种图像分割装置,其特征在于,包括:
获取模块,用于获取第一医学图像;
转换模块,用于将所述第一医学图像转换为目标类型的第二医学图像,所述目标类型包括目标期相、目标对比度、目标模态和目标分辨率中的至少一种;
输入模块,用于将所述第二医学图像输入图像分割模型,以对所述第二医学图像中的感兴趣区域进行图像分割处理;其中,所述图像分割模型由目标类型的图像样本对神经网络训练得到,所述图像样本标注有感兴趣区域的标识信息;
确定模块,用于根据所述第二医学图像的分割结果确定所述第一医学图像的分割结果。
9.一种电子设备,包括存储器、处理器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至7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权利要求1至7任一项所述的图像分割的方法。
CN202111105112.XA 2021-09-18 2021-09-18 图像分割方法及装置、电子设备、存储介质 Pending CN113902684A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111105112.XA CN113902684A (zh) 2021-09-18 2021-09-18 图像分割方法及装置、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111105112.XA CN113902684A (zh) 2021-09-18 2021-09-18 图像分割方法及装置、电子设备、存储介质

Publications (1)

Publication Number Publication Date
CN113902684A true CN113902684A (zh) 2022-01-07

Family

ID=79028969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111105112.XA Pending CN113902684A (zh) 2021-09-18 2021-09-18 图像分割方法及装置、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN113902684A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115526843A (zh) * 2022-09-14 2022-12-27 阿里巴巴(中国)有限公司 医学图像的处理方法和系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115526843A (zh) * 2022-09-14 2022-12-27 阿里巴巴(中国)有限公司 医学图像的处理方法和系统

Similar Documents

Publication Publication Date Title
EP3483895A1 (en) Detecting and classifying medical images based on continuously-learning whole body landmarks detections
CN110298844B (zh) X光造影图像血管分割与识别方法及装置
CN111369542A (zh) 血管标记方法、图像处理系统和存储介质
CN118334070A (zh) 用于在图像分析中进行解剖结构分割的系统和方法
CN113159056B (zh) 图像分割方法、装置、设备及存储介质
CN111274425A (zh) 医疗影像分类方法、装置、介质及电子设备
CN111325714B (zh) 感兴趣区域的处理方法、计算机设备和可读存储介质
CN107978362B (zh) 在医院网络中利用数据分布的查询
EP3444824B1 (en) Detecting and classifying medical images based on continuously-learning whole body landmarks detections
WO2021202203A1 (en) Medical image processing method and system and data processing method
CN112634255B (zh) 脑部病灶检测模型的建立方法、装置以及计算机设备
CN113902684A (zh) 图像分割方法及装置、电子设备、存储介质
CN113256651B (zh) 模型训练方法及装置、图像分割方法及装置
CN114266896A (zh) 图像标注方法、模型训练方法及装置、电子设备、介质
CN114066905A (zh) 一种基于深度学习的医学图像分割方法、系统、装置
CN111863206A (zh) 一种图像预处理方法、装置、设备及存储介质
CN117974474A (zh) 一种基于形变域与柔性融合的多模态图像融合方法及装置
CN111209946B (zh) 三维图像处理方法、图像处理模型训练方法及介质
CN112614143A (zh) 一种图像分割方法、装置、电子设备及存储介质
CN112530554B (zh) 一种扫描定位方法、装置、存储介质及电子设备
JP7486515B2 (ja) Aiにより可能なエコー承認ワークフロー環境
CN114010227A (zh) 一种右心室特征信息识别方法及装置
CN111124862B (zh) 智能设备性能测试方法、装置及智能设备
CN114037830A (zh) 增强图像生成模型的训练方法、图像处理方法及装置
CN114266777A (zh) 分割模型的训练方法、分割方法、装置、电子设备及介质

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