CN113947681A - 用于分割医学影像的方法、设备和介质 - Google Patents
用于分割医学影像的方法、设备和介质 Download PDFInfo
- Publication number
- CN113947681A CN113947681A CN202111210202.5A CN202111210202A CN113947681A CN 113947681 A CN113947681 A CN 113947681A CN 202111210202 A CN202111210202 A CN 202111210202A CN 113947681 A CN113947681 A CN 113947681A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- decoder
- generate
- sub
- target object
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000011218 segmentation Effects 0.000 claims abstract description 115
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 5
- 230000009849 deactivation Effects 0.000 claims description 4
- 230000002779 inactivation Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 22
- 238000012549 training Methods 0.000 description 14
- 238000003384 imaging method Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 8
- 238000002591 computed tomography Methods 0.000 description 7
- 238000003709 image segmentation Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 210000000056 organ Anatomy 0.000 description 6
- 210000000709 aorta Anatomy 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (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)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例涉及一种用于分割医学影像的方法、设备和介质。该方法包括；获取医学影像序列，每一个医学影像关联有标记数据；基于第一坐标轴，针对所获取的医学影像序列进行分割，以便生成二维影像序列；针对二维影像序列进行预处理，以便生成输入数据；基于经训练的分割模型，提取输入数据的特征，以便生成关于目标对象的多个二维分割结果图像，分割模型是基于神经网络模型所构建，分割模型包括由多个编码器子模块组成的编码器、由多个解码器子模块组成的解码器，并且分割模型被配置为融合多分辨率的特征图；以及拼接关于目标对象的多个二维分割结果图像，以便生成关于目标对象的三维模型。由此，能够快速并且准确地针对医学影像进行分割。
Description
技术领域
本公开的实施例总体涉及图像处理领域，并且更具体地涉及一种用于分割医学影像的方法、计算设备和计算机存储介质。
背景技术
为了使得临床医生能够更加直观和清晰地观察正常和病变组织的解剖结构，通常需要针对医学影像进行分割，以便把医学影像中的目标对象(例如器官、血管等)的结构或感兴趣区域提取出来，以便为临床诊断、制定手术方案和生物医学研究提供科学依据。
传统的用于分割医学影像的方法通常包括：医学图像分割和基于深度学习的医学图像分割两种方法。
传统的医学图像分割方法例如包括：边缘检测法、阈值法和区域生长法等。传统的医学图像分割方法需要较多的人机交互过程完成目标提取，同时自我学习能力较弱，对噪声、模糊等干扰抵抗力较弱。
传统基于深度学习的医学图像分割方法，例如利用卷积神经网络(ConvolutionalNeural Network，CNN)对医学影像进行分割，虽然具有高稳定性和可重复性高等优点，但该方法实质上是完成对图像像素的分类工作，无法直接获得分割结果，只能间接获得分割结果，因此，对于CT图像等输入数据较多的情况，传统基于深度学习的医学图像分割方法处理速度较慢，且无法考虑图像中的空间位置信息，容易出现错判区域。
综上，传统的用于分割医学影像的方法存在的不足之处在于：难以快速并且准确地针对医学影像进行分割。
发明内容
针对上述问题，本公开提供了一种用于分割医学影像的方法、计算设备和计算机存储介质，能够快速并且准确地针对医学影像进行分割。
根据本公开的第一方面，提供了一种用于分割医学影像的方法，包括：获取医学影像序列，每一个医学影像关联有标记数据；基于第一坐标轴，针对所获取的医学影像序列进行分割，以便生成二维影像序列；针对二维影像序列进行预处理，以便生成输入数据；基于经训练的分割模型，提取输入数据的特征，以便生成关于目标对象的多个二维分割结果图像，分割模型是基于神经网络模型所构建，分割模型包括由多个编码器子模块组成的编码器、由多个解码器子模块组成的解码器，并且分割模型被配置为融合多分辨率的特征图；以及拼接关于目标对象的多个二维分割结果图像，以便生成关于目标对象的三维模型。
根据本公开的第二方面，提供了一种计算设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开的第一方面的方法。
在本公开的第三方面中，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中计算机指令用于使计算机执行本公开的第一方面的方法。
在一些实施例中，分割模型被配置为融合多分辨率的特征图包括：使得解码器中的每一个解码器子模块接收来自融合网络层的融合特征图，融合网络层由分割模型所包括，融合特征图是经由融合网络层融合来自编码器中的多个编码器子模块的多个下采样特征图，以及来自解码器中多个解码器子模块的多个上采样特征图而生成的。
在一些实施例中，多个下采样特征图分别是基于多个编码器子模块所分别输出的多个特征图而生成的，多个上采样特征图是基于多个解码器子模块所分别输出的多个特征图而生成的，多个编码器子模块所分别输出的多个特征图以及多个解码器子模块所分别输出的多个特征图具有不同的分辨率。
在一些实施例中，使得解码器中的每一个解码器子模块接收来自融合网络层的融合特征图包括：分别针对分辨率高于当前解码器子模块的目标分辨率的编码器子模块所输出的特征图进行下采样操作，以便生成具有目标分辨率的一个或多个下采样特征图；分别针对分辨率低于目标分辨率的解码器子模块所输出的特征图进行上采样操作，以便生成具有目标分辨率的一个或多个上采样特征图；以及经由融合网络层，融合下采样特征图、上采样特征图和与当前解码器子模块具有相同目标分辨率的编码器子模块所输出的特征图，以便生成用于输入至当前解码器子模块的融合特征图。
在一些实施例中，融合网络层配置在编码器和解码器之间，融合网络层包括卷积层、批标准化层和激活函数层，激活函数的输出连接至当前解码器子模块。
在一些实施例中，生成关于目标对象的多个二维分割结果图像包括：针对解码器中的每一个解码器子模块的输出结果进行随机失活操作；以及将经由随机失活操作的数据经由卷积和最大池化操作后，输入归一化指数函数，以便生成分类数据。
在一些实施例中，生成关于目标对象的多个二维分割结果图像包括：基于解码器所输出的特征图，生成二维分割预测图像；以及将二维分割预测图像和分类数据相乘，以便基于相乘的结果生成关于目标对象的多个二维分割结果图像。
在一些实施例中，用于分割医学影像的方法还包括：基于多尺度结构相似损失、Focal损失和IOU损失，构建混合损失函数；以及经由最小化混合损失函数来优化神经网络模型。
在一些实施例中，针对二维影像序列进行预处理，以便生成输入数据包括：按预定尺寸针对二维影像序列中的每一个二维影像进行裁剪；基于经裁剪的每一个二维影像的体素强度，计算关于体素强度的均值和方差，以便进行归一化处理；以及基于经由归一化处理的数据，生成输入数据。
在一些实施例中，标记数据至少包括：关于目标对象的坐标信息和关于医学影像序列的间隔数据，拼接关于目标对象的多个二维分割结果图像，以便生成关于目标对象的三维模型包括：基于坐标信息和间隔数据，拼接关于目标对象的多个二维分割结果图像，以便生成关于目标对象的三维模型。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素。
图1示出了用于实现根据本发明的实施例的用于分割医学影像的方法的系统的示意图。
图2示出了根据本公开的实施例的用于分割医学影像的方法200的流程图。
图3示出了根据本公开的实施例的分割模型300的示意图。
图4示出了根据本公开的实施例的用于生成融合特征图的方法的流程图。
图5示出了根据本公开的实施例的用于优化分割模型的方法的流程图。
图6示出了根据本公开的实施例的用于优化分割模型的方法的流程图。
图7示出了根据本公开的实施例的医学影像序列中一个医学影像。
图8示出了根据本公开的实施例的经裁剪的二维影像输入图像。
图9示出了根据本公开的实施例的经裁剪的二维影像输入图像。
图10示出了根据本公开的实施例的关于目标对象的三维模型。
图11示出了根据本公开的实施例的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如前文所描述，在传统利用卷积神经网络(Convolutional Neural Network，CNN)对医学影像进行分割的方法中，CNN主要基于多层感知器的算法进行学习，卷积神经网络一般由卷积层、池化层以及全连接层组成，其主要采用局部感知、权值共享和空间下采样的结构性思想来学习输入和输出之间的高度非线性映射。该方法实质是完成对图像像素的分类工作，无法直接获得分割结果，只能间接获得分割结果，因此，对于CT图像输入数据较多的情况下，该方法处理速度较慢，且无法考虑图像中的空间位置信息，容易出现错判区域。综上，传统的用于分割医学影像的方法存在的不足之处在于：难以快速并且准确地针对医学影像进行分割。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种用于分割医学影像的方案，在本公开方案中，通过针对所获取的医学影像序列进行分割，以便生成二维影像序列；然后针对二维影像序列进行预处理以便生成输入数据，本公开可以使得分割模型的输入特征中去除多余的图像数据，保留主要为目标对象的图像数据，利于大幅减少噪声数据，提高计算效率。另外，本公开利用能够融合多分辨率的特征图的分割模型提取输入数据的特征，以便生成关于目标对象的多个二维分割结果图像；以及拼接多个二维分割结果图像以便生成关于目标对象的三维模型。本公开可以基于多个尺度下的细粒度语义和粗粒度语义进行学习来预测二维分割结果，使得分割模型即便在医学影像的输入数据数量有限的情况下，也能够经由编码器和解码器抓取不同网络层次的特征，使得分割结果更为准确，提高了分割精度。因此，本公开能够快速并且准确地针对医学影像进行分割。
图1示出了用于实现根据本发明的实施例的用于分割医学影像的方法的系统100的示意图。如图1中所示，系统100包括计算设备110和医学影像成像设备130和网络140。计算设备110、医学影像成像设备130可以通过网络140(例如，因特网)进行数据交互。
医学影像成像设备130，其例如可以生成针对目标对象(例如，血管、器官等)的医学影像序列，例如生成DICOM文件。医学影像成像设备130还可以将所成像的医学影像序列发送给计算设备110。医学影像成像设备例如而不限于是：X线成像设备(CR、DR、DSA等)、计算机断层扫描(CT)设备、磁共振(magnetic resonance，MR)成像设备、超声成像设备、核医学成像设备(PET-CT、PET-MR等)。医学影像成像设备130例如利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一目标部位进行断面扫描，从而得到多层的图像，将该多层的图像例如在z轴上堆叠起来就可以形成三维图像序列。每一层的图像可以存在DICOM文件中。
关于计算设备110，其例如用于获取来自医学影像成像设备130的医学影像序列；针对所获取的医学影像序列进行分割以便生成二维影像序列；以及针对二维影像序列进行预处理，以便生成输入数据。计算设备110还可以基于经训练的分割模型，提取输入数据的特征，以便生成关于目标对象的多个二维分割结果图像；以及拼接关于目标对象的多个二维分割结果图像，以便生成关于目标对象的三维模型。计算设备110可以具有一个或多个处理单元，包括诸如GPU、FPGA和ASIC等的专用处理单元以及诸如CPU的通用处理单元。另外，在每个计算设备110上也可以运行着一个或多个虚拟机。在一些实施例中，计算设备110与医学影像成像设备110可以集成在一起，也可以是彼此分立设置。在一些实施例中，计算设备110例如包括医学影像序列获取单元112、二维影像序列生成单元114、输入数据生成单元116、二维分割结果图像生成单元118、目标对象三维模型生成单元120。
关于医学影像序列获取单元112，其用于获取医学影像序列，每一个医学影像关联有标记数据。
关于二维影像序列生成单元114，其用于基于第一坐标轴，针对所获取的医学影像序列进行分割，以便生成二维影像序列。
关于输入数据生成单元116，其用于针对二维影像序列进行预处理，以便生成输入数据。
关于二维分割结果图像生成单元118，基于经训练的分割模型，提取输入数据的特征，以便生成关于目标对象的多个二维分割结果图像，分割模型是基于神经网络模型所构建，分割模型包括由多个编码器子模块组成的编码器、由多个解码器子模块组成的解码器，并且分割模型被配置为融合多分辨率的特征图。
关于三维模型生成单元120，其用于拼接关于目标对象的多个二维分割结果图像，以便生成关于目标对象的三维模型。
以下结合图2、图3、图7至图10描述用于分割医学影像的方法200。图2示出了根据本公开的实施例的用于分割医学影像的方法200的流程图。方法200可由如图1所示的计算设备110执行，也可以在图11所示的电子设备1100处执行。应当理解的是，方法200还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
在步骤202，计算设备11获取医学影像序列，每一个医学影像关联有标记数据。图7示出了根据本公开的实施例的医学影像序列中一个医学影像。该医学影像700例如为CT图。该CT图指示了人体躯干部的多个器官、骨骼和主动脉等。
关于医学影像序列，其例如而不限于是DICOM(Digital Imaging andCommunications in Medicine)格式的。DICOM文件中包括文件头和DICOM数据集。DICOM数据集包括按照标签Tag从小到大顺序依次排列的多个数据元。每个数据元包括：标记数据(DICOM TAG)、数据类型(VR,value representation)、数据长度(value length)、数据值(value)。例如，医学影像序列例如是3D CT图像或者MRI图像或者OCT图像等关于目标对象的成像。标记数据包括坐标信息和间隔信息等。
在步骤204，计算设备110基于第一坐标轴，针对所获取的医学影像序列进行分割，以便生成二维影像序列。
关于二维影像序列，其包括多个二维影像，每个二维影像例如指示目标对象的二维切面。
关于生成二维影像序列的方法，其例如包括：计算设备110将所读取的三维医学影像序列按z轴分解成二维影像序列，以便生成二维影像序列。
在步骤206，计算设备110针对二维影像序列进行预处理，以便生成输入数据。例如，计算设备110针对二维影像序列按320x320的尺寸进行裁剪；针对经裁剪的每一个二维影像进行体素强度(即，灰度值强度)进行统计处理，计算关于体素强度的均值和方差，使用z-score方法进行归一化(Normalization)，以便生成输入数据。图6示出了根据本公开的实施例的经裁剪的二维影像输入图像。如图8所示，二维影像800中指示了关于主动脉的切面。二维影像800还指示了主动脉周围的图像信息。
在步骤208，计算设备110基于经训练的分割模型，提取输入数据的特征，以便生成关于目标对象的多个二维分割结果图像，分割模型是基于神经网络模型所构建，分割模型包括由多个编码器子模块组成的编码器、由多个解码器子模块组成的解码器，并且分割模型被配置为融合多分辨率的特征图。
分割模型的多个编码器子模块用于对输入数据进行多次下采样，以便输出不同分辨率的多个特征图。分割模型的多个解码器子模块用于多次上采样，以便最终输出与输入数据(输入图像)相同分辨率的分割结果。应当理解，不同层次的特征(不同大小的感受野)对于大小不一的目标对象的敏感度是不同的，感受野大的特征，可以很容易的识别出大物体的，但是对于大物体的边缘信息和小物体不敏感。本公开通过使得分割模型配置由多个编码器子模块组成的编码器、由多个解码器子模块组成的解码器，以及分割模型被配置为融合多分辨率的特征图，可以避免不同层次的特征数据会在实际分割中被深层网络一次次的下采样和一次次上采样所遗漏，而且可以从多尺度聚合的特征图中学习特征表达，从而使得分割结果更为准确。
关于二维分割结果图像，其例如是关于目标器官或目标血管的二维影像序列。图9示出了根据本公开的实施例的二维分割结果图像。如图9所示，二维分割结果图像900中指示了被分割出的目标对象，即主动脉。
关于分割模型，其用于提取输入图像的特征以便生成关于目标对象的多个二维分割结果图像。以下结合图3来描述分割模型300。图3示出了根据本公开的实施例的分割模型300的示意图。分割模型300例如是encoder-decoder结构。在一些实施例中，如图3所示，分割模型包括：编码器、解码器和融合网络层。
图3的左半部分为编码器，其包括多个编码器子模块(例如，分别是第一编码器子模块312、第二编码器子模块314、第三编码器子模块316、第四编码器子模块318等)。每一个编码器子模块例如包括两个卷积层和最大池化层(Maxpool)。后一个编码器子模块的分辨率例如是前一个编码器子模块的分辨率的1/2。
图3的右半部分为解码器，其包括多个(例如5个)解码器子模块(例如，分别是第一解码器子模块328、第二解码器子模块326、第三解码器子模块324、第四解码器子模块322、第五解码器子模块320)。后一个解码器子模块的分辨率例如是前一个解码器子模块的分辨率的2倍。每一个解码器子模块还接收来自融合网络层的融合特征图。解码器的输出图像的分辨率等于编码器的输入图像的分辨率。
融合网络层，其配置在编码器与解码器之间，用于融合多个下采样特征图、多个上采样特征图和与当前解码器子模块具有相同目标分辨率的编码器子模块所输出的特征图，以便生成用于输入至当前解码器子模块的融合特征图。
关于融合多个下采样特征图和多个上采样特征图的方法，其例如包括：分别针对分辨率高于当前解码器子模块的目标分辨率的编码器子模块所输出的特征图进行下采样操作，以便生成具有目标分辨率的一个或多个下采样特征图；分别针对分辨率低于目标分辨率的解码器子模块所输出的特征图进行上采样操作，以便生成具有目标分辨率的一个或多个上采样特征图；以及经由融合网络层，融合下采样特征图、上采样特征图和与当前解码器子模块具有相同目标分辨率的编码器子模块所输出的特征图，以便生成用于输入至当前解码器子模块的融合特征图。下文将结合图4详细描述用于融合多个下采样特征图和多个上采样特征图的方法400，在此，不必赘述。
关于分割模型300的训练数据的生成方法其例如包括：计算设备110读取三维DICOM格式的医学影像数据和标记文件。将医学影像数据按z轴分解成二维影像序列。基于320x320的尺寸对二维影像序列进行裁剪，然后针对经裁剪的每一个二维影像，计算关于体素强度的均值和方差，以便进行归一化处理；以及将经由归一化处理的数据作为训练数据。然后，计算设备110采用K-Fold交叉验证(Cross-Validation)的方法(例如，K＝6，即，六折交叉验证的方法)，将训练数据按照训练、验证和测试集的比例为4：1：1进行划分。测试集是与训练独立的数据，完全不参与训练，用于最终模型的评估。
关于分割模型的训练方法，其例如包括：将训练数据针对分割网络进行训练时，为了加快训练速度，输入图像有三个通道，包括待分割的切片和上、下切片。利用随机梯度下降法(SGD)对分割网络进行优化，并将其超参数设置为默认值。针对每一轮epoch(即，所有训练样本训练一次)，计算所有验证集分割出来的前景的平均集合相似度度量函数(Dice系数)进行六折交叉验证，评估模型的表现，当验证集的dice系数优于上一步得到的dice系数，保存当前模型参数。当符合以下任一条件，则停止训练：当训练轮数到达预定训练轮数；在预定数量(例如是60)个epoch内，验证集指数移动的平均loss低于预定阈值(例如为5e-3)；学习率(Learning Rate)小于预定学习率(例如为1e-6)。
关于分割模型的优化方法，下文将结合图6进行说明，在此，不再赘述。
在步骤210，计算设备110拼接关于目标对象的多个二维分割结果图像，以便生成关于目标对象的三维模型。例如，计算设备110基于坐标信息和间隔数据，拼接关于目标对象的多个二维分割结果图像。在一些实施例中，计算设备110基于坐标信息和间隔数据，拼接关于目标血管或者目标器官的一组二维分割结果图像，以便生成关于目标血管或者目标器官的三维模型。图10示出了根据本公开的实施例的关于目标对象(主动脉)的三维模型。在上述方案中，通过针对所获取的医学影像序列进行分割，以便生成二维影像序列；然后针对二维影像序列进行预处理以便生成输入数据，本公开可以使得分割模型的输入特征中去除多余的图像数据，保留主要为目标对象的图像数据，利于大幅减少噪声数据，提高计算效率。另外，本公开利用能够融合多分辨率的特征图的分割模型提取输入数据的特征，以便生成关于目标对象的多个二维分割结果图像；以及拼接多个二维分割结果图像以便生成关于目标对象的三维模型。本公开可以基于多个尺度下的细粒度语义和粗粒度语义进行学习来预测二维分割结果，使得分割模型经由编码器和解码器抓取不同网络层次的特征，使得分割结果更为准确。因此，本公开能够快速并且准确地针对医学影像进行分割。
以下结合图3和图4说明用于生成融合特征图的方法。图4示出了根据本公开的实施例的用于生成融合特征图的方法400的流程图。方法400可由如图1所示的计算设备110执行，也可以在图11所示的电子设备1100处执行。应当理解的是，方法400还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
在步骤402，计算设备110分别针对分辨率高于当前解码器子模块的目标分辨率的编码器子模块所输出的特征图进行下采样操作，以便生成具有目标分辨率的一个或多个下采样特征图。
以下结合图3，以第三解码器子模块324所接收的融合特征图为例，示例性描述用于生成融合特征图的方法。如图3所示，第一编码器子模块312所输出的特征图
和第二编码器子模块314所输出的特征图
的分辨率高于当前第三解码器子模块324所输出的特征图
的目标分辨率。如图3所示，本公开将第一编码器子模块312所输出的特征图
经由下采样操作(例如，4次Maxpooling操作，然后64个3x3的卷积核进行卷积)，以便生成与第三解码器子模块324所输出的特征图
具有相同分辨率的第一下采样特征图后，将第一下采样特征图输入融合网络层328。第二编码器子模块312所输出的特征图
经由下采样操作(例如，2次Maxpooling操作，然后64个3x3的卷积核进行卷积)，以便生成与第三解码器子模块324所输出的特征图
具有相同分辨率的第二下采样特征图后，将第二下采样特征图输入融合网络层328。应当理解，来自第一编码器子模块312和第二编码器子模块314的特征图为大尺度的特征图，融合这些特征图利于捕获大尺度下的更为丰富的粗粒度语义；另外，针对第一编码器子模块312和第二编码器子模块314进行不同尺度的最大池化操作，即将
和
进行下采样，可以保证下采样后特征图的尺寸和
的大小一样。在步骤404，计算设备110分别针对分辨率低于目标分辨率的解码器子模块所输出的特征图进行上采样操作，以便生成具有目标分辨率的一个或多个上采样特征图。
第四解码器子模块322所输出的特征图
和第五解码器子模块320所输出的特征图
的分辨率低于当前第三解码器子模块324所输出的特征图
的目标分辨率。如图3所示，本公开将第四解码器子模块322所输出的特征图
经由上采样操作(例如，2次Bilinear upsample操作，然后64个3x3的卷积核进行卷积)，以便生成与第三解码器子模块324所输出的特征图
具有相同分辨率的第四上采样特征图后，将第四上采样特征图输入融合网络层328。第五解码器子模块320所输出的特征图
经由上采样操作(例如，4次Bilinear upsample操作，然后64个3x3的卷积核进行卷积)，以便生成与第三解码器子模块324所输出的特征图
具有相同分辨率的第五上采样特征图后，将第五上采样特征图输入融合网络层328。应当理解，来自第四解码器子模块322和第五解码器子模块的特征图为小尺度的特征图，融合这些特征图利于捕获小尺度下的更为丰富的细粒度语义；另外，针对第四解码器子模块322和第五解码器子模块320进行不同尺度的上采样操作，即将
和
进行上采样，保证上采样后特征图的尺寸和
的大小一样。在步骤406，计算设备110经由融合网络层，融合下采样特征图、上采样特征图和与当前解码器子模块具有相同目标分辨率的编码器子模块所输出的特征图，以便生成用于输入至当前解码器子模块的融合特征图。
当前第三编码器子模块316所输出的特征图
的分辨率等于当前第三解码器子模块324所输出的特征图
的目标分辨率。如图3所示，本公开将第三编码器子模块316所输出的特征图
经由特征提取(例如，采用64个3x3的卷积核进行卷积)输入融合网络层328。
如图3所示，融合网络层328用于融合第一下采样特征图、第二下采样特征图、第三解码器子模块324所输出的特征图、第四上采样特征图和的第五上采样特征图，以便生成用于输入至当前第三解码器子模块324的融合特征图。
应当理解，图3中仅仅示例性地示出了第三解码器子模块324接收经由融合网络层328生成融合特征图的方法。应当理解，解码器中的每一个解码器子模块均会采用类似的方式接收融合特征图。图3也仅仅示例出了融合网络层328的部分网络结构，事实上融合网络层328包括用于生成输入其他解码器子模块的融合特征图的网络结构。
融合网络层例如包括卷积层(例如，如图3所示，利用320个3x3的卷积核进行卷积)、批标准化层(Batch Normalization，BN)和激活函数层，激活函数。应当理解，融合网络层328的卷积层的计算结果会经过激励函数成为下一层(即，对应的解码器子模块)的输入。卷积层的计算结果的分布对于激励函数很重要，因为，对于数据值大多分布在这个区间的数据,才能进行更有效的传递，如果没有配置批标准化层，激活值例如大部分都分布到了饱和阶段,而通过将批标准化层被添加在卷积层和激励函数层之间，可以使得大部分的激活值在每个分布区间都还有存在；再将这个激活后的分布传递到下一层神经网络进行后续计算,每个区间都有分布的状态对于分割模型的学习更加有价值。
通过采用上述手段，每一个解码器层都融合了来自编码器中的小尺度和同尺度的特征图，以及来自解码器的大尺度的特征图，这些特征图捕获了全尺度下的细粒度语义和粗粒度语义，提高了分割模型从全尺度探索足够信息的能力，能够充分学习多尺度特征，获得更准确的分割结果。
应当理解，在大多数医学图像分割中，非分割部位图像出现假阳性是不可避免的。它很有可能是由于来自背景的噪声信息停留在较浅的层次，导致过度分割的现象，因此有必要防止非分割部位图像的过度分割和提高模型的分割精度。
图5示出了根据本公开的实施例的用于生成关于目标对象的多个二维分割结果图像的方法500的流程图。方法500可由如图1所示的计算设备110执行，也可以在图11所示的电子设备1100处执行。应当理解的是，方法500还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
在步骤502，计算设备110针对解码器中的每一个解码器子模块的输出结果进行随机失活操作。通过随机失活操作针对学习过程中隐含层的部分权重或输出随机归零，可以降低分割模型网络节点间的相互依赖性。
在步骤504，计算设备110将经由随机失活操作的数据经由卷积和最大池化操作后，输入归一化指数函数，以便生成分类数据。
例如，通过对不同尺度的解码器模块的结果进行包括随机失活操作、1x1的卷积、max pooling和sigmoid函数等一系列操作后，就可以得到分类数据。例如，分类数据为“0”表示没有分割部位，分类数据为“1”表示有分割部位。
在步骤506，计算设备110基于解码器所输出的特征图，生成二维分割预测图像。
在步骤508，计算设备110将二维分割预测图像和分类数据相乘，以便基于相乘的结果生成关于目标对象的多个二维分割结果图像。例如，如果分类数据为“0”指示解码器所输出的特征图没有分割部位，则会将该解码器所输出的特征图舍弃。
在上述方案中，通过以分类数据和经由分割模型预测的二维分割预测图像相乘的结果作为指导依据，本公开可以抑制对非分割部位图像的过度分割，从而提高模型的分割精度，实现关于目标对象的精准分割。
图6示出了根据本公开的实施例的用于优化分割模型的方法600的流程图。方法600可由如图1所示的计算设备110执行，也可以在图11所示的电子设备1100处执行。应当理解的是，方法600还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
在步骤602，计算设备110基于多尺度结构相似损失、Focal损失和IOU损失，构建混合损失函数。
关于分割模型的损失函数，即混合损失函数，以下结合公式(1)说明分割模型的损失函数的计算方式。
Lseg＝Lfocal-loss+Lms-ssim+Liou (1)
在上述公式(1)中，Lseg代表用于优化分割模型的混合分段损失函数。Lfocal-loss代表Focal Loss。Lms-ssim代表MS-SSIM损失函数。Liou代表IOU损失函数。以下结合公式(2)说明计算多尺度结构相似度(Multi Scale Structural Similarity Index，MS-SSIM)损失Lms-ssim的方式。
在上述公式(2)中，M代表尺寸的总数量(例如M设置为5)。μp，μg和σp，σg分别是p、g的均值和方差，σpg表示它们的协方差。βm和γm代表每个尺度中这两个部分的相对重要性，C1和C2代表矫正系数。例如，C1＝0.012，C2＝0.032，以用于使得分母值不会出现为0的情况。P代表分割结果。g代表正确标准(即，金标准ground truth，GT)。
应当理解，MS-SSIM损失Lms-ssim可以保留高频信息(图像的边缘和细节)，通过利用多尺度结构相似性指数MS-SSIM损失Lms-ssim来赋予模糊边界更高的权重，边界区域分布差异越大，MS-SSIM值越高，通过MS-SSIM值可以实现对模糊边界的密切关注。交并比(IoU)损失用于评估预测边框(bounding box)和真实边框(ground truth)的交集和并集的比值，应当理解，IOU损失对尺度scale不敏感。
在步骤604，计算设备110经由最小化混合损失函数来优化神经网络模型。
在上述方案中，通过结合Focal Loss、MS-SSIM损失Lms-ssim和IOU损失的混合损失方法来优化分割模型，本公开可用于pixel、patch和map三个层次的分割，能够清晰地捕捉到边界的大尺度和细微结构，显著地提高了分割性能。
图11示出了可以用来实施本公开内容的实施例的示例电子设备1100的示意性框图。例如，如图1所示的计算设备110可以由电子设备1100来实施。如图所示，电子设备1100包括中央处理单元(CPU)1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序指令或者从存储单元1108加载到随机存取存储器(RAM)1103中的计算机程序指令，来执行各种适当的动作和处理。在随机存取存储器1103中，还可存储电子设备1100操作所需的各种程序和数据。中央处理单元1101、只读存储器1102以及随机存取存储器1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
电子设备1100中的多个部件连接至输入/输出接口1105，包括：输入单元1106，例如键盘、鼠标、麦克风等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理，例如方法200、400至600，可由中央处理单元1101执行。例如，在一些实施例中，方法00、400至600可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由只读存储器1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序被加载到随机存取存储器1103并由中央处理单元1101执行时，可以执行上文描述的方法00、400至600的一个或多个动作。
本公开涉及方法、装置、系统、电子设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘计算设备。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法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、程序段或指令的一部分，模块、程序段或指令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。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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (12)
1.一种用于分割医学影像的方法，包括：
获取医学影像序列，每一个医学影像关联有标记数据；
基于第一坐标轴，针对所获取的医学影像序列进行分割，以便生成二维影像序列；
针对二维影像序列进行预处理，以便生成输入数据；
基于经训练的分割模型，提取输入数据的特征，以便生成关于目标对象的多个二维分割结果图像，所述分割模型是基于神经网络模型所构建，所述分割模型包括由多个编码器子模块组成的编码器、由多个解码器子模块组成的解码器，并且分割模型被配置为融合多分辨率的特征图；以及拼接关于目标对象的多个二维分割结果图像，以便生成关于目标对象的三维模型。
2.根据权利要求1所述的方法，其中分割模型被配置为融合多分辨率的特征图包括：
使得解码器中的每一个解码器子模块接收来自融合网络层的融合特征图，融合网络层由分割模型所包括，融合特征图是经由融合网络层融合来自编码器中的多个编码器子模块的多个下采样特征图，以及来自解码器中多个解码器子模块的多个上采样特征图而生成的。
3.根据权利要求2所述的方法，其中多个下采样特征图分别是基于多个编码器子模块所分别输出的多个特征图而生成的，多个上采样特征图是基于多个解码器子模块所分别输出的多个特征图而生成的，多个编码器子模块所分别输出的多个特征图以及多个解码器子模块所分别输出的多个特征图具有不同的分辨率。
4.根据权利要求2所述的方法，其中使得解码器中的每一个解码器子模块接收来自融合网络层的融合特征图包括：
分别针对分辨率高于当前解码器子模块的目标分辨率的编码器子模块所输出的特征图进行下采样操作，以便生成具有目标分辨率的一个或多个下采样特征图；
分别针对分辨率低于目标分辨率的解码器子模块所输出的特征图进行上采样操作，以便生成具有目标分辨率的一个或多个上采样特征图；以及经由融合网络层，融合下采样特征图、上采样特征图和与当前解码器子模块具有相同目标分辨率的编码器子模块所输出的特征图，以便生成用于输入至当前解码器子模块的融合特征图。
5.根据权利要求4所述的方法，其中融合网络层配置在编码器和解码器之间，融合网络层包括卷积层、批标准化层和激活函数层，激活函数的输出连接至当前解码器子模块。
6.根据权利要求1所述的方法，其中生成关于目标对象的多个二维分割结果图像包括：
针对解码器中的每一个解码器子模块的输出结果进行随机失活操作(dropout)；
将经由随机失活操作的数据经由卷积和最大池化操作后，输入归一化指数函数，以便生成分类数据。
7.根据权利要求6所述的方法，其中生成关于目标对象的多个二维分割结果图像包括：
基于解码器所输出的特征图，生成二维分割预测图像；以及
将二维分割预测图像和分类数据相乘，以便基于相乘的结果生成关于目标对象的多个二维分割结果图像。
8.根据权利要求1所述的方法，还包括：
基于多尺度结构相似损失、Focal损失和IOU损失，构建混合损失函数；以及经由最小化混合损失函数来优化神经网络模型。
9.根据权利要求1所述的方法，其中针对二维影像序列进行预处理，以便生成输入数据包括：
按预定尺寸针对二维影像序列中的每一个二维影像进行裁剪；
基于经裁剪的每一个二维影像的体素强度，计算关于体素强度的均值和方差，以便进行归一化处理；以及基于经由归一化处理的数据，生成输入数据。
10.根据权利要求1所述的方法，其中标记数据至少包括：关于目标对象的坐标信息和关于医学影像序列的间隔数据，拼接关于目标对象的多个二维分割结果图像，以便生成关于目标对象的三维模型包括：
基于坐标信息和间隔数据，拼接关于目标对象的多个二维分割结果图像，以便生成关于目标对象的三维模型。
11.一种计算设备，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的方法。能理解本文披露的各实施例。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111210202.5A CN113947681A (zh) | 2021-10-18 | 2021-10-18 | 用于分割医学影像的方法、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111210202.5A CN113947681A (zh) | 2021-10-18 | 2021-10-18 | 用于分割医学影像的方法、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113947681A true CN113947681A (zh) | 2022-01-18 |
Family
ID=79331121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111210202.5A Pending CN113947681A (zh) | 2021-10-18 | 2021-10-18 | 用于分割医学影像的方法、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113947681A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114565763A (zh) * | 2022-02-28 | 2022-05-31 | 北京百度网讯科技有限公司 | 图像分割方法、装置、设备、介质及程序产品 |
| CN114693830A (zh) * | 2022-05-27 | 2022-07-01 | 阿里巴巴达摩院(杭州)科技有限公司 | 医学影像的多器官分割、模型训练方法、设备及介质 |
| CN115272086A (zh) * | 2022-09-29 | 2022-11-01 | 杭州太美星程医药科技有限公司 | 医学图像缝合方法和装置、电子设备和存储介质 |
| CN115700762A (zh) * | 2022-12-28 | 2023-02-07 | 苏州国科康成医疗科技有限公司 | 医学图像的目标元素分割方法、模型、电子设备 |
| CN116167990A (zh) * | 2023-01-28 | 2023-05-26 | 阿里巴巴（中国）有限公司 | 基于图像的目标识别、神经网络模型处理方法 |
| CN116563549A (zh) * | 2023-05-16 | 2023-08-08 | 中国人民解放军国防科技大学 | 基于粗粒度弱标注的磁共振图像心脏分割方法 |
| CN117152124A (zh) * | 2023-10-24 | 2023-12-01 | 万里云医疗信息科技（北京）有限公司 | 针对血管分支处的微血管检测方法、装置及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111028246A (zh) * | 2019-12-09 | 2020-04-17 | 北京推想科技有限公司 | 一种医学图像分割方法、装置、存储介质及电子设备 |
| CN111091575A (zh) * | 2019-12-31 | 2020-05-01 | 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 |
| CN112241966A (zh) * | 2020-09-21 | 2021-01-19 | 西北大学 | 多任务多分类的胸部器官分割模型建立、分割方法及系统 |
-
2021
- 2021-10-18 CN CN202111210202.5A patent/CN113947681A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111028246A (zh) * | 2019-12-09 | 2020-04-17 | 北京推想科技有限公司 | 一种医学图像分割方法、装置、存储介质及电子设备 |
| CN111091575A (zh) * | 2019-12-31 | 2020-05-01 | 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 |
| CN112241966A (zh) * | 2020-09-21 | 2021-01-19 | 西北大学 | 多任务多分类的胸部器官分割模型建立、分割方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| HUIMIN HUANG等: "UNet 3+: A Full-Scale Connected UNet for Medical Image Segmentation", ICASSP 2020 - 2020 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP), 8 May 2020 (2020-05-08), pages 1055 - 1059, XP033793076, DOI: 10.1109/ICASSP40776.2020.9053405 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114565763A (zh) * | 2022-02-28 | 2022-05-31 | 北京百度网讯科技有限公司 | 图像分割方法、装置、设备、介质及程序产品 |
| CN114565763B (zh) * | 2022-02-28 | 2024-01-05 | 北京百度网讯科技有限公司 | 图像分割方法、装置、设备、介质及程序产品 |
| CN114693830A (zh) * | 2022-05-27 | 2022-07-01 | 阿里巴巴达摩院(杭州)科技有限公司 | 医学影像的多器官分割、模型训练方法、设备及介质 |
| CN114693830B (zh) * | 2022-05-27 | 2022-11-15 | 阿里巴巴达摩院(杭州)科技有限公司 | 医学影像的多器官分割、模型训练方法、设备及介质 |
| CN115272086A (zh) * | 2022-09-29 | 2022-11-01 | 杭州太美星程医药科技有限公司 | 医学图像缝合方法和装置、电子设备和存储介质 |
| CN115272086B (zh) * | 2022-09-29 | 2022-12-27 | 杭州太美星程医药科技有限公司 | 医学图像缝合方法和装置、电子设备和存储介质 |
| CN115700762A (zh) * | 2022-12-28 | 2023-02-07 | 苏州国科康成医疗科技有限公司 | 医学图像的目标元素分割方法、模型、电子设备 |
| CN116167990A (zh) * | 2023-01-28 | 2023-05-26 | 阿里巴巴（中国）有限公司 | 基于图像的目标识别、神经网络模型处理方法 |
| CN116563549A (zh) * | 2023-05-16 | 2023-08-08 | 中国人民解放军国防科技大学 | 基于粗粒度弱标注的磁共振图像心脏分割方法 |
| CN116563549B (zh) * | 2023-05-16 | 2023-12-15 | 中国人民解放军国防科技大学 | 基于粗粒度弱标注的磁共振图像心脏分割方法 |
| CN117152124A (zh) * | 2023-10-24 | 2023-12-01 | 万里云医疗信息科技（北京）有限公司 | 针对血管分支处的微血管检测方法、装置及存储介质 |
| CN117152124B (zh) * | 2023-10-24 | 2024-01-19 | 万里云医疗信息科技（北京）有限公司 | 针对血管分支处的微血管检测方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113947681A (zh) | 用于分割医学影像的方法、设备和介质 | |
| EP3511942B1 (en) | Cross-domain image analysis using deep image-to-image networks and adversarial networks | |
| CN110111313B (zh) | 基于深度学习的医学图像检测方法及相关设备 | |
| CN108648172B (zh) | 一种基于3D-Unet的CT图肺结节检测系统 | |
| US10489907B2 (en) | Artifact identification and/or correction for medical imaging | |
| CN109003267B (zh) | 从3d图像自动检测目标对象的计算机实现方法和系统 | |
| Chan et al. | Effective pneumothorax detection for chest X‐ray images using local binary pattern and support vector machine | |
| US20190050981A1 (en) | System and method for automatically detecting a target object from a 3d image | |
| US10452957B2 (en) | Image classification apparatus, method, and program | |
| WO2020260936A1 (en) | Medical image segmentation using an integrated edge guidance module and object segmentation network | |
| US10706534B2 (en) | Method and apparatus for classifying a data point in imaging data | |
| US10878564B2 (en) | Systems and methods for processing 3D anatomical volumes based on localization of 2D slices thereof | |
| JP2013192624A (ja) | 医用画像診断支援装置、医用画像診断支援方法ならびにコンピュータプログラム | |
| EP3191990A1 (en) | Method for automatically generating representations of imaging data and interactive visual imaging reports (ivir). | |
| KR102097743B1 (ko) | 인공지능 질환 판독 장치 및 방법 | |
| CN114693933A (zh) | 基于生成对抗网络和多尺度特征融合的医学影像分割装置 | |
| Shu et al. | LVC-Net: Medical image segmentation with noisy label based on local visual cues | |
| CN113656706A (zh) | 基于多模态深度学习模型的信息推送方法及装置 | |
| CN115205298B (zh) | 肝部区域血管分割的方法及设备 | |
| CN115131280A (zh) | 一种融合注意力机制的改进YOLO v4肺结节检测方法 | |
| Portela et al. | Lung region segmentation in chest x-ray images using deep convolutional neural networks | |
| CN115661282A (zh) | 伪影识别方法、装置及计算机可读存储介质 | |
| Liu et al. | Instructive feature enhancement for dichotomous medical image segmentation | |
| US20230052145A1 (en) | Explaining a model output of a trained model | |
| CN113379770B (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 |
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 |