CN114170178A - 一种图像分割方法及存储介质 - Google Patents

Abstract

本申请公开了一种图像分割方法，所述方法包括：获取至少一待分割图像；基于分割模型对所述待分割图像进行分割处理；按照第一预设规则输出所述分割处理结果。通过本申请提供的图像分割方法，可以不断的根据分割案例及数据对分割模型进行训练，使得分割模型的准确度越来越高，通过该高准确定的分割模型可以有效的减少医师在分割牙齿图像时所消耗的时间，同时缩短牙齿图像的分割时间，提高诊治效率以及准确度。

Description

一种图像分割方法及存储介质

技术领域

本申请涉及医学图像处理技术领域，尤其涉及一种图像分割方法及存储介质。

背景技术

目前，利用CT进行三维重建的具体方法为：将纳入对象的CBCT以dicom数据形式导入到mimics软件(Materialize Co,Leuven,比利时)，在进行人工分离骨组织和牙齿。分离过程中，口腔医师人工用不同颜色标记颌骨和目标牙，通过人工设置不同的透明度以显示各结构及其与周围其他结构的关系。

上述操作由于骨和牙的密度相近，上百个CT层面需要医师自己根据经验区别。若影像质量欠佳，存在伪影等，则需要进一步调整。这个过程复杂，往往有经验的口腔医师需要5、6个小时甚至更长的时间进行初步提取，而且最终得到的效果往往也不令人满意。

在构思及实现本申请过程中，发明人发现至少存在如下问题：在上述过程中，在牙齿图像分割过程中，由于需要口腔医师进行人工分割，使得分割效率低，且分割的精准度也不高。

前面的叙述在于提供一般的背景信息，并不一定构成现有技术。

发明内容

为了解决现有技术中人工分割牙齿图形存在的效率低下，精准度低下等的技术问题，本申请旨在提供一种图像分割方法及存储介质，能够在提高分割效率的同时，提高分割的精准度。

本申请提供一种图像分割方法，所述方法包括：获取至少一待分割图像；基于分割模型对所述待分割图像进行分割处理；按照第一预设规则输出所述分割处理结果。

可选地，所述分割模型包括以下至少一种：

预先设置的分割模型；

基于神经网络算法学习获得的分割模型。

可选地，所述基于神经网络算法学习获得的分割模型，包括：

对历史数据进行处理以获得学习数据；

根据接收到的指令获得对应的初始分割模型；

基于所述学习数据对所述初始分割模型进行训练以获得所述分割模型。

可选地，所述对历史数据进行处理以获得学习数据，包括：

构建处理标准；

基于所述处理标准对所述历史数据进行预处理以获得学习数据；

可选地，所述处理标准包括：

图像标准，包括：噪声标准、像素标准、伪影标准、以及尺寸标准中的至少一个；和/或，

数据标准，包括：格式标准、标注标准、单位标准、以及精准度标准中的至少一个。

所述预处理包括：图像滤波、图像增强、图像重采样、尺寸裁剪、以及数据均一化中的至少一种。

可选地，所述对历史数据进行处理已获得学习数据之后，还包括：

按照第二预设规则对所述学习数据进行分类；

其中，所述分类包括：训练类和/或测试类。

可选地，所述预设规则包括以下至少一种：

随机对所述学习数据进行分类；

按照顺序对所述学习数据进行分类；

按照学习数据的精准度进行分类。

可选地，基于所述学习数据对所述初始分割模型进行训练以获得所述分割模型的步骤，还包括：

根据所述训练类学习数据对所述分割模型进行训练；

根据所述测试类学习数据对所述训练后的分割模型进行测试；

若所述测试的指标满足预设阈值，则获得最终的分割模型。

可选地，所述基于分割模型对所述待分割图像进行分割处理的步骤之前，还包括：

根据接收的选择指令选择对应的分割模型。

可选地，所述第一预设规则包括以下至少一种：

根据接收的选择操作输出所述分割处理结果；

按照接收对象输出所述分割处理结果；

按照用途输出所述分割处理结果。

为解决上述技术问题，本申请还提供了一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述的任一项图像分割的方法。

有益效果：

通过本申请提供的图像分割方法及存储介质，可以不断的根据分割案例及数据对分割模型进行训练，使得分割模型的准确度越来越高，通过该高准确定的分割模型可以有效的减少医师在分割牙齿图像时所消耗的时间，同时缩短牙齿图像的分割时间，提高诊治效率以及准确度。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的一些实施例，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为本申请提供的一种图像分割方法的流程示意图；

图2为本申请实施例提供的分割结果示意图；

图3为本申请实施例提供的分割结果示意图；

图4为本申请实施例提供的获得分割模型的方法流程示意图；

图5为本申请实施例提供的分割模型的训练流程示意图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素，此外，本申请不同实施例中具有同样命名的部件、特征、要素可能具有相同含义，也可能具有不同含义，其具体含义需以其在该具体实施例中的解释或者进一步结合该具体实施例中上下文进行确定。

应当理解，尽管在本文可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本文范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。本申请使用的术语“或”、“和/或”、“包括以下至少一个”等可被解释为包括性的，或意味着任一个或任何组合。例如，“包括以下至少一个：A、B、C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A和B和C”，再如，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A和B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。

应该理解的是，虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

需要说明的是，在本文中，采用了诸如S1、S2等步骤代号，其目的是为了更清楚简要地表述相应内容，不构成顺序上的实质性限制，本领域技术人员在具体实施时，可能会先执行S4后执行S3等，但这些均应在本申请的保护范围之内。

应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或者“单元”的后缀仅为了有利于本申请的说明，其本身没有特定的意义。因此，“模块”、“部件”或者“单元”可以混合地使用。

在传统技术条件下，CBCT虽然可以片切组织结构，但由于颌面部牙、骨密度接近，无法排除伪影干扰。通过CBCT实现三维重建之后，虽然可以从整体上观察牙齿及周围组织的结构，但的区分各组织结构与医师个人经验密切相关，一旦误判容易导致医疗差错。针对该问题，提出本申请通过人工智能算法对牙齿图像进行分割处理，以减少医师在牙齿分割上所耗费的时间，同时提高诊断的准确性。

如图1所示，为本申请提供的一种图像分割方法的流程示意图，所述方法包括：

获取至少一待分割图像；

基于分割模型对所述待分割图像进行分割处理；

按照第一预设规则输出所述分割处理结果。

在本申请的一个实施例中，在通过CBCT等技术对牙齿进行扫描获得对应的三维图像之后，通过本申请方案中的分割模型对该牙齿的三维图形进行分割标注，在本申请的实施例中，由于在实际工作中对于牙齿三维图形的使用存在多样性，例如综合诊断、手术指导、观摩学习等，因此在对牙齿图像进行具体处理时，对应的需要不同的处理效果，因此本申请中对于分割模型也会按照不同用途或者需求，预先设置多个不同的分割模型，以满足实际使用需求。

除了上述的预先设置的分割模型外，为了精度以及效率上的需求，在本申请实施例中，还通过神经网络系统对大量的历史分割案例及数据进行深度学习，以使初始分割模型在大数据的训练中形成最终的分割模型。可以理解的是，本身申请实施例中的分割模型，是通过大量的分割案例及数据进行训练获得及完善，在实际过程中，该分割模型同样的会根据后续持续性的分割案例及数据进行不断的完善，属于动态的训练过程。在本申请实施例中，当对某一牙齿的三维图像进行分割标注一段时间之后，例如一个月之后，当需要重新对该牙齿的进行诊断等操作时，则利用本申请的技术方案，重新对该牙齿的三维图像进行分割标注，当再次对牙齿三维模型进行分割时，则是利用已经过1个月新的分割案例及数据训练之后的分割模型进行分割。

在本申请的一个实施例中，在通过分割模型对牙齿图像进行分割完成之后，则需要输出对应的分割结果，一种优化的方案里，分割医师在处理完成之后，可以按照需求控制输出的分割结果，如图2所示的本申请实施例提供的分割结果示意图；还可以按照用途，例如用于指导学生进行学习观摩的分割图，如图3所示的本申请实施例提供的分割结果示意图。

如图4所示，为本申请实施例提供的获得分割模型的方法流程示意图，其中该方法包括：

对历史数据进行处理以获得学习数据；

根据接收到的指令获得对应的初始分割模型；

基于所述学习数据对所述初始分割模型进行训练以获得所述分割模型。

在本申请的一个实施例中，在通过神经网络算法的训练获得分割模型前，需要获取大量的历史分割案例及数据，通过对这些案例及数据的处理，才能获得适用于神经网络进行训练的学习数据，具体的在对历史案例及数据处理前，由于历史数据通常会存在图像不标准，数据格式不统一等问题，因此需要有限构建处理标准，比如历史案例为二维图像数据时，则需要确保图像的噪声满足一定的噪声值，像素要达到一定的像素值，对应的还有伪影标准，尺寸标准等等，同样的对于历史数据，也是需要进行均一化，例如数据格式，数据单位，精准度、标注信息等，经过同一的标准对历史案例及数据进行处理之后，如对图像进行滤波、增强，以及重新采样、裁剪等，获得最终的分割模型学习所需要的数据。通过卷积神经网络使用该学习数据对初始的分割模型进行深度训练。

在本申请的一个实施例中，在使用学习数据对初始分割模型进行深度训练之前，还可以对该学习数据进行分类处理，例如，可以分为训练类和测试类，具体的在进行训练类和测试类的划分时，一般为了使得分割模型能被训练到各种数据情况，则将所有的学习数据作为训练类数据，通过人工模式测试类的数据对训练后的分割模型进行测试。另一种的，则是随机选择一定比例的学习数据作为训练类数据，比如90％的学习数据，进行训练，剩余的10％的数据作为测试类数据进行测试。再一种情况，可以按照学习数据本身的质量，例如将高精度学习数据确定为训练类的学习数据，将低精度的学习数据确定为测试类；在例如，还可以按照学习数据本身的用途进行分类，例如，用于指导开展手术的数据作为训练类的学习数据，用于综合会诊的数据作为训练类的学习数据，而将用于反馈给病患或者仅供指导学习使用的学习数据确定为测试类的学习数据。在具体划分过程中，不限于以上所述的划分方式，还可以是上述划分方式的综合使用，都是属于本申请的保护范围之内，再次不做逐一进行赘述。

在本申请的一个实施例中，在开始使用学习数据进行深度训练之前，还需要根据需求设定对应的初始模型，每种初始模型对应有相应的参数，用户只需要根据需求选择对应的参数及设置对应的参数数值，即可设定满足需要的初始模型，例如用于综合诊断使用的初始模型、用于指导进行手术的初始模型、用于指导学习使用的初始模型等，在此不做具体限定，均属于本申请的构思范围。

如图5所示，为本申请实施例提供的分割模型的训练流程示意图，包括：

根据所述训练类学习数据对所述分割模型进行训练；

根据所述测试类学习数据对所述训练后的分割模型进行测试；

若所述测试的指标满足预设阈值，则获得最终的分割模型。

在本申请的一个实施例中，基于上述的训练类学习数据，对初始模型进行深度训练，一种优选的情况下，当存在如上述的多种初始模型的情况时，还可以针对每一种初始模型选择对应的学习数据进行深度训练以及测试，例如，使用高精度学习数据对用于综合诊断的初始模型进行训练；还可以使用不同类型的学习数据交叉性的对不同的初始模型进行训练，例如使用用于指导开展手术的学习数据对指导学习使用的初始模型进行训练等；在本申请实施例中，还可以根据使用环境针对一种初始模型进行综合性训练，即选择多种类型的学习数据对选择的初始模型进行训练。再次对于初始模型的训练方式以及对学习数据的选择不做逐一限定，基于上述构思所扩展的学习数据的选择均在本申请的保护范围之内。

在本申请实施例中，在对初始模型进行训练结束之后得到分割模型，还需要进一步的对该分割模型进行测试，在该分割模型通过测试之后才能投入到实际案例的使用中。一种优选的方案中，使用被划分为测试类的学习数据对分割模型进行测试；另一种优选的方案中，还可以使用其他类型的学习数据对分割模型进行测试；也还可以根据分割模型的功能及用途设置对应的测试类学习数据。在计算测试指标DICE系数达到设置的参数以上时，则认为分割模型通过测试可以投入到实际使用中。在本申请的实施例中，对应不同的用途所要求的测试指标不一样，比如对用于指导开展手术的分割模型以及用于进行综合诊断的分割模型，其对应的测试指标系数一般时需要达到90％以上，而对于指导学习观摩使用的分割模型，其对应的测试指标系数则达到70％以上即可。以上仅仅是对使用场景以及对应的指标的举例说明，用于对本申请方案的理解，不能作为最终的实施方案，也不能用于对本申请保护范围的限定。

在本申请的一个实施例中，由于对初始模型的训练时实时状态的，即，在有分割案例及数据的情况下，就会对初始模型进行训练。因此，当需要使用分割模型对获取的牙齿图像进行分割处理时，暂定对分割模型的训练，直接进行测试当前的分割模型，在测试指标通过之后，即投入到使用中，在使用完成之后，继续对该分割模型进行训练。

在本申请的另一种实施例中，当出现分割模型的测试指标不能通过时，还可以输出导致不能通过测试的对应参数，通过对该参数进行调整之后，继续对该分割模型进行训练测试，直至通过测试指标系数。

本申请还提供一种计算机可读存储介质，所述可读存储介质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实施例中的图像分割方法的步骤。

在本申请提供的移动终端和计算机可读存储介质的实施例中，可以包含任一上述图像分割方法实施例的全部技术特征，说明书拓展和解释内容与上述方法的各实施例基本相同，在此不做再赘述。

本申请实施例还提供一种计算机程序产品，计算机程序产品包括计算机程序代码，当计算机程序代码在计算机上运行时，使得计算机执行如上各种可能的实施方式中的方法。

本申请实施例还提供一种芯片，包括存储器和处理器，存储器用于存储计算机程序，处理器用于从存储器中调用并运行计算机程序，使得安装有芯片的设备执行如上各种可能的实施方式中的方法。

可以理解，上述场景仅是作为示例，并不构成对于本申请实施例提供的技术方案的应用场景的限定，本申请的技术方案还可应用于其他场景。例如，本领域普通技术人员可知，随着系统架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域普通技术人员可以理解实现上述实施例任务分配方法的流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请中，对于相同或相似的术语概念、技术方案和/或应用场景描述，一般只在第一次出现时进行详细描述，后面再重复出现时，为了简洁，一般未再重复阐述，在理解本申请技术方案等内容时，对于在后未详细描述的相同或相似的术语概念、技术方案和/或应用场景描述等，可以参考其之前的相关详细描述。

在本申请中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本申请技术方案的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本申请记载的范围。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，被控终端，或者网络设备等)执行本申请每个实施例的方法。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (11)

1.一种图像分割方法，其特征在于，所述方法包括：

获取至少一待分割图像；

基于分割模型对所述待分割图像进行分割处理；

按照第一预设规则输出所述分割处理结果。

2.如权利要求1所述的方法，其特征在于，所述分割模型包括以下至少一种：

预先设置的分割模型；

基于神经网络算法学习获得的分割模型。

3.如权利要求2所述的方法，其特征在于，所述基于神经网络算法学习获得的分割模型，包括：

对历史数据进行处理以获得学习数据；

根据接收到的指令获得对应的初始分割模型；

基于所述学习数据对所述初始分割模型进行训练以获得所述分割模型。

4.如权利要求3所述的方法，其特征在于，所述对历史数据进行处理以获得学习数据，包括：构建处理标准；

基于所述处理标准对所述历史数据进行预处理以获得学习数据。

5.如权利要求4所述的方法，其特征在于，所述处理标准包括：

图像标准，包括：噪声标准、像素标准、伪影标准、以及尺寸标准中的至少一个；和/或，数据标准，包括：格式标准、标注标准、单位标准、以及精准度标准中的至少一个。

所述预处理包括：图像滤波、图像增强、图像重采样、尺寸裁剪、以及数据均一化中的至少一种。

6.如权利要求3所述的方法，其特征在于，所述对历史数据进行处理已获得学习数据之后，还包括：

按照第二预设规则对所述学习数据进行分类；

其中，所述分类包括：训练类和/或测试类。

7.如权利要求6所述的方法，其特征在于，所述预设规则包括以下至少一种：

随机对所述学习数据进行分类；

按照顺序对所述学习数据进行分类；

按照学习数据的精准度进行分类。

8.如权利要求6所述的方法，其特征在于，基于所述学习数据对所述初始分割模型进行训练以获得所述分割模型的步骤，还包括：

根据所述训练类学习数据对所述分割模型进行训练；

根据所述测试类学习数据对所述训练后的分割模型进行测试；

若所述测试的指标满足预设阈值，则获得最终的分割模型。

9.如权利要求2所述的方法，其特征在于，所述基于分割模型对所述待分割图像进行分割处理的步骤之前，还包括：

根据接收的选择指令选择对应的分割模型。

10.如权利要求1至9中任一项所述的方法，其特征在于，所述第一预设规则包括以下至少一种：

根据接收的选择操作输出所述分割处理结果；

按照接收对象输出所述分割处理结果；

按照用途输出所述分割处理结果。

11.一种存储介质，其特征包括：所述存储介质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如权利要求1至10中任一项所述的图像分割方法的步骤。

Images