CN114299010A - 脑部肿瘤图像的分割方法、装置、计算机设备和存储介质 - Google Patents
脑部肿瘤图像的分割方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114299010A CN114299010A CN202111612093.XA CN202111612093A CN114299010A CN 114299010 A CN114299010 A CN 114299010A CN 202111612093 A CN202111612093 A CN 202111612093A CN 114299010 A CN114299010 A CN 114299010A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- images
- segmentation
- sub
- 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
- 208000003174 Brain Neoplasms Diseases 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000011218 segmentation Effects 0.000 claims abstract description 272
- 210000004556 brain Anatomy 0.000 claims abstract description 150
- 238000012549 training Methods 0.000 claims description 277
- 238000005070 sampling Methods 0.000 claims description 71
- 238000004590 computer program Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 15
- 238000003709 image segmentation Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 6
- 230000036544 posture Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000009499 grossing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000000920 organ at risk Anatomy 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000011157 brain segmentation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及脑部肿瘤图像的分割方法、装置、计算机设备和存储介质。所述方法包括：获取不同状位的多个脑部医学图像，其中，所述多个脑部医学图像均为包括脑部肿瘤的三维图像；基于所述多个脑部医学图像和已训练的三维分割模型，确定不同状位的多个子分割图像；将所述不同状位的多个子分割图像融合，得到脑部肿瘤分割图像。采用本方法能够提高分割效率，以及得到分割结果准确度高的脑部肿瘤图像。
Description
技术领域
本申请涉及医疗图像处理技术领域，特别是涉及脑部肿瘤图像的分割方法、装置、计算机设备和存储介质。
背景技术
随着深度学习在医疗影像中的广泛应用，在脑部肿瘤的治疗中，为了能够清晰显示脑部肿瘤的病灶，可以采用深度学习的图像分割方法得到脑部肿瘤的分割图像。
现有的脑部肿瘤分割方法，采用三维图像分割模型，对脑部三维医学图像进行自动分割，得到脑部肿瘤的分割图像，但是现有的脑部肿瘤分割方法，只能得到脑部肿瘤在一个状位下的分割图像，无法得到多个状位的脑部肿瘤分割图像，进而无法得到脑部肿瘤的详细、全面的情况。
发明内容
基于此，有必要针对上述技术问题，提供了分割效率高、分割结果准确的脑部肿瘤图像的分割方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种脑部肿瘤图像的分割方法。所述方法包括：
获取不同状位的多个脑部医学图像，其中，所述多个脑部医学图像均为包括脑部肿瘤的三维图像；
基于所述多个脑部医学图像和已训练的三维分割模型，确定不同状位的多个子分割图像；
将所述不同状位的多个子分割图像融合，得到脑部肿瘤分割图像。
在其中一个实施例中，所述基于所述多个脑部医学图像和已训练的三维分割模型，确定不同状位的多个子分割图像，包括：
将所述多个脑部医学图像转换为预设尺寸，得到多个候选图像；
按照预设状位顺序拼接所述多个候选图像，得到拼接图像；
将所述拼接图像输入已训练的三维分割模型，得到不同状位的多个子分割图像。
在其中一个实施例中，所述将所述不同状位的多个子分割图像融合，得到脑部肿瘤分割图像，包括：
确定每个子分割图像中脑部肿瘤的体积，并基于每个子分割图像中脑部肿瘤的体积计算总体积；对于任一子分割图像，将所述任一子分割图像中脑部肿瘤的体积与所述总体积之间的比值，作为所述任一子分割图像的权重；根据所述任一子分割图像，以及所述任一子分割图像的权重进行加权求和，得到脑部肿瘤分割图像；或者，按照预设的权重集合，对所述不同状位的多个子分割图像进行加权求和，得到脑部肿瘤分割图像。
在其中一个实施例中，所述将所述不同状位的多个子分割图像融合，得到脑部肿瘤分割图像，包括：
按照预设的权重集合，对所述不同状位的多个子分割图像进行加权求和，得到脑部肿瘤分割图像。
在其中一个实施例中，所述已训练的三维分割模型是基于多个训练图像集，以及每个训练图像集的参考分割图像，对三维分割模型进行训练，直至训练完成得到的，其中，每个训练图像集包括：不同状位的多个训练脑部医学图像。
在其中一个实施例中，所述基于多个训练图像集，以及每个训练图像集的参考分割图像对三维分割模型进行训练，包括：
获取训练图像集，以及所述训练图像集的参考分割图像；
对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像；
拼接每个状位的训练采样图像，得到训练拼接图像；
基于所述训练三维拼接图像和所述三维分割模型，确定训练分割图像；
基于所述训练分割图像和参考分割图像修改所述三维分割模型的模型参数，并重复上述确定训练分割图像的过程，直至满足预设训练条件，得到所述已训练的三维分割模型。
在其中一个实施例中，所述对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像，包括：
随机确定采样间隔，按照随机确定的采样间隔对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像。
在其中一个实施例中，所述基于所述训练分割图像和参考分割图像修改所述三维分割模型的模型参数，包括：
基于所述训练分割图像和所述参考分割图像，通过骰子损失函数确定第一损失值；
基于所述训练分割图像和所述参考分割图像，通过焦点损失函数确定第二损失值；
对所述第一损失值和所述第二损失值进行加权求和，得到总损失值，并基于所述总损失值修改所述三维分割模型的模型参数。
第二方面，本申请还提供了一种脑部肿瘤图像的分割装置。所述装置包括：
图像获取模块，用于获取不同状位的多个脑部医学图像，其中，所述多个脑部医学图像均为包括脑部肿瘤的三维图像；
图像分割模块，用于基于所述多个脑部医学图像和已训练的三维分割模型，确定不同状位的多个子分割图像；
融合模块，用于将所述不同状位的多个子分割图像融合，得到脑部肿瘤分割图像。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取不同状位的多个脑部医学图像，其中，所述多个脑部医学图像均为包括脑部肿瘤的三维图像；
基于所述多个脑部医学图像和已训练的三维分割模型，确定不同状位的多个子分割图像；
将所述不同状位的多个子分割图像融合，得到脑部肿瘤分割图像。
第四方面，本申请还提供了一种计算机可读存储介质。所述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以下步骤：
获取不同状位的多个脑部医学图像，其中，所述多个脑部医学图像均为包括脑部肿瘤的三维图像；
基于所述多个脑部医学图像和已训练的三维分割模型，确定不同状位的多个子分割图像；
将所述不同状位的多个子分割图像融合，得到脑部肿瘤分割图像。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取不同状位的多个脑部医学图像，其中，所述多个脑部医学图像均为包括脑部肿瘤的三维图像；
基于所述多个脑部医学图像和已训练的三维分割模型，确定不同状位的多个子分割图像；
将所述不同状位的多个子分割图像融合，得到脑部肿瘤分割图像。
上述脑部肿瘤图像的分割方法、装置、计算机设备、存储介质和计算机程序产品，获取不同状位的多个脑部医学图像，采用一个已训练的三维分割模型，同时处理对多个脑部医学图像，不需要采用不同的三维分割模型分别处理不同状位的脑部医学图像，提高了分割效率；将不同状位的多个子分割图像融合，得到脑部肿瘤分割图像，由于是基于不同状位的多个脑部医学图像，得到不同状位的多个子分割图像，再将多个子分割图像融合，得到脑部肿瘤分割图像，已训练的三维分割模型提取到的特征更丰富，可以得到更准确的分割结果。
附图说明
图1为一个实施例中脑部肿瘤图像的分割方法的流程示意图；
图2为一个实施例中已训练的三维分割模型的结构示意图；
图3为另一个实施例中脑部肿瘤图像的分割方法的示意图；
图4为一个实施例中脑部肿瘤图像的分割装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种脑部肿瘤图像的分割方法，本实施例以该方法应用于终端进行举例说明。本实施例中，该方法包括以下步骤：
S101，获取不同状位的多个脑部医学图像。
其中，所述不同状位至少包括：横断位、矢状位和冠状位中的任意两个，所述多个脑部医学图像均为包括脑部肿瘤的三维图像。
具体地，所述脑部医学图像可以为：电子计算机断层扫描图像(ComputedTomography,CT)、磁共振图像(Magnetic Resonance,MR)等三维医学图像。当所述不同状位包括横断位、矢状位和冠状位时，医学影像设备从横断位、矢状位和冠状位分别扫描目标对象的脑部，得到多个脑部医学图像，包括：横断位脑部医学图像、矢状位脑部医学图像和冠状位脑部医学图像。
S102，基于所述多个脑部医学图像和已训练的三维分割模型，确定不同状位的多个子分割图像。
具体地，对所述多个脑部医学图像进行预处理，得到拼接图像，将拼接图像输入已训练的三维分割模型，从已训练的三维分割模型的输出通道中，得到不同状位的多个子分割图像。所述拼接图像是一个三维图像，拼接图像的维度等于多个脑部医学图像的维度的和。所述不同状位的多个子分割图像和不同状位的多个脑部医学图像一一对应。
S103，将所述不同状位的多个子分割图像融合，得到脑部肿瘤分割图像。
具体地，确定不同状位的多个子分割图像的权重，根据不同状位的多个子分割图像的权重，对多个不同状位的多个子分割图像融合，得到脑部肿瘤分割图像。所述权重用于反映所述不同状位的多个子分割图像中，脑部肿瘤的重要程度。
上述脑部肿瘤图像的分割方法中，获取不同状位的多个脑部医学图像，采用一个已训练的三维分割模型，同时处理对多个脑部医学图像，不需要采用不同的三维分割模型分别处理不同状位的脑部医学图像，提高了分割效率；将不同状位的多个子分割图像融合，得到脑部肿瘤分割图像，由于是基于不同状位的多个脑部医学图像，得到不同状位的多个子分割图像，再将多个子分割图像融合，得到脑部肿瘤分割图像，已训练的三维分割模型提取到的特征更丰富，可以得到更准确的分割结果。
在一个实施例中，S102包括：
S211、将所述多个脑部医学图像转换为预设尺寸，得到多个候选图像。
具体地，对所述多个脑部医学图像归一化处理，得到多个候选图像，所述多个候选图像和所述多个脑部医学图像一一对应。在多个脑部医学图像，包括；横断位脑部医学图像、矢状位脑部医学图像和冠状位脑部医学图像时，所述多个候选图像包括：横断位候选图像、矢状位候选图像和冠状位候选图像。
例如，对横断位脑部医学图像P11、矢状位脑部医学图像P21和冠状位脑部医学图像P31，进行归一化处理，得到P11的横断位候选图像P12，P21的矢状位候选图像P22，P31的冠状位候选图像P32。
S212、按照预设状位顺序拼接所述多个候选图像，得到拼接图像。
具体的，拼接图像的层数等于多个脑部医学图像的层数的和。横断位候选图像的尺寸为：W*H*C1，矢状位候选图像的尺寸为：W*H*C2，冠状位候选图像的尺寸为：W*H*C3，拼接图像的尺寸为：W*H*C，其中，C＝C1+C2+C3。
所述预设状位顺序用于限定不同状位的多个候选图像在拼接图像中的顺序。所述预设状位顺序可以是：横断位、矢状位和冠状位，也可以是横断位、冠状位和矢状位，还可以是其他顺序。
若预设状位顺序为：横断位、矢状位和冠状位，则拼接图像中，层数：1至C1部分为横断位候选图像，层数：(C1)+1至(C1)+C2部分为横断位候选图像，层数：(C1)+(C2)+1至(C1)+(C2)+C3部分为冠状位候选图像。
S213、将所述拼接图像输入已训练的三维分割模型，得到不同状位的多个子分割图像。
其中，所述多个子分割图像和所述多个脑部医学图像一一对应。在一种实现方式中，将所述拼接图像输入已训练的三维分割模型，所述已训练的三维分割模型设置有多个通道，多个通道和不同状位的多个脑部医学图像一一对应，通过每个通道获取对应的脑部医学图像的子分割图像。例如，当所述拼接图像是基于三个不同状位的脑部医学图像确定时，所述已训练的三维分割模型有三个通道，在每个通道中分别取出每个状位的脑部医学图像所对应的子分割图像。
在另一种实现方式中，将所述拼接图像输入已训练的三维分割模型，通过所述三维分割模型输出三维分割图像，所述三维分割图像包括不同状位的多个子分割图像；根据不同状位的多个候选图像的尺寸，以及所述预设状位顺序，在所述三维分割图像中确定不同状位的多个子分割图像。
具体地，根据不同状位的多个候选图像的尺寸，以及所述预设状位顺序，可以确定每个状位的子分割图像所对应的层数。例如，预设状位顺序为：矢状位、冠状位和横断位。横断位候选图像的层数为C1，矢状位候选图像的层数为C2，冠状位候选图像的层数为C3，则所述三维分割图像中，层数：1至C2部分为矢状位的子分割图像，层数：(C2)+1至(C1)+C2部分为横断位的子分割图像，层数：(C1)+(C2)+1至(C1)+(C2)+C3部分为冠状位的子分割图像。
所述已训练的三维分割模型可以是解剖神经网络(AnatomyNet)；所述已训练的三维分割模型的核心网络是3D Unet，采用三维SE(Squeeze-and-Excitation)残差块替换3DUnet中的标准卷积层，并且只保留3D Unet中的一个下采样模块，以提高小解剖结构的分割性能。
如图2所示，已训练的三维分割模型包括：下采样模块conv1、第一SE模块se1、第二SE模块se2、……、第十五SE模块se15、第一连接模块concat1、第二连接模块concat2、第三连接模块concat3、第四连接模块concat4、反卷积模块T-conv、第一卷积模块conv2和第二卷积模块conv3。
在一个实施例中，S103包括：
S311A，确定每个子分割图像中脑部肿瘤的体积，并基于每个子分割图像中脑部肿瘤的体积计算总体积。
具体地，子分割图像为三维图像，已训练的三维分割模型用于对候选图像中的每个体素进行分类，分类得到的子分割图像中，包括分类为肿瘤区域的多个体素，以及分类为非肿瘤区域的多个体素；对于任一子分割图像，根据所述任一子分割图像中分类为肿瘤区域的多个体素，确定所述任一子分割图像中脑部肿瘤的体积。将每个子分割图像中脑部肿瘤的体积相加，得到总体积。
S312A，对于任一子分割图像，将所述任一子分割图像中脑部肿瘤的体积与所述总体积之间的比值，作为所述任一子分割图像的权重。
具体地，所述任一子分割图像的权重用于反映任一子分割图像中脑部肿瘤体积的大小。例如，矢状位的子分割图像的脑部肿瘤体积为V1，横断位的子分割图像的脑部肿瘤体积为V2，冠状位的子分割图像的脑部肿瘤体积为V3，总体积为：V＝V1+V2+V3，可以得到矢状位的子分割图像的权重为：V1/V，横断位的子分割图像的权重为：V2/V，冠状位的子分割图像的权重为：V3/V。
S313A，根据所述任一子分割图像，以及所述任一子分割图像的权重进行加权求和，得到脑部肿瘤分割图像。
具体地，对于脑部医学图像中的任一像素点，确定所述任一像素点在每个子分割图像中的像素值，并根据任一像素点在每个子分割图像中的像素值，以及每个子分割图像的权重，进行加权求和，得到任一像素点的分割值，根据脑部医学图像中的每个像素点的分割值，得到脑部肿瘤分割图像。
在本实施例中，将所述任一子分割图像中脑部肿瘤的体积与所述总体积之间的比值，作为所述任一子分割图像的权重，计算得到的脑部肿瘤分割图像，偏向于分割体积较大的子分割结果，在一定程度上可以避免目标区域的分割遗漏，尽可能地保护危及器官和杀死肿瘤。
在另一个实施例中，S103包括：
S311B，按照预设的权重集合，对所述不同状位的多个子分割图像进行加权求和，得到脑部肿瘤分割图像。
具体地，预先设定每个状位的权重，得到不同状位的多个子分割图像后，根据每个状位的权重，以及每个状位的子分割图像进行加权求和，得到脑部肿瘤分割图像。
例如，所述预设的权重集合包括：矢状位的权重w1＝1/3、横断位的权重w2＝1/3和冠状位的权重w1＝1/3。
在一个实施例中，在S103之后，还包括：对所述脑部肿瘤分割图像进行高斯平滑，以及计算最大连通域操作，得到目标分割图像，并采用所述目标分割图像替换所述脑部肿瘤分割图像。
具体地，高斯平滑，以及计算最大连通域的操作，均可以通过现有的方式实现。对所述脑部肿瘤分割图像进行高斯平滑，可以过滤掉噪声；根据已训练的三维分割模型得到的脑部肿瘤分割图像，可能存在一些假阳区域(小的无用轮廓)，通过最大连通域操作，可以去除面积较小的独立区域，保留连通的较大的区域，得到目标分割图像，目标分割图像中较大的区域对应脑部肿瘤。
所述脑部肿瘤图像的分割方法的流程，如图3所示，根据横断位脑部医学图像E1，冠状位脑部医学图像E2和矢状位脑部医学图像E3，确定拼接图像F1；将拼接图像F1输入已训练的三维分割模型，得到横断位的子分割图像G1，冠状位的子分割图像G2和矢状位的子分割图像G3，分别确定G1，G2和G3的权重，对G1，G2和G3进行加权求和，得到脑部分割图像H。
在一个实施例中，所述已训练的三维分割模型是基于多个训练图像集，以及每个训练图像集的参考分割图像，对三维分割模型进行训练，直至训练完成得到的。
其中，每个训练图像集包括：不同状位的多个训练脑部医学图像。使用已训练的三维分割模型时，多个脑部医学图像的状位，与训练三维分割模型时，多个训练脑部医学图像的状位相同。例如，训练时，不同状位的多个训练脑部医学图像包括：矢状位的训练脑部医学图像、冠状位的训练脑部医学图像和横断位的训练脑部医学图像，则使用时，不同状位的多个脑部医学图像包括：矢状位脑部医学图像、冠状位脑部医学图像和横断位脑部医学图像。
具体地，所述基于多个训练图像集，以及每个训练图像集的参考分割图像对三维分割模型进行训练，包括：
S01，获取训练图像集，以及所述训练图像集的参考分割图像。
具体地，在多个训练图像集中获取一个训练图像集，训练图像集包括不同状位的多个训练脑部医学图像，训练图像集的参考分割图像是脑部肿瘤的勾画图像，相当于训练图像集的金标准。一个训练图像集中不同状位的训练脑部医学图像，是同一患者的脑部医学图像，训练图像集的参考分割图像对该患者的脑部肿瘤逐层勾画得到的图像。
S02，对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像。
具体地，训练脑部医学图像可以看作多层二维脑部医学图像，由于直接将多个状位的训练脑部医学图像进行拼接，层数会非常多，导致计算量较大，模型的训练速度较慢，因此，对每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像。任一状位的训练采样图像包括的任一状位的训练脑部医学图像中的部分二维脑部医学图像。
在一种实现方式中，采用预设的采样间隔，对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像，所述预设的采样间隔可以根据训练图像集中二维脑部医学图像的层数确定。
在另一种实现方式中，随机确定采样间隔，按照随机确定的采样间隔对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像。
具体地，每次训练时，随机确定采样间隔，按照随机确定的采样间隔对训练图像集进行采样；由于是随机确定采样间隔，因此，多次训练时使用的采样间隔可能不同，除了可以减少计算量以外，还可以使得三维分割模型输入特征更加多样化。
S03，拼接每个状位的训练采样图像，得到训练拼接图像，基于所述训练三维拼接图像和所述三维分割模型，确定训练分割图像。
具体地，按照预设状位顺序拼接每个状位的训练采样图像，得到训练拼接图像。S212中，按照预设状位顺序拼接多个候选图像时采用的预设状位顺序，与此处，按照预设顺序拼接每个状位的训练采样图像的预设状位顺序相同。
将训练三维拼接图像输入三维分割模型，得到每个状位的训练子分割图像，确定每个状位的训练子分割图像中脑部肿瘤的体积，并基于每个训练子分割图像中脑部肿瘤的体积计算总训练体积，对于任一训练子分割图像，将所述任一训练子分割图像中脑部肿瘤的体积与总训练体积之间的比值，作为任一训练子分割图像的权重，根据任一子训练分割图像，以及任一子训练分割图像的权重进行加权求解，得到训练分割图像。
S04，基于所述训练分割图像和参考分割图像修改所述三维分割模型的模型参数，并重复上述确定训练分割图像的过程，直至满足预设训练条件，得到所述已训练的三维分割模型。
具体地，根据参考分割图像和训练分割图像计算损失函数值，再根据损失函数值修改所述三维分割模型的模型参数，则完成一次训练，重复上述训练分割图像的过程，以重复多次训练，直至满足预设训练条件，得到所述已训练的三维分割模型。所述预设训练条件可以为，所述三维分割模型收敛。三维分割模型和已训练的三维分割模型的模型结构相同。
所述基于所述训练分割图像和参考分割图像修改所述三维分割模型的模型参数，包括：
基于所述训练分割图像和所述参考分割图像，通过骰子损失函数确定第一损失值；基于所述训练分割图像和所述参考分割图像，通过焦点损失函数确定第二损失值；对所述第一损失值和所述第二损失值进行加权求和，得到总损失值，并基于所述总损失值修改所述三维分割模型的模型参数。
具体地，通过骰子损失函数(Dice loss)计算训练分割图像和参考分割图像之间的第一损失值，通过焦点损失函数(Focus loss)计算训练分割图像和参考分割图像之间的第二损失值，确定Dice loss的第一损失权重，和Focus loss的第二损失权重，根据第一损失权重、第一损失值、第二损失权重和第二损失值，得到总损失值，通过总损失值修改所述三维分割模型的模型参数。采用Dice loss和Focus loss联合训练三维分割模型，可以提高三维分割模型对小目标的检测能力。在训练过程中，可以调整第一损失权重和第二损失权重，以调整所述三维分割模型学习目标的平衡性。
由于对每个状位的训练脑部医学图像进行采样时，是采用随机间隔采样，在下一次训练时，还可以使用上一次训练时的训练图像集，每个训练图像集的使用次数可以根据需求设定。
在训练三维分割模型，得到所述已训练的三维分割模型的过程中，对每个状位的训练脑部医学图像进行随机间隔采样，减少了输入三维分割模型的图像的维度，随机间隔采样还增加了输入特征的多样性，可以提高模型的分割效率和准确度。
在一个具体的实施例中，所述脑部肿瘤图像的分割方法包括：
M01，获取多个训练图像集，以及每个训练图像集对应的参考分割图像，其中，每个训练图像集包括：矢状位的训练脑部医学图像、冠状位的训练脑部医学图像和横断位的训练脑部医学图像。
M02，在多个训练图像集中获取训练图像集A1，A1包括：矢状位的训练脑部医学图像a1，冠状位的训练脑部医学图像b1和横断位的训练脑部医学图像c1，将A1的参考图像记为：d1。
M03，对a1、b1和c1分别进行随机间隔采样，得到a2，b2和c2。
M04，将a2，b2和c2转换为预设尺寸，再按照预设状位顺序进行拼接，得到训练拼接图像Q1，将Q1输入三维分割模型，得到训练分割图像e1。
M05，根据e1和d1计算损失函数值，根据损失函数值修改所述三维分割模型的模型参数。
M06，继续执行M02至M05，得直至满足预设训练条件，得到已训练的三维分割模型。
M10，获取患者的矢状位的脑部医学图像a3，冠状位的脑部医学图像b3和横断位的脑部医学图像c3；
M11，将a3，b3和c3转换为预设尺寸，再按照预设状位顺序拼接，得到拼接图像Q2；
M12，将Q2输入至已训练的三维分割模型，从已训练的三维分割模型通道中得到矢状位的子分割图像a4，冠状位的子分割图像b4，横断位的子分割图像c4；
M13，分别确定a4、b4和c4中脑部肿瘤的体积，根据a4、b4和c4中脑部肿瘤的体积，确定a4、b4和c4的权重；
M14，根据a4、b4、c4，以及a4、b4和c4的权重进行加权求和，得到脑部肿瘤分割图像。
本实施例中，在训练三维分割模型的过程中，对每个状位的训练脑部医学图像进行随机间隔采样，减少了输入三维分割模型的图像的维度，随机间隔采样还增加了输入特征的多样性，可以提高模型的分割效率和准确度；
在已训练的三维分割模型的使用过程中，获取不同状位的多个脑部医学图像，采用一个已训练的三维分割模型，同时处理不同状位的多个脑部医学图像，不需要采用不同的三维分割模型分别处理不同状位的脑部医学图像，提高了分割效率；
根据已训练的三维分割模型得到不同状位的多个脑部医学图像，将所述任一子分割图像中脑部肿瘤的体积与所述总体积之间的比值，作为所述任一子分割图像的权重，加权求和计算得到的脑部肿瘤分割图像，偏向于分割体积较大的子分割结果，在一定程度上可以避免目标区域的分割遗漏，尽可能地保护危及器官和杀死肿瘤；
由于是根据不同状位的多个脑部医学图像得到脑部肿瘤分割图像，已训练的三维分割模型提取到的特征更丰富，以使得脑部肿瘤分割图像更准确。
应该理解的是，虽然如上所述的各实施例所涉及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，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的脑部肿瘤图像的分割方法的脑部肿瘤图像的分割装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个脑部肿瘤图像的分割装置实施例中的具体限定可以参见上文中对于脑部肿瘤图像的分割方法的限定，在此不再赘述。
在一个实施例中，如图4所示，提供了一种脑部肿瘤图像的分割装置，包括：
图像获取模块，用于获取不同状位的多个脑部医学图像，其中，所述多个脑部医学图像均为包括脑部肿瘤的三维图像；
图像分割模块，用于基于所述多个脑部医学图像和已训练的三维分割模型，确定不同状位的多个子分割图像；
融合模块，用于将所述不同状位的多个子分割图像融合，得到脑部肿瘤分割图像。
在一个实施例中，所述图像分割模块包括：
预处理单元，用于将所述多个脑部医学图像转换为预设尺寸，得到多个候选图像；
拼接单元，用于按照预设状位顺序拼接所述多个候选图像，得到拼接图像；
子分割图像确定单元，用于将所述拼接图像输入已训练的三维分割模型，得到不同状位的多个子分割图像。
在一个实施例中，所述融合模块，包括：
第一融合单元，用于确定每个子分割图像中脑部肿瘤的体积，并基于每个子分割图像中脑部肿瘤的体积计算总体积；对于任一子分割图像，将所述任一子分割图像中脑部肿瘤的体积与所述总体积之间的比值，作为所述任一子分割图像的权重；根据所述任一子分割图像，以及所述任一子分割图像的权重进行加权求和，得到脑部肿瘤分割图像；或者，
第二融合单元，用于按照预设的权重集合，对所述不同状位的多个子分割图像进行加权求和，得到脑部肿瘤分割图像。
在一个实施例中，所述已训练的三维分割模型是基于多个训练图像集，以及每个训练图像集的参考分割图像，对三维分割模型进行训练，直至训练完成得到的，其中，每个训练图像集包括：不同状位的多个训练脑部医学图像。
在一个实施例中，所述基于多个训练图像集，以及每个训练图像集的参考分割图像对三维分割模型进行训练，包括：
获取训练图像集，以及所述训练图像集的参考分割图像；
对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像；
拼接每个状位的训练采样图像，得到训练拼接图像；
基于所述训练三维拼接图像和所述三维分割模型，确定训练分割图像；
基于所述训练分割图像和参考分割图像修改所述三维分割模型的模型参数，并重复上述确定训练分割图像的过程，直至满足预设训练条件，得到所述已训练的三维分割模型。
在一个实施例中，所述对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像，包括：
随机确定采样间隔，按照随机确定的采样间隔对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像。
所述基于所述训练分割图像和参考分割图像修改所述三维分割模型的模型参数，包括：
基于所述训练分割图像和所述参考分割图像，通过骰子损失函数确定第一损失值；
基于所述训练分割图像和所述参考分割图像，通过焦点损失函数确定第二损失值；
对所述第一损失值和所述第二损失值进行加权求和，得到总损失值，并基于所述总损失值修改所述三维分割模型的模型参数。
上述脑部肿瘤图像的分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种脑部肿瘤图像的分割方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取不同状位的多个脑部医学图像，其中，所述多个脑部医学图像均为包括脑部肿瘤的三维图像；
基于所述多个脑部医学图像和已训练的三维分割模型，确定不同状位的多个子分割图像；
将所述不同状位的多个子分割图像融合，得到脑部肿瘤分割图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
所述基于所述多个脑部医学图像和已训练的三维分割模型，确定不同状位的多个子分割图像，包括：
将所述多个脑部医学图像转换为预设尺寸，得到多个候选图像；
按照预设状位顺序拼接所述多个候选图像，得到拼接图像；
将所述拼接图像输入已训练的三维分割模型，得到不同状位的多个子分割图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
所述将所述不同状位的多个子分割图像融合，得到脑部肿瘤分割图像，包括：
确定每个子分割图像中脑部肿瘤的体积，并基于每个子分割图像中脑部肿瘤的体积计算总体积；对于任一子分割图像，将所述任一子分割图像中脑部肿瘤的体积与所述总体积之间的比值，作为所述任一子分割图像的权重；根据所述任一子分割图像，以及所述任一子分割图像的权重进行加权求和，得到脑部肿瘤分割图像；或者，
按照预设的权重集合，对所述不同状位的多个子分割图像进行加权求和，得到脑部肿瘤分割图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
所述已训练的三维分割模型是基于多个训练图像集，以及每个训练图像集的参考分割图像，对三维分割模型进行训练，直至训练完成得到的，其中，每个训练图像集包括：不同状位的多个训练脑部医学图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
所述基于多个训练图像集，以及每个训练图像集的参考分割图像对三维分割模型进行训练，包括：
获取训练图像集，以及所述训练图像集的参考分割图像；
对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像；
拼接每个状位的训练采样图像，得到训练拼接图像；
基于所述训练三维拼接图像和所述三维分割模型，确定训练分割图像；
基于所述训练分割图像和参考分割图像修改所述三维分割模型的模型参数，并重复上述确定训练分割图像的过程，直至满足预设训练条件，得到所述已训练的三维分割模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
所述对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像，包括：
随机确定采样间隔，按照随机确定的采样间隔对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
所述基于所述训练分割图像和参考分割图像修改所述三维分割模型的模型参数，包括：
基于所述训练分割图像和所述参考分割图像，通过骰子损失函数确定第一损失值；
基于所述训练分割图像和所述参考分割图像，通过焦点损失函数确定第二损失值；
对所述第一损失值和所述第二损失值进行加权求和，得到总损失值，并基于所述总损失值修改所述三维分割模型的模型参数。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取不同状位的多个脑部医学图像，其中，所述多个脑部医学图像均为包括脑部肿瘤的三维图像；
基于所述多个脑部医学图像和已训练的三维分割模型，确定不同状位的多个子分割图像；
将所述不同状位的多个子分割图像融合，得到脑部肿瘤分割图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述基于所述多个脑部医学图像和已训练的三维分割模型，确定不同状位的多个子分割图像，包括：
将所述多个脑部医学图像转换为预设尺寸，得到多个候选图像；
按照预设状位顺序拼接所述多个候选图像，得到拼接图像；
将所述拼接图像输入已训练的三维分割模型，得到不同状位的多个子分割图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述将所述不同状位的多个子分割图像融合，得到脑部肿瘤分割图像，包括：确定每个子分割图像中脑部肿瘤的体积，并基于每个子分割图像中脑部肿瘤的体积计算总体积；对于任一子分割图像，将所述任一子分割图像中脑部肿瘤的体积与所述总体积之间的比值，作为所述任一子分割图像的权重；根据所述任一子分割图像，以及所述任一子分割图像的权重进行加权求和，得到脑部肿瘤分割图像；或者，
按照预设的权重集合，对所述不同状位的多个子分割图像进行加权求和，得到脑部肿瘤分割图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述已训练的三维分割模型是基于多个训练图像集，以及每个训练图像集的参考分割图像，对三维分割模型进行训练，直至训练完成得到的，其中，每个训练图像集包括：不同状位的多个训练脑部医学图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述基于多个训练图像集，以及每个训练图像集的参考分割图像对三维分割模型进行训练，包括：
获取训练图像集，以及所述训练图像集的参考分割图像；
对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像；
拼接每个状位的训练采样图像，得到训练拼接图像；
基于所述训练三维拼接图像和所述三维分割模型，确定训练分割图像；
基于所述训练分割图像和参考分割图像修改所述三维分割模型的模型参数，并重复上述确定训练分割图像的过程，直至满足预设训练条件，得到所述已训练的三维分割模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像，包括：
随机确定采样间隔，按照随机确定的采样间隔对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像。
在一个实施例中，所述基于所述训练分割图像和参考分割图像修改所述三维分割模型的模型参数，包括：
基于所述训练分割图像和所述参考分割图像，通过骰子损失函数确定第一损失值；
基于所述训练分割图像和所述参考分割图像，通过焦点损失函数确定第二损失值；
对所述第一损失值和所述第二损失值进行加权求和，得到总损失值，并基于所述总损失值修改所述三维分割模型的模型参数。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取不同状位的多个脑部医学图像，其中，所述多个脑部医学图像均为包括脑部肿瘤的三维图像；
基于所述多个脑部医学图像和已训练的三维分割模型，确定不同状位的多个子分割图像；
将所述不同状位的多个子分割图像融合，得到脑部肿瘤分割图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述基于所述多个脑部医学图像和已训练的三维分割模型，确定不同状位的多个子分割图像，包括：
将所述多个脑部医学图像转换为预设尺寸，得到多个候选图像；
按照预设状位顺序拼接所述多个候选图像，得到拼接图像；
将所述拼接图像输入已训练的三维分割模型，得到不同状位的多个子分割图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述将所述不同状位的多个子分割图像融合，得到脑部肿瘤分割图像，包括：
确定每个子分割图像中脑部肿瘤的体积，并基于每个子分割图像中脑部肿瘤的体积计算总体积；对于任一子分割图像，将所述任一子分割图像中脑部肿瘤的体积与所述总体积之间的比值，作为所述任一子分割图像的权重；根据所述任一子分割图像，以及所述任一子分割图像的权重进行加权求和，得到脑部肿瘤分割图像；或者，
按照预设的权重集合，对所述不同状位的多个子分割图像进行加权求和，得到脑部肿瘤分割图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述已训练的三维分割模型是基于多个训练图像集，以及每个训练图像集的参考分割图像，对三维分割模型进行训练，直至训练完成得到的，其中，每个训练图像集包括：不同状位的多个训练脑部医学图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述基于多个训练图像集，以及每个训练图像集的参考分割图像对三维分割模型进行训练，包括：
获取训练图像集，以及所述训练图像集的参考分割图像；
对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像；
拼接每个状位的训练采样图像，得到训练拼接图像；
基于所述训练三维拼接图像和所述三维分割模型，确定训练分割图像；
基于所述训练分割图像和参考分割图像修改所述三维分割模型的模型参数，并重复上述确定训练分割图像的过程，直至满足预设训练条件，得到所述已训练的三维分割模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像，包括：
随机确定采样间隔，按照随机确定的采样间隔对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像。
在一个实施例中，所述基于所述训练分割图像和参考分割图像修改所述三维分割模型的模型参数，包括：
基于所述训练分割图像和所述参考分割图像，通过骰子损失函数确定第一损失值；
基于所述训练分割图像和所述参考分割图像，通过焦点损失函数确定第二损失值；
对所述第一损失值和所述第二损失值进行加权求和，得到总损失值，并基于所述总损失值修改所述三维分割模型的模型参数。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述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、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例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，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种脑部肿瘤图像的分割方法，其特征在于，所述方法包括：
获取不同状位的多个脑部医学图像，其中，所述多个脑部医学图像均为包括脑部肿瘤的三维图像；
基于所述多个脑部医学图像和已训练的三维分割模型，确定不同状位的多个子分割图像；
将所述不同状位的多个子分割图像融合，得到脑部肿瘤分割图像。
2.根据权利要求1所述的方法，其特征在于，所述基于所述多个脑部医学图像和已训练的三维分割模型，确定不同状位的多个子分割图像，包括：
将所述多个脑部医学图像转换为预设尺寸，得到多个候选图像；
按照预设状位顺序拼接所述多个候选图像，得到拼接图像；
将所述拼接图像输入已训练的三维分割模型，得到不同状位的多个子分割图像。
3.根据权利要求1所述的方法，其特征在于，所述将所述不同状位的多个子分割图像融合，得到脑部肿瘤分割图像，包括：
确定每个子分割图像中脑部肿瘤的体积，并基于每个子分割图像中脑部肿瘤的体积计算总体积；对于任一子分割图像，将所述任一子分割图像中脑部肿瘤的体积与所述总体积之间的比值，作为所述任一子分割图像的权重；根据所述任一子分割图像，以及所述任一子分割图像的权重进行加权求和，得到脑部肿瘤分割图像；或者，
按照预设的权重集合，对所述不同状位的多个子分割图像进行加权求和，得到脑部肿瘤分割图像。
4.根据权利要求1所述的方法，其特征在于，所述已训练的三维分割模型是基于多个训练图像集，以及每个训练图像集的参考分割图像，对三维分割模型进行训练，直至训练完成得到的，其中，每个训练图像集包括：不同状位的多个训练脑部医学图像。
5.根据权利要求4所述的方法，其特征在于，所述基于多个训练图像集，以及每个训练图像集的参考分割图像对三维分割模型进行训练，包括：
获取训练图像集，以及所述训练图像集的参考分割图像；
对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像；
拼接每个状位的训练采样图像，得到训练拼接图像；
基于所述训练三维拼接图像和所述三维分割模型，确定训练分割图像；
基于所述训练分割图像和参考分割图像修改所述三维分割模型的模型参数，并重复上述确定训练分割图像的过程，直至满足预设训练条件，得到所述已训练的三维分割模型。
6.根据权利要求5所述的方法，其特征在于，所述对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像，包括：
随机确定采样间隔，按照随机确定的采样间隔对所述训练图像集中每个状位的训练脑部医学图像进行采样，得到每个状位的训练采样图像。
7.根据权利要求5所述的方法，其特征在于，所述基于所述训练分割图像和参考分割图像修改所述三维分割模型的模型参数，包括：
基于所述训练分割图像和所述参考分割图像，通过骰子损失函数确定第一损失值；
基于所述训练分割图像和所述参考分割图像，通过焦点损失函数确定第二损失值；
对所述第一损失值和所述第二损失值进行加权求和，得到总损失值，并基于所述总损失值修改所述三维分割模型的模型参数。
8.一种脑部肿瘤图像的分割装置，其特征在于，所述装置包括：
图像获取模块，用于获取不同状位的多个脑部医学图像，其中，所述多个脑部医学图像均为包括脑部肿瘤的三维图像；
图像分割模块，用于基于所述多个脑部医学图像和已训练的三维分割模型，确定不同状位的多个子分割图像；
融合模块，用于将所述不同状位的多个子分割图像融合，得到脑部肿瘤分割图像。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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中任一项所述的方法的步骤。
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中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111612093.XA CN114299010A (zh) | 2021-12-27 | 2021-12-27 | 脑部肿瘤图像的分割方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111612093.XA CN114299010A (zh) | 2021-12-27 | 2021-12-27 | 脑部肿瘤图像的分割方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114299010A true CN114299010A (zh) | 2022-04-08 |
Family
ID=80969265
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111612093.XA Pending CN114299010A (zh) | 2021-12-27 | 2021-12-27 | 脑部肿瘤图像的分割方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114299010A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115994919A (zh) * | 2023-03-23 | 2023-04-21 | 北京大学第三医院（北京大学第三临床医学院） | 一种基于深度学习的膀胱壁自动分割工具和方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110910335A (zh) * | 2018-09-15 | 2020-03-24 | 北京市商汤科技开发有限公司 | 一种图像处理方法、图像处理设备及计算机可读存储介质 |
| CN111260636A (zh) * | 2020-01-19 | 2020-06-09 | 郑州大学 | 模型训练方法及设备、图像处理方法及设备以及介质 |
| CN112164082A (zh) * | 2020-10-09 | 2021-01-01 | 深圳市铱硙医疗科技有限公司 | 基于3d卷积神经网络分割多模态mr脑部图像方法 |
| CN112614144A (zh) * | 2020-12-30 | 2021-04-06 | 深圳市联影高端医疗装备创新研究院 | 一种图像分割方法、装置、设备及存储介质 |
| US20210125707A1 (en) * | 2019-10-23 | 2021-04-29 | GE Precision Healthcare LLC | Method, system and computer readable medium for automatic segmentation of a 3d medical image |
-
2021
- 2021-12-27 CN CN202111612093.XA patent/CN114299010A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110910335A (zh) * | 2018-09-15 | 2020-03-24 | 北京市商汤科技开发有限公司 | 一种图像处理方法、图像处理设备及计算机可读存储介质 |
| US20210125707A1 (en) * | 2019-10-23 | 2021-04-29 | GE Precision Healthcare LLC | Method, system and computer readable medium for automatic segmentation of a 3d medical image |
| CN111260636A (zh) * | 2020-01-19 | 2020-06-09 | 郑州大学 | 模型训练方法及设备、图像处理方法及设备以及介质 |
| CN112164082A (zh) * | 2020-10-09 | 2021-01-01 | 深圳市铱硙医疗科技有限公司 | 基于3d卷积神经网络分割多模态mr脑部图像方法 |
| CN112614144A (zh) * | 2020-12-30 | 2021-04-06 | 深圳市联影高端医疗装备创新研究院 | 一种图像分割方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 黄奕晖;冯前进;: "基于三维全卷积DenseNet的脑胶质瘤MRI分割", 南方医科大学学报, no. 06, 20 June 2018 (2018-06-20) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115994919A (zh) * | 2023-03-23 | 2023-04-21 | 北京大学第三医院（北京大学第三临床医学院） | 一种基于深度学习的膀胱壁自动分割工具和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2020517946A (ja) | ディープ畳み込みニューラルネットワークを使用した医用画像化のための線量低減 | |
| Du et al. | Accelerated super-resolution MR image reconstruction via a 3D densely connected deep convolutional neural network | |
| CN111046855A (zh) | 图片识别方法、识别模型训练方法、装置及电子装置 | |
| CN111161269B (zh) | 图像分割方法、计算机设备和可读存储介质 | |
| CN113628220A (zh) | 基于改进的U-Net网络对MRI脑肿瘤图像的分割方法及系统 | |
| US11869120B2 (en) | System and method for image reconstruction | |
| Ansari et al. | Multiple sclerosis lesion segmentation in brain MRI using inception modules embedded in a convolutional neural network | |
| CN109903269A (zh) | 确定脊柱横断面图像的异常类型的方法及计算设备 | |
| CN113935943A (zh) | 颅内动脉瘤识别检测的方法、装置、计算机设备和存储介质 | |
| CN115861248A (zh) | 医学图像分割方法、医学模型训练方法、装置和存储介质 | |
| CN115546270A (zh) | 多尺度特征融合的图像配准方法、模型训练方法及设备 | |
| CN107194933A (zh) | 结合卷积神经网络和模糊推理的脑肿瘤分割方法和装置 | |
| CN113487536A (zh) | 图像分割方法、计算机设备和存储介质 | |
| CN114299010A (zh) | 脑部肿瘤图像的分割方法、装置、计算机设备和存储介质 | |
| CN113313728B (zh) | 一种颅内动脉分割方法及系统 | |
| Yang et al. | Dual-path network for liver and tumor segmentation in CT images using Swin Transformer encoding approach | |
| Hua et al. | Multi kernel cross sparse graph attention convolutional neural network for brain magnetic resonance imaging super-resolution | |
| CN116797726B (zh) | 器官三维重建方法、装置、电子设备和存储介质 | |
| CN116128895A (zh) | 医学图像分割方法、装置和计算机可读存储介质 | |
| CN117710670A (zh) | 一种基于多种特征融合的胶质瘤影像分割方法及系统 | |
| CN113327221B (zh) | 融合roi区域的图像合成方法、装置、电子设备及介质 | |
| US20230237647A1 (en) | Ai driven longitudinal liver focal lesion analysis | |
| CN115760813A (zh) | 螺钉通道生成方法、装置、设备、介质和程序产品 | |
| Mousa et al. | A convolutional neural network-based framework for medical images analyzing in enhancing medical diagnosis | |
| CN114972026A (zh) | 图像处理方法和存储介质 |
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 |