CN114708282A - 图像分割方法及其装置、电子设备和计算机可读存储介质 - Google Patents
图像分割方法及其装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN114708282A CN114708282A CN202210415980.6A CN202210415980A CN114708282A CN 114708282 A CN114708282 A CN 114708282A CN 202210415980 A CN202210415980 A CN 202210415980A CN 114708282 A CN114708282 A CN 114708282A
- Authority
- CN
- China
- Prior art keywords
- growth
- initial
- segmentation
- image
- centerline
- 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.)
- Granted
Links
Images
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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/30084—Kidney; Renal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供了一种图像分割方法,包括:确定待分割肾脏图像的第一初始分割数据和第二初始分割数据,其中,第一初始分割数据的概率分割的阈值大于第二初始分割数据的概率分割的阈值;基于第一初始分割数据和待分割肾脏图像,利用方向生长操作,确定待分割肾脏图像对应的生长预测中心线;对生长预测中心线进行修正操作,得到肾盏肾盂中心线和输尿管中心线;基于第二初始分割数据、肾盏肾盂中心线、输尿管中心线和待分割肾脏图像,确定针对肾盏、肾盂和输尿管的分割结果。图像分割方法利用方向生长操作对不显影区域进行假性连接,补足断点和缺失,并利用修正操作和后续处理,提高分割的准确性,解决了图像不显影导致的缺失或者断裂的难题。
Description
技术领域
本申请涉及医学图像处理技术领域,具体涉及一种图像分割方法及其装置、电子设备和计算机可读存储介质。
背景技术
准确地分割出肾盏、肾盂以及输尿管,能够辅助医生诊断与治疗肾脏疾病。然而,受限于造影剂不能完全进入肾盏、肾盂和输尿管,腹部复杂情况,以及肾脏内部组织病变等因素,采集的肾脏图像上存在部分区域不显影的问题,从而导致在进行肾盏、肾盂和输尿管分割时,分割结果中存在缺失或者断裂。
发明内容
鉴于此,本申请实施例提供了一种图像分割方法及其装置、电子设备和计算机可读存储介质,以解决现有技术中在进行肾盏、肾盂和输尿管分割时存在缺失或者断裂的技术问题。
根据本申请实施例的第一方面,提供一种图像分割方法。该图像分割方法包括:确定待分割肾脏图像的第一初始分割数据和第二初始分割数据,其中,第一初始分割数据的概率分割的阈值大于第二初始分割数据的概率分割的阈值;基于第一初始分割数据和待分割肾脏图像,利用方向生长操作,确定待分割肾脏图像对应的生长预测中心线;对生长预测中心线进行修正操作,得到肾盏肾盂中心线和输尿管中心线;基于第二初始分割数据、肾盏肾盂中心线、输尿管中心线和待分割肾脏图像,确定针对肾盏、肾盂和输尿管的分割结果。
在一个实施例中,基于第一初始分割数据和待分割肾脏图像,利用方向生长操作,确定待分割肾脏图像对应的生长预测中心线,包括:对第一初始分割数据进行中线提取操作,得到包括M个断点的初始中心线,其中,M为正整数;针对M个断点中的每个断点,基于断点,利用方向生长模型进行生长,得到断点对应的生长预测路径;基于初始中心线、M个断点各自对应的生长预测路径,确定生长预测中心线。
在一个实施例中,基于断点,利用方向生长模型进行生长,得到断点对应的生长预测路径,包括:以断点为初始生长点,基于初始生长点、方向生长模型针对于初始生长点的预测生长方向、预设生长步长,获得初始生长点对应的下一个生长点;基于初始生长点对应的下一个生长点继续预测,直至得到的生长点满足终止条件,得到断点对应的生长预测路径。
在一个实施例中,基于初始生长点、方向生长模型针对于初始生长点的预测生长方向、预设生长步长,获得初始生长点对应的下一个生长点,包括:基于初始生长点,对待分割肾脏图像进行切块采样,得到初始生长点对应的图像块数据;将图像块数据输入到方向生长模型,得到初始生长点对应的预测生长方向;以初始生长点为起点、按照初始生长点对应的预测生长方向前进预设生长步长,得到初始生长点对应的下一个生长点。
在一个实施例中,终止条件包括下述条件中的至少一种条件:得到的生长点位于待分割肾脏图像的边缘区域;得到的生长点触碰肾脏和/或膀胱;得到的生长点触碰到历史获得的生长点;得到的生长点位于待分割肾脏图像的初始分割概率图的第一区域;得到的生长点位于初始分割概率图的第二区域,但得到的生长点对应的累计减速次数满足预设值,其中,第一区域的像素点的概率值小于第二区域的像素点的概率值。
在一个实施例中,对生长预测中心线进行修正操作,得到肾盏肾盂中心线和输尿管中心线,包括:对生长预测中心线进行去假阳操作,得到第一修正中心线;对第一修正中心线的内部断点进行硬连接操作,得到第二修正中心线;若第二修正中心线的端点到达膀胱,则将第二修正中心线划分为肾盏肾盂中心线和输尿管中心线。
在一个实施例中,对生长预测中心线进行修正操作,得到肾盏肾盂中心线和输尿管中心线,还包括:若第二修正中心线的端点未到达膀胱,则将第二修正中心线输入到方向生长模型中,继续进行兼具方向限制的方向生长,直至获得的限制预测生长中心线的端点到达膀胱,将获得的限制预测生长中心线划分为肾盏肾盂中心线和输尿管中心线。
在一个实施例中,对生长预测中心线进行去假阳操作,得到第一修正中心线,包括:去掉生长预测中心线的环状交叉区域的交叉点,得到至少两个连通域;针对于至少两个连通域中的每个连通域,基于连通域中包括的像素点在待分割肾脏图像的初始分割概率图中的概率值,确定连通域对应的平均概率值;选取最大的平均概率值对应的连通域为环状交叉区域的有效分支,去除环状交叉区域中除有效分支之外的剩余分支,得到第一修正中心线。
在一个实施例中,对生长预测中心线进行去假阳操作,得到第一修正中心线,包括:确定生长预测中心线对应的多个第一端点;确定第一初始分割数据对应的初始中心线的多个第二端点;针对于多个第一端点中的每个第一端点,若第一端点与多个第二端点中的任何一个第二端点都不重叠,则删除第二端点和第一端点之间的生长预测路径,去除无效延伸生长假阳,得到第一修正中心线。
在一个实施例中,基于第二初始分割数据、肾盏肾盂中心线、输尿管中心线和待分割肾脏图像,确定针对肾盏、肾盂和输尿管的分割结果,包括:融合第二初始分割数据和肾盏肾盂中心线,得到肾盏肾盂分割数据;将输尿管中心线和待分割肾脏图像输入到多分辨率切块分割模型继续分割,得到输尿管分割数据;整合肾盏肾盂分割数据和输尿管分割数据,得到针对肾盏、肾盂和输尿管的分割结果。
在一个实施例中,确定待分割肾脏图像的第一初始分割数据和第二初始分割数据,包括:将待分割肾脏图像输入多分辨率切块分割模型,得到待分割肾脏图像对应的初始分割概率图;基于第一阈值,对初始分割概率图进行二值化处理操作,得到第一初始分割数据;基于第二阈值,对初始分割概率图进行二值化处理操作,得到第二初始分割数据;其中,第一阈值大于第二阈值。
根据本申请实施例的第二方面,提供一种图像分割装置。该图像分割装置包括:第一确定模块,配置为确定待分割肾脏图像的第一初始分割数据和第二初始分割数据,其中,第一初始分割数据的概率分割阈值大于第二初始分割数据的概率分割阈值;生长预测中心线确定模块,配置为基于第一初始分割数据和待分割肾脏图像,利用方向生长操作,确定待分割肾脏图像对应的生长预测中心线;修正模块,配置为对生长预测中心线进行修正操作,得到肾盏肾盂中心线和输尿管中心线;第二确定模块,配置为基于第二初始分割数据、肾盏肾盂中心线、输尿管中心线和待分割肾脏图像,确定针对肾盏、肾盂和输尿管的分割结果。
根据本申请实施例的第三方面,提供一种电子设备,包括:处理器;以及存储器,在存储器中存储有计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行如上述第一方面的图像分割方法。
根据本申请实施例的第四方面,提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行如上述第一方面的图像分割方法。
本申请实施例提供的图像分割方法,利用两个阈值,分别获得分割地相对准确的第一初始分割数据和分割地相对全面的第二初始分割数据,利用方向生长操作,假性连接补足断点,得到相对完整的生长预测中心线,对生长预测中心线进行修正,去除假阳和无效分支,得到相对准确的肾盏肾盂中心线和输尿管中心线,最后利用第二初始分割数据、肾盏肾盂中心线、输尿管中心线和待分割肾脏图像,得到针对肾盏、肾盂和输尿管的分割结果。该图像分割方法,利用方向生长操作对不显影区域进行假性连接,补足断点和缺失,并利用修正操作和后续处理,提高分割的准确性,解决了图像不显影导致的缺失或者断裂的难题,获得更加完整且准确的分割结果。
附图说明
图1所示为本申请一实施例提供的图像分割方法的流程示意图。
图2所示为本申请一实施例提供的图像分割方法的流程示意图。
图3所示为本申请一实施例提供的图像分割方法的流程示意图。
图4所示为本申请一实施例提供的图像分割方法的流程示意图。
图5所示为本申请一实施例提供的图像分割方法的流程示意图。
图6所示为本申请一实施例提供的图像分割方法的流程示意图。
图6a所示为本申请一实施例提供的去环状假阳的流程示意图。
图7所示为本申请一实施例提供的图像分割方法的流程示意图。
图8所示为本申请一实施例提供的去无效延伸生长假阳的流程示意图。
图9所示为本申请一实施例提供的图像分割方法的流程示意图。
图10所示为本申请一实施例提供的图像分割装置的结构示意图。
图11所示为本申请一实施例提供的生长预测中心线确定模块的结构示意图。
图12所示为本申请一实施例提供的生长预测路径确定单元的结构示意图。
图13所示为本申请一实施例提供的修正模块的结构示意图。
图14所示为本申请一实施例提供的去假阳单元的结构示意图。
图15所示为本申请一实施例提供的去假阳单元的结构示意图。
图16所示为本申请一实施例提供的第二确定模块的结构示意图。
图17所示为本申请一实施例提供的第一确定模块的结构示意图。
图18所示为本申请一实施例提供的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,所描述的实施例仅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做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。
近年来,肾脏疾病成为高发疾病之一,肾脏结构复杂,肾盏和肾盂是排尿的起始部分。肾小盏呈漏斗状,紧紧包绕着肾乳头,以收纳由肾乳头管泌出的尿液,一个肾小盏包绕着1个或2个肾乳头,每2个或3个肾小盏集合成肾大盏(肾盏为肾大盏和肾小盏的统称)。2个或3个肾大盏最后合并形成漏斗形的肾盂。肾盂向肾门方向逐渐变窄,肾门后面连接输尿管,输尿管长约30厘米,自肾盂起始后,首先沿腹后壁下行,再沿盆腔侧壁至盆底,向内下斜穿膀胱壁,开口于膀胱。输尿管壁有较厚的平滑肌层,可节律性蠕动,使尿液不断流入膀胱,当膀胱充满尿液后,由于膀胱内压力升高,将输尿管末段压扁,从而保证尿液不能逆流。完整且准确地分割出肾盏、肾盂以及输尿管,能够辅助医生诊断与治疗肾脏疾病。
临床上通常采用肾脏增强CT(Computed Tomography,电子计算机断层扫描)图像或肾脏增强MRI(Magnetic Resonance Imaging,核磁共振成像)图像进行肾盏、肾盂以及输尿管的分割。然而,受限于造影剂不能完全进入肾盏、肾盂和输尿管,腹部复杂情况,以及肾脏内部组织病变等因素,采集的肾脏图像上存在部分区域不显影的问题,从而导致无论是人工分割还是基于传统算法的深度学习的分割,分割结果中均存在缺失或者断裂。
为了解决上述问题,本申请实施例提供一种图像分割方法,利用方向生长操作对不显影区域进行假性连接,补足断点和缺失,并利用修正操作和后续处理,提高分割的准确性,解决了图像不显影导致的缺失或者断裂的难题,获得更加完整且准确的分割结果。
下面结合图1至图18详细介绍本申请实施例提及的图像分割方法、头图像分割装置、电子设备以及计算机可读存储介质。
示例性图像分割方法
图1所示为本申请一实施例提供的图像分割方法的流程示意图。如图1所示,该图像分割方法包括如下步骤。
S101:确定待分割肾脏图像的第一初始分割数据和第二初始分割数据。
示例性地,第一初始分割数据的概率分割的阈值大于第二初始分割数据的概率分割的阈值。
具体而言,第一初始分割数据为利用一个相对较大的阈值(即,利用高阈值),将待分割肾脏图像中肾盏、肾盂和输尿管和背景分割出来的数据。由于利用的高阈值进行分割,第一初始分割数据相对更准确,但具有断点。第二初始分割数据为利用一个相对较小的阈值(即,利用低阈值),将待分割肾脏图像中肾盏、肾盂和输尿管和背景分割出来的数据。由于利用的高阈值进行分割,第二初始分割数据相对更全面,但不够准确。
在一个可选的实施例中,确定待分割肾脏图像的第一初始分割数据和第二初始分割数据,包括:将待分割肾脏图像输入多分辨率切块分割模型,得到待分割肾脏图像对应的初始分割概率图;基于第一阈值,对初始分割概率图进行二值化处理操作,得到第一初始分割数据;基于第二阈值,对初始分割概率图进行二值化处理操作,得到第二初始分割数据;其中,第一阈值大于第二阈值。
在一个可选的实施例中,第一阈值(即,高阈值)为0.8或0.9,第二阈值(即,低阈值)为0.3或0.4。
举例说明,第一阈值为0.9,第二阈值为0.3,将待分割肾脏图像输入多分辨率切块分割模型,得到待分割肾脏图像对应的初始分割概率图,概率值大于或者等于0.9的阈值的像素点被划分为属于肾盏、肾盂和输尿管,概率值小于0.9的阈值的像素点被划分为不属于肾盏、肾盂和输尿管,得到第一初始分割数据。同样地,概率值大于或者等于0.3的阈值的像素点被划分为属于肾盏、肾盂和输尿管,概率值小于0.3的阈值的像素点被划分为不属于肾盏、肾盂和输尿管,得到第二初始分割数据。
需要说明的是,多分辨率切块分割模型在进行图像分割时,利用多个分辨率对同一采样点进行切块分割,采用多分辨率切块分割,充分利用不同感受野,充分提取图像特征,提高切块分割的准确性。多分辨率切块分割模型包括、但不限于ResUnet网络。
待分割肾脏图像包括、但不限于:动脉期肾脏增强CT图像、髓质期肾脏增强CT图像、排泄期肾脏增强CT图像、动脉期肾脏增强MRI图像、髓质期肾脏增强MRI图像和排泄期肾脏增强MRI图像。
在一个优选的实施例中,待分割肾脏图像为排泄期肾脏增强CT图像。
S102:基于第一初始分割数据和待分割肾脏图像,利用方向生长操作,确定待分割肾脏图像对应的生长预测中心线。
具体而言,生长预测中心线为初始中心线上的多个断点进行生长后被补全,得到的分割标记的中心线(即,分割mask的中心线)。
考虑到第一初始分割数据中虽然存在断点,但相对准确,因此,针对待分割肾脏图像,以第一初始分割数据为基础,利用方向生长操作,假性连接补足断点,得到相对完整的生长预测中心线。
S103:对生长预测中心线进行修正操作,得到肾盏肾盂中心线和输尿管中心线。
具体而言,考虑到得到的生长预测中心线可能存在方向生长导致的假阳,内部没有补足的断裂以及与膀胱未连接等问题,因此,需要对生长预测中心线进行修正。利用修正操作对生长预测中心线进行修正,得到修正后的生长预测中心线,修正后的生长预测中心线包括肾盏肾盂部分和输尿管部分,即,肾盏肾盂中心线和输尿管中心线。
S104:基于第二初始分割数据、肾盏肾盂中心线、输尿管中心线和待分割肾脏图像,确定针对肾盏、肾盂和输尿管的分割结果。
具体而言,第二初始分割数据也包括肾盏肾盂部分和输尿管部分,利用第二初始分割数据的肾盏肾盂部分和上述得到的肾盏肾盂中心线,得到肾盏肾盂分割结果。在输尿管中心线的引导下,对待分割肾脏图像进行分割,得到输尿管分割结果。合并肾盏肾盂分割结果和输尿管分割结果,得到针对肾盏、肾盂和输尿管的分割结果。
本申请实施例中,利用两个阈值,分别获得分割地相对准确的第一初始分割数据和分割地相对全面的第二初始分割数据,利用方向生长操作,假性连接补足断点,得到相对完整的生长预测中心线,对生长预测中心线进行修正,去除假阳和无效分支,得到相对准确的肾盏肾盂中心线和输尿管中心线,最后利用第二初始分割数据、肾盏肾盂中心线、输尿管中心线和待分割肾脏图像,得到针对肾盏、肾盂和输尿管的分割结果。该图像分割方法,利用方向生长操作对不显影区域进行假性连接,补足断点和缺失,并利用修正操作和后续处理,提高分割的准确性,解决了图像不显影导致的缺失或者断裂的难题,获得更加完整且准确的分割结果。
图2所示为本申请一实施例提供的图像分割方法的流程示意图。如图2所示,如图2所示,基于第一初始分割数据和待分割肾脏图像,利用方向生长操作,确定待分割肾脏图像对应的生长预测中心线步骤,包括下列步骤。
S201:对第一初始分割数据进行中线提取操作,得到包括M个断点的初始中心线。
示例性地,M为正整数。
具体而言,由于第一初始分割数据的分割概率的阈值较大,因此,对第一初始分割数据进行中线提取操作,得到初始中心线,初始中心线具有断点,断点的数量为M个。
S202:针对M个断点中的每个断点,基于断点,利用方向生长模型进行生长,得到断点对应的生长预测路径。
具体而言,对于每个断点,将断点输入到预先训练好的方向生长模型进行方向生长,得到断点对应的生长预测路径,以补足断点。
需要说明的是,方向生长模型包括但不限于经典3d ResNeXt模型结构。
S203:基于初始中心线、M个断点各自对应的生长预测路径,确定生长预测中心线。
具体而言,通过M个断点各自对应的生长预测路径,补足初始中心线上的断点,得到相对完整的生长预测中心线。
本申请实施例中,针对初始中心线中的每个断点,利用方向生长模型,使每个断点按照预测方向进行生长,得到每个断点的生长预测路径,从而实现连接断点,得到完整连通的生长预测中心线的目的。
图3所示为本申请一实施例提供的图像分割方法的流程示意图。如图3所示,基于断点,利用方向生长模型进行生长,得到断点对应的生长预测路径步骤,包括如下步骤。
S301:以断点为初始生长点,基于初始生长点、方向生长模型针对于初始生长点的预测生长方向、预设生长步长,获得初始生长点对应的下一个生长点。
S302:基于初始生长点对应的下一个生长点继续预测,直至得到的生长点满足终止条件,得到断点对应的生长预测路径。
具体而言,以断点为初始生长点,利用方向生长模型,沿着初始生长点的预测生长方向,按照预设生长步长进行生长,得到始生长点对应的下一个生长点。利用方向生长模型对初始生长点对应的下一个生长点进行预测,得到下一个生长点的再下一个生长点,依次类推,直到得到的生长点满足终止条件,得到断点对应的生长预测路径。
举例说明,当断点(初始生长点)b1为起点,利用方向生长模型,沿着b1的预测生长方向,按照预设生长步长进行生长,得到初始生长点对应的下一个生长点b2,以下一个生长点b2为起点,重复上述过程,得到下一个生长点b2的再下一个生长点b3,继续重复上述过程,直至满足终止条件,得到断点b1的生长预测路径,从而补足断点b1处的缺失。
示例性地,终止条件包括下述条件中的至少一种条件:得到的生长点位于待分割肾脏图像的边缘区域;得到的生长点触碰肾脏和/或膀胱;得到的生长点触碰到历史获得的生长点;得到的生长点位于待分割肾脏图像的初始分割概率图的第一区域;得到的生长点位于初始分割概率图的第二区域,但得到的生长点对应的累计减速次数满足预设值,其中,第一区域的像素点的概率值小于第二区域的像素点的概率值。
在一个可选的实施例中,在得到待分割肾脏图像对应的初始分割概率图之后,将概率值小于为0至1中相对较小的数值(例如:0.1)的区域命名为第一区域(即,低概率区域),将概率值大于0至1中相对较大的数值(例如:0.85)的区域命名为第二区域(即,高概率区域)。
具体而言,当得到的生长点位于低概率区域,则停止生长,当得到的生长点位于高概率区域,但该生长点累计减速的次数满足预设值,则停止生长。
需要说明的是,减速条件根据具体生长情况而设定。
本申请实施例中,以断点为初始生长点,以前一个生长点为基础,利用提前训练好的方向生长模型进行生长,获得后一个生长点,依次类推,获得断点的生长预测路径,以补足当前断点,从而最大化补足初始中心线中的断裂位置,获得更完整的长预测中心线。
图4所示为本申请一实施例提供的图像分割方法的流程示意图。如图4所示,基于初始生长点、方向生长模型针对于初始生长点的预测生长方向、预设生长步长,获得初始生长点对应的下一个生长点步骤,包括如下步骤。
S401:基于初始生长点,对待分割肾脏图像进行切块采样,得到初始生长点对应的图像块数据。
具体而言,基于初始生长点,利用多个分辨率,对待分割头颈部血管图像进行切块采样,得到当前采样中心点对应的待分割块数据。利用多个分辨率,对待分割头颈医学图像进行切块采样,实现对图像特征进行充分提取,充分参照全局信息,提高分割时特征提取的能力。
S402:将图像块数据输入到方向生长模型,得到初始生长点对应的预测生长方向。
S403:以初始生长点为起点、按照初始生长点对应的预测生长方向前进预设生长步长,得到初始生长点对应的下一个生长点。
具体而言,利用方向生长模型,沿着初始生长点的预测生长方向,按照预设生长步长进行生长,得到始生长点对应的下一个生长点。
本申请实施例中,通过上述步骤,获得每个生长点的下一个生长点,以实现获得每个断点的生长预测路径,补足每个断点的目的。
图5所示为本申请一实施例提供的图像分割方法的流程示意图。如图5所示,对生长预测中心线进行修正操作,得到肾盏肾盂中心线和输尿管中心线步骤,包括如下步骤。
S501:对生长预测中心线进行去假阳操作,得到第一修正中心线。
具体而言,考虑到对于输尿管在存在断裂处几乎完全不显影,容易与其它腹部组织器官混淆,利用方向生长模型进行方向生长得到的生长预测中心线,存在能够将断点连接的正确生长结果,但也存在一些错误的生长结果(即,假阳,例如环状假阳和无效延伸生长假阳),因此,需要对生长预测中心线进行去假阳操作,得到第一修正中心线,以将错误生长分支剪去。
S502:对第一修正中心线的内部断点进行硬连接操作,得到第二修正中心线。
具体而言,考虑到得到的第一修正中心线仍旧可能存在个别断裂的情况,因此,需要对第一修正中心线的内部断点进行硬连接操作,以强制连接内部个别断点,得到完整连通的第二修正中心线。
S503:若第二修正中心线的端点到达膀胱,则将第二修正中心线划分为肾盏肾盂中心线和输尿管中心线。
在一个可选的实施例中,如图5所示,对生长预测中心线进行修正操作,得到肾盏肾盂中心线和输尿管中心线步骤,还包括如下步骤。
S504:若第二修正中心线的端点未到达膀胱,则将第二修正中心线输入到方向生长模型中,继续进行兼具方向限制的方向生长,直至获得的限制预测生长中心线的端点到达膀胱,将获得的限制预测生长中心线划分为肾盏肾盂中心线和输尿管中心线。
具体而言,在进行强制连接后,需要判断第二修正中心线是否已经到达膀胱,若第二修正中心线的端点已经到达膀胱,则第二修正中心线的肾盏肾盂部分为肾盏肾盂中心线,第二修正中心线的输尿管部分为输尿管中心线。若第二修正中心线的端点还未到达膀胱,则调整方向生长模型的参数,使生长模型进行兼具方向限制的方向生长(例如,约束z方向递减的再次生长),直至获得的限制预测生长中心线的端点能够到达膀胱,并将结果拆分为肾盏肾盂部分(即,肾盏肾盂中心线)和输尿管部分(即,输尿管中心线)。
本申请实施例中,通过上述步骤,对生长预测中心线进行修正,实现去除假阳和确保输尿管到达膀胱,以获得准确、连通且完整的肾盏肾盂中心线和输尿管中心线的目的。
图6所示为本申请一实施例提供的图像分割方法的流程示意图。如图6所示,对生长预测中心线进行去假阳操作,得到第一修正中心线步骤,包括如下步骤。
S601:去掉生长预测中心线的环状交叉区域的交叉点,得到至少两个连通域。
S602:针对于至少两个连通域中的每个连通域,基于连通域中包括的像素点在待分割肾脏图像的初始分割概率图中的概率值,确定连通域对应的平均概率值。
S603:选取最大的平均概率值对应的连通域为环状交叉区域的有效分支,去除环状交叉区域中除有效分支之外的剩余分支,得到第一修正中心线。
具体而言,举例说明,图6a所示为本申请一实施例提供的去环状假阳的流程示意图。结合图6a所示,对于环状交叉区域,去除2个交点,得到左右2个连通域,对于左右2个连通域,参照左右2个连通域各自包括的像素点在初始分割概率图中的概率值,得到左右2个连通域各自对应的平均概率值,若右侧的平均概率值大,则认为右侧连通域由输尿管的正确分割形成的,即,有效分支,保留右侧连通域,去除左侧连通域,基于此,得到第一修正中心线。
本申请实施例中,通过上述步骤,实现去除环状交叉区域的环状假阳,提高分割准确性的目的。
图7所示为本申请一实施例提供的图像分割方法的流程示意图。如图7所示,对生长预测中心线进行去假阳操作,得到第一修正中心线步骤,包括如下步骤。
S701:确定生长预测中心线对应的多个第一端点。
S702:确定第一初始分割数据对应的初始中心线的多个第二端点。
S703:针对于多个第一端点中的每个第一端点,若第一端点与多个第二端点中的任何一个第二端点都不重叠,则删除第二端点和第一端点之间的生长预测路径,去除无效延伸生长假阳,得到第一修正中心线。
具体而言,举例说明,图8所示为本申请一实施例提供的去无效延伸生长假阳的流程示意图。结合图8所示,在得到第一初始分割数据对应的初始中心线之后,确定初始中心线的5个第二端点。在得到生长预测中心线之后,确定生长预测中心线应的5个第一端点。若第一端点与多个第二端点中的任何一个第二端点都不重叠,则表明第一端点未起到连接作用,则需要剔除,以去除无效延伸生长假阳。即,若某个第一端点与5个第二端点中的任何一个第二端点都不重叠,则删除第二端点和第一端点之间的生长预测路径。基于此,得到第一修正中心线。
本申请实施例中,通过上述步骤,实现去除无效延伸生长假阳,提高分割准确性的目的。
图9所示为本申请一实施例提供的图像分割方法的流程示意图。如图9所示,基于第二初始分割数据、肾盏肾盂中心线、输尿管中心线和待分割肾脏图像,确定针对肾盏、肾盂和输尿管的分割结果步骤,包括如下步骤。
S801:融合第二初始分割数据和肾盏肾盂中心线,得到肾盏肾盂分割数据。
具体而言,第二初始分割数据利用一个相对较小的阈值,分割出来相对更全面的针对肾盏、肾盂和输尿管的分割结果(第二初始分割数据包括肾盏肾盂部分)。肾盏肾盂中心线是利用一个相对较大的阈值,分割出来相对更准确的针对肾盏、肾盂和输尿管的分割结果,并经过方向生长弥补断点,并经过修正得到的针对肾盏、肾盂的分割结果。融合两种方式得到的针对肾盏肾盂的分割部分,利用并集操作,得到更准确、全面,断点最少的最终的肾盏肾盂分割数据。
S802:将输尿管中心线和待分割肾脏图像输入到多分辨率切块分割模型继续分割,得到输尿管分割数据。
具体而言,在获得输尿管中心线之后,在输尿管中心线的引导下,利用多分辨率切块分割模型进行切块采样分割操作,充分融合图像特征与已经得到的输尿管中心线的结构特征,在输尿管中心线的引导下,弥合了分割导致的断点和缺失问题,大幅提高分割的准确性和完整性,得到最终的输尿管分割数据。
S803:整合肾盏肾盂分割数据和输尿管分割数据,得到针对肾盏、肾盂和输尿管的分割结果。
具体而言,合并肾盏肾盂分割数据和输尿管分割数据,得到合并的分割结果,并对合并的分割结果进行后处理操作,以去除碎点,得到最终的分割结果,即,针对肾盏、肾盂和输尿管的分割结果。
在一个可选的实施例中,对合并的分割结果进行后处理操作包括:通过计算合并的分割结果的最大连通域,保留两根输尿管及肾盏肾盂的主干部分,得到输尿管部分和肾盏肾盂部分,并对输尿管部分进行提取中线处理,并与膨胀后的输尿管部分进行求并集,得到并集输尿管,利用并集输尿管和肾盏肾盂部分,得到针对肾盏、肾盂和输尿管的分割结果。
本申请实施例中,对两种方式得到的针对肾盏肾盂的分割部分求并集,得到更准确、全面,断点最少的最终的肾盏肾盂分割数据,利用输尿管中心线的引导作用,对待分割肾脏图像进行分割,得到更准确且完整的输尿管分割数据,从而实现获得更全面且准确的针对肾盏、肾盂和输尿管的分割结果,以解决现有技术中在进行肾盏、肾盂和输尿管分割时存在缺失或者断裂的技术问题的目的。
示例性图像分割装置
图10所示为本申请一实施例提供的图像分割装置的结构示意图。如图9所示,该图像分割装置100包括第一确定模块101、生长预测中心线确定模块102、修正模块103和第二确定模块104。
第一确定模块101配置为,确定所述待分割肾脏图像的第一初始分割数据和第二初始分割数据,其中,所述第一初始分割数据的概率分割阈值大于所述第二初始分割数据的概率分割阈值。生长预测中心线确定模块102配置为,基于所述第一初始分割数据和所述待分割肾脏图像,利用方向生长操作,确定所述待分割肾脏图像对应的生长预测中心线。修正模块103配置为,对所述生长预测中心线进行修正操作,得到肾盏肾盂中心线和输尿管中心线。第二确定模块104配置为,基于所述第二初始分割数据、所述肾盏肾盂中心线、所述输尿管中心线和所述待分割肾脏图像,确定针对肾盏、肾盂和输尿管的分割结果。
本申请实施例中,利用方向生长操作对不显影区域进行假性连接,补足断点和缺失,并利用修正操作和后续处理,提高分割的准确性,解决了图像不显影导致的缺失或者断裂的难题,获得更加完整且准确的分割结果。
图11所示为本申请一实施例提供的生长预测中心线确定模块的结构示意图。如图11所示,生长预测中心线确定模块102包括初始中心线确定单元1021、生长预测路径确定单元1022和生长预测中心线确定单元1023。
初始中心线确定单元1021配置为,对第一初始分割数据进行中线提取操作,得到包括M个断点的初始中心线,其中,M为正整数。生长预测路径确定单元1022配置为,针对M个断点中的每个断点,基于断点,利用方向生长模型进行生长,得到断点对应的生长预测路径。生长预测中心线确定单元1023配置为,基于初始中心线、M个断点各自对应的生长预测路径,确定生长预测中心线。
图12所示为本申请一实施例提供的生长预测路径确定单元的结构示意图。如图12所示,生长预测路径确定单元1022进一步包括:下一个生长点确定子单元10221和生长预测路径确定子单元10222。
下一个生长点确定子单元10221配置为,以断点为初始生长点,基于初始生长点、方向生长模型针对于初始生长点的预测生长方向、预设生长步长,获得初始生长点对应的下一个生长点。长预测路径确定子单元10222配置为,基于初始生长点对应的下一个生长点继续预测,直至得到的生长点满足终止条件,得到断点对应的生长预测路径。
在一个实施例中,下一个生长点确定子单元10221进一步配置为基于初始生长点,对待分割肾脏图像进行切块采样,得到初始生长点对应的图像块数据;将图像块数据输入到方向生长模型,得到初始生长点对应的预测生长方向;以初始生长点为起点、按照初始生长点对应的预测生长方向前进预设生长步长,得到初始生长点对应的下一个生长点。
在一个实施例中,终止条件包括下述条件中的至少一种条件:得到的生长点位于待分割肾脏图像的边缘区域;得到的生长点触碰肾脏和/或膀胱;得到的生长点触碰到历史获得的生长点;得到的生长点位于待分割肾脏图像的初始分割概率图的第一区域;得到的生长点位于初始分割概率图的第二区域,但得到的生长点对应的累计减速次数满足预设值,其中,第一区域的像素点的概率值小于第二区域的像素点的概率值。
图13所示为本申请一实施例提供的修正模块的结构示意图。如图13所示,修正模块103包括:去假阳单元1031、硬连接单元1032、第一执行单元1033和第二执行单元1034。
去假阳单元1031配置为,对生长预测中心线进行去假阳操作,得到第一修正中心线。硬连接单元1032配置为,对第一修正中心线的内部断点进行硬连接操作,得到第二修正中心线。第一执行单元1033,配置为若第二修正中心线的端点到达膀胱,则将第二修正中心线划分为肾盏肾盂中心线和输尿管中心线。第二执行单元1034,配置为若第二修正中心线的端点未到达膀胱,则将第二修正中心线输入到方向生长模型中,继续进行兼具方向限制的方向生长,直至获得的限制预测生长中心线的端点到达膀胱,将获得的限制预测生长中心线划分为肾盏肾盂中心线和输尿管中心线。
图14所示为本申请一实施例提供的去假阳单元的结构示意图。如图14所示,去假阳单元1031进一步包括:连通域确定子单元10311、平均概率值确定子单元10312和无效分支去除子单元10313。
连通域确定子单元10311配置为,去掉生长预测中心线的环状交叉区域的交叉点,得到至少两个连通域。平均概率值确定子单元10312配置为,针对于至少两个连通域中的每个连通域,基于连通域中包括的像素点在待分割肾脏图像的初始分割概率图中的概率值,确定连通域对应的平均概率值。无效分支去除子单元10313,配置为选取最大的平均概率值对应的连通域为环状交叉区域的有效分支,去除环状交叉区域中除有效分支之外的剩余分支,得到第一修正中心线。
图15所示为本申请一实施例提供的去假阳单元的结构示意图。如图15所示,去假阳单元1031进一步包括:第一端点确定子单元10314、第二端点确定子单元10315和无效延伸去除子单元10316。
第一端点确定子单元10314配置为,确定生长预测中心线对应的多个第一端点。第二端点确定子单元10315配置为,确定第一初始分割数据对应的初始中心线的多个第二端点值。无效延伸去除子单元10316,配置为针对于多个第一端点中的每个第一端点,若第一端点与多个第二端点中的任何一个第二端点都不重叠,则删除第二端点和第一端点之间的生长预测路径,去除无效延伸生长假阳,得到第一修正中心线。
图16所示为本申请一实施例提供的第二确定模块的结构示意图。如图16所示,第二确定模块104包括:肾盏肾盂分割数据得到单元1041、输尿管分割数据得到单元1042和分割结果得到单元1043。
肾盏肾盂分割数据得到单元1041配置为,融合第二初始分割数据和肾盏肾盂中心线,得到肾盏肾盂分割数据。输尿管分割数据得到单元1042配置为,将输尿管中心线和待分割肾脏图像输入到多分辨率切块分割模型继续分割,得到输尿管分割数据。第一执行单元1043,配置为整合肾盏肾盂分割数据和输尿管分割数据,得到针对肾盏、肾盂和输尿管的分割结果。
图17所示为本申请一实施例提供的第一确定模块的结构示意图。如图17所示,第一确定模块101包括:初始分割概率图确定单元1011、第一初始分割数据得到单元1012和第二初始分割数据得到单元1013。
初始分割概率图确定单元1011配置为,将待分割肾脏图像输入多分辨率切块分割模型,得到待分割肾脏图像对应的初始分割概率图。第一初始分割数据得到单元1012配置为,基于第一阈值,对初始分割概率图进行二值化处理操作,得到第一初始分割数据。第二初始分割数据得到单元1013,配置为基于第二阈值,对初始分割概率图进行二值化处理操作,得到第二初始分割数据;其中,第一阈值大于第二阈值。
上述图像分割装置中其他各个模块的具体功能和操作已经在图1到图9描述的图像分割方法中进行了详细介绍,因此,这里将省略其重复描述。
示例性电子设备
图18所示为本申请一实施例提供的电子设备的结构示意图。如图18所示,电子设备300包括一个或多个处理器310和存储器320。
处理器310可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备300中的其他组件以执行期望的功能。
存储器320可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器310可以运行所述程序指令,以实现上文所述的本申请的各个实施例的图像分割方法以及/或者其他期望的功能。
在一个示例中,电子设备300还可以包括:输入装置330和输出装置340,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
当然,为了简化,图18中仅示出了该电子设备300中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备300还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性图像分割方法”部分中描述的根据本申请各个实施例提供的图像分割方法中的步骤。
所述计算机程序产品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申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的步骤式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性图像分割方法”部分中描述的根据本申请各个实施例提供的图像分割方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
需要说明的是,以上列举的仅为本申请的具体实施例,显然本申请不限于以上实施例,随之有着许多的类似变化。本领域的技术人员如果从本申请公开的内容直接导出或联想到的所有变形,均应属于本申请的保护范围。
应当理解,本申请实施例中提到的第一、第二等限定词,仅仅为了更清楚地描述本申请实施例的技术方案使用,并不能用以限制本申请的保护范围。
以上仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (14)
1.一种图像分割方法,其特征在于,包括:
确定所述待分割肾脏图像的第一初始分割数据和第二初始分割数据,其中,所述第一初始分割数据的概率分割的阈值大于所述第二初始分割数据的概率分割的阈值;
基于所述第一初始分割数据和所述待分割肾脏图像,利用方向生长操作,确定所述待分割肾脏图像对应的生长预测中心线;
对所述生长预测中心线进行修正操作,得到肾盏肾盂中心线和输尿管中心线;
基于所述第二初始分割数据、所述肾盏肾盂中心线、所述输尿管中心线和所述待分割肾脏图像,确定针对肾盏、肾盂和输尿管的分割结果。
2.根据权利要求1所述的图像分割方法,其特征在于,所述基于所述第一初始分割数据和所述待分割肾脏图像,利用方向生长操作,确定所述待分割肾脏图像对应的生长预测中心线,包括:
对所述第一初始分割数据进行中线提取操作,得到包括M个断点的初始中心线,其中,M为正整数;
针对所述M个断点中的每个断点,基于所述断点,利用方向生长模型进行生长,得到所述断点对应的生长预测路径;
基于所述初始中心线、所述M个断点各自对应的生长预测路径,确定所述生长预测中心线。
3.根据权利要求2所述的图像分割方法,其特征在于,所述基于所述断点,利用方向生长模型进行生长,得到所述断点对应的生长预测路径,包括:
以所述断点为初始生长点,基于所述初始生长点、所述方向生长模型针对于所述初始生长点的预测生长方向、预设生长步长,获得所述初始生长点对应的下一个生长点;
基于所述初始生长点对应的下一个生长点继续预测,直至得到的生长点满足终止条件,得到所述断点对应的生长预测路径。
4.根据权利要求3所述的图像分割方法,其特征在于,所述基于所述初始生长点、所述方向生长模型针对于所述初始生长点的预测生长方向、预设生长步长,获得所述初始生长点对应的下一个生长点,包括:
基于所述初始生长点,对所述待分割肾脏图像进行切块采样,得到所述初始生长点对应的图像块数据;
将所述图像块数据输入到所述方向生长模型,得到所述初始生长点对应的预测生长方向;
以所述初始生长点为起点、按照所述初始生长点对应的预测生长方向前进所述预设生长步长,得到所述初始生长点对应的下一个生长点。
5.根据权利要求3所述的图像分割方法,其特征在于,所述终止条件包括下述条件中的至少一种条件:
所述得到的生长点位于所述待分割肾脏图像的边缘区域;
所述得到的生长点触碰肾脏和/或膀胱;
所述得到的生长点触碰到历史获得的生长点;
所述得到的生长点位于所述待分割肾脏图像的初始分割概率图的第一区域;
所述得到的生长点位于所述初始分割概率图的第二区域,但所述得到的生长点对应的累计减速次数满足预设值,其中,所述第一区域的像素点的概率值小于所述第二区域的像素点的概率值。
6.根据权利要求1至5中任一项所述的图像分割方法,其特征在于,所述对所述生长预测中心线进行修正操作,得到肾盏肾盂中心线和输尿管中心线,包括:
对所述生长预测中心线进行去假阳操作,得到第一修正中心线;
对所述第一修正中心线的内部断点进行硬连接操作,得到第二修正中心线;
若所述第二修正中心线的端点到达膀胱,则将所述第二修正中心线划分为所述肾盏肾盂中心线和所述输尿管中心线。
7.根据权利要求6所述的图像分割方法,其特征在于,所述对所述生长预测中心线进行修正操作,得到肾盏肾盂中心线和输尿管中心线,还包括:
若所述第二修正中心线的端点未到达所述膀胱,则将所述第二修正中心线输入到方向生长模型中,继续进行兼具方向限制的方向生长,直至获得的限制预测生长中心线的端点到达所述膀胱,将所述获得的限制预测生长中心线划分为所述肾盏肾盂中心线和所述输尿管中心线。
8.根据权利要求6所述的图像分割方法,其特征在于,所述对所述生长预测中心线进行去假阳操作,得到第一修正中心线,包括:
去掉所述生长预测中心线的环状交叉区域的交叉点,得到至少两个连通域;
针对于所述至少两个连通域中的每个连通域,基于所述连通域中包括的像素点在所述待分割肾脏图像的初始分割概率图中的概率值,确定所述连通域对应的平均概率值;
选取最大的平均概率值对应的连通域为所述环状交叉区域的有效分支,去除所述环状交叉区域中除所述有效分支之外的剩余分支,得到所述第一修正中心线。
9.根据权利要求6所述的图像分割方法,其特征在于,所述对所述生长预测中心线进行去假阳操作,得到第一修正中心线,包括:
确定所述生长预测中心线对应的多个第一端点;
确定所述第一初始分割数据对应的初始中心线的多个第二端点;
针对于所述多个第一端点中的每个第一端点,若所述第一端点与所述多个第二端点中的任何一个第二端点都不重叠,则删除所述第二端点和所述第一端点之间的生长预测路径,去除无效延伸生长假阳,得到所述第一修正中心线。
10.根据权利要求1至5中任一项所述的图像分割方法,其特征在于,所述基于所述第二初始分割数据、所述肾盏肾盂中心线、所述输尿管中心线和所述待分割肾脏图像,确定针对肾盏、肾盂和输尿管的分割结果,包括:
融合所述第二初始分割数据和所述肾盏肾盂中心线,得到肾盏肾盂分割数据;
将所述输尿管中心线和所述待分割肾脏图像输入到多分辨率切块分割模型继续分割,得到输尿管分割数据;
整合所述肾盏肾盂分割数据和所述输尿管分割数据,得到所述针对肾盏、肾盂和输尿管的分割结果。
11.根据权利要求1至5中任一项所述的图像分割方法,其特征在于,所述确定所述待分割肾脏图像的第一初始分割数据和第二初始分割数据,包括:
将所述待分割肾脏图像输入多分辨率切块分割模型,得到所述待分割肾脏图像对应的初始分割概率图;
基于第一阈值,对所述初始分割概率图进行二值化处理操作,得到所述第一初始分割数据;
基于第二阈值,对所述初始分割概率图进行二值化处理操作,得到所述第二初始分割数据;
其中,所述第一阈值大于所述第二阈值。
12.一种图像分割装置,其特征在于,所述图像分割装置包括:
第一确定模块,配置为确定所述待分割肾脏图像的第一初始分割数据和第二初始分割数据,其中,所述第一初始分割数据的概率分割阈值大于所述第二初始分割数据的概率分割阈值;
生长预测中心线确定模块,配置为基于所述第一初始分割数据和所述待分割肾脏图像,利用方向生长操作,确定所述待分割肾脏图像对应的生长预测中心线;
修正模块,配置为对所述生长预测中心线进行修正操作,得到肾盏肾盂中心线和输尿管中心线;
第二确定模块,配置为基于所述第二初始分割数据、所述肾盏肾盂中心线、所述输尿管中心线和所述待分割肾脏图像,确定针对肾盏、肾盂和输尿管的分割结果。
13.一种电子设备,包括:
处理器;以及
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1至11任一项所述的图像分割方法。
14.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1至11任一项所述图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210415980.6A CN114708282B (zh) | 2022-04-20 | 2022-04-20 | 图像分割方法及其装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210415980.6A CN114708282B (zh) | 2022-04-20 | 2022-04-20 | 图像分割方法及其装置、电子设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114708282A true CN114708282A (zh) | 2022-07-05 |
CN114708282B CN114708282B (zh) | 2022-12-20 |
Family
ID=82175885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210415980.6A Active CN114708282B (zh) | 2022-04-20 | 2022-04-20 | 图像分割方法及其装置、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708282B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115690143A (zh) * | 2022-09-26 | 2023-02-03 | 推想医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
CN115908413A (zh) * | 2023-01-06 | 2023-04-04 | 华慧健(天津)科技有限公司 | 造影图像分割方法、电子设备、处理系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712161A (zh) * | 2018-12-26 | 2019-05-03 | 上海联影医疗科技有限公司 | 一种图像分割方法、装置、设备及存储介质 |
CN110148192A (zh) * | 2019-04-18 | 2019-08-20 | 上海联影智能医疗科技有限公司 | 医学影像成像方法、装置、计算机设备和存储介质 |
CN110176013A (zh) * | 2019-05-29 | 2019-08-27 | 数坤(北京)网络科技有限公司 | 血管分割方法、装置、电子设备及存储介质 |
CN111383191A (zh) * | 2019-12-11 | 2020-07-07 | 北京深睿博联科技有限责任公司 | 用于血管断裂修复的图像处理方法及装置 |
CN114332127A (zh) * | 2021-12-30 | 2022-04-12 | 推想医疗科技股份有限公司 | 图像分割方法和装置、计算机可读存储介质和电子设备 |
-
2022
- 2022-04-20 CN CN202210415980.6A patent/CN114708282B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712161A (zh) * | 2018-12-26 | 2019-05-03 | 上海联影医疗科技有限公司 | 一种图像分割方法、装置、设备及存储介质 |
CN110148192A (zh) * | 2019-04-18 | 2019-08-20 | 上海联影智能医疗科技有限公司 | 医学影像成像方法、装置、计算机设备和存储介质 |
CN110176013A (zh) * | 2019-05-29 | 2019-08-27 | 数坤(北京)网络科技有限公司 | 血管分割方法、装置、电子设备及存储介质 |
CN111383191A (zh) * | 2019-12-11 | 2020-07-07 | 北京深睿博联科技有限责任公司 | 用于血管断裂修复的图像处理方法及装置 |
CN114332127A (zh) * | 2021-12-30 | 2022-04-12 | 推想医疗科技股份有限公司 | 图像分割方法和装置、计算机可读存储介质和电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115690143A (zh) * | 2022-09-26 | 2023-02-03 | 推想医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
CN115908413A (zh) * | 2023-01-06 | 2023-04-04 | 华慧健(天津)科技有限公司 | 造影图像分割方法、电子设备、处理系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114708282B (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114708282B (zh) | 图像分割方法及其装置、电子设备和计算机可读存储介质 | |
US11170504B2 (en) | Method and system for intracerebral hemorrhage detection and segmentation based on a multi-task fully convolutional network | |
KR101875468B1 (ko) | 질환 모델 기반의 의료 정보 서비스 제공 방법 및 장치 | |
CN109636805B (zh) | 一种基于分类先验的宫颈图像病变区域分割装置及方法 | |
CN110378913B (zh) | 图像分割方法、装置、设备及存储介质 | |
CN110929728B (zh) | 一种图像感兴趣区域划分方法、图像分割方法及装置 | |
CN114119602B (zh) | 对医学图像进行对象分析的方法、装置和存储介质 | |
KR20190084380A (ko) | 2차원 x-선 조영영상의 혈관 구조 추출 방법, 이를 수행하기 위한 기록매체 및 장치 | |
CN112991346B (zh) | 用于医学图像分析的学习网络的训练方法和训练系统 | |
CN115439533A (zh) | 获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品 | |
CN114155193B (zh) | 一种基于特征强化的血管分割方法及装置 | |
CN117035087A (zh) | 用于医疗推理的事理图谱生成方法、装置、设备及介质 | |
García et al. | A deep learning model for brain vessel segmentation in 3DRA with arteriovenous malformations | |
CN113192099B (zh) | 一种组织提取方法、装置、设备和介质 | |
CN110120052A (zh) | 一种靶区图像分割系统及装置 | |
CN115187512A (zh) | 肝细胞癌大血管侵犯风险预测方法、系统、装置及介质 | |
CN114533002A (zh) | 一种颈动脉中心线提取方法、装置、存储介质及电子设备 | |
CN114549396A (zh) | 一种基于图神经网络的脊椎交互式与自动分割细化方法 | |
WO2020054019A1 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
Habib et al. | Automatic segmentation of abdominal aortic aneurysm | |
Araujo et al. | Computer aided detection of deep inferior epigastric perforators in computed tomography angiography scans | |
CN116740049B (zh) | 用于盲补连头颈胸血管中心线的方法、设备及存储介质 | |
CN107492100B (zh) | 图像处理方法、装置及设备 | |
CN115588012B (zh) | 一种盆骨动脉血管分割方法、系统、存储介质及终端 | |
TWI790179B (zh) | 心導管影像辨識及評估方法 |
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 |