CN114723763A - 一种医学图像分割方法、装置、设备及存储介质 - Google Patents
一种医学图像分割方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114723763A CN114723763A CN202210567191.4A CN202210567191A CN114723763A CN 114723763 A CN114723763 A CN 114723763A CN 202210567191 A CN202210567191 A CN 202210567191A CN 114723763 A CN114723763 A CN 114723763A
- Authority
- CN
- China
- Prior art keywords
- image
- bone
- segmentation
- mask
- neural network
- 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
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请适用于计算机图像处理领域,提供了一种医学图像分割方法、装置、设备及存储介质,所述方法包括:获取医学图像;根据所述医学图像以及预设的骨质分割神经网络模型,确定骨质图像分割预测结果;所述预设的骨质分割神经网络模型基于携带有脊椎骨图像的多个医学图像样本经过卷积神经网络训练得到;对所述骨质图像分割预测结果进行图像后处理,得到骨质图像分割结果。本申请通过预设的骨质分割神经网络模型对获取到的脊椎体图像进行分割预测,再经由图像后处理优化预测结果使之符合临床解剖常识,通过将分割过程自动化有效地提高了脊椎体图像区域分割的效率,同时卷积神经网络的应用提高了原始数据量,有效拉高了骨质分割方法的可拓展性。
Description
技术领域
本申请属于计算机技术领域,尤其涉及一种医学图像分割方法、装置、设备及存储介质。
背景技术
皮质骨为脊柱力学系统提供重要的支持保护作用,脊柱皮质骨区域医学图像的准确分割有助于量化评估其骨质量和力学特性。计算机断层扫描图像(CT)是一种三维医学成像技术,能较为完整地显示脊柱椎体和附件的内部结构,包括皮质骨、松质骨及其交界处。
传统方法使用底层图像处理技术进行皮质骨区域医学图像的分割,如阈值分割、距离变换、水平集等算法。
但传统方法对不同CT设备的型号和扫描参数的适应性较差,通常需要手动调整相关模型参数,无法使用固定参数进行全自动分割;传统方法的可拓展性也较差,通常无法通过提升数据量来优化模型;另外,传统方法没有对预测结果进行进一步的合理性优化,从而导致有可能生成违反临床解剖常识的医学图像分割结果。
发明内容
本申请实施例的目的在于提供一种医学图像分割方法,旨在解决传统方法无法使用固定参数进行全自动分割、可拓展性较差且有可能生成违反临床解剖常识的医学图像分割结果的问题。
本申请实施例是这样实现的,一种医学图像分割方法,所述方法包括:
获取医学图像;所述医学图像携带有脊椎体图像;
根据所述脊椎体图像以及预设的骨质分割神经网络模型,确定骨质图像分割预测结果;所述预设的骨质分割神经网络模型基于携带有脊椎骨图像的多个医学图像样本经过卷积神经网络训练得到;
对所述骨质图像分割预测结果进行图像后处理,得到骨质图像分割结果;
所述预设的骨质分割神经网络模型包括注意力门模块,所述注意力门模块用于过滤所述骨质图像分割预测结果中的无效特征区域;根据所述脊椎体图像以及预设的骨质分割神经网络模型,得到骨质图像分割预测结果,包括:
根据所述脊椎体图像以及预设的骨质分割神经网络模型,确定椎骨图像分割预测结果以及皮质骨/松质骨图像分割初始预测结果;
根据所述注意力门模块以及所述椎骨图像分割预测结果,过滤所述皮质骨/松质骨图像分割初始预测结果中的无效特征区域,得到皮质骨/松质骨图像分割预测结果;所述皮质骨/松质骨图像分割预测结果是为所述骨质图像分割预测结果。
本申请实施例的另一目的在于一种医学图像分割装置,用于实施如上述目的所述的医学图像分割方法,所述装置包括:
图像获取模块,用于获取医学图像;所述医学图像携带有脊椎体图像;
预测模块,用于根据所述脊椎体图像以及预设的骨质分割神经网络模型,确定骨质图像分割预测结果;所述预设的骨质分割神经网络模型基于携带有脊椎骨图像的多个医学图像样本经过卷积神经网络训练得到;以及
图像后处理模块,用于对所述骨质图像分割预测结果进行图像后处理,以得到骨质图像分割结果。
本申请实施例的另一目的在于一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述目的所述的医学图像分割方法的步骤。
本申请实施例的另一目的在于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,所述计算机程序被处理器执行时,使得所述处理器执行上述目的所述的学图像分割方法的步骤。
本申请实施例提供的一种医学图像分割方法,通过预设的骨质分割神经网络模型对获取到的脊椎体图像进行分割预测,再经由图像后处理优化预测结果使之符合临床解剖常识,通过将分割过程自动化有效地提高了脊椎体图像区域分割的效率,同时卷积神经网络的应用提高了原始数据量,有效拉高了骨质分割方法的可拓展性。
附图说明
图1为本申请实施例提供的一种医学图像分割方法的流程图;
图2为本申请实施例提供的医学图像分割方法中步骤S202~S216的流程图;
图3为本申请实施例提供的医学图像分割方法中步骤S302~S312的流程图;
图4为本申请实施例提供的医学图像分割方法中步骤S402~S406的流程图;
图5为本申请实施例提供的医学图像分割方法中所述骨质预测神经网络模型的迭代计算流程图;
图6为本申请另一实施例提供的一种医学图像分割装置的结构示意图;
图7为本申请实施例中计算机设备的内部结构框图。
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,此处所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。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
本申请实施例提供的一种医学图像分割方法的应用环境中包括终端,所述终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。
如图1所示,在一个实施例中,提出了一种医学图像分割方法,本实施例主要以该方法应用于上述的终端。一种医学图像分割方法,具体可以包括以下步骤:
步骤S102,获取医学图像。
在本实施例中,所述医学图像携带有脊椎体图像,所述脊椎体图像一般优选为电子计算机断层扫描图像(CT图像),通过现有的CT设备获取。所述脊椎体图像是一组三维医学影像,在图像处理过程中通常以图像矩阵的形式存在,具体处理时只对矩阵中的数据进行变换。
步骤S104,根据所述脊椎体图像以及预设的骨质分割神经网络模型,确定骨质图像分割预测结果。
在本实施例中,所述预设的骨质分割神经网络模型是基于携带有脊椎骨图像的多个医学图像样本经过卷积神经网络训练得到的;所述医学图像样本是在对所述骨质分割神经网络模型进行训练之前预先准备的,一般是既有的脊椎体图像。所述骨质图像分割预测结果是经过所述骨质分割神经网络模型迭代计算得到的一个初步结果,有可能出现不符合临床解剖常识的情况出现,还需要对其进行进一步的数据处理。
步骤S106,对所述骨质图像分割预测结果进行图像后处理,得到骨质图像分割结果。
在本实施例中,所述图像后处理一般是基于图像的连通性将图像中的各区域划分进行优化,具体是对图像矩阵中的数据进行连通性调整,使处理后的图像符合临床解剖常识,则最终得到的结果即是为骨质图像分割结果。
在一个实施例中,步骤S104之前还包括:
步骤S103,根据所述脊椎体图像以及预设图像区域范围,对所述脊椎体图像裁切处理,以使所述脊椎体图像保留在所述预设图像区域范围内。
在本实施例中,有关于脊椎体图像的裁切,本申请优选如下的方法:
首先手动或自动调节脊椎体图像在计算机上的窗口位宽,并利用横断位与矢状位联合标注出目标椎体的中心点,并记录所述中心点的三维空间坐标;然后以所述中心点为中心,将所述脊椎体图像在所述图像的左右、前后、头足三个方向以一定的像素比例裁切为一个长方体区域。在本申请的具体实施过程中所述像素比例可优选为160×80×80(单位:mm),其中160mm所对应的裁切维度对应所述脊椎体图像的左右轴,首个80mm所对应的裁切维度对应所述脊椎体图像的前后轴,第二个80mm所对应的裁切维度对应所述脊椎体图像的头足轴。所述像素比例的具体数值仅是一个具体的实施实例,并非是本申请的限定内容。
在一个实施例中,如图2所示,所述预设的骨质分割神经网络模型的训练方法包括:
步骤S202,获取多个医学图像样本。
在本实施例中,可以在计算机内部直接调用存储好的图像样本文件,也可以通过现有的扫描设备、现有的CT设备向卷积神经网络导入医学图像样本。
步骤S204,获取各个所述医学图像样本的目标椎骨图像掩膜以及目标皮质骨/松质骨图像掩膜。
在本实施例中,图像掩膜为矩阵数组,主要用于提取图像中与对应掩膜数据相似的结构特征,目标椎骨图像掩膜即用于提取所述医学图像样本中的目标椎骨图像,优选为由0与1两个数值组成的二值矩阵,其中0代表非椎骨区域、1代表椎骨区域;目标皮质骨/松质骨图像掩膜即用于提取所述医学图像样本中的目标皮质骨/松质骨图像,优选为由0、1与2三个数值组成的三值矩阵,其中0代表非椎骨区域,1代表皮质骨区域,2代表松质骨区域。所述目标椎骨图像掩膜与所述目标皮质骨/松质骨图像掩膜的获取方式一般是人工手动标注,标注好的所述目标椎骨图像掩膜与所述目标皮质骨/松质骨图像掩膜即作为调整卷积神经网络可变参数的数据比照基础。
步骤S206,根据各个所述医学图像样本以及预设的含有可变参数的卷积神经网络模型,确定各个所述医学图像样本的响应椎骨图像掩膜与响应皮质骨/松质骨图像掩膜。
在本实施例中,将所述医学图像样本输入卷积神经网络进行迭代,在本申请中所述卷积神经网络优选为多任务Y形结构,该Y型结构由一个编码器与两个解码器组成,两个所述解码器分别对应响应椎骨图像掩膜的输出与响应皮质骨/松质骨图像掩膜的输出;为了使特征信息在网络中有效传递,减少局部特征丢失,本申请采用跳跃连接的方式将编码器的特征图传递给解码器。输出的响应椎骨图像掩膜以及响应皮质骨/松质骨图像掩膜即作为调整所述卷积神经网络的可变参数的数据比照基础。
步骤S208,计算各个所述医学图像样本的响应椎骨图像掩膜与所述目标椎骨图像掩膜之间的各个损失差异。
在本实施例中,将响应椎骨图像掩膜与目标椎骨图像掩膜进行比较计算,得到的损失差异是为调整卷积神经网络的可变参数的直接依据之一。具体的比较计算方式可以采用现有的各类计算方法。
步骤S210,计算各个所述医学图像样本的响应皮质骨/松质骨图像掩膜与所述目标皮质骨/松质骨图像掩膜之间的各个损失差异。
在本实施例中,将响应皮质骨/松质骨图像掩膜与目标皮质骨/松质骨图像掩膜进行比较计算,得到的损失差异是为调整卷积神经网络的可变参数的直接依据之一。具体的比较计算方式可以采用现有的各类计算方法。
步骤S212,根据所述响应椎骨图像掩膜与所述目标椎骨图像掩膜间的损失差异以及所述响应皮质骨/松质骨图像掩膜与所述目标皮质骨/松质骨图像掩膜间的损失差异,调整卷积神经网络的可变参数。
在本实施例中,遍历所有步骤S208以及步骤S210得到的所有损失差异并以每个所述损失差异为调整卷积神经网络的可变参数,目的在于所有所述损失差异向着更小的方向变化,次数越多所述可变参数也就越精准,所述卷积神经网络模型就越能够达到需求标准。
步骤S214,累计循环次数。
在本实施例中,优选地不设卷积神经网络可变参数的达标阈值而设置循环次数,步骤S212每运行1次循环次数便加1,所述循环次数是判断何时跳出循环完成学习训练过程的数据依据。
步骤S216,判断循环次数是否达到预设值:
若是,跳出循环,训练结束;
若否,返回所述根据各个所述医学图像样本以及预设的含有可变参数的卷积神经网络模型,确定各个所述医学图像样本的响应椎骨图像掩膜与响应皮质骨/松质骨图像掩膜的步骤。
在本实施例中,所述循环次数可优选为200,也可根据卷积神经网络自身的训练情况进行调节;若循环次数达到了预设值时跳出循环,最后一次循环调整好的可变参数即为所述骨质预测神经网络模型的应用参数;若循环次数没有达到预设值则返回步骤S206继续进行迭代训练;上述优选实施方式仅作为实施实例,并不是本申请的限定内容。
在一个实施例中,如图3所示步骤S204还包括如下步骤:
步骤S302,获取所述目标椎骨图像掩膜的反矩阵。
在本实施例中,所述目标皮质骨/松质骨图像掩膜若采用人工标注的方法耗时较长,会对所述骨质预测神经网络模型的训练效率产生负面影响,故本实施例还提供一种在人工标注出所述目标椎骨图像掩膜后根据所述目标椎骨图像掩膜生成所述目标皮质骨/松质骨图像掩膜的方法,步骤S302为该方法的步骤之一。在本实施例中,设所述目标椎骨图像掩膜为矩阵M,设所述目标椎骨图像掩膜的反矩阵为M’,则所述两矩阵间存在如下关系:
M’=1-M,
其中1为与M、M’的行数、列数均相同且所有元素均为1的矩阵。
步骤S304,对所述反矩阵进行距离变换,得到距离矩阵。
在本实施例中,体素本身并不含有空间中位置的数据,但可以从它们相对于其它体素的位置来推敲,意即它们在构成单一张体积影像的数据结构中的位置。优选地,在CT图像中,体素的数值是亨氏单位,表示身体对于X射线的不透光性。步骤S304对反矩阵M’进行距离变换,具体地是计算所述反矩阵M’中的各个体素点位到与其距离最近的非零体素的距离,并将所有的所述距离按照反矩阵M’的元素排列顺序组成距离矩阵。
步骤S306,获取所述医学图像样本的亨氏单位值矩阵。
在本实施例中,亨氏单位表示身体对于X射线的不透光性,是用于表示CT图像上组织结构之相对密度的一种物理量,一般认为水的亨氏单位值为0。在本实施例中可直接通过现有的CT设备获取所述医学图像样本上所有体素的亨氏单位值共同构成的亨氏单位值矩阵。
步骤S308,根据所述距离矩阵、所述亨氏单位值矩阵,确定加权矩阵。
在本实施例中,设所述距离矩阵为T,设所述亨氏单位值矩阵为H,设所述加权矩阵为P,所述三个矩阵间存在如下加权关系:
其中e为自然常数,σ为用于控制亨氏单位值矩阵H权重比例的参数。
步骤S310,根据预设的分割阈值,对所述加权矩阵分割处理,得到皮质骨区域图像掩膜。
在本实施例中,由于皮质骨区域的亨氏单位值较大且分布在椎骨外侧,本申请提出的加权方法可利用H和T的相对大小快速定位到皮质骨区域,定位到的皮质骨区域具体则由加权矩阵P表示出来。在对步骤S308对应实施例中的σ值进行调整得到适当的加权矩阵P后,以预设的分割阈值与加权矩阵P中的数值元素进行再分割,将矩阵中皮质骨区域单独分割出来,得到皮质骨区域图像掩膜。所述预设的分割阈值为现有技术,本申请不做限定。
步骤S312,根据所述目标椎骨图像掩膜以及所述皮质骨区域图像掩膜,确定松质骨区域图像掩膜。
在本实施例中,在得到皮质骨区域图像掩膜后,从目标椎骨图像掩膜中去除皮质骨区域的图像掩膜对应的元素,则矩阵中剩余的元素即组成松质骨区域图像掩膜;皮质骨区域图像掩膜与松质骨区域图像掩膜则共同构成了目标皮质骨/松质骨图像掩膜。
在本实施例中,步骤S302~步骤S312所述的方法中,各步骤可以由计算机全自动完成,也可以人工完成一部分、计算机完成一部分而表现为半自动完成的形态,具体可以根据实际情况进行调整,本申请对此不做限定。
在一个实施例中,步骤S208包括:
步骤S208A,根据预设的损失函数、所述响应椎骨图像掩膜以及所述目标椎骨图像掩膜,确定所述响应椎骨图像掩膜相对于所述目标椎骨图像掩膜的第一损失值。
在本实施例中,所述预设的损失函数可以采用数学领域的多种现有损失函数,在本实施例中所述预设的损失函数优选为交叉熵损失函数与Dice损失函数以1:1的权重比加权得到的加权函数,将所述响应椎骨图像掩膜以及所述目标椎骨图像掩膜输入所述预设的损失函数进行计算,得到的计算结果值是为第一损失值;所述第一损失值即为所述响应椎骨图像掩膜与所述目标椎骨图像掩膜间的损失差异,并作为后续调整卷积神经网络的可变参数的数据基础。
在一个实施例中,步骤S210包括:
步骤S210A,根据预设的损失函数、所述响应皮质骨/松质骨图像掩膜以及所述目标皮质骨/松质骨图像掩膜,确定所述响应皮质骨/松质骨图像掩膜相对于所述目标皮质骨/松质骨图像掩膜的第二损失值。
在本实施例中,所述预设的损失函数可以采用数学领域的多种现有损失函数,在本实施例中所述预设的损失函数优选为交叉熵损失函数与Dice损失函数以1:1的权重比加权得到的加权函数,将所述响应皮质骨/松质骨图像掩膜以及所述目标皮质骨/松质骨图像掩膜输入所述预设的损失函数进行计算,得到的计算结果值是为第二损失值;所述第二损失值即为所述响应皮质骨/松质骨图像掩膜与所述目标皮质骨/松质骨图像掩膜间的损失差异,并作为后续调整卷积神经网络的可变参数的数据基础。
在一个实施例中,如图4所示,步骤S212具体包括:
步骤S402,将所述第一损失值与所述第二损失值以预设权重比进行加权计算,得到目标损失值。
在本实施例中,所述第一损失值与所述第二损失值按照一定权重比整合为一个目标损失值,优选地将第一损失值与第二损失值按照1:1的权重比直接相加,如此即保证椎骨图像掩膜与皮质骨/松质骨图像掩膜在所述卷积神经网络的参数调整过程中之重要性相当。
步骤S404,根据所述目标损失值,确定所述目标损失值相对于所述卷积神经网络之可变参数的梯度值。
在本实施例中,所述梯度值是调整卷积神经网络可变参数的直接依据,根据所述目标损失值计算其相对于所述卷积神经网络之可变参数的梯度值的方法为现有技术,本申请不做具体限定。
步骤S406,根据所述梯度值,调整卷积神经网络的参数,并返回所述根据各个所述医学图像样本以及预设的含有可变参数的卷积神经网络模型,确定各个所述医学图像样本的响应椎骨图像掩膜与响应皮质骨/松质骨图像掩膜的步骤。
在本实施例中,由于所述医学图像样本有多个,因此根据每一个不同的所述医学图像样本都能够得到一个不同的目标损失值,从而也能够得到一个不同的梯度值,即每一次迭代循环中所述医学图像样本与所述梯度值是唯一对应的。故在步骤S406中,需要遍历所有的所述梯度值,每有一个所述梯度值,卷积神经网络的可变参数就要调整一次,当所述梯度值遍历完毕即完成了一次迭代循环。
在一个实施例中,步骤S104还包括:
步骤S502,根据所述脊椎体图像以及预设的骨质分割神经网络模型,确定椎骨图像分割预测结果以及皮质骨/松质骨图像分割初始预测结果。
在本实施例中,本申请优选的卷积神经网络模型是采用多任务Y型结构的,因此迭代输出的图像分割预测结果是分为椎骨图像与皮质骨/松质骨图像两部分的,同时由于皮质骨/松质骨图像的精密性要求,模型迭代输出的皮质骨/松质骨图像分割预测结果只是一个初始形态,还需要在该初始形态的预测结果的基础上进行进一步优化才能得到精密度符合要求的分割结果。
步骤S504,根据所述注意力门模块以及所述椎骨图像分割预测结果,过滤所述皮质骨/松质骨图像分割初始预测结果中的无效特征区域,得到皮质骨/松质骨图像分割预测结果。
在本实施例中,如图5所示,本申请优选的卷积神经网络模型还设置有注意力门模块,所述注意力门模块主要用于过滤所述骨质图像分割预测结果中的无效特征区域,具体表现为以所述椎骨图像分割预测结果为基础,对所述皮质骨/松质骨图像分割初始预测结果中的无效特征区域进行识别与过滤,提高所述皮质骨/松质骨图像分割初始预测结果的精准度,这样的设置在迭代过程中可以提高迭代效率,同时提高预测结果的精准度。在对所述皮质骨/松质骨图像分割初始预测结果进行过滤后即得到皮质骨/松质骨图像分割预测结果,至此得到所述皮质骨/松质骨图像分割预测结果是为所述骨质图像分割预测结果。
在一个实施例中,步骤S106包括:
步骤S602,对所述骨质图像分割预测结果进行形态学开运算,得到中间预测结果。
在本实施例中,形态学运算包括开运算与闭运算,具体的计算步骤分膨胀与腐蚀两种,而开运算是指先腐蚀后膨胀,即先将图像中的高亮区域进行缩减(具体表现为相邻区域用极小值代替,高亮区域减少),在将腐蚀后的图像中的高亮部分进行扩增(具体表现为相邻区域用极大值代替,高亮区域增加)。在形态学开运算后,图像中孤立的小点、毛刺、小桥现象会被去除,而整个图像的位置与形状不变,从而实现图像的降噪。将骨质图像分割预测结果经过形态学开运算后得到了降噪的中间预测结果,但所述中间预测结果依然可能存在不符合临床解剖常识的情况,还需要进一步进行图像处理。
步骤S604,对所述中间预测结果进行连通域过滤,得到所述骨质图像分割结果。
在本实施例中,基于连通域原理对图像进行过滤,能够有效去除图像中存在的不符合临床解剖常识的“孤岛”图像,具体采用的连通域过滤手段可以在现有技术中选择,本申请不做具体限定。
在一个实施例中,如图6所示,本申请还提供一种医学图像分割装置,用于实施如上述实施例中所述的医学图像分割方法,所述装置具体包括:
图像获取模块610,用于获取医学图像;所述医学图像携带有脊椎体图像;
预测模块620,用于根据所述脊椎体图像以及预设的骨质分割神经网络模型,确定骨质图像分割预测结果;所述预设的骨质分割神经网络模型基于携带有脊椎骨图像的多个医学图像样本经过卷积神经网络训练得到;以及
图像后处理模块630,用于对所述骨质图像分割预测结果进行图像后处理,以得到骨质图像分割结果。
在本实施例中,所述装置可以由上述实施例中所述的终端、现有的医学图像采集处理系统(包括但不限于CT设备系统、核磁共振MRI设备系统等)中的一个或多个组成。本申请中所述图像获取模块优选为电子计算机断层扫描设备(CT设备);所述预测模块包括所述卷积神经网络模型。
图7示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是上述实施例中所述的终端。如图7所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现所述医学图像分割方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行医学图像分割方法。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,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7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,本申请提供的医学图像分割装置也可以实现为一种计算机程序的形式,计算机程序可在如图7所示的计算机设备上运行。计算机设备的存储器中可存储组成该医学图像分割装置的各个程序模块,各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例所述的医学图像分割方法中的步骤。
在一个实施例中,提出了一种计算机设备,所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取医学图像;所述医学图像携带有脊椎体图像;
根据所述脊椎体图像以及预设的骨质分割神经网络模型,确定骨质图像分割预测结果;所述预设的骨质分割神经网络模型基于携带有脊椎骨图像的多个医学图像样本经过卷积神经网络训练得到;
对所述骨质图像分割预测结果进行图像后处理,得到骨质图像分割结果。
在一个实施例中,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,计算机程序被处理器执行时,使得处理器执行以下步骤:
获取医学图像;所述医学图像携带有脊椎体图像;
根据所述脊椎体图像以及预设的骨质分割神经网络模型,确定骨质图像分割预测结果;所述预设的骨质分割神经网络模型基于携带有脊椎骨图像的多个医学图像样本经过卷积神经网络训练得到;
对所述骨质图像分割预测结果进行图像后处理,得到骨质图像分割结果。
应该理解的是,虽然本申请各实施例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,各实施例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,这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
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,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,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。
以上所述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,本申请专利的保护范围应以所附权利要求为准。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种医学图像分割方法,其特征在于,所述方法包括:
获取医学图像;所述医学图像携带有脊椎体图像;
根据所述脊椎体图像以及预设的骨质分割神经网络模型,确定骨质图像分割预测结果;所述预设的骨质分割神经网络模型基于携带有脊椎骨图像的多个医学图像样本经过卷积神经网络训练得到;
对所述骨质图像分割预测结果进行图像后处理,得到骨质图像分割结果;
所述预设的骨质分割神经网络模型包括注意力门模块,所述注意力门模块用于过滤所述骨质图像分割预测结果中的无效特征区域;根据所述脊椎体图像以及预设的骨质分割神经网络模型,得到骨质图像分割预测结果,包括:
根据所述脊椎体图像以及预设的骨质分割神经网络模型,确定椎骨图像分割预测结果以及皮质骨/松质骨图像分割初始预测结果;
根据所述注意力门模块以及所述椎骨图像分割预测结果,过滤所述皮质骨/松质骨图像分割初始预测结果中的无效特征区域,得到皮质骨/松质骨图像分割预测结果;所述皮质骨/松质骨图像分割预测结果是为所述骨质图像分割预测结果。
2.根据权利要求1所述的医学图像分割方法,其特征在于,所述根据所述脊椎体图像以及预设的骨质分割神经网络模型,得到骨质图像分割预测结果,之前还包括:
根据所述脊椎体图像以及预设图像区域范围,对所述脊椎体图像裁切处理,以使所述脊椎体图像保留在所述预设图像区域范围内。
3.根据权利要求1所述的医学图像分割方法,其特征在于,所述预设的骨质分割神经网络模型基于携带有脊椎骨图像的多个医学图像样本经过卷积神经网络训练得到,包括:
获取多个医学图像样本;
获取各个所述医学图像样本的目标椎骨图像掩膜以及目标皮质骨/松质骨图像掩膜;
根据各个所述医学图像样本以及预设的含有可变参数的卷积神经网络模型,确定各个所述医学图像样本的响应椎骨图像掩膜与响应皮质骨/松质骨图像掩膜;
计算各个所述医学图像样本的响应椎骨图像掩膜与所述目标椎骨图像掩膜之间的各个损失差异;
计算各个所述医学图像样本的响应皮质骨/松质骨图像掩膜与所述目标皮质骨/松质骨图像掩膜之间的各个损失差异;
根据所述响应椎骨图像掩膜与所述目标椎骨图像掩膜间的损失差异以及所述响应皮质骨/松质骨图像掩膜与所述目标皮质骨/松质骨图像掩膜间的损失差异,调整卷积神经网络的可变参数,并返回所述根据各个所述医学图像样本以及预设的含有可变参数的卷积神经网络模型,确定各个所述医学图像样本的响应椎骨图像掩膜与响应皮质骨/松质骨图像掩膜的步骤;当返回次数到达预设次数时跳出循环,得到已训练好的骨质分割神经网络模型。
4.根据权利要求3所述的医学图像分割方法,其特征在于,所述获取各个所述医学图像样本的目标椎骨图像掩膜以及目标皮质骨/松质骨图像掩膜,包括:
获取所述目标椎骨图像掩膜的反矩阵;
对所述反矩阵进行距离变换,得到距离矩阵;
获取所述医学图像样本的亨氏单位值矩阵;
根据所述距离矩阵、所述亨氏单位值矩阵,确定加权矩阵;
根据预设的分割阈值,对所述加权矩阵分隔处理,得到皮质骨区域图像掩膜;
根据所述目标椎骨图像掩膜以及所述皮质骨区域图像掩膜,确定松质骨区域图像掩膜;
所述皮质骨区域图像掩膜与所述松质骨区域图像掩膜共同组成所述目标皮质骨/松质骨图像掩膜。
5.根据权利要求3所述的医学图像分割方法,其特征在于,所述计算各个所述医学图像样本的响应椎骨图像掩膜与所述目标椎骨图像掩膜之间的各个损失差异,包括:
根据预设的损失函数、所述响应椎骨图像掩膜以及所述目标椎骨图像掩膜,确定所述响应椎骨图像掩膜相对于所述目标椎骨图像掩膜的第一损失值;所述第一损失值是为所述响应椎骨图像掩膜与所述目标椎骨图像掩膜间的损失差异;
所述计算各个所述医学图像样本的响应皮质骨/松质骨图像掩膜与所述目标皮质骨/松质骨图像掩膜之间的各个损失差异,包括:
根据预设的损失函数、所述响应皮质骨/松质骨图像掩膜以及所述目标皮质骨/松质骨图像掩膜,确定所述响应皮质骨/松质骨图像掩膜相对于所述目标皮质骨/松质骨图像掩膜的第二损失值;所述第二损失值是为所述响应皮质骨/松质骨图像掩膜与所述目标皮质骨/松质骨图像掩膜间的损失差异;
所述根据所述响应椎骨图像掩膜与所述目标椎骨图像掩膜间的损失差异以及所述响应皮质骨/松质骨图像掩膜与所述目标皮质骨/松质骨图像掩膜间的损失差异,调整卷积神经网络的可变参数,并返回所述根据各个所述医学图像样本以及预设的含有可变参数的卷积神经网络模型,确定各个所述医学图像样本的响应椎骨图像掩膜与响应皮质骨/松质骨图像掩膜的步骤,包括:
将所述第一损失值与所述第二损失值以预设权重比进行加权计算,得到目标损失值;
根据所述目标损失值,确定所述目标损失值相对于所述卷积神经网络之可变参数的梯度值;
根据所述梯度值,调整卷积神经网络的可变参数,并返回所述根据各个所述医学图像样本以及预设的含有可变参数的卷积神经网络模型,确定各个所述医学图像样本的响应椎骨图像掩膜与响应皮质骨/松质骨图像掩膜的步骤。
6.根据权利要求1所述的医学图像分割方法,其特征在于,所述对所述骨质图像分割预测结果进行图像后处理,得到骨质图像分割结果,包括:
对所述骨质图像分割预测结果进行形态学开运算,得到中间预测结果;
对所述中间预测结果进行连通域过滤,得到所述骨质图像分割结果。
7.一种医学图像分割装置,其特征在于,包括:
图像获取模块,用于获取医学图像;所述医学图像携带有脊椎体图像;
预测模块,用于根据所述脊椎体图像以及预设的骨质分割神经网络模型,确定骨质图像分割预测结果;所述预设的骨质分割神经网络模型基于携带有脊椎骨图像的多个医学图像样本经过卷积神经网络训练得到;以及
图像后处理模块,用于对所述骨质图像分割预测结果进行图像后处理,以得到骨质图像分割结果。
8.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1至6中任一项权利要求所述的医学图像分割方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机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,使得所述处理器执行权利要求1至6中任一项权利要求所述的学图像分割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210567191.4A CN114723763B (zh) | 2022-05-24 | 2022-05-24 | 一种医学图像分割方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210567191.4A CN114723763B (zh) | 2022-05-24 | 2022-05-24 | 一种医学图像分割方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114723763A true CN114723763A (zh) | 2022-07-08 |
CN114723763B CN114723763B (zh) | 2022-09-02 |
Family
ID=82231823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210567191.4A Active CN114723763B (zh) | 2022-05-24 | 2022-05-24 | 一种医学图像分割方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723763B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205293A (zh) * | 2022-09-15 | 2022-10-18 | 博志生物科技(深圳)有限公司 | 骨水泥流动预测方法、装置、设备及存储介质 |
CN115330753A (zh) * | 2022-10-10 | 2022-11-11 | 博志生物科技(深圳)有限公司 | 椎骨识别方法、装置、设备及存储介质 |
CN115359257A (zh) * | 2022-08-25 | 2022-11-18 | 华科精准(北京)医疗科技有限公司 | 基于深度学习的脊椎图像分割方法及手术导航定位系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109671073A (zh) * | 2018-12-19 | 2019-04-23 | 深圳大学 | 胎儿股骨测量方法、装置、计算机设备及可读存储介质 |
CN110796636A (zh) * | 2019-09-25 | 2020-02-14 | 中国人民解放军战略支援部队信息工程大学 | 基于卷积神经网络的ct图像骨质状况检测方法及装置 |
US20200151507A1 (en) * | 2018-11-08 | 2020-05-14 | Holo Surgical Inc. | Autonomous segmentation of three-dimensional nervous system structures from medical images |
CN111311548A (zh) * | 2020-01-20 | 2020-06-19 | 清华四川能源互联网研究院 | 一种骨料检测模型的形成方法和消力池底板骨料检测的方法 |
CN113222951A (zh) * | 2021-05-20 | 2021-08-06 | 吉林大学 | 一种识别髋关节x线的骨质疏松人工智能诊断装置 |
-
2022
- 2022-05-24 CN CN202210567191.4A patent/CN114723763B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200151507A1 (en) * | 2018-11-08 | 2020-05-14 | Holo Surgical Inc. | Autonomous segmentation of three-dimensional nervous system structures from medical images |
CN109671073A (zh) * | 2018-12-19 | 2019-04-23 | 深圳大学 | 胎儿股骨测量方法、装置、计算机设备及可读存储介质 |
CN110796636A (zh) * | 2019-09-25 | 2020-02-14 | 中国人民解放军战略支援部队信息工程大学 | 基于卷积神经网络的ct图像骨质状况检测方法及装置 |
CN111311548A (zh) * | 2020-01-20 | 2020-06-19 | 清华四川能源互联网研究院 | 一种骨料检测模型的形成方法和消力池底板骨料检测的方法 |
CN113222951A (zh) * | 2021-05-20 | 2021-08-06 | 吉林大学 | 一种识别髋关节x线的骨质疏松人工智能诊断装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115359257A (zh) * | 2022-08-25 | 2022-11-18 | 华科精准(北京)医疗科技有限公司 | 基于深度学习的脊椎图像分割方法及手术导航定位系统 |
CN115205293A (zh) * | 2022-09-15 | 2022-10-18 | 博志生物科技(深圳)有限公司 | 骨水泥流动预测方法、装置、设备及存储介质 |
CN115330753A (zh) * | 2022-10-10 | 2022-11-11 | 博志生物科技(深圳)有限公司 | 椎骨识别方法、装置、设备及存储介质 |
CN115330753B (zh) * | 2022-10-10 | 2022-12-20 | 博志生物科技(深圳)有限公司 | 椎骨识别方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114723763B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114723763B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN109872333B (zh) | 医学影像分割方法、装置、计算机设备和存储介质 | |
CN110321920B (zh) | 图像分类方法、装置、计算机可读存储介质和计算机设备 | |
CN110689038B (zh) | 神经网络模型的训练方法、装置和医学图像处理系统 | |
CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
CN111640120B (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
CN111161279B (zh) | 医学图像分割方法、装置及服务器 | |
CN113313234A (zh) | 用于图像分割的神经网络系统和方法 | |
Sekuboyina et al. | Attention-driven deep learning for pathological spine segmentation | |
EP3457356B1 (en) | Method and apparatus for fully automated segmentation of joint using patient-specific optimal thresholding and watershed algorithm | |
CN111260055A (zh) | 基于三维图像识别的模型训练方法、存储介质和设备 | |
CN109978037A (zh) | 图像处理方法、模型训练方法、装置、和存储介质 | |
JP2023550844A (ja) | 深層形状学習に基づく肝臓ct自動分割方法 | |
CN110717905B (zh) | 脑部图像检测方法、计算机设备和存储介质 | |
CN110210543B (zh) | 图像分类系统、方法、设备和存储介质 | |
CN110859624A (zh) | 一种基于结构磁共振影像的大脑年龄深度学习预测系统 | |
CN111968130B (zh) | 脑部造影图像处理方法、装置、介质及电子设备 | |
CN111179366A (zh) | 基于解剖结构差异先验的低剂量图像重建方法和系统 | |
CN110992370B (zh) | 一种胰腺组织的分割方法、装置及终端设备 | |
CN110866909A (zh) | 图像生成网络的训练方法、图像预测方法和计算机设备 | |
Sokooti et al. | Hierarchical prediction of registration misalignment using a convolutional LSTM: Application to chest CT scans | |
CN110751187A (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
CN110992439B (zh) | 纤维束追踪方法、计算机设备和存储介质 | |
Ji et al. | Continual segment: Towards a single, unified and non-forgetting continual segmentation model of 143 whole-body organs in ct scans | |
CN112489048B (zh) | 一种基于深度网络的视神经自动分割方法 |
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 |