CN114913145A - 一种图像分割方法、装置、电子设备和存储介质 - Google Patents

一种图像分割方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114913145A
CN114913145A CN202210503018.8A CN202210503018A CN114913145A CN 114913145 A CN114913145 A CN 114913145A CN 202210503018 A CN202210503018 A CN 202210503018A CN 114913145 A CN114913145 A CN 114913145A
Authority
CN
China
Prior art keywords
lung
segmentation
label
model
sample image
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
Application number
CN202210503018.8A
Other languages
English (en)
Other versions
CN114913145B (zh
Inventor
叶之菀
刘盼
朱志敏
吴振洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Ande Yizhi Technology Co ltd
Original Assignee
Beijing Ande Yizhi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Ande Yizhi Technology Co ltd filed Critical Beijing Ande Yizhi Technology Co ltd
Priority to CN202210503018.8A priority Critical patent/CN114913145B/zh
Publication of CN114913145A publication Critical patent/CN114913145A/zh
Application granted granted Critical
Publication of CN114913145B publication Critical patent/CN114913145B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30061—Lung
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (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)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本公开涉及一种图像分割方法、装置、电子设备和存储介质。通过将肺部CT待分割图像输入至训练好的肺分割模型中，得到肺分割结果，再将肺部CT待分割图像和肺分割结果输入至训练好的第一分割模型中，可以得到肺叶分割结果和/或肺段分割结果。本公开所述方法可以不依赖于肺部血管和支气管的划分，将肺部CT待分割图像和肺分割结果作为训练好的第一分割模型的输入，即可实现端到端的肺叶和/或肺段分割，有效提高了肺叶和/或肺段分割的速度及准确性。

Description

一种图像分割方法、装置、电子设备和存储介质
技术领域
本公开涉及图像处理领域，尤其涉及一种图像分割方法、装置、电子设备和存储介质。
背景技术
肺癌是发病率和死亡率增长最快、对人群健康和生命威胁最大的恶性肿瘤之一。由于肺癌在电子计算机断层扫描(Computed Tomography,CT)影像上具有较为明显的表现形式，因此CT检查在肺癌的诊断中发挥着重要的作用。以肺段切除术和肺叶切除术为主的外科手术治疗是肺癌首选和最主要的治疗方法。且有多项对于肺段切除与肺叶切除病人术后恢复情况的研究均表明，进行肺段切除的病人术后的肺功能恢复情况优于进行肺叶切除的病人。因此，基于CT图像的对肺叶及肺段解剖结构的划分，在病灶定位及手术规划等医疗场景中具有重要的意义。
肺叶和肺段的解剖结构的划分基于血管和支气管走行，因此，在基于CT图像划分肺叶和肺段前，还需要标注肺中的血管和支气管。肺部通常具有体积大、血管和支气管数量众多的特点，导致肺叶和肺段划分的工作量大，且对于医生经验的要求非常高。现有的肺叶肺段分割技术大多依赖于血管和支气管分割，使得实现肺叶肺段分割的步骤繁琐、工作量大且容易出错。
发明内容
有鉴于此，本公开提出了一种图像分割方法、装置、电子设备和存储介质，可以不依赖于肺部血管和支气管的划分标注，实现肺叶肺段区域的准确快速分割。
根据本公开的一方面，提供了一种图像分割方法，包括：
获取肺部CT待分割图像；
将所述肺部CT待分割图像输入至训练好的肺分割模型中，得到肺分割结果；
将所述肺部CT待分割图像和所述肺分割结果输入至训练好的第一分割模型中，得到第一分割结果；其中，所述第一分割模型包括：肺分叶模型和/或肺分段模型。
在一种可能的实现方式中，所述第一分割模型包括肺分叶模型和肺分段模型；所述第一分割结果包括肺叶分割结果和肺段分割结果；
所述将所述肺部CT待分割图像和所述肺分割结果输入至训练好的第一分割模型中，得到第一分割结果，包括：
将所述肺部CT待分割图像和所述肺分割结果输入至训练好的肺分叶模型中，得到所述肺叶分割结果；
将所述肺部CT待分割图像、所述肺分割结果或所述肺叶分割结果中的一项或多项，输入至训练好的肺分段模型中，得到所述肺段分割结果。
在一种可能的实现方式中，所述方法还包括：
获取第一肺部CT样本图像及所述第一肺部CT样本图像对应的第一标签；所述第一标签包括：肺分割标签、肺叶标签或肺段标签中的一项或多项；所述肺分割标签、所述肺叶标签及所述肺段标签均由人工标注得到；
获取第二肺部CT样本图像及所述第二肺部CT样本图像对应的第二标签；所述第二标签包括：所述肺分割标签；
根据所述第一肺部CT样本图像及所述第一标签，生成所述第二肺部CT样本图像对应的肺叶伪标签和/或肺段伪标签；
根据所述第一肺部CT样本图像、所述第一标签、所述第二肺部CT样本图像、所述第二标签、所述肺叶伪标签或所述肺段伪标签中的一项或多项，对预设模型进行训练，得到所述第一分割模型；所述预设模型包括肺分叶预设模型和/或肺分段预设模型。
在一种可能的实现方式中，所述第一标签包括肺分割标签、肺叶标签及肺段标签；
所述根据所述第一肺部CT样本图像及所述第一标签，生成所述第二肺部CT样本图像中对应的肺叶伪标签和/或肺段伪标签，包括：
将所述第一肺部CT样本图像对应的肺分割标签和所述第二肺部CT样本图像对应的肺分割标签进行配准，得到所述第一肺部CT样本图像与所述第二肺部CT样本图像之间的映射关系；
根据所述映射关系，对所述第一肺部CT样本图像对应的肺叶标签进行处理，生成所述第二肺部CT样本图像对应的肺叶伪标签；
根据所述映射关系，对所述第一肺部CT样本图像对应的肺段标签进行处理，生成所述第二肺部CT样本图像对应的肺段伪标签。
在一种可能的实现方式中，所述第一分割模型包括肺分叶模型，所述预设模型包括肺分叶预设模型；所述第一标签包括肺分割标签及肺叶标签；
所述根据所述第一肺部CT样本图像、所述第一标签、所述第二肺部CT样本图像、所述第二标签、所述肺叶伪标签或肺段伪标签中的一项或多项，对预设模型进行训练，得到所述第一分割模型，包括：
根据所述第二肺部CT样本图像、所述第二肺部CT样本图像对应的肺分割标签及所述肺叶伪标签，对所述肺分叶预设模型进行训练，得到肺分叶预训练模型；
根据所述第一肺部CT样本图像、所述第一肺部CT样本图像对应的肺分割标签及所述肺叶标签对所述肺分叶预训练模型进行训练，得到肺分叶过渡模型；
根据所述第一肺部CT样本图像、所述肺叶标签及肺分割预测结果，对所述肺分叶过渡模型进行训练，得到所述肺分叶模型；其中，所述肺分割预测结果由所述肺分割模型对所述第一肺部CT样本图像进行预测得到。
在一种可能的实现方式中，所述第一分割模型包括肺分段模型，所述预设模型包括肺分段预设模型；所述第一标签包括肺段标签；
所述根据所述第一肺部CT样本图像、所述第一标签、所述第二肺部CT样本图像、所述第二标签、所述肺叶伪标签或肺段伪标签中的一项或多项，对预设模型进行训练，得到所述第一分割模型，包括：
根据所述第二肺部CT样本图像、所述第二肺部CT样本图像对应的肺分割标签、所述肺叶伪标签、所述肺段伪标签中的一项或多项，对所述肺分段预设模型进行训练，得到肺分段预训练模型；
根据所述第一肺部CT样本图像、所述第一肺部CT样本图像对应的肺分割标签、所述肺叶标签、所述肺段标签中的一项或多项，对所述肺分段预训练模型进行训练，得到肺分段过渡模型；
根据所述第一肺部CT样本图像、肺分叶预测结果、肺分割预测结果、所述肺段标签中的一项或多项，对所述肺分段过渡模型进行训练，得到所述肺分段模型；其中，所述肺分叶预测结果由所述肺分叶模型对所述第一肺部CT样本图像进行预测得到。
在一种可能的实现方式中，所述第一分割模型包括：挤压激励层SE layer和稠密网络DenseNet结构。
根据本公开的另一方面，提供了一种图像分割装置，包括：
获取模块，用于获取肺部电子计算机断层扫描CT待分割图像；
肺分割模块，用于将所述肺部CT待分割图像输入至训练好的肺分割模型中，得到肺分割结果；
第一分割模块，用于将所述肺部CT待分割图像和所述肺分割结果输入至训练好的第一分割模型中，得到第一分割结果；其中，所述第一分割模型包括：肺分叶模型和/或肺分段模型。
在一种可能的实现方式中，所述第一分割模型包括肺分叶模型和肺分段模型；所述第一分割结果包括肺叶分割结果和肺段分割结果；
所述第一分割模块，还用于：
将所述肺部CT待分割图像和所述肺分割结果输入至训练好的肺分叶模型中，得到所述肺叶分割结果；
将所述肺部CT待分割图像、所述肺分割结果或所述肺叶分割结果中的一项或多项，输入至训练好的肺分段模型中，得到所述肺段分割结果。
在一种可能的实现方式中，所述装置还包括：
第一样本获取模块，用于获取第一肺部CT样本图像及所述第一肺部CT样本图像对应的第一标签；所述第一标签包括：肺分割标签、肺叶标签或肺段标签中的一项或多项；所述肺分割标签、所述肺叶标签及所述肺段标签均由人工标注得到；
第二样本获取模块，用于获取第二肺部CT样本图像及所述第二肺部CT样本图像对应的第二标签；所述第二标签包括：所述肺分割标签；
伪标签生成模块，用于根据所述第一肺部CT样本图像及所述第一标签，生成所述第二肺部CT样本图像对应的肺叶伪标签和/或肺段伪标签；
训练模块，用于根据所述第一肺部CT样本图像、所述第一标签、所述第二肺部CT样本图像、所述第二标签、所述肺叶伪标签或所述肺段伪标签中的一项或多项，对预设模型进行训练，得到所述第一分割模型；所述预设模型包括肺分叶预设模型和/或肺分段预设模型。
在一种可能的实现方式中，所述第一标签包括肺分割标签、肺叶标签及肺段标签；
所述伪标签生成模块，还用于：
将所述第一肺部CT样本图像对应的肺分割标签和所述第二肺部CT样本图像对应的肺分割标签进行配准，得到所述第一肺部CT样本图像与所述第二肺部CT样本图像之间的映射关系；
根据所述映射关系，对所述第一肺部CT样本图像对应的肺叶标签进行处理，生成所述第二肺部CT样本图像对应的肺叶伪标签；
根据所述映射关系，对所述第一肺部CT样本图像对应的肺段标签进行处理，生成所述第二肺部CT样本图像对应的肺段伪标签。
在一种可能的实现方式中，所述第一分割模型包括肺分叶模型，所述预设模型包括肺分叶预设模型；所述第一标签包括肺叶标签；
所述训练模块，还用于：
根据所述第二肺部CT样本图像、所述第二肺部CT样本图像对应的肺分割标签及所述肺叶伪标签，对所述肺分叶预设模型进行训练，得到肺分叶预训练模型；
根据所述第一肺部CT样本图像、所述第一肺部CT样本图像对应的肺分割标签及所述肺叶标签对所述肺分叶预训练模型进行训练，得到肺分叶过渡模型；
根据所述第一肺部CT样本图像、所述肺叶标签及肺分割预测结果，对所述肺分叶过渡模型进行训练，得到所述肺分叶模型；其中，所述肺分割预测结果由所述肺分割模型对所述第一肺部CT样本图像进行预测得到。
在一种可能的实现方式中，所述第一分割模型包括肺分段模型，所述预设模型包括肺分段预设模型；所述第一标签包括肺段标签；
所述训练模块，还用于：
根据所述第二肺部CT样本图像、所述第二肺部CT样本图像对应的肺分割标签、所述肺叶伪标签、所述肺段伪标签中的一项或多项，对所述肺分段预设模型进行训练，得到肺分段预训练模型；
根据所述第一肺部CT样本图像、所述第一肺部CT样本图像对应的肺分割标签、所述肺叶标签、所述肺段标签中的一项或多项，对所述肺分段预训练模型进行训练，得到肺分段过渡模型；
根据所述第一肺部CT样本图像、肺分叶预测结果、肺分割预测结果、所述肺段标签中的一项或多项，对所述肺分段过渡模型进行训练，得到所述肺分段模型；其中，所述肺分叶预测结果由所述肺分叶模型对所述第一肺部CT样本图像进行预测得到。
在一种可能的实现方式中，所述第一分割模型包括：挤压激励层SE layer和稠密网络DenseNet结构。
根据本公开的另一方面，提供了一种电子装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述方法。
根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
本公开实施例通过将肺部CT待分割图像输入至训练好的肺分割模型中，得到肺分割结果，再将肺部CT待分割图像和肺分割结果输入至训练好的第一分割模型中，可以得到肺叶分割结果和/或肺段分割结果，从而可以不依赖于肺部血管和支气管的划分，将肺部CT待分割图像和肺分割结果作为训练好的第一分割模型的输入，即可实现端到端的肺叶和/或肺段分割，有效提高了肺叶和/或肺段分割的速度及准确性。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开一实施例的图像分割方法流程图。
图2示出根据本公开一实施例的图像分割方法流程图。
图3示出根据本公开一实施例的肺叶伪标签和/或肺段伪标签生成方法示意图。
图4示出根据本公开一实施例的SEDenseUNet网络结构示意图。
图5示出根据本公开一实施例的第一分割模型训练方法示意图。
图6示出根据本公开一实施例的图像分割方法流程图。
图7示出根据本公开一实施例的图像分割装置的框图。
图8示出根据本公开一示例性实施例的电子装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开一实施例的图像分割方法的流程图。如图1所示，该方法包括：
S1、获取肺部CT待分割图像。
所述肺部CT待分割图像可以是原始的医学数字成像和通信(Digital Imagingand Communications in Medicine，DICOM)格式三维(Three-Dimensions，3D)肺部CT扫描图像。一般来说，3D肺部CT扫描图像的大小为(height,width,depth)＝(512,512,x)，height表示3D肺部CT扫描图像的高度，width表示3D肺部CT扫描图像的宽度，depth表示3D肺部CT扫描图像的深度，x表示depth这一维的数值不确定，会因3D肺部CT扫描图像的层间距、扫描范围等不同在几十至几百之间波动。
考虑到肺分割模型、肺分叶模型或肺分段模型对所输入的图像的要求可能不同，在一种可能的实现方式中，在所述获取肺部CT待分割图像后，可以对肺部CT待分割图像进行预处理。示例性地，预处理可以包括对原始DICOM格式肺部CT扫描图像进行CT值的处理，可以包括以下步骤：
(1)获取DICOM格式肺部CT扫描图像中的CT值，转化为numpy矩阵格式；
(2)使用计算机视觉和机器学习软件库OpenCV库中的算法去除肺部CT扫描图像中人体轮廓之外的物体，例如CT扫描仪的部分结构；
(3)将肺部CT扫描图像中小于-1024的CT值置为-1024，大于2048的CT值置为2048，使CT值范围为[-1024,2048]；
(4)将CT值归一化至[0,1]区间内。
S2、将所述肺部CT待分割图像输入至训练好的肺分割模型中，得到肺分割结果。
在一种可能的实现方式中，步骤S2可以包括：将所述肺部CT待分割图像输入至训练好的肺分割模型中，得到所述肺分割模型的输出结果，进而对所述肺分割模型的输出结果进行后处理，得到肺分割结果。示例性地，肺分割模型可以为3D UNet网络。
作为一个示例，可以将3D肺部CT扫描图像输入到训练好的肺分割模型中，从而得到与该3D肺部CT扫描图像相同尺寸的二类分割结果(肺分割标签和背景)，进而对该二类分割结果进行后处理。示例性地，对该二类分割结果的后处理可包括以下步骤：第一步，计算二类分割结果中预测为肺分割标签的连通域的数量和它们的体积，如果连通域数量大于2，则保留体积最大的两个连通域作为肺分割标签，其余连通域置为背景；第二步，将第一步得到的肺分割标签用最近邻插值法(Nearest Neighbor Interpolation)重采样(Resampling)至与原始肺部CT待分割图像相同的尺寸；所述后处理后得到的肺分割标签即为肺分割结果。由于一般人体有两个肺，经过上述后处理过程可以去除不在肺部区域的小体积假阳，并尽量保证预测的肺数量正确。
S3、将所述肺部CT待分割图像和所述肺分割结果输入至训练好的第一分割模型中，得到第一分割结果；其中，所述第一分割模型包括：肺分叶模型和/或肺分段模型。
在一种可能的实现方式中，所述第一分割模型包括肺分叶模型和肺分段模型；所述第一分割结果包括肺叶分割结果和肺段分割结果；所述将所述肺部CT待分割图像和所述肺分割结果输入至训练好的第一分割模型中，得到第一分割结果，可以包括以下步骤：
(1)将所述肺部CT待分割图像和所述肺分割结果输入至训练好的肺分叶模型中，得到所述肺叶分割结果。这样，利用肺分割结果为肺叶分割提供一定的参考，将肺部CT待分割图像与肺分割结果叠加作为肺分叶模型的输入，从而有效提高肺分叶模型分割的准确性。
示例性地，可以将3D肺部CT扫描图像和所述肺分割结果从上至下按层拆分为2D图像后，依次放入所述肺分叶模型中进行预测，得到二维(Two-Dimensions，2D)肺叶分割结果，例如，2D肺五叶标签；再将所述2D肺叶分割结果拼接成3D肺叶分割结果，与所述3D肺部CT扫描图像和所述肺分割结果相对应。
示例性地，可以将所述肺部CT待分割图像和所述肺分割结果输入至训练好的肺分叶模型中，得到肺分叶模型预测的肺叶标签，进而对所述肺分叶模型预测的肺叶标签进行后处理，得到肺叶分割结果。作为一个示例，对所述肺分叶模型预测的肺叶标签的后处理可包括以下步骤：第一步，将所述肺分叶模型预测的肺叶标签与所述肺分割标签进行比较，将所述肺分割标签中为背景的区域在所述肺叶标签中全部置为背景；第二步，按照预设分配规则，为在所述肺叶标签中为背景但在所述肺分割标签中不为背景的体素分配肺叶标签，例如，预设分配规则可以为该体素被分配的标签值为离该体素最近的且在所述肺叶标签中不为背景的体素的标签值；第三步，将上一步得到的肺叶标签用最邻近插值法重采样至与原始肺部CT待分割图像相同的尺寸；所述后处理后得到的肺叶标签即为肺叶分割结果，经过后处理，进一步提升了肺叶分割结果的准确性。
(2)将所述肺部CT待分割图像、所述肺分割结果或所述肺叶分割结果中的一项或多项，输入至训练好的肺分段模型中，得到肺段分割结果。
示例性地，可以将所述肺部CT待分割图像和所述肺叶分割结果输入至训练好的肺分段模型中，从而得到肺段分割结果。或者，可以将所述肺部CT待分割图像和所述肺分割结果输入至训练好的肺分段模型中，从而得到肺段分割结果。或者，还可以将所述肺部CT待分割图像、所述肺分割结果及所述肺叶分割结果输入至训练好的肺分段模型中，从而得到肺段分割结果。这样，利用肺叶分割结果和/或肺分割结果，为肺段分割提供一定的参考，将肺部CT待分割图像与肺分割结果/肺分叶结果叠加作为肺分段模型的输入，从而有效提高肺分段模型分割的准确性。
示例性地，可以将3D肺部CT扫描图像和所述肺叶分割结果从上至下按层拆分为2D图像后，依次放入所述肺分段模型中进行预测，得到2D肺段分割结果，例如，2D肺十八段标签；再将所述2D肺段分割结果拼接成3D肺段分割结果，与所述3D肺部CT扫描图像和所述肺叶分割结果相对应。
示例性地，可以将所述肺部CT待分割图像和所述肺叶分割结果输入至训练好的肺分段模型中，得到肺分段模型预测的肺段标签，进而对所述肺分段模型预测的肺段标签进行后处理，得到肺段分割结果。作为一个示例，对所述肺分段模型预测的肺段标签的后处理可包括以下步骤：第一步，将所述肺分段模型预测的肺段标签与所述肺叶标签进行比较，将所述肺叶标签中为背景的区域在所述肺段标签中全部置为背景；第二步，按照预设分配规则，为在所述肺段标签中为背景但在所述肺叶标签中不为背景的体素分配肺段标签，例如，预设分配规则可以为该体素被分配的标签值为离该体素最近的且在所述肺段标签中不为背景的体素的标签值；第三步，将上一步得到的肺段标签用最邻近插值法重采样至与原始肺部CT待分割图像相同的尺寸；所述后处理后得到的肺段标签即为肺段分割结果，经过后处理，进一步提升了肺段分割结果的准确性。
在一种可能的实现方式中，所述第一分割模型包括肺分叶模型；所述第一分割结果包括肺叶分割结果；所述将所述肺部CT待分割图像和所述肺分割结果输入至训练好的第一分割模型中，得到第一分割结果，可以包括：将所述肺部CT待分割图像和所述肺分割结果输入至训练好的肺分叶模型中，得到所述肺叶分割结果。
在一种可能的实现方式中，所述第一分割模型包括肺分段模型；所述第一分割结果包括肺段分割结果；所述将所述肺部CT待分割图像和所述肺分割结果输入至训练好的第一分割模型中，得到第一分割结果，可以包括：将所述肺部CT待分割图像和所述肺分割结果输入至训练好的肺分段模型中，得到所述肺段分割结果。
本公开实施例通过将肺部CT待分割图像输入至训练好的肺分割模型中，得到肺分割结果，再将肺部CT待分割图像和肺分割结果输入至训练好的第一分割模型中，可以得到肺叶分割结果和/或肺段分割结果，从而可以不依赖于肺部血管和支气管的划分，将肺部CT待分割图像和肺分割结果作为训练好的第一分割模型的输入，即可实现端到端的肺叶和/或肺段分割，有效提高了肺叶和/或肺段分割的速度及准确性。
下面对得到上述训练好的肺分割模型及第一分割模型的过程，进行示例性说明。
考虑到肺分叶和/或肺分段的分割依赖于血管和支气管走行，相关技术在进行肺叶和肺段划分时，先标注肺部的血管和支气管，再由专业且经验丰富的人员进行肺5叶和18段的标注，即需要大量的高精度的人工标注数据，数据获取难度大，标注过程繁琐，标注成本高，实际应用往往无法满足。为此，本申请实施例通过一种半自动标签生成的方式获取肺分叶与肺分段伪标签，并进一步与预训练和微调技术相结合，用于解决由于肺叶和/或肺段标注工作量大、难度高导致的标注数据较少的问题。
本申请实施例中，对于肺分割标签，由于肺部CT扫描图像中肺部的边界和轮廓一般比较清晰，标注过程简单快速，可以全部通过人工标注得到。对于肺叶标签和/或肺段标签，可以从采集的肺部CT样本图像集中挑选少部分血管和支气管清晰、具有代表性且肺部形态尽量丰富的样本图像进行人工标注，从而得到这些样本图像对应的肺叶标签和/或肺段标签；进而通过图像配准(Image registration)，生成其余样本图像对应的肺叶伪标签和/或肺段伪标签。
图2示出根据本公开一实施例的图像分割方法的流程图。如图2所示，可以包括以下步骤：
步骤S01、获取第一肺部CT样本图像及所述第一肺部CT样本图像对应的第一标签；所述第一标签包括：肺分割标签、肺叶标签或肺段标签中的一项或多项；所述肺分割标签、所述肺叶标签及所述肺段标签均由人工标注得到；
其中，第一肺部CT样本图像，可以称为moving image，为具有人工标注的肺分割标签及肺叶标签的图像，或者具有人工标注的肺分割标签及肺段标签的图像，或者具有人工标注的肺分割标签、肺叶标签及肺段标签的图像。
示例性地，第一肺部CT样本图像可以为血管和支气管清晰、具有代表性且肺部形态尽量丰富的样本图像。
可以理解的是，可以针对肺分割、肺分叶和肺分段三个不同的任务，获取第一肺部CT样本图像及对应的第一标签。例如，若要得到训练好的肺分割模型，可以获取第一肺部CT样本图像及对应的肺分割标签；若要得到训练好的肺分叶模型，可以获取第一肺部CT样本图像及对应的肺叶标签；若要得到训练好的肺分段模型，可以获取第一肺部CT样本图像及对应的肺段标签。
示例性地，可以获取第一肺部CT样本图像集，所述第一肺部CT样本图像集中的图像可以是原始的DICOM格式3D肺部CT扫描图像。所述第一肺部CT样本图像可以为所述第一肺部CT样本图像集中的任一图像。
步骤S02、获取所述第二肺部CT样本图像及所述第二肺部CT样本图像对应的第二标签；所述第二标签包括：所述肺分割标签；
其中，第二肺部CT样本图像，可以称为fixed image，为仅具有人工标注的肺分割标签的图像。示例性地，第二肺部CT样本图像可以为采集的肺部CT样本图像集中除第一肺部CT样本图像之外的图像。
示例性地，可以获取第二肺部CT样本图像集，所述第二肺部CT样本图像集中的图像可以是原始的DICOM格式3D肺部CT扫描图像；所述第二肺部CT样本图像可以为所述第二肺部CT样本图像集中的任一图像。其中，第二肺部CT样本图像集中所包含图像数量大于第一肺部CT样本图像集中所包含图像数量。
步骤S03、根据所述第一肺部CT样本图像及所述第一标签，生成所述第二肺部CT样本图像对应的肺叶伪标签和/或肺段伪标签。
在一种可能的实现方式中，所述第一标签包括肺分割标签、肺叶标签及肺段标签；所述根据所述第一肺部CT样本图像及所述第一标签，生成所述第二肺部CT样本图像中对应的肺叶伪标签和/或肺段伪标签，可以包括：
(1)将所述第一肺部CT样本图像对应的肺分割标签和所述第二肺部CT样本图像对应的肺分割标签进行配准，得到所述第一肺部CT样本图像与所述第二肺部CT样本图像之间的映射关系。
示例性地，在所述将所述第一肺部CT样本图像对应的肺分割标签和所述第二肺部CT样本图像对应的肺分割标签进行配准前，可以根据所述第一肺部CT样本图像对应的肺分割标签和所述第二肺部CT样本图像对应的肺分割标签，将所述第一肺部CT样本图像和所述第二肺部CT样本图像上肺之外的区域的CT值置为-1024。由于肺部组织中含有大量空气，因此肺部区域的CT值主要为0。这一操作可以在接下来的步骤中使图像配准算法更加容易捕捉到第一肺部CT样本图像和第二肺部CT样本图像之间肺部区域CT值的差异和联系，有助于为第二肺部CT样本图像生成更准确的肺叶伪标签和/或肺段伪标签。
示例性地，在所述将所述第一肺部CT样本图像对应的肺分割标签和所述第二肺部CT样本图像对应的肺分割标签进行配准前，可以去掉所述第一肺部CT样本图像和第二肺部CT样本图像中不含有肺的层，并对所述第一肺部CT样本图像和第二肺部CT样本图像进行降采样，减小图像尺寸。
示例性地，可以将第一肺部CT样本图像对应的肺分割标签和所述第二肺部CT样本图像对应的肺分割标签输入到配准算法中，从而得到第一肺部CT样本图像与所述第二肺部CT样本图像之间的映射关系，即变形场。其中，配准算法可以是医学图像配准软件(Advanced Normalization Tools，ANTs)、SimpleITK软件或配准网络等。
(2)根据所述映射关系，对所述第一肺部CT样本图像对应的肺叶标签进行处理，生成所述第二肺部CT样本图像对应的肺叶伪标签。
示例性地，可以将所述映射关系作用至所述第一肺部CT样本图像对应的肺叶标签上，所述第一肺部CT样本图像对应的肺叶标签经过变形，可以得到所述第二肺部CT样本图像对应的肺叶伪标签。
考虑到每一次只能得到一张第一肺部CT样本图像与一张第二肺部CT样本图像之间的变形场，生成的肺叶伪标签可能会受第一肺部CT样本图像中肺部形态的影响。因此，对于每一张第二肺部CT样本图像，可以使用多张第一肺部CT样本图像与其进行配准，得到所述第二肺部CT样本图像对应的多个不同的肺叶伪标签，再对这些肺叶伪标签进行体素级的投票，将投票后得到的最终伪标签作为该第二肺部CT样本图像对应的肺叶伪标签。例如，可以对一张第二肺部CT样本图像中每个体素点对应的多个不同的肺叶伪标签进行投票，将得票最多的伪标签作为该体素点对应的伪标签，从而得到该第二肺部CT样本图像对应的肺叶伪标签。通过这种方式可以减少第一肺部CT样本图像中的肺部形态对生成的所述肺叶伪标签的影响。
(3)根据所述映射关系，对所述第一肺部CT样本图像对应的肺段标签进行处理，生成所述第二肺部CT样本图像对应的肺段伪标签。
示例性地，可以将所述映射关系作用至所述第一肺部CT样本图像对应的肺段标签上，所述第一肺部CT样本图像对应的肺段标签经过变形，可以得到所述第二肺部CT样本图像对应的肺段伪标签。
考虑到每一次只能得到一张第一肺部CT样本图像与一张第二肺部CT样本图像之间的变形场，生成的肺段伪标签可能会受第一肺部CT样本图像中肺部形态的影响。因此，对于每一张第二肺部CT样本图像，可以使用多张第一肺部CT样本图像与其进行配准，得到所述第二肺部CT样本图像对应的多个不同的肺段伪标签，再对这些肺段伪标签进行体素级的投票，将投票后得到的最终伪标签作为该第二肺部CT样本图像对应的肺段伪标签。例如，可以对一张第二肺部CT样本图像中每个体素点对应的多个不同的肺段伪标签进行投票，将得票最多的伪标签作为该体素点对应的伪标签，从而得到该第二肺部CT样本图像对应的肺段伪标签。通过这种方式可以减少第一肺部CT样本图像中的肺部形态对生成的肺段伪标签的影响。
这样，通过人工标注与图像配准相结合的方法生成肺叶伪标签和/或肺段伪标签，可以利用少量人工标注的肺部CT扫描图像及其标签，为大量未被标注的肺部CT扫描图像生成伪标签，解决了由于肺叶肺段标注工作量大、难度高导致的标注数据较少的问题。举例来说，图3示出根据本公开一实施例的肺叶伪标签和/或肺段伪标签生成方法示意图。如图3所示，可以将第一肺部CT样本图像对应的肺分割标签和第二肺部CT样本图像对应的肺分割标签进行配准，得到第一肺部CT样本图像与第二肺部CT样本图像之间的映射关系，再将所述映射关系作用至第一肺部CT样本图像对应的肺叶标签和/或肺段标签上，所述第一肺部CT样本图像对应的肺叶标签和/或肺段标签经过变形，可以生成所述第二肺部CT样本图像对应的肺叶伪标签和/或肺段伪标签。
步骤S04、根据所述第一肺部CT样本图像、所述第一标签、所述第二肺部CT样本图像、所述第二标签、所述肺叶伪标签或所述肺段伪标签中的一项或多项，对预设模型进行训练，得到所述第一分割模型；所述预设模型包括肺分叶预设模型和/或肺分段预设模型。
可以理解的是，在实际应用中，可以根据需求选择需要训练的模型，例如，针对肺分割任务，可以训练肺分割预设模型，从而得到训练好的肺分割模型；针对肺分叶任务，可以训练肺分割预设模型及肺分叶预设模型，从而得到训练好的肺分割模型及肺分叶模型；针对肺分段任务，可以训练肺分割预设模型及肺分段预设模型，从而得到训练好的肺分割模型及肺分段模型；针对肺分段任务，可以训练肺分割预设模型、肺分叶预设模型及肺分段预设模型，从而得到训练好的肺分割模型、肺分叶模型及肺分段模型。
在一种可能的实现方式中，所述图像分割方法还包括：根据第一肺部CT样本图像及其对应的肺分割标签，和/或，第二肺部CT样本图像及其对应的肺分割标签，对肺分割预设模型进行训练，得到所述训练好的肺分割模型。
示例性地，在所述对肺分割预设模型进行训练之前，可以对第一肺部CT样本图像和/或第二肺部CT样本图像进行预处理，预处理可以参照上述对肺部CT扫描图像进行CT值处理的方法，此处不再赘述。
示例性地，肺分割预设模型可使用的网络结构可以是UNet、VNet、AttentionUNet等任意可以完成分割任务的网络。
在一个实施例中，肺分割预设模型可以使用3D UNet网络，输入可以是第一肺部CT样本图像或第二肺部CT样本图像，例如，可以为固定尺寸的3D肺部CT扫描图像，输出可以是相同尺寸的二类分割结果，即肺分割标签和背景。在进行模型训练时，可以将第一肺部CT样本图像及其对应的肺分割标签，或第二肺部CT样本图像及其对应的肺分割标签插值降采样至相同尺寸，二者作为一组数据用于模型训练。在训练过程中，可以对一定比例的训练数据进行数据增强，增强方式包括但不限于以下的一种或多种：三个维度的图像翻转、改变图像对比度、增加运动伪影、图像弹性形变、增加高斯噪声。可以使用骰子损失Dice Loss作为损失函数对肺分割预设模型进行训练，其中，Dice Loss用于计算两个样本的相似度的损失函数，取值范围为[0,1]，样本相似度越高，值越接近1。可以在满足训练结束条件时，得到所述训练好的肺分割模型，所述训练结束条件可以由本领域技术人员根据实际需要进行设定。
在一种可能的实现方式中，所述第一分割模型包括：挤压激励层SE layer和稠密网络DenseNet结构。在一个实施例中，所述第一分割模型可以使用SEDenseUNet网络，所述SEDenseUNet网络包括SE layer和DenseNet结构。图4示出根据本公开一实施例的SEDenseUNet网络结构示意图。如图4所示，所述SEDenseUNet网络包括特征提取部分和特征复原部分。所述特征提取部分包括3次下采样，共4层，除输入层外，每一层都先进行Squeeze-Excitation操作，即SE layer。这一操作可以对卷积层得到的特征图进行压缩和恢复，对每个通道的重要性进行预测，可以使模型关注到通道之间的关系，使模型可以自动学习到不同通道特征的重要程度。再经过稠密块DenseBlock模块，所述DenseBlock模块来源于DenseNet中的基本结构，可以减轻梯度消失，加强特征的传递，更有效地利用特征，在一定程度上减少了参数数量。所述特征复原部分包括3次上采样，除了最底层，其他层都将对应层特征提取部分的特征图(feature map)与所述特征复原部分的特征图叠加后再进行卷积和上采样操作。SEDenseUNet网络在UNet网络的基础上加入SE layer和DenseNet结构，有利于网络筛选加强信息量大的特征，可以更高效地利用特征，提升模型预测的准确性。
可选地，所述SEDenseUNet网络中的SE layer可以去掉，所述SEDenseUNet网络中的DenseNet结构可以替换为ResNet结构等。需要说明的是，所述第一分割模型还可以为其他任意能完成分割任务的网络，对此不作限定。
在一种可能的实现方式中，所述第一分割模型包括肺分叶模型，所述预设模型包括肺分叶预设模型；所述第一标签包括肺叶标签；所述根据所述第一肺部CT样本图像、所述第一标签、所述第二肺部CT样本图像、所述第二标签、所述肺叶伪标签或肺段伪标签中的一项或多项，对预设模型进行训练，得到所述第一分割模型，包括：根据所述第二肺部CT样本图像、所述第二肺部CT样本图像对应的肺分割标签及所述肺叶伪标签，对所述肺分叶预设模型进行训练，得到肺分叶预训练模型；根据所述第一肺部CT样本图像、所述第一肺部CT样本图像对应的肺分割标签及所述肺叶标签对所述肺分叶预训练模型进行训练，得到肺分叶过渡模型；根据所述第一肺部CT样本图像、所述肺叶标签及肺分割预测结果，对所述肺分叶过渡模型进行训练，得到所述肺分叶模型；其中，所述肺分割预测结果由所述肺分割模型对所述第一肺部CT样本图像进行预测得到。
示例性地，在对所述肺分叶预设模型进行训练之前，可以对所述第一肺部CT样本图像和/或第二肺部CT样本图像进行预处理，预处理的可能实现方式可参照上述对肺部CT扫描图像进行CT值处理的相关表述，此处不再赘述。
在一个实施例中，可以将所述第二肺部CT样本图像、所述第二肺部CT样本图像对应的肺分割标签、所述第一肺部CT样本图像、所述第一肺部CT样本图像对应的肺分割标签及所述肺叶标签降采样至相同尺寸，从上至下按层拆分为2D图像，每一层图像与该层对应的标签都单独作为一组数据用于模型训练。肺分叶属于多类别分割任务，即需要将多个类别的感兴趣区域(Region of Interest,ROI)划分出来的图像分割任务，每个区域有且只有一个标签；示例性地，所述肺分叶预设模型可以使用SEDenseUNet网络，从而有助于特征筛选，且特征和梯度的传递更加有效，SEDenseUNet网络的输入可以是两个通道的2D图像，分别为所述第二肺部CT样本图像和所述第二肺部CT样本图像对应的肺分割标签，输出可以是所述肺分叶模型预测的肺叶标签，例如，与输入相同尺寸的2D肺五叶标签；在训练过程中，利用第二肺部CT样本图像对应的肺叶伪标签，计算肺叶伪标签与肺五叶标签的差异，从而优化肺分叶预设模型的参数，得到肺分叶预训练模型。进而可以将所述第一肺部CT样本图像及其对应的肺分割标签输入所述肺分叶预训练模型，通过计算肺分叶预训练模型所输出的肺五叶标签与第一肺部CT样本图像对应的肺叶标签的差异，对所述肺分叶预训练模型进行微调，得到肺分叶过渡模型。最后，可以将输入至肺分叶过渡模型的所述第一肺部CT样本图像对应的肺分割标签替换为所述肺分割预测结果，在所述肺分叶过渡模型的基础上继续训练，即将肺分割模型对第一肺部CT样本图像进行预测得到的肺分割预测结果，及第一肺部CT样本图像输入到肺分叶过渡模型，通过计算肺分叶过渡模型所输出的肺五叶标签与第一肺部CT样本图像对应的肺叶标签的差异，优化参数，得到所述肺分叶模型。
示例性地，在训练过程中，可以对一定比例的训练数据进行数据增强，增强方式包括但不限于以下的一种或多种：三个维度的图像翻转、改变图像对比度、增加运动伪影、图像弹性形变、增加高斯噪声。可以使用骰子损失Dice Loss和/或交叉熵损失Cross-EntropyLoss作为损失函数对模型进行训练。可以在满足训练结束条件时，得到所述训练好的肺分叶模型。所述训练结束条件可以由本领域技术人员根据实际需要进行设定。这种训练方法可以在人工标注的数据有限的情况下能够达到最优的训练效果。
在一种可能的实现方式中，所述第一分割模型包括肺分段模型，所述预设模型包括肺分段预设模型；所述第一标签包括肺段标签；所述根据所述第一肺部CT样本图像、所述第一标签、所述第二肺部CT样本图像、所述第二标签、所述肺叶伪标签或肺段伪标签中的一项或多项，对预设模型进行训练，得到所述第一分割模型，包括：根据所述第二肺部CT样本图像、所述第二肺部CT样本图像对应的肺分割标签、所述肺叶伪标签、所述肺段伪标签中的一项或多项，对所述肺分段预设模型进行训练，得到肺分段预训练模型；根据所述第一肺部CT样本图像、所述第一肺部CT样本图像对应的肺分割标签、所述肺叶标签、所述肺段标签中的一项或多项，对所述肺分段预训练模型进行训练，得到肺分段过渡模型；根据所述第一肺部CT样本图像、肺分叶预测结果、肺分割预测结果、所述肺段标签中的一项或多项，对所述肺分段过渡模型进行训练，得到所述肺分段模型；其中，所述肺分叶预测结果由所述肺分叶模型对所述第一肺部CT样本图像进行预测得到。
示例性地，在所述对所述肺分段预设模型进行训练之前，可以对所述第一肺部CT样本图像和/或第二肺部CT样本图像进行预处理，预处理的可能实现方式可参照上述对肺部CT扫描图像进行CT值处理的相关表述，此处不再赘述。
在一个实施例中，可以将所述第二肺部CT样本图像、所述第二肺部CT样本图像对应的肺分割标签、所述肺叶伪标签、所述第一肺部CT样本图像、所述第一肺部CT样本图像对应的肺分割标签、所述肺叶标签、所述肺段标签降采样至相同尺寸，从上至下按层拆分为2D图像，每一层图像与该层对应的标签都单独作为一组数据用于模型训练。肺分段属于多类别分割任务，示例性地，所述肺分段预设模型可以使用SEDenseUNet网络，从而有助于特征筛选，且特征和梯度的传递更加有效。优选地，所述肺分段预设模型的输入可以是两个通道的2D图像，分别为所述第二肺部CT样本图像和所述肺叶伪标签，输出可以是所述肺分段模型预测的肺段标签，例如，与输入相同尺寸的2D肺十八段标签；在训练过程中，利用第二肺部CT样本图像对应的肺段伪标签，计算肺段伪标签与肺十八段标签的差异，从而优化肺分段预设模型的参数，得到肺分段预训练模型。进而可以将所述第一肺部CT样本图像及其对应的肺叶标签输入所述肺分段预训练模型，通过计算肺分段预训练模型所输出的肺十八段标签与第一肺部CT样本图像对应的肺段标签的差异，对所述肺分段预训练模型进行微调，得到肺分段过渡模型。最后，可以将输入至肺分段过渡模型的所述肺叶标签替换为所述肺分叶预测结果，在所述肺分段过渡模型的基础上继续训练，即将肺分叶模型对第一肺部CT样本图像进行预测得到的肺分叶预测结果，及第一肺部CT样本图像输入到肺分段过渡模型，通过计算肺分段过渡模型所输出的肺十八段标签与第一肺部CT样本图像对应的肺段标签的差异，优化参数，得到所述肺分段模型。
示例性地，在训练过程中，可以对一定比例的训练数据进行数据增强，增强方式包括但不限于以下的一种或多种：三个维度的图像翻转、改变图像对比度、增加运动伪影、图像弹性形变、增加高斯噪声。可以使用骰子损失Dice Loss和/或交叉熵损失Cross-EntropyLoss作为损失函数对模型进行训练。可以在满足训练结束条件时，得到所述训练好的肺分叶模型；所述训练结束条件可以由本领域技术人员根据实际需要进行设定。这种训练方法可以在人工标注的数据有限的情况下能够达到最优的训练效果。
在一个实施例中，所述肺分段预设模型的输入可以是所述第二肺部CT样本图像和所述第二肺部CT样本图像对应的肺分割标签，即不依赖于肺叶标签，直接通过第二肺部CT样本图像和肺分割标签预测肺段标签，从而得到肺分段预训练模型，并利用第一肺部CT样本图像及其对应的肺分割标签进行微调，得到肺分段过渡模型。进而可以将输入至肺分段过渡模型的所述第一肺部CT样本图像对应的肺分割标签替换为所述肺分割预测结果，在所述肺分段过渡模型的基础上继续训练，得到所述肺分段模型。
在一个实施例中，所述肺分段预设模型的输入可以是所述第二肺部CT样本图像、所述第二肺部CT样本图像对应的肺分割标签及所述肺叶伪标签，即通过第二肺部CT样本图像、肺分割标签及肺叶伪标签预测肺段标签，从而得到肺分段预训练模型，并利用第一肺部CT样本图像及其对应的肺分割标签、肺叶标签进行微调，得到肺分段过渡模型。进而，可以将输入至肺分段过渡模型的所述第一肺部CT样本图像对应的肺分割标签替换为所述肺分割预测结果，将输入的所述肺叶标签替换为所述肺分叶预测结果，在所述肺分段过渡模型的基础上继续训练，得到所述肺分段模型。
本申请实施例中，首先利用少量人工标注的第一肺部CT样本图像及其标签，为大量未被标注的第二肺部CT样本图像生成伪标签，再使用伪标签及其对应的第二肺部CT样本图像对预设模型(如肺分段预设模型或肺分叶预设模型)进行预训练，即利用含有大量数据的数据集预先训练模型，最后将预训练后的模型迁移至人工标注的数据集上微调，即在预训练模型的基础上，用不同于预训练的数据集继续训练模型，以达到快速训练模型、提升模型泛化性等效果；这样，通过这种标签生成方式及训练方式在有限的人工标注数据上，训练得到的模型达到最优效果。
举例来说，图5示出根据本公开一实施例的第一分割模型训练方法示意图。如图5所示，在训练得到第一分割模型(如肺分割模型或肺分叶模型)时，可以根据肺叶伪标签、肺段伪标签、人工标注的肺分割标签中的一项或多项进行预训练，得到预训练模型(如肺分割预训练模型或肺分叶预训练模型)；然后将预训练模型迁移至人工标注数据上进行训练，即根据人工标注的肺叶标签或肺段标签对预训练模型进行微调，得到过渡模型(如肺分割过渡模型或肺分叶过渡模型)；最后根据前置模型(如肺分割模型或肺分叶模型)预测的肺分割标签或肺叶标签继续进行训练，可以得到最终的第一分割模型；例如，可以在肺分叶过渡模型的基础上，将输入的人工标注肺分割标签替换为肺分割模型预测的肺分割标签，继续训练，得到最终的肺分叶模型；再例如，可以在肺分段过渡模型的基础上，将输入的肺叶标签替换为肺分叶模型预测的肺叶标签，继续训练后得到最终的肺分段模型。
通过上述步骤S01-S04，从而得到训练的肺分割模型、肺分叶模型或肺分段模型中的一项或多项，进而可以执行下述步骤，从而利用训练好的模型，得到相应的分割结果。
S1、获取肺部CT待分割图像。
S2、将所述肺部CT待分割图像输入至训练好的肺分割模型中，得到肺分割结果。
S3、将所述肺部CT待分割图像和所述肺分割结果输入至训练好的第一分割模型中，得到第一分割结果；其中，所述第一分割模型包括：肺分叶模型和/或肺分段模型。
其中，步骤S1、S2与S3与上述图1中步骤S1、S2与S3相同，此处不再赘述。可以理解的是，对于输入到训练好的肺分割模型及训练好的第一分割模型中的肺部CT待分割图像，可以预先进行数据处理，其中数据处理的方式与训练肺分割模型及第一分割模型时，所输入的样本CT图像的数据处理方式相同。
本申请实施例中，通过一种半自动标签生成的方式，用于解决由于肺叶和肺段标注工作量大、难度高导致的标注数据较少的问题；并与预训练和微调技术相结合，从而通过深度学习，训练得到可以从CT图像中提取出对于肺叶和肺段划分具有意义的特征，从而根据CT图像即可直接准确划分肺叶和肺段的模型。作为一个示例，首先利用少量人工标注的图像及其标签，为大量未被标注的图像生成伪标签，再使用伪标签及其对应图像进行预训练，最后将预训练后的模型迁移至人工标注的数据集上微调，通过这种训练方法在有限的人工标注数据上尽可能达到最优效果，所得到的训练好的第一分割模型，可以准确提取出肺叶和/或肺段分割的所需特征，从而实现根据CT图像直接划分肺叶和/或肺段的功能。进而通过将肺部CT待分割图像输入至训练好的肺分割模型中，得到肺分割结果，再将肺部CT待分割图像和肺分割结果输入至训练好的第一分割模型中，可以得到肺叶分割结果和/或肺段分割结果，从而可以不依赖于肺部血管和支气管的划分，将肺部CT待分割图像和肺分割结果作为训练好的第一分割模型的输入，即可实现端到端的肺叶和/或肺段分割，有效提高了肺叶和/或肺段分割的速度及准确性。
举例来说，图6示出根据本公开一实施例的图像分割方法流程图。图6(a)示出根据本公开一实施例的肺分割模型、肺分叶模型、肺分段模型的训练过程示意图。如图6(a)所示，可以获取肺部CT样本图像集，所述肺部CT样本图像集包括第一肺部CT样本图像和第二肺部CT样本图像，可以通过人工标注和图像配准相结合的方法生成肺叶伪标签和/或肺段伪标签，然后对所述肺部CT样本图像集中的各样本图像进行预处理，再根据所述第一肺部CT样本图像、所述第一标签、所述第二肺部CT样本图像、所述第二标签、所述肺叶伪标签或所述肺段伪标签中的一项或多项，对预设模型进行训练，得到训练好的肺分割模型、肺分叶模型、肺分段模型。图6(b)示出根据本公开一实施例的肺分割、肺叶分割、肺段分割过程示意图。如图6(b)所示，可以获取肺部CT待分割图像，然后对肺部CT待分割图像进行预处理，将所述肺部CT待分割图像输入至训练好的肺分割模型中，得到所述肺分割模型输出的肺标签；将所述肺部CT待分割图像和所述肺标签输入至训练好的肺分叶模型中，得到肺分叶模型输出的肺叶标签；将所述肺部CT待分割图像和所述肺叶标签输入至训练好的肺分段模型中，得到肺分段模型输出的肺段标签；再对所述肺标签、肺叶标签、肺段标签进行后处理，可以得到最终的肺分割结果、肺分叶结果、肺分段结果。
图7示出根据本公开一实施例的图像分割装置的框图。本公开实施例所述图像分割装置，包括：
获取模块701，用于获取肺部电子计算机断层扫描CT待分割图像；
肺分割模块702，用于将所述肺部CT待分割图像输入至训练好的肺分割模型中，得到肺分割结果；
第一分割模块703，用于将所述肺部CT待分割图像和所述肺分割结果输入至训练好的第一分割模型中，得到第一分割结果；其中，所述第一分割模型包括：肺分叶模型和/或肺分段模型。
在一种可能的实现方式中，所述第一分割模型包括肺分叶模型和肺分段模型；所述第一分割结果包括肺叶分割结果和肺段分割结果；
所述第一分割模块703，还用于：
将所述肺部CT待分割图像和所述肺分割结果输入至训练好的肺分叶模型中，得到所述肺叶分割结果；
将所述肺部CT待分割图像、所述肺分割结果或所述肺叶分割结果中的一项或多项，输入至训练好的肺分段模型中，得到所述肺段分割结果。
在一种可能的实现方式中，所述图像分割装置还包括：
第一样本获取模块，用于获取第一肺部CT样本图像及所述第一肺部CT样本图像对应的第一标签；所述第一标签包括：肺分割标签、肺叶标签或肺段标签中的一项或多项；所述肺分割标签、所述肺叶标签及所述肺段标签均由人工标注得到；
第二样本获取模块，用于获取所述第二肺部CT样本图像及所述第二肺部CT样本图像对应的第二标签；所述第二标签包括：所述肺分割标签；
伪标签生成模块，用于根据所述第一肺部CT样本图像及所述第一标签，生成所述第二肺部CT样本图像对应的肺叶伪标签和/或肺段伪标签；
训练模块，用于根据所述第一肺部CT样本图像、所述第一标签、所述第二肺部CT样本图像、所述第二标签、所述肺叶伪标签或所述肺段伪标签中的一项或多项，对预设模型进行训练，得到所述第一分割模型；所述预设模型包括肺分叶预设模型和/或肺分段预设模型。
在一种可能的实现方式中，所述第一标签包括肺分割标签、肺叶标签及肺段标签；
所述伪标签生成模块，还用于：
将所述第一肺部CT样本图像对应的肺分割标签和所述第二肺部CT样本图像对应的肺分割标签进行配准，得到所述第一肺部CT样本图像与所述第二肺部CT样本图像之间的映射关系；
根据所述映射关系，对所述第一肺部CT样本图像对应的肺叶标签进行处理，生成所述第二肺部CT样本图像对应的肺叶伪标签；
根据所述映射关系，对所述第一肺部CT样本图像对应的肺段标签进行处理，生成所述第二肺部CT样本图像对应的肺段伪标签。
在一种可能的实现方式中，所述第一分割模型包括肺分叶模型，所述预设模型包括肺分叶预设模型；所述第一标签包括肺叶标签；
所述训练模块，还用于：
根据所述第二肺部CT样本图像、所述第二肺部CT样本图像对应的肺分割标签及所述肺叶伪标签，对所述肺分叶预设模型进行训练，得到肺分叶预训练模型；
根据所述第一肺部CT样本图像、所述第一肺部CT样本图像对应的肺分割标签及所述肺叶标签对所述肺分叶预训练模型进行训练，得到肺分叶过渡模型；
根据所述第一肺部CT样本图像、所述肺叶标签及肺分割预测结果，对所述肺分叶过渡模型进行训练，得到所述肺分叶模型；其中，所述肺分割预测结果由所述肺分割模型对所述第一肺部CT样本图像进行预测得到。
在一种可能的实现方式中，所述第一分割模型包括肺分段模型，所述预设模型包括肺分段预设模型；所述第一标签包括肺段标签；
所述训练模块，还用于：
根据所述第二肺部CT样本图像、所述第二肺部CT样本图像对应的肺分割标签、所述肺叶伪标签、所述肺段伪标签中的一项或多项，对所述肺分段预设模型进行训练，得到肺分段预训练模型；
根据所述第一肺部CT样本图像、所述第一肺部CT样本图像对应的肺分割标签、所述肺叶标签、所述肺段标签中的一项或多项，对所述肺分段预训练模型进行训练，得到肺分段过渡模型；
根据所述第一肺部CT样本图像、肺分叶预测结果、肺分割预测结果、所述肺段标签中的一项或多项，对所述肺分段过渡模型进行训练，得到所述肺分段模型；其中，所述肺分叶预测结果由所述肺分叶模型对所述第一肺部CT样本图像进行预测得到。
在一种可能的实现方式中，所述第一分割模型包括：挤压激励层SE layer和稠密网络DenseNet结构。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现及技术效果可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种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被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
图8是根据一示例性实施例示出的一种电子装置1900的框图。例如，电子装置1900可以被提供为一服务器或终端设备。参照图8，电子装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子装置1900还可以包括一个电源组件1926被配置为执行电子装置1900的电源管理，一个有线或无线网络接口1950被配置为将电子装置1900连接到网络，和一个输入输出(I/O)接口1958。电子装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现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/或边缘服务器。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，所述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器，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器执行时，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，所述模块、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 (10)

1.一种图像分割方法，其特征在于，包括：
获取肺部电子计算机断层扫描CT待分割图像；
将所述肺部CT待分割图像输入至训练好的肺分割模型中，得到肺分割结果；
将所述肺部CT待分割图像和所述肺分割结果输入至训练好的第一分割模型中，得到第一分割结果；其中，所述第一分割模型包括：肺分叶模型和/或肺分段模型。
2.根据权利要求1所述的方法，其特征在于，所述第一分割模型包括肺分叶模型和肺分段模型；所述第一分割结果包括肺叶分割结果和肺段分割结果；
所述将所述肺部CT待分割图像和所述肺分割结果输入至训练好的第一分割模型中，得到第一分割结果，包括：
将所述肺部CT待分割图像和所述肺分割结果输入至训练好的肺分叶模型中，得到所述肺叶分割结果；
将所述肺部CT待分割图像、所述肺分割结果或所述肺叶分割结果中的一项或多项，输入至训练好的肺分段模型中，得到所述肺段分割结果。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取第一肺部CT样本图像及所述第一肺部CT样本图像对应的第一标签；所述第一标签包括：肺分割标签、肺叶标签或肺段标签中的一项或多项；所述肺分割标签、所述肺叶标签及所述肺段标签均由人工标注得到；
获取第二肺部CT样本图像及所述第二肺部CT样本图像对应的第二标签；所述第二标签包括：所述肺分割标签；
根据所述第一肺部CT样本图像及所述第一标签，生成所述第二肺部CT样本图像对应的肺叶伪标签和/或肺段伪标签；
根据所述第一肺部CT样本图像、所述第一标签、所述第二肺部CT样本图像、所述第二标签、所述肺叶伪标签或所述肺段伪标签中的一项或多项，对预设模型进行训练，得到所述第一分割模型；所述预设模型包括肺分叶预设模型和/或肺分段预设模型。
4.根据权利要求3所述的方法，其特征在于，所述第一标签包括肺分割标签、肺叶标签及肺段标签；
所述根据所述第一肺部CT样本图像及所述第一标签，生成所述第二肺部CT样本图像中对应的肺叶伪标签和/或肺段伪标签，包括：
将所述第一肺部CT样本图像对应的肺分割标签和所述第二肺部CT样本图像对应的肺分割标签进行配准，得到所述第一肺部CT样本图像与所述第二肺部CT样本图像之间的映射关系；
根据所述映射关系，对所述第一肺部CT样本图像对应的肺叶标签进行处理，生成所述第二肺部CT样本图像对应的肺叶伪标签；
根据所述映射关系，对所述第一肺部CT样本图像对应的肺段标签进行处理，生成所述第二肺部CT样本图像对应的肺段伪标签。
5.根据权利要求3所述的方法，其特征在于，所述第一分割模型包括肺分叶模型，所述预设模型包括肺分叶预设模型；所述第一标签包括肺叶标签；
所述根据所述第一肺部CT样本图像、所述第一标签、所述第二肺部CT样本图像、所述第二标签、所述肺叶伪标签或肺段伪标签中的一项或多项，对预设模型进行训练，得到所述第一分割模型，包括：
根据所述第二肺部CT样本图像、所述第二肺部CT样本图像对应的肺分割标签及所述肺叶伪标签，对所述肺分叶预设模型进行训练，得到肺分叶预训练模型；
根据所述第一肺部CT样本图像、所述第一肺部CT样本图像对应的肺分割标签及所述肺叶标签对所述肺分叶预训练模型进行训练，得到肺分叶过渡模型；
根据所述第一肺部CT样本图像、所述肺叶标签及肺分割预测结果，对所述肺分叶过渡模型进行训练，得到所述肺分叶模型；其中，所述肺分割预测结果由所述肺分割模型对所述第一肺部CT样本图像进行预测得到。
6.根据权利要求3所述的方法，其特征在于，所述第一分割模型包括肺分段模型，所述预设模型包括肺分段预设模型；所述第一标签包括肺段标签；
所述根据所述第一肺部CT样本图像、所述第一标签、所述第二肺部CT样本图像、所述第二标签、所述肺叶伪标签或肺段伪标签中的一项或多项，对预设模型进行训练，得到所述第一分割模型，包括：
根据所述第二肺部CT样本图像、所述第二肺部CT样本图像对应的肺分割标签、所述肺叶伪标签、所述肺段伪标签中的一项或多项，对所述肺分段预设模型进行训练，得到肺分段预训练模型；
根据所述第一肺部CT样本图像、所述第一肺部CT样本图像对应的肺分割标签、所述肺叶标签、所述肺段标签中的一项或多项，对所述肺分段预训练模型进行训练，得到肺分段过渡模型；
根据所述第一肺部CT样本图像、肺分叶预测结果、肺分割预测结果、所述肺段标签中的一项或多项，对所述肺分段过渡模型进行训练，得到所述肺分段模型；其中，所述肺分叶预测结果由所述肺分叶模型对所述第一肺部CT样本图像进行预测得到。
7.根据权利要求1所述的方法，其特征在于，所述第一分割模型包括：挤压激励层SElayer和稠密网络DenseNet结构。
8.一种图像分割装置，其特征在于，包括：
获取模块，用于获取肺部电子计算机断层扫描CT待分割图像；
肺分割模块，用于将所述肺部CT待分割图像输入至训练好的肺分割模型中，得到肺分割结果；
第一分割模块，用于将所述肺部CT待分割图像和所述肺分割结果输入至训练好的第一分割模型中，得到第一分割结果；其中，所述第一分割模型包括：肺分叶模型和/或肺分段模型。
9.一种电子装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为在执行所述存储器存储的指令时，实现权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
CN202210503018.8A 2022-05-09 2022-05-09 一种图像分割方法、装置、电子设备和存储介质 Active CN114913145B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210503018.8A CN114913145B (zh) 2022-05-09 2022-05-09 一种图像分割方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210503018.8A CN114913145B (zh) 2022-05-09 2022-05-09 一种图像分割方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN114913145A true CN114913145A (zh) 2022-08-16
CN114913145B CN114913145B (zh) 2023-04-07

Family

ID=82766636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210503018.8A Active CN114913145B (zh) 2022-05-09 2022-05-09 一种图像分割方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114913145B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108230339A (zh) * 2018-01-31 2018-06-29 浙江大学 一种基于伪标签迭代标注的胃癌病理切片标注补全方法
CN110956635A (zh) * 2019-11-15 2020-04-03 上海联影智能医疗科技有限公司 一种肺段分割方法、装置、设备及存储介质
CN111260671A (zh) * 2020-05-07 2020-06-09 北京精诊医疗科技有限公司 一种ct影像肺部分叶方法及系统
CN112801964A (zh) * 2021-01-20 2021-05-14 中国人民解放军总医院 肺部ct图像的多标签智能检测方法、装置、设备和介质
CN113657560A (zh) * 2021-10-20 2021-11-16 南京理工大学 基于节点分类的弱监督图像语义分割方法及系统
US20220092791A1 (en) * 2018-04-12 2022-03-24 Veran Medical Technologies, Inc. Methods for the Segmentation of Lungs, Lung Vasculature and Lung Lobes from CT Data and Clinical Applications
CN114240956A (zh) * 2021-12-23 2022-03-25 零氪科技(天津)有限公司 一种肺部ct影像管状结构分割方法、装置、电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108230339A (zh) * 2018-01-31 2018-06-29 浙江大学 一种基于伪标签迭代标注的胃癌病理切片标注补全方法
US20220092791A1 (en) * 2018-04-12 2022-03-24 Veran Medical Technologies, Inc. Methods for the Segmentation of Lungs, Lung Vasculature and Lung Lobes from CT Data and Clinical Applications
CN110956635A (zh) * 2019-11-15 2020-04-03 上海联影智能医疗科技有限公司 一种肺段分割方法、装置、设备及存储介质
CN111260671A (zh) * 2020-05-07 2020-06-09 北京精诊医疗科技有限公司 一种ct影像肺部分叶方法及系统
CN112801964A (zh) * 2021-01-20 2021-05-14 中国人民解放军总医院 肺部ct图像的多标签智能检测方法、装置、设备和介质
CN113657560A (zh) * 2021-10-20 2021-11-16 南京理工大学 基于节点分类的弱监督图像语义分割方法及系统
CN114240956A (zh) * 2021-12-23 2022-03-25 零氪科技(天津)有限公司 一种肺部ct影像管状结构分割方法、装置、电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PIOTR SWIERCZYNSKI ET AL.: "A level-set approach to joint image segmentation and rigistration with application to CT lung imaging", 《COMPUTERIZED MEDICAL IMAGING AND GRAPHICS》 *
孙羽柔: "基于多视角和半监督学习的肺结节分割算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Also Published As

Publication number Publication date
CN114913145B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN109978037B (zh) 图像处理方法、模型训练方法、装置、和存储介质
US11288813B2 (en) Systems and methods for anatomic structure segmentation in image analysis
US11379975B2 (en) Classification and 3D modelling of 3D dento-maxillofacial structures using deep learning methods
US20200320685A1 (en) Automated classification and taxonomy of 3d teeth data using deep learning methods
CN105574859B (zh) 一种基于ct图像的肝脏肿瘤分割方法及装置
US9959486B2 (en) Voxel-level machine learning with or without cloud-based support in medical imaging
CN109146872B (zh) 基于深度学习和光流法的心脏冠状动脉影像分割识别方法
EP3611699A1 (en) Image segmentation using deep learning techniques
CN110570426A (zh) 使用深度学习的图像联合配准和分割
CN109300136B (zh) 一种基于卷积神经网络的危及器官自动分割方法
CN112581458B (zh) 一种图像处理方法和装置
CN110110723B (zh) 一种图像中目标区域自动提取的方法及装置
CN111145160B (zh) 钙化区域所处冠脉分支的确定方法、装置、服务器及介质
US10878564B2 (en) Systems and methods for processing 3D anatomical volumes based on localization of 2D slices thereof
Wang et al. Left atrial appendage segmentation based on ranking 2-D segmentation proposals
Rad et al. Dental x-ray image segmentation and multiple feature extraction
Goutham et al. Automatic localization of landmarks in cephalometric images via modified U-Net
CN114913145B (zh) 一种图像分割方法、装置、电子设备和存储介质
CN111209946A (zh) 三维图像处理方法、图像处理模型训练方法及介质
US20220122261A1 (en) Probabilistic Segmentation of Volumetric Images
CN115294023A (zh) 肝脏肿瘤自动分割方法及装置
CN112967295B (zh) 一种基于残差网络和注意力机制的图像处理方法及系统
CN114387257A (zh) 肺部影像中肺叶区域的分割方法、系统、装置和介质
CN112419283A (zh) 估计厚度的神经网络及其方法
Xu et al. Auto-segmentation of Hip Joints Using MultiPlanar UNet with Transfer Learning

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