CN114937149A - 图像处理方法、装置、电子设备及存储介质 - Google Patents
图像处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114937149A CN114937149A CN202210686454.3A CN202210686454A CN114937149A CN 114937149 A CN114937149 A CN 114937149A CN 202210686454 A CN202210686454 A CN 202210686454A CN 114937149 A CN114937149 A CN 114937149A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- blood vessel
- original image
- model
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 33
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 284
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 146
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims description 50
- 230000008569 process Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 238000009499 grossing Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 210000004351 coronary vessel Anatomy 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 7
- 210000000709 aorta Anatomy 0.000 abstract description 19
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000747 cardiac effect Effects 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000001147 pulmonary artery Anatomy 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像处理方法、装置、电子设备及存储介质。该方法包括：获取原始图像，并基于预先训练的粗分割模型对所述原始医学图像进行粗分割处理，获得所述原始图像中目标部位的部位分割图像；其中，所述目标部位为所述原始图像中的待分割血管所在的部位；获取预先训练的血管分割模型，并基于所述部位分割图像以及所述血管分割模型对所述原始图像进行血管分割，得到所述原始图像的血管分割图像。通过本发明实施例公开的技术方案，解决了现有分割技中主动脉分割结果效率差的问题，提高了对主动脉分割的精确性。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像处理方法、装置、电子设备及存储介质。
背景技术
现有的心脏、主动脉自动分割技术主要是基于深度学习实现的。通过人工标注的心脏、主动脉标签训练神经网路，待网络收敛后，将DICOM输入网络即可得到分割结果。
但是现有分割技术在对主动脉进行分割的过程中并未考虑到心脏与主动脉血管之间的关联性，导致主动脉分割结果效率差。
发明内容
本发明提供了一种图像处理方法、装置、电子设备及存储介质，以解决现有分割技中主动脉分割结果效率差的问题，提高了对主动脉分割的精确性。
第一方面，本发明实施例提供了一种图像处理方法，该方法包括：
获取原始图像，并基于预先训练的粗分割模型对所述原始医学图像进行粗分割处理，获得所述原始图像中目标部位的部位分割图像；其中，所述目标部位为所述原始图像中的待分割血管所在的部位；
获取预先训练的血管分割模型，并基于所述部位分割图像以及所述血管分割模型对所述原始图像进行血管分割，得到所述原始图像的血管分割图像。
可选的，所述基于预先训练的粗分割模型对所述原始医学图像进行粗分割处理，获得所述原始图像中目标部位的部位分割图像，包括：
获取预先训练的粗分割模型，将所述原始图像输入至所述粗分割模型中，得到所述粗分割模型输出的部位分割图像。
可选的，所述基于所述部位分割图像以及所述血管分割模型对所述原始图像进行血管分割，得到所述原始图像的血管分割图像，包括：
将所述部位分割图像与所述原始图像共同输入至所述血管分割模型中，得到所述血管分割模型输出的血管分割图像。
可选的，所述粗分割模型的训练方法包括：
获取至少一个标注后的部位掩膜图像，分别对各所述部位掩膜图像进行标签平滑处理，得到平滑后的各目标部位掩膜图像；
基于所述目标部位掩膜图像对第一卷积神经网络结构进行训练，得到训练完成的粗分割模型。
可选的，所述分别对各所述部位掩膜图像进行标签平滑处理，得到平滑后的各目标部位掩膜图像，包括：
对于任一标注后的部位掩膜图像，获取所述部位掩膜图像的各像素或各体素；
基于预设的平滑系数和各所述像素或各所述体素获得平滑后的目标部位掩膜图像。
可选的，所述血管分割模型的训练方法包括：
获取基于所述粗分割模型获得的各部位分割图像；
获取至少一个标注后的血管掩膜图像，基于各所述血管掩膜图像和各所述部位分割图像，对第二卷积神经网络结构进行训练，得到训练完成的血管分割模型。
可选的，所述部位分割图像包括心脏分割图像，所述血管分割图像包括冠状动脉血管图像。
第二方面，本发明实施例还提供了一种图像分割装置，该装置包括：
部位分割图像获得模块，用于获取原始图像，并基于预先训练的粗分割模型对所述原始医学图像进行粗分割处理，获得所述原始图像中目标部位的部位分割图像；其中，所述目标部位为所述原始图像中的待分割血管所在的部位；
血管分割图像获得模块，用于获取预先训练的血管分割模型，并基于所述部位分割图像以及所述血管分割模型对所述原始图像进行血管分割，得到所述原始图像的血管分割图像。
第三方面，本发明实施例还提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的图像处理方法。
第四方面，本发明实施例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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的图像处理方法。
本发明实施例的技术方案包括：获取原始图像，并基于预先训练的粗分割模型对原始医学图像进行粗分割处理，获得原始图像中目标部位的部位分割图像；其中，目标部位为原始图像中的待分割血管所在的部位；获取预先训练的血管分割模型，并基于部位分割图像以及血管分割模型对原始图像进行血管分割，得到原始图像的血管分割图像。上述技术方案通过获取原始图像中的部位分割图像，并将其作为血管分割的位置先验信息，对原始原始图像中的血管进行分割，得到更加准确的分割结果，解决了现有技术主动脉分割结果效率差的问题，提高了对主动脉分割的精确性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种图像处理方法的流程图；
图2是根据本发明实施例二提供的一种图像处理方法的流程图；
图3是根据本发明实施例三提供的一种图像处理装置的结构示意图；
图4是实现本发明实施例四提供的图像处理方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
实施例一
图1为本发明实施例一提供了一种图像处理方法的流程图，本实施例可适用于对图像中的血管进行分割的情况，该方法可以由图像处理装置来执行，该图像处理装置可以采用硬件和/或软件的形式实现，该图像处理装置可配置于智能终端以及云端服务器中。
在一些其他实施例中，对于血管的分割未考虑到血管与其所在部位之间的关联关系，导致分割出的血管效果性差。如图1所示，本实施例提供了一种图像处理方法，基于待分割血管与其所在位置之间的关联性对血管进行精确分割，提高了分割结果的准确性。参见图1，该方法包括：
S110、获取原始图像，并基于预先训练的粗分割模型对原始医学图像进行粗分割处理，获得原始图像中目标部位的部位分割图像。
在本发明实施例中，原始图像可以理解为包含待分割血管以及该待分割血管所在部位的图像。目标部位可以理解为原始图像中的待分割血管所在的部位。可选的，基于目标部位的不同，分割出的血管也相应不同。例如，若目标部位为心脏，相应的，分割血管为冠脉血管；若目标部位为肺部，相应的，分割血管为肺动脉血管；当然待分割血管以及目标部位还可以是其他血管以及部位，本实施例对此不做限定。需要说明的是，基于获取到的原始图像的不同，分割出的目标部位也不相同。
具体的，获取原始图像的方法可以是基于医学影像设备进行扫描获取得到，也可以是基于调取数据库中预先存储的数据得到。可选的，基于医学影像设备的不同型号，基于医学影像设备进行扫描获取得到的原始图像可以为二维医学图像，也可以为三维医学图像，本实施例对于原始图像的获取方式以及类型不作限定。
具体的，在获取到原始图像的情况下，对原始图像进行图像粗分割，得到包含目标部位的部位分割图像，以实现基于原始图像中的目标部位与待分割血管之间的关联关系对原始图像进行血管分割，提高对血管分割的准确性。
可选的，对原始图像进行图像分割获得目标部位的方法可以采用传统图像处理算法，也可以采用神经网络算法进行图像分割，本实施例对于分割算法的选择不作限定。可选的，以采用神经网络算法为例对图像分割方法进行介绍，获取目标部位的方法过程可以包括：获取预先训练的粗分割模型，将原始图像输入至粗分割模型中，得到粗分割模型输出的部位分割图像。
具体的，将原始图像的图像数据输入至预先训练好的粗分割模型中，得到该粗分割模型输出的包含目标部位的部位分割图像。可选的，粗分割模型输出的部位分割图像可以是部位热图，即将分割结果中的目标部位与背景部分以不同的像素值进行显示，例如以二值化形式展示部位分割图像，其效果在于可以清晰的获知目标部位在原始图像中的位置。可选的，上述粗分割模型可以是基于卷积神经网络结构训练完成得到的粗分割模型，也可以是基于其他网络结构训练得到的粗分割模型，本实施例对于粗分割模型的网络结构不做限定。
S120、获取预先训练的血管分割模型，并基于部位分割图像以及血管分割模型对原始图像进行血管分割，得到原始图像的血管分割图像。
在上述实施方式的基础上，将得到的部位分割图像作为后续血管分割过程中待分割血管所在部位的先验信息，并基于该先验信息对原始图像中的待分割血管进行分割，得到原始图像的血管分割结果。具体的，对于原始图像进行血管进行分割的分割方法可以包括传统图像处理算法或者神经网络分割算法，本实施例对于分割方法的选择不作限定。
需要说明的是，本实施例的一种可选实施方式中，可选的若获得的部位分割图像为心脏分割图像，相应的，血管分割图像为冠状动脉血管图像；可选的若目标部位分割图像为肺部分割图像，相应的，血管分割图像为肺部动脉血管图像；当然，若获得其他部位的分割图像，相应的血管分割图像也对应不同，本实施例对于部位分割图像血管分割图像不作限定。
可选的，基于部位分割图像对原始图像进行血管分割的方法可以包括：将部位分割图像与原始图像共同输入至血管分割模型中，得到血管分割模型输出的血管分割图像。
具体的，将基于上述实施方式获得的包含目标部位的部位热图作为血管分割的先验信息，与原始图像共同输入至预先训练好的血管分割模型中，得到血管分割模型输出的血管分割结果。
需要说明的是，本实施例中基于神经网络模型得到的部位热图中包含有待分割血管所在部位在原始图像中准确的部位位置信息，血管分割模型在对原始图像进行分割的过程中可以基于该部位位置信息更快速且精确的确定待分割血管在原始图像中的位置，从而准确且快速的对待分割血管进行分割得到血管分割图像。
本发明实施例的技术方案包括：获取原始图像，并基于预先训练的粗分割模型对原始医学图像进行粗分割处理，获得原始图像中目标部位的部位分割图像；其中，目标部位为原始图像中的待分割血管所在的部位；获取预先训练的血管分割模型，并基于部位分割图像以及血管分割模型对原始图像进行血管分割，得到原始图像的血管分割图像。上述技术方案通过获取原始图像中的部位分割图像，并将其作为血管分割的位置先验信息，对原始原始图像中的血管进行分割，得到更加准确的分割结果，解决了现有技术主动脉分割结果效率差的问题，提高了对主动脉分割的精确性。
实施例二
图2为本发明实施例二提供的一种图像处理方法的流程图，本实施例在上述实施例的基础上，可选的，还包括：预先对粗分割模型以及血管分割模型进行训练。如图2所示，该方法包括：
S210、预先对粗分割模型以及血管分割模型进行训练。
在本发明实施例中，在基于图像分割模型对原始图像进行分割以得到分割结果之前，需要对分割模型进行训练，从而保证模型分割结果的准确性。本实施例中，基于不同的模型训练需要获取不同的训练样本，以保证训练结果的准确性。
可选的，在对粗分割模型的训练过程中可以采用标注后的部位掩膜图像作为其模型的训练样本，并基于该训练样本对第一卷积神经网络结构进行训练，当然，也可以采用其他网络结构进行训练得到粗分割模型，本实施例对于粗分割模型的网络结构不做限定。
在上述实施方式的基础上，以训练样本为标注后的心脏掩膜图像为例对粗分割模型的训练方法进行介绍。在一些其他实施例的训练过程中，由于肺动脉等血管会遮挡主动脉根部以及冠状动脉的左右起始部分，从而对临床上观察主动脉及冠状动脉造成阻碍，基于此人工标注心脏时需要对心脏周围的血管进行适当切削，使主动脉根部和冠脉左右起始部分暴露出来。但是人工在对心脏进行切削的过程中存在不稳定性，使得基于人工切削得到的心脏标签存在误差，从而导致模型在训练的过程中学习困难，最后导致模型的分割效果较差。
基于此本实施例中的技术方案退出在训练的过程中，对获取到的训练样本进行标签平滑，以提高模型在训练的过程中对心脏切削边缘误差的适应性，从而提高模型的学习能力，得到分割结果更加准确的粗分割模型。
具体的，本实施例中对于粗分割模型的训练过程可以包括：获取至少一个标注后的部位掩膜图像，分别对各部位掩膜图像进行标签平滑处理，得到平滑后的各目标部位掩膜图像；基于目标部位掩膜图像对第一卷积神经网络结构进行训练，得到训练完成的粗分割模型。
可选的，对于部位掩膜图像进行标签平滑处理的过程可以包括：对于任一标注后的部位掩膜图像，获取部位掩膜图像的各像素或各体素；基于预设的平滑系数和各像素或各体素获得平滑后的目标部位掩膜图像。
具体的，对于任一部位掩膜图像，若该部位掩膜图像为三维医学图像，则获取该部位掩膜图像中前景体素和背景体素的体素值。若该部位掩膜图像为二维医学图像，则获取该部位掩膜图像中前景像素和背景像素的像素值。示例性的，以部位掩膜图像为三维医学图像为例，获取长宽高分别为H，W，D的三维心脏Mask，将其表示为Y∈RD×H×W，示例性的，
进一步的，获取预先设定的平滑系数，基于该平滑系数对上述各体素值进行平滑处理，得到平滑处理后的目标部位掩膜图像。示例性的，将平滑后的三维心脏表示为Y′∈RD ×H×W，示例性的，
其中，ε表示平滑系数，一般为0～0.5之间的数值。
本实施例在基于平滑标签对分割模型进行训练的过程中给予负样本一个较小的置信度，同时减少正样本的置信度，防止网络结构在学习的过程中过于自信，学习到错误的心脏切削边缘，从而提高网络结构对噪声标签的鲁棒性，从而提高了模型分割结果的准确性。
可选的，对于血管分割模型的训练可以是将上述训练完成的粗分割模型输出的心脏分割图像作为第一训练样本，并获取标注后的血管掩膜图像作为第二训练样本，基于第一训练样本和第二训练样本对当前第二卷积神经网络结构进行训练，得到训练完成的血管分割模型。
具体的，对于血管分割模型的训练过程可以包括：获取基于粗分割模型输出的各部位分割图像；获取至少一个标注后的血管掩膜图像，基于各血管掩膜图像和各部位分割图像，对第二卷积神经网络结构进行训练，得到训练完成的血管分割模型。
本实施例在对血管训练的过程中采用上述训练完成的粗分割模型输出的心脏作为训练样本的效果在于可以提高第二卷积神经网络在对于心脏中的血管位置的学习能力，从而提高对血管分割的准确性。
S220、获取原始图像，并基于预先训练的粗分割模型对原始医学图像进行粗分割处理，获得原始图像中目标部位的部位分割图像。
S230、获取预先训练的血管分割模型，并基于部位分割图像以及血管分割模型对原始图像进行血管分割，得到原始图像的血管分割图像。
本实施例的技术方案在具体包括：预先对粗分割模型以及血管分割模型进行训练获取原始图像，并基于预先训练的粗分割模型对原始医学图像进行粗分割处理，获得原始图像中目标部位的部位分割图像；其中，目标部位为原始图像中的待分割血管所在的部位；获取预先训练的血管分割模型，并基于部位分割图像以及血管分割模型对原始图像进行血管分割，得到原始图像的血管分割图像。上述技术方案通过采用标签平滑处理后的样本部位掩膜图像对粗分割模型进行训练，并基于训练完成的粗分割模型的输出结果作为样本数据之一对血管分割模型进行训练，得到训练完成的血管分割模型，提高了训练完成的模型在进行图像分割过程中的分割准确性；进一步的，通过训练完成的粗分割模型获取原始图像中的部位分割图像，并将其作为血管分割的位置先验信息，通过血管分割模型对原始原始图像中的血管进行分割，得到更加准确的分割结果，解决了现有技术主动脉分割结果效率差的问题，提高了对主动脉分割的精确性。
实施例三
图3为本发明实施例三提供的一种图像处理装置的结构示意图。如图3所示，该装置包括：
部位分割图像获得模块310，用于获取原始图像，并基于预先训练的粗分割模型对所述原始医学图像进行粗分割处理，获得所述原始图像中目标部位的部位分割图像；其中，所述目标部位为所述原始图像中的待分割血管所在的部位；
血管分割图像获得模块320，用于获取预先训练的血管分割模型，并基于所述部位分割图像以及所述血管分割模型对所述原始图像进行血管分割，得到所述原始图像的血管分割图像。
在上述实施方式的基础上，可选的，部位分割图像获得模块310，包括：
部位分割图像单元模块，用于获取预先训练的粗分割模型，将所述原始图像输入至所述粗分割模型中，得到所述粗分割模型输出的部位分割图像。
本发明实施例的技术方案包括：获取原始图像，并基于预先训练的粗分割模型对原始医学图像进行粗分割处理，获得原始图像中目标部位的部位分割图像；其中，目标部位为原始图像中的待分割血管所在的部位；获取预先训练的血管分割模型，并基于部位分割图像以及血管分割模型对原始图像进行血管分割，得到原始图像的血管分割图像。上述技术方案通过获取原始图像中的部位分割图像，并将其作为血管分割的位置先验信息，对原始原始图像中的血管进行分割，得到更加准确的分割结果，解决了现有技术主动脉分割结果效率差的问题，提高了对主动脉分割的精确性。
在上述实施方式的基础上，可选的，血管分割图像获得模块320，包括：
血管分割图像获得单元，用于将所述部位分割图像与所述原始图像共同输入至所述血管分割模型中，得到所述血管分割模型输出的血管分割图像。
在上述实施方式的基础上，可选的，该装置包括：第一模型训练模块，
该第一模型训练模块包括：
目标部位掩膜图像获得单元，用于获取至少一个标注后的部位掩膜图像，分别对各所述部位掩膜图像进行标签平滑处理，得到平滑后的各目标部位掩膜图像；
粗分割模型训练单元，用于基于所述目标部位掩膜图像对第一卷积神经网络结构进行训练，得到训练完成的粗分割模型。
在上述实施方式的基础上，可选的，目标部位掩膜图像获得单元，包括：
像素或体素获取子单元，用于对于任一标注后的部位掩膜图像，获取所述部位掩膜图像的各像素或各体素；
目标部位掩膜图像获得子单元，用于基于预设的平滑系数和各所述像素或各所述体素获得平滑后的目标部位掩膜图像。
在上述实施方式的基础上，可选的，该装置包括：第二模型训练模块，
该第二模型训练模块包括：
部位分割图像获取单元，用于获取基于所述粗分割模型获得的各部位分割图像；
血管分割模型训练单元，用于获取至少一个标注后的血管掩膜图像，基于各所述血管掩膜图像和各所述部位分割图像，对第二卷积神经网络结构进行训练，得到训练完成的血管分割模型。
在上述实施方式的基础上，可选的，所述部位分割图像包括心脏分割图像，所述血管分割图像包括冠状动脉血管图像。
本发明实施例所提供的图像处理装置可执行本发明任意实施例所提供的图像处理方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如图像处理方法。
在一些实施例中，图像处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的图像处理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种图像处理方法，其特征在于，包括：
获取原始图像，并基于预先训练的粗分割模型对所述原始医学图像进行粗分割处理，获得所述原始图像中目标部位的部位分割图像；其中，所述目标部位为所述原始图像中的待分割血管所在的部位；
获取预先训练的血管分割模型，并基于所述部位分割图像以及所述血管分割模型对所述原始图像进行血管分割，得到所述原始图像的血管分割图像。
2.根据权利要求1所述的方法，其特征在于，所述基于预先训练的粗分割模型对所述原始医学图像进行粗分割处理，获得所述原始图像中目标部位的部位分割图像，包括：
获取预先训练的粗分割模型，将所述原始图像输入至所述粗分割模型中，得到所述粗分割模型输出的部位分割图像。
3.根据权利要求1所述的方法，其特征在于，所述基于所述部位分割图像以及所述血管分割模型对所述原始图像进行血管分割，得到所述原始图像的血管分割图像，包括：
将所述部位分割图像与所述原始图像共同输入至所述血管分割模型中，得到所述血管分割模型输出的血管分割图像。
4.根据权利要求1所述的方法，其特征在于，所述粗分割模型的训练方法包括：
获取至少一个标注后的部位掩膜图像，分别对各所述部位掩膜图像进行标签平滑处理，得到平滑后的各目标部位掩膜图像；
基于所述目标部位掩膜图像对第一卷积神经网络结构进行训练，得到训练完成的粗分割模型。
5.根据权利要求4所述的方法，其特征在于，所述分别对各所述部位掩膜图像进行标签平滑处理，得到平滑后的各目标部位掩膜图像，包括：
对于任一标注后的部位掩膜图像，获取所述部位掩膜图像的各像素或各体素；
基于预设的平滑系数和各所述像素或各所述体素获得平滑后的目标部位掩膜图像。
6.根据权利要求1所述的方法，其特征在于，所述血管分割模型的训练方法包括：
获取基于所述粗分割模型获得的各部位分割图像；
获取至少一个标注后的血管掩膜图像，基于各所述血管掩膜图像和各所述部位分割图像，对第二卷积神经网络结构进行训练，得到训练完成的血管分割模型。
7.根据权利要求1所述的方法，其特征在于，所述部位分割图像包括心脏分割图像，所述血管分割图像包括冠状动脉血管图像。
8.一种图像分割装置，其特征在于，包括：
部位分割图像获得模块，用于获取原始图像，并基于预先训练的粗分割模型对所述原始医学图像进行粗分割处理，获得所述原始图像中目标部位的部位分割图像；其中，所述目标部位为所述原始图像中的待分割血管所在的部位；
血管分割图像获得模块，用于获取预先训练的血管分割模型，并基于所述部位分割图像以及所述血管分割模型对所述原始图像进行血管分割，得到所述原始图像的血管分割图像。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的图像处理方法。
10.一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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210686454.3A CN114937149A (zh) | 2022-06-16 | 2022-06-16 | 图像处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210686454.3A CN114937149A (zh) | 2022-06-16 | 2022-06-16 | 图像处理方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114937149A true CN114937149A (zh) | 2022-08-23 |
Family
ID=82869332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210686454.3A Pending CN114937149A (zh) | 2022-06-16 | 2022-06-16 | 图像处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114937149A (zh) |
Cited By (1)
| 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 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107369160A (zh) * | 2017-06-28 | 2017-11-21 | 苏州比格威医疗科技有限公司 | 一种oct图像中脉络膜新生血管分割算法 |
| CN109272510A (zh) * | 2018-07-24 | 2019-01-25 | 清华大学 | 一种三维医学图像中管状结构的分割方法 |
| CN114037665A (zh) * | 2021-10-28 | 2022-02-11 | 苏州迪凯尔医疗科技有限公司 | 下颌神经管的分割方法、装置、电子设备及存储介质 |
-
2022
- 2022-06-16 CN CN202210686454.3A patent/CN114937149A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107369160A (zh) * | 2017-06-28 | 2017-11-21 | 苏州比格威医疗科技有限公司 | 一种oct图像中脉络膜新生血管分割算法 |
| CN109272510A (zh) * | 2018-07-24 | 2019-01-25 | 清华大学 | 一种三维医学图像中管状结构的分割方法 |
| CN114037665A (zh) * | 2021-10-28 | 2022-02-11 | 苏州迪凯尔医疗科技有限公司 | 下颌神经管的分割方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 李洪亮 等: "三维血管造影数据的分割", 《生物医学工程与临床》, vol. 16, no. 1, 31 January 2012 (2012-01-31), pages 99 - 104 * |
Cited By (1)
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112560874A (zh) | 图像识别模型的训练方法、装置、设备和介质 | |
| CN115018805A (zh) | 分割模型训练方法、图像分割方法、装置、设备及介质 | |
| CN113362314B (zh) | 医学图像识别方法、识别模型训练方法及装置 | |
| CN117373070B (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
| CN114937025A (zh) | 图像分割方法、模型训练方法、装置、设备及介质 | |
| CN116109824A (zh) | 基于扩散模型的医学影像及像素级标注生成方法及装置 | |
| CN113378958A (zh) | 自动标注方法、装置、设备、存储介质及计算机程序产品 | |
| CN113971728B (zh) | 图像识别方法、模型的训练方法、装置、设备及介质 | |
| CN115409990A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
| CN116245832A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| CN114937149A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN115690143B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN115482261A (zh) | 血管配准方法、装置、电子设备及存储介质 | |
| CN115409856B (zh) | 一种肺部医学图像处理方法、装置、设备及存储介质 | |
| CN114882313B (zh) | 生成图像标注信息的方法、装置、电子设备及存储介质 | |
| CN115131390A (zh) | 图像分割方法、装置、电子设备以及存储介质 | |
| CN115861189A (zh) | 图像配准方法、装置、电子设备及存储介质 | |
| CN115482248A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN113435257B (zh) | 表格图像的识别方法、装置、设备和存储介质 | |
| CN114998273A (zh) | 血管图像处理方法、装置、电子设备及存储介质 | |
| CN109799936B (zh) | 一种图像生成方法、装置、设备及介质 | |
| CN117809092B (zh) | 一种医学图像的处理方法、装置、电子设备及存储介质 | |
| CN115861623A (zh) | 血管图像分割方法、装置、电子设备以及存储介质 | |
| CN117333487B (zh) | 一种痘痘分级方法、装置、设备及存储介质 | |
| CN114494818B (zh) | 图像处理方法、模型训练方法、相关装置及电子设备 |
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 |