CN115147359B - 肺叶分割网络模型训练方法、装置、电子设备及存储介质 - Google Patents

肺叶分割网络模型训练方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115147359B
CN115147359B CN202210630525.8A CN202210630525A CN115147359B CN 115147359 B CN115147359 B CN 115147359B CN 202210630525 A CN202210630525 A CN 202210630525A CN 115147359 B CN115147359 B CN 115147359B
Authority
CN
China
Prior art keywords
lung
image
segmentation
lobe
lung lobe
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.)
Active
Application number
CN202210630525.8A
Other languages
English (en)
Other versions
CN115147359A (zh
Inventor
代玉婷
丁佳
吕晨翀
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.)
Zhejiang Yizhun Intelligent Technology Co ltd
Original Assignee
Beijing Yizhun Medical AI 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 Yizhun Medical AI Co Ltd filed Critical Beijing Yizhun Medical AI Co Ltd
Priority to CN202210630525.8A priority Critical patent/CN115147359B/zh
Publication of CN115147359A publication Critical patent/CN115147359A/zh
Application granted granted Critical
Publication of CN115147359B publication Critical patent/CN115147359B/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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本公开提供了肺叶分割网络模型训练方法、装置、电子设备及存储介质，所述方法包括：获取样本数据集，所述样本数据集中的样本数据包括携带疾病轮廓标注和肺叶轮廓标注的样本图像；将所述样本图像作为肺叶分割网络模型的输入，得到多个肺部分割概率图及每个所述肺部分割概率图对应的肺部分割图像；计算每个所述肺部分割概率图与对应的标注结果之间的损失；基于所述损失调整所述肺叶分割网络模型的参数。

Description

肺叶分割网络模型训练方法、装置、电子设备及存储介质
技术领域
本公开涉及医学图像处理技术领域，尤其涉及肺叶分割网络模型训练方法、装置、电子设备及存储介质。
背景技术
可靠且自动的肺叶分割技术对肺部情况的评估具有重要意义。但是，人体的肺部被肺裂分成右上叶、右中叶、右下叶、左上叶和左下叶五部分，结构复杂且特殊。
因此，如何在自动进行肺叶分割的基础上，提高肺叶分割结果的效率和准确性，仍然是不懈努力的目标和方向。
发明内容
本公开提供了肺叶分割网络模型训练方法、装置、电子设备及存储介质，以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面，提供了一种肺叶分割网络模型训练方法，所述方法包括：获取样本数据集，所述样本数据集中的样本数据包括携带疾病轮廓标注和肺叶轮廓标注的样本图像；将所述样本图像作为肺叶分割网络模型的输入，得到多个肺部分割概率图及每个所述肺部分割概率图对应的肺部分割图像；计算每个所述肺部分割概率图与对应的标注结果之间的损失；基于所述损失调整所述肺叶分割网络模型的参数。
在一可实施方式中，所述获取样本数据集，包括：获取包括疾病轮廓标注的第一样本图像；确定所述第一样本图像中疾病区域对应的图像；将所述疾病区域对应的图像与包括肺叶轮廓标注的第二样本图像融合，得到所述携带疾病轮廓标注和肺叶轮廓标注的样本图像。
在一可实施方式中，所述确定所述第一样本图像中疾病区域对应的图像，包括：对所述第一样本图像进行处理，得到所述第一样本图像对应的二值图；将所述第一样本图像对应的二值图与所述第一样本图像进行点乘处理，得到所述第一样本图像中疾病区域对应的图像。
在一可实施方式中，所述将所述疾病区域对应的图像与包括肺叶轮廓标注的第二样本图像融合，包括：确定所述疾病区域对应的图像与所述包括肺叶轮廓标注的第二样本图像的融合位置；基于所述融合位置将所述疾病区域对应的图像与所述包括肺叶轮廓标注的第二样本图像融合。
在一可实施方式中，所述基于所述融合位置将所述疾病区域对应的图像与所述包括肺叶轮廓标注的第二样本图像融合，包括：利用所述疾病区域对应的图像替换所述包括肺叶轮廓标注的第二样本图像中所述融合位置处的图像。
在一可实施方式中，所述基于所述融合位置将所述疾病区域对应的图像与所述包括肺叶轮廓标注的第二样本图像融合，包括：将所述疾病区域对应的图像与所述包括肺叶轮廓标注的第二样本图像分别在所述融合位置处的图像进行线性组合。
在一可实施方式中，所述方法还包括：利用所述多个肺部分割概率图获取与所述多个肺部分割概率图对应的多个肺部分割图像；
基于所述多个肺部分割图像中肺部以外的分割图像修正所述多个肺部分割图像中的各肺叶分割图像。
在一可实施方式中，所述基于所述多个肺部分割图像中肺部以外的分割图像修正所述多个肺部分割图像，包括：确定所述多个肺部分割图像中的左肺分割图像、右肺分割图像和各肺叶分割图像；确定各所述肺叶分割图像中除肺部以外区域的像素值以及各所述肺叶分割图像中重叠区域的像素值为第一值；确定所述左肺分割图像中不属于任何肺叶区域的非左肺叶区分割图像，以及所述右肺分割图像中不属于任何肺叶区域的非右肺叶区分割图像；确定所述非左肺叶区分割图像中到所述肺叶分割图像中各左肺叶分割图像的最短距离，确定各所述左肺叶分割图像中最短距离对应的像素值为第二值；确定所述非右肺叶区分割图像中到所述肺叶分割图像中各右肺叶分割图像的最短距离，确定各所述右肺叶分割图像中最短距离对应的像素值为第二值。
根据本公开的第二方面，提供了一种肺叶分割确定方法，所述方法包括：获取待处理数据，所述待处理数据包括携带疾病轮廓标注和肺叶轮廓标注的待处理胸部图像；对所述待处理数据进行处理，得到多个肺部分割概率图及每个所述肺部分割概率图对应的肺部分割图像；利用所述多个肺部分割概率图及每个所述肺部分割概率图对应的肺部分割图像，确定肺叶分割图像。
在一可实施方式中，所述获取待处理数据，包括：获取包括疾病轮廓标注的第一胸部图像；确定所述第一胸部图像中疾病区域对应的图像；将所述疾病区域对应的图像与包括肺叶轮廓标注的第二胸部图像融合，得到所述携带疾病轮廓标注和肺叶轮廓标注的待处理胸部图像。
在一可实施方式中，所述对所述待处理数据进行处理，得到多个肺部分割概率图及每个所述肺部分割概率图对应的肺部分割图像，包括：将所述待处理胸部图像输入至肺叶分割网络模型，利用所述肺叶分割网络模型对所述待处理胸部图像中的肺部图像进行分割，得到多个肺部分割概率图及每个所述肺部分割概率图对应的肺部分割图像。
根据本公开的第三方面，提供了一种肺叶分割网络模型训练装置，所述装置包括：获取模块，用于获取样本数据集，所述样本数据集中的样本数据包括携带疾病轮廓标注和肺叶轮廓标注的样本图像；输入模块，用于将所述样本图像作为肺叶分割网络模型的输入，得到多个肺部分割概率图及每个所述肺部分割概率图对应的肺部分割图像；处理模块，用于计算每个所述肺部分割概率图与对应的标注结果之间的损失；调整模块，用于基于所述损失调整所述肺叶分割网络模型的参数。
在一可实施方式中，所述获取模块，包括：第一样本图像获取子模块，用于获取包括疾病轮廓标注的第一样本图像；图像确定子模块，用于确定所述第一样本图像中疾病区域对应的图像；融合子模块，用于将所述疾病区域对应的图像与包括肺叶轮廓标注的第二样本图像融合，得到所述携带疾病轮廓标注和肺叶轮廓标注的样本图像。
在一可实施方式中，所述图像确定子模块，具体用于对所述第一样本图像进行处理，得到所述第一样本图像对应的二值图；将所述第一样本图像对应的二值图与所述第一样本图像进行点乘处理，得到所述第一样本图像中疾病区域对应的图像。
在一可实施方式中，所述融合子模块，包括：第一融合子模块，用于确定所述疾病区域对应的图像与所述包括肺叶轮廓标注的第二样本图像的融合位置；第二融合子模块，用于基于所述融合位置将所述疾病区域对应的图像与所述包括肺叶轮廓标注的第二样本图像融合。
在一可实施方式中，所述第二融合子模块，具体用于利用所述疾病区域对应的图像替换所述包括肺叶轮廓标注的第二样本图像中所述融合位置处的图像。
在一可实施方式中，所述第二融合子模块，具体用于将所述疾病区域对应的图像与所述包括肺叶轮廓标注的第二样本图像分别在所述融合位置处的图像进行线性组合。
在一可实施方式中，所述获取模块，还用于利用所述多个肺部分割概率图获取与所述多个肺部分割概率图对应的多个肺部分割图像；所述装置还包括：修正模块，用于基于所述多个肺部分割图像中肺部以外的分割图像修正所述多个肺部分割图像中的各肺叶分割图像。
在一可实施方式中，所述修正模块，具体用于确定所述多个肺部分割图像中的左肺分割图像、右肺分割图像和各肺叶分割图像；确定各所述肺叶分割图像中除肺部以外区域的像素值以及各所述肺叶分割图像中重叠区域的像素值为第一值；确定所述左肺分割图像中不属于任何肺叶区域的非左肺叶区分割图像，以及所述右肺分割图像中不属于任何肺叶区域的非右肺叶区分割图像；确定所述非左肺叶区分割图像中到所述肺叶分割图像中各左肺叶分割图像的最短距离，确定各所述左肺叶分割图像中最短距离对应的像素值为第二值；确定所述非右肺叶区分割图像中到所述肺叶分割图像中各右肺叶分割图像的最短距离，确定各所述右肺叶分割图像中最短距离对应的像素值为第二值。
根据本公开的第四方面，提供了一种肺叶分割确定装置，所述装置包括：待处理数据获取模块，用于获取待处理数据，所述待处理数据包括携带疾病轮廓标注和肺叶轮廓标注的待处理胸部图像；待处理数据处理模块，用于对所述待处理数据进行处理，得到多个肺部分割概率图及每个所述肺部分割概率图对应的肺部分割图像；肺叶分割图像确定模块，用于利用所述多个肺部分割概率图及每个所述肺部分割概率图对应的肺部分割图像，确定肺叶分割图像。
根据本公开的第五方面，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指令，所述指令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公开所述的方法。
根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开所述的方法。
本公开的肺叶分割网络模型训练方法、装置、电子设备及存储介质，通过利用疾病轮廓标注和少量肺叶轮廓标注进行数据增强，将带有疾病轮廓标注和肺叶轮廓标注的标注数据用于肺叶分割网络模型，以实现肺叶分割，克服了相关技术中需要根据相关疾病进行大量肺叶轮廓标注这一缺陷，同时，避免了肺裂的不完整性对肺叶分割效果的限制，有效提高了肺叶分割结果的完整性和准确性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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
通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：
在附图中，相同或对应的标号表示相同或对应的部分。
图1示出了本公开实施例一种肺叶分割网络模型训练方法的一种处理流程示意图；
图2示出了本公开实施例一种肺叶分割网络模型训练方法中获取样本数据集的一种处理流程示意图；
图3示出了本公开实施例一种肺叶分割网络模型训练方法的一种流程示意图；
图4示出了本公开实施例一种肺叶分割网络模型训练方法的另一种处理流程示意图；
图5示出了本公开实施例一种肺叶分割网络模型训练方法的一种可视化结果对比图；
图6示出了本公开实施例一种肺叶分割网络模型训练方法的一种可选流程示意图；
图7示出了本公开实施例一种肺叶分割网络模型训练装置的组成结构示意图；
图8示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而非全部实施例。基于本公开中的实施例，本领域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，都属于本公开保护的范围。
相关技术中，对肺叶进行分割的方法主要分为以下两种：一种是基于肺裂检测的方法，利用肺裂检测结果划分肺叶；另一种是将肺叶分割归结为语义分割问题，利用语义分割划分肺叶。
基于肺裂检测实现的肺叶分割算法早期主要基于人工设计的局部特征描述方法来实现肺裂检测，利用气管树的先验信息将血管分配到不同的肺叶中，基于血管在肺叶内相连但不会跨越肺叶边界的假设来初始化他们的肺裂搜索，利用边缘检测滤波来检测肺裂，并通过形态学操作连接肺裂。完成对肺裂的连接后，使用基于阈值的方法来检测候选肺裂点，再根据检测得到的候选肺裂点来构建三维几何网格。通过连续的平滑操作将构建的三维几何网格简化为一系列近似的肺裂块，并根据肺裂块的方向对其进行分离和标记，然后使用径向基函数将检测到的肺裂块形成一个完整的肺裂平面。
总的来说，基于肺裂检测实现肺叶分割的方法通常基于以下几点：首先，基于肺分割算法得到肺分割结果；其次，获取肺裂的候选检测结果；接着，利用先验信息来减少候选肺裂检测结果的假阳性；然后，基于肺裂检测结果构造连续的肺裂平面。基于人工特征的机器学习方法实现肺裂检测，使用了包括像素强度、梯度、海塞矩阵特征值等特征来训练KNN分类器。其中，KNN分类器是基于KNN算法实现的，而KNN算法也被称为K邻近分类(K-NearestNeighbor algorithm，KNN)算法，对数据的特征变量的筛选尤其有效。基于深度学习的肺裂检测方法，通过训练神经网络模型来逐渐分割粗糙肺裂区域、肺裂、低分辨率肺叶以及高分辨率肺叶，再利用级联神经网络(Cascaded Neural Network，CNN)模型将上一阶段的肺叶分割结果信息应用到下一阶段。同时，因为肺叶的边界与周围的血管、气管以及胸膜等其他组织结构相关，而卷积层捕获结构化关系的能力有限，故通过引入非局部神经网络模块来学习结构化关系，利用学习到的结构化关系来辅助分割肺叶。
可以看出，为了能更高效的得到更准确的肺叶分割结果，研究者们对基于肺裂检测实现肺叶分割的方法进行了多种改进和尝试，这些改进和尝试也卓有成效，目前基于肺裂检测实现肺叶分割的方法在肺裂清晰可见的数据上取得了不错的效果。但是这类方法过度依赖肺裂检测结果，当肺裂检测结果存在肺裂难以分辨或不完整的问题时，难以保障肺叶分割结果的准确性。可以说，肺裂的不完整性等因素天然限制了肺裂检测方法的效果。
在利用语义分割划分肺叶的方法中，语义分割的目标是实现像素级的识别，标记每个像素所属的类别。肺叶分割需要将肺部计算机断层扫描(Computed Tomography，CT)图像分成五个不同的肺叶以及肺外区域，即将肺部每个体像素识别为右上叶、右中叶、右下叶、左上叶、左下叶和肺外区域。基于深度学习的语义分割方法在肺叶分割方向也取得了重要进展。基于三维(Three Dimensions，3D)V-Net网络结构实现了肺叶分割，还提出了使用混合损失函数来缓解类别不均衡的问题。
与基于肺裂检测实现肺叶分割的方法不同的是，基于深度学习的语义分割方法降低了对肺裂完整性的依赖。但是，肺叶分割的一种重要用途是便于医学人员定位疾病发生的位置，因此需要在相关疾病数据上实现准确的肺叶分割，也就是说需要在疾病轮廓标注的基础上进行肺叶轮廓标注。而基于深度学习的语义分割方法需要大量的肺叶轮廓标注，才能在不同的疾病轮廓标注上取得较好的效果，同时，肺叶轮廓标注非常复杂，需要耗费大量的资源，限制了肺叶分割的效率。
由此，本公开实施例提出了一种肺叶分割方法，克服了基于肺裂检测实现肺叶分割方法中过度依赖肺裂检测结果的缺陷，降低了肺裂的不完整性对肺叶分割效果的限制。同时，针对在肺叶分割方向，基于深度学习的语义分割方法依赖大量的肺叶轮廓标注这一问题，本公开实施例通过利用无肺叶轮廓标注的疾病轮廓标注和少量肺叶轮廓标注进行数据增强，将增强后的数据用于肺叶分割网络模型，以实现对肺叶进行划分，提高肺叶分割网络模型在相关疾病轮廓标注上的肺叶分割效果。除此之外，本公开实施例还可以预测肺叶和肺外区域，利用肺外区域修正肺叶分割结果，进一步提高肺叶分割效果。
图1示出了本公开实施例一种肺叶分割网络模型训练方法的一种处理流程示意图。
参考图1，本公开实施例肺叶分割网络模型训练方法的一种处理流程，至少包括以下步骤：
步骤S101，获取样本数据集，样本数据集中的样本数据包括携带疾病轮廓标注和肺叶轮廓标注的样本图像。
图2示出了本公开实施例一种肺叶分割网络模型训练方法中获取样本数据集的一种处理流程示意图。
参考图2，在一些实施例中，获取样本数据集的具体实现过程至少可以包括：
步骤S101a，获取包括疾病轮廓标注的第一样本图像；
在一些实施例中，第一样本图像可以是胸部CT图像，也可以是肺部CT图像。相应地，包括疾病轮廓标注的第一样本图像可以是具有疾病轮廓标注，但不具有肺叶轮廓标注的胸部CT图像。其中，疾病轮廓标注还可以被称为疾病区域轮廓标注。
步骤S101b，确定第一样本图像中疾病区域对应的图像；
在一些实施例中，确定第一样本图像中疾病区域对应的图像的具体实现过程至少可以包括：
步骤S101b1，对第一样本图像进行处理，得到第一样本图像对应的二值图；
在一些实施例中，对第一样本图像进行二值化处理，若第一样本图像是具有疾病轮廓标注，但不具有肺叶轮廓标注的胸部CT图像，则可以根据疾病轮廓标注，得到关于疾病区域的二值图，也就是第一样本图像对应的二值图。
步骤S101b2，将第一样本图像对应的二值图与第一样本图像进行点乘处理，得到第一样本图像中疾病区域对应的图像。
在一些实施例中，获取第一样本图像中疾病区域对应的图像的过程可以理解为根据第一样本图像中的疾病轮廓标注，确定疾病区域在第一样本图像中所处位置的过程。
步骤S101c，将疾病区域对应的图像与包括肺叶轮廓标注的第二样本图像融合，得到携带疾病轮廓标注和肺叶轮廓标注的样本图像。
在一些实施例中，将疾病区域对应的图像与包括肺叶轮廓标注的第二样本图像融合的具体实现过程至少可以包括：
步骤S101c1，确定疾病区域对应的图像与包括肺叶轮廓标注的第二样本图像的融合位置；
在一些实施例中，根据先验信息判断疾病在第一样本图像中可能出现的位置，将可能出现的位置确定为候选融合位置，再根据有肺叶轮廓标注的第二样本图像结合候选融合位置，来确定融合位置。
在一些实施例中，第二样本图像可以是胸部CT图像，也可以是肺部CT图像。若第二样本图像为肺部CT图像，则对肺部CT图像进行二值化处理获取肺二值图，根据肺二值图和候选融合位置，确定融合位置。其中，肺二值图是指根据肺叶轮廓，通过填充的方式将属于肺叶的区域以及不属于肺叶的区域区分开，如：根据肺叶轮廓把属于肺叶的区域填充为1，不属于肺叶的区域填充为0。
其中，先验信息是指根据历史经验获知某件事当下发生的概率或情况，如：若存在胸腔积液以及气胸等疾病，则疾病通常主要发生在胸腔膜内，若存在纵隔疾病，则疾病通常主要发生在纵隔区域内。
在本公开实施例中，因为影响肺叶分割效果的疾病主要发生肺内，所以根据有肺叶轮廓标注的第二样本图像来随机确定融合位置，应注意此处随机确定融合位置是指选择肺内的任意位置。融合位置可以理解为疾病区域对应的图像与包括肺叶轮廓标注的第二样本图像的图像结合位置，即为疾病在包括肺叶轮廓标注的第二样本图像中出现的位置。
步骤S101c2，基于融合位置将疾病区域对应的图像与包括肺叶轮廓标注的第二样本图像融合。
在一些实施例中，基于融合位置将疾病区域对应的图像与包括肺叶轮廓标注的第二样本图像融合的具体实现过程至少可以包括：
利用疾病区域对应的图像替换包括肺叶轮廓标注的第二样本图像中融合位置处的图像。
在一些实施例中，可以通过随机替换方法对融合位置处的图像进行替换。随机替换方法是指在实验中以0.5的概率选择是否利用疾病区域对应的图像替换包括肺叶轮廓标注的第二样本图像中融合位置处的图像，若选择不替换，则将包括肺叶轮廓标注的第二样本图像作为数据增强后生成的新图像，没有做任何变化，记为肺叶分割网络模型的输入图像；若选择替换，则将替换后的图像作为数据增强后生成的新图像，记为肺叶分割网络模型的输入图像。
在一些实施例中，基于融合位置将疾病区域对应的图像与包括肺叶轮廓标注的第二样本图像融合的具体实现过程还至少可以包括：
将疾病区域对应的图像与包括肺叶轮廓标注的第二样本图像分别在融合位置处的图像进行线性组合。
在一些实施例中，将包括肺叶轮廓标注的第二样本图像中融合位置处的图像记为x，即记融合位置处的原始图像为x；疾病区域对应的图像记为y；融合后，融合位置处的图像记为x′，则可以根据如下公式进行线性组合：
x′＝x+λy
其中，λ表示线性组合的权重，λ可以从贝塔分布Beta(a,a)中采样获取，当a趋近于0时，通过线性组合实现图像融合的方法与对融合位置处的图像进行随机替换的方法无限接近。
以上是本公开实施例进行数据增强的过程，数据增强在深度学习中有着较为广泛的应用，尤其在数据集较小时，数据增强可以用于防止模型过拟合。本公开实施例为了能够在相关疾病数据上正确分割肺叶，利用疾病区域和肺叶的先验信息，设计数据增强方式，合成了携带疾病轮廓标注和肺叶轮廓标注的标注数据，将合成的标注数据用于训练肺叶分割网络模型，提升在疾病数据上的肺叶分割效果。
图3示出了本公开实施例一种肺叶分割网络模型训练方法的一种流程示意图。
参考图3，可以随机从已有的疾病数据集中挑选一例或多例疾病数据，利用少量肺叶轮廓标注和疾病轮廓标注进行数据增强。根据疾病图像和疾病二值图进行特征获取的过程与上述步骤S101b1至步骤S101b2相对应，疾病图像中包括疾病轮廓标注等疾病数据；根据输入图像的肺二值图确定特征结合位置的过程与上述步骤S101c1相对应，输入图像即为包括肺叶轮廓标注的第二样本图像；进行特征结合的过程则与上述步骤S101c2相对应，具体的实现过程在此不再赘述。
步骤S102，将样本图像作为肺叶分割网络模型的输入，得到多个肺部分割概率图及每个肺部分割概率图对应的肺部分割图像。
在一些实施例中，肺叶分割网络可以使用包括V-Net以及U-Net在内的任意一种语义分割网络。
在一些实施例中，根据肺叶分割网络模型的输出，可以获得包括右上叶、右中叶、右下叶、左上叶、左下叶、右肺和左肺在内的多个肺部分割概率图及每个肺部分割概率图对应的肺部分割图像。
步骤S103，计算每个肺部分割概率图与对应的标注结果之间的损失。
在一些实施例中，可以将骰子(Dice)损失作为肺叶分割网络模型的损失函数，计算公式如下：
Figure BDA0003679212480000121
其中，P表示肺叶分割网络模型输出的肺部分割概率图，Y表示标注结果，N表示肺部分割图像中像素的总个数。
步骤S104，基于损失调整肺叶分割网络模型的参数。
目前，肺叶的主要区分依据是肺裂以及肺内解剖结构，但肺裂在CT图像中会出现部分不可见的现象，这部分的肺叶边界特征不明显，导致肺叶分割过程中在肺叶边界处容易出现错误，如：若右上叶和右中叶的边界不清晰，则可能会将边界附近的像素同时划分给右上叶和右中叶所属的肺叶分割图像，也可能同时不划分给右上叶和右中叶所属的肺叶分割图像，但显然边界附近的像素是属于右肺内某一个肺叶分割图像的。
故本公开实施例还提出了利用多个肺部分割概率图获取与多个肺部分割概率图对应的多个肺部分割图像；基于多个肺部分割图像中肺部以外的分割图像修正肺部分割图像中的各肺叶分割图像。
图4示出了本公开实施例一种肺叶分割网络模型训练方法的另一种处理流程示意图。
参考图4，在一些实施例中，基于多个肺部分割图像中肺部以外的分割图像修正肺部分割图像中的各肺叶分割图像的具体实现过程至少可以包括：
步骤A，确定多个肺部分割图像中的左肺分割图像、右肺分割图像和各肺叶分割图像；
在一些实施例中，使用0.5作为阈值对多个肺部分割概率图进行二值化处理，得到多个肺部分割概率图对应的多个肺部分割图像。其中，多个肺部分割图像可以包括：左肺分割图像、右肺分割图像以及各肺叶分割图像；而各肺叶分割图像包括右上肺叶分割图像、右中肺叶分割图像、右下肺叶分割图像、左上肺叶分割图像以及左下肺叶分割图像。
在一些实施例中，左肺分割图像可以被称为左肺分割二值图，右肺分割图像可以被称右肺分割二值图，左肺分割图像和右肺分割图像可以统称为肺部分割二值图。相应地，各肺叶分割图像可以统称为各肺叶分割二值图。其中，二值图表示了图像中每个像素是否属于某一类别，如右上肺叶二值图表示右上肺叶二值图中每个像素是否属于右上肺叶，1表示属于，0表示不属于。
在一些实施例中，左肺分割图像和右肺分割图像的肺边界相比于各肺叶分割图像更加清晰，因此，左肺分割图像和右肺分割图像中的分割结果较为准确，可以将左肺分割图像和右肺分割图像用于修正各肺叶分割图像。
步骤B，确定各肺叶分割图像中除肺部以外区域的像素值以及各肺叶分割图像中重叠区域的像素值为第一值；
在一些实施例中，以左肺分割图像和右肺分割图像为基准，分别将各肺叶分割图像与左肺分割图像及右肺分割图像进行比对，确定各肺叶分割图像中除肺部以外区域的像素值以及各肺叶分割图像中重叠区域的像素值为常数0。
由此，将各肺叶分割图像中实际上不属于肺部，却被划分为肺部的像素以及被重复分配的像素修正为除肺部以外的区域的像素，以便后续进行此类像素的重新分配。
步骤C，确定左肺分割图像中不属于任何肺叶区域的非左肺叶区分割图像，以及右肺分割图像中不属于任何肺叶区域的非右肺叶区分割图像；
在一些实施例中，确定左肺分割图像和左肺叶区分割图像之差为左肺分割图像中不属于任何肺叶区域的非左肺叶区分割图像，左肺叶区分割图像为左上肺叶分割图像以及左下肺叶分割图像之和；确定右肺分割图像和右肺叶区分割图像之差为右肺分割图像中不属于任何肺叶区域的非右肺叶区分割图像，右肺叶区分割图像为右上肺叶分割图像、右中肺叶分割图像以及右下肺叶分割图像之和。由此，获得了属于肺部，但不属于各肺叶的像素的位置。
应理解，二值图只有0和1两种取值，通过减法分别可以计算出左肺分割图像与左肺叶区分割图像之间的差异，以及右肺分割图像与右肺叶区分割图像之间的差异。
步骤D，确定非左肺叶区分割图像中到肺叶分割图像中各左肺叶分割图像的最短距离，确定各左肺叶分割图像中最短距离对应的像素值为第二值；
在一些实施例中，分别计算非左肺叶区分割图像中的像素到肺叶分割图像中左上叶以及左下叶的最短距离，记为d左上、以及d左下，取距离最小者，确定对应肺叶分割图像中对应的像素值为常数1。如：若d左上距离最小，则将左上叶所对应的肺叶分割图像中对应的像素值确定为常数1。
步骤E，确定非右肺叶区分割图像中到肺叶分割图像中各右肺叶分割图像的最短距离，确定各右肺叶分割图像中最短距离对应的像素值为第二值。
在一些实施例中，分别计算非右肺叶区分割图像中的像素到肺叶分割图像中右上叶、右中叶以及右下叶的最短距离，记为d右上、d右中以及d右下，取距离最小者，确定对应肺叶分割图像中对应的像素值为常数1。如：若d右上距离最小，则将右上叶所对应的肺叶分割图像中对应的像素值确定为常数1。
由此，实现了不存在于各肺叶分割图像中，但存在于左肺分割图像和右肺分割图像中的像素位置的重新分配，即根据左肺分割图像和右肺分割图像中肺部以外的分割图像，完成了对多个肺部分割图像中的各肺叶分割图像的修正。
图5示出了本公开实施例一种肺叶分割网络模型训练方法的一种可视化结果对比图。
参考图5，图5由位于左侧位置、位于中间位置以及位于右侧位置的三个图像组成。其中，位于左侧位置的图像为标注结果，位于中间位置的图像为仅使用肺叶轮廓标注训练肺叶分割模型所得到的肺叶分割结果，位于右侧位置的图像为本公开实施例的肺叶分割结果，图5中每个图像均以线条对各肺叶的边界进行了标示，图5中每个图的左侧图像均为右肺对应的图像，图5中每个图的右侧图像均为左肺对应的图像。
根据组成图5的三个图像中，位于中间位置的图像，也就是仅使用肺叶轮廓标注训练肺叶分割模型所得到的肺叶分割结果可以看出，对左下侧肺叶，即右下叶边界处有疾病轮廓标注的部分进行分割后获取的分割结果不完整，存在明显的肺叶边界缺失，准确度较低。而根据组成图5的三个图像中，位于右侧位置的图像，也就是本公开实施例的肺叶分割结果可以看出，对左下侧肺叶，即右下叶边界处有疾病轮廓标注的部分进行分割后获取的分割结果更为完整和准确。
图6示出了本公开实施例一种肺叶分割网络模型训练方法的一种可选流程示意图。
参考图6，以胸部CT图像为例，对本公开实施例肺叶分割网络模型训练方法的一种可选的流程进行说明，至少包括以下步骤：
步骤S601，获取包括疾病轮廓标注的第一胸部CT图像。
步骤S602，确定第一胸部CT图像中疾病区域对应的图像。
具体地，对第一胸部CT图像进行处理，得到第一胸部CT图像对应的二值图。
具体地，将第一胸部CT图像对应的二值图与第一胸部CT图像进行点乘处理，得到第一胸部CT图像中疾病区域对应的图像。
步骤S603，将疾病区域对应的图像与包括肺叶轮廓标注的第二胸部CT图像融合，得到携带疾病轮廓标注和肺叶轮廓标注的胸部CT图像。
具体地，确定疾病区域对应的图像与包括肺叶轮廓标注的第二胸部CT图像的融合位置。
具体地，基于融合位置将疾病区域对应的图像与包括肺叶轮廓标注的第二胸部CT图像融合。
可选地，可以利用疾病区域对应的图像替换包括肺叶轮廓标注的第二胸部CT图像中融合位置处的图像。
可选地，也可以将疾病区域对应的图像与包括肺叶轮廓标注的第二胸部CT图像分别在融合位置处的图像进行线性组合。
步骤S604，将携带疾病轮廓标注和肺叶轮廓标注的胸部CT图像作为肺叶分割网络模型的输入，得到多个肺部分割概率图及每个肺部分割概率图对应的肺部分割图像。
可选地，肺叶分割网络使用3D U-Net网络。
具体地，根据肺叶分割网络模型的输出，可以获得右上叶分割概率图、右中叶分割概率图、右下叶分割概率图、左上叶分割概率图、左下叶分割概率图、右肺分割概率图和左肺分割概率图共7组肺部分割概率图。
步骤S605，利用多个肺部分割概率图获取与多个肺部分割概率图对应的多个肺部分割图像。
具体地，使用0.5作为阈值对多个肺部分割概率图进行二值化处理，得到多个肺部分割概率图对应的多个肺部分割图像。
步骤S606，确定多个肺部分割图像中的左肺分割图像、右肺分割图像和各肺叶分割图像。
具体地，多个肺部分割图像可以包括：左肺分割图像、右肺分割图像以及各肺叶分割图像。
步骤S607，确定各肺叶分割图像中除肺部以外区域的像素值以及各肺叶分割图像中重叠区域的像素值为常数0。
具体地，以左肺分割图像和右肺分割图像为基准，分别将各肺叶分割图像与左肺分割图像及右肺分割图像进行比对，确定各肺叶分割图像中除肺部以外区域的像素值以及各肺叶分割图像中重叠区域的像素值为常数0。
步骤S608，确定左肺分割图像中不属于任何肺叶区域的非左肺叶区分割图像，以及右肺分割图像中不属于任何肺叶区域的非右肺叶区分割图像。
可选地，根据左肺分割图像与左肺叶区分割图像之间的差异，以及右肺分割图像与右肺叶区分割图像之间的差异，确定非左肺叶区分割图像和非右肺叶区分割图像。
步骤S609，确定非左肺叶区分割图像中到肺叶分割图像中各左肺叶分割图像的最短距离，确定各左肺叶分割图像中最短距离对应的像素值为常数1。
步骤S610，确定非右肺叶区分割图像中到肺叶分割图像中各右肺叶分割图像的最短距离，确定各右肺叶分割图像中最短距离对应的像素值为常数1。
应理解，本公开实施例仅用于以胸部CT图像为例，说明肺叶分割网络模型的一种实际应用场景，所涉及的具体实现方式均已在上述实施例中有详细描述，这里不再赘述。
本公开实施例中，根据肺叶分割网络模型输出的多个肺部分割概率图，获取左肺分割图像、右肺分割图像以及各肺叶分割图像，利用左肺分割图像和右肺分割图像的肺边界比各肺叶分割图像更加清晰，分割结果较为准确的特点，修正各肺叶分割图像，有效提高了肺叶分割结果的准确性。
图7示出了实施例一种肺叶分割网络模型训练装置的组成结构示意图。
参考图7，实施例一种肺叶分割网络模型训练装置，所述肺叶分割网络模型训练装置70包括：获取模块701，用于获取样本数据集，样本数据集中的样本数据包括携带疾病轮廓标注和肺叶轮廓标注的样本图像；输入模块702，用于将样本图像作为肺叶分割网络模型的输入，得到多个肺部分割概率图及每个肺部分割概率图对应的肺部分割图像；处理模块703，用于计算每个肺部分割概率图与对应的标注结果之间的损失；调整模块704，用于基于损失调整肺叶分割网络模型的参数。
在一些实施例中，获取模块701，包括：第一样本图像获取子模块7011，用于获取包括疾病轮廓标注的第一样本图像；图像确定子模块7012，用于确定第一样本图像中疾病区域对应的图像；融合子模块7013，用于将疾病区域对应的图像与包括肺叶轮廓标注的第二样本图像融合，得到携带疾病轮廓标注和肺叶轮廓标注的样本图像。
在一些实施例中，图像确定子模块7012，具体用于对第一样本图像进行处理，得到第一样本图像对应的二值图；将第一样本图像对应的二值图与第一样本图像进行点乘处理，得到第一样本图像中疾病区域对应的图像。
在一些实施例中，融合子模块7013，包括：第一融合子模块7013a，用于确定疾病区域对应的图像与包括肺叶轮廓标注的第二样本图像的融合位置；第二融合子模块7013b，用于基于融合位置将疾病区域对应的图像与包括肺叶轮廓标注的第二样本图像融合。
在一些实施例中，第二融合子模块7013b，具体用于利用疾病区域对应的图像替换包括肺叶轮廓标注的第二样本图像中融合位置处的图像。
在一些实施例中，第二融合子模块7013b，具体用于将疾病区域对应的图像与包括肺叶轮廓标注的第二样本图像分别在融合位置处的图像进行线性组合。
在一些实施例中，获取模块701，还用于利用多个肺部分割概率图获取与多个肺部分割概率图对应的多个肺部分割图像；所述肺叶分割网络模型训练装置70还包括：修正模块705，用于基于多个肺部分割图像中肺部以外的分割图修正多个肺部分割图像中的各肺叶分割图像。
在一些实施例中，修正模块705，具体用于确定肺部分割图像中的左肺分割图像、右肺分割图像和各肺叶分割图像；确定各肺叶分割图像中除肺部以外区域的像素值以及各肺叶分割图像中重叠区域的像素值为第一值；确定左肺分割图像中不属于任何肺叶区域的非左肺叶区分割图像，以及右肺分割图像中不属于任何肺叶区域的非右肺叶区分割图像；确定非左肺叶区分割图像中到肺叶分割图像中各左肺叶分割图像的最短距离，确定各左肺叶分割图像中最短距离对应的像素值为第二值；确定非右肺叶区分割图像中到肺叶分割图像中各右肺叶分割图像的最短距离，确定各右肺叶分割图像中最短距离对应的像素值为第二值。
根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。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、可穿戴电子设备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/或者要求的本公开的实现。
如图8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他电子设备交换信息/数据。
计算单元801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。计算单元801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计算单元、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。计算单元801执行上文所描述的各个方法和处理，例如肺叶分割网络模型训练方法。例如，在一些实施例中，肺叶分割网络模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的肺叶分割网络模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行肺叶分割网络模型训练方法。
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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
在本公开的上下文中，机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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，可以在计算机上实施此处描述的系统和技术，该计算机具有：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计算机。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)和互联网。
计算机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，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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，本发公开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，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。

Claims (13)

1.一种肺叶分割网络模型训练方法，其特征在于，所述方法包括：
获取样本数据集，所述样本数据集中的样本数据包括携带疾病轮廓标注和肺叶轮廓标注的样本图像；
将所述样本图像作为肺叶分割网络模型的输入，得到多个肺部分割概率图及每个所述肺部分割概率图对应的肺部分割图像；
计算每个所述肺部分割概率图与对应的标注结果之间的损失；
基于所述损失调整所述肺叶分割网络模型的参数；
其中，所述获取样本数据集，包括：获取包括疾病轮廓标注的第一样本图像；确定所述第一样本图像中疾病区域对应的图像；将所述疾病区域对应的图像与包括肺叶轮廓标注的第二样本图像融合，得到所述携带疾病轮廓标注和肺叶轮廓标注的样本图像。
2.根据权利要求1所述的方法，其特征在于，所述确定所述第一样本图像中疾病区域对应的图像，包括：
对所述第一样本图像进行处理，得到所述第一样本图像对应的二值图；
将所述第一样本图像对应的二值图与所述第一样本图像进行点乘处理，得到所述第一样本图像中疾病区域对应的图像。
3.根据权利要求1所述的方法，其特征在于，所述将所述疾病区域对应的图像与包括肺叶轮廓标注的第二样本图像融合，包括：
确定所述疾病区域对应的图像与所述包括肺叶轮廓标注的第二样本图像的融合位置；
基于所述融合位置将所述疾病区域对应的图像与所述包括肺叶轮廓标注的第二样本图像融合。
4.根据权利要求3所述的方法，其特征在于，所述基于所述融合位置将所述疾病区域对应的图像与所述包括肺叶轮廓标注的第二样本图像融合，包括：
利用所述疾病区域对应的图像替换所述包括肺叶轮廓标注的第二样本图像中所述融合位置处的图像。
5.根据权利要求3所述的方法，其特征在于，所述基于所述融合位置将所述疾病区域对应的图像与所述包括肺叶轮廓标注的第二样本图像融合，包括：
将所述疾病区域对应的图像与所述包括肺叶轮廓标注的第二样本图像分别在所述融合位置处的图像进行线性组合。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
利用所述多个肺部分割概率图获取与所述多个肺部分割概率图对应的多个肺部分割图像；
基于所述多个肺部分割图像中肺部以外的分割图像修正所述多个肺部分割图像中的各肺叶分割图像。
7.根据权利要求6所述的方法，其特征在于，所述基于所述多个肺部分割图像中肺部以外的分割图像修正所述多个肺部分割图像，包括：
确定所述多个肺部分割图像中的左肺分割图像、右肺分割图像和各肺叶分割图像；
确定各所述肺叶分割图像中除肺部以外区域的像素值以及各所述肺叶分割图像中重叠区域的像素值为第一值；
确定所述左肺分割图像中不属于任何肺叶区域的非左肺叶区分割图像，以及所述右肺分割图像中不属于任何肺叶区域的非右肺叶区分割图像；
确定所述非左肺叶区分割图像中到所述肺叶分割图像中各左肺叶分割图像的最短距离，确定各所述左肺叶分割图像中最短距离对应的像素值为第二值；
确定所述非右肺叶区分割图像中到所述肺叶分割图像中各右肺叶分割图像的最短距离，确定各所述右肺叶分割图像中最短距离对应的像素值为第二值。
8.一种肺叶分割确定方法，其特征在于，所述方法包括：
获取待处理数据，所述待处理数据包括携带疾病轮廓标注和肺叶轮廓标注的待处理胸部图像；
对所述待处理数据进行处理，得到多个肺部分割概率图及每个所述肺部分割概率图对应的肺部分割图像；
利用所述多个肺部分割概率图及每个所述肺部分割概率图对应的肺部分割图像，确定肺叶分割图像；
其中，所述获取待处理数据，包括：获取包括疾病轮廓标注的第一胸部图像；确定所述第一胸部图像中疾病区域对应的图像；将所述疾病区域对应的图像与包括肺叶轮廓标注的第二胸部图像融合，得到所述携带疾病轮廓标注和肺叶轮廓标注的待处理胸部图像。
9.根据权利要求8所述的方法，其特征在于，所述对所述待处理数据进行处理，得到多个肺部分割概率图及每个所述肺部分割概率图对应的肺部分割图像，包括：
将所述待处理胸部图像输入至肺叶分割网络模型，利用所述肺叶分割网络模型对所述待处理胸部图像中的肺部图像进行分割，得到多个肺部分割概率图及每个所述肺部分割概率图对应的肺部分割图像。
10.一种肺叶分割网络模型训练装置，其特征在于，所述装置包括：
获取模块，用于获取样本数据集，所述样本数据集中的样本数据包括携带疾病轮廓标注和肺叶轮廓标注的样本图像；
输入模块，用于将所述样本图像作为肺叶分割网络模型的输入，得到多个肺部分割概率图及每个所述肺部分割概率图对应的肺部分割图像；
处理模块，用于计算每个所述肺部分割概率图与对应的标注结果之间的损失；
调整模块，用于基于所述损失调整所述肺叶分割网络模型的参数；
其中，所述获取模块，包括：第一样本图像获取子模块，用于获取包括疾病轮廓标注的第一样本图像；图像确定子模块，用于确定所述第一样本图像中疾病区域对应的图像；融合子模块，用于将所述疾病区域对应的图像与包括肺叶轮廓标注的第二样本图像融合，得到所述携带疾病轮廓标注和肺叶轮廓标注的样本图像。
11.一种肺叶分割确定装置，其特征在于，所述装置包括：
待处理数据获取模块，用于获取待处理数据，所述待处理数据包括携带疾病轮廓标注和肺叶轮廓标注的待处理胸部图像；
待处理数据处理模块，用于对所述待处理数据进行处理，得到多个肺部分割概率图及每个所述肺部分割概率图对应的肺部分割图像；
肺叶分割图像确定模块，用于利用所述多个肺部分割概率图及每个所述肺部分割概率图对应的肺部分割图像，确定肺叶分割图像；
其中，所述待处理数据获取模块，具体用于获取包括疾病轮廓标注的第一胸部图像；确定所述第一胸部图像中疾病区域对应的图像；将所述疾病区域对应的图像与包括肺叶轮廓标注的第二胸部图像融合，得到所述携带疾病轮廓标注和肺叶轮廓标注的待处理胸部图像。
12.一种电子设备，其特征在于，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指令，所述指令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中任一项所述的肺叶分割网络模型训练方法。
13.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的肺叶分割网络模型训练方法。
CN202210630525.8A 2022-06-06 2022-06-06 肺叶分割网络模型训练方法、装置、电子设备及存储介质 Active CN115147359B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210630525.8A CN115147359B (zh) 2022-06-06 2022-06-06 肺叶分割网络模型训练方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210630525.8A CN115147359B (zh) 2022-06-06 2022-06-06 肺叶分割网络模型训练方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115147359A CN115147359A (zh) 2022-10-04
CN115147359B true CN115147359B (zh) 2023-04-07

Family

ID=83405736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210630525.8A Active CN115147359B (zh) 2022-06-06 2022-06-06 肺叶分割网络模型训练方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115147359B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187476B (zh) * 2023-05-04 2023-07-21 珠海横琴圣澳云智科技有限公司 基于混合监督的肺叶分割模型训练、肺叶分割方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111260669A (zh) * 2020-02-17 2020-06-09 北京推想科技有限公司 基于ct图像的肺叶分割方法和装置
CN111784700A (zh) * 2019-04-04 2020-10-16 阿里巴巴集团控股有限公司 肺叶分割、模型训练、模型构建与分割方法、系统及设备

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5430855B2 (ja) * 2005-01-20 2014-03-05 プルモンクス コーポレイション 標的の肺小室を評価するシステム
WO2019000455A1 (zh) * 2017-06-30 2019-01-03 上海联影医疗科技有限公司 图像分割的方法及系统
CN109615636B (zh) * 2017-11-03 2020-06-12 杭州依图医疗技术有限公司 Ct影像的肺叶段分割中的血管树构造方法、装置
CN109559317B (zh) * 2018-10-09 2023-09-26 上海藤核智能科技有限公司 一种基于ct影像的肺结节分割方法
CN109636808B (zh) * 2018-11-27 2022-08-12 杭州健培科技有限公司 一种基于全卷积神经网络的肺叶分割方法
CN111986206A (zh) * 2019-05-24 2020-11-24 深圳市前海安测信息技术有限公司 基于UNet网络的肺叶分割方法、装置及计算机可读存储介质
CN111275673A (zh) * 2020-01-15 2020-06-12 深圳前海微众银行股份有限公司 肺叶提取方法、装置及存储介质
CN111047609B (zh) * 2020-03-13 2020-07-24 北京深睿博联科技有限责任公司 肺炎病灶分割方法和装置
CN111127467B (zh) * 2020-03-31 2020-07-14 上海联影智能医疗科技有限公司 图像量化方法、计算机设备和存储介质
CN111429447A (zh) * 2020-04-03 2020-07-17 深圳前海微众银行股份有限公司 病灶区域检测方法、装置、设备及存储介质
CN111563902B (zh) * 2020-04-23 2022-05-24 华南理工大学 一种基于三维卷积神经网络的肺叶分割方法及系统
CN111681247B (zh) * 2020-04-29 2023-08-25 杭州深睿博联科技有限公司 肺叶肺段分割模型训练方法和装置
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
CN113706541B (zh) * 2020-05-20 2024-04-19 青岛海信医疗设备股份有限公司 一种图像处理方法及装置
CN113870167A (zh) * 2020-06-11 2021-12-31 通用电气精准医疗有限责任公司 用于对肺部图像进行分割的方法、系统以及存储介质
CN111815608B (zh) * 2020-07-13 2023-08-25 北京小白世纪网络科技有限公司 基于深度学习的新冠肺炎患者康复时间预测方法及系统
CN111932554B (zh) * 2020-07-31 2024-03-22 青岛海信医疗设备股份有限公司 一种肺部血管分割方法、设备及存储介质
CN112686849B (zh) * 2020-12-24 2022-08-26 山东众阳健康科技集团有限公司 一种基于三维卷积神经网络的肺叶分割系统
CN112734755A (zh) * 2021-03-15 2021-04-30 四川大学 基于3d全卷积神经网络与多任务学习的肺叶分割方法
CN114037663A (zh) * 2021-10-27 2022-02-11 北京医准智能科技有限公司 一种血管分割方法、装置及计算机可读介质
CN114387257A (zh) * 2022-01-13 2022-04-22 上海皓桦科技股份有限公司 肺部影像中肺叶区域的分割方法、系统、装置和介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784700A (zh) * 2019-04-04 2020-10-16 阿里巴巴集团控股有限公司 肺叶分割、模型训练、模型构建与分割方法、系统及设备
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
CN111260669A (zh) * 2020-02-17 2020-06-09 北京推想科技有限公司 基于ct图像的肺叶分割方法和装置

Also Published As

Publication number Publication date
CN115147359A (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
Tong et al. Improved U-NET network for pulmonary nodules segmentation
CN110059697B (zh) 一种基于深度学习的肺结节自动分割方法
Wei et al. A fully automatic method for lung parenchyma segmentation and repairing
JP2018097852A (ja) 画像類似度を確定する方法及び装置
US11996198B2 (en) Determination of a growth rate of an object in 3D data sets using deep learning
US11756199B2 (en) Image analysis in pathology
CN115147359B (zh) 肺叶分割网络模型训练方法、装置、电子设备及存储介质
CN115456990A (zh) 一种基于ct图像的肋骨计数方法、装置、设备及存储介质
CN113971728B (zh) 图像识别方法、模型的训练方法、装置、设备及介质
CN117373070B (zh) 血管分段标注的方法及装置、电子设备和存储介质
CN114299057A (zh) 血管中心线的提取方法和存储介质
CN115482261A (zh) 血管配准方法、装置、电子设备及存储介质
CN115861189A (zh) 图像配准方法、装置、电子设备及存储介质
CN115311244A (zh) 一种病灶尺寸确定方法、装置、电子设备及存储介质
CN112912924A (zh) 预测算法分割的正确性
CN115578564B (zh) 实例分割模型的训练方法、装置、电子设备及存储介质
Walczak et al. Segmenting lungs from whole-body CT scans
CN113160186B (zh) 一种肺叶分割方法及相关装置
CN115187582B (zh) 一种淋巴结分割方法、装置、电子设备及可读存储介质
CN117274216B (zh) 基于水平集分割的超声下颈动脉斑块检测方法及系统
CN114445338A (zh) 图像处理方法、装置、存储介质及电子设备
EP4198884A1 (en) Method and system for processing an image
CN115908300A (zh) 心脏瓣膜钙化分割的方法、装置、设备及存储介质
CN117764911A (zh) 一种血管命名方法、装置、设备及介质
CN115861165A (zh) 目标对象的分割方法、装置、计算机设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000

Patentee after: Zhejiang Yizhun Intelligent Technology Co.,Ltd.

Address before: No. 1202-1203, 12 / F, block a, Zhizhen building, No. 7, Zhichun Road, Haidian District, Beijing 100083

Patentee before: Beijing Yizhun Intelligent Technology Co.,Ltd.

CP03 Change of name, title or address