CN115482231B - 图像分割方法、装置、存储介质和电子设备 - Google Patents
图像分割方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN115482231B CN115482231B CN202211183382.7A CN202211183382A CN115482231B CN 115482231 B CN115482231 B CN 115482231B CN 202211183382 A CN202211183382 A CN 202211183382A CN 115482231 B CN115482231 B CN 115482231B
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- images
- positioning
- organ
- 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
Links
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20084—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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30028—Colon; Small intestine
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30084—Kidney; Renal
-
- 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
- G06T2207/30092—Stomach; Gastric
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供了一种图像分割方法、装置、存储介质和电子设备,所述方法包括获取初始图像;将所述初始图像输入经过训练的分割定位模型中,采用所述分割定位模型对所述初始图像进行分割定位,得到定位图像;根据预设的器官组合规则,在所述定位图像中裁剪出多个第一裁剪图像;将多个所述第一裁剪图像输入经过训练的精分割模型中,采用所述精分割模型对多个所述第一裁剪图像进行精确分割,得到精分割图像;对所述精分割图像进行单器官分割处理,得到与所述初始图像对应的分割图像。所述方法降低了分割结果中部分器官相连部位的断裂概率,提高了所有器官的分割准确性,且对所有器官的分割效果具有鲁棒性,分割速度快,效率高。
Description
技术领域
本申请涉及图像分割技术领域,具体涉及一种图像分割方法、装置、存储介质和电子设备。
背景技术
图像分割技术在医学影像学诊断中用处较大,例如,对医学影像进行器官分割,识别医学影像中的器官。由于人体各个器官的连接比较复杂,且各个器官的尺寸大小相差较大,而且医学图像中各个器官的边界模糊、种类繁多、器官大小分布不均,因此,对于医学影像中的多个器官同时进行分割是非常复杂的。现有的对于医学影像的各器官的分割方法具有分割结果准确性较差、分割速度慢的问题。
发明内容
有鉴于此,本申请实施例提供了一种图像分割方法、装置、存储介质和电子设备,能够对图像进行精确分割,且分割速度快。
第一方面,本申请的实施例提供了一种图像分割方法,该方法包括:
获取初始图像,所述初始图像中包含多个器官的图像;
将所述初始图像输入经过训练的分割定位模型中,采用所述分割定位模型对所述初始图像进行分割定位,得到定位图像;
根据预设的器官组合规则,在所述定位图像中裁剪出多个第一裁剪图像;
将多个所述第一裁剪图像输入经过训练的精分割模型中,采用所述精分割模型对多个所述第一裁剪图像进行精确分割,得到精分割图像;
对所述精分割图像进行单器官分割处理,得到与所述初始图像对应的分割图像。
第二方面,本申请的实施例提供了一种图像分割的装置,包括:
采集模块,用于获取初始图像,所述初始图像中包含多个器官的图像;
定位模块,用于将所述初始图像输入经过训练的分割定位模型中,采用所述分割定位模型对所述初始图像进行分割定位,得到定位图像;
裁剪模块,用于根据预设的器官组合规则,在所述定位图像中裁剪出多个第一裁剪图像;
精分割模块,用于将多个所述第一裁剪图像输入经过训练的精分割模型中,采用所述精分割模型对多个所述第一裁剪图像进行精确分割,得到精分割图像;
后处理模块,用于对所述精分割图像进行单器官分割处理,得到与所述初始图像对应的分割图像。
第三方面,本申请的实施例提供了一种计算可读存储介质,存储介质存储有计算机程序,计算机程序用于执行上述第一方面所述的图像分割的方法。
第四方面,本申请的实施例提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器,其中,处理器用于执行上述第一方面所述的图像分割的方法。
本申请实施例提供了一种图像分割方法、装置、存储介质和电子设备,通过采用分割定位模型对初始图像进行分割定位,可以提高初始图像中各个尺寸的器官的定位准确性,避免遗漏初始图像中尺寸较小的器官。通过基于预设的器官组合规则,在所述定位图像中裁剪出多个第一裁剪图像,并通过精分割模型对多个所述第一裁剪图像进行精确分割,降低了分割结果中部分器官相连部位的断裂概率,使得本方法对所有器官的分割效果具有鲁棒性。通过对所述精分割图像进行单器官分割处理,得到与所述初始图像对应的分割图像,进一步提高分割结果的准确性及分割效率。
附图说明
图1是本申请一示例性实施例提供的一种实施环境的示意图。
图2是本申请一示例性实施例提供的图像分割方法的流程示意图。
图3是本申请一示例性实施例提供的组合裁剪及精确分割方法的流程示意图。
图4是本申请一示例性实施例提供的分割定位方法的流程示意图。
图5是本申请一示例性实施例提供的单器官分割处理方法的流程示意图。
图6a是本申请一示例性实施例提供的采用本申请的分割方法对腹部影像进行分割得到的一个角度的分割图像。
图6b是本申请一示例性实施例提供的采用本申请的分割方法对腹部影像进行分割得到的另一个角度的分割图像。
图7是本申请一示例性实施例提供的图像分割装置的结构示意图。
图8是本申请一示例性实施例提供的用于图像分割的电子设备的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
申请概述
图像分割技术在医学影像学诊断中用处较大,例如,对医学影像进行器官分割,识别医学影像中的器官。以腹部医学影像的器官分割为例,腹部医学影像的器官分割有多种重要的临床应用场景,如器官定位评估、手术规划导航和疾病诊断治疗等。图像分割技术中关注的通常为腹部的13个重要器官,分别为肝、胆囊、脾脏、胰腺、主动脉、下腔静脉、左肾、右肾、左肾上腺、右肾上腺、食管、胃、十二指肠。这13个器官连接比较复杂,且各个器官的尺寸大小相差较大,因此导致腹部医学影像中各个器官的边界模糊、种类繁多、器官大小分布不均,因此,对于腹部医学影像的该13器官同时进行分割是非常复杂的。
目前对于腹部医学影像中的各个器官进行分割有两种方式,第一种方式为人工分割,人工分割标注费时费力,具有非常昂贵的时间和人力成本,也是一种重复性较强的工作,严重降低了影像医师的工作效率;第二种方式为自动分割,自动分割技术可将影像医师从常见影像数据的人工勾画等重复性工作中解放出来,将有限的时间和精力集中到“疑难病症”影像数据上。但是,由于腹部影像属于多器官影像,且多器官的连接复杂、尺寸相差较大,因此采用现有的自动分割技术进行分割,其分割结果中经常出现小尺寸器官的缺失或者分割不准确的情况,并且对于食管、胃和十二指肠的连接部位断裂等特殊情况无法准确分割,以致分割的准确性较差。另外,由于同时对腹部医学影像的该13个器官进行分割非常复杂,因此也导致分割速度较慢。
针对上述问题,本申请实施例提供了一种图像分割方法,该方法通过采用分割定位模型对初始图像进行分割定位,可以提高初始图像中各个尺寸的器官的定位准确性,避免遗漏初始图像中尺寸较小的器官。通过基于预设的器官组合规则,在所述定位图像中裁剪出多个第一裁剪图像,并通过精分割模型对多个所述第一裁剪图像进行精确分割,降低了分割结果中部分器官相连部位的断裂概率,使得本方法对所有器官的分割效果具有鲁棒性。通过对所述精分割图像进行单器官分割处理,得到与所述初始图像对应的分割图像,进一步提高分割结果的准确性及分割效率,对于食管、胃和十二指肠的连接部位断裂等特殊情况也可以准确分割,具有鲁棒性。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1是本申请实施例所提供的一种实施环境的示意图。该实施环境包括CT扫描仪130、服务器120和计算机设备110。计算机设备110可以从用于对人体组织进行X线扫描的CT扫描仪130处获取多套医学影像,同时,计算机设备110还可以与服务器120之间通过通信网络相连。可选的,通信网络是有线网络或无线网络。
计算机设备110可以是通用型计算机或者由专用的集成电路组成的计算机装置等,本申请实施例对此不做限定。例如,计算机设备110可以是平板电脑等移动终端设备,或者也可以是个人计算机(Personal Computer,PC),比如膝上型便携计算机和台式计算机等等。本领域技术人员可以知晓,上述计算机设备110的数量可以一个或多个,其类型可以相同或者不同。比如上述计算机设备110可以为一个,或者上述计算机设备110为几十个或几百个,或者更多数量。本申请实施例对计算机设备110的数量和设备类型不加以限定。
在一些可选的实施例中,计算机设备110从CT扫描仪130获取多套医学样本影像,一套医学样本影像包括多个医学样本影像,计算机设备110通过多套医学样本影像对深度学习网络进行训练,以得到用于对医学样本影像的各个器官进行分割定位的网络模型。
服务器120是一台服务器,或者由若干台服务器组成,或者是一个虚拟化平台,或者是一个云计算服务中心。
在一些可选的实施例中,计算机设备110将其从CT扫描仪130获取到的多套医学样本影像发送给服务器120,一套医学样本影像包括多个医学样本影像,服务器120通过多套医学样本影像对深度学习网络进行训练,以得到用于对一套医学样本影像的各个器官进行分割定位的网络模型。
示例性方法
图2是本申请一示例性实施例提供的图像分割方法的流程示意图。图2的方法由计算设备,例如服务器,来执行。如图2所示,该图像分割方法包括如下内容。
步骤S210:获取初始图像,所述初始图像中包含多个器官的图像。
具体地,所述初始图像可以从CT扫描仪获取,所述初始图像中包含多个器官的图像,初始图像可以为二维图像,也可以为三维图像。本实施例中,以获取到的初始图像为三维的腹部影像为例,所述腹部影像中包含腹部13个器官,分别为肝、胆囊、脾脏、胰腺、主动脉、下腔静脉、左肾、右肾、左肾上腺、右肾上腺、食管、胃、十二指肠。
步骤S220:将所述初始图像输入经过训练的分割定位模型中,采用所述分割定位模型对所述初始图像进行分割定位,得到定位图像。
具体地,将所述初始图像输入经过训练的分割定位模型之前,先对所述初始图像进行预处理。先将初始图像进行随机剪切和弹性变换,重采样至固定尺寸,并给定初始图像的窗宽窗位,将初始图像的所有像素值归一化至[0,1],得到预处理后的初始图像,然后将该预处理后的初始图像输入经过训练的分割定位模型中,采用所述分割定位模型对所述初始图像进行分割定位,得到定位图像。
由于初始图像的原始尺寸不固定,并且部分器官可能缺失,因此经过预处理后,将尺寸不固定的初始图像均重采样至固定尺寸,并且将初始图像的所有像素值归一化,可以使分割定位模型能够更好的拟合每个器官的特征,并且防止分割定位模型对各个器官的分割标注出现过拟合。
所述分割定位模型可以为深度学习网络模型,具体地,所述分割定位模型可以为深度神经网络模型(Deep Neural Network,DNN)、循环神经网络模型(Recurrent NeuralNetwork,RNN)或卷积神经网络模型(Convolution Neural Network,CNN)。在采用所述分割定位模型对所述初始图像进行分割定位之前,先采用一定数量的样本集对所述分割定位模型进行训练,然后再采用所述分割定位模型对所述初始图像进行分割定位,一方面可以提高初始图像中各个尺寸的器官的定位准确性,避免遗漏初始图像中尺寸较小的器官,另一方面可以提高分割的准确性及分割的速度。
步骤S230:根据预设的器官组合规则,在所述定位图像中裁剪出多个第一裁剪图像。
具体地,参考图3,图3示出了组合裁剪及精确分割步骤的流程示意图。由于初始图像中各个器官的边界模糊、种类繁多、器官大小分布不均,因此,直接对各个器官进行单独的分割常常会造成分割不准确、小器官缺失、器官连接处断裂的情况。因此,本申请中,依据预设的器官组合规则,在所述定位图像中通过步骤S2301剪裁出多个第一裁剪图像,依据各个第一裁剪图像中的器官类型及尺寸的不同,合理调整第一裁剪图像的尺寸,以提高各个器官的分割精度。
所述预设的器官组合规则依据器官的人体解剖学结构、器官本身的尺寸、HU值等进行设定。其中,HU值是测定局部组织或者器官密度大小的一种计量单位,通常称为亨氏单位。
本实施例中,以获取的初始图像为腹部影像为例,所述初始图像中包含13个器官,分别为肝、胆囊、脾脏、胰腺、主动脉、下腔静脉、左肾、右肾、左肾上腺、右肾上腺、食管、胃、十二指肠。依据器官的人体解剖学结构、器官本身的尺寸、HU值等考虑对13个器官进行组合,过程如下:
a)考虑到器官本身的影像数据特性,如肝、脾、肾等器官体积大、HU值分布均匀且与周围组织界限清晰,因此将肝、脾、左肾和右肾进行组合;
b)根据腹部器官的人体解剖学结构,如食管、胃、胰腺、十二指肠同属消化系统,且器官之间有相互连接部位。由于胰腺、十二指肠的HU值分布不均匀且和周围组织界限不清,单独分割可能导致器官连接处断裂且边界假阳,同时,考虑到大多数腹部影像中食管冠状位长度较长,也为了提高各器官的分割精度,因此将胃、胰腺和十二指肠进行组合;
c)考虑到主动脉和下腔静脉结构相邻,且均为管状结构、HU值分布相似,因此将主动脉和下腔静脉进行组合;
d)胆囊、左/右肾上腺均为最小器官,若与其他器官进行组合分割,会导致器官之间像素数量不平衡,以致降低分割效果,因此,对胆囊、左/右肾上腺进行单器官分割,不进行组合;
e)针对食管,若单独对食管进行分割,可能导致食管和胃连接处断裂,因此,将食管和部分胃(仅取与食管连接的小部分胃)进行组合,分割后只取食管的分割结果即可。
因此,综上分析,针对于腹部影像,其对应的预设的器官组合规则为:肝、脾、左肾和右肾的组合、胃、胰腺和十二指肠的组合、主动脉和下腔静脉的组合、胆囊、左肾上腺、右肾上腺、部分胃和食管的组合。
根据该预设的器官组合规则,在所述定位图像中通过步骤S2301裁剪出多个第一裁剪图像,若图像中某个器官缺失,则不进行该器官的裁剪。
相较于相关技术中将每个器官单独裁剪,然后将裁剪后的图像输入模型中进行后续分割而言,本申请中,将各个器官进行组合裁剪,将裁剪后的图像输入经过训练的精分割模型中进行后续分割过程,一方面减小了输入精分割模型的图像的数量,提高了分割效率及分割速度,另一方面通过将各个相连的器官进行组合,可以降低分割结果中部分器官相连部位的断裂概率,提高分割结果中各个器官的分割准确性,使得本申请对所有器官的分割效果具有鲁棒性。
步骤S240:将多个所述第一裁剪图像输入经过训练的精分割模型中,采用所述精分割模型对多个所述第一裁剪图像进行精确分割,得到精分割图像。
具体地,继续参考图3,将多个所述第一裁剪图像输入经过训练的精分割模型之前,先对多个所述第一裁剪图像进行预处理,依据各个器官的类型及尺寸,分别给定所述第一裁剪图像对应的窗宽窗位,并将所述第一裁剪图像的所有像素值归一化至[0,1],得到预处理后的第一裁剪图像。
然后将所述预处理后的第一裁剪图像经过步骤S2302重采样至固定尺寸,得到多个重采样后的第一裁剪图像。由于多个第一裁剪图像的原始尺寸大小不一致,并且每个第一裁剪图像中的各个器官的类型、尺寸、HU值均不同,因此,依据各个器官的类型及尺寸将多个所述预处理后的第一裁剪图像重采样至不同的固定尺寸,可以提高分割结果的准确性以及提升分割效率和分割速度。
本实施例中,仍然以获取的初始图像为腹部影像为例,设置肝、脾、左肾和右肾的组合,胃、胰腺和十二指肠的组合,主动脉和下腔静脉的组合的预处理后第一裁剪图像的重采样的尺寸较大,设置胆囊、左肾上腺、右肾上腺、部分胃和食管组合的重采样的尺寸较小。针对不同器官的尺寸及HU值的不同,对各个预处理后第一裁剪图像重采样至不同的固定尺寸,可以提高分割结果的准确性以及提升分割效率和分割速度。
最后,执行步骤S2303,将多个所述重采样后的第一裁剪图像输入经过训练的精分割模型中,采用所述精分割模型对多个所述重采样后的第一裁剪图像进行精确分割,得到精分割图像。
所述精分割模型可以为深度学习网络模型,具体地,所述精分割模型可以为深度神经网络模型、循环神经网络模型或卷积神经网络模型。与所述分割定位模型类似,在使用所述精分割模型对多个所述重采样后的第一裁剪图像进行精确分割之前,先采用一定数量的样本集对所述精分割模型进行训练。
步骤S250:对所述精分割图像进行单器官分割处理,得到与所述初始图像对应的分割图像。
具体地,在所述精分割图像的基础上,对精分割图像中的每个单独的器官进行单器官分割处理,得到每个单器官对应的分割结果,将每个单器官对应的分割结果组合、重采样至所述初始图像的尺寸后,即可得到与所述初始图像对应的分割图像,该分割图像即为最终的分割结果。
本申请通过采用分割定位模型对初始图像进行分割定位,可以提高初始图像中各个尺寸的器官的定位准确性,避免遗漏初始图像中尺寸较小的器官。通过基于预设的器官组合规则,在所述定位图像中裁剪出多个第一裁剪图像,并通过精分割模型对多个所述第一裁剪图像进行精确分割,降低了分割结果中部分器官相连部位的断裂概率,使得本方法对所有器官的分割效果具有鲁棒性。通过对所述精分割图像进行单器官分割处理,得到与所述初始图像对应的分割图像,进一步提高分割结果的准确性及分割效率,对于食管、胃和十二指肠的连接部位断裂等特殊情况也可以准确分割,具有鲁棒性。
在一些可选的实施例中,所述分割定位模型包括粗分割模型和定位模型,所述步骤S220将所述初始图像输入经过训练的分割定位模型中,采用所述分割定位模型对所述初始图像进行分割定位,得到定位图像,包括:
步骤S2202、将所述初始图像输入所述粗分割模型中,采用所述粗分割模型对所述初始图像进行粗分割,得到粗分割图像;
步骤S2203、将所述粗分割图像输入所述定位模型中,采用所述定位模型对所述粗分割图像进行定位,得到定位图像,具体包括:
(1)从所述粗分割图像中提取包含预设器官的第一图像;
(2)将所述第一图像输入所述定位模型中,采用所述定位模型对所述第一图像进行分割,得到第二图像;
(3)将所述粗分割图像中的所述第一图像替换为所述第二图像,替换后的所述粗分割图像作为所述定位图像。
具体地,所述粗分割模型和所述定位模型均可以为深度学习网络模型,依据其功能不同,其对应的设置参数也不同。
参考图4,图4示出了分割定位步骤的流程示意图。在所述步骤S2202之前,先进行步骤S2201对所述初始图像进行预处理。将初始图像进行随机剪切和弹性变换,重采样至固定尺寸,并给定初始图像的窗宽窗位,将初始图像的所有像素值归一化至[0,1],得到预处理后的初始图像。
然后基于该预处理后的初始图像执行步骤S2202,将预处理后的初始图像输入所述粗分割模型中,采用所述粗分割模型对所述初始图像进行粗分割,得到粗分割图像。由于粗分割过程中,需要分割的对象较多,并且需要分割的各个对象尺寸大小不同,以致粗分割过程对尺寸较大的器官及形态较为特殊的管状器官分割定位准确,对小尺寸器官分割定位不准确,易出现定位错误或者无分割结果的情况。针对这些定位不准确的器官,需要通过执行步骤S2203来对其进一步准确分割定位。
将所述粗分割图像中定位不准确的器官作为所述预设器官,从所述粗分割图像中提取包含预设器官的第一图像,所述第一图像即为粗分割图像中定位不准确的部分器官的图像。将所述第一图像输入所述定位模型中,采用所述定位模型对所述第一图像进行分割,得到第二图像。针对粗分割过程中定位不准确的部分器官的图像再次进行分割,得到较为精确的分割结果。然后将所述粗分割图像中的所述第一图像替换为所述第二图像,替换后的所述粗分割图像作为所述定位图像,即,替换后的粗分割图像中去掉了定位不准确的第一图像,替换为再次定位分割后分割结果较为准确的第二图像,因此,替换后的粗分割图像的分割定位结果较为准确,弥补了粗分割中对于部分器官分割定位不准确的缺陷。
本实施例中,仍然以获取的初始图像为腹部影像为例,将腹部影像经过预处理后输入所述粗分割模型中,得到粗分割图像。所述粗分割图像对大器官(肝、脾、左肾、右肾、胃胰腺、十二指肠)和形态较为特殊的管状器官(食管、主动脉、下腔静脉)定位准确,对小器官(胆囊、左/右肾上腺)定位较差。
将定位较差的胆囊、左/右肾上腺作为预设器官。由于胆囊紧邻肝脏,左肾上腺临近左肾和脾脏,右肾上腺临近右肾、肝脏的结构特征,在所述粗分割图像中提取包含肝脏及其周围器官组织,左/右肾上腺及其周围器官组织的第一图像。将所述第一图像重采样至固定尺寸,并根据对应器官的影像特征设定窗宽窗位,将所有像素值归一化至[0,1],然后输入所述定位模型中,采用所述定位模型对所述第一图像进行分割,得到第二图像。将所述粗分割图像中的所述第一图像替换为所述第二图像,替换后的所述粗分割图像作为所述定位图像。
在一些可选的实施例中,将替换后的所述粗分割图像重采样至所述初始图像的尺寸,得到所述定位图像。将替换后的所述粗分割图像重采样至所述初始图像的尺寸,以使得到的定位图像与所述初始图像的尺寸一致,方便后续处理。
在一些可选的实施例中,所述步骤S240将多个所述第一裁剪图像输入经过训练的精分割模型中,采用所述精分割模型对多个所述第一裁剪图像进行精确分割,得到精分割图像,包括:
(1)将多个所述第一裁剪图像输入所述精分割模型中,采用所述精分割模型对多个所述第一裁剪图像进行精确分割,得到多个第三图像;
(2)将所述多个第三图像进行组合,得到精分割图像。
具体地,每个所述第三图像中包含了其对应器官的分割结果,将多个第三图像进行组合,得到精分割图像。所述精分割图像中包含了所有器官的精分割结构。将多个第三图像进行组合的方式可以为按照人体解剖学结构进行拼接的方式,将多个第三图像拼接为一个完整的精分割图像;也可以为填充的方式,将第三图像填充至初始图像中各个器官对应的位置,以形成精分割图像。
在一些可选的实施例中,在将所述多个第三图像进行组合之后,将组合后的多个所述第三图像重采样至所述初始图像的尺寸,得到所述精分割图像。将组合后的多个所述第三图像重采样至所述初始图像的尺寸,以使得得到的精分割图像与初始图像的尺寸相同,便于后续操作。
在一些可选的实施例中,所述步骤S250对所述精分割图像进行单器官分割处理,得到与所述初始图像对应的分割图像,包括在所述精分割图像中对每个器官进行裁剪,得到每个器官的单独分割图像。
具体地,参考图5,图5示出了单器官分割处理步骤的流程示意图,所述步骤S250包括如下步骤:
步骤S2501、在所述精分割图像中对每个器官进行裁剪,得到每个器官的第二裁剪图像。
步骤S2502、提取每个所述第二裁剪图像的最大连通域,得到每个器官的单独分割图像。
步骤S2503、将所述精分割图像中的第三图像替换为对应器官的单独分割图像,得到与所述初始图像对应的分割图像。
虽然所述精分割图像中包含了所有器官的精分割结果,但是由于精分割图像是多个第三图像进行组合得到,以致其对于某些连接部位较多的器官而言,其单个器官的分割界限不够明确,以致分割结果依然不够精确。因此,在所述精分割图像中对每个器官进行裁剪,得到每个器官的第二裁剪图像。相较于针对初始图像或者粗分割图像进行每个器官的单独裁剪,本步骤中,由于精分割图像中对于绝大部分器官的分割结果已经较为准确,此时在所述精分割图像中对每个器官进行单独裁剪非常方便快捷,且裁剪效率很高、裁剪的准确度更好。
然后提取每个所述第二裁剪图像的最大连通域,得到每个器官的单独分割图像。具体地,可用深度优先和广度优先算法来提取每个所述第二裁剪图像的最大连通域,以得到每个器官的单独分割图像。此时,每个器官的单独分割图像均为完整地、准确的分割结果。
最后将所述精分割图像中的第三图像替换为对应器官的单独分割图像,得到与所述初始图像对应的分割图像。
本实施例中,以获取的初始影像为腹部影像为例,最终得到的与所述初始图像对应的分割图像,如图6a和图6b所示。由图6a和图6b可以看出,腹部13个器官中,每个器官的分割结果都非常准确,分割界限清晰,没有出现器官连接处断裂或者小器官缺失的情况。
因此,本申请实施例提供了的图像分割方法,在器官定位步骤中,结合13器官初步粗分割和部分器官二次定位的方法,可有效提高所有器官的定位精度;在精确分割步骤,考虑了器官间的定位差异性、人体解剖学结构中各器官相对位置关系及可能存在的关联关系,结合了器官的解剖学相对位置和自身影像特征,降低了部分器官相连部位的断裂概率,使其对所有器官的分割效果具有鲁棒性;在精确分割步骤中,考虑到各器官自身尺寸,分别重采样至不同尺寸,同时在最后对所述精分割图像进行单器官分割处理步骤中,对各个单独的器官进行连通域处理,均提高了分割结果的准确性及分割的效率,有效降低了分割时间。
需要说明的是,本申请实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
示例性装置
图7是本申请一示例性实施例提供的图像分割装置800的结构示意图。如图7所示,该图像分割装置包括:
采集模块701,用于获取初始图像,所述初始图像中包含多个器官的图像;
定位模块702,用于将所述初始图像输入经过训练的分割定位模型中,采用所述分割定位模型对所述初始图像进行分割定位,得到定位图像;
裁剪模块703,用于根据预设的器官组合规则,在所述定位图像中裁剪出多个第一裁剪图像;
精分割模块704,用于将多个所述第一裁剪图像输入经过训练的精分割模型中,采用所述精分割模型对多个所述第一裁剪图像进行精确分割,得到精分割图像;
后处理模块705,用于对所述精分割图像进行单器官分割处理,得到与所述初始图像对应的分割图像。
在一些可选的实施例中,所述分割定位模型包括粗分割模型和定位模型,所述定位模块702还用于将所述初始图像输入所述粗分割模型中,采用所述粗分割模型对所述初始图像进行粗分割,得到粗分割图像;将所述粗分割图像输入所述定位模型中,采用所述定位模型对所述粗分割图像进行定位,得到定位图像。
在一些可选的实施例中,所述定位模块702还用于从所述粗分割图像中提取包含预设器官的第一图像;
将所述第一图像输入所述定位模型中,采用所述定位模型对所述第一图像进行分割,得到第二图像;
将所述粗分割图像中的所述第一图像替换为所述第二图像,替换后的所述粗分割图像作为所述定位图像。
在一些可选的实施例中,所述定位模块702还用于将替换后的所述粗分割图像重采样至所述初始图像的尺寸,得到所述定位图像。
在一些可选的实施例中,精分割模块704还用于将多个所述第一裁剪图像输入所述精分割模型中,采用所述精分割模型对多个所述第一裁剪图像进行精确分割,得到多个第三图像;
将所述多个第三图像进行组合,得到精分割图像。
在一些可选的实施例中,精分割模块704还用于将组合后的多个所述第三图像重采样至所述初始图像的尺寸,得到所述精分割图像。
在一些可选的实施例中,所述后处理模块705还用于在所述精分割图像中对每个器官进行裁剪,得到每个器官的单独分割图像;将所述精分割图像中的第三图像替换为对应器官的单独分割图像,得到与所述初始图像对应的分割图像。
在一些可选的实施例中,所述后处理模块705还用于在所述精分割图像中对每个器官进行裁剪,得到每个器官的第二裁剪图像;提取每个所述第二裁剪图像的最大连通域,得到每个器官的单独分割图像。
应当理解,上述实施例中的采集模块701至后处理模块705的具体工作过程和功能可以参考上述图1至图5实施例提供的图像分割方法中的描述,为了避免重复,在此不再赘述。
示例性电子设备及计算机可读存储介质
图8是本申请一示例性实施例提供的用于图像分割的电子设备800的框图。
参照图8,电子设备800包括处理组件810,其进一步包括一个或多个处理器,以及由存储器820所代表的存储器资源,用于存储可由处理组件810的执行的指令,例如应用程序。存储器820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810被配置为执行指令,以执行上述图像分割方法。
电子设备800还可以包括一个电源组件被配置为执行电子设备800的电源管理,一个有线或无线网络接口被配置为将电子设备800连接到网络,和一个输入输出(I/O)接口。可以基于存储在存储器820的操作系统操作电子设备800,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM,FreeBSDTM或类似。
一种非临时性计算机可读存储介质,当存储介质中的指令由上述电子设备800的处理器执行时,使得上述电子设备800能够执行一种图像分割方法,包括:获取初始图像,所述初始图像中包含多个器官的图像;将所述初始图像输入经过训练的分割定位模型中,采用所述分割定位模型对所述初始图像进行分割定位,得到定位图像;根据预设的器官组合规则,在所述定位图像中裁剪出多个第一裁剪图像;将多个所述第一裁剪图像输入经过训练的精分割模型中,采用所述精分割模型对多个所述第一裁剪图像进行精确分割,得到精分割图像;对所述精分割图像进行单器官分割处理,得到与所述初始图像对应的分割图像。
上述所有可选技术方案,可采用任意结合形成本申请的可选实施例,在此不再一一赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序校验码的介质。
需要说明的是,在本申请的描述中,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
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、等同替换等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像分割方法,其特征在于,包括:
获取初始图像,所述初始图像中包含多个器官的图像;
将所述初始图像输入经过训练的分割定位模型中,采用所述分割定位模型对所述初始图像进行分割定位,得到定位图像;
根据预设的器官组合规则,在所述定位图像中裁剪出多个第一裁剪图像,不同的第一裁剪图像对应不同的器管组合;其中,所述预设的器官组合规则依据器官的人体解剖学结构、器官本身的尺寸、HU值进行设定;
将多个所述第一裁剪图像输入经过训练的精分割模型中,采用所述精分割模型对多个所述第一裁剪图像进行精确分割,得到精分割图像;
对所述精分割图像进行单器官分割处理,得到与所述初始图像对应的分割图像;
所述将多个所述第一裁剪图像输入经过训练的精分割模型中,采用所述精分割模型对多个所述第一裁剪图像进行精确分割,得到精分割图像,包括:
将多个所述第一裁剪图像输入所述精分割模型中,采用所述精分割模型对多个所述第一裁剪图像进行精确分割,得到多个第三图像;
将所述多个第三图像进行组合,得到所述精分割图像。
2.根据权利要求1所述的方法,其特征在于,所述分割定位模型包括粗分割模型和定位模型,所述将所述初始图像输入经过训练的分割定位模型中,采用所述分割定位模型对所述初始图像进行分割定位,得到定位图像,包括:
将所述初始图像输入所述粗分割模型中,采用所述粗分割模型对所述初始图像进行粗分割,得到粗分割图像;
将所述粗分割图像输入所述定位模型中,采用所述定位模型对所述粗分割图像进行定位,得到定位图像。
3.根据权利要求2所述的方法,其特征在于,所述将所述粗分割图像输入所述定位模型中,采用所述定位模型对所述粗分割图像进行定位,得到定位图像,包括:
将所述粗分割图像中定位不准确的器官作为预设器官,从所述粗分割图像中提取包含所述预设器官的第一图像;
将所述第一图像输入所述定位模型中,采用所述定位模型对所述第一图像进行分割,得到第二图像;
将所述粗分割图像中的所述第一图像替换为所述第二图像,替换后的所述粗分割图像作为所述定位图像。
4.根据权利要求3所述的方法,其特征在于,还包括:
将替换后的所述粗分割图像重采样至所述初始图像的尺寸,得到所述定位图像。
5.根据权利要求1所述的方法,其特征在于,在所述将所述多个第三图像进行组合之后,还包括:
将组合后的多个所述第三图像重采样至所述初始图像的尺寸。
6.根据权利要求1所述的方法,其特征在于,所述对所述精分割图像进行单器官分割处理,得到与所述初始图像对应的分割图像,包括:
在所述精分割图像中对每个器官进行裁剪,得到每个器官的单独分割图像;
将所述精分割图像中的第三图像替换为对应器官的单独分割图像,得到与所述初始图像对应的分割图像。
7.根据权利要求6所述的方法,其特征在于,所述在所述精分割图像中对每个器官进行裁剪,得到每个器官的单独分割图像,包括:
在所述精分割图像中对每个器官进行裁剪,得到每个器官的第二裁剪图像;
提取每个所述第二裁剪图像的最大连通域,得到每个器官的单独分割图像。
8.一种图像分割装置,其特征在于,包括:
采集模块,用于获取初始图像,所述初始图像中包含多个器官的图像;
定位模块,用于将所述初始图像输入经过训练的分割定位模型中,采用所述分割定位模型对所述初始图像进行分割定位,得到定位图像;
裁剪模块,用于根据预设的器官组合规则,在所述定位图像中裁剪出多个第一裁剪图像,不同的第一裁剪图像对应不同的器管组合;其中,所述预设的器官组合规则依据器官的人体解剖学结构、器官本身的尺寸、HU值进行设定;
精分割模块,用于将多个所述第一裁剪图像输入经过训练的精分割模型中,采用所述精分割模型对多个所述第一裁剪图像进行精确分割,得到精分割图像;
后处理模块,用于对所述精分割图像进行单器官分割处理,得到与所述初始图像对应的分割图像;
所述精分割模块,具体用于将多个所述第一裁剪图像输入所述精分割模型中,采用所述精分割模型对多个所述第一裁剪图像进行精确分割,得到多个第三图像;
将所述多个第三图像进行组合,得到所述精分割图像。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1至7任一项所述的图像分割方法。
10.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器,
其中,所述处理器用于执行上述权利要求1至7任一项所述的图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211183382.7A CN115482231B (zh) | 2022-09-27 | 2022-09-27 | 图像分割方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211183382.7A CN115482231B (zh) | 2022-09-27 | 2022-09-27 | 图像分割方法、装置、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115482231A CN115482231A (zh) | 2022-12-16 |
CN115482231B true CN115482231B (zh) | 2023-08-29 |
Family
ID=84394476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211183382.7A Active CN115482231B (zh) | 2022-09-27 | 2022-09-27 | 图像分割方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115482231B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237380B (zh) * | 2023-09-19 | 2024-06-25 | 推想医疗科技股份有限公司 | 一种图像分割方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658419A (zh) * | 2018-11-15 | 2019-04-19 | 浙江大学 | 一种医学图像中小器官的分割方法 |
CN110599505A (zh) * | 2019-09-17 | 2019-12-20 | 上海微创医疗器械(集团)有限公司 | 一种器官图像分割方法、装置、电子设备和存储介质 |
CN111008984A (zh) * | 2019-12-10 | 2020-04-14 | 广州柏视医疗科技有限公司 | 医学影像中正常器官的轮廓线自动勾画方法及系统 |
CN112116623A (zh) * | 2020-09-21 | 2020-12-22 | 推想医疗科技股份有限公司 | 图像分割方法及装置 |
CN112686850A (zh) * | 2020-12-24 | 2021-04-20 | 上海体素信息科技有限公司 | 基于空间位置和原型网络的ct图像的少样本分割方法和系统 |
CN114627099A (zh) * | 2022-03-29 | 2022-06-14 | 上海联影智能医疗科技有限公司 | 图像分割方法、装置、计算机设备、存储介质和程序产品 |
CN114998374A (zh) * | 2022-06-24 | 2022-09-02 | 深圳市联影高端医疗装备创新研究院 | 基于位置先验的图像分割方法、装置、设备和存储介质 |
CN115100115A (zh) * | 2022-05-25 | 2022-09-23 | 复旦大学 | 一种器官图像分割的方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8938107B2 (en) * | 2011-11-16 | 2015-01-20 | General Electric Company | System and method for automatic segmentation of organs on MR images using a combined organ and bone atlas |
-
2022
- 2022-09-27 CN CN202211183382.7A patent/CN115482231B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658419A (zh) * | 2018-11-15 | 2019-04-19 | 浙江大学 | 一种医学图像中小器官的分割方法 |
CN110599505A (zh) * | 2019-09-17 | 2019-12-20 | 上海微创医疗器械(集团)有限公司 | 一种器官图像分割方法、装置、电子设备和存储介质 |
CN111008984A (zh) * | 2019-12-10 | 2020-04-14 | 广州柏视医疗科技有限公司 | 医学影像中正常器官的轮廓线自动勾画方法及系统 |
WO2021115312A1 (zh) * | 2019-12-10 | 2021-06-17 | 广州柏视医疗科技有限公司 | 医学影像中正常器官的轮廓线自动勾画方法 |
CN112116623A (zh) * | 2020-09-21 | 2020-12-22 | 推想医疗科技股份有限公司 | 图像分割方法及装置 |
CN112686850A (zh) * | 2020-12-24 | 2021-04-20 | 上海体素信息科技有限公司 | 基于空间位置和原型网络的ct图像的少样本分割方法和系统 |
CN114627099A (zh) * | 2022-03-29 | 2022-06-14 | 上海联影智能医疗科技有限公司 | 图像分割方法、装置、计算机设备、存储介质和程序产品 |
CN115100115A (zh) * | 2022-05-25 | 2022-09-23 | 复旦大学 | 一种器官图像分割的方法、装置、设备及存储介质 |
CN114998374A (zh) * | 2022-06-24 | 2022-09-02 | 深圳市联影高端医疗装备创新研究院 | 基于位置先验的图像分割方法、装置、设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
SAU-Net:融合压缩注意力机制的多器官图像分割;曹国刚 等;《激光与光电子学进展》;第2022年卷(第4期);355-364页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115482231A (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
EP3879485A1 (en) | Tissue nodule detection and model training method and apparatus thereof, device and system | |
EP2326251B1 (en) | Ac-pc segmentation system and method | |
CN112288786B (zh) | 电子装置及非暂态计算机可读存储介质 | |
US20070116334A1 (en) | Method and apparatus for three-dimensional interactive tools for semi-automatic segmentation and editing of image objects | |
CN109124662B (zh) | 肋骨中心线检测装置及方法 | |
US9547906B2 (en) | System and method for data driven editing of rib unfolding | |
CN111178420B (zh) | 一种二维造影图像上冠脉段标注方法及系统 | |
CN113034528B (zh) | 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 | |
CN115482231B (zh) | 图像分割方法、装置、存储介质和电子设备 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN111166362A (zh) | 医学图像的显示方法及装置、存储介质及电子设备 | |
CN110634554A (zh) | 脊椎影像注册方法 | |
CN116797612A (zh) | 基于弱监督深度活动轮廓模型的超声图像分割方法及装置 | |
CN113888566B (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
JP2009301254A (ja) | 画像処理装置および方法ならびにプログラム | |
US11475568B2 (en) | Method for controlling display of abnormality in chest x-ray image, storage medium, abnormality display control apparatus, and server apparatus | |
CN116363038B (zh) | 超声图像融合方法、装置、计算机设备及存储介质 | |
CN112529900A (zh) | 匹配乳腺图像中roi的方法、装置、终端与存储介质 | |
CN111325758A (zh) | 肺部图像分割方法及装置、图像分割模型的训练方法 | |
KR102191412B1 (ko) | 딥러닝 알고리즘을 이용한 자궁 병변 진단 장치 및 방법 | |
CN116168097A (zh) | 构建cbct勾画模型和勾画cbct图像的方法、装置、设备及介质 | |
CN115631152A (zh) | 超声图像截取方法及装置、电子设备和存储介质 | |
CN112365959B (zh) | 修改三维图像的标注的方法及装置 | |
CN114419375A (zh) | 图像分类方法、训练方法、装置、电子设备以及存储介质 |
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 |