CN115482248A - 图像分割方法、装置、电子设备及存储介质 - Google Patents
图像分割方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115482248A CN115482248A CN202211160791.5A CN202211160791A CN115482248A CN 115482248 A CN115482248 A CN 115482248A CN 202211160791 A CN202211160791 A CN 202211160791A CN 115482248 A CN115482248 A CN 115482248A
- Authority
- CN
- China
- Prior art keywords
- image
- sampling
- sample image
- segmentation
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000005070 sampling Methods 0.000 claims description 132
- 238000012549 training Methods 0.000 claims description 69
- 230000011218 segmentation Effects 0.000 claims description 56
- 238000004590 computer program Methods 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000002591 computed tomography Methods 0.000 description 25
- 210000000496 pancreas Anatomy 0.000 description 25
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 210000001015 abdomen Anatomy 0.000 description 10
- 238000004891 communication Methods 0.000 description 10
- 230000003187 abdominal effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 108010067035 Pancrelipase Proteins 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000005228 liver tissue Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 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
- 230000008901 benefit Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 210000001198 duodenum Anatomy 0.000 description 1
- 230000000694 effects Effects 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
- 210000004185 liver Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 210000000952 spleen Anatomy 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像分割方法、装置、电子设备及存储介质。该方法包括:获取至少一张待分割图像;将所述待分割图像输入至预先训练完成的图像分割模型的第一阶段模型,得到初始概率图像;确定所述初始概率图像对应的目标连通区域;将所述待分割图像和所述初始概率图像的目标连通区域输入至预先训练完成的图像分割模型的第二阶段模型,得到目标概率图像;基于所述目标概率图像确定目标分割图像。上述技术方案,通过端到端的两阶段的图像分割模型进行图像分割,该模型使用简单,处理步骤少,提高了图像分割效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像分割方法、装置、电子设备及存储介质。
背景技术
现有的胰腺分割技术,基于传统算法的分割模型耗时大,且分割效果较差。而基于深度学习的算法,大都是训练过程繁琐,中间夹杂机器学习的一些算子,不能完全归于深度学习,且模型堆叠较多,使用复杂。
在实现本发明的过程中,发明人发现现有技术中至少存在以下技术问题:现有技术方案,存在模型使用复杂、分割效率低的问题。
发明内容
本发明提供了一种图像分割方法、装置、电子设备及存储介质,以实现降低模型复杂度,提高图像分割效率。
根据本发明的一方面,提供了一种图像分割方法,包括:
获取至少一张待分割图像;
将所述待分割图像输入至预先训练完成的图像分割模型的第一阶段模型,得到初始概率图像;
确定所述初始概率图像对应的目标连通区域;
将所述待分割图像和所述初始概率图像的目标连通区域输入至预先训练完成的图像分割模型的第二阶段模型,得到目标概率图像;
基于所述目标概率图像确定目标分割图像。
根据本发明的另一方面,提供了一种图像分割装置,包括:
待分割图像获取模块,用于获取至少一张待分割图像;
第一阶段预测模块,用于将所述待分割图像输入至预先训练完成的图像分割模型的第一阶段模型,得到初始概率图像;
连通区域确定模块,用于确定所述初始概率图像对应的目标连通区域;
第二阶段预测模块,用于将所述待分割图像和所述初始概率图像的目标连通区域输入至预先训练完成的图像分割模型的第二阶段模型,得到目标概率图像;
目标分割图像确定模块,用于基于所述目标概率图像确定目标分割图像。
根据本发明的另一方面,提供了一种电子设备,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本发明任一实施例所述的图像分割方法。
根据本发明的另一方面,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分割方法。
本发明实施例的技术方案,通过获取至少一张待分割图像,将待分割图像输入至预先训练完成的图像分割模型的第一阶段模型,得到初始概率图像;确定初始概率图像对应的目标连通区域;将待分割图像和初始概率图像的目标连通区域输入至预先训练完成的图像分割模型的第二阶段模型,得到目标概率图像;基于目标概率图像确定目标分割图像。上述技术方案,通过端到端的两阶段的图像分割模型进行图像分割,该模型使用简单,处理步骤少,提高了图像分割效率。
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是本发明实施例提供的一种图像分割方法的流程图;
图2是本发明实施例提供的一种CT图像胰腺分割的流程示意图;
图3是本发明实施例提供的一种图像分割方法的流程图;
图4是本发明实施例提供的一种MSNET特征提取的流程示意图;
图5是本发明实施例提供的一种图像分割装置的结构示意图;
图6是实现本发明实施例的图像分割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。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明实施例提供的一种图像分割方法的流程图,本实施例可适用于端对端两阶段模型自动分割的情况,该方法可以由图像分割装置来执行,该图像分割装置可以采用硬件和/或软件的形式实现,该图像分割装置可配置于计算机终端和/服务器或中。如图1所示,该方法包括:
S110、获取至少一张待分割图像。
在本实施例中,待分割图像是指待进行分割操作的图像。需要说明的是,分割操作可以包括但不限于语义分割(semantic segmentation)和实例分割(instancesegmentation)。语义分割是对背景分离的拓展,要求分离开具有不同语义的图像部分。而实例分割是检测任务的拓展,要求描述出目标的轮廓,相比检测框更为精细。例如在CT图像中将肝脏组织和非肝脏组织分割出来。
示例性的,待分割图像可以为电子计算机断层扫描(Computed Tomography,CT)、磁共振(Magnetic Resonance,MR)图像等,典型的,待分割图像可以为腹部平扫CT图像。可以从电子设备预设存储路径调取待分割图像,或者从与电子设备通信连接的其他设备获取待分割图像,又或者从云端服务器获取待分割图像。
S120、将所述待分割图像输入至预先训练完成的图像分割模型的第一阶段模型,得到初始概率图像。
在本实施例中,图像分割模型可以为端到端的图像分割模型,图像分割模型可以包括第一阶段模型和第二阶段模型。第一阶段模型可以用于对待分割图像进行初步预测,实现感兴趣区域的粗分割,得到初始概率图像,其中,初始概率图像是指包含感兴趣区域的粗分割图像。第二阶段模型可以用于在第一阶段模型输出结果的基础上进行精准分割,从而得到目标分割图像。其中,感兴趣区域可以为胰腺、肝脏等器官区域。
示例性的,图2是本发明实施例提供的一种CT图像胰腺分割的流程示意图。将腹部平扫CT图像输入至图像分割模型的第一阶段模型,腹部平扫CT图像通过遍历的形式进行扣块预测,其中,扣块预测是指在腹部平扫CT图像上依次裁剪预设尺寸的图像进行预测,扣例如块尺寸可以为128×128×128。进一步的,将各扣块预测得到的图像还原到整图中对应位置,从而得到整个腹部平扫CT图像的胰腺box,即初始概率图像。其中,第一阶段模型可以为UNET模型,第二阶段模型可以为MSNET模型。
S130、确定所述初始概率图像对应的目标连通区域。
在本实施例中,目标连通区域是指初始概率图像中最大连通区域。可以理解的是,通过对初始概率图像进行连通域处理,并保留最大连通域,可以去除其他误分割的小区域的干扰。
在一些可选实施例中,确定初始概率图像对应的目标连通区域,包括:对初始概率图像中每一像素点的概率值进行二值化处理,得到初始分割图像;对初始分割图像进行最大连通域处理,得到初始概率图像对应的目标连通区域。
示例性的,对于初始概率图像,可以设置阈值为0.3,将阈值大于0.3的像素点确定为胰腺,标为1,将阈值小于0.3的像素点确定为非胰腺,标为0,从而得到初始分割图像;进一步的,对初始分割图像进行最大连通域处理,保留各连通区域中最大的连通区域,得到初始概率图像对应的目标连通区域。
S140、将所述待分割图像和所述初始概率图像的目标连通区域输入至预先训练完成的图像分割模型的第二阶段模型,得到目标概率图像。
其中,目标概率图像是指包含感兴趣区域的精分割图像。
示例性的,如图2所示,可以将腹部平扫CT图像和初始概率图像中最大连通区域输入至图像分割模型的第二阶段模型,为防止第一阶段模型预测目标缺失,可以将初始概率图像的最大连通区域向外扩展预设个数个像素,使连通区域扩大;进一步的,基于扩大后的最大连通区域进行精准分割胰腺,可以提升了分割效率和分割准确性。
S150、基于所述目标概率图像确定目标分割图像。
本实施例中,目标分割图像是指目标概率图像的后处理图像。
在一些可选实施例中,基于目标概率图像确定目标分割图像,包括:对目标概率图像中每一像素点的概率值进行二值化处理,得到概率分割图像;对概率分割图像进行腐蚀和膨胀处理,得到后处理分割图像;对后处理分割图像进行最大连通域处理,得到目标概率图像对应的目标分割图像。
示例性的,对于目标概率图像,可以设置阈值为0.5,将阈值大于0.5的像素点确定为胰腺,标为1,将阈值小于0.5的像素点确定为非胰腺,标为0,从而得到概率分割图像;进一步的,对概率分割图像进行腐蚀和膨胀处理,可以消除图像中虚弱连接或小凸起,提升分割的平滑度;进一步的,对后处理分割图像进行最大连通域处理,去除其他误分割的小区域的干扰。
本发明实施例的技术方案,通过获取至少一张待分割图像,将待分割图像输入至预先训练完成的图像分割模型的第一阶段模型,得到初始概率图像;确定初始概率图像对应的目标连通区域;将待分割图像和初始概率图像的目标连通区域输入至预先训练完成的图像分割模型的第二阶段模型,得到目标概率图像;基于目标概率图像确定目标分割图像。上述技术方案,通过端到端的两阶段的图像分割模型进行图像分割,该模型使用简单,处理步骤少,提高了图像分割效率。
图3为本发明实施例提供的一种图像分割方法的流程图,本实施例的方法与上述实施例中提供的图像分割方法中各个可选方案可以结合。本实施例提供的图像分割方法进行了进一步优化。可选的,所述图像分割模型的训练步骤,包括:获取第一训练样本数据,其中,所述第一训练样本数据包括第一原始样本图像以及所述第一原始样本图像对应的掩膜标注样本图像;基于所述第一原始样本图像以及所述第一原始样本图像对应的掩膜标注样本图像对待训练的第一阶段模型进行训练,得到第一阶段模型;获取第二训练样本数据,其中,所述第二训练样本数据包括第二原始样本图像以及所述第二原始样本图像对应的掩膜标注样本图像;基于所述第二原始样本图像以及所述第二原始样本图像对应的掩膜标注样本图像对待训练的第二阶段模型进行训练,得到第二阶段模型。
如图3所示,该方法包括:
S210、获取第一训练样本数据,其中,所述第一训练样本数据包括第一原始样本图像以及所述第一原始样本图像对应的掩膜标注样本图像。
S220、基于所述第一原始样本图像以及所述第一原始样本图像对应的掩膜标注样本图像对待训练的第一阶段模型进行训练,得到第一阶段模型。
S230、获取第二训练样本数据,其中,所述第二训练样本数据包括第二原始样本图像以及所述第二原始样本图像对应的掩膜标注样本图像。
S240、基于所述第二原始样本图像以及所述第二原始样本图像对应的掩膜标注样本图像对待训练的第二阶段模型进行训练,得到第二阶段模型。
S250、获取至少一张待分割图像,将所述待分割图像输入至预先训练完成的图像分割模型的第一阶段模型,得到初始概率图像,确定所述初始概率图像对应的目标连通区域。
S260、将所述待分割图像和所述初始概率图像的目标连通区域输入至预先训练完成的图像分割模型的第二阶段模型,得到目标概率图像,基于所述目标概率图像确定目标分割图像。
本实施例中,第一训练样本数据和第二训练样本数据可以为相同训练样本数据,也可以为不同训练样本数据,在此不做限定。换而言之,在一些可选实施例中,第一原始样本图像和第二原始样本图像可以为同一原始样本图像,两者对应的掩膜标注样本图像可以为同一掩膜标注样本图像。
具体的,可以通过数据预处理获取训练样本数据。示例性的,原始样本图像可以为多个腹部CT平扫图像,原始样本图像对应的掩膜标注样本图像可以为标注的胰腺mask。进一步的,为了获取感兴趣区域,以及减小计算资源使用,可以根据标注的胰腺mask的最小外接框对原始样本图像进行裁剪;但为了增加负样本,可以在标注的胰腺mask的最小外接框的基础上填充预设个数的像素。进一步的,胰腺分割环境较复杂,且数据量较少,为了提高模型表现,增强泛化性能,可以对训练样本数据做随机裁剪、旋转、亮度调整、随机小角度抖动等数据增强操作。
可以理解的是,胰腺器官整体较为细长,生长在动脉旁边,胰头与十二指肠相接,胰尾与脾脏接触,对腹部CT平扫图像进行随机裁剪,可以增加胰腺周围环境的多样性。腹部CT平扫图像中胰腺胰体部分的方向具有差异性或者是成片的角度有一定的差异性,随机旋转可以增加胰腺在方向上的多样性,尽可能的识别出多种角度。腹部CT平扫图像中胰腺亮度不同(患者拍片时打造影剂之后的时长和患者间血流速度的差异会造成胰腺显示亮度不同),会导致模型对胰腺的定位或分割结果具有较大差异性,随机添加图像亮度,可以增加数据在亮度方面的多样性,对数据亮度更加鲁棒。
在一些可选实施例中,在获取第一训练样本数据之后,还包括:将第一原始样本图像的物理空间内任一像素点确定为采样中心点;对于任一采样中心点,基于采样中心点确定第一采样样本图像;相应的,基于第一原始样本图像以及第一原始样本图像对应的掩膜标注样本图像对待训练的第一阶段模型进行训练,得到第一阶段模型,包括:将各第一采样样本图像,以及各第一采样样本图像分别对应的掩膜标注样本图像对待训练的第一阶段模型进行训练,得到第一阶段模型。
在本实施例中,物理空间可以用于表征图像真实物理大小。可以理解的是,腹部CT平扫图像中的空间间隔(spacing)用于记录该图像中像素点的真实距离。换而言之,通过图像尺寸×各轴对应的spacing,可以得到图像真实的物理大小。
具体的,通过对第一原始样本图像的物理空间内像素点遍历采样进行训练,缩小了图片尺寸,从而减小了网络参数,同时可以避免模型过拟合的情况发生。
示例性的,第一阶段模型可以为UNET模型,UNET模型是一个先编码再解码的模型,UNET模型的编码过程是将输入的腹部CT平扫图像通过卷积的方法逐步提取图像的高级特征,UNET模型的解码过程是将卷积后的特征通过反卷积的方法还原图像,为保留低级特征,在解码过程中将同一级的特征连接在一起进行反卷积插值还原图像,最后还原成同输入图像的大小尺寸。进一步的,在UNET模型训练过程中,将UNET模型输出的还原图像进行sigmoid转换,得到胰腺概率图像,将胰腺概率图像与标注的mask进行loss计算,本算法损失函数可以为BCE(Binary CrossEntropy)损失函数,通过计算出的loss进行反向传播更新模型的权重,优化策略可以选择Adam,学习率可以设置为1e-4,训练100个epoch。
在一些可选实施例中,基于所述采样中心点确定第一采样样本图像,包括:基于采样中心点,对第一原始样本图像进行裁剪,得到第一裁剪尺寸图像;对第一裁剪尺寸图像进行窗宽窗位调整,得到第一窗宽窗位图像;对第一窗宽窗位图像进行归一化处理,得到第一采样样本图像。
示例性的,第一原始样本图像可以为腹部CT平扫图像。在数据预处理之后,在原始样本图像的物理空间内随机选取一个中心点,作为采样中心点,基于采样中心点将腹部CT平扫图像裁剪为128×128×128尺寸大小的裁剪尺寸图像;进一步的,对裁剪尺寸图像进行窗宽窗位调整,其中,窗宽窗位调整的调整参数包括(60,300)和(90,150)两组。可以理解的是,通过对裁剪尺寸图像进行窗宽窗位调整,可以提高不同图像亮度的检出,增强鲁棒性;进一步的,对窗宽窗位调整后的图像进行归一化,将图像放缩到0-1之间,从而可以提高模型的处理速度和精度。
在一些可选实施例中,在获取第二训练样本数据之后,还包括:将第二原始样本图像的物理空间内任一像素点确定为外部采样中心点;对于任一外部采样中心点,基于外部采样中心点确定第二采样样本图像;将第二原始样本图像内感兴趣区域的任一像素点作为内部采样中心点;对于任一内部采样中心点,基于内部采样中心点确定第三采样样本图像;相应的,基于所述第二原始样本图像以及所述第二原始样本图像对应的掩膜标注样本图像对待训练的第二阶段模型进行训练,得到第二阶段模型,包括:将第二采样样本图像、第三采样样本图像、第二采样样本图像分别对应的掩膜标注样本图像、第三采样样本图像分别对应的掩膜标注样本图像对待训练的第二阶段模型进行训练,得到第二阶段模型。
在本实施例中,第二阶段模型训练的采样方式包括外部采样和内部采样,其中,外部采样是指在第二原始样本图像的物理空间内随机采样。内部采样是指在第二原始样本图像感兴趣区域内随机采样。示例性的,第二原始样本图像感兴趣区域可以为胰腺外表皮。
示例性的,第二阶段模型可以为MSNET模型。进一步的,在MSNET模型训练过程中,将MSNET模型的输出图像进行sigmoid转换,得到外部图像概率图和内部图像概率图,将外部图像概率图和内部图像概率图与标注的mask进行loss计算。损失函数选择BCE损失函数和Dice损失函数,BCE损失函数为分割通用损失函数,Dice损失函数为交并比损失函数,可以关注全局。在计算loss时,BCE损失函数权重与Dice损失函数权重比例可以设置为20:1。内部采样的loss与外部采样的loss比例可以设置为5:1,这样设置的好处在于可以更加关注内部采样的图像。在loss的反向传播过程中,优化策略可以选择Adam,学习率可以为1e-4,训练100个epoch。
在一些可选实施例中,基于所述外部采样中心点确定第二采样样本图像,包括:基于所述外部采样中心点,对所述第二原始样本图像进行裁剪,得到第二裁剪尺寸图像;对所述第二裁剪尺寸图像进行窗宽窗位调整,得到第二窗宽窗位图像;对所述第二窗宽窗位图像进行归一化处理,得到第二采样样本图像。
示例性的,第二原始样本图像可以为腹部CT平扫图像,在数据预处理之后,在腹部CT平扫图像的物理空间内随机选取一个中心点,作为外部采样中心点,基于外部采样中心点将腹部CT平扫图像裁剪为192×192×192尺寸大小的裁剪尺寸图像;进一步的,对裁剪尺寸图像进行窗宽窗位调整,其中,窗宽窗位调整的调整参数包括(60,300)和(90,150)两组。可以理解的是,通过对裁剪尺寸图像进行窗宽窗位调整,可以提高不同图像亮度的检出,增强鲁棒性;进一步的,对窗宽窗位调整后的图像进行归一化,将图像放缩到0-1之间,从而可以提高模型的处理速度和精度。
在一些可选实施例中,基于内部采样中心点确定第三采样样本图像,包括:对内部采样中心点进行随机偏移,得到内部偏移采样中心点;基于内部偏移采样中心点,对第二原始样本图像进行裁剪,得到第三裁剪尺寸图像;对第三裁剪尺寸图像进行窗宽窗位调整,得到第三窗宽窗位图像;对第三窗宽窗位图像进行归一化处理,得到第三采样样本图像。
示例性的,对内部采样中心点进行随机偏移,从而得到偏移之后的内部偏移采样中心点;进一步的,基于内部偏移采样中心点,对第二原始样本图像裁剪为96×96×96尺寸大小的裁剪尺寸图像;进一步的,对裁剪尺寸图像进行窗宽窗位调整,其中,窗宽窗位调整的调整参数包括(60,300)和(90,150)两组;进一步的,对窗宽窗位调整后的图像进行归一化,将图像放缩到0-1之间,从而可以提高模型的处理速度和精度。
在一些可选实施例中,将第二采样样本图像、第三采样样本图像、第二采样样本图像分别对应的掩膜标注样本图像、第三采样样本图像分别对应的掩膜标注样本图像对待训练的第二阶段模型进行训练,得到第二阶段模型,包括:对第二采样样本图像进行特征提取,得到第二采样样本图像对应的外部采样特征图;对第三采样样本图像进行卷积,得到内部浅特征图;将外部采样特征图与内部浅特征图进行拼接,得到拼接特征图像;对拼接特征图像进行编码和解码,得到第三采样样本图像对应的内部高级特征图;基于第二采样样本图像对应的外部采样特征图、第三采样样本图像对应的内部高级特征图、第二采样样本图像分别对应的掩膜标注样本图像、第三采样样本图像分别对应的掩膜标注样本图像确定第二阶段模型损失,基于第二阶段模型损失对当前第二阶段模型的参数进行调节,直到迭代训练完成得到第二阶段模型。
示例性的,第二采样样本图像可以为腹部CT平扫图像的外部扣块图像,第三采样样本图像可以为腹部CT平扫图像的内部扣块图像,第二阶段模型可以为MSNET卷积神经网络。MSNET的特征提取分为两部分,如图4所示,第一部分:对外部扣块图像进行提取,得到外部采样特征图,外部采样特征图的尺寸可以为为192×192×192。第二部分:对内部扣块图像进行卷积,得到内部浅特征图,其尺寸可以为96×96×96;将外部采样特征图裁剪为内部浅特征图同等尺寸,并将裁剪后的外部采样特征图与内部浅特征图拼接在一起,得到拼接特征图像;进一步的,通过MSNET对拼接特征图像进行编码和解码,得到与内部浅特征图同等大小的内部高级特征图。
本发明实施例的技术方案,通过获取第一训练样本数据,其中,第一训练样本数据包括第一原始样本图像以及第一原始样本图像对应的掩膜标注样本图像。基于第一原始样本图像以及第一原始样本图像对应的掩膜标注样本图像对待训练的第一阶段模型进行训练,得到第一阶段模型。获取第二训练样本数据,其中,第二训练样本数据包括第二原始样本图像以及第二原始样本图像对应的掩膜标注样本图像。基于第二原始样本图像以及第二原始样本图像对应的掩膜标注样本图像对待训练的第二阶段模型进行训练,得到第二阶段模型,上述技术方案,通过对端到端的两阶段的图像分割模型进行训练,为后续图像分割提供了使用简单,处理步骤少的图像分割模型,提高了图像分割效率。
图5为本发明实施例提供的一种图像分割装置的结构示意图。如图5所示,该装置包括:
待分割图像获取模块310,用于获取至少一张待分割图像;
第一阶段预测模块320,用于将所述待分割图像输入至预先训练完成的图像分割模型的第一阶段模型,得到初始概率图像;
连通区域确定模块330,用于确定所述初始概率图像对应的目标连通区域;
第二阶段预测模块340,用于将所述待分割图像和所述初始概率图像的目标连通区域输入至预先训练完成的图像分割模型的第二阶段模型,得到目标概率图像;
目标分割图像确定模块350,用于基于所述目标概率图像确定目标分割图像。
本发明实施例的技术方案,通过获取至少一张待分割图像,将待分割图像输入至预先训练完成的图像分割模型的第一阶段模型,得到初始概率图像;确定初始概率图像对应的目标连通区域;将待分割图像和初始概率图像的目标连通区域输入至预先训练完成的图像分割模型的第二阶段模型,得到目标概率图像;基于目标概率图像确定目标分割图像。上述技术方案,通过端到端的两阶段的图像分割模型进行图像分割,该模型使用简单,处理步骤少,提高了图像分割效率。
在一些可选的实施方式中,连通区域确定模块330,具体用于:
对所述初始概率图像中每一像素点的概率值进行二值化处理,得到初始分割图像;
对所述初始分割图像进行最大连通域处理,得到所述初始概率图像对应的目标连通区域。
在一些可选的实施方式中,目标分割图像确定模块350,具体用于:
对所述目标概率图像中每一像素点的概率值进行二值化处理,得到概率分割图像;
对所述概率分割图像进行腐蚀和膨胀处理,得到后处理分割图像;
对所述后处理分割图像进行最大连通域处理,得到所述目标概率图像对应的目标分割图像。
在一些可选的实施方式中,图像分割装置还包括:
第一训练样本数据获取模块,用于获取第一训练样本数据,其中,所述第一训练样本数据包括第一原始样本图像以及所述第一原始样本图像对应的掩膜标注样本图像;
第一阶段模型训练模块,用于基于所述第一原始样本图像以及所述第一原始样本图像对应的掩膜标注样本图像对待训练的第一阶段模型进行训练,得到第一阶段模型;
第二训练样本数据获取模块,用于获取第二训练样本数据,其中,所述第二训练样本数据包括第二原始样本图像以及所述第二原始样本图像对应的掩膜标注样本图像;
第二阶段模型训练模块,用于基于所述第二原始样本图像以及所述第二原始样本图像对应的掩膜标注样本图像对待训练的第二阶段模型进行训练,得到第二阶段模型。
在一些可选的实施方式中,图像分割装置还包括:
采样中心点确定模块,用于将所述第一原始样本图像的物理空间内任一像素点确定为采样中心点;
第一采样样本图像确定模块,用于对于任一采样中心点,基于所述采样中心点确定第一采样样本图像;
相应的,第一阶段模型训练模块,具体用于:
将各所述第一采样样本图像,以及各所述第一采样样本图像分别对应的掩膜标注样本图像对待训练的第一阶段模型进行训练,得到第一阶段模型。
在一些可选的实施方式中,第一采样样本图像确定模块,具体用于:
基于所述采样中心点,对所述第一原始样本图像进行裁剪,得到第一裁剪尺寸图像;
对所述第一裁剪尺寸图像进行窗宽窗位调整,得到第一窗宽窗位图像;
对所述第一窗宽窗位图像进行归一化处理,得到第一采样样本图像。
在一些可选的实施方式中,图像分割装置还包括:
外部采样中心点确定模块,用于将所述第二原始样本图像的物理空间内任一像素点确定为外部采样中心点;
第二采样样本图像确定模块,用于对于任一外部采样中心点,基于所述外部采样中心点确定第二采样样本图像;
内部采样中心点确定模块,用于将所述第二原始样本图像内感兴趣区域的任一像素点作为内部采样中心点;
第三采样样本图像确定模块,用于对于任一内部采样中心点,基于所述内部采样中心点确定第三采样样本图像;
相应的,第二阶段模型训练模块,具体用于:
将所述第二采样样本图像、所述第三采样样本图像、所述第二采样样本图像分别对应的掩膜标注样本图像、所述第三采样样本图像分别对应的掩膜标注样本图像对待训练的第二阶段模型进行训练,得到第二阶段模型。
在一些可选的实施方式中,第二采样样本图像确定模块,具体用于:
基于所述外部采样中心点,对所述第二原始样本图像进行裁剪,得到第二裁剪尺寸图像;
对所述第二裁剪尺寸图像进行窗宽窗位调整,得到第二窗宽窗位图像;
对所述第二窗宽窗位图像进行归一化处理,得到第二采样样本图像。
在一些可选的实施方式中,第三采样样本图像确定模块,具体用于:
对所述内部采样中心点进行随机偏移,得到内部偏移采样中心点;
基于所述内部偏移采样中心点,对所述第二原始样本图像进行裁剪,得到第三裁剪尺寸图像;
对所述第三裁剪尺寸图像进行窗宽窗位调整,得到第三窗宽窗位图像;
对所述第三窗宽窗位图像进行归一化处理,得到第三采样样本图像。
在一些可选的实施方式中,第二阶段模型训练模块,还具体用于:
对所述第二采样样本图像进行特征提取,得到所述第二采样样本图像对应的外部采样特征图;
对所述第三采样样本图像进行卷积,得到内部浅特征图;
将所述外部采样特征图与所述内部浅特征图进行拼接,得到拼接特征图像;
对所述拼接特征图像进行编码和解码,得到所述第三采样样本图像对应的内部高级特征图;
基于所述第二采样样本图像对应的外部采样特征图、所述第三采样样本图像对应的内部高级特征图、所述第二采样样本图像分别对应的掩膜标注样本图像、所述第三采样样本图像分别对应的掩膜标注样本图像确定第二阶段模型损失,基于所述第二阶段模型损失对当前第二阶段模型的参数进行调节,直到迭代训练完成得到第二阶段模型。
本发明实施例所提供的图像分割装置可执行本发明任意实施例所提供的图像分割方法,具备执行方法相应的功能模块和有益效果。
图6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6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,例如图像分割方法,该方法包括:
获取至少一张待分割图像;
将所述待分割图像输入至预先训练完成的图像分割模型的第一阶段模型,得到初始概率图像;
确定所述初始概率图像对应的目标连通区域;
将所述待分割图像和所述初始概率图像的目标连通区域输入至预先训练完成的图像分割模型的第二阶段模型,得到目标概率图像;
基于所述目标概率图像确定目标分割图像。
在一些实施例中,图像分割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分割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分割方法。
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 (13)
1.一种图像分割方法,其特征在于,包括:
获取至少一张待分割图像;
将所述待分割图像输入至预先训练完成的图像分割模型的第一阶段模型,得到初始概率图像;
确定所述初始概率图像对应的目标连通区域;
将所述待分割图像和所述初始概率图像的目标连通区域输入至预先训练完成的图像分割模型的第二阶段模型,得到目标概率图像;
基于所述目标概率图像确定目标分割图像。
2.根据权利要求1所述的方法,其特征在于,所述确定所述初始概率图像对应的目标连通区域,包括:
对所述初始概率图像中每一像素点的概率值进行二值化处理,得到初始分割图像;
对所述初始分割图像进行最大连通域处理,得到所述初始概率图像对应的目标连通区域。
3.根据权利要求1所述的方法,其特征在于,所述基于所述目标概率图像确定目标分割图像,包括:
对所述目标概率图像中每一像素点的概率值进行二值化处理,得到概率分割图像;
对所述概率分割图像进行腐蚀和膨胀处理,得到后处理分割图像;
对所述后处理分割图像进行最大连通域处理,得到所述目标概率图像对应的目标分割图像。
4.根据权利要求1所述的方法,其特征在于,所述图像分割模型的训练步骤,包括:
获取第一训练样本数据,其中,所述第一训练样本数据包括第一原始样本图像以及所述第一原始样本图像对应的掩膜标注样本图像;
基于所述第一原始样本图像以及所述第一原始样本图像对应的掩膜标注样本图像对待训练的第一阶段模型进行训练,得到第一阶段模型;
获取第二训练样本数据,其中,所述第二训练样本数据包括第二原始样本图像以及所述第二原始样本图像对应的掩膜标注样本图像;
基于所述第二原始样本图像以及所述第二原始样本图像对应的掩膜标注样本图像对待训练的第二阶段模型进行训练,得到第二阶段模型。
5.根据权利要求4所述的方法,其特征在于,在获取第一训练样本数据之后,还包括:
将所述第一原始样本图像的物理空间内任一像素点确定为采样中心点;
对于任一采样中心点,基于所述采样中心点确定第一采样样本图像;
相应的,所述基于所述第一原始样本图像以及所述第一原始样本图像对应的掩膜标注样本图像对待训练的第一阶段模型进行训练,得到第一阶段模型,包括:
将各所述第一采样样本图像,以及各所述第一采样样本图像分别对应的掩膜标注样本图像对待训练的第一阶段模型进行训练,得到第一阶段模型。
6.根据权利要求5所述的方法,其特征在于,所述基于所述采样中心点确定第一采样样本图像,包括:
基于所述采样中心点,对所述第一原始样本图像进行裁剪,得到第一裁剪尺寸图像;
对所述第一裁剪尺寸图像进行窗宽窗位调整,得到第一窗宽窗位图像;
对所述第一窗宽窗位图像进行归一化处理,得到第一采样样本图像。
7.根据权利要求4所述的方法,其特征在于,在所述获取第二训练样本数据之后,还包括:
将所述第二原始样本图像的物理空间内任一像素点确定为外部采样中心点;
对于任一外部采样中心点,基于所述外部采样中心点确定第二采样样本图像;
将所述第二原始样本图像内感兴趣区域的任一像素点作为内部采样中心点;
对于任一内部采样中心点,基于所述内部采样中心点确定第三采样样本图像;
相应的,所述基于所述第二原始样本图像以及所述第二原始样本图像对应的掩膜标注样本图像对待训练的第二阶段模型进行训练,得到第二阶段模型,包括:
将所述第二采样样本图像、所述第三采样样本图像、所述第二采样样本图像分别对应的掩膜标注样本图像、所述第三采样样本图像分别对应的掩膜标注样本图像对待训练的第二阶段模型进行训练,得到第二阶段模型。
8.根据权利要求7所述的方法,其特征在于,基于所述外部采样中心点确定第二采样样本图像,包括:
基于所述外部采样中心点,对所述第二原始样本图像进行裁剪,得到第二裁剪尺寸图像;
对所述第二裁剪尺寸图像进行窗宽窗位调整,得到第二窗宽窗位图像;
对所述第二窗宽窗位图像进行归一化处理,得到第二采样样本图像。
9.根据权利要求7所述的方法,其特征在于,基于所述内部采样中心点确定第三采样样本图像,包括:
对所述内部采样中心点进行随机偏移,得到内部偏移采样中心点;
基于所述内部偏移采样中心点,对所述第二原始样本图像进行裁剪,得到第三裁剪尺寸图像;
对所述第三裁剪尺寸图像进行窗宽窗位调整,得到第三窗宽窗位图像;
对所述第三窗宽窗位图像进行归一化处理,得到第三采样样本图像。
10.根据权利要求7所述的方法,其特征在于,将所述第二采样样本图像、所述第三采样样本图像、所述第二采样样本图像分别对应的掩膜标注样本图像、所述第三采样样本图像分别对应的掩膜标注样本图像对待训练的第二阶段模型进行训练,得到第二阶段模型,包括:
对所述第二采样样本图像进行特征提取,得到所述第二采样样本图像对应的外部采样特征图;
对所述第三采样样本图像进行卷积,得到内部浅特征图;
将所述外部采样特征图与所述内部浅特征图进行拼接,得到拼接特征图像;
对所述拼接特征图像进行编码和解码,得到所述第三采样样本图像对应的内部高级特征图;
基于所述第二采样样本图像对应的外部采样特征图、所述第三采样样本图像对应的内部高级特征图、所述第二采样样本图像分别对应的掩膜标注样本图像、所述第三采样样本图像分别对应的掩膜标注样本图像确定第二阶段模型损失,基于所述第二阶段模型损失对当前第二阶段模型的参数进行调节,直到迭代训练完成得到第二阶段模型。
11.一种图像分割装置,其特征在于,包括:
待分割图像获取模块,用于获取至少一张待分割图像;
第一阶段预测模块,用于将所述待分割图像输入至预先训练完成的图像分割模型的第一阶段模型,得到初始概率图像;
连通区域确定模块,用于确定所述初始概率图像对应的目标连通区域;
第二阶段预测模块,用于将所述待分割图像和所述初始概率图像的目标连通区域输入至预先训练完成的图像分割模型的第二阶段模型,得到目标概率图像;
目标分割图像确定模块,用于基于所述目标概率图像确定目标分割图像。
12.一种电子设备,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1-10中任一项所述的图像分割方法。
13.一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1-10中任一项所述的图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211160791.5A CN115482248B (zh) | 2022-09-22 | 2022-09-22 | 图像分割方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211160791.5A CN115482248B (zh) | 2022-09-22 | 2022-09-22 | 图像分割方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115482248A true CN115482248A (zh) | 2022-12-16 |
CN115482248B CN115482248B (zh) | 2023-12-08 |
Family
ID=84394146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211160791.5A Active CN115482248B (zh) | 2022-09-22 | 2022-09-22 | 图像分割方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115482248B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117809122A (zh) * | 2024-02-29 | 2024-04-02 | 北京航空航天大学 | 一种颅内大血管图像的处理方法、系统、电子设备及介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150010121A1 (en) * | 2013-07-08 | 2015-01-08 | Oracle International Corporation | Calibration of clock path mismatches between data and error slicer |
CN107507201A (zh) * | 2017-09-22 | 2017-12-22 | 深圳天琴医疗科技有限公司 | 一种医学图像分割方法及装置 |
CN108389210A (zh) * | 2018-02-28 | 2018-08-10 | 深圳天琴医疗科技有限公司 | 一种医学图像分割方法及装置 |
CN108510574A (zh) * | 2018-04-17 | 2018-09-07 | 福州大学 | 一种基于样例学习并增强视觉质量的3d图像裁剪方法 |
CN110738207A (zh) * | 2019-09-10 | 2020-01-31 | 西南交通大学 | 一种融合文字图像中文字区域边缘信息的文字检测方法 |
WO2020037960A1 (zh) * | 2018-08-21 | 2020-02-27 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
CN111145181A (zh) * | 2019-12-25 | 2020-05-12 | 华侨大学 | 一种基于多视角分离卷积神经网络的骨骼ct图像三维分割方法 |
JP2020112438A (ja) * | 2019-01-11 | 2020-07-27 | 学校法人福岡工業大学 | 海面計測システム、海面計測方法および海面計測プログラム |
CN111985161A (zh) * | 2020-08-21 | 2020-11-24 | 广东电网有限责任公司清远供电局 | 一种变电站三维模型重构方法 |
CN112489081A (zh) * | 2020-11-30 | 2021-03-12 | 北京航空航天大学 | 一种视觉目标跟踪方法及装置 |
WO2021115356A1 (zh) * | 2020-05-15 | 2021-06-17 | 平安科技(深圳)有限公司 | 自适应窗宽窗位调节方法、装置、计算机系统及存储介质 |
CN113034507A (zh) * | 2021-05-26 | 2021-06-25 | 四川大学 | 基于ccta影像的冠状动脉三维分割方法 |
US20210389247A1 (en) * | 2020-06-10 | 2021-12-16 | Gemological Institute Of America, Inc. (Gia) | Luminescence imaging for gemstone screening |
CN114332132A (zh) * | 2021-12-31 | 2022-04-12 | 联影智能医疗科技(成都)有限公司 | 图像分割方法、装置和计算机设备 |
US20220148162A1 (en) * | 2019-02-22 | 2022-05-12 | Vr Doctor Medical Technology (Shenzhen) Co., Ltd. | Method and product for ai endoscope analyzing of vein based on vrds 4d medical images |
CN114724258A (zh) * | 2022-04-24 | 2022-07-08 | 厦门熵基科技有限公司 | 活体检测方法、装置、存储介质及计算机设备 |
-
2022
- 2022-09-22 CN CN202211160791.5A patent/CN115482248B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150010121A1 (en) * | 2013-07-08 | 2015-01-08 | Oracle International Corporation | Calibration of clock path mismatches between data and error slicer |
CN107507201A (zh) * | 2017-09-22 | 2017-12-22 | 深圳天琴医疗科技有限公司 | 一种医学图像分割方法及装置 |
CN108389210A (zh) * | 2018-02-28 | 2018-08-10 | 深圳天琴医疗科技有限公司 | 一种医学图像分割方法及装置 |
CN108510574A (zh) * | 2018-04-17 | 2018-09-07 | 福州大学 | 一种基于样例学习并增强视觉质量的3d图像裁剪方法 |
WO2020037960A1 (zh) * | 2018-08-21 | 2020-02-27 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
JP2020112438A (ja) * | 2019-01-11 | 2020-07-27 | 学校法人福岡工業大学 | 海面計測システム、海面計測方法および海面計測プログラム |
US20220148162A1 (en) * | 2019-02-22 | 2022-05-12 | Vr Doctor Medical Technology (Shenzhen) Co., Ltd. | Method and product for ai endoscope analyzing of vein based on vrds 4d medical images |
CN110738207A (zh) * | 2019-09-10 | 2020-01-31 | 西南交通大学 | 一种融合文字图像中文字区域边缘信息的文字检测方法 |
CN111145181A (zh) * | 2019-12-25 | 2020-05-12 | 华侨大学 | 一种基于多视角分离卷积神经网络的骨骼ct图像三维分割方法 |
WO2021115356A1 (zh) * | 2020-05-15 | 2021-06-17 | 平安科技(深圳)有限公司 | 自适应窗宽窗位调节方法、装置、计算机系统及存储介质 |
US20210389247A1 (en) * | 2020-06-10 | 2021-12-16 | Gemological Institute Of America, Inc. (Gia) | Luminescence imaging for gemstone screening |
CN111985161A (zh) * | 2020-08-21 | 2020-11-24 | 广东电网有限责任公司清远供电局 | 一种变电站三维模型重构方法 |
CN112489081A (zh) * | 2020-11-30 | 2021-03-12 | 北京航空航天大学 | 一种视觉目标跟踪方法及装置 |
CN113034507A (zh) * | 2021-05-26 | 2021-06-25 | 四川大学 | 基于ccta影像的冠状动脉三维分割方法 |
CN114332132A (zh) * | 2021-12-31 | 2022-04-12 | 联影智能医疗科技(成都)有限公司 | 图像分割方法、装置和计算机设备 |
CN114724258A (zh) * | 2022-04-24 | 2022-07-08 | 厦门熵基科技有限公司 | 活体检测方法、装置、存储介质及计算机设备 |
Non-Patent Citations (2)
Title |
---|
SANGDOO等: "CutMix: Regularization Strategy to Train Strong Classifiers with Localizable Features", 《IEEE》, pages 6023 - 6032 * |
吴亚文: "基于弱监督学习的DR胸片中胸肺疾病的识别与定位", 《中国优秀硕士学位论文电子期刊》, pages 30 - 31 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117809122A (zh) * | 2024-02-29 | 2024-04-02 | 北京航空航天大学 | 一种颅内大血管图像的处理方法、系统、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115482248B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11321593B2 (en) | Method and apparatus for detecting object, method and apparatus for training neural network, and electronic device | |
US20210158533A1 (en) | Image processing method and apparatus, and storage medium | |
CN115018805A (zh) | 分割模型训练方法、图像分割方法、装置、设备及介质 | |
CN113792742A (zh) | 遥感图像的语义分割方法和语义分割模型的训练方法 | |
CN115482248B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN108734718B (zh) | 用于图像分割的处理方法、装置、存储介质及设备 | |
CN114782355A (zh) | 基于改进vgg16网络的胃癌数字病理切片检测方法 | |
CN115861255A (zh) | 用于图像处理的模型训练方法、装置、设备、介质及产品 | |
CN113361519B (zh) | 目标处理方法、目标处理模型的训练方法及其装置 | |
CN114937149A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115409856A (zh) | 一种肺部医学图像处理方法、装置、设备及存储介质 | |
CN114724144A (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
CN115690143B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN113610856A (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN113379750A (zh) | 语义分割模型的半监督学习方法、相关装置及产品 | |
CN113435257A (zh) | 表格图像的识别方法、装置、设备和存储介质 | |
CN113032071A (zh) | 页面元素定位方法、页面测试方法、装置、设备和介质 | |
CN115546239B (zh) | 基于边界注意力与距离变换的目标分割方法和装置 | |
CN117746069B (zh) | 以图搜图的模型训练方法、和以图搜图方法 | |
CN117333487B (zh) | 一种痘痘分级方法、装置、设备及存储介质 | |
CN114202728B (zh) | 一种视频检测方法、装置、电子设备及介质 | |
CN113177483B (zh) | 视频目标分割方法、装置、设备以及存储介质 | |
CN115222955B (zh) | 图像匹配模型的训练方法、装置、电子设备及存储介质 | |
CN115564788B (zh) | 基于先验信息的肺气管分割模型训练、分割方法和装置 | |
CN114820686B (zh) | 抠图的方法、装置、电子设备及存储介质 |
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 |