CN115546149A - 肝脏分割方法及装置、电子设备及存储介质 - Google Patents
肝脏分割方法及装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115546149A CN115546149A CN202211227870.3A CN202211227870A CN115546149A CN 115546149 A CN115546149 A CN 115546149A CN 202211227870 A CN202211227870 A CN 202211227870A CN 115546149 A CN115546149 A CN 115546149A
- Authority
- CN
- China
- Prior art keywords
- liver
- mask data
- portal
- vein
- liver segmentation
- 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
- 210000004185 liver Anatomy 0.000 title claims abstract description 470
- 230000011218 segmentation Effects 0.000 title claims abstract description 341
- 238000000034 method Methods 0.000 title claims abstract description 73
- 210000003462 vein Anatomy 0.000 claims abstract description 100
- 210000003240 portal vein Anatomy 0.000 claims abstract description 28
- 210000002989 hepatic vein Anatomy 0.000 claims abstract description 15
- 230000002440 hepatic effect Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 5
- 238000013138 pruning Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000005520 cutting process Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000003491 skin Anatomy 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 210000000683 abdominal cavity Anatomy 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000004042 decolorization Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G06T7/0002—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
- G06T7/11—Region-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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本公开披露一种肝脏分割方法及装置、电子设备及存储介质，涉及计算机视觉技术领域。该方法包括：获取目标用户的门脉期肝脏图像序列；对门脉期肝脏图像序列分割，得到门脉期肝脏图像序列对应的肝脏掩模数据和静脉掩模数据，静脉掩模数据指的是肝静脉和肝门静脉的掩模数据；利用第一肝脏分段模型处理肝脏掩模数据和静脉掩模数据，得到第一肝脏分割结果，其中，第一肝脏分段模型是基于肝段之间的差异信息进行分割的。本公开利用第一分段模型处理肝脏掩模数据和静脉掩模数据，充分利用了静脉和门静脉的位置关系，提高了肝脏分割结果的准确性。
Description
技术领域
本公开属于计算机视觉技术领域，具体涉及一种肝脏分割方法及装置、电子设备及存储介质。
背景技术
近年来，对基于深度学习的图像分割技术的研究不断深入。因为肝脏结构的复杂性，且肝脏形状差异较大，不同的人之间肝脏形状各异，肝脏的分割成为了图像分割技术的研究的重点。
目前，针对肝脏的分割，由于训练阶段降采的原因，导致肝脏分割模型输出的结果不够精确；肝脏分割模型输出的分割结果不精确，会影响基于肝脏分割结果的相关研究；此外，肝脏分割结果能够辅助相关的医疗手术，肝脏分割结果的精度会影响相关医疗手术的结果。因此，亟需一种肝脏分割方法，解决现有肝脏分割技术的分割结果不够精确的问题。
发明内容
有鉴于此，本公开提供一种肝脏分割方法及装置、电子设备及存储介质，以解决现有肝脏分割技术的分割结果不够精确的问题。
第一方面，本公开一实施例提供的一种肝脏分割方法，包括：获取目标用户的门脉期肝脏图像序列；对门脉期肝脏图像序列分割，得到门脉期肝脏图像序列对应的肝脏掩模数据和静脉掩模数据，静脉掩模数据指的是肝静脉和肝门静脉的掩模数据；利用第一肝脏分段模型处理肝脏掩模数据和静脉掩模数据，得到第一肝脏分割结果，其中，第一肝脏分段模型是基于肝段之间的差异信息进行分割的。
结合第一方面，在第一方面的某些实现方式中，第一肝脏分段模型是基于肝段之间的差异信息进行分割的指的是，第一肝脏分段模型是基于肝段之间的二分类差异信息和四分类差异信息进行分割的；其中，二分类差异信息包括如下各项中的至少一项：尾状叶段与左外叶上段、左外叶下段、左内叶上段、左内叶下段、右前叶下段、右后叶下段、右后叶上段、右前叶上段之间的二分类差异信息；左内叶上段、右后叶上段、右前叶上段与左内叶下段、右前叶下段、右后叶下段之前的二分类差异信息；左外叶上段和左外叶下段之间的二分类差异信息；其中，四分类差异信息包括：左外叶上段、左外叶下段与左内叶上段和左内叶下段、右前叶下段和右后叶下段、右后叶上段和右前叶上段之间的四分类差异信息。
结合第一方面，在第一方面的某些实现方式中，第一肝脏分段模型的生成方式，包括：基于门脉期肝脏图像序列样本，生成门脉期肝脏图像序列样本对应的肝脏掩模数据和静脉掩模数据；对门脉期肝脏图像序列样本对应的静脉掩模数据进行多次随机裁剪，得到静脉集合；基于门脉期肝脏图像序列样本对应的肝脏掩模数据和静脉掩模数据集合，训练初始第一肝脏分段模型，得到第一肝脏分段模型。
结合第一方面，在第一方面的某些实现方式中，在利用第一肝脏分段模型处理肝脏掩模数据和静脉掩模数据，得到第一肝脏分割结果之后，该肝脏分割方法还包括：利用第二肝脏分段模型处理第一肝脏分割结果，得到第二肝脏分割结果，其中，第二肝脏分段模型用于基于第一肝脏分割结果中的尾状叶段、右前叶下段、右后叶下段、右后叶上段和右前叶上段，优化第一肝脏分割结果中的左外叶上段、左外叶下段、左内叶上段和左内叶下段。
结合第一方面，在第一方面的某些实现方式中，在训练第二肝脏分段模型的过程中，所使用的损失函数包括OAA损失函数。
结合第一方面，在第一方面的某些实现方式中，第二肝脏分段模型的训练过程中，使用静脉剪枝数据集合辅助训练第二肝脏分段模型。
结合第一方面，在第一方面的某些实现方式中，在利用第二肝脏分段模型处理第一肝脏分割结果，得到第二肝脏分割结果之后，该肝脏分割方法还包括：利用第三肝脏分段模型处理第二肝脏分割结果，得到第三肝脏分割结果，其中，第三肝脏分段模块用于，基于第二肝脏分割结果，对第二肝脏分割结果的分割边界进行边界修正。
第二方面，本公开一实施例提供一种肝脏分割装置，包括：获取模块，用于获取目标用户的门脉期肝脏图像序列；分割模块，用于对门脉期肝脏图像序列分割，得到门脉期肝脏图像序列对应的肝脏掩模数据和静脉掩模数据，静脉掩模数据指的是肝静脉和肝门静脉的掩模数据；处理模块，用于利用第一肝脏分段模型处理肝脏掩模数据和静脉掩模数据，得到第一肝脏分割结果，其中，第一肝脏分段模型是基于肝段之间的差异信息进行分割的。
第三方面，本公开一实施例提供一种电子设备，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提及的方法。
第四方面，本公开一实施例提供一种计算机可读存储介质，该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提及的方法。
本公开实施例通对门脉期肝脏图像序列分割，得到门脉期肝脏图像序列对应的肝脏掩模数据和静脉掩模数据；利用第一肝脏分段模型处理肝脏掩模数据和静脉掩模数据，得到第一肝脏分割结果，其中，第一肝脏分段模型是基于肝段之间的差异信息进行分割的；通过第一肝脏分段结果是根据基于肝段之间的差异信息进行分割的，获得的分类结果更加准确科学，并且，基于肝脏掩模数据和静脉掩模数据得到的肝脏分割结果，充分利用静脉的位置关系，获得的肝脏分割结果的分割边界更加精确。
附图说明
通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。
图1a所示为本公开一实施例提供的应用场景示意图。
图1b所示为本公开一实施例提供的应用场景示意图
图2所示为本公开一实施例提供的一种肝脏分割方法的流程示意图。
图3所示为本公开一实施例提供的第一肝脏分段模型的生成方式的流程示意图。
图4所示为本公开一实施例提供的另一肝脏分割方法的流程示意图。
图5所示为本公开一实施例提供的另一肝脏分割方法的流程示意图。
图6所示为本公开一实施例提供的另一肝脏分割方法的流程示意图。
图7所示为本公开一实施例提供的肝脏分割模型训练的流程示意图。
图8所示为本公开一实施例提供的肝脏分割装置的结构示意图。
图9所示为本公开一实施例提供的电子设备的结构示意图。
具体实施方式
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，所描述的实施例仅是本公开一部分实施例，而不是全部的实施例。
近年来，基于深度学习的图像分割技术的研究不断深入。因为肝脏结构的复杂性，且肝脏形状差异较大，肝脏本身存在形变大的问题，不同的人之间肝脏形状各异，针对同一人，由于肝脏病变的问题，也在不同时期发生不同的形变，所以，干肝脏的分割成为了图像分割技术的研究的重点。
而目前针对肝脏图像的分割技术，分割结果都不精确，严重影像肝脏分割结果。然而，肝脏分割结果的精确程度，对肝脏分割结果辅助的相关医学研究有着重大的影响；以及能对基于肝脏分割结果辅助的相关医疗手术的结果造成影响。现有肝脏分割方法通常采用比较传统的图像处理技术，比如，基于边缘的分割算法，多尺度滤波，直方图处理技术等。传统的图像处理一般需要提取肝静脉和门静脉作为肝脏分段的重要依据。因此，基于深度学习算法的模型通常也高度依赖肝静脉和/或门静脉结果，导致深度学习算法模型既复杂又缺少鲁棒性。此外，现有肝脏分段方法是需要建立在先得到一个比较完美的肝静脉和/或门静脉结果的基础上，才能获得良好的分割结果，对肝静脉和/或门静脉的依赖性高，因此，限制了肝脏分类模型的性能。
深度学习算法模型通常基于完整3D肝段标签和对应原始医学影像，通过训练得到串联的三个分类模型。三个分类模型对原始的医学影像的每一个像素点进行九分类预测,得到完整的3D肝段分割结果。目前训练网络模型通常采用完整图像，输入到网络进行训练分割模型，得到的分割模型由于降采的原因导致分割界限不够精确。此外，肝段的分类未充分利用静脉和门静脉的位置信息，缺少静脉和门静脉为其提供空间相对位置的参考，也导致获得的肝脏分割结果的分割边界准确性低。此外，一些肝脏分割为解决分辨率问题，通常采用繁琐的设计，导致降低了肝脏分割的效率。
为解决上述提及的技术问题，本公开提出一种肝脏分割方法及装置、电子设备及存储介质，保证了肝脏分割结果的分割边界准确性。本公开实施例的肝脏分割方法，基于肝段之间的差异信息进行分割，提高了肝脏分割结果的精度，能够更好地辅助相关医疗研究以及相关的临床应用。
下面结合图1a和图1b对本公开实施例的应用场景进行简单的介绍。
图1a所示本公开一实施例提供的应用场景示意图。如图1a所示，该场景为对用户A的肝脏图像进行分割的场景。具体而言，对用户A(即，目标用户)的肝脏图像进行分割的场景包括服务器110、与服务器110通信连接的用户终端120；服务器110用于执行本公开实施例提及的肝脏分割方法。示例性地，服务器110用于执行：获取用户A的门脉期肝脏图像序列；对门脉期肝脏图像序列分割，得到门脉期肝脏图像序列对应的肝脏掩模数据和静脉掩模数据，静脉掩模数据指的是肝静脉和肝门静脉的掩模数据；利用第一肝脏分段模型处理肝脏掩模数据和静脉掩模数据，得到第一肝脏分割结果，其中，第一肝脏分段模型是基于肝段之间的差异信息进行分割的。
示例性地，在实际应用过程中，用户利用用户终端120向服务器110发出针对用户A的肝脏图像进行分割的指令。在服务器110接收到该指令后，获取用户A的门脉期的图像序列，并对门脉期肝脏图像序列分割，得到门脉期肝脏图像序列对应的肝脏掩模数据和静脉掩模数据；利用第一肝脏分段模型，处理肝脏掩膜和静脉掩膜，得到第一肝脏分割结果；示例性地，第一肝脏分段模型布置在服务器110中。继而向用户终端120输出该分割结果，以便用户通过用户终端120了解用户A肝脏图像的分割结果。
示例性地，上述提及的用户终端120包括但不限于台式电脑、笔记本电脑等计算机终端。
示例性地，上述门脉期肝脏图像序列格式包括但不限于医学数字成像和通信(Digital Imaging and Communications in Medicine，DICOM)格式、神经影像学信息技术计划(Neuroimaging Informatics Technology Initiative，NIFTI)格式等常见的医学影像格式。
图1b所示为本公开实施例所适用的另一场景示意图。如图1b所示，本公开实施例所适用的场景中包括服务器111、分别与服务器111通信连接的用户终端121和图像存储设备130。
示例性地，图像存储设备130用于存储目标用户的门脉期肝脏图像序列数据，服务器111，用于确定第一肝脏分段模型，以及确定门脉期肝脏图像序列对应的肝脏掩模数据和静脉掩模数据；并利用第一肝脏分段模型处理肝脏掩膜和静脉掩膜，得到第一肝脏分割结果。示例性地，服务器111通过门脉期肝脏图像序列样本对应的肝脏掩模数据和静脉掩模数据集合，训练初始第一网络分段模型，确定第一肝脏分段模型；示例性地，第一肝脏分段模型是基于肝段之间的差异信息进行分割的。
示例性地，服务器111响应用户终端121对目标用户的门脉期肝脏图像序列进行分割的命令，调用图像存储设备中目标用户对应的门脉期肝脏图像序列数据，利用第一肝脏分段模型，处理肝脏掩模数据和静脉掩模数据，获得第一肝脏分割结果，并向用户终端121进行输出该结果。
下面结合图2至图7对本公开的肝脏分割方法进行简单的介绍。
图2所示为本公开一实施例提供的肝脏分割方法的流程示意图，如图2所示，本公开实施例提供的肝脏分割方法包括如下步骤。
步骤S210，获取目标用户的门脉期肝脏图像序列。
示例性地，目标用户可以是有肝脏分割需求的用户，例如，需要进行肝脏手术的患者等人；目标用户的门脉期肝脏图像序列是DICOM格式。
步骤S220，对门脉期肝脏图像序列分割，得到门脉期肝脏图像序列对应的肝脏掩模数据和静脉掩模数据。其中，静脉掩模数据指的是肝静脉和肝门静脉的掩模数据。
示例性地，门脉期肝脏图像序列为包括肝脏的腹腔图像，定位肝脏所在区域，对门脉期肝脏图像序列进行粗分割，获得肝脏掩模数据；利用训练好的静脉分割模型，对门静脉期肝脏图像序列进行分割，获得肝静脉和肝门静脉的掩模数据。
步骤S230，利用第一肝脏分段模型处理肝脏掩模数据和静脉掩模数据，得到第一肝脏分割结果。其中，第一肝脏分段模型是基于肝段之间的差异信息进行分割的。
示例性地，第一肝脏分段模型是基于奎诺(Couinaud)分段法的结构信息，确定肝段之间的差异信息，基于肝段之间的差异信息进行分割，处理肝脏掩模数据和静脉掩模数据，获得第一肝脏分割结果。
示例性地，Couinaud分段法将肝脏划分为8个独立的功能单元。每个肝段分别用罗马数字I至VIII标记，I段：尾状叶；II段：左外叶上段；III段：左外叶下段；IV段：左内叶；V段：右前叶下段；VI段：右后叶下段；VII段：右后叶上段；VIII段：右前叶上段。其中，IV段又可以根据VIII段和V段分界面的延伸面分为IVa段和IVb段上下两段。第一肝脏分段模型基于上述8个独立的功能单元之间的结构的信息差异，处理肝脏研磨和静脉掩模数据，获得第一肝脏分段结果。
本公开实施例，通过第一肝脏分段模型，对肝脏掩模数据和静脉掩模数据进行处理，得到第一肝脏分割结果；第一肝脏分段模型基于肝段差异信息进行分割的。因此，获得的第一肝脏分段结果遵循了Couinaud分段法，保证了基于静脉对肝脏分段结果的准确性；又通过处理肝门静脉和肝静脉，充分考虑了肝门静脉和肝静脉的位置关系，获得的分割结果更加准确。
在本公开一实施例中，第一肝脏分段模型是基于肝段之间的差异信息进行分割的指的是，第一肝脏分段模型是基于肝段之间的二分类差异信息和四分类差异信息进行分割的；其中，二分类差异信息包括如下各项中的至少一项：尾状叶段与左外叶上段、左外叶下段、左内叶上段、左内叶下段、右前叶下段、右后叶下段、右后叶上段、右前叶上段之间的二分类差异信息；左内叶上段、右后叶上段、右前叶上段与左内叶下段、右前叶下段、右后叶下段之前的二分类差异信息；左外叶上段和左外叶下段之间的二分类差异信息；其中，四分类差异信息包括：左外叶上段、左外叶下段与左内叶上段和左内叶下段、右前叶下段和右后叶下段、右后叶上段和右前叶上段之间的四分类差异信息。
示例性地，第一分段模型是由一个主干网络(backbone)和四个检测头(head)组成，Head获取Backbone输出的特征图，并利用这些特征执行图像分割的任务。示例性地，主干网络是语义分类网络；每个head执行的图像分割任务为，分别预测基于couinaud分段法的一个分割处的分割面；四个head是用于执行三个二分类差异信息的分割任务和一个四分类差异信息的分割任务。
示例性地，基于三个二分类差异信息的分割结果和一个四分类差异信息的分割结果，还原成Couinaud分段法的九分类差异信息的分割结果；还原过程可以通过各个head输出的交集进行分别判定，获得最后的还原结果。
示例性地，在第一肝脏分段模型训练阶段，每个head分别学习四个差异性信息，例如：一个head学习尾状叶段与左外叶上段、左外叶下段、左内叶上段、左内叶下段、右前叶下段、右后叶下段、右后叶上段、右前叶上段之间的二分类差异信息，一个head学习左内叶上段、右后叶上段、右前叶上段与左内叶下段、右前叶下段、右后叶下段之前的二分类差异信息，一个head学习左外叶上段和左外叶下段之间的二分类差异信息；一个head学习四分类差异信息，四分类差异信息包括：左外叶上段、左外叶下段与左内叶上段和左内叶下段、右前叶下段和右后叶下段、右后叶上段和右前叶上段之间的四分类差异信息。
本公开实施例提供的肝脏分割方法，通过二分类差异信息和四分类差异信息，对肝脏进行分割，保留了Couinaud分段法的结构相关性信息，保证了肝脏分割的准确性；此外，第一肝脏分段模型将复杂的根据九分类差异信息的分割的任务，变成三个基于二分割差异信息的分类任务和一个基于四分类差异信息的分割任务，简化了肝脏分割的模型的复杂程度，提高了肝脏分割的效率。
图3所示为本公开一实施例提供的第一肝脏分段模型的生成方式的流程示意图。如图3所示为本公开实施例提供的第一肝脏分段模型的生成方式包括如下步骤。
步骤S310，基于门脉期肝脏图像序列样本，生成门脉期肝脏图像序列样本对应的肝脏掩模数据和静脉掩模数据。
示例性地，选取门静脉期图像序列样本，利用静脉和/或门静脉标注，获得生成门脉期肝脏图像序列样本对应的静脉掩模数据；利用分割模型，定位肝脏所在位置，根据肝脏所在位置，通过裁剪，确定肝脏的轮廓，生成获得生成门脉期肝脏图像序列样本对应的肝脏掩模数据。
步骤S320，对门脉期肝脏图像序列样本对应的静脉掩模数据进行多次随机裁剪，得到静脉集合。
示例性地，通过对静脉掩模数据进行多次随机剪裁，获得不同数量的静脉分支，来模拟不同病人的不同情况，例如，不同病人因为显影、肝脏肿块等问题，静脉情况也有所不同。通过对静脉掩模数据中的每一条从主静脉分出的静脉分支进行染色，按照一定概率对静脉分支进行随机数目、随机长度的裁剪操作，获得用于训练第一肝脏分段模型的静脉集合。
步骤S330，基于门脉期肝脏图像序列样本对应的肝脏掩模数据和静脉掩模数据集合，训练初始第一肝脏分段模型，得到第一肝脏分段模型。
示例性地，选取初始第一肝脏分段模型，输入门脉期肝脏图像序列样本对应的肝脏掩模数据和静脉掩模数据集合，训练初始第一肝脏分段模型，得到第一肝脏分段模型。
图4所示为本公开一实施例提供的另一肝脏分割方法的流程示意图。在图2所示实施例基础上延伸出图4所示实施例，下面着重叙述图4所示实施例与图2所示实施例的不同之处，相同之处不再赘述。
如图4所示，本公开实施例提供的另一肝脏分割方法，在利用第一肝脏分段模型处理肝脏掩模数据和静脉掩模数据，得到第一肝脏分割结果之后，该肝脏分割方法还包括如下步骤。
步骤S410，利用第二肝脏分段模型处理第一肝脏分割结果，得到第二肝脏分割结果。其中，第二肝脏分段模型用于基于第一肝脏分割结果中的尾状叶段、右前叶下段、右后叶下段、右后叶上段和右前叶上段，优化所述第一肝脏分割结果中的左外叶上段、左外叶下段、左内叶上段和左内叶下段。
示例性地，利用第二肝脏分段模型处理第一肝脏分割结果，得到第二肝脏分割结果。用于解决肝脏分段存在的左肝的难点问题，因为根据研究发现，Couinaud分段法在左肝的分段规则相对灵活，基于Couinaud分段法获得的左肝的结果容易出现串色的问题；因此，第一肝脏分段模型输出的左肝结果，容易出现串色、偏移的问题。因此，通过第二肝脏分段处理第一肝脏分割结果。在实验过程中发现，一些过于丰富的静脉由于末端较长且走势复杂会引起一定程度的表皮串色，因此，针对串色问题，通过第二肝脏分割模型处理。
示例性地，第二肝脏分段模型以第一肝脏分段模型输出的结果，尾状叶段、右前叶下段、右后叶下段、右后叶上段和右前叶上段，作为输入，经过串色处理，得到第二肝脏分割结果。示例性地，串色问题的处理包括先腐蚀后区域生长的后处理，将表面的串色去除按照内部分段走势生长修正表皮串色问题，以保证第二肝脏分割结果的准确性。
本公开实施例通过第二肝脏分段模型，处理第一肝脏分割结果，能够解决肝脏的左肝分割结果存在的串色、偏移的问题。通过第二肝脏分段模型处理，获得的左肝的分割结果更加准确，经过串色处理，能够使得分段模型输出的分割结果更加稳定。
在本公开一些实施例中，在训练第二肝脏分段模型的过程中，所使用的损失函数包括OAA损失函数。示例性地，在训练第二肝脏分段模型的过程中，使用One Against All(OAA)损失函数辅助提升区分难分割的样本的能力，从而减少串色的问题；能够解决难以分类的样本，因为难以区分引起的段间串色的问题。应当理解，选取的损失函数包括但不限于OAA损失函数，可以根据需求，采用其他常见的损失函数，用于辅助提升区分难分割的样本的能力，例如，log对数损失函数，绝对值损失函数等损失函数，本公开实施例不对损失函数的类型作具体限定。本公开实施例通过使用OAA损失函数，在训练阶段，可以提高第二肝脏分段模型的稳定性，解决难以分类的样本，因为难以区分引起的段间串色的问题，使得模型输出的结果更加稳定。
在本公开一些实施例中，第二肝脏分段模型的训练过程中，使用静脉剪枝数据集合辅助训练第二肝脏分段模型。示例性地，训练第二肝脏分段模型的肝脏图像序列样本，包括：基于随机静脉分支数量的静脉掩模数据集合和第一肝脏分割结果中的尾状叶段、右前叶下段、右后叶下段、右后叶上段和右前叶上段集合，确定训练第二肝脏分段模型的肝脏图像序列样本。示例性地，在第二肝脏分段模型训练阶段，以第一肝脏分割结果中的尾状叶段、右前叶下段、右后叶下段、右后叶上段和右前叶上段集合和随机静脉分支数量的静脉掩模数据集合，训练第二初始肝脏分段模型，生成第二肝脏分段模型。本公开实施例，通过学习右肝的分割方式，处理第一分割结果的左肝，解决了左肝的难题。通过加入随机静脉分支数量的静脉掩模数据集合，能够增加第二模型的输出稳定性，确保了第二肝脏分段模型的稳定性。
图5所示为本公开一实施例提供的另一肝脏分割方法的流程示意图。在图4所示实施例基础上延伸出图5所示实施例，下面着重叙述图5所示实施例与图4所示实施例的不同之处，相同之处不再赘述。
如图5所示，本公开实施例提供的另一肝脏分割方法，在利用第二肝脏分段模型处理第一肝脏分割结果，得到第二肝脏分割结果之后，该肝脏分割方法还包括如下步骤。
步骤S510，利用第三肝脏分段模型处理第二肝脏分割结果，得到第三肝脏分割结果。其中，第三肝脏分段模块用于，基于第二肝脏分割结果，对第二肝脏分割结果的分割边界进行边界修正。
示例性地，利用第三肝脏分段模型，处理第二肝脏分割结果，解决第二肝脏分割结果的存在的边界错位问题，保证了输出的第三肝脏分割结果的平滑美观度。
示例性地，第三肝脏分段模型的训练数据是根据原始门脉期肝脏图像数据，通过相同的表皮串色处理后生成。示例性地，第三肝脏分段模型的目的在于快速的修正边缘而不改变分段的基础内容。
本公开实施例通过第三分段模型，对第二肝脏分割结果进行处理，修复了第二肝脏分割结果因为串色处理，引起的不平滑的现象。通过三个肝脏分段模型，能够使得算法在精确度、稳定性、鲁棒性和美观度都得到了保证。
图6所示为本公开一实施例提供的另一肝脏分割方法的流程示意图。如图6所示，本公开实施例提供的另一肝脏分割方法包括如下步骤。
步骤S610，获取目标用户的原始门脉期肝脏图像序列。
示例性地，获取的原始门脉期肝脏图像序列为DICOM格式。
步骤S620，利用肝脏粗分割模型，确定肝脏的粗分割结果。
示例性地，利用肝脏粗分割模型，对原始肝脏图像序列中的肝脏所在位置进行定位；根据肝脏所在位置的定位，对原始门脉期肝脏图像序列进行粗分割，确定包含肝脏的图像。
步骤S630，利用静脉分割模型，确定静脉分割结果。
示例性地，将原始门脉期肝脏图像序列，输入静脉分割模型，确定静脉分割结果。
步骤S640，对肝脏的粗分割记过和静脉分割结果进行剪切，获得原始门脉期肝脏图像序列对应的肝脏掩模数据和静脉、门静脉的掩模数据。
步骤S650，利用第一肝段分割模型，处理肝脏掩模数据和静脉掩模数据，得到第一肝脏分割结果。
示例性地，将获得的肝脏掩模数据和静脉、门静脉的掩模数据，输入第一模型进行处理，从而得到第一肝脏分割结果。
步骤S660，利用第二肝脏分段模型，处理第一肝脏分割结果，获得第二肝脏分割结果。
示例性地，利用第二肝脏分段模型，优化第一肝脏分割结果的左肝结果。将一阶段输出结果的右肝作为输入、门脉期肝脏图像对应的肝脏掩模数据，和门脉期肝脏图像对应的门静脉或静脉掩模数据一起进入第二肝脏分段模型，进行针对左肝的四分段染色。
步骤S670，对第二肝脏分割结果的染色的表面，进行表面串色后处理。
示例性地，表面串色后处理包括对表面串色的腐蚀，区域生长等操作。
步骤S680，利用第三肝脏分段模型，对串色处理后的第二肝脏分割结果进行边界修正。
示例性地，将串色处理后的第二肝脏分割结果，和肝脏掩模数据输入第三肝脏分段模型，进行边界修正。
步骤S690，通过区域生长处理后，生成最终输出结果。
示例性地，将第三肝脏分段模型输出的第三肝脏分割结果，进行区域生长后处理，生成最终的输出结果。
图7所示为本公开一实施例提供的肝脏分割模型训练的流程示意图。如图7所示，本公开实施例提供的肝脏分割模型训练的流程包括如下步骤。
步骤S710，输入原始门脉期肝脏图像序列、与原始门脉期肝脏图像序列对应的静脉、门静脉掩模数据和肝脏掩模数据。
步骤S720，对原始门脉期肝脏图像序列，针对肝脏区域进行裁剪。
步骤S730，对原始门脉期肝脏图像序列对应的静脉、门静脉掩模数据进行随机裁剪处理，获得静脉掩模数据集合。
步骤S740，通过原始门脉期肝脏图像序列对应的静脉掩模数据集合和肝脏掩模数据，训练第一语义分段网络，利用第一损失函数进行辅助计算，获得第一肝脏分段模型。
示例性地，第一损失函数可以是任意的损失函数，本公开实施例不对第一损失函数做具体限定。
步骤S750，通过第一肝脏分段模型的输出结果和静脉掩模数据集合，训练第二语义分段网络，利用第二损失函数进行辅助计算，获得第二肝脏分段模型。
示例性地，第二损失函数可以是任意的损失函数，本公开实施例不对第二损失函数做具体限定。
步骤S760，经过表面串色处理，将原始门脉期肝脏图像序列和第二肝脏分段模型输出的结果，训练第三语义分割网络，利用第三损失函数进行辅助计算，获得第三肝脏分段模型。
示例性地，第三损失函数可以是任意的损失函数，本公开实施例不对第三损失函数做具体限定。
图8所示为本公开一实施例提供的肝脏分割装置的结构示意图。如图8所示，本公开一实施例提供的肝脏分割装置800包括获取模块810、分割模块820以及处理模块830。具体地，获取模块810，用于获取目标用户的门脉期肝脏图像序列；分割模块820，用于对门脉期肝脏图像序列分割，得到门脉期肝脏图像序列对应的肝脏掩模数据和静脉掩模数据，静脉掩模数据指的是肝静脉和肝门静脉的掩模数据；处理模块830，用于利用第一肝脏分段模型处理肝脏掩模数据和静脉掩模数据，得到第一肝脏分割结果，其中，第一肝脏分段模型是基于肝段之间的差异信息进行分割的。
在本公开一些实施例中，第一肝脏分段模型是基于肝段之间的差异信息进行分割的指的是，分割模块820还用于，第一肝脏分段模型是基于肝段之间的二分类差异信息和四分类差异信息进行分割的；二分类差异信息包括如下各项中的至少一项：尾状叶段与左外叶上段、左外叶下段、左内叶上段、左内叶下段、右前叶下段、右后叶下段、右后叶上段、右前叶上段之间的二分类差异信息；左内叶上段、右后叶上段、右前叶上段与左内叶下段、右前叶下段、右后叶下段之前的二分类差异信息；左外叶上段和左外叶下段之间的二分类差异信息；其中，所述四分类差异信息包括：左外叶上段、左外叶下段与左内叶上段和左内叶下段、右前叶下段和右后叶下段、右后叶上段和右前叶上段之间的四分类差异信息。
在本公开一些实施例中，分割模块820还用于，基于门脉期肝脏图像序列样本，生成门脉期肝脏图像序列样本对应的肝脏掩模数据和静脉掩模数据；对门脉期肝脏图像序列样本对应的静脉掩模数据进行多次随机裁剪，得到静脉集合；基于门脉期肝脏图像序列样本对应的肝脏掩模数据和静脉掩模数据集合，训练初始第一肝脏分段模型，得到第一肝脏分段模型。
在本公开一些实施例中，处理模块830还用于，利用第二肝脏分段模型处理第一肝脏分割结果，得到第二肝脏分割结果，其中，第二肝脏分段模型用于基于第一肝脏分割结果中的尾状叶段、右前叶下段、右后叶下段、右后叶上段和右前叶上段，优化第一肝脏分割结果中的左外叶上段、左外叶下段、左内叶上段和左内叶下段。
在本公开一些实施例中，处理模块830还用于，在训练第二肝脏分段模型的过程中，使用损失函数辅助，所使用的损失函数包括OAA loss损失函数。
在本公开一些实施例中，处理模块830还用于，基于随机静脉分支数量的静脉掩模数据集合和第一肝脏分割结果中的尾状叶段、右前叶下段、右后叶下段、右后叶上段和右前叶上段集合，确定训练第二肝脏分段模型的肝脏图像序列样本。
在本公开一些实施例中，处理模块830还用于，利用第三肝脏分段模型处理第二肝脏分割结果，得到第三肝脏分割结果，其中，第三肝脏分段模块用于，基于第二肝脏分割结果，对第二肝脏分割结果的分割边界进行边界修正。
图9所示为本公开的一实施例提供的电子设备结构示意图。图9所示为本公开一实施例提供的电子设备的结构示意图。图9所示的电子设备900(该电子设备900具体可以是一种计算机设备)包括存储器901、处理器902、通信接口903以及总线904。其中，存储器901、处理器902、通信接口903通过总线1004实现彼此之间的通信连接。
存储器901可以是只读存储器(Read Only Memory，ROM)，静态存储设备，动态存储设备或者随机存取存储器(Random Access Memory，RAM)。存储器901可以存储程序，当存储器901中存储的程序被处理器902执行时，处理器902和通信接口903用于执行本公开实施例的肝脏分割装置中的各个步骤。
处理器902可以采用通用的中央处理器(Central Processing Unit，CPU)，微处理器，应用专用集成电路(Application Specific Integrated Circuit，ASIC)，图形处理器(Graphics Processing Unit，GPU)或者一个或多个集成电路，用于执行相关程序，以实现本公开实施例的肝脏分割装置中的各个单元所需执行的功能。
处理器902还可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，本公开的肝脏分割方法的各个步骤可以通过处理器902中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器902还可以是通用处理器、数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(ASIC)、现场可编程门阵列(Field Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器901，处理器902读取存储器901中的信息，结合其硬件完成本公开实施例的肝脏分割装置中包括的单元所需执行的功能，或者执行本公开实施例的肝脏分割方法。
通信接口903使用例如但不限于收发器一类的收发装置，来实现电子设备900与其他设备或通信网络之间的通信。例如，可以通过通信接口903获取目标用户的门脉期肝脏图像序列。
总线904可包括在电子设备900各个部件(例如，存储器901、处理器902、通信接口903)之间传送信息的通路。
应注意，尽管图9所示的电子设备900仅仅示出了存储器、处理器、通信接口，但是在具体实现过程中，本领域的技术人员应当理解，电子设备900还包括实现正常运行所必须的其他器件。同时，根据具体需要，本领域的技术人员应当理解，电子设备900还可包括实现其他附加功能的硬件器件。此外，本领域的技术人员应当理解，电子设备900也可仅仅包括实现本公开实施例所必须的器件，而不必包括图9中所示的全部器件。
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公开的范围。
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。
在本公开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，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，在本公开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，本公开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)执行本公开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、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
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 (10)
1.一种肝脏分割方法，其特征在于，包括：
获取目标用户的门脉期肝脏图像序列；
对所述门脉期肝脏图像序列分割，得到所述门脉期肝脏图像序列对应的肝脏掩模数据和静脉掩模数据，所述静脉掩模数据指的是肝静脉和肝门静脉的掩模数据；
利用第一肝脏分段模型处理所述肝脏掩模数据和所述静脉掩模数据，得到第一肝脏分割结果，其中，所述第一肝脏分段模型是基于肝段之间的差异信息进行分割的。
2.根据权利要求1所述的方法，其特征在于，所述第一肝脏分段模型是基于肝段之间的差异信息进行分割的指的是，所述第一肝脏分段模型是基于肝段之间的二分类差异信息和四分类差异信息进行分割的；
其中，所述二分类差异信息包括如下各项中的至少一项：
尾状叶段与左外叶上段、左外叶下段、左内叶上段、左内叶下段、右前叶下段、右后叶下段、右后叶上段、右前叶上段之间的二分类差异信息；
左内叶上段、右后叶上段、右前叶上段与左内叶下段、右前叶下段、右后叶下段之间的二分类差异信息；
左外叶上段和左外叶下段之间的二分类差异信息；
其中，所述四分类差异信息包括：左外叶上段、左外叶下段与左内叶上段和左内叶下段、右前叶下段和右后叶下段、右后叶上段和右前叶上段之间的四分类差异信息。
3.根据权利要求1所述的方法，其特征在于，所述第一肝脏分段模型的生成方式，包括：
基于门脉期肝脏图像序列样本，生成所述门脉期肝脏图像序列样本对应的肝脏掩模数据和静脉掩模数据；
对所述门脉期肝脏图像序列样本对应的静脉掩模数据进行多次随机裁剪，得到静脉剪枝数据集合；
基于所述门脉期肝脏图像序列样本对应的肝脏掩模数据和所述静脉剪枝数据集合，训练初始第一肝脏分段模型，得到所述第一肝脏分段模型。
4.根据权利要求1至3任一项所述的方法，其特征在于，在所述利用第一肝脏分段模型处理所述肝脏掩模数据和所述静脉掩模数据，得到第一肝脏分割结果之后，还包括：
利用第二肝脏分段模型处理所述第一肝脏分割结果，得到第二肝脏分割结果，其中，所述第二肝脏分段模型用于基于所述第一肝脏分割结果中的尾状叶段、右前叶下段、右后叶下段、右后叶上段和右前叶上段，优化所述第一肝脏分割结果中的左外叶上段、左外叶下段、左内叶上段和左内叶下段。
5.根据权利要求4所述的方法，其特征在于，在训练所述第二肝脏分段模型的过程中，所使用的损失函数包括OAA损失函数。
6.根据权利要求4所述的方法，其特征在于，所述第二肝脏分段模型的训练过程中，使用静脉剪枝数据集合辅助训练所述第二肝脏分段模型。
7.根据权利要求4所述的方法，在所述利用第二肝脏分段模型处理第一肝脏分割结果，得到第二肝脏分割结果之后，还包括：
利用第三肝脏分段模型处理所述第二肝脏分割结果，得到第三肝脏分割结果，其中，所述第三肝脏分段模块用于对所述第二肝脏分割结果的分割边界进行边界修正。
8.一种肝脏分割装置，其特征在于，包括：
获取模块，用于获取目标用户的门脉期肝脏图像序列；
分割模块，用于对所述门脉期肝脏图像序列分割，得到所述门脉期肝脏图像序列对应的肝脏掩模数据和静脉掩模数据，所述静脉掩模数据指的是肝静脉和肝门静脉的掩模数据；
处理模块，用于利用第一肝脏分段模型处理所述肝脏掩模数据和所述静脉掩模数据，得到第一肝脏分割结果，其中，所述第一肝脏分段模型是基于肝段之间的差异信息进行分割的。
9.一种电子设备，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任一项所述的方法。
10.一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任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211227870.3A CN115546149B (zh) | 2022-10-09 | 2022-10-09 | 肝脏分割方法及装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211227870.3A CN115546149B (zh) | 2022-10-09 | 2022-10-09 | 肝脏分割方法及装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115546149A true CN115546149A (zh) | 2022-12-30 |
| CN115546149B CN115546149B (zh) | 2023-11-17 |
Family
ID=84733666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211227870.3A Active CN115546149B (zh) | 2022-10-09 | 2022-10-09 | 肝脏分割方法及装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115546149B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116563358A (zh) * | 2023-07-07 | 2023-08-08 | 浙江大学 | 肝脏增强多期ct数据ai训练的数据对齐预处理方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101425186A (zh) * | 2008-11-17 | 2009-05-06 | 华中科技大学 | 一种基于ct图像的肝脏分段方法及其系统 |
| US20110054295A1 (en) * | 2009-08-25 | 2011-03-03 | Fujifilm Corporation | Medical image diagnostic apparatus and method using a liver function angiographic image, and computer readable recording medium on which is recorded a program therefor |
| US20110052028A1 (en) * | 2009-08-26 | 2011-03-03 | Algotec Systems Ltd. | Method and system of liver segmentation |
| CN111145206A (zh) * | 2019-12-27 | 2020-05-12 | 联想(北京)有限公司 | 肝脏图像分割质量评估方法、装置及计算机设备 |
| CN111161241A (zh) * | 2019-12-27 | 2020-05-15 | 联想(北京)有限公司 | 一种肝脏图像识别方法、电子设备及存储介质 |
| CN114463248A (zh) * | 2020-10-30 | 2022-05-10 | 国际商业机器公司 | 用于医学图像的基于种子的分割的种子重新标记 |
-
2022
- 2022-10-09 CN CN202211227870.3A patent/CN115546149B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101425186A (zh) * | 2008-11-17 | 2009-05-06 | 华中科技大学 | 一种基于ct图像的肝脏分段方法及其系统 |
| US20110054295A1 (en) * | 2009-08-25 | 2011-03-03 | Fujifilm Corporation | Medical image diagnostic apparatus and method using a liver function angiographic image, and computer readable recording medium on which is recorded a program therefor |
| US20110052028A1 (en) * | 2009-08-26 | 2011-03-03 | Algotec Systems Ltd. | Method and system of liver segmentation |
| CN111145206A (zh) * | 2019-12-27 | 2020-05-12 | 联想(北京)有限公司 | 肝脏图像分割质量评估方法、装置及计算机设备 |
| CN111161241A (zh) * | 2019-12-27 | 2020-05-15 | 联想(北京)有限公司 | 一种肝脏图像识别方法、电子设备及存储介质 |
| CN114463248A (zh) * | 2020-10-30 | 2022-05-10 | 国际商业机器公司 | 用于医学图像的基于种子的分割的种子重新标记 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116563358A (zh) * | 2023-07-07 | 2023-08-08 | 浙江大学 | 肝脏增强多期ct数据ai训练的数据对齐预处理方法 |
| CN116563358B (zh) * | 2023-07-07 | 2023-09-22 | 浙江大学 | 肝脏增强多期ct数据ai训练的数据对齐预处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115546149B (zh) | 2023-11-17 |
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 | |
| JP7293644B2 (ja) | 画像識別装置、識別器学習方法、画像識別方法及びプログラム | |
| CN110378913B (zh) | 图像分割方法、装置、设备及存储介质 | |
| JP5554984B2 (ja) | パターン認識方法およびパターン認識装置 | |
| CN110276408B (zh) | 3d图像的分类方法、装置、设备及存储介质 | |
| US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
| US11282257B2 (en) | Pose selection and animation of characters using video data and training techniques | |
| CN110136153B (zh) | 一种图像处理方法、设备及存储介质 | |
| CN112418216A (zh) | 一种复杂自然场景图像中的文字检测方法 | |
| US20230052133A1 (en) | Medical image processing method and apparatus, device, storage medium, and product | |
| CN113808146A (zh) | 一种医学图像多器官分割方法及系统 | |
| CN112308866A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN111932495B (zh) | 一种医学图像检测方法、装置及存储介质 | |
| CN112330731A (zh) | 图像处理装置、方法、设备、超声系统及可读存储介质 | |
| CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和系统 | |
| CN114549557A (zh) | 一种人像分割网络训练方法、装置、设备及介质 | |
| CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
| CN115546149A (zh) | 肝脏分割方法及装置、电子设备及存储介质 | |
| JP2009294955A (ja) | 画像処理装置、画像処理方法、画像処理プログラムおよび同プログラムを記録した記録媒体。 | |
| CN111401102A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
| CN113222051A (zh) | 基于小肠病灶特征的图像标注方法 | |
| US11715197B2 (en) | Image segmentation method and device | |
| CN113780040A (zh) | 唇部关键点的定位方法及装置、存储介质、电子设备 | |
| CN113837067B (zh) | 器官轮廓检测方法、装置、电子设备及可读存储介质 | |
| CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 |
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 |