CN116071375A - 图像分割方法和装置、存储介质及电子设备 - Google Patents

图像分割方法和装置、存储介质及电子设备 Download PDF

Info

Publication number
CN116071375A
CN116071375A CN202310228119.3A CN202310228119A CN116071375A CN 116071375 A CN116071375 A CN 116071375A CN 202310228119 A CN202310228119 A CN 202310228119A CN 116071375 A CN116071375 A CN 116071375A
Authority
CN
China
Prior art keywords
network model
training sample
segmentation network
segmentation
target
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
Application number
CN202310228119.3A
Other languages
English (en)
Other versions
CN116071375B (zh
Inventor
周琦超
马永康
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.)
Manteia Data Technology Co ltd In Xiamen Area Of Fujian Pilot Free Trade Zone
Original Assignee
Manteia Data Technology Co ltd In Xiamen Area Of Fujian Pilot Free Trade Zone
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 Manteia Data Technology Co ltd In Xiamen Area Of Fujian Pilot Free Trade Zone filed Critical Manteia Data Technology Co ltd In Xiamen Area Of Fujian Pilot Free Trade Zone
Priority to CN202310228119.3A priority Critical patent/CN116071375B/zh
Publication of CN116071375A publication Critical patent/CN116071375A/zh
Application granted granted Critical
Publication of CN116071375B publication Critical patent/CN116071375B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20112Image segmentation details
    • G06T2207/20132Image cropping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种图像分割方法和装置、存储介质及电子设备,涉及图像处理领域,该方法包括:获取待处理的目标医学影像;通过目标分割网络模型对目标医学影像进行预测,得到目标医学影像的目标分割结果,其中,目标分割网络模型包括第一分割网络模型和第二分割网络模型,第一分割网络模型和第二分割网络模型采用半监督的方式训练得到。通过本申请,解决了相关技术中采用全监督的方式对分割网络模型进行训练,在有标注数据量较少时,导致分割网络模型的分割图像的准确度比较低的问题。

Description

图像分割方法和装置、存储介质及电子设备
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种图像分割方法和装置、存储介质及电子设备。
背景技术
全监督医学图像分割是一种用于识别和分离医学图像中的特定结构的技术。但是全监督的训练方式需要大量的准确标记的样本数据来进行训练,全监督的训练对有标签数据的勾画精度要求较高,如果有标签的数据中存在噪声会导致模型无法拟合,并且训练得到的模型在新的数据集上无法很好地适应,因此,全监督学习算法的准确性较低,模型的泛化能力较弱,进而会导致勾画精度较低。
针对相关技术中采用全监督的方式对分割网络模型进行训练,在有标注数据量较少时,导致分割网络模型的分割图像的准确度比较低的问题,目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种图像分割方法和装置、存储介质及电子设备,以解决相关技术中采用全监督的方式对分割网络模型进行训练,在有标注数据量较少时,导致分割网络模型的分割图像的准确度比较低的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种图像分割方法。该方法包括:获取待处理的目标医学影像;通过目标分割网络模型对所述目标医学影像进行预测,得到所述目标医学影像的目标分割结果,其中,所述目标分割网络模型包括第一分割网络模型和第二分割网络模型,所述第一分割网络模型和所述第二分割网络模型采用半监督的方式训练得到。
进一步地,通过目标分割网络模型对所述目标医学影像进行预测,得到所述目标医学影像的目标分割结果包括:对所述目标医学影像进行重采样处理,得到第一分辨率的目标医学影像;通过所述第一分割网络模型对所述第一分辨率的目标医学影像进行分割,得到初始分割结果;依据所述初始分割结果对所述目标医学影像进行处理,得到第二分辨率的目标医学影像,其中,所述第一分辨率低于所述第二分辨率;通过所述第二分割网络模型对所述第二分辨率的目标医学影像进行处理,得到所述目标医学影像的目标分割结果。
进一步地,依据所述初始分割结果对所述目标医学影像进行处理,得到第二分辨率的目标医学影像包括:依据所述初始分割结果对所述目标医学影像进行裁剪,得到裁剪后的目标医学影像;对所述裁剪后的目标医学影像进行重采样处理,得到所述第二分辨率的目标医学影像。
进一步地,在通过目标分割网络模型对所述目标医学影像进行预测,得到所述目标医学影像的目标分割结果之前,所述方法还包括:获取训练样本集,其中,所述训练样本集中包括多个第一训练样本图像,每个第一训练样本图像对应的真实分割结果,多个第二训练样本图像,所述第一训练样本图像的数量远小于所述第二训练样本图像的数量;通过所述多个第一训练样本图像和每个第一训练样本图像对应的真实分割结果对初始分割网络模型进行训练,得到训练后的初始分割网络模型;通过所述训练后的初始分割网络模型对所述多个第二训练样本图像进行预测,得到所述多个第二训练样本图像对应的分割结果;依据所述多个第二训练样本图像对应的分割结果从所述多个第二训练样本图像选取多个第三训练样本图像,并依据所述多个第三训练样本图像对所述训练后的初始分割网络模型进行训练,得到所述目标分割网络模型。
进一步地,通过所述多个第一训练样本图像和每个第一训练样本图像对应的真实分割结果对初始分割网络模型进行训练,得到训练后的初始分割网络模型包括:对所述多个第一训练样本图像进行重采样处理,得到第一分辨率的第一训练样本图像;依据所述第一分辨率的第一训练样本图像和所述真实分割结果对所述初始分割网络模型中的第一初始分割网络模型进行训练,得到训练后的第一初始分割网络模型;依据所述第一初始分割网络模型输出的所述第一训练样本图像的预测分割结果和所述多个第一训练样本图像对所述初始分割网络模型中的第二初始分割网络模型进行训练,得到训练后的第二初始分割网络模型;将所述训练后的第一初始分割网络模型和所述训练后的第二初始分割网络模型组建为所述训练后的初始分割网络模型。
进一步地,依据所述第一初始分割网络模型输出的所述第一训练样本图像的预测分割结果和所述多个第一训练样本图像对所述初始分割网络模型中的第二初始分割网络模型进行训练,得到训练后的第二初始分割网络模型包括:依据所述第一初始分割网络模型输出的所述第一训练样本图像的预测分割结果对所述多个第一训练样本图像进行裁剪,得到多个裁剪后的第一训练样本图像;对所述多个裁剪后的第一训练样本图像进行重采样,得到第二分辨率的第一训练样本图像;依据所述第二分辨率的第一训练样本图像对所述第二初始分割网络模型进行训练,得到所述训练后的第二初始分割网络模型。
进一步地,依据所述多个第二训练样本图像对应的分割结果从所述多个第二训练样本图像选取多个第三训练样本图像包括:将所述多个第二训练样本图像划分为多个训练样本图像组,其中,每个训练样本图像组中包括预设数量的第二训练样本图像;依据每个训练样本图像组对应的分割结果进行计算,得到每个训练样本图像对的熵值;依据每个训练样本图像对的熵值从所述多个训练样本图像组中选取目标训练样本图像组,其中,所述目标训练样本图像组中的训练样本图像为所述第三训练样本图像。
为了实现上述目的,根据本申请的另一方面,提供了一种图像分割装置。该装置包括:第一获取单元,用于获取待处理的目标医学影像;第一预测单元,用于通过目标分割网络模型对所述目标医学影像进行预测,得到所述目标医学影像的目标分割结果,其中,所述目标分割网络模型包括第一分割网络模型和第二分割网络模型,所述第一分割网络模型和所述第二分割网络模型采用半监督的方式训练得到。
进一步地,所述预测单元包括:第一采样模块,用于对所述目标医学影像进行重采样处理,得到第一分辨率的目标医学影像;分割模块,用于通过所述第一分割网络模型对所述第一分辨率的目标医学影像进行分割,得到初始分割结果;第一处理模块,用于依据所述初始分割结果对所述目标医学影像进行处理,得到第二分辨率的目标医学影像,其中,所述第一分辨率低于所述第二分辨率;第二处理模块,用于通过所述第二分割网络模型对所述第二分辨率的目标医学影像进行处理,得到所述目标医学影像的目标分割结果。
进一步地,所述第一处理模块包括:裁剪子模块,用于依据所述初始分割结果对所述目标医学影像进行裁剪,得到裁剪后的目标医学影像;采样子模块,用于对所述裁剪后的目标医学影像进行重采样处理,得到所述第二分辨率的目标医学影像。
进一步地,所述装置还包括:第二获取单元,用于在通过目标分割网络模型对所述目标医学影像进行预测,得到所述目标医学影像的目标分割结果之前,获取训练样本集,其中,所述训练样本集中包括多个第一训练样本图像,每个第一训练样本图像对应的真实分割结果,多个第二训练样本图像,所述第一训练样本图像的数量远小于所述第二训练样本图像的数量;第一训练单元,用于通过所述多个第一训练样本图像和每个第一训练样本图像对应的真实分割结果对初始分割网络模型进行训练,得到训练后的初始分割网络模型;第二预测单元,用于通过所述训练后的初始分割网络模型对所述多个第二训练样本图像进行预测,得到所述多个第二训练样本图像对应的分割结果;第二训练单元,用于依据所述多个第二训练样本图像对应的分割结果从所述多个第二训练样本图像选取多个第三训练样本图像,并依据所述多个第三训练样本图像对所述训练后的初始分割网络模型进行训练,得到所述目标分割网络模型。
进一步地,所述训练单元包括:第二采样模块,用于对所述多个第一训练样本图像进行重采样处理,得到第一分辨率的第一训练样本图像;第一训练模块,用于依据所述第一分辨率的第一训练样本图像和所述真实分割结果对所述初始分割网络模型中的第一初始分割网络模型进行训练,得到训练后的第一初始分割网络模型;第二训练模块,用于依据所述第一初始分割网络模型输出的所述第一训练样本图像的预测分割结果和所述多个第一训练样本图像对所述初始分割网络模型中的第二初始分割网络模型进行训练,得到训练后的第二初始分割网络模型;确定模块,用于将所述训练后的第一初始分割网络模型和所述训练后的第二初始分割网络模型组建为所述训练后的初始分割网络模型。
进一步地,所述第二训练模块包括:裁剪子模块,用于依据所述第一初始分割网络模型输出的所述第一训练样本图像的预测分割结果对所述多个第一训练样本图像进行裁剪,得到多个裁剪后的第一训练样本图像;采样子模块,用于对所述多个裁剪后的第一训练样本图像进行重采样,得到第二分辨率的第一训练样本图像;训练子模块,用于依据所述第二分辨率的第一训练样本图像对所述第二初始分割网络模型进行训练,得到所述训练后的第二初始分割网络模型。
进一步地,所述第二训练单元包括:划分模块,用于将所述多个第二训练样本图像划分为多个训练样本图像组,其中,每个训练样本图像组中包括预设数量的第二训练样本图像;计算模块,用于依据每个训练样本图像组对应的分割结果进行计算,得到每个训练样本图像对的熵值;选取模块,用于依据每个训练样本图像对的熵值从所述多个训练样本图像组中选取目标训练样本图像组,其中,所述目标训练样本图像组中的训练样本图像为所述第三训练样本图像。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机可读存储介质,所述存储介质存储程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述任意一项所述的图像分割方法。
为了实现上述目的,根据本申请的一个方面,提供了一种电子设备,电子设备包括一个或多个处理器和存储器,存储器用于存储一个或多个处理器实现上述任意一项所述的图像分割方法。
通过本申请,采用以下步骤:获取待处理的目标医学影像;通过目标分割网络模型对目标医学影像进行预测,得到目标医学影像的目标分割结果,其中,目标分割网络模型包括第一分割网络模型和第二分割网络模型,第一分割网络模型和第二分割网络模型采用半监督的方式训练得到,解决了相关技术中采用全监督的方式对分割网络模型进行训练,在有标注数据量较少时,导致分割网络模型的分割图像的准确度比较低的问题。在本方案中,通过半监督的方式对分割网络模型进行训练,能够有效提高分割网络模型的鲁棒性和勾画精度,采用第一分割网络模型和第二分割网络模型对目标医学影像进行分割,进一步提高了分割网络模型的精准度,进而达到了提高分割图像的准确度的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的图像分割方法的流程图;
图2是根据本申请实施例提供的可选的图像分割方法的流程图;
图3是根据本申请实施例提供的模型训练的流程图一;
图4是根据本申请实施例提供的模型训练的流程图二;
图5是根据本申请实施例提供的图像分割装置的示意图;
图6是根据本申请实施例提供的电子设备的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅仅是本申请一部分的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请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,以便这里描述的本申请的实施例。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。
需要说明的是,本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据,医学影像等),均为经用户授权或者经过各方充分授权的信息和数据。例如,本系统和相关用户或机构间设置有接口,在获取相关信息之前,需要通过接口向前述的用户或机构发送获取请求,并在接收到前述的用户或机构反馈的同意信息后,获取相关信息。
下面结合优选的实施步骤对本发明进行说明,图1是根据本申请实施例提供的图像分割方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,获取待处理的目标医学影像;
步骤S102,通过目标分割网络模型对目标医学影像进行预测,得到目标医学影像的目标分割结果,其中,目标分割网络模型包括第一分割网络模型和第二分割网络模型,第一分割网络模型和第二分割网络模型采用半监督的方式训练得到。
具体地,获取需要进行分割勾画的目标医学影像,目标医学影像可以是CT影像,也可以是CBCT(锥形术CT)、以及MR影像等。将获取到的目标医学影像输入到目标分割网络模型中,通过目标分割网络模型对目标医学影像进行分割处理,得到对应的目标分割结果。需要说明的是,目标分割网络模型主要是将目标医学影像中的放疗靶区或者放疗危及器官勾画出来。
目标分割网络模型是高精度的二阶段分割网络,包括第一分割网络模型和第二分割网络模型。第一分割网络模型也可以叫做粗分割网络模型,可以选择是3D-Res-UNet网络结构。第二分割网络模型也可以叫做精细分割网络模型,可以选择是Res-Efficient-Net网络结构。通过第一分割网络模型和第二分割网络模型对目标医学影像进行预测分割,能够有效提升对靶区勾画精度。并且第一分割网络模型和第二分割网络模型均采用半监督的方式训练得到。该方式可以利用有限的标记数据来训练模型,并有效提及模型的泛化能力。
综上所述,通过半监督的方式对分割网络模型进行训练,能够有效提高分割网络模型的鲁棒性和勾画精度,采用第一分割网络模型和第二分割网络模型对目标医学影像进行分割,进一步提高了分割网络模型的精准度,进而达到了提高分割图像的准确度的效果。
为了提高对目标医学影像的分割精度,在申请实施例提供的图像分割方法中,通过目标分割网络模型对目标医学影像进行预测,得到目标医学影像的目标分割结果包括:对目标医学影像进行重采样处理,得到第一分辨率的目标医学影像;通过第一分割网络模型对第一分辨率的目标医学影像进行分割,得到初始分割结果;依据初始分割结果对目标医学影像进行处理,得到第二分辨率的目标医学影像,其中,第一分辨率低于第二分辨率;通过第二分割网络模型对第二分辨率的目标医学影像进行处理,得到目标医学影像的目标分割结果。
依据初始分割结果对目标医学影像进行处理,得到第二分辨率的目标医学影像包括:依据初始分割结果对目标医学影像进行裁剪,得到裁剪后的目标医学影像;对裁剪后的目标医学影像进行重采样处理,得到第二分辨率的目标医学影像。
具体地,对目标医学影像进行重采样得到第一分辨率的目标医学影像。例如,对目标医学影像进行重采样得到160 x 160 x 160分辨率的目标医学影像。然后将160 x 160 x160分辨率的目标医学影像输入到第一分割网络模型中,通过第一分割网络模型对160 x160 x 160分辨率的目标医学影像进行分割,得到初始分割结果。
在得到初始分割结果之后,通过初始分割结果(也就是第一分割网络模型勾画出的区域)对目标医学影像进行裁剪,得到裁剪后的目标医学影像。对裁剪后的目标医学影像再次进行重采样得到第二分辨率的目标医学影像。例如,对裁剪后的目标医学影像进行重采样得到192 x 192 x 192分辨率的目标医学影像。将192 x 192 x 192分辨率的目标医学影像输入到第二分割网络模型中,通过第二分割网络模型对192 x 192 x 192分辨率的目标医学影像进行分割勾画得到最终的目标分割结果。
在一可选的实施例中,可以采用如图2所示的流程图实现对目标医学影像的分割,具体地,获取待勾画数据,对待勾画数据进行采样得到160 x 160 x 160分辨率的数据,将160 x 160 x 160分辨率的数据输入粗分割网络(即上述的第一分割网络模型)进行分割预测,得到160 x 160 x 160分辨率的数据对应的预测结果。根据160 x 160 x 160分辨率的数据对应的预测结果对待勾画数据进行裁剪,并再次进行重采样到192 x 192 x 192分辨率的数据,并将192 x 192 x 192分辨率的数据输入到精细分割网络(即上述的第二分割网络模型)进行分割预测,得到192 x 192 x 192分辨率的数据对应的预测结果,最后还可以将192 x 192 x 192分辨率的数据对应的预测结果恢复到原始待勾画数据的分辨率以及尺寸后作为待勾画数据对应的最终勾画结果。
综上所述,通过第一分割网络模型和第二分割网络模型对目标医学影像进行预测分割,能够有效提升对靶区勾画精度。
如何得到目标分割模型是至关重要的,因此,在本申请实施例提供的图像分割方法中,在通过目标分割网络模型对目标医学影像进行预测,得到目标医学影像的目标分割结果之前,该方法还包括:获取训练样本集,其中,训练样本集中包括多个第一训练样本图像,每个第一训练样本图像对应的真实分割结果,多个第二训练样本图像,第一训练样本图像的数量远小于第二训练样本图像的数量;通过多个第一训练样本图像和每个第一训练样本图像对应的真实分割结果对初始分割网络模型进行训练,得到训练后的初始分割网络模型;通过训练后的初始分割网络模型对多个第二训练样本图像进行预测,得到多个第二训练样本图像对应的分割结果;依据多个第二训练样本图像对应的分割结果从多个第二训练样本图像选取多个第三训练样本图像,并依据多个第三训练样本图像对训练后的初始分割网络模型进行训练,得到目标分割网络模型。
具体地,获取训练医学图像勾画模型的训练样本集,其中,训练样本集包括:小部分带有标注的数据(即第一训练样本图像),以及大部分无标注的图像数据(即第二训练样本图像)。第一训练样本图像的数量远远少于第二训练样本图像。为了提高后续分割图像的准确性,还可以对训练样本图像进行预处理,例如选择数据的窗宽窗位为[-400,400],以及进行ZScore规范化处理等。
在得到训练样本集之后,通过多个第一训练样本图像和每个第一训练样本图像对应的真实分割结果对初始分割网络模型进行训练来得到训练后的初始分割网络模型,然后利用训练后的初始分割网络模型对多个第二训练样本图像进行预测,得到多个第二训练样本图像对应的分割结果。并通过多个第二训练样本图像对应的分割结果从多个第二训练样本图像选取多个第三训练样本图像,最后利用多个第三训练样本图像以及对应的分割结果再次对训练后的初始分割网络模型进行训练,得到最终的目标分割网络模型。
综上所述,在上述训练过程中仅仅采用少量有标签数据与大量无标签数据即可以达到高于全监督算法的勾画精度,因此,通过上述的目标分割网络模型能够有效提高对医学影像分割的准确度。
在本申请实施例提供的图像分割方法中,通过多个第一训练样本图像和每个第一训练样本图像对应的真实分割结果对初始分割网络模型进行训练,得到训练后的初始分割网络模型包括以下步骤:对多个第一训练样本图像进行重采样处理,得到第一分辨率的第一训练样本图像;依据第一分辨率的第一训练样本图像和真实分割结果对初始分割网络模型中的第一初始分割网络模型进行训练,得到训练后的第一初始分割网络模型;依据第一初始分割网络模型输出的第一训练样本图像的预测分割结果和多个第一训练样本图像对初始分割网络模型中的第二初始分割网络模型进行训练,得到训练后的第二初始分割网络模型;将训练后的第一初始分割网络模型和训练后的第二初始分割网络模型组建为训练后的初始分割网络模型。
具体地,为了进一步提升目标分割网络模型的分割精度,在对初始分割网络模型进行训练时,采用两阶段训练模型算法,首先对多个第一训练样本图像进行重采样处理得到第一分辨率的第一训练样本图像,例如,160 x 160 x 160分辨率的第一训练样本图像。
利用第一分辨率的第一训练样本图像和真实分割结果对初始分割网络模型中的第一初始分割网络模型进行训练。将第一分辨率的第一训练样本图像输入到第一初始分割网络模型中得到预测分割结果,通过预测分割结果和真实分割结果的损失值对第一初始分割网络模型进行训练,得到训练后的第一初始分割网络模型。
在训练第一初始分割网络模型的同时,利用第一初始分割网络模型输出的第一训练样本图像的预测分割结果和多个第一训练样本图像对初始分割网络模型中的第二初始分割网络模型进行训练得到训练后的第二初始分割网络模型,最后将训练后的第一初始分割网络模型和训练后的第二初始分割网络模型确定训练后的初始分割网络模型。
综上所述,通过两阶段训练模型算法得到的模型勾画的精度更高,能够有效提升对医学影像的勾画效率。
如何根据第一初始分割网络模型输出的第一训练样本图像的预测分割结果和多个第一训练样本图像对初始分割网络模型中的第二初始分割网络模型进行训练,得到训练后的第二初始分割网络模型是至关重要的,因此,在本申请实施例提供的图像分割方法中,还包括以下步骤:依据第一初始分割网络模型输出的第一训练样本图像的预测分割结果对多个第一训练样本图像进行裁剪,得到多个裁剪后的第一训练样本图像;对多个裁剪后的第一训练样本图像进行重采样,得到第二分辨率的第一训练样本图像;依据第二分辨率的第一训练样本图像对第二初始分割网络模型进行训练,得到训练后的第二初始分割网络模型。
具体地,根据第一初始分割网络模型输出的第一训练样本图像的预测分割结果对多个第一训练样本图像进行裁剪,然后对多个裁剪后的第一训练样本图像进行再次进行重采样以得到第二分辨率的第一训练样本图像,例如,192 x 192 x 192分辨率的第一训练样本图像。然后通过192 x 192 x 192分辨率的第一训练样本图像对第二初始分割网络模型进行训练,进而得到训练后的第二初始分割网络模型。
在一可选的实施例中,可以采用如图3所示的流程图,得到训练后的初始分割网络模型。具体地,通过采集模块采集训练样本集,通过预处理模块对训练样本集进行预处理。然后通过160 x 160 x 160分辨率的训练数据对第一初始分割网络模型进行训练,得到粗分割网络模型,然后还可以通过图像后处理模型对粗分割网络模型的分割结果进行修正,更符合医学的解刨结构,例如,人只存在一个肝,则后处理是只保留自动勾画出体积最大的部分。根据粗分割网络模型的预测分割结果对第一训练样本图像进行裁剪和重采样得到192 x 192 x 192分辨率的样本数据,通过192 x 192 x 192分辨率的样本数据对第二初始分割网络模型进行训练,得到精细分割网络模型,进而最终得到训练后的第二初始分割网络模型(即图3中的粗-精细分割一阶段模型)。
为了准确地选择第三训练样本图像,在本申请实施例提供的图像分割方法中,依据多个第二训练样本图像对应的分割结果从多个第二训练样本图像选取多个第三训练样本图像包括:将多个第二训练样本图像划分为多个训练样本图像组,其中,每个训练样本图像组中包括预设数量的第二训练样本图像;依据每个训练样本图像组对应的分割结果进行计算,得到每个训练样本图像对的熵值;依据每个训练样本图像对的熵值从多个训练样本图像组中选取目标训练样本图像组,其中,目标训练样本图像组中的训练样本图像为第三训练样本图像。
具体地,可以将多个第二训练样本图像划分为多个训练样本图像组,每个训练样本图像组中包括一定数量的第二训练样本图像。然后再将多个第二训练样本图像输入到训练后的初始分割网络模型后,得到每个训练样本图像组对应的分割结果,依据这些分割结果计算熵值,然后根据每个训练样本图像对的熵值从多个训练样本图像组中选取目标训练样本图像组,并将目标训练样本图像组中的训练样本图像作为第三训练样本图像。
在一可选的实施例中,可以采用以下公式计算得到每个训练样本图像对的熵值:
其中,H(X)为上述的熵值,为每个训练样本图像对应的分割结果,i表示第i个训练样本图像。
通过计算熵值从无标注数据中筛选数据能够有效提升样本质量,进而提高模型的分割准确度。
在一可选的实施例中,可以采用如图4所示的流程图挑选无标注的训练样本以及进行训练,具体地,将无标注数据输入到粗-精细分割一阶段模型(即训练后的第二初始分割网络模型)中,得到预测分割结果,然后利用预测分割结果计算一个批次的熵,通过熵值选择无标注的数据作为训练样本的补充,即如果一个批次的熵值最小,则将这个批次的数据作为有标注数据,并通过有标注数据继续对训练后的第二初始分割网络模型进行训练(即通过有标注数据训练一阶段网络),进而得到最终的目标分割网络模型。如果一个批次的熵值不是最小,则将这个批次的数据作为无标注数据,并且还可以重新预测这个批次的数据的预测分割结果。
本申请实施例提供的图像分割方法,通过获取待处理的目标医学影像;通过目标分割网络模型对目标医学影像进行预测,得到目标医学影像的目标分割结果,其中,目标分割网络模型包括第一分割网络模型和第二分割网络模型,第一分割网络模型和第二分割网络模型采用半监督的方式训练得到,解决了相关技术中采用全监督的方式对分割网络模型进行训练,在有标注数据量较少时,导致分割网络模型的分割图像的准确度比较低的问题。在本方案中,通过半监督的方式对分割网络模型进行训练,能够有效提高分割网络模型的鲁棒性和勾画精度,采用第一分割网络模型和第二分割网络模型对目标医学影像进行分割,进一步提高了分割网络模型的精准度,进而达到了提高分割图像的准确度的效果。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种图像分割装置,需要说明的是,本申请实施例的图像分割装置可以用于执行本申请实施例所提供的用于图像分割方法。以下对本申请实施例提供的图像分割装置进行介绍。
图5是根据本申请实施例的图像分割装置的示意图。如图5所示,该装置包括:第一获取单元501和第一预测单元502。
第一获取单元501,用于获取待处理的目标医学影像;
第一预测单元502,用于通过目标分割网络模型对目标医学影像进行预测,得到目标医学影像的目标分割结果,其中,目标分割网络模型包括第一分割网络模型和第二分割网络模型,第一分割网络模型和第二分割网络模型采用半监督的方式训练得到。
本申请实施例提供的图像分割装置,通过第一获取单元501获取待处理的目标医学影像;第一预测单元502通过目标分割网络模型对目标医学影像进行预测,得到目标医学影像的目标分割结果,其中,目标分割网络模型包括第一分割网络模型和第二分割网络模型,第一分割网络模型和第二分割网络模型采用半监督的方式训练得到,解决了相关技术中采用全监督的方式对分割网络模型进行训练,在有标注数据量较少时,导致分割网络模型的分割图像的准确度比较低的问题。在本方案中,通过半监督的方式对分割网络模型进行训练,能够有效提高分割网络模型的鲁棒性和勾画精度,采用第一分割网络模型和第二分割网络模型对目标医学影像进行分割,进一步提高了分割网络模型的精准度,进而达到了提高分割图像的准确度的效果。
可选地,在本申请实施例提供的图像分割装置中,预测单元包括:第一采样模块,用于对目标医学影像进行重采样处理,得到第一分辨率的目标医学影像;分割模块,用于通过第一分割网络模型对第一分辨率的目标医学影像进行分割,得到初始分割结果;第一处理模块,用于依据初始分割结果对目标医学影像进行处理,得到第二分辨率的目标医学影像,其中,第一分辨率低于第二分辨率;第二处理模块,用于通过第二分割网络模型对第二分辨率的目标医学影像进行处理,得到目标医学影像的目标分割结果。
可选地,在本申请实施例提供的图像分割装置中,第一处理模块包括:裁剪子模块,用于依据初始分割结果对目标医学影像进行裁剪,得到裁剪后的目标医学影像;采样子模块,用于对裁剪后的目标医学影像进行重采样处理,得到第二分辨率的目标医学影像。
可选地,在本申请实施例提供的图像分割装置中,该装置还包括:第二获取单元,用于在通过目标分割网络模型对目标医学影像进行预测,得到目标医学影像的目标分割结果之前,获取训练样本集,其中,训练样本集中包括多个第一训练样本图像,每个第一训练样本图像对应的真实分割结果,多个第二训练样本图像,第一训练样本图像的数量远小于第二训练样本图像的数量;第一训练单元,用于通过多个第一训练样本图像和每个第一训练样本图像对应的真实分割结果对初始分割网络模型进行训练,得到训练后的初始分割网络模型;第二预测单元,用于通过训练后的初始分割网络模型对多个第二训练样本图像进行预测,得到多个第二训练样本图像对应的分割结果;第二训练单元,用于依据多个第二训练样本图像对应的分割结果从多个第二训练样本图像选取多个第三训练样本图像,并依据多个第三训练样本图像对训练后的初始分割网络模型进行训练,得到目标分割网络模型。
可选地,在本申请实施例提供的图像分割装置中,训练单元包括:第二采样模块,用于对多个第一训练样本图像进行重采样处理,得到第一分辨率的第一训练样本图像;第一训练模块,用于依据第一分辨率的第一训练样本图像和真实分割结果对初始分割网络模型中的第一初始分割网络模型进行训练,得到训练后的第一初始分割网络模型;第二训练模块,用于依据第一初始分割网络模型输出的第一训练样本图像的预测分割结果和多个第一训练样本图像对初始分割网络模型中的第二初始分割网络模型进行训练,得到训练后的第二初始分割网络模型;确定模块,用于将训练后的第一初始分割网络模型和训练后的第二初始分割网络模型组建为训练后的初始分割网络模型。
可选地,在本申请实施例提供的图像分割装置中,第二训练模块包括:裁剪子模块,用于依据第一初始分割网络模型输出的第一训练样本图像的预测分割结果对多个第一训练样本图像进行裁剪,得到多个裁剪后的第一训练样本图像;采样子模块,用于对多个裁剪后的第一训练样本图像进行重采样,得到第二分辨率的第一训练样本图像;训练子模块,用于依据第二分辨率的第一训练样本图像对第二初始分割网络模型进行训练,得到训练后的第二初始分割网络模型。
可选地,在本申请实施例提供的图像分割装置中,第二训练单元包括:划分模块,用于将多个第二训练样本图像划分为多个训练样本图像组,其中,每个训练样本图像组中包括预设数量的第二训练样本图像;计算模块,用于依据每个训练样本图像组对应的分割结果进行计算,得到每个训练样本图像对的熵值;选取模块,用于依据每个训练样本图像对的熵值从多个训练样本图像组中选取目标训练样本图像组,其中,目标训练样本图像组中的训练样本图像为第三训练样本图像。
图像分割装置包括处理器和存储器,上述的第一获取单元501和第一预测单元502等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来实现对医学影像的靶区分割。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现图像分割方法。
本发明实施例提供了一种处理器,处理器用于运行程序,其中,程序运行时执行图像分割方法。
如图6所示,本发明实施例提供了一种电子设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取待处理的目标医学影像;通过目标分割网络模型对目标医学影像进行预测,得到目标医学影像的目标分割结果,其中,目标分割网络模型包括第一分割网络模型和第二分割网络模型,第一分割网络模型和第二分割网络模型采用半监督的方式训练得到。
可选地,通过目标分割网络模型对目标医学影像进行预测,得到目标医学影像的目标分割结果包括:对目标医学影像进行重采样处理,得到第一分辨率的目标医学影像;通过第一分割网络模型对第一分辨率的目标医学影像进行分割,得到初始分割结果;依据初始分割结果对目标医学影像进行处理,得到第二分辨率的目标医学影像,其中,第一分辨率低于第二分辨率;通过第二分割网络模型对第二分辨率的目标医学影像进行处理,得到目标医学影像的目标分割结果。
可选地,依据初始分割结果对目标医学影像进行处理,得到第二分辨率的目标医学影像包括:依据初始分割结果对目标医学影像进行裁剪,得到裁剪后的目标医学影像;对裁剪后的目标医学影像进行重采样处理,得到第二分辨率的目标医学影像。
可选地,在通过目标分割网络模型对目标医学影像进行预测,得到目标医学影像的目标分割结果之前,方法还包括:获取训练样本集,其中,训练样本集中包括多个第一训练样本图像,每个第一训练样本图像对应的真实分割结果,多个第二训练样本图像,第一训练样本图像的数量远小于第二训练样本图像的数量;通过多个第一训练样本图像和每个第一训练样本图像对应的真实分割结果对初始分割网络模型进行训练,得到训练后的初始分割网络模型;通过训练后的初始分割网络模型对多个第二训练样本图像进行预测,得到多个第二训练样本图像对应的分割结果;依据多个第二训练样本图像对应的分割结果从多个第二训练样本图像选取多个第三训练样本图像,并依据多个第三训练样本图像对训练后的初始分割网络模型进行训练,得到目标分割网络模型。
可选地,通过多个第一训练样本图像和每个第一训练样本图像对应的真实分割结果对初始分割网络模型进行训练,得到训练后的初始分割网络模型包括:对多个第一训练样本图像进行重采样处理,得到第一分辨率的第一训练样本图像;依据第一分辨率的第一训练样本图像和真实分割结果对初始分割网络模型中的第一初始分割网络模型进行训练,得到训练后的第一初始分割网络模型;依据第一初始分割网络模型输出的第一训练样本图像的预测分割结果和多个第一训练样本图像对初始分割网络模型中的第二初始分割网络模型进行训练,得到训练后的第二初始分割网络模型;将训练后的第一初始分割网络模型和训练后的第二初始分割网络模型组建为训练后的初始分割网络模型。
可选地,依据第一初始分割网络模型输出的第一训练样本图像的预测分割结果和多个第一训练样本图像对初始分割网络模型中的第二初始分割网络模型进行训练,得到训练后的第二初始分割网络模型包括:依据第一初始分割网络模型输出的第一训练样本图像的预测分割结果对多个第一训练样本图像进行裁剪,得到多个裁剪后的第一训练样本图像;对多个裁剪后的第一训练样本图像进行重采样,得到第二分辨率的第一训练样本图像;依据第二分辨率的第一训练样本图像对第二初始分割网络模型进行训练,得到训练后的第二初始分割网络模型。
可选地,依据多个第二训练样本图像对应的分割结果从多个第二训练样本图像选取多个第三训练样本图像包括:将多个第二训练样本图像划分为多个训练样本图像组,其中,每个训练样本图像组中包括预设数量的第二训练样本图像;依据每个训练样本图像组对应的分割结果进行计算,得到每个训练样本图像对的熵值;依据每个训练样本图像对的熵值从多个训练样本图像组中选取目标训练样本图像组,其中,目标训练样本图像组中的训练样本图像为第三训练样本图像。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取待处理的目标医学影像;通过目标分割网络模型对目标医学影像进行预测,得到目标医学影像的目标分割结果,其中,目标分割网络模型包括第一分割网络模型和第二分割网络模型,第一分割网络模型和第二分割网络模型采用半监督的方式训练得到。
可选地,通过目标分割网络模型对目标医学影像进行预测,得到目标医学影像的目标分割结果包括:对目标医学影像进行重采样处理,得到第一分辨率的目标医学影像;通过第一分割网络模型对第一分辨率的目标医学影像进行分割,得到初始分割结果;依据初始分割结果对目标医学影像进行处理,得到第二分辨率的目标医学影像,其中,第一分辨率低于第二分辨率;通过第二分割网络模型对第二分辨率的目标医学影像进行处理,得到目标医学影像的目标分割结果。
可选地,依据初始分割结果对目标医学影像进行处理,得到第二分辨率的目标医学影像包括:依据初始分割结果对目标医学影像进行裁剪,得到裁剪后的目标医学影像;对裁剪后的目标医学影像进行重采样处理,得到第二分辨率的目标医学影像。
可选地,在通过目标分割网络模型对目标医学影像进行预测,得到目标医学影像的目标分割结果之前,该方法还包括:获取训练样本集,其中,训练样本集中包括多个第一训练样本图像,每个第一训练样本图像对应的真实分割结果,多个第二训练样本图像,第一训练样本图像的数量远小于第二训练样本图像的数量;通过多个第一训练样本图像和每个第一训练样本图像对应的真实分割结果对初始分割网络模型进行训练,得到训练后的初始分割网络模型;通过训练后的初始分割网络模型对多个第二训练样本图像进行预测,得到多个第二训练样本图像对应的分割结果;依据多个第二训练样本图像对应的分割结果从多个第二训练样本图像选取多个第三训练样本图像,并依据多个第三训练样本图像对训练后的初始分割网络模型进行训练,得到目标分割网络模型。
可选地,通过多个第一训练样本图像和每个第一训练样本图像对应的真实分割结果对初始分割网络模型进行训练,得到训练后的初始分割网络模型包括:对多个第一训练样本图像进行重采样处理,得到第一分辨率的第一训练样本图像;依据第一分辨率的第一训练样本图像和真实分割结果对初始分割网络模型中的第一初始分割网络模型进行训练,得到训练后的第一初始分割网络模型;依据第一初始分割网络模型输出的第一训练样本图像的预测分割结果和多个第一训练样本图像对初始分割网络模型中的第二初始分割网络模型进行训练,得到训练后的第二初始分割网络模型;将训练后的第一初始分割网络模型和训练后的第二初始分割网络模型组建为训练后的初始分割网络模型。
可选地,依据第一初始分割网络模型输出的第一训练样本图像的预测分割结果和多个第一训练样本图像对初始分割网络模型中的第二初始分割网络模型进行训练,得到训练后的第二初始分割网络模型包括:依据第一初始分割网络模型输出的第一训练样本图像的预测分割结果对多个第一训练样本图像进行裁剪,得到多个裁剪后的第一训练样本图像;对多个裁剪后的第一训练样本图像进行重采样,得到第二分辨率的第一训练样本图像;依据第二分辨率的第一训练样本图像对第二初始分割网络模型进行训练,得到训练后的第二初始分割网络模型。
可选地,依据多个第二训练样本图像对应的分割结果从多个第二训练样本图像选取多个第三训练样本图像包括:将多个第二训练样本图像划分为多个训练样本图像组,其中,每个训练样本图像组中包括预设数量的第二训练样本图像;依据每个训练样本图像组对应的分割结果进行计算,得到每个训练样本图像对的熵值;依据每个训练样本图像对的熵值从多个训练样本图像组中选取目标训练样本图像组,其中,目标训练样本图像组中的训练样本图像为第三训练样本图像。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种图像分割方法,其特征在于,包括:
获取待处理的目标医学影像;
通过目标分割网络模型对所述目标医学影像进行预测,得到所述目标医学影像的目标分割结果,其中,所述目标分割网络模型包括第一分割网络模型和第二分割网络模型,所述第一分割网络模型和所述第二分割网络模型采用半监督的方式训练得到。
2.根据权利要求1所述的方法,其特征在于,通过目标分割网络模型对所述目标医学影像进行预测,得到所述目标医学影像的目标分割结果包括:
对所述目标医学影像进行重采样处理,得到第一分辨率的目标医学影像;
通过所述第一分割网络模型对所述第一分辨率的目标医学影像进行分割,得到初始分割结果;
依据所述初始分割结果对所述目标医学影像进行处理,得到第二分辨率的目标医学影像,其中,所述第一分辨率低于所述第二分辨率;
通过所述第二分割网络模型对所述第二分辨率的目标医学影像进行处理,得到所述目标医学影像的目标分割结果。
3.根据权利要求2所述的方法,其特征在于,依据所述初始分割结果对所述目标医学影像进行处理,得到第二分辨率的目标医学影像包括:
依据所述初始分割结果对所述目标医学影像进行裁剪,得到裁剪后的目标医学影像;
对所述裁剪后的目标医学影像进行重采样处理,得到所述第二分辨率的目标医学影像。
4.根据权利要求1所述的方法,其特征在于,在通过目标分割网络模型对所述目标医学影像进行预测,得到所述目标医学影像的目标分割结果之前,所述方法还包括:
获取训练样本集,其中,所述训练样本集中包括多个第一训练样本图像,每个第一训练样本图像对应的真实分割结果,多个第二训练样本图像,所述第一训练样本图像的数量远小于所述第二训练样本图像的数量;
通过所述多个第一训练样本图像和每个第一训练样本图像对应的真实分割结果对初始分割网络模型进行训练,得到训练后的初始分割网络模型;
通过所述训练后的初始分割网络模型对所述多个第二训练样本图像进行预测,得到所述多个第二训练样本图像对应的分割结果;
依据所述多个第二训练样本图像对应的分割结果从所述多个第二训练样本图像选取多个第三训练样本图像,并依据所述多个第三训练样本图像对所述训练后的初始分割网络模型进行训练,得到所述目标分割网络模型。
5.根据权利要求4所述的方法,其特征在于,通过所述多个第一训练样本图像和每个第一训练样本图像对应的真实分割结果对初始分割网络模型进行训练,得到训练后的初始分割网络模型包括:
对所述多个第一训练样本图像进行重采样处理,得到第一分辨率的第一训练样本图像;
依据所述第一分辨率的第一训练样本图像和所述真实分割结果对所述初始分割网络模型中的第一初始分割网络模型进行训练,得到训练后的第一初始分割网络模型;
依据所述第一初始分割网络模型输出的所述第一训练样本图像的预测分割结果和所述多个第一训练样本图像对所述初始分割网络模型中的第二初始分割网络模型进行训练,得到训练后的第二初始分割网络模型;
将所述训练后的第一初始分割网络模型和所述训练后的第二初始分割网络模型组建为所述训练后的初始分割网络模型。
6.根据权利要求5所述的方法,其特征在于,依据所述第一初始分割网络模型输出的所述第一训练样本图像的预测分割结果和所述多个第一训练样本图像对所述初始分割网络模型中的第二初始分割网络模型进行训练,得到训练后的第二初始分割网络模型包括:
依据所述第一初始分割网络模型输出的所述第一训练样本图像的预测分割结果对所述多个第一训练样本图像进行裁剪,得到多个裁剪后的第一训练样本图像;
对所述多个裁剪后的第一训练样本图像进行重采样,得到第二分辨率的第一训练样本图像;
依据所述第二分辨率的第一训练样本图像对所述第二初始分割网络模型进行训练,得到所述训练后的第二初始分割网络模型。
7.根据权利要求4所述的方法,其特征在于,依据所述多个第二训练样本图像对应的分割结果从所述多个第二训练样本图像选取多个第三训练样本图像包括:
将所述多个第二训练样本图像划分为多个训练样本图像组,其中,每个训练样本图像组中包括预设数量的第二训练样本图像;
依据每个训练样本图像组对应的分割结果进行计算,得到每个训练样本图像对的熵值;
依据每个训练样本图像对的熵值从所述多个训练样本图像组中选取目标训练样本图像组,其中,所述目标训练样本图像组中的训练样本图像为所述第三训练样本图像。
8.一种图像分割装置,其特征在于,包括:
第一获取单元,用于获取待处理的目标医学影像;
第一预测单元,用于通过目标分割网络模型对所述目标医学影像进行预测,得到所述目标医学影像的目标分割结果,其中,所述目标分割网络模型包括第一分割网络模型和第二分割网络模型,所述第一分割网络模型和所述第二分割网络模型采用半监督的方式训练得到。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储程序,其中,所述程序执行权利要求1至7中任意一项所述的图像分割方法。
10.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述存储器用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至7中任意一项所述的图像分割方法。
CN202310228119.3A 2023-03-10 2023-03-10 图像分割方法和装置、存储介质及电子设备 Active CN116071375B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310228119.3A CN116071375B (zh) 2023-03-10 2023-03-10 图像分割方法和装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310228119.3A CN116071375B (zh) 2023-03-10 2023-03-10 图像分割方法和装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN116071375A true CN116071375A (zh) 2023-05-05
CN116071375B CN116071375B (zh) 2023-09-26

Family

ID=86178695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310228119.3A Active CN116071375B (zh) 2023-03-10 2023-03-10 图像分割方法和装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN116071375B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805196A (zh) * 2018-06-05 2018-11-13 西安交通大学 用于图像识别的自动增量学习方法
CN109166130A (zh) * 2018-08-06 2019-01-08 北京市商汤科技开发有限公司 一种图像处理方法及图像处理装置
CN109671076A (zh) * 2018-12-20 2019-04-23 上海联影智能医疗科技有限公司 血管分割方法、装置、电子设备及存储介质
CN111160367A (zh) * 2019-12-23 2020-05-15 上海联影智能医疗科技有限公司 图像分类方法、装置、计算机设备和可读存储介质
CN113780083A (zh) * 2021-08-10 2021-12-10 新线科技有限公司 一种手势识别方法、装置、设备及存储介质
CN113870284A (zh) * 2021-09-29 2021-12-31 柏意慧心(杭州)网络科技有限公司 用于对医学影像进行分割的方法、设备和介质
CN114004813A (zh) * 2021-11-02 2022-02-01 中国科学技术大学 一种应用于宫颈癌放疗临床靶区识别方法及装置
CN114240954A (zh) * 2021-12-16 2022-03-25 推想医疗科技股份有限公司 网络模型的训练方法及装置、图像分割方法及装置
CN114255237A (zh) * 2021-11-12 2022-03-29 深圳大学 基于半监督学习的图像分割模型的训练方法及分割方法
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
CN114742840A (zh) * 2022-03-01 2022-07-12 深圳视见医疗科技有限公司 一种图像分割方法、装置、终端设备及可读存储介质
CN114972026A (zh) * 2022-05-27 2022-08-30 上海联影智能医疗科技有限公司 图像处理方法和存储介质
CN115082800A (zh) * 2022-07-21 2022-09-20 阿里巴巴达摩院(杭州)科技有限公司 图像分割方法
US20230015384A1 (en) * 2021-07-14 2023-01-19 Manteia Technologies Co., Ltd. Method, Apparatus, Storage Medium and Processor for Medical Image Auto-segmentation

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805196A (zh) * 2018-06-05 2018-11-13 西安交通大学 用于图像识别的自动增量学习方法
CN109166130A (zh) * 2018-08-06 2019-01-08 北京市商汤科技开发有限公司 一种图像处理方法及图像处理装置
CN109671076A (zh) * 2018-12-20 2019-04-23 上海联影智能医疗科技有限公司 血管分割方法、装置、电子设备及存储介质
CN111160367A (zh) * 2019-12-23 2020-05-15 上海联影智能医疗科技有限公司 图像分类方法、装置、计算机设备和可读存储介质
US20230015384A1 (en) * 2021-07-14 2023-01-19 Manteia Technologies Co., Ltd. Method, Apparatus, Storage Medium and Processor for Medical Image Auto-segmentation
CN113780083A (zh) * 2021-08-10 2021-12-10 新线科技有限公司 一种手势识别方法、装置、设备及存储介质
CN113870284A (zh) * 2021-09-29 2021-12-31 柏意慧心(杭州)网络科技有限公司 用于对医学影像进行分割的方法、设备和介质
CN114004813A (zh) * 2021-11-02 2022-02-01 中国科学技术大学 一种应用于宫颈癌放疗临床靶区识别方法及装置
CN114255237A (zh) * 2021-11-12 2022-03-29 深圳大学 基于半监督学习的图像分割模型的训练方法及分割方法
CN114240954A (zh) * 2021-12-16 2022-03-25 推想医疗科技股份有限公司 网络模型的训练方法及装置、图像分割方法及装置
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
CN114742840A (zh) * 2022-03-01 2022-07-12 深圳视见医疗科技有限公司 一种图像分割方法、装置、终端设备及可读存储介质
CN114972026A (zh) * 2022-05-27 2022-08-30 上海联影智能医疗科技有限公司 图像处理方法和存储介质
CN115082800A (zh) * 2022-07-21 2022-09-20 阿里巴巴达摩院(杭州)科技有限公司 图像分割方法

Also Published As

Publication number Publication date
CN116071375B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN109740670B (zh) 视频分类的方法及装置
US11200424B2 (en) Space-time memory network for locating target object in video content
CN111369581A (zh) 图像处理方法、装置、设备及存储介质
CN114359563B (zh) 模型训练方法、装置、计算机设备和存储介质
CN109902588B (zh) 一种手势识别方法、装置及计算机可读存储介质
CN110689134A (zh) 执行机器学习过程的方法、装置、设备以及存储介质
CN113763415B (zh) 目标跟踪方法、装置、电子设备及存储介质
CN115457492A (zh) 目标检测方法、装置、计算机设备及存储介质
WO2023211543A1 (en) Generating an inpainted image from a masked image using a patch-based encoder
CN117409419A (zh) 图像检测方法、设备及存储介质
CN111639684A (zh) 一种数据处理模型的训练方法及装置
CN114565803A (zh) 用于提取难样本的方法、装置及机械设备
CN116013475B (zh) 多模态医学图像的勾画方法和装置、存储介质及电子设备
CN116071375B (zh) 图像分割方法和装置、存储介质及电子设备
CN112465847A (zh) 一种基于预测清晰边界的边缘检测方法、装置及设备
CN116957024A (zh) 利用神经网络模型进行推理的方法和装置
CN117437394A (zh) 模型训练方法、目标检测方法及装置
CN117934855B (zh) 医学图像分割方法和装置、存储介质及电子设备
CN113420844B (zh) 物体缺陷检测方法、装置、电子设备和存储介质
CN117457235B (zh) 病理损伤模式预测方法、装置、存储介质及电子设备
CN118312873B (zh) 基于文本识别的灾害预测方法及系统
CN115908403A (zh) 一种液体杂质检测方法、设备及介质
CN118552888A (zh) 激光武器跟瞄检测方法、装置、电子设备和存储介质
CN118132805A (zh) 一种数据管理方法、装置、设备以及存储介质
CN117576204A (zh) 摄像头的位姿估计方法及装置、存储介质和电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant