CN116091522A - 医学图像分割方法、装置、设备及可读存储介质 - Google Patents
医学图像分割方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116091522A CN116091522A CN202310075406.5A CN202310075406A CN116091522A CN 116091522 A CN116091522 A CN 116091522A CN 202310075406 A CN202310075406 A CN 202310075406A CN 116091522 A CN116091522 A CN 116091522A
- Authority
- CN
- China
- Prior art keywords
- preset
- image
- medical image
- training
- loss function
- 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.)
- Pending
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000011218 segmentation Effects 0.000 claims abstract description 115
- 238000012360 testing method Methods 0.000 claims abstract description 90
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 182
- 230000006870 function Effects 0.000 claims description 127
- 238000012545 processing Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 12
- 238000011084 recovery Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000001835 viscera Anatomy 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20112—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
-
- 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)
- 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
本发明提供一种医学图像分割方法、装置、设备及可读存储介质，医学图像分割方法包括：将待测试医学图像进行预处理，得到第一阶段测试图像；基于训练完成的第一预设模型对第一阶段测试图像进行粗分割，得到粗分割结果；基于粗分割结果中的第一病灶中心点对第一阶段测试图像进行裁剪和放大处理得到第二阶段测试图像，并记录裁剪时的顶点坐标信息和第一阶段测试图像的尺寸信息；基于训练完成的第二预设模型对第二阶段测试图像进行细分割，得到细分割结果；基于裁剪时的顶点坐标信息和第一阶段测试图像的尺寸信息，将细分割结果恢复至与待测试医学图像的尺寸相同，得到目标分割结果。通过本发明显著提高了对医学图像中病灶区域的分割效果。
Description
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种医学图像分割方法、装置、设备及可读存储介质。
背景技术
在医疗诊断中，对于很多内科疾病，例如肝、肺等脏器的疾病，通常会采用可视化的辅助检测技术来帮助医生确定病灶位置。这些辅助检测技术中最常用的包括超声检测(US)、计算机断层扫描(CT)和核磁共振成像(MRI)等，这些检测技术能够无损的获取患者体内的病灶情况，因此获得了广泛的应用。
上述的检测技术中超声检测的成本最低且速度最快，因此应用最为广泛。但是超声检测受限于其检测原理，获得的超声图像清晰度较低，同时噪点较多，对比度也比较低，采用现有的分割方法确定病灶位置时分割结果的精度都会比较低，无法达到临床使用的要求。在采用现有分割模型的情况下，提高分割精度的方法主要有两种：提高图像清晰度和图像标注度的准确度，前者受限于超声检测的原理而无法进一步提升，后者则需要专业的医生进行手动处理，耗费的人力和物力都比较多。
发明内容
本发明的主要目的在于提供一种医学图像分割方法、装置、设备及可读存储介质，旨在解决现有技术中的图像分割方法对超声图像的病灶区域分割效果比较差的技术问题。
第一方面，本发明提供一种医学图像分割方法，所述医学图像分割方法包括以下步骤：
将待测试医学图像进行预处理，得到第一阶段测试图像；
基于训练完成的第一预设模型对第一阶段测试图像进行粗分割，得到粗分割结果；
基于粗分割结果中的第一病灶中心点对第一阶段测试图像进行裁剪和放大处理得到第二阶段测试图像，并记录裁剪时的顶点坐标信息和第一阶段测试图像的尺寸信息；
基于训练完成的第二预设模型对第二阶段测试图像进行细分割，得到细分割结果；
基于裁剪时的顶点坐标信息和第一阶段测试图像的尺寸信息，将细分割结果恢复至与待测试医学图像的尺寸相同，得到目标分割结果。
可选的，所述预处理包括去除待测试医学图像中的文字和背景、截取待测试医学图像中的造影区域以及对待测试医学图像进行归一化处理。
可选的，在所述将待测试医学图像进行预处理，得到第一阶段测试图像的步骤之前还包括：
获取样本图像集，所述样本图像集包含预设帧训练图像以及训练图像对应的预设训练标签，所述训练图像为预处理后的医学图像，所述预设训练标签包含了医学图像中病灶区域的病灶信息；
将训练图像调整至第一预设尺寸，得到第一预设尺寸的第一阶段训练图像；
基于病灶信息确定预设训练标签的第二病灶中心点，以第二病灶中心点为圆心确定预设半径区域，将预设半径区域作为预设训练标签中新的病灶区域，得到新的预设训练标签；
将新的预设训练标签调整至第一预设尺寸，得到第一预设尺寸的第一阶段训练标签；
将第一阶段训练图像输入至待训练的第一预设模型，得到样本粗分割结果；
基于第一损失函数计算得到第一阶段训练标签和样本粗分割结果对应的第一损失函数值，并判断第一损失函数值是否收敛，其中，第一损失函数为二值交叉熵损失函数、集合相似度度量损失函数或二值交叉熵损失函数与集合相似度度量损失函数的组合；
若未收敛，则将第一损失函数值反向传播给待训练的第一预设模型，对所述待训练的第一预设模型重新训练；
若收敛，则以最新的第一预设模型为训练完成的第一预设模型。
可选的，在所述将待测试医学图像进行预处理，得到第一阶段测试图像的步骤之前还包括：
基于第二病灶中心点对训练图像和预设训练标签进行裁剪和放大处理，得到第二预设尺寸的第二阶段训练图像和第二阶段训练标签；
将第二阶段训练图像输入至待训练的第二预设模型，得到样本细分割结果；
基于第二损失函数计算得到第二阶段训练标签和样本细分割结果对应的第二损失函数值，并判断第二损失函数值是否收敛，其中，第二损失函数为第一损失函数与边界损失函数的组合；
若未收敛，则将第二损失函数值反向传播给待训练的第二预设模型，对所述待训练的第二预设模型重新训练；
若收敛，则以最新的第二预设模型为训练完成的第二预设模型。
可选的，所述待训练的第二预设模型的解码模块中最后三个卷积模块中均添加有边界学习模块，边界学习模块包括边界图计算层和卷积层。
第二方面，本发明还提供一种医学图像分割装置，所述医学图像分割装置包括：
预处理模块，用于将待测试医学图像进行预处理，得到第一阶段测试图像；
粗分割模块，用于基于训练完成的第一预设模型对第一阶段测试图像进行粗分割，得到粗分割结果；
尺寸变更模块，用于基于粗分割结果中的第一病灶中心点对第一阶段测试图像进行裁剪和放大处理得到第二阶段测试图像，并记录裁剪时的顶点坐标信息和第一阶段测试图像的尺寸信息；
细分割模块，用于基于训练完成的第二预设模型对第二阶段测试图像进行细分割，得到细分割结果；
尺寸恢复模块，用于基于裁剪时的顶点坐标信息和第一阶段测试图像的尺寸信息，将细分割结果恢复至与待测试医学图像的尺寸相同，得到目标分割结果。
可选的，所述预处理包括去除待测试医学图像中的文字和背景、截取待测试医学图像中的造影区域以及对待测试医学图像进行归一化处理。
可选的，所述医学图像分割装置还包括第一训练模块，用于：
获取样本图像集，所述样本图像集包含预设帧训练图像以及训练图像对应的预设训练标签，所述训练图像为预处理后的医学图像，所述预设训练标签包含了医学图像中病灶区域的病灶信息；
将训练图像调整至第一预设尺寸，得到第一预设尺寸的第一阶段训练图像；
基于病灶信息确定预设训练标签的第二病灶中心点，以第二病灶中心点为圆心确定预设半径区域，将预设半径区域作为预设训练标签中新的病灶区域，得到新的预设训练标签；
将新的预设训练标签调整至第一预设尺寸，得到第一预设尺寸的第一阶段训练标签；
将第一阶段训练图像输入至待训练的第一预设模型，得到样本粗分割结果；
基于第一损失函数计算得到第一阶段训练标签和样本粗分割结果对应的第一损失函数值，并判断第一损失函数值是否收敛，其中，第一损失函数为二值交叉熵损失函数、集合相似度度量损失函数或二值交叉熵损失函数与集合相似度度量损失函数的组合；
若未收敛，则将第一损失函数值反向传播给待训练的第一预设模型，对所述待训练的第一预设模型重新训练；
若收敛，则以最新的第一预设模型为训练完成的第一预设模型。
可选的，所述医学图像分割装置还包括第二训练模块，用于：
基于第二病灶中心点对训练图像和预设训练标签进行裁剪和放大处理，得到第二预设尺寸的第二阶段训练图像和第二阶段训练标签；
将第二阶段训练图像输入至待训练的第二预设模型，得到样本细分割结果；
基于第二损失函数计算得到第二阶段训练标签和样本细分割结果对应的第二损失函数值，并判断第二损失函数值是否收敛，其中，第二损失函数为第一损失函数与边界损失函数的组合；
若未收敛，则将第二损失函数值反向传播给待训练的第二预设模型，对所述待训练的第二预设模型重新训练；
若收敛，则以最新的第二预设模型为训练完成的第二预设模型。
可选的，所述待训练的第二预设模型的解码模块中最后三个卷积模块中均添加有边界学习模块，边界学习模块包括边界图计算层和卷积层。
第三方面，本发明还提供一种医学图像分割设备，所述医学图像分割设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的医学图像分割程序，其中所述医学图像分割程序被所述处理器执行时，实现如上述所述的医学图像分割方法的步骤。
第四方面，本发明还提供一种可读存储介质，所述可读存储介质上存储有医学图像分割程序，其中所述医学图像分割程序被处理器执行时，实现如上述所述的医学图像分割方法的步骤。
本发明提供一种医学图像分割方法、装置、设备及可读存储介质，医学图像分割方法包括：将待测试医学图像进行预处理，得到第一阶段测试图像；基于训练完成的第一预设模型对第一阶段测试图像进行粗分割，得到粗分割结果；基于粗分割结果中的第一病灶中心点对第一阶段测试图像进行裁剪和放大处理得到第二阶段测试图像，并记录裁剪时的顶点坐标信息和第一阶段测试图像的尺寸信息；基于训练完成的第二预设模型对第二阶段测试图像进行细分割，得到细分割结果；基于裁剪时的顶点坐标信息和第一阶段测试图像的尺寸信息，将细分割结果恢复至与待测试医学图像的尺寸相同，得到目标分割结果。通过本发明显著提高了对医学图像中病灶区域的分割效果，对医学图像的质量要求不高，也不需要提高图像标注的准确度，在不提高医学图像分割成本的前提下使分割结果满足临床使用的要求。其中，粗分割阶段利用病灶中心点的膨胀结果作为标签进行此阶段的训练，能够实现对病灶大致范围的较精准定位，能够得到最基本的兴趣区域并进行裁剪用于细分割阶段的训练，可以去除很多假阳性的错误预测病灶结果；在细分割阶段，本方法在此阶段的预设分割模型的解码器中的最后三个卷积模块里额外添加了边界学习模块，本模块由边界图计算层和卷积层组成，通过对上层特征的边界信息进行距离图计算整合以及添加边界的监督，可以提高模型对病灶边界的分割精度，进而提高病灶的分割效果。
附图说明
图1为本发明医学图像分割方法一实施例的流程示意图；
图2为本发明医学图像分割方法一实施例第一预设模型训练阶段的流程示意图；
图3为本发明医学图像分割方法一实施例第二预设模型训练阶段的流程示意图
图4为本发明医学图像分割装置一实施例的功能模块示意图；
图5为本发明实施例方案中涉及的医学图像分割设备的硬件结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
第一方面，本发明实施例提供了一种医学图像分割方法。
参照图1，图1为本发明医学图像分割方法一实施例的流程示意图。
在本发明医学图像分割方法一实施例中，医学图像分割方法包括：
步骤S10，将待测试医学图像进行预处理，得到第一阶段测试图像；
本实施例中，待测试医学图像包括CT图像、超声图像等，在做检测生成上述医学图像时，除了对应器官部位的造影区域，还会携带有对整个医学图像分割过程产生噪声影响的背景噪点等，且检测生成的原始医学图像并不方便后续进行图像分割处理。因此在对待测试医学图像进行图像分割之前，需要先对待测试医学图像进行预处理，得到第一阶段测试图像，从而便于后续进行分割处理，确定待检测图像中的病灶区域。
步骤S20，基于训练完成的第一预设模型对第一阶段测试图像进行粗分割，得到粗分割结果；
本实施例中，在得到第一阶段测试图像之后，会将第一阶段测试图像作为输入图像输入至第一阶段的图像分割模型(即对应训练完成的第一预设模型)中，以进行粗分割处理，得到粗分割结果，粗分割结果为基于第一预设模型测出来的包含病灶区域信息的mask(掩膜)。其中，训练完成的第一预设模型对病灶区域的定位位置敏感，但对病灶区域的具体大小、形状不敏感。因此所得粗分割结果的病灶区域定位信息准确性高，但是病灶区域具体大小、形状准确性不高，还需要继续进行第二阶段的图像分割处理，以提高所分割出的病灶区域所有相关病灶信息的准确度，从而对应提高待测试医学图像中病灶区域的分割效果。
步骤S30，基于粗分割结果中的第一病灶中心点对第一阶段测试图像进行裁剪和放大处理得到第二阶段测试图像，并记录裁剪时的顶点坐标信息和第一阶段测试图像的尺寸信息；
本实施例中，在得到粗分割结果之后，会首先基于粗分割结果对病灶区域的精准定位确定待测试医学图像中的病灶中心点，再以所确定的病灶中心点为基准中心点对第一阶段测试图像进行对应尺寸的裁剪和放大处理，得到第二阶段测试图像，再基于第二阶段测试图像进行后续第二阶段的图像分割处理。其中，由于第二阶段测试图像为裁剪和放大处理之后的图像，而之后所确定的图像分割结果也需要与待测试医学图像尺寸保持一致，因此需要记录裁剪时的定点坐标信息和第一阶段测试图像的尺寸信息，便于后续进行对应尺寸的恢复。
步骤S40，基于训练完成的第二预设模型对第二阶段测试图像进行细分割，得到细分割结果；
本实施例中，在得到第二阶段测试图像之后，会再基于训练完成的第二预设模型来对第二阶段测试图像进行细分割，得到细分割结果。由于在第二阶段的图像分割处理之前，有将测试图像基于第一阶段的粗分割结果精准定位的病灶中心点来做裁剪和放大处理，经过处理所得的第二阶段测试图像为病灶中心定位后的测试图像。此时再基于训练完成的第二预设模型对第二阶段测试图像进行细分割，即可以得到包含准确的病灶具体定位、大小、形状信息的细分割结果。
步骤S50，基于裁剪时的顶点坐标信息和第一阶段测试图像的尺寸信息，将细分割结果恢复至与待测试医学图像的尺寸相同，得到目标分割结果。
本实施例中，由于细分割结果是训练完成的第二预设模型基于第二阶段测试图像进行细分割处理所得的，细分割结果对应的尺寸与第二阶段测试图像的尺寸信息相同，而第二阶段测试图像是在粗分割结果的基础上进行裁剪和放大所得的，其与初始待测试医学图像的尺寸并不一致。而粗分割结果与第一阶段测试图像的尺寸一致，第一阶段测试图像又与待测试医学图像的尺寸一致。因此基于所记录的裁剪时的顶点坐标信息和第一阶段测试图像的尺寸信息，就可以将细分割结果恢复至与待测试医学图像的尺寸相同，得到最终的目标分割结果。
进一步，一实施例中，所述预处理包括去除待测试医学图像中的文字和背景、截取待测试医学图像中的造影区域以及对待测试医学图像进行归一化处理。
本实施例中，在对待测试医学图像进行预处理时，会先去除待测试医学图像中的文字和背景，以避免医学图像中的文字和背景对后续分割图像中病灶区域时的噪声影响。同时需要将可能存在病灶的医学器官的造影区域分割出来，对待测试医学图像进行归一化处理，使得图像上的每个像素点值处于(0，1)之间，方便后续进行病灶区域的图像分割处理。
进一步，一实施例中，在所述将待测试医学图像进行预处理，得到第一阶段测试图像的步骤之前还包括：
获取样本图像集，所述样本图像集包含预设帧训练图像以及训练图像对应的预设训练标签，所述训练图像为预处理后的医学图像，所述预设训练标签包含了医学图像中病灶区域的病灶信息；
将训练图像调整至第一预设尺寸，得到第一预设尺寸的第一阶段训练图像；
基于病灶信息确定预设训练标签的第二病灶中心点，以第二病灶中心点为圆心确定预设半径区域，将预设半径区域作为预设训练标签中新的病灶区域，得到新的预设训练标签；
将新的预设训练标签调整至第一预设尺寸，得到第一预设尺寸的第一阶段训练标签；
将第一阶段训练图像输入至待训练的第一预设模型，得到样本粗分割结果；
基于第一损失函数计算得到第一阶段训练标签和样本粗分割结果对应的第一损失函数值，并判断第一损失函数值是否收敛，其中，第一损失函数为二值交叉熵损失函数、集合相似度度量损失函数或二值交叉熵损失函数与集合相似度度量损失函数的组合；
若未收敛，则将第一损失函数值反向传播给待训练的第一预设模型，对所述待训练的第一预设模型重新训练；
若收敛，则以最新的第一预设模型为训练完成的第一预设模型。
本实施例中，在对待测试医学图像进行图像分割处理确定病灶区域之前，需要对图像分割处理对应的神经网络模型进行训练，以保障模型对待测试医学图像病灶区域的分割效果与分割精度。在对图像分割模型进行训练时，首先会获取对应的样本图像集。其中，训练时所涉及的样本图像集包括训练图像以及训练图像对应的预设训练标签，训练图像为经过预处理后的医学图像，以及人工基于医学图像进行标注所得的预设训练标签，预设训练标签对应为包含医学图像中病灶区域的病灶信息的掩膜。参照图2，由于样本图像集中对应的训练图像尺寸不同，为了便于训练，需要将其调整为统一尺寸如256*256，得到对应统一第一预设尺寸的第一阶段训练图像。
同时，本方案采用级联的unet分两阶段对样本医学图像做粗细分割，第一阶段的粗分割处理与第二阶段的细分割处理对样本医学图像病灶区域的病灶信息关注的重点不同。在第一阶段进行粗分割处理的训练时，主要是对医学图像中病灶区域定位信息进行重点关注的学习，不需要其对病灶区域大小、形状等信息重点关注的学习。因此此时只需要通过预设训练标签来确定病灶中心点，再基于病灶中心点为圆心来膨胀处理，确定预设半径区域(如30像素点半径的区域)，以上述预设半径区域来替代预设训练标签中的病灶区域，得到新的预设训练标签，以使得模型集中在学习图像中病灶区域的定位信息上。此外，由于训练图像进行尺寸统一，其对应新的预设训练标签也需要进行尺寸统一，得到第一预设尺寸的第一阶段训练标签。
将所得的第一阶段训练图像输入到待训练的第一预设模型进行图像分割处理，会得到样本粗分割结果。其中，样本粗分割结果对应为医学图像输入至第一预设模型所得的病灶信息的掩膜。通过对比第一阶段训练标签和样本粗分割结果，可以确定第一预设模型的学习训练是否完成。具体的，通过第一损失函数来监督第一预设模型的训练过程，其中，第一损失函数可以为二值交叉熵损失函数、集合相似度度量损失函数或二值交叉熵损失函数与集合相似度度量损失函数的组合。
基于第一损失函数可以计算得到第一阶段训练标签和样本粗分割结果对应的第一损失函数值，训练完成的第一预设模型其所对应第一损失函数值在训练中会收敛，通过判断第一损失函数值是否收敛可以确定训练是否完成。若确定第一损失函数值未收敛，则将第一损失函数值反向传播给待训练的第一预设模型进行参数调整，对所述待训练的第一预设模型重新训练。若确定第一损失函数值收敛，则以最新的第一预设模型为训练完成的第一预设模型。
进一步，一实施例中，在所述将待测试医学图像进行预处理，得到第一阶段测试图像的步骤之前还包括：
基于第二病灶中心点对训练图像和预设训练标签进行裁剪和放大处理，得到第二预设尺寸的第二阶段训练图像和第二阶段训练标签；
将第二阶段训练图像输入至待训练的第二预设模型，得到样本细分割结果；
基于第二损失函数计算得到第二阶段训练标签和样本细分割结果对应的第二损失函数值，并判断第二损失函数值是否收敛，其中，第二损失函数为第一损失函数与边界损失函数的组合；
若未收敛，则将第二损失函数值反向传播给待训练的第二预设模型，对所述待训练的第二预设模型重新训练；
若收敛，则以最新的第二预设模型为训练完成的第二预设模型。
本实施例中，由于在第一阶段进行粗分割处理的训练时，已经完成了对医学图像中病灶区域定位信息的重点学习。在第二阶段进行细分割处理的训练时，主要就是在第一阶段病灶区域精准定位信息的基础上，重点学习病灶区域的大小、形状等信息。因此参照图3，此时只需要基于预设训练标签所确定的病灶中心点来对训练图像和预设训练标签进行裁剪和放大处理，得到第二预设尺寸如800*800的第二阶段训练图像和第二阶段训练标签。通过上述基于病灶中心点进行裁剪和放大的处理，可以使得第二阶段的图像分割模型即第二预设模型集中关注在医学图像中的感兴趣区域，以去除其他假阳性(并非病灶区域的误识别)错误预测分割出的病灶区域结果。
将所得的第二阶段训练图像输入到待训练的第二预设模型进行图像分割处理，会得到样本细分割结果。其中，样本细分割结果对应为医学图像输入至第二预设模型所得的病灶信息的掩膜。通过对比第二阶段训练标签和样本细分割结果，可以确定第二预设模型的学习训练是否完成。具体的，通过第二损失函数来监督第二预设模型的训练过程，其中，考虑到第二预设模型更多聚焦于对病灶区域大小、形状等边界信息的学习，第二损失函数在第一损失函数的基础上，结合了边界损失函数。
基于第二损失函数可以计算得到第二阶段训练标签和样本细分割结果对应的第二损失函数值，训练完成的第二预设模型其所对应第二损失函数值在训练中会收敛，通过判断第二损失函数值是否收敛可以确定训练是否完成。若确定第二损失函数值未收敛，则将第二损失函数值反向传播给待训练的第二预设模型进行参数调整，对所述待训练的第二预设模型重新训练。若确定第二损失函数值收敛，则以最新的第二预设模型为训练完成的第二预设模型。
进一步，一实施例中，所述待训练的第二预设模型的解码模块中最后三个卷积模块中均添加有边界学习模块，边界学习模块包括边界图计算层和卷积层。
本实施例中，在细分割阶段，本方法在此阶段的nnUNet模型的解码器中的最后三个卷积模块里额外添加了边界学习模块，边界学习模块由边界图计算层和卷积层组成，通过对上层特征的边界信息进行距离图计算整合以及添加边界的监督，可以提高模型对病灶边界的分割精度，进而提高病灶的分割效果。具体地，第二预设模型的解码模块中最后三个卷积模块在添加了边界学习模块之后，第二预设模型的解码模块中最后三个卷积模块所输出的原始特征图x进行二分类后，得到新的特征图，其中，二分类时可使得x＝sigmoid(x)，x[x>0.5]＝1，x[x<0.5]＝0；将新的特征图输入到边界学习模块进行处理，得到特征图对应的边界信息图bd＝x-maxpooling(x)，其中，对边界信息图而言，边界处的值是1，其他背景的值为0；再令bd＝1-bd，此时边界处是0，其他背景为1；令bd＝distance(bd)，distance为opencv库中的一个距离函数，可以计算每个非0像素点到和其距离最近的0像素点之间的距离，则离边界越近的像素点的值越小；令bd＝max(bd)–bd+e，等于对以上关系取反，此时距离边界越近的像素点值越大，e为常数；令bd＝conv(bd)，使用一个2D卷积(如3*3卷积)来学习以上计算得到的边界信息；最后令x＝bd*x，将bd拼接到原始特征图x上，让距离边界越近的像素点的特征更大，提高对病灶边界的学习权重，从而提高对病灶边界的分割精度。
本实施例中，提供一种医学图像分割方法包括：将待测试医学图像进行预处理，得到第一阶段测试图像；基于训练完成的第一预设模型对第一阶段测试图像进行粗分割，得到粗分割结果；基于粗分割结果中的第一病灶中心点对第一阶段测试图像进行裁剪和放大处理得到第二阶段测试图像，并记录裁剪时的顶点坐标信息和第一阶段测试图像的尺寸信息；基于训练完成的第二预设模型对第二阶段测试图像进行细分割，得到细分割结果；基于裁剪时的顶点坐标信息和第一阶段测试图像的尺寸信息，将细分割结果恢复至与待测试医学图像的尺寸相同，得到目标分割结果。通过本发明显著提高了对医学图像中病灶区域的分割效果，对医学图像的质量要求不高，也不需要提高图像标注的准确度，在不提高医学图像分割成本的前提下使分割结果满足临床使用的要求。其中，粗分割阶段利用病灶中心点的膨胀结果作为标签进行此阶段的训练，能够实现对病灶大致范围的较精准定位，能够得到最基本的兴趣区域并进行裁剪用于细分割阶段的训练，可以去除很多假阳性的错误预测病灶结果；在细分割阶段，本方法在此阶段的nnUNet模型的解码器中的最后三个卷积模块里额外添加了边界学习模块，本模块由边界图计算层和卷积层组成，通过对上层特征的边界信息进行距离图计算整合以及添加边界的监督，可以提高模型对病灶边界的分割精度，进而提高病灶的分割效果。
第二方面，本发明实施例还提供一种医学图像分割装置。
参照图4，医学图像分割装置一实施例的功能模块示意图。
本实施例中，所述医学图像分割装置包括：
预处理模块10，用于将待测试医学图像进行预处理，得到第一阶段测试图像；
粗分割模块20，用于基于训练完成的第一预设模型对第一阶段测试图像进行粗分割，得到粗分割结果；
尺寸变更模块30，用于基于粗分割结果中的第一病灶中心点对第一阶段测试图像进行裁剪和放大处理得到第二阶段测试图像，并记录裁剪时的顶点坐标信息和第一阶段测试图像的尺寸信息；
细分割模块40，用于基于训练完成的第二预设模型对第二阶段测试图像进行细分割，得到细分割结果；
尺寸恢复模块50，用于基于裁剪时的顶点坐标信息和第一阶段测试图像的尺寸信息，将细分割结果恢复至与待测试医学图像的尺寸相同，得到目标分割结果。
进一步，一实施例中，所述预处理包括去除待测试医学图像中的文字和背景、截取待测试医学图像中的造影区域以及对待测试医学图像进行归一化处理。
进一步，一实施例中，所述医学图像分割装置还包括第一训练模块，用于：
获取样本图像集，所述样本图像集包含预设帧训练图像以及训练图像对应的预设训练标签，所述训练图像为预处理后的医学图像，所述预设训练标签包含了医学图像中病灶区域的病灶信息；
将训练图像调整至第一预设尺寸，得到第一预设尺寸的第一阶段训练图像；
基于病灶信息确定预设训练标签的第二病灶中心点，以第二病灶中心点为圆心确定预设半径区域，将预设半径区域作为预设训练标签中新的病灶区域，得到新的预设训练标签；
将新的预设训练标签调整至第一预设尺寸，得到第一预设尺寸的第一阶段训练标签；
将第一阶段训练图像输入至待训练的第一预设模型，得到样本粗分割结果；
基于第一损失函数计算得到第一阶段训练标签和样本粗分割结果对应的第一损失函数值，并判断第一损失函数值是否收敛，其中，第一损失函数为二值交叉熵损失函数、集合相似度度量损失函数或二值交叉熵损失函数与集合相似度度量损失函数的组合；
若未收敛，则将第一损失函数值反向传播给待训练的第一预设模型，对所述待训练的第一预设模型重新训练；
若收敛，则以最新的第一预设模型为训练完成的第一预设模型。
进一步，一实施例中，所述医学图像分割装置还包括第二训练模块，用于：
基于第二病灶中心点对训练图像和预设训练标签进行裁剪和放大处理，得到第二预设尺寸的第二阶段训练图像和第二阶段训练标签；
将第二阶段训练图像输入至待训练的第二预设模型，得到样本细分割结果；
基于第二损失函数计算得到第二阶段训练标签和样本细分割结果对应的第二损失函数值，并判断第二损失函数值是否收敛，其中，第二损失函数为第一损失函数与边界损失函数的组合；
若未收敛，则将第二损失函数值反向传播给待训练的第二预设模型，对所述待训练的第二预设模型重新训练；
若收敛，则以最新的第二预设模型为训练完成的第二预设模型。
进一步，一实施例中，所述待训练的第二预设模型的解码模块中最后三个卷积模块中均添加有边界学习模块，边界学习模块包括边界图计算层和卷积层。
其中，上述医学图像分割装置中各个模块的功能实现与上述医学图像分割方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
第三方面，本发明实施例提供一种医学图像分割设备，该医学图像分割设备可以是个人计算机(personalcomputer，PC)、笔记本电脑、服务器等具有数据处理功能的设备。
参照图5，图5为本发明实施例方案中涉及的医学图像分割设备的硬件结构示意图。本发明实施例中，医学图像分割设备可以包括处理器1001(例如中央处理器CentralProcessingUnit，CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真WIreless-FIdelity，WI-FI接口)；存储器1005可以是高速随机存取存储器(randomaccessmemory，RAM)，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图5中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
继续参照图5，图5中作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及医学图像分割程序。其中，处理器1001可以调用存储器1005中存储的医学图像分割程序，并执行本发明实施例提供的医学图像分割方法。
第四方面，本发明实施例还提供一种可读存储介质。
本发明可读存储介质上存储有医学图像分割程序，其中所述医学图像分割程序被处理器执行时，实现如上述的医学图像分割方法的步骤。
其中，医学图像分割程序被执行时所实现的方法可参照本发明医学图像分割方法的各个实施例，此处不再赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种医学图像分割方法，其特征在于，所述医学图像分割方法包括：
将待测试医学图像进行预处理，得到第一阶段测试图像；
基于训练完成的第一预设模型对第一阶段测试图像进行粗分割，得到粗分割结果；
基于粗分割结果中的第一病灶中心点对第一阶段测试图像进行裁剪和放大处理得到第二阶段测试图像，并记录裁剪时的顶点坐标信息和第一阶段测试图像的尺寸信息；
基于训练完成的第二预设模型对第二阶段测试图像进行细分割，得到细分割结果；
基于裁剪时的顶点坐标信息和第一阶段测试图像的尺寸信息，将细分割结果恢复至与待测试医学图像的尺寸相同，得到目标分割结果。
2.如权利要求1所述的医学图像分割方法，其特征在于：所述预处理包括去除待测试医学图像中的文字和背景、截取待测试医学图像中的造影区域以及对待测试医学图像进行归一化处理。
3.如权利要求1所述的医学图像分割方法，其特征在于，在所述将待测试医学图像进行预处理，得到第一阶段测试图像的步骤之前还包括：
获取样本图像集，所述样本图像集包含预设帧训练图像以及训练图像对应的预设训练标签，所述训练图像为预处理后的医学图像，所述预设训练标签包含了医学图像中病灶区域的病灶信息；
将训练图像调整至第一预设尺寸，得到第一预设尺寸的第一阶段训练图像；
基于病灶信息确定预设训练标签的第二病灶中心点，以第二病灶中心点为圆心确定预设半径区域，将预设半径区域作为预设训练标签中新的病灶区域，得到新的预设训练标签；
将新的预设训练标签调整至第一预设尺寸，得到第一预设尺寸的第一阶段训练标签；
将第一阶段训练图像输入至待训练的第一预设模型，得到样本粗分割结果；
基于第一损失函数计算得到第一阶段训练标签和样本粗分割结果对应的第一损失函数值，并判断第一损失函数值是否收敛，其中，第一损失函数为二值交叉熵损失函数、集合相似度度量损失函数或二值交叉熵损失函数与集合相似度度量损失函数的组合；
若未收敛，则将第一损失函数值反向传播给待训练的第一预设模型，对所述待训练的第一预设模型重新训练；
若收敛，则以最新的第一预设模型为训练完成的第一预设模型。
4.如权利要求3所述的医学图像分割方法，其特征在于，在所述将待测试医学图像进行预处理，得到第一阶段测试图像的步骤之前还包括：
基于第二病灶中心点对训练图像和预设训练标签进行裁剪和放大处理，得到第二预设尺寸的第二阶段训练图像和第二阶段训练标签；
将第二阶段训练图像输入至待训练的第二预设模型，得到样本细分割结果；
基于第二损失函数计算得到第二阶段训练标签和样本细分割结果对应的第二损失函数值，并判断第二损失函数值是否收敛，其中，第二损失函数为第一损失函数与边界损失函数的组合；
若未收敛，则将第二损失函数值反向传播给待训练的第二预设模型，对所述待训练的第二预设模型重新训练；
若收敛，则以最新的第二预设模型为训练完成的第二预设模型。
5.如权利要求4所述的医学图像分割方法，其特征在于：所述待训练的第二预设模型的解码模块中最后三个卷积模块均添加有边界学习模块，边界学习模块包括边界图计算层和卷积层。
6.一种医学图像分割装置，其特征在于，所述医学图像分割装置包括：
预处理模块，用于将待测试医学图像进行预处理，得到第一阶段测试图像；
粗分割模块，用于基于训练完成的第一预设模型对第一阶段测试图像进行粗分割，得到粗分割结果；
尺寸变更模块，用于基于粗分割结果中的第一病灶中心点对第一阶段测试图像进行裁剪和放大处理得到第二阶段测试图像，并记录裁剪时的顶点坐标信息和第一阶段测试图像的尺寸信息；
细分割模块，用于基于训练完成的第二预设模型对第二阶段测试图像进行细分割，得到细分割结果；
尺寸恢复模块，用于基于裁剪时的顶点坐标信息和第一阶段测试图像的尺寸信息，将细分割结果恢复至与待测试医学图像的尺寸相同，得到目标分割结果。
7.如权利要求6所述的医学图像分割装置，其特征在于：所述预处理包括去除待测试医学图像中的文字和背景、截取待测试医学图像中的造影区域以及对待测试医学图像进行归一化处理。
8.如权利要求6所述的医学图像分割装置，其特征在于，所述医学图像分割装置还包括第一训练模块，用于：
获取样本图像集，所述样本图像集包含预设帧训练图像以及训练图像对应的预设训练标签，所述训练图像为预处理后的医学图像，所述预设训练标签包含了医学图像中病灶区域的病灶信息；
将训练图像调整至第一预设尺寸，得到第一预设尺寸的第一阶段训练图像；
基于病灶信息确定预设训练标签的第二病灶中心点，以第二病灶中心点为圆心确定预设半径区域，将预设半径区域作为预设训练标签中新的病灶区域，得到新的预设训练标签；
将新的预设训练标签调整至第一预设尺寸，得到第一预设尺寸的第一阶段训练标签；
将第一阶段训练图像输入至待训练的第一预设模型，得到样本粗分割结果；
基于第一损失函数计算得到第一阶段训练标签和样本粗分割结果对应的第一损失函数值，并判断第一损失函数值是否收敛，其中，第一损失函数为二值交叉熵损失函数、集合相似度度量损失函数或二值交叉熵损失函数与集合相似度度量损失函数的组合；
若未收敛，则将第一损失函数值反向传播给待训练的第一预设模型，对所述待训练的第一预设模型重新训练；
若收敛，则以最新的第一预设模型为训练完成的第一预设模型。
9.一种医学图像分割设备，其特征在于，所述医学图像分割设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的医学图像分割程序，其中所述医学图像分割程序被所述处理器执行时，实现如权利要求1至5中任一项所述的医学图像分割方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有医学图像分割程序，其中所述医学图像分割程序被处理器执行时，实现如权利要求1至5中任一项所述的医学图像分割方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310075406.5A CN116091522A (zh) | 2023-02-07 | 2023-02-07 | 医学图像分割方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310075406.5A CN116091522A (zh) | 2023-02-07 | 2023-02-07 | 医学图像分割方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116091522A true CN116091522A (zh) | 2023-05-09 |
Family
ID=86206043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310075406.5A Pending CN116091522A (zh) | 2023-02-07 | 2023-02-07 | 医学图像分割方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116091522A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117115156A (zh) * | 2023-10-23 | 2023-11-24 | 天津医科大学第二医院 | 一种基于双模型分割的鼻咽癌图像处理方法及系统 |
-
2023
- 2023-02-07 CN CN202310075406.5A patent/CN116091522A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117115156A (zh) * | 2023-10-23 | 2023-11-24 | 天津医科大学第二医院 | 一种基于双模型分割的鼻咽癌图像处理方法及系统 |
| CN117115156B (zh) * | 2023-10-23 | 2024-01-05 | 天津医科大学第二医院 | 一种基于双模型分割的鼻咽癌图像处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325739B (zh) | 肺部病灶检测的方法及装置，和图像检测模型的训练方法 | |
| CN111784671B (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
| US20200372633A1 (en) | Method and system for assessing bone age using deep neural network | |
| WO2018108129A1 (zh) | 用于识别物体类别的方法及装置、电子设备 | |
| Zhang et al. | Intelligent scanning: Automated standard plane selection and biometric measurement of early gestational sac in routine ultrasound examination | |
| CN110974306B (zh) | 一种超声内镜下识别和定位胰腺神经内分泌肿瘤的系统 | |
| CN110570350A (zh) | 一种二维卵泡检测方法、装置和超声设备及可读存储介质 | |
| CN111340827A (zh) | 一种肺部ct影像数据处理分析方法及系统 | |
| CN111325714B (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
| CN113793345B (zh) | 一种基于改进注意力模块的医疗影像分割方法及装置 | |
| CN113269257A (zh) | 一种图像分类方法、装置、终端设备及存储介质 | |
| CN112381762A (zh) | 一种基于深度学习算法的ct肋骨骨折辅助诊断系统 | |
| CN116091522A (zh) | 医学图像分割方法、装置、设备及可读存储介质 | |
| CN112396605A (zh) | 网络训练方法及装置、图像识别方法和电子设备 | |
| CN115187566A (zh) | 基于mra影像的颅内动脉瘤检测方法及装置 | |
| US20230177683A1 (en) | Domain Aware Medical Image Classifier Interpretation by Counterfactual Impact Analysis | |
| CN114266896A (zh) | 图像标注方法、模型训练方法及装置、电子设备、介质 | |
| CN112818946A (zh) | 年龄识别模型的训练、年龄识别方法、装置及电子设备 | |
| CN110210314B (zh) | 人脸检测方法、装置、计算机设备及存储介质 | |
| CN111724371A (zh) | 一种数据处理方法、装置及电子设备 | |
| CN112530554B (zh) | 一种扫描定位方法、装置、存储介质及电子设备 | |
| CN114511615A (zh) | 一种校准图像的方法及装置 | |
| CN115004241B (zh) | 基于深度学习的图像分割的移位不变损失 | |
| EP3907696A1 (en) | Method and system for identifying abnormal images in a set of medical images | |
| CN113450306A (zh) | 提供骨折检测工具的方法 |
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 |