CN116245839B - 一种膝关节软骨分割方法、装置、设备及介质 - Google Patents
一种膝关节软骨分割方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116245839B CN116245839B CN202310176233.6A CN202310176233A CN116245839B CN 116245839 B CN116245839 B CN 116245839B CN 202310176233 A CN202310176233 A CN 202310176233A CN 116245839 B CN116245839 B CN 116245839B
- Authority
- CN
- China
- Prior art keywords
- target
- image
- tag
- hard bone
- cartilage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 210000000845 cartilage Anatomy 0.000 title claims abstract description 95
- 230000011218 segmentation Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 56
- 210000000629 knee joint Anatomy 0.000 title claims abstract description 48
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 103
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 12
- 210000003127 knee Anatomy 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 5
- 238000002591 computed tomography Methods 0.000 description 53
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 210000001264 anterior cruciate ligament Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- PTLRDCMBXHILCL-UHFFFAOYSA-M sodium arsenite Chemical compound [Na+].[O-][As]=O PTLRDCMBXHILCL-UHFFFAOYSA-M 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000002303 tibia Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
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
-
- G06T3/147—
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30008—Bone
Abstract
本公开实施例涉及一种膝关节软骨分割方法、装置、设备及介质,其中该方法包括:获取用户膝关节的目标MR图像和对应的目标CT图像;目标CT图像具有对应的第一硬骨标签,基于第一硬骨标签、目标CT图像和目标MR图像之间的目标形变场,确定目标MR图像的第二硬骨标签,从预设的图谱库中多个候选图谱获取与目标MR图像匹配的目标图谱,基于第二硬骨标签和目标图谱的软骨标签进行处理,确定目标MR图像的分割感兴趣区域,在分割感兴趣区域中获取多个模板图像块,并根据每个模板图像块的标签值确定目标MR图像的标签值,得到目标MR图像的分割结果。采用上述技术方案,通过膝关节硬骨确定软骨分布位置,提高软骨分割精度。
Description
技术领域
本公开涉及智能医疗外科技术领域,尤其涉及一种膝关节软骨分割方法、装置、设备及介质。
背景技术
在膝关节前交叉韧带(Anterior Cruciate Ligament,ACL)重建手术机器人中,对软骨进行精确分割,并进行软骨表面的重建是实现手术机器人精准定位的基础;软骨形态的观测还可以为软骨病变的诊断提供重要依据,而软骨分割是软骨形态观测的第一步。由于MR(Magnetic Resonance,磁共振)图像对软骨以及软组织的对比度比较高,因此,临床上通常利用MR图像来对软骨进行观测。
目前,通过人工手动的方式对目标MR图像进行软骨分割,耗费时间长且精度比较低差。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种膝关节软骨分割方法、装置、设备及介质。
本公开实施例提供了一种膝关节软骨分割方法,所述方法包括:
获取用户膝关节的目标磁共振MR图像和对应的目标计算机断层扫描CT图像;其中,目标CT图像具有对应的第一硬骨标签;
基于所述第一硬骨标签、所述目标CT图像和所述目标MR图像之间的目标形变场,确定所述目标MR图像的第二硬骨标签;
从预设的图谱库中多个候选图谱获取与所述目标MR图像匹配的目标图谱;
基于所述第二硬骨标签和所述目标图谱的软骨标签进行处理,确定所述目标MR图像的分割感兴趣区域;
在所述分割感兴趣区域中获取多个模板图像块,并根据每个所述模板图像块的标签值确定所述目标MR图像的标签值,得到所述目标MR图像的分割结果。
本公开实施例还提供了一种膝关节软骨分割装置,所述装置包括:
第一获取模块,用于获取用户膝关节的目标磁共振MR图像和对应的目标计算机断层扫描CT图像;其中,目标CT图像具有对应的第一硬骨标签;
第一确定模块,用于基于所述第一硬骨标签、所述目标CT图像和所述目标MR图像之间的目标形变场,确定所述目标MR图像的第二硬骨标签;
第二获取模块,用于从预设的图谱库中多个候选图谱获取与所述目标MR图像匹配的目标图谱;
第二确定模块,用于基于所述第二硬骨标签和所述目标图谱的软骨标签进行处理,确定所述目标MR图像的分割感兴趣区域;
第三获取模块,用于在所述分割感兴趣区域中获取多个模板图像块;
第三确定模块,用于根据每个所述模板图像块的标签值确定所述目标MR图像的标签值,得到所述目标MR图像的分割结果。
本公开实施例还提供了一种电子设备,所述电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现如本公开实施例提供的膝关节软骨分割方法。
本公开实施例还提供了一种计算机可读存储介质,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如本公开实施例提供的膝关节软骨分割方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:本公开实施例提供的膝关节软骨分割方案,获取用户膝关节的目标MR图像和对应的目标CT图像;其中,目标CT图像具有对应的第一硬骨标签,基于第一硬骨标签、目标CT图像和目标MR图像之间的目标形变场,确定目标MR图像的第二硬骨标签,从预设的图谱库中多个候选图谱获取与目标MR图像匹配的目标图谱,基于第二硬骨标签和目标图谱的软骨标签进行处理,确定目标MR图像的分割感兴趣区域,在分割感兴趣区域中获取多个模板图像块,并根据每个模板图像块的标签值确定目标MR图像的标签值,得到目标MR图像的分割结果。采用上述技术方案,通过膝关节硬骨确定软骨分布位置,提高软骨分割精度。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本公开实施例提供的一种膝关节软骨分割方法的流程示意图;
图2为本公开实施例提供的另一种膝关节软骨分割方法的流程示意图;
图3为本公开实施例提供的一种目标MR图像硬骨分割的流程示意图;
图4为本公开实施例提供的一种图谱挑选的示意图;
图5为本公开实施例提供的一种获取目标MR图像分割ROI区域的示意图;
图6为本公开实施例提供的一种图像块模板库建立的示意图;
图7为本公开实施例提供的一种膝关节软骨分割装置的结构示意图;
图8为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
通常,基于多图谱的分割方法通过配准将图谱库中的标签映射到目标图像上,并通过标签融合来得到目标图像最终的分割结果。配准是基于多图谱分割方法中的重要步骤,对于分割精度有重要影响,然而当图谱图像与目标图像形态差异较大时,配准精度会降低,图谱图像无法在空间上与目标图像对齐,从而影响标签融合的精度。
具体地,膝关节软骨在解剖结构上附着于硬骨表面,CT(Computed Tomography,计算机断层扫描)图像对于硬骨的显影清晰,可以利用目标CT图像进行硬骨形态的观测,且目标CT图像硬骨分割精度相对MR图像硬骨分割精度高。因此,本公开实施例的膝关节软骨分割方法通过膝关节硬骨确定软骨分布位置,降低多图谱分割方法由于配准精度差导致分割精度差的影响,从而提高软骨分割精度。
图1为本公开实施例提供的一种膝关节软骨分割方法的流程示意图,该方法可以由膝关节软骨分割装置执行,其中该装置可以采用软件和/或硬件实现,一般可集成在电子设备中。如图1所示,该方法包括:
步骤101、获取用户膝关节的目标MR图像和对应的目标CT图像;其中,目标CT图像具有对应的第一硬骨标签。
具体地,将目标CT图像的第一硬骨标签辅助膝关节软骨分割,通过膝关节硬骨确定软骨分布位置,从而确定软骨分割感兴趣区域,提升膝关节软骨分割精度。
其中,目标MR图像和目标CT图像为同一个用户的膝关节拍摄获取。
在本公开实施例中,在获取目标CT图像后,对目标CT图像进行硬骨分割处理,获取目标CT图像具有对应的第一硬骨标签,比如通过阈值法、图割法等方式对目标CT图像进行硬骨分割处理,得到目标CT图像的第一硬骨标签。
步骤102、基于第一硬骨标签、目标CT图像和目标MR图像之间的目标形变场,确定目标MR图像的第二硬骨标签。
其中,目标形变场指的是目标CT图像和目标MR图像在进行图像配准中的形变场,可以通过目标形变场来表示目标CT图像和目标MR图像之间的形变关系。
在本公开实施例中,基于第一硬骨标签、目标CT图像和目标MR图像之间的目标形变场,确定目标MR图像的第二硬骨标签的方式有很多种,在一些实施方式中,将目标CT图像与目标MR图像进行刚性配准,得到目标形变场,并通过插值等方式利用目标形变场将第一硬骨标签进行形变,得到形变后的标签图像,即目标MR图像的第二硬骨标签。
步骤103、从预设的图谱库中多个候选图谱获取与目标MR图像匹配的目标图谱。
在本公开实施例中,预先设置包括多个候选图谱的图谱库,其中,每个候选图谱由目标MR图像与对应的标签图像组成。标签图像包含软骨标签和硬骨标签。其中,硬骨标签用于后续获取与目标MR图像更加相似的模板图像块。
在本公开实施例中,从预设的图谱库中多个候选图谱获取与目标MR图像匹配的目标图谱的方式有很多种,比如计算每个候选图谱与目标MR图像之间的相似度,根据相似度和预设的相似度阈值从多个候选图谱中确定一个或者多个目标图谱。其中,目标图谱的个数小于等于候选图谱的个数。
步骤104、基于第二硬骨标签和目标图谱的软骨标签进行处理,确定目标MR图像的分割感兴趣区域。
具体地,基于第二硬骨标签和目标图谱的软骨标签进行处理,确定目标MR图像的分割感兴趣区域的方式有很多种,比如对第二硬骨标签进行腐蚀等相关处理后的第二硬骨标签、与对所有的目标图谱的软骨标签进行求并等相关处理后软骨标签进行求并操作,得到分割感兴趣区域。
步骤105、在分割感兴趣区域中获取多个模板图像块,并根据每个模板图像块的标签值确定目标MR图像的标签值,得到目标MR图像的分割结果。
可以理解的是,可以基于图像块进行标签融合,因此需要在目标图谱中提取图像块,获取多个模板图像块,具体地,利用目标图谱上的硬骨标签先验信息来在软骨附近提取模板图像块,从而得到与目标MR图像更相似的多个模板图像块。
在本公开实施例中,在分割感兴趣区域中获取多个模板图像块的方式有很多种,比如根据目标MR图像的坐标点在分割感兴趣区域中确定目标坐标点(距离目标图谱硬骨标签最近的点),并在目标坐标点的预设区域范围内确定模板图像块,从而可以获取多个模板图像块。
在本公开实施例中,在获取多个模板图像块后,利用多个模板图像块获取目标MR图像的标签值,比如多数投票、加权投票等方式,得到分割结果。
本公开实施例提供的膝关节软骨分割方案,获取用户膝关节的磁共振目标MR图像和对应的计算机断层扫描目标CT图像;其中,目标CT图像具有对应的第一硬骨标签,基于第一硬骨标签、目标CT图像和目标MR图像之间的目标形变场,确定目标MR图像的第二硬骨标签,从预设的图谱库中多个候选图谱获取与目标MR图像匹配的目标图谱,基于第二硬骨标签和目标图谱的软骨标签进行处理,确定目标MR图像的分割感兴趣区域,在分割感兴趣区域中获取多个模板图像块,并根据每个模板图像块的标签值确定目标MR图像的标签值,得到目标MR图像的分割结果。采用上述技术方案,通过膝关节硬骨确定软骨分布位置,提高软骨分割精度。
图2为本公开实施例提供的另一种膝关节软骨分割方法的流程示意图,本实施例在上述实施例的基础上,进一步优化了上述膝关节软骨分割方法。如图2所示,该方法包括:
步骤201、获取用户膝关节的磁共振目标MR图像和对应的计算机断层扫描目标CT图像;其中,目标CT图像具有对应的第一硬骨标签。
步骤202、基于目标CT图像和目标MR图像进行刚性配准,确定目标形变场,基于目标形变场和第一硬骨标签进行计算,得到第二硬骨标签。
假设目标MR图像为IMR={IMR(x)|x∈Ω},其对应的目标CT图像为ICT={ICT(x)|x∈Ω},其中,x代表体素,Ω∈R3代表图像上的点阵。需要说明的是,此处目标CT图像ICT与目标MR图像IMR需为同一个用户的膝关节拍摄所得。分割目标为在目标MR图像上为股骨软骨以及胫骨软骨分别赋予不同的标签值,即获取LMR-cartilage。
具体地,目标MR图像IMR的硬骨分割通过配准方式实现。举例而言,如图3所示:首先对ICT进行硬骨分割,得到其对应的标签LCT,分割方法可以为阈值法、图割法等。然后将目标CT图像ICT与目标MR图像IMR进行刚性配准,得到形变场D,并利用形变场D将标签图像LCT进行形变,得到形变后的标签图像,即目标MR图像的硬骨标签LMR-bone。
步骤203、将每个候选图谱与目标MR图像进行仿射配准,得到每个候选图谱与目标MR图像之间的形变场,基于每个候选图谱与目标MR图像之间的形变场对每个候选图谱的标签图像进行处理,得到待处理图谱。
步骤204、根据每个待处理图谱和目标MR图像的相似度从所有待处理图谱中获取目标图谱。
具体地,假设有N个候选图谱{An|n=1,2,...,N},其中,每个候选图谱由MR图谱图像In与其对应的标签图像Ln组成。标签图像不仅包含软骨标签,还包含硬骨标签。其中,硬骨标签用于在建立模板图像块库时找到与目标MR图像更加相似的模板图像块。
举例而言,目标图谱具体获取过程如图4所示;首先将图谱库中的每一个候选图谱An与目标MR图像IMR进行仿射配准,并利用形变场对其进行形变,得到形变后的待处理图谱Adn;然后对形变后的每一个待处理图谱分别与目标MR图像IMR进行相似性计算,并进行比较,从形变后的待处理图谱中挑选与IMR最相似的M个目标图谱,组成挑选后的图谱库{Adm|m=1,2,...,M},其中M<=N。由此,挑选最相似的图谱图像有助于提升后续分割精度。
步骤205、对第二硬骨标签进行操作处理,得到待处理硬骨标签,对待处理硬骨标签进行求异,得到目标硬骨标签。
步骤206、对每个目标图谱的软骨标签进行求并操作,得到标签集合,并对标签集合进行求闭操作,得到目标软骨标签,基于目标硬骨标签和目标软骨标签进行求并操作,得到分割感兴趣区域。
具体地,通常基于多图谱的分割方法在得到图谱图像库后,利用标签融合方法进行图像分割,分割感兴趣(ROI,Region Of Interest)区域为将所有的图谱标签进行求并得到的区域。然而,这种方法在图谱图像与目标图像形态差异较大时,配准过程无法将图谱图像与目标图像在空间位置上进行完美的对齐,导致得到ROI区域很大,为后续的标签融合过程带来难度。由于软骨在解剖结构上附着于硬骨表面,本公开实施例可以通过引入硬骨标签先验,获取软骨的分布位置,锁定目标图像上的分割ROI区域,缩小分割范围,提升分割精度。
举例而言,如图5所示,首先将目标MR图像的硬骨标签LMR-bone分别进行腐蚀操作与膨胀操作,并将得到的标签进行求异,得到LMR-edge;然后将图谱库中每个目标图谱对应的标签Lm进行求并操作,得到所有标签的并集,对并集进行闭操作,填充并集中的孔洞,得到Lcartilage-union;最后将LMR-edge与Lcartilage-union进行求并操作,得到最终的分割ROI区域。
由此,相比于直接将所有的图谱标签进行求并得到的Lcartilage-union,最终的分割ROI区域更能体现软骨分布位置,与真实的软骨形状更接近。
步骤207、在分割感兴趣区域中确定目标坐标点,在目标坐标点的预设区域范围内确定模板图像块。
步骤208、计算每个模板图像块与目标MR图像中的目标MR图像块的目标相似度,根据目标相似度确定每个模板图像块的权重,根据每个模板图像块的权重和每个模板图像块的标签值进行计算确定目标MR图像的标签值,得到目标MR图像的分割结果。
具体地,标签融合方法为基于图像块的标签融合方法,因此需要在图谱库图像中提取模板图像块,组成图像块模板库。假设在目标MR图像上,待赋予标签值的体素为p0,其在目标MR图像中的坐标位置为(i,j,k),其在图谱Am中对应的体素为p1。通常建立图像块模板库的步骤为:以(i,j,k)为中心,搜索空间为(W,H,C)的方形区域内,提取大小为(R,S,T)的图像块,组成具有W*H*C个图像块的模板库。
然而,上述方式在目标图谱与目标MR图像形态差异较大时,配准过程无法将目标图谱与目标MR图像在空间位置上进行完美的对齐。因此,其图像块与目标MR图像的差异会很大,无法在模板库中找到与目标MR图像相似的模板图像块。本公开实施例在建立图像块模板库时,利用目标图谱上的硬骨标签先验信息来在软骨附近提取图像块,从而得到与目标图形块更相似的图像块模板库。
举例而言,如图6所示,目标MR图像与目标图谱在坐标(i,j,k)处所对应的点分别为p0点与p1点,首先在目标MR图像上,以p0点为中心,提取大小为(R,S,T)的目标图像块T;然后在目标图谱上寻找p1点距离目标图谱硬骨标签最近的点p2,以p2点为中心,搜索空间为(W,H,C)的方形区域内,提取大小为(R,S,T)的模板图像块。每个目标图谱可提取W*H*C个模板图像块T1至TK,则M个目标图谱共可提取M*W*H*C个模板图像块;将M*W*H*C个模板图像块分别与目标图像块T进行相似性比较,获取最相似的Q个模板图像块T1至TQ,组成最终的图像块模板库。
因此,获取目标MR图像的标签值就可以获取目标MR图像的前景区域和背景区域,从而得到目标MR图像的分割结果。
具体地,标签融合过程的目的为根据一定的准则,利用图像块模板库中的模板图像块获取当前目标图像块的标签。标签融合的方法有很多,最常见的有多数投票,加权投票等。加权投票方法通过统计图像块模板库中模板图像块对应的标签值,为当前目标图像块赋予出现次数最多的标签值。加权投票根据模板图像块与目标图像块的相似性,为每个模板标签赋予不同的权重,从而得到目标图像的标签值。在加权投票方法中,相似性越高,其模板图像块对应的标签值的权重越大。
由此,通过将目标CT图像的硬骨先验信息与目标MR图像的软骨先验信息进行结合,得到的了目标MR图像的软骨分布先验信息,实现将目标MR图像的硬骨标签先验引入多图谱分割流程中,帮助确定软骨分布位置,从而确定软骨分割感兴趣区域,最终提升膝关节软骨分割精度。
图7为本公开实施例提供的一种膝关节软骨分割装置的结构示意图,该装置可由软件和/或硬件实现,一般可集成在电子设备中。如图7所示,该装置包括:
第一获取模块301,用于获取用户膝关节的目标磁共振MR图像和对应的目标计算机断层扫描CT图像;其中,目标CT图像具有对应的第一硬骨标签;
第一确定模块302,用于基于所述第一硬骨标签、所述目标CT图像和所述目标MR图像之间的目标形变场,确定所述目标MR图像的第二硬骨标签;
第二获取模块303,用于从预设的图谱库中多个候选图谱获取与所述目标MR图像匹配的目标图谱;
第二确定模块304,用于基于所述第二硬骨标签和所述目标图谱的软骨标签进行处理,确定所述目标MR图像的分割感兴趣区域;
第三获取模块305,用于在所述分割感兴趣区域中获取多个模板图像块;
第三确定模块306,用于根据每个所述模板图像块的标签值确定所述目标MR图像的标签值,得到所述目标MR图像的分割结果。
可选的,所述第一确定模块302,具体用于:
基于所述目标CT图像和所述目标MR图像进行刚性配准,确定所述目标形变场;
基于所述目标形变场和所述第一硬骨标签进行计算,得到所述第二硬骨标签。
可选的,所述第二获取模块303,具体用于:
将每个所述候选图谱与所述目标MR图像进行仿射配准,得到每个所述候选图谱与所述目标MR图像之间的形变场;
基于每个所述候选图谱与所述目标MR图像之间的形变场对每个所述候选图谱的标签图像进行处理,得到待处理图谱;
根据每个所述待处理图谱和所述目标MR图像的相似度从所有所述待处理图谱中获取所述目标图谱。
可选的,所述第二确定模块304,具体用于:
对所述第二硬骨标签进行处理,得到待处理硬骨标签;
对所述待处理硬骨标签进行求异,得到目标硬骨标签;
对每个所述目标图谱的软骨标签进行求并操作,得到标签集合,并对所述标签集合进行求闭操作,得到目标软骨标签;
基于所述目标硬骨标签和所述目标软骨标签进行求并操作,得到所述分割感兴趣区域。
可选的,所述第三获取模块305,具体用于:
在所述分割感兴趣区域中确定目标坐标点,在所述目标坐标点的预设区域范围内确定模板图像块。
可选的,所述第三确定模块306,具体用于:
计算每个所述模板图像块与所述目标MR图像中的目标MR图像块的目标相似度;
根据所述目标相似度确定每个所述模板图像块的权重;
根据每个所述模板图像块的权重和每个所述模板图像块的标签值进行计算,得到所述目标MR图像的标签值,得到所述目标MR图像的分割结果。
本公开实施例所提供的膝关节软骨分割装置可执行本公开任意实施例所提供的膝关节软骨分割方法,具备执行方法相应的功能模块和有益效果。
本公开实施例还提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现本公开任意实施例所提供的膝关节软骨分割方法。
图8为本公开实施例提供的一种电子设备的结构示意图。下面具体参考图8,其示出了适于用来实现本公开实施例中的电子设备400的结构示意图。本公开实施例中的电子设备400可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开实施例的膝关节软骨分割方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取用户膝关节的磁共振目标MR图像和对应的计算机断层扫描目标MR图像;其中,目标MR图像具有对应的第一硬骨标签,基于第一硬骨标签、目标MR图像和目标MR图像之间的目标形变场,确定目标MR图像的第二硬骨标签,从预设的图谱库中多个候选图谱获取与目标MR图像匹配的目标图谱,基于第二硬骨标签和目标图谱的软骨标签进行处理,确定目标MR图像的分割感兴趣区域,在分割感兴趣区域中获取多个模板图像块,并根据每个模板图像块的标签值确定目标MR图像的标签值,得到目标MR图像的分割结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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。
根据本公开的一个或多个实施例,本公开提供了一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现如本公开提供的任一所述的膝关节软骨分割方法。
根据本公开的一个或多个实施例,本公开提供了一种计算机可读存储介质,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如本公开提供的任一所述的膝关节软骨分割方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种膝关节软骨分割方法,其特征在于,包括:
获取用户膝关节的目标MR图像和对应的目标CT图像;其中,目标CT图像具有对应的第一硬骨标签;
基于所述第一硬骨标签、所述目标CT图像和所述目标MR图像之间的目标形变场,确定所述目标MR图像的第二硬骨标签;
从预设的图谱库中多个候选图谱获取与所述目标MR图像匹配的目标图谱;
基于所述第二硬骨标签和所述目标图谱的软骨标签进行处理,确定所述目标MR图像的分割感兴趣区域;
在所述分割感兴趣区域中获取多个模板图像块,并根据每个所述模板图像块的标签值确定所述目标MR图像的标签值,得到所述目标MR图像的分割结果。
2.根据权利要求1所述的膝关节软骨分割方法,其特征在于,所述基于所述第一硬骨标签、所述目标CT图像和所述目标MR图像之间的目标形变场,确定所述目标MR图像的第二硬骨标签,包括:
基于所述目标CT图像和所述目标MR图像进行刚性配准,确定所述目标形变场;
基于所述目标形变场和所述第一硬骨标签进行计算,得到所述第二硬骨标签。
3.根据权利要求1所述的膝关节软骨分割方法,其特征在于,所述从预设的图谱库中多个候选图谱获取与所述目标MR图像匹配的目标图谱,包括:
将每个所述候选图谱与所述目标MR图像进行仿射配准,得到每个所述候选图谱与所述目标MR图像之间的形变场;
基于每个所述候选图谱与所述目标MR图像之间的形变场对每个所述候选图谱的标签图像进行处理,得到待处理图谱;
根据每个所述待处理图谱和所述目标MR图像的相似度从所有所述待处理图谱中获取所述目标图谱。
4.根据权利要求1所述的膝关节软骨分割方法,其特征在于,所述基于所述第二硬骨标签和所述目标图谱的软骨标签进行处理,确定所述目标MR图像的分割感兴趣区域,包括:
对所述第二硬骨标签进行操作处理,得到待处理硬骨标签;
对所述待处理硬骨标签进行求异,得到目标硬骨标签;
对每个所述目标图谱的软骨标签进行求并操作,得到标签集合,并对所述标签集合进行求闭操作,得到目标软骨标签;
基于所述目标硬骨标签和所述目标软骨标签进行求并操作,得到所述分割感兴趣区域。
5.根据权利要求1所述的膝关节软骨分割方法,其特征在于,所述在所述分割感兴趣区域中获取多个模板图像块,包括:
在所述分割感兴趣区域中确定目标坐标点,在所述目标坐标点的预设区域范围内确定模板图像块。
6.根据权利要求1所述的膝关节软骨分割方法,其特征在于,所述根据每个所述模板图像块的标签值确定所述目标MR图像的标签值,得到所述目标MR图像的分割结果,包括:
计算每个所述模板图像块与所述目标MR图像中的目标MR图像块的目标相似度;
根据所述目标相似度确定每个所述模板图像块的权重;
根据每个所述模板图像块的权重和每个所述模板图像块的标签值进行计算确定所述目标MR图像的标签值,得到所述目标MR图像的分割结果。
7.一种膝关节软骨分割装置,其特征在于,包括:
第一获取模块,用于获取用户膝关节的目标MR图像和对应的目标CT图像;其中,目标CT图像具有对应的第一硬骨标签;
第一确定模块,用于基于所述第一硬骨标签、所述目标CT图像和所述目标MR图像之间的目标形变场,确定所述目标MR图像的第二硬骨标签;
第二获取模块,用于从预设的图谱库中多个候选图谱获取与所述目标MR图像匹配的目标图谱;
第二确定模块,用于基于所述第二硬骨标签和所述目标图谱的软骨标签进行处理,确定所述目标MR图像的分割感兴趣区域;
第三获取模块,用于在所述分割感兴趣区域中获取多个模板图像块;
第三确定模块,用于根据每个所述模板图像块的标签值确定所述目标MR图像的标签值。
8.根据权利要求7所述的膝关节软骨分割装置,其特征在于,所述第一确定模块,具体用于:
基于所述目标CT图像和所述目标MR图像进行刚性配准,确定所述目标形变场;
基于所述目标形变场和所述第一硬骨标签进行计算,得到所述第二硬骨标签。
9.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-6中任一所述的膝关节软骨分割方法。
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1-6中任一所述的膝关节软骨分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310176233.6A CN116245839B (zh) | 2023-02-24 | 2023-02-24 | 一种膝关节软骨分割方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310176233.6A CN116245839B (zh) | 2023-02-24 | 2023-02-24 | 一种膝关节软骨分割方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116245839A CN116245839A (zh) | 2023-06-09 |
CN116245839B true CN116245839B (zh) | 2023-09-29 |
Family
ID=86632771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310176233.6A Active CN116245839B (zh) | 2023-02-24 | 2023-02-24 | 一种膝关节软骨分割方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116245839B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102614036A (zh) * | 2012-04-24 | 2012-08-01 | 北京纳通科技集团有限公司 | 膝关节假体衬垫、胫骨基座元件及膝关节假体 |
CN112826590A (zh) * | 2021-02-02 | 2021-05-25 | 复旦大学 | 基于多模态融合和点云配准的膝关节置换术空间注册系统 |
CN113558766A (zh) * | 2021-07-19 | 2021-10-29 | 北京纳通医学研究院有限公司 | 图像配准方法、装置、手术机器人以及手术机器人系统 |
CN114723762A (zh) * | 2022-04-22 | 2022-07-08 | 瓴域影诺(北京)科技有限公司 | 一种膝关节ct图像自动分割方法、装置及电子设备 |
CN115546095A (zh) * | 2022-01-28 | 2022-12-30 | 北京歌锐科技有限公司 | 一种图像的配准方法及配准装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010099360A1 (en) * | 2009-02-25 | 2010-09-02 | Mohamed Rashwan Mahfouz | Customized orthopaedic implants and related methods |
EP3481319A4 (en) * | 2016-07-05 | 2020-02-12 | 7D Surgical Inc. | SYSTEMS AND METHODS FOR CARRYING OUT AN INTRAOPERATIVE IMAGE REGISTER |
US20220012890A1 (en) * | 2020-07-01 | 2022-01-13 | University Of Iowa Research Foundation | Model-Based Deep Learning for Globally Optimal Surface Segmentation |
-
2023
- 2023-02-24 CN CN202310176233.6A patent/CN116245839B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102614036A (zh) * | 2012-04-24 | 2012-08-01 | 北京纳通科技集团有限公司 | 膝关节假体衬垫、胫骨基座元件及膝关节假体 |
CN112826590A (zh) * | 2021-02-02 | 2021-05-25 | 复旦大学 | 基于多模态融合和点云配准的膝关节置换术空间注册系统 |
CN113558766A (zh) * | 2021-07-19 | 2021-10-29 | 北京纳通医学研究院有限公司 | 图像配准方法、装置、手术机器人以及手术机器人系统 |
CN115546095A (zh) * | 2022-01-28 | 2022-12-30 | 北京歌锐科技有限公司 | 一种图像的配准方法及配准装置 |
CN114723762A (zh) * | 2022-04-22 | 2022-07-08 | 瓴域影诺(北京)科技有限公司 | 一种膝关节ct图像自动分割方法、装置及电子设备 |
Non-Patent Citations (5)
Title |
---|
Atlas-Based Segmentation in Extraction of Knee Joint Bone Structures from CT AND MR;Zarychata Piotr;《Sensors》;8960:1-21 * |
Automatic atlas-based three-label cartilage segmentation from MR knee images;Liang San等;《2012 IEEE Workshop on Mathematical Methods in Biomedical Image Analysis》;1-6 * |
Patch-based Label Fusion using Local Confidence-Measure and Weak Segmentations;Andre Mastmeyer等;《Proceedings of SPIE-The International Society for Optical Engineering》;1-13 * |
Tabrizi,PR等.Acetabular cartilage segmentation in CT arthrography based on a bone-normalized probabilistic atlas.《International Journal of Computer Assisted Radiology and Surgery》.2015,433-446. * |
医学图像配准算法的研究;姬东岑;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;E060-41 * |
Also Published As
Publication number | Publication date |
---|---|
CN116245839A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220198775A1 (en) | Image processing method and apparatus, electronic device, storage medium and computer program | |
US10810735B2 (en) | Method and apparatus for analyzing medical image | |
KR20210082234A (ko) | 이미지 처리 방법 및 장치, 전자 기기 및 기억 매체 | |
CN110930438B (zh) | 图像配准方法、装置、电子设备及存储介质 | |
CN108778134B (zh) | 用于根据3d解剖图像表征骨骼的中心轴的系统和方法 | |
CN111260774B (zh) | 生成3d关节点回归模型的方法和装置 | |
CN111292420B (zh) | 用于构建地图的方法和装置 | |
CN111598902B (zh) | 图像分割方法、装置、电子设备及计算机可读介质 | |
CN105792131B (zh) | 一种定位方法及系统 | |
CN113469295B (zh) | 生成模型的训练方法、息肉识别方法、装置、介质及设备 | |
CN113496512B (zh) | 用于内窥镜的组织腔体定位方法、装置、介质及设备 | |
CN112598673A (zh) | 全景分割方法、装置、电子设备和计算机可读介质 | |
CN113689372B (zh) | 图像处理方法、设备、存储介质及程序产品 | |
CN115115593A (zh) | 一种扫描处理方法、装置、电子设备及存储介质 | |
CN117152442B (zh) | 影像靶区自动勾画方法、装置、电子设备和可读存储介质 | |
CN114332033A (zh) | 基于人工智能的内窥镜图像处理方法、装置、介质及设备 | |
CN112258647B (zh) | 地图重建方法及装置、计算机可读介质和电子设备 | |
CN116245839B (zh) | 一种膝关节软骨分割方法、装置、设备及介质 | |
CN113111684A (zh) | 神经网络模型的训练方法、装置和图像处理系统 | |
CN111311609A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN111915532B (zh) | 图像追踪方法、装置、电子设备及计算机可读介质 | |
CN111968030B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN112750124A (zh) | 模型生成、图像分割方法、装置、电子设备及存储介质 | |
CN111292365A (zh) | 生成深度图的方法、装置、电子设备和计算机可读介质 | |
CN115578564B (zh) | 实例分割模型的训练方法、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 |