CN116563539A - 肿瘤图像分割方法、装置、设备及计算机可读存储介质 - Google Patents

肿瘤图像分割方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN116563539A
CN116563539A CN202310483075.9A CN202310483075A CN116563539A CN 116563539 A CN116563539 A CN 116563539A CN 202310483075 A CN202310483075 A CN 202310483075A CN 116563539 A CN116563539 A CN 116563539A
Authority
CN
China
Prior art keywords
image
tumor
target organ
segmentation
feature
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
Application number
CN202310483075.9A
Other languages
English (en)
Inventor
韩英男
初晓
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202310483075.9A priority Critical patent/CN116563539A/zh
Publication of CN116563539A publication Critical patent/CN116563539A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及人工智能领域及数字医疗领域，揭露一种肿瘤图像分割方法，包括：获取病患的待分割医学影像，利用预先训练好的分割网络，根据预设的目标器官的分割掩膜及预设的所述目标器官的周边器官的分割掩膜定位所述待分割医学影像中的目标器官，得到目标器官影像；获取所述目标器官的病灶影像作为参考影像，利用所述分割网络提取所述参考影像的特征组成参考特征影像，并利用所述分割网络提取所述目标器官影像的特征组成目标特征影像；根据所述目标特征影像及所述参考特征影像，确定所述目标器官影像中肿瘤病灶区域。本发明还提出一种肿瘤图像分割装置、电子设备及计算机可读存储介质。本发明可以提升小体积肿瘤图像分割地准确性。

Description

肿瘤图像分割方法、装置、设备及计算机可读存储介质
技术领域
本发明涉及人工智能领域及数字医疗领域，尤其涉及一种肿瘤图像分割方法、装置、电子设备及计算机可读存储介质。
背景技术
随着机器学习技术的兴起，基于深度卷积神经网络的模型越来越多的应用于医学影像的检查中，例如，CT(Computed Tomography,计算机断层扫描)、MRI(MagneticResonance Imaging,核磁共振成像)及OCT(Optical Coherence Tomography,光学相干断层扫描)等影像的分割。
医生和科研人员探索过借助深度卷积神经网络在CT影像上区分胸部良性和恶性结节、分割肝脏和胰腺肿瘤并取得了不错的成绩。但是由于各类模态的医学影响之间差异比较大，例如，研究队列的大小、图像尺寸和维度、分辨率和体素强度的不同。例如，由于肾上腺和大部分肾上腺肿瘤的体积都比较小，分割的难度比较大，利用传统的对肾上腺功能性肿瘤统影像组学方法对肾上腺肿瘤进行分型预测，容易出现漏检和误检的情况。
发明内容
本发明提供一种肿瘤图像分割方法、装置、电子设备及计算机可读存储介质，其主要目的在于提升小体积肿瘤图像的分割地准确性。
为实现上述目的，本发明提供的一种肿瘤图像分割方法，包括：
获取病患的待分割医学影像，利用预先训练好的分割网络根据预设的目标器官的分割掩膜及预设的所述目标器官的周边器官的分割掩膜定位所述待分割医学影像中的目标器官，得到目标器官影像；
获取所述目标器官的病灶影像作为参考影像，利用所述分割网络提取所述参考影像的特征组成参考特征影像，并利用所述分割网络提取所述目标器官影像的特征组成特征影像；
根据所述特征影像及所述参考特征影像，确定所述目标器官影像中肿瘤病灶区域。
可选地，所述利用预先训练好的分割网络，根据预设器官的分割掩膜识别所述待分割医学影像中的目标器官，包括：
利用所述分割网络，根据预设的目标器官的分割掩膜从所述待分割医学影像中得到所述目标器官的识别框；
利用所述分割网络，根据预设的所述目标器官的周边器官的分割掩膜，标识所述待分割医学影像中每个周边器官的识别框，从所述待分割医学影像中剔除每个周边器官的识别框，得到所述目标器官的参考识别框；
根据所述目标器官与周边器官的空间位置关系，调整所述目标器官的识别框与所述目标器官的参考识别框之间重合区域的大小，将调整后的重合区域对应的图像作为所述目标器官的影像。
可选地，所述利用所述分割网络提取所述参考影像的特征组成参考特征影像，包括：
依次利用所述分割网络的每个卷积层对所述参考影像进行卷积计算，得到每层对应的卷积特征影像；
利用所述分割网络的归一层计算每个所述卷积特征影像的注意力权重；
将每个所述卷积层输出的卷积特征影像与对应的注意力权重相乘，得到每个所述卷积层对应的加权后的卷积特征影像；
将每个所述卷积层对应的加权后的卷积特征影像进行合并，得到所述参考特征影像。
可选地，所述利用所述分割网络提取所述参考影像的特征组成参考特征影像，所述方法还包括
利用所述分割网络的预设数量的卷积层对所述参考影像进行下采样操作，得到下采样特征图像；
利用所述分割网络的剩余的卷积层对所述下采样特征图像进行上采样操作，得到上采样特征图像；
将尺寸相同的下采样特征图像和上采样特征图像合并，生成不少于一个的不同尺寸的参考特征图像。
可选地，所述根据所述特征影像和所述参考特征影像，确定所述目标器官影像中肿瘤病灶区域，包括：
识别所述参考特征影像对应的解剖点，以所述解剖点作为空间坐标原点；
根据所述空间坐标原点对所述特征影像及所述参考特征影像进行空间配准；
采用预先训练好的肿瘤病灶检测模型从所述特征图像中确定出参考肿瘤病灶识别框；
将所述参考肿瘤病灶识别框与和所述特征影像重合区域作为所述特征影像的肿瘤病灶区域。
可选地，所述根据所述目标特征影像及所述参考特征影像，确定所述目标器官影像中肿瘤病灶区域之后，所述方法还包括：
利用所述分割网络提取所述肿瘤病灶区域的肿瘤体素特征，计算所述肿瘤体素特征与每种预设的肿瘤分类标签之间的概率值，选择最大概率值对应的肿瘤分类标签作为所述病患的肿瘤分类结果。
可选地，所述利用所述分割网络提取所述肿瘤病灶区域的肿瘤体素特征，包括：
利用所述分割网络的编码器对所述肿瘤病灶区域进行预设次数的下采样操作，得到下采样影像；
利用所述分割网络的预设的不同深度的卷积层依次计算所述下采样影像的体素特征值，得到每层卷积层对应的下采样体素特征矩阵；
利用所述分割网络的解码器从深度最深的卷积层对所述下采样体素特征矩阵进行所述预设次数的上采样操作，并与同深度的卷积层对应的下采样体素特征矩阵连接，得到对应卷积层的融合体素特征矩阵；
利用所述分割网络的全连接层将每个深度的卷积层对应的融合体素特征矩阵进行拼接，得到所述肿瘤病灶区域的肿瘤体素特征。
为了解决上述问题，本发明还提供一种肿瘤图像分割装置，所述装置包括：
目标器官图像分割模块，用于获取病患的待分割医学影像，利用预先训练好的分割网络，根据预设的目标器官的分割掩膜及预设的所述目标器官的周边器官的分割掩膜定位所述待分割医学影像中的目标器官，得到目标器官影像；
病灶特征图像生成模块，用于获取所述目标器官的病灶影像作为参考影像，利用所述分割网络提取所述参考影像的特征组成参考特征影像，并利用所述分割网络提取所述目标器官影像的特征组成特征影像；
病灶图像分割模块，用于根据所述特征影像及所述参考特征影像，确定所述目标器官影像中肿瘤病灶区域。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的程序以实现上述所述的肿瘤图像分割方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的肿瘤图像分割方法。
本发明实施例线借助预设器官的分割掩膜快速识别待分割医学影像中的目标器官，进一步地，再利用所述目标器官的目标特征影像与由目标器官的病灶影像构成的参考特征影像，准确识别到目标器官影像中肿瘤病灶区域，针对体积比较小的肿瘤，通过上述方法可以精准限缩所述待分割医学影像的需要进行分析的区域，降低了图像分割难度，提升了小体积肿瘤图像分割的准确性。
附图说明
图1为本发明一实施例提供的肿瘤图像分割方法的流程示意图；
图2为本发明一实施例提供的肿瘤图像分割方法中其中一个步骤的详细实施流程示意图；
图3为本发明一实施例提供的肿瘤图像分割方法中其中另一个步骤的详细实施流程示意图；
图4为本发明一实施例提供的肿瘤图像分割方法中其中另一个步骤的详细实施流程示意图；
图5为本发明一实施例提供的肿瘤图像分割装置的功能模块图；
图6为本发明一实施例提供的实现所述肿瘤图像分割方法的电子设备的结构示意图。
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。
本申请实施例提供一种肿瘤图像分割方法。所述肿瘤图像分割方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述肿瘤图像分割方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的肿瘤图像分割方法的流程示意图。在本实施例中，所述一种肿瘤图像分割方法包括：
S1、获取病患的待分割医学影像，利用预先训练好的分割网络，根据预设的目标器官的分割掩膜及预设的所述目标器官的周边器官的分割掩膜定位所述待分割医学影像中的目标器官，得到目标器官影像；
本发明实施例中，以肾上腺患者的CT扫描图像为所述待分割医学影像。需要说明的是，所述待分割医学影像包括但不限于动脉期、静脉期和平扫期三个期相中任一期项的肾上腺肿瘤医学影像。
本发明实施例中，可以从特定的已授权的病患信息资源池中获取病患的待分割医学影像，其中，需要对病患的个人敏感信息执行脱敏操作，以保障不侵犯和泄露病患个人信息。
本发明实施例中，所述预先训练好的分割网络可以基于nnUNet卷积神经网络构建，nnUNet网络包括2D UNet、3D UNet和2个级联的3D UNet，其中，2D UNet用于生成所述待分割医学影像的粗分割结果，3D UNet用于对所述粗分割结果进行进一步地的细化。相较于传统的UNet卷积神经网络，nnUNet卷积神经网络在预训练的过程中，更注重对待分割医学影像的预处理工作，且nnUNet能够自动设置超参数，比如训练批次大小、图像分块大小、下采样次数等，最后使用交叉熵损失和Dice损失作为训练时的损失函数，直到所述分割网络达到预设的训练目的。
本发明实施例中，所述目标器官以肾上腺器官为例，所述预设器官的分割掩膜包括但不限于所述目标器官的分割掩膜及所述目标器官的周边器官的掩膜，例如，肾脏分割掩膜、脾脏分割掩膜即胰腺分割掩膜。进一步地，所述目标器官可以再细分为左肾上腺、右肾上腺，分别对应左肾上腺掩膜及右肾上腺掩膜。
详细地，参阅图2所示，所述利用预先训练好的分割网络，根据预设器官的分割掩膜识别所述待分割医学影像中的目标器官，得到目标器官影像，包括：
S11、利用所述分割网络，根据预设的目标器官的分割掩膜从所述待分割医学影像中得到所述目标器官的识别框；
S12、利用所述分割网络，根据预设的所述目标器官的周边器官的分割掩膜，标识所述待分割医学影像中每个周边器官的识别框，从所述待分割医学影像中剔除每个周边器官的识别框，得到所述目标器官的参考识别框；
S13、根据所述目标器官与周边器官的空间位置关系，调整所述目标器官的识别框与所述目标器官的参考识别框之间重合区域的大小，将调整后的重合区域对应的图像作为所述目标器官的影像。
本发明实施例中，使用所述预设器官的分割掩膜可以起到对所述待分割医学影像中的非监测、非目标器官进行遮挡，来控制所述待分割医学影像中需要处理的区域和处理过程。
S2、获取所述目标器官的病灶影像作为参考影像，利用所述分割网络提取所述参考影像的特征组成参考特征影像，并利用所述分割网络提取所述目标器官影像的特征组成特征影像；
本发明实施例中，所述目标器官的病灶影像包括不同尺寸的原发醛固酮增多症、库欣综合征、嗜铬细胞瘤等多种肾上腺功能性肿瘤的病灶影像。
详细地，参阅图3所示，所述利用所述分割网络提取所述参考影像的特征组成参考特征影像，包括：
S21、依次利用所述分割网络的每个卷积层对所述参考影像进行卷积计算，得到每层对应的卷积特征影像；
S22、利用所述分割网络的归一层计算每个所述卷积特征影像的注意力权重；
S23、将每个所述卷积层输出的卷积特征影像与对应的注意力权重相乘，得到每个所述卷积层对应的加权后的卷积特征影像；
S24、将每个所述卷积层对应的加权后的卷积特征影像进行合并，得到所述参考特征影像。
本发明实施例中，所述分割网络的编码器包括多个卷积层，每个卷积层的卷积核大小、通道数、步长可以相同或不同，通过设置不同的卷积核，可以有效的提高特征提取的感知视野，有利于提高肾上腺病灶识别的准确度。每个卷积层提取的特征图像的尺寸可能不同，不同尺寸的特征图像可以为不同像素的特征图像，比如像素为500×500的特征图像与像素为1000×1000的特征图像为不同尺寸的特征图像。因此，在nnUNet的原有架构之上，引入注意力机制，通过所述归一化层，对每个所述卷积层的注意力权重进行归一化计算，即保留了每个卷积层的差异，又便于后续每个卷积层输出的卷积特征影像的融合。
本发明另一可选实施例中，可以通过对所述参考影像进行上采样或下采样操作，提取所述参考影像的不同尺寸的参考特征影像。
详细地，所述利用所述分割网络提取所述参考影像的特征组成参考特征影像，包括：
利用所述分割网络的预设数量的卷积层对所述参考影像进行下采样操作，得到下采样特征图像；
利用所述分割网络的剩余的卷积层对所述下采样特征图像进行上采样操作，得到上采样特征图像；
将尺寸相同的下采样特征图像和上采样特征图像合并，生成不少于一个的不同尺寸的参考特征图像。
本发明实施例中，所述预设数量可以是一个或多个，也可以根据实际所述分割网络中的卷积层的数量确定，例如，所述预设数量可以是所述卷积层个数的一半。
本发明实施例中，所述利用所述分割网络提取所述目标器官影像的特征组成特征影像的方法可以采用与所述利用所述分割网络提取所述参考影像的特征组成参考特征影像相同的方法，这里不再赘述。
S3、根据所述特征影像及所述参考特征影像，确定所述目标器官影像中肿瘤病灶区域；
本发明实施例中，通过对所述特征影像及所述参考特征影像进行空间比对，可以快速锁定所述目标器官影像中的肿瘤病灶区域。
详细地，参阅图4所述，所述根据所述特征影像及所述参考特征影像，确定所述目标器官影像中肿瘤病灶区域包括：
S31、识别所述参考特征影像对应的解剖点，以所述解剖点作为空间坐标原点；
S32、根据所述空间坐标原点对所述特征影像及所述参考特征影像进行空间配准；
S33、采用预先训练好的肿瘤病灶检测模型从所述特征图像中确定出参考肿瘤病灶识别框；
S34、将所述参考肿瘤病灶识别框与和所述特征影像重合区域作为所述特征影像的肿瘤病灶区域。
可以理解的是，所述特征影像及所述参考特征影像的尺寸大小不同，因此，可以通过所述解剖点对两者进行配准，保证两者在同一解剖点上达到空间位置上的一致性且体素间距相等。
本发明实施例中，所述预先训练好的肿瘤病灶检测模型是采用2D卷积神经网络对已标记肾上腺病灶的多个肾上腺影像进行训练后确定的。从所述参考特征图像中确定出的肾上腺病灶识别框框选的区域并不一定都包含肾上腺病灶，故需要根据肾上腺病灶识别框的肾上腺病灶概率对各肾上腺病灶识别框进行筛选，将肾上腺病灶概率小于预设阈值的肾上腺病灶识别框删除，其中，肾上腺病灶概率为肾上腺病灶识别框框选的区域为肾上腺病灶的概率。
进一步地，当完成所述待分割医学影像的病灶区域的分割后，还可利用所述分割网络提取所述肿瘤病灶区域的肿瘤体素特征，计算所述肿瘤体素特征与每种预设的肿瘤分类标签之间的概率值，选择最大概率值对应的肿瘤分类标签作为所述病患的肿瘤分类结果。
本发明实施例中，可以利用所述分割网络的编码器和解码器提取所述肿瘤病灶区域的肿瘤体素特征。
详细地，所述利用所述分割网络提取所述肿瘤病灶区域的肿瘤体素特征，包括：
利用所述分割网络的编码器对所述肿瘤病灶区域进行预设次数的下采样操作，得到下采样影像；
利用所述分割网络的预设的不同深度的卷积层依次计算所述下采样影像的体素特征值，得到每层卷积层对应的下采样体素特征矩阵；
利用所述分割网络的解码器从深度最深的卷积层对所述下采样体素特征矩阵进行所述预设次数的上采样操作，并与同深度的卷积层对应的下采样体素特征矩阵连接，得到对应卷积层的融合体素特征矩阵；
利用所述分割网络的全连接层将每个深度的卷积层对应的融合体素特征矩阵进行拼接，得到所述肿瘤病灶区域的肿瘤体素特征。
本发明实施例中，所述预设的不同深度的卷积层的是指构成所述分割网络中的编码器的卷积核大小、通道数、步长不同的卷积层。
本发明实施例中，所述激活函数可以是常见的线性激活函数，例如，Sigmoid、Tanh或ReLU。
本发明一可选实施例中，可利用利用如下激活函数计算所述概率值：
其中，p(a|x)为肿瘤体素特征x和肿瘤分类标签a之间的概率值，wa为肿瘤分类标签a的权重向量，T为求转置运算符号，exp为求期望运算符号，A为预设的肿瘤分类标签的数量。
本发明实施例中，所述预设的肿瘤分类标签包括但不限于原发醛固酮增多症标签、库欣综合征标签及嗜铬细胞瘤标签。
本发明实施例线借助预设器官的分割掩膜快速识别待分割医学影像中的目标器官，进一步地，再利用所述目标器官的特征影像与由目标器官的病灶影像构成的参考特征影像，准确识别到目标器官影像中肿瘤病灶区域，针对体积比较小的肿瘤，通过上述方法可以精准限缩所述待分割医学影像的需要进行分析的区域，降低了分割难度，保障了后续的针对肿瘤病灶区域进行肿瘤分类结果的准确性。
如图5所示，是本发明一实施例提供的肿瘤图像分割装置的功能模块图。
本发明所述肿瘤图像分割装置100可以安装于电子设备中。根据实现的功能，所述肿瘤图像分割装置100包括：目标器官图像分割模块101、病灶特征图像生成模块102及病灶图像分割模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述目标器官图像分割模块101，用于获取病患的待分割医学影像，利用预先训练好的分割网络，根据预设的目标器官的分割掩膜及预设的所述目标器官的周边器官的分割掩膜定位所述待分割医学影像中的目标器官，得到目标器官影像；
所述病灶特征图像生成模块102，用于获取所述目标器官的病灶影像作为参考影像，利用所述分割网络提取所述参考影像的特征组成参考特征影像，并利用所述分割网络提取所述目标器官影像的特征组成特征影像。
所述病灶图像分割模块103，用于根据所述特征影像及所述参考特征影像，确定所述目标器官影像中肿瘤病灶区域。
详细地，本发明实施例中所述肿瘤图像分割装置100中所述的各模块在使用时采用与上述图1至图4中所述的肿瘤图像分割方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图6所示，是本发明一实施例提供的实现肿瘤图像分割方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如肿瘤图像分割程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如肿瘤图像分割程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如肿瘤图像分割程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图6仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图6示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的肿瘤图像分割程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取病患的待分割医学影像，利用预先训练好的分割网络，根据预设的目标器官的分割掩膜及预设的所述目标器官的周边器官的分割掩膜定位所述待分割医学影像中的目标器官，得到目标器官影像；
获取所述目标器官的病灶影像作为参考影像，利用所述分割网络提取所述参考影像的特征组成参考特征影像，并利用所述分割网络提取所述目标器官影像的特征组成特征影像；
根据所述特征影像及所述参考特征影像，确定所述目标器官影像中肿瘤病灶区域。
进一步地，所述电子设备1集成的模块/单元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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取病患的待分割医学影像，利用预先训练好的分割网络，根据预设的目标器官的分割掩膜及预设的所述目标器官的周边器官的分割掩膜定位所述待分割医学影像中的目标器官，得到目标器官影像；
获取所述目标器官的病灶影像作为参考影像，利用所述分割网络提取所述参考影像的特征组成参考特征影像，并利用所述分割网络提取所述目标器官影像的特征组成特征影像；
根据所述特征影像及所述参考特征影像，确定所述目标器官影像中肿瘤病灶区域。
另外，在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于全息投影技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种肿瘤图像分割方法，其特征在于，所述方法包括：
获取病患的待分割医学影像，利用预先训练好的分割网络，根据预设的目标器官的分割掩膜及预设的所述目标器官的周边器官的分割掩膜定位所述待分割医学影像中的目标器官，得到目标器官影像；
获取所述目标器官的病灶影像作为参考影像，利用所述分割网络提取所述参考影像的特征组成参考特征影像，并利用所述分割网络提取所述目标器官影像的特征组成目标特征影像；
根据所述目标特征影像及所述参考特征影像，确定所述目标器官影像中肿瘤病灶区域。
2.如权利要求1所述的肿瘤图像分割方法，其特征在于，所述根据预设的目标器官的分割掩膜及预设的所述目标器官的周边器官的分割掩膜定位所述待分割医学影像中的目标器官，包括：
利用所述分割网络，根据预设的目标器官的分割掩膜从所述待分割医学影像中得到所述目标器官的识别框；
利用所述分割网络，根据预设的所述目标器官的周边器官的分割掩膜，标识所述待分割医学影像中每个周边器官的识别框，从所述待分割医学影像中剔除每个周边器官的识别框，得到所述目标器官的参考识别框；
根据所述目标器官与周边器官的空间位置关系，调整所述目标器官的识别框与所述目标器官的参考识别框之间重合区域的大小，将调整后的重合区域对应的图像作为所述目标器官的影像。
3.如权利要求1所述的肿瘤图像分割方法，其特征在于，所述利用所述分割网络提取所述参考影像的特征组成参考特征影像，包括：
依次利用所述分割网络的每个卷积层对所述参考影像进行卷积计算，得到每层对应的卷积特征影像；
利用所述分割网络的归一层计算每个所述卷积特征影像的注意力权重；
将每个所述卷积层输出的卷积特征影像与对应的注意力权重相乘，得到每个所述卷积层对应的加权后的卷积特征影像；
将每个所述卷积层对应的加权后的卷积特征影像进行合并，得到所述参考特征影像。
4.如权利要求1所述的肿瘤图像分割方法，其特征在于，所述利用所述分割网络提取所述参考影像的特征组成参考特征影像，所述方法还包括
利用所述分割网络的预设数量的卷积层对所述参考影像进行下采样操作，得到下采样特征图像；
利用所述分割网络的剩余的卷积层对所述下采样特征图像进行上采样操作，得到上采样特征图像；
将尺寸相同的下采样特征图像和上采样特征图像合并，生成不少于一个的不同尺寸的参考特征图像。
5.如权利要求1所述的肿瘤图像分割方法，其特征在于，所述根据所述特征影像和所述参考特征影像，确定所述目标器官影像中肿瘤病灶区域，包括：
识别所述参考特征影像对应的解剖点，以所述解剖点作为空间坐标原点；
根据所述空间坐标原点对所述特征影像及所述参考特征影像进行空间配准；
采用预先训练好的肿瘤病灶检测模型从所述特征图像中确定出参考肿瘤病灶识别框；
将所述参考肿瘤病灶识别框与和所述特征影像重合区域作为所述特征影像的肿瘤病灶区域。
6.如权利要求1所述的肿瘤图像分割方法，其特征在于，所述根据所述目标特征影像及所述参考特征影像，确定所述目标器官影像中肿瘤病灶区域之后，所述方法还包括：
利用所述分割网络提取所述肿瘤病灶区域的肿瘤体素特征，计算所述肿瘤体素特征与每种预设的肿瘤分类标签之间的概率值，选择最大概率值对应的肿瘤分类标签作为所述病患的肿瘤分类结果。
7.如权利要求6所述的肿瘤图像分割方法，其特征在于，所述利用所述分割网络提取所述肿瘤病灶区域的肿瘤体素特征，包括：
利用所述分割网络的编码器对所述肿瘤病灶区域进行预设次数的下采样操作，得到下采样影像；
利用所述分割网络的预设的不同深度的卷积层依次计算所述下采样影像的体素特征值，得到每层卷积层对应的下采样体素特征矩阵；
利用所述分割网络的解码器从深度最深的卷积层对所述下采样体素特征矩阵进行所述预设次数的上采样操作，并与同深度的卷积层对应的下采样体素特征矩阵连接，得到对应卷积层的融合体素特征矩阵；
利用所述分割网络的全连接层将每个深度的卷积层对应的融合体素特征矩阵进行拼接，得到所述肿瘤病灶区域的肿瘤体素特征。
8.一种肿瘤图像分割装置，其特征在于，所述装置包括：
目标器官图像分割模块，用于获取病患的待分割医学影像，利用预先训练好的分割网络，根据预设的目标器官的分割掩膜及预设的所述目标器官的周边器官的分割掩膜定位所述待分割医学影像中的目标器官，得到目标器官影像；
病灶特征图像生成模块，用于获取所述目标器官的病灶影像作为参考影像，利用所述分割网络提取所述参考影像的特征组成参考特征影像，并利用所述分割网络提取所述目标器官影像的特征组成特征影像；
病灶图像分割模块，用于根据所述特征影像及所述参考特征影像，确定所述目标器官影像中肿瘤病灶区域。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的肿瘤图像分割方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的肿瘤图像分割方法。
CN202310483075.9A 2023-04-28 2023-04-28 肿瘤图像分割方法、装置、设备及计算机可读存储介质 Pending CN116563539A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310483075.9A CN116563539A (zh) 2023-04-28 2023-04-28 肿瘤图像分割方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310483075.9A CN116563539A (zh) 2023-04-28 2023-04-28 肿瘤图像分割方法、装置、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN116563539A true CN116563539A (zh) 2023-08-08

Family

ID=87495820

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310483075.9A Pending CN116563539A (zh) 2023-04-28 2023-04-28 肿瘤图像分割方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN116563539A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117789922A (zh) * 2024-02-23 2024-03-29 湖南安泰康成生物科技有限公司 电极片贴敷方案确定方法及装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117789922A (zh) * 2024-02-23 2024-03-29 湖南安泰康成生物科技有限公司 电极片贴敷方案确定方法及装置、设备及存储介质
CN117789922B (zh) * 2024-02-23 2024-05-17 湖南安泰康成生物科技有限公司 电极片贴敷方案确定方法及装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Fu et al. LungRegNet: an unsupervised deformable image registration method for 4D‐CT lung
Mazurowski et al. Deep learning in radiology: An overview of the concepts and a survey of the state of the art with focus on MRI
Zhou et al. Deep learning of the sectional appearances of 3D CT images for anatomical structure segmentation based on an FCN voting method
Lee et al. Cephalometric landmark detection in dental x-ray images using convolutional neural networks
Liu SUSAN: segment unannotated image structure using adversarial network
Guan et al. Thigh fracture detection using deep learning method based on new dilated convolutional feature pyramid network
Narayan et al. [Retracted] Enhance‐Net: An Approach to Boost the Performance of Deep Learning Model Based on Real‐Time Medical Images
US9922272B2 (en) Deep similarity learning for multimodal medical images
CN113283446B (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN110276366A (zh) 使用弱监督模型来检测对象
US10225086B2 (en) Image fingerprinting
CN112465819B (zh) 图像异常区域检测方法、装置、电子设备及存储介质
Lecron et al. Heterogeneous computing for vertebra detection and segmentation in X‐ray images
US11935213B2 (en) Laparoscopic image smoke removal method based on generative adversarial network
Korte et al. Cascaded deep learning‐based auto‐segmentation for head and neck cancer patients: organs at risk on T2‐weighted magnetic resonance imaging
Liang et al. Residual convolutional neural networks with global and local pathways for classification of focal liver lesions
Gaweł et al. Automatic spine tissue segmentation from MRI data based on cascade of boosted classifiers and active appearance model
CN116563539A (zh) 肿瘤图像分割方法、装置、设备及计算机可读存储介质
Liu et al. MAGAN: mask attention generative adversarial network for liver tumor CT image synthesis
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
Pattwakkar et al. Automatic liver tumor segmentation on multiphase computed tomography volume using SegNet deep neural network and K‐means clustering
CN114283110A (zh) 用于医学图像的图像处理方法、装置、设备及存储介质
CN115294426B (zh) 介入医学设备的跟踪方法、装置、设备及存储介质
D’Souza et al. Localization of lung abnormalities on chest X-rays using self-supervised equivariant attention
Cheon et al. CAI-UNet for segmentation of liver lesion in CT image

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