CN117058172A - Ct图像多区域的分割方法、装置、电子设备及存储介质 - Google Patents
Ct图像多区域的分割方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117058172A CN117058172A CN202311074616.9A CN202311074616A CN117058172A CN 117058172 A CN117058172 A CN 117058172A CN 202311074616 A CN202311074616 A CN 202311074616A CN 117058172 A CN117058172 A CN 117058172A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- label
- images
- feature map
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 33
- 238000011176 pooling Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 10
- 238000007499 fusion processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000002591 computed tomography Methods 0.000 description 76
- 239000000047 product Substances 0.000 description 12
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T2207/20—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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种CT图像多区域的分割方法、装置、电子设备及存储介质，属于CT图像处理技术领域，其中，CT图像多区域的分割方法包括：获取CT图像，CT图像为包括多个区域的3D图像；将CT图像输入训练好的分割模型中，得到多区域粗分割标签；将多区域粗分割标签与CT图像进行点积，得到仅含有前景信息的待分类图像；将待分类图像输入多标签分类网络中，得到多标签分类结果。该方法简单、高效并且可以较为精准进行分割及分类，有助于后续的CT图像判断。
Description
技术领域
本申请属于CT图像处理技术领域，具体涉及一种CT图像多区域的分割方法、装置、电子设备及存储介质。
背景技术
CT(计算机断层扫描)是一种成像技术，它通过使用X射线和计算机算法来生成一个横截面图像。
但是，由于CT图像的复杂性和多样性，如何准确地分割和分类图像成为了一个具有挑战性的问题。
发明内容
本申请的目的是提供一种CT图像多区域的分割方法、装置、电子设备及存储介质以进行三维立体CT图像的分割分类。
根据本申请实施例的第一方面，提供了一种CT图像多区域的分割方法，该方法可以包括：
获取CT图像，CT图像为包括多个区域的3D图像；
将CT图像输入训练好的分割模型中，得到多区域粗分割标签；
将多区域粗分割标签与CT图像进行点积，得到仅含有前景信息的待分类图像；
将待分类图像输入多标签分类网络中，得到多标签分类结果。
在本申请的一些可选实施例中，将CT图像输入训练好的分割模型中，包括：
将CT图像进行标准化，得到输入图像；
将输入图像输入到训练好的分割模型中。
在本申请的一些可选实施例中，将CT图像进行标准化，得到输入图像，包括：
将CT图像进行预设空间分辨率重采样，得到重采样图像；
对重采样图像进行CT值标准化，得到输入图像。
在本申请的一些可选实施例中，将输入图像输入到训练好的分割模型中，包括：
将输入图像进行第一卷积处理，得到第一层特征图；
将第一层特征图依次进行池化处理和第二卷积处理，得到第二层特征图；
将第二层特征图依次进行池化处理和第三卷积处理，得到第三层特征图；
将第三层特征图依次进行池化处理和第四卷积处理，得到第一特征图；
将第一特征图进行反采样并与第三层特征图拼接，得到第一拼接图；
将第一拼接图进行第一卷积融合处理，得到第二特征图；
将第二特征图进行第一上采样处理并与第二层特征图拼接，得到第二拼接图；
将第二拼接图进行第二卷积融合处理，得到第三特征图；
将第三特征图进行第二上采样处理并与第一层特征图拼接，得到第三拼接图；
将第三拼接图进行第五卷积处理，得到第四特征图；
对第四特征图进行逆变换处理，得到多区域粗分割标签。
在本申请的一些可选实施例中，多标签分类网络包括多个密集连接块。
在本申请的一些可选实施例中，分割模型的损失函数为深度监督损失模式下的Dice损失函数。
在本申请的一些可选实施例中，多标签分类网络的损失函数为二元交叉熵损失函数。
根据本申请实施例的第二方面，提供一种CT图像多区域的分割装置，该装置可以包括：
获取模块，用于获取CT图像，CT图像为包括多个区域的3D图像；
分割模块，用于将CT图像输入训练好的分割模型中，得到多区域粗分割标签；
点积模块，用于将多区域粗分割标签与CT图像进行点积，得到仅含有前景信息的待分类图像；
分类模块，用于将待分类图像输入多标签分类网络中，得到多标签分类结果。
根据本申请实施例的第三方面，提供一种电子设备，该电子设备可以包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行指令，以实现如第一方面的任一项实施例中所示的CT图像多区域的分割方法。
根据本申请实施例的第四方面，提供一种存储介质，当存储介质中的指令由信息处理装置或者服务器的处理器执行时，以使信息处理装置或者服务器实现如第一方面的任一项实施例中所示的CT图像多区域的分割方法。
本申请的上述技术方案具有如下有益的技术效果：
本申请实施例方法首先利用分割模型对三维CT图像进行分割，得到多区域粗分割标签，然后将多区域粗分割标签与CT图像进行点积，得到仅含有前景信息的待分类图像，最后将待分类图像输入多标签分类网络中，得到多标签分类结果。该方法简单、高效并且可以较为精准进行分割及分类，有助于后续的CT图像判断。
附图说明
图1是本申请一示例性实施例中CT图像多区域的分割方法的流程示意图；
图2是本申请一示例性实施例中CT图像多区域的分割装置的结构示意图；
图3是本申请一示例性实施例中电子设备结构示意图；
图4是本申请一示例性实施例中电子设备的硬件结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本申请进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本申请的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本申请的概念。
在附图中示出了根据本申请实施例的层结构示意图。这些图并非是按比例绘制的，其中为了清楚的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
显然，所描述的实施例是本申请一部分实施例，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，都属于本申请保护的范围。
在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
此外，下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的CT图像多区域的分割方法、装置、电子设备及存储介质进行详细地说明。
如图1所示，在本申请实施例的第一方面，提供了一种CT图像多区域的分割方法，该方法可以包括：
S110：获取CT图像，CT图像为包括多个区域的3D图像；
S120：将CT图像输入训练好的分割模型中，得到多区域粗分割标签；
S130：将多区域粗分割标签与CT图像进行点积，得到仅含有前景信息的待分类图像；
S140：将待分类图像输入多标签分类网络中，得到多标签分类结果。
本申请实施例方法首先利用分割模型对三维CT图像进行分割，得到多区域粗分割标签，然后将多区域粗分割标签与CT图像进行点积，得到仅含有前景信息的待分类图像，最后将待分类图像输入多标签分类网络中，得到多标签分类结果。该方法简单、高效并且可以较为精准进行分割及分类，有助于后续的CT图像判断。
该方法解决CT影像的多区域精准分割和多标签分类的需求，可以在急诊医学影像场景中将辅助临床医生快速精准地进行疾病判断，为后续快速处置及治疗节约大量的人力及物力成本，也可以在工业检测场景中将辅助审核员快速对有产品缺陷或瑕疵的工业元件实现多区域分割和不同区域的多类别判断，以提高工业检测的效率。
在一些实施例中，将CT图像输入训练好的分割模型中，包括：
将CT图像进行标准化，得到输入图像；
将输入图像输入到训练好的分割模型中。
示例性的，可以原始3D的CT图像首先经过1*1*1的空间分辨率重采样后，再经过Z-score的CT值标准化得到输入图像。
本实施例的分割模型可以是U型架构的分割网络，这样就可以将输入图像进行粗分割，得到多区域分割粗结果。
在一些实施例中，将CT图像进行标准化，得到输入图像，包括：
将CT图像进行预设空间分辨率重采样，得到重采样图像；
对重采样图像进行CT值标准化，得到输入图像。
在一些实施例中，将输入图像输入到训练好的分割模型中，包括：
将输入图像进行第一卷积处理，得到第一层特征图；
将第一层特征图依次进行池化处理和第二卷积处理，得到第二层特征图；
将第二层特征图依次进行池化处理和第三卷积处理，得到第三层特征图；
将第三层特征图依次进行池化处理和第四卷积处理，得到第一特征图；
将第一特征图进行反采样并与第三层特征图拼接，得到第一拼接图；
将第一拼接图进行第一卷积融合处理，得到第二特征图；
将第二特征图进行第一上采样处理并与第二层特征图拼接，得到第二拼接图；
将第二拼接图进行第二卷积融合处理，得到第三特征图；
将第三特征图进行第二上采样处理并与第一层特征图拼接，得到第三拼接图；
将第三拼接图进行第五卷积处理，得到第四特征图；
对第四特征图进行逆变换处理，得到多区域粗分割标签。
示例性的，输入图像首先经过两次卷积得到第一层特征图，第一层特征图经过池化操作缩小特征图的尺寸，但同时增加特征图的通道数量。池化后的特征图经过两次卷积操作后，得到第二层特征图。第二层特征图经过池化操作后，同样缩小特征图大小增加通道数，进行两次卷积得到第三层特征图。第三层特征图经过池化操作和两次卷积后，进一步缩小特征图大小并增加通道数，最终得到第一特征图。该第一特征图即为多任务网络框架中分割网络编码器中的最终隐特征。为了更好地完成多区域分割，将第一特征图反采样并和第三层特征图拼接以加强网络对于前后特征的分析。由于分割网络的解码器在上采样过程中会损失掉部分信息，因此需要引入同层编码器的特征予以补充，从而有助于避免信息在多次卷积中丢失的问题。将拼接后的特征进行卷积融合后得到第二特征图，第二特征图经过上采样增大特征图尺寸，并和同层第二层特征图拼接以增强信息表达能力。拼接后的特征经过两次卷积后，得到第三特征图。第三特征图经过上采样后与同层的第一层特征图拼接，并经过两次卷积后最终得到第四特征图。第四特征图的尺寸大小与输入图像大小完全相同，通过one-hot编码的逆变换将通道数变为输入图像大小的通道数，即可得到分割网络的多区域粗分割标签。
在一些实施例中，多标签分类网络包括多个密集连接块。
本实施例通过将多区域粗分割标签和原始输入CT图像点积得到仅含有前景信息的新输入图像。将该图像送入多标签分类网络中，以最终输出不同区域的多标签分类结果。多标签分类网络由不同的密集连接块组成，每一个密集连接块中均采用特征图递次传导的思路，以加强网络对于低阶和高阶隐空间特征的连续学习。具体来说，图像在第一个密集连接块中，经过卷积操作得到不同的特征图。第一组特征图将融合分割网络编码器中的等维度特征，并将融合后的特征参与后续不同组特征图的卷积运算，以使网络可以持续学习先前的特征空间。最后在密集连接块的尾端输出该块的特征图矩阵，经过卷积和池化操作后，将特征图的大小变小同时增加特征图通道数量。新生成的特征图进入下一个密集连接块，并同样采用卷积运算和特征拼接方式得到新的特征图，最后进行卷积和池化以缩小特征维度。经过多个密集连接块后，特征图经过全连接层，输出同区域个数相同的预测概率点，代表不同分割区域的正常和异常状态，最终完成多标签分类任务。在多标签分类网络中，前级多组特征图的密集跳跃连接将有助于网络学习前级及当前特征，从而避免梯度消失并有效利用特征进行后续多标签预测分类任务。
在一些实施例中，分割模型的损失函数为深度监督损失模式下的Dice损失函数。
在一些实施例中，多标签分类网络的损失函数为二元交叉熵损失函数。
上述实施例是基于多任务思路的多区域分割和多标签分类网络将有效结合分割任务和分类任务中的特征层，通过对比和结合不同任务之间的特征层，让网络学习到分类任务和分割任务之间的关联性，从而比单独的子任务的效能要高。为了更好地让网络收敛，本发明中的网络采用加权损失函数。分割网络的损失函数采用深度监督损失模式下的Dice损失函数，分类网络的损失函数采用二元交叉熵损失函数。具体来说，定义分割模型的损失函数Ls，Ls通过对第一特征图、第二特征图、第三特征图及第四特征图上采样，得到与标准分割结果相同的空间，进而分别计算上述特征图的损失并定义为LsA、LsB、LsC和LsD，则分割网络的总损失函数为Ls＝LsA+LsB+LsC+LsD。其中每个子损失函数定义为：L＝1-2*sum(yi*pi)/(sum(yi)+sum(pi))，yi表示第i个像素的实际标签，pi表示第i个像素的预测标签，sum为加和计算。分类网络的损失函数可以对每个标签进行单独的二元分类，并将所有标签的损失函数相加。假设有N个标签，第i个标签的预测值为pi，实际值为yi，则第i个标签的二元交叉熵损失函数为：Li＝-[yi*log(pi)+(1-yi)*log(1-pi)]，将所有标签的损失函数相加，得到多标签分类网络的总损失函数为Lc＝sum(Li)，其中，sum表示对所有标签的损失函数求和。最终多任务网络的总损失函数为L＝Ls+Lc。因此上述实施例的多任务网络算法，可以有效对多区域目标进行分割并实现多区域的多标签分类。
通过将分割网络的编码器特征信息和多标签分类网络的隐空间特征结合，利用特征图的递进式传导帮助网络利用前导信息，并通过双任务损失函数共同约束辅助网络收敛，从而实现CT图像多区域的精准分割和多标签精准分类。多任务的分割和分类网络，可以实现两个子任务的特征传递和互通，通过交换高维隐空间特征以更好地实现不同任务的模型效能。同时由于该模型可一次性同时输出分割及分类结果，因此大大减少了多个模型级联带来的高参数问题，将有效节约CT影像的多区域分割和多标签分类推理时间，提高网络判断效率。
上述实施例方法可以应用在多个领域，如医学领域中的急诊场景下的多器官分割及不同器官的多标签分类问题以及工业检测中利用CT图像对工业产品的不同零部件区域实现分割及多标签分类分析。除此之外其他领域，可根据实际情况可以根据实际情况进行微调变换。比如：材料科学，可以利用CT图像进行研究材料的微观结构，如纤维、颗粒等。利用上述实施例的分割技术将不同的物质成分分离出来，进而做进一步的形态学和物理学分析；地质勘探，可以利用CT图像研究地质样本的结构和成分，利用上述实施例分割技术将不同的岩石成分分离出来，进而做进一步的地质学分析；汽车工程，可以利用CT图像检测汽车零部件的缺陷和损伤，如轮毂、发动机缸体等，利用上述实施例割技术将缺陷部分从正常部分分离出来，进而做进一步的分类和分析。
示例性的，应用于医学影像应用场景：
上述实施例可以应用在急诊医学场景中的多器官分割和不同器官的多标签分类问题中，如对CT腹部多器官进行分割，并同时给出各个器官是否有创伤的类别预测结果。
示例性的，应用于工业检测应用场景：
上述实施例方法可以应用在工业产品的CT图像中，对不同工业产品中的不同区域进行自动分割，并根据分割结果给出不同区域是否有缺陷或损伤，最终实现判断工业产品中不同子区域是否合格的多标签分类任务。
需要说明的是，本申请实施例提供的CT图像多区域的分割方法，执行主体可以为CT图像多区域的分割装置，或者该CT图像多区域的分割装置中的用于执行CT图像多区域的分割的方法的控制模块。本申请实施例中以CT图像多区域的分割装置执行CT图像多区域的分割的方法为例，说明本申请实施例提供的CT图像多区域的分割的装置。
如图2所示，在本申请实施例的第二方面，提供一种CT图像多区域的分割装置，该装置可以包括：
获取模块210，用于获取CT图像，CT图像为包括多个区域的3D图像；
分割模块220，用于将CT图像输入训练好的分割模型中，得到多区域粗分割标签；
点积模块230，用于将多区域粗分割标签与CT图像进行点积，得到仅含有前景信息的待分类图像；
分类模块240，用于将待分类图像输入多标签分类网络中，得到多标签分类结果。
本申请实施例中的CT图像多区域的分割装置可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。
本申请实施例中的CT图像多区域的分割装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。
本申请实施例提供的CT图像多区域的分割装置能够实现图1的方法实施例实现的各个过程，为避免重复，这里不再赘述。
可选地，如图3所示，本申请实施例还提供一种电子设备300，包括处理器301，存储器302，存储在存储器302上并可在所述处理器301上运行的程序或指令，该程序或指令被处理器301执行时实现上述CT图像多区域的分割方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
图4为实现本申请实施例的一种电子设备的硬件结构示意图。
该电子设备400包括但不限于：射频单元401、网络模块402、音频输出单元403、输入单元404、传感器405、显示单元406、用户输入单元407、接口单元408、存储器409、以及处理器410等部件。
本领域技术人员可以理解，电子设备400还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器410逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图4中示出的电子设备结构并不构成对电子设备的限定，电子设备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，在此不再赘述。
应理解的是，本申请实施例中，输入单元404可以包括图形处理器(GraphicsProcessing Unit，GPU)4041和麦克风4042，图形处理器4041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元406可包括显示面板4061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板4061。用户输入单元407包括触控面板4071以及其他输入设备4072。触控面板4071，也称为触摸屏。触控面板4071可包括触摸检测装置和触摸控制器两个部分。其他输入设备4072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。存储器409可用于存储软件程序以及各种数据，包括但不限于应用程序和操作系统。处理器410可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器410中。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述CT图像多区域的分割方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述CT图像多区域的分割方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。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、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
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，本申请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计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
Claims (10)
1.一种CT图像多区域的分割方法，其特征在于，包括：
获取CT图像，所述CT图像为包括多个区域的3D图像；
将所述CT图像输入训练好的分割模型中，得到多区域粗分割标签；
将所述多区域粗分割标签与所述CT图像进行点积，得到仅含有前景信息的待分类图像；
将所述待分类图像输入多标签分类网络中，得到多标签分类结果。
2.根据权利要求1所述的CT图像多区域的分割方法，其特征在于，所述将所述CT图像输入训练好的分割模型中，包括：
将所述CT图像进行标准化，得到输入图像；
将所述输入图像输入到训练好的分割模型中。
3.根据权利要求2所述的CT图像多区域的分割方法，其特征在于，所述将所述CT图像进行标准化，得到输入图像，包括：
将所述CT图像进行预设空间分辨率重采样，得到重采样图像；
对所述重采样图像进行CT值标准化，得到输入图像。
4.根据权利要求2所述的CT图像多区域的分割方法，其特征在于，所述将所述输入图像输入到训练好的分割模型中，包括：
将所述输入图像进行第一卷积处理，得到第一层特征图；
将所述第一层特征图依次进行池化处理和第二卷积处理，得到第二层特征图；
将所述第二层特征图依次进行池化处理和第三卷积处理，得到第三层特征图；
将所述第三层特征图依次进行池化处理和第四卷积处理，得到第一特征图；
将所述第一特征图进行反采样并与所述第三层特征图拼接，得到第一拼接图；
将所述第一拼接图进行第一卷积融合处理，得到第二特征图；
将所述第二特征图进行第一上采样处理并与所述第二层特征图拼接，得到第二拼接图；
将所述第二拼接图进行第二卷积融合处理，得到第三特征图；
将所述第三特征图进行第二上采样处理并与所述第一层特征图拼接，得到第三拼接图；
将所述第三拼接图进行第五卷积处理，得到第四特征图；
对所述第四特征图进行逆变换处理，得到多区域粗分割标签。
5.根据权利要求1所述的CT图像多区域的分割方法，其特征在于，所述多标签分类网络包括多个密集连接块。
6.根据权利要求1所述的CT图像多区域的分割方法，其特征在于，所述分割模型的损失函数为深度监督损失模式下的Dice损失函数。
7.根据权利要求1所述的CT图像多区域的分割方法，其特征在于，所述多标签分类网络的损失函数为二元交叉熵损失函数。
8.一种CT图像多区域的分割装置，其特征在于，包括：
获取模块，用于获取CT图像，所述CT图像为包括多个区域的3D图像；
分割模块，用于将所述CT图像输入训练好的分割模型中，得到多区域粗分割标签；
点积模块，用于将所述多区域粗分割标签与所述CT图像进行点积，得到仅含有前景信息的待分类图像；
分类模块，用于将所述待分类图像输入多标签分类网络中，得到多标签分类结果。
9.一种电子设备，其特征在于，包括：处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-7任一项所述的CT图像多区域的分割方法的步骤。
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程序或指令，所述程序或指令被处理器执行时实现如权利要求1-7任一项所述的CT图像多区域的分割方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311074616.9A CN117058172A (zh) | 2023-08-24 | 2023-08-24 | Ct图像多区域的分割方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311074616.9A CN117058172A (zh) | 2023-08-24 | 2023-08-24 | Ct图像多区域的分割方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117058172A true CN117058172A (zh) | 2023-11-14 |
Family
ID=88662357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311074616.9A Pending CN117058172A (zh) | 2023-08-24 | 2023-08-24 | Ct图像多区域的分割方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117058172A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110866935A (zh) * | 2018-08-28 | 2020-03-06 | 北京连心医疗科技有限公司 | 基于hu值分布的去除放疗结构自动分割中假阳的方法 |
| CN112308860A (zh) * | 2020-10-28 | 2021-02-02 | 西北工业大学 | 基于自监督学习的对地观测图像语义分割方法 |
| US20210097258A1 (en) * | 2019-10-01 | 2021-04-01 | Lawrence Livermore National Security, Llc | 3d segmentation using space carving and 2d convolutional neural networks |
| CN112700461A (zh) * | 2021-03-19 | 2021-04-23 | 浙江卡易智慧医疗科技有限公司 | 一种肺结节检测和表征类别识别的系统 |
| CN114881910A (zh) * | 2021-01-22 | 2022-08-09 | 中国科学院深圳先进技术研究院 | 一种肝及肝肿瘤的医学图像分割方法、系统、终端以及存储介质 |
| CN114998301A (zh) * | 2022-06-28 | 2022-09-02 | 北京大学第三医院（北京大学第三临床医学院） | 一种椎体亚区域分割方法、装置及存储介质 |
| CN115409857A (zh) * | 2022-09-30 | 2022-11-29 | 杭州电子科技大学 | 一种基于深度学习的三维脑积水ct图像分割方法 |
| CN116152560A (zh) * | 2023-02-24 | 2023-05-23 | 复旦大学 | 一种基于多任务学习的胶质瘤图像分类方法及系统 |
-
2023
- 2023-08-24 CN CN202311074616.9A patent/CN117058172A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110866935A (zh) * | 2018-08-28 | 2020-03-06 | 北京连心医疗科技有限公司 | 基于hu值分布的去除放疗结构自动分割中假阳的方法 |
| US20210097258A1 (en) * | 2019-10-01 | 2021-04-01 | Lawrence Livermore National Security, Llc | 3d segmentation using space carving and 2d convolutional neural networks |
| CN112308860A (zh) * | 2020-10-28 | 2021-02-02 | 西北工业大学 | 基于自监督学习的对地观测图像语义分割方法 |
| CN114881910A (zh) * | 2021-01-22 | 2022-08-09 | 中国科学院深圳先进技术研究院 | 一种肝及肝肿瘤的医学图像分割方法、系统、终端以及存储介质 |
| CN112700461A (zh) * | 2021-03-19 | 2021-04-23 | 浙江卡易智慧医疗科技有限公司 | 一种肺结节检测和表征类别识别的系统 |
| CN114998301A (zh) * | 2022-06-28 | 2022-09-02 | 北京大学第三医院（北京大学第三临床医学院） | 一种椎体亚区域分割方法、装置及存储介质 |
| CN115409857A (zh) * | 2022-09-30 | 2022-11-29 | 杭州电子科技大学 | 一种基于深度学习的三维脑积水ct图像分割方法 |
| CN116152560A (zh) * | 2023-02-24 | 2023-05-23 | 复旦大学 | 一种基于多任务学习的胶质瘤图像分类方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 苗政 等: "基于深度学习分割模型的脑出血CT图像自动分割研究", 《中国医疗设备》, vol. 37, no. 8, 31 December 2022 (2022-12-31), pages 46 - 50 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Searching for efficient multi-scale architectures for dense image prediction | |
| US10943145B2 (en) | Image processing methods and apparatus, and electronic devices | |
| CN111325108A (zh) | 一种多任务网络模型及使用方法、装置、和存储介质 | |
| CN110910422A (zh) | 目标跟踪方法、装置、电子设备和可读存储介质 | |
| Hu et al. | A comparison and strategy of semantic segmentation on remote sensing images | |
| CN112801047B (zh) | 缺陷检测方法、装置、电子设备及可读存储介质 | |
| CN115035295B (zh) | 一种基于共享卷积核和边界损失函数的遥感图像语义分割方法 | |
| CN115147598A (zh) | 目标检测分割方法、装置、智能终端及存储介质 | |
| Cameron et al. | Design considerations for the processing system of a CNN-based automated surveillance system | |
| CN113902945A (zh) | 一种多模态乳腺磁共振图像分类方法及系统 | |
| CN112115744B (zh) | 点云数据的处理方法及装置、计算机存储介质、电子设备 | |
| Du et al. | Straight-line detection within 1 millisecond per frame for ultrahigh-speed industrial automation | |
| CN117058172A (zh) | Ct图像多区域的分割方法、装置、电子设备及存储介质 | |
| CN116797973A (zh) | 应用于环卫智慧管理平台的数据挖掘方法及系统 | |
| CN113902744B (zh) | 基于轻量级网络的图像检测方法、系统、设备和存储介质 | |
| Tsai et al. | A generalized framework for parallelizing traffic sign inventory of video log images using multicore processors | |
| Liu | Real-Time Obstacle Detection Based on Image Semantic Segmentation and Fusion Network. | |
| Long et al. | Cascaded feature enhancement network model for real-time video monitoring of power system | |
| Saha et al. | A newly proposed object detection method using faster R-CNN inception with ResNet based on Tensorflow | |
| CN113205131A (zh) | 图像数据的处理方法、装置、路侧设备和云控平台 | |
| Li et al. | Spatial frequency enhanced salient object detection | |
| CN113033397A (zh) | 目标跟踪方法、装置、设备、介质及程序产品 | |
| Feng et al. | Real-time object detection method based on YOLOv5 and efficient mobile network | |
| CN112200055A (zh) | 联合对抗生成网络的行人属性识别方法、系统及装置 | |
| CN115294359B (zh) | 一种基于深度学习的高分辨率图像显著性目标检测方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231126 Address after: 130000 No. 1 Xinmin Street, Changchun City, Jilin Province Applicant after: The First Hospital of Jilin University Address before: 130000 No. 2699 Qianjin Street, Jilin, Changchun Applicant before: Jilin University |