CN114708283A - 图像目标的分割方法、装置、电子设备及存储介质 - Google Patents
图像目标的分割方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114708283A CN114708283A CN202210421832.5A CN202210421832A CN114708283A CN 114708283 A CN114708283 A CN 114708283A CN 202210421832 A CN202210421832 A CN 202210421832A CN 114708283 A CN114708283 A CN 114708283A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- segmentation
- registration
- result
- 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 222
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000012545 processing Methods 0.000 claims abstract description 64
- 230000006870 function Effects 0.000 claims description 50
- 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 39
- 230000009466 transformation Effects 0.000 claims description 39
- 238000007667 floating Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000036961 partial effect Effects 0.000 claims description 6
- 238000003759 clinical diagnosis Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 230000001575 pathological effect Effects 0.000 abstract 1
- 210000004185 liver Anatomy 0.000 description 44
- 210000001015 abdomen Anatomy 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000003187 abdominal effect Effects 0.000 description 7
- 210000004204 blood vessel Anatomy 0.000 description 6
- 238000010968 computed tomography angiography Methods 0.000 description 6
- 238000003709 image segmentation Methods 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical group [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 238000002583 angiography Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T3/02—Affine transformations
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- G06T2207/20084—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种图像目标的分割方法、装置、电子设备及存储介质。图像目标的分割方法包括：对医学图像进行图像目标分割处理，得到第一分割结果；根据所述第一分割结果，从所述医学图像中提取包含所述图像目标的目标图像；将所述目标图像与预设标准图像进行配准处理，得到配准结果；所述预设标准图像为包含标准图像目标的图像；根据所述配准结果对所述目标图像进行图像目标分割处理，得到图像目标分割结果。如此，有效提高了图像目标分割结果的精确度，为临床诊断和病理学研究提供了更加可靠的依据。
Description
技术领域
本申请涉及图像处理技术领域，具体涉及一种图像目标的分割方法、装置、电子设备及存储介质。
背景技术
医学图像分割是医学图像进行后续操作的必要前提，其目的是将医学图像中具有某些特殊含义的部分分割出来，并提取相关特征，为临床诊疗和病理学研究提供可靠的依据，辅助医生做出更为准确的诊断。
然而，受医学图像中图像目标所处环境较为复杂的影响，分割结果往往不尽如人意，例如，肝脏周围被脂肪和大量其他脏器包围，在分割时很难将其与腹部的脂肪和其他脏器清晰地分割出来，导致医生无法做出更加精准的诊断。因此，提高图像目标分割结果的精确度，对于医生的诊断具有重要意义。
发明内容
有鉴于此，本申请提供了一种图像目标的分割方法、装置、电子设备及存储介质，能够提高医学图像中图像目标分割结果的精确度。
为实现以上目的，本申请采用如下技术方案：
本申请的第一方面提供一种图像目标的分割方法，包括：
对医学图像进行图像目标分割处理，得到第一分割结果；
根据所述第一分割结果，从所述医学图像中提取包含所述图像目标的目标图像；
将所述目标图像与预设标准图像进行配准处理，得到配准结果；所述预设标准图像为包含标准图像目标的图像；
根据所述配准结果对所述目标图像进行图像目标分割处理，得到图像目标分割结果。
可选的，所述将所述目标图像与预设标准图像进行配准处理，得到配准结果，包括：
基于非刚体配准方法，将所述目标图像与预设标准图像进行配准，得到所述配准结果。
可选的，所述基于非刚体配准方法，将所述目标图像与预设标准图像进行配准之前，所述方法还包括：
基于刚体配准方法，确定所述目标图像和所述预设标准图像的仿射变换关系；
所述基于非刚体配准方法，将所述目标图像与预设标准图像进行配准，得到所述配准结果，包括：
基于非刚体配准方法，利用所述仿射变换关系和所述预设标准图像，对所述目标图像进行配准，得到所述配准结果。
可选的，所述基于刚体配准方法，确定所述目标图像和所述预设标准图像的仿射变换关系，包括：
将所述目标图像和所述预设标准图像输入到预先构建的刚体配准模型中，得到所述仿射变换关系。
可选的，所述刚体配准模型通过如下处理训练得到：
利用预先构建的刚体配准模型对第一样本信息进行刚体配准，确定第一损失函数和第二损失函数；所述第一样本信息包括：包含标准图像目标的参考图像和对应的浮动图像；
根据第一损失函数和第二损失函数，对所述刚体配准模型进行参数修正；
其中，所述第一损失函数用于约束模型参数，以使经过模型仿射变换后的所述浮动图像与所述参考图像形态接近；所述第二损失函数用于约束模型参数，以防止所述浮动图像与所述参考图像的仿射变换关系过拟合。
可选的，所述基于非刚体配准方法，利用所述仿射变换关系和所述预设标准图像，对所述目标图像进行配准，得到所述配准结果，包括：
将所述仿射变换关系、所述预设标准图像和所述目标图像输入到预先构建的非刚体配准模型中，得到所述配准结果。
可选的，所述根据所述配准结果对所述目标图像进行图像目标分割处理，得到图像目标分割结果，包括：
根据所述配准结果对所述目标图像进行图像目标分割处理，得到第二分割结果；
基于预设筛选规则，从所述第二分割结果中筛选得到所述图像目标分割结果。
可选的，所述对医学图像进行图像目标分割处理，得到第一分割结果，包括：
基于预设切割尺寸，对所述医学图像进行区域切割，得到各个区域的切割结果；
对所述切割结果进行分割处理，得到区域分割结果；
将携带有部分图像目标的所述区域分割结果进行拼接，得到所述图像目标的所述第一分割结果。
本申请的第二方面提供一种图像目标的分割装置，包括：
第一分割模块，用于对医学图像进行图像目标分割处理，得到第一分割结果；
获取模块，用于根据所述第一分割结果和所述医学图像，获取目标图像；
配准模块，用于将所述目标图像与预设标准图像进行配准处理，得到配准结果；
第二分割模块，用于根据所述配准结果对所述目标图像进行图像目标分割处理，得到图像目标分割结果。
本申请的第三方面提供一种电子设备，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序；
所述处理器用于调用并执行所述存储器中的所述计算机程序，以执行如本申请的第一方面所述的方法。
本申请的第四方面提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如本申请的第一方面所述的图像目标的分割方法的各个步骤。
本申请提供的技术方案可以包括以下有益效果：
本申请的方案中，首先对医学图像进行图像目标分割处理，得到图像目标的第一分割结果，从而定位到了图像目标在医学图像中的大体位置。再根据得到的第一分割结果，从医学图像中获取目标图像，就可以得到图像目标的大致图像，一定程度上滤除了医学图像中的部分干扰。再利用预设标准图像对目标图像进行配准，得到配准结果。最后根据配准结果对目标图像进行图像目标分割处理，就可以得到图像目标分割结果。在上述处理过程中，将包含待分割图像目标的目标图像，与包含标准图像目标的图像进行配准，可以明确目标图像中的图像目标与标准图像目标的差异，并将该配准结果用于辅助图像目标的分割，丰富了图像目标分割的参考数据，有利于更加准确地从目标图像中识别并分割图像目标，如此，有效提高了图像目标分割结果的精确度，为临床诊断和病理学研究提供了更加可靠的依据。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种实施环境的示意图。
图2是本申请一个实施例提供的一种图像目标的分割方法的流程图。
图3是本申请另一个实施例提供的一种图像目标的分割方法的流程图。
图4是本申请又一个实施例提供的一种图像目标的分割方法的流程图。
图5是本申请再一个实施例提供的一种图像目标的分割方法的流程图。
图6是本申请一个实施例提供的一种未经过配准结果辅助的肝脏分割结果示意图。
图7是本申请一个实施例提供的一种经过图像目标的分割方法处理的肝脏分割结果示意图。
图8是本申请一个实施例提供的一种图像目标的分割装置的结构示意图。
图9是本申请另一个实施例提供的一种电子设备的结构框图。
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，下面将对本申请的技术方案进行详细的描述。显然，所描述的实施例仅仅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的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。
申请概述
CT(Computed Tomography)，即电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查；根据所采用的射线不同可分为：X射线CT(X-CT)以及γ射线CT(γ-CT)等。
CT血管造影术即CT血管成像，是一种利用计算机三维重建方法合成的非创伤性血管造影术。它利用螺旋CT的快速扫描技术，在短时间内，即造影剂仍浓集于血管内时完成一定范围内的横断面扫描。将采集的图像资料送到图像工作站或CT机的图像重建功能区进行图像重建。重建技术一般采用最大密度投影法(maximal intensity projection，MIP)或容积重建法(volume reconstruction，VR)，通过图像显示阈值的调整即可得到只有连续清晰的血管影而无周围的组织结构影。如果选择合适的重建方法和显示阈值还可获得同时显示血管和组织结构的三维图像，并可利用计算机软件对其进行任意角度的观察和任意方向的切割。
CT血管造影(CT angiography，CTA)的优点是非创伤性的血管造影术，虽然CTA需要注射造影剂，但其不需要穿刺和血管插管技术，危险性极小，除造影剂的不良反应外几乎无其他的并发症。CTA在有助于人们了解血管情况的同时，还有助于人们了解血管和周围组织或病灶的关系，这是普通血管造影所无法实现的。但是CTA也有它的不足，如小血管的显示仍不清楚，个别图像重建的伪影和动静脉的连续动态显示仍不能实现等。
图像分割模型可以把图像(例如原始CT图像)中的目标区域分割出来，便于用户了解目标存在的位置、目标的大小等信息，进而便于用户针对该目标区域制定相应的决策。该图像分割模型可以是利用训练样本对深度学习模型进行训练而得到的。相较于传统的图像分割方法，利用该基于深度学习的图像分割模型对图像进行分割，具有效率高、鲁棒性好、可以适应多种场景等优点。
示例性系统
图1所示为本申请实施例提供的一种实施环境的示意图。该实施环境包括计算机设备110以及CT扫描仪120。
CT扫描仪120用于对人体组织进行扫描，得到人体组织的CT图像。在一实施例中，通过CT扫描仪120对腹部进行扫描，可以得到本申请中的医学图像。计算机设备110可以从CT扫描仪120处获取医学图像,并通过执行本申请实施例提供的图像目标的分割方法，对该医学图像进行处理以得到图像目标分割结果。。
计算机设备110可以是通用型计算机或者由专用的集成电路组成的计算机装置等，本申请实施例对此不做限定。例如，计算机设备110可以是平板电脑等移动终端设备，或者也可以是个人计算机(Personal Computer，PC)，比如膝上型便携计算机和台式计算机等等。本领域技术人员可以知晓，上述计算机设备110的数量可以一个或多个，其类型可以相同或者不同。本申请实施例对计算机设备110的数量和设备类型不加以限定。
在一实施例中，图1的实施环境可以用于执行本申请实施例提供的图像目标的分割方法。计算机设备110可以从CT扫描仪120获取医学图像，并通过执行本申请实施例提供的图像目标的分割方法，对该医学图像进行处理以得到图像目标分割结果。
在一些实施例中，计算机设备110可以是服务器，即CT扫描仪120直接与服务器通信连接。
在另一些实施例中，计算机设备110可以分别与CT扫描仪120以及服务器通信连接，并将从CT扫描仪120获取的医学图像发送至服务器，以便服务器基于该医学图像执行图像目标的分割方法。
示例性方法
图2所示为本申请一示例性实施例提供的图像目标的分割方法的流程示意图。图2的方法可由计算机设备，例如，由图1的计算机设备或服务器来执行。如图2所示，该图像目标的分割方法至少包括如下实施步骤：
S201、对医学图像进行图像目标分割处理，得到第一分割结果。
实施时，在对医学图像进行图像目标分割处理前，可以首先获取医学图像，其中，医学图像需是带有图像目标的医学图像，例如，以肝脏为图像目标，医学图像可以是腹部的CT图像。本申请实施例对医学图像的具体类型不做限定，即本申请实施例的图像目标的分割方法可以适用于多种类型的图像。
在得到医学图像后，就可以对医学图像中的图像目标进行初步分割处理，以获取到图像目标的第一分割结果。
进行初步分割处理时，可以采用分割网络对医学图像进行图像目标的分割处理，从而从医学图像中获取到图像目标的第一分割结果。应用时，第一分割结果包括图像目标在医学图像中的粗定位结果。
S202、根据第一分割结果，从医学图像中提取包含图像目标的目标图像。
在得到图像目标的第一分割结果后，即可粗略确定分割结果中图像目标的中心点和最小外接框的位置信息。继而基于该位置信息，可以从医学图像中截取到该位置的图像，将截取到的图像作为目标图像。
实施时，由于第一分割结果中粗略锁定了图像目标的位置信息，则基于第一分割结果，可以从医学图像中截取到图像目标的大致区域，一定程度上过滤掉了医学图像中其他信息的干扰，为后续进一步进行图像分割提供了依据。
S203、将目标图像与预设标准图像进行配准处理，得到配准结果；预设标准图像为包含标准图像目标的图像。
在进行配准处理时，配准算法的输入有预先选择好的预设标准图像和目标图像，通过寻找预设标准图像和目标图像之间的关系，得到一个形变场。基于此形变场，可以将预设标准图像中包含的标准图像目标的区域配准到目标图像上，得到配准结果。其中，标准图像目标的区域为图像目标的金标准，该金标准可以选用图像目标的公开数据集的标注结果，也可以选用经过技术人员标注和审核的标注结果。
例如，以肝脏为图像目标，则根据预先选择好的肝脏分割的金标准，可以从腹部CT图像中找到肝脏分割的最小外接框，截取在最小外接框范围内的图像，将其作为预设标准图像，同时，腹部CT图像进行肝脏分割处理，得到肝脏的第一分割结果，基于第一分割结果从腹部CT图像中截取到目标图像。将得到的两种图像进行配准处理，通过两者之间轮廓的对应关系，确定其形变场，基于此形变场，得到肝脏的配准结果，即得到了肝脏的初步体态，其中，该配准结果包括肝脏的掩膜，也即确定了目标图像中肝脏的感兴趣区域。
S204、根据配准结果对目标图像进行图像目标分割处理，得到图像目标分割结果。
利用上述得到的肝脏的配准结果为分割提示，对目标图像进行肝脏分割处理，可以减少肝脏分割的缺失和假阳，提升分割效果。
本实施中，首先对医学图像进行图像目标分割处理，得到图像目标的第一分割结果，从而定位到了图像目标在医学图像中的大体位置。再根据得到的第一分割结果，从医学图像中获取目标图像，就可以得到图像目标的大致图像，一定程度上滤除了医学图像中的部分干扰。再利用预设标准图像对目标图像进行配准，得到配准结果。最后根据配准结果对目标图像进行图像目标分割处理，就可以得到图像目标分割结果。在上述处理过程中，将包含待分割图像目标的目标图像，与包含标准图像目标的图像进行配准，可以明确目标图像中的图像目标与标准图像目标的差异，并将该配准结果用于辅助图像目标的分割，丰富了图像目标分割的参考数据，有利于更加准确地从目标图像中识别并分割图像目标，如此，有效提高了图像目标分割结果的精确度，为临床诊断和病理学研究提供了更加可靠的依据。
图3所示为本申请另一个实施例提供的一种图像目标的分割方法的流程图。在本申请图2所示实施例的基础上延伸出本申请图3所示实施例，下面着重叙述图3所示实施例的不同之处，相同之处不再赘述。
如图3所示，在本申请的实施例中，基于对医学图像进行图像目标分割处理，得到第一分割结果的步骤，至少可以包括如下实施步骤：
S2011、基于预设切割尺寸，对医学图像进行区域切割，得到各个区域的切割结果。
其中，预设切割尺寸可以根据实际需求进行设置，此处不作限定。
S2012、对切割结果进行分割处理，得到区域分割结果。
S2013、将携带有部分图像目标的区域分割结果进行拼接，得到图像目标的第一分割结果。
具体实施时，以腹部CT影像为医学图像，以肝脏为图像目标为例，考虑到CT肝脏造影的特点，腹部CT影像中每个像素点的取值范围在[-1024,1024]，其中肝脏作为高亮区域，主要集中在-200到300之间，基于这样的先验知识，对腹部CT影像进行肝脏分割处理，以将包含肝脏范围的像素作为目标提取出来。考虑到显存的大小，如果直接将500张甚至2000张512×512的腹部CT影像放进显存中，不仅会占用较多显存，还会影响对腹部CT影像的处理速度，降低工作效率。因此，可以基于预设切割尺寸，将图像切割成预设大小的方块(如128×128×128大小的方块)，切割得到的方块即为各个区域的切割结果，再将这些小方块依次放入到ResUNet网络中进行分割，得到腹部CT影像中每个区域的区域分割结果。其中，部分方块不包含肝脏，则分割出来没有肝脏的区域分割结果。最终再将所有携带有肝脏区域的区域分割结果拼接到一起，就可以得到完整的肝脏的粗分割结果，也即第一分割结果。如此，可以有效减少对显存的占用，提高图像处理效率。
一些实施例中，为了提高配准的精确度，在将目标图像与预设标准图像进行配准处理，得到配准结果时，可以基于非刚体配准方法，将目标图像与预设标准图像进行配准，得到配准结果。如此，可以为后续对图像目标的处理提供更加精确的分割指示。
非刚体配准方法可以有多种，例如，基于薄板样条函数点约束和互信息相结合的配准算法，先将目标图像与预设标准图像进行全局粗配准，再用互信息技术进行局部校正，可以实现较好的配准效果。
具体的，非刚体配准方法可以根据实际需求进行选用，此处不作限定。
一些实施例中，为了提高配准速度，并进一步提高配准精度，可以将刚体配准与非刚体配准进行结合，基于此，在上述基于非刚体配准方法，将目标图像与预设标准图像进行配准之前，图像目标的分割方法还可以包括：基于刚体配准方法，确定目标图像和预设标准图像的仿射变换关系。
具体的，在基于刚体配准方法，确定目标图像和预设标准图像的仿射变换关系时，可以将目标图像和预设标准图像输入到预先构建的刚体配准模型中，得到仿射变换关系。
其中，刚体配准模型用于提取目标图像和预设标准图像之间的空间特征关系，并将仿射变换关系(缩放、旋转、平移)的参数设置为其输出，以提高后续非刚体配准的鲁棒性，加快收敛速度。
相应的，在基于非刚体配准方法，将目标图像与预设标准图像进行配准，得到配准结果时，可以基于非刚体配准方法，利用仿射变换关系和预设标准图像，对目标图像进行配准，得到配准结果。如此，可以滤除医学图像中大部分非图像目标的干扰，进一步提高分割准确性。以肝脏为图像目标为例，通过刚体配准与非刚体配准的结合，可以有效避免肝脏周围大量脂肪和其他脏器如胆囊、胰腺等对肝脏分割的影响，提高了对肝脏分割的准确性。
一些实施例中，如图4所示，上述刚体配准模型可以通过如下步骤处理训练得到：
S401、利用预先构建的刚体配准模型对第一样本信息进行刚体配准，确定第一损失函数和第二损失函数；第一样本信息包括：包含标准图像目标的参考图像和对应的浮动图像。
其中，第一损失函数用于约束模型参数，以使经过模型仿射变换后的浮动图像与参考图像形态接近；第二损失函数用于约束模型参数，以防止浮动图像与参考图像的仿射变换关系过拟合。
以腹部CT图像为医学图像，肝脏为图像目标为例，在进行参考图像和浮动图像的选取时，一方面，可以在金标准分割的基础上，找到肝脏分割的最小外接框，在腹部CT图像中截取最小外接框范围内的图像作为参考图像；另一方面，可以确定腹部CT图像中肝脏的第一分割结果，并根据第一分割结果中的最小外接框从腹部CT图像中截取到浮动图像。如此，可以获取到大量的第一样本信息，并以此作为训练样本为后续的训练提供训练依据。
实施时，可以采用ResNext3D网络作为刚体配准模型的应用网络。通过ResNext3D网络可以提取参考图像和浮动图像空间特征关系，并将仿射变换关系的参数设置为网络的输出参数。并且，可以设置两个损失函数，即第一损失函数和第二损失函数。第一损失函数可以记录经过仿射变换后参考图像与浮动图像的形态差异大小，如此，可以通过第一损失函数约束模型参数，让经过仿射变换后的参考图像和浮动图像尽可能的接近。第二损失函数是仿射变换参数本身的标准空间和行列式大小，如此，可以通过第二损失函数约束参数模型，以防止浮动图像与参考图像的仿射变换关系过拟合。
S402、根据第一损失函数和第二损失函数，对刚体配准模型进行参数修正。
实施时，通过计算第一损失函数和第二损失函数，可以反向传播更新上述ResNext3D网络的网络参数，最终通过不断训练得到刚体配准模型。
同样的，在上述基于非刚体配准方法，利用仿射变换关系和预设标准图像，对目标图像进行配准，得到配准结果时，可以将仿射变换关系、预设标准图像和目标图像输入到预先构建的非刚体配准模型中，得到配准结果。
其中，非刚体配准模型的训练方法可以包括：利用预先构建的非刚体配准模型对第二样本信息进行非刚体配准，确定第三损失函数和第四损失函数；其中，第二样本信息包括：包含标准图像目标的参考图像、浮动图像和对应的仿射变换关系。根据第三损失函数和第四损失函数，可以对非刚体配准模型进行参数修正。其中，第三损失函数用于约束模型参数，以使经过非刚体形变后的浮动图像与参考图像形态接近；第四损失函数用于约束模型参数，以限制形变场的变形程度，防止过拟合。
实施时，在加上刚体配准得到的仿射变换关系的基础上，可以进一步寻找参考图像和浮动图像之间的形变关系。具体的，可以采用ResUnet网络作为非刚体配准模型的应用网络。利用ResUnet网络来训练非刚体形变场，形变场可以记录浮动图像上的每个像素移动的方向和位移量，将网络的输出层设置为形变场，同时可以设置两个损失函数，即第三损失函数和第四损失函数。第三损失函数可以记录经过形变场后，参考图像和浮动图像之间的像素差异大小，如此，可以通过第三损失函数约束模型参数，让经过非刚体形变后的参考图像和浮动图像之间尽可能接近。第四损失函数可以计算形变场的平滑度和放大缩小的程度，如此，可以通过第四损失函数限制形变场的变形程度，防止过拟合。最后，可以通过计算第三损失函数和第四损失函数来反向传播更新网络参数，使形变场更加准确，也即，使训练得到的非刚体配准模型更加准确，以提高配准精确度。
需要注意的是，刚体配准模型的网络结构和非刚体配准模型的网络结构均可以有多种，并不仅限于本申请中提到的网络结构，本申请并不对上述两种模型的网络结构做具体限定。
如此，在得到配准结果后，就可以根据配准结果对目标图像进行图像目标分割处理，以得到图像目标分割结果。
图5所示为本申请另一个实施例提供的一种图像目标的分割方法的流程图。在本申请图2所示实施例的基础上延伸出本申请图5所示实施例，下面着重叙述图5所示实施例的不同之处，相同之处不再赘述。
如图5所示，在本申请的实施例中，根据配准结果对目标图像进行图像目标分割处理，得到图像目标分割结果的步骤，至少可以包括如下实施步骤：
S2041、根据配准结果对目标图像进行图像目标分割处理，得到第二分割结果。
其中，在进行图像目标分割处理时，为了得到更加精细的分割结果，可以采用精分割算法，利用配准结果辅助进行精分割，以提升分割效果。
具体的，可以预先构建精分割模型，如此，将上述得到的配准结果和目标图像输入到精分割模型中，就可以实现对图像目标的精细分割，得到第二分割结果。
其中，在构建精分割模型时，可以利用分割网络ResUnet来训练测试，以得到分割更加精确的模型。
如图6和图7所示，两图采用同一腹部CT图像为医学图像，图6中是直接对腹部CT图像进行肝脏精分割处理后得到的肝脏分割结果示意图，其中，A1是分割得到的肝脏区域图像。图7是采用本申请的上述方法，利用配准结果辅助进行精分割后得到的肝脏分割结果示意图，其中，A2是分割得到的肝脏区域。从图6中可以看出，未经过图像配准结果辅助进行精分割处理的肝脏区域A1具有明显的突出(如图6中区域b1)和黏连(如图6中区域c1)。而图7中，经过配准结果辅助进行精分割处理后的肝脏区域A2中则明显解决了这个问题，A2中的区域b2(对应A1中的区域b1)处消除了突出，A2中的区域c2(对应A1中的区域c1)处消除了黏连。可见，明显根据配准结果进行肝脏分割处理得到分割结果要更加精确。
S2042、基于预设筛选规则，从第二分割结果中筛选得到图像目标分割结果。
由于图像目标分割结果通常呈现为一个完整的连通域。为此，在得到第二分割结果后，可以基于预设筛选规则，将第二分割结果中可能存在的不是图像目标的连通域去除，最终得到图像目标分割结果。
实施时，以肝脏为图像目标为例，在对腹部CT图像进行处理得到第二分割结果后，肝脏可以视为其中最大的连通域，因此，可以将预设筛选规则设置为：保留第二分割结果中最大的连通域。如此，只保留第二分割结果中最大的连通域，可以将其作为最终的肝脏分割结果，并可以根据上述第一分割结果的位置信息将其映射回原医学图像上。
应该理解的是，虽然图2、图3、图4和图5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图3、图4和图5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
示例性装置
图8所示为本申请一示例性实施例提供的图像目标的分割装置的结构示意图。如图8所示，图像目标的分割装置800可以包括：第一分割模块801，用于对医学图像进行图像目标分割处理，得到第一分割结果；获取模块802，用于根据第一分割结果和医学图像，获取目标图像；配准模块803，用于将目标图像与预设标准图像进行配准处理，得到配准结果；第二分割模块804，用于根据配准结果对目标图像进行图像目标分割处理，得到图像目标分割结果。
可选的，在将目标图像与预设标准图像进行配准处理，得到配准结果时，配准模块803，具体可以用于：基于非刚体配准方法，将目标图像与预设标准图像进行配准，得到配准结果。
可选的，在基于非刚体配准方法，将目标图像与预设标准图像进行配准之前，配准模块803，具体还可以用于：基于刚体配准方法，确定目标图像和预设标准图像的仿射变换关系。相应的，在基于非刚体配准方法，将目标图像与预设标准图像进行配准，得到配准结果时，配准模块803，具体可以用于：基于非刚体配准方法，利用仿射变换关系和预设标准图像，对目标图像进行配准，得到配准结果。
可选的，在基于刚体配准方法，确定目标图像和预设标准图像的仿射变换关系时，配准模块803，具体还可以用于：将目标图像和预设标准图像输入到预先构建的刚体配准模型中，得到仿射变换关系。
可选的，图像目标的分割装置还可以包括训练模块，训练模块用于通过如下处理训练得到刚体配准模型：利用预先构建的刚体配准模型对第一样本信息进行刚体配准，确定第一损失函数和第二损失函数；第一样本信息包括：包含标准图像目标的参考图像和对应的浮动图像；根据第一损失函数和第二损失函数，对刚体配准模型进行参数修正；其中，第一损失函数用于约束模型参数，以使经过模型仿射变换后的浮动图像与参考图像形态接近；第二损失函数用于约束模型参数，以防止浮动图像与参考图像的仿射变换关系过拟合。
可选的，在基于非刚体配准方法，利用仿射变换关系和预设标准图像，对目标图像进行配准，得到配准结果时，配准模块803，具体可以用于：将仿射变换关系、预设标准图像和目标图像输入到预先构建的非刚体配准模型中，得到配准结果。
可选的，在根据配准结果对目标图像进行图像目标分割处理，得到图像目标分割结果时，第二分割模块804，具体可以用于：根据配准结果对目标图像进行图像目标分割处理，得到第二分割结果；基于预设筛选规则，从第二分割结果中筛选得到图像目标分割结果。
可选的，在对医学图像进行图像目标分割处理，得到第一分割结果时，第一分割模块801，具体可以用于：基于预设切割尺寸，对医学图像进行区域切割，得到各个区域的切割结果；对切割结果进行分割处理，得到区域分割结果；将携带有部分图像目标的区域分割结果进行拼接，得到图像目标的第一分割结果。
应当理解，本申请的实施例提供的图像目标的分割装置的具体实现方式可以参考以上任意实施例所述的图像目标的分割方法的具体实施方式，此处不再赘述。
图9所示为本申请一示例性实施例提供的用于执行图像目标的分割方法的电子设备900的框图。
参照图9，电子设备900包括处理组件910，其进一步包括一个或多个处理器，以及由存储器920所代表的存储器资源，用于存储可由处理组件910的执行的指令，例如应用程序。存储器920中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件910被配置为执行指令，以执行上述图像目标的分割方法。
电子设备900还可以包括一个电源组件被配置为执行电子设备900的电源管理，一个有线或无线网络接口被配置为将电子设备900连接到网络，和一个输入输出(I/O)接口。可以基于存储在存储器920的操作系统操作电子设备900，例如Windows ServerTM，Mac OSXTM，UnixTM，LinuxTM，FreeBSDTM或类似。
一种非临时性计算机可读存储介质，当存储介质中的指令由上述电子设备900的处理器执行时，使得上述电子设备900能够执行一种图像目标的分割方法。该图像目标的分割方法包括：对医学图像进行图像目标分割处理，得到第一分割结果；根据第一分割结果，从医学图像中提取包含图像目标的目标图像；将目标图像与预设标准图像进行配准处理，得到配准结果；预设标准图像为包含标准图像目标的图像；根据配准结果对目标图像进行图像目标分割处理，得到图像目标分割结果。
上述所有可选技术方案，可采用任意结合形成本申请的可选实施例，在此不再一一赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元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。
所述功能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取存储介质中。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或者该技术方案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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序校验码的介质。
需要说明的是，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换等，均应包含在本申请的保护范围之内。
Claims (11)
1.一种图像目标的分割方法，其特征在于，包括：
对医学图像进行图像目标分割处理，得到第一分割结果；
根据所述第一分割结果，从所述医学图像中提取包含所述图像目标的目标图像；
将所述目标图像与预设标准图像进行配准处理，得到配准结果；所述预设标准图像为包含标准图像目标的图像；
根据所述配准结果对所述目标图像进行图像目标分割处理，得到图像目标分割结果。
2.根据权利要求1所述的图像目标的分割方法，其特征在于，所述将所述目标图像与预设标准图像进行配准处理，得到配准结果，包括：
基于非刚体配准方法，将所述目标图像与预设标准图像进行配准，得到所述配准结果。
3.根据权利要求2所述的图像目标的分割方法，其特征在于，所述基于非刚体配准方法，将所述目标图像与预设标准图像进行配准之前，所述方法还包括：
基于刚体配准方法，确定所述目标图像和所述预设标准图像的仿射变换关系；
所述基于非刚体配准方法，将所述目标图像与预设标准图像进行配准，得到所述配准结果，包括：
基于非刚体配准方法，利用所述仿射变换关系和所述预设标准图像，对所述目标图像进行配准，得到所述配准结果。
4.根据权利要求3所述的图像目标的分割方法，其特征在于，所述基于刚体配准方法，确定所述目标图像和所述预设标准图像的仿射变换关系，包括：
将所述目标图像和所述预设标准图像输入到预先构建的刚体配准模型中，得到所述仿射变换关系。
5.根据权利要求4所述的图像目标的分割方法，其特征在于，所述刚体配准模型通过如下处理训练得到：
利用预先构建的刚体配准模型对第一样本信息进行刚体配准，确定第一损失函数和第二损失函数；所述第一样本信息包括：包含标准图像目标的参考图像和对应的浮动图像；
根据第一损失函数和第二损失函数，对所述刚体配准模型进行参数修正；
其中，所述第一损失函数用于约束模型参数，以使经过模型仿射变换后的所述浮动图像与所述参考图像形态接近；所述第二损失函数用于约束模型参数，以防止所述浮动图像与所述参考图像的仿射变换关系过拟合。
6.根据权利要求3所述的图像目标的分割方法，其特征在于，所述基于非刚体配准方法，利用所述仿射变换关系和所述预设标准图像，对所述目标图像进行配准，得到所述配准结果，包括：
将所述仿射变换关系、所述预设标准图像和所述目标图像输入到预先构建的非刚体配准模型中，得到所述配准结果。
7.根据权利要求1所述的图像目标的分割方法，其特征在于，所述根据所述配准结果对所述目标图像进行图像目标分割处理，得到图像目标分割结果，包括：
根据所述配准结果对所述目标图像进行图像目标分割处理，得到第二分割结果；
基于预设筛选规则，从所述第二分割结果中筛选得到所述图像目标分割结果。
8.根据权利要求1所述的图像目标的分割方法，其特征在于，所述对医学图像进行图像目标分割处理，得到第一分割结果，包括：
基于预设切割尺寸，对所述医学图像进行区域切割，得到各个区域的切割结果；
对所述切割结果进行分割处理，得到区域分割结果；
将携带有部分图像目标的所述区域分割结果进行拼接，得到所述图像目标的所述第一分割结果。
9.一种图像目标的分割装置，其特征在于，包括：
第一分割模块，用于对医学图像进行图像目标分割处理，得到第一分割结果；
获取模块，用于根据所述第一分割结果和所述医学图像，获取目标图像；
配准模块，用于将所述目标图像与预设标准图像进行配准处理，得到配准结果；
第二分割模块，用于根据所述配准结果对所述目标图像进行图像目标分割处理，得到图像目标分割结果。
10.一种电子设备，其特征在于，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序；
所述处理器用于调用并执行所述存储器中的所述计算机程序，以执行如权利要求1-8任一项所述的方法。
11.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-8任一项所述的图像目标的分割方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210421832.5A CN114708283A (zh) | 2022-04-21 | 2022-04-21 | 图像目标的分割方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210421832.5A CN114708283A (zh) | 2022-04-21 | 2022-04-21 | 图像目标的分割方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114708283A true CN114708283A (zh) | 2022-07-05 |
Family
ID=82174603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210421832.5A Pending CN114708283A (zh) | 2022-04-21 | 2022-04-21 | 图像目标的分割方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114708283A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116468741A (zh) * | 2023-06-09 | 2023-07-21 | 南京航空航天大学 | 基于3d物理空间域和螺旋分解空间域的胰腺癌分割方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103854276A (zh) * | 2012-12-04 | 2014-06-11 | 株式会社东芝 | 图像配准及分割装置和方法，以及医学图像设备 |
| CN104091346A (zh) * | 2014-07-24 | 2014-10-08 | 东南大学 | 一种全自动ct图像冠状动脉钙化分数计算方法 |
| CN109378068A (zh) * | 2018-08-21 | 2019-02-22 | 深圳大学 | 一种鼻咽癌疗效的自动评测方法及系统 |
| CN110706233A (zh) * | 2019-09-30 | 2020-01-17 | 北京科技大学 | 一种视网膜眼底图像分割方法及装置 |
| CN110838108A (zh) * | 2019-10-30 | 2020-02-25 | 腾讯科技（深圳）有限公司 | 基于医疗图像的预测模型构建方法、预测方法及装置 |
| CN111127466A (zh) * | 2020-03-31 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 医学图像检测方法、装置、设备及存储介质 |
| CN112884775A (zh) * | 2021-01-20 | 2021-06-01 | 推想医疗科技股份有限公司 | 一种分割方法、装置、设备及介质 |
| CN113205538A (zh) * | 2021-05-17 | 2021-08-03 | 广州大学 | 基于CRDNet的血管图像分割方法及装置 |
| CN114187337A (zh) * | 2021-12-07 | 2022-03-15 | 推想医疗科技股份有限公司 | 图像配准方法、分割方法、装置、电子设备以及存储介质 |
| CN114332120A (zh) * | 2021-12-24 | 2022-04-12 | 上海商汤智能科技有限公司 | 图像分割方法、装置、设备及存储介质 |
-
2022
- 2022-04-21 CN CN202210421832.5A patent/CN114708283A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103854276A (zh) * | 2012-12-04 | 2014-06-11 | 株式会社东芝 | 图像配准及分割装置和方法，以及医学图像设备 |
| CN104091346A (zh) * | 2014-07-24 | 2014-10-08 | 东南大学 | 一种全自动ct图像冠状动脉钙化分数计算方法 |
| CN109378068A (zh) * | 2018-08-21 | 2019-02-22 | 深圳大学 | 一种鼻咽癌疗效的自动评测方法及系统 |
| CN110706233A (zh) * | 2019-09-30 | 2020-01-17 | 北京科技大学 | 一种视网膜眼底图像分割方法及装置 |
| CN110838108A (zh) * | 2019-10-30 | 2020-02-25 | 腾讯科技（深圳）有限公司 | 基于医疗图像的预测模型构建方法、预测方法及装置 |
| CN111127466A (zh) * | 2020-03-31 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 医学图像检测方法、装置、设备及存储介质 |
| CN112884775A (zh) * | 2021-01-20 | 2021-06-01 | 推想医疗科技股份有限公司 | 一种分割方法、装置、设备及介质 |
| CN113205538A (zh) * | 2021-05-17 | 2021-08-03 | 广州大学 | 基于CRDNet的血管图像分割方法及装置 |
| CN114187337A (zh) * | 2021-12-07 | 2022-03-15 | 推想医疗科技股份有限公司 | 图像配准方法、分割方法、装置、电子设备以及存储介质 |
| CN114332120A (zh) * | 2021-12-24 | 2022-04-12 | 上海商汤智能科技有限公司 | 图像分割方法、装置、设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116468741A (zh) * | 2023-06-09 | 2023-07-21 | 南京航空航天大学 | 基于3d物理空间域和螺旋分解空间域的胰腺癌分割方法 |
| CN116468741B (zh) * | 2023-06-09 | 2023-09-22 | 南京航空航天大学 | 基于3d物理空间域和螺旋分解空间域的胰腺癌分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ansari et al. | Dense-PSP-UNet: a neural network for fast inference liver ultrasound segmentation | |
| US8335359B2 (en) | Systems, apparatus and processes for automated medical image segmentation | |
| US9218661B2 (en) | Image analysis for specific objects | |
| CN107886508B (zh) | 差分减影方法和医学图像处理方法及系统 | |
| US8229188B2 (en) | Systems, methods and apparatus automatic segmentation of liver in multiphase contrast-enhanced medical images | |
| US8472684B1 (en) | Systems and methods for generating fused medical images from multi-parametric, magnetic resonance image data | |
| US10497123B1 (en) | Isolation of aneurysm and parent vessel in volumetric image data | |
| US20090074276A1 (en) | Voxel Matching Technique for Removal of Artifacts in Medical Subtraction Images | |
| EP2807630B1 (en) | Processing and displaying a breast image | |
| US20050065421A1 (en) | System and method of measuring disease severity of a patient before, during and after treatment | |
| CN111540025A (zh) | 预测用于图像处理的图像 | |
| EP3722996A2 (en) | Systems and methods for processing 3d anatomical volumes based on localization of 2d slices thereof | |
| Huang et al. | POST-IVUS: A perceptual organisation-aware selective transformer framework for intravascular ultrasound segmentation | |
| US20120078101A1 (en) | Ultrasound system for displaying slice of object and method thereof | |
| CN114708283A (zh) | 图像目标的分割方法、装置、电子设备及存储介质 | |
| US10417764B2 (en) | System and methods for diagnostic image analysis and image quality assessment | |
| CN112862752A (zh) | 一种图像处理显示方法、系统电子设备及存储介质 | |
| US11138736B2 (en) | Information processing apparatus and information processing method | |
| CN111325758A (zh) | 肺部图像分割方法及装置、图像分割模型的训练方法 | |
| CN116051553A (zh) | 一种在三维医学模型内部进行标记的方法和装置 | |
| Longuefosse et al. | Lung CT Synthesis Using GANs with Conditional Normalization on Registered Ultrashort Echo-Time MRI | |
| Mesanovic et al. | Application of lung segmentation algorithm to disease quantification from CT images | |
| CN112767314A (zh) | 医学图像处理方法、装置、设备及存储介质 | |
| Mwawado | Development of a fast and accurate method for the segmentation of diabetic foot ulcer images | |
| KR101886936B1 (ko) | 확률 에지 맵을 이용한 초음파 영상에서의 콘트라스트 개선 방법 및 장치 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220705 |
|
| RJ01 | Rejection of invention patent application after publication |