圖像分割、模型的訓(xùn)練方法及裝置，電子設(shè)備及存儲介質(zhì)制造方法及圖紙

本申請公開了一種圖像分割、模型的訓(xùn)練方法及裝置，電子設(shè)備及存儲介質(zhì)。該圖像分割方法包括：根據(jù)包括背景、縱膈、動脈和靜脈的待分割圖像，獲取所述待分割圖像的縱膈區(qū)域的所述縱膈、所述動脈、所述靜脈和所述背景的第一分割結(jié)果；根據(jù)所述待分割圖像，獲取所述待分割圖像的外延區(qū)域的血管與所述背景的第二分割結(jié)果；根據(jù)所述第一分割結(jié)果和所述第二分割結(jié)果，獲取所述待分割圖像的所述縱膈、所述動脈、所述靜脈和所述背景的分割結(jié)果，能夠提高動脈與靜脈的分割的準(zhǔn)確性和分割的效率。

【技術(shù)實(shí)現(xiàn)步驟摘要】
圖像分割、模型的訓(xùn)練方法及裝置，電子設(shè)備及存儲介質(zhì)
本申請涉及圖像處理
，具體涉及一種圖像分割方法及裝置，模型的訓(xùn)練方法及裝置，電子設(shè)備及存儲介質(zhì)。
技術(shù)介紹
圖像分割在影像學(xué)診斷中大有用處。例如，將肺血管分為動脈/靜脈可能有助于醫(yī)生準(zhǔn)確診斷可能以特定方式影響動脈或靜脈樹的肺部疾病。例如，最近的研究表明，動脈/靜脈的分類可以更好地評估肺栓塞，而動脈樹的變化與慢性血栓栓塞性肺動脈高壓的發(fā)展相關(guān)。此外，肺實(shí)質(zhì)內(nèi)動脈的改變與右心室功能障礙有關(guān)。為了檢測兩棵血管樹的變化，醫(yī)生手動分析患者的胸部CT圖像以尋找異常。這個過程是耗時(shí)的，難以標(biāo)準(zhǔn)化，因此不適合大型臨床研究或在現(xiàn)實(shí)世界的臨床決策。因此，在CT圖像中實(shí)現(xiàn)動靜脈的自動分離成為人們關(guān)注的熱點(diǎn)，它可以幫助醫(yī)生準(zhǔn)確診斷病變。
技術(shù)實(shí)現(xiàn)思路
有鑒于此，本申請的實(shí)施例致力于提供一種圖像分割方法及裝置，模型的訓(xùn)練方法及裝置，電子設(shè)備及存儲介質(zhì)，能夠提高動脈與靜脈的分割的準(zhǔn)確性和分割的效率。根據(jù)本申請實(shí)施例的第一方面，提供了一種圖像分割方法，包括：根據(jù)包括背景、縱膈、動脈和靜脈的待分割圖像，獲取所述待分割圖像的縱膈區(qū)域的所述縱膈、所述動脈、所述靜脈和所述背景的第一分割結(jié)果；根據(jù)所述待分割圖像，獲取所述待分割圖像的外延區(qū)域的血管與所述背景的第二分割結(jié)果；根據(jù)所述第一分割結(jié)果和所述第二分割結(jié)果，獲取所述待分割圖像的所述縱膈、所述動脈、所述靜脈和所述背景的分割結(jié)果。根據(jù)本申請實(shí)施例的第二方面，提供了一種模型的訓(xùn)練方法，包括：確定樣本圖像，所述樣本圖像包括縱膈區(qū)域的縱膈、背景、動脈和靜脈的第一標(biāo)簽以及外延區(qū)域的背景和血管的第二標(biāo)簽；基于所述樣本圖像訓(xùn)練神經(jīng)網(wǎng)絡(luò)，以生成用于獲得所述縱膈區(qū)域的縱膈、背景、動脈和靜脈的第一分割結(jié)果的網(wǎng)絡(luò)模型，其中，所述神經(jīng)網(wǎng)絡(luò)為3D神經(jīng)網(wǎng)絡(luò)；基于所述樣本圖像訓(xùn)練級聯(lián)的神經(jīng)網(wǎng)絡(luò)，以生成用于獲得所述外延區(qū)域的背景和血管的第二分割結(jié)果的分割模型，其中，所述級聯(lián)的神經(jīng)網(wǎng)絡(luò)包括用于特征提取的第一神經(jīng)網(wǎng)絡(luò)以及用于生成所述第二分割結(jié)果的第二神經(jīng)網(wǎng)絡(luò)。根據(jù)本申請實(shí)施例的第三方面，提供了一種圖像分割裝置，包括：第一分割模塊，配置為根據(jù)包括背景、縱膈、動脈和靜脈的待分割圖像，獲取所述待分割圖像的縱膈區(qū)域的所述縱膈、所述動脈、所述靜脈和所述背景的第一分割結(jié)果；第二分割模塊，配置為根據(jù)所述待分割圖像，獲取所述待分割圖像的外延區(qū)域的血管與所述背景的第二分割結(jié)果；獲取模塊，配置為根據(jù)所述第一分割結(jié)果和所述第二分割結(jié)果，獲取所述待分割圖像的所述縱膈、所述動脈、所述靜脈和所述背景的分割結(jié)果。根據(jù)本申請實(shí)施例的第四方面，提供了一種模型的訓(xùn)練裝置，包括：確定模塊，配置為確定樣本圖像，所述樣本圖像包括縱膈區(qū)域的縱膈、背景、動脈和靜脈的第一標(biāo)簽以及外延區(qū)域的背景和血管的第二標(biāo)簽；第一訓(xùn)練模塊，配置為基于所述樣本圖像訓(xùn)練神經(jīng)網(wǎng)絡(luò)，以生成用于獲得所述縱膈區(qū)域的縱膈、背景、動脈和靜脈的第一分割結(jié)果的網(wǎng)絡(luò)模型，其中，所述神經(jīng)網(wǎng)絡(luò)為3D神經(jīng)網(wǎng)絡(luò)；第二訓(xùn)練模塊，配置為基于所述樣本圖像訓(xùn)練級聯(lián)的神經(jīng)網(wǎng)絡(luò)，以生成用于獲得所述外延區(qū)域的背景和血管的第二分割結(jié)果的分割模型，其中，所述級聯(lián)的神經(jīng)網(wǎng)絡(luò)包括用于特征提取的第一神經(jīng)網(wǎng)絡(luò)以及用于生成所述第二分割結(jié)果的第二神經(jīng)網(wǎng)絡(luò)。根據(jù)本申請實(shí)施例的第五方面，提供了一種電子設(shè)備，包括：處理器；用于存儲所述處理器可執(zhí)行指令的存儲器；所述處理器用于執(zhí)行上述任一實(shí)施例所述的圖像分割方法，或者用于執(zhí)行上述任一實(shí)施例所述的模型的訓(xùn)練方法。根據(jù)本申請實(shí)施例的第六方面，提供了一種計(jì)算機(jī)可讀存儲介質(zhì)，所述存儲介質(zhì)存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序用于執(zhí)行上述任一實(shí)施例所述的圖像分割方法，或者用于執(zhí)行上述任一實(shí)施例所述的模型的訓(xùn)練方法。本申請的實(shí)施例所提供的一種圖像分割方法，通過將縱膈區(qū)域的血管分割任務(wù)與外延區(qū)域的血管分割任務(wù)分離開來，以分別獲得縱膈區(qū)域的縱膈、動脈、靜脈和背景的第一分割結(jié)果和外延區(qū)域的血管與背景的第二分割結(jié)果，再根據(jù)第一分割結(jié)果與第二分割結(jié)果，來獲得待分割圖像的縱膈、動脈、靜脈和背景的分割結(jié)果，能夠避免直接對動脈、靜脈和背景進(jìn)行分割時(shí)外延區(qū)域的血管與縱膈區(qū)域的血管的尺寸不一致而影響不同尺寸血管的分割，從而能夠提高動脈與靜脈的分割的準(zhǔn)確性和分割的效率。附圖說明通過結(jié)合附圖對本申請實(shí)施例進(jìn)行更詳細(xì)的描述，本申請的上述以及其他目的、特征和優(yōu)勢將變得更加明顯。附圖用來提供對本申請實(shí)施例的進(jìn)一步理解，并且構(gòu)成說明書的一部分，與本申請實(shí)施例一起用于解釋本申請，并不構(gòu)成對本申請的限制。在附圖中，相同的參考標(biāo)號通常代表相同部件或步驟。圖1所示為本申請實(shí)施例所提供的一種實(shí)施環(huán)境的示意圖。圖2所示為本申請一個實(shí)施例提供的圖像分割方法的流程示意圖。圖3所示為本申請另一個實(shí)施例提供的圖像分割方法的流程示意圖。圖4所示為本申請一個實(shí)施例提供的區(qū)域增長的實(shí)現(xiàn)過程的示意圖。圖5所示為本申請一個實(shí)施例提供的模型的訓(xùn)練方法的流程示意圖。圖6所示為本申請一個實(shí)施例提供的級聯(lián)的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程的示意圖。圖7所示為本申請一個實(shí)施例提供的標(biāo)記的樣本圖像的示意圖。圖8所示為本申請一個實(shí)施例提供的圖像分割裝置的框圖。圖9所示為本申請一個實(shí)施例提供的模型的訓(xùn)練裝置的框圖。圖10所示為本申請一個實(shí)施例提供的電子設(shè)備的結(jié)構(gòu)框圖。具體實(shí)施方式下面將結(jié)合本申請實(shí)施例中的附圖，對本申請實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅是本申請一部分實(shí)施例，而不是全部的實(shí)施例。基于本申請中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本申請保護(hù)的范圍。申請概述深度學(xué)習(xí)通過建立具有階層結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)，在計(jì)算系統(tǒng)中實(shí)現(xiàn)人工智能。由于階層結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)能夠?qū)斎胄畔⑦M(jìn)行逐層提取和篩選，因此深度學(xué)習(xí)具有表征學(xué)習(xí)能力，可以實(shí)現(xiàn)端到端的監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。深度學(xué)習(xí)所使用的階層結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)具有多種形態(tài)，其階層的復(fù)雜度被通稱為“深度”，按構(gòu)筑類型，深度學(xué)習(xí)的形式包括多層感知器、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)和其它混合構(gòu)筑。深度學(xué)習(xí)使用數(shù)據(jù)對其構(gòu)筑中的參數(shù)進(jìn)行更新以達(dá)成訓(xùn)練目標(biāo)，該過程被通稱為“學(xué)習(xí)”，深度學(xué)習(xí)提出了一種讓計(jì)算機(jī)自動學(xué)習(xí)出模式特征的方法，并將特征學(xué)習(xí)融入到了建立模型的過程中，從而減少了人為設(shè)計(jì)特征造成的不完備性。神經(jīng)網(wǎng)絡(luò)是一種運(yùn)算模型，由大量的節(jié)點(diǎn)(或稱神經(jīng)元)之間相互連接構(gòu)成，每個節(jié)點(diǎn)對應(yīng)一個策略函數(shù)，每兩個節(jié)點(diǎn)間的連接代表一個對于通過該連接信號的加權(quán)值，稱之為權(quán)重。神經(jīng)網(wǎng)絡(luò)一般包括多個神經(jīng)網(wǎng)絡(luò)層，上下網(wǎng)絡(luò)層之間相互級聯(lián)，第i個神經(jīng)網(wǎng)絡(luò)層的輸出與第i+1個神經(jīng)網(wǎng)絡(luò)層的輸入相連，第i+1個神經(jīng)網(wǎng)絡(luò)層的輸出與第i+2個神經(jīng)網(wǎng)絡(luò)層的輸入相連，以此類推。訓(xùn)練樣本輸入級聯(lián)的神經(jīng)網(wǎng)絡(luò)層后，通過每個神經(jīng)網(wǎng)絡(luò)層輸出一個輸出結(jié)果，該輸出結(jié)果作為下一個神經(jīng)網(wǎng)絡(luò)層的輸入，由此，通過多個神經(jīng)網(wǎng)絡(luò)層本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
1.一種圖像分割方法，其特征在于，包括：/n根據(jù)包括背景、縱膈、動脈和靜脈的待分割圖像，獲取所述待分割圖像的縱膈區(qū)域的所述縱膈、所述動脈、所述靜脈和所述背景的第一分割結(jié)果；/n根據(jù)所述待分割圖像，獲取所述待分割圖像的外延區(qū)域的血管與所述背景的第二分割結(jié)果；/n根據(jù)所述第一分割結(jié)果和所述第二分割結(jié)果，獲取所述待分割圖像的所述縱膈、所述動脈、所述靜脈和所述背景的分割結(jié)果。/n

【技術(shù)特征摘要】
1.一種圖像分割方法，其特征在于，包括：
根據(jù)包括背景、縱膈、動脈和靜脈的待分割圖像，獲取所述待分割圖像的縱膈區(qū)域的所述縱膈、所述動脈、所述靜脈和所述背景的第一分割結(jié)果；
根據(jù)所述待分割圖像，獲取所述待分割圖像的外延區(qū)域的血管與所述背景的第二分割結(jié)果；
根據(jù)所述第一分割結(jié)果和所述第二分割結(jié)果，獲取所述待分割圖像的所述縱膈、所述動脈、所述靜脈和所述背景的分割結(jié)果。


2.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括：
將所述待分割圖像輸入網(wǎng)絡(luò)模型，
其中，所述根據(jù)包括背景、縱膈、動脈和靜脈的待分割圖像，獲取所述待分割圖像的縱膈區(qū)域的所述縱膈、所述動脈、所述靜脈和所述背景的第一分割結(jié)果，包括：
根據(jù)所述待分割圖像，通過所述網(wǎng)絡(luò)模型，獲取所述待分割圖像的縱膈區(qū)域的所述縱膈、所述動脈、所述靜脈和所述背景的第一分割結(jié)果。


3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述將所述待分割圖像輸入網(wǎng)絡(luò)模型，包括：
將所述待分割圖像的縱膈區(qū)域進(jìn)行切塊操作，獲得多個切塊圖像，其中，所述多個切塊圖像中的每個切塊圖像均包括所述縱膈；
將所述多個切塊圖像輸入所述網(wǎng)絡(luò)模型，
其中，所述根據(jù)所述待分割圖像，通過所述網(wǎng)絡(luò)模型，獲取所述待分割圖像的縱膈區(qū)域的所述縱膈、所述動脈、所述靜脈和所述背景的第一分割結(jié)果，包括：
根據(jù)所述多個切塊圖像，通過所述網(wǎng)絡(luò)模型，獲取所述多個切塊圖像對應(yīng)的所述縱膈區(qū)域的所述縱膈、所述動脈、所述靜脈和所述背景的多個子分割結(jié)果；
通過高斯平滑處理，對所述多個子分割結(jié)果進(jìn)行組合操作，以獲得組合后的分割結(jié)果；
通過連通域算法，對所述組合后的分割結(jié)果進(jìn)行后處理，獲得所述第一分割結(jié)果。


4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述通過連通域算法，對所述組合后的分割結(jié)果進(jìn)行后處理，獲得所述第一分割結(jié)果，包括：
通過所述連通域算法，獲取所述組合后的分割結(jié)果中的靜脈最大連通域和動脈最大連通域；
根據(jù)所述靜脈最大連通域和所述動脈最大連通域，去除所述組合后的分割結(jié)果中的噪點(diǎn)，以獲得所述第一分割結(jié)果，其中，所述噪點(diǎn)包括同時(shí)為所述動脈和所述靜脈的點(diǎn)以及假陽點(diǎn)。


5.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括：
將所述待分割圖像輸入分割模型，
其中，所述根據(jù)所述待分割圖像，獲取所述待分割圖像的外延區(qū)域的血管與所述背景的第二分割結(jié)果，包括：
根據(jù)所述待分割圖像，通過所述分割模型，獲取所述外延區(qū)域的血管與所述背景的第二分割結(jié)果。


6.根據(jù)權(quán)利要求1至5中任一項(xiàng)所述的方法，其特征在于，所述根據(jù)所述第一分割結(jié)果和所述第二分割結(jié)果，得到所述待分割圖像的所述縱膈、所述動脈、所述靜脈和所述背景的分割結(jié)果，包括：
根據(jù)所述第一分割結(jié)果和所述第二分割結(jié)果，通過區(qū)域增長算法，得到所述待分割圖像的所述縱膈、所述動脈、所述靜脈和所述背景的分割結(jié)果。


7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述根據(jù)所述第一分割結(jié)果和所述第二分割結(jié)果，通過區(qū)域增長算法，得到所述待分割圖像的所述縱膈、所述動脈、所述靜脈和所述背景的分割結(jié)果，包括：
以所述第一分割結(jié)果為起點(diǎn)，將所述第一分割結(jié)果沿所述第二分割結(jié)果以預(yù)設(shè)血管生長長度進(jìn)行區(qū)域增長，以獲得所述待分割圖像的所述縱膈、所述動脈、所述靜脈和所述背景的分割結(jié)果。


8.一種模型訓(xùn)練方法，其特征在于，包括：
確定樣本圖像，所述樣本圖像包括縱膈區(qū)域的縱膈、背景、動脈和靜脈的第一標(biāo)簽以及外延區(qū)域的背景和血管的第二標(biāo)簽；
基于所述樣本圖像訓(xùn)練神經(jīng)網(wǎng)絡(luò)，以生成用于獲得所述縱膈區(qū)域的...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：劉恩佑，郝智，張歡，趙朝煒，王瑜，李新陽，王少康，陳寬，
申請(專利權(quán))人：北京推想科技有限公司，
類型：發(fā)明
國別省市：北京;11