图像分割方法、系统、电子设备及存储介质技术方案

本发明专利技术公开一种图像分割方法、系统、电子设备及存储介质，方法包括：获取医学图像；输入至图像分割模型中进行图像分割，得到分割结果；图像分割模型采用卷积神经网络模型训练得到；卷积神经网络模型包括依次连接的输入层、浅卷积层、多个纵向提取层、浅反卷积层和输出层；浅卷积层输出的特征信息的尺度为浅层特征尺度；卷积神经网络模型还包括至少一个纵向连接结构，每个纵向连接结构对应一个纵向提取层；每个纵向连接结构用于将所对应的纵向提取层输出的特征信息反卷积到浅层特征尺度后与浅卷积层输出的特征信息进行融合，并将融合的结果直接或间接作为浅反卷积层的输入。本发明专利技术充分融合浅层与深层的特征信息，提高图像分割准确率的降低计算量。

【技术实现步骤摘要】
图像分割方法、系统、电子设备及存储介质
本专利技术涉及图像分割
，特别涉及一种图像分割方法、系统、电子设备及存储介质。
技术介绍
大脑的区域体积和形状测量结果是根据大脑的结构分割得出的。覆盖在图像上的分割图对于可视化而言更为重要。体积和皮层表面的定量测量对于描述正常的大脑发育很重要，并且有潜力预测长期的神经发育表现。但是，MR(磁共振)图像的手动分割非常耗时。此外，手动分割会受到观察者之间和观察者内部差异的影响，从而限制了其可重复性。手工方法的这些局限性使得标记人群研究所需的大量被试构成了障碍。因此，需要精确的自动化技术来将大脑分割成感兴趣的结构。随着图像分割技术在医学图像分析应用中的发展，深度学习中的CNN(ConvolutionalNeuralNetworks，卷积神经网络)已广泛用于医学图像处理领域，有效地帮助临床医生和研究者高效准确地处理海量图像信息。其中包括对于MR图像的分割处理。虽然多年的研究已经使得成人脑部MR图像分割技术取得了重大进展，然而新生儿(出生4周以内)MR影像脑区的分割仍然是一个巨大的挑战。原因在于，新生儿脑MR图像的对比噪声比(CNR)要比成人低得多，以及这一时期脑的快速发育，其脑形态和外观与成人也有很大差异。新生儿MR影像脑区分割通常依靠临床医生多年的诊断经验人工进行分割。临床医生通过反复观察新生儿磁共振3DT1影像进行分割的方式存在阅片工作量大，任务繁重的问题，而且阅片医生也容易发生视觉疲劳，存在分割出来的脑灰质、脑白质及脑脊液等边界模糊不清的问题。近年来深度学习技术成为基于手工设计特征的监督学习方法的有力替代方案，深度学习技术具有强大的模型容量并可自动学习提取具有高度辨别的特征，达到的性能可显著优于手工设计的特征。目前深度学习中的CNN已广泛用于医学图像处理领域，在新生儿脑区分割问题中也已采用一些主流的FCN(FullyConvolutionalNetworks，全卷积网络)结构，取得了较好的分割效果。但是，目前在使用FCN进行图像分割时，仍然存在预测时偏差较大，最终对分割精度造成不良影响；另外，有些实现方式复杂，存在计算量大的问题。
技术实现思路
本专利技术要解决的技术问题是为了克服现有技术中使用CNN进行图像分割时，存在预测时偏差较大，导致最终分割精度不高，以及实现方式复杂存在计算量大的缺陷，提供一种能够充分融合浅层与深层的特征信息，通过构建的融合了多层特征信息网络自动实现医学图像的分割，大大提高图像分割准确率及降低计算量的图像分割方法、系统、电子设备及存储介质。本专利技术是通过下述技术方案来解决上述技术问题：本专利技术第一方面提供一种图像分割方法，所述图像分割方法包括：获取医学图像；将所述医学图像输入至图像分割模型中进行图像分割，得到分割结果；所述图像分割模型采用卷积神经网络模型训练得到；所述卷积神经网络模型包括依次连接的输入层、浅卷积层、多个纵向提取层、浅反卷积层和输出层；其中，所述浅卷积层输出的特征信息的尺度为浅层特征尺度；所述卷积神经网络模型还包括至少一个纵向连接结构，每个所述纵向连接结构对应一个所述纵向提取层；每个所述纵向连接结构用于将所对应的所述纵向提取层输出的特征信息反卷积到所述浅层特征尺度后与所述浅卷积层输出的特征信息进行融合，并将融合的结果直接或间接作为所述浅反卷积层的输入。较佳地，与所述浅卷积层相邻的所述纵向提取层为首纵向提取层，与所述浅反卷积层相邻的所述纵向提取层为尾纵向提取层，当所述纵向提取层的数量大于两个时，其余的所述纵向提取层为中间纵向提取层；当所述纵向连接结构所对应的所述纵向提取层为所述中间纵向提取层时，所述将所对应的所述纵向提取层输出的特征信息反卷积到所述浅层特征尺度后与所述浅卷积层输出的特征信息进行融合，并将融合的结果直接或间接作为所述浅反卷积层的输入，包括：将所述中间纵向提取层输出的特征信息反卷积到所述浅层特征尺度后与前一级所述纵向提取层进行通道合并得到的融合特征信息进行通道合并，并将通道合并的结果作为所述中间纵向提取层所对应的融合特征信息，所述中间纵向提取层所对应的融合特征信息间接作为所述浅反卷积层的输入。较佳地，当所述纵向连接结构所对应的所述纵向提取层为所述首纵向提取层时，所述将所对应的所述纵向提取层输出的特征信息反卷积到所述浅层特征尺度后与所述浅卷积层输出的特征信息进行融合，并将融合的结果直接或间接作为所述浅反卷积层的输入，包括：将所述首纵向提取层输出的特征信息反卷积到所述浅层特征尺度后与所述浅卷积层输出的特征信息进行通道合并，并将通道合并的结果作为所述首纵向提取层对应的融合特征信息，所述首纵向提取层对应的融合特征信息间接作为所述浅反卷积层的输入。较佳地，当所述纵向连接结构所对应的所述纵向提取层为所述尾纵向提取层时，所述将所对应的所述纵向提取层输出的特征信息反卷积到所述浅层特征尺度后与所述浅卷积层输出的特征信息进行融合，并将融合的结果直接或间接作为所述浅反卷积层的输入，包括：将所述尾纵向提取层输出的特征信息反卷积到所述浅层特征尺度后与前一级所述纵向提取层进行通道合并得到的融合特征信息进行通道合并，并将通道合并的结果作为所述尾纵向提取层所对应的融合特征信息，所述尾纵向提取层所对应的融合特征信息直接作为所述浅反卷积层的输入。较佳地，所述卷积神经网络为V字型或U字型的卷积神经网络；所述V字型或所述U字型的卷积神经网络模型包括依次连接的输入层、浅卷积层、多个卷积层、位于所述V字型或所述U字型底部的复合卷积层、多个反卷积层、浅反卷积层以及输出层，所述卷积层的数量和所述反卷积层的数量相同；其中，所述卷积层、所述反卷积层以及所述复合卷积层均为所述纵向提取层。较佳地，所述获取医学图像，包括：获取新生儿脑区的磁共振3DT1影像；所述将所述医学图像输入至图像分割模型中进行图像分割，得到分割结果，包括：对所述新生儿脑区的磁共振3DT1影像进行头部矫正，以得到第一矫正数据；对所述第一矫正数据进行磁场场矫正，以得到第二矫正数据；使用归一化方法对所述第二矫正数据进行标准化处理，以得到网络输入数据；将所述网络输入数据输入至图像分割模型中进行图像分割，得到分割结果；所述分割结果包括分割出新生儿脑区的脑白质、脑灰质及脑脊液中的至少一种。较佳地，所述医学图像的成像模态包括计算机断层扫描图像、磁共振图像、X射线图像、超声图像以及分子图像中的至少一种；和/或，每个所述纵向提取层均对应一个所述纵向连接结构。本专利技术第二方面提供了一种图像分割系统，所述图像分割系统包括：获取模块，用于获取医学图像；分割模块，用于将所述医学图像输入至图像分割模型中进行图像分割，得到分割结果；所述图像分割模型采用卷积神经网络模型训练得到；所述卷积神经网络模型包括依次连接的输入层、浅卷积层、多个纵向提取层、浅反卷积层和输出层；其中，所述浅卷积层输出的特征信息的尺度为浅层特征尺度本文档来自技高网...

【技术保护点】
1.一种图像分割方法，其特征在于，所述图像分割方法包括：/n获取医学图像；/n将所述医学图像输入至图像分割模型中进行图像分割，得到分割结果；/n所述图像分割模型采用卷积神经网络模型训练得到；/n所述卷积神经网络模型包括依次连接的输入层、浅卷积层、多个纵向提取层、浅反卷积层和输出层；/n其中，所述浅卷积层输出的特征信息的尺度为浅层特征尺度；/n所述卷积神经网络模型还包括至少一个纵向连接结构，每个所述纵向连接结构对应一个所述纵向提取层；每个所述纵向连接结构用于将所对应的所述纵向提取层输出的特征信息反卷积到所述浅层特征尺度后与所述浅卷积层输出的特征信息进行融合，并将融合的结果直接或间接作为所述浅反卷积层的输入。/n

【技术特征摘要】
1.一种图像分割方法，其特征在于，所述图像分割方法包括：
获取医学图像；
将所述医学图像输入至图像分割模型中进行图像分割，得到分割结果；
所述图像分割模型采用卷积神经网络模型训练得到；
所述卷积神经网络模型包括依次连接的输入层、浅卷积层、多个纵向提取层、浅反卷积层和输出层；
其中，所述浅卷积层输出的特征信息的尺度为浅层特征尺度；
所述卷积神经网络模型还包括至少一个纵向连接结构，每个所述纵向连接结构对应一个所述纵向提取层；每个所述纵向连接结构用于将所对应的所述纵向提取层输出的特征信息反卷积到所述浅层特征尺度后与所述浅卷积层输出的特征信息进行融合，并将融合的结果直接或间接作为所述浅反卷积层的输入。


2.如权利要求1所述的图像分割方法，其特征在于，与所述浅卷积层相邻的所述纵向提取层为首纵向提取层，与所述浅反卷积层相邻的所述纵向提取层为尾纵向提取层，当所述纵向提取层的数量大于两个时，其余的所述纵向提取层为中间纵向提取层；
当所述纵向连接结构所对应的所述纵向提取层为所述中间纵向提取层时，所述将所对应的所述纵向提取层输出的特征信息反卷积到所述浅层特征尺度后与所述浅卷积层输出的特征信息进行融合，并将融合的结果直接或间接作为所述浅反卷积层的输入，包括：将所述中间纵向提取层输出的特征信息反卷积到所述浅层特征尺度后与前一级所述纵向提取层进行通道合并得到的融合特征信息进行通道合并，并将通道合并的结果作为所述中间纵向提取层所对应的融合特征信息，所述中间纵向提取层所对应的融合特征信息间接作为所述浅反卷积层的输入。


3.如权利要求2所述的图像分割方法，其特征在于，当所述纵向连接结构所对应的所述纵向提取层为所述首纵向提取层时，所述将所对应的所述纵向提取层输出的特征信息反卷积到所述浅层特征尺度后与所述浅卷积层输出的特征信息进行融合，并将融合的结果直接或间接作为所述浅反卷积层的输入，包括：将所述首纵向提取层输出的特征信息反卷积到所述浅层特征尺度后与所述浅卷积层输出的特征信息进行通道合并，并将通道合并的结果作为所述首纵向提取层对应的融合特征信息，所述首纵向提取层对应的融合特征信息间接作为所述浅反卷积层的输入。


4.如权利要求2或3所述的图像分割方法，其特征在于，当所述纵向连接结构所对应的所述纵向提取层为所述尾纵向提取层时，所述将所对应的所述纵向提取层输出的特征信息反卷积到所述浅层特征尺度后与所述浅卷积层输出的特征信息进行融合，并将融合的结果直接或间接作为所述浅反卷积层的输入，包括：将所述尾纵向提取层输出的特征信息反卷积到所述浅层特征尺度后与前一级所述纵向提取层进行通道合并得到的融合特征信息进行通道合并，并将通道合并的结果作为所述尾纵向提取层所对应的融合...

【专利技术属性】
技术研发人员：陈冉，沈宏，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：上海;31