【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。