[發(fā)明專利]一種圖像分割方法、裝置、電子設(shè)備及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202010093234.0
• 申請日: 2020-02-14
• 公開（公告）號: CN111275721B
• 公開（公告）日: 2021-06-08
• 發(fā)明（設(shè)計）人: 陳偉導;趙朝煒;李新陽;王少康;陳寬
• 申請（專利權(quán)）人: 推想醫(yī)療科技股份有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/04;G06N3/08
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

1.一種圖像分割方法，其特征在于，包括：

確定待分割原圖像；

將所述待分割原圖像輸入至圖像分割模型，得到所述待分割原圖像中的目標區(qū)域圖像；

其中，所述圖像分割模型基于樣本數(shù)據(jù)對圖像分割網(wǎng)絡進行預先訓練得到，所述圖像分割網(wǎng)絡包括：至少兩個級聯(lián)的卷積神經(jīng)網(wǎng)絡模塊，每個卷積神經(jīng)網(wǎng)絡模塊包括至少兩個特征提取單元；

每個卷積神經(jīng)網(wǎng)絡模塊均配置有損失函數(shù)，在訓練時，當前卷積神經(jīng)網(wǎng)絡模塊配置的損失函數(shù)用于對當前卷積神經(jīng)網(wǎng)絡模塊輸出的中間分割結(jié)果進行監(jiān)督；具體是，計算所述中間分割結(jié)果與預先標注的金標準之間的相似度；

當前卷積神經(jīng)網(wǎng)絡模塊輸出的特征層作為與當前卷積神經(jīng)網(wǎng)絡模塊級聯(lián)的下一個卷積神經(jīng)網(wǎng)絡模塊的第一輸入特征層；

當前卷積神經(jīng)網(wǎng)絡模塊最后一次上采樣得到的特征層作為與當前卷積神經(jīng)網(wǎng)絡模塊級聯(lián)的下一個卷積神經(jīng)網(wǎng)絡模塊的第二輸入特征層；

當前卷積神經(jīng)網(wǎng)絡模塊中第一個特征提取單元輸出的特征層作為與當前卷積神經(jīng)網(wǎng)絡模塊級聯(lián)的下一個卷積神經(jīng)網(wǎng)絡模塊的第三輸入特征層；

所述第一輸入特征層、第二輸入特征層以及第三輸入特征層堆疊成整體作為與當前卷積神經(jīng)網(wǎng)絡模塊級聯(lián)的下一個卷積神經(jīng)網(wǎng)絡模塊的輸入；

所述方法還包括：

對所述目標區(qū)域圖像進行后處理，得到對所述目標區(qū)域圖像進行標記的原圖像；

其中，對所述目標區(qū)域圖像進行后處理，包括：

對圖像分割模型中最后一個卷積神經(jīng)網(wǎng)絡模塊輸出的特征層、所述最后一個卷積神經(jīng)網(wǎng)絡模塊中第一個特征提取單元輸出的特征層以及最后一個卷積神經(jīng)網(wǎng)絡模塊最后一次上采樣得到的特征層進行卷積運算，得到所述對所述目標區(qū)域圖像進行標記的原圖像。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述待分割原圖像包括：腦部磁共振擴散加權(quán)DWI圖像；

對應的，所述樣本數(shù)據(jù)包括標注好腦缺血區(qū)域的DWI圖像數(shù)據(jù)。

3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，將所述待分割原圖像輸入至圖像分割模型之前，還包括：

對所述待分割原圖像進行預處理；

其中，所述預處理包括下述至少一種：歸一化、去噪或者細節(jié)增強。

4.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡模塊包括：Dense U-net或者Resnet；

對應的，所述特征提取單元包括Dense Block或者residual block。

5.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，當前卷積神經(jīng)網(wǎng)絡模塊最后一次上采樣得到的特征層通過卷積運算得到當前卷積神經(jīng)網(wǎng)絡模塊輸出的特征層。