[發(fā)明專利]影像分割方法、裝置、可讀存儲介質及電子設備

有效

• 申請?zhí)枺?/td>: 201911146163.X
• 申請日: 2019-11-21
• 公開（公告）號: CN110853043B
• 公開（公告）日: 2020-09-29
• 發(fā)明（設計）人: 陳偉導;孫巖峰;陳寬;王少康
• 申請（專利權）人: 北京推想科技有限公司
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T7/174;G06T7/38
• 代理公司: 北京布瑞知識產(chǎn)權代理有限公司 11505
• 代理人: 秦衛(wèi)中

本發(fā)明提供了一種影像分割方法、裝置、計算機可讀存儲介質及電子設備。該方法包括：獲取待分割影像和影像分割模板，其中，影像分割模板包括樣本影像和樣本影像的多個影像分區(qū)的樣本分割標簽；將待分割影像與樣本影像在多個尺度上進行配準，得到多尺度空間變換矩陣參數(shù)；根據(jù)多尺度空間變換矩陣參數(shù)，對樣本分割標簽進行空間轉換，得到待分割影像的所述多個影像分區(qū)的分割標簽，能夠利用影像分割模板自動、規(guī)范地對影像進行區(qū)域分割，得到個體特異性的區(qū)域分割標記圖，同時區(qū)域分割精度較高。

技術領域

本發(fā)明涉及影像分割技術領域，具體涉及一種影像分割方法、影像分割裝置、計算機可讀存儲介質及電子設備。

背景技術

影像分割是指將影像中感興趣區(qū)域的邊界找到，使得邊界內部和外部的像素分別具備相似的特征(強度、紋理等)。醫(yī)學影像分割是對醫(yī)學影像進行其他后續(xù)處理的基礎，對影像中目標區(qū)域的準確分割對于醫(yī)療診斷、制定手術計劃等具有十分重要的意義。

目前，醫(yī)生只能依據(jù)自身的影像學經(jīng)驗和解剖學知識對區(qū)域邊界進行人為識別判斷，或者依據(jù)自身經(jīng)驗利用繪圖軟件在醫(yī)學影像上手動描繪出區(qū)域邊界，以得到醫(yī)學影像的區(qū)域分割標記圖。但是，對影像區(qū)域的分割依賴于醫(yī)生的經(jīng)驗，難度高、一致性差，得到的區(qū)域分割標記圖無法用作其他定量計算，同時手工標注費時費力。

發(fā)明內容

有鑒于此，本發(fā)明實施例提供了一種影像分割方法、影像分割裝置、計算機可讀存儲介質及電子設備，能夠自動、規(guī)范地對影像進行區(qū)域分割，得到個體特異性的區(qū)域分割標記圖，同時區(qū)域分割精度較高。

根據(jù)本發(fā)明實施例的第一方面，提供一種影像分割方法，包括：獲取待分割影像和影像分割模板，其中，影像分割模板包括樣本影像和樣本影像的多個影像分區(qū)的樣本分割標簽；將待分割影像與樣本影像在多個尺度上進行配準，得到多尺度空間變換矩陣參數(shù)；根據(jù)多尺度空間變換矩陣參數(shù)，對樣本分割標簽進行空間轉換，得到待分割影像的多個影像分區(qū)的分割標簽。

在本發(fā)明的一個實施例中，上述將待分割影像與樣本影像在多個尺度上進行配準，得到多尺度空間變換矩陣參數(shù)，包括：利用特征金字塔卷積神經(jīng)網(wǎng)絡將待分割影像與樣本影像在多個尺度上進行配準，得到多尺度空間變換矩陣參數(shù)。

在本發(fā)明的一個實施例中，上述利用特征金字塔卷積神經(jīng)網(wǎng)絡將待分割影像與樣本影像在多個尺度上進行配準，得到多尺度空間變換矩陣參數(shù)，包括：通過特征金字塔卷積神經(jīng)網(wǎng)絡將待分割影像與樣本影像在多個尺度上進行配準，分別獲取不同尺度的多個第一空間變換矩陣參數(shù)；根據(jù)多個第一空間變換矩陣參數(shù)，得到多尺度空間變換矩陣參數(shù)。

在本發(fā)明的一個實施例中，上述通過特征金字塔卷積神經(jīng)網(wǎng)絡將待分割影像與樣本影像在多個尺度上進行配準，分別獲取不同尺度的多個第一空間變換矩陣參數(shù)，包括：通過特征金字塔卷積神經(jīng)網(wǎng)絡提取待分割影像的不同尺度的多個影像特征，對多個影像特征進行壓縮和融合，得到不同尺度的多個初始空間變換矩陣參數(shù)；對待分割影像進行重采樣，得到不同尺度的多個第一影像，其中，多個第一影像的尺度與多個初始空間變換矩陣參數(shù)的尺度一一對應；根據(jù)多個初始空間變換矩陣參數(shù)，對多個第一影像進行空間變換，得到不同尺度的多個第二影像；根據(jù)多個第二影像與樣本影像的不同尺度的多個第三影像的相似性損失值，調整多個初始空間變換矩陣參數(shù)，得到多個第一空間變換矩陣參數(shù)，其中，多個第三影像通過對樣本影像重采樣得到，多個第二影像的尺度與多個第三影像的尺度一一對應。

在本發(fā)明的一個實施例中，上述根據(jù)多個第二影像與樣本影像的不同尺度的多個第三影像的相似性損失值，調整多個初始空間變換矩陣參數(shù)，得到多個第一空間變換矩陣參數(shù)，包括：獲取多個第二影像與多個第三影像對應的不同尺度的多個第一相似性損失值；根據(jù)多個第一相似性損失值，得到總相似性損失值；根據(jù)總相似性損失值，調整多個初始空間變換矩陣參數(shù)，得到多個第一空間變換矩陣參數(shù)。

在本發(fā)明的一個實施例中，上述根據(jù)多個第一相似性損失值，得到總相似性損失值，包括：將多個第一相似性損失值加權相加，得到總相似性損失值。