[發明專利]圖像分割方法、裝置、電子設備及可讀存儲介質

在審

• 申請號: 201911187762.6
• 申請日: 2019-11-28
• 公開（公告）號: CN110910408A
• 公開（公告）日: 2020-03-24
• 發明（設計）人: 柴象飛;陳聰;郭娜;夏勇;張建鵬;左盼莉
• 申請（專利權）人: 慧影醫療科技(北京)有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T17/00;G06N3/04;G06K9/62
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 胡蓉

本申請實施例提供一種圖像分割方法、裝置、電子設備及可讀存儲介質，通過根據預先配置的混合卷積訓練模型提取內臟三維樣本的卷積堆疊矩陣，并對卷積堆疊矩陣進行時空域分解卷積，得到對應的三維時空卷積特征和二維時空卷積特征后，根據三維時空卷積特征和二維時空卷積特征對混合卷積訓練模型進行訓練。如此，可以根據所述二維時空卷積特征對混合卷積訓練模型進行遷移學習訓練，從而能夠減少內臟三維樣本的標注需求量，并增加訓練過程中的歸一化樣本數量，從而提升計算結果的精確度，并且內臟三維樣本被分解成二維時空卷積特征，使得計算量和計算資源需求下降，進而顯著減少訓練過程和分割過程中的參數量，有效提升計算速度，節省計算資源。

技術領域

本申請涉及醫學影像技術領域，具體而言，涉及一種圖像分割方法、裝置、電子設備及可讀存儲介質。

背景技術

近年來隨著深度卷積神經網絡應用條件的成熟，在內臟(例如肝臟)和內臟腫瘤領域出現一些深度學習算法，通過大量手工標注內臟和內臟腫瘤訓練深層網絡以實現內臟和內臟腫瘤的分割。然而，一方面手工分割大量帶有標注的三維內臟和內臟腫瘤圖像是一件很大的工程，另一方面還需要平衡訓練過程和檢測過程的參數計算量。基于傳統方案中的深度學習的圖像分割方法，對于在較少樣本和有限計算資源的情況下的優化還存在較大的不足。

發明內容

有鑒于此，本申請的目的在于提供一種圖像分割方法、裝置、電子設備及可讀存儲介質，能夠減少內臟三維樣本的標注需求量，并顯著減少訓練過程和分割過程中的參數量，有效提升計算速度和計算結果的精確度，節省計算資源。

根據本申請的一方面，提供一種圖像分割方法，應用于電子設備，所述方法包括：

獲取內臟三維樣本集，所述內臟三維樣本集中包括標注有分類結果的多個內臟三維樣本，所述分類結果包括內臟分類結果和腫瘤分類結果；

根據預先配置的混合卷積訓練模型提取所述內臟三維樣本的卷積堆疊矩陣，并對所述卷積堆疊矩陣進行時空域分解卷積，得到對應的三維時空卷積特征和二維時空卷積特征；

根據所述三維時空卷積特征和二維時空卷積特征對所述混合卷積訓練模型進行訓練，得到訓練后的圖像分割模型，以通過所述圖像分割模型對輸入的內臟三維圖像進行內臟分割和腫瘤分割，其中，在根據所述二維時空卷積特征對所述混合卷積訓練模型進行訓練的過程中，根據所述二維時空卷積特征對所述混合卷積訓練模型進行遷移學習訓練。

在一種可能的實施方式中，所述獲取內臟三維樣本集的步驟，包括：

獲取來自多個檢查中心中不同CT設備各自生成的內臟三維初始圖像；

根據標注指令在各個內臟三維初始圖像上添加對應的分類結果，得到對應的內臟三維標注圖像；

對各個內臟三維標注圖像進行預處理，得到預處理后的各個內臟三維標注圖像，以形成所述內臟三維樣本集。

在一種可能的實施方式中，所述對各個內臟三維標注圖像進行預處理，得到預處理后的各個內臟三維標注圖像的步驟，包括：

將每個內臟三維標注圖像在各個坐標軸上的分辨率進行歸一化處理；

將歸一化處理分辨率后的內臟三維標注圖像的影像體素值的Hu值限制在預設值范圍內后，對所述Hu值進行歸一化處理，使得所述內臟三維標注圖像的圖像值為均值為0、方差為1的圖像值；

將歸一化處理Hu值后的各個內臟三維標注圖像進行數據擴充，得到預處理后的各個內臟三維標注圖像。

在一種可能的實施方式中，所述混合卷積訓練模型包括二維卷積網絡和三維深度可分解卷積網絡，所述三維深度可分解卷積網絡，所述三維深度可分解卷積網絡包括多個二維深度可分解卷積塊；

所述根據預先配置的混合卷積訓練模型提取所述內臟三維樣本的卷積堆疊矩陣的步驟，包括：