一种脑部图像分割方法、装置和存储介质制造方法及图纸

本发明专利技术实施例公开了一种脑部图像分割方法、装置和存储介质，具体为在获取到待分割图像组之后，一方面，可以根据该待分割图像组中的多种模态图像进行颅骨剥离，得到剥离颅骨的掩膜，另一方面可以分别对该多种模态图像进行特征提取和融合，再根据融合后特征对颅内组织进行分割，然后，再将分割得到的初始分割结果与之前得到的掩膜进行融合，得到最终的分割结果；该方案可以提高特征表达能力和分割的精准性。

【技术实现步骤摘要】
一种脑部图像分割方法、装置和存储介质
本专利技术涉及通信
，具体涉及一种脑部图像分割方法、装置和存储介质。
技术介绍
脑部疾病是威胁人类身体健康的主要疾病之一，定量地分析脑部组织结构在临床医学上有着重要的意义。例如，以阿尔茨海默症、帕金森症、多发性硬化症以及精神分裂症等退化脑疾病为例，由于这些神经疾病改变了人脑软组织和脑脊液的正常体积及其区域分布，因此，医生可以通过对这些组织容量进行精确测量来评估患者的风险及疾病级别，而脑部图像的精确分割作为精确测量的一个前提，便显得尤为重要。传统脑部图像的分割一般会通过人工来实现，而随着计算机视觉技术和人工智能技术的发展，现有又提出了基于深度学习对脑部的核磁共振影像(MRI，MagneticResonanceImaging)进行分割的技术，例如，具体可以将脑部组织的多个模态的图像进行融合后，采用软件进行颅骨剥离(即将脑部组织从非脑组织中分离出来)，然后，再对剥离结果进行组织区域识别和分割。虽然该方案相对传统方案而言，其效率和分割精度有所提高，但是，由于在融合的过程中，部分模态的信息会被舍弃，因此，特征表达能力十分有限，大大影响分割精准性。
技术实现思路
本专利技术实施例提供一种脑部图像分割方法、装置和存储介质，可以提高特征表达能力和分割的精准性。本专利技术实施例提供一种脑部图像分割方法，包括：获取待分割图像组，所述待分割图像组包括脑部的多种模态图像；根据所述多种模态图像进行颅骨剥离，得到剥离颅骨的掩膜；分别对所述多种模态图像进行特征提取，并融合提取到的特征；根据融合后特征对颅内组织进行分割，得到初始分割结果；将所述掩膜和初始分割结果进行融合，得到所述待分割图像组对应的分割结果。相应的，本专利技术实施例提供一种脑部图像分割装置，包括获取单元、剥离单元、提取单元、分割单元和融合单元，如下：获取单元，用于获取待分割图像组，所述待分割图像组包括脑部的多种模态图像；剥离单元，用于根据所述多种模态图像进行颅骨剥离，得到剥离颅骨的掩膜；提取单元，用于分别对所述多种模态图像进行特征提取，并融合提取到的特征；分割单元，用于根据融合后特征对颅内组织进行分割，得到初始分割结果；融合单元，用于将所述掩膜和初始分割结果进行融合，得到所述待分割图像组对应的分割结果。可选的，在一些实施例中，所述多种模态图像包括用于组织区域分割的第一模态图像、用于颅内区域识别的第二模态图像和用于蛋白质病变区域识别的第三模态图像，则：所述剥离单元，具体可以用于根据第一模态图像和第二模态图像进行颅骨剥离，得到剥离颅骨的掩膜；所述提取单元，具体可以用于分别对第一模态图像、第二模态图像和第三模态图像进行特征提取，并融合提取到的特征。可选的，在一些实施例中，所述剥离单元，具体可以用于对第一模态图像和第二模态图像进行融合，得到融合后图像，采用训练后三维全卷积网络对融合后图像中体素点的类型进行预测，根据预测的体素点类型筛选不属于颅内区域的体素点，得到背景体素集，在所述融合后图像上对所述背景体素集进行屏蔽，得到剥离颅骨的掩膜。可选的，在一些实施例中，所述提取单元，具体可以用于对第一模态图像和第二模态图像进行融合，得到融合后图像，采用训练后多分支全卷积网络分别对融合后图像和第三模态图像进行特征提取，并融合提取到的特征。可选的，在一些实施例中，所述训练后多分支全卷积网络包括上分支三维残差结构、下分支三维残差结构和分类网络模块，则所述提取单元，具体可以用于采用上分支三维残差结构对融合后图像进行特征提取，得到上分支特征；采用下分支三维残差结构对第三模态图像进行特征提取，得到下分支特征；通过分类网络模块将上分支特征和下分支特征进行融合。可选的，在一些实施例中，所述上分支三维残差结构包括上分支卷积模块、第一上分支残差模块、第一上分支下采样模块、第二上分支残差模块、第二上分支下采样模块、第三上分支残差模块和第三上分支下采样模块，则所述提取单元，具体可以用于：采用上分支卷积模块对融合后图像进行卷积处理；采用第一上分支残差模块对上分支卷积模块的输出进行编码，并采用第一上分支下采样模块对编码结果进行下采样操作；采用第二上分支残差模块对第一上分支下采样模块的输出进行编码，并采用第一上分支下采样模块对编码结果进行下采样操作；采用第三上分支残差模块对第二上分支下采样模块的输出进行编码，并采用第三上分支下采样模块对编码结果进行下采样操作，得到上分支特征。可选的，在一些实施例中，所述下分支三维残差结构包括下分支卷积模块、第一下分支残差模块、第一下分支下采样模块、第二下分支残差模块、第二下分支下采样模块、第三下分支残差模块和第三下分支下采样模块，则所述提取单元，具体可以用于：采用下分支卷积模块对第三模态图像进行卷积处理；采用第一下分支残差模块对下分支卷积模块的输出进行编码，并采用第一下分支下采样模块对编码结果进行下采样操作；采用第二下分支残差模块对第一下分支下采样模块的输出进行编码，并采用第一下分支下采样模块对编码结果进行下采样操作；采用第三下分支残差模块对第二下分支下采样模块的输出进行编码，并采用第三下分支下采样模块对编码结果进行下采样操作，得到下分支特征。可选的，在一些实施例中，所述分割单元，具体可以用于采用分类网络模块对融合后特征进行分类，基于分类结果对颅内组织进行分割，得到初始分割结果。可选的，在一些实施例中，所述融合单元，具体可以用于分别获取所述掩膜上每个体素的值和所述初始分割结果上每个体素的值，根据所述掩膜上每个体素的值建立第一矩阵，以及根据所述初始分割结果上每个体素的值建立第二矩阵，将第一矩阵中的元素与第二矩阵中的元素进行点乘操作，得到所述待分割图像组对应的分割结果。可选的，在一些实施例中，所述脑部图像分割装置还可以包括第一采集单元和第一训练单元，如下：所述第一采集单元，用于采集多个第一样本图像组，所述第一样本图像组包括用于组织区域分割的第一模态图像样本、以及用于颅内区域识别的第二模态图像样本；所述第一训练单元，用于对第一模态图像样本和第二模态图像样本进行融合，得到融合后图像样本；采用预设三维全卷积网络对融合后图像中体素点的类型进行预测，得到预测值，获取融合后图像中体素点类型的真实值，采用交叉熵损失函数，根据所述预测值和真实值对所述三维全卷积网络进行收敛，得到训练后三维全卷积网络。可选的，在一些实施例中，所述脑部图像分割装置还可以包括第二采集单元和第二训练单元，如下：第二采集单元，用于采集多个第二样本图像组，所述第二样本图像组包括用于组织区域分割的第一模态图像样本、用于颅内区域识别的第二模态图像样本、以及用于蛋白质病变区域识别的第三模态图像样本；第二训练单元，用于对第一模态图像样本和第二模态图像样本进行融合，得到融合后图像样本，采用预设多分支全卷积网络分别对融合后图像样本和第三模态图像样本进行特征提取，融合提取到的特征，并对融合后特征进行分类，得到类型预测值，获取融合后特征的类型真实值，通过多分类损失函数，根据所述类型预测值和类型真实值对所述多分支全卷积网络进行收敛，得到训练后多分支全卷积网络。本专利技术实施例在获取到待分割图像组之后，一方面，可以根据该待分割图像组中的多种模态图像进行颅骨剥离，得到剥离颅骨的掩膜，另一方面可以分别对该多种模态图像进行本文档来自技高网...

【技术保护点】
1.一种脑部图像分割方法，其特征在于，包括：获取待分割图像组，所述待分割图像组包括脑部的多种模态图像；根据所述多种模态图像进行颅骨剥离，得到剥离颅骨的掩膜；分别对所述多种模态图像进行特征提取，并融合提取到的特征；根据融合后特征对颅内组织进行分割，得到初始分割结果；将所述掩膜和初始分割结果进行融合，得到所述待分割图像组对应的分割结果。

【技术特征摘要】
1.一种脑部图像分割方法，其特征在于，包括：获取待分割图像组，所述待分割图像组包括脑部的多种模态图像；根据所述多种模态图像进行颅骨剥离，得到剥离颅骨的掩膜；分别对所述多种模态图像进行特征提取，并融合提取到的特征；根据融合后特征对颅内组织进行分割，得到初始分割结果；将所述掩膜和初始分割结果进行融合，得到所述待分割图像组对应的分割结果。2.根据权利要求1所述的方法，其特征在于，所述多种模态图像包括用于组织区域分割的第一模态图像、用于颅内区域识别的第二模态图像和用于蛋白质病变区域识别的第三模态图像；所述根据所述多种模态图像进行颅骨剥离，得到剥离颅骨的掩膜，包括：根据第一模态图像和第二模态图像进行颅骨剥离，得到剥离颅骨的掩膜；所述分别对所述多种模态图像进行特征提取，包括：分别对第一模态图像、第二模态图像和第三模态图像进行特征提取。3.根据权利要求2所述的方法，其特征在于，所述根据第一模态图像和第二模态图像进行颅骨剥离，得到剥离颅骨的掩膜，包括：对第一模态图像和第二模态图像进行融合，得到融合后图像；采用训练后三维全卷积网络对融合后图像中体素点的类型进行预测；根据预测的体素点类型筛选不属于颅内区域的体素点，得到背景体素集；在所述融合后图像上对所述背景体素集进行屏蔽，得到剥离颅骨的掩膜。4.根据权利要求2所述的方法，其特征在于，所述分别对第一模态图像、第二模态图像和第三模态图像进行特征提取，并融合提取到的特征，包括：对第一模态图像和第二模态图像进行融合，得到融合后图像；采用训练后多分支全卷积网络分别对融合后图像和第三模态图像进行特征提取，并融合提取到的特征。5.根据权利要求4所述的方法，其特征在于，所述训练后多分支全卷积网络包括上分支三维残差结构、下分支三维残差结构和分类网络模块，所述采用训练后多分支全卷积网络分别对融合后图像和第三模态图像进行特征提取，并融合提取到的特征，包括：采用上分支三维残差结构对融合后图像进行特征提取，得到上分支特征；采用下分支三维残差结构对第三模态图像进行特征提取，得到下分支特征；通过分类网络模块将上分支特征和下分支特征进行融合。6.根据权利要求5所述的方法，其特征在于，所述上分支三维残差结构包括上分支卷积模块、第一上分支残差模块、第一上分支下采样模块、第二上分支残差模块、第二上分支下采样模块、第三上分支残差模块和第三上分支下采样模块，所述采用上分支三维残差结构对融合后图像进行特征提取，得到上分支特征，包括：采用上分支卷积模块对融合后图像进行卷积处理；采用第一上分支残差模块对上分支卷积模块的输出进行编码，并采用第一上分支下采样模块对编码结果进行下采样操作；采用第二上分支残差模块对第一上分支下采样模块的输出进行编码，并采用第一上分支下采样模块对编码结果进行下采样操作；采用第三上分支残差模块对第二上分支下采样模块的输出进行编码，并采用第三上分支下采样模块对编码结果进行下采样操作，得到上分支特征。7.根据权利要求5所述的方法，其特征在于，所述下分支三维残差结构包括下分支卷积模块、第一下分支残差模块、第一下分支下采样模块、第二下分支残差模块、第二下分支下采样模块、第三下分支残差模块和第三下分支下采样模块，所述采用下分支三维残差结构对第三模态图像进行特征提取，得到下分支特征，包括：采用下分支卷积模块对第三模态图像进行卷积处理；采用第...

【专利技术属性】
技术研发人员：郭恒，李悦翔，郑冶枫，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44