一种医学图像分割方法、装置、设备及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医学图像分割方法、装置、设备及存储介质。该方法包括：获取受检对象的组织图像，并基于预设图像分割算法从组织图像中提取出细胞核的初步分割图像；将组织图像和初步分割图像输入至已训练完成的细胞核分割模型中，根据细胞核分割模型的输出结果得到细胞核的目标分割图像。本发明专利技术实施例的技术方案，通过将传统图像分割算法和深度学习算法相结合，在可充分发挥深度学习算法的良好分割性能的基础上，可大大缓解深度学习算法对人工标注的完善数据的需求，这使得在只有少量的人工标注的完善数据的情况下，依然能够达到较好的分割性能，达到了以较低的人工成本和时间成本从医学图像中精准分割出细胞核图像的效果。

【技术实现步骤摘要】
一种医学图像分割方法、装置、设备及存储介质
本专利技术实施例涉及医学图像处理
，尤其涉及一种医学图像分割方法、装置、设备及存储介质。
技术介绍
组织病理图像作为病理学的重要组成部分，是医护人员诊断和预后多种疾病的重要参考因素。在组织病理图像分析中，细胞核的不同形态是很多疾病是否出现的一个重要依据，因此，如何从组织病理图像中精准提取出细胞核的分割图像，这是计算机辅助诊断和医学图像自动分析的重要课题。医学图像分割是将医学图像分割成若干具有相似性质的区域的过程，是一种逐像素的分类任务。针对医学图像分割中的细胞核分割任务，现有技术主要包括传统图像分割算法和深度学习算法。但是，传统图像分割算法具有分割精度较低、容易造成过分割和欠分割、对不同组织的病理图像的泛化能力较差的缺点；而深度学习算法需要大量的人工标注的完善数据进行模型训练，尤其是针对细胞核分割任务，其需要像素级别的精细标注，这使得获取人工标注的完善数据的人工成本和时间成本较高。
技术实现思路
本专利技术实施例提供了一种医学图像分割方法、装置、设备及存储介质，以实现从组织图像中分割出细胞核图像的效果。第一方面，本专利技术实施例提供了一种医学图像分割方法，可以包括：获取受检对象的组织图像，并基于预设图像分割算法从组织图像中提取出细胞核的初步分割图像；将组织图像和初步分割图像输入至已训练完成的细胞核分割模型中，根据细胞核分割模型的输出结果得到细胞核的目标分割图像。可选的，基于预设图像分割算法从组织图像中提取出细胞核的初步分割图像，可以包括：从组织图像中提取出细胞核的标记点图像；基于标记点的分水岭算法，根据标记点图像从组织图像中提取出细胞核的初步分割图像。可选的，从组织图像中提取出细胞核的标记点图像，可以包括：获取组织图像的二值图像；根据二值图像得到细胞核的前景图像和背景图像；对前景图像进行连通域计算，并对前景图像和背景图像进行减法计算，以得到细胞核的标记点图像。可选的，将组织图像和初步分割图像输入至已训练完成的细胞核分割模型中，可以包括：将组织图像和初步分割图像进行拼接，得到拼接图像；将拼接图像输入至已训练完成的细胞核分割模型中，其中，细胞核分割模型包括语义分割网络模型。可选的，上述医学图像分割方法，还可以包括：获取样本对象的样本组织图像，并基于预设图像分割算法从样本组织图像中提取出样本细胞核的样本初步分割图像；将样本组织图像、样本初步分割图像和样本细胞核的人工标注掩膜图像作为一组训练样本，基于多组训练样本对原始卷积神经网络模型进行训练，得到细胞核分割模型。可选的，预设图像分割算法可以包括基于阈值的图像分割算法、基于边缘的图像分割算法、基于区域的图像分割算法和基于活动轮廓模型的图像分割算法中的至少一个。可选的，组织图像可以包括已染色的组织切片图像。第二方面，本专利技术实施例还提供了一种医学图像分割装置，该装置可包括：初步分割图像提取模块，用于获取受检对象的组织图像，并基于预设图像分割算法从组织图像中提取出细胞核的初步分割图像；目标分割图像得到模块，用于将组织图像和初步分割图像输入至已训练完成的细胞核分割模型中，根据细胞核分割模型的输出结果得到细胞核的目标分割图像。第三方面，本专利技术实施例还提供了一种设备，该设备可以包括：一个或多个处理器；存储器，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本专利技术任意实施例所提供的医学图像分割方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本专利技术任意实施例所提供的医学图像分割方法。本专利技术实施例的技术方案，通过获取受检对象的组织图像，并基于预设图像分割算法从组织图像中提取出细胞核的初步分割图像，这初步分割图像可作为一种先验知识，与组织图像一起输入至已训练完成的细胞核分割模型中，由此，可根据细胞核分割模型的输出结果得到细胞核的目标分割图像。上述技术方案，通过将传统图像分割算法和深度学习算法相结合，在可充分发挥深度学习算法的良好分割性能的基础上，可大大缓解深度学习算法对人工标注的完善数据的需求，这使得在只有少量的人工标注的完善数据的情况下，依然能够达到较好的分割性能，且可以提高单纯的深度学习算法的分割性能，达到了以较低的人工成本和时间成本从医学图像中精准分割出细胞核图像的效果。附图说明图1是本专利技术实施例一中的一种医学图像分割方法的流程图；图2是本专利技术实施例一中的一种医学图像分割方法的总体结构的示意图；图3a是本专利技术实施例一中的一种医学图像分割方法中基于标记点的分水岭算法的流程图；图3b是本专利技术实施例一中的一种医学图像分割方法中距离变换的示意图；图3c是本专利技术实施例一中的一种医学图像分割方法中U-Net模型的示意图；图4是本专利技术实施例二中的一种医学图像分割装置的结构框图；图5是本专利技术实施例三中的一种设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。在介绍本专利技术实施例之前，先对本专利技术实施例的应用场景进行示例性说明：正如上文所述，虽然传统图像分割算法和深度学习算法均具有一定的局限性，但它们亦有各自的优点：传统图像分割算法，如基于阈值的图像分割算法、基于边缘的图像分割算法、基于区域的图像分割算法、基于活动轮廓模型的图像分割算法等等，具有可解释性强、易于实施且无需人工标注的完善数据的优点；相应的，深度学习算法尤其是可用于图像分割的监督学习算法，如全卷积神经网络(FullyConvolutionalNetwork，FCN)、端到端的全卷积神经网络(U-Net)、金字塔场景解析网络(PSPNet)等等，具有分割精度高且性能优良的优点。由此，传统图像分割算法和深度学习算法相辅相成，若将二者组合起来，可以较低的人工成本和时间成本实现医学图像的精准分割的效果。实施例一图1是本专利技术实施例一中提供的一种医学图像分割方法的流程图。本实施例可适用于从组织图像中分割出细胞核图像的情况，尤其适用于将传统图像分割算法和深度学习算法相结合以从组织图像中分割出细胞核图像的情况。该方法可以由本专利技术实施例提供的医学图像分割装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在各种设备上。参见图1，本专利技术实施例的方法具体包括如下步骤：S110、获取受检对象的组织图像，并基于预设图像分割算法从组织图像中提取出细胞核的初步分割图像。其中，获取受检对象的组织图像，可选的，针对医学图像分割中的细胞核分割任务，组织图像可以包括已染色的组织切片图像，尤其是已染色的本文档来自技高网...

【技术保护点】
1.一种医学图像分割方法，其特征在于，包括：/n获取受检对象的组织图像，并基于预设图像分割算法从所述组织图像中提取出细胞核的初步分割图像；/n将所述组织图像和所述初步分割图像输入至已训练完成的细胞核分割模型中，根据细胞核分割模型的输出结果得到所述细胞核的目标分割图像。/n

【技术特征摘要】
1.一种医学图像分割方法，其特征在于，包括：
获取受检对象的组织图像，并基于预设图像分割算法从所述组织图像中提取出细胞核的初步分割图像；
将所述组织图像和所述初步分割图像输入至已训练完成的细胞核分割模型中，根据细胞核分割模型的输出结果得到所述细胞核的目标分割图像。


2.根据权利要求1所述的方法，其特征在于，所述基于预设图像分割算法从所述组织图像中提取出细胞核的初步分割图像，包括：
从所述组织图像中提取出细胞核的标记点图像；
基于标记点的分水岭算法，根据所述标记点图像从所述组织图像中提取出所述细胞核的初步分割图像。


3.根据权利要求2所述的方法，其特征在于，所述从所述组织图像中提取出细胞核的标记点图像，包括：
获取所述组织图像的二值图像，并根据所述二值图像得到细胞核的前景图像和背景图像；
对所述前景图像进行连通域计算，并对所述前景图像和所述背景图像进行减法计算，以得到所述细胞核的标记点图像。


4.根据权利要求1所述的方法，其特征在于，所述将所述组织图像和所述初步分割图像输入至已训练完成的细胞核分割模型中，包括：
将所述组织图像和所述初步分割图像进行拼接，得到拼接图像；
将所述拼接图像输入至已训练完成的细胞核分割模型中，其中，所述细胞核分割模型包括语义分割网络模型。


5.根据权利要求1所述的方法，其特征在于，还包括：
获取样本对象的样本组织图像，并基于所述预设图像分割...

【专利技术属性】
技术研发人员：康清波，张荣国，李新阳，陈宽，王少康，
申请(专利权)人：北京推想科技有限公司，
类型：发明
国别省市：北京;11