图像分割方法、装置、CT设备及CT系统制造方法及图纸

本发明专利技术实施例提供一种图像分割方法、装置、CT设备及CT系统。本发明专利技术实施例通过对待分割的目标器官的原始三维CT图像进行降采样，得到降采样图像，将所述降采样图像输入预先训练好的第一深度神经网络模型，得到第一分割图像，对所述第一分割图像进行上采样，得到第二分割图像，将所述原始三维CT图像剪切为多个第一三维数据块，将所述第二分割图像剪切为多个第二三维数据块，将所述多个第一三维数据块和所述多个第二三维数据块输入预先训练好的第二深度神经网络模型，得到最终分割图像，通过网络级联的形式，实现网络同时感知CT图像全局上下文的信息和局部细节信息，在避免增加网络内存负担的情况下，提高了网络对目标器官例如肺叶的分割性能。

【技术实现步骤摘要】
图像分割方法、装置、CT设备及CT系统
本专利技术涉及医学图像处理
，尤其涉及一种图像分割方法、装置、CT设备及CT系统。
技术介绍
当前，CT(ComputedTomography，电子计算机断层扫描)技术在医学领域应用十分广泛。对于不同器官或组织，通过CT扫描获得CT图像后，还需要根据该器官或组织的结构进一步进行图像分割，例如对肺部图像进行肺叶分割，以便为临床应用提供参考。
技术实现思路
为克服相关技术中存在的问题，本专利技术提供了一种图像分割方法、装置、CT设备及CT系统，提高分割性能。根据本专利技术实施例的第一方面，提供一种图像分割方法，包括：对待分割的目标器官的原始三维CT图像进行降采样，得到降采样图像；将所述降采样图像输入预先训练好的第一深度神经网络模型，得到第一分割图像；对所述第一分割图像进行上采样，得到第二分割图像；将所述原始三维CT图像剪切为多个第一三维数据块，将所述第二分割图像剪切为多个第二三维数据块；将所述多个第一三维数据块和所述多个第二三维数据块输入预先训练好的第二深度神经网络模型，得到最终分割图像。根据本专利技术实施例的第二方面，提供一种图像分割装置，包括：降采样模块，用于对待分割的目标器官的原始三维CT图像进行降采样，得到降采样图像；第一分割模块，用于将所述降采样图像输入预先训练好的第一深度神经网络模型，得到第一分割图像；上采样模块，用于对所述第一分割图像进行上采样，得到第二分割图像；剪切模块，用于将所述原始三维CT图像剪切为多个第一三维数据块，将所述第二分割图像剪切为多个第二三维数据块；第二分割模块，用于将所述多个第一三维数据块和所述多个第二三维数据块输入预先训练好的第二深度神经网络模型，得到最终分割图像。根据本专利技术实施例的第三方面，提供一种CT设备，包括：内部总线，以及通过内部总线连接的存储器、处理器和外部接口；其中，所述外部接口，用于连接CT系统的探测器，所述探测器包括多个探测器室及相应的处理电路；所述存储器，用于存储图像分割逻辑对应的机器可读指令；所述处理器，用于读取所述存储器上的所述机器可读指令，并执行如下操作：对待分割的目标器官的原始三维CT图像进行降采样，得到降采样图像；将所述降采样图像输入预先训练好的第一深度神经网络模型，得到第一分割图像；对所述第一分割图像进行上采样，得到第二分割图像；将所述原始三维CT图像剪切为多个第一三维数据块，将所述第二分割图像剪切为多个第二三维数据块；将所述多个第一三维数据块和所述多个第二三维数据块输入预先训练好的第二深度神经网络模型，得到最终分割图像。根据本专利技术实施例的第四方面，提供一种CT系统，包括探测器、扫描床和CT设备，所述探测器包括多个探测器室及相应的处理电路；其中：所述探测器室，用于在所述CT系统扫描过程中，探测穿过扫描对象的X射线并转换为电信号；所述处理电路，用于将所述电信号转换成脉冲信号，采集脉冲信号的能量信息；所述CT设备，用于：对待分割的目标器官的原始三维CT图像进行降采样，得到降采样图像；将所述降采样图像输入预先训练好的第一深度神经网络模型，得到第一分割图像；对所述第一分割图像进行上采样，得到第二分割图像；将所述原始三维CT图像剪切为多个第一三维数据块，将所述第二分割图像剪切为多个第二三维数据块；将所述多个第一三维数据块和所述多个第二三维数据块输入预先训练好的第二深度神经网络模型，得到最终分割图像。本专利技术实施例提供的技术方案可以包括以下有益效果：本专利技术实施例，通过对待分割的目标器官的原始三维CT图像进行降采样，得到降采样图像，将所述降采样图像输入预先训练好的第一深度神经网络模型，得到第一分割图像，对所述第一分割图像进行上采样，得到第二分割图像，将所述原始三维CT图像剪切为多个第一三维数据块，将所述第二分割图像剪切为多个第二三维数据块，将所述多个第一三维数据块和所述多个第二三维数据块输入预先训练好的第二深度神经网络模型，得到最终分割图像，通过网络级联的形式，实现网络同时感知CT图像全局上下文的信息和局部细节信息，在避免增加网络内存负担的情况下，最大程度提高了网络对目标器官例如肺叶的分割性能。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。图1是本专利技术实施例提供的图像分割方法的流程示例图。图2是本专利技术实施例提供的图像分割方法的应用场景示例图。图3是本专利技术实施例提供的图像分割装置的功能方块图。图4是本专利技术实施例提供的CT设备的一个硬件结构图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本专利技术实施例的一些方面相一致的装置和方法的例子。在本专利技术实施例使用的术语是仅仅出于描述特定本专利技术实施例的目的，而非旨在限制本专利技术实施例。在本专利技术实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本专利技术实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本专利技术实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。本专利技术实施例提供的图像分割方法可以应用于对人体的各个器官或组织进行分割处理，特别是可以应用于对肺部CT图像进行肺叶分割。在解剖学上，每侧肺由胸膜包绕分割为肺叶，右肺分三叶，即右上叶、右中叶和右下叶，由一个小裂隙和一个大裂隙隔开；左肺分两叶，即左上叶和左下叶，由一个大裂隙隔开。每个肺叶有其独立的支气管和血管系统，使他们在解剖学上具有相对独立的功能。在临床实践中，肺叶分割对于患者肺部病变区域精确评估，制定合理的手术方案具有重要价值。本实施例中，采用两个深度神经网络级联而成的网络进行图像分割，提高分割性能和分割速度。下面通过实施例对图像分割方法进行详细说明。图1是本专利技术实施例提供的图像分割方法的流程示例图。如图1所示，本实施例中，图像分割方法可以包括：S101，对待分割的目标器官的原始三维CT图像进行降采样，得到降采样图像。本文档来自技高网...

【技术保护点】
1.一种图像分割方法，其特征在于，包括：/n对待分割的目标器官的原始三维CT图像进行降采样，得到降采样图像；/n将所述降采样图像输入预先训练好的第一深度神经网络模型，得到第一分割图像；/n对所述第一分割图像进行上采样，得到第二分割图像；/n将所述原始三维CT图像剪切为多个第一三维数据块，将所述第二分割图像剪切为多个第二三维数据块；/n将所述多个第一三维数据块和所述多个第二三维数据块输入预先训练好的第二深度神经网络模型，得到最终分割图像。/n

【技术特征摘要】
1.一种图像分割方法，其特征在于，包括：
对待分割的目标器官的原始三维CT图像进行降采样，得到降采样图像；
将所述降采样图像输入预先训练好的第一深度神经网络模型，得到第一分割图像；
对所述第一分割图像进行上采样，得到第二分割图像；
将所述原始三维CT图像剪切为多个第一三维数据块，将所述第二分割图像剪切为多个第二三维数据块；
将所述多个第一三维数据块和所述多个第二三维数据块输入预先训练好的第二深度神经网络模型，得到最终分割图像。


2.根据权利要求1所述的方法，其特征在于，所述第一深度神经网络模型和所述第二深度神经网络模型的训练过程包括：
构建第一深度神经网络模型和第二深度神经网络模型，并设置所述第一深度神经网络模型的第一初始参数值和所述第二深度神经网络模型的第二初始参数值；
获取若干组样本图像，每组样本图像包括输入图像和标签图像，所述输入图像为所述目标器官的原始三维CT图像，所述标签图像为所述输入图像对应的已分割图像；
利用所述若干组样本图像，对所述第一深度神经网络模型和所述第二深度神经网络模型进行端到端的联合训练，得到训练好的第一深度神经网络模型和第二深度神经网络模型。


3.根据权利要求2所述的方法，其特征在于，利用所述若干组样本图像，对所述第一深度神经网络模型和所述第二深度神经网络模型进行端到端的联合训练，得到训练好的第一深度神经网络模型和第二深度神经网络模型，包括：
在训练过程中，第1组样本图像对应的第一深度神经网络模型的参数值和第二深度神经网络模型的参数值分别为所述第一初始参数值和所述第二初始参数值；
第j组样本图像对应的第一深度神经网络模型的参数值为经第j-1组样本图像训练后调整的第一参数值，第j组样本图像对应的第二深度神经网络模型的参数值为经第j-1组样本图像训练后调整的第二参数值，j为自然数，且j≥2；
对于每组样本图像，对该组样本图像对应的第一深度神经网络模型和第二深度神经网络模型执行端到端的联合训练操作。


4.根据权利要求3所述的方法，其特征在于，对于每组样本图像，对该组样本图像对应的第一深度神经网络模型和第二深度神经网络模型执行端到端的联合训练操作，包括：
对该组样本图像中的输入图像进行降采样，得到降采样输入图像；
将所述降采样输入图像输入该组样本图像对应的第一深度神经网络模型，得到第一输出图像；
对所述第一输出图像进行上采样，得到上采样图像；
将所述输入图像剪切为多个第一输入三维数据块，将所述上采样图像剪切为多个第二输入三维数据块；
将所述多个第一输入三维数据块和所述多个第二输入三维数据块输入该组样本图像对应的第二深度神经网络模型，得到第二输出图像；
若满足预设的训练停止条件，停止训练，将该组样本图像对应的第一深度神经网络模型和第二深度神经网络模型确定为训练好的第一深度神经网络模型和第二深度神经网络模型；否则调整所述第一深度神经网络模型的第一参数值和第二深度神经网络模型的第二参数值，执行下一组样本图像的训练。


5.根据权利要求4所述的方法，其特征在于，所述训练停止条件为达到预设迭代次数；或者，所述训练停止条件为该组样本图像对应的损失函数的函数值在预设迭代次数内...

【专利技术属性】
技术研发人员：蔡文娟，聂可卉，董小楠，黄峰，
申请(专利权)人：上海东软医疗科技有限公司，东软医疗系统股份有限公司，
类型：发明
国别省市：上海;31