【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; ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。