用于分割医学影像的方法、设备和介质技术

本公开的实施例涉及一种用于分割医学影像的方法、设备和介质。该方法包括；获取医学影像序列，每一个医学影像关联有标记数据；基于第一坐标轴，针对所获取的医学影像序列进行分割，以便生成二维影像序列；针对二维影像序列进行预处理，以便生成输入数据；基于经训练的分割模型，提取输入数据的特征，以便生成关于目标对象的多个二维分割结果图像，分割模型是基于神经网络模型所构建，分割模型包括由多个编码器子模块组成的编码器、由多个解码器子模块组成的解码器，并且分割模型被配置为融合多分辨率的特征图；以及拼接关于目标对象的多个二维分割结果图像，以便生成关于目标对象的三维模型。由此，能够快速并且准确地针对医学影像进行分割。像进行分割。像进行分割。

【技术实现步骤摘要】
用于分割医学影像的方法、设备和介质


[0001]本公开的实施例总体涉及图像处理领域，并且更具体地涉及一种用于分割医学影像的方法、计算设备和计算机存储介质。

技术介绍

[0002]为了使得临床医生能够更加直观和清晰地观察正常和病变组织的解剖结构，通常需要针对医学影像进行分割，以便把医学影像中的目标对象(例如器官、血管等)的结构或感兴趣区域提取出来，以便为临床诊断、制定手术方案和生物医学研究提供科学依据。
[0003]传统的用于分割医学影像的方法通常包括：医学图像分割和基于深度学习的医学图像分割两种方法。
[0004]传统的医学图像分割方法例如包括：边缘检测法、阈值法和区域生长法等。传统的医学图像分割方法需要较多的人机交互过程完成目标提取，同时自我学习能力较弱，对噪声、模糊等干扰抵抗力较弱。
[0005]传统基于深度学习的医学图像分割方法，例如利用卷积神经网络(Convolutional Neural Network，CNN)对医学影像进行分割，虽然具有高稳定性和可重复性高等优点，但该方法实质上是完成对图像像素的分类工作，无本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于分割医学影像的方法，包括：获取医学影像序列，每一个医学影像关联有标记数据；基于第一坐标轴，针对所获取的医学影像序列进行分割，以便生成二维影像序列；针对二维影像序列进行预处理，以便生成输入数据；基于经训练的分割模型，提取输入数据的特征，以便生成关于目标对象的多个二维分割结果图像，所述分割模型是基于神经网络模型所构建，所述分割模型包括由多个编码器子模块组成的编码器、由多个解码器子模块组成的解码器，并且分割模型被配置为融合多分辨率的特征图；以及拼接关于目标对象的多个二维分割结果图像，以便生成关于目标对象的三维模型。2.根据权利要求1所述的方法，其中分割模型被配置为融合多分辨率的特征图包括：使得解码器中的每一个解码器子模块接收来自融合网络层的融合特征图，融合网络层由分割模型所包括，融合特征图是经由融合网络层融合来自编码器中的多个编码器子模块的多个下采样特征图，以及来自解码器中多个解码器子模块的多个上采样特征图而生成的。3.根据权利要求2所述的方法，其中多个下采样特征图分别是基于多个编码器子模块所分别输出的多个特征图而生成的，多个上采样特征图是基于多个解码器子模块所分别输出的多个特征图而生成的，多个编码器子模块所分别输出的多个特征图以及多个解码器子模块所分别输出的多个特征图具有不同的分辨率。4.根据权利要求2所述的方法，其中使得解码器中的每一个解码器子模块接收来自融合网络层的融合特征图包括：分别针对分辨率高于当前解码器子模块的目标分辨率的编码器子模块所输出的特征图进行下采样操作，以便生成具有目标分辨率的一个或多个下采样特征图；分别针对分辨率低于目标分辨率的解码器子模块所输出的特征图进行上采样操作，以便生成具有目标分辨率的一个或多个上采样特征图；以及经由融合网络层，融合下采样特征图、上采样特征图和与当前解码器子模块具有相同目标分辨率的编码器子模块所输出的特征图，以便生成用于输入至当前解码器子模块的融合特征图。5.根据权利要求4所述的方法，其中融合网络层配置在编码器和解码器之间，融合网络...

【专利技术属性】
技术研发人员：张允，刘倩文，
申请(专利权)人：柏意慧心杭州网络科技有限公司，
类型：发明
国别省市：