本发明专利技术实施例提供了一种图像分割方法及装置，所述方法包括：获取待分割的第一图像；第一图像为第一分辨率，且第一图像中包括目标物体；将第一图像输入到预先训练好的双路超分辨分割结构模型，得到第二分辨率的预测图像和第二分辨率的目标物体的分割掩膜；第二分辨率大于第一分辨率，根据第二分辨率的预测图像和第二分辨率的目标物体的分割掩膜，确定与目标物体对应的第二分辨率的目标图像，通过本发明专利技术实施例提供的双路超分辨分割结构模型，能够借鉴图像超分辨的思想较大程度上改善微小结节在低分辨率CT图像中的分割效果，生成高分辨率的图像，实现不同尺度的目标物体的精确分割。实现不同尺度的目标物体的精确分割。实现不同尺度的目标物体的精确分割。
【技术实现步骤摘要】
一种图像分割方法、装置、终端设备及可读存储介质
[0001]本专利技术涉及计算机
，特别是涉及一种图像分割方法、装置、终端设备及可读存储介质。
技术介绍
[0002]通过肺部电子计算机断层扫描(CT)进行肺结节筛查是早期肺癌诊断的重要手段之一。在筛查中，对CT图像中的肺结节进行准确的分割可以为医生提供更加准确及定量化的结节特征如精确的体积和长短径，结节HU值等，为其良恶性判断以及后续的随访及治疗带来较大帮助。
[0003]深度学习算法由于其相较于传统图像算法来说更加卓越的性能而被广泛的应用于结节检测和分割任务中，基于深度学习的肺部小结节分割方法主要使用神经网络及其简单变形来提取CT图像中的二维或三维信息并生成分割结果图。
[0004]CT扫描分辨率一般较低，而肺结节病灶大小差异较大，这样，CT图像中的微小结节在切片上只能显示少量像素，在模型大规模采样中可能会被丢失，这些结节由于其特征太小而为无法被模型捕捉。或者，另一些结节可以很大，其长轴可能超过30毫米，在神经网络中往往需要使用更大的感受野来捕捉所有的信息。而现有的小结节分割方法无法在小结节和大结节之间做到较好的平衡，无法同时兼顾不同大小的肺部结节分割，而且其对于低分辨率CT图像中微小结节的分割效果较差。
技术实现思路
[0005]鉴于上述问题，提出了本专利技术实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种图像分割方法及装置。
[0006]第一个方面，本专利技术实施例提供一种图像分割方法，所述方法包括：<br/>[0007]获取待分割的第一图像；其中，所述第一图像为第一分辨率，且所述第一图像中包括目标物体；
[0008]将所述第一图像输入到预先训练好的双路超分辨分割结构模型，得到第二分辨率的预测图像和第二分辨率的目标物体的分割掩膜；其中，所述双路超分辨分割结构模型至少包括高分辨分割神经网络和图像超分辨神经网络；所述第二分辨率大于第一分辨率；
[0009]根据所述第二分辨率的预测图像和第二分辨率的目标物体的分割掩膜，确定与所述目标物体对应的第二分辨率的目标图像。
[0010]可选地，所述双路超分辨分割结构模型通过如下方式获得：
[0011]获取第三分辨率的样本图像，并获取与所述第三分辨率的样本图像对应的第四分辨率的样本图像；
[0012]根据所述样本图像分别对所述高分辨分割神经网络和图像超分辨神经网络进行训练，得到第五分辨率的分割图像；且所述第五分辨率大于第三分辨率，且所述第五分辨率与所述第四分辨率相同；
[0013]根据所述第三分辨率的样本图像、第四分辨率的样本图像和第五分辨率的分割图像，确定高分辨分割神经网络的损失函数和图像超分辨神经网络的损失函数；
[0014]当所述高分辨分割神经网络的损失函数小于第一预设值和/或图像超分辨神经网络的损失函数小于第二预设值，则将所述高分辨分割神经网络和图像超分辨神经网络确定为所述双路超分辨分割结构模型。
[0015]可选地，所述方法还包括：
[0016]根据所述预先训练好的空洞卷积神经网络，确定与所述目标物体对应的感受野图像。
[0017]可选地，所述方法还包括：
[0018]根据目标物体的尺寸大小，对所述双路超分辨分割结构模型中的尺度感知的空洞卷积神经网络，进行训练，得到所述空洞卷积神经网络；所述空洞卷积神经网络包括多个并行的不同空洞率的空洞卷积核，其中，每一个空洞卷积核对应一个尺度系数图。
[0019]可选地，所述方法还包括：
[0020]根据预先训练好的关联学习模型，对所述第一图像进行分割，得到与目标物体对应的分割图像，其中，所述关联学习模型是对所述高分辨分割神经网络和图像超分辨神经网络进行关联学习得到的。
[0021]可选地，所述关联学习模型通过如下方式获得：
[0022]对所述双路超分辨分割结构模型中的高分辨分割神经网络和图像超分辨神经网络进行特征关联学习；
[0023]对所述双路超分辨分割结构模型中的高分辨分割神经网络和图像超分辨神经网络进行尺度关联学习。
[0024]可选地，所述对所述双路超分辨分割结构模型中的高分辨分割神经网络和图像超分辨神经网络进行特征关联学习，包括：
[0025]根据样本图像的输入向量、所述高分辨分割神经网络和图像超分辨神经网络，分别确定第一特征图和第二特征图；
[0026]根据相关性系数的计算方法，计算第一特征图和第二特征图的格拉姆矩阵；
[0027]计算第一特征图的格拉姆矩阵和第二特征图的格拉姆矩阵之间的关联损失函数；
[0028]根据所述关联损失函数，对所述双路超分辨分割结构模型进行训练；
[0029]相对应地，所述对所述双路超分辨分割结构模型中的高分辨分割神经网络和图像超分辨神经网络进行尺度关联学习，包括：
[0030]对不同层级空洞卷积核对应的尺度系数图进行放缩，得到多个子尺度图，其中，所述子尺度图与样本图像大小相同；
[0031]将所述多个子尺度图相连，确定多通道的尺度系数图；其中，所述尺度系数图包括高分辨分割神经网络对应的第一尺度系数图和图像超分辨神经网络的第二尺度系数图；
[0032]根据所述第一尺度系数图和所述第二尺度系数图，确定尺度格拉姆矩阵；
[0033]根据所述尺度格拉姆矩阵，确定关联损失函数；
[0034]根据所述关联损失函数，对所述双路超分辨分割结构模型进行训练。
[0035]第二个方面，本专利技术实施例提供一种图像分割装置，所述装置包括：
[0036]获取模块，用于获取待分割的第一图像；其中，所述第一图像为第一分辨率，且所
述第一图像中包括目标物体；
[0037]分割模块，用于将所述第一图像输入到预先训练好的双路超分辨分割结构模型，得到第二分辨率的预测图像和第二分辨率的目标物体的分割掩膜；其中，所述双路超分辨分割结构模型至少包括高分辨分割神经网络和图像超分辨神经网络；所述第二分辨率大于第一分辨率；
[0038]确定模块，用于根据所述第二分辨率的预测图像和第二分辨率的目标物体的分割掩膜，确定与所述目标物体对应的第二分辨率的目标图像。
[0039]可选地，所述装置还包括模型建立模块，所述模型建立模块用于：
[0040]获取第三分辨率的样本图像，并获取与所述第三分辨率的样本图像对应的第四分辨率的样本图像；
[0041]根据所述样本图像分别对所述高分辨分割神经网络和图像超分辨神经网络进行训练，得到第五分辨率的分割图像；且所述第五分辨率大于第三分辨率，且所述第五分辨率与所述第四分辨率相同；
[0042]根据所述第三分辨率的样本图像、第四分辨率的样本图像和第五分辨率的分割图像，确定高分辨分割神经网络的损失函数和图像超分辨神经网络的损失函数；
[0043]当所述高分辨分割神经网络的损失函数小于第一预设值和/或图像超分辨神经网络的损失函数小于第二预设值，则将所述高分辨分割神经本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像分割方法，其特征在于，所述方法包括：获取待分割的第一图像；其中，所述第一图像为第一分辨率，且所述第一图像中包括目标物体；将所述第一图像输入到预先训练好的双路超分辨分割结构模型，得到第二分辨率的预测图像和第二分辨率的目标物体的分割掩膜；其中，所述双路超分辨分割结构模型至少包括高分辨分割神经网络和图像超分辨神经网络；所述第二分辨率大于第一分辨率；根据所述第二分辨率的预测图像和第二分辨率的目标物体的分割掩膜，确定与所述目标物体对应的第二分辨率的目标图像。2.根据权利要求1所述的方法，其特征在于，所述双路超分辨分割结构模型通过如下方式获得：获取第三分辨率的样本图像，并获取与所述第三分辨率的样本图像对应的第四分辨率的样本图像；根据所述样本图像分别对所述高分辨分割神经网络和图像超分辨神经网络进行训练，得到第五分辨率的分割图像；且所述第五分辨率大于第三分辨率，且所述第五分辨率与所述第四分辨率相同；根据所述第三分辨率的样本图像、第四分辨率的样本图像和第五分辨率的分割图像，确定高分辨分割神经网络的损失函数和图像超分辨神经网络的损失函数；当所述高分辨分割神经网络的损失函数小于第一预设值和/或图像超分辨神经网络的损失函数小于第二预设值，则将所述高分辨分割神经网络和图像超分辨神经网络确定为所述双路超分辨分割结构模型。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据所述预先训练好的空洞卷积神经网络，确定与所述目标物体对应的感受野图像。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：根据目标物体的尺寸大小，对所述双路超分辨分割结构模型中的尺度感知的空洞卷积神经网络，进行训练，得到所述空洞卷积神经网络；所述空洞卷积神经网络包括多个并行的不同空洞率的空洞卷积核，其中，每一个空洞卷积核对应一个尺度系数图。5.根据权利要求3所述的方法，其特征在于，所述方法还包括：根据预先训练好的关联学习模型，对所述第一图像进行分割，得到与目标物体对应的分割图像，其中，所述关联学习模型是对所述高分辨分割神经网络和图像超分辨神经网络进行关联学习得到的。6.根据权利要求5所述的方法，其特征在于，所述关联学习模型通过如下方式获得：对所述双路超分辨分割结构模型中的高分辨分割神经网络和图像超分辨神经网络进行特征关联学习；对所述双路超分辨分割结...
【专利技术属性】
技术研发人员：林黄靖，李雁雯，张宏伟，
申请(专利权)人：深圳视见医疗科技有限公司，
类型：发明
国别省市：
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。