一种图像分割方法、分割装置、终端设备及存储介质制造方法及图纸

本申请适用于图像处理技术领域，提供了一种图像分割方法、分割装置、终端设备及存储介质，该方法包括：获取待分割医学图像；利用已训练的多任务学习对抗网络中的生成器对所述待分割医学图像进行分割，得到目标器官图像以及目标骨抑制图像，所述已训练的多任务学习对抗网络中的生成器在训练时同时学习分割器官图像和分割骨抑制图像。本申请可以一定程度上解决在少量的训练样本的情况下，医学图像分割的准确率不高的问题。准确率不高的问题。准确率不高的问题。

【技术实现步骤摘要】
一种图像分割方法、分割装置、终端设备及存储介质


[0001]本申请属于图像处理领域，尤其涉及一种图像分割方法、分割装置、终端设备及存储介质。

技术介绍

[0002]随着科学技术的发展，图像分割技术的应用越来越广泛。比如，将图像分割技术应用到医学领域，对医学图像进行器官分割，分割后的器官可以为临床诊断提供重大依据。
[0003]目前，对医学图像进行器官分割的技术主要包括卷积神经网络以及生成对抗网络。然而，卷积神经网络需要大量的训练样本，而医学图像的训练样本较少(标签比较昂贵)。生成对抗网络虽然不需要大量的训练样本，但是，生成对抗网络分割的准确率不是很高。
[0004]因此，目前在少量的训练样本的情况下，医学图像分割的准确率不高。

技术实现思路

[0005]本申请实施例提供了一种图像分割方法、分割装置、终端设备及存储介质，可以一定程度上解决在少量的训练样本的情况下，医学图像分割的准确率不高的问题。
[0006]第一方面，本申请实施例提供了一种图像分割方法，包括：
[0007]获取待分割医学图像；
[0008]利用已训练的多任务学习对抗网络中的生成器对上述待分割医学图像进行分割，得到目标器官图像以及目标骨抑制图像，上述已训练的多任务学习对抗网络中的生成器在训练时同时学习分割器官图像和分割骨抑制图像。
[0009]第二方面，本申请实施例提供了一种图像分割装置，包括：
[0010]获取模块，用于获取待分割医学图像；
[0011]分割模块，用于利用已训练的多任务学习对抗网络中的生成器对上述待分割医学图像进行分割，得到目标器官图像以及目标骨抑制图像，上述已训练的多任务学习对抗网络中的生成器在训练时同时学习分割器官图像和分割骨抑制图像。
[0012]第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上述第一方面所述方法的步骤。
[0013]第四方面，本申请实施例提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上述第一方面所述方法的步骤。
[0014]第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的图像分割方法。
[0015]可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
[0016]本申请实施例与现有技术相比存在的有益效果是：
[0017]本申请提供一种图像分割方法，首先，获取待分割医学图像。然后利用已训练的多任务学习对抗网络中的生成器对该待分割医学图像进行分割，得到目标器官图像以及目标骨抑制图像，该已训练的多任务学习对抗网络中的生成器在训练时同时学习分割器官图像和分割骨抑制图像。由于在训练时同时学习分割器官图像和分割骨抑制图像，可以提高图像分割的准确率。因此，在本申请中，利用该已训练的多任务学习对抗网络中的生成器对该待分割医学图像进行分割，得到的目标器官图像以及目标骨抑制图像的准确率更高。
附图说明
[0018]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]图1是本申请一实施例提供的图像分割方法的流程示意图；
[0020]图2是本申请一实施例提供的目标Unet网络的结构示意图；
[0021]图3是本申请一实施例提供卷积层的结构示意图；
[0022]图4是本申请一实施例提供的矩阵与膨胀卷积层相乘后的结果示意图；
[0023]图5是本申请一实施例提供的矩阵与扩张率服从连续分布的膨胀卷积层相乘后的结果示意图；
[0024]图6是本申请一实施例提供的没有包括膨胀卷积层的生成器的心脏图像分割的示意图；
[0025]图7是本申请一实施例提供的包括膨胀卷积层的生成器的心脏图像分割的示意图；
[0026]图8是本申请一实施例提供的各种分割方法的评估值的示意图；
[0027]图9是本申请一实施例提供的图像分割装置的结构示意图；
[0028]图10是本申请实施例提供的终端设备的结构示意图。
具体实施方式
[0029]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0030]应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0031]还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0032]如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确
定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0033]另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0034]在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0035]本申请实施例提供的图像分割方法可以应用于手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra
‑
mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
[0036]为了说明本申请所述的技术方案，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，包括：获取待分割医学图像；利用已训练的多任务学习对抗网络中的生成器对所述待分割医学图像进行分割，得到目标器官图像以及目标骨抑制图像，所述已训练的多任务学习对抗网络中的生成器在训练时同时学习分割器官图像和分割骨抑制图像。2.如权利要求1所述的图像分割方法，其特征在于，所述已训练的多任务学习对抗网络中的生成器为目标Unet网络。3.如权利要求2所述的图像分割方法，其特征在于，所述目标Unet网络包括普通卷积层和膨胀卷积层。4.如权利要求3所述的图像分割方法，其特征在于，所述膨胀卷积层的层数包括至少两层，各层所述膨胀卷积层的扩张率服从连续分布。5.如权利要求1
‑
4任一项所述的图像分割方法，其特征在于，在所述利用已训练的多任务学习对抗网络中的生成器对所述待分割医学图像进行分割，得到目标器官图像以及骨抑制图像之前，包括：获取目标训练样本集，并利用原始多任务学习对抗网络的生成器对所述目标训练样本集进行分割，得到原始器官图像以及原始骨抑制图像；获取真实器官图像以及真实骨抑制图像，并将所述原始器官图像、所述原始骨抑制图像、所述真实器官图像以及所述真实骨抑制图像输入至所述原始多任务学习对抗网络的鉴别器中，得到第一目标损失值以及第二目标损失值；若所述第一目标损失值不满足第一预设终止条件或所述第二目标损失值不满足第二预设终止条件，则根据所述第一目标损失值更新所述原始多任务学习对抗网络的生成器的网络参数，根据所述第二目标损失值更...

【专利技术属性】
技术研发人员：霍韦良，田小林，
申请(专利权)人：澳门科技大学，
类型：发明
国别省市：