【技术实现步骤摘要】
一种核磁共振图像的分割方法、装置、设备及存储介质
[0001]本专利技术涉及图像分割
,具体而言,涉及一种核磁共振图像的分割方法、装置、设备及存储介质。
技术介绍
[0002]医学图像分割是从医学图像中识别器官或病变的像素点,是医学图像诊断和计算机辅助诊断系统中不可缺少的步骤,也是医学图像分析中最具挑战性的任务之一。传统的医学图像分割算法包括基于阀值的分割算法、基于边缘的分割算法、基于区域的分割算法、基于图论的分割算法、基于聚类的分割算法等。
[0003]而医学图像分割精度的提高,有助于帮助医生根据分割图像做出更为精准的判断,是准确设计治疗方案的关键步骤。随着深度学习的不断发展,如何更好地优化之前的模型并将其应用到医学图像中来,使其分割的医学图像能更加地准确成了目前研究的重要领域。
技术实现思路
[0004]本专利技术的目的在于提供一种核磁共振图像的分割方法、装置、设备及存储介质,以改善上述问题。为了实现上述目的,本专利技术采取的技术方案如下:
[0005]第一方面,本申请提供了一种核磁共振图像的分割方法,包括:
[0006]获取第一目标图像和第二目标图像,所述第一目标图像包括至少两个含有脑卒中病变区域的核磁共振图像;所述第二目标图像为病人待分割的核磁共振图像;
[0007]基于所述第一目标图像,分别对每个所述含有脑卒中病变区域的核磁共振图像逐层进行预处理,得到标签信息,每个所述标签信息对应一个二维数据集,每个所述二维数据集是由基于边缘标注的脑卒中病变区域图像转换 ...
【技术保护点】
【技术特征摘要】
1.一种核磁共振图像的分割方法,其特征在于,包括:获取第一目标图像和第二目标图像,所述第一目标图像包括至少两个含有脑卒中病变区域的核磁共振图像;所述第二目标图像为病人待分割的核磁共振图像;基于所述第一目标图像,分别对每个所述含有脑卒中病变区域的核磁共振图像逐层进行预处理,得到标签信息,每个所述标签信息对应一个二维数据集,每个所述二维数据集是由基于边缘标注的脑卒中病变区域图像转换的二维数据集;基于多层级联卷积神经网络模型和所述第一目标图像,分别将所述含有脑卒中病变区域的核磁共振图像作为输入值,将对应的所述标签信息作为输出值,训练所述多层级联卷积神经网络模型,并根据损失函数更新参数直至所述损失函数的值最小,得到训练后的所述多层级联卷积神经网络模型;将所述第二目标图像输入训练后的所述多层级联卷积神经网络模型进行分割,得到核磁共振图像分割后的待观察区域。2.根据权利要求1所述的核磁共振图像的分割方法,其特征在于,基于所述第一目标图像,分别对每个所述核磁共振图像逐层进行预处理,得到标签信息包括:基于所述第一目标图像,分别对每个所述含有脑卒中病变区域的核磁共振图像进行归一化处理,得到灰度图像;基于所述灰度图像使用Sobel算子进行梯度检测,得到梯度图像,所述梯度图像包括边缘像素和非边缘像素;利用Gabor滤波器对所述梯度图像进行处理,得到增强图像,所述Gabor滤波器的窗口函数为高斯函数;基于点乘算法,对所述增强图像和所述灰度图像进行点乘,得到锐化图像;基于对应的所述锐化图像和所述含有脑卒中病变区域的核磁共振图像进行叠加,得到所述标签信息。3.根据权利要求2所述的核磁共振图像的分割方法,其特征在于,基于所述灰度图像使用Sobel算子进行梯度检测,得到梯度图像包括:分别获取所述灰度图像中每个像素点的坐标参数和所述像素点对应的像素值;基于所述灰度图像,根据Sobel算子、所述像素点的坐标参数和所述像素点对应的像素值计算,得到每个所述像素点对应的梯度值;基于所有的所述梯度值,分别判断每个所述梯度值是否大于或等于预设阈值,若所述梯度值大于或等于所述预设阈值,则对应的所述像素点为所述边缘像素;若所述梯度值小于所述预设阈值,则对应的所述像素点为非边缘像素。4.根据权利要求1所述的核磁共振图像的分割方法,其特征在于,所述多层级联卷积神经网络模型中每个子模块均为类U
‑
Net的编码解码结构,所述类U
‑
Net的编码解码结构中的跳层连接部分还包括提取不同大小感受野特征的模态选择卷积层,所述模态选择卷积层的卷积方法包括:根据所述含有脑卒中病变区域的核磁共振图像分别进行不同尺寸卷积核的卷积计算,分别得到第一特征图和第二特征图;基于所述第一特征图和所述第二特征图之和,得到第三特征图;基于所述第三特征图计算,分别得到第一矩阵和第二矩阵;
基于所述第一特征图、所述第二特征图、所述第一矩阵和所述第二矩阵计算,得到带权特征图。5.一种核磁共振图像的分割装置,其特征在于,包括:获取模块:用于获取第一目标图像和第二目标图像,所述第一目标图像包括至少两个含有脑...
【专利技术属性】
技术研发人员:夏青,
申请(专利权)人:中科微影浙江医疗科技有限公司,
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。