图像分割、模型的训练方法、装置、电子设备及存储介质制造方法及图纸

本申请提供了一种图像分割、模型的训练方法、装置、电子设备及存储介质，通过配准模型将从同一对象采集的第一图像和第二图像进行配准，以得到配准形变场，再将配准形变场与预先获取的第二图像的分割模型进行计算，以得到待分割的第一图像的分割模型，能够实现对于组织分辨率较低的第一图像的分割识别，相比于采用有监督分割网络方式需要大量人工标注费时费力的情况，本申请提供的图像分割方法能够快速得到准确度较高的对于第一图像的分割图像。得到准确度较高的对于第一图像的分割图像。得到准确度较高的对于第一图像的分割图像。

【技术实现步骤摘要】
图像分割、模型的训练方法、装置、电子设备及存储介质


[0001]本申请涉及图像处理
，具体涉及一种图像分割、模型的训练方法、装置、电子设备及存储介质。

技术介绍

[0002]图像分割技术在影像学诊断中用处较大，例如，将心脏和冠脉血管进行分割可能有助于医生准确诊断心脏疾病。目前，现有的医疗图像分割技术，无论是传统算法还是基于深度学习方法，大都是基于增强CT(Computed Tomography)图像，利用造影剂的效果对图像进行较好的分割识别。但是，在部分医疗场景中，需要在平扫CT图像上进行图像分割，而平扫CT图像由于其对组织的分辨率较低，对其进行图像分割难度较大。

技术实现思路

[0003]有鉴于此，本申请实施例提供了一种图像分割、模型的训练方法、装置、电子设备及存储介质，能够在平扫CT图像上快速得到分割图像。
[0004]第一方面，本申请的实施例提供了一种图像分割方法，该方法包括：
[0005]获取第一图像和第二图像，所述第一图像和所述第二图像为对同一对象采集的图像；
[0006]将所述第一图像和所述第二图像输入至经过预训练的配准模型，采用所述配准模型对所述第一图像和所述第二图像进行配准，得到配准形变场；
[0007]基于所述配准形变场和所述第二图像对应的分割模型，通过计算得到所述第一图像的分割模型，其中，所述第二图像对应的分割模型是预先获取的。
[0008]第二方面，本申请的实施例提供了一种模型训练方法，包括：
[0009]获取样本图像，所述样本图像包括第一样本图像和第二样本图像，其中，所述第一样本图像和所述第二样本图像为对同一对象采集的图像；
[0010]基于所述第一样本图像和所述第二样本图像对神经网络进行训练，以得到能够对所述第一样本图像和所述第二样本图像进行配准的配准模型。
[0011]第三方面，本申请的实施例提供了一种图像分割装置，包括：
[0012]获取模块，被配置为获取第一图像和第二图像，所述第一图像和所述第二图像为对同一对象采集的图像；
[0013]配准模块，被配置为将所述第一图像和所述第二图像输入至经过预训练的配准模型，采用所述配准模型对所述第一图像和所述第二图像进行配准，得到配准形变场；
[0014]分割模块，被配置为基于所述配准形变场和所述第二图像对应的分割模型，通过计算得到所述第一图像的分割模型，其中，所述第二图像对应的分割模型是预先获取的。
[0015]第四方面，本申请的实施例提供了一种模型训练装置，包括：
[0016]样本获取模块，被配置为获取样本图像，所述样本图像包括第一样本图像和第二样本图像，其中，所述第一样本图像和所述第二样本图像为对同一对象采集的图像；
[0017]模型训练模块，被配置为基于所述第一样本图像和所述第二样本图像对神经网络进行训练，以得到能够对所述第一样本图像和所述第二样本图像进行配准的配准模型。
[0018]第五方面，本申请的实施例提供了一种计算可读存储介质，存储介质存储有计算机程序，计算机程序用于执行上述第一方面所述的图像分割方法，或者用于执行上述第二方面所述的模型训练方法。
[0019]第六方面，本申请的实施例提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器，其中，处理器用于执行上述第一方面所述的图像分割方法，或者用于执行上述第二方面所述的模型训练方法。
[0020]本申请实施例提供了一种图像分割、模型的训练方法、装置、电子设备及存储介质，通过配准模型将从同一对象采集的第一图像和第二图像进行配准，以得到配准形变场，再将配准形变场与预先获取的第二图像的分割模型进行计算，以得到待分割的第一图像的分割模型，能够实现对于组织分辨率较低的第一图像的分割识别，相比于采用有监督分割网络方式需要大量人工标注费时费力的情况，本申请提供的图像分割方法能够快速得到准确度较高的对于第一图像的分割图像。
附图说明
[0021]图1是本申请一示例性实施例提供的一种实施环境的示意图。
[0022]图2是本申请一示例性实施例提供的图像分割方法的流程示意图。
[0023]图3是本申请另一示例性实施例提供的图像分割方法的流程示意图。
[0024]图4a是本申请一示例性实施例提供的心脏冠脉的平扫CT图像。
[0025]图4b是本申请一示例性实施例提供的心脏冠脉的增强CT图像。
[0026]图5是本申请一示例性实施例提供的平扫CT图像和增强CT图像配准方法的流程示意图。
[0027]图6是本申请一示例性实施例提供的模型的训练方法的流程示意图。
[0028]图7是本申请一示例性实施例提供的图像分割装置的结构示意图。
[0029]图8是本申请一示例性实施例提供的模型的训练装置的结构示意图。
[0030]图9是本申请一示例性实施例提供的电子设备的框图。
具体实施方式
[0031]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0032]申请概述
[0033]深度学习通过建立具有阶层结构的人工神经网络，在计算系统中实现人工智能。由于阶层结构的人工神经网络能够对输入信息进行逐层提取和筛选，因此深度学习具有表征学习能力，可以实现端到端的监督学习和非监督学习。深度学习所使用的阶层结构的人工神经网络具有多种形态，其阶层的复杂度被通称为“深度”，按构筑类型，深度学习的形式包括多层感知器、卷积神经网络、循环神经网络、深度置信网络和其它混合构筑。深度学习
使用数据对其构筑中的参数进行更新以达成训练目标，该过程被通称为“学习”，深度学习提出了一种让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性。
[0034]神经网络是一种运算模型，由大量的节点(或称神经元)之间相互连接构成，每个节点对应一个策略函数，每两个节点间的连接代表一个对于通过该连接信号的加权值，称之为权重。神经网络一般包括多个神经网络层，上下网络层之间相互级联，第i个神经网络层的输出与第i+1个神经网络层的输入相连，第i+1个神经网络层的输出与第i+2个神经网络层的输入相连，以此类推。样本图像输入级联的神经网络层后，通过每个神经网络层输出一个输出结果，该输出结果作为下一个神经网络层的输入，由此，通过多个神经网络层计算获得输出，比较输出层的输出的预测结果与真正的目标值，再根据预测结果与目标值之间的差异情况来调整每一层的权重矩阵和策略函数，神经网络利用样本图像不断地经过上述调整过程，使得神经网络的权重等参数得到调整，直到神经网络输出的预测结果与真正的目标结果相符，该过程就被称为神经网络的训练过程。神经网络经过训练后，可得到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，包括：获取第一图像和第二图像，所述第一图像和所述第二图像为对同一对象采集的图像；将所述第一图像和所述第二图像输入至经过预训练的配准模型，采用所述配准模型对所述第一图像和所述第二图像进行配准，得到配准形变场；基于所述配准形变场和所述第二图像对应的分割模型，通过计算得到所述第一图像的分割模型，其中，所述第二图像对应的分割模型是预先获取的。2.根据权利要求1所述的方法，其特征在于，所述将所述第一图像和所述第二图像输入至经过预训练的配准模型，包括：分别对所述第一图像和所述第二图像进行预处理，将经过预处理的所述第一图像和所述第二图像输入至经过预训练的配准模型。3.根据权利要求1所述的方法，其特征在于，所述配准模型包括第一配准模型和第二配准模型，所述采用所述配准模型对所述第一图像和所述第二图像进行配准，得到配准形变场，包括：通过第一配准模型对所述第一图像和所述第二图像进行配准，得到第一配准形变场；基于所述第一配准形变场，通过第二配准模型对所述第一图像和所述第二图像进行配准，得到第二配准形变场；对所述第一配准形变场和所述第二配准形变场进行合并操作，获得所述配准形变场。4.根据权利要求3所述的方法，其特征在于，所述基于所述第一配准形变场，通过第二配准模型对所述第一图像和所述第二图像进行配准，得到第二配准形变场，包括：对所述第一配准形变场与所述第二图像进行点积运算，获得第三图像；通过第二配准模型对所述第一图像和所述第三图像进行配准，得到所述第二配准形变场。5.根据权利要求1所述的方法，其特征在于，所述基于所述配准形变场和所述第二图像对应的分割模型，通过计算得到所述第一图像的分割模型，包括：对所述配准形变场与所述第二图像对应的分割模型进行点积运算，得到所述第一图像的分割模型。6.一种模型的训练方法，其特征在于，包括：获取样本图像，所述样本图像包括第一样本图像和第二样本图像，其中，所述第一样本图像和所述第二样本图像为对同一对象采集的图像；基于所述第一样本图像和所述第二样本图像对神经网络进行训练，以得到能够对所述第一样本图像和所述第二样本图像进行配准的配准模型。7.根据权利要求6所述的方法，其特征在于，还包括：根据所述配准模型输出的配准形变场、所述第一样本图像和所述第二样本图像计算损失函数值，根据所述损失函数值更新所述配准模型的参数。8.根据权利要求6所述的方法，其特征在于，所述神经网络包括第一神经网络和第二神经网络，所述配准模型包括第一配准模型和第二配准模型；所述基于所述第一样本图像和所述第二样本图像对神经网络进行训练，以得到能够对所述第一样本图像和所述第二样本图像进行配准的配准模型，包括：
基于所述第一样本图像和所述第二样本图像对所述第一神经网络进行训练，以得到能够对所述第一样本图像和所述第二样本...

【专利技术属性】
技术研发人员：刘泽庆，黄文豪，张欢，陈宽，王少康，
申请(专利权)人：推想医疗科技股份有限公司，
类型：发明
国别省市：