【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 ...
【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:
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。