【技术实现步骤摘要】
医学图像分割方法、装置、计算机设备和存储介质
[0001]本申请涉及人工智能
，特别是涉及一种医学图像分割方法、装置、计算机设备和存储介质。
技术介绍
[0002]心血管疾病是全球死亡率最高的疾病，并且发病率和死亡率逐年上升，严重威胁着人类的生命健康。由于心脏的复杂结构使得心脏的不同部位具有不同的特征，在医生对患者的医学图像进行心脏结构分析时，带来很大的难度。因此对心脏医学图像进行精确分割尤为重要，精确分割能为医生提供高质量的心脏结构信息，有助于医生快速诊断。
[0003]传统技术中，一方面存在手动心脏分割的方法，但是该方法结果不仅差异化大而且需要花费大量的时间和精力；另一方面引入了模型处理，由于心脏不同部位特征不同，因此可以采用基于模型匹配的方法，但是该基于模型匹配的方法分割精度较低，而基于可变模型的方法，需要用户交互来完成分割，鲁棒性差，且分割精度低。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种能够提高分割精度的医学图像分割方法、装置、计算机设备和存储介质。
...
【技术保护点】
【技术特征摘要】
1.一种医学图像分割方法，其特征在于，所述方法包括：获取待处理医学图像；将所述待处理医学图像输入至预先训练得到的深度全卷积分割模型中，以得到初始分割结果；基于所述初始分割结果对所述待处理医学图像进行分割得到目标分割结果。2.根据权利要求1所述的方法，其特征在于，所述将所述待处理医学图像输入至预先训练得到的深度全卷积分割模型中，以得到初始分割结果，包括：利用预先训练得到的深度全卷积分割模型，对所述待处理医学图像进行特征抽取，得到与目标组织器官对应的形态信息，所述形态信息包括所述目标组织器官的纹理特征、几何结构特征以及位置特征中的一种或几种；根据所述目标组织器官对应的形态信息，利用预先训练得到的深度全卷积分割模型对所述待处理医学图像进行目标组织器官位置定位，得到初始分割结果。3.根据权利要求2所述的方法，其特征在于，所述利用预先训练得到的深度全卷积分割模型，对所述待处理医学图像进行特征抽取，得到与目标组织器官对应的形态信息，包括：利用预先训练得到的深度全卷积分割模型中的编码网络的当前卷积层，对所述待处理医学图像进行特征抽取得到形态信息；利用预先训练得到的深度全卷积分割模型中的编码网络的对应的反卷积层，对抽取形态信息后的图像进行图像尺寸变换，以使得变换后的图像尺寸与对应的解码网络中的卷积层输出的图像的尺寸大小对应。4.根据权利要求3所述的方法，其特征在于，所述根据所述目标组织器官对应的形态信息，利用预先训练得到的深度全卷积分割模型对所述待处理医学图像进行目标组织器官位置定位，得到初始分割结果，包括：利用预先训练得到的深度全卷积分割模型中的解码网络的卷积层，对所述待处理医学图像进行特征抽取得到形态信息；利用预先训练得到的深度全卷积分割模型中的解码网络的最大池化层，保留所提取的形态信息，并调整所述解码网络的卷积层输出的图像的尺寸；利用预先训练得到的深度全卷积分割模型中的解码网络的残差连接，将所述解码网络的卷积层的输入和输出直接相加作为所述最大池化层的输入；利用预...
【专利技术属性】
技术研发人员：陈俊强，杨溪，
申请(专利权)人：上海微创卜算子医疗科技有限公司，
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。