一种基于多标签融合的图像分割方法、设备及存储介质技术

本发明专利技术涉及一种基于多标签融合的图像分割方法，包括：S1、获取待分割的目标图像，将N幅预设的图谱分别与目标图像进行配准，得到与图谱一一对应的N幅配准图像和N个形变标签；图谱包括包含目标器官或组织的原始浮动图像，以及原始浮动图像中用于标注目标器官或组织的原始标签；S2、将目标图像和N幅配准图像输入自适应投票权重网络模型，得到与配准图像一一对应的N幅投票权重图；S3、将配准图像的形变标签与对应的投票权重图点乘并叠加以进行标签融合，得到预测标签；S4、从目标图像中提取预测标签对应的区域，得到分割结果。本发明专利技术的图像分割方法能够基于少量具有标签的训练数据，有效提高基于多图谱配准的图像分割方法的分割精度。高基于多图谱配准的图像分割方法的分割精度。高基于多图谱配准的图像分割方法的分割精度。

【技术实现步骤摘要】
一种基于多标签融合的图像分割方法、设备及存储介质


[0001]本专利技术涉及医学图像分割
，尤其涉及一种基于多标签融合的图像分割方法、设备及存储介质。

技术介绍

[0002]医学图像分割技术是计算机辅助诊断技术中的一项重要任务，其主要目的在于从像素级别准确识别出器官区域、组织区域、病变区域、肿瘤区域等，特别地，其对于器官的分割是一些疾病的诊断和治疗的重要依据。例如，利用准确的肝脏分割可以为医生提供肝脏的体积信息，为肝脏手术规划等治疗方法提供重要依据。但实际的医学图像由于其纹理的复杂性、成像个体间的差异性、不同成像设备和成像原理之间的差别，且不同组织器官的界限模糊，因而使得对医学图像的分割成为极具挑战性的任务。
[0003]近年来随着人工智能算法的提升，基于深度学习的分割方法能够利用训练数据学习到目标器官或组织图像的特征，从而具有较好的分割性。但是，基于深度学习的分割方法依赖大量的高质量的训练数据进行预训练才能获得较好的分割性能，且这些训练数据需要带有标注目标器官或组织的标签。而医学图像的数据标签的通常需要经验丰富的医疗专家进行精细本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多标签融合的图像分割方法，其特征在于，用于对一幅待分割的目标图像进行分割处理，得到目标图像中关于目标器官或组织的分割结果，包括：S1、获取待分割的目标图像，将N幅预设的图谱分别与目标图像进行配准，得到与图谱一一对应的N幅配准图像和N个形变标签；其中，N为正整数，所述图谱包括包含目标器官或组织的原始浮动图像，以及每幅原始浮动图像中用于标注目标器官或组织的原始标签；S2、将目标图像和N幅配准图像输入自适应投票权重网络模型，得到与配准图像一一对应的N幅投票权重图；其中，所述投票权重图用于标示：配准图像对应的形变标签对目标图像中每个体素是否为目标器官或组织的投票权重；S3、将所述配准图像的形变标签与对应的投票权重图点乘并叠加以进行标签融合，得到预测标签；S4、从目标图像中提取预测标签对应的区域，得到分割结果。2.根据权利要求1所述的图像分割方法，其特征在于，在S2中，所述自适应投票权重网络模型为基于预先的第一训练过程得到的、具有适配的模型参数的卷积神经网络模型；所述自适应投票权重网络模型包括一个输入模块和一个输出模块，所述输入模块和输出模块之间依次连接有下采样支路和上采样支路；所述输入模块用于对输入的N+1幅图像进行卷积操作，得到初级特征图；所述下采样支路用于基于初级特征图进行下采样操作，获取关于形变标签的投票权重信息的多级别的特征图；所述上采样支路用于对下采样支路输出的特征图进行上采样操作，得到关于形变标签的投票权重信息；所述输出模块用于基于上采样支路输出的投票权重信息，得到N幅投票权重图。3.根据权利要求2所述的图像分割方法，其特征在于，所述下采样支路包括依次连接的第一下采样模块、第二下采样模块、第三下采样模块，第一下采样模块的输入端与输入模块的输出端连接；所述上采样支路包括第一上采样模块、第二上采样模块、第三上采样模块，第三上采样模块的输出端与输出模块的输入端连接；所述第一上采样模块的输入端与第三下采样模块的输出端连接；所述第二上采样模块的输入端通过跳跃连接模块分别与第一上采样模块和第二下采样模块的输出端连接；所述第三上采样模块的输入端通过跳跃连接模块分别与第二上采样模块和第一下采样模块的输出端连接。4.根据权利要求1所述的图像分割方法，其特征在于，所述S1包括：S101、获取待分割的目标图像；S102、将图谱中的原始浮动图像与目...

【专利技术属性】
技术研发人员：高阳，宋宠宠，王德峰，刘禹辰，宁晓琳，
申请(专利权)人：北京航空航天大学杭州创新研究院，
类型：发明
国别省市：