一种分步分割方法及系统技术方案

本发明专利技术提供一种分步分割方法及系统，包括以下步骤：获取待分割的原影像文件；将原影像文件输入深度学习模型，通过深度学习模型确定标志器官的位置；根据所述标志器官位置确定目标器官的大概位置；截取所述目标器官所在的大致区域；将目标器官所在大致区域输入深度学习模型，通过深度学习模型确定分割后的目标器官；本发明专利技术的有益效果为：如果直接从原影像文件中分割出目标器官是比较困难，因为目标器官的结构复杂，分割起来比较费时费力，如果从原影像文件中分割出标志器官是比较简单，标志器官结构简单容易识别导致分割模型结构简单，所以使得分割速度较快，所以本发明专利技术采用分布器官分割算法，只对大概的目标区域进行分割，从而提高了分割速度。提高了分割速度。提高了分割速度。

【技术实现步骤摘要】
一种分步分割方法及系统


[0001]本专利技术涉及影像领域器官分割
，特别是涉及一种分步分割方法及系统。

技术介绍

[0002]医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程，它包含以下两个相对独立的研究方向：医学成像系统和医学图像处理，前者是指图像行成的过程，包括对成像机理、成像设备、成像系统分析等问题的研究；后者是指对已经获得的图像作进一步的处理，其目的是或者是使原来不够清晰的图像复原，或者是为了突出图像中的某些特征信息，或者是对图像做模式分类等等，在影像领域利用人工智能算法对人体组织器官进行自动分割，目前的主要方法都是在原影像文件直接对目标器官分割，如果原影像文件非常大，几十MB大小，同时目标器官比较复杂，包含很多独立部分，比如脊柱包含27个椎骨，则使得分割会非常费时，分割一个文件可能需要数十分钟，不能满足日常需求，使得对医学影像中的目标器官精细分割的速度非常低。

技术实现思路

[0003]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种分步分割方法及系统，用于解决现有技术中对医学影像中的目标器官精细分割的速度非常低的问题。
[0004]本专利技术的实施方式提供了一种分步分割方法，包括以下步骤：获取待分割的原影像文件；将原影像文件输入深度学习模型，通过深度学习模型确定标志器官的位置；根据所述标志器官位置确定目标器官的大概位置；截取所述目标器官所在的大致区域；将目标器官所在大致区域输入深度学习模型，通过深度学习模型确定分割后的目标器官。
[0005]本专利技术的实施方式还提供了一种分步分割系统，包括：获取模块，用于获取待分割的原影像文件；截取模块，用于截取所述目标器官所在的大致区域；确定模块，用于将原影像文件输入深度学习模型，通过深度学习模型确定标志器官的位置，根据所述标志器官位置确定目标器官的大概位置；将目标器官所在大致区域输入深度学习模型，通过深度学习模型确定分割后的目标器官。
[0006]本专利技术的实施方式还提供了一种服务器，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述的分步分割方法。
[0007]本专利技术的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上述的分步分割方法。
[0008]本专利技术实施方式相对于现有技术而言，主要区别及其效果在于：如果直接从原影像文件中分割出目标器官是比较困难，因为目标器官的结构复杂，分割起来比较费时费力，如果从原影像文件中分割出标志器官是比较简单，标志器官结构简单容易识别导致分割模型结构简单，所以使得分割速度较快，所以本专利技术先通过使用深度学习模型在原影像文件
中分割出标志器官的位置，然后根据标志器官位置确定目标器官的大概位置，最后再通过使用深度学习模型在目标器官所在的大致区域中进行精细分割，从而确定出分割后的目标器官，由于采用分布器官分割算法，只对大概的目标区域进行分割，数据量大大减少，耗时也会大大减少，大大提高医学影像中的目标器官精细分割的速度。
[0009]作为进一步改进，在所述获取待分割的原影像文件之后，所述将原影像文件输入深度学习模型，通过深度学习模型确定标志器官的位置之前，包括：对所述待分割的原影像文件进行预处理。
[0010]作为进一步改进，所述将原影像文件输入深度学习模型，通过深度学习模型确定标志器官的位置，包括：对所述原影像文件进行下采样处理，根据处理结果得出下采样后的原影像文件；对所述下采样后的原影像文件进行上采样处理，根据处理结果确定标志器官的位置。
[0011]上述方案通过先对原影像文件进行下采样处理，然后再对下采样后的原影像文件进行上采样处理，最后分割出标志器官的位置，从而实现了分割出标志器官的位置的目的。
[0012]作为进一步改进，所述将目标器官所在大致区域输入深度学习模型，通过深度学习模型确定分割后的目标器官，包括：对所述目标器官所在的大致区域进行下采样处理，根据处理结果得出下采样后的目标器官所在的大致区域；对所述下采样后的目标器官所在的大致区域进行上采样处理，根据处理结果确定分割后的目标器官。
[0013]上述方案通过先对目标器官所在的大致区域进行下采样处理，然后再对下采样后的目标器官所在的大致区域进行上采样处理，最后得出分割后的目标器官，从而实现了对目标器官精细分割的目的。
[0014]作为进一步改进，在所述将目标器官所在大致区域输入深度学习模型，通过深度学习模型确定分割后的目标器官之后，包括：发送所述分割后的目标器官至终端设备，并在终端设备上显示所述分割后的目标器官的位置。
[0015]上述方案在得出分割后的目标器官之后，将分割后的目标器官发送至终端设备，并在终端设备上显示分割后的目标器官，从而便于医护人员进行观看。
附图说明
[0016]图1是本专利技术第一实施方式中的分步分割方法流程图；
[0017]图2是本专利技术第二实施方式中的分步分割方法流程图；
[0018]图3是本专利技术第三实施方式中的分步分割系统示意图；
[0019]图4是本专利技术第四实施方式中的电子设备示意图。
具体实施方式
[0020]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0021]需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构
想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0022]本专利技术的第一实施方式涉及一种分步分割方法。流程如图1所示，具体如下：
[0023]步骤101，获取待分割的原影像文件；
[0024]具体的说，原影像文件中包括标志器官和目标器官。
[0025]步骤102，将原影像文件输入深度学习模型，通过深度学习模型确定标志器官的位置。
[0026]具体的说，本实施例中的深度学习模型是已有的开源框架nnUnet模型，开源框架nnUnet模型的结构就是经典的Unet结构，Unet结构可以说是相对比较简单的图像分割算法了，通过四个下采样提取目标特征，再通过四个上采样逐个对其像素点进行分类，Unet结构实际上是一个基于编码器
‑‑
解码器思想，在实际应用中也可以使用其他模型或算法对原影像文件进行分割，首先对原影像文件进行下采样处理，然后根据处理结果得出下采样后的原影像文件，对下采样后的原影像文本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分步分割方法，其特征在于，包括以下步骤：获取待分割的原影像文件；将原影像文件输入深度学习模型，通过深度学习模型确定标志器官的位置；根据所述标志器官位置确定目标器官的大概位置；截取所述目标器官所在的大致区域；将目标器官所在大致区域输入深度学习模型，通过深度学习模型确定分割后的目标器官。2.根据权利要求1所述的一种分步分割方法，其特征在于：在所述获取待分割的原影像文件之后，所述将原影像文件输入深度学习模型，通过深度学习模型确定标志器官的位置之前，包括：对所述待分割的原影像文件进行预处理。3.根据权利要求1所述的一种分步分割方法，其特征在于：所述将原影像文件输入深度学习模型，通过深度学习模型确定标志器官的位置，包括：对所述原影像文件进行下采样处理，根据处理结果得出下采样后的原影像文件；对所述下采样后的原影像文件进行上采样处理，根据处理结果确定标志器官的位置。4.根据权利要求1所述的一种分步分割方法，其特征在于：所述将目标器官所在大致区域输入深度学习模型，通过深度学习模型确定分割后的目标器官，包括：对所述目标器官所在的大致区域进行下采样处理，根据处理结果得出下采样后的目标器官所在的大致区域；对所述下采样后的...

【专利技术属性】
技术研发人员：王世威，陈浩，何翔，仵晨阳，胡宇程，
申请(专利权)人：上海域唯医疗科技有限公司，
类型：发明
国别省市：