图像分割方法及装置、电子设备、存储介质制造方法及图纸

本申请涉及医学图像处理技术领域，公开一种图像分割方法包括：对器官区域的原始图像进行编码，获得原始图像编码；通过重采样将原始图像编码中的异常编码替换为可识别编码，获得重采样图像编码；对重采样图像编码进行解码，获得重建图像；基于重建图像和原始图像的差异化区域，获取器官病变区域分割结果。这不仅可以实现器官病变区域的无监督分割，而且可以根据健康人的器官数据分布对病人器官图像中的任何可疑病变区域分割，不受算法模型训练数据的限制，具有更好的泛化性和通用性。本申请还公开一种图像分割装置、电子设备及存储介质。电子设备及存储介质。电子设备及存储介质。

【技术实现步骤摘要】
图像分割方法及装置、电子设备、存储介质


[0001]本申请涉及医学图像处理
，例如涉及一种图像分割方法及装置、电子设备、存储介质。

技术介绍

[0002]近些年来，由于三维CT(Computed Tomography，电子计算机断层扫描仪器)图像所包含的数据量远大于二维图像的数据量，三维CT图像逐渐成为许多器官(例如肺、肾、心脏等)疾病的重要检查方式。随着深度学习技术在医学方面的应用，医生可以使用更高效的深度学习辅助诊断技术来对疾病进行诊断，能够有效减轻医生的工作负担。在深度学习技术中，语义分割通过对图像不同区域进行像素级的分类，将图像划分为不同的区域。在医疗辅助诊断中，语义分割不仅可以定性地提供病症有无的判断，还可以定量地标记出病变的区域。这不仅有利于医生更加准确地诊断病情，还有助于开展后续的治疗。
[0003]相关技术中的深度学习语义分割方法，获得正常三维CT图像和含病灶的三维CT图像数据，然后送入预训练好的教师网络和学生网络中进行训练，教师网络学习到包含病灶图像和正常图像的知识，学生网络学习到正常图像的知识，利用教师网络与学本文档来自技高网...

【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：对器官区域的原始图像进行编码，获得原始图像编码；通过重采样将所述原始图像编码中的异常编码替换为可识别编码，获得重采样图像编码；对所述重采样图像编码进行解码，获得重建图像；基于所述重建图像和所述原始图像的差异化区域，获取器官病变区域分割结果。2.根据权利要求1所述的方法，其特征在于，所述通过重采样将所述原始图像编码中的异常编码替换为可识别编码，获得重采样图像编码，包括：通过重采样模型将所述原始图像编码中病变区域的编码子集替换为正常编码子集；其中，所述重采样模型通过健康器官图像训练获得；将编码子集替换后的原始图像编码作为所述重采样图像编码。3.根据权利要求1所述的方法，其特征在于，所述基于所述重建图像和所述原始图像的差异化区域，获取器官病变区域分割结果，包括：获得所述重建图像和所述原始图像的差分图像；通过所述差分图像得到器官病变区域分割结果。4.根据权利要求3所述的方法，其特征在于，所述通过所述差分图像得到器官病变区域分割结果，包括：获得所述差分图像的差异值；将所述差分图像中的差异值大于差异阈值的像素区域作为所述器官病变区域分割结果。5.根据权利要求3所述的方法，其特征在于，所述通过所述差分图像得到器官病变区域分割结果，包括：获得所述重采样图像编码的似然概率，以及所述差分图像的差异值；将所述差分图像中的似然概率小于似然概率阈值，且差异值大于差异阈值的像素区域二值化得到所述器官病变区域分割结果。6.根据权利要求5所述的方法，其特征在于，获得所述重采样图像编码的似然概率，包括：获得所述重采样图像编码的初始似然概率；对所述初始似然概率进行高斯平滑以获得所述重采样图像编码的似然概率。7.根据权利要求5所述的方法，其特征在于，获得所述差分图像的差异值，包括：获得所述差分图像的初始差异值；对所述初始差异值进行高斯平滑以获得所述差分图像的差异值。8.根据权利要求1至7任一项所述的方法，其特征在于，所述对器官区域的原始图像进行编码，包括：使用编码器和字典对所述原始图像进行编码；其中，所述编码器和所述字典通过健康器官图像训练获得；所述对所述重采样图像编码进行解码，包...

【专利技术属性】
技术研发人员：万钇良，
申请(专利权)人：东软医疗系统股份有限公司，
类型：发明
国别省市：