【技术实现步骤摘要】
本专利技术涉及数字图像处理，尤其涉及一种图像分割方法、装置及存储介质。
技术介绍
1、图像多目标自动分割的原理是对具有语义标签的多个对象进行逐体素(对于二维图像则为像素)分类，即使用一组对象类别对图像的所有体素进行分类，以分割和描述图像中感兴趣的多个对象。在医学领域，图像分割指的是从ct或mri等医学图像中提取出器官或病变的体素。该技术可以帮助医生更准确地诊断疾病，并制定出更有效的治疗方案，也是医学图像分析中最具挑战性的任务之一。在医学图像分析中，图像分割的准确性和可靠性至关重要，它直接关系到后续的临床决策和治疗效果，甚至更高级别的任务，如对象的分类。因此，图像多目标自动分割是帮助描述、表征和可视化医学图像中的感兴趣区域的最基本和最关键的过程。
2、目前，医学图像的多目标分割方法，包括：以深度学习的形式训练分割模型，使用分割模型对医学图像进行分割。
3、然而，当前主流的深度学习方法，在单目标分割中具有良好的性能，但在复杂图像的多目标分割任务中，存在多目标分割效果较差的问题。
技术实现思路
1、鉴于此，本专利技术实施例提供了一种图像分割方法、装置及存储介质，以消除或改善现有技术中存在的一个或更多个缺陷。可以解决当前主流的深度学习方法，在单目标分割中具有良好的性能，但在复杂图像的多目标分割任务中，存在多目标分割效果较差的问题。
2、本专利技术的一个方面提供了一种图像分割方法，该方法包括以下步骤：
3、获取第一图像数据和第二图像数据，第一图
4、获取预先训练的图像分割模型，图像分割模型包括第一网络分支、第二网络分支和空间变换网络层；第一网络分支的输出和第二网络分支的输出输入空间变换网络层；第一网络分支用于生成第一图像数据对应的第一形变场；第二网络分支用于生成第二图像数据对应的第二形变场；第一形变场与第二形变场的形变方向相反；空间变换网络层用于基于第一图像数据、第二图像数据、第一形变场和第二形变场，生成第一图像数据对应的分割掩码；
5、将第一图像数据和第二图像数据输入图像分割模型，得到分割图像。
6、可选地，第一网络分支包括第一编码器、解码器和第一形变场模块；第二网络分支包括第二编码器、解码器和第二形变场模块；
7、第一编码器层用于生成第一图像数据对应的第一特征映射；第二编码器层用于生成第二图像数据对应的第二特征映射；
8、解码器层用于基于第一特征映射和第二特征映射生成第三特征映射；
9、第一形变场模块用于基于第三特征映射、第一图像数据和第二图像数据，生成第一形变场；
10、第二形变场模块用于基于第三特征映射、第一图像数据和第二图像数据，生成第二形变场。
11、可选地，第一编码器的权重与第二编码器的权重相同。
12、可选地，解码器用于以跳层连接的形式，递归地使用高层语义信息的特征映射来提取具有低层细节信息的特征映射，直到得到与第一图像数据和第二图像数据相同分辨率的第三特征映射。
13、可选地，获取预先训练的图像分割模型，包括：
14、获取训练数据，训练数据包括：样本磁共振图像数据、样本磁共振图像数据对应的样本参考图像数据；
15、获取预先创建的初始分割模型；初始分割模型与图像分割模型的模型结构相同；初始分割模型包括第一初始网络分支和第二初始网络分支；
16、将样本磁共振图像数据输入第一初始网络分支，将输出样本参考图像数据输入第二初始网络分支，分别得到第一初始网络分支中的第一编码器和第二初始网络分支中的第二编码器输出的第一训练结果；
17、将第一训练结果输入预设的损失函数，得到第一损失函数值；
18、使用第一损失函数值对第一初始网络分支中的第一编码器和第二初始网络分支中的第二编码器进行迭代训练，得到第一中间网络分支和第二中间网络分支；
19、将样本磁共振图像数据输入第一中间网络分支，将输出样本参考图像数据输入第二中间网络分支，由第一中间网络分支中的第一形变场模块、第二中间网络分支中的第二形变场模块和空间变换网络层分别输出第二训练结果；
20、将第二训练结果、样本参考图像数据和样本磁共振图像数据输入预设的损失函数，得到第二损失函数值；
21、使用第二损失函数值对第一中间网络分支中的第一形变场模块和第二中间网络分支中的第二形变场模块进行迭代训练，得到第一迭代网络分支和第二迭代网络分支；
22、将样本磁共振图像数据输入第一迭代网络分支，将输出样本参考图像数据输入第二迭代网络分支，分别得到第一迭代网络分支中的第一形变场模块和第二迭代网络分支中的第二形变场模块输出的第三训练结果；
23、将第三训练结果和第三训练结果对应的梯度输入预设的损失函数，得到第三损失函数值；
24、使用第三损失函数值对第一迭代网络分支中的第一形变场模块和第二迭代网络分支中的第二形变场模块进行迭代训练，得到第一网络分支和第二网络分支。
25、可选地，损失函数包括第一损失函数、第二损失函数和第三损失函数；
26、第一损失函数用于放大第一训结果中第一训练子结果与第二训练子结构之间的相似度，以及用于缩小第一训练子结果与第二训练子结果之间的差异；第一训练子结果为第一初始网络分支中第一编码器输出的特征序列；第二训练子结果为第一初始网络分支中第二编码器输出的特征序列；
27、第二损失函数用于缩小样本参考图像数据、样本磁共振图像数据与第二训练结果之间的外观差异；第二训练结果包括样本磁共振图像数据对应的配准图像和样本参考图像数据对应的配准图像；
28、第三损失函数用于缩小第三训练结果中相邻位置的差异；第三训练结果包括第一迭代网络分支中的第一形变场模块输出的形变场，和第二迭代网络分支中的第二形变场模块输出的形变场。
29、可选地，空间变换网络层包括网格生成器和采样器；
30、网格生成器用于将第一图像数据分割成若干个网格单元，根据第一形变场确定每个网格单元在第二图像数据中的位置；将第二图像数据分割成若干个网格单元，根据第二形变场确定每个网格单元在第一图像数据中的位置；
31、采样器用于对第一图像数据对应的若干个网格单元进行线性插值，生成第一图像数据对应的第一配准图像；对第二图像数据中分割掩码对应的网格单元进行线性插值，生成第一图像数据对应的分割掩码并应用在第一图像数据上，得到分割图像。
32、可选地，对第一图像数据对应的若干个网格单元进行线性插值，包括：在若干个网格单元中，对任一体素的八个相邻体素的值进行线性插值；每个网格单元中包括至少一个体素。
33、本专利技术的另一方面提供了一种图像分割装置，该装置包括：包括处理器和存储器，其特征在于，存储器本文档来自技高网...
【技术保护点】
1.一种图像分割方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的图像分割方法，其特征在于，所述第一网络分支包括第一编码器、解码器和第一形变场模块；所述第二网络分支包括第二编码器、所述解码器和第二形变场模块；
3.根据权利要求2所述的图像分割方法，其特征在于，所述第一编码器的权重与所述第二编码器的权重相同。
4.根据权利要求2所述的图像分割方法，其特征在于，所述解码器用于以跳层连接的形式，递归地使用高层语义信息的特征映射来提取具有低层细节信息的特征映射，直到得到与所述第一图像数据和所述第二图像数据相同分辨率的所述第三特征映射。
5.根据权利要求2所述的图像分割方法，其特征在于，所述获取预先训练的图像分割模型，包括：
6.根据权利要求5所述的图像分割方法，其特征在于，所述损失函数包括第一损失函数、第二损失函数和第三损失函数；
7.根据权利要求1所述的图像分割方法，其特征在于，所述空间变换网络层包括网格生成器和采样器；
8.根据权利要求7所述的图像分割方法，其特征在于，所述对所述第一图像
9.一种图像分割装置，包括处理器和存储器，其特征在于，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现如权利要求1至8中任一项所述图像分割方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至8中任一项所述图像分割方法的步骤。
...【技术特征摘要】
1.一种图像分割方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的图像分割方法，其特征在于，所述第一网络分支包括第一编码器、解码器和第一形变场模块；所述第二网络分支包括第二编码器、所述解码器和第二形变场模块；
3.根据权利要求2所述的图像分割方法，其特征在于，所述第一编码器的权重与所述第二编码器的权重相同。
4.根据权利要求2所述的图像分割方法，其特征在于，所述解码器用于以跳层连接的形式，递归地使用高层语义信息的特征映射来提取具有低层细节信息的特征映射，直到得到与所述第一图像数据和所述第二图像数据相同分辨率的所述第三特征映射。
5.根据权利要求2所述的图像分割方法，其特征在于，所述获取预先训练的图像分割模型，包括：
6.根据权利要求5所述的图像分割方法，其特征在于，所述损失函数...
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。