本發明涉及圖像分割,特別涉及一種圖像分割方法、圖像分割模型及其訓練方法。
背景技術:
1、在當前的醫學領域中,對于器官尤其是靶區的自動分割是一個比較熱門的技術領域。隨著深度學習技術逐漸成熟,也成為了自動分割的主要技術方法。
2、深度學習在心臟、肺、肝等臟器的自動分割表現了顯著的技術優勢,由于這些臟器在計算機斷層掃描成像(ct)或磁共振成像(mr)等圖像中會有明顯的灰度值變化界限,通過學習這些界限可以容易地對器官進行自動分割。然而,腫瘤等一些組織的輪廓上通常沒有明顯的灰度值變化,這就使得訓練結果不理想,因此,目前對于腫瘤的自動分割目前還遠遠無法達到臨床要求。
技術實現思路
1、本發明的目的在于提供一種圖像分割方法、圖像分割模型及其訓練方法,以解決目前對于一些輪廓上沒有明顯的灰度值變化的器官組織的自動分割無法達到臨床要求的問題。
2、為解決上述技術問題,本發明提供一種圖像分割模型的訓練方法,所述圖像分割模型包括用于圖像分割的第一神經網絡,所述訓練方法包括:
3、將至少一個第一目標有向距離場及第一樣本圖像輸入至所述第一神經網絡,以使所述第一神經網絡基于所述第一目標有向距離場對所述第一樣本圖像的感興趣區域進行勾畫預測,并基于勾畫預測數據調節所述第一神經網絡的網絡參數,以完成對所述第一神經網絡的訓練。
4、可選的,所述第一神經網絡基于所述第一目標有向距離場對所述第一樣本圖像的有向距離進行調整,從而完成對所述第一樣本圖像的感興趣區域的勾畫。
5、可選的,所述基于勾畫預測數據調節所述第一神經網絡的網絡參數包括:
6、基于勾畫預測數據與目標勾畫預測數據的差異調節所述第一神經網絡的網絡參數。
7、可選的,所述圖像分割模型還包括用于預測有向距離場的第二神經網絡,所述訓練方法還包括:
8、將第二樣本圖像輸入至所述第二神經網絡,以使所述第二神經網絡預測所述第二樣本圖像中相對感興趣區域的第一有向距離場,并計算所述第一有向距離場與所述第二樣本圖像的第二目標有向距離場之間的損失值調節所述第二神經網絡的網絡參數,以完成對所述第二神經網絡的訓練。
9、可選的,所述第一目標有向距離場通過將所述第一樣本圖像或所述第二樣本圖像輸入至訓練完成的所述第二神經網絡所預測得到;或者,
10、所述第一目標有向距離場通過將所述第一樣本圖像或所述第二樣本圖像輸入至訓練完成的所述第二神經網絡,而后利用激活函數對訓練完成的所述第二神經網絡的輸出結果進行激活得到;或者,
11、所述第一目標有向距離場為計算所述第一樣本圖像中的像素點至所述感興趣區域的有向距離得到。
12、可選的,所述第一樣本圖像和/或所述第二樣本圖像通過對原始圖像進行處理得到,對所述原始圖像進行處理以得到所述第一樣本圖像和/或所述第二樣本圖像的方法包括:
13、計算所述原始圖像中各像素點到至少一個第一感興趣區域的輪廓的有向距離;以及,
14、將計算得到的所有有向距離與輪廓勾畫指南規定的標準相比較,調整第二感興趣區域的輪廓,以得到所述第一樣本圖像或所述第二樣本圖像。
15、本發明還提供了一種圖像分割模型的訓練方法,所述圖像分割模型包括用于圖像分割的第一神經網絡,所述訓練方法還包括:
16、將所述第一樣本圖像輸入所述第一神經網絡,以使所述第一神經網絡計算得到第一有向距離場,并基于所述第一有向距離場及第一目標有向距離場對所述第一樣本圖像的感興趣區域進行勾畫預測,以及基于所述勾畫預測數據調節所述第一神經網絡的參數,以完成對所述第一神經網絡的訓練。
17、可選的,所述第一神經網絡基于所述第一目標有向距離場調整所述第一有向距離場,從完成對所述第一樣本圖像的感興趣區域的勾畫預測。可選的,所述第一樣本圖像通過對原始圖像進行處理得到,對所述原始圖像進行處理以得到所述第一樣本圖像的方法包括:
18、計算所述原始圖像中各像素點到至少一個第一感興趣區域的輪廓的有向距離;
19、將計算得到的所有有向距離與輪廓勾畫指南規定的標準相比較,調整第二感興趣區域的輪廓,以得到所述第一樣本圖像。
20、本發明還提供了一種圖像分割模型的訓練方法,所述訓練方法包括:
21、計算原始圖像中各像素點到至少一個第一感興趣區域的輪廓的有向距離;
22、將計算得到的所有有向距離與輪廓勾畫指南規定的標準相比較,調整第二感興趣區域的輪廓,以得到樣本圖像;
23、將所述樣本圖像輸入至圖像分割模型,以對所述圖像分割模型進行訓練。
24、本發明還提供了一種圖像分割模型,利用所述圖像分割模型的訓練方法訓練得到。
25、本發明還提供了一種圖像分割方法,包括:
26、至少將目標圖像輸入至所述圖像分割模型,以得到所述目標圖像的感興趣區域的分割矩陣或張量。
27、可選的,所述目標圖像的感興趣區域為靶區,所述圖像分割方法用于對靶區進行分割。
28、可選的,所述圖像分割方法還包括:
29、對所述分割矩陣或所述張量進行四舍五入處理,以去除所述分割矩陣或所述張量中0~1之間的值。
30、綜上所述,本發明提供了一種圖像分割方法、圖像分割模型及其訓練方法,在訓練所述圖像分割模型的第一神經網絡時,將至少一個第一目標有向距離場及第一樣本圖像輸入至所述第一神經網絡,以使所述第一神經網絡基于所述第一目標有向距離場對所述第一樣本圖像的感興趣區域進行勾畫預測,并基于勾畫預測數據調節所述第一神經網絡的網絡參數,相當于使用各像素點到感興趣區域的距離作為訓練所述第一神經網絡的對象,使得得到的圖像分割模型可以基于像素點與感興趣區域之間的距離來進行圖像分割,因此對沒有明顯的灰度值變化界限的圖像,同樣可以產生良好的分割效果,可以解決目前對于一些輪廓上沒有明顯的灰度值變化的器官組織的自動分割無法達到臨床要求的問題。
1.一種圖像分割模型的訓練方法,其特征在于,所述訓練方法包括:
2.如權利要求1所述的圖像分割模型的訓練方法,其特征在于,所述輪廓勾畫指南參考周圍器官,基于所述周圍器官的邊界確定所述靶區的邊界。
3.如權利要求2所述的圖像分割模型的訓練方法,其特征在于,所述輪廓勾畫指南參考至少一個所述周圍器官,從而確定所述靶區的邊界。
4.如權利要求1所述的圖像分割模型的訓練方法,其特征在于,所述原始圖像中各像素點到每個所述周圍器官的輪廓的有向距離均對應一個有向距離場,將多個所述有向距離場與所述輪廓勾畫指南規定的標準相比較。
5.如權利要求1~4中任一項所述的圖像分割模型的訓練方法,其特征在于,在調整所述靶區的輪廓時,基于計算得到的有向距離將所述靶區的輪廓中不符合所述輪廓勾畫指南的像素點去除。
6.如權利要求1~4中任一項所述的圖像分割模型的訓練方法,其特征在于,在調整所述靶區的輪廓時,基于計算得到的有向距離在所述靶區的輪廓中添加遺漏的像素點。
7.一種圖像分割模型,其特征在于,利用如權利要求1~6中任一項所述圖像分割模型的訓練方法訓練得到。
8.一種圖像分割方法,其特征在于,包括:
9.如權利要求8所述的圖像分割方法,其特征在于,所述目標圖像的感興趣區域為靶區,所述圖像分割方法用于對靶區進行分割。
10.如權利要求9所述的圖像分割方法,其特征在于,所述圖像分割方法還包括: