一种医学图像分割方法及装置、电子设备和存储介质与流程

本公开涉及深度学习技术领域，尤其涉及一种医学图像分割方法及装置、电子设备和存储介质。

背景技术：

在医疗领域，利用深度学习技术在医学图像中准确地定位出需要治疗的器官的位置，用来辅助针对器官的治疗的应用越来越广泛。人体器官的组织结构复杂，器官的大小差异较大，而获取到的医学图像往往包括多个器官，如何在医学图像中准确的分割出各器官，成为深度学习技术领域的亟待解决的技术问题。

技术实现要素：

本公开提出了一种医学图像分割技术方案。

根据本公开的一方面，提供了一种医学图像分割方法，包括：

对待分割医学图像进行卷积处理得到第一类器官的分割结果，所述第一类器官的尺寸大于尺寸阈值；

对所述待分割医学图像进行卷积处理得到第二类器官的位置，所述第二类器官的尺寸小于尺寸阈值；

根据所述第二类器官的位置对所述待分割医学图像进行卷积处理得到第二类器官的分割结果；

将所述第一类器官的分割结果和所述第二类器官的分割结果进行融合，得到所述待分割医学图像的器官分割结果。

在一种可能的实现方式中，所述方法还包括：

将原始医学图像进行多尺度特征提取得到待分割医学图像。

在一种可能的实现方式中，将原始医学图像进行多尺度特征提取得到待分割医学图像，包括：

将所述原始医学图像进行多级降采样处理，得到分辨率由大到小的多个降采样特征图，每一级降采样处理的结果作为下一级降采样处理的输入；

将降采样特征图进行多级升采样处理，得到升采样特征图，其中，以最后一级降采样处理的结果作为第一级升采样处理的输入，以前一级升采样处理的结果和分辨率相同的降采样处理的结果叠加，作为第一级之后的每一级升采样处理的输入；

将最后一级升采样处理的结果确定为待分割医学图像。

在一种可能的实现方式中，对所述待分割医学图像进行卷积处理得到第二类器官的位置，包括：

利用位置框在所述待分割医学图像上遍历得到遍历位置；

在各所述遍历位置上利用初始框得到初始检测特征；

将所述初始检测特征利用卷积处理分析，得到第二类器官的检测框；

根据所述第二类器官的检测框确定所述第二类器官的位置。

在一种可能的实现方式中，将所述初始检测特征利用卷积处理分析，得到第二类器官的检测框，包括：

将所述初始检测特征利用第一卷积处理进行回归分析，得到检测框的位置和形状；

将所述初始检测特征利用第二卷积处理进行分类分析，得到检测框所属第二类器官的概率；

根据所述检测框的位置和形状以及所述检测框所属第二类器官的概率，得到第二类器官的检测框。

在一种可能的实现方式中，所述位置框包括根据设定边框长度确定的三维立体框，所述初始框包括多个不同尺寸和不同长宽比的三维立体框。

在一种可能的实现方式中，根据所述第二类器官的位置对所述待分割医学图像进行卷积处理得到第二类器官的分割结果，包括：

根据所述第二类器官的位置在所述待分割医学图像中获取所述第二类器官的特征图；

根据所述第二类器官的特征图进行卷积处理得到所述第二类器官的分割结果。

在一种可能的实现方式中，所述方法应用于神经网络，所述神经网络包括主分割网络、检测网络、第二类器官分割网络，

所述主分割网络对待分割医学图像进行卷积处理得到第一类器官的分割结果；

所述检测网络对所述待分割医学图像进行卷积处理得到第二类器官的位置；

所述第二类器官分割网络根据所述第二类器官的位置对所述待分割医学图像进行卷积处理得到第二类器官的分割结果。

在一种可能的实现方式中，所述神经网络还包括多尺度特征图提取层，所述多尺度特征图提取层将原始医学图像进行多尺度特征提取得到待分割医学图像。

在一种可能的实现方式中，所述方法还包括：利用加权焦点损失函数对所述多尺度特征图提取层进行训练。

在一种可能的实现方式中，所述检测网络包括回归层和分类层，

所述回归层将初始检测特征利用第一卷积处理进行回归分析，得到检测框的位置和形状，所述初始检测特征是利用位置框在所述多尺度特征图上遍历得到遍历位置，并在各所述遍历位置上利用初始框得到的；

所述分类层将初始检测特征利用第二卷积处理进行分类分析，得到检测框所属第二类器官的概率。

在一种可能的实现方式中，所述方法还包括：

在训练所述检测网络时，获取所述第二类器官的检测框中第二类器官的像素和所述第二类器官的实际像素之间的像素交集和像素合集；

当所述像素交集和所述像素合集之间的比值大于阈值时，根据所述第二类器官的检测框确定所述第二类器官的位置。

在一种可能的实现方式中，所述第二类器官分割网络包括三个卷积层，且所述第二类器官分割网络使用非线性激活函数。

根据本公开的一方面，提供了一种医学图像分割装置，所述装置包括：

第一类器官分割结果获取模块，用于对待分割医学图像进行卷积处理得到第一类器官的分割结果，所述第一类器官的尺寸大于尺寸阈值；

第二类器官位置获取模块，用于对所述待分割医学图像进行卷积处理得到第二类器官的位置，所述第二类器官的尺寸小于尺寸阈值；

第二类器官分割结果获取模块，用于根据所述第二类器官的位置对所述待分割医学图像进行卷积处理得到第二类器官的分割结果；

器官分割结果获取模块，用于将所述第一类器官的分割结果和所述第二类器官的分割结果进行融合，得到所述待分割医学图像的器官分割结果。

在一种可能的实现方式中，所述装置还包括：

多尺度特征提取模块，用于将原始医学图像进行多尺度特征提取得到待分割医学图像。

在一种可能的实现方式中，所述多尺度特征提取模块，包括：

降采样处理子模块，用于将所述原始医学图像进行多级降采样处理，得到分辨率由大到小的多个降采样特征图，每一级降采样处理的结果作为下一级降采样处理的输入；

升采样处理子模块，用于将降采样特征图进行多级升采样处理，得到升采样特征图，其中，以最后一级降采样处理的结果作为第一级升采样处理的输入，以前一级升采样处理的结果和分辨率相同的降采样处理的结果叠加，作为第一级之后的每一级升采样处理的输入；

待分割医学图像获取子模块，用于将最后一级升采样处理的结果确定为待分割医学图像。

在一种可能的实现方式中，所述第二类器官位置获取模块，包括：

遍历位置获取子模块，用于利用位置框在所述待分割医学图像上遍历得到遍历位置；

初始检测特征获取子模块，用于在各所述遍历位置上利用初始框得到初始检测特征；

第二类器官检测框获取子模块，用于将所述初始检测特征利用卷积处理分析，得到第二类器官的检测框；

第二类器官位置获取子模块，用于根据所述第二类器官的检测框确定所述第二类器官的位置。

在一种可能的实现方式中，所述第二类器官检测框获取子模块，用于：

将所述初始检测特征利用第一卷积处理进行回归分析，得到检测框的位置和形状；

将所述初始检测特征利用第二卷积处理进行分类分析，得到检测框所属第二类器官的概率；

根据所述检测框的位置和形状以及所述检测框所属第二类器官的概率，得到第二类器官的检测框。

在一种可能的实现方式中，所述位置框包括根据设定边框长度确定的三维立体框，所述初始框包括多个不同尺寸和不同长宽比的三维立体框。

在一种可能的实现方式中，所述第二类器官分割结果获取模块，包括：

特征图获取子模块，用于根据所述第二类器官的位置在所述待分割医学图像中获取所述第二类器官的特征图；

第二类器官分割结果获取子模块，用于根据所述第二类器官的特征图进行卷积处理得到所述第二类器官的分割结果。

在一种可能的实现方式中，所述装置应用于神经网络，所述神经网络包括主分割网络、检测网络、第二类器官分割网络，

所述主分割网络对待分割医学图像进行卷积处理得到第一类器官的分割结果；

所述检测网络对所述待分割医学图像进行卷积处理得到第二类器官的位置；

所述第二类器官分割网络根据所述第二类器官的位置对所述待分割医学图像进行卷积处理得到第二类器官的分割结果。

在一种可能的实现方式中，所述神经网络还包括多尺度特征图提取层，所述多尺度特征图提取层将原始医学图像进行多尺度特征提取得到待分割医学图像。

在一种可能的实现方式中，所述装置还包括：训练模块，用于利用加权焦点损失函数对所述多尺度特征图提取层进行训练。

在一种可能的实现方式中，所述检测网络包括回归层和分类层，

所述回归层将初始检测特征利用第一卷积处理进行回归分析，得到检测框的位置和形状，所述初始检测特征是利用位置框在所述多尺度特征图上遍历得到遍历位置，并在各所述遍历位置上利用初始框得到的；

所述分类层将初始检测特征利用第二卷积处理进行分类分析，得到检测框所属第二类器官的概率。

在一种可能的实现方式中，所述装置还包括：

像素合计获取子模块，用于在训练所述检测网络时，获取所述第二类器官的检测框中第二类器官的像素和所述第二类器官的实际像素之间的像素交集和像素合集；

第二类器官位置获取子模块，用于当所述像素交集和所述像素合集之间的比值大于阈值时，根据所述第二类器官的检测框确定所述第二类器官的位置。

在一种可能的实现方式中，所述第二类器官分割网络包括三个卷积层，且所述第二类器官分割网络使用非线性激活函数。

根据本公开的一方面，提供了一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行上述医学图像分割方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行上述医学图像分割方法。

根据本公开的一方面，提供了一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的计算机可读存储介质，所述计算机程序可操作来使计算机执行上述医学图像分割方法。

在本公开实施例中，对于尺寸较大的第一类器官直接得到分割结果，对于尺寸较小的第二类器官先确定位置后，再根据确定出的位置对待分割医学图像进行卷积处理后得到第二类器官的分割结果。对于第二类器官先确定位置，再根据确定出的位置更有针对性地进行分割，可以提高分割结果的准确率。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开一实施例的医学图像分割方法的流程图；

图2示出根据本公开一实施例的医学图像分割方法的流程图；

图3示出根据本公开一实施例的医学图像分割方法中步骤50的流程图；

图4示出根据本公开一实施例的医学图像分割方法中多尺度特征提取的流程图；

图5示出根据本公开一实施例的医学图像分割方法中步骤20的流程图；

图6示出根据本公开一实施例的医学图像分割方法中步骤30的流程图；

图7示出根据本公开一实施例的医学图像分割方法中神经网络的示意图；

图8示出根据本公开一实施例的医学图像分割装置的框图；

图9示出根据本公开一示例性实施例示出的一种电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

由于人体器官的大小差异很大，例如在人的头颈部器官中，腮腺的体积是脑垂体或者晶状体的几百倍。当利用深度学习技术对头颈部图像进行器官分割时垂体等尺寸较小的器官在图像中占据的像素数量很少，在深度学习时对损失函数的贡献也较小，导致脑垂体等尺寸较小的器官的训练严重不足，使得尺寸较小的器官的分割准确率较低。

图1示出根据本公开一实施例的医学图像分割方法的流程图，如图1所示，所述医学图像分割方法包括：

步骤s10，对待分割医学图像进行卷积处理得到第一类器官的分割结果，所述第一类器官的尺寸大于尺寸阈值。

步骤s20，对所述待分割医学图像进行卷积处理得到第二类器官的位置，所述第二类器官的尺寸小于尺寸阈值。

步骤s30，根据所述第二类器官的位置对所述待分割医学图像进行卷积处理得到第二类器官的分割结果。

步骤s40，将所述第一类器官的分割结果和所述第二类器官的分割结果进行融合，得到所述待分割医学图像的器官分割结果。

在一种可能的实现方式中，可以根据需求设定尺寸阈值的大小。尺寸阈值可以根据医学图像中的器官所占的面积确定，也可以是器官自身的尺寸确定。根据尺寸阈值，可以将医学图像中的器官分为第一类器官和第二类器官。第一类器官的尺寸大于第二类器官的尺寸。例如，在人的头颈医学图像中，可以根据尺寸阈值，将腮腺等器官确定为第一类器官，将脑垂体等器官确定为第二类器官。

待分割医学图像可以是器官图，例如可以是原始的器官ct(computedtomography，电子计算机断层扫描)图，也可以是将原始的器官ct图进行特征提取后得到的特征图。待分割医学图像的分割结果，可以包括待分割医学图像中各器官所在的位置，也可以包括各器官在待分割医学图像中所占的图像。分割结果可以直观的显示出各器官的位置和形状。

由于第一类器官的尺寸较大，在神经网络的学习中对损失函数的贡献较大，因此第一类器官的分割结果较为准确。可以将待分割医学图像进行降采样处理，并利用训练好的神经网络对降采样后的待分割医学图像进行卷积处理，得到第一类器官的分割结果。

对于第二类器官可以利用训练好的神经网络对待分割医学图像进行卷积处理，先确定出第二类器官的位置。可以根据确定出的第二类器官的位置，利用神经网络将待分割医学图像中相应位置的图像进行卷积处理，得到第二类器官的分割结果。

第二类器官的尺寸较小，可以将待分割医学图像输入训练好的神经网络，得到第二类器官的位置，以及得到第二类器官的分割结果。也可以根据第二类器官的尺寸，将待分割医学图像进行设定倍数的降采样处理后，根据降采样后的待分割医学图像得到第二类器官的位置和分割结果。为得到第二类器官的位置和分割结果进行的降采样处理的倍数，小于为得到第一类器官的分割结果进行的降采样处理的倍数。

将第一类器官的分割结果和第二类器官的分割结果进行融合后，可以得到待分割医学图像的器官分割结果。

在本实施例中，对于尺寸较大的第一类器官直接得到分割结果，对于尺寸较小的第二类器官先确定位置后，再根据确定出的位置对待分割医学图像进行卷积处理后得到第二类器官的分割结果。对于第二类器官先确定位置，再根据确定出的位置更有针对性地进行分割，可以提高分割结果的准确率。

图2示出根据本公开一实施例的医学图像分割方法的流程图，如图2所示，以器官图像作为医学图像的示例，所述医学图像分割方法还包括：

步骤s50，将原始器官图像进行多尺度特征提取得到待分割器官图。

在一种可能的实现方式中，由于需要根据待分割器官图分别得到第一类器官和第二类器官的分割结果。为提高处理效率，可以对原始器官的图像，例如将原始的器官ct图进行卷积处理，进行多尺度特征的学习，得到包括多尺度特征的待分割器官图。待分割器官图中的不同位置可以包括不同尺度的特征信息。不同尺度的特征信息可以包括不同尺度的分辨率的特征信息。一个原始的器官ct图的分辨率可以包括多个尺度。例如原始的器官ct图可以是240*240像素的，也可以是120*120像素的。不同分辨率的原始的器官ct图的细节信息不同。对于第一类器官，即使原始的器官ct图的分辨率缩小到很小，例如降低到30*30像素，原始的器官ct图中也会有很多像素是第一类器官的像素。而对于第二类器官，当原始的器官ct图的分辨率降低到30*30像素时，可能在原始的器官ct图中只有一个像素是第二类器官的像素。

多尺度特征信息可以包括多个尺度的分辨率的的特征信息。例如，待分割器官图a位置的特征信息的分辨率的尺度为240*240，b位置的特征信息的分辨率的尺度为120*120。

根据原始的器官ct图进行多尺度特征的提取得到的待分割器官图中，尺度较大的特征信息可以包括器官的位置信息、大概的形状信息等大致信息。尺度较小的特征信息可以包括器官的边缘信息、具体的形状信息等细节信息。可以利用尺度较大的特征信息得到第一类器官和/或第二类器官的位置和大概形状后，再利用尺度较小的特征信息得到第一类器官和/或第二类器官的边缘信息和具体的形状信息。因此，根据待分割器官图中的多尺度的特征信息，可以得到第一类器官和/或第二类器官的准确分割结果。

在本实施例中，通过将原始器官图像进行多尺度特征提取得到的待分割器官图，在不同的位置包括不同尺度的特征信息。根据待分割器官图得到的第一类器官的分割结果和第二类器官的分割结果，都比较准确，且器官分割结果的处理效率较高。

图3示出根据本公开一实施例的医学图像分割方法中步骤50的流程图，如图3所示，以器官图作为医学图像的示例，所述医学图像分割方法中步骤50包括：

步骤s51，将所述原始器官图像进行多级降采样处理，得到分辨率由大到小的多个降采样特征图，每一级降采样处理的结果作为下一级降采样处理的输入。

步骤s52，将降采样特征图进行多级升采样处理，得到升采样特征图，其中，以最后一级降采样处理的结果作为第一级升采样处理的输入，以前一级升采样处理的结果和分辨率相同的降采样处理的结果叠加，作为第一级之后的每一级升采样处理的输入。

步骤s53，将最后一级升采样处理的结果确定为待分割器官图。

在一种可能的实现方式中，将所述原始器官图像进行多级降采样处理，包括将原始的额器官ct图依次进行m倍、n倍、p倍等多个倍数级别的降采样处理。其中m、n和p可以根据需求设定。例如，可以将原始的器官ct图依次进行2倍、4倍、8倍、16倍的降采样处理。

图4示出根据本公开一实施例的医学图像分割方法中多尺度特征提取的流程图，如图4所示，以器官图像作为医学图像的示例，可以提取原始器官图像中4个尺度的特征信息。可以对原始器官图像分别进行2倍分辨率、4倍分辨率、8倍分辨率和16倍分辨率的采样处理。将原始器官图像依次进行2倍的第一降采样处理得到第一降采样结果，将第一降采样结果进行4倍的第二降采样处理得到第二降采样结果，将第二降采样结果进行8倍的第三降采样处理得到第三降采样结果，将第三降采样结果进行16倍的第四降采样处理后得到第四降采样结果。再将第四降采样结果进行16倍的第一升采样处理得到第一升采样结果，将第一升采样结果与第三降采样结果叠加后进行8倍的第二升采样处理得到第二升采样结果，将第二升采样结果与第二升采样结果叠加后进行4倍的第三升采样处理得到第三升采样结果，将第三升采样结果与第一降采样结果叠加后进行2倍的第四升采样处理得到第四升采样结果。最后得到的第四升采样结果为待分割特征图。由于依次进行了2倍、4倍、8倍和16倍的降采样处理和升采样处理，并将降采样处理结果与分辨率相同的升采样处理结果进行叠加后再进行下一级的升采样处理，得到的升采样处理结果中，可以同时包括2倍、4倍、8倍和16倍的特征。

在本实施例中，通过将原始器官图像依次进行不同尺度的降采样处理和升采样处理，并将降采样处理结果与分辨率相同的升采样处理结果进行叠加后再进行下一级的升采样处理，最终得到的待分割器官图可以包括多个尺度的特征信息。

图5示出根据本公开一实施例的医学图像分割方法中步骤20的流程图，如图5所示，以器官图作为医学图像的示例，所述医学图像分割方法中步骤20包括：

步骤s21，利用位置框在所述待分割器官图上遍历得到遍历位置。

步骤s22，在各所述遍历位置上利用初始框得到初始检测特征。

步骤s23，将所述初始检测特征利用卷积处理分析，得到第二类器官的检测框。

步骤s24，根据所述第二类器官的检测框确定所述第二类器官的位置。

在一种可能的实现方式中，待分割器官图可以是三维的立体特征图。位置框可以包括根据设定边框长度确定的三维立体框。例如位置框可以为边框长度分别为3×3×3的三维立体框。可以利用位置框对待分割器官图进行遍历，将位置框所在的位置确定为遍历位置。

所述初始框可以包括多个不同尺寸和不同长宽比的三维立体框。例如，可以根据第二类器官的尺寸和形状，设定9个不同尺寸和不同长宽比的三维立体框。例如，第一个初始框可以为3×3×3的三维立体框、第二个初始框可以为3×6×3的三维立体框。

可以在每个遍历位置上，利用各初始框在待分割器官图提取初始检测特征。提取到的初始检测特征包括各初始框在待分割器官图上框出的特征。例如，根据位置框在待分割器官图进行遍历得到遍历位置m个。可以在每个遍历位置利用n个初始框提取初始检测特征，共有m×n个初始检测框。

在一种可能的实现方式中，步骤s23可以包括：将所述初始检测特征利用第一卷积处理进行回归分析，得到检测框的位置和形状；将所述初始检测特征利用第二卷积处理进行分类分析，得到检测框所属第二类器官的概率；根据所述检测框的位置和形状以及所述检测框所属第二类器官的概率，得到第二类器官的检测框。

可以将利用m×n个初始检测框得到的初始检测特征利用卷积处理分别进行回归分析和分类分析，得到第二类器官的检测框。其中回归分析可以包括利用训练好的深度学习神经网络中的回归分析层，对初始检测特征进行回归分析，得到各第二类器官的检测框的位置和形状。其中，所得到的各第二类器官的检测框的位置和形状，可以包括对遍历位置进行的微调，也可以包括对个初始框的形状进行的调整。分类分析可以包括利用训练好的深度学习神经网络中的分类分析层，对初始检测特征进行分类分析，得到检测框中的特征属于各第二类器官的概率。将回归分析和分类分析的结果进行综合，可以确定出各第二类器官的检测框，确定各第二类器官的位置。确定出的各第二类器官的位置可以包括各第二类器官的检测框所在的位置。

在本实施例中，利用位置框在待分割器官图上进行遍历，并在各遍历位置利用初始框得到初始检测特征后，将各初始检测特征进行回归分析和分类分析，能够准确地确定出的各第二类器官的位置。

图6示出根据本公开一实施例的医学图像分割方法中步骤30的流程图，如图6所示，以器官图作为医学图像的示例，所述医学图像分割方法中步骤30包括：

步骤s31，根据所述第二类器官的位置在所述待分割器官图中获取所述第二类器官的特征图。

步骤s32，根据所述第二类器官的特征图进行卷积处理得到所述第二类器官的分割结果。

在一种可能的实现方式中，可以根据各第二类器官的位置在原始的器官ct图中截取相应位置的图像，对截取到的图像进行卷积处理后得到各第二类器官的特征图。也可以对原始的器官ct图进行卷积处理后得到特征图，根据各第二类器官的位置在得到的特征图中截取相应位置的特征，得到各第二类器官的特征图。

各第二类器官的位置可以包括各第二类器官的检测框所在的位置。可以根据确定出的各第二类器官的位置，在所待分割器官图中截取与各第二类器官的检测框大小相同的特征信息得到各第二类器官的特征图。也可以在所待分割器官图中根据截取框截取各第二类器官的特征图，截取框大于第二类器官的检测框，且第二类器官的检测框位于截取框内。

将获取到的各第二类器官的特征图进行卷积处理，可以得到各第二类器官的分割结果。

在本实施例中，根据各第二类器官的位置，在待分割器官图中获取各第二类器官的特征图后，对获取到的特征图进行卷积处理，可以得到各第二类器官的分割结果。根据准确的位置重新截取特征图后得到的第二类器官的分割结果，定位准确，分割结果的准确率高。

图7示出根据本公开一实施例的医学图像分割方法中神经网络的示意图，如图7所示，所述医学图像分割方法应用于神经网络，所述神经网络包括主分割网络(图中的s-net，mainsegmentationnetwork)、检测网络(图中的d-net，detectionnetwork)、第二类器官分割网络(图中的sos-net，smallorgansegmentationnetwork)。

以器官图作为医学图像的示例，所述主分割网络对待分割器官图进行卷积处理得到第一类器官的分割结果。在一种可能的实现方式中，神经网络还可以包括多尺度特征图提取层。多尺度特征图提取层将原始器官图像进行多尺度特征提取得到待分割器官图。如图中左上角所示，输入原始的器官ct图(inputctvolume)，将原始的器官ct图进行多尺度的特征学习(multi-scalefeaturelearning)可以得到包括多尺度特征信息的待分割器官图(featuremap)。将待分割器官图进行卷积处理后，得到第一类器官的分割结果(large-organscorevolume)。

所述检测网络对所述待分割器官图进行卷积处理得到第二类器官的位置。如图7所示，检测网络根据待分割器官图(featuremap)进行卷积处理，得到第二类器官的位置(locationfromdetection)。

在一种可能的实现方式中，检测网络可以包括回归层和分类层。回归层将初始检测特征利用第一卷积处理进行回归分析，得到检测框的位置和形状，初始检测特征是利用位置框在所述多尺度特征图上遍历得到遍历位置，并在各所述遍历位置上利用初始框得到的；所述分类层将初始检测特征利用第二卷积处理进行分类分析，得到检测框所属第二类器官的概率。

回归层和分类层均可以由多个卷积层组成，在回归层和分类层的训练过程中，可以根据图像分割的需求，训练回归层和分类层，以使回归层能够将初始检测特征进行回归分析，得到各第二类器官的检测框的位置和形状，分类层能够将初始检测特征进行分类分析，得到检测框所属第二类器官的概率。

在一种可能的实现方式中，在训练检测网络时，获取所述第二类器官的检测框中第二类器官的像素和所述第二类器官的实际像素之间的像素交集和像素合集；当所述像素交集和所述像素合集之间的比值大于阈值时，可以根据所述第二类器官的检测框确定所述第二类器官的位置。

在训练检测网络时，如果获取到的第二类器官的检测框的位置准确，检测框的大小和形状也准确，则在待分割器官图中第二类器官的检测框中的第二类器官的图像，和原始的器官ct图中对应的第二类器官的图像相同。通过获取所述第二类器官的检测框中第二类器官的像素和所述第二类器官的实际像素之间的像素交集和像素合集；当所述像素交集和所述像素合集之间的比值大于阈值时，可以认为第二检测框中第二类器官的像素和所述第二类器官的实际像素之间的差异较小，或在设定的阈值范围内，可以任务第二类器官的检测框的位置、形状和大小准确。例如，当像素交集和所述像素合集之间的比值大于0.7时，可以认为第二类器官的检测框的位置准确。

第二类器官分割网络根据第二类器官的位置对待分割器官图进行卷积处理得到第二类器官的分割结果。如图7所示，根据第二类器官的位置(locationfromdetection)，对待分割器官图(featuremap)进行截取后进行候选框池化处理(roipooling)得到各第二类器官的高分辨率的特征图(highresolutionfeaturevolume)。将各第二类器官的高分辨率的特征图经过第二类器官分割网络(sos-net)处理后，得到第二类器官的分割结果(small-organscorevolume)。

在一种可能的实现方式中，所述第二类器官分割网络可以包括三个卷积层，且所述第二类器官分割网络使用非线性激活函数。

如图7所示，将第一类器官的分割结果(large-organscorevolume)和第二类器官的分割结果(small-organscorevolume)进行叠加(fuse)，得到所述待分割器官图的器官分割结果(finalresult)。

在一种可能的实现方式中，可以利用加权焦点损失函数对所述多尺度特征图提取层进行训练。对于有大量的背景像素的图像，虽然能够正确区分背景部分的像素，但由于背景部分的像素数量较大，对于整体损失的贡献较大，在训练神经网络时会始终优化背景部分。加权焦点损失函数可以降低简单样本对整体损失的贡献，使得神经网络的训练更加集中在比较难的样本上。在本实施例中，加权焦点损失函数可以将神经网络的训练更加集中在器官的边缘等位置，使得器官分割的结果更加准确。

加权焦点损失函数的公式如下：

l(pt)＝-αt(1-pt)^γlog(pt)

其中，pt为t类的概率，l(pt)为t类的概率的加权焦点损失函数，αt为t类的权重系数，(1-pt)^γ为简单样本的轻量化调节因子。

在一种可能的实现方式中，主分割网络、检测网络和第二类器官分割网络可以联合训练，以得到最优的网络参数。

在本实施例中，主分割网络、检测网络和第二类器官分割网络组成的神经网络，可以对第一类器官和第二类器官进行准确地分割。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图8示出根据本公开一实施例的医学图像分割装置的框图，如图8所示，所述医学图像分割装置，包括：

第一类器官分割结果获取模块10，用于对待分割医学图像进行卷积处理得到第一类器官的分割结果，所述第一类器官的尺寸大于尺寸阈值；

第二类器官位置获取模块20，用于对所述待分割医学图像进行卷积处理得到第二类器官的位置，所述第二类器官的尺寸小于尺寸阈值；

第二类器官分割结果获取模块30，用于根据所述第二类器官的位置对所述待分割医学图像进行卷积处理得到第二类器官的分割结果；

器官分割结果获取模块40，用于将所述第一类器官的分割结果和所述第二类器官的分割结果进行融合，得到所述待分割医学图像的器官分割结果。

在一种可能的实现方式中，所述装置还包括：

多尺度特征提取模块，用于将原始医学图像进行多尺度特征提取得到待分割医学图像。

在一种可能的实现方式中，所述多尺度特征提取模块，包括：

降采样处理子模块，用于将所述原始医学图像进行多级降采样处理，得到分辨率由大到小的多个降采样特征图，每一级降采样处理的结果作为下一级降采样处理的输入；

升采样处理子模块，用于将降采样特征图进行多级升采样处理，得到升采样特征图，其中，以最后一级降采样处理的结果作为第一级升采样处理的输入，以前一级升采样处理的结果和分辨率相同的降采样处理的结果叠加，作为第一级之后的每一级升采样处理的输入；

待分割医学图像获取子模块，用于将最后一级升采样处理的结果确定为待分割医学图像。

在一种可能的实现方式中，所述第二类器官位置获取模块，包括：

遍历位置获取子模块，用于利用位置框在所述待分割医学图像上遍历得到遍历位置；

初始检测特征获取子模块，用于在各所述遍历位置上利用初始框得到初始检测特征；

第二类器官检测框获取子模块，用于将所述初始检测特征利用卷积处理分析，得到第二类器官的检测框；

第二类器官位置获取子模块，用于根据所述第二类器官的检测框确定所述第二类器官的位置。

在一种可能的实现方式中，所述第二类器官检测框获取子模块，用于：

将所述初始检测特征利用第一卷积处理进行回归分析，得到检测框的位置和形状；

将所述初始检测特征利用第二卷积处理进行分类分析，得到检测框所属第二类器官的概率；

根据所述检测框的位置和形状以及所述检测框所属第二类器官的概率，得到第二类器官的检测框。

在一种可能的实现方式中，所述位置框包括根据设定边框长度确定的三维立体框，所述初始框包括多个不同尺寸和不同长宽比的三维立体框。

在一种可能的实现方式中，所述第二类器官分割结果获取模块，包括：

特征图获取子模块，用于根据所述第二类器官的位置在所述待分割医学图像中获取所述第二类器官的特征图；

第二类器官分割结果获取子模块，用于根据所述第二类器官的特征图进行卷积处理得到所述第二类器官的分割结果。

在一种可能的实现方式中，所述装置应用于神经网络，所述神经网络包括主分割网络、检测网络、第二类器官分割网络，

所述主分割网络对待分割医学图像进行卷积处理得到第一类器官的分割结果；

所述检测网络对所述待分割医学图像进行卷积处理得到第二类器官的位置；

所述第二类器官分割网络根据所述第二类器官的位置对所述待分割医学图像进行卷积处理得到第二类器官的分割结果。

在一种可能的实现方式中，所述神经网络还包括多尺度特征图提取层，所述多尺度特征图提取层将原始医学图像进行多尺度特征提取得到待分割医学图像。

在一种可能的实现方式中，所述装置还包括：训练模块，用于利用加权焦点损失函数对所述多尺度特征图提取层进行训练。

在一种可能的实现方式中，所述检测网络包括回归层和分类层，

所述回归层将初始检测特征利用第一卷积处理进行回归分析，得到检测框的位置和形状，所述初始检测特征是利用位置框在所述多尺度特征图上遍历得到遍历位置，并在各所述遍历位置上利用初始框得到的；

所述分类层将初始检测特征利用第二卷积处理进行分类分析，得到检测框所属第二类器官的概率。

在一种可能的实现方式中，所述装置还包括：

像素合计获取子模块，用于在训练所述检测网络时，获取所述第二类器官的检测框中第二类器官的像素和所述第二类器官的实际像素之间的像素交集和像素合集；

第二类器官位置获取子模块，用于当所述像素交集和所述像素合集之间的比值大于阈值时，根据所述第二类器官的检测框确定所述第二类器官的位置。

在一种可能的实现方式中，所述第二类器官分割网络包括三个卷积层，且所述第二类器官分割网络使用非线性激活函数。

图9示出根据本公开一示例性实施例示出的一种电子设备的框图。电子设备可以被提供为终端、服务器或其它形态的设备。电子设备可以包括医学图像分割装置800。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图9，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由装置800的处理器820执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。