1.一种胸腔器官的分割方法,其特征在于,包括:
获取待分割图像;
将所述待分割图像输入完成训练的网络模型,得到分类结果和分割数据;所述网络模型包括:主干网络和分类器;所述主干网络和所述分类器连接;所述主干网络包括编码模块和解码模块;所述编码模块的数量和所述解码模块的数量相同;所述主干网络中对应位置的编码模块和解码模块进行跳转连接;所述分类结果是所述分类器输出的表示所述待分割图像中包含待分割胸腔器官的概率;所述分割数据是所述主干网络输出的对所述待分割胸腔器官的分割结果;
根据所述分类结果和所述分割数据,确定分割结果;
输出所述分割结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述分类结果和所述分割数据,确定分割结果,包括:
在所述分类结果大于所述待分割胸腔器官的预设阈值的情况下,确定分割结果为所述分割数据;
在所述分类结果不大于所述预设阈值的情况下,确定所述分割结果为预设图像;所述预设图像是表示所述待分割图像中不存在所述待分割器官的图像。
3.根据权利要求1所述的方法,其特征在于,所述分类器由全局最大池化层、全连接层和softmax构成;其中,输入所述分类器的数据依次经过所述全局最大池化层、所述全连接层和所述softmax函数。
4.根据权利要求1所述的方法,其特征在于,所述主干网络中的任一编码模块由混合空洞卷积模块和最大池化层构成;任一解码模块由一个双线性插值层和3个标准的3x3卷积层叠加而成。
5.根据权利要求1所述的方法,其特征在于,所述主干网络还包括:空间金字塔池化模块;所述空间金字塔池化模块位于中所述编码模块和所述解码模块的瓶颈处。
6.根据权利要求1所述的方法,其特征在于,在所述获取待分割图像之后,并且,在将所述待分割图像输入完成训练的网络模型,得到分类结果和分割数据之前,还包括:
对所述待分割图像进行预处理,得到预处理后的待分割图像;所述预处理包括:灰度截断、冗余信息清除以及重采样;
所述将所述待分割图像输入所述完成训练的网络模型,得到分类结果和分割数据,具体为:
将所述预处理后的待分割图像输入所述完成训练的网络模型,得到分类结果和分割数据。
7.根据权利要求所6述的方法,其特征在于,在所述根据所述分类结果和所述分割数据,确定分割结果之后,还包括:
对所述分割结果进行裁剪或填充,得到第一分割结果;
对所述第一分割结果进行重采样至原始分辨率,得到第二分割结果;
移除所述第二分割结果中预设大小的连通域,得到第三分割结果;
所述输出分割结果,具体为:
输出所述第三分割结果。
8.根据权利要求1所述的方法,其特征在于,对所述网络模型的训练方式包括:
获取训练数据;
根据所述训练数据、预设的第一损失函数和预设的第二损失函数,对所述网络模型进行训练;所述第一损失函数为所述主干网络的损失函数;所述第二损失函数为所述分类器的损失函数。
9.根据权利要求8所述的方法,其特征在于,在所述获取训练数据之后,并且,在所述根据所述训练数据、预设的第一损失函数和预设的第二损失函数,对所述网络模型进行训练之前,还包括:
对所述训练数据进行预处理,得到预处理后的训练数据;
对所述预处理后的训练数据进行增强变换,得到变换后的训练数据;
所述根据所述训练数据、预设的第一损失函数和预设的第二损失函数,对所述网络模型进行训练,具体为:
根据所述变换后的训练数据、预设的第一损失函数和预设的第二损失函数,对所述网络模型进行训练。
10.一种胸腔器官的分割装置,其特征在于,包括:
获取模块,用于获取待分割图像;
输入模块,用于将所述待分割图像输入完成训练的网络模型,得到分类结果和分割数据;所述网络模型包括:主干网络和分类器;所述主干网络和所述分类器连接;所述主干网络包括编码模块和解码模块;所述编码模块的数量和所述解码模块的数量相同;所述主干网络中对应位置的编码模块和解码模块进行跳转连接;所述分类结果是所述分类器输出的表示所述待分割图像中包含待分割胸腔器官的概率;所述分割数据是所述主干网络输出的对所述待分割胸腔器官的分割结果;
确定模块,用于根据所述分类结果和所述分割数据,确定分割结果;
输出模块,用于输出所述分割结果。