本技术涉及医学图像分割,更具体的说,是涉及一种半月板图像的亚区分割方法及装置。
背景技术:
1、随着近年来组织病变的复杂性,医学上需要更细微程度地对组织结构观察并诊断,因此医学图像对组织的分割需求更加严格。如今医学图像的分割任务中,大多数算法采用端到端的深度学习模型进行单个区域的整体分割,对医学组织结构分割到四分区的级别。在膝关节核磁共振图像中,半月板具有更细致的组织结构,半月板全亚区也具有严格的临床医学定义。
2、目前对半月板图像的分割需求到达了比四分区更细致的全亚区的级别,然而若通过端到端的深度学习模型对半月板图像进行分割,则存在较大的边缘误差,对亚区级别分割的精准度不足。
3、如何根据临床医学对于半月板分区的定义,实现对半月板亚区精准分割,是需要关注的问题。
技术实现思路
1、鉴于上述问题,提出了本技术以便提供一种半月板图像的亚区分割方法及装置,以对半月板的亚区组织精准分割。
2、为了实现上述目的,现提出具体方案如下:
3、一种半月板图像的亚区分割方法,包括:
4、获取半月板的三维图像,并将所述三维图像输入至预先建立的半月板全亚区分割模型,输出所述半月板的多个全亚区分割切片图像;
5、整合所述多个全亚区分割切片图像,得到所述半月板的全亚区分割切片图像集;
6、通过半月板亚区分割算法对所述全亚区分割切片图像集进行亚区分割,得到所述半月板的多个亚区分割图像;
7、所述半月板全亚区分割模型的构建过程,包括:
8、构建用于识别半月板切片图像的远近端识别模型;
9、构建用于分割半月板切片图像的切片图像全亚区分割模型;
10、提取所述远近端识别模型的第一模型参数,以及所述切片图像全亚区分割模型的第二模型参数;
11、将所述第一模型参数和所述第二模型参数赋予预先建立的半月板全亚区分割架构,得到半月板全亚区分割模型。
12、可选的,所述构建用于识别半月板切片图像的远近端识别模型,包括:
13、获取带有远近端标签的若干个半月板切片图像,所述若干个半月板切片图像由若干个带有远端标签的半月板远端切片图像,以及若干个带有近端标签的半月板近端切片图像组成;
14、通过所述若干个半月板切片图像,在预设参照切片图像的对比下,训练得到远近端识别模型。
15、可选的,通过所述若干个半月板切片图像,在预设参照切片图像的对比下,训练得到远近端识别模型,包括:
16、通过识别公式所约束的模式,训练得到远近端识别模型,所述识别公式为:
17、clctype=fc(unet_encoder(reference,compare))
18、其中,fc为所述远近端识别模型的分类器,unet_encoder为所述远近端识别模型的unet编码器,reference为预设参照切片图像,compare为与所述预设参照切片图像对比的单个半月板切片图像,clctype为识别所述单个半月板切片图像的结果,type为所述单个半月板切片图像的远近端标签。
19、可选的,所述构建用于分割半月板切片图像的切片图像全亚区分割模型,包括:
20、获取半月板三维样本图像,并按照深度方向切分所述半月板三维样本图像,得到若干个切片样本图像;
21、通过所述远近端识别模型对半月板三维样本图像的每个切片样本图像进行识别,确定切片样本图像所属的类型,所述类型包括远端类型和近端类型;
22、通过对每种类型的每个切片样本图像进行分割区域随机转换,得到分割样本图像及其分割特征图像;
23、以每个分割样本图像作为训练样本,该个分割样本图像的类型作为分割类别标签,与该个分割样本图像对应的分割特征图像作为分割目标,训练得到切片图像全亚区分割模型。
24、可选的,所述按照深度方向切分所述半月板三维样本图像,得到若干个切片样本图像,包括:
25、在深度方向上按照预设的层深,将所述半月板三维样本图像进行多层划分,确定所述半月板三维样本图像的各个层次;
26、按照预设切分层数以及根据所述半月板三维样本图像的各个层次,对所述半月板三维样本图像进行切分,得到若干个切片样本图像。
27、可选的,所述通过对每种类型的每个切片样本图像进行分割区域随机转换,得到分割样本图像及其分割特征图像,包括:
28、针对每种类型的每个切片样本图像:
29、对所述切片样本图像进行ostu划分,得到前景灰度分布区域与背景灰度分布区域;
30、根据所述前景灰度分布区域与所述背景灰度分布区域,对所述切片样本图像进行随机灰度处理、随机中心处理及随机半径处理,得到随机分割目标中心;
31、根据所述前景灰度分布区域与所述背景灰度分布区域,对所述切片样本图像进行随机灰度处理与随机厚度处理,得到随机边缘;
32、将所述随机分割目标中心与随机边缘融合,得到融合结果,并对所述融合结果进行弹性形变处理,得到所述切片样本图像的分割样本图像,以及与所述分割样本图像对应的分割特征图像。
33、可选的,将所述三维图像输入至预先建立的半月板亚区分割模型,输出所述半月板的多个全亚区分割切片图像,包括:
34、通过半月板亚区分割模型对所述三维图像进行切分,得到若干个切片图像;
35、通过所述半月板亚区分割模型对所述每个切片图像进行远近端识别,确定该个切片图像的类型,所述类型包括远端类型和近端类型;
36、通过所述半月板亚区分割模型,按照每个类型分割模式,对与该个类型分割模式对应的类型的每个切片图像进行分割,得到全亚区分割切片图像;
37、确定多个所述全亚区分割切片图像,每个所述全亚区分割切片图像均有与之对应的切片图像。
38、可选的,通过半月板亚区分割算法对所述全亚区分割切片图像集进行亚区分割,得到所述半月板的多个亚区分割图像,包括:
39、提取所述全亚区分割切片图像集中的每个全亚区分割切片图像的连通域;
40、判断每个全亚区分割切片图像是否具备目标特征态,若是,则按照该个全亚区分割切片图像的连通域的数量,确定该个全亚区分割切片图像的亚区特征;
41、对每个全亚区分割切片图像的亚区特征进行亚区分割,得到不同亚区的分割结果;
42、整合所有全亚区分割切片图像的多个亚区的分割结果,确定所述半月板的多个亚区分割图像。
43、一种半月板图像的亚区分割装置,包括:
44、全亚区分割单元,用于获取半月板的三维图像,并将所述三维图像输入至预先建立的半月板全亚区分割模型,输出所述半月板的多个全亚区分割切片图像;
45、切片图像整合单元,用于整合所述多个全亚区分割切片图像,得到所述半月板的全亚区分割切片图像集;
46、亚区分割单元,用于通过半月板亚区分割算法对所述全亚区分割切片图像集进行亚区分割,得到所述半月板的多个亚区分割图像;
47、远近端识别模型构建单元,用于构建用于识别半月板切片图像的远近端识别模型;
48、切片分割模型构建单元,用于构建用于分割半月板切片图像的切片图像全亚区分割模型;
49、参数提取单元,用于提取所述远近端识别模型的第一模型参数,以及所述切片图像全亚区分割模型的第二模型参数;
50、全亚区分割模型构建单元,用于将所述第一模型参数和所述第二模型参数赋予预先建立的半月板全亚区分割架构,得到半月板全亚区分割模型。
51、可选的,所述远近端识别模型构建单元,包括:
52、远近端切片图像获取单元,用于带有远近端标签的若干个半月板切片图像,所述若干个半月板切片图像由若干个带有远端标签的半月板远端切片图像,以及若干个带有近端标签的半月板近端切片图像组成;
53、识别模型训练单元,用于通过所述若干个半月板切片图像,在预设参照切片图像的对比下,训练得到远近端识别模型。
54、可选的,所述识别模型训练单元,包括:
55、识别模型训练子单元,用于通过识别公式所约束的模式,训练得到远近端识别模型,所述识别公式为:
56、clctype=fc(unet_encoder(reference,compare))
57、其中,fc为所述远近端识别模型的分类器,unet_encoder为所述远近端识别模型的unet编码器,reference为预设参照切片图像,compare为与所述预设参照切片图像对比的单个半月板切片图像,clctype为识别所述单个半月板切片图像的结果,type为所述单个半月板切片图像的远近端标签。
58、可选的,所述切片分割模型构建单元,包括:
59、切分单元,用于获取半月板三维样本图像,并按照深度方向切分所述半月板三维样本图像,得到若干个切片样本图像;
60、切片类型识别单元,用于通过所述远近端识别模型对半月板三维样本图像的每个切片样本图像进行识别,确定切片样本图像所属的类型,所述类型包括远端类型和近端类型;
61、随机转换单元,用于通过对每种类型的每个切片样本图像进行分割区域随机转换,得到分割样本图像及其分割特征图像;
62、分割模型训练单元,用于以每个分割样本图像作为训练样本,该个分割样本图像的类型作为分割类别标签,与该个分割样本图像对应的分割特征图像作为分割目标,训练得到切片图像全亚区分割模型。
63、可选的,所述切分单元,包括:
64、多层划分单元,用于在深度方向上按照预设的层深,将所述半月板三维样本图像进行多层划分,确定所述半月板三维样本图像的各个层次;
65、层次切分单元,用于按照预设切分层数以及根据所述半月板三维样本图像的各个层次,对所述半月板三维样本图像进行切分,得到若干个切片样本图像。
66、可选的,所述随机转换单元,包括:
67、ostu划分单元,用于对每种类型的每个切片样本图像进行ostu划分,得到前景灰度分布区域与背景灰度分布区域;
68、随机分割目标中心确定单元,用于根据所述前景灰度分布区域与所述背景灰度分布区域,对所述切片样本图像进行随机灰度处理、随机中心处理及随机半径处理,得到随机分割目标中心;
69、随机边缘确定单元,用于根据所述前景灰度分布区域与所述背景灰度分布区域,对所述切片样本图像进行随机灰度处理与随机厚度处理,得到随机边缘;
70、弹性形变处理单元,用于将所述随机分割目标中心与随机边缘融合,得到融合结果,并对所述融合结果进行弹性形变处理,得到所述切片样本图像的分割样本图像,以及与所述分割样本图像对应的分割特征图像。
71、可选的,所述全亚区分割单元,包括:
72、三维图像切分单元,用于获取半月板的三维图像,并通过半月板亚区分割模型对所述三维图像进行切分,得到若干个切片图像;
73、远近端识别单元,用于通过所述半月板亚区分割模型对所述每个切片图像进行远近端识别,确定该个切片图像的类型,所述类型包括远端类型和近端类型;
74、全亚区分割单元,用于通过所述半月板亚区分割模型,按照每个类型分割模式,对与该个类型分割模式对应的类型的每个切片图像进行分割,得到全亚区分割切片图像;
75、多图像确定单元,用于确定多个所述全亚区分割切片图像,每个所述全亚区分割切片图像均有与之对应的切片图像。
76、可选的,所述亚区分割单元,包括:
77、连通域提取单元,用于提取所述全亚区分割切片图像集中的每个全亚区分割切片图像的连通域;
78、亚区特征确定单元,用于判断每个全亚区分割切片图像是否具备目标特征态,若是,则按照该个全亚区分割切片图像的连通域的数量,确定该个全亚区分割切片图像的亚区特征;
79、亚区特征分割单元,用于对每个全亚区分割切片图像的亚区特征进行亚区分割,得到不同亚区的分割结果;
80、亚区分割图像整合单元,用于整合所有全亚区分割切片图像的多个亚区的分割结果,确定所述半月板的多个亚区分割图像。
81、借由上述技术方案,本技术通过获取半月板的三维图像,并将三维图像输入至预先建立的半月板全亚区分割模型,输出半月板的多个全亚区分割切片图像,整合多个全亚区分割切片图像,得到半月板的全亚区分割切片图像集,通过半月板亚区分割算法对全亚区分割切片图像集进行亚区分割,得到半月板的多个亚区分割图像,其中,半月板全亚区分割模型的构建过程为构建用于识别半月板切片图像的远近端识别模型,构建用于分割半月板切片图像的切片图像全亚区分割模型,提取远近端识别模型的第一模型参数,以及切片图像全亚区分割模型的第二模型参数,将第一模型参数和第二模型参数赋予预先建立的半月板全亚区分割架构,得到半月板全亚区分割模型。由此可见,远近端识别模型可以将半月板切片图像进行远近端分类,所构建好的切片图像全亚区分割模型已学习了切片图像的全亚区分割知识,而用于对三维半月板图像全亚区分割的半月板全亚区分割模型,融合了已构建好的远近端识别模型的第一模型参数以及已构建好的切片图像全亚区分割模型的第二模型参数,因此半月板全亚区分割模型能够对三维半月板图像精准分割,以提高最终得到的多个亚区分割图像的精确度。