[发明专利]使用联合深度学习模型进行图像分割的系统和方法

说明书

本发明提供了一种用于图像分割的方法，该方法包括接收输入图像(102)。该方法还包括获得具有三元组预测器(116,118,120)的深度学习模型(104)。此外，该方法包括通过三元组预测器((116,118,120)中的形状模型来处理输入图像，以生成分割形状图像(110)。此外，该方法包括经由显示单元(128)呈现分割形状图像。

背景技术

本说明书的实施方案整体涉及医学图像的上下文分割，并且更具体地涉及用于使用用于医学图像的上下文分割的生成模型来联合深度学习前景、背景和形状的系统和方法。

医学图像/体积的分割或对象描绘是后续定量任务的基本步骤，而定量任务是医学诊断的关键促成因素。一般来讲，图像分割需要检测、粗略分割和更精细细节的分割。通常，来自医学图像的分割或对象描绘中的一些挑战包括图像诸如超声图像、正电子发射断层摄影(PET)图像等中固有的噪声，成像模态固有的不同对比度，X射线、磁共振(MR)和超声图像的多模态强度变化，以及图像内的复杂形状。传统技术通常要求检测图像中的对象，然后进行精确分割。

此外，传统分割方法采用几何先验、前景/背景强度模型和形状先验。传统方法遇到的一些挑战包括分割任务的初始化、复杂纹理和/或形状的建模、超参数调整和计算定时。已经使用被配置为学习复杂前景/背景强度的机器学习方法来规避这些挑战中的一些。而且，其他方法包括使用基于训练数据开发的形状模型。然后，将机器学习方法和基于形状模型的方法插入到标准分割框架中。

最近基于完全卷积网络(FCN)的方法为通过学习上下文和形状与纹理之间的交互(例如U-Net)实现的对象的端到端检测和分割提供了单一框架。此外，考虑到适当的训练数据，基于FCN的方法也扩展到不同问题的普遍性。然而，完全卷积网络(FCN)需要大量代表性训练数据来促进多个实体的学习，诸如这些实体的前景、背景、形状和上下文交互。训练数据有限或不足时，难以解释故障。此外，手动选择数据以提高性能可能是有问题的。

发明内容

根据本说明书的一个方面，公开了方法。该方法包括接收输入图像。此外，该方法包括获得具有三元组预测器的深度学习。该方法还包括通过三元组预测器中的形状模型来处理输入图像，以生成分割形状图像。此外，该方法包括经由显示单元呈现分割形状图像。

根据本说明书的另一方面，公开了系统。该系统包括被配置为采集输入图像的图像采集单元。此外，该系统包括深度学习单元，该深度学习单元包括深度学习模型，其中深度学习模型包括三元组预测器。该深度学习单元被配置为通过三元组预测器中的形状模型来处理输入图像，以生成分割形状图像。此外，该系统包括处理器单元，该处理器单元通信地耦接到深度学习单元并且被配置为经由显示单元呈现分割形状图像。

附图说明

当参考附图阅读以下详细描述时，本说明书的实施方案的这些和其他特征和方面将变得更好理解，附图中相同的字符在整个附图中表示相同的部分，其中：

图1是示出根据本说明书的各方面的使用联合深度学习模型进行图像分割的系统的框图；

图2(a)是根据本说明书的各方面供应至图1的深度学习模型的输入图像；

图2(b)至2(d)是根据本说明书的各方面，在通过图1的深度学习模型处理图2(a)的输入图像之后生成的三通道输出图像；

图3(a)至3(c)是示出根据本说明书的各方面，在从输入图像分割形状边界时，图1的深度学习模型的性能与现存完全卷积网络的性能的比较的图像；

图4(a)至4(c)是示出根据本说明书的各方面，在从输入图像分割胎儿腹部区域时，图1的深度学习模型的性能与现存完全卷积网络的性能的比较的图像；

图5(a)至5(c)是示出根据本说明书的各方面，在从输入图像分割腹部区域时，图1的深度学习模型的性能与现存完全卷积网络的性能的比较的图像；