[发明专利]图像分割方法及装置、设备、存储介质

说明书

本申请公开了一种图像分割方法及装置、设备、存储介质。该方法包括输入CTA图像，其中CTA图像为3D图像；对所述CTA图像中的主动脉夹层的真腔、假腔和主动脉进行预测，其中执行监督训练的多任务预测中的每个任务在不同预测期内的卷积参数共享；输出对所述主动脉夹层的真腔、假腔或主动脉分割的其中一种分割结果。本申请解决了图像分割方法效果不佳的技术问题。通过本申请提供的多任务深度监督分割模型，使得在少量样本下分割的性能得到有效地提升。

技术领域

本申请涉及图像分割领域，具体而言，涉及一种图像分割方法及装置、设备、存储介质。

背景技术

深度学习方法已经广泛地应用于计算机视觉领域，尤其是较为基础的语义分割领域。在一些语义分割方法中，使用3D卷积、池化等操作替换 2D操作，能够实现3D图像端到端的图像语义分割，适用于三维结构的医学影像分割。

发明人发现，虽然针对少量样本分割的问题提出了深度监督的技术，但是容易导致均值计算错误训练不稳定。进一步影响准确度。

针对相关技术中图像分割方法效果不佳的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种图像分割方法及装置、设备、存储介质，以解决图像分割方法效果不佳的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种图像分割方法，基于少量CTA图像样本的主动脉夹层分割。

根据本申请的图像分割方法包括：输入CTA图像，其中CTA图像为3D 图像；对所述CTA图像中的主动脉夹层的真腔、假腔和主动脉进行预测，其中执行监督训练的多任务预测中的每个任务在不同预测期内的卷积参数共享；输出对所述主动脉夹层的真腔、假腔或主动脉分割的其中一种分割结果。

进一步地，去除监督训练中的Dropout。

进一步地，对所述CTA图像中的主动脉夹层的真腔、假腔和主动脉进行预测包括：

对述CTA图像中的主动脉夹层的真腔、假腔和主动脉进行二分类。

进一步地，还包括：将预测期内的输出结果都上采样后和已标注标准进行比后较计算二分类损失，并回传所述二分类损失对模型进行训练。

进一步地，采用深度监督V-Net网络模型。

进一步地，执行监督训练的多任务预测中的每个任务在不同预测期内的卷积参数共享包括：真腔卷积共享权重、假腔共享权重、主动脉共享权重。

为了实现上述目的，根据本申请的另一方面，提供了一种深度监督训练方法，基于少量CTA图像样本。

根据本申请的深度监督训练方法包括：在训练阶段，去除监督训练时使用的Dropout步骤；在预测阶段，对所述CTA图像中的主动脉夹层的真腔、假腔和主动脉采用共享卷积层。

为了实现上述目的，根据本申请的另一方面，提供了一种图像分割装置。

根据本申请的图像分割装置包括：输入模块，用于输入CTA图像，其中 CTA图像为3D图像；预测模块，用于对所述CTA图像中的主动脉夹层的真腔、假腔和主动脉进行预测，其中执行监督训练的多任务预测中的每个任务在不同预测期内的卷积参数共享；输出模块，用于输出对所述主动脉夹层的真腔、假腔或主动脉分割的其中一种分割结果。

为了实现上述目的，根据本申请的又一方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的图像分割方法的步骤。

为了实现上述目的，根据本申请的再一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的图像分割方法的步骤。