[发明专利]图像分割方法、装置、电子设备及可读存储介质

说明书

本申请实施例提供一种图像分割方法、装置、电子设备及可读存储介质，通过根据预先配置的混合卷积训练模型提取内脏三维样本的卷积堆叠矩阵，并对卷积堆叠矩阵进行时空域分解卷积，得到对应的三维时空卷积特征和二维时空卷积特征后，根据三维时空卷积特征和二维时空卷积特征对混合卷积训练模型进行训练。如此，可以根据所述二维时空卷积特征对混合卷积训练模型进行迁移学习训练，从而能够减少内脏三维样本的标注需求量，并增加训练过程中的归一化样本数量，从而提升计算结果的精确度，并且内脏三维样本被分解成二维时空卷积特征，使得计算量和计算资源需求下降，进而显著减少训练过程和分割过程中的参数量，有效提升计算速度，节省计算资源。

技术领域

本申请涉及医学影像技术领域，具体而言，涉及一种图像分割方法、装置、电子设备及可读存储介质。

背景技术

近年来随着深度卷积神经网络应用条件的成熟，在内脏(例如肝脏)和内脏肿瘤领域出现一些深度学习算法，通过大量手工标注内脏和内脏肿瘤训练深层网络以实现内脏和内脏肿瘤的分割。然而，一方面手工分割大量带有标注的三维内脏和内脏肿瘤图像是一件很大的工程，另一方面还需要平衡训练过程和检测过程的参数计算量。基于传统方案中的深度学习的图像分割方法，对于在较少样本和有限计算资源的情况下的优化还存在较大的不足。

发明内容

有鉴于此，本申请的目的在于提供一种图像分割方法、装置、电子设备及可读存储介质，能够减少内脏三维样本的标注需求量，并显著减少训练过程和分割过程中的参数量，有效提升计算速度和计算结果的精确度，节省计算资源。

根据本申请的一方面，提供一种图像分割方法，应用于电子设备，所述方法包括：

获取内脏三维样本集，所述内脏三维样本集中包括标注有分类结果的多个内脏三维样本，所述分类结果包括内脏分类结果和肿瘤分类结果；

根据预先配置的混合卷积训练模型提取所述内脏三维样本的卷积堆叠矩阵，并对所述卷积堆叠矩阵进行时空域分解卷积，得到对应的三维时空卷积特征和二维时空卷积特征；

根据所述三维时空卷积特征和二维时空卷积特征对所述混合卷积训练模型进行训练，得到训练后的图像分割模型，以通过所述图像分割模型对输入的内脏三维图像进行内脏分割和肿瘤分割，其中，在根据所述二维时空卷积特征对所述混合卷积训练模型进行训练的过程中，根据所述二维时空卷积特征对所述混合卷积训练模型进行迁移学习训练。

在一种可能的实施方式中，所述获取内脏三维样本集的步骤，包括：

获取来自多个检查中心中不同CT设备各自生成的内脏三维初始图像；

根据标注指令在各个内脏三维初始图像上添加对应的分类结果，得到对应的内脏三维标注图像；

对各个内脏三维标注图像进行预处理，得到预处理后的各个内脏三维标注图像，以形成所述内脏三维样本集。

在一种可能的实施方式中，所述对各个内脏三维标注图像进行预处理，得到预处理后的各个内脏三维标注图像的步骤，包括：

将每个内脏三维标注图像在各个坐标轴上的分辨率进行归一化处理；

将归一化处理分辨率后的内脏三维标注图像的影像体素值的Hu值限制在预设值范围内后，对所述Hu值进行归一化处理，使得所述内脏三维标注图像的图像值为均值为0、方差为1的图像值；

将归一化处理Hu值后的各个内脏三维标注图像进行数据扩充，得到预处理后的各个内脏三维标注图像。

在一种可能的实施方式中，所述混合卷积训练模型包括二维卷积网络和三维深度可分解卷积网络，所述三维深度可分解卷积网络，所述三维深度可分解卷积网络包括多个二维深度可分解卷积块；

所述根据预先配置的混合卷积训练模型提取所述内脏三维样本的卷积堆叠矩阵的步骤，包括：