[发明专利]基于少样本学习的肺叶分割方法和装置

说明书

本发明提供一种基于少样本学习的肺叶分割方法和装置，通过提取支持集肺部影像中的支持集左肺掩膜、支持集右肺掩膜和支持集背景掩膜，据此确定左肺各肺叶、右肺各肺叶和背景区域的特征原型，有效避免了左右肺肺叶结构类似造成的干扰，提高了特征原型提取的精度；再提取待分割肺部影像中的待分割左肺掩膜和待分割右肺掩膜，并进行特征提取，从而基于待分割左肺掩膜和待分割右肺掩膜中各像素的图像特征，以及左肺各肺叶、右肺各肺叶和背景区域的特征原型，分割出待分割肺部影像中的各个肺叶，通过将多类型分类问题降低为少类型分类问题，可以降低少样本肺叶分割场景下的像素分类难度，在大幅度减少标注成本的前提下，提升该场景下的分割精度。

技术领域

本发明涉及图像分割技术领域，尤其涉及一种基于少样本学习的肺叶分割方法和装置。

背景技术

肺叶分割是肺部疾病相关计算机辅助诊断系统的一项重要任务，精准的肺叶分割可以提供肺部疾病的具体位置，为决定治疗方案提供帮助。

传统的肺叶分割方法主要是使用有监督的卷积神经网络完成分割任务。然而，训练有监督的卷积神经网络需要大量标注数据，对于肺叶分割任务，标注难度很高，标注过程十分耗时。因此，需要一种基于少量标注样本即可准确分割肺叶的肺叶分割方法。根据少量标注样本进行肺叶分割时，由于肺部影像中缺乏高级图像语义信息，且肺叶之间的区分度以及肺叶与背景之间的区分度较小，导致难以准确地分割出各个肺叶边缘。因此，在基于少量标注样本的肺叶分割任务中，如何提升各个肺叶的边缘分割准确度是亟待解决的难题。

发明内容

本发明提供一种基于少样本学习的肺叶分割方法和装置，用以解决现有技术中需要大量标注数据、标注成本高的缺陷，以及现有基于少量样本的肺叶分割方式肺叶边缘分割准确度欠佳的缺陷。

本发明提供一种基于少样本学习的肺叶分割方法，包括：

对支持集肺部影像进行粗糙掩膜提取，得到所述支持集肺部影像中的支持集左肺掩膜、支持集右肺掩膜和支持集背景掩膜；

基于所述支持集左肺掩膜、支持集右肺掩膜和支持集背景掩膜，分别确定左肺各肺叶的特征原型、右肺各肺叶的特征原型和背景区域的特征原型；

对待分割肺部影像进行粗糙掩膜提取，得到所述待分割肺部影像中的待分割左肺掩膜和待分割右肺掩膜；

对所述待分割左肺掩膜和待分割右肺掩膜分别进行特征提取，得到所述待分割左肺掩膜和待分割右肺掩膜中各像素的图像特征；

基于所述待分割左肺掩膜和待分割右肺掩膜中各像素的图像特征，以及所述左肺各肺叶的特征原型、右肺各肺叶的特征原型和背景区域的特征原型，分割出所述待分割肺部影像中的各个肺叶。

根据本发明提供的一种基于少样本学习的肺叶分割方法，所述基于所述待分割左肺掩膜和待分割右肺掩膜中各像素的图像特征，以及所述左肺各肺叶的特征原型、右肺各肺叶的特征原型和背景区域的特征原型，分割出所述待分割肺部影像中的各个肺叶，具体包括：

确定所述待分割左肺掩膜中各像素的图像特征分别与所述左肺各肺叶的特征原型和所述背景区域的特征原型之间的相似度，以及确定所述待分割右肺掩膜中各像素的图像特征分别与所述右肺各肺叶的特征原型和所述背景区域的特征原型之间的相似度；

基于所述待分割左肺掩膜中各像素的图像特征分别与所述左肺各肺叶的特征原型和所述背景区域的特征原型之间的相似度，确定所述待分割左肺掩膜中对应左肺各肺叶的像素点，得到所述待分割肺部影像中的各个左肺肺叶；

基于所述待分割右肺掩膜中各像素的图像特征分别与所述右肺各肺叶的特征原型和所述背景区域的特征原型之间的相似度，确定所述待分割右肺掩膜中对应右肺各肺叶的像素点，得到所述待分割肺部影像中的各个右肺肺叶。