图像分割、模型的训练方法、装置、电子设备及存储介质与流程

1.本技术涉及图像处理技术领域，具体涉及一种图像分割、模型的训练方法、装置、电子设备及存储介质。


背景技术：

2.图像分割技术在影像学诊断中用处较大，例如，将心脏和冠脉血管进行分割可能有助于医生准确诊断心脏疾病。目前，现有的医疗图像分割技术，无论是传统算法还是基于深度学习方法，大都是基于增强ct(computed tomography)图像，利用造影剂的效果对图像进行较好的分割识别。但是，在部分医疗场景中，需要在平扫ct图像上进行图像分割，而平扫ct图像由于其对组织的分辨率较低，对其进行图像分割难度较大。


技术实现要素：

3.有鉴于此，本技术实施例提供了一种图像分割、模型的训练方法、装置、电子设备及存储介质，能够在平扫ct图像上快速得到分割图像。
4.第一方面，本技术的实施例提供了一种图像分割方法，该方法包括：
5.获取第一图像和第二图像，所述第一图像和所述第二图像为对同一对象采集的图像；
6.将所述第一图像和所述第二图像输入至经过预训练的配准模型，采用所述配准模型对所述第一图像和所述第二图像进行配准，得到配准形变场；
7.基于所述配准形变场和所述第二图像对应的分割模型，通过计算得到所述第一图像的分割模型，其中，所述第二图像对应的分割模型是预先获取的。
8.第二方面，本技术的实施例提供了一种模型训练方法，包括：
9.获取样本图像，所述样本图像包括第一样本图像和第二样本图像，其中，所述第一样本图像和所述第二样本图像为对同一对象采集的图像；
10.基于所述第一样本图像和所述第二样本图像对神经网络进行训练，以得到能够对所述第一样本图像和所述第二样本图像进行配准的配准模型。
11.第三方面，本技术的实施例提供了一种图像分割装置，包括：
12.获取模块，被配置为获取第一图像和第二图像，所述第一图像和所述第二图像为对同一对象采集的图像；
13.配准模块，被配置为将所述第一图像和所述第二图像输入至经过预训练的配准模型，采用所述配准模型对所述第一图像和所述第二图像进行配准，得到配准形变场；
14.分割模块，被配置为基于所述配准形变场和所述第二图像对应的分割模型，通过计算得到所述第一图像的分割模型，其中，所述第二图像对应的分割模型是预先获取的。
15.第四方面，本技术的实施例提供了一种模型训练装置，包括：
16.样本获取模块，被配置为获取样本图像，所述样本图像包括第一样本图像和第二样本图像，其中，所述第一样本图像和所述第二样本图像为对同一对象采集的图像；
17.模型训练模块，被配置为基于所述第一样本图像和所述第二样本图像对神经网络进行训练，以得到能够对所述第一样本图像和所述第二样本图像进行配准的配准模型。
18.第五方面，本技术的实施例提供了一种计算可读存储介质，存储介质存储有计算机程序，计算机程序用于执行上述第一方面所述的图像分割方法，或者用于执行上述第二方面所述的模型训练方法。
19.第六方面，本技术的实施例提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器，其中，处理器用于执行上述第一方面所述的图像分割方法，或者用于执行上述第二方面所述的模型训练方法。
20.本技术实施例提供了一种图像分割、模型的训练方法、装置、电子设备及存储介质，通过配准模型将从同一对象采集的第一图像和第二图像进行配准，以得到配准形变场，再将配准形变场与预先获取的第二图像的分割模型进行计算，以得到待分割的第一图像的分割模型，能够实现对于组织分辨率较低的第一图像的分割识别，相比于采用有监督分割网络方式需要大量人工标注费时费力的情况，本技术提供的图像分割方法能够快速得到准确度较高的对于第一图像的分割图像。
附图说明
21.图1是本技术一示例性实施例提供的一种实施环境的示意图。
22.图2是本技术一示例性实施例提供的图像分割方法的流程示意图。
23.图3是本技术另一示例性实施例提供的图像分割方法的流程示意图。
24.图4a是本技术一示例性实施例提供的心脏冠脉的平扫ct图像。
25.图4b是本技术一示例性实施例提供的心脏冠脉的增强ct图像。
26.图5是本技术一示例性实施例提供的平扫ct图像和增强ct图像配准方法的流程示意图。
27.图6是本技术一示例性实施例提供的模型的训练方法的流程示意图。
28.图7是本技术一示例性实施例提供的图像分割装置的结构示意图。
29.图8是本技术一示例性实施例提供的模型的训练装置的结构示意图。
30.图9是本技术一示例性实施例提供的电子设备的框图。
具体实施方式
31.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
32.申请概述
33.深度学习通过建立具有阶层结构的人工神经网络，在计算系统中实现人工智能。由于阶层结构的人工神经网络能够对输入信息进行逐层提取和筛选，因此深度学习具有表征学习能力，可以实现端到端的监督学习和非监督学习。深度学习所使用的阶层结构的人工神经网络具有多种形态，其阶层的复杂度被通称为“深度”，按构筑类型，深度学习的形式包括多层感知器、卷积神经网络、循环神经网络、深度置信网络和其它混合构筑。深度学习
使用数据对其构筑中的参数进行更新以达成训练目标，该过程被通称为“学习”，深度学习提出了一种让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性。
34.神经网络是一种运算模型，由大量的节点(或称神经元)之间相互连接构成，每个节点对应一个策略函数，每两个节点间的连接代表一个对于通过该连接信号的加权值，称之为权重。神经网络一般包括多个神经网络层，上下网络层之间相互级联，第i个神经网络层的输出与第i 1个神经网络层的输入相连，第i 1个神经网络层的输出与第i 2个神经网络层的输入相连，以此类推。样本图像输入级联的神经网络层后，通过每个神经网络层输出一个输出结果，该输出结果作为下一个神经网络层的输入，由此，通过多个神经网络层计算获得输出，比较输出层的输出的预测结果与真正的目标值，再根据预测结果与目标值之间的差异情况来调整每一层的权重矩阵和策略函数，神经网络利用样本图像不断地经过上述调整过程，使得神经网络的权重等参数得到调整，直到神经网络输出的预测结果与真正的目标结果相符，该过程就被称为神经网络的训练过程。神经网络经过训练后，可得到神经网络模型。
35.现有的心脏分割技术，主要采用传统算法或者深度学习方法，基于增强ct图像，利用造影剂的效果，使得心脏以及动脉能够明显区别于一般组织，因此较好分割识别。而对于平扫ct图像来说，骨类高密度组织，例如骨头、钙化等，hu值通常在100及以上，而一般组织，如肌肉、脏器、血液等，hu值通常在100以下，且各组织区分度很小，无法有效辨别。若直接采用一般的有监督分割网络的方式，需要大量人工标注数据且标注难度较大。
36.针对上述问题，本技术实施例提供了一种图像分割方法，通过配准模型将从同一对象采集的第一图像和第二图像进行配准，以得到配准形变场，再将配准形变场与预先获取的第二图像的分割模型进行计算，以得到待分割的第一图像的分割模型，能够实现对于组织分辨率较低的第一图像的分割识别，相比于采用有监督分割网络方式需要大量人工标注费时费力的情况，能够快速得到准确度较高的对于第一图像的分割图像，便于辅助医生完成对心脏相关疾病的诊断。
37.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
38.示例性系统
39.图1是本技术实施例所提供的一种实施环境的示意图。该实施环境包括ct扫描仪130、服务器120和计算机设备110。计算机设备110可以从用于对人体组织进行x线扫描的ct扫描仪130处获取多套医学图像，同时，计算机设备110还可以与服务器120之间通过通信网络相连。可选的，通信网络是有线网络或无线网络。
40.计算机设备110可以是通用型计算机或者由专用的集成电路组成的计算机装置等，本技术实施例对此不做限定。例如，计算机设备110可以是平板电脑等移动终端设备，或者也可以是个人计算机(personal computer，pc)，比如膝上型便携计算机和台式计算机等等。本领域技术人员可以知晓，上述计算机设备110的数量可以一个或多个，其类型可以相同或者不同。比如上述计算机设备110可以为一个，或者上述计算机设备110为几十个或几百个，或者更多数量。本技术实施例对计算机设备110的数量和设备类型不加以限定。
41.在一些可选的实施例中，计算机设备110从ct扫描仪130获取多套医学样本图像，
一套医学样本图像包括ct增强样本图像和ct平扫样本图像，计算机设备110通过多套医学样本图像对神经网络进行训练，以得到用于对一套内的ct增强样本图像和ct平扫样本图像进行配准的网络模型。
42.服务器120是一台服务器，或者由若干台服务器组成，或者是一个虚拟化平台，或者是一个云计算服务中心。
43.在一些可选的实施例中，计算机设备110将其从ct扫描仪130获取到的多套医学样本图像发送给服务器120，一套医学样本图像包括ct增强样本图像和ct平扫样本图像，服务器120通过多套医学样本图像对神经网络进行训练，以得到用于对ct增强样本图像和ct平扫样本图像进行配准的网络模型。
44.示例性方法
45.图2是本技术一示例性实施例提供的图像分割方法的流程示意图。图2的方法由计算设备，例如，服务器，来执行。如图2所示，该图像分割方法包括如下内容。
46.s210：获取第一图像和第二图像，所述第一图像和所述第二图像为对同一对象采集的图像。
47.第一图像和第二图像为对同一对象的相同部位采集的图像，例如，可以为同一患者的心脏冠脉图像或其他器官的医学图像。需要说明的是，第一图像和第二图像是不同类型的医学图像，例如第一图像可以为平扫ct图像或其他局部分辨率较低的医学影像，第二图像可以为增强ct图像或是其他分辨率较高的医学影像，本实施例对此不做具体限制。
48.s220：将所述第一图像和所述第二图像输入至经过预训练的配准模型，采用所述配准模型对所述第一图像和所述第二图像进行配准，得到配准形变场。
49.具体的，医学图像配准是医学图像分析中常用的技术，它是将一幅图像(移动图像)的坐标转换到另一幅图像(固定图像)中，使得两幅图像相应位置匹配，得到配准图像(moved)。对于一幅医学图像寻求一种或一系列空间变换，使它与另一幅医学图像上的对应点达到空间上的一致。配准的结果应使两幅图像上所有的解剖点，或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配。在图像配准任务中，主要是寻找最佳的空间变换关系与灰度变换关系，从而使得两副图像实现最佳对准。其中，空间变换是实现精准配准的关键。变换可分为刚性变换和非刚性变化，刚性变换过程即为图像平移和旋转变换，可以将图像大致匹配，非刚性变换主要为伸缩、仿射等复杂变换，来对图像进处理调整。本实施例中的配准模型可以是刚性模型，也可以是非刚性模型，或者既包括刚性模型又包括非刚性模型，对此不做具体限制。
50.通过配准模型对第一图像和第二图像进行配准，得到配准形变场，配准形变场为图像中的像素位移的向量形成的一个矩阵。本实施例中，第一图像为固定图像，第二图像为移动图像，通过配准模型将第二图像配准到第一图像上，也即将第二图像的坐标转换至第一图像中，此时由于第二图像的位移产生了配准形变场。
51.s230：基于所述配准形变场和所述第二图像对应的分割模型，通过计算得到所述第一图像的分割模型，其中，所述第二图像对应的分割模型是预先获取的。
52.具体的，第二图像对应的分割模型为预先获取的，本实施例中，第二图像为增强ct图像，由于增强ct图像的分辨率较高，数据特征明显，数据标注容易，相对来说，分割网络训练较为简单，利用经过训练的分割网络容易获得增强ct图像的分割模型，在一示例性实施
例中，分割模型可以为分割掩膜(mask)。
53.通过前述步骤得到了配准形变场后，结合第二图像的分割模型通过计算即可得到第一图像的分割模型，该计算方法能够实现像素位移的变换，例如点积运算，利用容易获得的第二图像的分割模型通过像素的位移变换进而得到分辨率较低的第一图像的分割模型，相比于有监督的分割网络对第一图像进行分割，本实施例提供的分割方法更为快捷有效，且能够得到准确度较高的第一图像的分割模型，辅助医学疾病诊疗，减少对于人工经验的依赖。
54.在本技术的另一个实施例中，图3所示的方法是图2所示的方法的示例，如图3所示的方法还包括以下内容。
55.s310：获取平扫ct图像和增强ct图像，所述平扫ct图像和增强ct图像为对同一对象采集的心脏冠脉图像。
56.平扫ct图像和增强ct图像是对同一对象的同一部位采集的图像，例如心脏冠脉图像，图4a中示出了心脏冠脉的平扫ct图像，图4b中示出了心脏冠脉的增强ct图像，从图4a和图4b中可以看出，平扫ct图像中，骨类高密度组织的hu值较高，而肌肉、脏器和血液等一般组织的hu值较低，无法有效辨别，而增强ct图像中各组织的分辨率均较高。
57.需要说明的是，不同密度的物体、不同密度的人体器官和组织，其x线吸收系数，hu值也相应不同。hu值是测定局部组织或者器官密度大小的一种计量单位，通常称为称亨氏单位。增强ct图像借助造影剂获取分辨率较高的ct图像，主要用于鉴别病变为血管性或非血管性,明确纵膈病变与心脏大血管的关系。
58.s320：将心脏冠脉的所述平扫ct图像和增强ct图像输入至经过预训练的配准模型，采用所述配准模型对所述第一图像和所述第二图像进行配准，得到配准形变场。
59.将增强ct图像通过配准模型，经过像素的位移变换后配准至平扫ct图像中，也即将平扫ct图像和增强ct图像中像素点建立了一一对应关系。本实施例中对于配准模型的类型不做限制，可以为深度神经网络(deep neural network，dnn)、卷积神经网络(convolutional neural network，cnn)或循环神经网络(recurrent neuralnetwork，rnn)等等。
60.s330：基于所述配准形变场和增强ct图像对应的心脏冠脉的分割掩膜，通过计算得到所述平扫ct图像的心脏冠脉分割掩膜，其中，增强ct图像对应的分割掩膜是预先获取的。
61.通过前置的分割网络获取增强ct图像的心脏冠脉的分割掩膜，结合配准形变场，通过点积运算即可快速获取平扫ct图像的心脏冠脉分割掩膜，能够有效解决平扫ct图像分割模型获取困难的问题。
62.在一个实施例中，将所述第一图像和所述第二图像输入至经过预训练的配准模型，包括：对所述第一图像和所述第二图像进行预处理，将经过预处理的所述第一图像和所述第二图像输入至经过预训练的配准模型。
63.具体的，本实施例中的预处理具体为图像处理。为了获取兴趣区域且减少计算资源的消耗，可以利用第二图像的分割掩膜(mask)的最小外接框对第二图像进行裁剪，并将第一图像和第二图像重采样至128
×
128
×
128尺寸大小，保持各向同性，也即保持x，y，z三个扫描方向的像素间距一致，窗宽窗位均设置为(300,800)。而对于没有分割掩膜的第一图
像，本发明使用了简单的粗配准方式，将第二图像的分割掩膜粗配准到第一图像上，并使用内边距padding＝30的方式扩大最小外接框，只需获取兴趣区域的大概位置即可。经过对第一图像和第二图像进行图像的预处理后，可以有助于提升配准模型的配准精确度。
64.需要说明的是，在其他实施例中，可以增加或替换上述预处理的方式，上述的图像处理只是作为一种预处理方式的示例性说明，本技术对此不做限制。
65.在一个实施例中，所述配准模型包括第一配准模型和第二配准模型，
66.所述采用所述配准模型对所述第一图像和所述第二图像进行配准，得到配准形变场，包括：通过第一配准模型对所述第一图像和所述第二图像进行配准，得到第一配准形变场；基于所述第一配准形变场，通过第二配准模型对所述第一图像和所述第二图像进行配准，得到第二配准形变场；对所述第一配准形变场和所述第二配准形变场进行合并操作，获得所述配准形变场。
67.在本实施例中，第一配准模型与第二配准模型均为神经网络模型，第一配准模型与第二配准模型为不同的配准类型的模型，第一配准模型为刚性配准模型，第二配准模型为非刚性配准模型。通过第一配准模型先对第一图像和所述第二图像进行刚性配准，通过图像平移和旋转变换将第一图像和第二图像进行粗匹配，得到第一配准形变场。再通过第二配准模型对粗配准进行处理调整，对第一图像和第二图像进行非刚性配准，得到第二配准形变场。最后，将第一配准形变场和第二配准形变场进行向量相加，即可得到配准形变场。通过第一配准模型和第二配准模型能够对第一图像和第二图像实现最佳对准，提高对准精度，进而为准确获取第一图像的分割模型提供基础。
68.需要说明的是，本实施例中的第一配准模型采用深度残差网络(deep residual network,resnet)，第二配准模型采用resunet网络，resunet网络是resnet网络与u-net网络的结合，通过resnet网络和resunet网络能够有效地对医疗图像进行特征提取，实现医疗图像的精确配准。在其他实施例中，resnet网络和resunet网络可以替换为其他3d语义分割网络。
69.在一个实施例中，基于所述第一配准形变场，通过第二配准模型对所述第一图像和所述第二图像进行配准，得到第二配准形变场，包括：对所述第一配准形变场与所述第二图像进行点积运算，获得第三图像；通过第二配准模型对所述第一图像和所述第三图像进行配准，得到所述第二配准形变场。
70.图5示出了通过配准模型对平扫ct图像501和增强ct图像502进行配准的方法流程，如图5所示，配准模型包括进行刚性配准的第一配准模型503和进行非刚性配准的第二配准模型505，将平扫ct图像501和增强ct图像502输入至第一配准模型后，得到第一配准形变场504，将第一配准形变场504与增强ct图像502进行点积运算，生成第三图像，也即新的增强ct图像，再将新的增强ct图像与平扫ct图像501输入至第二配准模型505中进行配准，进而得到了第二配准形变场506，再将第一配准形变场504和第二配准形变场506进行向量相加，即可得到最终的配准形变场507。通过第一配准模型503和第二配准模型505的联合作用，实现了对于增强ct图像501与平扫ct图像502的精确配准，提升整体的配准精度。
71.图6是本技术一个实施例提供的模型的训练方法的流程示意图。图6所述的方法由计算设备(例如，服务器)来执行，但本技术实施例不以此为限。服务器可以是一台服务器，或者由若干台服务器组成，或者是一个虚拟化平台，或者是一个云计算服务中心，本技术实
施例对此不作限定。如图6所示，该方法包括如下内容：
72.s610：获取样本图像，所述样本图像包括第一样本图像和第二样本图像，其中，所述第一样本图像和所述第二样本图像为对同一对象采集的图像。
73.本实施例中的第一样本图像和第二样本图像与前述实施例中的第一图像和第二图像相同，均是对同一对象的同一部位或器官采集的图像。样本图像可以包括对于多个对象的不同部位或器官采集的图像，第一样本图像与第二样本图像类型不同，例如第一样本图像可以为平扫ct图像，第二样本图像可以为增强ct图像。
74.s620：基于所述第一样本图像和所述第二样本图像对神经网络进行训练，以得到能够对所述第一样本图像和所述第二样本图像进行配准的配准模型。
75.通过采集到的所述第一样本图像和所述第二样本图像对神经网络进行训练，通过不断迭代操作，更新配准模型的参数，直至损失函数最小化，图像匹配为止，得到训练完成的配准模型。
76.在一个实施例中，根据所述配准模型输出的配准形变场、所述第一样本图像和所述第二样本图像计算损失函数值，根据所述损失函数值更新所述配准模型的参数。
77.为了进一步提升配准模型的输出准确度，本实施例还通过预先设置的损失函数对整体结果进行约束优化，示例性的，具体为采用全局损失函数和梯度相似度损失函数对整体结果进行约束优化。其中，全局损失函数为归一化互相关损失函数(normalized cross-correlation loss，ncc loss)，通过计算相关系数来衡量配准结果的相似度，ncc loss计算公式如下：
[0078][0079]
其中，x、y表示样本，cov表示协方差，var表示方差。
[0080]
通过梯度相似度损失函数约束图像亮度差异匹配程度，计算公式如下：
[0081][0082]
其中，x、y表示样本，x
′
、y
′
表示梯度，μ表示均值，σ表示方差，c1、c2表示常数。
[0083]
在一个实施例中，所述神经网络包括第一神经网络和第二神经网络，所述配准模型包括第一配准模型和第二配准模型；
[0084]
所述基于所述第一样本图像和所述第二样本图像对神经网络进行训练，以得到能够对所述第一样本图像和所述第二样本图像进行配准的配准模型，包括：基于所述第一样本图像和所述第二样本图像对所述第一神经网络进行训练，以得到能够对所述第一样本图像和所述第二样本图像进行配准的所述第一配准模型；对所述第一配准模型输出的第一配准形变场和所述第二样本图像进行点积运算，得到第三样本图像；基于所述第一样本图像和所述第三样本图像对第二神经网络进行训练，以得到能够对所述第一样本图像和所述第三样本图像进行配准的所述第二配准模型。
[0085]
在本实施例中，第一神经网络和第二神经网络分别为图像分割方法实施例中的resnet网络和resunet网络，所述第一样本图像和所述第二样本图像为平扫ct图像和增强
ct图像，通过平扫ct图像和增强ct图像对resnet网络进行训练，得到第一配准模型，再将第一配准模型输出的第一配准形变场与第二样本图像进行点积运算，得到第三样本图像，也即新的增强ct图像。通过平扫ct图像和第三样本图像对resunet网络进行训练，得到第二配准模型。
[0086]
需要说明的是，通过所述第一样本图像和所述第二样本图像对配准模型进行训练之前，需要对第一样本图像和第二样本图像进行预处理，预处理包括图像处理和数据增强。图像处理与上述实施例中的图像处理相同，此处不再赘述。为了提高配准模型的泛化性能，还需对第一样本图像和第二样本图像进行数据增强，具体为随机旋转、亮度调整以及随机小角度抖动等操作，上述数据增强操作只作为示例性说明，本领域技术人员可以根据实际需求增加或删减对于图像的预处理操作方式，此处不做限制。
[0087]
在一个实施例中，所述基于所述第一样本图像和所述第二样本图像对所述第一神经网络进行训练，以得到能够对所述第一样本图像和所述第二样本图像进行配准的所述第一配准模型，包括：
[0088]
将所述第一样本图像和所述第二样本图像输入至所述第一神经网络，经由所述第一神经网络输出第一配准形变场；基于所述第一配准形变场、所述第一样本图像和所述第二样本图像，通过互信息计算，得到相似度数值；根据所述相似度数值更新所述第一神经网络的参数，其中，所述第一神经网络为残差网络。
[0089]
具体的，将所述第一样本图像和所述第二样本图像输入至所述第一神经网络后得到第一配准形变场，根据第一配准形变场和第二样本图像通过点积运算可得到第三样本图像，第三样本图像也即配准后的图像，根据配准后的第三样本图像和第一样本图像(固定图像)之间的互信息计算调整第一神经网络的参数，相似度超过一定的阈值后，即可认为相似度较高，完成对第一神经网络的训练，得到第一配准模型。
[0090]
互信息计算公式如下：
[0091][0092]
其中，h表示熵计算函数，p表示概率分布函数，a、b表示样本。
[0093]
在一个实施例中，所述基于所述第一样本图像和所述第三样本图像对第二神经网络进行训练，以得到能够对所述第一样本图像和所述第三样本图像进行配准的所述第二配准模型，包括：
[0094]
将所述第一样本图像和所述第三样本图像输入至所述第二神经网络，经由所述第二神经网络输出第二配准形变场；基于所述第二配准形变场、所述第三样本图像和所述第一样本图像计算损失函数值，根据所述损失函数值更新所述第二神经网络，其中，所述第二神经网络为深度卷积神经网络。
[0095]
将第一样本图像和通过第一次配准得到的第三样本图像输入至第二神经网络中，对第一样本图像和第三样本图像进行配准，第一样本图像作为固定图像，第三样本图像作为移动图像，将第二配准形变场与第三样本图像进行点积运算，能够得到第二次配准后的
第四样本图像(也即配准图像)，通过计算第一样本图像与第四样本图像之间的损失函数值，更新第二神经网络，以得到第二配准模型。
[0096]
示例性的，本实施例中的损失函数为平滑损失函数smooth loss，具体计算公式如下：
[0097][0098]
其中，yi和f
xi
分别表示第i个样本的真实值及其对应的预测值，n为样本的个数。
[0099]
示例性装置
[0100]
图7是本技术一示例性实施例提供的图像分割装置700的结构示意图。如图7所示，该图像分割装置700包括：
[0101]
获取模块710，被配置为获取第一图像和第二图像，所述第一图像和所述第二图像为对同一对象采集的图像；
[0102]
配准模块720，被配置为将所述第一图像和所述第二图像输入至经过预训练的配准模型，采用所述配准模型对所述第一图像和所述第二图像进行配准，得到配准形变场；
[0103]
分割模块730，被配置为基于所述配准形变场和所述第二图像对应的分割模型，通过计算得到所述第一图像的分割模型，其中，所述第二图像对应的分割模型是预先获取的。
[0104]
应当理解，上述实施例中的获取模块710至分割模块730的具体工作过程和功能可以参考上述图2至图5实施例提供的图像分割方法中的描述，为了避免重复，在此不再赘述。
[0105]
图8是本技术一示例性实施例提供的模型的训练装置800的结构示意图。如图8所示，该模型的训练装置800包括：
[0106]
样本获取模块810，被配置为获取样本图像，所述样本图像包括第一样本图像和第二样本图像，其中，所述第一样本图像和所述第二样本图像为对同一对象采集的图像；
[0107]
模型训练模块820，被配置为基于所述第一样本图像和所述第二样本图像对神经网络进行训练，以得到能够对所述第一样本图像和所述第二样本图像进行配准的配准模型。
[0108]
应当理解，上述实施例中的样本获取模块810至模型训练模块820的具体工作过程和功能可以参考上述图6实施例提供的模型的训练方法中的描述，为了避免重复，在此不再赘述。
[0109]
示例性电子设备及计算机可读存储介质
[0110]
图9是本技术一示例性实施例提供的电子设备900的框图。
[0111]
参照图9，电子设备900包括处理组件910，其进一步包括一个或多个处理器，以及由存储器920所代表的存储器资源，用于存储可由处理组件910的执行的指令，例如应用程序。存储器920中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件910被配置为执行指令，以执行上述实施例所述的方法。
[0112]
电子设备900还可以包括一个电源组件被配置为执行电子设备900的电源管理，一个有线或无线网络接口被配置为将电子设备900连接到网络，和一个输入输出(i/o)接口。可以基于存储在存储器920的操作系统操作电子设备900，例如windows server
tm
，mac os x
tm
，unix
tm
，linux
tm
，freebsd
tm
或类似。
[0113]
一种非临时性计算机可读存储介质，当存储介质中的指令由上述电子设备900的处理器执行时，使得上述电子设备900能够执行如上实施例所述的方法。
[0114]
上述所有可选技术方案，可采用任意结合形成本技术的可选实施例，在此不再一一赘述。
[0115]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0116]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0117]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0118]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0119]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0120]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序校验码的介质。
[0121]
需要说明的是，在本技术的描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0122]
以上所述仅为本技术的较佳实施例而已，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换等，均应包含在本技术的保护范围之内。