一种分步分割方法及系统与流程

1.本发明涉及影像领域器官分割技术领域，特别是涉及一种分步分割方法及系统。


背景技术：

2.医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程，它包含以下两个相对独立的研究方向：医学成像系统和医学图像处理，前者是指图像行成的过程，包括对成像机理、成像设备、成像系统分析等问题的研究；后者是指对已经获得的图像作进一步的处理，其目的是或者是使原来不够清晰的图像复原，或者是为了突出图像中的某些特征信息，或者是对图像做模式分类等等，在影像领域利用人工智能算法对人体组织器官进行自动分割，目前的主要方法都是在原影像文件直接对目标器官分割，如果原影像文件非常大，几十mb大小，同时目标器官比较复杂，包含很多独立部分，比如脊柱包含27个椎骨，则使得分割会非常费时，分割一个文件可能需要数十分钟，不能满足日常需求，使得对医学影像中的目标器官精细分割的速度非常低。


技术实现要素：

3.鉴于以上所述现有技术的缺点，本发明的目的在于提供一种分步分割方法及系统，用于解决现有技术中对医学影像中的目标器官精细分割的速度非常低的问题。
4.本发明的实施方式提供了一种分步分割方法，包括以下步骤：获取待分割的原影像文件；将原影像文件输入深度学习模型，通过深度学习模型确定标志器官的位置；根据所述标志器官位置确定目标器官的大概位置；截取所述目标器官所在的大致区域；将目标器官所在大致区域输入深度学习模型，通过深度学习模型确定分割后的目标器官。
5.本发明的实施方式还提供了一种分步分割系统，包括：获取模块，用于获取待分割的原影像文件；截取模块，用于截取所述目标器官所在的大致区域；确定模块，用于将原影像文件输入深度学习模型，通过深度学习模型确定标志器官的位置，根据所述标志器官位置确定目标器官的大概位置；将目标器官所在大致区域输入深度学习模型，通过深度学习模型确定分割后的目标器官。
6.本发明的实施方式还提供了一种服务器，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述的分步分割方法。
7.本发明的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上述的分步分割方法。
8.本发明实施方式相对于现有技术而言，主要区别及其效果在于：如果直接从原影像文件中分割出目标器官是比较困难，因为目标器官的结构复杂，分割起来比较费时费力，如果从原影像文件中分割出标志器官是比较简单，标志器官结构简单容易识别导致分割模型结构简单，所以使得分割速度较快，所以本发明先通过使用深度学习模型在原影像文件
中分割出标志器官的位置，然后根据标志器官位置确定目标器官的大概位置，最后再通过使用深度学习模型在目标器官所在的大致区域中进行精细分割，从而确定出分割后的目标器官，由于采用分布器官分割算法，只对大概的目标区域进行分割，数据量大大减少，耗时也会大大减少，大大提高医学影像中的目标器官精细分割的速度。
9.作为进一步改进，在所述获取待分割的原影像文件之后，所述将原影像文件输入深度学习模型，通过深度学习模型确定标志器官的位置之前，包括：对所述待分割的原影像文件进行预处理。
10.作为进一步改进，所述将原影像文件输入深度学习模型，通过深度学习模型确定标志器官的位置，包括：对所述原影像文件进行下采样处理，根据处理结果得出下采样后的原影像文件；对所述下采样后的原影像文件进行上采样处理，根据处理结果确定标志器官的位置。
11.上述方案通过先对原影像文件进行下采样处理，然后再对下采样后的原影像文件进行上采样处理，最后分割出标志器官的位置，从而实现了分割出标志器官的位置的目的。
12.作为进一步改进，所述将目标器官所在大致区域输入深度学习模型，通过深度学习模型确定分割后的目标器官，包括：对所述目标器官所在的大致区域进行下采样处理，根据处理结果得出下采样后的目标器官所在的大致区域；对所述下采样后的目标器官所在的大致区域进行上采样处理，根据处理结果确定分割后的目标器官。
13.上述方案通过先对目标器官所在的大致区域进行下采样处理，然后再对下采样后的目标器官所在的大致区域进行上采样处理，最后得出分割后的目标器官，从而实现了对目标器官精细分割的目的。
14.作为进一步改进，在所述将目标器官所在大致区域输入深度学习模型，通过深度学习模型确定分割后的目标器官之后，包括：发送所述分割后的目标器官至终端设备，并在终端设备上显示所述分割后的目标器官的位置。
15.上述方案在得出分割后的目标器官之后，将分割后的目标器官发送至终端设备，并在终端设备上显示分割后的目标器官，从而便于医护人员进行观看。
附图说明
16.图1是本发明第一实施方式中的分步分割方法流程图；
17.图2是本发明第二实施方式中的分步分割方法流程图；
18.图3是本发明第三实施方式中的分步分割系统示意图；
19.图4是本发明第四实施方式中的电子设备示意图。
具体实施方式
20.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
21.需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构
想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
22.本发明的第一实施方式涉及一种分步分割方法。流程如图1所示，具体如下：
23.步骤101，获取待分割的原影像文件；
24.具体的说，原影像文件中包括标志器官和目标器官。
25.步骤102，将原影像文件输入深度学习模型，通过深度学习模型确定标志器官的位置。
26.具体的说，本实施例中的深度学习模型是已有的开源框架nnunet模型，开源框架nnunet模型的结构就是经典的unet结构，unet结构可以说是相对比较简单的图像分割算法了，通过四个下采样提取目标特征，再通过四个上采样逐个对其像素点进行分类，unet结构实际上是一个基于编码器
‑‑
解码器思想，在实际应用中也可以使用其他模型或算法对原影像文件进行分割，首先对原影像文件进行下采样处理，然后根据处理结果得出下采样后的原影像文件，对下采样后的原影像文件进行上采样处理，最后根据处理结果确定出标志器官的位置。
27.步骤103，根据标志器官位置确定目标器官的大概位置。
28.实际应用中，假设从原影像文件分割出脊柱器官位置，首先从原影像文件分割出肝脏器官的位置，人体的肝脏中心位置都在脊柱的右侧，从高度方向看，大概在脊柱的中间，从前后方向看，在脊柱的前方，人体的肝脏尺寸和脊柱的相对位置都有固定的比例范围，根据这些尺寸计算和调整就可以得到大概的脊柱器官所在的大致区域。
29.步骤104，截取目标器官所在的大致区域。
30.步骤105，将目标器官所在大致区域输入深度学习模型，通过深度学习模型确定分割后的目标器官。
31.具体的说，首先对目标器官所在的大致区域进行下采样处理，然后根据处理结果得出下采样后的目标器官所在的大致区域，再对下采样后的目标器官所在的大致区域进行上采样处理，最后根据处理结果确定出分割后的目标器官。
32.实际应用中，得到脊柱器官所在的大致区域后，截取脊柱器官所在的大致区域，然后使用深度学习模型对大概的脊柱器官区域进行精细分割，从而得出分割后的目标器官，整个分割过程中，分步的脊柱分割比直接对整个原影像文件进行脊柱分割速度大概提升10倍。
33.本实施方式如果直接从原影像文件中分割出目标器官是比较困难，因为目标器官的结构较多，分割起来比较费时费力，如果从原影像文件中分割出标志器官是比较简单，标志器官结构简单容易识别导致分割模型结构简单，所以使得分割速度较快，所以本发明先通过使用深度学习模型在原影像文件中分割出标志器官的位置，然后根据标志器官位置确定目标器官的大概位置，最后再通过使用深度学习模型在目标器官所在的大致区域中进行精细分割，从而确定出分割后的目标器官，由于采用分布器官分割算法，只对大概的目标区域进行分割，数据量大大减少，耗时也会大大减少，大大提高医学影像中的目标器官精细分割的速度。
34.本发明的第二实施方式涉及一种分步分割方法，第二实施方式是对第一实施方式
整体的详细论述，主要详细的论述在于：在本发明的第二实施方式中，明确了一种实施方式，此实施方式论述了对将原影像文件输入深度学习模型，通过深度学习模型确定标志器官的位置和将目标器官所在大致区域输入深度学习模型，通过深度学习模型确定分割后的目标器官的具体过程。
35.本实施方式请参阅图2，包括以下步骤，进行如下说明：
36.步骤201与第一实施方式中的步骤101相类似，在此不再赘述。
37.步骤202，对待分割的原影像文件进行预处理。
38.具体的说，待分割的原影像文件内每个维度的四周都会存在一些像素值为0(全黑)的区域，对比像素值后去除掉原影像文件内这些无用的信息。
39.步骤203，对原影像文件进行下采样处理，根据处理结果得出下采样后的原影像文件。
40.具体的说，下采样处理具体是通过对原影像文件进行卷积操作，从而可以提取出原影像文件内的特征，对原影像文件进行下采样处理也就是说通过卷积层对原影像文件进行特征提取。
41.步骤204，对下采样后的原影像文件进行上采样处理，根据处理结果确定标志器官的位置。
42.具体的说，对下采样后的原影像文件进行上采样处理具体是输入原影像文件经过前面下采样进行特征提取之后，需要把原影像文件恢复至原来的尺寸以便进一步对像素进行分类，从而可以分割出标志器官的位置，一般来说上采样方法常见的有：双线性差值、反卷积和反池化，unet结构的上采样就是通过反卷积实现的，反卷积就是转置卷积，由小尺寸到大尺寸的过程，也就是说反卷积也可以表示为两个矩阵乘积，很显然转置卷积的反向传播就是也是可进行的，所以说整体是unet结构是可以反向传播的。
43.步骤205至步骤206与第一实施方式中的步骤103至步骤104相类似，在此不再赘述。
44.步骤207，对目标器官所在的大致区域进行下采样处理，根据处理结果得出下采样后的目标器官所在的大致区域。
45.具体的说，对目标器官所在的大致区域进行下采样处理就是通过卷积层对目标器官所在的大致区域进行特征提取。
46.步骤208，对下采样后的目标器官所在的大致区域进行上采样处理，根据处理结果确定分割后的目标器官。
47.具体的说，对下采样后的目标器官所在的大致区域进行上采样处理具体是输入目标器官所在的大致区域经过前面下采样进行特征提取之后，需要把目标器官所在的大致区域恢复至原来的尺寸以便进一步对像素进行分类，从而得出分割后的目标器官。
48.步骤209，发送分割后的目标器官至终端设备，并在终端设备上显示分割后的目标器官。
49.具体的说，终端设备可以是手机，也可以是电脑或者平板。
50.本实施方式通过先对原影像文件进行下采样处理，然后再对下采样后的原影像文件进行上采样处理，最后分割出标志器官的位置，从而实现了分割出标志器官的位置的目的；通过先对目标器官所在的大致区域进行下采样处理，然后再对下采样后的目标器官所
在的大致区域进行上采样处理，最后得出分割后的目标器官，从而实现了对目标器官精细分割的目的。
51.本发明的第三实施方式涉及一种分步分割方法，请参阅图3，包括：
52.获取模块，用于获取待分割的原影像文件；
53.截取模块，用于截取目标器官所在的大致区域；
54.确定模块，用于将原影像文件输入深度学习模型，通过深度学习模型确定标志器官的位置，根据标志器官位置确定目标器官的大概位置；将目标器官所在大致区域输入深度学习模型，通过深度学习模型确定分割后的目标器官。
55.不难发现，本实施方式为与第一实施方式相对应的系统实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。
56.值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
57.本发明第四实施方式涉及一种服务器，请参阅图4，包括：
58.至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上的分步分割方法。
59.其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起，总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。
60.处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
61.本发明第五实施方式涉及一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例。
62.即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本技术各个实施例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代码的介质。
63.综上所述，如果直接从原影像文件中分割出目标器官是比较困难，因为目标器官的结构复杂，分割起来比较费时费力，如果从原影像文件中分割出标志器官是比较简单，由于标志器官结构简单容易识别导致分割模型结构简单，所以使得分割速度较快，所以本发明先通过使用深度学习模型在原影像文件中分割出标志器官的位置，然后根据标志器官位置确定目标器官的大概位置，最后再通过使用深度学习模型在目标器官所在的大致区域中进行精细分割，从而确定出分割后的目标器官，由于采用分布器官分割算法，只对大概的目标区域进行分割，数据量大大减少，耗时也会大大减少，大大提高医学影像中的目标器官精细分割的速度。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
64.上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。