基于深度学习的图像分割方法、装置、设备和存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111815569A(43)申请公布日2020.10.23(21)申请号202010544386.8(22)申请日2020.06.15(71)申请人广州视源电子科技股份有限公司地址510530广东省广州市黄埔区云埔四路6号(72)发明人曹桂平(74)专利代理机构北京权智天下知识产权代理事务所(普通合伙)11638代理人王新爱(51)Int.Cl.G06T7/00(2017.01)G06K9/34(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书2页说明书10页附图6页(54)发明名称基于深度学习的图像分割方法、装置、设备和存储介质(57)摘要本发明实施例公开了一种基于深度学习的图像分割方法、装置、终端设备和存储介质。基于对脏器图像数据中的样本图像数据的分割标记操作得到训练集，所述脏器图像数据通过对脏器扫描得到；生成初始图像分割模型，将所述训练集输入所述初始图像分割模型进行模型训练，以获得用于图像结构分割的图像分割模型，所述初始图像分割模型在U‑Net框架的中心层添加与所述U‑Net框架的解码器分支并行的正则约束分支得到，所述正则约束分支用于对所述U‑Net框架的编码器分支进行正则约束；将待分割的脏器图像数据输入到所述图像分割模型，以对所述待分割的脏器图像数据进行分割标记。通过对U‑Net网络中的编码器权重进行额外的约束，可以提取到图像数据中更加鲁棒的特征。CN111815569ACN111815569A权利要求书1/2页1.基于深度学习的图像分割方法，其特征在于，包括：基于对脏器图像数据中的样本图像数据的分割标记操作得到训练集，所述脏器图像数据通过对脏器扫描得到；生成初始图像分割模型，将所述训练集输入所述初始图像分割模型进行模型训练，以获得用于图像结构分割的图像分割模型，所述初始图像分割模型在U-Net框架的中心层添加与所述U-Net框架的解码器分支并行的正则约束分支得到，所述正则约束分支用于对所述U-Net框架的编码器分支进行正则约束；将待分割的脏器图像数据输入到所述图像分割模型，以对所述待分割的脏器图像数据进行分割标记。2.根据权利要求1所述的方法，其特征在于，所述生成初始图像分割模型，将所述训练集输入所述初始图像分割模型进行模型训练，以获得用于图像结构分割的图像分割模型，包括：生成初始图像分割模型；将所述训练集输入所述初始图像分割模型进行模型训练，得到过渡图像分割模型；将未分割标记的脏器图像数据输入所述过渡图像分割模型进行分割标记，对分割标记结果进行修正确定；将修正后的分割标记结果添加更新到所述训练集；根据添加更新后的训练集对所述过渡图像分割模型进行训练更新；当所述分割标记结果确定准确，将当前过渡图像分割模型作为图像分割模型。3.根据权利要求1所述的方法，其特征在于，所述正则约束分支的损失函数通过后验概率分布qφ(z|x)与似然函数pθ(z|x)之间的KL散度进行计算，其中x为输入图像，z为所述正则约束分支和所述编码器分支组成的变分自编码器中的隐变量，z服从标准正态分布，φ,θ分别对应编码器分支和解码器分支中网络待学习的参数。4.根据权利要求3所述的方法，其特征在于，所述损失函数LVAE(θ,φ)通过以下公式计算：其中，表示重建均方误差，DKL(qφ(z|x)||pθ(z))表示先验分布pθ(z)与后验概率分布qφ(z|x)的反向KL散度。5.根据权利要求1所述的方法，其特征在于，所述解码器的损失函数为二值交叉熵损失。6.根据权利要求1所述的方法，其特征在于，所述脏器图像数据为脑部MRI图像数据；对应的，所述基于对脏器图像数据中的样本图像数据的分割标记操作得到训练集，包括：对脏器图像数据进行预处理，以获得灰度密度和/或灰度范围一致的脏器图像数据；选择多个预处理后的脏器图像数据作为样本图像数据接收分割标记操作得到训练集。7.根据权利要求6所述的方法，其特征在于，所述灰度密度通过偏差场校正进行预处理；所述灰度范围通过灰度标准化进行预处理。2CN111815569A权利要求书2/2页8.基于深度学习的图像分割装置，其特征在于，包括：训练集生成单元，用于基于对脏器图像数据中的样本图像数据的分割标记操作得到训练集，所述脏器图像数据通过对脏器扫描得到；模型训练单元，用于生成初始图像分割模型，将所述训练集输入所述初始图像分割模型进行模型训练，以获得用于图像结构分割的图像分割模型，所述初始图像分割模型在U-Net框架的中心层添加与所述U-Net框架的解码器分支并行的正则约束分支得到，所述正则约束分支用于对所述U-Net框架的编码器分支进行正则约束；分割标记单元，用于将待分割的脏器图像数据输入到所述图像分割模型，以对