[发明专利]医学图像中目标对象的分割方法、装置和电子设备

权利要求书

1.一种医学图像中目标对象的分割方法，其特征在于，包括：

获取待分割的医学图像；

根据掩码区域卷积神经网络模型，确定出所述待分割的医学图像中各目标对象的初步分割结果；

基于所述初步分割结果中的掩码，对所述初步分割结果中的各所述目标对象进行分割，得到各独立的所述目标对象；

输出包含所述各独立的所述目标对象的图像；

所述基于所述初步分割结果中的掩码，对所述初步分割结果中的各所述目标对象进行分割，得到各独立的所述目标对象，包括：

根据前景中每个像素点的掩码，确定出所述前景中每个像素点的位置信息；所述前景包括所述初步分割结果中各所述目标对象；所述目标对象包括细胞、细胞核和病灶中的一种；

根据每个所述像素点的位置信息，确定每个所述像素点与最近的边缘之间的距离；所述边缘为所述目标对象的边缘；

根据各所述像素点与最近的边缘之间的距离，确定每个独立的所述目标对象的边缘界限；

所述根据各所述像素点与最近的边缘之间的距离，确定每个独立的所述目标对象的边缘界限，包括：

根据各所述像素点与最近的边缘之间的距离，构建距离图；所述距离图中以不同的颜色表征具有不同所述距离的像素点；

根据所述距离图，确定每个独立的所述目标对象的边缘界限；

所述确定每个独立所述目标对象的边缘界限之后，还包括：

根据每个独立的所述目标对象的边缘界限，对每个独立的所述目标对象进行膨胀操作，得到形态膨胀后的各独立的所述目标对象。

2.根据权利要求1所述的方法，其特征在于，所述掩码区域卷积神经网络模型是的通过下述方法预先训练得到的：

从训练集中抽选出多个训练子集；

利用各所述训练子集分别对原始的掩码区域卷积神经网络模型进行初步训练，得到初步训练后的各掩码区域卷积神经网络模型；

利用各掩码区域卷积神经网络模型分别对验证集进行验证性的分割，得到各验证性的分割结果；所述验证集包括所述训练集中抽选剩余的样本医学图像；

确定出符合验证条件的初步训练后的掩码区域卷积神经网络模型，作为选定的掩码区域卷积神经网络模型；所述验证条件包括所述验证性的分割结果的准确率最高且所述训练子集中包含具有标志性信息的样本医学图像。

3.根据权利要求1所述的方法，其特征在于，所述掩码区域卷积神经网络模型包括依次级联的第一卷积神经网络、关注区域对准层、分别连接于所述关注区域对准层之后的分类支路和分割支路、以及连接于所述第一卷积神经网络与所述关注区域对准层之间的候选区域网络；

以及，所述根据掩码区域卷积神经网络模型，确定出所述待分割的医学图像中各目标对象的初步分割结果，包括：

将所述医学图像输入所述掩码区域卷积神经网络模型，通过所述第一卷积神经网络得到第一特征图；

所述第一特征图通过候选区域网络得到候选区域；

所述第一特征图和所述候选区域一并通过所述关注区域对准层，得到携带所述候选区域的第二特征图；

所述第二特征图通过所述分类支路，得到回归后的所述候选区域和目标对象的分类标签；所述第二特征图通过所述分割支路，得到回归后的所述候选区域中每个像素点的掩码；

根据回归后的所述候选区域、所述分类标签和所述掩码，生成二值化的初步分割结果；所述掩码用于确定对应的像素点是否属于目标对象。

4.根据权利要求3所述的方法，其特征在于，所述第一卷积神经网络中的卷积神经网络块包括深度残差网络块、分组卷积的残差网络结构块和视觉几何群网络块中的一种；

所述分割支路包括全卷积网络；所述全卷积网络包括多尺度特征网络。

5.根据权利要求1所述的方法，其特征在于，所述输出包含各独立的所述目标对象的图像，包括：

利用同一种类中各视觉标识信息，表征各独立的所述目标对象；所述视觉标识信息的种类包括颜色和纹理中的一种；

生成分割后的图像并输出，使得终端设备接收到所述分割后的图像后进行显示；所述分割后的图像包括被表征为各视觉标识信息的各独立的所述目标对象。