[发明专利]图像分割方法、装置、诊断系统及存储介质

说明书

本发明公开了一种图像分割方法、装置、诊断系统及存储介质，所述图像分割方法包括：获取肿瘤图像；对获取到的肿瘤图像进行肿瘤定位，得到用于指示所述肿瘤图像中全肿瘤区域位置的候选图像；将所述候选图像输入至基于机器学习模型构建的级联分割网络；以所述级联分割网络中的第一级分割网络，对所述候选图像中的全肿瘤区域进行图像分割为起始，逐级步进至最后一级分割网络进行关于增强肿瘤核心区域的图像分割，得到分割图像。采用本发明所提供的图像分割方法、装置、诊断系统及存储介质解决了现有技术中肿瘤图像分割效果不佳的问题。

技术领域

本发明涉及计算机技术领域，尤其涉及一种图像分割方法、装置、诊断系统及存储介质。

背景技术

胶质瘤是最常见的原发性恶性脑肿瘤，也称为脑部肿瘤，具有不同程度的侵袭性，往往划分为全肿瘤区域、肿瘤核心区域、增强肿瘤核心区域。

磁共振成像(Magnetic Resonance Imaging,MRI)是临床上最常用的脑部肿瘤检查与诊断手段，从多模态MRI扫描生成的图像中精确分割出脑部肿瘤所包含的各个区域，具有极高的医学价值。

目前，肿瘤图像分割主要基于深度学习，包括全卷积神经网络(FCNNS,Fullyconvolutional neural networks)方法和基于U-net的网络(U-net based network)方法。

然而，经发明人研究发现，全卷积神经网络方法所学习到的特征都是基于完整图像的局部，而对完整图像的特征学习能力较差，容易导致分割效果不好；而基于U-net的网络方法受限于完整图像的尺寸大小，难以设计较深层次的网络，同样存在分割效果不好的问题。

发明内容

为了解决相关技术中存在的肿瘤图像分割效果不佳的问题，本发明各实施例提供一种图像分割方法、装置、诊断系统及存储介质。

其中，本发明所采用的技术方案为：

根据本发明实施例的一方面，一种图像分割方法，包括：获取肿瘤图像；对获取到的肿瘤图像进行肿瘤定位，得到用于指示所述肿瘤图像中全肿瘤区域位置的候选图像；将所述候选图像输入至基于机器学习模型构建的级联分割网络；以所述级联分割网络中的第一级分割网络，对所述候选图像中的全肿瘤区域进行图像分割为起始，逐级步进至最后一级分割网络进行关于增强肿瘤核心区域的图像分割，得到分割图像。

根据本发明实施例的一方面，一种图像分割装置，包括：图像获取模块，用于获取肿瘤图像；图像粗分割模块，用于对获取到的肿瘤图像进行肿瘤定位，得到用于指示所述肿瘤图像中全肿瘤区域位置的候选图像；图像输入模块，用于将所述候选图像输入至基于机器学习模型构建的级联分割网络；图像细分割模块，用于以所述级联分割网络中的第一级分割网络，对所述候选图像中的全肿瘤区域进行图像分割为起始，逐级步进至最后一级分割网络进行关于增强肿瘤核心区域的图像分割，得到分割图像。

根据本发明实施例的一方面，一种诊断系统，所述诊断系统包括采集端、分割端和诊断端，其中，所述采集端，用于采集肿瘤图像，并发送至所述分割端；所述分割端，用于对所述分割端发送的肿瘤图像进行肿瘤定位，得到用于指示所述肿瘤图像中全肿瘤区域位置的候选图像，并将所述候选图像输入至基于机器学习模型构建的级联分割网络，以所述级联分割网络中的第一级分割网络，对所述候选图像中的全肿瘤区域进行图像分割为起始，逐级步进至最后一级分割网络进行关于增强肿瘤核心区域的图像分割，得到分割图像；所述诊断端，用于接收所述分割端发送的分割图像，并显示，以通过所述分割图像辅助诊断人员进行肿瘤诊断。

根据本发明实施例的一方面，一种计算机设备，包括处理器及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如上所述的图像分割方法。

根据本发明实施例的一方面，一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的图像分割方法。