[发明专利]胸部X光图像的实例分割方法、装置、设备及介质

说明书

本发明公开了一种胸部X光图像的实例分割方法、装置、设备及介质，其中，方法包括：获取待检测的胸部X光图像；将所述胸部X光图像输入经过训练得到的实例分割模型中；通过所述实例分割模型对所述胸部X光图像进行实例分割，包括提取所述胸部X光图像的图像特征，获取所述胸部X光图像中待选的物体区域以及对应的提议框，获取所述物体区域内的物体类别并回归出对应的提议框的坐标，对对应的提议框内的物体进行分割；输出所述胸部X光图像中的解剖结构的分割结果。本发明能够准确地检测、分类以及分割出胸部X光图像中的重要解剖结构，实现了胸部X光图像中各个器官的实例分割。

技术领域

本发明涉及医学图像处理技术领域，具体地，涉及一种胸部X光图像的实例分割方法、装置、设备及介质。

背景技术

胸部X光图像解剖结构的自动分割是实现计算机辅助诊断系统的一个前提任务，其研究由来已久。传统的用于胸部X光图像器官分割的方法大致可以分为四类：基于规则的方法；像素分类的方法；基于可变模型的方法；混合的方法。基于规则的方法包含一系列步骤和精心设计的规则(例如阈值、形态学计算等)，这类方法繁琐且只能找到大致解。基于像素分类的方法通过对器官内外区域的像素值进行建模来将像素分成前景(器官)和背景。由于很难依靠单一的像素值就区分出胸片中的器官，这类方法往往依赖后处理来提升效果。可变模型由于其形状的灵活性而应用广泛，其中主动形状模型(active shape models，ASM)和主动外观模型(active appearance models，AAM)常被用于肺野分割。这类方法容易受到高对比度的肋骨边缘影响而陷入局部最小；分割效果依赖于初始模型的正确性；以及参数众多所引起的不稳定的输出。而混合的方法则结合上述多种方法来提高效果。尽管这些传统方法在胸部X光图像各器官分割中取得不错的结果，但其效果仍然不及深度学习。

目前深度学习应用于胸片各器官分割的方法大致可以分为三类：基于块的分类；全卷积网络；对抗学习。基于块的分类是对以图片中的每个像素为中心的一个小块进行分类而达到对每个像素进行标注的结果。这种方法处理繁琐，计算量较大而耗时。全卷积网络广泛应用于图像语义分割，能够对输入图像中的每个像素点进行标注。这种方法的分割结果往往存在空洞或者小的错误预测区域，需要依赖后处理来提高效果。对抗学习的方法则将器官的结构信息引入卷积分割网络来提高分割效果。尽管深度学习方法在胸部X光图像器官分割中取得很好的结果，但是这些方法要么只分割肺野，要么只分割肺野和心脏，无法对肺野、心脏、锁骨这三种重要解剖结构同时进行实例分割。

发明内容

鉴于以上问题，本发明的目的是提供一种胸部X光图像的实例分割方法、装置、设备及介质，以解决现有的分割方法无法对肺野、心脏、锁骨这三种重要解剖结构同时进行实例分割的问题。

为了实现上述目的，本发明的一个方面是提供一种胸部X光图像的实例分割方法，包括：

获取待检测的胸部X光图像；将所述胸部X光图像输入经过训练得到的实例分割模型中；通过所述实例分割模型对所述胸部X光图像进行实例分割；输出所述胸部X光图像中的解剖结构的分割结果；其中，通过所述实例分割模型对所述胸部X光图像进行实例分割，包括：通过图像特征提取模块提取所述胸部X光图像的图像特征，并将提取的图像特征传输至区域提议模块；通过区域提议模块根据提取的图像特征获取所述胸部X光图像中待选的物体区域以及对应的提议框；通过兴趣区域对齐模块获取待选的物体区域的特征；通过检测分类回归模块获取所述物体区域内的物体类别并回归出对应的提议框的坐标；通过与所述检测分类回归模块平行设置的分割模块对对应的提议框内的物体进行分割。

优选地，所述图像特征提取模块采用残差特征金字塔网络进行图像特征的提取，其中，所述残差特征金字塔网络包括多个卷积模块，每个卷积模块均包括特征提取层。

优选地，通过区域提议模块根据提取的图像特征获取所述胸部X光图像中待选的物体区域以及对应的提议框，包括：