[发明专利]一种器官图像分割方法、装置、电子设备和存储介质

权利要求书

1.一种器官图像分割方法，其特征在于，包括：

采用预先训练好的神经网络模型对待分割器官图像进行分割，得到初始器官分割图像；

根据所述初始器官分割图像计算区域生长的种子点位置和合并阈值；以及

根据所述种子点位置和合并阈值，采用区域生长法对所述待分割器官图像进行分割，以获得最终的器官图像。

2.根据权利要求1所述的器官图像分割方法，其特征在于，在采用预先训练好的神经网络模型对待分割器官图像进行分割之前，所述方法还包括：

对所述待分割器官图像进行预处理，以滤除所述待分割器官图像中的噪声。

3.根据权利要求1所述的器官图像分割方法，其特征在于，所述神经网络模型为深度全卷积网络模型。

4.根据权利要求3所述的器官图像分割方法，其特征在于，所述深度全卷积网络模型通过以下步骤训练得到：

获取原始训练样本，所述原始训练样本包括原始器官训练图像和与所述原始器官训练图像对应的标签图像，所述标签图像为已标注出器官的器官图像；

对所述原始训练样本进行扩展，得到扩展后的训练样本，所述扩展后的训练样本包括扩展后的器官训练图像和与所述扩展后的器官训练图像对应的标签图像；

设置深度全卷积网络模型的模型参数的初始值；以及

根据所述扩展后的训练样本和所述模型参数的初始值对预先搭建的深度全卷积网络模型进行训练，直至满足预设训练结束条件。

5.根据权利要求4所述的器官图像分割方法，其特征在于，所述根据所述扩展后的训练样本和模型参数的初始值对预先搭建的深度全卷积网络模型进行训练，具体为：

根据所述扩展后的训练样本和模型参数的初始值采用随机梯度下降法对预先搭建的深度全卷积网络模型进行训练。

6.根据权利要求5所述的器官图像分割方法，其特征在于，所述预设训练结束条件为扩展后的训练样本中的器官图像的预测结果与对应的标签图像的误差值收敛到预设误差值。

7.根据权利要求6所述的器官图像分割方法，其特征在于，所述根据所述扩展后的训练样本和模型参数的初始值采用随机梯度下降法对预先搭建的深度全卷积网络模型进行训练，具体包括：

步骤A：将扩展后的器官图像作为深度全卷积网络模型的输入，根据模型参数的初始值，获取所述扩展后的器官图像的预测结果；

步骤B：根据所述预测结果和所述扩展后的器官图像对应的标签图像，计算损失函数值；以及

步骤C：判断所述损失函数值是否收敛到预设值，如果是，训练结束，如果否，调整模型参数，并将所述模型参数的初始值更新为调整后的模型参数，返回执行所述步骤A。

8.根据权利要求1所述的器官图像分割方法，其特征在于，所述根据所述初始器官分割图像计算区域生长的种子点位置，具体包括：

采用最大连通域法去除所述初始器官分割图像上的小目标区域，以获得区域图像；以及

根据体数据，选择所述区域图像的至少一层的二维图像作为种子点所在区域，分别进行最大连通域分析，并将所述最大连通域的中心点作为种子点。

9.根据权利要求1所述的器官图像分割方法，其特征在于，所述合并阈值包括上限阈值和下限阈值，所述上限阈值和所述下限阈值的计算步骤包括：

计算所述初始器官分割图像的像素值的均值和标准差；以及

根据所述像素值的均值和标准差计算所述上限阈值和所述下限阈值，其中，上限阈值＝均值+标准差，下限阈值＝均值-标准差。

10.根据权利要求9所述的器官图像分割方法，其特征在于，所述均值和所述标准差通过如下步骤得到：

对所述初始器官分割图像进行图像直方图统计，以获得图像直方图；

根据所述图像直方图进行正态分布曲线的拟合；以及

根据拟合出来的正态分布曲线计算得到所述均值和标准差。