[发明专利]多模态图像分割方法、装置、电子设备和存储介质

说明书

本发明提供了一种多模态图像分割方法、装置、电子设备和存储介质，该分割方法包括获取多个模态下的待分割图像；对所获取的多个模态下的待分割图像进行第一预处理，以将多个模态下的待分割图像进行配准；以及采用预先训练好的全卷积神经网络模型对经过第一预处理后的多个模态下的待分割图像进行分割，以得到分割后的图像；其中，全卷积神经网络模型包括重标定模块，所述重标定模块用于对输入图像的通道和/或空间进行权重重分配。本发明可以抑制不相关通道和/或空间特征信息，增强相关通道和/或空间特征信息，有效提高了整体分割算法的精度，同时也可以减少人机交互的繁琐操作，可以更好地辅助医生。

技术领域

本发明涉及图像处理技术领域，特别涉及一种多模态图像分割方法、装置、电子设备和存储介质。

背景技术

脑肿瘤是由局部组织不可控的细胞增殖形成的一种异常组织，在临床上脑肿瘤是形式多样的，这限制了脑肿瘤的早期诊断和治疗。随着医学影像技术的发展，核磁共振成像(MRI)成为诊断脑肿瘤疾病的主要方法之一，因此对脑肿瘤MRI图像分割具有重要的意义，根据脑肿瘤分割的精确结果，医生可以获得肿瘤的形态、大小和位置等信息，用于辅助手术导航和放射靶区定位等，进一步帮助医生给患者制定个性化的治疗方案。

自动脑肿瘤MRI图像分割具有一定的技术挑战，主要体现在以下方面：(1)脑肿瘤个体差异大，会出现在大脑的任何位置，其形状、结构和大小各不相同，(2)部分脑肿瘤，显弥漫和浸润性生长，(3)脑组织的结构复杂，正常的脑组织包括灰质、白质、脑室和脑脊液等，病变组织包括肿瘤和水肿区域，其中肿瘤又包括坏死区、增强区和非增强区。

目前脑肿瘤的分割方法包括：(1)依靠经验丰富的医学专家进行手动分割；(2)基于阈值的分割方法；(3)基于区域的分割方法；(4)基于深度学习的分割方法。

然而现有的脑肿瘤的分割方法存在以下缺点：

(1)、手动脑肿瘤分割方法结果不仅差异化大而且需要花费大量的时间和精力。

(2)、基于阈值分割方法无法充分利用图像的信息会导致分割精度不高。

(3)、基于区域分割方法受限于肿瘤的多样性很难设置普适性迭代条件，导致分割精度不高。

(4)、基于深度学习分割方法，相对传统方法有了一定精度提高，但大多数网络模型的通道和空间都具有相同权重贡献，这会限制分割精度进一步提高。

发明内容

本发明的目的在于提供一种多模态图像分割方法、装置、电子设备和存储介质，不仅可以提高整体分割算法的精度，还可以有效减少人机交互的繁琐操作。

为达到上述目的，本发明提供一种多模态图像分割方法，包括：

获取多个模态下的待分割图像；

对所获取的多个模态下的待分割图像进行第一预处理，以将所述多个模态下的待分割图像进行配准；以及

采用预先训练好的全卷积神经网络模型对经过第一预处理后的所述多个模态下的待分割图像进行分割，以得到分割后的图像；

其中，所述全卷积神经网络模型包括重标定模块，所述重标定模块用于对输入图像的通道和/或空间进行权重重分配。

可选的，所述重标定模块包括通道重标定子模块和/或空间重标定子模块，所述通道重标定子模块用于对输入图像的通道进行权重重分配，所述空间重标定子模块用于对输入图像的空间进行权重重分配。

可选的，所述采用预先训练好的全卷积神经网络模型对经过第一预处理后的所述多个模态下的待分割图像进行分割的步骤包括：

对经过第一预处理后的所述多个模态下的待分割图像进行第二预处理，以将各个模态下的待分割图像中的噪声去除；以及