[发明专利]基于深度学习的图像分割方法、装置、设备和存储介质

说明书

本发明实施例公开了一种基于深度学习的图像分割方法、装置、终端设备和存储介质。基于对脏器图像数据中的样本图像数据的分割标记操作得到训练集，所述脏器图像数据通过对脏器扫描得到；生成初始图像分割模型，将所述训练集输入所述初始图像分割模型进行模型训练，以获得用于图像结构分割的图像分割模型，所述初始图像分割模型在U‑Net框架的中心层添加与所述U‑Net框架的解码器分支并行的正则约束分支得到，所述正则约束分支用于对所述U‑Net框架的编码器分支进行正则约束；将待分割的脏器图像数据输入到所述图像分割模型，以对所述待分割的脏器图像数据进行分割标记。通过对U‑Net网络中的编码器权重进行额外的约束，可以提取到图像数据中更加鲁棒的特征。

技术领域

本发明实施例涉及图像处理技术领域，尤其涉及基于深度学习的图像分割方法、装置、终端设备和存储介质。

背景技术

近年来，通过无创的成像技术能够便捷获取脑部影像数据，并经影像学分析，可对大脑的解剖结构和内部病变进行定量分析，并作为疾病诊断和治疗的有效依据。核磁共振成像(Magnetic Resonance Imaging，MRI)技术是进行脑部影像分析的有效技术手段。脑部核磁共振图像各解剖结构(例如：灰质、白质、脑脊液等)的自动分割是脑部各组织区域进行定量分析的基础，同时也是病灶分析、三维可视化、手术导航的关键基础步骤。因此，研究精确、快速、高效的脑结构自动分割方法意义重大。

脑部的核磁共振图像能够显示大脑内部复杂的解剖结构。由于图像存在一定的边界模糊、低对比度、低空间分辨率、部分容积效应，以及各组织结构形态差异巨大等问题，使得脑MRI图像的结构分割难度大幅增加。

传统的脑结构分割方法主要以手动分割和半自动分割方法为主。手动分割方法费时耗力、过程枯燥、成本昂贵，分割结果严重受到个人经验的影响，且分割结果很难复现。半自动分割方法主要包括：基于灰度的方法(阈值方法、区域生长、模糊聚类等)、基于概率图谱的方法、基于主动轮廓的方法(测地线方法和水平集方法等)，这些方法仍然依赖操作者的先验交互操作，分割精度和效率均难达到实际应用水平。

目前，在医学图像分割领域，基于深度学习的图像分割方法发展迅速。与传统方法相比，基于深度学习的图像分割方法在分割精度和全自动分割方面极具优势。

但是发明人在基于深度学习的图像分割方法进行脑部核磁共振图像的分割时发现，现有基于深度学习的图像分割方法因为神经网络结构的设计原因，在发生输入信息的有限摄动时，输出结果的准确性会降低，整个分割系统的鲁棒性较差。并且，该现象较为普遍，除脑部MRI图像分割外，在其他脏器和模态的数据分割中，同样存在鲁棒性不足问题。

发明内容

本发明提供了一种基于深度学习的图像分割方法、装置、终端设备和存储介质，以解决现有技术在进行图像中区域划分明显的数据分割时鲁棒性不足的技术问题。

第一方面，本发明实施例提供了一种基于深度学习的图像分割方法，包括：

基于对脏器图像数据中的样本图像数据的分割标记操作得到训练集，所述脏器图像数据通过对脏器扫描得到；

生成初始图像分割模型，将所述训练集输入所述初始图像分割模型进行模型训练，以获得用于图像结构分割的图像分割模型，所述初始图像分割模型在U-Net框架的中心层添加与所述U-Net框架的解码器分支并行的正则约束分支得到，所述正则约束分支用于对所述U-Net框架的编码器分支进行正则约束；

将待分割的脏器图像数据输入到所述图像分割模型，以对所述待分割的脏器图像数据进行分割标记。

第二方面，本发明实施例还提供了一种基于深度学习的图像分割装置，包括：

训练集生成单元，用于基于对脏器图像数据中的样本图像数据的分割标记操作得到训练集，所述脏器图像数据通过对脏器扫描得到；