深度学习网络模型以及医疗图像分割方法、装置和系统.pdf

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202310245416.9(22)申请日 2023.03.15(71)申请人 深圳市联影高端医疗装备创新研究院地址 518048 广东省深圳市福田区福田保税区槟榔道3号深九科技创业园B栋8-13层(72)发明人 唐俊遥(74)专利代理机构 杭州华进联浙知识产权代理有限公司 33250专利代理师 何晓春(51)Int.Cl.G06T 7/11(2017.01)G06T 7/33(2017.01)G06N 3/045(2023.01)G06N 3/08(2023.01)(54)发明名称深度学习网络模

2、型以及医疗图像分割方法、装置和系统(57)摘要本申请涉及一种深度学习网络模型以及医疗图像分割方法、装置和系统，其中，该深度学习网络模型包括：解码网络、编码网络和中间网络；所述解码网络和所述编码网络之间通过所述中间网络实现跳跃连接，所述中间网络包括空洞卷积自注意力机制块；所述空洞卷积自注意力机制块包括空洞卷积堆叠块和空间自注意力机制块，所述空洞卷积堆叠块的输出端与所述空间自注意力机制块的输入端连接；所述空洞卷积堆叠块包括多个相互堆叠的空洞卷积核，多个所述空洞卷积核的大小各不相同。该深度学习模型可以有效地兼容不同形状、大小的目标部位，从而可以更加准确地对目标图像进行分割。可以解决现有深度学习模型无

3、法有效准确地对目标磁共振图像进行分割的问题。权利要求书2页 说明书14页 附图6页CN 115953420 A2023.04.11CN 115953420 A1.一种深度学习网络模型，其特征在于，所述网络模型包括：编码网络（100）、解码网络（200）和中间网络（300）；所述编码网络（100）和所述解码网络（200）之间通过所述中间网络（300）实现跳跃连接，所述中间网络（300）包括空洞卷积自注意力机制块（400）；所述空洞卷积自注意力机制块（400）包括空洞卷积堆叠块（410）和空间自注意力机制块（420），所述空洞卷积堆叠块（410）的输出端与所述空间自注意力机制块（420）的输入端连

4、接；所述空洞卷积堆叠块（410）包括多个相互堆叠的空洞卷积核（411），多个所述空洞卷积核（411）的大小各不相同。2.根据权利要求1所述的深度学习网络模型，其特征在于，所述空洞卷积核（411）至少为四个。3.根据权利要求1所述的深度学习网络模型，其特征在于，所述空洞卷积堆叠块（410）还包括与所述空洞卷积核（411）堆叠的第一卷积核（412），所述第一卷积核（412）的大小为133；所述第一卷积核（412）和多个所述空洞卷积核（411）通道叠加后，通过第二卷积核（430）与所述空间自注意力机制块（420）连接，所述第二卷积核（430）的大小为111。4.根据权利要求1所述的深度学习网络模型，

5、其特征在于，所述空间自注意力机制块（420）包括：最大值池化通道（421）、用于在通道层面求特征图平均值的第一通道（422）、用于在通道层面求特征图最小值的第二通道（423）、感知神经网络（424）和激活函数（425）；所述最大值池化通道（421）、所述第一通道（422）和所述第二通道（423）堆叠后，通过所述感知神经网络（424）与所述激活函数（425）连接。5.根据权利要求1所述的深度学习网络模型，其特征在于，所述中间网络（300）还包括与所述空洞卷积自注意力机制块（400）堆叠的可变形三维卷积块（500）。6.一种图像分割方法，其特征在于，所述分割方法包括：获取待分割的第一图像；采用训练

6、后的深度学习网络模型对所述第一图像进行病灶分割，得到所述第一图像的病灶分割结果；其中，所述深度学习网络模型为权利要求1至权利要求5中任一项所述的深度学习网络模型。7.根据权利要求6所述的图像分割方法，其特征在于，所述图像为多模态磁共振图像；所述获取待分割的第一图像包括：获取第二图像，所述第二图像包括第一弥散加权成像模态图像和表观弥散系数模态图像；根据所述第一弥散加权成像模态图像和所述表观弥散系数模态图像以及弥散加权指数公式，得到第二弥散加权成像模态图像；根据所述第二弥散加权成像模态图像和所述表观弥散系数模态图像得到所述第一图像；其中，所述第二弥散加权成像模态图像的弥散敏感因子高于所述第一弥散加

7、权成像模态图像。权利要求书1/2 页2CN 115953420 A28.根据权利要求6所述的图像分割方法，其特征在于，所述图像为多模态磁共振图像；所述获取待分割的第一图像包括：获取第二图像，所述第二图像包括多个第一弥散加权成像模态图像；根据多个所述第一弥散加权成像模态图像和弥散加权指数公式，得到第二弥散加权成像模态图像；根据多个所述第二弥散加权成像模态图像得到所述第一图像；其中，所述第二弥散加权成像模态图像的弥散敏感因子高于所述第一弥散加权成像模态图像。9.根据权利要求7所述的图像分割方法，其特征在于，所述分割方法还包括：对所述第二图像进行刚性配准，对所述第一图像进行归一化处理。10.根据权利

8、要求6所述的图像分割方法，其特征在于，所述分割方法还包括：采用预设训练方法对所述深度学习网络模型进行训练；所述预设训练方法包括：采用分割网络对样本图像进行分区分割，得到所述样本图像的分区分割结果；根据所述分区分割结果和先验信息生成分区概率图；通过所述样本图像和所述分区概率图对所述深度学习网络模型进行训练。11.根据权利要求10所述的图像分割方法，其特征在于，所述样本图像为样本多模态磁共振图像，所述样本多模态磁共振图像包括第一样本弥散加权成像模态图像；所述预设训练方法还包括：根据所述第一样本弥散加权成像模态图像和弥散加权指数公式，得到第二样本弥散加权成像模态图像；其中，所述第二样本弥散加权成像模

9、态图像的弥散敏感因子高于所述第一样本弥散加权成像模态图像。12.根据权利要求10所述的图像分割方法，其特征在于，所述通过所述样本图像和所述分区概率图对所述深度学习网络模型进行训练包括：在所述样本图像中标注目标分割区域，生成所述样本图像的标签；通过标注后的所述样本图像和所述分区概率图对所述深度学习网络模型进行训练。13.一种图像分割装置，其特征在于，所述分割装置包括：图像获取模块，用于获取待分割的图像；图像分割模块，用于采用训练后的深度学习网络模型对所述图像进行病灶分割，得到所述图像的病灶分割结果；其中，所述深度学习网络模型为权利要求1至权利要求5中任一项所述的深度学习网络模型。14.一种图像的

10、分割系统，其特征在于，所述分割系统用于执行权利要求6至权利要求12中任一项所述的图像分割方法。权利要求书2/2 页3CN 115953420 A3深度学习网络模型以及医疗图像分割方法、装置和系统技术领域0001本申请涉及图像处理领域，特别是涉及一种深度学习网络模型以及医疗图像分割方法、装置和系统。背景技术0002磁共振（MR）成像相比于电子计算机断层扫描（CT）成像和超声成像，磁共振成像有很多显著的优点，对软组织分辨率高，可以多参数成像，能对任意断层进行扫描等。因此，磁共振成像更加适用于具有病灶体积小且轮廓模糊等特点的疾病的辅助治疗。0003示例性地，临床上主要使用磁共振成像来对前列腺癌进行诊

11、断。传统的人工阅片方法耗时长，且易受主观因素影响。计算机辅助诊断系统可有效提高医生诊断的效率和准确率。但是由于前列腺癌病灶具有体积小、轮廓模糊等特点，使用磁共振图像进行前列腺癌自动检测非常具有挑战性。前列腺磁共振图像的分割在临床应用和研究中有着极为重要的地位，医生可以通过前列腺磁共振图像的分割结果检测前列腺的大小及形状，这能帮助医生更好地诊断患者的病情并为以后治疗方案的设计打下基础。但是前列腺磁共振图像成像模糊，灰度分布不均匀而且前列腺的形状也因人而异，而现有的深度学习模型由于模型结构较为简单，无法侧重于前列腺中发病率更高部位的检测，同时也无法较好的兼容不同形状、大小的前列腺，进而无法有效准确

12、地对前列腺磁共振图像进行分割。0004同样的，面对具有上述特点的其他病症磁共振图像，现有的深度学习模型无法有效准确地对其进行分割。0005针对现有的深度学习模型无法较好的兼容不同形状、大小的目标部位，进而无法有效准确地对目标磁共振图像进行分割的问题，目前还没有提出有效的解决方案。发明内容0006在本发明中提供了一种深度学习网络模型以及医疗图像分割方法、装置和系统，以解决相关技术中深度学习模型无法较好的兼容不同形状、大小的目标部位，进而无法有效准确地对目标磁共振图像进行分割的问题。0007第一个方面，在本发明中提供了一种深度学习网络模型，所述网络模型包括：编码网络、解码网络和中间网络；所述编码网

13、络和所述解码网络之间通过所述中间网络实现跳跃连接，所述中间网络包括空洞卷积自注意力机制块；所述空洞卷积自注意力机制块包括空洞卷积堆叠块和空间自注意力机制块，所述空洞卷积堆叠块的输出端与所述空间自注意力机制块的输入端连接；所述空洞卷积堆叠块包括多个相互堆叠的空洞卷积核，多个所述空洞卷积核的大小各不相同。0008在其中的一些实施例中，所述空洞卷积核至少为四个。0009在其中的一些实施例中，所述空洞卷积堆叠块还包括与所述空洞卷积核堆叠的第说明书1/14 页4CN 115953420 A4一卷积核，所述第一卷积核的大小为133；所述第一卷积核和多个所述空洞卷积核通道叠加后，通过第二卷积核与所述空间自注

14、意力机制块连接，所述第二卷积核的大小为111。0010在其中的一些实施例中，所述空间自注意力机制块包括：最大值池化通道、用于在通道层面求特征图平均值的第一通道、用于在通道层面求特征图最小值的第二通道、感知神经网络和激活函数；所述最大值池化通道、所述第一通道和所述第二通道堆叠后，通过所述感知神经网络与所述激活函数连接。0011在其中的一些实施例中，所述中间网络还包括与所述空洞卷积自注意力机制块堆叠的可变形三维卷积块。0012第二个方面，在本发明中提供了一种图像分割方法，所述分割方法包括：获取待分割的第一图像；采用训练后的深度学习网络模型对所述第一图像进行病灶分割，得到所述第一图像的病灶分割结果；

15、其中，所述深度学习网络模型为第一个方面中所述的深度学习网络模型。0013在其中的一些实施例中，所述图像为多模态磁共振图像；所述获取待分割的第一图像包括：获取第二图像，所述第二图像包括第一弥散加权成像模态图像和表观弥散系数模态图像；根据所述第一弥散加权成像模态图像和所述表观弥散系数模态图像以及弥散加权指数公式，得到第二弥散加权成像模态图像；根据所述第二弥散加权成像模态图像和所述表观弥散系数模态图像得到所述第一图像；其中，所述第二弥散加权成像模态图像的弥散敏感因子高于所述第一弥散加权成像模态图像。0014在其中的一些实施例中，所述图像为多模态磁共振图像；所述获取待分割的第一图像包括：获取第二图像，

16、所述第二图像包括多个第一弥散加权成像模态图像；根据多个所述第一弥散加权成像模态图像和弥散加权指数公式，得到第二弥散加权成像模态图像；根据多个所述第二弥散加权成像模态图像得到所述第一图像；其中，所述第二弥散加权成像模态图像的弥散敏感因子高于所述第一弥散加权成像模态图像。0015在其中的一些实施例中，所述分割方法还包括：对所述第二图像进行刚性配准，对所述第一图像进行归一化处理。0016在其中的一些实施例中，所述分割方法还包括：采用预设训练方法对所述深度学习网络模型进行训练；所述预设训练方法包括：采用分割网络对样本图像进行分区分割，得到所述样本图像的分区分割结果；说明书2/14 页5CN 11595

17、3420 A5根据所述分区分割结果和先验信息生成分区概率图；通过所述样本图像和所述分区概率图对所述深度学习网络模型进行训练。0017在其中的一些实施例中，所述样本图像为样本多模态磁共振图像，所述样本多模态磁共振图像包括第一样本弥散加权成像模态图像；所述预设训练方法还包括：根据所述第一样本弥散加权成像模态图像和弥散加权指数公式，得到第二样本弥散加权成像模态图像；其中，所述第二样本弥散加权成像模态图像的弥散敏感因子高于所述第一样本弥散加权成像模态图像。0018在其中的一些实施例中，所述通过所述样本图像和所述分区概率图对所述深度学习网络模型进行训练包括：在所述样本图像中标注目标分割区域，生成所述样本

18、图像的标签；通过标注后的所述样本图像和所述分区概率图对所述深度学习网络模型进行训练。0019第三个方面，在本发明中提供了一种图像分割装置，所述分割装置包括：图像获取模块，用于获取待分割的图像；图像分割模块，用于采用训练后的深度学习网络模型对所述图像进行病灶分割，得到所述图像的病灶分割结果；其中，所述深度学习网络模型为第一个方面中所述的深度学习网络模型。0020第四个方面，在本发明中提供了一种图像的分割系统，其特征在于，所述分割系统用于执行上述第二个方面所述的图像分割方法。0021第五个方面，在本发明中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第二个方面所述的图像分割

19、方法。0022与相关技术相比，在本发明中提供的深度学习网络模型以及医疗图像分割方法、装置和系统，通过空洞卷积自注意力机制块实现编码网络和解码网络的跳跃连接。空洞卷积堆叠块由多个相互堆叠的空洞卷积核构成，多个空洞卷积核的大小各不相同。因此，该深度学习模型可以有效地兼容不同形状、大小的目标部位，从而可以更加准确地对目标图像进行分割。比如将该深度学习网络模型应用至磁共振扫描领域，可以解决现有深度学习模型无法有效准确地对目标磁共振图像进行分割的问题。0023本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。附图说明0024此处所说明的附图用来提供对本申

20、请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1是执行本发明的图像分割方法的终端硬件结构框图；图2是本发明的实施例中的深度学习网络模型的结构图；图3是本发明的一些实施例中的深度学习网络模型的结构图；图4是本发明的一种实施例中的空洞卷积自注意力机制块的结构图；说明书3/14 页6CN 115953420 A6图5是本发明的一些实施例中的空间自注意力机制块的结构图；图6是本发明的一些实施例中的中间网络的结构图；图7是本发明的实施例中的图像分割方法的流程图；图8是本发明的具体实施例中的图像分割方法的流程图；图9是本发明的实施例

21、中的图像分割装置的结构框图。具体实施方式0025为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。0026除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块（单元）的过程、方法和系统、产品或设备并未限定于列出的步骤或模块（单元），而可包括未列出的步骤或模块（单元），或者可包

22、括这些过程、方法、产品或设备固有的其他步骤或模块（单元）。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。0027在本实施例中提供的方法实施例可以在终端、计算机或者类

23、似的运算装置中执行。比如在终端上运行，图1是执行本发明的图像分割方法的终端硬件结构框图。如图1所示，终端可以包括一个或多个（图1中仅示出一个）处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。0028存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本发明中的图像

24、分割方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。0029传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（Networ

25、k Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频（RadioFrequency，简称为RF）模块，其用说明书4/14 页7CN 115953420 A7于通过无线方式与互联网进行通讯。0030在本发明中提供了一种深度学习网络模型，图2是本发明的实施例中的深度学习网络模型的结构图，如图2所示，深度学习网络模型包括：编码网络100、解码网络200和中间网络300；编码网络100和解码网络200之间通过中间网络300实现跳跃连接，中间网络300包括空洞卷积自注意力机制块400。具体的，编码网络1

26、00和解码网络200通常为多层结构。比如可以在分别解码网络200和编码网络100中进行四次采样操作。0031图3是本发明的一些实施例中的深度学习网络模型的结构图。参照图3，示例性地，在编码网络100中进行4次2倍下采样，因此每层结构包括一个残差卷积块和一个2倍下采样卷积。在解码网络200中进行4次2倍上采样，因此每层结构包括一个残差卷积块和一个2倍上采样卷积。编码网络100通过常见卷积块600与解码网络200常规连接之外，还会通过中间网络300实现跳跃连接。中间网络300可以为多个，比如通过跳跃连接，可以直接将编码网络100的第一层结构与解码网络200的第一层结构连接，以及直接将编码网络100

27、的第二层结构与解码网络200的第二层结构连接等。跳跃连接主要是为了减少图像降采样等操作，从而可以降低图像信息损失。0032其中，空洞卷积自注意力机制块400包括空洞卷积堆叠块410和空间自注意力机制块420，空洞卷积堆叠块410的输出端与空间自注意力机制块420的输入端连接；空洞卷积堆叠块410包括多个相互堆叠的空洞卷积核411，多个空洞卷积核411的大小各不相同。具体的，编码网络100中残差卷积块的输出作为空洞卷积堆叠块410的输入，空洞卷积堆叠块410产生的输出作为空间自注意力机制块420的输入，而空间自注意力机制块420产生的输出作为解码网络200中相应残差卷积块的输入。进一步优化的，空

28、洞卷积堆叠块410由多个相互堆叠的空洞卷积核411构成。也就是说，多个空洞卷积核411会分别对输入空洞卷积自注意力机制块400的特征图进行卷积处理，多个通道的卷积结果堆叠后输入至空间自注意力机制块420中。多个空洞卷积核411的大小各不相同，可以针对不同尺度的特征图进行卷积操作，从而可以扩大网络的感受野，也更好的泛化大小差异较大的各种类型图像。而在空间自注意力机制块420中，可以让网络更加注意图像的目标区域，甚至是很小的目标区域。0033本发明中提出的深度学习网络模型，通过空洞卷积自注意力机制块400实现编码网络100和解码网络200的跳跃连接。空洞卷积堆叠块410由多个相互堆叠的空洞卷积核4

29、11构成，多个空洞卷积核411的大小各不相同。因此，该深度学习模型可以有效地兼容不同形状、大小的目标部位，从而可以更加准确地对目标图像进行分割。比如将该深度学习网络模型应用至磁共振扫描领域，可以解决现有深度学习模型无法有效准确地对目标磁共振图像进行分割的问题。0034在其中的一些实施例中，空洞卷积核411为四个，四个空洞卷积核411的大小分别为133、155、177、199。其中，卷积一般为二维数组，因此上述四个空洞卷积核411的大小也可以表示为33、55、77、99，而其中1表示卷积核的深度。因此，本实施例中，四个大小不同的空洞卷积核411相互堆叠也可以理解为四个卷积层相互堆叠，每个卷积层中

30、的卷积核深度均为1，长宽分别为33、55、77、99。采用不同大小的空洞卷积核411分别对输入空洞卷积堆叠块410的特征图进行特征提取，可以扩大网络的感受野，也更好的泛化大小差异较大的各种类型。0035需要说明的是，上述仅是对空洞卷积核411的数量和大小的示例性说明，除了采用说明书5/14 页8CN 115953420 A8四个空洞卷积核之外，也可以采用更少的空洞卷积核，或是采用更多的空洞卷积核，比如五个、六个、八个甚至更多。空洞卷积核411的大小还可以为11111、11313、11515等。0036图4是本发明的一种实施例中的空洞卷积自注意力机制块的结构图。参照图4，进一步的，在一些具体的实

31、施例中，空洞卷积堆叠块410还包括与空洞卷积核411堆叠的第一卷积核412，第一卷积核412的大小为133；第一卷积核412和多个空洞卷积核411通道叠加后，通过第二卷积核430与空间自注意力机制块420连接，第二卷积核430的大小为111。空洞卷积堆叠块410包括多个大小不同的空洞卷积核411之外，还包括一个大小为33的第一卷积核412，该卷积核可以采用普通卷积核。其作用主要是特征图信息的保真，防止模型信息传递失真。以及，空洞卷积堆叠块410中所有不同卷积核的输出通道叠加后连接有一个大小为111的第二卷积核430，所有通道的输出经过该卷积核处理后输入空间自注意力机制块420中。0037图5是

32、本发明的一些实施例中的空间自注意力机制块的结构图。参照图5，在其中的一些实施例中，空间自注意力机制块420包括：最大值池化通道421、用于在通道层面求特征图平均值的第一通道422、用于在通道层面求特征图最小值的第二通道423、感知神经网络424和激活函数425；最大值池化通道421、第一通道422和第二通道423堆叠后，通过感知神经网络424与激活函数425连接。具体的，空间自注意力机制块420前半部分主要由最大值池化通道421和第一通道422以及和第二通道423堆叠构成，分别对输入空间自注意力机制块420的特征图进行最大值池化操作，以及在通道层面求特征图的平均值和最小值。空间自注意力机制块4

33、20可以让网络更注意目标区域，甚至很小的目标区域，分别将特征图做最大值池化操作、在通道层面取特征图平均值和最小值，将得到的3个空间特征图叠加到一起，经感知神经网络424和激活函数425后，基于得到的特征图即可获得每个空间像素的权重，然后将获取的权重与输入空间自注意力机制块420的特征图相乘，即实现特征图空间层面的权重赋值。其中，激活函数425可以是Sigmoid激活函数。0038图6是本发明的一些实施例中的中间网络的结构图。参照图6，在其中的一些实施例中，中间网络300还包括与空洞卷积自注意力机制块400堆叠的可变形三维卷积块500。具体的本实施例中，中间网络300除了包括空洞卷积自注意力机制

34、块400之外，还包括可变形三维卷积块500，可变形三维卷积块500与空洞卷积自注意力机制块400堆叠，两者同时对输入中间网络300的特征图进行处理，且输出通道相互叠加，两者的输出结果叠加后作为中间网络300的最终输出结果，也就是解码网络200的输入。可变形三维卷积块500是指标准卷积操作中采样位置增加了一个偏移量补偿，这样卷积核就能在训练过程中扩展到很大的范围，以防止网络模型在某些区域出现漏检等情况，同时能兼顾网络对不同形态目标区域的泛化性。0039在本发明中还提供了一种图像分割方法，图7是本发明的实施例中的图像分割方法的流程图。如图7所示，该流程包括如下步骤：步骤S710，获取待分割的第一图

35、像；步骤S720，采用训练后的深度学习网络模型对第一图像进行病灶分割，得到第一图像的病灶分割结果；其中，深度学习网络模型为本发明中提出的深度学习网络模型。0040本发明中提出的图像分割方法，主要采用本发明中所提出的深度学习网络模型对说明书6/14 页9CN 115953420 A9图像进行分割。首先是获取待分割图像，然后将该图像输入训练后的深度学习网络模型中，网络模型则会输出图像的分割结果，得到目标分割区域。其中，待分割的图像可以是医疗图像，从而利用本发明中的分割方法，可以有效分割出医疗图像中的病灶区域。进而在医疗领域，本发明中的图像分割方法可以用于辅助疾病诊断，判断患者是否出现相应疾病。示例

36、性地，医疗图像可以是前列腺磁共振图像。前列腺癌病灶具有体积小、轮廓模糊等特点，因此分割前列腺磁共振图像存在一定的挑战性，而本发明中的深度学习网络模型中采用了空洞卷积堆叠块，其由不同大小的空洞卷积核组成，不同的空洞卷积可以获取不同层次的图像感受野，可以兼顾不同大小、不同形态的病灶，同时设计了一个普通卷积层用于特征图信息的保真，防止模型信息传递失真，加上可变性卷积和空间自注意力机制的协助，可以从各方面提高网络模型的泛化性。0041相应的，医疗图像还可以是人体其他部位的磁共振图像，比如心脏磁共振图像、脑部磁共振图像等。0042本发明中的图像分割方法应用于磁共振图像领域时，图像为多模态磁共振图像，多模

37、态磁共振图像包括DWI（弥散加权成像）图像，分割方法还包括：基于弥散加权指数公式和低B值（弥散敏感因子）的DWI图像，得到高B值的DWI图像，并对高B值的DWI图像进行分割。具体的，磁共振图像通常包括多种模态，主要包含T2W（T2加权成像）、ADC（表观弥散系数）、DWI、DCE（动态对比增强）、抑脂的T2W等多种模态。其中，高B值的DWI图像有利于病灶的检出，而通常从磁共振扫描设备中获取的初始DWI图像的B值较低，因此实施例中还会基于低B值的DWI图像，得到高B值的DWI图像。在磁共振扫描领域，通常认定B值低于1400时为低B值，B值高于1400时为高B值。其中具体的，得到高B值的DWI图像

38、的方法可以分为两种。一种是基于多个低B值的DWI图像，另一种是基于一个ADC图像和一个低B值DWI图像。分别对应下述两个具体实施例。0043在其中一个实施例中，步骤S710，获取待分割的第一图像包括：步骤S711，获取第二图像，第二图像包括第一弥散加权成像模态图像和表观弥散系数模态图像；步骤S712，根据第一弥散加权成像模态图像和表观弥散系数模态图像以及弥散加权指数公式，得到第二弥散加权成像模态图像；步骤S713，根据第二弥散加权成像模态图像和表观弥散系数模态图像得到第一图像；其中，第二弥散加权成像模态图像的弥散敏感因子高于第一弥散加权成像模态图像。本实施例中，第一弥散加权成像模态图像是低B值

39、DWI图像，第二弥散加权成像模态图像是高B值DWI图像。主要通过一个ADC图像和一个低B值DWI图像得到高B值DWI图像。0044示例性地，弥散加权指数公式可以是：其中，S1为待计算的高B值DWI模态的矩阵，S0为低B值的DWI模态的矩阵，ADC为ADC模态的矩阵，b1为待算的高B值数值，b0为低B值数值。0045弥散加权指数公式还可以是：其中，S1为待计算的高B值DWI矩阵，S0为低B值的DWI矩阵，ADC为ADC模态的矩阵，b为高B值与低B值之间的数值差。说明书7/14 页10CN 115953420 A100046通过上述弥散加权指数公式，可以基于一个ADC图像和一个低B值DWI图像，计

40、算得到高B值DWI图像。0047在另一个实施例中，步骤S710，获取待分割的第一图像包括：步骤S714，获取第二图像，第二图像包括多个第一弥散加权成像模态图像；步骤S715，根据多个第一弥散加权成像模态图像和弥散加权指数公式，得到第二弥散加权成像模态图像；步骤S716，根据多个第二弥散加权成像模态图像得到第一图像；其中，第二弥散加权成像模态图像的弥散敏感因子高于第一弥散加权成像模态图像。本实施例中，第一弥散加权成像模态图像是低B值DWI图像，第二弥散加权成像模态图像是高B值DWI图像。主要通过多个低B值DWI图像得到高B值DWI图像。0048在其中的一些实施例中，分割方法还包括：步骤S730，

41、对第二图像进行刚性配准，对第一图像进行归一化处理。0049在本实施例中，当第二图像为磁共振图像时，由于磁共振图像包括多种模态图像，每个模态图像基本都需要重新扫描一次得到，每次扫描都会有一定时间间隔，进而导致各模态图像间有一定的运动，因此需要采用常规的刚性配准将各模态图像进行刚性配准。较优的，可以将T2W模态图像作为基准进行刚性配准。进一步的，可以将多模态图像数据进行归一化处理，也就是T2W、ADC、DWI（可以是高B值的，也可以是低B值的）等多种模态图像数据归一化。0050具体的，归一化公式如下：其中，x为待归一化的数据，为均值，为方差，x为归一化后的值。0051在其中的一些实施例中，分割方法

42、还包括：步骤S740，采用预设训练方法对深度学习网络模型进行训练。预设训练方法包括：步骤S741，采用分割网络对样本图像进行分区分割，得到样本图像的分区分割结果；步骤S742，根据分区分割结果和先验信息生成分区概率图；步骤S743，通过样本图像和分区概率图对深度学习网络模型进行训练。0052具体的，本发明中的分割方法主要是采用训练后的深度学习网络模型对图像进行分割，相应地，还需要对深度学习网络模型进行训练。与常规的模型训练步骤相比，本发明中还通过先验信息对样本图片进行预处理，从而提高模型训练效果和效率。首先是采用分割网络对样本图像进行分区分割，从而分割得到样本图像的不同部分，然后基于先验信息对

43、不同部分附加不同概率，该概率是相应图像部分存在目标区域的概率，从而分区概率图体现了图像的各个不同部分存在目标区域的概率。概率越高的图像部分越容易出现目标区域，通过分区概率图，可以使得深度学习模型更加集中于概率高的图像部分，从而更容易检测分割出目标区域。示例性的，对于前列腺磁共振图像而言，前列腺可以初步分为外周带区和中央腺体区，通过分割网络可以分割出前列腺的外周带区和中央腺体区，基于先验信息可知，前列腺外周带区出现癌灶的概率是中央腺体区的3倍，进而赋予前列腺外周带区和中央腺体区3:1的预设概率值，赋予概率值的分区结果输入至深度学习网络中，使得深度学习网络模型更加关注前列腺的外周带区（相比于中央腺

44、体区为3倍的关注程度），从而更容易检测分割出癌灶区域。说明书8/14 页11CN 115953420 A110053进一步的，分割网络可以是常见的UNet网络、FCN（全卷积神经网络）、VNet网络等。同时在对图像进行分区分割时，对于多模态的磁共振图像，可以对图像配准时的基准模态图像进行分区分割。比如，对于T2W、ADC、DWI三种模态的磁共振图像，若是以T2W模态图像为基准进行配准，则可以对T2W模态图像进行分区分割，相应的也会得到其他模态图像的分区结果。0054在其中的一些实施例中，样本图像为样本多模态磁共振图像，样本多模态磁共振图像包括第一样本弥散加权成像模态图像；预设训练方法还包括：步

45、骤S744，根据第一样本弥散加权成像模态图像和弥散加权指数公式，得到第二样本弥散加权成像模态图像；其中，第二样本弥散加权成像模态图像的弥散敏感因子高于第一样本弥散加权成像模态图像。0055具体的，第一样本弥散加权成像模态图像为低B值的样本DWI图像，第二样本弥散加权成像模态图像为高B值的样本DWI图像。如前文说明的，采用高B值的DWI图像有利于深度学习网络模型检测出病灶区域。因此在训练过程中，也需要对低B值的样本DWI图像进行处理，得到高B值的样本DWI图像。具体过程与步骤S710中的过程一致，主要也是通过一个样本ADC模态图像和一个低B值的样本DWI图像得到高B值的样本DWI图像，或者是通过

46、多个低B值的样本DWI图像得到高B值的样本DWI图像。0056示例性地，弥散加权指数公式可以是：其中，S1为待计算的高B值DWI模态的矩阵，S0为低B值的DWI模态的矩阵，ADC为ADC模态的矩阵，b1为待算的高B值数值，b0为低B值数值。0057弥散加权指数公式还可以是：其中，S1为待计算的高B值DWI矩阵，S0为低B值的DWI矩阵，ADC为ADC模态的矩阵，b为高B值与低B值之间的数值差。0058在其中的一些实施例中，步骤S743，通过样本图像和分区概率图对深度学习网络模型进行训练包括：在样本图像中标注目标分割区域，生成样本图像的标签；通过标注后的样本图像和分区概率图对深度学习网络模型进行

47、训练。0059具体的，在模型训练过程中，还需要生成样本标签。因此还需要预先在样本图像中标注目标区域，作为模型训练的金标准。示例性的，对于前列腺磁共振图像，借助常用的医学图像标注工具和病人相关的活检病理报告以及其他临床信息在T2W、ADC、DWI三个模态上标注前列腺癌灶区域，即获得图像金标准，作为模型训练集的标签。0060上述实施例分别对样本图像进行了不同的预处理。进一步具体的，模型训练过程如下：通过上述处理，可以基于样本图像构建训练集和测试集，模型训练主要使用训练集中的数据进行训练，并对图像进行归一化以及适当概率的裁剪、翻转等增强操作，最终相同尺寸的样本图像输入网络进行训练。0061构建基于先

48、验知识的多尺度空洞自注意力机制网络的学习函数为DoubleLoss，其实现原理如下：说明书9/14 页12CN 115953420 A12FocalLoss实现公式如下：其中，均为常数，通常设为0.25、2，为模型预测值。0062MultiTverskyLoss实现公式如下：其中，为模型预测值，为金标准，Wi为每种分割类别的权重，和 为权重系数，MultiTverskyLoss将每种类别根据其学习难易程度，分配不同的权重学习；当 =0.5时，此时TverskyLoss便退化为Dice系数（分子分母同乘于2），当 =1时，此时TverskyLoss便退化为Jaccard系数，一般设置 +=1，仅

49、需控制 和 便可以控制假阴性和假阳性之间的平衡。0063采用adam与权重衰减相结合对模型进行训练，adam可以根据模型的学习情况，自动调整学习率大小，而权重衰减设定在模型迭代至一定比例时，给予一定的衰减，其主要防止模型过拟合，起到一定正则化的作用。0064当模型的学习函数降低至不再降低时，模型设置早停机制，停止模型的训练。0065将上述训练获得的权重参数以及网络结构作为分割方法的核心模型。将测试集的数据送入该模型，即可获得测试集数据的目标区域的分割结果。0066下面通过该分割方法应用至前列腺磁共振图像中为例，对本发明中的技术方案进行说明。图8是本发明的具体实施例中的图像分割方法的流程图。参照

50、图8，分割方法用于分割前列腺磁共振图像包括如下步骤：步骤S810，收集原始图像：获取MR设备的多模态DICOM图像，主要包含T2W、ADC、DWI三种模态的图像，并将其匿名化并转换成常用的nii图像格式。0067步骤S820，图像数据预处理：首先对接收的图像进行有效性校验，校验正常后进行预处理。图像预处理主要包括两个方面：第一方面：由于输入数据包含多个模态MR数据，每个模态基本需要都需要重新扫描一次，每次扫描都会有一定时间间隔，进而导致各模态间有一定的运动等情况，因此需要采用常规的刚性配准将各模态以T2W为基准进行刚性配准。将配准后的T2W/ADC/DWI数据中，任取一个ADC模态以及已知低B