九州酷游血管分割方法、装置、电子设备及存储介质发明专利

　　下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

　　具体地，参见图2，将待分割图像201输入每个预先训练好的设定神经网络模型202，获得每个设定神经网络模型202对应的初始分割结果203。上述图像输入过程可以是串行输入，也可以是并行输入。初始分割结果的数量与设定神经网络模型的数量对应一致。

　　示例性地，S110包括：对待分割图像进行预处理生成预处理图像，其中，预处理包括分辨率重采样、灰度归一化及分块裁剪中的至少一种；分别将预处理图像输入至少两个预先训练的设定神经网络模型，生成与每个设定神经网络模型对应的初始分割结果。

　　其中，待分割图像是指包含需要分割的血管的医学图像，其可以是二维医学图像，也可以是三维医学图像。设定神经网络模型是指一个预先训练的，用于进行血管分割的基于深度学习的神经网络模型，例如可以是全卷积神经网络模块FCN、Mask-RCNN、DeepLab、U-Net，V-Net或SegNet等。设定神经网络模型是相对于本申请基于Boosting建模思想构建的加强型神经网络模型(简称强神经网络模型)而言，一个强神经网络模型至少需要组合2个设定神经网络模型来构建。本发明实施例中所涉及的多个设定神经网络模型中的各个设定神经网络模型可以是相同的神经网络模型，也可以是不同的神经网络模型。初始分割结果是指利用血管分割模型对待分割图像进行血管分割直接得到的结果。该初始分割结果中的各个灰度值表征其对应的图像为血管的概率。

　　本实施例提供的一种血管分割方法可适用于医学影像的血管分割，尤其适用于复杂器官中的血管分割，例如肝脏血管分割。该方法可以由血管分割装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在具有图像处理功能的电子设备中，例如台式电脑或服务器等。参见图1，本实施例的方法具体包括如下步骤：

　　S110、分别将待分割图像输入至少两个预先训练的设定神经网络模型，生成与每个设定神经网络模型对应的初始分割结果。

　　S120、利用每个设定神经网络模型对应的目标模型权重值，对各初始分割结果进行加权处理，生成加权分割结果。

　　其中，目标模型权重值是指一个设定神经网络模型对应的权重值，其用于对该设定神经网络模型输入的结果进行加权处理。目标模型权重值是本发明实施例的Boosting建模思想中将各个设定神经网络模型联合起来的因子，由此构建强神经网络模型。该目标模型权重值于训练设定神经网络模型时确定，每训练一个设定神经网络模型，便会相应地确定该训练的设定神经网络模型在构建强神经网络模型中的目标模型权重值。

　　具体地，参见图2，对于每一个设定神经网络模型202，将该设定神经网络模型202对应的目标模型权重值204配置为该设定神经网络模型202生成的初始分割结果203的权重值。之后，将每个初始分割结果203与其对应的目标模型权重值204相乘，并累加每个乘积值，便获得一个加权分割结果205。可以理解，该加权分割结果仍然是一个概率图像。

　　具体地，以肝脏血管分割为例，先对待分割图像进行分辨率重采样，获得重采样图像。然后，对该重采样图像进行灰度归一化处理。灰度归一化过程为：先根据预设窗宽和窗位，按照第一分界值＝(窗位窗宽/2)和第二分界值＝(窗位-窗宽/2)计算获得第一分界值和第二分界值。然后，将重采样图像的灰度值大于第二分界值的灰度值全部设定为归一化区间的右区间值，将重采样图像的灰度值小于第一分界值的灰度值全部设定为归一化区间的左区间值。最后，将重采样图像中灰度值介于第一分界值和第二分界值(包含第一分界值和第二分界值)之间的灰度值，按照归一化规则计算为归一化区间内的数值。这样设置的结果便是预处理图像中灰度值位于归一化区间内的图像区域对应肝脏区域，其他图像区域均为背景区域，从而进一步提高后续血管分割的处理速度。

　　本发明实施例提供一种血管分割方法、装置、电子设备及存储介质，以提高血管分割的精度。

　　分别将待分割图像输入至少两个预先训练的设定神经网络模型，生成与每个设定神经网络模型对应的初始分割结果；

　　利用每个所述设定神经网络模型对应的目标模型权重值，对各所述初始分割结果进行加权处理，生成加权分割结果，其中，所述目标模型权重值于训练所述设定神经网络模型时确定；

　　本发明实施例涉及医学图像处理技术，尤其涉及一种血管分割方法、装置、电子设备及存储介质。

　　医学图像中的血管分割是一个基本问题，例如肝脏的血管分割被广泛应用于肝脏病变的诊断、治疗以及肝脏手术的规划。

　　目前血管分割的一类常用方法为传统的图像处理方法，例如阈值分割方法或区域生长方法等，但是这些方法的血管分割精度均有限，难以满足临床需求。另一类常用方法为基于深度学习的图像处理方法，例如全卷积神经网络模型(Fully convolutionalnetworks,FCN)、基于二维医学图像的全卷积神经网络模型U-net和基于三维医学图像的全卷积神经网络模型V-net等，这些方法在准确率以及鲁棒性上远胜于传统的图像处理方法，但是由于成像设备的限制和血管本身形态结构的复杂性，利用上述任一个卷积神经网络模型所得的血管分割结果均容易出现血管分支较少、血管边界错误以及分割块状等问题。

　　示例性地，当预处理包括分辨率重采样和灰度归一化时，对待分割图像进行预处理包括：对待分割图像进行分辨率重采样，获得重采样图像；依据预设窗宽和预设窗位，确定第一分界值和第二分界值，第一分界值小于第二分界值；若重采样图像的灰度值大于第二分界值，则将灰度值确定为归一化区间的右区间值；若重采样图像的灰度值小于第一分界值，则将灰度值确定为归一化区间的左区间值；若重采样图像的灰度值大于或等于第一分界值，且小于或等于第二分界值，则将灰度值确定为归一化区间的区间值。

　　分割血管图像生成模块，用于对所述加权分割结果进行图像后处理，生成分割血管图像。

　　当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的血管分割方法。

　　其中，预设概率阈值是一个预先设定的概率值，其用于对概率图像进行二值化处理，例如可以是0.5。

　　具体地，将加权分割结果中灰度值(也为概率值)大于或等于预设概率阈值的灰度值设置为1，将灰度值小于预设概率阈值的灰度值设置为0，便获得一个二值化分割结果。之后，对该二值化分割结果取最大连通区域以过ห้องสมุดไป่ตู้二值化分割结果中的图像噪声，获得一个分割血管图像。

　　具体地，在进行血管分割之前，需要先对待分割图像进行图像预处理，预处理所获得的图像便是预处理图像。这里的预处理操作可以包括分辨率重采样、灰度归一化及分块裁剪中的至少一种。其中，分辨率重采样是将待分割图像的分辨率调整至指定的分辨率，例如待分割图像为肝脏三维CT图像，其初始的x轴方向、y轴方向和z轴方向的图像分辨率分别为0.5mm～0.7mm、0.5mm～0.7mm和1mm，可以将三个坐标轴方向对应的图像分辨率均重采样至0.5mm。灰度归一化是按照一定的归一化规则，将图像的灰度值调整至指定的数值范围，例如[0,1]，这里的归一化规则可以是线性规则或非线性规则。分块裁剪是将一幅图像按照指定尺寸裁剪为多个子图像，以便达到减少一次图像处理的数据量的目的。获得预处理图像之后，将该预处理图像输入每个设定神经网络模型进行处理，获得与设定神经网络模型相应数量的初始分割结果。

　　本实施例的技术方案，通过分别将待分割图像输入至少两个预先训练的设定神经网络模型，生成与每个设定神经网络模型对应的初始分割结果；利用每个设定神经网络模型对应的目标模型权重值，对各初始分割结果进行加权处理，生成加权分割结果；对加权分割结果进行图像后处理，生成分割血管图像。实现了首次将Boosting建模思想应用至血管分割领域，通过将多个设定神经网络模型按照其对应的权重值进行加权重构，形成一个强神经网络模型——血管分割模型，从而对血管图像进行血管分割，解决了单个神经网络模型所得血管分割结果精度较低的问题，达到了提高血管分割精度的效果。

　　其中，预设窗宽和预设窗位是指显示医学图像时预先设定的窗宽和窗位，例如对于肝脏CT图像，可将预设窗宽和预设窗位分别设置为400和40。第一分界值和第二分界值分别是用于进行图像灰度值分类的边界值，灰度值分类的目的在于将包含血管的图像区域与其他图像区域区分开，以便从待分割图像中筛选出包含血管的目标器官区域，例如从待分割图像中筛选出肝脏区域。归一化区间是指灰度归一化处理后的数值范围，例如[0,1]。右区间值和左区间值分别是指归一化区间的右边界值和左边界值，例如1和0。

　　具体地，对加权分割结果205进行图像后处理，例如二值化、平滑和去噪中的至少一种处理，生成分割血管图像206。

　　示例性地，S130包括：利用预设概率阈值，对加权分割结果进行二值化处理，生成二值化分割结果；对二值化分割结果进行去噪处理，生成分割血管图像。

　　第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的血管分割方法。

　　本发明实施例通过分别将待分割图像输入至少两个预先训练的设定神经网络模型，生成与每个设定神经网络模型对应的初始分割结果；利用每个所述设定神经网络模型对应的目标模型权重值，对各所述初始分割结果进行加权处理，生成加权分割结果；对所述加权分割结果进行图像后处理，生成分割血管图像。实现了基于Boosting建模思想，利用多个设定神经网络模型和其对应的权重值来构建加强型神经网络模型，从而对血管图像进行血管分割，解决了单个神经网络模型所得血管分割结果精度较低的问题，达到了提高血管分割精度的效果。

　　其中，样本图像是指用于进行血管分割模型训练的包含血管的医学图像，为了提高血管分割模型的适用性，可以选择各个器官的医学图像，例如可以是脑部医学图像、肝脏医学图像和四肢医学图像等。第一训练样本集是指训练第一个设定神经网络模型所用的样本集。

　　具体地，从多个样本图像中为第一个设定神经网络模型选择一定数量的图像数据作为第一训练样本集。之后，将该第一训练样本集按照第三设定数量，批量式地依次输入选定的卷积神经网络模型(如V-net模型)，并采用能够快速定位血管区域的Dice损失函数进行模型训练，获得第一个设定神经网络模型。这里第三设定数量是指预先设定的数量值，其用于表征训练样本集中一次并行输入设定神经网络模型的训练样本的数量。该第三设定数量的取值与配置血管分割装置的电子设备的硬件有关，例如电子设备的GPU为12G，则第三设定数量可以取值为8，那么模型训练时每次向模型中并行输入8个训练样本。

　　本实施例以上述实施例为基础，说明了血管分割模型的训练方法。其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图3，本实施例提供的血管分割的模型训练方法包括：

　　S310、依据样本图像生成第一个设定神经网络模型的第一训练样本集，并利用第一训练样本集对卷积神经网络模型进行训练，获得第一个设定神经网络模型。

　　初始分割结果生成模块，用于分别将待分割图像输入至少两个预先训练的设定神经网络模型，生成至少两个初始分割结果；

　　加权分割结果生成模块，用于利用每个所述设定神经网络模型对应的目标模型权重值，对各所述初始分割结果进行加权处理，生成加权分割结果，其中，所述目标模型权重值于训练所述设定神经网络模型时确定；九州酷游 九州酷游网址九州酷游 九州酷游网址