图像分割、模型的训练方法及装置，电子设备及存储介质制造方法及图纸

本申请公开了一种图像分割、模型的训练方法及装置，电子设备及存储介质。该图像分割方法包括：根据包括背景、纵膈、动脉和静脉的待分割图像，获取所述待分割图像的纵膈区域的所述纵膈、所述动脉、所述静脉和所述背景的第一分割结果；根据所述待分割图像，获取所述待分割图像的外延区域的血管与所述背景的第二分割结果；根据所述第一分割结果和所述第二分割结果，获取所述待分割图像的所述纵膈、所述动脉、所述静脉和所述背景的分割结果，能够提高动脉与静脉的分割的准确性和分割的效率。

【技术实现步骤摘要】
图像分割、模型的训练方法及装置，电子设备及存储介质
本申请涉及图像处理
，具体涉及一种图像分割方法及装置，模型的训练方法及装置，电子设备及存储介质。
技术介绍
图像分割在影像学诊断中大有用处。例如，将肺血管分为动脉/静脉可能有助于医生准确诊断可能以特定方式影响动脉或静脉树的肺部疾病。例如，最近的研究表明，动脉/静脉的分类可以更好地评估肺栓塞，而动脉树的变化与慢性血栓栓塞性肺动脉高压的发展相关。此外，肺实质内动脉的改变与右心室功能障碍有关。为了检测两棵血管树的变化，医生手动分析患者的胸部CT图像以寻找异常。这个过程是耗时的，难以标准化，因此不适合大型临床研究或在现实世界的临床决策。因此，在CT图像中实现动静脉的自动分离成为人们关注的热点，它可以帮助医生准确诊断病变。
技术实现思路
有鉴于此，本申请的实施例致力于提供一种图像分割方法及装置，模型的训练方法及装置，电子设备及存储介质，能够提高动脉与静脉的分割的准确性和分割的效率。根据本申请实施例的第一方面，提供了一种图像分割方法，包括：根据包括背景、纵膈、动脉和静脉的待分割图像，获取所述待分割图像的纵膈区域的所述纵膈、所述动脉、所述静脉和所述背景的第一分割结果；根据所述待分割图像，获取所述待分割图像的外延区域的血管与所述背景的第二分割结果；根据所述第一分割结果和所述第二分割结果，获取所述待分割图像的所述纵膈、所述动脉、所述静脉和所述背景的分割结果。根据本申请实施例的第二方面，提供了一种模型的训练方法，包括：确定样本图像，所述样本图像包括纵膈区域的纵膈、背景、动脉和静脉的第一标签以及外延区域的背景和血管的第二标签；基于所述样本图像训练神经网络，以生成用于获得所述纵膈区域的纵膈、背景、动脉和静脉的第一分割结果的网络模型，其中，所述神经网络为3D神经网络；基于所述样本图像训练级联的神经网络，以生成用于获得所述外延区域的背景和血管的第二分割结果的分割模型，其中，所述级联的神经网络包括用于特征提取的第一神经网络以及用于生成所述第二分割结果的第二神经网络。根据本申请实施例的第三方面，提供了一种图像分割装置，包括：第一分割模块，配置为根据包括背景、纵膈、动脉和静脉的待分割图像，获取所述待分割图像的纵膈区域的所述纵膈、所述动脉、所述静脉和所述背景的第一分割结果；第二分割模块，配置为根据所述待分割图像，获取所述待分割图像的外延区域的血管与所述背景的第二分割结果；获取模块，配置为根据所述第一分割结果和所述第二分割结果，获取所述待分割图像的所述纵膈、所述动脉、所述静脉和所述背景的分割结果。根据本申请实施例的第四方面，提供了一种模型的训练装置，包括：确定模块，配置为确定样本图像，所述样本图像包括纵膈区域的纵膈、背景、动脉和静脉的第一标签以及外延区域的背景和血管的第二标签；第一训练模块，配置为基于所述样本图像训练神经网络，以生成用于获得所述纵膈区域的纵膈、背景、动脉和静脉的第一分割结果的网络模型，其中，所述神经网络为3D神经网络；第二训练模块，配置为基于所述样本图像训练级联的神经网络，以生成用于获得所述外延区域的背景和血管的第二分割结果的分割模型，其中，所述级联的神经网络包括用于特征提取的第一神经网络以及用于生成所述第二分割结果的第二神经网络。根据本申请实施例的第五方面，提供了一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器用于执行上述任一实施例所述的图像分割方法，或者用于执行上述任一实施例所述的模型的训练方法。根据本申请实施例的第六方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一实施例所述的图像分割方法，或者用于执行上述任一实施例所述的模型的训练方法。本申请的实施例所提供的一种图像分割方法，通过将纵膈区域的血管分割任务与外延区域的血管分割任务分离开来，以分别获得纵膈区域的纵膈、动脉、静脉和背景的第一分割结果和外延区域的血管与背景的第二分割结果，再根据第一分割结果与第二分割结果，来获得待分割图像的纵膈、动脉、静脉和背景的分割结果，能够避免直接对动脉、静脉和背景进行分割时外延区域的血管与纵膈区域的血管的尺寸不一致而影响不同尺寸血管的分割，从而能够提高动脉与静脉的分割的准确性和分割的效率。附图说明通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。图1所示为本申请实施例所提供的一种实施环境的示意图。图2所示为本申请一个实施例提供的图像分割方法的流程示意图。图3所示为本申请另一个实施例提供的图像分割方法的流程示意图。图4所示为本申请一个实施例提供的区域增长的实现过程的示意图。图5所示为本申请一个实施例提供的模型的训练方法的流程示意图。图6所示为本申请一个实施例提供的级联的神经网络的训练过程的示意图。图7所示为本申请一个实施例提供的标记的样本图像的示意图。图8所示为本申请一个实施例提供的图像分割装置的框图。图9所示为本申请一个实施例提供的模型的训练装置的框图。图10所示为本申请一个实施例提供的电子设备的结构框图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。申请概述深度学习通过建立具有阶层结构的人工神经网络，在计算系统中实现人工智能。由于阶层结构的人工神经网络能够对输入信息进行逐层提取和筛选，因此深度学习具有表征学习能力，可以实现端到端的监督学习和非监督学习。深度学习所使用的阶层结构的人工神经网络具有多种形态，其阶层的复杂度被通称为“深度”，按构筑类型，深度学习的形式包括多层感知器、卷积神经网络、循环神经网络、深度置信网络和其它混合构筑。深度学习使用数据对其构筑中的参数进行更新以达成训练目标，该过程被通称为“学习”，深度学习提出了一种让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性。神经网络是一种运算模型，由大量的节点(或称神经元)之间相互连接构成，每个节点对应一个策略函数，每两个节点间的连接代表一个对于通过该连接信号的加权值，称之为权重。神经网络一般包括多个神经网络层，上下网络层之间相互级联，第i个神经网络层的输出与第i+1个神经网络层的输入相连，第i+1个神经网络层的输出与第i+2个神经网络层的输入相连，以此类推。训练样本输入级联的神经网络层后，通过每个神经网络层输出一个输出结果，该输出结果作为下一个神经网络层的输入，由此，通过多个神经网络层本文档来自技高网...

【技术保护点】
1.一种图像分割方法，其特征在于，包括：/n根据包括背景、纵膈、动脉和静脉的待分割图像，获取所述待分割图像的纵膈区域的所述纵膈、所述动脉、所述静脉和所述背景的第一分割结果；/n根据所述待分割图像，获取所述待分割图像的外延区域的血管与所述背景的第二分割结果；/n根据所述第一分割结果和所述第二分割结果，获取所述待分割图像的所述纵膈、所述动脉、所述静脉和所述背景的分割结果。/n

【技术特征摘要】
1.一种图像分割方法，其特征在于，包括：
根据包括背景、纵膈、动脉和静脉的待分割图像，获取所述待分割图像的纵膈区域的所述纵膈、所述动脉、所述静脉和所述背景的第一分割结果；
根据所述待分割图像，获取所述待分割图像的外延区域的血管与所述背景的第二分割结果；
根据所述第一分割结果和所述第二分割结果，获取所述待分割图像的所述纵膈、所述动脉、所述静脉和所述背景的分割结果。


2.根据权利要求1所述的方法，其特征在于，还包括：
将所述待分割图像输入网络模型，
其中，所述根据包括背景、纵膈、动脉和静脉的待分割图像，获取所述待分割图像的纵膈区域的所述纵膈、所述动脉、所述静脉和所述背景的第一分割结果，包括：
根据所述待分割图像，通过所述网络模型，获取所述待分割图像的纵膈区域的所述纵膈、所述动脉、所述静脉和所述背景的第一分割结果。


3.根据权利要求2所述的方法，其特征在于，所述将所述待分割图像输入网络模型，包括：
将所述待分割图像的纵膈区域进行切块操作，获得多个切块图像，其中，所述多个切块图像中的每个切块图像均包括所述纵膈；
将所述多个切块图像输入所述网络模型，
其中，所述根据所述待分割图像，通过所述网络模型，获取所述待分割图像的纵膈区域的所述纵膈、所述动脉、所述静脉和所述背景的第一分割结果，包括：
根据所述多个切块图像，通过所述网络模型，获取所述多个切块图像对应的所述纵膈区域的所述纵膈、所述动脉、所述静脉和所述背景的多个子分割结果；
通过高斯平滑处理，对所述多个子分割结果进行组合操作，以获得组合后的分割结果；
通过连通域算法，对所述组合后的分割结果进行后处理，获得所述第一分割结果。


4.根据权利要求3所述的方法，其特征在于，所述通过连通域算法，对所述组合后的分割结果进行后处理，获得所述第一分割结果，包括：
通过所述连通域算法，获取所述组合后的分割结果中的静脉最大连通域和动脉最大连通域；
根据所述静脉最大连通域和所述动脉最大连通域，去除所述组合后的分割结果中的噪点，以获得所述第一分割结果，其中，所述噪点包括同时为所述动脉和所述静脉的点以及假阳点。


5.根据权利要求1所述的方法，其特征在于，还包括：
将所述待分割图像输入分割模型，
其中，所述根据所述待分割图像，获取所述待分割图像的外延区域的血管与所述背景的第二分割结果，包括：
根据所述待分割图像，通过所述分割模型，获取所述外延区域的血管与所述背景的第二分割结果。


6.根据权利要求1至5中任一项所述的方法，其特征在于，所述根据所述第一分割结果和所述第二分割结果，得到所述待分割图像的所述纵膈、所述动脉、所述静脉和所述背景的分割结果，包括：
根据所述第一分割结果和所述第二分割结果，通过区域增长算法，得到所述待分割图像的所述纵膈、所述动脉、所述静脉和所述背景的分割结果。


7.根据权利要求6所述的方法，其特征在于，所述根据所述第一分割结果和所述第二分割结果，通过区域增长算法，得到所述待分割图像的所述纵膈、所述动脉、所述静脉和所述背景的分割结果，包括：
以所述第一分割结果为起点，将所述第一分割结果沿所述第二分割结果以预设血管生长长度进行区域增长，以获得所述待分割图像的所述纵膈、所述动脉、所述静脉和所述背景的分割结果。


8.一种模型训练方法，其特征在于，包括：
确定样本图像，所述样本图像包括纵膈区域的纵膈、背景、动脉和静脉的第一标签以及外延区域的背景和血管的第二标签；
基于所述样本图像训练神经网络，以生成用于获得所述纵膈区域的...

【专利技术属性】
技术研发人员：刘恩佑，郝智，张欢，赵朝炜，王瑜，李新阳，王少康，陈宽，
申请(专利权)人：北京推想科技有限公司，
类型：发明
国别省市：北京;11