CN109509197B

CN109509197B - 一种分割感兴趣区域的方法、装置、设备及存储介质

Info

Publication number: CN109509197B
Application number: CN201811126782.8A
Authority: CN
Inventors: 李丙生; 何薇; 马锐兵
Original assignee: Neusoft Medical Systems Co Ltd
Current assignee: Neusoft Medical Systems Co Ltd
Priority date: 2018-09-26
Filing date: 2018-09-26
Publication date: 2021-11-09
Anticipated expiration: 2038-09-26
Also published as: CN109509197A

Abstract

本申请公开了一种分割感兴趣区域的方法、装置、设备及存储介质。所述方法包括步骤：获取用户在医疗图像上对感兴趣区域绘制的路径标注；对所述医疗图像进行重新采样，进行均衡化处理得到图像深度为预设值的目标医疗图像；根据所述路径标注，从所述目标医疗图像中分割出所述感兴趣区域的轮廓。旨在解决现有技术中，没有一种通用方法来分割感兴趣区域的问题。

Description

一种分割感兴趣区域的方法、装置、设备及存储介质

技术领域

本申请涉及图像处理技术领域，尤其涉及一种分割感兴趣区域的方法、装置、设备及存储介质。

背景技术

不同类型的医疗图像，由于成像原理和成像结果不同，以及感兴趣区域具有各种各样的特点，在进行感兴趣区域分割处理时，会采用不同的方法。例如：对于感兴趣区域边缘模糊，无法仅仅用像素值区分时，一般采用能量函数方法；对于感兴趣区域内部分布均匀，可以采用区域增长算法，例如在冠状动脉电子计算机X射线断层扫描(computedtomography,CT)血管造影图像(简称：CTA图像)的血管提取中，通过区域增长算法针对CTA图像的感兴趣区域的阈值分布调整其增长的阈值，可以达到较好的分割结果。

目前，并没有一种通用的分割感兴趣区域的方法。

发明内容

有鉴于此，本申请提出一种分割感兴趣区域的方法、装置、设备及存储介质，以解决相关技术中的问题。

为了达到上述目的，本申请所采用的技术方案为：

根据本申请实施例的第一方面，提出了一种分割感兴趣区域的方法，所述方法包括：

获取用户在医疗图像上对感兴趣区域绘制的路径标注；

对所述医疗图像进行重新采样，进行均衡化处理得到图像深度为预设值的目标医疗图像；

根据所述路径标注，从所述目标医疗图像中分割出所述感兴趣区域的轮廓。

在一些例子中，所述路径标注包括：自适应曲线段或自适应闭合曲线。

在一些例子中，所述根据所述路径标注，从所述医疗图像中分割出感兴趣区域的轮廓，包括：

通过图像分割算法，获取所述目标医疗图像中各局部的边缘轮廓；

若所述路径标注为自适应曲线段，从所述各局部边缘轮廓上寻找包围所述自适应曲线段的感兴趣区域的轮廓。

在一些例子中，所述从所述各局部边缘轮廓上寻找包围所述自适应曲线段的感兴趣区域的轮廓，包括：

从所述各局部边缘轮廓上确定所述自适应曲线段的其中一端点对应的第一目标点，所述第一目标点为距所述一端点在设定距离内权重值最低的点；

从所述各局部边缘轮廓上确定所述自适应曲线段的另一端点对应的第二目标点，所述第二目标点为距所述另一端点在设定距离内权重值最低的点；

按预设规则寻找经过所述第一目标点及所述第二目标点且包围所述自适应曲线段的感兴趣区域轮廓，其中，所述预设规则包括：选择当前点的下一步可选点中权重值最低的点为所述感兴趣区域轮廓上下一步经过的点；

其中，所述目标图像上各点的权重值反相关于自身对应的颜色梯度值，反相关于自身与所述自适应曲线段的距离，且所述自适应曲线段上的点的权重值高于所述各局部的边缘轮廓上各点的权重值

若所述路径标注为自适应闭合曲线，判断所述自适应闭合曲线的绘制方向；

若为第一方向，则从所述自适应闭合曲线的外部寻找感兴趣区域的轮廓；

若为第二方向，则从所述闭合曲线内部寻找感兴趣区域的轮廓；

其中，所述感兴趣区域的轮廓从所述各局部的边缘轮廓中找出。

在一些例子中，所述对所述医疗图像进行重新采样，进行均衡化处理得到图像深度为预设值的目标医疗图像，包括步骤：

根据所述路径标注在所述医疗图像上的位置，按预定比例，截取所述路径标注处的部分医疗图像；

对所述部分医疗图像进行重新采样，进行均衡化处理得到图像深度为预设值的目标医疗图像。

在本申请的第二方面，提供一种分割感兴趣区域的装置，所述装置包括：

交互模块，用于获取用户在医疗图像上对感兴趣区域绘制的路径标注；

处理模块，用于对所述医疗图像进行重新采样，进行均衡化处理得到图像深度为预设值的目标医疗图像；根据所述路径标注，从所述目标医疗图像中分割出所述感兴趣区域的轮廓。

在一些例子中，所述处理模块还用于：通过图像分割算法，获取所述目标医疗图像中各局部的边缘轮廓；若所述路径标注为自适应曲线段，从所述各局部边缘轮廓上寻找包围所述自适应曲线段的感兴趣区域的轮廓。

在一些例子中，所述处理模块还用于：

在本申请的第三方面，提供一种分割感兴趣区域的电子设备，包括：

处理器；用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行如下操作：

获取用户在医疗图像上对感兴趣区域绘制的路径标注；

在本申请的第四方面，提供一种机器可读存储介质，所述机器可读存储介质上存储有若干计算机指令，所述计算机指令被执行时进行如下处理：

获取用户在医疗图像上对感兴趣区域绘制的路径标注；

一般图像中，感兴趣区域与背景区域在像素值、颜色梯度、纹理、形态或/和尺寸等参数上存在一定差异，但是上述差异往往是局部的，很难找到全局的差异，对于医疗图像，上述局部差异大，全局差异规律难寻的特点尤其明显。并且医疗图像成像原理及成像结果不同，导致得到的医疗图像并不统一。本申请实施例根据医疗图像的上述两个特点，通过对待进行感兴趣区域分割的医疗图像进行重新采样，进行均衡化处理得到图像深度为预设值的目标医疗图像，以将不同类型的医疗图像进行统一；并且所述待进行感兴趣区域分割的医疗图像上有用户绘制的路径标注，根据所述路径标注，可以从所述经过处理后的目标医疗图像中分割出感兴趣区域的轮廓，以满足对各种特点的感兴趣区域进行分割，所以上述分割感兴趣区域的方案对不同类型的医疗图像兼容性强。

附图说明

图1为本申请实施例示例性示出的一种分割感兴趣区域的方法的流程图；

图2为本申请实施例示例性示出的一种根据自适应曲线段从目标医疗图像中分割出感兴趣区域的轮廓的流程图；

图3a为本申请实施例示例性示出的一种分割感兴趣区域的示意图；

图3b为本申请实施例示例性示出的另一种分割感兴趣区域的示意图；

图4为本申请实施例示例性示出的另一种分割感兴趣区域的示意图；

图5为本申请实施例示例性示出的另一种分割感兴趣区域的示意图；

图6为本申请实施例示例性示出的另一种分割感兴趣区域的示意图；

图7为本申请实施例示例性示出的另一种分割感兴趣区域的示意图；

图8a为本申请实施例示例性示出的另一种分割感兴趣区域的示意图；

图8b为本申请实施例示例性示出的另一种分割感兴趣区域的示意图；

图9是本申请一示例性实施例示出的一种分割感兴趣区域的装置的逻辑框图；

图10是本申请一示例性实施例示出的一种点在设备的逻辑框图。

具体实施方式

以下将结合附图所示的具体实施方式对本申请进行详细描述。但这些实施方式并不限制本申请，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本申请的保护范围内。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二等来描述各种结构，但这些结构不应限于这些术语。这些术语仅用来将同一类型的结构彼此区分开。

本申请实施例提出一种分割感兴趣区域的方法、装置、设备及存储介质。参照图1，为本申请实施例示例性示出的一种分割感兴趣区域的方法的流程图，所述方法可以运用在电子设备上，所述电子设备可以为医疗设备，所述医疗设备可以是：X线计算机体层成像仪(Computedtomography，CT)、正电子发射断层显像(Positron Emission Tomography，PET)及磁共振成像仪(Magnetic Resonance Imaging，MRI)等；所述电子设备还可以是与医疗设备相连的控制台设备，或任意具有图像处理功能的计算机等，本申请不限制电子设备的类型。所述方法的部分步骤如下：

S110：获取用户在医疗图像上对感兴趣区域绘制的路径标注；

S120：对所述医疗图像进行重新采样，进行均衡化处理得到图像深度为预设值的目标医疗图像；

S130：根据所述路径标注，从所述目标医疗图像中分割出所述感兴趣区域的轮廓。

本申请实施例提出的“感兴趣区域(region of interest，ROI)”是从医疗图像中选择的一个图像区域，这个区域是医疗图像分析所关注的重点。以便对感兴趣区域进行进一步处理。使用感兴趣区域圈定目标，可以减少处理时间，增加精度。

本申请实施例提出的“路径标注”可以为用户依据医疗图像上的待分割的感兴趣区域绘制的一条路径，所述路径标注可以是自适应闭合曲线段、自适应曲线段、固定曲线段或固定闭合曲线段。用户可以依据待分割的感兴趣区域的内部密度分布，边缘特征，形状等特征，选择合适的路径标注，以对感兴趣区域进行分割。其中，所述“自适应闭合曲线段或自适应曲线段”表示可以根据用户绘制的路径标注自动地进行感兴趣轮廓的分割/获取；“固定曲线段或固定闭合曲线段”指的是由所述绘制的路径标注组成所述感兴趣区域的部分或全部轮廓，用于对“自适应闭合曲线段或自适应曲线段”分割/获取的感兴趣区域的轮廓进行修正完善。

本申请实施例提出的“图像深度”是指存储每个像素所用的位数，也用于量度图像的色彩分辨率。图像深度确定彩色图像的每个像素可能有的颜色值，或者确定灰度图像的每个像素可能有的灰度级数。图像深度决定了彩色图像中可出现的最多颜色数，或灰度图像中的最大灰度等级。如一幅图像深度为8为的灰度图，其每个像素点可以用2⁸＝256种灰度值来描述。

上述图1的步骤S120中，可以通过对获取的医疗设备进行重新采样，获取图像深度统一的医疗图像。为提供适用不同的医疗设备采集的医疗图像进行感兴趣区域的分割提供基础。以所述医疗图像为CT设备采集的CT数据为例，可以结合斜率和截距以及窗宽窗位，得到均衡化数据，比如8位的灰度图像。

一般图像中，感兴趣区域与背景区域在像素值、颜色梯度、纹理、形态或/和尺寸等参数上存在一定差异，但是上述差异往往是局部的，很难找到全局的差异。对于医疗图像，上述局部差异大，全局差异规律难寻的特点尤其明显；并且医疗图像成像原理及成像结果不同，导致得到的医疗图像并不统一。本申请实施例根据医疗图像的上述两个特点，通过对待进行感兴趣区域分割的医疗图像进行重新采样，进行均衡化处理得到图像深度为预设值的目标医疗图像，以将不同类型的医疗图像进行统一；并且所述待进行感兴趣区域分割的医疗图像上有用户绘制的路径标注，根据所述路径标注，可以从所述经过处理后的目标医疗图像中分割出感兴趣区域的轮廓，以满足对各种特点的感兴趣区域进行分割，所以上述分割感兴趣区域的方案对不同类型的医疗图像兼容性强。

在一些例子中，为了提高感兴趣区域分割的速度，可以只针对绘制的路径标注一定范围内的图像进行处理。具体的，步骤S120可以是：根据所述路径标注在所述医疗图像上的位置，按预定比例，截取所述路径标注处的部分医疗图像；对所述部分医疗图像进行重新采样，进行均衡化处理得到图像深度为预设值的目标医疗图像。本实施例仅针对目标医疗图像进行感兴趣区域的分割，以提高图像分割速度。

上述步骤S130可以依据用户绘制的路径标注的类型，来进行感兴趣区域的分割，具体如下：

第一种：用户绘制的路径标注为自适应曲线段。

在一些例子中，当用户绘制的路径标注为一条自适应曲线段时，可以参照图2所述的步骤来执行步骤上述图1中的步骤S130，具体如下：

S210：通过图像分割算法，获取所述目标医疗图像中各局部的边缘轮廓；

S220：若所述路径标注为自适应曲线段，从所述各局部边缘轮廓上寻找包围所述自适应曲线段的感兴趣区域的轮廓。

本申请实施例提出的“边缘”指的是图像中像素的值有突变的地方，通过“图像边缘检测算法”可以获取图像中边缘特征，即可以获取图像中各局部的边缘轮廓，例如医疗图像中，各组织/器官/病灶的边缘轮廓。

图像分割算法的类型很多，可以包括：图像边缘检测算法、超像素分割算法、区块生长算法及图割算法(Graph Cut)等。

图像边缘检测算法用于提取出图像中颜色梯度值超过一定阈值的边缘轮廓，可以大幅度地减少图像的数据量，剔除一些不相关的数据，保留图像中重要的结构(边缘)属性。

超像素分割算法指的是用超像素块的维度代替图像像素维度，降低图像复杂度，获得图像中各局部的边缘轮廓；所述用超像素块的维度代替图像像素维度可以认为是把图像中原本多个像素点，组合成一个大的像素，比如，原本的图片有二十多万个像素，用超像素处理之后，最终的图像仅有几千个像素点。超像素分割的效果对于局部分割效果和紧凑程度都较好。

所述超像素分割算法可以包括：简单的线性迭代聚类算法(simple lineariterative clustering，SLIC)，所述SLIC算法的原理是图像原有N个像素，要分割成K个像素，那么每个像素的大小是N/K。超像素之间的距离(即规则情况下超像素的边长)就是S＝√N/K。目标是使代价函数(cost function)最小。具体到SLIC算法中，就是每个像素到所属的中心点的距离之和最小。具体的手段可以是：首先，将K个超像素种子(也叫做聚类，即超像素的中心)，均匀撒到图像的像素点上。一次迭代的第一步，对每个超像素的中心，2S范围内的所有像素点，判断他们是否属于这个超像素。这样之后，就缩短了像素点到超像素中心的距离。一次迭代的第二步，对每个超像素，将它的超像素中心移动到这个超像素的中点上。这样也缩短了像素点到超像素中心的距离。

区块生长算法的基本思想是将有相似性质的像素点合并在一起，对每一个区域先指定一个种子作为生长的起点，然后将种子周围领域的像素点和种子点进行对比，将具有相似性质的点合并起来并继续向外生长，直至没有满足条件的像素被包括进来为止，以获得图像中个局部的边缘轮廓。

Graph Cut算法是一种图像分割技术。它仅需要在前景和背景处各画几笔作为输入，算法将建立各个像素点与前景背景相似度的赋权图，并通过求解最小切割区分前景和背景。

进一步，上述图2中的步骤S220可以是：确定所述自适应曲线段经过目标图像上的点的权重值及各局部的边缘轮廓上各点的权重值，其中，所述各局部的边缘轮廓上各点的权重值反相关于自身对应的颜色梯度值，反相关于自身与所述自适应曲线段的距离，且自适应曲线段上的点的权重值高于所述各局部的边缘轮廓上各点的权重值；在所述各区边缘域轮廓上寻找所述自适应曲线段的两个端点分别对应的第一目标点和第二目标点，且所述第一目标点/第二目标点为距所述对应端点的设定距离内权重值最低的点；按预设规则寻找经过所述第一目标点及所述第二目标点且包围所述自适应曲线段的感兴趣区域轮廓，其中，所述预设规则可以包括：在当前点寻找所述感兴趣区域轮廓上下一步经过的点时，选择可选点中权重值最小的点。在一些例子中，所述预设规则还可以是通过最短路径或快速搜索等算法寻找感兴趣区域轮廓。在一些例子中，可以是按预设规则按同一方向寻找从所述第一目标点指向所述第二目标点的第一路径，以及从所述第二目标点到第一目标点的第二路径，所述第一路径与第二路径围成感兴趣区域轮廓。本申请实施例提出的颜色梯度值可以包括：灰度梯度值以及彩色梯度值，例如，在灰度图中，颜色梯度值为灰度梯度值，在彩色图中，颜色梯度值为RGB值的梯度值。

具体的，以所述图像分割算法为图像边缘检测算法为例详细对图2所述步骤S220进行阐述。参照图3a,通过图像边缘检测算法获取所述目标医疗图像300的各局部的边缘轮廓320及边缘轮廓330，用户绘制的路径标注310的两个端点分别为点A1及点F1。步骤S220可以是以点A1为圆心，以设定距离为半径范围内，寻找边缘轮廓上权重值最小的第一目标点A2；以点F1为圆心以设定距离为半径范围内，寻找边缘轮廓上权重值最小的第二目标点F2。在图3a中，所述第一目标点A2及第二目标点F2均位于边缘轮廓320上。接着寻找从点A2到点F2的感兴趣区域轮廓。在一些例子中，可以赋予路径标注310对应的像素点以较高的权重值，例如赋予路径标注上对应的点A1至F1较高的权重值a，接着根据边缘轮廓320及330上的点的颜色梯度值以及离路径标注310的距离(颜色梯度值反相关于权重值，距离反相关于权重值)，赋予边缘轮廓320及330上的点权重值，并且边缘轮廓320及330上的点的权重值低于所述权重值a。从点A2到点F2的第一路径以及从点F2到点A2的第二路径可以围成感兴趣区域，假设从点A2到点F2中间要经历若干个节点，通过每到一个节点，选择周边权重值最小的点作为下一个节点。例如参照图3b，图中点A为当前点，从点A的领域选择权重值最小的点作为下一步经过的点，图3b中点A的领域上的可选点包括：点X、点Y、点M、点N、点O、点P、点Q及点R八个点，点P及点Q为边缘轮廓352经过的点，其他点不在边缘轮廓上。上述八个点的权重值的具体计算方法可以是：根据上述八个点离路径标注的距离赋予第一权重值，例如：点X距离路径标注的距离大于点P距离路径标注的距离，点X的第一权重值为100，点P的第一权重值为110；根据上述八个点的颜色梯度值赋予第二权重值，例如点X的颜色梯度值大于点P的颜色梯度值，点X的第二权重值为200，点P的第二权重值为220；赋予在边缘轮廓上的点P及点Q更低的第三权重值，使得下一步经过的点更倾向于经过边缘轮廓上的点，例如：点P的第三权重值为-150，点Q的第三权重值为-150，不在边缘轮廓上的点的第三权重值为零；若存在点经过路径标注，可以赋予所述经过路径标注上的点以极高的第四权重值，使得下一步经过的点避开所述路径标注经过的点，假设点R为路径标注经过的点，点R的第四权重值可以是100000，不在路径标注上的点的第四权重值为零；根据上述各点的第一、第二、第三及第四权重值得到最终的权重值，从中找到最终的权重值最小的点(例如点P)作为下一步经过的点。可以理解，一些例子中，为了减少计算量，可以仅计算各边缘轮廓上的点的权重值。按上述图3b所述的寻找下一节点的方式，从点A2直至到达点F2，得到第一路径。接着可以按照前述获取第一路径的方式获得从点F2到点A2的第二路径。在图3a中，根据路径标注310，所述感兴趣区域的轮廓为边缘轮廓320。

在实际应用中，可能医疗图像的内部组织分布不均匀，使得感兴趣区域的分割难度较大，例如参照图4，为脑部MRI扫描图，医疗图像400中，待分割的感兴趣区域420内部的组织分布不均匀，使得分割难度较大。此时用户可以选择绘制经过待分割的感兴趣区域内颜色梯度值变化较大的区域，以增加分割的准确性。如图4中，路径标注410为一条迂回的曲线段。在一些例子中，由于待分割的感兴趣区域内部的组织分布不均匀，也可以采用超像素分割算法获取各局部的边缘轮廓，以使分割结果更加准确。

具体的，参照图5，为图4所述医疗图像400按预定比例，截取所述路径标注处的部分医疗图像，对所述部分医疗图像进行重新采样，进行均衡化处理得到图像深度为预设值的目标医疗图像500。对目标图像500通过超像素分割算法，获取所述目标图像500中各局部的边缘轮廓，所述各局部的边缘轮廓为图5中各超像素块510的边缘轮廓；在一些例子中，可以是赋予路径标注410对应的目标图像500上的像素点以较高的权重值，例如赋予路径标注上的点对应目标图像中对应的点A4至G4较高的权重值，接着根据所述超像素块的边缘轮廓上的点的颜色值梯度以及离路径标注410的距离(颜色梯度值反相关于权重值，距离反相关于权重值)，赋予超像素块的边缘轮廓上的点一定的权重值，且超像素块的边缘轮廓上的点的权重值小于路径标注410的权重值。图5中，点A5是第一目标点，点G5为第二目标点，可以依据图3b所述的预设规则，获得点A5到点G5的第一路径，点G5到点A5的第二路径，所述第一路径及第二路径围成的感兴趣区域的轮廓可以是图5中的边缘轮廓430。采用本申请实施例提出的预设方法寻找包围所述自适应曲线段的感兴趣区域的轮廓，可以根据各局部边缘轮廓上的点的颜色值梯度及距路径标注410的距离，确定出最准确的感兴趣区域的轮廓，需要说明的是：有时上述感兴趣区域的轮廓并非完全与其中一个区域的边缘轮廓完全重合。

当然可以理解，上述仅仅列举出当用户绘制的路径标注为自适应曲线段时，寻找包围所述自适应曲线段的感兴趣区域的轮廓的其中几种方式，还可以通过其他的方式寻找包围所述自适应曲线段的感兴趣区域的轮廓，本申请不限制寻找包围所述自适应曲线段的感兴趣区域的轮廓的方式。

第二种：用户绘制的路径标注为自适应闭合曲线

若用户绘制的路径标注为自适应闭合曲线，则判断所述自适应闭合曲线的绘制方向，如为规定的第一方向，例如，顺时针方向或逆时针方向，则从所述路径标注的外围寻找感兴趣区域轮廓；若为规定的第二方向，则从所述路径标注的内部寻找感兴趣区域轮廓。在一些例子中，所述第一方向与所述第二方向可以互为反方向。

参照图6，为本申请实施例示例性示出的一种分割感兴趣区域的示意图，所述路径标注620的绘制方向为规定的第一方向，例如顺时针方向，则可以从所述路径标注620的外围寻找感兴趣区域的轮廓，图6中，感兴趣区域为边缘轮廓610。具体的，寻找感兴趣区域的轮廓的具体方法可以采用上述预设规则，或者其他方式，本申请不做限制。

参照图7，为本申请实施例示例性示出的一种分割感兴趣区域的示意图，所述路径标注720的绘制方向为规定的第二方向，例如逆时针方向，则可以从所述路径标注720的内部寻找感兴趣区域的轮廓，图7中，感兴趣区域为边缘轮廓710。具体的，寻找感兴趣区域的轮廓的具体方法可以采用上述预设规则，或者其他方式，本申请不做限制。

第三种：用户绘制的路径标注为固定的闭合曲线/曲线段

当用户通过点选设定的控件等方式选择绘制的路径标注为“固定的闭合曲线/曲线段”时，用户绘制的固定的闭合曲线或多条固定的曲线段围成的轮廓即为感兴趣区域的轮廓。

通过上述不同类型的路径标注对感兴趣区域进行分割，以适应多变的医疗图像，可以达到更好的分割效果。

在实际应用中，可能由于用户绘制的路径标注不够准确，导致分割出的感兴趣区域的轮廓与实际的情况存在一定的偏差。在第一类例子中，可以通过固定的闭合曲线/曲线段来进行感兴趣区域的轮廓的调整和修改。

本申请采用多种路径标注对医疗图像的感兴趣区域进行分割，以适应医疗图像存在的对比度低、组织特征的可变性大、不同软组织之间或组织与病灶之间边界模糊、微细血管或神经结构形状分布复杂等特点，使得用户可以根据医疗图像的上述特点，选择合适的路径标注，方便快速准确地分割出感兴趣区域。例如若感兴趣区域为c形，通过自适应曲线段可以更好的分割出感兴趣区域；若感兴趣区域为圆形，通过自适应闭合曲线或自适应曲线段均可分割出感兴趣区，当然采用自适应闭合曲线更为快速方便。除了上述提到的感兴趣区域的形状特点，还可以根据其他特点选择合适的路径标注，例如，感兴趣区域为圆形，且感兴趣区域的轮廓较为模糊或内部分布不均匀时，采用自适应闭合曲线(从所述路径标注的内部寻找感兴趣区域轮廓)，可以分割出更为准确的感兴趣区域。

具体的，在第一类例子中，通过用户绘制的一条路径标注，分割得到的感兴趣区域的轮廓与实际的情况存在一定的偏差时，用户可以选择“固定的闭合曲线/曲线段”，沿实际的感兴趣区域的轮廓绘制一条固定的闭合曲线/曲线段，以使根据所述固定的闭合曲线/曲线段及之前分割出的感兴趣区域的轮廓，分割出最终的感兴趣区域的轮廓。例如参照图8a，在目标医疗图像810中，通过自适应曲线段813分割出感兴趣区域811(图中黑色的闭合曲线)，用户可以通过选择“固定的闭合曲线/曲线段”，绘制一条固定曲线段812，接着根据所述感兴趣区域811与固定曲线段812得到新的感兴趣区域814(图中灰色闭合曲线)。

在第二类例子中，通过用户绘制的一条路径标注，分割得到的感兴趣区域的轮廓与实际的情况存在一定的偏差时，用户还可以绘制至少一条用于修改的“自适应的闭合曲线/曲线段”，以修正原感兴趣区域的轮廓。具体的，可以根据原路径标注和用于修改的“自适应的闭合曲线/曲线段”，重新计算得到最终的感兴趣区域的轮廓。例如，参照图8b，在目标医疗图像820中，通过自适应曲线段823分割出感兴趣区域821(图中黑色闭合曲线)，用户觉得该感兴趣区域存在偏差时，可以再绘制一条“自适应的闭合曲线/曲线段”，如自适应曲线段822，根据所述自适应曲线段822和自适应曲线段823，得到新的感兴趣区域轮廓824(图中灰色闭合曲线)。

在第三类例子中，用户绘制路径标注，并分割出感兴趣区域后，还可以调整原路劲标注的位置，以根据调整后的路径标注，得到新的感兴趣区域轮廓。

上述三类例子提出的方案，可以对已分割出的感兴趣区域的轮廓的进行调整和修改，以获得更加准确的感兴趣区域轮廓。

上述三类例子仅示例性描述修正原感兴趣区域轮廓的方式，本领域技术人员在考虑说明书及实践这里公开的发明后，容易想到本申请的其它实施方案也属于本申请的保护范围。此外，各个步骤的描述，可以实现为软件、硬件或者其结合的形式，例如，本领域技术人员可以将其实现为软件代码的形式，可以为能够实现所述步骤对应的逻辑功能的计算机可执行指令。当其以软件的方式实现时，所述的可执行指令可以存储在存储器中，并被设备中的处理器执行。

与前述分割感兴趣区域的方法的实施例相对应，本申请还提供了分割感兴趣区域的装置及电子设备的实施例。

参见图9，为本申请一种分割感兴趣区域的装置900的一个实施例框图，该装置包括：

交互模块910，用于获取用户在医疗图像上对感兴趣区域绘制的路径标注；

处理模块920，用于对所述医疗图像进行重新采样，进行均衡化处理得到图像深度为预设值的目标医疗图像；根据所述路径标注，从所述目标医疗图像中分割出所述感兴趣区域的轮廓。

在一些例子中，所述处理模块920还用于：通过图像边缘检测算法，获取所述目标医疗图像中各局部的边缘轮廓；若所述路径标注为自适应曲线段，从所述各局部边缘轮廓上寻找包围所述自适应曲线段的感兴趣区域的轮廓。

在一些例子中，所述处理模块920还用于：

通过图像边缘检测算法，获取所述目标医疗图像中各局部的边缘轮廓；

参见图10所示，对应于上述方法，本申请同时提供一种分割感兴趣区域的设备。如图10所示，该设备可以包括处理器1001以及机器可读存储介质1002，其中，处理器1001和机器可读存储介质1002通常借由内部总线1003相互连接。在其他可能的实现方式中，所述设备还可能包括外部接口1004，以能够与其他设备或者部件进行通信。进一步地，机器可读存储介质(内存)1002上存储有分割感兴趣区域的控制逻辑，该控制逻辑从功能上划分的逻辑模块，可以是图9所示的分割感兴趣区域的装置的结构。所述处理器1001用于执行如下步骤：

获取用户在医疗图像上对感兴趣区域绘制的路径标注；

在不同的例子中，所述图10所述的电子设备的机器可读存储介质1002可以是：RAM(Radom Access Memory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由本申请的权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims

1.一种分割感兴趣区域的方法，其特征在于，所述方法包括：

获取用户在医疗图像上对感兴趣区域绘制的路径标注；

根据所述路径标注，从所述目标医疗图像中分割出所述感兴趣区域的轮廓包括：

若所述路径标注为自适应曲线段，从所述各局部边缘轮廓上确定所述自适应曲线段的其中一端点对应的第一目标点，所述第一目标点为距所述一端点在设定距离内权重值最低的点；

按预设规则寻找经过所述第一目标点及所述第二目标点且包围所述自适应曲线段的感兴趣区域的轮廓，其中，所述预设规则包括：选择当前点的下一步可选点中权重值最低的点为所述感兴趣区域轮廓上下一步经过的点；

其中，所述目标医疗图像上各点的权重值反相关于自身对应的颜色梯度值，反相关于自身与所述自适应曲线段的距离，且所述自适应曲线段上的点的权重值高于所述各局部的边缘轮廓上各点的权重值。

2.根据权利要求1所述的方法，其特征在于，所述路径标注包括：自适应曲线段、自适应闭合曲线或固定曲线段/闭合曲线。

3.根据权利要求1所述的方法，其特征在于，所述根据所述路径标注，从所述目标医疗图像中分割出感兴趣区域的轮廓，包括：

若为与所述第一方向相反的第二方向，则从所述闭合曲线内部寻找感兴趣区域的轮廓；

其中，所述感兴趣区域的轮廓由所述各局部的边缘轮廓上的点连接而成。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述对所述医疗图像进行重新采样，进行均衡化处理得到图像深度为预设值的目标医疗图像，包括步骤：

5.根据权利要求1所述的方法，其特征在于，所述从所述目标医疗图像中分割出所述感兴趣区域的轮廓后，所述方法还包括步骤：

根据新绘制的路径标注，对所述分割出所述感兴趣区域的轮廓进行调整，获得最终的感兴趣区域的轮廓。

6.一种分割感兴趣区域的装置，其特征在于，所述装置包括：

处理模块，用于对所述医疗图像进行重新采样，进行均衡化处理得到图像深度为预设值的目标医疗图像；根据所述路径标注，从所述目标医疗图像中分割出所述感兴趣区域的轮廓；

所述处理模块还用于：

若所述路径标注为自适应曲线段，从所述各局部边缘轮廓的点寻找包围所述自适应曲线段的感兴趣区域的轮廓；

所述处理模块还用于：

7.根据权利要求6所述的装置，其特征在于，所述处理模块还用于：

8.一种分割感兴趣区域的电子设备，其特征在于，包括：

存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求1所述的方法。

9.一种机器可读存储介质，其特征在于，所述机器可读存储介质上存储有若干计算机指令，所述计算机指令被执行时进行如权利要求1所述的方法。