CN111161241B - 一种肝脏图像识别方法、电子设备及存储介质 - Google Patents
一种肝脏图像识别方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111161241B CN111161241B CN201911381945.1A CN201911381945A CN111161241B CN 111161241 B CN111161241 B CN 111161241B CN 201911381945 A CN201911381945 A CN 201911381945A CN 111161241 B CN111161241 B CN 111161241B
- Authority
- CN
- China
- Prior art keywords
- image sequence
- liver
- region
- hepatic
- vein
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 210000004185 liver Anatomy 0.000 title claims abstract description 482
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 210000003240 portal vein Anatomy 0.000 claims abstract description 164
- 210000002989 hepatic vein Anatomy 0.000 claims abstract description 110
- 210000004204 blood vessel Anatomy 0.000 claims description 99
- 230000002440 hepatic effect Effects 0.000 claims description 94
- 210000003462 vein Anatomy 0.000 claims description 55
- 238000004891 communication Methods 0.000 claims description 44
- 230000011218 segmentation Effects 0.000 claims description 35
- 210000001631 vena cava inferior Anatomy 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 238000007670 refining Methods 0.000 claims 1
- 230000002792 vascular Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 210000005228 liver tissue Anatomy 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 206010019695 Hepatic neoplasm Diseases 0.000 description 1
- 210000000683 abdominal cavity Anatomy 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Abstract
本申请实施例公开了一种肝脏图像识别方法，该方法包括：获取待分段肝脏的医学图像序列；基于所述医学图像序列，确定对应的肝脏区域掩膜图像序列和肝脏血管掩膜图像序列；基于肝脏区域掩膜图像序列和肝脏血管掩膜图像序列，确定门静脉图像序列和肝静脉图像序列；采用目标分类器对医学图像序列、肝脏区域掩膜图像序列和肝脏血管掩膜图像序列进行分割处理，确定肝脏尾状叶图像序列；从肝脏区域掩膜图像序列中去除肝脏尾状叶图像序列，得到目标肝脏区域掩膜图像序列；基于肝静脉图像序列和门静脉图像序列，对目标肝脏区域掩膜图像序列进行分割，得到目标肝脏分段。本申请实施例还提供了一种电子设备和存储介质。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种肝脏图像识别方法、电子设备及存储介质。
背景技术
随着计算机辅助诊断技术和计算机图形图像处理技术的快速发展，计算机肝脏辅助诊断系统在肝脏肿瘤的初筛及肝脏切除手术中开始得到应用，从而达到辅助医生的目的。目前，常用的计算机肝脏辅助诊断系统通常对磁共振成像(Magnetic ResonanceImaging，MRI)或电子计算机断层扫描(Computed Tomography，CT)图像进行相应的处理，分割出肝脏区域及肝内血管，然后基于肝内血管的特点对肝脏区域实现分段，并对分段的肝脏部位进行相应的三维立体展示，以实现对肝脏的分段。
但是上述对肝脏进行分段的方法中，还依赖于医生对某些肝脏系统部位的标记，不能实现自动对肝脏部位进行分段，导致电子设备的智能化程度较低，且造成电子设备对肝脏部位进行分段的准确率较低。
申请内容
为解决上述技术问题，本申请实施例期望提供一种肝脏图像识别方法、电子设备及存储介质，解决了现有技术中不能全自动对肝脏部位进行分段处理的问题，提高了电子设备对肝脏部位进行分段的准确率和电子设备的智能化程度。
本申请的技术方案是这样实现的：
第一方面，一种肝脏图像识别方法，所述方法包括：
获取待分段肝脏的医学图像序列；其中，所述待分段肝脏的医学图像序列用于构成所述待分段肝脏的完整三维肝脏形状；
基于所述医学图像序列，确定对应的肝脏区域掩膜图像序列和肝脏血管掩膜图像序列；
基于所述肝脏区域掩膜图像序列和所述肝脏血管掩膜图像序列，确定门静脉图像序列和肝静脉图像序列；
采用目标分类器对所述医学图像序列、所述肝脏区域掩膜图像序列和所述肝脏血管掩膜图像序列进行分割处理，确定肝脏尾状叶图像序列；
从所述肝脏区域掩膜图像序列中去除所述肝脏尾状叶图像序列，得到目标肝脏区域掩膜图像序列；
基于所述肝静脉图像序列和所述门静脉图像序列，对所述目标肝脏区域掩膜图像序列进行分割，得到目标肝脏分段。
可选的，所述基于所述肝脏区域掩膜图像序列和所述肝脏血管掩膜图像序列，确定门静脉图像序列和肝静脉图像序列，包括：
基于所述肝脏区域掩膜图像序列和所述肝脏血管掩膜图像序列，确定下腔静脉图像序列；
基于所述下腔静脉图像序列，去除所述肝脏血管掩膜图像序列中的下腔静脉，得到第一血管掩膜图像序列；
对所述第一血管掩膜图像序列中的血管进行细化处理，确定所述门静脉图像序列和所述肝静脉图像序列。
可选的，所述对所述第一血管掩膜图像序列中的血管进行细化处理，确定所述门静脉图像序列和所述肝静脉图像序列，包括：
对所述第一血管掩膜图像序列中的血管进行细化处理，得到第二血管掩膜图像序列；
确定门静脉所在的第一位置范围和肝静脉所在的第二位置范围；
在所述第二血管掩膜图像序列中获取所述第一位置范围内的血管图像序列，得到所述门静脉图像序列；
在所述第二血管掩膜图像序列中获取所述第二位置范围内的血管图像序列，得到所述肝静脉图像序列。
可选的，所述基于所述肝静脉图像序列和所述门静脉图像序列，对所述目标肝脏区域掩膜图像序列进行分割，得到目标肝脏分段，包括：
确定对所述肝静脉图像序列进行分割的第一分割线；
基于所述第一分割线对所述目标肝脏区域掩膜图像序列进行分割，得到第一目标分段；
对所述门静脉图像序列进行分段，得到目标门静脉分段；
基于所述目标门静脉分段，分割所述第一目标分段，得到所述目标肝脏分段。
可选的，所述基于所述肝静脉图像序列，确定对所述肝静脉图像序列进行分割的第一分割线，包括：
确定所述医学图像序列的医学图像类型，并基于所述医学图像类型确定血管走向；
基于所述血管走向，对所述肝静脉图像序列进行区域连通分析，得到所述肝静脉图像序列中的肝左静脉连通区域、肝中静脉连通区域和肝右静脉连通区域；
将所述肝静脉图像序列投影至预设平面，得到包括肝静脉分布的肝静脉投影图像；
在所述肝静脉投影图像中确定所述肝左静脉连通区域对应的肝左静脉分支所在第一区域、所述肝中静脉连通区域对应的肝中静脉分支所在第二区域和所述肝右静脉连通区域对应的肝右静脉分所在第三区域；
基于所述第一区域、所述第二区域和所述第三区域，确定所述第一分割线。
可选的，所述基于所述第一区域、所述第二区域和所述第三区域，确定所述第一分割线，包括：
对所述第一区域内每一像素点的坐标位置进行直线拟合，得到所述第一分割线中的第一子分割线；
对所述第二区域内每一像素点的坐标位置进行直线拟合，得到所述第一分割线中的第二子分割线；
对所述第三区域内每一像素点的坐标位置进行直线拟合，得到所述第一分割线中的第三子分割线。
可选的，所述基于所述第一分割线对所述目标肝脏区域掩膜图像序列进行分割，得到第一目标分段，包括：
采用所述第一子分割线、所述第二子分割线和所述第三子分割线对所述目标肝脏区域掩膜图像序列进行分割，并根据预设坐标方向依次将分割得到的区域依次确定为所述待分段肝脏的左外区图像序列、左内区图像序列、右前区图像序列和右后区图像序列；其中，所述第一目标分段包括所述左外区图像序列、所述左内区图像序列、所述右前区图像序列和所述右后区图像序列。
可选的，所述对所述门静脉图像序列进行分段，得到目标门静脉分段，包括：
基于所述门静脉图像序列，构建门静脉血管树；
将所述门静脉血管树中的三级及以上分支，确定为目标分支；
对所述目标分支进行分析处理，在所述门静脉图像序列中确定所述待分段肝脏的左肝门静脉上下两段图像序列和所述待分段肝脏的右肝门静脉上下两段图像序列。
可选的，所述基于所述目标门静脉分段，分割所述第一目标分段，得到所述目标肝脏分段，包括：
基于所述左肝门静脉上下两段图像序列对所述左外区图像序列进行分割，得到所述目标肝脏分段中的左外区上段图像序列和左外区下段图像序列；
基于所述右肝门静脉上下两段图像序列对所述右前区图像序列和所述右后区图像序列依次进行分割，得到所述目标肝脏分段中的右前区上段图像序列、右前区下段图像序列、右后区上段图像序列和右后区下段图像序列；其中，所述目标肝脏分段还包括所述左内区图像序列。
可选的，所述基于所述左肝门静脉上下两段图像序列对所述左外区图像序列进行分割，得到所述目标肝脏分段中的左外区上段图像序列和左外区下段图像序列，包括：
获取所述左外区图像序列中每一图像的每一像素的第一坐标位置；
获取所述左肝门静脉上段图像序列中每一图像的每一像素的第二坐标位置；其中，所述左外区图像序列中的图像与所述左肝门静脉上段图像序列中的图像具有第一对应关系；
获取所述左肝门静脉下段图像序列中每一图像的每一像素的第三坐标位置；其中，所述左外区图像序列中的图像与所述左肝门静脉下段图像序列中的图像具有第二对应关系；
基于所述第一对应关系，计算所述第一坐标位置与所述第二坐标位置之间的距离，得到第一距离集合；
基于所述第二对应关系，计算第一坐标位置与所述第三坐标位置之间的距离，得到第二距离集合；
对所述第一距离集合和所述第二距离集合采用预设分类算法对所述左外区图像序列中每一图像的每一像素的坐标位置进行分类，得到所述左外区上段图像序列和所述左外区下段图像序列。
可选的，所述基于所述肝静脉图像序列和所述门静脉图像序列，对基于所述肝脏尾状叶图像序列去除肝脏尾状叶后的肝脏区域掩膜图像序列进行分割，得到目标肝脏分段之后，所述方法还包括：
将所述肝脏尾状叶图像序列标记为1段；
将所述左外区上段图像序列标记为2段、所述左外区下段图像序列标记为3段、所述左内区图像序列标记为4段、所述右前区上段图像序列标记为5段、右后区上段图像序列标记为6段、所述右后区下段图像序列标记为7段和所述右前区下段图像序列标记为8段。
第二方面，一种电子设备，所述电子设备包括：处理器、存储器和通信总线，其中：
所述存储器，用于存储可执行指令；
所述通信总线，用于实现所述处理器和所述存储器之间的通信连接；
所述处理器，用于执行所述存储器中存储的肝脏图像识别程序，实现如上述任一项所述的肝脏图像识别方法。
第三方面，一种存储介质，所述存储介质上存储有肝脏图像识别程序，所述肝脏图像识别程序被处理器执行时实现如上述任一项所述的肝脏图像识别方法的步骤。
本申请实施例提供了一种肝脏图像识别方法、电子设备及存储介质，获取待分段肝脏的医学图像序列后，基于医学图像序列，确定对应的肝脏区域掩膜图像序列和肝脏血管掩膜图像序列，然后基于肝脏区域掩膜图像序列进而肝脏血管掩膜图像序列，确定门静脉图像序列和肝静脉图像序列，并基于所述肝脏区域掩膜图像序列和所述肝脏血管掩膜图像序列，确定门静脉图像序列和肝静脉图像序列后，采用目标分类器对所述医学图像序列、所述肝脏区域掩膜图像序列和所述肝脏血管掩膜图像序列进行分割处理，确定肝脏尾状叶图像序列，且从所述肝脏区域掩膜图像序列中去除所述肝脏尾状叶图像序列，得到目标肝脏区域掩膜图像序列，最后基于所述肝静脉图像序列和所述门静脉图像序列，对所述目标肝脏区域掩膜图像序列进行分割，得到目标肝脏分段。这样，对医学图像序列、肝脏区域掩膜图像序列和肝脏血管掩膜图像序列进行分割处理，确定肝脏尾状叶图像序列后，去除肝脏尾状叶图像序列后的肝脏区域掩膜图像序列的目标肝脏区域掩膜图像序列，并通过门静脉图像序列和肝脏静脉图像序列，对目标肝脏区域掩膜图像序列进行分割得到目标分段，实现了对肝脏尾状叶图像序列进行分割，并实现了基于门静脉图像序列和肝脏静脉图像序列对目标肝脏区域掩膜图像序列进行分割，解决了现有技术中不能全自动对肝脏部位进行分段处理的问题，提高了电子设备对肝脏部位进行分段的准确率和电子设备的智能化程度。
附图说明
图1为本申请实施例提供的一种肝脏图像识别方法的流程示意图；
图2为本申请实施例提供的另一种肝脏图像识别方法的流程示意图；
图3为本申请实施例提供的一种肝脏医学图像示意图；
图4为本申请实施例提供的一种肝脏区域掩膜图像示意图；
图5为本申请实施例提供的一种肝脏血管掩膜图像示意图；
图6为本申请实施例提供的又一种肝脏图像识别方法的流程示意图；
图7为本申请实施例提供的一种应用场景示意图；
图8为本申请实施例提供的又一种应用场景示意图；
图9为本申请实施例提供的再一种肝脏图像识别方法的流程示意图；
图10为本申请实施例提供的一种电子设备的结构示意图。
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。
本申请的实施例提供一种肝脏图像识别方法，参照图1所示，方法应用于电子设备，该方法包括以下步骤：
步骤101、获取待分段肝脏的医学图像序列。
其中，待分段肝脏的医学图像序列用于构成待分段肝脏的完整三维肝脏形状。
在本申请实施例中，待分段肝脏的医学图像序列可以是待分段肝脏的横断面图像序列，也可以是矢状位图像序列，还可以是冠状位图像序列，采集得到上述医学图像序列的采集方式可以是通过磁共振成像(Magnetic Resonance Imaging，MRI)，或者电子计算机断层扫描(Computed Tomography，CT)。其中，CT利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器围绕人体的肝脏部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查；根据所采用的射线不同可分为：X射线CT(X-CT)以及γ射线CT(γ-CT)等。电子设备可以是计算机等能够对图像进行处理的设备。
步骤102、基于医学图像序列，确定对应的肝脏区域掩膜图像序列和肝脏血管掩膜图像序列。
在本申请实施例中，得到医学图像序列后，由于医学图像序列中还有除肝脏组织外的其他身体组织的图像内容，为了提高对待分段肝脏的分段准确率，需对得到的医学图像序列中的肝脏组织所在的图像进行提取标识，得到脏脏所在区域的图像，即肝脏区域掩膜图像序列。并且为了进一步提高待分段肝脏进行分段的准确率，还对医学图像序列中与肝脏相关的血管进行提取标识，得到肝脏血管掩膜图像序列。其中，肝脏血管掩膜图像序列中的血管包括全部肝内血管和部分肝外血管，部分肝外血管例如下腔静脉。
步骤103、基于肝脏区域掩膜图像序列和肝脏血管掩膜图像序列，确定门静脉图像序列和肝静脉图像序列。
在本申请实施例中，由于肝脏血管门静脉和肝静脉各自具备明显的区分特点，所以可以根据肝脏门静脉和肝静脉的特点，对肝脏区域掩膜图像序列和肝脏血管掩膜图像序列进行一定的处理，区分得到门静脉图像序列和肝静脉图像序列。
步骤104、采用目标分类器对医学图像序列、肝脏区域掩膜图像序列和肝脏血管掩膜图像序列进行分割处理，确定肝脏尾状叶图像序列。
在本申请实施例中，目标分类器是针对肝脏尾状叶图像进行大量训练得到的一个图像分类器，即一个已训练好的神经网络模型，其能够高精度地将肝脏中的肝脏尾状叶图像分割出来。
步骤105、从肝脏区域掩膜图像序列中去除肝脏尾状叶图像序列，得到目标肝脏区域掩膜图像序列。
在本申请实施例中，由于已经得到高精度的肝脏尾状叶图像序列，因此，可以将肝脏区域掩膜图像序列中与肝脏尾状叶图像序列对应的图像序列中的肝脏尾状叶区域去除，例如在肝脏区域掩膜图像序列中将肝脏尾状叶区域部分的像素值设置为背景像素的像素值，从而得到目标肝脏区域掩膜图像序列。
步骤106、基于肝静脉图像序列和门静脉图像序列，对目标肝脏区域掩膜图像序列进行分割，得到目标肝脏分段。
在本申请实施例中，采用肝静脉图像序列和门静脉图像序列，即基于肝静脉和门静脉对目标肝脏区域掩膜图像序列进行精准分割，实现对待分段肝脏进行分割得到包括肝脏尾状叶图像序列对应的肝脏尾状叶段在内的8段。
本申请实施例提供了一种肝脏图像识别方法，获取待分段肝脏的医学图像序列后，基于医学图像序列，确定对应的肝脏区域掩膜图像序列和肝脏血管掩膜图像序列，然后基于肝脏区域掩膜图像序列进而肝脏血管掩膜图像序列，确定门静脉图像序列和肝静脉图像序列，并基于肝脏区域掩膜图像序列和肝脏血管掩膜图像序列，确定门静脉图像序列和肝静脉图像序列后，采用目标分类器对医学图像序列、肝脏区域掩膜图像序列和肝脏血管掩膜图像序列进行分割处理，确定肝脏尾状叶图像序列，且从肝脏区域掩膜图像序列中去除肝脏尾状叶图像序列，得到目标肝脏区域掩膜图像序列，最后基于肝静脉图像序列和门静脉图像序列，对目标肝脏区域掩膜图像序列进行分割，得到目标肝脏分段。这样，对医学图像序列、肝脏区域掩膜图像序列和肝脏血管掩膜图像序列进行分割处理，确定肝脏尾状叶图像序列后，去除肝脏尾状叶图像序列后的肝脏区域掩膜图像序列的目标肝脏区域掩膜图像序列，并通过门静脉图像序列和肝脏静脉图像序列，对目标肝脏区域掩膜图像序列进行分割得到目标分段，实现了对肝脏尾状叶图像序列进行分割，并实现了基于门静脉图像序列和肝脏静脉图像序列对目标肝脏区域掩膜图像序列进行分割，解决了现有技术中不能全自动对肝脏部位进行分段处理的问题，提高了电子设备对肝脏部位进行分段的准确率和电子设备的智能化程度。
基于前述实施例，本申请实施例提供一种一种肝脏图像识别方法，参照图2所示，方法应用于电子设备，该方法包括以下步骤：
步骤201、获取待分段肝脏的医学图像序列。
其中，待分段肝脏的医学图像序列用于构成待分段肝脏的完整三维肝脏形状。
在本申请实施例中，示例性的，采用CT对患者腹腔进行间隔采样，得到肝脏多个位置的CT图像序列，假设每一CT图像的大小为512*512，且一共采样了128张，则待分段肝脏的医学图像序列为512*512*128，其中，128张CT图像是按照肝脏位置顺序依次排列的，即128张CT图像按照排列顺序叠加起来时，对应的肝脏部分可以得到肝脏的三维立体形状。其中，医学图像序列中的一张CT图像可以如图3所示。
步骤202、基于医学图像序列，确定对应的肝脏区域掩膜图像序列和肝脏血管掩膜图像序列。
在本申请实施例中，肝脏区域掩膜图像序列可以采用例如神经网络模型算法对医学图像序列进行分割处理得到的。肝脏血管掩膜图像序列可以采用例如卷积神经网络模型或者基于网格的分割线优化算法来得到。在得到肝脏区域掩膜图像序列和肝脏血管掩膜图像序列时，将医学图像序列的每一图像中属于肝脏的像素值设为1，对应的除肝脏外的其他像素设置为背景，对应的背景像素可以设置为0，这样即可得到肝脏区域掩膜图像序列；将医学图像序列的每一图像中肝脏区域内的血管的像素值设为1，对应的除血管外的其他像素设置为背景，对应的背景像素可以设置为0，这样即可得到的肝脏血管掩膜图像序列。在其他一些应用场景中，肝脏区域掩膜图像序列中肝脏区域的像素值也可以设置为0，对应的背景像素值设置为1，肝脏血管掩膜图像序列中血管所在的像素值设置为0，对应的背景像素值设置为1。即采用方式只要能够将肝脏或者肝脏血管区分标识出来即可。图4所示为对图3所示的医学图像进行处理得到的一张肝脏掩膜图像示意图；图5所示为对图3所示的医学图像进行处理得到的一张肝脏血管掩膜图像示意图。
步骤203、基于肝脏区域掩膜图像序列和肝脏血管掩膜图像序列，确定门静脉图像序列和肝静脉图像序列。
在本申请实施例中，门静脉图像序列的图像数量一般低于肝脏区域掩膜图像序列的图像数量，门静脉图像序列的图像数量一般也低于肝脏血管掩膜图像序列的图像序列；肝静脉图像序列的图像数量一般低于肝脏区域掩膜图像序列的图像数量，肝静脉图像序列的图像数量一般也低于肝脏血管掩膜图像序列的图像序列。
在本申请其他实施例中，步骤203可以由以下步骤203a～203c来实现：
步骤203a、基于肝脏区域掩膜图像序列和肝脏血管掩膜图像序列，确定下腔静脉图像序列。
在本申请实施例中，由于下腔静脉是处于肝脏外的一根纵向延伸，即与患者脊椎平行的方向的大血管，所以可以利用肝脏区域掩膜图像序列对肝脏血管掩膜图像序列进行处理。假设肝脏区域掩膜图像序列中肝脏区域的像素值为0，背景像素值为1，肝脏血管掩膜图像序列中血管区域的像素值为0，背景像素值为1，对应的，利用肝脏区域掩膜图像序列对肝脏血管掩膜图像序列进行处理具体可以为：假设医学图像序列的坐标表示分别为三维坐标(x,y,z)，肝脏横截面在xy平面上，x轴为垂直与患者脊椎的水平方向，y轴为平行于患者背的水平方向，z轴为平行于脊椎的方向，对应的肝脏下端为z轴方向靠近患者尾椎的区域，肝脏上端为z轴方向靠近患者颈椎的区域，分别从肝脏血管掩膜图像序列和肝脏区域掩膜图像序列获取第i序列号肝脏血管掩膜图像和第i序列号肝脏区域掩膜图像，在第i序列号肝脏血管掩膜图像中，确定第i序列号肝脏区域掩膜图像中像素值为0的像素点对应的目标像素点，并将目标像素点的像素值设置为1，其中，i的取值从1到128，这样可以得到n张仅有一个连通区域的血管图像，由于处于肝脏上端的血管为下腔静脉，因此可以将该n张血管图像确定属于肝脏上端的下腔静脉区域。找到n张肝脏上端的下腔静脉区域的横断面后，假设在z后方向，从肝脏上端至肝脏下端方向，n从1逐渐增大，根据确定的第n张血管图像中血管区域，从第n+1张血管图像中确定与第n张中的血管区域在同一像素区域像素距离最近的血管区域，并进行相应的标识，确定为下腔静脉，以此重复，直至查找到第128张图像，这样，将所有下腔静脉区域组合，即可以得到整个下腔静脉血管。
步骤203b、基于下腔静脉图像序列，去除肝脏血管掩膜图像序列中的下腔静脉，得到第一血管掩膜图像序列。
在本申请实施例中，在肝脏血管掩膜图像序列中，从下腔静脉图像序列确定与每一肝脏血管掩膜图像对应的下腔静脉图像，然后将每一肝脏血管掩膜图像中与下腔静脉图像中血管区域对应的像素点的像素值设置为背景像素值，即可实现将肝脏血管掩膜图像序列中的下腔静脉去除，这样，消除了下腔静脉对门静脉和肝静脉血管区域的干扰，提高了后续对待分段肝脏进行分段的准确率。
步骤203c、对第一血管掩膜图像序列中的血管进行细化处理，确定门静脉图像序列和肝静脉图像序列。
在本申请实施例中，门静脉和肝静脉分别汇合于肝脏下端和肝脏上端，对肝脏进行分段时，只需考虑肝静脉和门静脉的主干区域即可，因此，可以对第一血管掩膜图像序列中的每一图像采用细化处理方法例如拓扑细化方法(Topological Thinning)进行细化处理，去除血管的细小分支，需说明的是，细化方法可以是预先设定好的，也可以是根据用户例如医生自己在预先设定好的多种细化方法中选择一种实现的。根据门静脉和肝静脉的特定，可以确定门静脉总是位于肝脏下端的单个连通区域，细化后的肝静脉位于肝脏上端的多个连通区域中。需说明的是，此处的连通区域为在z轴方向的连通。
步骤204、采用目标分类器对医学图像序列、肝脏区域掩膜图像序列和肝脏血管掩膜图像序列进行分割处理，确定肝脏尾状叶图像序列。
在本申请实施例中，肝脏尾状叶的特点为半环状包绕肝后的下腔静脉，且位于肝内肝静脉和门静脉之间。在一些应用场景中，也可以只采用肝脏区域掩膜图像序列和肝脏血管掩膜图像序列、或者医学图像序列和肝脏血管掩膜图像序列、或者医学图像序列进行肝脏尾状叶的分割，但是通常分割精度较低。
步骤205、从肝脏区域掩膜图像序列中去除肝脏尾状叶图像序列，得到目标肝脏区域掩膜图像序列。
在本申请实施例中，在肝脏区域掩膜图像序列的每一图像中与肝脏尾状叶图像序列中对应的肝脏尾状叶所在像素点的像素值设置为背景像素，即可实现去除肝脏尾状叶的过程，从而得到不包括肝脏尾状叶的目标肝脏区域掩膜图像序列。
步骤206、基于肝静脉图像序列和门静脉图像序列，对目标肝脏区域掩膜图像序列进行分割，得到目标肝脏分段。
在本申请其他实施例中，步骤206可以由以下步骤206a～206d来实现：
步骤206a、确定对肝静脉图像序列进行分割的第一分割线。
在本申请实施例中，根据肝静脉的特点即肝静脉存在肝左静脉、肝右静脉和肝中静脉三个分支，因此，可以根据肝左静脉、肝右静脉和肝中静脉三个分支确定第一分割线，对应的第一分割线可以是根据第一分割线可以一个分割线集合，其至少包括三条子分割线。
步骤206b、基于第一分割线对目标肝脏区域掩膜图像序列进行分割，得到第一目标分段。
在本申请实施例中，第一分割线将目标肝脏区域掩膜图像序列中的每一图像至少分为三部分，即可得到第一目标分段。
步骤206c、对门静脉图像序列进行分段，得到目标门静脉分段。
在本申请实施例中，基于门静脉的特点，在z轴方向对于门静脉图像序列进行门静脉拓扑结构分析，建立门静脉血管树，可以将门静脉分为目标门静脉分段，包括右肝上端、右肝下端、左肝上端和左肝下端四个分段。
步骤206d、基于目标门静脉分段，分割第一目标分段，得到目标肝脏分段。
在本申请实施例中，目标门静脉分段对至少分成三段的第一目标分段分别进行上下段分割，从而得到除肝脏尾状叶段的其他七段，即目标肝脏分段。
需要说明的是，本实施例中与其它实施例中相同步骤和相同内容的说明，可以参照其它实施例中的描述，此处不再赘述。
本申请实施例提供了一种肝脏图像识别方法，获取待分段肝脏的医学图像序列后，基于医学图像序列，确定对应的肝脏区域掩膜图像序列和肝脏血管掩膜图像序列，然后基于肝脏区域掩膜图像序列进而肝脏血管掩膜图像序列，确定门静脉图像序列和肝静脉图像序列，并基于肝脏区域掩膜图像序列和肝脏血管掩膜图像序列，确定门静脉图像序列和肝静脉图像序列后，采用目标分类器对医学图像序列、肝脏区域掩膜图像序列和肝脏血管掩膜图像序列进行分割处理，确定肝脏尾状叶图像序列，且从肝脏区域掩膜图像序列中去除肝脏尾状叶图像序列，得到目标肝脏区域掩膜图像序列，最后基于肝静脉图像序列和门静脉图像序列，对目标肝脏区域掩膜图像序列进行分割，得到目标肝脏分段。这样，对医学图像序列、肝脏区域掩膜图像序列和肝脏血管掩膜图像序列进行分割处理，确定肝脏尾状叶图像序列后，去除肝脏尾状叶图像序列后的肝脏区域掩膜图像序列的目标肝脏区域掩膜图像序列，并通过门静脉图像序列和肝脏静脉图像序列，对目标肝脏区域掩膜图像序列进行分割得到目标分段，实现了对肝脏尾状叶图像序列进行分割，并实现了基于门静脉图像序列和肝脏静脉图像序列对目标肝脏区域掩膜图像序列进行分割，解决了现有技术中不能全自动对肝脏部位进行分段处理的问题，提高了电子设备对肝脏部位进行分段的准确率和电子设备的智能化程度。
基于前述实施例，本申请的实施例提供一种肝脏图像识别方法，参照图6所示，方法应用于电子设备，该方法包括以下步骤：
步骤301、获取待分段肝脏的医学图像序列。
其中，待分段肝脏的医学图像序列用于构成待分段肝脏的完整三维肝脏形状。
步骤302、基于医学图像序列，确定对应的肝脏区域掩膜图像序列和肝脏血管掩膜图像序列。
步骤303、基于肝脏区域掩膜图像序列和肝脏血管掩膜图像序列，确定下腔静脉图像序列。
步骤304、基于下腔静脉图像序列，去除肝脏血管掩膜图像序列中的下腔静脉，得到第一血管掩膜图像序列。
步骤305、对第一血管掩膜图像序列中的血管进行细化处理，确定门静脉图像序列和肝静脉图像序列。
在本申请其他实施例中，步骤305可以由以下步骤305a～305d来实现：
步骤305a、对第一血管掩膜图像序列中的血管进行细化处理，得到第二血管掩膜图像序列。
在本申请实施例中，第二血管掩膜图像序列中，有的图像中存在一个连通区域，有的图像中存在多个连通区域。
步骤305b、确定门静脉所在的第一位置范围和肝静脉所在的第二位置范围。
在本申请实施例中，第一位置范围和第二位置范围是根据门静脉和肝静脉的特点来确定的，即门静脉总是处于肝脏下端，肝静脉总是处于肝脏上端，且门静脉通常为单个连通区域，而肝静脉存在多个连通区域。
步骤305c、在第二血管掩膜图像序列中获取第一位置范围内的血管图像序列，得到门静脉图像序列。
在本申请实施例中，第一位置范围在z轴方向，处于肝脏上端范围。
步骤305d、在第二血管掩膜图像序列中获取第二位置范围内的血管图像序列，得到肝静脉图像序列。
在本申请实施例中，第二位置范围在z轴方向，处于肝脏下端范围。
步骤306、采用目标分类器对医学图像序列、肝脏区域掩膜图像序列和肝脏血管掩膜图像序列进行分割处理，确定肝脏尾状叶图像序列。
步骤307、从肝脏区域掩膜图像序列中去除肝脏尾状叶图像序列，得到目标肝脏区域掩膜图像序列。
步骤308、确定对肝静脉图像序列进行分割的第一分割线。
在本申请其他实施例中，步骤308可以由以下步骤来实现：
步骤308a、确定医学图像序列的医学图像类型，并基于医学图像类型确定血管走向。
在本申请实施例中，医学图像类型包括矢状位图像、冠状位图像和横断面图像。在横断面图像中，血管的走向例如可以定义为从患者头部到脚部；在矢状位图像中，血管走向可以定义为从患者左手方向到右手方向；在冠状位图像中，血管走向可以定义为从患者的前胸到后背方向。
步骤308b、基于血管走向，对肝静脉图像序列进行区域连通分析，得到肝静脉图像序列中的肝左静脉连通区域、肝中静脉连通区域和肝右静脉连通区域。
在本申请实施例中，与前述实施例保持一致，以确定的医学图像类型为横断面图像为例进行说明，即在z轴方向，确定肝静脉图像序列中相邻图像中的血管区域的像素区域距离最近的区域为区域连通，这样可以确定肝静脉图像序列中每一肝静脉图像中的血管区域属于肝左静脉连通区域、肝中静脉连通区域和肝右静脉连通区域中的哪一类，可以采用不同的标识信息对属于同一类的连通区域进行标识。
步骤308c、将肝静脉图像序列投影至预设平面，得到包括肝静脉分布的肝静脉投影图像。
在本申请实施例中，预设平面通常为与患者脊椎平行的平面，即无论医学图像类型为哪一类，在肝静脉图像序列进行投影时，均投影至与患者脊椎垂直的平面。示例性的，将肝静脉图像序列投影在与患者脊椎平行的平面即yz平面上，在yz平面上标记肝静脉图像序列中第j个肝静脉图像中肝静脉区域，示例性的。
步骤308d、在肝静脉投影图像中确定肝左静脉连通区域对应的肝左静脉分支所在第一区域、肝中静脉连通区域对应的肝中静脉分支所在第二区域和肝右静脉连通区域对应的肝右静脉分所在第三区域。
在本申请实施例中，在一些应用场景中，也可以根据肝静脉投影图像，确定连通区域得到三维肝静脉分布结构，这样，可以直接对得到的三维肝静脉分布结构在yz平面进行投影，得到第一区域、第二区域和第三区域，示例性的，如图7所示，其中A为第一区域、B为第二区域和C为第三区域。
步骤308e、基于第一区域、第二区域和第三区域，确定第一分割线。
在本申请实施例中，对第一区域、第二区域和第三区域中的像素点进行拟合，确定对应的分割线。
在本申请其他实施例中，步骤308e可以由以下步骤a11～a13来实现：
步骤a11、对第一区域内每一像素点的坐标位置进行直线拟合，得到第一分割线中的第一子分割线。
在本申请实施例中，进行直线拟合的方法可以包括最小二乘法等直线拟合方法。
步骤a12、对第二区域内每一像素点的坐标位置进行直线拟合，得到第一分割线中的第二子分割线。
步骤a13、对第三区域内每一像素点的坐标位置进行直线拟合，得到第一分割线中的第三子分割线。
步骤309、基于第一分割线对目标肝脏区域掩膜图像序列进行分割，得到第一目标分段。
在本申请其他实施例中，步骤309可以由以下步骤来实现：
步骤b11、采用第一子分割线、第二子分割线和第三子分割线对目标肝脏区域掩膜图像序列进行分割，并根据预设坐标方向依次将分割得到的区域依次确定为待分段肝脏的左外区图像序列、左内区图像序列、右前区图像序列和右后区图像序列。
其中，第一目标分段包括左外区图像序列、左内区图像序列、右前区图像序列和右后区图像序列。
在本申请实施例中，预设坐标方向为根据肝脏的实际左肝和右肝位置来确定的。可以先采用第一子分割线对目标肝脏区域图像序列中的每一图像进行分割，将该每一图像分割成两部分图像，然后采用第二子分割线对第二子分割线所在部分图像进行分割，将第二子分割线所在部分图像分成两部分图像，然后采用第三子分割线对第三子分割线所在部分图像进行分割，分割成两部分，从而将目标肝脏区域图像序列中的每一图像分成四部分，根据左肝和右肝位置，来对目标肝脏区域图像序列中的每一图像分成的四部分依次进行标识，从而得到目标肝脏区域图像序列中的每一图像的左外区图像序列、左内区图像序列、右前区图像序列和右后区图像序列，最终得到待分段肝脏的左外区图像序列、左内区图像序列、右前区图像序列和右后区图像序列。示例性的，如图8所示为划分后的第一目标分段示意图，包括D1左外区图像序列、D2左内区图像序列、D3右前区图像序列和D4右后区图像序列其中，E1第一子分割线、E2第二子分割线和E3第三子分割线。
步骤310、对门静脉图像序列进行分段，得到目标门静脉分段。
在本申请其他实施例中，步骤310可以由以下步骤c11～c13来实现：
步骤c11、基于门静脉图像序列，构建门静脉血管树。
在本申请实施例中，可以利用深度搜索对门静脉图像序列进行处理，构建得到门静脉血管树。其中，在深度搜索构建门静脉血管树过程中，由于门静脉从肝脏下端进入肝脏后进行分叉，所以位于肝脏下端有且仅有一个在z方向上的图像序列构成的一个连通区域，因此，可以确定为门静脉区域，即作为门静脉的根节点，然后基于根节点即可得到对应的门静脉血管树。
步骤c12、将门静脉血管树中的三级及以上分支，确定为目标分支。
步骤c13、对目标分支进行分析处理，在门静脉图像序列中确定待分段肝脏的左肝门静脉上下两段图像序列和待分段肝脏的右肝门静脉上下两段图像序列。
在本申请实施例中，首先对目标分支进行分类处理，例如根据分支所处的y轴的位置，采用聚类等方法，将目标分支分为两组得到第一目标子分支和第二目标子分支，其中，第一目标子分支属于左肝，第二目标子分支属于右肝，然后对第一目标子分支和第二目标子分支分别根据其在z轴的位置，使用聚类等方法，分为上下两支，从而得到待分段肝脏的左肝门静脉上下两段图像序列和待分段肝脏的右肝门静脉上下两段图像序列。
步骤311、基于目标门静脉分段，分割第一目标分段，得到目标肝脏分段。
在本申请其他实施例中，步骤311可以由以下步骤d11～d12来实现：
步骤d11、基于左肝门静脉上下两段图像序列对左外区图像序列进行分割，得到目标肝脏分段中的左外区上段图像序列和左外区下段图像序列。
在本申请其他实施例中，步骤d11可以由以下步骤来实现：
步骤d111、获取左外区图像序列中每一图像的每一像素的第一坐标位置。
步骤d112、获取左肝门静脉上段图像序列中每一图像的每一像素的第二坐标位置。
其中，左外区图像序列中的图像与左肝门静脉上段图像序列中的图像具有第一对应关系。
在本申请实施例中，第一对应关系指的是由于左肝门静脉上段图像序列中的左肝门静脉位于左外区图像序列中的图像中的肝脏中，所以左肝门静脉上段图像序列中的图标序列编号是左外区图像序列中的图像中的一部分，且存在一一对应的关系。
步骤d113、获取左肝门静脉下段图像序列中每一图像的每一像素的第三坐标位置。
其中，左外区图像序列中的图像与左肝门静脉下段图像序列中的图像具有第二对应关系。
在本申请实施例中，第二对应关系指的是左肝门静脉下段图像序列中的左肝门静脉位于左外区图像序列中的图像中的肝脏中，所以左肝门静脉下段图像序列中的图标序列编号是左外区图像序列中的图像中的一部分，且存在一一对应的关系。
步骤d114、基于第一对应关系，计算第一坐标位置与第二坐标位置之间的距离，得到第一距离集合。
在本申请实施例中，第一对应关系，即对左外区图像序列中图像序列标号为k的图像的每一像素的第一坐标位置与左肝门静脉上段图像序列中图像序列标号为k的图像的每一像素的第二坐标位置采用距离计算方式进行计算，得到图像序列标号为K的图像的所有像素点的距离集合。其中，距离计算方式包括欧式距离计算公式、切比雪夫距离公式等。
步骤d115、基于第二对应关系，计算第一坐标位置与第三坐标位置之间的距离，得到第二距离集合。
步骤d116、对第一距离集合和第二距离集合采用预设分类算法对左外区图像序列中每一图像的每一像素的坐标位置进行分类，得到左外区上段图像序列和左外区下段图像序列。
在本申请实施例中，预设分类算法可以包括最近邻法。
步骤d12、基于右肝门静脉上下两段图像序列对右前区图像序列和右后区图像序列依次进行分割，得到目标肝脏分段中的右前区上段图像序列、右前区下段图像序列、右后区上段图像序列和右后区下段图像序列。
其中，目标肝脏分段还包括左内区图像序列。
在本申请其他实施例中，如图9所示，电子设备执行步骤311之后，还可以继续执行以下步骤：
步骤312、将肝脏尾状叶图像序列标记为1段。
步骤313、将左外区上段图像序列标记为2段、左外区下段图像序列标记为3段、左内区图像序列标记为4段、右前区上段图像序列标记为5段、右后区上段图像序列标记为6段、右后区下段图像序列标记为7段和右前区下段图像序列标记为8段。
在本申请其他实施例中，还可以采用三维构建方式将分段得到的8段肝脏分段区域进行三维构建，得到对应的分段模型并在相应的显示区域进行显示。
需要说明的是，本实施例中与其它实施例中相同步骤和相同内容的说明，可以参照其它实施例中的描述，此处不再赘述。
本申请实施例提供了一种肝脏图像识别方法，获取待分段肝脏的医学图像序列后，基于医学图像序列，确定对应的肝脏区域掩膜图像序列和肝脏血管掩膜图像序列，然后基于肝脏区域掩膜图像序列进而肝脏血管掩膜图像序列，确定门静脉图像序列和肝静脉图像序列，并基于肝脏区域掩膜图像序列和肝脏血管掩膜图像序列，确定门静脉图像序列和肝静脉图像序列后，采用目标分类器对医学图像序列、肝脏区域掩膜图像序列和肝脏血管掩膜图像序列进行分割处理，确定肝脏尾状叶图像序列，且从肝脏区域掩膜图像序列中去除肝脏尾状叶图像序列，得到目标肝脏区域掩膜图像序列，最后基于肝静脉图像序列和门静脉图像序列，对目标肝脏区域掩膜图像序列进行分割，得到目标肝脏分段。这样，对医学图像序列、肝脏区域掩膜图像序列和肝脏血管掩膜图像序列进行分割处理，确定肝脏尾状叶图像序列后，去除肝脏尾状叶图像序列后的肝脏区域掩膜图像序列的目标肝脏区域掩膜图像序列，并通过门静脉图像序列和肝脏静脉图像序列，对目标肝脏区域掩膜图像序列进行分割得到目标分段，实现了对肝脏尾状叶图像序列进行分割，并实现了基于门静脉图像序列和肝脏静脉图像序列对目标肝脏区域掩膜图像序列进行分割，解决了现有技术中不能全自动对肝脏部位进行分段处理的问题，提高了电子设备对肝脏部位进行分段的准确率和电子设备的智能化程度。
基于前述实施例，本申请的实施例提供一种电子设备，该电子设备可以应用于图1～2、6、9对应的实施例提供的肝脏图像识别方法中，参照图10所示，该电子设备4可以包括：处理器41、存储器42和通信总线43，其中：
通信总线43，用于实现处理器41和存储器42之间的通信连接；
处理器41，用于执行存储器42中存储的肝脏图像识别程序，以实现以下步骤：
获取待分段肝脏的医学图像序列；其中，待分段肝脏的医学图像序列用于构成待分段肝脏的完整三维肝脏形状；
基于医学图像序列，确定对应的肝脏区域掩膜图像序列和肝脏血管掩膜图像序列；
基于肝脏区域掩膜图像序列和肝脏血管掩膜图像序列，确定门静脉图像序列和肝静脉图像序列；
采用目标分类器对医学图像序列、肝脏区域掩膜图像序列和肝脏血管掩膜图像序列进行分割处理，确定肝脏尾状叶图像序列；
从肝脏区域掩膜图像序列中去除肝脏尾状叶图像序列，得到目标肝脏区域掩膜图像序列；
基于肝静脉图像序列和门静脉图像序列，对目标肝脏区域掩膜图像序列进行分割，得到目标肝脏分段。
在本申请其他实施例中，处理器执行基于肝脏区域掩膜图像序列和肝脏血管掩膜图像序列，确定门静脉图像序列和肝静脉图像序列，以实现以下步骤：
基于肝脏区域掩膜图像序列和肝脏血管掩膜图像序列，确定下腔静脉图像序列；
基于下腔静脉图像序列，去除肝脏血管掩膜图像序列中的下腔静脉，得到第一血管掩膜图像序列；
对第一血管掩膜图像序列中的血管进行细化处理，确定门静脉图像序列和肝静脉图像序列。
在本申请其他实施例中，处理器执行对第一血管掩膜图像序列中的血管进行细化处理，确定门静脉图像序列和肝静脉图像序列，以实现以下步骤：
对第一血管掩膜图像序列中的血管进行细化处理，得到第二血管掩膜图像序列；
确定门静脉所在的第一位置范围和肝静脉所在的第二位置范围；
在第二血管掩膜图像序列中获取第一位置范围内的血管图像序列，得到门静脉图像序列；
在第二血管掩膜图像序列中获取第二位置范围内的血管图像序列，得到肝静脉图像序列。
在本申请其他实施例中，处理器执行基于肝静脉图像序列和门静脉图像序列，对目标肝脏区域掩膜图像序列进行分割，得到目标肝脏分段，以实现以下步骤：
确定对肝静脉图像序列进行分割的第一分割线；
基于第一分割线对目标肝脏区域掩膜图像序列进行分割，得到第一目标分段；
对门静脉图像序列进行分段，得到目标门静脉分段；
基于目标门静脉分段，分割第一目标分段，得到目标肝脏分段。
在本申请其他实施例中，处理器执行基于肝静脉图像序列，确定对肝静脉图像序列进行分割的第一分割线，以实现以下步骤：
确定医学图像序列的医学图像类型，并基于医学图像类型确定血管走向；
基于血管走向，对肝静脉图像序列进行区域连通分析，得到肝静脉图像序列中的肝左静脉连通区域、肝中静脉连通区域和肝右静脉连通区域；
将肝静脉图像序列投影至预设平面，得到包括肝静脉分布的肝静脉投影图像；
在肝静脉投影图像中确定肝左静脉连通区域对应的肝左静脉分支所在第一区域、肝中静脉连通区域对应的肝中静脉分支所在第二区域和肝右静脉连通区域对应的肝右静脉分所在第三区域；
基于第一区域、第二区域和第三区域，确定第一分割线。
在本申请其他实施例中，处理器执行基于第一区域、第二区域和第三区域，确定第一分割线，以实现以下步骤：
对第一区域内每一像素点的坐标位置进行直线拟合，得到第一分割线中的第一子分割线；
对第二区域内每一像素点的坐标位置进行直线拟合，得到第一分割线中的第二子分割线；
对第三区域内每一像素点的坐标位置进行直线拟合，得到第一分割线中的第三子分割线。
在本申请其他实施例中，处理器执行基于第一分割线对目标肝脏区域掩膜图像序列进行分割，得到第一目标分段，以实现以下步骤：
采用第一子分割线、第二子分割线和第三子分割线对目标肝脏区域掩膜图像序列进行分割，并根据预设坐标方向依次将分割得到的区域依次确定为待分段肝脏的左外区图像序列、左内区图像序列、右前区图像序列和右后区图像序列；其中，第一目标分段包括左外区图像序列、左内区图像序列、右前区图像序列和右后区图像序列。
在本申请其他实施例中，处理器执行对门静脉图像序列进行分段，得到目标门静脉分段，以实现以下步骤：
基于门静脉图像序列，构建门静脉血管树；
将门静脉血管树中的三级及以上分支，确定为目标分支；
对目标分支进行分析处理，在门静脉图像序列中确定待分段肝脏的左肝门静脉上下两段图像序列和待分段肝脏的右肝门静脉上下两段图像序列。
在本申请其他实施例中，处理器执行基于目标门静脉分段，分割第一目标分段，得到目标肝脏分段，以实现以下步骤：
基于左肝门静脉上下两段图像序列对左外区图像序列进行分割，得到目标肝脏分段中的左外区上段图像序列和左外区下段图像序列；
基于右肝门静脉上下两段图像序列对右前区图像序列和右后区图像序列依次进行分割，得到目标肝脏分段中的右前区上段图像序列、右前区下段图像序列、右后区上段图像序列和右后区下段图像序列；其中，目标肝脏分段还包括左内区图像序列。
在本申请其他实施例中，处理器执行基于左肝门静脉上下两段图像序列对左外区图像序列进行分割，得到目标肝脏分段中的左外区上段图像序列和左外区下段图像序列，以实现以下步骤：
获取左外区图像序列中每一图像的每一像素的第一坐标位置；
获取左肝门静脉上段图像序列中每一图像的每一像素的第二坐标位置；其中，左外区图像序列中的图像与左肝门静脉上段图像序列中的图像具有第一对应关系；
获取左肝门静脉下段图像序列中每一图像的每一像素的第三坐标位置；其中，左外区图像序列中的图像与左肝门静脉下段图像序列中的图像具有第二对应关系；
基于第一对应关系，计算第一坐标位置与第二坐标位置之间的距离，得到第一距离集合；
基于第二对应关系，计算第一坐标位置与第三坐标位置之间的距离，得到第二距离集合；
对第一距离集合和第二距离集合采用预设分类算法对左外区图像序列中每一图像的每一像素的坐标位置进行分类，得到左外区上段图像序列和左外区下段图像序列。
在本申请其他实施例中，处理器执行基于肝静脉图像序列和门静脉图像序列，对基于肝脏尾状叶图像序列去除肝脏尾状叶后的肝脏区域掩膜图像序列进行分割，得到目标肝脏分段之后，还用于执行以下步骤：
将肝脏尾状叶图像序列标记为1段；
将左外区上段图像序列标记为2段、左外区下段图像序列标记为3段、左内区图像序列标记为4段、右前区上段图像序列标记为5段、右后区上段图像序列标记为6段、右后区下段图像序列标记为7段和右前区下段图像序列标记为8段。
需要说明的是，本实施例中处理器所执行的步骤的具体实现过程，可以参照图1～2、6、9对应的实施例提供的肝脏图像识别方法中的实现过程，此处不再赘述。
本申请实施例提供了一种电子设备，获取待分段肝脏的医学图像序列后，基于医学图像序列，确定对应的肝脏区域掩膜图像序列和肝脏血管掩膜图像序列，然后基于肝脏区域掩膜图像序列进而肝脏血管掩膜图像序列，确定门静脉图像序列和肝静脉图像序列，并基于肝脏区域掩膜图像序列和肝脏血管掩膜图像序列，确定门静脉图像序列和肝静脉图像序列后，采用目标分类器对医学图像序列、肝脏区域掩膜图像序列和肝脏血管掩膜图像序列进行分割处理，确定肝脏尾状叶图像序列，且从肝脏区域掩膜图像序列中去除肝脏尾状叶图像序列，得到目标肝脏区域掩膜图像序列，最后基于肝静脉图像序列和门静脉图像序列，对目标肝脏区域掩膜图像序列进行分割，得到目标肝脏分段。这样，对医学图像序列、肝脏区域掩膜图像序列和肝脏血管掩膜图像序列进行分割处理，确定肝脏尾状叶图像序列后，去除肝脏尾状叶图像序列后的肝脏区域掩膜图像序列的目标肝脏区域掩膜图像序列，并通过门静脉图像序列和肝脏静脉图像序列，对目标肝脏区域掩膜图像序列进行分割得到目标分段，实现了对肝脏尾状叶图像序列进行分割，并实现了基于门静脉图像序列和肝脏静脉图像序列对目标肝脏区域掩膜图像序列进行分割，解决了现有技术中不能全自动对肝脏部位进行分段处理的问题，提高了电子设备对肝脏部位进行分段的准确率和电子设备的智能化程度。
基于前述实施例，本申请的实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现如图1～2、6、9对应的实施例提供的肝脏图像识别方法的实现过程，此处不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。
Claims (12)
1.一种肝脏图像识别方法，所述方法包括：
获取待分段肝脏的医学图像序列；其中，所述待分段肝脏的医学图像序列用于构成所述待分段肝脏的完整三维肝脏形状；
基于所述医学图像序列，确定对应的肝脏区域掩膜图像序列和肝脏血管掩膜图像序列；
基于所述肝脏区域掩膜图像序列和所述肝脏血管掩膜图像序列，确定下腔静脉图像序列；
基于所述下腔静脉图像序列，去除所述肝脏血管掩膜图像序列中的下腔静脉，得到第一血管掩膜图像序列；
对所述第一血管掩膜图像序列中的血管进行细化处理，确定门静脉图像序列和肝静脉图像序列；
采用目标分类器对所述医学图像序列、所述肝脏区域掩膜图像序列和所述肝脏血管掩膜图像序列进行分割处理，确定肝脏尾状叶图像序列；
从所述肝脏区域掩膜图像序列中去除所述肝脏尾状叶图像序列，得到目标肝脏区域掩膜图像序列；
基于所述肝静脉图像序列和所述门静脉图像序列，对所述目标肝脏区域掩膜图像序列进行分割，得到目标肝脏分段。
2.根据权利要求1所述的方法，所述对所述第一血管掩膜图像序列中的血管进行细化处理，确定门静脉图像序列和肝静脉图像序列，包括：
对所述第一血管掩膜图像序列中的血管进行细化处理，得到第二血管掩膜图像序列；
确定门静脉所在的第一位置范围和肝静脉所在的第二位置范围；
在所述第二血管掩膜图像序列中获取所述第一位置范围内的血管图像序列，得到所述门静脉图像序列；
在所述第二血管掩膜图像序列中获取所述第二位置范围内的血管图像序列，得到所述肝静脉图像序列。
3.根据权利要求1所述的方法，所述基于所述肝静脉图像序列和所述门静脉图像序列，对所述目标肝脏区域掩膜图像序列进行分割，得到目标肝脏分段，包括：
确定对所述肝静脉图像序列进行分割的第一分割线；
基于所述第一分割线对所述目标肝脏区域掩膜图像序列进行分割，得到第一目标分段；
对所述门静脉图像序列进行分段，得到目标门静脉分段；
基于所述目标门静脉分段，分割所述第一目标分段，得到所述目标肝脏分段。
4.根据权利要求3所述的方法，所述基于所述肝静脉图像序列，确定对所述肝静脉图像序列进行分割的第一分割线，包括：
确定所述医学图像序列的医学图像类型，并基于所述医学图像类型确定血管走向；
基于所述血管走向，对所述肝静脉图像序列进行区域连通分析，得到所述肝静脉图像序列中的肝左静脉连通区域、肝中静脉连通区域和肝右静脉连通区域；
将所述肝静脉图像序列投影至预设平面，得到包括肝静脉分布的肝静脉投影图像；
在所述肝静脉投影图像中确定所述肝左静脉连通区域对应的肝左静脉分支所在第一区域、所述肝中静脉连通区域对应的肝中静脉分支所在第二区域和所述肝右静脉连通区域对应的肝右静脉分所在第三区域；
基于所述第一区域、所述第二区域和所述第三区域，确定所述第一分割线。
5.根据权利要求4所述的方法，所述基于所述第一区域、所述第二区域和所述第三区域，确定所述第一分割线，包括：
对所述第一区域内每一像素点的坐标位置进行直线拟合，得到所述第一分割线中的第一子分割线；
对所述第二区域内每一像素点的坐标位置进行直线拟合，得到所述第一分割线中的第二子分割线；
对所述第三区域内每一像素点的坐标位置进行直线拟合，得到所述第一分割线中的第三子分割线。
6.根据权利要求5所述的方法，所述基于所述第一分割线对所述目标肝脏区域掩膜图像序列进行分割，得到第一目标分段，包括：
采用所述第一子分割线、所述第二子分割线和所述第三子分割线对所述目标肝脏区域掩膜图像序列进行分割，并根据预设坐标方向依次将分割得到的区域依次确定为所述待分段肝脏的左外区图像序列、左内区图像序列、右前区图像序列和右后区图像序列；其中，所述第一目标分段包括所述左外区图像序列、所述左内区图像序列、所述右前区图像序列和所述右后区图像序列。
7.根据权利要求6所述的方法，所述对所述门静脉图像序列进行分段，得到目标门静脉分段，包括：
基于所述门静脉图像序列，构建门静脉血管树；
将所述门静脉血管树中的三级及以上分支，确定为目标分支；
对所述目标分支进行分析处理，在所述门静脉图像序列中确定所述待分段肝脏的左肝门静脉上下两段图像序列和所述待分段肝脏的右肝门静脉上下两段图像序列。
8.根据权利要求7所述的方法，所述基于所述目标门静脉分段，分割所述第一目标分段，得到所述目标肝脏分段，包括：
基于所述左肝门静脉上下两段图像序列对所述左外区图像序列进行分割，得到所述目标肝脏分段中的左外区上段图像序列和左外区下段图像序列；
基于所述右肝门静脉上下两段图像序列对所述右前区图像序列和所述右后区图像序列依次进行分割，得到所述目标肝脏分段中的右前区上段图像序列、右前区下段图像序列、右后区上段图像序列和右后区下段图像序列；其中，所述目标肝脏分段还包括所述左内区图像序列。
9.根据权利要求8所述的方法，所述基于所述左肝门静脉上下两段图像序列对所述左外区图像序列进行分割，得到所述目标肝脏分段中的左外区上段图像序列和左外区下段图像序列，包括：
获取所述左外区图像序列中每一图像的每一像素的第一坐标位置；
获取所述左肝门静脉上段图像序列中每一图像的每一像素的第二坐标位置；其中，所述左外区图像序列中的图像与所述左肝门静脉上段图像序列中的图像具有第一对应关系；
获取所述左肝门静脉下段图像序列中每一图像的每一像素的第三坐标位置；其中，所述左外区图像序列中的图像与所述左肝门静脉下段图像序列中的图像具有第二对应关系；
基于所述第一对应关系，计算所述第一坐标位置与所述第二坐标位置之间的距离，得到第一距离集合；
基于所述第二对应关系，计算第一坐标位置与所述第三坐标位置之间的距离，得到第二距离集合；
对所述第一距离集合和所述第二距离集合采用预设分类算法对所述左外区图像序列中每一图像的每一像素的坐标位置进行分类，得到所述左外区上段图像序列和所述左外区下段图像序列。
10.根据权利要求9所述的方法，所述基于所述肝静脉图像序列和所述门静脉图像序列，对基于所述肝脏尾状叶图像序列去除肝脏尾状叶后的肝脏区域掩膜图像序列进行分割，得到目标肝脏分段之后，所述方法还包括：
将所述肝脏尾状叶图像序列标记为1段；
将所述左外区上段图像序列标记为2段、所述左外区下段图像序列标记为3段、所述左内区图像序列标记为4段、所述右前区上段图像序列标记为5段、右后区上段图像序列标记为6段、所述右后区下段图像序列标记为7段和所述右前区下段图像序列标记为8段。
11.一种电子设备，所述电子设备包括：处理器、存储器和通信总线，其中：
所述存储器，用于存储可执行指令；
所述通信总线，用于实现所述处理器和所述存储器之间的通信连接；
所述处理器，用于执行所述存储器中存储的肝脏图像识别程序，实现如权利要求1至10中任一项所述的肝脏图像识别方法。
12.一种存储介质，所述存储介质上存储有肝脏图像识别程序，所述肝脏图像识别程序被处理器执行时实现如权利要求1至10中任一项所述的肝脏图像识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911381945.1A CN111161241B (zh) | 2019-12-27 | 2019-12-27 | 一种肝脏图像识别方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911381945.1A CN111161241B (zh) | 2019-12-27 | 2019-12-27 | 一种肝脏图像识别方法、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111161241A CN111161241A (zh) | 2020-05-15 |
| CN111161241B true CN111161241B (zh) | 2024-04-23 |
Family
ID=70558742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911381945.1A Active CN111161241B (zh) | 2019-12-27 | 2019-12-27 | 一种肝脏图像识别方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111161241B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508953B (zh) * | 2021-02-05 | 2021-05-18 | 四川大学 | 基于深度神经网络的脑膜瘤快速分割定性方法 |
| CN113096066B (zh) * | 2021-02-26 | 2023-02-10 | 杭州臻合健康科技有限公司 | 一种基于智能肝门静脉的分型方法 |
| CN113052785A (zh) * | 2021-03-25 | 2021-06-29 | 上海志御软件信息有限公司 | 基于深度学习的自动化肝脏分段模型的构建方法、装置、计算机设备和存储介质 |
| WO2022223042A1 (zh) * | 2021-04-23 | 2022-10-27 | 武汉联影智融医疗科技有限公司 | 手术路径处理系统、方法、装置、设备及存储介质 |
| CN113674279B (zh) * | 2021-10-25 | 2022-03-08 | 青岛美迪康数字工程有限公司 | 基于深度学习的冠脉cta影像的处理方法及装置 |
| CN115546149B (zh) * | 2022-10-09 | 2023-11-17 | 推想医疗科技股份有限公司 | 肝脏分割方法及装置、电子设备及存储介质 |
| CN117576124B (zh) * | 2024-01-15 | 2024-04-30 | 福建智康云医疗科技有限公司 | 一种基于人工智能的腹部ct图像肝脏分割方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102693540A (zh) * | 2012-04-24 | 2012-09-26 | 深圳市旭东数字医学影像技术有限公司 | 一种肝脏分段的方法及其系统 |
| CN107818564A (zh) * | 2017-10-27 | 2018-03-20 | 深圳市图智能科技有限公司 | 一种肝脏3d医学影像分段方法 |
| CN110176004A (zh) * | 2019-04-24 | 2019-08-27 | 艾瑞迈迪科技石家庄有限公司 | 一种肝脏分段方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9990712B2 (en) * | 2015-04-08 | 2018-06-05 | Algotec Systems Ltd. | Organ detection and segmentation |
-
2019
- 2019-12-27 CN CN201911381945.1A patent/CN111161241B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102693540A (zh) * | 2012-04-24 | 2012-09-26 | 深圳市旭东数字医学影像技术有限公司 | 一种肝脏分段的方法及其系统 |
| CN107818564A (zh) * | 2017-10-27 | 2018-03-20 | 深圳市图智能科技有限公司 | 一种肝脏3d医学影像分段方法 |
| CN110176004A (zh) * | 2019-04-24 | 2019-08-27 | 艾瑞迈迪科技石家庄有限公司 | 一种肝脏分段方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于改进区域生长法的肝脏血管分割算法;王双双;中国优秀硕士学位论文全文数据库;第1-38页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111161241A (zh) | 2020-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111161241B (zh) | 一种肝脏图像识别方法、电子设备及存储介质 | |
| CN105913432B (zh) | 基于ct序列图像的主动脉提取方法及装置 | |
| CN112508965B (zh) | 医学影像中正常器官的轮廓线自动勾画系统 | |
| CN107067398B (zh) | 用于三维医学模型中缺失血管的补全方法及装置 | |
| CN107808156A (zh) | 感兴趣区域提取方法 | |
| CN111145206A (zh) | 肝脏图像分割质量评估方法、装置及计算机设备 | |
| CN107545584A (zh) | 医学图像中定位感兴趣区域的方法、装置及其系统 | |
| CN109712163B (zh) | 冠脉提取方法、装置、图像处理工作站和可读存储介质 | |
| CN106997594B (zh) | 一种眼部组织的定位方法及装置 | |
| JP2003033349A (ja) | 臓器の特定領域抽出表示方法及び装置 | |
| CN107106128B (zh) | 用于分割解剖目标的超声成像装置和方法 | |
| CN112862833A (zh) | 血管分段方法、电子装置和存储介质 | |
| CN113538471B (zh) | 斑块的分割方法、装置、计算机设备和存储介质 | |
| CN107103605A (zh) | 一种乳房组织的分割方法 | |
| CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和系统 | |
| CN110706236A (zh) | 血管图像的三维重建方法及装置 | |
| JP4675509B2 (ja) | 臓器の特定領域抽出表示装置及び方法 | |
| CN103140875A (zh) | 利用实况反馈对内部组织进行多模态分割的系统和方法 | |
| CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
| CN113192069A (zh) | 三维断层扫描图像中树状结构的语义分割方法和装置 | |
| CN115461790A (zh) | 用于对图像中的结构进行分类的方法和装置 | |
| CN115300809B (zh) | 图像处理方法及装置、计算机设备和存储介质 | |
| CN110858412B (zh) | 基于图像配准的心脏冠脉cta模型建立方法 | |
| CN108573494B (zh) | 一种管状结构提取方法及装置 | |
| Smith et al. | Automated torso contour extraction from clinical cardiac MR slices for 3D torso reconstruction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |