CN112132854B - 图像分割的方法及装置，以及电子设备 - Google Patents
图像分割的方法及装置，以及电子设备 Download PDFInfo
- Publication number
- CN112132854B CN112132854B CN202011002964.1A CN202011002964A CN112132854B CN 112132854 B CN112132854 B CN 112132854B CN 202011002964 A CN202011002964 A CN 202011002964A CN 112132854 B CN112132854 B CN 112132854B
- Authority
- CN
- China
- Prior art keywords
- medical image
- sub
- segmentation result
- head medical
- connected domain
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003709 image segmentation Methods 0.000 title claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims abstract description 148
- 206010053942 Cerebral haematoma Diseases 0.000 claims abstract description 86
- 239000011159 matrix material Substances 0.000 claims description 58
- 206010018852 Haematoma Diseases 0.000 claims description 54
- 210000004556 brain Anatomy 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 17
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 16
- 230000002490 cerebral effect Effects 0.000 abstract 1
- 238000007792 addition Methods 0.000 description 51
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000002591 computed tomography Methods 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 4
- 102100035971 Molybdopterin molybdenumtransferase Human genes 0.000 description 3
- 101710119577 Molybdopterin molybdenumtransferase Proteins 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 208000020658 intracerebral hemorrhage Diseases 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 230000002269 spontaneous effect Effects 0.000 description 2
- 206010015769 Extradural haematoma Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 208000002667 Subdural Hematoma Diseases 0.000 description 1
- 208000008116 Traumatic Cerebral Hemorrhage Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007914 intraventricular administration Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/30016—Brain
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请公开了一种图像分割的方法及装置，以及电子设备。该方法包括：根据头部医学影像的脑血肿的初步分割结果，对预处理的头部医学影像进行脑血肿的再次分割，以获得所述预处理的头部医学影像的脑血肿的再次分割结果；根据所述再次分割结果，获取所述头部医学影像的脑血肿的最终分割结果，能够在脑部医学影像存在数据异质性的情况下，提高头部医学影像的脑血肿的分割效果。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种图像分割的方法及装置，以及电子设备。
背景技术
脑出血指由血管破裂引发的脑内出血，医学上所指的脑出血主要是自发性的非外伤性脑出血，即自发性脑出血，自发性脑出血通常是由高血压、高血糖、高血脂和抽烟等因素引起的。该疾病发病突然，病情凶险，治疗费用、复发率、致残率和死亡率都很高，超过40％的脑出血患者会在一个月内死亡，幸存的患者中80％的需要依靠他人的护理而活着。
根据出血部位不同可分为以下五种脑出血类型：硬膜外血肿（epidural）、脑实质内血肿(intraparenchymal)、脑室血肿(intraventricular)、蛛网膜下腔血肿(subarachnoid)、硬膜下血肿(subdural)。然而，由于脑出血有多种类型，且受到头部医学影像数据的厂商来源，成像质量等因素的影响，因此，头部医学影像数据之间的异质性会导致头部医学影像的脑血肿的分割效果不佳。
发明内容
有鉴于此，本申请的实施例致力于提供一种图像分割的方法及装置，以及电子设备，能够在头部医学影像存在数据异质性的情况下，提高头部医学影像的脑血肿的分割效果。
根据本申请实施例的第一方面，提供了一种图像分割的方法，包括：根据头部医学影像的脑血肿的初步分割结果，对预处理的头部医学影像进行脑血肿的再次分割，以获得所述预处理的头部医学影像的脑血肿的再次分割结果；根据所述再次分割结果，获取所述头部医学影像的脑血肿的最终分割结果。
在一个实施例中，所述根据所述头部医学影像的脑血肿的初步分割结果，对所述预处理的头部医学影像进行脑血肿的再次分割，以获得所述预处理的头部医学影像的脑血肿的再次分割结果，包括：对所述初步分割结果进行二值化处理，以获得与所述初步分割结果对应的二值化图像；对所述二值化图像进行脑血肿的连通域提取，以获得所述头部医学影像的至少一个第一连通域；基于所述头部医学影像的至少一个第一连通域，对所述预处理的头部医学影像进行脑血肿的再次分割，以获得所述再次分割结果。
在一个实施例中，所述基于所述头部医学影像的至少一个第一连通域，对所述预处理的头部医学影像进行脑血肿的再次分割，以获得所述再次分割结果，包括：获取所述预处理的头部医学影像的与所述至少一个第一连通域中的每个第一连通域的中心点对应的种子点；根据预设边界阈值和所述种子点，通过区域生长算法，获得所述预处理的头部医学影像的至少一个第二连通域；根据所述预处理的头部医学影像的至少一个第二连通域，获取所述再次分割结果。
在一个实施例中，在一个实施例中，所述根据所述预处理的头部医学影像的至少一个第二连通域，获取所述再次分割结果，包括：对所述至少一个第二连通域中的每个第二连通域进行形态学处理，获得所述第二连通域对应的多个第二子连通域；根据所述多个第二子连通域，通过预设规则，获得所述预处理的头部医学影像的至少一个第三连通域；确定所述至少一个第三连通域为所述再次分割结果。
在一个实施例中，所述根据所述再次分割结果，获取所述头部医学影像的脑血肿的最终分割结果，包括：根据所述至少一个第三连通域，获取所述最终分割结果。
在一个实施例中，当所述至少一个第二连通域的个数为至少两个时，所述根据所述多个第二子连通域，通过预设规则，获得所述预处理的头部医学影像的至少一个第三连通域，包括：根据所述多个第二子连通域的个数，确定是否去除与所述多个第二子连通域对应的第二连通域，以获得所述预处理的头部医学影像的至少一个第四连通域，其中，所述至少一个第四连通域中的每个第四连通域对应多个第四子连通域；根据所述多个第四子连通域中的每个第四子连通域的面积，确定是否去除所述第四子连通域，以获得所述至少一个第三连通域。
在一个实施例中，所述根据所述多个第二子连通域的个数，确定是否去除与所述多个第二子连通域对应的第二连通域，以获得所述预处理的头部医学影像的至少一个第四连通域，包括：将所述多个第二子连通域的个数与预设个数阈值进行对比；去除所述多个第二子连通域的个数大于所述预设个数阈值的第二连通域，以获得所述至少一个第四连通域。
在一个实施例中，所述根据所述多个第四子连通域中的每个第四子连通域的面积，确定是否去除所述第四子连通域，以获得所述至少一个第三连通域，包括：将所述多个第四子连通域中的每个第四子连通域的面积与脑血肿面积阈值进行对比；去除所述多个第四子连通域中的面积小于所述脑血肿面积阈值的第四子连通域，以获得所述至少一个第三连通域。
在一个实施例中，所述根据所述多个第二子连通域，通过预设规则，获得所述预处理的头部医学影像的至少一个第三连通域，包括：根据所述多个第二子连通域中的每个第二子连通域的面积，确定是否去除所述第二子连通域，以获得所述至少一个第三连通域。
在一个实施例中，当所述至少一个第二连通域的个数为至少两个时，所述根据所述多个第二子连通域，通过预设规则，获得所述预处理的头部医学影像的至少一个第三连通域，包括：根据所述多个第二子连通域的个数，确定是否去除与所述多个第二子连通域对应的第二连通域，以获得所述至少一个第三连通域。
在一个实施例中，当所述至少一个第三连通域的个数为至少两个时，所述根据所述至少一个第三连通域，获取所述最终分割结果，包括：将至少两个第三连通域进行矩阵加操作，以获得所述预处理的头部医学影像的每个像素点对应的矩阵加运算值，其中，所述矩阵加运算值为至少两个二值化数值相加得到；根据矩阵加运算阈值，对所述预处理的头部医学影像的每个像素点对应的矩阵加运算值进行多数投票二值化处理，以获得所述预处理的头部医学影像的脑血肿的最终连通域；将所述最终连通域和所述至少一个第一连通域进行矩阵加操作，以获得所述最终分割结果。
在一个实施例中，当所述至少一个第三连通域的个数为一个时，所述根据所述至少一个第三连通域，获取所述最终分割结果，包括：将一个第三连通域与所述至少一个第一连通域进行矩阵加操作，以获得所述最终分割结果。
在一个实施例中，所述方法还包括：根据所述头部医学影像，通过网络模型，得到所述初步分割结果。
在一个实施例中，所述方法还包括：对所述头部医学影像进行曲率滤波，得到所述预处理的头部医学影像。
根据本申请实施例的第二方面，提供了一种图像分割的装置，包括：再分割模块，配置为根据头部医学影像的脑血肿的初步分割结果，对预处理的头部医学影像进行脑血肿的再次分割，以获得所述预处理的头部医学影像的脑血肿的再次分割结果；获取模块，配置为根据所述再次分割结果，获取所述头部医学影像的脑血肿的最终分割结果。
在一个实施例中，所述装置还包括：用于执行上述实施例提及的图像分割的方法中的各个步骤的模块。
根据本申请实施例的第三方面，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的方法。
根据本申请实施例的第四方面，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的方法。
本申请的实施例所提供的一种图像分割的方法，通过根据头部医学影像的脑血肿的初步分割结果，对预处理的头部医学影像进行脑血肿的再次分割，以获得预处理的头部医学影像的脑血肿的再次分割结果，再根据再次分割结果，获取头部医学影像的脑血肿的最终分割结果，能够在头部医学影像存在数据异质性的情况下，提高头部医学影像的脑血肿的分割效果。
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的系统的框图。
图3所示为本申请一个实施例提供的图像分割的方法的流程示意图。
图4a所示为本申请一个实施例提供的脑血肿的初步分割结果的示意图。
图4b所示为本申请一个实施例提供的脑血肿的最终分割结果的示意图。
图5所示为本申请另一个实施例提供的图像分割的方法的流程示意图。
图6所示为本申请另一个实施例提供的图像分割的方法的流程示意图。
图7所示为本申请另一个实施例提供的图像分割的方法的流程示意图。
图8所示为本申请另一个实施例提供的图像分割的方法的流程示意图。
图9所示为本发明一个实施例提供的图像分割的装置的框图。
图10所示为本发明一个实施例提供的电子设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
申请概述
医学图像是反映解剖区域内部结构或内部功能的图像，它是由一组图像元素——像素（2D）或立体像素（3D）组成的。医学图像是由采样或重建产生的离散性图像表征，它能将数值映射到不同的空间位置上。医学图像大多数是放射成像，功能性成像，磁共振成像，超声成像这几种方式。医学图像多是单通道灰度图像，尽管大量医学图像是3D的，但是医学图像中没有景深这种概念。
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。
对于脑血肿的分割，可以采用传统机器学习的方法，但是其局限于算法的人为设计，难以在不同厂商来源、不同图像质量的头部医学影像上保证鲁棒性；当然，也可以采用以深度神经网络为基础的深度学习方法，但是由于深度学习方法是数据驱动的，数据的异质性和训练时数据标注的不一致性，同样会导致头部医学影像的脑血肿的分割效果不佳的情况。
针对如前所述的技术问题，本申请的基本构思是提出一种图像分割的方法，主要是根据头部医学影像的脑血肿的初步分割结果，对预处理的头部医学影像进行脑血肿的再次分割，以获得预处理的头部医学影像的脑血肿的再次分割结果，再根据再次分割结果，获取头部医学影像的脑血肿的最终分割结果，从而能够在头部医学影像存在数据异质性的情况下，提高头部医学影像的脑血肿的分割效果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1是本申请实施例所提供的一种实施环境的示意图。该实施环境包括CT扫描仪130、服务器120和计算机设备110。计算机设备110可以从CT扫描仪130处获取头部医学影像，同时，计算机设备110还可以与服务器120之间通过通信网络相连。可选的，通信网络是有线网络或无线网络。
CT扫描仪130用于对人体组织进行X线扫描，得到人体组织的CT图像。在一实施例中，通过CT扫描仪130对头部进行扫描，可以得到胸部X线正位片，即本申请中的头部医学影像。
计算机设备110可以是通用型计算机或者由专用的集成电路组成的计算机装置等，本申请实施例对此不做限定。例如，计算机设备110可以是平板电脑等移动终端设备，或者也可以是个人计算机(Personal Computer，PC)，比如膝上型便携计算机和台式计算机等等。本领域技术人员可以知晓，上述计算机设备110的数量可以一个或多个，其类型可以相同或者不同。比如上述计算机设备110可以为一个，或者上述计算机设备110为几十个或几百个，或者更多数量。本申请实施例对计算机设备110的数量和设备类型不加以限定。计算机设备110中可以部署有网络模型，用于对头部医学影像进行初步脑血肿分割。计算机设备110可以利用其上部署的网络模型将其从CT扫描仪130获取的头部医学影像进行初步脑血肿分割，从而得到头部医学影像的脑血肿的初步分割结果，然后计算机设备110根据初步分割结果，对预处理的头部医学影像进行脑血肿的再次分割，从而得到预处理的头部医学影像的再次分割结果，最后计算机设备110根据再次分割结果，来获取头部医学影像的脑血肿的最终分割结果。这样，不管头部医学影像是否存在数据异质性，都能够提高头部医学影像的脑血肿的分割效果。
服务器120是一台服务器，或者由若干台服务器组成，或者是一个虚拟化平台，或者是一个云计算服务中心。在一些可选的实施例中，服务器120接收计算机设备110采集到的训练图像，并通过训练图像对神经网络进行训练，以得到用于分割脑血肿的网络模型。计算机设备110可以将其从CT扫描仪130获取到的头部医学影像发送给服务器，服务器120利用其上训练出的网络模型，对头部医学影像进行初步的脑血肿分割，从而得到头部医学影像的脑血肿的初步分割结果，然后服务器120根据初步分割结果，对预处理的头部医学影像进行脑血肿的再次分割，从而得到预处理的头部医学影像的再次分割结果，然后服务器120根据再次分割结果，来获取头部医学影像的脑血肿的最终分割结果，最后服务器120将该最终分割结果发送至计算机设备110，以供医生进行查看。这样，不管头部医学影像是否存在数据异质性，都能够提高头部医学影像的脑血肿的分割效果。
图2是本申请一个实施例提供的图像分割的系统的框图。如图2所示，该系统包括：
网络模型21，用于根据头部医学影像A，得到头部医学影像的脑血肿的初步分割结果B；
曲率滤波单元221，用于对头部医学影像A进行预处理，得到预处理的头部医学影像D；
第一连通域提取单元222，用于对初步分割结果B进行二值化处理，以获得与初步分割结果B对应的二值化图像，再对二值化图像进行脑血肿的连通域提取，以获得头部医学影像的至少一个第一连通域E；
区域增长单元223，用于获取预处理的头部医学影像D的与至少一个第一连通域E中的每个第一连通域的中心点对应的种子点，再根据预设边界阈值和该种子点，通过区域生长算法，获得预处理的头部医学影像D的至少一个第二连通域F；
形态学处理单元224，用于对至少一个第二连通域F中的每个第二连通域进行形态学处理，获得第二连通域对应的多个第二子连通域G；
连通域分析单元225，用于根据多个第二子连通域G，通过预设规则，获得预处理的头部医学影像D的至少一个第三连通域H；
矩阵加运算单元226，用于将至少两个第三连通域H进行矩阵加操作，以获得预处理的头部医学影像D的每个像素点对应的矩阵加运算值，再根据矩阵加运算阈值，对预处理的头部医学影像D的每个像素点对应的矩阵加运算值进行多数投票处理，以获得预处理的头部医学影像D的脑血肿的最终连通域I；
分割结果获取单元227，用于将最终连通域I和至少一个第一连通域E进行矩阵加操作，以获得最终分割结果C。
参照图2中带箭头实线所示的数据流向，以此方式来获得本实施例中的头部医学影像的脑血肿的最终分割结果C。
该头部医学影像A可以是指原始头部医学影像中的一层医学影像，原始医学影像中的每层医学影像均经过上述处理，得到每层医学影像对应的最终分割结果C，有序地合并每层医学影像对应的最终分割结果C，可以得到三维的脑血肿分割掩膜。
示例性方法
图3是本申请一个实施例提供的图像分割的方法的流程示意图。图3所述的方法由计算设备（例如，服务器）来执行，但本申请实施例不以此为限。服务器可以是一台服务器，或者由若干台服务器组成，或者是一个虚拟化平台，或者是一个云计算服务中心，本申请实施例对此不作限定。如图3所示，该方法包括如下内容。
S310：根据头部医学影像的脑血肿的初步分割结果，对预处理的头部医学影像进行脑血肿的再次分割，以获得所述预处理的头部医学影像的脑血肿的再次分割结果。
在一实施例中，该头部医学影像可以是指原始头部医学影像，原始头部医学影像可以是通过计算机断层扫描摄影（Computed Tomography，CT）、计算机X线摄影（ComputedRadiography，CR）、数字化X线摄影（Digital Radiography，DR）、核磁共振或超声等技术直接获得的影像。
在一实施例中，该头部医学影像可以是三维头部平扫CT影像，也可以是三维头部平扫CT影像中的一层二维医学影像，本申请实施例对此并不作具体限定。
在一实施例中，预处理的头部医学影像可以是指对头部医学影像进行预处理后，得到的医学影像。但是本申请实施例并不具体限定预处理的具体实现方式，预处理可以是指归一化、去噪处理或图像增强处理等。
例如，可以通过如下方式来进行预处理：对所述头部医学影像进行曲率滤波，得到所述预处理的头部医学影像。通过曲率滤波，可以保留头部医学影像的边缘信息，并对头部医学影像进行去噪。
通过对头部医学影像进预处理，可以以预处理的头部医学影像为基准，进行脑血肿的再次分割，从而排除了头部医学影像之间的数据的异质性和训练时数据标注的不一致性等因素对脑血肿分割效果的影响。
在一实施例中，首先可以对头部医学影像进行脑血肿的初步分割，以获得初步分割结果，再在初步分割结果的基础上，对预处理的头部医学影像进行脑血肿的再次分割，以获得预处理的头部医学影像的脑血肿的再次分割结果。
可以理解的是，初步分割结果是在头部医学影像的基础上获得的，再次分割结果是在预处理的头部医学影像的基础上获得的。初步分割结果可以理解为是头部医学影像的脑血肿的粗略的分割结果，再次分割结果可以理解为是对粗略的分割结果进行优化后，所得到的预处理的头部医学影像的脑血肿的精细的分割结果，也就是说，再次分割结果的分割精度高于初步分割结果的分割精度。
但是本申请实施例并不具体限定初步分割的实现方式，只要可以对头部医学影像进行脑血肿的初步分割即可；本申请实施例并不具体限定再次分割的实现方式，只要可以对预处理的头部医学影像进行脑血肿的再次分割即可。
在一个实施例中，初步分割结果可以通过如下方式来获取：根据头部医学影像，通过网络模型，得到初步分割结果。
例如，将头部医学影像输入网络模型中，以对头部医学影像的脑血肿进行初步分割，从而获得初步分割结果。
本申请实施例对该网络模型的具体类型不作限定，该网络模型可以是通过机器学习所获得的浅层模型，例如SVM分类器，或线性回归分类器等等，通过机器学习所获得的网络模型可以实现快速的图像分割，以提高模型分割的效率；该网络模型也可以是指通过深度学习获得的深层模型，该网络模型可以由任意类型的神经网络构成，且这些网络可以以ResNet、ResNeXt或DenseNet等为主干网络，通过深度学习所获得的网络模型可以提高模型分割的准确性。可选地，该网络模型可以为卷积神经网络(Convolutional NeuralNetwork，CNN)、深度神经网络(Deep Neural Network，DNN)或循环神经网络(RecurrentNeural Network，RNN)等。该网络模型可以包括输入层、卷积层、池化层、连接层等神经网络层，本申请实施例对此不作具体限定。另外，本申请实施例对每一种神经网络层的个数也不作限定。
S320：根据所述再次分割结果，获取所述头部医学影像的脑血肿的最终分割结果。
需要说明的是，本申请实施例并不限定如何根据再次分割结果，来获取头部医学影像的脑血肿的最终分割结果。
例如，可以直接将再次分割结果确定为头部医学影像的脑血肿的最终分割结果。最终分割结果是头部医学影像的脑血肿的精细的分割结果，也就是说，最终分割结果的分割精度高于初步分割结果的分割精度。
通过将再次分割结果直接确定为最终分割结果，可以使得在提高了脑血肿的分割效果的同时，提高了脑血肿的分割效率。
例如，也可以对再次分割结果进行优化，来获得头部医学影像的脑血肿的最终分割结果，即，将再次分割结果仅作为一个中间结果，然后根据该中间结果和其它分割结果，来获得头部医学影像的脑血肿的最终分割结果。最终分割结果是对再次分割结果进行优化后，所得到的头部医学影像的脑血肿的精细的分割结果，也就是说，最终分割结果的分割精度高于再次分割结果的分割精度，再次分割结果的分割精度高于初步分割结果的分割精度。
通过对再次分割结果进行优化，来获取最终分割结果，可以使得脑血肿的分割效果得到了最大程度的提高。
如图4a所示的为头部医学影像的脑血肿的初步分割结果，很明显，脑血肿的分割效果并不够好，所得到的一个脑血肿分为多个小区域，有些脑血肿也没有被分割出来；如图4b所示的为头部医学影像的脑血肿的最终分割结果，很明显，脑血肿的分割效果很好，基本上分割出了所有的脑血肿。
由此可见，本申请实施例通过对脑血肿进行两步分割，即，对头部医学影像进行初步分割和对预处理的头部医学影像进行再次分割，即使存在以上可能影响分割效果的局限性因素（例如，数据的异质性和训练时数据标注的不一致性等），也可以提高头部医学影像的脑血肿的分割效果。
在本申请另一个实施例中，如图5所示的方法是图3所示方法中的步骤S310的示例，如图5所示的方法包括如下内容。
S510：对所述初步分割结果进行二值化处理，以获得与所述初步分割结果对应的二值化图像。
应当理解，该初步分割结果可以为头部医学影像的脑血肿分割掩膜，即，头部医学影像上的一个区域为脑血肿的概率值为80%，头部医学影像上的另一个区域为脑血肿的概率值为50%。
在一实施例中，对初步分割结果进行二值化处理，可以获得与初步分割结果对应的二值化图像，即，该二值化图像上的各个像素点可以用0或1进行表示，1表示脑血肿区域的像素点，0表示背景区域的像素点。
S520：对所述二值化图像进行脑血肿的连通域提取，以获得所述头部医学影像的至少一个第一连通域。
在一实施例中，可以通过对二值化图像进行脑血肿的连通域提取，来获得头部医学影像的至少一个第一连通域，一个第一连通域对应头部医学影像上的一个脑血肿区域。
连通域提取的算法可以分为两类：一类是局部邻域算法，就是从局部到整体，逐个检查每个连通成分，确定一个“起始点”，再向周围邻域扩展地填入标记；另一类是从整体到局部，先确定不同的连通成分，再对每一个连通成分用区域填充方法填入标记，这两类算法操作的最终目的就是把白色像素和黑色像素组成的一幅点阵二值化图像中，将互相邻接的目标“1”值的像素集合提取出来，标记为脑血肿区域，将互相邻接的目标“0”值的像素集合提取出来，标记为背景区域。
S530：基于所述头部医学影像的至少一个第一连通域，对所述预处理的头部医学影像进行脑血肿的再次分割，以获得所述再次分割结果。
需要说明的是，本申请实施例并不限定如何基于头部医学影像的至少一个第一连通域，对预处理的头部医学影像进行脑血肿的再次分割，以获得再次分割结果。
例如，可以以头部医学影像的至少一个第一连通域为基准，在该基准的基础上，对预处理的头部医学影像进行脑血肿的再次分割，从而获得预处理的头部医学影像进行脑血肿的再次分割结果。
在本申请另一个实施例中，如图6所示的方法是图5所示方法中的步骤S530的示例，如图6所示的方法包括如下内容。
S610：获取所述预处理的头部医学影像的与所述至少一个第一连通域中的每个第一连通域的中心点对应的种子点。
在得到头部医学影像的至少一个第一连通域后，利用k-means聚类算法，计算至少一个第一连通域中的每个第一连通域的中心点。由于头部医学影像和预处理的头部医学影像的图像大小相同，所以头部医学影像上的所有像素点的位置与预处理的头部医学影像上的所有像素点的位置一一对应。也就是说，在确定了头部医学影像上的第一连通域的中心点后，就相当于在预处理的头部医学影像上确定了与该第一连通域的中心点对应的种子点。
S620：根据预设边界阈值和所述种子点，通过区域生长算法，获得所述预处理的头部医学影像的至少一个第二连通域。
在该预处理的头部医学影像上，以种子点为以预设边界阈值为边界，以种子点作为区域增长的起点，以作为预设边界阈值为区域增长的轨道，通过区域增长算法（RegionGrowth），使得种子点向外延区域进一步延伸至预设边界阈值的边界处，从而在预处理的头部医学影像上获得至少一个第二连通域。
例如，以预设边界阈值的为圆形的半径，种子点向外延区域进一步延伸至预设边界阈值的边界处，以获得圆形的第二连通域，或者，以预设边界阈值的为方形的边长，种子点向外延区域进一步延伸至预设边界阈值的边界处，以获得方形的第二连通域，本申请实施例对此并不作具体限定。
第一连通域的个数与第二连通域的个数相等，一个第一连通域对应一个第二连通域，但是本申请实施例并不具体限定第一连通域的像素大小与第二连通域的像素大小。
需要说明的是，本申请实施例并不具体限定预设边界阈值的具体取值，本领域技术人员可以根据实际需求，来设定预设边界阈值的大小。
S630：根据所述预处理的头部医学影像的至少一个第二连通域，获取所述再次分割结果。
需要说明的是，本申请实施例并不限定如何根据预处理的头部医学影像的至少一个第二连通域，获取再次分割结果。
在本申请另一个实施例中，如图7所示的方法是图6所示方法中的步骤S630的示例，如图7所示的方法包括如下内容。
S710：对所述至少一个第二连通域中的每个第二连通域进行形态学处理，获得所述第二连通域对应的多个第二子连通域。
对至少一个第二连通域中的每个第二连通域进行形态学处理，例如，对第二连通域先进行腐蚀操作，再进行膨胀操作，或者，对第二连通域先进行膨胀操作，再进行腐蚀操作，以获得将第二连通域变为多个第二子连通域。也就是说，经过形态学处理的第二连通域包括多个第二子连通域。
但是需要说明的是，本申请实施例并不限定通过何种形态学处理来获取多个第二子连通域。膨胀和腐蚀是形态学操作的基础，其不同的组合构成了区域填充、开运算和闭运算。膨胀运算是一种使图像中的目标变粗或生长的操作，它可以填补边缘的缝隙，解决边缘断线的问题。
S720：根据所述多个第二子连通域，通过预设规则，获得所述预处理的头部医学影像的至少一个第三连通域。
在得到了多个第二子连通域后，可以通过预设规则，确定多个第二子连通域是否与脑血肿区域对应，即，确定哪些第二子连通域是背景区域或噪声区域，将与脑血肿区域不对应的第二子连通域去除，从而获得预处理的头部医学影像的至少一个第三连通域。
可以理解的是，去除与脑血肿区域不对应的第二子连通域后剩余的第二子连通域就是本申请的第三连通域。
但是需要说明的是，本申请实施例并不具体限定该预设规则，只要能够将与脑血肿区域不对应的第二子连通域去除即可。
S730：确定所述至少一个第三连通域为所述再次分割结果。
在一实施例中，所得到的至少一个第三连通域就是指预处理的头部医学影像的再次分割结果。
在本申请另一个实施例中，所述根据所述再次分割结果，获取所述头部医学影像的脑血肿的最终分割结果，包括：根据所述至少一个第三连通域，获取所述最终分割结果。
需要说明的是，本申请实施例并不限定如何根据至少一个第三连通域，获取最终分割结果。例如，可以直接将该第三连通域确定为最终分割结果，也可以将第三连通域和其他的连通域进行结合，来获得最终分割结果。
在本申请另一个实施例中，如图8所示的方法是图7所示方法中的步骤S720的示例，如图8所示的方法包括如下内容。
S810：根据所述多个第二子连通域的个数，确定是否去除与所述多个第二子连通域对应的第二连通域，以获得所述预处理的头部医学影像的至少一个第四连通域，其中，所述至少一个第四连通域中的每个第四连通域对应多个第四子连通域。
首先，经过形态学处理后得到的第二子连通域的个数不能够太多，也就是说，第二子连通域的个数太多，说明该第二连通域中包含了与背景区域或者噪声区域对应的第二子连通域，因此，可以根据多个第二子连通域的个数，确定是否去除与多个第二子连通域对应的第二连通域，以获得预处理的头部医学影像的至少一个第四连通域。去除了第二连通域后得到的剩余的第二连通域是本申请的第四连通域，该第四连通域由多个第四子连通域构成。
S820：根据所述多个第四子连通域中的每个第四子连通域的面积，确定是否去除所述第四子连通域，以获得所述至少一个第三连通域。
其次，第四子连通域的面积不能够太小，也就是说，第四子连通域的面积太小，说明该第四子连通域可能为噪声区域或背景区域，因此，可以根据多个第四子连通域中的每个第四子连通域的面积，确定是否去除该第四子连通域，以获得所述至少一个第三连通域。去除了第四子连通域后得到的与剩余的第四子连通域对应的第四连通域是本申请的第三连通域。
由此，通过以上方式，可以去除与脑血肿区域不对应的连通域，即，与背景区域或者噪声区域对应的第二连通域，以及与噪声区域对应的第四子连通域，从而获得第三连通域。
在本申请另一个实施例中，所述根据所述多个第二子连通域的个数，确定是否去除与所述多个第二子连通域对应的第二连通域，以获得所述预处理的头部医学影像的至少一个第四连通域，包括：将所述多个第二子连通域的个数与预设个数阈值进行对比；去除所述多个第二子连通域的个数大于所述预设个数阈值的第二连通域，以获得所述至少一个第四连通域。
可以通过将多个第二子连通域的个数与预设个数阈值进行对比，来判断第二子连通域的个数是否多到已经包含了背景区域或者噪声区域，当多个第二子连通域的个数大于预设个数阈值时，去除与多个第二子连通域对应的第二连通域，以获得至少一个第四连通域。
但是本申请实施例并不限定预设个数阈值的具体取值，例如，预设个数阈值可以设定为3个，或者4个等等。
在本申请另一个实施例中，所述根据所述多个第四子连通域中的每个第四子连通域的面积，确定是否去除所述第四子连通域，以获得所述至少一个第三连通域，包括：将所述多个第四子连通域中的每个第四子连通域的面积与脑血肿面积阈值进行对比；去除所述多个第四子连通域中的面积小于所述脑血肿面积阈值的第四子连通域，以获得所述至少一个第三连通域。
可以通过将多个第四子连通域中的每个第四子连通域的面积与脑血肿面积阈值进行对比，来判断第四子连通域的面积是否小到等同于噪声区域的面积，当第四子连通域的面积小于脑血肿面积阈值时，去除该第四子连通域，以获得至少一个第三连通域。但是本申请实施例并不以此为限，判断第四子连通域的面积是否大到等同于背景区域的面积，当第四子连通域的面积大于脑血肿面积阈值时，去除该第四子连通域，以获得至少一个第三连通域。
但是本申请实施例并不限定脑血肿面积阈值的具体取值，本领域技术人员可以根据实际需求，来设定脑血肿面积阈值的具体取值。
应当理解，去除连通域可以理解为是将与该连通域对应的“1”值的像素修改为“0”值。
通过以上所述的预设规则所得到的至少一个第三连通域，其可以更加精准地表示实际的脑血肿区域，也就是说，头部医学影像中的所有脑血肿区域均可以通过至少一个第三连通域来表示。
在本申请另一个实施例中，获取至少一个第三连通域的方法也并不局限于利用上述提到的预设规则，该预设规则该可以为只判断第二子连通域的面积或者只判断多个第二子连通域的个数，从而来获得至少一个第三连通域。
通过以上所述的预设规则，可以更加快速地得到至少一个第三连通域，以使其表示实际的脑血肿区域。
在本申请另一个实施例中，当所述至少一个第三连通域的个数为至少两个时，所述根据所述至少一个第三连通域，获取所述最终分割结果，包括：将至少两个第三连通域进行矩阵加操作，以获得所述预处理的头部医学影像的每个像素点对应的矩阵加运算值，其中，所述矩阵加运算值为至少两个二值化数值相加得到；根据矩阵加运算阈值，对所述预处理的头部医学影像的每个像素点对应的矩阵加运算值进行多数投票二值化处理，以获得所述预处理的头部医学影像的脑血肿的最终连通域；将所述最终连通域和所述至少一个第一连通域进行矩阵加操作，以获得所述最终分割结果。
本申请中的所有连通域均可以理解为是连通域掩膜，该连通域掩膜由“0”或“1”的像素组成的矩阵，所有“1”的像素构成与脑血肿区域，所有“0”的像素构成与背景区域。
在一实施例中，将至少两个第三连通域掩膜进行矩阵加操作，也就是实现0和1的相加，从而获得预处理的头部医学影像的每个像素点对应的矩阵加运算值。
应当理解，矩阵加运算值是指至少两个0或者1（即，二值化数值）进行相加所得到的运算值。例如，针对一个像素点，五个第三连通域掩膜的该像素点分别对应1、0、1、0和1，将这五个第三连通域掩膜进行矩阵加操作，所得到的与该像素点对应的矩阵加运算值为1+0+1+0+1=3。
在一实施例中，在得到了每个像素点对应的矩阵加运算值后，将其与矩阵加运算阈值进行比较，以实现对每个像素点对应的矩阵加运算值进行多数投票二值化处理，即，将矩阵加运算值大于或等于矩阵加运算阈值的像素点确定为二值化数值为“1”的像素，表示其位于脑血肿区域；将矩阵加运算值小于矩阵加运算阈值的像素点确定为二值化数值为“0”的像素，表示其位于背景区域，从而获得预处理的头部医学影像的脑血肿的最终连通域。
但是需要说明的是，本申请实施例并不具体限定矩阵加运算阈值的具体取值，本领域技术人员可以根据实际需求，得到不同的矩阵加运算阈值，例如，该矩阵加运算阈值设置为2，则与像素点对应的矩阵加运算值为3，则将该像素点确定为二值化数值为“1”的像素，与像素点对应的矩阵加运算值为1，则将该像素点确定为二值化数值为“0”的像素。
在一实施例中，将预处理的头部医学影像的脑血肿的最终连通域掩膜和头部医学影像的至少一个第一连通域掩膜进行矩阵加操作，可以得到头部医学影像的每个像素点对应的矩阵加运算值，将该矩阵加运算值进行二值化操作，即，将矩阵加运算值大于或等于1的像素确定为二值化数值为“1”的像素，将矩阵加运算值等于0的像素确定为二值化数值为“0”的像素，从而获得头部医学影像的脑血肿的二值化的最终分割结果。
该二值化的最终分割结果可以理解为是脑血肿分割掩膜，即，该脑血肿分割掩膜中的所有“1”的像素构成与脑血肿区域，所有“0”的像素构成与背景区域。
在本申请另一个实施例中，当所述至少一个第三连通域的个数为一个时，所述根据所述至少一个第三连通域，获取所述最终分割结果，包括：将一个第三连通域与所述至少一个第一连通域进行矩阵加操作，以获得所述最终分割结果。
当至少一个第三连通域的个数为一个时，可以直接将预处理的头部医学影像的一个第三连通域与头部医学影像的至少一个第一连通域进行矩阵加操作，以获得所述预处理的头部医学影像的每个像素点对应的矩阵加运算值，将该矩阵加运算值进行二值化操作，即，将矩阵加运算值大于或等于1的像素确定为二值化数值为“1”的像素，将矩阵加运算值等于0的像素点仍为二值化数值为“0”的像素，从而获得头部医学影像的脑血肿的最终分割结果。
通过将预处理的头部医学影像的连通域与头部医学影像的至少一个第一连通域进行矩阵加操作，即使存在以上可能影响分割效果的局限性因素（例如，数据的异质性和训练时数据标注的不一致性等），也能够得到更加精准的头部医学影像的脑血肿的最终分割结果。
示例性装置
本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图9所示为本申请一个实施例提供的图像分割的装置的框图。如图9所示，该装置900包括：
再分割模块910，配置为根据头部医学影像的脑血肿的初步分割结果，对预处理的头部医学影像进行脑血肿的再次分割，以获得所述预处理的头部医学影像的脑血肿的再次分割结果；
获取模块920，配置为根据所述再次分割结果，获取所述头部医学影像的脑血肿的最终分割结果。
在一个实施例中，所述装置900还包括：用于执行上述实施例提及的图像分割的方法中的各个步骤的模块。
示例性电子设备
下面，参考图10来描述根据本申请实施例的电子设备。图10图示了根据本申请实施例的电子设备的框图。
如图10所示，电子设备1000包括一个或多个处理器1010和存储器1020。
处理器1010可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备1000中的其他组件以执行期望的功能。
存储器1020可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器1010可以运行所述程序指令，以实现上文所述的本申请的各个实施例的图像分割的方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，电子设备1000还可以包括：输入装置1030和输出装置1040，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
例如，该输入装置1030可以是上述的麦克风或麦克风阵列，用于捕捉声源的输入信号。在该电子设备是单机设备时，该输入装置1030可以是通信网络连接器。
此外，该输入设备1030还可以包括例如键盘、鼠标等等。
该输出装置1040可以向外部输出各种信息，包括确定出的征象类别信息等。该输出设备1040可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图10中仅示出了该电子设备1000中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备1000还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的图像分割的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的图像分割的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (13)
1.一种图像分割的方法，其特征在于，包括：
对头部医学影像的脑血肿的初步分割结果进行二值化处理，以获得与所述初步分割结果对应的二值化图像；
对所述二值化图像进行脑血肿的连通域提取，以获得所述头部医学影像的至少一个第一连通域；
获取预处理的头部医学影像的与所述至少一个第一连通域中的每个第一连通域的中心点对应的种子点；
根据预设边界阈值和所述种子点，通过区域生长算法，获得所述预处理的头部医学影像的至少一个第二连通域；
根据所述预处理的头部医学影像的至少一个第二连通域，获取再次分割结果；
对所述再次分割结果进行处理，以获取所述头部医学影像的脑血肿的最终分割结果。
2.根据权利要求1所述的方法，其特征在于，所述根据预处理的头部医学影像的至少一个第二连通域，获取所述再次分割结果，包括：
对所述至少一个第二连通域中的每个第二连通域进行形态学处理，获得所述第二连通域对应的多个第二子连通域；
根据所述多个第二子连通域，通过预设规则，获得所述预处理的头部医学影像的至少一个第三连通域；
确定所述至少一个第三连通域为所述再次分割结果，
其中，所述对所述再次分割结果进行处理，以获取所述头部医学影像的脑血肿的最终分割结果，包括：
根据所述至少一个第三连通域，获取所述最终分割结果。
3.根据权利要求2所述的方法，其特征在于，当所述至少一个第二连通域的个数为至少两个时，所述根据所述多个第二子连通域，通过预设规则，获得所述预处理的头部医学影像的至少一个第三连通域，包括：
根据所述多个第二子连通域的个数，确定是否去除与所述多个第二子连通域对应的第二连通域，以获得所述预处理的头部医学影像的至少一个第四连通域，其中，所述至少一个第四连通域中的每个第四连通域对应多个第四子连通域；
根据所述多个第四子连通域中的每个第四子连通域的面积，确定是否去除所述第四子连通域，以获得所述至少一个第三连通域。
4.根据权利要求3所述的方法，其特征在于，所述根据所述多个第二子连通域的个数，确定是否去除与所述多个第二子连通域对应的第二连通域，以获得所述预处理的头部医学影像的至少一个第四连通域，包括：
将所述多个第二子连通域的个数与预设个数阈值进行对比；
去除所述多个第二子连通域的个数大于所述预设个数阈值的第二连通域，以获得所述至少一个第四连通域。
5.根据权利要求3所述的方法，其特征在于，所述根据所述多个第四子连通域中的每个第四子连通域的面积，确定是否去除所述第四子连通域，以获得所述至少一个第三连通域，包括：
将所述多个第四子连通域中的每个第四子连通域的面积与脑血肿面积阈值进行对比；
去除所述多个第四子连通域中的面积小于所述脑血肿面积阈值的第四子连通域，以获得所述至少一个第三连通域。
6.根据权利要求2所述的方法，其特征在于，所述根据所述多个第二子连通域，通过预设规则，获得所述预处理的头部医学影像的至少一个第三连通域，包括：
根据所述多个第二子连通域中的每个第二子连通域的面积，确定是否去除所述第二子连通域，以获得所述至少一个第三连通域。
7.根据权利要求2所述的方法，其特征在于，当所述至少一个第二连通域的个数为至少两个时，所述根据所述多个第二子连通域，通过预设规则，获得所述预处理的头部医学影像的至少一个第三连通域，包括：
根据所述多个第二子连通域的个数，确定是否去除与所述多个第二子连通域对应的第二连通域，以获得所述至少一个第三连通域。
8.根据权利要求2所述的方法，其特征在于，当所述至少一个第三连通域的个数为至少两个时，所述根据所述至少一个第三连通域，获取所述最终分割结果，包括：
将至少两个第三连通域进行矩阵加操作，以获得所述预处理的头部医学影像的每个像素点对应的矩阵加运算值，其中，所述矩阵加运算值为至少两个二值化数值相加得到；
根据矩阵加运算阈值，对所述预处理的头部医学影像的每个像素点对应的矩阵加运算值进行多数投票二值化处理，以获得所述预处理的头部医学影像的脑血肿的最终连通域；
将所述最终连通域和所述至少一个第一连通域进行矩阵加操作，以获得所述最终分割结果。
9.根据权利要求2所述的方法，其特征在于，当所述至少一个第三连通域的个数为一个时，所述根据所述至少一个第三连通域，获取所述最终分割结果，包括：
将一个第三连通域与所述至少一个第一连通域进行矩阵加操作，以获得所述最终分割结果。
10.根据权利要求1至9中任一项所述的方法，其特征在于，还包括：
根据所述头部医学影像，通过网络模型，得到所述初步分割结果。
11.根据权利要求1至9中任一项所述的方法，其特征在于，还包括：
对所述头部医学影像进行曲率滤波，得到所述预处理的头部医学影像。
12.一种图像分割的装置，其特征在于，包括：
再分割模块，配置为对头部医学影像的脑血肿的初步分割结果进行二值化处理，以获得与所述初步分割结果对应的二值化图像；对所述二值化图像进行脑血肿的连通域提取，以获得所述头部医学影像的至少一个第一连通域；获取预处理的头部医学影像的与所述至少一个第一连通域中的每个第一连通域的中心点对应的种子点；根据预设边界阈值和所述种子点，通过区域生长算法，获得所述预处理的头部医学影像的至少一个第二连通域；根据所述预处理的头部医学影像的至少一个第二连通域，获取再次分割结果；
获取模块，配置为对所述再次分割结果进行处理，以获取所述头部医学影像的脑血肿的最终分割结果。
13.一种电子设备，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，用于执行上述权利要求1至11中任一项所述的方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011002964.1A CN112132854B (zh) | 2020-09-22 | 2020-09-22 | 图像分割的方法及装置，以及电子设备 |
| PCT/CN2021/113068 WO2022062770A1 (zh) | 2020-09-22 | 2021-08-17 | 图像分割的方法及装置，以及电子设备 |
| US18/161,735 US20230177698A1 (en) | 2020-09-22 | 2023-01-30 | Method for image segmentation, and electronic device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011002964.1A CN112132854B (zh) | 2020-09-22 | 2020-09-22 | 图像分割的方法及装置，以及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112132854A CN112132854A (zh) | 2020-12-25 |
| CN112132854B true CN112132854B (zh) | 2021-11-09 |
Family
ID=73842350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011002964.1A Active CN112132854B (zh) | 2020-09-22 | 2020-09-22 | 图像分割的方法及装置，以及电子设备 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230177698A1 (zh) |
| CN (1) | CN112132854B (zh) |
| WO (1) | WO2022062770A1 (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132854B (zh) * | 2020-09-22 | 2021-11-09 | 推想医疗科技股份有限公司 | 图像分割的方法及装置，以及电子设备 |
| CN114463245A (zh) * | 2020-11-10 | 2022-05-10 | 北京百度网讯科技有限公司 | 图像处理方法、装置以及电子设备 |
| CN113807328B (zh) * | 2021-11-18 | 2022-03-18 | 济南和普威视光电技术有限公司 | 一种基于算法融合的目标检测方法、设备及介质 |
| CN114419070A (zh) * | 2022-01-21 | 2022-04-29 | 北京字跳网络技术有限公司 | 一种图像场景分割方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110610481A (zh) * | 2019-08-06 | 2019-12-24 | 深圳市旭东数字医学影像技术有限公司 | 基于医学图像的脑干自动分割方法及系统 |
| CN111161270A (zh) * | 2019-12-24 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 医学影像的血管分割方法、计算机设备和可读存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7006677B2 (en) * | 2002-04-15 | 2006-02-28 | General Electric Company | Semi-automatic segmentation algorithm for pet oncology images |
| CN103489198A (zh) * | 2013-10-21 | 2014-01-01 | 钟映春 | 从序列mr图像中自动分割脑干区域的方法 |
| CN108629761B (zh) * | 2018-03-12 | 2020-11-03 | 中山大学 | 一种乳腺癌图像识别方法、装置和用户终端 |
| CN109685773B (zh) * | 2018-12-10 | 2022-12-06 | 威海见生生物技术有限公司 | 一种免疫细胞图像中突触位置点的确定方法 |
| CN112132854B (zh) * | 2020-09-22 | 2021-11-09 | 推想医疗科技股份有限公司 | 图像分割的方法及装置，以及电子设备 |
-
2020
- 2020-09-22 CN CN202011002964.1A patent/CN112132854B/zh active Active
-
2021
- 2021-08-17 WO PCT/CN2021/113068 patent/WO2022062770A1/zh active Application Filing
-
2023
- 2023-01-30 US US18/161,735 patent/US20230177698A1/en active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110610481A (zh) * | 2019-08-06 | 2019-12-24 | 深圳市旭东数字医学影像技术有限公司 | 基于医学图像的脑干自动分割方法及系统 |
| CN111161270A (zh) * | 2019-12-24 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 医学影像的血管分割方法、计算机设备和可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112132854A (zh) | 2020-12-25 |
| WO2022062770A1 (zh) | 2022-03-31 |
| US20230177698A1 (en) | 2023-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112132854B (zh) | 图像分割的方法及装置，以及电子设备 | |
| EP3770850B1 (en) | Medical image identifying method, model training method, and computer device | |
| US11468564B2 (en) | Systems and methods for automatic detection and quantification of pathology using dynamic feature classification | |
| US11568533B2 (en) | Automated classification and taxonomy of 3D teeth data using deep learning methods | |
| US11449993B2 (en) | Automated bone segmentation in images | |
| CN111369576B (zh) | 图像分割模型的训练方法、图像分割方法、装置及设备 | |
| CN110992377B (zh) | 图像分割方法、装置、计算机可读存储介质和设备 | |
| CN111524109B (zh) | 头部医学影像的评分方法和装置、电子设备及存储介质 | |
| CN110110723A (zh) | 一种图像中目标区域自动提取的方法及装置 | |
| US11475568B2 (en) | Method for controlling display of abnormality in chest x-ray image, storage medium, abnormality display control apparatus, and server apparatus | |
| CN113256672B (zh) | 图像处理方法及装置，模型的训练方法及装置，电子设备 | |
| CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
| CN114387464A (zh) | 基于ivus影像的易损斑块识别方法、计算机设备、可读存储介质和程序产品 | |
| CN112233132A (zh) | 一种基于无监督学习的脑磁共振图像分割方法及装置 | |
| KR102179090B1 (ko) | 신경망을 이용한 의료 진단 방법 | |
| CN113256670A (zh) | 图像处理方法及装置、网络模型的训练方法及装置 | |
| TW201726064A (zh) | 醫療影像處理裝置及其乳房影像處理方法 | |
| JP7019104B2 (ja) | 閾値の学習方法 | |
| CN109829921B (zh) | 一种头部的ct图像的处理方法及其系统、设备、存储介质 | |
| CN111445456A (zh) | 分类模型、网络模型的训练方法及装置、识别方法及装置 | |
| CN112862787B (zh) | Cta影像数据处理方法、装置及存储介质 | |
| CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
| CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
| Tatjana et al. | Computer-aided Analysis and Interpretation of HRCT Images of the Lung | |
| Maya et al. | Segmentation and classification of brain hemorrhage using U-net and CapsNet |
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 |