CN112927239A

CN112927239A - 图像处理方法、装置、电子设备及存储介质

Info

Publication number: CN112927239A
Application number: CN202110199419.4A
Authority: CN
Inventors: 吴振洲; 刘盼; 谭启路; 史睿琼; 刘佳奇; 赵琪
Original assignee: Beijing Ande Yizhi Technology Co ltd
Current assignee: Beijing Ande Yizhi Technology Co ltd
Priority date: 2021-02-22
Filing date: 2021-02-22
Publication date: 2021-06-08

Abstract

本公开涉及一种图像处理方法、装置、电子设备及存储介质，所述方法包括：对待处理的第一图像进行第一分割处理，得到第一图像中的目标的第一分割结果，第一分割结果包括目标所在的第一图像区域；根据第一分割结果，对第一图像进行第二分割处理，得到目标的第二分割结果，第二分割结果包括目标的类别以及各类别的目标所在的第二图像区域；根据第一分割结果及第二分割结果，确定目标的异常区域及所述异常区域的类别。根据本公开实施例，能够在无需人工干预的情况下，实现了图像中目标的异常区域的自动分割，提高了分割的准确性。

Description

图像处理方法、装置、电子设备及存储介质

技术领域

本公开涉及计算机视觉技术领域，尤其涉及一种图像处理方法、装置、电子设备及存储介质。

背景技术

在计算机视觉技术领域，图像中异常区域检测的应用非常广泛，例如，在医学影像中异常区域的识别是疾病诊断的基础。现有技术中，主要以医生判读医学影像识别异常区域为主，比较依赖医生的诊断水平和临床经验。然而，医生的培养成本高，医生的水平可能会参差不齐，部分医生的误诊率和漏诊率比较高。而且依赖医生诊断会存在诊断耗时长，需要额外的交流成本，以及无法随时待命等缺点。

发明内容

有鉴于此，本公开提出了一种图像处理方法、装置、电子设备及存储介质。

根据本公开的一方面，提供了一种图像处理方法，所述方法包括：对待处理的第一图像进行第一分割处理，得到所述第一图像中的目标的第一分割结果，所述第一分割结果包括所述目标所在的第一图像区域；根据所述第一分割结果，对所述第一图像进行第二分割处理，得到所述目标的第二分割结果，所述第二分割结果包括所述目标的类别以及各类别的目标所在的第二图像区域；根据所述第一分割结果及所述第二分割结果，确定所述目标的异常区域及所述异常区域的类别。

在一种可能的实现方式中，所述根据所述第一分割结果及所述第二分割结果，确定所述目标的异常区域及所述异常区域的类别，包括：对所述第一图像区域进行提取中线处理，得到所述目标的中线；根据所述中线上各个点的狭窄率，从所述第一图像区域中确定出异常区域；根据所述异常区域所在的第二图像区域，确定所述异常区域的类别。

在一种可能的实现方式中，根据所述中线上各个点的狭窄率，从所述第一图像区域中确定出异常区域，包括：获取所述中线上的第一目标点的狭窄率，其中，所述第一目标点为所述中线上的任意一点，所述第一目标点的狭窄率为参考半径与所述第一目标点的半径之间的比值，所述参考半径为与所述第一目标点相邻的多个点的半径中的最小值；在所述中线上存在狭窄率小于或等于第一阈值的第二目标点的情况下，根据所述第二目标点的位置，从所述第一图像区域中确定出异常区域。

在一种可能的实现方式中，根据所述异常区域所在的第二图像区域，确定所述异常区域的类别，包括：在所述异常区域对应多个第二图像区域情况下，分别确定所述异常区域在对应的各个第二图像区域中的异常像素数量；将异常像素数量最多的第二图像区域的类别，确定为所述异常区域的类别。

在一种可能的实现方式中，对第一图像进行第一分割处理，得到所述第一图像中的目标的第一分割结果，包括：根据第一预设尺寸，对所述第一图像进行切割，得到所述第一采样图像块；将所述第一采样图像块输入第一分割网络中进行分割，得到所述第一采样图像块的分割结果；对多个第一采样图像块的分割结果进行融合，得到所述第一分割结果。

在一种可能的实现方式中，根据所述第一分割结果，对所述第一图像进行第二分割处理，得到所述目标的第二分割结果，包括：对所述第一图像与所述第一分割结果进行融合，得到第二图像；根据第二预设尺寸，从所述第二图像中切割出待处理的区域图像；将所述区域图像输入第二分割网络中进行分割，得到所述区域图像的区域分割结果；对所述区域分割结果与所述第二图像进行融合，得到所述第二分割结果。

在一种可能的实现方式中，所述方法还包括：对初始图像进行归一化处理，得到归一化后的第三图像；根据所述目标所在的图像区域，从所述第三图像中切割出待处理的第一图像。

在一种可能的实现方式中，所述初始图像包括三维的血管造影图像，所述目标包括血管，所述异常区域包括血管的狭窄区域，所述类别包括基于血管结构信息分段的类别。

根据本公开的另一方面，提供了一种图像处理装置，包括：第一分割模块，用于对待处理的第一图像进行第一分割处理，得到所述第一图像中的目标的第一分割结果，所述第一分割结果包括所述目标所在的第一图像区域；第二分割模块，用于根据所述第一分割结果，对所述第一图像进行第二分割处理，得到所述第一图像中的目标的第二分割结果，所述第二分割结果包括所述目标的类别以及各类别的目标所在的第二图像区域；异常识别模块，用于根据所述第一分割结果及所述第二分割结果，确定所述目标的异常区域及所述异常区域的类别。

根据本公开的另一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述的方法。

根据本公开的另一方面，提供了一种非易失性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被处理器执行时实现上述方法。

根据本公开的实施例的图像处理方法，根据对第一图像分别进行第一分割处理和第二分割处理得到的第一分割结果以及第二分割结果，能够通过第一分割结果确定目标的异常区域，通过第二分割结果确定异常区域的类别，可在无需人工干预的情况下实现了图像中目标的异常区域的自动分割，提高了分割的准确性。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开实施例的图像处理方法的流程图；

图2示出根据本公开实施例的分割网络的结构示意图；

图3示出根据本公开实施例的图像处理方法对颅内血管图像进行处理的示意图；

图4示出根据本公开实施例的颅内血管图像进行第一分割处理的示意图；

图5示出根据本公开实施例的颅内血管图像进行第二分割处理的示意图；

图6示出根据本公开实施例的图像处理方法对冠状动脉图像进行处理的示意图；

图7示出根据本公开实施例的冠状动脉图像进行第一分割处理的示意图；

图8示出根据本公开实施例的冠状动脉图像进行第二分割处理的示意图；

图9示出根据本公开实施例的图像处理装置的框图；

图10示出根据本公开实施例的电子设备的框图；

图11示出根据本公开实施例的电子设备的框图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域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，都属于本公开保护的范围。

应当理解，本公开的权利要求、说明书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。本公开的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本公开说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本公开。如在本公开说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本公开说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何处理以及所有可能处理，并且包括这些处理。

如在本说明书和权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

图1示出根据本公开的实施例的图像处理方法的流程图，如图1所示，所述图像处理方法包括：

在步骤S1中，对待处理的第一图像进行第一分割处理，得到所述第一图像中的目标的第一分割结果，所述第一分割结果包括所述目标所在的第一图像区域；

在步骤S2中，根据所述第一分割结果，对所述第一图像进行第二分割处理，得到所述目标的第二分割结果，所述第二分割结果包括所述目标的类别以及各类别的目标所在的第二图像区域；

在步骤S3中，根据所述第一分割结果及所述第二分割结果，确定所述目标的异常区域及所述异常区域的类别。

在一种可能的实现方式中，所述图像处理方法可以由终端设备或其它处理设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中，该图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行该方法。

在一种可能的实现方式中，待处理图像可为医学影像，该医学影像可以是各种类型的医疗设备拍摄的图像，或者，用于医疗诊断的图像，例如，电子计算机断层扫描(Computed Tomography，CT)图像或者核磁共振(Magnetic Resonance Imaging，MRI)图像等。本公开对待处理图像的类型及具体获取方式不作限制。

在一种可能的实现方式中，待处理图像可为三维医学影像，即包括由多个二维图像组成的图像组，例如，在xyz形成的直角坐标系中，一张二维图像对应一个xy平面，不同的二维图像位于z轴上的不同位置，因此，一个图像组可构成一个三维图像，其中，每一个像素的坐标可表示为(x，y，z)。

在一种可能的实现方式中，所述待处理图像包括目标区域以及所述目标区域以外的背景区域。所述目标区域为患者的待诊断的身体部位、组织或器官，例如，待处理图像上颅内血管区域、冠状动脉区域、骨骼区域、输卵管区域等，本公开对具体的待处理图像的目标区域不作限制。其中，所述目标区域还可包括异常区域，例如，颅内血管图像的异常区域、冠状动脉图像的异常区域等。

在一种可能的实现方式中，待处理图像(称为第一图像)可为对初始图像(即原始的三维医学影像)经过预处理的图像，也即在分割之前，可以对初始图像进行预处理，得到该第一图像。其中，预处理可包括统一初始图像的物理空间(Spacing)的分辨率，统一初始图像中像素值的取值范围，对初始图像进行区域裁切等。通过这种方式，可实现统一图像尺寸，减少待处理的数据量，便于后续的图像分割操作。本公开对预处理的具体内容及处理方式不作限制。

在一种可能的实现方式中，在步骤S1中，可对第一图像进行第一分割处理，得到第一分割结果，该第一分割结果包括目标所在的第一图像区域以及第一图像区域以外的背景区域。

举例来说，假设待处理的第一图像为颅内血管造影图像(CT Angiography，CTA)，可对该图像进行第一分割处理(即第一次分割处理)，得到的第一分割结果，即颅内血管造影图像中的颅内血管区域；其中，颅内血管区域为第一图像区域，颅内血管为目标。

在一种可能的实现方式中，可预先设置第一分割网络，用于对第一图像进行第一分割处理，确定第一图像中目标所在的第一图像区域。第一分割网络可以是深度卷积神经网络，包括多个卷积层、多个反卷积层、全连接层等，具体可采用的分割网络包括并不限于U形网络(U Network，U-NET)、V形网络(V Network，V-NET)等网络结构，本公开对第一分割网络的具体网络结构不作限制。

在一种可能的实现方式中，在步骤S2中，根据第一分割结果，对第一图像进行第二分割处理，也即可利用第一分割结果加强第一图像中目标所在的第一图像区域的信息，便于对第一图像进行第二分割处理(即第二次分割处理)，得到第二分割结果。该第二分割结果包括多个第二图像区域，每个第二图像区域代表一个类别的目标所在的区域。其中，第二分割结果的多个类别的划分可依据医学临床诊断上的各器官的组织结构的划分，本公开对具体的类别划分不作限制。

举例来说，假设第一图像为颅内血管造影图像，第一分割结果为颅内血管造影图像中的颅内血管区域，可利用第一分割结果加强颅内血管造影图像中颅内血管所在的区域的信息，并对颅内血管所在的区域经过加强的图像进行第二分割处理，得到第二分割结果，该第二分割结果可包括多个第二图像区域，分别对应多个类别。

例如，颅内血管的类别可划分为基底动脉、左右大脑前动脉、左右大脑中动脉、左右大脑后动脉、左右椎动脉和左右颈内动脉类别。各类别分别对应一个属于该类别的第二图像区域，第二分割结果包括的多个第二图像区域分别为：对应基地动脉类别的基地动脉区域、对应左右大脑前动脉类别的左右大脑前动脉区域、对应左右大脑中动脉类别的左右大脑中动脉区域、对应左右大脑后动脉类别的左右大脑后动脉区域、对应左右椎动脉类别的左右椎动脉区域和对应左右颈内动脉类别的左右颈内动脉区域。

在一种可能的实现方式中，可预先设置第二分割网络，用于对第一图像进行第二分割处理，确定目标的类别以及各类别的目标所在的第二图像区域。第二分割网络可以是深度卷积神经网络，包括多个卷积层、多个反卷积层、全连接层等，具体可采用的分割网络包括并不限于U形网络(U Network，U-NET)、V形网络(V Network，V-NET)等网络结构，本公开对第二分割网络的具体网络结构不作限制。

在一种可能的实现方式中，在步骤S3中，根据第一分割结果及第二分割结果，确定目标的异常区域及该异常区域的类别，即根据第一分割结果中目标所在的第一图像区域，确定目标的异常区域，根据第二分割结果中目标的类别以及各类别的目标所在的第二图像区域，确定异常区域的类别。

举例来说，假设第一分割结果为颅内血管造影图像中的颅内血管区域，第二分割结果为颅内血管的类别以及各类别对应的第二图像区域，可根据颅内血管造影图像中的颅内血管区域识别异常区域，例如颅内血管区域中的狭窄区域；再根据颅内血管的类别以及各类别对应的第二图像区域，确定异常区域的类别。

根据本公开的实施例，能够通过第一分割确定目标的异常区域，通过第二分割结果确定异常区域的类别，可在无需人工干预的情况下实现了图像中目标的异常区域的自动分割，提高了分割的准确性。

下面对根据本公开实施例的图像处理方法进行展开说明。

在一种可能的实现方式中，在步骤S1之前，即在对第一图像进行第一分割处理之前，根据本公开实施例的图像处理方法还可包括：

对初始图像进行归一化处理，得到归一化后的第三图像；根据所述目标所在的图像区域，从所述第三图像中切割出待处理的第一图像。

举例来说，对初始图像进行归一化处理，即将初始图像中各像素的像素值归一化到0-1的值域范围内，以提升处理效率。例如，假设初始图像为8位灰度图像，各像素的像素值范围为0-255，可将各像素的像素值分别除以255，使初始图像中各像素的像素值归一化到0-1的值域范围内。在对初始图像进行归一化处理后，获得第三图像。可以理解，归一化方法可以包括但不限于线性函数归一化(Min-Max Scaling)、0均值规范化(Z-ScoreStandardization)、非线性归一化等，本公开对归一化方法不作限制。

在第三图像中，可根据目标所在的图像区域，对第三图像切割，得到待处理的第一图像。例如，假设第三图像为颅内血管造影图像，在第三图像中，可能存在颅内血管所在的颅内图像区域以及部分非颅内的背景区域，可根据颅内血管所在的颅内图像区域，切割出颅内图像区域，即得到待处理的第一图像。通过对第三图像进行切割处理，可以节省计算量，提高处理效率。

在得到第一图像后，可在步骤S1中进行初步的分割。

在一种可能的实现方式中，步骤S1可包括：

根据第一预设尺寸，对所述第一图像进行切割，得到所述第一采样图像块；

将所述第一采样图像块输入第一分割网络中进行分割，得到所述第一采样图像块的分割结果；

对多个第一采样图像块的分割结果进行融合，得到所述第一分割结果。

举例来说，在步骤S1进行第一分割处理的过程中，可设置第一预设尺寸，以使输入第一分割网络的第一采样图像块的尺寸一致。例如，假设第一图像的尺寸为256×384×384，即在z轴方向(即医学影像切片间距的方向)上有256像素，在x轴(宽度)方向和y轴(高度)方向分别有384像素。第一预设尺寸可设置为64×384×384，即在z轴方向上有16像素，在x轴方向和y轴方向分别有384像素。

可以按照某固定的切割步长在z轴方向上对第一图像进行有重叠的切割处理，得到多个第一预设尺寸64×384×384的切割图像块，各切割图像块即为第一采样图像块。例如，假设切割步长为8，可沿着z轴方向每隔8个像素切割一次，可以得到(256-64)/8+1＝25个尺寸为64×384×384的第一采样图像块。因此，相邻的多个第一采样图像块有部分图像信息重合。其中，第一采样图像块的数量和各第一采样图像块的重叠区域大小，可根据第一预设尺寸和切割步长确定。本公开对第一预设尺寸和切割步长不作限制。

将多个第一采样图像块输入第一分割网络中进行处理，可以得到多个第一采样块的分割结果。按照各第一采样图像块的切割位置，可以对多个第一采样图像块进行融合，得到第一分割结果。

其中，在对多个第一采样图像块进行融合的过程中，可按照各第一采样图像块对应第一图像中的坐标位置，对每一像素分别进行融合，得到与第一图像尺寸相同的融合结果。该融合结果可以是二值图像，例如目标区域(即第一图像区域)的各像素的像素值为1，背景区域(第一图像中除第一图像区域外的区域)的各像素的像素值为0。对融合结果中存在的每个联通域，根据其体积进行过滤，去除体积小于特定阈值的联通域，得到第一分割结果。

因此，通过对第一图像有重叠的切割处理，并将获取的各第一采样图像块输入第一分割网络得到多个第一采样图像块的分割结果，最后对多个第一采样图像块的分割结果进行融合得到第一分割结果，可以充分利用第一图像中的信息以提高图像分割的准确度。

在一种可能的实现方式中，图2示出根据本公开的实施例的分割网络的结构示意图。如图2所示，第一分割网络可以为U形网络，在该U形网络的编码阶段和解码阶段，可包括多个卷积块Unet-Block，每个卷积块Unet-Block包括两个卷积层(图2左下角方框)。

每个卷积层可以包括卷积单元(Conv1)、群组归一化单元(Group Normalization，GN)与带泄露的修正线性单元(Leaky ReLu)。

其中，卷积单元(Conv1)可以包括一个滤波器尺寸为3*3*3步长为1的3D卷积。

其中，群组归一化单元(GN)可以消除特征之间的量纲差异，避免特征之间差距太大导致特征之间竞争太严重而忽略特征数值较小的特征属性。其中，特征可以是卷积单元(Conv1)的输出的数据块。

例如，假如特征图f∈R^N1×C×H×W，N1表示特征图的数量，C表示特征图的通道数，H表示特征图在高度方向的像素数，W表示特征图在宽度方向的像素数。群组归一化单元(GN)对每个特征图的C，H，W维度的数据求均值和标准差，保留N1维度，即不对N1维度的数据求均值和标准差。群组归一化单元(GN)首先将通道C分成G组，然后将每个GHW单独进行归一化处理，最后将G组归一化之后的数据合并成CHW。通过设置实例归一化单元，可以使图像识别网络中各卷积层数据分布是类似的。

其中，带泄露的修正线性单元(Leaky ReLu)，也可以称为非线性激活函数，可以给输入的负值赋予一个非零斜率，可以表示为：

在公式(1)中，x_i表示输入数据(例如，群组归一化单元的输出数据)，y_i表示输出数据，g可以为(1,+∞)区间内的参数。

如图2所示，在该U形网络的编码阶段，可包括多个下采样层(图2中向下的箭头)，每个下采样层可以包括最大池化单元(Max Pool)。

其中，所述最大池化单元的池化窗可以设置为1×2×2，对该单元输入的图像数据的z轴方向(切分间距方向)不进行池化，在x轴和y轴方向上的池化范围为2×2，即在三维图像数据中每张切片的宽度和高度方向的池化范围为2×2。

如图2所示，该U网形络以串联的方式(图2中横向虚线箭头)将编码阶段各个卷积块Unet-Block的输出，与对应的解码阶段各卷积块Unet-Block的输出进行汇聚，用于在多分辨率下进行区域性质分析。

如图2所示，在该U形网络的在解码阶段，可包括多个上采样层(图2中向上的箭头)，每个上采样层可以包括上采样单元(Up Sample)。

其中，所述上采样单元的上采样窗可以设置为1×2×2，对该单元输入的图像数据的z轴方向(切分间距方向)不进行上采样，在x轴和y轴方向上的上采样范围为2×2，即在三维图像数据中每张切片的宽度和高度方向的上采样范围为2×2。其中，所示上采样方法可以包括最近邻上采样、双线性插值法，本公开对具体的上采样方法不作限定。

如图2所示，该U形网络还包括输出层(即最后一个卷积层，即图2中横向的黑色箭头)，可包括卷积单元(Conv2)和激活单元。

其中，卷积单元(Conv2)可以采用N组1*1*1的卷积生成特征图。应当理解，N可以对应该网络输出类别，本公开对N值不作限定。

激活单元可以通过激活函数将卷积单元(Conv2)输出的特征图生成分割概率图，激活函数softmax可表示为：

在公式(2)中，m表示第m类分类，其中，m＝1，…，N；N表示分类的总类别数，V_m表示第m类输入数据(例如，卷积单元Conv2的第m类输出数据)，S_m表示第m类指数变化的输出

占所有类别输出总和

的比例，即第m类的分割概率，可表征不同类别之间的相对概率；其中，n表示第n类分类。

在一种可能的实现方式中，第一分割网络为训练好的图像分割网络，该网络可采用图2所示的U形网络结构，并设置该网络的输入为第一预设尺寸的图像块，输出为同尺寸的二值图像(图2中N＝2)，例如，背景的值为0，目标区域(即第一图像区域)的值为1。

训练数据可由具有医学背景的专业人士在高年资医生的审核下标注医学图像数据，建立样本图像库，并按照预设比例(例如9:1)将各样本图像划分为训练集和验证集，本公开对预设比例的值不作限定。

其中，训练集(Train Set)用于训练图像分割网络或确定图像分割网络的参数。验证集(Validation Set)用于调整分割网络的超参数，例如，网络层数，网络节点，迭代次数，学习率等，得到最优化的网络的超参数。

可设置一个随机数作为网络参数的初始值，通过训练集的样本图像训练该网络的参数，再由验证集检测该网络的分割误差，调整该网络的超参数，重复上述过程，直到该网络在验证集上误差最小，得到训练好的第一分割网络。

在步骤S1中进行第一分割后，可在步骤S2中再次分割。

在一种可能的实现方式中，步骤S2可包括：

对所述第一图像与所述第一分割结果进行融合，得到第二图像；

根据第二预设尺寸，从所述第二图像中切割出待处理的区域图像；

将所述区域图像输入第二分割网络中进行分割，得到所述区域图像的区域分割结果；

对所述区域分割结果与所述第二图像进行融合，得到所述第二分割结果。

举例来说，在步骤S2进行第二分割处理的过程中，可先将第一图像与步骤S1中得到的第一分割结果进行融合，得到第二图像。例如，可以将第一图像中和第一分割结果中对应坐标位置的像素相加，得到第二图像。对比第一图像，在第二图像中，不仅目标区域的信息可得到加强，而且还保留了第一图像中的解剖结构信息。

可设置第二预设尺寸，对第二图像按照第二预设尺寸进行切割，得到待处理的图像区域。例如，假设第二图像的尺寸为256×384×384，第二预设尺寸设置为176×256×256。其中，第二预设尺寸可通过统计临床数据得出，该第二预设尺寸的范围包括可能存在异常区域的，本公开对第二预设尺寸的具体数值不作限定。通过设置第二预设尺寸，可以统一输入第二分割网络的图像尺寸，并减少待处理的数据量。

将从第二图像中切割出的尺寸为176×256×256区域图像，输入第二分割网络进行处理，可得到该区域图像的区域分割结果；该分割结果包括多个图像区域，每个图像区域对应一个类别。

对该区域分割结果与第二图像进行融合，例如，可以按照区域图像的切割位置，将区域分割结果还原至第二图像，得到该区域分割结果与第二图像的融合图像。对融合结果中每一个类别对应的图像区域中存在的联通域，可根据其体积进行过滤，每一类可保留最大的连通区域，去除小块的联通域，得到第二分割结果。其中，第二分割结果中每一类的最大连通区域，即为第二图像区域，所述第二分割结果包括多个目标所在的第二图像区域，每个第二连通区域对应一个类别。

在一种可能的实现方式中，第二分割网络为训练好的图像分割网络，该网络可采用图2所示的U形网络结构，并设置该网络的输入为第二预设尺寸的图像块，输出为同尺寸的分类图像，例如分类图中可包括N类(即图2中的输出N值)，使用1-N的值分别表示各个类别，每一类对应一个第二图像区域。其中，N值可依据医学临床诊断上的各器官的组织结构的划分来设定，本公开对具体的数值不作限定。

可设置一个随机数作为网络参数的初始值，通过训练集的样本图像训练该网络的参数，再由验证集检测该网络的分割误差，调整该网络的超参数，重复上述过程，直到该网络在验证集上误差最小，得到训练好的第二分割网络。

通过这种方式，即将第一图像与第一分割结果进行融合，在保留了初始的医学影像中的解剖结构信息的基础上，加强了目标区域的信息，有利于提高第二分割结果的准确性；并且，通过设置第二预设尺寸，从第二图像中切割出待处理的区域图像，可减少第二分割网络处理的数据量，提高分割效率。

在一种可能的实现方式中，步骤S3可包括：

对所述第一图像区域进行提取中线处理，得到所述目标的中线；

根据所述中线上各个点的狭窄率，从所述第一图像区域中确定出异常区域；

根据所述异常区域所在的第二图像区域，确定所述异常区域的类别。

举例来说，在步骤S3进行目标的异常区域识别的过程中，首先，可对第一图像区域进行形态学腐蚀操作，通过形态学腐蚀操作，可消除第一图像区域的边界点，使边界向内部收缩，直到剩余最基本的骨架，该骨架即目标的中线。然后，沿着中线分别计算中线上每一个点的狭窄率，通过检测各点的狭窄率获得各点所在区域的狭窄程度，通过分析各点所在区域的狭窄程度，从第一图像区域中确定出异常区域。最后，通过查找异常区域对应的第二图像区，得到异常区域对应的所述目标的类别，即所述异常区域的类别。

应当理解，本公开对从第一图像区域提取中线的方法不作限定，除了使用上文中通过对第一图像区域进行形态学腐蚀的方法，还可以通过获取第一图像区域的截面，再根据各截面的中心点确定中线。

通过这种方法，即对第一图像区域提取中线，并根据中线上各点的狭窄率确定异常区域，再根据异常区域所在的第二图像区域确定异常区域的类别，该方法简单便捷，可自动识别出异常区域及异常区域的位置(即类别)。并且可充分利用第一图像区域和第二图像区域的数据信息，更精准的确定异常区域及异常区域的位置(即类别)。

举例来说，假设第一目标点A代表中线上的任意一点，狭窄率P可以表示为：

在公式(3)中，R_A代表第一目标点A的半径，R_min代表参考半径，即与第一目标点A相邻的多个点的半径中的最小半径。本领域技术人员可根据实际情况选取与第一目标点相邻的点，例如选取第一目标点两侧各50个点，或选取与第一目标点之间的距离小于或等于距离阈值的所有点，本公开对相邻点的选取不作限制。

通过记录狭窄率P小于或等于第一阈值的各第一目标点A，所记录的点即为第二目标点B，其中，第一目标点A包含第二目标点B。根据各第二目标点B的坐标位置，可从第一图像区域中确定出异常区域。

应当理解，由于参考半径R_min为第一目标点A相邻的多个点的半径中的最小半径，狭窄率P越小，第一目标点A的半径R_A与参考半径R_min的差异越大，第一目标点A的狭窄程度也越严重，因此，可以通过设置第一阈值来衡量每一个第一目标A的狭窄程度，将狭窄程度严重的第一目标A记录为第二目标点B。其中，第一阈值可根据医生的临床经验设定，本公开不作限制。

通过这种方式，即根据参考半径与第一目标点的半径之间的比值确定第一目标点的狭窄率，再根据第一阈值确定异常区域，该方法简单并易于实现，并且可通过医生根据临床经验设置第一阈值，适用于多种应用场景，可快速确定出异常区域。

举例来说，在第一图像区域中，可能存在多个异常区域，对于每一个异常区域，可能对应一个或多个第二图像区域。在异常区域对应一个第二图像区域的情况下，该异常区域的类别即为对应的第二图像区域的类别。在异常区域对应多个第二图像区域的情况下，可根据异常区域在对应的各个第二图像区域中的异常像素数量，将各类别包括的异常区域中像素数量最多的类别，确定为异常区域的类别。

通过分析异常区域对应的各个第二图像区域中的异常像素数量，将异常像素数量最多的第二图像区域的类别，确定为异常区域的类别，该方法简单便捷，可快速准确的确定异常区域的类别。

举例来说，所述初始图像包括三维血管造影图像，可通过图像采集设备(例如CT机)对身体各部位进行扫描，获得初始图像。所述目标包括血管，例如颅内血管、冠状动脉等目标。所述异常区域包括血管的狭窄区域，例如颅内血管狭窄段，冠状动脉狭窄段。所述类别包括基于血管结构信息分段的类别，例如颅内血管的类别包括基底动脉、左右大脑前动脉、左右大脑中动脉、左右大脑后动脉、左右椎动脉和左右颈内动脉类别；冠状动脉的类别包括右冠状的近心段，中段和远心段，右降支，左主干，前降支的近心段，中段，和远心段，回旋支的近心段和中远段，中间支，右冠后侧支，回旋后侧支以及对角和钝缘。

下面以颅内血管狭窄区域识别过程和冠状动脉狭窄区域识别过程为例，对本公开实施例的图像处理方法的处理过程进行说明。

图3示出根据本公开实施例的图像处理方法对颅内血管图像进行处理的示意图，如图3所示，初始图像为三维颅内血管造影图像(CT Angiography，CTA)，例如，该图像的尺寸为256×512×512，对应于xyz形成的直角坐标系中，该图像在x轴方向的像素数为512，在y轴方向的像素数为512，在z轴方向的像素数为256。应当理解，本公开对初始图像的尺寸不作限制。

如图3所示，对颅内血管图像进行处理可包括数据预处理、血管分割、血管分段、狭窄识别四个阶段。

在数据预处理阶段，即对尺寸为256×512×512的初始图像进行归一化处理，即将初始图像中各像素的像素值转化为0-1的值域范围内，得到归一化后的第三图像；根据颅内血管(目标)所在的图像区域，从尺寸为256×512×512的第三图像中切割出待处理的第一图像。其中，第一图像即为第三图像中间256×384×384范围的头颅内部分，也即预处理后的颅内数据。

图4示出根据本公开实施例的颅内血管图像进行第一分割处理的示意图，如图4所示，在血管分割阶段，即对待处理的第一图像进行血管分割(即第一分割处理)，得到第一图像中的颅内血管的分割结果(第一分割结果)，该分割结果包括所述颅内血管所在的第一图像区域。

在示例中，可设置第一预设尺寸为64×384×384，根据该尺寸对第一图像(尺寸为256×384×384)进行有重叠的切割，得到多个尺寸为64×384×384的第一采样图像块，并记录各第一采样图像块的位置。

将多个第一采样图像块输入第一分割网络中进行血管分割，得到多个第一采样图像块的分割结果；通过设置第一预设尺寸，可以使输入第一分割网络的第一采样图像块的尺寸一致。

根据记录的各第一采样图像块的位置，对多个第一采样图像块的分割结果进行融合，得到尺寸为256×384×384的融合结果。该融合结果中可能存在多个连通域，对融合结果中存在的每个联通域，根据其体积进行过滤，去除体积小于特定阈值的联通域，可得到第一图像中的颅内血管的分割结果(第一分割结果)。

在示例中，第一分割网络为预先训练好的图像分割网络，该网络可采用如图2所示的U形网络结构，该网络的输入为第一预设尺寸(64×384×384)的图像块，输出为同尺寸的二值图像(图2中N＝2)，例如，背景的值为0，颅内血管区域的值为1。

训练数据可由具有医学背景的专业人士在高年资医生的审核下标注医学图像数据，建立样本图像库，并按照9:1的比例将各样本图像划分为训练集和验证集，本公开对预设比例的值不作限定。

可设置一个随机数作为网络参数的初始值，通过训练集的样本图像训练该网络的参数，再由验证集检测该网络的分割误差，调整该网络的超参数，重复上述过程，直到该网络在验证集上误差最小，得到训练好的第一分割网络。其中，该网络输出的结果在验证集上的DICE分数(即该结果和标注图像的重合程度)为93％。

图5示出根据本公开实施例的颅内血管图像进行第二分割处理的示意图，如图5所示，在血管分段阶段，即根据所述第一分割结果，对所述第一图像进行血管分段(第二分割处理)，得到第一图像中的颅内血管的分段结果(第二分割结果)，该分段结果包括颅内血管的类别以及各类别的颅内血管所在的第二图像区域。其中，颅内血管的类别为基底动脉，左右大脑前动脉，左右大脑中动脉，左右大脑后动脉，左右椎动脉和左右颈内动脉。

在示例，将第一图像与颅内血管的分割结果(第一分割结果)按位相加，得到融合后的第二图像。在第二图像中，不仅强化了血管区域的信号，并且保留了初始图像中的解剖结构信息。

可设置第二预设尺寸为176×256×256，对第二图像(256×384×384)进行切割，可以取图像分段任务中关注的主干血管(颈内动脉，基底动脉，椎动脉和大脑前，中，后动脉)的存在的部分，即中间的176×256×256范围的待处理的区域图像。并记录切割的位置，例如切割的起点(x，y，z)。应当理解，本公开对第二预设尺寸的具体数值不作限定。通过设置第二预设尺寸，可以统一输入第二分割网络的图像尺寸，并减少待处理的数据量。

将从第二图像中切割出的尺寸为176×256×256区域图像，输入第二分割网络进行血管分段，可得到该区域图像的分段结果；该分段结果包括多个类别的血管段区域。

根据记录的切割位置，即(x，x+176)，(y，y+256)，(z，z+256)，将分段结果还原到第二图像，得到分段结果和第二图像的融合结果。对融合结果中每一个类别对应的图像区域中存在的联通域，可根据其体积进行过滤，每一类可保留最大的连通区域，去除小块的联通域，得到第二分割结果，包括多个类别(即基底动脉，左右大脑前动脉，左右大脑中动脉，左右大脑后动脉，左右椎动脉和左右颈内动脉)的血管段(第二图像区域)。

在示例中，第二分割网络为预先训练好的图像分割网络，该网络可采用如图2所示的U形网络结构，该网络的输入为第二预设尺寸(176×256×256)的图像块，输出为同尺寸的分段结果(图2中N＝6)，使用0-6的值分别表示各个血管段的类别，例如，背景的值为0，基底动脉为1，左右大脑前动脉为2，左右大脑中动脉为3，左右大脑后动脉为4，左右椎动脉为5，左右颈内动脉为6。本公开对类别的数量及类别的表示方式均不作限制。

可设置一个随机数作为网络参数的初始值，通过训练集的样本图像训练该网络的参数，再由验证集检测该网络的分割误差，调整该网络的超参数，重复上述过程，直到该网络在验证集上误差最小，得到训练好的第一分割网络。其中，该网络输出的结果在验证集上的DICE分数(即该结果和标注图像的重合程度)为91％。

在得到颅内血管的分割结果和分段结果后，就满足了进行血管狭窄识别的条件，根据颅内血管的分割结果和分段结果的DICE分数，分割结果的准确度高于分段结果的准确度，可根据分割结果确定狭窄段，根据分段结果确定狭窄段位置(分类)。如图3所示，在狭窄识别阶段，即根据分割结果及分段结果，确定颅内血管的狭窄段(异常区域)及狭窄段的类别，主要包括抽取中线，狭窄计算，狭窄定位过程。

抽取中线过程，即对第一图像区域进行提取中线处理，得到颅内血管的中线。例如，对颅内血管的分割结果(第一分割结果)进行形态学腐蚀操作，直到只剩最基本的骨架，根据该骨架可得到颅内血管的中线。

其中，由于血管可能会存在分支，该骨架可能包括多个端点，可根据骨架上每个点的联通域个数确定是否为端点，记录端点的位置。其中，端点为像素的连通域为1的点。

狭窄计算过程，即计算中线上各个点的狭窄率，从第一图像区域中确定出狭窄段；例如，在血管分割的分割结果(第一图像区域)上，可以按血管分段分成的类别沿中心线进行狭窄计算，即选取各类中和其相邻类别最近的端点为起点，沿着中线获取各点的异常率。中心线上每一个点的狭窄率可按照如公式(3)所示的计算方法计算。在中线上存在狭窄率小于或等于第一阈值的血管段，标记为狭窄段。

狭窄定位，即根据狭窄段所在的第二图像区域，确定所述狭窄段的类别。对所有标记的狭窄段位置上的点，查找血管分段结果中相同位置的类别，在狭窄段上的像素点对应多个类别的第二图像区域情况下，分别确定狭窄段上的像素点在对应的各个第二图像区域中的像素数量；将像素数量最多的第二图像区域的类别，确定为狭窄段的类别。其中，在关注范围外(即分段任务中关注的主干血管区域外)的血管狭窄标记为假阳性，输出时忽略。

根据本公开实施例的图像处理方法，可在无需人工交互的情况下，自动识别三维医学图像中的血管狭窄区域和位置，作为医生诊断的辅助工具，可以显著提升医生的诊断效率，有效降低医生的误诊率和漏诊率。

图6示出根据本公开实施例的图像处理方法对冠状动脉图像进行处理的示意图，如图6所示，初始图像为三维冠状动脉造影图像(CT Angiography，CTA)，例如，该图像的尺寸为J×512×512，对应于xyz形成的直角坐标系中，该图像在x轴方向的像素数为512，在y轴方向的像素数为512，在z轴方向的像素数为J(假设J大于64)。应当理解，本公开对初始图像的尺寸不作限制。

如图6所示，对冠状动脉图像进行处理可包括数据预处理、血管分割、血管分段、狭窄识别四个阶段。

在数据预处理阶段，即对尺寸为J×512×512的初始图像进行归一化处理，即将初始图像中各像素的像素值转化为0-1的值域范围内，得到归一化后的第三图像；根据冠状动脉(目标)所在的图像区域，从尺寸为J×512×512的第三图像中切割出待处理的第一图像。其中，第一图像即为第三图像中间256×384×384范围的心脏部分，也即预处理后的冠状动脉数据。

图7示出根据本公开实施例的冠状动脉图像进行第一分割处理的示意图，如图7所示，在血管分割阶段，即对待处理的第一图像进行血管分割(即第一分割处理)，得到第一图像中的冠状动脉的分割结果(第一分割结果)，该分割结果包括所述冠状动脉所在的第一图像区域。

在示例中，可设置第一预设尺寸为8×384×384，根据该尺寸对第一图像(尺寸为256×384×384)进行有重叠的切割，得到多个尺寸为8×384×384的第一采样图像块，并记录各第一采样图像块的位置。

根据记录的各第一采样图像块的位置，对多个第一采样图像块的分割结果进行融合，得到尺寸为256×384×384的融合结果。该融合结果中可能存在多个连通域，对融合结果中存在的每个联通域，根据其体积进行过滤，去除体积小于特定阈值的联通域，可得到第一图像中的冠状动脉的分割结果(第一分割结果)。

在示例中，第一分割网络为预先训练好的图像分割网络，该网络可采用如图2所示的U形网络结构，该网络的输入为第一预设尺寸(8×384×384)的图像块，输出为同尺寸的二值图像(图2中N＝2)，例如，背景的值为0，冠状动脉区域的值为1。

图8示出根据本公开实施例的冠状动脉图像进行第二分割处理的示意图，如图8所示，在血管分段阶段，即根据所述第一分割结果，对所述第一图像进行血管分段(第二分割处理)，得到第一图像中的冠状动脉的分段结果(第二分割结果)，该分段结果包括冠状动脉的类别以及各类别的冠状动脉所在的第二图像区域。其中，冠状动脉的类别为右冠状的近心段，中段和远心段，右降支，左主干，前降支的近心段，中段，和远心段，回旋支的近心段和中远段，中间支，右冠后侧支，回旋后侧支以及对角和钝缘。

在示例，将第一图像与冠状动脉的分割结果(第一分割结果)按位相加，得到融合后的第二图像。在第二图像中，不仅强化了血管区域的信号，并且保留了初始图像中的解剖结构信息。

可设置第二预设尺寸为176×256×256，对第二图像(256×384×384)进行切割，可以取图像分段任务中关注的主干血管(冠状动脉的类别为右冠状的近心段，中段和远心段，右降支，左主干，前降支的近心段，中段，和远心段，回旋支的近心段和中远段，中间支，右冠后侧支，回旋后侧支以及对角和钝缘)的存在的部分，即中间的176×256×256范围的待处理的区域图像。并记录切割的位置，例如切割的起点(x，y，z)。其中，如果血管分割的结果在x轴方向和y轴方向上的范围超过256×256，则将血管区域全部切割下来，通过双线性插值的方法将尺寸变为176×256×256。应当理解，本公开对第二预设尺寸的具体数值不作限定。通过设置第二预设尺寸，可以统一输入第二分割网络的图像尺寸，并减少待处理的数据量。

根据记录的切割位置，即(x，x+176)，(y，y+256)，(z，z+256)，将分段结果还原到第二图像，得到分段结果和第二图像的融合结果。对融合结果中每一个类别对应的图像区域中存在的联通域，可根据其体积进行过滤，每一类可保留最大的连通区域，去除小块的联通域，得到第二分割结果，包括多个类别(即冠状动脉的类别为右冠状的近心段，中段和远心段，右降支，左主干，前降支的近心段，中段，和远心段，回旋支的近心段和中远段，中间支，右冠后侧支，回旋后侧支以及对角和钝缘)的血管段(第二图像区域)。

在示例中，第二分割网络为预先训练好的图像分割网络，该网络可采用如图2所示的U形网络结构，该网络的输入为第二预设尺寸(176×256×256)的图像块，输出为同尺寸的分段结果(图2中N＝15)，使用0-15的值分别表示各个血管段的类别，例如，背景的值为0，右冠状的近心段为1，右冠状的中段为2，右冠状的远心段为3，右降支为4，左主干为5，前降支的近心段为6，前降支的中段为7，前降支的远心段为8，回旋支的近心段为9，回旋支的中远段为10，中间支为11，右冠后侧支为12，回旋后侧支为13，对角为14，钝缘为15。本公开对类别的数量及类别的表示方式均不作限制。

可设置一个随机数作为网络参数的初始值，通过训练集的样本图像训练该网络的参数，再由验证集检测该网络的分割误差，调整该网络的超参数，重复上述过程，直到该网络在验证集上误差最小，得到训练好的第一分割网络。其中，该网络输出的结果在验证集上的DICE分数(即该结果和标注图像的重合程度)为80％。

在得到冠状动脉的分割结果和分段结果后，就满足了进行血管狭窄识别的条件，根据冠状动脉的分割结果和分段结果的DICE分数，分割结果的准确度高于分段结果的准确度，可根据分割结果确定狭窄段，根据分段结果确定狭窄段位置(分类)。如图6所示，在狭窄识别阶段，即根据分割结果及分段结果，确定冠状动脉的狭窄段(异常区域)及狭窄段的类别，主要包括抽取中线，狭窄计算，狭窄定位过程。

抽取中线过程，即对第一图像区域进行提取中线处理，得到冠状动脉的中线。例如，对冠状动脉的分割结果(第一分割结果)进行形态学腐蚀操作，直到只剩最基本的骨架，根据该骨架可得到冠状动脉的中线。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图9示出根据本公开实施例的图像处理装置的框图，如图9所示，所述图像处理装置包括：

第一分割模块41，用于对待处理的第一图像进行第一分割处理，得到所述第一图像中的目标的第一分割结果，所述第一分割结果包括所述目标所在的第一图像区域；

第二分割模块42，根据所述第一分割结果，对所述第一图像进行第二分割处理，得到所述第一图像中的目标的第二分割结果，所述第二分割结果包括所述目标的类别以及各类别的目标所在的第二图像区域；

异常识别模块43，用于根据所述第一分割结果及所述第二分割结果，确定所述目标的异常区域及所述异常区域的类别。

在一种可能的实现方式中，异常识别模块43用于：对所述第一图像区域进行提取中线处理，得到所述目标的中线；根据所述中线上各个点的狭窄率，从所述第一图像区域中确定出异常区域；根据所述异常区域所在的第二图像区域，确定所述异常区域的类别。

在一种可能的实现方式中，第一分割模块41用于：根据第一预设尺寸，对所述第一图像进行切割，得到所述第一采样图像块；将所述第一采样图像块输入第一分割网络中进行分割，得到所述第一采样图像块的分割结果；对多个第一采样图像块的分割结果进行融合，得到所述第一分割结果。

在一种可能的实现方式中，第二分割模块42用于：对所述第一图像与所述第一分割结果进行融合，得到第二图像；根据第二预设尺寸，从所述第二图像中切割出待处理的区域图像；将所述区域图像输入第二分割网络中进行分割，得到所述区域图像的区域分割结果；对所述区域分割结果与所述第二图像进行融合，得到所述第二分割结果。

在一种可能的实现方式中，所述装置还包括：归一化模块，用于对初始图像进行归一化处理，得到归一化后的第三图像；图像切割模块，用于根据所述目标所在的图像区域，从所述第三图像中切割出待处理的第一图像。

本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机或处理器上运行时，使得所述计算机或处理器执行上述方法。

本申请实施例提供了一种包含指令的计算机程序产品，当其在计算机或处理器上运行时，使得所述计算机或处理器执行上述方法。

本公开实施例提供了一种电子设备，其特征在于，包括：处理器、用于存储处理器可执行指令的存储器。其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。电子设备可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

电子设备可以被提供为终端、服务器或其它形态的设备。

图10示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图10，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)，第三代移动通信技术(3G)，第四代移动通信技术(4G)或第五代移动通信技术(5G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图11是根据一示例性实施例示出的一种电子设备1900的框图。例如，装置1900可以被提供为一服务器。参照图11，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows Server^TM)，苹果公司推出的基于图形用户界面操作系统(Mac OS X^TM)，多用户多进程的计算机操作系统(Unix^TM),自由和开放原代码的类Unix操作系统(Linux^TM)，开放原代码的类Unix操作系统(FreeBSD^TM)或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims

1.一种图像处理方法，其特征在于，所述方法包括：

对待处理的第一图像进行第一分割处理，得到所述第一图像中的目标的第一分割结果，所述第一分割结果包括所述目标所在的第一图像区域；

根据所述第一分割结果，对所述第一图像进行第二分割处理，得到所述目标的第二分割结果，所述第二分割结果包括所述目标的类别以及各类别的目标所在的第二图像区域；

根据所述第一分割结果及所述第二分割结果，确定所述目标的异常区域及所述异常区域的类别。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一分割结果及所述第二分割结果，确定所述目标的异常区域及所述异常区域的类别，包括：

3.根据权利要求2所述的方法，其特征在于，根据所述中线上各个点的狭窄率，从所述第一图像区域中确定出异常区域，包括：

获取所述中线上的第一目标点的狭窄率，其中，所述第一目标点为所述中线上的任意一点，所述第一目标点的狭窄率为参考半径与所述第一目标点的半径之间的比值，所述参考半径为与所述第一目标点相邻的多个点的半径中的最小值；

在所述中线上存在狭窄率小于或等于第一阈值的第二目标点的情况下，根据所述第二目标点的位置，从所述第一图像区域中确定出异常区域。

4.根据权利要求2所述的方法，其特征在于，根据所述异常区域所在的第二图像区域，确定所述异常区域的类别，包括：

在所述异常区域对应多个第二图像区域情况下，分别确定所述异常区域在对应的各个第二图像区域中的异常像素数量；

将异常像素数量最多的第二图像区域的类别，确定为所述异常区域的类别。

5.根据权利要求1所述的方法，其特征在于，对第一图像进行第一分割处理，得到所述第一图像中的目标的第一分割结果，包括：

6.根据权利要求1所述的方法，其特征在于，根据所述第一分割结果，对所述第一图像进行第二分割处理，得到所述目标的第二分割结果，包括：

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对初始图像进行归一化处理，得到归一化后的第三图像；

根据所述目标所在的图像区域，从所述第三图像中切割出待处理的第一图像。

8.根据权利要求7所述的方法，其特征在于，所述初始图像包括三维的血管造影图像，所述目标包括血管，所述异常区域包括血管的狭窄区域，所述类别包括基于血管结构信息分段的类别。

9.一种图像处理装置，其特征在于，包括：

第一分割模块，用于对待处理的第一图像进行第一分割处理，得到所述第一图像中的目标的第一分割结果，所述第一分割结果包括所述目标所在的第一图像区域；

第二分割模块，用于根据所述第一分割结果，对所述第一图像进行第二分割处理，得到所述第一图像中的目标的第二分割结果，所述第二分割结果包括所述目标的类别以及各类别的目标所在的第二图像区域；

异常识别模块，用于根据所述第一分割结果及所述第二分割结果，确定所述目标的异常区域及所述异常区域的类别。

10.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至8中任意一项所述的方法。

11.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。