CN113222006B - 一种亚段支气管分级的方法、装置、设备及存储介质 - Google Patents

一种亚段支气管分级的方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113222006B
CN113222006B CN202110501077.7A CN202110501077A CN113222006B CN 113222006 B CN113222006 B CN 113222006B CN 202110501077 A CN202110501077 A CN 202110501077A CN 113222006 B CN113222006 B CN 113222006B
Authority
CN
China
Prior art keywords
bronchial
bronchus
branch
result
sub
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
Application number
CN202110501077.7A
Other languages
English (en)
Other versions
CN113222006A (zh
Inventor
黄文豪
简伟健
张欢
王瑜
陈宽
王少康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Infervision Medical Technology Co Ltd
Original Assignee
Infervision Medical Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Infervision Medical Technology Co Ltd filed Critical Infervision Medical Technology Co Ltd
Priority to CN202110501077.7A priority Critical patent/CN113222006B/zh
Publication of CN113222006A publication Critical patent/CN113222006A/zh
Application granted granted Critical
Publication of CN113222006B publication Critical patent/CN113222006B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种亚段支气管分级的方法、装置、设备及存储介质，该方法包括：获取目标支气管的分段结果；针对每一所述分段结果，按照该分段结果所属支气管分支对应的输入通道，将该分段结果输入训练好的亚段支气管分级模型中，得到用于对所述目标支气管进行亚段支气管分级的全局信息；将每一所述分段结果依次作为分级线索，输入训练好的亚段支气管分级模型中，得到每一所述分段结果对应的亚段分级结果；对每一所述亚段分级结果进行拼接处理，得到所述目标支气管的亚段支气管分级结果。这样，可以在支气管分段结果的基础上，对目标支气管中的每一支气管分支进行细分，得到目标支气管的亚段支气管分级结果。

Description

一种亚段支气管分级的方法、装置、设备及存储介质
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种亚段支气管分级的方法、装置、设备及存储介质。
背景技术
气管是呼吸系统的重要组成部分，气管的上部与喉头相接，下部分左右两支与肺部相通。气管在进入胸腔后，分成左、右主支气管，其中，左主支气管分为上叶和下叶支气管，左上叶支气管分出舌段支气管分支；右主支气管分为上叶支气管和中间段支气管，中间断支气管再分为中叶和下叶支气管；上述的气管细分成各种支气管分支的过程可以统称为支气管分级或者支气管分段。在支气管分段的基础上，进一步地，还可以在每一个支气管分支的基础上，细分出该支气管分支的主干以及若干个支气管分支亚段，这种将每一个支气管分支细分为亚段支气管的过程被称为亚段支气管分级。
目前对于支气管分级的研究主要可以分为两个方面，一方面是从肺部CT(Computed Tomography，电子计算机断层扫描)图像中，分割出支气管所在的图像区域，得到完整的支气管树；另一方面是利用支气管呈树状结构的分布特点，对支气管进行分级，确定支气管中的每一支气管分支。由此可见，在当前技术领域范围内，主要是从肺部CT图像中分割出支气管，并对分割出的支气管进行分级，但并未涉及对每一个支气管分支进行细分，因此，利用现有技术，无法解决如何对目标支气管进行亚段支气管分级的技术问题。
发明内容
有鉴于此，本申请的目的在于提供一种亚段支气管分级的方法、装置、设备及存储介质，以在支气管分段的基础上，对目标支气管中的每一支气管分支进行细分，得到目标支气管的亚段支气管分级结果。
第一方面，本申请实施例提供了一种亚段支气管分级的方法，所述方法包括：
获取目标支气管的分段结果，其中，每一所述分段结果是所述目标支气管的每一支气管分支所在的三维图像；
针对每一所述分段结果，按照该分段结果所属支气管分支对应的输入通道，将该分段结果输入训练好的亚段支气管分级模型中，得到用于对所述目标支气管进行亚段支气管分级的全局信息；
将每一所述分段结果依次作为分级线索，输入训练好的亚段支气管分级模型中，得到每一所述分段结果对应的亚段分级结果，其中，所述分级线索用于指示所述亚段支气管分级模型对目标支气管分支的亚段分级结果进行预测，所述目标支气管分支是当前作为所述分级线索输入的分段结果所属的支气管分支；
对每一所述亚段分级结果进行拼接处理，得到所述目标支气管的亚段支气管分级结果，其中，所述亚段分级结果中至少包括一个支气管分支主干以及一个支气管分支亚段。
可选的，在所述获取目标支气管的分段结果之前，所述方法还包括：
获取历史支气管的历史分段结果，其中，每一所述历史分段结果是所述历史支气管的每一支气管分支所在的三维图像；
针对每一所述历史分段结果，利用该历史分段结果所属的支气管分支对应的亚段分级类别，对该历史分段结果中包括的支气管分支主干和支气管分支亚段分别进行标记，得到该历史分段结果对应的第一训练样本；
对该历史分段结果进行数据扩增处理，得到该历史分段结果对应的第二训练样本；
利用所述第一训练样本和所述第二训练样本，对分割网络模型进行训练，以得到所述亚段支气管分级模型。
可选的，所述利用所述第一训练样本和所述第二训练样本，对分割网络模型进行训练，以得到所述亚段支气管分级模型，包括：
针对每一所述第二训练样本，按照该第二训练样本所属的支气管分支对应的输入通道，将该第二训练样本输入所述分割网络模型中，得到用于对所述历史支气管进行亚段支气管分级的全局信息；
将每一所述第二训练样本依次作为所述分级线索，输入所述分割网络模型中，得到每一所述第二训练样本对应的第一预测结果，其中，所述第一预测结果是所述分割网络模型依次对第一支气管分支对应的亚段分级类别进行预测得到的，所述第一支气管分支是当前输入的分级线索所属的支气管分支；
针对每一所述第一预测结果，利用目标第一训练样本，计算该第一预测结果与所述目标第一训练样本之间的语义损失值，其中，所述目标第一训练样本是与该第一预测结果对应的支气管分支相同的第一训练样本；
利用所述语义损失值，对所述分割网络模型进行重复训练，直至所述分割网络模型达到收敛，将收敛后的分割网络模型作为所述亚段支气管分级模型。
可选的，所述获取目标支气管的分段结果，包括：
从肺部三维图像中，分割提取所述目标支气管所在三维图像的最大外接立方体区域作为第一输入数据；
对所述第一输入数据进行膨胀处理，以得到第一处理数据；
沿所述第一处理数据的空间横坐标方向，对所述第一处理数据中的所述目标支气管进行分割，将所述第一处理数据分割成两份第二处理数据；其中，所述第二处理数据是所述目标支气管的左半部或右半部所在的第一处理数据；
将每一所述第二处理数据分别输入训练好的支气管分级模型中，得到所述目标支气管的分段结果。
可选的，所述方法，还包括：
将所述亚段支气管分级结果的图像尺寸修改为目标图像尺寸，得到第一修正结果，其中，所述目标图像尺寸是所述目标支气管所在三维图像的图像尺寸；
利用所述目标支气管所在三维图像，对所述第一修正结果进行映射，得到第二修正结果；
在所述第一修正结果中的目标生长区域内，针对所述目标支气管中的每一支气管分支，将所述目标生长区域作为区域生长的截止边界，对该支气管分支进行区域生长处理，得到所述亚段支气管分级结果的图像修正结果，其中，所述目标生长区域是属于所述第二修正结果且不属于所述第一修正结果的区域。
可选的，所述方法，还包括：
针对所述目标支气管中的每一支气管分支，从所述亚段支气管分级结果中，确定该支气管分支对应的亚段分级结果；
根据该亚段分级结果所属支气管分支的类别，确定该亚段分级结果对应的颜色标记方案，其中，不同类别的支气管分支对应的颜色标记方案不同；
在该亚段分级结果中，按照确定的所述颜色标记方案，分别对该亚段分级结果中的支气管分支主干以及支气管分支亚段进行颜色标记，得到用于向用户展示的目标支气管的亚段支气管分级结果，其中，所述支气管分支主干与所述支气管分支亚段对应的颜色标记不同，不同类别的支气管分支亚段对应的颜色标记不同。
可选的，在所述分别对该亚段分级结果中的支气管分支主干以及支气管分支亚段进行颜色标记之后，所述方法还包括：
从所述亚段分级结果中，提取所述支气管分支主干与每一支气管分支亚段的最大连通域作为种子区域；
在其他区域与所述种子区域的交界处，针对每一所述支气管分支亚段，按照该支气管分支亚段对应的颜色进行区域生长，对该支气管分支亚段位于所述其他区域中的分支部分重新进行颜色标记，其中，所述其他区域是与所述种子区域中除所述支气管分支主干之外的区域相连通的区域；
在对每一所述支气管分支亚段重新进行颜色标记之后，从所述其他区域中，提取未被颜色标记的游离区域；
针对每一所述游离区域，根据该游离区域与其他游离区域的连通关系，对该游离区域进行划分，确定组成该游离区域的各个连通域；
针对每一所述连通域，根据各支气管分支亚段在该连通域中颜色面积的所占比重，提取颜色面积的所占比重最大的支气管分支亚段作为目标支气管分支亚段；
按照所述目标支气管分支亚段对应的颜色，对该连通域进行颜色标记。
第二方面，本申请实施例提供了一种模型训练方法，所述模型训练方法，包括：
获取历史支气管的历史分段结果，其中，每一所述历史分段结果是所述历史支气管的每一支气管分支所在的三维图像；
针对每一所述历史分段结果，利用该历史分段结果所属的支气管分支对应的亚段分级类别，对该历史分段结果中包括的支气管分支主干和支气管分支亚段分别进行标记，得到该历史分段结果对应的第一训练样本；
对该历史分段结果进行数据扩增处理，得到该历史分段结果对应的第二训练样本；
利用所述第一训练样本和所述第二训练样本，对分割网络模型进行训练，以得到训练好的亚段支气管分级模型。
可选的，所述利用所述第一训练样本和所述第二训练样本，对分割网络模型进行训练，以得到训练好的亚段支气管分级模型，包括：
针对每一所述第二训练样本，按照该第二训练样本所属的支气管分支对应的输入通道，将该第二训练样本输入所述分割网络模型中，得到用于对所述历史支气管进行亚段支气管分级的全局信息；
将每一所述第二训练样本依次作为模型分级线索，输入所述分割网络模型中，得到每一所述第二训练样本对应的第一预测结果，其中，所述第一预测结果是所述分割网络模型依次对第一支气管分支对应的亚段分级类别进行预测得到的，所述第一支气管分支是当前输入的模型分级线索所属的支气管分支；
针对每一所述第一预测结果，利用目标第一训练样本，计算该第一预测结果与所述目标第一训练样本之间的语义损失值，其中，所述目标第一训练样本是与该第一预测结果对应的支气管分支相同的第一训练样本；
利用所述语义损失值，对所述分割网络模型进行重复训练，直至所述分割网络模型达到收敛，将收敛后的分割网络模型作为所述亚段支气管分级模型。
第三方面，本申请实施例提供了一种亚段支气管分级的装置，所述装置，包括：
获取模块，用于获取目标支气管的分段结果，其中，每一所述分段结果是所述目标支气管的每一支气管分支所在的三维图像；
第一输入模块，用于针对每一所述分段结果，按照该分段结果所属支气管分支对应的输入通道，将该分段结果输入训练好的亚段支气管分级模型中，得到用于对所述目标支气管进行亚段支气管分级的全局信息；
第二输入模块，用于将每一所述分段结果依次作为分级线索，输入训练好的亚段支气管分级模型中，得到每一所述分段结果对应的亚段分级结果，其中，所述分级线索用于指示所述亚段支气管分级模型对目标支气管分支的亚段分级结果进行预测，所述目标支气管分支是当前作为所述分级线索输入的分段结果所属的支气管分支；
输出模块，用于对每一所述亚段分级结果进行拼接处理，得到所述目标支气管的亚段支气管分级结果，其中，所述亚段分级结果中至少包括一个支气管分支主干以及一个支气管分支亚段。
可选的，所述装置，还包括：
第一获取模块，用于获取历史支气管的历史分段结果，其中，每一所述历史分段结果是所述历史支气管的每一支气管分支所在的三维图像；
第一标记模块，用于针对每一所述历史分段结果，利用该历史分段结果所属的支气管分支对应的亚段分级类别，对该历史分段结果中包括的支气管分支主干和支气管分支亚段分别进行标记，得到该历史分段结果对应的第一训练样本；
扩增处理模块，用于对该历史分段结果进行数据扩增处理，得到该历史分段结果对应的第二训练样本；
模型训练模块，用于利用所述第一训练样本和所述第二训练样本，对分割网络模型进行训练，以得到所述亚段支气管分级模型。
可选的，所述模型训练模块，还用于：
针对每一所述第二训练样本，按照该第二训练样本所属的支气管分支对应的输入通道，将该第二训练样本输入所述分割网络模型中，得到用于对所述历史支气管进行亚段支气管分级的全局信息；
将每一所述第二训练样本依次作为所述分级线索，输入所述分割网络模型中，得到每一所述第二训练样本对应的第一预测结果，其中，所述第一预测结果是所述分割网络模型依次对第一支气管分支对应的亚段分级类别进行预测得到的，所述第一支气管分支是当前输入的分级线索所属的支气管分支；
针对每一所述第一预测结果，利用目标第一训练样本，计算该第一预测结果与所述目标第一训练样本之间的语义损失值，其中，所述目标第一训练样本是与该第一预测结果对应的支气管分支相同的第一训练样本；
利用所述语义损失值，对所述分割网络模型进行重复训练，直至所述分割网络模型达到收敛，将收敛后的分割网络模型作为所述亚段支气管分级模型。
可选的，所述获取模块，还用于：
从肺部三维图像中，分割提取所述目标支气管所在三维图像的最大外接立方体区域作为第一输入数据；
对所述第一输入数据进行膨胀处理，以得到第一处理数据；
沿所述第一处理数据的空间横坐标方向，对所述第一处理数据中的所述目标支气管进行分割，将所述第一处理数据分割成两份第二处理数据；其中，所述第二处理数据是所述目标支气管的左半部或右半部所在的第一处理数据；
将每一所述第二处理数据分别输入训练好的支气管分级模型中，得到所述目标支气管的分段结果。
可选的，所述装置，还包括：
第一修正模块，用于将所述亚段支气管分级结果的图像尺寸修改为目标图像尺寸，得到第一修正结果，其中，所述目标图像尺寸是所述目标支气管所在三维图像的图像尺寸；
映射模块，用于利用所述目标支气管所在三维图像，对所述第一修正结果进行映射，得到第二修正结果；
第二修正模块，用于在所述第一修正结果中的目标生长区域内，针对所述目标支气管中的每一支气管分支，将所述目标生长区域作为区域生长的截止边界，对该支气管分支进行区域生长处理，得到所述亚段支气管分级结果的图像修正结果，其中，所述目标生长区域是属于所述第二修正结果且不属于所述第一修正结果的区域。
可选的，所述装置，还包括：
结果确定模块，用于针对所述目标支气管中的每一支气管分支，从所述亚段支气管分级结果中，确定该支气管分支对应的亚段分级结果；
颜色确定模块，用于根据该亚段分级结果所属支气管分支的类别，确定该亚段分级结果对应的颜色标记方案，其中，不同类别的支气管分支对应的颜色标记方案不同；
颜色标记模块，用于在该亚段分级结果中，按照确定的所述颜色标记方案，分别对该亚段分级结果中的支气管分支主干以及支气管分支亚段进行颜色标记，得到用于向用户展示的目标支气管的亚段支气管分级结果，其中，所述支气管分支主干与所述支气管分支亚段对应的颜色标记不同，不同类别的支气管分支亚段对应的颜色标记不同。
可选的，在所述分别对该亚段分级结果中的支气管分支主干以及支气管分支亚段进行颜色标记之后，所述颜色标记模块，还用于：
从所述亚段分级结果中，提取所述支气管分支主干与每一支气管分支亚段的最大连通域作为种子区域；
在其他区域与所述种子区域的交界处，针对每一所述支气管分支亚段，按照该支气管分支亚段对应的颜色进行区域生长，对该支气管分支亚段位于所述其他区域中的分支部分重新进行颜色标记，其中，所述其他区域是与所述种子区域中除所述支气管分支主干之外的区域相连通的区域；
在对每一所述支气管分支亚段重新进行颜色标记之后，从所述其他区域中，提取未被颜色标记的游离区域；
针对每一所述游离区域，根据该游离区域与其他游离区域的连通关系，对该游离区域进行划分，确定组成该游离区域的各个连通域；
针对每一所述连通域，根据各支气管分支亚段在该连通域中颜色面积的所占比重，提取颜色面积的所占比重最大的支气管分支亚段作为目标支气管分支亚段；
按照所述目标支气管分支亚段对应的颜色，对该连通域进行颜色标记。
第四方面，本申请实施例提供了一种模型训练装置，所述模型训练装置，包括：
分段模块，用于获取历史支气管的历史分段结果，其中，每一所述历史分段结果是所述历史支气管的每一支气管分支所在的三维图像；
标记模块，用于针对每一所述历史分段结果，利用该历史分段结果所属的支气管分支对应的亚段分级类别，对该历史分段结果中包括的支气管分支主干和支气管分支亚段分别进行标记，得到该历史分段结果对应的第一训练样本；
处理模块，用于对该历史分段结果进行数据扩增处理，得到该历史分段结果对应的第二训练样本；
训练模块，用于利用所述第一训练样本和所述第二训练样本，对分割网络模型进行训练，以得到训练好的亚段支气管分级模型。
可选的，所述训练模块，还用于：
针对每一所述第二训练样本，按照该第二训练样本所属的支气管分支对应的输入通道，将该第二训练样本输入所述分割网络模型中，得到用于对所述历史支气管进行亚段支气管分级的全局信息；
将每一所述第二训练样本依次作为所述分级线索，输入所述分割网络模型中，得到每一所述第二训练样本对应的第一预测结果，其中，所述第一预测结果是所述分割网络模型依次对第一支气管分支对应的亚段分级类别进行预测得到的，所述第一支气管分支是当前输入的分级线索所属的支气管分支；
针对每一所述第一预测结果，利用目标第一训练样本，计算该第一预测结果与所述目标第一训练样本之间的语义损失值，其中，所述目标第一训练样本是与该第一预测结果对应的支气管分支相同的第一训练样本；
利用所述语义损失值，对所述分割网络模型进行重复训练，直至所述分割网络模型达到收敛，将收敛后的分割网络模型作为所述亚段支气管分级模型。
第五方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一所述的亚段支气管分级的方法的步骤，或者执行上述任一所述的模型训练方法的步骤。
第六方面，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上存储有计算机程序，所述计算机程序被处理器运行时执行上述任一所述的亚段支气管分级的方法的步骤，或者执行上述任一所述的模型训练方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请是先获取目标支气管的分段结果，然后，分通道将每一个分段结果输入训练好的亚段支气管分级模型中，得到用于对所述目标支气管进行亚段支气管分级的全局信息；再将每一所述分段结果依次作为分级线索，输入训练好的亚段支气管分级模型中，得到每一所述分段结果对应的亚段分级结果，对每一所述亚段分级结果进行拼接处理，得到所述目标支气管的亚段支气管分级结果，其中，所述亚段分级结果中至少包括一个支气管分支主干以及一个支气管分支亚段。这样，相较于现有技术，本申请可以在支气管分段的基础上，对目标支气管中的每一支气管分支进行细分，得到目标支气管的亚段支气管分级结果。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种亚段支气管分级的方法的流程示意图；
图2示出了本申请实施例所提供的一种亚段支气管分级模型的训练方法流程示意图；
图3示出了本申请实施例所提供的一种获取目标支气管的分段结果的方法流程示意图；
图4示出了本申请实施例所提供的一种目标支气管所在三维图像的最大外接立方体区域的示意图；
图5示出了本申请实施例中提供的一种空间中对所述第一处理数据中的所述目标支气管进行分割的示意图；
图6示出了本申请实施例所提供的一种对亚段支气管分级结果进行修正的方法流程示意图；
图7示出了本申请实施例所提供的一种对亚段分级结果进行颜色标记的方法流程示意图；
图8示出了一个亚段分级结果进行颜色标记后的示意图；
图9示出了本申请实施例所提供的一种对亚段分级结果的颜色标记进行修正的方法流程示意图；
图10示出了本申请实施例所提供的一种亚段支气管的分级装置的结构示意图；
图11示出了本申请实施例所提供的一种模型训练装置的结构示意图；
图12为本申请实施例提供的一种计算机设备1200的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供了一种亚段支气管分级的方法、装置、设备及存储介质，下面通过实施例进行描述。
图1示出了本申请实施例所提供的一种亚段支气管分级的方法的流程示意图，其中，该方法包括步骤S101-S104；具体的：
S101，获取目标支气管的分段结果，其中，每一所述分段结果是所述目标支气管的每一支气管分支所在的三维图像。
需要提前说明的是，本申请实施例中提到的目标支气管以及历史支气管，都是指进入胸腔后的气管整体，本申请实施例中提到的亚段支气管分级，都是指在得到进入胸腔后的气管整体的分段结果的基础上，对每一个分段结果中的支气管分支进行细分，得到每一个支气管分支的亚段支气管。本申请实施例中，作为一可选实施例，可以先从肺部三维图像中，分割提取目标支气管所在三维图像的最大外接立方体区域作为输入数据，然后，将该输入数据输入训练好的支气管分级模型中，得到目标支气管的分段结果。
具体的，在训练所述支气管分级模型时，可以按照预先设置的支气管分级类别，对训练样本中样本支气管的每一支气管分支进行标记，来确定所述样本支气管中的每一支气管分支携带的所属类别标签，从而，使得训练好的支气管分级模型，可以识别出当前输入数据中，目标支气管每一支气管分支的所属类别，得到目标支气管的分段结果。
其中，预先设置的支气管分级类别，具体如下：
位于右肺部的：右尖段支气管，右前段支气管，右后段支气管，右外侧段支气管，右内侧段支气管，右背段支气管，右内基底段支气管，右前基底段支气管，右外基底段支气管，右后基底段支气管；
位于左肺部的：左尖后段支气管，左前段支气管，左上舌段支气管，左下舌段支气管，左背段支气管，左内前基底段支气管，左外基底段支气管，左后基底段支气管；
以及位于目标支气管主干部分的：主支气管。S102，针对每一所述分段结果，按照该分段结果所属支气管分支对应的输入通道，将该分段结果输入训练好的亚段支气管分级模型中，得到用于对所述目标支气管进行亚段支气管分级的全局信息。
本申请实施例中，结合上述步骤S101可知，按照所述支气管分级类别，可以得到目标支气管的18个分段结果，其中，每一个分段结果对应一个支气管分支所在的三维图像。
具体的，在得到目标支气管的18个分段结果之后，作为一可选实施例，可以按照预设的图像尺寸，将18个分段结果调整为统一的图像尺寸，然后，分别通过18个输入通道，输入训练好的亚段支气管分级模型中。其中，预设的图像尺寸小于每一所述分段结果的实际图像尺寸。这样，一方面，将不同的分段结果调整为同一图像尺寸，有利于亚段支气管分级模型识别不同类别的支气管分支，提高亚段支气管分级模型获取的全局信息的准确度；另一方面，将每一分段结果的图像尺寸调小到预设的图像尺寸，还有利于减少显存，降低亚段支气管分级模型对全局信息的数据处理量，提高数据处理效率。
S103，将每一所述分段结果依次作为分级线索，输入训练好的亚段支气管分级模型中，得到每一所述分段结果对应的亚段分级结果。
具体的，其中，所述分级线索用于指示所述亚段支气管分级模型对目标支气管分支的亚段分级结果进行预测，所述目标支气管分支是当前作为所述分级线索输入的分段结果所属的支气管分支。
本申请实施例中，在输入上述的全局信息之后，还需要遍历18个分段结果，通过线索输入通道，依次将18个分段结果作为分级线索，输入训练好的亚段支气管分级模型中，亚段支气管分级模型在全局信息的基础上，依次对当前作为分级线索输入的分段结果所属的支气管分支进行亚段分级预测，得到18个支气管分支分别对应的亚段分级结果。
具体的，结合步骤S101中对于目标支气管的分段结果的解释，具体到本申请实施例中，考虑到本申请实施例是对目标支气管进行亚段支气管分级，因此，作为一可选实施例，可以不考虑目标支气管的主支气管，只对除主支气管之外的上述18个支气管分支进行亚段支气管分级，其中，在进行亚段支气管分级时，对于每一个支气管分支，可以按照该支气管分支的所属类别，将该支气管分支细分为一个支气管分支主干和若干个亚段支气管。
示例性的说明，以右尖段支气管作为分级线索为例，在得到上述的全局信息之后，将右尖段支气管作为分级线索，输入亚段支气管分级模型中，得到右尖段支气管的亚段分级结果可以为：右尖端支气管主干、右尖端支气管尖支和右尖端支气管前支，其中，右尖端支气管尖支和右尖端支气管前支为右尖段支气管的支气管分支亚段。
S104，对每一所述亚段分级结果进行拼接处理，得到所述目标支气管的亚段支气管分级结果，其中，所述亚段分级结果中至少包括一个支气管分支主干以及一个支气管分支亚段。
具体的，结合上述步骤S103可知，在依次得到每一个支气管分支对应的亚段分级结果之后，可以按照各支气管分支在目标支气管中所处的位置，对18个支气管分支对应的亚段分级结果进行拼接处理，得到目标支气管的亚段支气管分级结果，并向用户展示该亚段支气管分级结果。
在一个可行的实施方案中，图2示出了本申请实施例所提供的一种亚段支气管分级模型的训练方法流程示意图，如图2所示，在执行步骤S101之前，在训练所述亚段支气管分级模型时，该方法还包括S201-S204；具体的：
S201，获取历史支气管的历史分段结果，其中，每一所述历史分段结果是所述历史支气管的每一支气管分支所在的三维图像。
具体的，关于历史分段结果的获取方法的详细说明可以参考步骤S101中具体实施例的相关解释，在此不再详细说明。
S202，针对每一所述历史分段结果，利用该历史分段结果所属的支气管分支对应的亚段分级类别，对该历史分段结果中包括的支气管分支主干和支气管分支亚段分别进行标记，得到该历史分段结果对应的第一训练样本。
本申请实施例中，可以针对每一支气管分支，按照预先设置的该支气管分支对应的亚段分级类别，对每一个历史分段结果所属的支气管分支进行标记，来确定该支气管分支中的支气管分支主干和每一个支气管分支亚段携带的所属类别标签，从而，将标记好的第一训练样本作为标准样本，通过比较标准样本与无标记的训练样本之间的语义损失，来训练亚段支气管分级模型，使得训练好的亚段支气管分级模型，可以对每一个输入的分段结果进行预测，得到该分段结果对应的亚段分级结果。
示例性的说明，结合步骤S101中所述的支气管分级类别，以右尖段支气管对应的历史分段结果为例，对该历史分段结果中的右尖端支气管主干、右尖端支气管尖支和右尖端支气管前支分别进行标记，将右尖端支气管主干标记为B1、将右尖端支气管尖支标记为B1a、将右尖端支气管前支标记为B1b，以在标记后的第一训练样本中，利用标记B1来表征右尖端支气管主干为该历史分段结果中的支气管分支主干，利用标记B1a和B1b来表征右尖端支气管尖支和右尖端支气管前支是该历史分段结果中的两个支气管分支亚段。
S203，对该历史分段结果进行数据扩增处理，得到该历史分段结果对应的第二训练样本。
需要说明的是，所述数据扩增处理可以包括：随机翻转、弹性形变等处理方式，对于数据扩增处理的具体处理方式，本申请并不进行具体限定。
本申请实施例中，考虑到训练样本的类型以及数量越充足，越有利于提高模型训练的准确度。因此，作为一可选方案，可以对每一个历史分段结果进行数据扩增处理，得到同一批次的第二训练样本，例如，对每一个历史分段结果进行随机旋转，或者随机消除每一个历史分段结果中某一个支气管分支亚段携带的所属类别标签，从而，通过数据扩增处理的方式，来模拟历史分段结果中支气管分支亚段携带的所属类别标签不准确的情况，以丰富训练样本的类型和数量，提高模型训练结果的准确度。S204，利用所述第一训练样本和所述第二训练样本，对分割网络模型进行训练，以得到所述亚段支气管分级模型。
本申请实施例中，作为一可选实施例，所述利用所述第一训练样本和所述第二训练样本，对分割网络模型进行训练，以得到所述亚段支气管分级模型，包括：
针对每一所述第二训练样本，按照该第二训练样本所属的支气管分支对应的输入通道，将该第二训练样本输入所述分割网络模型中，得到用于对所述历史支气管进行亚段支气管分级的全局信息；
将每一所述第二训练样本依次作为所述分级线索，输入所述分割网络模型中，得到每一所述第二训练样本对应的第一预测结果，其中，所述第一预测结果是所述分割网络模型依次对第一支气管分支对应的亚段分级类别进行预测得到的，所述第一支气管分支是当前输入的分级线索所属的支气管分支；
针对每一所述第一预测结果，利用目标第一训练样本，计算该第一预测结果与所述目标第一训练样本之间的语义损失值，其中，所述目标第一训练样本是与该第一预测结果对应的支气管分支相同的第一训练样本；
利用所述语义损失值，对所述分割网络模型进行重复训练，直至所述分割网络模型达到收敛，将收敛后的分割网络模型作为所述亚段支气管分级模型。
示例性的说明，可以采用常见的分割网络模型作为亚段支气管分级模型的原始模型，采用交叉熵损失函数或者常用的语义分割损失函数，如：focal loss(灶性损失)损失函数等作为模型的损失函数，来计算每一个第一预测结果与所述目标第一训练样本之间的语义损失值，利用反向传播算法，对亚段支气管分级模型进行重复训练，直至计算出的语义损失值达到最小，此时，可以确定亚段支气管分级模型达到收敛，结束模型的训练过程。
在一个可行的实施方案中，图3示出了本申请实施例所提供的一种获取目标支气管的分段结果的方法流程示意图，如图3所示，在执行步骤S101时，该方法还包括S301-S304；具体的：
S301，从肺部三维图像中，分割提取所述目标支气管所在三维图像的最大外接立方体区域作为第一输入数据。
具体的，本申请实施例中，将肺部三维图像中不属于目标支气管的三维图像作为背景区域，从肺部三维图像中，先对目标支气管所在三维图像进行分割，以减少所述背景区域对分段结果造成的干扰，有利于提高目标支气管的分段结果的准确度。
本申请实施例中，作为一可选实施例，所述从肺部三维图像中，分割提取所述目标支气管所在三维图像的最大外接立方体区域作为第一输入数据，包括：
针对所述肺部三维图像，利用该肺部三维图像中属于所述目标支气管的像素点，对该肺部三维图像进行二值化处理，得到该肺部三维图像的二值化图像；
从所述二值化图像中，提取像素值为目标像素值的像素点，得到所述目标支气管所在三维图像，其中，所述目标像素值是属于所述目标支气管的像素点所标记的二值化值；
根据所述目标支气管所在三维图像的前景区域，截取该前景区域的最大外接立方体区域，以得到所述第一输入数据。
示例性的说明，在提取目标支气管所在三维图像的最大外接立方体区域之前，先对肺部三维图像进行二值化处理，将属于目标支气管的像素点的像素值标记为1，将属于背景区域的像素点的像素值标记为0，以1作为目标像素值，从肺部三维图像中，分割出像素值为1的像素点所组成的三维图像区域，得到目标支气管所在三维图像，其中，图4示出了本申请实施例所提供的一种目标支气管所在三维图像的最大外接立方体区域的示意图，参照图4所示，根据分割出的目标支气管所在三维图像的前景区域，截取该前景区域的最大外接立方区域，作为用于对目标支气管进行分级的第一输入数据。
需要说明的是，在对肺部三维图像中目标支气管所在三维图像进行分割时，除上述使用的二值化处理方法之外，也可以通过传统图像算法，如区域生长、Hessian矩阵(Hessian Matrix，黑塞矩阵)等，或者通过深度学习的方法，如基于3D的UNet图像分割等，对目标支气管所在三维图像进行多层级的分割，分割的层级越多，则越有利于提高后续步骤中对目标支气管进行分级的准确度。
S302，对所述第一输入数据进行膨胀处理，以得到第一处理数据。
S303，沿所述第一处理数据的空间横坐标方向，对所述第一处理数据中的所述目标支气管进行分割，将所述第一处理数据分割成两份第二处理数据；其中，所述第二处理数据是所述目标支气管的左半部或右半部所在的第一处理数据。
具体的，结合步骤S302-S303，图5示出了本申请实施例中提供的一种空间中对所述第一处理数据中的所述目标支气管进行分割的示意图，参照图5所示，在经过膨胀处理，得到第一处理数据之后，由于第一处理数据也属于三维图像，因此，沿该三维图像的空间横坐标方向，可以对目标支气管进行分割，将目标支气管分为左右两半部分，即也将第一处理数据分成图5所示的两份第二处理数据；
其中，作为一可选方案，可以将所述第一处理数据的中心点作为初始切割点，当对第一处理数据分割，得到目标支气管的左半部对应的第二处理数据时，可以按照预设的偏差阈值，在初始切割点处，沿空间横坐标方向，向右偏移所述偏差阈值的位置，进行切割，以保证第二处理数据中目标支气管的左半部保留完整的支气管分支信息，有利于提高目标支气管分级结果的准确度；
同样的，当对第一处理数据分割，得到目标支气管的右半部对应的第二处理数据时，也可以按照预设的偏差阈值，在初始切割点处，沿空间横坐标方向，向左偏移所述偏差阈值的位置，进行切割，以保证第二处理数据中目标支气管的右半部保留完整的支气管分支信息。
S304，将每一所述第二处理数据分别输入训练好的支气管分级模型中，得到所述目标支气管的分段结果。
具体的，上述方法中，选取包含目标支气管一半信息的第二处理数据作为支气管分级模型的输入数据，分别得到目标支气管左半部的分级结果以及目标支气管右半部的分级结果，然后，对两个分级结果进行拼接，得到完整的目标支气管的分级结果。
这样，由于支气管的左右两个半部基本呈对称状态，因此，对左、右半部分别进行支气管分级，可以尽可能的保留支气管图像的全局信息，并且，相较于对完整的支气管三维图像进行分级的方法，可以有效地减少支气管分级模型处理过程中占用的GPU显存，从而，可以在提高分级结果准确度的基础上，进一步提高支气管分级模型的数据处理效率。
进一步的，结合步骤S102中的具体实施方式可知，在得到目标支气管的18个分段结果之后，作为一可选实施例，可以按照预设的图像尺寸，将18个分段结果调整为统一的图像尺寸，然后，分别通过18个输入通道，输入训练好的亚段支气管分级模型中，此时，得到的每一个亚段分级结果的图像尺寸是相同的。而如果没有将18个分段结果调整为统一的图像尺寸，则输出的亚段分级结果的图像尺寸可能会出现差异，此时，若直接对亚段分级结果进行拼接处理，则可能会导致部分图像缺失，导致拼接处理后的亚段支气管分级结果的准确度降低。
结合上述场景，在一个可行的实施方案中，图6示出了本申请实施例所提供的一种对亚段支气管分级结果进行修正的方法流程示意图，如图6所示，在执行步骤S104之后，该方法还包括S601-S603；具体的：
S601，将所述亚段支气管分级结果的图像尺寸修改为目标图像尺寸，得到第一修正结果，其中，所述目标图像尺寸是所述目标支气管所在三维图像的图像尺寸。
S602，利用所述目标支气管所在三维图像，对所述第一修正结果进行映射，得到第二修正结果。
S603，在所述第一修正结果中的目标生长区域内，针对所述目标支气管中的每一支气管分支，将所述目标生长区域作为区域生长的截止边界，对该支气管分支进行区域生长处理，得到所述亚段支气管分级结果的图像修正结果，其中，所述目标生长区域是属于所述第二修正结果且不属于所述第一修正结果的区域。
具体的，在上述的场景下，先将亚段支气管分级结果的图像尺寸调整为相同的图像尺寸(即上述的目标图像尺寸)，由于经过图像尺寸的修改之后，亚段支气管分级结果可能会出现部分末端图像缺失的现象，进而，导致亚段支气管分级结果的准确度降低，因此，还需要利用目标图像尺寸下的所述目标支气管所在三维图像，与调整图像尺寸之后的亚段支气管分级结果进行双重映射，以便根据区域生长规则，比照所述目标支气管所在三维图像，将亚段支气管分级结果中出现缺失的末端图像补充完整，得到亚段支气管分级结果的图像修正结果，以提高对目标支气管进行亚段支气管分级的准确度。
进一步的，在步骤S104得到亚段支气管分级结果之后，为更加直观的向用户展示每一个支气管分支对应的亚段分级结果，优选的，还可以利用不同颜色对所属类别不同的支气管分支下对应的支气管分支主干和支气管分支亚段分别进行颜色标记。
具体的，在一个可行的实施方案中，图7示出了本申请实施例所提供的一种对亚段分级结果进行颜色标记的方法流程示意图，如图7所示，在执行步骤S104之后，该方法还包括S701-S703；具体的：
S701，针对所述目标支气管中的每一支气管分支，从所述亚段支气管分级结果中，确定该支气管分支对应的亚段分级结果。
示例性的说明，仍以目标支气管中的右尖段支气管为例，从亚段支气管分级结果中，确定右尖段支气管对应的亚段分级结果为：右尖端支气管主干、右尖端支气管尖支和右尖端支气管前支。
S702，根据该亚段分级结果所属支气管分支的类别，确定该亚段分级结果对应的颜色标记方案，其中，不同类别的支气管分支对应的颜色标记方案不同。
具体的，考虑到目标支气管可以分为1个支气管主干和18个支气管分支，每个支气管分支又可以细分为一个支气管分支主干和多个支气管分支亚段，因此，为了更加直观的向用户分层级的展示目标支气管的亚段支气管分级结果，可以针对每一个支气管分支，预先为该支气管分支设置一个颜色标记方案，其中，该颜色标记方案中包括：该支气管分支的支气管分支主干的颜色和每一个支气管分支亚段的颜色。
示例性的说明，以目标支气管中的右尖段支气管为例，右尖段支气管对应的颜色标记方案可以是：将右尖端支气管主干标记为绿色、将右尖端支气管尖支标记为黄色、将右尖端支气管前支标记为红色。
S703，在该亚段分级结果中，按照确定的所述颜色标记方案，分别对该亚段分级结果中的支气管分支主干以及支气管分支亚段进行颜色标记，得到用于向用户展示的目标支气管的亚段支气管分级结果。
其中，所述支气管分支主干与所述支气管分支亚段对应的颜色标记不同，不同类别的支气管分支亚段对应的颜色标记不同。
示例性的说明，图8示出了一个亚段分级结果进行颜色标记后的示意图，将每一个颜色标记后如图8所示的亚段分级结果进行拼接处理，可以得到完整的亚段支气管分级结果，并向用户进行展示，以便用户可以更加直观的查看每一个支气管分支对应的亚段分级结果。
在一个可行的实施方案中，图9示出了本申请实施例所提供的一种对亚段分级结果的颜色标记进行修正的方法流程示意图，如图9所示，在执行步骤S703之后，该方法还包括S901-S906；具体的：
S901，从所述亚段分级结果中，提取所述支气管分支主干与每一支气管分支亚段的最大连通域作为种子区域。
S902，在其他区域与所述种子区域的交界处，针对每一所述支气管分支亚段，按照该支气管分支亚段对应的颜色进行区域生长，对该支气管分支亚段位于所述其他区域中的分支部分重新进行颜色标记，其中，所述其他区域是与所述种子区域中除所述支气管分支主干之外的区域相连通的区域。
示例性的说明，以其他区域x为例，其他区域x与支气管分支主干不连通，其他区域x与种子区域中属于支气管分支亚段a的区域a1相连通；在其他区域x与区域a1的交界处，按照支气管分支亚段a对应的颜色，对支气管分支亚段a进行区域生长，直至达到其他区域x的边界，从而，确定出其他区域x中属于支气管分支亚段a的分支亚段a2。
S903，在对每一所述支气管分支亚段重新进行颜色标记之后，从所述其他区域中，提取未被颜色标记的游离区域。
示例性的说明，仍以上述示例为例，若其他区域x还与种子区域中属于支气管分支亚段b的区域b1相连通，则在其他区域x与区域b1的交界处，按照支气管分支亚段b对应的颜色，对支气管分支亚段b进行区域生长，直至达到其他区域x的边界，从而，确定出其他区域x中属于支气管分支亚段b的分支亚段b2；此时，在其他区域x中，分支亚段a2所在区域和分支亚段b2所在区域都已经重新进行了颜色标记，提取其他区域x中除分支亚段a2和分支亚段b2之外的剩余区域作为所述游离区域。
S904，针对每一所述游离区域，根据该游离区域与其他游离区域的连通关系，对该游离区域进行划分，确定组成该游离区域的各个连通域。
示例性的说明，若从其他区域x中，提取出未被颜色标记的游离区域为：游离区域1、游离区域2和游离区域3；则以游离区域1为例，计算游离区域与其余所有游离区域的连通关系，将游离区域1划分为若干个独立的连通域，其中，这里的其余所有游离区域不仅包括游离区域2和游离区域3，还包括从除其他区域x之外的其他区域中提取出的游离区域。
S905，针对每一所述连通域，根据各支气管分支亚段在该连通域中颜色面积的所占比重，提取颜色面积的所占比重最大的支气管分支亚段作为目标支气管分支亚段。
S906，按照所述目标支气管分支亚段对应的颜色，对该连通域进行颜色标记。
示例性的说明，由于在步骤S901之前，本申请实施例已经在亚段支气管分级结果中，对每一个支气管分支的亚段分级结果进行了颜色标记，因此，在每一个连通域中，会出现多种颜色并存的现象，即末端串色现象，此时，针对每一个连通域，按照该连通域中颜色面积所占比重最大的颜色，对该连通域重新进行颜色标记，从而，确定出每一个连通域所属的支气管分支亚段。这样，在亚段支气管分级结果中，当利用不同颜色对每一个支气管分支的亚段分级结果进行颜色标记时，可以按照上述步骤，对颜色标记后的亚段支气管分级结果进行修正，提高亚段支气管分级结果的准确度。
进一步的，本申请实施例还提供了一种模型训练方法，所述模型训练方法，包括：
获取历史支气管的历史分段结果，其中，每一所述历史分段结果是所述历史支气管的每一支气管分支所在的三维图像；
针对每一所述历史分段结果，利用该历史分段结果所属的支气管分支对应的亚段分级类别，对该历史分段结果中包括的支气管分支主干和支气管分支亚段分别进行标记，得到该历史分段结果对应的第一训练样本；
对该历史分段结果进行数据扩增处理，得到该历史分段结果对应的第二训练样本；
利用所述第一训练样本和所述第二训练样本，对分割网络模型进行训练，以得到训练好的亚段支气管分级模型。
需要说明的是，关于上述实现方式的详细说明可以参考上述步骤S201-S204中的相关解释，在此不再赘述。
具体的，在一个可行的实施方案中，所述利用所述第一训练样本和所述第二训练样本，对分割网络模型进行训练，以得到训练好的亚段支气管分级模型，包括：
针对每一所述第二训练样本，按照该第二训练样本所属的支气管分支对应的输入通道，将该第二训练样本输入所述分割网络模型中，得到用于对所述历史支气管进行亚段支气管分级的全局信息；
将每一所述第二训练样本依次作为模型分级线索，输入所述分割网络模型中，得到每一所述第二训练样本对应的第一预测结果，其中，所述第一预测结果是所述分割网络模型依次对第一支气管分支对应的亚段分级类别进行预测得到的，所述第一支气管分支是当前输入的模型分级线索所属的支气管分支；
针对每一所述第一预测结果，利用目标第一训练样本，计算该第一预测结果与所述目标第一训练样本之间的语义损失值，其中，所述目标第一训练样本是与该第一预测结果对应的支气管分支相同的第一训练样本；
利用所述语义损失值，对所述分割网络模型进行重复训练，直至所述分割网络模型达到收敛，将收敛后的分割网络模型作为所述亚段支气管分级模型。
需要说明的是，关于上述实现方式的详细说明可以参考步骤S204中具体实施例的相关解释，在此不再详细说明。
如图10所示，本申请实施例提供了一种亚段支气管分级的装置，所述装置，包括：
获取模块1001，用于获取目标支气管的分段结果，其中，每一所述分段结果是所述目标支气管的每一支气管分支所在的三维图像；
第一输入模块1002，用于针对每一所述分段结果，按照该分段结果所属支气管分支对应的输入通道，将该分段结果输入训练好的亚段支气管分级模型中，得到用于对所述目标支气管进行亚段支气管分级的全局信息；
第二输入模块1003，用于将每一所述分段结果依次作为分级线索，输入训练好的亚段支气管分级模型中，得到每一所述分段结果对应的亚段分级结果，其中，所述分级线索用于指示所述亚段支气管分级模型对目标支气管分支的亚段分级结果进行预测，所述目标支气管分支是当前作为所述分级线索输入的分段结果所属的支气管分支；
输出模块1004，用于对每一所述亚段分级结果进行拼接处理，得到所述目标支气管的亚段支气管分级结果，其中，所述亚段分级结果中至少包括一个支气管分支主干以及一个支气管分支亚段。
可选的，所述装置，还包括：
第一获取模块(图中未示出)，用于获取历史支气管的历史分段结果，其中，每一所述历史分段结果是所述历史支气管的每一支气管分支所在的三维图像；
第一标记模块(图中未示出)，用于针对每一所述历史分段结果，利用该历史分段结果所属的支气管分支对应的亚段分级类别，对该历史分段结果中包括的支气管分支主干和支气管分支亚段分别进行标记，得到该历史分段结果对应的第一训练样本；
扩增处理模块(图中未示出)，用于对该历史分段结果进行数据扩增处理，得到该历史分段结果对应的第二训练样本；
模型训练模块(图中未示出)，用于利用所述第一训练样本和所述第二训练样本，对分割网络模型进行训练，以得到所述亚段支气管分级模型。
可选的，所述模型训练模块，还用于：
针对每一所述第二训练样本，按照该第二训练样本所属的支气管分支对应的输入通道，将该第二训练样本输入所述分割网络模型中，得到用于对所述历史支气管进行亚段支气管分级的全局信息；
将每一所述第二训练样本依次作为所述分级线索，输入所述分割网络模型中，得到每一所述第二训练样本对应的第一预测结果，其中，所述第一预测结果是所述分割网络模型依次对第一支气管分支对应的亚段分级类别进行预测得到的，所述第一支气管分支是当前输入的分级线索所属的支气管分支；
针对每一所述第一预测结果，利用目标第一训练样本，计算该第一预测结果与所述目标第一训练样本之间的语义损失值，其中，所述目标第一训练样本是与该第一预测结果对应的支气管分支相同的第一训练样本；
利用所述语义损失值，对所述分割网络模型进行重复训练，直至所述分割网络模型达到收敛，将收敛后的分割网络模型作为所述亚段支气管分级模型。
可选的，获取模块1001，还用于：
从肺部三维图像中，分割提取所述目标支气管所在三维图像的最大外接立方体区域作为第一输入数据；
对所述第一输入数据进行膨胀处理，以得到第一处理数据；
沿所述第一处理数据的空间横坐标方向，对所述第一处理数据中的所述目标支气管进行分割，将所述第一处理数据分割成两份第二处理数据；其中，所述第二处理数据是所述目标支气管的左半部或右半部所在的第一处理数据；
将每一所述第二处理数据分别输入训练好的支气管分级模型中，得到所述目标支气管的分段结果。
可选的，所述装置，还包括：
第一修正模块(图中未示出)，用于将所述亚段支气管分级结果的图像尺寸修改为目标图像尺寸，得到第一修正结果，其中，所述目标图像尺寸是所述目标支气管所在三维图像的图像尺寸；
映射模块(图中未示出)，用于利用所述目标支气管所在三维图像，对所述第一修正结果进行映射，得到第二修正结果；
第二修正模块(图中未示出)，用于在所述第一修正结果中的目标生长区域内，针对所述目标支气管中的每一支气管分支，将所述目标生长区域作为区域生长的截止边界，对该支气管分支进行区域生长处理，得到所述亚段支气管分级结果的图像修正结果，其中，所述目标生长区域是属于所述第二修正结果且不属于所述第一修正结果的区域。
可选的，所述装置，还包括：
结果确定模块(图中未示出)，用于针对所述目标支气管中的每一支气管分支，从所述亚段支气管分级结果中，确定该支气管分支对应的亚段分级结果；
颜色确定模块(图中未示出)，用于根据该亚段分级结果所属支气管分支的类别，确定该亚段分级结果对应的颜色标记方案，其中，不同类别的支气管分支对应的颜色标记方案不同；
颜色标记模块(图中未示出)，用于在该亚段分级结果中，按照确定的所述颜色标记方案，分别对该亚段分级结果中的支气管分支主干以及支气管分支亚段进行颜色标记，得到用于向用户展示的目标支气管的亚段支气管分级结果，其中，所述支气管分支主干与所述支气管分支亚段对应的颜色标记不同，不同类别的支气管分支亚段对应的颜色标记不同。
可选的，在所述分别对该亚段分级结果中的支气管分支主干以及支气管分支亚段进行颜色标记之后，所述颜色标记模块，还用于：
从所述亚段分级结果中，提取所述支气管分支主干与每一支气管分支亚段的最大连通域作为种子区域；
在其他区域与所述种子区域的交界处，针对每一所述支气管分支亚段，按照该支气管分支亚段对应的颜色进行区域生长，对该支气管分支亚段位于所述其他区域中的分支部分重新进行颜色标记，其中，所述其他区域是与所述种子区域中除所述支气管分支主干之外的区域相连通的区域；
在对每一所述支气管分支亚段重新进行颜色标记之后，从所述其他区域中，提取未被颜色标记的游离区域；
针对每一所述游离区域，根据该游离区域与其他游离区域的连通关系，对该游离区域进行划分，确定组成该游离区域的各个连通域；
针对每一所述连通域，根据各支气管分支亚段在该连通域中颜色面积的所占比重，提取颜色面积的所占比重最大的支气管分支亚段作为目标支气管分支亚段；
按照所述目标支气管分支亚段对应的颜色，对该连通域进行颜色标记。
如图11所示，本申请实施例提供了一种模型训练装置，所述模型训练装置，包括：
分段模块1101，用于获取历史支气管的历史分段结果，其中，每一所述历史分段结果是所述历史支气管的每一支气管分支所在的三维图像；
标记模块1102，用于针对每一所述历史分段结果，利用该历史分段结果所属的支气管分支对应的亚段分级类别，对该历史分段结果中包括的支气管分支主干和支气管分支亚段分别进行标记，得到该历史分段结果对应的第一训练样本；
处理模块1103，用于对该历史分段结果进行数据扩增处理，得到该历史分段结果对应的第二训练样本；
训练模块1104，用于利用所述第一训练样本和所述第二训练样本，对分割网络模型进行训练，以得到训练好的亚段支气管分级模型。
可选的，训练模块1104，还用于：
针对每一所述第二训练样本，按照该第二训练样本所属的支气管分支对应的输入通道，将该第二训练样本输入所述分割网络模型中，得到用于对所述历史支气管进行亚段支气管分级的全局信息；
将每一所述第二训练样本依次作为模型分级线索，输入所述分割网络模型中，得到每一所述第二训练样本对应的第一预测结果，其中，所述第一预测结果是所述分割网络模型依次对第一支气管分支对应的亚段分级类别进行预测得到的，所述第一支气管分支是当前输入的模型分级线索所属的支气管分支；
针对每一所述第一预测结果，利用目标第一训练样本，计算该第一预测结果与所述目标第一训练样本之间的语义损失值，其中，所述目标第一训练样本是与该第一预测结果对应的支气管分支相同的第一训练样本；
利用所述语义损失值，对所述分割网络模型进行重复训练，直至所述分割网络模型达到收敛，将收敛后的分割网络模型作为所述亚段支气管分级模型。
如图12所示，本申请实施例提供了一种计算机设备1200，用于执行本申请中任一所述的亚段支气管分级的方法的步骤，或者执行本申请中任一所述的模型训练方法的步骤，该设备包括存储器1201、处理器1202及存储在该存储器1201上并可在该处理器1202上运行的计算机程序，其中，上述处理器1202执行上述计算机程序时实现上述任一所述的亚段支气管分级的方法的步骤，或者执行上述任一所述的模型训练方法的步骤。
具体地，上述存储器1201和处理器1202可以为通用的存储器和处理器，这里不做具体限定，当处理器1202运行存储器1201存储的计算机程序时，能够执行上述任一所述的亚段支气管分级的方法的步骤，或者执行上述任一所述的模型训练方法的步骤。
对应于本申请中的亚段支气管分级的方法和模型训练方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述任一所述的亚段支气管分级的方法的步骤，或者执行上述任一所述的模型训练方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述任一所述的亚段支气管分级的方法的步骤，或者执行上述任一所述的模型训练方法的步骤。
在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (13)

1.一种亚段支气管分级的方法，其特征在于，所述方法包括：
获取目标支气管的分段结果，其中，每一所述分段结果是所述目标支气管的每一支气管分支所在的三维图像；
针对每一所述分段结果，按照该分段结果所属支气管分支对应的输入通道，将该分段结果输入训练好的亚段支气管分级模型中，得到用于对所述目标支气管进行亚段支气管分级的全局信息；
将每一所述分段结果依次作为分级线索，输入训练好的亚段支气管分级模型中，得到每一所述分段结果对应的亚段分级结果，其中，所述分级线索用于指示所述亚段支气管分级模型对目标支气管分支的亚段分级结果进行预测，所述目标支气管分支是当前作为所述分级线索输入的分段结果所属的支气管分支；
对每一所述亚段分级结果进行拼接处理，得到所述目标支气管的亚段支气管分级结果，其中，所述亚段分级结果中至少包括一个支气管分支主干以及一个支气管分支亚段。
2.根据权利要求1所述的方法，其特征在于，在所述获取目标支气管的分段结果之前，所述方法还包括：
获取历史支气管的历史分段结果，其中，每一所述历史分段结果是所述历史支气管的每一支气管分支所在的三维图像；
针对每一所述历史分段结果，利用该历史分段结果所属的支气管分支对应的亚段分级类别，对该历史分段结果中包括的支气管分支主干和支气管分支亚段分别进行标记，得到该历史分段结果对应的第一训练样本；
对该历史分段结果进行数据扩增处理，得到该历史分段结果对应的第二训练样本；
利用所述第一训练样本和所述第二训练样本，对分割网络模型进行训练，以得到所述亚段支气管分级模型。
3.根据权利要求2所述的方法，其特征在于，所述利用所述第一训练样本和所述第二训练样本，对分割网络模型进行训练，以得到所述亚段支气管分级模型，包括：
针对每一所述第二训练样本，按照该第二训练样本所属的支气管分支对应的输入通道，将该第二训练样本输入所述分割网络模型中，得到用于对所述历史支气管进行亚段支气管分级的全局信息；
将每一所述第二训练样本依次作为所述分级线索，输入所述分割网络模型中，得到每一所述第二训练样本对应的第一预测结果，其中，所述第一预测结果是所述分割网络模型依次对第一支气管分支对应的亚段分级类别进行预测得到的，所述第一支气管分支是当前输入的分级线索所属的支气管分支；
针对每一所述第一预测结果，利用目标第一训练样本，计算该第一预测结果与所述目标第一训练样本之间的语义损失值，其中，所述目标第一训练样本是与该第一预测结果对应的支气管分支相同的第一训练样本；
利用所述语义损失值，对所述分割网络模型进行重复训练，直至所述分割网络模型达到收敛，将收敛后的分割网络模型作为所述亚段支气管分级模型。
4.根据权利要求1所述的方法，其特征在于，所述获取目标支气管的分段结果，包括：
从肺部三维图像中，分割提取所述目标支气管所在三维图像的最大外接立方体区域作为第一输入数据；
对所述第一输入数据进行膨胀处理，以得到第一处理数据；
沿所述第一处理数据的空间横坐标方向，对所述第一处理数据中的所述目标支气管进行分割，将所述第一处理数据分割成两份第二处理数据；其中，所述第二处理数据是所述目标支气管的左半部或右半部所在的第一处理数据；
将每一所述第二处理数据分别输入训练好的支气管分级模型中，得到所述目标支气管的分段结果。
5.根据权利要求4所述的方法，其特征在于，所述方法，还包括：
将所述亚段支气管分级结果的图像尺寸修改为目标图像尺寸，得到第一修正结果，其中，所述目标图像尺寸是所述目标支气管所在三维图像的图像尺寸；
利用所述目标支气管所在三维图像，对所述第一修正结果进行映射，得到第二修正结果；
在所述第一修正结果中的目标生长区域内，针对所述目标支气管中的每一支气管分支，将所述目标生长区域作为区域生长的截止边界，对该支气管分支进行区域生长处理，得到所述亚段支气管分级结果的图像修正结果，其中，所述目标生长区域是属于所述第二修正结果且不属于所述第一修正结果的区域。
6.根据权利要求1所述的方法，其特征在于，所述方法，还包括：
针对所述目标支气管中的每一支气管分支，从所述亚段支气管分级结果中，确定该支气管分支对应的亚段分级结果；
根据该亚段分级结果所属支气管分支的类别，确定该亚段分级结果对应的颜色标记方案，其中，不同类别的支气管分支对应的颜色标记方案不同；
在该亚段分级结果中，按照确定的所述颜色标记方案，分别对该亚段分级结果中的支气管分支主干以及支气管分支亚段进行颜色标记，得到用于向用户展示的目标支气管的亚段支气管分级结果，其中，所述支气管分支主干与所述支气管分支亚段对应的颜色标记不同，不同类别的支气管分支亚段对应的颜色标记不同。
7.根据权利要求6所述的方法，其特征在于，在所述分别对该亚段分级结果中的支气管分支主干以及支气管分支亚段进行颜色标记之后，所述方法还包括：
从所述亚段分级结果中，提取所述支气管分支主干与每一支气管分支亚段的最大连通域作为种子区域；
在其他区域与所述种子区域的交界处，针对每一所述支气管分支亚段，按照该支气管分支亚段对应的颜色进行区域生长，对该支气管分支亚段位于所述其他区域中的分支部分重新进行颜色标记，其中，所述其他区域是与所述种子区域中除所述支气管分支主干之外的区域相连通的区域；
在对每一所述支气管分支亚段重新进行颜色标记之后，从所述其他区域中，提取未被颜色标记的游离区域；
针对每一所述游离区域，根据该游离区域与其他游离区域的连通关系，对该游离区域进行划分，确定组成该游离区域的各个连通域；
针对每一所述连通域，根据各支气管分支亚段在该连通域中颜色面积的所占比重，提取颜色面积的所占比重最大的支气管分支亚段作为目标支气管分支亚段；
按照所述目标支气管分支亚段对应的颜色，对该连通域进行颜色标记。
8.一种模型训练方法，其特征在于，所述模型训练方法，包括：
获取历史支气管的历史分段结果，其中，每一所述历史分段结果是所述历史支气管的每一支气管分支所在的三维图像；
针对每一所述历史分段结果，利用该历史分段结果所属的支气管分支对应的亚段分级类别，对该历史分段结果中包括的支气管分支主干和支气管分支亚段分别进行标记，得到该历史分段结果对应的第一训练样本；
对该历史分段结果进行数据扩增处理，得到该历史分段结果对应的第二训练样本；
利用所述第一训练样本和所述第二训练样本，对分割网络模型进行训练，以得到训练好的亚段支气管分级模型。
9.根据权利要求8所述的模型训练方法，其特征在于，所述利用所述第一训练样本和所述第二训练样本，对分割网络模型进行训练，以得到训练好的亚段支气管分级模型，包括：
针对每一所述第二训练样本，按照该第二训练样本所属的支气管分支对应的输入通道，将该第二训练样本输入所述分割网络模型中，得到用于对所述历史支气管进行亚段支气管分级的全局信息；
将每一所述第二训练样本依次作为模型分级线索，输入所述分割网络模型中，得到每一所述第二训练样本对应的第一预测结果，其中，所述第一预测结果是所述分割网络模型依次对第一支气管分支对应的亚段分级类别进行预测得到的，所述第一支气管分支是当前输入的模型分级线索所属的支气管分支；
针对每一所述第一预测结果，利用目标第一训练样本，计算该第一预测结果与所述目标第一训练样本之间的语义损失值，其中，所述目标第一训练样本是与该第一预测结果对应的支气管分支相同的第一训练样本；
利用所述语义损失值，对所述分割网络模型进行重复训练，直至所述分割网络模型达到收敛，将收敛后的分割网络模型作为所述亚段支气管分级模型。
10.一种亚段支气管分级的装置，其特征在于，所述装置，包括：
获取模块，用于获取目标支气管的分段结果，其中，每一所述分段结果是所述目标支气管的每一支气管分支所在的三维图像；
第一输入模块，用于针对每一所述分段结果，按照该分段结果所属支气管分支对应的输入通道，将该分段结果输入训练好的亚段支气管分级模型中，得到用于对所述目标支气管进行亚段支气管分级的全局信息；
第二输入模块，用于将每一所述分段结果依次作为分级线索，输入训练好的亚段支气管分级模型中，得到每一所述分段结果对应的亚段分级结果，其中，所述分级线索用于指示所述亚段支气管分级模型对目标支气管分支的亚段分级结果进行预测，所述目标支气管分支是当前作为所述分级线索输入的分段结果所属的支气管分支；
输出模块，用于对每一所述亚段分级结果进行拼接处理，得到所述目标支气管的亚段支气管分级结果，其中，所述亚段分级结果中至少包括一个支气管分支主干以及一个支气管分支亚段。
11.一种模型训练装置，其特征在于，所述模型训练装置，包括：
分段模块，用于获取历史支气管的历史分段结果，其中，每一所述历史分段结果是所述历史支气管的每一支气管分支所在的三维图像；
标记模块，用于针对每一所述历史分段结果，利用该历史分段结果所属的支气管分支对应的亚段分级类别，对该历史分段结果中包括的支气管分支主干和支气管分支亚段分别进行标记，得到该历史分段结果对应的第一训练样本；
处理模块，用于对该历史分段结果进行数据扩增处理，得到该历史分段结果对应的第二训练样本；
训练模块，用于利用所述第一训练样本和所述第二训练样本，对分割网络模型进行训练，以得到训练好的亚段支气管分级模型。
12.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的亚段支气管分级的方法的步骤，或者执行如权利要求8至9任一所述的模型训练方法的步骤。
13.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的亚段支气管分级的方法的步骤，或者执行如权利要求8至9任一所述的模型训练方法的步骤。
CN202110501077.7A 2021-05-08 2021-05-08 一种亚段支气管分级的方法、装置、设备及存储介质 Active CN113222006B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110501077.7A CN113222006B (zh) 2021-05-08 2021-05-08 一种亚段支气管分级的方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110501077.7A CN113222006B (zh) 2021-05-08 2021-05-08 一种亚段支气管分级的方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113222006A CN113222006A (zh) 2021-08-06
CN113222006B true CN113222006B (zh) 2021-10-08

Family

ID=77093985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110501077.7A Active CN113222006B (zh) 2021-05-08 2021-05-08 一种亚段支气管分级的方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113222006B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107507171A (zh) * 2017-08-08 2017-12-22 东北大学 一种肺部ct图像气道三维骨架树状结构提取及标记方法
CN108171703A (zh) * 2018-01-18 2018-06-15 东北大学 一种从胸部ct图像中自动提取气管树的方法
CN110378923A (zh) * 2019-07-25 2019-10-25 杭州健培科技有限公司 一种智能肺部气管树分割提取和分级的方法与装置
CN110956635A (zh) * 2019-11-15 2020-04-03 上海联影智能医疗科技有限公司 一种肺段分割方法、装置、设备及存储介质
CN111311583A (zh) * 2020-02-24 2020-06-19 广州柏视医疗科技有限公司 肺气管和血管的分段命名方法及系统
CN111709953A (zh) * 2017-11-03 2020-09-25 杭州依图医疗技术有限公司 Ct影像的肺叶段分割中的输出方法、装置
CN111861988A (zh) * 2020-06-09 2020-10-30 深圳市旭东数字医学影像技术有限公司 基于支气管的自动及半自动肺分叶分段的方法及其系统
US10909684B2 (en) * 2017-11-20 2021-02-02 University Of Iowa Research Foundation Systems and methods for airway tree segmentation
CN112330686A (zh) * 2019-08-05 2021-02-05 罗雄彪 肺部支气管的分割及标定方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10075186B2 (en) * 2015-11-18 2018-09-11 Cisco Technology, Inc. Trellis segment separation for low-complexity viterbi decoding of high-rate convolutional codes

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107507171A (zh) * 2017-08-08 2017-12-22 东北大学 一种肺部ct图像气道三维骨架树状结构提取及标记方法
CN111709953A (zh) * 2017-11-03 2020-09-25 杭州依图医疗技术有限公司 Ct影像的肺叶段分割中的输出方法、装置
US10909684B2 (en) * 2017-11-20 2021-02-02 University Of Iowa Research Foundation Systems and methods for airway tree segmentation
CN108171703A (zh) * 2018-01-18 2018-06-15 东北大学 一种从胸部ct图像中自动提取气管树的方法
CN110378923A (zh) * 2019-07-25 2019-10-25 杭州健培科技有限公司 一种智能肺部气管树分割提取和分级的方法与装置
CN112330686A (zh) * 2019-08-05 2021-02-05 罗雄彪 肺部支气管的分割及标定方法
CN110956635A (zh) * 2019-11-15 2020-04-03 上海联影智能医疗科技有限公司 一种肺段分割方法、装置、设备及存储介质
CN111311583A (zh) * 2020-02-24 2020-06-19 广州柏视医疗科技有限公司 肺气管和血管的分段命名方法及系统
CN112561884A (zh) * 2020-02-24 2021-03-26 广州柏视医疗科技有限公司 肺气管和血管的分段命名系统
CN111861988A (zh) * 2020-06-09 2020-10-30 深圳市旭东数字医学影像技术有限公司 基于支气管的自动及半自动肺分叶分段的方法及其系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Automated mapping and N-Staging of thoracic lymph nodes in contrast-enhanced CT scans of the chest using a fully convolutional Neural Network;Andra-Iza Iuga 等;《European Journal of Radiology》;20210420;第1-10页 *
Coarse-to-fine Airway Segmentation Using Multi Information Fusion Network and CNN-based Region Growing;Jinquan Guo 等;《arXiv》;20210225;第1-11页 *
Segmentation of the Airway Tree From Chest CT Using Tiny Atrous Convolutional Network;Guohua Cheng 等;《IEEE Access》;20210216;第9卷;第33583-33594页 *
基于深度学习的肺分叶分段;严凯;《中国优秀博硕士学位论文全文数据库（硕士）医药卫生科技辑》;20200715;第E072-74页 *
肺部CT图像中的解剖结构分割方法综述;边子健 等;《中国图象图形学报》;20181031;第23卷(第10期);第1450-1471页 *

Also Published As

Publication number Publication date
CN113222006A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
JP6534707B2 (ja) 領域拡張アルゴリズム
CN110689564B (zh) 一种基于超像素聚类的牙弓线绘制方法
CN113223013B (zh) 一种肺血管分段定位的方法、装置、设备及存储介质
CN102165465B (zh) 用于在医学影像中交互式标记管状结构的方法
CN105701799B (zh) 从肺部掩膜影像中分割肺血管的方法和装置
CN101393644A (zh) 一种肝门静脉血管树建模方法及其系统
CN1973298A (zh) 显示气管支气管树
CN110378923A (zh) 一种智能肺部气管树分割提取和分级的方法与装置
CN105139030A (zh) 一种肝脏血管的分类方法
ES2464345T3 (es) Programa de extracción de área de primer plano, aparato de extracción de área de primer plano y procedimiento de extracción de área de primer plano
CN107507171A (zh) 一种肺部ct图像气道三维骨架树状结构提取及标记方法
KR101956158B1 (ko) 식물 잎 식별 시스템 및 방법
CN110168619A (zh) 用于在虚拟现实或增强现实环境中渲染复杂数据的系统和方法
CN111861988A (zh) 基于支气管的自动及半自动肺分叶分段的方法及其系统
CN114037663A (zh) 一种血管分割方法、装置及计算机可读介质
CN111583385A (zh) 一种可变形数字人解剖学模型的个性化变形方法及系统
CN112819726A (zh) 一种光场渲染伪影去除方法
CN114155193B (zh) 一种基于特征强化的血管分割方法及装置
CN114022620B (zh) 一种三维场景重建中散乱纹理的剔除方法和系统
CN114332013A (zh) 基于肺动脉树分级的ct图像靶肺段识别方法
CN113222006B (zh) 一种亚段支气管分级的方法、装置、设备及存储介质
CN113222007B (zh) 支气管分级方法、模型训练方法、装置、设备及存储介质
CN114723739B (zh) 一种基于cta影像的血管分段模型训练数据标注方法及装置
CN113011510B (zh) 一种支气管分级及模型训练方法、装置及电子设备
CN113887737B (zh) 一种基于机器学习的样本集自动生成方法

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