CN114359295A - 病灶分割方法及装置、电子设备及存储介质 - Google Patents

Abstract

本发明公开了一种病灶分割方法及装置、电子设备及存储介质。其中，病灶分割方法包括：获取患者的图像序列；对所述图像序列进行期相分类处理，得到不同期相的图像数据；调用病灶分割模型对属于目标期相的图像数据进行处理，得到病灶分割结果；其中，所述目标期相包括至少一个期相，所述病灶分割模型基于第一训练样本训练得到。本发明通过对患者的图像序列进行期相分类处理，得到不同期相的图像数据，并结合可以反映病灶信息的至少一个期相的图像数据进行病灶分割，能够实现对病灶的准确分割，从而可以更好地辅助临床诊疗。

Description

病灶分割方法及装置、电子设备及存储介质

技术领域

本发明涉及图像处理领域，特别涉及一种病灶分割方法及装置、电子设备及存储介质。

背景技术

肝癌即肝肿瘤居于恶性肿瘤前列，近年发病率逐步上升趋势，致死率也是居高不下。肝肿瘤手术切除是治疗肝脏肿瘤的主要手段，因此重建出肝脏病灶对于手术规划起到至关重要作用。

肝肿瘤的切除是风险比较大的手术之一，一般传统的肝肿瘤手术前评估方式是，医生凭借自己的经验手动勾画肝脏病灶。但是，这种手动勾画的方式，一方面时间成本较高，另一方面由于对病灶的观察很难做到全方位，导致勾画的数据精度不准确。

发明内容

本发明要解决的技术问题是为了克服现有技术中的上述缺陷，提供一种病灶分割方法及装置、电子设备及存储介质。

本发明是通过下述技术方案来解决上述技术问题：

本发明的第一方面提供一种病灶分割方法，包括：

获取患者的图像序列；

对所述图像序列进行期相分类处理，得到不同期相的图像数据；

调用病灶分割模型对属于目标期相的图像数据进行处理，得到病灶分割结果；其中，所述目标期相包括至少一个期相，所述病灶分割模型基于第一训练样本训练得到。

可选地，所述对所述图像序列进行期相分类处理，得到不同期相的图像数据，具体包括：

根据所述图像序列信息对属于不同期相的图像数据进行区分；

调用血管分割模型对属于相同期相的图像数据进行处理，得到血管分割结果；其中，所述血管分割模型基于第二训练样本训练得到；

根据所述血管分割结果确定所述图像数据所属期相。

可选地，所述根据所述血管分割结果确定所述图像数据所属期相，具体包括：

获取所述血管分割结果的图像特征值；

根据所述图像特征值的排序结果确定所述图像数据所属期相。

可选地，在得到不同期相的图像数据之后，以及在调用病灶分割模型之前，还包括：

调用器官分割模型对属于目标期相的图像数据进行处理，得到器官分割结果；其中，所述器官分割模型基于第三训练样本训练得到；

根据所述器官分割结果对属于目标期相的图像数据进行裁剪处理。

可选地，所述目标期相包括第一期相和第二期相，在得到不同期相的图像数据之后，以及在调用病灶分割模型之前，还包括：

根据第一器官分割结果和第二器官分割结果得到变换矩阵；其中，所述第一器官分割结果为属于第一期相的图像数据的器官分割结果，所述第二器官分割结果为属于第二期相的图像数据的器官分割结果；

利用所述变换矩阵对裁剪处理后属于所述第二期相的图像数据进行配准处理。

可选地，所述目标期相包括门静脉期；或者，

所述目标期相包括动脉期和门静脉期；或者，

所述目标期相包括动脉期、门静脉期以及延迟期。

可选地，所述病灶分割模型基于第一训练样本训练得到，包括：

获取第一训练样本；其中，所述第一训练样本包括不同患者的样本图像序列以及对应的病灶标注数据；

对每个患者的样本图像序列进行期相分类处理，得到不同期相的样本图像数据；

调用预设分割模型对属于目标期相的样本图像数据进行病灶分割处理，并根据得到的病灶分割结果以及对应的病灶标注数据计算损失；

根据所述损失调整所述预设分割模型的参数，直至满足收敛条件，得到训练好的病灶分割模型。

本发明的第二方面提供一种病灶分割装置，包括：

图像获取模块，用于获取患者的图像序列；

期相分类模块，用于对所述图像序列进行期相分类处理，得到不同期相的图像数据；

病灶分割模块，用于调用病灶分割模型对属于目标期相的图像数据进行病灶分割处理，得到病灶分割结果；其中，所述目标期相包括至少一个期相，所述病灶分割模型基于第一训练样本训练得到。

本发明的第三方面提供一种电子设备，包括存储器、处理器以及存储在存储器上并可在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如第一方面所述的病灶分割方法。

本发明的第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的病灶分割方法。

本发明的积极进步效果在于：通过对患者的图像序列进行期相分类处理，得到不同期相的图像数据，并结合可以反映病灶信息的至少一个期相的图像数据进行病灶分割，能够实现对病灶的准确分割，从而可以更好地辅助临床诊疗。

附图说明

图1为本发明实施例1提供的一种病灶分割方法的流程图。

图2为本发明实施例1提供的一种步骤S12的流程图。

图3为本发明实施例1提供的一种病灶分割模型的结构示意图。

图4为图3中注意力机制模块的结构示意图。

图5为本发明实施例1提供的一种病灶分割模型的训练方法的流程图。

图6为本发明实施例1提供的一种病灶分割转置的结构框图。

图7为本发明实施例2提供的一种电子设备的结构示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

图1为本实施例提供的一种病灶分割方法的流程示意图，该病灶分割方法可以由病灶分割装置执行，该病灶分割装置可以通过软件和/或硬件的方式实现，该病灶分割装置可以为电子设备的部分或全部。其中，本实施例中的电子设备可以为个人计算机(PersonalComputer，PC)，例如台式机、一体机、笔记本电脑、平板电脑等，还可以为手机、可穿戴设备、掌上电脑(Personal Digital Assistant，PDA)等终端设备。下面以电子设备为执行主体介绍本实施例提供的病灶分割方法。

如图1所示，本实施例提供的病灶分割方法可以包括以下步骤S11～S13：

步骤S11、获取患者的图像序列。

其中，患者的图像序列可以为CT(Computed Tomography，电子计算机断层扫描)图像序列，也可以为MRI(magnetic resonance imaging，磁共振成像)图像序列，本实施例并不对图像序列的类型进行限制。

在具体实施中，患者的图像序列可以是在注射造影剂之后的不同时间点采集的图像，具体可以为DICOM(Digital Imaging and Communications in Medicine，医学数字成像和通信)文件格式的图像数据，但并不仅限于此。

步骤S11中，患者的图像序列可以通过实时对患者进行扫描得到，也可以从云端服务器或医院本地数据库中，具体可结合实际场景进行相应的应用和调整。

步骤S12、对所述图像序列进行期相分类处理，得到不同期相的图像数据。

血管造影是一种介入检测方法，将显影剂注入血管里。因为X光无法穿透显影剂，血管造影正是利用这一特性，通过显影剂在X光下所显示的影像来诊断血管病变的。其中，图像序列的期相通常指的是在患者注射完显造影剂之后血管处于不同状态的时期，具体可以分为动脉期、门静脉期以及延迟期。动脉期一般指的是动脉血管充盈显影的时期，门静脉期是静脉血管充盈显影的时期，而随着时间的推移，血管内显影剂就会出现逐渐减少，这一时期就被称为延迟期。

在一个具体的例子中，在注射显影剂之后的35秒左右扫动脉期，70～80秒扫门静脉期，3～5分钟扫延迟期。以肝脏病变为例，是富动脉血供的病变，显影剂注射进去之后很容易出来，如果是肝肿瘤病灶，CT影像图像表现为“快进快出”的特点，动脉期表现明显不均匀强化，门静脉期病灶内强化迅速下降也即动脉期、门静脉期和延迟期的图像数据的显示效果存在不同。

在可选的一种实施方式中，如图2所示，上述步骤S12包括以下步骤S12a～S12c：

步骤S12a、根据所述图像序列的信息对属于不同期相的图像数据进行区分。在具体实施中，所述图像序列的信息可以为图像序列的标签值即tag值。其中，属于同一期相的图像数据对应的标签值是相同的。

步骤S12b、调用血管分割模型对属于相同期相的图像数据进行处理，得到血管分割结果。其中，所述血管分割模型基于第二训练样本训练得到。

需要说明的是，原始的图像序列包括多张二维图像，对其进行期相区分之后，需要转换为体数据输入血管分割模型进行处理。

上述血管分割模型可以是基于第二训练样本预先训练好的模型，其中，第二训练样本可以包括不同期相的图像数据。在具体实施中，由于主动脉在不同时期都会有显影，区别只是显影程度不一样，因此上述血管分割模型可以为主动脉分割模型，即对主动脉进行分割，从而得到血管分割结果即主动脉区域。

步骤S12c、根据所述血管分割结果确定所述图像数据所属的期相。

在步骤S12c可选的一种实施方式中，获取所述血管分割结果的图像特征值，根据所述图像特征值的排序结果确定所述图像数据所属的期相。

在具体实施中，上述图像特征值可以为CT值，CT值是测定人体某一局部组织或器官密度大小的一种计量单位，通常称亨氏单位(hounsfield unit，HU)空气为-1000，致密骨为+1000。实际上CT值是CT图像中各组织与X线衰减系数相当的对应值。

在上述血管分割模型为主动脉分割模型的例子中，血管分割结果的CT值即为主动脉区域的平均CT值。在一个具体的例子中，平均CT值从大到小对应的图像数据所属的期相依次为动脉期、门静脉期、延迟期。

本实施方式中，不同期相图像数据的CT值不同，利用血管分割结果的不同CT值可以实现图像数据的自动期相分类，无需人为进行区分。在具体实施中，上述图像特征值还可以为MR值。

步骤S13、调用病灶分割模型对属于目标期相的图像数据进行处理，得到病灶分割结果。

其中，所述目标期相包括至少一个期相。在一个具体的例子中，上述目标期相包括门静脉期。在另一个具体的例子中，上述目标期相包括动脉期和门静脉期。在又一个具体的例子中，上述目标期相包括动脉期、门静脉期以及延迟期。

在目标期相包括至少两个期相的例子中，可以在病灶分割模型中设置注意力机制模块，通过至少两个通道输入的方式分别提取不同期相图像数据的特征，利用注意力机制模块将不同期相的特征信息进行融合，根据融合后的特征信息进行病灶分割处理，有利于提高病灶分割的准确性。在一个具体的例子中，目标期相包括动脉期和门静脉期，通过双通道输入的方式分别提取动脉期和门静脉期图像数据的特征，利用注意力机制模块将动脉期和门静脉期的特征信息进行融合，根据融合后的特征信息进行病灶分割处理。在另一个具体的例子中，目标期相包括动脉期、门静脉期以及延迟期，通过三通道输入的方式分别提取动脉期、门静脉期和延迟期图像数据的特征，利用注意力机制模块将动脉期、门静脉期和延迟期的特征信息进行融合，根据融合后的特征信息进行病灶分割处理。

本实施方式中，根据患者的图像序列得到可以反映血管病变的不同期相的图像数据，由于血管病变可以反映器官病变，因此利用至少一个期相的图像数据进行病灶分割，能够提升对器官进行病灶分割的效率及准确度，从而可以为临床医生提供器官病灶切除术前的评价。

为了提高病灶分割处理的效率，可以在调用病灶分割模型之前对目标期相的图像数据进行裁剪处理。在可选的一种实施方式中，在步骤S12之后以及步骤S13之前还包括以下步骤S121～S122：

步骤S121、调用器官分割模型对属于目标期相的图像数据进行处理，得到器官分割结果。其中，所述器官分割模型基于第三训练样本训练得到。

上述器官分割模型可以是基于第三训练样本预先训练好的模型，其中，第三训练样本可以包括不同期相的图像数据。

步骤S122、根据所述器官分割结果对属于目标期相的图像数据进行裁剪处理。

本实施方式中，通过对目标期相的图像数据进行裁剪处理之后，再将其输入病灶分割模型进行病灶分割的处理。在经过裁剪处理之后，输入病灶分割模型的数据量减少，因此处理速度就会提高，从而可以提高病灶分割处理的效率。

具体实施中，在注射造影剂的不同时期，在对患者进行扫描时，患者的位置包括身体的移动、呼吸不均匀等原因会导致成像时病灶在不同时期的位置不统一，因此为了提高病灶分割的准确，可以在进行病灶分割处理之前对不同期相的图像数据进行配准处理，以使得病灶在同一位置。

具体可以在对目标期相的图像数据进行裁剪处理之后，进行进一步的图像配准处理，之后再调用病灶分割模型对病灶进行分割。在可选的一种实施方式中，所述目标期相包括第一期相和第二期相。在上述步骤S122之后以及步骤S13之前还包括以下步骤S123～S124：

步骤S123、根据第一器官分割结果和第二器官分割结果得到变换矩阵。其中，所述第一器官分割结果为属于第一期相的图像数据的器官分割结果，所述第二器官分割结果为属于第二期相的图像数据的器官分割结果。在具体实施中，可以利用配准库例如Ants配准库根据第一器官分割结果和第二器官分割结果得到变换矩阵。

步骤S124、利用所述变换矩阵对裁剪处理后属于所述第二期相的图像数据进行配准处理。

在步骤S124的具体实施中，将第二期相的图像数据配准至第一期相的图像数据上。其中，第二期相的数量可以为一个，也可以为多个。在一个具体的例子中，第一期相为门静脉期，第二期相为动脉期。在另一个具体的例子中，第一期相为门静脉期，第二期相包括动脉期和延迟期。

本实施方式中，通过对第一期相的图像数据进行裁剪处理，以及对第二期相的图像数据进行裁剪和配准处理，并将经过裁剪处理的第一期相的图像数据以及经过裁剪和配准处理后的第二期相的图像数据输入病灶分割模型进行病灶分割，不仅可以提高病灶分割处理的效率，还可以提高病灶分割的准确性。

其中，上述病灶分割模型基于第一训练样本训练得到。

图3用于示出一种病灶分割模型的结构。图4用于示出图3中注意力机制模块的结构。如图3和4所示，病灶分割模型以VB-Net为基础网络，并结合注意力机制模块，主要包括输入模块、编码模块、注意力机制模块、解码模块和输出模块，但并不仅限于此网络结构，也可根据实际需求或可能出现的需求进行相应的选择及调整。

输入模块包括一个3*3*3conv、BN层(归一化层)和Relu层(线性整流函数层)。其中，conv代表卷积层，卷积层的卷积步长为1。

注意力机制模块包括对门静脉特征图和动脉期特征图分别进行通道间和期相间的信息融合，其中，以门静脉期特征图(P∈R^C×H×W×D)为例，首先门静脉期特征图像分别进行矩阵转换操作即Reshape(P′∈R^C×N)以及矩阵转换+转置操作即Reshape+Transpose(P′^T∈R^N×C)，其中N＝W×H×D，将门静脉期特征图像进行矩阵转换操作即ReshapeP′∈R^C×N后同动脉期特征图进行矩阵转换+转置操作即Reshape+Transpose(A′^T∈R^N×C)操作后进行矩阵相乘，利用Softmax(归一化指数函数)层：

其中，P′_i表示门静脉特征图的第i个通道，

表示动脉期特征图的第j个通道，得到相关性矩阵M∈R^C×C,在相关性矩阵M∈R^C×C利用相加操作,再sigmoid得到不同通道的权重矩阵S＝[S₁,S₂,…,S_C]∈R^C：

其中，S_c表示动脉期特征图和门静脉期特征图第c个通道的相关性,最后将得到的权重矩阵和原始门静脉特征图得到最终的通道加权特征图

其中F(.)表示得到通道权重与A相乘，同理，动脉期特征图的通道间加权与上述步骤类似，最后获得动脉期通道加权特征图

最后将两个期相特征图以通道方向进行级联

编码模块包括一个3*3*3conv和残差模块。卷积层conv的卷积步长为2，残差块中包含多个卷积块，卷积块包括1*1*1conv+3*3*3conv+1*1*1conv。如图3所示，自上向下共有四个编码模块，每个编码模块中残差块的卷积块数量分别为1、2、3、3。

解码模块包括一个3*3*3Deconv和残差模块，其中，反卷积层Deconv的卷积步长为2，残差块中包含多个卷积块，卷积块包括1*1*1conv+3*3*3conv+1*1*1conv。如图3所示，自下向上共有四个解码模块，每个解码模块中残差块的卷积块数量分别为3、3、2、1。

输出模块包括一个3*3*3conv、BN层和Relu层，其中，卷积层conv的卷积步长为1。

以下对上述病灶分割模型的训练方法进行具体介绍。如图5所示，病灶分割模型的训练方法包括以下步骤S21～S24：

步骤S21、获取第一训练样本。

其中，所述第一训练样本包括不同患者的样本图像序列以及对应的病灶标注数据。

步骤S22、对每个患者的样本图像序列进行期相分类处理，得到不同期相的样本图像数据。

步骤S23、调用预设分割模型对属于目标期相的样本图像数据进行处理，并根据得到的病灶分割结果以及对应的病灶标注数据计算损失。其中，目标期相包括至少一个期相。

在具体实施中，为了提高病灶分割模型的训练效率，可以对目标期相的样本图像数据进行一些预处理操作，例如裁剪、归一化、数据增强等。在一个具体的例子中，目标期相的样本图像数据包括动脉期和门静脉期数据，对其进行空间归一化即spacing归一化，统一归一化为[0.7 0.7 2]，然后随机裁剪为[192 160 64]的块大小，最后再进行灰度归一化以及镜像、旋转等数据增强操作。

需要说明的是，为了提高病灶分割模型的性能，模型推理阶段对图像序列进行的处理操作与模型训练阶段对样本图像序列进行的处理操作一致，例如均调用血管分割模型对图像数据进行处理以确定其所属的期相、均调用器官分割模型对图像数据进行处理以对其裁剪、均进行图像配准处理等。

步骤S24、根据所述损失调整所述预设分割模型的参数，直至满足收敛条件，得到训练好的病灶分割模型。

本实施方式中，对患者的样本图像序列进行期相分类处理，并利用可以反映病灶信息的至少一个期相的样本图像数据训练病灶分割模型，可以提高病灶分割模型的处理性能。

如图6所示，本实施例还提供一种病灶分割装置60，包括图像获取模块61、期相分类模块62以及病灶分割模块63。

图像获取模块61用于获取患者的图像序列。

期相分类模块62用于对所述图像序列进行期相分类处理，得到不同期相的图像数据。

病灶分割模块63用于调用病灶分割模型对属于目标期相的图像数据进行处理，得到病灶分割结果。其中，所述目标期相包括至少一个期相，所述病灶分割模型基于第一训练样本训练得到。

在可选的一种实施方式中，上述期相分类模块具体包括区分单元、处理单元以及确定单元。

区分单元用于根据所述图像序列的信息对属于不同期相的图像数据进行区分。处理单元用于调用血管分割模型对属于相同期相的图像数据进行处理，得到血管分割结果。其中，所述血管分割模型基于第二训练样本训练得到。确定单元用于根据所述血管分割结果确定所述图像数据所属期相。

在具体实施中，上述确定单元具体用于获取所述血管分割结果的图像特征值，并根据所述图像特征值的排序结果确定所述图像数据所属期相。

在可选的一种实施方式中，上述病灶分割装置还包括器官分割模块和裁剪处理模块。

器官分割模块用于调用器官分割模型对属于目标期相的图像数据进行处理，得到器官分割结果。其中，所述器官分割模型基于第三训练样本训练得到。裁剪处理模块用于根据所述器官分割结果对属于目标期相的图像数据进行裁剪处理。

在可选的一种实施方式中，所述目标期相包括第一期相和第二期相。上述病灶分割装置还包括变换处理模块和配准处理模块。

变换处理模块用于根据第一器官分割结果和第二器官分割结果得到变换矩阵。其中，所述第一器官分割结果为属于第一期相的图像数据的器官分割结果，所述第二器官分割结果为属于第二期相的图像数据的器官分割结果。

配准处理模块用于利用所述变换矩阵对裁剪处理后属于所述第二期相的图像数据进行配准处理。

需要说明的是，本实施例中病灶分割装置具体可以是单独的芯片、芯片模组或电子设备，也可以是集成于电子设备内的芯片或者芯片模组。

关于本实施例中描述的病灶分割装置包含的各个模块/单元，其可以是软件模块/单元，也可以是硬件模块/单元，或者也可以部分是软件模块/单元，部分是硬件模块/单元。

实施例2

图7为本实施例提供的一种电子设备的结构示意图。所述电子设备包括至少一个处理器以及与所述至少一个处理器通信连接的存储器。其中，所述存储器存储有可被所述至少一个处理器运行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行实施例1的病灶分割方法。本实施例提供的电子设备可以为个人计算机，例如台式机、一体机、笔记本电脑、平板电脑等，还可以为手机、可穿戴设备、掌上电脑等终端设备。图7显示的电子设备3仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

电子设备3的组件可以包括但不限于：上述至少一个处理器4、上述至少一个存储器5、连接不同系统组件(包括存储器5和处理器4)的总线6。

总线6包括数据总线、地址总线和控制总线。

存储器5可以包括易失性存储器，例如随机存取存储器(RAM)51和/或高速缓存存储器52，还可以进一步包括只读存储器(ROM)53。

存储器5还可以包括具有一组(至少一个)程序模块54的程序/实用工具55，这样的程序模块54包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

处理器4通过运行存储在存储器5中的计算机程序，从而执行各种功能应用以及数据处理，例如上述病灶分割方法。

电子设备3也可以与一个或多个外部设备7(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口8进行。并且，电子设备3还可以通过网络适配器9与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图7所示，网络适配器9通过总线6与电子设备3的其它模块通信。应当明白，尽管图7中未示出，可以结合电子设备3使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。

应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

实施例3

本实施例提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现实施例1的病灶分割方法。

其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。

在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在电子设备上运行时，所述程序代码用于使所述电子设备执行实现实施例1的病灶分割方法。

其中，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发明的程序代码，所述程序代码可以完全地在电子设备上执行、部分地在电子设备上执行、作为一个独立的软件包执行、部分在电子设备上部分在远程设备上执行或完全在远程设备上执行。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种病灶分割方法，其特征在于，包括：

获取患者的图像序列；

对所述图像序列进行期相分类处理，得到不同期相的图像数据；

调用病灶分割模型对属于目标期相的图像数据进行处理，得到病灶分割结果；其中，所述目标期相包括至少一个期相，所述病灶分割模型基于第一训练样本训练得到。

2.如权利要求1所述的病灶分割方法，其特征在于，所述对所述图像序列进行期相分类处理，得到不同期相的图像数据，具体包括：

根据所述图像序列的信息对属于不同期相的图像数据进行区分；

调用血管分割模型对属于相同期相的图像数据进行处理，得到血管分割结果；其中，所述血管分割模型基于第二训练样本训练得到；

根据所述血管分割结果确定所述图像数据所属期相。

3.如权利要求2所述的病灶分割方法，其特征在于，所述根据所述血管分割结果确定所述图像数据所属期相，具体包括：

获取所述血管分割结果的图像特征值；

根据所述图像特征值的排序结果确定所述图像数据所属期相。

4.如权利要求1所述的病灶分割方法，其特征在于，在得到不同期相的图像数据之后，以及在调用病灶分割模型之前，还包括：

调用器官分割模型对属于目标期相的图像数据进行处理，得到器官分割结果；其中，所述器官分割模型基于第三训练样本训练得到；

根据所述器官分割结果对属于目标期相的图像数据进行裁剪处理。

5.如权利要求4所述的病灶分割方法，其特征在于，所述目标期相包括第一期相和第二期相，在得到不同期相的图像数据之后，以及在调用病灶分割模型之前，还包括：

根据第一器官分割结果和第二器官分割结果得到变换矩阵；其中，所述第一器官分割结果为属于第一期相的图像数据的器官分割结果，所述第二器官分割结果为属于第二期相的图像数据的器官分割结果；

利用所述变换矩阵对裁剪处理后属于所述第二期相的图像数据进行配准处理。

6.如权利要求1-5中任一项所述的病灶分割方法，其特征在于，所述目标期相包括门静脉期；或者，

所述目标期相包括动脉期和门静脉期；或者，

所述目标期相包括动脉期、门静脉期以及延迟期。

7.如权利要求1所述的病灶分割方法，其特征在于，所述病灶分割模型基于第一训练样本训练得到，包括：

获取第一训练样本；其中，所述第一训练样本包括不同患者的样本图像序列以及对应的病灶标注数据；

对每个患者的样本图像序列进行期相分类处理，得到不同期相的样本图像数据；

调用预设分割模型对属于目标期相的样本图像数据进行处理，并根据得到的病灶分割结果以及对应的病灶标注数据计算损失；

根据所述损失调整所述预设分割模型的参数，直至满足收敛条件，得到训练好的病灶分割模型。

8.一种病灶分割装置，其特征在于，包括：

图像获取模块，用于获取患者的图像序列；

期相分类模块，用于对所述图像序列进行期相分类处理，得到不同期相的图像数据；

病灶分割模块，用于调用病灶分割模型对属于目标期相的图像数据进行处理，得到病灶分割结果；其中，所述目标期相包括至少一个期相，所述病灶分割模型基于第一训练样本训练得到。

9.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的病灶分割方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的病灶分割方法。

Images