CN115690143A - 图像分割方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明公开了一种图像分割方法、装置、电子设备及存储介质。该方法包括：获取待分割血管图像，将待分割血管图像输入至预先训练完成的掩膜分割模型，得到初始掩膜分割图像；基于初始掩膜分割图像确定至少一个采样中心点，遍历各所述采样中心点分别执行以下操作：对于当前采样中心点，基于当前采样中心点对待分割血管图像进行切块，得到当前采样中心点对应的血管切块图像；并确定当前采样中心点的切块拼接图像；将当前采样中心点的切块拼接图像输入至分割追踪模型，得到当前采样中心点对应的切块分割图像；基于各采样中心点的切块分割图像确定目标血管分割图像。上述技术方案，提高了血管分割的连贯性，从而避免血管分割断裂的情况发生。

Description

图像分割方法、装置、电子设备及存储介质

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像分割方法、装置、电子设备及存储介质。

背景技术

肾动脉CTA是诊断肾动脉狭窄的重要手段之一，基于CTA的肾动脉三维重建技术可以辅助医生对肾动脉有更加直观清晰的认识，为肾切除、肾肿瘤切除等外科手术提供有效的动脉参考信息。

目前肾动脉分割技术主要有传统区域生长方案和深度学习方案，区域生长方案是基于部分图像信息，如灰度、对比度、纹理特征等，从主动脉开始进行生长，直到满足停止条件停止，其鲁棒性较低。深度学习方案有直接分割方案，输入原始的CTA图像，输出肾动脉分割，其缺点是存在静脉、肾盂、肾盏假阳，且无法保证肾动脉的连通性。

在实现本发明的过程中，发明人发现现有技术中至少存在以下技术问题：现有图像分割方案，存在血管分割断裂的问题。

发明内容

本发明提供了一种图像分割方法、装置、电子设备及存储介质，以提高血管分割的连贯性，避免断裂。

根据本发明的一方面，提供了一种图像分割方法，包括：

获取待分割血管图像，将所述待分割血管图像输入至预先训练完成的掩膜分割模型，得到初始掩膜分割图像；

基于所述初始掩膜分割图像确定至少一个采样中心点，遍历各所述采样中心点分别执行以下操作：对于当前采样中心点，基于当前采样中心点对所述待分割血管图像进行切块，得到所述当前采样中心点对应的血管切块图像；基于所述当前采样中心点对应的血管切块图像，确定所述当前采样中心点的切块拼接图像；将所述当前采样中心点的切块拼接图像输入至预先训练完成的分割追踪模型，得到所述当前采样中心点对应的切块分割图像；

基于各所述采样中心点的切块分割图像确定目标血管分割图像。

根据本发明的另一方面，提供了一种图像分割装置，包括：

初始掩膜分割模块，用于获取待分割血管图像，将所述待分割血管图像输入至预先训练完成的掩膜分割模型，得到初始掩膜分割图像；

切块分割追踪模块，用于基于所述初始掩膜分割图像确定至少一个采样中心点，遍历各所述采样中心点分别执行以下操作：对于当前采样中心点，基于当前采样中心点对所述待分割血管图像进行切块，得到所述当前采样中心点对应的血管切块图像；基于所述当前采样中心点对应的血管切块图像，确定所述当前采样中心点的切块拼接图像；将所述当前采样中心点的切块拼接图像输入至预先训练完成的分割追踪模型，得到所述当前采样中心点对应的切块分割图像；

目标血管分割图像确定模块，用于基于各所述采样中心点的切块分割图像确定目标血管分割图像。

根据本发明的另一方面，提供了一种电子设备，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执行的计算机程序，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本发明任一实施例所述的图像分割方法。

根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的图像分割方法。

本发明实施例的技术方案，通过获取待分割血管图像，将待分割血管图像输入至预先训练完成的掩膜分割模型，得到初始掩膜分割图像；基于初始掩膜分割图像确定至少一个采样中心点，遍历各采样中心点分别执行以下操作：对于当前采样中心点，基于当前采样中心点对待分割血管图像进行切块，得到当前采样中心点对应的血管切块图像；基于当前采样中心点对应的血管切块图像确定当前采样中心点的切块拼接图像；将当前采样中心点的切块拼接图像输入至预先训练完成的分割追踪模型，得到当前采样中心点对应的切块分割图像；基于各采样中心点的切块分割图像确定目标血管分割图像。上述技术方案，通过各采样中心点进行切块分割图像的迭代预测，实现了以采样中心点为基础的血管追踪分割，提高了血管分割的连贯性，从而可以避免血管分割断裂的情况发生。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。

图1是根据本发明实施例提供的一种图像分割方法的流程图；

图2是根据本发明实施例提供的一种图像分割方法的流程图；

图3是根据本发明实施例提供的一种肾动脉分割方法的流程图；

图4是根据本发明实施例提供的一种图像分割方法的流程图；

图5是根据本发明实施例提供的一种分割追踪模型的训练示意图；

图6是根据本发明实施例提供的一种图像分割装置的结构示意图；

图7是实现本发明实施例的图像分割方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

图1为本发明实施例提供的一种图像分割方法的流程图，本实施例可适用于通过两阶段网络模型进行血管自动分割的情况，该方法可以由图像分割装置来执行，该图像分割装置可以采用硬件和/或软件的形式实现，该图像分割装置可配置于计算机终端和/或服务器中。如图1所示，该方法包括：

S110、获取待分割血管图像，将所述待分割血管图像输入至预先训练完成的掩膜分割模型，得到初始掩膜分割图像。

在本实施例中，待分割血管图像是指包含血管影像的待进行分割操作的图像。示例性的，待分割血管图像可以为电子计算机断层扫描(Computed Tomography，CT)、磁共振(Magnetic Resonance，MR)图像等，典型的，待分割血管图像可以为包含肾动脉的胸腹连扫CT图像，图像格式可以为DICOM(Digital Imaging and Communications in Medicine)格式。

具体的，待分割血管图像的数量可以为一张或多张。可以从电子设备预设存储路径调取待分割血管图像，或者从与电子设备通信连接的其他设备获取待分割图像，又或者从云端服务器获取待分割图像。

在本实施例中，两阶段网络模型包括掩膜分割模型和分割追踪模型。掩膜分割模型为预先训练完成的网络模型，可以用于对待分割血管图像进行初步分割，得到初始掩膜分割图像，该初始掩膜分割图像可以为局部掩膜分割图像。示例性的，初始掩膜分割图像可以为肾动脉起源掩膜图像。可以理解的是，肾动脉起源是指肾动脉根部，与肾动脉末端相比，肾动脉根部更为粗壮。

在一些可选实施例中，掩膜分割模型的训练步骤包括：获取第一训练样本数据，其中，第一训练样本数据包括第一原始样本图像以及第一原始样本图像对应的掩膜标注样本图像；基于第一原始样本图像以及第一原始样本图像对应的掩膜标注样本图像对待训练的掩膜分割模型进行训练，得到掩膜分割模型。

其中，第一训练样本数据是指用于训练掩膜分割模型的数据集合，包括第一原始样本图像以及第一原始样本图像对应的掩膜标注样本图像。

示例性的，第一原始样本图像可以为CT图像，第一原始样本图像对应的掩膜标注样本图像可以为人工标注的肾动脉分割掩膜图像。在所训练的掩膜分割模型中，会预先对CT图像进行特征提取，并基于提取的特征信息对模型参数进行训练，并通过不断调整模型参数，使得模型的输出结果与人工标注的肾动脉分割掩膜图像之间的距离偏差逐渐减小并趋于稳定。

S120、基于所述初始掩膜分割图像确定至少一个采样中心点，遍历各所述采样中心点分别执行以下操作：对于当前采样中心点，基于当前采样中心点对所述待分割血管图像进行切块，得到所述当前采样中心点对应的血管切块图像；基于所述当前采样中心点对应的血管切块图像，确定所述当前采样中心点的切块拼接图像；将所述当前采样中心点的切块拼接图像输入至预先训练完成的分割追踪模型，得到所述当前采样中心点对应的切块分割图像。

在本实施例中，采样中心点是指用于对图像进行采样切块的中心点。采样中心点的数量可以为一个或多个。可以理解的是，当采样中心点的数量为多个时，表明分割追踪模型会从多个血管延伸方向进行分割。

在一些可选实施例中，基于初始掩膜分割图像确定至少一个采样中心点，包括：获取初始掩膜分割图像中各连通域内的坐标点；对于任一连通域，将连通域内的各坐标点进行比较，基于比较结果确定采样中心点。

其中，初始掩膜分割图像可以包括一个或多个连通域，各连通域内可以包括一个或多个坐标点。

示例性的，遍历初始掩膜分割图像的每个连通域，可以通过numpy中的argwhere函数获取各连通域内的坐标点，将连通域内的各坐标点在不同方向上进行比较，例如，初始掩膜分割图像可以为三维图像，可以将x轴方向上的最大值或最小值对应坐标点入栈，或者，可以将y轴方向上的最大值或最小值对应坐标点入栈，或者，可以将y轴方向上的最大值或最小值对应坐标点入栈，可以将入栈的坐标点作为采样中心点。

在本实施例中，对于当前采样中心点，可以以当前采样中心点为中心，对待分割血管图像进行切块，得到血管切块图像。切块尺寸可以根据血管分割需求进行设定，在此不做限定。

进一步的，根据当前采样中心点对应的血管切块图像确定切块拼接图像。在一些可选实施例中，可以以当前采样中心点为中心，对初始掩膜分割图像进行切块，切块尺寸与待分割血管图像的切块尺寸相同，从而得到掩膜切块图像。可以将当前采样中心点对应的血管切块图像与当前采样中心点对应的掩膜切块图像进行拼接，得到切块拼接图像。

在一些可选实施例中，基于所述当前采样中心点对应的血管切块图像，确定当前采样中心点的切块拼接图像，包括：将当前采样中心点对应的血管切块图像与初始掩膜分割图像的重叠区域作为一个通道，与当前采样中心点对应的血管切块图像进行拼接，得到切块拼接图像；或者，将当前采样中心点对应的血管切块图像与上一采样中心点的切块分割图像的重叠区域作为一个通道，与当前采样中心点对应的血管切块图像进行拼接，得到切块拼接图像。

示例性的，将当前采样中心点的切块拼接图像与上一采样中心点预测的切块分割图像(第一次迭代对应初始掩膜分割图像)的重叠区域作为一个通道，与当前采样中心点的切块拼接图像进行拼接，得到切块拼接图像。

在本实施例中，分割追踪模型可以用于对切块拼接图像进行分割预测，得到切块分割图像，切块分割图像是指当前采样中心点对应的局部分割图像。

示例性的，在分割追踪模型训练过程中，会预先对CT图像进行特征提取，并基于提取的特征信息对分割追踪模型参数进行训练，并通过不断调整模型参数，使得模型的输出结果与人工标注的肾动脉分割图像之间的距离偏差逐渐减小并趋于稳定。

在一些可选实施例中，在得到当前采样中心点对应的切块分割图像之后，还包括：对切块分割图像中预设区域内各像素点置零。

需要说明的是，通过对切块分割图像中预设区域内各像素点置零，以获取丰富多样的掩膜图像，该预设区域置零后的切块分割图像可以用于下一采样中心点的切块预测。换而言之，将预设区域置零后的切块分割图像作为初始掩膜分割图像进行切块预测，从而提升模型的鲁棒性。

具体的，基于上一采样中心点的切块分割图像确定至少一个采样中心点，遍历各采样中心点分别执行以下操作：对于当前采样中心点，基于当前采样中心点对待分割血管图像进行切块，得到当前采样中心点对应的血管切块图像；基于当前采样中心点对应的血管切块图像，确定当前采样中心点的切块拼接图像；将当前采样中心点的切块拼接图像输入至预先训练完成的分割追踪模型，得到当前采样中心点对应的切块分割图像。

S130、基于各所述采样中心点的切块分割图像确定目标血管分割图像。

在本实施例中，可以将各采样中心点的切块分割图像进行拼接，得到目标血管分割图像。其中，目标血管分割图像是指各切块分割图像拼接后的血管全图预测结果，为完整血管图像。示例性的，目标血管分割图像为完整的肾动脉分割图像。

本发明实施例的技术方案，通过获取待分割血管图像，将待分割血管图像输入至预先训练完成的掩膜分割模型，得到初始掩膜分割图像；基于初始掩膜分割图像确定至少一个采样中心点，遍历各采样中心点分别执行以下操作：对于当前采样中心点，基于当前采样中心点对待分割血管图像进行切块，得到当前采样中心点对应的血管切块图像；基于当前采样中心点对应的血管切块图像确定当前采样中心点的切块拼接图像；将当前采样中心点的切块拼接图像输入至预先训练完成的分割追踪模型，得到当前采样中心点对应的切块分割图像；基于各采样中心点的切块分割图像确定目标血管分割图像。上述技术方案，通过各采样中心点进行切块分割图像的迭代预测，实现了以采样中心点为基础的血管追踪分割，提高了血管分割的连贯性，从而可以避免血管分割断裂的情况发生。

图2为本发明实施例提供的一种图像分割方法的流程图，本实施例的方法与上述实施例中提供的图像分割方法中各个可选方案可以结合。本实施例提供的图像分割方法进行了进一步优化。可选的，所述基于各所述采样中心点的切块分割图像确定目标血管分割图像，包括：若所述当前采样中心点对应的切块分割图像的分割区域面积大于上一采样中心点的切块分割图像的分割区域面积，则将所述当前采样中心点对应的切块分割图像更新至热图中，并记录所述分割追踪模型对应的预测次数；在所述分割追踪模型停止预测的情况下，基于所述预测次数和各所述采样中心点的切块分割图像确定平均切块分割图像；基于所述平均切块分割图像确定目标血管分割图像。

如图2所示，该方法包括：

S210、获取待分割血管图像，将所述待分割血管图像输入至预先训练完成的掩膜分割模型，得到初始掩膜分割图像。

S220、基于所述初始掩膜分割图像确定至少一个采样中心点，遍历各所述采样中心点分别执行以下操作：对于当前采样中心点，基于当前采样中心点对所述待分割血管图像进行切块，得到所述当前采样中心点对应的血管切块图像；基于所述当前采样中心点对应的血管切块图像，确定所述当前采样中心点的切块拼接图像；将所述当前采样中心点的切块拼接图像输入至预先训练完成的分割追踪模型，得到所述当前采样中心点对应的切块分割图像。

S230、若所述当前采样中心点对应的切块分割图像的分割区域面积大于上一采样中心点的切块分割图像的分割区域面积，则将所述当前采样中心点对应的切块分割图像更新至热图中，并记录所述分割追踪模型对应的预测次数。

在本实施例中，切块分割图像的分割区域面积是指图像中血管区域的面积。可以理解的是，当前采样中心点对应的切块分割图像的分割区域面积大于上一采样中心点的切块分割图像的分割区域面积，表明以当前采样中心点为基础预测的切块分割图像包含了更多的血管区域，从而可以将包含更多血管区域的切块分割图像更新至热图中，实现全图分割结果的更新。其中，热图是指用于保存各采样中心点对应切块分割图像的基础图像。对于初始的热图，其各像素点的像素值全为0。

S240、在所述分割追踪模型停止预测的情况下，基于所述预测次数和各所述采样中心点的切块分割图像确定平均切块分割图像。

示例性的，在栈内采样中心点个数为空的情况下，分割追踪模型停止预测。进一步的，将各采样中心点对应的血管切块图像的重叠区域除以预测次数，可以得到平均切块分割图像。其中，平均切块分割图像是血管切块图像重叠区域的预测均值图像。

S250、基于所述平均切块分割图像确定目标血管分割图像。

在一些可选实施例中，基于所述平均切块分割图像确定目标血管分割图像，包括：对平均切块分割图像中每一像素点的概率值进行二值化处理，得到概率分割图像；对概率分割图像进行腐蚀和膨胀处理，得到后处理分割图像；对后处理分割图像进行连通域处理，得到目标血管分割图像。

示例性的，对于平均切块分割图像，可以设置阈值为0.5，将阈值大于0.5的像素点确定为肾动脉区域，标为1，将阈值小于0.5的像素点确定为非肾动脉区域，标为0，从而得到概率分割图像；进一步的，对概率分割图像进行腐蚀和膨胀处理，可以消除图像中虚弱连接或小凸起，提升分割的平滑度；进一步的，对后处理分割图像进行最大连通域处理，去除小的假阳，使肾动脉表面更加光滑。

示例性的，图3是本发明实施例提供的一种肾动脉分割方法的流程图；肾动脉分割方法具体包括：

1、获取待分割的diom图像(即待分割血管图像)，通过肾动脉起源模块(掩膜分割模型)得到肾动脉初始mask(即初始掩膜分割图像)。

2、根据初始mask(即初始掩膜分割图像)获取种子点(即采样中心点)，全部入栈。

具体的，遍历肾动脉初始mask的每个连通域，通过argwhere获取各连通域内的坐标点，每个连通域内分别取z，y，x方向最大值和最小值对应的坐标点，并入栈，作为下次切块预测的采样中心点。

3、栈顶点出站，以该点为采样中心点对dicom图像和肾动脉初始mask进行切块，并进行通道拼接，送入网络进行预测。

具体的，出栈一个点，以当前采样中心点为中心对dicom图像进行切块，得到血管切块图像，并且将血管切块图像与上一次预测结果(第一次迭代对应初始mask)的重叠区域作为一个通道与血管切块图像进行拼接，得到切块拼接图像，将切块拼接图像输入网络进行预测，得到预测结果(即切块分割图像)。

4、将预测结果加到全为零的heatmap图(即热图)上保存，并且记录当前区域的分割追踪模型的预测次数。

其中，当前区域可以为肾动脉初始mask对应区域，或者为上一次预测结果对应区域。

5、以一定概率将预测结果的中心对应的预设区域内的像素点置为0，重复第2个步骤，获取新的种子点入栈。

6、重复3-5步骤，直至栈内种子点个数为0，模型停止预测。

7、重叠区域先除以模型的预测次数，得到预测均值(即平均切块分割图像)，将平均切块分割图像中大于阈值的像素点确定为肾动脉区域。

8、通过开操作和连通域处理，去除小的假阳，使肾动脉表面更加光滑，至此得到最终的预测结果。

本发明实施例的技术方案，通过对当前采样中心点对应的切块分割图像的分割区域面积进行判断，并将符合要求的切块分割图像更新至热图中，并记录分割追踪模型对应的预测次数；在分割追踪模型停止预测的情况下，基于预测次数和各采样中心点的切块分割图像确定平均切块分割图像；基于平均切块分割图像确定目标血管分割图像，实现了以采样中心点为基础的血管追踪分割，并且对各切块分割图进行均值处理，提高了预测结果的可靠性。

图4为本发明实施例提供的一种图像分割方法的流程图，本实施例的方法与上述实施例中提供的图像分割方法中各个可选方案可以结合。本实施例提供的图像分割方法进行了进一步优化。可选的，所述分割追踪模型的训练步骤，包括：获取第二训练样本数据，其中，所述第二训练样本数据包括第二原始样本图像以及所述第二原始样本图像对应的掩膜标注样本图像；分别对所述第二原始样本图像和所述第二原始样本图像对应的掩膜标注样本图像进行切块，得到多组切块样本数据，所述切块样本数据包括原始样本切块和所述原始样本切块对应的掩膜样本切块；对于任一组切块样本数据，将所述原始样本切块和所述原始样本切块对应的掩膜样本切块进行拼接，得到切块拼接样本图像；基于各所述切块拼接样本图像以及所述切块拼接样本图像对应的掩膜样本切块对待训练的分割追踪模型进行训练，得到分割追踪模型。

如图4所示，该方法包括：

S310、获取第二训练样本数据，其中，所述第二训练样本数据包括第二原始样本图像以及所述第二原始样本图像对应的掩膜标注样本图像。

其中，第二训练样本数据是指用于训练分割追踪模型的数据集合，包括第二原始样本图像以及第二原始样本图像对应的掩膜标注样本图像。

示例性的，第二原始样本图像可以为CT图像，第二原始样本图像对应的掩膜标注样本图像可以为人工标注的肾动脉分割掩膜图像。

S320、分别对所述第二原始样本图像和所述第二原始样本图像对应的掩膜标注样本图像进行切块，得到多组切块样本数据，所述切块样本数据包括原始样本切块和所述原始样本切块对应的掩膜样本切块。

其中，切块样本数据是指切块操作完成的样本数据。

示例性的，图5是本发明实施例提供的一种分割追踪模型的训练示意图。以第一预设概率在dicom图像(即CT图像)中随机选取一个肾动脉像素点为中心点，基于该中心点对CT图像和肾动脉分割的mask(即掩膜标注样本图像)进行切块，切块尺寸可以为(128,128,128)；以第二预设概率对对CT图像和CT图像对应的掩膜标注样本图像进行全局随机切块。

S330、对于任一组切块样本数据，将所述原始样本切块和所述原始样本切块对应的掩膜样本切块进行拼接，得到切块拼接样本图像。

具体的，对掩膜样本切块进行随机裁剪，得到裁剪掩膜样本切块，将裁剪掩膜样本切块作为一个通道与原始样本切块进行拼接，得到切块拼接样本图像。

在一些可选实施例中，在得到多组切块样本数据之后，还包括：分别对原始样本切块和掩膜样本切块进行数据增强，得到原始增强切块和掩膜增强切块；相应的，将原始样本切块和掩膜样本切块进行拼接，得到切块拼接样本图像，包括：将原始增强切块和掩膜增强切块进行拼接，得到切块拼接样本图像。

需要说明的是，为避免分割追踪模型出现过拟合，需要对原始样本切块和掩膜样本切块进行数据增强，在本实施例中，数据增强方法包括旋转、平移、缩放、亮度调整等操作，并且可以进行弹性形变，以模拟血管在某些截面上发生弯曲的现象。

S340、基于各所述切块拼接样本图像以及所述切块拼接样本图像对应的掩膜样本切块对待训练的分割追踪模型进行训练，得到分割追踪模型。

在本实施例中，分割追踪模型的网络架构可以为ResU-Net网络，分割追踪模型的输入可以为(128,128,128)尺寸大小的CT图像，输出可以为(128,128,128)尺寸大小的预测结果；进一步的，计算预测结果与掩膜样本切块的损失并且反向传播更新网络参数，直至分割追踪模型训练结束，得到训练后的分割追踪模型。

在本实施例中，分割追踪模型的损失函数可以由交叉熵(Binary Cross Entropy，BCE)损失函数和Dice损失函数构成。分割追踪模型的损失函数用于设置模型的关心区域和学习目标，对前景和背景的权重进行调整。例如，BCE损失函数和Dice损失函数设置不同的权重系数。

S350、获取待分割血管图像，将所述待分割血管图像输入至预先训练完成的掩膜分割模型，得到初始掩膜分割图像。

S360、基于所述初始掩膜分割图像确定至少一个采样中心点，遍历各所述采样中心点分别执行以下操作：对于当前采样中心点，基于当前采样中心点对所述待分割血管图像进行切块，得到所述当前采样中心点对应的血管切块图像；基于所述当前采样中心点对应的血管切块图像，确定所述当前采样中心点的切块拼接图像；将所述当前采样中心点的切块拼接图像输入至预先训练完成的分割追踪模型，得到所述当前采样中心点对应的切块分割图像。

S370、基于各所述采样中心点的切块分割图像确定目标血管分割图像。

本发明实施例的技术方案，通过获取第二训练样本数据；分别对第二原始样本图像和第二原始样本图像对应的掩膜标注样本图像进行切块，得到多组切块样本数据，切块样本数据包括原始样本切块和原始样本切块对应的掩膜样本切块；对于任一组切块样本数据，将原始样本切块和原始样本切块对应的掩膜样本切块进行拼接，得到切块拼接样本图像；基于各切块拼接样本图像以及切块拼接样本图像对应的掩膜样本切块对待训练的分割追踪模型进行训练，得到分割追踪模型，上述技术方案，实现了分割追踪模型的训练，为血管追踪分割提供了模型基础，从而实现血管的切块分割。

图6为本发明实施例提供的一种图像分割装置的结构示意图。如图6所示，该装置包括：

初始掩膜分割模块410，用于获取待分割血管图像，将所述待分割血管图像输入至预先训练完成的掩膜分割模型，得到初始掩膜分割图像；

切块分割追踪模块420，用于基于所述初始掩膜分割图像确定至少一个采样中心点，遍历各所述采样中心点分别执行以下操作：对于当前采样中心点，基于当前采样中心点对所述待分割血管图像进行切块，得到所述当前采样中心点对应的血管切块图像；基于所述当前采样中心点对应的血管切块图像，确定所述当前采样中心点的切块拼接图像；将所述当前采样中心点的切块拼接图像输入至预先训练完成的分割追踪模型，得到所述当前采样中心点对应的切块分割图像；

目标血管分割图像确定模块430，用于基于各所述采样中心点的切块分割图像确定目标血管分割图像。

本发明实施例的技术方案，通过获取待分割血管图像，将待分割血管图像输入至预先训练完成的掩膜分割模型，得到初始掩膜分割图像；基于初始掩膜分割图像确定至少一个采样中心点，遍历各采样中心点分别执行以下操作：对于当前采样中心点，基于当前采样中心点对待分割血管图像进行切块，得到当前采样中心点对应的血管切块图像；基于当前采样中心点对应的血管切块图像确定当前采样中心点的切块拼接图像；将当前采样中心点的切块拼接图像输入至预先训练完成的分割追踪模型，得到当前采样中心点对应的切块分割图像；基于各采样中心点的切块分割图像确定目标血管分割图像。上述技术方案，通过各采样中心点进行切块的迭代预测，实现了以采样中心点为基础的血管追踪分割，提高了血管分割的连贯性，从而避免血管分割断裂的情况发生。

在一些可选的实施方式中，切块分割追踪模块420，具体用于：

获取所述初始掩膜分割图像中各连通域内的坐标点；

对于任一连通域，将连通域内的各坐标点进行比较，基于比较结果确定采样中心点。

在一些可选的实施方式中，切块分割追踪模块420，具体还用于：

将所述当前采样中心点对应的血管切块图像与所述初始掩膜分割图像的重叠区域作为一个通道，与所述当前采样中心点对应的血管切块图像进行拼接，得到切块拼接图像；

或者，将所述当前采样中心点对应的血管切块图像与上一采样中心点的切块分割图像的重叠区域作为一个通道，与所述当前采样中心点对应的血管切块图像进行拼接，得到切块拼接图像。

在一些可选的实施方式中，图像分割装置，还包括：

像素点置零模块，用于对所述切块分割图像中预设区域内各像素点置零。

在一些可选的实施方式中，目标血管分割图像确定模块430，包括：

分割面积判断单元，用于若所述当前采样中心点对应的切块分割图像的分割区域面积大于上一采样中心点的切块分割图像的分割区域面积，则将所述当前采样中心点对应的切块分割图像更新至热图中，并记录所述分割追踪模型对应的预测次数；

切块图像平均处理单元，用于在所述分割追踪模型停止预测的情况下，基于所述预测次数和各所述采样中心点的切块分割图像确定平均切块分割图像；

分割面积判断单元，用于基于所述平均切块分割图像确定目标血管分割图像。

在一些可选的实施方式中，分割面积判断单元，具体用于：

对所述平均切块分割图像中每一像素点的概率值进行二值化处理，得到概率分割图像；

对所述概率分割图像进行腐蚀和膨胀处理，得到后处理分割图像；

对所述后处理分割图像进行连通域处理，得到目标血管分割图像。

在一些可选的实施方式中，所述掩膜分割模型的训练步骤，包括：

获取第一训练样本数据，其中，所述第一训练样本数据包括第一原始样本图像以及所述第一原始样本图像对应的掩膜标注样本图像；

基于所述第一原始样本图像以及所述第一原始样本图像对应的掩膜标注样本图像对待训练的掩膜分割模型进行训练，得到掩膜分割模型。

在一些可选的实施方式中，所述分割追踪模型的训练步骤，包括：

获取第二训练样本数据，其中，所述第二训练样本数据包括第二原始样本图像以及所述第二原始样本图像对应的掩膜标注样本图像；

分别对所述第二原始样本图像和所述第二原始样本图像对应的掩膜标注样本图像进行切块，得到多组切块样本数据，所述切块样本数据包括原始样本切块和所述原始样本切块对应的掩膜样本切块；

对于任一组切块样本数据，将所述原始样本切块和所述原始样本切块对应的掩膜样本切块进行拼接，得到切块拼接样本图像；

基于各所述切块拼接样本图像以及所述切块拼接样本图像对应的掩膜样本切块对待训练的分割追踪模型进行训练，得到分割追踪模型。

在一些可选的实施方式中，在得到多组切块样本数据之后，还包括：

对所述原始样本切块和所述掩膜样本切块进行数据增强，得到原始增强切块和掩膜增强切块；

相应的，将所述原始样本切块和所述掩膜样本切块进行拼接，得到切块拼接样本图像，包括：

将所述原始增强切块和所述掩膜增强切块进行拼接，得到切块拼接样本图像。

本发明实施例所提供的图像分割装置可执行本发明任意实施例所提供的图像分割方法，具备执行方法相应的功能模块和有益效果。

图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如图像分割方法，该方法包括：

获取待分割血管图像，将所述待分割血管图像输入至预先训练完成的掩膜分割模型，得到初始掩膜分割图像；

基于所述初始掩膜分割图像确定至少一个采样中心点，遍历各所述采样中心点分别执行以下操作：对于当前采样中心点，基于当前采样中心点对所述待分割血管图像进行切块，得到所述当前采样中心点对应的血管切块图像；基于所述当前采样中心点对应的血管切块图像，确定所述当前采样中心点的切块拼接图像；将所述当前采样中心点的切块拼接图像输入至预先训练完成的分割追踪模型，得到所述当前采样中心点对应的切块分割图像；

基于各所述采样中心点的切块分割图像确定目标血管分割图像。

在一些实施例中，图像分割方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的图像分割方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像分割方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (12)

1.一种图像分割方法，其特征在于，包括：

获取待分割血管图像，将所述待分割血管图像输入至预先训练完成的掩膜分割模型，得到初始掩膜分割图像；

基于所述初始掩膜分割图像确定至少一个采样中心点，遍历各所述采样中心点分别执行以下操作：对于当前采样中心点，基于当前采样中心点对所述待分割血管图像进行切块，得到所述当前采样中心点对应的血管切块图像；基于所述当前采样中心点对应的血管切块图像，确定所述当前采样中心点的切块拼接图像；将所述当前采样中心点的切块拼接图像输入至预先训练完成的分割追踪模型，得到所述当前采样中心点对应的切块分割图像；

基于各所述采样中心点的切块分割图像确定目标血管分割图像。

2.根据权利要求1所述的方法，其特征在于，所述基于所述初始掩膜分割图像确定至少一个采样中心点，包括：

获取所述初始掩膜分割图像中各连通域内的坐标点；

对于任一连通域，将连通域内的各坐标点进行比较，基于比较结果确定采样中心点。

3.根据权利要求1所述的方法，其特征在于，所述基于所述当前采样中心点对应的血管切块图像，确定所述当前采样中心点的切块拼接图像，包括：

将所述当前采样中心点对应的血管切块图像与所述初始掩膜分割图像的重叠区域作为一个通道，与所述当前采样中心点对应的血管切块图像进行拼接，得到切块拼接图像；

或者，将所述当前采样中心点对应的血管切块图像与上一采样中心点的切块分割图像的重叠区域作为一个通道，与所述当前采样中心点对应的血管切块图像进行拼接，得到切块拼接图像。

4.根据权利要求1所述的方法，其特征在于，在得到所述当前采样中心点对应的切块分割图像之后，还包括：

对所述切块分割图像中预设区域内各像素点置零。

5.根据权利要求1所述的方法，其特征在于，所述基于各所述采样中心点的切块分割图像确定目标血管分割图像，包括：

若所述当前采样中心点对应的切块分割图像的分割区域面积大于上一采样中心点的切块分割图像的分割区域面积，则将所述当前采样中心点对应的切块分割图像更新至热图中，并记录所述分割追踪模型对应的预测次数；

在所述分割追踪模型停止预测的情况下，基于所述预测次数和各所述采样中心点的切块分割图像确定平均切块分割图像；

基于所述平均切块分割图像确定目标血管分割图像。

6.根据权利要求5所述的方法，其特征在于，所述基于所述平均切块分割图像确定目标血管分割图像，包括：

对所述平均切块分割图像中每一像素点的概率值进行二值化处理，得到概率分割图像；

对所述概率分割图像进行腐蚀和膨胀处理，得到后处理分割图像；

对所述后处理分割图像进行连通域处理，得到目标血管分割图像。

7.根据权利要求1所述的方法，其特征在于，所述掩膜分割模型的训练步骤，包括：

获取第一训练样本数据，其中，所述第一训练样本数据包括第一原始样本图像以及所述第一原始样本图像对应的掩膜标注样本图像；

基于所述第一原始样本图像以及所述第一原始样本图像对应的掩膜标注样本图像对待训练的掩膜分割模型进行训练，得到掩膜分割模型。

8.根据权利要求1所述的方法，其特征在于，所述分割追踪模型的训练步骤，包括：

获取第二训练样本数据，其中，所述第二训练样本数据包括第二原始样本图像以及所述第二原始样本图像对应的掩膜标注样本图像；

分别对所述第二原始样本图像和所述第二原始样本图像对应的掩膜标注样本图像进行切块，得到多组切块样本数据，所述切块样本数据包括原始样本切块和所述原始样本切块对应的掩膜样本切块；

对于任一组切块样本数据，将所述原始样本切块和所述原始样本切块对应的掩膜样本切块进行拼接，得到切块拼接样本图像；

基于各所述切块拼接样本图像以及所述切块拼接样本图像对应的掩膜样本切块对待训练的分割追踪模型进行训练，得到分割追踪模型。

9.根据权利要求8所述的方法，其特征在于，在得到多组切块样本数据之后，还包括：

对所述原始样本切块和所述掩膜样本切块进行数据增强，得到原始增强切块和掩膜增强切块；

相应的，将所述原始样本切块和所述掩膜样本切块进行拼接，得到切块拼接样本图像，包括：

将所述原始增强切块和所述掩膜增强切块进行拼接，得到切块拼接样本图像。

10.一种图像分割装置，其特征在于，包括：

初始掩膜分割模块，用于获取待分割血管图像，将所述待分割血管图像输入至预先训练完成的掩膜分割模型，得到初始掩膜分割图像；

切块分割追踪模块，用于基于所述初始掩膜分割图像确定至少一个采样中心点，遍历各所述采样中心点分别执行以下操作：对于当前采样中心点，基于当前采样中心点对所述待分割血管图像进行切块，得到所述当前采样中心点对应的血管切块图像；基于所述当前采样中心点对应的血管切块图像，确定所述当前采样中心点的切块拼接图像；将所述当前采样中心点的切块拼接图像输入至预先训练完成的分割追踪模型，得到所述当前采样中心点对应的切块分割图像；

目标血管分割图像确定模块，用于基于各所述采样中心点的切块分割图像确定目标血管分割图像。

11.一种电子设备，其特征在于，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执行的计算机程序，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权利要求1-9中任一项所述的图像分割方法。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-9中任一项所述的图像分割方法。

Images