CN116188485A - 图像处理方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种图像处理方法、装置、计算机设备和存储介质。该方法包括：将医学图像输入至第一分割模型中进行第一次图像分割，生成医学图像的第一掩膜图像；将医学图像及第一掩膜图像输入至第二分割模型中进行第二次图像分割，生成第二掩膜图像；基于第二掩膜图像，从医学图像中获取目标图像；目标图像包括动脉血管和病灶区域。即在进行动脉栓塞检测时，采用两阶段分割方式，由于第一阶段的第一掩膜图像中明确标记了动脉血管区域，对动脉血管内的病灶检测提供了可靠支撑；第二阶段，采用动脉血管和病灶同时分割策略，使得动脉血管和病灶两类不同的标签分割结果之间可以相互促进和约束，能够减少血管和病灶的假阳性，提高血管和病灶分割的准确性。

Description

图像处理方法、装置、计算机设备和存储介质

技术领域

本申请涉及图像处理技术领域，特别是涉及一种图像处理方法、装置、计算机设备和存储介质。

背景技术

随着医疗影像技术和图像处理技术的发展，对医学影像进行图像处理以得到精确的图像处理结果是目前研究的重点和方向。例如：在肺栓塞的检测过程中，通过对肺血管造影(Computed tomography pulmonary angiography，CTPA)图像进行图像识别，能够快速从图像中分割出肺部血管和病灶。

传统技术中，主要通过传统图像分割算法和深度学习分割算法两种方式，来识别医学图像中的血管和病灶。然而，由于医学图像中的肺部血管动静脉交错复杂，且病灶形态大小和位置不一，因此，经常出现血管和病灶的错分割问题，进而导致病灶的遗漏和假阳性。因此，对医学图像进行病灶分割的准确性较差。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高医学图像病灶分割准确性的图像处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种图像处理方法。该方法包括：

将医学图像输入至第一分割模型中进行第一次图像分割，生成医学图像的第一掩膜图像；第一掩膜图像包括与动静脉血管对应的掩膜图像；

将医学图像及第一掩膜图像输入至第二分割模型中进行第二次图像分割，生成第二掩膜图像；第二掩膜图像包括与动脉血管和病灶候选区域对应的掩膜图像；

基于第二掩膜图像，从医学图像中获取目标图像；目标图像包括动脉血管和病灶区域。

在其中一个实施例中，将医学图像及第一掩膜图像输入至第二分割模型中进行第二次图像分割，生成第二掩膜图像，包括：

基于第一掩膜图像获取动脉血管中心线图像；

将医学图像、第一掩膜图像及动脉血管中心线图像输入至第二分割模型中进行第二次图像分割，生成第二掩膜图像。

在其中一个实施例中，第一掩膜图像包括与扩张后的动静脉血管对应的掩膜图像。

在其中一个实施例中，基于第二掩膜图像，从医学图像中获取目标图像，包括：

将第二掩膜图像输入至预设分类模型中，从病灶候选区域中去除假阳性病灶，生成第三掩膜图像；

基于第三掩膜图像，从医学图像中获取目标图像。

在其中一个实施例中，将第二掩膜图像输入至预设分类模型中，从病灶候选区域中去除假阳性病灶，生成第三掩膜图像，包括：

根据第二掩膜图像获得动脉血管掩膜图像和病灶掩膜图像；

将病灶掩膜图像及医学图像输入至预设分类模型中，从病灶候选区域中去除假阳性病灶，生成目标病灶掩膜图像；

将目标病灶掩膜图像和动脉血管掩膜图像进行融合处理，生成第三掩膜图像。

在其中一个实施例中，根据第二掩膜图像获得动脉血管掩膜图像和病灶掩膜图像，包括：

根据第二掩膜图像获得初始动脉血管掩膜图像和初始病灶掩膜图像；

从初始病灶掩膜图像中去除小于或等于第一预设阈值的病灶连通域，得到病灶掩膜图像；

从初始动脉血管掩膜图像中去除小于或等于第二预设阈值的血管连通域，得到动脉血管掩膜图像。

在其中一个实施例中，将目标病灶掩膜图像和动脉血管掩膜图像进行融合处理，生成第三掩膜图像，包括：

将目标病灶掩膜图像和动脉血管掩膜图像进行融合处理，得到中间掩膜图像；

从中间掩膜图像中去除小于或等于第三预设阈值的连通域，生成第三掩膜图像；其中，第三预设阈值大于第一预设阈值且大于第二预设阈值。

在其中一个实施例中，第一分割模型为根据样本图像和样本图像对应的第一金标准掩膜图像，对第一分割网络训练得到；第一金标准掩膜图像包括动脉血管标签和静脉血管标签；第二分割模型的训练过程包括：

获取样本图像对应的第二金标准掩膜图像，第二金标准掩膜图像包括动脉血管标签和病灶标签；

从样本图像对应的第四掩膜图像中提取动脉血管中心线，得到样本动脉血管中心线图像；其中，第四掩膜图像为第一分割网络输出的；

将样本图像、第四掩膜图像以及样本动脉血管中心线图像，输入至第二分割网络中，得到样本图像对应的第五掩膜图像；

根据第五掩膜图像和第二金标准掩膜图像，对第二分割网络进行训练，得到第二分割模型。

在其中一个实施例中，预设分类模型的训练过程包括：

根据第五掩膜图像，从样本图像中获取病灶样本图像，并根据第五掩膜图像和第二金标准掩膜图像，确定病灶样本图像对应的金标准病灶标签；其中，病灶样本图像为单个病灶对应的样本图像；

将病灶样本图像输入至分类网络中，得到病灶样本图像对应的标签结果；

根据病灶样本图像对应的标签结果和金标准病灶标签，对分类网络进行训练，得到预设分类模型。

在其中一个实施例中，根据第五掩膜图像和第二金标准掩膜图像，确定病灶样本图像对应的金标准病灶标签，包括：

从第五掩膜图像中确定病灶样本图像中病灶所在的第一区域，以及从第二金标准掩膜图像中确定病灶样本图像中病灶所在的第二区域；

在第一区域和第二区域之间的重合度大于预设重合度阈值的情况下，确定病灶样本图像对应的金标准病灶标签为病灶；

在第一区域和第二区域之间的重合度小于或等于预设重合度阈值的情况下，确定病灶样本图像对应的金标准病灶标签为假阳性病灶。

第二方面，本申请还提供了一种图像处理装置。该装置包括：

第一分割模块，用于将医学图像输入至第一分割模型中进行第一次图像分割，生成医学图像的第一掩膜图像；第一掩膜图像包括与动静脉血管对应的掩膜图像；

第二分割模块，用于将医学图像及第一掩膜图像输入至第二分割模型中进行第二次图像分割，生成第二掩膜图像；第二掩膜图像包括与动脉血管和病灶候选区域对应的掩膜图像；

获取模块，用于基于第二掩膜图像，从医学图像中获取目标图像；目标图像包括动脉血管和病灶区域。

第三方面，本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器，该存储器存储有计算机程序，该处理器执行所述计算机程序时实现第一发面中的图像处理方法的步骤。

第四方面，本申请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，其上存储有计算机程序，该计算机程序被处理器执行时实现第一发面中的图像处理方法的步骤。

第五方面，本申请还提供了一种计算机程序产品，该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一发面中的图像处理方法的步骤。

上述图像处理方法、装置、计算机设备、存储介质和计算机程序产品，通过将医学图像输入至第一分割模型中进行第一次图像分割，生成医学图像的第一掩膜图像；该第一掩膜图像包括与动静脉血管对应的掩膜图像；接着，将医学图像及第一掩膜图像输入至第二分割模型中进行第二次图像分割，生成第二掩膜图像；第二掩膜图像包括与动脉血管和病灶候选区域对应的掩膜图像；最后，基于第二掩膜图像，从医学图像中获取目标图像；该目标图像包括动脉血管和病灶区域。也就是说，本申请在进行动脉栓塞检测时，采用两阶段的图像分割处理方式，第一阶段，先从医学图像中确定出包含动静脉血管的第一掩膜图像，第二阶段，结合该第一掩膜图像和医学图像，确定包含动脉血管以及病灶的第二掩膜图像；由于第一掩膜图像中明确标记出了动脉血管区域，对于动脉血管内的病灶检测提供了可靠支撑；另外，在第二阶段的第二分割模型中，采用动脉血管和病灶同时分割的策略，使得动脉血管和病灶两类不同的标签分割结果之间可以相互促进和约束，能够进一步减少血管和病灶的假阳性，提高血管和病灶分割的准确性。

附图说明

图1为一个实施例中图像处理方法的应用环境图；

图2为一个实施例中图像处理方法的流程示意图；

图3为另一个实施例中图像处理方法的流程示意图；

图4为另一个实施例中图像处理方法的流程示意图；

图5为另一个实施例中图像处理方法的流程示意图；

图6为另一个实施例中图像处理方法的流程示意图；

图7为一个实施例中第二分割模型的训练过程示意图；

图8为一个实施例中预设分类模型的训练过程示意图；

图9为一个实施例中图像处理方法的具体流程示意图；

图10为一个实施例中图像处理装置的结构框图；

图11为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。

肺栓塞全称为肺动脉栓塞，是指来自身体其它部位的血块、脂肪等物质经过血液循环阻塞肺部动脉血管，引起的肺循环功能障碍的疾病。肺栓塞与急性冠状动脉综合征、主动脉夹层，构成急性胸痛三联征，是致死性胸痛的主要原因。由于肺栓塞在临床上不具有特异性，很容易被忽视,因此具有诊断率低、死亡率高的特点，未及时诊断和有效治疗会导致大部分栓塞患者死亡。对肺栓塞的及时鉴别诊断对于医生及时制订合理的治疗方案至关重要。随着医疗影像技术的发展，计算机断层扫描(Computed Tomography，CT)成为疾病诊断的重要依据。其中，肺血管造影(Computed tomography pulmonary angiography，CTPA)具有的非侵入性、广泛的可用性、快速获取性以及可解释性，使其成为肺栓塞诊断的主要途径。肺内包含大量血管，肺动脉和肺静脉相互交错。在CTPA图像中正确分割肺部血管，可为肺部疾病诊断和定位提供重要依据。然而，CTPA序列的多样性和复杂性导致肺栓塞的诊断工作变得复杂沉重，依赖于放射科医生的临床经验，且容易出现漏诊误诊。另外，肺栓塞的严重程度可从无症状到休克和多脏器衰竭，提供精确的栓子的分割和定位，可迅速准确的进行肺栓塞危险分层。

目前，血管分割方法包括传统分割方法(如阈值法、水平集方法、区域生长法、聚类分割等)和基于深度学习的方法。其中，传统算法对噪声较为敏感，在结构多变的肺血管处容易分割失败。基于深度学习的方法依赖于卷积神经网络，容易引起动静脉错分，许多比较小的血管很容易被遗漏，导致血管分割呈现不连续的现象。对于病灶，目前大部分工作基于检测进行，不同肺栓塞患者的栓子数量体积大小很不一致，分布也较无规律，且仅依赖于检测模型无法进行后续定量分析。另外，直接进行病灶分割会导致大量的假阳性结果。

目前血管和病灶分割系统依据是否采用深度学习技术，可分为两大类。第一类是传统分割方法，常见的包括基于边界的分割方法(如蛇线模型，边缘检测法等)、基于区域的分割方法(如阈值法、区域生长法、聚类法等)和基于图论的分割方法(如图割法)等。传统分割算法一般先进行图像去噪声和去伪影，包括利用Hessian矩阵的Frangi滤波器对图像滤波等处理，提升感兴趣区域在图像中的对比度，方便后续进行感兴趣区域的分割。第二类是基于深度学习的方法，即通过神经网络对待分割图像的每个体素点进行分类，即确定每个体素点的类别是背景、血管还是病灶。深度学习方法将每个体素特征提取与分类器集成在神经网络训练的过程中，通过在大量带有掩码标注的影像数据上进行迭代训练，自适应地学习到有用的图像特征，省去了手动设计图像特征的步骤。

虽然深度学习血管和病灶分割系统在性能和效率上有显著的提高，但是仍然存在三大问题：1)对血管来说，在末端相对较细的位置，容易出现分割结果断裂，受病灶和血管在灰度值的差异导致病灶处的分割结果断裂；2)肺内动静脉相互交错，导致动静脉搭错的血管多分和错分；3)病灶形态大小和位置的不一致，导致病灶的遗漏和假阳性的分割情况。

基于此，本申请提出了一种基于深度学习两阶段的血管和病灶分割方法。本申请在第一个阶段，应用卷积神经网络预测扩张后的肺动脉和肺静脉的掩膜；然后从该掩膜中提取肺动脉中心线，与原始图像和扩张后的肺动脉和肺静脉的掩膜一起，作为第二个阶段的输入；在第二阶段利用卷积神经网络预测肺动脉和栓子掩膜；最后，提取栓子掩膜，以栓子连通域为单位，对每个连通域的栓子，由分类网络进行病灶假阳性分类，以去除类别为假阳性的栓子。

本申请可以对肺动脉提供可视化显示，对涉及肺栓塞危险度指标的栓子的闭塞程度、位置、体积等参数提供测量，辅助医生进行肺栓塞诊断，降低该疾病的误诊率与漏诊率，节省宝贵的诊断与治疗时间。

下面结合本申请实施例所应用的场景，对本申请实施例涉及的技术方案进行介绍。

本申请实施例提供的图像处理方法，可以应用于医学影像扫描系统，也可以应用于与医学影像扫描系统通信连接的计算机设备；示例性地，该图像处理方法可以应用于如图1所示的应用环境中，其中，计算机设备102通过网络与医学影像扫描设备104进行通信；医学影像扫描设备104用于对待测对象进行医学扫描，得到待测对象的医学图像，并将待测对象的医学图像传输至计算机设备；接着，计算机设备102可以对待测对象的医学图像进行图像分析，获取该医学图像中的血管和病灶，实现对医学图像中的血管及病灶的检测与识别。

可选地，医学影像扫描设备104也可以将扫描得到的待测对象的医学图像上传至服务器，以便计算机设备102可以从服务器中获取待测对象的医学图像。

另外，对于该医学影像扫描设备104，可以包括但不限于电子计算机断层扫描(Computed Tomography，CT)设备、磁共振成像(Magnetic Resonance Imaging，MRI)设备、数字减影血管造影(Digital Subtraction Angiography，DSA)设备等；计算机设备102可以包括终端或者服务器，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等；服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种图像处理方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：

步骤201，将医学图像输入至第一分割模型中进行第一次图像分割，生成医学图像的第一掩膜图像。

其中，第一掩膜图像包括与动静脉血管对应的掩膜图像；也就是说，该第一掩膜图像中包括动脉血管标签和静脉血管标签，该动脉血管标签和静脉血管标签不同，可以用于确定动脉血管和静脉血管。

可选地，该医学图像可以为待测对象的待测部位对应的医学扫描图像，包括但不限于平扫CT图像、增强CT图像、MRI图像、血管造影图像等，本实施例中对于医学图像的图像模态不做具体限定；对于该医学图像，计算机设备可以从医学影像扫描系统中获取，也可以从服务器中获取，本申请实施例对医学图像的获取方式也不做具体限定。

在获取到医学图像之后，可以对该医学图像进行图像分割，得到该医学图像对应的动静脉血管掩膜图像，即第一掩膜图像；计算机设备可以采用常规图像处理操作对该医学图像进行动静脉分割，以得到该第一掩膜图像，其中，该常规图像处理操作可以包括阈值法、水平集方法、区域生长方法、以及聚类分割方法等。当然，计算机设备也可以采用第一分割模型来对医学图像中的动静脉血管进行图像分割，生成该医学图像对应的第一掩膜图像。

可选地，该第一分割模型可以为基于深度学习的分割模型，包括但不限于基于全卷积网络(Fully Convolutional Networks，FCN)、U-Net、残差网络(Residual Network，ResNet)、稠密卷积网络(Dense Convolutional Network，DsenseNet)等网络的分割模型。示例性地，该第一分割模型可以为基于卷积神经网络的分割模型；当然，该第一分割网络还可以为基于其他类型的神经网络所训练得到的分割模型，本申请实施例对此不做具体限定。

对于该第一分割模型，其可以为基于医学样本图像和该医学样本图像对应的金标准掩膜图像训练得到，其中，该金标准掩膜图像中可以包括该医学样本图像对应的动脉血管标签和静脉血管标签。

基于此，计算机设备在获取到待测对象的医学图像之后，便可以将该医学图像输入至第一分割模型中进行第一次图像分割，生成医学图像对应的包括动脉血管和静脉血管的第一掩膜图像。

步骤202，将医学图像及第一掩膜图像输入至第二分割模型中进行第二次图像分割，生成第二掩膜图像。

其中，第二掩膜图像包括与动脉血管和病灶候选区域对应的掩膜图像；也就是说，该第二掩膜图像中包括动脉血管标签和病灶标签，能够区分动脉血管和病灶。

可选地，该第二分割模型可以为基于深度学习的分割模型，如：该第二分割模型可以为基于卷积神经网络的分割模型；当然，该第二分割模型还可以为基于其他类型的神经网络所训练得到的分割模型，本申请实施例对此不做具体限定。

对于该第二分割模型，其可以为基于医学样本图像、第一分割模型输出的该医学样本图像对应的第一掩膜图像、以及该医学样本图像对应的金标准掩膜图像训练得到，其中，该金标准掩膜图像中可以包括该医学样本图像对应的动脉血管标签和病灶标签。

基于此，计算机设备在对该医学图像进行第一次分割处理之后，可以进一步对该医学图像进行第二次分割处理；可选地，计算机设备可以将该医学图像和第一次分割处理后的该医学图像的第一掩膜图像，输入至第二分割模型中进行第二次图像分割，生成该医学图像对应的包括动脉血管和病灶的第二掩膜图像。

步骤203，基于第二掩膜图像，从医学图像中获取目标图像。

其中，目标图像包括动脉血管和病灶区域。可选地，该目标图像可以为从医学图像中截取的仅包括动脉血管和病灶区域的图像，当然，该目标图像也可以为在原始的医学图像的基础上勾画或者标记的动脉血管和病灶区域。

可选地，计算机设备在获取到包括动脉血管和病灶的第二掩膜图像之后，可以通过将该第二掩膜图像和原始的医学图像进行叠加处理，来得到包括动脉血管和病灶区域的目标图像。可选地，计算机设备也可以先对该第二掩膜图像进行去假阳性、血管末端断裂拼接等处理操作后，再基于处理后的第二掩膜图像，从医学图像中获取目标图像，以提高目标图像的完整性和病灶识别的准确性。需要说明的是，本申请实施例中对第二掩膜图像进行的处理操作不做具体限定。

上述图像处理方法中，通过将医学图像输入至第一分割模型中进行第一次图像分割，生成医学图像的第一掩膜图像；该第一掩膜图像包括与动静脉血管对应的掩膜图像；接着，将医学图像及第一掩膜图像输入至第二分割模型中进行第二次图像分割，生成第二掩膜图像；第二掩膜图像包括与动脉血管和病灶候选区域对应的掩膜图像；最后，基于第二掩膜图像，从医学图像中获取目标图像；该目标图像包括动脉血管和病灶区域。也就是说，本申请在进行动脉栓塞检测时，采用两阶段的图像分割处理方式，第一阶段，先从医学图像中确定出包含动静脉血管的第一掩膜图像，第二阶段，结合该第一掩膜图像和医学图像，确定包含动脉血管以及病灶的第二掩膜图像；由于第一掩膜图像中明确标记出了动脉血管区域，对于动脉血管内的病灶检测提供了可靠支撑；另外，在第二阶段的第二分割模型中，采用动脉血管和病灶同时分割的策略，使得动脉血管和病灶两类不同的标签分割结果之间可以相互促进和约束，能够进一步减少血管和病灶的假阳性，提高血管和病灶分割的准确性。

图3为另一个实施例中图像处理方法的流程示意图。本实施例涉及的是计算机设备将医学图像及第一掩膜图像输入至第二分割模型中进行第二次图像分割，生成第二掩膜图像的一种可选的实现过程，在上述实施例的基础上，如图3所示，上述步骤202包括：

步骤301，基于第一掩膜图像获取动脉血管中心线图像。

可选地，计算机设备可以通过对第一掩膜图像进行中心线提取，来获取动脉血管中心线图像；示例性地，计算机设备可以从第一掩膜图像中获取动脉血管标签对应的动脉血管掩膜图像，接着，可以通过对该动脉血管掩膜图像进行腐蚀处理操作，来获取动脉血管中心线图像。

步骤302，将医学图像、第一掩膜图像及动脉血管中心线图像输入至第二分割模型中进行第二次图像分割，生成第二掩膜图像。

可选地，计算机设备在基于第一掩膜图像获取到动脉血管中心线图像之后，可以将医学图像、第一分割模型输出的该医学图像的第一掩膜图像、以及该医学图像对应的动脉血管中心线图像，共同作为第二阶段的第二分割模型的输入，输入至该第二分割模型中进行第二次图像分割，以生成医学图像对应的包括动脉血管和病灶的第二掩膜图像。

本实施例中，计算机设备先基于第一掩膜图像获取动脉血管中心线图像；接着，再将医学图像、第一掩膜图像及动脉血管中心线图像输入至第二分割模型中进行第二次图像分割，生成第二掩膜图像。由此一来，在进行第二阶段的图像分割处理操作时，又增加了动脉血管中心线的限制约束，由于动脉血管中心线本身具有血管的走向和形态拓扑结构的特征，将其作为第二阶段的输入可加速第二阶段网络的收敛，并使网络通过训练能够捕获更准确的血管特征，进而，使得动脉血管及病灶分割结果更准确，进一步提高了病灶分割的准确性。

上述图像分割操作，通常是对图像进行体素级别的分类，而对于深度学习分割网络的设计一般通过图像分类网络延伸而来，如：视觉几何实验室(Visual Geometry Group，VGG)、AlexNet、ResNet等。常见的分割网络包括FCN、Unet、Unet++、DsenseNet、优化网络(Refinement Networks，RefineNet)等。这类分割网络通过卷积以及下采样操作将输入图像映射到特征空间进行体素级别的分类。其优点在于在下采样以及卷积的过程中，网络可提取大量的上下文图像信息，这些全局信息结合局部的影像特征可以更好地辅助网络的决策。然而，降采样的过程会导致图像空间尺度信息丢失，造成在粗尺度特征空间上无法预测较小的感兴趣区域结构(例如血管末枝的细小部分)，从而造成分割结果中末端的细小血管存在断裂。另外，肺内血管相互交错，肺动脉和肺静脉相伴而行，受局部感受野的限制，单独分割动脉或静脉会导致肺内血管的错搭，存在将小范围内的一段静脉误分为动脉或动脉误分为静脉的情况。

为了解决这个问题，本申请实施例在第一阶段预测扩张的动静脉。由于扩张后的血管相对较粗，即便经过网络的下采样，在末端仍能够维持其形态拓扑结构。另外，为了加速网络推理的速度，第一阶段的网络可以在较粗的分辨率下进行训练和预测，预测结果可为第二阶段网络的训练提供帮助。

也就是说，在本申请实施例中，对于第一阶段的第一分割模型，该第一分割模型还可以是基于医学样本图像和该医学样本图像对应的扩张后的动静脉金标准掩膜图像进行训练得到的，其中，本实施例中的金标准掩膜图像中可以包括该医学样本图像对应的扩张后的动脉血管标签和扩张后的静脉血管标签。可选地，该扩张后的动静脉金标准掩膜图像可以是由医生或者专家手动标注的，也可以是基于已标注的动静脉掩膜图像进行动脉血管扩张处理和静脉血管扩张处理后得到的。

相应地，将该医学图像输入至该第一分割模型进行第一次图像分割之后，所生成的第一掩膜图像中包括与扩张后的动静脉血管对应的掩膜图像。

进一步地，在进行第二阶段的图像分割时，将医学图像、与扩张后的动静脉血管对应的第一掩膜图像、以及动脉血管中心线图像，一同作为第二阶段的第二分割模型的输入，输入至第二分割模型中进行第二次图像分割，生成该医学图像对应的包括动脉血管和病灶的第二掩膜图像。

本实施例中，采用扩张后的动静脉血管标签作为金标准训练得到第一分割模型，通过第一分割模型对医学图像进行第一次图像分割，得到与扩张后的动静脉血管对应的第一掩膜图像；采用扩张后的动静脉作为金标准，能够避免在第一分割模型的训练过程中由于降采样而导致的信息丢失的问题，以及进一步所造成对末端血管分割不准确的问题；即本实施例中采用扩张后的动静脉，能够避免血管末端出现分割断裂的情况，提高对动静脉血管的分割效果。

图4为另一个实施例中图像处理方法的流程示意图。本实施例涉及的是计算机设备基于第二掩膜图像，从医学图像中获取目标图像的一种可选的实现过程，在上述实施例的基础上，如图4所示，上述步骤203包括：

步骤401，将第二掩膜图像输入至预设分类模型中，从病灶候选区域中去除假阳性病灶，生成第三掩膜图像。

其中，该预设分类模型用于对第二掩膜图像中的病灶标签进行假阳性识别，并对假阳性病灶标签进行去除，得到去除假阳性病灶后的第三掩膜图像；该第三掩膜图像中包括去除假阳性病灶后的病灶标签和动脉血管标签。

可选地，计算机设备可以将该第二掩膜图像和原始的医学图像，输入至该预设分类模型中，对该第二掩膜图像中标注的各个病灶进行假阳性病灶的识别，从病灶候选区域中去除假阳性病灶，生成第三掩膜图像。其中，病灶候选区域可以包括至少一个，每个病灶候选区域中包括一个病灶；可选地，该病灶候选区域也可以包括至少一个，每个病灶候选区域中包括多个病灶；本申请实施例中对病灶候选区域的定义不做具体限定。

可选地，计算机设备也可以根据第二掩膜图像和医学图像，从医学图像中截取到病灶候选区域对应的病灶图像，接着，将该病灶图像依次输入至该预设分类模型中，确定该病灶图像对应的病灶类别；并在识别出该病灶图像对应的病灶类别为假阳性病灶的情况下，相应地，去除该第二掩膜图像中该病灶图像对应的病灶标签。其中，该预设分类模型可以为基于病灶样本图像和病灶样本图像对应的金标准病灶标签训练得到的。

可选地，对于假阳性病灶，可以根据第二掩膜图像中该假阳性病灶所在位置周围的像素标记，对该假阳性病灶所在位置的像素值进行像素填充；示例性地，若该假阳性病灶在动脉血管内，即该假阳性病灶周围的像素标记为动脉血管标签，那么，计算机设备可以将该假阳性病灶所在位置的像素值修改为动脉血管标签对应的像素值；若该假阳性病灶在背景区域，那么，可以将该假阳性病灶所在位置的像素值修改为背景对应的像素值；若该假阳性病灶在动脉血管边缘，即一部分在动脉血管内，一部分在动脉血管外，那么，对于在动脉血管内的部分填充动脉血管标签对应的像素值，在动脉血管外的部分填充背景对应的像素值。

步骤402，基于第三掩膜图像，从医学图像中获取目标图像。

可选地，计算机设备可以第三掩膜图像和原始的医学图像进行叠加处理，获取包括动脉血管和病灶区域的目标图像。该目标图像可以为仅包括动脉血管和病灶区域的图像，也可以为在原始医学图像基础上增加的动脉血管标记和病灶标记的图像，本申请实施例对此不做具体限定。

本实施例中，计算机设备通过将第二掩膜图像输入至预设分类模型中，从病灶候选区域中去除假阳性病灶，生成第三掩膜图像，接着，基于该第三掩膜图像，从医学图像中获取目标图像；由此可以解决病灶的假阳性分割，提高病灶分割的准确性。

图5为另一个实施例中图像处理方法的流程示意图。本实施例涉及的是计算机设备将第二掩膜图像输入至预设分类模型中，从病灶候选区域中去除假阳性病灶，生成第三掩膜图像的一种可选的实现过程，在上述实施例的基础上，如图5所示，上述步骤401包括：

步骤501，根据第二掩膜图像获得动脉血管掩膜图像和病灶掩膜图像。

其中，第二掩膜图像中包括动脉血管标签和病灶标签。

可选地，计算机设备可以根据动脉血管标签和病灶标签，将第二掩膜图像中的动脉血管和病灶进行拆分，得到动脉血管掩膜图像和病灶掩膜图像。示例性地，该第二掩膜图像可以包括像素值为0的背景区域，像素值为1的动脉血管区域以及像素值为2的病灶区域，在对第二掩膜图像进行动脉血管和病灶的拆分时，可以将第二掩膜图像中除像素值为1的动脉血管之外的其他像素值均修改为0，便可以得到包括背景0和动脉血管1的动脉血管掩膜图像；同样地，可以将第二掩膜图像中除像素值为2的病灶之外的其他像素值均修改为0，便可以得到包括背景0和病灶2的病灶掩膜图像。

需要说明的是，在采用上述方式，通过动脉血管标签得到动脉血管掩膜图像之后，对于血管内部或者边缘的病灶，由于在去除病灶之后，病灶所在区域将被替换为背景区域；因此，需要对所得到的动脉血管掩膜图像中的动脉血管进行填充处理，以确保动脉血管的完整性。

另外，需要说明的是，对于上述所描述的动脉血管掩膜图像和病灶掩膜图像的获取方式，仅作为一种举例进行说明，其还可能存在其他的拆分方式。例如：在根据动脉血管标签获取动脉血管掩膜图像时，若存在病灶对应的连通域周围的像素均为动脉血管标签对应的像素值的情况下，可以直接将该病灶所在区域内的各个像素的像素值修改为动脉血管标签对应的像素值。当然，还可能存在其他的拆分方式，本申请实施例对此不做具体限定。

步骤502，将病灶掩膜图像及医学图像输入至预设分类模型中，从病灶候选区域中去除假阳性病灶，生成目标病灶掩膜图像。

可选地，计算机设备可以先根据病灶掩膜图像和医学图像，获取每一个病灶对应的病灶图像，接着，依次将每一个病灶图像输入至该预设分类模型中，识别每一个病灶图像对应的病灶类别；该病灶类别可以包括阳性病灶和假阳性病灶。

进一步地，在病灶类别为假阳性病灶的情况下，从病灶掩膜图像的病灶候选区域中去除该假阳性病灶，以生成目标病灶掩膜图像。对于去除假阳性病灶生成目标病灶掩膜图像的具体实现方式，可以参照上述步骤401中去除假阳性病灶生成第三掩膜图像的内容描述，在此不再详细论述。

步骤503，将目标病灶掩膜图像和动脉血管掩膜图像进行融合处理，生成第三掩膜图像。

其中，该第三掩膜图像中包括动脉血管标签和病灶标签。

可选地，计算机设备可以根据目标病灶掩膜图像和动脉血管掩膜图像中的对应像素点的像素值，来对目标病灶掩膜图像和动脉血管掩膜图像进行融合处理；示例性地，在对应像素点的像素值相同的情况下，那么融合后的像素值为该像素点的像素值；在对应像素点的像素值不同的情况下，如果包括背景像素值和动脉血管像素值，那么融合后的像素值为动脉血管像素值；如果包括背景像素值和病灶像素值，那么融合后的像素值为病灶像素值；如果包括动脉血管像素值和病灶像素值，那么融合后的像素值为病灶像素值。

本实施例中，计算机设备在对第二掩膜图像中的假阳性病灶进行识别和去除操作时，是根据第二掩膜图像获得动脉血管掩膜图像和病灶掩膜图像，接着，将病灶掩膜图像及医学图像输入至预设分类模型中，从病灶候选区域中去除假阳性病灶，生成目标病灶掩膜图像；进而，将目标病灶掩膜图像和动脉血管掩膜图像进行融合处理，生成第三掩膜图像。也就是说，本实施例中，先从第二掩膜图像中拆分出病灶掩膜图像，进而，通过预设分类模型对病灶掩膜图像中的病灶进行假阳性识别，并去除假阳性病灶生成目标病灶掩膜图像，最后，将去除假阳性病灶后的目标病灶掩膜图像与动脉血管掩膜图像进行图像融合，以生成包括动脉血管和阳性病灶在内的第三掩膜图像；采用本方法，能够提高假阳性病灶的识别准确性，以及提高假阳性病灶去除的效率。

图6为另一个实施例中图像处理方法的流程示意图。本实施例涉及的是计算机设备根据第二掩膜图像获得动脉血管掩膜图像和病灶掩膜图像的一种可选的实现过程，在上述实施例的基础上，如图6所示，上述步骤501包括：

步骤601，根据第二掩膜图像获得初始动脉血管掩膜图像和初始病灶掩膜图像。

可选地，可以采用上述步骤501中描述的方式，对第二掩膜图像进行拆分，将拆分得到的动脉血管掩膜图像作为初始动脉血管掩膜图像，以及将拆分得到的病灶掩膜图像作为初始病灶掩膜图像；具体实现方法可参照上述步骤501，在此不再详细论述。

步骤602，从初始病灶掩膜图像中去除小于或等于第一预设阈值的病灶连通域，得到病灶掩膜图像。

其中，第一预设阈值可以用于表征小范围病灶的病灶连通域的体素个数。

本实施例中，对于获取到的初始病灶掩膜图像，可以根据病灶连通域，对识别到的病灶进行第一次筛选，以去除小范围病灶；示例性地，对于初始病灶掩膜图像，可以确定该初始病灶掩膜图像中各个病灶的连通域体素数量，将连通域体素数量小于或等于第一预设阈值的病灶确定为小范围病灶；进而，将该初始病灶掩膜图像中该小范围病灶对应的像素值修改为背景像素值，以去除该小范围病灶，得到病灶掩膜图像。

步骤603，从初始动脉血管掩膜图像中去除小于或等于第二预设阈值的血管连通域，得到动脉血管掩膜图像。

其中，第二预设阈值可以用于表征小范围不连续血管的血管连通域的体素个数。可选地，该第二预设阈值可以与第一预设阈值相同，或者不同。例如：该第二预设阈值和第一预设阈值可以相同，均为20个体素。

可选地，对于获取到的初始动脉血管掩膜图像，可以根据血管连通域，对识别到的动脉血管进行第一次筛选，以去除小范围不连续的血管片段；示例性地，对于初始动脉血管掩膜图像，可以确定该初始动脉血管掩膜图像中各个血管的连通域体素数量，并将连通域体素数量小于或等于第二预设阈值的血管确定为小范围血管；进而，将该初始动脉血管掩膜图像中该小范围血管对应的像素值修改为背景像素值，以去除小范围不连续的血管，得到动脉血管掩膜图像。

本实施例中，根据第二掩膜图像获得初始动脉血管掩膜图像和初始病灶掩膜图像；并从初始病灶掩膜图像中去除小于或等于第一预设阈值的病灶连通域，得到动脉血管掩膜图像；以及从初始动脉血管掩膜图像中去除小于或等于第二预设阈值的血管连通域，得到动脉血管掩膜图像；即在本实施例中，在对病灶掩膜图像进行假阳性病灶去除之前，先对小范围的干扰病灶进行筛选去除，以避免对干扰病灶的假阳性识别操作，减少假阳性病灶的识别数量，提高假阳性病灶的识别效率；另外，还能对小范围不连续的动脉血管进行干扰去除，解决第二分割网络预测得到的第二掩膜图像中存在小范围不连续的情况，再者，结合对血管和病灶的筛选，还能解决小范围病灶和血管交替的问题，提高最终图像分割的效果。

进一步地，基于本实施例，在对初始病灶掩膜图像和初始动脉血管掩膜图像进行小范围连通域的筛选处理之后，得到病灶掩膜图像和动脉血管掩膜图像；接着，对得到的病灶掩膜图像进行假阳性病灶的识别和去除，可以得到目标病灶掩膜图像；进而，可以将该目标病灶掩膜图像和动脉血管掩膜图像进行融合处理，得到融合后的中间掩膜图像；基于该中间掩膜图像，可以再次执行连通域的筛选操作，以从该中间掩膜图像中去除小于或等于第三预设阈值的连通域，生成第三掩膜图像。

其中，该第三预设阈值大于第一预设阈值，且该第三预设阈值大于第二预设阈值。例如，该第一预设阈值和第二预设阈值可以为20个体素，该第三预设阈值可以为100个体素，也就是说，计算机设备可以先从初始病灶掩膜图像中去除连通域的体素数量小于或等于20的病灶连通域，得到病灶掩膜图像，以及从初始动脉血管掩膜图像中去除连通域的体素数量小于或等于20的血管灶连通域，得到动脉血管掩膜图像；进而，在对病灶掩膜图像进行假阳性去除之后，将目标病灶掩膜图像和动脉血管掩膜图像进行融合，并对融合得到的中间掩膜图像进行后处理，即从中间掩膜图像中去除连通域的体素数量小于或等于100的连通域，最终得到第三掩膜图像。如此的连通域处理操作，能够解决因第二分割模型输出的第二掩膜图像中存在的小范围不连续的情况，以及小范围的病灶和血管交替的问题。

在一个实施例中，针对上述第一分割模型，其训练过程包括：获取样本图像和样本图像对应的包括动静脉血管的第一金标准掩膜图像，将样本图像输入至第一分割网络中，得到样本图像对应的包括动静脉血管的掩膜图像；接着，根据该掩膜图像和第一金标准掩膜图像，对第一分割网络进行训练，得到该第一分割模型。也就是说，该第一分割模型为根据样本图像和样本图像对应的第一金标准掩膜图像，对第一分割网络训练得到，其中，该第一金标准掩膜图像包括动脉血管标签和静脉血管标签；可选地，该第一金标准掩膜图像也可以包括扩张后的动脉血管标签和扩张后的静脉血管标签。对于该第一金标准掩膜图像，可以通过手动标注的方式，即人工对样本图像中的动脉血管和静脉血管进行标注，得到包括动脉血管标签和静脉血管标签，或者，包括扩张后的动脉血管标签和扩张后的静脉血管标签的第一金标准掩膜图像；可选地，也可以对手动标注的动脉血管和静脉血管进行膨胀等图像处理操作后，得到扩张后的动脉血管和扩张后的静脉血管，进而得到包括扩张后的动脉血管标签和扩张后的静脉血管标签的第一金标准掩膜图像。

可选地，可以将该样本图像对应的掩膜图像和该样本图像对应的第一金标准掩膜图像输入至第一预设损失函数中，得到第一损失值，进而，根据第一损失值调整该第一分割网络的网络参数，以对该第一分割网络进行迭代优化；经过多次不断地迭代，直至该第一预设损失函数的第一损失值小于或等于第一预设阈值，或者，达到预设的迭代次数之后，便可以得到训练完成的第一分割模型。其中，该第一预设损失函数可以为交叉熵损失函数、对数损失函数、平方损失函数、Hinge损失函数中的一种或多种的组合，本申请实施例对此不做具体限定。

可选地，在训练第一分割模型时，为了加快网络推理的速度，第一阶段的第一分割模型可以在较粗的分辨率下进行训练和预测，也就是，可以对样本图像进行低分辨率处理，得到低分辨率样本图像，进而，基于该低分辨率样本图像和该第一金标准掩膜图像，对第一分割网络进行训练得到第一分割模型；其中，该第一金标准掩膜图像可以为包括动脉血管标签和静脉血管标签的掩膜图像，或者，该第一金标准掩膜图像也可以为包括扩张后的动脉血管标签和扩张后的静脉血管标签的掩膜图像。

图7为另一个实施例中图像处理方法的流程示意图。本实施例涉及的是第二分割模型的一种可选的训练过程，在上述实施例的基础上，如图7所示，上述方法还包括：

步骤701，获取样本图像对应的第二金标准掩膜图像。

其中，该第二金标准掩膜图像包括动脉血管标签和病灶标签。可选地，该第二金标准掩膜图像可以通过手动标注的方式，对该样本图像中的动脉血管和病灶进行标注，得到包括动脉血管标签和病灶标签的第二金标准掩膜图像；在该第二金标准掩膜图像中包括三类标签，即背景、动脉血管和病灶。

步骤702，从样本图像对应的第四掩膜图像中提取动脉血管中心线，得到样本动脉血管中心线图像。

其中，样本图像对应的第四掩膜图像为上述第一分割网络输出的；该第四掩膜图像包括样本图像中的动脉血管和静脉血管对应的掩膜，或者，扩张后的动脉血管和扩张后的静脉血管对应的掩膜。

可选地，对于第一阶段的第一分割模型和第二阶段的第二分割模型，可以同时进行模型的训练；即在训练过程中，将样本图像输入至第一阶段的第一分割网络进行图像分割之后，可以输出该样本图像对应的第四掩膜图像，接着，基于该第四掩膜图像进行第二阶段的第二分割网络的训练。

可选地，可以根据该第四掩膜图像，提取该样本图像中的动脉血管的中心线，得到该样本动脉血管中心线图像。可选地，可以通过对第四掩膜图像进行腐蚀操作，来获取动脉血管的中心线，得到样本图像对应的样本动脉血管中心线图像；当然，也可以采用其他方式，如：将第四掩膜图像输入至预设中心线提取算法中，提取动脉血管的中心线等；本申请实施例对提取动脉血管中心线的方式不做具体限定。

步骤703，将样本图像、第四掩膜图像以及样本动脉血管中心线图像，输入至第二分割网络中，得到样本图像对应的第五掩膜图像。

也就是说，在训练第二分割模型时，其输入参数包括样本图像、第一分割网络输出的该样本图像对应的第四掩膜图像，以及从该第四掩膜图像中提取的样本图像对应的样本动脉血管中心线图像。

将上述输入参数输入至用于训练得到该第二分割模型的第二分割网络中，得到该样本图像对应的第五掩膜图像；其中，该第五掩膜图像中包括该第二分割网络所预测到的该样本图像中的动脉血管和病灶的掩膜图像。

可选地，对于上述用于训练第一分割模型的第一分割网络和用于训练第二分割模型的第二分割网络，均可以包括卷积神经网络、FCN、Unet、Unet++、DsenseNet、RefineNet等分割网络中的一种或多种的组合；本申请实施例对第一分割网络和第二分割网络的网络类型不做具体限定。

步骤704，根据第五掩膜图像和第二金标准掩膜图像，对第二分割网络进行训练，得到第二分割模型。

可选地，可以将该样本图像对应的第五掩膜图像和该样本图像对应的第二金标准掩膜图像输入至第二预设损失函数中，得到第二损失值，进而，根据第二损失值调整该第二分割网络的网络参数，以对该第二分割网络进行迭代优化；经过多次不断地迭代，直至该第二预设损失函数的第二损失值小于或等于第二预设阈值，或者，达到预设的迭代次数之后，便可以得到训练完成的第二分割模型。其中，该第二预设损失函数可以为交叉熵损失函数、对数损失函数、平方损失函数、Hinge损失函数中的一种或多种的组合，本申请实施例对此不做具体限定。

可选地，在进行第二阶段的第二分割模型的训练时，为了提高血管和病灶分割的准确度和精细程度，该第二分割模型可以在较高的分辨率下进行训练和预测；也就是说，可以对样本图像进行高分辨率处理，得到高分辨率样本图像，进而，基于该高分辨率样本图像、第一分割网络输出的低分辨率样本图像对应的第四掩膜图像，从该第四掩膜图像中提取的样本图像对应的动脉血管中心线图像、以及样本图像对应的同时包括动脉血管和病灶的第二金标准掩膜图像，训练得到第二分割模型。

需要说明的是，在训练第一分割模型和第二分割模型时，也可以结合第一损失值和第二损失值同时对第一分割网络和第二分割网络的网络参数进行迭代优化，得到第一分割模型和第二分割模型。另外，除上述描述的同时训练第一分割模型和第二分割模型之外，也可以分别训练第一分割模型和第二分割模型；即先训练第一分割模型，待第一分割模型训练完成之后，再基于第一分割模型输出的样本图像的第四掩膜图像，训练第二分割网络，得到第二分割模型。本申请对此不做具体限定。

本实施例中，第一分割模型为根据样本图像和所述样本图像对应的第一金标准掩膜图像，对第一分割网络训练得到；其中，该第一金标准掩膜图像包括动脉血管标签和静脉血管标签；基于此，计算机设备在训练第二分割模型时，通过获取样本图像对应的第二金标准掩膜图像，以及从样本图像对应的第四掩膜图像中提取动脉血管中心线，得到样本动脉血管中心线图像；接着，将样本图像、第四掩膜图像、以及样本动脉血管中心线图像输入至第二分割网络中，得到样本图像对应的第五掩膜图像；并根据该第五掩膜图像和第二金标准掩膜图像，对该第二分割网络进行训练，得到第二分割模型；其中，样本图像对应的第二金标准掩膜图像包括动脉血管标签和病灶标签；样本图像对应的第四掩膜图像为第一分割网络输出的；即本实施例中，在训练第二分割模型时，一方面，采用同时分割动脉血管和病灶的策略，进行血管和病灶分割模型；由于病灶可视为其他堵塞血管的物质，存在于血管内，引起血液循环障碍，从而导致病灶在医学图像中显示出与血管不同的特征；因此，同时分割血管和病灶可使得两类标签的分割结果之间相互促进和约束，减少一部分血管和病灶的假阳性情况，为后续病灶假阳性分类提供可靠数据支撑；另一方面，采用第一分割网络输出的样本图像的第四掩膜图像、以及基于该第四掩膜图像提取的血管中心线图像作为共同输入，能够体现血管的走向和形态拓扑结构的特征，因此，能够加速第二阶段分割网络的收敛速度，且还能通过网络训练捕获更准确的血管特征，能够提高血管和病灶的分割准确性，提高图像分割效果。

图8为另一个实施例中图像处理方法的流程示意图。本实施例涉及的是预设分类模型的一种可选的训练过程，在上述实施例的基础上，如图8所示，上述方法还包括：

步骤801，根据第五掩膜图像，从样本图像中获取病灶样本图像，并根据第五掩膜图像和第二金标准掩膜图像，确定病灶样本图像对应的金标准病灶标签。

其中，病灶样本图像为单个病灶对应的样本图像。可选地，该病灶样本图像可以为从样本图像中截取的单个病灶的图像，该病灶样本图像包括阳性病灶样本图像和假阳性病灶样本图像，各病灶样本图像对应的金标准病灶标签可以由医生手动标注，包括阳性标签和假阳性标签。

另外，对于第五掩膜图像，可以是由上述第二分割网络输出的，在第二掩膜图像中包括由第二分割模型预测到的该样本图像对应的病灶标签；因此，可以基于第五掩膜图像中的病灶标签，从样本图像中截取该病灶标签对应位置区域的图像，作为病灶样本图像；进一步地，在确定该病灶样本图像对应的金标准病灶标签时，可以根据预测的第五掩膜图像中的病灶标签和第二金标准掩膜图像中与该病灶标签对应的区域的标签，确定病灶样本图像中的病灶是阳性病灶，还是假阳性病灶，以此来确定病灶样本图像对应的金标准病灶标签。

可选地，可以根据病灶样本图像在第五掩膜图像中对应位置区域的像素值(病灶标签对应的像素值)，和在第二金标准掩膜图像中对应位置区域的像素值，之间的重合度，也即相同位置区域内同为病灶标签对应的像素值的占比，来确定病灶样本图像对应的金标准病灶标签；重合度较高，或者占比较高时，说明为阳性病灶，反之，则为假阳性病灶。

可选地，还可以从第五掩膜图像中确定病灶样本图像中病灶所在的第一区域，以及从第二金标准掩膜图像中确定病灶样本图像中病灶所在的第二区域；在第一区域和第二区域之间的重合度大于预设重合度阈值的情况下，确定病灶样本图像对应的金标准病灶标签为病灶，即阳性病灶；在第一区域和第二区域之间的重合度小于或等于预设重合度阈值的情况下，确定病灶样本图像对应的金标准病灶标签为假阳性病灶。

示例性地，该预设重合度阈值可以为50％，也就是说，重合度大于50％，则将该病灶样本图像视为真正的阳性病灶，重合度小于或等于50％，则将该病灶样本图像视为假阳性的需要去除的病灶，以此来产生病灶样本图像和病灶样本图像对应的金标准病灶标签，得到训练样本。

可选地，对于阳性病灶样本图像，还可以根据上述用于训练第二分割模型的第二金标准掩膜图像，从样本图像中获取；由于第二金标准掩膜图像中包括病灶标签，且该病灶标签均为阳性病灶标签；因此，可以根据该第二金标准掩膜图像中的病灶标签，从样本图像中截取病灶标签对应位置区域的图像，作为病灶样本图像，且该病灶样本图像对应的金标准病灶标签为阳性病灶；由此便可扩展训练样本，提高阳性病灶样本图像的获取效率。

步骤802，将病灶样本图像输入至分类网络中，得到病灶样本图像对应的标签结果。

可选地，该分类网络可以为基于神经网络的分类网络，本申请实施例对分类网络的网络类型不做具体限定。

步骤803，根据病灶样本图像对应的标签结果和金标准病灶标签，对分类网络进行训练，得到预设分类模型。

可选地，可以将病灶样本图像对应的标签结果和金标准病灶标签，输入至第三预设损失函数中，得到第三损失值，进而，根据第三损失值调整分类网络的网络参数，以对该分类网络进行迭代优化；经过多次不断迭代优化，直至该第三损失值小于或等于第二预设阈值，或者达到预设的迭代次数为止，得到训练完成的预设分类模型。其中，该第三预设损失函数可以为交叉熵损失函数、对数损失函数、平方损失函数、Hinge损失函数中的一种或多种的组合，本申请实施例对此不做具体限定。

本实施例中，计算机设备在训练预设分类模型时，根据第五掩膜图像，从样本图像中获取病灶样本图像，并根据第五掩膜图像和第二金标准掩膜图像，确定病灶样本图像对应的金标准病灶标签；接着，将病灶样本图像输入至分类网络中，得到病灶样本图像对应的标签结果；进而，根据病灶样本图像对应的标签结果和金标准病灶标签，对分类网络进行训练，得到预设分类模型。即本实施例中，根据第二分割网络输出的样本图像的第五掩膜图像，来获取用于训练分类网络的训练样本，相比于通过其他方式获取的训练样本而言，可以匹配第一阶段的第一分割网络和第二阶段的第二分割网络，以提高对第二分割网络输出的第五掩膜图像中的假阳性病灶的识别准确性；通过本实施例提供的预设分类模型的训练方法，能够得到准确性高的病灶分类模型，提高假阳性病灶的识别准确性。另外，本实施例的病灶样本图像还可以基于第二金标准掩膜图像来获取，以扩展病灶样本图像，即训练样本可在第二金标准掩膜图像和第二分割网络的预测结果中共同抽取，能够提高分类模型的通用性和准确性。

在一个实施例中，提供了一种图像处理方法的具体实施例。参考图9所示，包括三个模块：1)第一阶段扩张动静脉分割网络，即上述第一分割模型；2)第二阶段肺动脉和栓子分割网络，即上述第二分割模型；3)减少栓子假阳性的分类器，即上述预设分类模型。包括以下步骤：

步骤1，获取待处理的原始图像。

可选地，在获取到原始图像之后，可以先对该原始图像进行一系列的预处理操作，包括但不限于去除图像噪声、灰度值归一化等。

步骤2，进行第一阶段的分割处理，即将原始图像输入至第一分割模型中进行第一次图像分割，生成原始图像的第一掩膜图像。

其中，第一掩膜图像包括与扩张后的动静脉血管对应的掩膜图像。第一分割模型为基于样本图像和样本图像对应的第一金标准掩膜图像训练得到，第一金标准掩膜图像包括与扩张后的动静脉血管对应的掩膜图像。第一分割模型可以为基于U-Net的分割模型。

步骤3，基于第一掩膜图像获取动脉血管中心线图像。

步骤4，进行第二阶段的分割处理，即将原始图像、第一掩膜图像及动脉血管中心线图像输入至第二分割模型中进行第二次图像分割，生成第二掩膜图像。

其中，第二掩膜图像包括与动脉血管和病灶候选区域对应的掩膜图像。第二分割模型为基于样本图像、经第一分割模型输出的样本图像的第一掩膜图像、根据第一掩膜图像确定的动脉血管中心线图像、以及样本图像对应的第二金标准掩膜图像训练得到，第二金标准掩膜图像包括与动脉血管和病灶对应的掩膜图像。

步骤5，根据第二掩膜图像获得初始动脉血管掩膜图像和初始病灶掩膜图像。

步骤6，从初始病灶掩膜图像中去除小于或等于第一预设阈值的病灶连通域，得到病灶掩膜图像；以及，从初始动脉血管掩膜图像中去除小于或等于第二预设阈值的血管连通域，得到动脉血管掩膜图像。

步骤7，基于病灶掩膜图像中的各病灶连通域，从原始图像中截取各病灶连通域对应的单个病灶图像；将各病灶图像分别输入至预设分类模型中，判断各病灶图像是否为假阳性病灶；进而，从病灶掩膜图像中去除假阳性病灶，生成目标病灶掩膜图像。

其中，预设分类模型为基于病灶样本图像和病灶样本图像对应的金标准病灶标签训练得到；病灶样本图像和病灶样本图像对应的金标准病灶标签，通过两种方式获得，其中：

第一种方式：通过上述第二金标准掩膜图像，从样本图像中获取单个病灶对应的病灶样本图像，且该病灶样本图像对应的金标准病灶标签均为阳性病灶。

第二种方式：根据上述第二分割模型输出的样本图像对应的第二掩膜图像，从样本图像中获取单个病灶对应的病灶样本图像，接着，根据该病灶样本图像在第二掩膜图像中的病灶区域与在第二金标准掩膜图像中的病灶区域之间的重合度，确定该病灶样本图像对应的金标准病灶标签；若重合度大于预设重合度阈值，则确定该病灶样本图像对应的金标准病灶标签为阳性病灶；若重合度小于或等于预设重合度阈值，则确定该病灶样本图像对应的金标准病灶标签为假阳性病灶。

步骤8，将目标病灶掩膜图像和动脉血管掩膜图像进行融合处理，得到中间掩膜图像。

步骤9，从中间掩膜图像中去除小于或等于第三预设阈值的连通域，生成第三掩膜图像；其中，第三预设阈值大于第一预设阈值且大于第二预设阈值。

步骤10，基于第三掩膜图像，从原始图像中获取目标图像。

本实施例中，通过两阶段的图像分割以及假阳性病灶的分类识别，来实现对血管和病灶的分割；在第一个阶段，通过第一分割模型对原始图像进行第一次图像分割，预测扩张的动脉血管和静脉血管，得到原始图像的第一掩膜图像；在第二个阶段，先提取第一阶段扩张的动脉中心线，得到动脉血管中心线图像，再结合原始图像和第一阶段输出的第一掩膜图像，共同作为第二阶段的输入；通过第二阶段的第二分割模型进行第二次图像分割，预测动脉血管和病灶，得到第二掩膜图像；接着，从第二掩膜图像中提取病灶掩膜图像，以连通域为单元，从原始图像中获取每一个病灶对应的区域图像，并将该区域图像输入至预设分类模型中，以从病灶掩膜图像中筛选并剔除假阳性病灶，得到目标病灶掩膜图像；进而，将目标病灶掩膜图像与从第二掩膜图像中提取的血管掩膜图像进行融合，得到最终的第三掩膜图像。

本实施例中，采用两阶段的分割模型，融合了动静脉的有效信息及血管中心线的拓扑结构信息，帮助网络更加精确有效的学习到血管和病灶的特征；具体，通过引入第一阶段的第一分割模型，能够纠正动静脉错分的问题，同时采用扩张的动静脉和动脉中心线作为第二阶段的第二分割模型的输入，能够在一定程度上解决血管断裂的问题；尤其是对于血管末端较细的位置，采用扩张后的动静脉血管标签进行血管分割模型的训练，能够提高对末端血管的分割准确性，避免出现末端血管分割断裂的问题；再者，对于受病灶和血管在灰度值上的差异导致病灶处的血管分割断裂的问题，采用本申请所提出的扩张后的动静脉血管标签所训练得到的血管分割模型，同样可以解决因病灶引起的血管分割断裂的问题，提高血管分割的准确性和完整性；另外，在第二阶段的第二分割模型中同时预测血管和病灶，能够抑制血管外部的假阳性病灶；再者，预设分类模型的引入能够进一步去除第二阶段分割所得到的病灶的假阳性；因此，通过本申请实施例所提出的图像处理方法，能够有效解决血管的断裂、错分和病灶的漏分、假阳的问题，提升对计算机辅助诊断的效率和准确率。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的图像处理方法的图像处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个图像处理装置实施例中的具体限定可以参见上文中对于图像处理方法的限定，在此不再赘述。

在一个实施例中，如图10所示，提供了一种图像处理装置，包括：第一分割模块1001、第二分割模块1002和获取模块1003，其中：

第一分割模块1001，用于将医学图像输入至第一分割模型中进行第一次图像分割，生成医学图像的第一掩膜图像；第一掩膜图像包括与动静脉血管对应的掩膜图像；

第二分割模块1002，用于将医学图像及第一掩膜图像输入至第二分割模型中进行第二次图像分割，生成第二掩膜图像；第二掩膜图像包括与动脉血管和病灶候选区域对应的掩膜图像；

获取模块1003，用于基于第二掩膜图像，从医学图像中获取目标图像；目标图像包括动脉血管和病灶区域。

在其中一个实施例中，上述第二分割模块1002包括第一获取单元和分割单元；其中，第一获取单元，用于基于第一掩膜图像获取动脉血管中心线图像；分割单元，用于将医学图像、第一掩膜图像及动脉血管中心线图像输入至第二分割模型中进行第二次图像分割，生成第二掩膜图像。

在其中一个实施例中，第一掩膜图像包括与扩张后的动静脉血管对应的掩膜图像。

在其中一个实施例中，上述获取模块1003包括分类单元和第二获取单元；其中，分类单元，用于将第二掩膜图像输入至预设分类模型中，从病灶候选区域中去除假阳性病灶，生成第三掩膜图像；第二获取单元，用于基于第三掩膜图像，从医学图像中获取目标图像。

在其中一个实施例中，上述分类单元包括获取子单元、分类子单元和融合子单元；其中，获取子单元，用于根据第二掩膜图像获得动脉血管掩膜图像和病灶掩膜图像；分类子单元，用于将病灶掩膜图像及医学图像输入至预设分类模型中，从病灶候选区域中去除假阳性病灶，生成目标病灶掩膜图像；融合子单元，用于将目标病灶掩膜图像和动脉血管掩膜图像进行融合处理，生成第三掩膜图像。

在其中一个实施例中，上述获取子单元，用于根据第二掩膜图像获得初始动脉血管掩膜图像和初始病灶掩膜图像；从初始病灶掩膜图像中去除小于或等于第一预设阈值的病灶连通域，得到病灶掩膜图像；从初始动脉血管掩膜图像中去除小于或等于第二预设阈值的血管连通域，得到动脉血管掩膜图像。

在其中一个实施例中，上述融合子单元，用于将目标病灶掩膜图像和动脉血管掩膜图像进行融合处理，得到中间掩膜图像；从中间掩膜图像中去除小于或等于第三预设阈值的连通域，生成第三掩膜图像；其中，第三预设阈值大于第一预设阈值且大于第二预设阈值。

在其中一个实施例中，第一分割模型为根据样本图像和样本图像对应的第一金标准掩膜图像，对第一分割网络训练得到；第一金标准掩膜图像包括动脉血管标签和静脉血管标签；该装置还包括：第二分割模型训练模块；该第二分割模型训练模块，用于获取样本图像对应的第二金标准掩膜图像，以及从样本图像对应的第四掩膜图像中提取动脉血管中心线，得到样本图像对应的样本动脉血管中心线图像；其中，样本图像对应的第二金标准掩膜图像包括动脉血管标签和病灶标签；样本图像对应的第四掩膜图像为第一分割网络输出的；将样本图像、第四掩膜图像、以及样本动脉血管中心线图像，输入至第二分割网络中，得到样本图像对应的第五掩膜图像；根据第五掩膜图像和第二金标准掩膜图像，对第二分割网络进行训练，得到第二分割模型。

在其中一个实施例中，该装置还包括：分类模型训练模块；该分类模型训练模块，用于根据第五掩膜图像，从样本图像中获取病灶样本图像，并根据第五掩膜图像和第二金标准掩膜图像，确定病灶样本图像对应的金标准病灶标签；其中，病灶样本图像为单个病灶对应的样本图像；将病灶样本图像输入至分类网络中，得到病灶样本图像对应的标签结果；根据病灶样本图像对应的标签结果和金标准病灶标签，对分类网络进行训练，得到预设分类模型。

在其中一个实施例中，上述分类模型训练模块，用于从第五掩膜图像中确定病灶样本图像中病灶所在的第一区域，以及从第二金标准掩膜图像中确定病灶样本图像中病灶所在的第二区域；在第一区域和第二区域之间的重合度大于预设重合度阈值的情况下，确定病灶样本图像对应的金标准病灶标签为病灶；在第一区域和第二区域之间的重合度小于或等于预设重合度阈值的情况下，确定病灶样本图像对应的金标准病灶标签为假阳性病灶。

上述图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，也可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和通信接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端、服务器、或者医学影像设备通过网络连接通信。该计算机程序被处理器执行时以实现一种图像处理方法。在该计算机设备为终端的情况下，该计算机设备还可以包括显示屏和输入装置，其中，该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各个实施例中的图像处理方法的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各个实施例中的图像处理方法的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各个实施例中的图像处理方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种图像处理方法，其特征在于，所述方法包括：

将医学图像输入至第一分割模型中进行第一次图像分割，生成所述医学图像的第一掩膜图像；所述第一掩膜图像包括与动静脉血管对应的掩膜图像；

将所述医学图像及所述第一掩膜图像输入至第二分割模型中进行第二次图像分割，生成第二掩膜图像；所述第二掩膜图像包括与动脉血管和病灶候选区域对应的掩膜图像；

基于所述第二掩膜图像，从所述医学图像中获取目标图像；所述目标图像包括动脉血管和病灶区域。

2.根据权利要求1所述的方法，其特征在于，所述将所述医学图像及所述第一掩膜图像输入至第二分割模型中进行第二次图像分割，生成第二掩膜图像，包括：

基于所述第一掩膜图像获取动脉血管中心线图像；

将所述医学图像、所述第一掩膜图像及所述动脉血管中心线图像输入至所述第二分割模型中进行第二次图像分割，生成第二掩膜图像。

3.根据权利要求1或2所述的方法，所述基于所述第二掩膜图像，从所述医学图像中获取目标图像，包括：

将所述第二掩膜图像输入至预设分类模型中，从所述病灶候选区域中去除假阳性病灶，生成第三掩膜图像；

基于所述第三掩膜图像，从所述医学图像中获取目标图像。

4.根据权利要求3所述的方法，其特征在于，所述将所述第二掩膜图像输入至预设分类模型中，从所述病灶候选区域中去除假阳性病灶，生成第三掩膜图像，包括：

根据所述第二掩膜图像获得动脉血管掩膜图像和病灶掩膜图像；

将所述病灶掩膜图像及所述医学图像输入至所述预设分类模型中，从所述病灶候选区域中去除假阳性病灶，生成目标病灶掩膜图像；

将所述目标病灶掩膜图像和所述动脉血管掩膜图像进行融合处理，生成所述第三掩膜图像。

5.根据权利要求4所述的方法，其特征在于，所述根据所述第二掩膜图像获得动脉血管掩膜图像和病灶掩膜图像，包括：

根据所述第二掩膜图像获得初始动脉血管掩膜图像和初始病灶掩膜图像；

从所述初始病灶掩膜图像中去除小于或等于第一预设阈值的病灶连通域，得到所述病灶掩膜图像；

从所述初始动脉血管掩膜图像中去除小于或等于第二预设阈值的血管连通域，得到所述动脉血管掩膜图像。

6.根据权利要求3所述的方法，其特征在于，所述第一分割模型为根据样本图像和所述样本图像对应的第一金标准掩膜图像，对第一分割网络训练得到；所述第一金标准掩膜图像包括动脉血管标签和静脉血管标签；所述第二分割模型的训练过程包括：

获取所述样本图像对应的第二金标准掩膜图像，所述第二金标准掩膜图像包括动脉血管标签和病灶标签；

从所述样本图像对应的第四掩膜图像中提取动脉血管中心线，得到样本动脉血管中心线图像；其中，所述第四掩膜图像为所述第一分割网络输出的；

将所述样本图像、所述第四掩膜图像以及所述样本动脉血管中心线图像，输入至第二分割网络中，得到所述样本图像对应的第五掩膜图像；

根据所述第五掩膜图像和所述第二金标准掩膜图像，对所述第二分割网络进行训练，得到所述第二分割模型。

7.根据权利要求6所述的方法，其特征在于，所述预设分类模型的训练过程包括：

根据所述第五掩膜图像，从所述样本图像中获取病灶样本图像，并根据所述第五掩膜图像和所述第二金标准掩膜图像，确定所述病灶样本图像对应的金标准病灶标签；其中，所述病灶样本图像为单个病灶对应的样本图像；

将所述病灶样本图像输入至分类网络中，得到所述病灶样本图像对应的标签结果；

根据所述病灶样本图像对应的标签结果和所述金标准病灶标签，对所述分类网络进行训练，得到所述预设分类模型。

8.一种图像处理装置，其特征在于，所述装置包括：

第一分割模块，用于将医学图像输入至第一分割模型中进行第一次图像分割，生成所述医学图像的第一掩膜图像；所述第一掩膜图像包括与动静脉血管对应的掩膜图像；

第二分割模块，用于将所述医学图像及所述第一掩膜图像输入至第二分割模型中进行第二次图像分割，生成第二掩膜图像；所述第二掩膜图像包括与动脉血管和病灶候选区域对应的掩膜图像；

获取模块，用于基于所述第二掩膜图像，从所述医学图像中获取目标图像；所述目标图像包括动脉血管和病灶区域。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

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权利要求1至7中任一项所述的方法的步骤。

Images