图像处理方法及装置与流程

1.本技术涉及数据处理技术领域，特别涉及图像处理方法及装置。


背景技术：

2.血管类疾病在全球范围都具有高发病率和高死亡率的特点，对于血管类疾病患者来说，无论是手术治疗还是药物治疗都是非常昂贵的。借助ct(computed tomography)血管造影技术诊断血管类疾病是一种无创的手段，对患者损害较小，而且还可以实现血管类疾病的筛查，避免不必要的有创治疗。
3.目前ct血管造影广泛应用于临床中，随之而来的是大量的cta(computed tomography angiography)影像需要医生进行诊断。不同于其他局灶性病灶，血管类疾病的诊断更加复杂繁琐，以心脏冠脉为例，临床诊断一般都需要经过冠脉的提取、冠脉分支命名、冠脉树的重建、狭窄/斑块的检测与诊断，最终生成诊断报告。整个诊断流程需要花费30分钟～1小时左右，因此，自动的血管类疾病辅助诊断就显得尤为重要。


技术实现要素：

4.有鉴于此，本技术提供了两种图像处理方法、两种图像处理装置、两种计算设备以及两种计算机可读存储介质，以解决现有技术中存在的技术缺陷。
5.根据本技术实施例的第一方面，提供了一种图像处理方法，包括：
6.获取序列图像；
7.获取待分割管状物的局部管状信息；
8.基于三维特征分割模型，对所述序列图像中所述局部管状信息对应的管状特征进行分割处理；
9.展示分割处理获得的管状特征图像。
10.可选的，所述基于三维特征分割模型，对所述序列图像中所述局部管状信息对应的管状特征进行分割处理，包括：
11.对所述序列图像进行曲面重建，获得一个或多个图像序列；
12.将所述图像序列拆分为多个子序列；所述多个子序列中连续两个子序列至少包含一张重叠的截面图像；
13.将所述多个子序列输入所述三维特征分割模型进行所述管状特征的分割处理，获得所述管状特征图像。
14.可选的，所述三维特征分割模型，采用如下方式训练获得：
15.获取作为训练样本的样本图像；
16.采用稀疏标注的方式对所述样本图像进行特征标注处理，获得与所述样本图像对应的标签图像；
17.基于所述样本图像和所述标签图像对预先构建的待训练模型进行训练，获得所述三维特征分割模型。
18.可选的，所述基于所述样本图像和所述标签图像对预先构建的待训练模型进行训练，获得所述三维特征分割模型，包括：
19.针对所述待训练模型的任意一次训练过程，采用如下方式进行训练：
20.将所述样本图像输入本次训练的待训练模型进行管状特征分割处理，获得分割图像；
21.基于预先设置的损失函数计算所述分割图像相对于所述标签图像的训练损失；
22.判断所述训练损失是否大于或者等于预设损失阈值；
23.若是，基于所述损失函数对本次训练的待训练模型进行参数调整，将调整后的待训练模型作为下一次训练的待训练模型；
24.若否，将本次训练的待训练模型作为所述三维特征分割模型。
25.可选的，所述对所述样本图像进行特征标注处理，包括：
26.对所述样本图像中的管状轮廓特征进行标注处理。
27.可选的，所述基于三维特征分割模型，对所述序列图像中所述局部管状信息对应的管状特征进行分割处理，包括：
28.确定所述序列图像中所述局部管状信息对应的序列图像，作为管状物图像；
29.提取所述管状物图像中的管状特征线；
30.基于所述管状特征线对所述管状物图像进行曲面重建，获得一个或者多个图像序列；
31.将所述图像序列输入三维卷积神经网络进行管状特征分割处理，获得管状特征图像序列；
32.对所述管状特征图像序列进行坐标转换处理，获得所述管状特征图像。
33.可选的，所述基于所述管状特征线对所述管状物图像进行曲面重建，获得一个或者多个图像序列，包括：
34.确定所述管状物图像中的管状分支特征；
35.确定所述管状物图像中包含所述管状分支特征的管状物图像；
36.基于所述管状分支特征的中心线，对包含所述管状分支特征的管状物图像进行曲面重建，获得所述管状分支特征的图像序列。
37.可选的，所述基于所述管状特征线对所述管状物图像进行曲面重建，获得一个或者多个图像序列步骤执行之后，且所述将所述图像序列输入三维卷积神经网络进行管状特征分割处理，获得管状特征图像序列步骤执行之前，包括：
38.确定所述管状分支特征的图像序列中包含的截面图像的图像数目；
39.判断所述图像数目是否大于所述三维特征分割模型的输入序列的预设图像数目；
40.若是，将所述管状分支特征的图像序列拆分为多个子序列；所述多个子序列中连续两个子序列至少包含一张重叠的截面图像。
41.可选的，所述管状物图像包括：采用血管摄影获得的血管图像；
42.所述管状物图像中的分支管状特征包括：所述血管图像中冠脉对应的冠脉特征。
43.可选的，所述局部管状信息，包括下述至少一项：
44.待分割管状物描述文本、待分割管状物二维图像、待分割管状物三维图像序列。
45.根据本技术实施例的第二方面，提供了一种图像处理装置，包括：
46.获取图像模块，被配置为获取序列图像；
47.获取信息模块，被配置为获取待分割管状物的局部管状信息；
48.分割处理模块，被配置为基于三维特征分割模型，对所述序列图像中所述局部管状信息对应的管状特征进行分割处理；
49.展示图像模块，被配置为展示分割处理获得的管状特征图像。
50.根据本技术实施例的第三方面，提供了另一种图像处理方法，包括：
51.获取至少一张管状物图像；
52.提取所述管状物图像中的管状特征线；
53.基于所述管状特征线对所述管状物图像进行曲面重建，获得一个或者多个图像序列；
54.将所述图像序列输入三维特征分割模型进行管状特征分割处理，获得管状特征图像序列；
55.对所述管状特征图像序列进行坐标转换处理，获得目标图像。
56.可选的，所述将所述图像序列输入三维特征分割模型进行管状特征分割处理，获得管状特征图像序列，包括：
57.确定所述图像序列中包含的截面图像的图像数目；
58.按照所述图像数目将所述图像序列拆分为多个子序列；所述多个子序列中连续两个子序列至少包含一张重叠的截面图像；
59.将所述多个子序列输入所述三维特征分割模型进行管状特征分割处理，获得所述管状特征图像序列。
60.可选的，所述三维特征分割模型，采用如下方式训练获得：
61.获取作为训练样本的样本图像；
62.采用稀疏标注的方式对所述样本图像进行特征标注处理，获得与所述样本图像对应的标签图像；
63.基于所述样本图像和所述标签图像对预先构建的待训练模型进行训练，获得所述三维特征分割模型。
64.可选的，所述基于所述样本图像和所述标签图像对预先构建的待训练模型进行训练，获得所述三维特征分割模型，包括：
65.针对所述待训练模型的任意一次训练过程，采用如下方式进行训练：
66.将所述样本图像输入本次训练的待训练模型进行管状特征分割处理，获得分割图像；
67.基于预先设置的损失函数计算所述分割图像相对于所述标签图像的训练损失；
68.判断所述训练损失是否大于或者等于预设损失阈值；
69.若是，基于所述损失函数对本次训练的待训练模型进行参数调整，将调整后的待训练模型作为下一次训练的待训练模型；
70.若否，将本次训练的待训练模型作为所述三维特征分割模型。
71.可选的，所述对所述样本图像进行特征标注处理，包括：
72.对所述样本图像中的管状轮廓特征进行标注处理。
73.可选的，所述基于所述管状特征线对所述管状物图像进行曲面重建，获得一个或
者多个图像序列，包括：
74.确定所述管状物图像中的管状分支特征；
75.确定所述管状物图像中包含所述管状分支特征的管状物图像；
76.基于所述管状分支特征的中心线，对包含所述管状分支特征的管状物图像进行曲面重建，获得所述管状分支特征的图像序列。
77.可选的，所述基于所述管状特征线对所述管状物图像进行曲面重建，获得一个或者多个图像序列步骤执行之后，且所述将所述图像序列输入三维特征分割模型进行管状特征分割处理，获得管状特征图像序列步骤执行之前，包括：
78.确定所述管状分支特征的图像序列中包含的截面图像的图像数目；
79.判断所述图像数目是否大于所述三维特征分割模型的输入序列的预设图像数目；
80.若是，将所述管状分支特征的图像序列拆分为多个子序列；所述多个子序列中连续两个子序列至少包含一张重叠的截面图像。
81.可选的，所述管状物图像包括：采用血管摄影获得的血管图像；
82.所述管状物图像中的分支管状特征包括：所述血管图像中冠脉对应的冠脉特征。
83.可选的，所述对所述管状特征图像序列进行坐标转换处理，获得目标图像步骤执行之前，包括：
84.读取所述图像序列中包含的截面图像的坐标信息和所述管状物图像的坐标信息；
85.确定所述截面图像的坐标信息相对于所述管状物图像的坐标信息的映射关系，作为所述坐标映射关系。
86.可选的，所述三维特征分割模型，包括：三维卷积神经网络。
87.根据本技术实施例的第四方面，提供了另一种图像处理装置，包括：
88.获取模块，被配置为获取至少一张管状物图像；
89.提取模块，被配置为提取所述管状物图像中的管状特征线；
90.重建模块，被配置为基于所述管状特征线对所述管状物图像进行曲面重建，获得一个或者多个图像序列；
91.分割模块，被配置为将所述图像序列输入三维特征分割模型进行管状特征分割处理，获得管状特征图像序列；
92.转换模块，被配置为对所述管状特征图像序列进行坐标转换处理，获得目标图像。
93.根据本技术实施例的第五方面，提供了一种计算设备，包括：
94.存储器和处理器；
95.所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令：
96.获取序列图像；
97.获取待分割管状物的局部管状信息；
98.基于三维特征分割模型，对所述序列图像中所述局部管状信息对应的管状特征进行分割处理；
99.展示分割处理获得的管状特征图像。
100.根据本技术实施例的第六方面，提供了另一种计算设备，包括：
101.存储器和处理器；
102.所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令：
103.获取至少一张管状物图像；
104.提取所述管状物图像中的管状特征线；
105.基于所述管状特征线对所述管状物图像进行曲面重建，获得一个或者多个图像序列；
106.将所述图像序列输入三维特征分割模型进行管状特征分割处理，获得管状特征图像序列；
107.对所述管状特征图像序列进行坐标转换处理，获得目标图像。
108.根据本技术实施例的第七方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现一种所述图像处理方法的步骤。
109.根据本技术实施例的第八方面，提供了另一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现另一种所述图像处理方法的步骤。
110.本技术提供的图像处理方法，针对获取到的序列图像，以及用户输入的待分割管状物的局部管状信息出发，对序列图像中所述局部管状信息对应的管状特征进行分割处理，并向用户展示分割处理获得的管状特征图像，从而来提升图像分割处理的灵活性，并且进一步提高了图像分割处理的准确性。
111.本技术提供的图像处理方法，在对管状物图像中的管状特征进行图像分割的过程中，借助管状物图像中的管状特征线，对管状物图像进行曲面重建，形成一个或多个图像序列，然后输入三维特征分割模型进行管状特征分割处理，以实现对管状物图像中的管状特征的分割处理，并通过坐标转换的方式将获得的管状特征图像序列还原到曲面重建之前的坐标系中，从而可以获得管状物对应的目标图像，实现管状特征分割的精细化，以及进一步提高了准确度。
附图说明
112.图1是本技术实施例提供的一种图像处理方法处理流程图；
113.图2是本技术实施例提供的一种图像分割处理过程的示意图；
114.图3是本技术实施例提供的一种三维特征分割模型的示意图；
115.图4是本技术实施例提供的一种图像处理装置的示意图；
116.图5是本技术实施例提供的另一种图像处理方法处理流程图；
117.图6是本技术实施例提供的一种图像分割处理过程的示意图；
118.图7是本技术实施例提供的一种应用于所述冠脉图像分割处理过程的图像处理方法处理流程图；
119.图8是本技术实施例提供的一种冠脉图像的示意图；
120.图9是本技术实施例提供的另一种图像处理装置的示意图；
121.图10是本技术实施例提供的一种计算设备的结构框图；
122.图11是本技术实施例提供的另一种计算设备的结构框图。
具体实施方式
123.在下面的描述中阐述了很多具体细节以便于充分理解本技术。但是本技术能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本技术内涵的情况下做类似推广，因此本技术不受下面公开的具体实施的限制。
124.在本技术一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术一个或多个实施例。在本技术一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本技术一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
125.应当理解，尽管在本技术一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本技术一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
126.本技术一个实施例提供两种图像处理方法、两种图像处理装置、两种计算设备以及两种计算机可读存储介质。以下分别结合本说明书提供的实施例的附图逐一进行详细说明，并且对方法的各个步骤进行说明。
127.本技术提供的一种图像处理方法实施例如下：
128.参照附图1，其示出了本实施例提供的一种图像处理方法处理流程图，参见附图2，其示出了本实施例提供的一种图像分割处理过程的示意图，参见附图3，其示出了本实施例提供的一种三维特征分割模型的示意图。
129.步骤s102，获取序列图像。
130.实际应用中，在获得管状特征图像的过程中，由于待分割管状物内腔过于微小，分割难度较大，并且较为细微的结构处精确识别的结果也较低，这就导致最终获得的展示的管状特征图像的精准度不高；本技术提供的图像处理方法，针对获取到的序列图像，以及用户输入的待分割管状物的局部管状信息出发，对序列图像中所述局部管状信息对应的管状特征进行分割处理，并向用户展示分割处理获得的管状特征图像，从而来提升图像分割处理的灵活性，并且进一步提高了图像分割处理的准确性。
131.本技术实施例提供的所述序列图像，包括采用cta(computed tomography angiography，电脑断层血管摄影术)采集到的一系列人体组织的序列图像。例如，采用cta采集到的一系列人体内冠脉组织的序列图像。除此之外，所述序列图像还可以是采用断层扫描技术采集到的一系列图像集合。
132.步骤s104，获取待分割管状物的局部管状信息。
133.具体的，在上述获取所述序列图像的基础上，进一步的，将获取待分割管状物的局部管状信息，其中，管状物可以是人体等生物体内的血管组织，比如人体内的动脉血管和冠脉等，此外，管状物还可以是3d打印的应用于人体或者其他生物体的血管，或者是应用于人体或者其他生物体内的人造器官等；
134.基于此，所述待分割管状物具体是指需要进行分割处理的管状物，相应的，所述待分割管状物的局部管状信息包括下述至少一项：待分割管状物描述文本、待分割管状物二
维图像、待分割管状物三维图像序列。
135.进一步的，所述待分割管状物的局部管状信息可以理解为是对所述待分割管状物的描述文本，比如在对冠脉组织的序列图像进行图像分割处理的过程中，待分割管状物的局部管状信息即为冠脉血管的名称，即：“冠脉血管”这一描述文本。此外，在对应用于人体或者其他生物体内的人造器官的序列图像进行图像分割处理的过程中，待分割管状物的局部管状信息为人造器官的二维图像，比如在一个侧面针对人造器官拍摄的人造器官图像；或者，在对3d打印的应用于人体或者其他生物体的血管的序列图像进行图像分割处理的过程中，待分割管状物的局部管状信息为3d打印血管的3d模型的一系列图像组成的三维图像序列。
136.需要说明的是，用户除了能够以描述文本、二维图像或者三维图像序列这三种方式输入待分割管状物的局部管状信息之外，还可以通过输入描述文本和二维图像的方式来实现待分割管状物的局部管状信息的输入，比如在对冠脉组织的序列图像进行图像分割处理的过程中，用户同时输入冠脉血管的名称和图像，即：“冠脉血管”这一描述文本和冠脉血管图像。与之相类似，用户还可以通过输入描述文本和三维图像序列的方式来输入待分割管状物的局部管状信息，或者，通过输入二维图像和三维图像序列的方式来输入待分割管状物的局部管状信息，再或者，通过输入描述文本、二维图像和三维图像序列的方式来输入待分割管状物的局部管状信息。
137.此处，待分割管状物的局部管状信息是指后续对序列图像进行分割处理所应用的信息，如果获取到的待分割管状物的局部管状信息为描述文本，则后续在对序列图像进行分割处理过程中，需要从获取到的描述文本出发确定后续进行图像分割处理的图像分割目标。类似的，如果获取到的待分割管状物的局部管状信息为人造器官的二维图像，则需要对获取到的人造器官的二维图像进行识别，即：识别获取到的二维图像具体是哪个器官组织的图像，将识别出的器官组织作为后续进行图像分割处理的图像分割目标；如果获取到的待分割管状物的局部管状信息为3d打印血管的三维图像序列，则需要对获取到的3d打印血管的三维图像序列进行识别，即：识别获取到的三维图像序列具体是哪种类型的血管，是动脉血管还是静脉血管，将识别出的血管作为后续进行图像分割处理的图像分割目标。
138.本技术实施例以人体内的血管组织为例，对血管组织的序列图像分割处理过程进行说明，针对3d打印血管以及其他人造管状物的序列图像分割处理过程，参见本实施例提供的针对血管组织的序列图像分割处理具体实现，本实施例在此不再一一赘述。
139.本实施例中，所述待分割管状物的局部管状信息由用户输入，用户输入所述待分割管状物的局部管状信息的目的，是在上述采集的所述序列图像的基础上，在所述序列图像中进行图像分割输入的分割对象或者分割目标。比如，采集到一系列冠脉组织的序列图像之后，本方法的用户想要冠脉组织的序列图像中分割出冠脉血管，通过输入“冠脉血管”这一描述文本来输入冠脉血管这一分割目标，后续在进行图像分割过程中，按照冠脉血管这一分割目标，在冠脉组织的序列图像对冠脉血管进行图像分割。
140.步骤s106，基于三维特征分割模型，对所述序列图像中所述局部管状信息对应的管状特征进行分割处理。
141.具体的，在上述获取所述待分割管状物的局部管状信息的基础上，进一步的，此时将基于三维特征分割模型对所述序列图像中的所述局部管状信息对应的管状特征进行分
割处理，从而实现后续可以输出准确的管状特征图像。
142.进一步的，在对所述管状特征进行分割处理的过程中，为了提高分割处理的准确率，本实施例提供的一种实施例，基于三维特征分割模型，对所述序列图像中所述局部管状信息对应的管状特征进行分割处理，具体实现方式如下所述：
143.对所述序列图像进行曲面重建，获得一个或多个图像序列；
144.将所述图像序列拆分为多个子序列；所述多个子序列中连续两个子序列至少包含一张重叠的截面图像；
145.将所述多个子序列输入所述三维特征分割模型进行所述管状特征的分割处理，获得所述管状特征图像。
146.实际应用中，在基于所述三维特征分割模型进行所述管状特征的分割处理，具体是指将局部管状信息对应的管状特征从所述多个子序列中分割出来，从而获得所述管状特征图像。
147.更进一步的，在对所述管状特征进行分割处理的过程中，为了提高分割处理的准确率，本实施例提供的另一种实施例，基于三维特征分割模型，对所述序列图像中所述局部管状信息对应的管状特征进行分割处理，具体实现方式如下所述：
148.确定所述序列图像中所述局部管状信息对应的序列图像，作为管状物图像；
149.提取所述管状物图像中的管状特征线；
150.基于所述管状特征线对所述管状物图像进行曲面重建，获得一个或者多个图像序列；
151.将所述图像序列输入三维卷积神经网络进行管状特征分割处理，获得管状特征图像序列；
152.对所述管状特征图像序列进行坐标转换处理，获得所述管状特征图像。
153.具体的，所述管状特征线，是指在所述管状物图像中能够标识管状物所处区域、所属形状的辅助标识线，本实施例中，所述管状特征线是指所述管状物图像中管状物的中心线。除此之外，所述管状特征线还是可以是所述管状物图像中管状物的内腔轮廓线，或者其他能够标识所述管状物图像中管状物的标识线；
154.基于此，首先将所述序列图像中基于所述局部管状信息生成的序列图像作为所述管状物图像，其次提取所述管状物图像中的所述管状特征线，再次基于所述管状特征线对所述管状物图像进行曲面重建，获得一个或多个图像序列，此时再将所述一个或多个图像序列输入到三维卷积神经模型进行管状特征分割处理，获得所述管状特征图像序列；最后对所述管状特征图像序列进行坐标转换处理，即可获得所述管状特征图像。
155.具体实施时，在对所述管状物图像进行曲面重建(curved planar reformation，cpr)的过程中，是依据管状物图像的中心线，将通过cta采集到的一系列不在同一层面的血管图像构建出的一个或多个图像序列，本实施例中，具体实现方式如下所述：
156.确定所述管状物图像中的管状分支特征；
157.确定所述管状物图像中包含所述管状分支特征的管状物图像；
158.基于所述管状分支特征的中心线，对包含所述管状分支特征的管状物图像进行曲面重建，获得所述管状分支特征的图像序列。
159.具体的，所述管状分支特征具体是指不同的管状物分支具有的特征，例如管状物
图像为“冠脉”对应的图像，此时基于该图像即可确定的“冠脉”管状分支特征相关的描述信息为“发自左主动脉，经动脉起始部和左心耳之间，沿冠状沟向左前方行3～5mm后，立即分为前室间支和旋支”；
160.基于此，通过所述管状分支特征即可在所述管状物图像中确定所述管状分支特征的管状物图像；进一步的在基于所述管状物分支特征的中心线，对所述管状分支特征的管状物图像进行重建，即可获得所述管状分支特征的图像序列，从而可以实现将无关的管状物进行剔除，只保留符合需求的管状物分支构建出对应的图像序列，方便后续针对管状物分支生成可以展示的特征图像。
161.例如，“冠脉”对应的图像中还包含“主动脉”，故此时该图形中呈现出动脉相互交错的展示效果，然而诊断者只是需要对“冠脉”进行查看，“主动脉”可能会产生影响，故需要只提取“冠脉”对应的特征，并基于“冠脉”对应的特征的中心线进行曲面重建，即可重新构建出“冠脉”的图像序列，方便后续生成“冠脉”对应的展示图像，从而实现更加方便用户查看“冠脉”的具体结构。
162.在获得所述图像序列之后，再由所述三维卷积神经网络进行管状特征分割处理，即可获得所述管状特征图像序列，即由三维卷积神经网络可以实现将描述信息处理为生成图像所应用的序列，最后再对管状特征图像序列进行坐标转换处理，即可获得向用户展示的管状特征图像，从而可以使临床工作者能够通过三维空间呈现的不同层面血管的内部和外部组织情况，快速的给出诊断报告。
163.例如，附图3所示的三维特征分割模型进行冠脉特征分割处理过程，其中，三维特征分割模型的输入为曲面重建之后获得的冠脉的图像序列，经过三维特征分割模型进行分割处理，即可获得冠脉特征图像序列，冠脉特征图像序列具体是指冠脉的内腔在各个方向上的半径，此处的方向是指等间距分布的夹角为2度的180个方向，预测结果为冠脉的截面图像对应的180个方向的半径数值；最后即可基于冠脉在截面图像所对应截面的180个方向的半径数值，生成冠脉在这一截面对应的内腔特征图像。
164.实际应用中，在基于所述管状特征线对所述管状物图像进行曲面重建的过程中，由于不同管状物图像中包含的管状物类型不同，以及各个管状物的相关信息也是不同的，此时可以针对不同的管状物重建出不同的图像序列，从而可以使得后续转换出的管状特征图像更加准确。
165.本实施例中，依据所述管状物图像的中心线进行曲面重建，获得所述管状物图像对应的图像特征，从而生成管状特征图像，可以有效的提高管状特征图像的准确度，从而更加方便用户判断出管状物的内部情况，方便进行相应的处理。
166.此外，在基于所述管状特征线对所述管状物图像进行曲面重建，获得一个或者多个图像序列之后，且将所述图像序列输入三维卷积神经网络进行管状特征分割处理，获得管状特征图像序列之前，还需要判断图像序列中包含的图像数目是否超过所述三维特征分割模型的输入数目，以避免造成模型预测的准确度降低，本实施例中，具体实现方式如下所述：
167.确定所述管状分支特征的图像序列中包含的截面图像的图像数目；
168.判断所述图像数目是否大于所述三维特征分割模型的输入序列的预设图像数目；
169.若是，将所述管状分支特征的图像序列拆分为多个子序列；所述多个子序列中连
续两个子序列至少包含一张重叠的截面图像。
170.若否，以空白图像进行填充，获得符合三维特征分割模型的输入图像序列。
171.实际应用中，若图像序列中包含的截面图像的图像数目超过所述三维特征分割模型的输入序列的预设图像数目，此时可能出现预测结果不连续的问题，则可以将管状分支特征的图像序列拆分为多个子序列，之后设置多个子序列中连续两个子序列至少包含一张重叠的截面图像，从而使得三维特征分割模型可以连续的预测出管状特征图像序列，使得最终展示的管状分支对应的图像更加准确；若图像序列中包含的截面图像的图像数目未超过所述三维特征分割模型的输入序列的预设图像数目，则此时可以向图像序列中添加空白图像，从而使得组成的图像序列中包含的截面图像符合三维特征分割模型的输入序列的预设图像数目，实现分割处理的过程。
172.沿用上例，冠脉对应的图像序列中包含的截面图像的图像数目是500张，而三维特征分割模型的输入序列的预设图像数目是128张，此时无法将500张图像同时输入到三维特征分割模型进行管状特征图像序列的预测，则可以将500张图像设置为四个批次，每个批次128张图像，即500张图像的序号分别是1～500，则第一个批次对应1～128序号的截面图像，第二个批次对应125～252序号的截面图像，第三个批次对应250～377序号的截面图像，第四个批次对应373～500序号的截面图像，从而使得三维特征分割模型可以对全部的截面图像进行分割处理，实现准确的获得冠脉对应的特征图像序列。
173.此外，为了方便三维特征分割模型的分割处理，还可以将500张图像设置为四个批次，每个批次128张图像，即500张图像的序号分别是1～500，则第一个批次对应1～128序号的截面图像，第二个批次对应129～256序号的截面图像，第三个批次对应257～384序号的截面图像，第四个批次对应373～500序号的截面图像，使得拆分后的全部批次中，最后一个批次之前的全部批次按照模型的输入序列的预设图像数目进行设置即可，只将最后一个批次与上一个批次中的图像数目进行重叠设置，以此来保证输入三维特征分割模型的输入序列的完整性，以及提高分割处理的效果。
174.具体实施时，由于连续的多个子序列中包含至少一张重叠的截面图像，故造成三维特征分割模型的预测结果将出现重复的管状特征图像序列，则可以通过择一选择的方式确定管状特征图像序列，从而实现确定的管状特征图像序列更加符合真实管状特征的描述，实现后续可以生成更加精准的管状特征图像。
175.本实施例中，所述管状物图像包括：采用血管摄影获得的血管图像；所述管状物图像中的分支管状特征包括：所述血管图像中冠脉对应的冠脉特征。
176.此外，为了确保所述三维特征分割模型的分割处理的准确性，以及提高训练模型的效率，将采用如下方式对所述三维特征分割模型进行训练：
177.(1)获取作为训练样本的样本图像。
178.(2)采用稀疏标注的方式对所述样本图像进行特征标注处理，获得与所述样本图像对应的标签图像。
179.本实施例中，由于三维特征分割模型是对管状特征进行分割处理的模型，故需要对样本图像进行标注后，才能够用于训练所述三维特征分割模型，但是在一个样本图像中的管状物下呈现出的数目较多，若要一一进行标注，将需要大量的人力和物力才能够完成，并且耗费的时间也是较多的，故为了提高对三维特征分割模型的训练效率，可以采用稀疏
标注的方式对所述样本图像进行特征标注处理，从而获得与所述样本图像对应的标签图像。
180.进一步的，在对所述样本图像进行特征标注处理的过程中，是对所述样本图像中的管状轮廓特征进行标注处理，从而使得所述三维特征分割模型可以输出管状轮廓特征对应的管状特征图像序列。
181.(3)基于所述样本图像和所述标签图像对预先构建的待训练模型进行训练，获得所述三维特征分割模型。
182.本实施例中，在对样本图像进行标注完成之后，将基于样本图像和所述标签图像对预先构建的待训练模型进行训练，即可获得所述三维特征分割模型，并且在对所述三维特征分割模型进行训练的过程中，为了提高三维特征分割模型的预测准确率，需要经过多次的迭代才能够实现，但是由于模型在训练的过程中，随着迭代的次数增多，模型的预测效果在达到一定程度之后，会再次下降，为了能够获得预测效果较好的三维特征分割模型，针对所述待训练模型的任意一次训练过程，采用如下方式进行训练：
183.将所述样本图像输入本次训练的待训练模型进行管状特征分割处理，获得分割图像；
184.基于预先设置的损失函数计算所述分割图像相对于所述标签图像的训练损失；
185.判断所述训练损失是否大于或者等于预设损失阈值；
186.若是，基于所述损失函数对本次训练的待训练模型进行参数调整，将调整后的待训练模型作为下一次训练的待训练模型；
187.若否，将本次训练的待训练模型作为所述三维特征分割模型。
188.具体的，基于预先设置的损失函数计算所述分割图像相对于所述标签图像的训练损失具体是指，确定所述分割图像和所述标签图像二者之间存在的差异程度，通过所述损失函数的计算数值进行表现，损失函数的计算结果越小，说明分割图像与所述标签图像差异越小，反之，损失函数的计算结果越大，说明分割图像与所述标签图像差异越大；
189.基于此，首先将所述样本图像输入本次训练的待训练模型进行管状特征分割处理，获得分割图像；其次基于预先设置的损失函数计算所述分割图像相对于所述标签图像的训练损失，再次判断所述训练损失是否大于或者等于预设损失阈值；若否，说明对所述待训练模型的训练效果达到了较为好的效果，则将本次训练的待训练模型作为所述三维特征分割模型即可；若否，则说明对所述待训练模型的训练效果并未达到较好的效果，则可以根据所述损失函数对本次训练的待训练模型进行参数调整，将调整后的待训练模型作为下一次训练的待训练模型，继续进行模型的训练，直至获得符合需求的三维特征分割模型即可。
190.需要说明的是，在对所述待训练模型进行参数调整的过程中，可以对调整前的待训练模型进行存储，以防止参数调整后的模型预测效果变差，可以通过提取存储的待训练模型重新进行参数调整，方便训练出符合需求的三维特征分割模型。
191.综上，通过对所述三维特征分割模型进行训练的过程中，由损失函数控制对模型的训练效果，实现可以训练出更加符合用户需求的三维特征分割模型，从而提高后续生成管状特征图像的准确率。
192.步骤s108，展示分割处理获得的管状特征图像。
193.具体的，在上述经过所述三维特征分割模型对所述管状特征进行分割处理的基础
上，进一步的，向所述用户展示分割处理后获得的所述管状特征图像即可，比如，在对冠脉组织的序列图像中分割出冠脉血管的冠脉血管特征图像之后，通过向用户展示分割处理后获得的冠脉血管特征图像，如附图2中示出的冠脉血管特征图像，对于用户针对冠脉组织的序列图像输入的局部管状信息这一分割目标，向用户展示待分割管状物这一分割目标的图像分割处理结果。
194.在实际应用中，为了增强管状特征图像的展示效果，还可以在展示前对管状特征图像进行增强处理，从而来增强管状特征图像中待分割管状特征的展示效果，比如采用对数图像增强算法、指数图像增强算法、拉普拉斯算子图像增强或者其他图像增强算法对管状特征图像进行增强处理，并在增强处理的基础上向用户展示管状特征图像，从而来提升管状特征图像的展示效果。
195.本技术提供的图像处理方法，针对获取到的序列图像，以及用户输入的待分割管状物的局部管状信息出发，对序列图像中所述局部管状信息对应的管状特征进行分割处理，并向用户展示分割处理获得的管状特征图像，从而来提升图像分割处理的灵活性，并且进一步提高了图像分割处理的准确性。
196.下述以本实施例提供的图像处理方法在c2m(customertomanufacturer)场景中的应用为例，对本实施例提供的图像处理方法进行进一步说明。应用于c2m(customertomanufacturer)场景的图像处理方法具体包括如下步骤：
197.步骤1，获取序列图像。
198.在c2m(customertomanufacturer)场景中，用于可以直连制造商或者工厂，用户可在线上向制造商下单，委托制造商进行产品的生产制造，制造商在产品加工过程中或者生产完成之后，可以邀请用户参与对产品的生产制造进行监督或者验收，比如对产品生产制造的工艺过程进行检验；或者，制造商应用户的要求对产品进行检验，比如用户要求对产品进行瑕疵检测。具体的，用户委托制造商或者工厂生产制造的产品可以是3d打印的人体组织、器官或者其他产品。
199.不管是对产品进行工艺过程检验，还是对产品进行瑕疵检测，都需要制造商采集产品的图像，本实施例中，针对产品进行图像采集，是指采用断层扫描技术采集产品一系列的图像，采集到的一系列图像称之为序列图像。
200.步骤2，获取待分割管状物的局部管状信息。
201.在对制造商生产的产品进行工艺过程检验或者瑕疵检测的过程中，用户需指出针对商品进行检测的具体部位，比如用户委托制造商加工的产品包管状部件，用户需要对管状部件的内腔进行瑕疵检测，则用户指出的该产品的管状部件，即为所述待分割管状物，相应的，瑕疵检测结果对应的描述信息即可局部管状信息。类似的，制造商同样可以指定产品的某个管状部件进行工艺过程检验或者瑕疵检测。
202.步骤3，基于三维特征分割模型，对所述序列图像中所述局部管状信息对应的管状特征进行分割处理。
203.在采集到产品的序列图像以及获取到用户输入的管状部件的基础上，本步骤中，将基于三维特征分割模型，对产品序列图像中所述局部管状信息对应的管状特征进行分割处理，从而为针对管状部件的工艺过程检验或者瑕疵检测提供基础。
204.下述以用户对3d打印产品中管状部件的内腔瑕疵检测为例，对3d打印产品的序列
图像中管状部件对应的管状特征进行分割处理的过程进行具体说明：
205.(a)确定所述序列图像中所述局部管状信息对应的序列图像，作为管状物图像；
206.(b)提取所述管状物图像中的管状特征线；
207.(c)基于所述管状特征线对所述管状物图像进行曲面重建，获得一个或者多个图像序列；
208.(d)将所述图像序列输入三维卷积神经网络进行管状特征分割处理，获得管状特征图像序列；
209.(e)对所述管状特征图像序列进行坐标转换处理，获得所述管状特征图像。
210.具体的，对管状部件图像中管状部件对应的管状特征进行分割处理，首先，提取管状部件图像中的管状部件的中心线；然后，基于中心线对管状部件图像进行曲面重建，获得管状部件对应的图像序列；其次，将管状部件对应的图像序列输入三维卷积神经网络进行管状特征分割处理，获得管状部件对应的管状特征图像序列，最后，对管状特征图像序列进行坐标转换处理，即可获得管状特征图像。
211.步骤4，展示分割处理获得的管状特征图像。
212.上述对产品的序列图像进行管状部件对应的管状特征的分割处理之后，在此，展示分割处理后获得的管状特征图像，从而向用户或者制造商直观的展示产品在管状部件的细节情况，以方便制造商对产品进行工艺过程检验，或者方便用户对产品进行瑕疵检测。
213.本技术提供的一种图像处理装置实施例如下：
214.在上述的实施例中，提供了一种图像处理方法，与之相对应的，还提供了一种图像处理装置，下面结合附图进行说明。
215.参照附图4，其示出了本实施例提供的一种图像处理装置的示意图。
216.由于装置实施例对应于方法实施例，所以描述得比较简单，相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
217.本技术提供一种图像处理装置，包括：
218.获取图像模块402，被配置为获取序列图像；
219.获取信息模块404，被配置为获取待分割管状物的局部管状信息；
220.分割处理模块406，被配置为基于三维特征分割模型，对所述序列图像中所述局部管状信息对应的管状特征进行分割处理；
221.展示图像模块408，被配置为展示分割处理获得的管状特征图像。
222.一个可选的实施例中，所述分割处理模块406，包括：
223.图像曲面重建单元，被配置为对所述序列图像进行曲面重建，获得一个或多个图像序列；
224.图像序列拆分单元，被配置为将所述图像序列拆分为多个子序列；所述多个子序列中连续两个子序列至少包含一张重叠的截面图像；
225.模型分割处理单元，被配置为将所述多个子序列输入所述三维特征分割模型进行所述管状特征的分割处理，获得所述管状特征图像。
226.一个可选的实施例中，所述分割处理模块406，包括：
227.确定序列图像单元，被配置为确定所述序列图像中所述局部管状信息对应的序列图像，作为管状物图像；
228.提取特征线单元，被配置为提取所述管状物图像中的管状特征线；
229.曲面重建单元，被配置为基于所述管状特征线对所述管状物图像进行曲面重建，获得一个或者多个图像序列；
230.分割处理单元，被配置为将所述图像序列输入三维卷积神经网络进行管状特征分割处理，获得管状特征图像序列；
231.对所述管状特征图像序列进行坐标转换处理，获得所述管状特征图像。
232.一个可选的实施例中，所述三维特征分割模型，采用如下方式训练获得：
233.获取样本图像单元，被配置为获取作为训练样本的样本图像；
234.标注处理单元，被配置为采用稀疏标注的方式对所述样本图像进行特征标注处理，获得与所述样本图像对应的标签图像；
235.模型训练单元，被配置为基于所述样本图像和所述标签图像对预先构建的待训练模型进行训练，获得所述三维特征分割模型。
236.一个可选的实施例中，所述模型训练单元进一步，被配置为：
237.针对所述待训练模型的任意一次训练过程，采用如下方式进行训练：将所述样本图像输入本次训练的待训练模型进行管状特征分割处理，获得分割图像；基于预先设置的损失函数计算所述分割图像相对于所述标签图像的训练损失；判断所述训练损失是否大于或者等于预设损失阈值；若是，基于所述损失函数对本次训练的待训练模型进行参数调整，将调整后的待训练模型作为下一次训练的待训练模型；若否，将本次训练的待训练模型作为所述三维特征分割模型。
238.一个可选的实施例中，所述对所述样本图像进行特征标注处理，包括：对所述样本图像中的管状轮廓特征进行标注处理。
239.一个可选的实施例中，所述曲面重建单元，包括：
240.确定特征子单元，被配置为确定所述管状物图像中的管状分支特征；
241.确定图像子单元，被配置为确定所述管状物图像中包含所述管状分支特征的管状物图像；
242.曲面重建子单元，被配置为基于所述管状分支特征的中心线，对包含所述管状分支特征的管状物图像进行曲面重建，获得所述管状分支特征的图像序列。
243.一个可选的实施例中，所述分割处理模块406，包括：
244.确定数目单元，被配置为确定所述管状分支特征的图像序列中包含的截面图像的图像数目；
245.判断数目单元，被配置为判断所述图像数目是否大于所述三维特征分割模型的输入序列的预设图像数目；
246.若是，运行拆分单元，所述拆分单元，被配置为将所述管状分支特征的图像序列拆分为多个子序列；所述多个子序列中连续两个子序列至少包含一张重叠的截面图像。
247.一个可选的实施例中，所述管状物图像包括：采用血管摄影获得的血管图像；所述管状物图像中的分支管状特征包括：所述血管图像中冠脉对应的冠脉特征。
248.一个可选的实施例中，所述局部管状信息，包括下述至少一项：待分割管状物描述文本、待分割管状物二维图像、待分割管状物三维图像序列。
249.本技术提供的一种图像处理装置，针对获取到的序列图像，以及用户输入的待分
割管状物的局部管状信息出发，对序列图像中所述局部管状信息对应的管状特征进行分割处理，并向用户展示分割处理获得的管状特征图像，从而来提升图像分割处理的灵活性，并且进一步提高了图像分割处理的准确性。
250.上述为本实施例的一种图像处理装置的示意性方案。需要说明的是，该图像处理装置的技术方案与上述的图像处理方法的技术方案属于同一构思，图像处理装置的技术方案未详细描述的细节内容，均可以参见上述图像处理方法的技术方案的描述。
251.本技术提供的另一种图像处理方法实施例如下：
252.参照附图5，其示出了本实施例提供的另一种图像处理方法处理流程图，参见附图6，其示出了本实施例提供的一种图像分割处理过程的示意图，参见附图3，其示出了本实施例提供的一种三维特征分割模型的示意图，参见附图7，其示出了本实施例提供的一种应用于所述冠脉图像分割处理过程的图像处理方法处理流程图，参见附图8，其示出了本实施例提供的一种冠脉图像的示意图。
253.步骤s502，获取至少一张管状物图像。
254.实际应用中，许多图像处理场景需要通过cta(computed tomography angiography，电脑断层血管摄影术)采集人体的血管影像数据，但采集到血管影像数据中往往包含人体其他组织的图像特征，因此，需要将血管影像数据中的血管组织这部分图像特征从复杂的人体组织图像特征中分割出来，但人体内的许多血管过于微小，不仅要将血管图像从复杂的人体组合中分割出来，还要保证图像分割的准确度和精细度，图像分割的难度较高。
255.如图6所示，本技术提供的图像处理方法，在对管状物图像中的管状特征进行图像分割的过程中，借助管状物图像中的管状特征线，对管状物图像进行曲面重建，形成一个或多个图像序列，然后输入三维特征分割模型进行管状特征分割处理，以实现对管状物图像中的管状特征的分割处理，并通过坐标转换的方式将获得的管状特征图像序列还原到曲面重建之前的坐标系中，从而可以获得管状物对应的目标图像，实现管状特征分割的精细化，以及进一步提高了准确度。
256.本技术实施例中，管状物可以是人体等生物体内的血管组织，比如人体内的动脉血管和冠脉等，此外，管状物还可以是3d打印的应用于人体或者其他生物体的血管，或者是应用于人体或者其他生物体内的人造器官等。本技术实施例以人体内的血管组织为例，对血管组织图像的分割处理过程进行说明，针对3d打印血管以及其他人造管状物的图像分割处理过程，参见本实施例提供的针对血管组织图像的分割处理具体实现，本实施例在此不再一一赘述。
257.本技术实施例所述管状物图像，是指采用cta(computed tomography angiography，电脑断层血管摄影术)采集到的人体的血管图像。例如，采用cta采集到的人体内的冠脉图像。
258.具体实施时，所述管状物图像包括：采用血管摄影获得的血管图像；所述管状物图像中的分支管状特征包括：所述血管图像中冠脉对应的冠脉特征。
259.步骤s504，提取所述管状物图像中的管状特征线。
260.本技术实施例所述管状特征线，是指在所述管状物图像中能够标识管状物所处区域、所属形状的辅助标识线，本实施例中，所述管状特征线是指所述管状物图像中管状物的
中心线。除此之外，所述管状特征线还是可以是所述管状物图像中管状物的内腔轮廓线，或者其他能够标识所述管状物图像中管状物的标识线。在此，提取所述管状物图像中管状特征线，目的是为后续对所述管状物图像进行曲线重建做准备。
261.实际应用中，通过cta(computed tomography angiography，电脑断层血管摄影术)采集到的冠脉图像中可能包含冠脉(冠脉血管)的图像特征，基于此，本技术实施例提供的一种可选实施方式中，针对所述管状物图像中的分支管状特征，进行相应的分割提取，具体而言，针对所述管状物图像中的分支管状特征，则采用步骤s504至步骤s510实现所述管状物图像中的分支管状特征的分割提取。比如在冠脉图像中，分支管状特征则是指冠脉对应的冠脉特征。
262.在采用步骤s504至步骤s510对所述管状物图像中的分支管状特征进行分割提取的过程中，此处提取所述管状物图像中的管状特征线，是指提取所述管状物图像中分支管状特征的管状特征线。比如提取冠脉图像中冠脉特征的中心线。
263.步骤s506，基于所述管状特征线对所述管状物图像进行曲面重建，获得一个或者多个图像序列。
264.具体的，在上述提取所述管状物图像中的管状特征线的基础上，进一步的，在对所述管状物图像进行曲面重建(curved planar reformation，cpr)的过程中，是依据管状物图像的中心线，将通过cta采集到的一系列不在同一层面的血管图像构建出的一个或多个图像序列。
265.进一步的，在对所述管状物图像进行曲面重建的过程中，为了确保最终生成的目标图像符合需求，本实施例中，将采用如下方式获得图像序列：
266.确定所述管状物图像中的管状分支特征；
267.确定所述管状物图像中包含所述管状分支特征的管状物图像；
268.基于所述管状分支特征的中心线，对包含所述管状分支特征的管状物图像进行曲面重建，获得所述管状分支特征的图像序列。
269.具体的，所述管状分支特征具体是指不同的管状物分支具有的特征，例如管状物图像为“冠脉”对应的图像，此时基于该图像即可确定的“冠脉”管状分支特征相关的描述信息为“发自左主动脉，经动脉起始部和左心耳之间，沿冠状沟向左前方行3～5mm后，立即分为前室间支和旋支”；
270.基于此，通过所述管状分支特征即可在所述管状物图像中确定所述管状分支特征的管状物图像；进一步的在基于所述管状物分支特征的中心线，对所述管状分支特征的管状物图像进行重建，即可获得所述管状分支特征的图像序列，从而可以实现将无关的管状物进行剔除，只保留符合需求的管状物分支构建出对应的图像序列，方便后续针对管状物分支生成可以展示的特征图像。
271.沿用上例，“冠脉”对应的图像中还包含“主动脉”，故此时该图形中呈现出动脉相互交错的展示效果，然而诊断者只是需要对“冠脉”进行查看，“主动脉”可能会产生影响，故需要只提取“冠脉”对应的特征，并基于“主动脉”对应的特征的中心线进行曲面重建，即可重新构建出“冠脉”的图像序列，方便后续生成“冠脉”对应的展示图像，从而实现更加方便用户查看“冠脉”的具体结构。
272.实际应用中，在基于所述管状特征线对所述管状物图像进行曲面重建的过程中，
由于不同管状物图像中包含的管状物类型不同，以及各个管状物的相关信息也是不同的，此时可以针对不同的管状物重建出不同的图像序列，从而可以使得后续转换出的管状特征图像更加准确。
273.本实施例中，依据所述管状物图像的中心线进行曲面重建，可以有效的提高管状特征图像的准确度，从而更加方便用户判断出管状物的内部情况，方便进行相应的处理。
274.此外，在基于所述管状特征线对所述管状物图像进行曲面重建，获得一个或者多个图像序列之后，且将所述图像序列输入三维特征分割模型进行管状特征分割处理，获得管状特征图像序列之前，还需要判断图像序列中包含的图像数目是否超过所述三维特征分割模型的输入数目，以避免造成模型预测的准确度降低，本实施例中，具体实现方式如下所述：
275.确定所述管状分支特征的图像序列中包含的截面图像的图像数目；
276.判断所述图像数目是否大于所述三维特征分割模型的输入序列的预设图像数目；
277.若是，将所述管状分支特征的图像序列拆分为多个子序列；所述多个子序列中连续两个子序列至少包含一张重叠的截面图像。
278.若否，以空白图像进行填充，获得符合三维特征分割模型的输入图像序列。
279.实际应用中，若图像序列中包含的截面图像的图像数目超过所述三维特征分割模型的输入序列的预设图像数目，此时可能出现预测结果不连续的问题，则可以将管状分支特征的图像序列拆分为多个子序列，之后设置多个子序列中连续两个子序列至少包含一张重叠的截面图像，从而使得三维特征分割模型可以连续的预测出管状特征图像序列，使得最终展示的管状分支对应的图像更加准确；若图像序列中包含的截面图像的图像数目未超过所述三维特征分割模型的输入序列的预设图像数目，则此时可以向图像序列中添加空白图像，从而使得组成的图像序列中包含的截面图像符合三维特征分割模型的输入序列的预设图像数目，实现分割处理的过程。
280.沿用上例，冠脉对应的图像序列中包含的截面图像的图像数目是500张，而三维特征分割模型的输入序列的预设图像数目是128张，此时无法将500张图像同时输入到三维特征分割模型进行管状特征图像序列的预测，则可以将500张图像设置为四个批次，每个批次128张图像，即500张图像的序号分别是1～500，则第一个批次对应1～128序号的截面图像，第二个批次对应125～253序号的截面图像，第三个批次对应250～378序号的截面图像，第四个批次对应372～500序号的截面图像，从而使得三维特征分割模型可以对全部的截面图像进行分割处理，实现准确的获得冠脉对应的特征图像序列。
281.此外，为了方便三维特征分割模型的分割处理，还可以将500张图像设置为四个批次，每个批次128张图像，即500张图像的序号分别是1～500，则第一个批次对应1～128序号的截面图像，第二个批次对应129～256序号的截面图像，第三个批次对应257～384序号的截面图像，第四个批次对应373～500序号的截面图像，使得拆分后的全部批次中，最后一个批次之前的全部批次按照模型的输入序列的预设图像数目进行设置即可，只将最后一个批次与上一个批次中的图像数目进行重叠设置，以此来保证输入三维特征分割模型的输入序列的完整性，以及提高分割处理的效果。
282.具体实施时，由于连续的多个子序列中包含至少一张重叠的截面图像，故造成三维特征分割模型的预测结果将出现重复的管状特征图像序列，则可以通过择一选择的方式
确定管状特征图像序列，从而实现确定的管状特征图像序列更加符合真实管状特征的描述，实现后续可以生成更加精准的管状特征图像。
283.步骤s508，将所述图像序列输入三维特征分割模型进行管状特征分割处理，获得管状特征图像序列。
284.具体的，在上述获得所述图像序列的基础上，进一步的，将所述图像序列输入三维特征分割模型进行管状特征分割处理，获得管状特征图像序列，以实现后续生成更加符合需求的目标图像。
285.本实施例中，所述三维特征分割模型可以是三维卷积神经网络。
286.基于此，在获得所述图像序列之后，再由所述三维卷积神经网络进行管状特征分割处理，即可获得所述管状特征图像序列，即由三维卷积神经网络可以实现将描述信息处理为生成图像所应用的序列，最后再对管状特征图像序列进行坐标转换处理，即可获得向用户展示的管状特征图像，从而可以使临床工作者能够通过三维空间呈现的不同层面血管的内部和外部组织情况，快速的给出诊断报告。
287.进一步的，在对所述管状特征进行分割处理的过程中，为了提高分割处理的准确率，本实施例提供的一种实施例，基于三维特征分割模型，对所述序列图像中所述管状特征线对应的管状特征进行分割处理，具体实现方式如下所述：
288.确定所述图像序列中包含的截面图像的图像数目；
289.按照所述图像数目将所述图像序列拆分为多个子序列；所述多个子序列中连续两个子序列至少包含一张重叠的截面图像；
290.将所述多个子序列输入所述三维特征分割模型进行管状特征分割处理，获得所述管状特征图像序列。
291.实际应用中，若图像序列中包含的截面图像的图像数目超过所述三维特征分割模型的输入序列的预设图像数目，此时可能出现预测结果不连续的问题，则可以将管状分支特征的图像序列拆分为多个子序列，之后设置多个子序列中连续两个子序列至少包含一张重叠的截面图像，从而使得三维特征分割模型可以连续的预测出管状特征图像序列，使得最终展示的管状分支对应的图像更加准确。
292.具体实施时，由于连续的多个子序列中包含至少一张重叠的截面图像，故造成三维特征分割模型的预测结果将出现重复的管状特征图像序列，则可以通过择一选择的方式确定管状特征图像序列，从而实现确定的管状特征图像序列更加符合真实管状特征的描述，实现后续可以生成更加精准的管状特征图像序列。
293.此外，为了确保所述三维特征分割模型的分割处理的准确性，以及提高训练模型的效率，将采用如下方式对所述三维特征分割模型进行训练：
294.获取作为训练样本的样本图像；
295.采用稀疏标注的方式对所述样本图像进行特征标注处理，获得与所述样本图像对应的标签图像；
296.基于所述样本图像和所述标签图像对预先构建的待训练模型进行训练，获得所述三维特征分割模型。
297.本实施例中，由于三维特征分割模型是对管状特征进行分割处理的模型，故需要对样本图像进行标注后，才能够用于训练所述三维特征分割模型，但是在一个样本图像中
的管状物下呈现出的数目较多，若要一一进行标注，将需要大量的人力和物力才能够完成，并且耗费的时间也是较多的，故为了提高对三维特征分割模型的训练效率，可以采用稀疏标注的方式对所述样本图像进行特征标注处理，从而获得与所述样本图像对应的标签图像。
298.并且，为了能够更好的实现管状细节处的分割处理，在对所述三维特征分割模型进行训练的过程中，将轮廓信息引入损失函数的计算中，从而使得三维特征分割模型可以更加精准的完成分割处理过程，获得符合需求的管状特征图像序列。
299.本实施例中，在对样本图像进行标注完成之后，将基于样本图像和所述标签图像对预先构建的待训练模型进行训练，即可获得所述三维特征分割模型，并且在对所述三维特征分割模型进行训练的过程中，为了提高三维特征分割模型的预测准确率，需要经过多次的迭代才能够实现，但是由于模型在训练的过程中，随着迭代的次数增多，模型的预测效果在达到一定程度之后，会再次下降，为了能够获得预测效果较好的三维特征分割模型，针对所述待训练模型的任意一次训练过程，采用如下方式进行训练：
300.针对所述待训练模型的任意一次训练过程，采用如下方式进行训练：
301.将所述样本图像输入本次训练的待训练模型进行管状特征分割处理，获得分割图像；
302.基于预先设置的损失函数计算所述分割图像相对于所述标签图像的训练损失；
303.判断所述训练损失是否大于或者等于预设损失阈值；
304.若是，基于所述损失函数对本次训练的待训练模型进行参数调整，将调整后的待训练模型作为下一次训练的待训练模型；
305.若否，将本次训练的待训练模型作为所述三维特征分割模型。
306.具体的，基于预先设置的损失函数计算所述分割图像相对于所述标签图像的训练损失具体是指，确定所述分割图像和所述标签图像二者之间存在的差异程度，通过所述损失函数的计算数值进行表现，损失函数的计算结果越小，说明分割图像与所述标签图像差异越小，反之，损失函数的计算结果越大，说明分割图像与所述标签图像差异越大；
307.基于此，首先将所述样本图像输入本次训练的待训练模型进行管状特征分割处理，获得分割图像；其次基于预先设置的损失函数计算所述分割图像相对于所述标签图像的训练损失，再次判断所述训练损失是否大于或者等于预设损失阈值；若否，说明对所述待训练模型的训练效果达到了较为好的效果，则将本次训练的待训练模型作为所述三维特征分割模型即可；若否，则说明对所述待训练模型的训练效果并未达到较好的效果，则可以根据所述损失函数对本次训练的待训练模型进行参数调整，将调整后的待训练模型作为下一次训练的待训练模型，继续进行模型的训练，直至获得符合需求的三维特征分割模型即可。
308.需要说明的是，在对所述待训练模型进行参数调整的过程中，可以对调整前的待训练模型进行存储，以防止参数调整后的模型预测效果变差，可以通过提取存储的待训练模型重新进行参数调整，方便训练出符合需求的三维特征分割模型。
309.例如，附图3所示的三维特征分割模型进行冠脉特征分割处理过程，其中，三维特征分割模型的输入为曲面重建之后获得的冠脉的图像序列，经过三维特征分割模型进行分割处理，即可获得冠脉特征图像序列，冠脉特征图像序列具体是指冠脉的内腔在各个方向上的半径，此处的方向是指等间距分布的夹角为2度的180个方向，预测结果为冠脉的截面
图像对应的180个方向的半径数值；最后即可基于冠脉在截面图像所对应截面的180个方向的半径数值，生成冠脉在这一截面对应的内腔特征图像。
310.综上，通过对所述三维特征分割模型进行训练的过程中，由损失函数控制对模型的训练效果，实现可以训练出更加符合用户需求的三维特征分割模型，从而提高后续生成管状特征图像的准确率。
311.步骤s510，对所述管状特征图像序列进行坐标转换处理，获得目标图像。
312.具体的，在上述获得所述管状特征图像序列的基础上，进一步的，对所述管状特征图像序列进行坐标转换处理，从而获得用于表征管状物的图像特征的目标图像。
313.基于此，首先将所述序列图像中基于所述局部管状信息生成的序列图像作为所述管状物图像，其次提取所述管状物图像中的所述管状特征线，再次基于所述管状特征线对所述管状物图像进行曲面重建，获得一个或多个图像序列，此时再将所述一个或多个图像序列输入到三维卷积神经模型进行管状特征分割处理，获得所述管状特征图像序列；最后对所述管状特征图像序列进行坐标转换处理，即可获得所述管状特征图像。
314.此外，在对所述管状特征图像序列进行坐标转换处理，获得目标图像之前，还需要确定映射关系，才能够实现对管状特征图像序列进行坐标转换，生成目标图像，本实施例中，映射关系的构建如下所述：
315.读取所述图像序列中包含的截面图像的坐标信息和所述管状物图像的坐标信息；
316.确定所述截面图像的坐标信息相对于所述管状物图像的坐标信息的映射关系，作为所述坐标映射关系。
317.具体的，读取图像序列中包含的截面图像的坐标信息和所述管状物图像的坐标信息；此时确定了管状物图像及其对应的截面图像分别对应的坐标信息，之后确定所述截面图像的坐标信息相对于所述管状物图像的坐标信息的映射关系，即可确定所述坐标映射关系，从而实现基于所述坐标映射关系对所述管状特征图像序列进行坐标转换，使得获得的目标图像更加符合真实管状物的位置。
318.本技术提供的另一种图像处理方法，在对管状物图像中的管状特征进行图像分割的过程中，借助管状物图像中的管状特征线，对管状物图像进行曲面重建，形成一个或多个图像序列，然后输入三维特征分割模型进行管状特征分割处理，以实现对管状物图像中的管状特征的分割处理，并通过坐标转换的方式将获得的管状特征图像序列还原到曲面重建之前的坐标系中，从而可以获得管状物对应的目标图像，实现管状特征分割的精细化，以及进一步提高了准确度。
319.下述结合附图7，以本实施例提供的图像处理方法在冠脉图像分割处理过程中的应用为例，对本实施例提供的图像处理方法进行进一步说明。参照附图7，应用于所述冠脉图像分割处理过程中的图像处理方法具体包括步骤s702至步骤s718。
320.步骤s702，获取一系列待处理的冠脉图像。
321.步骤s704，确定冠脉图像的冠脉特征。
322.步骤s706，基于冠脉特征的中心线对冠脉图像进行曲面重建，获得图像序列。
323.步骤s708，确定图像序列中包含的截面图像的图像数目。
324.步骤s710，判断图像数目是否大于三维特征分割模型的输入序列的预设图像数目；若是，执行步骤712，若否，执行步骤716。
325.步骤s712，将图像序列拆分为多个子序列。
326.具体的，多个子序列中连续两个子序列至少包含一张重叠的截面图像。
327.步骤s714，将多个子序列输入三维特征分割模型进行冠脉特征分割处理，获得冠脉对应的特征图像序列。
328.具体的，拆分为多个子序列的图像序列，在输入三维特征分割模型时，将按照拆分顺序输入，此时三维特征分割模型输出的特征图像序列也是由多个子序列对应的多个子特征图像序列组成，从而实现可以组成冠脉对应的特征图像序列。
329.步骤s716，将图像序列输入三维特征分割模型进行冠脉特征分割处理，获得冠脉对应的特征图像序列。
330.其中，三维特征分割模型的输入为曲面重建之后获得的冠脉的图像序列，经过三维特征分割模型进行分割处理，即可获得冠脉特征图像序列，冠脉特征图像序列具体是指冠脉的内腔在各个方向上的半径，此处的方向是指等间距分布的夹角为2度的180个方向，预测结果为冠脉的截面图像对应的180个方向的半径数值；最后即可基于冠脉在截面图像所对应截面的180个方向的半径数值，生成冠脉在这一截面对应的内腔特征图像。
331.步骤s718，根据截面图像与冠脉图像的坐标映射关系，对冠脉对应的特征图像序列进行坐标转换处理，获得冠脉对应的冠脉特征图像。
332.具体的，根据截面图像与冠脉图像的坐标映射关系，对冠脉对应的特征图像序列进行坐标转换处理，即可获得冠脉对应的冠脉特征图像，如图8所示。
333.综上所述，在对管状物图像中的管状特征进行图像分割的过程中，借助管状物图像中的管状特征线，对管状物图像进行曲面重建，形成一个或多个图像序列，然后输入三维特征分割模型进行管状特征分割处理，以实现对管状物图像中的管状特征的分割处理，并通过坐标转换的方式将获得的管状特征图像序列还原到曲面重建之前的坐标系中，从而可以获得管状物对应的目标图像，实现管状特征分割的精细化，以及进一步提高了准确度。
334.本技术提供的另一种图像处理装置实施例如下：
335.在上述的实施例中，提供了另一种图像处理方法，与之相对应的，还提供了另一种图像处理装置，下面结合附图进行说明。
336.参照附图9，其示出了本实施例提供的另一种图像处理装置的示意图。
337.由于装置实施例对应于方法实施例，所以描述得比较简单，相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
338.本技术提供另一种图像处理装置，包括：
339.获取模块902，被配置为获取至少一张管状物图像；
340.提取模块904，被配置为提取所述管状物图像中的管状特征线；
341.重建模块906，被配置为基于所述管状特征线对所述管状物图像进行曲面重建，获得一个或者多个图像序列；
342.分割模块908，被配置为将所述图像序列输入三维特征分割模型进行管状特征分割处理，获得管状特征图像序列；
343.转换模块910，被配置为对所述管状特征图像序列进行坐标转换处理，获得目标图像。
344.一个可选的实施例中，所述分割模块908，包括：
345.确定图像数目单元，被配置为确定所述图像序列中包含的截面图像的图像数目；
346.拆分图像序列单元，被配置为按照所述图像数目将所述图像序列拆分为多个子序列；所述多个子序列中连续两个子序列至少包含一张重叠的截面图像；
347.模型分割处理单元，被配置为将所述多个子序列输入所述三维特征分割模型进行管状特征分割处理，获得所述管状特征图像序列。
348.一个可选的实施例中，所述三维特征分割模型，采用如下方式训练获得：
349.获取样本图像单元，被配置为获取作为训练样本的样本图像；
350.标注处理单元，被配置为采用稀疏标注的方式对所述样本图像进行特征标注处理，获得与所述样本图像对应的标签图像；
351.模型训练单元，被配置为基于所述样本图像和所述标签图像对预先构建的待训练模型进行训练，获得所述三维特征分割模型。
352.一个可选的实施例中，所述模型训练单元进一步被配置为：针对所述待训练模型的任意一次训练过程，采用如下方式进行训练：将所述样本图像输入本次训练的待训练模型进行管状特征分割处理，获得分割图像；基于预先设置的损失函数计算所述分割图像相对于所述标签图像的训练损失；判断所述训练损失是否大于或者等于预设损失阈值；若是，基于所述损失函数对本次训练的待训练模型进行参数调整，将调整后的待训练模型作为下一次训练的待训练模型；若否，将本次训练的待训练模型作为所述三维特征分割模型。
353.一个可选的实施例中，所述对所述样本图像进行特征标注处理，包括：对所述样本图像中的管状轮廓特征进行标注处理。
354.一个可选的实施例中，所述重建模块906，包括：
355.确定特征单元，被配置为确定所述管状物图像中的管状分支特征；
356.确定图像单元，被配置为确定所述管状物图像中包含所述管状分支特征的管状物图像；
357.曲面重建单元，被配置为基于所述管状分支特征的中心线，对包含所述管状分支特征的管状物图像进行曲面重建，获得所述管状分支特征的图像序列。
358.一个可选的实施例中，所述图像处理装置，包括：
359.确定图像数目模块，被配置为确定所述管状分支特征的图像序列中包含的截面图像的图像数目；
360.判断图像数目模块，被配置为判断所述图像数目是否大于所述三维特征分割模型的输入序列的预设图像数目；
361.若是，运行拆分模块，所述拆分模块，被配置为将所述管状分支特征的图像序列拆分为多个子序列；所述多个子序列中连续两个子序列至少包含一张重叠的截面图像。
362.一个可选的实施例中，所述管状物图像包括：采用血管摄影获得的血管图像；所述管状物图像中的分支管状特征包括：所述血管图像中冠脉对应的冠脉特征。
363.一个可选的实施例中，所述图像处理装置，包括：
364.读取信息模块，被配置为读取所述图像序列中包含的截面图像的坐标信息和所述管状物图像的坐标信息；
365.确定映射关系模块，被配置为确定所述截面图像的坐标信息相对于所述管状物图像的坐标信息的映射关系，作为所述坐标映射关系。
366.一个可选的实施例中，所述三维特征分割模型，包括：三维卷积神经网络。
367.本技术提供的另一种图像处理装置，在对管状物图像中的管状特征进行图像分割的过程中，借助管状物图像中的管状特征线，对管状物图像进行曲面重建，形成一个或多个图像序列，然后输入三维特征分割模型进行管状特征分割处理，以实现对管状物图像中的管状特征的分割处理，并通过坐标转换的方式将获得的管状特征图像序列还原到曲面重建之前的坐标系中，从而可以获得管状物对应的目标图像，实现管状特征分割的精细化，以及进一步提高了准确度。
368.上述为本实施例的另一种图像处理装置的示意性方案。需要说明的是，该图像处理装置的技术方案与上述的另一种图像处理方法的技术方案属于同一构思，图像处理装置的技术方案未详细描述的细节内容，均可以参见上述另一种图像处理方法的技术方案的描述。
369.本技术提供的一种计算设备实施例如下：
370.图10是示出了根据本技术一个实施例提供的计算设备1000的结构框图。该计算设备1000的部件包括但不限于存储器1010和处理器1020。处理器1020与存储器1010通过总线1030相连接，数据库1050用于保存数据。
371.计算设备1000还包括接入设备1040，接入设备1040使得计算设备1000能够经由一个或多个网络1060通信。这些网络的示例包括公用交换电话网(pstn)、局域网(lan)、广域网(wan)、个域网(pan)或诸如因特网的通信网络的组合。接入设备1040可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(nic))中的一个或多个，诸如ieee802.11无线局域网(wlan)无线接口、全球微波互联接入(wi-max)接口、以太网接口、通用串行总线(usb)接口、蜂窝网络接口、蓝牙接口、近场通信(nfc)接口，等等。
372.在本技术的一个实施例中，计算设备1000的上述部件以及图10中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图10所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
373.计算设备1000可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或pc的静止计算设备。计算设备1000还可以是移动式或静止式的服务器。
374.本技术提供一种计算设备，包括存储器1010、处理器1020及存储在存储器上并可在处理器上运行的计算机指令，所述处理器1020用于执行如下计算机可执行指令：
375.获取序列图像；
376.获取待分割管状物的局部管状信息；
377.基于三维特征分割模型，对所述序列图像中所述局部管状信息对应的管状特征进行分割处理；
378.展示分割处理获得的管状特征图像。
379.上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的一种图像处理方法的技术方案属于同一构思，计算设备的技术方案未详细
描述的细节内容，均可以参见上述一种图像处理方法的技术方案的描述。
380.本技术提供的另一种计算设备实施例如下：
381.图11是示出了根据本技术一个实施例提供的计算设备1100的结构框图。该计算设备1100的部件包括但不限于存储器1110和处理器1120。处理器1120与存储器1110通过总线1130相连接，数据库1150用于保存数据。
382.计算设备1100还包括接入设备1140，接入设备1140使得计算设备1100能够经由一个或多个网络1160通信。这些网络的示例包括公用交换电话网(pstn)、局域网(lan)、广域网(wan)、个域网(pan)或诸如因特网的通信网络的组合。接入设备1140可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(nic))中的一个或多个，诸如ieee802.11无线局域网(wlan)无线接口、全球微波互联接入(wi-max)接口、以太网接口、通用串行总线(usb)接口、蜂窝网络接口、蓝牙接口、近场通信(nfc)接口，等等。
383.在本技术的一个实施例中，计算设备1100的上述部件以及图11中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图11所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
384.计算设备1100可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或pc的静止计算设备。计算设备1100还可以是移动式或静止式的服务器。
385.本技术提供一种计算设备，包括存储器1110、处理器1120及存储在存储器上并可在处理器上运行的计算机指令，所述处理器1120用于执行如下计算机可执行指令：
386.获取至少一张管状物图像；
387.提取所述管状物图像中的管状特征线；
388.基于所述管状特征线对所述管状物图像进行曲面重建，获得一个或者多个图像序列；
389.将所述图像序列输入三维特征分割模型进行管状特征分割处理，获得管状特征图像序列；
390.对所述管状特征图像序列进行坐标转换处理，获得目标图像。
391.上述为本实施例的另一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的另一种图像处理方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述另一种图像处理方法的技术方案的描述。
392.本技术一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时以用于：
393.获取序列图像；
394.获取待分割管状物的局部管状信息；
395.基于三维特征分割模型，对所述序列图像中所述局部管状信息对应的管状特征进行分割处理；
396.展示分割处理获得的管状特征图像。
397.上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的一种图像处理方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述一种图像处理方法的技术方案的描述。
398.本技术一实施例还提供另一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时以用于：
399.获取至少一张管状物图像；
400.提取所述管状物图像中的管状特征线；
401.基于所述管状特征线对所述管状物图像进行曲面重建，获得一个或者多个图像序列；
402.将所述图像序列输入三维特征分割模型进行管状特征分割处理，获得管状特征图像序列；
403.对所述管状特征图像序列进行坐标转换处理，获得目标图像。
404.上述为本实施例的另一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的另一种图像处理方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述另一种图像处理方法的技术方案的描述。
405.上述对本技术特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
406.所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
407.需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本技术所必须的。
408.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
409.以上公开的本技术优选实施例只是用于帮助阐述本技术。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本技术的内容，可作很多的修改和变化。本技术选取并具体描述这些实施例，是为了更好地解释本技术的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本技术。本技术仅受权
利要求书及其全部范围和等效物的限制。