图像分割模型的训练方法、图像处理方法及装置、设备与流程

1.本发明涉及医学图像处理领域，特别涉及一种图像分割模型的训练方法、图像处理方法及装置、电子设备及存储介质。


背景技术：

2.混合性磨玻璃结节，也即部分实性结节，主要是指磨玻璃结节当中既含有磨玻璃成分，也含有实性成分，两者混合在一起之后被称为混合性磨玻璃结节。混合性磨玻璃结节内实性成分特征与原位癌、微浸润腺癌及浸润性腺癌病理分型具有一定的相关性。病灶越大，实性成分越多、实性成分占比越大或实性平均ct(computed tomography，电子计算机断层扫描)值越高，结节为浸润性癌的可能性越大，因此，综合评估结节的ct特征有助于术前诊断，指导临床治疗。
3.目前，评估混合性磨玻璃结节内实性成分特征的方法是在分割出的肺结节范围内手动调整hu(hounsfield unit，亨氏单位)值，阈值分割出实性成分，进而统计实性成分的占比以及实性平均ct值。此方法虽然可以在一定程度上分割出实性成分，但不同的人调整阈值，得到的分割结果存在差异，而且对于存在混合性磨玻璃结节中的穿行血管也会被误分割为实性成分。另外，此方法属于半自动分割方法，比较费时费力。


技术实现要素：

4.本发明要解决的技术问题是为了克服现有技术中容易将混合性磨玻璃结节中的血管分割为实性成分导致分割不准确且分割效率低下的缺陷，提供一种图像分割模型的训练方法、图像处理方法及装置、电子设备及存储介质。
5.本发明是通过下述技术方案来解决上述技术问题：
6.本发明的第一方面提供一种图像分割模型的训练方法，包括：
7.获取训练样本图像集；所述训练样本图像集包括肺结节样本图像、第一掩膜图像以及第二掩膜图像，其中，所述第一掩膜图像用于指示所述肺结节样本图像中的实性成分区域和非实性成分区域，所述第二掩膜图像用于指示所述肺结节样本图像中的血管区域；
8.将所述肺结节样本图像输入预设分割模型中进行实性成分区域的预测，得到预测分割结果；
9.根据所述预测分割结果、所述第一掩膜图像以及所述第二掩膜图像，计算实性成分区域内像素的第一损失、血管区域内像素的第二损失以及背景区域内像素的第三损失；其中，所述背景区域为非实性成分区域中除去血管区域以外的区域；
10.根据所述第一损失、所述第二损失以及所述第三损失调整所述预设分割模型的参数，直至满足收敛条件，得到训练好的图像分割模型。
11.可选地，所述根据所述第一损失、所述第二损失以及所述第三损失调整所述预设分割模型的参数，具体包括：
12.对所述第一损失、所述第二损失和所述第三损失进行加权求和，得到目标损失；其
中，所述第二损失的权重大于所述第三损失的权重；
13.根据所述目标损失调整所述预设分割模型的参数。
14.本发明的第二方面提供一种图像处理方法，包括：
15.获取待分割的肺结节图像；
16.将所述肺结节图像输入图像分割模型进行实性成分区域的分割处理，得到第一分割结果；其中，所述图像分割模型基于第一方面所述的训练方法训练得到。
17.可选地，在所述获取所述待分割的肺结节图像之后，还包括：
18.将所述肺结节图像输入结节分割模型进行结节区域的分割处理，得到第二分割结果；其中，所述结节分割模型基于训练样本训练得到；
19.根据所述第一分割结果和所述第二分割结果对所述肺结节图像中的实性成分特征进行分析。
20.可选地，根据所述第一分割结果和所述第二分割结果对所述肺结节图像中的实性成分特征进行分析，包括：
21.若所述第二分割结果中结节的长径大于预设值，则对所述肺结节图像中的实性成分进行分析。
22.可选地，所述对所述肺结节图像中的实性成分进行分析，包括：
23.根据所述第一分割结果确定所述肺结节图像中实性成分区域的第一体积；
24.根据所述第二分割结果确定所述肺结节图像中结节区域的第二体积；
25.基于所述第一体积以及所述第二体积计算实性成分在结节中的占比。
26.可选地，所述对所述肺结节图像中的实性成分进行分析，包括：根据所述第一分割结果提取每个横断面的轮廓线。
27.可选地，所述对所述肺结节图像中的实性成分进行分析，包括：
28.提取所述第一分割结果的最大连通域；
29.根据所述最大连通域内每个横断面的分割面积确定最大横断面；
30.提取所述最大横断面的轮廓点；
31.根据距离最远的两个轮廓点确定实性成分区域的长径。
32.本发明的第三方面提供一种图像处理装置，包括：
33.图像获取模块，用于获取待分割的肺结节图像；
34.图像处理模块，用于将所述肺结节图像输入图像分割模型进行实性成分区域的分割处理，得到第一分割结果；其中，所述图像分割模型基于第一方面所述的训练方法训练得到。
35.本发明的第四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第一方面所述的图像分割模型的训练方法或者第二方面所述的图像处理方法。
36.本发明的第五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图像分割模型的训练方法或者第二方面所述的图像处理方法。
37.本发明的积极进步效果在于：通过在训练样本图像集中增加用于指示肺结节样本图像中血管区域的第二掩膜图像，使得在训练图像分割模型的过程中加入了对血管区域预
测为实性成分区域的惩罚，从而可以避免图像分割模型将血管区域分割为实性成分区域，提高了实性成分区域分割的准确性。
附图说明
38.图1为本发明实施例1提供的一种图像分割模型的训练方法的流程图。
39.图2为本发明实施例1提供的一种肺结节样本图像的区域示意图。
40.图3为本发明实施例1提供的步骤s14的一种流程图。
41.图4为本发明实施例1提供的一种图像分割模型的训练示意图。
42.图5为本发明实施例1提供的一种图像分割模型的训练装置的结构框图。
43.图6为本发明实施例2提供的一种图像处理方法的流程图。
44.图7为本发明实施例2提供的另一种图像处理方法的流程图。
45.图8为本发明实施例2提供的另一种图像处理方法的流程示意图。
46.图9为本发明实施例2提供的一种计算实性成分区域的长径的流程图。
47.图10为本发明实施例2提供的一种计算实性成分在结节中占比的流程图。
48.图11a为本发明实施例2提供的一种肺结节的显示界面图。
49.图11b为本发明实施例2提供的一种肺结节的显示界面图。
50.图11c为本发明实施例2提供的一种肺结节的显示界面图。
51.图12为本发明实施例2提供的另一种肺结节的显示界面图。
52.图13为本发明实施例2提供的一种图像处理装置的结构框图。
53.图14为本发明实施例3提供的一种电子设备的结构示意图。
具体实施方式
54.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。
55.实施例1
56.图1为本实施例提供的一种图像分割模型的训练方法的流程示意图，该图像分割模型的训练方法可以由图像分割模型的训练装置执行，该图像分割模型的训练装置可以通过软件和/或硬件的方式实现，该图像分割模型的训练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(personal computer，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图像分割模型的训练方法。
57.如图1所示，本实施例提供的图像分割模型的训练方法可以包括以下步骤s11～s14：
58.步骤s11、获取训练样本图像集。所述训练样本图像集包括肺结节样本图像、第一掩膜图像以及第二掩膜图像。其中，所述第一掩膜图像为金标准，用于指示所述肺结节样本图像中的实性成分区域和非实性成分区域，所述第二掩膜图像用于指示所述肺结节样本图像中的血管区域。
59.本实施例中，肺结节样本图像中的结节为混合性磨玻璃结节，也即部分实性结节，
包括实性成分区域和磨玻璃成分区域。
60.由于肺结节的大小不一，如果采用固定物理尺寸(fixed-length)的方法去裁剪肺结节样本图像，会出现小结节在肺结节样本图像中太小而不易被发现，大结节太大又无法容纳在肺结节样本图像中。为了避免该问题发生，采用fixed-box的方法获取肺结节样本图像，具体地，以结节检测框为参考，将肺结节以检测框大小的预设数量倍，例如2.5倍从原始肺部样本医学图像中裁剪出来，并将裁剪的肺结节样本图像重采样为固定大小，例如96
×
96
×
96，从而保证不同大小的结节在肺结节样本图像中的占比一致。
61.为了提高肺结节实性成分区域分割的准确率，经过上述重采样之后，还可以对肺结节样本图像进行归一化处理，以将肺结节样本图像的灰度分布控制在指定范围，例如[-1，1]。在一个具体的例子中，将重采样后的肺结节样本图像在肺窗(窗宽：1500，窗位：-400)下进行归一化处理。
[0062]
步骤s12、将所述肺结节样本图像输入预设分割模型中进行实性成分区域的预测，得到预测分割结果。在具体实施中，可以将上述经过重采样和归一化处理后的肺结节样本图像输入预设分割模型中。
[0063]
其中，所述预设分割模型为二类分割模型，分割结果为实性成分区域或者非实性成分区域。所述预设分割模型可以为v-net网络，还可以为vb-net网络。其中，在v-net网络中的残差模块中加入瓶颈层bottleneck的网络结构可以得到vb-net网络。
[0064]
步骤s13、根据所述预测分割结果、所述第一掩膜图像以及所述第二掩膜图像，计算实性成分区域内像素的第一损失、血管区域内像素的第二损失以及背景区域内像素的第三损失。其中，所述背景区域为非实性成分区域中除去血管区域以外的区域。
[0065]
在如图2所示的肺结节样本图像中，黑色部分代表背景区域，白色部分代表实性成分区域，灰色部分代表血管区域。其中，背景区域、实性成分区域和血管区域共同构成肺结节样本图像。
[0066]
在步骤s13的具体实施中，对于金标准属于实性成分区域内的像素，将预测分割结果中对应的像素预测概率代入损失函数计算第一损失；对于金标准为非实性成分区域内的像素，根据第二掩膜图像判断其是否在血管区域内，若在血管区域内，则将预测分割结果中对应的像素预测概率代入损失函数计算第二损失；若不在血管区域，则说明在背景区域，将预测分割结果中对应的像素预测概率代入损失函数计算第三损失。
[0067]
在损失函数的公式中，y为像素的标签，y
′
为像素预测概率即像素的预测结果，w为权重系数。y用于指示像素在实性成分区域内或者在非实性成分区域内，若y指示的是在实性成分区域内，则将对应的y
′
代入损失函数计算第一损失，若y指示的是在非实性成分区域内，还需根据第二掩膜图像判断所述非实性成分区域内的像素是否在血管区域内，若在血管区域内，则将对应的y
′
代入损失函数计算第二损失，若不在血管区域，则说明在背景区域内，将对应的y
′
代入损失函数计算第三损失。
[0068]
以交叉熵损失函数(cross entropy loss，ce loss)为例，具体的公式如下：
[0069]
[0070]
本例子中，-logy
′
为计算第一损失的函数，-w*log(1-y
′
)为计算第二损失的函数，-log(1-y
′
)为计算第三损失的函数。
[0071]
以focal loss损失函数为例，具体的公式如下：
[0072][0073]
本例子中，-(1-y
′
)
γ
logy
′
为计算第一损失的函数，-w*y
′
γ
log(1-y
′
)为计算第二损失的函数，-y
′
γ
log(1-y
′
)为计算第三损失的函数，γ为调节因子，用于调节简单样本权重降低的速率。
[0074]
步骤s14、根据所述第一损失、所述第二损失以及所述第三损失调整所述预设分割模型的参数，直至满足收敛条件，得到训练好的图像分割模型。
[0075]
本实施方式中，通过在训练样本图像集中增加用于指示肺结节样本图像中血管区域的第二掩膜图像，使得在训练图像分割模型的过程中加入了对血管区域预测为实性成分区域的惩罚，从而可以避免图像分割模型将血管区域分割为实性成分区域，提高了实性成分区域分割的准确性。
[0076]
在可选的一种实施方式中，如图3所示，步骤s14具体包括步骤s141～s142：
[0077]
步骤s141、对所述第一损失、所述第二损失和所述第三损失进行加权求和，得到目标损失。其中，所述第二损失的权重大于所述第三损失的权重。
[0078]
步骤s142、根据所述目标损失调整所述预设分割模型的参数。具体地，调整预设分割模型的参数直至满足收敛条件，满足收敛条件的预设分割模型即为训练好的图像分割模型。
[0079]
本实施方式中，将第二损失的权重设为大于第三损失的权重，使得对于血管区域内被预测为实性成分区域的像素点，加大其惩罚力度，进一步避免图像分割模型将血管区域分割为实性成分区域，从而进一步提高实性成分区域分割的准确性。
[0080]
图4用于示出一种图像分割模型的训练示意图。如图4所示，对训练样本图像集中的肺结节样本图像依次进行重采样和归一化处理，将处理后的肺结节样本图像输入预设分割模型中，根据输出的预测分割结果以及作为金标准的第一掩膜图像和第二掩膜图像计算损失，并根据损失调整预设分割模型的参数，直至满足收敛条件，得到训练好的图像分割模型。本例子中，预设分割模型采用vb-net网络结构。
[0081]
本实施例还提供一种图像分割模型的训练装置40，如图5所示，包括样本获取模块41、分割处理模块42、损失计算模块43以及参数调整模块44。
[0082]
样本获取模块41用于获取训练样本图像集。所述训练样本图像集包括肺结节样本图像、第一掩膜图像以及第二掩膜图像，其中，所述第一掩膜图像用于指示所述肺结节样本图像中的实性成分区域和非实性成分区域，所述第二掩膜图像用于指示所述肺结节样本图像中的血管区域。
[0083]
预测模块42用于将所述肺结节样本图像输入预设分割模型中进行实性成分区域的分割处理，得到预测分割结果。
[0084]
损失计算模块43用于根据所述预测分割结果、所述第一掩膜图像以及所述第二掩
膜图像，计算实性成分区域内像素的第一损失、血管区域内像素的第二损失以及背景区域内像素的第三损失；其中，所述背景区域为非实性成分区域中除去血管区域以外的区域。
[0085]
参数调整模块44用于根据所述第一损失、所述第二损失以及所述第三损失调整所述预设分割模型的参数，直至满足收敛条件，得到训练好的图像分割模型。
[0086]
在可选的一种实施方式中，上述参数调整模块具体包括加权单元和调整单元。所述加权单元用于对所述第一损失、所述第二损失和所述第三损失进行加权求和，得到目标损失。其中，所述第二损失的权重大于所述第三损失的权重。所述调整单元用于根据所述目标损失调整所述预设分割模型的参数。
[0087]
需要说明的是，本实施例中图像分割模型的训练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。
[0088]
关于本实施例中描述的图像分割模型的训练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。
[0089]
实施例2
[0090]
图6为本实施例提供的一种图像处理方法的流程示意图，该图像处理方法可以由图像处理装置执行，该图像处理装置可以通过软件和/或硬件的方式实现，该图像处理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，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。下面以电子设备为执行主体介绍本实施例提供的图像处理方法。
[0091]
如图6所示，本实施例提供的图像处理方法可以包括以下步骤s21～s22：
[0092]
步骤s21、获取待分割的肺结节图像。
[0093]
其中，待分割的肺结节图像可以根据原始的肺部医学图像得到，例如对原始的肺部医学图像进行肺结节检测处理，并在检测到肺结节的情况下，可以对原始的肺部医学图像进行裁剪处理从而得到肺结节图像。原始的肺部医学图像可以利用ct设备对患者的肺部进行扫描得到，也可以通过从云端或者服务器端下载得到。另外，待分割的肺结节图像也可以通过从云端或者服务器端下载得到。
[0094]
步骤s22、将所述肺结节图像输入图像分割模型进行实性成分区域的分割处理，得到第一分割结果。其中，所述图像分割模型基于实施例1所述的训练方法训练得到。
[0095]
本实施方式中，由于图像分割模型的训练过程中加入了对将血管区域预测为实性成分区域的惩罚，因此，在利用图像分割模型对肺结节图像进行实性成分区域分割处理的过程中，可以避免将血管区域分割为实性成分区域，提高了肺结节图像中实性成分区域分割的准确性。
[0096]
如图7和8所示，本实施例提供的图像处理方法可以包括以下步骤s31～s34：
[0097]
步骤s31、获取待分割的肺结节图像。与上述步骤s21的具体实施方式类似，在此不再赘述。
[0098]
步骤s32、将所述肺结节图像输入图像分割模型进行实性成分区域的分割处理，得到第一分割结果。其中，所述图像分割模型基于实施例1所述的训练方法训练得到。
[0099]
步骤s33、将所述肺结节图像输入结节分割模型进行结节区域的分割处理，得到第二分割结果。
[0100]
其中，所述结节分割模型基于训练样本训练得到，训练样本包括样本图像和对应的标签，标签包括肺结节区域和非肺结节区域。结节分割模型用于对肺结节图像进行结节区域的分割处理，得到肺结节区域的分割结果即第二分割结果。
[0101]
步骤s34、根据所述第一分割结果和所述第二分割结果对所述肺结节图像中的实性成分特征进行分析。
[0102]
本实施方式中，分别利用结节分割模型和图像分割模型对肺结节图像进行处理，可以得到肺结节区域的分割结果即第二分割结果和肺结节中实性成分区域的分割结果即第一分割结果，根据肺结节区域和更加准确的实性成分区域可以对肺结节图像中的实性成分特征进行具体的分析，进而可以更好地辅助医学诊断。
[0103]
在可选的一种实施方式中，上述步骤s34具体包括以下步骤s41：
[0104]
步骤s41、若所述第二分割结果中结节的长径大于预设值，则对所述肺结节图像中的实性成分进行分析。其中，预设值可以根据实际情况进行设置，例如可以设置为6mm。
[0105]
在具体实施中，可以通过以下方法确定结节的长径：提取所述第二分割结果的最大连通域，根据所述最大连通域内每个横断面的分割面积确定最大横断面，提取所述最大横断面的轮廓点，根据距离最远的两个轮廓点确定结节的长径。
[0106]
本实施方式中，肺结节图像的第一分割结果中包括实性成分区域和磨玻璃成分区域，说明肺结节图像中的结节为混合性磨玻璃结节，也即部分实性结节。根据肺结节图像的第二分割结果确定该结节的长径，若该结节的长径大于预设值，说明该部分实性结节出现病变例如浸润性癌的可能性较大，此时通过对该部分实性结节的实性成分进行分析可以辅助医生对该结节进行进一步的诊断。具体地，可以响应于用户的操作对部分实性结节的实性成分进行分析。
[0107]
在步骤s41中对实性成分进行分析的具体实施中，可以根据上述第一分割结果计算实性成分的平均hu值，从而更好地辅助于医学诊断。具体地，根据所述第一分割结果确定实性成分区域中体素的数量，并根据实性成分区域中体素的数量和hu值计算实性成分区域的平均hu值。具体地，实性成分区域的平均hu值＝实性成分区域中所有体素hu值的和/实性成分区域中体素的数量。
[0108]
在步骤s41中对实性成分进行分析的具体实施中，还可以根据所述第一分割结果提取每个横断面的轮廓线。需要说明的是，若横断面有多个连通域，则提取每个连通域的轮廓线。
[0109]
在步骤s41中对实性成分进行分析的具体实施中，如图9所示，还包括以下步骤s411a～s411d：
[0110]
步骤s411a、提取所述第一分割结果的最大连通域。
[0111]
步骤s411b、根据所述最大连通域内每个横断面的分割面积确定最大横断面。
[0112]
步骤s411c、提取所述最大横断面的轮廓点。
[0113]
步骤s411d、根据距离最远的两个轮廓点确定实性成分区域的长径。
[0114]
本实施方式提供了一种确定肺结节区域中实性成分区域长径的方法，具体可以通过提取最大连通域、确定最大横断面、提取轮廓点以及根据最远轮廓点的方式确定实性成分区域的长径。
[0115]
在步骤s41中对实性成分进行分析的具体实施中，还可以根据所述第一分割结果
计算肺结节图像中实性成分区域的体积。
[0116]
在步骤s41中对实性成分进行分析的具体实施中，如图10所示，还可以包括以下步骤s412a～s3412c：
[0117]
步骤s412a、根据所述第一分割结果确定所述肺结节图像中实性成分区域的第一体积。
[0118]
步骤s412b、根据所述第二分割结果确定所述肺结节图像中结节区域的第二体积。
[0119]
步骤s412c、基于所述第一体积以及所述第二体积计算实性成分在结节中的占比。具体地，第一体积与第二体积之比即为实性成分在结节中的占比，即实性成分占比。
[0120]
在具体实施中，可以根据以下公式计算实性成分区域的体积volume：
[0121]
volume＝volume
×
n；
[0122]
其中，n为第一分割结果中体素值为1的个数，volume为每个体素的体积，volume＝spacing_x
×
spacing_y
×
spacing_z；spacing_x表示一个体素在x轴方向的大小，可认为是体素的长，spacing_y表示一个体素在y轴方向的大小，可认为是体素的宽，spacing_z表示一个体素在z轴方向的大小，可认为是体素的高。
[0123]
本实施方式中，该肺结节为部分实性结节，通过对肺结节图像中实性成分在结节中的占比进行分析，具体地，根据肺结节图像中实性成分区域的第一体积与结节区域的第二体积可以得到实性成分在结节中的占比，基于该占比可以更好地辅助医学诊断。
[0124]
在具体实施中，可以响应于用户的操作，将提取的实性成分区域横断面轮廓线、计算的实性成分区域的平均hu值、计算的实性成分占比、确定的实性成分区域的长径和/或实性成分区域的体积显示在界面中，以方便医生根据实性成分区域的轮廓线、长径和/或体积对肺结节进行进一步地诊断。
[0125]
图11a、图11b、图11c分别用于示出一种肺结节的显示界面图。在一个具体的例子中，肺结节图像中肺结节的长径大于预设值，例如长径大于6mm，显示如图11a所示的界面，响应于用户在显示界面中勾选“部分实性结节分析”勾选框的操作，可以在界面中显示肺结节中实性成分区域的轮廓线，还可以显示实性成分区域的长径、体积、实性成分占比以及平均hu值的具体值，其中，实性成分区域的长径为12.21mm，体积为459.49mm3，实性成分占比为0.33，实性成分区域的平均hu值为-284.1。本例子中，肺结节的长径大于预设值，可以响应于用户的操作在显示界面显示该肺结节的相关参数。
[0126]
在具体实施中，响应于用户在如图11a显示界面中的滑动操作，可以展示实性成分区域不同层的轮廓线。其中，图11b用于展示实性成分区域第32层的轮廓线，图11c用于展示实性成分区域第33层的轮廓线。
[0127]
图12用于示出另一种肺结节的显示界面图。在另一个具体的例子中，肺结节图像中肺结节的长径小于预设值，例如长径小于6mm，则显示如图12所示的界面，显示界面中“部分实性结节分析”的勾选框均为灰色，用户无法对其进行勾选操作，因此无法在显示界面显示该肺结节的实性成分区域的分析结果。
[0128]
在可选的其它实施方式中，还可以根据上述第一分割结果和第二分割结果进行其它的组学分析，从而更好地辅助于医学诊断。
[0129]
本实施例还提供一种图像处理装置80，如图13所示，包括图像获取模块81以及图像处理模块82。
[0130]
图像获取模块81用于获取待分割的肺结节图像。
[0131]
图像处理模块82用于将所述肺结节图像输入图像分割模型进行实性成分区域的分割处理，得到第一分割结果。其中，所述图像分割模型基于实施例1所述的训练方法训练得到。
[0132]
在可选的一种实施方式中，上述图像处理装置还包括结节分割模块和特征分析模块。所述结节分割模块用于将所述肺结节图像输入结节分割模型进行结节区域的分割处理，得到第二分割结果；其中，所述结节分割模型基于训练样本训练得到。所述特征分析模块用于根据所述第一分割结果和所述第二分割结果对所述肺结节图像中的实性成分特征进行分析。
[0133]
在可选的一种实施方式中，上述特征分析模块具体用于根据所述第一分割结果确定所述肺结节图像中实性成分区域的第一体积；根据所述第二分割结果确定所述肺结节图像中结节区域的第二体积；以及基于所述第一体积以及所述第二体积计算实性成分在结节中的占比。
[0134]
在可选的一种实施方式中，上述图像处理装置还包括轮廓线提取模块，用于根据所述第一分割结果提取每个横断面的轮廓线。
[0135]
在可选的一种实施方式中，上述图像处理装置还包括连通域提取单元、横断面确定单元、轮廓点提取单元以及长径确定单元。所述连通域提取单元用于提取所述第一分割结果的最大连通域。所述横断面确定单元根据所述最大连通域内每个横断面的分割面积确定最大横断面。所述轮廓点提取单元用于提取所述最大横断面的轮廓点。所述长径确定单元用于根据距离最远的两个轮廓点确定实性成分区域的长径。
[0136]
需要说明的是，本实施例中图像处理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。
[0137]
关于本实施例中描述的图像处理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。
[0138]
实施例3
[0139]
图14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的图像分割模型的训练方法或者实施例2的图像处理方法。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14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。
[0140]
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。
[0141]
总线6包括数据总线、地址总线和控制总线。
[0142]
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。
[0143]
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。
[0144]
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，例如上述图像分割模型的训练方法或者图像处理方法。
[0145]
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14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14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。
[0146]
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。
[0147]
实施例4
[0148]
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的图像分割模型的训练方法或者实施例2的图像处理方法。
[0149]
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。
[0150]
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的图像分割模型的训练方法或者实施例2的图像处理方法。
[0151]
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。
[0152]
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。