分割图像的方法、装置、设备及存储介质

1.本技术属于图像处理技术领域，尤其涉及分割图像的方法、装置、设备及存储介质。


背景技术：

2.非酒精性脂肪性肝病(nafld)是指除外酒精和其他明确的损肝因素所致的肝细胞内脂肪过度沉积为主要特征的临床病理综合征，与胰岛素抵抗和遗传易感性密切相关的获得性代谢应激性肝损伤。主要包括单纯性脂肪肝(sfl)、非酒精性脂肪性肝炎(nash)及其相关肝硬化。
3.随着生活水平的提高和生活方式的改变，nafld的发病率越来越高，严重时会引发肝癌。因此，早期对nafld进行精准定量分析至关重要。
4.nafld的精准定量分析与脂肪定量结果(肝脏的脂肪含量)是否精准密切相关，而脂肪定量结果是否精准又与能否从受检者腹部的磁共振(magnetic resonance，mr)图像中准确分割出肝脏图像密切相关。
5.现有技术中，通常利用多层感知机(multi layer perceptron，mlp)和分水岭算法对mr图像进行分割，得到肝脏图像。然而，利用这种方法分割得到的肝脏图像并不准确。


技术实现要素：

6.有鉴于此，本技术实施例提供了分割图像的方法、装置、设备及存储介质，以解决现有技术中对mr图像进行分割，得到的肝脏图像不准确的问题。
7.本技术实施例的第一方面提供了一种分割图像的方法，该方法包括：
8.获取被测对象的腹部的t1加权图像；
9.通过已训练的图像分割模型，对t1加权图像中肝脏血管对应的图像进行剔除处理，得到肝脏分割图像。
10.上述方案中，通过已训练的图像分割模型对t1加权图像进行处理，剔除了t1加权图像中肝脏血管对应的图像，没有了肝脏血管的干扰，使得到的肝脏分割图像更准确。
11.可选地，所述t1加权图像包括t1加权同相位图像和t1加权反相位图像，所述通过已训练的图像分割模型，对所述t1加权图像中肝脏血管对应的图像进行剔除处理，得到肝脏分割图像，包括：
12.通过所述图像分割模型提取所述t1加权反相位图像中的肝脏边缘特征，以及所述t1加权同相位图像中的肝脏血管特征；
13.根据所述肝脏边缘特征确定肝脏图像；
14.根据所述肝脏血管特征从所述肝脏图像中确定所述肝脏血管对应的图像；
15.从所述t1加权图像中剔除所述肝脏血管对应的图像，得到所述肝脏分割图像。
16.可选地，所述通过已训练的图像分割模型，对所述t1加权图像中肝脏血管对应的图像进行剔除处理，得到肝脏分割图像之后，所述方法还包括：
17.获取所述被测对象的腹部的质子密度脂肪分数定量图像；
18.将所述肝脏分割图像和所述质子密度脂肪分数定量图像进行配准，得到脂肪定量结果。
19.可选地，所述已训练的图像分割模型的训练方式为：
20.利用预设的样本训练集和损失函数对初始模型进行训练，得到所述已训练的图像分割模型，所述样本训练集包括多个样本t1加权图像，以及各个所述样本t1加权图像对应的肝脏掩模图像，所述肝脏掩模图像为标记有肝脏区域且剔除肝脏血管后的图像。
21.可选地，所述利用预设的样本训练集和损失函数对初始模型进行训练，得到所述已训练的图像分割模型，包括：
22.将所述样本训练集中的样本t1加权图像输入到所述初始模型中处理，得到所述样本t1加权图像的样本分割图像；
23.根据所述损失函数计算所述样本t1加权图像的样本分割图像，与所述样本t1加权图像对应的肝脏掩模图像之间的损失值；
24.当检测到所述损失值大于预设阈值时，调整所述初始模型的模型参数，并利用所述样本训练集继续训练所述初始模型；
25.当检测到所述损失值小于或等于所述预设阈值时，停止训练所述初始模型，并将训练后的所述初始模型确定为所述图像分割模型。
26.可选地，所述利用预设的样本训练集和损失函数对初始模型进行训练，得到所述已训练的图像分割模型，包括：
27.将所述样本训练集中的样本t1加权图像输入到所述初始模型中处理，得到所述样本t1加权图像的样本分割图像；
28.根据所述损失函数计算所述样本t1加权图像的样本分割图像，与所述样本t1加权图像对应的肝脏掩模图像之间的损失值；
29.每当检测到所述损失值小于或等于预设阈值时输出中间模型，直至训练次数达到预设训练次数，获得多个所述中间模型；
30.从多个所述中间模型中确定所述图像分割模型。
31.可选地，所述从多个所述中间模型中确定所述图像分割模型，包括：
32.获取样本测试集，所述样本测试集包括多个测试t1加权图像，以及各个所述测试t1加权图像对应的肝脏掩模测试图像；
33.利用所述样本测试集对所述多个中间模型进行测试；
34.根据各个测试结果，在多个所述中间模型中确定所述图像分割模型。
35.本技术实施例的第二方面提供了一种分割图像的装置，包括：
36.获取单元，用于获取被测对象的腹部的t1加权图像；
37.处理单元，用于通过已训练的图像分割模型，对所述t1加权图像中肝脏血管对应的图像进行剔除处理，得到肝脏分割图像。
38.本技术实施例的第三方面提供了一种分割图像的设备，包括存储器、处理器以及存储在所述存储器中并可在所述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上述第一方面所述的分割图像的方法的步骤。
39.本技术实施例的第四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
介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的分割图像的方法的步骤。
40.本技术实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在分割图像的设备上运行时，使得该分割图像的设备执行上述第一方面所述的分割图像的方法的步骤。
附图说明
41.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
42.图1是本技术一示例性实施例提供的一种分割图像的方法的示意性流程图；
43.图2是本技术另一示例性实施例示出的一种分割图像的方法的步骤s102的具体流程图；
44.图3是本技术提供的一种肝脏分割图像；
45.图4是本技术另一示例性实施例示出的一种分割图像的方法的示意性流程图；
46.图5a和图5b是本技术提供的对比图；
47.图6是本技术一实施例提供的一种分割图像的装置的示意图；
48.图7是本技术另一实施例提供的分割图像的设备的示意图。
具体实施方式
49.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
50.非酒精性脂肪性肝病(nafld)是指除外酒精和其他明确的损肝因素所致的肝细胞内脂肪过度沉积为主要特征的临床病理综合征，与胰岛素抵抗和遗传易感性密切相关的获得性代谢应激性肝损伤。主要包括单纯性脂肪肝(sfl)、非酒精性脂肪性肝炎(nash)及其相关肝硬化。
51.随着生活水平的提高和生活方式的改变，nafld的发病率越来越高，据调查显示，全国nafld的患病率约为29.2％，严重时会引发肝癌。因此，早期对nafld进行精准定量分析至关重要。
52.nafld的精准定量分析与脂肪定量结果(肝脏的脂肪含量)是否精准密切相关。在实际的临床应用中，需要对受检者肝脏进行活检取样或通过影像检查获取肝脏图像，从而进一步评估与诊断。肝脏活检为nafld诊断的金标准，但其主观性强，并存在损伤性、危险性高、取样误差以及不可重复的问题；超声检查无创且经济简便，但其为非定量检查，清晰度与分辨率差，且对轻度患者不敏感；ct成像(将x射线扫描投影数据与重建数学及计算机技术结合，获得以层面信息为基础的医学影像的技术)具有电离辐射、对轻度脂肪肝不敏感以及定量准确性低等缺点。因此，都不适用于肝脏脂肪定量分析。
53.核磁共振成像技术以其多参数成像、高分辨率、无电离辐射等优点成为对肝脏脂
肪定量分析的有力手段。其独特的质子密度脂肪分数(proton density fat fraction，pdff)定量图像能够精准反映肝脏细胞中脂肪比例，并且与病理结果高度一致。
54.利用磁共振化学位移编码脂肪定量技术确定pdff定量图像。具体地，该技术是利用组织中水质子和脂肪质子的共振频率差异，采用多回波梯度回波成像序列采集具有不同水脂相位差的磁共振信号，基于水脂分离算法计算得到纯水信号和纯脂肪信号，并由此定量肝脏组织中的脂肪体积占比，得到pdff定量图像。
55.采集受检者腹部的磁共振(magnetic resonance，mr)图像，从该mr图像中分割出肝脏图像，基于mr图像和pdff定量图像可以计算出该受检者的脂肪定量结果(肝脏的脂肪含量)。因此，脂肪定量结果是否精准与能否从受检者腹部的mr图像中准确分割出肝脏图像密切相关。
56.传统的区域生长分割算法根据设定的种子点和区域生长准则，将种子点相邻区域范围内相似的像素点进行合并，将具有相同特征的连通区域分割出来，从而得到肝脏图像。但该方法对于灰度不均匀或者含有噪声的肝脏图像缺乏鲁棒性，会导致分结果存在空洞或欠分割现象，不适用于分割背景复杂的肝脏图像。
57.利用多层感知机(multi layer perceptron，mlp)和分水岭算法共同对mr图像进行分割，也可得到肝脏图像。但该方法容易产生边缘模糊、欠分割(肝脏区域没有分割完整)、误分割(不属于肝脏的区域分割为肝脏)等现象。
58.而且，无论是传统的分割方法，还是改进后的分割方法，分割得到的肝脏图像中都包含了大量的肝脏血管的图像，导致分割得到的肝脏图像不准确。且由于肝脏图像中肝脏血管的干扰，将造成最终计算得到的脂肪含量值小于真实脂肪含量值。因此，排除肝脏图像中的肝脏血管的图像对脂肪定量结果的精确性极为关键。
59.有鉴于此，本技术实施例提供了一种分割图像的方法，先获取被测对象的腹部的t1加权图像；通过已训练的图像分割模型，对t1加权图像中肝脏血管对应的图像进行剔除处理，得到肝脏分割图像。该方法中，通过已训练的图像分割模型对t1加权图像进行处理，剔除了t1加权图像中肝脏血管对应的图像，使得到的肝脏分割图像更准确。且没有了肝脏血管的干扰，可使基于该肝脏图像最终计算得到的脂肪含量值更接近真实脂肪含量值，从而提高了脂肪定量结果的精确性。
60.请参见图1，图1是本技术一示例性实施例提供的一种分割图像的方法的示意性流程图。本技术提供的分割图像的方法的执行主体为分割图像的设备，其中，该设备包括但不限于车载电脑、平板电脑、计算机、个人数字助理(personal digital assistant，pda)、等设备，还可以包括各种类型的服务器。例如，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务。
61.如图1所示的分割图像的方法可包括：s101～s102，具体如下：
62.s101：获取被测对象的腹部的t1加权图像。
63.t1加权图像是指采集的被测对象的腹部的mr图像主要反映的是组织间t1值的差别。其中，t1表示纵向弛豫时间(纵向磁矢量恢复的时间)。
64.示例性地，通过磁共振扫描仪采集被测对象的腹部的mr图像。mr图像具有多个成
像参数，即mr图像具有反映t1弛豫时间的t1值、反映t2弛豫时间的t2值以及反映质子密度的弛豫时间值等。mr图像若主要反映的是组织间t1值差别，则为t1加权图像(t1weighted image,t1wi)；若主要反映的是组织间t2值差别，则为t2加权图像(t2weighted image,t2wi)；若主要反映的是组织问质子密度弛豫时间差别，则为质子密度加权图像(proton densityweighted image，pdwi)。
65.本实施方式中，采集的mr图像主要反映的是组织间t1值的差别，即为t1加权图像。
66.具体地，在实际应用中，分割图像的设备预先与磁共振扫描仪通信连接，磁共振扫描仪在采集到t1加权图像后，将采集到的t1加权图像发送给该设备。
67.例如，可以通过设置磁共振扫描仪的磁共振扫描参数，然后控制磁共振扫描仪扫描被测对象的腹部，使得磁共振扫描仪采集被测对象的腹部的t1加权图像。磁共振扫描仪将采集到的t1加权图像发送给该设备，该设备接收磁共振扫描仪发送的t1加权图像。
68.在本技术实施例的一种可能的实现方式中，可以将磁共振扫描参数设置为三维磁共振flash序列，进行t1加权图像采集。例如，扫描视野设置为280
×
400mm2，层内像分辨率设置为2.08
×
2.08mm2，层厚设置为6mm，翻转角度设置为12
°
等。此处仅为示例性说明，对此不做限定。
69.示例性地，t1加权图像可以包括t1加权同相位图像和t1加权反相位图像。
70.人体磁共振信号主要来于水和脂肪。水中氢质子的进动频率比脂肪中氢质子的进动频率快。对于同一像素中的水和脂肪中的氢质子，给予射频(rf)激发后，水和脂肪的横向磁化矢量处于同一相位。当rf停止后，由于水中的氢质子比脂肪中的氢质子进度频率快，经过一段时间后，水中的氢质子的相位与脂肪中的氢质子相位差为180度时，其宏观横向磁化矢量相互抵消，磁共振扫描仪检测到的信号为水和脂肪信号相减的差值，将这种图像称为反相位图像。
71.再经过一段时间后，水中的氢质子的相位与脂肪中的氢质子相位差为360度时，两者的相位再次重合，此时磁共振扫描仪检测到的信号为水和脂肪信号相加的和，将这种图像称为同相位图像。
72.在弛豫过程中，上述两者的相位周而复始的进行，依次会出现同相位、反相位，从而可以采集到被测对象的腹部的t1加权同相位图像和t1加权反相位图像。
73.s102：通过已训练的图像分割模型，对t1加权图像中肝脏血管对应的图像进行剔除处理，得到肝脏分割图像。
74.已训练的图像分割模型是以金字塔注意力网络(pyramid attention network，pan)为基础，利用样本训练集对该pan进行训练得到的。样本训练集中包括多个样本t1加权图像，以及各个样本t1加权图像对应的肝脏掩模图像。其中，样本t1加权图像包括样本t1加权同相位图像和样本t1加权反相位图像。肝脏掩模图像为标记有肝脏区域且剔除肝脏血管后的图像。
75.在本实施例中，图像分割模型可以由本设备预先训练好，也可以由其他设备预先训练好后将图像分割模型对应的文件移植至本设备中。也就是说，训练该图像分割模型的执行主体与使用该图像分割模型进行图像分割的执行主体可以是相同的，也可以是不同的。例如，当采用其他设备训练图像分割模型时，其他设备对图像分割模型结束训练后，固定图像分割模型的模型参数，得到已训练的图像分割模型对应的文件，然后将该文件移植
到本设备中。
76.通过已训练的图像分割模型，对t1加权图像进行分割处理，可以将被测对象腹部的肝脏对应的图像分割出来，且剔除了t1加权图像中肝脏血管对应的图像，得到最终的肝脏分割图像。
77.本实施方式中，通过已训练的图像分割模型对t1加权图像进行处理，剔除了t1加权图像中肝脏血管对应的图像，使得到的肝脏分割图像更准确。且没有了肝脏血管的干扰，可使基于该肝脏图像最终计算得到的脂肪含量值更接近真实脂肪含量值，从而提高了脂肪定量结果的精确性。
78.请参见图2，图2是本技术另一示例性实施例示出的一种分割图像的方法的步骤s102的具体流程图；可选地，在本技术一些可能的实现方式中，上述s102可包括s1021～s1024，具体如下：
79.s1021：通过图像分割模型提取t1加权反相位图像中的肝脏边缘特征，以及t1加权同相位图像中的肝脏血管特征。
80.示例性地，已训练的图像分割模型可以包括特征金字塔注意力(fpa)模块和全局注意力上采样(gau)模块。fpa模块和gau模块可用于提取t1加权反相位图像中的肝脏边缘特征，以及提取t1加权同相位图像中的肝脏血管特征。
81.示例性地，fpa模块中包含多个卷积层，如7*7卷积层、5*5卷积层、3*3卷积层。通过fpa模块中的多个卷积层对t1加权反相位图像进行下采样操作，提取t1加权反相位图像中肝脏对应的肝脏边缘特征。该肝脏边缘特征能够用于表明肝脏的边界。
82.gau模块中也包含卷积层，如3*3卷积层。通过gau模块中的卷积层对t1加权同相位图像进行卷积操作，提取t1加权同相位图像中肝脏对应的肝脏血管特征。
83.可选地，在本技术一些可能的实现方式中，在执行s1021步骤之前，还可对t1加权反相位图像和t1加权同相位图像进行预处理。再通过图像分割模型提取预处理后的t1加权反相位图像中的肝脏边缘特征，以及预处理后的t1加权同相位图像中的肝脏血管特征。
84.示例性地，预处理可以包括归一化处理、裁剪处理及去噪处理中的任意一种或多种组合。例如，对t1加权反相位图像和t1加权同相位图像进行裁剪，使t1加权反相位图像和t1加权同相位图像的尺寸满足预设尺寸。
85.又例如，对t1加权同相位图像进行去噪处理，得到去噪图像，对去噪图像进行归一化处理，使该去噪图像中每个像素点对应的像素值落入[0，255]中，得到预处理后的t1加权同相位图像。或者，直接对t1加权同相位图像进行归一化处理，得到预处理后的t1加权同相位图像。同理，对t1加权反相位图像也进行预处理，得到预处理后的t1加权反相位图像。此处仅为示例性说明，对此不做限定。
[0086]
对t1加权反相位图像和t1加权同相位图像进行预处理，剔除了干扰，使图像更规范，有利于后续提升图像分割模型提取各自对应的特征的速度，有助于提高后续分割图像的准确度。
[0087]
s1022：根据肝脏边缘特征确定肝脏图像。
[0088]
示例性地，图像分割模型会根据提取到的肝脏边缘特征生成边缘特征图，利用gau模块对边缘特征图进行上采样操作，恢复肝脏对应的空间信息和边缘信息，得到只包含肝脏区域的肝脏图像。
[0089]
s1023：根据肝脏血管特征从肝脏图像中确定肝脏血管对应的图像。
[0090]
示例性地，图像分割模型对提取到的肝脏血管特征进行卷积操作，从而在肝脏图像中确定肝脏血管对应的图像。
[0091]
可选地，通过fpa模块中的多个卷积层对肝脏图像进行下采样操作，提取肝脏图像的肝脏血管边缘特征。该肝脏血管边缘特征能够用于表明肝脏血管的边界。
[0092]
根据肝脏血管特征和肝脏血管边缘特征，在肝脏图像中确定肝脏血管对应的图像。例如，将肝脏血管特征和肝脏血管边缘特征结合在一起，得到肝脏血管对应的图像。具体地，图像分割模型中包含池化层，利用池化层连接肝脏血管特征和肝脏血管边缘特征，得到肝脏图像中肝脏血管对应的图像。
[0093]
s1024：从t1加权图像中剔除肝脏血管对应的图像，得到肝脏分割图像。
[0094]
示例性地，t1加权图像包括t1加权同相位图像和t1加权反相位图像，可以从t1加权同相位图像中剔除肝脏血管对应的图像，得到肝脏分割图像；也可以从t1加权反相位图像中剔除肝脏血管对应的图像，得到肝脏分割图像。
[0095]
剔除肝脏血管对应的图像具体可以是，不显示肝脏血管对应的图像。例如，将肝脏血管对应的图像的每个像素点标记为0，使肝脏血管对应的图像的每个像素点以黑色显示，从而使得肝脏血管对应的图像均以黑色显示。肝脏图像中除肝脏血管对应的图像外，均以白色显示，从而得到肝脏分割图像。
[0096]
为了更直观地展现肝脏分割图像，请参见图3，图3是本技术提供的一种肝脏分割图像。如图3所示，图3中左侧列展示的是3个不同的t1加权同相位图像，中间列展示的是通过医学软件标注的3个肝脏真值图像，右侧列展示的是通过图像分割模型处理得到的3个肝脏分割图像。对于任一个肝脏分割图像，白色区域为分割出来的肝脏对应的图像，白色区域中的黑色区域为剔除掉的肝脏血管对应的图像。
[0097]
从图3中可以明显看出，通过本技术中的图像分割模型处理得到的肝脏分割图像与标准的肝脏真值图像极为接近。也就是说，通过本技术中的图像分割模型处理得到的肝脏分割图像，与被测对象实际的肝脏以及肝脏血管的区域高度吻合。即通过本技术中的方法实现了肝脏组织剔除肝脏血管的精确分割。
[0098]
本实施方式中，通过图像分割模型提取特征、确定肝脏图像以及确定肝脏血管对应的图像，进而剔除肝脏血管对应的图像，得到肝脏分割图像，实现了在肝脏组织中精确剔除肝脏血管，从而实现了肝脏的精确分割，使得到的肝脏分割图像更准确。且没有了肝脏血管的干扰，可使基于该肝脏图像最终计算得到的脂肪含量值更接近真实脂肪含量值，从而提高了脂肪定量结果的精确性。
[0099]
请参见图4，图4是本技术另一示例性实施例示出的一种分割图像的方法的示意性流程图。如图4所示的一种分割图像的方法可包括：s201～s204，其中，s201、s202与图1对应的实施例中的s101、s102完全相同，具体参考图1对应的实施例中的s101、s102的描述，s203～s204具体如下：
[0100]
s203：获取被测对象的腹部的质子密度脂肪分数定量图像。
[0101]
示例性地，可以通过磁共振化学位移编码成像技术得到质子密度脂肪分数定量图像，即pdff定量图像。
[0102]
人体组织内水中的氢质子和脂肪中的氢质子存在化学位移，利用磁共振化学位移
编码成像技术，使用磁共振梯度回波成像序列采集多个不同回波时间的磁共振图像，在不同回波时间下的磁共振图像中水氢质子与脂肪氢质子具有不同的相位差。再通过预设的编码成像模型求解，就可以将水氢质子和脂肪氢质子分离得到纯水图像和纯脂肪图像，再根据质子密度脂肪分数＝脂肪图像/(脂肪图像 水图像)可以得到质子密度脂肪分数。
[0103]
在实际应用中，分割图像的设备预先与磁共振扫描仪通信连接，磁共振扫描仪采集被测对象的腹部的多回波图像，将采集到的多回波图像发送给该设备，该设备对多回波图像进行计算，得到被测对象的腹部的pdff定量图像。
[0104]
也可以是，磁共振扫描仪采集被测对象的腹部的多回波图像，对多回波图像进行计算，得到pdff定量图像。磁共振扫描仪将pdff定量图像发送给该设备，该设备接收磁共振扫描仪发送的pdff定量图像。
[0105]
例如，可以通过设置磁共振扫描仪的磁共振扫描参数，然后控制磁共振扫描仪扫描被测对象的腹部，使得磁共振扫描仪采集被测对象的腹部的多回波图像。
[0106]
在本技术实施例的一种可能的实现方式中，在利用磁共振扫描仪采集被测对象的腹部的t1加权图像时，可以同时采集该被测对象的腹部的多回波图像。因此，在采集t1加权图像和多回波图像时，两者都涉及到的参数可设置为相同的。例如，磁共振扫描参数设置为三维磁共振flash序列，扫描视野设置为280
×
400mm2，层内像分辨率设置为2.08
×
2.08mm2，层厚设置为6mm。
[0107]
由于多回波图像采用六回波数据采集，重复时间可设置为10.5ms，回波时间分别设置为1.67、3.15、4.63、6.11、7.59、9.07ms。此处仅为示例性说明，对此不做限定。
[0108]
利用多回波图像进行计算得到pdff定量图像的方法可以是，将多回波图像转换为多回波复值图像数据。将多回波复值图像数据导入利用回声不对称和最小二乘估计的水和脂肪迭代分解(iterative decomposition of water and fat withecho asymmetry and least-squares estimation，ideal)算法，求解出水和脂肪的初始比例，可用于模值重建水脂比例初始值。将初始水脂比例作为拟合回归模型的初始值，得到模值重建后的水脂比例估计以及图像。将多回波复值图像数据除以衰减系数，得到衰减矫正后的复值图像数据，将矫正后的复值图像数据导入ideal算法中，得到复值重建后的水脂比例估计。将水脂比例估计、图像以及衰减矫正后的复值图像数据按预设方式加权，得到最终混合加权的pdff图像。具体实现过程可参考现有技术，此处不再赘述。
[0109]
s204：将肝脏分割图像和质子密度脂肪分数定量图像进行配准，得到脂肪定量结果。
[0110]
采用配准方法对肝脏分割图像和pdff定量图像进行配准，得到被测对象的肝脏的脂肪定量结果。示例性地，对肝脏分割图像和pdff定量图像进行特征提取，得到肝脏分割图像和pdff定量图像各自对应的特征点。进行相似性度量，在肝脏分割图像和pdff定量图像各自对应的特征点中找到匹配的特征点对。然后通过匹配的特征点对，确定图像空间坐标变换参数。最后由坐标变换参数进行图像配准，得到脂肪定量结果。
[0111]
在本实施方式中，采用配准方法对肝脏分割图像和pdff定量图像进行配准，得到被测对象的肝脏的脂肪定量结果。由于采用本技术提供的分割方法得到的肝脏分割图像剔除了肝脏血管对应的图像，没有了肝脏血管的干扰，使最终得到的脂肪定量结果更接近真
实结果，即肝脏脂肪含量值更接近与真实脂肪含量值，提升了脂肪定量结果的准确性，有利于后续被测对象的准确诊断。
[0112]
可选地，在一种可能的实现方式中，为了更直观地看到被测对象肝脏的脂肪分布情况，脂肪定量结果包含肝脏脂肪含量分布图像。请参见图图5a和图5b，图5a和图5b是本技术提供的对比图。
[0113]
如图5a和图5b所示，图5a中左边为配准后的肝脏分割图像叠在表观横向弛豫率图像上显示的结果，图5a中右边为未配准的肝脏分割图像叠在表观横向弛豫率图像上显示的结果。可以明显看出，左边的肝脏边缘与肝脏血管与表观横向弛豫率图像更贴合，也就是说，分割得到的肝脏分割图像与被测对象真实的肝脏更贴合，即肝脏分割图像中显示的肝脏区域以及剔除的肝脏血管都与真实数据更吻合。
[0114]
图5b中左边为剔除肝脏血管后的脂肪定量结果的显示图，均值mean为：9.2441，中值median为：8.6000。图5b中右边为未剔除肝脏血管后的脂肪定量结果的显示图，均值mean为：8.8110，中值median为：8.2000。
[0115]
脂肪定量结果是基于肝脏分割图像与pdff定量图像配准后得到的，不同的是，图5b中左边是在采用本方法得到的肝脏分割图像的基础上计算的脂肪定量结果，图5b中右边是在采用传统方法得到的分割图像的基础上计算的脂肪定量结果。由于采用本方法得到的肝脏分割图像剔除了肝脏血管对应的图像，可以明显看出，没有了肝脏血管的干扰，使最终得到的脂肪定量结果更接近真实结果，即肝脏脂肪含量值更接近与真实脂肪含量值，有利于后续的准确诊断。
[0116]
可选地，在本技术一些可能的实现方式中，还提供了一种训练图像分割模型的方法。具体地，图像分割模型的训练方式为：利用预设的样本训练集和损失函数对初始模型进行训练，得到已训练的图像分割模型。
[0117]
示例性地，样本训练集包括多个样本t1加权图像，以及各个样本t1加权图像对应的肝脏掩模图像。样本t1加权图像可以包括样本t1加权同相位图像和样本t1加权反相位图像。肝脏掩模图像为标记有肝脏区域且剔除肝脏血管后的图像。
[0118]
例如，通过磁共振扫描仪采集多名志愿者的腹部的t1加权图像，作为样本t1加权图像。为了便于后续对训练中的初始模型进行测试，在采集t1加权图像的同时，还可采集各个t1加权图像对应的pdff定量图像，即采集多名志愿者的腹部的pdff定量图像。采集方法可以参考s101中的描述，此处不再赘述。
[0119]
在样本t1加权同相位图像上标记出肝脏区域并剔除肝脏血管，得到的图像即为肝脏掩模图像。具体地，将样本t1加权同相位图像中肝脏区域的像素点设置为1，背景、肝脏血管以及其他组织等的像素点设置为0，设置完成后得到的图像为肝脏掩模图像。值得说明的是，可以采用人工标记、机器标记，或者其结合等方式对样本t1加权同相位图像进行标记，对此不做限定。
[0120]
可选地，为了增加样本数量，可对样本t1加权同相位图像、样本t1加权反相位图像以及肝脏掩模图像进行归一化处理、裁剪处理、指定角度旋转处理、翻转处理等，从而得到更多的样本。
[0121]
示例性地，在实际应用中，可以选取不小于1000组的样本数据，作为样本训练集。
为了提升训练效果，可以在样本训练集中选取一部分(如30％的样本数据)作为验证集，用于在训练图像分割模型的过程中，对图像分割模型的训练效果进行验证。
[0122]
预设的损失函数可以包括交叉熵损失函数、对数损失函数、均方差公式等。初始模型可以包括pan网络、u-net网络等。本实施方式中以pan网络为例进行说明。
[0123]
示例性地，利用预设的样本训练集和交叉熵损失函数对pan网络进行训练，得到已训练的图像分割模型。
[0124]
本实施方式中，利用预设的样本训练集和损失函数对初始模型进行训练，得到已训练的图像分割模型。样本训练集中的肝脏掩模图像为标记有肝脏区域且剔除肝脏血管后的图像。也就是说，该肝脏掩模图像为初始模型学习的目标，在训练过程中初始模型会学习肝脏掩模图像对应的特征。例如，肝脏掩模图像上剔除了肝脏血管的图像，训练中的初始模型可以学习到肝脏血管这个位置是没有像素特征的，使最终训练好的图像分割模型可以输出剔除血管后的特征图。便于后续在使用该图像分割模型时，可以得到准确的肝脏分割图像。
[0125]
可选地，在本技术一些可能的实现方式中，利用预设的样本训练集和损失函数对初始模型进行训练，得到已训练的图像分割模型可具体包括：s301～s304，具体如下：
[0126]
s301：将样本训练集中的样本t1加权图像输入到初始模型中处理，得到样本t1加权图像的样本分割图像。
[0127]
未训练的图像分割模型可以包括pan网络、u-net网络等。本实施方式中以pan网络为例进行说明。
[0128]
示例性地，将样本t1加权图像输入到pan网络中处理，得到样本t1加权图像对应的样本分割图像。pan网络的结构与已训练的图像分割模的网络结构相同，pan网络对样本t1加权图像的处理过程，可参考s1021～s1024中的描述，此处不再赘述。
[0129]
s302：根据损失函数计算样本t1加权图像的样本分割图像，与样本t1加权图像对应的肝脏掩模图像之间的损失值。
[0130]
示例性地，预设的损失函数可以包括交叉熵损失函数、对数损失函数、均方差公式等。
[0131]
例如，通过交叉熵损失函数计算样本t1加权图像的样本分割图像，与该样本t1加权图像对应的肝脏掩模图像之间的损失值。
[0132]
在得到样本t1加权图像的样本分割图像，与样本t1加权图像对应的肝脏掩模图像之间的损失值时，判断损失值与预设阈值的大小。当损失值大于预设阈值时，执行s303；当损失值小于或等于预设阈值时，执行s304。
[0133]
s303：当检测到损失值大于预设阈值时，调整初始模型的模型参数，并利用样本训练集继续训练该初始模型。
[0134]
示例性地，当执行训练过程的设备(例如，分割图像的设备，或者其他设备)在确认当前的损失值大于预设阈值时，判定当前正在训练中的初始模型未达到要求。此时，调整训练中的初始模型的模型参数(如权重值)，并利用样本训练集继续训练该初始模型。即返回执行s301～s302，直至检测到损失值小于或等于预设阈值时，执行s304。
[0135]
s304：当检测到损失值小于或等于预设阈值时，停止训练初始模型，并将训练后的初始模型确定为图像分割模型。
[0136]
示例性地，当执行训练过程的设备(例如，分割图像的设备，或者其他设备)在确认当前的损失值小于或等于预设阈值时，判定当前正在训练中的初始模型达到要求。此时，固定初始模型中的模型参数，将固定模型参数后的初始模型确定为已训练的图像分割模型。
[0137]
本实施方式中，图像分割模型经过了大量样本训练才得到，在训练过程中学习到了如何提取丰富、有效的特征信息，且其对应的损失值较小。因此，使用该图像分割模型对t1加权图像中肝脏血管对应的图像进行剔除处理，可以得到准确的肝脏分割图像。
[0138]
可选地，在本技术一些可能的实现方式中，利用预设的样本训练集和损失函数对初始模型进行训练，得到已训练的图像分割模型还可以包括：s401～s404，具体如下：
[0139]
s401：将样本训练集中的样本t1加权图像输入到初始模型中处理，得到样本t1加权图像的样本分割图像。
[0140]
未训练的图像分割模型可以包括pan网络、u-net网络等。本实施方式中以pan网络为例进行说明。
[0141]
示例性地，将样本t1加权图像输入到pan网络中处理，得到样本t1加权图像对应的样本分割图像。pan网络的结构与已训练的图像分割模的网络结构相同，pan网络对样本t1加权图像的处理过程，可参考s1021～s1024中的描述，此处不再赘述。
[0142]
s402：根据损失函数计算样本t1加权图像的样本分割图像，与样本t1加权图像对应的肝脏掩模图像之间的损失值。
[0143]
示例性地，预设的损失函数可以包括交叉熵损失函数、对数损失函数、均方差公式等。
[0144]
例如，通过交叉熵损失函数计算样本t1加权图像的样本分割图像，与该样本t1加权图像对应的肝脏掩模图像之间的损失值。
[0145]
s403：每当检测到损失值小于或等于预设阈值时输出中间模型，直至训练次数达到预设训练次数，获得多个中间模型。
[0146]
中间模型即当前训练中的初始模型。训练次数即迭代次数，也就是训练初始模型的次数。预设训练次数即预设迭代次数，预设训练次数可根据实际情况进行设置，对此不做限定。
[0147]
示例性地，在训练次数未达到预设训练次数前，执行训练过程的设备(例如，分割图像的设备，或者其他设备)在训练过程中，每当检测到损失值小于或等于预设阈值时，便输出一个中间模型。直至训练次数达到预设训练次数，此时输出了多个中间模型。
[0148]
例如，在训练次数未达到预设训练次数前，分割图像的设备通过样本训练集一直训练初始模型。在训练过程中，当检测到损失值小于或等于预设阈值时，便输出一个中间模型，然后通过样本训练集对该中间模型继续训练，当检测到继续训练的该中间模型的损失值小于或等于预设阈值时，输出这个中间模型。以此类推，直至训练次数达到预设训练次数，此时获得了多个中间模型。
[0149]
s404：从多个中间模型中确定图像分割模型。
[0150]
示例性地，可以根据各个中间模型对应的损失值确定图像分割模型。例如，获取各个中间模型的损失值，将损失值最小的中间模型确定为已训练的图像分割模型。
[0151]
可选地，也可以是对输出的各个中间模型进行测试，以验证各个中间模型的质量。根据各个测试结果在多个中间模型中确定图像分割模型。
[0152]
本实施方式中，通过样本训练集对初始模型进行训练，得到多个中间模型，在多个中间模型中挑选最好的中间模型作为已训练的图像分割模型，保障了图像分割模型的质量，进而后续使用该图像分割模型对t1加权图像中肝脏血管对应的图像进行剔除处理时，可以得到准确的肝脏分割图像。
[0153]
可选地，在本技术一些可能的实现方式中，上述s404可以包括s4041～s4043，具体如下：
[0154]
s4041：获取样本测试集。
[0155]
样本测试集包括多个测试t1加权图像，以及各个测试t1加权图像对应的肝脏掩模测试图像。肝脏掩模测试图像为标记有肝脏区域且剔除肝脏血管后的图像。
[0156]
示例性地，可以在样本训练集中选取若干个样本t1加权图像作为测试t1加权图像，将选取的若干个样本t1加权图像对应的肝脏掩模图像作为各个测试t1加权图像对应的肝脏掩模测试图像。
[0157]
s4042：利用样本测试集对多个中间模型进行测试。
[0158]
将样本测试集中的测试t1加权图像输入到各个中间模型中处理，得到测试t1加权图像的测试分割图像。获取该测试t1加权图像对应的pdff定量图像，采用配准方法对测试分割图像和该pdff定量图像进行配准，得到测试的脂肪定量结果。采用配准方法对测试t1加权图像的肝脏掩模测试图像和该pdff定量图像进行配准，得到标准的脂肪定量结果。计算测试的脂肪定量结果与标准的脂肪定量结果之间的差值，差值越小，则表示该中间模型的质量越好。
[0159]
针对每个中间模型，将多个测试t1加权图像依次输入到各个中间模型中处理，得到多个测试t1加权图像的测试分割图像。采用配准方法对各个测试分割图像和pdff定量图像进行配准，得到多个测试的脂肪定量结果。采用配准方法对各个测试t1加权图像的肝脏掩模测试图像和该pdff定量图像进行配准，得到多个标准的脂肪定量结果。
[0160]
计算各个测试的脂肪定量结果与各个标准的脂肪定量结果之间的差值，得到多个差值。计算多个差值的平均值，将该平均值作为每个中间模型的测试结果。
[0161]
s4043：根据各个测试结果，在多个中间模型中确定图像分割模型。
[0162]
获取每个中间模型的测试结果。例如，获取每个中间模型的差值的平均值，将差值的平均值最小的中间模型作为已训练的图像分割模型。
[0163]
本实施方式中，通过获取样本测试集对多个中间模型进行测试，根据测试结果在多个中间模型中挑选质量最好的中间模型作为已训练的图像分割模型，保障了图像分割模型的分割质量，进而后续使用该图像分割模型对t1加权图像中肝脏血管对应的图像进行剔除处理时，可以得到准确的肝脏分割图像。
[0164]
请参见图6，图6是本技术一实施例提供的一种分割图像的装置的示意图。该分割图像的装置包括的各单元用于执行图1、图2、图4对应的实施例中的各步骤。具体请参阅图1、图2、图4各自对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图6，包括：
[0165]
获取单元510，用于获取被测对象的腹部的t1加权图像；
[0166]
处理单元520，用于通过已训练的图像分割模型，对所述t1加权图像中肝脏血管对应的图像进行剔除处理，得到肝脏分割图。
[0167]
可选地，所述t1加权图像包括t1加权同相位图像和t1加权反相位图像，所述处理单元520具体用于：
[0168]
通过所述图像分割模型提取所述t1加权反相位图像中的肝脏边缘特征，以及所述t1加权同相位图像中的肝脏血管特征；
[0169]
根据所述肝脏边缘特征确定肝脏图像；
[0170]
根据所述肝脏血管特征从所述肝脏图像中确定所述肝脏血管对应的图像；
[0171]
从所述t1加权图像中剔除所述肝脏血管对应的图像，得到所述肝脏分割图像。
[0172]
可选地，所述装置还包括配准单元，用于：
[0173]
获取所述被测对象的腹部的质子密度脂肪分数定量图像；
[0174]
将所述肝脏分割图像和所述质子密度脂肪分数定量图像进行配准，得到脂肪定量结果。
[0175]
可选地，所述装置还包括训练单元，用于：
[0176]
利用预设的样本训练集和损失函数对初始模型进行训练，得到所述已训练的图像分割模型，所述样本训练集包括多个样本t1加权图像，以及各个所述样本t1加权图像对应的肝脏掩模图像，所述肝脏掩模图像为标记有肝脏区域且剔除肝脏血管后的图像。
[0177]
可选地，所述训练单元还用于：
[0178]
将所述样本训练集中的样本t1加权图像输入到所述初始模型中处理，得到所述样本t1加权图像的样本分割图像；
[0179]
根据所述损失函数计算所述样本t1加权图像的样本分割图像，与所述样本t1加权图像对应的肝脏掩模图像之间的损失值；
[0180]
当检测到所述损失值大于预设阈值时，调整所述初始模型的模型参数，并利用所述样本训练集继续训练所述初始模型；
[0181]
当检测到所述损失值小于或等于所述预设阈值时，停止训练所述初始模型，并将训练后的所述初始模型确定为所述图像分割模型。
[0182]
可选地，所述训练单元还用于：
[0183]
将所述样本训练集中的样本t1加权图像输入到所述初始模型中处理，得到所述样本t1加权图像的样本分割图像；
[0184]
根据所述损失函数计算所述样本t1加权图像的样本分割图像，与所述样本t1加权图像对应的肝脏掩模图像之间的损失值；
[0185]
每当检测到所述损失值小于或等于预设阈值时输出中间模型，直至训练次数达到预设训练次数，获得多个所述中间模型；
[0186]
从多个所述中间模型中确定所述图像分割模型。
[0187]
可选地，所述训练单元还用于：
[0188]
获取样本测试集，所述样本测试集包括多个测试t1加权图像，以及各个所述测试t1加权图像对应的肝脏掩模测试图像；
[0189]
利用所述样本测试集对所述多个中间模型进行测试；
[0190]
根据各个测试结果，在多个所述中间模型中确定所述图像分割模型。
[0191]
请参见图7，图7是本技术另一实施例提供的分割图像的设备的示意图。如图7所示，该实施例的分割图像的设备6包括：处理器60、存储器61以及存储在所述存储器61中并
可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个分割图像的方法实施例中的步骤，例如图1所示的s101至s102。或者，所述处理器60执行所述计算机程序62时实现上述各实施例中各单元的功能，例如图6所示单元510至520功能。
[0192]
示例性地，所述计算机程序62可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器61中，并由所述处理器60执行，以完成本技术。所述一个或多个单元可以是能够完成特定功能的一系列计算机指令段，该指令段用于描述所述计算机程序62在所述分割图像的设备6中的执行过程。例如，所述计算机程序62可以被分割为获取单元和处理单元，各单元具体功能如上所述。
[0193]
所述设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图7仅仅是分割图像的设备6的示例，并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述设备还可以包括输入输出设备、网络接入设备、总线等。
[0194]
所称处理器60可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0195]
所述存储器61可以是所述设备的内部存储单元，例如设备的硬盘或内存。所述存储器61也可以是所述设备的外部存储终端，例如所述设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器61还可以既包括所述设备的内部存储单元也包括外部存储终端。所述存储器61用于存储所述计算机指令以及所述终端所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
[0196]
本技术实施例还提供了一种计算机存储介质，计算机存储介质可以是非易失性，也可以是易失性，该计算机存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述各个分割图像的方法实施例中的步骤。
[0197]
本技术还提供了一种计算机程序产品，当计算机程序产品在设备上运行时，使得该设备执行上述各个分割图像的方法实施例中的步骤。
[0198]
本技术实施例还提供了一种芯片或者集成电路，该芯片或者集成电路包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有该芯片或者集成电路的设备执行上述各个分割图像的方法实施例中的步骤。
[0199]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模
块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0200]
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或记载的部分，可以参见其它实施例的相关描述。
[0201]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0202]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神范围，均应包含在本技术的保护范围之内。