病变区域图像获取方法、装置及相关设备与流程

1.本发明涉及图像处理领域，尤其涉及一种病变区域图像获取方法、装置、计算机设备及存储介质。


背景技术：

2.肝脏疾病是仅次于肺癌的第二大高致死率癌症，也是中国和全世界发病率和死亡率增长最快的疾病之一。虽然计算机断层扫描 (computed tomography，ct)已广泛应用于肝部病变区域的筛查、诊断和治疗评估，但对肝脏ct图像中的肝部病变区域进行定性和定量分析需要花费医生大量时间且医生的分析结果具有主观性，因此，针对肝脏ct图像判断肝部病变区域的准确性较低。在计算机技术和人工智能的推动下，计算机辅助诊断系统(computer aided design，cad)快速发展，cad可以对医学影像进行自动化处理,对医学影像中的肝脏和肝部病变区域进行智能化分析，为医生提供诊断依据。在对肝脏和肝部病变区域智能分析中，肝脏分割和肝部病变区域分割是必不可少的一步。然而，由于肝脏与周边组织的对比度低，相邻器官边界模糊，形状变化大，分割肝脏是一项具有挑战性的任务。同时肝部病变区域形态呈弥漫性、不均匀性和稀疏性，大小不一，特征不明显，分割肝部病变区域难度大，导致分割出来的肝部病变区域准确率低。其他器官病变区域也类似。
3.因此，现有方式在对器官的病变区域进行智能分析时，存在对图像进行分割的准确率低的问题。


技术实现要素：

4.本发明实施例提供一种病变区域图像获取方法、装置、计算机设备和存储介质，以提高在对器官和器官的病变区域进行智能分析时，对图像进行分割的准确率。
5.为了解决上述技术问题，本技术实施例提供一种病变区域图像获取方法，包括：获取ct图像，并将所述ct图像输入三维分割模型中；基于所述三维分割模型，对所述ct图像进行像素值计算，并根据预设的标注化方式，对得到的像素结果进行标注化处理，得到第一标注数据；基于所述第一标注数据，对所述ct图像进行分割处理，得到图像分割结果；基于形态学算法，对所述图像分割结果进行处理，得到器官图像；将所述器官图像输入病变区域三维分割模型中，并基于所述病变区域三维分割模型，对所述器官图像进行扫描计算，并对扫描计算后得到的结果进行像素值计算，得到所述器官图像对应的像素结果；根据预设的标注化方式，对所述器官图像对应的像素结果进行标注化处理，得到第二标注化数据；基于所述第二标注化数据，对所述器官图像进行分割处理，得到病变区域分割图像；对所述病变区域分割图像中的病变区域进行三维重建处理，得到病变区域图像。
6.为了解决上述技术问题，本技术实施例还提供一种病变区域图像获取装置，包括：ct图像获取模块，用于获取ct图像，并将所述ct图像输入三维分割模型中；第一标注数据获取模块，用于基于所述三维分割模型，对所述ct图像进行像素值计算，并根据预设的标注化方式，对得到的像素结果进行标注化处理，得到第一标注数据；图像分割结果获取模块，用于基于所述第一标注数据，对所述ct图像进行分割处理，得到图像分割结果；处理模块，用于基于形态学算法，对所述图像分割结果进行处理，得到器官图像；像素结果获取模块，用于将所述器官图像输入病变区域三维分割模型中，并基于所述病变区域三维分割模型，对所述器官图像进行扫描计算，并对扫描计算后得到的结果进行像素值计算，得到所述器官图像对应的像素结果；第二标注化数据获取模块，用于根据预设的标注化方式，对所述器官图像对应的像素结果进行标注化处理，得到第二标注化数据；病变区域分割图像获取模块，用于基于所述第二标注化数据，对所述器官图像进行分割处理，得到病变区域分割图像；三维重建模块，用于对所述病变区域分割图像中的病变区域进行三维重建处理，得到病变区域图像。
7.为了解决上述技术问题，本技术实施例还提供一种计算机设备，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，所述处理器执行所述计算机程序时实现上述病变区域图像获取方法的步骤。
8.为了解决上述技术问题，本技术实施例还提供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上述病变区域图像获取方法的步骤。
9.本发明实施例提供的病变区域图像获取方法、装置、计算机设备及存储介质，通过获取ct图像，并将ct图像输入三维分割模型中；基于三维分割模型，对ct图像进行像素值计算，并根据预设的标注化方式，对得到的像素结果进行标注化处理，得到第一标注数据；基于第一标注数据，对ct图像进行分割处理，得到图像分割结果；基于形态学算法，对图像分割结果进行处理，得到器官图像；将器官图像输入病变区域三维分割模型中，并基于病变区域三维分割模型，对器官图像进行扫描计算，并对扫描计算后得到的结果进行像素值计算，得到器官图像对应的像素结果；根据预设的标注化方式，对器官图像对应的像素结果进行标注化处理，得到第二标注化数据；基于第二标注化数据，对器官图像进行分割处理，得到病变区域分割图像；对病变区域分割图像中的病变区域进行三维重建处理，得到病变区域图像。通过上述步骤，采用基于三维u-net网络架构的两阶段分割方法，第一阶段利用三维分割模型将组织从ct图像中分割出来，然后在第二阶段利用病变区域三维分割模型从分割好的组织中分割出肿瘤区域，实现对ct图像依次进行分割和病变区域分割，提高在对器官和器官病变区域进行智能分析时，对图像进行分割的准确率。
附图说明
10.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。
11.图1是本技术可以应用于其中的示例性系统架构图；图2是本技术的病变区域图像获取方法的一个实施例的流程图；图3为本技术的器官和病变区域三维分割模型的示意图；图4为本技术的从ct图像中分割出器官图像的示意图；图5为本技术的从器官图像中分割出病变区域图像的示意图；图6是根据本技术的病变区域图像获取装置的一个实施例的结构示意图；图7是根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
12.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
13.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
14.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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
15.请参阅图1，如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
16.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。
17.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器( moving picture e界面显示perts group audio layer iii，动态影像专家压缩标准音频层面3 )、mp4( moving picture e界面显示perts group audio layer iv，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
18.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
19.需要说明的是，本技术实施例所提供的病变区域图像获取方法由服务器执行，相应地，病变区域图像获取装置设置于服务器中。
20.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器，本技术实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。
21.请参阅图2，图2示出本发明实施例提供的一种病变区域图像获取方法，以该方法应用在图1中的服务端为例进行说明，详述如下：s201：获取ct图像，并将ct图像输入三维分割模型中。
22.在步骤s201中，ct图像是指基于计算机断层扫描得到的ct图像。
23.针对不同的器官，ct图像是指对不同部位器官进行扫描得到的图像。例如，当针对肝脏时，则ct图像为腹部ct图像。
24.应理解，本技术可适用于不同的器官进行病变区域分割。本技术实施例采用肝脏进行解释说明。
25.上述三维分割模型是指基于三维分割模型实现从ct图像分割出组织。
26.其中，普通三维网络模型包含一个编码器部分和一个解码器部分,编码器部分是用来分析图像并且进行特征提取与分析,而与之相对应的解码器部分是生成分割好的二值图像。如图3所示，该图为三维分割模型和病变区域三维分割模型，三维分割模型和病变区域三维分割模型对原始的网络结构上进行了改进，除了解码阶段的最底下两层外，解码器的每一层都加了额外的损失函数,这样使得梯度信息能够更深层地注入网络，同时促进网络中所有层的训练。其中，每一个编码器和解码器都由2个卷积层组成，再通过对应的上采样恢复尺寸，最后经过获得softmax获得输出的分割图。下采样是一个具有步幅长度的卷积，上采样是一次卷积的转置操作。
27.应理解，三维分割模型采用了损失函数选择为dice损失函数。病变区域三维分割模型采用了组合损失函数，该损失函数由dice损失函数和带权重的交叉熵损失函数组成。交叉熵损失函数的权重是通过统计训练数据中病变区域和背景的比例得到的,dice损失函数本身对类别不平衡问题较为不敏感，带权重的交叉熵损失函数则利用了阈值移动的原理来应对类别不平衡问题。通过组合这两个损失函数可以让模型更好地收敛，提高模型性能。
28.通过获取ct图像，并将ct图像输入三维分割模型中，以便于从ct图像分割出组织，从而针对组织进行进一步的处理，从而实现对ct图像的智能化分析。
29.在本实施例的一些可选的实现方式中，在步骤s201之前，病变区域图像获取方法进一步包括：s10、获取训练样本图像和训练病变区域样本图像。
30.s20、对训练样本图像和训练病变区域样本图像分别进行预处理，得到预处理样本图像和预处理病变区域样本图像。
31.s30、将预处理样本图像输入初始化三维分割模型进行训练，得到三维分割模型。
32.s40、将预处理病变区域样本图像输入初始化病变区域三维分割模型进行训练，得到病变区域三维分割模型。
33.对于步骤s10，上述训练样本图像是指用于训练三维分割模型的样本图像，上述训练病变区域样本图像是指用于训练病变区域三维分割模型的样本图像。
34.需要说明的是，上述训练样本图像和训练病变区域样本图像的获取方式包括但不限于计算机断层扫描、获取公开病变区域数据集。
35.当针对的器官为肝脏时，优选地，采用miccai肝肿瘤分割挑战的数据（lits）作为训练肝脏样本图像和训练肝部病变区域样本图像，其中，miccai肝肿瘤分割挑战数据由201张ct扫描图片组成。这些扫描的覆盖范围因腹部或整个腹部和胸部区域而异。数据集的面内分辨率为512x512，但每张ct图像在轴向切片数量和切片厚度方面有所不同。数据集ct扫描图像都是真实的患者图像、由世界各地的各种诊所提供，并可在miccai肝肿瘤分割挑战网站上下载获取。
36.对于步骤s20，上述预处理包括但不限于数据增强、归一化处理、去噪。
37.上述数据增强是指利用多种数据增强的手段以便于增加样本图像数量的方式。数据增强包括但不限于旋转和缩放、高斯加噪、高斯模糊、亮度处理、对比度处理、低像素仿真伽马增强、和镜像处理、平移处理和随机剪切。
38.上述归一化处理是指对样本图像的数据特征进行同一标准的方式。例如，通过统计整个数据集中样本图像像素的ct值范围，裁剪出[0.5，99.5]百分比范围的ct值来对数据进行全局归一化，保证了数据集的标准化。
[0039]
上述去噪是指计算豪斯菲尔德单位（hu，hounsfieldunit)。应理解，豪斯菲尔德单位是指由计算机断层扫描确定的相对密度，通常其值在-1000到1000之间。一些组织的放射密度具有宽范围的hu值。基于[-100，400] hu的范围，从图像中去除无关器官。数据中的噪音，如周围的组织、骨骼或空气，会影响分割结果，在预处理步骤中，hu值的窗口在-100到400之间，以去除无关的器官和组织，并保持肝脏区域进行分割。
[0040]
应理解，由于肝部病变区域病例公开的图像比较少，优选地，本发明实施例对数据集使用数据增强，提高了检测的准确性提高网络的鲁棒性。
[0041]
示例性地，对训练样本图像和训练病变区域样本图像进行数据增强的方法，其具体是：对训练样本图像进行切片处理，得到至少两个切分结果。
[0042]
基于插值算法，对所有切片结果进行数据增强处理，并将数据增强处理得到的结果作为预处理样本图像。
[0043]
对训练病变区域样本图像进行切片处理，得到至少两个病变区域切分结果。
[0044]
基于自适应直方图均衡化算法，对所有病变区域切片结果进行数据增强处理，并将数据增强处理得到的结果作为预处理病变区域样本图像。
[0045]
其中，以切片的方式对训练样本图像和训练病变区域样本图像进行预处理。把训练样本图像和训练病变区域样本图像分为{0、1、2}三个标签，其中值0表示背景，值1代表器官，值2表示肿瘤。
[0046]
上述插值算法是指包括但不限于样条曲线插值算法、最邻近插值算法。应理解，基于医学图像的ct数据是一个三维体数据，且切片之间存在连续性。针对ct数据，平面内的插值采用的是三阶样条插值，而平面外的插值用的是最邻近插值。基于插值算法对切片结果进行重采样来提高预处理样本图像的分辨率。例如，使用样条曲线插值算法将所有输入切片结果进行下采样到256*256分辨率。
[0047]
基于自适应直方图均衡化算法，增强病变区域切片结果，自适应直方图均衡化算法计算图像的不同区块区域上的直方图。使得在在更暗或更亮的区域中，局部细节也可以被增强。通过自适应直方图均衡化算法增强肝部病变区域切片结果的ct灰度值对比度。
[0048]
在步骤30中，训练过程存在类不平衡问题和计算成本问题，因此，优选地，切片选择，选择图像上包含肝脏的切片，以及其他六个无肝脏切片和肝脏切片，作为训练数据。
[0049]
需要说明的是，肝部病变区域分割和肝脏分割都采用三维分割模型。不同的地方在于肝部病变区域分割的网络的输入大小为256*256*256，计算的图像数据只包含肝脏区域，需要采用扫描计算的方式对整个肝脏区域进行计算，肝脏分割只需要网络对整体计算一次。
[0050]
在本实施例中，通过上述步骤训练得到的三维分割模型和病变区域三维分割模型，通过数据预处理方法对医学影像多元训练数据进行归一化，使其与深度学习模型相兼容，提高了模型的泛化能力，从而实现对ct图像的智能化分析。
[0051]
s202、基于三维分割模型，对ct图像进行像素值计算，并根据预设的标注化方式，对得到的像素结果进行标注化处理，得到第一标注数据。
[0052]
在步骤s202中，上述预设的标注化方式是指根据像素值标注ct图像不同区域的方式。例如，将ct图像标注为二进制值{0，1}，其中，器官为1，背景为0。
[0053]
上述第一标注数据是指对图像上不同区域进行相应标注的数据。
[0054]
通过对ct图像进行像素值计算，并根据预设的标注化方式，对得到的像素结果进行标注化处理，得到第一标注数据，以便于后续针对第一标注数据对器官区域进行分割，从而提高了ct图像的智能化分割。
[0055]
在本实施例的一些可选的实现方式中，步骤s202进一步包括：s2021、基于三维分割模型，对ct图像进行ct像素值计算，得到ct图像中每一个像素对应的ct像素值。
[0056]
s2022、将所有ct像素值与预设ct范围中的ct上限和ct下限分别进行对比，得到每一个ct像素值对应的对比结果。
[0057]
s2023、基于每一个ct像素值对应的对比结果，对ct图像进行标注化，得到第一标注数据，其中，当对比结果为ct像素值在预设ct范围中，则标注为区域，当对比结果为ct像素值不在预设ct范围中，则标注为其他区域。
[0058]
对于步骤s2022，上述预设的ct范围获取的方式包括但不限于经验值获取，根据图像ct像素值获取。
[0059]
示例性的，根据图像ct像素值获取的具体方式如下所示：对ct图像中所有ct像素值进行范围统计，得到ct图像对应的ct像素值范围。
[0060]
对ct像素值范围进行百分化处理，得到ct图像对应的ct像素百分比范围，其中，ct像素值范围和ct像素百分比范围中的值一一对应。
[0061]
基于预设的范围获取方式和ct像素百分比范围，对ct像素值范围进行范围提取，得到预设ct范围。
[0062]
优选地，上述预设ct范围为百分比范围为[0.5,99.5]。
[0063]
通过统计ct图像中所有ct像素值的ct像素值范围，裁剪出百分比范围的ct像素值来对数据进行全局归一化,保证了数据集的标准化。
[0064]
对于步骤s2023，当对比结果为ct像素值在预设ct范围中，则说明该ct像素值所在区域为器官区域，将该ct像素值所在区域标注为器官区域，当对比结果为ct像素值不在预设ct范围中，则说明该ct像素值所在区域不在器官区域，将该ct像素值所在区域标注为其
他区域。
[0065]
在本实施例中，通过上述步骤预设的ct范围，并根据预设的ct范围对ct图像进行标注，以便于后续根据该第一标注数据对ct图像进行分割处理，提高了ct图像的智能化分析。
[0066]
s203、基于第一标注数据，对ct图像进行分割处理，得到图像分割结果。
[0067]
在步骤s203中，其具体是，根据第一标注数据中的器官区域和其他区域对ct图像进行分割处理，并将分割出来的区域部分作为图像分割结果。
[0068]
通过第一标注数据对ct图像进行分割处理，得到图像分割结果，提高了ct图像的智能化分析，对分割的准确率。
[0069]
s204、基于形态学算法，对图像分割结果进行处理，得到器官图像。
[0070]
在步骤s204中，上述形态学算法是指使用二值图像，进行一系列处理图像形状特征的图像处理技术。
[0071]
上述处理是对器官分割后进行的步骤。
[0072]
如图4所示，该图为从ct图像中分割出肝脏图像的示意图。
[0073]
应理解，处理包括但不限于膨胀腐蚀、灰度对比调整。
[0074]
以膨胀腐蚀为例，步骤s204进一步包括：s2041、基于形态学算法，对图像分割结果中标注为其他区域的区域进行腐蚀处理，得到腐蚀结果。
[0075]
s2042、基于形态学算法，对腐蚀结果进行膨胀处理，得到器官图像。
[0076]
对于步骤s2041，上述腐蚀是指将图像或图像区域与核进行卷积，求局部最小值的方法。
[0077]
对于步骤s2042，上述膨胀是指将图像或图像区域与核进行卷积，求局部最大值的方法。
[0078]
通过对分割结果中标注为其他区域的连接通量进行腐蚀，然后只保留分割结果中的最大连接通量，最后再对最大连接通量进行膨胀。通过上述操作可以有效减少分割结果中的假阳性，从而提高对图像分割结果的准确率。
[0079]
s205、将器官图像输入病变区域三维分割模型中，并基于病变区域三维分割模型，对器官图像进行扫描计算，并对扫描计算后得到的结果进行像素值计算，得到器官图像对应的像素结果。
[0080]
在步骤s205中，上述扫描计算是指计算豪斯菲尔德单位（hu)。应理解，豪斯菲尔德单位是指由计算机断层扫描确定的相对密度。
[0081]
上述病变区域三维分割模型是指基于三维分割模型实现从器官图像分割出病变区域组织。
[0082]
应理解，病变区域三维分割模型采用了组合损失函数，该损失函数由dice损失函数和带权重的交叉熵损失函数组成。交叉熵损失函数的权重是通过统计训练数据中病变区域和背景的比例得到的，dice损失函数本身对类别不平衡问题较为不敏感，带权重的交叉熵损失函数则利用了阈值移动的原理来应对类别不平衡问题。通过组合这两个损失函数可以让模型更好地收敛，提高模型性能。
[0083]
通过将器官图像输入病变区域三维分割模型中，并基于病变区域三维分割模型，
对器官图像进行扫描计算，并对扫描计算后得到的结果进行像素值计算，得到器官图像对应的像素结果，基于该像素结果，以便于后续从器官图像中分割出病变区域图像，实现对病变区域分割的智能化分析。
[0084]
s206、根据预设的标注化方式，对器官图像对应的像素结果进行标注化处理，得到第二标注化数据。
[0085]
在步骤s206中，上述第二标注数据是指基于器官图像对应的像素结果，对器官图像上不同区域进行相应标注的数据。
[0086]
上述预设的标注化方式与步骤s202一致，此处不再赘述。
[0087]
通过根据预设的标注化方式，对器官图像对应的像素结果进行标注化处理，得到第二标注化数据，以便于后续针对第二标注数据对器官图像进行分割，得到病变区域，从而提高了对器官图像的智能化分割，提高得到病变区域图像的准确率。
[0088]
s207、基于第二标注化数据，对器官图像进行分割处理，得到病变区域分割图像。
[0089]
在步骤s203中，其具体是，根据第二标注数据中的器官区域和病变区域对器官图像进行分割处理，并将分割出来的病变区域部分作为病变区域分割图像。
[0090]
通过第二标注数据对器官图像进行分割处理，得到病变区域分割图像，提高了对器官图像的智能化分析，对病变区域分割的准确率。
[0091]
s208、对病变区域分割图像中的病变区域进行三维重建处理，得到病变区域图像。
[0092]
在步骤s208中，上述三维重建是指根据单视图或者多视图的图像重建三维信息的过程。
[0093]
如图5所示，该图为从器官图像中分割出病变区域图像的示意图。
[0094]
通过对病变区域分割图像中的病变区域进行三维重建处理，得到病变区域图像，提高了对器官图像的智能化分析，对病变区域分割的准确率。
[0095]
在本实施例中，通过获取ct图像，并将ct图像输入三维分割模型中；基于三维分割模型，对ct图像进行像素值计算，并根据预设的标注化方式，对得到的像素结果进行标注化处理，得到第一标注数据；基于第一标注数据，对ct图像进行分割处理，得到图像分割结果；基于形态学算法，对图像分割结果进行处理，得到器官图像；将器官图像输入病变区域三维分割模型中，并基于病变区域三维分割模型，对器官图像进行扫描计算，并对扫描计算后得到的结果进行像素值计算，得到器官图像对应的像素结果；根据预设的标注化方式，对器官图像对应的像素结果进行标注化处理，得到第二标注化数据；基于第二标注化数据，对器官图像进行分割处理，得到病变区域分割图像；对病变区域分割图像中的病变区域进行三维重建处理，得到病变区域图像。通过上述步骤，采用基于三维u-net网络架构的两阶段分割方法，第一阶段利用三维分割模型将组织从ct图像中分割出来，然后在第二阶段利用病变区域三维分割模型从分割好的组织中分割出肝肿瘤区域，实现对ct图像依次进行分割和病变区域分割，提高在对器官和该器官的病变区域进行智能分析时，对图像进行分割的准确率。
[0096]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0097]
图6示出与上述实施例病变区域图像获取方法一一对应的病变区域图像获取装置
的原理框图。如图6所示，该病变区域图像获取装置包括ct图像获取模块31、第一标注数据获取模块32、图像分割结果获取模块33、处理模块34、像素结果获取模块35、第二标注化数据获取模块36、病变区域分割图像获取模块37和三维重建模块38。各功能模块详细说明如下：ct图像获取模块31，用于获取ct图像，并将ct图像输入三维分割模型中。
[0098]
第一标注数据获取模块32，用于基于三维分割模型，对ct图像进行像素值计算，并根据预设的标注化方式，对得到的像素结果进行标注化处理，得到第一标注数据。
[0099]
图像分割结果获取模块33，用于基于第一标注数据，对ct图像进行分割处理，得到图像分割结果。
[0100]
处理模块34，用于基于形态学算法，对图像分割结果进行处理，得到器官图像。
[0101]
像素结果获取模块35，用于将器官图像输入病变区域三维分割模型中，并基于病变区域三维分割模型，对器官图像进行扫描计算，并对扫描计算后得到的结果进行像素值计算，得到器官图像对应的像素结果。
[0102]
第二标注化数据获取模块36，用于根据预设的标注化方式，对器官图像对应的像素结果进行标注化处理，得到第二标注化数据。
[0103]
病变区域分割图像获取模块37，用于基于第二标注化数据，对器官图像进行分割处理，得到病变区域分割图像。
[0104]
三维重建模块38，用于对病变区域分割图像中的病变区域进行三维重建处理，得到病变区域图像。
[0105]
在其中一个实施例中，在ct图像获取模块11之前，病变区域图像获取装置进一步包括：训练样本图像获取模块，用于获取训练样本图像和训练病变区域样本图像。
[0106]
预处理模块，用于对训练样本图像和训练病变区域样本图像分别进行预处理，得到预处理样本图像和预处理病变区域样本图像。
[0107]
三维分割模型获取模块，用于将预处理样本图像输入初始化三维分割模型进行训练，得到三维分割模型。
[0108]
病变区域三维分割模型获取模块，用于将预处理病变区域样本图像输入初始化病变区域三维分割模型进行训练，得到病变区域三维分割模型。
[0109]
在其中一个实施例中，预处理模块进一步包括：第一切片单元，用于对训练样本图像进行切片处理，得到至少两个切分结果。
[0110]
预处理样本图像获取单元，用于基于插值算法，对所有切片结果进行数据增强处理，并将数据增强处理得到的结果作为预处理样本图像。
[0111]
第二切片单元，用于对训练病变区域样本图像进行切片处理，得到至少两个病变区域切分结果。
[0112]
预处理病变区域样本图像获取单元，用于基于自适应直方图均衡化算法，对所有病变区域切片结果进行数据增强处理，并将数据增强处理得到的结果作为预处理病变区域样本图像。
[0113]
在其中一个实施例中，第一标注数据获取模块32进一步包括：ct像素值获取单元，用于基于三维分割模型，对ct图像进行ct像素值计算，得到ct
图像中每一个像素对应的ct像素值。
[0114]
对比单元，用于将所有ct像素值与预设ct范围中的ct上限和ct下限分别进行对比，得到每一个ct像素值对应的对比结果。
[0115]
第一标注数据获取单元，用于基于每一个ct像素值对应的对比结果，对ct图像进行标注化，得到第一标注数据，其中，当对比结果为ct像素值在预设ct范围中，则标注为器官区域，当对比结果为ct像素值不在预设ct范围中，则标注为其他区域。
[0116]
在其中一个实施例中，在ct像素值获取单元之后，对比单元之前，第一标注数据获取模块32进一步包括：ct像素值范围获取单元，用于对ct图像中所有ct像素值进行范围统计，得到ct图像对应的ct像素值范围。
[0117]
百分化单元，用于对ct像素值范围进行百分化处理，得到ct图像对应的ct像素百分比范围，其中，ct像素值范围和ct像素百分比范围中的值一一对应。
[0118]
预设ct范围获取单元，基于预设的范围获取方式和ct像素百分比范围，对ct像素值范围进行范围提取，得到预设ct范围。
[0119]
在其中一个实施例中，处理模块34进一步包括：腐蚀单元，用于基于形态学算法，对图像分割结果中标注为其他区域的区域进行腐蚀处理，得到腐蚀结果。
[0120]
膨胀单元，用于基于形态学算法，对腐蚀结果进行膨胀处理，得到器官图像。
[0121]
关于病变区域图像获取装置的具体限定可以参见上文中对于病变区域图像获取方法的限定，在此不再赘述。上述病变区域图像获取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。
[0122]
为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图7，图7为本实施例计算机设备基本结构框图。
[0123]
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器 (digital signal processor，dsp)、嵌入式设备等。
[0124]
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
[0125]
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，sd或d界面显示存储器等）、随机访问存储器（ram）、静态随机访问存储器（sram）、只读存储器（rom）、电可擦除可编程只读存储器（eeprom）、可编程
只读存储器（prom）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4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。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如电子文件的控制的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0126]
所述处理器42在一些实施例中可以是中央处理器（central processing unit，cpu）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据，例如运行电子文件的控制的程序代码。
[0127]
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
[0128]
本技术还提供了另一种实施方式，即提供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界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的病变区域图像获取方法的步骤。
[0129]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如rom/ram、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本技术各个实施例所述的方法。
[0130]
显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。