图像分割模型的训练方法、图像分割方法和装置与流程

1.本技术涉及图像处理技术领域，特别是涉及一种图像分割模型的训练方法、图像分割方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.随着计算机辅助技术在医学影像领域的发展，越来越多的医疗人员开始借助计算机自动算法辅助进行医学图像的分析。例如，借助图像分割算法对医学影像进行分割来解决复杂且费时的医学图像分割问题。
3.然而，采用计算机领域传统的图像分割算法对医学图像进行分割后，在分割部位横截面的顶层图像和底层图像中会出现实际分割区域和所需求的分割区域不匹配的问题。


技术实现要素：

4.基于此，有必要针对上述图像分割算法进行分割后，在分割部位横截面的顶层图像和底层图像中会出现实际分割区域和所需求的分割区域不匹配的技术问题，提供一种图像分割模型的训练方法、图像分割方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种图像分割模型的训练方法。所述方法包括：
6.获取样本数据；所述样本数据包括样本对象的医学图像以及所述样本对象的初始分割区域；其中，所述初始分割区域包括初始最外层分割区域，所述初始分割区域用于表示针对所述样本对象所预设的分割区域；
7.根据所述初始最外层分割区域生成伪分割区域，作为目标最外层分割区域；
8.以所述医学图像为输入，以所述初始最外层分割区域和所述目标最外层分割区域为监督信息，对待训练的图像分割模型进行训练，得到训练完成的图像分割模型。
9.在其中一个实施例中，所述以所述医学图像为输入，以所述初始最外层分割区域和所述目标最外层分割区域为监督信息，对待训练的图像分割模型进行训练，得到训练完成的图像分割模型，包括：
10.将所述医学图像输入所述待训练的图像分割模型，得到预测最外层分割区域和预测次外层分割区域；
11.获取所述预测最外层分割区域与所述目标最外层分割区域之间的第一重叠区域，以及所述预测次外层分割区域与所述初始最外层分割区域之间的第二重叠区域；
12.获取所述预测最外层分割区域、所述目标最外层分割区域、所述预测次外层分割区域以及所述初始最外层分割区域构成的总区域；
13.根据所述第一重叠区域、所述第二重叠区域和所述总区域，得到损失值，基于所述损失值对所述待训练的图像分割模型进行训练，得到训练完成的图像分割模型。
14.在其中一个实施例中，所述根据所述第一重叠区域、所述第二重叠区域和所述总区域，得到损失值，包括：
15.对所述第一重叠区域和所述第二重叠区域进行相加处理，得到总重叠区域；
16.获取所述总重叠区域与所述总区域之间的比值，基于所述比值，得到所述损失值。
17.在其中一个实施例中，所述根据所述初始最外层分割区域生成伪分割区域，作为目标最外层分割区域，包括：
18.确定从初始次外层分割区域到所述初始最外层分割区域的渐变趋势；
19.按照所述渐变趋势对所述初始最外层分割区域进行调整，得到所述伪分割区域，作为目标最外层分割区域。
20.在其中一个实施例中，所述初始分割区域还包括初始中间层分割区域；所述方法还包括：
21.以所述医学图像为输入，以所述初始最外层分割区域、所述目标最外层分割区域和所述初始中间层分割区域为监督信息，对待训练的图像分割模型进行训练，得到训练完成的图像分割模型。
22.第二方面，本技术还提供了一种图像分割方法。所述方法包括：
23.获取待分割对象的医学图像；
24.通过图像分割模型对所述医学图像进行图像分割处理，得到所述待分割对象的多层图像；
25.从所述多层图像中剔除最外层图像，得到所述待分割对象的图像分割结果；
26.其中，所述图像分割模型以样本对象的医学图像为输入，以所述样本对象的初始最外层分割区域和目标最外层分割区域为监督信息训练得到；所述目标最外层分割区域基于所述初始最外层分割区域生成。
27.第三方面，本技术还提供了一种图像分割模型的训练装置。所述装置包括：
28.样本获取模块，用于获取样本数据；所述样本数据包括样本对象的医学图像以及所述样本对象的初始分割区域；其中，所述初始分割区域包括初始最外层分割区域，所述初始分割区域用于表示针对所述样本对象所预设的分割区域；
29.伪区域生成模块，用于根据所述初始最外层分割区域生成伪分割区域，作为目标最外层分割区域；
30.模型训练模块，用于以所述医学图像为输入，以所述初始最外层分割区域和所述目标最外层分割区域为监督信息，对待训练的图像分割模型进行训练，得到训练完成的图像分割模型。
31.第四方面，本技术还提供了一种图像分割装置。所述装置包括：
32.图像获取模块，用于获取待分割对象的医学图像；
33.图像分割模块，用于通过图像分割模型对所述医学图像进行图像分割处理，得到所述待分割对象的多层图像；所述图像分割模型通过以样本对象的医学图像为输入，以所述样本对象的初始最外层分割区域和目标最外层分割区域为监督信息训练得到；所述目标最外层分割区域基于所述初始最外层分割区域生成；
34.图像剔除模块，用于从所述多层图像中剔除最外层图像，得到所述待分割对象的图像分割结果。
35.第五方面，本技术还提供了一种计算机设备。所述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，所述处理器执行所述计算机程序时实现以下步骤：
36.获取样本数据；所述样本数据包括样本对象的医学图像以及所述样本对象的初始分割区域；其中，所述初始分割区域包括初始最外层分割区域，所述初始分割区域用于表示针对所述样本对象所预设的分割区域；
37.根据所述初始最外层分割区域生成伪分割区域，作为目标最外层分割区域；
38.以所述医学图像为输入，以所述初始最外层分割区域和所述目标最外层分割区域为监督信息，对待训练的图像分割模型进行训练，得到训练完成的图像分割模型。
39.第六方面，本技术还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，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以下步骤：
40.获取样本数据；所述样本数据包括样本对象的医学图像以及所述样本对象的初始分割区域；其中，所述初始分割区域包括初始最外层分割区域，所述初始分割区域用于表示针对所述样本对象所预设的分割区域；
41.根据所述初始最外层分割区域生成伪分割区域，作为目标最外层分割区域；
42.以所述医学图像为输入，以所述初始最外层分割区域和所述目标最外层分割区域为监督信息，对待训练的图像分割模型进行训练，得到训练完成的图像分割模型。
43.第七方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
44.获取样本数据；所述样本数据包括样本对象的医学图像以及所述样本对象的初始分割区域；其中，所述初始分割区域包括初始最外层分割区域，所述初始分割区域用于表示针对所述样本对象所预设的分割区域；
45.根据所述初始最外层分割区域生成伪分割区域，作为目标最外层分割区域；
46.以所述医学图像为输入，以所述初始最外层分割区域和所述目标最外层分割区域为监督信息，对待训练的图像分割模型进行训练，得到训练完成的图像分割模型。
47.上述图像分割模型的训练方法、图像分割方法、装置、计算机设备、存储介质和计算机程序产品，根据样本对象的初始最外层分割区域生成伪分割区域，作为目标最外层分割区域，以医学图像为输入，以初始最外层分割区域和目标最外层分割区域为监督信息，对待训练的图像分割模型进行训练，由于参与训练的分割区域包括了实际分割区域和伪分割区域，使得训练得到的图像分割模型能够预测出多于分割对象的可分割图像层数的图像，进而在实际图像分割时，可将分割得到的多层图像中的最外层图像剔除，实现在确保分割对象的图像层数满足要求的条件下，解决最外层图像的实际分割区域与所需求的分割区域不匹配的问题。
附图说明
48.图1为一个实施例中现有图像分割方法分割得到的多层分割区域的示意图；
49.图2为一个实施例中舌部位的初始分割区域和分割得到的实际分割区域的示意图；
50.图3为一个实施例中图像分割模型的训练方法的流程示意图；
51.图4为一个实施例中预设分割区域与预测分割区域之间的对应关系示意图；
52.图5为一个实施例中图像分割方法的流程示意图；
53.图6为一个实施例中图像分割模型的训练装置的结构框图；
54.图7为一个实施例中图像分割装置的结构框图；
55.图8为一个实施例中计算机设备的内部结构图。
具体实施方式
56.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。
57.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
58.目前，常用的医学图像分割算法在分割部位顶底层(3d医学图像z轴方向预测出结果的第一层(顶层)和最后一层(底层))，会出现实际分割区域和所需求的形状不匹配的问题(如图1所示)，从而影响算法效果，而采用最大连通域等图像后处理算法由于分割部位在3d空间上联通的原因也不能很好地解决这个问题。
59.参考图2，为一示例性实施例示出的舌部位的初始分割区域和分割得到的实际分割区域的示意图。图2中左侧图像的区域20可表示初始分割区域，如图2所示，初始分割区域为一个规则完整的区域。但是，分割得到的实际分割区域可能为如图2中右侧图像的区域22所示的区域，存在多个不规则形状和一些碎点，与初始分割区域20并不匹配，并且，这种实际分割区域与初始分割区域不匹配的情况多出现在分割对象的顶层图像和底层图像中。
60.因此，本技术针对这种顶层图像和底层图像的实际分割区域与初始分割区域不匹配的问题，提出了一种图像分割模型的训练方法，该方法通过生成伪区域进行图像分割模型的训练，以使图像分割模型能够预测出多于分割对象的可分割图像层数的图像，进而在实际图像分割时，可将分割得到的多层图像中的顶层图像和底层图像剔除，由于形状不规则的碎点只会出现在预测出的掩膜图像的顶底层，因此在加入生成的伪区域之后模型输出的掩膜碎点实际位于真实的分割区域范围之外，将多预测出的掩膜层图像去除后即可解决碎点问题，并且对需要准确预测的真实分割区域不会造成太大影响，实现在确保分割对象的图像层数满足要求的条件下，解决顶层图像和底层图像的实际分割区域与初始分割区域不匹配的问题。
61.在一个实施例中，如图3所示，提供了一种图像分割模型的训练方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
62.步骤s310，获取样本数据；样本数据包括样本对象的医学图像以及样本对象的初始分割区域；其中，初始分割区域包括初始最外层分割区域，初始分割区域用于表示针对样本对象所预设的分割区域。
63.其中，样本对象可以为器官或组织，例如，舌部位、心脏部位等。
64.其中，医学图像表示通过医疗设备获得的针对样本对象的图像，例如，医学图像可以为电子计算机断层扫描图像(ct图像)、磁共振图像(mri图像)等。
65.其中，初始分割区域可以理解为医疗人员想要得到的分割区域，例如参考图2所示的舌部位图像，图2中左侧图像的区域20可表示初始分割区域。
66.可以理解的是，由于器官或组织为3维对象，因此对其进行分割时，可分割得到多层图像，每层图像都可对应有初始分割区域，即初始分割区域可包括初始最外层分割区域和初始中间层分割区域，其中，初始最外层分割区域可包括初始顶层分割区域和初始底层分割区域。
67.具体实现中，可以通过电子计算机扫描或者通过磁共振设备获得样本对象的医学图像，并针对样本对象可分割得到的各层图像分别预设一个初始分割区域，并且各层图像的初始分割区域之间可具有渐变趋势，例如，从底层到顶层，初始分割区域逐渐增大、逐渐减小、先增大后减小或先减小后增大等。
68.步骤s320，根据初始最外层分割区域生成伪分割区域，作为目标最外层分割区域。
69.其中，伪分割区域表示真实的初始分割区域之外的区域。
70.具体实现中，由于作为样本对象的器官和组织可能并不是一个分布均匀的对象，不同层所需要的分割区域可能并不相同，因此，在根据初始最外层分割区域生成伪分割区域前，可先确定初始最外层分割区域到伪分割区域的渐变趋势，按照该渐变趋势对初始最外层分割区域进行调整，得到伪分割区域。
71.步骤s330，以医学图像为输入，以初始最外层分割区域和目标最外层分割区域为监督信息，对待训练的图像分割模型进行训练，得到训练完成的图像分割模型。
72.其中，图像分割模型可以为3d unet模型。
73.具体实现中，在根据初始最外层分割区域生成目标顶层分割区域之后，可将医学图像输入待训练的图像分割模型中，得到预测最外层分割区域和预测次外层分割区域，以初始最外层分割区域和目标最外层分割区域为监督信息，计算损失值，基于损失值对待训练的图像分割模型进行训练，得到训练完成的图像分割模型。
74.上述图像分割模型的训练方法中，根据样本对象的初始最外层分割区域生成伪分割区域，作为目标最外层分割区域，以医学图像为输入，以初始最外层分割区域和目标最外层分割区域为监督信息，对待训练的图像分割模型进行训练，由于参与训练的分割区域包括了实际分割区域和伪分割区域，使得训练得到的图像分割模型能够预测出多于分割对象的可分割图像层数的图像，进而在实际图像分割时，可将分割得到的多层图像中的最外层图像剔除，实现在确保分割对象的图像层数满足要求的条件下，解决最外层图像的实际分割区域与所需求的分割区域不匹配的问题。
75.在一示例性实施例中，上述步骤s330具体可以通过以下步骤实现：
76.步骤s3301，将医学图像输入待训练的图像分割模型，得到预测最外层分割区域和预测次外层分割区域；
77.步骤s3302，获取预测最外层分割区域与目标最外层分割区域之间的第一重叠区域，以及预测次外层分割区域与初始最外层分割区域之间的第二重叠区域；
78.步骤s3303，获取预测最外层分割区域、目标最外层分割区域、预测次外层分割区域以及初始最外层分割区域构成的总区域；
79.步骤s3304，根据第一重叠区域、第二重叠区域和总区域，得到损失值，基于损失值对待训练的图像分割模型进行训练，得到训练完成的图像分割模型。
80.进一步地，在一示例性实施例中，步骤s3304进一步包括：对第一重叠区域和第二重叠区域进行相加处理，得到总重叠区域；获取总重叠区域与总区域之间的比值，基于比值，得到损失值。
81.其中，损失值为用来衡量模型预测结果与真实区域之间的指标，损失值越小说明模型预测越好，模型的训练过程即是优化损失值的过程。
82.具体实现中，将医学图像输入图像分割模型中，得到预测的各层分割区域，具体包括预测最外层分割区域和预测次外层分割区域，将预测的各层分割区域与预设的分割区域(包括初始外层分割区域和目标最外层分割区域)代入损失函数中，计算预测最外层分割区域与目标最外层分割区域之间的第一重叠区域，以及预测次外层分割区域与初始最外层分割区域之间的第二重叠区域，并获取预测最外层分割区域、目标最外层分割区域、预测次外层分割区域以及初始最外层分割区域构成的总区域，最后计算第一重叠区域与第二重叠区域相加得到的总重叠区域与总区域的比值，得到损失值，当训练的损失值达到预设精度或训练次数达到预设次数时，停止训练，得到训练完成的图像分割模型。
83.其中，训练的损失函数可采用bce损失(binary crossentropy，二元交叉熵)和dice损失(一种集合相似度度量函数)相结合的方式确定，损失函数关系式可表示为：
[0084][0085]
其中，dsc表示损失值，xi表示第i层的预测分割区域，yi表示第i层的预设的分割区域(可以理解为分割标签，包括初始分割区域和目标最外层分割区域)，xi∩yi可表示第i层的预测分割区域与预设的分割区域之间的重叠区域，例如，i＝1时，x1∩y1表示第一层的预测分割区域与预设的分割区域之间的重叠区域，i＝n时，xn∩yn表示第n层的预测分割区域与预设的分割区域之间的重叠区域，由于1和n为最外层，因此，x1∩y1与xn∩yn还可表示预测最外层分割区域与目标最外层分割区域之间的第一重叠区域。类似地，x2∩y2与x
n-1
∩y
n-1
均可表示预测次外层分割区域与初始最外层分割区域之间的第二重叠区域。|xi| |yi|可表示第i层的预测分割区域与预设的分割区域构成的区域大小。
[0086]
实际实现中，损失值的计算除了考虑最外层和次外层外，还需要考虑中间层，即需要计算预测最外层分割区域与目标最外层分割区域之间的第一重叠区域，以及计算预测次外层分割区域与初始最外层分割区域之间的第二重叠区域，以及计算每一个预测中间层分割区域与初始中间层分割区域之间的第三重叠区域，对第一重叠区域、第二重叠区域和第三重叠区域进行相加处理，得到总重叠区域，也就是说总重叠区域包括每一层的预测分割区域与预设的分割区域之间的重叠区域。同时对预测最外层分割区域、目标最外层分割区域、预测次外层分割区域、初始最外层分割区域、预测中间层分割区域和初始中间层分割区域相加，即将所有层的预测分割区域与预设的分割区域相加，得到总区域，计算所有重叠区域与总区域之间的比值，其中，由于预测分割区域和预设的分割区域均包括重叠区域，因此，计算的比值乘以2，得到所有层整体的损失值，基于该损失值进行模型的训练。
[0087]
上述实施例中，通过将图像的所有层看作一个整体，基于各层的预测分割区域与预设的分割区域计算整体的损失值，对图像分割模型进行训练，可以提高训练得到的图像分割模型的准确性。
[0088]
在一示例性实施例中，上述步骤s320中，根据初始最外层分割区域生成伪分割区域，作为目标最外层分割区域，包括：
[0089]
步骤s3201，确定从初始次外层分割区域到初始最外层分割区域的渐变趋势；
[0090]
步骤s3202，按照渐变趋势对初始最外层分割区域进行调整，得到伪分割区域，作为目标最外层分割区域。
[0091]
其中，渐变趋势表示两个分割区域的大小变化趋势。
[0092]
其中，初始最外层分割区域包括初始顶层分割区域和初始底层分割区域。
[0093]
其中，初始次外层分割区域表示与初始最外层相连的层级的分割区域，例如，设样本对象的层数为5层-10层，初始最外层为第5层和第10层，初始次外层为第4层和第9层。
[0094]
具体地，由于作为样本对象的器官和组织可能并不是一个分布均匀的对象，不同层所需要的分割区域可能并不相同，因此，在根据初始最外层分割区域生成伪分割区域前，可先确定初始次外层分割区域到初始最外层分割区域的渐变趋势，按照该渐变趋势对初始最外层分割区域进行调整，得到伪分割区域，作为目标最外层分割区域。
[0095]
本实施例中，由于初始最外层分割区域包括初始顶层分割区域和初始底层分割区域，因此，对应生成的目标最外层区域也包括与初始顶层分割区域对应的目标顶层分割区域，以及与初始底层分割区域对应的目标底层区域。
[0096]
其中，目标顶层分割区域可表示大于样本对象的顶层层数的图像层对应的分割区域，例如，若样本对象的顶层为15层，则目标顶层分割区域可表示第16层的区域。
[0097]
其中，第二伪分割区域可表示小于样本对象的底层层数的图像层对应的分割区域，例如，若样本对象的底层为10层，则第二伪分割区域可表示第9层的区域。
[0098]
具体实现中，目标顶层分割区域的确定过程可包括：确定从初始第二层分割区域到初始顶层分割区域的第一渐变趋势，按照第一渐变趋势对初始顶层分割区域进行膨胀处理或腐蚀处理，得到第一伪分割区域，作为目标顶层分割区域。
[0099]
目标底层分割区域的确定过程可包括：确定从初始倒数第二层分割区域到初始底层分割区域的第二渐变趋势；按照第二渐变趋势对初始底层分割区域进行膨胀处理或腐蚀处理，得到第二伪分割区域，作为目标底层分割区域。
[0100]
其中，第一渐变趋势和第二渐变趋势可能为增大趋势，也可能为减小趋势。其中，膨胀处理为一种求局部最大值的操作，用于进行缺陷填补，本实施例中用于增大分割区域。其中，腐蚀处理和膨胀处理相反，为一种求局部最小值的操作，用于将毛刺消除，本实施例中用于缩小分割区域。
[0101]
可以理解的是，作为样本对象的器官或组织在各层分割图像上的分割区域的变化趋势多呈递进状态，在一定数量的层数内(例如3层)变化趋势一般不会改变，因此，初始顶层分割区域到目标顶层分割区域的渐变趋势可以等同于初始第二层分割区域到初始顶层分割区域的大小变化趋势，故可将初始第二层分割区域到初始顶层分割区域的大小变化趋势确定为第一渐变趋势。若确定第一渐变趋势为增大趋势，则可以对初始顶层分割区域进行膨胀处理，得到第一伪分割区域，作为目标顶层分割区域。若确定第一渐变趋势为减小趋势，则可以对初始顶层分割区域进行腐蚀处理，得到第一伪分割区域，作为目标顶层分割区域。
[0102]
类似地，初始底层分割区域到目标底层分割区域的渐变趋势可以等同于初始倒数
第二层分割区域到初始底层分割区域的大小变化趋势，故可将初始倒数第二层分割区域到初始底层分割区域的大小变化趋势确定为第二渐变趋势。若第二渐变趋势为增大趋势，则可以对初始底层分割区域进行膨胀处理，得到第二伪分割区域，作为目标底层分割区域。若第二渐变趋势为减小趋势，则可以对初始底层分割区域进行腐蚀处理，得到第二伪分割区域，作为目标底层分割区域。
[0103]
本实施例中，通过确定从初始次外层分割区域到初始最外层分割区域的渐变趋势，按照渐变趋势对初始最外层分割区域进行膨胀或腐蚀处理，能够使得得到的伪分割区域更为准确，从而提高训练得到的图像分割模型的预测精度。
[0104]
在一个实施例中，初始分割区域还包括初始中间层分割区域；上述步骤s330还包括：以医学图像为输入，以初始最外层分割区域、目标最外层分割区域和初始中间层分割区域为监督信息，对待训练的图像分割模型进行训练，得到训练完成的图像分割模型。
[0105]
需要说明的是，本技术中的中间层表示的是位于顶层和底层之间的层数，中间层可包括多层，例如，一个器官分布在3-7层，则第3层为底层，第7层为顶层，第4-6层中的每一层均可表示中间层。
[0106]
举例说明，设样本对象的初始分割区域在三维空间的z轴上分布在第10-15层，则第10层表示样本对象的底层，第10层的分割区域为初始底层分割区域；第15层表示样本对象的顶层，第15层的分割区域为初始顶层分割区域。则可根据第15层的初始顶层分割区域，生成第16层的第一伪分割区域(原本图像的第16层没有对应的区域)，作为目标顶层分割区域；根据第10层的初始底层分割区域生成第9层的第二伪分割区域(原本图像的第9层没有对应的区域)，作为目标底层分割区域。
[0107]
进一步可将样本对象的医学图像输入待训练的图像分割模型，得到第9层至第16层各层的预测分割区域，以第9层和第16层的两个伪分割区域，第10-15层各层的初始分割区域作为监督信息，计算与预测分割区域之间的损失值。基于该损失值，对待训练的图像分割模型进行训练，得到训练完成的图像分割模型。
[0108]
参考图4，为一示例性实施例示出的初始分割区域与预测分割区域之间的对应关系示意图，图中第一行可表示针对样本对象预设的各层的初始分割区域，第二行表示图像分割模型得到的各层的预测分割区域，每一列的分割区域和预测分割区域相对应，具体地，预测顶层分割区域对应的为目标顶层分割区域(即第一伪分割区域)，预测第二层分割区域对应初始顶层分割区域，预测倒数第二层分割区域对应初始底层分割区域，预测底层分割区域对应目标底层分割区域(即第二伪分割区域)。
[0109]
在一示例性实施例中，上述步骤s330之前，还包括：
[0110]
步骤s330a，确定医学图像的图像类型；
[0111]
步骤s330b，根据图像类型，对医学图像进行预处理，得到处理后医学图像；
[0112]
上述步骤s330，还包括：以医学图像为输入，以初始最外层分割区域和目标最外层分割区域为监督信息，对待训练的图像分割模型进行训练，得到训练完成的图像分割模型。
[0113]
其中，图像类型可包括电子计算机断层扫描图像(ct图像)、磁共振图像(mri图像)等。
[0114]
具体实现中，不同的图像类型所需要的预处理方式不同，因此在对医学图像进行预处理前，还需要确定医学图像的图像类型，根据图像类型，对医学图像进行预处理。
[0115]
更具体地，对于图像类型为电子计算机断层扫描图像的医学图像，对应的预处理方式可包括确定窗宽和窗位，以及归一化处理等，其中，窗宽为ct图像上显示的ct值范围，在该ct值范围内的组织和病变均以不同的模拟灰度显示。窗位是窗的中心位置，同样的窗宽，由于窗位不同，其所包括ct值范围的ct值也有差异。对于图像类型为磁共振图像的医学图像，对应的预处理方式可包括检查数据、格式转换(如从dicom格式转为nifti格式)、重采样和配准等。
[0116]
进一步地，在根据图像类型，对医学图像进行预处理后，以处理后的医学图像为输入，以初始最外层分割区域和目标最外层分割区域为监督信息，对待训练的图像分割模型进行训练，得到训练完成的图像分割模型。
[0117]
本实施例中，通过医学图像的图像类型，对医学图像进行预处理，将处理后的医学图像输入待训练的图像分割模型进行模型训练，使得处理后医学图像能够符合图像分割模型的图像要求，便于后续进行模型的训练。
[0118]
在一示例性实施例中，如图5所示，提供了一种图像分割方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
[0119]
步骤s510，获取待分割对象的医学图像；
[0120]
步骤s520，通过图像分割模型对医学图像进行图像分割处理，得到待分割对象的多层图像；
[0121]
步骤s530，从多层图像中剔除最外层图像，得到待分割对象的图像分割结果。
[0122]
其中，图像分割模型通过以样本对象的医学图像为输入，以所述样本对象的初始最外层分割区域和目标最外层分割区域为监督信息训练得到；所述目标最外层分割区域基于所述初始最外层分割区域生成。
[0123]
其中，最外层图像包括顶层图像和底层图像。
[0124]
其中，初始最外层分割区域包括初始顶层分割区域和初始底层分割区域，目标最外层分割区域包括目标顶层分割区域和目标底层分割区域。
[0125]
其中，图像分割模型用于将医学图像分割为图像层数大于待分割对象的可分割层数的多层图像。
[0126]
具体实现中，在基于样本对象的医学图像、样本对象的初始分割区域、目标最外层分割区域对图像分割模型进行训练后，训练得到的图像分割模型可以分割得到的图像的层数将大于待分割对象的可分割层数，因此，在通过图像分割模型对待分割对象的医学图像进行图像分割处理后，将会得到图像层数大于待分割对象的可分割层数的多层图像。而由于分割得到的图像的层数将大于待分割对象的可分割层数，因此，可将得到的多层图像中的顶层图像和底层图像剔除，将剩余的各层图像作为待分割对象的图像分割结果。
[0127]
本实施例提供的图像分割方法，在得到待分割对象的多层图像后，通过将得到的多层图像中的顶层图像和底层图像剔除，从而保证分割得到的各层图像均与各自对应的分割区域相匹配，而由于分割得到的图像的层数将大于待分割对象的可分割层数，因此可以实现在确保分割对象的图像层数满足要求的条件下，解决顶层图像和底层图像的实际分割区域与初始分割区域不匹配的问题。
[0128]
在一示例性实施例中，在步骤s520通过图像分割模型对医学图像进行图像分割处理之前，还包括：
[0129]
步骤s5101，获取医学图像的图像格式；
[0130]
步骤s5102，在医学图像的图像格式与图像分割模型对应的目标图像格式不匹配的情况下，将医学图像的图像格式转换为目标图像格式。
[0131]
其中，医学图像的图像格式可以为nifti格式、dicom格式和nrrd格式等。
[0132]
具体实现中，通过样本对象的医学图像对图像分割模型进行训练时，需要采用统一的格式进行模型训练，因此，训练得到的图像分割模型可有对应的图像格式，因此，在通过图像分割模型对医学图像进行图像分割处理之前，还需要获取待分割对象的医学图像的图像格式，将待分割对象的医学图像的图像格式与图像分割模型对应的目标图像格式进行比对，若医学图像的图像格式与图像分割模型对应的目标图像格式不匹配，即不相同，则需要将医学图像的图像格式转换为目标图像格式，进一步将格式转换后的医学图像输入图像分割模型，得到待分割对象的多层图像。
[0133]
本实施例中，通过获取医学图像的图像格式，将医学图像的图像格式与图像分割模型对应的目标图像格式进行比对，在两者不匹配时，将医学图像的图像格式转换为目标图像格式，以保证图像分割模型对待分割对象的医学图像的成功分割。
[0134]
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。
[0135]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的图像分割模型的训练方法的图像分割模型的训练装置，以及用于实现上述所涉及的图像分割方法的图像分割装置。这两个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，故下面所提供的图像分割模型的训练装置和图像分割装置实施例中的具体限定可以参见上文中对于图像分割模型的训练方法和图像分割方法的限定，在此不再赘述。
[0136]
在一个实施例中，如图6所示，提供了一种图像分割模型的训练装置，包括：样本获取模块610、伪区域生成模块620和模型训练模块630，其中：
[0137]
样本获取模块610，用于获取样本数据；样本数据包括样本对象的医学图像以及样本对象的初始分割区域；其中，初始分割区域包括初始最外层分割区域，初始分割区域用于表示针对样本对象所预设的分割区域；
[0138]
伪区域生成模块620，用于根据初始最外层分割区域生成伪分割区域，作为目标最外层分割区域；
[0139]
模型训练模块630，用于以医学图像为输入，以初始最外层分割区域和目标最外层分割区域为监督信息，对待训练的图像分割模型进行训练，得到训练完成的图像分割模型。
[0140]
在一个实施例中，上述模型训练模块630，具体用于将医学图像输入待训练的图像分割模型，得到预测最外层分割区域和预测次外层分割区域；获取预测最外层分割区域与
目标最外层分割区域之间的第一重叠区域，以及预测次外层分割区域与初始最外层分割区域之间的第二重叠区域；获取预测最外层分割区域、目标最外层分割区域、预测次外层分割区域以及初始最外层分割区域构成的总区域；根据第一重叠区域、第二重叠区域和总区域，得到损失值，基于损失值对待训练的图像分割模型进行训练，得到训练完成的图像分割模型。
[0141]
在一个实施例中，上述模型训练模块630，还用于对第一重叠区域和第二重叠区域进行相加处理，得到总重叠区域；获取总重叠区域与总区域之间的比值，基于比值，得到损失值。
[0142]
在一个实施例中，上述伪区域生成模块620，具体用于确定从初始次外层分割区域到初始最外层分割区域的渐变趋势；按照渐变趋势对初始最外层分割区域进行调整，得到伪分割区域，作为目标最外层分割区域。
[0143]
在一个实施例中，初始分割区域还包括初始中间层分割区域；模型训练模块630，还用于以医学图像为输入，以初始最外层分割区域、目标最外层分割区域和初始中间层分割区域为监督信息，对待训练的图像分割模型进行训练，得到训练完成的图像分割模型。
[0144]
上述图像分割模型的训练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。
[0145]
在一个实施例中，如图7所示，提供了一种图像分割装置，包括：图像获取模块710、图像分割模块720和图像剔除模块730，其中：
[0146]
图像获取模块710，用于获取待分割对象的医学图像；
[0147]
图像分割模块720，用于通过图像分割模型对医学图像进行图像分割处理，得到待分割对象的多层图像；其中，图像分割模型通过以样本对象的医学图像为输入，以样本对象的初始最外层分割区域和目标最外层分割区域为监督信息训练得到；目标最外层分割区域基于初始最外层分割区域生成；
[0148]
图像剔除模块730，用于从多层图像中剔除最外层图像，得到待分割对象的图像分割结果。
[0149]
在一个实施例中，上述图像分割装置还包括格式转换模块，用于获取医学图像的图像格式；在医学图像的图像格式与图像分割模型对应的目标图像格式不匹配的情况下，将医学图像的图像格式转换为目标图像格式。
[0150]
上述图像分割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。
[0151]
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，其内部结构图可以如图8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、通信接口、显示屏和输入装置。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、内存储器。该非易失性存储介质存储有操作系统和计算机程序。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进行有线或无线方式的通信，无线方式可通过wifi、
移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像分割模型的训练方法。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。
[0152]
本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术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。
[0153]
在一个实施例中，还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方法实施例中的步骤。
[0154]
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，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0155]
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方法实施例中的步骤。
[0156]
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，本技术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-only memory，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 random access memory，dram)等。本技术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。本技术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。
[0157]
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。
[0158]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。