医学图像分割方法、装置、计算机设备和存储介质与流程

1.本技术涉及人工智能技术领域，特别是涉及一种医学图像分割方法、装置、计算机设备和存储介质。


背景技术：

2.心血管疾病是全球死亡率最高的疾病，并且发病率和死亡率逐年上升，严重威胁着人类的生命健康。由于心脏的复杂结构使得心脏的不同部位具有不同的特征，在医生对患者的医学图像进行心脏结构分析时，带来很大的难度。因此对心脏医学图像进行精确分割尤为重要，精确分割能为医生提供高质量的心脏结构信息，有助于医生快速诊断。
3.传统技术中，一方面存在手动心脏分割的方法，但是该方法结果不仅差异化大而且需要花费大量的时间和精力；另一方面引入了模型处理，由于心脏不同部位特征不同，因此可以采用基于模型匹配的方法，但是该基于模型匹配的方法分割精度较低，而基于可变模型的方法，需要用户交互来完成分割，鲁棒性差，且分割精度低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高分割精度的医学图像分割方法、装置、计算机设备和存储介质。
5.一种医学图像分割方法，所述方法包括：
6.获取待处理医学图像；
7.将所述待处理医学图像输入至预先训练得到的深度全卷积分割模型中，以得到初始分割结果；
8.基于所述初始分割结果对所述待处理医学图像进行分割得到目标分割结果。
9.在其中一个实施例中，所述将所述待处理医学图像输入至预先训练得到的深度全卷积分割模型中，以得到初始分割结果，包括：
10.利用预先训练得到的深度全卷积分割模型，对所述待处理医学图像进行特征抽取，得到与目标组织器官对应的形态信息，所述形态信息包括所述目标组织器官的纹理特征、几何结构特征以及位置特征中的一种或几种；
11.根据所述目标组织器官对应的形态信息，利用预先训练得到的深度全卷积分割模型对所述待处理医学图像进行目标组织器官位置定位，得到初始分割结果。
12.在其中一个实施例中，所述利用预先训练得到的深度全卷积分割模型，对所述待处理医学图像进行特征抽取，得到与目标组织器官对应的形态信息，包括：
13.利用预先训练得到的深度全卷积分割模型中的编码网络的当前卷积层，对所述待处理医学图像进行特征抽取得到形态信息；
14.利用预先训练得到的深度全卷积分割模型中的编码网络的对应的反卷积层，对抽取形态信息后的图像进行图像尺寸变换，以使得变换后的图像尺寸与对应的解码网络中的卷积层输出的图像的尺寸大小对应。
15.在其中一个实施例中，所述根据所述目标组织器官对应的形态信息，利用预先训练得到的深度全卷积分割模型对所述待处理医学图像进行目标组织器官位置定位，得到初始分割结果，包括：
16.利用预先训练得到的深度全卷积分割模型中的解码网络的卷积层，对所述待处理医学图像进行特征抽取得到形态信息；
17.利用预先训练得到的深度全卷积分割模型中的解码网络的最大池化层，保留所提取的形态信息，并调整所述解码网络的卷积层输出的图像的尺寸；
18.利用预先训练得到的深度全卷积分割模型中的解码网络的残差连接，将所述解码网络的卷积层的输入和输出直接相加作为所述最大池化层的输入；
19.利用预先训练得到的深度全卷积分割模型中的合并层，将对应的解码网络中的卷积层输出的图像与编码网络的反卷积层输出的图像进行合并，作为编码网络的下一卷积层的输入。
20.在其中一个实施例中，所述基于所述初始分割结果对所述待处理医学图像进行分割得到目标分割结果，包括：
21.对所述初始分割结果进行形态学膨胀处理；
22.将形态需膨胀处理后的初始分割结果进行取反操作得到背景蒙版；
23.根据所述初始分割结果、所述背景蒙版以及待处理医学图像进行分割得到目标分割结果。
24.在其中一个实施例中，所述将所述待处理医学图像输入至预先训练得到的深度全卷积分割模型中，以得到初始分割结果之前，还包括：
25.获取目标样本数据；
26.获取深度全卷积网络，并设置所述深度全卷积网络的超参数；
27.定义所述深度全卷积网络的损失函数；
28.利用所述目标样本数据通过随机梯度下降法对所述深度全卷积网络进行训练，以调整所述深度全卷积网络的特征参数，使得所述损失函数的值满足要求，得到训练完成的深度全卷积分割模型。
29.在其中一个实施例中，所述获取目标样本数据，包括：
30.获取初始样本数据；
31.对所述初始样本数据进行随机刚性变换处理，得到数据扩展后的样本数据；
32.将初始样本数据和数据扩展后的样本数据作为目标样本数据。
33.一种医学图像分割装置，所述装置包括：
34.图像获取模块，用于获取待处理医学图像；
35.第一分割模块，用于将所述待处理医学图像输入至预先训练得到的深度全卷积分割模型中，以得到初始分割结果；
36.第二分割模块，用于基于所述初始分割结果对所述待处理医学图像进行分割得到目标分割结果。
37.一种计算机设备，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上述任意一个实施例中的方法的步骤。
38.一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
行时实现上述任意一个实施例中的方法的步骤。
39.上述医学图像分割方法、装置、计算机设备和存储介质，先通过深度全卷积分割网络对待处理医学图像进行分割得到初始分割结果，然后再根据初始分割结果进行分割得到目标分割结果，减少了交互繁琐操作，且在初始分割结果上进行进一步分割，提高了分割准确度。
附图说明
40.图1为一个实施例中医学图像分割方法的应用环境图；
41.图2为一个实施例中医学图像分割方法的流程示意图；
42.图3为一个实施例中心脏医学图像的示意图；
43.图4为一个实施例中经过深度全卷积分割模型对心脏医学图像进行分割得到的初始分割结果的示意图；
44.图5为一个实施例中目标分割结果的示意图；
45.图6为一个实施例中的深度全卷积分割模型的网络结构图；
46.图7为一个实施例中的深度全卷积分割模型的训练过程的流程图；
47.图8为一个实施例中医学图像分割装置的结构框图；
48.图9为一个实施例中计算机设备的内部结构图。
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.本技术提供的医学图像分割方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与医学成像设备104进行通信。终端102可以接收到医学成像设备104所扫描得到的待处理医学图像，然后将该待处理医学图像输入至预先训练得到的深度全卷积分割模型中，以得到初始分割结果，进而终端102根据该初始分割结果对待处理医学图像进行分割得到目标分割结果。这样减少了交互繁琐操作，且在初始分割结果上进行进一步分割，提高了分割准确度。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，医疗成像设备104包括但不限于各种成像设备，例如ct成像设备(ct：computed tomography，它是利用精确准直的x线束与灵敏度极高的探测器一同围绕人体的某一个部位做一个接一个的断面扫描，并且通过ct扫描可以重建出肿瘤等的精确三维位置图像)、磁共振设备(其是断层成像的一种，它利用磁共振现象从人体中获得电磁信号，并重建出人体信息图像)、正电子发射型计算机断层显像(positron emission computed tomography)设备、正电子发射型磁共振成像系统(pet/mr)等。
51.在一个实施例中，如图2所示，提供了一种医学图像分割方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
52.s202：获取待处理医学图像。
53.具体地，待处理医学图像可以是cta(计算机断层目标组织器官造影)体数据(例如，人体图像的三维数据)图像，其大小可以选择为512x512x130，当然具体实施时该大小可
根据具体图像进行选择。
54.可选地，终端在获取到待处理医学图像时，对该待处理医学图像进行滤波处理以得到处理后的图像。具体地，终端可以采用三维高斯滤波器滤除图像中的噪声信息，得到预处理后的图像。
55.s204：将待处理医学图像输入至预先训练得到的深度全卷积分割模型中，以得到初始分割结果。
56.具体地，深度全卷积分割模型是用于学习待处理医学图像中目标组织器官的特征，并根据学习到的目标组织器官的特征对待处理医学图像进行分割得到初始分割结果。
57.其中，深度全卷积分割模型可以包括编码网络和解码网络，通过编码网络学习目标组织器官的形态信息，并根据所学到的形态信息对待处理医学图像进行分割得到初始分割结果，也就是说初步将目标组织器官从待处理医学图像中分割出来。
58.以心脏为例，结合图3所示，其中图3给出了心脏医学图像的示意图，终端通过编码网络学习主动脉瓣膜的形态信息，并根据所学到的形态信息对心脏医学图像进行分割得到主动脉血管和主动脉瓣膜，以将心室血池分割掉，具体可以结合图4所示，图4为经过深度全卷积分割模型对心脏医学图像进行分割得到的初始分割结果。需要说明的是，本实施例中以心脏为例，但是本领域技术人员可以确定本技术中的医学图像处理方法还可以应用于其他的器官组织，在此不做具体限定。
59.其中，在使用深度全卷积分割模型前，终端先加载深度全卷积分割模型的参数，然后将待处理医学图像输入至该深度全卷积分割模型中，进行前向传播，最后得到初始分割结果。
60.s206：基于初始分割结果对待处理医学图像进行分割得到目标分割结果。
61.具体地，目标分割结果是根据初始分割结果对待处理医学图像进行分割得到的。具体地，终端通过图割算法根据初始分割结果对待处理医学图像进行分割。其中图割算法(graph cut)是基于图论的分割方法，该算法建立各个像素点与前景背景相似度的赋权图，并通过求解最小切割来区分前景和背景。其中初始分割结果提供给图割算法以前景蒙版和背景蒙版，图割算法根据前景蒙版和背景蒙版，建立各个像素点与前景蒙版和背景蒙版相似度的赋权图，并通过求解最小切割来区分前景和背景，从而得到目标分割结果。
62.继续以心脏为例，终端根据初始分割结果得到主动脉血管和主动脉瓣膜的粗略的位置，然后根据该粗略的位置通过图割算法对心脏医学图像进行进一步分割以得到目标分割结果。具体可以参见图5所示，图5为目标分割结果的示意图。
63.其中还需要说明的一点是，深度全卷积分割网络和图割算法采用端到端的算法流程，不需要与用户交互，直接给出结果。
64.上述医学图像分割方法，先通过深度全卷积分割网络对待处理医学图像进行分割得到初始分割结果，然后再根据初始分割结果进行分割得到目标分割结果，减少了交互繁琐操作，且在初始分割结果上进行进一步分割，提高了分割准确度。
65.在其中一个实施例中，将待处理医学图像输入至预先训练得到的深度全卷积分割模型中，以得到初始分割结果，包括：利用预先训练得到的深度全卷积分割模型，对待处理医学图像进行特征抽取，得到与目标组织器官对应的形态信息；根据目标组织器官对应的形态信息，利用预先训练得到的深度全卷积分割模型对待处理医学图像进行目标组织器官
位置定位，得到初始分割结果。
66.其中，形态信息包括目标组织器官的纹理特征、几何结构特征以及位置特征中的一种或几种。以心脏为例，其可以包括主动脉瓣膜和/或主动脉血管的纹理特征、几何结构特征和位置特征，其中主动脉瓣膜是存在于主动脉血管和心室血池之间的。深度全卷积分割模型对待处理医学图像进行特征抽取以获得与目标组织器官对应的形态信息，这样根据该形态信息对待处理医学图像进行目标组织器官位置定位，即可以得到初始分割结果。其中，纹理特征可以是指目标组织器官与其他组织器官的表面灰度值等特征，几何结构特征可以是指目标组织器官的形状特征，位置特征是指目标组织器官在目标对象的位置，例如主动脉瓣膜和/或主动脉血管在心脏的位置。
67.具体地，参见图6所示，图6为一个实施例中的深度全卷积分割模型的网络结构图。其中该深度全卷积分割模型包括编码网络和解码网络。该编码网络用语从待处理医学图像中学习目标组织器官的形态信息，具体地，该编码网络用于学习目标组织器官的位置特征，以实现图像分割；该解码网络用于学习得到的目标组织器官的纹理特征和/或几何结构特征，并使得编码网络根据纹理特征和/或几何结构特征找到该纹理特征和/或几何结构特征所在的区域位置，以实现图像分割。该编码网络包括卷积层、反卷积层。该解码网络包括卷阶层、残差连接以及最大池化层。另外该深度全卷积分割模型还包括将编码网路和解码网络连接的合并层。
68.具体地，对待处理医学图像进行特征抽取，得到与目标组织器官对应的形态信息，包括：利用预先训练得到的深度全卷积分割模型中的编码网络的当前卷积层，对待处理医学图像进行特征抽取得到形态信息；利用预先训练得到的深度全卷积分割模型中的编码网络的对应的反卷积层，对抽取形态信息后的图像进行图像尺寸变换，以使得变换后的图像尺寸与对应的解码网络中的卷积层输出的图像的尺寸大小对应。
69.具体地，根据目标组织器官对应的形态信息，利用预先训练得到的深度全卷积分割模型对待处理医学图像进行目标组织器官位置定位，得到初始分割结果，包括：利用预先训练得到的深度全卷积分割模型中的解码网络的卷积层，对待处理医学图像进行特征抽取得到形态信息；利用预先训练得到的深度全卷积分割模型中的解码网络的最大池化层，保留所提取的形态信息，并调整解码网络的卷积层输出的图像的尺寸；利用预先训练得到的深度全卷积分割模型中的解码网络的残差连接，将解码网络的卷积层的输入和输出直接相加作为最大池化层的输入；利用预先训练得到的深度全卷积分割模型中的合并层，将对应的解码网络中的卷积层输出的图像与编码网络的反卷积层输出的图像进行合并，作为编码网络的下一卷积层的输入。
70.结合图6，其中编码网络中的卷积层可以学习表达待处理医学图像中的形态信息，其中该形态信息的学习可以是根据标注好的样本图像进行学习得到的，反卷积层则是用于将卷积层输出的图像进行增大，以与解码网络中的卷积层输出的图像的尺寸大小对应，从而合并层可以将图像的尺寸大小对应的解码网络中的卷积层输出的图像与编码网络的反卷积层输出的图像进行合并，作为编码网络的下一卷积层的输入。
71.其中解码网络中的卷积层则是学习表达待处理医学图像中的形态信息，其中该形态信息的学习可以是根据标注好的样本图像进行学习得到的，最大池化层则是保留所提取的形态信息，并调整解码网络的卷积层输出的图像的尺寸，本实施例中是减少图像大小，残
差连接是将输入信息和输出信息直接相交，以便于后续的优化学习，即将解码网络的卷积层的输入和输出直接相加作为最大池化层的输入。
72.在其中一个实施例中，基于初始分割结果对待处理医学图像进行分割得到目标分割结果，包括：对初始分割结果进行形态学膨胀处理；将形态需膨胀处理后的初始分割结果进行取反操作得到背景蒙版；根据初始分割结果、背景蒙版以及待处理医学图像进行分割得到目标分割结果。
73.具体地，图割算法需要输入前景蒙版和背景蒙版，此处前景蒙版使用深度全卷积分割模型的初始分割结果。
74.背景蒙版则的获取方式包括：终端对初始分割结果进行形态学膨胀处理。形态学膨胀操作包括腐蚀、膨胀、开运算、闭操作等，此处采用的形态学膨胀操作可以是对初始分割结果作膨胀处理时，将初始分割结果腐膨胀3个像素。然后终端对形态学膨胀处理后的图形再进行取反操作，具体的是将原来是1的区域变成0，原本是0的区域变成1，这样得到背景模板。
75.最后，终端根据初始分割结果、背景蒙版以及待处理医学图像进行分割得到目标分割结果。
76.上述实施例中，通过结合深度全卷积分割模型和图割算法对医学图像进行分割，不仅提高整体分割算法精度，还减少了交互繁琐操作
77.在其中一个实施例中，参见图7，图7为一个实施例中的深度全卷积分割模型的训练过程的流程图，该训练过程是在将待处理医学图像输入至预先训练得到的深度全卷积分割模型中，以得到初始分割结果之前进行的，该训练过程可以包括：
78.s702：获取目标样本数据。
79.具体地，目标样本数据是最后用于训练的数据，其中由于深度学习只有在一定数据上进行学习才能具有一定的鲁棒性，为了增加这个鲁棒性，需要做数据扩增操作，进而，为了增加全卷积网络模型的泛化能力。
80.其中终端先获取到获取初始样本数据；对初始样本数据进行随机刚性变换处理，得到数据扩展后的样本数据；将初始样本数据和数据扩展后的样本数据作为目标样本数据。具体地，对原始图像和相应的图像标签(可以代表人为标注出来的黄金标准心脏血池和心肌图像)进行相同的随机刚性变换，具体可以包括但不限于：旋转、缩放、平移、翻转和灰度变换。例如原先20例图像扩增到2000例，其中例如用1600例作为训练样本进行训练，400例作为测试样本进行测试，其中每例图像包括原始图像和图像标签。具体地，终端通常将标注好的数量有限例数据进行数据增强，并扩充到数量较多，在深度学习中，一般选择80％数据来训练，20％数据来测试。具体在图像扩增时，终端采用以下至少一种方式进行图像出来：旋转-30度到30度，缩放0.8到1.2倍，平移-10到10个像素，翻转(水平和垂直)和灰度变换(图像归一化)。
81.s704：获取深度全卷积网络，并设置深度全卷积网络的超参数。
82.具体地，深度全卷积网络的获取是指深度全卷积网络结构的搭建，具体搭建的深度全卷积网络可以参见图6所示。
83.全卷积网络模型的参数设置包括特征参数和超参数，其中，特征参数是神经网络不断迭代学习的，用来学习图像特征；超参数通过人为设置，通过设置合适超参数以将网络
训练好。作为示例，本发明可以设置学习率为0.001，隐藏层个数分别为16，32，64，128，256，卷积核大小为3x3x3，训练迭代次数为30000次，每次迭代批次大小为1。其中特征参数可以包括网络的权重参数w和偏置参数b，其中以心脏图像为例，网络中的w和b参数用来表示主动瓣膜的纹理特征、几何信息特征和位置信息特征等，通过浅层和深层卷积层中的w和b来表达局部主动脉瓣膜的简单特征和复杂特征，简单特征可以是边和角特征，复杂特征是由这些简单特征组成的纹理特征和几何形状特征等。
84.s706：定义深度全卷积网络的损失函数。
85.具体地，损失函数是用来优化网络的目标函数，通过最小化该损失函数以使深度全卷积网络学习更好。该深度全卷积网络学习图像特征需要在一定的情境下才可以学习，即需要定义合适的损失函数才能学习到有效特征，坏的损失函数无法学习到好的特征，这主要是由损失函数来定义，其中，本实施例中，该损失函数可以定义为：
[0086][0087]
其中，w和b表示网络的权重参数和偏置参数，xi表示输入的第i个目标样本数据，f
w,b
(xi)表示第i个目标样本数据的模型预测结果，yi表示第i个目标样本数据的真实标签，k是平滑参数，防止分母为零无法计算。
[0088]
s708：利用目标样本数据通过随机梯度下降法对深度全卷积网络进行训练，以调整深度全卷积网络的特征参数，使得损失函数的值满足要求，得到训练完成的深度全卷积分割模型。
[0089]
具体地，本实施例中，终端采用随机梯度下降法训练深度全卷积网络，其主要训练过程是使用随机梯度下降法来迭代训练更新权重参数和偏置参数。
[0090]
具体地，终端利用梯度下降法来训练深度全卷积网络，然后再使用反向传播算法来更新优化深度全卷积网络中的权重参数和偏置参数。具体地，梯度下降法判断曲线斜率最大的地方为越快到最优值的方向，反向传播法是采用概率学的链式求导方法来求偏导数以更新权重，通过不断迭代训练来更新参数，以学习到图像。反向传播算法更新权重参数和偏置参数的方法如下：
[0091]
首先进行前向传播，通过不断迭代训练来更新参数，以学习到图像的特征，并且计算所有层(卷积层，反卷积层)的激活值，即图像经过卷积操作后以得到激活图像。
[0092]
然后对输出层(第n
l
层)，计算敏感值
[0093][0094]
其中，y为样本真实值，为输出层的预测值，表示输出层参数的偏导数。
[0095]
其次，对于l＝n
l-1,n
l-2,.....的各层，计算敏感值
[0096][0097]
其中，w
l
表示第l层的参数，δ
l 1
表示第l 1层的敏感值，f'(z
l
)表示第l层的偏导数；
[0098]
最后，更新每层的权重参数和偏置参数：
[0099][0100][0101]
其中，w
l
和b
l
分别表示l层的权重参数和偏置参数，为学习率，a
l
表示第l层的输出值，δ
l 1
表示l 1层的敏感值。
[0102]
这样训练整个深度全卷积网络，直到收敛到误差要求，将深度全卷积网络的参数进行保存，收敛到误差要求可以是让损失函数值最小化或不再大幅度改变，这样得到训练完成的深度全卷积分割模型，以便于后续使用。
[0103]
具体地，为了使得本领域技术人员充分了解本技术中所涉及的医学图像分割方法，本实施例中以心脏血管分割为例进行说明，其目的是将主动脉血管和主动脉瓣膜从心脏图像中分割出来，在其他的实施例中，终端可以通过训练模型的方式分别将主动脉血管和/或主动脉瓣膜从心脏图像中分割出来。具体地，该方法可以包括：
[0104]
首先，终端通过图像采集设备扫描得到心脏图像，该心脏图像为三维图像数据，例如其大小可以为512x512x130。
[0105]
终端根据预先训练得到的深度全卷积分割模型的图像输入要求对心脏图像进行处理，以将心脏处理处理为合适的尺寸，这样一方面可以减少数据处理量，另一方面还可以保证输入模型中的数据的完整性，实际应用中将心脏图像转换为大小为128x5128x128。
[0106]
终端在对心脏图像的尺寸处理完成后，再对心脏图像进行过滤处理，以去掉噪声，此外可选地，为了提高模型处理的效率，终端可以将过滤处理后的心脏图像转换为灰度图像。
[0107]
终端在对心脏图像处理完成后，将处理完成的心脏图像输入至预先训练得到的深度全卷积分割模型中，这样通过深度全卷积分割模型中的解码网络按照图像由大到小的顺序对心脏图像进行学习以得到主动脉血管和主动脉瓣膜的纹理特征和/或几何结构特征，其中纹理特征是指主动脉血管和主动脉瓣膜与心脏图像中其他组织器官的灰度信息的差异，几何结构特征是指主动脉血管和主动脉瓣膜与心脏图像中其他组织器官的形状等的不同。这样终端先通过解码网络的卷积层在大的心脏图像中学习到主动脉血管和主动脉瓣膜的纹理特征和/或几何结构特征，然后通过最大池化层减少心脏图像的大小，并进一步在下一个尺寸的心脏图像中学习主动脉血管和主动脉瓣膜的纹理特征和/或几何结构特征，以一步步地获取到不同尺寸的心脏图像中主动脉血管和主动脉瓣膜的纹理特征和/或几何结构特征。此外，通过残差连接以将不同的尺寸中的主动脉血管和主动脉瓣膜的纹理特征和/或几何结构特征进行连接，保证所学习到的特征的准确性。
[0108]
编码网络则是按照心脏图像由小到大的顺序进行处理，先根据解码网络学习到的主动脉血管和主动脉瓣膜的纹理特征和/或几何结构特征在心脏图像中进行定位以粗略获取到主动脉血管和主动脉瓣膜的位置，然后通过解码网络的反卷积层增大心脏图像的尺寸，进而与解码网络对应的尺寸的心脏图像进行合并，以根据解码网络对应的尺寸的心脏图像所学习到的主动脉血管和主动脉瓣膜的纹理特征和/或几何结构特征，在编码网络中对应的尺寸的心脏图像中进一步定位的得到主动脉血管和主动脉瓣膜的位置，这样循环进行，以一步步扩大图像尺寸，从而准确定位主动脉血管和主动脉瓣膜的位置。这样编码网络现在小尺寸的心脏图像中对主动脉血管和主动脉瓣膜进行定位，即进行粗略定位，然后随
着心脏图像增大，在粗略定位的基础上进一步定位，从而一步步提高定位的准确性。
[0109]
最后，终端对心脏图像进行处理以得到主动脉血管和主动脉瓣膜的位置，这样根据主动脉血管和主动脉瓣膜的位置得到前景蒙版，然后对前景蒙版进行取反操作即可得到背景蒙版，优选地，在取反操作前，先进行边缘膨胀操作。
[0110]
终端将所得到的前景蒙版和背景蒙版输入至图割算法中，以通过图割算法进一步对心脏图形进行分割得到主动脉血管和主动脉瓣膜的位置。
[0111]
上述实施例中，不需要用户来进行交互指定背景蒙版和前景蒙版，而是根据模型处理得到，减少用户的交互。
[0112]
应该理解的是，虽然图2和图7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，图2和图7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。
[0113]
在一个实施例中，如图8所示，提供了一种医学图像分割装置，包括：图像获取模块100、第一分割模块200和第二分割模块300，其中：
[0114]
图像获取模块100，用于获取待处理医学图像；
[0115]
第一分割模块200，用于将待处理医学图像输入至预先训练得到的深度全卷积分割模型中，以得到初始分割结果；
[0116]
第二分割模块300，用于基于初始分割结果对待处理医学图像进行分割得到目标分割结果。
[0117]
在其中一个实施例中，上述第一分割模块200包括：
[0118]
特征抽取单元，用于利用预先训练得到的深度全卷积分割模型，对待处理医学图像进行特征抽取，得到与目标组织器官对应的形态信息，形态信息包括目标组织器官的纹理特征、几何结构特征以及位置特征中的一种或几种；
[0119]
第一分割单元，用于根据目标组织器官对应的形态信息，利用预先训练得到的深度全卷积分割模型对待处理医学图像进行目标组织器官位置定位，得到初始分割结果。
[0120]
在其中一个实施例中，上述特征抽取单元包括：
[0121]
第一卷积子单元，用于利用预先训练得到的深度全卷积分割模型中的编码网络的当前卷积层，对待处理医学图像进行特征抽取得到形态信息；
[0122]
反卷积子单元，用于利用预先训练得到的深度全卷积分割模型中的编码网络的对应的反卷积层，对抽取形态信息后的图像进行图像尺寸变换，以使得变换后的图像尺寸与对应的解码网络中的卷积层输出的图像的尺寸大小对应。
[0123]
在其中一个实施例中，上述第一分割单元包括：
[0124]
第二卷积单元，用于利用预先训练得到的深度全卷积分割模型中的解码网络的卷积层，对待处理医学图像进行特征抽取得到形态信息；
[0125]
最大池化单元，用于利用预先训练得到的深度全卷积分割模型中的解码网络的最大池化层，保留所提取的形态信息，并调整解码网络的卷积层输出的图像的尺寸；
[0126]
残差连接单元，用于利用预先训练得到的深度全卷积分割模型中的解码网络的残差连接，将解码网络的卷积层的输入和输出直接相加作为最大池化层的输入；
[0127]
合并子单元，用于利用预先训练得到的深度全卷积分割模型中的合并层，将对应的解码网络中的卷积层输出的图像与编码网络的反卷积层输出的图像进行合并，作为编码网络的下一卷积层的输入。
[0128]
在其中一个实施例中，上述第二分割模块300包括：
[0129]
图像处理单元，用于对初始分割结果进行形态学膨胀处理；
[0130]
背景蒙版获取单元，用于将形态需膨胀处理后的初始分割结果进行取反操作得到背景蒙版；
[0131]
第二分割单元，用于根据初始分割结果、背景蒙版以及待处理医学图像进行分割得到目标分割结果。
[0132]
在其中一个实施例中，上述医学图像处理装置还包括：
[0133]
样本获取模块，用于获取目标样本数据；
[0134]
参数设置模块，用于获取深度全卷积网络，并设置深度全卷积网络的超参数；
[0135]
损失函数定义模块，用于定义深度全卷积网络的损失函数；
[0136]
训练模块，用于利用目标样本数据通过随机梯度下降法对深度全卷积网络进行训练，以调整深度全卷积网络的特征参数，使得损失函数的值满足要求，得到训练完成的分割模型。
[0137]
在其中一个实施例中，上述样本获取模块包括：
[0138]
初始样本获取单元，用于获取初始样本数据；
[0139]
扩展单元，用于对初始样本数据进行随机刚性变换处理，得到数据扩展后的样本数据；将初始样本数据和数据扩展后的样本数据作为目标样本数据。
[0140]
关于医学图像分割装置的具体限定可以参见上文中对于医学图像分割方法的限定，在此不再赘述。上述医学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。
[0141]
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9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、运营商网络、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医学图像分割方法。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。
[0142]
本领域技术人员可以理解，图9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。
[0143]
在一个实施例中，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以下步骤：获取待处理医学图像；将待处理医学图像输入至预先训练得到的深度全卷积分割模型中，以得到初始分割结果；基于初始分割结果对待处理医学图像进行分割得到目标分割结果。
[0144]
在一个实施例中，处理器执行计算机程序时所实现的将待处理医学图像输入至预先训练得到的深度全卷积分割模型中，以得到初始分割结果，包括：利用预先训练得到的深度全卷积分割模型，对待处理医学图像进行特征抽取，得到与目标组织器官对应的形态信息，形态信息包括目标组织器官的纹理特征、几何结构特征以及位置特征中的一种或几种；根据目标组织器官对应的形态信息，利用预先训练得到的深度全卷积分割模型对待处理医学图像进行目标组织器官位置定位，得到初始分割结果。
[0145]
在一个实施例中，处理器执行计算机程序时所实现的利用预先训练得到的深度全卷积分割模型，对待处理医学图像进行特征抽取，得到与目标组织器官对应的形态信息，包括：利用预先训练得到的深度全卷积分割模型中的编码网络的当前卷积层，对待处理医学图像进行特征抽取得到形态信息；利用预先训练得到的深度全卷积分割模型中的编码网络的对应的反卷积层，对抽取形态信息后的图像进行图像尺寸变换，以使得变换后的图像尺寸与对应的解码网络中的卷积层输出的图像的尺寸大小对应。
[0146]
在一个实施例中，处理器执行计算机程序时所实现的根据目标组织器官对应的形态信息，利用预先训练得到的深度全卷积分割模型对待处理医学图像进行目标组织器官位置定位，得到初始分割结果，包括：利用预先训练得到的深度全卷积分割模型中的解码网络的卷积层，对待处理医学图像进行特征抽取得到形态信息；利用预先训练得到的深度全卷积分割模型中的解码网络的最大池化层，保留所提取的形态信息，并调整解码网络的卷积层输出的图像的尺寸；利用预先训练得到的深度全卷积分割模型中的解码网络的残差连接，将解码网络的卷积层的输入和输出直接相加作为最大池化层的输入；利用预先训练得到的深度全卷积分割模型中的合并层，将对应的解码网络中的卷积层输出的图像与编码网络的反卷积层输出的图像进行合并，作为编码网络的下一卷积层的输入。
[0147]
在一个实施例中，处理器执行计算机程序时所实现的基于初始分割结果对待处理医学图像进行分割得到目标分割结果，包括：对初始分割结果进行形态学膨胀处理；将形态需膨胀处理后的初始分割结果进行取反操作得到背景蒙版；根据初始分割结果、背景蒙版以及待处理医学图像进行分割得到目标分割结果。
[0148]
在一个实施例中，处理器执行计算机程序时所实现的将待处理医学图像输入至预先训练得到的深度全卷积分割模型中，以得到初始分割结果之前，还包括：获取目标样本数据；获取深度全卷积网络，并设置深度全卷积网络的超参数；定义深度全卷积网络的损失函数；利用目标样本数据通过随机梯度下降法对深度全卷积网络进行训练，以调整深度全卷积网络的特征参数，使得损失函数的值满足要求，得到训练完成的分割模型。
[0149]
在一个实施例中，处理器执行计算机程序时所实现的获取目标样本数据，包括：获取初始样本数据；对初始样本数据进行随机刚性变换处理，得到数据扩展后的样本数据；将初始样本数据和数据扩展后的样本数据作为目标样本数据。
[0150]
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，计算
机程序被处理器执行时实现以下步骤：获取待处理医学图像；将待处理医学图像输入至预先训练得到的深度全卷积分割模型中，以得到初始分割结果；基于初始分割结果对待处理医学图像进行分割得到目标分割结果。
[0151]
在一个实施例中，计算机程序被处理器执行时所实现的将待处理医学图像输入至预先训练得到的深度全卷积分割模型中，以得到初始分割结果，包括：利用预先训练得到的深度全卷积分割模型，对待处理医学图像进行特征抽取，得到与目标组织器官对应的形态信息，形态信息包括目标组织器官的纹理特征、几何结构特征以及位置特征中的一种或几种；根据目标组织器官对应的形态信息，利用预先训练得到的深度全卷积分割模型对待处理医学图像进行目标组织器官位置定位，得到初始分割结果。
[0152]
在一个实施例中，计算机程序被处理器执行时所实现的利用预先训练得到的深度全卷积分割模型，对待处理医学图像进行特征抽取，得到与目标组织器官对应的形态信息，包括：利用预先训练得到的深度全卷积分割模型中的编码网络的当前卷积层，对待处理医学图像进行特征抽取得到形态信息；利用预先训练得到的深度全卷积分割模型中的编码网络的对应的反卷积层，对抽取形态信息后的图像进行图像尺寸变换，以使得变换后的图像尺寸与对应的解码网络中的卷积层输出的图像的尺寸大小对应。
[0153]
在一个实施例中，计算机程序被处理器执行时所实现的根据目标组织器官对应的形态信息，利用预先训练得到的深度全卷积分割模型对待处理医学图像进行目标组织器官位置定位，得到初始分割结果，包括：利用预先训练得到的深度全卷积分割模型中的解码网络的卷积层，对待处理医学图像进行特征抽取得到形态信息；利用预先训练得到的深度全卷积分割模型中的解码网络的最大池化层，保留所提取的形态信息，并调整解码网络的卷积层输出的图像的尺寸；利用预先训练得到的深度全卷积分割模型中的解码网络的残差连接，将解码网络的卷积层的输入和输出直接相加作为最大池化层的输入；利用预先训练得到的深度全卷积分割模型中的合并层，将对应的解码网络中的卷积层输出的图像与编码网络的反卷积层输出的图像进行合并，作为编码网络的下一卷积层的输入。
[0154]
在一个实施例中，计算机程序被处理器执行时所实现的基于初始分割结果对待处理医学图像进行分割得到目标分割结果，包括：对初始分割结果进行形态学膨胀处理；将形态需膨胀处理后的初始分割结果进行取反操作得到背景蒙版；根据初始分割结果、背景蒙版以及待处理医学图像进行分割得到目标分割结果。
[0155]
在一个实施例中，计算机程序被处理器执行时所实现的将待处理医学图像输入至预先训练得到的深度全卷积分割模型中，以得到初始分割结果之前，还包括：获取目标样本数据；获取深度全卷积网络，并设置深度全卷积网络的超参数；定义深度全卷积网络的损失函数；利用目标样本数据通过随机梯度下降法对深度全卷积网络进行训练，以调整深度全卷积网络的特征参数，使得损失函数的值满足要求，得到训练完成的分割模型。
[0156]
在一个实施例中，计算机程序被处理器执行时所实现的获取目标样本数据，包括：获取初始样本数据；对初始样本数据进行随机刚性变换处理，得到数据扩展后的样本数据；将初始样本数据和数据扩展后的样本数据作为目标样本数据。
[0157]
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、存储、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、闪存或光存储器等。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。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。
[0158]
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。
[0159]
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发明专利范围的限制。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，本技术专利的保护范围应以所附权利要求为准。