一种医学图像的分割方法、装置、设备及存储介质与流程

1.本发明涉及图像分割技术领域，尤其涉及一种医学图像的分割方法、装置、设备及存储介质。


背景技术：

2.图像分割是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，它是由图像处理到图像分割的关键步骤。尤其是在医疗行业里，从检查图像中提取到精确的感兴趣区域(如病灶)，对医生的诊断结果甚至于治疗结果都起到至关重要的作用。
3.目前的图像分割算法有很多，如基于阈值的分割算法、基于区域的分割算法和神经网络分割模型等等，在现实的应用场景中，大多直接将上述图像分割结果直接投入使用，或对上述图像分割结果进行一些常规的后处理操作。
4.但是，任何图像分割算法都存在一定的分割误差，常规的后处理操作并不能有效提高图像分割结果的精确度，尤其不能满足医疗行业对图像分割的精确度的要求，实用性较差。


技术实现要素：

5.本发明提供了一种医学图像的分割方法、装置、设备及存储介质，以解决现有的图像分割结果的精确度较差的问题。
6.根据本发明的一方面，提供了一种医学图像的分割方法，包括：
7.获取待处理医学图像对应的初始分割图像中的感兴趣图像，并确定所述感兴趣图像中的中心点对应的第一中心点参数；
8.基于预设缩放参数，确定所述感兴趣图像对应的缩放图像；
9.基于所述第一中心点参数以及所述缩放图像中至少一个图像点分别对应的图像点参数，确定各所述图像点分别与所述中心点之间的图像距离；
10.基于至少一个图像距离，确定更新后的感兴趣图像，并基于所述更新后的感兴趣图像，确定所述待处理医学图像对应的目标分割图像。
11.根据本发明的另一方面，提供了一种医学图像的分割装置，包括：
12.第一中心点参数确定模块，用于获取待处理医学图像对应的初始分割图像中的感兴趣图像，并确定所述感兴趣图像中的中心点对应的第一中心点参数；
13.缩放图像确定模块，用于基于预设缩放参数，确定所述感兴趣图像对应的缩放图像；
14.图像距离确定模块，用于基于所述第一中心点参数以及所述缩放图像中至少一个图像点分别对应的图像点参数，确定各所述图像点分别与所述中心点之间的图像距离；
15.目标分割图像确定模块，用于基于至少一个图像距离，确定更新后的感兴趣图像，并基于所述更新后的感兴趣图像，确定所述待处理医学图像对应的目标分割图像。
16.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
17.至少一个处理器；以及
18.与所述至少一个处理器通信连接的存储器；其中，
19.所述存储器存储有可被所述至少一个处理器执行的计算机程序，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本发明任一实施例所述的医学图像的分割方法。
20.根据本发明的另一方面，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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的医学图像的分割方法。
21.本发明实施例的技术方案，通过获取初始分割图像中感兴趣图像中的中心点对应的第一中心点参数和感兴趣图像对应的缩放图像，基于第一中心点参数和缩放图像中至少一个图像点分别对应的图像点参数，确定各所述图像点分别与中心点之间的图像距离，基于至少一个图像距离，确定更新后的感兴趣图像，并基于更新后的感兴趣图像，确定待处理医学图像对应的目标分割图像，解决了现有的图像分割算法得到的分割图像的精确度较差的问题，完善了分割图像的后处理算法，提高了修正后的分割图像的分割精确度以及分割图像的实用性，为后续的诊断和治疗提供了有效且精确的参考价值。
22.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
23.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
24.图1为本发明实施例一提供了一种医学图像的分割方法的流程图；
25.图2为本发明实施例二提供的一种医学图像的分割方法的流程图；
26.图3是本发明实施例二提供的一种医学图像的分割方法的具体实例的流程图；
27.图4为本发明实施例三提供的一种医学图像的分割装置的结构示意图；
28.图5是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
29.为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
30.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“初始”、“目标”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，以便这里描述的本发明的实施例能够以除
了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
31.实施例一
32.图1为本发明实施例一提供了一种医学图像的分割方法的流程图，本实施例可适用于对医学图像进行分割的情况，该方法可以由医学图像的分割装置来执行，该医学图像的分割装置可以采用硬件和/或软件的形式实现，该医学图像的分割装置可配置于笔记本电脑、移动终端、台式机和平板电脑等智能终端中。如图1所示，该方法包括：
33.s110、获取待处理医学图像对应的初始分割图像中的感兴趣图像，并确定感兴趣图像中的中心点对应的第一中心点参数。
34.其中，具体的，待处理医学图像可以是三维图像，也可以二维图像。示例性的，待处理医学图像的图像类型可以是ct(computed tomography，电子计算机断层扫描)图像、dr(digital radiography，数字化x射线摄影)图像、mri(magnetic resonance imaging，磁共振成像)图像、超声图像或pet(positron emission tomography，正电子发射计算机断层显像)图像等等，此处对待处理医学图像的图像类型不作限定。
35.本发明实施例以医学图像的类型为mri图像为例进行解释说明。mri成像是一种利用磁共振现象从人体获得电磁信号，并重建出人体信息的成像方法。其中，具体的，当检测对象为脑部区域时，在获取待处理医学图像对应的初始分割图像中的感兴趣图像之前，该方法还包括：对待处理医学图像进行预处理操作，得到修正后的待处理医学图像。其中，示例性的，预处理操作包括图像配准操作、去颅骨操作和去噪操作中至少一种。
36.在一个实施例中，初始分割图像可以是采用预设分割算法对待处理医学图像进行分割得到的分割图像，示例性的，预设分割算法包括但不限于基于阈值的分割算法、基于区域的分割算法、基于边缘的分割算法、形态学分水岭算法和神经网络分割模型等等，此处对预设分割算法不作限定。
37.其中，具体的，感兴趣图像是初始分割图像中基于预设分割算法分割得到的图像，示例性的，在医学图像领域，初始分割图像包括背景图像和病灶图像，其中，病灶图像为本实施例中的感兴趣图像。
38.在一个实施例中，可选的，该方法还包括：获取感兴趣图像对应的边界点，基于边界点的边界点坐标，确定感兴趣图像中的中心点。示例性的，假设待处理医学图像为三维图像，边界点坐标包括(x1,y1,z1)、(x2,y2,z2)
…
(xn,yn,zn)，则中心点的坐标(x,y,z)满足公式：
[0039][0040]
在另一实施例中，可选的，该方法还包括：将感兴趣图像中的每个图像点依次作为待测图像点；基于感兴趣图像中各图像点的图像点坐标，确定待测图像点与其他图像点之间的图像距离之和，并将图像距离之和最小的待测图像点作为中心点。其中，示例性的，图像距离的类型可以是欧式距离、曼哈顿距离、切比雪夫距离、马氏距离或闵可夫斯基距离等等，此处对图像距离的类型不作限定。
[0041]
在一个实施例中，可选的，第一中心点参数包括第一中心点坐标和第一中心点灰度值。
[0042]
s120、基于预设缩放参数，确定感兴趣图像对应的缩放图像。
[0043]
在一个实施例中，可选的，预设缩放参数包括缩放圈数和缩放方向。其中，具体的，缩放方向包括缩小方向和扩展方向。缩放方向可用于描述缩放图像与感兴趣图像之间的关系，示例性的，当缩放方向为缩小方向时，则缩放图像属于感兴趣图像中的一部分边缘图像，当缩放方向为扩展方向时，则缩放图像属于感兴趣图像外的一部分边缘图像。
[0044]
在一个实施例中，缩放圈数和缩放方向可根据实际需求进行个性化设置，示例性的，缩放圈数为5圈，缩放方向为扩展，此处对缩放圈数和缩放参数的具体参数值不作限定。
[0045]
在另一实施例中，可选的，该方法还包括：获取待处理医学图像的图像尺寸，并基于预设映射关系，确定待处理医学图像对应的缩放圈数；其中，预设映射关系用于描述缩放圈数与图像尺寸之间的映射关系。其中，具体的，预设映射关系中缩放圈数与图像尺寸可存在正相关关系，即当图像尺寸较大时，缩放圈数较大，当图像尺寸较小时，缩放圈数较小。
[0046]
其中，具体的，预设映射关系的关系类型可以是线性关系、指数关系、正弦关系或离散关系等等，此处对具体的关系类型不作限定。
[0047]
在一个实施例中，预设映射关系可用于描述缩放圈数与待处理医学图像的整体图像尺寸之间的映射关系。示例性的，在预设映射关系中，整体图像尺寸为512*512*200对应的缩放圈数为10，整体图像尺寸为128*128*100对应的缩放圈数为5。在本实施例中，缩放图像在各坐标轴维度上的缩放圈数相同。
[0048]
在另一个实施例中，预设映射关系可用于描述缩放圈数与待处理医学图像的单一坐标轴维度对应的图像尺寸之间的映射关系。示例性的，在预设映射关系中，单一坐标轴维度对应的图像尺寸为[400,512]对应的缩放圈数为10，单一坐标轴维度对应的图像尺寸为[128,200]对应的缩放圈数为5，单一坐标轴维度对应的图像尺寸为[50,100]对应的缩放圈数为2，假设待处理医学图像的整体图像尺寸为425*137*80，则x轴、y轴和z轴上的缩放圈数分别为10、5和2。在本实施例中，缩放图像在各坐标轴维度上的缩放圈数可能不同。
[0049]
在医疗技术领域，获取到的待处理医学图像通常在z轴方向具有小的图像维度尺寸，如果在三个坐标轴维度上均基于相同的缩放圈数确定缩放图像，则容易发生程序报错(如图像尺寸为1028*1028*20，缩放圈数为30，则z轴方向缩放操作出错)以及降低图像分割效果。基于单一坐标轴维度的图像尺寸设置缩放圈数，可以避免出现程序报错的情况以及提高图像分割效果。
[0050]
s130、基于第一中心点参数以及缩放图像中至少一个图像点分别对应的图像点参数，确定各图像点分别与中心点之间的图像距离。
[0051]
在一个实施例中，可选的，图像点参数包括图像点的图像点坐标和图像点灰度值。示例性的，第一中心点参数为(x0,y0,z0,g0)，图像点参数为(xi,yi,zi,gi)，其中，i表示缩放图像中的第i个图像点。
[0052]
其中，示例性的，图像距离的类型可以是欧式距离、曼哈顿距离、切比雪夫距离、马氏距离或闵可夫斯基距离等等，此处对图像距离的类型不作限定。
[0053]
s140、基于至少一个图像距离，确定更新后的感兴趣图像，并基于更新后的感兴趣图像，确定待处理医学图像对应的目标分割图像。
[0054]
在一个实施例中，可选的，基于至少一个图像距离，确定更新后的感兴趣图像，包括：将缩放图像中满足预设距离范围内的图像距离对应的图像点作为目标图像点，或者，基于至少一个图像距离，对缩放图像中的图像点进行排序，并根据排序结果和预设选取个数，确定缩放图像中的目标图像点；基于目标图像点，确定更新后的感兴趣图像。
[0055]
在一个实施例中，示例性的，预设距离范围可以是小于预设距离阈值。在另一个实施例中，可选的，该方法还包括：基于缩放图像的图像尺寸，确定预设选取个数。其中，示例性的，可以将缩放图像内的图像点个数和图像点尺寸的乘积结果作为缩放图像的图像尺寸，当然，也可以将缩放图像内的图像点个数作为缩放图像的图像尺寸。此处对缩放图像的图像尺寸的计算方式不作限定。其中，具体的，缩放图像的图像尺寸与预设选取个数存在正相关关系，即当图像尺寸较大时，预设选取个数较多，反之，当图像尺寸较小时，预设选取个数较少。此处对图像尺寸与预设选取个数之间具体的关联关系不作限定，用户可根据实际需求进行设置。
[0056]
其中，具体的，基于目标图像点，确定更新后的感兴趣图像，包括：当缩放方向为扩展方向时，将缩放图像中的目标图像点划分到感兴趣图像中，得到更新后的感兴趣图像；当缩放方向为缩小方向时，将缩放图像(属于感兴趣图像中的一部分)中除目标图像点以外的图像点划分到初始分割图像中的背景图像中，得到更新后的感兴趣图像。
[0057]
在本实施例中，更新后的感兴趣图像对应的初始分割图像为待处理医学图像对应的目标分割图像。
[0058]
本实施例的技术方案，通过获取初始分割图像中感兴趣图像中的中心点对应的第一中心点参数和感兴趣图像对应的缩放图像，基于第一中心点参数和缩放图像中至少一个图像点分别对应的图像点参数，确定各图像点分别与中心点之间的图像距离，基于至少一个图像距离，确定更新后的感兴趣图像，并基于更新后的感兴趣图像，确定待处理医学图像对应的目标分割图像，解决了现有的图像分割算法得到的分割图像的精确度较差的问题，完善了分割图像的后处理算法，提高了修正后的分割图像的分割精确度以及分割图像的实用性，为后续的诊断和治疗提供了有效且精确的参考价值。
[0059]
实施例二
[0060]
图2为本发明实施例二提供的一种医学图像的分割方法的流程图，本实施例是对上述实施例中的“基于所述更新后的感兴趣图像，确定所述待处理医学图像对应的目标分割图像”步骤进行进一步细化，可选的，所述基于所述更新后的感兴趣图像，确定所述待处理医学图像对应的目标分割图像，包括：确定更新后的感兴趣图像中的中心点对应的第二中心点参数；判断所述第二中心点参数中的第二中心点坐标与所述第二中心点参数对应的上一中心点参数中的上一中心点坐标是否相同；如果否，则基于第二中心点参数，重复执行基于预设缩放参数，确定所述感兴趣图像对应的缩放图像的操作；如果是，则基于所述第二中心点参数对应的更新后的感兴趣图像，确定所述待处理医学图像对应的目标分割图像。
[0061]
本实施例的具体实施步骤包括：
[0062]
s210、获取待处理医学图像对应的初始分割图像中的感兴趣图像，并确定感兴趣图像中的中心点对应的第一中心点参数。
[0063]
在上述实施例的基础上，可选的，该方法还包括：将待处理医学图像分别输入到至少两个目标图像分割模型中；基于各目标图像分割模型分别输出的分割结果和投票机制，
确定待处理医学图像对应的初始分割图像。
[0064]
其中，具体的，目标图像分割模型包括基于样本医学图像训练得到的神经网络模型，示例性的，目标图像分割模型的模型类型包括但不限于全卷积网络模型(fully convolutional network，fcn)、语义分割模型(segnet)和空洞卷积模型等等。其中，具体的，不同目标图像分割模型的模型结构不同和/或用于训练的样本医学图像不同。
[0065]
其中，具体的，投票机制包括软投票机制或硬投票机制。
[0066]
在一个实施例中，如果目标图像分割模型输出的是分割标签的结果，即0或1，则对应的投票机制为硬投票机制。硬投票机制是选择不同目标图像分割模型输出的最多的分类标签作为最终的分类标签。
[0067]
在另一个实施例中，如果目标图像分割模型输出的是分割标签的概率，即0-1，则对应的投票机制为软投票机制。软投票机制是基于不同目标图像分割模型输出的分类标签的概率确定最终分类标签。其中，具体的，可基于测试医学图像，对各目标图像分割模型进行评价，将评价结果作为各目标图像分割模型分别对应的投票权重；基于分割结果和投票权重，确定最终的分割标签。
[0068]
在上述实施例的基础上，可选的，该方法还包括：获取样本医学图像，并基于至少两个切块尺寸标准，对样本医学图像执行切块操作，得到多个切块医学图像；基于多个切块医学图像，分别对至少两个初始图像分割模型进行训练，得到训练完成的目标图像分割模型。
[0069]
其中，具体的，当样本医学图像的图像类型为三维图像时，切块尺寸标准可以是4*4*4、8*8*4、16*16*1等等。当样本医学图像的图像类型为二维图像时，切块尺寸标准可以是4*4、4*8、32*6等等。
[0070]
以样本医学图像的图像类型为三维图像为例，对切块医学图像进行分类，分类结果包括三维的切块医学图像的三维数据集和/或二维的切块医学图像的二维数据集。其中，三维数据集中的切块医学图像对应的切块尺寸标准中的z参数不为1，二维数据集中的切块医学图像对应的切块尺寸标准中的z参数为1。在本实施例中，初始图像分割模型包括三维初始图像分割模型和/或二维初始图像分割模型。
[0071]
进一步地，还可基于切块尺寸标准对三维数据集和/或二维数据集进行划分，得到至少一个相同尺寸的切块医学图像对应的第一三维子数据集、差异尺寸的切块医学图像对应的第二三维子数据集、相同尺寸的切块医学图像对应的第一二维子数据集、差异尺寸的切块医学图像对应的第二二维子数据集中至少一种。示例性的，第一三维子数据集中的切块医学图像的图像尺寸可以均为4*4*2；第二三维子数据集中的切块医学图像的图像尺寸包括4*4*2、4*4*3、8*8*2；第一二维子数据集中的切块医学图像的图像尺寸可以均为4*4*1或4*4；第二二维子数据集中的切块医学图像的图像尺寸包括4*4*1、4*2*1和8*8*1，或者，第二二维子数据集中的切块医学图像的图像尺寸包括4*4、4*2和8*8。本实施例中，初始图像分割模型包括第一三维初始图像分割模型、第二三维初始图像分割模型、第一二维初始图像分割模型和第二二维初始图像分割模型中至少一种。
[0072]
这样设置的好处在于，可以增加用于模型训练的样本图像的样本量，从而提高模型的训练效果。
[0073]
s220、基于预设缩放参数，确定感兴趣图像对应的缩放图像。
[0074]
在上述实施例的基础上，可选的，该方法还包括：将校验图像分别输入到至少两个目标图像分割模型中，并基于各目标图像分割模型分别输出的分割结果和投票机制，确定校验图像对应的预测感兴趣图像；将预测感兴趣图像的图像尺寸与校验图像对应的校验感兴趣图像的图像尺寸进行比较，并根据比较结果，确定待处理医学图像对应的缩放圈数和/或缩放方向。
[0075]
其中，具体的，如果预测感兴趣图像的图像尺寸小于校验感兴趣图像的图像尺寸，则缩放方向为扩展方向，如果预测感兴趣图像的图像尺寸大于校验感兴趣图像的图像尺寸，则缩放方向为缩小方向。
[0076]
其中，具体的，基于预测感兴趣图像的图像尺寸与校验感兴趣图像的图像尺寸之间的尺寸差值，确定待处理医学图像的缩放圈数。其中，尺寸差值与缩放圈数存在正相关关系，即尺寸差值较大时，缩放圈数较大，反之，尺寸差值较小时，缩放圈数较小。此处对尺寸差值与缩放圈数之间具体的映射关系不作限定，用户可根据实际需求进行设置。
[0077]
s230、基于第一中心点参数以及缩放图像中至少一个图像点分别对应的图像点参数，确定各图像点分别与中心点之间的图像距离。
[0078]
s240、基于至少一个图像距离，确定更新后的感兴趣图像，并确定更新后的感兴趣图像中的中心点对应的第二中心点参数。
[0079]
s250、判断第二中心点坐标与上一中心点坐标是否相同，如果是，则执行s260，如果否，则执行s220。
[0080]
其中，具体的，当迭代次数为0次时，s240确定的第二中心点参数对应的上一中心点参数为第一中心点参数，当迭代次数n(n≥1)次时，s240确定的第二中心点参数对应的上一中心点参数为第n-1次迭代对应的第二中心点参数。
[0081]
s260、基于第二中心点参数对应的更新后的感兴趣图像，确定待处理医学图像对应的目标分割图像。
[0082]
图3是本发明实施例二提供的一种医学图像的分割方法的具体实例的流程图，图3以医学图像为脑部的核磁共振图像为例。具体的，将获取到的少量的标注的脑部核磁共振图像作为样本医学图像，对脑部核磁共振图像进行预处理操作，示例性的，预处理操作包括配准操作、去颅骨操作和去噪操作等等。基于至少两个切块尺寸标准，对脑部核磁共振图像进行切块，得到多个切块医学图像，对切块医学图像进行分类，具体的，3d数据集中包含三维的切块核磁共振图像，2d数据集中包含二维的切块核磁共振图像，进一步地，分别对3d数据集和2d数据集进行分类，分别得到同尺寸的3d子数据集、基于混合抽样得到的差异尺寸的3d子数据集、同尺寸的2d子数据集和基于混合抽样得到的差异尺寸的2d子数据集。基于各子数据集分别对与其对应的初始图像分割模型进行训练，得到多个目标图像分割模型。
[0083]
将待处理医学图像分别输入到多个目标图像分割模型中，基于输出结果和投票机制，确定待处理医学图像对应的初始分割模型中的病灶图像(即感兴趣图像)，基于预设缩放参数，确定病灶图像对应的缩放图像，基于缩放图像中的图像点与病灶图像中的中心点之间的图像距离，对病灶图像进行扩展或缩小，得到更新后的病灶图像，基于更新后的病灶图像，重复执行对病灶图像进行扩展或缩小的操作，当更新后的病灶图像的中心点坐标与上一病灶图像的中心点坐标相同时，得到精确分割的病灶图像，即得到待处理医学图像对应的目标分割图像。
[0084]
本实施例的技术方案，通过确定更新后的感兴趣图像中的中心点对应的第二中心点参数，判断第二中心点参数中的第二中心点坐标与第二中心点参数对应的上一中心点参数中的上一中心点坐标是否相同，如果不同，则基于第二中心点参数，重复执行基于预设缩放参数，确定感兴趣图像对应的缩放图像的操作，直到第二中心点坐标与上一中心坐标相同，得到目标分割图像，解决了单次后处理操作得到的分割图像的精确度不高的问题，进一步提高了最终得到的分割图像的分割精确度以及分割图像的实用性。
[0085]
实施例三
[0086]
图4为本发明实施例三提供的一种医学图像的分割装置的结构示意图。如图4所示，该装置包括：第一中心点参数确定模块310、缩放图像确定模块320、图像距离确定模块330和目标分割图像确定模块340。
[0087]
其中，第一中心点参数确定模块310，用于获取待处理医学图像对应的初始分割图像中的感兴趣图像，并确定感兴趣图像中的中心点对应的第一中心点参数；
[0088]
缩放图像确定模块320，用于基于预设缩放参数，确定感兴趣图像对应的缩放图像；
[0089]
图像距离确定模块330，用于基于第一中心点参数以及缩放图像中至少一个图像点分别对应的图像点参数，确定各图像点分别与中心点之间的图像距离；
[0090]
目标分割图像确定模块340，用于基于至少一个图像距离，确定更新后的感兴趣图像，并基于更新后的感兴趣图像，确定待处理医学图像对应的目标分割图像。
[0091]
本实施例的技术方案，通过获取初始分割图像中感兴趣图像中的中心点对应的第一中心点参数和感兴趣图像对应的缩放图像，基于第一中心点参数和缩放图像中至少一个图像点分别对应的图像点参数，确定各图像点分别与中心点之间的图像距离，基于至少一个图像距离，确定更新后的感兴趣图像，并基于更新后的感兴趣图像，确定待处理医学图像对应的目标分割图像，解决了现有的图像分割算法得到的分割图像的精确度较差的问题，完善了分割图像的后处理算法，提高了修正后的分割图像的分割精确度以及分割图像的实用性，为后续的诊断和治疗提供了有效且精确的参考价值。
[0092]
在上述实施例的基础上，可选的，第一中心点参数包括第一中心点坐标和第一中心点灰度值，相应的，图像点参数包括图像点的图像点坐标和图像点灰度值。
[0093]
在上述实施例的基础上，可选的，目标分割图像确定模块340包括：
[0094]
目标分割图像确定单元，用于确定更新后的感兴趣图像中的中心点对应的第二中心点参数；
[0095]
判断第二中心点参数中的第二中心点坐标与第二中心点参数对应的上一中心点参数中的上一中心点坐标是否相同；
[0096]
如果否，则基于第二中心点参数，重复执行基于预设缩放参数，确定感兴趣图像对应的缩放图像的操作；
[0097]
如果是，则基于第二中心点参数对应的更新后的感兴趣图像，确定待处理医学图像对应的目标分割图像。
[0098]
在上述实施例的基础上，可选的，目标分割图像确定模块340包括：
[0099]
感兴趣图像更新单元，用于将缩放图像中满足预设距离范围内的图像距离对应的图像点作为目标图像点，或者，基于至少一个图像距离，对缩放图像中的图像点进行排序，
并根据排序结果和预设选取个数，确定缩放图像中的目标图像点；
[0100]
基于目标图像点，确定更新后的感兴趣图像。
[0101]
在上述实施例的基础上，可选的，该装置还包括：
[0102]
初始分割图像确定模块，用于将待处理医学图像分别输入到至少两个目标图像分割模型中；
[0103]
基于各目标图像分割模型分别输出的分割结果和投票机制，确定待处理医学图像对应的初始分割图像。
[0104]
在上述实施例的基础上，可选的，该装置还包括：
[0105]
目标图像分割模型训练模块，用于获取样本医学图像，并基于至少两个切块尺寸标准，对样本医学图像执行切块操作，得到多个切块医学图像；
[0106]
基于多个切块医学图像，分别对至少两个初始图像分割模型进行训练，得到训练完成的目标图像分割模型。
[0107]
在上述实施例的基础上，可选的，预设缩放参数包括缩放圈数和缩放方向，该装置还包括：
[0108]
预设缩放参数确定模块，用于将校验图像分别输入到至少两个目标图像分割模型中，并基于各目标图像分割模型分别输出的分割结果和投票机制，确定校验图像对应的预测感兴趣图像；
[0109]
将预测感兴趣图像的图像尺寸与校验图像对应的校验感兴趣图像的图像尺寸进行比较，并根据比较结果，确定待处理医学图像对应的缩放圈数和/或缩放方向。
[0110]
本发明实施例所提供的医学图像的分割装置可执行本发明任意实施例所提供的医学图像的分割方法，具备执行方法相应的功能模块和有益效果。
[0111]
实施例四
[0112]
图5是本发明实施例四提供的一种电子设备的结构示意图。图5中的电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0113]
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0114]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0115]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11
的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如医学图像的分割方法。
[0116]
在一些实施例中，医学图像的分割方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的医学图像的分割方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行医学图像的分割方法。
[0117]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0118]
用于实施本发明的医学图像的分割方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0119]
实施例五
[0120]
本发明实施例五还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行一种医学图像的分割方法，该方法包括：
[0121]
获取待处理医学图像对应的初始分割图像中的感兴趣图像，并确定感兴趣图像中的中心点对应的第一中心点参数；
[0122]
基于预设缩放参数，确定感兴趣图像对应的缩放图像；
[0123]
基于第一中心点参数以及缩放图像中至少一个图像点分别对应的图像点参数，确定各图像点分别与中心点之间的图像距离；
[0124]
基于至少一个图像距离，确定更新后的感兴趣图像，并基于更新后的感兴趣图像，确定待处理医学图像对应的目标分割图像。
[0125]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电
气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0126]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0127]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0128]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0129]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0130]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。