图像区域划分、装置、设备及存储介质的制作方法

本发明涉及人工智能技术领域，尤其涉及一种图像区域划分方法、装置、设备及存储介质。

背景技术：

肺叶区域划分是呼吸领域的一个重要课题，肺叶区域划分的目的是确定某种疾病在某个肺叶的具体分布情况，以对此疾病定量分析。目前是通过成熟的自动分割算法，如分水岭算法对肺叶区域进行划分。然而，无论如何自动分割算法都存在一定的误差，且目前的分割方法的时间过长，不能快速划分出准确的肺叶区域。特别是肺部存在粘连或严重的肺气肿患者，已经不能使用肺叶分割的方法对肺图像进行分割，无法满足临床上疾病定量分析的需求。因此，需要提出一种新的肺叶区域划分的方法。

技术实现要素：

本发明的主要目的在于提供一种图像区域划分方法、装置、设备及存储介质，旨在提升肺叶区域划分精度，以及缩短肺叶区域划分时间。

为实现上述目的，第一方面，本发明提供一种图像区域划分方法，所述图像区域划分方法包括以下步骤：

获取肺图像、第一基准值、第二基准值以及第三基准值；

利用所述肺图像得到右肺体积以及左肺体积；

利用所述第一基准值、所述第二基准值以及所述右肺体积对所述肺图像的右肺图像进行划分，得到右肺划分图像；

利用所述第三基准值以及所述左肺体积对所述肺图像的左肺图像进行划分，得到左肺划分图像。

第二方面，本发明还提供一种图像区域划分装置，所述装置包括：

获取模块，用于获取肺图像、第一基准值、第二基准值以及第三基准值；

确定模块，用于利用所述肺图像得到右肺体积以及左肺体积；

划分模块，用于利用所述第一基准值、所述第二基准值以及所述右肺体积对所述肺图像的右肺图像进行划分，得到右肺划分图像；

所述划分模块，还用于利用所述第三基准值以及所述左肺体积对所述肺图像的左肺图像进行划分，得到左肺划分图像。

第三方面，本发明还提出一种图像区域划分设备，所述图像区域划分设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像区域划分程序，所述图像区域划分程序被所述处理器执行时实现所述的图像区域划分方法的步骤，或者所述的目标区域划分方法的步骤。

第四方面，本发明还提出一种存储介质，所述存储介质上存储有图像区域划分程序，所述图像区域划分程序被处理器执行时实现所述的图像区域划分方法的步骤。

本发明提供一种图像区域划分方法、装置、设备及存储介质。首先获取肺图像、第一基准值、第二基准值以及第三基准值；利用所述肺图像得到右肺体积以及左肺体积；利用所述第一基准值、所述第二基准值以及所述右肺体积对所述肺图像的右肺图像进行划分，得到右肺划分图像；利用所述第三基准值以及所述左肺体积对所述肺图像的左肺图像进行划分，得到左肺划分图像，即通过利用右肺体积、第一基准值、第二基准值将右肺图像划分为3个区域，分别是右肺第一区域、右肺第二区域以及右肺第三区域。其中，右肺第一区域相当于右上肺叶，右肺第二区域相当于右中肺叶，右肺第三区域相当于右下肺叶。利用左肺体积以及第三基准值将左肺图像划分为2个区域，分别是左肺第一区域以及左肺第二区域。其中，左肺第一区域相当于左肺上叶，左肺第二区域相当于左肺下叶。因此，不需要实现对肺叶的精细划分，通过上述方式即可以快速准确地划分出肺叶区域，即可辅助实现临床上疾病快速定量分析。

附图说明

图1示出根据本发明实施例的一种图像区域划分方法的流程图；

图2示出根据本发明实施例的一种确定肺区域体积方法的流程图；

图3示出根据本发明实施例的一种图像区域划分装置的流程图；

图4示出根据本发明实施例的一种图像区域划分设备的结构示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

需要说明的是，本发明实施例图像区域划分设备可以是智能手机、个人计算机和服务器等设备，在此不做具体限制。

本发明实施例提供的一种图像区域划分方法的执行主体可以为任意的图像处理装置，例如图像区域划分方法可以由图像区域划分设备或服务器执行，其中，图像区域划分设备可以为用户设备(userequipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(personaldigitalassistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等。服务器可以为本地服务器或者云端服务器。在一些可能的实现方式中，该基图像区域划分方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

图1是本发明实施例一种图像区域划分方法的流程示意图。如图1所示，一种图像区域划分方法，包括：获取肺图像、第一基准值、第二基准值以及第三基准值；利用所述肺图像得到右肺体积以及左肺体积；利用所述第一基准值、所述第二基准值以及所述右肺体积，对所述肺图像的右肺图像进行划分，得到右肺划分图像；和/或，利用所述第三基准值以及所述左肺体积对所述肺图像的左肺图像进行划分，得到左肺划分图像。以解决目前的分割方法的时间过长，不能足临床上疾病快速定量分析的问题。特别是肺部存在粘连或严重的肺气肿患者，已经不能使用肺叶分割的方法对肺图像进行分割有着较大的意义。

在本发明实施例中，实际上利用肺图像、第一基准值、第二基准值将右肺图像划分为3个区域，分别是右肺第一区域、右肺第二区域以及右肺第三区域。其中，右肺第一区域相当于右上肺叶，右肺第二区域相当于右中肺叶，右肺第三区域相当于右下肺叶。利用肺图像以及第三基准值将左肺图像划分为2个区域，分别是左肺第一区域以及左肺第二区域。其中，左肺第一区域相当于左肺上叶，左肺第二区域相当于左肺下叶。因此，不需要实现对肺叶的精细划分，通过上述的方法即可快速实现临床上疾病快速定量分析。

s10：获取肺图像、第一基准值、第二基准值以及第三基准值。

在一些可能的实施方式中，本发明实施例可以通过拍摄ct(computedtomography，计算机断层影像)、mri(磁共振成像)、x射线等方式得到的肺图像。

在本发明的实施例中，第一基准值、第二基准值以及第三基准值为预设的阈值。第一基准值、第二基准值以及第三基准值是通过大量健康受试者的肺图像确定的，通过ptk工具包(pulmonarytoolkit)进行肺叶分割，ptk工具包可通过网址https://github.com/tomdoel/pulmonarytoolkit下载。在本发明实施例中，收集了1003套的健康受试者的肺图像，然后先通过ptk工具包自动进行肺叶分割得肺叶分割图像，对然通过ptk工具包对肺叶分割图像进行手动校正，得到校正肺叶分割图像，以确保肺叶分割的准确性。

在本发明的实施例中，计算肺叶的体积，可以通过对健康受试者进行肺部通气快速磁共振成像扫描，获得健康受试者肺部的超极化惰性气体通气快速磁共振图像(肺图像)，对超极化惰性气体通气快速磁共振图像中含有惰性气体信号的体素进行分割，计算得到肺体积(左肺体积以及右肺体积)。对肺图像进行左右肺分割，然后可以计算左肺体积以及右肺体积。通过ptk工具包得到肺叶分割图像或者校正肺叶分割图像，然后可以计算每个肺叶的体积。或者使用申请号为201480034832.3公开的肺测量中的肺体积计算方法，完成左肺右肺分割或者完成肺叶分割后，亦可通过上述方法来计算左肺体积、右肺体积以及每个肺叶的体积。

在本发明的实施例中，通过1003套的健康受试者的肺图像分别得到1003个的肺体积(左肺体积以及右肺体积)数据，1003个的左肺体积数据，1003个的右肺体积数据，1003个的每个肺叶的体积数据。即，确定健康受试者的肺图像的数量，基于设定健康受试者肺图像的数量分别获取肺体积(左肺体积以及右肺体积)数据、左肺体积数据、右肺体积数据以及每个肺叶的体积数据。

在本发明的实施例中，右肺图像具有3个肺叶，因此只需要第一基准值、第二基准值就可以完成右肺划分图像。如，第一基准值、第二基准值为1003个的右肺肺叶的任两个肺叶的体积数据的平均值。即，所述第一基准值以及所述第二基准值为基于设定健康受试者肺图像数量的右肺肺叶的任两个肺叶的体积数据的平均值。

在本发明的实施例中，左肺图像具有2个肺叶，因此只需1个基准值即可，第三基准值。第三基准值可以是1003个的左上肺叶或者左下肺叶的体积数据平均值。即，所述第三基准值为基于设定健康受试者肺图像的数量的左肺肺叶任一个肺叶的体积数据的平均值。

在本发明的实施例中，健康受试者肺图像为无肺疾病且肺裂隙清晰，可以采用手动方式或者可以基于ptk工具包进行肺叶分割或者校正的肺图像。

s20：利用所述肺图像得到右肺体积以及左肺体积。

在本发明中，所述利用肺图像得到右肺体积以及左肺体积之前，对所述肺图像进行分割，得到右肺以及左肺；分别利用所述右肺以及所述左肺得到所述右肺体积以及所述左肺体积。

在本发明的实施例中，可以直接通过执行图像分割的神经网络对肺图像处理得到肺图像中的左肺和右肺图像，例如可以通过u-net网络实现肺图像的分割，得到左肺图像和右肺图像，其中左肺图像和右肺图像可以分别表示左肺区域的位置以及右肺区域的位置，而后可以利用左肺图像和右肺图像得到左肺体积和右肺体积。其中，可以将肺图像中的各层图像分割出的分布区域的面积之和，作为相应的体积。例如各层左肺图像中左肺区域的位置对应的面积之和为左肺体积，各层右肺图像中右肺区域位置对应的面积之和为右肺体积。

或者在其他实施方式中，还可以通过确定肺区域体积的方法来确定左肺体积和右肺体积，具体实施方式在后续实施例中详细说明。

s30：利用所述第一基准值、所述第二基准值以及所述右肺体积对所述肺图像的右肺图像进行划分，得到右肺划分图像。

在本发明的实施例中，所述利用所述第一基准值、所述第二基准值以及所述右肺体积对所述肺图像的右肺图像进行划分，得到右肺划分图像的方法，包括：利用所述第一基准值、所述第二基准值以及所述右肺体积对所述肺图像的右肺图像进行划分。例如，第一基准值为1003个的右上肺叶的体积数据平均值，第二基准值为1003个的右中肺叶的体积数据平均值。从当肺图像的右肺图像的上侧开始计算，当右肺图像的体积达到第一基准值，则认为是右上肺叶；以此为基准继续向下计算，当体积达到第二基准值，则认为是右中肺叶；剩下的部分则为右下肺叶。

s40：利用所述第三基准值以及所述左肺体积对所述肺图像的左肺图像进行划分，得到左肺划分图像。

在本发明的实施例中，所述利用所述第三基准值以及所述左肺体积对所述肺图像的左肺图像进行划分，得到左肺划分图像的方法，包括：利用所述第三基准值对所述左肺图像中的左肺体积进行划分，得到所述左肺划分图像。例如，第三基准值为1003个的左上肺叶的体积数据平均值，则从当肺图像的左肺图像的上侧开始计算，当左肺图像的体积达到第三基准值，则认为是左上肺叶；剩下的部分则为左下肺叶。

在本发明中，考虑到患者的年龄以及肺部疾病的恶化情况，所述的方法，还包括，分别对所述第一基准值、所述第二基准值以及所述第三基准值进行校正，得到第一校正基准值、第二校正基准值以及第三校正基准值；利用所述第一校正基准值以及所述第二校正基准值对所述肺图像的右肺图像进行划分，得到右肺划分图像；利用所述第三校正基准值对所述肺图像的左肺图像进行划分，得到左肺划分图像。

在本发明中，所述分别对所述第一基准值、所述第二基准值以及所述第三基准值进行校正，得到第一校正基准值、第二校正基准值以及第三校正基准值的方法，包括：获取第一基准体积、第二基准体积以及所述肺图像中的右肺体积以及左肺体积；利用所述第一基准体积以及所述右肺体积对所述第一基准值以及所述第二基准值进行校正，分别得到所述第一校正基准值以及所述第二校正基准值；利用所述第二基准体积以及所述左肺体积对所述第三基准值进行校正，得到所述第三校正基准值。

在本发明的实施例中，获取肺图像、第一基准值、第二基准值以及第三基准值的实施例中，将1003个的右肺体积数据取平均值，得到第一基准体积。将1003个的左肺体积数据取平均值，得到第二基准体积。即，所述第一基准体积为基于设定健康受试者肺图像的数量的右肺体积数据的平均值，所述第二基准体积为基于设定健康受试者肺图像数量的左肺体积数据的平均值。

在本发明中，所述利用所述第一基准体积以及所述右肺体积对所述第一基准值以及所述第二基准值进行校正，分别得到所述第一校正基准值以及所述第二校正基准值的方法，包括：计算所述第一基准体积以及所述右肺体积的第一比值；所述第一比值分别乘以所述第一基准值以及所述第二基准值，得到所述第一校正基准值以及所述第二校正基准值。

例如，计算所述第一基准体积以及所述右肺体积的第一比值：所述右肺体积除以所述第一基准体积，得到的所述第一比值为0.9，则第一比值0.9分别乘以所述第一基准值以及所述第二基准值，得到所述第一校正基准值以及所述第二校正基准值。然后利用上述方法对所述肺图像的右肺图像进行划分，得到右肺划分图像。

在本发明中，所述利用所述第二基准体积以及所述左肺体积对所述第三基准值进行校正，得到所述第三校正基准值的方法，包括：计算所述第二基准体积以及所述左肺体积的第二比值；所述第二比值乘以所述第三基准值得到所述第三校正基准值。

例如，计算所述第二基准体积以及所述左肺体积的第二比值：所述左肺体积除以所述第二基准体积，得到的所述第二比值为0.97，则第二比值0.97乘以所述第三校正基准值，得到所述第一校正基准值以及所述第三校正基准值。然后利用上述方法对所述肺图像的左肺图像进行划分，得到左肺划分图像。

如上述实施例所述，图2示出根据本发明实施例的一种确定肺区域体积方法；本发明实施例还可以通过确定肺区域体积的方法来确定左肺体积和右肺体积。下面对肺区域体积的确定方法进行详细说明。

其中，所述确定肺区域体积的方法，可以包括：

s101：获取肺图像中各层图像的图像特征；

在一些可能的实施方式中，所述肺部图像包括多层叠加的图像，获取肺图像的方式可以包括：利用ct(计算机断层成像)的方式拍摄得到肺图像，或者也可以从其他的电子设备或者服务器接收拍摄得到的肺图像。其中肺图像可以包括多层肺部的断层成像(图像)，通过这些多层图像的叠加可以形成整体的肺图像。

在一些可能的实施方式中，在获得肺图像的情况下，还可以进一步提取肺图像的图像特征，其中，可以直接将肺图像的各层图像中的像素点对应的像素值作为图像特征，或者也可以通过对图像执行特征提取处理，得到图像的图像特征。

s102：对各层图像的图像特征执行特征优化处理，得到与各层图像分别对应的优化特征；

在一些可能的实施方式中，可以通过分别对各层图像的图像特征执行卷积处理，实现对各图像特征的分别优化，通过该优化可以增加更为细节的特征信息，提高特征的丰富性。其中，通过对各层图像执行优化处理，可以分别得到对应的优化特征。或者也可以将相邻层图像的图像特征连接得到连接特征，并对连接特征执行特征处理，使得相邻层图像的图像特征能够相互融合，同时还能够提高特征精度，进而分别通过两个卷积层对得到的同和特征分别进行卷积，对应的得到相邻层图像中各层图像的优化特征。

s103：利用所述肺图像中相邻层图像的优化特征之间的关联特征，对所述肺图像执行修正处理，得到修正后的肺图像；

在一些可能的实施方式中，在得到肺图像的各层图像的优化特征的情况下，可以进一步获得相邻层图像的优化特征之间的关联特征，关联特征中的元素表示相邻层图像的优化特征中相同位置的特征值之间的关联度。利用该关联特征，可以执行肺图像中各层图像的修正处理，提高肺图像的精度。本发明实施例中，关联特征、图像特征、优化特征以及后续的融合特征、残差特征等各特征均可以通过向量或者矩阵的形式表示。

在一些可能的实施方式中，可以利用得到的关联特征执行相邻层图像的优化特征之间的特征融合处理，得到融合特征。通过该融合处理，可以有效的将相邻层图像的图像特征进行融合，有利于肺图像的修正。其中，本发明实施例中，相邻层图像是指肺图像中的任一层图像以及该任一层图像的下一层图像，在其他实施例中，也可以是任一层图像以及该任一层图像的后n层图像，n为大于或者等于1且小于或者等于3的整数。也就是说，相邻层可以表示直接相邻的两层图像，或者也可以表示相邻多层图像，本发明对此不作具体限定。

在一些可能的实施方式中，在得到融合特征的情况下，可以利用融合特征对相邻层图像中的任一图像进行图像修正，例如可以将融合特征和图像的图像特征进行相加处理，得到修正的图像特征，该修正的图像特征对应的图像即为修正的图像。

s104：基于所述修正后的肺图像，得到所述肺图像的肺区域轮廓；

本发明实施例中，所述肺区域轮廓包括左肺区域轮廓以及右肺区域轮廓中的至少一种，利用肺图像中各层修正后的图像的叠加，可以得到修正后的肺图像。或者也可以对肺图像中各层修正后的图像执行卷积处理，进一步提高图像精度，而后对得到的图像特征叠加，得到修正后的肺图像。其中，步骤s101获得的肺图像可以为左肺图像、右肺图像或者整个肺图像中的至少一种，对应的，在肺图像为左肺图像的情况下，得到的肺区域轮廓为左肺区域轮廓，在肺图像为右肺图像的情况下，得到的肺区域轮廓为右肺区域轮廓，以及在肺图像为包括左肺和右肺整体肺图像的情况下，得到的肺区域轮廓可以包括左肺区域轮廓以及右肺区域轮廓中的至少一种。

通过对修正后的图像执行肺区域分割，可以得到相应的肺区域轮廓，例如可以通过卷积神经网络实现肺区域的检测，得到肺区域轮廓。或者也可以利用区域生长法对修正后的肺图像处理，得到肺区域轮廓。

s105：分别利用所述左肺区域轮廓以及右肺区域轮廓，得到所述右肺体积以及所述左肺体积。

在一些可能的实施方式中，可以将肺区域轮廓形成的肺部区域的体积确定为肺区域体积。其中，可以根据每层肺区域轮廓所围成的面积之和，确定为肺区域体积。例如，可以根据每层图像的左肺区域轮廓形成的区域面积，得到左肺区域的体积，以及根据每层图像的右肺区域形成的区域面积，得到右肺区域的体积。

在此需要说明的是，本发明实施例可以通过神经网络实现，也可以通过与本申请所限定的算法实现，只要是包括在本申请所保护的技术方案的范围内，就可以作为本发明实施例。

基于上述配置，本发明实施例可以得到相邻层图像的图像特征的优化特征之间的关联特征，在通过关联特征执行上述优化特征融合过程时，可以使得相邻层图像之间的特征信息根据关联特征中相同位置的不同特征的相关性进行融合，进而提高肺图像的修正效果，通过提高肺区域轮廓的检测精度以及肺区域体积的检测精度。

下面结合附图对本发明实施例的确定肺区域体积的方法进行详细说明。本发明实施例可以首先获得肺图像中各层图像的图像特征，其中，如上述实施例所述，可以将肺图像中各层图像的像素点的像素值作为响应的图像特征，或者也可以通过特征提取神经网络执行肺图像的图像特征的提取。该特征提取神经网络可以包括残差网络或者特征金字塔网络，将肺图像输入到特征提取神经网络，得到肺图像对应的图像特征，其中包括每层图像的图像特征。或者也可以将各层图像分别输入到特征提取神经网络，对应的得到每层图像的图像特征。其中图像特征可以表示成向量或者矩阵的形式，包括对应的图像各像素点的特征信息，本发明对图像特征的形式不作具体限定。

在得到各层图像的图像特征的情况下，可以执行图像特征的优化处理，得到相应的优化特征。在一些可能的实施方式中，可以直接对各层图像的图像特征执行卷积处理，进一步提高图像特征的精度和丰富细节特征信息，得到对应的优化特征。或者也可以利用相邻层图像的图像特征进行特征融合，利用融合结果实现图像特征的优化。

本发明实施例中，所述对各层图像的图像特征执行特征优化处理，得到与各层图像分别对应的优化特征，包括：对所述肺图像中的相邻层图像执行多图像特征融合处理，得到所述相邻层图像中各层图像分别对应的融合特征，其中，所述肺图像中的相邻层图像包括按照层数增加的顺序排列的第一图像，以及与所述第一图像相邻的至少一个第二图像，所述相邻层图像中各图像的融合特征融合有所述相邻层图像中任一图像的特征信息；以及利用所述肺图像中各层图像的融合特征对相应的图像特征执行单图像特征融合处理，得到所述图像的优化特征。

本发明实施例中，相邻层图像可以定义为包括第一图像和至少一个第二图像，第二图像为按照层数增加的方向与第一图像相邻的图像，例如第一图像为第i层图像，第二图像可以为第i+1层图像，或者也可以为第i+1至第i+n图像，n为大于1的整数，本发明实施例中n可以为小于5的整数，但不作为本发明的具体限定。本发明实施例可以按照肺图像中第一至第n层图像的顺序，将每层图像依次确定为第一图像，并结合与第一图像相邻的第二图像的特征，实现第一图像的特征融合和修正。

本发明实施例可以通过第一图像的图像特征和第二图像的图像特征之间的多图像特征融合，分别得到第一图像对应的第一融合特征以及第二图像对应的第二融合特征。通过多图像特征融合处理可以使得第一图像和第二图像的图像特征之间相互融合，进而使得得到第一融合特征和第二融合特征中都分别包括第一图像和第二图像的特征信息。在此需要说明的是，上述第一图像可以为肺图像中任意一层图像。

通过上述配置，可以得到肺图像中每层图像对应的融合特征，该融合特征可以包括该层图像的特征信息，同时还包括与其相邻的图像的特征信息。

在一些可能的实施方式中，在得到每层图像的融合特征时，可以利用图像的融合特征对图像的图像特征执行单图像特征融合处理。例如，得到第一图像的第一融合特征以及第二图像的第二融合特征的情况下，可以利用第一融合特征对第一图像的图像特征执行单图像的特征融合，以及利用第二融合特征对第二图像的图像特征执行单图像的特征融合，分别对应的得到第一优化特征以及第二优化特征。

其中，通过单图像特征融合处理可以在各层分别对应的融合特征的基础上，进一步加强各自的图像特征。例如，可以在第一图像的第一融合特征和第二图像的第二融合特征的基础上，进一步加强各自的图像特征，使得得到的第一优化特征在具有第一图像的图像特征的基础上还同时融合第二图像的特征信息，以及使得得到的第二优化特征在具有第二图像的图像特征的基础上还同时融合第一图像的特征信息。

下面结合附图对本发明实施例的多图像特征融合以及单图像特征融合进行说明。其中，所述对所述肺图像中得相邻层图像执行多图像特征融合处理，得到所述相邻层图像中各层图像分别对应的融合特征，包括：连接所述相邻层图像的图像特征，得到第一连接特征；利用第一残差网络对所述第一连接特征进行处理，得到第一残差特征；利用至少两个卷积层分别对所述第一残差特征执行卷积处理，分别对应的得到所述相邻层图像分别对的融合特征。

本发明实施例中，在执行应多图像的特征融合时，可以将相邻层图像中的各图像的图像特征连接，得到第一连接特征。如可以通过连接函数(concat)执行连接操作，使得相邻层图像之间的特征信息进行简答的融合。

在得到第一连接特征的情况下，可以进一步对该第一连接特征进行优化处理。本发明实施例中可以利用残差网络(第一残差网络)执行该特征优化处理。其中可以将第一连接特征输入到第一残差网络(residualblock)执行特征优化处理，得到第一残差特征。通过第一残差网络的处理可以使得第一连接特征中的特征信息进一步融合且提高了特征信息的精度，即第一残差特征中进一步精确的融合了第一图像和第二图像中的特征信息。其中，第一残差网络可以为任意的残差网络结构，本发明对此不作具体限定。

在一些可能的实施方式中，在得到第一残差特征的情况下，可以分别利用不同的卷积层对第一残差特征执行卷积处理。例如，在相邻层为第一图像和第二图像的情况下，可以利用两个卷积层分别对第一残差特征执行卷积处理，分别得到第一图像的第一融合特征和第二图像的第二融合特征。其中该两个卷积层可以但不限于为1*1的卷积核。其中第一融合特征中包括有第二图像的特征信息，第二融合特征中也包括有第一图像的特征信息，即第一融合特征和第二融合特征中均相互包括两个图像的特征信息。

通过上述配置，可以实现融合相邻层图像中各图像的特征信息，也即可以通过层间信息融合方式，提高肺图像中各层图像的修正精度。

另外，所述利用所述肺图像中各层图像的融合特征对相应的图像特征执行单图像特征融合处理，得到所述图像的优化特征，包括：利用所述图像的融合特征和图像特征的加和处理，得到所述图像的加和特征；利用第二残差网络对所述图像的加和特征进行处理，得到所述图像的优化特征。

在一些可能的实施方式中，在得到各层图像的融合特征的情况下，融合特征以及相应的图像特征执行图像特征的优化处理。本实施例可以首先通过图像的融合特征和图像特征的加和处理，得到加和特征。而后利用残差网络(第二残差网络)对加和特征进行优化处理，得到图像的优化特征。例如，针对第一图像的第一图像特征，可以利用第一图像的图像特征和第一融合特征加和的方式执行该优化处理，该加和可以包括第一融合特征和第一图像的图像特征的直接相加，也可以包括第一融合特征和第一图像的图像特征的加权相加，即第一融合特征和第一图像的图像特征分别与对应的加权系数相乘再做加和运算，其中加权系数可以为预先设定的数值，也可以为神经网络学习的数值，本发明对此不作具体限定。

同理，在得到第二融合特征的情况下，可以利用第二融合特征执行第二图像的单图像特征融合处理，本发明实施例可以利用第二图像的图像特征和第二融合特征加和的方式执行该融合处理，该加和可以包括第二融合特征和第二图像的图像特征的直接相加，也可以包括第二融合特征和第二图像的图像特征的加权相加，即第二融合特征和第二图像的图像特征分别与对应的加权系数相乘再做加和运算，其中加权系数可以为预先设定的数值，也可以为神经网络学习的数值，本发明对此不作具体限定。

在此需要说明的是，本发明实施例对第一图像的图像特征与第一融合特征执行加和处理的时间，以及对第二图像的图像特征与第二融合特征执行加和处理的时间不做具体限定，二者可以分别执行，也可以同时执行。

通过上述加和处理，可以在融合特征的基础上进一步增加原始图像的特征信息。单图像特征的融合，可以实现在网络的每个阶段保留单层图像的特征信息，进而可以根据已经优化的多层图像间的特征信息来优化单层图像的特征信息。另外，本发明实施例可以直接将上述第一加和特征和第二加和特征作为第一优化特征和第二优化特征，也可以执行后续的优化处理，进一步提高特征精度。

通过上述配置，可以得到肺图像中单层图像的优化特征，在得到优化特征的其情况下，可以利用优化特征之间的关联特征，执行肺图像的特征优化。

另外，本发明实施例中，所述利用所述肺图像中相邻层图像的优化特征之间的关联特征，对所述肺图像执行修正处理，得到修正后的肺图像，包括：获取所述肺图像中相邻层图像的优化特征之间的关联特征；利用所述相邻层图像的优化特征之间的关联特征，对所述相邻层图像分别对应的优化特征执行特征融合处理，得到优化融合特征；利用所述优化融合特征修正所述相邻层图像中的任一图像的图像特征，得到所述任一图像的修正特征；利用所述肺图像的各层图像分别对应的修正特征，得到修正后的肺图像。

本发明实施例中，在获得肺图像中各层图像的优化特征的情况下，可以利用相邻利用所述肺图像的各层图像分别对应的修正特征，得到修正后的肺图像。

本发明实施例中，在获得肺图像中各层图像的优化特征的情况下，可以利用层图像中各图像的优化特征确定各优化特征之间的关联特征，例如，可以通过第一图像对应的第一优化特征以及第二图像对应的第二优化特征，进一步获得第一优化特征和第二优化特征之间的关联特征，关联特征可以表示第一优化特征和第二优化特征中相同位置对应的特征信息之间的关联度。该关联度可以反映出第一图像以及第二图像中针对相同对象的变化情况。这里的相同对象例如可以包括肺区域的边界，本发明实施例中，肺图像中各图像的尺度可以相同，对应的得到的各优化特征的尺度也相同。

另外，在得到的第一优化特征以及第二优化特征，或者上述第一融合特征和第二融合特征、第一加和特征和第二加和特征、第一图像的图像特征和第二图像的图像特征的尺度不同的情况下，也可以将上述对应的特征调整为相同尺度，例如通过池化处理执行该尺度调整的操作。

另外，本发明实施例可以通过图卷积神经网络得到相邻层图像中各图像的优化特征之间的关联特征。例如可以将相邻层图像中第一图像的第一优化特征和第二图像的第二优化特征输入到图卷积神经网络中，图卷积神经网络经过处理可以输出第一优化特征和第二优化特征之间的关联特征，关联特征中的元素表示第一优化特征和第二优化特征中相同位置处的特征信息之间的关联性。

本发明实施例中，在执行各层图像的修正操作之前，还可以得到相邻层图像中各层图像的优化特征的融合特征(优化融合特征)。例如可以执行第一优化特征和第二优化特征的融合操作。其中，可以连接相邻层图像的优化特征，如连接第一优化特征和第二优化特征，可以在通道方向上连接第一优化特征和第二优化特征。本发明实施例可以通过concat函数执行该连接过程，得到第二连接特征。而后可以利用激活函数对相邻层图像的优化特征之间的关联特征进行激活处理，其中，激活函数可以为softmax函数，可以将关联特征中的各关联度作为输入参数，进而利用激活函数对各输入参数执行处理，输出处理后的关联特征。进而，可以利用激活处理后的关联特征与第二连接特征之间的乘积，得到所述优化融合特征。

在得到相邻层图像的优化融合特征的情况下，可以利用该优化融合特征执行该相邻层图像中任一图像的修正操作。其中，本发明实施例可以利用原图像的图像特征与优化融合特征加和处理的方式，执行图像特征的修正，得到修正后的图像特征，即修正后的图像。

另外，可以对第一图像的图像特征和优化融合特征执行加和处理，得到修正后的图像特征，进而根据该修正后的图像特征可以确定肺图像的修正图像。其中该加和处理可以为直接相加，也可以为利用加权系数执行加权相加，本发明对此不作具体限定。其中，修正后的图像特征可以直接对应于图像各像素点的像素值，因此可以直接利用修正后的图像特征对应的得到的修正后图像。另外，也可以对修正后的图像特征进一步执行卷积处理，进一步融合特征信息，同时提高特征精度，而后根据卷积处理得到的特征确定修正后的肺图像。

通过本发明实施例的上述图像修正的过程可以用于实现肺图像中各层图像的去噪、超分以及去模糊中的至少一种，通过修正后的图像可以在不同程度上提高图像质量。

另外，在此需要说明的是，本发明实施例在执行相邻层图像的处理之前，可以对肺图像中的各图像进行分组，如两层图像为一组，或者n层图像为一组。其中，可以按照第1到底n层(肺图像的总层数)的顺序，将肺图像中的各层图像执行上述分组，而后可以将同一组的图像作为相邻层的图像。

在得到修正后的肺图像的情况下，可以对修正后的肺图像执行肺区域检测操作，即肺区域分割处理，本发明实施例可以利用利用区域生长法从修正后的肺图像中分割出所述肺区域轮廓，其中，区域生长法可以参照现有技术手段，本发明实施了对此不作具体说明。或者，本发明实施例还可以将所述修正后的肺图像输入到卷积神经网络，通过卷积神经网络输出得到所述肺区域轮廓。该卷积神经网络可以为u-net，但不作为本发明的具体限定。

另外，本发明实施例上述所涉及的神经网络，如特征提取神经网络、残差网络、卷积神经网络等，均为经过训练能够实现相应功能的网络结构，并且可以满足精度要求，本领域技术人员可以根据需求设定不同的精度条件，本发明对此不作具体限定。

基于上述配置，本发明实施例可以实现通过肺图像中层间图像的特征信息完成肺图像区域轮廓的确定，该配置可以提高肺图像特征信息的精度，同时提高肺区域轮廓的精度。

本发明实施例中得到的校正肺区域轮廓也可以按照矩阵或者向量的形式表示，其中包括第一标签1和第二标签0，第一标签表示轮廓边界以及轮廓边界内的图像像素点，0表示其他区域。通过校正肺区域轮廓与图像特征的乘积，可以得到提取出肺图像中的肺区域。

另外，在得到肺区域轮廓的情况下，可以利用得到的肺区域路况确定肺区域形成的体积。如上述实施例所述，可以通过每层图像的肺区域轮廓围城的区域面积之后，得到肺区域的体积。

在一些可能的实施方式中，可以利用每层图像中的肺区域轮廓对应的面积之后，得到所述肺区域体积。其中，可以将每层图像划分成网格形状，每个网格为预设的尺寸，如可以为1mm长度和宽度的正方形，该尺寸不作为本发明的具体限定，一般的，可以将该尺寸设置的偏小，从而提高面积的检测精度。其中，在肺区域轮廓经过某一网格时，可以确定该网格在肺区域内的部分是否超高网格的一半，如超过，将该网格的面积确定为在肺区域内的面积，如果未超过，则忽略该网格。进而可以利用肺区域轮廓围城的网格的面积得到肺区域轮廓围城的面积。

另外，本发明实施例还可以利用肺区域轮廓的积分方式，确定肺区域轮廓的面积。

或者，在本发明实施例中，还可以对每层肺区域轮廓进行线性拟合，如执行曲线拟合处理，经肺区域轮廓拟合成标准形状，该标准形状可以为圆形或者矩形。其中，曲线拟合的方式可以包括最小二乘法，但不作为本发明的具体限定。

进一步地，在得到肺图像中每层图像的肺区域轮廓形成的面积的情况下，可以将每层夫妻区域轮廓形成的面积之和确定为肺区域的体积。同样的，在肺区域轮廓为左肺区域轮廓的情况下，可以得到左肺体积，以及在肺区域轮廓为右肺区域轮廓的情况下，可以得到右肺体积。进一步的，本发明实施例还可以用于得到左肺和右肺中各肺叶区域的体积，此时得到的肺区域轮廓为肺叶区域轮廓。

在此需要说明的是，在通过图像分割的方式得到左肺图像和右肺图像时，也可以参照上述方式计算出所述左肺图像对应的左肺体积，以及右肺图像对应的右肺体积，在此不做重复说明。

基于上述配置，可以实现肺区域体积的确定。其中，通过融合多层图像中的特征信息，提高肺图像轮廓的提取精度，进而提高肺区域体积的检测精度。

此外，本发明实施例还提出一种图像区域划分装置，参照图3，所述图像区域划分装置包括：

获取模块10，用于获取肺图像、第一基准值、第二基准值以及第三基准值；

确定模块20，用于利用所述肺图像得到右肺体积以及左肺体积；

划分模块30，用于利用所述第一基准值、所述第二基准值以及所述右肺体积对所述肺图像的右肺图像进行划分，得到右肺划分图像；

所述划分模块30，还用于利用所述第三基准值以及所述左肺体积对所述肺图像的左肺图像进行划分，得到左肺划分图像。

进一步，确定模块20，用于对所述肺图像进行分割，得到右肺以及左肺；并分别利用所述右肺以及所述左肺，得到所述右肺体积以及所述左肺体积。

所述确定模块20，用于获取肺图像中各层图像的图像特征，所述肺部图像包括多层叠加的图像；对各层图像的图像特征执行特征优化处理，得到与各层图像分别对应的优化特征；利用所述肺图像中相邻层图像的优化特征之间的关联特征，对所述肺图像执行修正处理，得到修正后的肺图像；基于所述修正后的肺图像，得到所述肺图像的肺区域轮廓，所述肺区域轮廓包括左肺区域轮廓以及右肺区域轮廓；分别利用所述左肺区域轮廓以及右肺区域轮廓，得到所述右肺体积以及所述左肺体积。

进一步地，所述装置还包括：

校正模块，用于分别对所述第一基准值、所述第二基准值以及所述第三基准值进行校正，得到第一校正基准值、第二校正基准值以及第三校正基准值；

所述划分模块，用于利用所述第一校正基准值以及所述第二校正基准值对所述肺图像的右肺图像进行划分，得到右肺划分图像；

利用所述第三校正基准值对所述肺图像的左肺图像进行划分，得到左肺划分图像。

所述校正模块，具体用于获取第一基准体积、第二基准体积以及所述肺图像中的右肺体积以及左肺体积；

利用所述第一基准体积以及所述右肺体积对所述第一基准值以及所述第二基准值进行校正，分别得到所述第一校正基准值以及所述第二校正基准值；

利用所述第二基准体积以及所述左肺体积对所述第三基准值进行校正，得到所述第三校正基准值。

所述校正模块，还具体用于计算所述第一基准体积以及所述右肺体积的第一比值；

所述第一比值分别乘以所述第一基准值以及所述第二基准值，得到所述第一校正基准值以及所述第二校正基准值。

所述校正模块，还具体用于计算所述第二基准体积以及所述左肺体积的第二比值；并将所述第二比值和所述第三基准值的乘积，确定为所述第三校正基准值。

如图4所示，本发明实施例还提供一种图像区域划分设备，该图像区域划分设备可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图4中示出的设备结构并不构成对图像区域划分设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图4所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及图像区域划分程序。其中，操作系统是管理和控制设备硬件和软件资源的程序，支持图像区域提取程序以及其它软件或程序的运行。

图4所示的设备中，用户接口1003主要用于与客户端进行数据通信；网络接口1004主要用于与服务器建立通信连接；而处理器1001可以用于调用存储器1005中存储的图像区域划分程序，所述图像区域划分程序被所述处理器执行时实现所述的图像区域划分方法的步骤。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有图像区域划分程序，所述图像区域划分程序被所述处理器执行时实现所述的图像区域划分方法的步骤。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。