医学图像中肺部血管的分割方法、装置及电子设备与流程

1.本技术涉及医学图像处理技术领域，尤其涉及一种医学图像中肺部血管的分割方法、装置及电子设备。


背景技术：

2.肺癌已经成为威胁我国国民健康的第一大癌症杀手，外科手术在可切除肺癌的治疗中起决定性作用，微创化胸腔镜手术提高了患者的术后生活质量和生存率。通过胸腔镜进行解剖型肺段切除术安全可行，治疗选择性早期肺癌基本得到肯定。在手术前获得清晰准确的肺部血管结构对于手术的成功与否具有至关重要的影响，而通过肺部医学图像快速准确的对肺部动静脉血管进行分割、拆分、重建是一种非常有效的方法。
3.目前主要的方法包括基于图像灰度的区域生长方法以及采用大量标注样本的深度学习方法。但是，由于肺部血管非常复杂，单纯的区域生长方法或者深度学习方法都不能生成令人满意的结果，往往需要大量的后期手动修复断裂的血管细支，或者更正错分的肺动脉血管、肺静脉血管。
4.综上可知，现有技术在实际使用上显然存在不便与缺陷，所以有必要加以改进。


技术实现要素：

5.针对上述的缺陷，本技术的目的在于提供一种医学图像中肺部血管的分割方法、装置及电子设备，其能够快速、准确地分割和拆分肺部血管，提高了肺部血管分割的效率和准确度。
6.为了解决上述技术问题，本技术是这样实现的：
7.第一方面，本技术实施例提供了一种医学图像中肺部血管的分割方法，该方法包括：
8.获取待分割的肺动脉血管和肺静脉血管的原始医学图像；
9.采用深度学习网络模型对所述原始医学图像进行训练，利用训练得到的模型输出预分割结果；
10.提取所述原始医学图像中每一个像素点的脉管特征，根据预定的脉管特征判别函数对所述脉管特征进行判别得到脉管特征判别结果，根据所述脉管特征判别结果对所述原始医学图像进行处理，输出第一肺部血管增强结果；
11.以所述第一肺部血管增强结果的肺动脉和肺静脉区域为初始生长点进行区域生长，输出区域生长后的第二肺部血管增强结果，将所述第二肺部血管增强结果与所述预分割结果进行融合，输出最终分割结果。
12.根据本技术所述的医学图像中肺部血管的分割方法，所述采用深度学习网络模型对所述原始医学图像进行训练，输出预分割结果，包括：
13.对所述原始医学图像进行下采样处理后输出下采样数据，采用神经网络模型对所述下采样数据进行训练，输出低分辨率的第一肺部血管网络模型；
14.通过所述第一肺部血管网络模型分别获取所述肺动脉血管和肺静脉血管的低分辨率的预测结果，将所述预测结果进行上采样处理后输出上采样数据；
15.采用所述神经网络模型对所述上采样数据和所述原始医学图像进行训练，输出高分辨率的第二肺部血管网络模型；
16.分别采用所述第一肺部血管网络模型和所述第二肺部血管网络模型，对所述原始医学图像进行训练，输出所述肺动脉血管和肺静脉血管的所述预分割结果。
17.根据本技术所述的医学图像中肺部血管的分割方法，所述输出所述肺动脉血管和肺静脉血管的所述预分割结果之后，还包括：
18.分别对所述肺动脉血管和肺静脉血管的所述预分割结果进行连通区域识别，只保留最大连通区域，去除断裂分支。
19.根据本技术所述的医学图像中肺部血管的分割方法，所述获取待分割的肺动脉血管和肺静脉血管的原始医学图像，包括：
20.获取待分割的所述肺动脉血管和肺静脉血管的原始医学图像及其对应的原始分割数据；
21.所述对所述原始医学图像进行下采样处理后输出下采样数据，包括：
22.对所述原始医学图像和所述原始分割数据进行下采样处理后输出所述下采样数据，所述下采样数据为低分辨率的图像和标注数据；
23.所述采用所述神经网络模型对所述上采样数据和所述原始医学图像进行训练，包括：
24.采用所述神经网络模型，对所述上采样数据、所述原始医学图像和所述原始分割数据进行训练。
25.根据本技术所述的医学图像中肺部血管的分割方法，所述原始医学图像为 ct图像或mri图像；或者
26.所述神经网络模型为3d
‑
unet神经网络模型。
27.根据本技术所述的医学图像中肺部血管的分割方法，所述提取所述原始医学图像中每一个像素点的脉管特征，根据预定的脉管特征判别函数对所述脉管特征进行判别输出脉管特征判别结果，根据所述脉管特征判别结果对所述原始医学图像进行处理，输出第一肺部血管增强结果，包括：
28.计算所述原始医学图像中每一个像素点的脉管特征；
29.提取并根据各个所述像素点的脉管特征来构造hessian矩阵；
30.构造所述脉管特征判别函数；
31.根据所述脉管特征判别函数对所述hessian矩阵的各个所述像素点的脉管特征进行判别，并输出所述脉管特征判别结果；
32.根据各个所述像素点的所述脉管特征判别结果，对所述原始医学图像进行处理，并输出所述第一肺部血管增强结果。
33.根据本技术所述的医学图像中肺部血管的分割方法，所述计算所述原始医学图像中每一个像素点的脉管特征，包括：
34.构造高斯滤波器g
σ
，对所述高斯滤波器g
σ
求二阶导数，将所述二阶导数与所述原始医学图像的各个所述像素点逐一进行卷积得到对应的所述脉管特征 i
xx
(σ)、i
yy
(σ)、i
zz
(σ)、i
xy
(σ)、i
xz
(σ)和i
yz
(σ)；
35.所述提取并根据各个所述像素点的脉管特征来构造hessian矩阵，包括：
36.提取并根据各个所述像素点的三维邻域内二阶导来构建所述hessian矩阵：
[0037][0038]
所述构造所述脉管特征判别函数，包括：
[0039]
构造所述脉管特征判别函数v
s
(λ)；
[0040][0041]
其中，h(λ)exp(h(λ1))|exp(h(λ2，λ3))|h(λ2，λ3)h(λ1)和h(λ2，λ3)为可调的特征函数；
[0042]
所述根据所述脉管特征判别函数对所述hessian矩阵的各个所述像素点的脉管特征进行判别，并输出所述脉管特征判别结果，包括：
[0043]
所述根据所述脉管特征判别函数对所述hessian矩阵的各个所述像素点的脉管特征进行判别，判别为正的所述像素点即处于肺动脉和肺静脉区域，并输出所述脉管特征判别结果；
[0044]
所述根据各个所述像素点的所述脉管特征判别结果，对所述原始医学图像进行处理，并输出所述第一肺部血管增强结果，包括：
[0045]
根据各个所述像素点的所述脉管特征判别结果，对所述原始医学图像进行处理，并输出所述第一肺部血管增强结果为：
[0046][0047]
根据本技术所述的医学图像中肺部血管的分割方法，所述以所述第一肺部血管增强结果的肺动脉和肺静脉区域为初始生长点进行区域生长，输出区域生长后的第二肺部血管增强结果，将所述第二肺部血管增强结果与所述预分割结果进行融合，输出最终分割结果，包括：
[0048]
通过预定的阈值分割算法提取所述第一肺部血管增强结果的肺实质区域；
[0049]
以所述肺实质区域为感兴趣区域，来截取所述第一肺部血管增强结果；
[0050]
以截取后的所述第一肺部血管增强结果的肺动脉和肺静脉区域为初始生长点进行区域生长，若所述肺动脉和肺静脉区域中的任意一个邻域点不属于肺部血管数据，但是包含在所述肺实质区域的肺部血管数据中，则将所述邻域点标记为肺动脉血管和肺静脉血管，该过程循环进行，直到全部的所述肺动脉和肺静脉区域的邻域点都不满足该条件为止，输出区域生长后的所述第二肺部血管增强结果；
[0051]
将所述第二肺部血管增强结果与所述预分割结果进行融合，输出所述最终分割结果。
[0052]
第二方面，本技术实施例提供了一种医学图像中肺部血管的分割装置，用于实现
上述任一项的医学图像中肺部血管的分割方法，该装置包括：
[0053]
图像获取模块，用于获取待分割的肺动脉血管和肺静脉血管的原始医学图像；
[0054]
深度学习模块，用于采用深度学习网络模型对所述原始医学图像进行训练，输出预分割结果；
[0055]
脉管增强模块，用于提取所述原始医学图像中每一个像素点的脉管特征，根据预定的脉管特征判别函数对所述脉管特征进行判别得到脉管特征判别结果，根据所述脉管特征判别结果对所述原始医学图像进行处理，输出第一肺部血管增强结果；
[0056]
生长融合模块，用于以所述第一肺部血管增强结果的肺动脉和肺静脉区域为初始生长点进行区域生长，输出区域生长后的第二肺部血管增强结果，将所述第二肺部血管增强结果与所述预分割结果进行融合，输出最终分割结果。
[0057]
第三方面，本技术实施例提供了一种电子设备，该电子设备包括：存储介质、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一项所述的医学图像中肺部血管的分割方法。
[0058]
本技术获取待分割的肺动脉血管和肺静脉血管的原始医学图像后，采用深度学习网络模型对原始医学图像进行训练，输出预分割结果；提取原始医学图像中每一个像素点的脉管特征，根据预定的脉管特征判别函数对脉管特征进行判别得到脉管特征判别结果，根据脉管特征判别结果对原始医学图像进行处理，输出第一肺部血管增强结果；以第一肺部血管增强结果的肺动脉和肺静脉区域为初始生长点进行区域生长，输出区域生长后的第二肺部血管增强结果，将第二肺部血管增强结果与预分割结果进行融合，输出最终分割结果。借此，本技术通过结合深度学习分割算法和区域生长分割算法的各自优点，能够快速、准确地分割和拆分肺部血管，提高了肺部血管分割的效率和准确度，进而可提高患者的术后生活质量和生存率。
附图说明
[0059]
图1是本技术实施例提供的医学图像中肺部血管的分割方法的流程示意图；
[0060]
图2是本技术实施例提供的深度学习步骤的流程示意图；
[0061]
图3是本技术实施例提供的肺部血管增强步骤的流程示意图；
[0062]
图4是本技术实施例提供的生长融合步骤的流程示意图；
[0063]
图5本技术实施例提供的低分辨率的第一肺部血管网络模型的预测结果图；
[0064]
图6本技术实施例提供的高分辨率的第二肺部血管网络模型的预测结果图；
[0065]
图7是本技术实施例提供的肺部血管增强后的预测结果图；
[0066]
图8是本技术实施例提供的生长融合后的预测结果图；
[0067]
图9是本技术实施例提供的医学图像中肺部血管的分割装置的结构示意图；
[0068]
图10是本技术实施例提供的电子设备的结构示意图；
[0069]
图11是本技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
[0070]
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，此处所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。
[0071]
需要说明的，本说明书中针对“一个实施例”、“实施例”、“示例实施例”等的引用，指的是描述的该实施例可包括特定的特征、结构或特性，但是不是每个实施例必须包含这些特定特征、结构或特性。此外，这样的表述并非指的是同一个实施例。进一步，在结合实施例描述特定的特征、结构或特性时，不管有没有明确的描述，已经表明将这样的特征、结构或特性结合到其它实施例中是在本领域技术人员的知识范围内的。
[0072]
此外，在说明书及后续的权利要求当中使用了某些词汇来指称特定组件或部件，所属领域中具有通常知识者应可理解，制造商可以用不同的名词或术语来称呼同一个组件或部件。本说明书及后续的权利要求并不以名称的差异来作为区分组件或部件的方式，而是以组件或部件在功能上的差异来作为区分的准则。在通篇说明书及后续的权利要求书中所提及的“包括”和“包含”为一开放式的用语，故应解释成“包含但不限定于”。以外，“连接”一词在此系包含任何直接及间接的电性连接手段。间接的电性连接手段包括通过其它装置进行连接。
[0073]
下面结合附图，通过具体的实施例及其应用场景，对本技术实施例提供的医学图像中肺部血管的分割方法进行详细地说明。
[0074]
图1是本技术实施例提供的医学图像中肺部血管的分割方法的流程示意图，包括步骤有：
[0075]
s101，获取待分割的肺动脉血管和肺静脉血管的原始医学图像。
[0076]
可选地，所述原始医学图像可以是ct图像或mri图像等。
[0077]
s102，采用深度学习网络模型对原始医学图像进行训练，输出预分割结果。
[0078]
本步骤是深度学习步骤，通过深度学习网络模型，能综合考虑原始医学图像的全局信息和局部信息，从而得到血管整体结构完整、细支末梢丰富连续的肺动脉和肺静脉的预分割结果。
[0079]
可选地，所述深度学习网络模型可以是神经网络模型，优选为3d
‑
unet 神经网络模型。
[0080]
s103，提取原始医学图像中每一个像素点的脉管特征，根据预定的脉管特征判别函数对脉管特征进行判别得到脉管特征判别结果，根据脉管特征判别结果对原始医学图像进行处理，输出第一肺部血管增强结果。
[0081]
本步骤是肺部血管增强步骤，通过专门针对管状结构增强的血管分割方法，能得到相比所述预分割结果更为丰富和完整的血管，尽管这一结果并不能区分是肺动脉还是肺静脉。
[0082]
s104，以第一肺部血管增强结果的肺动脉和肺静脉区域为初始生长点进行区域生长，输出区域生长后的第二肺部血管增强结果，将第二肺部血管增强结果与预分割结果进行融合，输出最终分割结果。
[0083]
本步骤是生长融合步骤，通过专门设置的肺动脉和肺静脉的融合生长和自动修复模块，能够融合上述两个步骤(s102和s103)的血管分割结果，进而生成更为丰富和准确的最终分割结果。
[0084]
图2是本技术实施例提供的深度学习步骤的流程示意图，所述深度学习步骤进一步包括有：
[0085]
s201，对原始医学图像进行下采样处理后输出下采样数据，采用神经网络模型对下采样数据进行训练，输出低分辨率的第一肺部血管网络模型。
[0086]
可选地，获取待分割的肺动脉血管和肺静脉血管的原始医学图像及其对应的原始分割数据。分别对原始医学图像和原始分割数据进行下采样处理后输出下采样数据，下采样数据为低分辨率的图像和标注数据。
[0087]
可选地，所述神经网络模型为3d
‑
unet神经网络模型。
[0088]
可选地，所述原始医学图像可以是ct图像或mri图像等。
[0089]
s202，通过第一肺部血管网络模型分别获取肺动脉血管和肺静脉血管的低分辨率的预测结果，将预测结果进行上采样处理后输出上采样数据，经上采样处理后得到上采样数据作为一个新的输入通道。
[0090]
图5示出了的低分辨率的第一肺部血管网络模型的预测结果，血管细支有很多断续。
[0091]
s203，采用神经网络模型对上采样数据和原始医学图像进行训练，输出高分辨率的第二肺部血管网络模型。
[0092]
可选地，采用神经网络模型，对上采样数据、原始医学图像和原始分割数据进行训练。
[0093]
可选地，所述神经网络模型为3d
‑
unet神经网络模型。
[0094]
图6示出了高分辨率的第二肺部血管网络模型的预测结果，相较于低分辨率的第一肺部血管网络模型的预测结果，第二肺部血管网络模型的预测结果的细支末梢更丰富和连续。
[0095]
s204，分别采用第一肺部血管网络模型和第二肺部血管网络模型，对原始医学图像进行训练，分别输出肺动脉血管和肺静脉血管的预分割结果。
[0096]
可选地，所述步骤s204之后，还可包括：
[0097]
分别对肺动脉血管和肺静脉血管的预分割结果进行连通区域识别，只保留最大连通区域，去除断裂分支。
[0098]
在本实例中，所述深度学习步骤用于深度学习网络模型训练和预测，通过低分辨率、高分辨率的两级深度学习网络模型，能综合考虑原始医学图像的全局信息和局部信息，从而得到血管整体结构完整、细支末梢丰富连续的肺动脉和肺静脉的预分割结果。
[0099]
图3是本技术实施例提供的肺部血管增强步骤的流程示意图，所述肺部血管增强步骤进一步包括：
[0100]
s301，计算原始医学图像中每一个像素点的脉管特征。
[0101]
可选地，脉管特征判别函数的构成多数是以高斯函数为主，构造高斯滤波器g
σ
，对高斯滤波器g
σ
求二阶导数，将二阶导数与原始医学图像的各个像素点逐一进行卷积得到对应的脉管特征i
xx
(σ)、i
yy
(σ)、i
zz
(σ)、i
xy
(σ)、i
xz
(σ)和i
yz
(σ)。
[0102]
s302，提取并根据各个像素点的脉管特征来构造hessian矩阵。
[0103]
可选地，提取并根据各个像素点的三维邻域内二阶导来构建hessian矩阵：
[0104]
[0105]
其中，计算h的三个特征值并按照所需进行排序，如血管应排序为λ1＜λ2＜λ3；
[0106]
s303，针对肺部细小血管较多的特点，构造脉管特征判别函数。
[0107]
可选地，构造脉管特征判别函数v
s
(λ)。
[0108][0109]
其中，h(λ)exp(h(λ1))|exp(h(λ2，λ3))|h(λ2，λ3)h(λ1)和h(λ2，λ3)为可调的特征函数。
[0110]
s304，根据脉管特征判别函数对hessian矩阵的各个像素点的脉管特征进行判别，并输出脉管特征判别结果。
[0111]
可选地，根据脉管特征判别函数对hessian矩阵的各个像素点的脉管特征进行判别，判别为正的像素点即处于肺动脉和肺静脉区域，并输出脉管特征判别结果。
[0112]
s305，根据各个像素点的脉管特征判别结果，对原始医学图像进行处理，并输出第一肺部血管增强结果。
[0113]
可选地，根据各个像素点的脉管特征判别结果，对原始医学图像进行处理，并输出第一肺部血管增强结果为：
[0114][0115]
图7示出了针对肺血管增强之后的血管分割结果，可以看到相比与图5和图6的分割结果而言，肺血管增强之后的血管分割的细支末梢更为丰富，但是不能区分动静脉。
[0116]
在本实施例中，所述肺部血管增强步骤通过专门针对管状结构增强的血管分割方法，能得到相比所述预分割结果更为丰富和完整的血管，尽管这一结果并不能区分是肺动脉还是肺静脉。所述管状结构增强技术是构造一个以hessian 矩阵特征值为变量的脉管特征判别函数，去对提取的脉管特征进行判别，该方案首先计算出图像中每一像素点三维邻域内二阶导组成的hessian矩阵，然后利用脉管特征判别函数对hessian矩阵的特征值进行判别，判别为正的像素点即处于脉管区域(即肺动脉和肺静脉区域)。通过该细小血管增强算法，可将肺部图像数据中不易分辨的细小血管进行增强分割。
[0117]
图4是本技术实施例提供的生长融合步骤的流程示意图，所述生长融合步骤进一步包括：
[0118]
s401，通过预定的阈值分割算法提取第一肺部血管增强结果的肺实质区域。
[0119]
s402，以肺实质区域为roi(region of interest，感兴趣区域)，来截取第一肺部血管增强结果，即仅提取第一肺血管增强结果中肺实质区域的全部血管数据。
[0120]
s403，以截取后的第一肺部血管增强结果的肺动脉和肺静脉区域为初始生长点进行区域生长，若肺动脉和肺静脉区域中的任意一个邻域点不属于肺部血管数据，但是包含在肺实质区域的肺部血管数据中，则将邻域点标记为肺动脉血管和肺静脉血管，该过程循环进行，直到全部的肺动脉和肺静脉区域的邻域点都不满足该条件为止，输出区域生长后的第二肺部血管增强结果。
[0121]
s404，将第二肺部血管增强结果与预分割结果进行融合，输出最终分割结果。本步
骤可以依据第二肺部血管增强结果将初始的肺动脉和肺静脉数据中缺失的血管数据都补充进肺动脉数据或肺静脉数据中，即可获得丰富的肺动脉数据和肺静脉数据，实现融合生长、自动修复的目的。
[0122]
图8是本技术实施例提供的生长融合后的预测结果图，结果融合生长和自动修复后的最终分割结果，可以看到生长融合后的预测结果的细支更为丰富准确，而且实现了动静脉拆分。
[0123]
在本实例中，针对肺血管增强后肺动脉和肺静脉黏连在一起，无法分离的问题，提供一种自动的肺血管分离功能。所述生长融合步骤通过专门设置的肺动脉和肺静脉的融合生长和自动修复模块，实现肺动脉和肺静脉的生长融合和自动修。尤其是，能够融合深度学习步骤和肺部血管增强步骤的血管分割结果，进而生成更为丰富和准确的最终分割结果。
[0124]
本技术实施例提供的医学图像中肺部血管的分割方法，通过结合深度学习分割算法和区域生长分割算法的各自优点，能够快速、准确地分割和拆分肺部血管，提高了肺部血管分割的效率和准确度，进而可提高患者的术后生活质量和生存率。
[0125]
需要说明的是，本技术实施例提供的医学图像中肺部血管的分割方法，执行主体可以为电子设备、医学图像中肺部血管的分割装置，或者该医学图像中肺部血管的分割装置中的用于执行医学图像中肺部血管的分割方法的控制模块。本技术实施例中以医学图像中肺部血管的分割装置执行医学图像中肺部血管的分割方法为例，说明本技术实施例提供的医学图像中肺部血管的分割装置。
[0126]
本技术实施例中的医学图像中肺部血管的分割装置可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra mobilepersonal computer，umpc)、上网本或者个人数字助理(personaldigital assistant， pda)等，非移动电子设备可以为服务器、网络附属存储器(networkattachedstorage，nas)、个人计算机(personal computer，pc)、电视机(television， tv)、柜员机或者自助机等，本技术实施例不作具体限定。
[0127]
本技术实施例中的医学图像中肺部血管的分割装置可以为具有操作系统的装置。该操作系统可以为安卓(android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本技术实施例不作具体限定。
[0128]
本技术实施例提供的医学图像中肺部血管的分割装置能够实现图1～6的医学图像中肺部血管的分割方法实施例实现的各个过程，为避免重复，这里不再赘述。
[0129]
图9是本技术实施例提供的医学图像中肺部血管的分割系统的结构示意图，用于实现如图1～图8所示的医学图像中肺部血管的分割方法，所述医学图像中肺部血管的分割装置100包括：
[0130]
图9是本技术实施例提供的医学图像中肺部血管的分割系统的结构示意图，用于实现如图1～图8所示的医学图像中肺部血管的分割方法，所述医学图像中肺部血管的分割装置100包括：
[0131]
图像获取模块801，用于获取待分割的肺动脉血管和肺静脉血管的原始医学图像。
[0132]
深度学习模块802，用于采用深度学习网络模型对原始医学图像进行训练，输出预分割结果。
[0133]
脉管增强模块803，用于提取原始医学图像中每一个像素点的脉管特征，根据预定的脉管特征判别函数对脉管特征进行判别得到脉管特征判别结果，根据脉管特征判别结果对原始医学图像进行处理，输出第一肺部血管增强结果。
[0134]
生长融合模块804，用于以第一肺部血管增强结果的肺动脉和肺静脉区域为初始生长点进行区域生长，输出区域生长后的第二肺部血管增强结果，将第二肺部血管增强结果与预分割结果进行融合，输出最终分割结果。
[0135]
可选地，所述深度学习模块802，包括：
[0136]
下采样子模块，用于对原始医学图像进行下采样处理后输出下采样数据，采用神经网络模型对下采样数据进行训练，输出低分辨率的第一肺部血管网络模型。
[0137]
上采样子模块，用于通过第一肺部血管网络模型分别获取肺动脉血管和肺静脉血管的低分辨率的预测结果，将预测结果进行上采样处理后输出上采样数据。
[0138]
第一训练子模块，用于采用神经网络模型对上采样数据和原始医学图像进行训练，输出高分辨率的第二肺部血管网络模型。
[0139]
第二训练子模块，用于分别采用第一肺部血管网络模型和第二肺部血管网络模型，对原始医学图像进行训练，输出肺动脉血管和肺静脉血管的预分割结果。
[0140]
可选地，所述深度学习模块802，还包括：
[0141]
区域识别子模块，用于在输出肺动脉血管和肺静脉血管的预分割结果之后，分别对肺动脉血管和肺静脉血管的预分割结果进行连通区域识别，只保留最大连通区域，去除断裂分支。
[0142]
可选地，所述图像获取模块801，用于获取待分割的肺动脉血管和肺静脉血管的原始医学图像及其对应的原始分割数据。
[0143]
可选地，所述下采样子模块，用于对原始医学图像和原始分割数据进行下采样处理后输出下采样数据，下采样数据为低分辨率的图像和标注数据。
[0144]
采用神经网络模型对上采样数据和原始医学图像进行训练，包括：
[0145]
可选地，所述第一训练子模块，用于采用神经网络模型，对上采样数据、原始医学图像和原始分割数据进行训练。
[0146]
可选地，所述原始医学图像为ct图像或mri图像。
[0147]
可选地，所述神经网络模型为3d
‑
unet神经网络模型。
[0148]
可选地，所述脉管增强模块803，包括：
[0149]
计算子模块，用于计算原始医学图像中每一个像素点的脉管特征。
[0150]
矩阵构建子模块，用于提取并根据各个像素点的脉管特征来构造hessian矩阵。
[0151]
函数构造子模块，用于构造脉管特征判别函数。
[0152]
判别子模块，用于根据脉管特征判别函数对hessian矩阵的各个像素点的脉管特征进行判别，并输出脉管特征判别结果。
[0153]
血管增强子模块，用于根据各个像素点的脉管特征判别结果，对原始医学图像进行处理，并输出第一肺部血管增强结果。
[0154]
可选地，所述计算子模块用于构造高斯滤波器g
σ
，对高斯滤波器g
σ
求二阶导数，将二阶导数与原始医学图像的各个像素点逐一进行卷积得到对应的脉管特征i
xx
(σ)、i
yy
(σ)、i
zz
(σ)、i
xy
(σ)、i
xz
(σ)和i
yz
(σ)。
[0155]
可选地，所述矩阵构建子模块用于提取并根据各个像素点的三维邻域内二阶导来构建hessian矩阵：
[0156][0157]
可选地，所述函数构造子模块用于构造脉管特征判别函数v
s
(λ)：
[0158][0159]
其中，h(λ)exp(h(λ1))|exp(h(λ2，λ3))|h(λ2，λ3)h(λ1)和h(λ2，λ3)为可调的特征函数。
[0160]
可选地，所述判别子模块用于根据脉管特征判别函数对hessian矩阵的各个像素点的脉管特征进行判别，判别为正的像素点即处于肺动脉和肺静脉区域，并输出脉管特征判别结果。
[0161]
可选地，血管增强子模块用于根据各个像素点的脉管特征判别结果，对原始医学图像进行处理，并输出第一肺部血管增强结果为：
[0162][0163]
可选地，所述生长融合模块804包括：
[0164]
提取区域子模块，用于通过预定的阈值分割算法提取第一肺部血管增强结果的肺实质区域。
[0165]
截取子模块，用于以肺实质区域为感兴趣区域，来截取第一肺部血管增强结果。
[0166]
生长子模块，用于以截取后的第一肺部血管增强结果的肺动脉和肺静脉区域为初始生长点进行区域生长，若肺动脉和肺静脉区域中的任意一个邻域点不属于肺部血管数据，但是包含在肺实质区域的肺部血管数据中，则将邻域点标记为肺动脉血管和肺静脉血管，该过程循环进行，直到全部的肺动脉和肺静脉区域的邻域点都不满足该条件为止，输出区域生长后的第二肺部血管增强结果。
[0167]
融合子模块，用于将第二肺部血管增强结果与预分割结果进行融合，输出最终分割结果。
[0168]
本技术实施例提供的医学图像中肺部血管的分割装置，在获取待分割的肺动脉血管和肺静脉血管的原始医学图像后，采用深度学习网络模型对原始医学图像进行训练，输出预分割结果；提取原始医学图像中每一个像素点的脉管特征，根据预定的脉管特征判别函数对脉管特征进行判别得到脉管特征判别结果，根据脉管特征判别结果对原始医学图像进行处理，输出第一肺部血管增强结果；以第一肺部血管增强结果的肺动脉和肺静脉区域为初始生长点进行区域生长，输出区域生长后的第二肺部血管增强结果，将第二肺部血管增强结果与预分割结果进行融合，输出最终分割结果。借此，本技术通过结合深度学习分割算法和区域生长分割算法的各自优点，能够快速、准确地分割和拆分肺部血管，提高了肺部血管分割的效率和准确度，进而可提高患者的术后生活质量和生存率。
[0169]
可选的，如图10所示，本技术实施例还提供一种电子设备500，包括处理器501，存储器502，存储在存储器502上并可在所述处理器501上运行的程序或指令，该程序或指令被处理器501执行时实现上述医学图像中肺部血管的分割方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0170]
需要注意的是，本技术实施例中的电子设备包括上述的移动电子设备和非移动电子设备。
[0171]
图11是实现本技术实施例的一种电子设备的硬件结构示意图。
[0172]
该电子设备600包括但不限于：射频单元601、网络模块602、音频输出单元603、输入单元604、传感器605、显示单元606、用户输入单元607、接口单元608、存储器609、以及处理器610等部件。
[0173]
应理解的是，本技术实施例中，射频单元601可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器610 处理；另外，将上行的数据发送给基站。通常，射频单元601包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元601还可以通过无线通信系统与网络和其他设备通信。
[0174]
电子设备通过网络模块602为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
[0175]
音频输出单元603可以将射频单元601或网络模块602接收的或者在存储器609中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元603还可以提供与电子设备600执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元603包括扬声器、蜂鸣器以及受话器等。
[0176]
输入单元604用于接收音频或视频信号。应理解的是，本技术实施例中，输入单元604可以包括图形处理器(graphics processing unit，gpu)6041和麦克风6042，图形处理器6041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。
[0177]
电子设备600还包括至少一种传感器605，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板6061的亮度，接近传感器可在电子设备600移动到耳边时，关闭显示面板6061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别电子设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器605还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。
[0178]
显示单元606用于显示由用户输入的信息或提供给用户的信息。显示单元 606可包括显示面板6061，可以采用液晶显示器(liquid crystal display，lcd)、有机发光二极管(organic light
‑
emitting diode，oled)等形式来配置显示面板 6061。
[0179]
用户输入单元607可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元607包括触控面板6071以及其他输入设备6072。触控面板6071，也称为触摸屏，可收集用户在其上或附近的触摸操作
(比如用户使用手指、触笔等任何适合的物体或附件在触控面板6071上或在触控面板6071附近的操作)。触控面板6071 可包括触摸检测装置和触摸控制器两个部分。其他输入设备6072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
[0180]
接口单元608为外部装置与电子设备600连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/ 输出(i/o)端口、视频i/o端口、耳机端口等等。接口单元608可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到电子设备600内的一个或多个元件或者可以用于在电子设备600和外部装置之间传输数据。
[0181]
存储器609可用于存储软件程序以及各种数据。存储器609可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器 609可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0182]
处理器610是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器609内的软件程序和/或模块，以及调用存储在存储器609内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。处理器610可包括一个或多个处理单元；优选的，处理器610可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器610中。
[0183]
本领域技术人员可以理解，电子设备600还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器610逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图9中示出的电子设备结构并不构成对电子设备的限定，电子设备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，在此不再赘述。在本技术实施例中，电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备(例如手环、眼镜)、以及计步器等。
[0184]
本技术实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述医学图像中肺部血管的分割方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0185]
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(read
‑
onlymemory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等。
[0186]
本技术实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述医学图像中肺部血管的分割方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0187]
应理解，本技术实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
[0188]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排
他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本技术实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
[0189]
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(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。
[0190]
当然，本技术还可有其它多种实施例，在不背离本技术精神及其实质的情况下，熟悉本领域的技术人员当可根据本技术作出各种相应的改变和变形，但这些相应的改变和变形都应属于本技术所附的权利要求的保护范围。