图像分割方法、装置、计算机设备、存储介质和程序产品与流程

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方法、装置、计算机设备、存储介质和程序产品。


背景技术：

2.随着图像引导技术的发展，对感兴趣区域进行清晰和完整的分割非常重要的。例如对血管图像进行分割。但是，由于血管的结构非常错综复杂，再加上血管会因为病变、造影剂用量、血管活跃程度等呈现出不同的形态，这导致血管分割成为一个十分困难的问题。
3.传统技术中，通常基于深度神经网络的血管分割算法对血管进行分割处理。然而，基于深度神经网络的血管分割算法对血管进行分割时仍存在无法对血管进行精细和完整的分割的问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种图像分割方法、装置、计算机设备、存储介质和程序产品。
5.第一方面，本技术一个实施例提供一种图像分割方法，包括：
6.获取待分割三维医学图像，对待分割三维医学图像进行粗分割处理，得到待分割三维医学图像中的粗分割感兴趣区域；
7.提取粗分割感兴趣区域的空间坐标信息，构建第一点云数据；
8.根据第一点云数据和待分割三维医学图像，对粗分割感兴趣区域进行精分割处理，得到精分割感兴趣区域；
9.根据精分割感兴趣区域构建第二点云数据，根据第二点云数据对精分割感兴趣区域进行分类处理，得到目标分类结果。
10.在其中一个实施例中，根据第一点云数据和待分割三维医学图像，对粗分割感兴趣区域进行精分割处理，得到精分割感兴趣区域，包括：
11.将第一点云数据和待分割三维医学图像输入第一目标模型，第一目标模型包括第一模块和第二模块；
12.通过第一模块对待分割三维医学图像进行处理，得到一维向量；
13.将第一点云数据和一维向量输入第二模块，得到精分割感兴趣区域。
14.在其中一个实施例中，根据第二点云数据，对精分割感兴趣区域进行分类处理，得到目标分类结果，包括：
15.将第二点云数据输入至第二目标模型，第二目标模型包括第三模块、第四模块和第五模块；
16.通过第三模块对第二点云数据进行特征提取处理，得到第一中间向量；
17.将第一中间向量输入至第四模块，通过第四模块对第一中间向量进行特征提取处理，得到第二中间向量；
18.将第二中间向量输入至第五模块，得到第五模块输出的目标分类结果。
19.在其中一个实施例中，第三模块包括t-net模块、第一多层感知机和最大池化层；第四模块包括transformer模块；第五模块包括第二多层感知机。
20.在其中一个实施例中，对待分割三维医学图像进行粗分割处理，得到待分割三维医学图像中的粗分割感兴趣区域，包括：
21.将待分割医学图像输入第三目标模型，通过第三目标模型对待分割医学图像进行特征提取，得到粗分割感兴趣区域。
22.在其中一个实施例中，第一目标模型、第二目标模型和第三目标模型的训练过程包括：
23.获取三维医学图像样本，使用三维医学图像样本对初始神经网络进行训练，得到第三目标模型；
24.根据第三目标模型的输出结果构建第一点云数据样本，并使用三维医学图像样本和第一点云数据样本对初始神经网络进行训练，得到第一模型；
25.使用第一点云数据样本对初始神经网络进行训练，得到初始第二模型；
26.根据初始第一模型的输出结果构建第三点云数据，使用第三点云数据对初始第二模型进行当前次的训练，并使用第三点云数据和三维医学图像样本对初始第一模型进行当前次的训练；
27.根据当前次训练后的初始第一模型的输出结果构建下一次训练的第三点云数据，直至训练次数达到预设次数为止，得到初始第一模型训练后的第一目标模型和初始第二模型训练后的第二目标模型。
28.第二方面，本技术一个实施例提供一种图像分割装置，包括：
29.粗分割模块，用于获取待分割三维医学图像，对待分割三维医学图像进行粗分割处理，得到待分割三维医学图像中的粗分割感兴趣区域；
30.构建模块，用于提取粗分割感兴趣区域的空间坐标信息，构建第一点云数据；
31.精分割模块，用于根据第一点云数据和待分割三维医学图像，对粗分割感兴趣区域进行精分割处理，得到精分割感兴趣区域；
32.分类模块，用于根据精分割感兴趣区域构建第二点云数据，根据第二点云数据对精分割感兴趣区域进行分类处理，得到目标分类结果。
33.第三方面，本技术一个实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现如上述实施例提供的方法的步骤。
34.第四方面，本技术一个实施例提供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如上述实施例提供的方法的步骤。
35.第五方面，本技术一个实施例还提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现如上述实施例提供的方法的步骤。
36.本技术实施例提供一种图像分割方法、装置、计算机设备、存储介质和程序产品。该方法通过获取待分割三维医学图像，对待分割三维医学图像进行粗分割处理，得到待分割三维医学图像中的粗分割感兴趣区域；提取粗分割感兴趣区域的空间坐标信息，构建第一点云数据；根据第一点云数据和待分割三维医学图像，对粗分割感兴趣区域今进行精分割处理，得到精分割感兴趣区域；根据精分割感兴趣区域构建第二点云数据，根据第二点云
数据对精分割感兴趣区域进行分类处理，得到目标分类结果。本技术提供的图像分割方法，通过对待分割三维图像进行粗分割和精分割两次分割，可以得到感兴趣区域更丰富的特征，从而能够更加精确的分割出感兴趣区域(血管区域)。并且，在进行精分割处理和分类处理时使用点云数据，通过点云数据可以更加清楚的描述粗分割感兴趣区域和精分割感兴趣区域的空间位置信息，从而可以表征感兴趣区域(血管区域)的拓扑结构信息，通过对感兴趣区域的拓扑结构信息处理可以保证通过精分割和分类处理后的感兴趣区域(血管区域)更加精细和完整。
附图说明
37.为了更清楚地说明本技术实施例或传统技术中的技术方案，下面将对实施例或传统技术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技术的一些实施例，对于本领域不同技术人员来讲，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。
38.图1为一个实施例提供的图像分割方法的应用环境图；
39.图2为一个实施例提供的图像分割方法的步骤流程示意图；
40.图3为另一个实施例提供的图像分割方法的步骤流程示意图；
41.图4为一个实施例提供的第一目标模型的结构示意图；
42.图5为另一个实施例提供的图像分割方法的步骤流程示意图；
43.图6为一个实施例提供的第二目标模型的结构示意图；
44.图7为一个实施例提供的第三目标模型的结构示意图；
45.图8为另一个实施例提供的图像分割方法的步骤流程示意图；
46.图9为一个实施例提供的第一目标模型、第二目标模型和第三目标模型的训练过程；
47.图10为另一个实施例提供的图像分割方法的步骤流程示意图；
48.图11为一个实施例提供的分割后的血管图像的示意图；
49.图12为一个实施例提供的分割后的血管图像的示意图；
50.图13为一个实施例提供的图像分割装置的结构示意图；
51.图14为一个实施例提供的计算机设备的结构示意图。
具体实施方式
52.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图对本技术的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本技术。但是本技术能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本技术内涵的情况下做类似改进，因此本技术不受下面公开的具体实施例的限制。
53.本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。
54.本技术实施例提供的图像分割方法，可以应用于如图1所示的应用环境中，该应用环境包括终端100和医学扫描设备200。其中，终端100可以通过网络与医学扫描设备200进行通信。终端100可以但不限于是各种个人计算机、笔记本电脑机和平板电脑。医学扫描设
备200可以但不限于是ct(computed tomography，即电子计算机断层扫描)设备和pet(positron emission computed tomography，正电子发射型计算机断层显像)-ct设备。
55.下面以具体的实施例对本技术的技术方案以及本技术的技术方案如何解决技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
56.请参见图2，本技术一个实施例提供一种图像分割方法，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：
57.步骤200、获取待分割三维医学图像，对待分割三维医学图像进行粗分割处理，得到待分割三维医学图像中的粗分割感兴趣区域。
58.待分割三维医学图像是指使用如图1所示的医学扫描设备对待扫描对象进行扫描得到的，采用的医学扫描设备不同，得到的待分割三维医学图像不同，相同的医学扫描设备采用不同的方法得到的待分割三维医学图像也不同。本实施例对待分割三维医学图像的具体类型不作限制，只要能够实现其功能即可。
59.待分割三维医学图像可以是直接存储在终端的存储器中，终端在需要对其进行处理时直接在存储器中获取即可。待分割三维医学图像也可以存储在医学扫描设备的存储装置中，终端在需要对其进行处理时，从医学扫描设备的存储装置中获取。本实施例对获取待分割三维医学图像的具体方法不作限制。
60.在待分割三维医学图像中包括感兴趣区域(病灶区域)和非病灶区域，终端在得到待分割三维医学图像后，对该待分割三维医学图像进行粗分割处理，可以将待分割三维医学图像中的感兴趣区域进行初步的分割，可以得到待分割三维医学图像中的粗分割感兴趣区域。本实施例对粗分割处理的具体方法不作限制，只要能够实现其功能即可。
61.在一个具体的实施例中，终端可以将待分割三维医学图像进行二值化处理，得到二值化图像，再根据预设的二值化阈值对二值化图像进行处理，得到待分割三维医学图像的粗分割感兴趣区域。
62.步骤210、提取粗分割感兴趣区域的空间坐标信息，构建第一点云数据。
63.终端在得到分割三维医学图像中的粗分割感兴趣区域后，提取粗分割感兴趣区域的空间坐标信息，即粗分割感兴趣区域在空间坐标体系下的多个坐标数据。终端根据提取的空间坐标信息构建第一点云数据，即将每个坐标数据用向量表示，将多个向量组合形成第一点云数据。空间坐标体系可以是世界坐标体系、解剖学上的坐标体系和图像坐标体系中的任意一个，本实施例对此不作限制。
64.步骤220、根据第一点云数据和待分割三维医学图像，对粗分割感兴趣区域进行精分割处理，得到精分割感兴趣区域。
65.终端在得到第一点云数据后，根据该第一点云数据的待分割三维医学图像对得到的粗分割感兴趣区域进行再一次的分割处理(精分割处理)，可以得到精分割感兴趣区域。第一点云数据可以表征粗分割感兴趣区域的拓扑结构特征，则根据第一点云数据和待分割三维医学图像，对粗分割感兴趣区域进行分割，可以对感兴趣区域进行更加精确的分割，得到精分割感兴趣区域。本实施例对精分割处理的具体过程不作限制，只要能够实现其功能即可。
66.步骤230、根据精分割感兴趣区域构建第二点云数据，根据第二点云数据对精分割
感兴趣区域进行分类处理，得到目标分类结果。
67.在精分割感兴趣区域中包括多种不同种类的感兴趣区域，终端在得到精分割感兴趣区域后，提取精分割感兴趣区域的空间坐标信息，构建第二点云数据，根据该第二点云数据对精分割感兴趣区域进行分类处理，可以得到目标分类结果，即可以在精分割感兴趣区域中用不同的形式对不同种类的感兴趣区域进行标注。具体地，可以使用不同的颜色对精分割感兴趣区域中不同种类感兴趣区域进行标注。对第二点云数据的描述可以参考上述对第一点云数据的具体描述，在此不再赘述。本实施例对分类处理的具体方法不作限制，只要能够实现其功能即可。
68.本技术实施例提供的图像分割方法通过获取待分割三维医学图像，对待分割三维医学图像进行粗分割处理，得到待分割三维医学图像中的粗分割感兴趣区域；提取粗分割感兴趣区域的空间坐标信息，构建第一点云数据；根据第一点云数据和待分割三维医学图像，对粗分割感兴趣区域进行精分割处理，得到精分割感兴趣区域；根据精分割感兴趣区域构建第二点云数据，根据第二点云数据对精分割感兴趣区域进行分类处理，得到目标分类结果。本技术提供的图像分割方法，通过对待分割三维图像进行粗分割和精分割两次分割，可以得到感兴趣区域更丰富的特征，从而能够更加精确的分割出感兴趣区域(血管区域)。并且，在进行精分割处理和分类处理时使用点云数据，通过点云数据可以更加清楚的描述粗分割感兴趣区域和精分割感兴趣区域的空间位置信息，从而可以表征感兴趣区域(血管区域)的拓扑结构信息，通过对感兴趣区域的拓扑结构信息处理可以保证通过精分割和分类处理后的感兴趣区域(血管区域)更加精细和完整，缓解血管区域断裂和存在孤立块等现象。
69.如图3所示，在一个实施例中，涉及根据第一点云数据和待分割三维医学图像，对粗分割感兴趣区域进行精分割处理，得到精分割感兴趣区域，包括：
70.步骤300、将第一点云数据和待分割三维医学图像输入第一目标模型，第一目标模型包括第一模块和第二模块。
71.终端在对粗分割感兴趣区域进行精分割处理时，可以采用预先训练好的第一目标模型进行精分割处理。也就是说，将第一点云数据和待分割三维医学图像输入第一目标模型，通过第一目标模型中的第一模块和第二模块进行精分割处理，得到精分割感兴趣区域。
72.步骤310、通过第一模块对待分割三维医学图像进行处理，得到一维向量。
73.终端在将待分割三维医学图像和第一点云数据输入第一目标模型后，第一目标模型中的第一模块会对待分割三维医学图像进行处理，将其转换为一维向量。即将待分割三维医学图像对应的三维数据转换为一维向量。
74.步骤320、将第一点云数据和一维向量输入第二模块，得到精分割感兴趣区域。
75.终端在得到待分割三维医学图像对应的一维向量后，将其和第一点云数据作为第二模块的输入，也就是说，第二模块包括两个输入端，一个输入端用于输入待分割三维医学图像对应的一维向量；另一个输入端用于输入第一点云数据。第二模块对第一点云数据和和待分割三维医学图像对应的一维向量进行特征提取，可以得到精分割感兴趣区域。
76.在本实施例中，使用预先训练好的第一目标模型对粗分割感兴趣区域进行精分割处理，可以提高精分割处理的效率，从而能够提高图像分割方法的效率。本实施例对第一模块和第二模块的具体结构不作限制，只要能够实现其功能即可。第一目标模型的结构如图4
所示。
77.在一个具体的实施例中，第一目标模型为视觉transformer模型(vision transformer)，其中，第一模块包括embedding层，第二模块包括transformer encoder和cnn decoder。embedding层包括切块层和线性映射层，通过切块层对待分割三维医学图像进行切块处理，通过线性映射层将其拉成一维向量，加上位置编码信息，得到第一目标模型的输入向量(即待分割三维医学图像对应的一维向量)。通过transformer encoder层对一维向量和第一点云数据进行特征提取，并将其输入cnn decoder，最终输出与输入相同大小的数据，得到精分割感兴趣区域。在本实施例中，利用第一点云数据作为待处理三维图像数据的补充，加入了感兴趣区域的拓扑结构信息，采用视觉transformer模型提取多层次特征，可以缓解感兴趣区域断裂、不连续或存在孤立块等问题。
78.如图5所示，在一个实施例中，涉及根据第二点云数据，对精分割感兴趣区域进行分类处理，得到目标分类结果，包括：
79.步骤500、将第二点云数据输入至第二目标模型，第二目标模型包括第三模块、第四模块和第五模块。
80.终端在对精分割感兴趣区域进行分类处理时，可以直接使用预先训练好第二目标模型进行分类处理。也就是说，终端将第二点云数据输入第二目标模型，通过第二目标模型中的第三模块、第四模块和第五模块进行分类处理，得到目标分类结果。
81.步骤510、通过第三模块对第二点云数据进行特征提取处理，得到第一中间向量。
82.终端将第二点云数据输入第二目标模型后，第二目标模型中的第三模块对第二点云数据进行特征提取处理，可以得到第一中间向量。第一中间向量用于表征第二点云数据的全局特征。
83.步骤520、将第一中间向量输入至第四模块，通过第四模块对第一中间向量进行特征提取处理，得到第二中间向量。
84.从第三模块输出的第一中间向量会输入第四模块，第四模块通过对第一中间向量再次进行特征提取，得到第二中间向量。
85.步骤530、将第二中间向量输入至第五模块，得到模块输出的目标分类结果。
86.从第四模块输出的第二中间向量通过第五模块，可以识别出第二中间向量中的不同目标，得到目标分类结果。
87.在本实施例中，使用预先训练好的第二目标模型对精分割感兴趣区域进行分类处理，可以提高分类处理的效率以及分类处理的准确性。本实施例对第三模块、第四模块和第五模块的具体结构不作限制，只要能够实现其功能即可。第二目标模型的结构如图6所示。
88.在一个实施例中，第三模块包括t-net模块、第一多层感知机和最大池化层；第四模块包括transformer模块；第五模块包括第二多层感知机。
89.第二目标模型为嵌入了transformer模块的point-net网络模型。其中，第二目标模型中的第三模块包括t-net模块、第一多层感知机和最大池化层，通过t-net模块学习第二点云数据的旋转因子并将其校准，通过第一多层感知机对其校准后的向量进行特征提取后，通过最大池化层对第二点云数据的整体提取出全局特征。第二目标模模型中的第四模块包括transformer模块，通过transformer模块可以挖掘第一中间向量中的长程依赖关系，得到第二中间向量。第二目标模型中的第五模块包括第二多层感知机，通过第二多层感
知机识别出不同的目标，得到目标分类结果。
90.在本实施例中，使用嵌入了transformer模块的point-net网络模型，结合了point-net网络能够有效提取第二点云数据的特征和transformer擅长挖掘特征之间的长程依赖关系优势，能够减少目标分类结果中感兴趣区域的错分现象，从而可以得到更加准确的目标分类结果。
91.在一个实施例中，涉及对待分割三维医学图像进行粗分割处理，得到待分割三维医学图像中的粗分割感兴趣区域，包括：
92.将待分割医学图像输入第三目标模型，通过第三目标模型对待分割医学图像进行特征提取，得到粗分割感兴趣区域。
93.终端在对待分割三维医学图像进行粗分割处理时，可以使用预先训练好的第三目标模型，也就是说，终端将获取到的待分割医学图像直接输入第三目标模型，第三目标模型会对待分割医学图像中的特征进行提取，以在待分割医学图像中分割出感兴趣区域，即粗分割感兴趣区域。本实施例对第三目标模型的具体种类不作限制，只要能够实现其功能即可。
94.在一个具体的实施例中，第三目标模型可以是v-net网络模型。v-net网络模型使用卷积操作提取待分割三维医学图像特征，在每个阶段的末尾通过合适的步长来降低或者提升图像的分辨率。v-net网络模型的具体结构如图7所示，左边矩形框中是一个逐渐压缩(编码)的过程，提取的特征具有越来越丰富的语义信息，右边的矩形框中是一个逐渐解压缩(解码)的过程，最终输出与待分割三维医学图像尺寸相同的图像，在该图像中包括粗分割感兴趣区域和非粗分割感兴趣区域。
95.如图8所示，在一个实施例中，涉及第一目标模型、第二目标模型和第三目标模型的训练过程包括：
96.步骤800、获取三维医学图像样本，使用三维医学图像样本对初始神经网络进行训练，得到第三目标模型。
97.三维医学图像样本可以是与待分割三维医学图像类型相同的多个三维医学图像，对三维医学图像样本的描述可以参考上述实施例中对待分割三维医学图像的具体描述，在此不再赘述。三维医学图像样本可以是存储在终端的存储器中，终端在需要时直接在存储器中获取即可。
98.终端在获取到三维医学图像样本后，将其中的多个三维医学图像分别输入初始神经网络模型，对该初始神经网络模型进行训练，得到第三目标模型。对初始神经网络模型的描述可以参考上述实施例中对第三目标模型的具体描述，在此不再赘述。
99.步骤810、根据第三目标模型的输出结果构建第一点云数据样本，并使用三维医学图像样本和第一点云数据样本对初始神经网络进行训练，得到初始第一模型。
100.终端在使用三维医学图像样本对初始神经网络进行训练过程中，三维医学图像样本中的每个三维医学图像通过初始神经网络都会输出预测的粗分割感兴趣区域，终端将每个预测的粗分割感兴趣区域进行空间信息提取，可以得到用于训练的第一点云训练数据，从而得到第一点云数据样本。对第一点云数据样本中的多个第一点云训练数据的描述可以参考上述实施例中对第一点云数据的具体描述，在此不在赘述。
101.终端在得到第一点云数据样本后，根据第一点云数据样本中的第一点云训练数据
以及三维医学图像样本中与该第一点云训练数据相对应的三维医学图像对初始神经网络进行训练，得到初始第一模型。初始神经网络的种类和初始第一模型的种类与第一模型的种类相同。
102.步骤820、使用第一点云数据样本对初始神经网络进行训练，得到初始第二模型。
103.终端在得到第一点云数据样本后，使用该第一点云数据样本对初始神经网络进行训练，得到初始第二模型。初始神经网络的种类和初始第二模型的种类与初始第二模型的种类相同。
104.步骤830、根据初始第一模型的输出结果构建第三点云数据，使用第三点云数据对初始第二模型进行当前次的训练，并使用第三点云数据和三维医学图像样本对初始第一模型进行当前次的训练。
105.终端在得到初始第一模型后，根据初始第一模型的输出结果构建第三点云数据。此时初始第一模型的输入还是三维医学图像样本中的一个三维医学图像以及与其对应的第一点云训练数据。初始第一模型的输出结果为预测的精分割感兴趣区域，终端通过提取预测的精分割感兴趣区域的空间坐标信息，得到第三点云数据。
106.终端在得到第三点云数据后，将该第三点云数据作为初始第二模型的输入，对初始第二模型进行当前次(本次)的训练。同时，将该第三点云数据和与该第三点云数据对应的三维医学图像样本中的三维医学图像对初始第一模型进行当前次的训练。
107.步骤840、根据当前次训练后的初始第一模型的输出结果构建下一次训练的第三点云数据，直至训练次数达到预设次数为止，得到初始第一模型训练后的第一目标模型和初始第二模型训练后的第二目标模型。
108.终端在对初始第一模型和初始第二模型进行了当前次的训练后，将当前次训练后的初始第一模型的输出结果，也就是说，将使第三点云数据和与该第三点云数据对应的三维医学图像样本中的三维医学图像输入初始第一模型后，根据此时初始第二模型的输出结果(对三维医学图像样本进行精分割处理后得到预测的精分割感兴趣区域)构建下一次训练时使用的第三点云数据，使用该第三点云数据重新对初始第一模型和初始第二模型进行训练，直至训练的次数达到预设次数为止。将达到预测次数后的初始第一模型作为第一目标模型，初始第二模型作为第二目标模型。
109.在本实施例中，在使用三维医学图像样本训练得到第三目标模型、初始第一模型和初始第二模型后；根据初始第一模型的输出结果构建的第三点云数据返回训练初始第一模型和初始第二模型。这样对第一目标模型、第二目标模型和第三目标模型的训练方法可以增加训练样本的多样性，可以提高训练得到的第一目标模型、第二目标模型和第三目标模型的泛化性。同时，在本实施例中，第一目标模型和第二目标模型分开训练，可以实现任务解耦，降低第一目标模型和第二目标模型的学习难度。
110.在一个具体的实施例中，在对第一目标模型、第二目标模型和第三目标模型进行训练的过程中，第一目标模型、第二目标模型和第三目标模型的损失函数均选用交叉熵损失函数。
111.第一目标模型、第二目标模型和第三目标模型的训练过程如图9所示，通过初始第一模型的输出结果构建第三点云数据，通过第三点云数据训练初始第二模型，以及通过第三点云数据和三维医学图像样本训练初始第一模型。
112.在一个实施例中，如图10所示，本技术提供一种图像分割方法，该方法包括：
113.步骤101、获取待分割三维医学图像，将待分割三维医学图像输入第三目标模型，通过第三目标模型对待分割三维医学图像进行粗分割处理，得到待分割三维医学图像中的粗分割兴趣区域；
114.步骤102、提取粗分割感兴趣区域的空间坐标信息，构建第一点云数据；
115.步骤103、将第一点云数据和待分割三维医学图像输入第一目标模型，通过第一目标模型对粗分割感兴趣区域进行精分割处理，得到精分割感兴趣区域。
116.步骤104、根据精分割感兴趣区域构建第二点云数据，将第二点云数据输入第二目标模型，通过第二目标模型对精分割感兴趣区域进行分类处理，得到目标分类结果。
117.在一个具体的实施例中，假设，待分割医学图像为肝血管图像，将肝血管图像输入第三目标模型，通过第三目标模型可以得到粗分割结果，即将肝血管图像可以得到血管区域(粗分割感兴趣区域)和非血管区域；提取血管区域的空间坐标信息构建第一点云数据，将第一点云数据和肝血管图像输入第一目标模型，通过第一目标模型可以得到精分割结果，即可以得到精分割的血管区域；提取精分割的血管区域的空间坐标信息构建第二点云数据，将第二点云数据输入第二目标模型，通过第二目标模型可以得到目标分类结果，即可以肝血管分为四类，分别为背景、肝动脉、肝静脉和门静脉四类。终端可以使用不同的颜色表示肝动脉、肝静脉和门静脉。
118.在一个具体的实施例中，使用本技术实施例实施例提供的图像分割方法对血管进行分割后的图像如图11所示。图11中区域a的局部放大图如图12中的图a所示，使用传统技术的图像分割方法对血管进行分割后的图像中a所处区域的局部放大图如图12中的图b所示。将图12中的图a和图b进行对比可以得到，使用传统技术的图像分割方法得到的图像中包括断裂部分，而使用本技术实施例提供的图像分割方法得到的图像中断裂部分被补齐，即使用本技术实施例提供的图像分割方法可以缓解血管区域断裂的现象，使得得到的血管区域更加精细和完整。
119.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。
120.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方法的图像分割装置。该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，故下面所提供的一个或多个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方法的限定，在此不再赘述。
121.请参见图13，本技术一个实施例提供一种图像分割装置10，该装置包括：粗分割模块11、构建模块12、精分割模型13和分类模块14。其中，
122.粗分割模块11用于获取待分割三维医学图像，对待分割三维医学图像进行粗分割处理，得到待分割三维医学图像中的粗分割感兴趣区域；
123.构建模块12用于提取粗分割感兴趣区域的空间坐标信息，构建第一点云数据；
124.精分割模块13用于根据第一点云数据和待分割三维医学图像，对粗分割感兴趣区域进行精分割处理，得到精分割感兴趣区域；
125.分类模块14用于根据精分割感兴趣区域构建第二点云数据，根据第二点云数据对精分割感兴趣区域进行分类处理，得到目标分类结果。
126.在一个实施例中，精分割模块13具体用于将第一点云数据和待分割三维医学图像输入第一目标模型，第一目标模型包括第一模块和第二模块；通过第一模块对待分割三维医学图像进行处理，得到一维向量；将第一点云数据和一维向量输入第二模块，得到精分割感兴趣区域。
127.在一个实施例中，分类模块14用于将第二点云数据输入至第二目标模型，第二目标模型包括第三模块、第四模块和第五模块；通过第三模块对第二点云数据进行特征提取处理，得到第一中间向量；将第一中间向量输入至第四模块，通过第四模块对所述第一中间向量进行特征提取处理，得到第二中间向量；将第二中间向量输入至第五模块，得到第五模块输出的目标分类结果。
128.在一个实施例中，第三模块包括t-net模块、第一多层感知机和最大池化层；第四模块包括transformer模块；第五模块包括第二多层感知机。
129.在一个实施例中，粗分割模块11具体用于将待分割医学图像输入第三目标模型，通过第三目标模型对待分割医学图像进行特征提取，得到粗分割感兴趣区域。
130.在一个实施例中，图像分割装置还包括训练模块。训练模块用于获取三维医学图像样本，使用三维医学图像样本对初始神经网络进行训练，得到第三目标模型；根据第三目标模型的输出结果构建第一点云数据样本，并使用三维医学图像样本和第一点云数据样本对初始神经网络进行训练，得到初始第一模型；使用第一点云数据样本对初始神经网络进行训练，得到初始第二模型；根据初始第一模型的输出结果构建第三点云数据，使用第三点云数据对初始第二模型进行当前次的训练，并使用第三点云数据和三维医学图像样本对初始第一模型进行当前次的训练；根据当前次训练后的初始第一模型的输出结果构建下一次训练的第三点云数据，直至训练次数达到预设次数为止，得到初始第一模型训练后的第一目标模型和初始第二模型训练后的第二目标模型。
131.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。
132.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14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。
133.本领域技术人员可以理解，图14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。
134.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，处理器执行计算机程序时实现以下步骤：
135.获取待分割三维医学图像，对待分割三维医学图像进行粗分割处理，得到待分割三维医学图像中的粗分割感兴趣区域；
136.提取粗分割感兴趣区域的空间坐标信息，构建第一点云数据；
137.根据第一点云数据和所述待分割三维医学图像，对粗分割感兴趣区域进行精分割处理，得到精分割感兴趣区域；
138.根据精分割感兴趣区域构建第二点云数据，根据第二点云数据对精分割感兴趣区域进行分类处理，得到目标分类结果。
139.在一个实施例中，处理器执行计算机程序时还实现以下步骤：将第一点云数据和待分割三维医学图像输入第一目标模型，第一目标模型包括第一模块和第二模块；通过第一模块对待分割三维医学图像进行处理，得到一维向量；将第一点云数据和一维向量输入第二模块，得到精分割感兴趣区域。
140.在一个实施例中，处理器执行计算机程序时还实现以下步骤：将第二点云数据输入至第二目标模型，第二目标模型包括第三模块、第四模块和第五模块；通过第三模块对第二点云数据进行特征提取处理，得到第一中间向量；将第一中间向量输入至第四模块，通过第四模块对第一中间向量进行特征提取处理，得到第二中间向量；将第二中间向量输入至第五模块，得到第五模块输出的目标分类结果。
141.在一个实施例中，第三模块包括t-net模块、第一多层感知机和最大池化层；第四模块包括transformer模块；第五模块包括第二多层感知机。
142.在一个实施例中，处理器执行计算机程序时还实现以下步骤：将待分割医学图像输入第三目标模型，通过第三目标模型对待分割医学图像进行特征提取，得到粗分割感兴趣区域。
143.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取三维医学图像样本，使用三维医学图像样本对初始神经网络进行训练，得到第三目标模型；根据第三目标模型的输出结果构建第一点云数据样本，并使用三维医学图像样本和第一点云数据样本对初始神经网络进行训练，得到初始第一模型；使用第一点云数据样本对初始神经网络进行训练，得到初始第二模型；根据初始第一模型的输出结果构建第三点云数据，使用第三点云数据对初始第二模型进行当前次的训练，并使用第三点云数据和三维医学图像样本对初始第一模型进行当前次的训练；根据当前次训练后的初始第一模型的输出结果构建下一次训练的第三点云数据，直至训练次数达到预设次数为止，得到初始第一模型训练后的第一目标模型和初始第二模型训练后的第二目标模型。
144.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：
145.获取待分割三维医学图像，对待分割三维医学图像进行粗分割处理，得到待分割
三维医学图像中的粗分割感兴趣区域；
146.提取粗分割感兴趣区域的空间坐标信息，构建第一点云数据；
147.根据第一点云数据和所述待分割三维医学图像，对粗分割感兴趣区域进行精分割处理，得到精分割感兴趣区域；
148.根据精分割感兴趣区域构建第二点云数据，根据第二点云数据对精分割感兴趣区域进行分类处理，得到目标分类结果。
149.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将第一点云数据和待分割三维医学图像输入第一目标模型，第一目标模型包括第一模块和第二模块；通过第一模块对待分割三维医学图像进行处理，得到一维向量；将第一点云数据和一维向量输入第二模块，得到精分割感兴趣区域。
150.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将第二点云数据输入至第二目标模型，第二目标模型包括第三模块、第四模块和第五模块；通过第三模块对第二点云数据进行特征提取处理，得到第一中间向量；将第一中间向量输入至第四模块，通过第四模块对第一中间向量进行特征提取处理，得到第二中间向量；将第二中间向量输入至第五模块，得到第五模块输出的目标分类结果。
151.在一个实施例中，第三模块包括t-net模块、第一多层感知机和最大池化层；第四模块包括transformer模块；第五模块包括第二多层感知机。
152.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将待分割医学图像输入第三目标模型，通过第三目标模型对待分割医学图像进行特征提取，得到粗分割感兴趣区域。
153.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取三维医学图像样本，使用三维医学图像样本对初始神经网络进行训练，得到第三目标模型；根据第三目标模型的输出结果构建第一点云数据样本，并使用三维医学图像样本和第一点云数据样本对初始神经网络进行训练，得到初始第一模型；使用第一点云数据样本对初始神经网络进行训练，得到初始第二模型；根据初始第一模型的输出结果构建第三点云数据，使用第三点云数据对初始第二模型进行当前次的训练，并使用第三点云数据和三维医学图像样本对初始第一模型进行当前次的训练；根据当前次训练后的初始第一模型的输出结果构建下一次训练的第三点云数据，直至训练次数达到预设次数为止，得到初始第一模型训练后的第一目标模型和初始第二模型训练后的第二目标模型。
154.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以下步骤：
155.获取待分割三维医学图像，对待分割三维医学图像进行粗分割处理，得到待分割三维医学图像中的粗分割感兴趣区域；
156.提取粗分割感兴趣区域的空间坐标信息，构建第一点云数据；
157.根据第一点云数据和所述待分割三维医学图像，对粗分割感兴趣区域进行精分割处理，得到精分割感兴趣区域；
158.根据精分割感兴趣区域构建第二点云数据，根据第二点云数据对精分割感兴趣区域进行分类处理，得到目标分类结果。
159.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将第一点云数据
和待分割三维医学图像输入第一目标模型，第一目标模型包括第一模块和第二模块；通过第一模块对待分割三维医学图像进行处理，得到一维向量；将第一点云数据和一维向量输入第二模块，得到精分割感兴趣区域。
160.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将第二点云数据输入至第二目标模型，第二目标模型包括第三模块、第四模块和第五模块；通过第三模块对第二点云数据进行特征提取处理，得到第一中间向量；将第一中间向量输入至第四模块，通过第四模块对第一中间向量进行特征提取处理，得到第二中间向量；将第二中间向量输入至第五模块，得到第五模块输出的目标分类结果。
161.在一个实施例中，第三模块包括t-net模块、第一多层感知机和最大池化层；第四模块包括transformer模块；第五模块包括第二多层感知机。
162.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将待分割医学图像输入第三目标模型，通过第三目标模型对待分割医学图像进行特征提取，得到粗分割感兴趣区域。
163.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取三维医学图像样本，使用三维医学图像样本对初始神经网络进行训练，得到第三目标模型；根据第三目标模型的输出结果构建第一点云数据样本，并使用三维医学图像样本和第一点云数据样本对初始神经网络进行训练，得到初始第一模型；使用第一点云数据样本对初始神经网络进行训练，得到初始第二模型；根据初始第一模型的输出结果构建第三点云数据，使用第三点云数据对初始第二模型进行当前次的训练，并使用第三点云数据和三维医学图像样本对初始第一模型进行当前次的训练；根据当前次训练后的初始第一模型的输出结果构建下一次训练的第三点云数据，直至训练次数达到预设次数为止，得到初始第一模型训练后的第一目标模型和初始第二模型训练后的第二目标模型。
164.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。
165.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。
166.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。