CN109671076A - 血管分割方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种血管分割方法、装置、电子设备及存储介质。该方法包括：分别将待分割图像输入至少两个预先训练的设定神经网络模型，生成与每个设定神经网络模型对应的初始分割结果；利用每个所述设定神经网络模型对应的目标模型权重值，对各所述初始分割结果进行加权处理，生成加权分割结果，其中，所述目标模型权重值于训练所述设定神经网络模型时确定；对所述加权分割结果进行图像后处理，生成分割血管图像。通过上述技术方案，实现了首次将Boosting建模思想应用至血管分割领域，解决了单个神经网络模型所得血管分割结果精度较低的问题，达到了提高血管分割精度的效果。

Description

血管分割方法、装置、电子设备及存储介质

技术领域

本发明实施例涉及医学图像处理技术，尤其涉及一种血管分割方法、装置、电子设备及存储介质。

背景技术

医学图像中的血管分割是一个基本问题，例如肝脏的血管分割被广泛应用于肝脏病变的诊断、治疗以及肝脏手术的规划。

目前血管分割的一类常用方法为传统的图像处理方法，例如阈值分割方法或区域生长方法等，但是这些方法的血管分割精度均有限，难以满足临床需求。另一类常用方法为基于深度学习的图像处理方法，例如全卷积神经网络模型(Fully convolutionalnetworks,FCN)、基于二维医学图像的全卷积神经网络模型U-net和基于三维医学图像的全卷积神经网络模型V-net等，这些方法在准确率以及鲁棒性上远胜于传统的图像处理方法，但是由于成像设备的限制和血管本身形态结构的复杂性，利用上述任一个卷积神经网络模型所得的血管分割结果均容易出现血管分支较少、血管边界错误以及分割块状等问题。

发明内容

本发明实施例提供一种血管分割方法、装置、电子设备及存储介质，以提高血管分割的精度。

第一方面，本发明实施例提供了一种血管分割方法，包括：

分别将待分割图像输入至少两个预先训练的设定神经网络模型，生成与每个设定神经网络模型对应的初始分割结果；

利用每个所述设定神经网络模型对应的目标模型权重值，对各所述初始分割结果进行加权处理，生成加权分割结果，其中，所述目标模型权重值于训练所述设定神经网络模型时确定；

对所述加权分割结果进行图像后处理，生成分割血管图像。

第二方面，本发明实施例还提供了一种血管分割装置，该装置包括：

初始分割结果生成模块，用于分别将待分割图像输入至少两个预先训练的设定神经网络模型，生成至少两个初始分割结果；

加权分割结果生成模块，用于利用每个所述设定神经网络模型对应的目标模型权重值，对各所述初始分割结果进行加权处理，生成加权分割结果，其中，所述目标模型权重值于训练所述设定神经网络模型时确定；

分割血管图像生成模块，用于对所述加权分割结果进行图像后处理，生成分割血管图像。

第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的血管分割方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的血管分割方法。

本发明实施例通过分别将待分割图像输入至少两个预先训练的设定神经网络模型，生成与每个设定神经网络模型对应的初始分割结果；利用每个所述设定神经网络模型对应的目标模型权重值，对各所述初始分割结果进行加权处理，生成加权分割结果；对所述加权分割结果进行图像后处理，生成分割血管图像。实现了基于Boosting建模思想，利用多个设定神经网络模型和其对应的权重值来构建加强型神经网络模型，从而对血管图像进行血管分割，解决了单个神经网络模型所得血管分割结果精度较低的问题，达到了提高血管分割精度的效果。

附图说明

图1是本发明实施例一中的一种血管分割方法的流程图；

图2是本发明实施例一中的一种血管分割方法的执行过程示意图；

图3是本发明实施例二中的一种血管分割的模型训练方法的流程图；

图4是本发明实施例三中的一种血管分割装置的结构示意图；

图5是本发明实施例四中的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

本实施例提供的一种血管分割方法可适用于医学影像的血管分割，尤其适用于复杂器官中的血管分割，例如肝脏血管分割。该方法可以由血管分割装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在具有图像处理功能的电子设备中，例如台式电脑或服务器等。参见图1，本实施例的方法具体包括如下步骤：

S110、分别将待分割图像输入至少两个预先训练的设定神经网络模型，生成与每个设定神经网络模型对应的初始分割结果。

其中，待分割图像是指包含需要分割的血管的医学图像，其可以是二维医学图像，也可以是三维医学图像。设定神经网络模型是指一个预先训练的，用于进行血管分割的基于深度学习的神经网络模型，例如可以是全卷积神经网络模块FCN、Mask-RCNN、DeepLab、U-Net，V-Net或SegNet等。设定神经网络模型是相对于本申请基于Boosting建模思想构建的加强型神经网络模型(简称强神经网络模型)而言，一个强神经网络模型至少需要组合2个设定神经网络模型来构建。本发明实施例中所涉及的多个设定神经网络模型中的各个设定神经网络模型可以是相同的神经网络模型，也可以是不同的神经网络模型。初始分割结果是指利用血管分割模型对待分割图像进行血管分割直接得到的结果。该初始分割结果中的各个灰度值表征其对应的图像为血管的概率。

具体地，参见图2，将待分割图像201输入每个预先训练好的设定神经网络模型202，获得每个设定神经网络模型202对应的初始分割结果203。上述图像输入过程可以是串行输入，也可以是并行输入。初始分割结果的数量与设定神经网络模型的数量对应一致。

示例性地，S110包括：对待分割图像进行预处理生成预处理图像，其中，预处理包括分辨率重采样、灰度归一化及分块裁剪中的至少一种；分别将预处理图像输入至少两个预先训练的设定神经网络模型，生成与每个设定神经网络模型对应的初始分割结果。

具体地，在进行血管分割之前，需要先对待分割图像进行图像预处理，预处理所获得的图像便是预处理图像。这里的预处理操作可以包括分辨率重采样、灰度归一化及分块裁剪中的至少一种。其中，分辨率重采样是将待分割图像的分辨率调整至指定的分辨率，例如待分割图像为肝脏三维CT图像，其初始的x轴方向、y轴方向和z轴方向的图像分辨率分别为0.5mm～0.7mm、0.5mm～0.7mm和1mm，可以将三个坐标轴方向对应的图像分辨率均重采样至0.5mm。灰度归一化是按照一定的归一化规则，将图像的灰度值调整至指定的数值范围，例如[0,1]，这里的归一化规则可以是线性规则或非线性规则。分块裁剪是将一幅图像按照指定尺寸裁剪为多个子图像，以便达到减少一次图像处理的数据量的目的。获得预处理图像之后，将该预处理图像输入每个设定神经网络模型进行处理，获得与设定神经网络模型相应数量的初始分割结果。

示例性地，当预处理包括分辨率重采样和灰度归一化时，对待分割图像进行预处理包括：对待分割图像进行分辨率重采样，获得重采样图像；依据预设窗宽和预设窗位，确定第一分界值和第二分界值，第一分界值小于第二分界值；若重采样图像的灰度值大于第二分界值，则将灰度值确定为归一化区间的右区间值；若重采样图像的灰度值小于第一分界值，则将灰度值确定为归一化区间的左区间值；若重采样图像的灰度值大于或等于第一分界值，且小于或等于第二分界值，则将灰度值确定为归一化区间的区间值。

其中，预设窗宽和预设窗位是指显示医学图像时预先设定的窗宽和窗位，例如对于肝脏CT图像，可将预设窗宽和预设窗位分别设置为400和40。第一分界值和第二分界值分别是用于进行图像灰度值分类的边界值，灰度值分类的目的在于将包含血管的图像区域与其他图像区域区分开，以便从待分割图像中筛选出包含血管的目标器官区域，例如从待分割图像中筛选出肝脏区域。归一化区间是指灰度归一化处理后的数值范围，例如[0,1]。右区间值和左区间值分别是指归一化区间的右边界值和左边界值，例如1和0。

具体地，以肝脏血管分割为例，先对待分割图像进行分辨率重采样，获得重采样图像。然后，对该重采样图像进行灰度归一化处理。灰度归一化过程为：先根据预设窗宽和窗位，按照第一分界值＝(窗位+窗宽/2)和第二分界值＝(窗位-窗宽/2)计算获得第一分界值和第二分界值。然后，将重采样图像的灰度值大于第二分界值的灰度值全部设定为归一化区间的右区间值，将重采样图像的灰度值小于第一分界值的灰度值全部设定为归一化区间的左区间值。最后，将重采样图像中灰度值介于第一分界值和第二分界值(包含第一分界值和第二分界值)之间的灰度值，按照归一化规则计算为归一化区间内的数值。这样设置的结果便是预处理图像中灰度值位于归一化区间内的图像区域对应肝脏区域，其他图像区域均为背景区域，从而进一步提高后续血管分割的处理速度。

S120、利用每个设定神经网络模型对应的目标模型权重值，对各初始分割结果进行加权处理，生成加权分割结果。

其中，目标模型权重值是指一个设定神经网络模型对应的权重值，其用于对该设定神经网络模型输入的结果进行加权处理。目标模型权重值是本发明实施例的Boosting建模思想中将各个设定神经网络模型联合起来的因子，由此构建强神经网络模型。该目标模型权重值于训练设定神经网络模型时确定，每训练一个设定神经网络模型，便会相应地确定该训练的设定神经网络模型在构建强神经网络模型中的目标模型权重值。

具体地，参见图2，对于每一个设定神经网络模型202，将该设定神经网络模型202对应的目标模型权重值204配置为该设定神经网络模型202生成的初始分割结果203的权重值。之后，将每个初始分割结果203与其对应的目标模型权重值204相乘，并累加每个乘积值，便获得一个加权分割结果205。可以理解，该加权分割结果仍然是一个概率图像。

S130、对加权分割结果进行图像后处理，生成分割血管图像。

具体地，对加权分割结果205进行图像后处理，例如二值化、平滑和去噪中的至少一种处理，生成分割血管图像206。

示例性地，S130包括：利用预设概率阈值，对加权分割结果进行二值化处理，生成二值化分割结果；对二值化分割结果进行去噪处理，生成分割血管图像。

其中，预设概率阈值是一个预先设定的概率值，其用于对概率图像进行二值化处理，例如可以是0.5。

具体地，将加权分割结果中灰度值(也为概率值)大于或等于预设概率阈值的灰度值设置为1，将灰度值小于预设概率阈值的灰度值设置为0，便获得一个二值化分割结果。之后，对该二值化分割结果取最大连通区域以过滤二值化分割结果中的图像噪声，获得一个分割血管图像。

本实施例的技术方案，通过分别将待分割图像输入至少两个预先训练的设定神经网络模型，生成与每个设定神经网络模型对应的初始分割结果；利用每个设定神经网络模型对应的目标模型权重值，对各初始分割结果进行加权处理，生成加权分割结果；对加权分割结果进行图像后处理，生成分割血管图像。实现了首次将Boosting建模思想应用至血管分割领域，通过将多个设定神经网络模型按照其对应的权重值进行加权重构，形成一个强神经网络模型——血管分割模型，从而对血管图像进行血管分割，解决了单个神经网络模型所得血管分割结果精度较低的问题，达到了提高血管分割精度的效果。

实施例二

本实施例以上述实施例为基础，说明了血管分割模型的训练方法。其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图3，本实施例提供的血管分割的模型训练方法包括：

S310、依据样本图像生成第一个设定神经网络模型的第一训练样本集，并利用第一训练样本集对卷积神经网络模型进行训练，获得第一个设定神经网络模型。

其中，样本图像是指用于进行血管分割模型训练的包含血管的医学图像，为了提高血管分割模型的适用性，可以选择各个器官的医学图像，例如可以是脑部医学图像、肝脏医学图像和四肢医学图像等。第一训练样本集是指训练第一个设定神经网络模型所用的样本集。

具体地，从多个样本图像中为第一个设定神经网络模型选择一定数量的图像数据作为第一训练样本集。之后，将该第一训练样本集按照第三设定数量，批量式地依次输入选定的卷积神经网络模型(如V-net模型)，并采用能够快速定位血管区域的Dice损失函数进行模型训练，获得第一个设定神经网络模型。这里第三设定数量是指预先设定的数量值，其用于表征训练样本集中一次并行输入设定神经网络模型的训练样本的数量。该第三设定数量的取值与配置血管分割装置的电子设备的硬件有关，例如电子设备的GPU为12G，则第三设定数量可以取值为8，那么模型训练时每次向模型中并行输入8个训练样本。

S320、针对剩余的各个设定神经网络模型中的任一个设定神经网络模型，依据样本图像和前一个设定神经网络模型对应的分割错误区域生成第二训练样本集，并利用第二训练样本集对卷积神经网络模型进行训练，获得剩余的设定神经网络模型。

其中，第二训练样本集是指训练第一个设定神经网络模型之后的每一个设定神经网络模型所用的样本集。

具体地，由于本发明实施例是基于Boosting建模思想进行强神经网络模型的构建，以求提高血管分割精度，故本实施例中第一个设定神经网络模型之后的各个设定神经网络模型的训练，便专门针对前一个设定神经网络模型中血管分割错误的部分进行训练，从而一步一步地提高血管分割的精度。

由于后一个设定神经网络模型的训练样本的选择依赖于前一个设定神经网络模型的训练结果，故对于第一个设定神经网络模型之后的各个设定神经网络模型，按照串行方式，每次训练一个设定神经网络模型。其中，每一个设定神经网络模型训练过程均为：根据当前设定神经网络模型的前一个设定神经网络模型，在样本图像区域内确定前一个设定神经网络模型血管分割错误的区域(即分割错误区域)。之后，在多个样本图像的分割错误区域中，为当前设定神经网络模型选择一定数量的图像数据作为第二训练样本集。最后，将该第二训练样本集按照第三设定数量批量式地依次输入当前设定神经网络模型(如V-net模型)，并结合能够解决困难样本训练问题的Focal损失函数进行模型训练，获得一个设定神经网络模型。

需要说明的是，本实施例中每个设定神经网络模型训练所用的样本图像可以是相同的，也可以是不同的；另外，第一训练样本集和第二训练样本集中的样本数量可以相等，也可以不等。

示例性地，分割错误区域通过如下方式确定：利用前一个设定神经网络模型对前一个设定神经网络模型对应的训练样本集进行测试，生成模型测试结果；比较模型测试结果和金标准，生成分割错误区域。

其中，模型测试结果是指一个设定神经网络模型的输出结果，其是一个二值化图像，用0表示非血管，用1表示血管。金标准是一个准确的参照二值化图像，其也用0表示非血管，用1表示血管。

具体地，将前一个设定神经网络模型对应的训练样本集输入该前一个设定神经网络模型，获得与训练样本集中样本数量一致的模型测试结果。利用金标准生成规则，对每一个模型测试结果对应的训练样本进行处理，获得每一个训练样本的金标准。之后，将每一个训练样本对应的模型测试结果与金标准进行逐个灰度值的比较，生成每一个模型测试结果对应的模型检测图像。例如模型测试结果的灰度值与金标准的灰度值一致，则模型准确率图像的灰度值为0；反之，如果模型测试结果的灰度值与金标准的灰度值不一致，则模型检测图像的灰度值为1。根据各个模型检测图像中灰度值为1的部分生成前一个设定神经网络模型对应的分割错误区域。这样设置的好处在于，提高了分割错误区域的准确性，从而进一步提高了第一个设定神经网络模型之后的各个设定神经网络模型的训练精度。

S330、依据每个设定神经网络模型、与设定神经网络模型一一对应的训练样本集以及金标准，确定各个设定神经网络模型的目标模型权重值。

具体地，对于每一个设定神经网络模型，利用其对应的训练样本集生成模型测试结果。利用金标准对模型测试结果进行分割准确性判断，并根据准确性判断结果确定该设定神经网络模型的目标模型权重值。应当理解，一个设定神经网络模型的分割准确性越高，其对应的目标模型权重值便越高。

示例性地，S330包括：针对任一个设定神经网络模型，利用设定神经网络模型对设定神经网络模型对应的训练样本集进行测试，生成与各设定神经网络模型一一对应的各模型测试结果；分别依据每个模型测试结果和金标准，确定每个设定神经网络模型的分割准确率，并分别依据每个分割准确率确定每个设定神经网络模型的初始模型权重值；对各初始模型权重值进行归一化，获得各个设定神经网络模型的目标模型权重值。

具体地，对于所有设定神经网络模型中的任一个设定神经网络模型，利用该设定神经网络模型的样本集生成其对应的各个模型测试结果。然后，比较每一个模型测试结果及其对应的金标准，并计算分割正确的灰度值数量与全部灰度值数量的比值，得到该设定神经网络模型的分割准确率。之后，根据该分割准确率确定该设定神经网络模型的模型权重值，作为初始模型权重值。根据上述过程确定每个设定神经网络模型的初始模型权重值。最后，对各个初始模型权重值进行归一化处理，使得各个设定神经网络模型的模型权重值之和为1，由此确定的每个设定神经网络模型的权重值便为其目标模型权重值。这样设置的好处在于，进一步提高目标模型权重值设置的合理性。

本实施例的技术方案，通过根据前一个设定神经网络模型对应的分割错误区域生成第二训练样本集，使得当前设定神经网络模型专门针对前一个设定神经网络模型中血管分割错误的部分进行训练，能够逐步提高血管分割的精度，进而进一步提高基于Boosting建模思想构建的血管分割模型的分割精度。通过每个设定神经网络模型、与设定神经网络模型一一对应的训练样本集以及金标准来确定目标模型权重值，使得目标模型权重值的确定具有理论依据，提高了目标模型权重值的设置合理性。

在上述技术方案的基础上，该血管分割的模型训练方法还包括：对初始样本图像进行预处理生成样本图像，其中，预处理包括分辨率重采样、灰度归一化及分块裁剪中的至少一种。

其中，初始样本图像是指初始获得的重建的医学影像。

具体地，对获得的多张初始样本图像中的每张初始样本图像均进行预处理操作，获得多张样本图像。需要说明的是，该步骤可以在S310生成第一训练样本集和S320生成第二训练样本集之前，这样便是对所有的初始样本图像进行预处理生成全部的样本图像后构建不同的样本集。该步骤也可以是在S310之前和S320之前分别执行，这样便是分别处理第一训练样本集和第二训练样本集对应的初始样本图像。具体的执行顺序可以依据需要进行设置。

在上述技术方案的基础上，依据样本图像生成第一个设定神经网络模型的第一训练样本集包括：以预设图像尺寸，在样本图像中随机采样，确定第一设定数量的子样本图像，作为第一训练样本集；

依据样本图像和前一个设定神经网络模型对应的分割错误区域生成第二训练样本集包括：依据前一个设定神经网络模型确定样本图像的分割错误区域；以预设图像尺寸，在样本图像的分割错误区域中随机采样，确定第二设定数量的子样本图像，作为第二训练样本集。

其中，预设图像尺寸是指预先设定的图像大小，该预设图像尺寸的设定与配置血管分割装置的电子设备的硬件有关。例如，对于硬件GPU而言，若GPU性能高，则预设图像尺寸可以取一个较大的数值；反之，若GPU性能低，则预设图像尺寸取一个较小的数值。比如电子设备的GPU为12G，样本图像为三维医学图像，那么可以将预设图像尺寸设置为96*96*96。子样本图像是指从样本图像中获得的，且图像尺寸比样本图像的图像尺寸小的图像，该子样本图像的图像数据与样本图像中对应区域的图像数据一致。第一设定数量和第二设定数量分别是预先设定的第一训练样本集和第二训练样本集的样本数量，该第一设定数量和第二设定数量可以相等，也可以不等。

具体地，由多张样本图像生成第一训练样本集时，并非直接将整幅样本图像作为训练样本集中的训练样本，而是按照预设图像尺寸从每一幅样本图像中随机选择第一设定数量的子样本图像，从而形成第一训练样本集。同样地，对于第二训练样本集的生成，是按照预设图像尺寸从每一幅样本图像的分割错误区域中随机选择第二设定数量的子样本图像，从而形成第二训练样本集。这样设置的好处在于，能够兼顾电子设备的显存GPU性能，同时增加训练样本的多样性，从而提高后续血管分割模型的泛化能力，使得训练得到的血管分割模型更优。

以下是本发明实施例提供的血管分割装置的实施例，该装置与上述各实施例的血管分割方法属于同一个发明构思，在血管分割装置的实施例中未详尽描述的细节内容，可以参考上述血管分割方法的实施例。

实施例三

本实施例提供一种血管分割装置，参见图4，该装置具体包括：

初始分割结果生成模块410，用于分别将待分割图像输入至少两个预先训练的设定神经网络模型，生成至少两个初始分割结果；

加权分割结果生成模块420，用于利用每个设定神经网络模型对应的目标模型权重值，对各初始分割结果进行加权处理，生成加权分割结果，其中，目标模型权重值于训练设定神经网络模型时确定；

分割血管图像生成模块430，用于对加权分割结果进行图像后处理，生成分割血管图像。

可选地，初始分割结果生成模块410具体用于：

对待分割图像进行预处理生成预处理图像，其中，预处理包括分辨率重采样、灰度归一化及分块裁剪中的至少一种；

分别将预处理图像输入至少两个预先训练的设定神经网络模型，生成与每个设定神经网络模型对应的初始分割结果。

可选地，分割血管图像生成模块430具体用于：

利用预设概率阈值，对加权分割结果进行二值化处理，生成二值化分割结果；

对二值化分割结果进行去噪处理，生成分割血管图像。

在上述装置的基础上，该装置还包括模型训练模块440，包括第一模型训练子模块，第二模型训练子模块和权重值确定子模块；

其中，第一模型训练子模块用于依据样本图像生成第一个设定神经网络模型的第一训练样本集，并利用第一训练样本集对卷积神经网络模型进行训练，获得第一个设定神经网络模型；

第二模型训练子模块用于针对剩余的各个设定神经网络模型中的任一个设定神经网络模型，依据样本图像和前一个设定神经网络模型对应的分割错误区域生成第二训练样本集，并利用第二训练样本集对卷积神经网络模型进行训练，获得剩余的设定神经网络模型；

权重值确定子模块用于依据每个设定神经网络模型、与设定神经网络模型一一对应的训练样本集以及金标准，确定各个设定神经网络模型的目标模型权重值。

进一步地，第一模型训练子模块具体用于：

以预设图像尺寸，在样本图像中随机采样，确定第一设定数量的子样本图像，作为第一训练样本集；

第二模型训练子模块具体用于：

依据前一个设定神经网络模型确定样本图像的分割错误区域；

以预设图像尺寸，在样本图像的分割错误区域中随机采样，确定第二设定数量的子样本图像，作为第二训练样本集。

进一步地，第二模型训练子模块还具体用于：

利用前一个设定神经网络模型对前一个设定神经网络模型对应的训练样本集进行测试，生成模型测试结果；

比较模型测试结果和金标准，生成分割错误区域。

进一步地，权重值确定子模块具体用于：

针对任一个设定神经网络模型，利用设定神经网络模型对设定神经网络模型对应的训练样本集进行测试，生成与各设定神经网络模型一一对应的各模型测试结果；

分别依据每个模型测试结果和金标准，确定每个设定神经网络模型的分割准确率，并分别依据每个分割准确率确定每个设定神经网络模型的初始模型权重值；

对各初始模型权重值进行归一化，获得各个设定神经网络模型的目标模型权重值。

通过本发明实施例三的一种血管分割装置，实现了首次将Boosting建模思想应用至血管分割领域，通过将多个设定神经网络模型按照其对应的权重值进行加权重构，形成一个强神经网络模型——血管分割模型，从而对血管图像进行血管分割，解决了单个设定神经网络模型所得血管分割结果精度较低的问题，达到了提高血管分割精度的效果。

本发明实施例所提供的血管分割装置可执行本发明任意实施例所提供的血管分割方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述血管分割装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

实施例四

参见图5，本实施例提供了一种电子设备500，其包括：一个或多个处理器520；存储装置510，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器520执行，使得一个或多个处理器520实现本发明实施例所提供的血管分割方法，包括：

分别将待分割图像输入至少两个预先训练的设定神经网络模型，生成与每个设定神经网络模型对应的初始分割结果；

利用每个设定神经网络模型对应的目标模型权重值，对各初始分割结果进行加权处理，生成加权分割结果，其中，目标模型权重值于训练设定神经网络模型时确定；

对加权分割结果进行图像后处理，生成分割血管图像。

当然，本领域技术人员可以理解，处理器520还可以实现本发明任意实施例所提供的血管分割方法的技术方案。

图5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图5所示，该电子设备500包括处理器520、存储装置510、输入装置530和输出装置540；电子设备中处理器520的数量可以是一个或多个，图5中以一个处理器520为例；电子设备中的处理器520、存储装置510、输入装置530和输出装置540可以通过总线或其他方式连接，图5中以通过总线550连接为例。

存储装置510作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的血管分割方法对应的程序指令/模块(例如，血管分割装置中的初始分割结果生成模块、加权分割结果生成模块和分割血管图像生成模块)。

存储装置510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***、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置510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、或其他非易失性固态存储器件。在一些实例中，存储装置510可进一步包括相对于处理器520远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置530可用于接收输入的数字、图像或字符信息，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。输出装置540可包括显示屏等显示设备。

实施例五

本实施例提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种血管分割方法，该方法包括：

分别将待分割图像输入至少两个预先训练的设定神经网络模型，生成与每个设定神经网络模型对应的初始分割结果；

利用每个设定神经网络模型对应的目标模型权重值，对各初始分割结果进行加权处理，生成加权分割结果，其中，目标模型权重值于训练设定神经网络模型时确定；

对加权分割结果进行图像后处理，生成分割血管图像。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上的方法操作，还可以执行本发明任意实施例所提供的血管分割方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所提供的血管分割方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种血管分割方法，其特征在于，包括：

分别将待分割图像输入至少两个预先训练的设定神经网络模型，生成与每个设定神经网络模型对应的初始分割结果；

利用每个所述设定神经网络模型对应的目标模型权重值，对各所述初始分割结果进行加权处理，生成加权分割结果，其中，所述目标模型权重值于训练所述设定神经网络模型时确定；

对所述加权分割结果进行图像后处理，生成分割血管图像。

2.根据权利要求1所述的方法，其特征在于，分别将待分割图像输入至少两个预先训练的设定神经网络模型，生成与每个设定神经网络模型对应的初始分割结果包括：

对所述待分割图像进行预处理生成预处理图像，其中，预处理包括分辨率重采样、灰度归一化及分块裁剪中的至少一种；

分别将所述预处理图像输入至少两个预先训练的设定神经网络模型，生成与每个设定神经网络模型对应的初始分割结果。

3.根据权利要求1所述的方法，其特征在于，对所述加权分割结果进行图像后处理，生成分割血管图像包括：

利用预设概率阈值，对所述加权分割结果进行二值化处理，生成二值化分割结果；

对所述二值化分割结果进行去噪处理，生成所述分割血管图像。

4.根据权利要求1所述的方法，其特征在于，各所述设定神经网络模型和对应的目标模型权重值通过如下方式预先训练：

依据样本图像生成第一个所述设定神经网络模型的第一训练样本集，并利用所述第一训练样本集对卷积神经网络模型进行训练，获得第一个所述设定神经网络模型；

针对剩余的各个所述设定神经网络模型中的任一个设定神经网络模型，依据样本图像和前一个设定神经网络模型对应的分割错误区域生成第二训练样本集，并利用所述第二训练样本集对卷积神经网络模型进行训练，获得剩余的所述设定神经网络模型；

依据每个所述设定神经网络模型、与所述设定神经网络模型一一对应的训练样本集以及金标准，确定各个所述设定神经网络模型的目标模型权重值。

5.根据权利要求4所述的方法，其特征在于，依据样本图像生成第一个所述设定神经网络模型的第一训练样本集包括：

以预设图像尺寸，在所述样本图像中随机采样，确定第一设定数量的子样本图像，作为所述第一训练样本集；

依据样本图像和前一个设定神经网络模型对应的分割错误区域生成第二训练样本集包括：

依据前一个设定神经网络模型确定所述样本图像的分割错误区域；

以所述预设图像尺寸，在所述样本图像的分割错误区域中随机采样，确定第二设定数量的子样本图像，作为所述第二训练样本集。

6.根据权利要求4或5所述的方法，其特征在于，所述分割错误区域通过如下方式确定：

利用前一个设定神经网络模型对前一个设定神经网络模型对应的训练样本集进行测试，生成模型测试结果；

比较所述模型测试结果和所述金标准，生成所述分割错误区域。

7.根据权利要求4所述的方法，其特征在于，依据每个所述设定神经网络模型、与所述设定神经网络模型一一对应的训练样本集和金标准，确定各个所述设定神经网络模型的模型权重值包括：

针对任一个所述设定神经网络模型，利用所述设定神经网络模型对所述设定神经网络模型对应的训练样本集进行测试，生成与各所述设定神经网络模型一一对应的各模型测试结果；

分别依据每个所述模型测试结果和所述金标准，确定每个所述设定神经网络模型的分割准确率，并分别依据每个所述分割准确率确定每个所述设定神经网络模型的初始模型权重值；

对各所述初始模型权重值进行归一化，获得各个所述设定神经网络模型的目标模型权重值。

8.一种血管分割装置，其特征在于，包括：

初始分割结果生成模块，用于分别将待分割图像输入至少两个预先训练的设定神经网络模型，生成至少两个初始分割结果；

加权分割结果生成模块，用于利用每个所述设定神经网络模型对应的目标模型权重值，对各所述初始分割结果进行加权处理，生成加权分割结果，其中，所述目标模型权重值于训练所述设定神经网络模型时确定；

分割血管图像生成模块，用于对所述加权分割结果进行图像后处理，生成分割血管图像。

9.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的血管分割方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的血管分割方法。