CN110047078B - 图像处理方法及装置、电子设备和存储介质 - Google Patents

图像处理方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN110047078B
CN110047078B CN201910315190.9A CN201910315190A CN110047078B CN 110047078 B CN110047078 B CN 110047078B CN 201910315190 A CN201910315190 A CN 201910315190A CN 110047078 B CN110047078 B CN 110047078B
Authority
CN
China
Prior art keywords
image
processed
sub
segmentation result
processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910315190.9A
Other languages
English (en)
Other versions
CN110047078A (zh
Inventor
崔鹤洁
刘星龙
黄宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN201910315190.9A priority Critical patent/CN110047078B/zh
Publication of CN110047078A publication Critical patent/CN110047078A/zh
Priority to KR1020217016104A priority patent/KR20210082234A/ko
Priority to PCT/CN2019/106642 priority patent/WO2020211284A1/zh
Priority to SG11202013156UA priority patent/SG11202013156UA/en
Priority to JP2021515101A priority patent/JP7186287B2/ja
Priority to TW108137264A priority patent/TWI779238B/zh
Priority to US17/138,746 priority patent/US20210158533A1/en
Application granted granted Critical
Publication of CN110047078B publication Critical patent/CN110047078B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • G06T2207/20044—Skeletonization; Medial axis transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本公开涉及一种图像处理方法及装置、电子设备和存储介质，所述方法包括：对待处理图像进行特征提取，得到中间处理图像；对中间处理图像进行分割处理，得到第一分割结果；根据第一分割结果的结构信息，对第一分割结果进行结构重构，得到待处理图像中目标对象的最终分割结果。本公开实施例可以实现根据待处理图像中目标对象的结构信息，对待处理图像的分割结果进行进一步的修正，从而提高分割结果的完整性和准确性，继而提升图像处理的精度。

Description

图像处理方法及装置、电子设备和存储介质
技术领域
本公开涉及图像处理技术领域，尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
人体的肺部是新陈代谢产生气体的交换场所，包含丰富的气管和血管组织，结构较为复杂，且肺部血管动静脉相互缠绕、相伴而行，进一步增加了分割难度，因此，如何对肺部图像中的血管实现较为精确的分割，成为了目前一个亟待解决的问题。
发明内容
本公开提出了一种图像处理技术方案。
根据本公开的一方面，提供了一种图像处理方法，包括：对待处理图像进行特征提取，得到中间处理图像；对所述中间处理图像进行分割处理，得到第一分割结果；根据所述第一分割结果的结构信息，对所述第一分割结果进行结构重构，得到所述待处理图像中目标对象的最终分割结果。
在本公开实施例中，通过对待处理图像进行特征提取后进行分割处理，得到初步的分割结果，再基于此初步的分割结果，利用其中的结构信息进行结构重构，可以得到待处理图像中目标对象的最终分割结果。通过上述过程可以根据待处理图像中目标对象的结构信息，对待处理图像的分割结果进行进一步的修正，从而提高分割结果的完整性和准确性，继而提升图像处理的精度。
在一种可能的实现方式中，所述对待处理图像进行特征提取，得到中间处理图像，包括：按照预定方向，对所述待处理图像进行切割，得到多个待处理子图像；对每个所述待处理子图像进行特征提取，得到与每个待处理子图像分别对应的中间处理子图像；根据所述预定方向，将所有所述中间处理子图像进行拼接，得到中间处理图像。
在本公开实施例中，通过对待处理图像进行切割后得到多个待处理子图像，再分别对每一个待处理子图像进行特征提取，然后再根据预定方向将经由特征提取得到的多个中间处理子图像进行拼接，则可以得到相应的中间处理图像，通过这一过程，可以在待处理图像过大时，将待处理图像切割成多个大小适宜的待处理子图像，从而有效减少特征提取的输入图像的大小，避免由于输入图像过大导致特征提取结果的准确性降低，从而提升特征提取的精度，使得得到的中间处理图像具有较高的准确性，继而提升整个图像处理过程的精度，同时，也避免了待处理图像过大导致的内存溢出，可以有效降低内存消耗。
在一种可能的实现方式中，所述按照预定方向，对所述待处理图像进行切割，得到多个待处理子图像，包括：在所述待处理图像上确定多个切割中心；按照预定方向，根据所述切割中心的位置，对所述待处理图像进行切割，得到多个待处理子图像，其中，每个切割中心分别位于对应的待处理子图像的中心，相邻的待处理子图像之间存在重叠区域。
在本公开实施例中，通过切割使得相邻的待处理子图像之间存在重叠区域，可以避免部分由于对待处理图像切割导致部分目标对象相关图像信息的丢失，从而提升得到的特征提取结果的完整程度和准确程度，继而提升最终得到的分割结果的精度和完整程度，即提高图像处理的精度。
在一种可能的实现方式中，所述按照预定方向，所述对所述待处理图像进行切割，得到多个待处理子图像之前，还包括：对所述待处理图像在除所述预定方向以外的方向，根据预定参数进行缩放处理。
在本公开实施例中，通过对待处理图像在除预定方向以外的方向进行缩放处理，可以对待处理图像的尺寸进行统一，从而方便后续的图像处理的进行，提高图像处理的效率。
在一种可能的实现方式中，所述对待处理图像进行特征提取，得到中间处理图像之前，还包括：获取训练样本数据集；根据所述训练样本数据集，训练用于进行特征提取的神经网络。
在本公开实施例中，通过训练用于进行特征提取的神经网络，可以通过神经网络实现对待处理图像的特征提取，从而提高得到的中间处理图像的精度，继而可以提高图像处理的精度。
在一种可能的实现方式中，所述获取训练样本数据集包括：对原始数据进行修正，得到修正标注数据；根据所述修正标注数据得到训练样本数据集。
在本公开实施例中，通过对原始数据进行修正来得到标注数据，可以提高训练数据的质量，从而提高训练得到的神经网络的精度，继而可以提高特征提取的精度来进一步提高图像处理的精度。
在一种可能的实现方式中，所述根据所述训练样本数据集，训练用于进行特征提取的神经网络，包括：根据所述训练样本数据集，结合预设的权重系数，分别得到所述神经网络的全局损失和假阳惩罚损失；根据所述全局损失和所述假阳惩罚损失，确定所述神经网络的损失函数；根据所述损失函数反向传播来训练所述神经网络。
在本公开实施例中，通过上述形式的损失函数，可以有效地减小由于目标对象在整体图片中所占比例较小，导致的训练得到的神经网络具有高假阳率低召回率的问题，因此可以提高训练得到的神经网络的准确程度，从而提高对待处理图像进行特征提取得到的中间处理图像的精度，继而提高最终分割结果的精度，提高图像处理的准确性。
在一种可能的实现方式中，所述对所述中间处理图像进行分割处理，得到第一分割结果，包括：通过Grow Cut对所述中间处理图像进行分割处理，得到第一分割结果，其中，所述Grow Cut通过深度学习框架在图形处理器中实现。
在本公开实施例中，在通过Grow Cut对中间处理图像进行分割处理时，将GrowCut通过深度学习框架在GPU中实现，可以使得分割处理的速度得到极大提升，从而可以有效的提升整个图像处理方法的速度。
在一种可能的实现方式中，所述根据所述第一分割结果的结构信息，对所述第一分割结果进行结构重构，得到所述待处理图像中目标对象的最终分割结果，包括：对所述第一分割结果进行中心提取，得到中心区域图像和距离场数值集合，其中，所述距离场数值集合为所述中心区域图像上的所有体素点与所述第一分割结果内目标对象的边界之间的距离场数值的集合；根据所述中心区域图像，生成所述目标对象的第一拓扑结构图；对所述第一拓扑结构图进行连通处理，得到第二拓扑结构图；根据所述距离场数值集合，对所述第二拓扑结构图进行结构重构，得到所述待处理图像中目标对象的最终分割结果。
在本公开实施例中，通过基于第一分割结果进行结构化重构，即基于真实数据来进行结构化重构，可以使得最终分割结果具有更高的真实性。
在一种可能的实现方式中，所述对所述第一拓扑结构图进行连通处理，得到第二拓扑结构图，包括：提取所述第一拓扑结构图中所述目标对象对应的连通区域；移除所述第一拓扑结构图中与所述连通区域的连通值低于连通阈值的体素点，得到第二拓扑结构图。
在本公开实施例中，通过对第一拓扑结构图进行连通处理，得到第二拓扑结构图，这一过程可以有效的提升第一分割结果的连通性，移除掉第一分割结果中的噪声点，对第一分割结果进行有效修正，提高得到的最终分割结果的准确性。
在一种可能的实现方式中，根据所述距离场数值集合，对所述第二拓扑结构图进行结构重构，得到所述待处理图像中目标对象的最终分割结果，包括：以所述第二拓扑结构图中的每个点为球心，所述距离场数值集合中的每个距离场数值为半径，进行绘制，将所述绘制包括的重叠区域添加至所述第二拓扑结构图中，得到所述待处理图像中目标对象的最终分割结果。
在本公开实施例中，通过利用第二拓扑结构图和距离场数值集合对目标对象进行结构化重构，得到的最终分割结果，可以有效的体现目标对象的各节点和分支信息，具有较高的精度。
在一种可能的实现方式中，所述对待处理图像进行特征提取，得到中间处理图像之前，还包括：对所述待处理图像进行预处理，其中，所述预处理包括：重采样、数值限定以及归一化中的一种或多种。
在本公开实施例中，通过对待处理图像进行预处理，可以提高后续对待处理图像依次进行特征提取、分割处理和结构重构的处理效率，缩短整个图像处理过程的时间，同时也可以提升图像分割的准确程度，从而提高图像处理结果的精度。
根据本公开的一方面，提供了一种图像处理装置，包括：特征提取模块，用于对待处理图像进行特征提取，得到中间处理图像；分割模块，用于对所述中间处理图像进行分割处理，得到第一分割结果；结构重构模块，用于根据所述第一分割结果的结构信息，对所述第一分割结果进行结构重构，得到所述待处理图像中目标对象的最终分割结果。
在一种可能的实现方式中，所述特征提取模块包括：切割子模块，用于按照预定方向，对所述待处理图像进行切割，得到多个待处理子图像；特征提取子模块，用于对每个所述待处理子图像进行特征提取，得到与每个待处理子图像分别对应的中间处理子图像；拼接子模块，用于根据所述预定方向，将所有所述中间处理子图像进行拼接，得到中间处理图像。
在一种可能的实现方式中，所述切割子模块用于：在所述待处理图像上确定多个切割中心；按照预定方向，根据所述切割中心的位置，对所述待处理图像进行切割，得到多个待处理子图像，其中，每个切割中心分别位于对应的待处理子图像的中心，相邻的待处理子图像之间存在重叠区域。
在一种可能的实现方式中，所述切割子模块之前还包括缩放子模块，所述缩放子模块用于：对所述待处理图像在除所述预定方向以外的方向，根据预定参数进行缩放处理。
在一种可能的实现方式中，所述特征提取模块之前还包括训练模块，所述训练模块包括：样本获取子模块，用于获取训练样本数据集；训练子模块，用于根据所述训练样本数据集，训练用于进行特征提取的神经网络。
在一种可能的实现方式中，所述样本获取子模块用于：对原始数据进行修正，得到修正标注数据；根据所述修正标注数据得到训练样本数据集。
在一种可能的实现方式中，所述训练子模块用于：根据所述训练样本数据集，结合预设的权重系数，分别得到所述神经网络的全局损失和假阳惩罚损失；根据所述全局损失和所述假阳惩罚损失，确定所述神经网络的损失函数；根据所述损失函数反向传播来训练所述神经网络。
在一种可能的实现方式中，所述分割模块用于：通过Grow Cut对所述中间处理图像进行分割处理，得到第一分割结果，其中，所述Grow Cut通过深度学习框架在图形处理器中实现。
在一种可能的实现方式中，所述结构重构模块包括：中心提取子模块，用于对所述第一分割结果进行中心提取，得到中心区域图像和距离场数值集合，其中，所述距离场数值集合为所述中心区域图像上的所有体素点与所述第一分割结果内目标对象的边界之间的距离场数值的集合；拓扑结构生成子模块，用于根据所述中心区域图像，生成所述目标对象的第一拓扑结构图；连通处理子模块，用于对所述第一拓扑结构图进行连通处理，得到第二拓扑结构图；结构重构子模块，用于根据所述距离场数值集合，对所述第二拓扑结构图进行结构重构，得到所述待处理图像中目标对象的最终分割结果。
在一种可能的实现方式中，所述连通处理子模块用于：提取所述第一拓扑结构图中所述目标对象对应的连通区域；移除所述第一拓扑结构图中与所述连通区域的连通值低于连通阈值的体素点，得到第二拓扑结构图。
在一种可能的实现方式中，所述结构重构子模块用于：以所述第二拓扑结构图中的每个点为球心，所述距离场数值集合中的每个距离场数值为半径，进行绘制，将所述绘制包括的重叠区域添加至所述第二拓扑结构图中，得到所述待处理图像中目标对象的最终分割结果。
在一种可能的实现方式中，所述特征提取模块之前还包括预处理模块，所述预处理模块用于：对所述待处理图像进行预处理，其中，所述预处理包括：重采样、数值限定以及归一化中的一种或多种。
根据本公开的一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述图像处理方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述图像处理方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开一实施例的图像处理方法的流程图。
图2示出根据本公开一实施例的图像处理方法的流程图。
图3示出根据本公开一实施例的Unet++网络的结构示意图。
图4示出根据本公开一实施例的ResVNet网络的结构示意图。
图5示出根据本公开一实施例的冗余切割的过程示意图。
图6示出根据本公开一实施例的图像处理方法的流程图。
图7示出根据本公开一实施例的图像处理方法的流程图。
图8示出根据本公开一实施例的图像处理方法的流程图。
图9示出根据本公开一实施例的图像处理方法的流程图。
图10示出根据本公开一实施例的第一拓扑结构图的示意图。
图11示出根据本公开一实施例的图像处理方法的流程图。
图12示出根据本公开一实施例的进行连通处理的示意图。
图13示出根据本公开一应用示例的示意图。
图14示出根据本公开一实施例的图像处理装置的框图。
图15示出根据本公开实施例的一种电子设备的框图。
图16示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图1示出根据本公开一实施例的图像处理方法的流程图，该方法可以应用于图像处理装置，图像处理装置可以为终端设备、服务器或者其他处理设备等。其中，终端设备可以为用户设备(User Equipment，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(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。
在一些可能的实现方式中，该图像处理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。
如图1所示，所述图像处理方法可以包括：
步骤S11，对待处理图像进行特征提取，得到中间处理图像。
步骤S12，对中间处理图像进行分割处理，得到第一分割结果。
步骤S13，根据第一分割结果的结构信息，对第一分割结果进行结构重构，得到待处理图像中目标对象的最终分割结果。
本公开实施例中，用于进行图像处理的待处理图像可以是三维图像，也可以是二维图像，可以根据实际情况进行选择，在本公开实施例中不受限制，需要注意的是，如果待处理图像为三维图像，则该待处理图像由多个体素点共同构成，如果待处理图像为二维图像，则该待处理图像由多个像素点共同构成，在后续各公开实施例中，均以三维图像为示例，因此均用体素点进行描述，后续不再赘述。用于进行图像处理的待处理图像的数量在本公开实施例中也不受限制，可以是一张，也可以是多张，根据实际情况进行确定即可。
其中，本公开实施例的图像处理方法可以应用于肺部图像的处理，例如，用于识别肺部图像中的目标区域，该目标区域可以是肺部图像中的血管树，也可以是肺部图像中的其他器官、病灶、组织等等。在一种可能的实现方式中，本公开实施例的图像处理方法可以应用于肺癌病灶切除手术过程中，可以通过本公开实施例的图像处理方法，确定切除区域；在一个示例中，本公开实施例的图像处理方法可以应用于肺血管相关疾病的诊断，可以通过本公开实施例的图像处理方法，确定肺部血管树的视觉形态在三维空间中的变化，从而辅助医生对相关疾病进行诊断。
需要说明的是，本公开实施例的图像处理方法不限于应用在肺部图像处理，可以应用于任意的图像处理，在一个示例中，本公开实施例的图像处理方法可以应用于其他器官或组织内的血管结构的分割；在一个示例中，本公开实施例的图像处理方法可以应用于其他器官或组织内的病灶的分割，本公开对此不作限定。
本公开实施例的图像处理方法，通过对待处理图像进行特征提取后，进行分割处理，从而得到初步的分割结果，基于此初步的分割结果，可以利用其中包含的结构信息，对其进行结构重构，从而得到待处理图像中目标对象的最终分割结果，通过这一过程，在初步的分割结果的基础上进行结构重构来得到最终的分割结果，与直接通过分割处理得到分割结果相比，可以对初步的分割结果进行进一步精细修正，从而可以使得最终分割结果包含更为准确的结构化信息，继而提升分割结果的完整性和准确性，从而提升图像处理的精度。
步骤S11的实现方式不受限定，任何可以对待处理图像进行特征提取的方法均可以作为步骤S11的实现方式。在一种可能的实现方式中，可以直接对完整的待处理图像进行提取，将输出结果作为中间处理图像。图2示出根据本公开一实施例的图像处理方法的流程图，如图所示，在一种可能的实现方式中，步骤S11可以包括：
步骤S111，按照预定方向，对待处理图像进行切割，得到多个待处理子图像。
步骤S112，对每个待处理子图像进行特征提取，得到与每个待处理子图像分别对应的中间处理子图像。
步骤S113，根据预定方向，将所有中间处理子图像进行拼接，得到中间处理图像。
上述过程中，对待处理图像进行切割的预定方向不受限定，可以根据实际情况进行确定，在此不做限定。在一种可能的实现方式中，待处理图像可以是三维图像，包含有矢向x、冠向y和轴向z共三个方向，在一个示例中，预定方向可以是轴向z方向，此时可以对待处理图像沿着z向进行切割，得到多个相应的三维待处理子图像；在一个示例中，预定方向可以是矢向x方向，此时可以对待处理图像沿着x向进行切割，得到多个相应的三维待处理子图像。在一种可能的实现方式中，待处理图像可以是二维图像，包含有矢向x和冠向y共两个方向，在一个示例中，预定方向可以是矢向x方向，此时可以对待处理图像沿着x向进行切割，得到多个相应的二维待处理子图像；在一个示例中，预定方向可以是冠向y方向，此时可以对待处理图像沿着y向进行切割，得到多个相应的二维待处理子图像；在一个示例中，预定方向可以同时包含矢向x方向和冠向y方向，此时可以对待处理图像沿着x向和y向同时进行切割，得到多个相应的二维待处理子图像。
切割后得到的多个待处理子图像，其数量和大小也均不受限定，可以根据实际切割的方式以及被切割的待处理图像的大小来确定，在此不做具体数值上的限制。
上述步骤中，特征提取的方式也不受限定，在一种可能的实现方式中，可以通过神经网络来实现特征提取。在通过神经网络来进行特征提取时，具体使用何种神经网络在此也不受限定，可以根据实际情况进行灵活选择。在一种可能的实现方式中，可以通过3D卷积神经网络完成特征提取；在一个示例中，通过3D卷积神经网络对待处理子图像进行特征提取的具体过程可以为：将待处理子图像作为一个单通道体素块输入到3D卷积神经网络中，经由3D卷积神经网络的处理，可以得到相应的输出结果，即与输入的待处理子图像大小相同的2通道张量，两通道的其中一个代表每个体素点属于背景的概率，两通道的另一个代表每个体素点属于目标对象的概率。由于3D卷积神经网络有多种可能的实现方式，因此，在本公开实施例中，具体使用哪一具体的3D卷积神经网络也不受限定，可以根据实际情况进行确定，不局限于本公开实施例中所提出的示例。在一个示例中，进行特征提取的3D卷积神经网络可以为Unet++网络，图3示出根据本公开一实施例的Unet++网络的结构示意图，如图所示，在一个示例中，利用Unet++网络，可以通过多次下采样和对应的上采样过程以及跳跃连接过程，产生不同分辨率和多尺度大小的多层输出，将这些多层输出进行结合，可以得到最终以概率图形式存在的特征提取结果。在一个示例中，进行特征提取的3D卷积神经网络可以为ResVNet网络，图4示出根据本公开一实施例的ResVNet网络的结构示意图，如图所示，在一个示例中，利用ResVNet网络，可以通过与上述示例中不同的下采样和上采样过程，结合适用于本网络中的跳跃连接过程，产生不同分辨率和多尺度大小的多层输出，将这些多层输出进行结合，可以得到最终以概率图形式存在的特征提取结果。
通过对待处理图像进行切割后得到多个待处理子图像，再分别对每一个待处理子图像进行特征提取，然后再根据预定方向将经由特征提取得到的多个中间处理子图像进行拼接，则可以得到相应的中间处理图像，通过这一过程，可以在待处理图像过大时，将待处理图像切割成多个大小适宜的待处理子图像，从而有效减少特征提取的输入图像的大小，避免由于输入图像过大导致特征提取结果的准确性降低，从而提升特征提取的精度，使得得到的中间处理图像具有较高的准确性，继而提升整个图像处理过程的精度，同时，也避免了待处理图像过大导致的内存溢出，可以有效降低内存消耗。
上述公开实施例中已经提出，步骤S111得到的多个待处理子图像，其数量和大小均不受限定，可以根据实际的切割情况进行确定。而实际上，步骤S111的具体实现方式也不受限定，即对待处理图像的切割方式不局限于某一种固定的方式，任何可以不丢失待处理图像中任意图像信息的切割方法，均可以作为步骤S111的实现方式。
在一种可能的实现方式中，步骤S111的实现方式可以为不冗余切割，此时步骤S111可以包括：在待处理图像上确定多个切割中心；按照预定方向，根据切割中心的位置，对待处理图像进行切割，得到多个待处理子图像，其中，每个切割中心分别位于对应的待处理子图像的中心，相邻的待处理子图像之间不存在重叠区域。此时，如果将这些待处理子图像在预定方向上依次进行拼接，可以还原成原有的完整待处理图像。在这一不冗余切割的过程中，切割中心的数量不受限定，可以根据实际情况进行灵活选择，即最终得到的待处理子图像的数量不受限定。被切割得到的多个待处理子图像，其在预定方向的长度，可以相同，也可以不同，即切割时可以为对待处理图像进行平均切割，也可以为对待处理图像进行不平均切割。
在一种可能的实现方式中，步骤S111的实现方式可以为冗余切割，此时步骤S111可以包括：在待处理图像上确定多个切割中心；按照预定方向，根据切割中心的位置，对待处理图像进行切割，得到多个待处理子图像，其中，每个切割中心分别位于对应的待处理子图像的中心，相邻的待处理子图像之间存在重叠区域。此时，如果将这些相邻的待处理子图像在预定方向上进行拼接，则除了得到完整的待处理图像外，在这一完整的待处理图像上，任意两个相邻的待处理子图像之间都会冗余出一块图像块。在这一冗余切割的过程中，切割中心的数量不受限定，可以根据实际情况进行灵活选择，即最终得到的待处理子图像的数量不受限定。除此之外，在这一冗余切割的过程中，被切割得到的多个待处理子图像，其在预定方向的长度，可以相同，也可以不同，即切割时可以为对待处理图像进行平均切割，也可以为对待处理图像进行不平均切割。
图5示出根据本公开一实施例的冗余切割的过程示意图，如图所示，在一个示例中，被切割的待处理图像为三维图像，其大小可以记为z×x×y，本示例中冗余切割的预定方向为z向，且对该待处理图像进行的切割为平均切割，则从图中可以看出，对该待处理图像进行切割的具体过程可以为：首先在该待处理图像上确定3个切割中心，然后在z方向上，分别在这3个切割中心的上方和下方各取24个体素点的长度进行切割，因而最终得到了3个相邻位置均具有重叠区域的待处理子图像，每个待处理子图像的大小为48×x×y，第1个待处理子图像与第2个待处理子图像之间存在8×x×y大小的重叠区域，第2个待处理子图像与第3个待处理子图像之间也存在8×x×y大小的重叠区域。
通过对待处理图像采用冗余切割的方式进行切割，可以避免部分由于对待处理图像切割导致部分目标对象相关图像信息的丢失，从而提升得到的特征提取结果的完整程度和准确程度，继而提升最终得到的分割结果的精度和完整程度，即提高图像处理的精度。在一种可能的实现方式中，也可以将冗余切割和不冗余切割两种方式进行结合，即根据实际情况灵活选择对待处理图像中的部分区域采用冗余切割，对剩余区域采用不冗余切割。
由于步骤S111的实现方式不受限定，因此与之相对的步骤S113，其实现方式也与不受限定，可以根据步骤S111的具体实现过程进行确定。在一种可能的实现方式中，步骤S111可能采取的是不冗余切割的切割方式，此时与之相对的，步骤S113的实现过程可以为：将所有中间处理子图像按照预定方向依次进行拼接，得到中间处理图像。在一种可能的实现方式中，步骤S111可能采取的是冗余切割的切割方式，此时与之相对的，步骤S113的实现过程可以为：将所有中间处理子图像按照预定方向依次进行拼接，其中，对相邻中间处理子图像之间的重叠区域，取对应的两个相邻中间处理子图像的平均值，作为该重叠区域的值。在一个示例中，针对于上述图5对应示例的切割结果，拼接的过程可以为：如图所示，切割后得到的3个待处理子图像，分别经过特征提取得到3个对应的中间处理子图像，将这3个中间处理子图像分别记为中间处理子图像1、中间处理子图像2和中间处理子图像3，在z方向上，依次将三个中间处理子图像进行拼接，则中间处理子图像1和中间处理子图像2之间相应的存在重叠区域，记为重叠区域1，中间处理子图像2和中间处理子图像3之间相应的存在重叠区域，记为重叠区域2，由于这3个中间处理子图像均可以表现为概率图的形式，因此针对于重叠区域1，其概率值可以取中间处理子图像1在此区域的概率值和中间处理子图像2在此区域的概率值的平均值，针对于重叠区域2，其概率值可以取中间处理子图像2在此区域的概率值和中间处理子图像3在此区域的概率值的平均值，针对于非重叠区域，其概率值直接采用该区域对应的中间处理子图像的概率值即可，则此时可以得到完整的待处理图像对应的中间处理图像，该中间处理图像以概率图的形式存在。
除上述各公开实施例以外，在步骤S11的过程中，在步骤S111之前，还可以包括：对待处理图像在除预定方向以外的方向，根据预定参数进行缩放处理。由于特征提取可能是通过神经网络来实现，为了提高特征提取的处理效率，可以考虑将待处理图像在尺寸上进行统一，因此可以对待处理图像进行缩放处理，由于输入到神经网络的待处理子图像，是待处理图像在预定方向上进行切割后得到的，因此对于这些待处理子图像，其在预定方向上的大小可以通过调整切割方式的形式进行统一，因此在步骤S111之前，可以考虑只对待处理图像在除预定方向以外的方向进行缩放。在一个示例中，待处理图像可以是三维图像，包含有矢向x、冠向y和轴向z共三个方向，预定方向可以是轴向z方向，则此时可以在x方向和y方向上对待处理图像按照预定参数进行缩放。在一个示例中，待处理图像可以是二维图像，包含有矢向x和冠向y共两个方向，预定方向可以是矢向x方向，则此时可以在y方向上对待处理图像按照预定参数进行缩放。预定参数可以根据实际情况灵活确定，在此不受限定，任何可以使得待处理图像缩放后适合用于后续进行特征提取的预定参数，均适用于本方法。在一个示例中，待处理图像可以是三维图像，包含有矢向x、冠向y和轴向z共三个方向，预定方向可以是轴向z方向，预定参数可以是x方向为16的倍数，y方向也为16的倍数，则此时可以在x方向和y方向上对待处理图像按照预定参数进行缩放，即将待处理图像在x方向和y方向上均向上取整到16的整数倍。
通过上述公开实施例中可以看出，由于图像处理方法中需要进行特征提取，在一种可能的实现方式中，特征提取可以通过神经网络来进行实现，而神经网络的具体网络结构，是需要通过训练来得到的。因此本公开实施例中提出的方法，在步骤S11之前，还可以包括对神经网络的训练步骤S10，S10的具体实现方式不受限定，图6示出根据本公开一实施例的图像处理方法的流程图，如图所示，在一种可能的实现方式中，步骤S10可以包括：
步骤S101，获取训练样本数据集。
步骤S102，根据训练样本数据集，训练用于进行特征提取的神经网络。
其中，步骤S101的实现方式不受限定，图7示出根据本公开一实施例的图像处理方法的流程图，如图所示，在一种可能的实现方式中，步骤S101可以包括：
步骤S1011，对原始数据进行修正，得到修正标注数据。
步骤S1012，根据修正标注数据得到训练样本数据集。
在一种可能的实现方式中，原始数据可以是根据传统的神经网络中训练数据生成方法所生成的掩模mask标注数据，在一个示例中，在目标对象为肺部血管树时，由于肺部血管关系复杂，通过传统的神经网络中训练数据生成方法，生成的原始数据往往具有较低的质量，从而影响最终得到的训练后的神经网络的精确程度。因此，在一种可能的实现方式中，可以通过对原始数据进行修正来得到标注数据的方式，来提高训练数据的质量，在一个示例中，步骤S1011的实现方式可以为：通过传统方法生成mask标注数据，由专业人士进行手动修正，来得到精度较高可用于训练的标注数据，其中，传统方法生成mask表示数据的实现方式不受限定，在一个示例中，生成mask标注数据时可以设定mask阈值为0.02，高于该阈值的体素点为前景，标注为1，低于该阈值的体素点为后景，标注为0。在一种可能的实现方式中，通过步骤S24得到训练样本数据集时，可以对训练样本数据集中的数据值进行范围限定，具体限定方式不受限制，在一个示例中，可以将训练时数值范围限定为[-0.5,0.5]。
步骤S1012的实现方式同样不受限定，在一种可能的实现方式中，修正标注数据可以包括多个完整训练样本图像，修正标注数据包含的完整训练样本图像的数量在此不受限定，可以根据实际情况灵活选择。在一种可能的实现方式中，完整训练样本图像可以包含目标对象已被修正标注的完整的肺部图像，在一个示例中，目标对象可以为血管树，此时的完整训练样本图像可以包括已被修正标注了血管树的肺部图像，且此肺部图像未被切割，是原始的完整图像。
因此，在一种可能的实现方式中，步骤S1012可以包括：直接将所有完整训练样本图像作为训练样本数据集。然而，通过上述各公开实施例可以看出，由于进行特征提取的对象可能是对肺部图像切割后得到的肺部子图像，因此输入到用于进行特征提取的神经网络的图像也可以为肺部子图像，即基于完整肺部图像切割后得到的肺部子图像。为了使神经网络适合于对切割后的肺部子图像进行特征提取，在一种可能的实现方式中，用于训练神经网络的训练样本数据集中，包含的图像也可以是对完整训练样本图像进行切割后得到的训练样本子图像。因此，在一种可能的实现方式中，步骤S1012可以包括：对完整训练样本图像进行切割，得到训练样本子图像，作为训练样本数据集。在一个示例中，对完整训练样本图像进行切割，得到训练样本子图像，可以包括：
将完整训练样本图像按照除预定方向以外的方向缩放至预设大小，在预定方向上保持完整训练样本图像的大小不变，使完整训练样本图像进行尺寸统一，得到缩放后的完整训练样本图像。
将所有缩放后的完整训练样本图像按照预定方向进行级联，得到级联训练样本图像。
对级联训练样本图像进行随机切割取样，得到训练样本子图像。
在一种可能的实现方式中，完整训练样本图像缩放到的预设大小，其具体的尺寸值不受限定，在一个示例中，完整训练样本图像可以为三维图像，包含矢向x、冠向y和轴向z共三个方向，其中预定方向为z向，矢向x和冠向y的缩放预设大小均为320，因此可以对尺寸为z×x×y的完整训练样本图像在x方向和y方向上进行缩放，得到的缩放后的完整训练样本图像大小为z×320×320。
在一个示例中，将所有缩放后的完整训练样本图像按照预定方向进行级联，得到级联训练样本图像的过程可以为：在本公开示例中，完整训练样本图像的数量共计有n个，对这n个完整训练样本图像通过上述示例进行缩放，则可以得到n个大小分别为zi×320×320的体素块，即n个缩放后的完整训练样本图像，其中，zi代表第i个完整训练样本在z方向上的尺寸，i的取值为从1到n。将这n个体素块在z方向上进行级联，则可以得到维度为n×z×320×320的级联体素块，根据这n个缩放后的完整训练样本图像在z方向上的尺寸，可以确定在z方向上进行随机取样时z方向上可选的数值范围。
得到上述级联训练样本图像后，则可以对级联训练样本图像进行随机切割取样，得到训练样本子图像，在一个示例中，得到的级联训练样本图像为上述公开示例中的级联训练样本，此时可以沿z轴，对级联训练样本图像进行随机取样，需要注意的是，随机取样的过程虽然是随机的，但最终得出的所有训练样本子图像，需要可以包含所有标注数据对应的完整训练样本图像内的训练数据，在一个示例中，取样过程可以为：首先可以通过随机值计算生成一个整数j，这个整数j代表在级联训练样本图像中选定第j个缩放后的完整训练样本图像，然后在第j个缩放后的完整训练样本图像的z轴方向上，随机计算取样中心的坐标，基于此随机取样中心的坐标，从这第j个缩放后的完整训练样本图像切割一个预设高度值的体素块，在一个示例中，这一预设高度值可以为16。
通过上述各公开的实施例，可以得到训练样本数据集，根据得到的训练样本数据集，可以通过步骤S102训练用于进行特征提取的神经网络，步骤S102的实现方式同样不受限定，图8示出根据本公开一实施例的图像处理方法的流程图，如图所示，在一种可能的实现方式中，步骤S102可以包括：
步骤S1021，根据训练样本数据集，结合预设的权重系数，分别得到神经网络的全局损失和假阳惩罚损失。
步骤S1022，根据全局损失和假阳惩罚损失，确定神经网络的损失函数。
步骤S1023，根据损失函数反向传播来训练神经网络。
步骤S1021的实现方式不受限定，在一种可能的实现方式中，步骤S1021的实现方式可以包括：根据训练样本数据集，结合第一权重系数，得到神经网络的全局损失；根据训练样本数据集，结合第一权重系数和第二权重系数，得到神经网络的假阳惩罚损失。
在一种可能的实现方式中，根据训练样本数据集，结合第一权重系数，得到神经网络的全局损失，可以包括：通过调整第一权重系数，增加目标对象的损失权重，得到神经网络的全局损失。在一个示例中，神经网络的全局损失的具体实现方式可以为：
Figure BDA0002032843620000101
其中，L1(W)为神经网络的全局损失，Y+为正样本集合，Y-为负样本集合，P(yj＝1|X；W)为预测yj属于正样本的概率值，P(yj＝0|X；W)为预测yj属于负样本的概率值。
由于目标对象作为前景，在整个肺部图像中所占比例较小，如果采用普通的全局损失函数，很容易由于前后景比例的不平衡而导致整个神经网络在对图像进行特征提取时产生过分割的情况，通过引入Y+和Y-这两个第一权重系数，可以对占比较小的目标对象所带来的损失给予更大的权重，同时采用上述公开示例中的全局损失函数，可以使得无论训练数据集的具体大小如何，都可以保证目标对象与背景之间的平衡过程具有数值稳定性，即训练过程可以保证梯度稳定。
在一种可能的实现方式中，根据训练样本数据集，结合第一权重系数和第二权重系数，得到神经网络的假阳惩罚损失，可以包括：在第一权重系数的基础上，通过引入第二权重系数，得到用于惩罚神经网络错误预测的假阳惩罚损失。在一个示例中，假阳惩罚损失的具体实现方式可以为：
Figure BDA0002032843620000111
Figure BDA0002032843620000112
Figure BDA0002032843620000113
其中，L2(W)为神经网络的假阳惩罚损失，Yf+为假阳性预测集合，Yf-为假阴性预测集合，Y+为正样本集合，Y-为负样本集合，P(yj＝1|X；W)为预测yj属于正样本的概率值，P(yj＝0|X；W)为预测yj属于负样本的概率值，γ1为假阳预测的权重系数，γ2为假阴预测的权重系数，γ1和γ2的取值依据为错误预测概率与中间值之差的绝对值，中间值的取值可以根据任务的类别而灵活确定，在本公开示例中，中间值的取值为0.5。
通过上述公开示例可以看出，由于目标对象作为前景，在整个肺部图像中所占比例较小，如果采用普通的全局损失函数，很容易由于前后景比例的不平衡而导致整个神经网络在对图像进行特征提取时产生过分割的情况，因此神经网络在训练过程中产生的预测结果往往具有较高的假阳率和低召回率，为了减少高假阳率低召回率的问题，通过引入γ1和γ2这两个第二权重系数，可以对神经网络的错误预测进行惩罚，从而降低神经网络在预测过程中的假阳率，提高神经网络的训练准确度。
基于上述公开示例，在一种可能的实现方式中，步骤S1022的实现方式可以为：通过将全局损失的函数和假阳惩罚损失的函数相加，得到神经网络的损失函数，即L(W)＝L1(W)+L2(W)，其中，L(W)为神经网络的损失函数。
在训练神经网络的过程中，除了可以通过上述损失函数来调整神经网络的参数以外，还可以通过一些评价函数来评价训练的神经网络的优劣，具体选用哪种评价函数并不受限定，可以根据实际情况灵活选择，在一种可能的实现方式中，可以通过Dice函数来作为评价函数，在一个示例中，Dice函数的具体表达式为：
Figure BDA0002032843620000114
其中，D为评价结果，V表示肺部图片中所有的体素点，pi为第i个体素点被预测为目标对象的概率，li为第i个体素点的实际标签。
通过根据训练样本数据集，结合预设的权重系数，分别得到神经网络的全局损失和假阳惩罚损失，再根据全局损失和假阳惩罚损失，确定神经网络的损失函数，最后根据损失函数反向传播来训练神经网络，可以有效地减小由于目标对象在整体图片中所占比例较小，导致的训练得到的神经网络具有高假阳率低召回率的问题，因此可以提高训练得到的神经网络的准确程度，从而提高对待处理图像进行特征提取得到的中间处理图像的精度，继而提高最终分割结果的精度，提高图像处理的准确性。
在通过上述各公开实施例的任意组合形式得到中间处理图像后，可以通过步骤S12，对中间处理图像进行分割处理来得到第一分割结果。步骤S12的实现形式同样不受限定，任何可以对中间处理图像来进行分割从而得到第一分割结果的方式均可以作为步骤S12的实现形式。
在一种可能的实现方式中，步骤S12可以包括：通过Grow Cut对所述中间处理图像进行分割处理，得到第一分割结果，其中，所述Grow Cut通过深度学习框架在图形处理器中实现。Grow Cut是一种交互式图像分割方法，在一个示例中，利用Grow Cut对中间处理图像进行分割得到第一分割结果的具体过程可以为：
首先可以设置Grow Cut方法中，种子点的高阈值和低阈值，具体的设定值在此不做限定，根据实际情况进行选择即可。设置了种子点的高、低阈值后，则可以规定低阈值以下的点作为后景种子点，即代表非目标对象所在的背景区域，标记为0；高阈值以上的点作为前景种子点，即代表目标所在的区域，标记为1；种子点的强度数值可以设定为1，由于上述公开实施例中提出过，中间处理图像可以为2通道张量，两通道的其中一个代表每个体素点属于背景的概率，两通道的另一个代表每个体素点属于目标对象的概率，因此通过上述设定，可以得到中间处理图像中每个体素点的2通道初始状态向量。
在得到了中间处理图像中每个体素点的2通道初始状态向量后，可以设置邻居范围window size，并以种子点为起点，依次比较邻居点状态，若满足以下条件：
Figure BDA0002032843620000121
Figure BDA0002032843620000122
其中，p为代表守护者的体素点，q为代表入侵者的体素点，
Figure BDA0002032843620000123
为代表守护者的体素点的特征向量，
Figure BDA0002032843620000124
为代表入侵者的体素点的特征向量，
Figure BDA0002032843620000125
为代表入侵者的体素点和代表守护者的体素点之间特征向量的距离，
Figure BDA0002032843620000127
为代表守护者的体素点的能量值，
Figure BDA0002032843620000128
为代表入侵者的体素点的能量值，g(x)为[0,1]之间的随x单调递减的函数，且不限定于上述形式，
Figure BDA0002032843620000126
为体素点的特征向量能取到的最大值。
则代表入侵者的体素点所具有的能量大于代表守护者的体素点所具有的能量，此时代表入侵者的体素点可以将代表守护者的体素点吞并，此时可以更新对应的像素点的特征向量。不断重复这一比较过程，直至每个体素点的特征向量均不再变化，则此时得到的结果即为通过Grow Cut对中间处理图像的分割结果，即第一分割结果，在本公开实施例中，可以将被分割为目标对象的体素点看作代表守护者的体素点，将被分割为背景的体素点看作代表入侵者的体素点，在选定了种子点以后，即可以选定某个代表目标对象的体素点作为分割的起始体素点，然后根据设置的邻居范围，选定与种子点的距离在邻居范围以内的体素点，这些点即可以看作是种子点的邻居点，将其与种子点通过上述公式进行比较，从而来判断邻居范围内的体素点是应该被划分为代表守护者的体素点还是应该被划分为代表入侵者的体素点，即可以作为代表目标对象的体素点还是可以作为代表背景的体素点，不断重复上述过程，直至整个中间处理图像被分割完成，得到第一分割结果。
在一种可能的实现方式中，Grow Cut可以通过中央处理器CPU进行实现。然而通过上述公开示例，可以看到在一种可能的实现方式中，通过Grow Cut对中间处理图像进行分割的过程中的具体计算过程在实现时，可以将其以卷积运算的形式进行实现，在Grow Cut通过卷积运算的方式进行计算时，则可以利用深度学习框架，在一个示例中，这一深度学习框架可以是PyTorch，将整个Grow Cut过程通过图形处理器GPU来进行处理，由于GPU在图像处理方面具有更高的运算速度，因此，在通过Grow Cut对中间处理图像进行分割处理时，将Grow Cut通过深度学习框架在GPU中实现，可以使得步骤S12的速度得到极大提升，从而可以有效的提升整个图像处理方法的速度。
在一种可能的实现方式中，也可以通过其他的算法对中间处理图像进行分割，来得到第一分割结果，在此不再一一列举，根据实际情况进行灵活选择即可。
在通过上述各公开实施例的任意组合形式得到第一分割结果后，可以通过步骤S13，对第一分割结果进行结构重构，从而得到待处理图像中目标对象的最终分割结果。步骤S13的实现形式同样不受限定，任何可以基于第一分割结果来进行结构修正从而得到目标对象的最终分割结果的方式均可以作为步骤S13的实现形式。
图9示出根据本公开一实施例的图像处理方法的流程图，如图所示，在一种可能的实现方式中，步骤S13可以包括：
步骤S131，对第一分割结果进行中心提取，得到中心区域图像和距离场数值集合。其中，距离场数值集合为中心区域图像上的所有体素点与第一分割结果内目标对象的边界之间的距离场数值的集合。
步骤S132，根据中心区域图像，生成目标对象的第一拓扑结构图。
步骤S133，对第一拓扑结构图进行连通处理，得到第二拓扑结构图。
步骤S134，根据距离场数值集合，对第二拓扑结构图进行结构重构，得到待处理图像中目标对象的最终分割结果。
其中，步骤S131的实现方式不受限定，在一种可能的实现方式中，步骤S131的实现方式可以为：对第一分割结果进行中心提取，可以得到反映目标对象在第一分割结果中所在主干位置的中心区域图像，则此时可以依次计算第一分割结果中，中心区域图像内的每个体素点与目标对象在第一分割结果中的边界之间的最短距离，则中心区域图像内的每个体素点与目标对象的边界上的最短距离可以被记为该体素点的距离场数值，将所有中心区域图像内的体素点的距离场数值统计在一个集合中，则统计的集合可以被记为距离场数值集合。
在上述公开实施例中，对第一分割结果进行中心提取的方式不受限定，任何可以得到反映目标对象在第一分割结果中所在主干位置的中心区域图像的方法，均可以作为中心提取的实现方式。在一种可能的实现方式中，可以通过中轴变换函数medial axis来对第一分割结果进行中心提取。在一个示例中，待处理图像的目标对象可以为肺部图像中的血管树，此时在本公开示例中，步骤S131的具体过程可以为：通过medial axis对第一分割结果进行中心提取，生成肺部图像内血管树的中心线，此时分别统计中心线上各体素点与第一分割结果中血管树边界的最短距离，并将统计结果以集合形式表示，得到距离场数值集合。
步骤S132的实现方式同样不受限定，任何可以统计中心区域图像的拓扑结构来生成第一拓扑结构图的方式，均可以作为步骤S132的实现形式。在一种可能的实现方式中，可以通过networkx这一工具对中心区域图像进行处理，生成第一拓扑结构图。图10示出根据本公开一实施例的第一拓扑结构图的示意图，如图所示，在一个示例中，待处理图像的目标对象可以为肺部图像中的血管树，此时从图中可以看出，步骤S132生成的第一拓扑结构图可以为肺部血管树的拓扑结构图。
步骤S133的实现方式同样不受限定，任何可以基于第一拓扑结构图的连通结构，来对其进行细化得到第二拓扑结构图的方式，均可以作为步骤S133的实现形式，即连通处理的实现方式不受限定，任何可以基于第一拓扑结构图中的连通状态，对第一拓扑结构图的连通性进行适当修正的方式，均可以作为连通处理的实现方式。图11示出根据本公开一实施例的图像处理方法的流程图，如图所示，在一种可能的实现方式中，步骤S133可以包括：
步骤S1331，提取第一拓扑结构图中目标对象对应的连通区域。
步骤S1332，移除第一拓扑结构图中与连通区域的连通值低于连通阈值的体素点，得到第二拓扑结构图。
步骤S133的主要目的是对生成的第一拓扑结构图进行修正，由于第一拓扑结构图中可能存在大量的噪声点，因此需要对这些噪声点进行移除，来得到准确性更高的，更加能反映目标对象的连通性和完整性的第二拓扑结构图。因此，在一种可能的实现方式中，可以通过对第一拓扑结构图中的目标对象所在的连通区域进行统计，由于这些孤立弱连通区域很有可能为噪声点，因此可以移除第一拓扑结构图中的孤立弱连通区域，来得到第二拓扑结构图。判断第一拓扑结构图中哪些区域为孤立弱连通区域的方式不受限定，可以根据实际情况进行灵活选择，在一种可能的实现方式中，可以设定一连通阈值，这一连通阈值的具体值可以根据实际情况设置，在此不做限定。在设定了连通阈值后，可以分别计算第一拓扑结构图中各体素点与连通区域之间的连通值，并将其与连通阈值进行比较，其中连通值低于连通阈值的体素点可以被认为是弱连通区域，需要从第一拓扑结构图中移除。图12示出根据本公开一实施例的进行连通处理的示意图，如图所示，在一个示例中，待处理图像的目标对象可以为肺部图像中的血管树，第一拓扑结构图可以为图10中的示意图，此时从图12中可以看出，在连通的树状结构外，还存在若干个较为孤立的点，此时可以将这些孤立的点进行移除，则得到的拓扑结构图可以为第二拓扑结构图。
步骤S134的实现方式同样不受限定，任何可以基于距离场数值集合以及第二拓扑结构图来进行结构重构的方式，均可以作为步骤S134的实现形式。在一种可能的实现方式中，步骤S134可以包括：以第二拓扑结构图中的每个点为球心，距离场数值集合中的每个距离场数值为半径，进行绘制，将绘制包括的重叠区域添加至第二拓扑结构图中，得到待处理图像中目标对象的最终分割结果。在一个示例中，待处理图像的目标对象可以为肺部图像中的血管树，则第二拓扑结构图此时可以为经过精细化处理的血管树拓扑图，此时步骤S134的具体过程可以为：以精细化处理的血管树拓扑的中心线上，每个点为球心，距离场中记录的距离为半径进行画球，则可以得到若干个球心不同绘制球，统计这些不同的绘制球之间相互重叠的区域，将其与血管树拓扑的中心线进行结合，则可以得到完整的血管树结构，作为待处理图像中目标对象的最终分割结果。
上述结构化重构的过程，是基于第一分割结果进行的结构化重构，即基于真实数据来进行结构化重构而非针对合成数据进行结构化重构，因此，得到的最终分割结果具有更高的真实性。同时，通过中心提取得到第一分割结果的中心区域图像和距离场数值集合，并基于此中心区域图像生成第一拓扑结构图，并对第一拓扑结构图进行连通处理，得到第二拓扑结构图，这一过程可以有效的提升第一分割结果的连通性，移除掉第一分割结果中的噪声点，对第一分割结果进行有效修正，提高得到的最终分割结果的准确性，同时，利用第二拓扑结构图和距离场数值集合对目标对象进行结构化重构，得到的最终分割结果，可以有效的体现目标对象的各节点和分支信息，具有较高的精度。
在一种可能的实现方式中，在步骤S11之前，还可以包括：对待处理图像进行预处理，其中，预处理包括：重采样、数值限定以及归一化中的一种或多种。在一种可能的实现方式中，预处理的方式除了上述几种可能的实现形式外，也可以包含其他的形式，可以根据实际情况灵活选择，任何可以提升图像处理方法整体精度的方式，都可以作为预处理的实现形式。在一个示例中，对待处理图像进行重采样的过程可以为：使用线性插值方法将待处理图像的全数据以固定的分辨率重新采样，将其映射到一个同构分辨率，在一个示例中，这一同构分辨率可以为1mm x1mm x1mm。对待处理图像进行数值限定的具体限定数值不受限定，在一个示例中，可以将待处理图像的原始图像数值限定范围为[-1500.0,300.0]。同样，对待处理图像进行归一化，其归一化的结果也不受限定，在一个示例中，可以将待处理图像最终归一化到[0,1]之间。
通过对待处理图像进行预处理，可以提高后续对待处理图像依次进行特征提取、分割处理和结构重构的处理效率，缩短整个图像处理过程的时间，同时也可以提升图像分割的准确程度，从而提高图像处理结果的精度。
应用场景示例
血管树分割是医学影像分析领域的热门研究课题：精准的血管分析对于医学诊断，治疗规划和临床效果评估有着极为重要的研究及应用价值。肺部血管作为病灶肺叶切除，肺栓塞等常见肺血管疾病的重要依据，其准确分割对于肺相关疾病的诊断和治疗有着重要的作用。
然而，人体的肺部是新陈代谢产生气体的交换场所，包含丰富的气管和血管组织，结构较为复杂；同时因噪声，造影及容积效应等因素的影响，CT图像存在对比度差，边界模糊等问题，且肺部血管动静脉相互缠绕、相伴而行，进一步增加了分割难度。因而针对肺部图像中血管树的分割方法仍然面临着速度慢、分割精度差以及在边界处存在误判等问题等缺点，虽然已经有部分方法进行了一定程度的改进，但是仍然存在着一些实际问题，比如肺部边缘区域过分割现象普遍以及分割过程中易容易出现血管树断裂等。
因此，一个精度高、分割结果完整性强的分割方法能够极大减少医生的工作量，从而提高肺部相关疾病的治疗效果。
图13示出根据本公开一应用示例的示意图，如图所示，本公开实施例提出了一种图像处理方法，从图中可以看出，通过该图像处理方法对肺部图像进行血管树分割的具体过程可以为：
首先将完整的三维肺部图像，本示例中该三维肺部图像为尺寸大小为z×x×y的单通道灰度图像，经过数据预处理后输入至3D神经网络进行特征提取，得到两通道的输出概率图，其中，两通道的输出概率图中，一个通道代表每个体素点属于肺血管的概率，另一个通道代表每个体素点属于背景的概率，两通道的输出概率图大小均为z×x×y。
本公开示例中，采用的3D神经网络具体为VNet卷积神经网络，该三维肺部图像在卷积神经网络进行特征提取的具体过程为：
首先对大小为z×x×y的三维肺部图像沿矢向x方向和冠向y方向两个方向进行缩放，使得该三维肺部图像在x和y两个方向均为16的倍数，分别记为x’和y’，然后对在轴向z方向上对三维肺部图像进行切割，在本公开示例中，通过切割得到的每个三维肺部子图像在z方向上的高度应为48个体素，且任意两个相邻的三维肺部子图像在z方向上有8体素的重叠，则得到的每个三维肺部子图像大小均为48×x’×y’。
在对三维肺部图像完成切割后，将切割得到的每个三维肺部子图像分别通过VNet卷积神经网络，得到多个中间处理子图像，这些中间处理子图像均为大小为48×x’×y’的二通道体素块，两个通道分别代表每个体素点属于背景和血管树的概率。
将这些中间处理子图像按照三维肺部图像切割的方式进行反向拼接，由于切割时相邻的三维肺部子图像在z方向上有8体素的重叠，因此这些中间处理子图像中，相邻的中间处理子图像在z方向上同样有8体素的重叠，此时，将重叠的体素点处的概率取其对应的两中间处理子图像中对应体素点概率的平均值，其余体素点处的概率值按照对应的中间处理子图像对应体素点的概率即可。
对拼接后的中间处理图像，在x和y方向按照之前缩放的方式进行反向缩放，还原至原有的大小，得到大小为z×x×y的两通道的输出概率图。
在得到了大小为z×x×y的两通道的输出概率图后，可以通过Grow Cut算法对该两通道的输出概率图进行分割，得到二值化图，其中，在本公开示例中，Grow Cut算法可以通过PyTorch框架在GPU中进行实现，即将概率图转化为二值化图的过程，可以通过GPU来进行。
在得到了上述二值化图后，可以通过medial axis对该二值化图进行处理，生成血管树的中心线图像，同时记录二值化图中每个代表目标对象的体素点与该中心线的距离场数值，得到距离场数值集合。然后对生成的血管树的中心线图像通过NetworkX生成血管树拓扑结构，并统计生成的血管树拓扑结构中血管树的连通区域，将血管树边缘上的孤立弱连通区域体素移除，因为这部分极可能是噪声点，最终可以得到连通性强的血管树主要枝干图。
然后可以以连通性强的血管树主要枝干图的中心线上每个点为球心，距离场数值集合中记录的距离为半径画球，球与球之间相互重叠，最终形成完整的血管树结构，即代表该三维肺部图像中肺部血管树的最终分割结果。
采用本公开的图像处理方法，可以提高肺血管树整体的分割精度、降低假阳性，同时获得较准确的肺血管树结构化信息，包含分支，端点等，从而对肺血管分割结果进行进一步精细修正，与此同时，在结构重构的过程中，得到的结构化信息也可用于辅助其他肺部疾病的诊断。
需要说明的是，本公开实施例的图像处理方法不限于应用在上述肺部图像处理，可以应用于任意的图像处理，本公开对此不作限定。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图14示出根据本公开实施例的图像处理装置的框图，如图所示，所述图像处理装置包括：
特征提取模块21，用于对待处理图像进行特征提取，得到中间处理图像；
分割模块22，用于对中间处理图像进行分割处理，得到第一分割结果；
结构重构模块23，用于根据第一分割结果的结构信息，对第一分割结果进行结构重构，得到待处理图像中目标对象的最终分割结果。
在一种可能的实现方式中，特征提取模块包括：切割子模块，用于按照预定方向，对待处理图像进行切割，得到多个待处理子图像；特征提取子模块，用于对每个待处理子图像进行特征提取，得到与每个待处理子图像分别对应的中间处理子图像；拼接子模块，用于根据预定方向，将所有中间处理子图像进行拼接，得到中间处理图像。
在一种可能的实现方式中，切割子模块用于：在待处理图像上确定多个切割中心；按照预定方向，根据切割中心的位置，对待处理图像进行切割，得到多个待处理子图像，其中，每个切割中心分别位于对应的待处理子图像的中心，相邻的待处理子图像之间存在重叠区域。
在一种可能的实现方式中，切割子模块之前还包括缩放子模块，缩放子模块用于：对待处理图像在除所述预定方向以外的方向，根据预定参数进行缩放处理。
在一种可能的实现方式中，特征提取模块之前还包括训练模块，训练模块包括：样本获取子模块，用于获取训练样本数据集；训练子模块，用于根据训练样本数据集，训练用于进行特征提取的神经网络。
在一种可能的实现方式中，样本获取子模块用于：对原始数据进行修正，得到修正标注数据；根据修正标注数据得到训练样本数据集。
在一种可能的实现方式中，训练子模块用于：根据训练样本数据集，结合预设的权重系数，分别得到神经网络的全局损失和假阳惩罚损失；根据全局损失和假阳惩罚损失，确定神经网络的损失函数；根据损失函数反向传播来训练神经网络。
在一种可能的实现方式中，分割模块用于：通过Grow Cut对中间处理图像进行分割处理，得到第一分割结果，其中，Grow Cut通过深度学习框架在图形处理器中实现。
在一种可能的实现方式中，结构重构模块包括：中心提取子模块，用于对第一分割结果进行中心提取，得到中心区域图像和距离场数值集合，其中，距离场数值集合为中心区域图像上的所有体素点与第一分割结果内目标对象的边界之间的距离场数值的集合；拓扑结构生成子模块，用于根据中心区域图像，生成目标对象的第一拓扑结构图；连通处理子模块，用于对第一拓扑结构图进行连通处理，得到第二拓扑结构图；结构重构子模块，用于根据距离场数值集合，对第二拓扑结构图进行结构重构，得到待处理图像中目标对象的最终分割结果。
在一种可能的实现方式中，连通处理子模块用于：提取第一拓扑结构图中目标对象对应的连通区域；移除第一拓扑结构图中与连通区域的连通值低于连通阈值的体素点，得到第二拓扑结构图。
在一种可能的实现方式中，结构重构子模块用于：以第二拓扑结构图中的每个点为球心，距离场数值集合中的每个距离场数值为半径，进行绘制，将绘制包括的重叠区域添加至第二拓扑结构图中，得到待处理图像中目标对象的最终分割结果。
在一种可能的实现方式中，特征提取模块之前还包括预处理模块，预处理模块用于：对待处理图像进行预处理，其中，预处理包括：重采样、数值限定以及归一化中的一种或多种。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图15是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图15，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图16是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图16，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (24)

1.一种图像处理方法，其特征在于，包括：
对待处理图像进行特征提取，得到中间处理图像；
对所述中间处理图像进行分割处理，得到第一分割结果；
根据所述第一分割结果的结构信息，对所述第一分割结果进行结构重构，得到所述待处理图像中目标对象的最终分割结果，其中，所述结构信息包括：所述目标对象的分支信息和端点信息；
所述根据所述第一分割结果的结构信息，对所述第一分割结果进行结构重构，得到所述待处理图像中目标对象的最终分割结果，包括：
对所述第一分割结果进行中心提取，得到中心区域图像和距离场数值集合，其中，所述距离场数值集合为所述中心区域图像上的所有体素点与所述第一分割结果内目标对象的边界之间的距离场数值的集合；
根据所述中心区域图像，生成所述目标对象的第一拓扑结构图；
对所述第一拓扑结构图进行连通处理，得到第二拓扑结构图；
根据所述距离场数值集合，对所述第二拓扑结构图进行结构重构，得到所述待处理图像中目标对象的最终分割结果。
2.根据权利要求1所述的方法，其特征在于，所述对待处理图像进行特征提取，得到中间处理图像，包括：
按照预定方向，对所述待处理图像进行切割，得到多个待处理子图像；
对每个所述待处理子图像进行特征提取，得到与每个待处理子图像分别对应的中间处理子图像；
根据所述预定方向，将所有所述中间处理子图像进行拼接，得到中间处理图像。
3.根据权利要求2所述的方法，其特征在于，所述按照预定方向，对所述待处理图像进行切割，得到多个待处理子图像，包括：
在所述待处理图像上确定多个切割中心；
按照预定方向，根据所述切割中心的位置，对所述待处理图像进行切割，得到多个待处理子图像，其中，每个切割中心分别位于对应的待处理子图像的中心，相邻的待处理子图像之间存在重叠区域。
4.根据权利要求2或3所述的方法，其特征在于，所述按照预定方向，所述对所述待处理图像进行切割，得到多个待处理子图像之前，还包括：
对所述待处理图像在除所述预定方向以外的方向，根据预定参数进行缩放处理。
5.根据权利要求1-3中任意一项所述的方法，其特征在于，所述对待处理图像进行特征提取，得到中间处理图像之前，还包括：
获取训练样本数据集；
根据所述训练样本数据集，训练用于进行特征提取的神经网络。
6.根据权利要求5所述的方法，其特征在于，所述获取训练样本数据集包括：
对原始数据进行修正，得到修正标注数据；
根据所述修正标注数据得到训练样本数据集。
7.根据权利要求5所述的方法，其特征在于，所述根据所述训练样本数据集，训练用于进行特征提取的神经网络，包括：
根据所述训练样本数据集，结合预设的权重系数，分别得到所述神经网络的全局损失和假阳惩罚损失；
根据所述全局损失和所述假阳惩罚损失，确定所述神经网络的损失函数；
根据所述损失函数反向传播来训练所述神经网络。
8.根据权利要求1至3中任意一项所述的方法，其特征在于，所述对所述中间处理图像进行分割处理，得到第一分割结果，包括：
通过Grow Cut对所述中间处理图像进行分割处理，得到第一分割结果，其中，所述GrowCut通过深度学习框架在图形处理器中实现。
9.根据权利要求1所述的方法，其特征在于，所述对所述第一拓扑结构图进行连通处理，得到第二拓扑结构图，包括：
提取所述第一拓扑结构图中所述目标对象对应的连通区域；
移除所述第一拓扑结构图中与所述连通区域的连通值低于连通阈值的体素点，得到第二拓扑结构图。
10.根据权利要求1或9所述的方法，其特征在于，根据所述距离场数值集合，对所述第二拓扑结构图进行结构重构，得到所述待处理图像中目标对象的最终分割结果，包括：
以所述第二拓扑结构图中的每个点为球心，所述距离场数值集合中的每个距离场数值为半径，进行绘制，将所述绘制包括的重叠区域添加至所述第二拓扑结构图中，得到所述待处理图像中目标对象的最终分割结果。
11.根据权利要求1-3中任意一项所述的方法，其特征在于，所述对待处理图像进行特征提取，得到中间处理图像之前，还包括：
对所述待处理图像进行预处理，其中，所述预处理包括：重采样、数值限定以及归一化中的一种或多种。
12.一种图像处理装置，其特征在于，包括：
特征提取模块，用于对待处理图像进行特征提取，得到中间处理图像；
分割模块，用于对所述中间处理图像进行分割处理，得到第一分割结果；
结构重构模块，用于根据所述第一分割结果的结构信息，对所述第一分割结果进行结构重构，得到所述待处理图像中目标对象的最终分割结果，其中，所述结构信息包括：所述目标对象的分支信息和端点信息；
所述结构重构模块包括：
中心提取子模块，用于对所述第一分割结果进行中心提取，得到中心区域图像和距离场数值集合，其中，所述距离场数值集合为所述中心区域图像上的所有体素点与所述第一分割结果内目标对象的边界之间的距离场数值的集合；
拓扑结构生成子模块，用于根据所述中心区域图像，生成所述目标对象的第一拓扑结构图；
连通处理子模块，用于对所述第一拓扑结构图进行连通处理，得到第二拓扑结构图；
结构重构子模块，用于根据所述距离场数值集合，对所述第二拓扑结构图进行结构重构，得到所述待处理图像中目标对象的最终分割结果。
13.根据权利要求12所述的装置，其特征在于，所述特征提取模块包括：
切割子模块，用于按照预定方向，对所述待处理图像进行切割，得到多个待处理子图像；
特征提取子模块，用于对每个所述待处理子图像进行特征提取，得到与每个待处理子图像分别对应的中间处理子图像；
拼接子模块，用于根据所述预定方向，将所有所述中间处理子图像进行拼接，得到中间处理图像。
14.根据权利要求13所述的装置，其特征在于，所述切割子模块用于：
在所述待处理图像上确定多个切割中心；
按照预定方向，根据所述切割中心的位置，对所述待处理图像进行切割，得到多个待处理子图像，其中，每个切割中心分别位于对应的待处理子图像的中心，相邻的待处理子图像之间存在重叠区域。
15.根据权利要求13或14所述的装置，其特征在于，所述切割子模块之前还包括缩放子模块，所述缩放子模块用于：
对所述待处理图像在除所述预定方向以外的方向，根据预定参数进行缩放处理。
16.根据权利要求12-14中任意一项所述的装置，其特征在于，所述特征提取模块之前还包括训练模块，所述训练模块包括：
样本获取子模块，用于获取训练样本数据集；
训练子模块，用于根据所述训练样本数据集，训练用于进行特征提取的神经网络。
17.根据权利要求16所述的装置，其特征在于，所述样本获取子模块用于：
对原始数据进行修正，得到修正标注数据；
根据所述修正标注数据得到训练样本数据集。
18.根据权利要求16所述的装置，其特征在于，所述训练子模块用于：
根据所述训练样本数据集，结合预设的权重系数，分别得到所述神经网络的全局损失和假阳惩罚损失；
根据所述全局损失和所述假阳惩罚损失，确定所述神经网络的损失函数；
根据所述损失函数反向传播来训练所述神经网络。
19.根据权利要求12至14中任意一项所述的装置，其特征在于，所述分割模块用于：
通过Grow Cut对所述中间处理图像进行分割处理，得到第一分割结果，其中，所述GrowCut通过深度学习框架在图形处理器中实现。
20.根据权利要求12所述的装置，其特征在于，所述连通处理子模块用于：
提取所述第一拓扑结构图中所述目标对象对应的连通区域；
移除所述第一拓扑结构图中与所述连通区域的连通值低于连通阈值的体素点，得到第二拓扑结构图。
21.根据权利要求12或20所述的装置，其特征在于，所述结构重构子模块用于：
以所述第二拓扑结构图中的每个点为球心，所述距离场数值集合中的每个距离场数值为半径，进行绘制，将所述绘制包括的重叠区域添加至所述第二拓扑结构图中，得到所述待处理图像中目标对象的最终分割结果。
22.根据权利要求12-14中任意一项所述的装置，其特征在于，所述特征提取模块之前还包括预处理模块，所述预处理模块用于：
对所述待处理图像进行预处理，其中，所述预处理包括：重采样、数值限定以及归一化中的一种或多种。
23.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至11中任意一项所述的方法。
24.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至11中任意一项所述的方法。
CN201910315190.9A 2019-04-18 2019-04-18 图像处理方法及装置、电子设备和存储介质 Active CN110047078B (zh)

Priority Applications (7)

Application Number Priority Date Filing Date Title
CN201910315190.9A CN110047078B (zh) 2019-04-18 2019-04-18 图像处理方法及装置、电子设备和存储介质
KR1020217016104A KR20210082234A (ko) 2019-04-18 2019-09-19 이미지 처리 방법 및 장치, 전자 기기 및 기억 매체
PCT/CN2019/106642 WO2020211284A1 (zh) 2019-04-18 2019-09-19 图像处理方法及装置、电子设备和存储介质
SG11202013156UA SG11202013156UA (en) 2019-04-18 2019-09-19 Image processing method and apparatus, electronic device, and storage medium
JP2021515101A JP7186287B2 (ja) 2019-04-18 2019-09-19 画像処理方法及び装置、電子機器並びに記憶媒体
TW108137264A TWI779238B (zh) 2019-04-18 2019-10-16 影像處理方法及裝置、電子設備和電腦可讀取的記錄媒體
US17/138,746 US20210158533A1 (en) 2019-04-18 2020-12-30 Image processing method and apparatus, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910315190.9A CN110047078B (zh) 2019-04-18 2019-04-18 图像处理方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN110047078A CN110047078A (zh) 2019-07-23
CN110047078B true CN110047078B (zh) 2021-11-09

Family

ID=67277838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910315190.9A Active CN110047078B (zh) 2019-04-18 2019-04-18 图像处理方法及装置、电子设备和存储介质

Country Status (7)

Country Link
US (1) US20210158533A1 (zh)
JP (1) JP7186287B2 (zh)
KR (1) KR20210082234A (zh)
CN (1) CN110047078B (zh)
SG (1) SG11202013156UA (zh)
TW (1) TWI779238B (zh)
WO (1) WO2020211284A1 (zh)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110047078B (zh) * 2019-04-18 2021-11-09 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN110428003B (zh) * 2019-07-31 2022-04-22 清华大学 样本类别标签的修正方法、装置以及电子设备
CN112418240A (zh) * 2019-08-21 2021-02-26 上海商汤临港智能科技有限公司 图像处理方法、装置、设备和存储介质
CN112446911A (zh) * 2019-08-29 2021-03-05 阿里巴巴集团控股有限公司 中心线提取、界面交互与模型训练方法、***及设备
CN110751179B (zh) * 2019-09-18 2022-04-12 无锡祥生医疗科技股份有限公司 超声设备
US11868437B1 (en) * 2019-09-30 2024-01-09 Sighthound, Inc. Training set enhancement for neural networks
US11348246B2 (en) * 2019-11-11 2022-05-31 Adobe Inc. Segmenting objects in vector graphics images
CN111178445A (zh) * 2019-12-31 2020-05-19 上海商汤智能科技有限公司 图像处理方法及装置
CN111179264B (zh) * 2020-01-10 2023-10-03 中国人民解放军总医院 标本的复原图制作方法、装置、标本处理***、电子设备
CN111311578B (zh) * 2020-02-17 2024-05-03 腾讯科技（深圳）有限公司 基于人工智能的对象分类方法以及装置、医学影像设备
CN111325759B (zh) * 2020-03-13 2024-04-16 上海联影智能医疗科技有限公司 血管分割方法、装置、计算机设备及可读存储介质
CN111402268B (zh) * 2020-03-16 2023-05-23 苏州科技大学 一种医学图像中肝脏及其病灶分割的方法
JP7297705B2 (ja) * 2020-03-18 2023-06-26 株式会社東芝 処理装置、処理方法、学習装置およびプログラム
CN111461065B (zh) * 2020-04-24 2024-01-05 上海联影医疗科技股份有限公司 管状结构识别方法、装置、计算机设备和可读存储介质
EP3916633A1 (de) * 2020-05-25 2021-12-01 Sick Ag Kamera und verfahren zum verarbeiten von bilddaten
CN111862045B (zh) * 2020-07-21 2021-09-07 上海杏脉信息科技有限公司 血管模型的生成方法及装置
CN112541876B (zh) * 2020-12-15 2023-08-04 北京百度网讯科技有限公司 卫星图像处理方法、网络训练方法、相关装置及电子设备
CN112785573A (zh) * 2021-01-22 2021-05-11 上海商汤智能科技有限公司 图像处理方法及相关装置、设备
CN113450277B (zh) * 2021-06-29 2023-08-22 上海长征医院 一种医学图像处理方法、介质及电子设备
CN113628215B (zh) * 2021-06-29 2022-10-04 展讯通信（上海）有限公司 图像处理方法、***、设备及存储介质
DE102022003324A1 (de) 2021-09-15 2023-03-16 Mercedes-Benz Group AG System für die Verbesserung der Lokalisierung von wichtigen Verkehrspunkten und Verfahren davon
US20230177747A1 (en) * 2021-12-06 2023-06-08 GE Precision Healthcare LLC Machine learning generation of low-noise and high structural conspicuity images
CN114004836B (zh) * 2022-01-04 2022-04-01 中科曙光南京研究院有限公司 一种基于深度学习的自适应生物医学影像分割方法
US20230237620A1 (en) * 2022-01-27 2023-07-27 Sonic Star Global Limited Image processing system and method for processing image
CN118037622A (zh) * 2022-11-07 2024-05-14 华为云计算技术有限公司 一种图像处理方法、装置、电子设备和存储介质
CN115761383B (zh) * 2023-01-06 2023-04-18 北京匠数科技有限公司 一种图像分类方法、装置、电子设备及介质
CN116486086B (zh) * 2023-04-28 2023-10-03 安徽星太宇科技有限公司 一种基于热红外遥感影像的目标检测方法
CN116758085B (zh) * 2023-08-21 2023-11-03 山东昆仲信息科技有限公司 一种气体污染红外图像视觉辅助检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102917175A (zh) * 2012-09-13 2013-02-06 西北工业大学 基于相机阵列合成孔径成像的遮挡多目标自动抠像方法
CN105631880A (zh) * 2015-12-31 2016-06-01 百度在线网络技术（北京）有限公司 车道线分割方法和装置
CN108122236A (zh) * 2017-12-18 2018-06-05 上海交通大学 基于距离调制损失的迭代式眼底图像血管分割方法
CN108171703A (zh) * 2018-01-18 2018-06-15 东北大学 一种从胸部ct图像中自动提取气管树的方法
CN108898578A (zh) * 2018-05-29 2018-11-27 杭州晟视科技有限公司 一种医疗图像的处理方法、装置及计算机存储介质

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060241461A1 (en) * 2005-04-01 2006-10-26 White Chris A System and method for 3-D visualization of vascular structures using ultrasound
US8571278B2 (en) * 2005-06-24 2013-10-29 The University Of Iowa Research Foundation System and methods for multi-object multi-surface segmentation
US8073226B2 (en) * 2006-06-30 2011-12-06 University Of Louisville Research Foundation, Inc. Automatic detection and monitoring of nodules and shaped targets in image data
JP5567448B2 (ja) * 2010-10-15 2014-08-06 Ｋｄｄｉ株式会社 画像領域分割装置、画像領域分割方法および画像領域分割プログラム
CN102324109B (zh) * 2011-09-26 2014-06-18 上海理工大学 基于模糊隶属度模型的非实质性肺结节三维分割方法
CN103247071B (zh) * 2013-03-29 2015-11-11 哈尔滨工业大学深圳研究生院 一种构建三维血管模型方法及设备
CN103247073B (zh) * 2013-04-18 2016-08-10 北京师范大学 基于树状结构的三维脑血管模型构造方法
CN104156935B (zh) * 2013-05-14 2018-01-02 东芝医疗***株式会社 图像分割装置、图像分割方法和医学图像设备
US9530206B2 (en) * 2015-03-31 2016-12-27 Sony Corporation Automatic 3D segmentation and cortical surfaces reconstruction from T1 MRI
CN107977969B (zh) * 2017-12-11 2020-07-21 北京数字精准医疗科技有限公司 一种内窥镜荧光图像的分割方法、装置及存储介质
CN111932520A (zh) * 2018-08-31 2020-11-13 上海联影智能医疗科技有限公司 医学图像显示方法、查看设备以及计算机设备
CN109345549A (zh) * 2018-10-26 2019-02-15 南京览众智能科技有限公司 一种基于自适应复合近邻图的自然场景图像分割方法
CN110047078B (zh) * 2019-04-18 2021-11-09 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102917175A (zh) * 2012-09-13 2013-02-06 西北工业大学 基于相机阵列合成孔径成像的遮挡多目标自动抠像方法
CN105631880A (zh) * 2015-12-31 2016-06-01 百度在线网络技术（北京）有限公司 车道线分割方法和装置
CN108122236A (zh) * 2017-12-18 2018-06-05 上海交通大学 基于距离调制损失的迭代式眼底图像血管分割方法
CN108171703A (zh) * 2018-01-18 2018-06-15 东北大学 一种从胸部ct图像中自动提取气管树的方法
CN108898578A (zh) * 2018-05-29 2018-11-27 杭州晟视科技有限公司 一种医疗图像的处理方法、装置及计算机存储介质

Also Published As

Publication number Publication date
TWI779238B (zh) 2022-10-01
SG11202013156UA (en) 2021-02-25
JP2022502739A (ja) 2022-01-11
JP7186287B2 (ja) 2022-12-08
WO2020211284A1 (zh) 2020-10-22
TW202038848A (zh) 2020-11-01
KR20210082234A (ko) 2021-07-02
US20210158533A1 (en) 2021-05-27
CN110047078A (zh) 2019-07-23

Similar Documents

Publication Publication Date Title
CN110047078B (zh) 图像处理方法及装置、电子设备和存储介质
CN109829920B (zh) 图像处理方法及装置、电子设备和存储介质
TWI713054B (zh) 圖像分割方法及裝置、電子設備和儲存媒體
CN109978886B (zh) 图像处理方法及装置、电子设备和存储介质
CN112767329B (zh) 图像处理方法及装置、电子设备
CN112541928A (zh) 网络训练方法及装置、图像分割方法及装置和电子设备
CN112785565A (zh) 目标检测方法及装置、电子设备和存储介质
US11443438B2 (en) Network module and distribution method and apparatus, electronic device, and storage medium
CN112967291B (zh) 图像处理方法及装置、电子设备和存储介质
CN114820584B (zh) 肺部病灶定位装置
CN113012166A (zh) 颅内动脉瘤分割方法及装置、电子设备和存储介质
JP2022547372A (ja) 画像処理方法及び装置、電子デバイス、記憶媒体及びプログラム製品
CN112927239A (zh) 图像处理方法、装置、电子设备及存储介质
CN113012816A (zh) 脑分区风险预测方法及装置、电子设备和存储介质
CN114387436B (zh) 壁冠状动脉检测方法及装置、电子设备和存储介质
CN114418931A (zh) 术后剩余肺叶的提取方法及装置、电子设备和存储介质
CN112200820A (zh) 三维图像处理方法及装置、电子设备和存储介质
WO2022012038A1 (zh) 图像处理方法及装置、电子设备、存储介质和程序产品
CN117152128B (zh) 神经影像的病灶识别方法、装置、电子设备和存储介质
CN116523914B (zh) 一种动脉瘤分类识别装置、方法、设备、存储介质
JP2023504957A (ja) 歯画像の処理方法、装置、電子機器、記憶媒体及びプログラム
CN115171873A (zh) 慢阻肺的识别方法及装置、电子设备和存储介质
CN116935002A (zh) 肺部图像预测方法、装置及计算机可读存储介质
CN113553460A (zh) 影像检索方法及装置、电子设备和存储介质
CN115471474A (zh) 右心室分割、心肺分析方法及装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40004514

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant