CN113362345B - 图像分割方法、装置、计算机设备和存储介质 - Google Patents

图像分割方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113362345B
CN113362345B CN202110745154.3A CN202110745154A CN113362345B CN 113362345 B CN113362345 B CN 113362345B CN 202110745154 A CN202110745154 A CN 202110745154A CN 113362345 B CN113362345 B CN 113362345B
Authority
CN
China
Prior art keywords
image
segmentation
region
processed
initial
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
CN202110745154.3A
Other languages
English (en)
Other versions
CN113362345A (zh
Inventor
张文伟
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.)
Wuhan Zhongke Medical Technology Industrial Technology Research Institute Co Ltd
Original Assignee
Wuhan Zhongke Medical Technology Industrial Technology Research Institute 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 Wuhan Zhongke Medical Technology Industrial Technology Research Institute Co Ltd filed Critical Wuhan Zhongke Medical Technology Industrial Technology Research Institute Co Ltd
Priority to CN202110745154.3A priority Critical patent/CN113362345B/zh
Publication of CN113362345A publication Critical patent/CN113362345A/zh
Application granted granted Critical
Publication of CN113362345B publication Critical patent/CN113362345B/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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/30048—Heart; Cardiac
    • 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
    • G06T2207/30168—Image quality inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请涉及一种图像分割方法、装置、计算机设备和存储介质。该方法包括：计算机设备获取待处理医学图像中感兴趣区域的初始分割图像，根据预设的质量控制条件，对初始分割图像进行质量分析，确定初始分割图像的分割质量，根据初始分割图像的分割质量，获取待处理医学图像中感兴趣区域的目标分割图像。在本方法中，计算机设备可以根据预设的质量控制条件，对初始分割图像进行质量分析，根据初始分割图像的质量分析结果，相应地确定目标分割图像，例如，在初始分割图像分割质量差的情况下，可以对初始分割图像的分割结果进行优化，得到目标分割图像，整个过程均为计算机设备完成，不需要用户来参与校正分割结果，提高了图像分割的效率和准确率。

Description

图像分割方法、装置、计算机设备和存储介质
技术领域
本申请涉及医疗技术领域，特别是涉及一种图像分割方法、装置、计算机设备和存储介质。
背景技术
在医疗领域，通过磁共振扫描获取多片层多时间帧的3DMR心脏短轴电影序列，根据MR心脏短轴电影序列获得左心室以及右心室的轮廓信息，以便于用户根据左心室以及右心室的轮廓信息对心脏参数进行分析，因此，左、右心室的分割是医学领域重点研究的技术。
左、右心室的分割面临诸多挑战，例如由于血液流动引起的灰度不均匀性，顶端和基底图像分割的复杂性等。现有技术中通过半自动或者活动轮廓等传统方法进行左、右心室的自动分割，在自动分割之后通过用户逐图像勾画对分割结果进行分割纠正或分割优化。
但是，在大多数情况下现有技术提供的左、右心室分割方法的分割效果较为一般，且需要用户交互来校正分割效果，分割效率低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高左、右心室分割质量的图像分割方法、装置、计算机设备和存储介质。
第一方面，提供一种图像分割方法，该方法包括：
获取待处理医学图像中感兴趣区域的初始分割图像；
根据预设的质量控制条件，对初始分割图像进行质量分析，确定初始分割图像的分割质量；
根据初始分割图像的分割质量，获取待处理医学图像中感兴趣区域的目标分割图像。
在其中可选的一个实施例中，感兴趣区域包括第一区域和第二区域；第一区域包括左心室内膜的血池区域、左心室内膜与左心室外膜之间的心肌区域，第二区域包括右心室内膜区域。
在其中可选的一个实施例中，预设的质量控制条件包括：
第一质量控制条件，包括初始分割图像中血池区域被心肌区域包围，且，血池区域与右心室内膜区域不存在相交，且，第一区域与第二区域相邻；
第二质量控制条件，包括初始分割图像位于待处理医学图像的最大连通域之内；
第三质量控制条件，包括初始分割图像中感兴趣区域的面积变化率处于阈值范围内。
在其中可选的一个实施例中，根据预设的质量控制条件，对初始分割图像进行质量分析，确定初始分割图像的分割质量，包括：
根据第一质量控制条件、第二质量控制条件和第三质量控制条件，分别对初始分割图像进行分析；
若初始分割图像均满足第一质量控制条件、第二质量控制条件和第三质量控制条件，则确定初始分割图像的分割质量为合格；
若初始分割图像不满足预设的质量控制条件中的至少一个，则确定初始分割图像的分割质量为不合格。
在其中可选的一个实施例中，初始分割图像满足第一质量控制条件，包括：
根据每一时间帧每一片层的待处理医学图像的初始分割图像，获取血池边缘像素点、心肌边缘像素点以及第二区域的边缘像素点；
根据血池边缘像素点与心肌边缘像素点的关系，确定血池区域是否被心肌区域包围；
根据血池边缘像素点与第二边缘像素点的关系，确定血池区域与右心室内膜区域是否存在相交；
根据心肌边缘像素点与第二边缘像素点的关系，确定第一区域与第二区域是否相邻；
若血池区域被心肌区域包围，且血池区域与右心室内膜区域不相交，且，第一区域与第二区域相邻，则确定初始分割图像的满足第一质量控制条件。
在其中可选的一个实施例中，初始分割图像满足第二质量控制条件，包括：
根据预设的连通域分析算法，确定每一时间帧所有片层的待处理医学图像的最大连通域；
若初始分割图像位于最大连通域之内，则确定初始分割图像满足第二质量控制条件。
在其中可选的一个实施例中，初始分割图像满足第三质量控制条件，包括：
获取每一片层的所有时间帧的待处理医学图像中感兴趣区域的面积；
根据每两两相邻时间帧的待处理医学图像的感兴趣区域的面积比值，确定面积变化率；
若面积变化率处于阈值范围之内，则确定初始分割图像满足第三质量控制条件。
在其中可选的一个实施例中，根据初始分割图像的分割质量，确定待处理医学图像中感兴趣区域的目标分割图像，包括：
若初始分割图像的分割质量为合格，则确定初步分割结果为目标分割图像；
若初始分割图像的分割质量为不合格，则根据初始分割图像和优化分割算法，对待处理医学图像进行优化分割，确定目标分割图像。
在其中可选的一个实施例中，根据初始分割图像和优化分割算法，对待处理医学图像进行优化分割，确定目标分割图像，包括：
根据待处理医学图像的所有片层所有时间帧的初始分割图像，确定满足所有质量控制条件的候选分割图像；
根据候选分割图像、待处理医学图像、以及优化分割算法，确定待处理图像的目标分割图像。
在其中可选的一个实施例中，根据候选分割图像、待处理医学图像、以及预设的优化分割算法，确定待处理图像的目标分割图像，包括：
根据候选分割图像，确定标准区域模板；
根据待处理医学图像和标准区域模板，进行卷积操作，根据卷积结果的最大响应值，确定待处理医学图像中第一区域的轮廓特征；
根据第一区域的轮廓特征和活动轮廓法，确定待处理医学图像的第一区域。
在其中可选的一个实施例中，根据候选分割图像、待处理医学图像、以及优化分割算法，确定待处理图像的目标分割图像，包括：
根据候选分割图像和待处理医学图像，进行大津法OTSU阈值分割，确定待处理医学图像中灰度值处于预设范围内的候选区域；
根据候选区域，确定待处理医学图像的第二区域。
第二方面，提供一种图像分割装置，该装置包括：
获取模块，用于获取待处理医学图像中感兴趣区域的初始分割图像；
分析模块，用于根据预设的质量控制条件，对初始分割图像进行质量分析，确定初始分割图像的分割质量；
确定模块，用于根据初始分割图像的分割质量，获取待处理医学图像中感兴趣区域的目标分割图像。
第三方面，提供一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现上述第一方面任一所述的图像分割方法。
第四方面，提供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上述第一方面任一所述的图像分割方法。
上述图像分割方法、装置、计算机设备和存储介质，计算机设备获取待处理医学图像中感兴趣区域的初始分割图像，根据预设的质量控制条件，对初始分割图像进行质量分析，确定初始分割图像的分割质量，根据初始分割图像的分割质量，获取待处理医学图像中感兴趣区域的目标分割图像。在本方法中，计算机设备可以根据预设的质量控制条件，对初始分割图像进行质量分析，根据初始分割图像的质量分析结果，相应地确定目标分割图像，例如，在初始分割图像分割质量差的情况下，可以对初始分割图像的分割结果进行优化，得到目标分割图像，整个过程均为计算机设备完成，不需要用户来参与校正分割结果，提高了图像分割的效率和准确率。
附图说明
图1为一个实施例中图像分割方法的应用环境图；
图2为一个实施例中图像分割方法的流程示意图；
图3为一个实施例中图像分割方法的流程示意图；
图4为一个实施例中图像分割方法的流程示意图；
图5为一个实施例中第一区域被预设区域包围的示意图；
图6为一个实施例中第一区域与第二区域重叠的示意图；
图7为一个实施例中图像分割方法的流程示意图；
图8为一个实施例中图像分割方法的流程示意图；
图9为一个实施例中图像分割方法的流程示意图；
图10为一个实施例中图像分割方法的流程示意图；
图11为一个实施例中图像分割方法的流程示意图；
图12为一个实施例中图像分割方法的左心室分割优化流程示意图；
图13为一个实施例中图像分割方法的流程示意图；
图14为一个实施例中图像分割方法的右心室分割优化流程示意图；
图15为一个实施例中图像分割方法的流程示意图；
图16为一个实施例中图像分割方法的分割效果对比示意图；
图17为一个实施例中图像分割方法的分割效果对比示意图；
图18为一个实施例中图像分割装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请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。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服务器，其内部结构图可以如图1所示。该计算机设备包括通过***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***和计算机程序。该内存储器为非易失性存储介质中的操作***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、运营商网络、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。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请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。
下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述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。需要说明的是，本申请图2-图15实施例提供的图像分割方法，其执行主体为计算机设备，也可以是图像分割装置，该图像分割装置可以通过软件、硬件或者软硬件结合的方式成为计算机设备的部分或全部。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。
在一个实施例中，如图2所示，提供了一种图像分割方法，涉及的是计算机设备获取待处理医学图像中感兴趣区域的初始分割图像，根据预设的质量控制条件，对初始分割图像进行质量分析，确定初始分割图像的分割质量，根据初始分割图像的分割质量，获取待处理医学图像中感兴趣区域的目标分割图像的过程，包括以下步骤：
S201、获取待处理医学图像中感兴趣区域的初始分割图像。
其中，初始分割图像为计算机设备根据预设的图像分割算法对待处理医学图像进行分割操作之后得到的图像。其中，待处理医学图像可以为MR心脏短轴图像。
在本实施例中，计算机设备基于2D Unet的深度学习的方法对MR心脏短轴图像进行分割，得到MR心脏短轴图像对应的初始分割图像，可选的，计算机设备根据2D Unet的深度学习模型对MR心脏短轴图像进行图像分割，得到初始分割图像，该初始分割图像中包括左心室内外膜以及右心室内膜的分割结果。可选的，该深度学习模型训练和验证是基于ACDC挑战赛数据集(Automated Cardiac Diagnosis Challenge,MICCAI challenge2017)，该数据集包含金标准和五种病例数据，在金标准中，0、1、2、3分别代表图像中的像素属于背景、右心室、左心室心肌、左心室；一般的，该深度学习模型的输入图像大小为256*256。深度学习模型训练采用Dice loss、Adam优化器等，本实施例对此不做限定。
S202、根据预设的质量控制条件，对初始分割图像进行质量分析，确定初始分割图像的分割质量。
其中，在待处理图像为MR心脏短轴图像的场景下，预设质量控制条件指的是针对左心室内外膜、右心室内膜分割结果的控制条件。例如，左心室外膜在理想的分割状态下应该呈现的结果等。
在本实施例中，为了从不同维度对初始分割图像进行质量分析，质量控制条件可以包括不同维度的多个条件。例如，针对待处理图像为MR心脏短轴图像来说，质量控制条件可以包括判断左心室是否被心肌包裹，左心室外膜与右心室内膜在室间隔区域存在重叠等；质量控制条件还可以包括基于时间帧，判断每一帧的所有层的初始分割图像中的最大连通域内是否包括左心室、右心室；质量控制条件还可以包括针对MR心脏短轴图像的每一层的所有帧图像，判断左心室、右心室的面积变化率是否处于正常范围内等。基于预设的至少一个质量控制条件对初始分割图像进行质量分析，从而可以确定初始分割图像的分割结果好或差，也即，得到初始分割图像的分割质量。
在本实施例中，
S203、根据初始分割图像的分割质量，获取待处理医学图像中感兴趣区域的目标分割图像。
其中，初始分割图像的分割质量包括分割质量合格或分割质量不合格。
在本实施例中，计算机设备根据初始分割图像的分割质量，相应地确定初始分割图像中感兴趣区域的目标分割图像。例如，若对MR心脏短轴图像的初始分割图像的分割质量为合格，则说明对MR心脏短轴图像的分割结果是符合质量要求的，此时，计算机设备可以直接根据将初始分割图像确定为目标分割图像，也即，将初始分割图像中左心室、右心室的分割结果确定为目标分割结果。若对MR心脏短轴图像的初始分割图像的分割质量为不合格，则说明对MR心脏短轴图像的分割结果是不符合质量要求的，此时，计算机设备可以对初始分割图像进行优化处理，例如，根据初始分割图像进行左心室、右心室区域的分割优化等，从而将优化分割之后的分割图像作为目标分割图像，也即将优化分割之后得到的左心室、右心室的分割结果，确定为目标分割结果。
上述图像分割方法中，计算机设备获取待处理医学图像中感兴趣区域的初始分割图像，根据预设的质量控制条件，对初始分割图像进行质量分析，确定初始分割图像的分割质量，根据初始分割图像的分割质量，获取待处理医学图像中感兴趣区域的目标分割图像。在本方法中，计算机设备可以根据预设的质量控制条件，对初始分割图像进行质量分析，根据初始分割图像的质量分析结果，相应地确定目标分割图像，例如，在初始分割图像分割质量差的情况下，可以对初始分割图像的分割结果进行优化，得到目标分割图像，整个过程均为计算机设备完成，不需要用户来参与校正分割结果，提高了图像分割的效率和准确率。
根据待处理图像的特征，可以设定不同维度的质量控制条件，在待处理图像为MR心脏短轴图像的情况下，质量控制条件可以基于左心室区域特征、右心室区域特征来设定。在一个实施例中，感兴趣区域包括第一区域和第二区域；第一区域包括左心室内膜的血池区域、左心室内膜与左心室外膜之间的心肌区域，第二区域包括右心室内膜区域。
那么，在一个可选的实施例中，预设的质量控制条件包括：
第一质量控制条件，包括初始分割图像中血池区域被心肌区域包围，且，血池区域与右心室内膜区域不存在相交，且，第一区域与第二区域相邻；
第二质量控制条件，包括初始分割图像位于待处理医学图像的最大连通域之内；
第三质量控制条件，包括初始分割图像中感兴趣区域的面积变化率处于阈值范围内。
其中，待处理图像为MR心脏短轴图像时，包括左心室内膜的血池区域、左心室内膜与左心室外膜之间的心肌区域，第二区域包括右心室内膜区域。那么具体地，第一质量控制条件可以理解为，包括初始分割图像中血池区域被心肌区域包围，且，血池区域与右心室内膜区域不存在相交，且，第一区域与第二区域相邻。第二质量控制条件可以理解为，对每一时间帧上所有层的分割结果分析，确定所有层的初始分割图像位于MR心脏短轴图像的最大连通域之内。第三质量控制条件可以理解为，对每一层上所有时间帧的分割结果分析，初始分割图像中左心室区域和右心室区域的面积变化率处于阈值范围内。
基于上述根据质量控制条件对初始分割图像进行质量分析，得到初始分割图像的质量分析结果。在其中可选的一个实施例中，如图3所示，根据预设的质量控制条件，对初始分割图像进行质量分析，确定初始分割图像的分割质量，包括：
S301、根据第一质量控制条件、第二质量控制条件和第三质量控制条件，分别对初始分割图像进行分析。
其中，针对第一质量控制条件，如图4所示，判断初始分割图像是否满足第一质量控制条件，包括：
S401、根据每一时间帧每一片层的所述待处理医学图像的初始分割图像，获取血池边缘像素点、心肌边缘像素点、第二区域边缘像素点。
其中，在待处理图像为MR心脏短轴图像举例说明，血池边缘像素点为左心室内膜的像素点，第二区域边缘像素点指的是右心室内膜的像素点，心肌边缘像素点包括心肌内膜的像素点和心肌外膜的像素点。当血池被心肌完全包围的情况下，心肌内膜与左心室内膜完全重合，心肌外膜与左心室外膜完全重合，或者可以认为心肌内膜就是左心室内膜，心肌外膜就是左心室外膜；在少数血池被心肌不完全包围的情况下，心肌内膜与左心室内膜不完全重合，心肌外膜与左心室外膜不完全重合。
S402、根据血池边缘像素点与心肌边缘像素点的关系，确定血池区域是否被心肌区域包围。
在本实施例中，以上述例子来说明，计算机设备根据左心室内膜的像素点和心肌内膜的像素点，以此来确定左心室是否被心肌区域覆盖。如图5所示，左心室内膜以圆点为分界点，分别包括轮廓区域1和轮廓区域2，轮廓区域1表示该部分的左心室内膜像素点的4邻域内不存在心肌像素点，轮廓区域2表示该部分的左心室内膜像素点的4邻域内存在心肌内膜像素点，计算机设备判断轮廓区域1与轮廓区域2的大小关系，从而判断血池区域是否被心肌区域所包围，其中包围包括完全的封闭包围和不完全的半包围，即左心室血池区域被心肌完全包围或大部分被包围。
可选地，可以基于轮廓区域1的像素点的数量和轮廓区域2的像素点的数量，确定轮廓区域1与轮廓区域2的大小关系，例如，轮廓区域1的像素点数量为n1，轮廓区域2的像素点数量为那n2。正常的血池被心肌包围应满足“n2>(n1+n2)*0.6”，若确定轮廓区域1和轮廓区域2的像素点的数量满足上述条件，则确定血池区域被心肌区域包围。
S403、根据血池边缘像素点和第二区域边缘像素点的关系，确定血池区域与右心室内膜区域是否存在相交。
在本实施例中，以上述例子来说明，计算机设备根据左心室内膜的像素点和右心室内膜的像素点，确定血池区域与右心室内膜区域是否存在相交，可选地，计算机设备可以计算左心室内膜像素点的4邻域内不存在右心室内膜像素点，从而确定血池区域与右心室内膜区域不相交。
S404、根据心肌边缘像素点和第二区域边缘像素点的关系，确定第一区域与第二区域是否相邻。
在本实施例中，以上述例子来说明，计算机设备根据右心室内膜的像素点和心肌外膜的像素点，确定右心室内膜的像素点是否在4邻域内存在心肌外膜的像素点，以此来确定右心室区域与心肌区域是否相邻，从而确定第一区域与第二区域是否相邻。如图6所示，心肌外膜以圆点为分界点，分别包括轮廓区域3和轮廓区域4，轮廓区域3表示该部分的心肌外膜像素点的4邻域内存在右心室内膜像素点，轮廓区域4表示该部分的心肌外膜像素点的4邻域内不存在右心室内膜像素点，可选地，可以基于轮廓区域3的像素点的数量和轮廓区域4的像素点的数量，确定第一区域与第二区域是否相邻，例如，轮廓区域3的像素点数量为n3，轮廓区域4的像素点数量为那n4。，右心室内膜与心肌外膜若存在相邻则应满足“n3>(n3+n4)*0.1”。在确定满足该不等式条件下，确定第一区域与第二区域相邻。
S405、若血池区域被心肌区域包围，且血池区域与右心室内膜区域相交，且，第一区域与第二区域相邻，则确定初始分割图像的满足第一质量控制条件。
在本实施例中，在计算机设备确定分割图像中血池区域被心肌区域包围，且血池区域与右心室内膜区域不相交，且，第一区域与第二区域相邻，则确定当前初始分割图像满足第一质量控制条件。
针对第二质量控制条件，如图7所示，初始分割图像满足第二质量控制条件，包括：
S501、根据预设的连通域分析算法，确定每一时间帧所有片层的待处理医学图像的最大连通域。
其中，连通域分析算法包括快速连通域分析算法、二值图像连通域分析算法等。在本实施例中，针对MR心脏短轴图像中每一个时间帧上的所有片层的待处理图像，进行空间上的连通域分析，确定在每一个时间帧上所有片层的待处理图像中的最大连通域。
S502、若初始分割图像位于最大连通域之内，则确定初始分割图像满足第二质量控制条件。
在本实施例中，计算机设备确定初始分割图像是否处于最大连通域之内，也即，在确定初始分割图像对应的分割结果处于最大连通域之内，则确定初始分割图像满足第二质量控制条件。
针对第三质量控制条件，如图8所示，初始分割图像满足第三质量控制条件，包括：
S601、获取每一片层的所有时间帧的待处理医学图像中感兴趣区域的面积。
在本实施例中，针对MR心脏短轴图像中的每一片层上所有时间帧的图像，计算机设备计算每一片层的所有时间帧的图像中感兴趣区域的面积，也即，计算机设备计算每一片层的所有时间帧的图像中左心室区域和右心室区域的面积。
S602、根据每两两相邻时间帧的待处理医学图像的感兴趣区域的面积比值，确定面积变化率。
在本实施例中，计算机设备根据时间帧，计算每两两相邻时间帧的待处理医学图像中的左心室区域和右心室区域的区域面积的变化率。
S603、若面积变化率处于阈值范围之内，则确定初始分割图像满足第三质量控制条件。
在本实施例中，计算机设备在得到所有时间帧上每两两相邻时间帧对应的感兴趣区域的面积变化率之后，确定每一个面积变化率是否处于预设的阈值范围内，面积变化率处于阈值范围之内，则确定初始分割图像满足第三质量控制条件。
S302、若初始分割图像均满足第一质量控制条件、第二质量控制条件和第三质量控制条件，则确定初始分割图像的分割质量为合格。
在本实施例中，计算机设备在根据第一质量控制条件、第二质量控制条件以及第三质量控制条件对初始分割图像进行质量分析之后，确定初始分割图像均满足三个质量控制条件，在这种情况下，确定初始分割图像的分割质量为合格。
S303、若初始分割图像不满足预设的质量控制条件中的至少一个，则确定初始分割图像的分割质量为不合格。
在本实施例中，计算机设备在根据第一质量控制条件、第二质量控制条件以及第三质量控制条件对初始分割图像进行质量分析之后，若初始分割图像不满足任意一个质量控制条件，或者，初始分割图像不满足至少一个质量控制条件，例如，初始分割图像的第一区域未被预设区域覆盖，第一区域与第二区域存在重叠；初始分割图像在时间帧上的面积变化率处于阈值范围之外初始分割图像位于最大连通域；若初始分割图像满足上述至少一种情况，则确定初始分割图像的分割质量为不合格。
在本实施例中，计算机设备根据多个质量控制条件对初始分割图像进行质量分析，不需要操作人员人工参与图像分割结果的校正，基于质量控制条件对初始分割图像的质量分析结果也较为准确，优化了初始分割图像质量分析的过程。
在根据上述实施例得到初始分割图像的分割质量之后，计算机设备根据初始分割图像的分割质量确定目标分割图像。在其中可选的一个实施例中，如图9所示，根据初始分割图像的分割质量，确定待处理医学图像中感兴趣区域的目标分割图像，包括：
S701、若初始分割图像的分割质量为合格，则确定初步分割结果为目标分割图像。
在本实施例中，如果初始分割图像的分割质量为合格，即意味着初始分割图像的分割结果良好，那么，计算机设备可以直接将初始分割图像对应的初步分割结果确定为目标分割图像。
S702、若初始分割图像的分割质量为不合格，则根据初始分割图像和优化分割算法，对待处理医学图像进行优化分割，确定目标分割图像。
在本实施例中，计算机设备若确定初始分割图像的分割质量为不合格，则意味着当前初始分割图像中存在至少一种不符合分割质量的情况，此时，计算机设备可以根据优化分割算法，对待处理医学图像进行优化分割。其中，优化分割算法包括模板匹配、活动轮廓等算法，可选地，计算机设备可以将分割质量为合格的图像作为先验图像进行优化分割，本实施例对此不做限定。
在本实施例中，计算机设备根据初始分割图像的分割质量确定目标分割图像，在初始分割图像的分割质量合格的情况下，直接将初始分割图像确定为目标分割图像；在初始分割图像的分割质量不合格的情况下，通过优化分割，确定目标分割图像，得到的待处理图像的目标分割图像较为准确。
计算机设备在确定初始分割图像的分割质量不合格，可以基于优化分割算法对待处理医学图像进行优化分割处理，以得到优化之后的分割图像，如图10所示，根据初始分割图像和优化分割算法，对待处理医学图像进行优化分割，确定目标分割图像，包括：
S801、根据待处理医学图像的所有片层所有时间帧的初始分割图像，确定满足所有质量控制条件的候选分割图像。
在本实施例中，计算机设备针对待处理医学图像的每一个片层中每一个时间帧的初始分割图像，筛选出满足所有质量控制条件的候选分割图像，也即，筛选处分割质量合格的初始分割图像，作为候选分割图像，这里，候选分割图像就是在进行优化分割过程中的先验图像。
S802、根据候选分割图像、待处理医学图像、以及优化分割算法，确定待处理图像的目标分割图像。
在本实施例中，将候选分割图像作为优化分割算法的先验图像，根据先验图像、待处理图像以及优化分割算法，对待处理图像进行感兴趣区域的优化分割，得到待处理图像对应的目标分割图像。
可选地，在待处理图像为MR心脏短轴图像的情况下，针对左心室区域的分割结果进行优化，如图11所示，根据候选分割图像、待处理医学图像、以及预设的优化分割算法，确定待处理图像的目标分割图像，包括：
S901、根据候选分割图像，确定标准区域模板。
在本实施例中，计算机设备根据候选分割图像，也即先验图像，确定标准区域模板，可选地，计算机设备可以根据用户输入的标记mask基于先验图像，生成一系列的标准区域模板。
S902、根据待处理医学图像和标准区域模板，进行卷积操作，根据卷积结果的最大响应值，确定待处理医学图像中第一区域的轮廓特征。
其中，第一区域的轮廓特征指的是左心室区域中左心室内膜轮廓的特征。在本实施例中，计算机设备在根据待处理医学图像和标准区域模板进行卷积操作之前，可选地，计算机设备还可以对待处理图像进行图像裁剪，从而基于裁剪后的待处理图像和标准区域模板进行卷积操作，得到卷积结果，从而在先验图像中掩膜(mask)的中心点附近7*7范围内搜索卷积结果的最大响应值，确定待处理图像中左心室的内膜轮廓。
S903、根据第一区域的轮廓特征和活动轮廓法，确定待处理医学图像的第一区域。
在本实施例中，计算机设备在确定左心室的内膜轮廓之后，根据活动轮廓法，确定左心室的外模轮廓，从而得到待处理图像的包括左心室内膜区域、左心室外膜区域的左心室区域，也即第一区域。可选地，左心室的分割过程可参考图12，本实施例对此不做限定。
在本实施例中，计算机设备根据待处理医学图像、标准区域模板以及活动轮廓法，对待处理图像进行第一区域的优化分割，该第一区域的优化分割结果比较准确。
在待处理图像为MR心脏短轴图像的情况下，在对左心室区域进行优化分割之后，计算机设备对右心室区域进行分割优化，在其中可选的一个实施例中，如图13所示，根据候选分割图像、待处理医学图像、以及优化分割算法，确定待处理图像的目标分割图像，包括：
S1001、根据候选分割图像和待处理医学图像，进行大津法OTSU阈值分割，确定待处理医学图像中灰度值处于预设范围内的候选区域。
在本实施例中，计算机设备将上述候选分割图像作为先验图像，根据先验图像和待处理图像进行第二区域的优化分割，可选地，计算机设备可以根据上述实施例对左心室的优化分割结果，从待处理图像中将左心室区域剔除，从而基于剔除左心室区域的待处理图像进行右心室区域的优化分割。此外，计算机设备还可以对待处理图像进行图像裁剪，得到裁剪之后就的待处理图像。基于裁剪之后的待处理图像进行大津法OTSU阈值分割，从进行阈值分割后的待处理图像中确定灰度值处于预设范围内的候选区域，示例的，灰度值处于预设范围内的候选区域可以包括右心室，左心室血池和其他组织。
S1002、根据候选区域，确定待处理医学图像的第二区域。
在本实施例中，计算机设备在确定候选区域之后，采用连通域分析方法，从各片层各个时间帧待处理图像的候选区域中，提取第二区域，也即提取右心室区域；可选地，计算机设备还可以采用形态学操作从各片层各个时间帧待处理图像的候选区域中，提取第二区域。其中，右心室区域优化分割的过程可参考图14，本实施例对此不做限定。
在本实施例中，计算机设备根据待处理医学图像、候选分割图像以及大津法OTSU阈值分割法，对待处理图像进行第二区域的优化分割，该第二区域的优化分割结果比较准确。
为了更好的说明上述方法，如图15所示，本实施例提供一种图像分割方法，具体包括：
S101、获取待处理医学图像中感兴趣区域的初始分割图像；
S102、根据预设的质量控制条件，对初始分割图像进行质量分析，确定初始分割图像的分割质量；
S103、根据第一质量控制条件、第二质量控制条件和第三质量控制条件，分别对初始分割图像进行分析；
S104、若初始分割图像均满足第一质量控制条件、第二质量控制条件和第三质量控制条件，则确定初始分割图像的分割质量为合格，确定初步分割结果为目标分割图像；
S105、若初始分割图像不满足预设的质量控制条件中的至少一个，则确定初始分割图像的分割质量为不合格；
S106、根据待处理医学图像的所有片层所有时间帧的初始分割图像，确定满足所有质量控制条件的候选分割图像；
S107、根据候选分割图像，确定标准区域模板；
S108、根据待处理医学图像和标准区域模板，进行卷积操作，根据卷积结果的最大响应值，确定待处理医学图像中第一区域的轮廓特征；
S109、根据第一区域的轮廓特征和活动轮廓法，确定待处理医学图像的第一区域；
S110、根据候选分割图像和待处理医学图像，进行大津法OTSU阈值分割，确定待处理医学图像中灰度值处于预设范围内的候选区域；
S111、根据候选区域，确定待处理医学图像的第二区域。
在本实施例中，图16给出了现有技术(优化前)与本实施例提供的方法(优化后)的应用效果示意图，图16给出了深度学习在心底部分右心室分割失败或者没有分割出来，被质量分析检测出来之后，经过优化算法分割出了右心室内膜。图17给出了深度学习在心底部分图像结构复杂的情况下，未分割出左心室内外膜，优化算法的优化结果。
在本实施例中，计算机设备可以根据预设的多个质量控制条件，对初始分割图像进行质量分析，根据初始分割图像的质量分析结果，相应地对初始分割图像的分割结果进行优化分割，最终得到目标分割图像，整个过程均为计算机设备完成，不需要用户来参与校正分割结果，提高了图像分割的效率和准确率。
上述实施例提供的图像分割方法，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
应该理解的是，虽然图2-17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，图2-17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。
在一个实施例中，如图18所示，提供了一种图像分割装置，包括：获取模块01、分析模块02和确定模块03，其中：
获取模块01，用于获取待处理医学图像中感兴趣区域的初始分割图像；
分析模块02，用于根据预设的质量控制条件，对初始分割图像进行质量分析，确定初始分割图像的分割质量；
确定模块03，用于根据初始分割图像的分割质量，获取待处理医学图像中感兴趣区域的目标分割图像。
在其中可选的一个实施例中，感兴趣区域包括第一区域和第二区域；第一区域包括左心室内膜的血池区域、左心室内膜与左心室外膜之间的心肌区域，第二区域包括右心室内膜区域。
在其中可选的一个实施例中，预设的质量控制条件包括：
第一质量控制条件，包括初始分割图像中血池区域被心肌区域包围，且，血池区域与右心室内膜区域不存在相交，且，第一区域与第二区域相邻；
第二质量控制条件，包括初始分割图像位于待处理医学图像的最大连通域之内；
第三质量控制条件，包括初始分割图像中感兴趣区域的面积变化率处于阈值范围内。
在其中可选的一个实施例中，分析模块02，用于根据第一质量控制条件、第二质量控制条件和第三质量控制条件，分别对初始分割图像进行分析；若初始分割图像均满足第一质量控制条件、第二质量控制条件和第三质量控制条件，则确定初始分割图像的分割质量为合格；若初始分割图像不满足预设的质量控制条件中的至少一个，则确定初始分割图像的分割质量为不合格。
在其中可选的一个实施例中，分析模块02，用于根据每一时间帧每一片层的待处理医学图像的初始分割图像，获取血池边缘像素点、心肌边缘像素点以及第二区域的边缘像素点；根据血池边缘像素点与心肌边缘像素点的关系，确定血池区域是否被心肌区域包围；根据血池边缘像素点与第二边缘像素点的关系，确定血池区域与右心室内膜区域是否存在相交；根据心肌边缘像素点与第二边缘像素点的关系，确定第一区域与第二区域是否相邻；若血池区域被心肌区域包围，且血池区域与右心室内膜区域不相交，且，第一区域与第二区域相邻，则确定初始分割图像的满足第一质量控制条件。
在其中可选的一个实施例中，分析模块02，用于根据预设的连通域分析算法，确定每一时间帧所有片层的待处理医学图像的最大连通域；若初始分割图像位于最大连通域之内，则确定初始分割图像满足第二质量控制条件。
在其中可选的一个实施例中，分析模块02，用于获取每一片层的所有时间帧的待处理医学图像中感兴趣区域的面积；根据每两两相邻时间帧的待处理医学图像的感兴趣区域的面积比值，确定面积变化率；若面积变化率处于阈值范围之内，则确定初始分割图像满足第三质量控制条件。
在其中可选的一个实施例中，确定模块03，用于若初始分割图像的分割质量为合格，则确定初步分割结果为目标分割图像；若初始分割图像的分割质量为不合格，则根据初始分割图像和优化分割算法，对待处理医学图像进行优化分割，确定目标分割图像。
在其中可选的一个实施例中，确定模块03，用于根据待处理医学图像的所有片层所有时间帧的初始分割图像，确定满足所有质量控制条件的候选分割图像；根据候选分割图像、待处理医学图像、以及优化分割算法，确定待处理图像的目标分割图像。
在其中可选的一个实施例中，确定模块03，用于根据候选分割图像，确定标准区域模板；根据待处理医学图像和标准区域模板，进行卷积操作，根据卷积结果的最大响应值，确定待处理医学图像中第一区域的轮廓特征；根据第一区域的轮廓特征和活动轮廓法，确定待处理医学图像的第一区域。
在其中可选的一个实施例中，确定模块03，用于根据候选分割图像和待处理医学图像，进行大津法OTSU阈值分割，确定待处理医学图像中灰度值处于预设范围内的候选区域；根据候选区域，确定待处理医学图像的第二区域。
关于图像分割装置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。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。
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，该处理器执行计算机程序时实现以下步骤：
获取待处理医学图像中感兴趣区域的初始分割图像；
根据预设的质量控制条件，对初始分割图像进行质量分析，确定初始分割图像的分割质量；
根据初始分割图像的分割质量，获取待处理医学图像中感兴趣区域的目标分割图像。
上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
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：
获取待处理医学图像中感兴趣区域的初始分割图像；
根据预设的质量控制条件，对初始分割图像进行质量分析，确定初始分割图像的分割质量；
根据初始分割图像的分割质量，获取待处理医学图像中感兴趣区域的目标分割图像。
上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
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，本申请所提供的各实施例中所使用的对存储器、存储、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、闪存或光存储器等。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。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。
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。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种图像分割方法，其特征在于，所述方法包括：
获取待处理医学图像中感兴趣区域的初始分割图像；所述感兴趣区域包括第一区域和第二区域，所述第一区域包括左心室内膜的血池区域、左心室内膜与左心室外膜之间的心肌区域，所述第二区域包括右心室内膜区域，所述初始分割图像是根据预设的图像分割算法对所述待处理医学图像进行分割操作之后得到的图像，所述初始分割图像包括左心室内外膜以及右心室内膜的分割结果；所述初始分割图像包括各时间帧的所有片层的心脏图像；
根据预设的质量控制条件，对所述初始分割图像进行质量分析，确定所述初始分割图像的分割质量；
若所述初始分割图像的分割质量为合格，则确定所述初始分割图像为目标分割图像；
若所述初始分割图像的分割质量为不合格，则根据所述待处理医学图像的所有片层所有时间帧的初始分割图像，确定满足所有所述质量控制条件的候选分割图像；根据所述候选分割图像、所述待处理医学图像以及优化分割算法，确定所述待处理医学图像的目标分割图像；
其中，所述预设的质量控制条件包括：
第一质量控制条件，包括所述初始分割图像中所述血池区域被所述心肌区域包围，且，所述血池区域与所述右心室内膜区域不存在相交，且，所述第一区域与所述第二区域相邻；
第二质量控制条件，包括所述初始分割图像位于所述待处理医学图像所对应的最大连通域之内；
和，第三质量控制条件，包括所述初始分割图像中各所述感兴趣区域的面积变化率均处于阈值范围内；所述面积变化率等于每一片层的待处理医学图像中每两两相邻时间帧的待处理医学图像的感兴趣区域的面积比值；
其中，所述根据所述候选分割图像、所述待处理医学图像、以及优化分割算法，确定所述待处理医学图像的目标分割图像，包括：
根据所述候选分割图像，确定标准区域模板；
根据所述待处理医学图像和所述标准区域模板，进行卷积操作，根据卷积结果的最大响应值，确定所述待处理医学图像中第一区域的轮廓特征；
根据所述第一区域的轮廓特征和活动轮廓法，确定所述待处理医学图像的所述第一区域。
2.根据权利要求1所述的方法，其特征在于，所述初始分割图像满足所述第一质量控制条件，包括：
根据每一时间帧每一片层的所述待处理医学图像的初始分割图像，获取血池边缘像素点、心肌边缘像素点、第二区域边缘像素点；
根据所述血池边缘像素点与所述心肌边缘像素点的关系，确定所述血池区域是否被所述心肌区域包围；
根据所述血池边缘像素点和所述第二区域边缘像素点的关系，确定所述血池区域与所述右心室内膜区域是否存在相交；
根据所述心肌边缘像素点和所述第二区域边缘像素点的关系，确定所述第一区域与所述第二区域是否相邻；
若所述血池区域被所述心肌区域包围，且所述血池区域与所述右心室内膜区域不相交，且，所述第一区域与所述第二区域相邻，则确定所述初始分割图像的满足所述第一质量控制条件。
3.根据权利要求1所述的方法，其特征在于，所述初始分割图像满足所述第二质量控制条件，包括：
根据预设的连通域分析算法，确定每一时间帧所有片层的待处理医学图像对应的一个最大连通域；
若所述初始分割图像位于所述最大连通域之内，则确定所述初始分割图像满足所述第二质量控制条件。
4.根据权利要求1所述的方法，其特征在于，所述初始分割图像满足所述第三质量控制条件，包括：
获取每一片层的所有时间帧的待处理医学图像中感兴趣区域的面积；
根据每两两相邻时间帧的待处理医学图像的感兴趣区域的面积比值，确定所述面积变化率；
若所述面积变化率处于所述阈值范围之内，则确定所述初始分割图像满足所述第三质量控制条件。
5.根据权利要求1所述的方法，其特征在于，所述根据所述候选分割图像、所述待处理医学图像、以及优化分割算法，确定所述待处理医学图像的目标分割图像，包括：
根据所述候选分割图像和所述待处理医学图像，基于所述待处理医学图像进行大津法OTSU阈值分割，确定所述待处理医学图像中灰度值处于预设范围内的候选区域；
根据所述候选区域，确定所述待处理医学图像的所述第二区域。
6.一种图像分割装置，其特征在于，所述装置包括：
获取模块，用于获取待处理医学图像中感兴趣区域的初始分割图像；所述感兴趣区域包括第一区域和第二区域，所述第一区域包括左心室内膜的血池区域、左心室内膜与左心室外膜之间的心肌区域，所述第二区域包括右心室内膜区域，所述初始分割图像是根据预设的图像分割算法对所述待处理医学图像进行分割操作之后得到的图像，所述初始分割图像包括左心室内外膜以及右心室内膜的分割结果；
分析模块，用于根据预设的质量控制条件，对所述初始分割图像进行质量分析，确定所述初始分割图像的分割质量；
确定模块，用于若所述初始分割图像的分割质量为合格，则确定所述初始分割图像为目标分割图像；
若所述初始分割图像的分割质量为不合格，则根据所述待处理医学图像的所有片层所有时间帧的初始分割图像，确定满足所有所述质量控制条件的候选分割图像；根据所述候选分割图像、所述待处理医学图像以及优化分割算法，确定所述待处理医学图像的目标分割图像；所述优化分割算法包括模板匹配法和活动轮廓法；
其中，所述预设的质量控制条件包括：
第一质量控制条件，包括所述初始分割图像中所述血池区域被所述心肌区域包围，且，所述血池区域与所述右心室内膜区域不存在相交，且，所述第一区域与所述第二区域相邻；
第二质量控制条件，包括所述初始分割图像位于所述待处理医学图像所对应的最大连通域之内；
和，第三质量控制条件，包括所述初始分割图像中各所述感兴趣区域的面积变化率均处于阈值范围内；所述面积变化率等于每一片层的待处理医学图像中每两两相邻时间帧的待处理医学图像的感兴趣区域的面积比值；
所述确定模块，还用于根据所述候选分割图像，确定标准区域模板；根据所述待处理医学图像和所述标准区域模板，进行卷积操作，根据卷积结果的最大响应值，确定所述待处理医学图像中第一区域的轮廓特征；根据所述第一区域的轮廓特征和活动轮廓法，确定所述待处理医学图像的所述第一区域。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
8.一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权利要求1至5中任一项所述的方法的步骤。
CN202110745154.3A 2021-06-30 2021-06-30 图像分割方法、装置、计算机设备和存储介质 Active CN113362345B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110745154.3A CN113362345B (zh) 2021-06-30 2021-06-30 图像分割方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110745154.3A CN113362345B (zh) 2021-06-30 2021-06-30 图像分割方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113362345A CN113362345A (zh) 2021-09-07
CN113362345B true CN113362345B (zh) 2023-05-30

Family

ID=77537792

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110745154.3A Active CN113362345B (zh) 2021-06-30 2021-06-30 图像分割方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113362345B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689355B (zh) * 2021-09-10 2022-07-08 数坤(北京)网络科技股份有限公司 图像处理方法、装置、存储介质及计算机设备
CN117234320B (zh) * 2023-11-15 2024-02-23 深圳市鸿茂元智光电有限公司 一种led显示屏节能显示方法、***和显示屏

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100124364A1 (en) * 2008-11-19 2010-05-20 Zhimin Huo Assessment of breast density and related cancer risk
DE102010022307A1 (de) * 2010-06-01 2011-12-01 Siemens Aktiengesellschaft Verfahren zur Überprüfung der Segmentierung einer Struktur in Bilddaten
US9501837B2 (en) * 2014-10-01 2016-11-22 Lyrical Labs Video Compression Technology, LLC Method and system for unsupervised image segmentation using a trained quality metric
DE102013218437A1 (de) * 2013-09-13 2015-03-19 Siemens Aktiengesellschaft Verfahren zur automatischen oder halb-automatischen Segmentierung und Vorrichtung
CN104978730B (zh) * 2014-04-10 2019-04-23 上海联影医疗科技有限公司 一种左心室心肌的分割方法和装置
CN106709919B (zh) * 2015-11-17 2020-08-04 上海联影医疗科技有限公司 一种心脏灌注磁共振图像的处理方法
CN106910182B (zh) * 2015-12-22 2020-11-27 上海联影医疗科技股份有限公司 心脏心功能磁共振图像中舒张末期图像中血池的分割方法
CN106910194B (zh) * 2015-12-22 2020-11-27 上海联影医疗科技股份有限公司 心脏心功能磁共振图像中的心内外膜的分割方法
CN106874848A (zh) * 2017-01-06 2017-06-20 深圳市保千里电子有限公司 一种行人检测方法及***
CN107123123B (zh) * 2017-05-02 2019-06-25 电子科技大学 基于卷积神经网络的图像分割质量评价方法
CN108013904B (zh) * 2017-12-15 2020-12-25 无锡祥生医疗科技股份有限公司 心脏超声成像方法
CN108833230A (zh) * 2018-06-27 2018-11-16 梧州井儿铺贸易有限公司 一种智能家居***
CN108830853A (zh) * 2018-07-20 2018-11-16 东北大学 一种基于人工智能的黑色素瘤辅助诊断方法
CN110889851B (zh) * 2018-09-11 2023-08-01 苹果公司 针对深度和视差估计的语义分割的稳健用途
CN109242864B (zh) * 2018-09-18 2021-09-24 电子科技大学 基于多分支网络的图像分割结果质量评价方法
CN109598734A (zh) * 2018-12-29 2019-04-09 上海联影智能医疗科技有限公司 心脏与肺叶分割的方法和***
CN109859232A (zh) * 2019-01-11 2019-06-07 安徽师范大学 一种动物脑组织切片显微图像分割方法
CN110400626B (zh) * 2019-07-08 2023-03-24 上海联影智能医疗科技有限公司 图像检测方法、装置、计算机设备和存储介质
CN110599499B (zh) * 2019-08-22 2022-04-19 四川大学 基于多路卷积神经网络的mri图像心脏结构分割方法
CN112465779B (zh) * 2020-11-26 2024-02-27 中国科学院苏州生物医学工程技术研究所 腹部ct中胆总管囊肿病灶全自动检测分割方法及***
CN112634240B (zh) * 2020-12-25 2022-09-23 南京邮电大学 基于阈值分割的甲状腺超声图像干扰界面自动识别去除方法
CN112884782B (zh) * 2021-03-02 2024-01-05 深圳市瑞图生物技术有限公司 生物对象分割方法、装置、计算机设备和存储介质
CN113222996A (zh) * 2021-03-03 2021-08-06 中南民族大学 心脏分割质量评估方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113362345A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN109598728B (zh) 图像分割方法、装置、诊断***及存储介质
CN113362345B (zh) 图像分割方法、装置、计算机设备和存储介质
CN110211076B (zh) 图像拼接方法、图像拼接设备和可读存储介质
US7822254B2 (en) Automatic positioning of matching multi-planar image reformatting (MPR) views of multiple 3D medical images
CN111445440B (zh) 一种医学图像分析方法、设备和存储介质
US10019804B2 (en) Medical image processing apparatus, method, and program
JP2013075079A (ja) 医用画像処理装置および方法ならびにプログラム
CN109035203A (zh) 医学图像处理方法、装置、设备及存储介质
CN110363774B (zh) 图像分割方法、装置、计算机设备和存储介质
CN109712163B (zh) 冠脉提取方法、装置、图像处理工作站和可读存储介质
KR102349515B1 (ko) 의료 영상에서 딥러닝에 기반한 종양 자동분할 방법
CN111028212B (zh) 关键点检测方法、装置、计算机设备和存储介质
CN113034389A (zh) 图像处理方法、装置、计算机设备和存储介质
CN114332132A (zh) 图像分割方法、装置和计算机设备
WO2021097595A1 (zh) 图像的病变区域分割方法、装置及服务器
CN115205450A (zh) 三维扫描数据的处理方法、装置、***、设备和介质
CN113160199B (zh) 影像识别方法、装置、计算机设备和存储介质
CN112950684B (zh) 基于表面配准的目标特征提取方法、装置、设备和介质
CN111383207A (zh) 一种肌骨超声图像处理方法、***、装置及可读存储介质
CN115797416A (zh) 基于点云图像的图像重建方法、装置、设备及存储介质
CN111784705B (zh) 感兴趣区域的勾画方法、装置、设备和存储介质
CN107194931A (zh) 一种基于双目图像匹配获取目标深度信息的方法和***
CN113538332B (zh) 心脏***点定位方法、装置、计算机设备和存储介质
CN110738664A (zh) 图像定位方法、装置、计算机设备和存储介质
Zheng et al. 3D consistent biventricular myocardial segmentation using deep learning for mesh generation

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
GR01 Patent grant
GR01 Patent grant