本发明涉及计算机辅助医学技术领域，具体涉及一种基于ct图像的肺叶分割方法和装置，以及电子设备和存储介质。
背景技术：
近年来，随着现代社会的快速发展，工业活动的日益增多，空气污染越发严重，肺部疾病的发病率也在逐年升高。因此，分析肺部组成结构进而探究肺部疾病的成因以及发展情况对于肺部疾病的诊断和治疗具有重要的临床意义，其中，肺叶的鉴别是分析肺部组成结构的重点研究方向之一。
技术实现要素：
有鉴于此，本发明实施例致力于提供一种基于ct图像的肺叶分割方法和装置，以及电子设备和存储介质，以解决如何进行肺叶分割的问题。
本发明第一方面提供了一种基于ct图像的肺叶分割方法，包括：从ct图像序列中提取出一组肺部区域图像；利用第一神经网络模型，识别出一组肺部区域图像中的多个肺裂关键点；根据多个肺裂关键点对一组肺部区域图像进行肺叶分割，得到一组肺叶分割图像。
在一个实施例中，从ct图像序列中提取出一组肺部区域图像包括：从ct图像序列中分别提取出肋骨区域和肺部粗分割区域；以肋骨区域为边界，按照预设步长将肺部粗分割区域向外扩张至边界，得到肺部精分割区域；将ct图像序列中的肺部精分割区域裁剪下来，得到一组肺部区域图像。
在一个实施例中，从ct图像序列中提取出肋骨区域包括：基于骨头的ct值，从ct图像序列中分割出骨头区域；基于肋骨的结构特性，从骨头区域中识别出肋骨区域。
在一个实施例中，基于骨头的ct值，从ct图像序列中分割出骨头区域包括：基于骨头的ct值设定第一ct值阈值，获取ct图像中ct值大于或等于第一ct值阈值的连通区域作为骨头区域。
在一个实施例中，在获取ct图像中ct值大于或等于第一ct值阈值的连通区域后，还包括：去除连通区域中面积小于预设面积阈值的区域。
在一个实施例中，在获取ct图像中ct值大于或等于第一ct值阈值的连通区域后，还包括：去除位于粗分割图像内的连通区域。
在一个实施例中，基于肋骨的结构特性，从骨头区域中识别出肋骨区域包括：对ct图像序列进行多平面重建得到重建视图，从重建视图中识别出肋骨区域。
在一个实施例中，基于肋骨的结构特性，从骨头区域中识别出肋骨区域包括：选取骨头区域图像中弧度在预设弧度范围内且相邻的骨头区域之间间隙的宽度均在预设的宽度范围内的骨头区域作为肋骨区域。
在一个实施例中，从ct图像序列中提取出肺部粗分割区域包括：利用第二神经网络模型，从ct图像序列中识别出肺部粗分割区域。
在一个实施例中，在从ct图像序列中分别提取出肋骨区域和肺部粗分割区域之前，还包括：对ct图像序列进行预处理，预处理包括以下操作中任一项或多项的组合：去除背景、去除白噪声、裁剪图像、变换窗宽和窗位。
在一个实施例中，还包括：训练第一神经网络模型；训练第一神经网络模型包括：获取已标注肺裂关键点的多张包括肺部区域的ct图像；将多张包括肺部区域的ct图像作为训练集对第一神经网络模型进行训练，得到训练好的第一神经网络模型。
在一个实施例中，训练第一神经网络模型还包括：将一组肺叶分割图像中分割效果低于预设满意度的图像加入训练集，得到更新后的训练集；利用更新后的训练集对第一神经神经网络模型进行优化。
在一个实施例中，根据多个肺裂关键点对一组肺部区域图像进行肺叶分割，得到一组肺叶分割图像包括：根据多个肺裂关键点构造肺裂曲面；利用肺裂曲面对一组肺部区域图像进行肺叶分割，以得到一组肺叶分割图像。
在一个实施例中，根据多个肺裂关键点构造肺裂曲面包括：利用曲面拟合算法，对多个肺裂关键点进行曲面拟合，以得到肺裂曲面。
在一个实施例中，利用肺裂曲面对一组肺部区域图像进行肺叶分割，以得到一组肺叶分割图像包括：以肺裂曲面为前景，对一组肺部区域图像进行距离变换，以将右肺分成三个肺叶，将左肺分成两个肺叶，得到一组肺叶分割图像。
本发明第二方面提供了一种基于ct图像的肺叶分割装置，包括：提取模块，从ct图像序列中提取出一组肺部区域图像；识别模块，利用第一神经网络模型，识别出一组肺部区域中的多个肺裂关键点；分割模块，根据多个肺裂关键点对一组肺部区域图像进行肺叶分割，得到一组肺叶分割图像。
本发明第三方面提供了一种电子设备，包括存储器、处理器以及存储在存储器上被处理器执行的计算机程序，处理器执行计算机程序时实现上述任一项的基于ct图像的肺叶分割方法的步骤。
本发明第四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，其特征在于，计算机程序被处理器执行时实现上述任一项的基于ct图像的肺叶分割方法的步骤。
根据本发明提供的基于ct图像的肺叶分割方法和装置，以及电子设备和存储介质，利用第一神经网络模型，从ct图像序列中提取出的一组肺部区域图像中识别出多个肺裂关键点，并根据多个肺裂关键点对一组肺部区域图像进行肺叶分割，可以将肺部细化分割为五个肺叶，从而为临床诊断提供更精准的数据基础。
附图说明
图1是本申请第一实施例提供的一种基于ct图像的肺叶分割方法的流程示意图。
图2是本申请第二实施例提供的一种基于ct图像的肺叶分割方法的流程示意图。
图3是本申请第三实施例提供的一种基于ct图像的肺叶分割方法的流程示意图。
图4是本申请第四实施例提供的一种基于ct图像的肺叶分割方法的流程示意图。
图5是本申请一示例性实施例提供的一种基于ct图像的肺叶分割装置的结构示意图。
图6图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
申请概述
ct图像检测是获知被检测者是否为肺炎患者最为重要且最为准确的方法之一，近日，以ct图像检测为主的临床检测被确定为判断新型冠状病毒的手段之一。为了准确定位病变位置，通常得到ct图像后需要对肺叶进行分割，得到与ct图像对应的肺叶分割图像。然而现有的肺叶分割方案存在各自的不足，导致分割结果差强人意。
例如，申请号为201710546860.9的中国专利申请提供了一种基于ct图像的肺叶分割方法，其是利用海森矩阵从肺部区域提取肺叶裂缝点，进而利用肺叶裂缝点构造肺叶裂隙面，以区分肺叶。这种方法对于肺裂密度比较低或者吸气造成肺内密度增高的情况，很难找到肺叶裂缝点。又例如，申请号为201910061682.x的中国专利申请提供了一种基于ct影像的三维肺叶分割方法，其是利用图像分割法得到支气管和肺气管后，利用分水岭变换算法来确定肺裂。这种方法依赖于支气管和肺血管的完整程度，如果支气管或肺气管存在病变，则很难确定肺裂的准确位置。再例如，申请号为201811425317.4的中国专利申请提供了一种基于全卷积神经网络的肺叶分割方法，其是基于人工标注的肺叶作为样本集来训练全卷积神经网络。而某些情况下，肺叶和肺叶之间的界限并不清晰，例如具有肺炎症状的肺叶，从而导致模型很难收敛。
有鉴于此，本申请实施例提供了一种基于ct图像的肺叶分割方法和装置，以及计算机设备和存储介质，其是利用第一神经网络模型，识别出一组肺部区域图像中的多个肺裂关键点；并根据多个肺裂关键点对一组肺部区域图像进行肺叶分割，得到一组肺叶分割图像。根据该方案在实现ct图像的肺叶分割的同时，可以解决上述现有肺叶分割方法中存在的不足。
示例性方法
图1是本申请第一实施例提供的一种基于ct图像的肺叶分割方法的流程示意图。该方法可以用于服务器或终端医疗设备。如图1所示，该肺叶分割方法100包括如下步骤：
步骤s110，从ct图像序列中提取出一组肺部区域图像。
ct图像序列包括以多个ct层面上的多张图像。对于肺部的ct图像序列而言，该ct图像序列的三维重构可以大致展现肺部的三维图像。
肺部区域图像是指仅包括肺部的图像，例如，肺部为黑色，其它区域为白色的图像。一组肺部区域图像与ct图像序列一一对应，即从每一张ct图像中提取出一张肺部区域图像。
步骤s120，利用第一神经网络模型，识别出一组肺部区域图像中的多个肺裂关键点。
人体的肺部包括五个肺叶，左肺包括两个肺叶，右肺包括三个肺叶。肺叶和肺叶之间的隔，又称为肺裂，肺裂是区分肺叶的重要标识。肺裂关键点即为从肺裂上选取的点。
在一个实施例中，第一神经网络模型为centernet模型。
在一个实施例中，肺叶分割方法100还包括训练第一神经网络模型。
第一神经网络模型的训练过程具体包括：获取已标注肺裂关键点的多张包括肺部区域的ct图像；将多张包括肺部区域的ct图像作为训练集对第一神经网络模型进行训练，得到训练好的第一神经网络模型。
这里的标注方式可以为人工标注。包括肺部区域的ct图像可以是胸部ct图像或从ct图像序列中提取出的肺部区域图像。
在一个实施例中，第一神经网络模型的训练过程还包括：将一组肺叶分割图像中分割效果低于预设满意度的图像加入所述训练集，得到更新后的训练集；利用更新后的训练集对第一神经神经网络模型进行优化。这样可以得到鲁棒的第一神经网络模型。
步骤s130，根据多个肺裂关键点对一组肺部区域图像进行肺叶分割，得到一组肺叶分割图像。
肺叶分割图像是指仅包括肺部，并且不同肺叶之间具有明确分割界限的图像。例如右肺的三个肺叶分别为红色、绿色和蓝色，左肺的两个肺叶分别为黄色和紫色，其他部位为黑色的图像。
根据本实施例提供的基于ct图像的肺叶分割方法，可以将肺部细化分割为五个肺叶，从而为临床诊断提供更精准的数据基础。与此同时，该分割方法克服了上述现有肺叶分割方法中存在的不足，适用范围更广，检测精度更高。
图2是本申请第二实施例提供的一种基于ct图像的肺叶分割方法的流程示意图。该分割方法200和图1所示分割方法100的区别仅在于，在分割方法200中，步骤s110具体执行为：
步骤s111，从ct图像序列中提取出肋骨区域。具体而言，步骤s111包括：
首先，基于骨头的ct值，从ct图像序列中分割出骨头区域。
由于人体中不同的组织结构在密度上存在轻微差别，因此不同组织结构对x线的线性吸收系数不同。为了计算与论述方便，hounsfield将线性衰减系数划分为2000个单位，称为ct值，骨头的ct值一般在150hu以上。
基于此，在一实施例中，可以基于骨头的ct值设定第一ct值阈值，获取ct图像中ct值大于或等于第一ct值阈值的连通区域作为骨头区域图像。其中，第一ct值阈值小于骨头的ct值且大于其他组织的ct值，通过设定第一ct值阈值，获取ct图像中ct值大于或等于第一ct值阈值的连通区域，即可得到骨头区域图像。
在一实施例中，在获取ct图像中ct值大于或等于第一ct值阈值的连通区域后，上述方法还可以包括：去除连通区域中面积小于预设的面积阈值的区域。第一ct值阈值设定的过大时可能会遗漏部分骨头区域，而第一ct值阈值设定的过小时，由于钙化点的ct值较大，又可能会出现肺部或者心脏区域存在一定的钙化点成为骨头区域图像中的干扰噪声，因此，需要将其去除。通常钙化点的面积较小，因此，可以通过去除连通区域中面积小于预设的面积阈值的区域来排出钙化点对骨头区域图像的干扰，其中面积阈值可以根据实际应用而预先设定。
在一实施例中，在获取ct图像中ct值大于或等于第一ct值阈值的连通区域后，上述方法还可以包括：去除位于粗分割图像内的连通区域。通过将粗分割图像内连通区域去除，可以避免肺部或者心脏区域内的钙化点对最终的分割结果造成的影响，从而可以提高后续的分割精度。
其次，基于肋骨的结构特性，从骨头区域中识别出肋骨区域。
由于肋骨相对其他骨头比较规则，肋骨通常是规则的排列在肺部外侧且呈现一定的弧形且为左右对称结构，因此肋骨可以很容易地从骨头区域中识别出来。
在一个实施例中，对ct图像序列进行多平面重建得到重建视图，从重建视图中识别出肋骨区域。通过多平面重建的三维视图中可以区分出肋骨与其他骨头的区别，特别是在矢状位上，可以清晰获知肋骨的上述特性，即肋骨的排列和形状有其特殊性。
在一个实施例中，选取骨头区域图像中弧度在预设弧度范围内且相邻的骨头区域之间间隙的宽度均在预设的宽度范围内的骨头区域作为肋骨区域。
应当理解，本申请实施例也可以根据实际应用场景的需求而选取其他获取肋骨区域图像的方式，例如直接通过神经网络模型来获取肋骨区域图像。本申请实施例对于获取肋骨区域图像的具体方式不做限定。
步骤s112，从ct图像序列中提取出肺部粗分割区域。
在一个实施例中，步骤s112具体执行为：利用第二神经网络模型，从ct图像序列中识别出肺部粗分割区域。该第二神经网络模型可以是unet模型。第二神经网络模型在训练方式可以是：选取已经由专业医务人员识别并标注出肺部区域的ct图像作为神经网络模型的训练样本来训练该神经网络模型。由于该步骤中仅仅是获取ct图像中肺部区域的粗分割图像，并非肺部区域的准确分割图像，因此，可以选取适当数量的训练样本来训练该神经网络模型，从而提高整个肺部分割的效率。
在另一实施例中，步骤s112具体执行为：根据肺部区域的ct值，选取ct值在肺部区域的ct值范围内的区域作为粗分割图像。ct值是测定人体某一局部组织或器官密度大小的一种计量单位，通常称亨氏单位(hounsfieldunit，hu)，其中，空气的ct值为-1000，致密骨的ct值为 1000。实际上ct值是ct图像中各组织与x线衰减系数相当的对应值，ct值不是绝对不变的数值，它不仅与人体内在因素如呼吸、血流等有关，而且与x线管电压、ct装置、室内温度等外界因素有关。人体组织中除了骨骼以为，其他组织的ct值都在300以下且在-80以上，其中钙化点的ct值为80-300、脂肪的ct值为-20—-80。由于肺部区域内基本为空气，其ct值相对其他组织较低，因此可以设定ct值范围，选取ct值在该ct值范围内的连通区域作为肺部粗分割区域。
在一个实施例中，步骤s112还包括：对肺部粗分割区域进行腐蚀操作，得到腐蚀后的粗分割图像。腐蚀操作为形态学操作，其具体操作过程为：沿着图像中物体边界移除像素并缩小物体的大小，即缩小物体的边界以去除图像中物体的噪声。由于肺部粗分割区域通常不是准确的肺部区域，例如，肺部粗分割区域可能会包含肺部区域以外的其他区域，该其他区域即为肺部粗分割区域中的噪声区域，通过腐蚀操作可以将肺部粗分割区域中的干扰噪声区域去除，以保证腐蚀后的肺部粗分割区域为肺部区域的一部分，而不包含肺部区域以外的区域。
步骤s113，以肋骨区域为边界，按照预设步长将肺部粗分割区域向外扩张至边界，得到肺部精分割区域。
在一实施例中，步骤s113的具体实现方式可以是：以肋骨区域为边界、肺部粗分割区域为感兴趣区域，并通过活动轮廓模型、以预设的步长对ct图像进行分割，以得到肺部精分割区域。由于肺部是被肋骨紧紧包裹的，即肋骨区域为肺部区域的外边界，因此，可以将粗分割图像作为种子区域或者感兴趣区域，并且以肋骨区域图像作为边界，通过活动轮廓模型、以预设的步长对ct图像进行分割，即由感兴趣区域开始、以预设的步长向周围扩张，直至扩张到肋骨区域为止，以得到精确分割的肺部区域的图像，为后续的肺叶分割、肺炎判断等提供了准确的基础图像数据。其中，预设的步长可以根据实际需求而调整，为了得到更高的精度，可以适当减小预设的步长。在进一步的实施例中，活动轮廓模型可以包括levelset模型或snake模型。应当理解，本申请实施例可以根据实际应用场景的需求而选取不同的活动轮廓模型，只要所选取的活动轮廓模型可以以肋骨区域图像为边界、粗分割图像为种子区域得到精确的肺部区域的图像即可，本申请实施例对于活动轮廓模型的具体结构不做限定。
在一个实施例中，步骤s113还包括：对肺部精分割区域的边界进行平滑化处理。由于根据肋骨区域只能确定肺部区域的部分边界，并且是以同一预设的步长通过活动轮廓模型扩张，因而得到的肺部精分割区域的边界可能不光滑，在得到肺部精分割区域后，对该肺部精分割区域的边界进行平滑化处理，可以得到更为精确的肺部精分割区域。
步骤s114，将ct图像序列中的肺部精分割区域裁剪下来，得到一组肺部区域图像。
根据本实施例提供肺叶分割方法，利用肺炎患者的肺部外肋骨的结构不会受到疾病的影响而发生变化，通过分别获取肺部粗分割区域和包裹肺部区域的肋骨区域，以肋骨区域作为肺部区域的边界得到肺部粗分割区域，提高了肺部分割的精度。
图3是本申请第三实施例提供的一种基于ct图像的肺叶分割方法的流程示意图。如图3所示，该肺部分割方法300和图2所示肺部分割方法200的区别仅在于，在肺部分割方法300中，在步骤s111之前步骤s110还包括：
步骤s115，对ct图像序列进行预处理。
在一实施例中，预处理可以包括以下操作中任一项或多项的组合：去除背景、去除白噪声、裁剪图像、变换窗宽和窗位。其中，去除背景的具体实现方式可以是：通过设置ct值范围，获取该ct值范围内的连通区域，并且只保留连通区域内面积最大的连通区域，其他区域均设置为背景区域，从而排除了其他区域的干扰。去除白噪声的具体实现方式可以是：通过高斯滤波器去除拍摄ct图像过程中引起的白噪声。裁剪图像的具体实现方式可以是：将背景去除，只保留有效区域，以降低后续图像处理的复杂度。变换窗宽和窗位的具体实现方式可以是：通过设定窗宽和窗位的值来重点突出感兴趣区域，从而避免不感兴趣的区域对后续处理的干扰，在本申请实施例中，可以选取窗位为-500、窗宽为1500，当然应当理解，窗位和窗宽的设定值可以根据实际情况而调整。
通过预处理将ct图像中的背景和其他干扰因素都排出，可以有效降低后续步骤的复杂程度，提高肺部分割的效率。
图4是本申请第四实施例提供的一种基于ct图像的肺叶分割方法的流程示意图。如图4所示，肺叶分割方法400和图1所示肺叶分割方法100的区别仅在于，在肺叶分割方法400中，步骤s130具体包括：
步骤s131，根据多个肺裂关键点构造肺裂曲面。
在一个实施例中，步骤s131具体执行为：利用曲面拟合算法，对多个肺裂关键点进行曲面拟合，以得到肺裂曲面。例如，采用最小二乘法进行曲面拟合。
若利用提取出的所有肺裂关键点直接构造肺裂曲面，得到的肺裂曲面可能不够凸显。为了将肺裂曲面进行凸显，需要剔除一部分的肺裂关键点。因此，在一个实施例中，步骤s131具体执行为：将多个肺裂关键点进行拓扑连接，去除不符合拓扑结构的肺裂关键点，得到优化的肺裂曲面。例如，不符合拓扑结构的肺裂关键点例如可以是在曲面上形成尖点的肺裂关键点。在另一个实施例中，每个肺裂关键点均会对应一个三维坐标(x,y,z)，由于x和y确定一个平面，对比处于该平面上的肺裂关键点的z值，找到z值最大的点作为最终该平面上具有代表性的肺裂关键点，剔除其余肺裂关键点。
步骤s132，利用肺裂曲面对一组肺部区域图像进行肺叶分割，以得到一组肺叶分割图像。
在一个实施例中，步骤s132执行为：以肺裂曲面为前景，对一组肺部区域图像进行距离变换，以将右肺分成三个肺叶，将左肺分成两个肺叶，得到一组肺叶分割图像。具体而言，首先对一组肺部区域图像进行距离变换，只保留肺裂曲面，得到肺裂曲面为黑色，其余部分为白色的肺裂曲面图像。其次利用肺裂曲面图像对一组肺部区域图像进行图像配准，得到一组肺叶分割图像。
由于步骤s131中得到的肺裂曲面并非完全联通，这样无法直接利用得到的肺裂曲面对一组肺部区域图像进行肺叶分割。经过距离变换后，可以得到更精确的肺裂曲面，实现肺叶分割。
示例性装置
图5是本申请一示例性实施例提供的一种基于ct图像的肺叶分割装置的结构示意图。如图5所示，该肺叶分割装置50包括提取模块51、识别模块52和分割模块53。提取模块51用于从ct图像序列中提取出一组肺部区域图像。识别模块52用于利用第一神经网络模型，识别出一组肺部区域中的多个肺裂关键点。分割模块53用于根据多个肺裂关键点对一组肺部区域图像进行肺叶分割，得到一组肺叶分割图像。
在一个实施例中，提取模块51具体包括提取子模块511、扩张模块512和裁剪模块513。提取子模块511用于从ct图像序列中分别提取出肋骨区域和肺部粗分割区域。扩张模块512用于以肋骨区域为边界，按照预设步长将肺部粗分割区域向外扩张至边界，得到肺部精分割区域。裁剪模块513，将ct图像序列中的肺部精分割区域裁剪下来，得到一组肺部区域图像。
提取子模块511具体用于基于骨头的ct值，从ct图像序列中分割出骨头区域；和基于肋骨的结构特性，从骨头区域中识别出肋骨区域。以及，利用第二神经网络模型，从ct图像序列中识别出肺部粗分割区域。
在一个实施例中，提取模块51还包括预处理模块514，用于对ct图像序列进行预处理。预处理包括以下操作中任一项或多项的组合：去除背景、去除白噪声、裁剪图像、变换窗宽和窗位。
在一个实施例中，分割模块53具体用于根据多个肺裂关键点构造肺裂曲面；利用肺裂曲面对一组肺部区域图像进行肺叶分割，以得到一组肺叶分割图像。
本实施例提供的基于ct图像的肺叶分割装置，与本发明实施例所提供的基于ct图像的肺叶分割方法属于同一发明构思，可执行本发明任意实施例所提供的基于ct图像的肺叶分割方法，具备执行基于ct图像的肺叶分割方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例提供的基于ct图像的肺叶分割方法，此处不再加以赘述。
示例性电子设备
下面，参考图6来描述根据本申请实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。
图6图示了根据本申请实施例的电子设备的框图。如图6所示，电子设备60包括一个或多个处理器61和存储器62。
处理器61可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备60中的其他组件以执行期望的功能。
存储器62可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器61可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于ct图像的肺页分割方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，电子设备60还可以包括：输入装置63和输出装置64，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如，在该电子设备是第一设备或第二设备时，该输入装置63可以是摄像头，用于捕捉图像的输入信号。在该电子设备是单机设备时，该输入装置63可以是通信网络连接器，用于从第一设备和第二设备接收所采集的输入信号。
此外，该输入设备63还可以包括例如键盘、鼠标等等。
该输出装置64可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出设备64可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备60中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备60还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于ct图像的肺页分割方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c 等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是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在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于ct图像的肺页分割方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
1.一种基于ct图像的肺叶分割方法，其特征在于，包括：
从ct图像序列中提取出一组肺部区域图像；
利用第一神经网络模型，识别出所述一组肺部区域图像中的多个肺裂关键点；
根据所述多个肺裂关键点对所述一组肺部区域图像进行肺叶分割，得到一组肺叶分割图像。
2.根据权利要求1所述的基于ct图像的肺叶分割方法，其特征在于，所述从ct图像序列中提取出一组肺部区域图像包括：
从所述ct图像序列中分别提取出肋骨区域和肺部粗分割区域；
以所述肋骨区域为边界，按照预设步长将所述肺部粗分割区域向外扩张至所述边界，得到肺部精分割区域；
将所述ct图像序列中的所述肺部精分割区域裁剪下来，得到所述一组肺部区域图像。
3.根据权利要求2所述的基于ct图像的肺叶分割方法，其特征在于，从所述ct图像序列中提取出肋骨区域包括：
基于骨头的ct值，从所述ct图像序列中分割出骨头区域；
基于肋骨的结构特性，从所述骨头区域中识别出肋骨区域。
4.根据权利要求3所述的基于ct图像的肺叶分割方法，其特征在于，所述基于骨头的ct值，从所述ct图像序列中分割出骨头区域包括：
基于骨头的ct值设定第一ct值阈值，获取所述ct图像中ct值大于或等于所述第一ct值阈值的连通区域作为所述骨头区域。
5.根据权利要求4所述的基于ct图像的肺叶分割方法，其特征在于，在所述获取所述ct图像中ct值大于或等于所述第一ct值阈值的连通区域后，还包括：
去除所述连通区域中面积小于预设面积阈值的区域。
6.根据权利要求4所述的基于ct图像的肺叶分割方法，其特征在于，在所述获取所述ct图像中ct值大于或等于所述第一ct值阈值的连通区域后，还包括：
去除位于所述粗分割图像内的连通区域。
7.根据权利要求3所述的基于ct图像的肺叶分割方法，其特征在于，所述基于肋骨的结构特性，从所述骨头区域中识别出肋骨区域包括：
对所述ct图像序列进行多平面重建得到重建视图，从所述重建视图中识别出所述肋骨区域。
8.根据权利要求3所述的基于ct图像的肺叶分割方法，其特征在于，所述基于肋骨的结构特性，从所述骨头区域中识别出肋骨区域包括：
选取所述骨头区域图像中弧度在预设弧度范围内且相邻的骨头区域之间间隙的宽度均在预设的宽度范围内的骨头区域作为所述肋骨区域。
9.根据权利要求2所述的基于ct图像的肺叶分割方法，其特征在于，从所述ct图像序列中提取出肺部粗分割区域包括：
利用第二神经网络模型，从所述ct图像序列中识别出所述肺部粗分割区域。
10.根据权利要求2所述的基于ct图像的肺叶分割方法，其特征在于，在所述从所述ct图像序列中分别提取出肋骨区域和肺部粗分割区域之前，还包括：
对所述ct图像序列进行预处理，所述预处理包括以下操作中任一项或多项的组合：去除背景、去除白噪声、裁剪图像、变换窗宽和窗位。
11.根据权利要求1所述的基于ct图像的肺叶分割方法，其特征在于，还包括：训练所述第一神经网络模型；所述训练所述第一神经网络模型包括：
获取已标注肺裂关键点的多张包括肺部区域的ct图像；
将所述多张包括肺部区域的ct图像作为训练集对第一神经网络模型进行训练，得到所述训练好的第一神经网络模型。
12.根据权利要求11所述的基于ct图像的肺叶分割方法，其特征在于，所述训练所述第一神经网络模型还包括：
将所述一组肺叶分割图像中分割效果低于预设满意度的图像加入所述训练集，得到更新后的训练集；
利用所述更新后的训练集对所述第一神经神经网络模型进行优化。
13.根据权利要求1所述的基于ct图像的肺叶分割方法，其特征在于，所述根据所述多个肺裂关键点对所述一组肺部区域图像进行肺叶分割，得到一组肺叶分割图像包括：
根据所述多个肺裂关键点构造肺裂曲面；
利用所述肺裂曲面对所述一组肺部区域图像进行肺叶分割，以得到所述一组肺叶分割图像。
14.根据权利要求13所述的基于ct图像的肺叶分割方法，其特征在于，所述根据所述多个肺裂关键点构造肺裂曲面包括：
利用曲面拟合算法，对所述多个肺裂关键点进行曲面拟合，以得到所述肺裂曲面。
15.根据权利要求13所述的基于ct图像的肺叶分割方法，其特征在于，所述利用所述肺裂曲面对所述一组肺部区域图像进行肺叶分割，以得到所述一组肺叶分割图像包括：
以肺裂曲面为前景，对所述一组肺部区域图像进行距离变换，以将右肺分成三个肺叶，将左肺分成两个肺叶，得到所述一组肺叶分割图像。
16.一种基于ct图像的肺叶分割装置，其特征在于，包括：
提取模块，从ct图像序列中提取出一组肺部区域图像；
识别模块，利用第一神经网络模型，识别出所述一组肺部区域中的多个肺裂关键点；
分割模块，根据所述多个肺裂关键点对所述一组肺部区域图像进行肺叶分割，得到一组肺叶分割图像。
17.一种电子设备，包括存储器、处理器以及存储在所述存储器上被所述处理器执行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至15中任一项所述的基于ct图像的肺叶分割方法的步骤。
18.一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至15中任一项所述的基于ct图像的肺叶分割方法的步骤。
技术总结