一种图像分割方法、装置、设备及存储介质与流程

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

背景技术：

心血管疾病是发病率和死亡率较高的疾病，基于电子计算机x射线断层扫描(computedtomography，ct)技术的心脏冠脉分割可以提取出冠脉的左右冠脉树轮廓以及冠脉的主干和细枝，可以让医生更加方便的观察狭窄、钙化和斑块等情况，从而为医生对心血管疾病的早期预防和诊断提供依据。

现有的管状例如血管、气管、冠脉等结构的分割多是基于区域增长技术或是基于中心线追踪技术。但是，基于区域增长的分割技术是基于种子点的区域增长，如果采用过高阈值则会导致分割不完整、采用过低阈值则会产生分割泄露的问题；而基于中心线追踪的分割技术是基于预设的步长和方向的分割，当步长和方向存在间隔时，可能会跳过一些细小分支，导致分割不完整的问题。

技术实现要素：

本发明实施例提供了一种图像方法、装置、设备及存储介质，解决了管状结构分割领域存在的分割不完整或是分割泄露的问题。

第一方面，本发明实施例提供了一种图像分割方法，可以包括：

获取目标对象的图像数据，并根据图像数据确定待分割图像；

基于预设的低阈值区域增长算法对待分割图像进行分割，得到管状结构的初分割图像；

对初分割图像进行骨架化处理，得到管状结构的图像树；

基于预设的高阈值概率裁剪算法对图像树进行裁剪，并根据裁剪后的图像树确定管状结构的分割图像。

可选的，对初分割图像进行骨架化处理，得到管状结构的图像树，包括：

遍历初分割图像中各数据，如果删除数据不改变初分割图像的连通性，则删除数据；否则，保留数据，作为骨架数据；

根据骨架数据确定左树起始点和右树起始点，并分别确定各骨架数据到左树起始点和右树起始点的路径，得到管状结构的图像树。

可选的，基于预设的高阈值概率裁剪算法对图像树进行裁剪，可以包括：

确定图像树中各叶子节点到左树起始点和右树起始点的路径；

遍历各路径，裁剪小于预设的高概率阈值的叶子节点。

可选的，基于预设的高阈值概率裁剪算法对图像树进行裁剪，可以包括：

如果中间路径中各分支节点小于预设的高概率阈值且各分支节点的个数大于预设阈值，确定各分支节点中的起始端点和末端端点，其中，分支节点是除根节点和叶子节点之外的节点；

基于预设的最优路径算法，找到起始端点和末端端点之间的路径，则替换中间路径；否则，裁剪中间路径中各分支节点。

可选的，在获取目标对象的图像数据之后，所述方法还可以包括：

基于预设特征和预设机器学习算法对图像数据进行增强，并将增强后的数据作为图像数据；其中，预设特征包括海森特征和下述中的至少一个：灰度、梯度以及随机哈尔。

可选的，基于预设的低阈值区域增长算法对待分割率图像进行分割，包括：

将待分割图像的管状结构的主干的中心线上的图像数据作为种子点，以待分割图像中图像数据大于预设的低概率阈值为生长条件，以广度优先的方式对待分割图像进行分割。

可选的，当图像数据是心脏体数据时，在获取目标对象的图像数据之后，所述方法还可以包括：

基于预设的分割算法对图像数据进行分割，得到腔室体数据；

基于预设的宽度阈值对腔室体数据进行扩展，并将扩展后的体数据作为图像数据。

第二方面，本发明实施例还提供了一种图像分割装置，该装置可以包括：

待分割图像确定模块，用于获取目标对象的图像数据，并根据图像数据确定待分割图像；

初分割图像得到模块，用于基于预设的低阈值区域增长算法对待分割图像进行分割，得到管状结构的初分割图像；

图像树确定模块，用于对初分割图像进行骨架化处理，得到管状结构的图像树；

分割图像确定模块，用于基于预设的高阈值概率裁剪算法对图像树进行裁剪，并根据裁剪后的图像树确定管状结构的分割图像。

第三方面，本发明实施例还提供了一种设备，该设备可以包括：

一个或多个处理器；

存储器，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执行，使得一个或多个处理器实现本发明任意实施例所提供的图像分割方法。

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图像分割方法。

本发明实施例的技术方案，将区域增长算法和概率裁剪算法相结合，通过获取目标对象的图像数据，根据图像数据确定待分割图像，并基于预设的低阈值区域增长算法对待分割图像进行分割，可以最大程度保证管状结构的完整性；对得到的管状结构的初分割图像进行骨架化处理，得到的管状结构的图像树和初分割图像的拓扑结构相同；基于预设的高阈值概率裁剪算法对图像树进行裁剪，可以有效抑制低阈值区域增长算法带来的数据泄露的问题，并根据裁剪后的图像树确定管状结构的分割图像。上述技术方案解决了现有方案中存在的分割不完整或是分割泄露的问题，可以精确分割出医学图像中的管状结构例如气管、血管、冠脉等，为医学诊断提供了依据。

附图说明

图1是本发明实施例一中的一种图像分割方法的流程图；

图2是本发明实施例二中的一种图像分割方法的流程图；

图3是本发明实施例三中的一种图像分割装置的结构框图；

图4是本发明实施例四中的一种设备的结构示意图。

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

图1是本发明实施例一中提供的一种图像分割方法的流程图。本实施例可适用于具有管状结构特征的图像分割的情况，尤其适合于冠脉图像分割的情况。该方法可以由本发明实施例提供的图像分割装置来执行，该装置可以由软件和/或硬件的方式实现。参见图1，本发明实施例的方法具体包括如下步骤：

s110、获取目标对象的图像数据，并根据图像数据确定待分割图像。

其中，目标对象的图像数据可以基于电子计算机x射线断层扫描技术获取，其可以是基于x射线束对目标对象一定厚度的层面进行扫描，由探测器接收透过该层面的x射线，并将所得到的模拟信号数据经过模数转换转变为数字信号数据的过程。而上述过程获取的数字信号数据也就是目标对象的图像数据，则所述图像数据可以是投影数据，具体的，所述图像数据可以是ct数据。当然，可以理解的是，图像数据还可以是基于超声技术、核磁共振技术等现有的其他可以获取图像数据的技术获取，在此并未进行任何限定。进一步地，对获取的图像数据进行重建，可以确定待分割图像，所述待分割图像包括待分割的管状结构，且待分割图像中各数据亦为像素数据。当然，如果目标对象的图像数据是体数据，那么确定的待分割图像是三维图像。

s120、基于预设的低阈值区域增长算法对待分割图像进行分割，得到管状结构的初分割图像。

其中，区域增长算法的基本思想是将具有相似性的数据集合起来构成目标区域。具体的，首先，在待分割区域中找出至少一个种子点作为区域生长的起始点；基于预先设定的生长条件判断种子点预设邻域中的数据是否与种子点具有相同或相似性质，将符合生长条件的数据加入到目标区域；新加入的数据作为种子点继续向邻域生长，直至无法找到满足生长条件的数据。

区域生长算法的关键点在于种子点和生长条件的确定，尤其是生长条件会直接影响图像分割的质量。当待分割图像中各数据是概率值时，生长条件可以是与概率阈值相关。可以理解的是，如果预先设定的阈值是高阈值，那么符合生长条件的图像数据相对较少，很可能出现管状结构分割不完整的情况，即属于管状结构的图像数据未划分到目标区域中；如果预先设定的阈值是低阈值，那么符合生长条件的概率相对较多，很可能出现管状结构分割泄露的情况，即将不属于管状结构的图像数据划分至目标区域中。

为了保证可以得到完整的管状结构的分割图像，可以基于预设的低阈值生长条件对待分割图像进行区域增长，得到管状结构的初分割图像。后续，再对初分割图像进行处理，裁剪初分割图像中不属于管状结构的数据。例如，当管状结构是冠脉结构时，初分割图像中可能存在那些泄露到腔室边缘或是其他杂质的不属于冠脉结构的数据，这些数据需要被裁剪。另外，可以理解的是，初分割图像可以以掩码结构的形式存储，还可以以数据结构的形式存储。相较于数据结构，掩码结构具有更高的访问效率，更适合于存储初分割图像。

s130、对初分割图像进行骨架化处理，得到管状结构的图像树。

其中，为实现裁剪初分割图像中不属于管状结构的数据，需将初分割图像转化为树形结构的图像，例如可以对初分割图像进行骨架化处理，得到管状结构的图像树。而适合于由离散数据构成的三维初分割图像的骨架化处理的方法有距离变换算法和平行细化算法，当然也可以是其他现有的算法。

具体地，骨架是图像几何形态的一种重要拓扑描述，骨架化是图像的图形分析与形状描述中的重要变换。较为常用的平行细化算法的关键在于保持原有图像的拓扑结构以及几何约束：保持拓扑结构的目的是确保图像中连接数据数量、空洞数量与空穴数量不变；保持几何约束的目的是确保图像细化程度以及骨架化后的图像在三维空间中的位置。因此，骨架化处理后得到的图像树和初分割图像的拓扑结构以及几何约束保持一致。

s140、基于预设的高阈值概率裁剪算法对图像树进行裁剪，并根据裁剪后的图像树确定管状结构的分割图像。

其中，经过骨架化处理得到的图像树中的图像数据包括待分割的管状结构的图像数据和其余结构的图像数据，因此需要将属于其余结构的图像数据，即将不属于待分割的管状结构的图像数据进行裁剪。可以理解的是，图像树中属于管状结构的图像数据基本是管状结构的中心线上的图像数据，具有较高的数值；相对而言，那些其余结构的图像数据是较低的数值。因此，可以基于预设的高阈值概率裁剪算法对图像树进行裁剪，裁剪那些小于预设的高概率阈值的图像数据，有效抑制低阈值区域增长算法带来的数据泄露的问题。根据裁剪后的图像树可以确定管状结构的分割图像，例如血管图像、气管图像、冠脉图像。

本发明实施例的技术方案，将区域增长算法和概率裁剪算法相结合，通过获取目标对象的图像数据，根据图像数据确定待分割图像，并基于预设的低阈值区域增长算法对待分割图像进行分割，可以最大程度保证管状结构的完整性；对得到的管状结构的初分割图像进行骨架化处理，得到的管状结构的图像树和初分割图像的拓扑结构相同；基于预设的高阈值概率裁剪算法对图像树进行裁剪，可以有效抑制低阈值区域增长算法带来的数据泄露的问题，并根据裁剪后的图像树确定管状结构的分割图像。上述技术方案解决了现有方案中存在的分割不完整或是分割泄露的问题，可以精确分割出医学图像中的管状结构例如气管、血管、冠脉等，为医学诊断提供了依据。

一种可选的技术方案，对初分割图像进行骨架化处理，得到管状结构的图像树，具体可以包括：遍历初分割图像中各数据，如果删除数据不改变初分割图像的连通性，则删除数据；否则，保留数据，作为骨架数据；根据骨架数据确定左树起始点和右树起始点，并分别确定各骨架数据到左树起始点和右树起始点的路径，得到管状结构的图像树。

其中，初分割图像中的数据只有0和1，以1是管状数据，0是背景数据为例，判断当前数据是否为骨架数据的具体实现过程可以是：如果当前数据的六邻域内管状数据不连通，且当前数据的十八邻域内背景数据不连通，则说明删除当前数据影响初分割图像的连通性，当前数据是骨架数据；如果当前数据的六邻域内管状数据连通，和/或，当前数据的十八邻域内背景数据连通，则说明删除当前数据不影响初分割图像的连通性，当前数据不是骨架数据。

遍历初分割图像中各数据并确定骨架数据的具体实现过程可以是：判断当前数据是否为骨架数据后，将下一个数据更新为当前数据，并返回执行判断当前数据是否为骨架数据的步骤，直至初分割图像中上下左右前后六个方位的数据全部判断完成，得到骨架数据。所述骨架数据包括管状结构的主干的中心线上的数据，将各骨架数据以线状方式连接，可以得到管状结构的骨架。

当管状结构具有左右两个分支时，可以将左分支作为左树，右分支作为右树。根据骨架数据可以确定左树起始点和右树起始点，可以理解的是，区域生长的种子点包括左树起始点和右树起始点。进一步地，可以分别确定各骨架数据到左树起始点和右树起始点的路径，从而得到左树的中心线和右树的中心线。根据管状结构的主干的中心线、左树的中心线和右树的中心线，可以得到管状结构的图像树，即管状结构的拓扑结构。上述步骤设置的好处在于，可以准确确定管状结构的拓扑结构，有利于后续图像树的准确裁剪。

一种可选的技术方案，在获取目标对象的图像数据之后，所述方法还可以包括：基于预设特征和预设机器学习算法对图像数据进行增强，并将增强后的数据作为图像数据；其中，预设特征包括海森特征和下述中的至少一个：灰度、梯度以及随机哈尔。

其中，海森增强算法可以实现点、线、球等特征的增强，因此，基于海森特征的海森增强算法可以通过不同尺度参数分别对管状结构特征进行增强。但是海森增强算法是线状式、管状式增强，对于某些管状结构例如冠脉结构的分割，腔室边缘和上下腔静脉也是符合海森特征的结构，因此在增强冠脉结构的同时还会增强腔室边缘和上下腔静脉。上述组织在心脏中的位置与冠脉结构较近，因此会对冠脉结构的区域增长产生较大的干扰。为了解决上述问题，在海森特征的基础上可以结合其余特征，例如在腔室边缘以及上下腔静脉上，与冠脉结构存在区别的灰度、梯度、随机哈尔等特征，共同作为预设特征。

进一步地，当存在n个预设特征时，可以采用机器学习的算法对图像数据进行增强，其中n是大于1的正整数。示例性的，可以采用自适应增强(adaptiveboosting，adaboost)算法对图像数据进行增强，因为adaboost算法可以针对同一个训练集训练不同的弱分类器例如海森分类器、梯度分类器、随机哈尔分类器，通过改变数据分布将这些弱分类器集合起来，根据弱分类器的加权平均确定一个强分类器，适合于包括至少两个预设特征的机器学习增强。可以理解的是，预设机器学习算法还可以是其他现有的适合于多特征增强的算法。

以冠脉结构的分割为例，分类器的训练过程可以是：正样本是冠脉结构的图像数据，负样本是冠脉结构周边的图像数据以及腔室边缘、上下腔静脉等干扰图像数据，基于预设特征和adaboost算法对正样本和负样本进行训练，得到强分类器。那么，图像数据的增强过程可以是根据输入的图像数据与分类器的匹配度对图像数据进行增强。可以理解的是，如果增强后的数据是概率值，增强后的概率值可以与匹配度呈正相关，例如：匹配度越高，概率值越大；匹配度越低，概率值越小。那么，在实现增强冠脉结构的同时，还可以有效抑制腔室边缘和上下腔静脉。上述步骤设置的好处在于，可以增强管状结构和其余结构的差异性，尤其适合于冠脉结构的增强。

一种可选的技术方案，基于预设的低阈值区域增长算法对待分割图像进行分割，具体可以包括：将待分割图像的管状结构的主干的中心线上的图像数据作为种子点，以待分割图像中图像数据大于预设的低概率阈值为生长条件，以广度优先的方式对待分割图像进行分割。

其中，可以理解的是，管状结构的主干的中心线上的图像数据是与管状结构特征匹配度最高的数据，因此可以将待分割图像中管状结构的主干的中心线上的图像数据作为种子点；为了保证管状结构分割的完整性，可以以待分割图像中图像数据大于预设的低概率阈值为生长条件；考虑到广度优先的方式可以生长的更宽，对于管状结构的分割来说效率更高，因此可以以广度优先的方式对种子点进行预设邻域例如六邻域的迭代生长，实现待分割图像的准确分割。

另外，基于中心线模型的动态规划方法可以确定种子点：基于心脏腔室网络模型对心脏体数据进行分割，确定腔室体数据；根据腔室体数据和腔室网络模型的对应关系，基于配准机制可以模拟冠脉结构的主干；在待分割图像中基于模拟的冠脉结构的主干可以找到真正的冠脉结构的主干，进而确定主干的中心线上的图像数据，作为种子点。上述步骤的好处在于，可以自动准确地确定种子点，并基于低阈值区域增长分割出完整的管状结构。

一种可选的技术方案，当图像数据是心脏体数据时，在获取目标对象的图像数据之后，还可以包括：基于预设的分割算法对图像数据进行分割，得到腔室体数据；基于预设的宽度阈值对腔室体数据进行扩展，并将扩展后的体数据作为图像数据。

其中，对于冠脉结构的分割，获取的图像数据通常是心脏体数据，但是心脏体数据过为庞大，使得图像分割的过程较为耗时。考虑到冠脉结构位于腔室附近，因此可以对心脏体数据进行分割，得到腔室体数据；基于预设的宽度阈值对腔室体数据进行扩展，使得扩展后的体数据包括冠脉体数据。因此可以将扩展后的体数据作为图像数据，可以同时提升图像分割的效率和性能。

实施例二

图2是本发明实施例二中提供的一种图像分割方法的流程图。本实施例以上述技术方案为基础进行优化。在本实施例中，将“基于预设的高阈值概率裁剪算法对图像树进行裁剪”具体优化为“如果中间路径中各分支节点小于预设的高概率阈值且各分支节点的个数大于预设阈值，确定各分支节点中的起始端点和末端端点，其中，分支节点是除根节点和叶子节点之外的节点；基于预设的最优路径算法，找到起始端点和末端端点之间的路径，则替换中间路径；否则，裁剪中间路径中各分支节点”。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。相应的，如图2所示，本实施例的方法可以包括如下步骤：

s210、获取目标对象的图像数据，并根据图像数据确定待分割图像。

s220、基于预设的低阈值区域增长算法对待分割图像进行分割，得到管状结构的初分割图像。

s230、对初分割图像进行骨架化处理，得到管状结构的图像树。

s240、如果中间路径中各分支节点小于预设的高概率阈值且各分支节点的个数大于预设阈值，确定各分支节点中的起始端点和末端端点，其中，分支节点是除根节点和叶子节点之外的节点。

其中，图像树可以理解为一种数据结构，包括根节点、叶子节点和分支节点。根节点没有前驱结点，除根节点之外的其他结点有且只有一个前驱结点；叶子结点没有后续结点，除叶子节点之外的其他结点的后续节点数可以是一个也可以是多个。可以理解的是，图像树中的节点可以用图像数据表示。

由各分支节点构成的路径作为中间路径，当中间路径中各分支节点小于预设的高概率阈值且各分支节点的个数大于预设阈值时，说明与中间路径中各分支结点对应的结构可能不是管状结构。出现上述情况的原因可能是中间路径中各分支节点包括非管状结构的数据；还可能是中间路径中各分支节点是管状结构的数据，但并非最佳路径。当存在这样的中间路径时，确定中间路径中各分支节点的起始端点和末端端点。可以理解的是，起始端点是中间路径中最靠近根结点的结点，末端端点是中间路径中最靠近叶子结点的结点。

当然，可以理解的是，如果中间路径中各分支节点小于预设的高概率阈值，但是，各分支节点的个数小于等于预设阈值时，可能是由于扫描原因而造成的图像质量不佳，类似的分支节点无需裁剪。

s250、基于预设的最优路径算法，找到起始端点和末端端点之间的路径，则替换中间路径；否则，裁剪中间路径中各分支节点。

其中，如果基于预设的最优路径算法可以找到起始端点和末端端点之间的路径，则说明各分支节点是管状结构的数据，则用新找到的路径替换中间路径；否则，说明各分支节点包括非管状结构的数据，则裁剪中间路径中各分支节点。

其中，预设的最优路径算法可以是根据各分支节点，即根据各图像数据确定的路径。示例性的，将起始端点作为当前点，找到当前点在预设邻域内数据值最大的点，即最佳点，并将最佳点更新为当前点；返回执行找到当前点在预设邻域内数据值最大的点的步骤，直至最佳点是末端端点，则说明找到了起始端点和末端端点之间的最佳路径。可以理解的是，当最佳点是叶子结点，则说明无法找到起始端点和末端端点之间的最佳路径。

s260、根据裁剪后的图像树确定管状结构的分割图像。

本发明实施例的技术方案，当中间路径中各分支节点小于预设的高概率阈值且各分支节点的个数大于预设阈值，确定各分支节点中的起始端点和末端端点；基于预设的最优路径算法，找到起始端点和末端端点之间的路径，则替换中间路径；否则，裁剪中间路径中各分支节点，准确裁剪图像中非管状结构的数据，实现管状结构的准确分割。

一种可选的技术方案，基于预设的高阈值概率裁剪算法对图像树进行裁剪，具体可以包括：确定图像树中各叶子节点到左树起始点和右树起始点的路径；遍历各路径，裁剪小于预设的高概率阈值的叶子节点。

其中，叶子结点是图像树中底层的结点，因为叶子结点的数据对管状结构的影响比较小，因此对于小于预设的高概率阈值的叶子节点可以直接裁剪。具体的，遍历图像树中的各叶子结点，确定各叶子结点到左树起始点和右书起始点的路径；遍历各路径，依路径裁剪小于预设的高概率阈值的叶子节点。当然，本领域技术人员可以理解的是，图像树中叶子结点的裁剪和分支结点的裁剪可以相互配合，以便更加精准的分割管状结构。

实施例三

图3为本发明实施例三提供的图像分割装置的结构框图，该装置用于执行上述任意实施例所提供的图像分割方法。该装置与上述各实施例的图像分割方法属于同一个发明构思，在图像分割装置的实施例中未详尽描述的细节内容，可以参考上述图像分割方法的实施例。参见图3，该装置具体可包括：待分割图像确定模块310、初分割图像得到模块320、图像树确定模块330和分割图像确定模块340。

其中，待分割图像确定模块310，用于获取目标对象的图像数据，并根据图像数据确定待分割图像；

初分割图像得到模块320，用于基于预设的低阈值区域增长算法对待分割图像进行分割，得到管状结构的初分割图像；

图像树确定模块330，用于对初分割图像进行骨架化处理，得到管状结构的图像树；

分割图像确定模块340，用于基于预设的高阈值概率裁剪算法对图像树进行裁剪，并根据裁剪后的图像树确定管状结构的分割图像。

可选的，图像树确定模块330，具体可以包括：

骨架数据确定单元，用于遍历初分割图像中各数据，如果删除数据不改变初分割图像的连通性，则删除数据；否则，保留数据，作为骨架数据；

图像树得到单元，用于根据骨架数据确定左树起始点和右树起始点，并分别确定各骨架数据到左树起始点和右树起始点的路径，得到管状结构的图像树。

可选的，分割图像确定模块340，可以包括：

路径确定单元，用于确定图像树中各叶子节点到左树起始点和右树起始点的路径；

概率裁剪单元，用于遍历各路径，裁剪小于预设的高概率阈值的叶子节点。

可选的，分割图像确定模块340，可以包括：

端点确定单元，用于如果中间路径中各分支节点小于预设的高概率阈值且各分支节点的个数大于预设阈值，确定各分支节点中的起始端点和末端端点，其中，分支节点是除根节点和叶子节点之外的节点；

概率裁剪单元，用于基于预设的最优路径算法，找到起始端点和末端端点之间的路径，则替换中间路径；否则，裁剪中间路径中各分支节点。

可选的，待分割图像确定模块310，可以包括：

图像数据增强单元，用于基于预设特征和预设机器学习算法对图像数据进行增强，并将增强后的数据作为图像数据；其中，预设特征包括海森特征和下述中的至少一个：灰度、梯度以及随机哈尔。

可选的，初分割图像得到模块320，可以包括：

初分割图像得到单元，用于将待分割图像的管状结构的主干的中心线上的图像数据作为种子点，以待分割图像中图像数据大于预设的低概率阈值为生长条件，以广度优先的方式对待分割图像进行分割。

可选的，当图像数据是心脏体数据时，上述图像分割装置，还可以包括：

腔室体数据分割单元，用于基于预设的分割算法对图像数据进行分割，得到腔室体数据；

图像数据获取单元，用于基于预设的宽度阈值对腔室体数据进行扩展，并将扩展后的体数据作为图像数据。

本发明实施例三提供的图像分割装置，通过待分割图像确定模块和初分割图像得到模块相互配合，可以最大程度保证管状结构的完整性；图像树确定模块得到的管状结构的图像树和初分割图像的拓扑结构相同；分割图像确定模块可以有效抑制低阈值区域增长算法带来的数据泄露的问题，确定管状结构的分割图像。上述装置解决了现有方案中存在的分割不完整或是分割泄露的问题，可以精确分割出医学图像中的管状结构例如气管、血管、冠脉等，为医学诊断提供了有效的依据。

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

值得注意的是，上述图像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

图4为本发明实施例四提供的一种设备的结构示意图，如图4所示，该设备包括存储器410、处理器420、输入装置430和输出装置440。设备中的处理器420的数量可以是一个或多个，图4中以一个处理器420为例；设备中的存储器410、处理器420、输入装置430和输出装置440可以通过总线或其它方式连接，图4中以通过总线450连接为例。

存储器410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图像分割方法对应的程序指令/模块(例如，图像分割装置中的待分割图像确定模块310、初分割图像得到模块320图像树确定模块330和分割图像确定模块340)。处理器420通过运行存储在存储器410中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的图像分割方法。

存储器410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系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器410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，存储器410可进一步包括相对于处理器420远程设置的存储器，这些远程存储器可以通过网络连接至设备。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430可用于接收输入的数字或字符信息，以及产生与装置的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。

实施例五

本发明实施例五提供一种包含计算机可执行指令的存储介质，所述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图像分割方法，该方法包括：

获取目标对象的图像数据，并根据图像数据确定待分割图像；

基于预设的低阈值区域增长算法对待分割图像进行分割，得到管状结构的初分割图像；

对初分割图像进行骨架化处理，得到管状结构的图像树；

基于预设的高阈值概率裁剪算法对图像树进行裁剪，并根据裁剪后的图像树确定管状结构的分割图像。

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所述的方法操作，还可以执行本发明任意实施例所提供的图像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。依据这样的理解，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-onlymemory,rom)、随机存取存储器(randomaccessmemory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(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述的方法。

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。