肺炎阶段的评估方法、装置、介质及电子设备与流程

本申请涉及图像处理领域，具体涉及一种肺炎阶段的评估方法、分割装置、计算机可读存储介质以及电子设备。

背景技术：

电脑断层扫描(computedtomography，简称ct)是一种利用数位几何处理后重建的三维放射线医学影像。该技术主要通过单一轴面的x射线旋转照射人体，由于不同的组织对x射线的吸收能力(或称阻射率)不同，可以用电脑的三维技术重建出断层面影像，经由窗宽、窗位处理，可以得到相应组织的断层影像，将断层影像层层堆叠，即可形成立体影像。

通过ct图像可以获知被检测者是否为肺炎患者，特别是应对新型冠状病毒所造成的肺炎患者的检测，ct图像检测是最为重要且最为准确的方法之一。目前在获取ct图像后大多是先分割出肺部区域以及肺炎病灶或征象，并根据肺炎病灶或征象判断是否为肺炎以及肺炎的程度，由于不同个体在不同肺炎阶段的表现不完全一样，因此，没有自身的数据对比是很难准确评估该个体的肺炎情况和治疗效果，特别是针对目前新型冠状病毒所造成的病毒性肺炎，因为其传染性很强，需要对大量疑似人员快速的甄别，因此，需要较高的效率来对大量人员进行排查，以尽早遏制住病毒的传播。因此，目前亟需高精度且高效率的肺炎阶段的评估方法。

技术实现要素：

为了解决上述技术问题，本申请提出了一种肺炎阶段的评估方法、分割装置、计算机可读存储介质以及电子设备，通过获取待评估者的第一ct图像中的第一肺部区域图像，并且基于该第一肺部区域图像获取第一肺炎征象图像，然后配准第一肺部区域图像和早于第一肺部区域图像的第二肺部区域图像，基于配准后的第一肺部区域图像和第二肺部区域图像进行比对，来得到对该待评估者的评价结果；利用待评估者自身的多个时间点的ct图像进行比对可以更为准确的获知待评估者所处的肺炎阶段，并且对同一待评估者的多个ct图像中的肺部区域图像进行配准，以突出显示各个肺炎征象的变化，从而为医生明确该待评估者的肺炎进展情况，有利于指导医生的治疗。

根据本申请的一个方面，提供了一种肺炎阶段的评估方法，包括：获取待评估者的第一ct图像中的第一肺部区域图像；基于所述第一肺部区域图像，获取所述第一肺部区域图像中的第一肺炎征象图像；配准所述第一肺部区域图像与所述待评估者的第二ct图像中的第二肺部区域图像；其中所述第二ct图像的获取时间早于所述第一ct图像的获取时间；以及基于配准后的所述第一肺部区域图像与所述第二肺部区域图像，比对所述第一肺炎征象图像与所述第二肺部区域图像中的第二肺炎征象图像，得到评估结果。

在一实施例中，所述获取所述第一肺部区域图像中的第一肺炎征象图像包括：基于所述第一肺部区域图像，分别生成多个肺炎征象图像；以及将所述多个肺炎征象图像组合，得到所述第一肺炎征象图像；其中，分别生成多个肺炎征象图像的方式包括：将所述第一肺部区域图像分别输入多个第一神经网络模型，得到所述多个肺炎征象图像。

在一实施例中，所述配准所述第一肺部区域图像与所述待评估者的第二ct图像中的第二肺部区域图像包括：将所述第一肺部区域图像输入第二神经网络模型，得到所述第一肺部区域图像的多个肺裂关键点；根据所述多个肺裂关键点对所述第一肺部区域图像进行肺叶分割，得到第一肺叶分割图像；其中所述第一肺叶分割图像包括多个肺叶图像；以及配准所述第一肺部区域图像与所述第二肺部区域图像中对应的多个肺叶图像。

在一实施例中，所述根据所述多个肺裂关键点对所述第一肺部区域图像进行肺叶分割包括：根据所述多个肺裂关键点构造肺裂曲面；以及利用所述肺裂曲面对所述第一肺部区域图像进行肺叶分割。

在一实施例中，所述利用所述肺裂曲面对所述第一肺部区域图像进行肺叶分割包括：以肺裂曲面为前景，对所述第一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。

在一实施例中，所述获取待评估者的第一ct图像中的第一肺部区域图像包括：获取所述第一ct图像中的肋骨区域图像；获取所述第一ct图像中第一肺部区域的粗分割图像；以及以所述肋骨区域图像为所述第一肺部区域的边界，并且以所述粗分割图像为种子区域，以预设的步长向周围扩张至所述第一肺部区域的边界，得到所述第一肺部区域图像。

在一实施例中，在所述获取所述第一ct图像中第一肺部区域的粗分割图像之后，所述评估方法还包括：对所述粗分割图像进行腐蚀操作，得到腐蚀后的粗分割图像；所述以所述肋骨区域图像为所述第一肺部区域的边界，并且以所述粗分割图像为种子区域，以预设的步长向周围扩张至所述第一肺部区域的边界，得到所述第一肺部区域图像包括：以所述肋骨区域图像为所述第一肺部区域的边界，并且以所述腐蚀后的粗分割图像为种子区域扩张，以预设的步长向周围扩张至所述第一肺部区域的边界，得到所述第一肺部区域图像。

根据本申请的另一个方面，提供了一种一种肺炎阶段的评估装置，包括：肺部获取模块，用于获取待评估者的第一ct图像中的第一肺部区域图像；征象获取模块，用于基于所述第一肺部区域图像，获取所述第一肺部区域图像中的第一肺炎征象图像；配准模块，用于配准所述第一肺部区域图像与所述待评估者的第二ct图像中的第二肺部区域图像；其中所述第二ct图像的获取时间早于所述第一ct图像的获取时间；以及比对模块，用于基于配准后的所述第一肺部区域图像与所述第二肺部区域图像，比对所述第一肺炎征象图像与所述第二肺部区域图像中的第二肺炎征象图像，得到评估结果。

根据本申请的另一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一所述的评估方法。

根据本申请的另一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于执行上述任一所述的评估方法。

本申请提供的一种肺炎阶段的评估方法、分割装置、计算机可读存储介质以及电子设备，通过获取待评估者的第一ct图像中的第一肺部区域图像，并且基于该第一肺部区域图像获取第一肺炎征象图像，然后配准第一肺部区域图像和早于第一肺部区域图像的第二肺部区域图像，基于配准后的第一肺部区域图像和第二肺部区域图像进行比对，来得到对该待评估者的评价结果；利用待评估者自身的多个时间点的ct图像进行比对可以更为准确的获知待评估者所处的肺炎阶段，并且对同一待评估者的多个ct图像中的肺部区域图像进行配准，以突出显示各个肺炎征象的变化，从而为医生明确该待评估者的肺炎进展情况，有利于指导医生的治疗。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1是本申请一示例性实施例提供的一种肺炎阶段的评估方法的流程示意图。

图2是本申请一示例性实施例提供的一种第一肺炎征象图像的获取方法的流程示意图。

图3是本申请一示例性实施例提供的一种多个肺炎征象的生成方法的流程示意图。

图4是本申请一示例性实施例提供的一种肺部区域图像配准方法的流程示意图。

图5是本申请一示例性实施例提供的一种肺叶分割方法的流程示意图。

图6是本申请一示例性实施例提供的一种第一肺部区域图像获取方法的流程示意图。

图7是本申请另一示例性实施例提供的一种第一肺部区域图像获取方法的流程示意图。

图8是本申请一示例性实施例提供的一种肋骨区域图像的获取方法的流程示意图。

图9是本申请一示例性实施例提供的一种肺炎阶段的评估装置的结构示意图。

图10是本申请另一示例性实施例提供的一种肺炎阶段的评估装置的结构示意图。

图11是本申请一示例性实施例提供的电子设备的结构图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述

肺炎是一种因为多种因素引发的肺部的炎症，对于肺炎患者来说在疾病发生的时候往往会伴随剧烈的咳嗽现象。肺炎分为两种，一种是细菌引起的细菌性的肺炎，因为细菌侵袭肺部导致的肺炎，其中最为常见的肺炎球菌，和甲型溶血性链球菌这两种细菌细菌，大部分的细菌性肺炎都是因为这两种细菌导致的；另一种就是病毒引起的病毒性的肺炎，最常见的就是由一级巨细病毒引发的流感病毒，又例如2019新型冠状病毒等，病毒性的肺炎相对来于细菌性的肺炎来说，不仅更严重一些，治疗的难度相对来说也会更高。

如上所述，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，特别是应对新型冠状病毒所造成的肺炎患者。通常得到ct图像后需要对其中的肺部区域进行分割，以得到肺部区域图像，然后对肺部区域内的肺炎征象进行分割，最后由医生根据分割得到的肺炎征象来判断被检测者是否患有肺炎以及肺炎的类型和阶段，如早期肺炎、进展期肺炎、重症期肺炎和转归期肺炎，现有的肺炎阶段的判断都是专业医生根据肺炎征象的大小、形状、位置等信息并结合自身的经验来判断，这样的判断显然有较大的主观因素，并且由于每个患者的具体情况不太一样，例如对病毒的抵抗力不同和体质不同，这就导致单纯的根据肺炎征象信息来判断所有患者的肺炎阶段显然是不准确的，特别是应对传染性很强的新型冠状病毒所造成的肺炎的检测，因为其具有高传染性而导致大量的人有感染隐患，这就导致医生的任务量繁重，花费在每一个检测个体上的时间和精力就有限，这也会影响到检测的准确性。

出于解决上述问题，本申请提供的一种肺炎阶段的评估方法、分割装置、计算机可读存储介质以及电子设备，通过获取待评估者的第一ct图像中的第一肺部区域图像，并且基于该第一肺部区域图像获取第一肺炎征象图像，然后配准第一肺部区域图像和早于第一肺部区域图像的第二肺部区域图像，基于配准后的第一肺部区域图像和第二肺部区域图像进行比对，来得到对该待评估者的评价结果；利用待评估者自身的多个时间点的ct图像进行比对可以更为准确的获知待评估者所处的肺炎阶段，并且对同一待评估者的多个ct图像中的肺部区域图像进行配准，以突出显示各个肺炎征象的变化，从而为医生明确该待评估者的肺炎进展情况，有利于指导医生的治疗。

示例性方法

图1是本申请一示例性实施例提供的一种肺炎阶段的评估方法的流程示意图。如图1所示，该方法包括如下步骤：

步骤110：获取待评估者的第一ct图像中的第一肺部区域图像。

通过拍摄ct图像来获知被检测者肺部区域图像，并且根据该肺部区域图像可以准确的判断该被检测者是否患有肺炎，对于目前严峻的新型冠状病毒性肺炎，要遏制住病毒的蔓延，就需要将患有肺炎或携带该病毒的患者与其他人群隔离开来，如此就需要对疑似人员进行甄别，而作为甄别肺炎患者的有效措施之一的ct图像检测是特别重要的。肺炎患者的病灶或者征象只存在于其肺部区域，因此，在获取了待评估者的第一ct图像(当前ct图像)后，分割出该第一ct图像中的第一肺部区域图像，可以排查其他区域图像对后续诊断的干扰，从而减少后续工作的任务量，同时也可以提高评估的精度。

步骤120：基于第一肺部区域图像，获取第一肺部区域图像中的第一肺炎征象图像。

在获取了第一肺部区域图像后，在该第一肺部区域图像中分割出表征肺炎的所有的肺炎征象图像，以形成该第一ct图像的第一肺炎征象图像。

步骤130：配准第一肺部区域图像与待评估者的第二ct图像中的第二肺部区域图像；其中第二ct图像的获取时间早于第一ct图像的获取时间。

为了更好的评估待评估者的肺炎阶段，我们通过跟踪评估的方式，即按照时间先后获取多个ct图像，通过不同时间阶段的多个ct图像综合获知待评估者的肺炎阶段，其中，多个ct图像(包括获取时间早于第一ct图像的第二ct图像等)的获取方式可以如步骤110和步骤120所述。在综合评估之前，我们需要对多个ct图像进行配准，以准确获知该待评估者的肺炎征象的变化情况，从而更准确的评估该待评估者的肺炎阶段。

步骤140：基于配准后的第一肺部区域图像与第二肺部区域图像，比对第一肺炎征象图像与第二肺部区域图像中的第二肺炎征象图像，得到评估结果。

在配准了第一肺部区域图像和第二肺部区域图像后，通过比对第一肺炎征象图像和第二肺炎征象图像，从而能够定量化的得到肺炎征象的变化(包括位置、大小等)，进而可以更好的评估待评估者的肺炎阶段。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比对的ct图像的数量，例如可以将同一待评估者的所有ct图像配准后进行比对，以更完整的得到待评估者的肺炎发展阶段，从而更为准确的获知当前的肺炎阶段，本申请实施例对于比对的ct图像的具体数量不做限定。

本申请提供的一种肺炎阶段的评估方法，通过获取待评估者的第一ct图像中的第一肺部区域图像，并且基于该第一肺部区域图像获取第一肺炎征象图像，然后配准第一肺部区域图像和早于第一肺部区域图像的第二肺部区域图像，基于配准后的第一肺部区域图像和第二肺部区域图像进行比对，来得到对该待评估者的评价结果；利用待评估者自身的多个时间点的ct图像进行比对可以更为准确的获知待评估者所处的肺炎阶段，并且对同一待评估者的多个ct图像中的肺部区域图像进行配准，以突出显示各个肺炎征象的变化，从而为医生明确该待评估者的肺炎进展情况，有利于指导医生的治疗。

图2是本申请一示例性实施例提供的一种第一肺炎征象图像的获取方法的流程示意图。如图2所示，步骤120可以包括如下子步骤：

步骤121：基于第一肺部区域图像，分别生成多个肺炎征象图像；其中，分别生成多个肺炎征象图像的方式包括：将第一肺部区域图像分别输入多个第一神经网络模型，得到多个肺炎征象图像。

由于肺炎征象包括多个，需要在获知所有的或者多个征象后才能综合判断是否患有肺炎以及肺叶阶段，而这多个征象中有些征象的获取难度较大，这也进一步增加了评估的难度。因此，本申请实施例中通过将第一肺部区域图像分别输入多个第一神经网络模型，针对不同的肺炎征象训练得到不同的第一神经网络模型，可以有针对性的得到精度较高的各个肺炎征象图像，从而为后续肺炎的甄别提供了准确的数据依据。

在一实施例中，肺炎征象图像可以包括如下征象图像中的任一种或多种的组合：肺实变图像、磨玻璃影图像、肿块图像、树芽征图像、结节图像、空洞图像、晕征图像。肺实变是指终末细支气管远侧的含气腔隙被病理性液体、细胞、组织所代替，其最主要的特点是病变区致密，血管不能显影。磨玻璃影是指各种原因引起的肺泡充填或间质增厚，导致肺密度轻度增高，但其内仍可见血管纹理的病变阴影。肿块是指团块状密度增高影，其最大直径≧3cm。结节是指结节状密度增高影，其最大直径＜3cm。空洞是指肺内病变坏死、液化，经引流支气管排除及气体进入而形成的透亮区，对于感染性疾病，空洞临床上会倾向于化脓性感染。树芽征是指由终末细支气管和肺泡腔内病变形成的小结节影与分支细线影构成的酷似春天的树枝发芽状，多在肺外围支气管末梢呈2-4mm大小结节与树枝状的高密度影。晕征是指结节/空洞周围环绕的类环形玻璃样密度影，通常代表渗出、出血或水肿。可以根据各个征象的不同特征设置不同的神经网络模型来分别分割，以提高整体的分割精度。

在一实施例中，第一神经网络模型可以是深度学习神经网络模型，优选地，该第一神经网络模型可以是unet神经网络模型。在一实施例中，第一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分割并标注出肺炎征象的第一肺部区域图像作为第一神经网络模型的训练样本来训练该第一神经网络模型；并且第一神经网络模型在分割过程中得到的分割结果也可以由第三方检测机构进行验证和修改，并且可以将修改后的结果作为样本再次训练第一神经网络模型，从而进一步提高第一神经网络模型的分割精度。应当理解，本申请实施例中的多个第一神经网络模型可以是一个神经网络模型，也可以是多个神经网络模型，且多个第一神经网络模型的类型可以相同，也可以不同，本申请实施例对于分割各个肺炎征象的第一神经网络模型的具体类型不做限定。

步骤122：将多个肺炎征象图像组合，得到第一肺炎征象图像。

通常肺炎的确定是基于多个肺炎征象综合判断的，例如当只存在结节图像而不存在其他肺炎征象时，是不能确定被检测者为肺炎患者的，因此，在分别得到多个肺炎征象图像(通常是在ct图像中标注出各个肺炎征象的区域)后，将多个肺炎征象图像组合到一起，得到第一肺炎征象图像，以方便医务人员或者其他的检测机构根据该肺炎综合征象图像准确判断被检测者是否为肺炎患者以及所处的肺炎阶段。

图3是本申请一示例性实施例提供的一种多个肺炎征象的生成方法的流程示意图。第一肺部区域图像包括多层二维图像，如图3所示，步骤121可以具体包括如下子步骤：

步骤310：逐次将多层二维图像中的一部分输入多个第一神经网络模型，得到分别对应多个肺炎征象图像的多层二维征象图像。

二维图像的分割要比三维图像的分割难度小、速度快，而第一ct图像是包括多层二维图像的，第一ct图像中的第一肺部区域图像也是包括多层二维图像的，因此，为了提高分割的效率，可以将第一肺部区域图像的多层二维图像分为多个部分，将这多个部分以多次输入的方式输入多个第一神经网络模型，由多个第一神经网络模型分别多次分割二维图像来得到对应的多层二维征象图像，从而提高分割效率。应当理解，本申请实施例可以根据神经网络或处理机器的处理能力适当选取单次输入第一神经网络模型的二维图像的层数，可以是一层，也可以是多层，还可以是将所有的二维图像单次输入第一神经网络模型，只要所选取的层数不超过第一神经网络模型或处理机器所能承载的负荷即可，本申请实施例对于单次输入第一神经网络模型的二维图像的具体层数不做限定。

步骤320：分别将对应同一肺炎征象图像的多层二维征象图像叠加，得到多个肺炎征象图像。

在得到每个肺炎征象的多层二维征象图像之后，将同一肺炎征象图像的多层二维征象图像叠加起来得到该肺炎征象图像。在一实施例中，相邻次输入第一神经网络模型的部分二维图像之间存在交叉部分。通过设置交叉部分，可以避免边缘二维图像之间的差异较大，而且可以通过交叉部分的定位更好的实现叠加。

在一实施例中，如图3所示，在步骤320之后，上述实施例还可以包括：

步骤330：对多个肺炎征象图像分别进行腐蚀膨胀操作。

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。膨胀操作也是形态学操作，其具体操作过程与腐蚀操作正好相反，即沿着图像中物体边界增加像素并扩大物体的大小。通过腐蚀膨胀操作，可以有效去除分割过程中产生的噪声，同时由于相邻的二维征象图像之间是存在相互关联的，通过对叠加后的肺炎征象图像进行腐蚀膨胀操作，可以利用相邻的二维征象图像之间的相互关联性，可以去除个别层的分割误差，例如通过上下两层或多层二维征象图像可以调整中间层的二维征象图像，从而提高第一肺炎征象图像整体的分割精度。

应当理解，本申请实施例中的第二肺炎征象图像的获取方式也可以选用上述方式中的任一种，本申请对于第二肺炎征象图像的具体获取方式不做限定。

图4是本申请一示例性实施例提供的一种肺部区域图像配准方法的流程示意图。如图4所示，步骤130可以包括如下步骤：

步骤131：将第一肺部区域图像输入第二神经网络模型，得到第一肺部区域图像的多个肺裂关键点。

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，第二神经网络模型可以为centernet模型。第二神经网络模型的训练过程可以具体包括：获取已标注肺裂关键点的多张包括第一肺部区域的第一ct图像；将多张包括第一肺部区域的第一ct图像作为训练集对第二神经网络模型进行训练，得到训练好的第二神经网络模型。这里的标注方式可以为人工标注。在一个实施例中，第二神经网络模型的训练过程还可以包括：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二神经神经网络模型进行优化，以得到鲁棒的第二神经网络模型。

步骤132：根据多个肺裂关键点对第一肺部区域图像进行肺叶分割，得到第一肺叶分割图像；其中第一肺叶分割图像包括多个肺叶图像。

肺叶分割图像是指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。通过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。

步骤133：配准第一肺部区域图像与第二肺部区域图像中对应的多个肺叶图像。

在分割出多个肺叶图像后，针对每一个肺叶图像分别进行配准，以实现第一肺部区域图像和第二肺部区域图像之间的配准，由于肺部形变比较大，如果直接配准第一肺部区域和第二肺部区域，很可能会因为两次获取的肺部区域图像的差别较大而导致配准误差较大。

图5是本申请一示例性实施例提供的一种肺叶分割方法的流程示意图。如图5所示，步骤132可以包括如下子步骤：

步骤510：根据多个肺裂关键点构造肺裂曲面。

在一个实施例中，步骤510可以具体为：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，采用最小二乘法或b样条曲线拟合进行曲面拟合。

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，可以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。

步骤520：利用肺裂曲面对第一肺部区域图像进行肺叶分割。

在一实施例中，步骤520可以具体包括：以肺裂曲面为前景，对第一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，得到第一肺叶分割图像。具体而言，首先对第一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第一肺部区域图像进行图像配准，得到第一肺叶分割图像。

应当理解，本申请实施例中的第二肺炎征象图像的肺叶分割方式也可以选用上述方式中的任一种，本申请对于第二肺炎征象图像的具体肺叶分割方式不做限定。

图6是本申请一示例性实施例提供的一种第一肺部区域图像获取方法的流程示意图。如图6所示，该方法包括如下步骤：

步骤610：获取第一ct图像中的肋骨区域图像。

由于肋骨是紧紧包裹肺部区域的，并且肺炎患者的肺部形状和部分区域的特性会影响到ct图像的成像，而肺炎患者的肋骨是不会因为患病而发生变化的，因此，可以通过获取第一ct图像中的肋骨区域来得到第一肺部区域的外边界，从而提高分割第一肺部区域的精度。

步骤620：获取第一ct图像中第一肺部区域的粗分割图像。

在一实施例中，步骤620的具体实现方式可以为：将第一ct图像输入第三神经网络模型，得到第一肺部区域的粗分割图像。通训练好的第三神经网络模型，可以由第三神经网络模型识别第一ct图像中的第一肺部区域，其中第三神经网络模型可以是unet网络等神经网络模型，并且第三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第一肺部区域的第一ct图像作为第三神经网络模型的训练样本来训练该第三神经网络模型。由于该步骤中仅仅是获取第一ct图像中第一肺部区域的粗分割图像，并非第一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第三神经网络模型，从而提高整个第一肺部分割的效率。

在另一实施例中，步骤620的具体实现方式还可以为：根据第一肺部区域的ct值，选取ct值在第一肺部区域的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第一肺部区域的粗分割图像。

步骤630：以肋骨区域图像为第一肺部区域的边界，并且以粗分割图像为种子区域，以预设的步长向周围扩张至第一肺部区域的边界，得到第一肺部区域图像。

在一实施例中，步骤630的具体实现方式可以是：以肋骨区域图像为边界、粗分割图像为感兴趣区域，并通过活动轮廓模型、以预设的步长对第一ct图像进行分割，以得到第一肺部区域图像。由于肺部是被肋骨紧紧包裹的，即肋骨区域为第一肺部区域的外边界，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、以预设的步长对第一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，以得到精确分割的第一肺部区域的图像，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第一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。

图7是本申请另一示例性实施例提供的一种第一肺部区域图像获取方法的流程示意图。如图7所示，在步骤620之后，上述实施例还可以包括：

步骤640：对粗分割图像进行腐蚀操作，得到腐蚀后的粗分割图像。

由于第一肺部区域的粗分割图像通常不是准确的第一肺部区域图像，例如，粗分割图像中可能会包含第一肺部区域以外的其他区域图像，该其他区域图像即为粗分割图像中的噪声区域，通过腐蚀操作可以将粗分割图像中的干扰噪声区域去除，以保证腐蚀后的粗分割图像为第一肺部区域图像的一部分，而不包含第一肺部区域以外的区域图像。

同时，步骤630调整为：以肋骨区域图像为第一肺部区域的边界，并且以腐蚀后的粗分割图像为种子区域，以预设的步长向周围扩张至第一肺部区域的边界，得到第一肺部区域图像。

由于种子区域只需要是第一肺部区域的一部分即可，不需要是第一肺部区域的全部，因此，可以通过腐蚀操作来保证种子区域内只包含第一肺部区域，从而避免种子区域在扩张的过程中融入更多的非第一肺部区域，并且种子区域在扩张过程中是不会去除已存在于该种子区域内的区域的，因此，保证种子区域内只包含第一肺部区域是保证分割肺部区域的精度的前提条件。

图8是本申请一示例性实施例提供的一种肋骨区域图像的获取方法的流程示意图。如图8所示，该获取方法可以包括如下步骤：

步骤810：基于骨头的ct值，获取第一ct图像中骨头区域图像。

根据第一ct图像中各个区域的ct值即可获取ct值最大的骨头区域图像。在一实施例中，可以基于骨头的ct值设定第一ct值阈值，获取第一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，获取第一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，在获取第一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，在获取第一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。

步骤820：基于肋骨的特性，分割出骨头区域图像中的肋骨区域图像。

在一实施例中，步骤820的实现方式可以是：将标准肋骨图像与骨头区域图像进行比对，选取骨头区域图像中与标准肋骨图像的相似度大于预设相似度的骨头区域作为肋骨区域图像。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，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，因此，可以通过标准的肋骨图像去比对，选取骨头区域图像中与该标准肋骨图像的相似度满足一定要求(大于预设相似度)的骨头区域，以分割出骨头区域图像中的肋骨区域图像。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，例如可以根据肋骨的弧度是否在预设弧度范围内来判断，也可以根据肋骨之间的间隙是否在预设距离范围内(因为肋骨的排列有一定的规则，相邻的肋骨之间各处的垂直距离都在一定的范围内)，还可以直接通过神经网络模型来获取肋骨区域图像，只要所选取的获取肋骨区域图像的方式满足精度需求即可，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。

在一实施例中，如图6所示，在步骤620之前，上述实施例还可以包括：

步骤650：对第一ct图像进行预处理。

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第一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。

应当理解，步骤650可以设置于步骤610之前，通过预处理将第一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，提供肺部分割的效率。

在一实施例中，如图6所示，在步骤630之后，上述实施例还可以包括：

步骤660：对第一肺部区域图像的边界进行光滑化处理。

由于根据肋骨区域图像只能确定第一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，因而得到的第一肺部区域图像的边界可能不光滑，在得到第一肺部区域图像后，对该第一肺部区域图像的边界进行光滑化处理，可以得到更为精确的第一肺部区域图像。

应当理解，本申请实施例中的第二肺部区域图像的获取方式也可以选用上述方式中的任一种，本申请对于第二肺部区域图像的具体获取方式不做限定。

示例性装置

图9是本申请一示例性实施例提供的一种肺炎阶段的评估装置的结构示意图。如图9所示，该肺炎阶段的评估装置90包括如下模块：

肺部获取模块91，用于获取待评估者的第一ct图像中的第一肺部区域图像；征象获取模块92，用于基于第一肺部区域图像，获取第一肺部区域图像中的第一肺炎征象图像；配准模块93，用于配准第一肺部区域图像与待评估者的第二ct图像中的第二肺部区域图像；其中第二ct图像的获取时间早于第一ct图像的获取时间；以及比对模块94，用于基于配准后的第一肺部区域图像与第二肺部区域图像，比对第一肺炎征象图像与第二肺部区域图像中的第二肺炎征象图像，得到评估结果。

本申请提供的一种肺炎阶段的评估装置，通过肺部获取模块91获取待评估者的第一ct图像中的第一肺部区域图像，并且征象获取模块92基于该第一肺部区域图像获取第一肺炎征象图像，然后配准模块93配准第一肺部区域图像和早于第一肺部区域图像的第二肺部区域图像，比对模块94基于配准后的第一肺部区域图像和第二肺部区域图像进行比对，来得到对该待评估者的评价结果；利用待评估者自身的多个时间点的ct图像进行比对可以更为准确的获知待评估者所处的肺炎阶段，并且对同一待评估者的多个ct图像中的肺部区域图像进行配准，以突出显示各个肺炎征象的变化，从而为医生明确该待评估者的肺炎进展情况，有利于指导医生的治疗。

图10是本申请另一示例性实施例提供的一种肺炎阶段的评估装置的结构示意图。如图10所示，征象获取模块92可以包括：生成单元921，用于基于第一肺部区域图像，分别生成多个肺炎征象图像；以及组合单元922，用于将多个肺炎征象图像组合，得到第一肺炎征象图像；其中，生成单元921可以进一步配置为：将第一肺部区域图像分别输入多个第一神经网络模型，得到多个肺炎征象图像。

在一实施例中，肺炎征象图像可以包括如下征象图像中的任一种或多种的组合：肺实变图像、磨玻璃影图像、肿块图像、树芽征图像、结节图像、空洞图像、晕征图像。在一实施例中，第一神经网络模型可以是深度学习神经网络模型，优选地，该第一神经网络模型可以是unet神经网络模型。

在一实施例中，生成单元921可以进一步配置为：逐次将多层二维图像中的一部分输入多个第一神经网络模型，得到分别对应多个肺炎征象图像的多层二维征象图像；分别将对应同一肺炎征象图像的多层二维征象图像叠加，得到多个肺炎征象图像。

在一实施例中，生成单元921还可以进一步配置为：对多个肺炎征象图像分别进行腐蚀膨胀操作。

在一实施例中，如图10所示，配准模块93可以包括：肺裂单元931，用于将第一肺部区域图像输入第二神经网络模型，得到第一肺部区域图像的多个肺裂关键点；肺叶分割单元932，用于根据多个肺裂关键点对第一肺部区域图像进行肺叶分割，得到第一肺叶分割图像；其中第一肺叶分割图像包括多个肺叶图像；肺叶配准单元933，用于配准第一肺部区域图像与第二肺部区域图像中对应的多个肺叶图像。

在一实施例中，肺叶分割单元932可以进一步配置为：根据多个肺裂关键点构造肺裂曲面；利用肺裂曲面对第一肺部区域图像进行肺叶分割。

在一实施例中，如图10所示，肺部获取模块91可以包括：肋骨获取单元911，用于获取第一ct图像中的肋骨区域图像；粗分割单元912，用于获取第一ct图像中第一肺部区域的粗分割图像；以及精分割单元913，用于以肋骨区域图像为第一肺部区域的边界，并且以粗分割图像为种子区域，以预设的步长向周围扩张至第一肺部区域的边界，得到第一肺部区域图像。

在一实施例中，粗分割单元912可以进一步配置为：根据第一肺部区域的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。

在一实施例中，精分割单元913可以进一步配置为：以肋骨区域图像为边界、粗分割图像为感兴趣区域，并通过活动轮廓模型、以预设的步长对第一ct图像进行分割，以得到第一肺部区域图像。其中，活动轮廓模型可以包括levelset模型或snake模型。

在一实施例中，如图10所示，该肺部获取模块91还可以包括：腐蚀单元914，用于对粗分割图像进行腐蚀操作，得到腐蚀后的粗分割图像。且精分割单元913配置为：以肋骨区域图像为第一肺部区域的边界，并且以腐蚀后的粗分割图像为种子区域，以预设的步长向周围扩张至第一肺部区域的边界，得到第一肺部区域图像。

在一实施例中，肋骨获取单元911可以进一步配置为：基于骨头的ct值，获取第一ct图像中骨头区域图像；基于肋骨的特性，分割出骨头区域图像中的肋骨区域图像。

在一实施例中，肋骨获取单元911可以进一步配置为：基于骨头的ct值设定第一ct值阈值，获取第一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。

在一实施例中，肋骨获取单元911可以进一步配置为：在获取第一ct图像中ct值大于或等于第一ct值阈值的连通区域后，去除连通区域中面积小于预设的面积阈值的区域。

在一实施例中，肋骨获取单元911可以进一步配置为：在获取第一ct图像中ct值大于或等于第一ct值阈值的连通区域后，去除位于粗分割图像内的连通区域。

在一实施例中，肋骨获取单元911可以进一步配置为：将标准肋骨图像与骨头区域图像进行比对，选取骨头区域图像中与标准肋骨图像的相似度大于预设相似度的骨头区域作为肋骨区域图像。

在一实施例中，如图10所示，该肺部获取模块91还可以包括：预处理单元915，用于对第一ct图像进行预处理。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。

在一实施例中，如图10所示，该肺部获取模块91还可以包括：光滑化单元916，用于对第一肺部区域图像的边界进行光滑化处理。

示例性电子设备

下面，参考图11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11图示了根据本申请实施例的电子设备的框图。

如图11所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11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10中的其他组件以执行期望的功能。

存储器12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11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肺炎阶段的评估方法以及/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10还可以包括：输入装置13和输出装置14，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13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13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13还可以包括例如键盘、鼠标等等。

该输出装置14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14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11中仅示出了该电子设备10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10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肺炎阶段的评估方法中的步骤。

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肺炎阶段的评估方法中的步骤。

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。