交互式肺气肿病灶分割方法、装置、存储介质及设备与流程

1.本发明涉及数字医疗技术领域，尤其是涉及一种交互式肺气肿病灶分割方法、装置、存储介质及计算机设备。


背景技术：

2.近年来，随着空气质量的恶化、二手烟危害的加深、职业因素的影响等各种原因，肺部疾病的发病率开始逐渐呈现出高发态势，其中，肺气肿作为一种危害性极大的肺部疾病，其病灶分割方式更是成为业界广泛关注的对象。
3.在现有技术中，对肺气肿的病灶区域进行自动分割的方法常常采用深度学习算法来实现。但是，基于深度学习算法实现的肺气肿自动分割算法往往需要借助于大量的人工标注数据，而大量人工标注数据的获取时间周期很长且成本十分昂贵，另外，由于肺气肿的感兴趣区域形态各异，也会大大增加医师标注的工作量和工作难度，且容易出现标注不准确的问题，最终导致肺气肿病灶分割成本过高、效率较低、且准确性较差。


技术实现要素：

4.有鉴于此，本技术提供了一种交互式肺气肿病灶分割方法、装置、存储介质及计算机设备，主要目的在于解决肺气肿病灶分割成本过高、效率较低且准确性较差的技术问题。
5.根据本发明的第一个方面，提供了一种交互式肺气肿病灶分割方法，该方法包括：
6.获取待处理的肺部图像，并对肺部图像进行肺实质分割处理和滤波处理，得到肺实质图像；
7.根据预设的热容量阈值，对肺实质图像进行预分割，得到肺气肿初始分割掩码；
8.对肺气肿初始分割掩码进行连通域分析和二值化处理，得到肺气肿候选分割掩码；
9.通过人在回路的交互方式，对肺气肿候选分割掩码进行迭代的连通域分析和二值化处理，得到肺气肿病灶分割掩码；
10.对肺气肿病灶分割掩码进行掩模运算，得到肺气肿病灶区域图像。
11.根据本发明的第二个方面，提供了一种交互式肺气肿病灶分割装置，该装置包括：
12.图像预处理模块，用于获取待处理的肺部图像，并对肺部图像进行肺实质分割处理和滤波处理，得到肺实质图像；
13.图像预分割模块，用于根据预设的热容量阈值，对肺实质图像进行预分割，得到肺气肿初始分割掩码；
14.图像分割模块，用于对肺气肿初始分割掩码进行连通域分析和二值化处理，得到肺气肿候选分割掩码；
15.图像迭代分割模块，用于通过人在回路的交互方式，对肺气肿候选分割掩码进行迭代的连通域分析和二值化处理，得到肺气肿病灶分割掩码；
16.图像转换模块，用于对肺气肿病灶分割掩码进行掩模运算，得到肺气肿病灶区域
图像。
17.根据本发明的第三个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述交互式肺气肿病灶分割方法。
18.根据本发明的第四个方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述交互式肺气肿病灶分割方法。
19.本发明提供的一种交互式肺气肿病灶分割方法、装置、存储介质及计算机设备，首先对肺部图像进行肺实质分割处理和滤波处理以得到肺实质图像，然后对肺实质图像进行预分割以缩小病灶分割的范围，进而通过连通域分析和二值化处理等自动分割算法生成肺气肿候选分割掩码，最后通过人在回路的交互方式，借用于自动分割算法不断迭代修复肺气肿候选分割掩码，直至得到合格的肺气肿病灶分割掩码，并转换为肺气肿病灶区域图像。上述方法无须借助于基于深度学习算法等数据模型来实现肺气肿的病灶区域的自动分割，有效的降低了肺结节病灶分割的成本。并且，上述方法借助于人在回路的交互方式以及连通域分析和二值化处理等自动分割算法，使得标注医师不必从零开始标注肺气肿病灶，极大的减少了标注医师的工作量，缩减了肺气肿病灶标注的时间，提升了肺气肿病灶分割标注的效率，同时也有效的降低了肺气肿阳性病灶漏标的错误率。
20.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
21.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
22.图1示出了本发明实施例提供的一种交互式肺气肿病灶分割方法的流程示意图；
23.图2示出了本发明实施例提供的一种交互式肺气肿病灶分割装置的结构示意图；
24.图3示出了本发明实施例提供的一种计算机设备的内部结构图。
具体实施方式
25.下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
26.肺气肿作为一种危害极大的肺部疾病，常常需要从胸部ct图像中分割出肺气肿的病灶区域以供医生随访跟踪病情发展情况，利用深度学习算法对肺气肿病灶进行自动分割是业内常用的标准做法，但肺气肿病灶分割的标注面临着以下困难：肺气肿病灶在胸部ct图像中通常呈现出弥散状的空腔影，并且通常充满整个肺叶，或呈星点状弥散在全肺，若标注医师人工逐像素标注每一个肺气肿区域，效率极低，且极易漏标肺气肿阳性区域，从而造成标注结果不够准确，而且，样本标注的不准确也会进一步导致模型精度较低，进而导致通过深度学习模型输出的肺气肿病灶分割结果不够准确。
27.在一个实施例中，如图1所示，提供了一种交互式肺气肿病灶分割方法，以该方法应用于服务器等计算机设备为例进行说明，其中，服务器可以是独立的服务器，也可以是提
供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。上述方法包括以下步骤：
28.101、获取待处理的肺部图像，并对肺部图像进行肺实质分割处理和滤波处理，得到肺实质图像。
29.具体的，计算机设备可以通过数据接口获取到待标注的肺部图像(如胸部ct图像等)，然后可以依次通过二值化算法、连通域算法、形态学闭运算、形态学膨胀运算和掩模算法等一系列算法对获取到的肺部图像进行处理，以得到较为粗糙的初始肺实质图像，进而可以对上述初始肺实质图像进行滤波处理，以去除掉肺实质图像中的各类噪声(如椒盐噪声等)，最后得到滤波后的肺实质图像。
30.其中，肺部图像是指对肺部进行计算机断层扫描所得到的图像，通常是指胸部ct图像；二值化算法是指对图像中的像素进行二值化操作，即将图像上的像素点的灰度值设置为0或255，从而使整个图像呈现出明显的黑白效果，常见的二值化算法主要包括灰度平均值法、双峰法、otsu法和niblack法等等；连通域算法是一种较为常见的二值化图像处理方法，该方法可以找出各个连通域中具有相同像素值且相邻的像素并进行标记，以此来区分不同的连通区域；形态学闭运算是指先对图像进行膨胀然后腐蚀其结果的算法；形态学膨胀算法是指将与物体接触的全部背景点合并到该物体中，使边界向外部扩张的算法；掩模算法是指将经过处理的图像与原始图像的像素进行对应相乘，以得到目标图像的算法。在本实施例中，二值化算法、连通域算法、形态学闭运算、形态学膨胀运算和掩模算法所采用的算法名称可以根据实际情况进行选择，本实施例在此不做具体限定。
31.这里需要补充说明的是，人体肺组织是由肺实质和肺间质构成的，其中，肺间质包括缔结组织、淋巴管和血管等，肺实质包括肺内各级支气管极其终端的肺泡结构。部分肺部疾病发生于肺间质，如肺纤维化及间质性肺炎等，而大部分较为严重的疾病则是由于肺实质病变所产生，肺气肿就是一种发生于肺实质的疾病，因而肺实质的准确分割对于肺气肿分割标注十分重要。
32.102、根据预设的热容量阈值，对肺实质图像进行预分割，得到肺气肿初始分割掩码。
33.其中，热容量值指的是hu值，它是一种计算机断层扫描中用于表达ct数值的单位，不同的器官和组织根据对x射线吸收程度不同，因而，不同的器官和组织具有不同的hu值。进一步的，热容量阈值指的是人为设定的热容量值，通过设定热容量阈值，可以将肺实质图像的各个体素值与设定好的热容量阈值进行比对，从而根据比对结果对肺实质图像进行预分割，以得到肺气肿初始分割掩码。
34.具体的，肺气肿在胸部ct图像上一般呈现为小于
‑
850hu，因而，本实施例可以采用
‑
850hu做为热容量阈值，对滤波后的肺实质图像进行预分割，以得到肺气肿初始分割掩码。具体的，计算机设备可以将
‑
850hu设置为热容量阈值，然后对滤波后的肺实质图像中hu值小于
‑
850hu的区域和hu值超过
‑
850hu的区域分别标记为不同的数值，从而得到具有肺气肿初始分割掩码的肺气肿候选区域。
35.103、对肺气肿初始分割掩码进行连通域分析和二值化处理，得到肺气肿候选分割掩码。
36.具体的，在得到肺气肿初始分割掩码之后，可以采用连通域算法，对肺气肿初始分割掩码进行连通域分析，以找到肺气肿分割掩码中的连通域，然后，通过将同一连通域的体素进行标记，可以得到多个具有不同标签的连通域。进一步的，针对连通域集合中的每个连通域，可以通过最大类间方差法的二值化算法，得到每个连通域的hu值作为该连通域的动态阈值。进一步的，针对每一个连通域，可以利用与其对应的动态阈值对该连通域进行二值化处理，其中，hu值小于动态阈值的区域为该连通域中的肺气肿候选区域，可以标记为一种数值；hu值超过动态阈值的区域为非肺气肿区域，即正常区域，可以标记为另一种数值，通过这种方式，可以得到第i个连通域的肺气肿分割掩码。最后，通过将所有连通域的分割掩码进行合并，即可得到肺气肿候选分割掩码。
37.104、通过人在回路的交互方式，对肺气肿候选分割掩码进行迭代的连通域分析和二值化处理，得到肺气肿病灶分割掩码。
38.其中，人在回路(human
‑
in
‑
the
‑
loop)的交互方式指的是将人工审核作为闭环回路的一个环节与肺气肿病灶分割方法进行交互的方式。
39.具体的，计算机设备可以对肺气肿候选分割掩码进行展示，从而使用户可以对分割出的肺气肿候选分割掩码进行审核，以判别其是否符合要求。然后，计算机设备可以接收用户通过输入设备发送的各类掩码操作请求，并根据这些请求，对肺气肿候选分割掩码进行相应的操作处理，进而，计算机设备可以对操作后的肺气肿候选分割掩码进行自动的连通域分析和二值化处理，以得到自动分割后的肺气肿迭代分割掩码，最后，计算机设备可以对肺气肿迭代分割掩码进行展示，从而使用户再次对分割出的肺气肿候选分割掩码进行审核和修改。上述迭代过程可以进行多次，直至接收到用户发送的掩码确认指令，即可将最后一次分割得到的肺气肿迭代分割掩码设置为肺气肿病灶分割掩码。通过这种方式，可以将不符合肺气肿病灶标准的肺气肿候选分割掩码进行不断地迭代优化，直至得到合格肺气肿分割掩码。
40.105、对肺气肿病灶分割掩码进行掩模运算，得到肺气肿病灶区域图像。
41.其中，掩模算法是指将经过处理的图像与原始图像的像素进行对应相乘，以得到目标图像的算法。具体的，在得到肺气肿病灶分割掩码之后，计算机设备可以对肺气肿病灶分割掩码进行掩模运算，例如，可以将肺气肿病灶分割掩码与待标注肺部图像进行相乘(与运算)，以得到分割好的肺气肿病灶区域图像。
42.本实施例提供的交互式肺气肿病灶分割方法，首先对肺部图像进行肺实质分割处理和滤波处理以得到肺实质图像，然后对肺实质图像进行预分割以缩小病灶分割的范围，进而通过连通域分析和二值化处理等自动分割算法生成肺气肿候选分割掩码，最后通过人在回路的交互方式，借用于自动分割算法不断迭代修复肺气肿候选分割掩码，直至得到合格的肺气肿病灶分割掩码，并转换为肺气肿病灶区域图像。上述方法无须借助于基于深度学习算法等数据模型来实现肺气肿的病灶区域的自动分割，有效的降低了肺结节病灶分割的成本。并且，上述方法借助于人在回路的交互方式以及连通域分析和二值化处理等自动分割算法，使得标注医师不必从零开始标注肺气肿病灶，极大的减少了标注医师的工作量，缩减了肺气肿病灶标注的时间，提升了肺气肿病灶分割标注的效率，同时也有效的降低了肺气肿阳性病灶漏标的错误率。
43.在一个实施例中，可选的，上述步骤101可以通过以下方法实现：首先通过二值化
算法，对肺部图像进行二值化处理，得到二值化的肺部图像，然后通过连通域算法，对二值化的肺部图像进行连通处理，得到二值化肺部连通图像，进而对二值化肺部连通图像进行形态学闭运算和形态学膨胀运算，得到肺实质掩码，最后通过掩模算法，将肺实质掩码转换为初始肺实质图像，并对初始肺实质图像进行中值滤波处理，得到肺实质图像。
44.在上述实施例中，在获取到待处理的肺部图像后，可以根据肺部区域的热容量阈值对该肺部图像进行二值化，以得到二值化的肺部图像。一般来说，肺部区域hu值小于
‑
600hu，故本实施例可以采用
‑
600hu作为热容量阈值，对该肺部图像进行二值化处理，从而将图像中hu值小于
‑
600hu的区域值标记为一种数值，将图像中hu值超过
‑
600hu的区域标记为另一种数值，从而得到二值化肺部图像。进一步的，在得到二值化肺部图像之后，可以通过连通域算法，对二值化肺部图像中不同的连通域进行标记，以将同一连通区域的体素标记为同一标签，从而得到具有不同标签的不同连通域，最后计算每个连通域的体积，其中，体积最大的两个连通域即为左右肺部区域的连通域，通过保留左右肺部区域的连通域，即可得到二值化肺部连通图像。再进一步的，通过对二值化肺部连通图像进行形态学闭运算和形态学膨胀运算，可以对二值化肺部连通图像中的肺中血管、气管等结构的空洞进行填补，从而提高图像的完整性，避免肺实质分割不全的问题。进一步的，通过将肺实质掩码与待标注胸部ct图像进行相乘，可以得到分割好的初始肺实质图像，最后，通过对初始肺实质图像进行中值滤波处理，可以有效的去除图像中随机出现的白点噪声或黑点噪声(即椒盐噪声)，从而得到完整而清晰的肺实质图像。
45.上述方法通过二值化算法、连通域算法、形态学闭运算、形态学膨胀运算和掩模算法等一系列算法对肺部图像进行处理，相比于现有技术中单一的肺实质分割算法，能够有效地去除肺部图像中的胸腔轮廓，并保留肺部图像中病灶区域，从而提高了肺实质分割的完整性。
46.在一个实施例中，可选的，对肺部图像进行形态学闭运算和形态学膨胀运算的方法可以包括以下步骤：首先通过预设半径的圆形结构(例如半径为10的圆形结构)对二值化肺部连通图像中的左右肺区域进行形态学闭运算，然后通过罗伯茨算子(roberts算子)检测出闭运算后的二值化肺部连通图像的边缘，并将闭运算后的二值化肺部连通图像中的最大闭合区域内部的小闭合区域填充为预设数值(例如填充为1)。在本实施例中，最大的闭合区域为肺边缘，小闭合区域为肺中血管、气管等肺内部结构。通过以上方法，可以对二值化肺部连通图像中的肺中血管、气管等结构的空洞进行填补，从而提高图像的完整性，避免肺实质分割不全的问题。进一步的，为了确保肺实质区域被完全分割出来，可以通过预设半径的圆形结构对填充后的二值化肺部连通图像进行形态学膨胀运算，以得到肺实质掩码。在本实施例中，圆形结构的半径可以根据实际情况进行选择，并且形态学闭运算和形态学膨胀运算所使用的圆形结构的半径相同。需要说明的是，二值化肺部连通图像通常是通过小于
‑
600的热容量值(hu值)进行二值化处理得到的，但是，图像中的肺中血管、气管等结构的hu值通常大于
‑
600，所以，二值化肺部连通图像中会存在一些细小的空洞，上述方法可以有效的对这些细小的空洞进行填补。
47.在一个实施例中，可选的，上述步骤102可以通过以下方法实现：将肺实质图像中热容量值小于热容量阈值的区域标记为第一数值，将肺实质图像中热容量值不小于热容量阈值的区域标记为第二数值，以得到肺气肿初始分割掩码。在本实施例中，肺气肿在胸部ct
图像上一般呈现为小于
‑
850hu，因而，本实施例可以采用
‑
850hu做为热容量阈值，对滤波后的肺实质图像进行预分割，以得到肺气肿初始分割掩码。具体的，计算机设备可以将
‑
850hu设置为热容量阈值，然后对滤波后的肺实质图像中hu值小于
‑
850hu的区域标记为第一数值(例如标记为1)，对图像中hu值超过
‑
850hu的区域标记为第二数值(例如标记为0)，从而得到具有肺气肿初始分割掩码的肺气肿候选区域，其中，肺气肿初始分割掩码可以记为m
k
，其中k＝0。
48.在一个实施例中，可选的，上述步骤103可以通过以下方法实现：首先通过连通域分析算法，对肺气肿初始分割掩码进行连通域分析，得到包含有多个连通域的连通域集合，然后针对连通域集合中的每个连通域，通过最大类间方差算法，得到每个连通域的动态阈值，进而根据每个连通域的动态阈值，通过二值化算法对每个连通域对应的肺实质图像进行二值化处理，得到每个连通域的肺气肿分割掩码，最后将所有连通域的肺气肿分割掩码进行合并，得到肺气肿候选分割掩码。其中，动态阈值是指hu值随着对肺气肿初始分割掩码的不断的迭代分割而不断进行调整的动态hu值。
49.在上述实施例中，在得到肺气肿初始分割掩码之后，可以采用连通域算法，对肺气肿初始分割掩码m
k
进行连通域分析，以找到肺气肿分割掩码中的连通域，然后，通过将同一连通域的体素进行标记，可以得到多个具有不同标签的连通域。为了便于说明，这里可以将多个连通域形成的连通域集合可以记为{c
i
}，其中，ci为第i个连通域的体素的点集。进一步的，针对连通域集合{c
i
}中的每个连通域，可以通过最大类间方差法的二值化算法(otsu算法)，得到每个连通域的hu值作为该连通域的动态阈值。其中，otsu算法可以将图像分成背景和目标两部分，背景和目标之间的类间方差可以用来区分背景与目标，这种基于最大类间方差法的二值化算法相较于普通的二值化算法，其准确率更高。进一步的，针对第i个连通域，可以利用与其对应的动态阈值t
i
对该连通域进行二值化处理，其中，hu值小于t
i
的区域为该连通域中的肺气肿候选区域，可以标记为一种数值；hu值超过t
i
的区域为非肺气肿区域，即正常区域，可以标记为另一种数值，通过这种方式，可以得到第i个连通域的肺气肿分割掩码。进一步的，令i取遍所有连通域，可以得到所有连通域的肺气肿分割掩码。最后，通过将所有连通域的分割掩码进行合并，即可得到肺气肿候选分割掩码，其中，肺气肿候选分割掩码可以记为m
k
，其中k＝1。
50.在一个实施例中，可选的，上述步骤104可以通过以下方法实现：首先对肺气肿候选分割掩码进行展示，与此同时接收用户发送的掩码操作请求，其中，掩码操作请求可以包括擦除掩码请求、修改掩码请求和添加掩码请求等到，然后，可以根据掩码操作请求，对肺气肿候选分割掩码进行相应的操作处理，得到操作后的肺气肿候选分割掩码，进而对操作后的肺气肿候选分割掩码进行连通域分析和二值化处理，得到肺气肿迭代分割掩码，并对肺气肿迭代分割掩码进行展示，最后接收用户发送的掩码确认指令，将肺气肿迭代分割掩码设置为肺气肿病灶分割掩码。
51.在上述实施例中，计算机设备可以对肺气肿候选分割掩码进行展示，从而使用户可以对分割出的肺气肿候选分割掩码进行审核，以判别其是否符合要求。然后，计算机设备可以接收用户通过输入设备发送的各类掩码操作请求，并根据这些请求，对肺气肿候选分割掩码进行相应的操作处理，进而，计算机设备可以对操作后的肺气肿候选分割掩码进行自动的连通域分析和二值化处理，以得到自动分割后的肺气肿迭代分割掩码，最后，计算机
设备可以对肺气肿迭代分割掩码进行展示，从而使用户再次对分割出的肺气肿候选分割掩码进行审核和修改。上述迭代过程可以进行多次，直至接收到用户发送的掩码确认指令，即可将最后一次分割得到的肺气肿迭代分割掩码设置为肺气肿病灶分割掩码。通过这种方式，可以将不符合肺气肿病灶标准的肺气肿候选分割掩码进行不断地迭代优化，直至得到合格肺气肿分割掩码。
52.需要说明的是，在进行迭代分割之前，肺气肿候选分割掩码可能仍具有少量不准确的情况存在，比如，少量肺气肿候选分割掩码可能不是肺气肿病灶，或少量肺气肿候选分割掩码位置不够准确等等。标注医师可以对肺气肿候选分割掩码进行人工审核，以筛查出不符合要求的肺气肿分割掩码，即不够精确的掩码，并针对这些不够精确的掩码进行优化，比如，可以进行擦除掩码、修改掩码或添加新掩码等操作。继而，可以将经过人工审核和优化后的肺气肿候选分割掩码重新进行连通域分析和二值化处理等自动分割操作，并重新计算每个连通域的动态阈值，最后根据更新后的动态阈值对肺气肿候选分割掩码进行重新分割，即可得到优化后的肺气迭代选分割掩码，进而标注医师可以再对优化后的肺气肿候选分割掩码进行审核优化，如此不断地往复循环，直至得到合格的肺气肿分割掩码。本实施通过将人工审核的过程作为闭环回路中的一个环节，并与自动分割算法进行交互，可以有效的提高肺气肿病灶的分割准确度。
53.在一个实施例中，可选的，肺气肿迭代分割掩码的生成方法可以包括以下步骤：首先通过连通域分析算法，对操作后的肺气肿候选分割掩码进行连通域分析，得到包含有多个连通域的连通域集合，然后针对连通域集合中的每个连通域，通过最大类间方差算法，得到每个连通域的动态阈值，进而根据每个连通域的动态阈值，通过二值化算法对每个连通域对应的肺实质图像进行二值化处理，得到每个连通域的肺气肿分割掩码，最后将所有连通域的肺气肿分割掩码进行合并，得到肺气肿迭代分割掩码。具体的，本实施例提出的肺气肿候选分割掩码的处理方式与上述实施例中肺气肿初始分割掩码的处理方式相似，其不同之处主要在于处理的对象不同，本实施处理的对象是用户操作后的肺气肿候选分割掩码，生成的目标是肺气肿迭代分割掩码。其中，肺气肿迭代分割掩码可以记为m
k
，k＝k+1。在本实施中，计算机设备可以根据用户操作后的肺气肿候选分割掩码进行不断的迭代操作，直至得到符合要求的肺气肿迭代分割掩码，即可将其设置为肺气肿病灶分割掩码。
54.在一个实施例中，可选的，在步骤104之后，交互式肺气肿病灶分割方法还可以包括以下步骤：首先获取多个肺部图像样本，然后通过步骤101至步骤104提供的交互式肺气肿病灶分割方法对每个肺部图像样本进行病灶分割，以得到每个肺部图像样本对应的肺气肿病灶区域图像，进而构建一个深度学习神经网络模型，并以多个肺部图像样本为输入，以多个肺部图像样本对应的肺气肿病灶区域图像为输出，对上述深度学习神经网络模型进行训练，得到肺气肿病灶分割模型。进一步的，在得到训练好的肺气肿病灶分割模型之后，还可以通过肺气肿病灶分割模型对待处理的肺部图像进行处理，以得到肺气肿病灶区域图像。上述方法通过交互式肺气肿病灶分割方法对模型训练所需的样本进行病灶分割，可以有效的提高肺部图像样本的分割效率和分割准确度，从而有效的降低了模型训练的成本，同时也提升了模型的准确度。
55.进一步的，作为图1所示方法的具体实现，本实施例提供了一种交互式肺气肿病灶分割装置，如图2所示，该装置包括：图像预处理模块21、图像预分割模块22、图像分割模块
23、图像迭代分割模块24、图像转换模块25。
56.图像预处理模块21，可用于获取待处理的肺部图像，并对肺部图像进行肺实质分割处理和滤波处理，得到肺实质图像；
57.图像预分割模块22，可用于根据预设的热容量阈值，对肺实质图像进行预分割，得到肺气肿初始分割掩码；
58.图像分割模块23，可用于对肺气肿初始分割掩码进行连通域分析和二值化处理，得到肺气肿候选分割掩码；
59.图像迭代分割模块24，可用于通过人在回路的交互方式，对肺气肿候选分割掩码进行迭代的连通域分析和二值化处理，得到肺气肿病灶分割掩码；
60.图像转换模块25，可用于对肺气肿病灶分割掩码进行掩模运算，得到肺气肿病灶区域图像。
61.在具体的应用场景中，图像预处理模块21，具体可用于通过二值化算法，对肺部图像进行二值化处理，得到二值化的肺部图像；通过连通域算法，对二值化的肺部图像进行连通处理，得到二值化肺部连通图像；对二值化肺部连通图像进行形态学闭运算和形态学膨胀运算，得到肺实质掩码；通过掩模算法，将肺实质掩码转换为初始肺实质图像，并对初始肺实质图像进行中值滤波处理，得到肺实质图像。
62.在具体的应用场景中，图像预处理模块21，具体可用于通过预设半径的圆形结构对二值化肺部连通图像进行形态学闭运算，得到闭运算后的二值化肺部连通图像；通过罗伯茨算子检测出闭运算后的二值化肺部连通图像的边缘，并将闭运算后的二值化肺部连通图像中的最大闭合区域内部的小闭合区域填充为预设数值，得到填充后的二值化肺部连通图像；通过预设半径的圆形结构对填充后的二值化肺部连通图像进行形态学膨胀运算，得到肺实质掩码。
63.在具体的应用场景中，图像预分割模块22，具体可用于将肺实质图像中热容量值小于热容量阈值的区域标记为第一数值，将肺实质图像中热容量值不小于热容量阈值的区域标记为第二数值，得到肺气肿初始分割掩码。
64.在具体的应用场景中，图像分割模块23，具体可用于通过连通域分析算法，对肺气肿初始分割掩码进行连通域分析，得到包含有多个连通域的连通域集合；针对连通域集合中的每个连通域，通过最大类间方差算法，得到每个连通域的动态阈值；根据每个连通域的动态阈值，通过二值化算法对每个连通域对应的肺实质图像进行二值化处理，得到每个连通域的肺气肿分割掩码；将所有连通域的肺气肿分割掩码进行合并，得到肺气肿候选分割掩码。
65.在具体的应用场景中，图像迭代分割模块24，具体可用于对肺气肿候选分割掩码进行展示，并接收用户发送的掩码操作请求，其中，掩码操作请求包括擦除掩码请求、修改掩码请求和添加掩码请求；根据掩码操作请求，对肺气肿候选分割掩码进行相应的操作处理，得到操作后的肺气肿候选分割掩码；对操作后的肺气肿候选分割掩码进行连通域分析和二值化处理，得到肺气肿迭代分割掩码，并对肺气肿迭代分割掩码进行展示；接收用户发送的掩码确认指令，将肺气肿迭代分割掩码设置为肺气肿病灶分割掩码。
66.在具体的应用场景中，所述装置还包括模型训练模块25，所述模型训练模块25，具体可用于获取多个肺部图像样本和多个肺部图像样本对应的肺气肿病灶区域图像；构建一
个深度学习神经网络模型，以多个肺部图像样本为输入，以多个肺部图像样本对应的肺气肿病灶区域图像为输出，对深度学习神经网络模型进行训练，得到肺气肿病灶分割模型。
67.需要说明的是，本实施例提供的一种交互式肺气肿病灶分割装置所涉及各功能单元的其它相应描述，可以参考图1中的对应描述，在此不再赘述。
68.基于上述如图1所示方法，相应的，本实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1所示的交互式肺气肿病灶分割方法。
69.基于这样的理解，本技术的技术方案可以以软件产品的形式体现出来，该待识别软件产品可以存储在一个非易失性存储介质(可以是cd
‑
rom，u盘，移动硬盘等)中，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)执行本技术各个实施场景所述的方法。
70.基于上述如图1所示的方法，以及图2所示的交互式肺气肿病灶分割装置实施例，为了实现上述目的，如图3所示，本实施例还提供了一种可以实现交互式肺气肿病灶分割方法的计算机设备，具体可以为个人计算机、服务器、智能手机、平板电脑、智能手表、或者其它网络设备等，该计算机设备包括存储介质和处理器，其中，处理器与存储介质通过系统总线相连接；存储介质，可用于存储计算机程序；处理器，可用于执行计算机程序以实现上述如图1所示的方法。
71.可选的，该计算机设备还可以包括内存储器、网络接口、显示屏和输入设备等等。其中，输入装置可以包括键盘(keyboard)和鼠标等等，可选用户接口还可以包括usb接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如wi
‑
fi接口)等。
72.本领域技术人员可以理解，本实施例提供的一种交互式肺气肿病灶分割的计算机设备结构并不构成对该计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
73.存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述计算机设备硬件和待识别软件资源的程序，支持信息处理程序以及其它待识别软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与信息处理计算机设备中其它硬件和软件之间通信。
74.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本技术可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。通过应用本技术的技术方案，首先对肺部图像进行肺实质分割处理和滤波处理以得到肺实质图像，然后对肺实质图像进行预分割以缩小病灶分割的范围，进而通过连通域分析和二值化处理等自动分割算法生成肺气肿候选分割掩码，最后通过人在回路的交互方式，借用于自动分割算法不断迭代修复肺气肿候选分割掩码，直至得到合格的肺气肿病灶分割掩码，并转换为肺气肿病灶区域图像。与现有技术相比，上述方法无须借助于基于深度学习算法等数据模型来实现肺气肿的病灶区域的自动分割，有效的降低了肺结节病灶分割的成本。并且，上述方法借助于人在回路的交互方式以及连通域分析和二值化处理等自动分割算法，使得标注医师不必从零开始标注肺气肿病灶，极大的减少了标注医师的工作量，缩减了肺气肿病灶标注的时间，提升了肺气肿病灶分割标注的效率，同时也有效的降低了肺气肿阳性病灶漏标的错误率。
75.本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或
流程并不一定是实施本技术所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
76.上述本技术序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本技术的几个具体实施场景，但是，本技术并非局限于此，任何本领域的技术人员能思之的变化都应落入本技术的保护范围。