一种CT图像的分割处理方法及装置与流程

一种ct图像的分割处理方法及装置
技术领域
1.本技术涉及图像处理技术领域，具体涉及一种ct图像的分割处理方法及装置。


背景技术：

2.ct图像是常用的医学图像之一，ct(英文全称：computed tomography，中文全称：计算机断层扫描)图像，是利用精准直的x线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕在人体的某一部位作为一个接一个的断面扫描得到多张不同断面的多图层ct图像，随着探测器和成像设备的不断进步，得到的ct图像也越来越清晰准确，医生根据这些不同断面的ct图像进行更精确的病情诊断。
3.目前在现有技术中，为了避免对ct图像的过多处理而造成ct图像信息错误，因此ct图像通常追求对人体内部的器官组织进行实际情况的复原，而不对图像内容进行修改，但ct图像中的有用信息及无用信息混杂繁多，众多的器官组织难以区分，通常需要医生通过主观经验进行识别，而通过主观经验进行识别容易出现漏判、误判等风险，造成患者的治疗延误，甚至造成医疗事故，对患者的生命健康造成威胁，因此需要一种ct图像的分割处理方法，在不对ct图像内容进行修改的情况下，通过对ct图像中的各器官组织进行分割，使各器官组织独立呈现，有效屏蔽无用信息，使医生不用耗费精力识别器官组织，集中精力对ct图像进行病情研判。


技术实现要素：

4.本发明的目的在于：针对目前现有技术的不足，提供一种ct图像的分割处理方法及装置，在不对ct图像内容进行修改的情况下，通过对ct图像中的各器官组织进行分割，使各器官组织独立呈现，有效屏蔽无用信息，使医生不用耗费精力识别器官组织，集中精力对ct图像进行病情研判。
5.为了实现上述发明目的，本发明提供了以下技术方案：在本技术的第一方面，提供一种ct图像的分割处理方法，包括：获取待检测的ct图像；对ct图像中的各器官组织进行识别；通过边缘检测算法得出器官组织的边缘，并对器官组织的边缘进行框选；将框选出的器官组织进行分割，选择分割后的器官组织进行单独放大，同时隐藏ct图像没有被选择的部分。
6.在本技术一实施例中，所述对ct图像中的各器官组织进行识别的步骤之前，所述方法还包括：获取现有的ct图像，获取途径包括有医院数据库、互联网、医学教材和医学文献；对现有的ct图像进行筛选，筛选出器官组织健康的ct图像；基于器官组织健康的ct图像，得到各器官组织健康状态下的ct图像，进而得到各器官组织健康状态下的标准ct图像集；
所述待检测的ct图像与所述标准ct图像集进行对比。
7.在本技术一实施例中，所述待检测的ct图像与所述标准ct图像集进行对比的步骤之前，所述方法还包括：基于所述标准ct图像集，对各器官组织进行标注，所述标注为各器官组织的名称；基于所述标注和所述标准ct图像集，确定各器官组织的标准ct图像训练集和验证集；根据所述各器官组织的标准ct图像训练集对ct检测模型进行迭代训练，利用所述验证集进行评估，当神经网络模型达到预设的迭代训练次数，则停止训练，并导出所述ct检测模型；所述ct检测模型输入待检测的ct图像，所述ct检测模型输出待检测的ct图像中各器官组织的名称。
8.在本技术一实施例中，所述对ct图像中的各器官组织进行识别的步骤之后，所述方法还包括：所述ct检测模型输出所述待检测的ct图像中各器官组织与所述标准ct图像的匹配度，所述匹配度越高，所述待检测的ct图像与所述标准ct图像越相似；所述匹配度包括多个范围，具体包括第一匹配范围、第二匹配范围和第三匹配范围，所述第一匹配范围的下限大于或等于第一匹配阈值；所述第二匹配范围的上限小于第一匹配阈值，所述第二匹配范围的下限大于或等于第二匹配阈值；所述第三匹配范围的上限小于第二匹配阈值；对处于不同匹配度范围的各器官组织通过不同类型的分割线进行分割，所述不同类型的分割线包括分割线线条的粗细、颜色和透明度。
9.在本技术一实施例中，所述对处于不同匹配度范围的各器官组织进行不同类型的分割，还包括对相邻的器官组织通过不同类型的分割线进行分割。
10.在本技术一实施例中，所述对ct图像中的各器官组织进行识别的步骤之后，该方法还包括：各器官组织划分区域；对各器官组织的所有区域分别进行识别；各器官组织输出与所述标准ct图像集差异最大区域，并进行标记。
11.在本技术一实施例中，所述各器官组织输出与所述标准ct图像集差异最大区域的步骤之后，所述方法还包括：s601：收集所述差异最大的区域和所述差异最大的区域的周边区域；s602：将所述差异最大的区域和所述差异最大的区域的周边区域再次进行区域划分；s603：各器官组织输出当前与所述标准ct图像集差异最大区域；s604：重复步骤s601-步骤s603，修正所述差异最大区域，得到待检测的ct图像中各器官组织相对所述标准ct图像集差异最大的区域。
12.在本技术的第二方面，提供一种ct图像的分割处理装置，所述装置包括：图像获取模块：获取待检测的ct图像；图像识别模块：对ct图像中的各器官组织进行识别；
边缘框选模块：通过边缘检测算法得出器官组织的边缘，并对器官组织的边缘进行框选；图像分割模块：将框选出的器官组织进行分割，选择分割后的器官组织进行单独放大，同时隐藏ct图像没有被选择的部分。
13.在本技术一实施例中，所述装置还包括：现有图像收集模块：获取现有的ct图像，获取途径包括有医院数据库、互联网、医学教材和医学文献；图像筛选模块：对现有的ct图像进行筛选，筛选出器官组织健康的ct图像；标准图像模块：基于器官组织健康的ct图像，得到各器官组织健康状态下的ct图像。进而得到各器官组织健康状态下的标准ct图像集；图像对比模块：所述待检测的ct图像与所述标准ct图像集进行对比。
14.在本技术一实施例中，所述装置还包括：图像标注模块：基于所述标准ct图像集，对各器官组织进行标注，所述标注为各器官组织的名称；训练集确定模块：基于所述标注和所述标准ct图像集，确定各器官组织的标准ct图像训练集和验证集；模型训练模块：根据所述各器官组织的标准ct图像训练集对ct检测模型进行迭代训练，利用所述验证集进行评估，当神经网络模型达到预设的迭代训练次数，则停止训练，并导出所述ct检测模型；模型输出模块：所述ct检测模型输入待检测的ct图像，所述ct检测模型输出待检测的ct图像中各器官组织的名称。
15.在本技术一实施例中，所述装置还包括：匹配度输出模块：所述ct检测模型输出所述待检测的ct图像中各器官组织与所述标准ct图像的匹配度，所述匹配度越高，所述待检测的ct图像与所述标准ct图像越相似；匹配度分选模块：所述匹配度包括多个范围，具体包括第一匹配范围、第二匹配范围和第三匹配范围，所述第一匹配范围的下限大于或等于第一匹配阈值；所述第二匹配范围的上限小于第一匹配阈值，所述第二匹配范围的下限大于或等于第二匹配阈值；所述第三匹配范围的上限小于第二匹配阈值；图像分割子模块：对处于不同匹配度范围的各器官组织通过不同类型的分割线进行分割，所述不同类型的分割线包括分割线线条的粗细、颜色和透明度。
16.在本技术一实施例中，所述装置还包括：相邻图像分割模块：对相邻的器官组织通过不同类型的分割线进行分割。
17.在本技术一实施例中，所述装置还包括：区域划分模块：各器官组织划分区域；区域识别模块：对各器官组织的所有区域分别进行识别；差异识别模块：输出各器官组织输出相对所述标准ct图像集差异最大区域，并进行标记。
18.在本技术一实施例中，所述装置还包括：区域收集模块：收集所述差异最大的区域和所述差异最大的区域的周边区域；
区域划分子模块：将所述差异最大的区域和所述差异最大的区域的周边区域再次进行区域划分；差异识别子模块：各器官组织输出当前与所述标准ct图像集差异最大区域；区域修正模块：修正所述差异最大区域，得到待检测的ct图像中各器官组织相对所述标准ct图像集差异最大的区域。
19.本技术具有以下有益效果：在本技术的实施方式中边缘检测算法得出器官组织的边缘后通过分割线将各个器官组织进行框选，框选后对这些器官组织进行分割处理，当选择其中一个器官时，对选择的器官组织进行单独放大，而其余没有被选择的部分进行隐藏，所述没有被选择的部分包括没有被选择的器官组织和没有分割线框选出的无用信息，包括背景等内容，放大选择的器官组织和隐藏ct图像没有被选择的部分都可以使医生查看更方便，减少其他器官组织的干扰，使医生可以更集中精力对某一器官组织进行仔细查看；进一步的，因为患病状态下的器官组织所呈现出的图像差异很大，有包括增生、缺失和病变等情况，且增大、缺失和病变的范围程度也会影响ct图像的呈现形式，因此将器官组织所有患病状态下的ct图像进行收集分类的困难较大，而器官组织健康状态下的ct图像表现形式较为统一，可以通过筛选器官组织健康的ct图像得到各器官组织健康状态下的标准ct图像集，再通过所述标准ct图像集与所述待检测的ct图像进行对比，进一步的基于所述标准ct图像集对所述待检测的ct图像进行各器官组织的识别；进一步的，对器官组织进行进一步的划分，再对器官组织与标准ct图像中对应的器官组织进行对应识别，得到各器官组织输出与所述标准ct图像集差异最大的区域，并进行标记，在查看时，可以对所述差异最大区域进行相对仔细的查看，使得可以集中精力对与标准ct图像差异较大的区域进行查看，更容易检查出患病区域；进一步的，收集所述差异最大的区域和所述差异最大的区域的周边区域，也就是将可能存在患病的区域与所述差异最大的区域进行再次的区域划分，当前划分只包括所述差异最大的区域和所述差异最大的区域的周边区域，因此需要划分的区域减小，可以对剩下的区域进行更细致的划分，经过步骤s803再次进行各区域识别，得出当前差异最大区域，再通过步骤s804的重复叠加操作，将一次划分进一步的改变为多次划分，达到对所述差异最大区域进行修正和精确，使得到的所述差异最大区域的区域更为精确。
附图说明
20.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
21.图1为本技术实施例涉及的硬件运行环境的电子设备结构示意图。
22.图2为本技术实施例的系统架构示意图。
23.图3是本技术实施例提供的一种ct图像的分割处理方法的步骤流程图。
24.图4是本技术实施例提供的一种ct图像的分割处理装置的功能模块示意图。
具体实施方式
25.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。显然，所描述的实施例是本技术一部分实施例，而不
是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
26.下面结合附图对本技术的方案进一步说明。
27.参照图1，图1为本技术实施例方案涉及的硬件运行环境的电子设备结构示意图。
28.如图1所示，该电子设备可以包括：处理器1001，例如中央处理器（central processing unit，cpu），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（display）、输入单元比如键盘（keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（wireless-fidelity，wi-fi）接口）。存储器1005可以是高速的随机存取存储器（random access memory，ram）存储器，也可以是稳定的非易失性存储器（non-volatile memory，nvm），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
29.本领域技术人员可以理解，图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
30.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
31.在图1所示的电子设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明电子设备中的处理器1001、存储器1005可以设置在电子设备中，电子设备通过处理器1001调用存储器1005中存储的一种ct图像的分割处理装置，并执行本技术实施例提供的一种ct图像的分割处理方法。
32.参照图2，示出了本技术实施例的系统架构示意图。如图2所示，该系统架构可以包括第一设备201、第二设备202、第三设备203、第四设备204和网络205。其中，网络205用以在第一设备201、第二设备202、第三设备203和第四设备204之间提供通信链路的介质。网络205可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
33.在本实施方式中，第一设备201、第二设备202、第三设备203和第四设备204可以是支持网络连接从而提供各种网络服务的硬件设备或软件。当设备为硬件时，其可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机和服务器等等。这时，作为硬件设备，其可以实现成多个设备组成的分布式设备群，也可以实现成单个设备。当设备为软件时，可以安装在上述所列举的设备中。这时，作为软件，其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
34.在具体实现中，设备可以通过安装相应的客户端应用或服务端应用来提供相应的网络服务。设备在安装了客户端应用之后，其可以在网络通信中体现为客户端。相应地，在安装了服务端应用之后，其可以在网络通信中体现为服务端。
35.作为示例，在图2中，第一设备201体现为服务端，第二设备202、第三设备203和第四设备204体现为客户端。具体地，第二设备202、第三设备203和第四设备204可以是安装有信息浏览类应用的客户端，第一设备103可以是信息浏览类应用的后台服务器。需要说明的是，本技术实施例所提供的一种ct图像的分割处理方法可以由第一设备201执行。
36.应该理解，图2中的网络和设备的数目仅仅是示意性的。根据实现需要，可以具有
任意数目的网络和设备。
37.参照图3，基于前述硬件运行环境和系统架构，本技术的实施例提供了一种ct图像的分割处理方法，包括：s301：获取待检测的ct图像；需要说明的是，ct是一种病情探测仪器，电子计算机x射线断层扫描技术简称。ct检查根据人体不同组织对x线的吸收与透过率的不同，应用灵敏度极高的仪器对人体进行测量，然后将测量所获取的数据输入电子计算机，电子计算机对数据进行处理后，就可摄下人体被检查部位的断面或立体的图像，也就是ct图像，ct图像是层面图像，常用的是横断面；在本实施方式中，获取待检测的ct图像，用于下一步步骤对这些ct图像进行各器官组织的识别；s302：对ct图像中的各器官组织进行识别；在本实施方式中，对ct图像中的各器官组织进行识别，得出器官组织的大致区域范围；s303：通过边缘检测算法得出器官组织的边缘，并对器官组织的边缘进行框选；需要说明的是，所述边缘检测算法包括多种算法，具体包括有canny边缘检测算法，所述canny边缘检测算法是一种多步算法，用于检测任何输入图像的边缘；在本实施方式中，将识别出的器官组织进行边缘检测，并通过分割线将器官组织的边缘进行框选，使不同的器官组织之间分隔开，达到查看器官组织时减少因为不同器官组织之间重叠、交叉和紧密连接导致的相互干扰和影响；s304：将框选出的器官组织进行分割，选择分割后的器官组织进行单独放大，同时隐藏ct图像没有被选择的部分。
38.在本实施方式中，边缘检测算法得出器官组织的边缘后通过分割线将各个器官组织进行框选，框选后对这些器官组织进行分割处理，当选择其中一个器官时，对选择的器官组织进行单独放大，而其余没有被选择的部分进行隐藏，所述没有被选择的部分包括没有被选择的器官组织和没有分割线框选出的无用信息，包括背景等内容，放大选择的器官组织和隐藏ct图像没有被选择的部分都可以使医生查看更方便，减少其他器官组织的干扰，使医生可以更集中精力对某一器官组织进行仔细查看。
39.在一个可行的实施方式中，所述对ct图像中的各器官组织进行识别的步骤之前，所述方法还包括：s401：获取现有的ct图像，获取途径包括有医院数据库、互联网、医学教材和医学文献；需要说明的是，目前各大医院经过多年的信息存储具有大量ct图像资料，同时也可在互联网进行下载各器官组织的ct图像，不同图层厚度的器官组织呈现状态不一样，因此还包括了各器官组织不同图层的ct图像，并对器官组织没有进行名称标识的进行标识，而医学教材和医学文献中的ct图像大多具有详细的标注，可以较为清楚的得到ct图像中各器官组织的名称；在本实施方式中，通过多种途径获取现有的ct图像，现有的ct图像用于对待检测的ct图像进行对比识别，得出检检测的ct图像中各器官组织的区域范围和名称等；
s402：对现有的ct图像进行筛选，筛选出器官组织健康的ct图像；在本实施方式中，对现有的ct图像进行筛选，筛选出器官组织健康的ct图像，舍弃患病状态下的器官组织的ct图像，因为有多种情况会到导致器官组织患病，对应的ct图像呈现形式太多，不易于收集分类，同时也待检测的ct图像中的器官组织因为差异较大也难以与这些ct图像比对成功，只需要对器官组织健康的ct图像进行收集，所述待检测的ct图像与器官组织健康的ct图像进行对比，同时适当降低待检测的ct图像与器官组织健康的ct图像对比成功的阈值，即使待检测的ct图像中的器官组织有部分区域有患病，也可以因为器官组织的其他范围与器官组织健康的ct图像相同而识别成功；s403：基于器官组织健康的ct图像，得到各器官组织健康状态下的ct图像，进而得到各器官组织健康状态下的标准ct图像集；s404：所述待检测的ct图像与所述标准ct图像集进行对比。
40.在本实施方式中，因为患病状态下的器官组织所呈现出的图像差异很大，有包括增生、缺失和病变等情况，且增大、缺失和病变的范围程度也会影响ct图像的呈现形式，因此将器官组织所有患病状态下的ct图像进行收集分类的困难较大，而器官组织健康状态下的ct图像表现形式较为统一，可以通过筛选器官组织健康的ct图像得到各器官组织健康状态下的标准ct图像集，再通过所述标准ct图像集与所述待检测的ct图像进行对比，进一步的基于所述标准ct图像集对所述待检测的ct图像进行各器官组织的识别。
41.在一个可行的实施方式中，所述待检测的ct图像与所述标准ct图像集进行对比的步骤之前，所述方法还包括：s501：基于所述标准ct图像集，对各器官组织进行标注，所述标注为各器官组织的名称；在本实施方式中，对所述标准ct图像集进行预处理，处理方式包括截取的所述器官组织单独图像以及所述器官组织图像对应的名称标识，用于后续步骤中ct检测模型的训练；s502：基于所述标注和所述标准ct图像集，确定各器官组织的标准ct图像训练集和验证集；s503：根据所述各器官组织的标准ct图像训练集对ct检测模型进行迭代训练，利用所述验证集进行评估，当神经网络模型达到预设的迭代训练次数，则停止训练，并导出所述ct检测模型；需要说明的是，训练集和验证集均是用于神经网络模型的学习过程，所述训练集用于训练模型的训练参数，所述验证集用于检验已经训练好的最终模型的泛化性能；在本实施方式中，所述训练集用于对ct检测模型进行迭代训练，所述验证集用于ct检测模型的评估，当神经网络模型达到预设的迭代训练次数，和/或所述目标样本对应的损失值收敛至预设的损失阈值，均停止训练，导出训练好的ct检测模型，利用训练好的ct检测模型对待检测的ct图像进行各器官组织的识别；s504：所述ct检测模型输入待检测的ct图像，所述ct检测模型输出待检测的ct图像中各器官组织的名称。
42.在本实施方式中，通过训练ct检测模型对待检测的ct图像进行识别，所述ct检测模型是通过所述训练集训练得来，所述训练集包括截取的所述器官组织图像以及对应的名
称标识，因此所述ct检测模型可以识别出待检测的ct图像中的所述器官组织，并按照识别结果进行各器官组织的区域划分和名称标注，通过选择其中的器官组织，使被选择的器官组织区域相对未被选择的器官组织区域放大显示，突出显示需要仔细查看的器官组织区域，隐藏或虚化与诊断无关的器官及组织区域，有效帮助医生更容易更准确的查看可能患病的区域。
43.在一个可行的实施方式中，所述对ct图像中的各器官组织进行识别的步骤之后，所述方法还包括：s601：所述ct检测模型输出所述待检测的ct图像中各器官组织与所述标准ct图像的匹配度，所述匹配度越高，所述待检测的ct图像与所述标准ct图像越相似；在本实施方式中，所述ct检测模型输出所述待检测的ct图像中各器官组织与所述标准ct图像的匹配度，所述匹配度为所述待检测的ct图像中各器官组织与所述标准ct图像有多少相同像素，相同像素越多则所述待检测的ct图像中各器官组织与所述标准ct图像越相似，也就是说匹配度越高；s602：所述匹配度包括多个范围，具体包括第一匹配范围、第二匹配范围和第三匹配范围，所述第一匹配范围的下限大于或等于第一匹配阈值；所述第二匹配范围的上限小于第一匹配阈值，所述第二匹配范围的下限大于或等于第二匹配阈值；所述第三匹配范围的上限小于第二匹配阈值；在本实施方式中，匹配度分为多个范围，示例性的，可以将第一匹配范围设置为[98%，100%]，所述第一匹配阈值为98%；可以将第二匹配范围设置为[90%，98%]，所述第二匹配阈值为90%；可以将第二匹配范围设置为[0%，90%]。
[0044]
s603：对处于不同匹配度范围的各器官组织通过不同类型的分割线进行分割，所述不同类型的分割线包括分割线线条的粗细、颜色和透明度。
[0045]
在本实施方式中，将不同的匹配范围对应不同类型的分割线对器官组织进行分割，示例性的，所述ct检测模型输出对器官组织区域的匹配范围在所述第一匹配范围时，说明ct检测模型可以认定待识别ct图像中的该器官组织与所述标准ct图像集中的器官组织相同，在查看时可以对该部分进行简单查看；所述ct检测模型输出对器官组织区域的匹配范围在所述第二匹配范围和所述第三匹配范围，说明ct检测模型认定待识别ct图像中的该器官组织与所述标准ct图像集中的器官组织有部分不同，在查看时需要对这些器官组织进行仔细查看；在本实施方式中，分割线用于将不同的器官组织进行分割，因此不同类型的器官组织需要不同类型的分割线进行区分，所述不同类型的分割线包括分割线线条的粗细、颜色和透明度，通过分割线线条不同的粗细、颜色和透明度进行区分。
[0046]
在一个可行的实施方式中，所述对处于不同匹配度范围的各器官组织进行不同类型的分割，还包括对相邻的器官组织通过不同类型的分割线进行分割。
[0047]
在本实施方式中，还考虑到相邻的器官组织如果是同一匹配范围的器官组织，使用相同的分割线进行分割，容易使这相邻的器官组织难以区分，因此在根据不同类型的器官组织需要不同类型的分割线进行区分的基础上，再通过不同类型的分割线将相邻的器官组织进行区分，实例性的，将第一匹配范围的分割线为红色分割线，第二匹配范围的分割线为绿色分割线，那么同一匹配范围的相邻的器官则使用不同粗细的分割线进行区分。
[0048]
在一个可行的实施方式中，所述对ct图像中的各器官组织进行识别的步骤之后，该方法还包括：s701：各器官组织划分区域；s702：对各器官组织的所有区域分别进行识别；s703：各器官组织输出与所述标准ct图像集差异最大区域，并进行标记。
[0049]
需要说明的是，所述ct检测模型输出待检测的ct图像中的器官组织相对标准ct图像的匹配度，对于匹配度偏低的器官组织进行查看时，需要对整个器官组织进行查看；在本实施方式中，对器官组织进行进一步的划分，再对器官组织与标准ct图像中对应的器官组织进行对应识别，得到各器官组织输出与所述标准ct图像集差异最大的区域，并进行标记，在查看时，可以对所述差异最大区域进行相对仔细的查看，使得可以集中精力对与标准ct图像差异较大的区域进行查看，更容易检查出患病区域。
[0050]
在一个可行的实施方式中，所述各器官组织输出与所述标准ct图像集差异最大区域的步骤之后，所述方法还包括：s801：收集所述差异最大的区域和所述差异最大的区域的周边区域；s802：将所述差异最大的区域和所述差异最大的区域的周边区域再次进行区域划分；s803：各器官组织输出当前与所述标准ct图像集差异最大区域；s804：重复步骤s801-步骤s803，修正所述差异最大区域，得到待检测的ct图像中各器官组织相对所述标准ct图像集差异最大的区域。
[0051]
需要说明的是，步骤s701中对器官组织进行划分时，采用一次划分，再对每一个划分区域进行识别检测，但划分区域时，可能出现将患病区域划分在两处及以上的区域中，患病区域与标准ct图像差异较大，但最终也只会对患病区域落在划分区域较多的部分进行标记，而有部分患病区域因为被划分在旁边的区域中，导致没有进行标记；在本实施方式中，收集所述差异最大的区域和所述差异最大的区域的周边区域，也就是将可能存在患病的区域与所述差异最大的区域进行再次的区域划分，当前划分只包括所述差异最大的区域和所述差异最大的区域的周边区域，因此需要划分的区域减小，可以对剩下的区域进行更细致的划分，经过步骤s803再次进行各区域识别，得出当前差异最大区域，再通过步骤s804的重复叠加操作，将一次划分进一步的改变为多次划分，达到对所述差异最大区域进行修正和精确，使得到的所述差异最大区域的区域更为精确。
[0052]
在本技术的第二方面，参照图4，提供一种ct图像的分割处理装置900，所述装置包括：图像获取模块901：获取待检测的ct图像；图像识别模块902：对ct图像中的各器官组织进行识别；边缘框选模块903：通过边缘检测算法得出器官组织的边缘，并对器官组织的边缘进行框选；图像分割模块904：将框选出的器官组织进行分割，选择分割后的器官组织进行单独放大，同时隐藏ct图像没有被选择的部分。
[0053]
在一个可行的实施方式中，所述装置还包括：现有图像收集模块：获取现有的ct图像，获取途径包括有医院数据库、互联网、医
学教材和医学文献；图像筛选模块：对现有的ct图像进行筛选，筛选出器官组织健康的ct图像；标准图像模块：基于器官组织健康的ct图像，得到各器官组织健康状态下的ct图像。进而得到各器官组织健康状态下的标准ct图像集；图像对比模块：所述待检测的ct图像与所述标准ct图像集进行对比。
[0054]
在一个可行的实施方式中，所述装置还包括：图像标注模块：基于所述标准ct图像集，对各器官组织进行标注，所述标注为各器官组织的名称；训练集确定模块：基于所述标注和所述标准ct图像集，确定各器官组织的标准ct图像训练集和验证集；模型训练模块：根据所述各器官组织的标准ct图像训练集对ct检测模型进行迭代训练，利用所述验证集进行评估，当神经网络模型达到预设的迭代训练次数，则停止训练，并导出所述ct检测模型；模型输出模块：所述ct检测模型输入待检测的ct图像，所述ct检测模型输出待检测的ct图像中各器官组织的名称。
[0055]
在一个可行的实施方式中，所述装置还包括：匹配度输出模块：所述ct检测模型输出所述待检测的ct图像中各器官组织与所述标准ct图像的匹配度，所述匹配度越高，所述待检测的ct图像与所述标准ct图像越相似；匹配度分选模块：所述匹配度包括多个范围，具体包括第一匹配范围、第二匹配范围和第三匹配范围，所述第一匹配范围的下限大于或等于第一匹配阈值；所述第二匹配范围的上限小于第一匹配阈值，所述第二匹配范围的下限大于或等于第二匹配阈值；所述第三匹配范围的上限小于第二匹配阈值；图像分割子模块：对处于不同匹配度范围的各器官组织通过不同类型的分割线进行分割，所述不同类型的分割线包括分割线线条的粗细、颜色和透明度。
[0056]
在一个可行的实施方式中，所述装置还包括：相邻图像分割模块：对相邻的器官组织通过不同类型的分割线进行分割。
[0057]
在一个可行的实施方式中，所述装置还包括：区域划分模块：各器官组织划分区域；区域识别模块：对各器官组织的所有区域分别进行识别；差异识别模块：输出各器官组织输出相对所述标准ct图像集差异最大区域，并进行标记。
[0058]
在一个可行的实施方式中，所述装置还包括：区域收集模块：收集所述差异最大的区域和所述差异最大的区域的周边区域；区域划分子模块：将所述差异最大的区域和所述差异最大的区域的周边区域再次进行区域划分；差异识别子模块：各器官组织输出当前与所述标准ct图像集差异最大区域；区域修正模块：修正所述差异最大区域，得到待检测的ct图像中各器官组织相对所述标准ct图像集差异最大的区域。
[0059]
需要说明的是，本技术实施例的用于区块链网络的信息推送装置500的具体实施
方式参照前述本技术实施例第一方面提出的一种多ct图像融合方法的具体实施方式，在此不再赘述。
[0060]
在一些实施例中，计算机可读存储介质可以是fram、rom、prom、eprom、eeprom、闪存、磁表面存储器、光盘、或cd-rom等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
[0061]
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言（包括编译或解释语言，或者声明性或过程性语言）来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
[0062]
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言（html，hyper text markup language）文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。
[0063]
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
[0064]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括要素的物品或者设备中还存在另外的相同要素。
[0065]
以上对所提供的一种ct图像的分割处理方法及装置，进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的用于ct图像的分割处理方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本技术的限制。

技术特征：
1.一种ct图像的分割处理方法，其特征在于，包括：获取待检测的ct图像；对ct图像中的各器官组织进行识别；通过边缘检测算法得出器官组织的边缘，并对器官组织的边缘进行框选；将框选出的器官组织进行分割，选择分割后的器官组织进行单独放大，同时隐藏ct图像没有被选择的部分。2.如权利要求1所述的一种ct图像的分割处理方法，其特征在于，所述对ct图像中的各器官组织进行识别的步骤之前，所述方法还包括：获取现有的ct图像，获取途径包括有医院数据库、互联网、医学教材和医学文献；对现有的ct图像进行筛选，筛选出器官组织健康的ct图像；基于器官组织健康的ct图像，得到各器官组织健康状态下的ct图像，进而得到各器官组织健康状态下的标准ct图像集；所述待检测的ct图像与所述标准ct图像集进行对比。3.如权利要求2所述的一种ct图像的分割处理方法，其特征在于，所述待检测的ct图像与所述标准ct图像集进行对比的步骤之前，所述方法还包括：基于所述标准ct图像集，对各器官组织进行标注，所述标注为各器官组织的名称；基于所述标注和所述标准ct图像集，确定各器官组织的标准ct图像训练集和验证集；根据所述各器官组织的标准ct图像训练集对ct检测模型进行迭代训练，利用所述验证集进行评估，当神经网络模型达到预设的迭代训练次数，则停止训练，并导出所述ct检测模型；所述ct检测模型输入待检测的ct图像，所述ct检测模型输出待检测的ct图像中各器官组织的名称。4.如权利要求3所述的一种ct图像的分割处理方法，其特征在于，所述对ct图像中的各器官组织进行识别的步骤之后，所述方法还包括：所述ct检测模型输出所述待检测的ct图像中各器官组织与所述标准ct图像的匹配度，所述匹配度越高，所述待检测的ct图像与所述标准ct图像越相似；所述匹配度包括多个范围，具体包括第一匹配范围、第二匹配范围和第三匹配范围，所述第一匹配范围的下限大于或等于第一匹配阈值；所述第二匹配范围的上限小于第一匹配阈值，所述第二匹配范围的下限大于或等于第二匹配阈值；所述第三匹配范围的上限小于第二匹配阈值；对处于不同匹配度范围的各器官组织通过不同类型的分割线进行分割，所述不同类型的分割线包括分割线线条的粗细、颜色和透明度。5.如权利要求4所述的一种ct图像的分割处理方法，其特征在于：所述对处于不同匹配度范围的各器官组织进行不同类型的分割，还包括对相邻的器官组织通过不同类型的分割线进行分割。6.如权利要求2-5任意一项所述的一种ct图像的分割处理方法，其特征在于，所述对ct图像中的各器官组织进行识别的步骤之后，该方法还包括：各器官组织划分区域；对各器官组织的所有区域分别进行识别；
各器官组织输出与所述标准ct图像集差异最大区域，并进行标记。7.如权利要求6所述的一种ct图像的分割处理方法，其特征在于，所述各器官组织输出与所述标准ct图像集差异最大区域的步骤之后，所述方法还包括：s601：收集所述差异最大的区域和所述差异最大的区域的周边区域；s602：将所述差异最大的区域和所述差异最大的区域的周边区域再次进行区域划分；s603：各器官组织输出当前与所述标准ct图像集差异最大区域；s604：重复步骤s601-步骤s603，修正所述差异最大区域，得到待检测的ct图像中各器官组织相对所述标准ct图像集差异最大的区域。8.一种ct图像的分割处理装置，其特征在于，包括：图像获取模块：获取待检测的ct图像；图像识别模块：对ct图像中的各器官组织进行识别；边缘框选模块：通过边缘检测算法得出器官组织的边缘，并对器官组织的边缘进行框选；图像分割模块：将框选出的器官组织进行分割，选择分割后的器官组织进行单独放大，同时隐藏ct图像没有被选择的部分。

技术总结
本申请公开了一种CT图像的分割处理方法及装置，涉及图像处理应用技术领域。方法包括：获取待检测的CT图像；对CT图像中的各器官组织进行识别；通过边缘检测算法得出器官组织的边缘，并对器官组织的边缘进行框选；将框选出的器官组织进行分割，选择分割后的器官组织进行单独放大，同时隐藏CT图像没有被选择的部分，所述没有被选择的部分包括没有被选择的器官组织和没有分割线框选出的无用信息，包括背景等内容，放大选择的器官组织和隐藏CT图像没有被选择的部分都可以使医生查看更方便，减少其他器官组织的干扰，使医生可以更集中精力对某一器官组织进行仔细查看。一器官组织进行仔细查看。一器官组织进行仔细查看。


技术研发人员：马骁 谷文成
受保护的技术使用者：经智信息科技（山东）有限公司
技术研发日：2023.08.04
技术公布日：2023/9/7