CN117036376B - 基于人工智能的病变图像分割方法、装置及存储介质 - Google Patents

Abstract

本申请提供一种基于人工智能的病变图像分割方法、装置及存储介质，通过对待分割医学影像图像进行图像分块得到待分割医学影像图像对应待识别图像分块集合，根据待识别图像分块集合中所对应病理辅助促进指标满足识别条件的待识别医学图像分块确定参照图像分块集合，根据参照图像分块集合中的可疑图像分块确定识别图像分块集合，并对识别图像分块集合中的识别图像分块进行识别图像分块识别，在根据识别结果深度识别出满足标记临界条件时进行图像分块标记。如此能够自动识别出待分割医学影像图像对应的识别图像分块集合，以对识别图像分块集合进行识别图像分块识别，增加了图像分割的效率。

Description

基于人工智能的病变图像分割方法、装置及存储介质

技术领域

本申请涉及但不限于图像处理、人工智能技术领域，尤其涉及一种基于人工智能的病变图像分割方法、装置及存储介质。

背景技术

病灶识别是医学影像分析的重要任务之一，旨在从医学图像中准确地定位和提取出感兴趣的异常区域或病灶。其中，需要借助多种图像处理技术进行辅助协同，例如图像增强、图像分割、特征提取、特征选择、分类器构建、对象定位跟踪等等。在医学图像分割中，通过对医学图像，尤其是病变图像进行感兴趣区域地提取分离，有助于后续基于分割结果进行病灶识别定位。常见的分割方式仅基于阈值分割、边缘检测、区域生长、水平线分割等方式进行，对于后续的病灶识别的帮助有限。此外，现有的病变图像分割时，受限于人工标记的局限，分割的准确性和效率还有一定的提升空间。

发明内容

有鉴于此，本申请实施例至少提供一种基于人工智能的病变图像分割方法、装置及存储介质。

本申请实施例的技术方案是这样实现的：

第一方面，本申请提供一种基于人工智能的病变图像分割方法，所述方法包括：

获取待分割医学影像图像，对所述待分割医学影像图像进行图像分块操作，得到所述待分割医学影像图像对应的待识别图像分块集合，其中，所述待分割医学影像图像通过体绘制得到；

确定所述待识别图像分块集合中的各个待识别医学图像分块的病理辅助促进指标，并通过所述各个待识别医学图像分块的病理辅助促进指标从所述待识别图像分块集合中确定得到参照图像分块集合；所述参照图像分块集合中的医学图像分块是所述待识别图像分块集合中所对应病理辅助促进指标满足识别条件的待识别医学图像分块；

根据所述参照图像分块集合确定识别图像分块集合，所述识别图像分块集合中的识别图像分块为可疑图像分块；

根据所述识别图像分块集合进行识别图像分块识别，以及在根据识别结果深度识别出满足标记临界条件时进行图像分块标记；

通过每个所述待识别医学图像分块的图像分块标记结果对所述待分割医学影像图像进行分割。

在一些实施例中，所述确定所述待识别图像分块集合中的各个待识别医学图像分块的病理辅助促进指标，包括：

针对所述待识别图像分块集合中分块尺寸大于尺寸阈值的任意一个第一待识别医学图像分块，确定第一待识别医学图像分块的内关联性评价指标和第一待识别医学图像分块的外关联性评价指标，以及基于第一待识别医学图像分块的内关联性评价指标和第一待识别医学图像分块的外关联性评价指标确定第一待识别医学图像分块的病理辅助促进指标；

针对所述待识别图像分块集合中分块尺寸小于或等于所述尺寸阈值的任意一个第二待识别医学图像分块，确定第二待识别医学图像分块的外关联性评价指标，并将第二待识别医学图像分块的外关联性评价指标作为第二待识别医学图像分块的病理辅助促进指标。

在一些实施例中，所述待分割医学影像图像为目标三维医学影像数据中的任意一个切片；所述确定第一待识别医学图像分块的内关联性评价指标，包括：

确定所述第一待识别医学图像分块对应的像素团分组，任意一个像素团分组通过对所述第一待识别医学图像分块进行切割得到的多个切割像素团组成，每个切割像素团由所述第一待识别医学图像分块中的一个像素或多个环绕像素组成；

针对任意一个像素团分组，获取像素团分组中的每个切割像素团在所述目标三维医学影像数据中出现的置信度；

根据所述每个切割像素团在所述目标三维医学影像数据中出现的置信度以及所述第一待识别医学图像分块在所述目标三维医学影像数据中出现的置信度，确定像素团分组所对应的内关联性评价指标；

将各个像素团分组所对应的内关联性评价指标中的最小内关联性评价指标确定为所述第一待识别医学图像分块的内关联性评价指标；

所述确定第一待识别医学图像分块的外关联性评价指标，包括：

在所述目标三维医学影像数据中确定所述第一待识别医学图像分块的邻域像素集合，所述邻域像素集合包括不少于一个邻域像素；

获取每个邻域像素与所述第一待识别医学图像分块组合得到的待识别融合医学图像分块分别在所述目标三维医学影像数据中出现的置信度；

通过每个待识别融合医学图像分块在所述目标三维医学影像数据中出现的置信度，确定所述第一待识别医学图像分块的外关联性评价指标。

在一些实施例中，所述邻域像素集合包括的邻域像素为所述第一待识别医学图像分块在所述目标三维医学影像数据中的环绕像素；所述获取每个邻域像素与所述第一待识别医学图像分块组合得到的待识别融合医学图像分块分别在所述目标三维医学影像数据中出现的置信度，包括获取所述邻域像素集合中的每个环绕像素与所述第一待识别医学图像分块组合得到的第一待识别融合医学图像分块分别在所述目标三维医学影像数据中出现的置信度；

所述通过每个待识别融合医学图像分块在所述目标三维医学影像数据中出现的置信度，确定所述第一待识别医学图像分块的外关联性评价指标，包括：

通过每个第一待识别融合医学图像分块在所述目标三维医学影像数据中出现的置信度获取多个第一不确定性度量值；

将所述多个第一不确定性度量值中的最小不确定性度量值确定为所述第一待识别医学图像分块的外关联性评价指标。

在一些实施例中，所述待分割医学影像图像为目标三维医学影像数据中的任意一个切片，所述目标三维医学影像数据是在当前获取时刻获取得到；所述根据所述参照图像分块集合确定识别图像分块集合，包括：

获取参考病变图像集，所述参考病变图像集为通过正常图像分块以及根据在所述当前获取时刻之前获取的三维医学影像数据确定的识别图像分块组建的；

在所述参考病变图像集中对所述参照图像分块集合中的每个医学图像分块进行匹配，基于匹配不成功的医学图像分块确定所述识别图像分块集合。

在一些实施例中，所述目标识别图像分块为所述识别图像分块集合中的任意一个识别图像分块，所述方法还包括：

在所述参考病变图像集中匹配与所述目标识别图像分块匹配的匹配医学图像分块；如果匹配到，则通过所述目标识别图像分块和所述匹配医学图像分块确定新增识别图像分块，以及基于所述新增识别图像分块对所述识别图像分块集合进行迭代；基于迭代后的识别图像分块集合对所述参考病变图像集进行迭代。

在一些实施例中，目标识别图像分块为所述识别图像分块集合中的任意一个识别图像分块，所述根据所述识别图像分块集合进行识别图像分块识别，包括：

获取所述目标识别图像分块在R个获取时刻获取得到三维医学影像数据中的第一出现频次，以及获取所述目标识别图像分块在目标获取时刻获取得到三维医学影像数据中的第二出现频次，所述目标获取时刻为S个获取时刻中除所述R个获取时刻之后的获取时刻；计算所述第一出现频次与所述第二出现频次之间的商；将所述第一出现频次与所述第二出现频次之间的商确定为所述目标识别图像分块的识别结果；

或者，所述根据所述识别图像分块集合进行识别图像分块识别，包括：

获取所述目标识别图像分块在R个获取时刻获取得到三维医学影像数据中的第一出现频次，以及获取所述目标识别图像分块在S个获取时刻获取得到三维医学影像数据中的第三出现频次；

计算所述第一出现频次与所述第三出现频次之间的商；

将所述第一出现频次与所述第三出现频次之间的商确定为所述目标识别图像分块的识别结果；

其中，所述S个获取时刻包括所述当前获取时刻和所述当前获取时刻之前的S-1个获取时刻；所述R个获取时刻包括所述当前获取时刻和所述当前获取时刻之前的R-1个获取时刻，R＜S。

在一些实施例中，所述在根据识别结果深度识别出满足标记临界条件时进行图像分块标记，包括：

获取预设标记参考值；

当所述目标识别图像分块的识别结果对应的商大于或等于所述预设标记参考值时，确定满足标记临界条件，对对应的目标识别图像分块进行对应的标记。

在一些实施例中，所述获取预设标记参考值，包括：

获取所述目标识别图像分块在当前获取时刻及之前时刻获取得到三维医学影像数据中的出现频次；

根据所述出现频次确定所述目标识别图像分块对应的识别类型；

获取所述识别类型对应的预设标记参考值；所述识别图像分块集合中的识别图像分块通过每个识别图像分块的出现频次被分类成不少于一个识别类型，一个识别类型对应一个预设标记参考值。

第二方面，本申请提供一种病变图像分割装置，包括：

图像获取模块，用于获取待分割医学影像图像，对所述待分割医学影像图像进行图像分块操作，得到所述待分割医学影像图像对应的待识别图像分块集合，其中，所述待分割医学影像图像通过体绘制得到；

指标确定模块，用于确定所述待识别图像分块集合中的各个待识别医学图像分块的病理辅助促进指标，并通过所述各个待识别医学图像分块的病理辅助促进指标从所述待识别图像分块集合中确定得到参照图像分块集合；所述参照图像分块集合中的医学图像分块是所述待识别图像分块集合中所对应病理辅助促进指标满足识别条件的待识别医学图像分块；

分块确定模块，用于根据所述参照图像分块集合确定识别图像分块集合，所述识别图像分块集合中的识别图像分块为可疑图像分块；

分块标记模块，用于根据所述识别图像分块集合进行识别图像分块识别，以及在根据识别结果深度识别出满足标记临界条件时进行图像分块标记；

图像分割模块，用于通过每个所述待识别医学图像分块的图像分块标记结果对所述待分割医学影像图像进行分割。

第三方面，本申请还提供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以上所述方法中的步骤。

本申请至少具有的有益效果包括：

本申请对待分割医学影像图像进行图像分块得到待分割医学影像图像对应待识别图像分块集合，根据待识别图像分块集合中所对应病理辅助促进指标满足识别条件的待识别医学图像分块确定参照图像分块集合，根据参照图像分块集合中的可疑图像分块确定识别图像分块集合，并对识别图像分块集合中的识别图像分块进行识别图像分块识别，在根据识别结果深度识别出满足标记临界条件时进行图像分块标记。这样一来，能够自动识别出待分割医学影像图像对应的识别图像分块集合，以对识别图像分块集合进行识别图像分块识别，增加了图像分割的效率。同时，识别图像分块集合中的识别图像分块为可疑图像分块，可疑图像分块可以用于表征可能出现的新增可疑图像分块，因此对可疑图像分块进行识别，以及在根据可疑图像分块的识别结果深度识别出满足标记临界条件时进行图像分块标记，可以对可能出现的新增可疑图像分块进行预先标记，精确快速地完成病变图像的分割。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本申请的技术方案。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本申请的实施例，并与说明书一起用于说明本申请的技术方案。

图1为本申请实施例提供的一种基于人工智能的病变图像分割方法的实现流程示意图。

图2为本申请实施例提供的一种病变图像分割装置的组成结构示意图。

图3为本申请实施例提供的一种计算机设备的硬件实体示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图和实施例对本申请的技术方案进一步详细阐述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请的目的，不是旨在限制本申请。

本申请实施例提供一种基于人工智能的病变图像分割方法，该方法可以由计算机设备的处理器执行。其中，计算机设备可以指的是服务器、笔记本电脑、平板电脑、台式计算机、智能电视、移动设备(例如移动电话、便携式视频播放器、个人数字助理)等具备数据处理能力的设备。

图1为本申请实施例提供的一种基于人工智能的病变图像分割方法的实现流程示意图，如图1所示，该方法包括如下操作101至操作105：

操作S101，获取待分割医学影像图像，对待分割医学影像图像进行图像分块操作，得到待分割医学影像图像对应的待识别图像分块集合。

本申请实施例中，待分割医学影像图像通过体绘制（Volume Rendering）得到，待分割医学影像图像是目标三维医学影像数据中的任意一个切片，目标三维医学影像数据是在当前获取时刻获取得到，目标三维医学影像数据中包括不少于一个待分割医学影像图像。获取到待分割医学影像图像之后，可以对待分割医学影像图像进行图像分块操作，得到待分割医学影像图像对应的待识别图像分块集合，待识别图像分块集合包括图像分块操作得到的不少于一个待识别医学图像分块。本申请实施例中，图像分块操作的过程具体可以是对该待分割医学影像图像进行基础图像分割的过程，例如按照像素灰度与预设灰度阈值进行分割，或者通过边缘检测（如Canny边缘检测、Sobel算子）的方式将图像分割为不同的图像分块，在其他实施方式中，还可以按照均值分割的方式，将待分割医学影像图像切分为像素尺寸相同的多个图像分块。

操作S102，确定待识别图像分块集合中的各个待识别医学图像分块的病理辅助促进指标，并通过各个待识别医学图像分块的病理辅助促进指标从待识别图像分块集合中确定得到参照图像分块集合。

本申请实施例中，待识别医学图像分块的病理辅助促进指标是用于进行二次图像分割的评估指标，评估指标的参考依据为对病理的识别促进元素，具体可以至少包括以下指标中的一个：待识别医学图像分块的内关联性评价指标、待识别医学图像分块的外关联性评价指标；参照图像分块集合中的医学图像分块是待识别图像分块集合中对应病理辅助促进指标满足识别条件的待识别医学图像分块，即将待识别图像分块集合中所对应病理辅助促进指标满足识别条件的待识别医学图像分块确定为参照图像分块集合中的医学图像分块。例如，针对待识别图像分块集合中分块尺寸大于尺寸阈值的任意一个第一待识别医学图像分块，尺寸阈值例如为0.5mm×0.5mm，具体和图像模态（如CT、MRI）、具体的疾病类型和病灶特征相关，具体不做限定。确定第一待识别医学图像分块的病理辅助促进指标包括：确定第一待识别医学图像分块的内关联性评价指标和第一待识别医学图像分块的外关联性评价指标，以及基于第一待识别医学图像分块的内关联性评价指标和第一待识别医学图像分块的外关联性评价指标确定第一待识别医学图像分块的病理辅助促进指标。此时，第一待识别医学图像分块的病理辅助促进指标满足识别条件，例如是第一待识别医学图像分块的病理辅助促进指标大于或等于第一指标值。其他实施方式中，针对待识别图像分块集合中分块尺寸小于或等于尺寸阈值的任意一个第二待识别医学图像分块，确定第二待识别医学图像分块的病理辅助促进指标包括：确定第二待识别医学图像分块的外关联性评价指标，将第二待识别医学图像分块的外关联性评价指标作为第二待识别医学图像分块的病理辅助促进指标，第二待识别医学图像分块的病理辅助促进指标满足识别条件是指第二待识别医学图像分块的病理辅助促进指标大于或等于第二指标值。

可选地，待识别图像分块集合中包括不少于一个第一待识别医学图像分块，可以依据各个第一待识别医学图像分块的病理辅助促进指标递减的次序对各个第一待识别医学图像分块进行排列，获得第一待识别医学图像分块序列，将第一待识别医学图像分块序列中位于第一分布次序前的第一待识别医学图像分块确定为参照图像分块集合中的医学图像分块，其中，第一分布次序为第一待识别医学图像分块序列的前M个。按照相同思路，待识别图像分块集合中包括不少于一个第二待识别医学图像分块，也依据各个第二待识别医学图像分块的病理辅助促进指标递减的次序对各个第二待识别医学图像分块进行排列，得到第二待识别医学图像分块序列，将第二待识别医学图像分块序列中位于第二分布次序前的第二待识别医学图像分块确定为参照图像分块集合中的医学图像分块；第二分布次序是指第二待识别医学图像分块序列的前N个，M和N的具体数值可以根据实际需要进行设置。

本申请实施例中，待识别医学图像分块的内关联性评价指标可以通过待识别医学图像分块中的各个切割像素团之间的牵涉性（也即各个切割像素团之间的相关性）来评估待识别医学图像分块是否适于独立存在的程度，每个切割像素团由待识别医学图像分块中的一个像素或多个环绕像素（也就是多个彼此相邻的像素）组成。其中，独立存在的意思是将待识别医学图像分块视为一个独立的区域，待识别医学图像分块的内关联性评价指标越大，则待识别医学图像分块中的各个切割像素团之间的相关性越强，待识别医学图像分块越适于独立存在。待识别医学图像分块的外关联性评价指标可以通过待识别医学图像分块与邻域像素组合得到的待识别融合医学图像分块的不确定性度量值（可以采用概率分布的不确定性来衡量，例如通过统计待识别融合医学图像分块中每个像素值的频次，得到一个像素值的直方图，然后将每个像素值的频次除以待识别融合医学图像分块的总像素数，得到每个像素值的概率，接着对每个概率值进行对数运算，并乘以对数的负数，最后对所有像素值的结果求和，得到待识别融合医学图像分块的不确定性度量值）来评估待识别医学图像分块适于独立存在的程度。邻域像素可以包括待识别医学图像分块在目标三维医学影像数据中的环绕像素；待识别融合医学图像分块的不确定性度量值用于表征待识别融合医学图像分块的不可预测性；待识别融合医学图像分块的不确定性度量值越小，说明待识别融合医学图像分块的不可预测性越小，邻域像素与待识别医学图像分块组成部位的可能性越高。也就是说，待识别融合医学图像分块的不确定性度量值越小，待识别医学图像分块的外关联性评价指标就越小，待识别医学图像分块越不适于独立存在。参照图像分块集合中的医学图像分块是基于待识别图像分块集合中适于独立存在的待识别医学图像分块确定得到的。针对待识别图像分块集合中分块尺寸不小于尺寸阈值的任意一个第一待识别医学图像分块，确定第一待识别医学图像分块的病理辅助促进指标包括以下操作：

操作一、确定第一待识别医学图像分块的内关联性评价指标。

具体地，可以确定第一待识别医学图像分块对应的像素团分组，任意一个像素团分组通过对第一待识别医学图像分块进行切割得到的多个切割像素团构成，每个切割像素团由第一待识别医学图像分块中的一个像素或多个环绕像素组成。针对任意一个像素团分组，获取像素团分组中的每个切割像素团在目标三维医学影像数据中出现的置信度，通过每个切割像素团在目标三维医学影像数据中出现的置信度和第一待识别医学图像分块在目标三维医学影像数据中出现的置信度，确定像素团分组所对应的内关联性评价指标。将各个像素团分组对应的内关联性评价指标中的最小内关联性评价指标作为第一待识别医学图像分块的内关联性评价指标。切割像素团在目标三维医学影像数据中出现的置信度为切割像素团在目标三维医学影像数据中的出现次数和目标三维医学影像数据中的图像分块总数之间的商，或者切割像素团在目标三维医学影像数据中的出现次数与目标三维医学影像数据中的图像分块总数之间的商。第一待识别医学图像分块在目标三维医学影像数据中出现的置信度为第一待识别医学图像分块在目标三维医学影像数据中次数与目标三维医学影像数据中的图像分块总数之间的商，或第一待识别医学图像分块在目标三维医学影像数据中次数与目标三维医学影像数据中的图像分块总数的商。

像素团分组的内关联性评价指标的计算方式可以参照通用的PMI（PointwiseMutual Information）计算公式，此处不做赘述，将多个像素团分组对应的内关联性评价指标中的最小内关联性评价指标作为第一待识别医学图像分块的内关联性评价指标。

操作二、确定第一待识别医学图像分块的外关联性评价指标。

具体地，可以在目标三维医学影像数据中确定第一待识别医学图像分块的邻域像素集合，邻域像素集合中包括不少于一个邻域像素，邻域像素集合中的邻域像素为第一待识别医学图像分块在目标三维医学影像数据中的环绕像素，获取每个邻域像素与第一待识别医学图像分块组合得到的待识别融合医学图像分块分别在目标三维医学影像数据中出现的置信度，以及基于各个待识别融合医学图像分块在目标三维医学影像数据中出现的置信度，确定第一待识别医学图像分块的外关联性评价指标。其中，待识别融合医学图像分块为通过一个邻域像素与第一待识别医学图像分块组合得到。

例如，邻域像素集合包括的邻域像素为第一待识别医学图像分块在目标三维医学影像数据中的环绕像素，获取邻域像素集合中的每个环绕像素与第一待识别医学图像分块组合得到的第一待识别融合医学图像分块分别在目标三维医学影像数据中出现的置信度，以及基于各个第一待识别融合医学图像分块在目标三维医学影像数据中出现的置信度获取多个第一不确定性度量值，将多个第一不确定性度量值中的最小不确定性度量值确定为第一待识别医学图像分块的外关联性评价指标。第一待识别融合医学图像分块在目标三维医学影像数据中出现的置信度为第一待识别融合医学图像分块在目标三维医学影像数据中的出现次数与目标三维医学影像数据的图像分块总数之间的商或第一待识别融合医学图像分块在目标三维医学影像数据中的次数与目标三维医学影像数据的图像分块总数的商。

第一不确定性度量值的计算方式可以参照通用信息熵计算公式，此处不做赘述，作为另一实施方式，邻域像素集合包括的邻域像素为第一待识别医学图像分块在目标三维医学影像数据中的环绕像素，获取邻域像素集合中的每个环绕像素与第一待识别医学图像分块组合得到的第一待识别融合医学图像分块分别在目标三维医学影像数据中出现的置信度，以及基于各个第一待识别融合医学图像分块在目标三维医学影像数据中出现的置信度获取第一不确定性度量值，将第一不确定性度量值作为第一待识别医学图像分块的外关联性评价指标。

操作三、根据第一待识别医学图像分块的内关联性评价指标和外关联性评价指标确定第一待识别医学图像分块的病理辅助促进指标。

具体地，获取第一待识别医学图像分块的内关联性评价指标对应的第一重要性参数，以及获取第一待识别医学图像分块的内关联性评价指标对应的第二重要性参数，根据第一重要性参数、第一待识别医学图像分块的内关联性评价指标、第二重要性参数、第一待识别医学图像分块的外关联性评价指标获取得到所述第一待识别医学图像分块的病理辅助促进指标。第一待识别医学图像分块的病理辅助促进指标的计算公式为：

G＝αI+βO

G为第一待识别医学图像分块的病理辅助促进指标，α为第一重要性参数，I为第一待识别医学图像分块的内关联性评价指标，β为第二重要性参数，O为第一待识别医学图像分块的外关联性评价指标。

针对待识别图像分块集合中分块尺寸不大于尺寸阈值的任意一个第二待识别医学图像分块，确定第二待识别医学图像分块的病理辅助促进指标具体包括：确定第二待识别医学图像分块的外关联性评价指标，将第二待识别医学图像分块的外关联性评价指标作为第二待识别医学图像分块的病理辅助促进指标。确定第二待识别医学图像分块的外关联性评价指标的方式可以参照确定第一待识别医学图像分块的外关联性评价指标。

第二待识别医学图像分块的邻域像素集合包括的邻域像素为第二待识别医学图像分块在目标三维医学影像数据中的环绕像素。可以获取每个环绕像素与第二待识别医学图像分块组合得到的第三待识别融合医学图像分块在目标三维医学影像数据中出现的置信度，以及基于各个第三待识别融合医学图像分块在目标三维医学影像数据中出现的置信度获取第三不确定性度量值；将第三不确定性度量值中的最小不确定性度量值确定为第二待识别医学图像分块的外关联性评价指标。其中，第三待识别融合医学图像分块在目标三维医学影像数据中出现的置信度为第三待识别融合医学图像分块在目标三维医学影像数据中的出现次数与目标三维医学影像数据的图像分块总数之间的商或第三待识别融合医学图像分块在目标三维医学影像数据中的出现次数与目标三维医学影像数据的图像分块总数的商。

其他实施方式中，邻域像素集合包括的邻域像素为第二待识别医学图像分块在目标三维医学影像数据中的环绕像素，可以获取邻域像素集合中的每个环绕像素与第二待识别医学图像分块组合而得的第三待识别融合医学图像分块分别在目标三维医学影像数据中出现的置信度，以及基于各个第三待识别融合医学图像分块在目标三维医学影像数据中出现的置信度获取第三不确定性度量值，将计算得到的第三不确定性度量值作为第二待识别医学图像分块的外关联性评价指标。

操作S103，根据参照图像分块集合确定识别图像分块集合。

识别图像分块集合中的识别图像分块是参照图像分块集合中未出现在参考病变图像集中的医学图像分块。待分割医学影像图像为目标三维医学影像数据中的任意一个切片，目标三维医学影像数据是在当前获取时刻获取得到，根据参照图像分块集合确定识别图像分块集合包括：获取参考病变图像集，参考病变图像集为通过正常图像分块以及根据在当前获取时刻之前获取的三维医学影像数据确定的识别图像分块组建的，在参考病变图像集中对参照图像分块集合中的每个医学图像分块进行匹配，基于匹配不成功的医学图像分块确定识别图像分块集合。

可选地，采用识别图像分块集合对参考病变图像集进行迭代，也就是将识别图像分块集合中的识别图像分块添加到参考病变图像集。在参考病变图像集的迭代过程中，对当前的参考病变图像集中的图像分块进行留存，将每次基于待分割医学影像图像确定得到的识别图像分块集合添加到参考病变图像集。基于此，参考病变图像集的完整性得到提高。

操作S104，根据识别图像分块集合进行识别图像分块识别，以及在根据识别结果深度识别出满足标记临界条件时进行图像分块标记。

根据识别图像分块集合中的每个识别图像分块在所有三维医学影像数据中的出现频次，对识别图像分块集合中的识别图像分块进行识别，得到每个识别图像分块的识别结果，对每个识别图像分块的识别结果进行识别，在深度识别出满足标记临界条件时进行图像分块标记。其中，所有三维医学影像数据包括在所有获取时刻获取得到全部三维医学影像数据，识别图像分块在所有三维医学影像数据中的出现频次为识别图像分块在所有三维医学影像数据中的出现次数，或者识别图像分块在所有三维医学影像数据中的出现次数与所有三维医学影像数据中的总图像分块数间的商。

操作S105，通过每个待识别医学图像分块的图像分块标记结果对待分割医学影像图像进行分割。

具体地，将待分割医学影像图像中的各个图像分块按照图像分块标记结果进行标记，得到对应的标记结果，标记的过程即完成待分割医学影像图像的分割。

本申请实施例对待分割医学影像图像进行图像分块得到待分割医学影像图像对应待识别图像分块集合，根据待识别图像分块集合中所对应病理辅助促进指标满足识别条件的待识别医学图像分块确定参照图像分块集合，参照图像分块集合中的医学图像分块是待识别图像分块集合中适于独立存在的待识别医学图像分块，根据参照图像分块集合中的可疑图像分块确定识别图像分块集合，并对识别图像分块集合中的识别图像分块进行识别图像分块识别，在根据识别结果深度识别出满足标记临界条件时进行图像分块标记。这样一来，能够自动识别出待分割医学影像图像对应的识别图像分块集合，以对识别图像分块集合进行识别图像分块识别，增加了图像分割的效率。同时，识别图像分块集合中的识别图像分块为可疑图像分块，可疑图像分块用于表征可能出现的新增可疑图像分块，因此对可疑图像分块进行识别，以及在根据可疑图像分块的识别结果深度识别出满足标记临界条件时进行图像分块标记，可以对可能出现的新增可疑图像分块进行预先标记，精确快速地完成病变图像的分割。

在另一实施例中，本申请实施例提供的基于人工智能的病变图像分割方法可以包括以下操作：

操作201，获取待分割医学影像图像，对待分割医学影像图像进行图像分块操作，得到待分割医学影像图像对应的待识别图像分块集合。

操作202，确定待识别图像分块集合中的各个待识别医学图像分块的病理辅助促进指标，并通过各个待识别医学图像分块的病理辅助促进指标从待识别图像分块集合中确定得到参照图像分块集合。

操作203，根据参照图像分块集合确定识别图像分块集合。

操作201~操作203的过程可以参考前述操作101~103。

操作204，根据识别图像分块集合进行识别图像分块识别。

操作204之前，可选地，目标识别图像分块是识别图像分块集合中的任意一个识别图像分块，例如采用图像向量聚类在参考病变图像集中匹配与目标识别图像分块匹配的匹配医学图像分块，如果匹配到，就基于目标识别图像分块和匹配医学图像分块确定新增识别图像分块，比如将目标识别图像分块与匹配医学图像分块进行组合，获得新增识别图像分块。其中，采用图像向量聚类在参考病变图像集中匹配与目标识别图像分块匹配的匹配医学图像分块，具体可以是在参考病变图像集中确定待匹配医学图像分块，通过向量转换算法得到目标识别图像分块的图像特征向量以及待匹配医学图像分块的图像特征向量（获取图像特征向量时，可以是先进行图像预处理，然后进行特征提取，如采用LBP、HOG、颜色直方图或SIFT等方式进行提取，然后进行特征编码，最后对特征向量进行归一化，得到图像特征向量）。当目标识别图像分块的图像特征向量与待匹配医学图像分块的图像特征向量之间的向量差值小于阈值，或者当目标识别图像分块的图像特征向量与待匹配医学图像分块的图像特征向量之间的内积乘积大于预设内积乘积，则确定待匹配医学图像分块是与目标识别图像分块匹配的匹配医学图像分块。

其他实施方式中，可以通过图像特征向量聚类在参考病变图像集中匹配与目标识别图像分块匹配的匹配医学图像分块，如果匹配到，则根据目标识别图像分块和匹配医学图像分块确定新增识别图像分块，比如将目标识别图像分块与匹配医学图像分块进行组合，获得新增识别图像分块，还可以根据新增识别图像分块对识别图像分块集合进行迭代，以及基于迭代后的识别图像分块集合对参考病变图像集进行迭代，即将迭代后的识别图像分块集合中的识别图像分块添加至参考病变图像集中。基于此，将参考病变图像集中的匹配医学图像分块与目标识别图像分块进行组合，可以获得新增可疑图像分块，对识别图像分块集合进行扩展，增加识别区间。

在操作204中，根据识别图像分块集合进行识别图像分块识别具体可以包括以下策略中的一个或多个：

策略一、先获取识别图像分块集合中的每个识别图像分块在所有三维医学影像数据中的出现频次，其中，所有三维医学影像数据包括在所有获取时刻获取得到全部三维医学影像数据，识别图像分块在所有三维医学影像数据中的出现频次是识别图像分块在所有三维医学影像数据中的出现次数，或者识别图像分块在所有三维医学影像数据中的出现次数与所有三维医学影像数据中的图像分块总数之间的商。

策略二、目标识别图像分块是识别图像分块集合中的任意一个识别图像分块，对目标识别图像分块进行识别时，获取目标识别图像分块在R个获取时刻获取得到三维医学影像数据中的第一出现频次，以及获取目标识别图像分块在目标获取时刻获取得到三维医学影像数据中的第二出现频次，目标获取时刻为S个获取时刻中除R个获取时刻之后的获取时刻，计算第一出现频次与第二出现频次之间的商；将第一出现频次与第二出现频次之间的商确定为目标识别图像分块的识别结果。对目标识别图像分块进行识别可参考以下公式：

θ=（i+t）÷（j+t）

θ为目标识别图像分块的识别结果，i为目标识别图像分块在R个获取时刻获取得到三维医学影像数据中的第一出现频次，j为目标识别图像分块在目标获取时刻获取得到三维医学影像数据中的第二出现频次，t为常数。S个获取时刻包括当前获取时刻和当前获取时刻之前的S-1个获取时刻；R个获取时刻包括当前获取时刻和当前获取时刻之前的R-1个获取时刻，R＜S。目标识别图像分块通过策略二的识别结果可以表征目标识别图像分块在R个获取时刻的第一出现频次相较目标识别图像分块在目标获取时刻内第二出现频次的增加值。

策略三、目标识别图像分块是识别图像分块集合中的任意一个识别图像分块，对目标识别图像分块进行识别包括：获取目标识别图像分块在R个获取时刻获取得到三维医学影像数据中的第一出现频次，以及获取目标识别图像分块在S个获取时刻获取得到三维医学影像数据中的第三出现频次，获取第一出现频次与第三出现频次之间的商，将第一出现频次与第三出现频次之间的商确定为目标识别图像分块的识别结果。对目标识别图像分块进行识别的公式为：

λ=i÷ε

λ为目标识别图像分块通过策略三得到的识别结果，i为目标识别图像分块在R个获取时刻获取得到三维医学影像数据中的第一出现频次，ɛ为目标识别图像分块在S个获取时刻获取得到三维医学影像数据中的第三出现频次。目标识别图像分块通过策略三的识别结果用于表征目标识别图像分块在R个获取时刻内的第一出现频次占目标识别图像分块在S个获取时刻内第三出现频次的比例。

操作205，获取预设标记参考值。

识别图像分块集合中的识别图像分块通过每个识别图像分块在所有三维医学影像数据中的出现频次被分类成不少于一个识别类型，一个识别类型即对应一个预设标记参考值。获取预设标记参考值包括：获取目标识别图像分块在当前获取时刻及之前时刻（即所有获取时刻）获取得到三维医学影像数据中的出现频次；根据出现频次确定目标识别图像分块对应的识别类型，从而获取识别类型对应的预设标记参考值。比如，识别图像分块集合中的识别图像分块通过每个识别图像分块在所有三维医学影像数据中的出现频次被分类成多数据识别类型、一般数据识别类型和少数据识别类型，多数据识别类型对应多数据预设标记参考值，一般数据识别类型对应一般数据预设标记参考值，少数据识别类型对应少数据预设标记参考值，当根据目标识别图像分块在所有三维医学影像数据中的出现频次确定目标识别图像分块为多数据类别时，获取到的预设标记参考值为多数据预设标记参考值。

操作206，当目标识别图像分块的识别结果对应的商大于或等于预设标记参考值时，确定满足标记临界条件，对对应的目标识别图像分块进行对应的标记。

当目标识别图像分块的识别结果对应的商不小于预设标记参考值，则确定满足标记临界条件。可选地，依据各个识别图像分块的识别结果对应的商递减的次序对各个识别图像分块进行排列，得到识别图像分块序列，将识别图像分块序列中位于第三分布次序之前的识别图像分块确定为满足标记临界条件的识别图像分块，第三分布次序例如是识别图像分块序列中的前K个识别图像分块。

操作207，根据图像分块标记策略进行图像分块标记，完成图像分割。

可以获取待分割医学影像图像，对待分割医学影像图像进行图像分块操作，得到待分割医学影像图像对应的待识别图像分块集合；确定待识别图像分块集合中的各个待识别医学图像分块的病理辅助促进指标，并通过各个待识别医学图像分块的病理辅助促进指标从待识别图像分块集合中确定得到参照图像分块集合；参照图像分块集合中的医学图像分块是待识别图像分块集合中所对应病理辅助促进指标满足识别条件的待识别医学图像分块；根据参照图像分块集合确定识别图像分块集合，所述识别图像分块集合中的识别图像分块为可疑图像分块；根据识别图像分块集合进行识别图像分块识别，以及在根据识别结果识别到满足条件时进行标记。

本申请实施例对待分割医学影像图像进行图像分块得到待分割医学影像图像对应待识别图像分块集合，根据待识别图像分块集合中所对应病理辅助促进指标满足识别条件的待识别医学图像分块确定参照图像分块集合，参照图像分块集合中的医学图像分块是待识别图像分块集合中适于独立存在的待识别医学图像分块，根据参照图像分块集合中的可疑图像分块确定识别图像分块集合，并对识别图像分块集合中的识别图像分块进行识别图像分块识别，在根据识别结果深度识别出满足标记临界条件时进行图像分块标记。这样一来，能够自动识别出待分割医学影像图像对应的识别图像分块集合，以对识别图像分块集合进行识别图像分块识别，增加了图像分割的效率。同时，识别图像分块集合中的识别图像分块为可疑图像分块，可疑图像分块可以用于表征可能出现的新增可疑图像分块，因此对可疑图像分块进行识别，以及在根据可疑图像分块的识别结果深度识别出满足标记临界条件时进行图像分块标记，可以对可能出现的新增可疑图像分块进行预先标记，精确快速地完成病变图像的分割。同时，通过将识别图像分块集合中的识别图像分块，与参考病变图像集中与识别图像分块匹配的匹配医学图像分块进行组合，可对可疑图像分块进行还原，将识别图像分块集合中的识别图像分块，与参考病变图像集中与识别图像分块匹配的匹配医学图像分块进行组合，可以组合得到新增可疑图像分块，可对识别图像分块集合进行扩展示，增加识别区间，根据识别图像分块在所有三维医学影像数据中的出现频次对识别图像分块进行分类，以及为每个识别类型匹配一预设标记参考值，有助于匹配不同出现频次的识别图像分块，提高图像分块标记的准确性。

基于前述的实施例，本申请实施例提供一种病变图像分割装置，该装置所包括的各单元、以及各单元所包括的各模块，可以通过计算机设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(Central ProcessingUnit，CPU)、微处理器(Microprocessor Unit，MPU)、数字信号处理器(Digital SignalProcessor，DSP)或现场可编程门阵列(Field Programmable Gate Array，FPGA)等。

图2为本申请实施例提供的一种病变图像分割装置的组成结构示意图，如图2所示，病变图像分割装置200包括：

图像获取模块210，用于获取待分割医学影像图像，对所述待分割医学影像图像进行图像分块操作，得到所述待分割医学影像图像对应的待识别图像分块集合，其中，所述待分割医学影像图像通过体绘制得到；

指标确定模块220，用于确定所述待识别图像分块集合中的各个待识别医学图像分块的病理辅助促进指标，并通过所述各个待识别医学图像分块的病理辅助促进指标从所述待识别图像分块集合中确定得到参照图像分块集合；所述参照图像分块集合中的医学图像分块是所述待识别图像分块集合中所对应病理辅助促进指标满足识别条件的待识别医学图像分块；

分块确定模块230，用于根据所述参照图像分块集合确定识别图像分块集合，所述识别图像分块集合中的识别图像分块为可疑图像分块；

分块标记模块240，用于根据所述识别图像分块集合进行识别图像分块识别，以及在根据识别结果深度识别出满足标记临界条件时进行图像分块标记；

图像分割模块250，用于通过每个所述待识别医学图像分块的图像分块标记结果对所述待分割医学影像图像进行分割。

以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。在一些实施例中，本申请实施例提供的装置具有的功能或包含的模块可以用于执行上述方法实施例描述的方法，对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的基于人工智能的病变图像分割方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，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)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件、软件或固件，或者硬件、软件、固件三者之间的任意结合。

本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有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方法中的部分或全部步骤。

本申请实施例提供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上述方法中的部分或全部步骤。所述计算机可读存储介质可以是瞬时性的，也可以是非瞬时性的。

本申请实施例提供一种计算机程序，包括计算机可读代码，在所述计算机可读代码在计算机设备中运行的情况下，所述计算机设备中的处理器执行用于实现上述方法中的部分或全部步骤。

本申请实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序被计算机读取并执行时，实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一些实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一些实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

这里需要指出的是：上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考。以上设备、存储介质、计算机程序及计算机程序产品实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请设备、存储介质、计算机程序及计算机程序产品实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

图3为本申请实施例提供的一种计算机设备的硬件实体示意图，如图3所示，该计算机设备1000的硬件实体包括：处理器1001和存储器1002，其中，存储器1002存储有可在处理器1001上运行的计算机程序，处理器1001执行程序时实现上述任一实施例的方法中的步骤。

存储器1002存储有可在处理器上运行的计算机程序，存储器1002配置为存储由处理器1001可执行的指令和应用，还可以缓存待处理器1001以及计算机设备1000中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(Random Access Memory，RAM)实现。

处理器1001执行程序时实现上述任一项的基于人工智能的病变图像分割方法的步骤。处理器1001通常控制计算机设备1000的总体操作。

本申请实施例提供一种计算机存储介质，计算机存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现如上任一实施例的基于人工智能的病变图像分割方法的步骤。

这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。上述处理器可以为目标用途集成电路(Application Specific Integrated Circuit，ASIC)、数字信号处理器(DigitalSignal Processor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(Programmable Logic Device，PLD)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地，实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。

上述计算机存储介质/存储器可以是只读存储器(Read Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory，FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory，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终端，如移动电话、计算机、平板设备、个人数字助理等。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各步骤/过程的序号的大小并不意味着执行顺序的先后，各步骤/过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。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过程、方法、物品或者装置不仅包括那些要素，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过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (7)

1.一种基于人工智能的病变图像分割方法，其特征在于，所述方法包括：

获取待分割医学影像图像，对所述待分割医学影像图像进行图像分块操作，得到所述待分割医学影像图像对应的待识别图像分块集合，其中，所述待分割医学影像图像通过体绘制得到；

确定所述待识别图像分块集合中的各个待识别医学图像分块的病理辅助促进指标，并通过所述各个待识别医学图像分块的病理辅助促进指标从所述待识别图像分块集合中确定得到参照图像分块集合；所述参照图像分块集合中的医学图像分块是所述待识别图像分块集合中所对应病理辅助促进指标满足识别条件的待识别医学图像分块；

其中，所述确定所述待识别图像分块集合中的各个待识别医学图像分块的病理辅助促进指标，包括：针对所述待识别图像分块集合中分块尺寸大于尺寸阈值的任意一个第一待识别医学图像分块，确定第一待识别医学图像分块的内关联性评价指标和第一待识别医学图像分块的外关联性评价指标，以及基于第一待识别医学图像分块的内关联性评价指标和第一待识别医学图像分块的外关联性评价指标确定第一待识别医学图像分块的病理辅助促进指标；其中，基于第一待识别医学图像分块的内关联性评价指标和外关联性评价指标确定第一待识别医学图像分块的病理辅助促进指标，包括：获取第一待识别医学图像分块的内关联性评价指标对应的第一重要性参数，以及获取第一待识别医学图像分块的内关联性评价指标对应的第二重要性参数，根据第一重要性参数、第一待识别医学图像分块的内关联性评价指标、第二重要性参数、第一待识别医学图像分块的外关联性评价指标获取得到所述第一待识别医学图像分块的病理辅助促进指标；第一待识别医学图像分块的病理辅助促进指标的计算公式为：

G＝αI+βO

其中，G为第一待识别医学图像分块的病理辅助促进指标，α为第一重要性参数，I为第一待识别医学图像分块的内关联性评价指标，β为第二重要性参数，O为第一待识别医学图像分块的外关联性评价指标；

针对所述待识别图像分块集合中分块尺寸小于或等于所述尺寸阈值的任意一个第二待识别医学图像分块，确定第二待识别医学图像分块的外关联性评价指标，并将第二待识别医学图像分块的外关联性评价指标作为第二待识别医学图像分块的病理辅助促进指标；

根据所述参照图像分块集合确定识别图像分块集合，所述识别图像分块集合中的识别图像分块为可疑图像分块；所述待分割医学影像图像为目标三维医学影像数据中的任意一个切片，所述目标三维医学影像数据是在当前获取时刻获取得到；所述根据所述参照图像分块集合确定识别图像分块集合，包括：获取参考病变图像集，所述参考病变图像集为通过正常图像分块以及根据在所述当前获取时刻之前获取的三维医学影像数据确定的识别图像分块组建的；在所述参考病变图像集中对所述参照图像分块集合中的每个医学图像分块进行匹配，基于匹配不成功的医学图像分块确定所述识别图像分块集合；

根据所述识别图像分块集合进行识别图像分块识别，以及在根据识别结果深度识别出满足标记临界条件时进行图像分块标记；其中，所述根据所述识别图像分块集合进行识别图像分块识别，包括以下策略中的至少一个：

第一策略、目标识别图像分块为所述识别图像分块集合中的任意一个识别图像分块，获取所述目标识别图像分块在R个获取时刻获取得到三维医学影像数据中的第一出现频次，以及获取所述目标识别图像分块在目标获取时刻获取得到三维医学影像数据中的第二出现频次，所述目标获取时刻为S个获取时刻中除所述R个获取时刻之后的获取时刻；计算所述第一出现频次与所述第二出现频次之间的商；将所述第一出现频次与所述第二出现频次之间的商确定为所述目标识别图像分块的识别结果；

其中，对目标识别图像分块进行识别的公式为：

θ=（i+t）÷（j+t）

其中，θ为目标识别图像分块的识别结果，i为目标识别图像分块在R个获取时刻获取得到三维医学影像数据中的第一出现频次，j为目标识别图像分块在目标获取时刻获取得到三维医学影像数据中的第二出现频次，t为常数；S个获取时刻包括当前获取时刻和当前获取时刻之前的S-1个获取时刻；R个获取时刻包括当前获取时刻和当前获取时刻之前的R-1个获取时刻，R＜S；目标识别图像分块通过策略二的识别结果可以表征目标识别图像分块在R个获取时刻的第一出现频次相较目标识别图像分块在目标获取时刻内第二出现频次的增加值；

第二策略、获取所述目标识别图像分块在R个获取时刻获取得到三维医学影像数据中的第一出现频次，以及获取所述目标识别图像分块在S个获取时刻获取得到三维医学影像数据中的第三出现频次；计算所述第一出现频次与所述第三出现频次之间的商；将所述第一出现频次与所述第三出现频次之间的商确定为所述目标识别图像分块的识别结果；其中，所述S个获取时刻包括所述当前获取时刻和所述当前获取时刻之前的S-1个获取时刻；所述R个获取时刻包括所述当前获取时刻和所述当前获取时刻之前的R-1个获取时刻，R＜S；

对目标识别图像分块进行识别的公式为：

λ=i÷ε

λ为目标识别图像分块通过策略三得到的识别结果，i为目标识别图像分块在R个获取时刻获取得到三维医学影像数据中的第一出现频次，ε为目标识别图像分块在S个获取时刻获取得到三维医学影像数据中的第三出现频次；目标识别图像分块通过策略三的识别结果用于表征目标识别图像分块在R个获取时刻内的第一出现频次占目标识别图像分块在S个获取时刻内第三出现频次的比例；

通过每个所述待识别医学图像分块的图像分块标记结果对所述待分割医学影像图像进行分割。

2.根据权利要求1所述的方法，其特征在于，所述待分割医学影像图像为目标三维医学影像数据中的任意一个切片；所述确定第一待识别医学图像分块的内关联性评价指标，包括：

确定所述第一待识别医学图像分块对应的像素团分组，任意一个像素团分组通过对所述第一待识别医学图像分块进行切割得到的多个切割像素团组成，每个切割像素团由所述第一待识别医学图像分块中的一个像素或多个环绕像素组成；

针对任意一个像素团分组，获取像素团分组中的每个切割像素团在所述目标三维医学影像数据中出现的置信度；

根据所述每个切割像素团在所述目标三维医学影像数据中出现的置信度以及所述第一待识别医学图像分块在所述目标三维医学影像数据中出现的置信度，确定像素团分组所对应的内关联性评价指标；

将各个像素团分组所对应的内关联性评价指标中的最小内关联性评价指标确定为所述第一待识别医学图像分块的内关联性评价指标；

所述确定第一待识别医学图像分块的外关联性评价指标，包括：

在所述目标三维医学影像数据中确定所述第一待识别医学图像分块的邻域像素集合，所述邻域像素集合包括不少于一个邻域像素；

获取每个邻域像素与所述第一待识别医学图像分块组合得到的待识别融合医学图像分块分别在所述目标三维医学影像数据中出现的置信度；

通过每个待识别融合医学图像分块在所述目标三维医学影像数据中出现的置信度，确定所述第一待识别医学图像分块的外关联性评价指标。

3.根据权利要求2所述的方法，其特征在于，所述邻域像素集合包括的邻域像素为所述第一待识别医学图像分块在所述目标三维医学影像数据中的环绕像素；所述获取每个邻域像素与所述第一待识别医学图像分块组合得到的待识别融合医学图像分块分别在所述目标三维医学影像数据中出现的置信度，包括获取所述邻域像素集合中的每个环绕像素与所述第一待识别医学图像分块组合得到的第一待识别融合医学图像分块分别在所述目标三维医学影像数据中出现的置信度；

所述通过每个待识别融合医学图像分块在所述目标三维医学影像数据中出现的置信度，确定所述第一待识别医学图像分块的外关联性评价指标，包括：

通过每个第一待识别融合医学图像分块在所述目标三维医学影像数据中出现的置信度获取多个第一不确定性度量值；

将所述多个第一不确定性度量值中的最小不确定性度量值确定为所述第一待识别医学图像分块的外关联性评价指标。

4.根据权利要求1所述的方法，其特征在于，目标识别图像分块为所述识别图像分块集合中的任意一个识别图像分块，所述方法还包括：

在所述参考病变图像集中匹配与所述目标识别图像分块匹配的匹配医学图像分块；如果匹配到，则通过所述目标识别图像分块和所述匹配医学图像分块确定新增识别图像分块，以及基于所述新增识别图像分块对所述识别图像分块集合进行迭代；基于迭代后的识别图像分块集合对所述参考病变图像集进行迭代。

5.根据权利要求1所述的方法，其特征在于，所述在根据识别结果深度识别出满足标记临界条件时进行图像分块标记，包括：

获取预设标记参考值；

当所述目标识别图像分块的识别结果对应的商大于或等于所述预设标记参考值时，确定满足标记临界条件，对对应的目标识别图像分块进行对应的标记；

其中，所述获取预设标记参考值，包括：

获取所述目标识别图像分块在当前获取时刻及之前时刻获取得到三维医学影像数据中的出现频次；

根据所述出现频次确定所述目标识别图像分块对应的识别类型；

获取所述识别类型对应的预设标记参考值；所述识别图像分块集合中的识别图像分块通过每个识别图像分块的出现频次被分类成不少于一个识别类型，一个识别类型对应一个预设标记参考值。

6.一种病变图像分割装置，其特征在于，包括：

图像获取模块，用于获取待分割医学影像图像，对所述待分割医学影像图像进行图像分块操作，得到所述待分割医学影像图像对应的待识别图像分块集合，其中，所述待分割医学影像图像通过体绘制得到；

指标确定模块，用于确定所述待识别图像分块集合中的各个待识别医学图像分块的病理辅助促进指标，并通过所述各个待识别医学图像分块的病理辅助促进指标从所述待识别图像分块集合中确定得到参照图像分块集合；所述参照图像分块集合中的医学图像分块是所述待识别图像分块集合中所对应病理辅助促进指标满足识别条件的待识别医学图像分块；其中，所述确定所述待识别图像分块集合中的各个待识别医学图像分块的病理辅助促进指标，包括：针对所述待识别图像分块集合中分块尺寸大于尺寸阈值的任意一个第一待识别医学图像分块，确定第一待识别医学图像分块的内关联性评价指标和第一待识别医学图像分块的外关联性评价指标，以及基于第一待识别医学图像分块的内关联性评价指标和第一待识别医学图像分块的外关联性评价指标确定第一待识别医学图像分块的病理辅助促进指标；其中，基于第一待识别医学图像分块的内关联性评价指标和外关联性评价指标确定第一待识别医学图像分块的病理辅助促进指标，包括：获取第一待识别医学图像分块的内关联性评价指标对应的第一重要性参数，以及获取第一待识别医学图像分块的内关联性评价指标对应的第二重要性参数，根据第一重要性参数、第一待识别医学图像分块的内关联性评价指标、第二重要性参数、第一待识别医学图像分块的外关联性评价指标获取得到所述第一待识别医学图像分块的病理辅助促进指标；第一待识别医学图像分块的病理辅助促进指标的计算公式为：

G＝αI+βO

其中，G为第一待识别医学图像分块的病理辅助促进指标，α为第一重要性参数，I为第一待识别医学图像分块的内关联性评价指标，β为第二重要性参数，O为第一待识别医学图像分块的外关联性评价指标；

针对所述待识别图像分块集合中分块尺寸小于或等于所述尺寸阈值的任意一个第二待识别医学图像分块，确定第二待识别医学图像分块的外关联性评价指标，并将第二待识别医学图像分块的外关联性评价指标作为第二待识别医学图像分块的病理辅助促进指标；

分块确定模块，用于根据所述参照图像分块集合确定识别图像分块集合，所述识别图像分块集合中的识别图像分块为可疑图像分块；所述待分割医学影像图像为目标三维医学影像数据中的任意一个切片，所述目标三维医学影像数据是在当前获取时刻获取得到；所述根据所述参照图像分块集合确定识别图像分块集合，包括：获取参考病变图像集，所述参考病变图像集为通过正常图像分块以及根据在所述当前获取时刻之前获取的三维医学影像数据确定的识别图像分块组建的；在所述参考病变图像集中对所述参照图像分块集合中的每个医学图像分块进行匹配，基于匹配不成功的医学图像分块确定所述识别图像分块集合；

分块标记模块，用于根据所述识别图像分块集合进行识别图像分块识别，以及在根据识别结果深度识别出满足标记临界条件时进行图像分块标记；所述根据所述识别图像分块集合进行识别图像分块识别，包括以下策略中的至少一个：

第一策略、目标识别图像分块为所述识别图像分块集合中的任意一个识别图像分块，获取所述目标识别图像分块在R个获取时刻获取得到三维医学影像数据中的第一出现频次，以及获取所述目标识别图像分块在目标获取时刻获取得到三维医学影像数据中的第二出现频次，所述目标获取时刻为S个获取时刻中除所述R个获取时刻之后的获取时刻；计算所述第一出现频次与所述第二出现频次之间的商；将所述第一出现频次与所述第二出现频次之间的商确定为所述目标识别图像分块的识别结果；

其中，对目标识别图像分块进行识别的公式为：

θ=（i+t）÷（j+t）

其中，θ为目标识别图像分块的识别结果，i为目标识别图像分块在R个获取时刻获取得到三维医学影像数据中的第一出现频次，j为目标识别图像分块在目标获取时刻获取得到三维医学影像数据中的第二出现频次，t为常数；S个获取时刻包括当前获取时刻和当前获取时刻之前的S-1个获取时刻；R个获取时刻包括当前获取时刻和当前获取时刻之前的R-1个获取时刻，R＜S；目标识别图像分块通过策略二的识别结果可以表征目标识别图像分块在R个获取时刻的第一出现频次相较目标识别图像分块在目标获取时刻内第二出现频次的增加值；

第二策略、获取所述目标识别图像分块在R个获取时刻获取得到三维医学影像数据中的第一出现频次，以及获取所述目标识别图像分块在S个获取时刻获取得到三维医学影像数据中的第三出现频次；计算所述第一出现频次与所述第三出现频次之间的商；将所述第一出现频次与所述第三出现频次之间的商确定为所述目标识别图像分块的识别结果；其中，所述S个获取时刻包括所述当前获取时刻和所述当前获取时刻之前的S-1个获取时刻；所述R个获取时刻包括所述当前获取时刻和所述当前获取时刻之前的R-1个获取时刻，R＜S；

对目标识别图像分块进行识别的公式为：

λ=i÷ε

λ为目标识别图像分块通过策略三得到的识别结果，i为目标识别图像分块在R个获取时刻获取得到三维医学影像数据中的第一出现频次，ε为目标识别图像分块在S个获取时刻获取得到三维医学影像数据中的第三出现频次；目标识别图像分块通过策略三的识别结果用于表征目标识别图像分块在R个获取时刻内的第一出现频次占目标识别图像分块在S个获取时刻内第三出现频次的比例；

图像分割模块，用于通过每个所述待识别医学图像分块的图像分块标记结果对所述待分割医学影像图像进行分割。

7.一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，该计算机程序被处理器执行时实现权利要求1至5任一项所述方法中的步骤。