一种半月板图像的亚区分割方法及装置

技术领域

本申请涉及医学图像分割技术领域，更具体的说，是涉及一种半月板图像的亚区分割方法及装置。

背景技术

随着近年来组织病变的复杂性，医学上需要更细微程度地对组织结构观察并诊断，因此医学图像对组织的分割需求更加严格。如今医学图像的分割任务中，大多数算法采用端到端的深度学习模型进行单个区域的整体分割，对医学组织结构分割到四分区的级别。在膝关节核磁共振图像中，半月板具有更细致的组织结构，半月板全亚区也具有严格的临床医学定义。

目前对半月板图像的分割需求到达了比四分区更细致的全亚区的级别，然而若通过端到端的深度学习模型对半月板图像进行分割，则存在较大的边缘误差，对亚区级别分割的精准度不足。

如何根据临床医学对于半月板分区的定义，实现对半月板亚区精准分割，是需要关注的问题。

发明内容

鉴于上述问题，提出了本申请以便提供一种半月板图像的亚区分割方法及装置，以对半月板的亚区组织精准分割。

为了实现上述目的，现提出具体方案如下：

一种半月板图像的亚区分割方法，包括：

获取半月板的三维图像，并将所述三维图像输入至预先建立的半月板全亚区分割模型，输出所述半月板的多个全亚区分割切片图像；

整合所述多个全亚区分割切片图像，得到所述半月板的全亚区分割切片图像集；

通过半月板亚区分割算法对所述全亚区分割切片图像集进行亚区分割，得到所述半月板的多个亚区分割图像；

所述半月板全亚区分割模型的构建过程，包括：

构建用于识别半月板切片图像的远近端识别模型；

构建用于分割半月板切片图像的切片图像全亚区分割模型；

提取所述远近端识别模型的第一模型参数，以及所述切片图像全亚区分割模型的第二模型参数；

将所述第一模型参数和所述第二模型参数赋予预先建立的半月板全亚区分割架构，得到半月板全亚区分割模型。

可选的，所述构建用于识别半月板切片图像的远近端识别模型，包括：

获取带有远近端标签的若干个半月板切片图像，所述若干个半月板切片图像由若干个带有远端标签的半月板远端切片图像，以及若干个带有近端标签的半月板近端切片图像组成；

通过所述若干个半月板切片图像，在预设参照切片图像的对比下，训练得到远近端识别模型。

可选的，通过所述若干个半月板切片图像，在预设参照切片图像的对比下，训练得到远近端识别模型，包括：

通过识别公式所约束的模式，训练得到远近端识别模型，所述识别公式为：

Clc

其中，FC为所述远近端识别模型的分类器，UNet_encoder为所述远近端识别模型的UNet编码器，reference为预设参照切片图像，Compare为与所述预设参照切片图像对比的单个半月板切片图像，Clc

可选的，所述构建用于分割半月板切片图像的切片图像全亚区分割模型，包括：

获取半月板三维样本图像，并按照深度方向切分所述半月板三维样本图像，得到若干个切片样本图像；

通过所述远近端识别模型对半月板三维样本图像的每个切片样本图像进行识别，确定切片样本图像所属的类型，所述类型包括远端类型和近端类型；

通过对每种类型的每个切片样本图像进行分割区域随机转换，得到分割样本图像及其分割特征图像；

以每个分割样本图像作为训练样本，该个分割样本图像的类型作为分割类别标签，与该个分割样本图像对应的分割特征图像作为分割目标，训练得到切片图像全亚区分割模型。

可选的，所述按照深度方向切分所述半月板三维样本图像，得到若干个切片样本图像，包括：

在深度方向上按照预设的层深，将所述半月板三维样本图像进行多层划分，确定所述半月板三维样本图像的各个层次；

按照预设切分层数以及根据所述半月板三维样本图像的各个层次，对所述半月板三维样本图像进行切分，得到若干个切片样本图像。

可选的，所述通过对每种类型的每个切片样本图像进行分割区域随机转换，得到分割样本图像及其分割特征图像，包括：

针对每种类型的每个切片样本图像：

对所述切片样本图像进行OSTU划分，得到前景灰度分布区域与背景灰度分布区域；

根据所述前景灰度分布区域与所述背景灰度分布区域，对所述切片样本图像进行随机灰度处理、随机中心处理及随机半径处理，得到随机分割目标中心；

根据所述前景灰度分布区域与所述背景灰度分布区域，对所述切片样本图像进行随机灰度处理与随机厚度处理，得到随机边缘；

将所述随机分割目标中心与随机边缘融合，得到融合结果，并对所述融合结果进行弹性形变处理，得到所述切片样本图像的分割样本图像，以及与所述分割样本图像对应的分割特征图像。

可选的，将所述三维图像输入至预先建立的半月板亚区分割模型，输出所述半月板的多个全亚区分割切片图像，包括：

通过半月板亚区分割模型对所述三维图像进行切分，得到若干个切片图像；

通过所述半月板亚区分割模型对所述每个切片图像进行远近端识别，确定该个切片图像的类型，所述类型包括远端类型和近端类型；

通过所述半月板亚区分割模型，按照每个类型分割模式，对与该个类型分割模式对应的类型的每个切片图像进行分割，得到全亚区分割切片图像；

确定多个所述全亚区分割切片图像，每个所述全亚区分割切片图像均有与之对应的切片图像。

可选的，通过半月板亚区分割算法对所述全亚区分割切片图像集进行亚区分割，得到所述半月板的多个亚区分割图像，包括：

提取所述全亚区分割切片图像集中的每个全亚区分割切片图像的连通域；

判断每个全亚区分割切片图像是否具备目标特征态，若是，则按照该个全亚区分割切片图像的连通域的数量，确定该个全亚区分割切片图像的亚区特征；

对每个全亚区分割切片图像的亚区特征进行亚区分割，得到不同亚区的分割结果；

整合所有全亚区分割切片图像的多个亚区的分割结果，确定所述半月板的多个亚区分割图像。

一种半月板图像的亚区分割装置，包括：

全亚区分割单元，用于获取半月板的三维图像，并将所述三维图像输入至预先建立的半月板全亚区分割模型，输出所述半月板的多个全亚区分割切片图像；

切片图像整合单元，用于整合所述多个全亚区分割切片图像，得到所述半月板的全亚区分割切片图像集；

亚区分割单元，用于通过半月板亚区分割算法对所述全亚区分割切片图像集进行亚区分割，得到所述半月板的多个亚区分割图像；

远近端识别模型构建单元，用于构建用于识别半月板切片图像的远近端识别模型；

切片分割模型构建单元，用于构建用于分割半月板切片图像的切片图像全亚区分割模型；

参数提取单元，用于提取所述远近端识别模型的第一模型参数，以及所述切片图像全亚区分割模型的第二模型参数；

全亚区分割模型构建单元，用于将所述第一模型参数和所述第二模型参数赋予预先建立的半月板全亚区分割架构，得到半月板全亚区分割模型。

可选的，所述远近端识别模型构建单元，包括：

远近端切片图像获取单元，用于带有远近端标签的若干个半月板切片图像，所述若干个半月板切片图像由若干个带有远端标签的半月板远端切片图像，以及若干个带有近端标签的半月板近端切片图像组成；

识别模型训练单元，用于通过所述若干个半月板切片图像，在预设参照切片图像的对比下，训练得到远近端识别模型。

可选的，所述识别模型训练单元，包括：

识别模型训练子单元，用于通过识别公式所约束的模式，训练得到远近端识别模型，所述识别公式为：

Clc

其中，FC为所述远近端识别模型的分类器，UNet_encoder为所述远近端识别模型的UNet编码器，reference为预设参照切片图像，Compare为与所述预设参照切片图像对比的单个半月板切片图像，Clc

可选的，所述切片分割模型构建单元，包括：

切分单元，用于获取半月板三维样本图像，并按照深度方向切分所述半月板三维样本图像，得到若干个切片样本图像；

切片类型识别单元，用于通过所述远近端识别模型对半月板三维样本图像的每个切片样本图像进行识别，确定切片样本图像所属的类型，所述类型包括远端类型和近端类型；

随机转换单元，用于通过对每种类型的每个切片样本图像进行分割区域随机转换，得到分割样本图像及其分割特征图像；

分割模型训练单元，用于以每个分割样本图像作为训练样本，该个分割样本图像的类型作为分割类别标签，与该个分割样本图像对应的分割特征图像作为分割目标，训练得到切片图像全亚区分割模型。

可选的，所述切分单元，包括：

多层划分单元，用于在深度方向上按照预设的层深，将所述半月板三维样本图像进行多层划分，确定所述半月板三维样本图像的各个层次；

层次切分单元，用于按照预设切分层数以及根据所述半月板三维样本图像的各个层次，对所述半月板三维样本图像进行切分，得到若干个切片样本图像。

可选的，所述随机转换单元，包括：

OSTU划分单元，用于对每种类型的每个切片样本图像进行OSTU划分，得到前景灰度分布区域与背景灰度分布区域；

随机分割目标中心确定单元，用于根据所述前景灰度分布区域与所述背景灰度分布区域，对所述切片样本图像进行随机灰度处理、随机中心处理及随机半径处理，得到随机分割目标中心；

随机边缘确定单元，用于根据所述前景灰度分布区域与所述背景灰度分布区域，对所述切片样本图像进行随机灰度处理与随机厚度处理，得到随机边缘；

弹性形变处理单元，用于将所述随机分割目标中心与随机边缘融合，得到融合结果，并对所述融合结果进行弹性形变处理，得到所述切片样本图像的分割样本图像，以及与所述分割样本图像对应的分割特征图像。

可选的，所述全亚区分割单元，包括：

三维图像切分单元，用于获取半月板的三维图像，并通过半月板亚区分割模型对所述三维图像进行切分，得到若干个切片图像；

远近端识别单元，用于通过所述半月板亚区分割模型对所述每个切片图像进行远近端识别，确定该个切片图像的类型，所述类型包括远端类型和近端类型；

全亚区分割单元，用于通过所述半月板亚区分割模型，按照每个类型分割模式，对与该个类型分割模式对应的类型的每个切片图像进行分割，得到全亚区分割切片图像；

多图像确定单元，用于确定多个所述全亚区分割切片图像，每个所述全亚区分割切片图像均有与之对应的切片图像。

可选的，所述亚区分割单元，包括：

连通域提取单元，用于提取所述全亚区分割切片图像集中的每个全亚区分割切片图像的连通域；

亚区特征确定单元，用于判断每个全亚区分割切片图像是否具备目标特征态，若是，则按照该个全亚区分割切片图像的连通域的数量，确定该个全亚区分割切片图像的亚区特征；

亚区特征分割单元，用于对每个全亚区分割切片图像的亚区特征进行亚区分割，得到不同亚区的分割结果；

亚区分割图像整合单元，用于整合所有全亚区分割切片图像的多个亚区的分割结果，确定所述半月板的多个亚区分割图像。

借由上述技术方案，本申请通过获取半月板的三维图像，并将三维图像输入至预先建立的半月板全亚区分割模型，输出半月板的多个全亚区分割切片图像，整合多个全亚区分割切片图像，得到半月板的全亚区分割切片图像集，通过半月板亚区分割算法对全亚区分割切片图像集进行亚区分割，得到半月板的多个亚区分割图像，其中，半月板全亚区分割模型的构建过程为构建用于识别半月板切片图像的远近端识别模型，构建用于分割半月板切片图像的切片图像全亚区分割模型，提取远近端识别模型的第一模型参数，以及切片图像全亚区分割模型的第二模型参数，将第一模型参数和第二模型参数赋予预先建立的半月板全亚区分割架构，得到半月板全亚区分割模型。由此可见，远近端识别模型可以将半月板切片图像进行远近端分类，所构建好的切片图像全亚区分割模型已学习了切片图像的全亚区分割知识，而用于对三维半月板图像全亚区分割的半月板全亚区分割模型，融合了已构建好的远近端识别模型的第一模型参数以及已构建好的切片图像全亚区分割模型的第二模型参数，因此半月板全亚区分割模型能够对三维半月板图像精准分割，以提高最终得到的多个亚区分割图像的精确度。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本申请实施例提供的一种半月板图像的亚区分割的流程示意图；

图2为本申请实施例提供的一种构建半月板全亚区分割模型的流程示意图；

图3为本申请实施例提供的一种对切片样本图像进行分割区域随机转换的流程示意图；

图4为本申请实施例提供的一种半月板图像的亚区分割的装置结构示意图；

图5为本申请实施例提供的一种半月板图像的亚区分割的设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。

本申请方案可以基于具备数据处理能力的终端实现，该终端可以是电脑、服务器、云端等。

接下来，结合图1所述，本申请的半月板图像的亚区分割方法可以包括以下步骤：

步骤S110、获取半月板的三维图像，并将三维图像输入至预先建立的半月板全亚区分割模型，输出半月板的多个全亚区分割切片图像。

具体的，半月板的三维图像可以从膝关节核磁共振3D图像中提取得到，该三维图像为黑白灰度图像，其数据格式可以是MRI格式，该三维图像具有宽、高和深三个维度。每个全亚区分割切片图像可以包含三维图像的每层切片所分割出来的所有半月板亚区的组织信息。

其中，半月板全亚区分割模型可以对三维图像的每个切片图像识别该切片图像所属的类型，再根据该类型对应的分割模式分割切片图像，得到分割结果，汇总所有分割结果可以得到多个全亚区分割切片图像。

步骤S120、整合多个全亚区分割切片图像，得到半月板的全亚区分割切片图像集。

可以理解的是，每个全亚区分割切片图像与三维图像的切片图像所对应，而三维图像的各个切片图像具备层深次序，而半月板全亚区分割模型输出的多个全亚区分割切片图像次序可能是打乱的，需要对多个全亚区分割切片图像整合，并构造得出具有层深顺序的半月板的全亚区分割切片图像集。

其中，全亚区分割切片图像集的格式符合半月板亚区分割算法的输入格式。

步骤S130、通过半月板亚区分割算法对全亚区分割切片图像集进行亚区分割，得到半月板的多个亚区分割图像。

具体的，每个亚区分割图像可以包含半月板的每个亚区的组织信息，每个亚区的组织信息可以是从全亚区分割切片图像中，所包含的所有半月板亚区中分割得到。

其中，半月板全亚区分割模型的构建过程如图2所示，该构建过程可以包括：

步骤S210、构建用于识别半月板切片图像的远近端识别模型。

具体的，远近端识别模型可以用于识别半月板切片图像属于的类型，判断所输入的半月板切片图像是属于远端类型还是属于近端类型。在构建远近端识别模型时，需要对远近端识别模型进行训练，训练所需要的样本可以是带有远端标签或近端标签的半月板切片图像。

其中，远近端识别模型可以包括有UNet编码器、与UNet编码器对应的解码器以及分类器。

步骤S220、构建用于分割半月板切片图像的切片图像全亚区分割模型。

具体的，切片图像全亚区分割模型可以用于对远端类型的半月板切片图像进行远端模式下的分割，对近端类型的半月板切片图像进行近端模式下的分割。在构建切片图像全亚区分割模型时，需要对切片图像全亚区分割模型进行训练，训练所需要的样本是每种类型下的半月板切片图像及其对应的分割结果。

其中，切片图像全亚区分割模型可以采用UNet网络架构。

步骤S230、提取远近端识别模型的第一模型参数，以及切片图像全亚区分割模型的第二模型参数。

可以理解的是，在远近端识别模型完成训练后，远近端识别模型具备识别半月板切片图像所属类型的能力，该能力体现于远近端识别模型的第一模型参数。在切片图像全亚区分割模型完成训练后，切片图像全亚区分割模型具备分割每种类型下的半月板切片图像的能力，该能力体现于切片图像全亚区分割模型的第二模型参数。因此可以提取第一模型参数和第二模型参数，以构建具备这两种能力的模型。

步骤S240、将第一模型参数和第二模型参数赋予预先建立的半月板全亚区分割架构，得到半月板全亚区分割模型。

具体的，半月板全亚区分割架构可以采用UNet网络架构，当半月板全亚区分割架构应用了第一模型参数和第二模型参数后，则得到半月板全亚区分割模型，能够识别半月板切片图像所属的类型，以及分割每种类型下的半月板切片图像。

本实施例提供的半月板图像的亚区分割方法，通过获取半月板的三维图像，并将三维图像输入至预先建立的半月板全亚区分割模型，输出半月板的多个全亚区分割切片图像，整合多个全亚区分割切片图像，得到半月板的全亚区分割切片图像集，通过半月板亚区分割算法对全亚区分割切片图像集进行亚区分割，得到半月板的多个亚区分割图像，其中，半月板全亚区分割模型的构建过程为构建用于识别半月板切片图像的远近端识别模型，构建用于分割半月板切片图像的切片图像全亚区分割模型，提取远近端识别模型的第一模型参数，以及切片图像全亚区分割模型的第二模型参数，将第一模型参数和第二模型参数赋予预先建立的半月板全亚区分割架构，得到半月板全亚区分割模型。由此可见，远近端识别模型可以将半月板切片图像进行远近端分类，所构建好的切片图像全亚区分割模型已学习了切片图像的全亚区分割知识，而用于对三维半月板图像全亚区分割的半月板全亚区分割模型，融合了已构建好的远近端识别模型的第一模型参数以及已构建好的切片图像全亚区分割模型的第二模型参数，因此半月板全亚区分割模型能够对三维半月板图像精准分割，以提高最终得到的多个亚区分割图像的精确度。

本申请的一些实施例中，对上述步骤S210、构建用于识别半月板切片图像的远近端识别模型的过程进行介绍，该过程可以包括：

S1、获取带有远近端标签的若干个半月板切片图像。

其中，带有远近端标签的若干个半月板切片图像可以由若干个带有远端标签的半月板远端切片图像，以及若干个带有近端标签的半月板近端切片图像组成。

具体的，所获取的带有远近端标签的若干个半月板切片图像均可以来自于同一个半月板三维图像，每个半月板切片图像可以按照半月板三维图像的层深划分得到，并可以标记序号。其中，远端标签的半月板远端切片图像可以表示，该半月板远端切片图像的序号与预设参照切片图像的序号之差大于第一预设序号差，近端标签的半月板远端切片图像可以表示，该半月板远端切片图像的序号与预设参照切片图像的序号之差小于第二预设序号差，第一预设序号差可以为10，第二预设序号差可以为3。

S2、通过若干个半月板切片图像，在预设参照切片图像的对比下，训练得到远近端识别模型。

可以理解的是，对远近端识别模型的训练目的是，在预设参照切片图像的参考下，将带有远端标签的半月板切片图像训练至能够识别为远端的半月板切片图像，将带有近端标签的半月板切片图像训练至能够识别为近端的半月板切片图像。

其中，通过若干个半月板切片图像，在预设参照切片图像的对比下，训练得到远近端识别模型的过程可以包括：

通过识别公式所约束的模式，训练得到远近端识别模型，识别公式为：

Clc

其中，FC为远近端识别模型的分类器，UNet_encoder为远近端识别模型的UNet编码器，reference为预设参照切片图像，Compare为与预设参照切片图像对比的单个半月板切片图像，Clc

可以理解的是，由于训练过程中所有的标签均来自于图像本身，因此免除了对于分割标签的依赖性，更好地挖掘出模型本身的能力。

本申请的一些实施例中，对上述步骤S220、构建用于分割半月板切片图像的切片图像全亚区分割模型的过程进行介绍，该过程可以包括：

S1、获取半月板三维样本图像，并按照深度方向切分半月板三维样本图像，得到若干个切片样本图像。

具体的，半月板三维样本图像可以从半月板三维图像数据库中获取，也可以从历史膝关节核磁共振图像中提取得到。

其中，按照深度方向切分半月板三维样本图像，得到若干个切片样本图像的过程可以包括：

S11、在深度方向上按照预设的层深，将半月板三维样本图像进行多层划分，确定半月板三维样本图像的各个层次。

具体的，预设的层深可以自定义，可以定义层深为指定像素，然后可以按照指定像素为单层深度将半月板三维样本图像划分为多层，从而确定半月板三维样本图像的各个层次。

S12、按照预设切分层数以及根据半月板三维样本图像的各个层次，对半月板三维样本图像进行切分，得到若干个切片样本图像。

其中，每个切片样本图像为二维图像。

具体的，预设切分层数可以自定义，预设切分层数的定义可以决定切分得到的切片样本图像的数量。

示例如，若三维样本图像已划分为100层，自定义预设切分层数为2，那么可以每隔2层切分出一个二维的切片样本图像，则共切分出50个切片样本图像。

S2、通过远近端识别模型对半月板三维样本图像的每个切片样本图像进行识别，确定切片样本图像所属的类型。

其中，类型可以包括远端类型和近端类型。

可以理解的是，在远近端识别模型训练后，远近端识别模型具备识别切片样本图像所属类型的能力。由于半月板三维样本图像的每个切片样本图像是不带有远近端标签的，因此可以通过远近端识别模型对半月板三维样本图像的每个切片样本图像进行识别，确定切片样本图像所属的类型。

S3、通过对每种类型的每个切片样本图像进行分割区域随机转换，得到分割样本图像及其分割特征图像。

具体的，分割特征图像可以作为与之对应的分割样本图像的分割目标。

可以理解的是，分割样本图像及其分割特征图像可以作为模型训练的材料，而分割样本图像及其分割特征图像不仅可以从历史膝关节核磁共振图像中提取获取，也可以对切片样本图像进行分割区域随机转换，进而构造得出，所构造得出的分割样本图像中待分割的组织对象符合半月板在临床医学上的定义。

其中，通过对每种类型的每个切片样本图像进行分割区域随机转换，得到分割样本图像及其分割特征图像的具体实现过程如图3所示，该过程可以包括：

步骤S310、针对每种类型的每个切片样本图像，对该切片样本图像进行OSTU划分，得到前景灰度分布区域与背景灰度分布区域。

步骤S320、根据前景灰度分布区域与背景灰度分布区域，对切片样本图像进行随机灰度处理、随机中心处理及随机半径处理，得到随机分割目标中心。

步骤S330、根据前景灰度分布区域与背景灰度分布区域，对切片样本图像进行随机灰度处理与随机厚度处理，得到随机边缘。

步骤S340、将随机分割目标中心与随机边缘融合，得到融合结果，并对融合结果进行弹性形变处理，得到切片样本图像的分割样本图像，以及与分割样本图像对应的分割特征图像。

可以理解的是，通过一系列随机化生成，构造出多个分割样本图像及其分割特征图像，在基于半月板域内特性的前提下，提升了半月板全亚区分割目标的多样性。

S4、以每个分割样本图像作为训练样本，该个分割样本图像的类型作为分割类别标签，与该个分割样本图像对应的分割特征图像作为分割目标，训练得到切片图像全亚区分割模型。

具体的，分割样本图像可以作为模型的训练对象，与分割样本图像对应的分割特征图像则作为该训练对象的训练目标，训练方式为自监督训练，模型的训练任务为以分割样本图像为操作对象，分割得到分割特征图像。在自监督训练的前提下，半月板全亚区分割结果得到提升，进而为亚区分割做准备。

可以理解的是，由于由远端类型切片样本图像所得到的分割样本图像及其分割特征图像，需要在远端类型的模式下进行分割训练，由近端类型切片样本图像所得到的分割样本图像及其分割特征图像，需要在近端类型的模式下进行分割训练，因此可以将分割样本图像的类型作为分割类别标签，使得模型在训练时能够先依据分割类别标签选择与之对应的训练模式。

其中，可以采取训练公式所约束的模式，对切片图像全亚区分割模型进行训练，该训练公式可以为：

Mask＝UNet(remote/adjacent)

其中，remote为输入至模型的远端类型的分割样本图像，adjacent为输入至模型的近端类型的分割样本图像，UNet为UNet网络架构，Mask为与分割样本图像对应的分割特征图像。

本申请的一些实施例中，对上述实施例提到的、将三维图像输入至预先建立的半月板亚区分割模型，输出半月板的多个全亚区分割切片图像的过程进行介绍，该过程可以包括：

S1、通过半月板亚区分割模型对三维图像进行切分，得到若干个切片图像。

具体的，半月板亚区分割模型具有对三维图像进行切分的功能，能够对三维图像进行切分，得到若干个切片图像。

S2、通过半月板亚区分割模型对每个切片图像进行远近端识别，确定该个切片图像的类型。

其中，类型可以包括远端类型和近端类型。

可以理解的是，由于半月板亚区分割模型被赋予/应用了远近端识别模型的第一模型参数，因此半月板亚区分割模型具备远近端识别模型的功能，能够对每个切片图像进行远近端识别，确定该个切片图像的类型。

S3、通过半月板亚区分割模型，按照每个类型分割模式，对与该个类型分割模式对应的类型的每个切片图像进行分割，得到全亚区分割切片图像。

可以理解的是，由于半月板亚区分割模型被赋予/应用了切片图像全亚区分割模型的第二模型参数，因此半月板亚区分割模型具备切片图像全亚区分割模型的功能，能够按照每个类型分割模式，对与该个类型分割模式对应的类型的每个切片图像进行分割，得到全亚区分割切片图像。

S4、确定多个全亚区分割切片图像。

其中，每个全亚区分割切片图像均有与之对应的切片图像。

本申请的一些实施例中，对上述步骤S130、通过半月板亚区分割算法对全亚区分割切片图像集进行亚区分割，得到半月板的多个亚区分割图像的过程进行介绍，该过程可以包括：

S1、提取全亚区分割切片图像集中的每个全亚区分割切片图像的连通域。

具体的，半月板亚区分割算法在接收到全亚区分割切片图像集的输入后，可以对全亚区分割切片图像集初始化，初始化的过程可以包括：

S11、将图像按矢状位分隔为切片流：S＝s

S12、设置切片序列特征:

F＝[blank,connect,split,blank,split,connect,blank]。其中，该特征表示切片的亚区状态可以为：无目标特征-体部连接态-前后角分隔态-无目标特征-前后角分隔态-体部连接态-无目标特征。

S13、对全亚区分割切片图像集中的每个全亚区分割切片图像提取两个连通域，该两个连通域是该个全亚区分割切片图像中最大的两个连通域。

其中，若所提取的两个连通域中，一个连通域比另一个连通域大，且超过预设连通域大小，则舍弃其中较小的连通域，仅保留最大的连通域，以去除杂质区域，若一个连通域比另一个连通域大但不超过预设连通域大小，则保留两个连通域，以此确定每个全亚区分割切片图像的最终的连通域。

S2、判断每个全亚区分割切片图像是否具备目标特征态，若是，则执行S3。

具体的，目标特征态可以表示全亚区分割切片图像中的任意亚区特征。当每个全亚区分割切片图像存在目标特征态时，可以表示该个全亚区分割切片图像能够被分割得到亚区组织。

S3、按照该个全亚区分割切片图像的连通域的数量，确定该个全亚区分割切片图像的亚区特征。

其中，亚区特征可以为体部连接态和/或前后角分隔态。

S4、对每个全亚区分割切片图像的亚区特征进行亚区分割，得到不同亚区的分割结果。

具体的，当亚区特征为体部连接态，可以判断切片序列特征是否有变化，若有，则移动特征编号，并依据序列特征位置输出半月板外侧前角、半月板外侧后角、半月板内侧前角与半月板内侧后角中的一个或多个的分割结果。当亚区特征为前后角分隔态，可以判断切片序列特征是否有变化，若有，则移动特征编号，并依据序列特征位置输出半月板外侧体部和/或半月板内侧体部的分割结果。

除此之外，若全亚区分割切片图像不具备目标特征态，则可以保持序列特征位置的设定，输出空白分割结果。

S5、整合所有全亚区分割切片图像的多个亚区的分割结果，确定半月板的多个亚区分割图像。

下面对本申请实施例提供的实现半月板图像的亚区分割的装置进行描述，下文描述的实现半月板图像的亚区分割的装置与上文描述的实现半月板图像的亚区分割的方法可相互对应参照。

参见图4，图4为本申请实施例公开的一种实现半月板图像的亚区分割的装置结构示意图。

如图4所示，该装置可以包括：

全亚区分割单元11，用于获取半月板的三维图像，并将所述三维图像输入至预先建立的半月板全亚区分割模型，输出所述半月板的多个全亚区分割切片图像；

切片图像整合单元12，用于整合所述多个全亚区分割切片图像，得到所述半月板的全亚区分割切片图像集；

亚区分割单元13，用于通过半月板亚区分割算法对所述全亚区分割切片图像集进行亚区分割，得到所述半月板的多个亚区分割图像；

远近端识别模型构建单元14，用于构建用于识别半月板切片图像的远近端识别模型；

切片分割模型构建单元15，用于构建用于分割半月板切片图像的切片图像全亚区分割模型；

参数提取单元16，用于提取所述远近端识别模型的第一模型参数，以及所述切片图像全亚区分割模型的第二模型参数；

全亚区分割模型构建单元17，用于将所述第一模型参数和所述第二模型参数赋予预先建立的半月板全亚区分割架构，得到半月板全亚区分割模型。

可选的，所述识别模型训练单元，包括：

识别模型训练子单元，用于通过识别公式所约束的模式，训练得到远近端识别模型，所述识别公式为：

Clc

其中，FC为所述远近端识别模型的分类器，UNet_encoder为所述远近端识别模型的UNet编码器，reference为预设参照切片图像，Compare为与所述预设参照切片图像对比的单个半月板切片图像，Clc

可选的，所述切片分割模型构建单元，包括：

切分单元，用于获取半月板三维样本图像，并按照深度方向切分所述半月板三维样本图像，得到若干个切片样本图像；

切片类型识别单元，用于通过所述远近端识别模型对半月板三维样本图像的每个切片样本图像进行识别，确定切片样本图像所属的类型，所述类型包括远端类型和近端类型；

随机转换单元，用于通过对每种类型的每个切片样本图像进行分割区域随机转换，得到分割样本图像及其分割特征图像；

分割模型训练单元，用于以每个分割样本图像作为训练样本，该个分割样本图像的类型作为分割类别标签，与该个分割样本图像对应的分割特征图像作为分割目标，训练得到切片图像全亚区分割模型。

可选的，所述切分单元，包括：

多层划分单元，用于在深度方向上按照预设的层深，将所述半月板三维样本图像进行多层划分，确定所述半月板三维样本图像的各个层次；

层次切分单元，用于按照预设切分层数以及根据所述半月板三维样本图像的各个层次，对所述半月板三维样本图像进行切分，得到若干个切片样本图像。

可选的，所述随机转换单元，包括：

OSTU划分单元，用于对每种类型的每个切片样本图像进行OSTU划分，得到前景灰度分布区域与背景灰度分布区域；

随机分割目标中心确定单元，用于根据所述前景灰度分布区域与所述背景灰度分布区域，对所述切片样本图像进行随机灰度处理、随机中心处理及随机半径处理，得到随机分割目标中心；

随机边缘确定单元，用于根据所述前景灰度分布区域与所述背景灰度分布区域，对所述切片样本图像进行随机灰度处理与随机厚度处理，得到随机边缘；

弹性形变处理单元，用于将所述随机分割目标中心与随机边缘融合，得到融合结果，并对所述融合结果进行弹性形变处理，得到所述切片样本图像的分割样本图像，以及与所述分割样本图像对应的分割特征图像。

可选的，所述全亚区分割单元，包括：

三维图像切分单元，用于获取半月板的三维图像，并通过半月板亚区分割模型对所述三维图像进行切分，得到若干个切片图像；

远近端识别单元，用于通过所述半月板亚区分割模型对所述每个切片图像进行远近端识别，确定该个切片图像的类型，所述类型包括远端类型和近端类型；

全亚区分割单元，用于通过所述半月板亚区分割模型，按照每个类型分割模式，对与该个类型分割模式对应的类型的每个切片图像进行分割，得到全亚区分割切片图像；

多图像确定单元，用于确定多个所述全亚区分割切片图像，每个所述全亚区分割切片图像均有与之对应的切片图像。

可选的，所述亚区分割单元，包括：

连通域提取单元，用于提取所述全亚区分割切片图像集中的每个全亚区分割切片图像的连通域；

亚区特征确定单元，用于判断每个全亚区分割切片图像是否具备目标特征态，若是，则按照该个全亚区分割切片图像的连通域的数量，确定该个全亚区分割切片图像的亚区特征；

亚区特征分割单元，用于对每个全亚区分割切片图像的亚区特征进行亚区分割，得到不同亚区的分割结果；

亚区分割图像整合单元，用于整合所有全亚区分割切片图像的多个亚区的分割结果，确定所述半月板的多个亚区分割图像。

本申请实施例提供的半月板图像的亚区分割的装置可应用于实现半月板图像的亚区分割的设备，如终端：手机、电脑等。可选的，图5示出了半月板图像的亚区分割的设备的硬件结构框图，参照图5，半月板图像的亚区分割的设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；

在本申请实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；

处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；

存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)等，例如至少一个磁盘存储器；

其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：

获取半月板的三维图像，并将所述三维图像输入至预先建立的半月板全亚区分割模型，输出所述半月板的多个全亚区分割切片图像；

整合所述多个全亚区分割切片图像，得到所述半月板的全亚区分割切片图像集；

通过半月板亚区分割算法对所述全亚区分割切片图像集进行亚区分割，得到所述半月板的多个亚区分割图像；

所述半月板全亚区分割模型的构建过程，包括：

构建用于识别半月板切片图像的远近端识别模型；

构建用于分割半月板切片图像的切片图像全亚区分割模型；

提取所述远近端识别模型的第一模型参数，以及所述切片图像全亚区分割模型的第二模型参数；

将所述第一模型参数和所述第二模型参数赋予预先建立的半月板全亚区分割架构，得到半月板全亚区分割模型。

可选的，所述程序的细化功能和扩展功能可参照上文描述。

本申请实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：

获取半月板的三维图像，并将所述三维图像输入至预先建立的半月板全亚区分割模型，输出所述半月板的多个全亚区分割切片图像；

整合所述多个全亚区分割切片图像，得到所述半月板的全亚区分割切片图像集；

通过半月板亚区分割算法对所述全亚区分割切片图像集进行亚区分割，得到所述半月板的多个亚区分割图像；

所述半月板全亚区分割模型的构建过程，包括：

构建用于识别半月板切片图像的远近端识别模型；

构建用于分割半月板切片图像的切片图像全亚区分割模型；

提取所述远近端识别模型的第一模型参数，以及所述切片图像全亚区分割模型的第二模型参数；

将所述第一模型参数和所述第二模型参数赋予预先建立的半月板全亚区分割架构，得到半月板全亚区分割模型。

可选的，所述程序的细化功能和扩展功能可参照上文描述。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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过程、方法、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“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。