具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下将参照本发明实施例中的附图，通过实施方式清楚、完整地描述本发明的技术方案，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。下述各实施例中，每个实施例中同时提供了可选特征和示例，实施例中记载的各个特征可进行组合，形成多个可选方案，不应将每个编号的实施例仅视为一个技术方案。

实施例一

图1为本发明实施例一提供的图像分析方法的流程图，本实施例可适用于分析医学图像中血管的管腔、管壁及斑块的情况，该方法可以由图像分析装置实现，该装置配置于与医学成像设备连接的计算机设备中，具体可通过设备中的软件和/或硬件来实施。

如图1所示，图像分析方法具体包括：

S110、获取待分析图像序列，并选取所述待分析图像序列中的感兴趣区域。

其中，待分析图像序列可以是通过医学成像设备，如CT(Computed Tomography，X线计算机断层摄影)设备、MRI(Magnetic Resonance Imaging，核磁共振成像)设备及PET(positron emission tomography，正电子发射计算机断层显像)设备等，获取到的包含感兴趣区域的医学图像。一组图像序列，可以重建得到图像序列对应的扫描部位的三维图像。

感兴趣区域为用户分析图像的关注区域，可以是需要进行影像检查的器官部位，例如脑功能区、血管或其他组织部位。

在一个具体的实例中，待分析图像序列为磁共振黑血序列，包括T1增强图像、T1图像、T2图像和/或质子密度图像等。磁共振黑血序列，顾名思义，就是通过让血液信号下降，或者叫做抑制血液信号得到的序列图像，在黑血序列图像中，感兴趣区域是包含血管的区域。选取待分析图像序列中的感兴趣区域的过程，可以是对待分析图像序列(磁共振黑血序列)进行重建，得到血管中心线的曲面重建图，然后沿血管中心线进行采样得到待处理感兴趣区域，可参考图2所示的感兴趣区域选取过程。

此外，待分析图像序列的感兴趣区域为血管的情况下，可以采用感兴趣区域识别模型等方式对感兴趣区域进行选择，或者还可以对于包含血管区域的图像序列，首先自动地识别并提取血管中心线，然后根据血管中心线的定位信息，确定局部的感兴趣区域，或者还可以基于人机交互的方式，根据用户的输入，手动确认包含血管的感兴趣区域。

S120、将所述感兴趣区域图像数据输入至当前最优第一图像分割模型，得到第一分割图像。

该步骤的目的是，对感兴趣区域图像数据进行进一步的分割，提取出感兴趣区域的目标结构，如分割出黑血序列中的血管。经过图像分割之后，可以得到血管的管腔、管壁及背景的同时分割。

其中，这里需要说明的是，在该次图像分割中，使用的是当前最优第一图像分割模型。该模型是根据历次感兴趣区域图像数据分析过程中获取的图像样本，对预设第一图像分割模型进行优化得到的模型。

预设第一图像分割模型是最初用于在该步骤中进行图像分割的机器学习模型，是以预先标记的管腔管壁数据为训练样本对神经网络进行训练而生成的模型。神经网络模型训练的过程具体是，首先初始化神经网络的参数，然后将带有标记的图像在预处理后输入神经网络，神经网络经过一系列上采样、下采样和卷积操作，输出预测的分割结果，然后将神经网络预测的分割结果与图像的标记进行对比，并将对比结果反馈回神经网络，以更新网络参数，知道神经网络的损失函数收敛，以保证神经网络学习到不同图像上感兴趣区域的图像特征。

在本实施例中，预设第一图像分割模型可以自动地利用在使用过程中搜集到的图像分割数据作为图像分割模型训练的新样本进行学习，从而可以得到一个图像分割结果更优的模型，这一过程是在图像分割的过程中同步进行的。当前最优第一图像分割模型，即预设第一图像分割模型经过自动优化更新后的结果。

S130、当所述第一分割图像满足第一预设分割标准时，将所述第一分割图像输入至当前最优第二图像分割模型，得到第二分割图像。

具体的，第一分割图像是否满足第一预设分割标准的判断，可以采用平均表面距离算法或者相似度系数算法进行确定。其中，平均表面距离算法是指计算金标准分割结果和本实施例自动算法分割结果中被分割的目标结构的轮廓点之间最短距离的平均值。平均表面距离的值越低表明分割结果越好，可以设定一个阈值(如0.15mm，可根据实际使用情况进行调整)，平均表面距离小于阈值即可满足要求，当高于设定的阈值时，则需要提醒用户进行分割结果判断以及结果修正。而相似度计算就是比较两个事物的相似性。一般通过计算事物的特征之间的距离，以Dice系数算法为例，Dice系数也是基于金标准分割结果和本实施例自动算法分割结果计算得到的数值，具体可表示为Dice＝2(A∩B)/(A∪B)，其中，A、B分别表示金标准分割结果和本实施例自动算法分割结果。Dice值范围是(0-1)值，数值越高表明算法预测结果越好，可以设定一个阈值(比如0.8，同样可根据实际使用情况进行调整)，当Dice系数超过这个阈值时，则认为本实施例的图像分割算法预测结果是较好的，若Dice系数低于这个阈值，则需要提醒用于进行分割结果判断以及结果修正。当然，也可以直接由用户判断第一分割图像是否满足第一预设分割标准。

进一步的，将第一分割图像输入至当前最优第二图像分割模型，是为了对第一分割图像中分割得到的目标组织结构进行进一步的分割，特别适用于对包含多层级结构的组织进行分割。当前最优第二图像分割模型是根据历次第一分割图像分析过程中获取的图像样本，对预设第二图像分割模型进行优化得到的模型。预设第二图像分割模型是最初用于在该步骤中进行图像分割的机器学习模型，是以在第一次图像分割得到的组织结构图像中预先标记出需要进一步分割的目标组织结构的图像数据作为训练样本，对神经网络进行训练而生成的模型。以对磁共振黑血序列进行进一步分割为例，在第一分割后得到血管的管腔和管壁，那么，在第二步进行分割时，目标分割结构则是血管中的斑块。那么，模型训练样本是将斑块结构进行标记的图像。神经网络模型训练的过程可以是，首先初始化神经网络的参数，然后将带有标记的图像在预处理后输入神经网络，神经网络经过一系列上采样、下采样和卷积操作，输出预测的分割结果，然后将神经网络预测的分割结果与图像的标记进行对比，并将对比结果反馈回神经网络，以更新网络参数，直到神经网络的损失函数收敛，以保证神经网络学习到不同图像上感兴趣区域的图像特征，神经网络可以选用V-net，或者基于V-net变形得到的其他神经网络。V-net的网络结构可参考图3所示的结构。

在本实施例中，预设第二图像分割模型可以自动地利用在使用过程中搜集到的图像分割数据作为图像分割模型训练的新样本进行学习，从而可以得到一个图像分割结果更优的模型，这一过程是在图像分割的过程中同步进行的。当前最优第二图像分割模型，即预设第二图像分割模型经过自动优化更新后的结果。

S140、当所述第二分割图像满足第二预设分割标准时，将所述第二分割图像作为目标图像分析结果进行输出。

对第二分割图像是否满足第二预设分割标准的判断，同样可以采用步骤S130中介绍的判断方法。当第二分割图像满足第二预设分割标准时，即完成图像分析的过程，可以将分析结果记性展示。

本实施例的技术方案，通过将待分析图像序列中感兴趣区域图像数据输入至当前最优第一图像分割模型，得到第一分割图像，并在第一分割图像满足第一预设分割标准时，将第一分割图像输入至当前最优第二图像分割模型，得到第二分割图像；进而，当第二分割图像满足第二预设分割标准时，将第二分割图像作为目标图像分析结果进行输出，其中，当前最优第一图像分割模型和当前最优第二图像分割模型分别是预设第一图像分割模型和预设第二图像分割模型根据历次图像分析过程中相应的图像样本进行自学习优化得到的模型，图像分析的效果更佳。本发明实施例技术方案解决了图像分割模型受限于模型训练样本的数量和多样性，不能够进行模型自学习的问题；可以实现图像分割模型的自动优化，提高血管的管腔管壁分割的准确性。

实施例二

图4为本发明实施例二提供的图像分析方法的流程图，在上述实施例的基础上进行优化，具体进一步描述了对预设第一图像分割模型进行优化的过程，本实施例的技术方案可以与上述实施例的方案相结合。

如图4所示，本实施例中图像分析方法包括如下过程：

S210、响应并记录用户对通过预设第一图像分割模型获得的第一图像分割结果，进行第一修正操作。

具体的，当第一图像分割结果不满足第一预设分割标准，分割结果不够精确时，用户会进行图像修正操作，直接对第一图像分割结果，如分割区域的调整或取舍，可以具体到某一个像素点的取舍。

仍然以对磁共振黑血序列进行分析为例，由于血管的分支很多，那么所选取的感兴趣区域也有很多。修正操作可以是针对多个感兴趣区域中，分割结果不满足条件的一个或多个区域进行调整。如分割结果中感兴趣区域的半径明显大于该区域中血管管径，那么可以减小感兴趣区域的半径，使分割结果更为准确。

在用户进行修正操作的过程中，便可以自动的记录用户操作的过程，如进行修正操作的区域，以及修正操作过程中像素点的选取等过程。

S220、统计所述第一修正操作的操作数据，并根据所述第一修正操作的操作数据、输入至所述预设第一图像分割模型中的感兴趣区域图像以及对应的修正后的图像分割结果，配置第一图像样本。

统计第一修正操作的操作数据包括统计第一修正操作中，进行修正操作的感兴趣区域图像的数量、位置，以及针对每个感兴趣区域图像进行修正操作的时长。这些统计数据在一定程度上反映了被修正感兴趣区域分割的难易程度，若需要修正的感兴趣区域越多，修正的时间越长，则表明被修正部位所在区域的目标结构较难分割。从而，可以根据统计的结果，配置输入至预设第一图像分割模型中的感兴趣区域图像以及对应的修正后的图像分割结果的权重值，得到第一图像样本。也就是为各修正过程中产生的用于模型训练的图像样本设置权重系数，权重值高的为重点学习对象，从而可以使模型有针对性的学习较难分割的区域，进行局部区域的强化训练，这样有助于算法学习时更好的聚焦用户关注的对象特征上，避免这一特征被大部分非感兴趣区域的特征所掩盖。

S230、通过所述第一图像样本对所述预设第一图像分割模型进行训练，得到当前最优第一图像分割模型。

将经过权重系数配置的图像样本输入至预设第一图像分割模型中，进行预设第一图像分割模型训练，使该模型能够得到优化。当然，在模型训练后，会用预设测试样本集对训练得到的新模型进行测试，如果新模型的图像分割测试结果优于预设第一图像分割模型的图像分割结果，该训练得到的新模型即为当前最优第一图像分割模型。在一种可能的实施方式中，若训练得到的新模型并没有预设第一图像分割模型的图像分割效果好，那么，预设第一图像分割模型仍然为当前最优第一图像分割模型，用于后续的图像分析中，直到得到图像分割效果更佳的模型。同时，还会继续按照预设的一定的规则调整图像样本的权重系数，使模型继续学习。

S240、将待分析图像序列的感兴趣区域图像数据输入至所述当前最优第一图像分割模型，得到第一分割图像。

当对待分析的图像序列进行第一次分割时，便可以使用经过学习更新的，当前最优第一图像分割模型对待分析图像序列的感兴趣区域图像数据进行分割，得到第一分割图像。

S250、当所述第一分割图像满足第一预设分割标准时，将所述第一分割图像输入至当前最优第二图像分割模型，得到第二分割图像。

其中，所述当前最优第二图像分割模型是根据历次第一分割图像分析过程中获取的图像样本，对预设第二图像分割模型进行优化得到的模型。

S260、当所述第二分割图像满足第二预设分割标准时，将所述第二分割图像作为目标图像分析结果进行输出。

步骤S240-S260的具体实现过程，可参考实施例一中的相关描述。

本实施例的技术方案，通过在图像第一次分割阶段收集到的图像修正数据，配置图像样本，继续对预设第一图像分割模型进行训练，得到当前最优第一图像分割模型，然后在分析待分析图像序列中感兴趣区域图像数据时，使用当前最优第一图像分割模型，得到第一分割图像，并在第一分割图像满足第一预设分割标准时，将第一分割图像输入至当前最优第二图像分割模型，得到第二分割图像；进而，当第二分割图像满足第二预设分割标准时，将第二分割图像作为目标图像分析结果进行输出。本发明实施例技术方案解决了图像分割模型受限于模型训练样本的数量和多样性，不能够进行模型自学习的问题；可以实现图像分割模型的自动优化，使模型更有针对性的进行学习和优化，更能够适应被分析的图像数据，提目标组织结构分割的准确性。

实施例三

图5为本发明实施例三提供的图像分析方法的流程图，在上述实施例的基础上进行优化，进一步描述了对预设第二图像分割模型进行优化的过程，本实施例的技术方案可以与上述实施例的方案相结合。

如图5所示，本实施例中图像分析方法包括如下过程：

S310、响应并记录用户对通过预设第二图像分割模型获得的第二图像分割结果，进行第二修正操作。

具体的，当第二图像分割结果不满足第二预设分割标准，分割结果不够精确时，用户会进行图像修正操作，直接对第二图像分割结果，如分割区域的调整或取舍，可以具体到某一个像素点的取舍。

仍然以对磁共振黑血序列进行分析为例，在第一次图像分割之后，得到血管的管腔、管壁结构，进一步的，第二次进行图像分割的目的则是为了分割出管腔、管壁内的斑块结构及成分。斑块成分是后续进一步定量分析斑块及对斑块进行易损性分析的基础。修正操作可以是针对包含斑块的区域进行调整或者是斑块成分的纠正。

在用户进行修正操作的过程中，便可以自动的记录用户操作的过程，如进行修正操作的区域、修正操作过程中像素点的选取等过程，以及斑块中不同成分的区分。

S320、统计所述第二修正操作的操作数据，并获取与通过所述第二修正操作获得的修正结果对应的图像分析数据。

统计第二修正操作的操作数据包括统计第二修正操作中，进行修正操作的感兴趣区域图像的数量、位置，以及针对每个感兴趣区域图像进行修正操作的时长。这些统计数据在一定程度上反映了被修正感兴趣区域分割的难易程度，若需要修正的感兴趣区域越多，修正的时间越长，则表明被修正部位所在区域的目标结构较难分割。

此外，还可以获取与通过第二修正操作获得的修正结果对应的图像分析数据，并建立图像分析数据与通过第二修正操作获得的修正结果图像间的映射关系。例如，斑块样本数据，在实际上是很难收集的，同时，对斑块进行识别也是自动分割识别算法容易失败的场景，那么在实际处理中，可以结合医生的诊断报告，将文字报告中的斑块区域映射到图像数据中，将斑块所在的局部区域进行强化训练，这样有助于算法学习时更好的聚焦用户关注的对象特征上，避免这一特征被大部分正常血管区域的特征所掩盖。

可以理解的是，在本实施例中的，对斑块分割可以是将斑块作为一个整体进行分割，也可以将斑块的多种成分区分开进行多标签的分割。

S330、根据所述第二修正操作的操作数据、所述图像分析数据、输入至所述预设第二图像分割模型中的第一分割图像以及通过所述第二修正操作获得的修正结果，配置第二图像样本。

具体的，可以根据第二修正操作的操作数据的统计结果，配置输入至预设第二图像分割模型中的感兴趣区域图像以及对应的修正后的图像分割结果的权重值，得到第二图像样本，还可以将文字报告中的目标结构区域映射到图像数据中，将目标结构所在的局部区域进行强化训练，也就是为各修正过程中产生的用于模型训练的图像样本设置权重系数，权重值高的为重点学习对象，从而可以使模型有针对性的学习较难分割的区域，进行局部区域的强化训练。

S340、通过所述第二图像样本对所述预设第二图像分割模型进行训练，得到当前最优第二图像分割模型。

将经过权重系数配置的图像样本输入至预设第二图像分割模型中，进行预设第二图像分割模型训练，使该模型能够得到优化。当然，在模型训练后，会用预设测试样本集对训练得到的新模型进行测试，如果新模型的图像分割测试结果优于预设第二图像分割模型的图像分割结果，该训练得到的新模型即为当前最优第二图像分割模型。在一种可能的实施方式中，若训练得到的新模型并没有预设第二图像分割模型的图像分割效果好，那么，预设第二图像分割模型仍然为当前最优第二图像分割模型，用于后续的图像分析中，直到得到图像分割效果更佳的模型。同时，还会继续按照预设的一定的规则调整图像样本的权重系数，使模型继续学习。

S350、将待分析图像序列的感兴趣区域图像数据输入至所述当前最优第一图像分割模型，得到第一分割图像。

S360、当所述第一分割图像满足第一预设分割标准时，将所述第一分割图像输入至当前最优第二图像分割模型，得到第二分割图像。

S370、当所述第二分割图像满足第二预设分割标准时，将所述第二分割图像作为目标图像分析结果进行输出。

本实施例的技术方案，通过在图像第二次分割阶段收集到的图像修正数据，配置图像样本，继续对预设第二图像分割模型进行训练，得到当前最优第二图像分割模型，将待分析图像序列中感兴趣区域图像数据输入至当前最优第一图像分割模型，得到第一分割图像，并在第一分割图像满足第一预设分割标准时，将第一分割图像输入至当前最优第二图像分割模型，得到第二分割图像；进而，当第二分割图像满足第二预设分割标准时，将第二分割图像作为目标图像分析结果进行输出。本发明实施例技术方案解决了图像分割模型受限于模型训练样本的数量和多样性，不能够进行模型自学习的问题；可以实现图像分割模型的自动优化，使模型更有针对性的进行学习和优化，更能够适应被分析的图像数据，提目标组织结构分割的准确性。

实施例四

图6为本发明实施例四提供的一种图像分析装置的结构示意图，本发明实施例可适用于分析医学图像中血管的管腔、管壁及斑块的情况。

如图6所示，本发明实施例中图像分析装置，包括：图像预处理模块410、第一图像分割模块420、第二图像分割模块430和图像展示模块440。

其中，图像预处理模块410，用于获取待分析图像序列，并选取所述待分析图像序列中的感兴趣区域；第一图像分割模块420，用于将所述感兴趣区域图像数据输入至当前最优第一图像分割模型，得到第一分割图像，其中，所述当前最优第一图像分割模型是根据历次感兴趣区域图像数据分析过程中获取的图像样本，对预设第一图像分割模型进行优化得到的模型；第二图像分割模块430，用于当所述第一分割图像满足第一预设分割标准时，将所述第一分割图像输入至当前最优第二图像分割模型，得到第二分割图像，其中，所述当前最优第二图像分割模型是根据历次第一分割图像分析过程中获取的图像样本，对预设第二图像分割模型进行优化得到的模型；图像展示模块440，用于当所述第二分割图像满足第二预设分割标准时，将所述第二分割图像作为目标图像分析结果进行输出。

本实施例的技术方案，通过将待分析图像序列中感兴趣区域图像数据输入至当前最优第一图像分割模型，得到第一分割图像，并在第一分割图像满足第一预设分割标准时，将第一分割图像输入至当前最优第二图像分割模型，得到第二分割图像；进而，当第二分割图像满足第二预设分割标准时，将第二分割图像作为目标图像分析结果进行输出，其中，当前最优第一图像分割模型和当前最优第二图像分割模型分别是预设第一图像分割模型和预设第二图像分割模型根据历次图像分析过程中相应的图像样本进行自学习优化得到的模型，图像分析的效果更佳。本发明实施例技术方案解决了图像分割模型受限于模型训练样本的数量和多样性，不能够进行模型自学习的问题；可以实现图像分割模型的自动优化，提高血管的管腔管壁分割的准确性。

可选的，所述图像分析装置还包括第一模型优化模块，具体包括：

第一图像修正记录子模块，用于响应并记录用户对通过所述预设第一图像分割模型获得的第一图像分割结果，进行第一修正操作；

第一样本配置子模块，用于统计所述第一修正操作的操作数据，并根据所述第一修正操作的操作数据、输入至所述预设第一图像分割模型中的感兴趣区域图像以及对应的修正后的图像分割结果，配置第一图像样本；

第一模型优化子模块，用于通过所述第一图像样本对所述预设第一图像分割模型进行训练，得到当前最优第一图像分割模型。

可选的，所述第一样本配置子模块具体用于：

统计所述第一修正操作中，进行修正操作的感兴趣区域图像的数量，以及针对每个感兴趣区域图像进行修正操作的时长；

根据所述第一修正操作的操作数据中针对每个感兴趣区域图像的进行修正操作的时长，配置输入至所述预设第一图像分割模型中的感兴趣区域图像以及对应的修正后的图像分割结果的权重值，得到第一图像样本。

可选的，所述图像分析装置还包括第二模型优化模块，具体包括：

第二图像修正记录子模块，用于响应并记录用户对通过预设第二图像分割模型获得的第二图像分割结果，进行第二修正操作；

操作数据统计子模块，用于统计所述第二修正操作的操作数据，并获取与通过所述第二修正操作获得的修正结果对应的图像分析数据；

第二样本配置子模块，用于根据所述第二修正操作的操作数据、所述图像分析数据、输入至所述预设第二图像分割模型中的第一分割图像以及通过所述第二修正操作获得的修正结果，配置第二图像样本；

第一模型优化子模块，用于通过所述第二图像样本对所述预设第二图像分割模型进行训练，得到当前最优第二图像分割模型。

可选的，所述操作数据统计子模块，具体用于；

统计所述第二修正操作中，进行修正操作的第二分割结果图像的数量，以及针对每个第二分割结果图像进行修正操作的时长；

获取与通过所述第二修正操作获得的修正结果对应的图像分析数据，并建立所述图像分析数据与通过所述第二修正操作获得的修正结果图像间的映射关系。

可选的，所述第二样本配置子模块，用于：

根据所述第二修正操作的操作数据中针对每个感兴趣区域图像的进行修正操作的时长，以及所述映射关系，配置输入至所述预设第二图像分割模型中的第一分割图像以及对应的通过所述第二修正操作获得的修正结果的权重值，得到第二图像样本。

可选的，所述预设第一图像分割模型用于对待分析图像序列中血管的管腔、管壁及背景部分进行分割，所述预设第二图像分割模型用于对所述管腔和所述管壁中的斑块进行分割并预测斑块成分。

本发明实施例所提供的图像分析装置可执行本发明任意实施例所提供的图像分析方法，具备执行方法相应的功能模块和有益效果。

实施例五

图7是本发明实施例五中的计算机设备的结构示意图，该计算机设备与成像设备(例如CT、PET、MRI设备)相连接，用于对成像设备进行控制，接收成像设备采集的信号，并对采集的信号进行数据处理。图7示出了适于用来实现本发明实施方式的示例性计算机设备512的框图。图7显示的计算机设备512仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，计算机设备512以通用计算设备的形式表现。计算机设备512的组件可以包括但不限于：一个或者多个处理器或者处理单元514，系统存储器528，连接不同系统组件(包括系统存储器528和处理单元514)的总线518。

总线518表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)530和/或高速缓存存储器532。计算机设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统534可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储器528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如存储器528中，这样的程序模块542包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备512也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等)通信，还可与一个或者多个使得用户能与该计算机设备512交互的设备通信，和/或与使得该计算机设备512能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且，计算机设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器520通过总线518与计算机设备512的其它模块通信。应当明白，尽管图7中未示出，可以结合计算机设备512使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元516通过运行存储在系统存储器528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的图像分析方法，该方法主要包括：

获取待分析图像序列，并选取所述待分析图像序列中的感兴趣区域；

将所述感兴趣区域图像数据输入至当前最优第一图像分割模型，得到第一分割图像，其中，所述当前最优第一图像分割模型是根据历次感兴趣区域图像数据分析过程中获取的图像样本，对预设第一图像分割模型进行优化得到的模型；

当所述第一分割图像满足第一预设分割标准时，将所述第一分割图像输入至当前最优第二图像分割模型，得到第二分割图像，其中，所述当前最优第二图像分割模型是根据历次第一分割图像分析过程中获取的图像样本，对预设第二图像分割模型进行优化得到的模型；

当所述第二分割图像满足第二预设分割标准时，将所述第二分割图像作为目标图像分析结果进行输出。

实施例六

本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的图像分析方法，该方法主要包括：

获取待分析图像序列，并选取所述待分析图像序列中的感兴趣区域；

将所述感兴趣区域图像数据输入至当前最优第一图像分割模型，得到第一分割图像，其中，所述当前最优第一图像分割模型是根据历次感兴趣区域图像数据分析过程中获取的图像样本，对预设第一图像分割模型进行优化得到的模型；

当所述第一分割图像满足第一预设分割标准时，将所述第一分割图像输入至当前最优第二图像分割模型，得到第二分割图像，其中，所述当前最优第二图像分割模型是根据历次第一分割图像分析过程中获取的图像样本，对预设第二图像分割模型进行优化得到的模型；

当所述第二分割图像满足第二预设分割标准时，将所述第二分割图像作为目标图像分析结果进行输出。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是，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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。