一种肝静脉和门静脉分割方法及装置

摘要

本发明提供一种肝静脉和门静脉分割方法及装置。所述方法包括：将原始医学影像输入第一分割模型，获得肝脏掩膜；将所述肝脏掩膜输入第二分割模型，得到包括背景、肝静脉血管、肝静脉血管最外层掩膜、门静脉血管最外层掩膜、门静脉血管、肝静脉与门静脉血管交汇区域6种类别的分割图像区域；基于血管的连通性对所述分割图像区域进行修正，得到包括肝静脉血管和门静脉血管2种类别的图像。本发明通过获得6种不同类别的分割图像区域，能够尽量使肝静脉与门静脉血管主脉保持分离；而且通过分割肝静脉血管最外层掩膜和门静脉血管最外层掩膜，可降低由部分容积效应带来的边界不清造成的噪声干扰影响，因此明显提高了肝静脉和门静脉血管的分割精度。

说明书

技术领域

本发明属于医学影像技术领域，具体涉及一种肝静脉和门静脉分割方法及装置。

背景技术

近些年来，肝脏疾病患者数量一直呈持续上升趋势，严重危害着人类的健康。由于诸多肝脏疾病都需要通过肝脏切除手术或消融术来进行治疗，因此在前期手术规划阶段，医生需要通过医学影像中的肝静脉与门静脉血管形态走势对肝脏进行分段以求在手术之中尽可能精确的切除或消除病变区域，为患者保留更多的肝功能。但是，在现阶段的手术规划工作中，绝大部分的医学影像阅片工作都是由医生人工操作完成，对医生的精力、经验、耐心都有着巨大挑战。因此，准确的肝静脉与门静脉血管的自动分割有助于医生获取肝脏血管的整体信息，对于肝病诊断及肝病手术有着重要的意义。

相比于医学图像中的器官分割，血管组织存以下固有的特点：分支形状不规则，整体分布存在个体差异，尺寸不均，并且肝静脉与门静脉血管互相之间还存在较多的粘连与交叉。因此，肝静脉与门静脉血管分割目前仍是医学图像处理领域的一个巨大挑战。同时，由于医学数据大多是三维数据，在深度学习网络模型中需要巨大的计算量。深度学习的兴起，为肝静脉与门静脉血管的分割带来了新的机遇。现有的肝静脉与门静脉血管的分割方法更多的考虑将血管分割、肝静脉与门静脉血管分类作为两个不同的任务，以此来设计系统与深度学习网络模型来确保肝静脉与门静脉血管分割结果。例如，通过在深度学习网络模型输出端设置两个并行分支，上路分支用于提取肝静脉和门静脉区别于背景的特征，下路分支用于提取区分肝静脉和门静脉的特征；或者使用两阶段的方法，先分割出肝脏血管，再判断血管粘连点，以此来分离肝静脉与门静脉两种血管；亦或者通过图神经网络提取丰富的相邻CT序列层间信息，结合基于注意力机制设计的序列注意力关联融合模块，逐层实现三维医学数据的分割，但其仍是基于二维图像的分割，并未能获取充分的三维结构信息。此外，由于三维深度学习网络模型参数巨大，因此在进行分割任务的时候都会进行对数据的切块操作，再把每个块的分割结果拼接起来。这不仅需要巨大的计算量，而且这些方法都并未能全面使用(甚至破坏了)肝静脉与门静脉血管本身的结构特点与先验信息。

发明内容

为了解决现有技术中存在的上述问题，本发明提供一种肝静脉和门静脉分割方法及装置。

为了实现上述目的，本发明采用以下技术方案。

第一方面，本发明提供一种肝静脉和门静脉分割方法，包括以下步骤：

将原始医学影像输入第一分割模型，获得肝脏掩膜；

将所述肝脏掩膜输入第二分割模型，得到包括背景、肝静脉血管、肝静脉血管最外层掩膜、门静脉血管最外层掩膜、门静脉血管、肝静脉与门静脉血管交汇区域6种类别的分割图像区域；

基于血管的连通性对所述分割图像区域进行修正，得到包括肝静脉血管和门静脉血管2种类别的图像。

进一步地，所述方法还包括对肝脏掩膜进行预处理的步骤：

对所述肝脏掩膜的最小外接长方体区域进行裁剪；

基于裁剪区域进行窗宽窗位调整，并按下式将每个像素点的像素值归一化至[0,1]：

式中，I(x,y)、I

将肝脏区域图像调整到固定尺寸，对图像进行去噪滤波处理。

进一步地，所述第二分割模型采用3D ResUnet网络结构。

更进一步地，所述3D ResUnet的输入端设有Focus模块。

更进一步地，所述3D ResUnet的前3个下采样层前设有用于扩展感受野的空洞卷积组合。

进一步地，所述第二分割模型训练的总损失函数中，背景、肝静脉血管、肝静脉血管最外层掩膜、门静脉血管最外层掩膜、门静脉血管、肝静脉与门静脉血管交汇区域的损失函数所占的权重分别为1、1、0.5、0.5、1、1。

进一步地，对所述分割图像区域进行修正的方法包括：

S1、将背景、肝静脉血管、肝静脉血管最外层掩膜、门静脉血管最外层掩膜、门静脉血管、肝静脉与门静脉血管交汇区域6个区域的像素点的像素值分别设定为0、1、2、3、4、5；

S2、剔除连通域小于设定阈值的图像区域，剔除像素点像素值为5的图像区域；

S3、分别提取像素点像素值为1、4的图像区域的最大连通域，得到肝静脉主脉和门静脉主脉；

S4、将两个主脉以外的像素值为1、4的剩余血管连通域的像素点像素值修改为与之连接的主脉的像素点像素值1或4；

S5、重复步骤S4，直到修改完两个主脉以外的所有剩余血管连通域的像素点像素值；

S6、计算以每一非0像素点为中心的5×5×5区域内的非0像素点像素值的均值，并用所述均值替换对应像素点的像素值；

S7、将像素值大于0且小于2.5的像素点输出为肝静脉血管类别，将像素值大于或等于2.5的像素点输出为门静脉血管类别。

进一步地，所述方法还包括对修正后的图像进行光滑处理的步骤：利用三维开运算和三维闭运算对修正后的图像进行形态学矫正。

第二方面，本发明提供一种肝静脉和门静脉分割装置，包括：

第一分割模块，用于将原始医学影像输入第一分割模型，获得肝脏掩膜；

第二分割模块，用于将所述肝脏掩膜输入第二分割模型，得到包括背景、肝静脉血管、肝静脉血管最外层掩膜、门静脉血管最外层掩膜、门静脉血管、肝静脉与门静脉血管交汇区域6种类别的分割图像区域；

分割修正模块，用于基于血管的连通性对所述分割图像区域进行修正，得到包括肝静脉血管和门静脉血管2种类别的图像。

进一步地，所述装置还包括肝脏掩膜预处理模块，用于：

对所述肝脏掩膜的最小外接长方体区域进行裁剪；

基于裁剪区域进行窗宽窗位调整，并按下式将每个像素点的像素值归一化至[0,1]：

式中，I(x,y)、I

将肝脏区域图像调整到固定尺寸，对图像进行去噪滤波处理。

进一步地，所述第二分割模型采用3D ResUnet网络结构。

更进一步地，所述3D ResUnet的输入端设有Focus模块。

更进一步地，所述3D ResUnet的前3个下采样层前设有用于扩展感受野的空洞卷积组合。

进一步地，所述第二分割模型训练的总损失函数中，背景、肝静脉血管、肝静脉血管最外层掩膜、门静脉血管最外层掩膜、门静脉血管、肝静脉与门静脉血管交汇区域的损失函数所占的权重分别为1、1、0.5、0.5、1、1。

进一步地，所述分割修正模块具体用于：

S1、将背景、肝静脉血管、肝静脉血管最外层掩膜、门静脉血管最外层掩膜、门静脉血管、肝静脉与门静脉血管交汇区域6个区域的像素点的像素值分别设定为0、1、2、3、4、5；

S2、剔除连通域小于设定阈值的图像区域，剔除像素点像素值为5的图像区域；

S3、分别提取像素点像素值为1、4的图像区域的最大连通域，得到肝静脉主脉和门静脉主脉；

S4、将两个主脉以外的像素值为1、4的剩余血管连通域的像素点像素值修改为与之连接的主脉的像素点像素值1或4；

S5、重复步骤S4，直到修改完两个主脉以外的所有剩余血管连通域的像素点像素值；

S6、计算以每一非0像素点为中心的5×5×5区域内的非0像素点像素值的均值，并用所述均值替换对应像素点的像素值；

S7、将像素值大于0且小于2.5的像素点输出为肝静脉血管类别，将像素值大于或等于2.5的像素点输出为门静脉血管类别。

进一步地，所述装置还包括光滑处理模块，用于利用三维开运算和三维闭运算对修正后的图像进行形态学矫正。

与现有技术相比，本发明具有以下有益效果。

本发明通过将由第一分割模型输出的肝脏掩膜输入第二分割模型，得到包括背景、肝静脉血管、肝静脉血管最外层掩膜、门静脉血管最外层掩膜、门静脉血管、肝静脉与门静脉血管交汇区域6种不同类别的分割图像区域，并基于血管的连通性对所述分割图像区域进行修正，最后得到肝静脉血管和门静脉血管2种类别的图像，实现了肝静脉和门静脉血管的自动分割。本发明利用第二分割模型得到不仅包括肝静脉和门静脉血管，还包括背景、肝静脉血管最外层掩膜、门静脉血管最外层掩膜和肝静脉与门静脉血管交汇区域6种不同类别的分割图像区域，能够尽量使肝静脉与门静脉血管主脉保持分离；而且通过分割肝静脉血管最外层掩膜和门静脉血管最外层掩膜，可降低由部分容积效应带来的边界不清造成的噪声干扰影响，因此明显提高了肝静脉和门静脉血管的分割精度。

附图说明

图1为本发明实施例一种肝静脉和门静脉分割方法的流程图。

图2为第二分割模型的网络结构示意图。

图3为Focus模块的结构示意图。

图4为空洞卷积组合结构示意图。

图5为本发明实施例一种肝静脉和门静脉分割装置的方框图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明白，以下结合附图及具体实施方式对本发明作进一步说明。显然，所描述的实施例仅仅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。

图1为本发明实施例一种肝静脉和门静脉分割方法的流程图，包括以下步骤：

步骤101，将原始医学影像输入第一分割模型，获得肝脏掩膜；

步骤102，将所述肝脏掩膜输入第二分割模型，得到包括背景、肝静脉血管、肝静脉血管最外层掩膜、门静脉血管最外层掩膜、门静脉血管、肝静脉与门静脉血管交汇区域6种类别的分割图像区域；

步骤103，基于血管的连通性对所述分割图像区域进行修正，得到包括肝静脉血管和门静脉血管2种类别的图像。

本实施例中，步骤101主要用于从输入的原始医学影像中获得包括肝静脉和门静脉血管的肝脏掩膜。输入的原始医学影像包括但不限于CT图像、MRI图像。本实施例通过将原始医学影像输入到一个训练好的肝脏分割网络即第一分割模型得到肝脏掩膜。由于待分割的肝静脉和门静脉血管都包含在所述肝脏掩膜覆盖的区域中，因此先分割肝脏掩膜，然后再基于裁剪下来的肝脏掩膜进行处理，可减小数据处理负担。

本实施例中，步骤102主要用于利用第二分割模型获得6种类别的分割图像区域。这6种类别的分割图像区域不仅包括肝静脉和门静脉血管，还包括肝静脉和门静脉血管以外的4种类别。由于最终目标只是分割肝静脉和门静脉血管，因此现有技术一般只输出这2种类别的图像(掩膜)。本实施例通过在对第二分割模型进行训练时，在数据集中使用6个标签分别对背景、肝静脉血管、肝静脉血管最外层掩膜、门静脉血管最外层掩膜、门静脉血管、肝静脉与门静脉血管交汇区域(通过对肝静脉与门静脉血管进行三维膨胀运算后的交集求得)进行标注，利用训练好的第二分割模型可输出上述6种类别的图像。这样处理主要出于以下两个方面的考虑：一是通过对肝静脉最外层掩膜、门静脉最外层掩膜和肝静脉与门静脉血管交汇区域进行独立标注，可以使肝静脉与门静脉血管的主脉在标注上保持分离，便于后处理中通过两种血管自身的连通性进行结果修正。二是通过设立肝静脉最外层掩膜、门静脉最外层掩膜肝两个类别，降低噪声对训练的影响。之所以能够降低噪声影响，是由于CT图像本身存在部分容积效应导致血管边缘在像素级上是不够清晰的，因此标注人员对于血管边缘的标注是存在主观因素的影响，不如血管主脉的标注准确性高；通过单独设定肝静脉血管最外层掩膜、门静脉血管最外层掩膜这两个类别，可以将这些确定性较低的标注点单独归类，通过在损失函数中设立一个较低的类别权重降低噪声对训练的影响。因此，本实施例通过标注6种类别的图像，相对现有技术只标注2种类别，可明显提高分割准确度。

本实施例中，步骤103属于后处理步骤，主要用于通过对步骤102得到分割图像区域进行修正，得到肝静脉和门静脉血管图像。步骤102输出了6种类别的图像，但我们最终只需要输出肝静脉和门静脉血管图像，因此需要对6种类别的图像进行修正，重新分类，只输出肝静脉和门静脉血管2种类别的图像。本实施例主要是基于血管的连通性进行修正，具体地说就是根据肝静脉和门静脉两种血管自身完全连通又相互分离(不考虑标签为2、3的区域)的特性进行修正，比如剔除连通域过小的区域，剔除肝静脉与门静脉血管交汇区域等。后面的实施例将给出一种具体的修正方法。

作为一可选实施例，所述方法还包括对肝脏掩膜进行预处理的步骤：

对所述肝脏掩膜的最小外接长方体区域进行裁剪；

基于裁剪区域进行窗宽窗位调整，并按下式将每个像素点的像素值归一化至[0,1]：

式中，I(x,y)、I

将肝脏区域图像调整到固定尺寸，对图像进行去噪滤波处理。

本实施例给出了对肝脏掩膜进行预处理的一种技术方案。首先根据肝脏掩膜的三维边界极值获得掩膜的最小外接长方体区域，并从原始图像中裁剪出此区域。然后对肝脏区域进行窗宽窗位调整，下面是一种具体的调整方法：根据肝脏掩膜获取肝脏的平均CT值，记为m；以m+50为窗位C、200为窗宽W调整肝脏区域像素值，并按上面的公式进行归一化处理，将所有像素值转换至[0,1]。随后再根据肝脏的形态特点将肝脏区域图像调整到固定尺寸，比如可将调整肝脏区域的尺寸至128×224×256。最后对图像进行去噪滤波处理。滤波方法很多，比如可采用三维各向异性扩散滤波。各向异性扩散滤波是一种基于偏微分方程的滤波算法，可实现保留图像细节和边缘的同时消除噪声，从而提高图像质量。滤波方法除了三维各向异性扩散滤波之外，还可选用高斯滤波、均值滤波、双边滤波等常见滤波方法。

作为一可选实施例，所述第二分割模型采用3D ResUnet网络结构。

本实施例给出了实现第二分割模型的一种网络结构。本实施例的第二分割模型采用3D ResUnet网络结构。3DResUnet是一种结合了残差结构的3DUnet网络模型，其中，残差结构是为了解决梯度消失问题而提出的一种嵌入在卷积神经网络中的结构体。梯度消失是深度学习中存在的一个非常普遍的问题。简而言之，在训练CNN时，梯度从最后一层开始，需要在到达初始层之前穿过中间的每一层；但经常出现梯度接近0，使得机器学习速度缓慢甚至完全停止，从而难以完成对模型训的练。残差结构为梯度传递创建了替代路径以跳过中间层并直接到达初始层。这使人们能够训练出性能较好的极深模型。目前，残差结构得到了越来越广泛的应用。

作为一可选实施例，所述3D ResUnet的输入端设有Focus模块。

本实施例给出了第二分割模型的一种改进结构。本实施例中，在3D ResUnet的输入端增加了Focus模块，如图2中虚线框1所选中的区域。Focus结构在降低Z轴维度的同时提升通道维度，确保数据精度不会丢失，以此降低计算复杂度。在网络最后一层通过对Z轴进行双倍上采样，还原图像Z轴的原始大小。下面以二维图像例进行说明，Focus结构原理具体如图3所示。首先对1×8×8大小的原始图像在下X、Y两个方向进行间隔采样，生成了4张1×4×4大小的图像；然后再把此4张图片在通道维度进行叠加，即生成4×4×4的新图像，实现确保数据精度的情况下降低计算复杂度的目的。本实施例中只对Z轴采样，故经过Focus结构后，图像尺寸由1×128×224×256变为2×64×224×256。

作为一可选实施例，所述3D ResUnet的前3个下采样层前设有用于扩展感受野的空洞卷积组合。

本实施例给出了第二分割模型的又一种改进结构。本实施例中，在3DResUnet的前3个下采样层前设有用于扩展感受野的空洞卷积组合，如图2中的虚线框2所示。空洞卷积组合具体结构如图4所示，由4个不同间隔数的空洞卷积与一个全局平均池化层组成，特征层进入间隔数不同的卷积核中进行运算，间隔数为卷积核相邻采样点的采样位置坐标差值。由此可见间隔越大，采样越稀疏，感受野越大。感受野size的计算公式为：

size＝(d-1)×(k-1)+k

其中，d代表间隔数，k代表卷积核尺寸。例如，空洞卷积组合的间隔数可分别取1、6、12、18。然后再把生成的四组特征层与全局池化层结果在通道维度叠加，最后经过一个1×1×1的卷积还原到输入时的特征维度。值得注意的是，由于空洞卷积组合的输入和输出尺寸是一致的，因此可以在网络中的任意位置插入任意个空洞卷积组合，并且其具体间隔数组合形式也可以根据实际情况进行调整。

作为一可选实施例，所述第二分割模型训练的总损失函数中，背景、肝静脉血管、肝静脉血管最外层掩膜、门静脉血管最外层掩膜、门静脉血管、肝静脉与门静脉血管交汇区域的损失函数所占的权重分别为1、1、0.5、0.5、1、1。

本实施例给出了第二分割模型训练的总损失函数中6个不同种类的分割区域的损失函数所占的权重。如前述，单独设定肝静脉血管最外层掩膜和门静脉血管最外层掩膜两个类，有利于降低噪声影响，这种作用就是通过在模型训练时降低损失函数中这两个类别的权重实现的。本实施例将这两种类别的权重设定为其它4种类别的一半，具体地，这两种类别的权重为0.5，其它4种类别的权重为1。

作为一可选实施例，对所述分割图像区域进行修正的方法包括：

S1、将背景、肝静脉血管、肝静脉血管最外层掩膜、门静脉血管最外层掩膜、门静脉血管、肝静脉与门静脉血管交汇区域6个区域的像素点的像素值分别设定为0、1、2、3、4、5；

S2、剔除连通域小于设定阈值的图像区域，剔除像素点像素值为5的图像区域；

S3、分别提取像素点像素值为1、4的图像区域的最大连通域，得到肝静脉主脉和门静脉主脉；

S4、将两个主脉以外的像素值为1、4的剩余血管连通域的像素点像素值修改为与之连接的主脉的像素点像素值1或4；

S5、重复步骤S4，直到修改完两个主脉以外的所有剩余血管连通域的像素点像素值；

S6、计算以每一非0像素点为中心的5×5×5区域内的非0像素点像素值的均值，并用所述均值替换对应像素点的像素值；

S7、将像素值大于0且小于2.5的像素点输出为肝静脉血管类别，将像素值大于或等于2.5的像素点输出为门静脉血管类别。

本实施例给出了对第二分割模型输出结果进行修正的一种技术方案。步骤S1先设定6个掩膜图像区域的像素值分别为0～5六个整数值，即相当于将输出的掩膜图像划分成六个灰度级别，每个区域掩膜对应一个灰度级别。步骤S2先对分割结果进行一次连通域的筛选，将连通域过小的区域作为错误结果进行剔除，并且将像素值为5的肝静脉与门静脉血管交汇区域剔除。从步骤S3开始，根据肝静脉和门静脉血管各自本身的连通特性，对剔除后的数据进行修正。此修正过程中只针对像素值为1、4的肝静脉和门静脉血管，不包括像素值为2、3的肝静脉血管最外层掩膜和门静脉血管最外层掩膜。即使采取扩大感受野的措施(如空洞卷积组合有显著扩大感受野的效果)，但是远离主脉的末端血管分支仍可能存在主脉特征采集不足造成血管类别错误。此修正过程就是根据肝静脉与门静脉血管各自本身是完全连通的特性进行的。在忽视像素值为2、3的区域后，可以认为此时肝静脉与门静脉血管呈现相互分离但自身完全连通的状态。因此，本实施例根据血管连通特性，对错误分类血管进行修正。步骤S3先提取两种血管各自的最大连通区域作为各自的主脉。步骤S4对两个主脉外的剩余血管连通域的像素值进行修正。为了便于理解修正方法，现举例说明。假设提取两条主脉后剩余了两条血管连通域A、B，A的像素值为1，B的像素值为4。如果A所连接的主脉的像素值为4，不是1，则将A的所有像素点的像素值改为4。同理，如果B所连接的主脉的像素值为1，不是4，则将B的所有像素点的像素值改为1。也就是将A、B的像素值修改为与它们相连的主脉的像素值。重复执行步骤S4，直到修改完两个主脉以外的所有剩余血管连通域的像素点像素值(步骤S5)。步骤S6计算以每一像素值非0的像素点为中心的5×5×5区域(也可以选其它不同大小和形状的区域)内的非0像素值均值，并用所述均值替换对应像素点的像素值。步骤S7以像素值2.5为阈值将所有像素点分为两类，像素值较小的一类为肝静脉血管，像素值较大的一类为门静脉血管。

作为一可选实施例，所述方法还包括对修正后的图像进行光滑处理的步骤：利用三维开运算和三维闭运算对修正后的图像进行形态学矫正。

本实施例给出了对修正后的图像进行光滑处理的一种技术方案。本实施例通过进行三维开运算和三维闭运算对图像进行形态学矫正。三维开运算先进行一次三维腐蚀操作，再进行一次三维膨胀操作，以此来断开一些空间上的薄弱连接。三维闭运算先进行一次三维膨胀操作，再进行一次三维腐蚀操作，以此来填补一些小缝隙与空洞。腐蚀操作和膨胀操作都是形态学处理的基本操作单元，对修正后的分割结果中的肝静脉与门静脉血管分别进行三维开运算和三维闭运算，可使分割结果的轮廓更平滑。

图5为本发明实施例一种肝静脉和门静脉分割装置的组成示意图，所述装置包括：

第一分割模块11，用于将原始医学影像输入第一分割模型，获得肝脏掩膜；

第二分割模块12，用于将所述肝脏掩膜输入第二分割模型，得到包括背景、肝静脉血管、肝静脉血管最外层掩膜、门静脉血管最外层掩膜、门静脉血管、肝静脉与门静脉血管交汇区域6种类别的分割图像区域；

分割修正模块13，用于基于血管的连通性对所述分割图像区域进行修正，得到包括肝静脉血管和门静脉血管2种类别的图像。

本实施例的装置，可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。后面的实施例也是如此，均不再展开说明。

作为一可选实施例，所述装置还包括肝脏掩膜预处理模块，用于：

对所述肝脏掩膜的最小外接长方体区域进行裁剪；

基于裁剪区域进行窗宽窗位调整，并按下式将每个像素点的像素值归一化至[0,1]：

式中，I(x,y)、I

将肝脏区域图像调整到固定尺寸，对图像进行去噪滤波处理。

作为一可选实施例，所述第二分割模型12采用3D ResUnet网络结构。

作为一可选实施例，所述3D ResUnet的输入端设有Focus模块。

作为一可选实施例，所述3D ResUnet的3个下采样层前设有用于扩展感受野的空洞卷积组合。

作为一可选实施例，所述第二分割模型训练的总损失函数中，背景、肝静脉血管、肝静脉血管最外层掩膜、门静脉血管最外层掩膜、门静脉血管、肝静脉与门静脉血管交汇区域的损失函数所占的权重分别为1、1、0.5、0.5、1、1。

作为一可选实施例，所述分割修正模块13具体用于：

S1、将背景、肝静脉血管、肝静脉血管最外层掩膜、门静脉血管最外层掩膜、门静脉血管、肝静脉与门静脉血管交汇区域6个区域的像素点的像素值分别设定为0、1、2、3、4、5；

S2、剔除连通域小于设定阈值的图像区域，剔除像素点像素值为5的图像区域；

S3、分别提取像素点像素值为1、4的图像区域的最大连通域，得到肝静脉主脉和门静脉主脉；

S4、将两个主脉以外的像素值为1、4的剩余血管连通域的像素点像素值修改为与之连接的主脉的像素点像素值1或4；

S5、重复步骤S4，直到修改完两个主脉以外的所有剩余血管连通域的像素点像素值；

S6、计算以每一非0像素点为中心的5×5×5区域内的非0像素点像素值的均值，并用所述均值替换对应像素点的像素值；

S7、将像素值大于0且小于2.5的像素点输出为肝静脉血管类别，将像素值大于或等于2.5的像素点输出为门静脉血管类别。

作为一可选实施例，所述装置还包括光滑处理模块，用于利用三维开运算和三维闭运算对修正后的图像进行形态学矫正。

以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。