CN109993726A - 医学图像的检测方法、装置、设备和存储介质 - Google Patents

Abstract

本申请提供一种医学图像的检测方法、装置、设备和存储介质。该方法包括：获取医学图像；将所述医学图像输入分割模型，得到目标分割图像；所述目标分割图像包括感兴趣区域；将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像；所述病变检测图像包括病变区域的候选位置，所述病变区域位于所述感兴趣区域内；所述分割模型和所述检测模型均为深度学习模型。该方法所提供的分割模型和检测模型的鲁棒性较高，不仅提高了医学图像的分割结果的准确性，而且提高了病变检测的结果的准确性。

Description

医学图像的检测方法、装置、设备和存储介质

技术领域

本申请涉及图像处理领域，特别是涉及一种医学图像的检测方法、装置、设备和存储介质。

背景技术

目前，前列腺癌是威胁全球数百万男性生命的最常见的癌症类型，是导致男性死亡的第二大癌症，因此，前列腺癌早期的诊断和治疗能够大大提高患者的生存率和治愈率。而在前列腺癌早期的诊断中，从患者的医学图像中确定出前列腺的位置是至关重要的一步。

传统技术中，通常是采用机器学习的算法对医学图像进行分割，以得到前列腺的位置。具体的过程可以为：对医学图像进行特征提取，然后采用分类器对提取出的特征进行体素级分类，从而确定出前列腺的具体位置。其中，分类器可以为稀疏表示分类器、随机森林以及Adaboost等。

但是，采用传统的机器学习算法得到的结果，易受到医学图像的各种复杂因素的影响，从而导致医学图像的分割结果的准确率较低，且传统的医学图像的分割算法的鲁棒性较低。

发明内容

基于此，有必要针对传统方式的医学图像的分割结果的准确率较低，且传统的医学图像的分割算法的鲁棒性较低的技术问题，本申请提供一种医学图像的检测方法、装置、设备和存储介质。

一种医学图像的检测方法，包括：

获取医学图像；

将所述医学图像输入分割模型，得到目标分割图像；所述目标分割图像包括感兴趣区域；

将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像；所述病变检测图像包括病变区域的候选位置，所述病变区域位于所述感兴趣区域内；所述分割模型和所述检测模型均为深度学习模型。

在其中一个实施例中，所述分割模型包括第一分割模型和第二分割模型，所述感兴趣区域包括初始感兴趣区域和目标感兴趣区域；

所述将所述医学图像输入分割模型，得到目标分割图像，包括：

将所述医学图像输入所述第一分割模型，得到第一目标分割图像；所述第一目标分割图像包括所述初始感兴趣区域；

将所述第一目标分割图像和所述医学图像输入所述第二分割模型，得到第二目标分割图像；所述第二目标分割图像包括所述目标感兴趣区域。

在其中一个实施例中，所述检测模型包括注意力机制网络；所述将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像，包括：

将所述目标分割图像和所述医学图像输入检测模型，并根据所述检测模型中的采样处理网络和所述注意力机制网络的联合处理，得到病变检测图像。

在其中一个实施例中，所述将所述医学图像输入所述第一分割模型，得到第一目标分割图像，包括：

采用所述第一分割模型对所述医学图像进行层级化的下采样块操作，得到多分辨率的中间特征图，并对所述多分辨率的中间特征图进行层级化的上采样块操作和层级化的特征融合，得到所述第一目标分割图像。

在其中一个实施例中，所述注意力机制网络包括注意力门限块；所述将所述目标分割图像和所述医学图像输入检测模型，并根据所述检测模型中的采样处理网络和所述注意力机制网络的联合处理，得到所述病变检测图像，包括：

将待检测图像进行层级化的下采样块操作，得到多分辨率的中间特征图；所述待检测图像包括所述目标分割图像和所述医学图像；

采用注意力门限块将所述多分辨率的中间特征图逐层进行上采样块操作，得到所述病变检测图像。在其中一个实施例中，所述分割模型是采用图像分割数据集和预设的第一卷积神经网络进行模型训练得到的；其中，所述图像分割数据集包括：原始医学图像和已标注感兴趣区域的医学图像。

在其中一个实施例中，所述检测模型是采用病变检测数据集和预设的第二卷积神经网络进行模型训练得到的；其中，所述病变检测数据集包括：原始医学图像、所述目标分割图像和已标注病变区域的医学图像；所述第二卷积神经网络包括注意力机制网络。

一种医学图像的检测装置，包括：

获取模块，用于获取医学图像；

分割模块，用于将所述医学图像输入分割模型，得到目标分割图像；所述目标分割图像包括感兴趣区域；

病变检测模块，用于将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像；所述病变检测图像包括病变区域的候选位置，所述病变区域位于所述感兴趣区域内；所述分割模型和所述检测模型均为深度学习模型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取医学图像；

将所述医学图像输入分割模型，得到目标分割图像；所述目标分割图像包括感兴趣区域；

将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像；所述病变检测图像包括病变区域的候选位置，所述病变区域位于所述感兴趣区域内；所述分割模型和所述检测模型均为深度学习模型。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取医学图像；

将所述医学图像输入分割模型，得到目标分割图像；所述目标分割图像包括感兴趣区域；

将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像；所述病变检测图像包括病变区域的候选位置，所述病变区域位于所述感兴趣区域内；所述分割模型和所述检测模型均为深度学习模型。

本实施例提供的医学图像的检测方法、装置、设备和存储介质，计算机设备将获取到的医学图像输入分割模型得到目标分割图像，然后将得到的目标分割图像和医学图像输入检测模型得到病变检测图像，从而实现对医学图像中的感兴趣区域的病变检测。由于计算机设备在对医学图像进行分割操作得到感兴趣区域的过程中，所使用的分割模型为深度学习模型，深度学习模型相比传统的机器学习算法的稳定性、鲁棒性较高，因此，提高了医学图像的分割结果的准确性。另外，由于计算机设备输入到检测模型中的输入图像为目标分割图像和医学图像，即在病变检测的过程中，计算机设备将多种图像数据综合利用，形成图像数据的互补，从而提高了病变检测的结果的准确性；同时，计算机设备在病变检测过程中所使用的检测模型为深度学习模型，这样，便进一步提高了病变检测的结果的准确性。

附图说明

图1为一实施例提供的医学图像的检测方法应用的系统架构图；

图2为一实施例提供的医学图像的检测方法流程示意图；

图3为另一实施例提供的医学图像的分割方法流程示意图；

图4为一实施例提供的第一分割模型的网络结构示意图；

图5为一实施例提供的混合块的结构示意图；

图6为一实施例提供的检测模型的网络结构示意图；

图7为一实施例提供的注意力门限块的结构示意图；

图8为一实施例提供的分割模型训练方法流程示意图；

图9为一实施例提供的检测模型训练方法流程示意图；

图10为另一实施例提供的医学图像的检测方法流程示意图；

图11为另一实施例提供的医学图像的检测方法流程示意图；

图12为一实施例提供的医学图像的检测装置结构示意图；

图13为一实施例提供的计算机设备的内部结构示意图。

具体实施方式

本申请提供的医学图像的检测方法，适应于各种医学图像的检测系统，例如MR系统、CT系统、PET系统、PET-CT系统、PET-MR系统以及超声系统等。图1为一实施例提供的医学图像的检测系统的结构示意图，如图1所示，该系统可以包括扫描设备11和计算机设备12，扫描设备11与计算机设备12之间可以通过有线方式通信，也可以通过无线方式通信。可选的，扫描设备11的类型与其所属的系统类型相匹配，即当该系统为MR系统时，扫描设备11为MR扫描设备，当该系统为PET系统时，扫描设备11为PET探测器，本实施例对扫描设备11的具体类型不做限定。可选的，计算机设备12可以为PC、便携式设备、服务器等具有数据处理功能的电子设备，本实施例对计算机设备12的具体形式并不做限定。在计算机设备12从扫描设备11获取到扫描数据之后，计算机设备12可以根据扫描数据进行图像重建，并对重建好的图像进行检测。

可以理解的是，上述医学图像的检测系统可以用于对待测者的器官或组织的医学图像进行分割和检测，从而辅助医生进行诊断。

需要说明的是，本申请实施例提供的医学图像的检测方法，其执行主体可以是医学图像的检测装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例的执行主体以计算机设备为例来进行说明。

为了使本申请的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本申请实施例中的技术方案进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

图2为一实施例提供的医学图像的检测方法流程示意图。本实施例涉及的是计算机设备如何对医学图像进行病变检测的具体过程。如图2所示，该方法可以包括：

S101、获取医学图像。

具体的，上述医学图像可以为某一种特定模态的图像，也可以为某一种分辨率的图像，还可以为多种模态或多种分辨率的图像。其可以为磁共振成像(Magnetic ResonanceImaging，MRI)图像，也可以为电子计算机断层扫描(Computed Tomography，CT)图像，还可以为正电子发射计算机断层扫描(Positron Emission Tomography，PET)图像，还可以为超声图像等。以医学图像为MRI图像为例，该MRI图像可以为T1加权图像，也可以为T2加权图像，还可以为表观弥散系数(Apparent Diffusion Coefficient，ADC)、扩散加权成像(DiffusionWeighted Imaging，DWI)图像。计算机设备可以通过对扫描设备采集到的患者的待检查部位的数据进行图像重建，从而得到患者的医学图像。当然，医学图像也可以预先重建好，存储在计算机设备中，当需要对其进行医学图像检测时，直接从计算机设备的存储器中读取医学图像。当然，计算机设备也可以从外部设备中获取医学图像。比如，将患者的医学图像存储在云端，当需要进行医学图像检测操作时，计算机设备从云端获取该患者的医学图像。本实施例对获取医学图像的获取方式不做限定。

S102、将所述医学图像输入分割模型，得到目标分割图像；所述目标分割图像包括感兴趣区域。

具体的，目标分割图像为计算机设备对上述获取到的医学图像进行分割后得到的图像，感兴趣区域为目标分割图像上目标定位对象所在的区域。以目标定位对象为前列腺体为例，计算机设备将包含前列腺体的医学图像输入分割模型，分割模型的输出便可实现前列腺体在医学图像中的定位，此时，定位出的前列腺体即为感兴趣区域。其中，对医学图像进行分割操作的分割模型为深度学习模型。可选的，分割模型可以为U-Net、Deepmedic、V-Net、PSPNet或者DeepLab。

在医学图像的分割过程中，由于输入至分割模型中的医学图像可以为多种模态或者多种分辨率的医学图像，这样，便综合利用了多种模态或者多种分辨率的医学图像的影像信息，从而提高分割结果的稳定性。

S103、将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像；所述病变检测图像包括病变区域的候选位置，所述病变区域位于所述感兴趣区域内；所述分割模型和所述检测模型均为深度学习模型。

具体的，在定位出医学图像上的感兴趣区域之后，还需要对感兴趣区域内是否存在病变进行检测，此时，计算机设备将上述得到的目标分割图像和原始的医学图像进行组合，作为检测模型的输入，通过检测模型的检测操作后得到包含病变区域的候选位置的病变检测图像。可选的，上述得到的病变检测图像中还可以包括病变区域的检测概率。其中，病变区域为感兴趣区域内可能发生病变的区域。上述检测模型为深度学习模型。继续以感兴趣区域为前列腺体为例，计算机设备将已分割出前列腺体的目标分割图像和未分割出前列腺体的医学图像输入检测模型进行检测操作后，便可以得到前列腺体中存在的病变区域，另外，还可以得到前列腺体中的病变区域的概率图。可选的，检测模型可以为U-Net、Deepmedic、V-Net、PSPNet或者DeepLab。本实施例提供的医学图像的检测方法，计算机设备将获取到的医学图像输入分割模型得到目标分割图像，然后将得到的目标分割图像和医学图像输入检测模型得到病变检测图像，从而实现对医学图像中的感兴趣区域的病变检测。由于计算机设备在对医学图像进行分割操作得到感兴趣区域的过程中，所使用的分割模型为深度学习模型，深度学习模型相比传统的机器学习算法的稳定性、鲁棒性较高，因此，提高了医学图像的分割结果的准确性。另外，由于计算机设备输入到检测模型中的输入图像为目标分割图像和医学图像，即在病变检测的过程中，计算机设备将多种图像数据综合利用，形成图像数据的互补，从而提高了病变检测的结果的准确性。

在实际应用中，为了降低计算机设备对医学图像检测的复杂度，提高分割模型的稳定性。可选的，计算机设备可以将上述对医学图像的分割过程分解为若干个子过程。可选的，上述分割模型包括第一分割模型和第二分割模型，上述感兴趣区域包括初始感兴趣区域和目标感兴趣区域。这样，计算机设备可以采用如图3所示的过程进行医学图像的分割。具体的，如图3所示，上述S102可以包括：

S201、将所述医学图像输入所述第一分割模型，得到第一目标分割图像；所述第一目标分割图像包括所述初始感兴趣区域。

具体的，第一目标分割图像为对医学图像进行粗分割后得到的图像，初始感兴趣区域为在粗分割后得到的第一目标分割图像上目标定位对象所在的位置区域。

计算机设备将医学图像输入第一分割模型进行粗分割，得到目标定位对象大致所在的位置区域，即得到初始感兴趣区域。继续以目标定位对象为前列腺体为例，计算机设备将获取到的医学图像输入第一分割模型，便可以得到包含前列腺体大致位置区域的第一目标分割图像。

上述第一分割模型的网络结构如图4所示，从图4可以看出，第一分割模型包括N个下采样块、N个上采样块以及多个混合块。图4中的输入块用于输入医学图像，输出块用于输出目标分割图像。首先，为了对上一个下采样块输出的特征图进行降维，有效得减少计算量，为此，每个下采样块中的各个卷积层中均包括两种卷积核，其中一种卷积核的大小为1*1*1，即在下采样中的残差模块中增加了一个卷积核大小为1*1*1的卷积操作。其次，上采样过程中包括的混合块用于将多个上采样块的输出结果进行混合操作，即通过混合块可以实现对不同尺度大小的特征图进行从小到大，自底向上的纵向连接，从而得到更为准确的分割结果。其中，混合块的结构如图5所示，混合块对一个输入图像进行上采样操作，对另一个输入图像进行第一卷积操作，并对上采样操作后的结果和第一卷积操作后的结果进行求和，然后对求和后的结果进行第二卷积操作。

需要说明的是，图4仅以第一分割模型中包括的下采样块和上采样块的个数N为4为例示出，本实施例并未具体限定第一分割模型中包括的下采样块和上采样块的具体个数，可以根据实际应用需求，对第一分割模型中包括的下采样块和上采样块的个数N进行相应得设置。

可选的，上述S201可以为：采用所述第一分割模型对所述医学图像进行层级化的下采样块操作，得到多分辨率的中间特征图，并对所述多分辨率的中间特征图进行层级化的上采样块操作和层级化的特征融合，得到所述第一目标分割图像。

具体的，在使用所述第一分割模型对所述医学图像进行N次下采样块操作，得到所述医学图像的特征图后，当使用所述第一分割模型对所述医学图像的特征图进行第M+1次上采样块操作时，将第M次上采样块的输出结果和第M+1次上采样块的输出结果输入至第M次混合块中，对所述第M次上采样块的输出结果进行上采样操作，以及对所述第M+1次上采样块的输出结果进行第一卷积操作，并将上采样操作后的结果和第一卷积操作后的结果进行求和，并对求和后的结果进行第二卷积操作，将第二卷积操作后的结果作为第M+1次混合块的输入数据，直到得到所述第一目标分割图像；其中，所述N，所述M均为大于或等于1的整数。

示例性的，以第一分割模型中包括的下采样块和上采样块的个数N为4为例，介绍计算机设备通过第一分割模型对医学图像的分割过程，具体的：计算机设备将医学图像输入第一分割模型中，先通过对医学图像进行4次下采样块操作，得到医学图像的特征图后，然后对医学图像的特征图进行第1次上采样块操作和第2次上采样块操作，并将第1次上采样块的输出结果和第2次上采样块的输出结果作为第1次混合块的输入数据，接着，对第2次上采样块的输出结果进行第3次上采样块操作，并将第3次上采样块的输出结果和第1次混合块的输出结果作为第2次混合块的输入数据，再接着，对第3次上采样块的输出结果进行第4次上采样块操作，并将第4次上采样块的输出结果和第2次混合块的输出结果作为第3次混合块的输入数据，经过第3次混合块操作后得到的图像即为第一目标分割图像。其中，在计算机设备使用第一分割模型对医学图像进行第N次下采样块操作时，计算机设备分别采用大小为1*1*1的卷积核以及大小为非1*1*1的卷积核对第N-1次下采样块处理后的图像进行多个卷积层的卷积操作，得到第N-1次下采样块处理后的图像的特征图。通过在下采样块中增加大小为1*1*1的卷积核的卷积操作，对上一层网络输出的特征图进行了降维，有效得减少了计算量。

S202、将所述第一目标分割图像和所述医学图像输入所述第二分割模型，得到第二目标分割图像；所述第二目标分割图像包括所述目标感兴趣区域。

具体的，第二目标分割图像为对输入至第二分割模型的图像进行精细分割后得到的图像，目标感兴趣区域为在精细分割后得到的第二目标分割图像上目标定位对象所在的位置区域。

在得到第一目标分割图像之后，为了得到更精细的分割结果，计算机设备将得到的第一目标分割图像和原始的医学图像进行组合，输入至第二分割模型进行再次分割，此次分割主要将初始感兴趣区域作为待分割主体，通过精分割判定边界的策略对粗分割得到的结果进行精细修改，得到更为准确、精细的分割结果。即通过第二分割模型分割后得到的目标感兴趣区域相比初始感兴趣区域更为接近实际对象。

上述第二分割模型的网络结构与第一分割模型的网络结构相同，即第二分割模型也包括N个下采样块、N个上采样块以及多个混合块。关于第二分割模型的具体描述可以参照第一分割模型的描述过程，本实施例在此不再一一赘述。

可选的，上述S202可以为：采用所述第二分割模型对所述医学图像和所述第一目标分割图像进行层级化的下采样块操作，得到多分辨率的中间特征图，并对所述多分辨率的中间特征图进行层级化的上采样块操作和层级化的特征融合，得到所述第二目标分割图像。

具体的，在使用所述第二分割模型对所述第一目标分割图像和医学图像进行N次下采样块操作，得到所述待分割图像(其中，所述待分割图像为第一目标分割图像和医学图像)的特征图后，当使用所述第二分割模型对所述待分割图像的特征图进行第M+1次上采样块操作时，将第M次上采样块的输出结果和第M+1次上采样块的输出结果输入至第M次混合块中，对所述第M次上采样块的输出结果进行上采样操作，以及对所述第M+1次上采样块的输出结果进行第一卷积操作，并将上采样操作后的结果和第一卷积操作后的结果进行求和，并对求和后的结果进行第二卷积操作，将第二卷积操作后的结果作为第M+1次混合块的输入数据，直到得到所述第二目标分割图像；其中，所述N，所述M均为大于或等于1的整数。

示例性的，以第二分割模型中包括的下采样块和上采样块的个数N为4为例，介绍计算机设备通过第二分割模型对第一目标分割图像和医学图像的分割过程，具体的：计算机设备将第一目标分割图像和医学图像作为待分割图像，输入第二分割模型中，先通过对待分割图像进行4次下采样块操作，得到待分割图像的特征图后，然后对待分割图像的特征图进行4次上采样块操作、3次混合块操作，经过第3次混合块操作后得到的图像即为第二目标分割图像。其中，在计算机设备使用第二分割模型对待分割图像进行第N次下采样块操作时，计算机设备分别采用大小为1*1*1的卷积核以及大小为非1*1*1的卷积核对第N-1次下采样块处理后的待分割图像进行多个卷积层的卷积操作，得到第N-1次下采样块处理后的待分割图像的特征图。

在上述医学图像的分割过程中，在计算机设备对医学图像进行分割的过程中，计算机设备先通过第一分割模型对医学图像进行分割得到第一目标分割图像，然后通过第二分割模型对第一目标分割图像和医学图像进行分割得到第二目标分割图像，从而得到更为精细的分割结果。由于计算机设备采用多层级分割的策略，将对医学图像进行分割的过程分解为粗分割和精细分割的过程，粗分割定位初始感兴趣区域的位置，精细分割得到更为精细的目标感兴趣区域，从粗到细对分割结果进行多次精细修改。这样，便将一个复杂的图像分割过程分解为若干个过程，降低了医学图像检测的复杂度，提高了分割模型的稳定性，从而进一步提高了分割结果的准确性。

在实际应用中，为了更好得将检测模型的注意力集中到感兴趣区域，可选的，检测模型包括注意力机制网络。可选的，上述S103可以为：将所述目标分割图像和所述医学图像输入检测模型，并根据所述检测模型中的采样处理网络和所述注意力机制网络的联合处理，得到病变检测图像。

其中，采样处理网络包括至少一个下采样块处理网络和至少一个上采样块处理网络。

可选的，注意力机制网络包括注意力门限块。上述将所述目标分割图像和所述医学图像输入检测模型，并根据所述检测模型中的采样处理网络和所述注意力机制网络的联合处理，得到病变检测图像的过程可以为：将待检测图像进行层级化的下采样块操作，得到多分辨率的中间特征图，并采用注意力门限块对所述多分辨率的中间特征图逐层进行增强和抑制，并且进行上采样块操作，得到所述病变检测图像；所述待检测图像包括所述目标分割图像和所述医学图像。

具体的，在使用所述检测模型对所述目标分割图像和所述医学图像进行N次下采样块操作，得到待检测图像的特征图后，当使用所述检测模型对所述待检测图像的特征图进行第M+1次上采样块操作时，将第M次上采样块的输出结果和第N-M-1次下采样块的输出结果作为第M+1次注意力门限块的输入，并将所述第M+1次注意力门限块输出的特征图作为第M+1次上采样块的输入数据，直到得到所述病变检测图像；其中，所述待检测图像包括所述目标分割图像和所述医学图像；所述检测模型均包含N个下采样块和N个上采样块，所述N、M均为大于或等于1的整数。

在一个实施例中，检测模型的网络结构如图6所示，从图6可以看出，检测模型包括N个下采样块、N个上采样块和多个注意力门限块。图6中的输入块用于输入待检测图像，输出块用于输出病变检测图像。首先，为了对上一个下采样块输出的特征图进行降维，有效得减少计算量，为此，每个下采样块中的各个卷积层中均包括两种卷积核，其中一种卷积核的大小为1*1*1，即在下采样中的残差模块中增加了一个卷积核大小为1*1*1的卷积操作。其次，上采样过程中包括的注意力门限块用于将第M次上采样块的输出结果和第N-M-1次的下采样块的输出结果进行处理，得到第M+1次上采样块的输入数据。

以检测模型中包括4次上采样块和4次下采样块为例介绍上述计算机设备将所述目标分割图像和所述医学图像输入检测模型，并根据所述检测模型中的采样处理网络和所述注意力机制网络的联合处理，得到病变检测图像的过程，具体的如下：

在计算机设备得到包含感兴趣区域的目标分割图像之后，计算机设备将目标分割图像和医学图像进行组合作为待检测图像，输入检测模型中。计算机设备先使用检测模型对待检测图像进行4次下采样块操作，得到待检测图像的特征图，然后继续使用检测模型对待检测图像的特征图进行4次上采样块操作，第4次上采样块操作后得到的图像即为病变检测图像。为了能够将检测模型的注意力集中到感兴趣区域，计算机设备在对待检测图像的特征图进行第1次上采样块操作时，计算机设备将第3次下采样块的输出结果和第4次下采样块的输出结果作为第1次注意力门限块的输入，经过第1次注意力门限块的处理，并将第1次注意力门限块处理后得到的特征图和第4次下采样块的输出结果作为第1次上采样块的输入数据，进行第1次上采样块操作。接着，在对第1次上采样块的输出结果进行第2次上采样块操作时，还将第1次上采样块的输出结果和第2次下采样块的输出结果作为第2次注意力门限块的输入，经过第2次注意力门限块的处理，并将第2次注意力门限块处理后得到的特征图和第1次上采样块的输出结果作为第2次上采样块的输入数据，依次类推，直到处理到第4次上采样块操作后，即可得到病变检测图像。

其中，注意力门限块的结构可以如图7所示，对第M次上采样块的输出结果(图7中的一个输入)进行卷积操作，得到所述第M次上采样块的输出结果卷积后的结果；对所述第N-M-1次下采样块的输出结果(图7中的另一个输入)进行卷积操作，得到所述第N-M-1次下采样块的输出结果卷积后的结果；对所述第M次上采样块的输出结果卷积后的结果和所述第N-M-1次下采样块的输出结果卷积后的结果进行求和操作，并对求和结果进行第一激活操作、卷积操作以及第二激活操作，得到操作处理后的特征图(图7中的激活后的输出)；对所述操作处理后的特征图和所述第N-M-1次下采样块的输出结果进行点乘。

本实施例提供的医学图像的检测方法，在计算机设备对待检测图像进行病变检测的过程中，所使用的检测模型中包括了注意力机制网络，通过在检测模型中引入注意力机制网络，计算机设备便可以将注意力集中到目标分割图像中的感兴趣区域，使得计算机设备能够有选择得处理图像中的各个特征，即计算机设备尽可能选择对病变检测结果影响较大的特征进行处理，从而减少了对图像中所有特征进行相同权重的处理导致的检测结果误差，从而提高了医学图像的检测结果的准确性。

在上述S102之前，还需要对医学图像的分割过程所使用的分割模型进行模型训练，可选的，上述分割模型是采用图像分割数据集和预设的第一基础V-Net模型进行模型训练得到的；其中，所述图像分割数据集包括：原始医学图像和已标注感兴趣区域的医学图像。

具体的模型训练过程可以参照如图8所示的过程，具体的，在上述S102之前，该方法还包括：

S301、根据图像分割数据集和预设的第一卷积神经网络进行模型训练，确定损失函数的损失值达到预设阈值并保持稳定时，所述第一卷积神经网络的图像分割参数的实际值；其中，所述第一卷积神经网络中包括图像分割参数的初始值。

具体的，在进行模型训练之前，计算机设备可以对图像分割数据集进行数据预处理和数据增强。数据预处理的过程中，为了使训练过程更为全面，使训练得到的分割模型的鲁棒性更高，计算机设备采用的图像分割数据为多种模态的图像数据，或者多种不同分辨率的图像数据。这样，计算机设备需要对多种图像分割数据进行配准、重采样、非均匀校正、灰度直方图匹配等操作。为了便于图像的处理，还需要对图像分割数据进行归一化操作。

为了使模型训练过程中采用的图像分割数据集中的数据更多，计算机设备需要对图像分割数据集进行数据扩充。在一个实施例中，计算机设备可以采用水平翻折镜像对图像分割数据集进行数据扩充。在另一个实施例中，计算机设备可以对每一个图像分割数据进行裁剪，以实现对图像分割数据集的数据扩充，即随机选择一个位置作为裁剪中心对每一个图像分割数据进行裁剪。

可选的，第一卷积神经网络可以为V-Net模型，U-Net模型，也可以为其它类型的模型。随着训练的进行，损失函数的损失值保持一个稳定值，从而达到模型收敛。

S302、将所述第一卷积神经网络中的图像分割参数的初始值替换为所述图像分割参数的实际值，得到所述分割模型。

本实施例提供的医学图像的检测方法，由于对医学图像的分割过程中所使用的分割模型是根据图像分割数据集和第一卷积神经网络进行模型训练得到的，且第一卷积神经网络为深度学习模型，因此，训练得到的分割模型即为深度学习模型，同时，深度学习模型相比传统的机器学习算法的鲁棒性更高，即分割模型的鲁棒性更高，这样，便提高了通过分割模型得到的分割结果的准确性。

在上述S103之前，还需要对医学图像和目标分割图像的病变检测过程中所使用的检测模型进行训练，可选的，上述检测模型是采用病变检测数据集和预设的第二卷积神经网络进行模型训练得到的；其中，所述病变检测数据集包括：原始医学图像、所述目标分割图像和已标注病变区域的医学图像；所述第二卷积神经网络包括注意力机制网络。

具体的模型训练过程可以参照如图9所示的过程，具体的，在上述S103之前，该方法还包括：

S401、根据病变检测数据集和预设的第二卷积神经网络进行模型训练，确定损失函数的损失值达到预设阈值并保持稳定时，所述第二卷积神经网络的病变检测参数的实际值；其中，所述第二卷积神经网络中包括病变检测参数的初始值。

具体的，在进行模型训练之前，计算机设备可以对病变检测数据集进行数据预处理和数据增强。关于计算机设备对病变检测数据集进行数据预处理和数据增强的过程可以参照计算机设备对图像分割数据集进行数据预处理和数据增强的过程，本实施例在此不再赘述。

可选的，第二卷积神经网络可以为V-Net模型，U-Net模型，也可以为其它类型的模型。

S402、将所述第二卷积神经网络中的病变检测参数的初始值替换为所述病变检测参数的实际值，得到所述检测模型。

本实施例提供的医学图像的检测方法，由于对待检测图像(待检测图像包括目标分割图像和医学图像)的病变检测过程中所使用的检测模型是根据病变检测数据集和第二卷积神经网络进行模型训练得到的，且第二卷积神经网络为深度学习模型，因此，训练得到的检测模型即为深度学习模型，同时，深度学习模型相比传统的机器学习算法的鲁棒性更高，即得到的检测模型的鲁棒性更高，这样，便提高了通过检测模型得到的检测结果的准确性。

为了便于本领域技术人员的理解，以感兴趣区域为前列腺体为例对本实施例提供的医学图像的检测方法进行详细介绍，具体的，如图10和图11所示，该方法包括：

S501、获取医学图像。

S502、将所述医学图像输入所述第一分割模型，得到第一目标分割图像；所述第一目标分割图像包括所述初始感兴趣区域。

其中，计算机设备将医学图像输入第一分割模型进行粗分割，得到包含初始感兴趣区域的第一目标分割图像。初始感兴趣区域为前列腺体在第一目标分割图像中的位置区域。

S503、将所述第一目标分割图像和所述医学图像输入所述第二分割模型，得到第二目标分割图像；所述第二目标分割图像包括所述目标感兴趣区域。

其中，计算机设备将已分割出前列腺体的第一目标分割图像和未分割出前列腺体的医学图像输入第二分割模型进行精分割，得到包含目标感兴趣区域的第二目标分割图像。目标感兴趣区域为前列腺体在第二目标分割图像中更为准确的位置区域。

S504、将所述目标分割图像和所述医学图像输入检测模型，并根据所述检测模型中的采样处理网络和所述注意力机制网络的联合处理，得到病变检测图像。

其中，病变检测图像中包括病变区域，病变区域位于目标感兴趣区域内部。另外，病变检测图像中还可以包括病变区域的概率图。

本实施例提供的医学图像的检测方法，由于计算机设备通过模型级联的方式对医学图像进行分割，从而得到目标感兴趣区域，即计算机设备通过多层级分割策略，从粗分割到细分割的过程实现对分割结果的多次精细修改。这样，便降低了分割模型的复杂度，提高了分割模型的鲁棒性，从而提高了分割结果的准确性。另外，计算机设备通过检测模型对待检测图像进行病变检测过程中，在检测模型中引入了注意力机制网络，从而使得计算机设备可以将注意力集中到感兴趣区域，使得计算机设备能够有选择得处理图像中的各个特征，即计算机设备尽可能选择对病变检测结果影响较大的特征进行处理，从而避免了对图像中所有特征进行相同权重的处理而带来的干扰问题，从而提高了医学图像的检测结果的准确性。

应该理解的是，虽然图2、图3、图8、图9、图10和图11的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图3、图8、图9、图10和图11中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

图12为一实施例提供的医学图像的检测装置结构示意图。如图12所示，该装置可以包括：获取模块20、分割模块21和病变检测模块22。

具体的，获取模块20用于获取医学图像；

分割模块21用于将所述医学图像输入分割模型，得到目标分割图像；所述目标分割图像包括感兴趣区域；

病变检测模块22用于将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像；所述病变检测图像包括病变区域的候选位置，所述病变区域位于所述感兴趣区域内；所述分割模型和所述检测模型均为深度学习模型。

本实施例提供的医学图像的检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

可选的，所述分割模型包括第一分割模型和第二分割模型，所述感兴趣区域包括初始感兴趣区域和目标感兴趣区域；分割模块21可以包括：第一分割单元和第二分割单元。

具体的，第一分割单元用于将所述医学图像输入所述第一分割模型，得到第一目标分割图像；所述第一目标分割图像包括所述初始感兴趣区域；

第二分割单元用于将所述第一目标分割图像和所述医学图像输入所述第二分割模型，得到第二目标分割图像；所述第二目标分割图像包括所述目标感兴趣区域。

本实施例提供的医学图像的检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

可选的，所述检测模型包括注意力机制网络；病变检测模块22具体用于将所述目标分割图像和所述医学图像输入检测模型，并根据所述检测模型中的采样处理网络和所述注意力机制网络的联合处理，得到病变检测图像。

可选的，第一分割单元具体用于采用所述第一分割模型对所述医学图像进行层级化的下采样块操作，得到多分辨率的中间特征图，并对所述多分辨率的中间特征图进行层级化的上采样块操作和层级化的特征融合，得到所述第一目标分割图像。

可选的，所述注意力机制网络包括注意力门限块；病变检测模块22具体用于将待检测图像进行层级化的下采样块操作，得到多分辨率的中间特征图，并采用注意力门限块将所述多分辨率的中间特征图逐层进行上采样块操作，得到所述病变检测图像；所述待检测图像包括所述目标分割图像和所述医学图像。可选的，所述分割模型是采用图像分割数据集和预设的第一卷积神经网络进行模型训练得到的；其中，所述图像分割数据集包括：原始医学图像和已标注感兴趣区域的医学图像。

可选的，所述检测模型是采用病变检测数据集和预设的第二卷积神经网络进行模型训练得到的；其中，所述病变检测数据集包括：原始医学图像、所述目标分割图像和已标注病变区域的医学图像；所述第二卷积神经网络包括注意力机制网络。

本实施例提供的医学图像的检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

关于医学图像的检测装置的具体限定可以参见上文中对于医学图像的检测方法的限定，在此不再赘述。上述医学图像的检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备的内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医学图像的检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，示例性的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，上述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序在被所述处理器执行时实现如下步骤：

获取医学图像；

将所述医学图像输入分割模型，得到目标分割图像；所述目标分割图像包括感兴趣区域；

将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像；所述病变检测图像包括病变区域的候选位置，所述病变区域位于所述感兴趣区域内；所述分割模型和所述检测模型均为深度学习模型。

可选的，所述分割模型包括第一分割模型和第二分割模型，所述感兴趣区域包括初始感兴趣区域和目标感兴趣区域；在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述医学图像输入所述第一分割模型，得到第一目标分割图像；所述第一目标分割图像包括所述初始感兴趣区域；将所述第一目标分割图像和所述医学图像输入所述第二分割模型，得到第二目标分割图像；所述第二目标分割图像包括所述目标感兴趣区域。

可选的，所述检测模型包括注意力机制网络；在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述目标分割图像和所述医学图像输入检测模型，并根据所述检测模型中的采样处理网络和所述注意力机制网络的联合处理，得到病变检测图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：采用所述第一分割模型对所述医学图像进行层级化的下采样块操作，得到多分辨率的中间特征图，并对所述多分辨率的中间特征图进行层级化的上采样块操作和层级化的特征融合，得到所述第一目标分割图像。

可选的，所述注意力机制网络包括注意力门限块；在一个实施例中，处理器执行计算机程序时还实现以下步骤：将待检测图像进行层级化的下采样块操作，得到多分辨率的中间特征图；并采用注意力门限块将所述多分辨率的中间特征图逐层进行上采样块操作，得到所述病变检测图像；所述待检测图像包括所述目标分割图像和所述医学图像。可选的，所述分割模型是采用图像分割数据集和预设的第一卷积神经网络进行模型训练得到的；其中，所述图像分割数据集包括：原始医学图像和已标注感兴趣区域的医学图像。

可选的，所述检测模型是采用病变检测数据集和预设的第二卷积神经网络进行模型训练得到的；其中，所述病变检测数据集包括：原始医学图像、所述目标分割图像和已标注病变区域的医学图像；所述第二卷积神经网络包括注意力机制网络。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取医学图像；

将所述医学图像输入分割模型，得到目标分割图像；所述目标分割图像包括感兴趣区域；

将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像；所述病变检测图像包括病变区域的候选位置，所述病变区域位于所述感兴趣区域内；所述分割模型和所述检测模型均为深度学习模型。

可选的，所述分割模型包括第一分割模型和第二分割模型，所述感兴趣区域包括初始感兴趣区域和目标感兴趣区域；在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将所述医学图像输入所述第一分割模型，得到第一目标分割图像；所述第一目标分割图像包括所述初始感兴趣区域；将所述第一目标分割图像和所述医学图像输入所述第二分割模型，得到第二目标分割图像；所述第二目标分割图像包括所述目标感兴趣区域。

可选的，所述检测模型包括注意力机制网络；在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将所述目标分割图像和所述医学图像输入检测模型，并根据所述检测模型中的采样处理网络和所述注意力机制网络的联合处理，得到病变检测图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：采用所述第一分割模型对所述医学图像进行层级化的下采样块操作，得到多分辨率的中间特征图，并对所述多分辨率的中间特征图进行层级化的上采样块操作和层级化的特征融合，得到所述第一目标分割图像。

可选的，所述注意力机制网络包括注意力门限块；在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将待检测图像进行层级化的下采样块操作，得到多分辨率的中间特征图；并采用注意力门限块将所述多分辨率的中间特征图逐层进行上采样块操作，得到所述病变检测图像；所述待检测图像包括所述目标分割图像和所述医学图像。

可选的，所述分割模型是采用图像分割数据集和预设的第一卷积神经网络进行模型训练得到的；其中，所述图像分割数据集包括：原始医学图像和已标注感兴趣区域的医学图像。

可选的，所述检测模型是采用病变检测数据集和预设的第二卷积神经网络进行模型训练得到的；其中，所述病变检测数据集包括：原始医学图像、所述目标分割图像和已标注病变区域的医学图像；所述第二卷积神经网络包括注意力机制网络。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种医学图像的检测方法，其特征在于，包括：

获取医学图像；

将所述医学图像输入分割模型，得到目标分割图像；所述目标分割图像包括感兴趣区域；

将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像；所述病变检测图像包括病变区域的候选位置，所述病变区域位于所述感兴趣区域内；所述分割模型和所述检测模型均为深度学习模型。

2.根据权利要求1所述的方法，其特征在于，所述分割模型包括第一分割模型和第二分割模型，所述感兴趣区域包括初始感兴趣区域和目标感兴趣区域；

所述将所述医学图像输入分割模型，得到目标分割图像，包括：

将所述医学图像输入所述第一分割模型，得到第一目标分割图像；所述第一目标分割图像包括所述初始感兴趣区域；

将所述第一目标分割图像和所述医学图像输入所述第二分割模型，得到第二目标分割图像；所述第二目标分割图像包括所述目标感兴趣区域。

3.根据权利要求1所述的方法，其特征在于，所述检测模型包括注意力机制网络；所述将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像，包括：

将所述目标分割图像和所述医学图像输入检测模型，并根据所述检测模型中的采样处理网络和所述注意力机制网络的联合处理，得到病变检测图像。

4.根据权利要求2所述的方法，其特征在于，所述将所述医学图像输入所述第一分割模型，得到第一目标分割图像，包括：

采用所述第一分割模型对所述医学图像进行层级化的下采样块操作，得到多分辨率的中间特征图，并对所述多分辨率的中间特征图进行层级化的上采样块操作和层级化的特征融合，得到所述第一目标分割图像。

5.根据权利要求3所述的方法，其特征在于，所述注意力机制网络包括注意力门限块；所述将所述目标分割图像和所述医学图像输入检测模型，并根据所述检测模型中的采样处理网络和所述注意力机制网络的联合处理，得到所述病变检测图像，包括：

将待检测图像进行层级化的下采样块操作，得到多分辨率的中间特征图；所述待检测图像包括所述目标分割图像和所述医学图像；

采用注意力门限块将所述多分辨率的中间特征图逐层进行上采样块操作，得到所述病变检测图像。

6.根据权利要求1所述的方法，其特征在于，所述分割模型是采用图像分割数据集和预设的第一卷积神经网络进行模型训练得到的；其中，所述图像分割数据集包括：原始医学图像和已标注感兴趣区域的医学图像。

7.根据权利要求1所述的方法，其特征在于，所述检测模型是采用病变检测数据集和预设的第二卷积神经网络进行模型训练得到的；其中，所述病变检测数据集包括：原始医学图像、所述目标分割图像和已标注病变区域的医学图像；所述第二卷积神经网络包括注意力机制网络。

8.一种医学图像的检测装置，其特征在于，包括：

获取模块，用于获取医学图像；

分割模块，用于将所述医学图像输入分割模型，得到目标分割图像；所述目标分割图像包括感兴趣区域；

病变检测模块，用于将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像；所述病变检测图像包括病变区域的候选位置，所述病变区域位于所述感兴趣区域内；所述分割模型和所述检测模型均为深度学习模型。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

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