CN110599467B - 非限束器区域检测方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种非限束器区域检测方法、装置、计算机设备和存储介质。所述方法包括：利用预设的分割模型对医学图像进行检测，得到目标区域概率分布图；基于目标区域概率分布图，生成医学图像对应的目标区域掩模图；根据目标区域掩模图，得到非限束器区域。采用本方法能够提高准确性。

Description

非限束器区域检测方法、装置、计算机设备和存储介质

技术领域

本申请涉及图像处理技术领域，特别是涉及一种非限束器区域检测方法、装置、计算机设备和存储介质。

背景技术

在X射线设备中，限束器是用来遮挡被拍摄者不必要接收X射线的区域，以减少被拍摄者所受X射线的剂量。因此，通常使用X射线设备成像的图像中包括限束器区域和非限束器区域。而由于被限束器遮挡的区域为非诊断区域，因此需要在最终的成像图像上排除。限束器区域排除错误会导致诊断区域丢失，形成废片。限束器区域未被排除干净时，残留的限束器区域同样会对图像的整体对比度，图像的处理效果产生一定的影响。因此，需要在采集的图像上正确的检测出限束器区域。

目前，传统得到非限束器区域通常是使用电动限束器，通过电动限束器反馈的坐标进行检测。然而，电动限束器在反馈坐标时通常存在精度误差，导致反馈的坐标不准确，从而降低获取非限束器区域的准确度。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高准确性的非限束器区域检测、装置、计算机设备和存储介质。

一种非限束器区域检测方法，所述方法包括：

利用预设的分割模型对医学图像进行检测，得到目标区域概率分布图；

基于所述目标区域概率分布图，生成所述医学图像对应的目标区域掩模图；

根据所述目标区域掩模图，得到非限束器区域。

在其中一个实施例中，所述分割模型包括隐藏层，所述隐藏层包括残差模块和通道注意力模块；

所述利用预设的分割模型对医学图像进行检测，得到目标区域概率分布图，包括：

利用所述隐藏层中的所述残差模块和所述通道注意力模块对所述医学图像进行特征提取，得到所述医学图像对应的特征图；

对最后一层所述隐藏层得到的特征图进行卷积和归一化，得到目标区域概率分布图。

在其中一个实施例中，所述基于所述目标区域概率分布图，生成所述医学图像对应的目标区域掩模图的步骤，包括：

判断所述目标区域概率分布图上各子目标区域的概率是否大于预设阈值；

当所述目标区域的概率大于预设阈值时，将所述目标区域中像素的像素值设为1；

当所述目标区域的概率小于等于预设阈值时，将所述目标区域中像素的像素值设为0。

将设置了对应像素值的图像作为所述医学图像对应的目标区域掩模图。

在其中一个实施例中，所述根据所述目标区域掩模图，得到非限束器区域的步骤：

根据所述目标区域掩模图像，计算得到非限束器区域的凸包点；

根据所述凸包点确定非限束器区域的边界，得到非限束器区域。

在其中一个实施例中，所述根据所述凸包点确定非限束器区域的边界，得到非限束器区域，包括：

根据所述凸包点得到对应的凸多边形；

基于预设边数，对所述凸多边形进行调整；

将调整后的凸多边形作为非限束器区域的边界，根据所述非限束器区域的边界得到非限束器区域。

在其中一个实施例中，所述基于预设边数，对所述凸多边形进行调整，包括：

当所述凸多边形的边数大于预设边数时，获取所述凸多边形的最短边或获取所述凸多边形的相邻边；

去除所述凸多边形的最短边或合并所述相邻边，得到调整后的凸多边形。

在其中一个实施例中，所述利用预设的分割模型对医学图像进行检测，得到目标区域概率分布图之前，还包括：训练所述分割模型；

所述分割模型的训练过程包括：

获取样本医学图像以及与所述样本医学图像对应的已标注限束器区域和非限束器区域的掩模图像；

基于预设的学习率和损失函数，将所述样本医学图像和所述掩模图像输入至分割模型进行迭代训练，直到所述损失函数收敛为止，将所述损失函数收敛后的分割模型作为预设的分割模型。

一种非限束器区域检测装置，所述装置包括：

检测模块，用于利用预设的分割模型对医学图像进行检测，得到目标区域概率分布图；

生成模块，用于基于所述目标区域概率分布图，生成所述医学图像对应的目标区域掩模图；

计算模块，用于根据所述目标区域掩模图，得到非限束器区域。

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上述任一项所述非限束器区域检测方法的步骤。

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上述任一项所述非限束器区域检测方法的步骤。

上述非限束器区域检测方法、装置、计算机设备和存储介质，通过利用预设的图像分割模型对医学图像进行检测，得到目标区域概率分布图。基于目标区域概率分布图生成对应的目标区域掩模图，然后根据该目标区域掩模图得到非限束器区域。该方法无需电动限束器即可得到非限束器区域，并且基于神经网络进行区域的检测，确保能够精确地得到限束器区域和非限束器区域，从而提高了得到非限束器区域的准确性。

附图说明

图1为一个实施例中非限束器区域检测方法的应用环境图；

图2为一个实施例中非限束器区域检测方法的流程示意图；

图3a-3b为一个实施例中医学图像和目标区域掩模图的示意图；

图4为一个实施例中非限束器区域的示意图；

图5为一个实施例中根据目标区域掩模图，得到非限束器区域步骤的流程示意图；

图6为一个实施例中凸多边形的示意图；

图7为一个实施例中分割模型的结构示意图；

图8为一个实施例中残差模块的结构示意图；

图9为一个实施例中通道注意力模块的结构示意图；

图10为一个实施例中限束器区域检测装置的结构框图；

图11为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的非限束器区域检测方法，可以应用于如图1所示的应用环境中。该应用环境涉及终端102，还可以涉及服务器104。终端102通过网络与服务器104进行通信。当终端102接收到用户下达的检测指令后，可以通过终端102响应该检测指令单独完成非限束器区域的检测方法。也可以通过终端102将检测指令发送至服务器104，通过服务器104完成非限束器区域的检测方法。具体地，服务器104接收到终端102发送的检测指令后，响应检测指令利用预设的分割模型对医学图像进行检测，得到目标区域概率分布图。服务器104基于目标区域概率分布图，生成医学图像对应的目标区域掩模图。服务器104根据目标区域掩模图，得到非限束器区域。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种非限束器区域检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤S202，利用预设的分割模型对医学图像进行检测，得到目标区域概率分布图。

其中，预设的分割模型为预先训练的神经网络模型，其结构可以为任意一种全卷积神经网络(fully convolution networks)形式的网络结构。医学图像是指医学扫描设备扫描得到的图像，例如，DR(Digital Radiography，直接数字化X射线摄影)系统、C-Arm(C臂)系统等医用X射线设备对目标物体进行扫描得到的X-ray图像。目标区域概率分布图是分割模型输出的图像，可以理解为，目标区域概率分布图上不同的图像区域包括不同的概率值，概率值表示对应图像区域属于非限束器区域的可能性。

具体地，当服务器接收到终端发送的检测指令后，服务器响应检测指令，获取对应的医学图像。可以理解为，医学图像可以是随检测指令一并发送过来的图像，也可以是预先存储的图像，服务器通过访问对应的存储路径获取该医学图像，或是直接从医用X射线设备获取的图像。当服务器获取到医学图像后，调用预设的分割模型。将医学图像输入至该分割模型中，利用分割模型对医学图像进行检测，确定医学图像中各图像区域对应的概率值并输出对应的目标区域概率分布图。利用分割模型对医学图像进行检测相比传统利用检测模型来说，不仅可以输出医学图像上不同图像区域的概率值，得到目标区域概率分布图，还可以准确检测出目标区域的边界。即能够在输出的目标区域概率分布图上直接确定非限束器区域和限束器区域。

另外，在利用预设的分割模型对医学图像进行检测之前，还包括对医学图像进行预处理的步骤。其中，预处理包括但不限于去噪、图像标准化等。图像标准化是指将图像数据通过去均值实现中心化的处理。

具体的，当获取到医学图像后，利用图像标准化公式对医学图像进行图像标准化处理，得到图像标准化之后的医学图像。将图像标准化之后的医学图像输入至预设的分割模型。图像标准化公式如下：

其中，I为医学图像对应的图像矩阵，I'为图像标准化之后的医学图像对应的图像矩阵，μ为医学图像的图像矩阵对应的均值矩阵，σ为医学图像的图像矩阵对应的标准差矩阵。

步骤S204，基于目标区域概率分布图，生成医学图像对应的目标区域掩模图。

其中，目标区域掩模图是指包括1和0两种像素值的mask(掩模)图像，根据目标区域掩模图可以直接确定非限束器区域和限束器区域。可以理解为，像素值为1的图像属于非限束器区域，像素值为0的图像属于限束器区域。或者，像素值为0的图像属于非限束器区域，像素值为1的图像属于限束器区域。也就是说，若预先设定属于非限束器区域的图像区域以像素值为1表示，则当根据目标区域概率图中的概率值生成目标区域掩模图时，将确定为非限束器区域的图像区域中像素的像素值设为1。

具体的，根据预设阈值与目标区域概率分布图中各图像区域的概率值进行比较。根据比较的结果将对应图像区域中各像素的像素值设为1或0，即可得到对应的目标区域掩模图。如图3a-3b所示，提供一种医学图像和目标区域掩模图的示意图。图3a为医学图像，图3b为目标区域掩模图。其中，由于图3b是以像素值为1的图像属于非限束器区域为例，即目标区域掩模图中黑色区域部分即为像素值为0的限束器区域，白色区域部分即为像素值为1的非限束器区域。

在一个实施例中，当设定像素值为1的部分属于非限束器区域，像素值为0的部分属于限束器区域时，基于目标区域概率分布图，生成医学图像对应的目标区域掩模图具体包括：判断目标区域概率分布图上各子目标区域的概率是否大于预设阈值；当目标区域的概率大于预设阈值时，将目标区域中像素的像素值设为1；当目标区域的概率小于等于预设阈值时，将目标区域中像素的像素值设为0；将设置了对应像素值的图像作为医学图像对应的目标区域掩模图。

其中，子目标区域是指目标区域概率分布图中的各个图像区域，例如目标区域概率分布图中一共有3块图像区域，且这3块图像区域均有对应的概率值，则目标区域概率分布图中的子目标区域包括这3块图像区域。

具体的，得到目标区域概率分布图之后，获取预设阈值T。将目标区域概率分布图中各图像区域的概率值与预设阈值T进行比较。当确定图像区域的概率值大于预设阈值T时，则确定该图像区域为非限束器区域，将该图像区域中像素的像素值设为1。反之，当确定图像区域的概率值小于等于预设阈值T时，则确定该图像区域为限束器区域，将该图像区域中像素的像素值设为0。所有像素值已经被设置为1或0的图像，即为医学图像对应的目标区域掩模图。其中，预设阈值T可根据实际情况进行设定，例如，在分割模型训练阶段根据分割模型的测试情况进行设定。

另外，应当理解，若设定像素值为0的部分属于非限束器区域，像素值为1的部分属于限束器区域，则概率小于等于阈值的目标区域的像素值置为0，概率大于阈值的目标区域的像素值置为1。也就是说，在目标区域概率分布图中各图像区域的概率值与预设阈值T进行比较时，当确定图像区域的概率值小于等于预设阈值T，则确定该图像区域为非限束器区域，将该图像区域中像素的像素值设为0。当确定图像区域的概率值大于预设阈值T，则确定该图像区域为限束器区域，将该图像区域中像素的像素值设为1。

步骤S206，根据目标区域掩模图，得到非限束器区域。

其中，非限束器区域是指没有限束器遮挡的图像区域。具体的，根据目标区域掩模图像即可确定限束器区域和非限束器区域。然而，由于非限束器不一定是规则的矩形，为了能够得到边界更加准确的非限束器区域，通过计算非限束器区域中的凸包点确定非限束器区域的边界，从而得到边界更加精准的非限束器区域。另外，得到边界更加精准的非限束器区域之后，还能通过非限束器区域的边界对医学图像进行裁剪，得到一副只包括非限束器区域的图像。如图4所示，提供一种非限束器区域的示意图。

上述非限束器区域检测方法，通过利用预设的图像分割模型对医学图像进行检测，得到目标区域概率分布图。基于目标区域概率分布图生成对应的目标区域掩模图，然后根据该目标区域掩模图得到非限束器区域。该方法无需电动限束器即可得到非限束器区域，并且基于神经网络进行区域的检测，确保能够精确地得到限束器区域和非限束器区域，从而提高了得到非限束器区域的准确性。

在一个实施例中，如图5所示，根据目标区域掩模图，得到非限束器区域包括以下步骤：

步骤S502，根据目标区域掩模图像，计算得到非限束器区域的凸包点。

其中，凸包是计算几何中的一个概念。在一个实数向量空间V中，对于给定集合X，所有包含X的凸集的交集被称为X的凸包。而在二维欧几里得空间中，凸包可想象为一条刚好包着所有点的橡皮圈。通俗来讲，可以理解为，给定二维平面上的点集，凸包就是将最外层的点连接起来构成的凸多边形。因此，凸包点就是构成凸多边形的点。

具体的，获取到目标区域掩模图像后，通过凸包算法对目标区域掩模图像进行计算能得到非限束器区域的凸包点。或者，利用图像处理工具OpenCV寻找目标区域掩模图像中非限束器区域的轮廓，然后调用OpenCV(Open Source Computer Vision Library，开源计算机视觉库)的convex Hull(凸包)函数即可对非限束器区域的轮廓进行计算得到对应的凸包点。

步骤S504，根据凸包点确定非限束器区域的边界，得到非限束器区域。

具体地，当得到凸包点之后，将处于边缘的凸包点进行连接即可得到凸多边形。该凸多边形的边即为非限束器区域的边界，根据非限束器区域的边界得到边界准确的非限束器区域。在本实施例中，通过计算凸包点确定非限束器区域的边界，相比传统算法能检测出更多不同形状的限束器，并且能够通过获取更多更准确的边界特征从而准确的确定边界。

在一个实施例中，根据凸包点确定非限束器区域的边界，得到非限束器区域具体包括：根据凸包点得到对应的凸多边形；基于预设边数，对凸多边形进行调整；将调整后的凸多边形作为非限束器区域的边界，根据非限束器区域的边界得到非限束器区域。

其中，预设边数是指预期设定的边的数量，预设边数根据医学图像对应的设备进行设置。由于不同设备有不同类型的限束器，而不同类型的限束器的边数不同。例如，DR系统通常为4条边，而C-Arm系统可能是5-6条边。

具体地，当得到凸包点之后，将处于边缘的凸包点进行相连得到凸多边形。例如，通过Graham扫描法将处于边缘的点连接起来得到多边形，Graham扫描的思想是先找到凸多边形上的一个点，然后从那个点开始按逆时针方向逐个找凸多边形上的点，实际上就是进行极角排序，然后对其查询使用。当得到对应的凸多边形之后，获取预设边数，根据预设边数对得到的凸多边形的边数进行调整。当凸多边形的边数大于预设边数时，获取凸多边形的最短边或获取凸多边形的相邻边。然后，去除凸多边形中最短的边，或者将相邻的相邻边合并，得到调整后的凸多边形。例如，若医学图像为DR系统得到的图像，则预设边数为4条边。而根据得到的凸包点得到的凸多边形有6条边，确定凸多边形的边数超过了预设边数。则删除凸多边形中最短的两条边，或者通过将凸多边形中相邻的边进行合并，从而得到只有4条边的凸多边形。其中，由于凸多边形的边是首尾相连的，合并的过程就是删除中间的凸包点。如图6所示，提供一种凸多边形示意图，参考图6，P1-P10均是所得到的凸包点，其中，P1、P2、P3、P4和P5为边缘的凸包点，即连接得到的凸多边形的凸包点。然而，预设边数为4条边，由P1-P5组成的凸多边形有5条边，获取P1-P2和P2-P3这两条相邻边。合并P1-P2和P2-P3得到边即为P1-P3，即得到调整后的凸多边形状。

在本实施例中，由于在实际的检测过程，非限束器区域的模板不一定就是规则的形状，可能存凸起。因此，凸多边形的边数可能会超过预期的边数，通过对凸多边形的边数进行调整，保证得到的边数与预设边数相同，从而能够得到准确的非限束器区域。

在一个实施例中，如图7所示，提供一种分割模型的结构示意图。参考图7，分割模型以改进的U-net作为模型训练的网络结构，包括输入层、多层隐藏层和输出层。其中，每层隐藏层中均包括残差模块和通道注意力模块，U-net网络结构左半部分的隐藏层输出的特征图进行下采样后输入下一层隐藏层，而右半部分的隐藏层输出的特征图进行上采样后输入下一层隐藏层。其中，左半部分隐藏层的通道注意力模块与右半部分隐藏层的残差模块进行跳跃连接，通过跳跃连接能够将各层次的特征进行组合，使得图像细节信息得以恢复。输出层的结构为conv(向量卷积)+softmax(归一化指数函数)，可以理解为，输出层包括卷积层和归一化指数函数层。

利用预设的分割模型对医学图像进行检测，得到目标区域概率分布图具体包括：利用隐藏层中的残差模块和通道注意力模块对医学图像进行特征提取，得到医学图像对应的特征图；对最后一层隐藏层得到的特征图进行卷积和归一化，得到目标区域概率分布图。例如，参考图7，以U型分割模型的左半部分为例，首先将医学图像输入分割模型中的输入层，通过输入层将医学图像输入隐藏层。当分割模型中的第一层隐藏层获取到医学图像后，通过第一层隐藏层的残差模块对医学图像进行特征提取，将第一层隐藏层的残差模块输出的特征图输入第一层隐藏层的通道注意力模块再次进行特征提取，最终得到第一特征图。将第一特征图进行下采样之后输入至第二层隐藏层的残差模块，通过第二层隐藏层的残差模块对进行下采样后的第一特征图进行特征提取，将第二层隐藏层的残差模块输出的特征图输入第二层隐藏层的通道注意力模块再次进行特征提取，最终得到第二特征图。相同的，第二特征图进行下采样后输入至第三层隐藏层进行特征提取，后续第四层隐藏层、第五层隐藏层等隐藏层均是如此，在此不再赘述。而当最后一次下采样完成之后，隐藏层输出的特征图开始进行上采样，即反卷积操作。参考图7，以U型分割模型的右半部分为例，即，当第五层隐藏层对已经进行下采样的第四特征图进行特征提取得到第五特征图后，将第五特征图进行上采样后输入至第六层隐藏层中进行特征提取，直至所有隐藏层完成特征提取。将最后一层隐藏层的特征图输入至输出层，通过输出层对最后一个特征图进行卷积和归一化，得到目标区域概率图。其中，通道注意力模块最终输出的特征图，是其输入的特征图与其对输入的特征图进行特征提取得到的特征图进行点乘之后得到的特征图。例如，残差模块将特征图1输入至通道注意力模块，通道注意力模块对特征图1进行特征提取得到特征图2，则通道注意力模块最终输出的特征图不是特征图1，而是特征图1与特征图2点乘得到的特征图。另外，由于为了能够将各层次的特征进行组合，使得图像细节信息得以恢复，本实施例将左半部分隐藏层的通道注意力模块与右半部分隐藏层的残差模块进行跳跃连接。则左半部分隐藏层的通道注意力模块，通过跳跃连接还将得到的特征图输入右半部分对应隐藏层中的残差模块。也就是说，右半部分隐藏层中的残差模块的输入不仅包括对应上一层隐藏层的特征图，还包括左半部分对应隐藏层的特征图。

在一个实施例中，如图8所示，提供一种残差模块的结构示意图。参考图8，残差模块包括三个卷积模块，卷积模块的结构为conv(向量卷积)+bn(batch normalization，批量归一化)+relu(Rectified Linear Unit，修正线性单元)，可以理解为，卷积层+批量归一化网络层+激活函数层。具体的，当特征图进入残差模块之后，通过两条不同的路径分别对特征图进行特征提取，其中一条路径为经过一次卷积模块，另一条路径则经过两个卷积模块。最后将两条路径得到的特征图进行特征融合，特征融合得到的特征图即为残差模块的输出。在本实施例中，利用残差模块能够使神经网络能够重复利用特征，从而得到更准确的输出。并且能够避免网络参数梯度消失，从而更好的收敛。

如图9所示，提供一种通道注意力模块的结构示意图。参考图9，通道注意力模块包括最大池化层、平均池化层、多层感知机、特征融合层以及激活函数层。具体地，当通道注意力模块接收到特征图之后，首先分别使用最大池化层和平均池化层对特征图在空间维度上进行压缩，得到两个不同的空间背景描述。然后使用由多层感知机组成的共享网络对这两个不同的空间背景描述分别进行计算得到通道注意力特征图，将两个通道注意力特征图进行特征融合后经激活函数处理得到的特征图与输入特征图进行点乘后得到的特征图为通道注意力模块进行特征提取得到的特征图。在本实施例中，通过通道注意力模块能够抑制无用的特征，从而增强特征的表达能力。

在一个实施例中，利用预设的分割模型对医学图像进行检测，得到目标区域概率分布图之前，还包括训练分割模型的步骤。分割模型的训练过程包括：获取样本医学图像以及与样本医学图像对应的已标注限束器区域和非限束器区域的掩模图像；基于预设的学习率和损失函数，将样本医学图像和掩模图像输入至分割模型进行迭代训练，直到损失函数收敛为止，将损失函数收敛后的分割模型作为预设的分割模型。

具体地，首先进行数据采集，得到批量的用于进行训练的样本医学图像。将样本医学图像进行人工标注，人工对样本医学图像进行限束器区域和非限束器区域的标注，从而得到样本医学图像对应的已标注限束器区域和非限束器区域的掩模图像。利用图像标准化公式将样本医学图像进行图像标准化，得到标准化后的样本医学图像。将训练的输入图像标准化有利于网络的训练和收敛。将标准化后的样本医学图像以及对应的掩模图像输入到准备好的分割模型中，分割模型根据预先配置好学习策略和损失函数进行训练，图像标准化后的样本医学图像作为网络的输入，掩模图像作为网络的目标。其中，分割模型训练使用的优化器优选Adam改进形式的AdamW，通过加入权重衰减，一定程度的解决了Adam的收敛问题。损失函数则优选为dice loss(dice系数差异函数)，以及，为了避免网络过拟合，使得训练的分割模型具有更好的泛化能力。网络结构可采用卷积神经网络正则化方法：cutout(裁剪)，它通过随机丢弃输入图像固定大小的区域来提高网络的鲁棒性。而训练过程中采用学习率衰减的策略进行学习，即每隔固定的epoch(时期)减小网络的学习率。可以理解为，使用样本医学图像以及对应的掩模图像全部训练一次之后，就减小一次学习率。epoch的值即可以理解为拿整个样本医学图像以及对应的掩模图像训练几次分割模型。应当理解，当分割模型训练完成之后，即可利用训练好的分割模型进行非限束器区域的检测。例如，将训练好的分割模型部署到对应的服务器中，服务器接收到终端发送的检测指令之后，调用该分割模型对医学图像进行检测，分割模型输出医学图像对应的目标区域概率分布图。然后服务器基于该目标区域概率分布图中各图像区域的概率，生成目标区域掩模图。最后服务器根据目标区域掩模图计算凸包点，准确的得到非限束器区域的边界，从而得到非限束器区域。

在本实施例中，通过预先训练对应的分割模型，使其具备相应的检测能力，从而使用该分割模型对医学图像进行检测时，能够提高检测的准确率。

应该理解的是，虽然图2、5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、5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。

在一个实施例中，如图10所示，提供了一种非限束器区域检测装置，包括：检测模块1002、生成模块1004和计算模块1006，其中：

检测模块1002，用于利用预设的分割模型对医学图像进行检测，得到目标区域概率分布图。

生成模块1004，用于基于目标区域概率分布图，生成医学图像对应的目标区域掩模图。

计算模块1006，用于根据目标区域掩模图，得到非限束器区域。

在一个实施例中，分割模型包括隐藏层，隐藏层包括残差模块和通道注意力模块；检测模块1002还用于利用隐藏层中的残差模块和通道注意力模块对医学图像进行特征提取，得到医学图像对应的特征图；对最后一层隐藏层得到的特征图进行卷积和归一化，得到目标区域概率分布图。

在一个实施例中，生成模块1004用于判断目标区域概率分布图上各子目标区域的概率是否大于预设阈值；当目标区域的概率大于预设阈值时，将目标区域中像素的像素值设为1；当目标区域的概率小于等于预设阈值时，将目标区域中像素的像素值设为0；将设置了对应像素值的图像作为所述医学图像对应的目标区域掩模图。

在一个实施例中，计算模块1006用于根据目标区域掩模图像，计算得到非限束器区域的凸包点；根据凸包点确定非限束器区域的边界，得到非限束器区域。

在一个实施例中，计算模块1006用于根据凸包点得到对应的凸多边形；基于预设边数，对凸多边形进行调整；将调整后的凸多边形作为非限束器区域的边界，根据非限束器区域的边界得到非限束器区域。

在一个实施例中，计算模块1006用于当凸多边形的边数大于预设边数时，获取凸多边形的最短边或获取凸多边形的相邻边；

去除凸多边形的最短边或合并相邻边，得到调整后的凸多边形。

在一个实施例中，非限束器区域检测装置还包括训练模块，用于获取样本医学图像以及与样本医学图像对应的已标注限束器区域和非限束器区域的掩模图像；基于预设的学习率和损失函数，将样本医学图像和所述掩模图像输入至分割模型进行迭代训练，直到损失函数收敛为止，将损失函数收敛后的分割模型作为预设的分割模型。

关于非限束器区域检测装置的具体限定可以参见上文中对于非限束器区域检测方法的限定，在此不再赘述。上述非限束器区域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，该计算机设备可以是服务器，其内部结构图可以如图11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、网络接口和数据库。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、计算机程序和数据库。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。该计算机设备的数据库用于存储模型等数据。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非限束器区域检测方法。

本领域技术人员可以理解，图11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，具体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，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

利用预设的分割模型对医学图像进行检测，得到目标区域概率分布图；

基于目标区域概率分布图，生成医学图像对应的目标区域掩模图；

根据目标区域掩模图，得到非限束器区域。

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：

利用隐藏层中的残差模块和通道注意力模块对医学图像进行特征提取，得到医学图像对应的特征图；对最后一层隐藏层得到的特征图进行卷积和归一化，得到目标区域概率分布图。

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：

判断目标区域概率分布图上各子目标区域的概率是否大于预设阈值；当目标区域的概率大于预设阈值时，将目标区域中像素的像素值设为1；当目标区域的概率小于等于预设阈值时，将目标区域中像素的像素值设为0；将设置了对应像素值的图像作为所述医学图像对应的目标区域掩模图。

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：

根据目标区域掩模图像，计算得到非限束器区域的凸包点；根据凸包点确定非限束器区域的边界，得到非限束器区域。

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：

根据凸包点得到对应的凸多边形；基于预设边数，对凸多边形进行调整；将调整后的凸多边形作为非限束器区域的边界，根据非限束器区域的边界得到非限束器区域。

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：

当凸多边形的边数大于预设边数时，获取凸多边形的最短边或获取凸多边形的相邻边；去除凸多边形的最短边或合并相邻边，得到调整后的凸多边形。

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：

获取样本医学图像以及与样本医学图像对应的已标注限束器区域和非限束器区域的掩模图像；基于预设的学习率和损失函数，将样本医学图像和所述掩模图像输入至分割模型进行迭代训练，直到损失函数收敛为止，将损失函数收敛后的分割模型作为预设的分割模型。

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：

利用预设的分割模型对医学图像进行检测，得到目标区域概率分布图；

基于目标区域概率分布图，生成医学图像对应的目标区域掩模图；

根据目标区域掩模图，得到非限束器区域。

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：

利用隐藏层中的残差模块和通道注意力模块对医学图像进行特征提取，得到医学图像对应的特征图；对最后一层隐藏层得到的特征图进行卷积和归一化，得到目标区域概率分布图。

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：

判断目标区域概率分布图上各子目标区域的概率是否大于预设阈值；当目标区域的概率大于预设阈值时，将目标区域中像素的像素值设为1；当目标区域的概率小于等于预设阈值时，将目标区域中像素的像素值设为0；将设置了对应像素值的图像作为所述医学图像对应的目标区域掩模图。

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：

根据目标区域掩模图像，计算得到非限束器区域的凸包点；根据凸包点确定非限束器区域的边界，得到非限束器区域。

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：

根据凸包点得到对应的凸多边形；基于预设边数，对凸多边形进行调整；将调整后的凸多边形作为非限束器区域的边界，根据非限束器区域的边界得到非限束器区域。

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：

当凸多边形的边数大于预设边数时，获取凸多边形的最短边或获取凸多边形的相邻边；去除凸多边形的最短值边或合并相邻边，得到调整后的凸多边形。

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：

获取样本医学图像以及与样本医学图像对应的已标注限束器区域和非限束器区域的掩模图像；基于预设的学习率和损失函数，将样本医学图像和所述掩模图像输入至分割模型进行迭代训练，直到损失函数收敛为止，将损失函数收敛后的分割模型作为预设的分割模型。

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发明专利范围的限制。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)

1.一种非限束器区域检测方法，所述方法包括：

利用预设的分割模型对医学图像进行检测，得到目标区域概率分布图，所述目标区域概率分布图上不同的图像区域包括不同的概率值，所述概率值表示对应图像区域属于非限束器区域的可能性；

基于所述目标区域概率分布图，生成所述医学图像对应的目标区域掩模图；

根据所述目标区域掩模图，计算得到非限束器区域的凸包点；

根据所述凸包点得到对应的凸多边形；

基于预设边数，对所述凸多边形进行调整；

将调整后的凸多边形作为非限束器区域的边界，根据所述非限束器区域的边界得到非限束器区域。

2.根据权利要求1所述的方法，其特征在于，所述分割模型包括隐藏层，所述隐藏层包括残差模块和通道注意力模块；

所述利用预设的分割模型对医学图像进行检测，得到目标区域概率分布图，包括：

利用所述隐藏层中的所述残差模块和所述通道注意力模块对所述医学图像进行特征提取，得到所述医学图像对应的特征图；

对最后一层所述隐藏层得到的特征图进行卷积和归一化，得到目标区域概率分布图。

3.根据权利要求1所述的方法，其特征在于，所述基于所述目标区域概率分布图，生成所述医学图像对应的目标区域掩模图的步骤，包括：

判断所述目标区域概率分布图上各子目标区域的概率是否大于预设阈值；

当所述目标区域的概率大于预设阈值时，将所述目标区域中像素的像素值设为1；

当所述目标区域的概率小于等于预设阈值时，将所述目标区域中像素的像素值设为0；

将设置了对应像素值的图像作为所述医学图像对应的目标区域掩模图。

4.根据权利要求1所述的方法，其特征在于，所述基于预设边数，对所述凸多边形进行调整，包括：

当所述凸多边形的边数大于预设边数时，获取所述凸多边形的最短边或获取所述凸多边形的相邻边；

去除所述凸多边形的最短边或合并所述相邻边，得到调整后的凸多边形。

5.根据权利要求1所述的方法，其特征在于，所述利用预设的分割模型对医学图像进行检测，得到目标区域概率分布图之前，还包括：训练所述分割模型；

所述分割模型的训练过程包括：

获取样本医学图像以及与所述样本医学图像对应的已标注限束器区域和非限束器区域的掩模图像；

基于预设的学习率和损失函数，将所述样本医学图像和所述掩模图像输入至分割模型进行迭代训练，直到所述损失函数收敛为止，将所述损失函数收敛后的分割模型作为预设的分割模型。

6.一种非限束器区域检测装置，其特征在于，所述装置包括：

检测模块，用于利用预设的分割模型对医学图像进行检测，得到目标区域概率分布图，所述目标区域概率分布图上不同的图像区域包括不同的概率值，所述概率值表示对应图像区域属于非限束器区域的可能性；

生成模块，用于基于所述目标区域概率分布图，生成所述医学图像对应的目标区域掩模图；

计算模块，用于根据所述目标区域掩模图，计算得到非限束器区域的凸包点，根据所述凸包点得到对应的凸多边形，基于预设边数，对所述凸多边形进行调整，将调整后的凸多边形作为非限束器区域的边界，根据所述非限束器区域的边界得到非限束器区域。

7.根据权利要求6所述的装置，其特征在于，所述计算模块还用于当所述凸多边形的边数大于预设边数时，获取所述凸多边形的最短边或获取所述凸多边形的相邻边；去除所述凸多边形的最短边或合并所述相邻边，得到调整后的凸多边形。

8.根据权利要求6所述的装置，其特征在于，所述装置还包括：

训练模块，用于获取样本医学图像以及与所述样本医学图像对应的已标注限束器区域和非限束器区域的掩模图像；基于预设的学习率和损失函数，将所述样本医学图像和所述掩模图像输入至分割模型进行迭代训练，直到所述损失函数收敛为止，将所述损失函数收敛后的分割模型作为预设的分割模型。

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5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5中任一项所述的方法的步骤。

Images