CN110706207A - 图像量化方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种图像量化方法、装置、计算机设备和存储介质。所述方法包括：获取待检测对象的医学图像；将所述医学图像输入至神经网络模型，得到第一目标分割图像和第二目标分割图像，所述第一目标分割图像包括第一感兴趣区域，所述第二目标分割图像包括第二感兴趣区域，所述神经网络模型包括至少一级神经网络模型；根据所述第一感兴趣区域和所述第二感兴趣区域，确定所述第二感兴趣区域在所述第一感兴趣区域上的体积占比。采用本方法能够提高检测效率，也能够提高检测结果的准确性。

Description

图像量化方法、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，特别是涉及一种图像量化方法、装置、计算机设备和存储介质。

背景技术

肾占位性病变是指肾组织内出现异常于肾组织的病变，其中包括良性和恶性病变，良性病变多见于肾囊肿、畸胎瘤、肾腺瘤等，而恶性病变主要为肾细胞癌，一般良性病变对人体危害较小，但是恶性病变对人体危害非常大，所以检测人体肾脏器官是否发生病变就显得尤为重要。

传统技术中，一般是先利用CT设备对患者进行扫描，并得到扫描的CT图像，之后医生通过反复观察该CT图像，再结合患者自身的实际情况，通过经验就可以检测出患者的肾脏器官是否发生病变，在发生病变时，医生可以根据经验用医学影像勾画工具在CT图像上勾画出病变区域，以得到病变大小。

然而上述通过医生观看CT图像以检测患者的肾脏器官是否发生病变，并在病变时根据经验确定出病变大小的方法，其检测效率低下，且误检测率较高。

发明内容

基于此，有必要针对上述技术问题，提供一种图像量化方法、装置、计算机设备和存储介质。

一种图像量化方法，该方法包括：

获取待检测对象的医学图像；

将上述医学图像输入至神经网络模型，得到第一目标分割图像和第二目标分割图像，上述第一目标分割图像包括第一感兴趣区域，上述第二目标分割图像包括第二感兴趣区域，上述神经网络模型包括至少一级神经网络模型；

根据上述第一感兴趣区域和上述第二感兴趣区域，确定上述第二感兴趣区域在上述第一感兴趣区域上的体积占比。

一种图像量化装置，该装置包括：

获取模块，用于获取待检测对象的医学图像；

分割模块，用于将上述医学图像输入至神经网络模型，得到第一目标分割图像和第二目标分割图像，上述第一目标分割图像包括第一感兴趣区域，上述第二目标分割图像包括第二感兴趣区域，上述神经网络模型包括至少一级神经网络模型；

确定模块，用于根据上述第一感兴趣区域和上述第二感兴趣区域，确定上述第二感兴趣区域在上述第一感兴趣区域上的体积占比。

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：

获取待检测对象的医学图像；

将上述医学图像输入至神经网络模型，得到第一目标分割图像和第二目标分割图像，上述第一目标分割图像包括第一感兴趣区域，上述第二目标分割图像包括第二感兴趣区域，上述神经网络模型包括至少一级神经网络模型；

根据上述第一感兴趣区域和上述第二感兴趣区域，确定上述第二感兴趣区域在上述第一感兴趣区域上的体积占比。

一种可读存储介质，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：

获取待检测对象的医学图像；

将上述医学图像输入至神经网络模型，得到第一目标分割图像和第二目标分割图像，上述第一目标分割图像包括第一感兴趣区域，上述第二目标分割图像包括第二感兴趣区域，上述神经网络模型包括至少一级神经网络模型；

根据上述第一感兴趣区域和上述第二感兴趣区域，确定上述第二感兴趣区域在上述第一感兴趣区域上的体积占比。

上述图像量化方法、装置、计算机设备和存储介质，通过获取待检测对象的医学图像，将该医学图像输入至神经网络模型，得到第一目标分割图像和第二目标分割图像，该第一目标分割图像包括第一感兴趣区域，第二目标分割图像包括第二感兴趣区域，该神经网络模型包括至少一级神经网络模型，并根据第一感兴趣区域和第二感兴趣区域，确定第二感兴趣区域在第一感兴趣区域上的体积占比。在该方法中，由于第一感兴趣区域和第二感兴趣区域是通过将待检测对象的医学图像输入至神经网络模型得到的，其相比于传统的人工检测是否发生病变以及勾画病变区域的方法，其检测过程是通过训练好的神经网络模型进行的，因此该方法的检测效率更高，检测结果也更加准确，即得到的第一感兴趣区域和第二感兴趣区域是更准确的，因此在利用该准确的第一感兴趣区域和第二感兴趣区域得到第二感兴趣区域在第一感兴趣区域上的体积占比时，得到的体积占比也是更准确的，这样可以为后续依据该体积占比进行用药量的量化提供一个较为准确的基础，同时也为医生制定治疗方案时，提供一个较为准确的基础。

附图说明

图1为一个实施例中计算机设备的内部结构图；

图2为一个实施例中图像量化方法的流程示意图；

图3为另一个实施例中图像量化方法的流程示意图；

图4为另一个实施例中图像量化方法的流程示意图；

图5为另一个实施例中图像量化方法的流程示意图；

图6为一个实施例中图像量化装置的结构框图。

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。

目前按医学影像学表现，常见的肾占位性病变主要分为囊肿、良性肿瘤和恶性肿瘤，囊肿主要包括肾囊肿和多囊肾，其在CT图像上的表现为圆形或多发类圆形的水样密度灶，边界清晰光滑，肾体积增大、分叶；肾良性肿瘤主要包括错构瘤，是由不同比例平滑肌、血管和脂肪组织构成的，在CT图像上表现为肾实质有不均质肿块，内部有脂肪性低密度；肾恶性肿瘤主要包括肾癌、肾盂癌和肾母细胞瘤，在CT图像上主要表现为类圆形或分叶状肿块，突向肾外侧，且坏死区呈低密度灶，或表现为肾窦内有肿块，密度高于尿液，或表现为有混杂密度肿块，内有不规则低密度区，偶见钙化影。根据不同的肾占位性病变的CT图像表现，医生需要确定患者的病变种类以制定不同的治疗方案，同时，肾脏病变体积占比也是治疗方案用药用量的重要指标。当前对于不同的肾占位性病变患者的肾脏病变体积大小和具体肾病种类，主要还是依靠专业的医生对患者的实际情况来进行判断，阅片的时间花费较长，且得到的肾脏病变体积大小不精确，需要仔细的鉴别才能确诊。因此，本申请实施例提供一种图像量化方法、计算机设备和存储介质，旨在准确地检测肾脏的病变大小和种类、体积占比等等。

本申请实施例提供的图像量化方法，可以应用于计算机设备，该计算机设备可以是控制终端，例如笔记本电脑、台式电脑、工业电脑等，其内部结构图可以如图1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图像量化方法。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1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。

需要说明的是，本申请实施例的执行主体可以是图像量化装置，也可以是计算机设备，下述实施例以计算机设备为执行主体进行说明。

在一个实施例中，提供了一种扫描方法，本实施例涉及的是如何对医学图像进行分割，得到肾脏病变区域在整个肾脏区域的体积占比以及肾脏病变大小的具体过程。如图2所示，该方法可以包括以下步骤：

S202，获取待检测对象的医学图像。

其中，待检测对象在这里可以是人体的肾脏，也可以人体的其他器官等等，本申请以下的实施例主要是人体的肾脏为例进行说明，但是并不限定只是肾脏。医学图像在这里可以是一维图像、二维图像、三维图像等，本实施例主要使用的是三维图像。

具体的，在对待检测对象进行检查时，可以通过对扫描设备采集的快速扫描数据进行图像重建和校正，就可以得到待检测对象的医学图像，或者，待检测对象的医学图像也可以预先重建和校正好，存储在计算机设备中，当需要对其进行处理时，直接从计算机设备的存储器中读取医学图像。又或者，计算机设备也可以从外部设备中获取医学图像，比如，将待检测对象的医学图像存储在云端，当需要进行处理操作时，计算机设备从云端获取该待检测对象的医学图像。本实施例对获取待检测对象的医学图像的获取方式不做限定。

S204，将医学图像输入至神经网络模型，得到第一目标分割图像和第二目标分割图像，第一目标分割图像包括第一感兴趣区域，第二目标分割图像包括第二感兴趣区域，神经网络模型包括至少一级神经网络模型。

其中，神经网络模型在这里可以包括分割模型，分割模型可以是图切割算法模型、分水岭算法模型、GrabCut算法模型、机器学习模型等，其中，机器学习模型可以是FCN模型(Fully Convolutional Networks，全卷积网络)、FPN模型、SegNet模型、DeepLab模型、Mask-RCNN模型、U-Net模型、V-Net模型等等，本实施例对此不作具体限定。另外，这里的第一感兴趣区域可以是肾脏，这里可以是针对人体的双肾进行的分割，也可以是只针对一个肾进行的分割，即这里的第一感兴趣区域可以包括一个肾脏，也可以是包括两个肾脏，这里的第二感兴趣区域可以是肾脏的病变区域，病变区域可以是一个，也可以是多个，当第一感兴趣区域包括两个肾脏、病变区域是多个时，该多个病变区域可以是全部在一个肾脏上，也可以是分开在两个肾脏上，本实施例对此不作具体限定。另外，这里的神经网络模型可以是级联的神经网络模型，可以包括一级神经网络模型，也可以包括多级级联的神经网络模型；在利用神经网络模型得到第一目标分割图像和第二目标分割图像时，可以是神经网络模型内部有两个分割模型，一个分割模型将医学图像分割成第一目标分割图像，另一个分割模型将医学图像分割成第二目标分割图像；假设是对双肾进行分割，那么可以分别对双肾进行分割，也可以对同时对双肾进行分割，同样的，也可以分别对双肾的病变区域进行分割，也可以对双肾的病变区域同时进行分割。

具体的，计算机设备在得到待检测对象的医学图像之后，可以将该医学图像输入神经网络模型进行分割处理，就可以得到第一目标分割图像和第二目标分割图像，该第一目标分割图像上包括第一感兴趣区域，第二目标分割图像上包括第二感兴趣区域，同时也可以得到第二感兴趣区域的数量。

S206，根据第一感兴趣区域和第二感兴趣区域，确定第二感兴趣区域在第一感兴趣区域上的体积占比。

其中，体积占比可以是小数，也可以是分数，这里的体积占比一般是小于1的数值。

具体的，计算机设备在得到第一目标分割图像和第二目标分割图像之后，利用体积计算方法可以得到第二目标分割图像上的第二感兴趣区域的体积，以及得到第一目标感兴趣区域上的第一感兴趣区域的体积，并将第二感兴趣区域的体积和第一感兴趣区域的体积作比值，就可以得到第二感兴趣区域在第一感兴趣区域上的体积占比。这里在计算第一感兴趣区域的体积和第二感兴趣区域的体积时，可以是通过两者图像上的体素数计算得到，该还可以是通过两者图像上像素数和图像分辨率的乘积得到，本实施例对此不作具体限定。

上述图像量化方法中，通过获取待检测对象的医学图像，将该医学图像输入至神经网络模型，得到第一目标分割图像和第二目标分割图像，该第一目标分割图像包括第一感兴趣区域，第二目标分割图像包括第二感兴趣区域，该神经网络模型包括至少一级神经网络模型，并根据第一感兴趣区域和第二感兴趣区域，确定第二感兴趣区域在第一感兴趣区域上的体积占比。在该方法中，由于第一感兴趣区域和第二感兴趣区域是通过将待检测对象的医学图像输入至神经网络模型得到的，其相比于传统的人工检测是否发生病变以及勾画病变区域的方法，其检测过程是通过训练好的神经网络模型进行的，因此该方法的检测效率更高，检测结果也更加准确，即得到的第一感兴趣区域和第二感兴趣区域是更准确的，因此在利用该准确的第一感兴趣区域和第二感兴趣区域得到第二感兴趣区域在第一感兴趣区域上的体积占比时，得到的体积占比也是更准确的，这样可以为后续依据该体积占比进行用药量的量化提供一个较为准确的基础，同时也为医生制定治疗方案时，提供一个较为准确的基础。

在另一个实施例中，提供了另一种图像量化方法，本实施例涉及的是如何利用体素确定第二感兴趣区域在第一感兴趣区域上的体积占比的具体过程。在上述实施例的基础上，上述S206可以包括以下步骤：

获取第二感兴趣区域的体素数量和第一感兴趣区域的体素数量，并将第二感兴趣区域的体素数量和第一感兴趣区域的体素数量做比值，得到第二感兴趣区域在第一感兴趣区域上的体积占比。

其中，以人体双肾为例，第一感兴趣区域可以是一个肾脏，也可以是两个肾脏，第二感兴趣区域是病变区域，可以是一个，也可以是多个，第二感兴趣区域在第一感兴趣区域上的体积占比，可以是各个病变区域在一个肾脏上的体积占比，也可以是一个肾脏上的所有病变区域在该一个肾脏上的体积占比，当然还可以是各个病变区域在两个肾脏上的体积占比，也可以是一个肾脏上的所有病变区域在两个肾脏上的体积占比，或者还可以是两个肾脏上的所有病变区域在两个肾脏上的体积占比，本实施例对此不作具体限定。

具体的，计算机设备在得到第一目标分割图像和第二目标分割图像之后，利用体素统计工具或者体素统计方法等，对第一目标分割图像上第一感兴趣区域的体素数量进行统计，以及对第二目标分割图像上第二感兴趣区域的体素数量进行统计，就可以得到第一感兴趣区域的体素数量和第二感兴趣区域的体素数量，之后将第二感兴趣区域的体素数量和第一感兴趣区域的体素数量作比值，就可以得到第二感兴趣区域在第一感兴趣区域上的体积占比。

本实施例提供的图像量化方法，通过获取第二感兴趣区域的体素数量和第一感兴趣区域的体素数量，并将第二感兴趣区域的体素数量和第一感兴趣区域的体素数量做比值，得到第二感兴趣区域在第一感兴趣区域上的体积占比。在本实施例中，由于可以通过体素数量的比较得到体积占比，因此该方法计算量较小，可以较为快速的得到第二感兴趣区域在第一感兴趣区域上的体积占比，为后续诊断提供用药诊断依据，从而可以提高检查的效率。

在另一个实施例中，提供了另一种图像量化方法，本实施例涉及的是如何对第二感兴趣区域进行分类，得到第二感兴趣区域的类别的具体过程。在上述实施例的基础上，该方法还可以包括以下步骤：

将第二目标分割图像输入至分类模型，得到第二目标分割图像中第二感兴趣区域的类别；分类模型为神经网络模型。

其中，分类模型可以是神经网络模型，其可以是机器学习模型等。以肾脏为例，第二感兴趣区域的类别可以是肾脏囊肿、良性肿瘤、恶性肿瘤等，当然也可以包括其他类别，本实施例在此不作具体限定。

可选的，上述分类模型的训练方法包括：获取第二样本医学图像，第二样本医学图像包括第二感兴趣区域的标注位置信息、标注体积和标注类别；将第二样本医学图像作为初始的分类模型的输入，将第二感兴趣区域的位置信息、体积和类别作为初始的分类模型的输出，对初始的分类模型进行训练，得到分类模型。

其中，在训练分类模型时，首先需要获取样本医学图像集，该样本医学图像集包括多个病灶训练图像，记为第二样本医学图像，即第二样本医学图像可以是一个或多个，本实施例采用的是多个第二样本医学图像，每个第二样本医学图像均包括第二感兴趣区域和第二感兴趣区域的标注位置信息、标注体积和标注类别，获取方法可以与上述S202的步骤中的方法相同，在此不再赘述。这里的标注位置信息和标注体积合并起来就是一个是标注框，是[x,y,z,width,height,depth]的信息，其中x,y,z是第二感兴趣区域(病变区域)中心点的坐标，width,height,depth是第二感兴趣区域(病变区域)的宽、高、深，从三维的角度来看的话，给的就是一个立体的长方形框。一般可以将每个样本医学图像的标注位置信息、标注体积和标注类别写在一个CSV文件中，在训练分类模型时，可以将该CSV文件和训练样本图像一起输入至分类模型中进行训练。

其次，计算机设备在获取到第二样本医学图像之后，可以将第二样本医学图像输入初始分类模型中进行分类，就可以得到第二样本医学图像上第二感兴趣区域的预测位置信息、预测体积、预测类别，之后计算机设备可以计算第二感兴趣区域的预测位置信息、预测体积、预测类别和标注位置信息、标注体积、标注类别之间的损失，这里的损失可以是位置信息、体积、类别三者损失的和，并将该损失作为损失函数的值，并利用该损失函数的值对初始分类模型进行训练，可选的，当损失函数的值小于预设的损失函数阈值时，则可以确定分类模型已经训练好，此时，分类器输出的类别即为第二感兴趣区域的类别，否则，确定分类模型还需要继续进行训练，直至损失函数的值最终满足要求。可选的，损失可以是每个样本图像对应的预测信息和每个样本图像对应的标注信息之间的方差、误差、范数等，这里的信息可以是位置信息、体积和类别。另外，这里的损失函数可以是Focal损失函数、Dice损失函数等等。

具体的，在分类模型训练好以及计算机设备在得到第二目标分割图像之后，可以将第二目标分割图像输入该训练好的分类模型，在该分类模型中，计算机设备可以对第二目标分割图像上的第二感兴趣区域进行分类处理，并根据处理结果就可以得到第二感兴趣区域的类别。

本实施例提供的图像量化方法，通过将第二目标分割图像输入至分类模型，得到第二目标分割图像中第二感兴趣区域的类别；分类模型为神经网络模型。在本实施例中，由于最终得到的分类模型是对样本医学图像以及初始分类模型进行训练得到的，且该样本医学图像中包括了多个训练图像，即分类模型是对多个样本医学图像进行训练得到的，其分类结果相对比较准确，因此，利用该分类模型在对人体检测时，相比于人工检测，可以降低误检率。

在另一个实施例中，提供了另一种图像量化方法，本实施例涉及的是当神经网络模型包括级联的一级神经网络模型和二级神经网络模型时，如何将医学图像输入至神经网络模型，得到第一目标分割图像和第二目标分割图像的具体过程。在上述实施例的基础上，如图3所示，上述S204可以包括以下步骤：

S302，将医学图像输入至一级神经网络模型进行一级分割，得到一级分割后的第一分割图像和一级分割后的第二分割图像。

其中，在将医学图像输入至神经网络模型之前，还可以将医学图像重采样成预设分辨率的图像，得到预设分辨率的医学图像，并对该预设分辨率的医学图像进行归一化处理，得到归一化后的医学图像。这里预设分辨率可以根据实际情况而定，可以是将医学图像统一重采样成一种分辨率的图像，还可以是两种分辨率的图像，对所有医学图像进行重采样，这样可以便于后续对医学图像进行统一处理，将重采样后的图像归一化处理，可以使得所有医学图像的像素范围、颜色等属性信息在统一范围内，这样在后续分割时，就可以避免出现有的医学图像的属性值太大或太小，导致分割得到的结果不精确的问题。

具体的，计算机设备在得到医学图像之后，可以从该医学图像中以相同的图像块大小取出图像块，然后再将取出的各个图像块输入至一级神经网络模型中进行分割处理，就可以得到一级分割后的第一分割图像和一级分割后的第二分割图像。这里利用图像块训练可以使计算量降低。这里采用一级神经网络对医学图像进行粗分割，实质上是可以对第一感兴趣区域和第二感兴趣区域进行粗定位。以肾脏为例，这里的第一分割图像可以是肾脏的第一分割图像，第二分割图像可以是肾脏病变区域的第一分割图像。

S304，将一级分割后的第一分割图像和一级分割后的第二分割图像输入至二级神经网络模型进行二级分割，得到二级分割后的第一分割图像和二级分割后的第二分割图像；二级分割的图像精度高于一级分割的图像精度。

其中，这里一级分割的图像精度和二级分割的图像精度可以根据实际情况而定，只要保证二级分割的图像精度大于一级分割的图像精度即可，例如以三维图像为例，这里一级分割的图像精度可以是[5mm，5mm，5mm]，二级分割的图像精度可以是[1mm，1mm，1mm]，当然也可以其他值，这里只是一个示例。

具体的，计算机设备在得到一级分割后的第一分割图像和一级分割后的第二分割图像之后，可以从该一级分割后的第一分割图像和一级分割后的第二分割图像中以相同的图像块大小取出图像块，然后再将取出的各个图像块输入至二级神经网络模型中进行分割处理，这样就可以得到二级分割后的第一分割图像和二级分割后的第二分割图像。这里一级分割和二级分割每次取出的图像块大小可以相同，也可以不同，本实施例为了计算方便，一级分割和二级分割使用的是相同大小的图像块。这里的采用二级神经网络对一级分割后的图像进行进一步细分割，实质上是可以对第一感兴趣区域和第二感兴趣区域进行细分割，即精细定位。

S306，将二级分割后的第一分割图像作为第一目标分割图像，以及将二级分割后的第二分割图像作为第二目标分割图像。

具体的，在得到二级分割后的第一分割图像和二级分割后的第二分割图像，即已经分割出第一感兴趣区域和第二感兴趣区域，那么就可以将二级分割后的第一分割图像作为第一目标分割图像，以及将二级分割后的第二分割图像作为第二目标分割图像。

需要说明的是，本申请实施例的方法也可以是采用一级神经网络模型实现对医学图像的分割，不过一级神经网络模型分割的图像精度一般没有多级神经网络模型分割的图像精度高，另外，一级分割的计算量会比较大，而采用多级分割，会先对目标粗定位，然后再一步步精细分割，这样可以减少计算量，从而提升计算机设备的性能参数。其次，这里使用的两级神经网络只是个示例，本申请还可以使用更多级的神经网络模型来实现对医学图像的分割，本实施例对此不作具体限定。

本实施例提供的图像量化方法，将医学图像输入至一级神经网络模型进行一级分割，得到一级分割后的第一分割图像和一级分割后的第二分割图像，并将该一级分割后的两类图像输入至二级神经网络模型进行二级分割，得到二级分割后的第一分割图像和二级分割后的第二分割图像；其中二级分割的图像精度高于一级分割的图像精度，最后将二级分割后的第一分割图像作为第一目标分割图像，以及将二级分割后的第二分割图像作为第二目标分割图像。在本实施例中，由于可以采用多级神经网络模型对医学图像进行分割，相比一级神经网络模型得到的目标分割图像，本实施例得到的目标分割图像的图像精度更高；另外，利用本实施例的方法可以先对目标粗定位，然后再一步步精细分割，这样可以减少计算量，从而提升计算机设备的性能参数。

在另一个实施例中，提供了另一种图像量化方法，本实施例涉及的是一级神经网络模型和二级神经网络模型的训练的具体过程。在上述实施例的基础上，如图4所示，一级神经网络模型的训练方法和二级神经网络模型的训练方法可以包括以下步骤：

S402，获取第一样本医学图像，第一样本医学图像包括第一感兴趣区域的标注位置信息和第二感兴趣区域的标注位置信息。

其中，这里的第一样本医学图像可以是一个，也可以是多个，本实施例使用的多个第一样本医学图像，每个第一样本医学图像均含有第一感兴趣区域的标注位置信息和第二感兴趣区域的标注位置信息。

具体的，计算机设备在获取第一样本医学图像时，获取方法可以和上述S202中获取医学图像的方法相同，在此不再赘述。

S404，对第一样本医学图像进行重采样处理，将第一样本医学图像重采样为一级分辨率样本图像和二级分辨率样本图像；二级分辨率高于一级分辨率。

其中，这里重采样可以是将医学图像统一重采样两种分辨率的图像，分别为一级分辨率图像和二级分辨率图像，对所有医学图像进行重采样，这样可以便于后续在利用神经网络模型对医学图像分割处理时，得到的分割结果更准确。这里的一级分辨率的大小和二级分辨率的大小可以根据实际情况而定，只要能保证二级分辨率高于一级分辨率即可，示例地，以三维图像为例，这里的一级分辨率可以是[6mm，6mm，6mm]，二级分辨率可以是[3mm，3mm，3mm]，当然也可以其他值，这里只是一个示例。

具体的，计算机设备在得到第一样本医学图像之后，可以对各个第一样本医学图像分别进行重采样，将每个第一样本图像均采样成一级分辨率图像和二级分辨率图像两类分辨率图像。

S406，基于一级分辨率样本图像对初始的一级神经网络模型进行训练，得到一级神经网络模型；以及，基于二级分辨率样本图像对初始的二级神经网络模型进行训练，得到二级神经网络模型。

具体的，计算机设备在得到一级分辨率图像和二级分辨率图像之后，首先可以对所有一级分辨率图像和二级分辨率图像进行归一化处理，之后可以从该归一化的图像中以相同的图像块大小取出图像块，然后再将各个取出的图像块输入至初始的神经网络模型中进行训练，以下将对一级分辨率图像(一级神经网络)和二级分辨率图像(二级神经网络)的训练过程分开来阐述。

针对第一感兴趣区域，计算机设备可以将各个一级分辨率图像中取出的各个图像块输入至初始的一级神经网络模型中进行分割，该一级分辨率图像上包括第一感兴趣区域以及第一感兴趣区域的标注位置信息，之后就可以得到第一感兴趣区域的预测位置信息，计算机设备可以通过计算第一感兴趣区域的预测位置信息和标注位置信息之间的损失，并将该损失作为一级分割损失函数的值，利用该一级分割损失函数的值对初始一级神经网络模型进行训练，当一级分割损失函数的值小于预设的一级损失函数阈值时，则可以确定一级神经网络模型已经训练好，此时，一级神经网络模型输出的位置信息即为第一感兴趣区域的位置信息。同样的，计算机设备可以将各个二级分辨率图像中取出的各个图像块输入至初始的二级神经网络模型中进行分割，该二级分辨率图像上包括第一感兴趣区域以及第一感兴趣区域的标注位置信息，之后就可以得到第一感兴趣区域的预测位置信息，计算机设备可以通过计算第一感兴趣区域的预测位置信息和标注位置信息之间的损失，并将该损失作为二级分割损失函数的值，利用该二级分割损失函数的值对初始二级神经网络模型进行训练，当二级分割损失函数的值小于预设的二级损失函数阈值时，则可以确定二级神经网络模型已经训练好，此时，二级神经网络模型输出的位置信息也是第一感兴趣区域的位置信息。不过根据二级神经网络模型得到的图像相比根据一级神经网络模型得到的图像，图像精度会更高。

另外，针对第二感兴趣区域，计算机设备也可以将各个一级分辨率图像中取出的各个图像块输入至初始的一级神经网络模型中进行分割，该一级分辨率图像上包括第二感兴趣区域以及第二感兴趣区域的标注位置信息，之后就可以得到第二感兴趣区域的预测位置信息，计算机设备可以通过计算第二感兴趣区域的预测位置信息和标注位置信息之间的损失，并将该损失作为一级分割损失函数的值，利用该一级分割损失函数的值对初始一级神经网络模型进行训练，当一级分割损失函数的值小于预设的一级损失函数阈值时，则可以确定一级神经网络模型已经训练好，此时，一级神经网络模型输出的位置信息即为第二感兴趣区域的位置信息。同样的，计算机设备可以将各个二级分辨率图像中取出的各个图像块输入至初始的二级神经网络模型中进行分割，该二级分辨率图像上包括第二感兴趣区域以及第二感兴趣区域的标注位置信息，之后就可以得到第二感兴趣区域的预测位置信息，计算机设备可以通过计算第二感兴趣区域的预测位置信息和标注位置信息之间的损失，并将该损失作为二级分割损失函数的值，利用该二级分割损失函数的值对初始二级神经网络模型进行训练，当二级分割损失函数的值小于预设的二级损失函数阈值时，则可以确定二级神经网络模型已经训练好，此时，二级神经网络模型输出的位置信息也是第二感兴趣区域的位置信息。不过根据二级神经网络模型得到的图像相比根据一级神经网络模型得到的图像，图像精度会更高。

本实施例提供的图像量化方法，通过获取第一样本医学图像，第一样本医学图像包括第一感兴趣区域的标注位置信息和第二感兴趣区域的标注位置信息，并对第一样本医学图像进行重采样处理，将第一样本医学图像重采样为一级分辨率样本图像和二级分辨率样本图像；其中二级分辨率高于一级分辨率，最后基于一级分辨率样本图像对初始的一级神经网络模型进行训练，得到一级神经网络模型；以及，基于二级分辨率样本图像对初始的二级神经网络模型进行训练，得到二级神经网络模型。在本实施例中，由于最终得到的一级神经网络模型和二级神经网络模型是对多个第一样本医学图像进行训练得到的，其得到的分割结果相对比较准确，因此，利用该神经网络模型对图像进行检测，相比于人工检测，可以降低误检率。

在另一个实施例中，提供了另一种图像量化方法，本实施例涉及的是如何根据第二感兴趣区域的类别、体积占比，确定其对应的用药量，从而根据用药量输出建议消息的具体过程。在上述实施例的基础上，如图5所示，该方法还可以包括以下步骤：

S502，根据第二感兴趣区域的类别、体积占比和用药量之间的对应关系，确定第二感兴趣区域的类别、体积占比对应的用药量。

其中，计算机设备在对医学图像进行检测之前之前，可以预先建立一个病变类别(即第二感兴趣区域)和体积占比与用药量之间的对应关系，即什么病变类别和多大的体积占比，对应多少用药量，将它们之间绑定起来，建立病变类别和体积占比两者和用药量之间对应关系，并保存该对应关系，在这里可以采集大量的样本来建立对应关系。示例地，以肾脏为例，假设是恶性肿瘤，癌恶性肿瘤在双肾上的体积占比是1/2，那么就需要比较大的药量，可以按照实际给设定一个用药量，例如500mg，这样就可以将恶性肿瘤、体积占比1/2和500mg绑定起来。

具体的，计算机设备在建立好第二感兴趣区域的类别、体积占比和用药量之间的对应关系之后，每得到一个第二感兴趣区域的类别和体积占比，相应的就可以得到该第二感兴趣区域的类别和体积占比对应的用药量。

S504，根据第二感兴趣区域的类别、体积占比对应的用药量，输出建议消息。

具体的，计算机设备在得到上述第二感兴趣区域的类别和体积占比对应的用药量之后，可以给待检测对象或者医生输出建议消息，该建议消息可以是建议待检测对象使用多少药量的，还可以是给待检测对象提供的生活、饮食等方面的建议消息，本实施例对建议消息的内容不作具体限定。

本实施例提供的图像量化方法，通过根据第二感兴趣区域的类别、体积占比和用药量之间的对应关系，就可以确定第二感兴趣区域的类别、体积占比对应的用药量，再根据该用药量，就可以对待检测对象或者医生输出建议消息。在本实施例中，由于用药量是依据第二感兴趣区域的类别和体积占比准确确定出来的，因此该方法得到的用药量也是较为准确的，从而也可以提高对待检测对象的诊断效果。

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6所示，提供了一种图像量化装置，包括：获取模块10、分割模块11和确定模块12，其中：

获取模块10，用于获取待检测对象的医学图像；

分割模块11，用于将所述医学图像输入至神经网络模型，得到第一目标分割图像和第二目标分割图像，所述第一目标分割图像包括第一感兴趣区域，所述第二目标分割图像包括第二感兴趣区域，所述神经网络模型包括至少一级神经网络模型；

确定模块12，用于根据所述第一感兴趣区域和所述第二感兴趣区域，确定所述第二感兴趣区域在所述第一感兴趣区域上的体积占比。

本实施例提供的图像量化装置，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。

在另一个实施例中，提供了另一种图像量化装置，在上述实施例的基础上，上述确定模块12可以包括：获取单元和占比确定单元，其中：

获取单元，用于获取所述第二感兴趣区域的体素数量和第一感兴趣区域的体素数量；

占比确定单元，用于将所述所述第二感兴趣区域的体素数量和第一感兴趣区域的体素数量做比值，得到所述第二感兴趣区域在所述第一感兴趣区域上的体积占比。

在另一个实施例中，提供了另一种图像量化装置，在上述实施例的基础上，上述装置还可以包括：分类模块，其中：

分类模块，用于将所述第二目标分割图像输入至分类模型，得到所述第二目标分割图像中所述第二感兴趣区域的类别；所述分类模型为神经网络模型。

在另一个实施例中，所述神经网络模型包括级联的一级神经网络模型和二级神经网络模型，上述分割模块11可以包括：一级分割单元、二级分割单元和图像确定单元，其中：

一级分割单元，用于将所述医学图像输入至所述一级神经网络模型进行一级分割，得到一级分割后的第一分割图像和一级分割后的第二分割图像；

二级分割单元，用于将所述一级分割后的第一分割图像和所述一级分割后的第二分割图像输入至所述二级神经网络模型进行二级分割，得到二级分割后的第一分割图像和二级分割后的第二分割图像；所述二级分割的图像精度高于所述一级分割的图像精度；

图像确定单元，用于将所述二级分割后的第一分割图像作为第一目标分割图像，以及将所述二级分割后的第二分割图像作为第二目标分割图像。

在另一个实施例中，上述装置还可以包括分割模型训练模块，该分割模型训练模块用于获取第一样本医学图像，所述第一样本医学图像包括第一感兴趣区域的标注位置信息和第二感兴趣区域的标注位置信息；对所述第一样本医学图像进行重采样处理，将所述第一样本医学图像重采样为一级分辨率样本图像和二级分辨率样本图像；所述二级分辨率高于所述一级分辨率；基于所述一级分辨率样本图像对初始的一级神经网络模型进行训练，得到所述一级神经网络模型；以及，基于所述二级分辨率样本图像对初始的二级神经网络模型进行训练，得到所述二级神经网络模型。

在另一个实施例中，上述装置还可以包括分类模型训练模块，该分类模型训练模块用于获取第二样本医学图像，所述第二样本医学图像包括第二感兴趣区域的标注位置信息、标注体积和标注类别；

将所述第二样本医学图像作为初始的分类模型的输入，将第二感兴趣区域的位置信息、体积和类别作为所述初始的分类模型的输出，对所述初始的分类模型进行训练，得到所述分类模型。

在另一个实施例中，提供了另一种图像量化装置，在上述实施例的基础上，上述装置还可以包括：药量确定模块和输出模块，其中：

药量确定模块，用于根据第二感兴趣区域的类别、体积占比和用药量之间的对应关系，确定所述第二感兴趣区域的类别、所述体积占比对应的用药量；

输出模块，用于根据所述第二感兴趣区域的类别、所述体积占比对应的用药量，输出建议消息。

本实施例提供的图像量化装置，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。

关于图像量化装置的具体限定可以参见上文中对于图像量化方法的限定，在此不再赘述。上述图像量化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，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：

获取待检测对象的医学图像；

将所述医学图像输入至神经网络模型，得到第一目标分割图像和第二目标分割图像，所述第一目标分割图像包括第一感兴趣区域，所述第二目标分割图像包括第二感兴趣区域，所述神经网络模型包括至少一级神经网络模型；

根据所述第一感兴趣区域和所述第二感兴趣区域，确定所述第二感兴趣区域在所述第一感兴趣区域上的体积占比。

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：

获取所述第二感兴趣区域的体素数量和第一感兴趣区域的体素数量，并将所述所述第二感兴趣区域的体素数量和第一感兴趣区域的体素数量做比值，得到所述第二感兴趣区域在所述第一感兴趣区域上的体积占比。

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：

将所述第二目标分割图像输入至分类模型，得到所述第二目标分割图像中所述第二感兴趣区域的类别；所述分类模型为神经网络模型。

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至所述一级神经网络模型进行一级分割，得到一级分割后的第一分割图像和一级分割后的第二分割图像；

将所述一级分割后的第一分割图像和所述一级分割后的第二分割图像输入至所述二级神经网络模型进行二级分割，得到二级分割后的第一分割图像和二级分割后的第二分割图像；所述二级分割的图像精度高于所述一级分割的图像精度；

将所述二级分割后的第一分割图像作为第一目标分割图像，以及将所述二级分割后的第二分割图像作为第二目标分割图像。

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：

获取第一样本医学图像，所述第一样本医学图像包括第一感兴趣区域的标注位置信息和第二感兴趣区域的标注位置信息；

对所述第一样本医学图像进行重采样处理，将所述第一样本医学图像重采样为一级分辨率样本图像和二级分辨率样本图像；所述二级分辨率高于所述一级分辨率；

基于所述一级分辨率样本图像对初始的一级神经网络模型进行训练，得到所述一级神经网络模型；以及，基于所述二级分辨率样本图像对初始的二级神经网络模型进行训练，得到所述二级神经网络模型。

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：

获取第二样本医学图像，所述第二样本医学图像包括第二感兴趣区域的标注位置信息、标注体积和标注类别；

将所述第二样本医学图像作为初始的分类模型的输入，将第二感兴趣区域的位置信息、体积和类别作为所述初始的分类模型的输出，对所述初始的分类模型进行训练，得到所述分类模型。

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：

根据第二感兴趣区域的类别、体积占比和用药量之间的对应关系，确定所述第二感兴趣区域的类别、所述体积占比对应的用药量；

根据所述第二感兴趣区域的类别、所述体积占比对应的用药量，输出建议消息。

在一个实施例中，提供了一种可读存储介质，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：

获取待检测对象的医学图像；

将所述医学图像输入至神经网络模型，得到第一目标分割图像和第二目标分割图像，所述第一目标分割图像包括第一感兴趣区域，所述第二目标分割图像包括第二感兴趣区域，所述神经网络模型包括至少一级神经网络模型；

根据所述第一感兴趣区域和所述第二感兴趣区域，确定所述第二感兴趣区域在所述第一感兴趣区域上的体积占比。

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：

获取所述第二感兴趣区域的体素数量和第一感兴趣区域的体素数量，并将所述所述第二感兴趣区域的体素数量和第一感兴趣区域的体素数量做比值，得到所述第二感兴趣区域在所述第一感兴趣区域上的体积占比。

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：

将所述第二目标分割图像输入至分类模型，得到所述第二目标分割图像中所述第二感兴趣区域的类别；所述分类模型为神经网络模型。

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至所述一级神经网络模型进行一级分割，得到一级分割后的第一分割图像和一级分割后的第二分割图像；

将所述一级分割后的第一分割图像和所述一级分割后的第二分割图像输入至所述二级神经网络模型进行二级分割，得到二级分割后的第一分割图像和二级分割后的第二分割图像；所述二级分割的图像精度高于所述一级分割的图像精度；

将所述二级分割后的第一分割图像作为第一目标分割图像，以及将所述二级分割后的第二分割图像作为第二目标分割图像。

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：

获取第一样本医学图像，所述第一样本医学图像包括第一感兴趣区域的标注位置信息和第二感兴趣区域的标注位置信息；

对所述第一样本医学图像进行重采样处理，将所述第一样本医学图像重采样为一级分辨率样本图像和二级分辨率样本图像；所述二级分辨率高于所述一级分辨率；

基于所述一级分辨率样本图像对初始的一级神经网络模型进行训练，得到所述一级神经网络模型；以及，基于所述二级分辨率样本图像对初始的二级神经网络模型进行训练，得到所述二级神经网络模型。

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：

获取第二样本医学图像，所述第二样本医学图像包括第二感兴趣区域的标注位置信息、标注体积和标注类别；

将所述第二样本医学图像作为初始的分类模型的输入，将第二感兴趣区域的位置信息、体积和类别作为所述初始的分类模型的输出，对所述初始的分类模型进行训练，得到所述分类模型。

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：

根据第二感兴趣区域的类别、体积占比和用药量之间的对应关系，确定所述第二感兴趣区域的类别、所述体积占比对应的用药量；

根据所述第二感兴趣区域的类别、所述体积占比对应的用药量，输出建议消息。

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)

1.一种图像量化方法，其特征在于，所述方法包括：

获取待检测对象的医学图像；

将所述医学图像输入至神经网络模型，得到第一目标分割图像和第二目标分割图像，所述第一目标分割图像包括第一感兴趣区域，所述第二目标分割图像包括第二感兴趣区域，所述神经网络模型包括至少一级神经网络模型；

根据所述第一感兴趣区域和所述第二感兴趣区域，确定所述第二感兴趣区域在所述第一感兴趣区域上的体积占比。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一感兴趣区域和所述第二感兴趣区域，确定所述第二感兴趣区域在所述第一感兴趣区域上的体积占比，包括：

获取所述第二感兴趣区域的体素数量和第一感兴趣区域的体素数量，并将所述所述第二感兴趣区域的体素数量和第一感兴趣区域的体素数量做比值，得到所述第二感兴趣区域在所述第一感兴趣区域上的体积占比。

3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

将所述第二目标分割图像输入至分类模型，得到所述第二目标分割图像中所述第二感兴趣区域的类别；所述分类模型为神经网络模型。

4.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括级联的一级神经网络模型和二级神经网络模型，所述将所述医学图像输入至神经网络模型，得到第一目标分割图像和第二目标分割图像，包括：

将所述医学图像输入至所述一级神经网络模型进行一级分割，得到一级分割后的第一分割图像和一级分割后的第二分割图像；

将所述一级分割后的第一分割图像和所述一级分割后的第二分割图像输入至所述二级神经网络模型进行二级分割，得到二级分割后的第一分割图像和二级分割后的第二分割图像；所述二级分割的图像精度高于所述一级分割的图像精度；

将所述二级分割后的第一分割图像作为第一目标分割图像，以及将所述二级分割后的第二分割图像作为第二目标分割图像。

5.根据权利要求4所述的方法，其特征在于，所述一级神经网络模型的训练方法和所述二级神经网络模型的训练方法包括：

获取第一样本医学图像，所述第一样本医学图像包括第一感兴趣区域的标注位置信息和第二感兴趣区域的标注位置信息；

对所述第一样本医学图像进行重采样处理，将所述第一样本医学图像重采样为一级分辨率样本图像和二级分辨率样本图像；所述二级分辨率高于所述一级分辨率；

基于所述一级分辨率样本图像对初始的一级神经网络模型进行训练，得到所述一级神经网络模型；以及，基于所述二级分辨率样本图像对初始的二级神经网络模型进行训练，得到所述二级神经网络模型。

6.根据权利要求3所述的方法，其特征在于，所述分类模型的训练方法包括：

获取第二样本医学图像，所述第二样本医学图像包括第二感兴趣区域的标注位置信息、标注体积和标注类别；

将所述第二样本医学图像作为初始的分类模型的输入，将第二感兴趣区域的位置信息、体积和类别作为所述初始的分类模型的输出，对所述初始的分类模型进行训练，得到所述分类模型。

7.根据权利要求3所述的方法，其特征在于，所述方法还包括：

根据第二感兴趣区域的类别、体积占比和用药量之间的对应关系，确定所述第二感兴趣区域的类别、所述体积占比对应的用药量；

根据所述第二感兴趣区域的类别、所述体积占比对应的用药量，输出建议消息。

8.一种图像量化装置，其特征在于，所述装置包括：

获取模块，用于获取待检测对象的医学图像；

分割模块，用于将所述医学图像输入至神经网络模型，得到第一目标分割图像和第二目标分割图像，所述第一目标分割图像包括第一感兴趣区域，所述第二目标分割图像包括第二感兴趣区域，所述神经网络模型包括至少一级神经网络模型；

确定模块，用于根据所述第一感兴趣区域和所述第二感兴趣区域，确定所述第二感兴趣区域在所述第一感兴趣区域上的体积占比。

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中任一项所述的方法的步骤。

10.一种可读存储介质，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中任一项所述的方法的步骤。

Images