CN110738664B - 图像定位方法、装置、计算机设备和存储介质 - Google Patents

图像定位方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110738664B
CN110738664B CN201910865661.3A CN201910865661A CN110738664B CN 110738664 B CN110738664 B CN 110738664B CN 201910865661 A CN201910865661 A CN 201910865661A CN 110738664 B CN110738664 B CN 110738664B
Authority
CN
China
Prior art keywords
region
interest
image
sub
segmentation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910865661.3A
Other languages
English (en)
Other versions
CN110738664A (zh
Inventor
姚广
韩妙飞
高耀宗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN201910865661.3A priority Critical patent/CN110738664B/zh
Publication of CN110738664A publication Critical patent/CN110738664A/zh
Application granted granted Critical
Publication of CN110738664B publication Critical patent/CN110738664B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30084—Kidney; Renal

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请涉及一种图像定位方法、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第一感兴趣区域，所述第一感兴趣区域包括多个子感兴趣区段；将所述第一目标分割图像输入至第二分割模型，得到第二目标分割图像，所述第二目标分割图像包括第二感兴趣区域；比较所述第二感兴趣区域和所述第一感兴趣区域，并从所述多个子感兴趣区段中定位所述第二感兴趣区域所在的子感兴趣区段。采用本方法能够提高检测效率和检测结果的准确性。

Description

图像定位方法、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定位方法、装置、计算机设备和存储介质。
背景技术
肾脏对于人体来说非常重要，其关乎着人体内体液以及酸碱度的平衡，同时其具有的内分泌功能可以调节人体血压、促进细胞分化，一旦肾脏出现病变，那么会给人体带来非常多的危害，因此，对肾脏是否病变的检测就显得尤为重要。
传统技术中一般都是利用CT(Computed Tomography，电子计算机断层扫描)对患者进行平扫或者增强扫描，得到多层图像切片，医生通过观察该多层图像切片，借助肾静脉等位置信息，并根据经验定位出肾脏的病变位置。
然而上述通过医生观看多层图像切片，并根据经验定位出肾脏的病变位置的方法，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，提供一种图像定位方法、装置、计算机设备和存储介质。
一种图像定位方法，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第一分割模型，得到第一目标分割图像，上述第一目标分割图像包括第一感兴趣区域，上述第一感兴趣区域包括多个子感兴趣区段；
将上述第一目标分割图像输入至第二分割模型，得到第二目标分割图像，上述第二目标分割图像包括第二感兴趣区域；
比较上述第二感兴趣区域和上述第一感兴趣区域，并从上述多个子感兴趣区段中定位上述第二感兴趣区域所在的子感兴趣区段。
一种图像定位装置，该装置包括：
获取模块，用于获取待检测对象的医学图像；
第一分割模块，用于将所述医学图像输入至第一分割模型，得到第一目标分割图像，所述第一目标分割图像包括第一感兴趣区域，所述第一感兴趣区域包括多个子感兴趣区段；
第二分割模块，用于将所述第一目标分割图像输入至第二分割模型，得到第二目标分割图像，所述第二目标分割图像包括第二感兴趣区域；
定位模块，用于比较所述第二感兴趣区域和所述第一感兴趣区域，并从所述多个子感兴趣区段中定位所述第二感兴趣区域所在的子感兴趣区段。
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第一分割模型，得到第一目标分割图像，上述第一目标分割图像包括第一感兴趣区域，上述第一感兴趣区域包括多个子感兴趣区段；
将上述第一目标分割图像输入至第二分割模型，得到第二目标分割图像，上述第二目标分割图像包括第二感兴趣区域；
比较上述第二感兴趣区域和上述第一感兴趣区域，并从上述多个子感兴趣区段中定位上述第二感兴趣区域所在的子感兴趣区段。
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第一分割模型，得到第一目标分割图像，上述第一目标分割图像包括第一感兴趣区域，上述第一感兴趣区域包括多个子感兴趣区段；
将上述第一目标分割图像输入至第二分割模型，得到第二目标分割图像，上述第二目标分割图像包括第二感兴趣区域；
比较上述第二感兴趣区域和上述第一感兴趣区域，并从上述多个子感兴趣区段中定位上述第二感兴趣区域所在的子感兴趣区段。
上述图像定位方法、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第一分割模型，得到第一目标分割图像，该第一目标分割图像包括第一感兴趣区域，该第一感兴趣区域包括多个子感兴趣区段，之后将第一目标分割图像输入至第二分割模型，得到第二目标分割图像，该第二目标分割图像包括第二感兴趣区域，最后比较第二感兴趣区域和第一感兴趣区域，并从多个子感兴趣区段中定位第二感兴趣区域所在的子感兴趣区段。在该方法中，由于第一感兴趣区域和多个子感兴趣区段，以及第二感兴趣区域是通过将医学图像输入至训练好的分割模型得到的，相比于传统的根据人工经验得到感兴趣区域，并定位出感兴趣区域位置的方法，该方法得到多个子感兴趣区段和第二感兴趣区域更准确，进而在利用该准确的多个子感兴趣区段和第二感兴趣区域去定位第二感兴趣区域的位置时，定位出的位置也是更准确的，因此后续医生在该准确的位置上去对病变情况进行分析时，得到的分析结果也会更准确，这样医生在根据该分析结果制定治疗方案时，得到的治疗方案也是更准确的，因此该方法的检测效率更高，检测结果也更加准确。
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定位方法的流程示意图；
图3为另一个实施例中图像定位方法的流程示意图；
图4为另一个实施例中图像定位方法的流程示意图；
图5为另一个实施例中图像定位方法的流程示意图；
图6为另一个实施例中图像定位方法的流程示意图；
图7为另一个实施例中图像定位方法的流程示意图；
图8为一个实施例中图像定位装置的结构框图。
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，肾脏按解剖学定义，一个肾脏中的每一段动脉供给的肾实质区域称为肾段，肾段共有五个，分为上段、上前段、下前段、下段和后段，肾段的存在为肾限局性病变的定位及肾段或肾部分切除提供了解剖学基础。目前CT图像的分辨率高且应用普遍，已经成为肾脏肿瘤疾病的重要检查手段，但通常在横断层CT图像上确定五个肾段非常困难，主要原因是平扫甚至增强扫描均不易清楚显示五条肾段动脉，有时若想知道肾肿瘤患者的肿瘤具体位置信息，专业的医生也需要仔细的观察CT图像每一层特征，凭借经验以及借鉴如肾静脉等的位置信息才能比较准确的定位出肾脏肿瘤属于肾段的哪一部分、占肾脏总体积的百分比是多少，这样的方法耗费的时间较长，检测效率低，且凭借经验带来的误检率也比较高。因此，本申请实施例提供一种图像定位方法、计算机设备和存储介质，旨在解决上述现有技术存在的问题。
本申请实施例提供的图像定位方法，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定位方法。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定位装置，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，提供了一种图像定位方法，本实施例涉及的是如何对医学图像进行分割，得到多个子感兴趣区段和第二感兴趣区域，并从多个子感兴趣区段上定位第二感兴趣区域所在的子感兴趣区段的具体过程。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，例如肝、胆、脾、胰等等，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，将医学图像输入至第一分割模型，得到第一目标分割图像，该第一目标分割图像包括第一感兴趣区域，第一感兴趣区域包括多个子感兴趣区段。
其中，这里的第一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 ConvolutionalNetworks，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，这里的第一分割模型可以是级联的分割模型，可以包括一级分割模型，也可以包括多级级联的分割模型；以肾脏为例，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；另外，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。
其次，这里的分割模型可以是通过将医学图像进行分割直接得到多个子感兴趣区段，还可以是先将医学图像进行分割得到第一感兴趣区域，再将第一感兴趣区域进行分割，得到多个子感兴趣区段，本实施例对此不作具体限定。另外，这里的子感兴趣区段的数量可以是2个、3个、4个、5个、6个等等，一般为整数个，以单个肾脏为例，这里的子感兴趣区段的数量一般为5个，分为上段、上前段、下前段、下段和后段共5个肾段；其次，这里如果第一感兴趣区域是双肾，那么子感兴趣区段的数量可以是两个肾脏都是5个，总共是10个肾段，也就是说，两个第一感兴趣区域包括的子感兴趣区段的数量是相同的，即两个肾脏分成的肾段数是相同的，两个肾脏分成的肾段也可以是相对应的；另外，在分割得到肾脏的子感兴趣区段时，可以是按照肾脏动脉进行分割。
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第一分割模型进行分割处理，就可以得到第一目标分割图像，该第一目标分割图像上包括第一感兴趣区域，该第一感兴趣区域包括多个子感兴趣区段。
S206，将第一目标分割图像输入至第二分割模型，得到第二目标分割图像，该第二目标分割图像包括第二感兴趣区域。
其中，这里的第二分割模型可以是和上述第一分割模型相同的模型，也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；另外，这里的第二分割模型也可以是级联的分割模型，其可以包括一级分割模型，也可以包括多级级联的分割模型。以肾脏为例，这里的第二感兴趣区域可以是肾脏的病变区域(例如肾脏肿瘤或肾结石等)，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。假设是对双肾进行分割，那么可以对双肾的病变区域分别进行分割，也可以对双肾的病变区域同时进行分割。
具体的，计算机设备在得到第一目标分割图像之后，可以将该第一目标分割图像输入第二分割模型进行分割处理，就可以得到第二目标分割图像，该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。
S208，比较第二感兴趣区域和第一感兴趣区域，并从多个子感兴趣区段中定位第二感兴趣区域所在的子感兴趣区段。
具体的，计算机设备在得到第一感兴趣区域和第二感兴趣区域时，利用位置计算方法等也可以得到第一感兴趣区域的位置信息和第二感兴趣区域的位置信息，在得到之后，就可以将第一感兴趣区域的位置信息和第二感兴趣区域的位置信息进行比较，这样就可以得到第二感兴趣区域在第一感兴趣区域的哪个子感兴趣区段上。
上述图像定位方法中，通过获取待检测对象的医学图像，将该医学图像输入至第一分割模型，得到第一目标分割图像，该第一目标分割图像包括第一感兴趣区域，该第一感兴趣区域包括多个子感兴趣区段，之后将第一目标分割图像输入至第二分割模型，得到第二目标分割图像，该第二目标分割图像包括第二感兴趣区域，最后比较第二感兴趣区域和第一感兴趣区域，并从多个子感兴趣区段中定位第二感兴趣区域所在的子感兴趣区段。在该方法中，由于第一感兴趣区域和多个子感兴趣区段，以及第二感兴趣区域是通过将医学图像输入至训练好的分割模型得到的，相比于传统的根据人工经验得到感兴趣区域，并定位出感兴趣区域位置的方法，该方法得到多个子感兴趣区段和第二感兴趣区域更准确，进而在利用该准确的多个子感兴趣区段和第二感兴趣区域去定位第二感兴趣区域的位置时，定位出的位置也是更准确的，因此后续医生在该准确的位置上去对病变情况进行分析时，得到的分析结果也会更准确，这样医生在根据该分析结果制定治疗方案时，得到的治疗方案也是更准确的，因此该方法的检测效率更高，检测结果也更加准确。
在另一个实施例中，提供了另一种图像定位方法，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，如图3所示，上述方法还可以包括以下步骤：
S302，获取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。
S304，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，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，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定位方法，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，提供了另一种图像定位方法，本实施例涉及的是如何从多个子感兴趣区段中定位出第二感兴趣区域所在的子感兴趣区段的具体过程。在上述实施例的基础上，如图4所示，上述S208可以包括以下步骤：
S402，获取第一感兴趣区域的各个子感兴趣区段的位置信息、第二感兴趣区域的位置信息。
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，可以利用位置信息计算方法等来得到第一目标分割图像上第一感兴趣区域的位置信息、以及得到第一感兴趣区域上各个子感兴趣区段的位置信息，同样利用位置信息计算方法等也可以得到第二目标分割图像上第二感兴趣区域的位置信息；另外，这里各个子感兴趣区段的位置信息可以包括各个子感兴趣区段边界的位置信息。
S404，将第二感兴趣区域的位置信息和各个子感兴趣区段的位置信息分别进行比较，并从各个子感兴趣区段中定位第二感兴趣区域所在的子感兴趣区段。
其中，各个子感兴趣区段可以称为第一子感兴趣区段、第二子感兴趣区段、第三子感兴趣区段等等。
具体的，计算机设备在得到第一感兴趣区域上各个子感兴趣区段边界的位置信息、第二感兴趣区域的位置信息之后，可以将第二感兴趣区域的位置信息分别和各个子感兴趣区段边界的位置信息进行对比，当第二感兴趣区域的位置信息在某个子感兴趣区段边界的位置信息以内时，则就可以认为第二感兴趣区域属于该子感兴趣区段，否则，则就可以认为第二感兴趣区域不属于该子感兴趣区段。示例地，比如当第二感兴趣区域的位置信息在第一子感兴趣区段边界的位置信息以内时，则就可以认为第二感兴趣区域的位置信息属于第一子感兴趣区段。
示例地，以肾脏为例，通常将肾脏分为五段，针对各段肾段的治疗方法也是不同的，因此，在通过病灶确定人体患有肾脏肿瘤或者肾结石等病况时，需要进一步定位出病灶属于肾脏的哪一段，这样会便于医生有针对性地对患者进行治疗，已达到更好的治疗效果。
本实施例提供的图像定位方法，通过获取第一感兴趣区域的各个子感兴趣区段的位置信息、第二感兴趣区域的位置信息，并将第二感兴趣区域的位置信息和各个子感兴趣区段的位置信息分别进行比较，并从各个子感兴趣区段中定位第二感兴趣区域所在的子感兴趣区段。在本实施例中，由于可以定位出第二感兴趣区域在第一感兴趣区域的各个子感兴趣区段上所在的具体区段，这样在医生对患者进行诊治时，就可以有针对性地针对各个子感兴趣区段去诊治，从而就可以达到一个更好的治疗效果。
在另一个实施例中，提供了另一种图像定位方法，本实施例涉及的是如果第二感兴趣区域位于多个子感兴趣区段时，如何从多个子感兴趣区段中定位出第二感兴趣区域所在的子感兴趣区段的一种可能的实施方式。在上述实施例的基础上，如图5所示，上述方法还可以包括以下步骤：
S502，获取第二感兴趣区域在各子感兴趣区段上的体素数量。
其中，这里第二感兴趣区域可以是一个，也可以是多个，那么第二感兴趣区域在各个子感兴趣区段上的体素数量就可以是一个或多个第二感兴趣区域在各个子感兴趣区段上的体素数量。
具体的，第二感兴趣区域位于至少两个子感兴趣区段，也就是说，第二感兴趣区域的位置信息在至少两个子感兴趣区段边界的位置信息以内，那么就可以利用体素统计工具或者体素统计方法等，统计第二感兴趣区域在上述至少两个子感兴趣区段上的体素数量，分别得到第二感兴趣区域在其位于的那几个子感兴趣区段上的体素数量。示例地，以二维图像为例，假设第二感兴趣区域两端的边界位置信息分别为(3,0)和(8,0)，假设包括5个子感兴趣区段，其中，第二感兴趣区域位于第一子感兴趣区段和第二子感兴趣区段上，第一子感兴趣区段边界的位置信息分别为(1,0)和(5,0)，第二子感兴趣区段边界的位置信息分别为(5,0)和(10,0)，那么第二感兴趣区域在第一子感兴趣区段上的体素，就可以统计位置(3,0)到位置(5,0)之间第二感兴趣区域的体素数量，第二感兴趣区域在第二子感兴趣区段上的体素，就可以统计位置(5,0)到位置(8,0) 之间第二感兴趣区域的体素数量。
S504，比较第二感兴趣区域在各子感兴趣区段上的体素数量，并获取目标体素数量，该目标体素数量为第二感兴趣区域在各子感兴趣区段上的体素数量中的最大值。
具体的，计算机设备在得到第二感兴趣区域在其位于的几个子感兴趣区段上的体素数量之后，可以将这几个体素数量分别进行比较，或者对这几个体素数量进行排序，就可以得到这几个体素数量中的最大值，即最大体素数量，并将该最大体素数量作为目标体素数量。
S506，将目标体素数量对应的子感兴趣区段确定为第二感兴趣区域所在的子感兴趣区段。
具体的，计算机设备在得到目标体素数量之后，也可以得到该目标体素数量对应的子感兴趣区段，然后就可以把该目标体素数量对应的子感兴趣区段作为第二感兴趣区域所在的子感兴趣区段。这里进行第二感兴趣区域在多个子感兴趣区段的体素数量比较，目的就是准确地找到第二感兴趣区域所在的子感兴趣区段，从而准确地，且有针对性地去用药和治疗。
本实施例提供的图像定位方法，若第二感兴趣区域位于至少两个子感兴趣区段，则获取第二感兴趣区域在各子感兴趣区段上的体素数量，比较这几个体素数量，从中得到最大体素数量作为目标体素数量，并将目标体素数量对应的子感兴趣区段确定为第二感兴趣区域所在的子感兴趣区段。在本实施例中，由于可以准确地确定第二感兴趣区域所在的子感兴趣区段，从而在后续对患者进行治疗时，可以准确地，且有针对性地去用药和治疗。
在另一个实施例中，提供了另一种图像定位方法，本实施例涉及的是若第一分割模型和第二分割模型均为级联分割模型，且第一分割模型和第二分割模型均包括一级分割模型和二级分割模型，二级分割模型分割的图像精度高于一级分割模型分割的图像精度，如何对一级分割模型和二级分割模型进行训练的具体过程。在上述实施例的基础上，如图6所示，该一级分割模型的训练方法和二级分割模型的训练方法可以包括以下步骤：
需要说明的是，本实施例的方法也可以用一级分割模型实现，同样也可以用级联的分割模型实现，本实施例主要以级联的两级分割模型来进行说明。
S602，获取样本医学图像，该样本医学图像包括第一感兴趣区域的各子感兴趣区段的标注位置信息。
其中，这里的样本医学图像可以是一个，也可以是多个，本实施例使用的是多个样本医学图像，每个样本医学图像均含有第一感兴趣区域的各子感兴趣区段的标注位置信息。
具体的，计算机设备在获取样本医学图像时，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。
S604，对样本医学图像进行重采样处理，将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，上述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分割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，计算机设备在得到样本医学图像之后，可以对各个样本医学图像分别进行重采样，将每个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。
S606，基于一级分辨率样本图像对初始的一级分割模型进行训练，得到一级分割模型；以及，基于二级分辨率样本图像对初始的二级分割模型进行训练，得到二级分割模型。
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一级分割模型中进行训练，以下将对一级分辨率图像(一级分割模型)和二级分辨率图像(二级分割模型)的训练过程分开来阐述。
计算机设备可以将从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分割模型中进行分割，该一级分辨率图像上包括第一感兴趣区域的各子感兴趣区段的标注位置信息，之后就可以得到各子感兴趣区段的预测位置信息，计算机设备可以通过计算各子感兴趣区段的预测位置信息和其对应的子感兴趣区段的标注位置信息之间的损失，并将各子感兴趣区段的损失和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的一级分割模型进行训练，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，则可以确定一级分割模型已经训练好，此时，一级分割模型输出的位置信息即为第一感兴趣区域的各子感兴趣区段的位置信息。
同样的，计算机设备可以将从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分割模型中进行分割，该二级分辨率图像上也包括第一感兴趣区域的各子感兴趣区段的标注位置信息，之后就可以得到各子感兴趣区段的预测位置信息，计算机设备可以通过计算各子感兴趣区段的预测位置信息和其对应的子感兴趣区段的标注位置信息之间的损失，并将这里各子感兴趣区段损失和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分割模型进行训练，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，则可以确定二级分割模型已经训练好，此时，二级分割模型输出的位置信息也是第一感兴趣区域的各子感兴趣区段的位置信息；不过根据二级分割模型得到的图像相比根据一级分割模型得到的图像，图像精度会更高。
需要说明的是，本实施例给出的是对第一分割模型的两级分割模型进行训练的过程，但是在实际使用过程中，本实施例的方法也同样适用于对第二分割模型的训练过程，该第二分割模型也可以包括一级分割模型和二级分割模型，在训练时，可以采用如下步骤对第二分割模型进行训练：获取样本医学图像，该样本医学图像包括第二感兴趣区域的标注位置信息(这里样本医学图像也可以是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，即先分割出第一感兴趣区域，再在第一感兴趣区域上分割出第二感兴趣区域)，对样本医学图像进行重采样处理，将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，该二级分辨率高于一级分辨率，基于一级分辨率样本图像对初始的一级分割模型进行训练，得到一级分割模型；以及，基于二级分辨率样本图像对初始的二级分割模型进行训练，得到二级分割模型。
其次，本实施例中提到的损失函数可以是Dice损失函数、Focal损失函数等，当然也可以是其他损失函数。
本实施例提供的图像定位方法，通过获取样本医学图像，该样本医学图像包括第一感兴趣区域的各子感兴趣区段的标注位置信息，对样本医学图像进行重采样处理，将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，该二级分辨率高于一级分辨率，基于一级分辨率样本图像对初始的一级分割模型进行训练，得到一级分割模型；以及，基于二级分辨率样本图像对初始的二级分割模型进行训练，得到二级分割模型。在本实施例中，由于最终得到的一级分割模型和二级分割模型是对多个不同分辨率的样本医学图像进行训练得到的，因此其得到的分割结果相对比较准确，因此，利用该分割模型对图像进行检测，相比于人工检测，可以降低误检率；另外，利用两级分割模型来对图像进行分割，可以降低计算量，从而可以提高计算效率和检测效率。
在另一个实施例中，提供了另一种图像定位方法，本实施例涉及的是在得到医学图像之后，如何对该医学图像进行预处理，并将预处理后的图像输入分割模型进行分割的具体过程。在上述实施例的基础上，如图7所示，上述方法还可以包括以下步骤：
S702，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。
S704，对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。
其中，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，例如以三维图像为例，这里的重采样的分辨率可以包括但不限于[6mm，6mm，6mm]、[5mm，5mm， 5mm]、[3mm，3mm，3mm]、[1mm，1mm，1mm]等，也就是说，重采样的分辨率可以不限定这几个分辨率。另外，这里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，在得到医学图像后，且在将医学图像输入至分割模型之前，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。
本实施例提供的图像定位方法，在得到医学图像后，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。在本实施例中，由于可以对图像进行重采样，这样后续在进行图像分割时，可以避免因分辨率不同造成的分割误差；另外，由于对重采样后的图像可以进行归一化，这样可以避免出现个别医学图像的属性值太大或太小，导致后续对图像分割得到的结果不精确的问题。
应该理解的是，虽然图2-7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2-7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8所示，提供了一种图像定位装置，包括：获取模块10、第一分割模块11、第二分割模块12和定位模块13，其中：
获取模块10，用于获取待检测对象的医学图像；
第一分割模块11，用于将所述医学图像输入至第一分割模型，得到第一目标分割图像，所述第一目标分割图像包括第一感兴趣区域，所述第一感兴趣区域包括多个子感兴趣区段；
第二分割模块12，用于将所述第一目标分割图像输入至第二分割模型，得到第二目标分割图像，所述第二目标分割图像包括第二感兴趣区域；
定位模块13，用于比较所述第二感兴趣区域和所述第一感兴趣区域，并从所述多个子感兴趣区段中定位所述第二感兴趣区域所在的子感兴趣区段。
本实施例提供的图像定位装置，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，提供了另一种图像定位装置，在上述实施例的基础上，该装置还可以包括：体素获取模块和计算模块，其中：
体素获取模块，用于获取所述第一感兴趣区域的体素数量和所述第二感兴趣区域的体素数量；
计算模块，用于将所述第二感兴趣区域的体素数量和所述第一感兴趣区域的体素数量做比值，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。
在另一个实施例中，上述定位模块13 可以包括：位置获取单元和定位单元，其：
位置获取单元，用于获取所述第一感兴趣区域的各个子感兴趣区段的位置信息、所述第二感兴趣区域的位置信息；
定位单元，用于将所述第二感兴趣区域的位置信息和所述各个子感兴趣区段的位置信息分别进行比较，并从所述各个子感兴趣区段中定位所述第二感兴趣区域所在的子感兴趣区段。
在另一个实施例中，若上述第二感兴趣区域位于至少两个子感兴趣区段，则上述定位模块13 还可以包括：体素获取单元、比较单元和确定单元，其中：
体素获取单元，用于获取所述第二感兴趣区域在各所述子感兴趣区段上的体素数量；
比较单元，用于比较所述第二感兴趣区域在各所述子感兴趣区段上的体素数量，并获取目标体素数量，所述目标体素数量为所述第二感兴趣区域在各所述子感兴趣区段上的体素数量中的最大值；
确定单元，用于将所述目标体素数量对应的子感兴趣区段确定为所述第二感兴趣区域所在的子感兴趣区段。
在另一个实施例中，所述第一分割模型和所述第二分割模型均为级联分割模型，且所述第一分割模型和所述第二分割模型均包括一级分割模型和二级分割模型，所述二级分割模型分割的图像精度高于所述一级分割模型分割的图像精度。
在另一个实施例中，上述装置还可以包括训练模块，其中：
训练模块，用于获取样本医学图像，所述样本医学图像包括第一感兴趣区域的各子感兴趣区段的标注位置信息；对所述样本医学图像进行重采样处理，将所述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分割模型进行训练，得到所述一级分割模型；以及，基于所述二级分辨率样本图像对初始的二级分割模型进行训练，得到所述二级分割模型。
在另一个实施例中，在上述获取待检测对象的医学图像之后，上述装置还可以包括重采样模块和归一化模块，其中：
重采样模块，用于将所述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；
归一化模块，用于对所述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。
本实施例提供的图像定位装置，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。
上述图像定位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第一感兴趣区域，所述第一感兴趣区域包括多个子感兴趣区段；
将所述第一目标分割图像输入至第二分割模型，得到第二目标分割图像，所述第二目标分割图像包括第二感兴趣区域；
比较所述第二感兴趣区域和所述第一感兴趣区域，并从所述多个子感兴趣区段中定位所述第二感兴趣区域所在的子感兴趣区段。
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：
获取所述第一感兴趣区域的体素数量和所述第二感兴趣区域的体素数量；
将所述第二感兴趣区域的体素数量和所述第一感兴趣区域的体素数量做比值，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：
获取所述第一感兴趣区域的各个子感兴趣区段的位置信息、所述第二感兴趣区域的位置信息；
将所述第二感兴趣区域的位置信息和所述各个子感兴趣区段的位置信息分别进行比较，并从所述各个子感兴趣区段中定位所述第二感兴趣区域所在的子感兴趣区段。
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在各所述子感兴趣区段上的体素数量；
比较所述第二感兴趣区域在各所述子感兴趣区段上的体素数量，并获取目标体素数量，所述目标体素数量为所述第二感兴趣区域在各所述子感兴趣区段上的体素数量中的最大值；
将所述目标体素数量对应的子感兴趣区段确定为所述第二感兴趣区域所在的子感兴趣区段。
在一个实施例中，所述第一分割模型和所述第二分割模型均为级联分割模型，且所述第一分割模型和所述第二分割模型均包括一级分割模型和二级分割模型，所述二级分割模型分割的图像精度高于所述一级分割模型分割的图像精度。
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，所述样本医学图像包括第一感兴趣区域的各子感兴趣区段的标注位置信息；
对所述样本医学图像进行重采样处理，将所述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分割模型进行训练，得到所述一级分割模型；以及，基于所述二级分辨率样本图像对初始的二级分割模型进行训练，得到所述二级分割模型。
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：
将所述医学图像重采样成预设分辨率的图像，得到预设分辨率的医学图像；
对所述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。
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第一感兴趣区域，所述第一感兴趣区域包括多个子感兴趣区段；
将所述第一目标分割图像输入至第二分割模型，得到第二目标分割图像，所述第二目标分割图像包括第二感兴趣区域；
比较所述第二感兴趣区域和所述第一感兴趣区域，并从所述多个子感兴趣区段中定位所述第二感兴趣区域所在的子感兴趣区段。
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：
获取所述第一感兴趣区域的体素数量和所述第二感兴趣区域的体素数量；
将所述第二感兴趣区域的体素数量和所述第一感兴趣区域的体素数量做比值，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：
获取所述第一感兴趣区域的各个子感兴趣区段的位置信息、所述第二感兴趣区域的位置信息；
将所述第二感兴趣区域的位置信息和所述各个子感兴趣区段的位置信息分别进行比较，并从所述各个子感兴趣区段中定位所述第二感兴趣区域所在的子感兴趣区段。
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在各所述子感兴趣区段上的体素数量；
比较所述第二感兴趣区域在各所述子感兴趣区段上的体素数量，并获取目标体素数量，所述目标体素数量为所述第二感兴趣区域在各所述子感兴趣区段上的体素数量中的最大值；
将所述目标体素数量对应的子感兴趣区段确定为所述第二感兴趣区域所在的子感兴趣区段。
在一个实施例中，所述第一分割模型和所述第二分割模型均为级联分割模型，且所述第一分割模型和所述第二分割模型均包括一级分割模型和二级分割模型，所述二级分割模型分割的图像精度高于所述一级分割模型分割的图像精度。
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，所述样本医学图像包括第一感兴趣区域的各子感兴趣区段的标注位置信息；
对所述样本医学图像进行重采样处理，将所述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分割模型进行训练，得到所述一级分割模型；以及，基于所述二级分辨率样本图像对初始的二级分割模型进行训练，得到所述二级分割模型。
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：
将所述医学图像重采样成预设分辨率的图像，得到预设分辨率的医学图像；
对所述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。
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)

1.一种图像定位方法，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第一感兴趣区域，所述第一感兴趣区域包括多个子感兴趣区段；
将所述第一目标分割图像输入至第二分割模型，得到第二目标分割图像，所述第二目标分割图像包括第二感兴趣区域；
获取所述第一感兴趣区域的各个子感兴趣区段的位置信息、所述第二感兴趣区域的位置信息；
将所述第二感兴趣区域的位置信息和所述各个子感兴趣区段的位置信息分别进行比较，并从所述各个子感兴趣区段中定位所述第二感兴趣区域所在的子感兴趣区段；
其中，若所述第二感兴趣区域位于至少两个子感兴趣区段，则获取所述第二感兴趣区域在各所述子感兴趣区段上的体素数量；比较所述第二感兴趣区域在各所述子感兴趣区段上的体素数量，并获取目标体素数量，所述目标体素数量为所述第二感兴趣区域在各所述子感兴趣区段上的体素数量中的最大值；将所述目标体素数量对应的子感兴趣区段确定为所述第二感兴趣区域所在的子感兴趣区段。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述第一感兴趣区域的体素数量和所述第二感兴趣区域的体素数量；
将所述第二感兴趣区域的体素数量和所述第一感兴趣区域的体素数量做比值，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。
3.根据权利要求1所述的方法，其特征在于，所述第一分割模型和所述第二分割模型均为级联分割模型，且所述第一分割模型和所述第二分割模型均包括一级分割模型和二级分割模型，所述二级分割模型分割的图像精度高于所述一级分割模型分割的图像精度。
4.根据权利要求3所述的方法，其特征在于，所述一级分割模型的训练方法和所述二级分割模型的训练方法，包括：
获取样本医学图像，所述样本医学图像包括第一感兴趣区域的各子感兴趣区段的标注位置信息；
对所述样本医学图像进行重采样处理，将所述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分割模型进行训练，得到所述一级分割模型；以及，基于所述二级分辨率样本图像对初始的二级分割模型进行训练，得到所述二级分割模型。
5.根据权利要求1所述的方法，其特征在于，在所述获取待检测对象的医学图像之后，所述方法还包括：
将所述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；
对所述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。
6.一种图像定位装置，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；
第一分割模块，用于将所述医学图像输入至第一分割模型，得到第一目标分割图像，所述第一目标分割图像包括第一感兴趣区域，所述第一感兴趣区域包括多个子感兴趣区段；
第二分割模块，用于将所述第一目标分割图像输入至第二分割模型，得到第二目标分割图像，所述第二目标分割图像包括第二感兴趣区域；
定位模块，用于获取所述第一感兴趣区域的各个子感兴趣区段的位置信息、所述第二感兴趣区域的位置信息；将所述第二感兴趣区域的位置信息和所述各个子感兴趣区段的位置信息分别进行比较，并从所述各个子感兴趣区段中定位所述第二感兴趣区域所在的子感兴趣区段；
其中，若所述第二感兴趣区域位于至少两个子感兴趣区段，则获取所述第二感兴趣区域在各所述子感兴趣区段上的体素数量；比较所述第二感兴趣区域在各所述子感兴趣区段上的体素数量，并获取目标体素数量，所述目标体素数量为所述第二感兴趣区域在各所述子感兴趣区段上的体素数量中的最大值；将所述目标体素数量对应的子感兴趣区段确定为所述第二感兴趣区域所在的子感兴趣区段。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括体素获取模块和计算模块，其中：
所述体素获取模块，用于获取所述第一感兴趣区域的体素数量和所述第二感兴趣区域的体素数量；
所述计算模块，用于将所述第二感兴趣区域的体素数量和所述第一感兴趣区域的体素数量做比值，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。
8.根据权利要求6所述的装置，其特征在于，所述第一分割模型和所述第二分割模型均为级联分割模型，且所述第一分割模型和所述第二分割模型均包括一级分割模型和二级分割模型，所述二级分割模型分割的图像精度高于所述一级分割模型分割的图像精度。
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5中任一项所述的方法的步骤。
CN201910865661.3A 2019-09-12 2019-09-12 图像定位方法、装置、计算机设备和存储介质 Active CN110738664B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910865661.3A CN110738664B (zh) 2019-09-12 2019-09-12 图像定位方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910865661.3A CN110738664B (zh) 2019-09-12 2019-09-12 图像定位方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN110738664A CN110738664A (zh) 2020-01-31
CN110738664B true CN110738664B (zh) 2022-08-23

Family

ID=69267886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910865661.3A Active CN110738664B (zh) 2019-09-12 2019-09-12 图像定位方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110738664B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127467B (zh) * 2020-03-31 2020-07-14 上海联影智能医疗科技有限公司 图像量化方法、计算机设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106725846A (zh) * 2016-11-21 2017-05-31 厦门强本宇康科技有限公司 一种基于人体器官3d模型的手术仿真系统及方法
CN108305255A (zh) * 2017-01-12 2018-07-20 浙江京新术派医疗科技有限公司 肝脏手术切割面的生成方法和生成装置
CN109754394A (zh) * 2018-12-28 2019-05-14 上海联影智能医疗科技有限公司 三维医学图像处理装置及方法
CN109801272A (zh) * 2019-01-07 2019-05-24 华南师范大学 肝脏肿瘤自动分割定位方法、系统及存储介质
CN109934832A (zh) * 2019-03-25 2019-06-25 北京理工大学 基于深度学习的肝脏肿瘤分割方法及装置
CN109993726A (zh) * 2019-02-21 2019-07-09 上海联影智能医疗科技有限公司 医学图像的检测方法、装置、设备和存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7702153B2 (en) * 2005-10-07 2010-04-20 Siemens Medical Solutions Usa, Inc. Systems and methods for segmenting object of interest from medical image
US20110054295A1 (en) * 2009-08-25 2011-03-03 Fujifilm Corporation Medical image diagnostic apparatus and method using a liver function angiographic image, and computer readable recording medium on which is recorded a program therefor

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106725846A (zh) * 2016-11-21 2017-05-31 厦门强本宇康科技有限公司 一种基于人体器官3d模型的手术仿真系统及方法
CN108305255A (zh) * 2017-01-12 2018-07-20 浙江京新术派医疗科技有限公司 肝脏手术切割面的生成方法和生成装置
CN109754394A (zh) * 2018-12-28 2019-05-14 上海联影智能医疗科技有限公司 三维医学图像处理装置及方法
CN109801272A (zh) * 2019-01-07 2019-05-24 华南师范大学 肝脏肿瘤自动分割定位方法、系统及存储介质
CN109993726A (zh) * 2019-02-21 2019-07-09 上海联影智能医疗科技有限公司 医学图像的检测方法、装置、设备和存储介质
CN109934832A (zh) * 2019-03-25 2019-06-25 北京理工大学 基于深度学习的肝脏肿瘤分割方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Automated Methods to Segment Kidneys and Detect Tumors Using CT Images;Faleh H. Mahmood et al.;《Iraqi Journal of Science》;20170131;第58卷(第3B期);第1555-1564页 *

Also Published As

Publication number Publication date
CN110738664A (zh) 2020-01-31

Similar Documents

Publication Publication Date Title
CN109993726B (zh) 医学图像的检测方法、装置、设备和存储介质
CN110766730B (zh) 图像配准及随访评估方法、存储介质及计算机设备
CN110310256B (zh) 冠脉狭窄检测方法、装置、计算机设备和存储介质
CN109712163B (zh) 冠脉提取方法、装置、图像处理工作站和可读存储介质
CN110706207A (zh) 图像量化方法、装置、计算机设备和存储介质
CN111340756B (zh) 一种医学图像病变检出合并方法、系统、终端及存储介质
CN111080573B (zh) 肋骨图像检测方法、计算机设备和存储介质
CN111340825B (zh) 一种纵膈淋巴结分割模型的生成方法及系统
CN110717905B (zh) 脑部图像检测方法、计算机设备和存储介质
CN110599465B (zh) 图像定位方法、装置、计算机设备和存储介质
KR102328229B1 (ko) 인공지능 기반의 3차원 의료 영상을 이용한 종양 검출 및 진단 방법
CN110348477B (zh) 医疗图像处理方法、存储介质及计算机设备
EP3722996A2 (en) Systems and methods for processing 3d anatomical volumes based on localization of 2d slices thereof
CN110910335B (zh) 一种图像处理方法、图像处理设备及计算机可读存储介质
CN112435212A (zh) 基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质
CN111681205B (zh) 图像分析方法、计算机设备和存储介质
US8306354B2 (en) Image processing apparatus, method, and program
CN114332132A (zh) 图像分割方法、装置和计算机设备
Aslam et al. Liver-tumor detection using CNN ResUNet
CN110490841B (zh) 计算机辅助影像分析方法、计算机设备和存储介质
CN111798410A (zh) 基于深度学习模型的癌细胞病理分级方法、装置、设备和介质
CN110738664B (zh) 图像定位方法、装置、计算机设备和存储介质
JP7270917B2 (ja) コンピュータプログラム、及び画像処理装置
CN110610527B (zh) 计算suv的方法、装置、设备、系统及计算机存储介质
CN110473226B (zh) 图像处理网络的训练方法、计算机设备及可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant