CN111145152A - 图像检测方法、计算机设备和存储介质 - Google Patents
图像检测方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111145152A CN111145152A CN201911343957.5A CN201911343957A CN111145152A CN 111145152 A CN111145152 A CN 111145152A CN 201911343957 A CN201911343957 A CN 201911343957A CN 111145152 A CN111145152 A CN 111145152A
- Authority
- CN
- China
- Prior art keywords
- region
- interest
- image
- target
- undetermined
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 225
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 27
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 description 20
- 230000003902 lesion Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000009466 transformation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000004195 computer-aided diagnosis Methods 0.000 description 4
- 230000036961 partial effect Effects 0.000 description 4
- 230000008034 disappearance Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像检测方法、计算机设备和存储介质。包括：对获取的第一图像和第二图像执行感兴趣区域检测操作，得到第一图像对应的第一感兴趣区域参考集和第二图像对应的第二感兴趣区域参考集；根据第一感兴趣区域参考集中的各第一感兴趣区域的位置和第二感兴趣区域参考集中的各第二感兴趣区域的位置，对各第一感兴趣区域和各第二感兴趣区域进行匹配处理，得到初始匹配结果；若初始匹配结果包括满足预设再检测条件的待定匹配结果时，则对待定匹配结果对应的待定图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集；将待定图像对应的感兴趣区域参考集与感兴趣区域待定集进行对比，得到目标检测结果。采用本方法能够提高图像检测的准确性。
Description
技术领域
本申请涉及医学图像处理技术领域，特别是涉及一种图像检测方法、计算机设备和存储介质。
背景技术
近年来，随着计算机辅助诊断技术在医学方面的应用越来越广泛，现如今越来越多的医院采用计算机辅助诊断技术对患者的医学影像进行病灶检测。
目前，在利用计算机辅助诊断技术对医学影像进行检测时，大多是先采集患者的同一部位在不同时间的医学影像，然后利用病灶检测算法对这些不同时间的医学影像分别进行检测，得到不同时间的医学影像各自的病灶检测情况，之后对该不同时间的医学影像各自的病灶检测情况进行病灶匹配，得到病灶的检测结果。
然而上述技术在对病灶进行检测时，存在检测准确性低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高图像检测准确性的图像检测方法、装置、计算机设备和存储介质。
一种图像检测方法，该方法包括：
对获取的第一图像和第二图像执行感兴趣区域检测操作，得到第一图像对应的第一感兴趣区域参考集和第二图像对应的第二感兴趣区域参考集；
根据第一感兴趣区域参考集中的各第一感兴趣区域的位置和第二感兴趣区域参考集中的各第二感兴趣区域的位置，对各第一感兴趣区域和各第二感兴趣区域进行匹配处理，得到初始匹配结果；
若初始匹配结果包括满足预设再检测条件的待定匹配结果时，则对待定匹配结果对应的待定图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集；该待定图像包括第一图像或者第二图像；
将待定图像对应的感兴趣区域参考集与感兴趣区域待定集进行对比，得到目标检测结果。
在其中一个实施例中，若上述待定匹配结果为第一感兴趣区域参考集中的目标第一感兴趣区域在第二感兴趣区域参考集中没有对应的第二感兴趣区域，则确定待定图像为第二图像，上述对待定匹配结果对应的待定图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集，包括：
对第二图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集。
在其中一个实施例中，若上述待定匹配结果为第二感兴趣区域参考集中的目标第二感兴趣区域在第一感兴趣区域参考集中没有对应的第一感兴趣区域，则确定待定图像为第一图像，上述对待定匹配结果对应的待定图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集，包括：
对第一图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集。
在其中一个实施例中，上述对第二图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集，包括：
根据第一图像上目标第一感兴趣区域的位置和预设的空间转换关系，计算目标第一感兴趣区域的位置在第二图像上对应的目标位置；
根据目标位置得到目标位置所在的第二图像区域；
对目标位置所在的第二图像区域再次执行感兴趣区域检测操作，得到感兴趣区域待定集。
在其中一个实施例中，上述将待定图像对应的感兴趣区域参考集与感兴趣区域待定集进行对比，包括：
若感兴趣区域待定集为非空集，则利用预设的相似度方法，计算感兴趣区域待定集中的各待定感兴趣区域和第二感兴趣区域参考集中的各第二感兴趣区域之间的相似度，得到各待定感兴趣区域的相似度计算结果；
将各待定感兴趣区域的相似度计算结果分别和预设的相似度阈值进行对比。
在其中一个实施例中，上述得到目标检测结果，包括：
若各待定感兴趣区域的相似度计算结果均不大于预设的相似度阈值，则确定感兴趣区域待定集不是第二感兴趣区域参考集的子集；
根据感兴趣区域待定集和第二感兴趣区域参考集的差集，计算差集中每个待定感兴趣区域和目标第一感兴趣区域之间的相似度，并将得到的多个相似度中的最大相似度和预设的相似度阈值进行对比；
若多个相似度中的最大相似度大于预设的相似度阈值，则确定最大相似度对应的目标待定感兴趣区域，并将目标待定感兴趣区域确定为目标第一感兴趣区域对应的第二感兴趣区域，得到目标检测结果。
在其中一个实施例中，上述得到目标检测结果，包括：
若各待定感兴趣区域的相似度计算结果均大于预设的相似度阈值，则确定感兴趣区域待定集是第二感兴趣区域参考集的子集；
确定目标第一感兴趣区域没有对应的第二感兴趣区域，得到目标检测结果。
在其中一个实施例中，上述将待定图像对应的感兴趣区域参考集与感兴趣区域待定集进行对比，得到目标检测结果，包括：
若感兴趣区域待定集为空集，则确定目标检测结果为目标第一感兴趣区域没有对应的第二感兴趣区域。
一种图像检测装置，该装置包括：
检测模块，用于对获取的第一图像和第二图像执行感兴趣区域检测操作，得到第一图像对应的第一感兴趣区域参考集和第二图像对应的第二感兴趣区域参考集；
匹配模块，用于根据第一感兴趣区域参考集中的各第一感兴趣区域的位置和第二感兴趣区域参考集中的各第二感兴趣区域的位置，对各第一感兴趣区域和各第二感兴趣区域进行匹配处理，得到初始匹配结果；
再次检测模块，用于若初始匹配结果包括满足预设再检测条件的待定匹配结果时，则对待定匹配结果对应的待定图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集；该待定图像包括第一图像或者第二图像；
确定模块，用于将待定图像对应的感兴趣区域参考集与感兴趣区域待定集进行对比，得到目标检测结果。
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：
对获取的第一图像和第二图像执行感兴趣区域检测操作，得到第一图像对应的第一感兴趣区域参考集和第二图像对应的第二感兴趣区域参考集；
根据第一感兴趣区域参考集中的各第一感兴趣区域的位置和第二感兴趣区域参考集中的各第二感兴趣区域的位置，对各第一感兴趣区域和各第二感兴趣区域进行匹配处理，得到初始匹配结果；
若初始匹配结果包括满足预设再检测条件的待定匹配结果时，则对待定匹配结果对应的待定图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集；该待定图像包括第一图像或者第二图像；
将待定图像对应的感兴趣区域参考集与感兴趣区域待定集进行对比，得到目标检测结果。
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：
对获取的第一图像和第二图像执行感兴趣区域检测操作，得到第一图像对应的第一感兴趣区域参考集和第二图像对应的第二感兴趣区域参考集；
根据第一感兴趣区域参考集中的各第一感兴趣区域的位置和第二感兴趣区域参考集中的各第二感兴趣区域的位置，对各第一感兴趣区域和各第二感兴趣区域进行匹配处理，得到初始匹配结果；
若初始匹配结果包括满足预设再检测条件的待定匹配结果时，则对待定匹配结果对应的待定图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集；该待定图像包括第一图像或者第二图像；
将待定图像对应的感兴趣区域参考集与感兴趣区域待定集进行对比，得到目标检测结果。
上述图像检测方法、装置、计算机设备和存储介质，通过对同一对象的不同时刻的第一图像和第二图像执行感兴趣区域检测操作，得到第一图像的第一感兴趣区域参考集和第二图像的第二感兴趣区域参考集，并通过对两个感兴趣区域参考集匹配，得到初始匹配结果，若初始匹配结果包括满足预设再检测条件的待定匹配结果时，则可以对待定匹配结果的待定图像再次进行感兴趣区域检测操作，得到感兴趣区域待定集，并将该感兴趣区域待定集和待定图像对应的感兴趣区域参考集进行对比，得到目标检测结果。在该方法中，由于可以对满足预设再检测条件的待定匹配结果对应的待定图像进行感兴趣区域再次检测，即可以对消失或新增的感兴趣区域进行再次检测，确定最终的检测结果，这样可以减小初始检测带来的假阳性和假阴性的错误，从而可以提高感兴趣区域检测的准确性。
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检测方法的流程示意图；
图3为另一个实施例中图像检测方法的流程示意图；
图4为另一个实施例中图像检测方法的流程示意图；
图5为另一个实施例中图像检测方法的流程示意图；
图6为另一个实施例中图像检测方法的流程示意图；
图7为一个实施例中图像检测装置的结构框图。
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，在利用计算机辅助诊断技术对医学影像进行检测时，大多是先采集患者的同一部位在不同时间的医学影像，然后利用病灶检测算法对这些不同时间的医学影像分别进行检测，得到不同时间的医学影像各自的病灶检测情况，之后对该不同时间的医学影像各自的病灶检测情况进行病灶匹配，得到病灶的检测结果。然而上述技术在对病灶进行检测时，存在检测准确性低的问题。因此本申请实施例提高一种图像检测方法、装置、计算机设备和存储介质，旨在解决上述技术问题。
本申请实施例提供的图像检测方法，可以应用于计算机设备，该计算机设备可以是终端，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检测装置，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，提供了一种图像检测方法，本实施例涉及的是如何对感兴趣区域初始检测结果中感兴趣区域消失或新增的情况下的感兴趣区域的图像进行再次检测的具体过程。如图2所示，该方法可以包括以下步骤：
S202，对获取的第一图像和第二图像执行感兴趣区域检测操作，得到第一图像对应的第一感兴趣区域参考集和第二图像对应的第二感兴趣区域参考集。
其中，感兴趣区域检测操作可以是利用训练好的神经网络模型来对图像进行的检测操作，这里的神经网络模型可以是Vet模型、Uet模型等模型。同一对象在这里可以是同一个个体的全身，也可以是同一个个体的同一个部位，当然也可以是同一个个体的多个相同的部位等。这里的第一图像和第二图像可以是对同一对象在同一时间采用不同的扫描设备进行扫描和数据重建得到的两个图像，还可以是对同一对象采用同一扫描设备在不同的时间进行扫描和数据重建得到的两个图像，当然还可以是对同一对象采用同一扫描设备的不同角度进行扫描和数据重建得到两个图像，当然也可以是对同一对象采用不同扫描设备的不同角度进行扫描和数据重建得到两个图像，本实施例对此不作具体限定。在这里，若是不同时间点采集的第一图像和第二图像，那么可以是第一图像的采集时间点在第二图像之前，也可以是第一图像的采集时间点在第二图像之后，本实施例对此也不作具体限定。第一图像对应的第一感兴趣区域参考集可以是空集或非空集，即其中可以有一个或多个第一感兴趣区域，当然也可以是零个第一感兴趣区域，同样，第二图像对应的第二感兴趣区域参考集也可以是空集或非空集，其中可以有一个或多个第二感兴趣区域，当然也可以是零个第二感兴趣区域，第一感兴趣区域参考集和第二感兴趣区域参考集包括的感兴趣区域的数量可以相等，也可以不相等，本实施例对此也不作具体限定。
具体的，计算机设备可以通过对在不同时刻采集的同一对象的数据进行重建，得到第一图像和第二图像，也可以是从预先存储好图像的数据库中得到第一图像和第二图像，当然也可以是其他得到第一图像和第二图像的方式，本实施例对此不作具体限定。在得到第一图像和第二图像后，可以将第一图像和第二图像分别输入至训练好的神经网络模型进行感兴趣区域检测，得到第一图像对应的第一感兴趣区域集和第二图像对应的第二感兴趣区域集，并将第一感兴趣区域集作为第一感兴趣区域参考集，将第二感兴趣区域集作为第二感兴趣区域参考集。
S204，根据第一感兴趣区域参考集中的各第一感兴趣区域的位置和第二感兴趣区域参考集中的各第二感兴趣区域的位置，对各第一感兴趣区域和各第二感兴趣区域进行匹配处理，得到初始匹配结果。
在本实施例中，主要以第一感兴趣区域参考集包括至少一个第一感兴趣区域，以及第二感兴趣区域参考集至少一个第二感兴趣区域来进行说明。另外，感兴趣区域参考集中包括每个感兴趣区域的属性信息，属性信息可以是感兴趣区域的空间位置、体积、长短径、灰度值、检测时间等等。
具体的，计算机设备在得到第一感兴趣区域参考集和第二感兴趣区域参考集后，可以通过计算第一图像和第二图像的相同位置上的第一感兴趣区域和第二感兴趣区域之间的相似度，并通过相似度计算结果来确定该相同位置上的感第一感兴趣区域和第二感兴趣区域是否是同一个感兴趣区域，若是，则说明这两个感兴趣区域匹配成功，则可以建立这两个感兴趣区域之间的匹配关系；若该相同位置上的感第一感兴趣区域和第二感兴趣区域不是同一个感兴趣区域，则说明这两个感兴趣区域匹配失败。这里的初始匹配结果一般可以包括感兴趣区域增大、减小、稳定、消失、新增等情况，感兴趣区域增大、减小、稳定等情况可以认为是感兴趣区域匹配成功，感兴趣区域的消失、新增可以认为是感兴趣区域匹配失败。
以第一图像上的该第一感兴趣区域来说，若该相同位置上的感第一感兴趣区域和第二感兴趣区域不是同一个感兴趣区域，那么就说明该第一感兴趣区域在第二图像的相同位置上没有对应的第二感兴趣区域，即可以认为是感兴趣区域消失，同样也可以说明该第二感兴趣区域在第一图像的相同位置上没有对应的第一感兴趣区域，即可以认为是感兴趣区域新增。
S206，若初始匹配结果包括满足预设再检测条件的待定匹配结果时，则对待定匹配结果对应的待定图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集；该待定图像包括第一图像或者第二图像。
其中，这里的预设再检测条件可以是匹配失败，那么对应的待定匹配结果就是初始匹配结果中的感兴趣区域消失和新增结果。这里的再次执行感兴趣区域检测操作，可以是采用上述S202中的神经网络模型进行再次检测，都可以记为第一神经网络模型，当然也可以是采用与上述不同的神经网络模型进行再次检测，这里不同的神经网络模型记为第二神经网络模型，本实施例主要使用的是与上述不同的神经网络模型，即第二神经网络模型进行再次检测，这里第二神经网络模型和第一神经网络模型结构相同，均可以是Vet模型、Uet模型等等，不过第一神经网络模型和第二神经网络模型在训练时可以采用不同的训练样本或者不同的网络参数进行训练，从而得到两个不同的神经网络模型。
以感兴趣区域为病灶为例，需要说明的是，病灶在一个时间点出现后，一般在另外一个时间点的相同位置上出现的概率很大，而忽然出现或消失的情况很少，所以如果出现忽然出现或消失的病灶，一般很有可能就是检测过程出现了假阳性错误或者假阴性错误，那么就需要对该忽然出现或消失的病灶进行重新检测，以得到更准确的检测结果。
具体的，计算机设备在得到初始匹配结果后，可以对初始匹配结果进行分析，若初始匹配结果中有匹配失败的情况，那么就可以将匹配失败的情况作为待定匹配结果，并将该待定匹配结果对应的感兴趣区域找出来，可能是第一感兴趣区域，也可能是第二感兴趣区域，找到该待定匹配结果对应的感兴趣区域之后，就可以将该感兴趣区域对应的图像输入至神经网络模型中再次进行感兴趣区域检测，得到再次检测输出的感兴趣区域集，记为感兴趣区域待定集；这里在将该感兴趣区域对应的图像输入至神经网络模型中进行再次检测时，可以是将该感兴趣区域对应的第一图像或第二图像整体输入至神经网络模型中进行再次检测，还可以是将该感兴趣区域对应的第一图像的部分区域或第二图像的部分区域整体输入至神经网络模型中进行再次检测，即待定图像可以是第一图像整体或第二图像整体，当然也可以是第一图像的部分区域或第二图像的部分区域，本实施例对此不作具体限定。
S208，将待定图像对应的感兴趣区域参考集与感兴趣区域待定集进行对比，得到目标检测结果。
其中，上述得到的感兴趣区域待定集可以是空集或非空集，即可以包括零个感兴趣区域或一个感兴趣区域或多个感兴趣区域。
具体的，计算机设备在得到感兴趣区域待定集之后，在一种可能的实施方式中，若感兴趣区域待定集是空集，那么就认为对比结果即再次检测结果和初始匹配结果相同，即目标检测结果还是初始匹配结果。在另一种可能的实施方式中，若感兴趣区域是非空集，同时若感兴趣区域待定集是对第一图像进行再次检测得到的，那么就可以将感兴趣区域待定集和第二感兴趣区域参考集进行对比，得到目标检测结果；若感兴趣区域是非空集，同时若感兴趣区域待定集是对第二图像进行再次检测得到的，那么就可以将感兴趣区域待定集和第一感兴趣区域参考集进行对比，得到目标检测结果。
上述图像检测方法中，通过对同一对象的不同时刻的第一图像和第二图像执行感兴趣区域检测操作，得到第一图像的第一感兴趣区域参考集和第二图像的第二感兴趣区域参考集，并通过对两个感兴趣区域参考集匹配，得到初始匹配结果，若初始匹配结果包括满足预设再检测条件的待定匹配结果时，则可以对待定匹配结果的待定图像再次进行感兴趣区域检测操作，得到感兴趣区域待定集，并将该感兴趣区域待定集和待定图像对应的感兴趣区域参考集进行对比，得到目标检测结果。在该方法中，由于可以对满足预设再检测条件的待定匹配结果对应的待定图像进行感兴趣区域再次检测，即可以对消失或新增的感兴趣区域进行再次检测，确定最终的检测结果，这样可以减小初始检测带来的假阳性和假阴性的错误，从而可以提高感兴趣区域检测的准确性。
在另一个实施例中，提供了另一种图像检测方法，本实施例涉及的是若待定匹配结果为第一感兴趣区域参考集中的目标第一感兴趣区域在第二感兴趣区域参考集中没有对应的第二感兴趣区域，那么如何对待定匹配结果对应的待定图像进行再次检测的具体过程。在上述实施例的基础上，上述S206可以包括以下步骤A：
步骤A，对第二图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集。
在本步骤中，第一感兴趣区域参考集中的目标第一感兴趣区域在第二感兴趣区域参考集中没有对应的第二感兴趣区域，则确定待定图像为第二图像，以第一图像来说，这里就可以认为是感兴趣区域消失的情况，那么在对第二图像进行再次检测时，可选的，可以采用如下图3所示的方法进行再次检测，如图3所示，步骤A可以包括以下步骤S302-S306：
S302，根据第一图像上目标第一感兴趣区域的位置和预设的空间转换关系，计算目标第一感兴趣区域的位置在第二图像上对应的目标位置。
S304，根据目标位置得到目标位置所在的第二图像区域；
S306，对目标位置所在的第二图像区域再次执行感兴趣区域检测操作，得到感兴趣区域待定集。
其中，预设的空间转换关系可以是第一图像和第二图像之间的空间转换关系，可以基于第一图像和第二图像的影像灰度信息和/或元数据配准第一图像和第二图像，这样就可以将第二图像配准到第一图像的图像空间，从而可以使第二图像中的第二感兴趣区域与第一图像中的第一感兴趣区域具有相同的解剖结构信息，这样就可以对相同位置的感兴趣区域进行检测，以得到检测结果；这里的元数据包括取自各图像头文件的信息、图像成像参数、图像成像时间和图像，拍摄对象的信息中的一个或多个。
另外，这里的目标第一感兴趣区域指的是在第一图像上有第一感兴趣区域，而第二图像上没有该第一感兴趣区域对应的第二感兴趣区域时的第一感兴趣区域，即对第一图像来说，感兴趣区域在第二图像上消失的情况下对应的第一感兴趣区域。
具体的，在对该目标第一感兴趣区域进行再次检测时，可以通过第一感兴趣区域参考集中该目标第一感兴趣区域的属性信息得到该目标第一感兴趣区域的位置，利用上述得到的空间转换关系得到该目标第一感兴趣区域的位置在第二图像上对应的位置。以目标第一感兴趣区域在第一图像上的位置为l1，上述空间转换关系为T为例，使用空间转换关系T就可以计算l1在第二图像上的对应位置l2，即l2＝T(l1)，之后可以以l2为中心，e为边长在第二图像上得到裁剪图像，记为目标位置所在的第二图像区域，之后可以将该裁剪图像输入神经网络模型进行感兴趣区域检测，就可以得到该裁剪图像对应的感兴趣区域集，记为感兴趣区域待定集，即可以得到感兴趣区域待定集B2＝{b21,b22,…,b2r}，集合B2的元素个数是r(r≥0)，b21、b22、...b2r为各待定感兴趣区域。其中，这里的裁剪图像的尺寸可以根据实际情况而定，可以和第二图像的尺寸相同，也可以不同。
本实施例提供的图像检测方法，若待定匹配结果为第一感兴趣区域参考集中的目标第一感兴趣区域在第二感兴趣区域参考集中没有对应的第二感兴趣区域，那么可以确定待定图像为第二图像，那么就可以对第二图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集。在本实施例中，由于可以对感兴趣区域消失的情况下的第二图像进行再次检测，那么最终得到的检测结果相比初始检测得到的检测结果会更加准确，从而可以减小初始感兴趣区域检测带来的假阳性错误，即误检错误，进而提高对感兴趣区域检测的准确性。
在另一个实施例中，提供了另一种图像检测方法，本实施例涉及的是在将待定图像对应的感兴趣区域参考集与感兴趣区域待定集进行对比，得到目标检测结果的具体过程。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，若感兴趣区域待定集为非空集，则利用预设的相似度方法，计算感兴趣区域待定集中的各待定感兴趣区域和第二感兴趣区域参考集中的各第二感兴趣区域之间的相似度，得到各待定感兴趣区域的相似度计算结果。
S404，将各待定感兴趣区域的相似度计算结果分别和预设的相似度阈值进行对比。
其中，预设的相似度方法可以是采用预设的相似度函数进行相似度计算，这里的相似度函数可以是任意相似度函数，示例地，相似度函数可以表示为s＝sm(a，b)，其中a为第一感兴趣区域的属性信息，b为第二感兴趣区域的属性信息，sm为相似度函数，s为采用sm函数计算得到的a和b之间的相似度；属性信息与上述相同，可以是感兴趣区域的空间位置、体积、长短径、灰度值、检测时间等等。
具体的，若感兴趣区域待定集中包括一个或多个感兴趣区域，记为待定感兴趣区域，在这里可以利用sm函数计算各待定感兴趣区域和第二感兴趣区域参考集中每个第二感兴趣区域之间的相似度，然后将得到的相似度和预设的相似度阈值进行对比，然后根据对比结果得到目标检测结果，这里相似度阈值的大小可以根据实际情况而定，可以是0.9、0.85、0.8等等。
在根据对比结果得到目标检测结果时，若感兴趣区域待定集不是第二感兴趣区域参考集的子集，可选的，可以采用如图5所示的方法进行，如图5所示，该根据对比结果得到目标检测结果的方法可以包括以下步骤S502-S506：
S502，若各待定感兴趣区域的相似度计算结果均不大于预设的相似度阈值，则确定感兴趣区域待定集不是第二感兴趣区域参考集的子集。
S504，根据感兴趣区域待定集和第二感兴趣区域参考集的差集，计算差集中每个待定感兴趣区域和目标第一感兴趣区域之间的相似度，并将得到的多个相似度中的最大相似度和预设的相似度阈值进行对比。
S506，若多个相似度中的最大相似度大于预设的相似度阈值，则确定最大相似度对应的目标待定感兴趣区域，并将目标待定感兴趣区域确定为目标第一感兴趣区域对应的第二感兴趣区域，得到目标检测结果。
具体的，若计算得到的各待定感兴趣区域和每个第二感兴趣区域之间的相似度均不大于预设的相似度阈值，那么可以认为各待定感兴趣区域和各第二感兴趣区域均不相似，即各待定感兴趣区域和各第二感兴趣区域均不相同，那么也就可以确定感兴趣区域待定集不是第二感兴趣区域参考集的子集。以上述感兴趣区域待定集为B2＝{b21,b22,…,b2r}、第二感兴趣区域参考集为B＝{b1,b2,…,bn}、目标第一感兴趣区域为a为例，集合B的元素个数是n(n≥0)，b1、b2、...bn为各第二感兴趣区域，此时可以计算B和B2的差集B3，把B2中属于B的感兴趣区域去掉，即B3＝B2-B＝{b31,b32,…,b3p}，集合B3的元素个数是p(p≥0)，b31、b32、...b3p为各待定感兴趣区域，在得到差集B3后，可以计算B3中每个待定感兴趣区域和目标第一感兴趣区域a之间的相似度(在这里可以理解为计算的是感兴趣区域的属性信息之间的相似度)，得到多个相似度，在这里可以是得到p个相似度，这时可以将该p个相似度进行排序，得到该p个相似度中的最大相似度，并将该最大相似度和预设的相似度阈值进行对比，如果该最大相似度大于预设的相似度阈值，那么就可以在B3集合中找到该最大相似度对应的待定感兴趣区域，记为目标待定感兴趣区域，并将该目标待定感兴趣区域作为目标第一感兴趣区域a在第二图像中对应的感兴趣区域，即目标第一感兴趣区域在第二图像中有对应的第二感兴趣区域，那么也就说明在对第二图像进行初始检测时将该目标待定感兴趣区域误检了，即检测成假阳性了，所以利用本实施例的方法可以尽可能的减小初始检测的假阳性错误。
在根据对比结果得到目标检测结果时，若感兴趣区域待定集是第二感兴趣区域参考集的子集，可选的，可以采用如图6所示的方法进行，如图6所示，该根据对比结果得到目标检测结果的方法可以包括以下步骤S602-S604：
S602，若各待定感兴趣区域的相似度计算结果均大于预设的相似度阈值，则确定感兴趣区域待定集是第二感兴趣区域参考集的子集。
S604，确定目标第一感兴趣区域没有对应的第二感兴趣区域，得到目标检测结果。
具体的，若计算得到的各待定感兴趣区域和每个第二感兴趣区域之间的相似度均大于预设的相似度阈值，那么可以认为各待定感兴趣区域和各第二感兴趣区域相似，即各待定感兴趣区域和各第二感兴趣区域相同，那么也就可以确定感兴趣区域待定集是第二感兴趣区域参考集的子集。此时也就说明再次检测过程中没有检测出新的感兴趣区域，那么也就是说目标第一感兴趣区域在第二图像上还是没有对应的第二感兴趣区域，即相对第一图像来说，目标第一感兴趣区域在第二图像上消失了，那么也就可以将初始检测得到的目标第一感兴趣区域在第二图像上没有对应的第二感兴趣区域也作为目标检测结果。
上述S402-S404、S502-S506、S602-S604是针对感兴趣区域待定集为非空集说明的，那么感兴趣区域待定集也可能是空集，可选的，若感兴趣区域待定集为空集，则确定目标检测结果为目标第一感兴趣区域没有对应的第二感兴趣区域，也就是说，对第二图像再次检测时，没有检测到新的感兴趣区域，那么就可以说明上述感兴趣区域消失情况下的目标第一感兴趣区域确实是没有对应的第二感兴趣区域的，那么就可以将初始检测结果作为目标检测结果，即目标第一感兴趣区域没有对应的第二感兴趣区域，相对第一图像来说，目标第一感兴趣区域在第二图像上消失了，出现感兴趣区域消失的情况。
本实施例提供的图像检测方法，若感兴趣区域待定集为非空集，则利用预设的相似度方法，计算感兴趣区域待定集中的各待定感兴趣区域和第二感兴趣区域参考集中的各第二感兴趣区域之间的相似度，得到各待定感兴趣区域的相似度计算结果，将各待定感兴趣区域的相似度计算结果分别和预设的相似度阈值进行对比，得到目标检测结果，若感兴趣区域待定集为空集，则确定目标检测结果为目标第一感兴趣区域没有对应的第二感兴趣区域。在本实施例中，由于可以对感兴趣区域待定集为空集和非空集分别进行分析得到目标检测结果，因此本实施例的方法得到的目标检测结果是比较全面的，结果也是比较准确的。
在另一个实施例中，提供了另一种图像检测方法，本实施例涉及的是若待定匹配结果为第二感兴趣区域参考集中的目标第二感兴趣区域在第一感兴趣区域参考集中没有对应的第一感兴趣区域，那么如何对待定匹配结果对应的待定图像进行再次检测的具体过程。在上述实施例的基础上，则上述S206可以包括以下步骤B：
步骤B，对第一图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集。
在本步骤中，第二感兴趣区域参考集中的目标第二感兴趣区域在第一感兴趣区域参考集中没有对应的第一感兴趣区域，则确定待定图像为第一图像，以第一图像来说，这里就可以认为是感兴趣区域新增的情况，即假阴性情况，以第二图像来说，这里也可以认为是感兴趣区域消失的情况，那么在对第一图像进行再次检测时，可以采用和上述S302-306相同的方法对第一图像进行再次检测，即可以根据第二图像上目标第二感兴趣区域的位置和预设的空间转换关系，计算目标第二感兴趣区域的位置在第一图像上对应的目标位置，根据目标位置得到目标位置所在的第一图像区域，对目标位置所在的第一图像区域再次执行感兴趣区域检测操作，得到感兴趣区域待定集。这里的目标第二感兴趣区域指的是在第二图像上有第二感兴趣区域，而第一图像上没有该第二感兴趣区域对应的第一感兴趣区域时，即对第一图像来说，感兴趣区域在第二图像上新增的情况下对应的第二感兴趣区域。之后，可以将待定图像对应的感兴趣区域参考集与感兴趣区域待定集进行对比，得到目标检测结果，这里的对比可以采用与上述S402-S404相同的方法进行对比；若感兴趣区域待定集为非空集，则利用预设的相似度方法，计算感兴趣区域待定集中的各待定感兴趣区域和第一感兴趣区域参考集中的各第一感兴趣区域之间的相似度，得到各待定感兴趣区域的相似度计算结果；将各待定感兴趣区域的相似度计算结果分别和预设的相似度阈值进行对比，若各待定感兴趣区域的相似度计算结果均不大于预设的相似度阈值，则确定感兴趣区域待定集不是第一感兴趣区域参考集的子集，根据感兴趣区域待定集和第一感兴趣区域参考集的差集，计算差集中每个待定感兴趣区域和目标第二感兴趣区域之间的相似度，并将得到的多个相似度中的最大相似度和预设的相似度阈值进行对比，若多个相似度中的最大相似度大于预设的相似度阈值，则确定最大相似度对应的目标待定感兴趣区域，并将目标待定感兴趣区域确定为目标第二感兴趣区域对应的第一感兴趣区域，得到目标检测结果。若各待定感兴趣区域的相似度计算结果均大于预设的相似度阈值，则确定感兴趣区域待定集是第一感兴趣区域参考集的子集，确定目标第二感兴趣区域没有对应的第一感兴趣区域，得到目标检测结果；若感兴趣区域待定集为空集，则确定目标检测结果为目标第二感兴趣区域没有对应的第一感兴趣区域，目标检测结果和初始检测结果相同。
本实施例提供的图像检测方法，若待定匹配结果为第二感兴趣区域参考集中的目标第二感兴趣区域在第一感兴趣区域参考集中没有对应的第一感兴趣区域，那么可以确定待定图像为第一图像，那么可以对第一图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集。在本实施例中，由于可以对感兴趣区域新增的情况下的第一图像进行再次检测，那么最终得到的检测结果相比初始检测得到的检测结果会更加准确，从而可以减小初始感兴趣区域检测带来的假阴性错误，即漏检错误，进而提高对感兴趣区域检测的准确性。
应该理解的是，虽然图2-6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2-6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7所示，提供了一种图像检测装置，包括：检测模块10、匹配模块11、再次检测模块12和确定模块13，其中：
检测模块10，用于对获取的第一图像和第二图像执行感兴趣区域检测操作，得到第一图像对应的第一感兴趣区域参考集和第二图像对应的第二感兴趣区域参考集；
匹配模块11，用于根据第一感兴趣区域参考集中的各第一感兴趣区域的位置和第二感兴趣区域参考集中的各第二感兴趣区域的位置，对各第一感兴趣区域和各第二感兴趣区域进行匹配处理，得到初始匹配结果；
再次检测模块12，用于若初始匹配结果包括满足预设再检测条件的待定匹配结果时，则对待定匹配结果对应的待定图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集；该待定图像包括第一图像或者第二图像；
确定模块13，用于将待定图像对应的感兴趣区域参考集与感兴趣区域待定集进行对比，得到目标检测结果。
关于图像检测装置的具体限定可以参见上文中对于图像检测方法的限定，在此不再赘述。
在另一个实施例中，提供了另一种图像检测装置，若上述待定匹配结果为第一感兴趣区域参考集中的目标第一感兴趣区域在第二感兴趣区域参考集中没有对应的第二感兴趣区域，则确定待定图像为第二图像，则上述再次检测模块12包括第一再次检测单元，该第一再次检测单元，用于对第二图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集。
可选的，若上述待定匹配结果为第二感兴趣区域参考集中的目标第二感兴趣区域在第一感兴趣区域参考集中没有对应的第一感兴趣区域，则确定待定图像为第一图像，则上述再次检测模块12包括第二再次检测单元，该第二再次检测单元，用于对第一图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集。
可选的，上述第一再次检测单元包括：计算子单元、区域确定子单元和再次检测子单元，其中：
计算子单元，用于根据第一图像上目标第一感兴趣区域的位置和预设的空间转换关系，计算目标第一感兴趣区域的位置在第二图像上对应的目标位置；
区域确定子单元，用于根据目标位置得到目标位置所在的第二图像区域；
再次检测子单元，用于对目标位置所在的第二图像区域再次执行感兴趣区域检测操作，得到感兴趣区域待定集。
在另一个实施例中，提供了另一种图像检测装置，在上述实施例的基础上，上述确定模块13包括计算单元和对比单元，其中：
计算单元，用于若感兴趣区域待定集为非空集，则利用预设的相似度方法，计算感兴趣区域待定集中的各待定感兴趣区域和第二感兴趣区域参考集中的各第二感兴趣区域之间的相似度，得到各待定感兴趣区域的相似度计算结果；
对比单元，用于将各待定感兴趣区域的相似度计算结果分别和预设的相似度阈值进行对比。
可选的，上述确定模块13还包括确定单元，该确定单元用于若各待定感兴趣区域的相似度计算结果均不大于预设的相似度阈值，则确定感兴趣区域待定集不是第二感兴趣区域参考集的子集；根据感兴趣区域待定集和第二感兴趣区域参考集的差集，计算差集中每个待定感兴趣区域和目标第一感兴趣区域之间的相似度，并将得到的多个相似度中的最大相似度和预设的相似度阈值进行对比；若多个相似度中的最大相似度大于预设的相似度阈值，则确定最大相似度对应的目标待定感兴趣区域，并将目标待定感兴趣区域确定为目标第一感兴趣区域对应的第二感兴趣区域，得到目标检测结果。
可选的，上述确定单元，用于若各待定感兴趣区域的相似度计算结果均大于预设的相似度阈值，则确定感兴趣区域待定集是第二感兴趣区域参考集的子集；确定目标第一感兴趣区域没有对应的第二感兴趣区域，得到目标检测结果。
可选的，上述确定模块13，还用于若感兴趣区域待定集为空集，则确定目标检测结果为目标第一感兴趣区域没有对应的第二感兴趣区域。
关于图像检测装置的具体限定可以参见上文中对于图像检测方法的限定，在此不再赘述。
上述图像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，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：
对获取的第一图像和第二图像执行感兴趣区域检测操作，得到第一图像对应的第一感兴趣区域参考集和第二图像对应的第二感兴趣区域参考集；
根据第一感兴趣区域参考集中的各第一感兴趣区域的位置和第二感兴趣区域参考集中的各第二感兴趣区域的位置，对各第一感兴趣区域和各第二感兴趣区域进行匹配处理，得到初始匹配结果；
若初始匹配结果包括满足预设再检测条件的待定匹配结果时，则对待定匹配结果对应的待定图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集；该待定图像包括第一图像或者第二图像；
将待定图像对应的感兴趣区域参考集与感兴趣区域待定集进行对比，得到目标检测结果。
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：
对第二图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集。
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：
对第一图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集。
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：
根据第一图像上目标第一感兴趣区域的位置和预设的空间转换关系，计算目标第一感兴趣区域的位置在第二图像上对应的目标位置；
根据目标位置得到目标位置所在的第二图像区域；
对目标位置所在的第二图像区域再次执行感兴趣区域检测操作，得到感兴趣区域待定集。
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：
若感兴趣区域待定集为非空集，则利用预设的相似度方法，计算感兴趣区域待定集中的各待定感兴趣区域和第二感兴趣区域参考集中的各第二感兴趣区域之间的相似度，得到各待定感兴趣区域的相似度计算结果；
将各待定感兴趣区域的相似度计算结果分别和预设的相似度阈值进行对比。
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：
若各待定感兴趣区域的相似度计算结果均不大于预设的相似度阈值，则确定感兴趣区域待定集不是第二感兴趣区域参考集的子集；
根据感兴趣区域待定集和第二感兴趣区域参考集的差集，计算差集中每个待定感兴趣区域和目标第一感兴趣区域之间的相似度，并将得到的多个相似度中的最大相似度和预设的相似度阈值进行对比；
若多个相似度中的最大相似度大于预设的相似度阈值，则确定最大相似度对应的目标待定感兴趣区域，并将目标待定感兴趣区域确定为目标第一感兴趣区域对应的第二感兴趣区域，得到目标检测结果。
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：
若各待定感兴趣区域的相似度计算结果均大于预设的相似度阈值，则确定感兴趣区域待定集是第二感兴趣区域参考集的子集；
确定目标第一感兴趣区域没有对应的第二感兴趣区域，得到目标检测结果。
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：
若感兴趣区域待定集为空集，则确定目标检测结果为目标第一感兴趣区域没有对应的第二感兴趣区域。
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：
对获取的第一图像和第二图像执行感兴趣区域检测操作，得到第一图像对应的第一感兴趣区域参考集和第二图像对应的第二感兴趣区域参考集；
根据第一感兴趣区域参考集中的各第一感兴趣区域的位置和第二感兴趣区域参考集中的各第二感兴趣区域的位置，对各第一感兴趣区域和各第二感兴趣区域进行匹配处理，得到初始匹配结果；
若初始匹配结果包括满足预设再检测条件的待定匹配结果时，则对待定匹配结果对应的待定图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集；该待定图像包括第一图像或者第二图像；
将待定图像对应的感兴趣区域参考集与感兴趣区域待定集进行对比，得到目标检测结果。
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：
对第二图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集。
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：
对第一图像再次执行感兴趣区域检测操作，得到感兴趣区域待定集。
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：
根据第一图像上目标第一感兴趣区域的位置和预设的空间转换关系，计算目标第一感兴趣区域的位置在第二图像上对应的目标位置；
根据目标位置得到目标位置所在的第二图像区域；
对目标位置所在的第二图像区域再次执行感兴趣区域检测操作，得到感兴趣区域待定集。
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：
若感兴趣区域待定集为非空集，则利用预设的相似度方法，计算感兴趣区域待定集中的各待定感兴趣区域和第二感兴趣区域参考集中的各第二感兴趣区域之间的相似度，得到各待定感兴趣区域的相似度计算结果；
将各待定感兴趣区域的相似度计算结果分别和预设的相似度阈值进行对比。
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：
若各待定感兴趣区域的相似度计算结果均不大于预设的相似度阈值，则确定感兴趣区域待定集不是第二感兴趣区域参考集的子集；
根据感兴趣区域待定集和第二感兴趣区域参考集的差集，计算差集中每个待定感兴趣区域和目标第一感兴趣区域之间的相似度，并将得到的多个相似度中的最大相似度和预设的相似度阈值进行对比；
若多个相似度中的最大相似度大于预设的相似度阈值，则确定最大相似度对应的目标待定感兴趣区域，并将目标待定感兴趣区域确定为目标第一感兴趣区域对应的第二感兴趣区域，得到目标检测结果。
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：
若各待定感兴趣区域的相似度计算结果均大于预设的相似度阈值，则确定感兴趣区域待定集是第二感兴趣区域参考集的子集；
确定目标第一感兴趣区域没有对应的第二感兴趣区域，得到目标检测结果。
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：
若感兴趣区域待定集为空集，则确定目标检测结果为目标第一感兴趣区域没有对应的第二感兴趣区域。
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)
1.一种图像检测方法，其特征在于，所述方法包括：
对获取的第一图像和第二图像执行感兴趣区域检测操作，得到所述第一图像对应的第一感兴趣区域参考集和所述第二图像对应的第二感兴趣区域参考集；
根据所述第一感兴趣区域参考集中的各第一感兴趣区域的位置和所述第二感兴趣区域参考集中的各第二感兴趣区域的位置，对各第一感兴趣区域和各第二感兴趣区域进行匹配处理，得到初始匹配结果；
若所述初始匹配结果包括满足预设再检测条件的待定匹配结果时，则对所述待定匹配结果对应的待定图像再次执行所述感兴趣区域检测操作，得到感兴趣区域待定集；所述待定图像包括所述第一图像或者所述第二图像；
将所述待定图像对应的感兴趣区域参考集与所述感兴趣区域待定集进行对比，得到目标检测结果。
2.根据权利要求1所述的方法，其特征在于，若所述待定匹配结果为所述第一感兴趣区域参考集中的目标第一感兴趣区域在所述第二感兴趣区域参考集中没有对应的第二感兴趣区域，则确定所述待定图像为所述第二图像，所述对所述待定匹配结果对应的待定图像再次执行所述感兴趣区域检测操作，得到感兴趣区域待定集，包括：
对所述第二图像再次执行所述感兴趣区域检测操作，得到感兴趣区域待定集。
3.根据权利要求1所述的方法，其特征在于，若所述待定匹配结果为所述第二感兴趣区域参考集中的目标第二感兴趣区域在所述第一感兴趣区域参考集中没有对应的第一感兴趣区域，则确定所述待定图像为所述第一图像，所述对所述待定匹配结果对应的待定图像再次执行所述感兴趣区域检测操作，得到感兴趣区域待定集，包括：
对所述第一图像再次执行所述感兴趣区域检测操作，得到感兴趣区域待定集。
4.根据权利要求2所述的方法，其特征在于，所述对所述第二图像再次执行所述感兴趣区域检测操作，得到感兴趣区域待定集，包括：
根据所述第一图像上所述目标第一感兴趣区域的位置和预设的空间转换关系，计算所述目标第一感兴趣区域的位置在所述第二图像上对应的目标位置；
根据所述目标位置得到所述目标位置所在的第二图像区域；
对所述目标位置所在的第二图像区域再次执行所述感兴趣区域检测操作，得到感兴趣区域待定集。
5.根据权利要求4所述的方法，其特征在于，所述将所述待定图像对应的感兴趣区域参考集与所述感兴趣区域待定集进行对比，包括：
若所述感兴趣区域待定集为非空集，则利用预设的相似度方法，计算所述感兴趣区域待定集中的各待定感兴趣区域和所述第二感兴趣区域参考集中的各第二感兴趣区域之间的相似度，得到各待定感兴趣区域的相似度计算结果；
将所述各待定感兴趣区域的相似度计算结果分别和预设的相似度阈值进行对比。
6.根据权利要求5所述的方法，其特征在于，所述得到目标检测结果，包括：
若所述各待定感兴趣区域的相似度计算结果均不大于预设的相似度阈值，则确定所述感兴趣区域待定集不是所述第二感兴趣区域参考集的子集；
根据所述感兴趣区域待定集和所述第二感兴趣区域参考集的差集，计算所述差集中每个待定感兴趣区域和所述目标第一感兴趣区域之间的相似度，并将得到的多个相似度中的最大相似度和所述预设的相似度阈值进行对比；
若所述多个相似度中的最大相似度大于所述预设的相似度阈值，则确定所述最大相似度对应的目标待定感兴趣区域，并将所述目标待定感兴趣区域确定为所述目标第一感兴趣区域对应的第二感兴趣区域，得到目标检测结果。
7.根据权利要求5所述的方法，其特征在于，所述得到目标检测结果，包括：
若所述各待定感兴趣区域的相似度计算结果均大于预设的相似度阈值，则确定所述感兴趣区域待定集是所述第二感兴趣区域参考集的子集；
确定所述目标第一感兴趣区域没有对应的第二感兴趣区域，得到目标检测结果。
8.根据权利要求4所述的方法，其特征在于，所述将所述待定图像对应的感兴趣区域参考集与所述感兴趣区域待定集进行对比，得到目标检测结果，包括：
若所述感兴趣区域待定集为空集，则确定所述目标检测结果为所述目标第一感兴趣区域没有对应的第二感兴趣区域。
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8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8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911343957.5A CN111145152B (zh) | 2019-12-24 | 2019-12-24 | 图像检测方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911343957.5A CN111145152B (zh) | 2019-12-24 | 2019-12-24 | 图像检测方法、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111145152A true CN111145152A (zh) | 2020-05-12 |
| CN111145152B CN111145152B (zh) | 2024-02-27 |
Family
ID=70519586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911343957.5A Active CN111145152B (zh) | 2019-12-24 | 2019-12-24 | 图像检测方法、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111145152B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113012135A (zh) * | 2021-03-23 | 2021-06-22 | 慧影医疗科技（北京）有限公司 | 二维骨折图像的修正方法、装置、系统、电子设备和介质 |
| CN115436899A (zh) * | 2022-08-31 | 2022-12-06 | 中国第一汽车股份有限公司 | 毫米波雷达探测数据的处理方法、装置、设备和存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013145589A1 (ja) * | 2012-03-26 | 2013-10-03 | パナソニック株式会社 | 画像処理装置、撮像装置および画像処理方法 |
| WO2017193251A1 (zh) * | 2016-05-09 | 2017-11-16 | 深圳迈瑞生物医疗电子股份有限公司 | 识别超声图像中感兴趣区域轮廓的方法及系统 |
| FR3059807A1 (fr) * | 2016-12-06 | 2018-06-08 | B<>Com | Procede de suivi de cible dans une sequence d'images medicales, dispositif, equipement terminal et programmes d'ordinateurs associes |
| KR101885562B1 (ko) * | 2017-12-18 | 2018-08-06 | 주식회사 뷰노 | 제1 의료 영상의 관심 영역을 제2 의료 영상 위에 맵핑하는 방법 및 이를 이용한 장치 |
| EP3410393A1 (en) * | 2017-06-01 | 2018-12-05 | Siemens Healthcare GmbH | Comparing medical images |
| CN109671090A (zh) * | 2018-11-12 | 2019-04-23 | 深圳佑驾创新科技有限公司 | 基于远红外线的图像处理方法、装置、设备和存储介质 |
| CN110021025A (zh) * | 2019-03-29 | 2019-07-16 | 上海联影智能医疗科技有限公司 | 感兴趣区域的匹配和显示方法、装置、设备及存储介质 |
| CN110148192A (zh) * | 2019-04-18 | 2019-08-20 | 上海联影智能医疗科技有限公司 | 医学影像成像方法、装置、计算机设备和存储介质 |
| CN110599465A (zh) * | 2019-08-28 | 2019-12-20 | 上海联影智能医疗科技有限公司 | 图像定位方法、装置、计算机设备和存储介质 |
| CN110598696A (zh) * | 2019-08-20 | 2019-12-20 | 上海联影医疗科技有限公司 | 医学图像扫描定位方法、医学图像扫描方法和计算机设备 |
-
2019
- 2019-12-24 CN CN201911343957.5A patent/CN111145152B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013145589A1 (ja) * | 2012-03-26 | 2013-10-03 | パナソニック株式会社 | 画像処理装置、撮像装置および画像処理方法 |
| WO2017193251A1 (zh) * | 2016-05-09 | 2017-11-16 | 深圳迈瑞生物医疗电子股份有限公司 | 识别超声图像中感兴趣区域轮廓的方法及系统 |
| FR3059807A1 (fr) * | 2016-12-06 | 2018-06-08 | B<>Com | Procede de suivi de cible dans une sequence d'images medicales, dispositif, equipement terminal et programmes d'ordinateurs associes |
| EP3410393A1 (en) * | 2017-06-01 | 2018-12-05 | Siemens Healthcare GmbH | Comparing medical images |
| KR101885562B1 (ko) * | 2017-12-18 | 2018-08-06 | 주식회사 뷰노 | 제1 의료 영상의 관심 영역을 제2 의료 영상 위에 맵핑하는 방법 및 이를 이용한 장치 |
| WO2019124836A1 (ko) * | 2017-12-18 | 2019-06-27 | 주식회사 뷰노 | 제1 의료 영상의 관심 영역을 제2 의료 영상 위에 맵핑하는 방법 및 이를 이용한 장치 |
| CN109671090A (zh) * | 2018-11-12 | 2019-04-23 | 深圳佑驾创新科技有限公司 | 基于远红外线的图像处理方法、装置、设备和存储介质 |
| CN110021025A (zh) * | 2019-03-29 | 2019-07-16 | 上海联影智能医疗科技有限公司 | 感兴趣区域的匹配和显示方法、装置、设备及存储介质 |
| CN110148192A (zh) * | 2019-04-18 | 2019-08-20 | 上海联影智能医疗科技有限公司 | 医学影像成像方法、装置、计算机设备和存储介质 |
| CN110598696A (zh) * | 2019-08-20 | 2019-12-20 | 上海联影医疗科技有限公司 | 医学图像扫描定位方法、医学图像扫描方法和计算机设备 |
| CN110599465A (zh) * | 2019-08-28 | 2019-12-20 | 上海联影智能医疗科技有限公司 | 图像定位方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 沈项军;崔志明;龚声蓉;马小虎;: "一种基于感兴趣内容的图像检索方法" * |
| 王建英;高婷;: "基于感兴趣区域提取的多尺度缩放目标检测算法" * |
| 王李冬;邰晓英;巴特尔;: "一种基于感兴趣区域提取的医学图像检索技术" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113012135A (zh) * | 2021-03-23 | 2021-06-22 | 慧影医疗科技（北京）有限公司 | 二维骨折图像的修正方法、装置、系统、电子设备和介质 |
| CN115436899A (zh) * | 2022-08-31 | 2022-12-06 | 中国第一汽车股份有限公司 | 毫米波雷达探测数据的处理方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111145152B (zh) | 2024-02-27 |
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 | |
| CN110310256B (zh) | 冠脉狭窄检测方法、装置、计算机设备和存储介质 | |
| CN110211076B (zh) | 图像拼接方法、图像拼接设备和可读存储介质 | |
| CN110415792B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
| CN109472213B (zh) | 掌纹识别方法、装置、计算机设备和存储介质 | |
| CN110866880B (zh) | 图像伪影检测方法、装置、设备和存储介质 | |
| CN110599451A (zh) | 医学图像病灶检测定位方法、装置、设备及存储介质 | |
| CN111080573B (zh) | 肋骨图像检测方法、计算机设备和存储介质 | |
| CN110838104B (zh) | 多时间点的感兴趣区域匹配方法、设备和存储介质 | |
| CN111671454A (zh) | 脊柱弯曲角度测量方法、装置、计算机设备及存储介质 | |
| CN110400626B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
| CN109712128B (zh) | 特征点检测方法、装置、计算机设备和存储介质 | |
| CN110210519B (zh) | 分类方法、计算机设备和存储介质 | |
| CN111383259A (zh) | 图像分析方法、计算机设备和存储介质 | |
| CN111145152A (zh) | 图像检测方法、计算机设备和存储介质 | |
| CN111128348B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| CN110490841B (zh) | 计算机辅助影像分析方法、计算机设备和存储介质 | |
| CN116385745A (zh) | 图像识别方法、装置、电子设备和存储介质 | |
| CN111178126A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
| CN113128448B (zh) | 基于肢体识别的视频匹配方法、装置、设备及存储介质 | |
| CN110929730A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN111968160B (zh) | 图像匹配方法和存储介质 | |
| CN105551042A (zh) | 一种扫描床标记点位置的确定方法和装置 | |
| CN108364024B (zh) | 图像匹配方法、装置、计算机设备和存储介质 | |
| CN109993067B (zh) | 面部关键点提取方法、装置、计算机设备和存储介质 |
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 |