CN113077425A - 目标图像的确定方法、装置、计算机设备和存储介质 - Google Patents

目标图像的确定方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113077425A
CN113077425A CN202110309738.6A CN202110309738A CN113077425A CN 113077425 A CN113077425 A CN 113077425A CN 202110309738 A CN202110309738 A CN 202110309738A CN 113077425 A CN113077425 A CN 113077425A
Authority
CN
China
Prior art keywords
image
region
interest
target
medical
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.)
Pending
Application number
CN202110309738.6A
Other languages
English (en)
Inventor
杨帆
宋燕丽
吴迪嘉
董昢
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.)
Lianying intelligent medical technology (Beijing) Co.,Ltd.
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 CN202110309738.6A priority Critical patent/CN113077425A/zh
Publication of CN113077425A publication Critical patent/CN113077425A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请涉及一种目标图像的确定方法、装置、计算机设备和存储介质。包括：获取检测对象的至少两个医学图像；每个医学图像包括至少一个第一感兴趣区域图像和第二感兴趣区域图像；根据各第一感兴趣区域图像，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像；目标第一感兴趣区域图像为图像质量等级最高的图像；根据各第二感兴趣区域图像，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像；目标第二感兴趣区域图像为图像质量等级最高的图像；根据目标第一感兴趣区域图像和目标第二感兴趣区域图像，确定检测对象的目标医学图像。采用本方法在对患者的多个感兴趣区域进行分析时，可以提高得到的分析结果的准确性以及提高影像分析的效率。

Description

目标图像的确定方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种目标图像的确定方法、装置、计算机设备和存储介质。
背景技术
冠脉指的是冠状动脉，一般冠脉包括左冠脉和右冠脉，通常在患者的冠脉出现问题并去医院进行检查时，医生大多会对患者的冠脉进行冠脉CT(Computed Tomography，电子计算机断层扫描)血管造影(即进行冠脉CTA，Computed Tomography Angiography，计算机断层造影)，得到患者的冠脉血管图像，并通过该冠脉血管图像对患者的冠脉进行检查分析。
相关技术中，通常在患者进行冠脉CT血管造影时，一般会按照不同的成像期相(即在扫描过程中的不同成像时间)对患者的左右冠脉血管进行成像，得到患者在多个不同期相下的冠脉血管图像。之后医生会按照自身经验，对比各个期相的冠脉血管图像，从中找出一个图像质量相对最好的冠脉血管图像，并对该图像质量最好的冠脉血管图像中的左右冠脉进行后续检查分析。
然而，上述技术中采用图像质量最好的冠脉血管图像进行分析，由于患者心率等不可控因素，其无法保证图像中左右冠脉图像的质量均是最好的，那么在对患者的左右冠脉进行分析时，也就无法保证最终得到的左右冠脉的分析结果的准确性。
发明内容
基于此，有必要针对上述技术问题，提供一种在对患者的多个感兴趣区域进行分析时，可以提高得到的分析结果的准确性的目标图像的确定方法、装置、计算机设备和存储介质。
一种目标图像的确定方法，该方法包括：
获取检测对象的至少两个医学图像；每个医学图像包括至少一个第一感兴趣区域图像和第二感兴趣区域图像；
根据各第一感兴趣区域图像，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像；该目标第一感兴趣区域图像为各第一感兴趣区域图像中图像质量等级最高的图像；
根据各第二感兴趣区域图像，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像；该目标第二感兴趣区域图像为各第二感兴趣区域图像中图像质量等级最高的图像；
根据目标第一感兴趣区域图像和目标第二感兴趣区域图像，确定检测对象的目标医学图像。
在其中一个实施例中，上述根据目标第一感兴趣区域图像和目标第二感兴趣区域图像，确定检测对象的目标医学图像，包括：
对目标第一感兴趣区域图像和目标第二感兴趣区域图像进行配准，确定配准后的目标第一感兴趣区域图像和配准后的目标第二感兴趣区域图像；
对配准后的目标第一感兴趣区域图像和配准后的目标第二感兴趣区域图像进行图像融合，得到检测对象的目标医学图像。
在其中一个实施例中，上述对目标第一感兴趣区域图像和目标第二感兴趣区域图像进行配准，确定配准后的目标第一感兴趣区域图像和配准后的目标第二感兴趣区域图像，包括：
根据目标第一感兴趣区域图像对应的第一医学图像以及目标第二感兴趣区域图像对应的第二医学图像，确定图像配准关系；
采用图像配准关系对目标第一感兴趣区域图像和目标第二感兴趣区域图像进行配准，确定配准后的目标第一感兴趣区域图像和配准后的目标第二感兴趣区域图像。
在其中一个实施例中，上述根据目标第一感兴趣区域图像对应的第一医学图像以及目标第二感兴趣区域图像对应的第二医学图像，确定图像配准关系，包括：
根据目标第一感兴趣区域图像对应的第一医学图像，获得第一医学图像中特征区域对应的第一分割图像，以及根据目标第二感兴趣区域图像对应的第二医学图像，获得第二医学图像中特征区域对应的第二分割图像；
对第一分割图像和第二分割图像分别进行特征提取，确定第一分割图像对应的第一图像特征和第二分割图像对应的第二图像特征；
对第一图像特征和第二图像特征进行数学运算处理，确定图像配准关系。
在其中一个实施例中，上述方法还包括：
根据目标第一感兴趣区域图像，从至少两个医学图像中获得对应的第一医学图像，以及根据目标第二感兴趣区域图像，从至少两个医学图像中获得对应的第二医学图像；
对第一医学图像和第二医学图像分别进行曲面重建处理，确定第一重建医学图像和第二重建医学图像；
显示第一重建医学图像和第二重建医学图像。
在其中一个实施例中，上述方法还包括：
对第一医学图像和第二医学图像分别进行图像检测处理，确定第一医学图像对应的第一图像检测结果和第二医学图像对应的第二图像检测结果；
显示第一图像检测结果和第二图像检测结果。
在其中一个实施例中，上述根据各第一感兴趣区域图像，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像，包括：
将各第一感兴趣区域图像分别输入至预设的第一质量回归模型进行质量分析，确定各第一感兴趣区域图像各自对应的第一质量量化值；其中，上述第一质量回归模型是基于第一样本医学图像集进行训练得到的，第一样本医学图像集包括多个第一感兴趣区域样本图像对和每个第一感兴趣区域样本图像对所对应的质量标签；
根据各第一质量量化值，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像。
在其中一个实施例中，上述根据各第一质量量化值，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像，包括：
将各第一质量量化值进行排序，得到各第一质量量化值的排序结果；
根据排序结果，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像。
在其中一个实施例中，上述根据排序结果，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像，包括：
从排序结果中获取最大第一质量量化值，并将最大第一质量量化值所对应的第一感兴趣区域图像确定为目标第一感兴趣区域图像。
在其中一个实施例中，上述根据各第二感兴趣区域图像，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像，包括：
将各第二感兴趣区域图像分别输入至预设的第二质量回归模型进行质量分析，确定各第二感兴趣区域图像各自对应的第二质量量化值；其中，上述第二质量回归模型是基于第二样本医学图像集进行训练得到的，第二样本医学图像集包括多个第二感兴趣区域样本图像对和每个第二感兴趣区域样本图像对所对应的质量标签；
根据各第二质量量化值，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像。
在其中一个实施例中，上述根据各第二质量量化值，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像，包括：
将各第二质量量化值进行排序，得到各第二质量量化值的排序结果；
根据排序结果，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像。
在其中一个实施例中，上述根据排序结果，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像，包括：
从排序结果中获取最大第二质量量化值，并将最大第二质量量化值所对应的第二感兴趣区域图像确定为目标第二感兴趣区域图像。
一种目标图像的确定装置，该装置包括：
获取模块，用于获取检测对象的至少两个医学图像；每个医学图像包括至少一个第一感兴趣区域图像和第二感兴趣区域图像；
第一确定模块，用于根据各第一感兴趣区域图像，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像；该目标第一感兴趣区域图像为各第一感兴趣区域图像中图像质量等级最高的图像；
第二确定模块，用于根据各第二感兴趣区域图像，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像；该目标第二感兴趣区域图像为各第二感兴趣区域图像中图像质量等级最高的图像；
目标图像确定模块，用于根据目标第一感兴趣区域图像和目标第二感兴趣区域图像，确定检测对象的目标医学图像。
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：
获取检测对象的至少两个医学图像；每个医学图像包括至少一个第一感兴趣区域图像和第二感兴趣区域图像；
根据各第一感兴趣区域图像，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像；该目标第一感兴趣区域图像为各第一感兴趣区域图像中图像质量等级最高的图像；
根据各第二感兴趣区域图像，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像；该目标第二感兴趣区域图像为各第二感兴趣区域图像中图像质量等级最高的图像；
根据目标第一感兴趣区域图像和目标第二感兴趣区域图像，确定检测对象的目标医学图像。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取检测对象的至少两个医学图像；每个医学图像包括至少一个第一感兴趣区域图像和第二感兴趣区域图像；
根据各第一感兴趣区域图像，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像；该目标第一感兴趣区域图像为各第一感兴趣区域图像中图像质量等级最高的图像；
根据各第二感兴趣区域图像，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像；该目标第二感兴趣区域图像为各第二感兴趣区域图像中图像质量等级最高的图像；
根据目标第一感兴趣区域图像和目标第二感兴趣区域图像，确定检测对象的目标医学图像。
上述目标图像的确定方法、装置、计算机设备和存储介质，通过获取检测对象的至少两个医学图像，根据各医学图像对应的第一感兴趣区域图像确定目标第一感兴趣区域图像，根据各医学图像对应的第二感兴趣区域图像确定目标第二感兴趣区域图像，并根据目标第一感兴趣区域图像和目标第二感兴趣区域图像确定检测对象的目标医学图像；其中，目标第一感兴趣区域图像和目标第二感兴趣区域图像均为各自的感兴趣区域图像中图像质量等级最高的图像。在该方法中，由于检测对象的目标医学图像是通过目标第一感兴趣区域图像和目标第二感兴趣区域图像得到的，而目标第一感兴趣区域图像和目标第二感兴趣区域图像均为各自的感兴趣区域图像中图像质量等级最高的图像，这样得到的目标医学图像的图像质量等级也是最高的，那么在对目标医学图像中的第一感兴趣区域以及第二感兴趣区域进行分析时，得到的分析结果必然准确性也更高，即可以在很大程度上保证得到的第一感兴趣区域以及第二感兴趣区域的分析结果的准确性；另外，由于该方法通过最终图像质量等级最高的一个目标医学图像就可以直接对第一感兴趣区域及第二感兴趣区域进行分析，而不需要结合多个不同的医学图像进行分析，因此在对第一感兴趣区域及第二感兴趣区域进行分析时比较方便，即可以提高对第一感兴趣区域及第二感兴趣区域进行分析的效率。
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为一个实施例中目标图像的确定方法的流程示意图；
图3为另一个实施例中目标图像的确定步骤的流程示意图；
图4为另一个实施例中目标图像的确定方法的流程示意图；
图5为另一个实施例中目标图像的确定方法的流程示意图；
图6为另一个实施例中目标图像的确定方法的流程示意图；
图7为另一个实施例中目标图像的确定方法的流程示意图；
图8为一个实施例中目标图像的确定装置的结构框图。
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。
本申请实施例提供的目标图像的确定方法，可以应用于计算机设备，该计算机设备可以和扫描设备连接，扫描设备在对待检测对象进行扫描之后，可以将获取到的扫描数据传输给计算机设备，这样计算机设备就可以对扫描数据进行后处理。这里计算机设备可以是终端，也可以是服务器，以计算机设备是终端为例，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、通信接口、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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种目标图像的确定方法。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目标图像的确定装置，也可以是计算机设备，还可以是计算机设备和扫描设备构成的目标图像的确定系统，当然还可以是其他装置，以下就以计算机设备为执行主体来对本申请的技术方案进行详细说明。
在一个实施例中，提供了一种目标图像的确定方法，本实施例涉及的是如何通过各医学图像得到目标第一感兴趣区域图像以及目标第二感兴趣区域图像，并通过这两个目标感兴趣区域图像确定目标医学图像的具体过程。如图2所示，该方法可以包括以下步骤：
S202，获取检测对象的至少两个医学图像；每个医学图像包括至少一个第一感兴趣区域图像和第二感兴趣区域图像。
其中，检测对象指的是同一个检测对象。至少两个医学图像为同一检测对象在不同期相下的医学图像，这里的不同期相可以认为是在对检测对象进行同一次扫描成像过程中，在该次扫描成像过程中的不同的成像时期或不同的成像阶段。
这里医学图像的模态可以是CT(Computed Tomography，电子计算机断层扫描)，也可以是其他模态。这里的医学图像可以是心脏冠脉图像，也可以是其他部位的图像。以心脏冠脉图像为例，这里的医学图像可以是包括冠脉血管的分割结果的图像，即冠脉血管的掩膜图像。
另外，这里每个医学图像对应的第一感兴趣区域图像和第二感兴趣区域图像，可以是通过对医学图像进行分割得到。例如以医学图像为冠脉分割图像、第一感兴趣区域图像和第二感兴趣区域图像分别为左冠脉分割图像和右冠脉分割图像为例，那么这里可以对冠脉分割图像分别进行左冠脉分割和右冠脉分割，得到左冠脉分割图像以及右冠脉分割图像，这里得到的左冠脉分割图像、右冠脉分割图像以及冠脉分割图像三者的图像大小一般是相同的。
这里各个医学图像均包括至少一个第一感兴趣区域图像和第二感兴趣区域图像，也就是说，每个医学图像不止可以包括一个第一感兴趣区域图像和第二感兴趣区域图像，还可以包括第三感兴趣区域图像、第四感兴趣区域图像等等，这里不作穷举。这里每个医学图像中包括的感兴趣区域图像均是相同的，即一个医学图像中包括第一感兴趣区域图像、第二感兴趣区域图像、第三感兴趣区域图像，那么另一个医学图像中也包括第一感兴趣区域图像、第二感兴趣区域图像、第三感兴趣区域图像。
这里多个感兴趣区域图像可以是针对检测对象一个部位的感兴趣区域图像(例如针对检测对象的胸部冠脉、某一个部位的血管等等)，也可以是针对检测对象多个部位的感兴趣区域图像(例如针对检测对象的左肺部和右肺部、左肾部和右肾部等等)。
以冠脉为例，上述第一感兴趣区域图像可以是左冠脉的分割图像，第二感兴趣区域图像可以是右冠脉的分割图像、第三感兴趣区域图像可以是心脏的分割图像、第四感兴趣区域图像可以是主动脉的分割图像；或者，其中的左冠脉和右冠脉也可以对调。再比如，这里冠脉的多个感兴趣区域，可以是冠脉不同的血管段的自定义组合，例如第一感兴趣区域图像可以是RCA(右冠状动脉)的分割图像、第二感兴趣区域图像是LCX(回旋支)的分割图像、第三感兴趣区域可以是LAD(前降支)的分割图像，第四感兴趣区域图像是PDA(后降支)的分割图像等等。
以肺部的肺叶为例，上述第一感兴趣区域图像可以是右肺部上肺叶的分割图像，第二感兴趣区域图像可以是右肺部中肺叶的分割图像、第三感兴趣区域图像可以是右肺部下肺叶的分割图像、第四感兴趣区域图像可以是左肺部上肺叶的分割图像，第五感兴趣区域图像可以是左肺部下肺叶的分割图像。
具体的，可以在对检测对象进行扫描成像的过程中，在不同成像时期或不同成像阶段获取相应的扫描数据，并对不同成像时期或不同成像阶段的扫描数据进行图像重建，获得不同成像时期或不同成像阶段的医学图像，即获得检测对象的至少两个医学图像。
S204，根据各第一感兴趣区域图像，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像；该目标第一感兴趣区域图像为各第一感兴趣区域图像中图像质量等级最高的图像。
在本步骤中，上述通过各个医学图像中均包括第一感兴趣区域图像，那么就可以得到多个第一感兴趣区域图像，之后可以获得各个第一感兴趣区域图像的图像质量等级，并通过各个第一感兴趣区域图像的图像质量等级，从中筛选出图像质量等级最高的第一感兴趣区域图像，作为目标第一感兴趣区域图像。
其中，获得各个第一感兴趣区域图像的图像质量等级的方式，可以是通过医生或技师等根据经验对各个第一感兴趣区域图像进行图像质量分析，获得各个第一感兴趣区域图像的图像质量等级。例如有三个第一感兴趣区域图像，医生可以通过经验，依据图像的清晰度等指标对这三个图像进行分析，将这三个图像分为图像质量最高的、中等的、最不好的三个等级。
或者，也可以是通过具有图像质量量化功能或者具有图像质量等级分析的神经网络模型对各个第一感兴趣区域图像的图像质量进行量化，获得各个第一感兴趣区域图像的图像质量等级。当然，也可以通过其他方式得到得各个第一感兴趣区域图像的图像质量等级，这里不作具体限定。
总之，在得到各个第一感兴趣区域图像的图像质量等级之后，就可以通过排序等方式从各个第一感兴趣区域图像中获得图像质量等级最高的目标第一感兴趣区域图像。
S206，根据各第二感兴趣区域图像，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像；该目标第二感兴趣区域图像为各第二感兴趣区域图像中图像质量等级最高的图像。
在本步骤中，目标第二感兴趣区域图像的确定方式可以与上述目标第一感兴趣区域图像的确定方式相同，这里就不再赘述。
另外，上述S204和S206没有执行顺序限制，可以先执行S204，再执行S206，也可以是先执行S206，再执行S204，也可以是同时执行S204和S206。
S208，根据目标第一感兴趣区域图像和目标第二感兴趣区域图像，确定检测对象的目标医学图像。
在本步骤中，在获得目标第一感兴趣区域图像和目标第二感兴趣区域图像之后，可以是直接将这两个目标感兴趣区域图像作为目标医学图像，也可以是对这两个目标感兴趣区域图像进行图像后处理，获得目标医学图像，这里的图像后处理可以包括图像特征提取、配准、融合、叠加等等处理。总之，可以通过这两个目标感兴趣区域图像获得检测对象的目标医学图像。之后，医生就可以针对该目标医学图像进行下一步影像分析，这里的下一步影像分析可以包括对目标医学图像进行VR(容积成像)和MIP(最大密度投影)显示等，这样医生可以直观的看出第一感兴趣区域以及第二感兴趣区域的走形、起源等信息。
上述目标图像的确定方法中，通过获取检测对象的至少两个医学图像，根据各医学图像对应的第一感兴趣区域图像确定目标第一感兴趣区域图像，根据各医学图像对应的第二感兴趣区域图像确定目标第二感兴趣区域图像，并根据目标第一感兴趣区域图像和目标第二感兴趣区域图像确定检测对象的目标医学图像；其中，目标第一感兴趣区域图像和目标第二感兴趣区域图像均为各自的感兴趣区域图像中图像质量等级最高的图像。在该方法中，由于检测对象的目标医学图像是通过目标第一感兴趣区域图像和目标第二感兴趣区域图像得到的，而目标第一感兴趣区域图像和目标第二感兴趣区域图像均为各自的感兴趣区域图像中图像质量等级最高的图像，这样得到的目标医学图像的图像质量等级也是最高的，那么在对目标医学图像中的第一感兴趣区域以及第二感兴趣区域进行分析时，得到的分析结果必然准确性也更高，即可以在很大程度上保证得到的第一感兴趣区域以及第二感兴趣区域的分析结果的准确性；另外，由于该方法通过最终图像质量等级最高的一个目标医学图像就可以直接对第一感兴趣区域及第二感兴趣区域进行分析，而不需要结合多个不同的医学图像进行分析，因此在对第一感兴趣区域及第二感兴趣区域进行分析时比较方便，即可以提高对第一感兴趣区域及第二感兴趣区域进行分析的效率。
在另一个实施例中，提供了另一种目标图像的确定方法，本实施例涉及的是如何通过两个目标感兴趣区域图像获得目标医学图像的具体过程。在上述实施例的基础上，如图3所示，上述S208可以包括以下步骤：
S302，对目标第一感兴趣区域图像和目标第二感兴趣区域图像进行配准，确定配准后的目标第一感兴趣区域图像和配准后的目标第二感兴趣区域图像。
其中，在上述获得目标第一感兴趣区域图像和目标第二感兴趣区域图像之后，通常目标第一感兴趣区域图像和目标第二感兴趣区域图像不会是同一个医学图像对应的两个感兴趣区域图像(例如以冠脉为例，这里目标左冠脉分割图像和目标右冠脉分割图像，通常不会是对同一个冠脉图像进行分割得到的两个图像)，也就是说，目标第一感兴趣区域图像和目标第二感兴趣区域图像会对应两个不同期相(或者两个不同的阶段)的医学图像，由于不同期相/阶段成像过程中，检测对象可能会存在移动等因素，因此不同期相/阶段的图像之间可能会存在同一器官位置不对应，那么这里就需要对这两个目标医学图像进行配准。
在配准时，可以采用刚性配准算法进行配准，也可以采用非刚性算法进行配准。配准过程中，可以将目标第一感兴趣区域图像和目标第二感兴趣区域图像中的任意一个图像作为参考图像，那么另一个图像就是浮动图像，然后将浮动图像配准到参考图像的空间位置上，获得配准后的两个感兴趣区域图像。
S304，对配准后的目标第一感兴趣区域图像和配准后的目标第二感兴趣区域图像进行图像融合，得到检测对象的目标医学图像。
在本步骤中，在将两个目标感兴趣区域图像配准之后，一般医生进行分析时，是希望两个感兴趣区域图像结合为一个图像去观察和分析的，因此这里就需要对配准后的这两个目标感兴趣区域图像进行图像融合，将这两个目标感兴趣区域图像融合为一个医学图像，得到目标医学图像。
本实施例中，通过对目标第一感兴趣区域图像和目标第二感兴趣区域图像进行配准和图像融合，获得检测对象的目标医学图像，这样将两个感兴趣区域图像配准融合为一个目标医学图像，医生只需要综合去观察这一个医学图像即可进行感兴趣区域的影像分析，提高影像分析的效率。
在另一个实施例中，提供了另一种目标图像的确定方法，本实施例涉及的是如何对两个目标感兴趣区域图像进行配准的具体过程。在上述实施例的基础上，如图4所示，上述S302可以包括以下步骤：
S402，根据目标第一感兴趣区域图像对应的第一医学图像以及目标第二感兴趣区域图像对应的第二医学图像，确定图像配准关系。
在本步骤中，可选的，可以采用如下步骤A1-A3获得图像配准关系：
步骤A1，根据目标第一感兴趣区域图像对应的第一医学图像，获得第一医学图像中特征区域对应的第一分割图像，以及根据目标第二感兴趣区域图像对应的第二医学图像，获得第二医学图像中特征区域对应的第二分割图像。
步骤A2，对第一分割图像和第二分割图像分别进行特征提取，确定第一分割图像对应的第一图像特征和第二分割图像对应的第二图像特征。
步骤A3，对第一图像特征和第二图像特征进行数学运算处理，确定图像配准关系。
其中，特征区域可以是医学图像中位置相对固定，不太会产生变化的区域。以医学图像为冠脉图像为例，冠脉图像中的特征区域就可以是心脏区域和主动脉区域。
上述在获得目标第一感兴趣区域图像之后，也可以通过标识等获知该目标第一感兴趣区域图像对应的医学图像，记为第一医学图像，然后可以对第一医学图像中的特征区域进行分割处理，获得特征区域对应的分割图像，记为第一分割图像。同样的，可以获得第二医学图像以及第二分割图像。
之后，可以对第一分割图像进行特征提取，这里的特征提取主要针对特征区域进行特征提取，得到第一分割图像中特征区域的图像特征，记为第一图像特征；同样的，对第二分割图像中的特征区域进行特征提取，得到的图像特征记为第二图像特征。
在得到第一图像特征和第二图像特征之后，可以对第一图像特征和第二图像特征进行求商、乘积等数学运算处理，得到第一图像特征和第二图像特征之间的变换关系，即得到图像配准关系。
这里通过在两个目标感兴趣区域图像各自对应的原始医学图像上求取图像配准关系，由于原始医学图像上的特征区域的位置等相对固定，这样得到的图像配准关系也就比较稳定和准确。
S404，采用图像配准关系对目标第一感兴趣区域图像和目标第二感兴趣区域图像进行配准，确定配准后的目标第一感兴趣区域图像和配准后的目标第二感兴趣区域图像。
在本步骤中，在获得图像配准关系之后，就可以将目标第一感兴趣区域图像和目标第二感兴趣区域图像中的任意一个图像作为参考图像，那么另一个图像就是浮动图像，然后采用图像配准关系对浮动图像进行变换，将浮动图像配准到参考图像的空间位置上，获得配准后的两个感兴趣区域图像。
本实施例中，通过两个目标感兴趣区域图像确定图像配准关系，并采用图像配准关系对两个目标感兴趣区域图像进行配准，这里依据获得的配准关系对两个图像进行配准，细化了图像的配准过程，可以使最终获得的配准结果更加准确。
在另一个实施例中，提供了另一种目标图像的确定方法，本实施例涉及的是如何对两个目标感兴趣区域图像对应的医学图像进行曲面重建及显示的具体过程。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，根据目标第一感兴趣区域图像，从至少两个医学图像中获得对应的第一医学图像，以及根据目标第二感兴趣区域图像，从至少两个医学图像中获得对应的第二医学图像。
在本步骤中，具体获得第一医学图像和第二医学图像的方式可以参见上述S402中的解释说明，这里不再进行赘述。
S504，对第一医学图像和第二医学图像分别进行曲面重建处理，确定第一重建医学图像和第二重建医学图像。
在本步骤中，曲面重建可以包括CPR(curved plannar reconstruction)、SCPR(Stretched CPR，拉直曲面重建)等等。
其中，曲面重建CPR的实现原理为：沿感兴趣区域器官划一条曲线，将沿曲线的体积元数据进行重组，便可以获得CPR图像。SCPR的实现原理为：将弯曲的维度进行拉伸从而产生一个能够无遮挡显示整个管状结构的平面。通过CPR或SCPR处理，可以将扭曲、缩短和重叠的血管、结肠等感兴趣结构伸展拉直，展示在同一平面上，便于医生进行观察和影像分析。
上述在获得第一医学图像和第二医学图像之后，可以对这两个医学图像分别进行曲面重建处理，获得曲面重建后的两个医学图像，第一医学图像的重建图像记为第一重建医学图像，第二医学图像的重建图像记为第二重建医学图像。
这里在两个目标感兴趣区域图像对应的原始医学图像上进行曲面重建处理，在医生进行影像分析时，可以使医生看到不使用后处理手段的原图，保持图像的真实性，从而进行真实图像的影像分析。
S506，显示第一重建医学图像和第二重建医学图像。
在本步骤中，在获得第一重建医学图像和第二重建医学图像之后，可以在显示界面上显示这两个重建医学图像，显示方式可以是在界面上居中显示、靠左显示、靠右显示、堆叠显示等等。
本实施例中，通过获得两个目标感兴趣区域对应的原始医学图像，并对两个原始医学图像进行曲面重建处理并显示曲面重建后的重建图像，这样可以打消医生在影像分析时的疑虑，使医生看到不使用后处理手段的原图，保持图像的真实性。
在上述曲面重建的同时，也可以在原始医学图像上进行图像检测，以下就对图像检测这种情况进行详细说明。
在另一个实施例中，提供了另一种目标图像的确定方法，本实施例涉及的是如何对两个目标感兴趣区域图像对应的医学图像进行图像检测及显示的具体过程。在上述实施例的基础上，如图6所示，上述方法还可以包括以下步骤：
S602，对第一医学图像和第二医学图像分别进行图像检测处理，确定第一医学图像对应的第一图像检测结果和第二医学图像对应的第二图像检测结果。
其中，图像检测可以是采用人工勾画、根据经验观察分析等方式对两个医学图像进行检测，将勾画出的病灶等作为图像检测结果；或者，也可以是采用图像检测模型来对两个医学图像分别进行检测，例如可以通过分割模型对医学图像中的病灶等进行分割，得到的病灶分割结果作为图像检测结果；利用分类模型对医学图像进行分类等检测处理，得到的分类结果作为图像检测结果等；或者也可以采用其他图像检测方式。
总之，上述可以通过不同的方式对两个医学图像进行图像检测处理，获得两个医学图像分别对应的图像检测结果，分别记为第一图像检测结果和第二图像检测结果。这里在对两个医学图像进行图像检测处理时，一般会采用相同的图像检测方式对两个医学图像进行检测，这样采用同一个方式处理，便于后续可以更好地对得到的图像检测结果进行进一步分析。
S604，显示第一图像检测结果和第二图像检测结果。
在本步骤中，在获得第一图像检测结果和第二图像检测结果之后，可以在显示界面上显示这两个图像检测结果，同时也可以显示这两个检测结果分别对应的原始医学图像。具体的显示方式可以与上述重建图像的显示方式相同。
本实施例中，通过对两个目标感兴趣区域图像对应的原始医学图像进行图像检测处理并显示图像检测结果，这样可以打消医生在影像分析时的疑虑，使医生看到不使用后处理手段的原图和针对原图做的检测处理及检测结果，保持图像和图像检测结果的真实性。
在上述实施例中，简单说明了如何根据各第一感兴趣区域图像，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像以及如何根据各第二感兴趣区域图像，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像，下面实施例就对具体如何确定的过程进行详细说明。
首先针对如何根据各第一感兴趣区域图像，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像进行说明，在上述实施例的基础上，如图7所示，上述S204可以包括以下步骤：
S702，将各第一感兴趣区域图像分别输入至预设的第一质量回归模型进行质量分析，确定各第一感兴趣区域图像各自对应的第一质量量化值；其中，上述第一质量回归模型是基于第一样本医学图像集进行训练得到的，第一样本医学图像集包括多个第一感兴趣区域样本图像对和每个第一感兴趣区域样本图像对所对应的质量标签。
其中，第一质量回归模型可以是神经网络模型，也可以是其他类型的模型。这里第一质量回归模型可以是通过多个第一感兴趣区域样本图像对和每个第一感兴趣区域样本图像对所对应的标注质量标签进行训练得到的，在具体训练过程中也是输入一个医学图像就可以获得一个医学图像的质量量化值，通过第一感兴趣区域样本图像对的质量量化值以及第一感兴趣区域样本图像对的标注质量标签来综合对质量回归模型进行训练。这里的标注质量标签可以是标注质量好坏的文字，也可以是标注质量的数字等，例如可以是标注0或1的数字。
在第一质量回归模型训练过程中，可以对各第一感兴趣区域样本图像对中的各第一感兴趣区域样本图像进行特征提取，确定各第一感兴趣区域样本图像对应的图像特征；将各第一感兴趣区域样本图像对应的图像特征输入至初始第一质量回归模型进行质量分析，得到各第一感兴趣区域样本图像对应的预测质量量化值；获取各第一感兴趣区域样本图像中第2n个第一感兴趣区域样本图像和第2n+1个第一感兴趣区域样本图像组成的训练图像对；上述n为大于和/或等于0的整数值；将第一感兴趣区域样本图像对中的各第一感兴趣区域样本图像的预测质量量化值进行作差处理，得到第一感兴趣区域样本图像对所对应的预测质量量化值差值；对第一感兴趣区域样本图像对所对应的预测质量量化值差值进行激活处理，确定第一感兴趣区域样本图像对所对应的预测质量标签；对第一感兴趣区域样本图像对所对应的预测质量标签和标注质量标签进行损失计算，并基于计算的损失对上述初始第一质量回归模型进行训练，得到上述第一质量回归模型。
在第一质量回归模型训练好之后，具体应用过程中只选取输入一个医学图像就可以获得一个医学图像的质量量化值的部分，这样在获得各第一感兴趣区域图像之后，就可以将各第一感兴趣区域图像依次输入至第一质量回归模型进行质量分析，获得每个第一感兴趣区域图像各自对应的质量量化值，均记为第一质量量化值。
S704，根据各第一质量量化值，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像。
其中，这里的质量量化值与上述S204中提到的图像质量等级相对应，一般一个图像的图像质量量化值越大，那么对应的图像质量等级就越高。
在本步骤中，可选的，可以将各第一质量量化值进行排序，得到各第一质量量化值的排序结果；根据排序结果，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像。这里在对各第一质量量化值进行排序时，可以是从大到小排序，也可以是从小到大排序，总之可以得到排序结果。
在获得排序结果之后，可选的，可以从排序结果中获取最大第一质量量化值，并将最大第一质量量化值所对应的第一感兴趣区域图像确定为目标第一感兴趣区域图像。这里在获得最大第一质量量化值时，若排序是从大到小排序，那么就将排序结果中第一个第一质量量化值作为最大第一质量量化值；若排序是从小到大排序，那么就将排序结果中最后一个第一质量量化值作为最大第一质量量化值。
本实施例中，通过将各第一感兴趣区域图像分别输入至预设的第一质量回归模型进行质量分析，确定各第一感兴趣区域图像各自对应的第一质量量化值，并根据各第一质量量化值，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像。这样就不需要医生根据自身经验去对比选择目标图像，也即不需要医生花费时间和精力去寻找目标图像，因此可以节省选择目标图像的人力和时间成本。
其次针对如何根据各第二感兴趣区域图像，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像进行说明，在上述实施例的基础上，上述S206可以包括以下步骤B1和B2：
步骤B1，将各第二感兴趣区域图像分别输入至预设的第二质量回归模型进行质量分析，确定各第二感兴趣区域图像各自对应的第二质量量化值；其中，上述第二质量回归模型是基于第二样本医学图像集进行训练得到的，第二样本医学图像集包括多个第二感兴趣区域样本图像对和每个第二感兴趣区域样本图像对所对应的质量标签。
在本步骤中，对于第二质量回归模型以及各第二质量量化值的具体解释说明可以参见上述S702中的第一质量回归模型以及各第一质量量化值的解释说明，这里不再赘述。
步骤B2，根据各第二质量量化值，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像。
在本步骤中，可选的，可以将各第二质量量化值进行排序，得到各第二质量量化值的排序结果；根据排序结果，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像。
在获得排序结果之后，可选的，可以从排序结果中获取最大第二质量量化值，并将最大第二质量量化值所对应的第二感兴趣区域图像确定为目标第二感兴趣区域图像。
本步骤中的排序结果与上述S704中的排序结果不同，上述S704中是对各第一质量量化值进行排序得到的排序结果，这里是对各第二质量量化值进行排序得到的排序结果，具体排序方式等均相同。
对于具体如何从各第二质量量化值的排序结果中确定目标第二感兴趣区域图像，可以参见上述S704中从各第一质量量化值的排序结果中确定目标第一感兴趣区域图像的解释说明，这里不再赘述。
本实施例中，通过将各第二感兴趣区域图像分别输入至预设的第二质量回归模型进行质量分析，确定各第二感兴趣区域图像各自对应的第二质量量化值，并根据各第二质量量化值，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像。这样就不需要医生根据自身经验去对比选择目标图像，也即不需要医生花费时间和精力去寻找目标图像，因此可以节省选择目标图像的人力和时间成本。
需要说明的，上述实施例只是以一个医学图像中包括两个感兴趣区域图像为例进行说明的，在实际情况中，每个医学图像中若包括多于两个感兴趣区域图像，那么就会存在多于两个质量回归模型，也就是说，每一类感兴趣区域图像对应一个质量回归模型。例如感兴趣区域图像包括右肺的上中下三个肺叶的图像，那么就对应三个质量回归模型，分别是上中下三个肺叶各自对应的质量回归模型。
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步骤或者多个阶段，这些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中的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，提供了一种目标图像的确定装置，包括：获取模块10、第一确定模块11、第二确定模块12和目标图像确定模块13，其中：
获取模块10，用于获取检测对象的至少两个医学图像；每个医学图像包括至少一个第一感兴趣区域图像和第二感兴趣区域图像；
第一确定模块11，用于根据各第一感兴趣区域图像，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像；该目标第一感兴趣区域图像为各第一感兴趣区域图像中图像质量等级最高的图像；
第二确定模块12，用于根据各第二感兴趣区域图像，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像；该目标第二感兴趣区域图像为各第二感兴趣区域图像中图像质量等级最高的图像；
目标图像确定模块13，用于根据目标第一感兴趣区域图像和目标第二感兴趣区域图像，确定检测对象的目标医学图像。
关于目标图像的确定装置的具体限定可以参见上文中对于目标图像的确定方法的限定，在此不再赘述。
在另一个实施例中，提供了另一种目标图像的确定装置，在上述实施例的基础上，上述目标图像确定模块13可以包括：配准单元和融合单元，其中：
配准单元，用于对目标第一感兴趣区域图像和目标第二感兴趣区域图像进行配准，确定配准后的目标第一感兴趣区域图像和配准后的目标第二感兴趣区域图像；
融合单元，用于对配准后的目标第一感兴趣区域图像和配准后的目标第二感兴趣区域图像进行图像融合，得到检测对象的目标医学图像。
可选的，上述配准单元可以包括配准关系确定子单元和配准子单元，其中：
配准关系确定子单元，用于根据目标第一感兴趣区域图像对应的第一医学图像以及目标第二感兴趣区域图像对应的第二医学图像，确定图像配准关系；
配准子单元，用于采用图像配准关系对目标第一感兴趣区域图像和目标第二感兴趣区域图像进行配准，确定配准后的目标第一感兴趣区域图像和配准后的目标第二感兴趣区域图像。
可选的，上述配准关系确定子单元，具体用于根据目标第一感兴趣区域图像对应的第一医学图像，获得第一医学图像中特征区域对应的第一分割图像，以及根据目标第二感兴趣区域图像对应的第二医学图像，获得第二医学图像中特征区域对应的第二分割图像；对第一分割图像和第二分割图像分别进行特征提取，确定第一分割图像对应的第一图像特征和第二分割图像对应的第二图像特征；对第一图像特征和第二图像特征进行数学运算处理，确定图像配准关系。
在另一个实施例中，提供了另一种目标图像的确定装置，在上述实施例的基础上，上述装置还可以包括：图像确定模块、曲面重建模块和图像显示模块，其中：
图像确定模块，用于根据目标第一感兴趣区域图像，从至少两个医学图像中获得对应的第一医学图像，以及根据目标第二感兴趣区域图像，从至少两个医学图像中获得对应的第二医学图像；
曲面重建模块，用于对第一医学图像和第二医学图像分别进行曲面重建处理，确定第一重建医学图像和第二重建医学图像；
图像显示模块，用于显示第一重建医学图像和第二重建医学图像。
可选的，上述装置还可以包括：图像检测模块和结果显示模块，其中：
图像检测模块，用于对第一医学图像和第二医学图像分别进行图像检测处理，确定第一医学图像对应的第一图像检测结果和第二医学图像对应的第二图像检测结果；
结果显示模块，用于显示第一图像检测结果和第二图像检测结果。
在另一个实施例中，提供了另一种目标图像的确定装置，在上述实施例的基础上，上述第一确定模块11可以包括第一质量分析单元和第一图像确定单元，其中：
第一质量分析单元，用于将各第一感兴趣区域图像分别输入至预设的第一质量回归模型进行质量分析，确定各第一感兴趣区域图像各自对应的第一质量量化值；其中，上述第一质量回归模型是基于第一样本医学图像集进行训练得到的，第一样本医学图像集包括多个第一感兴趣区域样本图像对和每个第一感兴趣区域样本图像对所对应的质量标签；
第一图像确定单元，用于根据各第一质量量化值，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像。
可选的，上述第一图像确定单元可以包括排序子单元和第一图像确定子单元，其中：
排序子单元，用于将各第一质量量化值进行排序，得到各第一质量量化值的排序结果；
第一图像确定子单元，用于根据排序结果，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像。
可选的，上述第一图像确定子单元，具体用于从排序结果中获取最大第一质量量化值，并将最大第一质量量化值所对应的第一感兴趣区域图像确定为目标第一感兴趣区域图像。
在另一个实施例中，提供了另一种目标图像的确定装置，在上述实施例的基础上，上述第二确定模块12可以包括第二质量分析单元和第二图像确定单元，其中：
第二质量分析单元，用于将各第二感兴趣区域图像分别输入至预设的第二质量回归模型进行质量分析，确定各第二感兴趣区域图像各自对应的第二质量量化值；其中，上述第二质量回归模型是基于第二样本医学图像集进行训练得到的，第二样本医学图像集包括多个第二感兴趣区域样本图像对和每个第二感兴趣区域样本图像对所对应的质量标签；
第二图像确定单元，用于根据各第二质量量化值，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像。
可选的，上述第二图像确定单元可以包括排序子单元和第二图像确定子单元，其中：
排序子单元，用于将各第二质量量化值进行排序，得到各第二质量量化值的排序结果；
第二图像确定子单元，用于根据排序结果，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像。
可选的，上述第二图像确定子单元，具体用于从排序结果中获取最大第二质量量化值，并将最大第二质量量化值所对应的第二感兴趣区域图像确定为目标第二感兴趣区域图像。
关于目标图像的确定装置的具体限定可以参见上文中对于目标图像的确定方法的限定，在此不再赘述。
上述目标图像的确定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：
获取检测对象的至少两个医学图像；每个医学图像包括至少一个第一感兴趣区域图像和第二感兴趣区域图像；根据各第一感兴趣区域图像，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像；该目标第一感兴趣区域图像为各第一感兴趣区域图像中图像质量等级最高的图像；根据各第二感兴趣区域图像，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像；该目标第二感兴趣区域图像为各第二感兴趣区域图像中图像质量等级最高的图像；根据目标第一感兴趣区域图像和目标第二感兴趣区域图像，确定检测对象的目标医学图像。
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：
对目标第一感兴趣区域图像和目标第二感兴趣区域图像进行配准，确定配准后的目标第一感兴趣区域图像和配准后的目标第二感兴趣区域图像；对配准后的目标第一感兴趣区域图像和配准后的目标第二感兴趣区域图像进行图像融合，得到检测对象的目标医学图像。
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：
根据目标第一感兴趣区域图像对应的第一医学图像以及目标第二感兴趣区域图像对应的第二医学图像，确定图像配准关系；采用图像配准关系对目标第一感兴趣区域图像和目标第二感兴趣区域图像进行配准，确定配准后的目标第一感兴趣区域图像和配准后的目标第二感兴趣区域图像。
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：
根据目标第一感兴趣区域图像对应的第一医学图像，获得第一医学图像中特征区域对应的第一分割图像，以及根据目标第二感兴趣区域图像对应的第二医学图像，获得第二医学图像中特征区域对应的第二分割图像；对第一分割图像和第二分割图像分别进行特征提取，确定第一分割图像对应的第一图像特征和第二分割图像对应的第二图像特征；对第一图像特征和第二图像特征进行数学运算处理，确定图像配准关系。
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：
根据目标第一感兴趣区域图像，从至少两个医学图像中获得对应的第一医学图像，以及根据目标第二感兴趣区域图像，从至少两个医学图像中获得对应的第二医学图像；对第一医学图像和第二医学图像分别进行曲面重建处理，确定第一重建医学图像和第二重建医学图像；显示第一重建医学图像和第二重建医学图像。
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：
对第一医学图像和第二医学图像分别进行图像检测处理，确定第一医学图像对应的第一图像检测结果和第二医学图像对应的第二图像检测结果；显示第一图像检测结果和第二图像检测结果。
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：
将各第一感兴趣区域图像分别输入至预设的第一质量回归模型进行质量分析，确定各第一感兴趣区域图像各自对应的第一质量量化值；其中，上述第一质量回归模型是基于第一样本医学图像集进行训练得到的，第一样本医学图像集包括多个第一感兴趣区域样本图像对和每个第一感兴趣区域样本图像对所对应的质量标签；根据各第一质量量化值，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像。
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：
将各第一质量量化值进行排序，得到各第一质量量化值的排序结果；根据排序结果，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像。
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：
从排序结果中获取最大第一质量量化值，并将最大第一质量量化值所对应的第一感兴趣区域图像确定为目标第一感兴趣区域图像。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取检测对象的至少两个医学图像；每个医学图像包括至少一个第一感兴趣区域图像和第二感兴趣区域图像；根据各第一感兴趣区域图像，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像；该目标第一感兴趣区域图像为各第一感兴趣区域图像中图像质量等级最高的图像；根据各第二感兴趣区域图像，从各第二感兴趣区域图像中确定目标第二感兴趣区域图像；该目标第二感兴趣区域图像为各第二感兴趣区域图像中图像质量等级最高的图像；根据目标第一感兴趣区域图像和目标第二感兴趣区域图像，确定检测对象的目标医学图像。
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：
对目标第一感兴趣区域图像和目标第二感兴趣区域图像进行配准，确定配准后的目标第一感兴趣区域图像和配准后的目标第二感兴趣区域图像；对配准后的目标第一感兴趣区域图像和配准后的目标第二感兴趣区域图像进行图像融合，得到检测对象的目标医学图像。
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：
根据目标第一感兴趣区域图像对应的第一医学图像以及目标第二感兴趣区域图像对应的第二医学图像，确定图像配准关系；采用图像配准关系对目标第一感兴趣区域图像和目标第二感兴趣区域图像进行配准，确定配准后的目标第一感兴趣区域图像和配准后的目标第二感兴趣区域图像。
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：
根据目标第一感兴趣区域图像对应的第一医学图像，获得第一医学图像中特征区域对应的第一分割图像，以及根据目标第二感兴趣区域图像对应的第二医学图像，获得第二医学图像中特征区域对应的第二分割图像；对第一分割图像和第二分割图像分别进行特征提取，确定第一分割图像对应的第一图像特征和第二分割图像对应的第二图像特征；对第一图像特征和第二图像特征进行数学运算处理，确定图像配准关系。
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：
根据目标第一感兴趣区域图像，从至少两个医学图像中获得对应的第一医学图像，以及根据目标第二感兴趣区域图像，从至少两个医学图像中获得对应的第二医学图像；对第一医学图像和第二医学图像分别进行曲面重建处理，确定第一重建医学图像和第二重建医学图像；显示第一重建医学图像和第二重建医学图像。
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：
对第一医学图像和第二医学图像分别进行图像检测处理，确定第一医学图像对应的第一图像检测结果和第二医学图像对应的第二图像检测结果；显示第一图像检测结果和第二图像检测结果。
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：
将各第一感兴趣区域图像分别输入至预设的第一质量回归模型进行质量分析，确定各第一感兴趣区域图像各自对应的第一质量量化值；其中，上述第一质量回归模型是基于第一样本医学图像集进行训练得到的，第一样本医学图像集包括多个第一感兴趣区域样本图像对和每个第一感兴趣区域样本图像对所对应的质量标签；根据各第一质量量化值，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像。
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：
将各第一质量量化值进行排序，得到各第一质量量化值的排序结果；根据排序结果，从各第一感兴趣区域图像中确定目标第一感兴趣区域图像。
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：
从排序结果中获取最大第一质量量化值，并将最大第一质量量化值所对应的第一感兴趣区域图像确定为目标第一感兴趣区域图像。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)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)

1.一种目标图像的确定方法，其特征在于，所述方法包括：
获取检测对象的至少两个医学图像；每个所述医学图像包括至少一个第一感兴趣区域图像和第二感兴趣区域图像；
根据各所述第一感兴趣区域图像，从各所述第一感兴趣区域图像中确定目标第一感兴趣区域图像；所述目标第一感兴趣区域图像为各所述第一感兴趣区域图像中图像质量等级最高的图像；
根据各所述第二感兴趣区域图像，从各所述第二感兴趣区域图像中确定目标第二感兴趣区域图像；所述目标第二感兴趣区域图像为各所述第二感兴趣区域图像中图像质量等级最高的图像；
根据所述目标第一感兴趣区域图像和所述目标第二感兴趣区域图像，确定所述检测对象的目标医学图像。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标第一感兴趣区域图像和所述目标第二感兴趣区域图像，确定所述检测对象的目标医学图像，包括：
对所述目标第一感兴趣区域图像和所述目标第二感兴趣区域图像进行配准，确定配准后的目标第一感兴趣区域图像和配准后的目标第二感兴趣区域图像；
对所述配准后的目标第一感兴趣区域图像和所述配准后的目标第二感兴趣区域图像进行图像融合，得到所述检测对象的目标医学图像。
3.根据权利要求1-2任意一项所述的方法，其特征在于，所述方法还包括：
根据所述目标第一感兴趣区域图像，从所述至少两个医学图像中获得对应的第一医学图像，以及根据所述目标第二感兴趣区域图像，从所述至少两个医学图像中获得对应的第二医学图像；
对所述第一医学图像和所述第二医学图像分别进行曲面重建处理，确定第一重建医学图像和第二重建医学图像；
显示所述第一重建医学图像和所述第二重建医学图像。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
对所述第一医学图像和所述第二医学图像分别进行图像检测处理，确定所述第一医学图像对应的第一图像检测结果和所述第二医学图像对应的第二图像检测结果；
显示所述第一图像检测结果和所述第二图像检测结果。
5.根据权利要求1-2任意一项所述的方法，其特征在于，所述根据各所述第一感兴趣区域图像，从各所述第一感兴趣区域图像中确定目标第一感兴趣区域图像，包括：
将各所述第一感兴趣区域图像分别输入至预设的第一质量回归模型进行质量分析，确定各所述第一感兴趣区域图像各自对应的第一质量量化值；其中，所述第一质量回归模型是基于第一样本医学图像集进行训练得到的，所述第一样本医学图像集包括多个第一感兴趣区域样本图像对和每个所述第一感兴趣区域样本图像对所对应的质量标签；
根据各所述第一质量量化值，从各所述第一感兴趣区域图像中确定目标第一感兴趣区域图像。
6.根据权利要求5所述的方法，其特征在于，所述根据各所述第一质量量化值，从各所述第一感兴趣区域图像中确定目标第一感兴趣区域图像，包括：
将各所述第一质量量化值进行排序，得到各所述第一质量量化值的排序结果；
根据所述排序结果，从各所述第一感兴趣区域图像中确定所述目标第一感兴趣区域图像。
7.根据权利要求6所述的方法，其特征在于，所述根据所述排序结果，从各所述第一感兴趣区域图像中确定所述目标第一感兴趣区域图像，包括：
从所述排序结果中获取最大第一质量量化值，并将所述最大第一质量量化值所对应的第一感兴趣区域图像确定为所述目标第一感兴趣区域图像。
8.一种目标图像的确定装置，其特征在于，所述装置包括：
获取模块，用于获取检测对象的至少两个医学图像；每个所述医学图像包括至少一个第一感兴趣区域图像和第二感兴趣区域图像；
第一确定模块，用于根据各所述第一感兴趣区域图像，从各所述第一感兴趣区域图像中确定目标第一感兴趣区域图像；所述目标第一感兴趣区域图像为各所述第一感兴趣区域图像中图像质量等级最高的图像；
第二确定模块，用于根据各所述第二感兴趣区域图像，从各所述第二感兴趣区域图像中确定目标第二感兴趣区域图像；所述目标第二感兴趣区域图像为各所述第二感兴趣区域图像中图像质量等级最高的图像；
目标图像确定模块，用于根据所述目标第一感兴趣区域图像和所述目标第二感兴趣区域图像，确定所述检测对象的目标医学图像。
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。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110309738.6A 2021-03-23 2021-03-23 目标图像的确定方法、装置、计算机设备和存储介质 Pending CN113077425A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110309738.6A CN113077425A (zh) 2021-03-23 2021-03-23 目标图像的确定方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110309738.6A CN113077425A (zh) 2021-03-23 2021-03-23 目标图像的确定方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN113077425A true CN113077425A (zh) 2021-07-06

Family

ID=76613760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110309738.6A Pending CN113077425A (zh) 2021-03-23 2021-03-23 目标图像的确定方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113077425A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6542180B1 (en) * 2000-01-07 2003-04-01 Mitutoyo Corporation Systems and methods for adjusting lighting of a part based on a plurality of selected regions of an image of the part
CN1818972A (zh) * 2005-01-28 2006-08-16 西门子共同研究公司 剪接医学图像数据集的系统和方法
CN104243973A (zh) * 2014-08-28 2014-12-24 北京邮电大学 基于感兴趣区域的视频感知质量无参考客观评价方法
CN109377481A (zh) * 2018-09-27 2019-02-22 上海联影医疗科技有限公司 图像质量评价方法、装置、计算机设备和存储介质
CN109949277A (zh) * 2019-03-04 2019-06-28 西北大学 一种基于排序学习和简化残差网络的oct图像质量评价方法
CN110706207A (zh) * 2019-09-12 2020-01-17 上海联影智能医疗科技有限公司 图像量化方法、装置、计算机设备和存储介质
CN110717961A (zh) * 2019-09-17 2020-01-21 上海联影医疗科技有限公司 多模态图像重建方法、装置、计算机设备和存储介质
CN111127467A (zh) * 2020-03-31 2020-05-08 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
CN111726533A (zh) * 2020-06-30 2020-09-29 RealMe重庆移动通信有限公司 图像处理方法、装置、移动终端及计算机可读存储介质
CN111951316A (zh) * 2020-07-27 2020-11-17 上海联影智能医疗科技有限公司 图像量化方法和存储介质
US20210035285A1 (en) * 2019-08-01 2021-02-04 International Business Machines Corporation Case-adaptive medical image quality assessment
CN112330585A (zh) * 2019-07-31 2021-02-05 北京金山云网络技术有限公司 图像质量的检测方法、装置及电子设备

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6542180B1 (en) * 2000-01-07 2003-04-01 Mitutoyo Corporation Systems and methods for adjusting lighting of a part based on a plurality of selected regions of an image of the part
CN1818972A (zh) * 2005-01-28 2006-08-16 西门子共同研究公司 剪接医学图像数据集的系统和方法
CN104243973A (zh) * 2014-08-28 2014-12-24 北京邮电大学 基于感兴趣区域的视频感知质量无参考客观评价方法
CN109377481A (zh) * 2018-09-27 2019-02-22 上海联影医疗科技有限公司 图像质量评价方法、装置、计算机设备和存储介质
CN109949277A (zh) * 2019-03-04 2019-06-28 西北大学 一种基于排序学习和简化残差网络的oct图像质量评价方法
CN112330585A (zh) * 2019-07-31 2021-02-05 北京金山云网络技术有限公司 图像质量的检测方法、装置及电子设备
US20210035285A1 (en) * 2019-08-01 2021-02-04 International Business Machines Corporation Case-adaptive medical image quality assessment
CN110706207A (zh) * 2019-09-12 2020-01-17 上海联影智能医疗科技有限公司 图像量化方法、装置、计算机设备和存储介质
CN110717961A (zh) * 2019-09-17 2020-01-21 上海联影医疗科技有限公司 多模态图像重建方法、装置、计算机设备和存储介质
CN111127467A (zh) * 2020-03-31 2020-05-08 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
CN111726533A (zh) * 2020-06-30 2020-09-29 RealMe重庆移动通信有限公司 图像处理方法、装置、移动终端及计算机可读存储介质
CN111951316A (zh) * 2020-07-27 2020-11-17 上海联影智能医疗科技有限公司 图像量化方法和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘俊宏;陈耀武;: "基于交互式感兴趣区域的教学视频编码", 计算机应用研究, no. 10, 3 June 2013 (2013-06-03) *
刘达;谢永召;倪自强;王烁;: "基于局部方差采样的2D/3D医学图像配准技术", 高技术通讯, no. 08, 15 August 2013 (2013-08-15) *
赵涓涓: "基于PET-CT的肺癌早期计算机辅助诊断技术", 31 May 2015, 国防工业出版社, pages: 64 *

Similar Documents

Publication Publication Date Title
Zreik et al. Deep learning analysis of the myocardium in coronary CT angiography for identification of patients with functionally significant coronary artery stenosis
CN111161275B (zh) 医学图像中目标对象的分割方法、装置和电子设备
CN110310256B (zh) 冠脉狭窄检测方法、装置、计算机设备和存储介质
CN112885453B (zh) 用于标识后续医学图像中的病理变化的方法和系统
CN111160367B (zh) 图像分类方法、装置、计算机设备和可读存储介质
US10997466B2 (en) Method and system for image segmentation and identification
van Assen et al. Automatic coronary calcium scoring in chest CT using a deep neural network in direct comparison with non-contrast cardiac CT: a validation study
Shahzad et al. Automatic quantification of epicardial fat volume on non‐enhanced cardiac CT scans using a multi‐atlas segmentation approach
CN110766730B (zh) 图像配准及随访评估方法、存储介质及计算机设备
CN107886508B (zh) 差分减影方法和医学图像处理方法及系统
CN111047591A (zh) 基于深度学习的病灶体积测量方法、系统、终端及存储介质
CN111080584B (zh) 医学图像的质控方法、计算机设备和可读存储介质
CN110858399B (zh) 用于提供虚拟断层扫描中风后续检查图像的方法和装置
CN109712163B (zh) 冠脉提取方法、装置、图像处理工作站和可读存储介质
CN110570483A (zh) 扫描方法、装置、计算机设备和存储介质
CN111127467A (zh) 图像量化方法、计算机设备和存储介质
CN111080573A (zh) 肋骨图像检测方法、计算机设备和存储介质
CN111488872B (zh) 图像检测方法、装置、计算机设备和存储介质
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
CN110298820A (zh) 影像分析方法、计算机设备和存储介质
Slomka et al. Application and translation of artificial intelligence to cardiovascular imaging in nuclear medicine and noncontrast CT
US20170273593A1 (en) System and method for next-generation mri spine evaluation
Bortsova et al. Automated segmentation and volume measurement of intracranial internal carotid artery calcification at noncontrast CT
CN111128348A (zh) 医学图像处理方法、装置、存储介质及计算机设备
Piętka et al. Role of radiologists in CAD life-cycle

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210810

Address after: Room 3674, 3 / F, 2879 Longteng Avenue, Xuhui District, Shanghai, 200232

Applicant after: SHANGHAI UNITED IMAGING INTELLIGENT MEDICAL TECHNOLOGY Co.,Ltd.

Applicant after: Lianying intelligent medical technology (Beijing) Co.,Ltd.

Address before: Room 3674, 3 / F, 2879 Longteng Avenue, Xuhui District, Shanghai, 200232

Applicant before: SHANGHAI UNITED IMAGING INTELLIGENT MEDICAL TECHNOLOGY Co.,Ltd.