CN113506313A - 图像处理方法及相关装置和电子设备、存储介质 - Google Patents

图像处理方法及相关装置和电子设备、存储介质 Download PDF

Info

Publication number
CN113506313A
CN113506313A CN202110767334.1A CN202110767334A CN113506313A CN 113506313 A CN113506313 A CN 113506313A CN 202110767334 A CN202110767334 A CN 202110767334A CN 113506313 A CN113506313 A CN 113506313A
Authority
CN
China
Prior art keywords
pixel point
region
pixel
image
target object
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
CN202110767334.1A
Other languages
English (en)
Inventor
宋佳
王一博
姜超
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 Sensetime Intelligent Technology Co Ltd
Original Assignee
Shanghai Sensetime Intelligent Technology 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 Sensetime Intelligent Technology Co Ltd filed Critical Shanghai Sensetime Intelligent Technology Co Ltd
Priority to CN202110767334.1A priority Critical patent/CN113506313A/zh
Publication of CN113506313A publication Critical patent/CN113506313A/zh
Priority to PCT/CN2022/104069 priority patent/WO2023280197A1/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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
    • G06T2207/30196—Human being; Person
    • 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
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical 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)
  • Image Analysis (AREA)

Abstract

本申请公开了一种图像处理方法及相关装置和电子设备、存储介质，其中，图像处理方法包括：获取待测图像中目标对象所在的原始区域，其中，原始区域内包含若干第一像素点，原始区域外存在若干第二像素点；对各个第二像素点并行执行外扩检测，得到检测结果，其中，检测结果包括是否将第二像素点作为新的第一像素点；基于原始区域和检测结果，得到目标对象的外扩区域。上述方案，能够提高区域外扩的精度和速度。

Description

图像处理方法及相关装置和电子设备、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处理方法及相关装置和电子设备、存储介质。
背景技术
随着信息技术的发展，图像检测已经在医疗、交通等众多行业得到了广泛应用。在诸多图像检测手段中，通过目标检测能够检测出图像中目标对象的图像区域，以便后续进行图像分析。
在现实场景中，图像区域可能存在区域外扩的技术需求，且区域外扩往往面临着精度和速度的双重挑战。例如，为了预防病灶切除或灭活的愈后复发，通常需要在病灶实际的原始区域基础上进行外扩，并切除或灭活外扩区域内组织，以期达到彻底杀灭病灶的效果。鉴于区域外扩关乎患者术后效果，故在精度和速度方面均具有较高要求。有鉴于此，如何提高区域外扩的精度和速度成为亟待解决的问题。
发明内容
本申请提供一种图像处理方法及相关装置和电子设备、存储介质。
本申请第一方面提供了一种图像处理方法，包括：获取待测图像中目标对象所在的原始区域，其中，原始区域内包含若干第一像素点，原始区域外存在若干第二像素点；对各个第二像素点并行执行外扩检测，得到检测结果，其中，检测结果包括是否将第二像素点作为新的第一像素点；基于原始区域和检测结果，得到目标对象的外扩区域。
因此，获取待测图像中目标对象所在的原始区域，且原始区域内包含若干第一像素点，原始区域外存在若干第二像素点，在此基础上，对各个第二像素点并行执行外扩检测，得到检测结果，且检测结果包括是否将第二像素点作为新的第一像素点，从而基于原始区域和检测结果，得到目标对象的外扩区域，一方面由于外扩检测是基于各个第二像素点而执行的，故能够实现像素级的区域外扩，有利于提高区域外扩的精度，另一方面由于外扩检测是并行执行的，故有利于提高区域外扩的速度。故此，能够提高区域外扩的精度和速度。
其中，对各个第二像素点所执行的外扩检测由各个计算内核并行运行。
因此，由各个计算内核并行运行对各个第二像素点所执行的外扩检测，能够进一步提高区域外扩的计算效率。
其中，各个第二像素点分别所在的第一参考区域均与原始区域存在交集。
因此，对于每一第二像素点而言，其所在的第一参考区域均与原始存在交集，故在外扩检测之前，能够排除位于原始区域之外且距原始区域较远的像素点，有利于提高区域外扩速度。
其中，外扩检测的步骤包括：获取包围第二像素点的第二参考区域，第二参考区域内包含至少一个第一像素点；对于第二参考区域内的第二像素点和各个第一像素点，分别获取各个第一像素点至第二像素点的物理距离；基于物理距离，得到检测结果。
因此，获取包围第二像素点的第二参考区域，且第二参考区域内包含至少一个第一像素点，并基于第二参考区域内第一像素点至第二像素点的物理距离，得到检测结果，能够降低区域外扩超出安全距离的可能性，有利于提升区域外扩的安全性。
其中，基于物理距离，得到检测结果，包括：在最小物理距离低于预设阈值的情况下，确定检测结果包括将第二像素点作为新的第一像素点；在最小物理距离不低于预设阈值的情况下，确定检测结果包括不将第二像素点作为新的第一像素点。
因此，在最小物理距离低于预设阈值的情况下，确定检测结果包括将第二像素点作为新的第一像素点，而在最小物理距离不低于预设阈值的情况下，确定检测结果包括不将第二像素点作为新的第一像素点，能够通过约束最小物理距离进一步确保区域外扩不超出安全距离，提升区域外扩的安全性。
其中，原始区域外存在若干第三像素点，且各个第三像素点分别所在的第一参考区域与原始区域均不存在交集；在基于原始区域和检测结果，得到目标对象的外扩区域之前，方法还包括：在检测结果包括将第二像素点作为新的第一像素点的情况下，将满足预设条件的第三像素点作为新的第二像素点，并重新执行对各个第二像素点并行执行外扩检测，得到检测结果的步骤；其中，预设条件包括：第三像素点所在的第一参考区域内包含由第二像素点更新得到的第一像素点。
因此，原始区域外包括若干第三像素点，且各个第三像素点所在的第一参考区域与原始区域均不存在交集，在检测结果包括将第二像素点作为新的第一像素点的情况下，将满足预设条件的第三像素点作为新的第二像素点，并重新执行对各个第二像素点并行执行外扩检测，得到检测结果的步骤，且预设条件包括：第三像素点所在的第一参考区域包含由第二像素点更新得到的第一像素点，即在区域外扩过程中，能够随着第二像素点更新为第一像素点，第三像素点也会根据满足预设条件而作为新的第二像素点，并重新对各个第二像素点执行外扩检测，如此往复能够传递式地进行区域外扩，有利于进一步提高区域外扩的准确性。
其中，基于原始区域和检测结果，得到目标对象的外扩区域，包括：检测到各个第二像素点均已执行外扩检测，获取由原始区域内第一像素点和由第二像素点更新得到的第一像素点所形成的连通域，并将连通域作为外扩区域。
因此，在检测到各个第二像素点均已执行外扩检测的情况下，获取由原始区域内第一像素点和由第二像素点更新得到的第一像素点所形成的连通域，并将连通域作为外扩区域，即区域外扩随着各个第二像素点均已执行外扩检测而结束，并由最终所有第一像素点所形成的连通域作为外扩区域，有利于提升外扩区域的准确性。
其中，待测图像为医学图像，目标对象为病灶，且医学图像中还包括若干标的组织；方法还包括：检测各个第一像素点分别对若干标的组织的侵犯情况；其中，侵犯情况包括：第一像素点所侵犯的标的组织。
因此，待测图像为医学图像，且目标对象为病灶，医学图像中还包括若干标的组织，在区域外扩过程中，进一步检测各个第一像素点分别对若干标的组织的侵犯情况，且侵犯情况包括第一像素点所侵犯的标的组织，即能够记录各个第一像素点分别对标的组织的侵犯情况，从而能够应用过程中提供参考信息，有利于提升用户体验。
其中，待测图像中识别得到多个目标对象；方法还包括：显示对象列表；其中，对象列表包括多个目标对象的标识符；响应于标识符处于被选择状态以及用户输入的外扩指令，对标识符对应的目标对象，执行对各个第二像素点并行执行外扩检测，得到检测结果的步骤以及后续步骤，以得到外扩区域。
因此，待测图像中识别得到多个目标对象，在此基础上，显示对象列表，且对象列表包括多个目标对象的表示符，从而响应于标识符处于被选择状态以及用户输入的外扩指令，对标识符对应的目标对象，执行对各个第二像素点并行执行外扩检测，得到检测结果的步骤以及后续步骤，以得到外扩区域，故能够在待测图像中存在多个目标对象的情况下，根据用户指示进行区域外扩，有利于提高用户体验。
其中，在基于原始区域和检测结果，得到目标对象的外扩区域之后，方法还包括：基于外扩区域，三角化得到目标对象的表面网格；利用目标对象的渲染参数对目标对象的表面网格进行渲染，得到目标对象的图像模型；在图像显示界面中显示目标对象的图像模型。
因此，在得到外扩区域之后，基于外扩区域三角化得到目标对象的表面网格，并利用目标对象的渲染参数对目标对象的表面网格进行渲染，得到目标对象的图像模型，从而在图像显示界面中显示目标对象的图像模型，故能够有利于直观展示目标对象的三维信息，有利于提升用户体验。
本申请第二方面提供了一种图像处理装置，包括：原始区域获取模块、像素外扩检测模块和外扩区域获取模块，原始区域获取模块，用于获取待测图像中目标对象所在的原始区域，其中，原始区域内包含若干第一像素点，原始区域外存在若干第二像素点；像素外扩检测模块，用于对各个第二像素点并行执行外扩检测，得到检测结果，其中，检测结果包括是否将第二像素点作为新的第一像素点；外扩区域获取模块，用于基于原始区域和检测结果，得到目标对象的外扩区域。
本申请第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述第一方面中的图像处理方法。
本申请第四方面提供了一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述第一方面中的图像处理方法。
上述方案，获取待测图像中目标对象所在的原始区域，且原始区域内包含若干第一像素点，原始区域外存在若干第二像素点，在此基础上，对各个第二像素点并行执行外扩检测，得到检测结果，且检测结果包括是否将第二像素点作为新的第一像素点，从而基于原始区域和检测结果，得到目标对象的外扩区域，一方面由于外扩检测是基于各个第二像素点而执行的，故能够实现像素级的区域外扩，有利于提高区域外扩的精度，另一方面由于外扩检测是并行执行的，故有利于提高区域外扩的速度。故此，能够提高区域外扩的精度和速度。
附图说明
图1是本申请图像处理方法一实施例的流程示意图；
图2是区域外扩一实施例的示意图；
图3是图像显示界面一实施例的示意图；
图4是图像显示界面另一实施例的示意图；
图5是图像显示界面又一实施例的示意图；
图6是本申请图像处理装置一实施例的框架示意图；
图7是本申请电子设备一实施例的框架示意图；
图8是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
下面结合说明书附图，对本申请实施例的方案进行详细说明。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。
本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
请参阅图1，图1是本申请图像处理方法一实施例的流程示意图。
具体而言，可以包括如下步骤：
步骤S11：获取待测图像中目标对象所在的原始区域。
在一个实施场景中，待测图像和目标对象可以根据实际应用进行设置。例如，在医疗场景中，待测图像可以包括诸如CT(Computed Tomography，计算机断层扫描)、MR(Magnetic Resonance，核磁共振)等医学图像，目标对象可以包括诸如肿瘤、囊肿、脓肿等病灶；或者，在交通场景中，待测图像可以包括监控图像，目标对象可以包括行人、车辆等。其他情况可以以此类推，在此不再一一举例。
在一个实施场景中，为了提高识别效率，可以预先训练一个对象识别网络，从而可以利用对象识别网络对待测图像进行识别，得到目标对象所在的原始区域。具体地，对象识别网络可以包括但不限于：R-CNN、FCN(Fully Convolutional Network，全卷积网络)等等，在此不做限定。在训练对象识别网络之前，可以预先收集包含目标对象的样本图像，且样本图像标注有各个样本像素点所属的样本类别(如，某一像素点标注为其属于目标对象)，再利用对象识别网络对样本图像进行识别，得到样本图像中各个像素点分别所属的预测类别，最终可以利用样本类别与预测类别之间的差异，调整对象识别网络的网络参数，以使对象识别网络在训练过程中学习到目标对象的图像特征。基于此，可以利用训练收敛的对象识别网络对待测图像进行识别，得到待测图像中各个像素点所属的像素类别，并将属于目标对象的像素点所形成的连通域作为目标对象所在的原始区域。在目标对象根据实际应用具体设置为病灶、行人、车辆等情况下，可以以此类推训练得到用于识别病灶的对象识别网络、以及用于识别行人、车辆的对象识别网络，在此不再一一举例。
需要说明的是，本公开实施例中，待测图像可以不限于二维图像，或三维图像。例如，在交通场景中，待测图像可以包括但不限于诸如监控图像等二维图像；而在医疗场景中，待测图像可以包括但不限于诸如CT、MR等三维图像，即在此情形下，待测图像实质上为体数据，且本公开实施例中所述的“第一像素点”、“第二像素点”、“第三像素点”实质上是指体数据的体素。
本公开实施例中，原始区域内包含若干第一像素点，即原始区域内所含像素点可以直接作为第一像素点。为了便于区分各个第一像素点，可以为各个第一像素点分别赋予第一标识符，且原始区域内各个第一像素点的第一标识符不相同。例如，可以将0、1、2、3等自然数分别赋予各个第一像素点，作为各个第一像素点各自的第一标识符。
本公开实施例中，原始区域外存在若干第二像素点。具体地，可以直接将原始区域外的像素点均作为第二像素点；或者，为了提高区域外扩的速度，各个第二像素点分别所在的第一参考区域均与原始区域存在交集，即对于每一个第二像素点而言，其所在的第一参考区域与原始区域存在交集。
在一个实施场景中，第二像素点所在的第一参考区域的中心可以为第二像素点，即对于每一第二像素点而言，可以以其自身为中心确定一个邻域(如，矩形区域、圆形区域等)，作为其所在的第一参考区域。也就是说，若原始区域外的某一像素点其邻域与原始区域存在交集，则表示该邻域内存在第一像素点，则可以将该像素点作为第二像素点。
在一个实施场景中，第一参考区域的尺寸可以根据实际情况进行设置。例如，在对区域外扩的精度要求较高的情况下，第一参考区域的尺寸可以设置地稍小一些，如在待测图像为二维图像的情况下，可以设置为3*3，而在待测图像为三维图像的情况下，可以设置为3*3*3；或者，在对区域外扩的精度要求相对宽松的情况下，第一参考区域的尺寸可以设置地稍大一些，如在待测图像为二维图像的情况下，可以设置为5*5，而在待测图像为三维图像的情况下，可以设置为5*5*5。其他情况可以以此类推，在此不再一一举例。
在一个实施场景中，为了便于与第一像素点区分，可以为各个第二像素点赋予第二标识符，且第二标识符与第一标识符不同。例如，可以将诸如-1(或-2、-3等)赋予各个第二像素点，作为第二像素点的第二标识符。
步骤S12：对各个第二像素点并行执行外扩检测，得到检测结果。
本公开实施例中，检测结果包括是否将第二像素点作为新的第一像素点，如检测结果包括将第二像素点作为新的第一像素点，或者检测结果包括不将第二像素点作为新的第一像素点。需要说明的是，若检测结果包括将第二像素点作为新的第一像素点，则表示可以将该第二像素点作为新的第一像素点。反之，若检测结果包括不将第二像素点作为新的第一像素点，则表示将该第二像素点维持为第二像素点。
在一个实施场景中，对各个第二像素点所执行的外扩检测可以是由各个计算内核并行运行的。需要说明的是，为了进一步提升并行执行效果，计算内核可以是GPU(GraphicsProcessing Unit，图形处理器)的各个核心。例如，可以基于CUDA(Compute UnifiedDevice Architecture，统一计算设备架构)进行并行加速，具体可以参阅CUDA相关技术细节，在此不再赘述。上述方式，能够进一步提高区域外扩的计算效率。
在一个实施场景中，在对各个第二像素点并行执行外扩检测的过程中，可以获取包围第二像素点的第二参考区域，并对于第二参考区域内的第二像素点和各个第一像素点而言，可以分别获取各个第一像素点至第二像素点的物理距离，以及基于物理距离，得到检测结果。也就是说，在对每一第二像素点执行外扩检测时，均需获取包围该第二像素点的第二参考区域，并对该第二参考区域内的第二像素点和各个第一像素点而言，分别获取各个第一像素点至第二像素点的物理距离。上述方式，能够降低区域外扩超出安全距离的可能性，有利于提升区域外扩的安全性。
在一个具体的实施场景中，包围第二像素点的第二参考区域的中心可以为第二像素点，即第二参考区域具体可以设置为第二像素点的邻域。
在一个实施场景中，为了提高区域外扩过程中的一致性，第二参考区域与第一参考区域的尺寸可以设置为相同。例如，在待测图像为二维图像的情况下，第一参考区域和第二参考区域的尺寸可以均设置为3*3；或者，在待测图像为三维图像的情况下，第一参考区域和第二参考区域的尺寸可以均设置为3*3*3。上述方式，能够在同一邻域范围分别筛选是否存在第一像素点以及物理距离最近的第一像素点，提高区域外扩过程中的一致性。
在一个实施场景中，可以先获取第二参考区域内第一像素点至第二像素点的像素距离，再基于图像像素距离与实际像素距离之间的转换单位(即一个像素距离等于多少物理距离)，将计算得到的像素距离转换为物理距离。例如，一个像素距离等于5mm的物理距离，或者，一个像素距离等于1mm的物理距离，在此不做限定。此外，为了便于计算像素距离，可以预先为待测图像中各个像素点赋予一个位置标识符，且各个像素点的位置标识符不相同，在此基础上，可以根据位置标识符之间的差异，计算得到像素距离。以待测图像是二维图像为例，可以将(0,0)位置的像素点赋予位置标识符0，可以将(0,1)位置的像素点赋予位置标识符1，可以将(0，j)位置的像素点赋予位置标识符j，以及将(i，j)位置的像素点赋予位置标识符i+j，以此类推，在此不再一一举例。在此基础上，对于位置标识符为P1的第一像素点，可以确定第一像素点位于待测图像第i1行，且i1＝P1/N+1，其中，/表示求商运算，N表示待测图像中像素总列数；与此同时，可以确定第二像素点位于待测图像第j1列，且j1＝P1％N+1，其中，％表示求余运算。而对于位置标识符为P2的第二像素点，可以确定第二像素点位于待测图像第i2行，且i2＝P2/N+1；与此同时，可以确定第二像素点位于待测图像第j2列，且j2＝P2％N+1。在此基础上，再基于第一像素点的像素位置(i1，j1)以及第二像素点的像素位置(i2，j2)计算得到两者之间的像素距离。其他情况可以以此类推，在此不再一一举例。
在一个实施场景中，在最小物理距离低于预设阈值的情况下，可以确定检测结果包括将第二像素点作为新的第一像素点，而在最小物理距离不低于预设阈值的情况下，可以确定检测结果包括不将第二像素点作为新的第一像素点。需要说明的是，预设阈值可以根据区域外扩的安全距离设置，例如，可以直接将该安全距离设置为预设阈值，或者，在可接受一定程度的误差范围的情况下，也可以将安全距离与预设数值的和值(或差值)设置为预设阈值，在此不做限定。上述方式，能够通过约束最小物理距离进一步确保区域外扩不超出安全距离，提升区域外扩的安全性。
在一个具体的实施场景中，请结合参阅图2，图2是区域外扩一实施例的示意图。如图2所示，方格表示待测图像中各个像素点，其中，斜线阴影填充方格表示原始区域内的第一像素点。在此基础上，对于原始区域之外的像素点(如图中点状阴影填充方格)，若该像素点所在的第一参考区域(如图中加粗虚线框)与原始区域存在交集，则可以将该像素点作为第二像素点，为了便于附图展示，图2仅示例性地表示其中一个第二像素点，实际应用过程中可以根据前述相关描述，确定出原始区域外各个第二像素点。基于此，对于每一第二像素点，可以获取包围第二像素点的第二参考区域，如前所述为了确保区域外扩过程的一致性，第二参考区域可以与第一参考区域具有相同尺寸，即第二参考区域可以为图中所示加粗虚线框。此外，第二参考区域内包含至少一个第一像素点，在此基础上，对于该第二参考区域内第二像素点(即图中点状阴影填充方格)和各个第一像素点(即图中斜线阴影填充方格)，可以计算各个第一像素点分别至第二像素点的物理距离(具体计算过程可以参阅前述相关描述)，并在最小物理距离小于预设阈值的情况下，将第二像素点作为新的第一像素点，而在最小物理距离不小于预设阈值的情况下，不将第二像素点作为新的第一像素点。对于其他第二像素点可以以此类推，最终可以将原始区域内第一像素点以及由第二像素点更新得到的第一像素点所形成的连通域，作为外扩区域。需要说明的是，为了便于描述，图2以及上述文字部分以二维角度说明区域外扩的具体过程，在待测图像为体数据的情况下，可以以此类推，在此不再一一举例。
在一个实施场景中，原始区域外还存在若干第三像素点，且各个第三像素点所在的第一参考区域与原始区域均不存在交集，则为了进一步提高区域外扩的准确性，还可以在检测结果包括将第二像素点作为新的第一像素点的情况下，将满足预设条件的第三像素点作为新的第二像素点，并重新执行上述对各个第二像素点并行执行外扩检测，得到检测结果的步骤，且预设条件包括：第三像素点所在的第一参考区域包含由第二像素点更新得到的第一像素点。上述方式，在区域外扩过程中，能够随着第二像素点更新为第一像素点，第三像素点也会根据满足预设条件而作为新的第二像素点，并重新对各个第二像素点执行外扩检测，如此往复能够传递式地进行区域外扩，有利于进一步提高区域外扩的准确性。
在一个具体的实施场景中，为了便于与前述第一像素点、第二像素点区分，还可以为各个第三像素点赋予第三标识符，且第三标识符与第一标识符、第二标识符不同。例如，在将自然数赋予各个第一像素点作为第一像素点的第一标识符，并将-1赋予各个第二像素点作为第二像素点的第二标识符的情况下，可以将-2(或，-3、-4等)赋予各个第三像素点作为第三像素点的第三标识符。
在一个具体的实施场景中，如前所述，第二像素点所在的第一参考区域可以以第二像素点为中心，在此情况下，第三像素点所在的第一参考区域也可以以第三像素点为中心，从而能够提高区域外扩过程的一致性。
在一个实施场景中，如前所述，待测图像和目标对象可以根据实际应用进行设置。待测对象可以是医学图像，目标对象可以是病灶，在此情况下，在区域外扩过程中，还可以检测各个第一像素点分别对若干标的组织的侵犯情况，且侵犯情况可以包括第一像素点所侵犯的标的组织。上述方式，能够记录各个第一像素点分别对标的组织的侵犯情况，从而能够在应用过程中提供参考信息，有利于提升用户体验。
在一个具体的实施场景中，第一像素点包括原始区域内的第一像素点以及由第二像素点更新得到的第一像素点。具体地，在第一像素点位于标的组织的组织区域内时，可以认为第一像素点侵犯该标的组织，反之，若第一像素点位于标的组织的组织区域外时，可以认为第一像素点并未侵犯该标的组织。
在一个具体的实施场景中，标的组织可以根据病灶所在医学组织来进行设置。例如，在病灶位于肝脏的情况下，标的组织可以包括但不限于胆囊、脾脏、胰腺等。其他情况可以以此类推，在此不再一一举例。
步骤S13：基于原始区域和检测结果，得到目标对象的外扩区域。
具体地，在检测到各个第二像素点均已执行外扩检测的情况下，可以获取由原始区域内第一像素点和由第二像素点更新得到的第一像素点所形成的连通域，并将该连通域作为外扩区域。如前所述，第一像素点赋有数值为自然数的第一标识符，第二像素点赋有数值为负数的第二标识符，第三像素点赋有数值为负数的第三标识符，在此基础上，可以将所有数值为自然数的标识符对应的像素点所形成的连通域作为外扩区域。上述方式，区域外扩随着各个第二像素点均已执行外扩检测而结束，并由最终所有第一像素点所形成的连通域作为外扩区域，有利于提升外扩区域的准确性。
在一个实施场景中，在得到外扩区域之后，可以基于外扩区域，三角化得到目标对象的表面网格，并利用目标对象的渲染参数对表面网格(mesh)进行渲染，得到目标对象的图像模型，以及在图像显示界面中显示目标对象的图像模型。上述方式，能够有利于直观展示目标对象的三维信息，有利于提升用户体验。
在一个具体的实施场景中，在三角化过程中，可以采用组织区域表面的散点构成三角形的顶点，连接顶点的线段构成三角形的边，而每一三角形都对应一个面，通过三角化能够模拟复杂物体的表面，如人体、车辆、建筑等，三角化的具体过程，可以参阅三角化的具体技术细节，在此不再赘述。
在一个具体的实施场景中，染参数可以包括但不限于：颜色、透明度、材质等等，在此不做限定。例如，在目标对象为病灶的情况下，可以将病灶的渲染参数设置为：黄色、10％的透明度以及表面粗糙材质。其他情况可以以此类推，在此不再一一举例。
在一个具体的实施场景中，请结合参阅图3和图4，图3是图像显示界面一实施例的示意图，图4是图像显示界面另一实施例的示意图。图3所示病灶未经区域外扩处理，图4所示病灶经区域外扩处理。需要说明的是，图3和图4所示仅仅是应用过程中可能存在的一种情况，并不因此而限定其他场景中区域外扩的实际效果。
在一个实施场景中，在待测图像中识别得到多个目标对象的情况下，可以显示对象列表，且对象列表包括多个目标对象的标识符，从而可以响应于标识符处于被选择状态以及用户输入的外扩指令，对标识符对应的目标对象，执行对各个第二像素点并行执行外扩检测，得到检测结果的步骤以及后续步骤，以得到外扩区域，具体过程可以参阅前述相关描述，在此不再赘述。上述方式，能够在待测图像中存在多个目标对象的情况下，根据用户指示进行区域外扩，有利于提高用户体验。
在一个具体的实施场景中，标识符可以包括但不限于：目标对象的名称、代号、编号等，在此不做限定。例如，在目标对象是病灶的情况下，若在待测图像中识别到3个肝囊肿，则可以这3个肝囊肿的标识符可以分别为“肝囊肿1”、“肝囊肿2”、“肝囊肿3”。其他情况可以以此类推，在此不再一一举例。
在一个具体的实施场景中，为了提升用户交互舒适性，还可以响应于标识符处于被选择状态，在图像显示界面以预设方式突显标识符对应的目标对象的图像模型。预设方式可以包括但不限于：高亮显示、边缘加粗等，在此不做限定。此外，关于图像模型的获取方式，可以参阅前述相关描述，在此不再赘述。
上述方案，获取待测图像中目标对象所在的原始区域，且原始区域内包含若干第一像素点，原始区域外存在若干第二像素点，在此基础上，对各个第二像素点并行执行外扩检测，得到检测结果，且检测结果包括是否将第二像素点作为新的第一像素点，从而基于原始区域和检测结果，得到目标对象的外扩区域，一方面由于外扩检测是基于各个第二像素点而执行的，故能够实现像素级的区域外扩，有利于提高区域外扩的精度，另一方面由于外扩检测是并行执行的，故有利于提高区域外扩的速度。故此，能够提高区域外扩的精度和速度。
在一些公开实施例中，如前述公开实施例所述，待测图像和目标对象可以根据实际应用进行设置。例如，待测图像可以为医学图像，目标对象可以为病灶，在此情况下，待测图像中可以包括若干医学组织，且若干医学组织包括病灶。基于此，图像显示界面还可以显示有组织列表，且组织列表显示有图像空间内对应的医学组织的标识符。可以基于标识符的选择状态，按照与选择状态匹配的显示策略，在图像显示界面显示与标识符对应的医学组织的图像模型，且选择状态包括表示被选择的第一状态和表示未被选择的第二状态，与第一状态匹配的显示策略和与第二状态匹配的显示策略不同。上述方案，能够根据医学组织是处于被选择的状态还是未被选择的状态，而在图像显示界面采用不同显示策略来显示医学组织，即能够支持用户自主选择医学组织的显示策略，从而能够在图像显示界面展示并区分各个医学组织，进而能够有利于直观并准确地反映医学组织之间的相对位置关系。
在一个实施场景中，标识符可以包括但不限于：医学组织的名称、代号、编号等，在此不做限定。请结合参阅图5，图5是图像显示界面又一实施例的示意图。如图5所示，组织列表和医学组织均可以在图像显示界面进行显示，以医学图像是腹部的扫描图像为例，组织列表可以显示有腹部内各个医学组织的标识符：“肝静脉”、“肝门静脉”、“下腔静脉”、“腹部动脉”、“胆管”、“左肝”、“右肝”以及肝脏的流域分段等等。在医学图像是其他部位的扫描图像时，可以以此类推，在此不再一一举例。
在一个实施场景中，请继续结合参阅图5，在标识符前复选框被勾选的情况下，可以表示标识符对应的医学组织处于被选择的第一状态，而在标识符前复选框未被勾选的情况下，可以表示标识符对应的医学组织处于未被选择的第二状态。此外，与第一状态匹配的显示策略可以包括但不限于：显示等，而与第二状态匹配的显示策略可以包括但不限于：隐藏等；或者，与第一状态匹配的显示策略可以包括但不限于：以突出显示方式显示等，而与第二状态匹配的显示策略可以包括但不限于：以常规显示方式显示等，具体可以参阅下述相关描述，在此暂不赘述。
在一个实施场景中，图像显示界面包括第一显示区域和/或第二显示区域，第一显示区域用于显示医学组织的图像模型，第二显示区域用于显示若干预设方位上的二维图像。需要说明的是，若干预设方位具体可以包括但不限于：横状、冠状、矢状等，在此不做限定；此外，二维图像具体可以是多平面重建图(Multi-Planner Reformation，MPR)。多平面重建图是从原始的横轴位图像经后处理获得人体组织器官任意方位(如，前述横状、冠状、矢状以及斜面)的二维图像，后处理的具体过程，可以参阅MPR相关技术细节，在此不再赘述。以若干预设方位包括横状、冠状和矢状为例，如图5所示，第一显示区域可以显示医学组织的图像模型，而第二显示区域可以分别显示横状MPR、冠状MPR和矢状MPR，即第一显示区域能够以三维角度展示医学组织，而第二显示区域能够以二维角度展示医学组织，故能够在图像显示界面同时以不同维度来展示医学组织，有利于提升图像显示界面所展示的图像信息的丰富程度。
在一个具体的实施场景中，图像显示界面包括第一显示区域，则在标识符的选择状态为第一状态的情况下，可以显示标识符对应的医学组织的图像模型，而在标识符的选择状态为第二状态的情况下，可以隐藏标识符对应的医学组织的图像模型。此外，在显示标识符对应的医学组织的图像模型的情况下，可以进一步以预设方式显示标识符对应的医学组织的图像模型。预设方式可以包括但不限于：边缘加粗、高亮显示等。上述方式，能够支持用户自定义选择在第一显示区域需要突显的医学组织，有利于支持用户着重观察突显的医学组织，而通过隐藏处于第二状态的医学组织，能够在用户着重观察突显的医学组织时排除其他医学组织的干扰，有利于提升用户体验。
在一个具体的实施场景中，图像显示界面包括第二显示区域，则在标识符的选择状态为第一状态的情况下，可以以突出显示方式显示二维图像中标识符对应的医学组织，而在标识符的选择状态为第二状态的情况下，可以以常规显示方式显示二维图像中标识符对应的医学组织。具体地，突出显示方式可以包括但不限于：边缘加粗、高亮显示等，而常规显示方式可以包括多平面重建图原本的显示方式，如：多平面重建图默认的灰度图，在此不做限定。上述方式，能够在第二显示区域根据医学组织是否被用户选择，而以突出显示方式或常规显示方式显示医学组织，即能够支持用户自定义选择在第二显示区域需要突显的医学组织，有利于支持用户着重观察突显的医学组织，而通过以常规显示方式来显示处于第二状态的医学组织，能够在用户着重观察突显的医学组织时排除其他医学组织的干扰，有利于提升用户体验。
在一个具体的实施场景中，图像显示界面包括第一显示区域和第二显示区域，则在标识符的选择状态为第一状态的情况下，可以在第一显示区域显示标识符对应的医学组织的图像模型，并在第二显示区域以突出显示方式显示二维图像中标识符对应的医学组织；而在标识符的选择状态为第二状态的情况下，可以在第一显示区域隐藏标识符对应的医学组织的图像模型，并在第二显示区域以常规显示方式显示二维图像中标识符对应的医学组织。具体可以参阅前述相关描述，在此不再赘述。上述方式，不仅能够在图像显示界面同时以不同维度来展示医学组织，有利于提升图像显示界面所展示的图像信息的丰富程度，还能够在第一显示区域和第二显示区域关联显示用户期望突显的医学组织，使用户得以在三维和二维两种不同角度直观地联立对应的医学组织，提升用户体验。
在一个实施场景中，请继续结合参阅图5，在手术规划等应用场景中，组织列表可以包括若干医学组织的标识符，且若干医学组织可以包括病灶。在此基础上，用户可以勾选医学组织“病灶”的标识符和感兴趣的其他医学组织的标识符，从而可以在图像显示界面的第一显示区域显示医学组织“病灶”和其他医学组织的图像模型，并在第一显示区域隐藏未勾选的标识符对应的医学组织的图像模型，与此同时，可以进一步在第二显示区域的多平面重建图上以突出显示方式显示医学组织“病灶”和其他医学组织，并在第二显示区域的多平面重建图上以常规显示方式显示未勾选的标识符对应的医学组织。在此基础上，用户可以方便且直观地了解医学组织“病灶”与感兴趣的其他医学组织之间的相对位置关系。其他情况可以以此类推，在此不再一一举例。
在一些公开实施例中，如前述公开实施例所述，待测图像和目标对象可以根据实际应用进行设置。例如，待测图像可以为医学图像，目标对象可以为病灶，而在现实场景中，往往会扫描得到多张医学图像。例如，在对肝脏进行增强扫描过程中，可以得到包括但不限于：门脉期图像、动脉期图像等多张医学图像，其他情况可以以此类推，在此不再一一举例。具体地，多张医学图像可以包括第一图像和至少一个第二图像。需要说明的是，“第一”、“第二”在此主要用于在命名上区分医学图像，并不因此而表示扫描先后顺序，抑或重要程度等。具体地，不同医学图像对于各个医学组织的显示清晰与否可以各有侧重。仍以多个医学图像是对“肝脏”扫描得到的多期相图像为例，通常来说，门脉期图像可以清晰显示病灶、肝门静脉与肝静脉，但肝动脉并不明显，而动脉期图像可以清晰显示肝动脉，但病灶、肝门静脉和肝静脉并不明显。其他情况可以以此类推，在此不再一一举例。在此基础上，可以识别第一图像中第一医学组织的第一组织区域，并分别识别至少一个第二图像中第二医学组织的第二组织区域，以及将第二组织区域投影至第一图像的图像空间，且第一医学组织的第一组织区域均位于图像空间中，在此基础上，可以基于图像空间中各个医学组织的组织区域进行三维建模，得到医学组织的图像模型，且医学组织包括第一医学组织和第二医学组织。需要说明的是，第一图像的图像空间可以视为第一图像所在的坐标空间，图像空间的维数具体可以根据医学图像的维数来确定。例如，对于医学图像是三维体数据的情况，第一图像可以视为一个形状为长方体的体数据，在此基础上，可以将长方体其中一个顶点作为坐标空间的原点，并基于该顶点所在的边，建立坐标空间的坐标轴，从而建立得到第一图像的图像空间。其他情况可以以此类推，在此不再一一举例；此外，三维建模的具体过程，可以参阅前述公开实施例中相关描述，在此不再赘述。上述方式，由于通过投影能够使得多张医学图像中医学组织融合至相同图像空间中，并在图像显示界面显示图像空间内对应的医学组织，故可直接在图像显示界面直观地展示医学组织之间的相对位置关系，有利于提高阅片效率。
在一个实施场景中，为了提高识别效率，可以预先训练一个第一区域识别网络和一个第二区域识别网络，在此基础上，可以利用第一区域识别网络对第一图像进行识别，得到第一医学组织的第一组织区域，并利用第二区域识别网络对第二图像进行识别，得到第二医学组织的第二组织区域。具体地，第一区域识别网络可以包括但不限于：R-CNN、FCN(Fully Convolutional Network，全卷积网络)等等，在此不做限定。类似地，第二区域识别网络可以包括但不限于：R-CNN、FCN等等，在此不做限定。
在一个具体的实施场景中，以第一图像是前述门脉期图像为例，在训练第一区域识别网络之前，可以预先收集门脉期图像的样本图像，且样本图像标注有各个像素点所属的样本类别(如，某一像素点标注为其属于肝门静脉，另一像素点标注为其属于肝静脉，又一像素点标注为其属于病灶)，再利用第一区域识别网络对样本图像进行识别，得到样本图像中各个像素点分别所属的预测类别，最终可以利用样本类别与预测类别之间差异，调整第一区域识别网络的网络参数，以使第一区域识别网络在训练过程中分别学习到肝门静脉、肝静脉和病灶的图像特征。基于此，可以利用训练收敛的第一区域识别网络对第一图像进行识别，得到第一图像中各个像素点所属的像素类别，并将属于肝门静脉的像素点所形成的连通域作为肝门静脉的第一组织区域，将属于肝静脉的像素点所形成的连通域作为肝静脉的第一组织区域，将属于病灶的像素点所形成的连通域作为病灶的第一组织区域。其他情况可以以此类推，在此不再一一举例。
在一个具体的实施场景中，以第二图像是前述动脉期图像为例，在训练第二区域识别网络之前，可以预先收集动脉期图像的样本图像，且样本图像标注有各个像素点所属的样本类别(如，某一像素点标注为其属于肝动脉)，再利用第二区域识别网络对样本图像进行识别，得到样本图像中各个像素点分别所属的预测类别，最终可以利用样本类别与预测类别之间差异，调整第二区域识别网络的网络参数，以使第二区域识别网络在训练过程中学习到肝动脉的图像特征。基于此，可以利用训练收敛的第二区域识别网络对第二图像进行识别，得到第二图像中各个像素点所属的像素类别，并将属于肝动脉的像素点所形成的连通域作为肝动脉的第二组织区域。其他情况可以以此类推，在此不再一一举例。
在一个实施场景中，为了提高投影的准确性，可以基于第一图像与第二图像之间的配准参数，将第二组织区域投影至图像空间。上述方式，能够提高投影的精确性，从而能够有利于提高图像显示界面所直观展示的医学组织之间相对位置关系的准确性。
在一个具体的实施场景中，可以识别第一图像中目标对象的第一目标区域，并分别识别至少一个第二图像中目标对象的第二目标区域，对于每一第二图像，将第二目标区域与第一目标区域对齐，得到第二图像与第一图像之间的配准参数。以目标对象包括肝脏且第一图像是门脉期图像、第二图像是动脉期图像为例，可以识别门脉期图像中肝脏的第一目标区域，并识别动脉期图像中肝脏的第二目标区域，通过将第一目标区域和第二目标区域对齐，可以得到门脉期图像和动脉期图像之间的配准参数。其他情况可以以此类推，在此不再一一举例。上述方式，配准参数能够使目标对象在第二图像中的第二目标区域和在第一图像中的第一目标区域对齐，有利于提高配准参数的准确性。
在一个具体的实施场景中，在上述对齐过程中，第二目标区域需要经过旋转、偏移等刚体变换以及形变等非刚体变换才能与第一目标区域对齐，且上述配准参数具体可以包括一个刚体配准矩阵和一个偏移场，在此基础上，可以先利用刚体配准矩阵将第二组织区域投影至图像空间，再利用偏移场对图像空间内的第二组织区域进行形变偏移；或者，在上述对齐过程中，第二目标区域仅需经过旋转、偏移等刚体变换即可与第二目标区域对齐，且上述配准参数具体可以包括一个刚体配准矩阵，在此基础上，可以直接利用刚体配准矩阵将第二组织区域投影至图像空间。
在一个具体的实施场景中，请参阅图3或图4，在多张医学图像包括门脉期图像和动脉期图像的情况下，经上述识别、投影、建模之后，在图像显示界面中可以将肝门静脉、肝静脉肝动脉和病灶同时显示，以便医生直观了解病灶与肝门静脉、肝静脉和肝动脉之间的相对位置关系。
在一些公开实施例中，如前述公开实施例所述，待测图像和目标对象可以根据实际应用进行设置。例如，待测图像可以为医学图像，目标对象可以为诸如肝脏、肺部等目标器官上的病灶，待测图像中医学组织可以包括病灶。为了在手术规划等应用过程中给予充分参考，可以识别目标器官的目标血管，并基于目标器官的目标血管，利用流域算法将目标器官划分为若干流域分段。从而医学组织进一步可以包括上述流域分段，即医学图像中有的医学组织是病灶，而有的医学组织是目标器官的流域分段。需要说明的是，本公开实施例中，除了病灶和流域分段两种医学组织，并不排除医学图像中还包括其他种类的医学组织，如还可以包括其他器官，在此不做限定。在此基础上，可以基于医学组织的渲染参数，显示医学组织的三维模型，且不同医学组织的渲染参数不完全相同。三维模型的具体获取过程，可以参阅前述公开实施例中相关描述，在此不再赘述。上述方式，基于目标器官的目标血管，利用流域算法将目标器官划分为若干流域分段，并基于医学组织的渲染参数，显示医学组织的三维模型，且医学组织包括流域分段以及病灶，不同医学组织的渲染不完全相同，故一方面能够直观展示并区分不同医学组织，另一方面也能够直观展示病灶如何侵犯各个流域分段，以供医生在诸如手术规划等应用过程中提供充分参考，有利于提升用户体验。
在一个实施场景中，流域算法可以包含两类，一类是基于溢流过程的流域算法，其直观思想来源于地形学，另一类是将像素和集水域相关，计算他们到极小值处的最短拓扑距离。流域算法的具体过程，可以参阅流域算法的具体技术细节，在此不再赘述。
在一个实施场景中，以目标器官包括肝脏为例，目标血管包括肝门静脉，在此基础上，基于肝门静脉进行流域分割可以得到如下流域分段：尾状叶、左外叶上段、左外叶下段、左内叶、右前叶下段、右前叶上段、右后叶下段、右后叶上段。其他情况可以以此类推，在此不再一一举例。
在一个实施场景中，可以检测病灶对标的组织的侵犯情况，且标的组织可以包括目标血管、流域分段中的至少一者，并基于侵犯情况，输出预警提示。具体地，侵犯情况可以包括病灶的体积、病灶的表面积、病灶的长径、病灶的短径中至少一者，需要说明的是，病灶的长径表示病灶最长处的直径，病灶的短径表示病灶最短处的直径。此外，更进一步地，体积可以表示病灶与标的组织的相交部分的体积，表面积表示病灶与标的组织的相交部分的表面积，长径表示病灶与标的组织的相交部分在最长处的直径，短径表示病灶与标的组织的相交部分在最短处的直径。或者，为了简化统计，侵犯情况可以包括病灶与标的组织的相交部分占标的组织的比例。仍以肝脏为例，示例性地，病灶与尾状叶的相交部分占尾状叶的比例为1％，病灶与左外叶上段的相交部分占左外叶上段的5％，在此不再一一举例。基于上述侵犯情况，可以评估病灶的恶性程度，例如，体积越大，恶性程度越高；或者，表面积越大，恶性程度越高，以此类推，在此不再一一举例。在此基础上，可以基于恶性程度，输出相应等级的预警提示。具体地，恶性程度越高，输出的预警提示等级也越高。例如，对于高等级的预警提示而言，可以采用“深红色”、“加粗”等醒目方式予以提示，而对于低等级的预警提示而言，可以采用“浅红色”等方式予以提示，在此不做限定。上述方式，检测病灶对标的组织的侵犯情况，并基于侵犯情况输出预警提示，能够实现病灶侵犯的自动检测，有利于提高用户体验，而进一步地基于侵犯情况，获取病灶的恶性程度，并基于恶性程度，输出相应等级的预警提示，能够有利于使用户更为直观、快捷地了解病灶的恶性程度，有利于进一步提升用户体验。
在一个实施场景中，如前所述，还可以显示组织列表，且组织列表包括若干医学组织的标识符，若干医学组织可以进一步包括前述病灶和流域分段，在此基础上，可以响应于用户在组织列表中对标识符的选中指令，将被选中的标识符对应的医学组织作为第一目标组织，并以预设方式在图像显示界面突显第一目标组织，进一步地，可以将未被选中的标识符对应的医学组织作为第二目标组织，并在图像显示界面隐藏第二目标组织。上述方式，能够支持用户自定义选择期望在图像显示界面突显的流域分段，有利于支持用户着重观察突显的流域分段，并排除其他流域分段的干扰，有利于提升用户体验。
在一个实施场景中，如前所述，图像显示界面包括第一显示区域和第二显示区域，第一显示区域用于显示医学组织的三维模型，第二显示区域用于显示若干预设方位上的多平面重建图，且所显示的组织列表包括若干医学组织的标识符，若干医学组织可以进一步包括前述病灶和流域分段，则可以响应于用户在组织列表中对标识符的选中指令，将被选中的标识符对应的医学组织作为第一目标组织，并以第一突显方式在第一显示区域突显第一目标组织，以及以第二突显方式在第二显示区域突显第一目标组织，进一步地，可以将未被选中的标识符对应的医学组织作为第二目标组织，并在第一显示区域隐藏第二目标组织，以及以常规显示方式在第二显示区域显示第二目标组织。上述方式，不仅能够在图像显示界面同时以不同维度来展示流域分段，有利于提升图像显示界面所展示的图像信息的丰富程度，还能够在第一显示区域和第二显示区域关联显示用户期望突显的流域分段，使用户得以在三维和二维两种不同角度直观地联立对应的流域分段，提升用户体验。
请参阅图6，图6是本申请图像处理装置60一实施例的框架示意图。图像处理装置60包括原始区域获取模块61、像素外扩检测模块62和外扩区域获取模块63，原始区域获取模块61，用于获取待测图像中目标对象所在的原始区域，其中，原始区域内包含若干第一像素点，原始区域外存在若干第二像素点；像素外扩检测模块62，用于对各个第二像素点并行执行外扩检测，得到检测结果，其中，检测结果包括是否将第二像素点作为新的第一像素点；外扩区域获取模块63，用于基于原始区域和检测结果，得到目标对象的外扩区域。
上述方案，获取待测图像中目标对象所在的原始区域，且原始区域内包含若干第一像素点，原始区域外存在若干第二像素点，在此基础上，对各个第二像素点并行执行外扩检测，得到检测结果，且检测结果包括是否将第二像素点作为新的第一像素点，从而基于原始区域和检测结果，得到目标对象的外扩区域，一方面由于外扩检测是基于各个第二像素点而执行的，故能够实现像素级的区域外扩，有利于提高区域外扩的精度，另一方面由于外扩检测是并行执行的，故有利于提高区域外扩的速度。故此，能够提高区域外扩的精度和速度。
在一些公开实施例中，对各个第二像素点所执行的外扩检测由各个计算内核并行运行。
因此，由各个计算内核并行运行对各个第二像素点所执行的外扩检测，能够进一步提高区域外扩的计算效率。
在一些公开实施例中，各个第二像素点分别所在的第一参考区域均与原始区域存在交集。
因此，对于每一第二像素点而言，其所在的第一参考区域均与原始存在交集，故在外扩检测之前，能够排除位于原始区域之外且距原始区域较远的像素点，有利于提高区域外扩速度。
在一些公开实施例中，像素外扩检测模块62包括参考区域获取子模块，用于获取包围第二像素点的第二参考区域；像素外扩检测模块62包括物理距离计算子模块，用于对于第二参考区域内的第二像素点和各个第一像素点，分别获取各个第一像素点至第二像素点的物理距离；像素外扩检测模块62包括检测结果获取子模块，用于基于物理距离，得到检测结果。
因此，获取包围第二像素点的第二参考区域，并基于第二参考区域内第一像素点至第二像素点的物理距离，得到检测结果，能够降低区域外扩超出安全距离的可能性，有利于提升区域外扩的安全性。
在一些公开实施例中，检测结果获取子模块包括第一确定单元，用于在最小物理距离低于预设阈值的情况下，确定检测结果包括将第二像素点作为新的第一像素点；检测结果获取子模块包括第二确定单元，用于在最小物理距离不低于预设阈值的情况下，确定检测结果包括不将第二像素点作为新的第一像素点。
因此，在最小物理距离低于预设阈值的情况下，确定检测结果包括将第二像素点作为新的第一像素点，而在最小物理距离不低于预设阈值的情况下，确定检测结果包括不将第二像素点作为新的第一像素点，能够通过约束最小物理距离进一步确保区域外扩不超出安全距离，提升区域外扩的安全性。
在一些公开实施例中，原始区域外存在若干第三像素点，且各个第三像素点所在的第一参考区域与原始区域均不存在交集；图像处理装置60还包括重复检测模块，用于在检测结果包括将第二像素点作为新的第一像素点的情况下，将满足预设条件的第三像素点作为新的第二像素点，并重新执行对各个第二像素点并行执行外扩检测，得到检测结果的步骤；其中，预设条件包括：第三像素点所在的第一参考区域内包含由第二像素点更新得到的第一像素点。
因此，原始区域外存在若干第三像素点，且各个第三像素点所在的第一参考区域与原始区域均不存在交集，在检测结果包括将第二像素点作为新的第一像素点的情况下，将满足预设条件的第三像素点作为新的第二像素点，并重新执行对各个第二像素点并行执行外扩检测，得到检测结果的步骤，且预设条件包括：第三像素点所在的第一参考区域包含由第二像素点更新得到的第一像素点，即在区域外扩过程中，能够随着第二像素点更新为第一像素点，第三像素点也会根据满足预设条件而作为新的第二像素点，并重新对各个第二像素点执行外扩检测，如此往复能够传递式地进行区域外扩，有利于进一步提高区域外扩的准确性。
在一些公开实施例中，外扩区域获取模块63具体用于检测到各个第二像素点均已执行外扩检测，获取由原始区域内第一像素点和由第二像素点更新得到的第一像素点所形成的连通域，并将连通域作为外扩区域。
因此，在检测到各个第二像素点均已执行外扩检测的情况下，获取由原始区域内第一像素点和由第二像素点更新得到的第一像素点所形成的连通域，并将连通域作为外扩区域，即区域外扩随着各个第二像素点均已执行外扩检测而结束，并由最终所有第一像素点所形成的连通域作为外扩区域，有利于提升外扩区域的准确性。
在一些公开实施例中，待测图像为医学图像，目标对象为病灶，且医学图像中还包括若干标的组织；图像处理装置60还包括侵犯检测模块，用于检测各个第一像素点分别对若干标的组织的侵犯情况；其中，侵犯情况包括：第一像素点所侵犯的标的组织。
因此，待测图像为医学图像，且目标对象为病灶，医学图像中还包括若干标的组织，在区域外扩过程中，进一步检测各个第一像素点分别对若干标的组织的侵犯情况，且侵犯情况包括第一像素点所侵犯的标的组织，即能够记录各个第一像素点分别对标的组织的侵犯情况，从而能够在应用过程中提供参考信息，有利于提升用户体验。
在一些公开实施例中，待测图像中识别得到多个目标对象；图像处理装置60还包括列表显示模块，用于显示对象列表；其中，对象列表包括多个目标对象的标识符；图像处理装置60还包括外扩交互模块，用于响应于标识符处于被选择状态以及用户输入的外扩指令，结合像素外扩检测模块62和外扩区域获取模块63对标识符对应的目标对象，执行对各个第二像素点并行执行外扩检测，得到检测结果的步骤以及后续步骤，以得到外扩区域。
因此，待测图像中识别得到多个目标对象，在此基础上，显示对象列表，且对象列表包括多个目标对象的标识符，从而响应于标识符处于被选择状态以及用户输入的外扩指令，对标识符对应的目标对象，执行对各个第二像素点并行执行外扩检测，得到检测结果的步骤以及后续步骤，以得到外扩区域，故能够在待测图像中存在多个目标对象的情况下，根据用户指示进行区域外扩，有利于提高用户体验。
在一些公开实施例中，图像处理装置60包括三角化模块，用于基于外扩区域，三角化得到目标对象的表面网格；图像处理装置60包括模型渲染模块，用于利用目标对象的渲染参数对目标对象的表面网格进行渲染，得到目标对象的图像模型；图像处理装置60包括模型显示模块，用于在图像显示界面中显示目标对象的图像模型。
因此，在得到外扩区域之后，基于外扩区域三角化得到目标对象的表面网格，并利用目标对象的渲染参数对目标对象的表面网格进行渲染，得到目标对象的图像模型，从而在图像显示界面中显示目标对象的图像模型，故能够有利于直观展示目标对象的三维信息，有利于提升用户体验。
请参阅图7，图7是本申请电子设备70一实施例的框架示意图。电子设备70包括相互耦接的存储器71和处理器72，处理器72用于执行存储器71中存储的程序指令，以实现上述任一图像处理方法实施例的步骤。在一个具体的实施场景中，电子设备70可以包括但不限于：微型计算机、服务器，此外，电子设备70还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。
具体而言，处理器72用于控制其自身以及存储器71以实现上述任一图像处理方法实施例的步骤。处理器72还可以称为CPU(Central Processing Unit，中央处理单元)。处理器72可能是一种集成电路芯片，具有信号的处理能力。处理器72还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器72可以由集成电路芯片共同实现。
上述方案，一方面由于外扩检测是基于各个第二像素点而执行的，故能够实现像素级的区域外扩，有利于提高区域外扩的精度，另一方面由于外扩检测是并行执行的，故有利于提高区域外扩的速度。故此，能够提高区域外扩的精度和速度。
请参阅图8，图8为本申请计算机可读存储介质80一实施例的框架示意图。计算机可读存储介质80存储有能够被处理器运行的程序指令801，程序指令801用于实现上述任一图像处理方法实施例的步骤。
上述方案，一方面由于外扩检测是基于各个第二像素点而执行的，故能够实现像素级的区域外扩，有利于提高区域外扩的精度，另一方面由于外扩检测是并行执行的，故有利于提高区域外扩的速度。故此，能够提高区域外扩的精度和速度。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (13)

1.一种图像处理方法，其特征在于，包括：
获取待测图像中目标对象所在的原始区域，其中，所述原始区域内包含若干第一像素点，所述原始区域外存在若干第二像素点；
对各个所述第二像素点并行执行外扩检测，得到检测结果，其中，所述检测结果包括是否将所述第二像素点作为新的第一像素点；
基于所述原始区域和所述检测结果，得到所述目标对象的外扩区域。
2.根据权利要求1所述的方法，其特征在于，对各个所述第二像素点所执行的外扩检测由各个计算内核并行运行。
3.根据权利要求1或2所述的方法，其特征在于，各个所述第二像素点分别所在的第一参考区域均与所述原始区域存在交集。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述外扩检测的步骤包括：
获取包围所述第二像素点的第二参考区域，其中，所述第二参考区域内包含至少一个所述第一像素点；
基于所述第二参考区域内的所述第二像素点和各个所述第一像素点，分别获取各个所述第一像素点至所述第二像素点的物理距离；
基于所述物理距离，得到所述检测结果。
5.根据权利要求4所述的方法，其特征在于，所述基于所述物理距离，得到所述检测结果，包括：
在最小所述物理距离低于预设阈值的情况下，确定所述检测结果包括将所述第二像素点作为新的所述第一像素点；
在最小所述物理距离不低于所述预设阈值的情况下，确定所述检测结果包括不将所述第二像素点作为新的所述第一像素点。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述原始区域外存在若干第三像素点，且各个所述第三像素点分别所在的第一参考区域与所述原始区域均不存在交集；在所述基于所述原始区域和所述检测结果，得到所述目标对象的外扩区域之前，所述方法还包括：
在所述检测结果包括将所述第二像素点作为新的所述第一像素点的情况下，将满足预设条件的第三像素点作为新的所述第二像素点，并重新执行对各个所述对所述第二像素点并行执行外扩检测，得到检测结果的步骤；
其中，所述预设条件包括：所述第三像素点所在的第一参考区域内包含由所述第二像素点更新得到的第一像素点。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述基于所述原始区域和所述检测结果，得到所述目标对象的外扩区域，包括：
检测到各个所述第二像素点均已执行所述外扩检测，获取由所述原始区域内所述第一像素点和由所述第二像素点更新得到的第一像素点所形成的连通域，并将所述连通域作为所述外扩区域。
8.根据权利要求1至7任一项所述的方法，其特征在于，所述待测图像为医学图像，所述目标对象为病灶，且所述医学图像中还包括若干标的组织；所述方法还包括：
检测各个所述第一像素点分别对所述若干标的组织的侵犯情况；其中，所述侵犯情况包括：所述第一像素点所侵犯的标的组织。
9.根据权利要求1至8任一项所述的方法，其特征在于，所述待测图像中识别得到多个所述目标对象；所述方法还包括：
显示对象列表；其中，所述对象列表包括所述多个所述目标对象的标识符；
响应于所述标识符处于被选择状态以及用户输入的外扩指令，对所述标识符对应的目标对象，执行所述对各个所述第二像素点并行执行外扩检测，得到检测结果的步骤以及后续步骤，以得到所述外扩区域。
10.根据权利要求1至9任一项所述的方法，其特征在于，在所述基于所述原始区域和所述检测结果，得到所述目标对象的外扩区域之后，所述方法还包括：
基于所述外扩区域，三角化得到所述目标对象的表面网格；
利用所述目标对象的渲染参数对所述目标对象的表面网格进行渲染，得到所述目标对象的图像模型；
在图像显示界面中显示所述目标对象的图像模型。
11.一种图像处理装置，其特征在于，包括：
原始区域获取模块，用于获取待测图像中目标对象所在的原始区域，其中，所述原始区域内包含若干第一像素点，所述原始区域外存在若干第二像素点；
像素外扩检测模块，用于对各个所述第二像素点并行执行外扩检测，得到检测结果，其中，所述检测结果包括是否将所述第二像素点作为新的第一像素点；
外扩区域获取模块，用于基于所述原始区域和所述检测结果，得到所述目标对象的外扩区域。
12.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至10任一项所述的图像处理方法。
13.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至10任一项所述的图像处理方法。
CN202110767334.1A 2021-07-07 2021-07-07 图像处理方法及相关装置和电子设备、存储介质 Pending CN113506313A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110767334.1A CN113506313A (zh) 2021-07-07 2021-07-07 图像处理方法及相关装置和电子设备、存储介质
PCT/CN2022/104069 WO2023280197A1 (zh) 2021-07-07 2022-07-06 图像处理方法及相关装置、电子设备、存储介质和程序

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110767334.1A CN113506313A (zh) 2021-07-07 2021-07-07 图像处理方法及相关装置和电子设备、存储介质

Publications (1)

Publication Number Publication Date
CN113506313A true CN113506313A (zh) 2021-10-15

Family

ID=78011980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110767334.1A Pending CN113506313A (zh) 2021-07-07 2021-07-07 图像处理方法及相关装置和电子设备、存储介质

Country Status (2)

Country Link
CN (1) CN113506313A (zh)
WO (1) WO2023280197A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023280197A1 (zh) * 2021-07-07 2023-01-12 上海商汤智能科技有限公司 图像处理方法及相关装置、电子设备、存储介质和程序

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110148196B (zh) * 2018-09-12 2022-03-25 腾讯大地通途（北京）科技有限公司 一种图像处理方法、装置以及相关设备
CN110032964B (zh) * 2019-04-08 2023-07-14 腾讯科技(成都)有限公司 图像处理方法、识别视角的方法、装置、设备和存储介质
CN110929728B (zh) * 2020-02-18 2020-05-12 南京景三医疗科技有限公司 一种图像感兴趣区域划分方法、图像分割方法及装置
CN111767822B (zh) * 2020-06-23 2023-04-25 浙江大华技术股份有限公司 垃圾检测方法以及相关设备、装置
CN113506313A (zh) * 2021-07-07 2021-10-15 上海商汤智能科技有限公司 图像处理方法及相关装置和电子设备、存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023280197A1 (zh) * 2021-07-07 2023-01-12 上海商汤智能科技有限公司 图像处理方法及相关装置、电子设备、存储介质和程序

Also Published As

Publication number Publication date
WO2023280197A1 (zh) 2023-01-12

Similar Documents

Publication Publication Date Title
Kreiser et al. A survey of flattening‐based medical visualization techniques
JP5814504B2 (ja) 統計モデルを用いた医療画像自動セグメンテーションシステム、装置並びにプロセッサ
US8600125B2 (en) System and method for computer aided polyp detection
CN110036408B (zh) 活动性出血和血液外渗的自动ct检测和可视化
Bullitt et al. Symbolic description of intracerebral vessels segmented from magnetic resonance angiograms and evaluation by comparison with X-ray angiograms
JP4139869B2 (ja) 医用画像処理装置
Passat et al. Magnetic resonance angiography: From anatomical knowledge modeling to vessel segmentation
Shukla et al. AI-DRIVEN novel approach for liver cancer screening and prediction using cascaded fully convolutional neural network
US20080008367A1 (en) Hybrid segmentation of anatomical structure
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
US7684602B2 (en) Method and system for local visualization for tubular structures
CN104424647A (zh) 用于对医学图像进行配准的方法和设备
JP4823204B2 (ja) 医用画像処理装置
Kronman et al. A geometric method for the detection and correction of segmentation leaks of anatomical structures in volumetric medical images
US11043296B2 (en) Systems and methods for semi-automatic tumor segmentation
Cordeiro et al. Segmentation of mammography by applying growcut for mass detection
US9019272B2 (en) Curved planar reformation
CN113506365A (zh) 图像显示方法及相关装置和电子设备、存储介质
CN113516758A (zh) 图像显示方法及相关装置和电子设备、存储介质
WO2023280197A1 (zh) 图像处理方法及相关装置、电子设备、存储介质和程序
CN116051553B (zh) 一种在三维医学模型内部进行标记的方法和装置
CN109410170B (zh) 图像数据处理方法、装置及设备
CN114931435A (zh) 三维模型处理方法、装置和电子设备
Guyon et al. VETOT, volume estimation and tracking over time: Framework and validation
CN113516757A (zh) 图像显示方法及相关装置和电子设备、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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40058580

Country of ref document: HK