CN114119578B - 一种图像处理方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请实施例公开了一种图像处理方法、装置、计算机设备及存储介质。本申请实施例通过病灶识别模型对目标对象的医学图像进行识别，确定出医学图像的病灶区域，然后提取病灶区域的初始征象信息，根据初始征象信息对病灶区域的征象信息进行补全，得到完成的征象信息，通过完整的征象信息进一步确定病灶区域的病灶类型，可以提高图像处理结果的准确性。

Description

一种图像处理方法、装置、计算机设备及存储介质

技术领域

本申请涉及计算机技术领域，具体涉及一种图像处理方法、装置、计算机设备及存储介质。

背景技术

随着人工智能(Artificial Intelligence，AI)技术的飞速发展，AI辅助诊断技术在医疗领域得到广泛的应用，能够协助医师起到初步病情诊断的作用。但是，由于疾病的种类越来越多，不同疾病的复杂程度也越来越高，导致AI辅助诊断会出现漏检问题，从而影响医师对患者病情的诊断。

发明内容

本申请实施例提供一种图像处理方法、装置、计算机设备及存储介质，可以提高图像处理结果的准确性。

本申请实施例提供了一种图像处理方法，包括：

获取目标对象的医学图像；

确定所述医学图像中的病灶区域，并获取所述病灶区域的初始征象信息；

根据所述初始征象信息确定所述病灶区域在至少一种病灶类型下的缺失征象信息；

基于所述缺失征象信息与所述初始征象信息确定所述病灶区域对应的目标病灶类型，得到所述目标对象的检测结果。

相应的，本申请实施例还提供了一种图像处理装置，包括：

第一获取单元，用于获取目标对象的医学图像；

第一确定单元，用于确定所述医学图像中的病灶区域，并获取所述病灶区域的初始征象信息；

第二确定单元，用于根据所述初始征象信息确定所述病灶区域在至少一种病灶类型下的缺失征象信息；

第三确定单元，用于基于所述缺失征象信息与所述初始征象信息确定所述病灶区域对应的目标病灶类型，得到所述目标对象的检测结果。

在一些实施例中，第三确定单元包括：

调整子单元，用于根据所述缺失征象信息对征象信息识别模型的参数进行调整，其中，所述征象信息识别模型用于识别所述病灶区域的征象信息；

第一识别子单元，用于通过调整参数后的征象信息识别模型对所述病灶区域进行识别处理，得到所述病灶区域的目标征象信息；

第一获取子单元，用于获取所述目标征象信息对应的病灶类型，得到所述目标病灶类型。

在一些实施例中，第一获取子单元具体用于：

将所述待处理图像中的所述病灶区域输入所述征象信息识别模型；

通过所述征象识别模型识别所述病灶区域的征象信息，得到所述初始征象信息。

在一些实施例中，第二确定单元包括：

处理子单元，用于对所述初始征象信息进行识别处理，得到所述病灶区域对应的初始病灶类型；

第二获取子单元，用于获取所述初始病灶类型的全部征象信息；

第一确定子单元，用于从所述全部征象信息中确定除所述初始征象信息以外的征象信息，得到所述病灶区域在所述初始病灶类型下的所述缺失征象信息。

在一些实施例中，该装置还包括：

第二获取单元，用于获取所述病灶区域的数量；

第四确定单元，用于基于所述病灶区域的数量确定所述病灶区域对应的初始病灶类型；

第三获取单元，用于获取所述初始病灶类型的全部征象信息；

第五确定单元，用于从所述全部征象信息中确定除所述初始征象信息以外的征象信息，得到所述缺失征象信息。

在一些实施例中，该装置还包括：

计算单元，包括计算所述初始征象信息与所述全部征象信息的相似度；

第六确定单元，用于基于所述相似度确定所述病灶区域中的缺失征象信息；

处理单元，用于对所述缺失征象信息进行补全处理，得到所述病灶区域的完整征象信息。

在一些实施例中，处理单元包括：

第四获取子单元，用于获取所述初始征象信息的征象信息类型；

第二确定子单元，用于从征象信息库中确定与所述征象信息类型对应的征象信息；

替换子单元，用于基于所述征象信息类型对应的征象信息替换所述初始征象信息，得到所述病灶区域的完整征象信息。

在一些实施例中，处理单元包括：

第五获取子单元，用于获取所述初始征象信息的征象信息类型；

第三确定子单元，用于确定与所述征象信息类型对应的征象信息补全模型，并基于所述征象信息补全模型对所述初始征象信息进行补全，得到所述病灶区域的完整征象信息。

在一些实施例中，第一确定单元包括：

输入子单元，用于将所述医学图像输入用于检测所述目标对象的病灶识别模型；

第二识别子单元，用于通过所述病灶识别模型识别出所述医学图像中的所述病灶区域。

相应的，本申请实施例还提供了一种计算机设备，包括存储器，处理器及存储在储存器上并可在处理器上运行的计算机程序，其中，处理器执行本申请实施例任一提供的图像处理方法。

相应的，本申请实施例还提供了一种存储介质，存储介质存储有多条指令，指令适于处理器进行加载，以执行如上的图像处理方法。

本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在存储介质中。终端的处理器从存储介质读取该计算机指令，处理器执行该计算机指令，使得该终端执行上述方面的各种可选实现方式中提供的图像处理方法。

本申请实施例通过病灶识别模型对目标对象的医学图像进行识别，确定出医学图像的病灶区域，然后提取病灶区域的初始征象信息，根据初始征象信息对病灶区域的征象信息进行补全，得到完成的征象信息，通过完整的征象信息进一步确定病灶区域的病灶类型，可以提高图像处理结果的准确性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的图像处理系统的场景示意图。

图2为本申请实施例提供的一种图像处理方法的流程示意图。

图3为本申请实施例提供的另一种图像处理方法的流程示意图。

图4为本申请实施例提供的一种图像处理方法的医学图像区域示意图。

图5为本申请实施例提供的另一种图像处理方法的医学图像区域示意图。

图6为本申请实施例提供的另一种图像处理方法的流程示意图。

图7为本申请实施例提供的另一种图像处理方法的医学图像区域示意图。

图8为本申请实施例提供的一种图像处理装置的结构框图。

图9为本申请实施例提供的计算机设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。

本申请实施例提供一种图像处理方法、装置及存储介质。具体地,本申请实施例的图像处理方法可以由计算机设备执行,其中,该计算机设备可以为终端或者服务器等设备。该终端可以为智能手机、平板电脑、笔记本电脑﹑触控屏幕、游戏机、个人计算机(PC，Personal Computer)、个人数字助理(Personal Digital Assistant，PDA)等终端设备，终端还可以包括客户端，该客户端可以是媒体播放客户端或即时通信客户端等。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。

请参阅图1，图1为本申请实施例提供的图像处理系统的场景示意图。该系统可以包括至少一个终端1000，至少一个服务器2000，至少一个数据库3000，以及网络4000。用户持有的终端1000可以通过网络4000连接到不同的服务器。终端1000是具有计算硬件的任何设备，该计算硬件能够支持和执行与多媒体对应的软件产品。另外，当系统包括多个终端1000、多个服务器2000、多个网络4000时，不同的终端1000可以通过不同的网络4000、通过不同的服务器2000相互连接。网络4000可以是无线网络或者有线网络，比如无线网络为无线局域网(WLAN)、局域网(LAN)、蜂窝网络、2G网络、3G网络、4G网络、5G网络等。另外，该系统可以包括多个数据库3000，多个数据库3000耦合到不同的服务器2000，并且可以将与各应用相关的信息存储于数据库3000中。

需要说明的是，图1所示的图像处理系统的场景示意图仅仅是一个示例，本申请实施例描述的图像处理系统以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着图像处理系统的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

基于上述问题，本申请实施例提供第一种图像处理方法、装置、计算机设备及存储介质，可以提高图像处理结果的准确性。以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。

在本申请实施例中，在获取到多张医学图像后，可以基于人工智能中的机器学习/深度学习获取医学图像中针对病灶区域的特征信息，并基于该特征信息进行特征组合以及诊断。

其中，人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

而机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

请参阅图2所示，图2为本申请实施例提供的一种图像处理方法的流程示意图。该图像处理方法的具体流程可以如下：

101、获取目标对象的医学图像。

在本申请实施例中，目标对象的医学图像可以通过扫描设备对目标对象进行扫描，采集目标对象的图像，从而得到目标图像的医学图像。其中，医学图像可以包括多种类型，比如，医学图像可以为CT(计算机断层摄影，Computed Tomography)图、核磁共振图、4D(four dimensions，四维)超声波图像。

例如，可以过计算机断层摄影成像系统扫描人体，得到CT图，或者通过4D超声波成像系统扫描人体，得到4D超声波图，或者通过核磁共振成像系统扫描人体，得到核磁共振图等。

具体的，计算机断层摄影成像系统也即计算机X线断层扫描(简称X-CT或CT)，是利用x射线对人体进行断层扫描后，由探测器收得的模拟信号r再变成数字信号，经电子计算机计算出每一个象素的衰减系数，再重建图像，而能显示出人体各部位的断层结构的装置。

具体的，4D超声波成像系统是根据超声波遇到物体反射成像的原理研制出来的，探头放在人体表面，产生进入人体的声波，也接受反射回的超声波，这样便产生了相应的图像。

具体的，核磁共振成像(Nuclear Magnetic Resonance Imaging，NMRI)，又称自旋成像，也称磁共振成像(Magnetic Resonance Imaging，MRI)，是利用核磁共振(NuclearMagneticResonance，NMR)原理，依据所释放的能量在物质内部不同结构环境中不同的衰减，通过外加梯度磁场检测所发射出的电磁波，即可得知构成这一物体原子核的位置和种类，据此可以绘制成物体内部的结构图像。

其中，通过以上成像系统采集的目标对象的医学图像可以为医学图像序列，也即包括多张医学图像的影像序列。

102、确定医学图像中的病灶区域，并获取病灶区域的初始征象信息。

其中，病灶区域指的是机体上发生病变的部分。如肺的某一部分被结核菌破坏，这部分就是肺结核病灶。一个局限的、具有病原微生物的病变组织，就称为病灶。

在一些实施例中，为了提高对医学图像中病灶区域的识别准确性，步骤“确定医学图像中的病灶区域”，可以包括以下操作：

将医学图像输入用于检测目标对象的病灶识别模型；

通过病灶识别模型识别出医学图像中的病灶区域。

其中，病灶识别模型用于对医学图像进行病灶区域的识别，从而提取出医学图像中的病灶区域。

具体的，在获取到医学图像之后，首先可以对医学图像进行图像预处理，比如图像裁剪，填充等，使得医学图像满足病灶识别模型处理的图像尺寸，然后可以将医学图像输入病灶识别模型，对医学图像进行特征提取，得到医学图像的特征信息，进一步的，通过病灶识别模型对该特征信息进行识别处理，若识别出该特征信息符合病灶特征信息，则可以确定医学图像中存在有病灶区域，最后将该医学图像中的病灶区域进行标记，得到该医学图像的病灶区域。

在一些实施例中，为了提高病灶区域的识别准确性，在步骤“将医学图像输入用于检测目标对象的病灶识别模型”之前，还可以包括以下步骤：

采集多个样本医学图像，样本医学图像为包括有病灶区域的目标对象的医学图像；

对每一样本医学图像中的病灶区域进行标记，得到每一样本医学图像对应的标记后医学图像；

通过标记后医学图像对预设神经网络模型进行训练，得到病灶识别模型。

在本申请实施例中，病灶识别模型是预先训练好，以方便对医学图像进行病灶识别时可以直接使用。

其中，病灶识别模型的构建过程是：利用多个不同类型或尺寸的真实病灶区域图像，或者，预定目标组织对应的完整真实病灶图像作为输入，利用深度学习神经网络经过多次训练，得到的病灶识别模型。

进一步的，病灶识别模型在使用时，可以将待识别的医学图像输入病灶识别模型，病灶识别模型即可自动识别出医学图像中的病灶区域，并进行标记。

其中，模型训练时，通常采用深度学习神经网络模型，利用普通的机器学习模型(即经典算法)来训练也可以。

例如，本申请实施例中进行模型训练时采用的模型网络可以包括：卷积神经网络(Convolutional Neural Networks，CNN)、反卷积神经网络(De-Convolutional Networks，DN)、深度神经网络(Deep Neural Networks，DNN)、深度卷积逆向图网络(DeepConvolutional Inverse Graphics Networks，DCIGN)、基于区域的卷积网络(Region-based Convolutional Networks，RCNN)、基于区域的快速卷积网络(Faster Region-basedConvolutional Networks，Faster RCNN)和双向编解码(Bidirectional EncoderRepresentations from Transformers，BERT)模型等。

其中，征象信息指的是能够表现病灶特性的特征现象信息，比如，征象信息可以包括：病灶区域的位置、尺寸、范围、数量等信息。初始征象信息指的是病灶区域对应的特征现象信息。

在一些实施例中，为了采集病灶区域的征象信息，步骤“获取病灶区域的初始征象信息”，可以包括以下操作：

将待处理图像中的病灶区域输入征象信息识别模型；

通过征象识别模型识别病灶区域的征象信息，得到初始征象信息。

在本申请实施例中，获取病灶区域的初始征象信息可以通过征象信息识别模型。征象信息识别模型用于对病灶区域进行征象信息识别，得到病灶区域的征象信息。其中，病灶识别模型是预先训练好，以方便对病灶区域进行征象信息识别时可以直接使用。

103、根据初始征象信息确定病灶区域在至少一种病灶类型下的缺失征象信息。

当医学图像中存在多种病灶或者病灶较为复杂时，通过征象信息识别模型识别出的病灶区域的征象信息可能存在缺失，则会导致对目标对象的医学图像诊断出错的情况，因此，本申请实施例从病灶区域提取初始征象信息后，进一步根据初始征象信息来获取病灶区域缺失的征象信息，也即缺失征象信息。

在一些实施例中，为了获取病灶区域完整的征象信息，步骤“根据初始征象信息确定病灶区域在至少一种病灶类型下的缺失征象信息”，可以包括以下操作：

对初始征象信息进行识别处理，得到病灶区域对应的初始病灶类型；

获取初始病灶类型的全部征象信息；

从全部征象信息中确定除初始征象信息以外的征象信息，得到病灶区域在初始病灶类型下的缺失征象信息。

其中，根据初始征象信息确定病灶区域对应的初始病灶类型，可以通过将初始征象信息与病灶类型集合中的预设病灶类型进行匹配，病灶类型集合中可以包括有多种病灶类型。

例如，目标对象可以为肝脏，则医学图像为肝脏的医学图像，识别到医学图像的病灶区域的初始征象信息可以包括：信息A，信息B，信息C。获取肝脏对应的病灶类型集合包括的预设病灶类型可以为：第一病灶类型，第二病灶类型等，其中，第一病灶类型对应的征象信息可以为：信息A，信息D，信息F，第二病灶类型对应的征象信息可以为：信息A，信息B，信息C，信息D。

进一步的，将病灶区域的初始征象信息与每一预设病灶类型的征象信息进行匹配，可以确定与初始征象信息匹配成功的是第一病灶类型，则可以确定第一病灶类型为初始病灶类型。

其中，第一病灶类型的全部征象信息包括：信息A，信息B，信息C，信息D，病灶区域的初始征象信息包括：信息A，信息B，信息C，通过将全部征象信息与初始征象信息进行比较，确定病灶区域在第二病灶类型下的缺失征象信息为：信息D。

在一些实施例中，除了上述基于对病灶区域的初始征象信息进行识别，得到病灶区域对应的初始病灶类型外，还可以通过其他方式确定病灶区域对应的初始病灶类型，以使得在实际应用场景根据不同的检测需求采取不同的初始病灶类型判别方式，则在步骤“确定医学图像中的病灶区域”之后，在步骤“基于缺失征象信息与初始征象信息确定病灶区域对应的目标病灶类型”之前，还可以包括以下步骤：

获取病灶区域的数量；

基于病灶区域的数量确定病灶区域对应的初始病灶类型；

获取初始病灶类型的全部征象信息；

从全部征象信息中确定除初始征象信息以外的征象信息，得到缺失征象信息。

具体的，通过病灶识别模型提取到医学图像的病灶区域后，可以确定医学图像中病灶区域的数量，比如，病灶区域可以包括2个等。

进一步的，根据病灶区域的数量确定病灶区域的初始病灶类型，可以根据病灶区域的数量与病灶类型集合中的预设病灶类型进行匹配，得到病灶区域对应的病灶类型。

例如，医学图像中的病灶区域的数量可以为：3，病灶类型集合中的预设病灶类型可以包括：第一病灶类型，第二病灶类型，其中，第一病灶类型对应的病灶区域的数量可以为：3，第二病灶类型对应的病灶区域的数量可以为：5，则通过将医学图像中的病灶区域的数量与预设病灶类型的病灶区域的数量进行匹配的，得到与医学图像的病灶区域的数量相同的预设病灶类型为：第一病灶类型。

进一步的，获取医学图像中病灶区域的初始征象信息可以为：信息A，信息B，获取第一病灶类型的征象信息可以为：信息A，信息B，信息C，信息D，则可以确定医学图像中的病灶区域的缺失征象信息可以为：信息C，信息D。

在一些实施例中，为了提高对医学图像的检测准确性，可以基于缺失征象信息对病灶区域的征象信息进行补全，则在步骤“获取初始病灶类型的全部征象信息”之后，还可以包括以下步骤：

计算初始征象信息与全部征象信息的相似度；

基于相似度确定病灶区域中的缺失征象信息；

对缺失征象信息进行补全处理，得到病灶区域的完整征象信息。

在本申请实施例中，根据初始征象信息与全部征象信息的相似度，来判断初始征象信息的完整度；若初始征象信息与全部征象信息的相似度在85％～95％范围内，则对该初始征象信息进行补全。其中，相似度在85％以上即可以认为是有效的初始征象信息。

具体的，计算初始征象信息与全部征象信息的相似度，可以根据初始征象信息中的信息点与全部征象信息中的信息点进行匹配，得到相似度。

进一步的，基于相似度确定病灶区域中的缺失征象信息可以从全部征象信息中确定与初始征象信息不匹配的征象信息，从而可以得到缺失征象信息，然后基于缺失征象信息对病灶区域的征象信息进行补全处理，即可以得到病灶区域的完整征象信息。

在本申请实施例中，在对病灶区域的征象信息进行补全时，可以利用征象信息的掩膜，将初始征象信息与缺失征象信息的边界进行匹配，当边界匹配度达到95％，则可以认为匹配完成，将掩膜区域的缺失征象信息中空缺的像素点补全，以形成完整的征象信息。

其中，征象信息的掩模指的是：征象信息的边界分割模型。在通过征象信息识别模型对病灶区域进行识别的过程中，由于征象信息识别模型的精度或者原始影像不清晰等问题，导致识别出的征象信息出现缺失，对于这部分缺失的征象信息可以利用分割模型确定征象信息的类型。然后，可以采用多种方式进行征象信息的补全。得到补全后的征象信息，然后获取补全后的征象信息对应的病灶类型，得到病灶区域对应的病灶类型。

在一些实施例中为了得到病灶区域的完整征象信息，步骤“对缺失征象信息进行补全处理，得到病灶区域的完整征象信息”，可以包括以下操作：

获取初始征象信息的征象信息类型；

从征象信息库中确定与征象信息类型对应的征象信息；

基于征象信息类型对应的征象信息替换初始征象信息，得到病灶区域的完整征象信息。

具体的，可以根据征象信息的类型，在征象信息库，也即征象库中匹配一个征象实例或征象影像，然后，用这个征象实例或者征象阴影替换存在缺失的征象信息。

在一些实施例中为了得到病灶区域的完整征象信息，步骤“对缺失征象信息进行补全处理，得到病灶区域的完整征象信息”，可以包括以下操作：

获取初始征象信息的征象信息类型；

确定与征象信息类型对应的征象信息补全模型，并基于征象信息补全模型对初始征象信息进行补全，得到病灶区域的完整征象信息。

具体的，可以根据征象信息的类型，匹配预先构建好的修补模型，利用修补模型对征象进行补全。其中，修补模型是利用多个手动补全的存在缺失的征象影像作为输入，通过深度学习神经网络训练，得到修补模型。

104、基于缺失征象信息与初始征象信息确定病灶区域对应的目标病灶类型，得到目标对象的检测结果。

在一些实施例中，为了提高对医学图像的检测准确性，步骤“基于缺失征象信息与初始征象信息确定病灶区域对应的目标病灶类型”，可以包括以下操作：

根据缺失征象信息对征象信息识别模型的参数进行调整；

通过调整参数后的征象信息识别模型对病灶区域进行识别处理，得到病灶区域的目标征象信息；

获取目标征象信息对应的病灶类型，得到目标病灶类型。

其中，征象信息识别模型用于识别病灶区域的征象信息。

其中，征象信息识别模型的参数可以为：置信度、阈值或者强化参数等。置信度指的是对神经网络输出结果上进行设定；阈值指的是对传统或经典的算法的一个或多个阈值进行调整；强化参数指的是通过调节强化或增强等方式的调节参数，获得输入图像。进而再次通过模型、算法等获得识别结果。

具体的，在确定缺失征象信息后，可以根据缺失征象信息对征象信息识别模型进行调整，得到调整后征象信息识别模型，然后，将病灶区域输入调整后征象信息识别模型中，通过调整后征象信息识别模型进一步的对病灶区域进行征象信息的识别，得到病灶区域的完整征象信息，也即目标征象信息。

具体的，根据可能缺少的征象信息，调整征象信息识别模型的置信度值，或者，优化征象信息识别模型，从而识别出可能缺少征象信息，作为新的征象信息。

其中，调整征象信息识别模型的置信度值指的是调整模型的识别阈值。也可以理解为调整模型的损失函数(一般用损失函数来调整模型精度)，以使模型的识别度更高，增强模型的识别精度和准确度。

进一步的，获取目标征象信息对应的病灶类型，得到病灶区域的目标病灶类型。

例如，目标征象信息包括：征象信息A，征象信息B，征象信息C，征象信息D，通过将目标征象信息将病灶类型集合中的病灶类型进行匹配，确定与目标征象信息对应的病灶类型可以为：第一病灶类型，其中，第一病灶类型包括的征象信息为：征象信息A，征象信息B，征象信息C，征象信息D。

本申请实施例公开了一种图像处理方法，该方法包括：获取目标对象的医学图像；确定医学图像中的病灶区域，并获取病灶区域的初始征象信息；根据初始征象信息确定病灶区域在至少一种病灶类型下的缺失征象信息；基于缺失征象信息与初始征象信息确定病灶区域对应的目标病灶类型，得到目标对象的检测结果。以此，可以提高图像处理结果的准确性。

根据上述介绍的内容，下面将举例来进一步说明本申请的图像处理方法。

随着计算机技术的发展和人工智能算法效果的提升，人工智能在医疗行业的应用也会越来越广泛。

通过本申请中的图像处理方法，设计一种基于深度学习的网络模型，识别出人体生理组织的病灶区域的完整的征象信息，从而得到准确的诊断结果，以此可以为后续治疗计划提供参考信息。

在本实施例中，将以该图像处理方法应用于人体生理组织的病灶检测为例进行说明。请参考图3，图3为本申请实施例提供的另一种图像处理方法的流程示意图。具体流程可以如下：

201、获取目标生理组织的医学图像序列。

在本申请实施例中，目标生理组织可以为人体器官，比如，目标生理组织可以为肝脏。其中，医学图像序列指的是包括有目标生理组织的多个医学图像。

具体的，获取目标生理组织的医学图像序列可以通过多种设备采集，比如，可以利用核磁共振仪，对病人的肝脏位置进行扫描，得到多个包含肝脏组织的医学图像序列。

核磁共振(MagneticResonance Imaging，MRI)，又叫核磁共振成像技术。基本原理:是将人体置于特殊的磁场中，用无线电射频脉冲激发人体内氢原子核，引起氢原子核共振，并吸收能量。在停止射频脉冲后，氢原子核按特定频率发出射电信号，并将吸收的能量释放出来，被体外的接受器收录，经电子计算机处理获得图像，这就叫做核磁共振成像。

202、基于目标生理组织的病灶识别模型对每一医学图像进行识别处理，确定每一医学图像中的病灶区域。

其中，病灶识别模型可以用于识别目标生理组织中的病灶区域。将目标生理组织的每一医学图像输入病灶识别模型，通过病灶识别模型对每一医学图像进行识别处理，得到每一医学图像中的病灶区域。

203、基于征象信息识别模型对每一医学图像中的病灶区域进行识别，得到每一病灶区域的初始征象信息。

进一步的，在识别出医学图像中的病灶区域后，可以通过征象信息识别模型对医学图像中的病灶区域进行识别，得到每一病灶区域对应的初始征象信息。

例如，请参阅图4，图4为本申请实施例提供的一种图像处理方法的医学图像区域示意图，在图4中，首先采集到包括有目标生理组织的医学图像，通过病灶区域识别模型对医学图像进行识别处理，识别出病灶区域，然后通过征象信息识别模型对病灶区域进行识别处理，识别出初始征象信息可以：征象信息A，征象信息B以及征象信息D。

204、根据病灶区域的初始征象信息确定病灶区域对应的初始病灶类型。

在确定病灶区域的初始征象信息之后，可以根据初始征象信息推断病灶区域对应的病灶类型，也即初始病灶类型。

例如，目标生理组织可以为肝脏组织，肝脏组织的病灶类型可以包括肝癌，肝癌的征象信息为：征象信息A、征象信息B、征象信息C、征象信息D、征象信息E，由于肝癌的征象信息包括识别出的初始征象信息，可以推断出肝癌可以为病灶区域的初始病灶类型。

205、获取初始病灶类型对应的完整征象信息。

例如，初始病灶类型可以为肝癌，则完整征象信息可以包括：征象信息A、征象信息B、征象信息C、征象信息D、征象信息E。

206、根据完整征象信息与初始征象信息确定病灶区域对应的目标病灶类型，得到目标生理组织的诊断结果。

进一步的，通过将初始征象信息与完整征象信息进行比较，可以确定缺少的征象信息为：征象信息C和征象信息E。然后根据缺少的征象信息(征象信息C和征象信息E)对应的置信度值，调整征象信息识别模型中对应该缺少的征象信息(征象信息C和征象信息E)的置信度值，或者，利用缺少的征象信息(征象信息C和征象信息E)重新训练征象信息识别模型，得到新的征象信息识别模型。

具体的，利用新识别模型重新对医学图像的病灶区域进行征象信息的识别。若识别出新的征象信息(征象信息C和征象信息E)。则可以最终确认病灶类型，也即肝癌为病灶区域的目标病灶类型，从而得到目标生理组织的诊断结果可以为：肝癌。

或者，利用新识别模型重新对医学图像的病灶区域进行征象信息的识别，若未识别出新的征象信息，则进一步识别病灶区域是否为其他病灶类型。直至检测出病灶区域对应的准确病灶类型。

在一些实施例中，以病灶类型为钙化为例。利用核磁共振仪，对人体心脏冠脉位置进行扫描，得到多个包含心脏冠脉的医学图像序列。利用预先训练好的冠脉病灶识别模型，对每个医学图像进行病灶区域提取，提取出至少一个病灶区域。利用病灶的征象信息及其对应的征象信息识别模型构建征象信息列表。其中，征象信息识别模型是以不同真是病灶区域图像为输入，利用深度学习神经网络经过多次训练获得的病灶识别模型。

请参阅图5，图5为本申请实施例提供的一种图像处理方法的医学图像区域示意图。在图5中，利用征象列表识别出当前医学图像中的征象信息A、B、C作为初始征象信息。利用初始征象信息的数量，推测可能的病灶可能为斑块(斑块的征象信息数量n为：2＜n＜5，并且包括征象信息A、B、C、D)。此时，能够初步判断缺少的征象信息(征象信息D)；根据缺少的征象信息D对应的置信度值，调整征象列表中对应该缺少的征象信息D对应识别模型的置信度值，或者，利用缺少的征象信息D重新训练识别模型。

进一步的，利用新识别模型重新对图像序列病灶区域中的征象进行识别。若识别出新的征象信息D。则可以最终确认病灶类型。若未识别出新的征象信息D，则可能为其他病灶类型。例如，血管闭塞(包含的征象信息：A、B、C、D、E)。

本申请实施例公开了一种图像处理方法，该方法包括：获取目标生理组织的医学图像序列，基于目标生理组织的病灶识别模型对每一医学图像进行识别处理，确定每一医学图像中的病灶区域，基于征象信息识别模型对每一医学图像中的病灶区域进行识别，得到每一病灶区域的初始征象信息，根据病灶区域的初始征象信息确定病灶区域对应的初始病灶类型，获取初始病灶类型对应的完整征象信息，根据完整征象信息与初始征象信息确定病灶区域对应的目标病灶类型，得到目标生理组织的诊断结果。以此，可以提高图像处理结果的准确性。

下面将举例来进一步说明本申请的另一种图像处理方法。

在本实施例中，将以该图像处理方法应用于人体生理组织的病灶检测为例进行说明。请参考图6，图6为本申请实施例提供的另一种图像处理方法的流程示意图。具体流程可以如下：

301、获取目标生理组织的医学图像序列。

具体的，可以利用核磁共振仪，对人体的目标生理组织位置进行扫描，得到多个医学图像序列。

302、基于目标生理组织的病灶识别模型对每一医学图像进行识别处理，确定每一医学图像中的病灶区域。

其中，病灶识别模型可以用于识别目标生理组织中的病灶区域。将目标生理组织的每一医学图像输入病灶识别模型，通过病灶识别模型对每一医学图像进行识别处理，得到每一医学图像中的病灶区域。

303、基于征象信息识别模型对每一医学图像中的病灶区域进行识别，得到每一病灶区域的初始征象信息。

进一步的，在识别出医学图像中的病灶区域后，可以通过征象信息识别模型对医学图像中的病灶区域进行识别，得到每一病灶区域对应的初始征象信息。

具体的，在至少一个病灶区域内，利用征象列表(征象列表包括：用于识别征象信息的模型，经典算法、神经网络模型来构建模型)，来识别征象信息。

其中，不同图像序列类型(T1信号、T2信号图，其中，T1加权成像(T1WI)表示突出组织T1弛豫(纵向弛豫)，T2加权成像(T2WI)表示突出组织T2弛豫(横向弛豫))，能展现病灶类型的图像序列是不同的。因此，可以根据图像序列类型的不同，对应选择不同的图像序列中的病灶区域，利用征象列表来识别征象信息，作为初始征象信息。

例如，请参阅图7，图7为本申请实施例提供的另一种图像处理方法的医学图像区域示意图，在图7中，首先采集到包括有目标生理组织的医学图像，通过病灶区域识别模型对医学图像进行识别处理，识别出病灶区域，然后通过征象信息识别模型对病灶区域进行识别处理，识别出初始征象信息，也即图7中黑色区域部分。

304、根据病灶区域的初始征象信息确定病灶区域对应的初始病灶类型。

在确定病灶区域的初始征象信息之后，可以根据初始征象信息推断病灶区域对应的病灶类型，也即初始病灶类型。

例如，目标生理组织可以为肝脏组织，肝脏组织的病灶类型可以包括肝癌，肝癌的征象信息为：征象信息A、征象信息B、征象信息C、征象信息D、征象信息E，由于肝癌的征象信息包括识别出的初始征象信息，可以推断出肝癌可以为病灶区域的初始病灶类型。

305、获取初始病灶类型对应的完整征象信息。

例如，参见图3中，完整征象信息包括初始征象信息以及缺失征象信息区域。

306、基于完整征象信息对病灶区域的征象信息进行补全处理，得到病灶区域的目标征象信息。

具体的，根据初始征象信息的相似度，来判断初始征象信息的完整度；若相似度在85％～95％范围内，则对该征象信息进行补全。其中，相似度在85％以上即认为是有效的初始征象信息。

进一步的，利用征象信息的掩膜，与待补全的征象信息的边界进行匹配，边界匹配度达到95％，则认为匹配完成，将掩膜区域的待补全的征象信息中空缺的像素点补全，形成完整的征象信息也即病灶区域的目标征象信息。

307、根据目标征象信息确定病灶区域对应的目标病灶类型，得到目标生理组织的诊断结果。

获取目标征象信息对应的病灶类型，将目标征象信息对应的病灶类型作为病灶区域的目标病灶类型，从而可以得到目标生理组织的诊断结果为目标病灶类型。

本申请实施例公开了一种图像处理方法，该方法包括：获取目标生理组织的医学图像序列，基于目标生理组织的病灶识别模型对每一医学图像进行识别处理，确定每一医学图像中的病灶区域，基于征象信息识别模型对每一医学图像中的病灶区域进行识别，得到每一病灶区域的初始征象信息，根据病灶区域的初始征象信息确定病灶区域对应的初始病灶类型，获取初始病灶类型对应的完整征象信息，基于完整征象信息对病灶区域的征象信息进行补全处理，得到病灶区域的目标征象信息，根据目标征象信息确定病灶区域对应的目标病灶类型，得到目标生理组织的诊断结果，以此，可以提高图像处理结果的准确性。

为便于更好的实施本申请实施例提供的图像处理方法，本申请实施例还提供一种基于上述图像处理方法的图像处理装置。其中名词的含义与上述图像处理方法中相同，具体实现细节可以参考方法实施例中的说明。

请参阅图8，图8为本申请实施例提供的一种图像处理装置的结构框图，该装置包括：

第一获取单元401，用于获取目标对象的医学图像；

第一确定单元402，用于确定所述医学图像中的病灶区域，并获取所述病灶区域的初始征象信息；

第二确定单元403，用于根据所述初始征象信息确定所述病灶区域在至少一种病灶类型下的缺失征象信息；

第三确定单元404，用于基于所述缺失征象信息与所述初始征象信息确定所述病灶区域对应的目标病灶类型，得到所述目标对象的检测结果。

在一些实施例中，第三确定单元404可以包括：

调整子单元，用于根据所述缺失征象信息对征象信息识别模型的参数进行调整，其中，所述征象信息识别模型用于识别所述病灶区域的征象信息；

第一识别子单元，用于通过调整参数后的征象信息识别模型对所述病灶区域进行识别处理，得到所述病灶区域的目标征象信息；

第一获取子单元，用于获取所述目标征象信息对应的病灶类型，得到所述目标病灶类型。

在一些实施例中，第一获取子单元具体可以用于：

将所述待处理图像中的所述病灶区域输入所述征象信息识别模型；

通过所述征象识别模型识别所述病灶区域的征象信息，得到所述初始征象信息。

在一些实施例中，第二确定单元403可以包括：

处理子单元，用于对所述初始征象信息进行识别处理，得到所述病灶区域对应的初始病灶类型；

第二获取子单元，用于获取所述初始病灶类型的全部征象信息；

第一确定子单元，用于从所述全部征象信息中确定除所述初始征象信息以外的征象信息，得到所述病灶区域在所述初始病灶类型下的所述缺失征象信息。

在一些实施例中，该装置还可以包括：

第二获取单元，用于获取所述病灶区域的数量；

第四确定单元，用于基于所述病灶区域的数量确定所述病灶区域对应的初始病灶类型；

第三获取单元，用于获取所述初始病灶类型的全部征象信息；

第五确定单元，用于从所述全部征象信息中确定除所述初始征象信息以外的征象信息，得到所述缺失征象信息。

在一些实施例中，该装置还可以包括：

计算单元，包括计算所述初始征象信息与所述全部征象信息的相似度；

第六确定单元，用于基于所述相似度确定所述病灶区域中的缺失征象信息；

处理单元，用于对所述缺失征象信息进行补全处理，得到所述病灶区域的完整征象信息。

在一些实施例中，处理单元可以包括：

第四获取子单元，用于获取所述初始征象信息的征象信息类型；

第二确定子单元，用于从征象信息库中确定与所述征象信息类型对应的征象信息；

替换子单元，用于基于所述征象信息类型对应的征象信息替换所述初始征象信息，得到所述病灶区域的完整征象信息。

在一些实施例中，处理单元可以包括：

第五获取子单元，用于获取所述初始征象信息的征象信息类型；

第三确定子单元，用于确定与所述征象信息类型对应的征象信息补全模型，并基于所述征象信息补全模型对所述初始征象信息进行补全，得到所述病灶区域的完整征象信息。

在一些实施例中，第一确定单元402可以包括：

输入子单元，用于将所述医学图像输入用于检测所述目标对象的病灶识别模型；

第二识别子单元，用于通过所述病灶识别模型识别出所述医学图像中的所述病灶区域。

本申请实施例公开了一种图像处理装置，通过第一获取单元401获取目标对象的医学图像，第一确定单元402确定所述医学图像中的病灶区域，并获取所述病灶区域的初始征象信息；第二确定单元403根据所述初始征象信息确定所述病灶区域在至少一种病灶类型下的缺失征象信息，第三确定单元404基于所述缺失征象信息与所述初始征象信息确定所述病灶区域对应的目标病灶类型，得到所述目标对象的检测结果。以此，可以提高图像处理结果的准确性。

本申请实施例还提供一种计算机设备，该计算机设备可以服务器，请参阅图9所示，其示出了本申请实施例所涉及的服务器的结构示意图，具体来讲：

该服务器可以包括一个或者一个以上处理核心的处理器701、一个或一个以上计算机可读存储介质的存储器702、电源703和输入单元704等部件。本领域技术人员可以理解，图9中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器701是该服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器702内的软件程序和/或模块，以及调用存储在存储器702内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。可选的，处理器701可包括一个或多个处理核心；优选的，处理器701可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器701中。

存储器702可用于存储软件程序以及模块，处理器701通过运行存储在存储器702的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器702可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器702还可以包括存储器控制器，以提供处理器701对存储器702的访问。

服务器还包括给各个部件供电的电源703，优选的，电源703可以通过电源管理系统与处理器701逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源703还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该服务器还可包括输入单元704，该输入单元704可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

尽管未示出，服务器还可以包括显示单元等，在此不再赘述。具体在本实施例中，服务器中的处理器701会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器702中，并由处理器701来运行存储在存储器702中的应用程序，从而实现各种功能，如下：

获取目标对象的医学图像；

确定医学图像中的病灶区域，并获取病灶区域的初始征象信息；

根据初始征象信息确定病灶区域在至少一种病灶类型下的缺失征象信息；

基于缺失征象信息与初始征象信息确定病灶区域对应的目标病灶类型，得到目标对象的检测结果。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

由上可知，本实施例的服务器可以实现图像处理的步骤，提高对身份信息验证的安全性。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于存储介质中，并由处理器进行加载和执行。

为此，本申请实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种数据处理方法中的步骤。例如，该指令可以执行如下步骤：

获取目标对象的医学图像；确定医学图像中的病灶区域，并获取病灶区域的初始征象信息；根据初始征象信息确定病灶区域在至少一种病灶类型下的缺失征象信息；基于缺失征象信息与初始征象信息确定病灶区域对应的目标病灶类型，得到目标对象的检测结果。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

由于该存储介质中所存储的指令，可以执行本申请实施例所提供的任一种图像处理方法中的步骤，因此，可以实现本申请实施例所提供的任一种图像处理方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。终端的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该终端执行上述方面的各种可选实现方式中提供的图像处理方法。

以上对本申请实施例所提供的图像处理方法、装置、计算机设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限定。

Claims (10)

1.一种图像处理方法，其特征在于，所述方法包括：

获取目标对象的医学图像；

确定所述医学图像中的病灶区域，并获取所述病灶区域的初始征象信息；

根据所述初始征象信息确定所述病灶区域在至少一种病灶类型下的缺失征象信息，包括：对所述初始征象信息进行识别处理，得到所述病灶区域对应的初始病灶类型；获取所述初始病灶类型的全部征象信息；从所述全部征象信息中确定除所述初始征象信息以外的征象信息，得到所述病灶区域在所述初始病灶类型下的所述缺失征象信息；

基于所述缺失征象信息与所述初始征象信息确定所述病灶区域对应的目标病灶类型，包括：根据所述缺失征象信息对征象信息识别模型的参数进行调整，其中，所述征象信息识别模型用于识别所述病灶区域的征象信息；通过调整参数后的征象信息识别模型对所述病灶区域进行识别处理，得到所述病灶区域的目标征象信息；获取所述目标征象信息对应的病灶类型，得到所述目标病灶类型。

2.根据权利要求1所述的方法，其特征在于，所述获取所述病灶区域的初始征象信息，包括：

将待处理图像中的所述病灶区域输入所述征象信息识别模型；

通过所述征象信息识别模型识别所述病灶区域的征象信息，得到所述初始征象信息。

3.根据权利要求1所述的方法，其特征在于，在所述确定所述医学图像中的病灶区域之后，在所述基于所述缺失征象信息与所述初始征象信息确定所述病灶区域对应的目标病灶类型之前，还包括：

获取所述病灶区域的数量；

基于所述病灶区域的数量确定所述病灶区域对应的初始病灶类型；

获取所述初始病灶类型的全部征象信息；

从所述全部征象信息中确定除所述初始征象信息以外的征象信息，得到所述缺失征象信息。

4.根据权利要求3所述的方法，其特征在于，在所述获取所述初始病灶类型的全部征象信息之后，还包括：

计算所述初始征象信息与所述全部征象信息的相似度；

基于所述相似度确定所述病灶区域中的缺失征象信息；

对所述缺失征象信息进行补全处理，得到所述病灶区域的完整征象信息。

5.根据权利要求4所述的方法，其特征在于，所述对所述缺失征象信息进行补全处理，得到所述病灶区域的完整征象信息，包括：

获取所述初始征象信息的征象信息类型；

从征象信息库中确定与所述征象信息类型对应的征象信息；

基于所述征象信息类型对应的征象信息替换所述初始征象信息，得到所述病灶区域的完整征象信息。

6.根据权利要求4所述的方法，其特征在于，所述对所述缺失征象信息进行补全处理，得到所述病灶区域的完整征象信息，包括：

获取所述初始征象信息的征象信息类型；

确定与所述征象信息类型对应的征象信息补全模型，并基于所述征象信息补全模型对所述初始征象信息进行补全，得到所述病灶区域的完整征象信息。

7.根据权利要求1所述的方法，其特征在于，所述确定所述医学图像中的病灶区域包括：

将所述医学图像输入用于检测所述目标对象的病灶识别模型；

通过所述病灶识别模型识别出所述医学图像中的所述病灶区域。

8.一种图像处理装置，其特征在于，所述装置包括：

第一获取单元，用于获取目标对象的医学图像；

第一确定单元，用于确定所述医学图像中的病灶区域，并获取所述病灶区域的初始征象信息；

第二确定单元，用于根据所述初始征象信息确定所述病灶区域在至少一种病灶类型下的缺失征象信息，包括：对所述初始征象信息进行识别处理，得到所述病灶区域对应的初始病灶类型；获取所述初始病灶类型的全部征象信息；从所述全部征象信息中确定除所述初始征象信息以外的征象信息，得到所述病灶区域在所述初始病灶类型下的所述缺失征象信息；

第三确定单元，用于基于所述缺失征象信息与所述初始征象信息确定所述病灶区域对应的目标病灶类型，包括：根据所述缺失征象信息对征象信息识别模型的参数进行调整，其中，所述征象信息识别模型用于识别所述病灶区域的征象信息；通过调整参数后的征象信息识别模型对所述病灶区域进行识别处理，得到所述病灶区域的目标征象信息；获取所述目标征象信息对应的病灶类型，得到所述目标病灶类型。

9.一种计算机设备，包括存储器，处理器及存储在存储器上并在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求1至7任一项所述的图像处理方法。

10.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至7任一项所述的图像处理方法。

Images