CN115393323B - 一种目标区域获得方法、装置、设备和存储介质 - Google Patents

一种目标区域获得方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN115393323B
CN115393323B CN202211034086.0A CN202211034086A CN115393323B CN 115393323 B CN115393323 B CN 115393323B CN 202211034086 A CN202211034086 A CN 202211034086A CN 115393323 B CN115393323 B CN 115393323B
Authority
CN
China
Prior art keywords
sub
region
importance
index
marked
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211034086.0A
Other languages
English (en)
Other versions
CN115393323A (zh
Inventor
廖方舟
郑超
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.)
Shukun Shanghai Medical Technology Co ltd
Original Assignee
Shukun Shanghai Medical 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 Shukun Shanghai Medical Technology Co ltd filed Critical Shukun Shanghai Medical Technology Co ltd
Priority to CN202211034086.0A priority Critical patent/CN115393323B/zh
Publication of CN115393323A publication Critical patent/CN115393323A/zh
Application granted granted Critical
Publication of CN115393323B publication Critical patent/CN115393323B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种目标区域获取方法、装置、设备和存储介质，该方法包括：获取初始图像；将初始图像输入至区域识别模型，得到第一区域集；根据第一区域集，确定第一子区域的重要度指标，重要度指标用于表征每个第一子区域相对于其他第一子区域的重要程度；根据第一区域集和重要度指标，对第一子区域进行标记，获得标记后的第一子区域；从标记后的第一子区域中筛选出目标区域，目标区域用于表征在所述人体待检测部位的全部病灶中，相对严重的真阳病灶所对应的区域。本申请实施例能够以人体待检测部位的全部病灶为样本集，从该样本集中快速、准确地找出相对于其他样本较为严重的真阳病灶。

Description

一种目标区域获得方法、装置、设备和存储介质
技术领域
本发明涉及计算机领域，具体涉及一种目标区域获得方法、装置、设备和存储介质。
背景技术
目前随着AI医疗的飞速发展，通过医学图像对患者的病情进行观察，已经成为医学领域的重要手段。通常，患者扫描后的医学图像中往往会存在较为严重的真阳病灶、假阳病灶和非重要的真阳病灶。相较于较为严重的真阳病灶，非重要的真阳病灶和假阳病灶在病情观察中并不那么重要，甚至有时候会影响医生对患者病情的判断。
然而，在AI医疗技术中，由于医生不介入对医学图像的识别，使得所用到的AI模型或AI设备对于非重要的真阳病灶和假阳病灶识别不准确、不敏感，从而会延误患者的病情。
发明内容
本发明实施例提供一种目标区域获得方法、装置、设备和存储介质，能够以人体待检测部位的全部病灶区域为样本集，从该样本集中快速、准确地找出相对于其他样本较为严重的真阳病灶。
一方面，本发明实施例提供一种目标区域获得方法，所述方法包括：
获取初始图像，所述初始图像用于显示人体待检测部位；
将所述初始图像输入至区域识别模型，得到第一区域集第一区域集，所述第一区域集包括若干第一子区域，所述第一子区域用于表征所述人体待检测部位存在病灶区域；
根据所述第一区域集，确定所述第一子区域的重要度指标，所述重要度指标用于表征每个所述第一子区域相对于其他第一子区域的重要程度；
根据所述第一区域集和重要度指标，对所述第一子区域进行标记，获得标记后的第一子区域；
从所述标记后的第一子区域中筛选出目标区域，所述目标区域用于表征在所述人体待检测部位的全部病灶中，相对严重的真阳病灶所对应的区域。
可选地，所述重要度指标包括至少两个各自独立的子指标，所述根据所述第一区域集和重要度指标，对所述第一子区域进行标记，获得标记后的第一子区域，包括：
获取所述第一子区域的子指标值，所述子指标值为所述子指标的取值；
获取所述子指标值各自对应的权重；
根据所述权重对所述子指标值进行加权处理，得到加权后的子指标值；
计算所述加权后的子指标值的加和，得到重要度值，所述重要度值与所述第一子区域一一对应；
根据所述重要度值以及对应的所述第一子区域，对所述第一子区域进行标记，获得所述标记后的第一子区域。
可选地，所述重要度指标包括至少两个各自独立的子指标，所述根据所述第一区域集和重要度指标，对所述第一子区域进行标记，获得标记后的第一子区域，包括：
获取所述第一子区域的各个所述子指标对应的子指标值；
根据所述子指标值进行排序，获得子指标值排序表，所述子指标值排序表用于表征在各个所述子指标中对应的所述子指标值的排序；
若所述第一子区域的至少两个子指标值在其对应的子指标中位居前n％，则对该第一子区域进行标记，获得所述标记后的第一子区域，其中n大于零。
可选地，所述根据所述第一区域集和重要度指标，对所述第一子区域进行标记，获得标记后的第一子区域，包括：
基于先验知识库和所述重要度指标对第二训练图像进行标记，获得标记后的第二训练图像；
将所述标记后的第二训练图像输入至初始标记模型，获得训练标记图像；
根据所述训练标记图像和所述标记后的第二训练图像计算第二损失；
反复循环上述步骤，直到所述第二损失达到第二预设条件，获得标记模型；
将所述第一区域集输入至所述标记模型，得到标记图像，所述标记图像用于表征所述标记后的第一子区域。
可选地，所述从所述标记后的第一子区域中筛选出目标区域，包括：
根据所述标记后的第一子区域对应的所述重要度值，对所述标记后的第一子区域进行排序；
根据筛选要素，将所述重要度值居于前m％的第一子区域确定为所述目标区域，其中m大于零。
可选地，所述筛选要素包括所述标记后的第一子区域对应的病灶类型、数量和尺寸中的至少一者，所述根据筛选要素，将所述重要度值居于前m％的第一子区域确定为所述目标区域，包括：
根据所述筛选要素，确定所述m值的大小和数量；
根据确定后的所述m值，筛选出所述重要度值居于前m％的第一子区域确定为所述目标区域。
可选地，在将所述初始图像输入至区域识别模型，得到第一区域集之前，所述方法还包括：
获取第一训练图像；
将所述第一训练图像输入至初始区域识别模型，获得训练识别图像；
根据所述训练识别图像和所述训练图像计算第一损失；
反复循环上述步骤，直到所述第一损失达到第一预设条件。
另一方面，本发明实施例提供一种目标区域获得装置，所述装置包括：
初始图像获取模块，用于获取初始图像，所述初始图像用于显示人体待检测部位；
图像识别模块，用于将所述初始图像输入至区域识别模型，得到第一区域集第一区域集，所述第一区域集包括若干第一子区域，所述第一子区域用于表征所述人体待检测部位存在病灶区域；
重要度指标获取模块，根据所述第一区域集，确定所述第一子区域的重要度指标，所述重要度指标用于表征每个所述第一子区域相对于其他第一子区域的重要程度；
标记模块，用于根据所述第一区域集和重要度指标，对所述第一子区域进行标记，获得标记后的第一子区域；
筛选模块，用于从所述标记后的第一子区域中筛选出目标区域，所述目标区域用于表征在所述人体待检测部位的全部病灶中，相对严重的真阳病灶所对应的区域。
另一方面，本发明实施例提供一种道路信息采集的处理设备，包括存储器和处理器；所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序，以执行所述的目标区域获得方法中的操作。
另一方面，本发明实施例提供一种存储介质，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，以执行所述的目标区域获得方法中的步骤。
由上可知，本申请实施例的方法能够以人体待检测部位的全部病灶区域为样本集，以病灶区域的重要度值为筛选目标区域的相对值，再结合筛选要素进一步准确地筛选出表征患者存在严重真阳病灶的目标区域，从而能够根据患者的自身情况和一套逻辑完整的筛选标准，剔除假阳病灶和非严重真阳病灶对患者病情诊断的干扰。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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是本发明实施例提供的目标区域获得方法的一个实施例流程示意图；
图2是本发明实施例提供的目标区域获得方法中的所述预设路线的一个实施例示意图；
图3是本发明实施例提供的目标区域获得装置的一个实施例结构示意图；
图4是本申请实施例提供的服务器的结构示意图；
图5是本申请实施例提供的终端的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明中的术语“第一”、“第二”以及“第三”等是用于区分不同对象，而非用于描述特定顺序。同时，术语“包括”及其任何形式的变形，意图在于覆盖不排他的包含。
本发明实施例提供一种目标区域获得方法、装置、设备和存储介质。根据本发明实施例提供的目标区域获得方法的实施例，需要说明的是，附图的流程示意图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且虽然在示出的流程示意图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的执行顺序执行所描述或所示出的步骤。
在本发明一些实施例中，目标区域获得方法可以应用于计算机设备和终端设备中的至少一种，其中计算机设备可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。其中，终端设备包括但不限于智能手机、平板电脑和PC端。在本发明一些实施例中，道路检测数据的处理方法可以应用于计算机设备和终端设备时，终端设备和计算机设备之间可以通过任何通信方法实现通信，其中通信方式包括但不限于基于第三代合作伙伴计划(3rd Generation Partnership Project，3GPP)、长期演进(Long Term Evolution，LTE)、全球互通微波访问(Worldwide Interoperability for Microwave Access，WiMAX)的移动通信，或基于TCP/IP协议族(TCP/IP Protocol Suite，TCP/IP)、用户数据报协议(UserDatagram Protocol，UDP)的计算机网络通信等。
请参阅图1，以该目标区域获得装置集成在电子设备中为例，该电子设备可以获取初始图像，初始图像用于显示人体待检测部位；然后将初始图像输入至区域识别模型，得到第一区域集，第一区域集包括若干第一子区域，第一子区域用于表征人体待检测部位存在病灶区域；然后根据第一区域集，确定第一子区域的重要度指标，重要度指标用于表征每个第一子区域相对于其他第一子区域的重要程度；然后根据第一区域集和重要度指标，对第一子区域进行标记，获得标记后的第一子区域；最后从标记后的第一子区域中筛选出目标区域，目标区域用于表征在人体待检测部位的全部病灶中，相对严重的真阳病灶所对应的区域。
在本发明一些实施例中，目标区域获得方法可以应用于对医学图像进行病灶识别和确定等。本发明实施例以目标区域获得方法应用于道路路况信息采集设备为例进行说明，如图2所示，图2是本发明实施例提供的目标区域获得方法的一个实施例流程示意图，所示的目标区域获得方法包括步骤201～205：
步骤201、获取初始图像。
其中，初始图像可以用于显示人体待检测部位。可以理解，人体待检测部位是指的是患者待检测的任一身体部位，例如心脏、肝脏、肺部、血管、骨骼等。
在本申请实施例中，初始图像可以为医学扫描图像，医学扫描图像可以是由各医学影像采集设备来对生物组织，如头部或者颈部等进行影像采集后，提供给该图像处理装置。其中，该医学影像采集设备可以包括电子计算机断层扫描(Computed Tomography，CT)图像、磁共振检查(Magnetic Resonance,MR)图像、4D超声超声波图像等。
步骤202、将所述初始图像输入至区域识别模型，得到第一区域集。
其中，第一区域集可以包括若干第一子区域，第一子区域可以用于表征人体待检测部位存在病灶区域。例如，第一子区域可以是病灶区域在初始图像中的位置坐标，以用于表示出病灶区域在人体待检测部位中的位置。在本申请实施例的场景中，初始图像输入至区域识别模型后，可以输出第一子区域集中各第一子区域的信息，例如第一子区域集的信息可以通过表格、表单、文档的形式体现。
其中，真阳病灶是指真实的阳性病灶，假阳病灶是指假性的阳性病灶。可以理解，第一区域集相当于带有病灶区域标记的医学图像，由于第一子区域为人体待检测部位同时存在病灶区域，使得第一子区域并不能直接体现出患者的真阳病灶，因此第一子区域相当于一个疑似病灶区域、潜在病灶区域或模糊病灶区域。
其中，真阳病灶还可以包括严重的真阳病灶和非严重的真阳病灶，也可以称之为重要的真阳病灶和非重要的真阳病灶。例如，在医学领域中，可以将直径大于3mm的病灶定义为严重病灶，相应地可以将直径小于等于3mm的病灶定义为非严重病灶。又例如，可以将晚期病灶定义为严重病灶，相应地可以将早期病灶定义为非严重病灶。
可选地，在步骤202之前，本申请实施例的方法还包括：
获取第一训练图像；
将所述第一训练图像输入至初始区域识别模型，获得训练识别图像；
根据所述训练识别图像和所述训练图像计算第一损失；
反复循环上述步骤，直到所述第一损失达到第一预设条件。
可以理解，由于第一区域集中携带第一区域集，通常第一区域集中的第一子区域均是由医生标注的，因此为了更高效地获取第一区域集，可以训练用于获取第一区域集中第一子区域的专用模型，例如训练一个专用的区域识别模型。
在一些实施例中，该模型可以为采用深度学习方法搭建的分类模型，例如Alex-net、VGG-NET、Res-Net等模型，还可以为采用机器学习方法搭建的分类模型，例如GNN、CNN、贝叶斯、K-Means、最大似然等模型。
在搭建好初始区域识别模型后，可以通过携带有标签的训练样来训练初始模型。其中，训练样本的标签可以为预先标记好的人体待检测部位中不存在病灶的正常区域，或存在病灶的病灶区域。初始区域识别模型通过多轮迭代训练，直至第一损失达到收敛的第一预设条件为止，得到训练好的用于识别第一子区域的区域识别模型。
步骤203、根据所述第一区域集，确定所述第一子区域的重要度指标。
其中，重要度指标可以用于表征每个第一子区域相对于其他第一子区域的重要程度。
在一些实施例中，重要度指标可以包括置信度、病灶尺寸和病灶严重程度。其中，重要度指标可以包括至少两个各自独立的子指标。其中，子指标即为上述置信度、病灶尺寸和病灶严重程度。可以理解，每个第一子区域对应至少两个各自独立的子指标，可以提升对第一子区域重要程度评价的综合性和全面性。
其中，以上重要度指标均与第一子区域的相对重要程度成正比，例如置信度越高，则对应第一子区域的重要程度越高。
其中，置信度是指病灶区域确定的可信程度。可以理解，在确定第一子区域的过程中，可能会出现第一子区域的在位置、数量、尺寸等方面的误差，使得第一子区域确定的准确性可以通过置信度来衡量，例如第一子区域A的置信度为100％，则表示该第一子区域A的准确性完全可信；相应地，第一子区域A的置信度为0％，则表示该第一子区域A的准确性完全不可信。
其中，病灶尺寸和病灶严重程度在步骤202中的描述提及，例如直径大于3mm的病灶的重要程度要高于直径小于等于3mm的病灶，晚期病灶的重要程度要高于早期病灶。
需要说明的是，重要度指标的类型和数量可以根据需求设置，并不仅局限于以上三种，例如还可以根据需求将第一子区域的敏感度归为新的重要度指标，以上本申请实施例不做限制。
步骤204、根据所述第一区域集和重要度指标，对所述第一子区域进行标记，获得标记后的第一子区域。
可选地，步骤204还可以包括以下步骤：
获取所述第一子区域的子指标值，所述子指标值为所述子指标的取值；
获取所述子指标值各自对应的权重；
根据所述权重对所述子指标值进行加权处理，得到加权后的子指标值；
计算所述加权后的子指标值的加和，得到重要度值，所述重要度值与所述第一子区域一一对应；
根据所述重要度值以及对应的所述第一子区域，对所述第一子区域进行标记，获得所述标记后的第一子区域。
具体地，对于任一个第一子区域的重要度值y可以表示为：
y＝k1x1+k2x2+k3x3+…+kixi
其中，x为重要度指标，k为重要度指标所对应的权重，i为重要度指标的总数。其中，权重k的大小可以根据重要度指标的重要程度而灵活设置。例如若重要程度值y更大程度地取决于置信度x1，则可以将k1的值相较于k2、k3、…、ki等设置较大，同理，若置信度x1对重要度值y的影响程度较小，则可以将k1的值相较于k2、k3、…、ki等设置较小。可以理解，在计算出重要度值y后，带有重要度值y的第一子区域即为标记后的第一子区域。
可选地，步骤204还可以包括以下步骤：
获取所述第一子区域的各个所述子指标对应的子指标值；
根据所述子指标值进行排序，获得子指标值排序表，所述子指标值排序表用于表征在各个所述子指标中对应的所述子指标值的排序；
若所述第一子区域的至少两个子指标值在其对应的子指标中位居前n％，则对该第一子区域进行标记，获得所述标记后的第一子区域，其中n大于零。
具体地，假设n为10，第一子区域A的子指标包括置信度、病灶大小和病灶严重程度。以置信度指标为参考，假设第一区域集中包括100个第一子区域，而第一子区域A在第一区域集的子指标值排序表的排名为第8，也即第一子区域A的置信度在第一区域集中以置信度从大到小的顺序排名第8，符合前10％的标准。
相应地，若第一子区域的至少两个子指标值在其对应的子指标中位居前n％，则对该第一子区域进行标记，获得标记后的第一子区域，否则忽略该第一子区域，不做任何标记。其中，标记的内容可以根据后续筛选目标区域的需求来确定，例如标记出第一子区域对应的人体待检测部位、子指标、子指标值、子指标排名和重要程度等，对于第一子区域的标记内容和形式，本实施例不做限制。
可选地，步骤204还可以包括以下步骤：
基于先验知识库和所述重要度指标对第二训练图像进行标记，获得标记后的第二训练图像；
将所述标记后的第二训练图像输入至初始标记模型，获得训练标记图像；
根据所述训练标记图像和所述标记后的第二训练图像计算第二损失；
反复循环上述步骤，直到所述第二损失达到第二预设条件，获得标记模型；
将所述第一区域集输入至所述标记模型，得到标记图像，所述标记图像用于表征所述标记后的第一子区域。
具体地，如上文提到，对第二训练图像进行标记的标记内容也可以根据需求设置，标记后生成对应的重要度标记。例如，标记出第二训练图像中每个第一子区域对应的人体待检测部位、子指标、子指标值、子指标排名和重要程度等。然后，可以将标记好的第二训练图像作为带有标签的训练样本，来训练初始标记模型，直至第二损失达到收敛的第二预设条件，得到训练好的标记模型，以使后续能够通过标记模型对第一区域集进行标记，得到标记图像。
步骤205、从所述标记后的第一子区域中筛选出目标区域。
其中，目标区域用于表征在人体待检测部位的全部病灶中，相对严重的真阳病灶所对应的区域。可以理解，在本申请实施例中，重要度指标是作为筛选目标区域的一个参考指标，是筛选出目标区域所用到的一个相对值，而非绝对值。因此，在根据重要度指标的值得到标记后的第一子区域后，还需要进一步地对标记后的第一子区域进行筛选得到目标区域，以提升目标区域筛选的全面性和准确性。
可选地，步骤205还可以包括以下步骤：
根据所述标记后的第一子区域对应的所述重要度值，对所述标记后的第一子区域进行排序；
根据筛选要素，将所述重要度值居于前m％的第一子区域确定为所述目标区域，其中m大于零。
可以理解，从多个第一子区域中进一步地筛选出符合要求的目标区域，其目的是为了找出相较于其他病灶更严重的真阳病灶，从而去除假阳病灶和非严重的真阳病灶对医学诊断上的影响。
可选地，筛选要素可以包括标记后的第一子区域对应的病灶类型、数量和尺寸中的至少一者。
可选地，步骤“根据筛选要素，将所述重要度值居于前m％的第一子区域确定为所述目标区域”，可以包括：
根据所述筛选要素，确定所述m值的大小和数量；
根据确定后的所述m值，筛选出所述重要度值居于前m％的第一子区域确定为所述目标区域。
以筛选要素是病灶类型为例，为保证筛选目标区域的灵活性和准确性，不同病灶类型对应的m值可以不同。在一些实施例中，第一子区域的病灶类型包括肿瘤和结节，由于在医学领域中，肿瘤比结节的病灶严重程度更高，应获取更多关注，因此，肿瘤和结节各自对应不同的m值，且第一子区域中的肿瘤区域的m值要大于结节区域的m值。例如，肿瘤区域可以筛选出重要度值前50％的第一子区域确定为目标区域，而结节区域可以筛选出重要度值前10％的第一子区域确定为目标区域。又例如，第一子区域的病灶类型从严重程度的角度还可以包括良性病灶和恶性病灶，恶性病灶区域可以筛选出重要度值前10％的第一子区域确定为目标区域，而良性病灶区域可以筛选出重要度值前5％的第一子区域确定为目标区域。
以筛选要素是病灶数量为例，即标记后第一子区域的总数量。具体地，可以直接从标记后第一子区域的总数量中，筛选出重要度值居于前m％的第一子区域确定为目标区域。例如，从100个标记后第一子区域中选出前50％，即50个第一子区域作为目标区域。可以理解，当筛选要素为病灶数量时，可以通过直接从第一子区域总数中选取预定比例或预定数量的目标区域，从而能够高效、快捷地确定出目标区域。
以筛选要素是病灶尺寸为例，即标记后第一子区域的尺寸。具体地，可以根据各标记后第一子区域的尺寸，筛选出重要度值居于前m％的第一子区域确定为目标区域。与筛选要素为病灶类型类似，在筛选目标区域时要充分考虑到第一子区域对应的病灶尺寸。
在一些实施例中，可以以病灶尺寸的范围为具体筛选要素，例如在病灶尺寸为4～5mm的第一子区域中选取重要度值居于前10％的第一子区域确定为目标区域，在病灶尺寸为3～4mm的第一子区域中选取重要度值居于前5％的第一子区域确定为目标区域。
在另一些实施例中，当第一子区域对应的大多病灶尺寸均较大或较小时，例如大多病灶尺寸均在3mm以上或以下，则可以直接筛选出重要度值居于前m％的第一子区域确定为目标区域。
然而，当第一子区域对应的病灶尺寸大小不一时，重要度值不仅仅取决于病灶尺寸，还取决于置信度和/或病灶严重程度，例如第一子区域A的病灶尺寸大于第一子区域B的病灶尺寸，但第一子区域B的置信度和病灶严重程度大于第一子区域A，且第一子区域B的重要度值大于第一子区域A的重要度值，使得可能会出现筛选病灶尺寸较小的第一子区域B为目标区域。因此，以该方法筛选出重要度值居于前m％的第一子区域确定为目标区域，可以不忽略病灶尺寸较小的第一子区域，而遗漏掉较为严重的真阳病灶。例如，在医学领域中病灶尺寸为3mm以下的病灶通常会被直接定义为非严重病灶，但结合患者的自身情况，以及置信度和病灶严重程度等方面考虑，若患者自身病灶区域的尺寸均在3mm以下，或较小尺寸病灶的病灶严重程度均较为严重，则表示该较小尺寸病灶对于该患者的病情影响也是至关重要的，则可以通过本申请的方法准确地筛选出严重真阳病灶对应的目标区域。
由上可知，本申请实施例的方法能够以人体待检测部位的全部病灶区域为样本集，以病灶区域的重要度值为筛选目标区域的相对值，再结合筛选要素进一步准确地筛选出表征患者存在严重真阳病灶的目标区域，从而能够根据患者的自身情况和一套逻辑完整的筛选标准，剔除假阳病灶和非严重真阳病灶对患者病情诊断的干扰。
为了更好实施本发明实施例提供的目标区域获得方法，在道路目标区域获得方法基础上，提供一种目标区域获得装置，如图3所示，图3是本发明实施例提供的目标区域获得装置的一个实施例结构示意图，所示的目标区域获得装置包括：
初始图像获取模块301，用于获取初始图像，所述初始图像用于显示人体待检测部位；
图像识别模块302，用于将所述初始图像输入至区域识别模型，得到第一区域集，所述第一区域集包括若干第一子区域，所述第一子区域用于表征所述人体待检测部位存在病灶区域；
重要度指标获取模块303，根据所述第一区域集，确定所述第一子区域的重要度指标，所述重要度指标用于表征每个所述第一子区域相对于其他第一子区域的重要程度；
标记模块304，用于根据所述第一区域集和重要度指标，对所述第一子区域进行标记，获得标记后的第一子区域；
筛选模块305，用于从所述标记后的第一子区域中筛选出目标区域，所述目标区域用于表征在所述人体待检测部位的全部病灶中，相对严重的真阳病灶所对应的区域。
由上可知，本申请实施例的方法能够以人体待检测部位的全部病灶区域为样本集，以病灶区域的重要度值为筛选目标区域的相对值，再结合筛选要素进一步准确地筛选出表征患者存在严重真阳病灶的目标区域，从而能够根据患者的自身情况和一套逻辑完整的筛选标准，剔除假阳病灶和非严重真阳病灶对患者病情诊断的干扰。
本发明实施例还提供一种道路信息采集的处理设备，如图4所示，其示出了本发明实施例所涉及的道路信息采集的处理设备的结构示意图，具体来讲：
该道路信息采集的处理设备可以包括一个或者一个以上处理核心的处理单元401、一个或一个以上计算机可读存储介质的存储单元402、电源单元403和输入模块404等部件。本领域技术人员可以理解，图4中示出的道路信息采集的处理设备结构并不构成对道路信息采集的处理设备的限定，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：
处理单元401是该道路信息采集的处理设备的控制中心，利用各种接口和线路连接整个道路信息采集的处理设备的各个部分，通过运行或执行存储在存储单元402内的软件程序和/或模块，以及调用存储在存储单元402内的数据，执行道路信息采集的处理设备的各种功能和处理数据。可选的，处理单元401可包括一个或多个处理核心；优选的，处理单元401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单元401中。
存储单元402可用于存储软件程序以及模块，处理单元401通过运行存储在存储单元402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。存储单元402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道路信息采集的处理设备的使用所创建的数据等。此外，存储单元402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，存储单元402还可以包括存储器控制器，以提供处理单元401对存储单元402的访问。
道路信息采集的处理设备还包括给各个部件供电的电源单元403，优选的，电源单元403可以通过电源管理系统与处理单元401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。电源单元403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。
该道路信息采集的处理设备还可包括输入模块404，该输入模块404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，道路信息采集的处理设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，道路信息采集的处理设备中的处理单元401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单元402中，并由处理单元401来运行存储在存储单元402中的应用程序，从而实现各种功能，如下：
获取初始图像，所述初始图像用于显示人体待检测部位；
将所述初始图像输入至区域识别模型，得到第一区域集，所述第一区域集包括若干第一子区域，所述第一子区域用于表征所述人体待检测部位存在病灶区域；
根据所述第一区域集，确定所述第一子区域的重要度指标，所述重要度指标用于表征每个所述第一子区域相对于其他第一子区域的重要程度；
根据所述第一区域集和重要度指标，对所述第一子区域进行标记，获得标记后的第一子区域；
从所述标记后的第一子区域中筛选出目标区域，所述目标区域用于表征在所述人体待检测部位的全部病灶中，相对严重的真阳病灶所对应的区域。
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，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本发明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，以执行本发明实施例所提供的任一种目标区域获得方法中的步骤。例如，该指令可以执行如下步骤：
获取初始图像，所述初始图像用于显示人体待检测部位；
将所述初始图像输入至区域识别模型，得到第一区域集，所述第一区域集包括若干第一子区域，所述第一子区域用于表征所述人体待检测部位存在病灶区域；
根据所述第一区域集，确定所述第一子区域的重要度指标，所述重要度指标用于表征每个所述第一子区域相对于其他第一子区域的重要程度；
根据所述第一区域集和重要度指标，对所述第一子区域进行标记，获得标记后的第一子区域；
从所述标记后的第一子区域中筛选出目标区域，所述目标区域用于表征在所述人体待检测部位的全部病灶中，相对严重的真阳病灶所对应的区域。
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，可以执行本发明实施例所提供的任一种目标区域获得方法中的步骤，因此，可以实现本发明实施例所提供的任一种目标区域获得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。
在一种实施例中，本申请实施例提供的电子设备包括终端和服务器等，现分别进行说明。
本申请实施例还提供一种终端，如图5所示，该终端可以包括有射频(RF，RadioFrequency)电路501、有一个或一个以上计算机可读存储介质的存储器502、输入单元503、显示单元504、传感器505、音频电路506、无线(WiFi，Wireless Fidelity)模块507、一个或者一个以上处理核心的处理器508、以及电源509等部件。本领域技术人员可以理解，图5中示出的终端结构并不构成对终端的限定，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508是终端的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器502内的软件程序和/或模块，以及调用存储在存储器502内的数据，执行终端的各种功能和处理数据，从而对手机进行整体监控。在一种实施例中，处理器508可包括一个或多个处理核心；优选的，处理器508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508中。
WiFi属于短距离无线传输技术，终端通过WiFi模块507可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图5示出了WiFi模块507，但是可以理解的是，其并不属于终端的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
存储器502可用于存储软件程序以及模块，处理器508通过运行存储在存储器502的计算机程序以及模块，从而执行各种功能应用以及数据处理。存储器502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终端的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器502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502还可以包括存储器控制器，以提供处理器508和输入单元503对存储器502的访问。
音频电路506包括扬声器，传声器可提供用户与终端之间的音频接口。音频电路506可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路506接收后转换为音频数据，再将音频数据输出处理器508处理后，经RF电路501以发送给比如另一终端，或者将音频数据输出至存储器502以便进一步处理。音频电路506还可能包括耳塞插孔，以提供外设耳机与终端的通信。
显示单元504可用于显示由用户输入的信息或提供给用户的信息以及终端的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元504可包括显示面板，在一种实施例中，可以采用液晶显示器(LCD，LiquidCrystalDisplay)、有机发光二极管(OLED，Organic Light-Emitting Diode)等形式来配置显示面板。进一步的，触敏表面可覆盖显示面板，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器508以确定触摸事件的类型，随后处理器508根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图5中，触敏表面与显示面板是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面与显示面板集成而实现输入和输出功能。
输入单元503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。具体地，在一个具体的实施例中，输入单元503可包括触敏表面以及其他输入设备。触敏表面，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作)，并根据预先设定的程式驱动相应的连接装置。在一种实施例中，触敏表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器508，并能接收处理器508发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面，输入单元503还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
终端还可包括至少一种传感器505，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板的亮度，接近传感器可在终端移动到耳边时，关闭显示面板和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于终端还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
终端还包括给各个部件供电的电源509(比如电池)，优选的，电源可以通过电源管理系统与处理器508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509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。
RF电路501可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器508处理；另外，将涉及上行的数据发送给基站。通常，RF电路501包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM，Subscriber Identity Module)卡、收发信机、耦合器、低噪声放大器(LNA，Low Noise Amplifier)、双工器等。此外，RF电路501还可以通过无线通信与网络和其他设备通信。无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GSM，Global System of Mobile communication)、通用分组无线服务(GPRS，GeneralPacket Radio Service)、码分多址(CDMA，Code Division Multiple Access)、宽带码分多址(WCDMA，Wideband Code Division Multiple Access)、长期演进(LTE，LongTermEvolution)、电子邮件、短消息服务(SMS，Short Messaging Service)等。
尽管未示出，终端还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，终端中的处理器508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502中，并由处理器508来运行存储在存储器502中的应用程序，从而实现以下功能：
获取初始图像，所述初始图像用于显示人体待检测部位；
将所述初始图像输入至区域识别模型，得到第一区域集，所述第一区域集包括若干第一子区域，所述第一子区域用于表征所述人体待检测部位存在病灶区域；
根据所述第一区域集，确定所述第一子区域的重要度指标，所述重要度指标用于表征每个所述第一子区域相对于其他第一子区域的重要程度；
根据所述第一区域集和重要度指标，对所述第一子区域进行标记，获得标记后的第一子区域；
从所述标记后的第一子区域中筛选出目标区域，所述目标区域用于表征在所述人体待检测部位的全部病灶中，相对严重的真阳病灶所对应的区域。
以上对本发明实施例所提供的一种目标区域获得方法、装置、设备和存储介质进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，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发明的限制。

Claims (9)

1.一种目标区域获取方法，其特征在于，所述方法包括：
获取初始图像，所述初始图像用于显示人体待检测部位；
将所述初始图像输入至区域识别模型，得到第一区域集，所述第一区域集包括若干第一子区域，所述第一子区域用于表征所述人体待检测部位存在的病灶区域；
根据所述第一区域集，确定所述第一子区域的重要度指标，所述重要度指标用于表征每个所述第一子区域相对于其他第一子区域的重要程度；所述重要度指标包括至少两个各自独立的子指标，所述根据所述第一区域集和重要度指标，对所述第一子区域进行标记，获得标记后的第一子区域，包括：
获取所述第一子区域的子指标值，所述子指标值为所述子指标的取值；
获取所述子指标值各自对应的权重；
根据所述权重对所述子指标值进行加权处理，得到加权后的子指标值；
计算所述加权后的子指标值的加和，得到重要度值，所述重要度值与所述第一子区域一一对应；
根据所述重要度值以及对应的所述第一子区域，对所述第一子区域进行标记，获得所述标记后的第一子区域；
根据所述第一区域集和重要度指标，对所述第一子区域进行标记，获得标记后的第一子区域；
从所述标记后的第一子区域中筛选出目标区域，所述目标区域用于表征在所述人体待检测部位的全部病灶中，相对严重的真阳病灶所对应的区域。
2.如权利要求1所述的方法，其特征在于，所述重要度指标包括至少两个各自独立的子指标，所述根据所述第一区域集和重要度指标，对所述第一子区域进行标记，获得标记后的第一子区域，包括：
获取所述第一子区域的各个所述子指标对应的子指标值；
根据所述子指标值进行排序，获得子指标值排序表，所述子指标值排序表用于表征在各个所述子指标中对应的所述子指标值的排序；
若所述第一子区域的至少两个子指标值在其对应的子指标中位居前n％，则对该第一子区域进行标记，获得所述标记后的第一子区域，其中n大于零。
3.如权利要求1所述的方法，其特征在于，所述根据所述第一区域集和重要度指标，对所述第一子区域进行标记，获得标记后的第一子区域，包括：
基于先验知识库和所述重要度指标对第二训练图像进行标记，获得标记后的第二训练图像；
将所述标记后的第二训练图像输入至初始标记模型，获得训练标记图像；
根据所述训练标记图像和所述标记后的第二训练图像计算第二损失；
反复循环上述步骤，直到所述第二损失达到第二预设条件，获得标记模型；
将所述第一区域集输入至所述标记模型，得到标记图像，所述标记图像用于表征所述标记后的第一子区域。
4.如权利要求1所述的方法，其特征在于，所述从所述标记后的第一子区域中筛选出目标区域，包括：
根据所述标记后的第一子区域对应的所述重要度值，对所述标记后的第一子区域进行排序；
根据筛选要素，将所述重要度值居于前m％的第一子区域确定为所述目标区域，其中m大于零。
5.如权利要求4所述的方法，其特征在于，所述筛选要素包括所述标记后的第一子区域对应的病灶类型、数量和尺寸中的至少一者，所述根据筛选要素，将所述重要度值居于前m％的第一子区域确定为所述目标区域，包括：
根据所述筛选要素，确定m值的大小和数量；
根据确定后的所述m值，筛选出所述重要度值居于前m％的第一子区域确定为所述目标区域。
6.如权利要求1所述的方法，其特征在于，在将所述初始图像输入至区域识别模型，得到第一区域集之前，所述方法还包括：
获取第一训练图像；
将所述第一训练图像输入至初始区域识别模型，获得训练识别图像；
根据所述训练识别图像和所述训练图像计算第一损失；
反复循环上述步骤，直到所述第一损失达到第一预设条件。
7.一种目标区域识别装置，其特征在于，所述装置包括：
初始图像获取模块，用于获取初始图像，所述初始图像用于显示人体待检测部位；
图像识别模块，用于将所述初始图像输入至区域识别模型，得到第一区域集，所述第一区域集包括若干第一子区域，所述第一子区域用于表征所述人体待检测部位存在病灶区域；
重要度指标获取模块，根据所述第一区域集，确定所述第一子区域的重要度指标，所述重要度指标用于表征每个所述第一子区域相对于其他第一子区域的重要程度；所述重要度指标包括至少两个各自独立的子指标，所述根据所述第一区域集和重要度指标，对所述第一子区域进行标记，获得标记后的第一子区域，包括：
获取所述第一子区域的子指标值，所述子指标值为所述子指标的取值；
获取所述子指标值各自对应的权重；
根据所述权重对所述子指标值进行加权处理，得到加权后的子指标值；
计算所述加权后的子指标值的加和，得到重要度值，所述重要度值与所述第一子区域一一对应；
根据所述重要度值以及对应的所述第一子区域，对所述第一子区域进行标记，获得所述标记后的第一子区域；
标记模块，用于根据所述第一区域集和重要度指标，对所述第一子区域进行标记，获得标记后的第一子区域；
筛选模块，用于从所述标记后的第一子区域中筛选出目标区域，所述目标区域用于表征在所述人体待检测部位的全部病灶中，相对严重的真阳病灶所对应的区域。
8.一种设备，其特征在于，包括存储器和处理器；所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序，以执行权利要求1至6任一项所述的一种目标区域获取方法中的操作。
9.一种存储介质，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6任一项所述的一种目标区域获取方法中的步骤。
CN202211034086.0A 2022-08-26 2022-08-26 一种目标区域获得方法、装置、设备和存储介质 Active CN115393323B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211034086.0A CN115393323B (zh) 2022-08-26 2022-08-26 一种目标区域获得方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211034086.0A CN115393323B (zh) 2022-08-26 2022-08-26 一种目标区域获得方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN115393323A CN115393323A (zh) 2022-11-25
CN115393323B true CN115393323B (zh) 2023-05-30

Family

ID=84123003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211034086.0A Active CN115393323B (zh) 2022-08-26 2022-08-26 一种目标区域获得方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN115393323B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173172B (zh) * 2023-11-02 2024-01-26 深圳市富邦新材科技有限公司 一种基于机器视觉的硅胶成型效果检测方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113380385A (zh) * 2021-05-28 2021-09-10 上海商汤智能科技有限公司 一种图像显示方法、装置、设备及存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109727243A (zh) * 2018-12-29 2019-05-07 无锡祥生医疗科技股份有限公司 乳腺超声图像识别分析方法及系统
CN109741346B (zh) * 2018-12-30 2020-12-08 上海联影智能医疗科技有限公司 感兴趣区域提取方法、装置、设备及存储介质
CN110599451B (zh) * 2019-08-05 2023-01-20 平安科技（深圳）有限公司 医学图像病灶检测定位方法、装置、设备及存储介质
CN111445449B (zh) * 2020-03-19 2024-03-01 上海联影智能医疗科技有限公司 感兴趣区域的分类方法、装置、计算机设备和存储介质
CN111127466B (zh) * 2020-03-31 2021-06-11 上海联影智能医疗科技有限公司 医学图像检测方法、装置、设备及存储介质
CN111666993A (zh) * 2020-05-28 2020-09-15 平安科技（深圳）有限公司 医学图像样本筛查方法、装置、计算机设备和存储介质
CN111915609B (zh) * 2020-09-22 2023-07-14 平安科技（深圳）有限公司 病灶检测分析方法、装置、电子设备及计算机存储介质
CN112016634B (zh) * 2020-09-30 2023-07-28 北京百度网讯科技有限公司 医学图像识别方法、装置、设备以及存储介质
CN113177928B (zh) * 2021-05-18 2022-05-17 数坤(北京)网络科技股份有限公司 一种图像识别方法、装置、电子设备及存储介质
CN113689412A (zh) * 2021-08-27 2021-11-23 中国人民解放军总医院第六医学中心 甲状腺图像处理方法、装置、电子设备及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113380385A (zh) * 2021-05-28 2021-09-10 上海商汤智能科技有限公司 一种图像显示方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115393323A (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN107895369B (zh) 图像分类方法、装置、存储介质及设备
CN110866897B (zh) 一种图像检测方法及计算机可读存储介质
CN111598900B (zh) 一种图像区域分割模型训练方法、分割方法和装置
US10425815B2 (en) Unlocking control method and mobile terminal
CN110070129B (zh) 一种图像检测方法、装置及存储介质
EP3086261A2 (en) Method and apparatus for sensing fingerprints
CN110738263A (zh) 一种图像识别模型训练的方法、图像识别的方法及装置
CN110610181B (zh) 医学影像识别方法及装置、电子设备及存储介质
CN109376781B (zh) 一种图像识别模型的训练方法、图像识别方法和相关装置
CN109753425B (zh) 弹窗处理方法及装置
CN110147742B (zh) 一种关键点定位方法、装置及终端
CN115393323B (zh) 一种目标区域获得方法、装置、设备和存储介质
CN110083742B (zh) 一种视频查询方法和装置
CN114066875A (zh) 切片图像处理方法、装置、存储介质及终端设备
CN110246561A (zh) 一种移动距离计算方法、装置以及系统
CN111027406B (zh) 图片识别方法、装置、存储介质及电子设备
CN115984228A (zh) 胃镜图像处理方法、装置、电子设备及存储介质
CN113902682A (zh) 基于医疗图像的诊断方法、装置、存储介质及电子设备
CN113283552A (zh) 图像的分类方法、装置、存储介质及电子设备
CN114264365B (zh) 风噪检测方法、装置、终端设备及存储介质
CN113902934A (zh) 医疗图像处理方法、装置、存储介质及电子设备
CN115375603A (zh) 一种图像识别方法、装置、电子设备及存储介质
CN113887579A (zh) 医疗图像的分类方法、装置、存储介质及电子设备
CN111897709B (zh) 监控用户的方法、装置、电子设备及介质
CN114140655A (zh) 图像分类方法、装置、存储介质及电子设备

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