CN115831324B - 一种医学图像筛选方法、装置、设备及存储介质 - Google Patents

Abstract

本公开提供了一种医学图像筛选方法、装置、设备及存储介质，通过根据预设序列筛选条件，在图像数据库中筛选出最优医学图像，作为待处理图像；将待处理图像进行预处理，并将预处理后的待处理图像输入多任务检测模型，输出待处理图像的目标部位以及目标部位附属信息，其中，多任务检测模型包括部位判别子网络、完整性判别子网络、目标检测子网络以及姿态估计子网络，目标部位附属信息包括目标部位的完整性分数、目标部位的目标区域范围以及目标部位的姿态信息；根据待处理图像的目标部位以及目标部位附属信息确定目标部位图像，能够有效、快捷的筛选出高质量的目标部位图像，方便后期有针对性的对目标部位图像进行查看或分析。

Description

一种医学图像筛选方法、装置、设备及存储介质

技术领域

本公开涉及图像处理领域，尤其涉及一种医学图像筛选方法、装置、设备及存储介质。

背景技术

目前，医疗人工智能影像软件系统已被广泛用于医疗系统中，基于对医学图像的计算分析，能够对人体器官或组织的类别、形态、性质等信息进行观察，还能够有效地提升医生的阅片效率，因此医学图像数据的使用对于医疗相关人员来说至关重要。

例如，研发人员可以利用医学图像数据库筛选出自己特别关心的组织或者部位图像进行分析；又例如，体检人员常规体检一般为全身体检，而不同科室的医生往往更关注其所在科室所需要诊断的部位或器官；还例如，慢性病患者复查时，医生也要从医学数据库中筛选出该患者的历史检查数据。但是在现有技术中，一般都是在医学图像数据库中筛选出符合条件的整个图像，不利于医生针对性查看特定部位与器官，还在后期分析时出现由于图像范围过大导致显存不足的问题，除此之外，现有技术中的医学图像筛选还存在筛选出来的图像质量参差不齐，可利用价值不高以及筛选效率低等问题。

发明内容

本公开提供了一种医学图像筛选方法、装置、设备及存储介质，以至少解决现有技术中存在的以上技术问题。

根据本公开的第一方面，提供了一种医学图像筛选方法，其特征在于，所述方法包括：

根据预设序列筛选条件，在图像数据库中筛选出最优医学图像，作为待处理图像；

将待处理图像进行预处理，并将预处理后的待处理图像输入多任务检测模型，输出所述待处理图像的目标部位以及所述目标部位附属信息，其中，所述多任务检测模型包括部位判别子网络、完整性判别子网络、目标检测子网络以及姿态估计子网络，所述目标部位附属信息包括所述目标部位的完整性分数、所述目标部位的目标区域范围以及所述目标部位的姿态信息；

根据所述待处理图像的目标部位以及所述目标部位附属信息确定目标部位图像。

在一可实施方式中，所述将预处理后的待处理图像输入多任务检测模型，输出所述待处理图像的目标部位以及所述目标部位附属信息，包括：

将预处理后的待处理图像输入所述多任务检测模型中的骨干网络，输出所述待处理图像的图像特征；

将所述图像特征分别输入所述部位判别子网络、所述完整性判别子网络、所述目标检测子网络以及所述姿态估计子网络，分别输出所述待处理图像中是否包含所述目标部位以及所述目标部位的完整性分数、所述目标部位的目标区域范围以及所述目标部位的姿态信息。

在一可实施方式中，在根据预设序列筛选条件，在图像数据库中筛选出医学图像，作为待处理图像之后，还包括：

将所述图像数据库中的剩余图像作为待筛选图像；

相应的，在所述将预处理后的待处理图像输入多任务检测模型，输出所述待处理图像的目标部位以及所述目标部位附属信息之后，还包括：

若所述待处理图像中不包含所述目标部位，则根据所述预设序列筛选条件，在所述待筛选图像中确定当前待处理图像，将所述当前待处理图像进行预处理并输入所述多任务检测模型。

在一可实施方式中，在所述将预处理后的待处理图像输入多任务检测模型，输出所述待处理图像的目标部位以及所述目标部位附属信息之后，还包括：

若存在有当前目标部位的完整性分数不满足完整条件，则将所述当前目标部位以及所述当前目标部位附属信息作为暂存结果进行缓存，并根据所述预设序列筛选条件，在所述待筛选图像中确定下一待处理图像，将所述下一待处理图像进行预处理并输入所述多任务检测模型。

在一可实施方式中，在所述待筛选图像中确定下一待处理图像，将所述下一待处理图像进行预处理并输入所述多任务检测模型之后，还包括：

若遍历所有待筛选图像，不存在有所述待筛选图像对应的目标部位的完整性分数满足完整条件，则在所述暂存结果中，根据各个目标部位的完整性分数确定所述目标部位图像。

根据本公开的第二方面，提供了一种医学图像筛选装置，其特征在于，所述装置包括：

图像筛选模块，用于根据预设序列筛选条件，在图像数据库中筛选出最优医学图像，作为待处理图像；

任务检测模块，用于将待处理图像进行预处理，并将预处理后的待处理图像输入多任务检测模型，输出所述待处理图像的目标部位以及所述目标部位附属信息，其中，所述多任务检测模型包括部位判别子网络、完整性判别子网络、目标检测子网络以及姿态估计子网络，所述目标部位附属信息包括所述目标部位的完整性分数、所述目标部位的目标区域范围以及所述目标部位的姿态信息；

图像确定模块，用于根据所述待处理图像的目标部位以及所述目标部位附属信息确定目标部位图像。

在一可实施方式中，所述任务检测模块，具体用于：

将预处理后的待处理图像输入所述多任务检测模型中的骨干网络，输出所述待处理图像的图像特征；

将所述图像特征分别输入所述部位判别子网络、所述完整性判别子网络、所述目标检测子网络以及所述姿态估计子网络，分别输出所述待处理图像中是否包含所述目标部位以及所述目标部位的完整性分数、所述目标部位的目标区域范围以及所述目标部位的姿态信息。

在一可实施方式中，医学图像筛选装置，还包括：

待筛选模块，用于在根据预设序列筛选条件，在图像数据库中筛选出医学图像，作为待处理图像之后，将所述图像数据库中的剩余图像作为待筛选图像；

判断模块，用于在所述将预处理后的待处理图像输入多任务检测模型，输出所述待处理图像的目标部位以及所述目标部位附属信息之后，若所述待处理图像中不包含所述目标部位，则根据所述预设序列筛选条件，在所述待筛选图像中确定当前待处理图像，将所述当前待处理图像进行预处理并输入所述多任务检测模型。

在一可实施方式中，判断模块，具体还用于：

若存在有当前目标部位的完整性分数不满足完整条件，则将所述当前目标部位以及所述当前目标部位附属信息作为暂存结果进行缓存，并根据所述预设序列筛选条件，在所述待筛选图像中确定下一待处理图像，将所述下一待处理图像进行预处理并输入所述多任务检测模型。

在一可实施方式中，判断模块，具体还用于：

若遍历所有待筛选图像，不存在有所述待筛选图像对应的目标部位的完整性分数满足完整条件，则在所述暂存结果中，根据各个目标部位的完整性分数确定所述目标部位图像。

根据本公开的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开所述的方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开所述的方法。

本公开的一种医学图像筛选方法、装置、设备及存储介质，通过根据预设序列筛选条件，在图像数据库中筛选出最优医学图像，作为待处理图像；将待处理图像进行预处理，并将预处理后的待处理图像输入多任务检测模型，输出所述待处理图像的目标部位以及所述目标部位附属信息，其中，所述多任务检测模型包括部位判别子网络、完整性判别子网络、目标检测子网络以及姿态估计子网络，所述目标部位附属信息包括所述目标部位的完整性分数、所述目标部位的目标区域范围以及所述目标部位的姿态信息；根据所述待处理图像的目标部位以及所述目标部位附属信息确定目标部位图像，能够有效、快捷的筛选出高质量的目标部位图像，方便后期有针对性的对目标部位图像进行查看或分析。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：

在附图中，相同或对应的标号表示相同或对应的部分。

图1A示出了本公开实施例一提供的一种医学图像筛选方法的实现流程示意图；

图1B示出了本公开实施例一提供的一种多任务目标检测方法模型结构图；

图1C示出了本公开实施例一提供的一种医学图像筛选方法的流程图；

图2示出了本公开实施例二提供的一种医学图像筛选装置的结构示意图；

图3示出了本公开实施例一种电子设备的组成结构示意图。

具体实施方式

为使本公开的目的、特征、优点能够更加的明显和易懂，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而非全部实施例。基于本公开中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。实施例一

图1A为本公开实施例一提供的一种医学图像筛选方法的流程图，该方法可以由本公开实施例提供的医学图像筛选装置来执行，该装置可采用软件和/或硬件的方式实现。该方法具体包括：

S110、根据预设序列筛选条件，在图像数据库中筛选出最优医学图像，作为待处理图像。

其中，预设序列筛选条件，可以是为了得到后续模型运算所需的待处理图像，而人为预先设定的提取待处理图像的条件。由于患者每次检查的检查结果都会生成一个或多个序列，并对应生成多个DICOM格式文件中，其中，DICOM格式文件包含有不同患者不同次检查的详细信息，因此，预设序列筛选条件可以是在图像序列内筛选出的扫描范围、层厚、缺层数量以及重建核等信息。

例如，由于完整的CT图像是由多个子图像重建而成，当层数出现连续3-4层缺失，或者缺失层数总和超过整体层数10％的非连续缺失时，代表该CT图像并不能完整的呈现人体组织，因此被视为不满足预设序列筛选条件，可以直接排除。又例如，重建核指的是CT三维图像重建的方法，有骨头重建核、肺部重建核及其软组织重建核，其中，由于肺部组织情况较为特殊，因此，医学领域中专门针对肺部组织创建重建方法，肺部重建核能够使得肺部区域更加易于观测，理想情况下，每个图像序列中都会存储关于该图像的重建类型，因此本实施例若想筛选肺部图像，则可以将预设序列筛选条件设定为肺部重建核类型。

需要说明的是，本实施例中预设序列筛选条件中提到的内容仅仅是一种示例，由于扫描技师不一定规范记录关于检查结果的所有详细信息，因此，本实施例不对其具体内容进行限定。

其中，待处理图像可以是从图像数据库中筛选出的满足预设序列筛选条件的最优医学图像，该图像用于后续多任务检测模型运算。

例如，医疗人工智能影像软件系统已被广泛用于辅助医疗人员工作，基于对医学影像的计算分析，从而给出医疗人员所需的信息，能够有效地提升医疗人员的工作效率。由于对于不同的症状，医疗人员往往会只关注其本科室相关的问题，因此，本实施例筛选出优质的待处理图像，并判断所关注的目标部位是否扫描完整及其他相关信息，可以有助于医疗人员迅速的解决问题。

又例如，由于图像数据库可以保存有大量的医学图像，例如当研究人员需要特定某部位图像时，图像数据库中很多图像并不满足实际需求，所以本实施例可以根据预设序列筛选条件，排除不满足需求的医学图像，进而筛选出满足需求的最优医学图像，作为待处理图像，用于后续多任务检测模型运算。

示例性的，若将目标部位为肺部，则预设序列筛选条件可以根据扫描范围、层厚、缺层数量、重建核等信息，选择顺序依次为重建核优先肺算法、层厚优先薄层、扫描范围优先胸部、缺层数量优先最小值进行查找，将查找出的序列记为优选序列，其对应的图像作为待处理图像。

需要说明的是，本实施例中的待处理图像可以拓展到其他模态的图像，例如核磁、胸片等。

S120、将待处理图像进行预处理，并将预处理后的待处理图像输入多任务检测模型，输出待处理图像的目标部位以及目标部位附属信息。

其中，多任务检测模型包括部位判别子网络、完整性判别子网络、目标检测子网络以及姿态估计子网络，目标部位附属信息包括目标部位的完整性分数、目标部位的目标区域范围以及目标部位的姿态信息；

其中，部位判别子网络可以是用于判断待处理图像中是否存在目标部位的神经网络；完整性判别子网络，可以是用于判断待处理图像中目标部位是否完整或者计算完整度的神经网络；目标检测子网络，可以是用于判断待处理图像中目标部位所在区域范围的神经网络，示例性的，本实施例可以采用无锚框的检测方法，还可以采用基于锚框的检测方法，如RCNN系列、YOLO系列、RetinaNet等；姿态估计子网络，可以是用于判断待处理图像中目标部位姿态的神经网络。

其中，目标部位，可以是待处理图像中所需要特别关注的部位，示例性的，目标部位可以是肺部组织、心脏、头部、纵膈区等不同部位或器官。目标区域范围，可以是目标部位在待处理图像中的图像区域范围。姿态信息，可以是目标部位的具体姿态角度信息，由于患者进行CT扫描时可能因为车祸、骨折等情况不能顺利平躺，因此本实施例通过设定姿态估计子网络来确定目标部位的姿态角度信息。

具体的，本实施例根据预设序列筛选条件在CT图像序列中筛选出来优选序列，将优选序列对应的图像作为待处理图像，利用基于人工智能的多任务目标检测方法进行目标区域定位及其相关信息检测。具体的，本实施例将待处理图像进行归一化的预处理，将得到归一化后的待处理图像输入多任务检测模型，即包括骨干网络、部位判别子网络、完整性判别子网络、目标检测子网络以及姿态估计子网络，通过多任务检测模型运算，可以得到与待处理图像对应的目标部位、目标部位的完整性分数、目标部位的目标区域范围以及目标部位的姿态信息，如图1B所示。

在本公开实施例中，将预处理后的待处理图像输入多任务检测模型，输出待处理图像的目标部位以及目标部位附属信息，包括：将预处理后的待处理图像输入多任务检测模型中的骨干网络，输出待处理图像的图像特征；将图像特征分别输入部位判别子网络、完整性判别子网络、目标检测子网络以及姿态估计子网络，分别输出待处理图像中是否包含目标部位以及目标部位的完整性分数、目标部位的目标区域范围以及目标部位的姿态信息。

其中，骨干网络可以是用于提取图像特征的神经网络。图像特征可以是待处理图像经过特征提取操作而生成的抽象特征。

具体的，本实施例将归一化后的待处理图像输入多任务检测模型中的骨干网络，从而得到抽象、无意义的图像特征，将该图像特征分别输入多任务检测模型中的其他子网络进行运算，即将该图像特征输入部位判别子网络，可以判断出待处理图像中是否存在所关注的目标部位，将该图像特征输入完整性判别子网络，可以得到待处理图像中目标部位的完整性分数，将该图像特征输入目标检测子网络，可以得到待处理图像中目标部位的目标区域范围，将该图像特征输入姿态估计子网络，可以得到待处理图像中目标部位的姿态信息。

本实施例中的模型整体架构为多任务模型，包括部位/器官目标检测、部位或器官完整性分类、以及人体姿态预估，除此之外，该类模型还可以拓展其他类似的任务，如所关注的扫描区域是否位于成像视野中心等，有助于后续医疗人员完成扫描任务。

S130、根据待处理图像的目标部位以及目标部位附属信息确定目标部位图像。

其中，目标部位图像可以是从待处理图像中提取出来的仅包含有目标部位的图像，也可以是在待处理图像中用检测框标识出目标部位的图像。

具体的，本实施例将待处理图像的图像特征输入多任务检测模型进行运算，输出得到待处理图像的目标部位以及目标部位附属信息，根据上述得到的输出结果，从而可以将待处理图像中的目标部位标识出来，作为目标部位图像。在另一实施例中，也可以根据上述得到的输出结果，将待处理图像中的目标部位图像单独提取出来，作为目标部位图像。

本实施例通过根据预设序列筛选条件，在图像数据库中筛选出最优医学图像，作为待处理图像；将待处理图像进行预处理，并将预处理后的待处理图像输入多任务检测模型，输出待处理图像的目标部位以及目标部位附属信息，本实施例通过筛选出所关注的部位或器官，并判断所关注的部位或器官是否扫描完整，给出所关注的部位或器官的位置及姿态信息，能够有助于不同科室的医生使用这些信息。此外，本实施例筛选出所关注的部位或器官所在区域，以供后续其他模型或软件进行分析计算，也能够提高人工智能软件的计算效率，避免了在扫描范围过大的图像上进行计算时出现显存不足的情况。

在本公开实施例中，在根据预设序列筛选条件，在图像数据库中筛选出医学图像，作为待处理图像之后，还包括：将图像数据库中的剩余图像作为待筛选图像；相应的，在将预处理后的待处理图像输入多任务检测模型，输出待处理图像的目标部位以及目标部位附属信息之后，还包括：若待处理图像中不包含目标部位，则根据预设序列筛选条件，在待筛选图像中确定当前待处理图像，将当前待处理图像进行预处理并输入多任务检测模型。

其中，待筛选图像可以指图像库中挑选出待处理图像后，剩余的用于筛选当前待处理图像的医学图像集。

具体的，本实施例将图像库中不满足预设序列筛选条件的医学图像，及其满足预设序列筛选条件的非最优医学图像组成的图像集，作为待筛选图像以供后续多任务检测模型运算使用。

由于待处理图像是经过预设序列筛选条件筛选得到的最优图像，按照理论上说待处理图像应该包含有目标部位，但是本实施例为了避免CT图像的图像序列记录不准确的情况，将待处理图像输入部位判别子网络，判断待处理图像中是否存在所需的目标部位。若待处理图像中不包含目标区域，则可以在待筛选图像中根据预设序列筛选条件，挑选出预设序列筛选条件下最优的医学图像，作为当前待处理图像，将得到的当前待处理图像进行归一化预处理，再将归一化后的当前待处理图像输入多任务检测模型。

在本公开实施例中，在将预处理后的待处理图像输入多任务检测模型，输出待处理图像的目标部位以及目标部位附属信息之后，还包括：若存在有当前目标部位的完整性分数不满足完整条件，则将当前目标部位以及当前目标部位附属信息作为暂存结果进行缓存，并根据预设序列筛选条件，在待筛选图像中确定下一待处理图像，将下一待处理图像进行预处理并输入多任务检测模型。

具体的，在本实施例中，若当前待处理图像存在目标部位，但目标部位并不完整，则将当前目标部位以及当前目标部位所对应的目标部位附属信息进行缓存，作为暂存结果，再在待筛选图像中挑选出满足预设序列筛选条件的最优医学图像，并将该图像作为下一个待处理图像输入进行归一化预处理，将得到归一化的下一个待处理图像输入多任务检测模型。

本实施例针对检测出的目标部位并不完整的情况，通过在待筛选图像中确定下一待处理图像，来试寻找具备完整条件的目标部位。

在本公开实施例中，在待筛选图像中确定下一待处理图像，将下一待处理图像进行预处理并输入多任务检测模型之后，还包括：若遍历所有待筛选图像，不存在有待筛选图像对应的目标部位的完整性分数满足完整条件，则在暂存结果中，根据各个目标部位的完整性分数确定目标部位图像。

由于现有技术仅判断序列是否是相关部位/器官扫描影像，但未判断该目标区域(部位/器官)扫描是否完整，如果选中的序列包含的目标区域不完整，则会严重影响后续的诊断相关的计算分析，因此本实施例针对所有待筛选图像均不包含有完整目标部位的情况进行处理。

具体的，在本实施例中，将所有的待筛选图像依次输入多任务检测模型进行处理，可以得到各个待筛选图像所对应的目标部位，及其各个待筛选图像所对应的目标部位完整性分数，若遍历所有待筛选图像的目标区域均不完整，则可以在上述暂存结果中优选出目标部位完整性分数最高的图像，作为目标部位图像。

如图1C所示，图1C示出了本公开实施例一提供的一种医学图像筛选方法的流程图。

其中，序列预查找模块是根据预设序列筛选条件，在图像数据库中的图像序列进行查找，将查找出的序列记为优选序列，序列对应的图像作为待处理图像。目标区域分析计算模块指的是对目标部位进行分析计算的其他类型模型，由于本实施例的发明点在于如何筛选出所需目标部位的图像，因此并未详细论述目标区域分析计算模块。

本实施例将待处理图像输入多任务检测模型，若输出结果包含目标部位且目标部位区域完整，则将其直接输入后续模块进行分析计算；若输出结果不包含有目标部位，则在待筛选序列中重新筛选；若输出结果包含有目标部位但不完整，则将其相关信息作为暂存结果进行缓存，并当遍历完所有待筛选序列后都没有找到理想目标部位图像时，在暂存结果中选择完整度最高的图像，也即包含有目标部位区域图像最多的图像，作为目标部位图像传给下一模块。

本实施例中待处理图像虽然包含了目标部位，但序列扫描范围特别广，则可能在后续的诊断相关的计算分析中出现显存不足，以及目标区域占比较小，影响诊断结果的情况。因此，本实施例提供的方法利用的是基于人工智能的多任务检测方法来确定目标部位，且在获取目标部位位置的同时，还获取了目标部位扫描是否完整、目标部位的姿态信息等信息，从而确定目标部位图像，不仅有效的解决了上述问题、效率高，还提供了目标部位的完整性信息，有助于后续对其进行分析。

实施例二

图2是本公开实施例提供的一种医学图像筛选装置的结构示意图，该装置具体包括：

图像筛选模块210，用于根据预设序列筛选条件，在图像数据库中筛选出最优医学图像，作为待处理图像；

任务检测模块220，用于将待处理图像进行预处理，并将预处理后的待处理图像输入多任务检测模型，输出待处理图像的目标部位以及目标部位附属信息，其中，多任务检测模型包括部位判别子网络、完整性判别子网络、目标检测子网络以及姿态估计子网络，目标部位附属信息包括目标部位的完整性分数、目标部位的目标区域范围以及目标部位的姿态信息；

图像确定模块230，用于根据待处理图像的目标部位以及目标部位附属信息确定目标部位图像。

在一可实施方式中，任务检测模块220，具体用于：

将预处理后的待处理图像输入多任务检测模型中的骨干网络，输出待处理图像的图像特征；

将图像特征分别输入部位判别子网络、完整性判别子网络、目标检测子网络以及姿态估计子网络，分别输出待处理图像中是否包含目标部位以及目标部位的完整性分数、目标部位的目标区域范围以及目标部位的姿态信息。

在一可实施方式中，医学图像筛选装置，还包括：

待筛选模块，用于在根据预设序列筛选条件，在图像数据库中筛选出医学图像，作为待处理图像之后，将图像数据库中的剩余图像作为待筛选图像；

判断模块，用于在将预处理后的待处理图像输入多任务检测模型，输出待处理图像的目标部位以及目标部位附属信息之后，若待处理图像中不包含目标部位，则根据预设序列筛选条件，在待筛选图像中确定当前待处理图像，将当前待处理图像进行预处理并输入多任务检测模型。

在一可实施方式中，判断模块，具体还用于：

若存在有当前目标部位的完整性分数不满足完整条件，则将当前目标部位以及当前目标部位附属信息作为暂存结果进行缓存，并根据预设序列筛选条件，在待筛选图像中确定下一待处理图像，将下一待处理图像进行预处理并输入多任务检测模型。

在一可实施方式中，判断模块，具体还用于：

若遍历所有待筛选图像，不存在有待筛选图像对应的目标部位的完整性分数满足完整条件，则在暂存结果中，根据各个目标部位的完整性分数确定目标部位图像。

根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质。

图3示出了可以用来实施本公开的实施例的示例电子设备300的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图3所示，设备300包括计算单元301，其可以根据存储在只读存储器(ROM)302中的计算机程序或者从存储单元308加载到随机访问存储器(RAM)303中的计算机程序，来执行各种适当的动作和处理。在RAM 303中，还可存储设备300操作所需的各种程序和数据。计算单元301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

设备300中的多个部件连接至I/O接口305，包括：输入单元306，例如键盘、鼠标等；输出单元307，例如各种类型的显示器、扬声器等；存储单元308，例如磁盘、光盘等；以及通信单元309，例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元301执行上文所描述的各个方法和处理，例如医学图像筛选方法。例如，在一些实施例中，医学图像筛选方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元308。在一些实施例中，计算机程序的部分或者全部可以经由ROM302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 303并由计算单元301执行时，可以执行上文描述的医学图像筛选方法的一个或多个步骤。备选地，在其他实施例中，计算单元301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行医学图像筛选方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种医学图像筛选方法，其特征在于，所述方法包括：

根据预设序列筛选条件，在图像数据库中筛选出最优医学图像，作为待处理图像，其中，所述预设序列筛选条件为在所述图像数据库内的图像序列内所筛选出来的信息；

将待处理图像进行预处理，并将预处理后的待处理图像输入多任务检测模型，输出所述待处理图像的目标部位以及所述目标部位附属信息，其中，所述多任务检测模型包括部位判别子网络、完整性判别子网络、目标检测子网络以及姿态估计子网络，所述目标部位附属信息包括所述目标部位的完整性分数、所述目标部位的目标区域范围以及所述目标部位的姿态信息；其中，所述部位判别子网络，用于判断所述待处理图像中是否存在目标部位，所述完整性判别子网络，用于判断所述待处理图像中的目标部位是否完整，所述目标检测子网络，用于判断所述待处理图像中目标部位的所在区域范围，所述姿态估计子网络，用于判断所述待处理图像中目标部位的姿态信息；

根据所述待处理图像的目标部位以及所述目标部位附属信息确定目标部位图像，其中，所述目标部位图像为所述待处理图像内包含有所述目标部位图像；

提取所述目标部位图像或者标记出所述目标部位图像；

其中，所述将预处理后的待处理图像输入多任务检测模型，输出所述待处理图像的目标部位以及所述目标部位附属信息，包括：将预处理后的待处理图像输入所述多任务检测模型中的骨干网络，输出所述待处理图像的图像特征；将所述图像特征分别输入所述部位判别子网络、所述完整性判别子网络、所述目标检测子网络以及所述姿态估计子网络，分别输出所述待处理图像中是否包含所述目标部位以及所述目标部位的完整性分数、所述目标部位的目标区域范围以及所述目标部位的姿态信息。

2.根据权利要求1所述的方法，其特征在于，在根据预设序列筛选条件，在图像数据库中筛选出医学图像，作为待处理图像之后，还包括：

将所述图像数据库中的剩余图像作为待筛选图像；

相应的，在所述将预处理后的待处理图像输入多任务检测模型，输出所述待处理图像的目标部位以及所述目标部位附属信息之后，还包括：

若所述待处理图像中不包含所述目标部位，则根据所述预设序列筛选条件，在所述待筛选图像中确定当前待处理图像，将所述当前待处理图像进行预处理并输入所述多任务检测模型。

3.根据权利要求2所述的方法，其特征在于，在所述将预处理后的待处理图像输入多任务检测模型，输出所述待处理图像的目标部位以及所述目标部位附属信息之后，还包括：

若存在有当前目标部位的完整性分数不满足完整条件，则将所述当前目标部位以及所述当前目标部位附属信息作为暂存结果进行缓存，并根据所述预设序列筛选条件，在所述待筛选图像中确定下一待处理图像，将所述下一待处理图像进行预处理并输入所述多任务检测模型。

4.根据权利要求3所述的方法，其特征在于，在所述待筛选图像中确定下一待处理图像，将所述下一待处理图像进行预处理并输入所述多任务检测模型之后，还包括：

若遍历所有待筛选图像，不存在有所述待筛选图像对应的目标部位的完整性分数满足完整条件，则在所述暂存结果中，根据各个目标部位的完整性分数确定所述目标部位图像。

5.一种医学图像筛选装置，其特征在于，所述装置包括：

图像筛选模块，用于根据预设序列筛选条件，在图像数据库中筛选出最优医学图像，作为待处理图像，其中，所述预设序列筛选条件为在所述图像数据库内的图像序列内所筛选出来的信息；

任务检测模块，用于将待处理图像进行预处理，并将预处理后的待处理图像输入多任务检测模型，输出所述待处理图像的目标部位以及所述目标部位附属信息，其中，所述多任务检测模型包括部位判别子网络、完整性判别子网络、目标检测子网络以及姿态估计子网络，所述目标部位附属信息包括所述目标部位的完整性分数、所述目标部位的目标区域范围以及所述目标部位的姿态信息；其中，所述部位判别子网络，用于判断所述待处理图像中是否存在目标部位，所述完整性判别子网络，用于判断所述待处理图像中的目标部位是否完整，所述目标检测子网络，用于判断所述待处理图像中目标部位的所在区域范围，所述姿态估计子网络，用于判断所述待处理图像中目标部位的姿态信息；

图像确定模块，用于根据所述待处理图像的目标部位以及所述目标部位附属信息确定目标部位图像，其中，所述目标部位图像为所述待处理图像内包含有所述目标部位图像；并提取所述目标部位图像或者标记出所述目标部位图像；

其中，所述任务检测模块具体用于：将预处理后的待处理图像输入所述多任务检测模型中的骨干网络，输出所述待处理图像的图像特征；将所述图像特征分别输入所述部位判别子网络、所述完整性判别子网络、所述目标检测子网络以及所述姿态估计子网络，分别输出所述待处理图像中是否包含所述目标部位以及所述目标部位的完整性分数、所述目标部位的目标区域范围以及所述目标部位的姿态信息。

6.根据权利要求5所述的装置，其特征在于，还包括：

待筛选模块，用于在根据预设序列筛选条件，在图像数据库中筛选出医学图像，作为待处理图像之后，将所述图像数据库中的剩余图像作为待筛选图像；

判断模块，用于在所述将预处理后的待处理图像输入多任务检测模型，输出所述待处理图像的目标部位以及所述目标部位附属信息之后，若所述待处理图像中不包含所述目标部位，则根据所述预设序列筛选条件，在所述待筛选图像中确定当前待处理图像，将所述当前待处理图像进行预处理并输入所述多任务检测模型。

7.根据权利要求6所述的装置，其特征在于，所述判断模块，具体还用于：

若存在有当前目标部位的完整性分数不满足完整条件，则将所述当前目标部位以及所述当前目标部位附属信息作为暂存结果进行缓存，并根据所述预设序列筛选条件，在所述待筛选图像中确定下一待处理图像，将所述下一待处理图像进行预处理并输入所述多任务检测模型。

8.根据权利要求7所述的装置，其特征在于，所述判断模块，具体还用于：

若遍历所有待筛选图像，不存在有所述待筛选图像对应的目标部位的完整性分数满足完整条件，则在所述暂存结果中，根据各个目标部位的完整性分数确定所述目标部位图像。

9.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行根据权利要求1-4中任一项所述的方法。