CN116468738A - 量化参数确定方法、装置、设备和存储介质 - Google Patents
量化参数确定方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116468738A CN116468738A CN202310402609.0A CN202310402609A CN116468738A CN 116468738 A CN116468738 A CN 116468738A CN 202310402609 A CN202310402609 A CN 202310402609A CN 116468738 A CN116468738 A CN 116468738A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- segmentation result
- region
- image
- determining
- 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
Links
- 238000013139 quantization Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 509
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 206
- 238000004590 computer program Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 21
- 238000002591 computed tomography Methods 0.000 description 44
- 230000008569 process Effects 0.000 description 18
- 230000003166 hypermetabolic effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000003902 lesion Effects 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 7
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 6
- 230000004060 metabolic process Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002503 metabolic effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 208000021959 Abnormal metabolism Diseases 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 241001347978 Major minor Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000006371 metabolic abnormality Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- AOYNUTHNTBLRMT-SLPGGIOYSA-N 2-deoxy-2-fluoro-aldehydo-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](F)C=O AOYNUTHNTBLRMT-SLPGGIOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- -1 FDG for short Chemical compound 0.000 description 1
- 206010020674 Hypermetabolism Diseases 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 230000004153 glucose metabolism Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种量化参数确定方法、装置、设备和存储介质。所述方法包括：获取第一模态图像对应的第一分割结果和第二模态图像对应的第二分割结果；所述第一分割结果和第二分割结果均是针对待测部位中的感兴趣区域进行分割获得的；根据所述第一分割结果和所述第二分割结果，确定所述感兴趣区域中的目标区域；根据所述第二分割结果对所述目标区域进行参数计算，确定所述目标区域的量化参数。采用本方法能够获得待测区域较为准确的相关量化参数。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种量化参数确定方法、装置、设备和存储介质。
背景技术
目前医学扫描时使用的设备有单模态的设备和多模态的设备，单模态的设备例如CT(Computed Tomography，电子计算机断层扫描)设备、MR(Magnetic Resonance，磁共振)设备、PET(Positron Emission Tomography，正电子发射断层显像)设备等；多模态的设备例如有PET-CT、PET-MR设备等。
其中，多模态的设备可以采集获得多种模态下的图像，各种模态的图像可以反映待测区域的不同信息。以PET-CT为例，其中PET图像可以提供待测区域详尽的功能与代谢等分子信息，CT图像可以提供待测区域的精确解剖定位，这样同时通过这两个模态的图像，可以快速对待测区域或待测部位进行分析以获得图像分析结果，例如可以获得待测区域的相关量化参数。
然而，在多模态的图像中，上述技术无法获得待测区域较为准确的相关量化参数。
发明内容
基于此，有必要针对上述技术问题，提供一种能够获得待测区域较为准确的相关量化参数的量化参数确定方法、装置、设备和存储介质。
第一方面，本申请提供了一种量化参数确定方法，该方法包括：
获取第一模态图像对应的第一分割结果和第二模态图像对应的第二分割结果；上述第一分割结果和第二分割结果均是针对待测部位中的感兴趣区域进行分割获得的；
根据第一分割结果和第二分割结果，确定感兴趣区域中的目标区域；
根据第二分割结果对目标区域进行参数计算，确定目标区域的量化参数。
在其中一个实施例中，上述根据第一分割结果和第二分割结果，确定感兴趣区域中的目标区域，包括：
以第一分割结果中的感兴趣区域为参考，确定第二分割结果中是否存在相应的感兴趣区域；
若存在，则将相应的感兴趣区域确定为目标区域。
在其中一个实施例中，上述以第一分割结果中的感兴趣区域为参考，确定第二分割结果中是否存在相应的感兴趣区域，包括：
根据第一分割结果确定其中感兴趣区域的第一位置，以及根据第二分割结果确定其中感兴趣区域的第二位置；
以第一位置为参考，将第一位置和第二位置进行匹配；
若匹配成功，则确定第二分割结果中存在相应的感兴趣区域。
在其中一个实施例中，上述获取第一模态图像对应的第一分割结果和第二模态图像对应的第二分割结果，包括：
获取待测部位的第一模态图像和待测部位的第二模态图像；
根据第一模态图像、第二模态图像以及预设的分割模型，确定第一模态图像对应的第一分割结果以及第二模态图像对应的第二分割结果；
其中，上述分割模型是基于多个训练样本对进行训练得到的，每个训练样本对包括第一模态训练样本和第二模态训练样本，且还包括第一模态训练样本对应的第一分割掩膜和第二模态训练样本对应的第二分割掩膜。
在其中一个实施例中，每个上述训练样本对中的第一分割掩膜和第二分割掩膜的确定方式包括：
将每个训练样本对中的第一模态训练样本配准至对应的第二模态训练样本所在的坐标系下；
对配准后第一模态训练样本中的样本区域进行标记，确定第一分割掩膜；
根据第一分割掩膜，以及第二模态训练样本中样本区域的边缘轮廓，确定第二分割掩膜。
在其中一个实施例中，上述根据第一模态图像、第二模态图像以及预设的分割模型，确定第一模态图像对应的第一分割结果以及第二模态图像对应的第二分割结果，包括：
将第一模态图像配准至第二模态图像所在的坐标系下，获得配准的第一模态图像；
将配准的第一模态图像和第二模态图像输入至分割模型中进行分割处理，确定第一分割结果和第二分割结果。
在其中一个实施例中，上述分割模型的训练方式包括：
根据初始分割模型确定第一模态训练样本对应的第一预测分割结果和第二模态训练样本对应的第二预测分割结果；
计算第一预测分割结果和第二预测分割结果之间的第一交集，以及计算第一分割掩膜和第二分割掩膜之间的第二交集；
根据第一交集和第二交集之间的损失对初始分割模型进行训练，获得分割模型。
第二方面，本申请还提供了一种量化参数确定装置，该装置包括：
分割结果确定模块，用于获取第一模态图像对应的第一分割结果和第二模态图像对应的第二分割结果；上述第一分割结果和第二分割结果均是针对待测部位中的感兴趣区域进行分割获得的；
目标区域确定模块，用于根据第一分割结果和第二分割结果，确定感兴趣区域中的目标区域；
参数计算模块，用于根据第二分割结果对目标区域进行参数计算，确定目标区域的量化参数。
第三方面，本申请还提供了一种计算机设备，该计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取第一模态图像对应的第一分割结果和第二模态图像对应的第二分割结果；上述第一分割结果和第二分割结果均是针对待测部位中的感兴趣区域进行分割获得的；
根据第一分割结果和第二分割结果，确定感兴趣区域中的目标区域；
根据第二分割结果对目标区域进行参数计算，确定目标区域的量化参数。
第四方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取第一模态图像对应的第一分割结果和第二模态图像对应的第二分割结果；上述第一分割结果和第二分割结果均是针对待测部位中的感兴趣区域进行分割获得的；
根据第一分割结果和第二分割结果，确定感兴趣区域中的目标区域；
根据第二分割结果对目标区域进行参数计算，确定目标区域的量化参数。
第五方面，本申请还提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取第一模态图像对应的第一分割结果和第二模态图像对应的第二分割结果；上述第一分割结果和第二分割结果均是针对待测部位中的感兴趣区域进行分割获得的；
根据第一分割结果和第二分割结果，确定感兴趣区域中的目标区域；
根据第二分割结果对目标区域进行参数计算，确定目标区域的量化参数。
上述量化参数确定方法、装置、设备和存储介质，通过获取第一模态图像的第一分割结果以及第二模态图像的第二分割结果，并根据两个分割结果确定感兴趣区域中的目标区域，然后根据第二分割结果对目标区域进行参数计算，确定目标区域的量化参数；其中两个分割结果均是针对待测部位中的感兴趣区域进行分割获得的。该方法中，由于可以通过两个不同模态图像的感兴趣区域分割结果确定其中共同的目标区域，然后基于其中检测较为准确的分割结果对目标区域进行量化参数计算，因此最终计算的目标区域的量化参数比较准确。
附图说明
图1为一个实施例中计算机设备的内部结构图；
图2为一个实施例中量化参数确定方法的流程示意图；
图3为另一个实施例中量化参数确定方法的流程示意图；
图4为另一个实施例中量化参数确定方法的流程示意图；
图5为另一个实施例中分割模型的训练架构示例图；
图6为另一个实施例中采用分割模型对各模态图像分割的架构示例图；
图7为另一个实施例中量化参数确定方法的流程示意图；
图8为另一个实施例中确定PET图像及CT图像各自的掩膜的流程示例图；
图9为另一个实施例中量化参数确定方法的流程示意图；
图10为一个实施例中量化参数确定装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
PET-CT多模设备指的是将PET与CT融为一体，由PET提供病灶详尽的功能与代谢等分子信息，而CT提供病灶的精确解剖定位，一次显像可获得受检者全身各方位的断层图像，具有灵敏、准确、特异及定位精确等特点，方便快速清晰地了解受检者全身的病灶情况，以对病灶进行进一步分析处理。
具体在成像过程中，对于PET成像而言，其成像原理是将某种物质，一般是生物生命代谢中必须的物质，如：葡萄糖、蛋白质、核酸、脂肪酸，标记上短寿命的放射性核素(如18F，11C等)，注入人体后，通过对于该物质在代谢中的聚集，来反映生命代谢活动的情况，从而通过成像结果来获得其中不同的代谢区域，例如高代谢区域等。目前各医院主要使用的物质是氟代脱氧葡萄糖，简称FDG，其机制是，人体不同组织的代谢状态不同，在高代谢的恶性肿瘤组织中葡萄糖代谢旺盛，聚集较多，这些特点能通过图像反映出来，从而可以通过成像对高代谢区域等进行分析；但是该成像过程中由于存在探测器晶体和电子线路的物理限制等因素，使得PET的图像分辨率较差，一般在3～5mm。而对于CT成像，一般由球管释放X射线穿过人体到达探测器成像，能够获得较为精确的待测区域或待测部位的解剖信息，因此其可以提供待测区域或待测部位的解剖信息，其图像分辨率也较PET高，可达1mm以下，但是CT图像无法提供代谢等分子信息。
基于上述的成像结果，在对待测区域进行量化分析时，针对PET图像而言，一般是直接在PET图像上计算高代谢区域的相关量化参数，对于CT图像而言，一般是计算CT图像上的解剖结构或检测出的病灶的相关量化参数。这样计算量化参数的方式存在以下问题，要么测量的病灶大小不精确，要么容易检测出大量的假阳性，无法精确地检出病灶；而且对于核医学科的医生，其较为关心的是PET图像上有高代谢区域的病灶的检出及测量，因此，这两种方式均无法实现两个模态的相互结合、相互指导地实现PET上高代谢病灶的检出及对应CT上的精确测量。基于此，本申请提供一种量化参数确定方法、装置、设备和存储介质，可以解决上述技术问题。
本申请实施例提供的量化参数确定方法，可以应用于计算机设备，该计算机设备可以是终端或服务器，以终端为例，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种量化参数确定方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，如图2所示，提供了一种量化参数确定方法，以该方法应用于图1中的计算机设备为例进行说明，该方法可以包括以下步骤：
S202，获取第一模态图像对应的第一分割结果和第二模态图像对应的第二分割结果；上述第一分割结果和第二分割结果均是针对待测部位中的感兴趣区域进行分割获得的。
其中，第一模态图像和第二模态图像两者的模态不同，例如第一模态图像可以是PET(Positron Emission Computed Tomography，正电子发射型计算机断层显像)图像，第二模态图像可以是CT(Computed Tomography，计算机断层显像)图像；或者第一模态图像是PET图像，第二模态图像是MR(Magnetic Resonance，磁共振)图像等等。
对于第一模态图像和第二模态图像的获取方式，可以是采用相应模态的扫描设备对受检者的待测部位进行扫描后获得的，也可以是预先存储好受检者待测部位的不同模态的图像，在需要使用时直接调用即可，或者还可以是其他方式获取，这里不作具体限定。需要说明的是，这里各模态的图像是受检者的待测部位的在同一时期的图像，即各模态的图像中的待测部位的状态或病况等是一致的。待测部位例如可以是胸部、腹部、脑部等等，待测部位中一般包括感兴趣区域，该感兴趣区域的数量可以是一个或多个，该感兴趣区域例如可以是待测部位的病灶。
在获得待测部位的各模态图像之后，可以采用分割算法，或者采用分割模型，或者采用人工手动勾画分割等方式，对各模态图像的待测部位中的感兴趣区域进行分割处理，获得各模态图像各自对应的感兴趣区域的分割结果，该分割结果中可以包括分割的感兴趣区域的位置、标签等信息。其中第一模态图像的感兴趣区域的分割结果记为第一分割结果，第二模态图像的感兴趣区域的分割结果记为第二分割结果。
S204，根据第一分割结果和第二分割结果，确定感兴趣区域中的目标区域。
在本步骤中，在上述获得各模态图像的分割结果之后，这些分割结果都是针对待测部位的感兴趣区域的，获得也是有关感兴趣区域的分割结果，感兴趣区域的数量可以是一个或多个，那么这里可以通过对第一分割结果和第二分割结果各自中包括的感兴趣区域进行分析，并从两个分割结果中包括的感兴趣区域中确定出目标区域。
其中目标区域可以是两个分割结果中均存在的感兴趣区域，对于确定目标区域的方式，可以是通过两个分割结果中感兴趣区域的标识、位置、面积、体积等信息确定。
通过融合两种不同模态图像的相关信息确定两者感兴趣区域中的目标区域，可以精确定位目标区域，提升后续计算的目标区域的相关量化参数的准确性。
S206，根据第二分割结果对目标区域进行参数计算，确定目标区域的量化参数。
在本步骤中，以第一模态图像是PET图像、第二模态图像是CT图像为例，一般PET图像中的高代谢区域(也可以称为感兴趣区域)是比较受关注的区域，通常为疑似病灶区域，一般都是重点对高代谢区域进行分析处理等操作，然而PET模态图像上感兴趣区域的边界信息等不够清楚准确。而针对CT模态的图像而言，由于受检者各个器官组织结构较为复杂，待测部位中的感兴趣区域的CT值很可能会与周围组织的CT值比较接近，造成在CT模态下对感兴趣区域进行检测获得的假阳性较多，但是CT模态图像上感兴趣区域的边界信息等比较清楚准确，具有精细解剖结构信息，获得的感兴趣区域的分割结果也比较准确。
基于上述的描述，一般情况下在第二模态图像上对感兴趣区域及目标区域进行检测以及分割后，其获得的分割结果中有关感兴趣区域的边界等信息较为清楚准确，因此基于第二模态图像的第二分割结果对上述确定的目标区域的相关参数进行计算，具体可以是依据第二分割结果中目标区域的边界信息、中心点信息等进行计算，最终获得目标区域的相关量化参数。这里的相关量化参数一般可以包括面积、体积、长短径、轮廓点等参数。同时，也可以采用第一模态图像中该目标区域的分割结果，对应计算该目标区域的另一些相关量化参数，比如代谢有关的量化信息，例如SUVmax(SUV最大值)，SUV mean(SUV均值)等，其中SUV为标准化摄取值(standardized uptake value)，是局部组织或病灶的放射性浓度与全身平均注射浓度的比值。
另外，上述目标区域为两个模态图像中均存在的区域，这样可以采用分割结果中目标区域信息更多更清楚的第二模态图像的分割结果去计算面积、体积、长短径、轮廓点等相关的量化参数，具体计算时可以是采用第二模态图像的分割结果中该目标区域对应的分割结果进行量化参数计算；同时可以通过第一模态图像计算SUVmax、SUV mean等代谢相关量化参数。而对于在第一模态图像的分割结果中存在的区域，但在第二模态图像的分割结果中不存在的区域，也可以计算相关的量化参数，计算时可以依据第一模态图像中的分割结果进行计算，计算的结果可以包括面积、体积、长短径、轮廓点、SUVmax、SUV mean等参数。
上述量化参数确定方法中，通过获取第一模态图像的第一分割结果以及第二模态图像的第二分割结果，并根据两个分割结果确定感兴趣区域中的目标区域，然后根据第二分割结果对目标区域进行参数计算，确定目标区域的量化参数；其中两个分割结果均是针对待测部位中的感兴趣区域进行分割获得的。该方法中，由于可以通过两个不同模态图像的感兴趣区域分割结果确定其中共同的目标区域，然后基于其中检测较为准确的分割结果对目标区域进行量化参数计算，因此最终计算的目标区域的量化参数比较准确。
上述实施例中提到了可以通过各模态图像的感兴趣的分割结果确定感兴趣区域中的目标区域，以下实施例就对具体如何确定目标区域的过程进行说明。
在另一个实施例中，提供了另一种量化参数确定方法，在上述实施例的基础上，如图3所示，上述S204可以包括以下步骤：
S302，以第一分割结果中的感兴趣区域为参考，确定第二分割结果中是否存在相应的感兴趣区域。
在本步骤中，在获得两个模态图像各自的分割结果之后，各分割结果中均是感兴趣区域的分割结果，那么可以将第一分割结果中感兴趣区域的分割结果作为参考，将第二分割结果中感兴趣区域的分割结果进行对比，以确定目标区域，具体的确定过程可以采用如下步骤：
步骤A1，根据第一分割结果确定其中感兴趣区域的第一位置，以及根据第二分割结果确定其中感兴趣区域的第二位置。
步骤A2，以第一位置为参考，将第一位置和第二位置进行匹配。
步骤A3，若匹配成功，则确定第二分割结果中存在相应的感兴趣区域。
这里第一分割结果中可以包括第一模态图像中感兴趣区域的相关分割信息，其中包括感兴趣区域的边界信息、中心点信息等，那么可以将这些信息作为其中的感兴趣区域的位置信息，记为第一位置；如果第一分割结果中包括多个感兴趣区域，那么各自的位置信息均记为第一位置，可以加上各自的标识用于区分位置。第二分割结果可以参照第一分割结果的方式，也可以获得其中感兴趣区域的第二位置。这里在获得第一模态图像中感兴趣区域的第一位置和第二模态图像中感兴趣区域的第二位置之后，一般第一模态图像和第二模态图像两者均是在相同坐标系下的图像，比如预先可以将第一模态图像预先配准至第二模态图像所在的坐标系下，这样两个模态图像的分割结果中感兴趣区域也是在相同坐标系下的，可以进行匹配处理。具体进行匹配处理时，这里可以将第二模态图像中感兴趣区域的第二位置与第一模态图像中感兴趣区域的第一位置进行匹配，判断第一位置中是否存在与第二位置相同的位置，若存在，则该相同位置上两个模态中的感兴趣区域就是目标区域，即两个模态图像中存在相同位置上的相同感兴趣区域。
S304，若存在，则将相应的感兴趣区域确定为目标区域。
在本步骤中，在确定出两个模态中存在相同位置上的相同感兴趣区域之后，说明在第一模态图像中检测出的感兴趣区域在第二模态图像中也存在相同的感兴趣区域，则可以将该相同的感兴趣区域作为目标区域，后续需要进行重点关注以及参数计算。
本实施例中，通过以第一分割结果中的感兴趣区域为参考，确定第二分割结果中是否存在相同的感兴趣区域，并在存在时将其作为目标区域，这样可以快速准确地确定目标区域，提升确定目标区域的效率和准确性，进而提升后续参数计算的效率和准确性。另外，在确定是否存在相同感兴趣区域的过程中通过各分割结果确定各自中感兴趣区域的位置，并通过两者位置匹配以确定是否存在相同的感兴趣区域，这样通过位置匹配获得的结果的精度较高，从而可以进一步提升确定的目标区域的准确性。
以下实施例对上述获取第一模态图像的第一分割结果以及第二模态图像的第二分割结果的过程进行说明。
在另一个实施例中，提供了另一种量化参数确定方法，在上述实施例的基础上，如图4所示，上述S202可以包括以下步骤：
S402，获取待测部位的第一模态图像和待测部位的第二模态图像。
在本步骤中，对于待测部位的各模态图像的获取方式可以参见上述S202中的解释说明，这里就不再赘述。
S404，根据第一模态图像、第二模态图像以及预设的分割模型，确定第一模态图像对应的第一分割结果以及第二模态图像对应的第二分割结果。
在本步骤中，主要是采用分割模型对各模态图像进行分割以获得各模态图像中感兴趣区域的分割结果。
对于这里的分割模型，参见图5所示的训练架构示例图，该分割模型可以是基于多个训练样本对进行训练得到的，每个训练样本对包括第一模态训练样本和第二模态训练样本，且还包括第一模态训练样本对应的第一分割掩膜和第二模态训练样本对应的第二分割掩膜。其中这里的分割模型具有两种标签，即两种分割掩膜，这样可以同时分割出两种模态的训练样本的分割结果。这里每个模态的训练样本中均包括样本区域，该样本区域可以是病灶区域。各模态的分割掩膜可以是二值化掩膜，或者也可以根据样本区域的数量设置为多值化掩膜，具体不作限定。
另外，在获得第一模态图像和第二模态图像之后，也可以对各模态图像进行预处理，该预处理例如可以包括归一化处理，比如将各模态图像的窗宽窗位调整至一定范围内。在预处理完成之后，可以对各模态图像进行配准处理。或者可以是先对各模态图像进行配准处理，之后再进行预处理。
以各模态图像为PET-CT两模态图像为例，通常PET探测器和CT探测器安装在同一机架上，并共用同一扫描床，受检者快速的进行CT扫描后再进行PET扫描。PET-CT一体机虽然能获得两种不同模态融合后的图像，但该机器是由两个探测器分别扫描，扫描时间存在差异，造成两个序列中同一组织或器官的空间位置的不一致。那么为了保证不同模态图像中待测部位或组织在各自影像中的空间分辨率以及位置的一致性，可以对不同模态的图像进行配准处理。
这里作为可选的实施例，可以将第一模态图像配准至第二模态图像所在的坐标系下，获得配准的第一模态图像；将配准的第一模态图像和第二模态图像输入至分割模型中进行分割处理，确定第一分割结果和第二分割结果。
参见图6所示的处理架构图，以第一模态图像是PET图像，第二模态图像是CT图像为例，可以采用刚性配准方式或弹性配准方式将PET图像转换至CT图像所在的空间坐标系下，使得两个模态的图像中的感兴趣区域均处在同一空间坐标系下。配准之后，可以对配准后的PET图像进行归一化处理以及对CT图像进行归一化处理，然后可以将归一化后的配准的PET图像以及归一化后的CT图像同时输入至训练好的分割模型中进行感兴趣区域的分割处理，通过分割模型同时输出各模态图像各自对应的感兴趣区域的分割结果，即可以通过分割模型同时输出PET图像对应的第一分割结果以及CT图像对应的第二分割结果。
本实施例中，通过获取各模态图像并结合分割模型确定各模态图像各自对应的分割结果，其中该分割模型可以是基于多个训练样本对进行训练得到的，且每个训练样本对中包括一对不同模态的训练样本以及各模态训练样本各自对应的分割掩膜，这里通过训练不同模态标签的分割模型，可以同时输入两个不同模态的图像并同时输出各模态图像各自的分割结果，从而可以提升图像分割效率。
上述实施例中提到了分割模型的训练样本对中包括各模态图像对应的分割掩膜，对于各模态的分割掩膜的获取方式，以下实施例给出一种可能的实施方式。
在另一个实施例中，提供了另一种量化参数确定方法，在上述实施例的基础上，如图7所示，上述每个训练样本对中的第一分割掩膜和第二分割掩膜的确定方式可以包括以下步骤：
S502，将每个训练样本对中的第一模态训练样本配准至对应的第二模态训练样本所在的坐标系下。
在本步骤中，在获得各训练样本对之后，可以对各训练样本对中的两个模态的训练样本进行配准处理。对每个训练样本对中各模态训练样本的配准过程，可以是将第一模态训练样本配准至第二模态训练样本所在坐标下，也可以是将第二模态训练样本配准至第一模态训练样本所在坐标下，具体的配准过程可以参见上述S404中各模态图像的配准过程，这里就不再赘述。
在各训练样本对中的两个训练样本配准之后，也可以对配准后的每个训练样本对中的各模态训练样本进行预处理，例如可以是归一化处理，具体的过程可以是：先对各训练样本的窗宽窗位进行调整，窗宽window width记为ww，窗位window level记为wl，具体可以是将各训练样本的图像值局限在[wl-ww/2，wl+ww/2]范围内，不同模态训练样本对应的窗宽和窗位也是不同的，比如这里PET模态的训练样本的ww＝5、wl＝2.5，CT模态的训练样本ww＝400、wl＝40。具体对各训练样本上的图像值进行窗宽窗位调整时可以采用如下公式(1)进行：
其中，x为训练样本上调整后的图像值，在[wl-ww/2，wl+ww/2]范围内的图像值可以保持不变，在范围之外的需要进行截断调整。
之后，可以将图像值调整后，即窗宽窗位调整后的图像进行归一化处理，具体的归一化可以采用如下公式(2)进行：
其中，y为归一化后的图像值。
S504，对配准后第一模态训练样本中的样本区域进行标记，确定第一分割掩膜。
在本步骤中，在获得配准后以及预处理后的第一模态训练样本之后，可以手动或自动对第一模态训练样本中的样本区域进行标记，以第一模态训练样本是PET训练样本为例，这里就可以标记PET训练样本中的SUV较高的异常代谢区域，即高代谢区域。在标记时，具体可以是人工勾画或采用分割网络等获得训练样本中样本区域所在的轮廓，并将轮廓内的区域的像素值和其他区域的像素值区分开，比如只存在一个样本区域时，将样本区域轮廓内的区域的像素值设置为1，将其他区域的像素值设置为0，以将样本区域和其他区域分隔开，获得第一分割掩膜。
S506，根据第一分割掩膜，以及第二模态训练样本中样本区域的边缘轮廓，确定第二分割掩膜。
在本步骤中，在标记并获得第一模态训练样本的第一分割掩膜之后，可以基于第一分割掩膜中标记的样本区域的位置信息，比如中心点位置，在预处理后的第二模态训练样本中定位出相同的样本区域；然后结合第二模态训练样本中相同样本区域的边缘轮廓信息，在第二模态训练样本中人工勾画出或采用分割网络等获得该相同样本区域所在的轮廓，并将轮廓内的区域的像素值和其他区域的像素值区分开，比如只存在一个样本区域时，将样本区域轮廓内的区域的像素值设置为1，将其他区域的像素值设置为0，以将样本区域和其他区域分隔开，获得第二分割掩膜。
这里基于第一模态训练样本的第一分割掩膜，在第二模态训练样本中勾画相同的区域以获得第二分割掩膜，这样第二分割掩膜中的样本区域即是在第一分割掩膜中完全存在的，以第二模态训练样本是CT训练样本为例，这里在标记PET训练样本中的SUV较高的异常代谢区域后，也可以在CT训练样本中标记PET上异常高代谢区域对应至CT训练样本上的区域，获得相应的分割掩膜。
示例的，以训练样本对中的第一模态训练样本是PET训练样本，第二模态训练样本是CT训练样本为例，具体的配准、标记样本区域以获得分割掩膜过程中的示例图可以参见图8所示。其中，第一排的三个图像依次为配准后的PET图像、PET高代谢区域示意图、PET图像的分割掩膜(金标准)，第二排的三个图像依次为CT图像、PET图像上高代谢区域对应CT图像上的示意图、CT图像的分割掩膜(金标准)。可见，这里在设置不同模态图像的金标准分割掩膜时，比如针对PET和CT，在通过标注病灶获得各自的金标准分割掩膜的过程中，只标注PET图像上的高代谢区域，对于在CT图像中存在的病灶而在PET图像中不存在的病灶(例如图8第二排第二个图像中方框所在的区域)，在生成CT图像的金标准分割掩膜时，不做标注，即只有在PET图像上标注的病灶，才会相应地在CT图像上进行相同的病灶标注，例如在PET图像的第一排第二个图像中存在的高代谢区域，该高代谢区域对应至CT图像中第二排第二个图像上，就是图中各个椭圆虚线圈中包括的区域。
上述实施例中通过PET图像引导CT图像上病灶的分割，即在CT图像上病灶分割网络引入PET图像，根据PET图像上的高代谢区域，指导CT图像上病灶区域的分割。这样借助PET图像上高摄取的区域引导分割网络分割出CT图像上对应的病灶分割结果，可以使CT图像的分割更精确；
本实施例中，通过将每个训练样本对中的第一模态训练样本配准至第二模态训练样本所在坐标系下，并对配准后的第一模态训练样本进行标记以获得第一分割掩膜，以及基于第一分割掩膜以及第二模态训练样本中样本区域的边缘轮廓获得第二分割掩膜，这样通过配准以及借助第一模态训练样本的分割掩膜引导网络分割获得第二模态训练样本的分割掩膜，可以使获得的第二模态训练样本的分割掩膜更准确。
以下实施例具体对上述分割模型的训练过程进行说明。
在另一个实施例中，提供了另一种量化参数确定方法，在上述实施例的基础上，如图9所示，上述分割模型的训练方式可以包括以下步骤：
S602，根据初始分割模型确定第一模态训练样本对应的第一预测分割结果和第二模态训练样本对应的第二预测分割结果。
在本步骤中，在获得每个训练样本对中的第一模态训练样本以及第二模态训练样本之后，可以将每个训练样本对中的这两个图像输入至初始分割模型中，获得两个模态训练样本各自对应的预测分割结果，该预测分割结果可以包括样本区域的预测概率图、样本区域的标识等。其中第一模态训练样本的预测分割结果记为第一预测分割结果，第二模态训练样本的预测分割结果记为第二预测分割结果。
S604，计算第一预测分割结果和第二预测分割结果之间的第一交集，以及计算第一分割掩膜和第二分割掩膜之间的第二交集。
在本步骤中，在获得每个训练样本对的两个预测分割结果之后，以一个训练样本对为例，假设第一预测分割结果为A’，第一预测分割结果对应的第一分割掩膜(即金标准)为A，第二预测分割结果为B’，第二预测分割结果对应的第二分割掩膜(即金标准)为B，那么这里可以计算第一预测分割结果A’和对应的第一分割掩膜A之间的第一损失L1，同时可以计算第二预测分割结果B’和对应的第二分割掩膜B之间的第一损失L2。
然后还可以计算该训练样本对中两个预测分割结果之间共同的预测概率图，即两者之间的交集，记为第一交集C’，C’＝A’*B’；同时可以计算该训练样本对所对应的两个金标准分割掩膜之间的共同部分，即两者之间的交集，记为第二交集C，C＝A*B；然后可以计算这两个交集C和C’之间的损失L3。
S606，根据第一交集和第二交集之间的损失对初始分割模型进行训练，获得分割模型。
在本步骤中，上述在获得三个损失L1、L2以及L3之后，可以对L1、L2以及L3进行加权求和或者直接求和等方式求得总损失L，总损失L＝w1*L1+w2*L2+w3*L3，其中，w1+w2+w3＝1，这里可以设置w1，w2为较高的值，w3为较低的值，提高模型对不同模态图像的分割性能。然后可以采用总损失进行反向传播对初始分割模型的网络参数进行调整，网络反复迭代直到收敛(比如损失值稳定或达到阈值等情况)，确定初始分割模型训练好，则固定网络参数，获得训练好的分割模型。
其中，L1，L2，L3可以是focal loss，也可以是Dice loss，还可以是focal loss+Dice loss，或者还可以是其他损失函数。
上述在分割模型训练过程中，通过计算不同模态下的预测分割结果与金标准分割掩膜之间的损失函数，可以提高相应模态图像的分割精确率；进一步，引入共同的损失函数，即通过计算两个训练样本的预测结果的交集以及金标准的交集之间的损失，这样可以提高整个模型的分割精确性及稳定性。
本实施例中，通过初始分割模型获得训练样本对中两个训练样本各自对应的预测分割结果，并计算两个预测分割结果之间的交集以及计算相应的两个分割掩膜之间的交集，然后通过两个交集之间的损失对初始分割模型进行训练获得训练好的分割模型，这样结合两个训练样本的预测结果的交集以及金标准的交集之间的损失对模型进行训练，可以使模型能够更专注学习对不同模态图像的分割，提升对不同模态图像的分割性能及模型稳定性。
以下给出一个详细实施例来对本申请的技术方案进行详细说明，在上述实施例的基础上，该方法可以包括以下步骤：
一、分割模型训练过程
S11，获取多个训练样本对，每个训练样本对包括第一模态训练样本和第二模态训练样本；
S12，将每个训练样本对中的第一模态训练样本配准至对应的第二模态训练样本所在的坐标系下；
S13，对配准后第一模态训练样本中的样本区域进行标记，确定第一分割掩膜；
S14，根据第一分割掩膜，以及第二模态训练样本中样本区域的边缘轮廓，确定第二分割掩膜；
S15，将第一模态训练样本以及第二模态训练样本输入至初始分割模型进行分割处理，获得第一预测分割结果和第二预测分割结果；
S16，计算第一预测分割结果和第一分割掩膜之间的第一损失，以及计算第二预测分割结果和第二分割掩膜之间的第二损失；
S17，计算第一预测分割结果和第二预测分割结果之间的第一交集，以及计算第一分割掩膜和第二分割掩膜之间的第二交集；
S18，计算第一交集和第二交集之间的第三损失；
S19，根据第一损失、第二损失以及第三损失对初始分割模型进行训练，获得分割模型。
二、分割模型使用过程
S21，获取第一模态图像以及第二模态图像；
S22，将第一模态图像配准至第二模态图像所在的坐标系下，获得配准的第一模态图像；
S23，将配准的第一模态图像以及第二模态图像输入至训练好的分割模型进行分割处理，获得第一分割结果和第二分割结果；上述第一分割结果和第二分割结果均是针对待测部位中的感兴趣区域进行分割获得的；
S24，根据第一分割结果确定其中感兴趣区域的第一位置，以及根据第二分割结果确定其中感兴趣区域的第二位置；
S25，以第一位置为参考，将第一位置和第二位置进行匹配；
S26，若匹配成功，则确定第二分割结果中存在相应的感兴趣区域；
S27，将相应的感兴趣区域确定为目标区域；
S28，根据第二分割结果对目标区域进行参数计算，确定目标区域的量化参数。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的量化参数确定方法的量化参数确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个量化参数确定装置实施例中的具体限定可以参见上文中对于量化参数确定方法的限定，在此不再赘述。
在一个实施例中，如图10所示，提供了一种量化参数确定装置，包括：分割结果确定模块、目标区域确定模块以及参数计算模块，其中：
分割结果确定模块，用于获取第一模态图像对应的第一分割结果和第二模态图像对应的第二分割结果；上述第一分割结果和第二分割结果均是针对待测部位中的感兴趣区域进行分割获得的；
目标区域确定模块，用于根据第一分割结果和第二分割结果，确定感兴趣区域中的目标区域；
参数计算模块，用于根据第二分割结果对目标区域进行参数计算，确定目标区域的量化参数。
在另一个实施例中，提供了另一种量化参数确定装置，在上述实施例的基础上，上述目标区域确定模块，可以包括：
判断单元，用于以第一分割结果中的感兴趣区域为参考，确定第二分割结果中是否存在相应的感兴趣区域；
目标区域确定单元，用于若存在，则将相应的感兴趣区域确定为目标区域。
可选的，上述判断单元，可以包括：
位置确定子单元，用于根据第一分割结果确定其中感兴趣区域的第一位置，以及根据第二分割结果确定其中感兴趣区域的第二位置；
匹配子单元，用于以第一位置为参考，将第一位置和第二位置进行匹配；
区域确定子单元，用于若匹配成功，则确定第二分割结果中存在相应的感兴趣区域。
在另一个实施例中，提供了另一种量化参数确定装置，在上述实施例的基础上，上述分割结果确定模块，可以包括：
图像获取单元，用于获取待测部位的第一模态图像和待测部位的第二模态图像；
分割单元，用于根据第一模态图像、第二模态图像以及预设的分割模型，确定第一模态图像对应的第一分割结果以及第二模态图像对应的第二分割结果；
其中，上述分割模型是基于多个训练样本对进行训练得到的，每个训练样本对包括第一模态训练样本和第二模态训练样本，且还包括第一模态训练样本对应的第一分割掩膜和第二模态训练样本对应的第二分割掩膜。
可选的，上述分割单元可以包括：
配准子单元，用于将第一模态图像配准至第二模态图像所在的坐标系下，获得配准的第一模态图像；
分割子单元，用于将配准的第一模态图像和第二模态图像输入至分割模型中进行分割处理，确定第一分割结果和第二分割结果。
在另一个实施例中，提供了另一种量化参数确定装置，在上述实施例的基础上，上述装置还包括掩膜确定模块，该掩膜确定模块，可以包括：
训练样本配准单元，用于将每个训练样本对中的第一模态训练样本配准至对应的第二模态训练样本所在的坐标系下；
第一掩膜确定单元，用于对配准后第一模态训练样本中的样本区域进行标记，确定第一分割掩膜；
第二掩膜确定单元，用于根据第一分割掩膜，以及第二模态训练样本中样本区域的边缘轮廓，确定第二分割掩膜。
在另一个实施例中，提供了另一种量化参数确定装置，在上述实施例的基础上，上述装置还包括训练模块，该训练模块，可以包括：
预测单元，用于根据初始分割模型确定第一模态训练样本对应的第一预测分割结果和第二模态训练样本对应的第二预测分割结果；
计算单元，用于计算第一预测分割结果和第二预测分割结果之间的第一交集，以及计算第一分割掩膜和第二分割掩膜之间的第二交集；
训练单元，用于根据第一交集和第二交集之间的损失对初始分割模型进行训练，获得分割模型。
上述量化参数确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取第一模态图像对应的第一分割结果和第二模态图像对应的第二分割结果；上述第一分割结果和第二分割结果均是针对待测部位中的感兴趣区域进行分割获得的；根据第一分割结果和第二分割结果，确定感兴趣区域中的目标区域；根据第二分割结果对目标区域进行参数计算，确定目标区域的量化参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
以第一分割结果中的感兴趣区域为参考，确定第二分割结果中是否存在相应的感兴趣区域；若存在，则将相应的感兴趣区域确定为目标区域。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据第一分割结果确定其中感兴趣区域的第一位置，以及根据第二分割结果确定其中感兴趣区域的第二位置；以第一位置为参考，将第一位置和第二位置进行匹配；若匹配成功，则确定第二分割结果中存在相应的感兴趣区域。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取待测部位的第一模态图像和待测部位的第二模态图像；根据第一模态图像、第二模态图像以及预设的分割模型，确定第一模态图像对应的第一分割结果以及第二模态图像对应的第二分割结果；其中，上述分割模型是基于多个训练样本对进行训练得到的，每个训练样本对包括第一模态训练样本和第二模态训练样本，且还包括第一模态训练样本对应的第一分割掩膜和第二模态训练样本对应的第二分割掩膜。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将每个训练样本对中的第一模态训练样本配准至对应的第二模态训练样本所在的坐标系下；对配准后第一模态训练样本中的样本区域进行标记，确定第一分割掩膜；根据第一分割掩膜，以及第二模态训练样本中样本区域的边缘轮廓，确定第二分割掩膜。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将第一模态图像配准至第二模态图像所在的坐标系下，获得配准的第一模态图像；将配准的第一模态图像和第二模态图像输入至分割模型中进行分割处理，确定第一分割结果和第二分割结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据初始分割模型确定第一模态训练样本对应的第一预测分割结果和第二模态训练样本对应的第二预测分割结果；计算第一预测分割结果和第二预测分割结果之间的第一交集，以及计算第一分割掩膜和第二分割掩膜之间的第二交集；根据第一交集和第二交集之间的损失对初始分割模型进行训练，获得分割模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取第一模态图像对应的第一分割结果和第二模态图像对应的第二分割结果；上述第一分割结果和第二分割结果均是针对待测部位中的感兴趣区域进行分割获得的；根据第一分割结果和第二分割结果，确定感兴趣区域中的目标区域；根据第二分割结果对目标区域进行参数计算，确定目标区域的量化参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
以第一分割结果中的感兴趣区域为参考，确定第二分割结果中是否存在相应的感兴趣区域；若存在，则将相应的感兴趣区域确定为目标区域。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据第一分割结果确定其中感兴趣区域的第一位置，以及根据第二分割结果确定其中感兴趣区域的第二位置；以第一位置为参考，将第一位置和第二位置进行匹配；若匹配成功，则确定第二分割结果中存在相应的感兴趣区域。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取待测部位的第一模态图像和待测部位的第二模态图像；根据第一模态图像、第二模态图像以及预设的分割模型，确定第一模态图像对应的第一分割结果以及第二模态图像对应的第二分割结果；其中，上述分割模型是基于多个训练样本对进行训练得到的，每个训练样本对包括第一模态训练样本和第二模态训练样本，且还包括第一模态训练样本对应的第一分割掩膜和第二模态训练样本对应的第二分割掩膜。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将每个训练样本对中的第一模态训练样本配准至对应的第二模态训练样本所在的坐标系下；对配准后第一模态训练样本中的样本区域进行标记，确定第一分割掩膜；根据第一分割掩膜，以及第二模态训练样本中样本区域的边缘轮廓，确定第二分割掩膜。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将第一模态图像配准至第二模态图像所在的坐标系下，获得配准的第一模态图像；将配准的第一模态图像和第二模态图像输入至分割模型中进行分割处理，确定第一分割结果和第二分割结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据初始分割模型确定第一模态训练样本对应的第一预测分割结果和第二模态训练样本对应的第二预测分割结果；计算第一预测分割结果和第二预测分割结果之间的第一交集，以及计算第一分割掩膜和第二分割掩膜之间的第二交集；根据第一交集和第二交集之间的损失对初始分割模型进行训练，获得分割模型。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取第一模态图像对应的第一分割结果和第二模态图像对应的第二分割结果；上述第一分割结果和第二分割结果均是针对待测部位中的感兴趣区域进行分割获得的；根据第一分割结果和第二分割结果，确定感兴趣区域中的目标区域；根据第二分割结果对目标区域进行参数计算，确定目标区域的量化参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
以第一分割结果中的感兴趣区域为参考，确定第二分割结果中是否存在相应的感兴趣区域；若存在，则将相应的感兴趣区域确定为目标区域。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据第一分割结果确定其中感兴趣区域的第一位置，以及根据第二分割结果确定其中感兴趣区域的第二位置；以第一位置为参考，将第一位置和第二位置进行匹配；若匹配成功，则确定第二分割结果中存在相应的感兴趣区域。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取待测部位的第一模态图像和待测部位的第二模态图像；根据第一模态图像、第二模态图像以及预设的分割模型，确定第一模态图像对应的第一分割结果以及第二模态图像对应的第二分割结果；其中，上述分割模型是基于多个训练样本对进行训练得到的，每个训练样本对包括第一模态训练样本和第二模态训练样本，且还包括第一模态训练样本对应的第一分割掩膜和第二模态训练样本对应的第二分割掩膜。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将每个训练样本对中的第一模态训练样本配准至对应的第二模态训练样本所在的坐标系下；对配准后第一模态训练样本中的样本区域进行标记，确定第一分割掩膜；根据第一分割掩膜，以及第二模态训练样本中样本区域的边缘轮廓，确定第二分割掩膜。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将第一模态图像配准至第二模态图像所在的坐标系下，获得配准的第一模态图像；将配准的第一模态图像和第二模态图像输入至分割模型中进行分割处理，确定第一分割结果和第二分割结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据初始分割模型确定第一模态训练样本对应的第一预测分割结果和第二模态训练样本对应的第二预测分割结果；计算第一预测分割结果和第二预测分割结果之间的第一交集，以及计算第一分割掩膜和第二分割掩膜之间的第二交集；根据第一交集和第二交集之间的损失对初始分割模型进行训练，获得分割模型。
需要说明的是，本申请所涉及的数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经过各方充分授权的数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种量化参数确定方法，其特征在于，所述方法包括：
获取第一模态图像对应的第一分割结果和第二模态图像对应的第二分割结果；所述第一分割结果和第二分割结果均是针对待测部位中的感兴趣区域进行分割获得的；
根据所述第一分割结果和所述第二分割结果，确定所述感兴趣区域中的目标区域；
根据所述第二分割结果对所述目标区域进行参数计算，确定所述目标区域的量化参数。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一分割结果和所述第二分割结果，确定所述感兴趣区域中的目标区域，包括：
以所述第一分割结果中的感兴趣区域为参考，确定所述第二分割结果中是否存在相应的感兴趣区域；
若存在，则将相应的感兴趣区域确定为所述目标区域。
3.根据权利要求2所述的方法，其特征在于，所述以所述第一分割结果中的感兴趣区域为参考，确定所述第二分割结果中是否存在相应的感兴趣区域，包括：
根据所述第一分割结果确定其中感兴趣区域的第一位置，以及根据所述第二分割结果确定其中感兴趣区域的第二位置；
以所述第一位置为参考，将所述第一位置和所述第二位置进行匹配；
若匹配成功，则确定所述第二分割结果中存在相应的感兴趣区域。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述获取第一模态图像对应的第一分割结果和第二模态图像对应的第二分割结果，包括：
获取所述待测部位的第一模态图像和所述待测部位的第二模态图像；
根据所述第一模态图像、所述第二模态图像以及预设的分割模型，确定所述第一模态图像对应的第一分割结果以及所述第二模态图像对应的第二分割结果；
其中，所述分割模型是基于多个训练样本对进行训练得到的，每个所述训练样本对包括第一模态训练样本和第二模态训练样本，且还包括第一模态训练样本对应的第一分割掩膜和第二模态训练样本对应的第二分割掩膜。
5.根据权利要求4所述的方法，其特征在于，每个所述训练样本对中的第一分割掩膜和第二分割掩膜的确定方式包括：
将每个所述训练样本对中的第一模态训练样本配准至对应的第二模态训练样本所在的坐标系下；
对配准后第一模态训练样本中的样本区域进行标记，确定所述第一分割掩膜；
根据所述第一分割掩膜，以及所述第二模态训练样本中样本区域的边缘轮廓，确定所述第二分割掩膜。
6.根据权利要求4所述的方法，其特征在于，所述根据所述第一模态图像、所述第二模态图像以及预设的分割模型，确定所述第一模态图像对应的第一分割结果以及所述第二模态图像对应的第二分割结果，包括：
将所述第一模态图像配准至所述第二模态图像所在的坐标系下，获得配准后的第一模态图像；
将所述配准后的第一模态图像和所述第二模态图像输入至所述分割模型中进行分割处理，确定所述第一分割结果和所述第二分割结果。
7.根据权利要求4所述的方法，其特征在于，所述分割模型的训练方式包括：
根据初始分割模型确定所述第一模态训练样本对应的第一预测分割结果和所述第二模态训练样本对应的第二预测分割结果；
计算所述第一预测分割结果和所述第二预测分割结果之间的第一交集，以及计算所述第一分割掩膜和所述第二分割掩膜之间的第二交集；
根据所述第一交集和所述第二交集之间的损失对所述初始分割模型进行训练，获得所述分割模型。
8.一种量化参数确定装置，其特征在于，所述装置包括：
分割结果确定模块，用于获取第一模态图像对应的第一分割结果和第二模态图像对应的第二分割结果；所述第一分割结果和第二分割结果均是针对待测部位中的感兴趣区域进行分割获得的；
目标区域确定模块，用于根据所述第一分割结果和所述第二分割结果，确定所述感兴趣区域中的目标区域；
参数计算模块，用于根据所述第二分割结果对所述目标区域进行参数计算，确定所述目标区域的量化参数。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310402609.0A CN116468738A (zh) | 2023-04-13 | 2023-04-13 | 量化参数确定方法、装置、设备和存储介质 |
| PCT/CN2023/129173 WO2024094088A1 (en) | 2022-11-01 | 2023-11-01 | Systems and methods for image analysis |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310402609.0A CN116468738A (zh) | 2023-04-13 | 2023-04-13 | 量化参数确定方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116468738A true CN116468738A (zh) | 2023-07-21 |
Family
ID=87183770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310402609.0A Pending CN116468738A (zh) | 2022-11-01 | 2023-04-13 | 量化参数确定方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116468738A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024094088A1 (en) * | 2022-11-01 | 2024-05-10 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image analysis |
-
2023
- 2023-04-13 CN CN202310402609.0A patent/CN116468738A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024094088A1 (en) * | 2022-11-01 | 2024-05-10 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image analysis |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10769791B2 (en) | Systems and methods for cross-modality image segmentation | |
| US9858665B2 (en) | Medical imaging device rendering predictive prostate cancer visualizations using quantitative multiparametric MRI models | |
| US8498492B2 (en) | Methods of analyzing a selected region of interest in medical image data | |
| US8452378B2 (en) | Method for determining attenuation values for PET data of a patient | |
| Haider et al. | Combined T2-weighted and diffusion-weighted MRI for localization of prostate cancer | |
| Rudie et al. | Three-dimensional U-Net convolutional neural network for detection and segmentation of intracranial metastases | |
| Turkbey et al. | Fully automated prostate segmentation on MRI: comparison with manual segmentation methods and specimen volumes | |
| Lavdas et al. | Fully automatic, multiorgan segmentation in normal whole body magnetic resonance imaging (MRI), using classification forests (CF s), convolutional neural networks (CNN s), and a multi‐atlas (MA) approach | |
| Barrett et al. | Ratio of tumor to normal prostate tissue apparent diffusion coefficient as a method for quantifying DWI of the prostate | |
| CN108846829B (zh) | 病变部位识别装置、计算机装置及可读存储介质 | |
| Netzer et al. | Fully automatic deep learning in bi-institutional prostate magnetic resonance imaging: effects of cohort size and heterogeneity | |
| CN111028212B (zh) | 关键点检测方法、装置、计算机设备和存储介质 | |
| Rezaeijo et al. | Segmentation of the prostate, its zones, anterior fibromuscular stroma, and urethra on the MRIs and multimodality image fusion using U-Net model | |
| CN111325714A (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
| CN110910335B (zh) | 一种图像处理方法、图像处理设备及计算机可读存储介质 | |
| CN116468738A (zh) | 量化参数确定方法、装置、设备和存储介质 | |
| Transin et al. | Computer-aided diagnosis system for characterizing ISUP grade≥ 2 prostate cancers at multiparametric MRI: A cross-vendor evaluation | |
| KR20200120311A (ko) | 의료 영상을 이용한 암의 병기 결정 방법 및 의료 영상 분석 장치 | |
| CN110136076A (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
| CN113192031B (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
| Liu et al. | A deep learning model based on MRI and clinical factors facilitates noninvasive evaluation of KRAS mutation in rectal cancer | |
| Hosch et al. | Artificial intelligence guided enhancement of digital PET: scans as fast as CT? | |
| Hardie et al. | Improved performance of SPECT-CT In-111 capromab pendetide by correlation with diffusion-weighted magnetic resonance imaging for identifying metastatic pelvic lymphadenopathy in prostate cancer | |
| Monge et al. | Acquisition models in intraoperative positron surface imaging | |
| Qu et al. | Construction and evaluation of a gated high-resolution neural network for automatic brain metastasis detection and segmentation |
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 |