CN117745693A - 病灶靶区的勾画方法、装置、设备和存储介质 - Google Patents

Abstract

本申请涉及一种病灶靶区的勾画方法、装置、设备和存储介质。该方法包括：获取目标部位的医学影像；将医学影像输入至病灶检测模型中，通过病灶检测模型对医学影像中的病灶靶区和病灶残差进行预测，得到预测病灶靶区和预测病灶残差；病灶残差是指病灶检测模型输出的预测病灶靶区与真实病灶靶区之间的差异；基于预测病灶靶区和预测病灶残差，确定医学影像中的病灶靶区勾画结果。采用本方法能够准确地对病灶靶区进行勾画。

Description

病灶靶区的勾画方法、装置、设备和存储介质

技术领域

本申请涉及医疗技术领域，特别是涉及一种病灶靶区的勾画方法、装置、设备和存储介质。

背景技术

随着目标检测技术的不断发展，目标检测技术也越来也多地应用于医疗领域中。

以目标检测是病灶检测为例，相关技术中，在进行病灶检测时，需要在医学影像上进行病灶靶区勾画，以基于勾画的病灶靶区确定病灶检测结果。

然而，相关技术的方法无法准确地对病灶靶区进行勾画。

发明内容

基于此，有必要针对上述技术问题，提供一种病灶靶区的勾画方法、装置、设备和存储介质，能够准确地对病灶靶区进行勾画。

第一方面，本申请提供了一种病灶靶区勾画方法，该方法包括：

获取目标部位的医学影像；

将医学影像输入至病灶检测模型中，通过病灶检测模型对医学影像中的病灶靶区和病灶残差进行预测，得到预测病灶靶区和预测病灶残差；病灶残差是指病灶检测模型输出的预测病灶靶区与真实病灶靶区之间的差异；

基于预测病灶靶区和预测病灶残差，确定医学影像中的病灶靶区勾画结果。

在其中一个实施例中，病灶检测模型包括影像编码器和预测解码器；通过病灶检测模型对医学影像中的病灶靶区和病灶残差进行预测，得到预测病灶靶区和预测病灶残差，包括：

通过影像编码器提取医学影像的影像特征信息；

将影像特征信息输入至预测解码器中，通过预测解码器对医学影像中的病灶靶区和病灶残差进行预测，得到预测病灶靶区和预测病灶残差。

在其中一个实施例中，预测编码器包括靶区解码器和残差解码器；

通过预测解码器对医学影像中的病灶靶区和病灶残差进行预测，得到预测病灶靶区和预测病灶残差，包括：

将影像特征信息输入至靶区解码器中，通过靶区解码器对医学影像中的病灶靶区进行预测，得到预测病灶靶区；以及，

将影像特征信息输入至残差解码器中，通过残差解码器对医学影像中的病灶残差进行预测，得到预测病灶残差。

在其中一个实施例中，基于预测病灶靶区和预测病灶残差，确定医学影像中的病灶靶区勾画结果，包括：

将预测病灶靶区与预测病灶残差相结合，并将结合结果作为医学影像中的病灶靶区勾画结果。

在其中一个实施例中，病灶检测模型的训练过程包括：

获取样本医学影像和对应的标准病灶勾画；

通过样本医学影像对初始病灶检测模型中的初始靶区解码器和初始残差解码器进行训练，直至病灶检测模型的输出结果满足预设条件，得到病灶检测模型。

在其中一个实施例中，通过样本医学影像对初始病灶检测模型中的初始靶区解码器和初始残差解码器进行训练，包括：

利用样本医学影像对初始靶区解码器进行训练，直至初始靶区解码器的输出结果与标准病灶勾画之间的差值小于第一预设阈值，得到靶区解码器；

通过靶区解码器对样本医学影像中的样本病灶靶区进行预测，并获取预测样本病灶靶区与标准病灶勾画之间的差值；

通过样本医学影像对初始病灶检测模型中的初始残差解码器进行训练，直至初始残差解码器的输出结果与差值之间的残差小于第二预设阈值，得到残差解码器。

在其中一个实施例中，获取样本医学影像和对应的已标注医学影像，包括：

获取初始样本医学影像和初始标准病灶勾画；

对初始样本医学影像和初始标准病灶勾画进行重采样，得到中间样本医学影像和标准病灶勾画；

对中间样本医学影像进行预处理，得到样本医学影像。

第二方面，本申请还提供了一种病灶靶区勾画装置，该装置包括：

获取模块，用于获取目标部位的医学影像；

预测模块，用于将医学影像输入至病灶检测模型中，通过病灶检测模型对医学影像中的病灶靶区和病灶残差进行预测，得到预测病灶靶区和预测病灶残差；病灶残差是指病灶检测模型输出的预测病灶靶区与真实病灶靶区之间的差异；

确定模块，用于基于预测病灶靶区和预测病灶残差，确定医学影像中的病灶靶区勾画结果。

第三方面，本申请还提供了一种计算机设备。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上述第一方面中病灶靶区勾画方法的任意一项实施例的内容。

第四方面，本申请还提供了一种计算机可读存储介质。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上述第一方面中病灶靶区勾画方法的任意一项实施例的内容。

第五方面，本申请还提供了一种计算机程序产品。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上述第一方面中病灶靶区勾画方法的任意一项实施例的内容。

上述病灶靶区的勾画方法、装置、设备和存储介质，获取目标部位的医学影像；将医学影像输入至病灶检测模型中，通过病灶检测模型对医学影像中的病灶靶区和病灶残差进行预测，得到预测病灶靶区和预测病灶残差；病灶残差是指病灶检测模型输出的预测病灶靶区与真实病灶靶区之间的差异；基于预测病灶靶区和预测病灶残差，确定医学影像中的病灶靶区勾画结果。该方法通过病灶检测模型对医学影像进行分析，不仅能够对病灶靶区进行预测，还能对病灶残差部分进行预测，也就是说，该病灶检测模型能够检测出细节更丰富的病灶区域，其检测的精确度更高。这样，通过细节更丰富的病灶区域，就可以更准确地对病灶靶区进行勾画。

附图说明

图1为一个实施例中病灶靶区勾画方法的应用环境图；

图2为一个实施例中病灶靶区勾画方法的流程示意图；

图3为一个实施例中病灶靶区勾画方法的流程示意图；

图4为一个实施例中病灶靶区勾画方法的流程示意图；

图5为一个实施例中病灶检测模型的网络结构示意图；

图6为一个实施例中病灶靶区勾画方法的流程示意图；

图7为一个实施例中病灶靶区勾画方法的流程示意图；

图8为一个实施例中病灶靶区勾画方法的流程示意图；

图9为一个实施例中病灶靶区勾画方法的流程示意图；

图10为一个实施例中病灶检测模型的训练过程示意图；

图11a为一个实施例中第一影像层的实际病灶残差的示意图；

图11b为一个实施例中第一影像层的预测病灶残差的示意图；

图12a为一个实施例中第二影像层的实际病灶残差的示意图；

图12b为一个实施例中第二影像层的预测病灶残差的示意图；

图13a为一个实施例中第三影像层的实际病灶残差的示意图；

图13b为一个实施例中第三影像层的预测病灶残差的示意图；

图14为一个实施例中病灶靶区勾画装置的结构框图。

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。

在对本申请的技术方案进行详细介绍之前，先对本申请的背景技术进行简单介绍。

以病灶靶区是肿瘤为例进行说明，一般情况下，对于肿瘤来说，放疗和化疗是主要的治疗手段。放疗具有创伤小、恢复快等优点，尤其是对于不能接受手术或者手术后复发的患者具有重要意义。

在进行放疗之前，进行病灶靶区的勾画是一项非常重要的工作。病灶靶区勾画是指通过影像学检查和临床资料分析等手段，确定医学图像中的病灶的位置和范围。这样，能够便于医生在此基础上制定个体化的治疗方案。

随着人工智能技术的不断发展和应用，靶区勾画技术也将得到进一步改进和完善，为放疗治疗提供更加精准和高效的支持。

相关技术中，为了进行病灶靶区勾画，一种方法可以通过机器学习模型对大量的影像学数据进行分析和学习，并利用学习后的机器学习模型对医学图像进行分析，以自动识别医学图像中病灶的位置和范围。该方法可以提高病灶靶区勾画的效率，减少医生的工作量。但是，任何模型都很难完全正确地预测出精确的靶区，总会有一些漏画和多画的情况存在，该方法并没有考虑到漏画和多画区域，导致病灶靶区的识别精度不够高。

另一种方法是通过结合人工智能技术和传统放疗方法，通过自动化的方式完成病灶靶区勾画，并将靶区勾画结果与医生的判断相结合，指定个性化的治疗方案。该方法可以减少人为因素的干扰，提高治疗效果和患者生存率。但是，该方法的靶区勾画效率较低。

为了解决上述问题，本申请提供了一种病灶靶区勾画方法，能够准确地对医学影像中的病灶靶区进行勾画。

本申请实施例提供的病灶靶区勾画方法，可以应用于如图1所示的应用环境中。例如，该计算机设备可为服务器、个人计算机、笔记本电脑、智能手机、平板电脑、智能移动电话等。该计算机设备可包括通过系统总线连接或通过无线方式连接的处理器、存储器和网络接口。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可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、计算机程序和数据库。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。该计算机设备的数据库用于存储病灶靶区勾画过程中的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信，该计算机程序被处理器执行时以实现一种病灶靶区勾画方法。其中，该计算机设备可以用独立的计算机设备或者是多个计算机设备组成的计算机设备集群来实现。需要说明的是，该计算机设备的存储器不限于上述的存储器，也可以包括高速随机存取存储器、易失性固态存储器等等。另外，该计算机设备的组成架构不限于上述的情况，也可以增加或省去一部分组件。

在一个实施例中，如图2所示，提供了一种病灶靶区勾画方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：

S201，获取目标部位的医学影像。

其中，目标部位是指携带有病灶区域的部位，例如，目标部位可以是胃部、肺部、头部或者五官等部位。病灶类型可以是肿瘤、炎症、溃疡、血管瘤或者结节等等。医学影像可以是计算机断层扫描（Computed Tomography，CT）影像、核磁共振（Magnetic ResonanceImaging，MRI）影像、正电子发射计算机断层扫描（Positron Emission Tomography，PET）影像或者功能磁共振（functional Magnetic Resonance Imaging，fMRI）影像等。例如，医学影像可以是带有鼻咽肿瘤的影像。

在本申请实施例中，计算机设备可以从影像归档和通信系统（Picture Archivingand Communication Systems，PACS）中获取目标部位的医学影像。或者，计算机设备还可以向医学影像设备发送影像获取指令，医学影像设备接收到该影像获取指令后，对目标部位进行扫描，并将扫描得到的医学影像发送给计算机设备。本实施例对于获取目标部位的医学影像的方式不做限制。

S202，将医学影像输入至病灶检测模型中，通过病灶检测模型对医学影像中的病灶靶区和病灶残差进行预测，得到预测病灶靶区和预测病灶残差；病灶残差是指病灶检测模型输出的预测病灶靶区与真实病灶靶区之间的差异。

其中，预测病灶靶区是指医学影像中的主要病灶区域，预测病灶残差是指除主要病灶区域外的多画或者漏画的区域。

在本申请实施例中，计算机设备可以将医学影像作为病灶检测模型的输入信号，输入至病灶检测模型中。该病灶检测模型通过对医学影像进行分析，可以预测医学影像中的主要病灶靶区和除主要病灶区域外的多画或者漏画的区域，并将主要病灶靶区确定为预测病灶靶区，以及，将除主要病灶区域外的多画或者漏画的区域确定为预测病灶残差。

需要说明的是，病灶检测模型在训练过程中，用于训练的样本医学影像包括多画或者漏画的区域。

S203，基于预测病灶靶区和预测病灶残差，确定医学影像中的病灶靶区勾画结果。

在本申请实施例中，由于预测病灶残差中包括多画和漏画区域，因此，计算机设备可以在预测病灶靶区中将预测病灶残差中的多画区域进行去除，以及，在预测病灶靶区中将预测病灶残差中的漏画区域进行添加，将处理和添加处理后的预测病灶靶区确定为医学影像中的病灶靶区勾画结果。

上述病灶靶区勾画方法中，获取目标部位的医学影像；将医学影像输入至病灶检测模型中，通过病灶检测模型对医学影像中的病灶靶区和病灶残差进行预测，得到预测病灶靶区和预测病灶残差；病灶残差是指病灶检测模型输出的预测病灶靶区与真实病灶靶区之间的差异；基于预测病灶靶区和预测病灶残差，确定医学影像中的病灶靶区勾画结果。该方法通过病灶检测模型对医学影像进行分析，不仅能够对病灶靶区进行预测，还能对病灶残差部分进行预测，也就是说，该病灶检测模型能够检测出细节更丰富的病灶区域，其检测的精确度更高。这样，通过细节更丰富的病灶区域，就可以更准确地对病灶靶区进行勾画。

在上述实施例的基础上，病灶检测模型包括影像编码器和预测解码器；本实施例是对图2中步骤S202中“通过病灶检测模型对医学影像中的病灶靶区和病灶残差进行预测，得到预测病灶靶区和预测病灶残差”的相关内容进行介绍说明。如图3所示，作为非限制性示例，上述步骤S202可以包括如下内容：

S301，通过影像编码器提取医学影像的影像特征信息。

其中，影像特征信息是指在医学影像中可以观测到的特定结构、组织或表现。影像特征信息可以是形态特征、密度特征、强化特征以及信号特征等等。例如，形态特征可以是病灶形状、病灶边缘以及物理体积等特征；密度特征是指病灶的密度是否分布均匀；信号特征可以为医学影像中物体的信号强度，可以通过灰度值对不同的信号强度进行区分。

在本申请实施例中，由于病灶检测模型中包含了影像编码器和预测解码器，在对医学影像进行分析的过程中，计算机设备可以将医学影像输入至影像编码器中，通过影像编码器对医学影像中的信息进行分析，以确定医学影像的影像特征信息。

S302，将影像特征信息输入至预测解码器中，通过预测解码器对医学影像中的病灶靶区和病灶残差进行预测，得到预测病灶靶区和预测病灶残差。

在本申请实施例中，当获取到医学影像的影像特征信息后，可以将影像特征信息输入预测解码器中，预测解码器通过对影像特征信息进行分析，将病灶靶区与其他背景区域进行区分，以获取预测病灶靶区。以及，将病灶残差与其他背景区域进行区分，以获取预测病灶残差。

上述病灶靶区勾画方法中，通过影像编码器提取医学影像的影像特征信息；将影像特征信息输入至预测解码器中，通过预测解码器对医学影像中的病灶靶区和病灶残差进行预测，得到预测病灶靶区和预测病灶残差。该方法通过特征提取的方式，能够准确地获取到医学影像中的影像特征信息，从影像的特征出发，通过特征信息可以明确地将病灶靶区、病灶残差均与其他背景区域进行区分，从而可以准确地对病灶靶区和病灶残差进行预测，以获取到更准确的预测病灶靶区和预测病灶残差。

在上述实施例的基础上，预测编码器包括靶区解码器和残差解码器；本实施例是对图3中步骤S302中“通过预测解码器对医学影像中的病灶靶区和病灶残差进行预测，得到预测病灶靶区和预测病灶残差”的相关内容进行介绍说明。作为非限制性示例，上述步骤S302可以包括如下内容：

将影像特征信息输入至靶区解码器中，通过靶区解码器对医学影像中的病灶靶区进行预测，得到预测病灶靶区；以及，

将影像特征信息输入至残差解码器中，通过残差解码器对医学影像中的病灶残差进行预测，得到预测病灶残差。

在本申请实施例中，由于病灶区域的特征信息与其他背景区域的特征信息是不同的。因此，计算机设备可以将影像特征信息输入至靶区解码器，靶区解码器通过对影像特征信息的分析，可以将病灶区域的特征信息与其他背景区域的特征信息区划分。基于划分结果，就可以从医学影像中确定出病灶靶区，得到预测病灶靶区。

同时，由于病灶残差的特征信息与其他背景区域的特征信息也是不同的。因此，计算机设备可以将影像特征信息输入至靶区解码器，靶区解码器通过对影像特征信息的分析，可以将病灶残差的特征信息与其他背景区域的特征信息区划分。基于划分结果，就可以从医学影像中确定出病灶残差，得到预测病灶靶区。

上述病灶靶区勾画方法中，将影像特征信息输入至靶区解码器中，通过靶区解码器对医学影像中的病灶靶区进行预测，得到预测病灶靶区；以及，将影像特征信息输入至残差解码器中，通过残差解码器对医学影像中的病灶残差进行预测，得到预测病灶残差。该方法通过靶区解码器和残差解码器两个独立的步骤对影像特征信息进行分析，以快速地对病灶靶区和病灶残差进行预测，减少了预测过程所需的时间，提高了获取预测病灶靶区和预测病灶残差的效率。同时，通过独立的方式，避免了病灶残差和病灶靶区两者之间的相互影响，使得到的预测病灶靶区和预测病灶残差的准确度更高。

在上述实施例的基础上，本实施例是对图2中步骤S203中“基于预测病灶靶区和预测病灶残差，确定医学影像中的病灶靶区勾画结果”的相关内容进行介绍说明。作为非限制性示例，上述步骤S203可以包括如下内容：

将预测病灶靶区与预测病灶残差相结合，并将结合结果作为医学影像中的病灶靶区勾画结果。

在本申请实施例中，由于预测病灶残差是指在主要病灶区域的基础上多画或者漏画的区域。因此，当获取到预测病灶靶区和预测病灶残差后，计算机设备可以将预测病灶靶区与预测病灶残差相结合，这样，就可以通过预测病灶靶区对预测病灶靶区中的多画或者漏画区域进行弥补，得到的病灶靶区勾画结果也会更加准确。例如，结合的方式可以是相加或者求加权和。

上述病灶靶区勾画方法中，将预测病灶靶区与预测病灶残差相结合，并将结合结果作为医学影像中的病灶靶区勾画结果。该方法通过将预测病灶靶区与预测病灶残差进行结合，以避免勾画的病灶靶区出现多画或者漏画的情况，这样，得到的病灶靶区勾画结果也会更准确。

作为本申请的一个具体实施例，如图4所示，该病灶靶区勾画方法包括：

S401，获取目标部位的医学影像；

S402，通过影像编码器提取医学影像的影像特征信息；

S403，将影像特征信息输入至靶区解码器中，通过靶区解码器对医学影像中的病灶靶区进行预测，得到预测病灶靶区；

S404，将影像特征信息输入至残差解码器中，通过残差解码器对医学影像中的病灶残差进行预测，得到预测病灶残差；

S405，将预测病灶靶区与预测病灶残差相结合，并将结合结果作为医学影像中的病灶靶区勾画结果。

图5为病灶检测模型的网络结构示意图，该病灶检测模型中包括影像编码器、靶区解码器和残差解码器，其中，影像编码器用于提取医学影像的特征信息。靶区解码器用于对影像特征信息进行分析，确定预测病灶靶区。残差解码器用于对影像特征信息进行分析，确定预测病灶残差。

在上述实施例的基础上，本实施例是对上述病灶检测模型训练的相关内容进行介绍说明。如图6所示，作为非限制性示例，上述方法还可以包括如下内容：

S501，获取样本医学影像和对应的标准病灶勾画。

其中，标准病灶勾画是指通过医生对样本医学影像进行病灶靶区勾画得到的。

在本申请实施例中，计算机设备可以从PACS中获取大量带有病灶区域的医学影像和对应的已完成勾画的医学影像，并将带有病灶区域的医学影像作为样本医学影像，以及，将已完成勾画的医学影像作为样本医学影像对应的标准病灶勾画。

S502，通过样本医学影像对初始病灶检测模型中的初始靶区解码器和初始残差解码器进行训练，直至病灶检测模型的输出结果满足预设条件，得到病灶检测模型。

在本申请实施例中，计算机设备可以将样本医学影像输入至初始病灶检测模型中，通过样本医学影像先对初始靶区解码器进行训练，直至初始靶区解码器的输出结果满足条件。在此基础上，再利用样本医学影像对初始残差解码器进行训练，直至初始靶区解码器的输出结果满足条件。这样，病灶检测模型的输出结果与标准病灶勾画之间的误差值较小，此时训练过程完成，得到训练好的病灶检测模型。

上述病灶靶区勾画方法中，获取样本医学影像和对应的标准病灶勾画；通过样本医学影像对初始病灶检测模型中的初始靶区解码器和初始残差解码器进行训练，直至病灶检测模型的输出结果满足预设条件，得到病灶检测模型。该方法通过样本医学影像分开对初始靶区解码器和初始残差解码器进行训练，避免了训练过程中两个解码器之间的相互影响，使得训练得到的靶区解码器和残差解码器更准确，那么，得到的病灶检测模型也会更准确。

在上述实施例的基础上，本实施例是对图6中步骤S602中“通过样本医学影像对初始病灶检测模型中的初始靶区解码器和初始残差解码器进行训练”的相关内容进行介绍说明。如7所示，作为非限制性示例，上述步骤S602可以包括如下内容：

S601，利用样本医学影像对初始靶区解码器进行训练，直至初始靶区解码器的输出结果与标准病灶勾画之间的差值小于第一预设阈值，得到靶区解码器。

在本申请实施例中，在对初始靶区解码器进行训练的过程中，将样本医学影像输入至初始靶区解码器中，通过初始靶区解码器对样本医学影像进行分析，得到第一次输出结果。计算第一次输出结果与标准病灶勾画之间的差值，若该差值大于或等于第一预设阈值，则通过差值对初始靶区解码器的参数进行调整，直至多次调整后的初始靶区解码器的输出结果与标准病灶勾画之间的差值小于第一预设阈值，表示训练过程完成，得到靶区解码器。

S602，通过靶区解码器对样本医学影像中的样本病灶靶区进行预测，并获取预测样本病灶靶区与标准病灶勾画之间的差值。

在本申请实施例中，当靶区解码器训练完成后，计算机设备可以将样本医学影像输入至训练完成的靶区解码器中，通过靶区解码器对医学影像进行分析，以获取预测样本病灶靶区。并将预测样本病灶靶区与标准病灶勾画作差，得到预测样本病灶靶区与标准病灶勾画之间的差值。

S603，通过样本医学影像对初始病灶检测模型中的初始残差解码器进行训练，直至初始残差解码器的输出结果与差值之间的残差小于第二预设阈值，得到残差解码器。

在本申请实施例中，在对初始残差解码器进行训练的过程中，计算机设备可以将样本医学影像输入至初始残差解码器中，通过初始残差解码器对样本医学影像进行分析，得到第一次输出结果。判断第一次输出结果与差值之间的残差，若该残差大于或等于第二预设阈值，则通过残差对初始残差解码器的参数进行调整，直至多次调整后的初始残差解码器的输出结果与差值之间的残差小于第二预设阈值，表示训练过程完成，得到残差解码器。

示例性的，通过样本医学影像对初始病灶检测模型进行训练，其训练的目的是为了使得训练过程的总损失函数最小。该总损失函数L包括初始靶区解码器训练过程的损失函数和初始残差解码器训练过程的损失函数，通过两个解码器的训练过程，使得两个损失函数最小。在此基础上，再对初始病灶检测模型进行训练，使得初始病灶检测模型训练过程的总损失函数最小。

上述病灶靶区勾画方法中，利用样本医学影像对初始靶区解码器进行训练，直至初始靶区解码器的输出结果与标准病灶勾画之间的差值小于第一预设阈值，得到靶区解码器；通过靶区解码器对样本医学影像中的样本病灶靶区进行预测，并获取预测样本病灶靶区与标准病灶勾画之间的差值；通过样本医学影像对初始病灶检测模型中的初始残差解码器进行训练，直至初始残差解码器的输出结果与差值之间的残差小于第二预设阈值，得到残差解码器。该方法在对初始靶区解码器和初始残差解码器进行训练的过程中，是存在训练的先后顺序的，在靶区解码器训练完成的基础上，再进行残差解码器的训练，这样，训练得到的病灶检测模型可以学习到多画或者漏画区域的特征，使得病灶检测模型的检测准确度更高。

在上述实施例的基础上，本实施例是对图6中步骤S601中“获取样本医学影像和对应的已标注医学影像”的相关内容进行介绍说明。如8所示，作为非限制性示例，上述步骤S601可以包括如下内容：

S701，获取初始样本医学影像和初始标准病灶勾画。

在本申请实施例中，计算机设备可以从PACS中获取大量带有病灶区域的医学影像和对应的已完成勾画的医学影像，并将带有病灶区域的医学影像作为样本医学影像，以及，将已完成勾画的医学影像作为样本医学影像对应的标准病灶勾画。

S702，对初始样本医学影像和初始标准病灶勾画进行重采样，得到中间样本医学影像和标准病灶勾画。

在本申请实施例中，为了增强病灶检测模型的鲁棒性和泛化功能，计算机设备可以将初始样本医学影像和初始标准病灶勾画重采样至一个平均扫描间隔，得到中间样本医学影像和标准病灶勾画。这样，就能够保证初始样本医学影像和初始标准病灶勾画的采样频率一致，便于后续对初始病灶检测模型的训练。

S703，对中间样本医学影像进行预处理，得到样本医学影像。

其中，预处理方式可以包括标准化处理、背景区域裁剪、颜色形状变化等方式。

在本申请实施例中，计算机设备可以将中间样本医学影像的像素值进行标准化处理，例如，将中间样本医学影像的像素值映射至[0，1]中。和/或，计算机设备可以获取中间样本医学影像上的所有像素值，将非零像素值组成的区域进行裁剪，以去除目标部位之外的无效信息，避免无效信息对病灶检测模型训练过程的干扰。和/或，计算机设备可以对中间样本医学影像进行颜色或者形状上的变化，例如，颜色变化可以是基于亮度的伽马（gamma）变换，形状变化可以是旋转、放射变换和随机裁剪等。和/或，计算机设备可以根据实际时间需求和设备性能对中间样本医学影像进行滑窗裁剪。本实施例对于预处理的方式不做限制。

上述病灶靶区勾画方法中，获取初始样本医学影像和初始标准病灶勾画；对初始样本医学影像和初始标准病灶勾画进行重采样，得到中间样本医学影像和标准病灶勾画；对中间样本医学影像进行预处理，得到样本医学影像。该方法通过重采样和预处理的方式，可以对初始样本医学影像进行增强，避免无用信息对模型训练过程的影像，能够提高模型训练的准确度。

作为本申请的一个具体实施例，如图9所示，该病灶靶区勾画方法包括：

S801，获取初始样本医学影像和初始标准病灶勾画；

S802，对初始样本医学影像和初始标准病灶勾画进行重采样，得到中间样本医学影像和标准病灶勾画；

S803，对中间样本医学影像进行预处理，得到样本医学影像；

S804，利用样本医学影像对初始靶区解码器进行训练，直至初始靶区解码器的输出结果与标准病灶勾画之间的差值小于第一预设阈值，得到靶区解码器；

S805，通过靶区解码器对样本医学影像中的样本病灶靶区进行预测，并获取预测样本病灶靶区与标准病灶勾画之间的差值；

S806，通过样本医学影像对初始病灶检测模型中的初始残差解码器进行训练，直至初始残差解码器的输出结果与差值之间的残差小于第二预设阈值，得到残差解码器。

图10为病灶检测模型的训练过程示意图，该训练过程包括：S901：获取样本医学图像和对应的标准病灶勾画；S902：通过初始编码器提取样本图像的特征信息；S903：利用特征信息对初始靶区解码器进行训练，直至初始靶区解码器的输出结果与标准病灶勾画之间的差值小于第一预设阈值，得到训练完成的靶区解码器；S904：通过靶区解码器对样本医学影像中的样本病灶靶区进行预测，并获取预测样本病灶靶区与标准病灶勾画之间的差值；S905：通过样本医学影像对初始病灶检测模型中的初始残差解码器进行训练，直至初始残差解码器的输出结果与差值之间的残差小于第二预设阈值，得到残差解码器；S906：将训练完成的靶区解码器和残差解码器确定为训练完成的病灶检测模型。

图11-图13均为病灶残差的示意图，分别选取同一个患者同一部位的不同影像层的图像进行说明，图11a表示第一影像层的实际病灶残差，图11b表示第一影像层的预测病灶残差；图12a表示第二影像层的实际病灶残差，图12b表示第二影像层的预测病灶残差；图13a表示第三影像层的实际病灶残差，图13b表示第三影像层的预测病灶残差。由三组对比图像可以看到，在不同影像层上的残差预测结果与真实残差的对比，对比来看，通过预测过程可以将病灶残差的大体形状勾画出来，预测病灶残差的结果基本可以预测多画或者漏画区域的形状。

应该理解的是，虽然如上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病灶靶区勾画方法的病灶靶区勾画装置。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病灶靶区勾画装置实施例中的具体限定可以参见上文中对于病灶靶区勾画方法的限定，在此不再赘述。

在一个实施例中，如图14所示，提供了一种病灶靶区勾画装置，包括：获取模块11、预测模块12和确定模块13，其中：

获取模块11，用于获取目标部位的医学影像；

预测模块12，用于将医学影像输入至病灶检测模型中，通过病灶检测模型对医学影像中的病灶靶区和病灶残差进行预测，得到预测病灶靶区和预测病灶残差；病灶残差是指病灶检测模型输出的预测病灶靶区与真实病灶靶区之间的差异；

确定模块13，用于基于预测病灶靶区和预测病灶残差，确定医学影像中的病灶靶区勾画结果。

在一个实施例中，上述预测模块包括：提取单元和预测单元，其中：

提取单元，用于通过影像编码器提取医学影像的影像特征信息；

预测单元，用于将影像特征信息输入至预测解码器中，通过预测解码器对医学影像中的病灶靶区和病灶残差进行预测，得到预测病灶靶区和预测病灶残差。

在一个实施例中，上述预测单元还用于将影像特征信息输入至靶区解码器中，通过靶区解码器对医学影像中的病灶靶区进行预测，得到预测病灶靶区；以及，将影像特征信息输入至残差解码器中，通过残差解码器对医学影像中的病灶残差进行预测，得到预测病灶残差。

在一个实施例中，上述确定模块包括确定单元，其中：

确定单元，还用于将预测病灶靶区与预测病灶残差相结合，并将结合结果作为医学影像中的病灶靶区勾画结果。

在一个实施例中，上述病灶靶区勾画装置还包括：样本获取模块和训练模块，其中：

样本获取模块，用于获取样本医学影像和对应的标准病灶勾画；

训练模块，用于通过样本医学影像对初始病灶检测模型中的初始靶区解码器和初始残差解码器进行训练，直至病灶检测模型的输出结果满足预设条件，得到病灶检测模型。

在一个实施例中，上述训练模块包括：第一训练单元、样本预测单元和第二训练单元，其中：

第一训练单元，用于利用样本医学影像对初始靶区解码器进行训练，直至初始靶区解码器的输出结果与标准病灶勾画之间的差值小于第一预设阈值，得到靶区解码器；

样本预测单元，用于通过靶区解码器对样本医学影像中的样本病灶靶区进行预测，并获取预测样本病灶靶区与标准病灶勾画之间的差值；

第二训练单元，用于通过样本医学影像对初始病灶检测模型中的初始残差解码器进行训练，直至初始残差解码器的输出结果与差值之间的残差小于第二预设阈值，得到残差解码器。

在一个实施例中，上述样本获取模块包括：样本获取单元、重采样单元和预处理单元，其中：

样本获取单元，用于获取初始样本医学影像和初始标准病灶勾画；

重采样单元，用于对初始样本医学影像和初始标准病灶勾画进行重采样，得到中间样本医学影像和标准病灶勾画；

预处理单元，用于对中间样本医学影像进行预处理，得到样本医学影像。

上述病灶靶区勾画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上述病灶靶区勾画方法中任意一项实施例的内容。

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上述病灶靶区勾画方法中任意一项实施例的内容。

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上述病灶靶区勾画方法中任意一项实施例的内容。

需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。

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。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-Only Memory，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（FerroelectricRandom 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（StaticRandom Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access 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)

1.一种病灶靶区的勾画方法，其特征在于，所述方法包括：

获取目标部位的医学影像；

将所述医学影像输入至病灶检测模型中，通过所述病灶检测模型对所述医学影像中的病灶靶区和病灶残差进行预测，得到预测病灶靶区和预测病灶残差；所述病灶残差是指所述病灶检测模型输出的预测病灶靶区与真实病灶靶区之间的差异；

基于所述预测病灶靶区和所述预测病灶残差，确定所述医学影像中的病灶靶区勾画结果。

2.根据权利要求1所述的方法，其特征在于，所述病灶检测模型包括影像编码器和预测解码器；所述通过所述病灶检测模型对所述医学影像中的病灶靶区和病灶残差进行预测，得到预测病灶靶区和预测病灶残差，包括：

通过所述影像编码器提取所述医学影像的影像特征信息；

将所述影像特征信息输入至所述预测解码器中，通过所述预测解码器对所述医学影像中的病灶靶区和病灶残差进行预测，得到所述预测病灶靶区和所述预测病灶残差。

3.根据权利要求2所述的方法，其特征在于，所述预测编码器包括靶区解码器和残差解码器；

所述通过所述预测解码器对所述医学影像中的病灶靶区和病灶残差进行预测，得到预测病灶靶区和预测病灶残差，包括：

将所述影像特征信息输入至所述靶区解码器中，通过所述靶区解码器对所述医学影像中的病灶靶区进行预测，得到所述预测病灶靶区；以及，

将所述影像特征信息输入至所述残差解码器中，通过所述残差解码器对所述医学影像中的病灶残差进行预测，得到所述预测病灶残差。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述基于所述预测病灶靶区和预测病灶残差，确定所述医学影像中的病灶靶区勾画结果，包括：

将所述预测病灶靶区与预测病灶残差相结合，并将结合结果作为所述医学影像中的病灶靶区勾画结果。

5.根据权利要求1-3任一项所述的方法，其特征在于，所述病灶检测模型的训练过程包括：

获取样本医学影像和对应的标准病灶勾画；

通过所述样本医学影像对初始病灶检测模型中的初始靶区解码器和初始残差解码器进行训练，直至所述病灶检测模型的输出结果满足预设条件，得到病灶检测模型。

6.根据权利要求5所述的方法，其特征在于，所述通过所述样本医学影像对初始病灶检测模型中的初始靶区解码器和初始残差解码器进行训练，包括：

利用所述样本医学影像对所述初始靶区解码器进行训练，直至所述初始靶区解码器的输出结果与所述标准病灶勾画之间的差值小于第一预设阈值，得到靶区解码器；

通过所述靶区解码器对所述样本医学影像中的样本病灶靶区进行预测，并获取预测样本病灶靶区与所述标准病灶勾画之间的差值；

通过所述样本医学影像对所述初始病灶检测模型中的初始残差解码器进行训练，直至所述初始残差解码器的输出结果与所述差值之间的残差小于第二预设阈值，得到残差解码器。

7.根据权利要求5所述的方法，其特征在于，所述获取样本医学影像和对应的已标注医学影像，包括：

获取初始样本医学影像和初始标准病灶勾画；

对所述初始样本医学影像和所述初始标准病灶勾画进行重采样，得到中间样本医学影像和标准病灶勾画；

对所述中间样本医学影像进行预处理，得到样本医学影像。

8.一种病灶靶区的勾画装置，其特征在于，所述装置包括：

获取模块，用于获取目标部位的医学影像；

预测模块，用于将所述医学影像输入至病灶检测模型中，通过所述病灶检测模型对所述医学影像中的病灶靶区和病灶残差进行预测，得到预测病灶靶区和预测病灶残差；所述病灶残差是指所述病灶检测模型输出的预测病灶靶区与真实病灶靶区之间的差异；

确定模块，用于基于所述预测病灶靶区和所述预测病灶残差，确定所述医学影像中的病灶靶区勾画结果。

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。