CN117788953A - 一种感兴趣区域的识别方法、装置、存储介质及电子设备 - Google Patents

Abstract

本说明书公开了一种感兴趣区域的识别方法、装置、存储介质及电子设备，所述方法包括：获取用户的医学图像，获取包括至少两种类型的识别模型。再依据识别模型，将医学图像输入识别模型，确定医学图像的至少两种识别结果。之后，根据至少两种识别结果，确定医学图像的最终识别结果。避免采用单一类型的识别模型对医学图像进行识别导致的识别结果不准确的问题，基于至少两种类型的识别模型得到的识别结果，确定医学图像的最终识别结果，提高了识别结果的准确性。

Description

一种感兴趣区域的识别方法、装置、存储介质及电子设备

技术领域

本说明书涉及计算机技术领域，尤其涉及一种感兴趣区域的识别方法、装置、存储介质及电子设备。

背景技术

随着科技的发展，医学影像设备应用的越来越广泛，尤其应用在医疗人员对用户进行疾病诊断的过程。

目前，一般是先通过医学影像设备可以对用户进行扫描，生成用户的医学图像。再基于用户的医学图像，确定医学图像中是否包含感兴趣区域(即病灶区域)，以及感兴趣区域的具体位置。在确定医学图像中感兴趣区域的位置时，可以对医学图像进行识别，确定医学图像中感兴趣区域的识别结果，识别结果为医学图像中是否存在感兴趣区域以及感兴趣区域在医学图像中的位置。因此，如何识别医学图像中的感兴趣区域是一个亟待解决的问题。

基于此，本说明书中提供一种感兴趣区域的识别方法。

发明内容

本说明书提供一种感兴趣区域的识别方法、装置、存储介质及电子设备，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供一种感兴趣区域的识别方法，包括：

获取用户的医学图像；

获取包括至少两种类型的识别模型；其中，所述识别模型用于识别所述医学图像中的感兴趣区域；

依据所述识别模型，将所述医学图像输入所述识别模型，确定所述医学图像的至少两种识别结果；

根据所述至少两种识别结果，确定所述医学图像的最终识别结果。

可选地，所述识别模型包括分割模型；

将所述医学图像输入所述识别模型，确定所述医学图像的至少两种识别结果，具体包括：

将所述医学图像输入所述分割模型，确定所述医学图像对应的分割结果；

基于所述分割结果，确定所述医学图像的感兴趣区域的分割位置信息和分割概率。

可选地，所述识别模型还包括检测模型；

将所述医学图像输入所述识别模型，确定所述医学图像的至少两种识别结果，具体包括：

将所述医学图像输入所述检测模型，确定所述医学图像对应的检测结果；其中，所述检测结果包括所述感兴趣区域的检测位置信息和检测概率。

可选地，根据所述至少两种识别结果，确定所述医学图像的最终识别结果，具体包括：

根据所述分割位置信息和所述检测位置信息，确定重合度；

判断所述重合度是否满足指定条件；

若是，根据所述分割概率和所述检测概率，确定所述感兴趣区域的第一识别概率，以及根据所述检测位置信息和所述分割位置信息，确定所述感兴趣区域的第一位置信息；并，根据所述第一识别概率和所述第一位置信息，确定所述医学图像的最终识别结果；

若否，根据所述分割概率和所述分割位置信息，确定所述感兴趣区域的最终识别结果。

可选地，所述识别模型还包括分类模型；

根据所述至少两种识别结果，确定所述医学图像的最终识别结果，具体包括：

获取基于所述分类模型得到的所述医学图像的识别结果；

根据所述识别结果中的第一分类概率和所述分割概率，确定所述感兴趣区域的第三识别概率；

根据所述第三识别概率和所述分割位置信息，确定所述医学图像的最终识别结果。

可选地，所述识别模型包括检测模型和分类模型；

根据所述至少两种识别结果，确定所述医学图像的最终识别结果，具体包括：

获取所述医学图像的检测结果，以及获取基于所述分类模型得到的所述医学图像的识别结果；

根据所述检测结果中的检测概率以及所述识别结果中的第二分类概率，确定所述感兴趣区域的第二识别概率，以及根据所述检测结果中的检测位置信息，确定所述感兴趣区域的第二位置信息；

根据所述第二识别概率和所述第二位置信息，确定所述医学图像的最终识别结果。

可选地，所述识别模型还包括分类模型；

将所述医学图像输入所述识别模型，确定所述医学图像的至少两种识别结果，具体包括：

将所述分割结果输入所述分类模型，确定第一分类概率，以及将所述检测结果输入所述分类模型，确定第二分类概率；

根据所述分割位置信息、所述检测位置信息、所述第一分类概率以及所述第二分类概率，确定所述医学图像的识别结果。

可选地，获取包括至少两种类型的识别模型，具体包括：

获取各种类型的候选模型；其中，所述候选模型用于识别医学图像中的感兴趣区域；

将所述各种类型的候选模型进行组合，得到各组合；其中，所述组合中至少包括两种类型的候选模型；

获取历史医学图像以及所述历史医学图像中感兴趣区域的标注信息；

针对每一个组合，基于该组合包含的候选模型，确定所述历史医学图像的最终识别结果；

确定所述最终识别结果与所述历史医学图像中感兴趣区域的标注信息的相似性；

根据各相似性，从所述各组合包含的候选模型中，确定识别模型。

本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述感兴趣区域的识别方法。

本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述感兴趣区域的识别方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

本说明书提供的感兴趣区域的识别方法中，获取用户的医学图像，获取包括至少两种类型的识别模型。再依据识别模型，将医学图像输入识别模型，确定医学图像的至少两种识别结果。之后，根据至少两种识别结果，确定医学图像的最终识别结果。

从上述方法中可以看出，本方法中在识别医学图像中的感兴趣区域时，可以获取用户的医学图像，获取包括至少两种类型的识别模型。再依据识别模型，将医学图像输入识别模型，确定医学图像的至少两种识别结果。之后，根据至少两种识别结果，确定医学图像的最终识别结果。避免采用单一类型的识别模型对医学图像进行识别导致的识别结果不准确的问题，基于至少两种类型的识别模型得到的识别结果，确定医学图像的最终识别结果，提高了识别结果的准确性。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附

图中：

图1为本说明书中一种感兴趣区域的识别方法的流程示意图；

图2为本说明书中提供的一种分割模型的应用的示意图；

图3为本说明书中提供的一种检测模型的应用的示意图；

图4为本说明书中提供的一种分类模型的应用的示意图；

图5为本说明书中提供的另一种分类模型的应用的示意图；

图6为本说明书中提供的一种确定分类模型的识别结果的过程示意图；

图7为本说明书提供的一种感兴趣区域的识别装置的示意图；

图8为本说明书提供的对应于图1的电子设备示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通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，都属于本说明书保护的范围。

本说明书的实施例提供了一种感兴趣区域的识别方法、装置、存储介质及电子设备，以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书中一种感兴趣区域的识别方法的流程示意图，具体包括以下步骤：

S100：获取用户的医学图像。

在本说明书中，用于识别感兴趣区域的设备可以获取用户的医学图像。其中，上述用于识别感兴趣区域的设备可以是服务器，或能够执行本说明书方案的诸如手机、个人计算机(Personal Computer，PC)等设备。为了方便说明，下面以服务器为执行主体进行说明。

上述医学图像可以为医学影像设备对用户进行扫描后得到的，医学影像设备包括电子计算机断层扫描(Computed Tomography，CT)、磁共振成像(Magnetic ResonanceImaging，MRI)等设备，不同的医学影像设备采集到的医学图像的类型不同，比如CT这一医学影像设备采集到的医学图像为CT图像。

S102：获取包括至少两种类型的识别模型；其中，所述识别模型用于识别所述医学图像中的感兴趣区域。

服务器可以获取包括至少两种类型的识别模型。其中，识别模型用于识别医学图像中的感兴趣区域。感兴趣区域可以为病灶区域，也可以为人体中任意的目标区域，本说明书不做具体限定，为了便于说明，下述以感兴趣区域为病灶区域为例进行说明。上述识别模型为服务器预先训练的模型，该识别模型的类型有很多种，该识别模型可以包括分割模型、检测模型以及分类模型等类型的识别模型。

具体的，服务器可以确定预先训练的各种类型的候选模型，从各候选模型中，确定至少两种类型的候选模型，并作为识别模型。其中，候选模型用于识别医学图像中的感兴趣区域。上述在从各候选模型中，确定至少两种类型的识别模型时，服务器可以从各候选模型中，随机确定至少两种类型的候选模型，并作为识别模型。上述各种类型的候选模型或者识别模型均是服务器预先训练的模型，还可以为任意已有的用于识别医学图像中的感兴趣区域的模型，本说明书不做具体限定。

S104：依据所述识别模型，将所述医学图像输入所述识别模型，确定所述医学图像的至少两种识别结果。

服务器可以依据识别模型，将医学图像输入识别模型，确定医学图像的至少两种识别结果。具体的，服务器可以针对至少两种类型的识别模型，将医学图像输入该种类型的识别模型，确定医学图像的识别结果。其中，识别结果可以包括感兴趣区域在医学图像中的位置信息以及感兴趣区域的识别概率。位置信息为感兴趣区域在医学图像中的位置，识别概率为医学图像中存在感兴趣区域的概率。

S106：根据所述至少两种识别结果，确定所述医学图像的最终识别结果。

服务器可以根据至少两种识别结果，确定医学图像的最终识别结果。其中，识别结果为基于至少两种类型的识别模型分别得到的，识别结果包括感兴趣区域在医学图像中的位置信息以及感兴趣区域的识别概率。最终识别结果为基于至少两种类型的识别模型分别得到的识别结果确定的，最终识别结果包括感兴趣区域在医学图像中的最终位置信息以及感兴趣区域的最终识别概率。最终位置信息是根据至少两个类型的识别模型得到的识别结果中的位置信息进行确定的，同理，最终识别概率也是根据至少两个类型的识别模型得到的识别结果中的识别概率进行确定的，基于不同的识别模型组合确定最终识别结果的过程是不同的。

从上述方法中可以看出，本方法中在识别医学图像中的感兴趣区域时，服务器可以获取用户的医学图像，获取包括至少两种类型的识别模型。再依据识别模型，将医学图像输入识别模型，确定医学图像的至少两种识别结果。之后，根据至少两种识别结果，确定医学图像的最终识别结果。避免采用单一类型的识别模型对医学图像进行识别导致的识别结果不准确的问题，基于至少两种类型的识别模型得到的识别结果，确定医学图像的最终识别结果，提高了识别结果的准确性。

在本说明书中，在上述步骤S102中，为了使得后续基于至少两种类型的识别模型的分别得到的识别结果确定出的医学图像的最终识别结果更加的准确，服务器还可以从各候选模型中，选择性能最好的至少两种类型的识别模型。基于此，在获取包括至少两种类型的识别模型时，服务器还可以获取各种类型的候选模型，将各种类型的候选模型进行组合，得到各组合。然后，获取历史医学图像以及历史医学图像中感兴趣区域的标注信息。针对每一个组合，基于该组合包含的候选模型，确定历史医学图像的最终识别结果。确定最终识别结果与历史医学图像中感兴趣区域的标注信息的相似性。根据各相似性，从各组合包含的候选模型中，确定识别模型。

其中，组合中至少包括两种类型的候选模型，故上述在将各种类型的候选模型进行组合，得到各组合时，服务器可以将各种类型的候选模型中任意至少两种类型的候选模型进行组合，得到各组合。标注信息为在医学图像中是否存在感兴趣区域以及感兴趣区域在医学图像中的位置信息。上述基于该组合包含的候选模型，确定历史医学图像的最终识别结果时，服务器可以将历史医学图像输入该组合中包含的候选模型，确定历史医学图像的最终识别结果。另外，服务器还可以针对该组合中包含的各候选模型，将历史医学图像输入该候选模型，确定历史医学图像的识别结果。根据基于该组合中包含的各候选模型分别得到的识别结果，确定历史医学图像对应的最终识别结果，具体过程与下述步骤S106中的过程类似，在此就不在赘述。该最终识别结果为历史医学图像中是否存在感兴趣区域的概率以及在历史医学图像中感兴趣区域的位置信息。

上述在确定最终识别结果与历史医学图像中感兴趣区域的标注信息的相似性时，服务器可以采用任意已有的相似性算法，确定最终识别结果与历史医学图像中感兴趣区域的标注信息的相似性。当某一组合的最终识别结果与标注信息的相似性越大，说明该组合的最终识别结果越准确，该组合的性能越好。反之，当该组合的最终识别结果与标注信息的相似性越小，说明该组合的最终识别结果越不准确，该组合的性能越差。基于此，上述在根据各相似性，从各组合包含的候选模型中，确定识别模型时，服务器可以从各组合对应的相似性中，确定相似性最高的组合，并将确定出的组合中包含的候选模型作为识别模型。

在本说明书中，若上述步骤S102中获取到的识别模型包括分割模型，上述步骤S104将医学图像输入识别模型，确定医学图像的至少两种识别结果时，如图2所示，图2为本说明书中提供的一种分割模型的应用的示意图，服务器可以将医学图像输入分割模型，确定医学图像对应的分割结果。再基于分割结果，确定医学图像的感兴趣区域的分割位置信息和分割概率。通过分割模型，确定医学图像的感兴趣区域的分割位置信息和分割概率，提高了确定出的分割位置信息和分割概率的准确性，并且，有助于后续基于分割位置信息和分割概率确定出的医学图像的最终识别结果，提高了最终识别结果的准确性。

其中，分割结果可以为医学图像对应的概率图，医学图像对应的概率图为医学图像中每一个像素点对应的概率，该概率为像素点为感兴趣区域的概率值。故上述在将医学图像输入分割模型，确定医学图像对应的分割结果时，服务器可以将医学图像输入分割模型，得到医学图像对应的概率图。上述在基于分割结果，确定医学图像的感兴趣区域的分割位置信息和分割概率时，服务器可以对概率图进行二值化处理，得到二值化图像。之后，对二值化图像进行连通域分析，确定医学图像的分割区域。然后，确定分割区域内指定数量的概率的均值，并作为分割概率。之后，将分割区域在医学图像中的位置信息作为分割位置信息。

上述在对概率图进行二值化处理时，服务器可以针对医学图像中每一个像素点，确定该像素点对应的概率，当该像素点对应的概率不小于指定阈值时，确定该像素点对应的数值为第一数值。当该像素点对应的概率小于指定阈值时，确定该像素点对应的数值为第二数值。根据各像素点对应的数值(即第一数值或者第二数值)，确定医学图像的二值化图像。上述指定阈值为服务器预先设置的，比如0.5。第一数值以及第二数值均是服务器预先设置的数值，第一数值可以为1，第一数值表征像素点为感兴趣区域的概率高，第二数值可以为0，第二数值表征像素点为感兴趣区域的概率低。均值表征医学图像中存在感兴趣区域的概率。分割区域在医学图像中的位置信息为感兴趣区域在医学图像中的位置信息。

上述在对二值化图像进行连通域分析，确定医学图像的分割区域时，服务器可以根据二值化图像中每一个像素点对应的数值，对二值化图像进行连通域分析，确定第一连通域以及第二连通域，并将第一连通域作为分割区域，其中，第一连通域内的像素点对应的数值均为第一数值，第二连通域内的像素点对应的数值均为第二数值。

上述在确定分割区域内指定数量的概率的均值时，指定数量可以为分割区域内前x％，x％可以为服务器预先设置的数值，比如5％、10％或者50％等，具体的，服务器可以将分割区域内各像素点对应的概率按照从大到小的顺序进行排列，得到指定序列。再确定指定序列中前x％的概率的均值。当然，指定数量还可以为分割区域内前n，n为服务器预先设置的数值，比如5、10或者50等，具体的，服务器可以将分割区域内各像素点对应的概率按照从大到小的顺序进行排列，得到指定序列。从指定序列的首位开始，确定数量为n的概率，再计算确定出的n个概率的均值。

另外，在基于分割结果，确定医学图像的感兴趣区域的分割位置信息和分割概率时，服务器还可以对概率图进行二值化处理，得到二值化图像。之后，对二值化图像进行连通域分析，确定医学图像的分割区域。然后，确定分割区域内非零概率值的指定百分位数，并作为分割概率。之后，将分割区域在医学图像中的位置信息作为分割位置信息。

在本说明书中，若上述步骤S102中获取到的识别模型包括检测模型，上述步骤S104将医学图像输入识别模型，确定医学图像的至少两种识别结果时，如图3所示，图3为本说明书中提供的一种检测模型的应用的示意图，服务器可以将医学图像输入检测模型，确定医学图像对应的检测结果。其中，检测结果包括感兴趣区域的检测位置信息和检测概率。通过检测模型，确定医学图像的感兴趣区域的检测位置信息和检测概率，提高了确定出的检测位置信息和检测概率的准确性，并且，有助于后续基于检测位置信息和检测概率确定出的医学图像的最终识别结果，提高了最终识别结果的准确性。

基于此，在识别模型包括分割模型以及检测模型时，在上述步骤S106中，服务器可以根据分割位置信息、检测位置信息、分割概率和检测概率，确定医学图像的最终识别结果。具体的，服务器可以根据分割位置信息和检测位置信息，确定重合度。判断重合度是否满足指定条件。若是，根据分割概率和检测概率，确定感兴趣区域的第一识别概率，以及根据检测位置信息和分割位置信息，确定感兴趣区域的第一位置信息。并且，根据感兴趣区域的第一识别概率和第一位置信息，确定医学图像的最终识别结果。若否，根据分割概率和分割位置信息，确定医学图像的最终识别结果。服务器通过分割模型以及检测模型分别得到的识别结果，确定医学图像的最终识别结果，避免采用单一识别模型，对医学图像进行识别后得到的识别结果的不准确的问题，提高了医学图像的最终识别结果的准确性。并且，通过判断基于分割位置信息和检测位置信息的重合度是否满足指定条件，以确定感兴趣区域在医学图像中的位置，提高了确定出的位置的准确性。

其中，在根据分割位置信息和检测位置信息，确定重合度时，服务器可以根据分割位置信息，确定第一区域，以及根据检测位置信息，确定第二区域。再确定第一区域和第二区域的交集区域，并将交集区域的面积作为重合度。故在判断重合度是否满足指定条件时，服务器可以判断交集区域的面积是否不小于目标数值，指定条件可以为不小于目标数值，目标数值为第一区域和第二区域中的任意一个区域的指定比例的面积，指定比例为服务器预先设置的数值，比如某一区域的总面积为100，指定比例为90％，则目标数值为90。当交集区域的面积不小于目标数值时，说明第一区域和第二区域高度重合，确定第一区域和第二区域的重合度满足指定条件。而当交集区域的面积小于目标数值时，说明两个区域重合度不高，确定两个区域的重合度不满足指定条件。

为了更好地确定第一区域和第二区域的重合度，避免第一区域和第二区域的面积相差过大导致目标数值确定的不准确的问题，服务器可以确定第一区域和第二区域的交并比(Intersection over Union，简称IoU)，并作为重合度。交并比为两个区域(即第一区域和第二区域)的交集区域与两个区域的总区域的比值，比如两个区域的交集区域的面积为80，两个区域的总区域的面积为120，则两个区域的交并比为2/3。基于此，在判断重合度是否满足指定条件时，服务器可以判断交并比是否不小于目标阈值，指定条件可以为不小于目标阈值，目标阈值为服务器预先设置的阈值。

当交并比不小于目标阈值时，说明第一区域和第二区域高度重合，服务器可以确定第一区域和第二区域的外接框，并将外接框的位置信息作为感兴趣区域的第一位置信息，再根据分割概率以及检测概率，确定感兴趣区域的第一识别概率。将第一识别概率以及第一位置信息作为医学图像的最终识别结果。故上述在根据检测位置信息和分割位置信息，确定感兴趣区域的第一位置信息时，服务器根据分割位置信息，确定第一区域，以及根据检测位置信息，确定第二区域。确定第一区域和第二区域的外接框，并将外接框的位置信息作为感兴趣区域的第一位置信息。

上述在根据分割概率和检测概率，确定感兴趣区域的第一识别概率时，服务器可以确定分割概率和检测概率的均值，并将均值作为感兴趣区域的第一识别概率。另外，由于分割概率和检测概率可能相差较大，故服务器可以先对分割概率和检测概率进行归一化，再计算归一化后的概率的均值，并将均值作为感兴趣区域的第一识别概率。当然，服务器还可以采用任意已有的概率融合手段，对分割概率和检测概率进行概率融合，确定感兴趣区域的第一识别概率。概率融合手段包括加权平均法、投票法或者机器学习模型等，机器学习模型包括随机森林、XGBoost算法等。

但是，当交并比小于目标阈值时，说明至少两个区域重合度不高，服务器可以根据分割概率和分割位置信息，确定医学图像的最终识别结果。也就是，服务器可以将分割概率以及分割位置信息直接作为医学图像的最终识别结果。另外，服务器还可以将检测概率以及检测位置信息作为医学图像的最终识别结果。具体的，当重合度不满足指定条件时，服务器可以将分割概率以及分割位置信息直接作为医学图像的最终识别结果，或者将检测概率以及检测位置信息作为医学图像的最终识别结果。当然，服务器还可以从分割模型和检测模型中，确定准确率较高的模型。当模型为分割模型时，服务器可以将分割概率以及分割位置信息直接作为医学图像的最终识别结果。当模型为检测模型时，服务器可以将检测概率以及检测位置信息作为医学图像的最终识别结果。模型的准确率可以基于历史医学图像和历史医学图像的标注进行确定。

在本说明书中，若上述步骤S102中获取到的识别模型除了包括分割模型外，还包括分类模型，上述步骤S104将医学图像输入识别模型，确定医学图像的至少两种识别结果时，服务器可以将分割结果输入分类模型，确定第一分类概率。依据第一分类概率以及分割位置信息，确定医学图像的识别结果。通过将分割结果输入分类模型，确定第一分类概率，有助于进一步地确定医学图像中是否存在感兴趣区域，避免单独依据分割模型确定医学图像中是否存在感兴趣区域而出现的结果不准确的问题。

其中，上述识别结果为基于分割结果，分类模型输出的识别结果，该识别结果可以包括第一分类概率和分割位置信息。该第一分类概率为基于分割结果和分类模型得到的。上述在将分割结果输入分类模型，确定第一分类概率时，如图4所示，图4为本说明书中提供的一种分类模型的应用的示意图，服务器可以根据分割结果，确定感兴趣区域的分割位置信息。再根据分割位置信息，对医学图像进行分割，得到处理后的图像。再将处理后的图像输入分类模型，确定处理后的图像的第一分类概率。将第一分类概率以及分割信息作为医学图像的识别结果。上述处理后的图像为基于分割位置信息从在医学图像中确定出的图像。上述第一分类概率为处理后的图像为感兴趣区域的概率。

基于此，当识别模型包括分割模型和分类模型时，在上述步骤S106中，服务器可以获取基于分类模型得到的医学图像的识别结果(即上述步骤S104中基于分割结果，分类模型输出的识别结果)。根据识别结果中的第一分类概率和分割概率，确定感兴趣区域的第三识别概率。根据第三识别概率和分割位置信息，确定医学图像的最终识别结果。通过基于分割模型和分类模型分别得到的识别结果，确定医学图像的最终识别结果，提高了最终识别结果的准确性。

其中，上述第一分类概率为基于分割结果和分类模型得到的，也就是服务器将分割结果输入分类模型，确定第一分类概率。上述根据识别结果中的第一分类概率和分割概率，确定感兴趣区域的第三识别概率的过程与上述根据分割概率和检测概率，确定感兴趣区域的第一识别概率的过程类似，在此就不再赘述。由于基于分类模型得到的识别结果中的位置信息与基于分割模型得到的分割结果中的分割位置信息相同，故服务器可以直接将基于分割模型得到的分割位置信息以及第三识别概率作为医学图像的最终识别结果。

在本说明书中，若上述步骤S102中获取到的识别模型包括检测模型以及分类模型。在上述步骤S104将医学图像输入识别模型，确定医学图像的至少两种识别结果时，服务器可以将检测结果输入分类模型，确定第二分类概率，再根据第二分类概率以及检测位置信息，确定医学图像的识别结果。其中，上述识别结果为基于检测结果，分类模型输出的识别结果，该识别结果可以包括第二分类概率和检测位置信息。该第二分类概率为基于检测结果和分类模型得到的。上述将检测结果输入分类模型，确定第二分类概率时，如图5所示，图5为本说明书中提供的另一种分类模型的应用的示意图，服务器可以根据检测结果，确定感兴趣区域的检测位置信息。再根据检测位置信息，对医学图像进行分割，得到处理后的图像。再将处理后的图像输入分类模型，确定处理后的图像的分类概率。通过将检测结果输入分类模型，确定第二分类概率，有助于进一步地确定医学图像中是否存在感兴趣区域，避免单独依据检测模型确定医学图像中是否存在感兴趣区域而出现的结果不准确的问题。

基于此，当识别模型包括检测模型和分类模型时，在上述步骤S106中，服务器可以获取医学图像的检测结果，以及获取基于分类模型得到的医学图像的识别结果(即上述步骤S104中基于检测结果，分类模型输出的识别结果)。根据检测结果中的检测概率以及识别结果中的第二分类概率，确定感兴趣区域的第二识别概率，以及根据检测结果中的检测位置信息，确定感兴趣区域的第二位置信息。根据第二识别概率和第二位置信息，确定医学图像的最终识别结果。通过基于检测模型和分类模型分别得到的识别结果，确定医学图像的最终识别结果，提高了最终识别结果的准确性。

其中，上述第二分类概率为基于检测结果和分类模型得到的，也就是服务器将检测结果输入分类模型，确定第二分类概率。上述根据检测结果中的检测概率以及识别结果中的第二分类概率，确定感兴趣区域的第二识别概率的过程与上述根据分割概率和检测概率，确定感兴趣区域的第一识别概率的过程类似，在此就不再赘述。由于基于分类模型得到的识别结果中的位置信息与基于检测模型得到的检测结果中的检测位置信息相同，故服务器可以直接将基于检测模型得到的检测位置信息作为第二位置信息，并将第二位置信息以及第二识别概率作为医学图像的最终识别结果。

在本说明书中，当除分类模型外的识别模型还包括分割模型以及检测模型，即上述步骤S102中确定出的识别模型包括分割模型、检测模型以及分类模型三个模型时，上述步骤S104将医学图像输入识别模型，确定医学图像的至少两种识别结果时，当识别模型为分割模型或者检测模型时，具体过程如上述步骤S104中的过程，在此就不再赘述。但，当识别模型为分类模型时，服务器可以将分割结果输入分类模型，确定第一分类概率，以及将检测结果输入分类模型，确定第二分类概率。根据分割位置信息、检测位置信息、第一分类概率以及第二分类概率，确定医学图像的识别结果(即基于分类模型得到的识别结果)。通过基于分割模型、检测模型以及分类模型分别得到的识别结果，确定医学图像的最终识别结果，提高了最终识别结果的准确性。

其中，上述将分割结果输入分类模型，确定第一分类概率的过程与上述在识别模型仅包括分割模型和分类模型时，将分割结果输入分类模型，确定第一分类概率的过程一致，在此就不再赘述，并且，第一分类概率为基于分割结果和分类模型得到的。同理，上述将检测结果输入分类模型，确定第二分类概率的过程与上述在识别模型仅包括检测模型和分类模型时，将检测结果输入分类模型，确定第二分类概率的过程一致，在此就不再赘述，并且，第二分类概率为基于检测结果和分类模型得到的。

在本说明书中，如图6所示，图6为本说明书中提供的一种确定分类模型的识别结果的过程示意图，服务器先将医学图像输入分割模型，确定医学图像的分割结果，并根据分割结果，确定分割位置信息。同时，将医学图像输入检测模型，确定医学图像的检测结果，并根据检测结果，确定检测位置信息。根据分割位置信息，对医学图像进行分割，得到第一图像，以及根据检测位置信息，对医学图像进行分割，得到第二图像。再将第一图像输入分类模型，确定第一图像的分类概率(即第一分类概率)，以及将第二图像输入分类模型，确定第二图像的分类概率(即第二分类概率)。将第一图像的分类概率、第二图像的分类概率、第一分割信息以及第二分割信息作为医学图像的识别结果。

基于此，当识别模型包括分割模型、检测模型以及分类模型时，在上述步骤S106中，服务器可以根据分割位置信息、检测位置信息、分割概率、检测概率、第一分类概率以及第二分类概率，确定医学图像的最终识别结果。具体的，服务器可以根据分割概率、检测概率、第一分类概率以及第二分类概率，确定感兴趣区域的最终识别概率，并且，根据分割位置信息以及检测位置信息，确定感兴趣区域的最终位置信息。将最终识别概率以及最终位置信息作为医学图像的最终识别结果。

其中，在根据分割概率、检测概率、第一分类概率以及第二分类概率，确定感兴趣区域的最终识别概率时，服务器可以先根据分割概率和第一分类概率，确定第三识别概率，同时，根据检测概率和第二分类概率，确定第二识别概率。再根据第二识别概率和第三识别概率，确定感兴趣区域的最终识别概率。上述确定第三识别概率、确定第二识别概率以及确定感兴趣区域的最终识别概率的过程与上述根据分割概率和检测概率，确定感兴趣区域的第一识别概率类似，在此就不再赘述。上述在根据分割位置信息以及检测位置信息，确定感兴趣区域的最终位置信息时，服务器可以根据分割位置信息以及检测位置信息，确定两个区域，再确定两个区域的外接框，并将外接框的位置信息作为感兴趣区域的最终位置信息。

另外，上述在根据第二识别概率和第三识别概率，确定感兴趣区域的最终识别概率时，以及上述在根据分割位置信息以及检测位置信息，确定感兴趣区域的最终位置信息时，服务器可以根据分割位置信息以及检测位置信息，确定两个区域。再确定两个区域的重合度。判断重合度是否满足指定条件。若是，根据第二识别概率和第三识别概率，确定感兴趣区域的最终识别概率，以及根据分割位置信息以及检测位置信息，确定感兴趣区域的最终位置信息，具体过程如上。若否，将第二识别概率作为感兴趣区域的最终识别概率，以及将分割位置信息作为感兴趣区域的最终位置信息。或者，将第三识别概率作为感兴趣区域的最终识别概率，以及将检测位置信息作为感兴趣区域的最终位置信息。

在本说明书中，为了更加准确地确定医学图像中是否存在感兴趣区域，在上述得到最终识别结果后，确定最终识别结果中的最终识别概率，当最终识别概率不小于目标阈值时，将最终识别结果作为医学图像的诊断结果，并显示给医护人员，医护人员可以将诊断结果作为辅助信息，从而确定用户的医学图像中是否存在感兴趣区域。上述目标阈值为预先设置的数值。

在本说明书中，在上述步骤S106中以根据分割概率和检测概率，确定感兴趣区域的第一识别概率的过程为例，服务器可以采用预设的归一化公式，对分割概率进行归一化，以及对检测概率进行归一化，再将归一化后的概率的均值作为感兴趣区域的第一识别概率。

其中，归一化公式表示如下：

其中，p^′表示归一化后的概率，p表示识别概率，p_max表示最大的识别概率，p_min表示最小的识别概率，p_max表示最大的识别概率，p_min表示最小的识别概率，p_max和p_min可以为服务器预先设置的常量。

另外，在本说明书中，上述步骤S100中获取到的用户的医学图像可以为多张，故上述步骤S104中服务器可以将针对每一个医学图像，将该医学图像输入每一个识别模型中，确定基于每一个识别模型得到的该医学图像的识别结果，每一个医学图像均对应基于至少两种类型的识别模型分别得到的识别结果，并且识别结果中包括识别概率，基于此，每一个医学图像均对应至少两个识别概率。具体以基于检测模型得到的识别结果中的识别概率进行归一化为例，上述p_max可以为各识别概率(即每一个医学图像对应的基于检测模型得到的识别概率)中最大的概率。上述p_min可以为各识别概率中最小的概率。

另外，为了避免确定p_max和p_min时受各识别概率中的极端概率的影响，该极端概率为接近0或者1的识别概率。服务器可以将各识别概率中预设比例的概率删除，再从删除后的各识别概率中，确定最大的识别概率为p_max，以及确定最小的识别概率为p_min。其中，预设比例为服务器预先设置的比例，比如前0.5％和后0.5％。服务器需要将各识别概率按照从小到大或者从大到小的顺序进行排序，得到序列，再确定序列的前0.5％的概率以及序列的后0.5％的概率，并删除。

在本说明书中，上述步骤S102中的各种类型的候选模型或者识别模型均是服务器预先训练的模型，具体的，服务器可以基于预先收集的样本图像以及样本图像对应的标注，训练各种类型的识别模型。当存在分割类型的识别模型时，即识别模型中包括分割模型时，服务器可以确定样本图像以及样本图像对应的分割标注，对待训练的分割模型进行训练。具体的，服务器可以确定样本图像，将样本图像输入待训练的分割模型，确定分割结果。以分割结果与样本图像对应的分割标注之间的差异最小为目标，对待训练的分割模型进行训练。其中，样本图像为历史上预先收集的用户的医学图像，样本图像的分割标注为医护人员对医学图像中是否存在感兴趣区域以及在医学图像中感兴趣区域的位置进行标注后的结果，具体的，医护人员可以对样本图像中的每一个像素点是否为感兴趣区域进行标注，即每一个像素点对应的标注结果为是感兴趣区域与不是感兴趣区域中的一种。分割结果为样本图像对应的概率图，概率图为样本图像中每一个像素点为感兴趣区域的概率，每一个像素点均对应一个概率。

另外，当存在检测类型的识别模型时，即识别模型中包括检测模型时，服务器可以确定样本图像以及样本图像对应的检测标注，对待训练的检测模型进行训练。具体的，服务器可以确定样本图像，将样本图像输入待训练的检测模型，确定检测结果。以检测结果与样本图像对应的检测标注之间的差异最小为目标，对待训练的检测模型进行训练。其中，样本图像为历史上预先收集的用户的医学图像，样本图像的检测标注为医护人员对医学图像中是否存在感兴趣区域以及在医学图像中感兴趣区域的位置进行标注后的结果，具体的，医护人员可以对样本图像中感兴趣区域进行标注，确定样本图像中感兴趣区域的位置。当然，医护人员还可以根据上述样本图像的分割标注，提取连通域，并计算连通域的外接框，将外接框的位置作为检测标注。检测结果可以包括感兴趣区域在样本图像中的位置信息以及感兴趣区域的识别概率。

另外，当存在分类类型的识别模型时，即识别模型中包括分类模型时，服务器可以确定样本图像以及样本图像对应的分类标注，对待训练的分类模型进行训练。具体的，服务器可以确定样本图像以及样本图像对应的分类标注，将样本图像输入待训练的分类模型，确定分类结果。以分类结果与分类标注之间的差异最小为目标，对待训练的分类模型进行训练。其中，样本图像可以为历史上预先收集的用户的医学图像，样本图像的分类标注为医护人员对医学图像中是否存在感兴趣区域进行标注后的结果，分类标注为存在感兴趣区域以及不存在感兴趣区域中的一种。

进一步地，为了保证分割模型或者检测模型的分割结果以及检测结果的准确性，从而使得后续基于至少两种类型的识别模型分别得到的识别结果确定出的最终识别结果的准确性，在训练分类模型时，服务器可以根据上述分割结果或者检测结果，对样本图像进行分割，并确定分割后的样本图像对应的分类标注，再基于分割后的样本图像以及分类标注，对待训练的分类模型进行训练，具体训练过程如上所述，在此就不再赘述。其中，上述在根据上述分割结果或者检测结果，对样本图像进行分割时，具体的以根据检测结果，对样本图像进行分割为例，服务器可以确定样本图像对应的检测结果，具体的如上述在训练检测模型时确定样本图像对应的检测结果的过程类似，在此就不再赘述。根据检测结果中感兴趣区域在样本图像中的位置信息，对样本图像进行分割，得到分割后的样本图像，该分割后的样本图像为在样本图像中位置信息对应图像。上述分割后的样本图像对应的分类标注可以为医护人员对分割后的样本图像进行标注后结果。

另外，在训练分类模型时，服务器还可以根据样本图像对应的分割结果或者检测结果，确定样本图像中感兴趣区域的位置信息，再基于确定出的位置信息、样本图像以及样本图像对应的分类标注，对待训练的分类模型进行训练。具体的，将确定出的位置信息以及样本图像输入待训练的分类模型，确定分类结果。再根据分类结果以及分类标注，对待训练的分类模型进行训练。

在本说明书中，在训练完成分割模型、检测模型或者分类模型后，为了保证分割模型、检测模型或者分类模型输出的结果的准确性，服务器可以确定测试样本图像，通过测试样本图像，以测试分割模型、检测模型或者分类模型输出的结果的准确性。具体的，以测试分割模型为例进行说明，服务器可以确定测试样本图像，将测试样本图像输入训练完成的分割模型，确定测试结果。确定测试样本图像对应的测试标注，并确定测试结果和测试标注之间的差异，根据差异，确定分割模型的准确性。测试结果和测试标注之间的差异越大，说明分割模型的准确性越低。反之，测试结果和测试标注之间的差异越小，说明分割模型的准确性越高。当分割模型的准确性低于指定数值时，服务器可以继续对分割模型进行训练，以提高分割模型的输出的结果的准确性。该指定数值为预先设置的数值。

在本说明书中，当识别模型包括分割模型时，最终识别结果还可以包括分割掩码图，服务器可以根据医学图像的二值化图像以及最终位置信息，确定分割掩码图，也就是将二值化图像中最终位置信息对应的图像作为分割掩码图。该分割掩码图中第一数值对应的像素点为感兴趣区域对应的像素点，而该分割掩码图中第二数值对应的像素点不为感兴趣区域对应的像素点。

以上为本说明书的一个或多个实施例提供的感兴趣区域的识别方法，基于同样的思路，本说明书还提供了相应的感兴趣区域的识别装置，如图7所示。

图7为本说明书提供的一种感兴趣区域的识别装置示意图，具体包括：

获取模块200，用于获取用户的医学图像；

第一确定模块202，用于获取包括至少两种类型的识别模型；其中，所述识别模型用于识别所述医学图像中的感兴趣区域；

第二确定模块204，用于依据所述识别模型，将所述医学图像输入所述识别模型，确定所述医学图像的至少两种识别结果；

第三确定模块206，用于根据所述至少两种识别结果，确定所述医学图像的最终识别结果。

可选地，所述识别模型包括分割模型；

所述第二确定模块204具体用于，将所述医学图像输入所述分割模型，确定所述医学图像对应的分割结果；基于所述分割结果，确定所述医学图像的感兴趣区域的分割位置信息和分割概率。

可选地，所述识别模型还包括检测模型；

所述第二确定模块204具体用于，将所述医学图像输入所述检测模型，确定所述医学图像对应的检测结果；其中，所述检测结果包括所述感兴趣区域的检测位置信息和检测概率。

可选地，所述第三确定模块206具体用于，根据所述分割位置信息和所述检测位置信息，确定重合度；判断所述重合度是否满足指定条件；若是，根据所述分割概率和所述检测概率，确定所述感兴趣区域的第一识别概率，以及根据所述检测位置信息和所述分割位置信息，确定所述感兴趣区域的第一位置信息；并，根据所述第一识别概率和所述第一位置信息，确定所述医学图像的最终识别结果；若否，根据所述分割概率和所述分割位置信息，确定所述感兴趣区域的最终识别结果。

可选地，所述识别模型还包括分类模型；

所述第三确定模块206具体用于，获取基于所述分类模型得到的所述医学图像的识别结果；根据所述识别结果中的第一分类概率和所述分割概率，确定所述感兴趣区域的第三识别概率；根据所述第三识别概率和所述分割位置信息，确定所述医学图像的最终识别结果。

可选地，所述识别模型包括检测模型和分类模型；

所述第三确定模块206具体用于，获取所述医学图像的检测结果，以及获取基于所述分类模型得到的所述医学图像的识别结果；根据所述检测结果中的检测概率以及所述识别结果中的第二分类概率，确定所述感兴趣区域的第二识别概率，以及根据所述检测结果中的检测位置信息，确定所述感兴趣区域的第二位置信息；根据所述第二识别概率和所述第二位置信息，确定所述医学图像的最终识别结果。

可选地，所述识别模型还包括分类模型；

所述第二确定模块204具体用于，将所述分割结果输入所述分类模型，确定第一分类概率，以及将所述检测结果输入所述分类模型，确定第二分类概率；根据所述分割位置信息、所述检测位置信息、所述第一分类概率以及所述第二分类概率，确定所述医学图像的识别结果。

可选地，所述第一确定模块202具体用于，获取各种类型的候选模型；其中，所述候选模型用于识别医学图像中的感兴趣区域；将所述各种类型的候选模型进行组合，得到各组合；其中，所述组合中至少包括两种类型的候选模型；获取历史医学图像以及所述历史医学图像中感兴趣区域的标注信息；针对每一个组合，基于该组合包含的候选模型，确定所述历史医学图像的最终识别结果；确定所述最终识别结果与所述历史医学图像中感兴趣区域的标注信息的相似性；根据各相似性，从所述各组合包含的候选模型中，确定识别模型。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1所示的感兴趣区域的识别方法。

本说明书还提供了图8所示的电子设备的示意结构图。如图8所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所示的感兴趣区域的识别方法。

当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种感兴趣区域的识别方法，包括：

获取用户的医学图像；

获取包括至少两种类型的识别模型；其中，所述识别模型用于识别所述医学图像中的感兴趣区域；

依据所述识别模型，将所述医学图像输入所述识别模型，确定所述医学图像的至少两种识别结果；

根据所述至少两种识别结果，确定所述医学图像的最终识别结果。

2.如权利要求1所述的方法，所述识别模型包括分割模型；

将所述医学图像输入所述识别模型，确定所述医学图像的至少两种识别结果，具体包括：

将所述医学图像输入所述分割模型，确定所述医学图像对应的分割结果；

基于所述分割结果，确定所述医学图像的感兴趣区域的分割位置信息和分割概率。

3.如权利要求2所述的方法，所述识别模型还包括检测模型；

将所述医学图像输入所述识别模型，确定所述医学图像的至少两种识别结果，具体包括：

将所述医学图像输入所述检测模型，确定所述医学图像对应的检测结果；其中，所述检测结果包括所述感兴趣区域的检测位置信息和检测概率。

4.如权利要求3所述的方法，根据所述至少两种识别结果，确定所述医学图像的最终识别结果，具体包括：

根据所述分割位置信息和所述检测位置信息，确定重合度；

判断所述重合度是否满足指定条件；

若是，根据所述分割概率和所述检测概率，确定所述感兴趣区域的第一识别概率，以及根据所述检测位置信息和所述分割位置信息，确定所述感兴趣区域的第一位置信息；并，根据所述第一识别概率和所述第一位置信息，确定所述医学图像的最终识别结果；

若否，根据所述分割概率和所述分割位置信息，确定所述感兴趣区域的最终识别结果。

5.如权利要求2所述的方法，所述识别模型还包括分类模型；

根据所述至少两种识别结果，确定所述医学图像的最终识别结果，具体包括：

获取基于所述分类模型得到的所述医学图像的识别结果；

根据所述识别结果中的第一分类概率和所述分割概率，确定所述感兴趣区域的第三识别概率；

根据所述第三识别概率和所述分割位置信息，确定所述医学图像的最终识别结果。

6.如权利要求1所述的方法，所述识别模型包括检测模型和分类模型；

根据所述至少两种识别结果，确定所述医学图像的最终识别结果，具体包括：

获取所述医学图像的检测结果，以及获取基于所述分类模型得到的所述医学图像的识别结果；

根据所述检测结果中的检测概率以及所述识别结果中的第二分类概率，确定所述感兴趣区域的第二识别概率，以及根据所述检测结果中的检测位置信息，确定所述感兴趣区域的第二位置信息；

根据所述第二识别概率和所述第二位置信息，确定所述医学图像的最终识别结果。

7.如权利要求3所述的方法，所述识别模型还包括分类模型；

将所述医学图像输入所述识别模型，确定所述医学图像的至少两种识别结果，具体包括：

将所述分割结果输入所述分类模型，确定第一分类概率，以及将所述检测结果输入所述分类模型，确定第二分类概率；

根据所述分割位置信息、所述检测位置信息、所述第一分类概率以及所述第二分类概率，确定所述医学图像的识别结果。

8.如权利要求1所述的方法，获取包括至少两种类型的识别模型，具体包括：

获取各种类型的候选模型；其中，所述候选模型用于识别医学图像中的感兴趣区域；

将所述各种类型的候选模型进行组合，得到各组合；其中，所述组合中至少包括两种类型的候选模型；

获取历史医学图像以及所述历史医学图像中感兴趣区域的标注信息；

针对每一个组合，基于该组合包含的候选模型，确定所述历史医学图像的最终识别结果；

确定所述最终识别结果与所述历史医学图像中感兴趣区域的标注信息的相似性；

根据各相似性，从所述各组合包含的候选模型中，确定识别模型。

9.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～8任一项所述的方法。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1～8任一项所述的方法。