CT影像的处理方法、装置、设备、存储介质和程序产品与流程

ct影像的处理方法、装置、设备、存储介质和程序产品
技术领域
1.本公开涉及人工智能技术中的深度学习技术、ai医疗技术，尤其涉及一种ct影像的处理方法、装置、设备、存储介质和程序产品。


背景技术：

2.近年来，深度学习(deep learning,dl)和卷积神经网络(convolutional neural networks,cnns)被广泛应用。将深度学习技术和卷积神经网络应用在医疗领域时，能够辅助医疗人员对计算机体层摄影(ct影像)进行分析。
3.一种应用场景中，可以预先训练用于识别肺部病灶的模型，将ct影像输入该模型中，输出ct影像中的病灶区域。但是，这种实现方案中，漏检可能性较大，导致遗漏真实的病灶区域。


技术实现要素：

4.本公开提供了一种ct影像的处理方法、装置、设备、存储介质和程序产品，用于更准确的在ct影像中识别可能存在病灶的区域。
5.根据本公开的第一方面，提供了一种计算机体层摄影的处理方法，包括：
6.在所述计算机体层摄影ct影像中确定肺实质区域，并根据所述肺实质区域在所述ct影像中裁剪出初始肺实质图像；其中，所述初始肺实质图像中包括所述肺实质区域；
7.对所述初始肺实质图像进行处理，得到病灶分割掩膜，所述病灶分割掩膜用于表征所述初始肺实质图像中的病变位置；对所述初始肺实质图像进行处理，得到所述初始肺实质图像中的预测病灶区域；
8.根据所述病灶分割掩膜和所述预测病灶区域确定目标病灶区域，以及与所述目标病灶区域对应的目标病灶掩膜，其中，所述目标病灶掩膜位于所述目标病灶区域内，所述目标病灶掩膜用于表征所述初始肺实质图像中的病变位置。
9.根据本公开的第二方面，提供了一种计算机体层摄影的处理装置，包括：
10.肺实质确定单元，用于在所述计算机体层摄影ct影像中确定肺实质区域，并根据所述肺实质区域在所述ct影像中裁剪出初始肺实质图像；其中，所述初始肺实质图像中包括所述肺实质区域；
11.分割单元，用于对所述初始肺实质图像进行处理，得到病灶分割掩膜，所述病灶分割掩膜用于表征所述初始肺实质图像中的病变位置；
12.检测单元，用于对所述初始肺实质图像进行处理，得到所述初始肺实质图像中的预测病灶区域；
13.融合单元，用于根据所述病灶分割掩膜和所述预测病灶区域确定目标病灶区域，以及与所述目标病灶区域对应的目标病灶掩膜，其中，所述目标病灶掩膜位于所述目标病灶区域内，所述目标病灶掩膜用于表征所述初始肺实质图像中的病变位置。
14.根据本公开的第三方面，提供了一种电子设备，包括：
15.至少一个处理器；以及
16.与所述至少一个处理器通信连接的存储器；其中，
17.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如第一方面所述的方法。
18.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，其中，所述计算机指令用于使所述计算机执行如第一方面所述的方法。
19.根据本公开的第五方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
20.本公开提供的ct影像的处理方法、装置、设备、存储介质和程序产品，包括：在计算机体层摄影ct影像中确定肺实质区域，并根据肺实质区域在ct影像中裁剪出初始肺实质图像；其中，初始肺实质图像中包括肺实质区域；对初始肺实质图像进行处理，得到病灶分割掩膜，病灶分割掩膜用于表征初始肺实质图像中的病变位置；对初始肺实质图像进行处理，得到初始肺实质图像中的预测病灶区域；根据病灶分割掩膜和预测病灶区域确定目标病灶区域，以及与目标病灶区域对应的目标病灶掩膜，其中，目标病灶掩膜位于目标病灶区域内，目标病灶掩膜用于表征初始肺实质图像中的病变位置。这种实施方式中，直接在ct影像中裁剪出肺实质图像，使得该肺实质图像保存ct影像中肺实质区域的丰富信息，进而更加准确的识别到肺实质区域的病灶区域。而且，本公开提供的方案通过分割、检测两种方式识别病灶区域，并融合这两种识别结果得到目标病灶区域，以及目标病灶区域内部的目标病灶掩膜，通过这种方式能够更准确的在ct影像中识别出病灶区域和病灶掩膜，从而提高病灶区域和病灶掩膜的召回率，降低漏检发生的概率。
21.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
22.附图用于更好地理解本方案，不构成对本公开的限定。其中：
23.图1为本公开一示例性实施例示出的计算机体层摄影的处理方法的流程示意图；
24.图2为本公开一示例性实施例示出的ct影像和肺实质区域的示意图；
25.图3为本公开一示例性实施例示出的计算机体层摄影的处理方法的流程示意图；
26.图4为本公开一示例性实施例示出的对ct影像处理的流程图；
27.图5为本公开一示例性实施例示出的计算机体层摄影的处理装置的结构示意图；
28.图6为本公开另一示例性实施例示出的计算机体层摄影的处理装置的结构示意图；
29.图7是用来实现本公开实施例的方法的电子设备的框图。
具体实施方式
30.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识
到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
31.随着深度学习和卷积神经网络技术的发展，可以将该技术应用在医疗领域中，具体可以通过深度学习和卷积神经网络技术辅助医疗人员分析ct影像。
32.在一些比较简单的辅助分析系统中，可以直接利用预先训练的神经网络对ct影像进行处理，得到病灶分析结果。
33.在一些复杂的辅助分析系统中，可以将肺部区域从ct影像中取出得到肺部ct影像，在肺部ct影像中分割出肺叶ct影像，再通过多种方式在肺叶ct影像中分割出异常区域掩膜，对不同方式得到的异常区域掩膜进行融合，进而得到融合后的异常区域。
34.但是，上述通过在ct影像中分割出异常区域的方式，漏检可能性较大，进而导致输出的异常区域图像遗漏了真实的病灶区域。
35.为了解决上述技术问题，本公开提供的方案中，对ct影像中的肺实质区域进行处理，分割出病灶分割掩膜，并识别出预测病灶区域，从而结合病灶分割掩膜和预测病灶区域，确定出目标病灶区域和目标病灶掩膜。本公开提供的方案中，不仅采用分割方式分割出病灶掩膜，还结合了检测病灶区域的方式，通过采用检测、分割两种方式实现检出，病灶区域和病灶掩膜的召回率更高，漏检发生的概率更低。
36.图1为本公开一示例性实施例示出的计算机体层摄影的处理方法的流程示意图。
37.如图1所示，本公开提供的计算机体层摄影的处理方法，包括：
38.步骤101，在计算机体层摄影ct影像中确定肺实质区域，并根据肺实质区域在ct影像中裁剪出初始肺实质图像。
39.其中，本公开提供的方法可以由具备计算能力的电子设备执行，比如可以是计算机。
40.在一种可选的实施方式中，计算机可以与用于拍摄ct影像的医疗设备连接，该医疗设备可以将ct影像发送给计算机，使得计算机可以基于本公开提供的方法对ct影像进行分析，并输出分析结果。
41.具体的，计算机可以获取ct影像，并在ct影像中确定肺实质区域。其中，计算机中可以设置有肺实质分割模块，可以利用该肺实质分割模块对ct影像进行处理，识别出其中属于肺实质区域的体素点，以及不属于肺实质区域的体素点，可以基于属于肺实质区域的体素点确定连通域，进而到肺实质区域。
42.进一步的，可以根据肺实质区域在ct影像中裁剪出初始肺实质图像，比如，可以裁剪图像中的肺实质区域，作为始肺实质图像。
43.实际应用时，裁剪出的肺实质图像中包括ct影像中的肺实质区域。
44.图2为本公开一示例性实施例示出的ct影像和肺实质区域的示意图。
45.如图2所示，在ct影像21中确定出肺实质区域，并基于该肺实质区域裁剪得到肺实质图像22。
46.步骤102，对初始肺实质图像进行处理，得到病灶分割掩膜；对初始肺实质图像进行处理，得到初始肺实质图像中的预测病灶区域。
47.其中，可以分别对初始肺实质图像进行分割处理和检测处理。例如，可以分别设置掩膜分割模块和病灶检测模块，通过掩膜分割模块对初始肺实质图像进行处理，得到病灶
分割掩膜，还可以通过病灶检测模块对初始肺实质图像进行处理，得到预测病灶区域。
48.具体的，可以在初始肺实质图像中识别属于病灶区域的体素点，以及不属于病灶区域的体素点，进而得到病灶分割掩膜。可以将属于病灶区域的体素点标注为1，将不属于病灶区域的体素点标注为0，进而得到病灶分割掩膜，通过病灶分割掩膜能够表征初始肺实质图像中的病变位置。
49.进一步的，还可以在初始肺实质图像中识别可能存在病灶的区域，比如，识别到某一区域可能存在病灶，可以输出与该区域对应的检测框或者检测盒，检测框或者检测盒能够包裹病灶区域。
50.实际应用时，预测病灶区域用于表征可能存在病灶的区域。
51.步骤103，根据病灶分割掩膜和预测病灶区域确定目标病灶区域，以及与目标病灶区域对应的目标病灶掩膜，其中，目标病灶掩膜位于目标病灶区域内。
52.目标病灶掩膜用于表征初始肺实质图像中的病变位置。
53.具体的，可以结合病灶分割掩膜和预测病灶区域对ct影像进行分析，得到目标病灶区域及其对应的目标病灶掩膜。
54.一种可选的实施方式中，还可以设置阳性判断模块，可以将各预测病灶区域输入阳性判断模块，从而确定该预测病灶区域是否真的存在病灶区域，进而对预测病灶区域进行二次确认。
55.若确定预测病灶区域的判断结果为阳性，则可以将其确定为目标病灶区域，再融合目标病灶区域与病灶分割掩膜，得到各目标病灶区域的目标病灶掩膜。
56.另一种实施方式中，还可以直接融合预测病灶区域与病灶分割掩膜，例如，若ct影响的预测病灶区域中，也存在病灶分割掩膜，则证明通过两种方式均确定该区域可能存在病灶，因此，可以将该预测病灶区域确定为目标病灶区域，将该目标病灶区域内的病灶分割掩膜作为与其对应的目标病灶掩膜。
57.本公开提供的计算机体层摄影的处理方法，包括：在计算机体层摄影ct影像中确定肺实质区域，并根据肺实质区域在ct影像中裁剪出初始肺实质图像；其中，初始肺实质图像中包括肺实质区域；对初始肺实质图像进行处理，得到病灶分割掩膜，病灶分割掩膜用于表征初始肺实质图像中的病变位置；对初始肺实质图像进行处理，得到初始肺实质图像中的预测病灶区域；根据病灶分割掩膜和预测病灶区域确定目标病灶区域，以及与目标病灶区域对应的目标病灶掩膜，其中，目标病灶掩膜位于目标病灶区域内，目标病灶掩膜用于表征初始肺实质图像中的病变位置。这种实施方式中，直接在ct影像中裁剪出肺实质图像，使得该肺实质图像保存ct影像中肺实质区域的丰富信息，进而更加准确的识别到肺实质区域的病灶区域。而且，本公开提供的方法通过分割、检测两种方式识别病灶区域，并融合这两种识别结果得到目标病灶区域，以及目标病灶区域内部的目标病灶掩膜，通过这种方式能够更准确的在ct影像中识别出病灶区域和病灶掩膜，从而提高病灶区域和病灶掩膜的召回率，降低漏检发生的概率。
58.图3为本公开一示例性实施例示出的计算机体层摄影的处理方法的流程示意图。
59.如图3所示，本公开提供的计算机体层摄影的处理方法，包括：
60.步骤301，利用预设的肺实质提取模型对ct影像进行处理，得到肺实质分割结果。
61.其中，在电子设备中可以预先设置肺实质提取模型，用于在ct影像中识别肺实质
区域。肺实质提取模型是指预先训练好的3d u形神经网络(如u-net,u2net等)，它被训练为可以根据输入的ct影像，判别每个体素点属于“背景、肺实质”两个类别中的任一类别，即对肺实质区域进行语义分割。
62.具体的，可以利用肺实质提取模型对ct影像进行分割，得到肺实质分割结果。肺实质分割结果可以是肺实质分割掩膜，具体可以包括ct影像中属于肺实质的体素点，以及不属于肺实质的体素点。
63.步骤302，根据肺实质分割结果在ct影像中确定第三肺实质图像。
64.进一步的，肺实质分割结果用于表征初步确定的ct影像中哪些体素点属于肺实质区域，哪些体素点不属于，则可以基于这一结果在ct影像中确定第三肺实质图像。
65.实际应用时，该第三肺实质图像可以是包括初步的肺实质区域的立方体。可以根据肺实质分割结果在ct影像中扣取第三肺实质图像。
66.其中，可以先将ct影像的尺寸调整为第一尺寸，再将调整后的ct影像输入肺实质提取模型，进而得到肺实质分割结果，此时得到的肺实质分割结果也是第一尺寸，与ct影像尺寸不同。
67.该第一尺寸可以是肺实质提取模型输入数据的尺寸要求，因此，本公开提供的方法能够利用肺实质提取模型得到肺实质分割结果。
68.在另一种可选的实现方式中，还可以调整ct影像的ct取值范围，减少ct影像中的数据，提高肺实质提取模型对输入图像的处理速度。
69.例如，可以将原始ct取值范围裁剪至[hu
min
1，hu
max
1]，并归一化至[0，1]：
[0070][0071]
其中，hu是ct影像中的ct值。
[0072]
具体的，若肺实质分割结果与ct影像的尺寸不同，则可以将肺实质分割结果的尺寸调整为ct影像的尺寸，再根据调整了尺寸后的肺实质分割结果在ct影像中确定第三肺实质图像。
[0073]
进一步的，肺实质分割结果可以是肺实质掩膜，可以直接根据与ct影像尺寸相同的肺实质掩膜，在ct影像中确定第三肺实质图像。具体可以根据肺实质掩膜在ct影像中裁剪出第三肺实质图像。
[0074]
可以在肺实质掩膜的基础上扩大范围，进而得到第三肺实质图像的区域。
[0075]
通过这种实现方式中，可以利用肺实质提取模型对ct影像进行处理，并在肺实质提取模型的输入数据尺寸与ct影像的原始尺寸不同的情况下，也能够确定出第三肺实质图像。
[0076]
步骤303，利用预设的肺叶分割模型对第三肺实质图像进行处理，得到肺叶分割结果。
[0077]
其中，在电子设备中还可以设置肺叶分割模型，肺叶分割模型用来在图像中识别肺叶区域。
[0078]
肺叶分割模型是指一个预先训练好的3d u形神经网络，被训练为将每个体素点判别为6类(背景、左上肺叶、左下肺叶、右上肺叶、右中肺叶、右下肺叶)中一类。
[0079]
具体的，可以利用该肺叶分割模型对第三肺实质图像进行处理，识别第三肺实质
图像中属于各个肺叶的体素点，以及背景体素点，进而在第三肺实质图中识别肺叶区域。
[0080]
进一步的，肺叶可以包括左上肺叶、左下肺叶、右上肺叶、右中肺叶、右下肺叶，可以在第三肺实质图分别确定属于左上肺叶的体素点，属于左下肺叶的体素点，属于右上肺叶的体素点，属于右中肺叶的体素点，属于右下肺叶的体素点，进而在第三肺实质图中识别出各肺叶的区域。
[0081]
实际应用时，肺叶分割模型输出的肺叶分割结果可以包括多个肺叶的分割结果，比如与左上肺叶、左下肺叶、右上肺叶、右中肺叶、右下肺叶分别对应的肺叶的分割结果。
[0082]
肺叶分割结果可以是肺叶分割掩膜，其中包括属于肺叶的体素点。
[0083]
步骤304，根据肺叶分割结果在ct影像中确定肺实质区域；其中，肺实质区域包括肺叶所在的区域。
[0084]
其中，肺实质区域包括肺叶所在的区域，因此，可以根据各肺叶分割结果在ct影像中确定肺实质区域。
[0085]
具体的，可以将各肺叶所在区域作为肺实质区域。比如，可以将左上肺叶、左下肺叶、右上肺叶、右中肺叶、右下肺叶所在的区域，作为肺实质区域。
[0086]
这种实现方式中，先从ct影像中初步分割出肺实质区域，再在该区域中更准确的分割出各肺叶区域，进而根据各肺叶区域重新确定肺实质区域，使得在ct影像中确定的肺实质区域更加准确。
[0087]
其中，可以先将第三肺实质图像的尺寸调整为第二尺寸，再将调整后的第三肺实质图像输入肺叶分割模型，进而得到肺叶分割结果，此时得到的各肺叶分割结果也是第二尺寸，与第三肺实质图像尺寸不同。
[0088]
该第二尺寸可以是肺叶分割模型输入数据的尺寸要求，因此，本公开提供的方法能够利用肺叶分割模型得到肺叶分割结果。
[0089]
在另一种可选的实现方式中，还可以调整第三肺实质图像的ct取值范围，减少第三肺实质图像中的数据，提高肺叶分割模型对输入图像的处理速度。
[0090]
具体的，若肺叶分割结果与第三肺实质图像的尺寸不同，则可以将肺叶分割结果的尺寸调整为第三肺实质图像的尺寸。
[0091]
进一步的，还可以根据第三肺实质图像在ct影像中位置信息，在调整了尺寸的肺叶分割结果外围补充空白体素，得到与ct影像尺寸相同的肺叶分割结果。
[0092]
与ct影像尺寸相同的肺叶分割结果中，肺叶的位置信息位于ct影像中的肺实质区域内，因此，可以根据肺叶分割结果在ct影像中扣取肺叶所在的区域。
[0093]
通过这种实现方式中，可以利用肺叶分割模型对第三肺实质图像进行处理，并在肺叶分割模型的输入数据尺寸与第三肺实质图像的尺寸不同的情况下，也能利用肺叶分割结果在原始的ct影像中扣取肺叶部分，从而保留ct影像中更丰富的肺叶区域的信息。
[0094]
实际应用时，肺叶分割结果中包括多个肺叶的信息，因此，可以在ct影像中确定出多个肺叶的区域。比如，可以得到左上肺叶区域、左下肺叶区域、右上肺叶区域、右中肺叶区域、右下肺叶区域。
[0095]
其中，确定出各肺叶区域之后，还可以将相邻的两个肺叶交界处的体素点，确定为肺间裂结果。
[0096]
具体的，计算机还可以输出该肺间裂结果，进而辅助医疗人员了解ct影像中的肺
结构，使医疗人员更准确的诊断。
[0097]
进一步的，计算机可以根据肺叶分割结果中的各肺叶信息，在ct影像中确定与各肺叶对应的肺叶区域。
[0098]
再将肺叶区域内的各体素调整为单位体积，并根据肺叶区域内的体素数量、体素原始体积，确定肺叶体积。
[0099]
该单位体积例如可以是1mm*1mm*1mm的大小，此后，可以确定肺叶区域内的体素数量，并将该体素数量与体素原始体积之积作为肺叶体积。
[0100]
针对每个肺叶区域都可以确定相应的肺叶体积，可以输出该肺叶体积，从而通过肺叶体积辅助医疗人员进行诊断。
[0101]
步骤305，根据肺实质区域在ct影像中裁剪出初始肺实质图像；其中，初始肺实质图像中包括肺实质区域。
[0102]
步骤305与步骤101中裁剪出初始肺实质图像的实现方式类似，不再赘述。
[0103]
步骤306，对初始肺实质图像进行预处理，得到第一肺实质图像。
[0104]
其中，该预处理可以包括调整尺寸的处理，也可以包括调整ct取值范围的处理。
[0105]
具体的，可以将初始肺实质图像的尺寸调整为第三尺寸，还可以将初始肺实质图像的原始ct取值范围裁剪至[hu
min
2，hu
max
2]，并归一化至[0，1]。
[0106]
步骤307，利用预设的病灶分割模型对第一肺实质图像进行处理，得到第一病灶掩膜。
[0107]
得到第一肺实质图像之后，可以利用预设的病灶分割模型对第一肺实质图像进行处理，得到第一病灶掩膜。
[0108]
病灶分割模型可以是一个预先训练好的3d u形神经网络，它被训练为可以根据输入的ct影像，判别每个体素点属于“背景、异常病灶”两个类别中的任一类别。
[0109]
通过病灶分割模型对第一肺实质图像后，能够得到该肺实质图像的第一病灶掩膜，第一病灶掩膜中可以包括哪些体素点为背景点，哪些体素点为异常病灶的点。
[0110]
步骤308，根据第一病灶掩膜，确定初始肺实质图像的病灶分割掩膜。
[0111]
其中，第一病灶掩膜是第一肺实质图像的病灶掩膜，可以根据该掩膜再确定初始肺实质图像的病灶分割掩膜。
[0112]
通过这种实现方式，能够利用病灶分割模型得到肺实质图像的病灶分割掩膜，进而在肺实质图像中分割出病灶区域的掩膜。
[0113]
具体的，若第一肺实质图像的尺寸与初始肺实质图像的尺寸不同，在确定初始肺实质图像的病灶分割掩膜时，可以将第一病灶掩膜的尺寸调整为初始肺实质图像的尺寸。
[0114]
进一步的，根据调整尺寸后的第一病灶掩膜中各体素点的病灶概率，确定整尺寸后的第一病灶掩膜中的病灶点。例如，调整了尺寸后的第一病灶掩膜中的体素点的病灶概率大于概率阈值，则可以确定该体素点为病灶点。
[0115]
实际应用时，可以根据调整尺寸后的第一病灶掩膜中的各病灶点确定初始肺实质图像中病灶分割掩膜。可以根据各病灶点确定连通域，进而将连通域作为初始肺实质图像中的病灶区域。
[0116]
通过这种实施方式，可以利用病灶分割模型对第一肺实质图像进行处理，并在第一肺实质图像尺寸与初始肺实质图像的尺寸不同的情况下，也能利用病灶分割模型确定初
始肺实质图像中的病灶分割掩膜，从而能够在初始肺实质图像中确定可能属于病灶的体素点，保留初始肺实质图像中更丰富的病灶信息。
[0117]
在一种可选的实施方式中，可以根据病灶点在调整尺寸后的第一病灶掩膜中确定病灶连通域。比如，可以将相邻的病灶点进行连接，得到病灶连通域。
[0118]
为了避免将正常的区域确定为病灶区域，还可以判断各连通域的体积是否大于体积阈值，若小于或等于体积阈值，则可以抛弃该连通域。
[0119]
实际应用时，还可以根据病灶连通域确定初始肺实质图像中病灶分割掩膜，其中，病灶分割掩膜中包括多个病灶连通域。
[0120]
可以将最终确定的连通域确定为病灶连通域，进而得到初始肺实质图像中病灶分割掩膜。该病灶分割掩膜中包括可能存在病灶情况的病灶连通域，通过这种实现方式，能够在调整尺寸后的第一病灶掩膜中确定出病灶连通域，从而更准确的在初始肺实质图像中确定出病灶分割掩膜。
[0121]
步骤309，对初始肺实质图像进行预处理，得到第二肺实质图像。
[0122]
其中，计算机还可以对初始肺实质图像进行预处理，得到第二肺实质图像。具体与步骤306的处理方式类似，但是使用的参数可以不同。例如，调整后的第二肺实质图像的尺寸不同，ct取值范围不同。
[0123]
步骤310，利用预设的病灶检测模型对第二肺实质图像进行处理，得到当前病灶区域。
[0124]
具体的，还可以预先设置病灶检测模型，病灶检测模型一个预先训练好的、基于2d cnn或3d cnn的目标检测模型。若基于2d cnn构建目标检测模型，则将第二肺实质图像沿任一方向进行切片，使用2d目标检测模型对每一切片进行预测；若基于3d cnn构建目标检测模型，选取滑窗后对第二肺实质图像进行预测。
[0125]
进一步的，病灶检测模型用于对输入的ct影像进行处理，得到ct影像中的病灶区域，病灶检测模型具体可以输出检测框或检测盒，用于标记病灶区域。
[0126]
实际应用时，病灶检测模型输出的当前病灶区域是指在第二肺实质图像中确定的病灶区域。
[0127]
步骤311，根据当前病灶区域，确定初始肺实质图像中的预测病灶区域。
[0128]
其中，计算机还可以根据第二肺实质图像中的当前病灶区域，在初始肺实质图像中确定预测病灶区域。
[0129]
通过这种实现方式，能够利用病灶检测模型在初始肺实质图像中确定预测病灶区域，进而充分的保留初始肺实质图像中病灶区域的信息。
[0130]
具体的，第二肺实质图像与初始肺实质图像的图像尺寸不同，例如，对初始肺实质图像进行预处理之后，得到的第二肺实质图像与初始肺实质图像的尺寸不同。
[0131]
进一步的，若第二肺实质图像与初始肺实质图像的图像尺寸不同，则在确定预测病灶区域时，可以根据第二肺实质图像与初始肺实质图像的图像尺寸，将预测病灶区域映射至初始肺实质图像中，得到初始肺实质图像中的预测病灶区域。
[0132]
实际应用时，当前病灶区域中可以包括位置信息，还可以包括尺寸信息，可以根据第二肺实质图像与初始肺实质图像的图像尺寸之间的转换关系，将当前病灶区域的位置信息和尺寸信息映射到初始肺实质图像的尺寸空间中，得到初始肺实质图像中的预测病灶区
域。
[0133]
通过这种实现方式，能够在初始肺实质图像中的准确的预测出可能存在的病灶区域。
[0134]
在一种可选的实施方式中，病灶检测模型可以是二维神经网络模型，则病灶检测模型输出的当前病灶区域为检测框，这种实现方式中，可以基于各检测框得到初始肺实质图像中可能存在的病灶区域。
[0135]
在另一种可选的实施方式中，病灶检测模型可以是三维神经网络模型，则病灶检测模型输出的当前病灶区域为检测盒，这种实现方式中，得到的检测结果更加平滑，从而使最终的检测结果更加准确。
[0136]
其中，病灶检测模型输出的结果还可以包括置信度，例如可以输出每个检测框或每个检测盒的置信度，最后可以选择置信度高于阈值的检测框或检测盒，作为当前病灶区域。
[0137]
具体的，该检测盒可以是立方体。
[0138]
步骤312，根据病灶分割掩膜确定推测病灶区域，并根据推测病灶区域和预测病灶区域确定可能病灶区域。
[0139]
在步骤308和步骤311之后，还可以执行步骤312，从而根据病灶分割掩膜推测病灶区域。
[0140]
其中，可以根据病灶分割掩膜确定推测病灶区域，比如，可以根据病灶分割掩膜中属于病灶的区域，确定推测病灶区域。例如，一个区域被标记为病灶区域，则可以将该病灶区域所在的立方体作为推测病灶区域。
[0141]
具体的，还可以结合病灶检测模型输出的预测病灶区域，以及确定的推测病灶区域确定出可能病灶区域。
[0142]
进一步的，预测病灶区域、推测病灶区域的确定方式不同，因此结果也不可能完全相同，可以对预测病灶区域和推测病灶区域进行融合，得到可能病灶区域。
[0143]
实际应用时，病灶分割掩膜中包括多个病灶连通域，这些病灶连通域之间互不连通，因此，可以为病灶分割掩膜的中的每个病灶连通域生成推测病灶区域，推测病灶区域包括中心点参数和尺寸参数。
[0144]
其中，中心点参数可以是包括(x1，y1，z1)这三个参数，尺寸参数可以包括d1这个参数。
[0145]
通过这种实现方式，可以通过病灶连通域得到推测病灶区域，使得该推测病灶区域包裹各病灶连通域，从而可以推测出ct影像中的推测病灶区域。
[0146]
具体的，预测病灶区域也可以包括中心点参数和尺寸参数，具体可以包括第二中心点参数和第二尺寸参数。第二中心点参数可以是包括(x2，y2，z2)这三个参数，第二尺寸参数可以包括d2这个参数。
[0147]
进一步的，可以根据两个病灶区域的中心点参数和尺寸参数，对两个病灶区域进行融合。
[0148]
实际应用时，可以根据各推测病灶区域的第一中心点参数、各预测病灶区域的第二中心点参数，确定区域组合；区域组合中包括一个预测病灶区域和一个推测病灶区域。
[0149]
可以根据各第一中心点参数和各第二中心点参数，确定匹配的推测病灶区域和预
测病灶区域。例如，可以确定第一中心点参数与每个第二中心点参数之间的距离，将距离最短的组合，作为区域组合。
[0150]
其中，确定出各区域组合后，可以生成每个区域组合对应的可能病灶区域。
[0151]
具体的，可以根据预测病灶区域的第一中心点参数和第一尺寸参数，以及推测病灶区域的第二中心点参数和第二尺寸参数，确定可能病灶区域的中心点参数和尺寸参数。
[0152]
比如，可以将第一中心点参数和第二中心点参数的平均值确定为可能病灶区域的中心点参数。还可以将第一尺寸参数和第二尺寸参数的平均值确定为可能病灶区域的尺寸参数。
[0153]
在另一种实现方式，还可以将第一中心点参数和第二中心点参数的平均值确定为可能病灶区域的中心点参数，将第一尺寸参数和第二尺寸参数中的最大值确定为可能病灶区域的尺寸参数。
[0154]
通过这种实现方式，能够融合推测病灶区域和预测病灶区域，得到可能病灶区域，进而更准确的在ct影像中确定出可能存在病灶的区域。
[0155]
步骤313，根据可能病灶区域在ct影像中确定病灶影像，并利用预设的病灶真阳判别模型对各病灶影像进行处理，确定阳性病灶影像。
[0156]
实际应用时，可以根据可能病灶区域在ct影像中截取病灶影像，这种方式得到的病灶影像包含了ct影像中的原始信息，从而使得后续的识别结果更加准确。
[0157]
其中，还可以预先设置病灶真阳判别模型，病灶真阳判别模型是指，一个由3d cnn组成的判别模型，该模型能够根据输入的ct图像，识别该ct图像的中心点是否位于病灶区域内部。
[0158]
具体的，为了避免可能病灶区域是误识别到的假阳性区域，本公开提供的方案能够病灶真阳判别模型对各可能病灶区域进行进一步的识别，以降低输出假阳性区域的结果。
[0159]
若病灶真阳判别模型输出可能病灶区域的识别结果为阳性，则可以将该可能病灶区域确定为阳性病灶影像，即可认为该影像中确实包括肺部病灶部分。
[0160]
步骤314，将与阳性病灶影像对应的可能病灶区域确定为目标病灶区域。
[0161]
其中，可以将与阳性病灶影像对应的可能病灶区域确定为目标病灶区域，即认为该目标病灶区域中包括病灶区域。
[0162]
步骤315，根据目标病灶区域、病灶分割掩膜，确定目标病灶区域对应的目标病灶掩膜。
[0163]
具体的，确定出包含病灶目标病灶区域后，还可以确定每个目标病灶区域的目标病灶掩膜。
[0164]
进一步的，可以结合病灶分割模型得到的病灶分割掩膜，在各目标病灶区域中确定目标病灶掩膜。
[0165]
实际应用时，若目标病灶区域中包括病灶分割掩膜，则将目标病灶区域中包括的病灶分割掩膜，确定为目标病灶区域对应的目标病灶掩膜。
[0166]
若目标病灶区域中包括分割出的病灶分割掩膜，则可以确定该病灶分割掩膜即为与目标病灶区域中的目标病灶掩膜。通过这种方式，能够有效的融合病灶区域与病灶掩膜，输出准确的目标病灶区域及其内部的目标病灶掩膜。
[0167]
若目标病灶区域中不包括病灶分割掩膜，则可以根据目标病灶区域生成目标病灶掩膜，生成的目标病灶掩膜位于目标病灶区域内部。
[0168]
由于目标病灶区域是通过多个模型确定的确实包括病灶的区域，因此，若该区域内没有分割模型分割出的掩膜，则可以在其中生成病灶分割掩膜，以避免遗漏病灶区域。
[0169]
进一步的，由于目标病灶区域具有中心点参数和尺寸参数，因此，可以根据这些参数生成目标病灶掩膜。具体可以根据目标病灶区域的中心点参数和尺寸参数，生成位于目标病灶区域内部的球体，得到目标病灶掩膜。
[0170]
由于病灶区域一般呈现球形，因此，通过这种方式生成的目标病灶掩膜与实际的病灶掩膜跟接近。
[0171]
图4为本公开一示例性实施例示出的对ct影像处理的流程图。
[0172]
如图4所示，可以对ct影像41进行处理，识别其中的肺实质区域，进而裁剪出肺实质图像42。
[0173]
可以分别对肺实质图像42进行分割和检测处理，得到病灶分割掩膜43，和预测病灶区域44。
[0174]
再对病灶分割掩膜43和预测病灶区域44进行融合，得到内部包括目标病灶掩膜的目标病灶区域45。
[0175]
图5为本公开一示例性实施例示出的计算机体层摄影的处理装置的结构示意图。
[0176]
如图5所示，本公开提供的计算机体层摄影的处理装置500，包括：
[0177]
肺实质确定单元510，用于在所述计算机体层摄影ct影像中确定肺实质区域，并根据所述肺实质区域在所述ct影像中裁剪出初始肺实质图像；其中，所述初始肺实质图像中包括所述肺实质区域；
[0178]
分割单元520，用于对所述初始肺实质图像进行处理，得到病灶分割掩膜，所述病灶分割掩膜用于表征所述初始肺实质图像中的病变位置；
[0179]
检测单元530，用于对所述初始肺实质图像进行处理，得到所述初始肺实质图像中的预测病灶区域；
[0180]
融合单元540，用于根据所述病灶分割掩膜和所述预测病灶区域确定目标病灶区域，以及与所述目标病灶区域对应的目标病灶掩膜，其中，所述目标病灶掩膜位于所述目标病灶区域内，所述目标病灶掩膜用于表征所述初始肺实质图像中的病变位置。
[0181]
本公开提供的计算机体层摄影的处理装置直接在ct影像中裁剪出肺实质图像，使得该肺实质图像保存ct影像中肺实质区域的丰富信息，进而更加准确的识别到肺实质区域的病灶区域。而且，本公开提供的方法通过分割、检测两种方式识别病灶区域，并融合这两种识别结果得到目标病灶区域，以及目标病灶区域内部的目标病灶掩膜，通过这种方式能够更准确的在ct影像中识别出病灶区域和病灶掩膜，从而提高病灶区域和病灶掩膜的召回率，降低漏检发生的概率。
[0182]
图6为本公开另一示例性实施例示出的计算机体层摄影的处理装置的结构示意图。
[0183]
如图6所示，本公开提供的计算机体层摄影的处理装置600中，所示出的肺实质确定单元610与图5所示出的肺实质确定单元510相似，分割单元620与图5所示出的分割单元520相似，检测单元630与图5所示出的检测单元530相似，融合单元640与图5所示出的融合
单元540相似。
[0184]
其中，所述分割单元620，包括：
[0185]
第一预处理模块621，用于对所述初始肺实质图像进行预处理，得到第一肺实质图像；
[0186]
分割模块622，用于利用预设的病灶分割模型对所述第一肺实质图像进行处理，得到第一病灶掩膜；
[0187]
掩膜确定模块623，用于根据所述第一病灶掩膜，确定所述初始肺实质图像的病灶分割掩膜。
[0188]
其中，所述第一肺实质图像与所述初始肺实质图像的图像尺寸不同；
[0189]
所述掩膜确定模块623具体用于：
[0190]
将所述第一病灶掩膜的尺寸调整为所述初始肺实质图像的尺寸；
[0191]
根据调整尺寸后的第一病灶掩膜中各体素点的病灶概率，确定整尺寸后的第一病灶掩膜中的病灶点；
[0192]
根据所述病灶点确定所述初始肺实质图像中病灶分割掩膜。
[0193]
其中，所述掩膜确定模块623具体用于：
[0194]
根据所述病灶点在调整尺寸后的第一病灶掩膜中确定病灶连通域；
[0195]
根据所述病灶连通域确定所述初始肺实质图像中病灶分割掩膜，其中，所述病灶分割掩膜中包括多个病灶连通域。
[0196]
其中，所述检测单元630，包括：
[0197]
第二预处理模块631，用于对所述初始肺实质图像进行预处理，得到第二肺实质图像；
[0198]
检测模块632，用于利用预设的病灶检测模型对所述第二肺实质图像进行处理，得到当前病灶区域；
[0199]
区域确定模块633，用于根据所述当前病灶区域，确定所述初始肺实质图像中的预测病灶区域。
[0200]
其中，所述第二肺实质图像与所述初始肺实质图像的图像尺寸不同；
[0201]
所述区域确定模块633具体用于：
[0202]
根据所述第二肺实质图像与所述初始肺实质图像的图像尺寸，将所述当前病灶区域映射至所述初始肺实质图像中，得到所述初始肺实质图像中的预测病灶区域。
[0203]
其中，若所述病灶检测模型是二维神经网络模型，则所述当前病灶区域为检测框；
[0204]
若所述病灶检测模型是三维神经网络模型，则所述当前病灶区域为检测盒。
[0205]
其中，所述融合单元640，包括：
[0206]
区域融合模块641，用于根据所述病灶分割掩膜确定推测病灶区域，并根据所述推测病灶区域和所述预测病灶区域确定所述可能病灶区域；
[0207]
阳性区域确定模块642，用于根据所述可能病灶区域在所述ct影像中确定病灶影像，并利用预设的病灶真阳判别模型对各病灶影像进行处理，确定阳性病灶影像；
[0208]
目标区域确定模块643，用于将与所述阳性病灶影像对应的可能病灶区域确定为所述目标病灶区域；
[0209]
目标掩膜确定模块644，用于根据所述目标病灶区域、所述病灶分割掩膜，确定所
述目标病灶区域对应的目标病灶掩膜。
[0210]
其中，所述病灶分割掩膜中包括多个病灶连通域；
[0211]
所述区域融合模块641具体用于：
[0212]
为所述病灶分割掩膜的中的每个所述病灶连通域生成推测病灶区域，所述推测病灶区域包括中心点参数和尺寸参数。
[0213]
其中，所述推测病灶区域包括第一中心点参数和第一尺寸参数；所述预测病灶区域包括第二中心点参数和第二尺寸参数；
[0214]
所述区域融合模块641具体用于：
[0215]
根据各推测病灶区域的第一中心点参数、各预测病灶区域的第二中心点参数，确定区域组合；所述区域组合中包括一个预测病灶区域和一个推测病灶区域；
[0216]
根据所述区域组合中包括的预测病灶区域的第一中心点参数和第一尺寸参数，以及包括的推测病灶区域的第二中心点参数和第二尺寸参数，确定可能病灶区域的中心点参数和尺寸参数。
[0217]
其中，所述目标掩膜确定模块644具体用于：
[0218]
若所述目标病灶区域中包括所述病灶分割掩膜，则将所述目标病灶区域中包括的所述病灶分割掩膜，确定为所述目标病灶区域对应的目标病灶掩膜。
[0219]
其中，所述目标掩膜确定模块644具体用于：
[0220]
若所述目标病灶区域中不包括所述病灶分割掩膜，则根据所述目标病灶区域生成目标病灶掩膜，生成的所述目标病灶掩膜位于所述目标病灶区域内部。
[0221]
其中，所述目标病灶区域具有中心点参数和尺寸参数；
[0222]
所述目标掩膜确定模块644具体用于：
[0223]
根据所述目标病灶区域的中心点参数和尺寸参数，生成位于所述目标病灶区域内部的球体，得到所述目标病灶掩膜。
[0224]
其中，所述肺实质确定单元610，包括：
[0225]
肺实质分割模块611，用于利用预设的肺实质提取模型对所述ct影像进行处理，得到肺实质分割结果；
[0226]
初步确定模块612，用于根据所述肺实质分割结果在所述ct影像中确定第三肺实质图像；
[0227]
肺叶分割模块613，用于利用预设的肺叶分割模型对所述第三肺实质图像进行处理，得到肺叶分割结果；
[0228]
再次确定模块614，用于根据所述肺叶分割结果在所述ct影像中确定所述肺实质区域；其中，所述肺实质区域包括肺叶所在的区域。
[0229]
其中，所述肺实质分割结果与所述ct影像的尺寸不同；
[0230]
所述肺叶分割模块613具体用于：
[0231]
将所述肺实质分割结果的尺寸调整为所述ct影像的尺寸，并根据调整尺寸后的肺实质分割结果在所述ct影像中确定第三肺实质图像。
[0232]
其中，所述肺叶分割结果与所述第三肺实质图像的尺寸不同；
[0233]
所述再次确定模块614具体用于：
[0234]
将所述肺叶分割结果的尺寸调整为所述第三肺实质图像的尺寸；
[0235]
根据所述第三肺实质图像在所述ct影像中位置信息，在调整了尺寸的肺叶分割结果外围补充空白体素，得到与所述ct影像尺寸相同的肺叶分割结果；
[0236]
根据与所述ct影像尺寸相同的肺叶分割结果，在所述ct影像中确定所述肺实质区域。
[0237]
其中，所述肺叶分割结果中包括多个肺叶的信息；
[0238]
所述装置还包括肺间裂确定单元650，用于：
[0239]
将相邻的两个肺叶交界处的体素点，确定为肺间裂结果。
[0240]
其中，所述肺叶分割结果中包括多个肺叶的信息；
[0241]
所述装置还包括肺叶体积确定单元660，用于：
[0242]
根据所述肺叶分割结果中的各肺叶信息，在所述ct影像中确定与各肺叶对应的肺叶区域；
[0243]
将所述肺叶区域内的各体素调整为单位体积，并根据所述肺叶区域内的体素数量、体素原始体积，确定肺叶体积。
[0244]
本公开提供一种ct影像的处理方法、装置、设备、存储介质和程序产品，应用于人工智能技术中的深度学习技术、ai医疗技术，以更准确的在ct影像中识别可能存在病灶的区域。
[0245]
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0246]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0247]
根据本公开的实施例，本公开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，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
[0248]
图7示出了可以用来实施本公开的实施例的示例电子设备700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。
[0249]
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
[0250]
设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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。
[0251]
计算单元701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701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701执行上文所描述的各个方法和处理，例如计算机体层摄影的处理方法。例如，在一些实施例中，计算机体层摄影的处理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708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到ram 703并由计算单元701执行时，可以执行上文描述的计算机体层摄影的处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行计算机体层摄影的处理方法。
[0252]
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)、芯片上系统的系统(soc)、负载可编程逻辑设备(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。
[0253]
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。
[0254]
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。
[0255]
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。
[0256]
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。
[0257]
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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务("virtual private server"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。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。
[0258]
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。
[0259]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

技术特征：
1.一种计算机体层摄影的处理方法，包括：在所述计算机体层摄影ct影像中确定肺实质区域，并根据所述肺实质区域在所述ct影像中裁剪出初始肺实质图像；其中，所述初始肺实质图像中包括所述肺实质区域；对所述初始肺实质图像进行处理，得到病灶分割掩膜，所述病灶分割掩膜用于表征所述初始肺实质图像中的病变位置；对所述初始肺实质图像进行处理，得到所述初始肺实质图像中的预测病灶区域；根据所述病灶分割掩膜和所述预测病灶区域确定目标病灶区域，以及与所述目标病灶区域对应的目标病灶掩膜，其中，所述目标病灶掩膜位于所述目标病灶区域内，所述目标病灶掩膜用于表征所述初始肺实质图像中的病变位置。2.根据权利要求1所述的方法，其中，所述对所述初始肺实质图像进行处理，得到病灶分割掩膜，包括：对所述初始肺实质图像进行预处理，得到第一肺实质图像；利用预设的病灶分割模型对所述第一肺实质图像进行处理，得到第一病灶掩膜；根据所述第一病灶掩膜，确定所述初始肺实质图像的病灶分割掩膜。3.根据权利要求2所述的方法，其中，所述第一肺实质图像与所述初始肺实质图像的图像尺寸不同；所述根据所述第一病灶掩膜，确定所述初始肺实质图像的病灶分割掩膜，包括：将所述第一病灶掩膜的尺寸调整为所述初始肺实质图像的尺寸；根据调整尺寸后的第一病灶掩膜中各体素点的病灶概率，确定整尺寸后的第一病灶掩膜中的病灶点；根据所述病灶点确定所述初始肺实质图像中病灶分割掩膜。4.根据权利要求3所述的方法，其中，所述根据病灶点确定所述初始肺实质图像中病灶分割掩膜，包括：根据所述病灶点在调整尺寸后的第一病灶掩膜中确定病灶连通域；根据所述病灶连通域确定所述初始肺实质图像中病灶分割掩膜，其中，所述病灶分割掩膜中包括多个病灶连通域。5.根据权利要求1-4任一项所述的方法，其中，所述对所述初始肺实质图像进行处理，得到所述初始肺实质图像中的预测病灶区域，包括：对所述初始肺实质图像进行预处理，得到第二肺实质图像；利用预设的病灶检测模型对所述第二肺实质图像进行处理，得到当前病灶区域；根据所述当前病灶区域，确定所述初始肺实质图像中的预测病灶区域。6.根据权利要求5所述的方法，其中，所述第二肺实质图像与所述初始肺实质图像的图像尺寸不同；所述根据所述当前病灶区域，确定所述初始肺实质图像中的预测病灶区域，包括：根据所述第二肺实质图像与所述初始肺实质图像的图像尺寸，将所述当前病灶区域映射至所述初始肺实质图像中，得到所述初始肺实质图像中的预测病灶区域。7.根据权利要求5或6所述的方法，其中，若所述病灶检测模型是二维神经网络模型，则所述当前病灶区域为检测框；若所述病灶检测模型是三维神经网络模型，则所述当前病灶区域为检测盒。
8.根据权利要求1-7任一项所述的方法，其中，所述根据所述病灶分割掩膜和所述预测病灶区域确定目标病灶区域，以及与所述目标病灶区域对应的目标病灶掩膜，包括：根据所述病灶分割掩膜确定推测病灶区域，并根据所述推测病灶区域和所述预测病灶区域确定所述可能病灶区域；根据所述可能病灶区域在所述ct影像中确定病灶影像，并利用预设的病灶真阳判别模型对各病灶影像进行处理，确定阳性病灶影像；将与所述阳性病灶影像对应的可能病灶区域确定为所述目标病灶区域；根据所述目标病灶区域、所述病灶分割掩膜，确定所述目标病灶区域对应的目标病灶掩膜。9.根据权利要求8所述的方法，其中，所述病灶分割掩膜中包括多个病灶连通域；所述根据所述病灶分割掩膜确定推测病灶区域，包括：为所述病灶分割掩膜的中的每个所述病灶连通域生成推测病灶区域，所述推测病灶区域包括中心点参数和尺寸参数。10.根据权利要求8或9所述的方法，其中，所述推测病灶区域包括第一中心点参数和第一尺寸参数；所述预测病灶区域包括第二中心点参数和第二尺寸参数；所述根据所述推测病灶区域和所述预测病灶区域确定所述可能病灶区域，包括：根据各推测病灶区域的第一中心点参数、各预测病灶区域的第二中心点参数，确定区域组合；所述区域组合中包括一个预测病灶区域和一个推测病灶区域；根据所述区域组合中包括的预测病灶区域的第一中心点参数和第一尺寸参数，以及包括的推测病灶区域的第二中心点参数和第二尺寸参数，确定可能病灶区域的中心点参数和尺寸参数。11.根据权利要求8-10任一项所述的方法，其中，所述根据所述目标病灶区域、所述病灶分割掩膜，确定所述目标病灶区域对应的目标病灶掩膜，包括：若所述目标病灶区域中包括所述病灶分割掩膜，则将所述目标病灶区域中包括的所述病灶分割掩膜，确定为所述目标病灶区域对应的目标病灶掩膜。12.根据权利要求8-11任一项所述的方法，其中，所述根据所述目标病灶区域、所述病灶分割掩膜，确定所述目标病灶区域对应的目标病灶掩膜，包括：若所述目标病灶区域中不包括所述病灶分割掩膜，则根据所述目标病灶区域生成目标病灶掩膜，生成的所述目标病灶掩膜位于所述目标病灶区域内部。13.根据权利要求12所述的方法，其中，所述目标病灶区域具有中心点参数和尺寸参数；所述根据所述目标病灶区域生成目标病灶掩膜，包括：根据所述目标病灶区域的中心点参数和尺寸参数，生成位于所述目标病灶区域内部的球体，得到所述目标病灶掩膜。14.根据权利要求1-13任一项所述的方法，其中，所述在所述ct影像中确定肺实质区域，包括：利用预设的肺实质提取模型对所述ct影像进行处理，得到肺实质分割结果；根据所述肺实质分割结果在所述ct影像中确定第三肺实质图像；利用预设的肺叶分割模型对所述第三肺实质图像进行处理，得到肺叶分割结果；
根据所述肺叶分割结果在所述ct影像中确定所述肺实质区域；其中，所述肺实质区域包括肺叶所在的区域。15.根据权利要求14所述的方法，其中，所述肺实质分割结果与所述ct影像的尺寸不同；所述根据所述肺实质分割结果在所述ct影像中确定第三肺实质图像，包括：将所述肺实质分割结果的尺寸调整为所述ct影像的尺寸，并根据调整尺寸后的肺实质分割结果在所述ct影像中确定第三肺实质图像。16.根据权利要求14或15所述的方法，其中，所述肺叶分割结果与所述第三肺实质图像的尺寸不同；所述根据所述肺叶分割结果在所述ct影像中确定所述肺实质区域，包括：将所述肺叶分割结果的尺寸调整为所述第三肺实质图像的尺寸；根据所述第三肺实质图像在所述ct影像中位置信息，在调整了尺寸的肺叶分割结果外围补充空白体素，得到与所述ct影像尺寸相同的肺叶分割结果；根据与所述ct影像尺寸相同的肺叶分割结果，在所述ct影像中确定所述肺实质区域。17.根据权利要求14-16任一项所述的方法，其中，所述肺叶分割结果中包括多个肺叶的信息；所述方法还包括：将相邻的两个肺叶交界处的体素点，确定为肺间裂结果。18.根据权利要求14-17任一项所述的方法，其中，所述肺叶分割结果中包括多个肺叶的信息；所述方法还包括：根据所述肺叶分割结果中的各肺叶信息，在所述ct影像中确定与各肺叶对应的肺叶区域；将所述肺叶区域内的各体素调整为单位体积，并根据所述肺叶区域内的体素数量、体素原始体积，确定肺叶体积。19.一种计算机体层摄影的处理装置，包括：肺实质确定单元，用于在所述计算机体层摄影ct影像中确定肺实质区域，并根据所述肺实质区域在所述ct影像中裁剪出初始肺实质图像；其中，所述初始肺实质图像中包括所述肺实质区域；分割单元，用于对所述初始肺实质图像进行处理，得到病灶分割掩膜，所述病灶分割掩膜用于表征所述初始肺实质图像中的病变位置；检测单元，用于对所述初始肺实质图像进行处理，得到所述初始肺实质图像中的预测病灶区域；融合单元，用于根据所述病灶分割掩膜和所述预测病灶区域确定目标病灶区域，以及与所述目标病灶区域对应的目标病灶掩膜，其中，所述目标病灶掩膜位于所述目标病灶区域内，所述目标病灶掩膜用于表征所述初始肺实质图像中的病变位置。20.根据权利要求19所述的装置，其中，所述分割单元，包括：第一预处理模块，用于对所述初始肺实质图像进行预处理，得到第一肺实质图像；分割模块，用于利用预设的病灶分割模型对所述第一肺实质图像进行处理，得到第一
病灶掩膜；掩膜确定模块，用于根据所述第一病灶掩膜，确定所述初始肺实质图像的病灶分割掩膜。21.根据权利要求20所述的装置，其中，所述第一肺实质图像与所述初始肺实质图像的图像尺寸不同；所述掩膜确定模块具体用于：将所述第一病灶掩膜的尺寸调整为所述初始肺实质图像的尺寸；根据调整尺寸后的第一病灶掩膜中各体素点的病灶概率，确定整尺寸后的第一病灶掩膜中的病灶点；根据所述病灶点确定所述初始肺实质图像中病灶分割掩膜。22.根据权利要求21所述的装置，其中，所述掩膜确定模块具体用于：根据所述病灶点在调整尺寸后的第一病灶掩膜中确定病灶连通域；根据所述病灶连通域确定所述初始肺实质图像中病灶分割掩膜，其中，所述病灶分割掩膜中包括多个病灶连通域。23.根据权利要求19-22任一项所述的装置，其中，所述检测单元，包括：第二预处理模块，用于对所述初始肺实质图像进行预处理，得到第二肺实质图像；检测模块，用于利用预设的病灶检测模型对所述第二肺实质图像进行处理，得到当前病灶区域；区域确定模块，用于根据所述当前病灶区域，确定所述初始肺实质图像中的预测病灶区域。24.根据权利要求23所述的装置，其中，所述第二肺实质图像与所述初始肺实质图像的图像尺寸不同；所述区域确定模块具体用于：根据所述第二肺实质图像与所述初始肺实质图像的图像尺寸，将所述当前病灶区域映射至所述初始肺实质图像中，得到所述初始肺实质图像中的预测病灶区域。25.根据权利要求23或24所述的装置，其中，若所述病灶检测模型是二维神经网络模型，则所述当前病灶区域为检测框；若所述病灶检测模型是三维神经网络模型，则所述当前病灶区域为检测盒。26.根据权利要求19-25任一项所述的装置，其中，所述融合单元，包括：区域融合模块，用于根据所述病灶分割掩膜确定推测病灶区域，并根据所述推测病灶区域和所述预测病灶区域确定所述可能病灶区域；阳性区域确定模块，用于根据所述可能病灶区域在所述ct影像中确定病灶影像，并利用预设的病灶真阳判别模型对各病灶影像进行处理，确定阳性病灶影像；目标区域确定模块，用于将与所述阳性病灶影像对应的可能病灶区域确定为所述目标病灶区域；目标掩膜确定模块，用于根据所述目标病灶区域、所述病灶分割掩膜，确定所述目标病灶区域对应的目标病灶掩膜。27.根据权利要求26所述的装置，其中，所述病灶分割掩膜中包括多个病灶连通域；所述区域融合模块具体用于：
为所述病灶分割掩膜的中的每个所述病灶连通域生成推测病灶区域，所述推测病灶区域包括中心点参数和尺寸参数。28.根据权利要求26或27所述的装置，其中，所述推测病灶区域包括第一中心点参数和第一尺寸参数；所述预测病灶区域包括第二中心点参数和第二尺寸参数；所述区域融合模块具体用于：根据各推测病灶区域的第一中心点参数、各预测病灶区域的第二中心点参数，确定区域组合；所述区域组合中包括一个预测病灶区域和一个推测病灶区域；根据所述区域组合中包括的预测病灶区域的第一中心点参数和第一尺寸参数，以及包括的推测病灶区域的第二中心点参数和第二尺寸参数，确定可能病灶区域的中心点参数和尺寸参数。29.根据权利要求26-28任一项所述的装置，其中，所述目标掩膜确定模块具体用于：若所述目标病灶区域中包括所述病灶分割掩膜，则将所述目标病灶区域中包括的所述病灶分割掩膜，确定为所述目标病灶区域对应的目标病灶掩膜。30.根据权利要求26-29任一项所述的装置，其中，所述目标掩膜确定模块具体用于：若所述目标病灶区域中不包括所述病灶分割掩膜，则根据所述目标病灶区域生成目标病灶掩膜，生成的所述目标病灶掩膜位于所述目标病灶区域内部。31.根据权利要求30所述的装置，其中，所述目标病灶区域具有中心点参数和尺寸参数；所述目标掩膜确定模块具体用于：根据所述目标病灶区域的中心点参数和尺寸参数，生成位于所述目标病灶区域内部的球体，得到所述目标病灶掩膜。32.根据权利要求19-31任一项所述的装置，其中，所述肺实质确定单元，包括：肺实质分割模块，用于利用预设的肺实质提取模型对所述ct影像进行处理，得到肺实质分割结果；初步确定模块，用于根据所述肺实质分割结果在所述ct影像中确定第三肺实质图像；肺叶分割模块，用于利用预设的肺叶分割模型对所述第三肺实质图像进行处理，得到肺叶分割结果；再次确定模块，用于根据所述肺叶分割结果在所述ct影像中确定所述肺实质区域；其中，所述肺实质区域包括肺叶所在的区域。33.根据权利要求32所述的装置，其中，所述肺实质分割结果与所述ct影像的尺寸不同；所述肺叶分割模块具体用于：将所述肺实质分割结果的尺寸调整为所述ct影像的尺寸，并根据调整尺寸后的肺实质分割结果在所述ct影像中确定第三肺实质图像。34.根据权利要求32或33所述的装置，其中，所述肺叶分割结果与所述第三肺实质图像的尺寸不同；所述再次确定模块具体用于：将所述肺叶分割结果的尺寸调整为所述第三肺实质图像的尺寸；根据所述第三肺实质图像在所述ct影像中位置信息，在调整了尺寸的肺叶分割结果外
围补充空白体素，得到与所述ct影像尺寸相同的肺叶分割结果；根据与所述ct影像尺寸相同的肺叶分割结果，在所述ct影像中确定所述肺实质区域。35.根据权利要求32-34任一项所述的装置，其中，所述肺叶分割结果中包括多个肺叶的信息；所述装置还包括肺间裂确定单元，用于：将相邻的两个肺叶交界处的体素点，确定为肺间裂结果。36.根据权利要求32-35任一项所述的装置，其中，所述肺叶分割结果中包括多个肺叶的信息；所述装置还包括肺叶体积确定单元，用于：根据所述肺叶分割结果中的各肺叶信息，在所述ct影像中确定与各肺叶对应的肺叶区域；将所述肺叶区域内的各体素调整为单位体积，并根据所述肺叶区域内的体素数量、体素原始体积，确定肺叶体积。37.一种电子设备，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权利要求1-18中任一项所述的方法。38.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-18中任一项所述的方法。39.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-18中任一项所述方法的步骤。

技术总结
本公开提供一种CT影像的处理方法、装置、设备、存储介质和程序产品，涉及深度学习技术、AI医疗技术，包括：在计算机体层摄影CT影像中确定肺实质区域，并根据肺实质区域在CT影像中裁剪出初始肺实质图像；对初始肺实质图像进行处理，得到病灶分割掩膜；对初始肺实质图像进行处理，得到初始肺实质图像中的预测病灶区域；根据病灶分割掩膜和预测病灶区域确定目标病灶区域，以及与目标病灶区域对应的目标病灶掩膜，其中，目标病灶掩膜位于目标病灶区域内。这种实施方式中，通过分割、检测两种方式识别病灶区域，并融合这两种识别结果得到目标病灶区域，以及目标病灶区域内部的目标病灶掩膜，降低漏检发生的概率。降低漏检发生的概率。降低漏检发生的概率。


技术研发人员：尚方信 杨叶辉 王兆玮 刘佳 王晓荣 黄海峰 王磊
受保护的技术使用者：北京百度网讯科技有限公司
技术研发日：2021.12.24
技术公布日：2023/7/11