CN108765399A - 病变部位识别方法及装置、计算机装置及可读存储介质 - Google Patents

Abstract

一种病变部位识别方法，所述方法包括：获取应用不同的磁共振扫描序列对预设部位进行磁共振扫描得到的第一磁共振图像、第二磁共振图像与第三磁共振图像；对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行预处理；将预处理后的第一磁共振图像、第二磁共振图像与第三磁共振图像融合为彩色图像；将所述彩色图像分割为预设大小的多个区块；利用训练好的卷积神经网络模型预测每个区块的中心点的病变概率；根据每个区块的中心点的病变概率判断所述预设部位是否为病变部位并确定病变位置。本发明还提供一种病变部位识别装置、计算机装置及计算机可读存储介质。本发明可以实现快速准确的病变部位识别。

Description

病变部位识别方法及装置、计算机装置及可读存储介质

技术领域

本发明涉及图像处理技术领域，具体涉及一种识别磁共振图像中病变部位的方法及装置、计算机装置和计算机可读存储介质。

背景技术

直肠癌是指从齿状线至直肠乙状结肠交界处之间的癌，是消化道最常见的恶性肿瘤之一，并且在青少年人群中发病率逐渐升高。目前直肠癌主要的诊断方法是医生通过分析磁共振MRI(Magnetic Resonance Imaging，磁共振成像)图像进行诊断。然而，医生诊断会花费大量的人力物力，而且诊断结果很大程度上取决于医生的专业水平。近年来深度学习在各个领域得到了突飞猛进的发展。如何利用深度学习实现高准确度的病变部位识别成为亟待解决的问题。

发明内容

鉴于以上内容，有必要提出一种病变部位识别方法及装置、计算机装置和计算机可读存储介质，其可以实现快速准确的病变部位识别。

本申请的第一方面提供一种病变部位识别方法，所述方法包括：

获取应用不同的磁共振扫描序列对人体的预设部位进行磁共振扫描得到的第一磁共振图像、第二磁共振图像与第三磁共振图像；

对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行预处理；

以预处理后的第一磁共振图像为第一分量，以预处理后的第二磁共振图像为第二分量，以预处理后的第三磁共振图像为第三分量，将预处理后的第一磁共振图像、第二磁共振图像与第三磁共振图像融合为彩色图像；

将所述彩色图像分割为预设大小的多个区块；

利用训练好的卷积神经网络模型对所述彩色图像的每个区块进行预测，得到每个区块的中心点的病变概率，其中所述卷积神经网络模型使用标注有病变区域的图像进行训练；

根据所述彩色图像中每个区块的中心点的病变概率判断所述预设部位是否为病变部位并确定病变位置。

另一种可能的实现方式中，所述对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行预处理包括对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行图像配准，具体包括：

对于第一磁共振图像、第二磁共振图像与第三磁共振图像中的任意两个图像A与图像B，计算图像A与图像B的互信息，使图像A与图像B的互信息最大，图像A与图像B的互信息为：

其中，a、b分别表示图像A、图像B中像素值的范围，#a表示图像A中像素值属于范围a内的像素的个数，#b表示图像B中像素值属于范围b内的像素的个数，#A、#B分别表示图像A、图像B的像素数，p(a)表示图像A中像素值属于范围a内的像素出现的概率，p(b)表示图像B中像素值属于范围b内的像素出现的概率。

另一种可能的实现方式中，所述对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行预处理包括对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行图像配准，具体包括：

在所述第一磁共振图像上选取第一参照点，在所述第二磁共振图像上选取第二参照点，在所述第三磁共振图像上选取第三参照点，所述第一参照点、第二参照点与第三参照点是所述预设部位的相同位置上的点；

计算所述第一磁共振图像中各个像素点与所述第一参照点的相对坐标，计算所述第二磁共振图像中各个像素点与所述第二参照点的相对坐标，计算所述第三磁共振图像中各个像素点与所述第三参照点的相对坐标；

根据所述第一磁共振图像中各个像素点与所述第一参照点的相对坐标，计算所述第一磁共振图像的中心点，根据所述第二磁共振图像中各个像素点与所述第二参照点的相对坐标，计算所述第二磁共振图像的中心点，以及根据所述第三磁共振图像中各个像素点与所述第三参照点的相对坐标，计算所述第三磁共振图像的中心点；

将所述第一磁共振图像的中心点、所述第二磁共振图像的中心点和所述第三磁共振图像的中心点对齐。

另一种可能的实现方式中，所述对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行预处理包括包括对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行标准化，具体包括：

对于所述第一磁共振图像、第二磁共振图像与第三磁共振图像中的每一图像，计算该图像的像素值的均值u和标准差e，对该图像的每个像素值进行转换：x′＝(x-u)/e，其中，x是原来的像素值，x′为标准化后的像素值。

另一种可能的实现方式中，所述以预处理后的第一磁共振图像为第一分量，以预处理后的第二磁共振图像为第二分量，以预处理后的第三磁共振图像为第三分量，将预处理后的第一磁共振图像、第二磁共振图像与第三磁共振图像融合为彩色图像包括：

将预处理后的第一磁共振图像作为R分量，将预处理后的第二磁共振图像作为G分量，将预处理后的第三磁共振图像作为B分量，将预处理后的第一磁共振图像、第二磁共振图像与第三磁共振图像融合为RGB彩色图像；或者

将预处理后的第一磁共振图像作为Y分量，将预处理后的第二磁共振图像作为U分量，将预处理后的第三磁共振图像作为V分量，将预处理后的第一磁共振图像、第二磁共振图像与第三磁共振图像融合为YUV彩色图像。

另一种可能的实现方式中，所述卷积神经网络模型的训练样本通过如下方式获取：

对于所述标注有病变区域的图像，对该图像中的非病变区域和病变区域选取若干个点，以选取的每个点为中心，在该图像上获取每个点对应的方块区域；

若选取的点在所述病变区域内，则对应的方块区域为所述卷积神经网络模型的正训练样本；

若选取的点在所述非病变区域内，则对应的方块区域为所述卷积神经网络模型的负训练样本。

另一种可能的实现方式中，所述根据所述彩色图像中每个区块的中心点的病变概率判断所述预设部位是否为病变部位并确定病变位置包括：

判断所述彩色图像中任意区块的中心点的病变概率是否大于或等于预设阈值，若所述彩色图像中任意区块的中心点的病变概率大于或等于预设阈值，则判断所述预设部位为病变部位，病变概率大于或等于预设阈值的中心点的位置为所述预设部位的病变位置；或者

判断所述彩色图像中区块的中心点的病变概率大于或等于预设阈值的区块数量是否大于第一预设数量，若所述彩色图像中区块的中心点的病变概率大于或等于预设阈值的区块数量是否大于第一预设数量，则判断所述预设部位为病变部位，病变概率大于或等于预设阈值的中心点的位置为所述预设部位的病变位置；或者

判断所述彩色图像中邻近区块的中心点的病变概率大于或等于预设阈值的区块数量是否大于第二预设数量，若所述彩色图像中邻近区块的中心点的病变概率大于或等于预设阈值的区块数量是否大于第二预设数量，则判断所述预设部位为病变部位，病变概率大于或等于预设阈值的中心点的位置为所述预设部位的病变位置。

本申请的第二方面提供一种病变部位识别装置，所述装置包括：

获取单元，用于获取应用不同的磁共振扫描序列对人体的预设部位进行磁共振扫描得到的第一磁共振图像、第二磁共振图像与第三磁共振图像；

预处理单元，用于对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行预处理；

融合单元，用于以预处理后的第一磁共振图像为第一分量，以预处理后的第二磁共振图像为第二分量，以预处理后的第三磁共振图像为第三分量，将预处理后的第一磁共振图像、第二磁共振图像与第三磁共振图像融合为彩色图像；

分割单元，用于将所述彩色图像分割为预设大小的多个区块；

预测单元，用于利用训练好的卷积神经网络模型对所述彩色图像的每个区块进行预测，得到每个区块的中心点的病变概率，其中所述卷积神经网络模型使用标注有病变区域的图像进行训练；

判断单元，用于根据所述彩色图像中每个区块的中心点的病变概率判断所述预设部位是否为病变部位并确定病变位置。

本申请的第三方面提供一种计算机装置，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述病变部位识别方法。

本申请的第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述病变部位识别方法。

本发明获取应用不同的磁共振扫描序列对人体的预设部位进行磁共振扫描得到的第一磁共振图像、第二磁共振图像与第三磁共振图像；对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行预处理；以预处理后的第一磁共振图像为第一分量，以预处理后的第二磁共振图像为第二分量，以预处理后的第三磁共振图像为第三分量，将预处理后的第一磁共振图像、第二磁共振图像与第三磁共振图像融合为彩色图像；将所述彩色图像分割为预设大小的多个区块；利用训练好的卷积神经网络模型对所述彩色图像的每个区块进行预测，得到每个区块的中心点的病变概率，其中所述卷积神经网络模型使用标注有病变区域的图像进行训练；根据所述彩色图像中每个区块的中心点的病变概率判断所述预设部位是否为病变部位并确定病变位置。

本发明使用不同序列图像(即不同磁共振扫描序列扫描得到的第一磁共振图像、第二磁共振图像与第三磁共振图像)进行病变部位识别，与使用单序列图像(即单一扫描序列扫描得到的磁共振图像)进行病变部位识别相比，本发明提高了病变部位识别的准确率。并且，本发明的卷积神经网络模型根据融合后的彩色图像的各个区块预测区块中心点的病变概率，与对图像中的单个像素预测病变概率相比，本发明提高了检测效率。因此，本发明实现了快速准确的病变部位识别。

附图说明

图1是本发明实施例一提供的病变部位识别方法的流程图。

图2是本发明使用的卷积神经网络模型的结构示意图。

图3是本发明实施例二提供的病变部位识别装置的结构图。

图4是本发明实施例三提供的计算机装置的示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

优选地，本发明的病变部位识别方法应用在一个或者多个计算机装置中。所述计算机装置是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机装置可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

实施例一

图1是本发明实施例一提供的病变部位识别方法的流程图。所述病变部位识别方法应用于计算机装置。所述病变部位识别方法根据不同序列磁共振图像进行病变部位识别，确定预设部位是否为病变部位并确定病变位置。

如图1所示，所述病变部位识别方法具体包括以下步骤：

步骤101，获取应用不同的磁共振扫描序列对人体的预设部位进行磁共振扫描得到的第一磁共振图像、第二磁共振图像与第三磁共振图像。

MRI(Magnetic Resonance Imaging，磁共振成像)图像是常用的医学图像之一，MRI成像是断层成像的一种，它利用磁共振现象从人体中获得电磁信号，并重建出人体信息，从而得到MRI图像。

在一具体实施例中，可以应用所述病变部位识别方法检测大肠癌(可以是直肠癌或结肠癌)，定位大肠的癌变部位。在此应用场景中，所述预设部位是大肠。可以理解，在其他的场景中，所述预设部位可以是人体的其他部位或器官，可以应用所述病变部位识别对人体的其他部位或器官的病变进行检测。

MRI是一种多参数成像，图像的对比度与组织(即人体组织)所含的氢质子数、组织的T1和T2时间、液体流动速度有关，应用不同的磁共振扫描序列可以得到反映这些因素不同侧重点的图像。应用不同的磁共振扫描序列在同一解剖位置(即同一层面)上得到的不同图像可以提供组织的不同参数信息，可用来进行病变部位识别。在一较佳实施例中，第一磁共振图像可以是T2w(T2weighted，T2加权)图像，第二磁共振图像可以是第一弥散敏感系数下的DWI(diffusion-weighted imaging，弥散加权成像)图像，第三磁共振图像可以是第二弥散敏感系数下的DWI图像。需要说明的是，第一磁共振图像、第二磁共振图像与第三磁共振图像是对预设部位的同一解剖位置(即同一层面)扫描得到的图像。

T2w成像反映的是组织间T2弛豫(横向弛豫)的差别。组织的T2越长，恢复越慢，信号就越强(图像发白)，组织的T2越短，恢复越快，信号就越弱(图像发黑)。根据T2w图像可以判断图像中的不同位置是什么物质。

DWI是建立在MR成像要素之一——流空效应上的一种成像方法，在宏观图像中反映活体组织水分子的微观运动。弥散加权成像观察的是微观的水分子流动扩散现象。弥散敏感系数也叫b值，表示磁共振扫描应用的梯度磁场的时间、幅度、形状。磁共振扫描设备可以在一个层面上同时得到多个不同b值的DWI图像。

在一具体实施例中，第一弥散敏感系数可以为高弥散敏感系数，第二弥散敏感系数可以为低弥散敏感系数。例如，第一弥散敏感系数为1000，第二弥散敏感系数为0，弥散敏感系数的单位为mm²/s。

可以理解，第一磁共振图像、第二磁共振图像与第三磁共振图像可以是应用其他的磁共振扫描序列对预设部位进行磁共振扫描得到的图像。

获取第一磁共振图像、第二磁共振图像与第三磁共振图像可以是多种方式。例如，应用所述病变部位识别方法的计算机装置可以从其他的计算设备(例如预先存储第一磁共振图像、第二磁共振图像与第三磁共振图像的服务器)接收第一磁共振图像、第二磁共振图像与第三磁共振图像。

或者，应用所述病变部位识别方法的计算机装置可以控制磁共振设备对人体预设部位进行扫描，得到第一磁共振图像、第二磁共振图像与第三磁共振图像。

或者，应用所述病变部位识别方法的计算机装置的存储器中可以预先存储第一磁共振图像、第二磁共振图像与第三磁共振图像，所述计算机装置从所述存储器中读取第一磁共振图像、第二磁共振图像与第三磁共振图像。

步骤102，对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行预处理。

对第一磁共振图像、第二磁共振图像与第三磁共振图像的预处理可以包括对第一磁共振图像、第二磁共振图像与第三磁共振图像进行标准化，以及对第一磁共振图像、第二磁共振图像与第三磁共振图像进行图像配准。

在一实施例中，可以基于第一磁共振图像、第二磁共振图像与第三磁共振图像的像素值的均值和标准差对第一磁共振图像、第二磁共振图像与第三磁共振图像进行标准化。具体地，对于第一磁共振图像、第二磁共振图像或第三磁共振图像，计算该图像的像素值的均值u和标准差e，对该图像的每个像素值进行如下转换：x′＝(x-u)/e，其中x是原来的像素值，x′为标准化后的像素值。

可以理解，可以采用其他的标准化方法对第一磁共振图像、第二磁共振图像与第三磁共振图像进行标准化。图像标准化方法为公知技术，此处不再赘述。

应用不同的磁共振扫描序列对预设部位进行磁共振扫是有时间间隔的，病人体位可能会发生位移。因此，需要对第一磁共振图像、第二磁共振图像与第三磁共振图像进行图像配准，把三个图像的内容对应起来，也就是使第一磁共振图像、第二磁共振图像与第三磁共振图像的各个部分相对应。

在一实施例中，对于第一磁共振图像、第二磁共振图像与第三磁共振图像中的任意两个图像(例如第一磁共振图像与第二磁共振图像)，可以计算两个图像的互信息，使两个图像的互信息最大，从而实现两个图像的图像配准。

图像A与图像B的互信息可以表示为：

其中，a、b分别表示图像A、图像B中像素值(通常为灰度值)的范围，#a表示图像A中像素值属于范围a内的像素的个数，#b表示图像B中像素值属于范围b内的像素的个数，#A、#B分别表示图像A、图像B的像素数，p(a)表示图像A中像素值属于范围a内的像素出现的概率，p(b)表示图像B中像素值属于范围b内的像素出现的概率。

可以采用其他的图像配准方法对第一磁共振图像、第二磁共振图像与第三磁共振图像进行图像配准。例如，可以在第一磁共振图像、第二磁共振图像与第三磁共振图像上各选取一个参照点，依据该参照点将第一磁共振图像、第二磁共振图像与第三磁共振图像配准，具体的，可以包括：

在第一磁共振图像上选取第一参照点，在第二磁共振图像上选取第二参照点，在第三磁共振图像上选取第三参照点，所述第一参照点、第二参照点与所述第三参照点是所述预设部位的相同位置上的点；

计算第一磁共振图像中各个像素点与所述第一参照点的相对坐标，计算第二磁共振图像中各个像素点与所述第二参照点的相对坐标，计算第三磁共振图像中各个像素点与所述第三参照点的相对坐标；

根据第一磁共振图像中各个像素点与所述第一参照点的相对坐标，计算第一磁共振图像的中心点，根据第二磁共振图像中各个像素点与所述第二参照点的相对坐标，计算第二磁共振图像的中心点，以及根据第三磁共振图像中各个像素点与所述第三参照点的相对坐标，计算第三磁共振图像的中心点；

将第一磁共振图像的中心点、第二磁共振图像的中心点和第三磁共振图像的中心点对齐。

在对第一磁共振图像、第二磁共振图像与第三磁共振图像进行图像配准时，可以选择第一磁共振图像、第二磁共振图像与第三磁共振图像中的一个图像作为基准，使未选为基准的图像向选为基准的图像对准。

在一具体实施例中，第一磁共振图像是T2w图像，第二磁共振图像与第三磁共振图像是不同弥散敏感系数下的DWI图像，可以选择T2w图像作为基准，使两个DWI图像向T2w图像对准。不同弥散敏感系数下的DWI图像可以同时扫描得到，因此，在将两个不同弥散敏感系数下的DWI图像向T2w图像对准时，只需将一个DWI图像向T2w图像对准，另一个DWI图像进行同样的对准即可。

在使未选为基准的图像向选为基准的图像对准的过程中，可以对未选为基准的图像逐渐进行形变，使未选为基准的图像逐渐对准选为基准的图像。对未选为基准的图像进行形变可以包括将未选为基准的图像放大或缩小、将未选为基准的图像按照预设方向拉伸、将未选为基准的图像旋转预设角度。

在对第一磁共振图像、第二磁共振图像与第三磁共振图像进行图像配准的过程中，可以减小第一磁共振图像、第二磁共振图像与第三磁共振图像的分辨率，使用多个较低分辨率的图像来进行图像配准，以增加配准的鲁棒性。例如，可以将第一磁共振图像、第二磁共振图像与第三磁共振图像的分辨率分别都减小一倍、二倍和四倍，将分辨率分别都减小一倍、二倍和四倍后的第一磁共振图像、第二磁共振图像与第三磁共振图像分别进行图像配准。也就是说，将分辨率减小一倍后的第一磁共振图像、第二磁共振图像与第三磁共振图像进行图像配准，将分辨率减小二倍后的第一磁共振图像、第二磁共振图像与第三磁共振图像进行图像配准，将分辨率减小四倍后的第一磁共振图像、第二磁共振图像与第三磁共振图像来进行图像配准。根据三次低分辨率图像的配准结果得到最终的配置结果(例如取平均值)。

步骤103，以预处理后的第一磁共振图像为第一分量，以预处理后的第二磁共振图像为第二分量，以预处理后的第三磁共振图像为第三分量，将预处理后的第一磁共振图像、第二磁共振图像与第三磁共振图像融合为彩色图像。

在一实施例中，将预处理后的第一磁共振图像作为R分量(即红色分量)，将预处理后的第二磁共振图像作为G分量(即绿色分量)，将预处理后的第三磁共振图像作为B分量(即蓝色分量)，将预处理后的第一磁共振图像、第二磁共振图像与第三磁共振图像融合为RGB彩色图像。

在另一实施例中，将预处理后的第一磁共振图像作为Y分量(即亮度)，将预处理后的第二磁共振图像作为U分量(即第一色度)，将预处理后的第三磁共振图像作为V分量(即第二色度)，将预处理后的第一磁共振图像、第二磁共振图像与第三磁共振图像融合为YUV彩色图像。

步骤104，将所述彩色图像分割为预设大小的多个区块。

可以按照预设方向对彩色图像进行分割。例如，按照从上到下，从左到右的顺序对彩色图像进行分割。

分割得到的每个区块为预设大小(即步骤105中卷积神经网络模型接收的图像的大小)，例如21*21。

在一实施例中，分割得到的各个区块互不重叠。例如，彩色图像大小为168*168，将该彩色图像分割为64个互不重叠的区块，每个区块为21*21。

步骤105，利用训练好的卷积神经网络模型对所述彩色图像的每个区块进行预测，得到每个区块的中心点的病变概率，其中所述卷积神经网络模型使用标注有病变区域的图像进行训练。

所述卷积神经网络模型可以包括卷积层、最大池化层和输出层。在一具体实施例中，参阅图2所示，所述卷积神经网络模型从前向后依次为：卷积层、卷积层、最大池化层、卷积层、最大池化层、卷积层、最大池化层、全连接层、全连接层、输出层。卷积神经网络模型的输出(即输出层的输出)为输入图像的中心点为病变区域的概率。

在一实施例中，卷积神经网络模型训练时所用的损失函数可以定义为：

L(y′,y)＝-[ylog(y′)+(1-y)log(1-y′)]。

其中，y′是卷积神经网络模型对训练样本预测得到的训练样本的中心点的病变概率(即训练样本的中心点属于病变区域的概率)，y是标签，数值是0或者1，若训练样本的中心点有病变则为1，没有病变则为0。

可以使用神经网络训练算法，例如反向传播算法对卷积神经网络模型进行训练。在一实施例中，可以使用adadelta算法对卷积神经网络模型进行训练。神经网络训练算法为公知技术，此处不再赘述。

卷积神经网络模型使用标注有病变区域的图像进行训练。该标注有病变区域的图像可以是通过步骤101-103得到的彩色图像。例如，在对卷积神经网络模型进行训练前，获取应用不同的磁共振扫描序列对人体的预设部位进行磁共振扫描得到的第一磁共振训练图像、第二磁共振训练图像与第三磁共振训练训练图像；对所述第一磁共振训练图像、第二磁共振训练图像与第三磁共振训练图像进行预处理；以预处理后的第一磁共振训练图像为第一分量，以预处理后的第二磁共振训练图像为第二分量，以预处理后的第三磁共振训练图像为第三分量，将预处理后的第一磁共振训练图像、第二磁共振训练图像与第三磁共振训练图像融合为彩色训练图像；对所述彩色训练图像标注病变区域，得到所述标注有病变区域的图像。

可以利用多个标注有病变区域的图像对卷积神经网络模型进行训练。对于每个标注有病变区域的图像，从该图像提取预设大小(例如21*21，与步骤104中区块的大小相同)的方块区域，以提取的方块区域作为卷积神经网络模型的训练样本。所述训练样本可以包括正训练样本和负训练样本。

具体地，对于每个标注有病变区域的图像，对该图像中的非病变区域和病变区域选取若干个(例如共5000个)点，以选取的每个点为中心，在该图像上获取每个点对应的方块区域。若选取的点在病变区域内，则对应的方块区域为卷积神经网络模型的正训练样本；若选取的点在非病变区域内，则对应的方块区域为卷积神经网络模型的负训练样本。

在一具体实施例中，对每个标注有病变区域的图像，从该图像的非病变区域和病变区域各选取N(例如2500)个点，共计2N个点。因此，对于每个标注有病变区域的图像，可以得到正训练样本和负训练样本各N个。

可以在标注有病变区域的图像中的非病变区域和病变区域随机选取点。或者，可以按照预定规则在标注有病变区域的图像中的非病变区域和病变区域选取点。

在一实施例中，对于标注有病变区域的图像，可以确定该图像的病变区域的邻近区域，在该邻近区域中选取第一数量(例如4/N)个点，确定该图像的病变区域的相似区域，在该相似区域选取第二数量(例如2/N)个点，确定该图像的病变区域的非相关区域，在该非相关区域中选取第一数量(例如4/N)个点，所述邻近区域、相似区域、非相关区域组成该图像的整个非病变区域。所述邻近区域可以是病变区域外预设范围内(例如1cm内)的区域。所述相似区域可以是像素值为预设值的区域(例如G分量超过2的区域)。当邻近区域是病变区域外预设范围内的区域时，可以对该预设范围进行形态学膨胀，得到所述邻近区域。

步骤106，根据所述彩色图像中每个区块的中心点的病变概率判断所述预设部位是否为病变部位并确定病变位置。

可以判断所述彩色图像中任意区块的中心点的病变概率是否大于或等于预设阈值(例如0.5)，若所述彩色图像中任意区块的中心点的病变概率大于或等于预设阈值，则判断所述预设部位为病变部位。病变概率大于或等于预设阈值的中心点的位置就是预设部位的病变位置。否则，若所述彩色图像中任意区块的中心点的病变概率小于预设阈值，则判断所述预设部位非病变部位。

或者，可以判断所述彩色图像中区块的中心点的病变概率大于或等于预设阈值(例如0.5)的区块数量是否大于第一预设数量(例如5)，若所述彩色图像中区块的中心点的病变概率大于或等于预设阈值(例如0.5)的区块数量是否大于第一预设数量，则判断所述预设部位为病变部位。病变概率大于或等于预设阈值的中心点的位置就是预设部位的病变位置。否则，若所述彩色图像中区块的中心点的病变概率大于或等于预设阈值(例如0.5)的区块数量小于第一预设数量，则判断所述预设部位非病变部位。

或者，可以判断所述彩色图像中邻近区块的中心点的病变概率大于或等于预设阈值(例如0.5)的区块数量是否大于第二预设数量(例如3)，若所述彩色图像中邻近区块的中心点的病变概率大于或等于预设阈值(例如0.5)的区块数量是否大于第二预设数量，则判断所述预设部位为病变部位。病变概率大于或等于预设阈值的中心点的位置就是预设部位的病变位置。否则，若所述彩色图像中邻近区块的中心点的病变概率大于或等于预设阈值的区块数量小于第二预设数量，则判断所述预设部位非病变部位。

所述第一预设数量、第二预设数量可以相同也可以不同。

实施例一获取应用不同的磁共振扫描序列对人体的预设部位进行磁共振扫描得到的第一磁共振图像、第二磁共振图像与第三磁共振图像；对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行预处理；以预处理后的第一磁共振图像为第一分量，以预处理后的第二磁共振图像为第二分量，以预处理后的第三磁共振图像为第三分量，将预处理后的第一磁共振图像、第二磁共振图像与第三磁共振图像融合为彩色图像；将所述彩色图像分割为相同大小的多个区块；利用训练好的卷积神经网络模型对所述彩色图像的每个区块进行预测，得到每个区块的中心点的病变概率，其中所述卷积神经网络模型使用标注有病变区域的图像进行训练；根据所述彩色图像中每个区块的中心点的病变概率判断所述预设部位是否为病变部位并确定病变位置。

实施例一的病变部位识别方法使用不同序列图像(即不同磁共振扫描序列扫描得到的第一磁共振图像、第二磁共振图像与第三磁共振图像)进行病变部位识别，与使用单序列图像(即单一扫描序列扫描得到的磁共振图像)进行病变部位识别相比，本方法提高了病变部位识别的准确率。并且，实施例一的病变部位识别方法的卷积神经网络模型根据融合后的彩色图像的各个区块预测区块中心点的病变概率，与对图像中的单个像素预测病变概率相比，本方法提高了检测效率。因此，本方法实现了快速准确的病变部位识别。

实施例二

图3为本发明实施例二提供的病变部位识别装置的结构图。如图3所示，所述病变部位识别装置10可以包括：获取单元301、预处理单元302、融合单元303、分割单元304、预测单元305、判断单元306。

获取单元301，用于获取应用不同的磁共振扫描序列对人体的预设部位进行磁共振扫描得到的第一磁共振图像、第二磁共振图像与第三磁共振图像。

MRI(Magnetic Resonance Imaging，磁共振成像)图像是常用的医学图像之一，MRI成像是断层成像的一种，它利用磁共振现象从人体中获得电磁信号，并重建出人体信息，从而得到MRI图像。

在一具体实施例中，可以应用所述病变部位识别装置检测大肠癌(可以是直肠癌或结肠癌)，定位大肠的癌变部位。在此应用场景中，所述预设部位是大肠。可以理解，在其他的场景中，所述预设部位可以是人体的其他部位或器官，可以应用所述病变部位识别装置对人体的其他部位或器官的病变进行检测。

MRI是一种多参数成像，图像的对比度与组织(即人体组织装置)所含的氢质子数、组织的T1和T2时间、液体流动速度有关，应用不同的磁共振扫描序列可以得到反映这些因素不同侧重点的图像。应用不同的磁共振扫描序列在同一解剖位置(即同一层面)上得到的不同图像可以提供组织的不同参数信息，可用来进行病变部位识别。在一较佳实施例中，第一磁共振图像可以是T2w(T2weighted，T2加权)图像，第二磁共振图像可以是第一弥散敏感系数下的DWI(diffusion-weighted imaging，弥散加权成像)图像，第三磁共振图像可以是第二弥散敏感系数下的DWI图像。需要说明的是，第一磁共振图像、第二磁共振图像与第三磁共振图像是对预设部位的同一解剖位置(即同一层面)扫描得到的图像。

T2w成像反映的是组织间T2弛豫(横向弛豫)的差别。组织的T2越长，恢复越慢，信号就越强(图像发白)，组织的T2越短，恢复越快，信号就越弱(图像发黑)。根据T2w图像可以判断图像中的不同位置是什么物质。

DWI是建立在MR成像要素之一——流空效应上的一种成像方法，在宏观图像中反映活体组织水分子的微观运动。弥散加权成像观察的是微观的水分子流动扩散现象。弥散敏感系数也叫b值，表示磁共振扫描应用的梯度磁场的时间、幅度、形状。磁共振扫描设备可以在一个层面上同时得到多个不同b值的DWI图像。

在一具体实施例中，第一弥散敏感系数可以为高弥散敏感系数，第二弥散敏感系数可以为低弥散敏感系数。例如，第一弥散敏感系数为1000，第二弥散敏感系数为0，弥散敏感系数的单位为mm²/s。

可以理解，第一磁共振图像、第二磁共振图像与第三磁共振图像可以是应用其他的磁共振扫描序列对预设部位进行磁共振扫描得到的图像。

获取第一磁共振图像、第二磁共振图像与第三磁共振图像可以是多种方式。例如，病变部位识别装置10可以包括在计算机装置中，计算机装置可以从其他的计算设备(例如预先存储第一磁共振图像、第二磁共振图像与第三磁共振图像的服务器)接收第一磁共振图像、第二磁共振图像与第三磁共振图像。

或者，计算机装置可以控制磁共振设备对人体预设部位进行扫描，得到第一磁共振图像、第二磁共振图像与第三磁共振图像。

或者，计算机装置的存储器中可以预先存储第一磁共振图像、第二磁共振图像与第三磁共振图像，所述计算机装置从所述存储器中读取第一磁共振图像、第二磁共振图像与第三磁共振图像。

预处理单元302，用于对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行预处理。

对第一磁共振图像、第二磁共振图像与第三磁共振图像的预处理可以包括对第一磁共振图像、第二磁共振图像与第三磁共振图像进行标准化，以及对第一磁共振图像、第二磁共振图像与第三磁共振图像进行图像配准。

在一实施例中，可以基于第一磁共振图像、第二磁共振图像与第三磁共振图像的像素值的均值和标准差对第一磁共振图像、第二磁共振图像与第三磁共振图像进行标准化。具体地，对于第一磁共振图像、第二磁共振图像或第三磁共振图像，计算该图像的像素值的均值u和标准差e，对该图像的每个像素值进行如下转换：x′＝(x-u)/e，其中x是原来的像素值，x′为标准化后的像素值。

可以理解，可以采用其他的标准化方法对第一磁共振图像、第二磁共振图像与第三磁共振图像进行标准化。图像标准化方法为公知技术，此处不再赘述。

应用不同的磁共振扫描序列对预设部位进行磁共振扫是有时间间隔的，病人体位可能会发生位移。因此，需要对第一磁共振图像、第二磁共振图像与第三磁共振图像进行图像配准，把三个图像的内容对应起来，也就是使第一磁共振图像、第二磁共振图像与第三磁共振图像的各个部分相对应。

在一实施例中，对于第一磁共振图像、第二磁共振图像与第三磁共振图像中的任意两个图像(例如第一磁共振图像与第二磁共振图像)，可以计算两个图像的互信息，使两个图像的互信息最大，从而实现两个图像的图像配准。

图像A与图像B的互信息可以表示为：

其中，a、b分别表示图像A、图像B中像素值(通常为灰度值)的范围，#a表示图像A中像素值属于范围a内的像素的个数，#b表示图像B中像素值属于范围b内的像素的个数，#A、#B分别表示图像A、图像B的像素数，p(a)表示图像A中像素值属于范围a内的像素出现的概率，p(b)表示图像B中像素值属于范围b内的像素出现的概率。

可以采用其他的图像配准方法对第一磁共振图像、第二磁共振图像与第三磁共振图像进行图像配准。例如，可以在第一磁共振图像、第二磁共振图像与第三磁共振图像上各选取一个参照点，依据该参照点将第一磁共振图像、第二磁共振图像与第三磁共振图像配准，具体的，可以包括：

在第一磁共振图像上选取第一参照点，在第二磁共振图像上选取第二参照点，在第三磁共振图像上选取第三参照点，所述第一参照点、第二参照点与所述第三参照点是所述预设部位的相同位置上的点；

计算第一磁共振图像中各个像素点与所述第一参照点的相对坐标，计算第二磁共振图像中各个像素点与所述第二参照点的相对坐标，计算第三磁共振图像中各个像素点与所述第三参照点的相对坐标；

根据第一磁共振图像中各个像素点与所述第一参照点的相对坐标，计算第一磁共振图像的中心点，根据第二磁共振图像中各个像素点与所述第二参照点的相对坐标，计算第二磁共振图像的中心点，以及根据第三磁共振图像中各个像素点与所述第三参照点的相对坐标，计算第三磁共振图像的中心点；

将第一磁共振图像的中心点、第二磁共振图像的中心点和第三磁共振图像的中心点对齐。

在对第一磁共振图像、第二磁共振图像与第三磁共振图像进行图像配准时，可以选择第一磁共振图像、第二磁共振图像与第三磁共振图像中的一个图像作为基准，使未选为基准的图像向选为基准的图像对准。

在一具体实施例中，第一磁共振图像是T2w图像，第二磁共振图像与第三磁共振图像是不同弥散敏感系数下的DWI图像，可以选择T2w图像作为基准，使两个DWI图像向T2w图像对准。不同弥散敏感系数下的DWI图像可以同时扫描得到，因此，在将两个不同弥散敏感系数下的DWI图像向T2w图像对准时，只需将一个DWI图像向T2w图像对准，另一个DWI图像进行同样的对准即可。

在使未选为基准的图像向选为基准的图像对准的过程中，可以对未选为基准的图像逐渐进行形变，使未选为基准的图像逐渐对准选为基准的图像。对未选为基准的图像进行形变可以包括将未选为基准的图像放大或缩小、将未选为基准的图像按照预设方向拉伸、将未选为基准的图像旋转预设角度。

在对第一磁共振图像、第二磁共振图像与第三磁共振图像进行图像配准的过程中，可以减小第一磁共振图像、第二磁共振图像与第三磁共振图像的分辨率，使用多个较低分辨率的图像来进行图像配准，以增加配准的鲁棒性。例如，可以将第一磁共振图像、第二磁共振图像与第三磁共振图像的分辨率分别都减小一倍、二倍和四倍，将分辨率分别都减小一倍、二倍和四倍后的第一磁共振图像、第二磁共振图像与第三磁共振图像分别进行图像配准。也就是说，将分辨率减小一倍后的第一磁共振图像、第二磁共振图像与第三磁共振图像进行图像配准，将分辨率减小二倍后的第一磁共振图像、第二磁共振图像与第三磁共振图像进行图像配准，将分辨率减小四倍后的第一磁共振图像、第二磁共振图像与第三磁共振图像来进行图像配准。根据三次低分辨率图像的配准结果得到最终的配置结果(例如取平均值)。

融合单元303，用于以预处理后的第一磁共振图像为第一分量，以预处理后的第二磁共振图像为第二分量，以预处理后的第三磁共振图像为第三分量，将预处理后的第一磁共振图像、第二磁共振图像与第三磁共振图像融合为彩色图像。

在一实施例中，将预处理后的第一磁共振图像作为R分量(即红色分量)，将预处理后的第二磁共振图像作为G分量(即绿色分量)，将预处理后的第三磁共振图像作为B分量(即蓝色分量)，将预处理后的第一磁共振图像、第二磁共振图像与第三磁共振图像融合为RGB彩色图像。

在另一实施例中，将预处理后的第一磁共振图像作为Y分量(即亮度)，将预处理后的第二磁共振图像作为U分量(即第一色度)，将预处理后的第三磁共振图像作为V分量(即第二色度)，将预处理后的第一磁共振图像、第二磁共振图像与第三磁共振图像融合为YUV彩色图像。

分割单元304，用于将所述彩色图像分割为预设大小的多个区块。

可以按照预设方向对彩色图像进行分割。例如，按照从上到下，从左到右的顺序对彩色图像进行分割。

分割得到的每个区块为预设大小(即步骤105中卷积神经网络模型接收的图像的大小)，例如21*21。

在一实施例中，分割得到的各个区块互不重叠。例如，彩色图像大小为168*168，将该彩色图像分割为64个互不重叠的区块，每个区块为21*21。

预测单元305，用于利用训练好的卷积神经网络模型对所述彩色图像的每个区块进行预测，得到每个区块的中心点的病变概率，其中所述卷积神经网络模型使用标注有病变区域的图像进行训练。

所述卷积神经网络模型可以包括卷积层、最大池化层和输出层。在一具体实施例中，参阅图2所示，所述卷积神经网络模型从前向后依次为：卷积层、卷积层、最大池化层、卷积层、最大池化层、卷积层、最大池化层、全连接层、全连接层、输出层。卷积神经网络模型的输出(即输出层的输出)为输入图像的中心点为病变区域的概率。

在一实施例中，卷积神经网络模型训练时所用的损失函数可以定义为：

L(y′,y)＝-[ylog(y′)+(1-y)log(1-y′)]。

其中，y′是卷积神经网络模型对训练样本预测得到的训练样本的中心点的病变概率(即训练样本的中心点属于病变区域的概率)，y是标签，数值是0或者1，若训练样本的中心点有病变则为1，没有病变则为0。

可以使用神经网络训练算法，例如反向传播算法对卷积神经网络模型进行训练。在一实施例中，可以使用adadelta算法对卷积神经网络模型进行训练。神经网络训练算法为公知技术，此处不再赘述。

卷积神经网络模型使用标注有病变区域的图像进行训练。该标注有病变区域的图像可以是通过上述单元301-303得到的彩色图像。例如，在对卷积神经网络模型进行训练前，获取单元301获取应用不同的磁共振扫描序列对人体的预设部位进行磁共振扫描得到的第一磁共振训练图像、第二磁共振训练图像与第三磁共振训练训练图像；预处理单元302对所述第一磁共振训练图像、第二磁共振训练图像与第三磁共振训练图像进行预处理；融合单元303以预处理后的第一磁共振训练图像为第一分量，以预处理后的第二磁共振训练图像为第二分量，以预处理后的第三磁共振训练图像为第三分量，将预处理后的第一磁共振训练图像、第二磁共振训练图像与第三磁共振训练图像融合为彩色训练图像。对所述彩色训练图像标注病变区域，得到所述标注有病变区域的图像。

可以利用多个标注有病变区域的图像对卷积神经网络模型进行训练。对于每个标注有病变区域的图像，从该图像提取预设大小(例如21*21，与分割单元304分割得到的区块大小相同)的方块区域，以提取的方块区域作为卷积神经网络模型的训练样本。所述训练样本可以包括正训练样本和负训练样本。

具体地，对于每个标注有病变区域的图像，从该图像中的非病变区域和病变区域选取若干个(例如共5000个)点，以选取的每个点为中心，在该图像上获取每个点对应的方块区域。若选取的点在病变区域内，则对应的方块区域为卷积神经网络模型的正训练样本；若选取的点在非病变区域内，则对应的方块区域为卷积神经网络模型的负训练样本。

在一具体实施例中，对每个标注有病变区域的图像，从该图像的非病变区域和病变区域各选取N(例如2500)个点，共计2N个点。因此，对于每个标注有病变区域的图像，可以得到正训练样本和负训练样本各N个。

可以在标注有病变区域的图像中的非病变区域和病变区域随机选取点。或者，可以按照预定规则在标注有病变区域的图像中的非病变区域和病变区域选取点。

在一实施例中，对于标注有病变区域的图像，可以确定该图像的病变区域的邻近区域，在该邻近区域中选取第一数量(例如4/N)个点，确定该图像的病变区域的相似区域，在该相似区域选取第二数量(例如2/N)个点，确定该图像的病变区域的非相关区域，在该非相关区域中选取第三数量(例如4/N)个点，所述邻近区域、相似区域、非相关区域组成该图像的整个非病变区域。所述邻近区域可以是病变区域外预设范围内(例如1cm内)的区域。所述相似区域可以是像素值为预设值的区域(例如G分量超过2的区域)。当邻近区域是病变区域外预设范围内的区域时，可以对该预设范围进行形态学膨胀，得到所述邻近区域。

判断单元306，用于根据所述彩色图像中每个区块的中心点的病变概率判断所述预设部位是否为病变部位并确定病变位置。

可以判断所述彩色图像中任意区块的中心点的病变概率是否大于或等于预设阈值(例如0.5)，若所述彩色图像中任意区块的中心点的病变概率大于或等于预设阈值，则判断所述预设部位为病变部位。病变概率大于或等于预设阈值的中心点的位置就是预设部位的病变位置。否则，若所述彩色图像中任意区块的中心点的病变概率小于预设阈值，则判断所述预设部位非病变部位。

或者，可以判断所述彩色图像中区块的中心点的病变概率大于或等于预设阈值(例如0.5)的区块数量是否大于第一预设数量(例如5)，若所述彩色图像中区块的中心点的病变概率大于或等于预设阈值(例如0.5)的区块数量是否大于第一预设数量，则判断所述预设部位为病变部位。病变概率大于或等于预设阈值的中心点的位置就是预设部位的病变位置。否则，若所述彩色图像中区块的中心点的病变概率大于或等于预设阈值(例如0.5)的区块数量小于第一预设数量，则判断所述预设部位非病变部位。

或者，可以判断所述彩色图像中邻近区块的中心点的病变概率大于或等于预设阈值(例如0.5)的区块数量是否大于第二预设数量(例如3)，若所述彩色图像中邻近区块的中心点的病变概率大于或等于预设阈值(例如0.5)的区块数量是否大于第二预设数量，则判断所述预设部位为病变部位。病变概率大于或等于预设阈值的中心点的位置就是预设部位的病变位置。否则，若所述彩色图像中邻近区块的中心点的病变概率大于或等于预设阈值的区块数量小于第二预设数量，则判断所述预设部位非病变部位。

所述第一预设数量、第二预设数量可以相同也可以不同。

实施例二获取应用不同的磁共振扫描序列对人体的预设部位进行磁共振扫描得到的第一磁共振图像、第二磁共振图像与第三磁共振图像；对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行预处理；以预处理后的第一磁共振图像为第一分量，以预处理后的第二磁共振图像为第二分量，以预处理后的第三磁共振图像为第三分量，将预处理后的第一磁共振图像、第二磁共振图像与第三磁共振图像融合为彩色图像；将所述彩色图像分割为相同大小的多个区块；利用训练好的卷积神经网络模型对所述彩色图像的每个区块进行预测，得到每个区块的中心点的病变概率，其中所述卷积神经网络模型使用标注有病变区域的图像进行训练；根据所述彩色图像中每个区块的中心点的病变概率判断所述预设部位是否为病变部位并确定病变位置。

实施例二的病变部位识别装置使用不同序列图像(即不同磁共振扫描序列扫描得到的第一磁共振图像、第二磁共振图像与第三磁共振图像)进行病变部位识别，与使用单序列图像(即单一扫描序列扫描得到的磁共振图像)进行病变部位识别的病变部位识别装置相比，本装置提高了病变部位识别的准确率。并且，实施例二的病变部位识别装置的卷积神经网络模型根据融合后的彩色图像的各个区块预测区块中心点的病变概率，与对图像中的单个像素预测病变概率相比，本装置提高了检测效率。因此，本装置实现了快速准确的病变部位识别。

实施例三

图4为本发明实施例三提供的计算机装置的示意图。所述计算机装置1包括存储器20、处理器30以及存储在所述存储器20中并可在所述处理器30上运行的计算机程序40，例如病变部位识别程序。所述处理器30执行所述计算机程序40时实现上述病变部位识别方法实施例中的步骤，例如图1所示的步骤101-106。或者，所述处理器30执行所述计算机程序40时实现上述装置实施例中各模块/单元的功能，例如图3中的单元301-306。

示例性的，所述计算机程序40可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序40在所述计算机装置1中的执行过程。例如，所述计算机程序40可以被分割成图3中的获取单元301、预处理单元302、融合单元303、分割单元304、预测单元305、判断单元306，各单元具体功能参见实施例二。

所述计算机装置1可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解，所述示意图4仅仅是计算机装置1的示例，并不构成对计算机装置1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机装置1还可以包括输入输出设备、网络接入设备、总线等。

所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器30也可以是任何常规的处理器等，所述处理器30是所述计算机装置1的控制中心，利用各种接口和线路连接整个计算机装置1的各个部分。

所述存储器20可用于存储所述计算机程序40和/或模块/单元，所述处理器30通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元，以及调用存储在存储器20内的数据，实现所述计算机装置1的各种功能。所述存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机装置1的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所述计算机装置1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

在本发明所提供的几个实施例中，应该理解到，所揭露的计算机装置和方法，可以通过其它的方式实现。例如，以上所描述的计算机装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

另外，在本发明各个实施例中的各功能单元可以集成在相同处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种病变部位识别方法，其特征在于，所述方法包括：

获取应用不同的磁共振扫描序列对人体的预设部位进行磁共振扫描得到的第一磁共振图像、第二磁共振图像与第三磁共振图像；

对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行预处理；

以预处理后的第一磁共振图像为第一分量，以预处理后的第二磁共振图像为第二分量，以预处理后的第三磁共振图像为第三分量，将预处理后的第一磁共振图像、第二磁共振图像与第三磁共振图像融合为彩色图像；

将所述彩色图像分割为预设大小的多个区块；

利用训练好的卷积神经网络模型对所述彩色图像的每个区块进行预测，得到每个区块的中心点的病变概率，其中所述卷积神经网络模型使用标注有病变区域的图像进行训练；

根据所述彩色图像中每个区块的中心点的病变概率判断所述预设部位是否为病变部位并确定病变位置。

2.如权利要求1所述的方法，其特征在于，所述对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行预处理包括对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行图像配准，具体包括：

对于第一磁共振图像、第二磁共振图像与第三磁共振图像中的任意两个图像A与图像B，计算图像A与图像B的互信息，使图像A与图像B的互信息最大，图像A与图像B的互信息为：

其中，a、b分别表示图像A、图像B中像素值的范围，#a表示图像A中像素值属于范围a内的像素的个数，#b表示图像B中像素值属于范围b内的像素的个数，#A、#B分别表示图像A、图像B的像素数，p(a)表示图像A中像素值属于范围a内的像素出现的概率，p(b)表示图像B中像素值属于范围b内的像素出现的概率。

3.如权利要求1所述的方法，其特征在于，所述对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行预处理包括对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行图像配准，具体包括：

在所述第一磁共振图像上选取第一参照点，在所述第二磁共振图像上选取第二参照点，在所述第三磁共振图像上选取第三参照点，所述第一参照点、第二参照点与第三参照点是所述预设部位的相同位置上的点；

计算所述第一磁共振图像中各个像素点与所述第一参照点的相对坐标，计算所述第二磁共振图像中各个像素点与所述第二参照点的相对坐标，计算所述第三磁共振图像中各个像素点与所述第三参照点的相对坐标；

根据所述第一磁共振图像中各个像素点与所述第一参照点的相对坐标，计算所述第一磁共振图像的中心点，根据所述第二磁共振图像中各个像素点与所述第二参照点的相对坐标，计算所述第二磁共振图像的中心点，以及根据所述第三磁共振图像中各个像素点与所述第三参照点的相对坐标，计算所述第三磁共振图像的中心点；

将所述第一磁共振图像的中心点、所述第二磁共振图像的中心点和所述第三磁共振图像的中心点对齐。

4.如权利要求1-3中任一项所述的方法，其特征在于，所述对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行预处理包括包括对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行标准化，具体包括：

对于所述第一磁共振图像、第二磁共振图像与第三磁共振图像中的每一图像，计算该图像的像素值的均值u和标准差e，对该图像的每个像素值进行转换：x′＝(x-u)/e，其中，x是原来的像素值，x′为标准化后的像素值。

5.如权利要求1-3中任一项所述的方法，其特征在于，所述以预处理后的第一磁共振图像为第一分量，以预处理后的第二磁共振图像为第二分量，以预处理后的第三磁共振图像为第三分量，将预处理后的第一磁共振图像、第二磁共振图像与第三磁共振图像融合为彩色图像包括：

将预处理后的第一磁共振图像作为R分量，将预处理后的第二磁共振图像作为G分量，将预处理后的第三磁共振图像作为B分量，将预处理后的第一磁共振图像、第二磁共振图像与第三磁共振图像融合为RGB彩色图像；或者

将预处理后的第一磁共振图像作为Y分量，将预处理后的第二磁共振图像作为U分量，将预处理后的第三磁共振图像作为V分量，将预处理后的第一磁共振图像、第二磁共振图像与第三磁共振图像融合为YUV彩色图像。

6.如权利要求1-3中任一项所述的方法，其特征在于，所述卷积神经网络模型的训练样本通过如下方式获取：

对于所述标注有病变区域的图像，对该图像中的非病变区域和病变区域选取若干个点，以选取的每个点为中心，在该图像上获取每个点对应的方块区域；

若选取的点在所述病变区域内，则对应的方块区域为所述卷积神经网络模型的正训练样本；

若选取的点在所述非病变区域内，则对应的方块区域为所述卷积神经网络模型的负训练样本。

7.如权利要求1-3中任一项所述的方法，其特征在于，所述根据所述彩色图像中每个区块的中心点的病变概率判断所述预设部位是否为病变部位并确定病变位置包括：

判断所述彩色图像中任意区块的中心点的病变概率是否大于或等于预设阈值，若所述彩色图像中任意区块的中心点的病变概率大于或等于预设阈值，则判断所述预设部位为病变部位，病变概率大于或等于预设阈值的中心点的位置为所述预设部位的病变位置；或者

判断所述彩色图像中区块的中心点的病变概率大于或等于预设阈值的区块数量是否大于第一预设数量，若所述彩色图像中区块的中心点的病变概率大于或等于预设阈值的区块数量是否大于第一预设数量，则判断所述预设部位为病变部位，病变概率大于或等于预设阈值的中心点的位置为所述预设部位的病变位置；或者

判断所述彩色图像中邻近区块的中心点的病变概率大于或等于预设阈值的区块数量是否大于第二预设数量，若所述彩色图像中邻近区块的中心点的病变概率大于或等于预设阈值的区块数量是否大于第二预设数量，则判断所述预设部位为病变部位，病变概率大于或等于预设阈值的中心点的位置为所述预设部位的病变位置。

8.一种病变部位识别装置，其特征在于，所述装置包括：

获取单元，用于获取应用不同的磁共振扫描序列对人体的预设部位进行磁共振扫描得到的第一磁共振图像、第二磁共振图像与第三磁共振图像；

预处理单元，用于对所述第一磁共振图像、第二磁共振图像与第三磁共振图像进行预处理；

融合单元，用于以预处理后的第一磁共振图像为第一分量，以预处理后的第二磁共振图像为第二分量，以预处理后的第三磁共振图像为第三分量，将预处理后的第一磁共振图像、第二磁共振图像与第三磁共振图像融合为彩色图像；

分割单元，用于将所述彩色图像分割为预设大小的多个区块；

预测单元，用于利用训练好的卷积神经网络模型对所述彩色图像的每个区块进行预测，得到每个区块的中心点的病变概率，其中所述卷积神经网络模型使用标注有病变区域的图像进行训练；

判断单元，用于根据所述彩色图像中每个区块的中心点的病变概率判断所述预设部位是否为病变部位并确定病变位置。

9.一种计算机装置，其特征在于：所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1-7中任一项所述病变部位识别方法。

10.一种计算机可读存储介质，所述计算机可读存储介质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如权利要求1-7中任一项所述病变部位识别方法。