肺部CT图像的多标签智能检测方法、装置、设备和介质

技术领域

本公开一般涉及图像处理领域，具体涉及医疗图像处理领域，尤其涉及一种肺部CT图像的多标签智能检测方法、装置、电子设备和存储介质。

背景技术

在医疗领域内，由相关医疗专业人员人工检测肺部CT图像这一传统方式十分的费时费力，近年兴起的基于深度神经网络的机器视觉算法可以有效地解决这一问题。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种肺部CT图像的多标签智能检测方法、装置、电子设备和存储介质，在不损失特征的情况下，有效提高图像处理速度。

第一方面，本申请提出一种肺部CT图像的多标签智能检测方法，包括：

获取逐层输入的目标图像；

将所述目标图像输入至训练好的多类别分割模型中，得到多类别分割图像和单一类别分割图像，所述多类别分割图像用于指示所述目标图像中至少一部分区域的所属类型标签，所述单一类别分割图像用于指示所述目标图像中包含的感兴趣区域；

利用所述单一类别分割图像对所述多类别分割图像进行筛选，得到所述目标图像中感兴趣区域的所属类型标签。

可选的，所述多类别分割模型包括收缩模块、膨胀模块和分割模块，该方法包括：

利用所述收缩模块对所述目标图像进行三次下采样，得到下采样图像；

利用所述膨胀模块对所述下采样图像进行三次上采样，得到上采样图像；

利用所述分割模块对所述上采样图像进行多类别分割和单一类别分割，得到所述多类别分割图像和所述单一类别分割图像。

可选的，所述收缩模块包括两个第一收缩单元和第一归一化层，所述两个第一收缩单元依次连接，所述第一收缩单元包括第一卷积层和第一非线性层，所述第一归一化层设置于第二个所述第一收缩单元的所述第一卷积层和所述第一非线性层之间；

所述膨胀模块包括两个第一膨胀单元和第二归一化层，所述两个第一膨胀单元依次连接，所述第一膨胀单元包括第二卷积层和第二非线性层，所述第二归一化层设置于第二个所述第一膨胀单元的所述第二卷积层和所述第二非线性层之间。

可选的，在所述所属类型标签满足预设条件时，利用含有残差连接的收缩模块对所述目标图像进行三次下采样，得到所述下采样图像，以及利用含有残差连接的膨胀模块对所述下采样图像进行三次上采样，得到所述上采样图像。

可选的，所述含有残差连接的收缩模块包括两个第二收缩单元、第三归一化层和第一残差连接层，所述两个第二收缩单元依次连接，所述第二收缩单元包括第三卷积层和第三非线性层，所述第三归一化层和所述第一残差连接层设置于第二个所述第二收缩单元的所述第三卷积层和所述第三非线性层之间，所述第一残差连接层用于将输入至第一个所述第二收缩单元的特征数据与所述第三归一化层的输出数据进行残差连接计算；

所述含有残差连接的膨胀模块包括两个第二膨胀单元、第四归一化层和第二残差连接层，所述两个第二膨胀单元依次连接，所述第二膨胀单元包括第四卷积层和第四非线性层，所述第四归一化层和所述第二残差连接层设置于第二个所述第二膨胀单元的所述第四卷积层和所述第四非线性层之间，所述第二残差连接层用于将输入至第一个所述第二膨胀单元的特征数据与所述第四归一化层的输出数据进行残差连接计算。

可选的，所述获取逐层输入的目标图像，包括：

获取输入的原始图像；

对所述原始图像中的每个像素位置进行归一化，获取所述每个像素位置的归一化值；

根据所述原始图像中每个像素位置的所述归一化值，确定裁剪中心；

根据所述裁剪中心，将所述原始图像裁剪成预设大小的所述目标图像。

第二方面，本申请提出一种肺部CT图像的多标签智能检测装置，包括：

获取模块，用于获取逐层输入的目标图像；

多类别分割模型，用于根据所述目标图像得到多类别分割图像和单一类别分割图像，所述多类别分割图像用于指示所述目标图像中至少一部分区域的所属类型标签，所述单一类别分割图像用于指示所述目标图像中包含的感兴趣区域；

筛选模块，用于利用所述单一类别分割图像对所述多类别分割图像进行筛选，得到所述目标图像中感兴趣区域的所属类型标签。

可选的，所述多类别分割模型包括收缩模块、膨胀模块和分割模块，

所述收缩模块，用于对所述目标图像进行三次下采样，得到下采样图像；

所述膨胀模块，用于对所述下采样图像进行三次上采样，得到上采样图像；

所述分割模块，用于对所述上采样图像进行多类别分割和单一类别分割，得到所述多类别分割图像和所述单一类别分割图像。

第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现如本申请实施例描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例描述的方法。

本申请利用多类别分割模型同时得到多类别分割图像和单一类别分割图像，并利用单一类别分割图像对多类别分割图像进行监督，有效提高病灶类型的识别能力，降低误诊率。同时，本申请使用了多类别分割模型，能够在不损失特征的情况下，有效提高图像处理速度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1为本申请提出的一种肺部CT图像的多标签智能检测方法的流程图；

图2为本申请提出的另一种肺部CT图像的多标签智能检测方法的流程图；

图3为本申请提出的又一种肺部CT图像的多标签智能检测方法的流程图；

图4为本申请中一种多类别分割模型的结构示意图；

图5为本申请中一种收缩模块的结构示意图；

图6为本申请中一种膨胀模块的结构示意图；

图7为本申请中另一种收缩模块的结构示意图；

图8为本申请中另一种膨胀模块的结构示意图；

图9为本申请中一种多类别分割模型的结构示意图；

图10为本申请实施例的肺部CT图像的多标签智能检测装置的结构示意图；

图11示出了适于用来实现本申请实施例的电子设备或服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1为本申请提出的一种肺部CT图像的多标签智能检测方法的流程图。如图1所示，本申请实施例提出的一种肺部CT图像的多标签智能检测方法，包括：

步骤101，获取逐层输入的目标图像。

其中，目标图像为肺部CT(Computed Tomography，电子计算机断层扫描)图像。

需要说明的是，当前针对患者进行CT拍摄的设备能够拍摄得到3D图像，但是，考虑到对模型大小以及图像处理速度的控制，本申请针对逐层输入的2D肺部图像进行处理。其中，在本申请实施例中，目标图像可为肺部图像。

进一步地，为了提高图像处理速度，还可进一步对目标图像进行裁剪，以去掉图像中与目标区域无关的图像区域，例如与肺部无关的区域。

具体地，如图2所示，获取逐层输入的目标图像，包括：

步骤201，获取输入的原始图像。

其中，原始图像可为肺部3D图像的断层图像。

步骤202，对原始图像中的每个像素进行归一化，获取每个像素的归一化值。

可选的，采用如下公式计算每个像素的归一化值：

其中，x为像素归一化前的像素值，x′为像素归一化后的像素值，a为肺部区域CT值中的最小值，b为肺部区域CT值中的最大值，在本申请实施例中，[a，b]可选为[-1024，2048]。

步骤203，根据原始图像中每个像素的归一化值，确定裁剪中心。

具体地，识别归一化值大于0.1的像素位置，计算归一化值大于0.1的像素位置的质心位置，并将质心位置作为裁剪中心。

步骤204，根据裁剪中心，将原始图像裁剪成预设大小的目标图像。

可选的，根据裁剪中心将原始图像裁剪成384*384像素大小的目标图像，其中，在本申请实施例中，原始图像的大小为512*512。

步骤102，将目标图像输入至训练好的多类别分割模型中，得到多类别分割图像和单一类别分割图像。

其中，多类别分割图像用于指示目标图像中至少一部分区域的所属类型标签，单一类别分割图像用于指示目标图像中包含的感兴趣区域。在本申请实施例中，所属类型标签可为患者病灶的所属类型对应的属性标签，例如肿瘤、结节等，在本申请实施例中，可具体确定所属类型标签为肺炎、肺结核和肺癌等。感兴趣区域为目标图像中的病灶区域。

也就是说，本申请在传统的深度学习模型的末端，增加了一个能够产生监督作用的网络头，即，能够输出单一类别分割图像的输出端，从而将多类别分割模型构造成一个多任务模型。

具体地，本申请采用两个不同分类器来实现多类别分割和单一类别分割，具体地，可采用像素级的分类器。也就是说，在本申请实施例中，多类别分割模型具有两个分类器，在对肺部图像进行特征处理后，将处理后的特征数据分别输入至两个分类器中，以通过两个分类器分别获得多类别分割图像和单一类别分割图像。应当理解的是，在对多类别分割模型进行训练时，需要分别对多类别分割和单一类别分割制作训练集，并利用两种训练集分别对多类别分割模型进行训练，以确保多类别分割和单一类别分割输出的结果在多类别分割模型中不产生影响。

步骤103，利用单一类别分割图像对多类别分割图像进行筛选，得到目标图像中感兴趣区域的所属类型标签。

具体地，将多类别分割图像和单一类别分割图像进行重叠，以去除多类别分割图像中不属于单一类别分割图像的部分。也就是说，本申请先利用单一类别分割图像筛选出病灶区域，然后再利用单一类别分割图像对多类别分割结果进行监督，以确定出病灶区域的类型。

应当理解的是，在对多类别分割进行训练时，可仅对病灶的类型进行标注，以期多类别分割图像中仅包含病灶的类型，但人体中部分正常的结构特征可能与病灶结构相类似，但该位置不易发生病变，因此，仅对病变进行训练的单一类别分割图像中则不会对该位置标记为感兴趣区域，若多类别分割图像中将该位置识别为病灶类型，也可通过单一类别分割图像对该位置进行筛选过滤，使得最终得到仅包含目标图像中病灶区域的类型。

在本申请实施例中，所属类型标签通过在目标图像中标注的方式进行展示，例如，在目标图像中勾选出病灶区域，并在勾选线旁文字标注该病灶的所属类型标签。

优选的，在对模型训练过程中，不利用单一类别分割图像对多类别分割图像进行监督。

由此，本申请利用多类别分割模型同时得到多类别分割图像和单一类别分割图像，并利用单一类别分割图像对多类别分割图像进行监督，有效提高病灶类型的识别能力，降低误诊率。同时，本申请使用了多类别分割模型，能够在不损失特征的情况下，有效提高图像处理速度。

作为一个可行实施例，多类别分割模型包括收缩模块、膨胀模块和分割模块，如图3所示，该方法包括：

步骤301，利用收缩模块对图像进行三次下采样，得到下采样图像。

步骤302，利用膨胀模块对下采样图像进行三次上采样，得到上采样图像。

步骤303，利用分割模块对上采样图像进行多类别分割和单一类别分割，得到多类别分割图像和单一类别分割图像。

本申请利用3次下采样，在不损失特征精度的情况下，有效减少了模型运算量，提高了模型运算速度。

也就是说，如图4所示，本申请的多类别分割模型可为进行三次下采样和三次上采样的U型结构。其中，将通道数相同的模块定义为属于同一阶段，则收缩路径由4个阶段组成，具体地，收缩路径包含一个(输出)通道数为64的收缩模块，一个通道数为128的收缩模块、一个通道数为256的收缩模块和一个通道数为512的收缩模块。这些收缩模块的结构除了输出通道数不同和第一个阶段(通道数为64的收缩模块)不进行下采样外完全相同。其中，多类别分割的输出通道数为目标结果类别数量加1，异常检测分割的输出通道数为1。

在一些实施例中，如图5所示，收缩模块包括两个第一收缩单元51和第一归一化层52，两个第一收缩单元51依次连接，第一收缩单元51包括第一卷积层511和第一非线性层512，第一归一化层52设置于第二个第一收缩单元的第一卷积层511和第一非线性层512之间。

具体地，图像特征数据输入至收缩模块后，先经过大小为2*2、步幅为2的最大池化层进行下采样，然后下采样结果输入至第一个收缩单元，经过第一个收缩单元处理的下采样结果依次输入至第二个收缩单元的第一卷积层、第一归一化层和第一非线性层，得到收缩模块的输出特征。其中，第一卷积层的卷积核大小为3*3。

进一步地，膨胀路径与收缩路径构成镜像结构，即，包含输出通道为256、128和64的三个上采样阶段。

如图6所示，膨胀模块包括两个第一膨胀单元61和第二归一化层62，两个第一膨胀单元61依次连接，第一膨胀单元61包括第二卷积层611和第二非线性层612，第二归一化层62设置于第二个第一膨胀单元61的第二卷积层611和第二非线性层612之间。

其中，膨胀模块在第一膨胀单元之前设置有卷积核大小为2*2、步幅为2的转置卷积对输入的图像特征数据进行上采样，输入膨胀模块的图像特征数据为上一阶段的输出数据与收缩路径同分辨率阶段的输出数据的拼接。

由此，本申请在模块中仅采用一次归一化层，在不损失特征精度的情况下，有效降低了模型运算量，提高了图像处理速度。

作为一个可行实施例，在所属类型标签满足预设条件时，利用含有残差连接的收缩模块对目标图像进行三次下采样，得到下采样图像，以及利用含有残差连接的膨胀模块对下采样图像进行三次上采样，得到上采样图像。

需要说明的是，预设条件可为病灶类型的细分程度。

如图7所示，含有残差连接的收缩模块包括两个第二收缩单元71、第三归一化层72和第一残差连接层73，两个第二收缩单元71依次连接，第二收缩单元71包括第三卷积层711和第三非线性层712，第三归一化层72和第一残差连接层73设置于第二个第二收缩单元71的第三卷积层711和第三非线性层712之间，第一残差连接层用于将输入至第一个第二收缩单元的特征数据与第三归一化层的输出数据进行残差连接计算。

如图8所示，含有残差连接的膨胀模块包括两个第二膨胀单元81、第四归一化层82和第二残差连接层83，两个第二膨胀单元81依次连接，第二膨胀单元81包括第四卷积层811和第四非线性层812，第四归一化层82和第二残差连接层83设置于第二个第二膨胀单元81的第四卷积层8111和第四非线性层812之间，第二残差连接层用于将输入至第一个第二膨胀单元的特征数据与第四归一化层的输出数据进行残差连接计算。

其中，第一残差连接层用于将下采样的采样结果和第三归一化层的结果进行逐元素加法运算得到残差特征，然后再将残差特征输入至第三非线性层中，同理，第二残差连接层用于将上采样的采样结果和第四归一化层的结果进行逐元素加法运算得到残差特征，然后再将残差特征输入值第四非线性层中。

其中，在收缩模块和/或膨胀模块的输入和输出的通道数不同时，需要先将采样结果输入至大小为1*1、步幅为1的卷积层以将其转换为与输出通道数相同的特征数据，以进行逐元素加法的计算。

进一步地，如图9所示，在所属类型标签满足预设条件时，多类别分割模型的收缩路径包含一个(输出)通道数为64的收缩模块，两个通道数为128的收缩模块、两个通道数为256的收缩模块和一个通道数为512的收缩模块。

应当理解的是，在本申请实施例中，含有残差连接的收缩模块和前述收缩模块中的卷积层、非线性层的结构相同，含有残差连接的膨胀模块和前述膨胀模块中的卷积层、非线性层的结构相同。在本申请实施例中，非线性层均选用Relu函数。

由此，本申请在多类别分割的分割数量满足预设条件时，采用含有残差连接的收缩模块和膨胀模块，有效提高了网络模型对目标图像特征的表达能力，从而便于处理分割数量较大的复杂需求。

在本申请实施例中，在对多类别分割模型进行训练时，可使用Focal Loss与DiceLoss的混合损失函数，具体公式如下：

L＝αL

其中，α为平衡两个损失数值的权重系数，在本申请中，可设置为5×10

L

其中，n为像素数，c为分割数量，p

综上所述，本申请利用多类别分割模型同时得到多类别分割图像和单一类别分割图像，并利用单一类别分割图像对多类别分割图像进行监督，有效提高病灶类型的识别能力，降低误诊率。同时，本申请使用了多类别分割模型，能够在不损失特征的情况下，有效提高图像处理速度。

应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。

图10为本申请实施例的肺部CT图像的多标签智能检测装置的结构示意图。如图9所示，肺部CT图像的多标签智能检测装置10，包括：

获取模块11，用于获取逐层输入的目标图像；

多类别分割模型12，用于根据目标图像得到多类别分割图像和单一类别分割图像，多类别分割图像用于指示目标图像中至少一部分区域的所属类型标签，单一类别分割图像用于指示目标图像中包含的感兴趣区域；

筛选模块13，用于利用单一类别分割图像对多类别分割图像进行筛选，得到目标图像中感兴趣区域的所属类型标签。

在一些实施例中，多类别分割模型12包括收缩模块、膨胀模块和分割模块，

收缩模块，用于对目标图像进行三次下采样，得到下采样图像；

膨胀模块，用于对下采样图像进行三次上采样，得到上采样图像；

分割模块，用于对上采样图像进行多类别分割和单一类别分割，得到多类别分割图像和单一类别分割图像。

在一些实施例中，收缩模块包括两个第一收缩单元和第一归一化层，两个第一收缩单元依次连接，第一收缩单元包括第一卷积层和第一非线性层，第一归一化层设置于第二个第一收缩单元的第一卷积层和第一非线性层之间；

膨胀模块包括两个第一膨胀单元和第二归一化层，两个第一膨胀单元依次连接，第一膨胀单元包括第二卷积层和第二非线性层，第二归一化层设置于第二个第一膨胀单元的第二卷积层和第二非线性层之间。

在一些实施例中，在所属类型标签满足预设条件时，利用含有残差连接的收缩模块对目标图像进行三次下采样，得到下采样图像，以及利用含有残差连接的膨胀模块对下采样图像进行三次上采样，得到上采样图像。

在一些实施例中，含有残差连接的收缩模块包括两个第二收缩单元、第三归一化层和第一残差连接层，两个第二收缩单元依次连接，第二收缩单元包括第三卷积层和第三非线性层，第三归一化层和第一残差连接层设置于第二个第二收缩单元的第三卷积层和第三非线性层之间，第一残差连接层用于将输入至第一个第二收缩单元的特征数据与第三归一化层的输出数据进行残差连接计算；

含有残差连接的膨胀模块包括两个第二膨胀单元、第四归一化层和第二残差连接层，两个第二膨胀单元依次连接，第二膨胀单元包括第四卷积层和第四非线性层，第四归一化层和第二残差连接层设置于第二个第二膨胀单元的第四卷积层和第四非线性层之间，第二残差连接层用于将输入至第一个第二膨胀单元的特征数据与第四归一化层的输出数据进行残差连接计算。

在一些实施例中，获取模块11，还用于：

获取输入的原始图像；

对原始图像中的每个像素位置进行归一化，获取每个像素位置的归一化值；

根据原始图像中每个像素位置的归一化值，确定裁剪中心；

根据裁剪中心，将原始图像裁剪成预设大小的目标图像。

综上所述，本申请利用多类别分割模型同时得到多类别分割图像和单一类别分割图像，并利用单一类别分割图像对多类别分割图像进行监督，有效提高病灶类型的识别能力，降低误诊率。同时，本申请使用了多类别分割模型，能够在不损失特征的情况下，有效提高图像处理速度。

应当理解，装置10中记载的诸单元或模块与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置1及其中包含的单元，在此不再赘述。装置10中的相应单元可以与电子设备中的单元相互配合以实现本申请实施例的方案。

下面参考图11，图11示出了适于用来实现本申请实施例的电子设备或服务器的计算机系统的结构示意图，

如图11所示，计算机系统包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM1003中，还存储有系统的操作指令所需的各种程序和数据。CPU1001、ROM1002以及RAM1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

以下部件连接至I/O接口1005；包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。

特别地，根据本申请的实施例，上文参考流程图图2描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以为的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作指令。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以不同于附图中所标注的顺序发生。例如，两个连接表示的方框实际上可以基本并行地执行，他们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作指令的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、多类别分割模型和筛选模块。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，获取模块，还可以被描述为“获取逐层输入的肺部图像”。

作为另一方面，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可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中的。上述计算机可读存储介质存储有一个或多个程序，当上述程序被一个或者一个以上的处理器用来执行描述于本申请的肺部CT图像的多标签智能检测方法。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其他技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。