图像检测方法、装置、设备、存储介质和程序产品

技术领域

本申请涉及图像处理技术领域，特别是涉及一种图像检测方法、装置、设备、存储介质和程序产品。

背景技术

口腔颌面部X射线摄影是目前临床上对人体口腔进行检查的一种常规影像技术，但口腔颌面部X射线摄影属于二维平片检查，其受限于图像维度和范围的限制，会出现影像重叠及邻近重要解剖结构信息不足等干扰，易导致最终对口腔进行图像检测所获得的结果不够准确。相较于二维影像技术，口腔颌面锥形束CT(CBCT)技术可以通过采集口腔的横截面、冠状面和矢状面的图像，这样能够清晰地显示口腔内牙体牙髓上细微的三维解剖结构，提升对口腔进行图像检测所获得的结果的准确性。

目前，在对口腔中的牙齿等区域进行检测时，大多是先采集口腔内各个牙齿的单体图像，然后将各个单体图像采用神经网络等方式进行图像检测，以获得每个单体图像中牙齿的检测结果。

然而，上述技术存在获得的口腔检测结果不够准确的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高获得的口腔检测结果的准确性的图像检测方法、装置、设备、存储介质和程序产品。

第一方面，本申请提供了一种图像检测方法，该方法包括：

根据获取的原始医学图像确定其中的感兴趣区域；上述感兴趣区域是基于原始医学图像中各个组织的轮廓信息及关键点的位置确定的；

对感兴趣区域进行检测处理，确定感兴趣区域中的候选区域的第一检测结果；

根据候选区域的第一检测结果在原始医学图像上确定至少两个不同视野的待测图像；各待测图像中均包括候选区域；

根据各待测图像对候选区域进行检测，确定候选区域中的目标区域及其检测结果。

在其中一个实施例中，上述对感兴趣区域进行检测处理，确定感兴趣区域中的候选区域的第一检测结果，包括：

将感兴趣区域输入至预设的第一神经网络中进行检测处理，确定感兴趣区域中的候选区域的第一检测结果；

其中，上述第一神经网络是基于对多个不同尺度的第一样本图像进行训练得到的。

在其中一个实施例中，上述根据各待测图像对候选区域进行检测，确定候选区域中的目标区域及其检测结果，包括：

将各待测图像输入至预设的第二神经网络中，对待测图像中的候选区域进行检测处理，确定候选区域的第二检测结果；其中，上述第二神经网络是基于对多个不同视野的第二样本图像进行训练得到的；

根据候选区域的第一检测结果和候选区域的第二检测结果，从候选区域中确定目标区域以及确定目标区域的检测结果。

在其中一个实施例中，上述第一检测结果中包括候选区域的检测框位置和候选区域第一概率值，上述第二检测结果中包括候选区域的第二概率值，上述根据候选区域的第一检测结果和候选区域的第二检测结果，从候选区域中确定目标区域以及确定目标区域的检测结果，包括：

对同一个候选区域的第一概率值和第二概率值进行均值处理，获得候选区域的均值概率；

判断候选区域的均值概率是否满足预设的阈值条件；

若满足，则将候选区域确定为目标区域，以及将候选区域的检测框位置和对应的均值概率确定为目标区域的检测结果。

在其中一个实施例中，各上述待测图像包括第一待测图像和第二待测图像，上述将各待测图像输入至预设的第二神经网络中，对待测图像中的候选区域进行检测处理，确定候选区域的第二检测结果，包括：

将第一待测图像和第二待测图像输入至预设的第二神经网络中进行特征提取处理，获得候选区域的特征图；

根据候选区域的特征图在第二神经网络中对候选区域进行检测处理，确定候选区域的第二检测结果。

在其中一个实施例中，上述第一检测结果中包括候选区域的检测框位置，上述根据候选区域的第一检测结果在原始医学图像上确定至少两个不同视野的待测图像，包括：

在原始医学图像上，以候选区域的检测框位置的中心为中心点，按照不同的视野参数对原始医学图像进行截取处理，获得至少两个不同视野的待测图像。

在其中一个实施例中，上述根据获取的原始医学图像确定其中的感兴趣区域，包括：

根据获取的原始医学图像确定其中各个组织的掩膜图像；上述掩膜图像中包括各组织的轮廓信息及关键点的位置；

根据各组织的轮廓信息及关键点的位置，从各组织中确定感兴趣区域。

在其中一个实施例中，上述根据获取的原始医学图像确定其中各个组织的掩膜图像，包括：

对原始医学图像中的各个组织进行第一分割处理，确定其中各组织的初始分割结果；上述初始分割结果中包括各组织的中心点位置和各组织对应的空间拓扑结构；

根据原始医学图像、各组织的中心点位置和空间拓扑结构对待测组织的各组织进行第二分割处理，确定掩膜图像；

其中，上述第二分割处理的精度高于第一分割处理的精度。

在其中一个实施例中，上述根据各组织的轮廓信息及关键点的位置，从各组织中确定感兴趣区域之前，上述方法还包括：

将原始医学图像中背景处的体素所对应的体素值均设置为第一体素值，获得变换医学图像；

根据变换医学图像中非背景处的体素所对应的第二体素值，计算第二体素值对应的直方图；

根据直方图确定归一化参数，并采用归一化参数对原始医学图像进行归一化处理；上述归一化参数包括窗宽窗位调整参数。

第二方面，本申请还提供了一种图像检测装置，该装置包括：

感兴趣区域确定模块，用于根据获取的原始医学图像确定其中的感兴趣区域；上述感兴趣区域是基于原始医学图像中各个组织的轮廓信息及关键点的位置确定的；

第一检测模块，用于对感兴趣区域进行检测处理，确定感兴趣区域中的候选区域的第一检测结果；

多视野图像确定模块，用于根据候选区域的第一检测结果在原始医学图像上确定至少两个不同视野的待测图像；各待测图像中均包括候选区域；

第二检测模块，用于根据各待测图像对候选区域进行检测，确定候选区域中的目标区域及其检测结果。

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的方法步骤。

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的方法步骤。

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的方法步骤。

上述图像检测方法、装置、设备、存储介质和程序产品，通过根据获取的原始医学图像中各组织的轮廓信息和关键点的位置确定感兴趣区域，并对感兴趣区域进行检测处理确定其中候选区域的第一检测结果，然后根据候选区域的第一检测结果在原始医学图像上确定至少两个均包括候选区域的不同视野的待测图像，并根据各待测图像对候选区域进行检测，确定候选区域中目标区域及其检测结果。该方法中，由于可以通过各组织的轮廓信息和关键点位置针对性地在各组织中选择感兴趣区域，这样可以有效避免部分影像表现相似的感兴趣区域在检测时容易出现混淆的情况，提升检测的准确性；进一步地，由于可以通过感兴趣区域中候选区域的检测结果在原始图像上获取多个不同视野的图像以进行检测，而不同的视野图像所针对的组织信息不同，那么这样就可以在检测过程中结合组织周围临近位置上的特征信息，最终获得的目标区域的检测结果更加准确，以此降低检测结果中目标区域的假阳率。

附图说明

图1为一个实施例中计算机设备的内部结构图；

图2为一个实施例中图像检测方法的流程示意图；

图3为另一个实施例中病源牙根尖周的示例图；

图4为另一个实施例中病源牙牙髓及牙周组织的示例图；

图5为另一个实施例中病源牙邻近的解剖结构的示例图；

图6为另一个实施例中图像检测方法的流程示意图；

图7为另一个实施例中图像检测方法的流程示意图；

图8为另一个实施例中图像检测方法的流程示意图；

图9为另一个实施例中图像检测方法的流程示意图；

图10为另一个实施例中图像检测方法的流程示意图；

图11为一个实施例中图像检测装置的结构框图。

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。

本申请实施例提供的图像检测方法，可以应用于计算机设备，该计算机设备可以是终端或服务器，以终端为例，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，如图2所示，提供了一种图像检测方法，以该方法应用于图1中的计算机设备为例进行说明，该方法可以包括以下步骤：

S202，根据获取的原始医学图像确定其中的感兴趣区域；上述感兴趣区域是基于原始医学图像中各个组织的轮廓信息及关键点的位置确定的。

其中，每个原始医学图像中均包括各个组织，各个组织可以是待测对象口腔中的各个牙齿，或者也可以是待测对象脊柱上的各个椎体，或者也可以是其他组织等。对于各个组织是各个牙齿的情况，针对不同的待测对象，其口腔中牙齿的数量可以相同或不同。

对于包括待测对象的各个组织的原始医学图像的获取方式，可以是对待测对象的各个组织进行扫描，并通过对扫描的数据进行图像重建以获得原始医学图像；或者也可以是从云端或服务器中获取预先存储的包括待测对象的各个组织的原始医学图像；或者还可以是其他获取方式，这里不作具体限定。

对于通过原始医学图像获得其中的感兴趣区域的方式，作为可选的实施例，可以是根据获取的原始医学图像确定其中各个组织的掩膜图像；上述掩膜图像中包括各组织的轮廓信息及关键点的位置；根据各组织的轮廓信息及关键点的位置，从各组织中确定感兴趣区域。

上述在获得原始医学图像之后，可以采用分割模型或分割算法等对原始医学图像中的各个组织进行分割处理，获得各个组织的掩膜图像。该掩膜图像可以是一个多值化的掩膜图像，通过该多值化的掩膜图像可以区分出各个组织。

同时在对原始医学图像中的各个组织进行分割时，可以是一次分割直接获得掩膜图像，或者还可以是通过粗细分割两次分割结合的方式获得掩膜图像，或者还可以是其他更多次的分割方式，这里不作具体限定。

上述在对原始医学图像中的各个组织进行分割后，获得的掩膜图像中包括各个组织的轮廓信息和关键点的位置，当然也可以包括各个组织的标识等。这里每个组织的轮廓信息可以包括该组织的轮廓上各个点的位置以及轮廓上各个点之间的位置关联关系等；这里每个组织的关键点可以是该组织的轮廓上的关键点，也可以是组织中位于轮廓内部的关键点。这里的关键点例如可以是组织的顶点、根部点、角点、质心、重心等。

在上述获得各个组织的轮廓信息及关键点的位置之后，可以结合先验信息从各组织中确定哪些组织属于比较关键的区域，即需要进行检测的区域，那么这些组织构成的区域就是感兴趣区域。这里的感兴趣区域可以是在掩膜图像中确定的感兴趣区域所在的图像，也可以是在原始医学图像中确定的感兴趣区域所在的图像。

这里的先验信息，以组织是牙齿为例，例如可以是不同牙齿病症常见的病灶位置特点，那么这里就可以通过该病灶位置特点从上述各个组织的轮廓信息和关键点的位置中匹配出相关的区域，即获得感兴趣区域。示例地，以根尖周病症为例，可以通过各牙齿的根部点的位置/标记，与各牙齿的轮廓信息/边界信息，确定感兴趣区域为各个牙位的根尖区域。

这里通过先验信息有针对性地从各组织中选取感兴趣区域，可以有效避免部分影像表现相似的感兴趣区域在检测过程中出现混淆的情况。

S204，对感兴趣区域进行检测处理，确定感兴趣区域中的候选区域的第一检测结果。

在本步骤中，在对感兴趣区域进行检测时，作为可选的实施例，可以是将感兴趣区域输入至预设的第一神经网络中进行检测处理，确定感兴趣区域中的候选区域的第一检测结果；其中，上述第一神经网络是基于对多个不同尺度的第一样本图像进行训练得到的。

其中，第一神经网络可以是多尺度的神经网络，即可以对感兴趣区域进行多个尺度上的检测处理。对于第一神经网络的具体架构以及具体类型，这里不作具体限定。例如可以是多个神经网络级联的网络，这样通过多层神经网络可以多次对感兴趣区域检测，从而进一步提升获得的检测结果的准确性。

该第一神经网络在使用之前也可以预先训练好，对于训练过程，可以是获取相同尺度或不同尺度的训练样本，训练样本上标注了样本区域的金标准检测结果；然后将训练样本输入至初始第一神经网络中进行降采样等操作，获得不同尺度下的样本特征，记为不同尺度的第一样本图像，之后可以经过跳层链接将粗细特征进行融合后，采用金字塔特征预测方式等在各个特征层分别进行对应尺度的样本区域的预测，输出最终回归的样本区域的检测结果，并基于样本区域的金标准检测结果和回归的检测结果之间的损失对初始第一神经网络进行训练，获得训练好的第一神经网络。

上述在确定感兴趣区域及其所在的原始医学图像或掩膜图像之后，可以将该感兴趣区域及其所在的原始医学图像或掩膜图像输入至训练好的第一神经网络中，通过降采样操作将图像映射到不同尺度的特征空间，获得不同尺度下的图像特征(包括粗特征和细特征等)，经过跳层链接将粗细特征进行融合后，采用金字塔特征预测方式等在各个特征层分别进行对应尺度的候选区域的预测，输出最终回归的候选区域的检测结果，记为第一检测结果。该第一检测结果中可以包括候选区域所在的检测框位置和检测概率值、置信度等信息。这里的候选区域可以是感兴趣区域中预测的可能的病灶区域。

通过对感兴趣区域进行多尺度区域检测，这样可以提取到不同尺度下的图像特征，并通过不同尺度下的图像特征进行区域检测，结合的特征信息会更多更丰富，那么获得的候选区域的检测结果也就更加准确，也可以在一定程度上降低检测结果假阳的概率。

S206，根据候选区域的第一检测结果在原始医学图像上确定至少两个不同视野的待测图像；各待测图像中均包括候选区域。

其中，不同视野指的是在原始医学图像的不同的图像空间上所获取的图像，不同视野的图像上所包括的组织的信息多少也不相同，一般大视野的图像相对小视野的图像而言，其上包括的组织及其周围临近组织的信息更多更丰富，从而有利于进行候选区域检测。对于不同视野的数量，一般可以是2-3个不同视野，这里每个视野的范围大小可以根据实际组织上病灶的特征进行选择。

这里在原始医学图像上确定的至少两个不同视野的待测图像，必然存在大视野的待测图像和小视野的待测图像，而每个待测图像中均至少包括完整的候选区域，当然也可以包括候选区域周围的组织及其信息，这样后续检测中与候选区域相关的信息就更多，获得的结果就更准确。

作为可选的实施例，上述候选区域的第一检测结果中包括候选区域的检测框位置，在确定不同视野的待测图像时，可以是在原始医学图像上，以候选区域的检测框位置的中心为中心点，按照不同的视野参数对原始医学图像进行截取处理，获得至少两个不同视野的待测图像。

也就是说，上述在获得候选区域的检测结果之后，即获得了候选区域的检测框位置，这样就可以在原始医学图像中定位出候选区域，然后可以在原始医学图像中以该候选区域的检测框位置的中心为中心点，以不同的视野截取包括该候选区域及其周围临近组织的待测图像，获得多个不同视野且均包括候选区域的待测图像。进一步可以说明，这里确定的待测图像即是候选区域所在区域的图像，可以采用待测图像对候选区域进行下一步检测或分类等处理。

示例地，以各个组织是口腔内的各个牙齿，病灶(即候选区域)为根尖周炎病灶为例，可以选择三个不同的视野范围，分别涵盖病源牙根尖周(参见图3的示例图所示)、病源牙牙髓及牙周组织(参见图4的示例图所示)和病源牙邻近的解剖结构(参见图5的示例图所示)。

需要说明的是，图3-5只是示例图，并不构成对本申请实施例技术方案的限定。

S208，根据各待测图像对候选区域进行检测，确定候选区域中的目标区域及其检测结果。

在本步骤中，在获得不同视野且均包括候选区域的待测图像之后，就可以对这些不同视野的待测图像中的候选区域进行检测，检测可以是采用检测模型或检测算法等方式，总之可以检测出不同视野图像的候选区域中的目标区域即可，最终获得目标区域的检测结果。

该目标区域例如可以是候选区域中的病灶区域，候选区域中的目标区域可以是一个或多个。该目标区域的检测结果可以是包括目标区域所在的检测框位置信息、中心点、目标区域的类别和或置信度等信息。

这里通过不同视野的待测图像对候选区域中的目标区域进行检测，参与检测的信息包括候选区域及其周围的组织信息，因此参与检测的信息较多较丰富，因此可以一定程度上提高检测结果的准确性。

上述图像检测方法中，通过根据获取的原始医学图像中各组织的轮廓信息和关键点的位置确定感兴趣区域，并对感兴趣区域进行检测处理确定其中候选区域的第一检测结果，然后根据候选区域的第一检测结果在原始医学图像上确定至少两个均包括候选区域的不同视野的待测图像，并根据各待测图像对候选区域进行检测，确定候选区域中目标区域及其检测结果。该方法中，由于可以通过各组织的轮廓信息和关键点位置针对性地在各组织中选择感兴趣区域，这样可以有效避免部分影像表现相似的感兴趣区域在检测时容易出现混淆的情况，提升检测的准确性；进一步地，由于可以通过感兴趣区域中候选区域的检测结果在原始图像上获取多个不同视野的图像以进行检测，而不同的视野图像所针对的组织信息不同，那么这样就可以在检测过程中结合组织周围临近位置上的特征信息，最终获得的目标区域的检测结果更加准确，以此降低检测结果中目标区域的假阳率。

上述实施例中提到了可以对各不同视野的待测图像进行检测以获得目标区域的检测结果的内容，以下实施例就对该过程的一种可能的实施方式进行说明。

在另一个实施例中，提供了另一种图像检测方法，在上述实施例的基础上，如图6所示，上述S208可以包括以下步骤：

S302，将各待测图像输入至预设的第二神经网络中，对待测图像中的候选区域进行检测处理，确定候选区域的第二检测结果。

其中，上述第二神经网络是基于对多个不同视野的第二样本图像进行训练得到的。也就是说，第二神经网络可以是多视野的神经网络，即可以对候选区域进行多个视野上的检测处理，该第二神经网络例如也可以是分类网络或分割网络。对于第二神经网络的主干网络backbone的架构不做具体限定，但网络整体是可以拓展成可以同时输入多张不同视野图像的结构，即该网络拥有多个特征提取模块。

作为可选的实施例，以各待测图像为两个不同视野的待测图像为例，例如包括第一待测图像和第二待测图像，参见图7所示，那么本步骤可以采用以下步骤通过第二神经网络对这两个不同视野的图像进行检测：

S402，将第一待测图像和第二待测图像输入至预设的第二神经网络中进行特征提取处理，获得候选区域的特征图。

在本步骤中，第一待测图像可以是小视野的待测图像(也可以称为窄视野图像)，第二待测图像相对第一待测图像而言，可以是大视野的待测图像(也可以称为宽视野图像)，在获得第一待测图像和第二待测图像之后，可以将第一待测图像和第二待测图像均输入至第二神经网络中进行特征提取处理。这里特征提取处理具体过程包括：先对第一待测图像和第二待测图像分别进行多次降采样操作，获得各自的降采样特征图(例如可以是粗尺度特征图)；然后可以对第二待测图像进行多次升采样操作，获得每次升采样后的升采样特征图；对第一待测图像进行升采样时，每一次升采样操作前，第二待测图像对应尺度的升采样特征图都会作为辅助信息，与第一待测图像相同尺度的升采样特征图进行合并，之后可以对合并后的粗尺度特征图进行升采样，提取得到候选区域的细尺度特征图，如此对第一待测图像的降采样特征进行多次升采样操作后，最终获得候选区域对应的特征图。

另外，为了限制第二神经网络过多学习宽视野图像中边缘位置的特征，在将宽视野图像的特征图和窄视野图像的特征图进行合并特征前，可以对宽视野图像的特征图先进行中心剪裁，并通过反卷积操作升采样回匹配大小，之后再与窄视野图像相同尺度的特征图进行合并。

需要说明的是，针对三个以上不同视野的待测图像，其在第二神经网络中提取特征时也是和两个视野的待测图像的过程类似，均是宽视野图像的升采样特征图作为窄视野图像的提取特征时的辅助信息，需要与窄视野图像对应尺度的特征图合并，完成对窄视野图像的升采样过程。

S404，根据候选区域的特征图在第二神经网络中对候选区域进行检测处理，确定候选区域的第二检测结果。

在本步骤中，在获得两个待测图像对应的候选区域的特征图之后，可以将该特征图输入至第二神经网络中对候选区域进行检测，输出候选区域的检测结果，记为第二检测结果。该第二检测结果中可以包括候选区域所在的检测框位置、检测类别、检测概率值以及置信度等信息。这里的候选区域可以是预测的可能的病灶区域。

这里通过多视野的第二神经网络对多个不同视野的待测图像的候选区域进行检测，其中可以融合多个视野图像上候选区域的特征，这样可以提升候选区域中目标区域的检出率以及降低目标区域的假阳率。

另外，对于第二神经网络的具体结构，其可以是多个神经网络级联的网络，这样通过多层神经网络可以多次对候选区域检测，从而进一步提升获得的检测结果的准确性。

除此之外，对于第二神经网络的训练过程，可以是与其使用过程类似的训练过程，这里就不再赘述。

S304，根据候选区域的第一检测结果和候选区域的第二检测结果，从候选区域中确定目标区域以及确定目标区域的检测结果。

在本步骤中，目标区域为候选区域中的病灶区域。在上述获得候选区域的第一检测结果和第二检测结果之后，可以通过两者中候选区域的检测结果进行综合比对等处理，最终确定出候选区域中的目标区域，并同时通过候选区域的检测结果确定目标区域的检测结果。这里目标区域的检测结果例如可以是将其对应的两个检测结果中的任一个检测结果作为最终的检测结果，或者可以是对两个检测结果进行进一步数据处理后获得最终的检测结果。

本实施例中，通过多视野的第二神经网络对各不同视野图像中的候选区域进行检测，获得候选区域的第二检测结果，以及通过候选区域的两个检测结果获得目标区域及其检测结果，这样通过多视野的网络对候选区域进行检测的检测结果结合其他网络的检测结果最终获得目标区域及其检测结果，这样对候选区域中目标区域的检测的维度更多，那么获得的目标区域及其检测结果更加准确。

上述实施例中提到了两个网络可以获得候选区域的第一检测结果和候选区域的第二检测结果，其中第一检测结果中可以包括候选区域的检测框位置和候选区域的第一概率值，第二检测结果中可以包括候选区域的第二概率值，那么对于具体如何通过候选区域的两个检测结果获得目标区域及其检测结果的过程，将通过以下实施例进行说明。

在另一个实施例中，提供了另一种图像检测方法，在上述实施例的基础上，如图8所示，上述S304可以包括以下步骤：

S502，对同一个候选区域的第一概率值和第二概率值进行均值处理，获得候选区域的均值概率。

在本步骤中，检测结果中的检测框位置用于表征候选区域所在的检测框的位置信息，该检测框的位置信息中可以包括检测框的长宽高、中心点位置、偏向角等信息，这样即可通过检测框的位置信息定位出检测框。检测结果中的概率值表示候选区域属于目标区域的概率。

本步骤中可以针对相同的候选区域的两个检测结果，从第一检测结果中获得第一概率值以及从第二检测结果中获得第二概率值，并对两个概率值进行加权平均或直接平均等处理，获得两个概率值的平均值，记为该候选区域的均值概率。

S504，判断候选区域的均值概率是否满足预设的阈值条件。

在本步骤中，预设的阈值条件可以是一个阈值或者一个阈值范围；若是一个阈值，那么可以判断上述获得的候选区域的均值概率是否大于等于该阈值；若是一个阈值范围，那么可以判断上述获得的候选区域的均值概率是否在该阈值范围内。

S506，若满足，则将候选区域确定为目标区域，以及将候选区域的检测框位置和对应的均值概率确定为目标区域的检测结果。

在本步骤中，若上述获得的候选区域的均值概率大于等于阈值，或者若上述获得的候选区域的均值概率在阈值范围内，则确定该候选区域为目标区域，并从该目标区域的检测框位置以及均值概率作为其最终的检测结果。

对于其他的候选区域，也可以按照此方式进行判断，并在满足阈值条件时将其作为目标区域，并获得目标区域的检测结果。

本实施例中，通过对同一个候选区域的两个概率值进行均值处理，并判断获得的均值概率是否满足阈值条件，若满足则确定其为目标区域，并获得相应的检测结果，这里通过均值处理以及阈值条件判断，可以进一步避免目标区域的假阳情况，降低假阳率，提升最终确定的目标区域的准确性。

以下实施例对上述提到的通过原始医学图像确定其中各个组织的掩膜图像的过程进行说明。

在另一个实施例中，提供了另一种图像检测方法，在上述实施例的基础上，如图9所示，上述S202中确定各个组织的掩膜图像时可以包括以下步骤：

S602，对原始医学图像中的各个组织进行第一分割处理，确定其中各组织的初始分割结果；上述初始分割结果中包括各组织的中心点位置和各组织对应的空间拓扑结构。

在本步骤中，可以采用分割模型对原始医学图像中的各个组织进行粗分割处理，先定位出原始图像中的各个组织，获得各组织的初始分割结果，这里的初始分割结果也可以是一个大致可以区分各个组织的掩膜图像。其中初始分割结果中粗定位的各个组织可以包括各个组织的中心点位置与大致的空间拓扑结构。其中，中心点位置可以是质心位置、重心位置等等。

对于各个组织的空间拓扑结构，可以是在粗分割过程中定位出各个组织的中心点位置，并针对单个组织，预测该组织上各部位相对于该组织中心点位置/中心点的空间位置偏移图，之后可以通过空间位置偏移图和各组织的中心点位置构建各个组织之间的相对位置简化图，获得各个组织之间的空间拓扑结构，即获得各个组织之间的几何位置关系。

S604，根据原始医学图像、各组织的中心点位置和空间拓扑结构对待测组织的各组织进行第二分割处理，确定掩膜图像；其中，上述第二分割处理的精度高于第一分割处理的精度。

在本步骤中，在获得各组织的中心点位置和空间拓结构之后，可以将各组织的中心点位置和空间拓结构作为辅助信息，采用多任务学习机制的分割模型继续对原始医学图像中的各组织进行精细几何分割处理，获得精细的组织分割结果，即包括各组织的轮廓信息及关键点的位置的掩膜图像。

另外，这里第二次分割的精度高于第一次分割的精度，那么最终获得的掩膜图像中各组织的轮廓信息以及关键点的位置应该是更为精确的信息。

本实施例中，通过对原始医学图像中的各组织进行粗分割，获得各组织的中心点位置和空间拓扑结果，并据此作为辅助信息在原始医学图像上进行精细分割，获得包括各组织的轮廓信息及关键点的位置的掩膜图像，这样通过各组织的空间拓扑结构作为辅助信息进行组织分割，可以使得获得的各组织之间的几何位置关系更加准确。

以下实施例对上述提到的通过原始医学图像确定其中各个组织的掩膜图像的过程进行说明。

在另一个实施例中，提供了另一种图像检测方法，在上述实施例的基础上，如图10所示，在上述S204之前，上述方法还可以包括以下步骤：

S702，将原始医学图像中背景处的体素所对应的体素值均设置为第一体素值，获得变换医学图像。

在本步骤中，上述在获得原始医学图像对应的包括各组织的掩膜图像之后，原始医学图像和掩膜图像中各组织的位置是对应的，那么可以将掩膜图像中的各组织对应至原始医学图像中，作为原始医学图像的前景区域，原始医学图像中不包括各组织的区域即为背景区域。

之后，可以获得原始医学图像中背景区域的各个体素及其体素值，并将背景区域处的各个体素值均设置为第一体素值，例如第一体素值为0，即将原始医学图像的背景区域均设置为0，设置完成之后即可获得设置后的原始医学图像，记为变换医学图像。

S704，根据变换医学图像中非背景处的体素所对应的第二体素值，计算第二体素值对应的直方图。

在本步骤中，通过上述步骤即可获得原始医学图像的前景区域，即非背景区域，并获得非背景区域的各个体素及其第二体素值。这里非背景区域的各个体素的第二体素值一般是不全相等的。

之后，可以统计各第二体素值对应的体素值范围，然后将该体素值范围分段作为横轴上的值，通过统计每段体素值范围对应的体素数量作为纵轴上的值，获得各第二体素值对应的直方图。

S706，根据直方图确定归一化参数，并采用归一化参数对原始医学图像进行归一化处理；上述归一化参数包括窗宽窗位调整参数。

在本步骤中，上述在获得各第二体素值对应的直方图之后，该直方图为去除原始医学图像中背景的直方图，可以通过该直方图获得其中占比为50％(均分值)的体素值范围，记为x；然后可以通过该直方图可以获得其中占比前0.5％和后0.5％的位置x_left和x_right；其中，在直方图中占比相对x靠前的位置在x的左侧，记为x_left，占比相对x靠后的位置在x的右侧，记为x_right。之后可以计算x_left和x_right到x的距离，分别记为d1和d2，之后通过d1和d2判断直方图分布状态，若|d1-d2|＞某一预设阈值(如100)，则说明直方图分布较偏，需要从稀疏侧剪掉部分区域。例：若d1>d2，则需要调整x_left直至占比前1％位置，判断是否满足|d1-d2|≤某一预设阈值，若不满足则继续调整。

在调整好直方图之后，就可以通过调整后的直方图计算归一化参数，该归一化参数中可以包括窗宽参数和窗位参数，其中的窗位参数可以采用(x_left+x_right)/2进行计算，窗宽参数可以采用(x_right-x_left)进行计算。

在计算出归一化参数之后，就可以采用计算出的归一化参数对原始医学图像进行归一化处理，获得归一化的原始医学图像。之后可以在该归一化的原始医学图像上进行感兴趣区域的确定以及后续的不同视野的待测图像的确定。

本实施例中，通过将原始医学图像中背景处的体素值设置为第一体素值以及通过非背景处的第二体素值计算直方图，并通过直方图计算窗宽窗位等归一化参数后，对原始医学图像进行归一化处理，这里采用非背景处(即各组织处)的直方图计算归一化参数对原始医学图像进行归一化处理，使得可以避免各组织中出现体素不均匀，影响后续检测结果准确性的问题，即可以提升后续通过原始医学图像进行感兴趣区域检测的结果的准确性。

以下给出一个详细实施例来对本申请的技术方案进行说明，在上述实施例的基础上，该方法可以包括以下步骤：

S1，对原始医学图像中的各个组织进行第一分割处理，确定其中各组织的初始分割结果；上述初始分割结果中包括各组织的中心点位置和各组织对应的空间拓扑结构；

S2，根据原始医学图像、各组织的中心点位置和空间拓扑结构对待测组织的各组织进行第二分割处理，确定掩膜图像；其中，上述掩膜图像中包括各组织的轮廓信息及关键点的位置；上述第二分割处理的精度高于第一分割处理的精度；

S3，将原始医学图像中背景处的体素所对应的体素值均设置为第一体素值，获得变换医学图像；

S4，根据变换医学图像中非背景处的体素所对应的第二体素值，计算第二体素值对应的直方图；

S5，根据直方图确定归一化参数，并采用归一化参数对原始医学图像进行归一化处理，获得归一化原始医学图像；上述归一化参数包括窗宽窗位调整参数；

S6，根据各组织的轮廓信息及关键点的位置，从归一化原始医学图像或掩膜图像的各组织中确定感兴趣区域；

S7，将感兴趣区域输入至预设的多尺度神经网络中进行检测处理，确定感兴趣区域中的候选区域的第一检测结果；其中，上述多尺度神经网络是基于对多个不同尺度的第一样本图像进行训练得到的；上述第一检测结果中包括候选区域的检测框位置和候选区域的第一概率值；

S8，在原始医学图像上，以候选区域的检测框位置的中心为中心点，按照不同的视野参数对原始医学图像进行截取处理，获得至少两个不同视野的待测图像；

S9，将第一待测图像和第二待测图像输入至预设的第二神经网络中进行特征提取处理，获得候选区域的特征图；

S10，根据候选区域的特征图在第二神经网络中对候选区域进行检测处理，确定候选区域的第二检测结果；上述第二检测结果中包括候选区域的第二概率值；

S11，对同一个候选区域的第一概率值和第二概率值进行均值处理，获得候选区域的均值概率；

S12，判断候选区域的均值概率是否满足预设的阈值条件；

S13，若满足，则将候选区域确定为目标区域，以及将候选区域的检测框位置和对应的均值概率确定为目标区域的检测结果。

应该理解的是，虽然如上所述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，如上所述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图像检测方法的图像检测装置。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图像检测装置实施例中的具体限定可以参见上文中对于图像检测方法的限定，在此不再赘述。

在一个实施例中，如图11所示，提供了一种图像检测装置，包括：感兴趣区域确定模块、第一检测模块、多视野图像确定模块和第二检测模块，其中：

感兴趣区域确定模块，用于根据获取的原始医学图像确定其中的感兴趣区域；上述感兴趣区域是基于原始医学图像中各个组织的轮廓信息及关键点的位置确定的；

第一检测模块，用于对感兴趣区域进行检测处理，确定感兴趣区域中的候选区域的第一检测结果；

多视野图像确定模块，用于根据候选区域的第一检测结果在原始医学图像上确定至少两个不同视野的待测图像；各待测图像中均包括候选区域；

第二检测模块，用于根据各待测图像对候选区域进行检测，确定候选区域中的目标区域及其检测结果。

在另一个实施例中，提供了另一种图像检测装置，在上述实施例的基础上，上述第一检测模块，具体用于将感兴趣区域输入至预设的第一神经网络中进行检测处理，确定感兴趣区域中的候选区域的第一检测结果；其中，上述第一神经网络是基于对多个不同尺度的第一样本图像进行训练得到的。

在另一个实施例中，提供了另一种图像检测装置，在上述实施例的基础上，上述第二检测模块，可以包括：

网络检测单元，用于将各待测图像输入至预设的第二神经网络中，对待测图像中的候选区域进行检测处理，确定候选区域的第二检测结果；其中，上述第二神经网络是基于对多个不同视野的第二样本图像进行训练得到的；

目标检测单元，用于根据候选区域的第一检测结果和候选区域的第二检测结果，从候选区域中确定目标区域以及确定目标区域的检测结果。

可选的，各上述待测图像包括第一待测图像和第二待测图像，上述网络检测单元，可以包括：

提取子单元，用于将第一待测图像和第二待测图像输入至预设的第二神经网络中进行特征提取处理，获得候选区域的特征图；

检测子单元，用于根据候选区域的特征图在第二神经网络中对候选区域进行检测处理，确定候选区域的第二检测结果。

在另一个实施例中，提供了另一种图像检测装置，在上述实施例的基础上，上述第一检测结果中包括候选区域的检测框位置和候选区域第一概率值，上述第二检测结果中包括候选区域的第二概率值，上述目标检测单元，可以包括：

均值子单元，用于对同一个候选区域的第一概率值和第二概率值进行均值处理，获得候选区域的均值概率；

阈值检测子单元，用于判断候选区域的均值概率是否满足预设的阈值条件；

目标检测子单元，用于若满足，则将候选区域确定为目标区域，以及将候选区域的检测框位置和对应的均值概率确定为目标区域的检测结果。

在另一个实施例中，提供了另一种图像检测装置，在上述实施例的基础上，上述第一检测结果中包括候选区域的检测框位置，上述多视野图像确定模块，可以包括：

多视野图像确定单元，用于在原始医学图像上，以候选区域的检测框位置的中心为中心点，按照不同的视野参数对原始医学图像进行截取处理，获得至少两个不同视野的待测图像。

在另一个实施例中，提供了另一种图像检测装置，在上述实施例的基础上，上述感兴趣区域确定模块，可以包括：

分割单元，用于根据获取的原始医学图像确定其中各个组织的掩膜图像；上述掩膜图像中包括各组织的轮廓信息及关键点的位置；

掩膜图像确定单元，用于根据各组织的轮廓信息及关键点的位置，从各组织中确定感兴趣区域。

可选的，上述掩膜图像确定单元，可以包括：

第一分割单元，用于对原始医学图像中的各个组织进行第一分割处理，确定其中各组织的初始分割结果；上述初始分割结果中包括各组织的中心点位置和各组织对应的空间拓扑结构；

第二分割单元，用于根据原始医学图像、各组织的中心点位置和空间拓扑结构对待测组织的各组织进行第二分割处理，确定掩膜图像；其中，上述第二分割处理的精度高于第一分割处理的精度。

在另一个实施例中，提供了另一种图像检测装置，在上述实施例的基础上，上述装置还可以包括：

变换模块，用于将原始医学图像中背景处的体素所对应的体素值均设置为第一体素值，获得变换医学图像；

直方图确定模块，用于根据变换医学图像中非背景处的体素所对应的第二体素值，计算第二体素值对应的直方图；

归一化模块，用于根据直方图确定归一化参数，并采用归一化参数对原始医学图像进行归一化处理；上述归一化参数包括窗宽窗位调整参数。

上述图像检测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以下步骤：

根据获取的原始医学图像确定其中的感兴趣区域；上述感兴趣区域是基于原始医学图像中各个组织的轮廓信息及关键点的位置确定的；对感兴趣区域进行检测处理，确定感兴趣区域中的候选区域的第一检测结果；根据候选区域的第一检测结果在原始医学图像上确定至少两个不同视野的待测图像；各待测图像中均包括候选区域；根据各待测图像对候选区域进行检测，确定候选区域中的目标区域及其检测结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将感兴趣区域输入至预设的第一神经网络中进行检测处理，确定感兴趣区域中的候选区域的第一检测结果；其中，上述第一神经网络是基于对多个不同尺度的第一样本图像进行训练得到的。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将各待测图像输入至预设的第二神经网络中，对待测图像中的候选区域进行检测处理，确定候选区域的第二检测结果；其中，上述第二神经网络是基于对多个不同视野的第二样本图像进行训练得到的；根据候选区域的第一检测结果和候选区域的第二检测结果，从候选区域中确定目标区域以及确定目标区域的检测结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

对同一个候选区域的第一概率值和第二概率值进行均值处理，获得候选区域的均值概率；判断候选区域的均值概率是否满足预设的阈值条件；若满足，则将候选区域确定为目标区域，以及将候选区域的检测框位置和对应的均值概率确定为目标区域的检测结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将第一待测图像和第二待测图像输入至预设的第二神经网络中进行特征提取处理，获得候选区域的特征图；根据候选区域的特征图在第二神经网络中对候选区域进行检测处理，确定候选区域的第二检测结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

在原始医学图像上，以候选区域的检测框位置的中心为中心点，按照不同的视野参数对原始医学图像进行截取处理，获得至少两个不同视野的待测图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据获取的原始医学图像确定其中各个组织的掩膜图像；上述掩膜图像中包括各组织的轮廓信息及关键点的位置；根据各组织的轮廓信息及关键点的位置，从各组织中确定感兴趣区域。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

对原始医学图像中的各个组织进行第一分割处理，确定其中各组织的初始分割结果；上述初始分割结果中包括各组织的中心点位置和各组织对应的空间拓扑结构；根据原始医学图像、各组织的中心点位置和空间拓扑结构对待测组织的各组织进行第二分割处理，确定掩膜图像；其中，上述第二分割处理的精度高于第一分割处理的精度。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将原始医学图像中背景处的体素所对应的体素值均设置为第一体素值，获得变换医学图像；根据变换医学图像中非背景处的体素所对应的第二体素值，计算第二体素值对应的直方图；根据直方图确定归一化参数，并采用归一化参数对原始医学图像进行归一化处理；上述归一化参数包括窗宽窗位调整参数。

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以下步骤：

根据获取的原始医学图像确定其中的感兴趣区域；上述感兴趣区域是基于原始医学图像中各个组织的轮廓信息及关键点的位置确定的；对感兴趣区域进行检测处理，确定感兴趣区域中的候选区域的第一检测结果；根据候选区域的第一检测结果在原始医学图像上确定至少两个不同视野的待测图像；各待测图像中均包括候选区域；根据各待测图像对候选区域进行检测，确定候选区域中的目标区域及其检测结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将感兴趣区域输入至预设的第一神经网络中进行检测处理，确定感兴趣区域中的候选区域的第一检测结果；其中，上述第一神经网络是基于对多个不同尺度的第一样本图像进行训练得到的。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将各待测图像输入至预设的第二神经网络中，对待测图像中的候选区域进行检测处理，确定候选区域的第二检测结果；其中，上述第二神经网络是基于对多个不同视野的第二样本图像进行训练得到的；根据候选区域的第一检测结果和候选区域的第二检测结果，从候选区域中确定目标区域以及确定目标区域的检测结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

对同一个候选区域的第一概率值和第二概率值进行均值处理，获得候选区域的均值概率；判断候选区域的均值概率是否满足预设的阈值条件；若满足，则将候选区域确定为目标区域，以及将候选区域的检测框位置和对应的均值概率确定为目标区域的检测结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将第一待测图像和第二待测图像输入至预设的第二神经网络中进行特征提取处理，获得候选区域的特征图；根据候选区域的特征图在第二神经网络中对候选区域进行检测处理，确定候选区域的第二检测结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

在原始医学图像上，以候选区域的检测框位置的中心为中心点，按照不同的视野参数对原始医学图像进行截取处理，获得至少两个不同视野的待测图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据获取的原始医学图像确定其中各个组织的掩膜图像；上述掩膜图像中包括各组织的轮廓信息及关键点的位置；根据各组织的轮廓信息及关键点的位置，从各组织中确定感兴趣区域。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

对原始医学图像中的各个组织进行第一分割处理，确定其中各组织的初始分割结果；上述初始分割结果中包括各组织的中心点位置和各组织对应的空间拓扑结构；根据原始医学图像、各组织的中心点位置和空间拓扑结构对待测组织的各组织进行第二分割处理，确定掩膜图像；其中，上述第二分割处理的精度高于第一分割处理的精度。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将原始医学图像中背景处的体素所对应的体素值均设置为第一体素值，获得变换医学图像；根据变换医学图像中非背景处的体素所对应的第二体素值，计算第二体素值对应的直方图；根据直方图确定归一化参数，并采用归一化参数对原始医学图像进行归一化处理；上述归一化参数包括窗宽窗位调整参数。

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以下步骤：

根据获取的原始医学图像确定其中的感兴趣区域；上述感兴趣区域是基于原始医学图像中各个组织的轮廓信息及关键点的位置确定的；对感兴趣区域进行检测处理，确定感兴趣区域中的候选区域的第一检测结果；根据候选区域的第一检测结果在原始医学图像上确定至少两个不同视野的待测图像；各待测图像中均包括候选区域；根据各待测图像对候选区域进行检测，确定候选区域中的目标区域及其检测结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将感兴趣区域输入至预设的第一神经网络中进行检测处理，确定感兴趣区域中的候选区域的第一检测结果；其中，上述第一神经网络是基于对多个不同尺度的第一样本图像进行训练得到的。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将各待测图像输入至预设的第二神经网络中，对待测图像中的候选区域进行检测处理，确定候选区域的第二检测结果；其中，上述第二神经网络是基于对多个不同视野的第二样本图像进行训练得到的；根据候选区域的第一检测结果和候选区域的第二检测结果，从候选区域中确定目标区域以及确定目标区域的检测结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

对同一个候选区域的第一概率值和第二概率值进行均值处理，获得候选区域的均值概率；判断候选区域的均值概率是否满足预设的阈值条件；若满足，则将候选区域确定为目标区域，以及将候选区域的检测框位置和对应的均值概率确定为目标区域的检测结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将第一待测图像和第二待测图像输入至预设的第二神经网络中进行特征提取处理，获得候选区域的特征图；根据候选区域的特征图在第二神经网络中对候选区域进行检测处理，确定候选区域的第二检测结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

在原始医学图像上，以候选区域的检测框位置的中心为中心点，按照不同的视野参数对原始医学图像进行截取处理，获得至少两个不同视野的待测图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据获取的原始医学图像确定其中各个组织的掩膜图像；上述掩膜图像中包括各组织的轮廓信息及关键点的位置；根据各组织的轮廓信息及关键点的位置，从各组织中确定感兴趣区域。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

对原始医学图像中的各个组织进行第一分割处理，确定其中各组织的初始分割结果；上述初始分割结果中包括各组织的中心点位置和各组织对应的空间拓扑结构；根据原始医学图像、各组织的中心点位置和空间拓扑结构对待测组织的各组织进行第二分割处理，确定掩膜图像；其中，上述第二分割处理的精度高于第一分割处理的精度。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将原始医学图像中背景处的体素所对应的体素值均设置为第一体素值，获得变换医学图像；根据变换医学图像中非背景处的体素所对应的第二体素值，计算第二体素值对应的直方图；根据直方图确定归一化参数，并采用归一化参数对原始医学图像进行归一化处理；上述归一化参数包括窗宽窗位调整参数。

需要说明的是，本申请所涉及的数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经过各方充分授权的数据。

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，所述的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-OnlyMemory，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(Ferroelectric Random 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(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess 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。

以上所述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。