目标组织的检测方法、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，特别是涉及一种目标组织的检测方法、装5置、设备、存储介质和程序产品。

背景技术

主动脉夹层指主动脉腔内的血液从主动脉内膜撕裂处进入主动脉中膜，使

中膜分离，沿主动脉长轴方向扩展形成主动脉壁的真假两腔分离状态，即将主0动脉分离成真腔和假腔，其中血液可以在主动脉的真假腔之间流动。如果主动脉夹层的撕裂扩展到周围的血管，那么将会对周围的血管产生影响，进而影响后续的图像分析工作，因此检测主动脉夹层是否会影响周围的血管十分有必要。

相关技术中，一般是在获得患者拍摄的医学图像之后，医生通过经验对医学图像的主动脉夹层及其周围的血管进行分析，以获得主动脉夹层是否影响到5周围的血管的检测结果。

然而，在某些场景下，上述技术难以保证获得的检测结果的准确性。

发明内容

基于此，有必要针对上述技术问题，提供一种能够保证获得的检测结果的0准确性的目标组织的检测方法、装置、设备、存储介质和程序产品。

第一方面，本申请提供了一种目标组织的检测方法，该方法包括：

根据获取的待测图像确定其中的各候选组织的初始检测结果；

根据各候选组织的初始检测结果，构建各候选组织之间的初始空间拓扑结构；

5对各候选组织之间的初始空间拓扑结构进行优化处理，确定各候选组织的目标检测结果；上述候选组织的目标检测结果中包括候选组织是否为目标组织。

在其中一个实施例中，上述对各候选组织之间的初始空间拓扑结构进行优化处理，确定各候选组织的目标检测结果，包括：

根据各候选组织之间的初始空间拓扑结构以及预设的图卷积网络，对各候选组织之间的初始空间拓扑结构进行优化处理，确定各候选组织之间的目标空间拓扑结构；

根据各候选组织之间的目标空间拓扑结构，确定各候选组织的目标检测结果；

其中，上述图卷积网络为根据多个样本图像进行训练得到的，每个样本图像中均包括多个样本组织以及各样本组织之间的标准空间拓扑结构。

在其中一个实施例中，上述根据各候选组织之间的初始空间拓扑结构以及预设的图卷积网络，确定各候选组织之间的目标空间拓扑结构，包括：

根据各候选组织的初始检测结果，确定每个候选组织对应的特征矩阵；各特征矩阵中包括各候选组织的组织类型信息以及是否为目标组织的信息；

根据各候选组织之间的初始空间拓扑结构，构建连接矩阵；上述连接矩阵用于表征各候选组织之间的初始连接关系和/或初始数据流向；

将各特征矩阵和连接矩阵输入至预设的图卷积网络中进行优化处理，确定各候选组织之间的目标空间拓扑结构。

在其中一个实施例中，上述根据各候选组织之间的目标空间拓扑结构，确定各候选组织的目标检测结果，包括：

根据各候选组织之间的目标空间拓扑结构，确定其中各候选组织对应的组织类型信息以及是否为目标组织的信息；

将各候选组织对应的组织类型信息以及是否为目标组织的信息，确定为各候选组织的目标检测结果。

在其中一个实施例中，上述根据获取的待测图像确定其中的各候选组织的初始检测结果，包括：

采用预设的多标签检测网络对待测图像中进行检测处理，获得各候选组织的检测位置以及各候选组织的初始第一标签；上述初始第一标签用于表征候选组织的组织类型；

采用预设的分类网络对各候选组织的检测位置进行分类处理，获得各候选组织的初始第二标签；上述初始第二标签用于表征候选组织是否为目标组织；

将各候选组织的初始第一标签以及初始第二标签确定为相应的候选组织的初始检测结果。

在其中一个实施例中，上述根据各候选组织的初始检测结果，构建各候选组织之间的初始空间拓扑结构，包括：

根据各候选组织的初始第一标签和初始第二标签，构建各候选组织中非目标组织之间的第一空间拓扑结构以及目标组织之间的第二空间拓扑结构；

根据第一空间拓扑结构和第二空间拓扑结构，确定初始空间拓扑结构。

第二方面，本申请还提供了一种目标组织的检测装置，该装置包括：

初始检测模块，用于根据获取的待测图像确定其中的各候选组织的初始检测结果；

构建模块，用于根据各候选组织的初始检测结果，构建各候选组织之间的初始空间拓扑结构；

目标检测模块，用于对各候选组织之间的初始空间拓扑结构进行优化处理，确定各候选组织的目标检测结果；上述候选组织的目标检测结果中包括候选组织是否为目标组织。

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以下步骤：

根据获取的待测图像确定其中的各候选组织的初始检测结果；

根据各候选组织的初始检测结果，构建各候选组织之间的初始空间拓扑结构；

对各候选组织之间的初始空间拓扑结构进行优化处理，确定各候选组织的目标检测结果；上述候选组织的目标检测结果中包括候选组织是否为目标组织。

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以下步骤：

根据获取的待测图像确定其中的各候选组织的初始检测结果；

根据各候选组织的初始检测结果，构建各候选组织之间的初始空间拓扑结构；

对各候选组织之间的初始空间拓扑结构进行优化处理，确定各候选组织的目标检测结果；上述候选组织的目标检测结果中包括候选组织是否为目标组织。

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以下步骤：

根据获取的待测图像确定其中的各候选组织的初始检测结果；

根据各候选组织的初始检测结果，构建各候选组织之间的初始空间拓扑结构；

对各候选组织之间的初始空间拓扑结构进行优化处理，确定各候选组织的目标检测结果；上述候选组织的目标检测结果中包括候选组织是否为目标组织。

上述目标组织的检测方法、装置、设备、存储介质和程序产品，通过根据获取的待测图像确定其中的各候选组织的初始检测结果，并根据各候选组织的初始检测结果，构建各候选组织之间的初始空间拓扑结构，以及对各候选组织之间的初始空间拓扑结构进行优化处理，确定各候选组织的目标检测结果，其中候选组织的目标检测结果中包括候选组织是否为目标组织。该方法中，由于可以通过各候选组织的初始检测结果构建各候选组织之间的初始空间拓扑结构，并对该初始空间拓扑结构进行优化以获得候选组织是否为目标组织的目标检测结果，这样通过各候选组织之间的空间拓扑结构来获得候选组织的检测结果，其考虑了各候选组织之间的空间结构信息并对初始空间拓扑结构加以优化，因此获得的候选组织的目标检测结果的准确性较高。

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为一个实施例中目标组织的检测方法的流程示意图；

图3为另一个实施例中目标组织的检测方法的流程示意图；

图4为另一个实施例中图卷积网络的架构示例图；

图5为另一个实施例中图卷积网络优化初始检测结果的示例图；

图6为另一个实施例中目标组织的检测方法的流程示意图；

图7为另一个实施例中构建空间拓扑结构的示例图；

图8为另一个实施例中目标组织的检测方法的流程示意图；

图9为另一个实施例中目标组织的检测方法的流程示意图；

图10为另一个实施例中多标签检测网络的架构示例图；

图11为另一个实施例中主动脉的示例图；

图12为另一个实施例中分类网络的架构示例图；

图13为另一个实施例中目标组织的检测方法的流程示意图；

图14为一个实施例中目标组织的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目标组织的检测方法，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目标组织的检测方法。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，提供了一种目标组织的检测方法，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，根据获取的待测图像确定其中的各候选组织的初始检测结果。

其中，待测图像可以是三维图像或二维图像等。待测图像中一般包括多个候选组织，各候选组织可以是血管、骨骼等；各候选组织可以是同一类型的组织，例如全部为血管，也可以是不同类型的组织，例如包括血管和骨骼。

在本步骤中，具体可以是先获取待测图像，然后采用检测方法对待测图像中的各候选组织进行检测处理，获得各候选组织的初始检测结果；每个候选组织的初始检测结果中可以包括该候选组织是否是目标组织的初始检测结果，当然还可以包括其他内容，例如各候选组织的位置信息等。另外，这里对于待测图像的获取方式不作具体限定。

以候选组织为血管为例，目标组织可以是受累血管，受累血管指的是受影响的血管，一般针对当前的血管可能会影响到的血管就可以记为受累血管。那么上述初始检测结果中包括的候选组织是否为目标组织就可以是：血管是否为受累血管。

S204，根据各候选组织的初始检测结果，构建各候选组织之间的初始空间拓扑结构。

在本步骤中，上述在获得各候选组织的初始检测结果之后，可以按照预先设定的各候选组织之间的空间连接关系，将上述各候选组织按照该空间连接关系的顺序进行排列以及连接等，获得各候选组织之间的初始空间拓扑结构。

S206，对各候选组织之间的初始空间拓扑结构进行优化处理，确定各候选组织的目标检测结果；上述候选组织的目标检测结果中包括候选组织是否为目标组织。

在本步骤中，在获得各候选组织的初始空间拓扑结构之后，由于各候选组织的初始检测结果可能存在错误，从而导致构建的初始空间拓扑结构也会出现错误，这样就可以对该初始空间拓扑结构进行优化处理，例如对该初始空间拓扑结构进行调整等，以获得较为准确的空间拓扑结构，进而获得各个候选组织准确的目标检测结果；通常各候选组织的目标检测结果中包括该候选组织是否为目标组织，且目标检测结果的精度相对初始检测结果的精度要高。

上述目标组织的检测方法中，通过根据获取的待测图像确定其中的各候选组织的初始检测结果，并根据各候选组织的初始检测结果，构建各候选组织之间的初始空间拓扑结构，以及对各候选组织之间的初始空间拓扑结构进行优化处理，确定各候选组织的目标检测结果，其中候选组织的目标检测结果中包括候选组织是否为目标组织。该方法中，由于可以通过各候选组织的初始检测结果构建各候选组织之间的初始空间拓扑结构，并对该初始空间拓扑结构进行优化以获得候选组织是否为目标组织的目标检测结果，这样通过各候选组织之间的空间拓扑结构来获得候选组织的检测结果，其考虑了各候选组织之间的空间结构信息并对初始空间拓扑结构加以优化，因此获得的候选组织的目标检测结果的准确性较高。

上述实施例中说明了可以对构建的初始空间拓扑结构进行优化处理，以下实施例就对该过程进行详细说明。

在另一个实施例中，提供了另一种目标组织的检测方法，在上述实施例的基础上，如图3所示，上述S206可以包括以下步骤：

S302，根据各候选组织之间的初始空间拓扑结构以及预设的图卷积网络，对各候选组织之间的初始空间拓扑结构进行优化处理，确定各候选组织之间的目标空间拓扑结构。

在本步骤中，可以采用预设的图卷积网络对各候选组织之间的初始空间拓扑结构进行优化处理。图卷积网络为神经网络模型，可以记为GCN，其结构示意图可以参见图4所示，其中GCN网络的输入层(即input layer)通道(即channel)为C(即节点X

那么在上述使用图卷积网络进行优化处理时，一般可以预先对图卷积网络进行训练，其中，上述图卷积网络为根据多个样本图像进行训练得到的，每个样本图像中均包括多个样本组织以及各样本组织之间的标准空间拓扑结构。参见图5所示，这里的标准空间拓扑结构可以作为网络训练的金标准，该金标准可以通过预先根据各节点之间准确的连接关系以及数据流向进行空间拓扑结构的构建获得；这样在一个节点的预测错误得到的空间拓扑结构和金标准就会有较大的差异，这样就可以充分利用空间拓扑结构特性和节点的特征信息优化初始检测结果，获得精确度更高的目标空间拓扑结构。也就是说，可以预先获取多个样本图像，并为每个样本图像中各样本组织之间的空间拓扑结构进行标注，获得各样本图像对应的标准空间拓扑结构；之后可以将各样本图像输入至初始图卷积网络中进行空间拓扑结构的预测，获得各样本图像对应的预测空间拓扑结构，并通过计算每个样本图像的预测空间拓扑结构和对应的标准空间拓扑结构之间的损失，以通过损失对初始图卷积网络进行训练，获得训练好的图卷积网络。

当然，上述图卷积网络还可以在训练过程中，增加对构成空间拓扑关系的各个节点的类型等信息进行预测的内容，以使后续在使用图卷积网络时可以获得相应的预测结果。

在图卷积网络训练好之后，可以将上述获得的各候选组织之间的初始空间拓扑结构直接输入至训练好的图卷积网络中进行优化处理，或者也可以是将初始空间拓扑结构进行数据处理后将获得的结果输入至训练好的图卷积网络中进行优化处理，最终通过训练好的图卷积网络获得各候选组织之间的目标空间拓扑结构；通常目标空间拓扑结构的精度高于初始空间拓扑结构的精度。

S304，根据各候选组织之间的目标空间拓扑结构，确定各候选组织的目标检测结果。

在本步骤中，上述在通过图卷积网络获得各候选组织之间的目标空间拓扑结构之后，也可以通过图卷积网络获得各个节点的信息，各个节点相当于这里的各候选组织，即可获得各候选组织的信息，记为各个候选组织的目标检测结果，其中可以包括各候选组织的类型、各候选组织是否为目标组织等信息。

本实施例中，通过采用训练好的图卷积网络对各候选组织之间的初始空间拓扑结构进行优化处理，获得目标空间拓扑结构并确定各候选组织的目标检测结果，这样通过图卷积网络对初始空间拓扑结构进行优化，可以提升对初始空间拓扑结构优化的效率和准确性，进而提升获得的目标空间拓扑结构的效率和准确性以及获得的各候选组织目标检测结果的效率和准确性。

上述实施例中说明了可以通过图卷积网络对初始空间拓扑结构进行优化处理，以下实施例就对该过程的一种可能的实施方式进行详细说明。

在另一个实施例中，提供了另一种目标组织的检测方法，在上述实施例的基础上，如图6所示，上述S302可以包括以下步骤：

S402，根据各候选组织的初始检测结果，确定每个候选组织对应的特征矩阵；各特征矩阵中包括各候选组织的组织类型信息以及是否为目标组织的信息。

在本步骤中，参见图7所示，其中a)图为节点预测结果示意图，即各候选组织的初始检测结果，其可以包括各个候选组织的组织类型信息以及各个候选组织是否为目标组织的信息，同时还可以包括各个候选组织的特征信息。这里可以将各个候选组织的组织类型信息、是否为目标组织的信息以及特征信息、各个候选组织的语义信息(这里的语义信息可以通过在采用分类网络获得各候选组织是否为目标组织时，该分类网络中倒数第二层的网络层对输入数据进行特征提取后获得)等组成各候选组织的特征矩阵。

示例地，图7的a)图中浅色的节点为候选组织为非目标组织，深色的节点为候选组织为目标组织。

S404，根据各候选组织之间的初始空间拓扑结构，构建连接矩阵；上述连接矩阵用于表征各候选组织之间的初始连接关系和/或初始数据流向。

在本步骤中，参见图7的b)图和c)图所示，可以构建各候选组织之间的初始空间拓扑结构，获得各初始空间拓扑结构中各候选组织的初始连接关系、初始数据流向等内容，并通过各候选组织的初始连接关系、初始数据流向等内容获得各候选组织对应的连接矩阵。

S406，将各特征矩阵和连接矩阵输入至预设的图卷积网络中进行优化处理，确定各候选组织之间的目标空间拓扑结构。

在本步骤中，在获得各候选组织对应的特征矩阵以及连接矩阵之后，就可以将各特征矩阵和连接矩阵组合起来或分别输入至上述训练好的图卷积网络中进行优化处理，获得各候选组织之间的目标空间拓扑结构。

本实施例中，通过各候选组织的初始检测结果构建特征矩阵以及通过初始空间拓扑结构构建连接矩阵，并将各特征矩阵和连接矩阵输入至图卷积网络中获得目标空间拓扑结构，这样通过矩阵进行优化可以进一步提升获得目标空间拓扑结构的效率和准确性。

上述实施例中说明了可以通过目标空间拓扑结构确定各候选组织的目标检测结果，以下实施例就对该过程的一种可能的实施方式进行详细说明。

在另一个实施例中，提供了另一种目标组织的检测方法，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，根据各候选组织之间的目标空间拓扑结构，确定其中各候选组织对应的组织类型信息以及是否为目标组织的信息。

在本步骤中，在获得各候选组织之间的目标空间拓扑结构之后，该目标空间拓扑结构中包括多个候选组织的连接关系和数据流向。同时每个候选组织中包括每个候选节点的信息，而每个候选节点的信息具体包括各候选组织对应的组织类型信息以及相应的候选组织是否为目标组织的信息；示例地，候选组织为主动脉的相关血管，血管的组织类型信息例如可以是左冠脉血管、右冠脉血管等等，候选组织是否为目标组织的信息例如可以是左冠脉血管是否为受累血管、右冠脉血管是否为受累血管等。

S504，将各候选组织对应的组织类型信息以及是否为目标组织的信息，确定为各候选组织的目标检测结果。

在本步骤中，上述在获得每个候选组织的组织类型信息以及相应的是否为目标组织的信息之后，就可以将各候选组织各自的组织类型信息以及是否为目标组织的信息作为自身的目标检测结果。

本实施例中，通过根据各候选组织之间的目标空间拓扑结构确定各自的组织类型信息以及是否为目标组织的信息，并据此获得各候选组织的目标检测结果，这样通过最终的目标空间拓扑结构可以较为准确快速地获得各候选组织的目标检测结果。

上述实施例中说明了可以根据获取的待测图像确定其中的各候选组织的初始检测结果，以下实施例就对该过程的一种可能的实施方式进行详细说明。

在另一个实施例中，提供了另一种目标组织的检测方法，在上述实施例的基础上，如图9所示，上述S202可以包括以下步骤：

S602，采用预设的多标签检测网络对待测图像中进行检测处理，获得各候选组织的检测位置以及各候选组织的初始第一标签；上述初始第一标签用于表征候选组织的组织类型。

其中，候选组织的检测位置可以是候选组织的起源口的位置，这样可以准确快速地检测到各个候选组织；多标签指的是可以同时检测出多个候选组织及其标签，且各个候选组织的标签可以不相同。另外，多标签检测网络可以是神经网络模型，例如可以是以V-net网络为基础架构的多标签检测网络，其中V-net网络的网络结构可以参见图10所示，通过该V-net网络可以对待测图像中的各候选组织进行检测。

该多标签检测网络一般在使用之前可以预先进行训练，训练过程可以是先获取样本图像，样本图像中包括各样本组织的金标准位置及其金标准第一标签，该金标准第一标签用于表征样本组织的织类型，这里的金标准位置可以是样本组织的起源口的位置等；之后可以将样本图像输入至初始多标签检测网络中进行检测处理，获得各样本组织的预测位置以及预测第一标签，其中预测位置可以是以样本组织的预测框的形式表示；之后，可以计算预测位置与对应的金标准位置之间的检测损失以及预测第一标签以及对应的金标准第一标签之间的分类损失，总损失可以记为：loss＝loss

在获得训练好的多标签检测网络之后，就可以将待测图像输入至训练好的多标签检测网络进行检测处理，获得各候选组织的检测位置以及初始第一标签。这里的初始第一标签例如可以是采用不同的数字或字母等表示各候选组织的组织类型。

示例地，以主动脉为例，参见图11所示，主动脉是人体内最粗大的动脉血管，从心脏的左心室发出，向上向右再向下略呈弓状，再沿脊柱向下行，在胸腔和腹腔内分出很多较小的动脉。主动脉可以包括左右冠状动脉血管、主动脉弓上三分支血管、腹腔干动脉血管、左右肾动脉血管、肠系膜上动脉血管、肠系膜下动脉血管、左右髂动脉血管等12个血管。将主动脉的图像输入至训练好的多标签检测网络进行检测处理，可以获得左右冠状动脉血管、主动脉弓上三分支血管、腹腔干动脉血管、左右肾动脉血管、肠系膜上动脉血管、肠系膜下动脉血管、左右髂动脉血管等12个血管各自的起源口的位置以及对应的血管标签，血管标签指的就是每个血管具体指的是什么血管，例如是左冠脉血管。

S604，采用预设的分类网络对各候选组织的检测位置进行分类处理，获得各候选组织的初始第二标签；上述初始第二标签用于表征候选组织是否为目标组织。

在本步骤中，可以采用分类网络进行分类处理，这里分类网络的网络结构可以参见图12所示，该分类网络可以是二分类网络，其训练过程可以是先获取样本图像及其金标准第二标签，该金标准第二标签用于表征样本图像中的样本组织是否为目标组织；之后可以将样本图像输入至初始分类网络，获得样本组织的预测第二标签，并计算预测第二标签与对应的金标准第二标签之间的分类损失，之后通过分类损失对初始分类网络进行训练，直至总损失不变或达到设定阈值，获得训练好的分类网络。

在分类网络训练好之后以及在上述获得各候选组织的检测位置之后，可以将各候选组织的检测位置输入至该分类网络中进行分类处理，获得每个候选组织是否为目标组织的初始第二标签。

示例地，继续以上述的主动脉的12个血管为例，这里可以通过分类网络检测出这12个血管各自是否为受累血管，是否为受累血管可以通过初始第二标签表示，例如标签1为是受累血管，0为不是受累血管。

S606，将各候选组织的初始第一标签以及初始第二标签确定为相应的候选组织的初始检测结果。

在本步骤中，可以将上述每个候选组织的初始第一标签和初始第二标签组合起来作为各自的初始检测结果。

本实施例中，通过采用预设的多标签检测网络对待测图像检测获得各候选组织的检测位置以及表征各自组织类型的初始第一标签，并通过分类网络对检测位置分类获得各候选组织是否为目标组织的初始第二标签，最终组合获得各候选组织的初始检测结果，这样通过多标签检测网络以及分类网络进行数据处理，同时采用标签表示组织类型以及是否为目标组织，简单直观，可以进一步提升获得的初始检测结果的效率和准确性。

上述实施例中说明了可以构建各候选组织之间的初始空间拓扑结构，以下实施例就对该过程的一种可能的实施方式进行详细说明。

在另一个实施例中，提供了另一种目标组织的检测方法，在上述实施例的基础上，如图13所示，上述S204可以包括以下步骤：

S702，根据各候选组织的初始第一标签和初始第二标签，构建各候选组织中非目标组织之间的第一空间拓扑结构以及目标组织之间的第二空间拓扑结构。

在本步骤中，在获得各候选组织的初始第一标签和初始第二标签之后，初始第一标签可以表征各候选组织的组织类型，初始第二标签表示各候选组织是否为目标组织，可以先通过初始第二标签将各候选组织分为目标组织和非目标组织；之后，可以先按照非目标组织中各候选组织的初始第一标签构建第一空间拓扑结构，以及按照目标组织中各候选组织的初始第一标签构建第二空间拓扑结构。具体这里预先会设置有不同的候选组织之间的数据流向以及连接关系，并按照此数据流向，将非目标组织中的各候选组织连接起来，即可构建第一空间拓扑结构，以及按照此数据流向，非目标组织中的各候选组织连接起来，即可构建第二空间拓扑结构。

示例地，以候选组织是血管、目标组织是受累血管为例，可以继续参见图7中的b)图所示，可以按照非受累血管(也可以称为正常血管)中各血管的血流方向将非受累血管之间连接起来，获得第一空间拓扑结构；同时可以按照受累血管中各血管的血流方向将受累血管之间连接起来，获得第二空间拓扑结构。

S704，根据第一空间拓扑结构和第二空间拓扑结构，确定初始空间拓扑结构。

在本步骤中，上述在获得第一空间拓扑结构和第二空间拓扑结构之后，可以按照非目标组织和目标组织之间的数据流向，将第一空间拓扑结构和第二空间拓扑结构之间连接起来构成一个空间拓扑结构，即获得初始空间拓扑结构。

示例地，继续参见图7中的c)图所示，可以在受累血管的连接图上，参考各血管之间的血流方向，通常血流是从正常官腔流入到假腔，如果下面假腔有破裂口的话，在从假腔流入到真腔中。那么这里就可以对对应的端点按照血流的方向进行连接，上面的端点为非受累血管流入受累血管，下面的端点为受累血管流入非受累血管，连接之后即可获得初始空间拓扑结构。

本实施例中，通过各候选组织的组织类型标签以及是否是目标组织的标签可以分别构建空间拓扑结构，并将各自构建的空间拓扑结构连接起来即可获得初始空间拓扑结构，这样通过构建非目标组织以及目标组织各自的空间拓补结构再获得总的空间拓扑结构，可以降低获得空间拓扑结构的复杂度，提升获得的初始空间拓扑结构的准确性。

以下给出一个详细实施例以对方案的整体内容进行说明，在上述实施例的基础上，该方法可以包括以下步骤：

S1，采用预设的多标签检测网络对待测图像中进行检测处理，获得各候选组织的检测位置以及各候选组织的初始第一标签；上述初始第一标签用于表征候选组织的组织类型；

S2，采用预设的分类网络对各候选组织的检测位置进行分类处理，获得各候选组织的初始第二标签；上述初始第二标签用于表征候选组织是否为目标组织；

S3，将各候选组织的初始第一标签以及初始第二标签确定为相应的候选组织的初始检测结果；

S4，根据各候选组织的初始第一标签和初始第二标签，构建各候选组织中非目标组织之间的第一空间拓扑结构以及目标组织之间的第二空间拓扑结构；

S5，根据第一空间拓扑结构和第二空间拓扑结构，确定初始空间拓扑结构；

S6，根据各候选组织的初始检测结果，确定每个候选组织对应的特征矩阵；各特征矩阵中包括各候选组织的组织类型信息以及是否为目标组织的信息；

S7，根据各候选组织之间的初始空间拓扑结构，构建连接矩阵；上述连接矩阵用于表征各候选组织之间的初始连接关系和/或初始数据流向；

S8，将各特征矩阵和连接矩阵输入至预设的图卷积网络GCN中进行优化处理，确定各候选组织之间的目标空间拓扑结构；

S9，根据各候选组织之间的目标空间拓扑结构，确定其中各候选组织对应的组织类型信息以及是否为目标组织的信息；

S10，将各候选组织对应的组织类型信息以及是否为目标组织的信息，确定为各候选组织的目标检测结果。

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目标组织的检测方法的目标组织的检测装置。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目标组织的检测装置实施例中的具体限定可以参见上文中对于目标组织的检测方法的限定，在此不再赘述。

在一个实施例中，如图14所示，提供了一种目标组织的检测装置，包括：初始检测模块11、构建模块12和目标检测模块13，其中：

初始检测模块11，用于根据获取的待测图像确定其中的各候选组织的初始检测结果；

构建模块12，用于根据各候选组织的初始检测结果，构建各候选组织之间的初始空间拓扑结构；

目标检测模块13，用于对各候选组织之间的初始空间拓扑结构进行优化处理，确定各候选组织的目标检测结果；上述候选组织的目标检测结果中包括候选组织是否为目标组织。

在另一个实施例中，提供了另一种目标组织的检测装置，在上述实施例的基础上，上述目标检测模块13可以包括：

优化单元，用于根据各候选组织之间的初始空间拓扑结构以及预设的图卷积网络，对各候选组织之间的初始空间拓扑结构进行优化处理，确定各候选组织之间的目标空间拓扑结构；

目标检测单元，用于根据各候选组织之间的目标空间拓扑结构，确定各候选组织的目标检测结果；其中，上述图卷积网络为根据多个样本图像进行训练得到的，每个样本图像中均包括多个样本组织以及各样本组织之间的标准空间拓扑结构。

在另一个实施例中，提供了另一种目标组织的检测装置，在上述实施例的基础上，上述优化单元，可以包括：

特征矩阵确定子单元，用于根据各候选组织的初始检测结果，确定每个候选组织对应的特征矩阵；各特征矩阵中包括各候选组织的组织类型信息以及是否为目标组织的信息；

连接矩阵确定子单元，用于根据各候选组织之间的初始空间拓扑结构，构建连接矩阵；上述连接矩阵用于表征各候选组织之间的初始连接关系和/或初始数据流向；

优化子单元，用于将各特征矩阵和连接矩阵输入至预设的图卷积网络中进行优化处理，确定各候选组织之间的目标空间拓扑结构。

在另一个实施例中，提供了另一种目标组织的检测装置，在上述实施例的基础上，上述目标检测单元，可以包括：

信息确定子单元，用于根据各候选组织之间的目标空间拓扑结构，确定其中各候选组织对应的组织类型信息以及是否为目标组织的信息；

目标检测子单元，用于将各候选组织对应的组织类型信息以及是否为目标组织的信息，确定为各候选组织的目标检测结果。

在另一个实施例中，提供了另一种目标组织的检测装置，在上述实施例的基础上，上述初始检测模块11，可以包括：

初始检测单元，用于采用预设的多标签检测网络对待测图像中进行检测处理，获得各候选组织的检测位置以及各候选组织的初始第一标签；上述初始第一标签用于表征候选组织的组织类型；

分类单元，用于采用预设的分类网络对各候选组织的检测位置进行分类处理，获得各候选组织的初始第二标签；上述初始第二标签用于表征候选组织是否为目标组织；

标签确定单元，用于将各候选组织的初始第一标签以及初始第二标签确定为相应的候选组织的初始检测结果。

在另一个实施例中，提供了另一种目标组织的检测装置，在上述实施例的基础上，上述构建模块12，可以包括：

构建单元，用于根据各候选组织的初始第一标签和初始第二标签，构建各候选组织中非目标组织之间的第一空间拓扑结构以及目标组织之间的第二空间拓扑结构；

确定单元，用于根据第一空间拓扑结构和第二空间拓扑结构，确定初始空间拓扑结构。

上述目标组织的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：

根据获取的待测图像确定其中的各候选组织的初始检测结果；根据各候选组织的初始检测结果，构建各候选组织之间的初始空间拓扑结构；对各候选组织之间的初始空间拓扑结构进行优化处理，确定各候选组织的目标检测结果；上述候选组织的目标检测结果中包括候选组织是否为目标组织。

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：

根据各候选组织之间的初始空间拓扑结构以及预设的图卷积网络，对各候选组织之间的初始空间拓扑结构进行优化处理，确定各候选组织之间的目标空间拓扑结构；根据各候选组织之间的目标空间拓扑结构，确定各候选组织的目标检测结果；其中，上述图卷积网络为根据多个样本图像进行训练得到的，每个样本图像中均包括多个样本组织以及各样本组织之间的标准空间拓扑结构。

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：

根据各候选组织的初始检测结果，确定每个候选组织对应的特征矩阵；各特征矩阵中包括各候选组织的组织类型信息以及是否为目标组织的信息；根据各候选组织之间的初始空间拓扑结构，构建连接矩阵；上述连接矩阵用于表征各候选组织之间的初始连接关系和/或初始数据流向；将各特征矩阵和连接矩阵输入至预设的图卷积网络中进行优化处理，确定各候选组织之间的目标空间拓扑结构。

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：

根据各候选组织之间的目标空间拓扑结构，确定其中各候选组织对应的组织类型信息以及是否为目标组织的信息；将各候选组织对应的组织类型信息以及是否为目标组织的信息，确定为各候选组织的目标检测结果。

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：

采用预设的多标签检测网络对待测图像中进行检测处理，获得各候选组织的检测位置以及各候选组织的初始第一标签；上述初始第一标签用于表征候选组织的组织类型；采用预设的分类网络对各候选组织的检测位置进行分类处理，获得各候选组织的初始第二标签；上述初始第二标签用于表征候选组织是否为目标组织；将各候选组织的初始第一标签以及初始第二标签确定为相应的候选组织的初始检测结果。

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：

根据各候选组织的初始第一标签和初始第二标签，构建各候选组织中非目标组织之间的第一空间拓扑结构以及目标组织之间的第二空间拓扑结构；根据第一空间拓扑结构和第二空间拓扑结构，确定初始空间拓扑结构。

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：

根据获取的待测图像确定其中的各候选组织的初始检测结果；根据各候选组织的初始检测结果，构建各候选组织之间的初始空间拓扑结构；对各候选组织之间的初始空间拓扑结构进行优化处理，确定各候选组织的目标检测结果；上述候选组织的目标检测结果中包括候选组织是否为目标组织。

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：

根据各候选组织之间的初始空间拓扑结构以及预设的图卷积网络，对各候选组织之间的初始空间拓扑结构进行优化处理，确定各候选组织之间的目标空间拓扑结构；根据各候选组织之间的目标空间拓扑结构，确定各候选组织的目标检测结果；其中，上述图卷积网络为根据多个样本图像进行训练得到的，每个样本图像中均包括多个样本组织以及各样本组织之间的标准空间拓扑结构。

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：

根据各候选组织的初始检测结果，确定每个候选组织对应的特征矩阵；各特征矩阵中包括各候选组织的组织类型信息以及是否为目标组织的信息；根据各候选组织之间的初始空间拓扑结构，构建连接矩阵；上述连接矩阵用于表征各候选组织之间的初始连接关系和/或初始数据流向；将各特征矩阵和连接矩阵输入至预设的图卷积网络中进行优化处理，确定各候选组织之间的目标空间拓扑结构。

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：

根据各候选组织之间的目标空间拓扑结构，确定其中各候选组织对应的组织类型信息以及是否为目标组织的信息；将各候选组织对应的组织类型信息以及是否为目标组织的信息，确定为各候选组织的目标检测结果。

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：

采用预设的多标签检测网络对待测图像中进行检测处理，获得各候选组织的检测位置以及各候选组织的初始第一标签；上述初始第一标签用于表征候选组织的组织类型；采用预设的分类网络对各候选组织的检测位置进行分类处理，获得各候选组织的初始第二标签；上述初始第二标签用于表征候选组织是否为目标组织；将各候选组织的初始第一标签以及初始第二标签确定为相应的候选组织的初始检测结果。

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：

根据各候选组织的初始第一标签和初始第二标签，构建各候选组织中非目标组织之间的第一空间拓扑结构以及目标组织之间的第二空间拓扑结构；根据第一空间拓扑结构和第二空间拓扑结构，确定初始空间拓扑结构。

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：

根据获取的待测图像确定其中的各候选组织的初始检测结果；根据各候选组织的初始检测结果，构建各候选组织之间的初始空间拓扑结构；对各候选组织之间的初始空间拓扑结构进行优化处理，确定各候选组织的目标检测结果；上述候选组织的目标检测结果中包括候选组织是否为目标组织。

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：

根据各候选组织之间的初始空间拓扑结构以及预设的图卷积网络，对各候选组织之间的初始空间拓扑结构进行优化处理，确定各候选组织之间的目标空间拓扑结构；根据各候选组织之间的目标空间拓扑结构，确定各候选组织的目标检测结果；其中，上述图卷积网络为根据多个样本图像进行训练得到的，每个样本图像中均包括多个样本组织以及各样本组织之间的标准空间拓扑结构。

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：

根据各候选组织的初始检测结果，确定每个候选组织对应的特征矩阵；各特征矩阵中包括各候选组织的组织类型信息以及是否为目标组织的信息；根据各候选组织之间的初始空间拓扑结构，构建连接矩阵；上述连接矩阵用于表征各候选组织之间的初始连接关系和/或初始数据流向；将各特征矩阵和连接矩阵输入至预设的图卷积网络中进行优化处理，确定各候选组织之间的目标空间拓扑结构。

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：

根据各候选组织之间的目标空间拓扑结构，确定其中各候选组织对应的组织类型信息以及是否为目标组织的信息；将各候选组织对应的组织类型信息以及是否为目标组织的信息，确定为各候选组织的目标检测结果。

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：

采用预设的多标签检测网络对待测图像中进行检测处理，获得各候选组织的检测位置以及各候选组织的初始第一标签；上述初始第一标签用于表征候选组织的组织类型；采用预设的分类网络对各候选组织的检测位置进行分类处理，获得各候选组织的初始第二标签；上述初始第二标签用于表征候选组织是否为目标组织；将各候选组织的初始第一标签以及初始第二标签确定为相应的候选组织的初始检测结果。

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：

根据各候选组织的初始第一标签和初始第二标签，构建各候选组织中非目标组织之间的第一空间拓扑结构以及目标组织之间的第二空间拓扑结构；根据第一空间拓扑结构和第二空间拓扑结构，确定初始空间拓扑结构。

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)，均为经用户授权或者经过各方充分授权的信息和数据。

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。