器官勾画方法、装置、计算机设备和存储介质与流程

本申请涉及深度学习技术领域，特别是涉及一种器官勾画方法、装置、计算机设备和存储介质。

背景技术：

器官的自动勾画是有效实现放射治疗计划的重要步骤，计算机辅助放射疗法成功治疗癌症的一个基本前提是确认肿瘤位置和大小，同时保护病灶周围关键器官。

因此，精确高效的关键器官自动勾画是实现自适应放射治疗和手术导航等的关键，具有非常重要的意义。由于人体医学影像的特殊性，器官形态多种多样，差异非常巨大，针对每类器官设计一套有针对性的算法对其进行自动勾画，耗时较长并且算法的普适性较差，效率较低。

技术实现要素：

基于此，有必要针对由于人体医学影像的特殊性，器官形态多种多样，差异非常巨大，针对每类器官设计一套有针对性的算法对其进行自动勾画，耗时较长并且算法的普适性较差，效率较低的技术问题，提供一种能够器官勾画方法、装置、计算机设备和存储介质。

一种器官勾画方法，方法包括：

获取待处理医学图像，所述待处理医学图像包括一个或多个器官区域；

将所述待处理医学图像输入第一深度卷积神经网络中，得到目标区域图像，所述目标区域图像包含目标器官；

将所述目标区域图像输入第二深度卷积神经网络中，得到初始分割图像；

基于所述初始分割图像在所述待处理医学图像中对所述目标器官进行勾画。

在其中一个实施例中，所述将所述待处理医学图像输入第一深度卷积神经网络中，得到目标区域图像，所述目标区域图像包含目标器官之前还包括：

建立第一神经网络模型，将包含器官的训练图像作为训练集对第一神经网络模型进行训练，得到第一深度卷积神经网络，所述第一神经网络模型的输入为所述训练图像，输出为所述训练图像中器官所在的目标区域图像。

在其中一个实施例中，所述将所述目标区域图像输入第二深度卷积神经网络中，得到初始分割图像之前还包括：

建立第二神经网络模型，将所述训练图像中器官所在的目标区域图像作为训练集对第二神经网络模型进行训练，得到第二深度卷积神经网络，所述第二神经网络模型的输入为所述训练图像中器官所在的目标区域图像，输出为训练分割图像。

在其中一个实施例中，基于初始分割图像在待处理医学图像中对目标器官进行勾画包括：

对初始分割图像采用图像后处理技术进行处理，得到器官分割图像；

基于器官分割图像在待处理医学图像中对目标器官进行勾画。

在其中一个实施例中，所述建立第一神经网络模型，将包含器官的训练图像作为训练集对第一神经网络模型进行训练，得到第一深度卷积神经网络之前还包括：

对所述训练图像进行预处理，以调整所述训练图像的分辨率和灰度。

在其中一个实施例中，所述对所述训练图像进行预处理，以调整所述训练图像的分辨率和灰度包括：

对所述训练图像进行升采样、降采样、等方性处理、去噪、增强处理、灰度规范化处理中的一种或多种处理。

在其中一个实施例中，所述将所述待处理医学图像输入第一深度卷积神经网络中，得到目标区域图像包括：

将所述待处理医学图像输入第一深度卷积神经网络中，对包含目标器官的目标区域图像进行标记。

一种器官勾画装置，装置包括：

获取模块，用于获取待处理医学图像，所述待处理医学图像包括一个或多个器官区域；

第一输入模块，用于将所述待处理医学图像输入第一深度卷积神经网络中，得到目标区域图像，所述目标区域图像包含目标器官；

第二输入模块，用于将所述目标区域图像输入第二深度卷积神经网络中，得到初始分割图像；

器官勾画模块，用于基于所述初始分割图像在所述待处理医学图像中对所述目标器官进行勾画。

一种计算机设备，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：

获取待处理医学图像，所述待处理医学图像包括一个或多个器官区域；

将所述待处理医学图像输入第一深度卷积神经网络中，得到目标区域图像，所述目标区域图像包含目标器官；

将所述目标区域图像输入第二深度卷积神经网络中，得到初始分割图像；

基于所述初始分割图像在所述待处理医学图像中对所述目标器官进行勾画。

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：

获取待处理医学图像，所述待处理医学图像包括一个或多个器官区域；

将所述待处理医学图像输入第一深度卷积神经网络中，得到目标区域图像，所述目标区域图像包含目标器官；

将所述目标区域图像输入第二深度卷积神经网络中，得到初始分割图像；

基于所述初始分割图像在所述待处理医学图像中对所述目标器官进行勾画。

上述器官勾画方法、装置、计算机设备和存储介质，通过获取包含目标器官的待处理医学图像，将待处理医学图像输入第一深度卷积神经网络中，得到目标区域图像，将所述目标区域图像输入第二深度卷积神经网络中，得到初始分割图像，并基于初始分割图像在待处理医学图像中对目标器官进行勾画的方法，采用深度学习模型，建立了一个普适的框架，能够有效地对不同类型的器官进行自动勾画，耗时较短且适应性强，效率较高，同时先进行目标区域的定位，然后进行目标器官的分割，在小范围内得到的分割结果更精确，准确率更高。

附图说明

图1为本发明一个实施例中器官勾画方法的流程示意图；

图2是本发明实施例提供的一种像素示意图；

图3是本发明实施例提供的另一种像素示意图；

图4为本发明一个实施例中器官勾画装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

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。

近年，随着大数据的涌现、计算机硬件的强大计算能力，以及神经网络相关技术的迅猛发展，深度学习在人工智能领域取得了重要突破，其在自然语言处理、语音识别、计算机视觉和图像与视频分析等诸多领域取得了巨大的成功。最近，深度学习也逐渐在医学图像处理与分析中得到应用，如：图像识别和检测，图像分割，图像配准，图像生成和图像去噪等。深度学习与传统模式识别方法的主要不同在于深度学习可以从大数据中自动学习得到有效特征，而非手工设计特征，手工设计特征主要依靠设计者的先验知识，很难利用大数据的优势，而好的特征可以有效提高模式识别系统的性能。深度学习模型不但可以利用图像中的上下文信息，而且在高维数据转换过程中通过对已有数据的学习也隐式地加入了目标的形状先验。深度学习模型包括无监督学习模型和有监督学习模型，深度卷积神经网络(convolutionalneuralnetworks,cnn)是其中最具代表性的有监督学习的深度学习模型，主要应用于图像领域。

针对放射治疗计划中获取的图像，已有很多专门针对器官分割的算法，但是由于器官形态多种多样，设计每类器官的有针对性的算法耗时较长并且算法的普适性较差。近年，深度学习在人工智能领域取得了重要突破，如：自然语言处理、语音识别、计算机视觉和图像与视频分析等诸多领域取得了巨大的成功，但是如何将医学影像数据与深度学习模型进行有效的结合，并进行放射治疗计划中全身器官的全自动勾画研究较少。

请参阅图1，图1为本发明一实施例的器官勾画方法的流程示意图。

在本实施例中，器官勾画方法包括：

步骤100，对训练图像进行预处理，以调整训练图像的分辨率和灰度。

在本实施例中，对训练图像进行预处理包括对训练图像进行升采样、降采样、等方性处理、去噪、增强处理、灰度规范化处理中的一种或多种处理。医学图像与自然图像很大的一个区别在于，医学图像里面的器官大小是有实际意义的，不能随意缩放或者旋转方向等。可以理解的，对图像进行升采样或者降采样，是因为原始图像的分辨率各不一样，有些需要进行升采样，有些需要进行降采样，以将训练图像统一到相同的分辨率，升采样和降采样都是使用插值方法进行处理，作用是将训练图像统一到同样的分辨率后让神经网络更容易训练，结果也更鲁棒。同时，最好x,y,z三个方向的分辨率也是相同的，即对训练图像进行等方性处理。示例性地，采用1mm×1mm×1mm的分辨率。由于图像可能包含金属伪影或噪声等，需要进行降噪处理，同时医学图像的灰度分布范围一般比较大，但是我们关心的器官可能只分布在特定的灰度范围，为了降低网络训练难度，取得较好的效果，我们可以针对这一特定灰度范围进行增强，即取合适的窗宽窗位对图像灰度进行截断归一化，如原图的灰度范围是-1024～4096，但我们只关注0～1000范围，可以采用如下公式处理：

可以理解的，对训练图像进行预处理可以使所有训练图像都具有相同且合适的分辨率，灰度范围分布等，以降低模型训练的难度，提高准确性。

步骤110，建立神经网络模型，将包含器官的训练图像作为训练集对神经网络进行训练，得到深度卷积神经网络。

在本实施例中，步骤110包括建立第一神经网络模型，将包含器官的训练图像作为训练集对第一神经网络模型进行训练，得到第一深度卷积神经网络，第一神经网络模型的输入为训练图像，输出为训练图像中器官所在的目标区域图像；建立第二神经网络模型，将训练图像中器官所在的目标区域图像作为训练集对第二神经网络模型进行训练，得到第二深度卷积神经网络，第二神经网络模型的输入为训练图像中器官所在的目标区域图像，输出为训练分割图像。可以理解的，第一深度卷积神经网络用于在原始图像中进行定位，以提取得到包含目标器官的目标区域图像，去除周围非目标区域的干扰；第二深度卷积神经网络用于在目标区域图像中对目标器官进行分割，得到初始分割图像。

示例性地，神经网络模型可以采用基于patch的深度卷积神经网络、全卷积神经网络、u-net神经网络、v-net神经网络或其它类型的神经网络模型，只需适用对图像进行定位和分割即可。

步骤120，获取待处理医学图像，所述待处理医学图像包括一个或多个器官区域。

在本实施例中，获取待处理医学图像包括对病人进行扫描，获取病人身体部位的医学影像，即为待处理医学图像。可选地，待处理医学图像可以是头部扫描获得的图像、腹部扫描得到的图像、胸部扫描得到的图像或者全身图像等。例如，头部扫描获得的图像可包括鼻腔、头皮、脑白质、脑灰质以及背景区域等；腹部扫描得到的图像可以包括子宫、肾脏、肝脏、卵巢以及背景组织等；胸部扫描得到的图像可以包括心脏、乳房、心脏、肺组织以及背景组织等。全身图像可以是采用一体化pet-ct扫描设备或者pet-mr全身成像获得，该图像可包括从头至脚扫描对象的整体图像。

步骤130，对待处理医学图像进行预处理，以调整待处理医学图像的分辨率和灰度。

在本实施例中，对待处理医学图像进行预处理包括对待处理医学图像进行升采样、降采样、等方性处理、去噪、增强处理、灰度规范化处理中的一种或多种处理。可以理解的，对待处理医学图像进行的预处理与对训练图像进行的预处理是相同的，使待处理医学图像和训练图像的状态相同，以提高器官定位和分割的准确度。

可选地，由于不同年龄大小或者性别对应的待处理医学图像可能存在大小和分辨率的差别，本发明的一个实施例中可将待处理医学图像进行归一化处理，以得到适合后续神经网络处理的图像。

步骤140，将所述待处理医学图像输入第一深度卷积神经网络中，得到目标区域图像，所述目标区域图像包含目标器官。

可以理解的，所述第一深度卷积神经网络能够表征待处理医学图像和目标区域图像的映射关系。可以理解的，所述目标区域图像包含目标器官，因此，所述目标区域即为感兴趣区域。

具体地，所述第一深度卷积神经网络对应的表征医学图像和感兴趣区域的映射关系可以是训练样本图像与先验感兴趣区域的样本距离场。具体的，样本距离场可以是先验感兴趣区域的中心点进行距离变换后获得的。样本距离场的距离变换可以是欧氏距离变换(eudlideandistancetransfrom)、棋盘距离变换(chessboarddistancetransform)或街道距离变换(cityblockdistancetransform)。当然，考虑到扫描坐标系在三个方向上执行扫描，除了单轴距离场，还可由两个方向的扫描轴组成l形双轴距离场。

并且，样本距离场可以是二维距离场或三维距离场。二维距离场的两个维度可包括：欧式距离和棋盘距离，或者欧式距离和城市街区距离，或者棋盘距离和城市街区距离。三维距离场的三个维度可包括：欧式距离、棋盘距离和城市街区距离。

在一个具体的实现过程中，样本距离场可以是三维距离场d(d1,d2,d3)。其中d1对应第一维度，可用欧式距离代替；d2对应第二维度，可用棋盘距离代替；d3对应第三维度，可用城市街区距离代替。各维度的距离计算过程如下：

1)根据先验感兴趣区域可确定一个样本框，该样本框在训练样本图像上可确定一个候选区域，当然训练样本图像也可经过二值化处理。在候选区域内包含一个连通区域s，将候选区域内中的目标像素点分类，分为内部点、外部点和孤立点。如图2所示，以中心像素的四邻域为例，如果中心像素为目标像素(值为1)且四邻域都为目标像素(值为1)，则该点为内部点。如图3所示，如果该中心像素为目标像素，四邻域为背景像素(值为0)，则该中心点为孤立点。候选区域内除了内部点和孤立点之外的目标像素点则为边界点。

2)确定候选区域内所有内部点和非内部点，其中，内部点组成的集合为r1；非内部点组成的集合为r2。

3)对于r1中的每一点，计算该点在r2中的最小距离，这些最小距离构成集合s3。

令(x1,y1)表示r1中的任意一点，令(x2,y2)表示r2中的任意一点，

当最小距离对应欧式距离，

当最小距离对应棋盘距离，d2((x1,y1),(x2,y2))＝|x1-x2|+|y1-y2|；

当最小距离对应城市街区距离，d3((x1,y1),(x2,y2))＝max(|x1-x2|,|y1-y2|)。

示例性地，所述将所述待处理医学图像输入第一深度卷积神经网络中，得到目标区域图像包括将所述待处理医学图像输入第一深度卷积神经网络中，对包含目标器官的目标区域图像进行标记。

步骤150，将所述目标区域图像输入第二深度卷积神经网络中，得到初始分割图像。

可以理解的，所述第二深度卷积神经网络能够表征感兴趣区域和目标器官的映射关系。

基于不同器官具有不同的梯度分布、结构分布以及像素分布等，以及病灶区域和正常区域具有不同的纹理特征。可选地，第二深度卷积神经网络能够表征感兴趣区域和目标器官的映射关系，可以是感兴趣内目标器官的梯度信息、结构信息、纹理信息或者结构特征中的一种或多种。

进一步地，在确定目标部位之后，可基于分割结果确定放射线的路径。

有益效果为：首先进行感兴趣区域的定位，然后进行目标部位的分割，在小范围内得到的分割结果更精确，准确率更高。该方法尤其适用于引导放射设备治疗肿瘤，能够精确确定目标病灶的位置，从而减小正常组织的损伤，提高放射的安全性。

在另一个实施例中，将感兴趣区域定位后的待处理医学图像输入第二深度卷积神经网络，以在待处理医学图像中定位一个或多个目标部位。

进一步地，在确定目标部位之后，对所述目标部位执行扫描，获取所述目标部位的图像。

本实施例的方法适用于小目标区域的定位扫描。例如，体积较小的前列腺、胰腺等器官的扫描，可获得较好的成像质量。

在又一个实施例中，第二深度卷积神经网络是一个单输入、多输出的训练网络，即通过第二深度卷积神经网络可同时分割得到多个目标器官或组织。可选地，通过第二深度卷积神经网络能够得到待处理医学图像中每个区域属于特定器官的二值化结果，通过该二值化结果即可确定每一区域所属的组织或部位。

可以理解的，所述将所述目标区域图像输入第二深度卷积神经网络中包括将分割得到的目标区域图像输入第二深度卷积神经网络中，还包括将标记出所述目标区域图像的待处理医学图像输入第二深度卷积神经网络中。

步骤160，基于初始分割图像在待处理医学图像中对目标器官进行勾画。

在本实施例中，基于初始分割图像在待处理医学图像中对目标器官进行勾画包括对初始分割图像采用图像后处理技术进行处理，得到器官分割图像，并基于器官分割图像在待处理医学图像中对器官进行勾画，得到器官勾画结果。

示例性地，对初始分割图像采用图像后处理技术进行处理，得到器官分割图像包括对初始分割图像采用水平集、活动轮廓或动态规划等方法，对初始分割图像进行优化，以得到器官分割图像。在其它实施例中，还可以采用其它图像后处理技术对初始分割图像进行处理，只需达到对初始分割图像进行优化，以得到器官分割图像的效果即可。

示例性地，上述器官勾画方法通过建立第一神经网络模型，将训练图像作为训练集对神经网络进行训练，得到第一深度卷积神经网络，第一深度卷积神经网络的输入为任意尺寸图像，输出为目标区域图像，用于在原始图像中定位目标区域；建立第二神经网络模型，将目标区域图像作为训练集对神经网络进行训练，得到第二深度卷积神经网络，第二深度卷积神经网络的输入为目标区域图像，输出为初始分割图像，用于在目标区域图像中对目标器官进行分割，并将待处理医学图像输入第一深度卷积神经网络中，得到目标区域图像，将目标区域图像相应的器官标记输入第二深度卷积神经网络中，得到初始分割图像，并对初始分割图像采用图像后处理技术进行处理，得到器官分割图像，基于器官分割图像在待处理医学图像中对器官进行勾画的方法，采用深度学习模型，建立了一个普适的框架，能够有效地对不同类型的器官进行自动勾画，耗时较短且适应性强，效率较高，同时先进行目标区域的定位，然后进行目标器官的分割，在小范围内得到的分割结果更精确，准确率更高。

应该理解的是，虽然图1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，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图4所示，提供了一种器官勾画装置，包括：训练图像预处理模块200、神经网络建立模块210、获取模块220、待处理医学图像预处理模块230、第一输入模块240、第二输入模块250和器官勾画模块260，其中：

训练图像预处理模块200，用于对训练图像进行预处理，以调整训练图像的分辨率和灰度。

神经网络建立模块210，用于建立神经网络模型，将包含器官的训练图像作为训练集对神经网络进行训练，得到深度卷积神经网络。

神经网络建立模块210，还用于：

建立第一神经网络模型，将包含器官的训练图像作为训练集对第一神经网络模型进行训练，得到第一深度卷积神经网络，所述第一神经网络模型的输入为所述训练图像，输出为所述训练图像中器官所在的目标区域图像；

建立第二神经网络模型，将所述训练图像中器官所在的目标区域图像作为训练集对第二神经网络模型进行训练，得到第二深度卷积神经网络，所述第二神经网络模型的输入为所述训练图像中器官所在的目标区域图像，输出为训练分割图像。

获取模块220，用于获取待处理医学图像，所述待处理医学图像包括一个或多个器官区域。

待处理医学图像预处理模块230，用于对待处理医学图像进行预处理，以调整待处理医学图像的分辨率和灰度。

第一输入模块240，用于将所述待处理医学图像输入第一深度卷积神经网络中，得到目标区域图像，所述目标区域图像包含目标器官。

第二输入模块250，用于将所述目标区域图像输入第二深度卷积神经网络中，得到初始分割图像。

器官勾画模块260，用于基于初始分割图像在待处理医学图像中对目标器官进行勾画。

器官勾画模块260，还用于：

对初始分割图像采用图像后处理技术进行处理，得到器官分割图像；

基于器官分割图像在待处理医学图像中对目标器官进行勾画。

关于器官勾画装置的具体限定可以参见上文中对于器官勾画方法的限定，在此不再赘述。上述器官勾画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，该计算机设备可以是终端，其内部结构图可以如图5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、网络接口、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。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种器官勾画方法。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5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，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：

获取待处理医学图像，所述待处理医学图像包括一个或多个器官区域；

将所述待处理医学图像输入第一深度卷积神经网络中，得到目标区域图像，所述目标区域图像包含目标器官；

将所述目标区域图像输入第二深度卷积神经网络中，得到初始分割图像；

基于所述初始分割图像在所述待处理医学图像中对所述目标器官进行勾画。

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：

建立第一神经网络模型，将包含器官的训练图像作为训练集对第一神经网络模型进行训练，得到第一深度卷积神经网络，所述第一神经网络模型的输入为所述训练图像，输出为所述训练图像中器官所在的目标区域图像。

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：

建立第二神经网络模型，将所述训练图像中器官所在的目标区域图像作为训练集对第二神经网络模型进行训练，得到第二深度卷积神经网络，所述第二神经网络模型的输入为所述训练图像中器官所在的目标区域图像，输出为训练分割图像。

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：

对初始分割图像采用图像后处理技术进行处理，得到器官分割图像；

基于器官分割图像在待处理医学图像中对目标器官进行勾画。

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：

对训练图像进行预处理，以调整训练图像的分辨率和灰度。

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：

对所述训练图像进行升采样、降采样、等方性处理、去噪、增强处理、灰度规范化处理中的一种或多种处理。

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：

将所述待处理医学图像输入第一深度卷积神经网络中，对包含目标器官的目标区域图像进行标记。

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：

获取待处理医学图像，所述待处理医学图像包括一个或多个器官区域；

将所述待处理医学图像输入第一深度卷积神经网络中，得到目标区域图像，所述目标区域图像包含目标器官；

将所述目标区域图像输入第二深度卷积神经网络中，得到初始分割图像；

基于所述初始分割图像在所述待处理医学图像中对所述目标器官进行勾画。

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：

建立第一神经网络模型，将包含器官的训练图像作为训练集对第一神经网络模型进行训练，得到第一深度卷积神经网络，所述第一神经网络模型的输入为所述训练图像，输出为所述训练图像中器官所在的目标区域图像。

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：

建立第二神经网络模型，将所述训练图像中器官所在的目标区域图像作为训练集对第二神经网络模型进行训练，得到第二深度卷积神经网络，所述第二神经网络模型的输入为所述训练图像中器官所在的目标区域图像，输出为训练分割图像。

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：

对初始分割图像采用图像后处理技术进行处理，得到器官分割图像；

基于器官分割图像在待处理医学图像中对目标器官进行勾画。

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：

对训练图像进行预处理，以调整训练图像的分辨率和灰度。

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：

对所述训练图像进行升采样、降采样、等方性处理、去噪、增强处理、灰度规范化处理中的一种或多种处理。

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：

将所述待处理医学图像输入第一深度卷积神经网络中，对包含目标器官的目标区域图像进行标记。

上述器官勾画方法、装置、计算机设备和存储介质，通过获取包含目标器官的待处理医学图像，将待处理医学图像输入第一深度卷积神经网络中，得到目标区域图像，将所述目标区域图像输入第二深度卷积神经网络中，得到初始分割图像，并基于初始分割图像在待处理医学图像中对目标器官进行勾画的方法，采用深度学习模型，建立了一个普适的框架，能够有效地对不同类型的器官进行自动勾画，耗时较短且适应性强，效率较高，同时先进行目标区域的定位，然后进行目标器官的分割，在小范围内得到的分割结果更精确，准确率更高。

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，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、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

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发明专利范围的限制。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，本申请专利的保护范围应以所附权利要求为准。