乳腺X线影像肿块检出方法和装置与流程

本申请涉及人工智能技术领域，具体涉及一种乳腺x线影像肿块检出方法、装置、电子设备和计算机可读存储介质。

背景技术：

乳腺癌是女性最常见的恶性肿瘤，也是患病人数最多的恶性肿瘤，近年来患病人数呈持续增加趋势，严重威胁着女性的健康和生活质量。乳腺癌的早期发现、早期诊断，是提高疗效的关键。乳腺x线影像检查被认为是有效的乳腺癌早期筛查手段，可有效的降低乳腺癌的死亡率。随着人工智能技术的飞速发展，计算机辅助技术开始逐步被引进到医学影像学领域，辅助人工阅片，以提高检测和诊断的准确度。目前乳腺x线影像检出方式面临的主要问题之一就是如何使系统既有较高的病灶检测灵敏度，又可以产生较少的假阳性结果。

技术实现要素：

有鉴于此，本申请实施例提供了一种乳腺x线影像肿块检出方法、装置、电子设备和计算机可读存储介质，解决了现有乳腺x线影像检出方式的准确率低的问题。

根据本申请的一方面，本申请一实施例提供的一种乳腺x线影像肿块检出方法包括：将轴位乳腺x线影像和侧斜位乳腺x线影像分别输入肿块检出模型以获取所述肿块检出模型在所述轴位乳腺x线影像和侧斜位乳腺x线影像中标出的轴位乳腺x线影像肿块和侧斜位乳腺x线影像肿块，其中，所述肿块检出模型为基于深度学习算法建立的深度神经网络模型；基于所述轴位乳腺x线影像和侧斜位乳腺x线影像分别确定所述轴位乳腺x线影像的肿块轮廓坐标数据和所述侧斜位乳腺x线影像的肿块轮廓坐标数据；基于所述轴位乳腺x线影像的肿块轮廓坐标数据和所述侧斜位乳腺x线影像的肿块轮廓坐标数据分别确定轴位乳腺肿块中心点坐标和侧斜位乳腺肿块中心点坐标；基于所述轴位乳腺x线影像和侧斜位乳腺x线影像获取轴位乳头坐标和侧斜位乳头坐标；根据所述轴位乳腺肿块中心点坐标和轴位乳头坐标计算轴位乳头乳腺间距，根据侧斜位乳腺肿块中心点坐标和侧斜位乳头坐标计算侧斜位乳头乳腺间距；以及当所述轴位乳头乳腺间距和所述侧斜位乳头乳腺间距的差值小于预设值时，确认所述轴位乳腺x线影像肿块与所述侧斜位乳腺x线影像肿块为同一乳腺肿块。

在本申请一实施例中，基于所述轴位乳腺x线影像获取所述轴位乳头坐标包括：基于所述轴位乳腺x线影像获取轴位乳腺边界图像；基于所述轴位乳腺x线影像获取轴位最大掩码图像；从所述轴位乳腺边界图像中减去所述轴位最大掩码图像以获取包括乳头外边界线的乳头区域；以及基于所述乳头外边界线获取所述轴位乳头坐标。

在本申请一实施例中，所述基于所述轴位乳腺x线影像获取轴位乳腺边界图像包括：基于所述轴位乳腺x线影像获取无形态学操作的轴位边界图像和有形态学操作的侧斜位边界图像；基于所述轴位乳腺x线影像获取二进制阈值图像；以及从所述二进制阈值图像中减去所述轴位边界图像和所述侧斜位边界图像以获取所述轴位乳腺边界图像。

在本申请一实施例中，在基于所述乳头外边界线获取所述轴位乳头坐标之前，所述基于所述轴位乳腺x线影像获取轴位乳头坐标进一步包括：过滤掉所述乳头区域中位于所述轴位乳腺x线影像顶部的对象区域。

在本申请一实施例中，在基于所述轴位乳腺x线影像获取轴位乳腺边界图像之前，所述基于所述轴位乳腺x线影像获取轴位乳头坐标进一步包括：对所述轴位乳腺x线影像通过预处理转换成统一的目标格式。

在本申请一实施例中，基于所述轴位乳腺x线影像肿块确定所述轴位乳腺肿块中心点坐标包括：基于所述轴位乳腺x线影像肿块获取包围所述乳腺x线影像肿块的轴位最小外接矩形；以及计算所述轴位最小外接矩形的中心点坐标，以作为所述轴位乳腺肿块中心点坐标。

在本申请一实施例中，所述轴位乳腺x线影像和侧斜位乳腺x线影像分别为以下乳腺x线影像种类中的任意两种：轴位图像、侧位和斜侧位图像。

在本申请一实施例中，所述肿块检出模型为实例分割模型。

在本申请一实施例中，所述预设值为3mm。

根据本申请的另一方面，本申请一实施例提供了一种乳腺x线影像肿块检出装置，包括：第一获取模块，配置为将轴位乳腺x线影像和侧斜位乳腺x线影像分别输入肿块检出模型以获取所述肿块检出模型在所述轴位乳腺x线影像和侧斜位乳腺x线影像中标出的轴位乳腺x线影像肿块和侧斜位乳腺x线影像肿块，其中，所述肿块检出模型为基于深度学习算法建立的深度神经网络模型；第一确定模块，配置为基于所述轴位乳腺x线影像和侧斜位乳腺x线影像分别确定所述轴位乳腺x线影像的肿块轮廓坐标数据和所述侧斜位乳腺x线影像的肿块轮廓坐标数据；第二确定模块，配置为基于所述轴位乳腺x线影像的肿块轮廓坐标数据和所述侧斜位乳腺x线影像的肿块轮廓坐标数据分别确定轴位乳腺肿块中心点坐标和侧斜位乳腺肿块中心点坐标；第二获取模块，配置为基于所述轴位乳腺x线影像和侧斜位乳腺x线影像获取轴位乳头坐标和侧斜位乳头坐标；第一计算模块，配置为根据所述轴位乳腺肿块中心点坐标和轴位乳头坐标计算轴位乳头乳腺间距，根据侧斜位乳腺肿块中心点坐标和侧斜位乳头坐标计算侧斜位乳头乳腺间距；以及第一判断模块，配置为当所述轴位乳头乳腺间距和所述侧斜位乳头乳腺间距的差值小于预设值时，确认所述轴位乳腺x线影像肿块与所述侧斜位乳腺x线影像肿块为同一乳腺肿块。

在本申请一实施例中，所述第二获取模块包括：第一获取单元，配置为基于所述轴位乳腺x线影像获取轴位乳腺边界图像；第二获取单元，配置为基于所述轴位乳腺x线影像获取轴位最大掩码图像；第三获取单元，配置为从所述轴位乳腺边界图像中减去所述轴位最大掩码图像以获取包括乳头外边界线的乳头区域；以及第四获取单元，配置为基于所述乳头外边界线获取所述轴位乳头坐标。

在本申请一实施例中，所述第一获取单元进一步配置为：基于所述轴位乳腺x线影像获取无形态学操作的轴位边界图像和有形态学操作的侧斜位边界图像；基于所述轴位乳腺x线影像获取二进制阈值图像；以及从所述二进制阈值图像中减去所述轴位边界图像和所述侧斜位边界图像以获取所述轴位乳腺边界图像。

在本申请一实施例中，所述第二获取模块进一步包括：过滤单元，配置为在基于所述乳头外边界线获取所述轴位乳头坐标之前，过滤掉所述乳头区域中位于所述轴位乳腺x线影像顶部的对象区域。

在本申请一实施例中，所述第二获取模块进一步包括：预处理单元，配置为在基于所述轴位乳腺x线影像获取轴位乳腺边界图像之前，对所述轴位乳腺x线影像通过预处理转换成统一的目标格式。

在本申请一实施例中，所述第一确定模块进一步配置为：基于所述轴位乳腺x线影像肿块获取包围所述乳腺x线影像肿块的轴位最小外接矩形；以及计算所述轴位最小外接矩形的中心点坐标，以作为所述轴位乳腺肿块中心点坐标。

在本申请一实施例中，所述轴位乳腺x线影像和侧斜位乳腺x线影像分别为以下乳腺x线影像种类中的任意两种：轴位图像、侧位和斜侧位图像。

在本申请一实施例中，所述肿块检出模型为实例分割模型。

在本申请一实施例中，所述预设值为3mm。

根据本申请的另一方面，本申请一实施例提供了一种电子设备，包括：处理器；存储器；以及存储在存储器中的计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行如上述任一项所述的乳腺x线影像肿块检出方法。

根据本申请的另一方面，本申请一实施例提供了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指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如前任一所述的乳腺x线影像肿块检出方法。

根据本申请的另一方面，本申请一实施例提供了一种计算机程序产品，包括计算机程序指令，所述计算机程序指令在被处理器运行时使得处理器执行如上述任一所述的乳腺x线影像肿块检出方法。

本申请实施例提供的一种乳腺x线影像肿块检出方法、装置、电子设备和计算机可读存储介质，通过利用基于深度学习算法建立的深度神经网络模型确定乳腺x线影像肿块，并获取乳腺肿块中心点坐标和乳头坐标；通过对比不同乳腺x线影像中乳腺肿块中心点坐标和乳头坐标的间距来判断不同乳腺x线影像中检出的乳腺肿块是否为同一肿块。由此可见，本申请所提供的乳腺x线影像肿块检出方式结合了深度学习算法以及普通的计算机辅助判断方式，并通过对比不同的乳腺x线影像来最终综合判断乳腺x线影像肿块，构建了一种高灵敏度、低假阳性率的乳腺肿块检出机制。

附图说明

图1所示为本申请一实施例提供的一种乳腺x线影像肿块检出方法的流程示意图。

图2所示为本申请一实施例提供的一种乳腺x线影像肿块检出方法中基于轴位乳腺x线影像肿块确定轴位乳腺肿块中心点坐标的流程示意图。

图3a和3b所示为本申请一实施例提供的一种乳腺x线影像肿块检出方法中利用最小外接矩形确定轴位乳腺肿块中心点坐标的原理示意图。

图4所示为本申请一实施例提供的一种乳腺x线影像肿块检出方法中基于轴位乳腺x线影像获取轴位乳头坐标的流程示意图。

图5a至5f为本申请一实施例提供的一种乳腺x线影像肿块检出方法中获取轴位乳头坐标的原理示意图。

图6为本申请一实施例提供的一种乳腺x线影像肿块检出方法中对轴位乳腺x线影像或侧斜位乳腺x线影像的预处理过程的流程示意图。

图7所示为本申请一实施例提供的乳腺x线影像肿块检出装置的结构示意图。

图8所示为本申请另一实施例提供的乳腺x线影像肿块检出装置的结构示意图。

图9所示为本申请另一实施例提供的乳腺x线影像肿块检出装置的结构示意图。

图10所示为本申请一实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1所示为本申请一实施例提供的一种乳腺x线影像肿块检出方法的流程示意图。如图1所示，该乳腺x线影像肿块检出方法包括如下步骤：

步骤101：将轴位乳腺x线影像和侧斜位乳腺x线影像分别输入肿块检出模型以获取肿块检出模型在轴位乳腺x线影像和侧斜位乳腺x线影像中标出的轴位乳腺x线影像肿块和侧斜位乳腺x线影像肿块，其中，肿块检出模型为基于深度学习算法建立的深度神经网络模型。

轴位(cc)乳腺x线影像和侧斜位(mediolateraloblique，mlo)乳腺x线影像可为利用透射光束投射乳房部位所形成的透射图像，例如乳腺钼靶x射线摄影图像，又称乳腺钼靶影像。应当理解，根据成像方式的不同，轴位乳腺x线影像和侧斜位乳腺x线影像的具体呈现形式也有所不同。轴位图像为透视光束从人体头部向足部投射形成的图像；斜侧位图像为透视光束从乳腺内上方45度投射向外下方或从乳腺外下方45度投射向内上方形成的斜侧位图像。在本申请一实施例中，肿块检出模型可为实例分割模型，例如maskr-cnn模型。maskr-cnn是一个两阶段的框架，轴位个阶段扫描轴位乳腺x线影像或侧斜位乳腺x线影像并生成提议(proposals，即有可能包含一个目标的区域)，侧斜位阶段分类提议并生成边界框和掩码(mask)，其中的边界框所划定的区域便为轴位乳腺x线影像肿块或侧斜位乳腺x线影像肿块。然而应当理解，肿块检出模型也可采用其他深度神经网络架构，本申请对该肿块检出模型的具体种类不做严格限定。

步骤102：基于轴位乳腺x线影像和侧斜位乳腺x线影像分别确定轴位乳腺x线影像的肿块轮廓坐标数据和侧斜位乳腺x线影像的肿块轮廓坐标数据。

步骤103：基于轴位乳腺x线影像的肿块轮廓坐标数据和侧斜位乳腺x线影像的肿块轮廓坐标数据分别确定轴位乳腺肿块中心点坐标和侧斜位乳腺肿块中心点坐标。

在本申请一实施例中，可利用最小外接矩形来计算该轴位乳腺肿块中心点坐标和侧斜位乳腺肿块中心点坐标。以基于轴位乳腺x线影像肿块确定轴位乳腺肿块中心点坐标为例，如图2所示，可具体包括如下步骤：

步骤1031：基于轴位乳腺x线影像肿块获取包围乳腺x线影像肿块的轴位最小外接矩形。

如图3a所示，最小外接矩形(minimumboundingrectangle，mbr)是指以二维坐标表示的若干二维形状(例如点、直线、多边形)的最大范围，即以给定的二维形状各顶点中的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标定下边界的矩形。我们可使用pythonopencvminarearect生成最小外接矩形，所用函数可为cv2.minarearect(cnt)，其中cnt是点集数组或向量(里面存放的是点的坐标)，并且这个点集不定个数。函数cv2.minarearect()返回一个box2d结构的矩形：(最小外接矩形的中心(x，y)，(宽度，高度)，旋转角度)。要绘制这个矩形，需要获取矩形的4个顶点坐标，这4个顶点坐标可通过函数cv2.cv.boxpoints()获得，返回形式为[[x0，y0]，[x1，y1]，[x2，y2]，[x3，y3]]。

步骤1032：计算轴位最小外接矩形的中心点坐标，以作为轴位乳腺肿块中心点坐标。

如图3b所示，根据上一步获取到的最小外接矩形的四个顶点[x0，y0]，[x1，y1]，[x2，y2]，[x3，y3]即可计算中心点坐标。具体而言，中心点坐标可为对角线坐标相加除以二。中心点坐标的x轴坐标为：x＝(x0+x2)/2或者(x1+x3)/2，y轴坐标为：y＝(y0+y2)/2或者(y1+y3)/2。

应当理解，基于侧斜位乳腺x线影像肿块确定侧斜位乳腺肿块中心点坐标的具体过程可类似上面实施例所给出的方式，在此不再赘述。

步骤104：基于轴位乳腺x线影像和侧斜位乳腺x线影像获取轴位乳头坐标和侧斜位乳头坐标。

在本申请一实施例中，以基于轴位乳腺x线影像获取轴位乳头坐标为例，如图4所示，可具体包括如下步骤：

步骤1041：基于轴位乳腺x线影像获取轴位乳腺边界图像。

具体而言，可首先基于轴位乳腺x线影像获取无形态学操作的轴位边界图像(如图5a所示)和有形态学操作的侧斜位边界图像(如图5b所示)。在本申请一实施例中，可使用sauvola阈值算法结合一些形态闭合和laplcian滤波器来生成二元掩模，并选择可用于提取轮廓线的最大掩模来获取有形态学操作的侧斜位边界图像。然后，基于轴位乳腺x线影像获取二进制阈值图像(如图5c所示)。最后，从二进制阈值图像中减去轴位边界图像和侧斜位边界图像以获取轴位乳腺边界图像(如图5d所示)。

步骤1042：基于轴位乳腺x线影像获取轴位最大掩码图像。

具体而言，在轴位乳腺x线影像中找到最大的掩码，以找到出现在最大的掩码中的像素，获取到轴位最大掩码图像，如图5e所示。这是因为在减去阈值和边界图像的同时，一些像素会保持不变。

步骤1043：从轴位乳腺边界图像中减去轴位最大掩码图像以获取包括乳头外边界线的乳头区域。

边界检测获取到的轴位边界图像和侧斜位边界图像可检测到眼睛不可见的最轻微的像素，而阈值图像去除了最小强度的像素。因此从轴位乳腺边界图像中减去轴位最大掩码图像便可获取包括乳头外边界线的乳头区域，如图5f所示。这里的乳头区域并不一定仅包括乳头外边界线，还可能包括其他区域，如图5f右上角所示的白色区域。

步骤1044：基于乳头外边界线获取轴位乳头坐标。

具体而言，可基于对象传递规则计算乳头外边界线的(色相矩)huemoments以获得轴位乳头坐标x0和y0。

在本申请一实施例中，考虑到乳头区域中可能还会包括除乳头外边界线外的其他区域，因此可通过设置一些逻辑后处理规则来过滤掉这部分其他区域，例如定义逻辑后处理规则：乳头外边界线不可能位于图像的顶部。通过这种方式便可过滤掉乳头区域中位于轴位乳腺x线影像顶部的对象区域，以最终确定乳头外边界线。

应当理解，基于侧斜位乳腺x线影像获取侧斜位乳头坐标的具体过程可类似上面实施例所给出的方式，在此不再赘述。

步骤105：根据轴位乳腺肿块中心点坐标和轴位乳头坐标计算轴位乳头乳腺间距，根据侧斜位乳腺肿块中心点坐标和侧斜位乳头坐标计算侧斜位乳头乳腺间距。

具体而言，以根据轴位乳腺肿块中心点坐标和轴位乳头坐标计算轴位乳头乳腺间距为例，可基于下列公式可计算得出乳头到肿块中心点的距离：

其中|ab|为轴位乳头乳腺间距，x1，y1可为轴位乳腺肿块中心点坐标，x1，y1可为轴位乳头坐标。

应当理解，根据侧斜位乳腺肿块中心点坐标和侧斜位乳头坐标计算侧斜位乳头乳腺间距的具体过程可类似上面实施例所给出的方式，在此不再赘述。

步骤106：当轴位乳头乳腺间距和侧斜位乳头乳腺间距的差值小于预设值时，确认轴位乳腺x线影像肿块与侧斜位乳腺x线影像肿块为同一乳腺肿块。

在本申请一实施例中，该预设值可为3mm。即，当轴位乳头乳腺间距和侧斜位乳头乳腺间距的差值小于3mm时，则确认轴位乳腺x线影像肿块与侧斜位乳腺x线影像肿块为同一乳腺肿块，并标为黄色。在本申请一实施例中，当轴位乳头乳腺间距和侧斜位乳头乳腺间距的差值大于预设值时，则将轴位乳腺x线影像肿块与侧斜位乳腺x线影像肿块都作为疑似肿块标出，例如标为蓝色。

应当理解，该预设值的大小可根据实际的应用场景需求而调整，本申请对该预设值的具体大小不做严格限定。

在本申请一实施例中，在基于轴位乳腺x线影像或侧斜位乳腺x线影像获取轴位乳腺边界图像或侧斜位乳腺边界图像之前，还需要对轴位乳腺x线影像或侧斜位乳腺x线影像通过预处理转换成统一的目标格式。如图6所示，以轴位乳腺x线影像或侧斜位乳腺x线影像为dcm(dicom，医学数字成像和通信)格式图像为例，首先读取dcm文件参数以获取传输语法，根据传输语法解码dcm文件，解码成功后即可获得数据集(dataset)数据元素。然后定义dicom数据结构的对象指针，解析dcm文件变换方式以获取dataset窗口数量、感兴趣区域查找表函数以及查找表个数。之后根据dataset窗口类型采取不同的处理方式。当dataset窗口类型为类型1(对应线性函数)时，根据窗口类型和窗口参数解析dcm文件，保存默认16-bit的png(便携式网络图形)格式文件，直至所设有感兴趣窗口都处理完毕结束流程。当dataset窗口类型为类型0(对应除非线性函数和线性函数外的其他类型)时，根据窗口类型和窗口参数解析dcm文件，保存默认16-bit的png格式文件后结束流程。当dataset窗口类型为类型2(对应非线性函数)时，使用dcm文件的第n(n为自然数)个查找表解析该dcm文件，保存默认16-bit的png格式文件，直至根据voilut(感兴趣区域转换)判断可以结束循环后结束流程。

由此可见，本申请实施例提供的一种乳腺x线影像肿块检出方法，通过利用基于深度学习算法建立的深度神经网络模型确定乳腺x线影像肿块，并获取乳腺肿块中心点坐标和乳头坐标；通过对比不同乳腺x线影像中乳腺肿块中心点坐标和乳头坐标的间距来判断不同乳腺x线影像中检出的乳腺肿块是否为同一肿块。由此可见，本申请所提供的乳腺x线影像肿块检出方式结合了深度学习算法以及普通的计算机辅助判断方式，并通过对比不同的乳腺x线影像来最终综合判断乳腺x线影像肿块，构建了一种高灵敏度、低假阳性率的乳腺肿块检出机制。

图7所示为本申请一实施例提供的乳腺x线影像肿块检出装置的结构示意图。如图7所示，该一种乳腺x线影像肿块检出装置70包括：

第一获取模块701，配置为将轴位乳腺x线影像和侧斜位乳腺x线影像分别输入肿块检出模型以获取肿块检出模型在轴位乳腺x线影像和侧斜位乳腺x线影像中标出的轴位乳腺x线影像肿块和侧斜位乳腺x线影像肿块，其中，肿块检出模型为基于深度学习算法建立的深度神经网络模型；

第一确定模块702，配置为基于所述轴位乳腺x线影像和侧斜位乳腺x线影像分别确定所述轴位乳腺x线影像的肿块轮廓坐标数据和所述侧斜位乳腺x线影像的肿块轮廓坐标数据；

第二确定模块703，配置为基于所述轴位乳腺x线影像的肿块轮廓坐标数据和所述侧斜位乳腺x线影像的肿块轮廓坐标数据分别确定轴位乳腺肿块中心点坐标和侧斜位乳腺肿块中心点坐标；

第二获取模块704，配置为基于轴位乳腺x线影像和侧斜位乳腺x线影像获取轴位乳头坐标和侧斜位乳头坐标；

第一计算模块705，配置为根据轴位乳腺肿块中心点坐标和轴位乳头坐标计算轴位乳头乳腺间距，根据侧斜位乳腺肿块中心点坐标和侧斜位乳头坐标计算侧斜位乳头乳腺间距；以及

第一判断模块706，配置为当轴位乳头乳腺间距和侧斜位乳头乳腺间距的差值小于预设值时，确认轴位乳腺x线影像肿块与侧斜位乳腺x线影像肿块为同一乳腺肿块。

由此可见，本申请实施例提供的一种乳腺x线影像肿块检出装置，通过利用基于深度学习算法建立的深度神经网络模型确定乳腺x线影像肿块，并获取乳腺肿块中心点坐标和乳头坐标；通过对比不同乳腺x线影像中乳腺肿块中心点坐标和乳头坐标的间距来判断不同乳腺x线影像中检出的乳腺肿块是否为同一肿块。由此可见，本申请所提供的乳腺x线影像肿块检出方式结合了深度学习算法以及普通的计算机辅助判断方式，并通过对比不同的乳腺x线影像来最终综合判断乳腺x线影像肿块，构建了一种高灵敏度、低假阳性率的乳腺肿块检出机制。

在本申请一实施例中，如图8所示，第二获取模块704包括：

第一获取单元7041，配置为基于轴位乳腺x线影像获取轴位乳腺边界图像；

第二获取单元7042，配置为基于轴位乳腺x线影像获取轴位最大掩码图像；

第三获取单元7043，配置为从轴位乳腺边界图像中减去轴位最大掩码图像以获取包括乳头外边界线的乳头区域；以及

第四获取单元7044，配置为基于乳头外边界线获取轴位乳头坐标。

在本申请一实施例中，第一获取单元7041进一步配置为：

基于轴位乳腺x线影像获取无形态学操作的轴位边界图像和有形态学操作的侧斜位边界图像；

基于轴位乳腺x线影像获取二进制阈值图像；以及

从二进制阈值图像中减去轴位边界图像和侧斜位边界图像以获取轴位乳腺边界图像。

在本申请一实施例中，如图9所示，侧斜位获取模块704进一步包括：

过滤单元7045，配置为在基于乳头外边界线获取轴位乳头坐标之前，过滤掉乳头区域中位于轴位乳腺x线影像顶部的对象区域。

在本申请一实施例中，如图9所示，第二获取模块704进一步包括：

预处理单元7046，配置为在基于轴位乳腺x线影像获取轴位乳腺边界图像之前，对轴位乳腺x线影像通过预处理转换成统一的目标格式。

在本申请一实施例中，第一确定模块702进一步配置为：

基于轴位乳腺x线影像肿块获取包围乳腺x线影像肿块的轴位最小外接矩形；以及

计算轴位最小外接矩形的中心点坐标，以作为轴位乳腺肿块中心点坐标。

在本申请一实施例中，轴位乳腺x线影像和侧斜位乳腺x线影像分别为以下乳腺x线影像种类中的任意两种：轴位图像、侧位和斜侧位图像。

在本申请一实施例中，肿块检出模型为实例分割模型。

在本申请一实施例中，预设值为3mm。

上述乳腺x线影像肿块检出装置70中的各个模块的具体功能和操作已经在上面参考图1到图6描述的乳腺x线影像肿块检出方法中进行了详细介绍。因此，这里将省略其重复描述。

需要说明的是，根据本申请实施例的乳腺x线影像肿块检出装置70可以作为一个软件模块和/或硬件模块而集成到电子设备90中，换言之，该电子设备90可以包括该乳腺x线影像肿块检出装置70。例如，该乳腺x线影像肿块检出装置70可以是该电子设备90的操作系统中的一个软件模块，或者可以是针对于其所开发的一个应用程序；当然，该乳腺x线影像肿块检出装置70同样可以是该电子设备90的众多硬件模块之一。

在本申请另一实施例中，该乳腺x线影像肿块检出装置70与该电子设备90也可以是分立的设备(例如，服务器)，并且该乳腺x线影像肿块检出装置70可以通过有线和/或无线网络连接到该电子设备90，并且按照约定的数据格式来传输交互信息。

图10所示为本申请一实施例提供的电子设备的结构示意图。如图10所示，该电子设备90包括：一个或多个处理器901和存储器902；以及存储在存储器902中的计算机程序指令，计算机程序指令在被处理器901运行时使得处理器901执行如上述任一实施例的乳腺x线影像肿块检出方法。

处理器901可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。

存储器902可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器901可以运行程序指令，以实现上文的本申请的各个实施例的乳腺x线影像肿块检出方法中的步骤以及/或者其他期望的功能。在计算机可读存储介质中还可以存储诸如光线强度、补偿光强度、滤光片的位置等信息。

在一个示例中，电子设备90还可以包括：输入装置903和输出装置904，这些组件通过总线系统和/或其他形式的连接机构(图10中未示出)互连。

例如，在该电子设备是如工业生产线上的机器人时，该输入装置903可以是摄像头，用于捕捉待加工零件的位置。在该电子设备是单机设备时，该输入装置903可以是通信网络连接器，用于从外部的可移动设备接收所采集的输入信号。此外，该输入装置903还可以包括例如键盘、鼠标、麦克风等等。

该输出装置904可以向外部输出各种信息，例如可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图10中仅示出了该电子设备90中与本申请有关的组件中的一些，省略了诸如总线、输入装置/输出接口等组件。除此之外，根据具体应用情况，电子设备90还可以包括任何其他适当的组件。

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，包括计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行如上述任一实施例的乳腺x线影像肿块检出方法中的步骤。

计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性乳腺x线影像肿块检出方法”部分中描述的根据本申请各种实施例的乳腺x线影像肿块检出方法中的步骤。

计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器((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。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换等，均应包含在本申请的保护范围之内。