图像处理方法及相关装置、电子设备和存储介质与流程

1.本技术涉及计算机领域，特别是涉及一种图像处理方法及相关装置、电子设备和存储介质。


背景技术：

2.ct(computed tomography，计算机断层扫描)和mri(magnetic resonance imaging，核磁共振扫描)等医学图像在诸如靶区勾画等临床应用中具有重要意义。
3.现有的靶区勾画，一般直接在医学图像中勾画出靶区整体，如将医学图像作为单一输入，直接在医学图像中勾画出靶区整体，或者，结合医学图像等多模态数据，直接在医学图像中勾画出靶区整体。采取直接勾画出靶区整体的勾画方式，往往勾画效果欠佳。有鉴于此，如何提高靶区勾画效果成为亟待解决的问题。


技术实现要素：

4.本技术提供一种图像处理方法及相关装置、电子设备和存储介质。
5.本技术第一方面提供了一种图像处理方法，包括：获取目标对象的待测医学图像；其中，目标对象涉及目标病种，且目标病种的靶区与若干亚结构相关；基于目标对象的个体情况，确定待测医学图像中亚结构的子区域，作为目标子区域；基于目标子区域，勾画待测医学图像中目标病种的靶区。
6.因此，获取目标对象的待测医学图像，且目标对象涉及目标病种，目标病种的靶区与若干亚结构相关，再基于目标对象的个体情况，确定待测医学图像中亚结构的子区域，作为目标子区域，并基于目标子区域，勾画待测医学图像中目标病种的靶区，即在靶区勾画过程中，把勾画靶区整体的任务转化为勾画若干亚结构的任务，通过将靶区勾画任务化整为零，并结合目标对象的个体情况，勾画出与个体情况相关的亚结构的子区域，并基于这些子区域得到目标病种的靶区，从而能够适应不同目标对象的个体差异，有利于提升靶区勾画效果。此外，由于勾画得到的靶区能够适应于不同目标对象的个体差异，具有良好的勾画效果，甚至能够无需再调整靶区即可直接使用，故能够大大减少后续调整靶区所需的工作量，有利于大大提升靶区勾画效率。
7.其中，基于目标对象的个体情况，确定待测医学图像中亚结构的子区域，作为目标子区域，包括：基于个体情况，从待测医学图像中的若干亚结构中选择目标亚结构，并勾画目标亚结构的子区域，作为目标子区域；或者，勾画待测医学图像中若干亚结构的子区域，作为候选子区域，并基于个体情况，从候选子区域中选择目标子区域。
8.因此，基于个体情况，从待测医学图像中的若干亚结构中选择目标亚结构，并勾画目标亚结构的子区域，作为目标子区域，或者，勾画待测医学图像中若干亚结构的子区域，作为候选子区域，并基于个体情况，从候选子区域中选择目标子区域，即在靶区勾画过程中，可以基于先选择目标亚结构再勾画目标子区域的工作流，得到靶区，也可以基于先勾画子区域再选择目标子区域的工作流，得到靶区，故能够尽可能地满足不同勾画习惯，有利于
大大提升用户体验。
9.其中，基于个体情况，从待测医学图像中的若干亚结构中选择目标亚结构，包括：显示若干第一选项；其中，若干第一选项分别表示若干亚结构；基于用户根据个体情况而对至少一个第一选项的选择指令，得到目标亚结构。
10.因此，通过显示若干第一选项，且若干第一选项分别表示若干亚结构，并基于用户根据个体情况而对至少一个第一选项的选择指令，得到目标亚结构，故在先选择目标亚结构再勾画目标子区域的工作流中，仅需轻量交互即可得到与个体情况相关的目标亚结构，一方面通过引入用户参与交互，能够有利于提升用户体验，另一方面通过轻量交互得到目标亚结构，也能够有利于大大减少用户在靶区勾画过程中的工作量。
11.其中，基于个体情况，从候选子区域中选择目标子区域，包括：显示若干第二选项；其中，若干第二选项分别表示若干亚结构；基于用户根据个体情况而对至少一个第二选项的选择指令，得到目标子区域。
12.因此，通过显示若干第二选项，且若干第二选项分别表示若干亚结构，并积极与用户根据个体情况而对至少一个第二选项的选择指令，得到目标子区域，故在先勾画子区域再选择目标子区域的工作流中，仅需轻量交互即可得到与个体情况相关的目标亚结构，一方面通过引入用户参与交互，能够有利于提升用户体验，另一方面通过轻量交互得到目标亚结构，也能够有利于大大减少用户在靶区勾画过程中的工作量。
13.其中，子区域是利用适用于目标病种的勾画模型勾画得到的，且勾画模型是利用样本医学图像训练得到的，样本医学图像标注有与目标病种相关的各个亚结构的样本子区域。
14.因此，由于子区域是利用适用于目标病种的勾画模型勾画得到的，故能够有利于大大提升亚结构的子区域的勾画效率，且由于勾画模型是利用样本医学图像训练得到的，而样本医学图像又标注有与目标病种相关的各个亚结构的样本子区域，故能够在勾画模型训练过程中，学习到与目标病种相关的各个亚结构的特征，有利于提升勾画模型的性能。
15.其中，勾画模型的训练步骤包括：利用勾画模型对样本医学图像进行处理，得到与目标病种相关的各个亚结构的预测子区域；基于各个亚结构的样本子区域和预测子区域之间的差异，调整勾画模型的网络参数。
16.因此，利用勾画模型对样本医学图像进行处理，得到与目标病种相关的各个亚结构的预测子区域，并基于各个亚结构的样本子区域和预测子区域之间的差异，调整勾画模型的网络参数，故在勾画模型的训练过程中，通过样本子区域约束预测子区域，从而能够使得勾画模型学习到与目标病种相关的各个亚结构的特征，有利于提升勾画模型的性能。
17.其中，适用于目标病种的勾画模型属于预先训练完毕的若干勾画模型中，若干勾画模型分别适用于若干病种，且适用于目标病种的勾画模型是基于目标病种从若干勾画模型中选择得到的。
18.因此，适用于目标病种的勾画模型属于预先训练完毕的若干勾画模型中，且若干勾画模型分别适用于若干病种，适用于目标病种的勾画模型是基于目标病种从若干勾画模型中选择得到的，故能够有利于大大扩展支持勾画的病种范围。
19.其中，个体情况包括：目标对象的病程信息、目标对象罹患目标病种的病理信息、目标对象的临床信息中至少一者。
20.因此，通过将个体情况设置为包括：目标对象的病程信息、目标对象罹患目标病种的病理信息、目标对象的临床信息中至少一者，能够从多方面多角度表征目标对象的个体情况，有利于提升靶区勾画的准确性。
21.本技术第二方面提供了一种图像处理装置，包括：图像获取模块、结构勾画模块和靶区获取模块，图像获取模块，用于获取目标对象的待测医学图像；其中，目标对象涉及目标病种，且目标病种的靶区与若干亚结构相关；结构勾画模块，用于基于目标对象的个体情况，确定待测医学图像中亚结构的子区域，作为目标子区域；靶区获取模块，用于基于目标子区域，勾画待测医学图像中目标病种的靶区。
22.本技术第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述第一方面中的图像处理方法。
23.本技术第四方面提供了一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述第一方面中的图像处理方法。
24.上述方案，获取目标对象的待测医学图像，且目标对象涉及目标病种，目标病种的靶区与若干亚结构相关，再基于目标对象的个体情况，确定待测医学图像中亚结构的子区域，作为目标子区域，并基于目标子区域，勾画待测医学图像中目标病种的靶区，即在靶区勾画过程中，把勾画靶区整体的任务转化为勾画若干亚结构的任务，通过将靶区勾画任务化整为零，并结合目标对象的个体情况，勾画出与个体情况相关的亚结构的子区域，并基于这些子区域得到目标病种的靶区，从而能够适应不同目标对象的个体差异，有利于提升靶区勾画效果。此外，由于勾画得到的靶区能够适应于不同目标对象的个体差异，故能够大大减少后续调整靶区所需的工作量，甚至能够无需再调整靶区即可直接使用，有利于大大提升靶区勾画效率。
附图说明
25.图1是本技术图像处理方法一实施例的流程示意图；
26.图2是训练勾画模型一实施例的流程示意图；
27.图3是本技术图像处理方法另一实施例的流程示意图；
28.图4是本技术图像处理方法又一实施例的流程示意图；
29.图5是本技术图像处理装置一实施例的框架示意图；
30.图6是本技术电子设备一实施例的框架示意图；
31.图7是本技术计算机可读存储介质一实施例的框架示意图。
具体实施方式
32.下面结合说明书附图，对本技术实施例的方案进行详细说明。
33.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本技术。
34.本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
35.请参阅图1，图1是本技术图像处理方法一实施例的流程示意图。
36.具体而言，可以包括如下步骤：
37.步骤s11：获取目标对象的待测医学图像。
38.本公开实施例中，目标对象涉及目标病种，且目标病种的靶区与若干亚结构相关。具体地，与目标病种相关的亚结构可以包括具有相同生物学功能或对放疗反应性相似的解剖功能结构，如目标病种可能侵犯淋巴引流区和高危复发区，则与目标病种相关的亚结构可以包括上述淋巴引流区和高危复发区中各个亚结构。例如，在目标病种为“结直肠癌”的情况下，与目标病种相关的各个亚结构可以包括但不限于：骶前区、直肠系膜区、髂内淋巴引流区、闭孔淋巴引流区、髂外淋巴引流区等；或者，在目标病种为“乳腺癌”的情况下，与目标病种相关的各个亚结构可以包括但不限于：内乳淋巴引流区、锁骨淋巴引流区、腋窝淋巴引流区等。其他情况可以以此类推，在此不再一一举例。此外，需要说明的是，如上述“结直肠癌”和“乳腺癌”两个不同病种，通常情况下，与不同病种相关的亚结构通常也不同。
39.在一个实施场景中，待测医学图像可以包括但不限于：ct图像、mr图像等，在此不做限定。
40.在一个实施场景中，目标对象可以涉及至少一种目标病种，如目标对象仅涉及一种目标病种(如，“乳腺癌”，或“结直肠癌”)；或者，目标对象也可以涉及多种目标病种(如，“乳腺癌”和“结直肠癌”等)，在此不做限定。
41.在一个实施场景中，目标病种可以是医护人员基于待测医学图像判断得到的。例如，在扫描得到目标对象的待测医学图像之后，影像科医师或者专科医师可以结合自身经验、专业知识给出判断，从而确定目标对象所罹患的目标病种。
42.在一个实施场景中，目标病种也可以是基于待测医学图像自动勾画得到的。例如，为了提高病种勾画的效率，可以预先训练一个病种勾画模型，该病种勾画模型可以包括但不限于：卷积层、池化层、全连接层等，在此不做限定。在此基础上，可以将待测医学图像输入病种勾画模型，得到该待测医学图像所涉及的目标病种。具体地，病种勾画模型可以勾画得到若干病种的预测概率值，最大预测概率值对应的病种即可作为目标病种。此外，为了提高病种勾画模型的准确性，在进行病种检测之前，可以利用样本医学图像训练病种勾画模型，且样本医学图像可以标注有所涉及的样本病种。例如，对罹患“结直肠癌”的病患扫描得到的样本医学图像可以标注样本病种“结直肠癌”，对罹患“乳腺癌”的病患扫描得到的样本医学图像可以标注样本病种“乳腺癌”，其他情况可以以此类推，在此不再一一举例。在此基础上，可以利用病种勾画模型对样本医学图像进行病种检测，得到预测病种，再基于预测病种与样本病种之间的差异，调整病种勾画模型的网络参数。具体地，病种勾画模型可以勾画得到若干病种的预测概率值，最大预测概率值对应的病种即可作为预测病种，则可以基于样本病种，采用交叉熵损失函数处理上述若干病种的预测概率值，得到病种勾画模型的损失值，再利用诸如梯度下降等优化方式，基于损失值调整病种勾画模型的网络参数。网络参数的具体调整过程，可以参阅诸如梯度下降等优化方式的技术细节，在此不再赘述。
43.步骤s12：基于目标对象的个体情况，确定待测医学图像中亚结构的子区域，作为目标子区域。
44.在一个实施场景中，个体情况可以包括但不限于：目标对象的病程信息、目标对象罹患目标病种的病理信息、目标对象的临床信息等，在此不做限定。上述方式，通过将个体
情况设置为包括：目标对象的病程信息、目标对象罹患目标病种的病理信息、目标对象的临床信息中至少一者，能够从多方面多角度表征目标对象的个体情况，有利于提升靶区勾画的准确性。在一个具体的实施场景中，目标对象的病程信息可以包括以下任一者：一期、二期、三期，此外，病程信息还可以包括具体的tnm分期(tumor node metastasis classification)，在此不做限定。以目标病种“结直肠癌”为例，在病程一期，癌细胞可能波及直肠系膜区，在病程二期，癌细胞可能进一步扩散到，在病程三期，癌细胞可能又进一步扩散。其他情况可以以此类推，在此不再一一距离。即在不同病程，被侵犯的亚结构可能并不完全相同。需要说明的是，上述关于“结直肠癌”不同病程的举例，仅仅是现实场景中的可能情况，并不因此而限定实际侵犯的亚结构。
45.在一个具体的实施场景中，目标对象罹患目标病种的病理信息可以包括但不限于：发病原因、发病原理和患病过程中细胞、组织、器官等在功能、代谢等方面的改变等等。仍以目标病种“结直肠癌”为例，目标对象甲罹患结直肠癌的病因可以为“高脂肪低纤维素的饮食习惯”，而目标对象乙罹患结直肠癌的病因可以为“遗传因素”。即对于罹患相同病种的病患而言，其病理也可能并不完全相同。需要说明的是，上述仅仅是“结直肠癌”不同病理的示例性举例，并不因此而限定实际病理。
46.在一个具体的实施场景中，目标对象的临床信息可以包括但不限于：切片检查、常规检查(如，血液、尿液等检查)、体格检查等，在此不做限定。
47.在一个具体的实施场景中，目标对象的个体情况还可以包括其他信息，例如可以包括但不限于影像信息，在此不做限定。
48.在一个实施场景中，作为一种工作流，可以基于个体情况，从待测医学图像中的若干亚结构中选择目标亚结构，并勾画目标亚结构的子区域，作为目标子区域。也就是说，在靶区勾画过程中，可以基于先选择目标亚结构再勾画目标子区域的工作流，从而后续得以基于目标子区域，勾画靶区。
49.在一个具体的实施场景中，可以显示若干第一选项，且若干第一选项分别表示与目标病种相关的若干亚结构，并基于用户根据个体情况而对至少一个第一选项的选择指令，确定目标亚结构。仍以目标病种“结直肠癌”为例，可以显示如下第一选项：骶前区、直肠系膜区、髂内淋巴引流区、闭孔淋巴引流区、髂外淋巴引流区，医护人员(如，影像科医师、专科医师)可以根据目标对象的个体情况(如，处于“一期”病程、病因为“饮食习惯”等)，选择选项骶前区和直肠系膜区，则可以得到目标亚结构：骶前区、直肠系膜区。其他情况可以以此类推，在此不再一一举例。上述方式，在先选择目标亚结构再勾画目标子区域的工作流中，仅需轻量交互即可得到与个体情况相关的目标亚结构，一方面通过引入用户参与交互，能够有利于提升用户体验，另一方面通过轻量交互确定目标亚结构，也能够有利于大大减少用户在靶区勾画过程中的工作量。
50.在一个具体的实施场景中，为了提高勾画效率，可以预先训练一个适用于目标病种的勾画模型，从而可以利用该勾画模型对待测医学图像进行检测，得到待测医学图像中目标亚结构的目标子区域。具体地，勾画模型可以包括但不限于u
‑
net等分割网络，在此不做限定。勾画模型的训练过程，可以参阅下述相关公开实施例，在此暂不赘述。
51.在一个具体的实施场景中，为了进一步提高支持勾画的病种范围，还可以预先训练分别适用于若干病种的若干勾画模型，并在获悉目标对象所涉及的目标病种之后，可以
从上述若干勾画模型中选择适用于目标病种的勾画模型，以利用该勾画模型对待测医学图像进行处理。例如，可以预先训练适用于“结直肠癌”、“肺癌”、“乳腺癌”、“鼻咽癌”、“宫颈癌”等不同病种的勾画模型，在获悉到目标对象涉及目标病种“结直肠癌”的情况下，则可以选择适用于目标病种“结直肠癌”的勾画模型对待测医学图像进行处理。其他情况可以以此类推，在此不再一一举例。上述方式，适应于目标病种的勾画模型属于预先训练完毕的若干勾画模型中，且若干勾画模型分别适用于若干病种，适用于目标病种的勾画模型是基于目标病种从若干勾画模型中选择得到的，故能够有利于大大扩展支持勾画的病种范围。
52.在一个实施场景中，作为另一种工作流，可以先勾画待测医学图像中与目标病种相关的若干亚结构的子区域，作为候选子区域，并基于个体情况，从候选子区域中选择目标子区域。也就是说，在靶区勾画过程中，也可以基于先勾画子区域再选择目标子区域的工作流，从而后续得以基于目标子区域，得到靶区。
53.在一个具体的实施场景中，可以显示若干第二选项，且若干第二选项分别表示与目标病种相关的若干亚结构，并基于用户根据个体情况而对至少一个第二选项的选择指令，得到目标子区域。仍以目标病种“结直肠癌”为例，在勾画得到待测医学图像中与目标病种相关的各个亚结构(即骶前区、直肠系膜区、髂内淋巴引流区、闭孔淋巴引流区、髂外淋巴引流区)的子区域之后，可以将这些子区域作为候选子区域，并显示如下第二选项：骶前区、直肠系膜区、髂内淋巴引流区、闭孔淋巴引流区、髂外淋巴引流区，医护人员(如，影像科医师、专科医师)可以根据目标对象的个体情况(如，处于“一期”病程、病因为“饮食习惯”等)，选择选项骶前区和直肠系膜区，则可以将亚结构“骶前区”的候选子区域和亚结构“骶前区”的候选子区域，作为目标子区域。其他情况可以以此类推，在此不再一一举例。上述方式，在先勾画子区域再选择目标子区域的工作流中，仅需轻量交互即可得到与个体情况相关的目标子区域，一方面通过引入用户参与交互，能够有利于提升用户体验，另一方面通过轻量交互得到目标子区域，也能够有利于大大减少用户在靶区勾画过程中的工作量。
54.在一个具体的实施场景中，为了提高勾画效率，可以预先训练一个适用于目标病种的勾画模型，从而可以利用该勾画模型对待测医学图像进行处理，得到待测医学图像中与目标病种相关的各个亚结构的子区域。勾画模型的具体训练过程，可以参阅下述相关公开实施例，在此暂不赘述。
55.在一个具体的实施场景中，为了进一步提高支持勾画的病种范围，还可以预先训练分别适用于若干病种的若干勾画模型，并在获悉目标对象所涉及的目标病种之后，可以从上述若干勾画模型中选择适用于目标病种的勾画模型，以利于该勾画模型对待测医学图像进行处理。具体可以参阅前述相关描述，在此不再赘述。
56.需要说明的是，上述若干第一选项和若干第二选项可以相同，第一选项的先后顺序和第二选项的先后顺序可以不同，也可以相同，在此不做限定。
57.步骤s13：基于目标子区域，勾画待测医学图像中目标病种的靶区。
58.在一个实施场景中，可以将目标子区域的组合区域，作为待测医学图像中目标病种的靶区，故能够通过简单组合，即可得到目标病种的靶区。仍以“结直肠癌”为例，在目标对象的个体情况包括：处于“一期”病程的情况下，可以得到亚结构“骶前区”的目标子区域和亚结构“直肠系膜区”的目标子区域，在此之后，即可将各个目标子区域的组合区域，作为目标病种的靶区；或者，在目标对象的个体情况包括：处于“三期”病程的情况下，可以得到
各个亚结构的目标子区域，在此之后，即可将各个目标子区域的组合区域，作为目标病种的靶区。其他情况可以以此类推，在此不再一一举例。也就是说，对于个体情况不同的目标对象而言，或者，对于相同目标对象的不同时间节点而言，即使目标病种相同，最终也能够得到与目标病种以及个体情况吻合的靶区。
59.在一个实施场景中，在将目标子区域的组合区域，作为待测医学图像中目标病种的靶区之后，也可以接收用户对靶区的轮廓边界的修改信息，以实现对靶区的自助更新。具体地，可以显示靶区，用户可以基于实际需要(如，放疗规划等)对靶区的轮廓边界进行调整，以得到更新后的靶区。
60.上述方案，获取目标对象的待测医学图像，且目标对象涉及目标病种，目标病种的靶区与若干亚结构相关，再基于目标对象的个体情况，确定待测医学图像中亚结构的子区域，作为目标子区域，并基于目标子区域，勾画待测医学图像中目标病种的靶区，即在靶区勾画过程中，把勾画靶区整体的任务转化为勾画若干亚结构的任务，通过将靶区勾画任务化整为零，并结合目标对象的个体情况，勾画出与个体情况相关的亚结构的子区域，并基于这些子区域得到目标病种的靶区，从而能够适应不同目标对象的个体差异，有利于提升靶区勾画效果。此外，由于勾画得到的靶区能够适应于不同目标对象的个体差异，故能够大大减少后续调整靶区所需的工作量，甚至能够无需再调整靶区即可直接使用，有利于大大提升靶区勾画效率。
61.请参阅图2，图2是训练勾画模型一实施例的流程示意图。如前述公开实施例所述，子区域可以是利用适用于目标病种的勾画模型勾画得到的，且勾画模型可以是利用样本医学图像训练得到的。具体训练过程包括如下步骤：
62.步骤s21：利用勾画模型对样本医学图像进行处理，得到与目标病种相关的各个亚结构的预测子区域。
63.本公开实施例中，样本医学图像标注有与目标病种相关的各个亚结构的样本子区域，即尽管在现实场景中，靶区可能并不会覆盖目标病种的全部亚结构，但为了使勾画模型学习到各个亚结构的图像特征，使其具备准确勾画各个亚结构的能力，样本医学图像可以标注有与目标病种相关的所有亚结构的样本子区域。仍以目标病种“结直肠癌”为例，如前述公开实施例所述，与其相关的所有亚结构包括：骶前区、直肠系膜区、髂内淋巴引流区、闭孔淋巴引流区、髂外淋巴引流区，则可以收集涉及目标病种“结直肠癌”的样本医学图像，并在各个样本医学图像上分别标注各个亚结构(如，骶前区、直肠系膜区、髂内淋巴引流区、闭孔淋巴引流区、髂外淋巴引流区)的样本子区域。其他情况可以以此类推，在此不再一一举例。
64.步骤s22：基于各个亚结构的样本子区域和预测子区域之间的差异，调整勾画模型的网络参数。
65.在一个实施场景中，勾画模型可以检测到样本医学图像中各个样本像素点所属的亚结构，并将属于相同亚结构的样本像素点所形成的连通域作为该亚结构的样本子区域。具体地，勾画模型可以检测到样本医学图像中各个样本像素点属于与目标病种相关的各个亚结构的预测概率值，在此基础上，可以将最大预测概率值对应的亚结构，作为样本像素点所属的亚结构。基于此，可以基于样本医学图像中各个亚结构的样本子区域，确定各个样本像素点实际所属的亚结构，从而可以基于交叉熵损失函数处理各个样本像素点属于与目标
病种相关的各个亚结构的预测概率值，得到勾画模型的损失值，并根据损失值，调整勾画模型的网络参数。如可以采用诸如梯度下降等优化方式，基于损失值调整网络参数。网络参数的调整过程，可以参阅诸如梯度下降等优化方式的技术细节，在此不再赘述。
66.在一个实施场景中，还可以基于各个亚结构的样本子区域和预测子区域之间的交并比，基于dice loss损失函数处理该交并比，得到损失值，并根据损失值，调整勾画模型的网络参数。如可以采用诸如梯度下降等优化方式，基于损失值调整网络参数。网络参数的调整过程，可以参阅诸如梯度下降等优化方式的技术细节，在此不再赘述。
67.此外，如前所述，为了扩展支持勾画的病种范围，可以收集不同病种的样本医学图像，并在每种病种的样本医学图像标注该病种相关的所有亚结构的样本子区域，从而可以对各个病种执行如下训练步骤：利用适用于该病种的勾画模型对该病种的样本医学图像进行处理，得到与该病种相关的各个亚结构的预测子区域，基于各个亚结构的样本子区域和预测子区域之间的差异，调整适用于该病种的勾画模型的网络参数，从而得到适用于不同病种的勾画模型。上述训练步骤的具体过程，可以参阅前述适用于目标病种的勾画模型的训练步骤，在此不再赘述。在此基础上，可以得到适用于不同病种的若干勾画模型，从而可以在获悉目标对象所涉及的目标病种之后，从若干勾画模型中选择适用于目标病种的勾画模型，并利用该勾画模型对待测医学图像进行处理，故能够有利于大大扩展支持勾画的病种范围。
68.上述方案，利用勾画模型对样本医学图像进行处理，得到与目标病种相关的各个亚结构的预测子区域，并基于各个亚结构的样本子区域和预测子区域之间的差异，调整勾画模型的网络参数，故在勾画模型的训练过程中，通过样本子区域约束预测子区域，从而能够使得勾画模型学习到与目标病种相关的各个亚结构的特征，有利于提升勾画模型的性能。
69.请参阅图3，图3是本技术图像处理方法另一实施例的流程示意图。具体而言，可以包括如下步骤：
70.步骤s31：获取目标对象的待测医学图像，并获取目标对象涉及的目标病种。
71.本公开实施例中，目标病种的靶区与若干亚结构相关，具体可以参阅前述公开实施例中相关描述，在此不再赘述。此外，目标病种可以是医护人员基于待测医学图像判断得到的，目标病种也可以是基于待测医学图像自动勾画得到的。具体可以参阅前述公开实施例中相关描述，在此不再赘述。
72.步骤s32：基于个体情况，从待测医学图像中的若干亚结构中选择目标亚结构。
73.具体地，可以显示若干第一选项，且若干第一选项分别表示与目标病种相关的若干亚结构，再基于用户根据个体情况而对至少一个第一选项的选择指令，确定目标亚结构。具体可以参阅前述公开实施例中相关描述，在此不再赘述。
74.步骤s33：利用适用于目标病种的勾画模型对待测医学图像进行处理，得到待测医学图像中目标亚结构的目标子区域。
75.在一个实施场景中，勾画模型是利用样本医学图像训练得到的，样本医学图像标注有与目标病种相关的各个亚结构的样本子区域。勾画模型的训练过程，可以参阅前述公开实施例，在此不再赘述。
76.在一个实施场景中，为了进一步提高支持勾画的病种范围，还可以预先训练分别
适用于若干病种的若干勾画模型，并在获悉目标对象所涉及的目标病种之后，可以从上述若干勾画模型中选择适用于目标病种的勾画模型，以利用该勾画模型对待测医学图像进行处理，得到待测医学图像中目标亚结构的目标子区域。具体可以参阅前述公开实施例中相关描述，在此不再赘述。
77.步骤s34：基于目标子区域，勾画待测医学图像中目标病种的靶区。
78.具体可以参阅前述公开实施例，在此不再赘述。
79.上述方案，获取目标对象的待测医学图像，并获取目标对象涉及的目标病种，基于个体情况，从待测医学图像中的若干亚结构中选择目标亚结构，从而利用适用于目标病种的勾画模型对待测医学图像进行处理，得到待测医学图像中目标亚结构的目标子区域，基于此再基于目标子区域，勾画待测医学图像中目标病种的靶区，故在靶区勾画过程中，一方面通过将靶区勾画任务化整为零，并结合目标对象的个体情况，勾画出与个体情况相关的亚结构的子区域，并基于这些子区域得到目标病种的靶区，从而能够适应不同目标对象的个体差异，有利于提升靶区勾画效果，另一方面由于勾画得到的靶区能够适应于不同目标对象的个体差异，故能够大大减少后续调整靶区所需的工作量，甚至能够无需再调整靶区即可直接使用，有利于大大提升靶区勾画效率，又一方面通过引入用户参与交互，能够有利于提升用户体验，且通过轻量交互得到目标亚结构，也能够有利于大大减少用户在靶区勾画过程中的工作量。
80.请参阅图4，图4是本技术图像处理方法又一实施例的流程示意图。具体而言，可以包括如下步骤：
81.步骤s41：获取目标对象的待测医学图像，并获取目标对象涉及的目标病种。
82.本公开实施例中，目标病种的靶区与若干亚结构相关，具体可以参阅前述公开实施例中相关描述，在此不再赘述。此外，目标病种可以是医护人员基于待测医学图像判断得到的，目标病种也可以是基于待测医学图像自动勾画得到的。具体可以参阅前述公开实施例中相关描述，在此不再赘述。
83.步骤s42：利用适用于目标病种的勾画模型对待测医学图像进行处理，得到待测医学图像中若干亚结构的子区域，作为候选子区域。
84.在一个实施场景中，勾画模型是利用样本医学图像训练得到的，样本医学图像标注有与目标病种相关的各个亚结构的样本子区域。勾画模型的训练过程，可以参阅前述公开实施例，在此不再赘述。
85.在一个实施场景中，为了进一步提高支持勾画的病种范围，还可以预先训练分别适用于若干病种的若干勾画模型，并在获悉目标对象所涉及的目标病种之后，可以从上述若干勾画模型中选择适用于目标病种的勾画模型，以利用该勾画模型对待测医学图像进行处理，得到待测医学图像中若干亚结构的子区域，作为候选子区域。具体可以参阅前述公开实施例中相关描述，在此不再赘述。
86.步骤s43：基于个体情况，从候选子区域中选择目标子区域。
87.具体地，可以显示若干第二选项，且若干第二选项分别表示与目标病种相关的若干亚结构，并基于用户根据个体情况而对至少一个第二选项的选择指令，得到目标子区域。具体可以参阅前述公开实施例中相关描述，在此不再赘述。
88.步骤s44：基于目标子区域，勾画待测医学图像中目标病种的靶区。
89.具体可以参阅前述公开实施例，在此不再赘述。
90.上述方案，获取目标对象的待测医学图像，并获取目标对象涉及的目标病种，利用适用于目标病种的勾画模型对待测医学图像进行处理，得到待测医学图像中若干亚结构的子区域，作为候选子区域，基于个体情况，从候选子区域中选择目标子区域，基于此再基于目标子区域，勾画待测医学图像中目标病种的靶区，故在靶区勾画过程中，一方面通过将靶区勾画任务化整为零，并结合目标对象的个体情况，勾画出与个体情况相关的亚结构的子区域，并基于这些子区域得到目标病种的靶区，从而能够适应不同目标对象的个体差异，有利于提升靶区勾画效果，另一方面由于勾画得到的靶区能够适应于不同目标对象的个体差异，故能够大大减少后续调整靶区所需的工作量，甚至能够无需再调整靶区即可直接使用，有利于大大提升靶区勾画效率，又一方面通过引入用户参与交互，能够有利于提升用户体验，且通过轻量交互得到目标亚结构，也能够有利于大大减少用户在靶区勾画过程中的工作量。
91.请参阅图5，图5是本技术图像处理装置50一实施例的框架示意图。图像处理装置50包括：图像获取模块51、结构勾画模块52和靶区获取模块53，图像获取模块51，用于获取目标对象的待测医学图像；其中，目标对象涉及目标病种，且目标病种的靶区与若干亚结构相关；结构勾画模块52，用于基于目标对象的个体情况，确定待测医学图像中亚结构的子区域，作为目标子区域；靶区获取模块53，用于基于目标子区域，勾画待测医学图像中目标病种的靶区。
92.上述方案，在靶区勾画过程中，把勾画靶区整体的任务转化为勾画若干亚结构的任务，通过将靶区勾画任务化整为零，并结合目标对象的个体情况，勾画出与个体情况相关的亚结构的子区域，并基于这些子区域得到目标病种的靶区，从而能够适应不同目标对象的个体差异，有利于提升靶区勾画效果。此外，由于勾画得到的靶区能够适应于不同目标对象的个体差异，故能够大大减少后续调整靶区所需的工作量，甚至能够无需再调整靶区即可直接使用，有利于大大提升靶区勾画效率。
93.在一些公开实施例中，结构勾画模块52包括第一勾画子模块，用于基于个体情况，从待测医学图像中的若干亚结构中选择目标亚结构，并勾画目标亚结构的子区域，作为目标子区域，或者，结构勾画模块52包括第二勾画子模块，用于勾画待测医学图像中若干亚结构的子区域，作为候选子区域，并基于个体情况，从候选子区域中选择目标子区域。
94.因此，可以基于先选择目标亚结构再勾画目标子区域的工作流，得到靶区，也可以基于先勾画子区域再选择目标子区域的工作流，得到靶区，故能够尽可能地满足不同勾画习惯，有利于大大提升用户体验。
95.在一些公开实施例中，第一勾画子模块包括第一显示单元，用于显示若干第一选项；其中，若干第一选项分别表示若干亚结构；第一勾画子模块包括第一选择单元，用于基于用户根据个体情况而对至少一个第一选项的选择指令，确定目标亚结构。
96.因此，在先选择目标亚结构再勾画目标子区域的工作流中，仅需轻量交互即可得到与个体情况相关的目标亚结构，一方面通过引入用户参与交互，能够有利于提升用户体验，另一方面通过轻量交互得到目标亚结构，也能够有利于大大减少用户在靶区勾画过程中的工作量。
97.在一些公开实施例中，第二勾画子模块包括第二显示单元，用于显示若干第二选
项；其中，若干第二选项分别表示若干亚结构；第二勾画子模块包括第二选择单元，用于基于用户根据个体情况而对至少一个第二选项的选择指令，得到目标子区域。
98.因此，在先勾画子区域再选择目标子区域的工作流中，仅需轻量交互即可得到与个体情况相关的目标亚结构，一方面通过引入用户参与交互，能够有利于提升用户体验，另一方面通过轻量交互得到目标亚结构，也能够有利于大大减少用户在靶区勾画过程中的工作量。
99.在一些公开实施例中，子区域是利用适用于目标病种的勾画模型勾画得到的，且勾画模型是利用样本医学图像训练得到的，样本医学图像标注有与目标病种相关的各个亚结构的样本子区域。
100.因此，由于子区域是利用适用于目标病种的勾画模型勾画得到的，故能够有利于大大提升亚结构的子区域的勾画效率，且由于勾画模型是利用样本医学图像训练得到的，而样本医学图像又标注有与目标病种相关的各个亚结构的样本子区域，故能够在勾画模型训练过程中，学习到与目标病种相关的各个亚结构的特征，有利于提升勾画模型的性能。
101.在一些公开实施例中，图像处理装置50还包括样本勾画模块，用于利用勾画模型对样本医学图像进行处理，得到与目标病种相关的各个亚结构的预测子区域；图像处理装置50还包括参数调整模块，用于基于各个亚结构的样本子区域和预测子区域之间的差异，调整勾画模型的网络参数。
102.因此，利用勾画模型对样本医学图像进行处理，得到与目标病种相关的各个亚结构的预测子区域，并基于各个亚结构的样本子区域和预测子区域之间的差异，调整勾画模型的网络参数，故在勾画模型的训练过程中，通过样本子区域约束预测子区域，从而能够使得勾画模型学习到与目标病种相关的各个亚结构的特征，有利于提升勾画模型的性能。
103.在一些公开实施例中，适用于目标病种的勾画模型属于预先训练完毕的若干勾画模型中，若干勾画模型分别适用于若干病种，且适用于目标病种的勾画模型是基于目标病种从若干勾画模型中选择得到的。
104.因此，用于目标病种的勾画模型属于预先训练完毕的若干勾画模型中，且若干勾画模型分别适用于若干病种，适用于目标病种的勾画模型是基于目标病种从若干勾画模型中选择得到的，故能够有利于大大扩展支持勾画的病种范围。
105.在一些公开实施例中，个体情况包括：目标对象的病程信息、目标对象罹患目标病种的病理信息、目标对象的临床信息中至少一者。
106.因此，通过将个体情况设置为包括：目标对象的病程信息、目标对象罹患目标病种的病理信息、目标对象的临床信息中至少一者，能够从多方面多角度表征目标对象的个体情况，有利于提升靶区勾画的准确性。
107.请参阅图6，图6是本技术电子设备60一实施例的框架示意图。电子设备60包括相互耦接的存储器61和处理器62，处理器62用于执行存储器61中存储的程序指令，以实现上述任一图像处理方法实施例的步骤。在一个具体的实施场景中，电子设备60可以包括但不限于：微型计算机、服务器，此外，电子设备60还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。
108.具体而言，处理器62用于控制其自身以及存储器61以实现上述任一图像处理方法实施例的步骤。处理器62还可以称为cpu(central processing unit，中央处理单元)。处理
器62可能是一种集成电路芯片，具有信号的处理能力。处理器62还可以是通用处理器、数字信号处理器(digital signal processor,dsp)、专用集成电路(application specific integrated circuit,asic)、现场可编程门阵列(field
‑
programmable gate array,fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器62可以由集成电路芯片共同实现。
109.上述方案，在靶区勾画过程中，把勾画靶区整体的任务转化为勾画若干亚结构的任务，通过将靶区勾画任务化整为零，并结合目标对象的个体情况，勾画出与个体情况相关的亚结构的子区域，并基于这些子区域得到目标病种的靶区，从而能够适应不同目标对象的个体差异，有利于提升靶区勾画效果。
110.请参阅图7，图7为本技术计算机可读存储介质70一实施例的框架示意图。计算机可读存储介质70存储有能够被处理器运行的程序指令701，程序指令701用于实现上述任一图像处理方法实施例的步骤。
111.上述方案，在靶区勾画过程中，把勾画靶区整体的任务转化为勾画若干亚结构的任务，通过将靶区勾画任务化整为零，并结合目标对象的个体情况，勾画出与个体情况相关的亚结构的子区域，并基于这些子区域得到目标病种的靶区，从而能够适应不同目标对象的个体差异，有利于提升靶区勾画效果。
112.在本技术所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
113.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
114.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
115.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本技术各个实施方式方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。