一种医学图像的处理方法及医学图像处理系统与流程

本发明实施例涉及图像处理技术，尤其涉及一种医学图像的处理方法及医学图像处理系统。

背景技术：

在进行医学图像检测时，检测结果通常存在两种情况，一种是真实的目标区域，即实际病变的机体位置；一种是假阳性，即实际未出现病变但是检测结果为病变的机体位置。因而，在进行医学图像检测时，筛选出假阳性对于正确检测到病灶的位置至关重要。

现有的对病灶检测的方法，首先采用滑动窗口进行初检，然后采用卷积神经网络进行去假阳性操作。由于病灶和假阳性在图像中所占的像素比例很小，采用滑动窗口进行初检的方式在窗口的尺寸太大时，存在漏检或误检的问题，在窗口的尺寸太小时，存在检测速率太慢的问题。最终导致病灶检测的准确率低以及速率慢。

技术实现要素：

本发明实施例提供一种医学图像的处理方法及医学图像处理系统，解决现有的病灶检测方法的准确率低以及速率慢的问题。

第一方面，本发明实施例提供了一种医学图像的处理方法，该方法包括：

获取同一检测区域的多幅医学图像；

将多幅医学图像分别输入到人工智能网络产生多个概率分布图，其中，所述概率分布图用于判定所述医学图像的像素点属于目标像素点的概率；

将所述多个概率分布图进行融合形成组合概率图；

根据所述组合概率图在至少一幅所述医学图像中确定目标像素点的集合。

进一步地，所述将所述多个概率分布图进行融合形成组合概率图，包括：

将所述多个概率分布图进行对齐操作，得到组合概率图，所述组合概率图中每一点表示像素点为目标像素点的概率。

进一步地，根据所述组合概率图在至少一幅所述医学图像中确定目标像素点的集合包括：

根据预设阈值对所述组合概率图进行二值化处理，获取二值图；

确定所述二值图中的独立连通域，所述医学图像中与所述独立连通域对应的像素点的集合为目标像素点的集合。

进一步地，所述多幅医学图像包括原始医学图像和所述原始医学图像的增强图像，且所述原始医学图像和所述增强图像包含灰度值不同的像素点；或者，所述多幅医学图像包括数个片层图像，且各个片层图像包含灰度值不同的像素点。

进一步地，所述目标像素点的集合为目标对象，所述目标对象对应肺部点状区域或肋骨断裂区域。

第二方面，本发明实施例还提供了一种医学图像的处理方法，该方法包括：获取同一检测区域的第一医学图像和第二医学图像，所述第一医学图像和所述第二医学图像分别包含多个像素点，且第一医学图像与第二医学图像包含灰度值不同的像素点；

利用人工智能网络对所述第一医学图像进行处理，获取第一分类结果；

利用人工智能网络对所述第二医学图像进行处理，获取第二分类结果；

联合所述第一分类结果和第二分类结果在所述第一医学图像或第二医学图像中确定目标像素点的集合。

进一步地，所述第一分类结果为所述第一医学图像的每个像素点属于目标像素点的概率值，所述第二分类结果为所述第二医学图像的每个像素点属于目标像素点的概率值。

或者，所述第一分类结果为所述第一医学图像中属于目标像素点的像素点集合的外接轮廓，所述第二分类结果为所述第二医学图像中属于目标像素点的像素点集合的外接轮廓。

第三方面，本发明实施例还提供了一种医学图像处理系统，该系统包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如下步骤：

获取相同检测区域的第一医学图像和第二医学图像，第一医学图像和第二医学图像分别包含多个像素点，且第一医学图像与第二医学图像含灰度值不同的像素点；

利用人工智能网络对所述第一医学图像、第二医学图像进行处理，获取第一分类结果和第二分类结果；

联合所述第一分类结果和第二分类结果在所述第一医学图像或第二医学图像中确定目标对象。

进一步地，该系统还包括：显示器，所述显示器用于将所述目标对象在所述第一医学图像或第二医学图像上标识显示。

其中，所述第一医学图像和第二医学图像为ct图像或dr图像，所述目标对象为所述肺部的点状区域或肋骨的非连续区域。

本发明实施例通过多幅医学图像分别输入到人工智能网络，由于人工智能网络处理数据的速度快的特性，提高了目标像素点的集合的检测速率，并且根据概率分布图确定目标像素点可以保证目标像素点的检测准确率，将概率分布图进行融合，根据融合形成的组合概率图确定目标像素点的集合进一步提高了目标像素点的集合的检测准确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种医学图像的处理方法的流程图；

图2是本发明实施例一提供的v-net的网络结构示意图；

图3是本发明实施例二提供的一种医学图像的处理方法的流程图；

图4a是本发明实施例三提供的一种医学图像的处理方法的流程图；

图4b是本发明实施例三采用如图4a所示的方法获取的图像检测结果；

图5为本发明实施例四提供的一种医学图像处理方法流程图示意图；

图6是本发明实施例四提供的rpn中使用的vgg网络结构示意图；

图7为本发明实施例五提供的一种医学图像处理系统的结构框图；

图8为本发明实施例五提供的显示器界面示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下将参照本发明实施例中的附图，通过实施方式清楚、完整地描述本发明的技术方案，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

图1是本发明实施例一提供的一种医学图像的处理方法的流程图。本实施例的技术方案可以适用于对目标像素点进行检测的情况，目标像素点例如可以是病灶区域中的像素，也可以是任何感兴趣区域的像素点。该方法具体包括如下操作：

s110、获取同一检测区域的多幅医学图像。可选地，各幅医学图像可包含灰度值不同的像素点。

医学图像可以是肺部图像，通过医学图像的检测方法，可从医学图像中检测得到肺部结节区域、肺气肿发生的区域或者肋骨骨折区域。医学图像可以是一维(1d)数据，二维(2d)图像或三维(3d)图像，例如，1d数据可以是心电图仪(electrocardiography)采集获取的心电图；2d图像可以是数字化x射线摄影(digitalradiography，dr)设备采集的x射线图像；3d图像可以是磁共振成像(magneticresonanceimaging，mri)设备采集的mr图像、计算机断层扫描(computedtomography，ct)设备采集的ct图像、正电子发射型计算机断层成像(positronemissioncomputedtomography，pet)设备采集的pet图像、超声(ultrasonic，us)设备采集的超声图像、荧光光谱(fluorescence)设备采集的荧光图像中的一种或多种的组合。医学图像可以对应受检者的肺部区域、乳腺区域、结肠区域、头部区域等。可选地，医学图像还可进行图像强度、图像对比度、图像格式、图像切片间距等归一化处理操作。可选地，医学图像的格式可以是dicom格式、二进制格式或者nifti格式。

在一个实施例中，多幅医学图像可以是原始图像和原始图像的增强图像，也可以是多片层图像(2d图像)，还可以是同一目标区域的不同对比度的图像，例如对应目标区域为肺部的对比度分别为高、中和低的三幅肺部图像。在此实施例中，其中一幅图像为原始图像(对应人工智能网络的一个输入通道)，另一幅图像为原始图像的增强图像(对应人工智能网络的另一个输入通道)，增强图像的部分区域进行增强处理，与原始图像的对应体素具有不同的灰度值，从而原始图像和增强图像获得不同的对比度。原始图像的增强方法可参考：liq,sones.selectiveenhancementfiltersfornodules,vessels,andairwaywallsintwo‐andthree‐dimensionalctscans[j].medicalphysics,2003,30(8):2040-2051。

s120、将多幅医学图像分别输入到人工智能网络产生多个概率分布图，其中，所述人工智能网络是预先依据医学图像样本和对应的目标像素点训练得到的，所述概率分布图为所述医学图像中的像素点属于目标像素点或目标像素点的集合的概率，且每幅医学图像对应一个概率分布图。

其中，所述人工智能网络可设置为端到端网络，该端到端网络包括：区域建议网络、全卷积神经网络、u-net或v-net等。

图2为本发明实施例中v-net的网络结构示意图，上述网络的左边部分用于提取图像特征，右边部分将提取得到的特征组合并扩展成原始图像尺寸的概率图，具体可参考milletarif,navabn,ahmadisa.v-net:fullyconvolutionalneuralnetworksforvolumetricmedicalimagesegmentation[c]//3dvision(3dv),2016fourthinternationalconferenceon.ieee,2016:565-571。该v-net保留了u-net的卷积过程中的中间结果加到转置卷积运算中这一特点，并使用了dice函数作为目标函数，并且使用了残差网络(residualnet)的跳层。dice函数可以计算两个物体的相似度：

其中，pi属于预测物体的体素；gi为实际物体的体素；1≤i≤n，n为体素个数，且n为大于1的整数。

在此实施例中，端到端网络是预先依据大量医学图像样本和对应的目标像素点或目标对象训练得到的，端到端网络指的是输入为原始数据，输出可以是一通道或者多通道，输出是最后的结果，无需提取特征，自主学习特征，方便快捷。端到端网络产生的概率分布图可以反映每一个像素是目标像素点的概率或者每一个像素属于非目标像素点的概率。例如，对于ct肺部图像，通过对整幅图像的所有像素的概率分析，可以确定肺部图像中的节点，该节点可以是肺部结节区域。又例如，可以根据所有的概率值设定阈值进行分割，对阈值分割之后的结果提取/确定孤立区域，每个孤立区域即为目标像素点组成的集合。进一步地，根据孤立区域的形态可确定肺气肿区域、肋骨中的非连续点(断点)或者发生气胸的区域，从而确定目标对象。

s130、将所述人工智能网络产生的多个概率分布图进行融合形成组合概率图。

所述将多个概率分布图进行融合形成组合概率图，包括：

将两个或多个概率图进行堆叠或者对齐操作，得到组合概率图，所述组合概率图中每一点表示像素点为目标像素点的概率。

其中，堆叠或者对齐操作可以是在相同位置的概率分布图中选取概率满足预设规则的概率，例如选取概率值最小的概率值，其中概率值表征像素属于目标像素点的概率，由此可以提高目标像素点的确定精度。

s140、根据所述组合概率图在所述至少一幅所述医学图像中确定目标像素点的集合。可选地，目标像素点的集合为目标对象，该目标对象对应肺部点状区域或肋骨断裂区域。

进一步地，还可对目标对象进行渲染或量化等后处理操作。在此实施例中，可对医学图像或者目标对象进行3dvr渲染操作，并对该操作之后的目标区域进行量化处理，该量化处理可包括监测目标对象的长轴长度和短轴长度等。

本发明实施例通过将多幅医学图像分别输入到人工智能网络，由于人工智能网络处理数据的速度快的特性，提高了目标像素点的集合的检测速率，并且根据概率分布图确定目标像素点可以保证目标像素点的检测准确率，将概率分布图进行融合，根据融合形成的组合概率图确定目标像素点的集合进一步提高了目标像素点的集合的检测准确率。

实施例二

图3是本发明实施例二提供的一种医学图像的处理方法的流程图。本实施例的技术方案在上述任意实施例的基础上，进一步优化了根据所述组合概率图在至少一幅所述医学图像中确定目标像素点的操作。相应地，本实施例的方法包括：

s310、获取多幅医学图像，所述多幅医学图像对应同一目标区域，且各幅医学图像包含灰度值不同的像素点。在此实施例中，多幅医学图像的其中一幅可以是原始图像，其余的医学图像为原始图像经过图像增强处理获得。进一步地，对医学图像的增强仅局部增强，且增强后的各幅医学图像具有不同的对比度。

s320、将多幅医学图像分别输入到人工智能网络产生多个概率分布图，其中，所述人工智能网络是预先依据医学图像样本和对应的目标像素点(或目标像素点的概率分布)生成的，所述概率分布为所述医学图像中的像素点属于目标像素点的概率。在此实施例中，人工智能网络选择端到端网络。

s330、将所述多个概率分布图进行融合形成组合概率图。

示例性地，每一个概率分布图对应一个矩阵，若人工智能网络第一输入通道的医学图像经过端到端网络产生的概率图对应的矩阵为a，人工智能网络第二输入通道的医学图像经过端到端网络产生的概率图对应的矩阵为b，则第一输入通道和第二输入通道的组合概率图为[a，b]。

s340、根据预设阈值对所述组合概率图进行二值化处理，获取二值图。

预设阈值可以根据组合概率图中的概率值统计得到。根据预设阈值对组合概率图进行二值化处理可以是将大于预设阈值的像素值设为1，将小于预设阈值的像素值设为0，由此实现二值化，得到对应的二值图。

s350、确定所述二值图中的独立连通域，所述医学图像中与所述独立连通域对应的像素点集合为目标像素点的集合，进而确定目标对象。

二值图中的独立连通域即像素值均大于预设阈值或均小于预设阈值的像素值，并且周围像素与独立连通区域中像素的像素值的特性相反。

优选地，所述根据所述二值图中的独立连通域的位置，确定医学图像中与独立连通域对应的像素点集合为目标像素点的集合，包括：将所述独立连通域在二值图中的位置映射为所述独立连通域在所述医学图像中的位置；将映射后的独立连通域在所述医学图像中的位置作为目标像素点集合(目标对象)的位置，从而确定目标像素点的集合。独立连通域在二值图中的位置与独立连通区域在医学图像中的位置相同。独立连通区域在医学图像中的位置即目标像素点的集合的位置，可以是病灶位置，根据该位置可以进一步得到病灶图像，便于对病灶的全面分析。

本实施例通过设定预设阈值对组合概率图进行二值化处理，提取独立连通域的位置作为目标像素点的集合的位置，实现了目标对象的检测；原始图像包含较多的二维信息，增强后的图像包含较多的三维信息，两种检测结果的融合提高了检测速率，目标对象的位置更加准确。

实施例三

图4a是本发明实施例三提供的一种医学图像的处理方法的流程图。本实施例的技术方案在上述任意实施例的基础上，进一步限定了所述多幅医学图像为2d图像或者片层图像，人工智能网络选定为端到端网络，并优化了所述将多幅医学图像输入端到端网络的操作。相应地，本实施例的方法包括：

s410、获取多幅医学图像，所述多幅医学图像对应同一目标区域，且每幅医学图像包含多个片层图像，且各个片层图像包含灰度值不同的像素点。

其中，所述多幅医学图像可以包括原始医学图像和所述原始医学图像的增强图像。

相应地，该方法还包括：

对原始医学图像进行高斯滤波，并对滤波之后的结果图进行求导处理；根据所述求导处理之后得到的矩阵，得到海森矩阵；根据所述海森矩阵的特征值，确定所述原始医学图像的增强图像。

示例性地，首先对原始图像进行sigma＝1.5的高斯滤波，然后求取滤波之后的图像的二阶导数，将不同的导数构建成海森矩阵[xx，xy，xz；yx，yy，yz；zx，zy，zz]，求海森矩阵的特征值，并将三个特征值根据其绝对值的大小，从大到小排序，遍历整个图像得到三个增强图像值。将原图与一个或者三个通道的增强图像进行合并，构建为多幅图像。将此多通道图像推入端到端网络训练。训练之后进行测试，测试的形式是每一次输入会得到一个概率图，多通道的概率图可以拼接得到拼接概率图，用预设阈值进行二值化之后提取独立连通域即为候选病灶。

s420、对于多幅图像中的每幅医学图像，将所述医学图像当前层的上一层图像、下一层图像以及当前层图像，输入到端到端网络同一输入通道中，产生多个概率分布图；其中，所述医学图像当前层设置为中间层，每个通道的医学图像对应当前层的概率分布图，概率图中的每一点表征该像素点属于目标像素点的概率。

将多片层图像输入到端到端网络中，可以充分利用层与层之间的结构信息，以实现获得的概率图更加准确。

在将所述医学图像当前层的上一层图像、下一层图像以及当前层图像，输入到端到端网络同一通道中之后，还可以包括：选择所述医学图像当前层的输出概率图作为端到端网络产生的概率图。进一步根据端到端网络产生的概率图可以确定目标像素点。

s430、将所述多个概率分布图进行融合形成组合概率图。

将多个概率分布图根据医学图像的片层关系，融合或堆叠为与医学图像的片层具有相同位置关系的组合概率图。

s440、根据所述组合概率图在至少一幅所述医学图像中确定目标像素点的集合。

示例性地，可以设定概率阈值和像素个数阈值，在组合概率图中的确定概率大于预设阈值且像素个数大于像素个数阈值的区域的像素为目标像素点。

如图4b是本发明实施例三采用如图4a所示的方法获取的图像检测结果。该图像具体为dr骨骼图像，通过上述操作可在dr骨骼图像上自动定位骨骼非连续点(图中标识位置)。

本实施例通过将片层图像输入端到端网络中，丰富了端到端网络的输入，根据端到端网络输出的概率图得到组合概率图，获取到了精确表征像素点属于目标像素点的组合概率图，进而根据组合概率图确定目标像素点可以提高目标像素点确定的准确度。

实施例四

图5是本发明实施例四提供的一种医学图像的处理方法的流程图。本实施例的技术方案可以适用于对目标对象进行检测的情况，目标对象例如可以是目标像素点的集合，病灶区域，也可以是任何感兴趣区域。以目标像素点的集合为检测对象为例，该方法具体包括如下操作：

s510、获取同一检测区域的第一医学图像和第二医学图像，第一医学图像和第二医学图像分别包含多个像素点，且第一医学图像与第二医学图像包含灰度值不同的像素点。

s520、利用人工智能网络对第一医学图像进行处理，获取第一分类结果。

s530、利用人工智能网络对第二医学图像进行处理，获取第二分类结果。

s540、联合第一分类结果和第二分类结果在第一医学图像或第二医学图像中确定目标像素点的集合。

可选地，第一分类结果可以为第一医学图像的每个像素点属于目标像素点的概率值(第一概率分布图)，第二分类结果可以为所述第二医学图像的每个像素点属于目标像素点的概率值(第二概率分布图)。相应地，联合第一分类结果和第二分类结果在第一医学图像或第二医学图像中确定目标像素点的集合，可包括：

将第一概率分布图和第二概率分布图进行融合或堆叠，形成组合概率图；对组合概率图进行二值化处理；从处理后的二值图中确定独立连通域，该独立连通域包围的像素点为目标像素点。

可选地，第一分类结果为第一医学图像中属于目标像素点的集合的外接轮廓(第一外接轮廓)，第二分类结果为第二医学图像中属于目标像素的集合的外接轮廓(第二外接轮廓)。本实施例中的外接轮廓可指目标像素点集合的外接矩形，第一外接轮廓对应的外接矩形和第二外接轮廓对应的外接矩形融合或堆叠可形成体积轮廓；进一步地，对该体积轮廓进行二值化处理，得到二值图；接着从处理后的二值图中确定独立连通域，该独立连通域包围的像素点为目标像素点。

步骤s520和s530中的人工智能网络选择区域建议网络(rpn，regionproposalnetwork)，该网络是一通道或多通道1d数据、2d或者3d图像经过卷积后得到特征图，在特征图上每个点对应原图一块区域，使用一个或多个小的外接矩形或外接多面体对应到原始图像，然后使用分类层判断外接矩形或外接球体内部是否包含目标的概率，使用回归层确定候选区域的位置。

图6为本发明实施例中rpn中使用的vgg网络结构示意图。该网络依次包括：两个卷积层、池化层、两个卷积层、池化层、三个卷积层、池化层、三个卷积层、代价层。经过上述网络可得到输出结果。可选地，输出结果可包括目标像素点的概率和外接矩形。上述网络的具体结构也可参考：rens,hek,girshickr,etal.fasterr-cnn:towardsreal-timeobjectdetectionwithregionproposalnetworks[c]//advancesinneuralinformationprocessingsystems.2015:91-99。

本发明实施例通过人工智能网络对两幅医学图像的处理结果，确定目标对象，提高了目标对象的检测速率和检测准确率。

实施例五

图7为本发明实施例五提供的一种医学图像处理系统的结构示意图，如图7所示，该设备包括处理器70、存储器71、输入装置72和输出装置73；设备中处理器70的数量可以是一个或多个，图7中以一个处理器70为例；设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接，图7中以通过总线连接为例。

存储器71作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的医学图像的处理方法对应的程序指令/模块。处理器70通过运行存储在存储器71中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，具体步骤如下：

首先，获取同一检测区域的第一医学图像和第二医学图像，第一医学图像和第二医学图像分别包含多个像素点，且第一医学图像与第二医学图像包含灰度值不同的像素点。

检测区域例如可以是肺部区域、乳腺区域、结肠区域、头部区域等。

接着，利用人工智能网络对第一医学图像、第二医学图像进行处理，获取第一分类结果和第二分类结果。人工智能网络例如可以是各种卷积神经网络，例如端到端网络，端到端网络又包括：区域建议网络、fcn、u-net或v-net。

可选地，第一分类结果为所述第一医学图像的每个像素点属于目标像素点的概率值，第二分类结果为所述第二医学图像的每个像素点属于目标像素点的概率值。在一个实施例中，将利用人工智能网络对所述第一医学图像、第二医学图像进行处理，获取第一概率分布图和第二概率分布图，所述第一概率分布图的每一点表示所述第一医学图像的像素点属于目标像素点的概率值，所述第二概率分布图的每一点表示所述第二医学图像的像素点属于目标像素点的概率值。在一个实施例中，所述第一分类结果为所述第一医学图像中属于目标像素点的像素点集合的外接轮廓/外接矩形，所述第二分类结果为所述第二医学图像中属于目标像素的像素点集合的外接轮廓/外接矩形。

最后，联合第一分类结果和第二分类结果在第一医学图像或第二医学图像中确定目标对象，该目标对象为目标像素点的集合。

可选地，当分类结果为分类概率图，将所述第一概率分布图和第二概率分布图堆叠形成组合概率图。进一步地，根据所述组合概率图在所述第一医学图像或第二医学图像中确定目标对象。可选地，当分类结果为外接矩形，令第一医学图像中属于目标对象的像素点集合的外接矩形为第一外接矩形，令第二医学图像中属于目标对象的像素点集合的外接矩形为第二外接矩形，将第一外接矩形和第二外接矩形堆叠可获得体积外接矩形，根据体积外接矩形在第一医学图像或第二医学图像中可确定目标对象。

其中，所述目标对象为所述肺部区域的点状区域或肋骨区域的端点区域。

存储器71可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器71可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器71可进一步包括相对于处理器70远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置72可用于接收输入的数字或字符信息，以及产生与设备/终端/服务器的用户设置以及功能控制有关的键信号输入。

输出装置73可包括显示器等显示设备，该显示器可将目标对象在第一医学图像或第二医学图像上标识显示。如图8为本发明实施例的显示器界面示意图。如图所示，显示的显示界面中包括图像显示一区801、图像显示二区802、3dvr局部重建区域803、病灶量化区域804、体渲染区域805、序列选择区域806、功能选择区域807、工具选择区域808。其中，图像显示一区801或图像显示二区802可显示医学图像，两区域的左下角区域设置有层厚选择条，左右调整该层厚选择条可调整显示图像的层厚，以更清晰显示血管或者医学图像中的其他组织结构。如图中所示，通过序列选择区域806可在后处理工作站调用相应的医学图像。图像显示一区801中医学图像的层厚为5mm，而图像显示二区802中医学图像的层厚为1mm，血管在图像显示一区801中的显示更明显。当然，在图像显示一区801还设置有标识，用于指示检测的病灶位置。

功能选择区域807可包括病灶定位按钮、渲染操作按钮和量化按钮等，工具选择区域808可包括放大、缩小、旋转等按钮。3dvr局部重建区域803和体渲染区域805都可显示渲染操作后的对象。如图所述，3dvr局部重建区域803显示为检测病灶的3d渲染结果，而体渲染区域805显示的是医学图像经过肺分割后的3d渲染结果。病灶量化区域804可对检测的目标像素进行精确量化。如图所示，分别表示了病灶的长轴长度和与长轴垂直的短轴长度。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。