医学图像异常点识别方法、设备、电子装置和存储介质与流程

1.本技术涉及医疗设备技术领域，特别是涉及医学图像异常点识别方法、设备、电子装置和存储介质。


背景技术：

2.正电子发射型计算机断层显像(positron emission tomography，简称为pet)系统，是反映病变的基因、分子、代谢及功能状态的显像系统。pet系统利用正电子核素标记葡萄糖等人体代谢物作为显像剂，通过病灶对显像剂的摄取来反映其代谢变化，从而为临床提供疾病的生物代谢信息。电子计算机x射线断层扫描(computed tomography，简称为ct)系统利用x射线对人体进行体层检查，可以清楚的获得病变的解剖结构信息。pet
‑
ct系统将pet系统和ct系统整合在一台仪器上，组成一个完整的显像系统，病人在检查时经过快速的全身扫描，可以同时获得ct解剖图像和pet功能代谢图像，两种图像优势互补，使医生在了解生物代谢信息的同时获得精准的解剖定位，从而对疾病做出全面、准确的判断。
3.在经过pet
‑
ct系统检查之后，需要从扫描图像中，勾选图像中的异常点作为疑似病灶进行诊断，通常情况下，上述勾选过程由医生人工完成，在扫描图像较多时，人工勾选费时费力，效率较低。
4.目前针对相关技术中通过人工实现医学图像异常点的勾画，效率较低的问题，尚未提出有效的解决方案。


技术实现要素：

5.本技术实施例提供了一种医学图像异常点识别方法、设备、电子装置和存储介质，以至少解决相关技术中通过人工实现医学图像异常点的勾画，效率较低的问题。
6.第一方面，本技术实施例提供了一种医学图像异常点识别方法，包括：
7.基于扫描对象的扫描图像，获取所述扫描对象的多个身体部位图像；
8.根据预设的医学参数阈值对所述身体部位图像中的异常点进行识别，得到第一异常点，所述医学参数阈值与身体部位具有对应关系；
9.基于深度学习算法对多个所述身体部位图像中的异常点进行识别，得到第二异常点；
10.根据所述第一异常点和所述第二异常点，确定与所述扫描对象对应的目标异常点。
11.在其中一些实施例中，所述根据所述第一异常点和所述第二异常点，确定与所述扫描对象对应的目标异常点包括：
12.获取所述扫描对象的肿瘤识别需求；
13.根据所述肿瘤识别需求的类型、所述第一异常点以及所述第二异常点得到所述扫描对象的目标异常点。
14.在其中一些实施例中，所述根据所述肿瘤识别需求的类型、所述第一异常点以及
所述第二异常点得到所述扫描对象的目标异常点包括：
15.在所述肿瘤识别需求的类型为肿瘤识别误报率优先的情况下，根据所述第一异常点与所述第二异常点的交集，确定所述目标异常点。
16.在其中一些实施例中，所述根据所述肿瘤识别需求的类型、所述第一异常点以及所述第二异常点得到所述扫描对象的目标异常点包括：
17.在所述肿瘤识别需求的类型为肿瘤识别漏报率优先的情况下，根据所述第一异常点与所述第二异常点的并集，确定所述目标异常点。
18.在其中一些实施例中，所述基于扫描对象的扫描图像，获取所述扫描对象的多个身体部位图像包括：
19.获取所述扫描对象的ct图像和pet图像；
20.在所述ct图像中，获取所述扫描对象的多个身体部位；
21.根据所述ct图像与所述pet图像之间的映射关系以及多个所述身体部位，在所述pet图像中获取所述扫描对象的多个身体部位图像。
22.在其中一些实施例中，在所述确定与所述扫描对象对应的目标异常点之后，所述方法还包括：
23.获取预设的病历配置文件；
24.根据所述目标异常点的参数信息与所述预设的病历配置文件，生成所述扫描对象的电子病历。
25.在其中一些实施例中，所述深度学习算法通过深度学习模型实现，所述深度学习模型的训练过程包括：
26.以扫描图像中身体部位图像以及标注了异常点的身体部位图像作为训练集；
27.根据所述训练集对深度学习算法进行训练，直到所述深度学习算法的损失函数收敛。
28.第二方面，本技术实施例提供了一种医学图像异常点识别设备，包括获取模块、分割模块、识别模块和确定模块：
29.所述获取模块，用于基于扫描对象的扫描图像，获取所述扫描对象的多个身体部位图像；
30.所述分割模块，用于根据预设的医学参数阈值对所述身体部位图像中的异常点进行识别，得到第一异常点，所述医学参数阈值与身体部位具有对应关系；
31.所述识别模块，用于基于深度学习算法对多个所述身体部位图像中的异常点进行识别，得到第二异常点；
32.所述确定模块，用于根据所述第一异常点和所述第二异常点，确定与所述扫描对象对应的目标异常点。
33.第三方面，本技术实施例提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的医学图像异常点识别方法。
34.第四方面，本技术实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的医学图像异常点识别方法的步骤。
35.相比于相关技术，本技术实施例提供的医学图像异常点识别方法，通过基于扫描
对象的扫描图像，获取扫描对象的多个身体部位图像，根据预设的医学参数阈值对身体部位图像中的异常点进行识别，得到第一异常点，基于深度学习算法对多个身体部位图像中的异常点进行识别，得到第二异常点，根据第一异常点和第二异常点，确定与扫描对象对应的目标异常点，解决了相关技术中通过人工实现医学图像异常点的勾画，效率较低的问题，有效提高了医学图像异常点识别的效率。
36.本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。
附图说明
37.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
38.图1是根据本技术实施例的医学图像异常点识别方法的应用环境示意图；
39.图2是根据本技术实施例的医学图像异常点识别方法的流程图；
40.图3是根据本技术实施例的获取身体部位图像的方法的流程图；
41.图4为本技术实施例的医学图像异常点识别方法的终端的硬件结构框图；
42.图5是根据本技术实施例的医学图像异常点识别设备的结构框图。
具体实施方式
43.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。基于本技术提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本技术公开的内容相关的本领域的普通技术人员而言，在本技术揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本技术公开的内容不充分。
44.在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本技术所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
45.除非另作定义，本技术所涉及的技术术语或者科学术语应当为本技术所属技术领域内具有一般技能的人士所理解的通常意义。本技术所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本技术所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本技术所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本技术所涉及的“多个”是指大于或者等于两个。“和/或”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。本技术所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
46.本技术提供的医学图像异常点识别方法，可以应用于如图1所示的应用环境中，图1是根据本技术实施例的医学图像异常点识别方法的应用环境示意图，如图1所示。其中，医学图像扫描系统包括扫描设备101、扫描床102、主机103和重建机104，医生通过主机103控制扫描设备101对扫描床102上的患者进行扫描，得到患者的扫描数据。主机103将获取到的扫描数据发送至重建机104进行图像重建，最终得到扫描图像，主机103基于扫描图像，获取扫描对象的多个身体部位图像，然后根据预设的医学参数阈值对身体部位图像中的异常点进行识别，得到第一异常点，基于深度学习算法对多个身体部位图像中的异常点进行识别，得到第二异常点；根据第一异常点和第二异常点，确定与扫描对象对应的目标异常点。
47.本实施例提供了一种医学图像异常点识别方法。图2是根据本技术实施例的医学图像异常点识别方法的流程图，如图2所示，该方法包括如下步骤：
48.步骤s210，基于扫描对象的扫描图像，获取扫描对象的多个身体部位图像。
49.本实施例中的扫描对象可以为人体或者动物，扫描图像可以通过医学图像扫描系统获取，例如pet系统、ct系统或者pet
‑
ct系统等等。
50.在获取扫描图像之后，可以通过人工智能(artificial intelligence，简称为ai)技术对扫描图像中的身体部位进行识别和分割，进而得到扫描对象的身体部位图像，例如扫描对象的头部图像、胸腹部图像等等。具体地，可以利用训练好的图像分割模型，通过图像分割算法获取身体部位图像。其中，图像分割算法是将图像划分成互不相交的区域的过程，包括基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。
51.步骤s220，根据预设的医学参数阈值对身体部位图像中的异常点进行识别，得到第一异常点，医学参数阈值与身体部位具有对应关系。
52.本技术中需要对扫描对象身体中的异常点进行筛选，其中，异常点指可能发生病变的感兴趣区域，例如肿瘤病灶。在药物代谢过程中，异常点与周围正常的身体组织对相比，对药物反应不同。本实施例中，将通过不同方式获取到的异常点分为第一异常点和第二异常点。
53.本实施例中的医学参数优选为药物代谢指标，例如标准摄取值(standard uptake value，简称为suv)，suv是pet系统在肿瘤诊断过程中常用的半定量指标，指局部组织摄取的显像剂的放射性活度与全身平均注射活度的比值。相应的，由于异常点与正常身体组织对药物的代谢不同，因此，可以根据药物代谢情况设置阈值，从而得到预设的医学参数阈值。然后，根据身体部位对药物的代谢情况与医学参数阈值的对比结果识别第一异常点。需要说明的是，不同的身体部位对药物的代谢情况不同，因此，对于不同的身体部位，需要设置不同的医学参数阈值。在进行第一异常点的识别时，也需要根据不同的医学参数阈值进行识别。
54.具体地，在医学参数为suv的情况下，根据对身体部位的需求，设置与身体部位的数量对应的多个suv阈值。进一步地，对于一个确定的身体部位，若设置suv阈值为1，那么在该身体部位图像中，suv小于1的像素置为0，suv大于或者等于1的像素置为1，从而实现对身体部位图像的分割，对第一异常点进行识别。
55.步骤s230，基于深度学习算法对多个身体部位图像中的异常点进行识别，得到第二异常点。
56.本实施例中，还可以通过深度学习算法对身体部位图像中的异常点进行识别。具体地，深度学习算法在经过训练后，可以直接从输入的身体部位图像中识别异常点。具体地，可以根据不同扫描对象，不同的身体部位，不同身体部位对药物吸收能力的差异，来识别第二异常点。
57.步骤s240，根据第一异常点和第二异常点，确定与扫描对象对应的目标异常点。
58.本实施例中，对第一异常点、第二异常点以及目标异常点的数量不做限制。目标异常点为扫描对象最终需要进行分析的异常点。
59.通过上述步骤s210至步骤s240，本实施例基于不同的异常点识别方式对身体部位图像中的异常点进行识别，其中，基于医学参数阈值的异常点识别过程和基于深度学习算法的异常点识别过程均可以通过医学图像扫描系统的主机完成，因此解决了相关技术中通过人工实现医学图像异常点的勾画，效率较低的问题，有效提高了医学图像异常点识别的效率。
60.在其中一些实施例中，本实施例中的深度学习算法通过深度学习模型实现，本实施例中的深度学习模型为训练完成的模型，该深度学习模型的训练过程包括：以扫描图像中身体部位图像以及标注了异常点的身体部位图像作为训练集，其中，对身体部位图像中的异常点进行标注的过程可以由工程师提前进行标注，然后根据训练集对深度学习算法进行训练，直到深度学习算法的损失函数收敛。其中，损失函数为用来评价深度学习模型的预测值和真实值不一样的程度，损失函数收敛，表明深度学习模型的识别准确度达到预期要求。
61.进一步地，本实施例中还可以对不同的身体部位图像分别训练对应的深度学习模型，对于每个深度学习模型，最终得到模型的参数和模型结构的序列化文件，每个深度学习模型均会保存于系统作为配置文件，当选择不同的身体部位图像进行识别时，加载对应的深度学习模型。最后将不同的深度学习模型的输出结果组装成整个扫描对象的第二异常点的识别结果，以提高深度学习算法的识别精度。
62.在其中一些实施例中，扫描对象在进行扫描之前，先确定肿瘤识别需求，因此可以根据扫描对象的肿瘤识别需求确定最终的目标异常点。具体为，先获取扫描对象的肿瘤识别需求，根据肿瘤识别需求设置对应的软件程序，形成软件包，然后运行软件包，根据肿瘤识别需求的类型、第一异常点以及第二异常点得到扫描对象的目标异常点。本实施例中的肿瘤识别需求主要用于确定肿瘤识别过程中的不同识别类型的优先级，识别类型包括肿瘤识别误报率和肿瘤识别漏报率，其中，肿瘤识别误报率对异常点识别的准确率要求更高，例如，在需要对扫描对象进行放疗时，需要精确筛查和肿瘤相关的病灶，肿瘤识别漏报率对异常点识别的完整度要求更高，例如，在需要对扫描对象进行肿瘤的初步筛查时，需要避免病灶漏报。本实施例中，根据肿瘤识别需求确定最终的目标异常点，以提高异常点识别的场景适应性。
63.进一步地，在肿瘤识别需求的类型为肿瘤识别误报率优先的情况下，根据第一异常点与第二异常点的交集，确定目标异常点；以及，在肿瘤识别需求的类型为肿瘤识别漏报率优先的情况下，根据第一异常点与第二异常点的并集，确定目标异常点。
64.本技术中的第一异常点和第二异常点通过不同的识别方式得到，因此第一异常点和第二异常点既有重合的异常点，也存在不同的异常点。本实施例中，在肿瘤识别需求为肿瘤识别误报率优先的情况下，例如放疗任务，通过交集确定第一异常点和第二异常点中重合的异常点作为最终的目标异常点，以得到更加精准的目标异常点，在肿瘤识别需求为肿瘤识别漏报率优先的情况下，例如扫描对象需要进行肿瘤初步筛查，通过并集将所有的第一异常点和第二异常点作为目标异常点，以得到全身的目标异常点，例如转移的肿瘤以及脏器内部的肿瘤，避免漏报。
65.在其中一些实施例中，若是基于pet设备或者ct设备进行医学图像异常点识别，可以直接通过相应的pet图像或者ct图像进行身体部位的定位和异常点识别，若是基于pet
‑
ct系统进行医学图像异常点识别，图3是根据本技术实施例的获取身体部位图像的方法的流程图，如图3所示，该方法包括如下步骤：
66.步骤s310，获取扫描对象的ct图像和pet图像。
67.在pet
‑
ct系统中，ct系统可以进行结构成像，pet系统可以进行功能成像。
68.步骤s320，在ct图像中，获取扫描对象的多个身体部位。
69.在获取到医学数字成像和通信(digital imaging and communications in medicine，简称为dicom)格式的ct扫描图像之后，可以通过ai分割算法，对ct扫描图像进行分割，得到不同的身体部位的分割结果。
70.步骤s330，根据ct图像与pet图像之间的映射关系以及多个身体部位，在pet图像中获取扫描对象的多个身体部位图像。
71.在pet
‑
ct系统中，pet图像与ct图像之间的映射关系可以预先存储，映射关系具体为pet图像与ct图像中的像素的坐标转换关系。因此，基于ct图像中身体部位图像的分割结果，可以相应地在pet图像中实现身体部位的定位，最终得到多个身体部位图像。
72.通过上述步骤s310至步骤s330，本实施例中基于ct图像和pet图像之间的对应关系，获取到定位更加准确的身体部位图像。
73.进一步地，在医学参数为suv的情况下，需要先将pet图像转换为suv结果图像，在此基础上，进行第一异常点和第二异常点的识别。具体地，基于与不同身体部位对应的医学参数阈值对身体部位图像进行分割，得到第一异常点，将识别到的各个身体部位图像，按照头颈、胸、腹的分类，分别输入对应的深度学习模型中进行预测，最终得到第二异常点的识别结果。
74.在其中一些实施例中，在确定与扫描对象对应的目标异常点之后，还可以根据目标异常点生成扫描对象的电子病例，具体包括：首先获取预设的病历配置文件，该病例配置文件中设置了多个病历参数以及病历参数的正常范围，其中，病历参数例如扫描对象的个人信息、扫描对象的异常点的所属的身体部位、目标异常点的数量和感兴趣容积(volume of interest，简称为voi)等。然后根据目标异常点的参数信息与预设的病历配置文件，生成扫描对象的电子病历。其中，目标异常点的参数信息相应地包括扫描对象的个人信息、目标异常点所属的身体部位、目标异常点的voi等等。
75.具体地，可以根据目标异常点的参数信息与病历参数正常范围的对比结果，获取和目标异常点对应的诊断结论，也可以依据病历配置文件中的病历参数信息，直接将目标异常点中相应的参数信息进行存储，最终生成电子病历。优选地，电子病历可以存储在
dicom格式的结构化报告文件中，形成和扫描图像对应的序列并存入数据库，便于医生对扫描对象的目标异常点进行诊断。
76.进一步地，电子病历和扫描图像均可被高级应用界面加载显示，也可以实现病历的归档和打印。
77.需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
78.本技术提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。以运行在终端上为例，图4为本技术实施例的医学图像异常点识别方法的终端的硬件结构框图。如图4所示，终端40可以包括一个或多个(图4中仅示出一个)处理器402(处理器402可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器404，可选地，上述终端还可以包括用于通信功能的传输设备406以及输入输出设备408。本领域普通技术人员可以理解，图4所示的结构仅为示意，其并不对上述终端的结构造成限定。例如，终端40还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。
79.存储器404可用于存储控制程序，例如，应用软件的软件程序以及模块，如本技术实施例中的医学图像异常点识别方法对应的控制程序，处理器402通过运行存储在存储器404内的控制程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器404可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器404可进一步包括相对于处理器402远程设置的存储器，这些远程存储器可以通过网络连接至终端40。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。
80.传输设备406用于经由一个网络接收或者发送数据。上述的网络具体实例可包括终端40的通信供应商提供的无线网络。在一个实例中，传输设备406包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
81.本实施例还提供了一种医学图像异常点识别设备，该设备用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
82.图5是根据本技术实施例的医学图像异常点识别设备的结构框图，如图5所示，该设备包括获取模块51、分割模块52、识别模块53和确定模块54：
83.获取模块51，用于基于扫描对象的扫描图像，获取扫描对象的多个身体部位图像；
84.分割模块52，用于根据预设的医学参数阈值对身体部位图像中的异常点进行识别，得到第一异常点，医学参数阈值与身体部位具有对应关系；
85.识别模块53，用于基于深度学习算法对多个身体部位图像中的异常点进行识别，得到第二异常点；
86.确定模块54，用于根据第一异常点和第二异常点，确定与扫描对象对应的目标异
常点。
87.上述医学图像异常点识别设备，通过识别模块53基于不同的异常点识别方式对身体部位图像中的异常点进行识别，其中，基于医学参数阈值的异常点识别过程和基于深度学习算法的异常点识别过程均可以通过医学图像扫描系统的主机完成，因此解决了相关技术中通过人工实现医学图像异常点的勾画，效率较低的问题，有效提高了医学图像异常点识别的效率。
88.进一步地，确定模块54还用于获取扫描对象的肿瘤识别需求，根据肿瘤识别需求的类型、第一异常点以及第二异常点得到扫描对象的目标异常点，以提高异常点识别的场景适应性。
89.进一步地，在肿瘤识别需求的类型为肿瘤识别误报率优先的情况下，确定模块54根据第一异常点与第二异常点的交集，确定目标异常点，以得到更加精准的目标异常点；在肿瘤识别需求的类型为肿瘤识别漏报率优先的情况下，确定模块54根据第一异常点与第二异常点的并集，确定目标异常点，以得到全身的目标异常点。
90.进一步地，获取模块51还用于获取扫描对象的ct图像和pet图像；在ct图像中，获取扫描对象的多个身体部位；根据ct图像与pet图像之间的映射关系以及多个身体部位，在pet图像中获取扫描对象的多个定位更加准确的身体部位图像。
91.进一步地，医学图像异常点识别设备还包括病历生成模块，该病历生成模块用于获取预设的病历配置文件；根据目标异常点的参数信息与预设的病历配置文件，生成扫描对象的电子病历，便于医生对扫描对象的目标异常点进行诊断。
92.进一步地，深度学习算法通过深度学习模型实现，医学图像异常点识别设备还包括训练模块，训练模块用于以扫描图像中身体部位图像以及标注了异常点的身体部位图像作为训练集；根据训练集对深度学习算法进行训练，直到深度学习算法的损失函数收敛。
93.需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
94.本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
95.可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
96.可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
97.s1，基于扫描对象的扫描图像，获取扫描对象的多个身体部位图像；
98.s2，根据预设的医学参数阈值对身体部位图像中的异常点进行识别，得到第一异常点，医学参数阈值与身体部位具有对应关系；
99.s3，基于深度学习算法对多个身体部位图像中的异常点进行识别，得到第二异常点；
100.s4，根据第一异常点和第二异常点，确定与扫描对象对应的目标异常点。
101.需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
102.另外，结合上述实施例中的医学图像异常点识别方法，本技术实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种医学图像异常点识别病灶识别的方法。
103.以上所述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。
104.以上所述实施例仅表达了本技术的几种实施方式，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，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。