一种病灶图像的处理方法以及相关装置与流程

1.本技术涉及计算机技术领域，尤其涉及一种病灶图像的处理方法以及相关装置。


背景技术：

2.随着医疗技术的迅速发展，越来越多的检测项目出现在医疗场景中，如何对医疗检测中生成的检测图像进行病灶的识别与预测成为难题。
3.一般，对医疗影像中对病灶区域的预测，都需要根据医生的专业知识和经验进行识别，且对医生的专业技术的要求比较高。
4.但是，人工预测的过程耗时耗力，且受到主观因素的影响，病灶预测的结果并不稳定，影响病灶变化预测的准确性。


技术实现要素：

5.有鉴于此，本技术提供一种病灶图像的处理方法，可以有效提高病灶预测的准确性。
6.本技术第一方面提供一种病灶图像的处理方法，可以应用于终端设备中包含病灶图像的处理功能的系统或程序中，具体包括：
7.获取包含目标病灶的待预测图像并输入目标模型中的编码器进行向量表示，以得到编码向量；
8.将所述编码向量输入所述目标模型中的映射器进行图像维度的向量转换，以得到目标向量，所述映射器基于病灶图像对训练所得，所述病灶图像对由基于时序关系检测所得的训练图像组成，所述训练图像包含所述目标病灶；
9.将所述目标向量输入所述目标模型中的解码器进行图像预测，以得到包含基于所述时序关系变化后的目标病灶的预测图像。
10.可选的，在本技术一些可能的实现方式中，采集多个病灶图像对，所述病灶图像对包括作为所述训练图像的第一图像和第二图像，所述第一图像为在第一时间节点对目标病灶进行检测得到的图像，所述第二图像为在第二时间节点对所述目标病灶进行检测得到的图像，所述第二时间节点在所述第一时间节点之后；
11.基于所述病灶图像对对目标模型进行训练，所述目标模型的训练过程包括重构任务和预设任务，所述重构任务用于基于所述第一图像进行图像重构，所述预测任务用于学习所述第一图像和所述第二图像的对应关系。
12.可选的，在本技术一些可能的实现方式中，所述基于所述病灶图像对对目标模型进行训练，包括：
13.基于所述病灶图像对中的所述第一图像进行恒等映射，以得到重构解码图像；
14.根据所述重构解码图像向所述第一图像进行恢复的过程执行所述重构任务；
15.若所述重构解码图像与所述第一图像相似度度达到阈值，则结束所述重构任务；
16.基于所述第一图像和所述第二图像的对应关系执行所述预测任务，以对所述目标
模型进行训练。
17.可选的，在本技术一些可能的实现方式中，所述基于所述病灶图像对中的所述第一图像进行恒等映射，以得到重构解码图像，包括：
18.对所述病灶图像对中的所述第一图像进行编码操作，以对所述第一图像的特征维度进行压缩得到第一特征向量；
19.对所述第一特征向量进行解码操作，以基于第一约束函数进行相似度约束得到重构解码图像，所述重构解码图像的特征维度为所述第一特征向量恢复到所述第一图像对应的特征维度；
20.对所述重构解码图像和所述第一图像进行判别操作，以得到判别结果，所述判别操作的目标为基于第二约束函数输出的所述判别结果为所述第一图像，所述编码操作与所述解码操作的目标为基于第三约束函数输出的所述判别结果为所述重构解码图像；
21.所述根据所述重构解码图像向所述第一图像进行恢复的过程执行所述重构任务，包括：
22.基于所述第二约束函数和所述第三约束函数的调整过程执行所述重构任务。
23.可选的，在本技术一些可能的实现方式中，所述方法还包括：
24.获取预设预热步数；
25.基于所述预设预热步数循环进行所述第一约束函数的相似度约束过程，以对所述编码操作和所述解码操作的过程进行预热。
26.可选的，在本技术一些可能的实现方式中，所述基于所述第一图像和所述第二图像的对应关系执行所述预测任务，以对所述目标模型进行训练，包括：
27.将所述第一图像进行向量表示，以得到低维向量；
28.将所述低维向量输入映射器，以得到预测向量；
29.基于所述预测向量向所述第二图像对应的向量进行转换，以对第四约束函数进行调整；
30.基于所述第四约束函数的调整过程执行所述预测任务，以对所述目标模型进行训练。
31.可选的，在本技术一些可能的实现方式中，所述方法还包括：
32.对所述病灶图像对中的图像进行裁剪；
33.基于预设角度对裁剪后的所述病灶图像对中的图像进行对齐，以得到对齐图像对；
34.将所述对齐图像对中的图像调整至同一特征维度；
35.基于调整后的所述对齐图像对中的图进行标准化处理，以对所述病灶图像对进行更新。
36.可选的，在本技术一些可能的实现方式中，所述对所述病灶图像对中的图像进行裁剪，包括：
37.确定所述目标病灶对应的身体部位信息；
38.基于所述身体部位信息确定裁剪项；
39.根据所述裁剪项对所述病灶图像对中的图像进行裁剪。
40.可选的，在本技术一些可能的实现方式中，所述采集多个病灶图像对，包括：
41.确定所述目标病灶对应的类型信息；
42.基于所述类型信息确定病灶变化周期；
43.根据所述病灶变化周期对应的变化时长作为采集间隔，采集多个所述病灶图像对。
44.可选的，在本技术一些可能的实现方式中，所述方法还包括：
45.获取参考病灶区域；
46.基于所述参考病灶区域与所述第一图像的病灶区域的相似性确定负样本参数；
47.确定所述参考病灶区域与所述第一图像的病灶区域的第一差异部分；
48.确定所述第二图像的病灶区域和所述第一图像的病灶区域的第二差异部分；
49.根据所述第一差异部分和所述第二差异部分确定正样本参数；
50.基于所述负样本参数和所述正样本参数确定评估指标，所述评估指标用于指示所述目标模型的预测精度。
51.可选的，在本技术一些可能的实现方式中，所述方法还包括：
52.若所述评估指标指示所述目标模型不满足预设指标，则确定所述病灶图像对中的差异信息；
53.基于所述差异信息对所述病灶图像对进行审核，以对所述病灶图像对进行更新，并基于更新后的所述病灶图像对对所述目标模型进行训练。
54.可选的，在本技术一些可能的实现方式中，所述方法还包括：
55.将所述预测图像输入训练后的所述目标模型，以得到循环图像；
56.若所述循环图像与所述预测图像相同，则确定所述预测图像为预测结果；
57.若所述循环图像与所述预测图像不同，则基于所述循环图像进行所述目标病灶的变化情况的预测。
58.可选的，在本技术一些可能的实现方式中，所述病灶图像对由计算机断层扫描所得，所述目标病灶为所述计算机断层扫描得到的脑出血区域，所述目标模型为深度生成对抗网络，所述预测图像用于预测所述脑出血区域的变化趋势。
59.本技术第二方面提供一种病灶图像的处理装置，包括：
60.编码单元，用于获取包含目标病灶的待预测图像并输入目标模型中的编码器进行向量表示，以得到编码向量；
61.映射单元，用于将所述编码向量输入所述目标模型中的映射器进行图像维度的向量转换，以得到目标向量，所述映射器基于病灶图像对训练所得，所述病灶图像对由基于时序关系检测所得的训练图像组成，所述训练图像包含所述目标病灶；
62.处理单元，用于将所述目标向量输入所述目标模型中的解码器进行图像预测，以得到包含基于所述时序关系变化后的目标病灶的预测图像。
63.可选的，在本技术一些可能的实现方式中，所述病灶图像的处理装置还包括：
64.训练单元，具体用于采集多个病灶图像对，所述病灶图像对包括作为所述训练图像的第一图像和第二图像，所述第一图像为在第一时间节点对目标病灶进行检测得到的图像，所述第二图像为在第二时间节点对所述目标病灶进行检测得到的图像，所述第二时间节点在所述第一时间节点之后；
65.训练单元，具体用于基于所述病灶图像对对目标模型进行训练，所述目标模型的
训练过程包括重构任务和预设任务，所述重构任务用于基于所述第一图像进行图像重构，所述预测任务用于学习所述第一图像和所述第二图像的对应关系。
66.可选的，在本技术一些可能的实现方式中，所述训练单元，具体用于基于所述病灶图像对中的所述第一图像进行恒等映射，以得到重构解码图像；
67.所述训练单元，具体用于根据所述重构解码图像向所述第一图像进行恢复的过程执行所述重构任务；
68.所述训练单元，具体用于若所述重构解码图像与所述第一图像相似度度达到阈值，则结束所述重构任务；
69.所述训练单元，具体用于基于所述第一图像和所述第二图像的对应关系执行所述预测任务，以对所述目标模型进行训练。
70.可选的，在本技术一些可能的实现方式中，所述训练单元，具体用于对所述病灶图像对中的所述第一图像进行编码操作，以对所述第一图像的特征维度进行压缩得到第一特征向量；
71.所述训练单元，具体用于对所述第一特征向量进行解码操作，以基于第一约束函数进行相似度约束得到重构解码图像，所述重构解码图像的特征维度为所述第一特征向量恢复到所述第一图像对应的特征维度；
72.所述训练单元，具体用于对所述重构解码图像和所述第一图像进行判别操作，以得到判别结果，所述判别操作的目标为基于第二约束函数输出的所述判别结果为所述第一图像，所述编码操作与所述解码操作的目标为基于第三约束函数输出的所述判别结果为所述重构解码图像；
73.所述训练单元，具体用于基于所述第二约束函数和所述第三约束函数的调整过程执行所述重构任务。
74.可选的，在本技术一些可能的实现方式中，所述训练单元，具体用于获取预设预热步数；
75.所述训练单元，具体用于基于所述预设预热步数循环进行所述第一约束函数的相似度约束过程，以对所述编码操作和所述解码操作的过程进行预热。
76.可选的，在本技术一些可能的实现方式中，所述训练单元，具体用于将所述第一图像进行向量表示，以得到低维向量；
77.所述训练单元，具体用于将所述低维向量输入映射器，以得到预测向量；
78.所述训练单元，具体用于基于所述预测向量向所述第二图像对应的向量进行转换，以对第四约束函数进行调整；
79.所述训练单元，具体用于基于所述第四约束函数的调整过程执行所述预测任务，以对所述目标模型进行训练。
80.可选的，在本技术一些可能的实现方式中，所述训练单元，具体用于对所述病灶图像对中的图像进行裁剪；
81.所述训练单元，具体用于基于预设角度对裁剪后的所述病灶图像对中的图像进行对齐，以得到对齐图像对；
82.所述训练单元，具体用于将所述对齐图像对中的图像调整至同一特征维度；
83.所述训练单元，具体用于基于调整后的所述对齐图像对中的图进行标准化处理，
以对所述病灶图像对进行更新。
84.可选的，在本技术一些可能的实现方式中，所述训练单元，具体用于确定所述目标病灶对应的身体部位信息；
85.所述训练单元，具体用于基于所述身体部位信息确定裁剪项；
86.所述训练单元，具体用于根据所述裁剪项对所述病灶图像对中的图像进行裁剪。
87.可选的，在本技术一些可能的实现方式中，所述训练单元，具体用于确定所述目标病灶对应的类型信息；
88.所述训练单元，具体用于基于所述类型信息确定病灶变化周期；
89.所述训练单元，具体用于根据所述病灶变化周期对应的变化时长作为采集间隔，采集多个所述病灶图像对。
90.可选的，在本技术一些可能的实现方式中，所述训练单元，具体用于获取参考病灶区域；
91.所述训练单元，具体用于基于所述参考病灶区域与所述第一图像的病灶区域的相似性确定负样本参数；
92.所述训练单元，具体用于确定所述参考病灶区域与所述第一图像的病灶区域的第一差异部分；
93.所述训练单元，具体用于确定所述第二图像的病灶区域和所述第一图像的病灶区域的第二差异部分；
94.所述训练单元，具体用于根据所述第一差异部分和所述第二差异部分确定正样本参数；
95.所述训练单元，具体用于基于所述负样本参数和所述正样本参数确定评估指标，所述评估指标用于指示所述目标模型的预测精度。
96.可选的，在本技术一些可能的实现方式中，所述训练单元，具体用于若所述评估指标指示所述目标模型不满足预设指标，则确定所述病灶图像对中的差异信息；
97.所述训练单元，具体用于基于所述差异信息对所述病灶图像对进行审核，以对所述病灶图像对进行更新，并基于更新后的所述病灶图像对对所述目标模型进行训练。
98.可选的，在本技术一些可能的实现方式中，所述处理单元，具体用于将所述预测图像输入训练后的所述目标模型，以得到循环图像；
99.所述处理单元，具体用于若所述循环图像与所述预测图像相同，则确定所述预测图像为预测结果；
100.所述处理单元，具体用于若所述循环图像与所述预测图像不同，则基于所述循环图像进行所述目标病灶的变化情况的预测。
101.本技术第三方面提供一种计算机设备，包括：存储器、处理器以及总线系统；所述存储器用于存储程序代码；所述处理器用于根据所述程序代码中的指令执行上述第一方面或第一方面任一项所述的病灶图像的处理方法。
102.本技术第四方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面或第一方面任一项所述的病灶图像的处理方法。
103.根据本技术的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程
序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面或者第一方面的各种可选实现方式中提供的病灶图像的处理方法。
104.从以上技术方案可以看出，本技术实施例具有以下优点：
105.通过获取包含目标病灶的待预测图像并输入目标模型中的编码器进行向量表示，以得到编码向量；然后将编码向量输入目标模型中的映射器，以得到目标向量，映射器基于病灶图像对训练所得，病灶图像对由基于时序关系检测所得的训练图像组成，训练图像包含目标病灶；进而将目标向量输入目标模型中的解码器进行图像预测，以得到包含基于时序关系变化后的目标病灶的预测图像。从而实现基于人工智能的病灶变化预测的过程，由于采用图像到图像的训练方式对目标模型进行训练，且训练数据基于病灶的实际变化过程进行采集，使得目标模型具有病灶图像的推测能力，提高了病灶变化预测的准确性。
附图说明
106.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，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，还可以根据提供的附图获得其他的附图。
107.图1为病灶图像的处理系统运行的网络架构图；
108.图2为本技术实施例提供的一种病灶图像的处理的流程架构图；
109.图3为本技术实施例提供的一种病灶图像的处理方法的流程图；
110.图4为本技术实施例提供的一种病灶图像的处理方法的场景示意图；
111.图5为本技术实施例提供的另一种病灶图像的处理方法的场景示意图；
112.图6为本技术实施例提供的另一种病灶图像的处理方法的场景示意图；
113.图7为本技术实施例提供的另一种病灶图像的处理方法的场景示意图；
114.图8为本技术实施例提供的另一种病灶图像的处理方法的流程图；
115.图9为本技术实施例提供的另一种病灶图像的处理方法的场景示意图；
116.图10为本技术实施例提供的一种病灶图像的处理装置的结构示意图；
117.图11为本技术实施例提供的一种终端设备的结构示意图；
118.图12为本技术实施例提供的一种服务器的结构示意图。
具体实施方式
119.本技术实施例提供了一种病灶图像的处理方法以及相关装置，可以应用于终端设备中包含病灶图像的处理功能的系统或程序中，通过获取包含目标病灶的待预测图像并输入目标模型中的编码器进行向量表示，以得到编码向量；然后将编码向量输入目标模型中的映射器，以得到目标向量，映射器基于病灶图像对训练所得，病灶图像对由基于时序关系检测所得的训练图像组成，训练图像包含目标病灶；进而将目标向量输入目标模型中的解码器进行图像预测，以得到包含基于时序关系变化后的目标病灶的预测图像。从而实现基于人工智能的病灶变化预测的过程，由于采用图像到图像的训练方式对目标模型进行训
练，且训练数据基于病灶的实际变化过程进行采集，使得目标模型具有病灶图像的推测能力，提高了病灶变化预测的准确性。
120.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
121.首先，对本技术实施例中可能出现的一些名词进行解释。
122.计算机断层扫描仪(computed tomography，ct)：利用精确准直的x线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。
123.脑出血：指非外伤性脑实质内血管破裂引起的出血。
124.dice：一种医学影像分割评估指标，通常用于计算两个样本的相似度，值的范围0
‑
1，分割结果最好时值为1，最差时值为0。
125.dice of change：前后两次ct间血肿变化区域的预测准确度指标。
126.应理解，本技术提供的病灶图像的处理方法可以应用于终端设备中包含病灶图像的处理功能的系统或程序中，例如辅助医疗应用，具体的，病灶图像的处理系统可以运行于如图1所示的网络架构中，如图1所示，是病灶图像的处理系统运行的网络架构图，如图可知，病灶图像的处理系统可以提供与多个信息源的病灶图像的处理过程，即通过终端侧(医疗检测仪器)的检测操作得到病灶图像以及不同时间点的序列图像，进而发送至服务器进行分析，以使得服务器在收集到一定数量的病灶图像后进行整理训练，以对病灶的发展情况进行预测；可以理解的是，图1中示出了多种终端设备，终端设备可以为计算机设备，在实际场景中可以有更多或更少种类的终端设备参与到病灶图像的处理的过程中，具体数量和种类因实际场景而定，此处不做限定，另外，图1中示出了一个服务器，但在实际场景中，也可以有多个服务器的参与，具体服务器数量因实际场景而定。
127.本实施例中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是医疗检测设备、智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，终端以及服务器可以连接组成区块链网络，本技术在此不做限制。
128.可以理解的是，上述病灶图像的处理系统可以运行于个人移动终端，例如：作为辅助医疗应用这样的应用，也可以运行于服务器，还可以作为运行于第三方设备以提供病灶图像的处理，以得到信息源的病灶图像的处理处理结果；具体的病灶图像的处理系统可以是以一种程序的形式在上述设备中运行，也可以作为上述设备中的系统部件进行运行，还可以作为云端服务程序的一种，具体运作模式因实际场景而定，此处不做限定。
129.随着医疗技术的迅速发展，越来越多的检测项目出现在医疗场景中，如何对医疗检测中生成的检测图像进行病灶的识别与预测成为难题。
130.一般，对医疗影像中对病灶区域的预测，都需要根据医生的专业知识和经验进行识别，且对医生的专业技术的要求比较高。
131.但是，人工预测的过程耗时耗力，且受到主观因素的影响，病灶预测的结果并不稳定，影响病灶变化预测的准确性。
132.为了解决上述问题，本技术提出了一种采用机器学习的病灶图像的处理方法，机器学习(machine learning,ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
133.具体的，该方法应用于图2所示的病灶图像的处理的流程框架中，如图2所示，为本技术实施例提供的一种病灶图像的处理的流程架构图，用户通过控制医疗设备进行检查操作，使得服务器接收到病灶图像并按照时间进行排序，从而得到病灶图像对，故可以根据病灶图像对对模型进行训练，训练后的模型即可以用于病灶变化预测，本技术可以应用在ct影像的辅助分析设备中。
134.可以理解的是，本技术所提供的方法可以为一种程序的写入，以作为硬件系统中的一种处理逻辑，也可以作为一种病灶图像的处理装置，采用集成或外接的方式实现上述处理逻辑。作为一种实现方式，该病灶图像的处理装置通过获取包含目标病灶的待预测图像并输入目标模型中的编码器进行向量表示，以得到编码向量；然后将编码向量输入目标模型中的映射器，以得到目标向量，映射器基于病灶图像对训练所得，病灶图像对由基于时序关系检测所得的训练图像组成，训练图像包含目标病灶；进而将目标向量输入目标模型中的解码器进行图像预测，以得到包含基于时序关系变化后的目标病灶的预测图像。从而实现基于人工智能的病灶变化预测的过程，由于采用图像到图像的训练方式对目标模型进行训练，且训练数据基于病灶的实际变化过程进行采集，使得目标模型具有病灶图像的推测能力，提高了病灶变化预测的准确性。
135.本技术实施例提供的方案涉及人工智能的机器学习技术，具体通过如下实施例进行说明：
136.结合上述流程架构，下面将对本技术中病灶图像的处理方法进行介绍，请参阅图3，图3为本技术实施例提供的一种病灶图像的处理方法的流程图，该预测方法可以是由终端执行的，还可以是由服务器执行的，也可以是由终端与服务器共同执行的，下面以终端执行为例进行说明，本技术实施例至少包括以下步骤：
137.301、获取包含目标病灶的待预测图像并输入目标模型中的编码器进行向量表示，以得到编码向量。
138.本实施例中，目标病灶可以是不同部位的病灶的图像，包括但不限于脑血肿、肿瘤、结核等疾病病灶类型，本技术以脑血肿的变化预测为例进行说明。
139.具体的，目标模型为生成对抗网络，具体包括了编码器、映射器、解码器以及判别
器。其中，编码器可以由多个卷积层和一个全连接层组成，其作用是为了将待预测图像进行向量表示，以便于后续的映射处理过程。
140.302、将编码向量输入目标模型中的映射器进行图像维度的向量转换，以得到目标向量。
141.本实施例中，通过图像维度的向量转换，得到用于指示目标病灶发展之后的图像的目标向量，这是由于本技术的目标模型是基于图像的对应关系的判别与训练进行的，即映射器基于病灶图像对训练所得，病灶图像对由基于时序关系检测所得的训练图像组成，训练图像包含目标病灶，该时序关系可以是固定的时间段(例如相邻24小时的两个或多个图像)，还可以是动态时间段(例如不同治疗阶段的两个或多个病灶发展图像)也可以是基于病灶发展设定时间段(例如病灶变化之前与变化之后的两个或多个图像，即间隔时长不固定)。
142.可以理解的是，对于映射器的训练过程即对于目标模型的整体训练过程，在映射器的训练过程中可以涉及编码器、解码器以及判别器的参数调整。
143.下面对模型的训练过程进行说明。
144.首先，采集多个病灶图像对，该病灶图像对包括第一图像和第二图像，第一图像为在第一时间节点对目标病灶进行检测得到的图像，第二图像为在第二时间节点对目标病灶进行检测得到的图像，第二时间节点在第一时间节点之后。
145.在一种可能的场景中，如图4所示，图4为本技术实施例提供的另一种病灶图像的处理方法的场景示意图；图中示出了一对病灶图像对，即第一图像包含了第一时间节点的病灶区域a1，第二图像包含了第二时间节点的病灶区域a2，即病灶区域a2是由病灶区域a1变化而来，从而展示了病灶的变化情况。
146.本技术通过大量病人在的不同时间点采集的ct影像构建影像对训练，使得模型能最终能基于单个ct影像预测其未来可能的状态。本技术中将前一时间节点得到的ct定义为ct1，将后一时间节点得到的影像定义为ct2。
147.可选的，由于不同的病灶的变化周期不同，故在采集病灶图像对时，可以对周期时长进行考虑，即首先确定目标病灶对应的类型信息；然后基于类型信息确定病灶变化周期；进而根据病灶变化周期对应的变化时长作为采集间隔，采集多个病灶图像对。从而保证了病灶图像对采集的准确性，即采集的病灶图像对的发展情况是相对确定的。
148.在一种可能的场景中，病灶图像对由计算机断层扫描所得，而目标病灶为计算机断层扫描得到的脑出血区域，预测图像用于预测脑出血区域的变化趋势，下述实施例以该场景为例进行说明，具体的检测设备和病灶类型并不做限定。
149.然后，基于病灶图像对对目标模型进行训练。其中，目标模型的训练过程包括重构任务和预设任务，重构任务用于基于第一图像进行图像重构，预测任务用于学习第一图像和第二图像的对应关系；具体的，目标模型可以是深度生成对抗网络，该深度生成对抗网络包含4个模块，分别为编码器(encoder)，解码器(decoder)，判别器(discriminator)与映射器(mapper)，具体的，即首先基于病灶图像对中的第一图像进行恒等映射(编码器编码后解码器解码)，以得到重构解码图像；然后根据判别器重构解码图像向第一图像进行恢复的过程执行重构任务；若重构解码图像与第一图像相似度度达到阈值，则结束重构任务；进而映射器基于第一图像和第二图像的对应关系执行预测任务，以对目标模型进行训练。
150.具体的，即将基于一张ct影像预测其后续变化的过程分解为两个子任务：第一个子任务为重构图像，当模型具有将一张ct从网络中完整恢复的能力时，模型将进行第二个子任务，即变化预测。对于两个子任务，模型的训练分为两个阶段，分别为恒等映射和目标映射，接下来将分别介绍两个阶段的训练过程。
151.对于恒等映射的过程，参见图5所示的场景架构，图5为本技术实施例提供的另一种病灶图像的处理方法的场景示意图；即首先编码器对病灶图像对中的第一图像进行编码操作，以对第一图像的特征维度进行压缩得到第一特征向量；然后解码器对第一特征向量进行解码操作，以基于第一约束函数进行相似度约束得到重构解码图像，该重构解码图像的特征维度为第一特征向量恢复到第一图像对应的特征维度，具体的，第一约束函数可以为：
[0152][0153]
其中，e为编码器的输出，d为解码器的输出，该函数即用于最小化第一图像与重构解码图像之间的差异。
[0154]
进一步的，判别器对重构解码图像和第一图像进行判别操作，以得到判别结果，判别器进行判别操作的目标为基于第二约束函数输出的判别结果为第一图像，编码器进行编码操作与解码器进行解码操作的目标为基于第三约束函数输出的判别结果为重构解码图像；其中，第二约束函数可以是：
[0155][0156]
其中，e为编码器的输出，d为解码器的输出，dis为判别器的输出，该函数即用于指示判别器尽可能分辨与生成真实图像(第一图像)。
[0157]
第三约束函数可以是：
[0158][0159]
其中，e为编码器的输出，d为解码器的输出，dis为判别器的输出，该函数即用于指示编码器与解码器尽可能的欺骗判别器，即判别器生成重构解码图像。
[0160]
从而可以基于第二约束函数和第三约束函数的调整过程执行重构任务。
[0161]
可选的，对于上述恒等映射的过程还可以对encoder，decoder进行预热，即尝试执行重构解码图像恢复到第一图像的过程，即首先获取预设预热步数；然后基于预设预热步数循环进行第一约束函数的相似度约束过程，以对编码操作和解码操作的过程进行预热。
[0162]
在一种可能的场景中，上述恒等映射首先会预热encoder与decoder两个模块，该预热会将一张预处理后的ct1由encoder压缩至低维表达(例如将一个128*128*128的ct影像压缩至1024维的向量)，再由decoder将对应的低维表达恢复成原始维度，并以原始图像进行相似度约束，其约束函数为第一约束函数。具体的，模型中的encoder由多个卷积层和一个全连接层组成，decoder则由一个全连接层和多个解卷积层构成。
[0163]
进一步的，在预热一定步数后，判别器discriminator加入训练，判别器由多个卷积层和一个全连接层构成。decoder解码的图像会和真实图像同时输入discriminator进行判别，discriminator的需要尽可能分辨与生成真实图像，而encoder与decoder需要尽可能
的欺骗判别器。
[0164]
具体的，判别器的约束函数为第二约束函数，decoder与generator的约束函数为第三约束函数。在训练过程中，encoder和generator与discriminator将依据各自的优化约束函数交替训练，直到模型收敛。
[0165]
可以理解的是，通过两个目标相反的网络不断地进行交替训练。当最后收敛时，如果判别器再也无法判断出一个样本的来源，那么也就等价于生成网络可以生成符合真实数据分布的样本，从而保证了目标模型输出图像的真实性，即与实际医疗检测仪器输出的图像相似。
[0166]
另一方面，对于目标映射的过程，参见图6所示的场景架构，图6为本技术实施例提供的另一种病灶图像的处理方法的场景示意图；即首先基于编码器将第一图像进行向量表示，以得到低维向量；然后将低维向量输入映射器，以得到预测向量；然后基于预测向量向第二图像对应的向量进行转换，以对第四约束函数进行调整；经热基于第四约束函数的调整过程执行预测任务，以对目标模型进行训练，具体的，该第四约束函数可以是：
[0167][0168]
其中，e为编码器的输出，d为解码器的输出，m为映射器的输出，l为相似度约束。
[0169]
在一种可能的场景中，目标映射过程中参与训练的模块为mapper，encoder和decoder，其中encoder与decoder的参数会继承于上一阶段。在训练过程中，ct1经由encoder得到低维表达embedding(特征向量1)后，将其输入mapper得到预测embedding，预测embedding由decoder解码得到预测的ct图像ctpred，并将ctpred与ct2的向量表示(特征向量2)靠近。该mapper由多个全连接层构成，其作用为在embedding维度进行ct1到ct2的转换，且在整个训练过程中，除mapper外的模块参数都进行固定。
[0170]
可以理解的是，上述两个训练阶段中的相似度约束l均为均方误差约束。由于第一个阶段的优化目标为重构图像，因此大量的无标注数据可以被使用于这个训练阶段，从而保证数据的重构质量。
[0171]
可选的，上述参与训练的第一图像与第二图像可以是经过预处理的，即首先对病灶图像对中的图像进行裁剪；然后基于预设角度对裁剪后的病灶图像对中的图像进行对齐，以得到对齐图像对；并将对齐图像对中的图像调整至同一特征维度；进而基于调整后的对齐图像对中的图进行标准化处理，以对病灶图像对进行更新。从而保证第一图像与第二图像的病灶位置是对齐的，以便于后续的向量处理。
[0172]
可选的，由于不同的病灶对应的身体部位不同，故可以进行针对性的裁剪过程，即首先确定目标病灶对应的身体部位信息；然后基于身体部位信息确定裁剪项；进而根据裁剪项对病灶图像对中的图像进行裁剪。
[0173]
在一种可能的场景中，上述预处理的过程主要目标是将ct1与ct2尽可能对齐，并去除非病灶本身发展对图像引起的变化外其余的不同点。首先本技术会利用图像裁剪方法将ct中除脑组织以外的区域去除，其中包括头部裁剪，去骨两部分。然后会利用图像配准技术，将ct1与ct2配准至同一角度，使得病灶的位置对齐。进一步的，为了对齐扫描层厚的不同，会将所有图像重采样至同一层厚，并通过pad和crop的方法将所有数据固定至同一维度。最后，将对图像进行标准化，并将其值域映射至
‑
1到1的范围内，从而保证了ct1与ct2的
对齐关系，提高了模型训练过程中数据的准确性。
[0174]
可选的，在对目标模型进行训练过后还可以进行模型效果评估的过程，这是考虑到本技术的预测目标在于对ct2上血肿区域的准确刻画，对于没有太多变化的样本(负样本)希望尽可能保持原状，对于包含较多变化的样本能尽可能准确的刻画其变化的部分。故可以首先获取参考病灶区域；然后基于参考病灶区域与第一图像的病灶区域的相似性确定负样本参数；并确定参考病灶区域与第一图像的病灶区域的第一差异部分；进一步的确定第二图像的病灶区域和第一图像的病灶区域的第二差异部分；然后根据第一差异部分和第二差异部分确定正样本参数；进而基于负样本参数和正样本参数确定评估指标，评估指标用于指示目标模型的预测精度。例如首先利用血肿分割方法，对生成图像的血肿区域进行分割，得到m
gen
(参考病灶区域)，然后对负样本(不满足临床判断扩大条件的样本)计算m
gen
与ct1的血肿区域间的dice，定义为d
neg
；对正样本，本技术会计算m
gen
和ct1间差异部分与ct2和ct1间差异部分的dice，定义为d
pos
。进而通过加权公式计算两者间的平均，作为评估模型的指标，该加权公式可以是：
[0175]
avg＝2*(d
neg
*d
pos
)/(d
neg
d
pos
)
[0176]
其中，avg为模型指标，d
neg
为m
gen
与ct1的血肿区域间的相似度，d
pos
为m
gen
和ct1间差异部分与ct2和ct1间差异部分的相似度。
[0177]
可选的，若评估指标指示目标模型不满足预设指标，则可以对参与训练的病灶图像对进行审核，即确定病灶图像对中的差异信息；然后基于差异信息对病灶图像对进行审核(例如人工审核差异较小的病灶图像的对应情况)，以对病灶图像对进行更新，并基于更新后的病灶图像对对目标模型进行训练。
[0178]
303、将目标向量输入目标模型中的解码器进行图像预测，以得到包含基于时序关系变化后的目标病灶的预测图像。
[0179]
本实施例中，解码器的参数配置参见上述模型训练的过程。图像还原之后即得到了病灶发展预测过程的结果，预测过程适用于同一类的病灶的预测过程中，例如在图7所示的场景中，图7为本技术实施例提供的另一种病灶图像的处理方法的场景示意图；图中示出了基于训练后的目标模型由包含目标病灶的待预测图像得到预测图像的对比图，可见图像清晰，与真实图像相符。
[0180]
可以理解的是，本技术中的待预测图像可以是经过简单分析的，即带有识别标注的；也可以是不带有识别标注的，即使没有识别标注(例如血肿区域标注)，也可利用数据本身进行训练，模型所依赖的监督信息来源于客观的图像状态，而非人的主观标注，标注带来的影响更小，适用范围广泛。
[0181]
结合上述实施例可知，本技术从图像预测的角度呈现血肿的变化趋势，具体通过获取包含目标病灶的待预测图像并输入目标模型中的编码器进行向量表示，以得到编码向量；然后将编码向量输入目标模型中的映射器，以得到目标向量，映射器基于病灶图像对训练所得，病灶图像对由基于时序关系检测所得的训练图像组成，训练图像包含目标病灶；进而将目标向量输入目标模型中的解码器进行图像预测，以得到包含基于时序关系变化后的目标病灶的预测图像。从而实现基于人工智能的病灶变化预测的过程，由于采用图像到图像的训练方式对目标模型进行训练，且训练数据基于病灶的实际变化过程进行采集，使得目标模型具有病灶图像的推测能力，提高了病灶变化预测的准确性。
[0182]
上述实施例介绍了一次预测的过程，在一种可能的场景中，本技术还可以进行循环识别的过程，下面对该场景进行说明。请参阅图8，图8为本技术实施例提供的另一种病灶图像的处理方法的流程图，本技术实施例至少包括以下步骤：
[0183]
801、响应于检测操作获取目标检测图像。
[0184]
本实施例中，检测操作可以是检测人员在医疗检测设备上的操作，即在发起检测得到初步的目标检测图像后，自动触发后续的预测过程。
[0185]
802、将目标检测图像输入目标模型，以得到第一预测图像。
[0186]
本实施例中，对目标检测图像进行预测的过程与图3所示实施例的步骤303相似，此处不做赘述。
[0187]
803、判断目标检测图像的病例信息。
[0188]
本实施例中，得到目标检测图像，医护人员可以得出初步的病例信息，例如：血肿扩散、血肿缩小等。
[0189]
804、将第一预测图像输入目标模型，以得到第二预测图像。
[0190]
本实施例中，由于不确定第一预测图像是否为病灶的最终形态，即该病灶是否还可能扩散、缩小或不变等，故可以进行二次输入目标模型并预测的过程，从而得到第二预测图像。
[0191]
805、基于第二预测图像进行病例推断，并在目标检测图像的基础上展示第一预测图像和第二预测图像。
[0192]
本实施例中，若循环图像(第二预测图像)与预测图像(第一预测图像)相同，则说明第一预测图像可能是病灶当前的稳定状态，可以确定预测图像为预测结果；若循环图像(第二预测图像)与预测图像(第一预测图像)不同，则基于循环图像进行目标病灶的变化情况的预测，或确定第二预测图像为预测结果，即病灶当前还处于变化状态，可以对在目标检测图像的基础上展示第一预测图像和第二预测图像。
[0193]
在一种可能的场景中，如图9所示，图9为本技术实施例提供的另一种病灶图像的处理方法的场景示意图；图中示出了在目标检测图像的基础上展示第一预测图像和第二预测图像的过程，即目标检测图像b1、第一预测图像b2和第二预测图像b3为逐渐外扩的过程，从而动态的展示了病灶的变化情况。
[0194]
上述实施例基于生成对抗网络的方法，可以通过已采集的ct影像，目标病灶的变化趋势，并生成对应的ct影像，为病人的预后分析提供更丰富的参考依据。
[0195]
为了更好的实施本技术实施例的上述方案，下面还提供用于实施上述方案的相关装置。请参阅图10，图10为本技术实施例提供的一种病灶图像的处理装置的结构示意图，处理装置1000包括：
[0196]
编码单元1001，用于获取包含目标病灶的待预测图像并输入目标模型中的编码器进行向量表示，以得到编码向量；
[0197]
映射单元1002，用于将所述编码向量输入所述目标模型中的映射器进行图像维度的向量转换，以得到目标向量，所述映射器基于病灶图像对训练所得，所述病灶图像对由基于时序关系检测所得的训练图像组成，所述训练图像包含所述目标病灶；
[0198]
处理单元1003，用于将所述目标向量输入所述目标模型中的解码器进行图像预测，以得到包含基于所述时序关系变化后的目标病灶的预测图像。
[0199]
可选的，在本技术一些可能的实现方式中，所述病灶图像的处理装置还包括：
[0200]
训练单元1004，具体用于采集多个病灶图像对，所述病灶图像对包括作为所述训练图像的第一图像和第二图像，所述第一图像为在第一时间节点对目标病灶进行检测得到的图像，所述第二图像为在第二时间节点对所述目标病灶进行检测得到的图像，所述第二时间节点在所述第一时间节点之后；
[0201]
训练单元1004，具体用于基于所述病灶图像对对目标模型进行训练，所述目标模型的训练过程包括重构任务和预设任务，所述重构任务用于基于所述第一图像进行图像重构，所述预测任务用于学习所述第一图像和所述第二图像的对应关系。
[0202]
可选的，在本技术一些可能的实现方式中，所述训练单元1004，具体用于基于所述病灶图像对中的所述第一图像进行恒等映射，以得到重构解码图像；
[0203]
所述训练单元1004，具体用于根据所述重构解码图像向所述第一图像进行恢复的过程执行所述重构任务；
[0204]
所述训练单元1004，具体用于若所述重构解码图像与所述第一图像相似度度达到阈值，则结束所述重构任务；
[0205]
所述训练单元1004，具体用于基于所述第一图像和所述第二图像的对应关系执行所述预测任务，以对所述目标模型进行训练。
[0206]
可选的，在本技术一些可能的实现方式中，所述训练单元1004，具体用于对所述病灶图像对中的所述第一图像进行编码操作，以对所述第一图像的特征维度进行压缩得到第一特征向量；
[0207]
所述训练单元1004，具体用于对所述第一特征向量进行解码操作，以基于第一约束函数进行相似度约束得到重构解码图像，所述重构解码图像的特征维度为所述第一特征向量恢复到所述第一图像对应的特征维度；
[0208]
所述训练单元1004，具体用于对所述重构解码图像和所述第一图像进行判别操作，以得到判别结果，所述判别操作的目标为基于第二约束函数输出的所述判别结果为所述第一图像，所述编码操作与所述解码操作的目标为基于第三约束函数输出的所述判别结果为所述重构解码图像；
[0209]
所述训练单元1004，具体用于基于所述第二约束函数和所述第三约束函数的调整过程执行所述重构任务。
[0210]
可选的，在本技术一些可能的实现方式中，所述训练单元1004，具体用于获取预设预热步数；
[0211]
所述训练单元1004，具体用于基于所述预设预热步数循环进行所述第一约束函数的相似度约束过程，以对所述编码操作和所述解码操作的过程进行预热。
[0212]
可选的，在本技术一些可能的实现方式中，所述训练单元1004，具体用于将所述第一图像进行向量表示，以得到低维向量；
[0213]
所述训练单元1004，具体用于将所述低维向量输入映射器，以得到预测向量；
[0214]
所述训练单元1004，具体用于基于所述预测向量向所述第二图像对应的向量进行转换，以对第四约束函数进行调整；
[0215]
所述训练单元1004，具体用于基于所述第四约束函数的调整过程执行所述预测任务，以对所述目标模型进行训练。
[0216]
可选的，在本技术一些可能的实现方式中，所述训练单元1004，具体用于对所述病灶图像对中的图像进行裁剪；
[0217]
所述训练单元1004，具体用于基于预设角度对裁剪后的所述病灶图像对中的图像进行对齐，以得到对齐图像对；
[0218]
所述训练单元1004，具体用于将所述对齐图像对中的图像调整至同一特征维度；
[0219]
所述训练单元1004，具体用于基于调整后的所述对齐图像对中的图进行标准化处理，以对所述病灶图像对进行更新。
[0220]
可选的，在本技术一些可能的实现方式中，所述训练单元1004，具体用于确定所述目标病灶对应的身体部位信息；
[0221]
所述训练单元1004，具体用于基于所述身体部位信息确定裁剪项；
[0222]
所述训练单元1004，具体用于根据所述裁剪项对所述病灶图像对中的图像进行裁剪。
[0223]
可选的，在本技术一些可能的实现方式中，所述训练单元1004，具体用于确定所述目标病灶对应的类型信息；
[0224]
所述训练单元1004，具体用于基于所述类型信息确定病灶变化周期；
[0225]
所述训练单元1004，具体用于根据所述病灶变化周期对应的变化时长作为采集间隔，采集多个所述病灶图像对。
[0226]
可选的，在本技术一些可能的实现方式中，所述训练单元1004，具体用于获取参考病灶区域；
[0227]
所述训练单元1004，具体用于基于所述参考病灶区域与所述第一图像的病灶区域的相似性确定负样本参数；
[0228]
所述训练单元1004，具体用于确定所述参考病灶区域与所述第一图像的病灶区域的第一差异部分；
[0229]
所述训练单元1004，具体用于确定所述第二图像的病灶区域和所述第一图像的病灶区域的第二差异部分；
[0230]
所述训练单元1004，具体用于根据所述第一差异部分和所述第二差异部分确定正样本参数；
[0231]
所述训练单元1004，具体用于基于所述负样本参数和所述正样本参数确定评估指标，所述评估指标用于指示所述目标模型的预测精度。
[0232]
可选的，在本技术一些可能的实现方式中，所述训练单元1004，具体用于若所述评估指标指示所述目标模型不满足预设指标，则确定所述病灶图像对中的差异信息；
[0233]
所述训练单元1004，具体用于基于所述差异信息对所述病灶图像对进行审核，以对所述病灶图像对进行更新，并基于更新后的所述病灶图像对对所述目标模型进行训练。
[0234]
可选的，在本技术一些可能的实现方式中，所述处理单元1003，具体用于将所述预测图像输入训练后的所述目标模型，以得到循环图像；
[0235]
所述处理单元1003，具体用于若所述循环图像与所述预测图像相同，则确定所述预测图像为预测结果；
[0236]
所述处理单元1003，具体用于若所述循环图像与所述预测图像不同，则基于所述循环图像进行所述目标病灶的变化情况的预测。
[0237]
通过获取包含目标病灶的待预测图像并输入目标模型中的编码器进行向量表示，以得到编码向量；然后将编码向量输入目标模型中的映射器，以得到目标向量，映射器基于病灶图像对训练所得，病灶图像对由基于时序关系检测所得的训练图像组成，训练图像包含目标病灶；进而将目标向量输入目标模型中的解码器进行图像预测，以得到包含基于时序关系变化后的目标病灶的预测图像。从而实现基于人工智能的病灶变化预测的过程，由于采用图像到图像的训练方式对目标模型进行训练，且训练数据基于病灶的实际变化过程进行采集，使得目标模型具有病灶图像的推测能力，提高了病灶变化预测的准确性。
[0238]
本技术实施例还提供了一种终端设备，如图11所示，是本技术实施例提供的另一种终端设备的结构示意图，为了便于说明，仅示出了与本技术实施例相关的部分，具体技术细节未揭示的，请参照本技术实施例方法部分。该终端可以为包括手机、平板电脑、个人数字助理(personal digital assistant，pda)、销售终端(point of sales，pos)、车载电脑等任意终端设备，以终端为手机为例：
[0239]
图11示出的是与本技术实施例提供的终端相关的手机的部分结构的框图。参考图11，手机包括：射频(radio frequency，rf)电路1110、存储器1120、输入单元1130、显示单元1140、传感器1150、音频电路1160、无线保真(wireless fidelity，wifi)模块1170、处理器1180、以及电源1190等部件。本领域技术人员可以理解，图11中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0240]
下面结合图11对手机的各个构成部件进行具体的介绍：
[0241]
rf电路1110可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器1180处理；另外，将设计上行的数据发送给基站。通常，rf电路1110包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(low noise amplifier，lna)、双工器等。此外，rf电路1110还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(global system of mobile communication，gsm)、通用分组无线服务(general packet radio service，gprs)、码分多址(code division multiple access，cdma)、宽带码分多址(wideband code division multiple access,wcdma)、长期演进(long term evolution，lte)、电子邮件、短消息服务(short messaging service，sms)等。
[0242]
存储器1120可用于存储软件程序以及模块，处理器1180通过运行存储在存储器1120的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器1120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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器1120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、或其他易失性固态存储器件。
[0243]
输入单元1130可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元1130可包括触控面板1131以及其他输入设备1132。触控面板1131，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1131上或在触控面板1131附近的操
作，以及在触控面板1131上一定范围内的隔空触控操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板1131可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器1180，并能接收处理器1180发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1131。除了触控面板1131，输入单元1130还可以包括其他输入设备1132。具体地，其他输入设备1132可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
[0244]
显示单元1140可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元1140可包括显示面板1141，可选的，可以采用液晶显示器(liquid crystal display，lcd)、有机发光二极管(organic light
‑
emitting diode，oled)等形式来配置显示面板1141。进一步的，触控面板1131可覆盖显示面板1141，当触控面板1131检测到在其上或附近的触摸操作后，传送给处理器1180以确定触摸事件的类型，随后处理器1180根据触摸事件的类型在显示面板1141上提供相应的视觉输出。虽然在图11中，触控面板1131与显示面板1141是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板1131与显示面板1141集成而实现手机的输入和输出功能。
[0245]
手机还可包括至少一种传感器1150，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板1141的亮度，接近传感器可在手机移动到耳边时，关闭显示面板1141和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
[0246]
音频电路1160、扬声器1161，传声器1162可提供用户与手机之间的音频接口。音频电路1160可将接收到的音频数据转换后的电信号，传输到扬声器1161，由扬声器1161转换为声音信号输出；另一方面，传声器1162将收集的声音信号转换为电信号，由音频电路1160接收后转换为音频数据，再将音频数据输出处理器1180处理后，经rf电路1110以发送给比如另一手机，或者将音频数据输出至存储器1120以便进一步处理。
[0247]
wifi属于短距离无线传输技术，手机通过wifi模块1170可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图11示出了wifi模块1170，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
[0248]
处理器1180是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器1120内的软件程序和/或模块，以及调用存储在存储器1120内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器1180可包括一个或多个处理单元；可选的，处理器1180可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1180中。
[0249]
手机还包括给各个部件供电的电源1190(比如电池)，可选的，电源可以通过电源
管理系统与处理器1180逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
[0250]
尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。
[0251]
在本技术实施例中，该终端所包括的处理器1180还具有执行如上述页面处理方法的各个步骤的功能。
[0252]
本技术实施例还提供了一种服务器，请参阅图12，图12是本技术实施例提供的一种服务器的结构示意图，该服务器1200可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，cpu)1222(例如，一个或一个以上处理器)和存储器1232，一个或一个以上存储应用程序1242或数据1244的存储介质1230(例如一个或一个以上海量存储设备)。其中，存储器1232和存储介质1230可以是短暂存储或持久存储。存储在存储介质1230的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1222可以设置为与存储介质1230通信，在服务器1200上执行存储介质1230中的一系列指令操作。
[0253]
服务器1200还可以包括一个或一个以上电源1226，一个或一个以上有线或无线网络接口1250，一个或一个以上输入输出接口1258，和/或，一个或一个以上操作系统1241，例如windows servertm，mac os xtm，unixtm,linuxtm，freebsdtm等等。
[0254]
上述实施例中由管理装置所执行的步骤可以基于该图12所示的服务器结构。
[0255]
本技术实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有病灶图像的处理指令，当其在计算机上运行时，使得计算机执行如前述图3至图9所示实施例描述的方法中病灶图像的处理装置所执行的步骤。
[0256]
本技术实施例中还提供一种包括病灶图像的处理指令的计算机程序产品，当其在计算机上运行时，使得计算机执行如前述图3至图9所示实施例描述的方法中病灶图像的处理装置所执行的步骤。
[0257]
本技术实施例还提供了一种病灶图像的处理系统，所述病灶图像的处理系统可以包含图10所描述实施例中的病灶图像的处理装置，或图11所描述实施例中的终端设备，或者图12所描述的服务器。
[0258]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0259]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个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。
[0260]
所述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，或者也可以分布到多个网络单元上。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例方案的目的。
[0261]
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。
[0262]
所述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，病灶图像的处理装置，或者网络设备等)执行本技术各个实施例所述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(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0263]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。