一种腺体密度等级确定方法、装置及计算机可读存储介质与流程

1.本技术涉及医疗影像技术领域，尤其涉及一种腺体密度等级确定方法及装置。


背景技术：

2.乳腺钼靶x线相机会采用两个视角(头尾(cranial-caudal，cc)位和侧斜(mediolateral-oblique，mlo)位)对受检对象的双乳进行拍摄，因此，在一般情况下，一位受检对象会对应四张乳腺钼靶图像。
3.现有的乳腺腺体密度等级确定方法是采用乳腺腺体密度分类模型对受检对象的四张乳腺钼靶图像分别进行分析，得到每张乳腺钼靶图像对应的腺体密度等级，然后将腺体密度较大的腺体密度等级确定为受检对象的腺体密度等级。但是，由于每张乳腺钼靶图像对应的腺体密度等级都是通过对单张乳腺钼靶图像分析得到的，而单张乳腺钼靶图像采集时可能存在误操作或其他因素的影响，因此这种直接将腺体密度较大的腺体密度等级确定为受检对象的腺体密度等级，可能导致受检对象的腺体密度等级确定的不准确。


技术实现要素：

4.有鉴于此，本发明实施例通过提供一种腺体密度等级确定方法、装置及计算机可读存储介质，用以解决现有技术中存在无法准确评估受检对象腺体密度等级的问题。
5.为了解决上述问题，第一方面，本发明实施例提供了一种腺体密度等级确定方法，包括：获取当前待检测用户的多张乳腺钼靶图像；分别提取各张乳腺钼靶图像的特征，得到对应的第一特征向量；将各第一特征向量进行融合，得到第二特征向量；采用序数回归模型对第二特征向量进行腺体密度等级预测，得到腺体密度等级概率分布向量；根据腺体密度等级概率分布向量确定待检测用户的腺体密度等级。
6.可选地，将各第一特征向量进行融合，得到第二特征向量，包括：
7.将各第一特征向量沿预设维度拼接成一个第三特征向量；
8.在预设维度上，对第三特征向量进行取最大值处理，得到第二特征向量。
9.可选地，序数回归模型包括多个二分类模块，采用序数回归模型对第二特征向量进行腺体密度等级预测，得到腺体密度等级概率分布向量，包括：采用多个二分类模块分别对第二特征向量进行二分类，得到腺体密度等级概率分布向量，其中，第i个二分类模块用于预测第二特征向量的腺体密度等级小于i的第一概率，和/或，大于或等于i的第二概率。
10.可选地，根据腺体密度等级概率分布向量确定待检测用户的腺体密度等级，包括：将各第一概率进行相加，并进行四舍五入取整后，得到待检测用户的腺体密度等级。
11.可选地，在分别提取各张乳腺钼靶图像的特征之前，腺体密度等级确定方法还包括：分别识别各张乳腺钼靶图像中的前景区域和背景区域；对前景区域的像素点的像素值进行归一化处理；将背景区域的像素点的像素值设定为目标像素值。
12.第二方面，本发明实施例提供了一种腺体密度等级确定装置，包括：获取单元，用于获取当前待检测用户的多张乳腺钼靶图像；提取单元，用于分别提取各张乳腺钼靶图像
的特征，得到对应的第一特征向量；融合单元，用于将各第一特征向量进行融合，得到第二特征向量；预测单元，用于采用序数回归模型对第二特征向量进行腺体密度等级预测，得到腺体密度等级概率分布向量；确定单元，用于根据腺体密度等级概率分布向量确定待检测用户的腺体密度等级。
13.可选地，融合单元包括：拼接子单元，用于将各第一特征向量沿预设维度拼接成一个第三特征向量；处理子单元，用于在预设维度上，对第三特征向量进行取最大值处理，得到第二特征向量。
14.可选地，序数回归模型包括多个二分类模块，预测子单元包括：分类子单元，用于采用多个二分类模块分别对第二特征向量进行二分类，得到腺体密度等级概率分布向量，其中，第i个二分类模块用于预测第二特征向量的腺体密度等级小于i的第一概率，和/或，大于或等于i的第二概率。
15.第三方面，本发明实施例提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行如第一方面或第一方面任意实施方式中的腺体密度等级确定方法。
16.第四方面，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使计算机执行如第一方面或第一方面任意实施方式中的腺体密度等级确定方法。
17.本发明实施例提供的腺体密度等级确定方法、装置及计算机可读存储介质，通过获取当前待检测用户的多张乳腺钼靶图像；分别提取各张乳腺钼靶图像的特征，得到对应的第一特征向量；将各第一特征向量进行融合，得到第二特征向量；采用序数回归模型对第二特征向量进行腺体密度等级预测，得到腺体密度等级概率分布向量；根据腺体密度等级概率分布向量确定待检测用户的腺体密度等级，从而在对腺体密度等级进行预测时，采用了序数回归算法框架，从而在对腺体密度进行等级预测时能够考虑不同等级之间的相近程度，从而即使等级预测错了，也不至于错的太离谱，能够更接近原本的等级，且通过综合多张乳腺钼靶图像进行等级预测，由于多张乳腺钼靶图像能够提供更多、更准确的特征信息，因此，预测的结果也更准确，从而可以提供与医生判断更为一致的腺体密度等级预测结果。
18.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
19.图1为本发明实施例中一种腺体密度等级确定方法的流程示意图；
20.图2为本发明实施例中残差单元的结构示意图；
21.图3为本发明实施例中标准化后的乳腺钼靶图像示意图；
22.图4为本发明实施例中序数回归模型的结构示意图；
23.图5为本发明实施例中特征融合流程示意图；
24.图6为本发明实施例中一种腺体密度等级确定装置的结构示意图；
25.图7为本发明实施例中一种电子设备的硬件结构示意图。
具体实施方式
26.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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，都属于本发明保护的范围。
27.本发明实施例提供了一种腺体密度等级确定方法，可针对待检测用户的乳腺钼靶图像进行乳腺腺体密度等级预测，乳腺腺体密度等级包括0型、1型、2型和3型。其中，0型对应脂肪型，1型对应少量腺体型，2型对应多量腺体型，3型对应致密性，四种腺体密度等级的腺体密度由大到小排列的顺序为：致密型＞多量腺体型＞少量腺体型＞脂肪型。如图1所示，腺体密度等级确定方法包括：
28.s101.获取当前待检测用户的多张乳腺钼靶图像。
29.具体地，乳腺钼靶图像是利用x射线的物理性质及人体乳房组织不同的等密度值，将乳房的二维图像投影于x光胶片之上得到的图像，简称钼靶图像。乳腺钼靶图像被广泛应用于乳腺癌早期筛查，医生通常会诊断钼靶图像中的各种信息，包括肿块病灶、钙化病灶、淋巴结肿大、乳腺腺体密度等级、皮肤异常等，并根据各种信息给出表征风险程度的乳腺影像报告和数据系统(bi-rads)分级。
30.根据钼靶图像的视图位置不同，包括：cc位的钼靶图像和mlo位的钼靶图像。在本发明实施例中，可通过乳腺数字放射设备，例如乳腺钼靶x线相机来采集乳腺钼靶图像。由于乳腺钼靶x线相机会采用两个视角(头尾(cranial-caudal，cc)位和侧斜(mediolateral-oblique，mlo)位)对受检对象的双乳进行拍摄，因此，多张乳腺钼靶图像可以包括至少两张cc位的钼靶图像和两张mlo位的钼靶图像。两张cc位的钼靶图像分别为左乳房和右乳房cc位的钼靶图像。两张mlo位的钼靶图像分别为左乳房和右乳房mlo位的钼靶图像。
31.s102.分别提取各张乳腺钼靶图像的特征，得到对应的第一特征向量。
32.在本发明实施例中，可通过提前训练一个特征提取模型，采用特征提取模型分别提取各张乳腺钼靶图像的特征。由于残差网络是在图像分类问题中性能最好的网络之一，因此，特征提取模型在训练时，可利用训练集对残差网络进行训练，得到特征提取模型。训练集包括多张乳腺钼靶图像样本。可选用标准的残差网络进行训练，例如18层残差网络。18层残差网络由4个残差单元构成，每个残差单元结构如图2所示，由3*3卷积层、归一化操作、激活函数、加法操作等构成。加法操作的存在，保证了残差网络更易于训练，而不会出现梯度消失或梯度爆炸的问题。
33.将训练集输出残差网络之前，需要进行预处理。预处理过程主要为对乳腺钼靶图像样本进行图像标准化处理。例如，将乳腺钼靶图像样本先进行裁切、然后标准化腺体前景区域、标准化背景区域，然后进行缩放操作等。具体步骤可以包括：裁切掉乳腺钼靶图像样本边界处无用的像素；识别乳腺钼靶图像样本中的腺体前景区域和背景区域；使用min-max标准化和均值标准差标准化依次标准化腺体前景区域；将背景区域的像素点的像素值统一修改为固定值；将图片分辨率调整至224*224。经标准化后的乳腺钼靶图像样本如图3所示。
34.为了增强特征提取模型的泛化性，可以采用随机裁切、随机翻转和旋转的方式对训练集进行扩增，并可以采用修改不同腺体密度等级的采样比来缓解数据不平衡问题。
35.训练好特征提取模型之后，就可以使用该特征提取模型分别提取各张乳腺钼靶图
像的特征，得到对应的第一特征向量。第一特征向量为一张乳腺钼靶图像中乳腺密度较高的部分的编码。
36.s103.将各第一特征向量进行融合，得到第二特征向量。
37.在本实施例中，待检测用户对应的多张乳腺钼靶图像经过特征提取后，可以得到多个第一特征向量，则需要将多个第一特征向量进行融合，融合为一个第二特征向量。由于第二特征向量融合了多个第一特征向量，而每个第一特征向量对应一张乳腺钼靶图像，从而该第二特征向量包含了待检测用户乳腺密度的多张乳腺钼靶图像的特征。第二特征向量为多张乳腺钼靶图像中乳腺密度较高的部分的编码。
38.s104.采用序数回归模型对第二特征向量进行腺体密度等级预测，得到腺体密度等级概率分布向量。
39.在本实施例中，可通过提前训练的一个序数回归模型，采用序数回归模型对第二特征向量进行腺体密度等级预测。序数回归模型包括多个二分类器。由于乳腺腺体密度等级包括四级，且由于第i个子分类是用来预测当前待检测用户的腺体密度等级是否大于或等于i，例如，第1个子分类器用来预测当前待检测用户的腺体密度等级是否大于或等于1，第2个子分类器用来预测当前待检测用户的腺体密度等级是否大于或等于2，第三个子分类器用来预测当前待检测用户的腺体密度等级是否大于或等于3，因此，通过3个子分类就可以实现对0-3级的乳腺密度等级的划分，因此，可以设置3个子分类器，通过对3个子分类器进行训练，得到序数回归模型。每一个子分类器训练时，采用的损失函数均为交叉熵损失函数，序数回归模型整体的损失函数为三个交叉熵损失函数的和。对于每个子分类器，第i个子分类器用来预测当前待检测用户的腺体密度等级是否大于或等于i，i为1-3的实数。通过设置多个子分类器，并且采用交叉熵损失函数作为每个子分类器的损失函数，则形成的序数回归模型能够区分等级与等级之间的相近程度。
40.多个用户的多张乳腺钼靶图像样本经过残差网络后，转化为对应的第一特征向量；对于同一个用户的多个第一特征向量，进行融合后得到一个第二特征向量。例如，每张乳腺钼靶图像经过特征提取模型后，输出一个512
×1×
1大小的第一特征向量，其中，第一特征向量宽为512，高为1以及通道数为1。将同一用户的多个大小为512
×1×
1的第一特征向量在高度上进行取最大值处理，可以得到一个512
×1×
1大小的第二特征向量。多个用户对应的第二特征向量形成了序数回归模型的训练样本。序数回归模型训练时：如图4所示，需要将每个融合后的512
×1×
1第二特征向量分别输入每个子分类器，同时，将每个融合后的第二特征向量输入每个子分类器时，还需要向每个子分类器中输入对应的腺体密度等级标注信息。该腺体密度等级标注信息可以由专业的医生进行判断后得到。每个子分类器输出对应的等级预测概率，例如，第一个子分类器输出腺体密度等级小于1的概率和腺体密度等级大于或等于1的概率。则序数回归模型最终输出一个2*3的概率分布向量。
41.对训练好的序数回归模型，可以在测试集验证其性能。在测试时，采用准确率和等级平均绝对误差作为测评指标。引入等级平均绝对误差作为评价指标是为了同时评估四等级的预测情况，避免样本数多的等级掩盖了样本数少的等级的问题。通过测试发现，在测试集上准确率为75.4％，0型、1型、2型、3型腺体密度等级对应的等级平均绝对误差分别为0.42、0.32、0.18、0.48。由于对于同一乳腺钼靶图像，不同专业医生标注的平均准确率大概是62％，可见，通过训练集训练好的序数回归模型，用于腺体密度等级预测时，准确率较高。
42.测试好序数回归模型后，可以采用序数回归模型对第二特征向量进行腺体密度等级预测。如图4所示，第二特征向量为一个512
×1×
1的特征向量，则该序数回归模型最终输出一个2*3的概率分布向量其中，第一个子分类器(子分类器1)输出概率p
11
、p
12
，第二个子分类器(子分类器2)输出概率p
21
、p
22
，第三个子分类器(子分类器3)输出概率p
31
、p
32
，p
11
为待检测用户的腺体密度等级小于1的概率，p
12
为待检测用户的腺体密度等级大于或等于1的概率，p
11
p
12
＝1。p
21
为待检测用户的腺体密度等级小于2的概率，p
22
为待检测用户的腺体密度等级大于或等于2的概率，p
21
p
22
＝1。p
31
为待检测用户的腺体密度等级小于3的概率，p
32
为待检测用户的腺体密度等级大于或等于3的概率，p
31
p
32
＝1。
43.s105.根据腺体密度等级概率分布向量确定待检测用户的腺体密度等级。
44.在本实施例中，可以将各第一概率进行相加，并进行四舍五入取整后，得到待检测用户的腺体密度等级。也即，计算腺体密度等级的公式为：round(p
11
p
21
p
31
),其中round()表示四舍五入取整。
45.本发明实施例提供的腺体密度等级确定方法，通过获取当前待检测用户的多张乳腺钼靶图像；分别提取各张乳腺钼靶图像的特征，得到对应的第一特征向量；将各第一特征向量进行融合，得到第二特征向量；采用序数回归模型对第二特征向量进行腺体密度等级预测，得到腺体密度等级概率分布向量；根据腺体密度等级概率分布向量确定待检测用户的腺体密度等级，从而在对腺体密度等级进行预测时，采用了序数回归算法框架，从而在对腺体密度进行等级预测时能够考虑不同等级之间的相近程度，从而即使等级预测错了，也不至于错的太离谱，能够更接近原本的等级，且通过综合多张乳腺钼靶图像进行等级预测，由于多张乳腺钼靶图像能够提供更多、更准确的特征信息，因此，预测的结果也更准确，从而可以提供与医生判断更为一致的腺体密度等级预测结果。
46.在一个可选的实施例中，步骤s103，将各第一特征向量进行融合，得到第二特征向量，包括：将各第一特征向量沿预设维度拼接成一个第三特征向量；在预设维度上，对第三特征向量进行取最大值处理，得到第二特征向量。
47.具体地，如果是将待检测用户的四张乳腺钼靶图像经过特征提取后得到的四个第一特征向量融合为一个第二特征向量，例如，四个第一特征向量均为大小为512
×1×
1的三维特征向量，则可以通过对四个512
×1×
1的特征向量在高度上逐通道取最大值的方式得到最终的一个512
×1×
1的特征向量。如图5所示，具体操作步骤可以为：先将四个512
×1×
1特征向量沿高度的这个维度拼接成512
×4×
1的特征向量，然后在高度这个维度上，再逐通道的对该特征向量进行取最大值处理，得到最终的512
×1×
1特征向量，从而得到的第二特征向量，在高度方向上，对于缺失的特征信息，可以得到补充，可以融合四张乳腺钼靶图像的特征，而不仅仅是一张乳腺钼靶图像的特征，从而可以得到关于乳腺的更多的特征信息。
48.在本发明实施例中，通过将各第一特征向量沿预设维度，例如高度维度上，拼接成一个第三特征向量，在预设维度上，对第三特征向量进行取最大值处理，得到第二特征向量，从而该第二特征向量包含了待检测用户乳腺密度的更多信息，且没有增加数据的数据量，一方面，通过第二特征向量预测待检测用户的乳腺密度时，可以得到更多的特征信息，
可以提供更多的信息进行乳腺密度等级判定，从而使得乳腺密度等级预测结果更加准确；另一方面，与通过单张乳腺钼靶图像来预测乳腺密度等级相比，没有增加特征向量的数据量。
49.在一个可选的实施例中，序数回归模型包括多个二分类模块，步骤s104，采用序数回归模型对第二特征向量进行腺体密度等级预测，得到腺体密度等级概率分布向量，包括：采用多个二分类模块分别对第二特征向量进行二分类，得到腺体密度等级概率分布向量，其中，第i个二分类模块用于预测第二特征向量的腺体密度等级小于i的第一概率，和/或，大于或等于i的第二概率。
50.具体地，每个子分类器可以为一个二分类模块，从而序数回归模型包括多个二分类模块。每个二分类模块可以对第二特征向量进行二分类，从而得到对应的第一概率和第二概率。综合多个二分类模块的结果可以得到腺体密度等级概率分布向量。
51.在本发明实施例中，通过设置多个二分类模块对第二特征向量进行二分类，从而可以按照等级从小到大的顺序依次预测腺体密度为该等级的概率，进而得到腺体密度等级概率分布向量，从而在对腺体密度进行等级预测时能够考虑不同等级之间的相近程度，从而即使等级预测错了，也不至于错的太离谱，能够更接近原本的等级。
52.在一个可选的实施例中，在分别提取各张乳腺钼靶图像的特征之前，腺体密度等级确定方法还包括：分别识别各张乳腺钼靶图像中的前景区域和背景区域；对前景区域的像素点的像素值进行归一化处理；将背景区域的像素点的像素值设定为目标像素值。
53.具体地，为了便于各张乳腺钼靶图像的特征提取，在特征提取之前，可以裁切掉乳腺钼靶图像样本边界处无用的像素；识别乳腺钼靶图像样本中的腺体前景区域和背景区域；使用min-max标准化和均值标准差标准化依次标准化腺体前景区域；将背景区域的像素点的像素值统一修改为固定值；然后将图片分辨率调整至224*224。
54.本发明实施例还提供了一种腺体密度等级确定装置，如图6所示，包括：
55.获取单元21，用于获取当前待检测用户的多张乳腺钼靶图像；具体的实施方式详见上述方法实施例步骤s101的描述，在此不再赘述。
56.提取单元22，用于分别提取各张乳腺钼靶图像的特征，得到对应的第一特征向量；具体的实施方式详见上述方法实施例步骤s102的描述，在此不再赘述。
57.融合单元23，用于将各第一特征向量进行融合，得到第二特征向量；具体的实施方式详见上述方法实施例步骤s103的描述，在此不再赘述。
58.预测单元24，用于采用序数回归模型对第二特征向量进行腺体密度等级预测，得到腺体密度等级概率分布向量；具体的实施方式详见上述方法实施例步骤s104的描述，在此不再赘述。
59.确定单元25，用于根据腺体密度等级概率分布向量确定待检测用户的腺体密度等级。具体的实施方式详见上述方法实施例步骤s105的描述，在此不再赘述。
60.本发明实施例提供的腺体密度等级确定装置，通过获取当前待检测用户的多张乳腺钼靶图像；分别提取各张乳腺钼靶图像的特征，得到对应的第一特征向量；将各第一特征向量进行融合，得到第二特征向量；采用序数回归模型对第二特征向量进行腺体密度等级预测，得到腺体密度等级概率分布向量；根据腺体密度等级概率分布向量确定待检测用户的腺体密度等级，从而在对腺体密度等级进行预测时，采用了序数回归算法框架，从而在对
腺体密度进行等级预测时能够考虑不同等级之间的相近程度，从而即使等级预测错了，也不至于错的太离谱，能够更接近原本的等级，且通过综合多张乳腺钼靶图像进行等级预测，由于多张乳腺钼靶图像能够提供更多、更准确的特征信息，因此，预测的结果也更准确，从而可以提供与医生判断更为一致的腺体密度等级预测结果。
61.在一个可选的实施例中，融合单元包括：拼接子单元，用于将各第一特征向量沿预设维度拼接成一个第三特征向量；处理子单元，用于在预设维度上，对第三特征向量进行取最大值处理，得到第二特征向量。
62.具体地，如果是将待检测用户的四张乳腺钼靶图像经过特征提取后得到的四个第一特征向量融合为一个第二特征向量，例如，四个第一特征向量均为大小为512
×1×
1的三维特征向量，则可以通过对四个512
×1×
1的特征向量在高度上逐通道取最大值的方式得到最终的一个512
×1×
1的特征向量。如图5所示，具体操作步骤可以为：先将四个512
×1×
1特征向量沿高度的这个维度拼接成512
×4×
1的特征向量，然后在高度这个维度上，再逐通道的对该特征向量进行取最大值处理，得到最终的512
×1×
1特征向量，从而得到的第二特征向量，在高度方向上，对于缺失的特征信息，可以得到补充，可以融合四张乳腺钼靶图像的特征，而不仅仅是一张乳腺钼靶图像的特征，从而可以得到关于乳腺的更多的特征信息。
63.在本发明实施例中，通过将各第一特征向量沿预设维度，例如高度维度上，拼接成一个第三特征向量，在预设维度上，对第三特征向量进行取最大值处理，得到第二特征向量，从而该第二特征向量包含了待检测用户乳腺密度的更多信息，且没有增加数据的数据量，一方面，通过第二特征向量预测待检测用户的乳腺密度时，可以得到更多的特征信息，可以提供更多的信息进行乳腺密度等级判定，从而使得乳腺密度等级预测结果更加准确；另一方面，与通过单张乳腺钼靶图像来预测乳腺密度等级相比，没有增加特征向量的数据量。
64.在一个可选实施例中，序数回归模型包括多个二分类模块，预测子单元包括：分类子单元，用于采用多个二分类模块分别对第二特征向量进行二分类，得到腺体密度等级概率分布向量，其中，第i个二分类模块用于预测第二特征向量的腺体密度等级小于i的第一概率，和/或，大于或等于i的第二概率。
65.具体地，每个子分类器可以为一个二分类模块，从而序数回归模型包括多个二分类模块。每个二分类模块可以对第二特征向量进行二分类，从而得到对应的第一概率和第二概率。综合多个二分类模块的结果可以得到腺体密度等级概率分布向量。
66.在本发明实施例中，通过设置多个二分类模块对第二特征向量进行二分类，从而可以按照等级从小到大的顺序依次预测腺体密度为该等级的概率，进而得到腺体密度等级概率分布向量，从而在对腺体密度进行等级预测时能够考虑不同等级之间的相近程度，从而即使等级预测错了，也不至于错的太离谱，能够更接近原本的等级。
67.基于与前述实施例中一种腺体密度等级确定方法同样的发明构思，本发明实施例还提供一种电子设备，如图7所示，包括：处理器31和存储器32，其中处理器31和存储器32可以通过总线或者其他方式连接，图7中以通过总线连接为例进行说明。
68.处理器31可以为中央处理器(central processing unit，cpu)。处理器31还可以为其他通用处理器、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、分立硬件组件等芯片，或者上述各类芯片的组合。
69.存储器32作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的腺体密度等级确定方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的腺体密度等级确定方法。
70.存储器32可以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、至少一个功能所需要的应用程序；存储数据区可存储处理器31所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器32可选包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至处理器31。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。
71.上述的一个或者多个模块存储在存储器32中，当被处理器31执行时，执行如图1所示实施例中的腺体密度等级确定方法。
72.上述电子设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
73.本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
74.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
75.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程信息处理设备的处理器以产生一个机器，使得通过计算机或其他可编程信息处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
76.这些计算机程序指令也可存储在能引导计算机或其他可编程信息处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
77.这些计算机程序指令也可装载到计算机或其他可编程信息处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
78.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。