参数确定方法、装置、计算机设备和存储介质与流程

1.本技术涉及参数处理技术领域，特别是涉及一种参数确定方法、装置、计算机设备和存储介质。


背景技术：

2.以超快速成像序列为主的mri(magnetic resonance imaging，磁共振成像)检查，能够评价器官的功能状态，揭示生物体内的生理学信息，统称为功能磁共振成像，或功能性成像技术(functional imaging techniques)。
3.目前，功能成像技术在临床和科研中得到广泛使用，其中，大多数功能成像技术都需要基于优化算法去求解模型参数，从而得到相应的参数图。
4.然而，优化算法的求解需要给定参数的初始值和边界条件，但是参数的初始值和边界条件不容易确定，并且初始值和边界条件确定不好，还影响优化算法的性能和准确性。


技术实现要素：

5.基于此，为了解决上述问题，本公开实施例提供了一种参数确定方法、装置、计算机设备和存储介质，能够降低参数初始值和边界条件的确定难度，避免参数初始值和边界条件确定不好而影响优化算法的性能和准确性的问题。
6.第一方面，本公开实施例提供了一种参数确定方法，该方法包括：
7.利用预先建立的正常组织参数分布和待处理的目标医疗图像数据，得到第一参数分布；
8.利用预先训练的区域分割模型对目标医疗图像数据进行处理，得到目标医疗图像数据对应的目标信息；目标信息包括病灶所在的目标区域；
9.在预先建立的异常组织参数检索表中确定出目标区域对应的第二参数分布；
10.根据第一参数分布和第二参数分布，确定目标医疗图像数据对应的目标参数分布。
11.在其中一个实施例中，目标信息还包括目标区域对应的目标病灶类型和目标病变程度，上述在预先建立的异常组织参数检索表中确定出目标区域对应的第二参数分布，包括：
12.根据目标病灶类型和目标病变程度在异常组织参数检索表中查找出目标区域对应的第二参数分布。
13.在其中一个实施例中，上述在预先建立的异常组织参数检索表中确定出目标区域对应的第二参数分布之前，该方法还包括：
14.获取多个病灶类型和多个病变程度对应的异常组织参数分布：
15.根据多个异常组织参数分布，建立异常组织参数检索表。
16.在其中一个实施例中，上述利用预先训练的区域分割模型对目标医疗图像数据进行处理，得到目标医疗图像数据对应的目标信息，包括：
17.将目标医疗图像数据输入到区域分割模型中，得到区域分割模型进行区域分割处理输出的目标区域、目标区域对应的目标病灶类型和目标病变程度。
18.在其中一个实施例中，该方法还包括：
19.获取训练样本集；训练样本集包括多个样本图像数据和各样本图像数据对应的标注；样本图像数据为包含病灶的医疗图像数据，标注包括样本病灶掩模、样本病灶类型和样本病变程度；
20.基于训练样本集进行深度学习模型的训练，得到区域分割模型。
21.在其中一个实施例中，上述利用预先建立的正常组织参数分布和待处理的目标医疗图像数据之前，该方法还包括：
22.获取多个第一医疗图像数据；第一医疗图像数据为不包含病灶的医疗图像数据；
23.对多个第一医疗图像数据进行空间映射处理，得到标准空间下的多个第二医疗图像数据；
24.根据多个第二医疗图像数据进行参数统计，得到正常组织参数分布。
25.在其中一个实施例中，上述根据第一参数分布和第二参数分布，确定目标医疗图像数据对应的目标参数分布，包括：
26.将第一参数分布确定为目标医疗图像数据中非目标区域的参数分布，将第二参数分布确定为目标医疗图像数据中目标区域的参数分布，得到目标医疗图像数据对应的目标参数分布。
27.在其中一个实施例中，参数分布包括参数均值、参数方差、参数最大值和参数最小值中的至少一种。
28.第二方面，本公开实施例提供了一种参数确定装置，该装置包括：
29.第一参数分布确定模块，用于利用预先建立的正常组织参数分布和待处理的目标医疗图像数据，得到第一参数分布；
30.分割模块，用于利用预先训练的区域分割模型对目标医疗图像数据进行处理，得到目标医疗图像数据对应的目标信息；目标信息包括病灶所在的目标区域；
31.第二参数分布确定模块，用于在预先建立的异常组织参数检索表中确定出目标区域对应的第二参数分布；
32.目标参数分布确定模块，用于根据第一参数分布和第二参数分布，确定目标医疗图像数据对应的目标参数分布。
33.在其中一个实施例中，目标信息还包括目标区域对应的目标病灶类型和目标病变程度，上述第二参数分布确定模块，具体用于根据目标病灶类型和目标病变程度在异常组织参数检索表中查找出目标区域对应的第二参数分布。
34.在其中一个实施例中，该装置还包括：
35.参数分布获取模块，用于获取多个病灶类型和多个病变程度对应的异常组织参数分布：
36.检索表建立模块，用于根据多个异常组织参数分布，建立异常组织参数检索表。
37.在其中一个实施例中，上述分割模块，具体用于将目标医疗图像数据输入到区域分割模型中，得到区域分割模型进行区域分割处理输出的目标区域、目标区域对应的目标病灶类型和目标病变程度。
38.在其中一个实施例中，该装置还包括：
39.样本集获取模块，用于获取训练样本集；训练样本集包括多个样本图像数据和各样本图像数据对应的标注；样本图像数据为包含病灶的医疗图像数据，标注包括样本病灶掩模、样本病灶类型和样本病变程度；
40.模型训练模块，用于基于训练样本集进行深度学习模型的训练，得到区域分割模型。
41.在其中一个实施例中，该装置还包括：
42.数据获取模块，用于获取多个第一医疗图像数据；第一医疗图像数据为不包含病灶的医疗图像数据；
43.映射处理模块，用于对多个第一医疗图像数据进行空间映射处理，得到标准空间下的多个第二医疗图像数据；
44.参数统计模块，用于根据多个第二医疗图像数据进行参数统计，得到正常组织参数分布。
45.在其中一个实施例中，上述目标参数分布确定模块，具体用于将第一参数分布确定为目标医疗图像数据中非目标区域的参数分布，将第二参数分布确定为目标医疗图像数据中目标区域的参数分布，得到目标医疗图像数据对应的目标参数分布。
46.在其中一个实施例中，参数分布包括参数均值、参数方差、参数最大值和参数最小值中的至少一种。
47.第三方面，本公开实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
48.第四方面，本公开实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
49.上述参数确定方法、装置、计算机设备和存储介质，利用预先建立的正常组织参数分布和待处理的目标医疗图像数据，得到第一参数分布；利用预先训练的区域分割模型对目标医疗图像数据进行处理，得到目标医疗图像数据对应的目标信息；在预先建立的异常组织参数检索表中确定出目标区域对应的第二参数分布；根据第一参数分布和第二参数分布，确定目标医疗图像数据对应的目标参数分布。本公开实施例通过分别确定正常组织的第一参数分布和异常组织的第二参数分布来确定目标参数分布，根据该目标参数分布可以较为容易地确定优化算法的参数初始值和边界条件，从而降低了参数初始值和边界条件的确定难度。并且，由于目标参数分布不仅包括正常组织的参数分布，还包括异常组织的参数分布，因此，目标参数分布的准确性较高，可以避免参数初始值和边界条件确定不好而影响优化算法的性能和准确性的问题。
附图说明
50.图1为一个实施例中参数确定方法的应用环境图；
51.图2为一个实施例中参数确定方法的流程示意图；
52.图3a为一个实施例中功能成像的图像数据的示意图；
53.图3b为一个实施例中信号分布曲线的示意图；
54.图3c为一个实施例中第一参数分布的示意图；
55.图3d为一个实施例中病灶所在的目标区域的示意图；
56.图3e为一个实施例中异常组织参数检索表的示意图；
57.图3f为一个实施例中目标参数分布的示意图；
58.图4为一个实施例中建立异常组织参数检索表步骤的流程示意图；
59.图5为一个实施例中模型训练步骤的流程示意图；
60.图6为一个实施例中确定正常组织参数分布步骤的流程示意图；
61.图7为一个实施例中医疗图像数据的示意图；
62.图8为另一个实施例中参数确定方法的流程示意图；
63.图9为一个实施例中参数确定装置的结构框图；
64.图10为一个实施例中计算机设备的内部结构图。
具体实施方式
65.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，对本技术进行进一步详细说明。应当理解，此处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。
66.本技术提供的参数确定方法，可以应用于如图1所示的应用环境中。该应用环境可以包括终端101和多个医学扫描设备102。其中，终端101可以通过网络与医学扫描设备102进行通信。上述终端101可以但不限于是各种个人计算机、笔记本电脑机和平板电脑，上述医学扫描设备102可以但不限于是ct(computed tomography，即电子计算机断层扫描)设备、pet(positron emission computed tomography，正电子发射型计算机断层显像)-ct设备和mr(magnetic resonance，磁共振)设备。
67.该应用环境还可以包括pacs(picture archiving and communication systems，影像归档和通信系统)服务器103，终端101和医学扫描设备102均可以通过网络与pacs服务器103进行通信。上述pacs服务器103可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
68.在一个实施例中，如图2所示，提供了一种参数确定方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
69.步骤201，利用预先建立的正常组织参数分布和待处理的目标医疗图像数据，得到第一参数分布。
70.其中，参数分布为图像数据中像素点某一参数的统计分布，包括参数均值、参数方差、参数最大值和参数最小值中的至少一种。参数可以包括表观弥散系数(apparent diffusion coefficient，adc)等。待处理的目标医疗图像数据可以为原始的ct图像数据、mr图像数据，也可以为功能成像的图像数据。
71.目标医疗图像数据的获取过程，可以包括：对目标扫描部位进行不同参数的多次扫描，得到多个功能成像的图像数据，如图3a所示。在功能成像的图像数据中，同一组织对应不同的反馈信号，因此，可以根据扫描参数和反馈信号确定信号分布曲线，如图3b所示。
72.示例性地，信号分布曲线可以为ivim((intro-voxel incoherent movement，体素内不相干运动)。ivim为与磁共振设备主磁场相关的分布曲线，ivim模型为sb＝s0*((1-f)*e-b*d
f*e-b*dstar
)，在b＝0时反馈信号值为s0。其中，b为弥散加权因子，sb为有弥散加权因子b
时的反馈信号值，s0为无弥散加权因子时的反馈信号值，d为真正的弥散，反映了单纯的分子弥散，f为与微循环相关的灌注分数，d*为与灌注相关的假弥散因子。
73.终端可以预先建立正常组织参数分布，之后，将正常组织参数分布与待处理的目标医疗图像数据进行配准处理，得到目标医疗图像数据对应的第一参数分布，如图3c所示。
74.上述配准处理可以包括刚体配准处理、弹性配准处理中的至少一种，本公开实施例对此不做限定。
75.步骤202，利用预先训练的区域分割模型对目标医疗图像数据进行处理，得到目标医疗图像数据对应的目标信息。
76.其中，目标信息包括病灶所在的目标区域。
77.终端中可以设置有预先训练的区域分割模型，在获取到目标医疗图像数据后，利用该区域分割模型对目标医疗图像数据进行区域分割处理，得到目标医疗图像数据中病灶所在的目标区域，如图3d所示。
78.本公开实施例对区域分割模型的结构和类型不做限定，可以根据实际情况进行设置。
79.步骤203，在预先建立的异常组织参数检索表中确定出目标区域对应的第二参数分布。
80.终端预先建立异常组织参数检索表，在确定病灶所在的目标区域后，可以根据病灶的病变类型、病变程度等在异常组织参数检索表中查找出目标区域对应的第二参数分布。
81.其中，异常组织参数检索表如图3e所示。
82.步骤204，根据第一参数分布和第二参数分布，确定目标医疗图像数据对应的目标参数分布。
83.根据第一参数分布确定目标医疗图像数据中病灶以外的正常区域的参数分布，根据第二参数分布确定病灶所在的目标区域的参数分布；之后，根据正常区域的参数分布和目标区域的参数分布，确定目标医疗图像数据对应的目标参数分布，如图3f所示。
84.可以理解地，确定目标参数分布后，可以较为容易地确定优化算法的参数初始值和边界条件，即降低了参数初始值和边界条件的确定难度。并且，目标参数分布是根据正常组织经验分布和异常组织参数检索表确定的，因此可以避免参数初始值和边界条件确定不好而影响优化算法的性能和准确性的问题。
85.上述优化算法可以包括lm(levenberg-marquardt，列文伯格-马夸尔特)算法、trf(trust region reflective，信赖域反射)算法和内点法。其中，无约束问题可以使用lm算法，边界约束问题可以使用trf算法(如图边界约束为x》3,y《2)，不等式约束可以使用内点法(如x y》0)。本公开实施例对优化算法不做限定。
86.上述参数确定方法中，利用预先建立的正常组织参数分布和待处理的目标医疗图像数据，得到第一参数分布；利用预先训练的区域分割模型对目标医疗图像数据进行处理，得到目标医疗图像数据对应的目标信息；在预先建立的异常组织参数检索表中确定出目标区域对应的第二参数分布；根据第一参数分布和第二参数分布，确定目标医疗图像数据对应的目标参数分布。本公开实施例通过分别确定正常组织的第一参数分布和异常组织的第二参数分布来确定目标参数分布，根据该目标参数分布可以较为容易地确定优化算法的参
数初始值和边界条件，从而降低了参数初始值和边界条件的确定难度。并且，由于目标参数分布不仅包括正常组织的参数分布，还包括异常组织的参数分布，因此，目标参数分布的准确性较高，可以避免参数初始值和边界条件确定不好而影响优化算法的性能和准确性的问题。
87.在一个实施例中，目标信息还包括目标区域对应的目标病灶类型和目标病变程度，上述在预先建立的异常组织参数检索表中确定出目标区域对应的第二参数分布的过程，可以包括：根据目标病灶类型和目标病变程度在异常组织参数检索表中查找出目标区域对应的第二参数分布。
88.终端利用区域分割模型对目标医疗图像数据进行区域分割，不仅可以得到病灶所在的目标区域，而且还可以得到目标区域对应的目标病灶类型和目标病变程度。如图3d所示，除在图中确定病灶所在的目标区域之外，还确定了该目标区域对应的目标病灶类型为脑胶质瘤，目标病变程度为三级。
89.在如图3e所示的异常组织参数检索表中，终端可以在多个病灶类型中查找出目标病灶类型，然后在目标病灶类型对应的多个病变程度中查找出目标病变程度；之后，将目标病灶类型和目标病灶程度所对应的参数分布确定为目标区域对应的第二参数分布。
90.在其中一个实施例中，如图3e所示，参数分布包括参数均值、参数方差、参数最大值和参数最小值中的至少一种。
91.上述实施例中，根据目标病灶类型和目标病变程度在异常组织参数检索表中查找出目标区域对应的第二参数分布。由于预先建立了异常组织参数检索表，因此，可以较为容易确定出目标医疗图像数据中病灶所在的目标区域所对应的第二参数分布，并且，该第二参数分布也较为准确，这样，可以提高目标参数分布的确定效率和准确性，从而降低参数初始值和边界条件的确定难度，避免参数初始值和边界条件确定不好而影响优化算法的性能和准确性的问题。
92.在一个实施例中，如图4所示，在上述预先建立的异常组织参数检索表中确定出目标区域对应的第二参数分布的步骤之前，本公开实施例还可以包括如下步骤：
93.步骤301，获取多个病灶类型和多个病变程度对应的异常组织参数分布。
94.终端可以获取从医疗图像数据库中获取多个医疗图像数据，然后获取每个病灶类型中多个病变程度对应的异常组织参数分布。或者，终端获取医疗图像数据的相关资料、文献，然后从相关资料和文献中提取出每个病灶类型中多个病变程度对应的异常组织参数分布。本公开实施例对获取方式不做限定，可以根据实际情况进行选取。
95.示例性地，对于脑胶质瘤，终端获取一级脑胶质瘤对应的异常组织参数分布、二级脑胶质瘤对应的异常组织参数分布和三级脑胶质瘤对应的异常组织参数分布。以此类推，终端可以获取到多个病灶类型、多个病变程度对应的异常组织参数分布。
96.步骤302，根据多个异常组织参数分布，建立异常组织参数检索表。
97.终端可以根据病灶类型以及病变程度建立异常组织参数检索表的检索栏，再将异常组织参数分布填入对应的检索栏中，以便在实际应用中，可以根据目标病灶类型和目标病变程度检索出病灶所在的目标区域对应的第二参数分布。
98.上述实施例中，获取多个病灶类型和多个病变程度对应的异常组织参数分布；根据多个异常组织参数分布，建立异常组织参数检索表。本公开实施例通过预先建立异常组
织参数检索表，提高了异常组织参数分布的确定效率和准确性，进而提高了目标参数分布的确定效率和准确性，从而降低了参数初始值和边界条件的确定难度，避免参数初始值和边界条件确定不好而影响优化算法的性能和准确性的问题。
99.在一个实施例中，上述利用预先训练的区域分割模型对目标医疗图像数据进行处理，得到目标医疗图像数据对应的目标信息的过程，可以包括：将目标医疗图像数据输入到区域分割模型中，得到区域分割模型进行区域分割处理输出的目标区域、目标区域对应的目标病灶类型和目标病变程度。
100.示例性地，将目标医疗图像数据输入到区域分割模型中，区域分割模型对目标医疗图像数据进行区域分割处理，输出如图3d所示的目标区域，以及该目标区域对应三级脑胶质瘤。
101.如图5所示，在利用区域分割模型进行区域分割处理之前，本公开实施例还可以包括模型训练过程，如以下步骤：
102.步骤401，获取训练样本集。
103.其中，训练样本集包括多个样本图像数据和各样本图像数据对应的标注；样本图像数据为包含病灶的医疗图像数据，标注包括样本病灶掩模、样本病灶类型和样本病变程度。
104.终端可以从医学扫描设备或pacs服务器获取多个包含病灶的医疗图像数据，并将包含病灶的医疗图像数据作为样本图像数据。之后，对于任一样本图像数据，终端可以获取用户在样本图像数据中手动勾画的样本病灶轮廓，以及用户输入的样本病灶类型和样本病变程度，之后，将样本病灶掩模、样本病灶类型和样本病变程度作为样本图像数据对应的标注。
105.在实际应用中，还可以采取其他方式获取样本图像数据和样本图像数据对应的标注，本公开实施例对此不做限定。
106.步骤402，基于训练样本集进行深度学习模型的训练，得到区域分割模型。
107.终端将一个样本图像数据输入到深度学习模型中，得到深度学习模型输出的训练结果；利用预设的损失函数计算训练结果与该样本图像数据所对应的标注之间的损失值，若损失值不满足预设收敛条件，则对深度学习模型中的可调参数进行调整，并将另一个样本图像数据输入到深度学习模型中继续训练。直到深度学习模型输出的训练结果与标注之间的损失值符合预设收敛条件时，结束训练，并将结束训练时的深度学习模型确定为区域分割模型。本公开实施例对损失函数和预设收敛条件不做限定，可以根据实际情况进行设置。
108.上述实施例中，在利用区域分割模型进行区域分割处理之前，获取训练样本集；基于训练样本集进行深度学习模型的训练，得到区域分割模型。之后，将目标医疗图像数据输入到区域分割模型中，得到区域分割模型进行区域分割处理输出的目标区域、目标区域对应的目标病灶类型和目标病变程度。本公开实施例通过预先训练区域分割模型，可以较为容易地从目标医疗图像数据中识别出异常组织所在的目标区域，以便确定异常组织的参数分布。由于正常组织和异常组织的参数分布是分开确定的，因此，最后得到的目标参数分布较为准确，根据该目标参数分布确定优化算法的参数初始和边界条件则会更为合适，避免了参数初始值和边界条件确定不好而影响优化算法的性能和准确性的问题。
109.在一个实施例中，如图6所示，在上述利用预先建立的正常组织参数分布和待处理的目标医疗图像数据之前，本公开实施例还可以包括：
110.步骤501，获取多个第一医疗图像数据。
111.其中，第一医疗图像数据为不包含病灶的医疗图像数据。可以理解地，第一医疗图像数据中，各组织均为正常组织。
112.终端可以从医学扫描设备或pacs服务器获取多个第一医疗图像数据。本公开实施例对获取方式不做限定。
113.步骤502，对多个第一医疗图像数据进行空间映射处理，得到标准空间下的多个第二医疗图像数据。
114.由于多个第一医疗图像数据对应的空间坐标可能不同，不利于进行参数统计，因此，对多个第一医疗图像数据均进行空间映射处理，将各第一医疗图像数据映射到标准空间下，得到多个第二医疗图像数据，如图7所示。
115.示例性地，将各第一医疗图像数据映射到脑部mni(montreal neurological institute)空间下，得到多个第二医疗图像数据。可以理解地，标准空间根据实际情况进行确定，不限于脑部mni空间。
116.步骤503，根据多个第二医疗图像数据进行参数统计，得到正常组织参数分布。
117.其中，参数分布包括参数均值、参数方差、参数最大值和参数最小值中的至少一种。
118.终端可以针对第二医疗图像数据中的各组织或各位置，计算参数均值、参数方差、参数最大值和参数最小值，得到各组织或各位置的参数均值、参数方差、参数最大值和参数最小值，从而确定正常组织参数分布。
119.上述实施例中，获取多个第一医疗图像数据；对多个第一医疗图像数据进行空间映射处理，得到标准空间下的多个第二医疗图像数据；根据多个第二医疗图像数据进行参数统计，得到正常组织参数分布。本公开实施例通过对正常组织的参数进行统计得到了正常组织参数分布，后续利用该正常组织参数分布确定目标参数分布，可以提高目标参数分布的确定效率以及准确性，并且，根据该目标参数分布确定优化算法的参数初始和边界条件，还可以避免参数初始值和边界条件确定不好而影响优化算法的性能和准确性的问题。
120.在一个实施例中，如图8所示，提供了一种参数确定方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
121.步骤601，获取多个第一医疗图像数据。
122.其中，第一医疗图像数据为不包含病灶的医疗图像数据。
123.步骤602，对多个第一医疗图像数据进行空间映射处理，得到标准空间下的多个第二医疗图像数据。
124.步骤603，根据多个第二医疗图像数据进行参数统计，得到正常组织参数分布。
125.步骤604，利用预先建立的正常组织参数分布和待处理的目标医疗图像数据，得到第一参数分布。
126.步骤605，将目标医疗图像数据输入到区域分割模型中，得到区域分割模型进行区域分割处理输出的目标区域、目标区域对应的目标病灶类型和目标病变程度。
127.步骤606，获取多个病灶类型和多个病变程度对应的异常组织参数分布。
128.步骤607，根据多个异常组织参数分布，建立异常组织参数检索表。
129.步骤608，在预先建立的异常组织参数检索表中确定出目标区域对应的第二参数分布。
130.步骤609，将第一参数分布确定为目标医疗图像数据中非目标区域的参数分布，将第二参数分布确定为目标医疗图像数据中目标区域的参数分布，得到目标医疗图像数据对应的目标参数分布。
131.上述实施例中，预先获取正常组织参数分布和异常组织参数检索表；在确定目标医疗图像数据的参数分布时，先利用区域分割模型从目标医疗图像数据中识别出异常组织所在区域，即病灶所在区域；之后，将第一参数分布确定为目标医疗图像数据中非目标区域的参数分布，将第二参数分布确定为目标医疗图像数据中目标区域的参数分布，得到目标医疗图像数据对应的目标参数分布。一方面，利用预先获取的正常组织参数分布和异常组织参数检索表确定目标参数分布，可以提高目标参数分布的确定效率；另一方面，分别确定正常组织和异常组织的参数分布，可以提高目标参数分布的准确性。这样，后续根据目标参数分布确定优化算法的参数初始值和边界条件时，不仅可以降低参数初始值和边界条件的难度，而且可以确定出较为合适的参数初始值和边界条件，从而避免参数初始值和边界条件确定不好而影响优化算法的性能和准确性的问题。
132.应该理解的是，虽然图2至图8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2至图8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
133.在一个实施例中，如图9所示，提供了一种参数确定装置，包括：
134.第一参数分布确定模块701，用于利用预先建立的正常组织参数分布和待处理的目标医疗图像数据，得到第一参数分布；
135.分割模块702，用于利用预先训练的区域分割模型对目标医疗图像数据进行处理，得到目标医疗图像数据对应的目标信息；目标信息包括病灶所在的目标区域；
136.第二参数分布确定模块703，用于在预先建立的异常组织参数检索表中确定出目标区域对应的第二参数分布；
137.目标参数分布确定模块704，用于根据第一参数分布和第二参数分布，确定目标医疗图像数据对应的目标参数分布。
138.在其中一个实施例中，目标信息还包括目标区域对应的目标病灶类型和目标病变程度，上述第二参数分布确定模块703，具体用于根据目标病灶类型和目标病变程度在异常组织参数检索表中查找出目标区域对应的第二参数分布。
139.在其中一个实施例中，该装置还包括：
140.参数分布获取模块，用于获取多个病灶类型和多个病变程度对应的异常组织参数分布：
141.检索表建立模块，用于根据多个异常组织参数分布，建立异常组织参数检索表。
142.在其中一个实施例中，上述分割模块702，具体用于将目标医疗图像数据输入到区域分割模型中，得到区域分割模型进行区域分割处理输出的目标区域、目标区域对应的目标病灶类型和目标病变程度。
143.在其中一个实施例中，该装置还包括：
144.样本集获取模块，用于获取训练样本集；训练样本集包括多个样本图像数据和各样本图像数据对应的标注；样本图像数据为包含病灶的医疗图像数据，标注包括样本病灶掩模、样本病灶类型和样本病变程度；
145.模型训练模块，用于基于训练样本集进行深度学习模型的训练，得到区域分割模型。
146.在其中一个实施例中，该装置还包括：
147.数据获取模块，用于获取多个第一医疗图像数据；第一医疗图像数据为不包含病灶的医疗图像数据；
148.映射处理模块，用于对多个第一医疗图像数据进行空间映射处理，得到标准空间下的多个第二医疗图像数据；
149.参数统计模块，用于根据多个第二医疗图像数据进行参数统计，得到正常组织参数分布。
150.在其中一个实施例中，上述目标参数分布确定模块704，具体用于将第一参数分布确定为目标医疗图像数据中非目标区域的参数分布，将第二参数分布确定为目标医疗图像数据中目标区域的参数分布，得到目标医疗图像数据对应的目标参数分布。
151.在其中一个实施例中，参数分布包括参数均值、参数方差、参数最大值和参数最小值中的至少一种。
152.关于参数确定装置的具体限定可以参见上文中对于参数确定方法的限定，在此不再赘述。上述参数确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
153.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种参数确定方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
154.本领域技术人员可以理解，图10中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
155.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有
计算机程序，该处理器执行计算机程序时实现以下步骤：
156.利用预先建立的正常组织参数分布和待处理的目标医疗图像数据，得到第一参数分布；
157.利用预先训练的区域分割模型对目标医疗图像数据进行处理，得到目标医疗图像数据对应的目标信息；目标信息包括病灶所在的目标区域；
158.在预先建立的异常组织参数检索表中确定出目标区域对应的第二参数分布；
159.根据第一参数分布和第二参数分布，确定目标医疗图像数据对应的目标参数分布。
160.在一个实施例中，目标信息还包括目标区域对应的目标病灶类型和目标病变程度，处理器执行计算机程序时还实现以下步骤：
161.根据目标病灶类型和目标病变程度在异常组织参数检索表中查找出目标区域对应的第二参数分布。
162.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
163.获取多个病灶类型和多个病变程度对应的异常组织参数分布：
164.根据多个异常组织参数分布，建立异常组织参数检索表。
165.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
166.将目标医疗图像数据输入到区域分割模型中，得到区域分割模型进行区域分割处理输出的目标区域、目标区域对应的目标病灶类型和目标病变程度。
167.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
168.获取训练样本集；训练样本集包括多个样本图像数据和各样本图像数据对应的标注；样本图像数据为包含病灶的医疗图像数据，标注包括样本病灶掩模、样本病灶类型和样本病变程度；
169.基于训练样本集进行深度学习模型的训练，得到区域分割模型。
170.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
171.获取多个第一医疗图像数据；第一医疗图像数据为不包含病灶的医疗图像数据；
172.对多个第一医疗图像数据进行空间映射处理，得到标准空间下的多个第二医疗图像数据；
173.根据多个第二医疗图像数据进行参数统计，得到正常组织参数分布。
174.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
175.将第一参数分布确定为目标医疗图像数据中非目标区域的参数分布，将第二参数分布确定为目标医疗图像数据中目标区域的参数分布，得到目标医疗图像数据对应的目标参数分布。
176.在一个实施例中，参数分布包括参数均值、参数方差、参数最大值和参数最小值中的至少一种。
177.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
178.利用预先建立的正常组织参数分布和待处理的目标医疗图像数据，得到第一参数分布；
179.利用预先训练的区域分割模型对目标医疗图像数据进行处理，得到目标医疗图像
数据对应的目标信息；目标信息包括病灶所在的目标区域；
180.在预先建立的异常组织参数检索表中确定出目标区域对应的第二参数分布；
181.根据第一参数分布和第二参数分布，确定目标医疗图像数据对应的目标参数分布。
182.在一个实施例中，目标信息还包括目标区域对应的目标病灶类型和目标病变程度，计算机程序被处理器执行时还实现以下步骤：
183.根据目标病灶类型和目标病变程度在异常组织参数检索表中查找出目标区域对应的第二参数分布。
184.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
185.获取多个病灶类型和多个病变程度对应的异常组织参数分布：
186.根据多个异常组织参数分布，建立异常组织参数检索表。
187.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
188.将目标医疗图像数据输入到区域分割模型中，得到区域分割模型进行区域分割处理输出的目标区域、目标区域对应的目标病灶类型和目标病变程度。
189.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
190.获取训练样本集；训练样本集包括多个样本图像数据和各样本图像数据对应的标注；样本图像数据为包含病灶的医疗图像数据，标注包括样本病灶掩模、样本病灶类型和样本病变程度；
191.基于训练样本集进行深度学习模型的训练，得到区域分割模型。
192.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
193.获取多个第一医疗图像数据；第一医疗图像数据为不包含病灶的医疗图像数据；
194.对多个第一医疗图像数据进行空间映射处理，得到标准空间下的多个第二医疗图像数据；
195.根据多个第二医疗图像数据进行参数统计，得到正常组织参数分布。
196.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
197.将第一参数分布确定为目标医疗图像数据中非目标区域的参数分布，将第二参数分布确定为目标医疗图像数据中目标区域的参数分布，得到目标医疗图像数据对应的目标参数分布。
198.在一个实施例中，参数分布包括参数均值、参数方差、参数最大值和参数最小值中的至少一种。
199.本领域普通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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
200.以上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。
201.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。