扫描平面确定方法、装置、设备及存储介质与流程

1.本技术涉及医疗技术领域，特别涉及一种扫描平面确定方法、装置、设备及存储介质。


背景技术：

2.在采用心脏磁共振成像(cardiac magnetic resonance imaging，cmr)技术对病例的心脏进行扫描的过程中，通常需要先确定针对该病例的cmr的扫描平面，再基于该扫描平面对病例的心脏进行扫描，以确保基于扫描平面扫描得到的扫描图像能够准确反映该心脏的功能特征。
3.相关技术中，扫描平面是工作人员根据个人经验确定的。如此一方面确定扫描平面的效率较低，另一方面，由于人工误差的影响，容易导致确定的扫描平面的准确性较低，从而影响扫描图像的精确度。


技术实现要素：

4.本技术提供了一种扫描平面确定方法、装置、设备及存储介质，可以解决相关技术中的确定扫描平面的效率较低，容易影响扫描图像的精确度的问题。
5.所述技术方案如下：
6.根据本技术的一方面，提供了一种扫描平面确定方法，所述方法包括：
7.获取多个定位图像，所述定位图像基于多个扫描图像确定，所述多个扫描图像是从不同角度对目标物体进行扫描得到的，所述目标物体包括目标部位；
8.预测所述多个定位图像的距离信息，任一定位图像的距离信息用于反映所述任一定位图像中每个像素与所述任一定位图像的第一交线的距离，所述任一定位图像的第一交线为所述任一定位图像中与待确定的所述目标部位的目标扫描平面的相交线；
9.基于所述多个定位图像的距离信息，确定所述目标扫描平面。
10.根据本技术的另一方面，提供了一种扫描平面确定装置，所述装置包括：
11.获取模块，用于获取多个定位图像，所述定位图像基于多个扫描图像确定，所述多个扫描图像是从不同角度对目标物体进行扫描得到的，所述目标物体包括目标部位；
12.预测模块，用于预测所述多个定位图像的距离信息，任一定位图像的距离信息用于反映所述任一定位图像中每个像素与所述任一定位图像的第一交线的距离，所述任一定位图像的第一交线为所述任一定位图像中与待确定的所述目标部位的目标扫描平面的相交线；
13.确定模块，用于基于所述多个定位图像的距离信息，确定所述目标扫描平面。
14.在一个可选的设计中，所述确定模块用于：
15.基于所述多个定位图像的距离信息，执行至少一次扫描平面确定过程，直至满足截止条件；
16.将执行第二扫描平面确定过程所获取的扫描平面确定为目标扫描平面；
17.其中，所述扫描平面确定过程包括：
18.获取多个候选平面，每个所述候选平面为所述目标部位所在空间中与所述多个定位图像均相交的平面；
19.基于所述多个定位图像的距离信息，获取所述多个候选平面中每个所述候选平面的目标距离，对于每个所述候选平面，所述候选平面的目标距离是所述多个定位图像的参考距离之和，任一定位图像的参考距离为所述任一定位图像的第二交线的各个像素到所述任一定位图像的第一交线的距离之和，所述任一定位图像的第二交线为所述任一定位图像中与所述候选平面的相交线；
20.将所述多个候选平面中，目标距离最小的候选平面，确定为所述扫描平面。
21.在一个可选的设计中，所述候选平面基于位置参数确定，任意两个所述候选平面的位置参数不同，所述位置参数包括：空间点、极角和方向角；
22.其中，所述空间点为所述目标部位所在空间中，任意两个所述定位图像的交线中的像素点。
23.在一个可选的设计中，所述确定模块，用于基于所述多个定位图像的距离信息，执行多次扫描平面确定过程；
24.在依次相邻的第一扫描平面确定过程和第二扫描平面确定过程中，所述第二扫描平面确定过程中的多个候选平面，基于第一扫描平面确定，所述第一扫描平面为所述第一扫描平面确定过程确定的扫描平面；
25.其中，用于确定所述第二候选平面的位置参数中的至少一个参数满足：
26.所述参数的参数值，为第一参数集合中目标参数值与所述目标参数值相邻参数值之间的数值，且第二参数值集合中参数值的公差小于第一参数值集合中参数值的公差；
27.所述目标参数值为所述第一扫描平面的所述参数的参数值，所述第一参数值集合为用于确定第一候选平面的所述参数的参数值集合，所述第二参数值集合为用于确定所述第二候选平面的所述参数的参数值集合，所述第一参数值集合和所述第二参数值集合中的参数值均按照等差数列排布，所述第一候选平面为所述第一扫描平面确定过程中获取的候选平面，所述第二候选平面为所述第二扫描平面确定过程中获取的候选平面。
28.在一个可选的设计中，所述任一定位图像的距离信息由所述任一定位图像的热力图反映，所述热力图具有与所述任一定位图像的像素一一对应的热力值，每个所述热力值用于反映对应像素到所述任一定位图像的第一交线的距离；
29.任一定位图像的参考距离为所述任一定位图像的第二交线的各个像素在所述热力图上对应的热力值之和。
30.在一个可选的设计中，每个所述热力值与所述热力值对应的像素到所述第一交线的距离负相关。
31.在一个可选的设计中，所述多个定位图像与多个卷积神经网络一一对应，所述预测模块用于：
32.将目标定位图像输入目标卷积神经网络中，得到所述目标卷积神经网络输出的所述目标定位图像的距离信息，所述目标卷积神经网络为用于处理所述目标定位图像所属类型的定位图像，所述目标定位图像为所述多个定位图像中的任一定位图像。
33.在一个可选的设计中，所述获取模块还用于：
34.获取多个训练样本，所述训练样本包括：所述历史定位图像的历史距离信息，所述历史距离信息基于所述历史定位图像中每个像素到第三交线的距离确定，所述第三交线为所述历史定位图像中与历史扫描平面的相交线，所述历史定位图像与所述目标定位图像的扫描角度相同，所述历史扫描平面与所述目标扫描平面的扫描角度相同；根据所述多个训练样本，训练得到所述目标卷积神经网络。
35.在一个可选的设计中，所述获取模块用于：
36.获取多个医学样本，所述医学样本包括：所述历史定位图像，以及所述历史扫描平面；
37.基于所述多个医学样本，得到所述多个训练样本；
38.其中，所述多个医学样本与所述多个训练样本一一对应，所述训练样本中的历史定位图像的历史距离信息基于对应的医学样本中所述历史定位图像包括的每个像素的位置，以及第三交线的位置确定，所述第三交线是对应的医学样本中，所述历史定位图像与所述历史扫描平面的交线。
39.根据本技术的另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上方面所述的扫描平面确定方法。
40.根据本技术的另一方面，提供了一种计算机可读存储介质，所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上方面所述的扫描平面确定方法。
41.根据本技术的另一方面，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方面的各种可选实现方式中提供的扫描平面确定方法。
42.本技术提供的技术方案带来的有益效果至少包括：
43.本技术实施例提供了一种扫描平面确定方法、装置、设备及存储介质，确定设备可以预测多个定位图像的距离信息，该定位图像的距离信息用于反映该定位图像中每个像素与该定位图像的第一交线的距离，定位图像的第一交线为该定位图像中与待确定的目标扫描平面的相交线。之后，确定设备即可基于多个定位图像的距离信息自动确定目标扫描平面。由于目标扫描平面是自动确定的，无需人工根据经验确定目标扫描平面，因此一方面减少了工作人员的操作，有效提高了扫描平面的确定效率，另一方面可以避免因人工误差导致的确定出目标扫描平面的准确性较低的问题，从而可以确保基于该扫描平面得到的扫描图像的精确度。
附图说明
44.为了更清楚地说明本技术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。
45.图1是本技术一个示例性实施例提供的扫描平面确定方法的流程示意图；
46.图2是本技术另一个示例性实施例提供的扫描平面确定方法的流程示意图；
47.图3是本技术一个示例性实施例提供的目标扫描平面的确定流程的示意图；
48.图4是本技术一个示例性实施例提供的从多个候选平面中确定扫描平面的方法流程图；
49.图5是本技术一个示例性实施例提供的一种金字塔搜索过程的示意图；
50.图6是本技术一个示例性实施例提供的扫描平面确定装置的结构示意图；
51.图7是本技术一个示例性实施例提供的确定设备的结构示意图。
52.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
具体实施方式
53.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
54.假设人体的长轴为人体高度的延伸方向，第一平面为基于人体的长轴(long axis，lax)确定的扫描平面，第二平面为基于心脏的长轴或短轴(short axis，sax)确定的扫描平面。该心脏的长轴为心脏的左心室(left ventricle，lv)心尖与二尖瓣之间的连线。短轴为垂直于长轴的直线。
55.由于心脏的长轴与人体的长轴不平行，因此采用cmr技术基于第一平面对心脏扫描得到的图像，无法反映心脏的功能特征。故而，为了使得采用cmr技术扫描得到的图像能够准确反映该心脏的功能特征，需要先确定第二平面。该第二平面即为本技术后续实施例所述的扫描平面。目前的扫描平面是工作人员根据个人经验确定的，确定扫描平面的效率较低。
56.本技术实施例提供了一种扫描平面确定方法，可以解决前述问题，该方法可以应用于扫描平面确定设备(下文简称为确定设备)。可选的，该扫描平面确定设备可以为智能手机、笔记本电脑或台式电脑。参见图1，该方法包括：
57.步骤101、获取多个定位图像。
58.其中，多个定位图像的类型可以不同，定位图像基于多个扫描图像确定的。示例的，每个定位图像基于多个扫描图像确定的。该多个扫描图像是从不同角度对目标物体进行扫描得到的。例如，多个扫描图像可以是从目标物体的冠状面(即正前方或正后方)，矢状面(即左侧或右侧)，以及轴向面(即正上方或正下方)，对该目标物体进行扫描得到的。该目标物体包括目标部位。
59.在本技术实施例中，以目标部位为心脏为例，获取的多个定位图像可以由待确定的目标扫描平面(也可以称为目标成像平面)决定。该目标扫描平面为两腔(two chamber，2c)长轴扫描平面(简称为2c扫描平面)，三腔(three chamber，3c)长轴扫描平面(简称为3c扫描平面)，四腔(four chamber，4c)长轴扫描平面(简称为4c扫描平面)或sax扫描平面。若待确定的目标扫描平面为2c扫描平面，则多个定位图像可以包括伪(pseudo，p)4c定位图像和psax定位图像。若待确定的目标扫描平面为3c扫描平面，则多个定位图像可以包括：p2c
定位图像，p4c定位图像和psax定位图像。若待确定的目标扫描平面为4c扫描平面，则多个定位图像可以包括：p2c定位图像和psax定位图像。若待确定的目标扫描平面为sax扫描平面，则多个定位图像可以包括：p2c定位图像和p4c定位图像。其中，p2c定位图像的类型为p2c类型，p4c定位图像的类型为p4c类型，psax定位图像的类型为psax类型。
60.步骤102、预测多个定位图像的距离信息。
61.其中，任一定位图像的距离信息用于反映该任一定位图像中每个像素与该任一定位图像的第一交线的距离。该任一定位图像的第一交线为任一定位图像中与待确定的目标部位的目标扫描平面的相交线。
62.在一种可选示例中，确定设备可以获取多个卷积神经网络，每个卷积神经网络用于处理一种类型的定位图像，以获取对应类型的定位图像的距离信息。示例的，多个卷积神经网络对应的定位图像的多个类型可以包括：p2c类型、p4c类型和psax类型。也即是，该多个卷积神经网络分别用于处理p2c定位图像(即p2c类型的定位图像)、p4c定位图像(即p4c类型的定位图像)和psax定位图像(即psax类型的定位图像)。
63.在确定设备获取多个定位图像后，对于每个定位图像，确定设备可以在前述多个卷积神经网络中，基于定位图像的类型获取该定位图像对应的卷积神经网络。也即是，获取能够处理该定位图像所属类型的定位图像的神经网络。然后将该定位图像输入该定位图像对应的卷积神经网络中，从而得到该定位图像的距离信息。
64.通过采用卷积神经网络来获取距离信息，可以提高确定每个定位图像的距离信息的效率。
65.在另一种可选示例中，确定设备可以基于每个定位图像对应的距离信息预测公式，预测该定位图像的距离信息。
66.步骤103、基于多个定位图像的距离信息，确定目标扫描平面。
67.例如，确定设备在确定每个定位图像的距离信息后，可以基于多个定位图像中每个定位图像的距离信息，获取多个候选平面中每个候选平面的目标距离。之后，确定设备可以将多个候选平面中，目标距离最小的候选平面确定为目标扫描平面。其中，每个候选平面的目标距离是多个定位图像的参考距离之和，任一定位图像的参考距离之和为该任一定位图像的第二交线的各个像素到该任一定位图像的第一交线的距离之和。该任一定位图像的第二交线为该任一定位图像中与该候选平面的相交线。
68.或者，确定设备可以基于多个定位图像的距离信息，确定每个定位图像中第一交线包括的多个备选像素点，并基于多个备选像素点中多个像素点组，确定多个候选平面。其中，每个像素点组包括不在同一直线上的至少三个备选像素点。之后，确定设备可以将多个候选平面中包括备选像素点的个数最多的候选平面，确定为目标扫描平面。
69.综上所述，本技术实施例提供了一种扫描平面确定方法，确定设备可以预测多个定位图像的距离信息，该定位图像的距离信息用于反映该定位图像中每个像素与该定位图像的第一交线的距离，定位图像的第一交线为该定位图像中与待确定的目标扫描平面的相交线。之后，确定设备即可基于多个定位图像的距离信息自动确定目标扫描平面。由于目标扫描平面是自动确定的，无需人工根据经验确定目标扫描平面，因此一方面减少了工作人员的操作，有效提高了扫描平面的确定效率，另一方面可以避免因人工误差导致的确定出目标扫描平面的准确性较低的问题，从而可以确保基于该扫描平面得到的扫描图像的精确
度。
70.在本技术实施例中，目标物体可以为人体或者其他哺乳类动物等，目标部位可以为心脏、膝盖、肩骨或其他部位。为了便于说明，后续实施例均以目标物体为人体，目标部位为心脏为例进行说明。并且，本技术实施例以确定设备基于定位图像对应的卷积神经网络，确定该定位图像对应的距离信息为例，对本技术实施例提供的扫描平面确定方法进行示例性的说明。参见图2，该方法可以包括：
71.步骤201、获取多个卷积神经网络。
72.本技术实施例中，由于确定一个心脏的目标扫描平面需要多个不同类型的定位图像的距离信息，因此确定设备需要获取与多个不同类型的定位图像一一对应的多个卷积神经网络，来获取每个定位图像的距离信息。步骤201中的多个卷积神经网络即为与该多个定位图像一一对应的多个卷积神经网络。
73.其中，每个卷积神经网络用于处理一种类型的定位图像，多个卷积神经网络处理的定位图像的类型互不相同。每个卷积神经网络与一个定位图像对应指的是该卷积神经网络能够处理该定位图像所属类型的定位图像。具体解释可以参考前述步骤102。
74.可选的，每个卷积神经网络可以为全卷积神经网络(fully convolutional network，fcn)。
75.在本技术实施例中，该目标扫描平面可以为2c扫描平面，3c扫描平面，4c扫描平面，或sax扫描平面。并且，卷积神经网络是针对所需获取的目标扫描平面训练得到的。对不同的目标扫描平面，确定设备获取的卷积神经网络不同。
76.例如，若目标扫描平面为2c扫描平面，由于此时多个定位图像包括p4c定位图像和psax定位图像，因此确定设备需要获取p4c定位图像对应的卷积神经网络，以及psax定位图像对应的卷积神经网络。
77.若目标扫描平面为3c扫描平面，由于此时多个定位图像包括p2c定位图像，p4c定位图像和psax定位图像，因此确定设备需要获取p2c定位图像对应的卷积神经网络，p4c定位图像对应的卷积神经网络，以及psax定位图像对应的卷积神经网络。
78.若目标扫描平面为4c扫描平面，由于此时多个定位图像包括p2c定位图像和psax定位图像，因此确定设备需要获取p2c定位图像对应的卷积神经网络，以及psax定位图像对应的卷积神经网络。
79.若目标扫描平面为sax扫描平面，由于此时多个定位图像包括p2c定位图像和p4c定位图像，因此确定设备需要获取p2c定位图像对应的卷积神经网络，以及p4c定位图像对应的卷积神经网络。
80.需要说明的是，针对不同的目标扫描平面，相同类型的定位图像对应的卷积神经网络不同。例如，目标扫描平面为2c扫描平面时，p4c定位图像对应的卷积神经网络，与目标扫描平面为sax扫描平面时，p4c定位图像对应的卷积神经网络不同。
81.假设目标定位图像为用于确定目标扫描平面的任一定位图像，目标卷积神经网络为多个卷积神经网络中与该目标定位图像对应的卷积神经网络，即该目标卷积神经网络用于确定该目标定位图像所属类型的定位图像的距离信息。则该目标卷积神经网络的获取过程如下：
82.步骤a1、获取多个训练样本。
83.每个训练样本可以包括：历史定位图像的历史距离信息。该历史距离信息可以基于历史定位图像中每个像素到第三交线的距离确定，该第三交线为历史定位图像中与历史扫描平面的相交线。
84.其中，该历史定位图像与该目标定位图像的扫描角度相同，该历史扫描平面与待确定的目标扫描平面的扫描角度相同。多个训练样本包括的多个历史定位图像的历史距离信息中，任一历史定位图像的历史距离信息用于反映该任一历史定位图像中每个像素与该任一历史定位图像的第三交线的距离。
85.例如，假设目标扫描平面为2c扫描平面，目标定位图像为p4c定位图像，目标卷积神经网络为p4c定位图像对应的卷积神经网络。则确定设备获取的每个训练样本可以包括：历史p4c定位图像的历史距离信息，该历史距离信息可以基于历史p4c定位图像中每个像素到第三交线的距离确定，该第三交线为历史p4c定位图像中与历史2c扫描平面的相交线。
86.在本技术实施例中，每个训练样本可以是确定设备中预先存储的。或者，每个训练样本可以是确定设备获取的。确定设备获取多个训练样本的过程可以包括：
87.步骤s1、获取多个医学样本。
88.其中，每个医学样本包括：历史定位数据，以及历史扫描平面。该历史定位数据包括：历史定位图像和历史定位图像的位置。该历史扫描平面可以采用该历史扫描平面的位置表示。并且，对于同一个医学样本，历史定位图像的位置和历史扫描平面的位置可以由同一三维坐标系中的两个位置坐标表示。该三维坐标系可以为目标物体的解剖学坐标系或者其他坐标系。
89.前文所述的历史定位图像，独立于历史定位图像的位置，可以理解的是，历史定位图像的位置也可以携带在该历史定位图像中。
90.可选的，确定设备可以预先存储有多个医学样本。或者，确定设备可以在需要训练目标神经网络时，向存储有医学样本的其他设备发送样本获取请求，以获取多个医学样本。如此，可以节省确定设备的存储资源。
91.并且，确定设备或其他设备可以依据历史定位图像，以及历史扫描平面之间的空间关系存储每个医学样本。例如，确定设备或其他设备可以按照医疗数位影像传输协定(digital imaging and communications in medicine，dicom)所定义的存储格式存储每个医学样本。如此，可以确保确定设备在获取到每个医学样本时，即可获取该医学样本包括的历史定位图像的位置，以及历史扫描平面的位置。
92.步骤s2、基于多个医学样本，得到多个训练样本。
93.其中，多个医学样本与多个训练样本一一对应，每个训练样本中的历史定位图像的历史距离信息基于对应的医学样本中历史定位图像包括的每个像素的位置，以及第三交线的位置确定。该第三交线是训练样本对应的医学样本中，历史定位图像与历史扫描平面的交线。
94.假设第一医学样本是该多个医学样本中的任一医学样本，第一训练样本是该第一医学样本所对应的训练样本。则确定设备基于第一医学样本获取第一训练样本的过程包括如下步骤：
95.步骤s21、对于第一医学样本，基于历史定位图像的位置以及历史扫描平面的位置，确定历史定位图像与历史扫描平面的第三交线的位置。
96.在一种可选示例中，第三交线的位置可以由第三交线在第一医学样本中历史定位图像所在的三维坐标系中的位置坐标表示；在另一种可选示例中，第三交线的位置可以由该历史定位图像的图像坐标系中的位置坐标表示。由于图像坐标系是二维坐标系，因此，第三交线的位置由二维坐标位置表示更为简洁，可以便于后续确定该历史定位图像包括的每个像素到该第三交线的距离。
97.可选的，若第三交线的位置由该图像坐标系中的位置坐标表示，则确定设备可以确定历史定位图像中与该历史扫描平面的第三交线的表达式，以表征第三交线的位置。其中，该第三交线的一般表达式满足下述公式：
98.a
×
x1+b
×
y1+c＝0公式(1)
99.公式(1)中，a，b和c均为常数，x1为该第三交线中每个像素的横坐标值，y1为该像素的纵坐标值。
100.可选的，确定设备可以将历史定位图像的位置和历史扫描平面的位置输入深度卷积神经网络中，从而得到该深度卷积神经网络输出的该历史定位图像中与该历史扫描平面的第三交线在历史定位图像中的位置。如此，可以提高第三交线的位置的确定效率。
101.其中，该深度卷积神经网络是确定设备对历史定位图像和历史扫描平面的空间关系进行自监督学习得到的。该自监督学习可以是指：通过数据自身的属性构建监督信号和训练任务，且训练过程无需提供人工参与(例如人工标注)的一种深度卷积网络的训练方式。
102.步骤s22、基于历史定位图像包括的每个像素的位置，以及该第三交线的位置，确定第一训练样本中历史定位图像的历史距离信息。
103.对于历史定位图像包括的多个像素中的每个像素，确定设备可以基于该像素的位置，以及该第三交线的位置，确定该像素到第三交线的距离，从而得到历史定位图像的历史距离信息。
104.可选的，历史定位图像的历史距离信息可以由该历史定位图像的历史热力图反映。该历史热力图具有与该历史定位图像的像素一一对应的历史热力值。每个历史热力值用于反映该历史定位图像中对应像素到该第三交线的距离。
105.由于热力图能够直观反映数据的大小，因此采用历史热力图反映历史定位图像的历史距离信息，可以确保该历史距离信息的直观性。
106.可选的，每个历史热力值可以与该历史热力值对应的像素到第三交线的距离负相关。例如，历史热力图中与该历史定位图像包括的每个像素对应的历史热力值可以满足下述公式：
[0107][0108]
公式(2)中，exp[]表示以自然常数e为底的指数函数，σ为超参数，且该σ可以为该历史扫描平面的层厚的0.5倍，该层厚可以是确定设备中预选存储的。x为历史定位图像中一个像素的横坐标值，y为该像素的纵坐标值。
[0109]
步骤a2、根据多个训练样本，训练得到目标卷积神经网络。
[0110]
确定设备在获取多个训练样本后，即可对该多个训练样本进行训练，得到目标卷积神经网络。
[0111]
可选的，确定设备可以采用损失函数(loss function)，对该多个训练样本进行训练，得到目标卷积神经网络。可选的，该训练过程为：通过反向传递的方式更新初始卷积神经网络的网络参数，直至损失函数收敛(即函数的值不断减小最后在一个预设的数值范围内波动)，以得到目标卷积神经网络。其中，损失函数也称代价函数(cost function)，损失函数用于评价卷积神经网络的准确性。示例的，该损失函数为l2损失函数。该目标卷积神经网络可以为u
‑
net卷积神经网络，res
‑
u
‑
net卷积神经网络，或dense
‑
u
‑
net卷积神经网络。
[0112]
进一步的，由于该历史定位图像还可以参与确定其他扫描平面，因此为了确保训练得到目标卷积神经网络的可靠性，前述步骤a1中，每个训练样本还可以包括历史定位图像的其他距离信息，该其他距离信息可以基于历史定位图像中每个像素到其他交线的距离确定，该其他交线为历史定位图像与其他扫描平面的相交线。任一历史定位图像的其他距离信息用于反映该任一历史定位图像中每个像素与该任一历史定位图像的其他交线的距离。则在步骤a2中，确定设备可以采用l2损失函数，对该训练样本进行训练，以得到较为可靠的多个卷积神经网络，该多个卷积神经网络包括目标卷积神经。
[0113]
其中，确定设备获取历史定位图像的其他距离信息的过程，可以参考上述s21和s22中确定设备获取历史定位图像的历史距离信息的相关实现过程，本技术实施例在此不再赘述。并且，该其他距离信息可以由历史定位图像的其他热力图反映。该其他热力图具有与该历史定位图像的像素一一对应的其他热力值。每个其他热力值用于反映该历史定位图像中对应像素到该其他交线的距离。可选的，每个其他热力值可以与其他热力值对应的像素到其他交线的距离负相关。
[0114]
在该种情况下，对于历史定位图像的历史距离信息由历史热力图反映，其他距离信息由其他热力图反映，且热力图的热力值均与对应的距离负相关的场景，该l2损失函数可以满足下述公式：
[0115][0116]
公式(3)中，t为该历史定位图像参与确定的多个不同扫描平面的总数，该不同扫描平面包括历史扫描平面和其他扫描平面。为历史定位图像包括像素的总数。(x，y)为该历史定位图像中每个像素，h
t
(x,y)为历史定位图像在该多个不同扫描平面中，第t个扫描平面下的热力图。为卷积神经网络预测的历史定位图像在第t个扫描平面下的预测热力图。t为大于等于1，且小于等于t的整数。
[0117]
例如，假设待确定的目标扫描平面为2c扫描平面，历史定位图像为历史p4c定位图像。由于历史p4c定位图像除了参与确定历史2c扫描平面外，还参与确定历史3c扫描平面和历史sax扫描平面。因此为了目标扫描平面为2c扫描平面时，训练得到的p4c定位图像对应的卷积神经网络的可靠性，确定设备还可以获取历史p4c定位图像在历史3c扫描平面下的热力图，以及历史p4c定位图像在历史sax扫描平面下的热力图。之后，确定设备可以基于上述公式(3)，训练得到目标扫描平面为2c扫描平面时，p4c定位图像对应的卷积神经网络，目标扫描平面为3c扫描平面时，p4c定位图像对应的卷积神经网络，以及目标扫描平面为sax扫描平面时，p4c定位图像对应的卷积神经网络。
[0118]
其中，对于历史p4c定位图像在历史2c扫描平面下的热力图，历史p4c定位图像在历史3c扫描平面下的热力图，以及历史p4c定位图像在历史sax扫描平面下的热力图中每个热力图的获取方式均可以参考上述步骤s1和步骤s2记载的热力图的获取方式。
[0119]
根据上述描述可知，本技术实施例提供的方法，在训练定位图像对应的卷积神经网络的过程中，可以对医学样本中的历史定位图像和历史扫描平面之间的空间关系进行自监督学习，从而实现在完全不依赖人工标注的情况下，训练得到该卷积神经网络，继而可以基于该卷积神经网络实现对目标扫描平面的自动规划，因此有效提高了确定目标扫描平面的效率。
[0120]
步骤202、获取多个定位图像。
[0121]
其中，多个定位图像的类型可以不同，定位图像基于多个扫描图像确定的。例如，每个定位图像基于多个扫描图像确定的，多个扫描图像是从不同角度对人体进行扫描得到的。例如，多个电子扫描平面可以是从人体的冠状面(即正前方或正后方)，矢状面(即左侧或右侧)，以及轴向面(即正上方或正下方)，对该人体进行扫描得到的。该人体包括心脏。
[0122]
可选的，确定设备可以将多个扫描图像输入神经网络中，得到该神经网络输出的多个定位图像。如此，可以提高获取多个定位图像的效率。
[0123]
在本技术实施例中，确定设备获取的多个定位图像可以与前述步骤201中获取的多个卷积神经网络一一对应。即若待确定的心脏的目标扫描平面为2c扫描平面，则步骤201中获取多个卷积网络包括：目标扫描平面为2c扫描平面时，用于处理p4c类型的定位图像的卷积神经网络，以及用于处理psax类型的定位图像的卷积神经网络。相应的，该多个定位图像包括：p4c定位图像和psax定位图像。
[0124]
步骤203、将每个定位图像输入对应的卷积神经网络中，得到该卷积神经网络输出的该定位图像的距离信息。
[0125]
如前所述，获取的多个定位图像中每个定位图像均可以与步骤201中获取的一个卷积神经网络对应。仍然假设目标定位图像为用于确定目标扫描平面的多个定位图像中的任一定位图像，目标卷积神经网络为多个卷积神经网络中与该目标定位图像对应的卷积神经网络，即目标卷积神经网络为用于处理目标定位图像所属类型的定位图像。
[0126]
确定设备可以将目标图像输入目标卷积神经网络中，得到目标卷积神经网络输出的目标定位图像的距离信息。该目标定位图像的距离信息用于反映目标定位图像中每个像素与目标定位图像的第一交线的距离，目标定位图像的第一交线为该目标定位图像中与待确定的心脏的目标扫描平面的相交线。
[0127]
可选的，目标定位图像的距离信息也可以由目标定位图像在该目标扫描平面下的热力图反映。如此，可以确保目标定位图像的距离信息的直观性。
[0128]
其中，目标定位图像的热力图具有与目标定位图像的像素一一对应的热力值，每个热力值用于反映对应像素到目标定位图像中与待确定的目标扫描平面的第一交线的距离。可选的，每个热力值与热力值对应的像素到第一交线的距离负相关。
[0129]
例如，参见图3，具有数字n的圆表示卷积神经网络n，n为大于等于1的整数。并且，为了便于读者能够快速区分图3中不同的目标扫描平面确定流程，在图3中采用不同粗细的线条表示不同的目标扫描平面确定流程。
[0130]
若目标扫描平面为2c扫描平面，参考图3，确定设备可以将p4c定位图像输入卷积
神经网络1中，并将psax定位图像输入卷积神经网络2中，得到该卷积神经网络1输出的2c扫描平面下p4c定位图像的热力图1和卷积神经网络2输出的2c扫描平面下psax定位图像的热力图2。其中，目标扫描平面为2c扫描平面时，p4c定位图像对应的卷积神经网络为卷积神经网络1，psax定位图像对应的卷积神经网络为卷积神经网络2。
[0131]
若目标扫描平面为3c扫描平面，则如图3所示，确定设备可以将p2c定位图像输入卷积神经网络3，并将p4c定位图像输入卷积神经网络4，并将psax定位图像输入卷积神经网络5，得到该卷积神经网络3输出的3c扫描平面下的p2c定位图像的热力图3，卷积神经网络4输出的3c扫描平面下的p4c定位图像的热力图4，以及卷积神经网络5输出的3c扫描平面下psax定位图像的热力图5。其中，目标扫描平面为3c扫描平面时，p2c定位图像对应的卷积神经网络为卷积神经网络3，p4c定位图像对应的卷积神经网络为卷积神经网络4，psax定位图像对应的卷积神经网络为卷积神经网络5。
[0132]
请继续参见图3，若目标扫描平面为4c扫描平面，则确定设备可以将p2c定位图像输入卷积神经网络6中，并将psax定位图像输入卷积神经网络7中，得到该卷积神经网络6输出的4c扫描平面下p2c定位图像的热力图6和卷积神经网络7输出的4c扫描平面下psax定位图像的热力图7。其中，目标扫描平面为4c扫描平面时，p2c定位图像对应的卷积神经网络为卷积神经网络6，psax定位图像对应的卷积神经网络为卷积神经网络7。
[0133]
如图3所示，若目标扫描平面为sax扫描平面，则确定设备可以将p2c定位图像输入卷积神经网络8中，并将p4c定位图像输入卷积神经网络9中，得到该卷积神经网络8输出的sax扫描平面下p2c定位图像的热力图8和卷积神经网络9输出的sax扫描平面下p4c定位图像的热力图9。其中，目标扫描平面为sax扫描平面时，p2c定位图像对应的卷积神经网络为卷积神经网络8，p4c定位图像对应的卷积神经网络为卷积神经网络9。
[0134]
步骤204、基于多个定位图像的距离信息，执行扫描平面确定过程。
[0135]
例如，确定设备在确定多个定位图像中每个定位图像的距离信息之后，即可执行扫描平面确定过程。参见图4，该扫描平面确定过程可以包括：
[0136]
步骤2041、获取多个候选平面。
[0137]
其中，每个候选平面可以为心脏所在空间中与多个定位图像均相交的平面。并且，每个候选平面均可以基于位置参数确定，任意两个候选平面的位置参数不同。其中，位置参数包括：空间点p、极角θ和方向角φ。示例的，每个候选平面p可以标记为(p，θ，φ)。
[0138]
可选的，由于一个图像若与多个相交的图像均相交，则该图像能够包括该多个相交的图像的任一交线中的像素点。基于此，该空间点可以为心脏所在空间中，多个定位图像中任意两个定位图像的交线中的像素点。如此，可以有效降低确定设备的计算复杂度，提高目标扫描平面的确定效率。
[0139]
例如，若多个定位图像包括：p4c定位图像和psax定位图像，则每个候选平面的空间点可以为该p4c定位图像和psax定位图像的交线中的像素点。
[0140]
步骤2042、基于多个定位图像的距离信息，获取多个候选平面的目标距离。
[0141]
对于每个候选平面，由于该候选平面会与多个定位图像中每个定位图像相交，因此该候选平面的目标距离可以是多个定位图像的参考距离之和，以确保确定的目标扫描平面的可靠性。其中，多个定位图像中任一定位图像的参考距离为该任一定位图像的第二交线的各个像素到该任一定位图像的第一交线的距离之和。该任一定位图像的第二交线为该
任一定位图像中与该候选平面的相交线。
[0142]
在本技术实施例中，对于任一定位图像的距离信息由该任一定位图像的热力图反映的场景，多个定位图像中任一定位图像的参考距离为该任一定位图像的第二交线的各个像素在该任一定位图像的热力图上对应的热力值之和。
[0143]
也即是，每个候选平面的目标距离满足下述公式：
[0144][0145]
其中，v为多个定位图像的总数，为多个定位图像中第v个定位图像在目标扫描平面下的热力图。v为大于等于1，小于等于v的整数。l
v
为第v个定位图像与该候选平面的第二交线。该l
v
为可以为采用第v个定位图像中所有在第二交线上的像素点的集合表示，也即是该l
v
满足下述公式：
[0146]
l
v
＝{(x,y)|(x,y)∈p∩q
v
}公式(5)
[0147]
公式(5)中，p为该候选平面，q
v
为多个定位图像中第v个定位图像，p∩q
v
表示p与q
v
相交。
[0148]
示例的，请继续参考图3，若目标扫描平面为2c扫描平面，则确定设备可以基于图3中的热力图1和热力图2确定每个候选平面的目标距离。若目标扫描平面为3c扫描平面，则确定设备可以基于图3中的热力图3至热力图5，确定每个候选平面的目标距离。若目标扫描平面为4c扫描平面，则确定设备可以基于图3中的热力图6和热力图7，确定每个候选平面的目标距离。若目标扫描平面为sax扫描平面，则确定设备可以基于图3中的热力图8和热力图9，确定每个候选平面的目标距离。
[0149]
步骤2043、将多个候选平面中，目标距离最小的候选平面，确定为扫描平面。
[0150]
在确定多个候选平面中每个候选平面的目标距离后，确定设备可以比较该多个候选平面的多个目标距离的大小，以从该多个候选平面中确定出目标距离最小的候选平面，并将该目标距离最小的候选平面确定为该次扫描平面确定过程中的扫描平面。
[0151]
对于任一定位图像的距离信息由该任一定位图像的热力图反映，且热力图的某一热力值与对应像素到第一交线的距离负相关的场景，确定设备可以将多个候选平面中与所有定位图像的所有交线的所有像素对应的热力值总和最大的候选平面，确定为扫描平面。
[0152]
在本技术实施例中，对于下文所述的目标次数为大于1的整数的场景，即确定设备基于多个定位图像的距离信息，执行多次扫描平面确定过程的场景，相邻的两次扫描平面确定过程存在关联关系。例如，假设多次扫描平面确定过程中任意相邻的两次扫描平面确定过程分别为第一扫描平面确定过程和第二扫描平面确定过程，第一扫描平面确定过程位于第二扫描平面确定过程之前，第一扫描平面为第一扫描平面确定过程确定的扫描平面。则第二扫描平面确定过程中确定设备获取的多个候选平面，可以基于该第一扫描平面确定。
[0153]
例如，该关联关系为金字塔搜索关系，金字塔搜索关系指的是：相邻的两次扫描平面确定过程中，位置参数中的同一参数所属的参数值集合的范围逐次缩小，参数值集合中相邻参数值的差值逐次缩小。则用于确定第二候选平面的位置参数中的至少一个参数满足该金字塔搜索关系。
[0154]
对于每个满足该金字塔搜索关系的参数x，假设第一参数值集合为用于确定第一
候选平面的参数x的参数值集合，第二参数值集合为用于确定第二候选平面的参数x的参数值集合，第一候选平面为第一扫描平面确定过程中获取的候选平面，第二候选平面为第二扫描平面确定过程获取的候选平面。第一参数值集合和第二参数值集合中的参数值均按照等差数列排布。则该金字塔搜索关系满足：参数x的参数值，为第一参数集合中目标参数值与该目标参数值相邻参数值之间的数值，且第二参数值集合中参数值的公差小于第一参数值集合中参数值的公差。例如，该参数x为空间点p、极角θ或方向角φ。
[0155]
需要说明的是，若目标参数值为第一参数集合中的端点值，与该目标参数值相邻参数值的数量为1；若目标参数值为第一参数集合中的非端点值，与该目标参数值相邻参数值的数量为2。例如，若参数为极角，第一参数集合为{65
°
，70
°
，75
°
，80
°
，85
°
}，目标参数值为65
°
，则与该65
°
相邻的参数值仅有70
°
。若目标参数值为70
°
，则与该70
°
相邻的参数值包括：65
°
和75
°
。
[0156]
根据上述描述可知，本技术实施例提供的确定设备可以采用金字塔搜索的方式确定目标扫描平面，使得确定设备逐次缩小用于确定候选平面的参数所属的参数集合的范围，且参数值集合的参数值的公差逐次缩小，从而实现目标扫描平面确准确高效的定位。
[0157]
如前所述，位置参数包括：空间点p、极角θ和方向角φ共三个参数。当参数x为空间点时，该参数值为空间点的坐标。当参数x为极角时，该参数值为极角的角度。当参数x为方向角时，该参数值为极角的角度，差值为角度之间的差值。
[0158]
还需要说明的是，多次扫描平面确定过程中，第一次扫描平面确定过程中获取的多个候选平面可以是确定设备从心脏所在空间的多个空间点，极角的角度范围，以及方向角的角度范围中，基于预先存储的预设差值确定的。其中，极角的角度范围为[0,180
°
]，方向角的角度范围为[0,360
°
]。
°
表示度。
[0159]
图5是本技术实施例提供的一种金字塔搜索过程的示意图，假设目标次数为3，空间点p、极角θ和方向角φ均满足该金字塔搜索关系，对于空间点p、极角θ和方向角φ中每个参数，第一次扫描平面确定过程中，用于确定候选平面的参数值集合的公差为15，第二次扫描平面确定过程中，用于确定候选平面的参数值集合的公差为5，第三次扫描平面确定过程中，用于确定候选平面的参数值集合的公差为1。
[0160]
假设多个定位图像中任意两个定位图像的交线中的多个像素点为：点0至点90，则第一次扫描过程中用于确定多个候选平面的空间点集合为{点0，点15，点30，点45，点60，点75，点90}，极角的角度集合为{0
°
，15
°
，30
°
，45
°
，
…
，165
°
，180
°
}，方向角的角度集合为{0
°
，15
°
，30
°
，45
°
，
…
，345
°
，360
°
}。
[0161]
若在第一次扫描平面确定过程中，确定的扫描平面为空间点为点45，极角的角度为75
°
，方向角的角度为150
°
的平面。则如图5所示，确定设备确定的用于确定第二次扫描平面确定过程中的多个候选平面的像素点为点30点60之间的像素点，极角的角度为60
°
至90
°
之间的角度，方向角的角度为135
°
至165
°
之间的角度。之后，确定设备可以确定在第二次扫描平面确定过程中，用于确定多个候选平面的空间点集合为{点35，点40，点45，点50，点55}，极角的角度集合为{65
°
，70
°
，75
°
，80
°
，85
°
}，方向角的角度集合为{140
°
，145
°
，150
°
，155
°
，160
°
}。
[0162]
若在第二次扫描平面确定过程中，确定的扫描平面为空间点为点45，极角的角度为70
°
，方向角的角度为145
°
的平面。则继续参考图5，确定设备确定的用于确定第二次扫描
平面确定过程中的多个候选平面的像素点为点40至点50之间的像素点，极角的角度为65
°
至75
°
之间的角度，方向角的角度为140
°
至150
°
之间的角度。之后，确定设备可以确定在第二次扫描平面确定过程中，用于确定多个候选平面的空间点集合为{点41，点42，点43，
…
，点48，点49}，极角的角度集合为{66
°
，67
°
，68
°
，
…
，73
°
，74
°
}，方向角的角度集合为{141
°
，142
°
，143
°
，
…
，148
°
，149
°
}。
[0163]
步骤205、检测是否满足截止条件。
[0164]
其中，该截止条件可以为扫描平面确定过程的执行次数等于目标次数。可选的，该目标次数可以为1。或者，该目标次数可以为大于1的整数。例如，该目标次数可以为3。
[0165]
若确定设备确定满足截止条件，则可以执行步骤207。若确定设备确定不满足截止条件，则可以重新执行步骤205，直至满足截止条件。
[0166]
步骤206、将执行最后一次扫描平面确定过程所获取的扫描平面确定为目标扫描平面。
[0167]
在本技术实施例中，若确定设备确定满足截止条件，则将执行最后一次扫描平面确定过程所获取的扫描平面确定为目标扫描平面。
[0168]
对于目标次数为1的场景，确定设备可以直接将执行一次扫描平面确定过程后确定出的扫描平面，确定为目标扫描平面。
[0169]
对于目标次数为大于1的整数的场景，确定设备可以将执行完最后一个扫描平面确定过程中获取的扫描平面，确定为目标扫描平面。
[0170]
可选的，确定设备在确定目标扫描平面后，可以通过显示目标扫描平面与其对应的定位图像的交线在该定位图像中的位置，展示该目标扫描平面的位置。
[0171]
例如，参见图3，在确定出2c扫描平面后，确定设备可以显示2c扫描平面与p4c定位图像的交线01在该p4c定位图像中的位置，以及2c扫描平面与psax定位图像的交线02在该psax定位图像中的位置。
[0172]
在确定出3c扫描平面后，确定设备可以显示3c扫描平面与p2c定位图像的交线03在该p2c定位图像中的位置，3c扫描平面与p4c定位图像的交线04在该p4c定位图像中的位置，以及3c扫描平面与psax定位图像的交线05在该psax定位图像中的位置。
[0173]
在确定出4c扫描平面后，确定设备可以显示4c扫描平面与p2c定位图像的交线06在该p2c定位图像中的位置，以及4c扫描平面与psax定位图像的交线07在该psax定位图像中的位置。
[0174]
在确定出sax扫描平面后，确定设备可以显示sax扫描平面p2c与定位图像的交线08在该p2c定位图像中的位置，以及sax扫描平面与p4c定位图像的交线09在该p4c定位图像中的位置。
[0175]
相关技术中，为了提高扫描平面的确定效率，以及为了避免因人工误操作导致确定出的扫描平面的可靠性较低的问题，可以采用下述方式中的一种：
[0176]
方式1：先建立一个心脏的三维模型，之后将该三维模型输入第一关键点检测网络中，得到该第一关键点检测网络输入的标记有关键点的三维模型。之后，基于标记有关键点的三维模型确定扫描平面。其中，该第一关键点检测网络基于大量的三维历史标记模型训练得到，该三维历史标记模型为在训练该第一关键点网络的过程中，工作人员对三维历史模型标记关键点得到。该关键点可以包括：左心室心尖。
[0177]
方式2：对人体进行扫描的过程中，工作人员基于经验确定扫描平面，并不断将确定的准确的扫描平面输入扫描设备中，以供扫描设备学习，从而使得扫描设备具备自动确定扫描平面的能力。之后，扫描设备即可自动确定出扫描平面。
[0178]
方式3：将心脏的定位图像输入预先训练得到的第二关键点网络中，得到该关键点网络输出的标记有关键点的标记图像，之后可以基于该标记图像确定扫描平面。其中，第二关键点网络为基于大量的历史定位图像，以及该历史定位图像对应的标记图像训练得到。该标记图像为在训练该关键点网络的过程中，工作人员对历史定位图像标记关键点得到。该定位图像为基于第一扫描平面对目标物体的心脏进行扫描得到的电子扫描平面确定。
[0179]
但是，上述技术中，由于在确定扫描平面的过程中，均需要人工标记关键点，或人工确定扫描平面，因此确定扫描平面的效率依然较低，且可靠性较低。而本技术实施例提供的方法，在训练定位图像对应的卷积神经网络的过程中，可以对医学样本中的历史定位图像和历史扫描平面之间的空间关系进行自监督学习，以训练得到定位图像对应的卷积神经网络。在此过程中，无人工标注关键点或人工确定扫描平面，即完全不依赖人工，因此提高了多个卷积神经网络的获取效率和可靠性，继而有效提高了确定目标扫描平面的效率和可靠性。
[0180]
在本技术实施例，采用了一个数据集对本技术实施例提供的方法进行了测试，并将测试得到的目标扫描面与实际扫描平面(即真实扫描平面)的误差，与通过上述方式自动确定的扫描平面与该实际扫描平面的误差进行了对比。
[0181]
其中，对比结果如表1所示，该误差可以用于法线偏差(normal deviation)和点面距离(point
‑
to
‑
plane distance)该两个指标评估，且该误差与法线偏差以及点面距离越小均正相关。也即是，法线偏差以及店面距离越小，该误差越小。
[0182]
该法线偏差可以是指：自动规划的扫描平面和实际扫描平面的法线之间的绝对角度差，单位为
°
。点面距离可以是指：实际扫描平面的中心到自动规划的扫描平面的距离，单位为毫米(mm)。该实际扫描平面的中心可以为沿该方向扫描得到的图像的中心。该自动规划的扫描平面包括采用本技术实施例提供的方法确定出的目标扫描平面，以及采用其他方法自动确定出的扫描平面。
[0183]
该数据集包含来自于99例病人的181个临床cmr扫描，其中82例病人有2个扫描，而其他病人仅有1个扫描。所有cmr数据均由1.5t磁共振成像(magnetic resonance imaging，mri)系统采集得到。
[0184]
表1
[0185][0186]
表1中，
‘‑’
表示某方式并没有相关结果。
‘
*’表示统计意义上的差异。
[0187]
从表1可以看出，本技术实施例提供的方法在两个指标上均取得了最好的平均结果。对于四个不同的目标扫描平面，本技术实施例提供的方法均取得了最小的点面距离。并且，对于2c扫描平面和3c扫描平面，本技术实施例提供的方法取得了最小的法线偏差，而对于4c扫描平面和sax扫描平面，本技术实施例提供的方法也取得了第二小的法线偏差。由此可见，本技术实施例提供的方法，确定的扫描平面的精度较采用其他方式的高。
[0188]
需要说明的是，本技术实施例提供的扫描平面确定方法的步骤的先后顺序可以进行适当调整，步骤也可以根据情况进行相应增减。例如，步骤201也可以根据情况删除，即确定设备中已经存储有训练好的卷积神经网络。任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化的方法，都应涵盖在本技术的保护范围之内，因此不再赘述。
[0189]
综上所述，本技术实施例提供了一种扫描平面确定方法，确定设备可以预测多个定位图像的距离信息，该定位图像的距离信息用于反映该定位图像中每个像素与该定位图像的第一交线的距离，定位图像的第一交线为该定位图像中与待确定的目标扫描平面的相交线。之后，确定设备即可基于多个定位图像的距离信息自动确定目标扫描平面。由于目标扫描平面是自动确定的，无需人工根据经验确定目标扫描平面，因此一方面减少了工作人员的操作，有效提高了扫描平面的确定效率，另一方面可以避免因人工误差导致的确定出目标扫描平面的准确性较低的问题，从而可以确保基于该扫描平面得到的扫描图像的精确度。
[0190]
图6是本技术实施例还提供了一种扫描平面确定装置的结构框图，该确定装置可以配置于上述方法实施例提供的确定设备中，参见图6，该确定装置300可以包括：
[0191]
获取模块301，用于获取多个定位图像，定位图像基于多个扫描图像确定，多个扫描图像是从不同角度对目标物体进行扫描得到的，目标物体包括目标部位。
[0192]
预测模块302，用于预测多个定位图像的距离信息，任一定位图像的距离信息用于反映任一定位图像中每个像素与任一定位图像的第一交线的距离，任一定位图像的第一交线为任一定位图像中与待确定的目标部位的目标扫描平面的相交线。
[0193]
确定模块303，用于基于多个定位图像的距离信息，确定目标扫描平面。
[0194]
可选的，该确定模块303可以用于：
[0195]
基于多个定位图像的距离信息，执行至少一次扫描平面确定过程，直至满足截止条件；
[0196]
将执行第二扫描平面确定过程所获取的扫描平面确定为目标扫描平面；
[0197]
其中，扫描平面确定过程包括：
[0198]
获取多个候选平面，每个候选平面为目标部位所在空间中与多个定位图像均相交的平面；
[0199]
基于多个定位图像的距离信息，获取多个候选平面中每个候选平面的目标距离，对于每个候选平面，候选平面的目标距离是多个定位图像的参考距离之和，任一定位图像的参考距离为任一定位图像的第二交线的各个像素到任一定位图像的第一交线的距离之和，任一定位图像的第二交线为任一定位图像中与候选平面的相交线；
[0200]
将多个候选平面中，目标距离最小的候选平面，确定为扫描平面。
[0201]
可选的，候选平面基于位置参数确定，任意两个候选平面的位置参数不同，位置参数包括：空间点、极角和方向角；
[0202]
其中，空间点为目标部位所在空间中，任意两个定位图像的交线中的像素点。
[0203]
可选的，该确定模块303，可以用于基于多个定位图像的距离信息，执行多次扫描平面确定过程；
[0204]
在依次相邻的第一扫描平面确定过程和第二扫描平面确定过程中，第二扫描平面确定过程中的多个候选平面，基于第一扫描平面确定，第一扫描平面为第一扫描平面确定过程确定的扫描平面；
[0205]
其中，用于确定第二候选平面的位置参数中的至少一个参数满足：
[0206]
该参数的参数值，为第一参数集合中目标参数值与目标参数值相邻参数值之间的数值，且第二参数值集合中参数值的公差小于第一参数值集合中参数值的公差；
[0207]
目标参数值为第一扫描平面的参数的参数值，第一参数值集合为用于确定第一候选平面的参数的参数值集合，第二参数值集合为用于确定第二候选平面的参数的参数值集合，第一参数值集合和第二参数值集合中的参数值均按照等差数列排布，第一候选平面为第一扫描平面确定过程中获取的候选平面，第二候选平面为第二扫描平面确定过程中获取的候选平面。
[0208]
可选的，任一定位图像的距离信息由任一定位图像的热力图反映，热力图具有与任一定位图像的像素一一对应的热力值，每个热力值用于反映对应像素到任一定位图像的第一交线的距离；
[0209]
任一定位图像的参考距离为任一定位图像的第二交线的各个像素在热力图上对应的热力值之和。
[0210]
可选的，每个热力值与热力值对应的像素到第一交线的距离负相关。
[0211]
可选的，多个定位图像与多个卷积神经网络一一对应，该预测模块302可以用于：
[0212]
将目标定位图像输入目标卷积神经网络中，得到目标卷积神经网络输出的目标定位图像的距离信息，目标卷积神经网络为用于处理目标定位图像所属类型的定位图像，目标定位图像为多个定位图像中的任一定位图像。
[0213]
可选的，该获取模块301还可以用于：
[0214]
获取多个训练样本，训练样本包括：历史定位图像的历史距离信息，历史距离信息基于历史定位图像中每个像素到第三交线的距离确定，第三交线为历史定位图像中与历史扫描平面的相交线，历史定位图像与目标定位图像的扫描角度相同，历史扫描平面与目标扫描平面的扫描角度相同；根据多个训练样本，训练得到目标卷积神经网络。
[0215]
需要说明的是，该获取模块301可以包括第一获取单元和第二获取单元。该第一获取单元可以用于获取多个定位图像，第二获取单元可以用于获取多个训练样本，并根据多个训练样本，训练得到卷积神经网络。
[0216]
可选的，该获取模块301中的第二获取单元可以用于：
[0217]
获取多个医学样本，医学样本包括：历史定位图像，以及历史扫描平面；
[0218]
基于多个医学样本，得到多个训练样本；
[0219]
其中，多个医学样本与多个训练样本一一对应，训练样本中的历史定位图像的历史距离信息基于对应的医学样本中历史定位图像包括的每个像素的位置，以及第三交线的位置确定，第三交线是对应的医学样本中，历史定位图像与历史扫描平面的交线。
[0220]
综上所述，本技术实施例提供了一种扫描平面确定装置，该装置可以预测多个定位图像的距离信息，该定位图像的距离信息用于反映该定位图像中每个像素与该定位图像的第一交线的距离，定位图像的第一交线为该定位图像中与待确定的目标扫描平面的相交线。之后，确定设备即可基于多个定位图像的距离信息自动确定目标扫描平面。由于目标扫描平面是自动确定的，无需人工根据经验确定目标扫描平面，因此一方面减少了工作人员的操作，有效提高了扫描平面的确定效率，另一方面可以避免因人工误差导致的确定出目标扫描平面的准确性较低的问题，从而可以确保基于该扫描平面得到的扫描图像的精确度。
[0221]
本技术的实施例还提供了一种计算机设备，该计算机设备包括：处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述各方法实施例提供的扫描平面确定方法。
[0222]
可选地，该计算机设备为确定设备。示例地，图7是本技术一个示例性实施例提供的确定设备的结构示意图。通常，确定设备400包括有：处理器401和存储器402。
[0223]
处理器401可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器401可以采用dsp(digital signal processing，数字信号处理)、fpga(field－programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器401也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器401可以在集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器401还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0224]
存储器402可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器402还可包括高速随机存取存储器，以及非易失性存储器，比如一个
或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器402中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器401所执行以实现本技术中方法实施例提供的扫描平面确定方法。
[0225]
在一些实施例中，终端400还可选包括有：外围设备接口403和至少一个外围设备。处理器401、存储器402和外围设备接口403之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口403相连。具体地，外围设备包括：射频电路404、显示屏405、摄像头组件406、音频电路407、定位组件408和电源409中的至少一种。
[0226]
外围设备接口403可被用于将i/o(input/output，输入/输出)相关的至少一个外围设备连接到处理器401和存储器402。在一些实施例中，处理器401、存储器402和外围设备接口403被集成在同一芯片或电路板上；在一些其他实施例中，处理器401、存储器402和外围设备接口403中的任意一个或两个可以在单独的芯片或电路板上实现，本技术实施例对此不加以限定。
[0227]
射频电路404用于接收和发射rf(radio frequency，射频)信号，也称电磁信号。射频电路404通过电磁信号与通信网络以及其他通信设备进行通信。射频电路404将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路404包括：天线系统、rf收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路404可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2g、3g、4g及5g)、无线局域网和/或wifi(wireless fidelity，无线保真)网络。在一些实施例中，射频电路404还可以包括nfc(near field communication，近距离无线通信)有关的电路，本技术对此不加以限定。
[0228]
显示屏405用于显示ui(user interface，横版关卡界面)。该ui可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏405是触摸显示屏时，显示屏405还具有采集在显示屏405的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器401进行处理。此时，显示屏405还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏405可以为一个，设置终端400的前面板；在另一些实施例中，显示屏405可以为至少两个，分别设置在终端400的不同表面或呈折叠设计；在再一些实施例中，显示屏405可以是柔性显示屏，设置在终端400的弯曲表面上或折叠面上。甚至，显示屏405还可以设置成非矩形的不规则图形，也即异形屏。显示屏405可以采用lcd(liquid crystal display，液晶显示屏)、oled(organic light
‑
emitting diode,有机发光二极管)等材质制备。
[0229]
摄像头组件406用于采集图像或视频。可选地，摄像头组件406包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端400的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及vr(virtual reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件406还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
[0230]
音频电路407可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器401进行处理，或者输入至射频电路404以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端400的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器401或射频电路404的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路407还可以包括耳机插孔。
[0231]
定位组件408用于定位终端400的当前地理位置，以实现导航或lbs(location based service，基于位置的服务)。定位组件408可以是基于美国的gps(global positioning system，全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。
[0232]
电源409用于为终端400中的各个组件进行供电。电源409可以是交流电、直流电、一次性电池或可充电电池。当电源409包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
[0233]
在一些实施例中，终端400还包括有一个或多个传感器410。该一个或多个传感器410包括但不限于：加速度传感器411、陀螺仪传感器412、压力传感器413、指纹传感器414、光学传感器415以及接近传感器416。
[0234]
加速度传感器411可以检测以终端400建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器411可以用于检测重力加速度在三个坐标轴上的分量。处理器401可以根据加速度传感器411采集的重力加速度信号，控制触摸显示屏405以横向视图或纵向视图进行横版关卡界面的显示。加速度传感器411还可以用于游戏或者用户的运动数据的采集。
[0235]
陀螺仪传感器412可以检测终端400的机体方向及转动角度，陀螺仪传感器412可以与加速度传感器411协同采集用户对终端400的3d动作。处理器401根据陀螺仪传感器412采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变ui)、拍摄时的图像稳定、游戏控制以及惯性导航。
[0236]
压力传感器413可以设置在终端400的侧边框和/或触摸显示屏405的下层。当压力传感器413设置在终端400的侧边框时，可以检测用户对终端400的握持信号，由处理器401根据压力传感器413采集的握持信号进行左右手识别或快捷操作。当压力传感器413设置在触摸显示屏405的下层时，由处理器401根据用户对触摸显示屏405的压力操作，实现对ui界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
[0237]
指纹传感器414用于采集用户的指纹，由处理器401根据指纹传感器414采集到的指纹识别用户的身份，或者，由指纹传感器414根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器401授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器414可以被设置终端400的正面、背面或侧面。当终端400上设置有物理按键或厂商logo时，指纹传感器414可以
与物理按键或厂商logo集成在一起。
[0238]
光学传感器415用于采集环境光强度。在一个实施例中，处理器401可以根据光学传感器415采集的环境光强度，控制触摸显示屏405的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏405的显示亮度；当环境光强度较低时，调低触摸显示屏405的显示亮度。在另一个实施例中，处理器401还可以根据光学传感器415采集的环境光强度，动态调整摄像头组件406的拍摄参数。
[0239]
接近传感器416，也称距离传感器，通常设置在终端400的前面板。接近传感器416用于采集用户与终端400的正面之间的距离。在一个实施例中，当接近传感器416检测到用户与终端400的正面之间的距离逐渐变小时，由处理器401控制触摸显示屏405从亮屏状态切换为息屏状态；当接近传感器416检测到用户与终端400的正面之间的距离逐渐变大时，由处理器401控制触摸显示屏405从息屏状态切换为亮屏状态。
[0240]
本领域技术人员可以理解，图7中示出的结构并不构成对确定设备400的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
[0241]
本技术实施例中还提供了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至少一条程序代码，当该程序代码由计算机设备的处理器加载并执行时，实现上述各方法实施例提供的扫描平面确定方法。
[0242]
本技术还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各方法实施例提供的扫描平面确定方法。
[0243]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，上述提到的可读存储介质可以是只读存储器，磁盘或光盘等。
[0244]
以上所述仅为本技术的可选实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同切换、改进等，均应包含在本技术的保护范围之内。