本申請涉及醫(yī)學圖像技術，特別涉及一種圖像中器官的定位方法及裝置。

背景技術：

近些年來，醫(yī)學成像技術得到了巨大的發(fā)展，成像模態(tài)從早起的X射線平片、單層電子計算機斷層掃描(CT，Computed Tomography)發(fā)展到了目前的多層螺旋CT、磁共振成像(MRI，Magnetic Resonance Imaging)、正電子發(fā)射計算機斷層顯像(PET，Positron emission tomography)/CT等，為醫(yī)生提供了方便。通常情況下，醫(yī)生通常需要利用獲取的醫(yī)學圖像對特定的組織器官進行檢查分割，這就需要先對該圖像中的組織器官進行自動定位，然后在圖像上標記出該組織器官的空間位置，最后，利用圖像分割算法將標記的組織器官分割出來。

目前，實現(xiàn)器官自動定位的方法有多種，一種是：基于模板匹配法(TM，Template Matching)方法，這種方法首先創(chuàng)建一個特定器官的標準模板圖像，然后利用該模板圖像在待定位圖像中進行搜索，找到與模板圖像最相近的區(qū)域，并將該區(qū)域作為得到的器官定位區(qū)域。另一種是基于圖像配準(IR，Image Registration)方法，該方法首先選擇一幅模板圖像，然后手動對其中的器官進行位置標記，當需要在一幅新圖像中進行器官定位時，先將模板圖像配準到新圖像，配準后的模板圖像的器官區(qū)域即對應著新圖像的器官區(qū)域。

但是，基于模板匹配的方法中，由于不同人的器官存在著很大的個體差異性，很難創(chuàng)建一個通用的器官模板圖像，因此，該方法在實際應用中精確性和魯棒性較差；而基于圖像配準的方法中，為了提高器官定位的準確性，這類方法一般采用非剛性配準(NR，Non-rigid Registration)方法將模板圖像配準到新圖像上，而非剛性配準的計算量非常大，因此，這類方法通常非常耗時，從而降低了運行效率。

明內容

有鑒于此，本申請?zhí)峁┮环N圖像中器官的定位方法及裝置，以解決現(xiàn)有技術中由于定位精度不高，導致運行效率低的問題。

具體地，本申請是通過如下技術方案實現(xiàn)的：

第一方面提供一種圖像中器官的定位方法，所述方法包括：

獲取待處理圖像；

在所述待處理圖像中選取采樣點；

利用訓練好的回歸器預測出每個采樣點相對于器官包圍盒的偏移量；

根據(jù)所述每個采樣點對應的偏移量，確定出所述待處理圖像中器官的包圍盒位置。

第二方面提供一種圖像中器官的定位裝置，包括：

第一獲取單元，用于獲取待處理圖像；

第一選取單元，用于在所述待處理圖像中選取采樣點；

預測單元，用于利用訓練好的回歸器預測出每個采樣點相對于器官包圍盒的偏移量；

第一確定單元，用于根據(jù)所述每個采樣點對應的偏移量，確定出所述待處理圖像中器官的包圍盒位置。

本申請實施例中，當對測試圖像的器官進行定位時，先確定一個采樣點，利用訓練好的回歸器，可以得到該點相對于器官包圍盒的偏移量，進而可以得到一個包圍盒的預測值。本申請實施例采用了多分辨率策略，在最低分辨率圖像上會在整幅測試圖像范圍內選取采樣點，從而提高了定位精度，降低了計算量，提高運行效率。

應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本申請。

附圖說明

圖1是本申請實施例提供的一種圖像中器官的定位方法的流程圖；

圖2是本申請實施例提供的一種圖像中器官的定位方法的另一流程圖；

圖3是本申請實施例提供的一種圖像中器官的定位方法的另一流程圖；

圖4是本申請實施例提供的一種訓練回歸器的流程圖；

圖5是本申請實施例提供的一種訓練回歸器的另一流程圖；

圖6是本申請實施例提供的一種訓練回歸器的另一流程圖；

圖7為本申請?zhí)峁┑膱D像中器官的定位裝置所在設備的一種硬件結構圖；

圖8為本申請實施例提供的一種圖像中器官的定位裝置的結構示意圖；

圖9為本申請實施例提供的一種圖像中器官的定位裝置的另一結構示意圖；

圖10為本申請實施例提供的一種圖像中器官的定位裝置的另一結構示意圖；

圖11為本申請實施例提供的一種圖像中器官的定位裝置的另一結構示意圖；

圖12為本申請實施例提供一種應用實例的示意圖。

具體實施方式

這里將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數(shù)字表示相同或相似的要素。以下示例性實施例中所描述的實施方式并不代表與本申請相一致的所有實施方式。相反，它們僅是與如所附權利要求書中所詳述的、本申請的一些方面相一致的裝置和方法的例子。

在本申請使用的術語是僅僅出于描述特定實施例的目的，而非旨在限制本申請。在本申請和所附權利要求書中所使用的單數(shù)形式的“一種”、“所述”和“該”也旨在包括多數(shù)形式，除非上下文清楚地表示其他含義。還應當理解，本文中使用的術語“和/或”是指并包含一個或多個相關聯(lián)的列出項目的任何或所有可能組合。

應當理解，盡管在本申請可能采用術語第一、第二、第三等來描述各種信息，但這些信息不應限于這些術語。這些術語僅用來將同一類型的信息彼此區(qū)分開。例如，在不脫離本申請范圍的情況下，第一信息也可以被稱為第二信息，類似地，第二信息也可以被稱為第一信息。取決于語境，如在此所使用的詞語“如果”可以被解釋成為“在……時”或“當……時”或“響應于確定”。

請參閱圖1，圖1是本申請實施例提供的一種圖像中器官的定位方法的流程圖；所述方法包括：

步驟101：獲取待處理圖像；

其中，待處理圖像為需要在圖像中進行器官定位的圖像。

步驟102：在所述待處理圖像中選取采樣點；

該步驟中，可以在待處理圖像中的均勻選取采樣點，比如，當待處理圖像為最低分辨率圖像時，可以在整幅待處理圖像范圍中均勻選取采樣點。而在圖像內選取采樣點的過程對于本領域技術人員來說已是熟知技術，在此不再贅述。

步驟103：利用訓練好的回歸器預測出每個采樣點相對于器官包圍盒的偏移量；

該實施例中，如果待處理圖像是二維醫(yī)學圖像，則偏移量指的是采樣點到包圍盒的4個邊的偏移量；如果待處理圖像是三維醫(yī)學圖像，則偏移量指的是采樣點到包圍盒的6個面的偏移量。

其預測的過程為：將每個采樣點輸入到訓練好的回歸器(Regressor)中，輸出的就是每個采樣點相對于器官包圍盒的偏移量。也就是說，回歸器在接收到輸入的采樣點(比如采樣點的像素等)時會選擇一種機器學習方法，比如持向量回歸(SVR，Support Vector Regression)等就可以得到每個采樣點相對于器官包圍盒的偏移量，進而可以確定預測器官的包圍盒位置。其中，利用機器學習方法確定每個采樣點相對于器官包圍盒的偏移量對于本領域技術人員來說，已是熟知技術，在此不再贅述。

步驟104：根據(jù)所述每個采樣點對應的偏移量，確定出所述待處理圖像中器官包圍盒的位置。

該步驟中，可以利用所有采樣點及其對應的偏移量，就可以確定出感興趣器官包圍盒的位置。由于每個采樣點都可以得到一個包圍盒的位置，最終包圍盒的位置可以采用投票(Voting)的方式來獲得。也就是說,對于每個采樣點而言，利用該采樣點的空間坐標以及對應的包圍盒偏移量預測值，即可確定出包圍盒的一個預測位置(對于二維醫(yī)學圖像是4個邊的X、Y軸值，對于三維醫(yī)學圖像是6個面的X、Y、Z軸值)，由于每個采樣點都會提供一個包圍盒預測位置，因此可以采用投票的方式，獲得最多投票的包圍盒預測位置即作為最終的包圍盒位置。

本申請實施例中，當對待處理圖像中的器官進行定位時，先在待處理圖像中選取采樣點，然后，利用訓練好的回歸器，預測每個采樣點相對于器官包圍盒的偏移量，進而可以預測出待處理圖像中器官包圍盒的位置。采用這種方式不但提高了圖像中器官的定位精度，降低了計算量，還提高運行效率。

還請參閱圖2，圖2為本申請實施例提供的一種圖像中器官的定位方法的另一流程圖，所述方法包括：

步驟201：獲取待處理圖像；

步驟201詳見步驟101，在此不再贅述。

步驟202：對所述待處理圖像進行至少一次降采樣處理，得到至少一個降采樣圖像；

該步驟中，降采樣處理就是圖像的分辨率降低，比如：假設原待處理圖像的分辨率(或像素)為512×512，經(jīng)過1次二倍降采樣后的圖像分辨率為256×256，經(jīng)過2次二倍降采樣后的圖像尺寸為128×128，以此類推。

步驟203：對所述降采樣圖像和原待處理圖像按照分辨率從低到高的順序進行排序，并從分辨率最低的圖像開始進行如下處理；

步驟204：判斷當前待測試圖像是否為最低分辨率圖像，如果是，執(zhí)行步驟205；如果不是，執(zhí)行步驟208；

其一種判斷方式可以依據(jù)圖像尺寸來判斷，如果當前待測試圖像的尺寸與最低分辨率圖像的尺寸一致，則確定當前待測試圖像就是最低分辨率圖像；否則，確定當前待測試圖像不是最低分辨率圖像。

步驟205：在所述當前待測試圖像內選取采樣點；

該步驟中選取采樣點的過程具體詳見上述步驟102，在此不再贅述。

步驟206：利用訓練好的回歸器預測出每個采樣點相對于器官包圍盒的偏移量；

其中，步驟206詳見步驟103，在此不再贅述。

步驟207：根據(jù)所述每個采樣點對應的偏移量，確定出所述當前測試圖像中器官的包圍盒位置；

該步驟207詳見步驟104，在此不再贅述。

步驟208：將所述當前測試圖像的低一級分辨率圖像上預測得到器官的包圍盒映射到所述當前分辨率圖像上，作為所述當前待測試圖像中包圍盒的預測值；

例如：在低一級分辨率圖像上包圍盒的4個頂點坐標為(50,50)、(50,100)、(100,50)、(100,100)，則在當前分辨率圖像上包圍盒的4個頂點坐標為(100,100)、(100,200)、(200,100)、(200,200)，即將低一級分辨率圖像上包圍盒頂點的坐標都乘以2。

步驟209：在所述包圍盒的周圍預設范圍內選取采樣點；之后執(zhí)行步驟206和步驟207。

該選取過程，可以是在包圍盒的附近均勻選取采樣點，也可以是非均勻選取采樣點。其選取采樣點的過程對于本領域技術人員來說，已是熟知技術，在此不再贅述。

本申請實施例中，當對待處理圖像的器官進行定位時，先在待處理圖像中確定采樣點P₁，利用訓練好的回歸器，可以得到該采樣點相對于器官包圍盒的偏移量，進而可以得到一個器官包圍盒的預測值B₁。當采樣點距離感興趣器官較遠時，預測的器官包圍盒精度相對較差，因此本發(fā)明并沒有直接將預測值B₁作為最終的預測結果，而是在器官包圍盒預測值B₁的附近再隨機采樣一個點P₂，進而得到器官包圍盒的一個新的預測值B₂，由于P₂距離包圍盒更近，因此預測的器官包圍盒的預測值B₂更加準確。當然，上述過程可以迭代N次，最終得到一個精度較高的器官包圍盒的預測值B_N。也就是說，由于本申請采用了迭代修正策略，與傳統(tǒng)的基于器官定位方法相比，不但解決了由于采樣點距離感興趣器官較遠時定位精度不高的問題，而且還提高了器官定位的準確性和魯棒性。

進一步，本申請實施例中還采用了多分辨率策略，在最低分辨率圖像上會在整幅圖像范圍內進行采樣，而在更高分辨率圖像上僅在器官包圍盒附近進行采樣，從而極大地降低本方法的計算量，提高運行效率。

還請參閱圖3，圖3為本申請實施例提供的一種圖像中器官的定位方法的另一流程圖，該實施例在上述圖2實施例的基礎上，在確定所述包圍盒位置之后，還可以包括判斷所述當前測試圖像是否為最高分辨率圖像，其具體實現(xiàn)過程為：

步驟301至步驟309，詳見步驟201至步驟209；

步驟310：判斷所述當前測試圖像是否為最高分辨率圖像，如果是，執(zhí)行步驟311；如果不是，執(zhí)行步驟312；

該步驟中，最高分辨率圖像就是原測試圖像。

步驟311：確定所述當前測試圖像中的器官包圍盒位置為最終器官包圍盒位置，輸出該包圍盒位置；

步驟312：創(chuàng)建所述當前測試圖像的高一級分辨率圖像；返回步驟304。

該實施例中，判斷當前測試圖像是否為最高分辨率圖像，即原始測試圖像，如果是，則輸出預測得到的包圍盒；否則，創(chuàng)建測試圖像相對于當前分辨率的高一級分辨率圖像，其創(chuàng)建方法為，通常采用對當前測試圖像進行升采樣的方法。比如，如果當前測試圖像的分辨率為128×128，則高一級分辨率圖像為256×256。

在另一實施例中，該實施例在上述所有實施例的基礎上，還可以包括訓練回歸器，所述回歸器用來預測一個采樣點到器官包圍盒的偏移量。其中，訓練回歸器的訓練過程可以在對一幅新圖像中進行器官定位之前預先訓練，也可以在對新圖像中的器官定位時進行訓練，本實施例不作限制。

其中，一種訓練回歸器的流程圖如圖4所示，包括：

步驟401：獲取一組用于訓練回歸器的訓練圖像；

步驟402：在每幅訓練圖像中標記出器官的包圍盒；

該實施例中，先選取一組用于訓練回歸器的訓練醫(yī)學圖像，并在每幅醫(yī)學圖像中手工標記出感興趣器官的包圍盒。其中，感興趣的器官就是預測器官的包圍盒，比如，肝臟器官的包圍盒等。

步驟403：計算出每個采樣點相對于所述器官包圍盒的偏移量；

在該步驟中，如果訓練圖像是二維醫(yī)學圖像，則偏移量指的是采樣點到包圍盒的4個邊的偏移量；如果訓練圖像是三維醫(yī)學圖像，則偏移量指的是采樣點到包圍盒的6個面的偏移量，其具體的計算過程對于本領域技術人員來說，已是熟知技術，在此不再贅述。

步驟404：利用每個采樣點以及每個采樣點對應的偏移量，訓練出所述訓練圖像上的一個回歸器。

該步驟中，將每個采樣點以及每個采樣點相對于器官包圍盒的偏移量作為訓練數(shù)據(jù)，訓練出當前分辨率圖像上的一個回歸器，其訓練方法并不局限于某一種特定方法，可選的方法包括支持向量回歸法、決策樹法等。

還請參閱圖5，圖5為本申請實施例提供的一種訓練回歸器的另一流程圖，該實施例包括：

步驟501：獲取一組用于訓練回歸器的訓練圖像，在每幅訓練圖像中標記出器官包圍盒；

步驟502：對所述每幅訓練圖像進行至少一次降采樣處理，得到至少一個降采樣圖像；

其中，降采樣處理就是圖像的分辨率降低，比如：假設原待處理圖像的分辨率(或像素)為512×512，經(jīng)過1次二倍降采樣后的圖像分辨率為256×256，經(jīng)過2次二倍降采樣后的圖像尺寸為128×128，以此類推。

步驟503：對所述降采樣圖像和原訓練圖像按照分辨率從低到高的順序進行排序，從分辨率最低的圖像開始依次進行如下處理：

步驟504：判斷當前訓練圖像是否為最低分辨率圖像，如果是，執(zhí)行步驟505；如果否，執(zhí)行步驟506；

該實施例中，其一種判斷的方式可以依據(jù)圖像尺寸來判斷，如果當前訓練圖像的尺寸與最低分辨率圖像的尺寸一致，則說明當前訓練圖像為最低分辨率圖像；否則，確定當前訓練圖像不是最低分辨率圖像。

步驟505：在所述當前訓練圖像內選取采樣點；然后執(zhí)行步驟507；

也就是說，在當前訓練圖像為最低分辨率圖像時，可以在整幅圖像內均勻選取采樣點，當然，也可以非均勻選取采樣點，以提高預測包圍盒的精度。

步驟506：在所述包圍盒的周圍預設范圍內選取采樣點；然后執(zhí)行步驟507；

在當前訓練圖像不是最低分辨率圖像時，僅在包圍盒附近預設范圍內選取采樣點，因為距離包圍盒越近的點被采樣到的概率就越高，也就是說離包圍盒越近采樣點越多，這樣訓練得到的回歸器在進行預測時，輸入的采樣點距離包圍盒越近，得到的預測結果越準確。

步驟507：計算出每個采樣點相對于器官包圍盒的偏移量；

該步驟的中的每個采樣點可以是當前訓練圖像內選取采樣點，也可以是包圍盒的周圍預設范圍內選取采樣點。其具體的計算過程對于本領域技術人員已是熟知技術，在此不再贅述。

步驟508：利用每個采樣點以及每個采樣點對應的偏移量，訓練出當前訓練圖像上的一個回歸器。

該步驟中，將計算出的每個采樣點及其每個采樣點相對于器官包圍盒的偏移量作為訓練數(shù)據(jù)，訓練出當前分辨率圖像上的一個回歸器，其訓練方法并不局限于某一種特定方法，可選的方法包括支持向量回歸法、決策樹法等。

本申請實施例中，在對一幅測試圖像中進行器官定位時，先訓練回歸器，然后利用訓練好的回歸器預測出通過迭代修正策略選取的采樣點相對于器官包圍盒的偏移量。為了進一步提高最終預測的器官包圍盒的精度，在訓練回歸器時，本申請采用了改進的選取方式，即距離器官包圍盒越近的點被采樣到的概率越高，也就是說離器官包圍盒越近采樣點越多，這樣訓練得到的回歸器在進行預測時，輸入的采樣點距離器官包圍盒越近，得到的預測結果越準確。

還請參閱圖6，圖6為本申請實施例提供的一種訓練回歸器的另一流程圖，該實施例在上述圖5實施例的基礎還可以包括判斷當前訓練圖像是否為最高分辨率圖像。其具體實現(xiàn)過程包括：

步驟601至步驟608詳見步驟501至步驟508；

步驟609：判斷當前訓練圖像是否為最高分辨率圖像；如果是，執(zhí)行步驟610；如果否，執(zhí)行步驟611；

其中，一種判斷是為：如果當前訓練圖像的尺寸與最高分辨率圖像的尺寸一致，則說明當前訓練圖像為最高分辨率圖像；否則，確定當前訓練圖像不是最高分辨率圖像。而最高分辨率圖像就是原訓練圖像。

步驟610：輸出訓練得到的所述訓練圖像上的一個回歸器。

步驟611：創(chuàng)建所述當前訓練圖像的高一級分辨率圖像；返回步驟604。

該實施例中，判斷當前訓練圖像是否為最高分辨率圖像，即原始訓練圖像，如果是，則輸出訓練得到的回歸器，流程結束；否則，創(chuàng)建訓練圖像相對于當前分辨率的高一級分辨率圖像，其創(chuàng)建方式，比如，如果訓練圖像的當前分辨率為128×128，則高一級分辨率圖像為256×256。

本發(fā)明申請實施例中，在訓練回歸器以及利用訓練好的回歸器進行器官定位時，都需要在圖像中采樣大量的點，如果采樣點的數(shù)量過多，則會影響訓練和使用回歸器的效率。為了解決這一問題，本申請實施例采用了多分辨率策略，在最低分辨率圖像上會在整個圖像范圍內進行采樣，而在更高分辨率圖像上僅在包圍盒附近進行采樣，從而極大地降低本方法的計算量，提高運行效率。

與前述圖像中器官的定位方法的實施例相對應，本申請還提供了圖像中器官的定位裝置的實施例。

本申請圖像中器官的定位裝置的實施例可以應用在設備上。裝置實施例可以通過軟件實現(xiàn)，也可以通過硬件或者軟硬件結合的方式實現(xiàn)。以軟件實現(xiàn)為例，作為一個邏輯意義上的裝置，是通過其所在設備的處理器將非易失性存儲器中對應的計算機程序指令讀取到內存中運行形成的。從硬件層面而言，如圖7所示，為本申請圖像中器官的定位裝置所在設備的一種硬件結構圖，除了圖7所示的處理器、內存、網(wǎng)絡接口、以及非易失性存儲器之外，實施例中裝置所在的設備通常根據(jù)該設備的實際功能，還可以包括其他硬件，對此不再贅述。

請參考圖8，為本申請實施例提供的一種圖像中器官的定位裝置的結構示意圖；所述裝置包括：第一獲取單元81，第一選取單元82，預測單元83和第一確定單元84，其中，

第一獲取單元81，用于獲取待處理圖像；

第一選取單元82，用于在所述待處理圖像中選取采樣點；

預測單元83，用于利用訓練好的回歸器預測出每個采樣點相對于器官包圍盒的偏移量；

第一確定單元84，用于根據(jù)所述每個采樣點對應的偏移量，確定出所述待處理圖像中器官的包圍盒位置。

可選的，在另一實施例中，該實施例在上述實施例的基礎上，所述裝置還可以包括：第一處理單元91和第二處理單元92，其結構示意圖如圖9所示，

第一處理單元91，用于在所述第一選取單元82選取采樣點之前，對所述第一獲取單元81獲取的待處理圖像進行至少一次降采樣處理，得到至少一個降采樣圖像；

第二處理單元92，用于對所述降采樣圖像和原待處理圖像按照分辨率從低到高的順序進行排序，并從分辨率最低的圖像開始依次進行處理；

第一選取單元82,還用于從所述第二處理單元92處理后的圖像中選取采樣點。

可選的，在另一實施例中，該實施例在上述實施例的基礎上，所述第二處理單元92包括：第一判斷單元921和映射單元922，其中，其結構示意圖如圖10所示，

第一判斷單元921，用于判斷當前待測圖像是否為最低分辨率圖像；

所述第一選取單元82，還用于在所述第一判斷單元921判定所述當前待測圖像是最低分辨率圖像時，在所述待測圖像范圍內選取采樣點；

映射單元922，用于在所述第一判斷單元921判定所述當前測試圖像不是最低分辨率圖像時，將在所述當前測試圖像的低一級分辨率圖像上預測得到器官的包圍盒映射到所述當前測試圖像的分辨率圖像上，作為所述當前待測圖像中包圍盒的預測值，并在所述包圍盒周圍預設范圍內選取采樣點；

所述預測單元83，還用于利用訓練好的回歸器預測出在所述包圍盒周圍預設范圍內的每個采樣點相對于器官包圍盒的偏移量；

所述第一確定單元84，還用于根據(jù)所述預測單元83預測的所述偏移量確定所述器官包圍盒的位置。

可選的，在另一實施例中，該實施例在上述實施例的基礎上，所述裝置還可以包括：第二判斷單元、第二確定單元和第一創(chuàng)建單元(圖中未示)其中，

第二判斷單元，用于所在述第一確定單元84確定所述器官包圍盒的位置后，判斷所述當前測試圖像是否為最高分辨率圖像；

第二確定單元，用于在所述第二判斷單元判斷所述當前測試圖像是最高分辨率圖像時，確定所述當前測試圖像中的器官包圍盒位置為最終器官包圍盒位置；

第一創(chuàng)建單元，用于在所述第二判斷單元判斷所述當前測試圖像不是最高分辨率圖像時，創(chuàng)建所述當前測試圖像的高一級分辨率圖像。

可選的，在另一實施例中，該實施例在上述實施例的基礎上，所述裝置還可以包括：訓練單元11，其結構示意圖如圖11所示，圖11以在圖10的基礎上為例，其中，

訓練單元11，與所述預測單元83連接，用于訓練回歸器，所述回歸器用來預測采樣點到器官包圍盒的偏移量。

可選的，在另一實施例中，該實施例在上述實施例的基礎上，所述訓練單元11包括：第二獲取單元，標記單元，第二選取單元，計算單元和訓練子單元(圖中未示)，其中，

第二獲取單元，用于獲取一組用于訓練回歸器的訓練圖像；

標記單元，用于在每幅訓練圖像中標記出器官包圍盒；

第二選取單元，用于在所述訓練圖像中選取采樣點；

計算單元，用于計算出每個采樣點相對于所述器官包圍盒的偏移量；

訓練子單元，用于利用每個采樣點以及所述計算單元計算出的每個采樣點對應的偏移量，訓練出所述訓練圖像上的一個回歸器。

可選的，在另一實施例中，該實施例在上述實施例的基礎上，所述裝置還可以包括：第三處理單元和第四處理單元(圖中未示)，

第三處理單元，用于在所述第二選取單元選取采樣點之前，對所述每幅訓練圖像進行至少一次降采樣處理，得到至少一個降采樣圖像；

第四處理單元，用于對所述降采樣圖像和原訓練圖像按照分辨率從低到高的順序進行排序，從分辨率最低的圖像開始依次進行判斷處理。

可選的，在另一實施例中，該實施例在上述實施例的基礎上，所述第四處理單元包括：第三判斷單元和第三選取單元(圖中未示)，其中，

第三判斷單元，用于判斷當前訓練圖像是否為最低分辨率圖像；

所述第二選取單元，還用于在所述第三判斷單元判定所述當前訓練圖像是最低分辨率圖像時，在所述當前訓練圖像內選取采樣點；

第三選取單元，用于在在所述第三判斷單元判定所述當前訓練圖像不是最低分辨率圖像時，在所述包圍盒的周圍預設范圍內選取采樣點；

所述計算單元，還用于計算出所述第三選取單元選取的每個采樣點相對于器官包圍盒的偏移量；

所述訓練子單元，還用于利用每個采樣點以及所述計算單元計算出的每個采樣點對應的偏移量，訓練出所述訓練圖像上的一個回歸器。

可選的，所述訓練單元還可以包括：第四判斷單元，輸出單元和第二創(chuàng)建單元(圖中未示)，其中，

第四判斷單元，用于在所述訓練子單元確定所述訓練圖像上的一個回歸器之后，判斷所述當前訓練圖像是否為最高分辨率圖像；

輸出單元，用于在所述第四判斷單元判斷當前訓練圖像是最高分辨率圖像時，輸出所述第二訓練子單元訓練得到的所述回歸器；

第二創(chuàng)建單元，用于在所述第四判斷單元判斷當前訓練圖像不是最高分辨率圖像時，創(chuàng)建所述當前訓練圖像的高一級分辨率圖像。

上述裝置中各個單元的功能和作用的實現(xiàn)過程具體詳見上述方法中對應步驟的實現(xiàn)過程，在此不再贅述。

由上述實施例可知，從上述描述中可以看出，本申請?zhí)岢龅钠鞴俣ㄎ环椒ň哂腥缦碌膬?yōu)點：

由于本申請?zhí)峁┑钠鞴俣ㄎ环椒ú捎昧说拚呗?，和傳統(tǒng)的器官定位方法相比，一方面，解決了由于采樣點距離感興趣器官較遠時定位精度不高的問題，提高了方法的準確性和魯棒性；另一方面，改進了在訓練回歸器時圖像點的采樣方式，即距離包圍盒越近，采樣點的個數(shù)越多，以及在配合迭代修正策略時，可以進一步提高本發(fā)明提出的定位方法的精度；再一方面，相比傳統(tǒng)方法直接使用原始圖像進行訓練和測試，本申請采用了多分辨率策略，即在訓練回歸器以及利用訓練好的回歸器進行器官定位時，均在多分辨率圖像上進行，從而降低了本發(fā)明方法所需的計算量，提高了運行效率。

還請參閱圖12，為本申請?zhí)峁┑囊环N應用實例的示意圖，基于本申請實施例的多次實驗驗證，圖12中顯示了利用本申請實施例提供的器官定位方法得到的人體CT圖像中腎臟的包圍盒，實驗結果表明，本申請描述的器官定位方法能夠在1秒內完成腎臟包圍盒位置的預測，其腎臟包圍盒的位置具體如圖中箭頭所指的方框，預測結果精度較高，能夠滿足臨床應用需求，具有良好的實用性。

對于裝置實施例而言，由于其基本對應于方法實施例，所以相關之處參見方法實施例的部分說明即可。以上所描述的裝置實施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡單元上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部模塊來實現(xiàn)本申請方案的目的。本領域普通技術人員在不付出創(chuàng)造性勞動的情況下，即可以理解并實施。

以上所述僅為本申請的較佳實施例而已，并不用以限制本申請，凡在本申請的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本申請保護的范圍之內。