CN107610105B - 定位roi的方法、装置、设备及机器可读存储介质 - Google Patents
定位roi的方法、装置、设备及机器可读存储介质 Download PDFInfo
- Publication number
- CN107610105B CN107610105B CN201710769237.XA CN201710769237A CN107610105B CN 107610105 B CN107610105 B CN 107610105B CN 201710769237 A CN201710769237 A CN 201710769237A CN 107610105 B CN107610105 B CN 107610105B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- image
- roi
- positioning
- label
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Abstract
本申请公开了定位ROI的方法、装置、设备及机器可读存储介质。该方法包括:获取二维医学图像;调用所述二维医学图像的一维图像分类器;通过所述一维图像分类器对所述二维医学图像在多个方向上进行一维ROI定位,得到多个一维ROI定位结果;根据所述多个一维ROI定位结果,确定所述二维医学图像的ROI。本申请实施例可以提升ROI定位的准确性和鲁棒性,并且定位效率更高。
Description
技术领域
本申请涉及医学图像处理技术领域,特别涉及一种定位ROI(Region ofInterest,感兴趣区域)的方法、装置、设备及机器可读存储介质。
背景技术
现代医学成像技术的发展为医生诊断提供了更为丰富的医学图像。例如,CT(Computed Tomography,电子计算机断层扫描)图像可以提供被检体的解剖结构特征,MRI(Magnetic Resonance Imaging,磁共振成像)图像能够区分被检体的不同软组织,PET(Positron Emission Tomography,正电子发射型断层显像)图像可以呈现被检体代谢的分布情况等。
相关技术中,在获得被检体的医学图像后,需要通过手动标记对ROI进行定位,例如,在ROI周围画一个矩形包围盒(Bounding box),然后利用图像分割算法从包围盒中分割出ROI,并基于ROI进行检查。但是,由于手动定位ROI会因为操作者的不同而存在定位差异,且容易将大量背景区域也纳入到包围盒内,因此导致ROI定位不准确。
发明内容
本申请提供定位ROI的方法、装置、设备及机器可读存储介质,以提高ROI定位的准确性。
具体地,本申请是通过如下技术方案实现的:
第一方面,提供一种定位ROI的方法,所述方法用于通过预先训练的一维图像分类器对二维医学图像中的ROI进行定位,所述方法包括:
获取二维医学图像;
调用所述二维医学图像的一维图像分类器;
通过所述一维图像分类器对所述二维医学图像在多个方向上进行一维ROI定位,得到多个一维ROI定位结果;
根据所述多个一维ROI定位结果,确定所述二维医学图像的ROI。
第二方面,提供一种定位ROI的装置,所述装置用于通过预先训练的一维图像分类器对二维医学图像中的ROI进行定位,所述装置包括:
获取单元,用于获取二维医学图像;
调用单元,用于调用所述二维医学图像的一维图像
定位单元,用于通过所述一维图像分类器对所述二维医学图像在多个方向上进行一维ROI定位,得到多个一维ROI定位结果
确定单元,用于根据所述多个一维ROI定位结果,确定所述二维医学图像的ROI。
第三方面,提供一种定位ROI的设备,所述设备包括:内部总线,以及通过内部总线连接的存储器、处理器和外部接口;其中,
所述存储器,用于存储定位ROI的控制逻辑对应的机器可读指令;
所述处理器,用于获取二维医学图像;
调用所述二维医学图像的一维图像分类器;
通过所述一维图像分类器对所述二维医学图像在多个方向上进行一维ROI定位,得到多个一维ROI定位结果;
根据所述多个一维ROI定位结果,确定所述二维医学图像的ROI。
第四方面,提供一种机器可读存储介质,所述机器可读存储介质上存储有若干计算机指令,所述计算机指令被执行时进行如下处理:
获取二维医学图像;
调用所述二维医学图像的一维图像分类器;
通过所述一维图像分类器对所述二维医学图像在多个方向上进行一维ROI定位,得到多个一维ROI定位结果;
根据所述多个一维ROI定位结果,确定所述二维医学图像的ROI。
本申请提供的实施例在获取到二维医学图像后,可以调用该二维医学图像的一维图像分类器,由于该一维图像分类器可以对二维医学图像在多个方向上进行一维ROI定位,因此根据多个一维ROI定位结果,可以确定二维医学图像的ROI。本申请实施例由于应用一维图像分类器自动对二维医学图像进行定位,且可以根据多个方向上的一维ROI定位结果的交集确定ROI,因此可以提升ROI定位的准确性和鲁棒性;并且由于一维图像分类器以一维图像为单位进行定位,因此与相关技术中针对像素进行定位的方式相比,定位效率更高。
附图说明
图1为本申请训练一维图像分类器的方法的一个实施例流程图;
图2为本申请实施例中对二维医学图像中的采样行图像附加标签的示意图;
图3为本申请定位ROI的方法的一个实施例流程图;
图4A至图4D为本申请实施例中对二维医学图像在一维方向上进行一维ROI定位的示意图;
图4E为应用本申请实施例识别出ROI包围盒的示意图;
图5为本申请定位ROI的装置的一个实施例框图;
图6为本申请定位ROI的装置的另一个实施例框图;
图7为本申请定位ROI的设备的一个实施例示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
随着现代医学成像技术的不断发展,为医学诊断提供依据的各种医学图像也逐渐丰富,例如,常见的CT图像,MRI图像,PET图像等。在获取到医学图像后,通常会定位该图像中的某个组织区域作为分析的重点,该区域称为感兴趣区域(ROI)。本申请实施例为了提高ROI定位的准确性和鲁棒性,在获取到二维医学图像后,可以调用该二维医学图像的一维图像分类器,由于该一维图像分类器可以对二维医学图像在多个方向上进行一维ROI定位,因此根据多个一维ROI定位结果,可以确定二维医学图像的ROI,因此本申请实施例可以提升ROI定位的准确性和鲁棒性;并且由于一维图像分类器以一维图像为单位进行定位,因此与相关技术中针对像素进行定位的方式相比,定位效率更高。
下面结合附图对本申请实施例进行详细描述,本申请实施例包括训练一维图像分类器的过程,以及应用训练好的一维图像分类器定位ROI的过程,上述两个过程可以在同一台图像处理设备上执行,也可以在不同的图像处理设备上执行。本申请实施例中的一维图像分类器可以是行图像分类器,也可以是列图像分类器,为了示例方便,后续例子均以行图像分类器为例进行描述。
参见图1,为本申请训练一维图像分类器的方法的一个实施例流程图,该实施例可以包括以下步骤:
步骤101:获取目标组织的一组二维医学图像。
本实施例中的二维医学图像可以为通过各种医疗设备对被检体扫描得到的图像,该医疗设备可以包括PET设备、MRI设备、CT设备等,该二维医学图像中通常包含被检体的某个被检组织,例如,肝脏、心脏、脾脏等。针对不同类型的被检组织,可以分别训练其对应的一维图像分类器,本实施例中以训练任一被检组织的行图像分类器为例进行描述,该任一被检组织称为目标组织。
本步骤中,在确定了目标组织后,可以分别获取不同受检体的目标组织的二维医学图像,从而组成目标组织的一组二维医学图像,该一组二维医学图像可以表示为I={I1,I2...IN},其中N表示二维医学图像的数量,每个二维医学图像表示为Ii。例如,获取500个人体的肝脏图像,组成用于训练肝脏图像分类器的一组二维医学图像,则I={I1,I2...I500}。
步骤102:提取一组二维医学图像中每个二维医学图像的图像信息。
本步骤中,从二维医学图像中提取的图像信息可以包括:从二维医学图像中采样的多个一维图像,每个一维图像是否包含ROI一维元素的标签,以及每个一维图像邻域内的图像特征。通常二维图像由像素矩阵组成,每个行方向上的像素组成一个一维行图像,每个列方向上的像素组成一个一维列图像。其中,在从二维医学图像中采样多个一维图像时,以采样一维行图像为例,可以从二维医学图像的第一个一维行图像开始,按照预设的行间隔,或者随机行间隔,依次采集多个一维行图像;在获得了采样的多个一维图像后,可以确定每个一维图像是否包含ROI一维元素的标签,ROI一维元素指ROI内的一维图像,因此,二维医学图像的一维图像包含ROI一维元素也可以指该一维图像穿过该ROI,二维医学图像的一维图像未包含ROI一维元素也可以指一维图像未穿过该ROI,仍然以一维行图像为例,在判断一维行图像是否包含ROI一维行元素,或者说是否穿过ROI时,可以根据该一维行图像所在的行数,确定该一维行图像所包含像素的位置,由于ROI区域所包含像素的位置可知,因此可以根据每个一维行图像的像素的位置判断其是否与ROI区域内的像素重合,如果有像素重合,则可以确定一维行图像穿过ROI。
由于以训练行图像分类器为例,因此上述图像信息可以包括:从二维图像中采样的多个行图像,每个行图像是否包含ROI行元素,以及每个行图像邻域内的图像特征。
在本步骤的一个可选的实现方式中,在提取一组二维医学图像I={I1,I2...IN}中每个二维医学图像的图像信息时,可以包括:
首先,可以对I={I1,I2...IN}中的每个二维医学图像Ii进行随机旋转,旋转的角度和方向均可以随机,获得图像训练集每个旋转后的二维医学图像表示为Ii R。在Ii R中包含标定出的ROI,在Ii R中标定ROI可以采用人工手动方式标定,也可以采用标定工具进行自动标定,对此本实施例不进行限制。
然后,针对旋转后的每个二维医学图像Ii R,可以执行如下操作:
从二维医学图像Ii R中随机采样多个一维图像,假设Ii R在行方向上包含了Y个一维行图像,则可以从Y个一维行图像中的第一个行图像开始,按照随机的行间隔,采样得到M个行图像,则M个行图像可以表示为Ri={Ri1,Ri2,...RiM},其中每个行图像可以表示为Rim,m的取值为1至M。
针对每个行图像Rim,根据该Rim中是否包含了标定出的ROI的行元素,为该Rim设置标签Lim,例如,如果该行图像Rim中包含了ROI的行元素,则对该行图像Rim附加第一标签Lim=1,如果该行图像Rik中未包含ROI的行元素,则对该行图像Rik附加第二标签Lim=0。参见图2,为对二维医学图像中的采样行图像附加标签的示意图。
针对每个行图像Rim,在行图像Rim的邻域中提取图像特征。本实施例中,行图像Rim表示二维医学图像Ii R中的第m行图像,则行图像Rim的邻域可以包括Ii R中的第m-X行行图像至第m+X行行图像组成的区域,其中X为预设的正整数。其中,提取的图像特征可以包括至少一个下述特征:灰度特征,纹理特征,小波特征等,需要说明的是,上述仅是对图像特征的示例,在实际应用中,也可以不局限于上述列举的图像特征,另外提取上述图像特征的方式可以与现有方式一致,在此不再赘述。
步骤103:将每个二维医学图像的图像信息输入一维图像分类模型进行训练,得到目标组织的一维图像分类器;
本实施例中,用于训练一维图像分类器的一维图像分类模型可以包括至少一个下述模型:支持向量机的分类模型,基于神经网络的分类模型,基于决策树的分类模型。需要说明的是,上述仅是对一维图像分类模型的示例,在实际应用中,也可以采用任意已有的分类模型,对此本申请实施例不进行限制。
以训练目标组织的行图像分类器为例,可以将步骤102中提取到的每个二维医学图像的行图像的图像信息输入上述一维图像分类模型,从而可以训练得到目标组织的行图像分类器。上述任一一维图像分类模型及其对应的训练算法与现有技术一致,在此不再赘述。
基于上述方式训练的行图像分类器具有如下功能:在输入目标组织的一幅二维医学图像后,可以输出该二维医学图像的任一行图像对应的标签,该标签包括在一维图像包含ROI行元素时输出的第一标签Lim=1,以及在一维图像不包含ROI行元素时输出的第二标签Lim=0。
步骤204:保存目标组织的组织名称与训练得到的一维图像分类器的对应关系。
在训练完成不同目标组织的一维图像分类器后,可以保存目标组织的组织名称与训练得到的一维图像分类器的对应关系。上述对应关系可以保存在图像处理设备的存储器中,也可以独立于图像处理设备进行保存,对此本申请实施例不进行限制。
参见图3,为本申请定位ROI的方法的一个实施例流程图,该实施例描述了应用前述图1所示实施例训练的一维图像分类器对二维医学图像中的ROI进行定位的过程,该实施例可以包括以下步骤:
步骤301:获取二维医学图像。
本步骤中,当医疗设备在扫描得到二维医学图像后,可以将二维医学图像输入作为执行主体的图像处理设备,从而对二维医学图像中的被检组织所在的ROI进行定位。
步骤302:调用二维医学图像的一维图像分类器。
结合前述图1示出的训练一维图像分类器的实施例,本步骤中,在获取到二维医学图像后,可以确定该二维医学图像对应的组织名称,然后通过查找保存的目标组织的组织名称与一维图像分类器的对应关系,调用与该组织名称对应的一维图像分类器。
步骤303:通过一维图像分类器对二维医学图像在多个方向上进行一维ROI定位,得到多个一维ROI定位结果。
在本步骤一个可选的实现方式中,可以执行如下操作,该操作过程以通过行图像分类器进行行定位为例进行描述:
首先,确定二维医学图像的ROI定位方向集,该ROI定位方向集中包含对ROI进行一维定位的多个一维定位方向。
在一个例子中,假设二维医学图像为图像I,图像I的ROI定位方向集为θ,θ={θ1,θ2,...,θN},其中,N表示ROI定位方向集中包含的一维定位方向的数量,任一一维定位方向可以表示为θi,i的取值为1至N的整数。
在设置θ时,可以从垂直于行方向的一维方向开始,每间隔一定角度设置一个一维定位方向,例如间隔10度。参见图4A,示出了一幅包含ROI的二维医学图像I,其中一个一维定位方向为θi。
其次,针对每个一维定位方向,对二维医学图像进行旋转,直至旋转后的一维定位方向垂直于旋转后的二维医学图像的一维方向。
在一个例子中,仍然参见图4A,初始一维定位方向θi不垂直于二维医学图像I的行方向,则对二维医学图像I进行顺时针旋转,使得旋转后的θi垂直于旋转后的二维医学图像的行方向,假设旋转后的二维医学图像为IR,如图4B所示。
然后,通过一维图像分类器对每个旋转后的二维医学图像进行一维ROI定位,得到每个旋转后的二维医学图像中每个一维图像对应的标签。
假设旋转后的二维医学图像IR中包含K个行图像,则可以定义从第1行到第K行的方向为IR的正向方向,正向行图像序列表示为R+={R1,R2,...RK},从第K行到第1行的方向为IR的逆向方向,逆向行图像序列表示为R-={RK,RK-1,...R1},即R+={R1,R2,...RK}与R-={RK,RK-1,...R1}是相互颠倒的。在通过行图像分类器对IR中的同一个行图像Ri(i的取值为1至K的整数)进行一维ROI定位时,如果从正向定位,则Ri邻域为第i-X行至第i+X行行图像组成的区域,如果从逆向定位,则Ri邻域为第i+X行至第i-X行行图像组成的区域,其中X为预设的正整数,由此可知,行图像分类器在从Ri邻域内提取图像特征时,从正向定位得到的邻域内提取的图像特征和从逆向定位得到的邻域内提取的图像特征不相同,相应的一维ROI定位结果也可能不同。
基于上述分析,在一个例子中,针对每个旋转后的二维医学图像IR,可以通过行图像分类器对IR中的每个行图像从正向,或者逆向进行一维ROI定位,得到每个行图像的定位值,通常定位值的范围在0至1之间,例如可以预先定义一个阈值为0.5,如果定位值大于0.5,则可以确定对应行图像的标签为包含ROI一维元素的第一标签,如果定位值不大于0.5,则可以确定对应行图像的标签为不包含ROI一维元素的第二标签。
在另一个例子中,针对每个旋转后的二维医学图像IR,也可以通过行图像分类器对IR中的每个行图像分别从正向进行一维ROI定位,得到第一定位值,以及从逆向进行一维ROI定位,得到第二定位值,上述第一定位值和第二定位值的范围在0至1之间,本例子中也可以预先定义一个阈值为0.8;计算每个行图像的第一定位值和第二定位值的平均值,当平均值大于0.8时,则可以确定对应行图像的标签为包含ROI一维元素的第一标签,当平均值不大于0.8时,则可以确定行图像的标签为不包含ROI一维元素的第二标签。
参见图4C,为通过行图像分类器对旋转后的二维医学图像IR中每个行图像进行分类,得到每个行图像的标签后,识别出的包含ROI的区域,该区域由标签为第一标签的行图像组成。
最后,将二维医学图像逆向旋转回其一维定位方向的初始方向,从而获得二维医学图像在一维定位方向上的一维ROI定位结果,一维ROI定位结果包括由标签为第一标签的一维图像组成的区域。
参见图4D,在将图4C中的IR逆向旋转回θi的初始方向后,可以获得IR在θi方向上的一维ROI定位结果,该一维ROI定位结果确定的区域中包含ROI。
结合前述图4A至图4D,描述了在一个θi上的一维ROI定位结果,对于θ={θ1,θ2,...,θN}中的每个一维定位方向,均可以按照上述过程进行一维ROI定位,从而获得N个一维ROI定位结果。
步骤304:根据多个一维ROI定位结果,确定二维医学图像的ROI。
本步骤中,可以计算多个一维ROI定位结果的交集,将该交集包含的包围盒定位为二维医学图像的ROI。
在一个例子中,假设θ={θ1,θ2,...,θN}中包含三个一维定位方向,即N=3,则如图4E所示,为在三个一维定位方向θ1、θ2和θ3上得到三个一维ROI定位结果后,根据三个一维ROI定位结果的交集确定的包围盒(图4E中加粗线条组成的区域),该包围盒中包含了二维医学图像中实际的ROI(图4E中的椭圆部分),因此可以将该包围盒确定为通过行图像分类器识别出的ROI。在实际应用中,可以根据需要设置N的值,通常N的取值越大,则定位得到的ROI可以越准确,即包围盒中非实际ROI的区域越少。
由上述实施例可见,由于应用一维图像分类器自动对二维医学图像进行定位,且可以根据多个方向上的一维ROI定位结果的交集确定ROI,因此可以提升ROI定位的准确性和鲁棒性;并且由于一维图像分类器以一维图像为单位进行定位,因此与相关技术中针对像素进行定位的方式相比,定位效率更高。
上述图1和图3所示流程中的各个步骤,其执行顺序不限制于流程图中的顺序。此外,各个步骤的描述,可以实现为软件、硬件或者其结合的形式,例如,本领域技术人员可以将其实现为软件代码的形式,可以为能够实现所述步骤对应的逻辑功能的计算机可执行指令。当其以软件的方式实现时,所述的可执行指令可以存储在存储器中,并被设备中的处理器执行。
与前述定位ROI的方法的实施例相对应,本申请还提供了定位ROI的装置、以及定位ROI的设备的实施例。
参见图5,为本申请定位ROI的装置的一个实施例框图,该装置可以包括:获取单元510、调用单元520、定位单元530和确定单元540。
其中,获取单元510,用于获取二维医学图像;
调用单元520,用于调用所述二维医学图像的一维图像分类器;
定位单元530,用于通过所述一维图像分类器对所述二维医学图像在多个方向上进行一维ROI定位,得到多个一维ROI定位结果;
确定单元540,用于根据所述多个一维ROI定位结果,确定所述二维医学图像的ROI。
在一个可选的实现方式中,所述定位单元530可以包括(图5中未示出):
方向集确定子单元,用于确定所述二维医学图像的ROI定位方向集,所述ROI定位方向集中包含对ROI进行一维定位的多个一维定位方向;
图像旋转子单元,用于针对每个一维定位方向,对所述二维医学图像进行旋转,直至旋转后的一维定位方向垂直于旋转后的二维医学图像的一维方向;
一维定位子单元,用于通过所述一维图像分类器对每个旋转后的二维医学图像进行一维ROI定位,得到每个一维图像对应的标签;
结果获得子单元,用于将所述旋转后的二维医学图像逆向旋转回所述一维定位方向的初始方向后,获得所述二维医学图像在所述一维定位方向上的一维ROI定位结果,所述一维ROI定位结果包括由标签为第一标签的一维图像组成的区域。
在另一个可选的实现方式中,上述一维定位子单元,可以具体用于针对每个旋转后的二维医学图像,通过所述一维图像分类器对每个一维图像分别从一维方向的正向进行一维ROI定位,得到第一定位值,以及从一维方向的逆向进行一维ROI定位,得到第二定位值;计算所述每个一维图像的第一定位值和第二定位值的平均值;当所述平均值大于预设阈值时,确定所述一维图像的标签为第一标签,当所述平均值不大于预设阈值时,确定所述一维图像的标签为第二标签。
在另一个可选的实现方式中,所述确定单元540可以包括(图5中未示出):
交集计算子单元,用于计算所述多个一维ROI定位结果的交集区域;
ROI定位子单元,用于将所述交集区域组成的包围盒定位为所述二维医学图像的ROI。
参见图6,为本申请定位ROI的装置的另一个实施例框图,该装置在图5所示装置的基础上,还可以包括:训练单元550。
其中,所述训练单元550,用于预先训练一维图像分类器。
在一个可选的实现方式中,所述训练单元550可以包括(图6中未示出):
图像获取子单元,用于获取目标组织的一组二维医学图像;
信息提取子单元,用于提取所述一组二维医学图像中每个二维医学图像的图像信息,所述图像信息包括从所述二维医学图像中采样的多个一维图像,每个一维图像是否包含ROI一维元素的标签,以及每个一维图像邻域内的图像特征;
分类器训练子单元,用于将所述每个二维医学图像的图像信息输入一维图像分类模型进行训练,得到所述目标组织的一维图像分类器;所述一维图像分类器用于在输入所述目标组织的二维医学图像后,输出所述二维医学图像的任一一维图像对应的标签,所述标签包括在一维图像包含ROI一维元素时输出的第一标签,以及在一维图像不包含ROI一维元素时输出的第二标签;
关系保存子单元,用于保存所述目标组织的组织名称与训练得到的一维图像分类器的对应关系。
在另一个可选的实现方式中,所述信息提取子单元,可以具体用于对每个二维医学图像进行随机旋转,获得图像训练集,其中旋转后的每个二维医学图像中包含标定出的ROI;以及针对旋转后的每个二维医学图像,执行如下操作:
从所述二维医学图像中随机采样多个一维图像;
针对每个一维图像,如果所述一维图像包含所述ROI的一维元素,则对所述一维图像附加第一标签,如果所述一维图像未包含所述ROI的一维元素,则对所述一维图像附加第二标签;以及
从每个一维图像的邻域内提取图像特征。
在另一个可选的实现方式中,所述调用单元可以包括(图6中未示出):
名称确定子单元,用于确定所获取的二维医学图像对应的组织名称;
分类器调用子单元,用于通过查找所述对应关系,调用与所述组织名称对应的一维图像分类器。
参见图7,为本申请定位ROI的设备的一个实施例示意图,该设备可以包括:通过内部总线710连接的存储器720、处理器730和外部接口740。
其中,所述外部接口740,用于连接二维医学图像的输出设备;
所述存储器720,用于存储定位ROI的控制逻辑对应的机器可读指令;
所述处理器730,用于获取二维医学图像;
调用所述二维医学图像的一维图像分类器;
通过所述一维图像分类器对所述二维医学图像在多个方向上进行一维ROI定位,得到多个一维ROI定位结果;
根据所述多个一维ROI定位结果,确定所述二维医学图像的ROI。
此外,本申请实施例示出的定位ROI的流程还可以被包括在计算机可读存储介质中,该存储介质可以与执行指令的处理设备连接,该存储介质上存储有定位ROI的控制逻辑对应的机器可读指令,这些指令能够被处理设备执行,上述机器可读指令用于实现如下操作:
获取二维医学图像;
调用所述二维医学图像的一维图像分类器;
通过所述一维图像分类器对所述二维医学图像在多个方向上进行一维ROI定位,得到多个一维ROI定位结果;
根据所述多个一维ROI定位结果,确定所述二维医学图像的ROI。
在本申请实施例中,计算机可读存储介质可以是多种形式,比如,在不同的例子中,所述机器可读存储介质可以是:RAM(Radom Access Memory,随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等),或者类似的存储介质,或者它们的组合。特殊的,所述的计算机可读介质还可以是纸张或者其他合适的能够打印程序的介质。使用这些介质,这些程序可以被通过电学的方式获取到(例如,光学扫描)、可以被以合适的方式编译、解释和处理,然后可以被存储到计算机介质中。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (16)
1.一种定位感兴趣区域ROI的方法,其特征在于,所述方法用于通过预先训练的一维图像分类器对二维医学图像中的ROI进行定位,所述方法包括:
获取二维医学图像;
调用所述二维医学图像的一维图像分类器;
通过所述一维图像分类器对所述二维医学图像在多个方向上进行一维ROI定位,得到多个一维ROI定位结果;
根据所述多个一维ROI定位结果,确定所述二维医学图像的ROI;
预先训练一维图像分类器包括:
获取目标组织的一组二维医学图像;
提取所述一组二维医学图像中每个二维医学图像的图像信息,所述图像信息包括从所述二维医学图像中采样的多个一维图像,每个一维图像是否包含ROI一维元素的标签,以及每个一维图像邻域内的图像特征;
将所述每个二维医学图像的图像信息输入一维图像分类模型进行训练,得到所述目标组织的一维图像分类器;所述一维图像分类器用于在输入所述目标组织的二维医学图像后,输出所述二维医学图像的任一一维图像对应的标签,所述标签包括在一维图像包含ROI一维元素时输出的第一标签,以及在一维图像不包含ROI一维元素时输出的第二标签;
保存所述目标组织的组织名称与训练得到的一维图像分类器的对应关系。
2.根据权利要求1所述的方法,其特征在于,所述提取所述一组二维医学图像中每个二维医学图像的图像信息,包括:
对每个二维医学图像进行随机旋转,获得图像训练集,其中旋转后的每个二维医学图像中包含标定出的ROI;
针对旋转后的每个二维医学图像,执行如下操作:
从所述二维医学图像中随机采样多个一维图像;
针对每个一维图像,如果所述一维图像包含所述ROI的一维元素,则对所述一维图像附加第一标签,如果所述一维图像未包含所述ROI的一维元素,则对所述一维图像附加第二标签;以及
从每个一维图像的邻域内提取图像特征。
3.根据权利要求1所述的方法,其特征在于,
所述一维图像分类模型包括至少一个下述模型:支持向量机的分类模型,基于神经网络的分类模型,基于决策树的分类模型;
所述图像特征包括至少一个下述特征:灰度特征,纹理特征,小波特征。
4.根据权利要求1所述的方法,其特征在于,所述调用所述二维医学图像的一维图像分类器,包括:
确定所获取的二维医学图像对应的组织名称;
通过查找所述对应关系,调用与所述组织名称对应的一维图像分类器。
5.根据权利要求1所述的方法,其特征在于,所述通过所述一维图像分类器对所述二维医学图像在多个方向上进行一维ROI定位,得到一维ROI定位结果,包括:
确定所述二维医学图像的ROI定位方向集,所述ROI定位方向集中包含对ROI进行一维定位的多个一维定位方向;
针对每个一维定位方向,对所述二维医学图像进行旋转,直至旋转后的一维定位方向垂直于旋转后的二维医学图像的一维方向;
通过所述一维图像分类器对每个旋转后的二维医学图像进行一维ROI定位,得到每个一维图像对应的标签;
将所述旋转后的二维医学图像逆向旋转回所述一维定位方向的初始方向后,获得所述二维医学图像在所述一维定位方向上的一维ROI定位结果,所述一维ROI定位结果包括由标签为第一标签的一维图像组成的区域。
6.根据权利要求5所述的方法,其特征在于,所述通过所述一维图像分类器对每个旋转后的二维医学图像进行一维ROI定位,得到每个旋转后的二维医学图像中每个一维图像对应的标签,包括:
针对每个旋转后的二维医学图像,通过所述一维图像分类器对每个一维图像分别从一维方向的正向进行一维ROI定位,得到第一定位值,以及从一维方向的逆向进行一维ROI定位,得到第二定位值;
计算所述每个一维图像的第一定位值和第二定位值的平均值;
当所述平均值大于预设阈值时,确定所述一维图像的标签为第一标签,当所述平均值不大于预设阈值时,确定所述一维图像的标签为第二标签。
7.根据权利要求5所述的方法,其特征在于,所述根据所述多个一维ROI定位结果,确定所述二维医学图像的ROI,包括:
计算所述多个一维ROI定位结果的交集区域;
将所述交集区域组成的包围盒定位为所述二维医学图像的ROI。
8.根据权利要求1至7任一所述的方法,其特征在于,所述一维图像分类器包括任一下述分类器:
用于对二维医学图像在行方向上进行ROI定位的行图像分类器;
用于对二维医学图像在列方向上进行ROI定位的列图像分类器。
9.一种定位ROI的装置,其特征在于,所述装置用于通过预先训练的一维图像分类器对二维医学图像中的ROI进行定位,所述装置包括:
获取单元,用于获取二维医学图像;
调用单元,用于调用所述二维医学图像的一维图像分类器;
定位单元,用于通过所述一维图像分类器对所述二维医学图像在多个方向上进行一维ROI定位,得到多个一维ROI定位结果;
确定单元,用于根据所述多个一维ROI定位结果,确定所述二维医学图像的ROI;所述装置还包括:训练单元,用于预先训练一维图像分类器;
所述训练单元包括:
图像获取子单元,用于获取目标组织的一组二维医学图像;
信息提取子单元,用于提取所述一组二维医学图像中每个二维医学图像的图像信息,所述图像信息包括从所述二维医学图像中采样的多个一维图像,每个一维图像是否包含ROI一维元素的标签,以及每个一维图像邻域内的图像特征;
分类器训练子单元,用于将所述每个二维医学图像的图像信息输入一维图像分类模型进行训练,得到所述目标组织的一维图像分类器;所述一维图像分类器用于在输入所述目标组织的二维医学图像后,输出所述二维医学图像的任一一维图像对应的标签,所述标签包括在一维图像包含ROI一维元素时输出的第一标签,以及在一维图像不包含ROI一维元素时输出的第二标签;
关系保存子单元,用于保存所述目标组织的组织名称与训练得到的一维图像分类器的对应关系。
10.根据权利要求9所述的装置,其特征在于,
所述信息提取子单元,具体用于对每个二维医学图像进行随机旋转,获得图像训练集,其中旋转后的每个二维医学图像中包含标定出的ROI;以及针对旋转后的每个二维医学图像,执行如下操作:
从所述二维医学图像中随机采样多个一维图像;
针对每个一维图像,如果所述一维图像包含所述ROI的一维元素,则对所述一维图像附加第一标签,如果所述一维图像未包含所述ROI的一维元素,则对所述一维图像附加第二标签;以及
从每个一维图像的邻域内提取图像特征。
11.根据权利要求9所述的装置,其特征在于,所述调用单元包括:
名称确定子单元,用于确定所获取的二维医学图像对应的组织名称;
分类器调用子单元,用于通过查找所述对应关系,调用与所述组织名称对应的一维图像分类器。
12.根据权利要求9所述的装置,其特征在于,所述定位单元包括:
方向集确定子单元,用于确定所述二维医学图像的ROI定位方向集,所述ROI定位方向集中包含对ROI进行一维定位的多个一维定位方向;
图像旋转子单元,用于针对每个一维定位方向,对所述二维医学图像进行旋转,直至旋转后的一维定位方向垂直于旋转后的二维医学图像的一维方向;
一维定位子单元,用于通过所述一维图像分类器对每个旋转后的二维医学图像进行一维ROI定位,得到每个一维图像对应的标签;
结果获得子单元,用于将所述旋转后的二维医学图像逆向旋转回所述一维定位方向的初始方向后,获得所述二维医学图像在所述一维定位方向上的一维ROI定位结果,所述一维ROI定位结果包括由标签为第一标签的一维图像组成的区域。
13.根据权利要求12所述的装置,其特征在于,
所述一维定位子单元,具体用于针对每个旋转后的二维医学图像,通过所述一维图像分类器对每个一维图像分别从一维方向的正向进行一维ROI定位,得到第一定位值,以及从一维方向的逆向进行一维ROI定位,得到第二定位值;计算所述每个一维图像的第一定位值和第二定位值的平均值;当所述平均值大于预设阈值时,确定所述一维图像的标签为第一标签,当所述平均值不大于预设阈值时,确定所述一维图像的标签为第二标签。
14.根据权利要求12所述的装置,其特征在于,所述确定单元包括:
交集计算子单元,用于计算所述多个一维ROI定位结果的交集区域;
ROI定位子单元,用于将所述交集区域组成的包围盒定位为所述二维医学图像的ROI。
15.一种定位ROI的设备,其特征在于,所述设备包括:内部总线,以及通过内部总线连接的存储器、处理器和外部接口;其中,
所述外部接口,用于连接二维医学图像的输出设备;
所述存储器,用于存储定位ROI的控制逻辑对应的机器可读指令;
所述处理器,用于获取二维医学图像;
调用所述二维医学图像的一维图像分类器;
通过所述一维图像分类器对所述二维医学图像在多个方向上进行一维ROI定位,得到多个一维ROI定位结果;
根据所述多个一维ROI定位结果,确定所述二维医学图像的ROI;
以及,预先训练一维图像分类器:
获取目标组织的一组二维医学图像;
提取所述一组二维医学图像中每个二维医学图像的图像信息,所述图像信息包括从所述二维医学图像中采样的多个一维图像,每个一维图像是否包含ROI一维元素的标签,以及每个一维图像邻域内的图像特征;
将所述每个二维医学图像的图像信息输入一维图像分类模型进行训练,得到所述目标组织的一维图像分类器;所述一维图像分类器用于在输入所述目标组织的二维医学图像后,输出所述二维医学图像的任一一维图像对应的标签,所述标签包括在一维图像包含ROI一维元素时输出的第一标签,以及在一维图像不包含ROI一维元素时输出的第二标签;
保存所述目标组织的组织名称与训练得到的一维图像分类器的对应关系。
16.一种机器可读存储介质,其特征在于,所述机器可读存储介质上存储有若干计算机指令,所述计算机指令被执行时进行如下处理:
获取二维医学图像;
调用所述二维医学图像的一维图像分类器;
通过所述一维图像分类器对所述二维医学图像在多个方向上进行一维ROI定位,得到多个一维ROI定位结果;
根据所述多个一维ROI定位结果,确定所述二维医学图像的ROI;
以及,预先训练一维图像分类器:
获取目标组织的一组二维医学图像;
提取所述一组二维医学图像中每个二维医学图像的图像信息,所述图像信息包括从所述二维医学图像中采样的多个一维图像,每个一维图像是否包含ROI一维元素的标签,以及每个一维图像邻域内的图像特征;
将所述每个二维医学图像的图像信息输入一维图像分类模型进行训练,得到所述目标组织的一维图像分类器;所述一维图像分类器用于在输入所述目标组织的二维医学图像后,输出所述二维医学图像的任一一维图像对应的标签,所述标签包括在一维图像包含ROI一维元素时输出的第一标签,以及在一维图像不包含ROI一维元素时输出的第二标签;
保存所述目标组织的组织名称与训练得到的一维图像分类器的对应关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710769237.XA CN107610105B (zh) | 2017-08-31 | 2017-08-31 | 定位roi的方法、装置、设备及机器可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710769237.XA CN107610105B (zh) | 2017-08-31 | 2017-08-31 | 定位roi的方法、装置、设备及机器可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107610105A CN107610105A (zh) | 2018-01-19 |
CN107610105B true CN107610105B (zh) | 2020-12-11 |
Family
ID=61056759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710769237.XA Active CN107610105B (zh) | 2017-08-31 | 2017-08-31 | 定位roi的方法、装置、设备及机器可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107610105B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223352B (zh) * | 2019-06-14 | 2021-07-02 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的医学图像扫描自动定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5859891A (en) * | 1997-03-07 | 1999-01-12 | Hibbard; Lyn | Autosegmentation/autocontouring system and method for use with three-dimensional radiation therapy treatment planning |
CN103116904A (zh) * | 2012-10-23 | 2013-05-22 | 北京航空航天大学深圳研究院 | 一种三维模型的二维特征提取系统与提取方法 |
CN104657984A (zh) * | 2015-01-28 | 2015-05-27 | 复旦大学 | 三维超声乳腺全容积图像感兴趣区域的自动提取方法 |
-
2017
- 2017-08-31 CN CN201710769237.XA patent/CN107610105B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5859891A (en) * | 1997-03-07 | 1999-01-12 | Hibbard; Lyn | Autosegmentation/autocontouring system and method for use with three-dimensional radiation therapy treatment planning |
CN103116904A (zh) * | 2012-10-23 | 2013-05-22 | 北京航空航天大学深圳研究院 | 一种三维模型的二维特征提取系统与提取方法 |
CN104657984A (zh) * | 2015-01-28 | 2015-05-27 | 复旦大学 | 三维超声乳腺全容积图像感兴趣区域的自动提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107610105A (zh) | 2018-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2017292642B2 (en) | System and method for automatic detection, localization, and semantic segmentation of anatomical objects | |
EP3355273B1 (en) | Coarse orientation detection in image data | |
US8958614B2 (en) | Image-based detection using hierarchical learning | |
US8437521B2 (en) | Systems and methods for automatic vertebra edge detection, segmentation and identification in 3D imaging | |
US8369593B2 (en) | Systems and methods for robust learning based annotation of medical radiographs | |
JP2018530401A5 (zh) | ||
US8135189B2 (en) | System and method for organ segmentation using surface patch classification in 2D and 3D images | |
US8948484B2 (en) | Method and system for automatic view planning for cardiac magnetic resonance imaging acquisition | |
US9940545B2 (en) | Method and apparatus for detecting anatomical elements | |
CN104240180B (zh) | 一种实现图像自动调整的方法及装置 | |
GB2554641A (en) | Image processing | |
WO2020187705A1 (en) | Feature point detection | |
CN112885453A (zh) | 用于标识后续医学图像中的病理变化的方法和系统 | |
JP5626202B2 (ja) | 正中線決定装置およびプログラム | |
CN110634554A (zh) | 脊椎影像注册方法 | |
CN107610105B (zh) | 定位roi的方法、装置、设备及机器可读存储介质 | |
CN113706514A (zh) | 基于模板图像的病灶定位方法、装置、设备及存储介质 | |
CN113344873A (zh) | 一种血管分割方法、装置及计算机可读介质 | |
CN101313333B (zh) | 创建结构模型的方法 | |
US8831301B2 (en) | Identifying image abnormalities using an appearance model | |
Sreelekshmi et al. | A Review on Multimodal Medical Image Fusion | |
Erdt et al. | Region detection in medical images using HOG classifiers and a body landmark network | |
US20210383547A1 (en) | Medical image processing | |
Nasim et al. | Review on multimodality of different medical image fusion techniques | |
JP2024509039A (ja) | 分類の視覚的説明、方法、システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant after: DongSoft Medical System Co., Ltd. Address before: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant before: Dongruan Medical Systems Co., Ltd., Shenyang |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |