CN107705305A - 一种医学图像处理的方法及装置 - Google Patents
一种医学图像处理的方法及装置 Download PDFInfo
- Publication number
- CN107705305A CN107705305A CN201710986096.7A CN201710986096A CN107705305A CN 107705305 A CN107705305 A CN 107705305A CN 201710986096 A CN201710986096 A CN 201710986096A CN 107705305 A CN107705305 A CN 107705305A
- Authority
- CN
- China
- Prior art keywords
- medical science
- several
- medical
- positions
- machine learning
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种医学图像处理的方法及装置，涉及医疗技术领域，对医学图像进行多目标(器官)分割时进行分层级处理，首先识别医学图像中包含的医学部位，然后再识别医学部位中包含的各类目标，能够提高器官识别的精确度。该方法包括获取原始医学图像；通过机器学习，识别所述原始医学图像中包含的若干个第一医学部位；从所述若干个第一医学部位中确定指定第一医学部位；通过机器学习，识别所述指定第一医学部位中包含的若干个目标。本发明实施例提供的技术方案适用于对医学图像进行多目标分割过程中。
Description
【技术领域】
本发明涉及医疗技术领域，尤其涉及一种医学图像处理的方法及装置。
【背景技术】
图像的分割算法由“传统特征提取”+“分类器”模型逐渐向“深度学习”模型转变，因此基于深度学习的多目标分割算法也正被广泛应用于各个领域。在医学技术领域中，基于深度学习的多目标分割算法主要用于对医学图像进行器官分割。
因为图像中多目标之间没有关联和部位从属信息，传统的多目标分割方法中并没有考虑到层级的概念。因此，典型的多目标图像分割的深度学习算法，均是在预训练网络模型的基础上直接进行多类目标分割的训练。
如此存在如下问题：
若将直接进行多类目标分割的方法，用于解决医学技术领域的器官分割问题，可能会因为待分割的器官较多，而导致器官识别不精确，很容易遗漏器官。
【发明内容】
有鉴于此，本发明实施例提供了一种医学图像处理的方法及装置，对医学图像进行多目标分割时进行分层级处理，提高了器官识别的精确度，减少了器官的识别遗漏。
第一方面，本发明实施例提供一种医学图像处理的方法，所述方法包括：
获取原始医学图像；
通过机器学习，识别所述原始医学图像中包含的若干个第一医学部位；
从所述若干个第一医学部位中确定指定第一医学部位；
通过机器学习，识别所述指定第一医学部位中包含的若干个目标。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述从所述若干个第一医学部位中确定指定第一医学部位之后，所述方法还包括：
通过机器学习，识别所述指定第一医学部位中包含的若干个第二医学部位；
从所述若干个第二医学部位中确定指定第二医学部位；
通过机器学习，识别所述指定第二医学部位中包含的若干个第三医学部位；
从所述若干个第三医学部位中确定指定第三医学部位；
以此类推，通过机器学习，识别所述指定第N-1医学部位中包含的若干个第N医学部位；
从所述若干个第N医学部位中确定指定第N医学部位；
则通过机器学习，识别所述指定第一医学部位中包含的若干个目标，包括，
通过机器学习，识别所述指定第N医学部位中包含的若干个目标；
其中，N为大于1的整数。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述通过机器学习，识别所述指定第一医学部位中包含的若干个目标之后，所述方法还包括：
根据所述识别出的若干个目标，生成并输出分割医学图像。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述获取原始医学图像之后，所述方法还包括：
获取所述若干个目标的在所述第一医学部位中的从属信息。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述方法适用于基于卷积神经网络的人工神经网络模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述基于卷积神经网络的人工神经网络模型包括粗训练网络和精分割网络；
其中，所述粗训练网络用于识别所述原始医学图像中包含的若干个第一医学部位；
所述精分割网络用于识别所述若干个第一医学部位中指定第一医学部位包含的若干个目标。
第二方面，本发明实施例提供一种医学图像处理的装置，所述装置包括：
第一获取单元，用于获取原始医学图像；
第一识别单元，用于通过机器学习，识别所述原始医学图像中包含的若干个第一医学部位；
第一确定单元，用于从所述若干个第一医学部位中确定指定第一医学部位；
第二识别单元，用于通过机器学习，识别所述指定第一医学部位中包含的若干个目标。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述装置还包括：
第三识别单元，用于通过机器学习，识别所述指定第一医学部位中包含的若干个第二医学部位；
第二确定单元，用于从所述若干个第二医学部位中确定指定第二医学部位；
第四识别单元，用于通过机器学习，识别所述指定第二医学部位中包含的若干个第三医学部位；
第三确定单元，用于从所述若干个第三医学部位中确定指定第三医学部位；
以此类推，第N+1识别单元，用于通过机器学习，识别所述指定第N-1医学部位中包含的若干个第N医学部位；
第N确定单元，用于从所述若干个第N医学部位中确定指定第N医学部位；
则所述第二识别单元具体用于，
通过机器学习，识别所述指定第N医学部位中包含的若干个目标；
其中，N为大于1的整数。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述装置还包括：
处理单元，用于根据所述识别出的若干个目标，生成并输出分割医学图像。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述装置还包括：
第二获取单元，用于获取所述若干个目标在所述第一医学部位中的从属信息。
第三方面，本发明实施例提供一种医学图像处理的装置，所述装置包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述装置实现如上所述的方法。
本发明实施例提供了一种医学图像处理的方法及装置，对医学图像进行多目标(器官)分割时进行分层级处理，通过机器学习，首先识别医学图像中包含的第一医学部位，然后再识别第一医学部位中包含的各类目标。本发明实施例提供的这种由“粗”到“精”的多目标识别分割方法，相对于现有技术中直接进行多目标分割来说，提高了器官识别的精确度，减少了器官的识别遗漏。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，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它的附图。
图1是本发明实施例提供的一种医学图像处理的方法流程图；
图2是本发明实施例提供的另一种医学图像处理的方法流程图；
图3是本发明实施例提供的另一种医学图像处理的方法流程图；
图4是本发明实施例提供的另一种医学图像处理的方法流程图；
图5是本发明实施例提供的一种医学图像处理的装置组成框图；
图6是本发明实施例提供的另一种医学图像处理的装置组成框图；
图7是本发明实施例提供的另一种医学图像处理的装置组成框图；
图8是本发明实施例提供的另一种医学图像处理的装置组成框图；
图9是本发明实施例提供的一种医学图像处理的实体装置组成图。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅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，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，尽管在本发明实施例中可能采用术语第一、第二来描述识别单元、确定单元，但这些单元不应限于这些术语。这些术语仅用来将单元彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一识别单元也可以被称为第二识别单元，类似地，第二识别单元也可以被称为第一识别单元。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本发明实施例提供了一种医学图像处理的方法，适用于对医学图像进行多目标分割过程中，如图1所示，所述方法包括：
101、获取原始医学图像。
其中，原始医学图像可以是二维或三维的所有类型医学图像，比如DX(Digital X-ray，数字化X线摄影)图像，CT(Computed Tomography，电子计算机断层扫描)图像、MR(Magnetic Resonance，磁共振)图像、PET(Positron Emission Tomography，正电子发射体层显像)图像等。医学图像中存在医学大部位、器官等层级从属关系。
102、通过机器学习，识别所述原始医学图像中包含的若干个第一医学部位。
其中，第一医学部位指的是按照一定的规则将原始医学图像划分的若干个医学部位。基于医学图像进一步说明，例一，医学图像若是对整个人体进行扫描后得到的图像，人体图像包括若干个第一医学部位，比如头部、四肢、胸部、腹部等。例二，医学图像若是对人的上半身进行扫描后得到的图像，上半身图像包含若干个第一医学部位，比如左上肢、右上肢、头部、胸部、腹部等。例三，医学图像若是对人的头部进行扫描后得到的图像，头部图像包含若干个第一医学部位，比如眼睛区、鼻子区、嘴巴区、脸颊区、额头区、下巴区等。
103、从所述若干个第一医学部位中确定指定第一医学部位。
其中，所述指定第一医学部位指的是包含待分割目标的医学部位。比如待分割的目标是左手所有指骨，则基于上述例一，指定第一医学部位是四肢；基于上述例二，指定第一医学部位是左上肢；再比如待分割的目标是所有指骨，则基于上述例一，指定第一医学部位是四肢；基于上述例二，指定第一医学部位是左上肢和右上肢，所述指定第一医学部位中包含待分割的多个目标。
104、通过机器学习，识别所述指定第一医学部位中包含的若干个目标。
当给定一张医学图像以后，系统首先会识别该医学图像中包含的若干个第一医学部位，参步骤102；然后，在步骤104中，识别指定第一医学部位包含的待分割的多个目标。也就是在训练过程中，首先把待分割的多个器官(待分割的多个目标)作为一个第一医学部位来进行粗训练，当然这个第一医学部位在包含所有待分割的多个器官之外，还可以包含其他器官；然后在对若干个第一医学部位的训练完成之后，再在粗训练网络的后面加入精分割网络，对指定第一医学部位中待分割的多个器官进行分别的训练。这种两步走的智能训练算法收敛更快、泛华能力更好。
本发明实施例提供了一种医学图像处理的方法，对医学图像进行多目标(器官)分割时进行分层级处理，通过机器学习，首先识别医学图像中包含的第一医学部位，然后再识别第一医学部位中包含的各类目标。本发明实施例提供的这种由“粗”到“精”的多目标识别分割方法，相对于现有技术中直接进行多类目标分割来说，提高了器官识别的精确度，减少了器官的识别遗漏。
需要说明的是，本发明实施例提供的方法适用于FCN(Fully ConvolutionalNetworks，全卷积神经网络)、Unet(U型网络)或Vnet(V型网络)等各类基于卷积神经网络的人工神经网络模型，所述基于卷积神经网络的人工神经网络模型可以包括粗训练网络和精分割网络。基于本发明实施例所提供的技术方案，所述粗训练网络用于识别所述原始医学图像中包含的若干个第一医学部位；所述精分割网络用于识别所述若干个第一医学部位中指定第一医学部位包含的若干个目标。
进一步来说，结合前述方法流程，对医学图像进行多目标分割时进行分层级处理，有可能不只有第一医学部位、待分割的多个目标这两层级，即有可能在第一医学部位和待分割的多目标之间还有多个中间层级，因此本发明实施例的另一种可能的实现方式还提供了以下方法流程，执行在步骤103之后，如图2所示，包括：
105、通过机器学习，识别所述指定第一医学部位中包含的若干个第二医学部位。
其中，第二医学部位指的是按照一定的规则将指定第一医学部位划分的若干个医学部位。基于医学图像进一步说明，上述例一中，若指定第一医学部位是四肢，则包含的若干个第二医学部位可以是左上肢、右上肢、左下肢和右下肢等。上述例二中，若指定第一医学部位是左上肢，则包含的若干个第二医学部位可以是左前肢、左后肢、左手掌等。
106、从所述若干个第二医学部位中确定指定第二医学部位。
其中，指定第二医学部位指的是包含待分割目标的医学部位。比如待分割的目标是左手所有指骨，则基于步骤105的举例，则指定第二医学部位是左上肢(例一)或左手掌(例二)。
107、通过机器学习，识别所述指定第二医学部位中包含的若干个第三医学部位。
108、从所述若干个第三医学部位中确定指定第三医学部位。
109、以此类推，通过机器学习，识别所述指定第N-1医学部位中包含的若干个第N医学部位。
其中，N为大于1的整数。
110、从所述若干个第N医学部位中确定指定第N医学部位。
对于第三医学部位、第四医学部位……第N医学部位此处不在一一举例说明，基于范围对各医学部位进一步说明，指定第一医学部位包含若干个第二医学部位，指定第二医学部位包含若干个第三医学部位，指定第三医学部位包含若干个第四医学部位……指定第N-1医学部位包含若干个第N医学部位，指定第N医学部位包含待分割的多个目标。
则步骤104具体执行为，
1041、通过机器学习，识别所述指定第N医学部位中包含的若干个目标。
基于分层级思想，每个较大的医学部位包含稍小些的医学部位，稍小些的医学部位又包括更小的医学部位，比如四肢包含左上肢，进一步的，左上肢又包含左手掌，进一步的，左手掌又包含手骨，进一步的，手骨又包含指骨，对医学图像进行多目标分割处理，由粗到精循序渐进，识别器官时更加精确。
需要说明的是，在进行如步骤105到步骤110的多层级处理时，所述粗训练网络还用于识别所述原始医学图像中包含的第二医学部位、第三医学部位…第N-1医学部位、第N医学部位；所述精分割网络还用于识别指定第N医学部位包含的若干个目标。
进一步来说，结合前述方法流程，在识别出待分割的若干个目标后，还需要输出对原始医学图像进行分割后的图像，因此本发明实施例的另一种可能的实现方式还提供了以下方法流程，执行在步骤104之后，如图3所示，包括：
111、根据所述识别出的若干个目标，生成并输出分割医学图像。
其中，分割医学图像指的是对原始医学图像进行目标分割后得到的图像。
进一步来说，结合前述方法流程，在获取原始医学图像后，还需要确定待分割的多个目标所属的第一医学部位，以此才可以由“粗”到“细”从较大的第一医学部位到较小的多个目标进行识别。因此本发明实施例的另一种可能的实现方式还提供了以下方法流程，执行在步骤101之后，如图4所示，包括：
112、获取所述若干个目标在所述第一医学部位中的从属信息。
其中，若干个目标在所述第一医学部位中的从属信息可以指示若干个目标所属的第一医学部位。
需要说明的是，在进行如步骤105到步骤110的多层级处理时，步骤112不限于获取若干个目标在所述第一医学部位中的从属信息，应是获取若干个目标在所述各层级医学部位中的从属信息，即可以指示若干个目标依次所属的第一医学部位、第二医学部位、第三医学部位......第N-1医学部位、第N医学部位。比如，第一医学部位是四肢，第二医学部位左上肢从属于四肢，进一步的，第三医学部位左手掌从属于左上肢，进一步的，第四医学部位左手骨从属于左手掌，进一步的，第五医学部位左指骨从属于左手骨。
本发明实施例提供一种医学图像处理的装置，适用于上述方法流程，如图5所示，所述装置包括：
第一获取单元21，用于获取原始医学图像。
第一识别单元22，用于通过机器学习，识别所述原始医学图像中包含的若干个第一医学部位。
第一确定单元23，用于从所述若干个第一医学部位中确定指定第一医学部位。
第二识别单元24，用于通过机器学习，识别所述指定第一医学部位中包含的若干个目标。
可选的是，如图6所示，所述装置还包括：
第三识别单元25，用于通过机器学习，识别所述指定第一医学部位中包含的若干个第二医学部位。
第二确定单元26，用于从所述若干个第二医学部位中确定指定第二医学部位。
第四识别单元27，用于通过机器学习，识别所述指定第二医学部位中包含的若干个第三医学部位。
第三确定单元28，用于从所述若干个第三医学部位中确定指定第三医学部位。
以此类推，第N+1识别单元29，用于通过机器学习，识别所述指定第N-1医学部位中包含的若干个第N医学部位。
第N确定单元30，用于从所述若干个第N医学部位中确定指定第N医学部位。
则所述第二识别单元24具体用于，通过机器学习，识别所述指定第N医学部位中包含的若干个目标；其中，N为大于1的整数。
可选的是，如图7所示，所述装置还包括：
处理单元31，用于根据所述识别出的若干个目标，生成并输出分割医学图像。
可选的是，如图8所示，所述装置还包括：
第二获取单元32，用于获取所述若干个目标在所述第一医学部位中的从属信息。
本发明实施例提供了一种医学图像处理的装置，如图9所示，所述装置包括处理器41以及存储器42；所述存储器42用于存储指令，所述指令被所述处理器41执行时，导致所述装置实现如上所述的方法。
本发明实施例提供了一种医学图像处理的装置，对医学图像进行多目标(器官)分割时进行分层级处理，通过机器学习，首先识别医学图像中包含的第一医学部位，然后再识别第一医学部位中包含的各类目标。本发明实施例提供的这种由“粗”到“精”的多目标识别分割方法，相对于现有技术中直接进行多类目标分割来说，提高了器官识别的精确度，减少了器官的识别遗漏。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (10)
1.一种医学图像处理的方法，其特征在于，所述方法包括：
获取原始医学图像；
通过机器学习，识别所述原始医学图像中包含的若干个第一医学部位；
从所述若干个第一医学部位中确定指定第一医学部位；
通过机器学习，识别所述指定第一医学部位中包含的若干个目标。
2.根据权利要求1所述的方法，其特征在于，在所述从所述若干个第一医学部位中确定指定第一医学部位之后，所述方法还包括：
通过机器学习，识别所述指定第一医学部位中包含的若干个第二医学部位；
从所述若干个第二医学部位中确定指定第二医学部位；
通过机器学习，识别所述指定第二医学部位中包含的若干个第三医学部位；
从所述若干个第三医学部位中确定指定第三医学部位；
以此类推，通过机器学习，识别所述指定第N-1医学部位中包含的若干个第N医学部位；
从所述若干个第N医学部位中确定指定第N医学部位；
则通过机器学习，识别所述指定第一医学部位中包含的若干个目标，包括，
通过机器学习，识别所述指定第N医学部位中包含的若干个目标；
其中，N为大于1的整数。
3.根据权利要求1所述的方法，其特征在于，在所述通过机器学习，识别所述指定第一医学部位中包含的若干个目标之后，所述方法还包括：
根据所述识别出的若干个目标，生成并输出分割医学图像。
4.根据权利要求1所述的方法，其特征在于，在所述获取原始医学图像之后，所述方法还包括：
获取所述若干个目标在所述第一医学部位中的从属信息。
5.根据权利要求1所述的方法，其特征在于，所述方法适用于基于卷积神经网络的人工神经网络模型。
6.根据权利要求5所述的方法，其特征在于，所述基于卷积神经网络的人工神经网络模型包括粗训练网络和精分割网络；
其中，所述粗训练网络用于识别所述原始医学图像中包含的若干个第一医学部位；
所述精分割网络用于识别所述若干个第一医学部位中指定第一医学部位包含的若干个目标。
7.一种医学图像处理的装置，其特征在于，所述装置包括：
第一获取单元，用于获取原始医学图像；
第一识别单元，用于通过机器学习，识别所述原始医学图像中包含的若干个第一医学部位；
第一确定单元，用于从所述若干个第一医学部位中确定指定第一医学部位；
第二识别单元，用于通过机器学习，识别所述指定第一医学部位中包含的若干个目标。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
第三识别单元，用于通过机器学习，识别所述指定第一医学部位中包含的若干个第二医学部位；
第二确定单元，用于从所述若干个第二医学部位中确定指定第二医学部位；
第四识别单元，用于通过机器学习，识别所述指定第二医学部位中包含的若干个第三医学部位；
第三确定单元，用于从所述若干个第三医学部位中确定指定第三医学部位；
以此类推，第N+1识别单元，用于通过机器学习，识别所述指定第N-1医学部位中包含的若干个第N医学部位；
第N确定单元，用于从所述若干个第N医学部位中确定指定第N医学部位；
则所述第二识别单元具体用于，
通过机器学习，识别所述指定第N医学部位中包含的若干个目标；
其中，N为大于1的整数。
9.根据权利要求7所述的装置，其特征在于，所述装置还包括：
处理单元，用于根据所述识别出的若干个目标，生成并输出分割医学图像。
10.一种医学图像处理的装置，其特征在于，所述装置包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述装置实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710986096.7A CN107705305A (zh) | 2017-10-20 | 2017-10-20 | 一种医学图像处理的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710986096.7A CN107705305A (zh) | 2017-10-20 | 2017-10-20 | 一种医学图像处理的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107705305A true CN107705305A (zh) | 2018-02-16 |
Family
ID=61182055
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710986096.7A Pending CN107705305A (zh) | 2017-10-20 | 2017-10-20 | 一种医学图像处理的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107705305A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108309251A (zh) * | 2018-03-20 | 2018-07-24 | 清华大学 | 基于深度神经网络的定量光声成像方法 |
| CN109308477A (zh) * | 2018-09-21 | 2019-02-05 | 北京连心医疗科技有限公司 | 一种基于粗分类的医学影像自动分割方法、设备和存储介质 |
| CN109509179A (zh) * | 2018-10-24 | 2019-03-22 | 深圳市旭东数字医学影像技术有限公司 | 基于医学图像的眼球和晶状体的自动分割方法及系统 |
| CN109727235A (zh) * | 2018-12-26 | 2019-05-07 | 苏州雷泰医疗科技有限公司 | 一种基于深度学习的器官自动勾画算法 |
| CN109949321A (zh) * | 2019-03-26 | 2019-06-28 | 电子科技大学 | 基于三维Unet网络的脑部核磁共振图像组织分割方法 |
| CN110033020A (zh) * | 2019-03-07 | 2019-07-19 | 李胜利 | 基于深度学习的胎儿超声图像中标准切面图像识别方法及识别系统 |
| CN110189324A (zh) * | 2019-06-05 | 2019-08-30 | 桂林电子科技大学 | 一种医学图像处理方法及处理装置 |
| CN110276762A (zh) * | 2018-03-15 | 2019-09-24 | 北京大学 | 一种多b值扩散加权腹部磁共振成像的呼吸运动全自动校正方法 |
| CN110415252A (zh) * | 2018-04-26 | 2019-11-05 | 北京连心医疗科技有限公司 | 一种基于cnn的眼周器官分割方法、设备和存储介质 |
| WO2020001086A1 (zh) * | 2018-06-28 | 2020-01-02 | 深圳先进技术研究院 | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 |
| CN110689551A (zh) * | 2019-10-14 | 2020-01-14 | 慧影医疗科技（北京）有限公司 | 四肢骨分割方法、装置、电子设备及可读存储介质 |
| CN111128348A (zh) * | 2019-12-27 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
| CN115619763A (zh) * | 2022-10-31 | 2023-01-17 | 国网湖北省电力有限公司超高压公司 | 基于多级推理检测的输电线路小部件图像目标检测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及系统 |
| US20100232686A1 (en) * | 2009-03-16 | 2010-09-16 | Siemens Medical Solutions Usa, Inc. | Hierarchical deformable model for image segmentation |
| US20120230572A1 (en) * | 2011-03-10 | 2012-09-13 | Siemens Molecular Imaging Limited | Method and System for Multi-Organ Segmentation Using Learning-Based Segmentation and Level Set Optimization |
| CN105427273A (zh) * | 2014-09-19 | 2016-03-23 | 香港中文大学深圳研究院 | 一种基于核磁共振影像的腹部脂肪分割方法和装置 |
| CN105976367A (zh) * | 2016-04-29 | 2016-09-28 | 上海联影医疗科技有限公司 | 图像分割方法、肺结节检测方法及其计算机辅助检测系统 |
| CN106204587A (zh) * | 2016-05-27 | 2016-12-07 | 孔德兴 | 基于深度卷积神经网络和区域竞争模型的多器官分割方法 |
| CN106355586A (zh) * | 2016-08-31 | 2017-01-25 | 黑龙江拓盟科技有限公司 | 一种人体胸部器官组织的自动提取方法 |
| US20170091574A1 (en) * | 2014-05-16 | 2017-03-30 | The Trustees Of The University Of Pennsylvania | Applications of automatic anatomy recognition in medical tomographic imagery based on fuzzy anatomy models |
| CN107103187A (zh) * | 2017-04-10 | 2017-08-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及系统 |
| CN107256558A (zh) * | 2017-05-18 | 2017-10-17 | 深思考人工智能机器人科技（北京）有限公司 | 一种无监督式的宫颈细胞图像自动分割方法及系统 |
-
2017
- 2017-10-20 CN CN201710986096.7A patent/CN107705305A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100232686A1 (en) * | 2009-03-16 | 2010-09-16 | Siemens Medical Solutions Usa, Inc. | Hierarchical deformable model for image segmentation |
| CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及系统 |
| US20120230572A1 (en) * | 2011-03-10 | 2012-09-13 | Siemens Molecular Imaging Limited | Method and System for Multi-Organ Segmentation Using Learning-Based Segmentation and Level Set Optimization |
| US20170091574A1 (en) * | 2014-05-16 | 2017-03-30 | The Trustees Of The University Of Pennsylvania | Applications of automatic anatomy recognition in medical tomographic imagery based on fuzzy anatomy models |
| CN105427273A (zh) * | 2014-09-19 | 2016-03-23 | 香港中文大学深圳研究院 | 一种基于核磁共振影像的腹部脂肪分割方法和装置 |
| CN105976367A (zh) * | 2016-04-29 | 2016-09-28 | 上海联影医疗科技有限公司 | 图像分割方法、肺结节检测方法及其计算机辅助检测系统 |
| CN106204587A (zh) * | 2016-05-27 | 2016-12-07 | 孔德兴 | 基于深度卷积神经网络和区域竞争模型的多器官分割方法 |
| CN106355586A (zh) * | 2016-08-31 | 2017-01-25 | 黑龙江拓盟科技有限公司 | 一种人体胸部器官组织的自动提取方法 |
| CN107103187A (zh) * | 2017-04-10 | 2017-08-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及系统 |
| CN107256558A (zh) * | 2017-05-18 | 2017-10-17 | 深思考人工智能机器人科技（北京）有限公司 | 一种无监督式的宫颈细胞图像自动分割方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| R. TRULLO ET AL: "Segmentation of Organs at Risk in thoracic CT images using a SharpMask architecture and Conditional Random Fields", 《2017 IEEE 14TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI 2017)》 * |
| 李彬: "基于模糊随机模型的磁共振脑部图像分割算法研究", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110276762A (zh) * | 2018-03-15 | 2019-09-24 | 北京大学 | 一种多b值扩散加权腹部磁共振成像的呼吸运动全自动校正方法 |
| CN108309251A (zh) * | 2018-03-20 | 2018-07-24 | 清华大学 | 基于深度神经网络的定量光声成像方法 |
| CN110415252A (zh) * | 2018-04-26 | 2019-11-05 | 北京连心医疗科技有限公司 | 一种基于cnn的眼周器官分割方法、设备和存储介质 |
| CN110415252B (zh) * | 2018-04-26 | 2022-08-05 | 北京连心医疗科技有限公司 | 一种基于cnn的眼周器官分割方法、设备和存储介质 |
| WO2020001086A1 (zh) * | 2018-06-28 | 2020-01-02 | 深圳先进技术研究院 | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 |
| CN109308477A (zh) * | 2018-09-21 | 2019-02-05 | 北京连心医疗科技有限公司 | 一种基于粗分类的医学影像自动分割方法、设备和存储介质 |
| CN109509179A (zh) * | 2018-10-24 | 2019-03-22 | 深圳市旭东数字医学影像技术有限公司 | 基于医学图像的眼球和晶状体的自动分割方法及系统 |
| CN109509179B (zh) * | 2018-10-24 | 2023-03-28 | 深圳市旭东数字医学影像技术有限公司 | 基于医学图像的眼球和晶状体的自动分割方法及系统 |
| CN109727235B (zh) * | 2018-12-26 | 2021-05-11 | 苏州雷泰医疗科技有限公司 | 一种基于深度学习的器官自动勾画算法 |
| CN109727235A (zh) * | 2018-12-26 | 2019-05-07 | 苏州雷泰医疗科技有限公司 | 一种基于深度学习的器官自动勾画算法 |
| CN110033020A (zh) * | 2019-03-07 | 2019-07-19 | 李胜利 | 基于深度学习的胎儿超声图像中标准切面图像识别方法及识别系统 |
| CN109949321A (zh) * | 2019-03-26 | 2019-06-28 | 电子科技大学 | 基于三维Unet网络的脑部核磁共振图像组织分割方法 |
| CN110189324A (zh) * | 2019-06-05 | 2019-08-30 | 桂林电子科技大学 | 一种医学图像处理方法及处理装置 |
| CN110189324B (zh) * | 2019-06-05 | 2023-09-08 | 桂林电子科技大学 | 一种医学图像处理方法及处理装置 |
| CN110689551B (zh) * | 2019-10-14 | 2020-07-17 | 慧影医疗科技（北京）有限公司 | 四肢骨分割方法、装置、电子设备及可读存储介质 |
| CN110689551A (zh) * | 2019-10-14 | 2020-01-14 | 慧影医疗科技（北京）有限公司 | 四肢骨分割方法、装置、电子设备及可读存储介质 |
| CN111128348A (zh) * | 2019-12-27 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
| CN111128348B (zh) * | 2019-12-27 | 2024-03-26 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
| CN115619763A (zh) * | 2022-10-31 | 2023-01-17 | 国网湖北省电力有限公司超高压公司 | 基于多级推理检测的输电线路小部件图像目标检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107705305A (zh) | 一种医学图像处理的方法及装置 | |
| CN111476292B (zh) | 医学图像分类处理人工智能的小样本元学习训练方法 | |
| CN108921851B (zh) | 一种基于3d对抗网络的医学ct图像分割方法 | |
| Fidon et al. | Generalized wasserstein dice score, distributionally robust deep learning, and ranger for brain tumor segmentation: BraTS 2020 challenge | |
| CN106339571A (zh) | 用于分类医学图像数据组的人工神经网络 | |
| CN107622493A (zh) | 用于分割医学图像中的对象的方法和数据处理单元 | |
| CN110533639B (zh) | 一种关键点定位方法及装置 | |
| KR20180064863A (ko) | 딥러닝을 이용한 수완부 방사선 영상으로부터 골 성숙도(ｓｍｉ) 자동 분석방법 | |
| CN112069730B (zh) | 一种3d打印的立体曲线获取方法及装置 | |
| CN110472737A (zh) | 神经网络模型的训练方法、装置和医学图像处理系统 | |
| CN108804718A (zh) | 数据推送方法、装置、电子设备及计算机可读存储介质 | |
| US10762629B1 (en) | Segmenting medical images | |
| CN109215014A (zh) | Ct图像预测模型的训练方法、装置、设备及存储介质 | |
| CN109544511A (zh) | 基于粒子群算法优化的卷积神经网络对肺结节识别的方法 | |
| Lv et al. | Automatic segmentation of temporal bone structures from clinical conventional CT using a CNN approach | |
| CN107491633A (zh) | 一种图像处理的方法及装置 | |
| CN111144449B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| CN112396606A (zh) | 一种基于用户交互的医学图像分割方法、系统和装置 | |
| Chauhan et al. | Convolution neural network for effective burn region segmentation of color images | |
| Santhirasekaram et al. | Vector quantisation for robust segmentation | |
| EP3371617A1 (en) | Method for tissue classification, computer program product and magnetic resonance imaging system | |
| CN111724360B (zh) | 一种肺叶分割方法、装置和存储介质 | |
| WO2021052150A1 (zh) | 放疗计划推荐方法、装置、电子设备及存储介质 | |
| Barstugan et al. | Automatic liver segmentation in abdomen CT images using SLIC and AdaBoost algorithms | |
| CN108597589A (zh) | 模型生成方法、目标检测方法及医学成像系统 |
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: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180216 |
|
| RJ01 | Rejection of invention patent application after publication |