CN108564566B - 医学成像处理方法、装置以及图像处理设备 - Google Patents

医学成像处理方法、装置以及图像处理设备 Download PDF

Info

Publication number
CN108564566B
CN108564566B CN201810200395.8A CN201810200395A CN108564566B CN 108564566 B CN108564566 B CN 108564566B CN 201810200395 A CN201810200395 A CN 201810200395A CN 108564566 B CN108564566 B CN 108564566B
Authority
CN
China
Prior art keywords
image
sub
lung nodule
target
determining
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
Application number
CN201810200395.8A
Other languages
English (en)
Other versions
CN108564566A (zh
Inventor
韩冬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neusoft Medical Systems Co Ltd
Original Assignee
Neusoft Medical Systems Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Neusoft Medical Systems Co Ltd filed Critical Neusoft Medical Systems Co Ltd
Priority to CN201810200395.8A priority Critical patent/CN108564566B/zh
Publication of CN108564566A publication Critical patent/CN108564566A/zh
Application granted granted Critical
Publication of CN108564566B publication Critical patent/CN108564566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种医学成像处理方法、装置以及图像处理设备，该方法包括：将待检测医学成像分割成两个以上第一子图像；针对每一所述第一子图像，确定所述第一子图像中是否存在肺结节；若所述第一子图像中存在肺结节，则在所述待检测医学成像中确定第二子图像，其中，所述第二子图像的中心位置位于所述第一子图像中；确定所述第二子图像的中心位置处是否存在肺结节。应用该方法，可以提高基于医学成像检测肺结节的准确度以及效率，实现准确地定位肺结节所在位置。

Description

医学成像处理方法、装置以及图像处理设备
技术领域
本申请涉及图像处理技术领域，尤其涉及一种医学成像处理方法、装置以及图像处理设备。
背景技术
目前，在所有的癌症死亡病例中，肺癌死亡病例所占比例已超过35％，并呈逐年上升趋势，而临床研究表明，若可以实现对肺癌患者的早期诊断、早期治疗，可以有效提高肺癌患者的生存率，因此，对肺癌的早期诊断、早期治疗具有重要意义，而肺结节作为肺癌的早期重要表征，也就受到越来越多地关注。
现有技术中，基于医学成像，例如CT(Computed Tomography)图像、核磁共振图像等检测肺结节的过程包含两个步骤，依次为疑似结节筛选、假阳性去除，其中，疑似结节筛选是基于肺结节的像素值大于肺组织中其他区域的像素值这一原理，采用阈值分割方法提取出疑似肺结节，假阳性去除则是采用机器学习方法对每一个疑似肺结节进行判定，最终识别出真实肺结节。
然而，在疑似结节筛选这一步骤中，所采用的阈值通常是基于经验值设置的，若设置的阈值较大，则无法筛选出像素值较低的磨玻璃结节，从而导致肺结节检测结果的准确度较低；若设置的阈值较小，则会将诸多的非结节区域筛选为疑似肺结节，从而将增加后续假阳性去除这一步骤的处理难度，由此可见，现有技术中基于医学成像检测肺结节的准确度较低，效率也较低。
发明内容
有鉴于此，本申请提供一种医学成像处理方法、装置以及图像处理设备，以提高基于医学成像检测肺结节的准确度以及效率，实现准确地定位肺结节所在位置。
具体地，本申请是通过如下技术方案实现的：
根据本申请实施例的第一方面，提供一种医学成像处理方法，所述方法包括：
将待检测医学成像分割成两个以上第一子图像；
针对每一所述第一子图像，确定所述第一子图像中是否存在肺结节；
若所述第一子图像中存在肺结节，则在所述待检测医学成像中确定第二子图像，其中，所述第二子图像的中心位置位于所述第一子图像中；
通过已训练的第二分类器确定所述第二子图像的中心位置处是否存在肺结节。
可选的，所述方法还包括：
基于第一预设训练集获取第一正样本与第一负样本，其中，所述第一预设训练集中的每一幅医学成像中均存在肺结节，所述第一正样本中存在肺结节，所述第一负样本中不存在肺结节；
分别提取所述第一正样本与所述第一负样本的图像特征；
通过所述第一正样本、所述第一负样本，以及所述第一正样本与所述第一负样本的图像特征对预设的第一分类器进行训练，得到已训练的第一分类器，所述第一分类器的输入是医学成像，输出是医学成像中是否存在肺结节；
所述针对每一所述第一子图像，确定所述第一子图像中是否存在肺结节，包括：
针对每一所述第一子图像，通过所述第一分类器确定所述第一子图像中是否存在肺结节。
可选的，所述方法还包括：
基于第二预设训练集获取第二正样本与第二负样本，其中，所述第二预设训练集中的每一幅医学成像中均存在肺结节，所述第二正样本的中心位置处存在肺结节，所述第二负样本中不存在肺结节；
分别提取所述第二正样本与所述第二负样本的图像特征；
通过所述第二正样本、所述第二负样本，以及所述第二正样本与所述第二负样本的图像特征对预设的第二分类器进行训练，得到已训练的第二分类器，所述第二分类器的输入是医学成像，输出是医学成像的中心位置处是否存在肺结节；
所述确定所述第二子图像的中心位置处是否存在肺结节，包括：
通过所述第二分类器确定所述第二子图像的中心位置处是否存在肺结节。
可选的，所述在所述待检测医学成像中确定第二子图像，包括：
在所述第一子图像中选取至少一个目标像素点；
针对每一所述目标像素点，在所述待检测医学成像中提取第一预设大小的矩形图像块作为所述目标像素点对应的第二子图像，其中，所述目标像素点位于所述第二子图像的中心位置处。
可选的，所述在所述第一子图像中选取至少一个目标像素点，包括：
将所述第一子图像平均分割成两个以上第二预设大小的第三子图像；
将每一所述第三子图像中心位置处的像素点确定为目标像素点。
可选的，在所述通过已训练的第二分类器确定所述第二子图像的中心位置处是否存在肺结节之后，所述方法还包括：
获取中心位置处存在肺结节的目标第二子图像；
确定所述目标第二子图像对应的目标第三子图像，其中，所述目标第三子图像的中心位置与其对应的目标第二子图像的中心位置相重合；
确定所有的所述目标第三子图像中是否存在相接的目标第三子图像；
若存在，则将所述相接的目标第三子图像拼接而成的图像块的中心位置确定为肺结节所在位置。
根据本申请实施例的第二方面，提供一种医学成像处理装置，所述装置包括：
图像分割模块，用于将待检测医学成像分割成两个以上第一子图像；
第一确定模块，用于针对每一所述第一子图像，确定所述第一子图像中是否存在肺结节；
第一图像确定模块，用于若所述第一子图像中存在肺结节，则在所述待检测医学成像中确定第二子图像，其中，所述第二子图像的中心位置位于所述第一子图像中；
第二确定模块，用于确定所述第二子图像的中心位置处是否存在肺结节。
可选的，所述装置还包括：
第一样本获取模块，用于基于第一预设训练集获取第一正样本与第一负样本，其中，所述第一预设训练集中的每一幅医学成像中均存在肺结节，所述第一正样本中存在肺结节，所述第一负样本中不存在肺结节；
第一特征提取模块，用于分别提取所述第一正样本与所述第一负样本的图像特征；
第一训练模块，用于通过所述第一正样本、所述第一负样本，以及所述第一正样本与所述第一负样本的图像特征对预设的第一分类器进行训练，得到已训练的第一分类器，所述第一分类器的输入是医学成像，输出是医学成像中是否存在肺结节；
所述第一确定模块具体用于：针对每一所述第一子图像，通过所述第一分类器确定所述第一子图像中是否存在肺结节。
可选的，所述装置还包括：
第二样本获取模块，用于基于第二预设训练集获取第二正样本与第二负样本，其中，所述第二预设训练集中的每一幅医学成像中均存在肺结节，所述第二正样本的中心位置处存在肺结节，所述第二负样本中不存在肺结节；
第二特征提取模块，用于分别提取所述第二正样本与所述第二负样本的图像特征；
第二训练模块，用于通过所述第二正样本、所述第二负样本，以及所述第二正样本与所述第二负样本的图像特征对预设的第二分类器进行训练，得到已训练的第二分类器，所述第二分类器的输入是医学成像，输出是医学成像的中心位置处是否存在肺结节；
所述第二确定模块具体用于：通过所述第二分类器确定所述第二子图像的中心位置处是否存在肺结节。
可选的，所述图像确定模块包括：
选取子模块，用于在所述第一子图像中选取至少一个目标像素点；
图像提取子模块，用于针对每一所述目标像素点，在所述待检测医学成像中提取第一预设大小的矩形图像块作为所述目标像素点对应的第二子图像，其中，所述目标像素点位于所述第二子图像的中心位置处。
可选的，所述选取子模块包括：
图像分割子模块，用于将所述第一子图像平均分割成两个以上第二预设大小的第三子图像；
目前确定子模块，用于将每一所述第三子图像中心位置处的像素点确定为目标像素点。
可选的，所述装置还包括：
图像获取模块，用于获取中心位置处存在肺结节的目标第二子图像；
第二图像确定模块，用于确定所述目标第二子图像对应的目标第三子图像，其中，所述目标第三子图像的中心位置与其对应的目标第二子图像的中心位置相重合；
相接判断模块，用于确定所有的所述目标第三子图像中是否存在相接的目标第三子图像；
位置确定模块，用于若存在，则将所述相接的目标第三子图像拼接而成的图像块的中心位置确定为肺结节所在位置。
根据本申请实施例的第三方面，提供一种图像处理设备，包括：内部总线，以及通过内部总线连接的存储器、处理器；其中，
所述存储器，用于存储医学成像处理的控制逻辑对应的机器可读指令；
所述处理器，用于读取所述存储器上的所述机器可读指令，并执行所述指令以实现如下操作：
将待检测医学成像分割成两个以上第一子图像；
针对每一所述第一子图像，确定所述第一子图像中是否存在肺结节；
若所述第一子图像中存在肺结节，则在所述待检测医学成像中确定第二子图像，其中，所述第二子图像的中心位置位于所述第一子图像中；
确定所述第二子图像的中心位置处是否存在肺结节。
由上述实施例可见，通过将待检测医学成像分割成两个以上第一子图像，确定该第一子图像中是否存在肺结节，得到存在肺结节的第一子图像，通过该种处理，可以缩小后续定位肺结节的范围，也即提高定位肺结节的效率；进一步，针对存在肺结节的第一子图像，在待检测医学成像中确定第二子图像，其中，第二子图像的中心位置位于第一子图像中，确定第二子图像的中心位置处是否存在肺结节，若存在肺结节，则可以确定肺结节所在位置即为第二子图像的中心位置处。由此可见，通过该种处理，可以提高基于医学成像检测肺结节的准确度以及效率，实现准确地定位肺结节所在位置。
附图说明
图1为本申请一示例性实施例提供的医学成像处理方法的一个实施例流程图；
图2为待检测医学成像的一种示例；
图3为对图2所示例的待检测医学成像处理效果的一种示例；
图4为本申请一示例性实施例提供的医学成像处理方法的另一个实施例流程图；
图5为肺结节检测结果的一种示例；
图6为本申请一示例性实施例提供的医学成像处理方法的再一个实施例流程图；
图7为本申请一示例性实施例提供的医学成像处理方法的又一个实施例流程图；
图8为本申请一示例性实施例提供的医学成像处理装置的一个实施框图；
图9为本申请图像处理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。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请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。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。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”。
本申请提供一种医学成像处理方法，在该方法中，针对一幅医学成像进行肺结节检测时，首先确定该医学成像中存在肺结节的图像块，然后，仅针对该存在肺结节的图像块，确定该图像块的中心位置处是否存在肺结节。由此可见，通过该方法，可以提高基于医学成像检测肺结节的效率，同时，还可以准确定位出肺结节所在位置。
如下，示出下述实施例对本申请提供的医学成像处理方法进行说明。
实施例一：
请参见图1，为本申请一示例性实施例提供的医学成像处理方法的一个实施例流程图，该方法可以包括以下步骤：
步骤101：将待检测医学成像分割成两个以上第一子图像。
在本申请实施例中，可以将图2所示例的待检测医学成像平均分割成两个以上大小相同的第一子图像，该第一子图像通常为形状规则的矩形图像块，例如，如图2所示，将待检测医学成像平均分割成42个第一子图像，该42个第一子图像均为边长为B1的正方形图像块。
步骤102：针对每一第一子图像，确定第一子图像中是否存在肺结节。
在本申请实施例中，针对步骤101分割得到的每一第一子图像，将第一子图像输入已训练的第一分类器，在此先说明，该第一分类器的输入是医学成像，输出是医学成像中是否存在肺结节，从而，通过该第一分类器，可以确定输入的第一子图像中是否存在肺结节。
本领域技术人员可以理解的是，上述步骤101中分割得到的第一子图像的大小可以由第一分类器所能输入图像的大小规格所决定，至于训练得到上述第一分类器的具体过程请参见下述实施例三中的描述，在此先不做详述。
步骤103：若第一子图像中存在肺结节，则在待检测医学成像中确定第二子图像，其中，第二子图像的中心位置位于第一子图像中。
在本申请实施例中，若第一子图像中存在肺结节，则可以在第一子图像中确定肺结节的位置。具体的，可以在第一子图像中选取至少一个像素点，在本申请实施例中，为了描述方便，将所选取的像素点称为目标像素点，继而，针对每一目标像素点，在待检测医学成像中提取预设大小的矩形图像块，在本申请实施例中，为了描述方便，将该预设大小称为第一预设大小，将针对一目标像素点所提取的矩形图像块称为该目标像素点对应的第二子图像，这里所说的“对应”是指，目标像素点位于第二子图像的中心位置处。
举例来说，假设在图2所示例的其中一个第一子图像(图2中填充色为灰色的第一子图像)中检测出肺结节，则可以在该第一子图像中选取至少一个目标像素点，例如图2中所示例的P点，继而，可以以P点为中心，在图2所示例的待检测医学成像中提取第一预设大小的第二子图像，例如图2中以虚线框标注的矩形图像块)，其中，P点处于该第二子图像的中心位置处。
在一可选的实现方式中，可以在上述第一子图像中随机选取预设数量的像素点作为目标像素点。
在另一可选的实现方式中，可以通过如下过程在上述第一子图像中选取目标像素点：以图2中填充色为灰色的第一子图像为例，可以将该第一子图像平均分割成两个以上第二预设大小的第三子图像，例如，如图3所示，可以将第一子图像平均分割成16个边长为B3的正方形图像块，每一图像块则为一个第三子图像，继而，可以将每一第三子图像中心位置处的像素点确定为目标像素点，例如图3中所示例的M点为一个目标像素点。
本领域技术人员可以理解的是，为了准确检测出肺结节在待检测医学成像中的位置，可以在第一子图像上尽可能地选取数量较多的目标像素点，在上述第二种可选的实现方式中，则可以将第一子图像平均分割成数量较多的第三子图像，也即上述第二预设大小尽可能地小。具体的，本申请实施例中对第三子图像的数量以及大小均不作限制。
步骤104：确定第二子图像的中心位置处是否存在肺结节。
在本申请实施例中，可以将步骤103中确定的第二子图像输入到已训练的第二分类器，在此先说明，该第二分类器的输入是医学成像，输出是医学成像的中心位置处是否存在肺结节，从而，通过该第二分类器则可以确定第二子图像的中心位置处，也即上述目标像素点处是否存在肺结节，若存在肺结节，则肺结节所在位置即为目标像素点所在位置。由此可见，本申请实施例中可以准确定位出肺结节在待检测医学成像中的位置。
本领域技术人员可以理解的是，上述第二子图像的大小，也即上述第一预设大小，可以由第二分类器所能输入图像的大小规格所决定，至于训练得到上述第二分类器的具体过程请参见下述实施例四中的描述，在此先不做详述。
由上述实施例可见，通过将待检测医学成像分割成两个以上第一子图像，确定该第一子图像中是否存在肺结节，得到存在肺结节的第一子图像，通过该种处理，可以缩小后续定位肺结节的范围，也即提高定位肺结节的效率；进一步，针对存在肺结节的第一子图像，在待检测医学成像中确定第二子图像，其中，第二子图像的中心位置位于第一子图像中，确定第二子图像的中心位置处是否存在肺结节，若存在肺结节，则可以确定肺结节所在位置即为第二子图像的中心位置处。由此可见，通过该种处理，可以提高基于医学成像检测肺结节的准确度以及效率，实现准确地定位肺结节所在位置。
至此，完成实施例一的相关描述。
此外，在实际应用中，肺结节可能较大，从而可能在多个相邻的目标像素点处均检测到肺结节，这里所说的相邻的目标像素点是指，目标像素点所在的第三子图像相邻，而检测到的肺结节实际属于同一个肺结节，基于此，为了更准确地确定肺结节在待检测医学成像中的位置，则可以在执行完上述步骤104之后，继续对检测到肺结节的相邻的多个目标像素点进行合并处理，具体示出下述实施例二进行详细描述。
实施例二：
请参见图4，为本申请一示例性实施例提供的医学成像处理方法的另一个实施例流程图，该方法在上述图1所示方法的基础上，还可以包括以下步骤：
步骤401：获取中心位置处存在肺结节的目标第二子图像。
步骤402：确定目标第二子图像对应的目标第三子图像，其中，目标第三子图像的中心位置与其对应的目标第二子图像的中心位置相重合。
步骤403：确定所有的目标第三子图像中是否存在相接的目标第三子图像。
步骤404：若存在，则将相接的目标第三子图像拼接而成的图像块的中心位置确定为肺结节所在位置。
如下，对上述步骤401至步骤404进行说明：
在本申请实施例中，获取中心位置处存在肺结节的第二子图像，为了描述方便，将这些第二子图像称为目标第二子图像。
以图5示例的第一子图像为例，假设肺结节所在位置及大小如图5(a)中的圆形区域所示，那么，在图5(a)中，以黑色实心圆点表示的4个目标像素点处均可以检测到肺结节，此时，则可以将该4个目标像素点分别对应的第二子图像(图5中未示出)确定为目标第二子图像。
上述目标第二子图像对应的目标第三子图像则为图5(a)中编号为1、2、3、4的4个第三子图像，本领域技术人员可以理解的是，第三子图像的中心位置与其对应的第二子图像的中心位置重合。
进一步，确定所有的目标第三子图像中是否存在相接的目标第三子图像，需要说明的是，由于第三子图像是将第一子图像平均分割得到的，从而，这里所说的“相接”即指相邻，例如，如图5(a)所示，编号为1、2、3、4的4个目标第三子图像相接。进一步，将相接的目标第三子图像拼接而成的图像块(如图5(b)中所示例的以灰色填充的区域)的中心位置(如图5中所示例的Q点)确定为肺结节所在位置。
由上述实施例可见，通过获取中心位置处存在肺结节的目标第二子图像，确定该目标第二子图像对应的目标第三子图像，其中，目标第三子图像的中心位置与其对应的目标第二子图像的中心位置相重合，确定是否存在相接的目标第三子图像，若存在，则将相接的目标第三子图像拼接而成的图像块中的中心位置确定为肺结节所在位置，通过该种处理，可以将检测出的多个肺结节所在位置合并得到该多个肺结节实际所属的同一个肺结节所在位置，从而进一步实现准确检测出肺结节所在位置。
至此，完成实施例二的相关描述。
如下，通过下述实施例三与实施例四分别描述训练得到上述第一分类器与第二分类器的具体过程。
实施例三：
如图6所示，为本申请一示例性实施例提供的医学成像处理方法的再一个实施例流程图，该方法在上述图1所示方法的基础上，着重描述训练得到第一分类器的具体过程，可以包括以下步骤：
步骤601：基于第一预设训练集获取第一正样本与第一负样本，其中，第一预设训练集中的每一幅医学成像中均存在肺结节，第一正样本中存在肺结节，第一负样本中不存在肺结节。
步骤602：分别提取第一正样本与第一负样本的图像特征。
步骤603：通过第一正样本、第一负样本，以及第一正样本与第一负样本的图像特征对预设的第一分类器进行训练，得到已训练的第一分类器，该第一分类器的输入是医学成像，输出是医学成像中是否存在肺结节。
如下，对上述步骤601至步骤603进行详细说明：
在本申请实施例中，可以选取一组肺部医学成像作为第一预设训练集，其中，可以基于时间窗口(例如过去一个月、过去六个月)选取肺部医学成像，需要说明的是，该第一预设训练集中的每一幅医学成像中均存在肺结节，并且，肺结节所在位置已经预先标注出。
后续，则可以基于该第一预设训练集提取第一正样本与第一负样本，具体的，每一第一正样本与上述实施例一中描述的第一子图像的大小规格相同，例如为边长为B1的正方形图像块，并且，每一第一正样本中均存在肺结节，但肺结节在第一正样本中的位置不做限制；每一第一负样本与前述第一正样本的大小规格相同，并且，每一第一负样本中均不存在肺结节。
本领域技术人员可以理解的是，可以根据待提取样本的大小规格，以及预先标注的肺结节在医学成像中的位置，在医学成像中提取上述第一正样本与第一负样本，具体的提取过程本申请不做限制。
后续，分别提取出每一第一正样本与第一负样本的图像特征，该图像特征可以包括：图像灰度信息、图像纹理信息、小波分解系数等等，本申请实施例中对提取该图像特征的具体过程不再详述。
后续，则可以通过预设算法，利用上述第一正样本与第一负样本对预设的第一分类器进行训练，得到已训练的第一分类器，该已训练的第一分类器则可以用于确定输入图像中是否存在肺结节。
训练得到上述第一分类器的具体方法可以为：基于神经网络的训练方法、基于决策树的训练方法、支持向量机的训练方法，等等，本申请实施例对此不做限制。
由上述实施例可见，由于第一正样本中存在肺结节，且肺结节在第一正样本中的位置不做限制，第一负样本中不存在肺结节，从而通过第一正样本与第一负样本训练得到的第一分类器可以实现确定输入图像中是否存在肺结节的功能。
至此，完成实施例三的相关描述。
实施例四：
如图7所示，为本申请一示例性实施例提供的医学成像处理方法的又一个实施例流程图，该方法在上述图1所示方法的基础上，着重描述训练得到第二分类器的具体过程，可以包括以下步骤：
步骤701：基于第二预设训练集获取第二正样本与第二负样本，其中，第二预设训练集中的每一幅医学成像中均存在肺结节，第二正样本的中心位置处存在肺结节，第二负样本中不存在肺结节。
步骤702：分别提取第二正样本与第二负样本的图像特征。
步骤703：通过第二正样本、第二负样本，以及第二正样本与第二负样本的图像特征对预设的第二分类器进行训练，得到已训练的第二分类器，该第二分类器的输入为医学成像，输出为医学成像的中心位置处是否存在肺结节。
如下，对上述步骤701至步骤703进行详细说明：
在本申请实施例中，可以选取一组肺部医学成像作为第二预设训练集，该第二预设训练集可以与上述实施例三中的第一预设训练集相同，也可以不同，本申请实施例对此并不做限制。但无论第二预设训练集与第一预设训练集是否相同，该第二预设训练集中的每一幅医学成像中也均存在肺结节，并且，肺结节所在位置也已经预先标注出。
后续，则可以基于该第二预设训练集提取第二正样本与第二负样本，具体的，每一第二正样本与上述实施例一中描述的第二子图像的大小规格相同，例如大小为第一预设大小，并且，每一第二正样本的中心位置处中均存在肺结节；每一第二负样本与前述第二正样本的大小规格相同，并且，每一第二负样本中均不存在肺结节。
后续，分别提取出每一第二正样本与第二负样本的图像特征，该图像特征可以包括：图像灰度信息、图像纹理信息、小波分解系数等等，本申请实施例中对提取该图像特征的具体过程不再详述。
后续，则可以通过预设算法，利用上述第二正样本与第二负样本对预设的第二分类器进行训练，得到已训练的第二分类器，该已训练的第二分类器则可以用于确定输入图像的中心位置处是否存在肺结节。
训练得到上述第二分类器的具体方法可以与上述训练得到第一分类器的具体方法相同，也可以不同，本申请实施例对此不做限制。
由上述实施例可见，由于第二正样本中存在肺结节，且肺结节在第二正样本中的中心位置处，第二负样本中不存在肺结节，从而通过第二正样本与第二负样本训练得到的第二分类器可以实现确定输入图像的中心位置处是否存在肺结节的功能。
至此，完成实施例四的相关描述。
与前述医学成像处理方法的实施例相对应，本申请还提供了医学成像处理装置的实施例。
请参见图8，为本申请一示例性实施例提供的医学成像处理装置的一个实施框图，该装置可以包括：图像分割模块81、第一确定模块82、第一图像确定模块83、第二确定模块84。
其中，图像分割模块81，可以用于将待检测医学成像分割成两个以上第一子图像；
第一确定模块82，可以用于针对每一所述第一子图像，确定所述第一子图像中是否存在肺结节；
第一图像确定模块83，可以用于若所述第一子图像中存在肺结节，则在所述待检测医学成像中确定第二子图像，其中，所述第二子图像的中心位置位于所述第一子图像中；
第二确定模块84，可以用于确定所述第二子图像的中心位置处是否存在肺结节。
在一实施例中，所述装置还可以包括(图8中未示出)：
第一样本获取模块，用于基于第一预设训练集获取第一正样本与第一负样本，其中，所述第一预设训练集中的每一幅医学成像中均存在肺结节，所述第一正样本中存在肺结节，所述第一负样本中不存在肺结节；
第一特征提取模块，用于分别提取所述第一正样本与所述第一负样本的图像特征；
第一训练模块，用于通过所述第一正样本、所述第一负样本，以及所述第一正样本与所述第一负样本的图像特征对预设的第一分类器进行训练，得到已训练的第一分类器，所述第一分类器的输入是医学成像，输出是医学成像中是否存在肺结节；
所述第一确定模块82具体用于：针对每一所述第一子图像，通过所述第一分类器确定所述第一子图像中是否存在肺结节。
在一实施例中，所述装置还可以包括(图8中未示出)：
第二样本获取模块，用于基于第二预设训练集获取第二正样本与第二负样本，其中，所述第二预设训练集中的每一幅医学成像中均存在肺结节，所述第二正样本的中心位置处存在肺结节，所述第二负样本中不存在肺结节；
第二特征提取模块，用于分别提取所述第二正样本与所述第二负样本的图像特征；
第二训练模块，用于通过所述第二正样本、所述第二负样本，以及所述第二正样本与所述第二负样本的图像特征对预设的第二分类器进行训练，得到已训练的第二分类器，所述第二分类器的输入是医学成像，输出是医学成像的中心位置处是否存在肺结节；
所述第二确定模块84具体用于：通过所述第二分类器确定所述第二子图像的中心位置处是否存在肺结节。
在一实施例中，所述图像确定模块可以包括(图8中未示出)：
选取子模块，用于在所述第一子图像中选取至少一个目标像素点；
图像提取子模块，用于针对每一所述目标像素点，在所述待检测医学成像中提取第一预设大小的矩形图像块作为所述目标像素点对应的第二子图像，其中，所述目标像素点位于所述第二子图像的中心位置处。
在一实施例中，所述选取子模块可以包括(图8中未示出)：
图像分割子模块，用于将所述第一子图像平均分割成两个以上第二预设大小的第三子图像；
目前确定子模块，用于将每一所述第三子图像中心位置处的像素点确定为目标像素点。
在一实施例中，所述装置还可以包括(图8中未示出)：
图像获取模块，用于获取中心位置处存在肺结节的目标第二子图像；
第二图像确定模块，用于确定所述目标第二子图像对应的目标第三子图像，其中，所述目标第三子图像的中心位置与其对应的目标第二子图像的中心位置相重合；
相接判断模块，用于确定所有的所述目标第三子图像中是否存在相接的目标第三子图像；
位置确定模块，用于若存在，则将所述相接的目标第三子图像拼接而成的图像块的中心位置确定为肺结节所在位置。
请参考图9，为本申请图像处理设备的一个实施例示意图，该图像处理设备可以包括：内部总线91，通过内部总线91连接的存储器92、处理器93。
其中，所述存储器92，用于存储医学成像处理的控制逻辑对应的机器可读指令；
所述处理器93，用于读取所述存储器上的所述机器可读指令，并执行所述指令以实现如下操作：
将待检测医学成像分割成两个以上第一子图像；
针对每一所述第一子图像，确定所述第一子图像中是否存在肺结节；
若所述第一子图像中存在肺结节，则在所述待检测医学成像中确定第二子图像，其中，所述第二子图像的中心位置位于所述第一子图像中；
确定所述第二子图像的中心位置处是否存在肺结节。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
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 (11)

1.一种医学成像处理方法，其特征在于，所述方法包括：
将待检测医学成像分割成两个以上第一子图像；
针对每一所述第一子图像，确定所述第一子图像中是否存在肺结节；
若所述第一子图像中存在肺结节，则在所述待检测医学成像中确定第二子图像，其中，所述第二子图像的中心位置位于所述第一子图像中；
确定所述第二子图像的中心位置处是否存在肺结节；
在确定所述第二子图像的中心位置处是否存在肺结节之后，所述方法还包括：
获取中心位置处存在肺结节的目标第二子图像；
确定所述目标第二子图像对应的目标第三子图像，其中，所述目标第三子图像的中心位置与其对应的目标第二子图像的中心位置相重合；
确定所有的所述目标第三子图像中是否存在相接的目标第三子图像；
若存在，则将所述相接的目标第三子图像拼接而成的图像块的中心位置确定为肺结节所在位置。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于第一预设训练集获取第一正样本与第一负样本，其中，所述第一预设训练集中的每一幅医学成像中均存在肺结节，所述第一正样本中存在肺结节，所述第一负样本中不存在肺结节；
分别提取所述第一正样本与所述第一负样本的图像特征；
通过所述第一正样本、所述第一负样本，以及所述第一正样本与所述第一负样本的图像特征对预设的第一分类器进行训练，得到已训练的第一分类器，所述第一分类器的输入是医学成像，输出是医学成像中是否存在肺结节；
所述针对每一所述第一子图像，确定所述第一子图像中是否存在肺结节，包括：
针对每一所述第一子图像，通过所述第一分类器确定所述第一子图像中是否存在肺结节。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于第二预设训练集获取第二正样本与第二负样本，其中，所述第二预设训练集中的每一幅医学成像中均存在肺结节，所述第二正样本的中心位置处存在肺结节，所述第二负样本中不存在肺结节；
分别提取所述第二正样本与所述第二负样本的图像特征；
通过所述第二正样本、所述第二负样本，以及所述第二正样本与所述第二负样本的图像特征对预设的第二分类器进行训练，得到已训练的第二分类器，所述第二分类器的输入是医学成像，输出是医学成像的中心位置处是否存在肺结节；
所述确定所述第二子图像的中心位置处是否存在肺结节，包括：
通过所述第二分类器确定所述第二子图像的中心位置处是否存在肺结节。
4.根据权利要求1所述的方法，其特征在于，所述在所述待检测医学成像中确定第二子图像，包括：
在所述第一子图像中选取至少一个目标像素点；
针对每一所述目标像素点，在所述待检测医学成像中提取第一预设大小的矩形图像块作为所述目标像素点对应的第二子图像，其中，所述目标像素点位于所述第二子图像的中心位置处。
5.根据权利要求4所述的方法，其特征在于，所述在所述第一子图像中选取至少一个目标像素点，包括：
将所述第一子图像平均分割成两个以上第二预设大小的第三子图像；
将每一所述第三子图像中心位置处的像素点确定为目标像素点。
6.一种医学成像处理装置，其特征在于，所述装置包括：
图像分割模块，用于将待检测医学成像分割成两个以上第一子图像；
第一确定模块，用于针对每一所述第一子图像，确定所述第一子图像中是否存在肺结节；
第一图像确定模块，用于若所述第一子图像中存在肺结节，则在所述待检测医学成像中确定第二子图像，其中，所述第二子图像的中心位置位于所述第一子图像中；
第二确定模块，用于确定所述第二子图像的中心位置处是否存在肺结节；
所述装置还包括：
图像获取模块，用于获取中心位置处存在肺结节的目标第二子图像；
第二图像确定模块，用于确定所述目标第二子图像对应的目标第三子图像，其中，所述目标第三子图像的中心位置与其对应的目标第二子图像的中心位置相重合；
相接判断模块，用于确定所有的所述目标第三子图像中是否存在相接的目标第三子图像；
位置确定模块，用于若存在，则将所述相接的目标第三子图像拼接而成的图像块的中心位置确定为肺结节所在位置。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第一样本获取模块，用于基于第一预设训练集获取第一正样本与第一负样本，其中，所述第一预设训练集中的每一幅医学成像中均存在肺结节，所述第一正样本中存在肺结节，所述第一负样本中不存在肺结节；
第一特征提取模块，用于分别提取所述第一正样本与所述第一负样本的图像特征；
第一训练模块，用于通过所述第一正样本、所述第一负样本，以及所述第一正样本与所述第一负样本的图像特征对预设的第一分类器进行训练，得到已训练的第一分类器，所述第一分类器的输入是医学成像，输出是医学成像中是否存在肺结节；
所述第一确定模块具体用于：针对每一所述第一子图像，通过所述第一分类器确定所述第一子图像中是否存在肺结节。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第二样本获取模块，用于基于第二预设训练集获取第二正样本与第二负样本，其中，所述第二预设训练集中的每一幅医学成像中均存在肺结节，所述第二正样本的中心位置处存在肺结节，所述第二负样本中不存在肺结节；
第二特征提取模块，用于分别提取所述第二正样本与所述第二负样本的图像特征；
第二训练模块，用于通过所述第二正样本、所述第二负样本，以及所述第二正样本与所述第二负样本的图像特征对预设的第二分类器进行训练，得到已训练的第二分类器，所述第二分类器的输入是医学成像，输出是医学成像的中心位置处是否存在肺结节；
所述第二确定模块具体用于：通过所述第二分类器确定所述第二子图像的中心位置处是否存在肺结节。
9.根据权利要求6所述的装置，其特征在于，所述图像确定模块包括：
选取子模块，用于在所述第一子图像中选取至少一个目标像素点；
图像提取子模块，用于针对每一所述目标像素点，在所述待检测医学成像中提取第一预设大小的矩形图像块作为所述目标像素点对应的第二子图像，其中，所述目标像素点位于所述第二子图像的中心位置处。
10.根据权利要求9所述的装置，其特征在于，所述选取子模块包括：
图像分割子模块，用于将所述第一子图像平均分割成两个以上第二预设大小的第三子图像；
目前确定子模块，用于将每一所述第三子图像中心位置处的像素点确定为目标像素点。
11.一种图像处理设备，其特征在于，包括：内部总线，以及通过内部总线连接的存储器、处理器；其中，
所述存储器，用于存储医学成像处理的控制逻辑对应的机器可读指令；
所述处理器，用于读取所述存储器上的所述机器可读指令，并执行所述指令以实现如下操作：
将待检测医学成像分割成两个以上第一子图像；
针对每一所述第一子图像，确定所述第一子图像中是否存在肺结节；
若所述第一子图像中存在肺结节，则在所述待检测医学成像中确定第二子图像，其中，所述第二子图像的中心位置位于所述第一子图像中；
确定所述第二子图像的中心位置处是否存在肺结节；
在确定所述第二子图像的中心位置处是否存在肺结节之后，获取中心位置处存在肺结节的目标第二子图像；
确定所述目标第二子图像对应的目标第三子图像，其中，所述目标第三子图像的中心位置与其对应的目标第二子图像的中心位置相重合；
确定所有的所述目标第三子图像中是否存在相接的目标第三子图像；
若存在，则将所述相接的目标第三子图像拼接而成的图像块的中心位置确定为肺结节所在位置。
CN201810200395.8A 2018-03-12 2018-03-12 医学成像处理方法、装置以及图像处理设备 Active CN108564566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810200395.8A CN108564566B (zh) 2018-03-12 2018-03-12 医学成像处理方法、装置以及图像处理设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810200395.8A CN108564566B (zh) 2018-03-12 2018-03-12 医学成像处理方法、装置以及图像处理设备

Publications (2)

Publication Number Publication Date
CN108564566A CN108564566A (zh) 2018-09-21
CN108564566B true CN108564566B (zh) 2021-08-31

Family

ID=63531717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810200395.8A Active CN108564566B (zh) 2018-03-12 2018-03-12 医学成像处理方法、装置以及图像处理设备

Country Status (1)

Country Link
CN (1) CN108564566B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102842132A (zh) * 2012-07-12 2012-12-26 上海联影医疗科技有限公司 一种ct肺结节检测方法
CN103400365A (zh) * 2013-06-26 2013-11-20 成都金盘电子科大多媒体技术有限公司 肺区ct序列自动分割方法
CN103824295A (zh) * 2014-03-03 2014-05-28 天津医科大学 一种肺部ct图像中粘连血管型肺结节的分割方法
CN104619257A (zh) * 2012-09-13 2015-05-13 加利福尼亚大学董事会 用于医学图像中的肺结节的自动化检测的系统和方法
CN104899851A (zh) * 2014-03-03 2015-09-09 天津医科大学 一种分割肺结节图像的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102842132A (zh) * 2012-07-12 2012-12-26 上海联影医疗科技有限公司 一种ct肺结节检测方法
CN104619257A (zh) * 2012-09-13 2015-05-13 加利福尼亚大学董事会 用于医学图像中的肺结节的自动化检测的系统和方法
CN103400365A (zh) * 2013-06-26 2013-11-20 成都金盘电子科大多媒体技术有限公司 肺区ct序列自动分割方法
CN103824295A (zh) * 2014-03-03 2014-05-28 天津医科大学 一种肺部ct图像中粘连血管型肺结节的分割方法
CN104899851A (zh) * 2014-03-03 2015-09-09 天津医科大学 一种分割肺结节图像的方法

Also Published As

Publication number Publication date
CN108564566A (zh) 2018-09-21

Similar Documents

Publication Publication Date Title
CN105574513B (zh) 文字检测方法和装置
CN106846316B (zh) 一种gis内部典型缺陷图像自动识别方法
Ranjan et al. Detection and classification of leaf disease using artificial neural network
CN109154978A (zh) 用于检测植物疾病的系统和方法
CN109671068B (zh) 一种基于深度学习的腹部肌肉标注方法及装置
CN107437068B (zh) 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法
Fabijańska Variance filter for edge detection and edge-based image segmentation
CN110414538A (zh) 缺陷分类方法、缺陷分类训练方法及其装置
Alharbi et al. Automatic counting of wheat spikes from wheat growth images
CN105447859A (zh) 一种田间麦蚜虫计数方法
CN110111283A (zh) 一种复杂背景下红外疑似目标的提示方法及系统
CN109313699A (zh) 用于对一车辆的输入图像进行目标识别的装置和方法
CN104036292A (zh) 一种医学影像数字胶片中文字区域提取方法及提取系统
CN113780110A (zh) 一种图像序列中弱小目标实时检测方法及设备
CN110188592B (zh) 一种尿液有形成分细胞图像分类模型构建方法及分类方法
CN115439654A (zh) 动态约束下的弱监督农田地块精细化分割方法及系统
US10115028B2 (en) Method and device for classifying an object in an image
KR102030768B1 (ko) 영상을 이용한 가금류 무게 측정 방법, 이를 수행하기 위한 기록매체 및 장치
CN114581709A (zh) 识别医学图像中的目标的模型训练、方法、设备及介质
Lau et al. Estimating Norway lobster abundance from deep-water videos: an automatic approach
CN113034522A (zh) 一种基于人工神经网络的ct图像分割方法
CN108564566B (zh) 医学成像处理方法、装置以及图像处理设备
Shah Detection of tumor in MRI images using image segmentation
US10307124B2 (en) Image display device, method, and program for determining common regions in images
WO2015168362A1 (en) Method and apparatus for processing block to be processed of urine sediment image

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
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

GR01 Patent grant
GR01 Patent grant