CN108682015A - 一种生物图像中的病灶分割方法、装置、设备及存储介质 - Google Patents
一种生物图像中的病灶分割方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN108682015A CN108682015A CN201810521405.8A CN201810521405A CN108682015A CN 108682015 A CN108682015 A CN 108682015A CN 201810521405 A CN201810521405 A CN 201810521405A CN 108682015 A CN108682015 A CN 108682015A
- Authority
- CN
- China
- Prior art keywords
- lesion
- image
- segmentation
- mask
- coarse segmentation
- 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.)
- Granted
Links
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种生物图像中的病灶分割方法、装置、设备及存储介质，方法包括：获取目标生物图像；对目标生物图像进行粗分割处理，粗分割处理后得到粗分割掩膜，粗分割掩膜中包含目标生物图像中候选病灶的信息；从候选病灶中识别非真实病灶，并基于识别结果修正粗分割掩膜，以使粗分割掩膜中不包含识别出的非真实病灶的信息，修正后得到的目标分割掩膜作为目标生物图像对应的病灶分割掩膜。本申请能够自动从目标生物图像中定位出病灶，这种方式不但节省了人力，减少了病灶定位的耗时，而且避免了人工定位病灶所造成的误诊、漏诊，定位出的病灶还能辅助医生进行快速准确的分析，提高了医生的诊断效率以及诊断准确率。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种生物图像中的病灶分割方法、装置、设备及存储介质。
背景技术
医学领域的实际临床诊断中，需要从生物图像中定位出病灶，从而定位出病变原因。现有技术中的诊断方式为人工诊断，即医生需要肉眼对生物图像中的病灶进行定位，然而，有些生物图像很大，但生物图像中的病灶却很小，例如眼底图像，眼底图像的分辨率一般为4000*3000像素，而眼底图像中有些小的病灶可能仅占几十个像素，而且不同病灶的大小也不同，这无疑给医生肉眼定位病灶带来了很大的困难，尤其是面临对大量生物图像进行筛查时，医生的工作量会更大，因此，人工诊断的方式费时费力，且人工筛查主观性较强，很容易由于疲劳造成漏诊、误诊。
发明内容
有鉴于此，本发明提供了一种生物图像中的病灶分割方法、装置、设备及存储介质，用以解决现有技术中对生物图像中的病灶进行定位的方式费时费力，且主观性较强，很容易造成漏诊、误诊的问题，其技术方案如下：
一种生物图像中的病灶分割方法，包括：
获取目标生物图像；
对所述目标生物图像进行粗分割处理，粗分割处理后得到粗分割掩膜，所述粗分割掩膜中包含所述目标生物图像中候选病灶的信息；
从所述候选病灶中识别非真实病灶，并基于识别结果修正所述粗分割掩膜，以使所述粗分割掩膜中不包含识别出的所述非真实病灶的信息，修正后得到的目标分割掩膜作为所述目标生物图像对应的病灶分割掩膜。
其中，所述对所述目标生物图像进行粗分割处理，粗分割处理后得到粗分割掩膜，包括：
通过预先建立的粗分割模型对所述目标生物图像进行粗分割处理，粗分割处理后得到所述粗分割掩膜；
其中，所述粗分割模型采用训练生物图像和对应的标注分割掩膜进行训练得到。
其中，所述通过预先建立的粗分割模型对所述目标生物图像进行粗分割处理，粗分割处理后得到所述粗分割掩膜，包括：
将所述目标生物图像分割成预设大小的图像块；
将每个所述图像块输入所述粗分割模型，获得所述粗分割模型输出的、与输入的所述图像块对应的粗分割掩膜，其中，所述粗分割模型以从训练生物图像中提取的病灶图像块为训练样本，以对应的标注分割掩膜中对应的标注分割掩膜块为标签进行训练得到；
将各个所述图像块对应的粗分割掩膜块进行融合，融合后得到所述粗分割掩膜。
其中，所述从所述候选病灶中识别非真实病灶，包括：
基于所述粗分割掩膜，从所述目标生物图像中提取候选病灶图像块；
从所述候选病灶图像块中识别候选病灶为非真实病灶的图像块。
其中，所述基于所述粗分割掩膜，从所述目标生物图像中提取候选病灶图像块，包括：
基于所述粗分割掩膜，确定所述目标生物图像中的候选病灶区域；
根据所述候选病灶区域的位置，从所述目标生物图像中提取预设大小、包含所述候选病灶区域的图像块，作为所述候选病灶图像块。
其中，所述从所述候选病灶图像块中识别候选病灶为非真实病灶的图像块，包括：
将每个所述候选病灶图像块输入预先建立的病灶识别模型，获得所述病灶识别模型输出的、指示输入的所述候选病灶图像块中的候选病灶是否为真实病灶的识别结果；
其中，所述病灶识别模型训练时的训练数据包括基于所述粗分割模型输出的粗分割掩膜，从训练生物图像中提取的训练候选病灶图像块，样本标签包括所述训练候选病灶图像块是否为真实病灶的标注结果。
所述生物图像中的病灶分割方法，还包括：
对所述目标分割掩膜对应的病灶区域进行细分割处理，细分割处理后得到的细分割掩膜作为所述目标生物图像对应的病灶分割掩膜。
所述生物图像中的病灶分割方法，还包括：
对所述粗分割掩膜和所述细分割掩膜进行融合，融合后得到的分割掩膜作为所述目标生物图像对应的病灶分割掩膜。
其中，所述对所述目标分割掩膜对应的病灶区域进行细分割处理，包括：
获取与所述目标分割掩膜对应的候选病灶图像块，作为目标候选病灶图像块；
对所述目标候选病灶图像块进一步进行细分割，得到与所述目标候选病灶图像块对应的细分割掩膜块；
基于所述细分割掩膜块，修正所述目标分割掩膜，修正后得到所述细分割掩膜。
其中，所述对所述目标候选病灶图像块进一步进行细分割，得到与所述目标候选病灶图像块对应的细分割掩膜块，包括：
将每个目标候选病灶图像块输入预先建立的细分割模型，获得所述细分割模型输出的、与输入的所述目标候选病灶图像块对应的细分割掩膜块；
其中，所述细分割模型以基于所述病灶识别模型输出的识别结果获取的训练候选病灶图像块作为训练样本，以所述训练候选病灶图像块是否为病灶区域而对应的分类标签进行训练得到的。
一种生物图像中的病灶分割装置，包括：图像获取模块、粗分割模块和掩膜修正模块；
所述图像获取模块，用于获取目标生物图像；
所述粗分割模块，用于对所述目标生物图像进行粗分割处理，粗分割处理后得到粗分割掩膜，所述粗分割掩膜中包含所述目标生物图像中候选病灶的信息；
所述掩膜修正模块，用于从所述候选病灶中识别非真实病灶，并基于识别结果修正所述粗分割掩膜，以使所述粗分割掩膜中不包含识别出的所述非真实病灶的信息，修正后得到的目标分割掩膜作为所述目标生物图像对应的病灶分割掩膜。
其中，所述粗分割模块，具体用于通过预先建立的粗分割模型对所述目标生物图像进行粗分割处理，粗分割处理后得到所述粗分割掩膜；
其中，所述粗分割模型采用训练生物图像和对应的标注分割掩膜进行训练得到。
其中，所述粗分割模块包括：图像分割子模块、粗分割子模块和掩膜融合子模块；
所述图像分割子模块，用于将所述目标生物图像分割成预设大小的图像块；
所述粗分割子模块，用于将每个所述图像块输入所述粗分割模型，获得所述粗分割模型输出的、与输入的所述图像块对应的粗分割掩膜，其中，所述粗分割模型以从训练生物图像中提取的训练病灶图像块为训练样本，以对应的标注分割掩膜中对应的标注分割掩膜块为标签进行训练得到；
所述掩膜融合子模块，用于将各个所述图像块对应的粗分割掩膜块进行融合，融合后得到所述粗分割掩膜。
其中，所述掩膜修正模块包括：图像块提取子模块和病灶识别子模块；
所述图像块提取子模块，用于基于所述粗分割掩膜，从所述目标生物图像中提取候选病灶图像块；
所述病灶识别子模块，用于从所述候选病灶图像块中识别候选病灶为非真实病灶的图像块。
其中，所述图像块提取子模块，具体用于基于所述粗分割掩膜，确定所述目标生物图像中的候选病灶区域，根据所述候选病灶区域的位置，从所述目标生物图像中提取预设大小、包含所述候选病灶区域的图像块，作为所述候选病灶图像块。
其中，所述病灶识别子模块，具体用于将每个所述候选病灶图像块输入预先建立的病灶识别模型，获得所述病灶识别模型输出的、指示输入的所述候选病灶图像块中的候选病灶是否为真实病灶的识别结果；
其中，所述病灶识别模型训练时的训练数据包括基于所述粗分割模型输出的粗分割掩膜，从训练生物图像中提取的训练候选病灶图像块，样本标签包括所述训练候选病灶图像块是否为真实病灶的标注结果。
所述生物图像中的病灶分割装置，还包括：细分割模块；
所述细分割模块，用于对所述目标分割掩膜对应的病灶区域进行细分割处理，细分割处理后得到的细分割掩膜作为所述目标生物图像对应的病灶分割掩膜。
所述生物图像中的病灶分割装置，还包括：掩膜融合模块；
所述掩膜融合模块，用于对所述粗分割掩膜和所述细分割掩膜进行融合，融合后得到的分割掩膜作为所述目标生物图像对应的病灶分割掩膜。
其中，所述细分割模块包括：获取子模块、细分割子模块和掩膜修正子模块；
所述获取子模块，用于获取与所述目标分割掩膜对应的候选病灶图像块，作为目标候选病灶图像块；
所述细分割子模块，用于对所述目标候选病灶图像块进一步进行细分割，得到与所述目标候选病灶图像块对应的细分割掩膜块；
所述掩膜修正子模块，用于基于所述细分割掩膜块，修正所述目标分割掩膜，修正后得到所述细分割掩膜。
其中，所述细分割子模块，具体用于将每个目标候选病灶图像块输入预先建立的细分割模型，获得所述细分割模型输出的、与输入的所述目标候选病灶图像块对应的细分割掩膜块；
其中，所述细分割模型以基于所述病灶识别模型输出的识别结果获取的训练候选病灶图像块作为训练样本，以所述训练候选病灶图像块是否为病灶区域而对应的分类标签进行训练得到的。
一种图像处理设备，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，所述程序具体用于：
获取目标生物图像；
对所述目标生物图像进行粗分割处理，粗分割处理后得到粗分割掩膜，其中，所述粗分割掩膜中包含所述目标生物图像中候选病灶的信息；
基于所述粗分割掩膜从所述候选病灶中识别非真实病灶，并基于识别结果修正所述粗分割掩膜，以使所述粗分割掩膜中不包含识别出的所述非真实病灶的信息；修正后得到的目标分割掩膜作为所述目标生物图像对应的病灶分割掩膜。
一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现所述的生物图像中的病灶分割方法的各个步骤。
经由上述的技术方案可知，本发明提供的生物图像中的病灶分割方法、装置、设备及存储介质，首先获取目标生物图像，然后对目标生物图像进行粗分割，从而得到包含目标生物图像中候选病灶信息的粗分割掩膜，鉴于粗分割掩膜中可能包含非真实病灶的信息，为了提高病灶分割的准确性，进一步基于粗分割掩膜从候选病灶中识别非真实病灶，并基于识别结果修正粗分割掩膜，从而使得粗分割掩膜中不包含识别出的非真实病灶的信息，修正后的分割掩膜便可作为目标生物图像对应的病灶分割掩膜，病灶分割掩膜中即包含目标生物图像中病灶的信息。由此可见，本发明提供的生物图像中的病灶分割方法、装置、设备及存储介质能够自动从目标生物图像中定位出病灶，这种方式不但节省了人力，减少了病灶定位的耗时，而且避免了人工定位病灶所造成的误诊、漏诊，定位出的病灶还能辅助医生进行快速准确的分析，提高了医生的诊断效率以及诊断准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的生物图像中的病灶分割方法的一流程示意图；
图2为本发明实施例提供的生物图像中的病灶分割方法中，通过预先建立的粗分割模型对目标生物图像进行粗分割处理的实现过程的流程示意图；
图3为本发明实施例提供的生物图像中的病灶分割方法的另一流程示意图；
图4为本发明实施例提供的生物图像中的病灶分割方法中，对候选病灶图像块进一步进行细分割，得到与目标候选病灶图像块对应的细分割掩膜块的实现过程的示意图；
图5为眼底图像以及眼底图像中病灶的示意图；
图6为本发明实施例提供的对目标眼底图像进行病灶分割过程的示意图；
图7为本发明实施例提供的通过粗分割模型对目标眼底图像进行粗分割处理实现过程的示意图；
图8为本发明实施例以目标眼底图像中的软渗出病灶为示例，提供的粗分割模型的训练过程示意图；
图9为本发明实施例以目标眼底图像中的软渗出病灶为示例，提供的从与粗分割模型对应的候选病灶中识别出非真实病灶，并基于识别结果修正粗分割掩膜，获得目标分割掩膜的实现过程的示意图；
图10为本发明实施例以目标眼底图像中的软渗出病灶为示例，提供的对目标分割掩膜对应的候选病灶图像块进一步进行细分割处理的实现过程的示意图；
图11为本发明实施例提供的生物图像中的病灶分割装置的一结构示意图；
图12为本发明实施例提供的图像处理设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
鉴于现有技术中人工定位病灶的方式不但费时费力，而且主观性较强，很容易导致漏诊、误诊，本发明实施例提供了一种生物图像中的病灶分割方法，该方法能够自动定位出病灶，请参阅图1，示出了该方法的流程示意图，可以包括：
步骤S101：获取目标生物图像。
其中，目标生物图像可由专业的生物图像采集设备采集得到，目标生物图像可以为彩色图像，也可以为灰度图像。
在本实施例中，目标生物图像可以但不限定为眼底图像，眼底图像可以由眼底相机拍摄得到。
步骤S102：对目标生物图像进行粗分割处理，粗分割处理后得到粗分割掩膜。
其中，粗分割掩膜为二值图像，粗分割掩膜中包含目标生物图像中候选病灶的信息，具体地，粗分割掩膜中包含了目标生物图像中候选病灶的边界信息。
需要说明的是，候选病灶可以包括真实病灶，也可以包括被误认为真实病灶的非真实病灶，即粗分割掩膜中包含目标生物图像中可能为病灶区域的信息。
步骤S103：从候选病灶中识别非真实病灶，并基于识别结果修正粗分割掩膜，以使粗分割掩膜中不包含识别出的非真实病灶的信息，修正后得到的目标分割掩膜作为目标生物图像对应的病灶分割掩膜。
对目标生物图像进行粗分割的目的在于，从目标生物图像中定位出所有可能的病灶，而这势必会定位出一些非真实病灶，即病灶分割的准确率不够高，而本步骤的目的在于从这些可能的病灶中识别出非真实病灶，进而基于识别结果去修正粗分割掩膜，使修正后的分割掩膜不包含识别出的非真实病灶的信息，从而提高病灶分割的准确率。
本发明实施例提供的生物图像中的病灶分割方法，首先获取目标生物图像，然后对目标生物图像进行粗分割，从而得到包含目标生物图像中候选病灶信息的粗分割掩膜，鉴于粗分割掩膜中可能包含非真实病灶的信息，为了提高病灶分割的准确性，进一步基于粗分割掩膜从候选病灶中识别非真实病灶，并基于识别结果修正粗分割掩膜，从而使得粗分割掩膜中不包含识别出的非真实病灶的信息，修正后的分割掩膜便可作为目标生物图像对应的病灶分割掩膜，病灶分割掩膜中即包含目标生物图像中病灶的边界信息。由此可见，本发明实施例提供的生物图像中的病灶分割方法能够自动从目标生物图像中定位出病灶，这种方式不但节省了人力，减少了病灶定位的耗时，而且避免了人工定位病灶所造成的误诊、漏诊，定位出的病灶还能辅助医生进行快速准确的分析，提高了医生的诊断效率以及诊断准确率。
在本申请的另一个实施例中，对前述实施例中步骤S102：对目标生物图像进行粗分割处理，粗分割处理后得到粗分割掩膜进行介绍。
对目标生物图像进行粗分割，得到粗分割掩膜的过程可以包括：通过预先建立的粗分割模型对目标生物图像进行粗分割，得到粗分割掩膜。
其中，粗分割模型采用训练生物图像和对应的标注分割掩膜进行训练得到。在一种可能的实现方式中，训练生物图像可以来自开源的生物图像集和/或医院提供的真实生物图像，标注分割掩膜可通过专家标注获得。
在本实施例中，训练粗分割模型的过程可以包括：获取训练生物图像和对应的标注分割掩膜；对标注分割掩膜进行连通域分析，通过分析确定训练生物图像中病灶区域；从训练生物图像中提取包含病灶区域的图像块作为训练病灶图像块；将训练病灶图像块输入粗分割模型进行训练。在一种可能的实现方式中，在提取训练病灶图像块时，可先确定病灶的中心，然后以病灶的中心为中心提取预设大小的训练病灶图像块。
进一步地，请参阅图2，示出了通过预先建立的粗分割模型对目标生物图像进行粗分割处理，粗分割处理后得到粗分割掩膜的实现过程的流程示意图，可以包括：
步骤S201：将目标生物图像分割成预设大小的图像块，得到多个图像块。
在一种可能的实现方式中，可采用基于固定步长的滑窗从目标生物图像中采样图像块的方式分割图像，通过采样得到多个图像块。
步骤S202：将每个图像块输入预先建立的粗分割模型，获得粗分割模型输出的、与输入的图像块对应的粗分割掩膜块。
即，每向粗分割模型中输入一个图像块，便可获得一对应的粗分割掩膜块。
其中，粗分割模型以从训练生物图像中提取的以病灶为中心的图像块即病灶图像块为训练样本，以对应的标注分割掩膜中对应的标注分割掩膜块为样本标签进行训练得到，作为训练样本的病灶图像块基于对应的标注分割掩膜进行提取。
步骤S203：将各个图像块对应的粗分割掩膜块进行融合，融合后得到粗分割掩膜。
在本实施例中，对获得的所有粗分割掩膜块进行融合，融合后得到一幅与目标生物图像大小相同的粗分割掩膜。
在一种可能的实现方式中，可将目标生物图像划分为预设大小且互不重叠的图像块，然后将每个图像块输入预先建立的粗分割模型，获得粗分割模型输出的、与输入的图像块对应的粗分割掩膜块，最后基于各个图像块在目标生物图像中的位置，将各个图像块对应的粗分割掩膜块进行拼接，得到一幅与目标生物图像大小相同的粗分割掩膜。
在本申请的另一个实施例中，对前述实施例步骤S103：从候选病灶中识别非真实病灶，并基于识别结果修正粗分割掩膜进行介绍。
为了保证粗分割掩膜中包含所有可能的病灶的信息，即保证粗分割模型具有较高的病灶召回率，会将对目标生物图像分割后得到的所有图像块均输入到粗分割模型中，即，输入到粗分割模型中的图像块有的是包含病灶区域的，有的是不包含病灶区域的，而粗分割模型是利用包含病灶区域的图像块进行训练得到，因此，当目标生物图像中不包含病灶的图像块输入粗分割模型后，很可能会被当作包含病灶的图像块，即，当不包含病灶的图像块输入粗分割模型，粗分割模型输出的分割掩膜块可能包含非真实病灶的信息，这将导致最终融合得到的粗分割掩膜中包含非真实病灶的信息，而步骤S103的目的在于识别出这些非真实病灶，使分割掩膜中不包含这些识别出的非真实病灶的信息，从而提高病灶分割的准确率。
在一种可能的实现方式中，从候选病灶中识别非真实病灶的过程可以包括：基于粗分割掩膜，从目标生物图像中提取候选病灶图像块，其中，候选病灶图像块为包含候选病灶的图像块；从候选病灶图像块中识别候选病灶为非真实病灶的图像块。
进一步地，基于粗分割掩膜，从目标生物图像中提取候选病灶图像块的过程可以包括：基于粗分割掩膜，确定目标生物图像中的候选病灶区域；根据候选病灶区域的位置，从目标生物图像中提取预设大小、包含候选病灶区域的图像块，作为候选病灶图像块。
由于粗分割掩膜中包含候选病灶的信息，因此，通过对粗分割掩膜进行连通域分析和形态学操作可从目标生物图像中确定出候选病灶区域的位置，进而根据候选病灶区域的位置从目标生物图像中提取候选病灶图像块，具体的，可以候选病灶区域的中心为中心，从目标生物图像中提取预设大小的候选病灶图像块。
在一种可能的实现方式中，从候选病灶图像块中识别候选病灶为非真实病灶的图像块的过程可以包括：将每个候选病灶图像块输入预先建立的病灶识别模型，获得病灶识别模型输出的、指示输入的候选病灶图像块中的候选病灶是否为真实病灶的识别结果。
其中，病灶识别模型训练时的训练数据包括基于粗分割模型输出的粗分割掩膜从训练生物图像中提取的训练候选病灶图像块，样本标签包括训练候选病灶图像块是否为真实病灶的标注结果。
在本实施例中，用于训练病灶识别模型的样本包括正样本和负样本，其中，正样本指的是候选病灶为真实病灶的训练候选病灶图像块，而负样本指的是候选病灶为非真实病灶的训练候选病灶图像块。通常情况下，用于训练病灶识别模型的样本中负样本较多，而正样本较少，因此，存在正负样分布不均衡的问题，而正负样本分布不均衡，势必会影响病灶识别模型的识别准确率。
为了提高病灶识别模型的识别准确率，本实施例可对正样本进行数据增强处理，比如，对正样本进行旋转、缩放、平移等处理，进行各种数据增强处理后得到的样本作为正样本，即，通过数据增强处理后，正样本的数量增加，从而均衡了正负样本的分布。
需要说明的是，若要实现正负样本的均衡，首选需要从训练候选病灶图像块中识别出正样本和负样本。由于每个训练生物图像对应一标注分割掩膜，因此，从训练生物图像中提取的每个训练候选病灶图像块对应一标注分割掩膜块，在一种可能的实现方式中，可将粗分割模型输出的、与训练候选病灶图像块对应的分割掩膜块与对应的标注分割掩膜块比对，通过比对结果确定该训练候选病灶图像块是正样本还是负样本，比如，若训练候选病灶图像块对应的分割掩膜块与对应的标注分割掩膜块的重合比例大于预设比例，则认为该训练候选病灶图像块是正样本，否则为负样本。
在一种可能的实现方式中，病灶识别模型可以为卷积神经网络，其拓扑结构包括输入层、卷积层、池化层、全连接层和输入层，输入层输入的为候选病灶图像块，输出层输出的为指示输入层输入的候选病灶图像块是否为真实病灶的识别结果。需要说明的是，在采用上述获得的正负样本对卷积神经网络进行训练时所使用的训练算法可以为目前常用的训练算法，如SGD算法等，本实施例不对训练算法做具体限定。
在某些时候，可能存在病灶识别模型的训练数据中大部分负样本为易负例，而难负例的数量较少的情况，需要说明的是，易负例指的是很容易与病灶区分的负样本，即负样本中的非真实病灶与真实病灶差异较大，很容易区分，而难负例指的是较难与病灶区分的负样本，即负样本中的非真实病灶与真实病灶差异较小，不易区分。负样本中易负例与难负例的比例不均衡会导致训练出来的病灶识别模型偏向于将病灶与易负例区分开来，而与难负例比较难区分，进而会导致训练得到的病灶识别模型对于病灶的识别准确率不够高。另外，当粗分割模型的结构比较简单时，病灶的分割结果并不是很准确，即确定出的病灶的边界与真实边界存在少许差异。
鉴于上述问题，本发明实施例还提供了一种生物图像中的病灶分割方法，请参阅图3，示出了该方法的流程示意图，可以包括：
步骤S301：获取目标生物图像。
其中，目标生物图像可由专业的生物图像采集设备采集得到，目标生物图像可以为彩色图像，也可以为灰度图像。
在本实施例中，目标生物图像可以但不限定为眼底图像，眼底图像可以由眼底相机拍摄得到。
步骤S302：对目标生物图像进行粗分割处理，粗分割处理后得到粗分割掩膜。
其中，粗分割掩膜为二值图像，粗分割掩膜中包含目标生物图像中候选病灶的信息，具体地，粗分割掩膜中包含了目标生物图像中候选病灶的边界信息。
步骤S303：基于粗分割掩膜从候选病灶中识别非真实病灶，并基于识别结果修正粗分割掩膜，以使粗分割掩膜中不包含识别出的非真实病灶的信息，修正后得到目标分割掩膜。
需要说明的是，本实施例中的步骤S301～步骤S303的具体实现过程与上述实施例中步骤S101～步骤S103的具体实现过程基本相同，其具体实现过程可参见上述实施例，本实施例在此不作赘述。
步骤S304：对目标分割掩膜对应的病灶区域进行细分割处理，细分割处理后得到细分割掩膜块。
请参阅图4，示出了上述对候选病灶图像块进一步进行细分割，得到与目标候选病灶图像块对应的细分割掩膜块的实现过程的示意图，可以包括：
步骤S401：获取与目标分割掩膜对应的候选病灶图像块。
上述过程中，在获得粗分割掩膜后，可基于粗分割掩膜从目标生物图像中提取候选病灶图像块作为与粗分割掩膜对应的候选病灶图像块，本步骤中与目标分割掩膜对应的候选病灶图像块为，从与粗分割掩膜对应的候选病灶图像块中滤除病灶识别模型识别出的非真实病灶图像块后，剩余的候选病灶图像块。
步骤S402：对候选病灶图像块进一步进行细分割，得到与目标候选病灶图像块对应的细分割掩膜块。
在本实施例中，对候选病灶图像块进一步进行细分割，得到与目标候选病灶图像块对应的细分割掩膜块的过程可以包括：将每个目标候选病灶图像块输入预先建立的细分割模型，获得细分割模型输出的、与输入的目标候选病灶图像块对应的细分割掩膜块。
其中，细分割掩膜以基于病灶识别模型输出的识别结果获取的训练候选病灶图像块作为训练样本，以训练候选病灶图像块是否为病灶区域而对应的分类标签进行训练得到的。
需要说明的是，本实施例中的细分割模型与上述的粗分割模型的拓扑结构基本一致，不同之处在于，细分割模型采用了更复杂的分割网络，比如，添加了更多的卷积层与反卷积层，采用了多种融合手段等。
步骤S403：基于细分割掩膜块，修正目标分割掩膜，得到细分割掩膜。
具体的，基于细分割掩膜块中的像素值更新目标分割掩膜中对应的像素值，从而得到细分割掩膜。
步骤S305：对粗分割掩膜和细分割掩膜进行融合，融合后得到的分割掩膜作为目标生物图像对应的病灶分割掩膜。
需要说明的是，在一种可选的实现方式中，可将细分割处理后得到的细分割掩膜块作为目标生物图像对应的病灶分割掩膜。通过上述细分割处理，前一阶段遗留的难负例被很好的抑制掉，但考虑到少量细分割掩膜存在少许误差，为了弥补这种误差，在另一种可选的实现方式中，可将粗分割掩膜与细分割掩膜进行融合，将融合后得到的分割掩膜作为目标生物图像对应的病灶分割掩膜，通过融合能够在有效抑制非真实病灶的前提下提高真实病灶分割掩膜的准确度。
对粗分割掩膜和细分割掩膜进行融合的方式有多种，比如，可对粗分割掩膜和细分割掩膜求均值，即，将粗分割掩膜和细分割掩膜相同位置的像素值求和除以2，再比如，对粗分割掩膜和细分割掩膜求最大值，即，从粗分割掩膜和细分割掩膜相同位置的两个像素值中确定最大的像素值。
本发明实施例提供的生物图像中的病灶分割方法，首先获取目标生物图像，然后对目标生物图像进行粗分割，从而得到包含目标生物图像中候选病灶信息的粗分割掩膜，鉴于粗分割掩膜中可能包含非真实病灶的信息，为了提高病灶分割的准确性，进一步基于粗分割掩膜从候选病灶中识别非真实病灶，并基于识别结果修正粗分割掩膜，从而使得粗分割掩膜中不包含识别出的非真实病灶的信息，为了进一步提高分割掩膜的准确度，本实施例进一步对修正后得到的目标分割掩膜对应的病灶区域进行细分割处理，从而得到细分割掩膜，最后将粗分割掩膜与细分割掩膜进行融合，将融合后的分割掩膜作为目标生物图像对应的病灶分割掩膜，病灶分割掩膜中包含了目标生物图像中病灶的边界信息。由此可见，本发明实施例提供的生物图像中的病灶分割方法能够自动从目标生物图像中定位出病灶，且能够给出病灶的边界信息，这种方式不但节省了人力，减少了病灶定位的耗时，而且避免了人工定位病灶所造成的误诊、漏诊，定位出的病灶还能辅助医生进行快速准确的分析，提高了医生的诊断效率以及诊断准确率。
以下以目标生物图像为眼底图像为例，对上述本发明实施例提供的方法进行说明。
首先对眼底图像中病灶的相关背景进行介绍：
糖尿病视网膜病变(以下简称糖网病)是眼科常见的致盲性疾病，是由于糖尿病导致血糖过高损害视网膜毛细血管造成的视网膜病变，具有很高的发病率。糖网病发展到最后，会出现新生血管性增值膜、牵引性视网膜脱落、新生血管性青光眼，最终导致失明。据世界卫生组织公布，糖网病是全世界导致视力损失和失明的主要原因。由于病变的不可逆性，预防是最重要的一环，而且早期预防的花费远远低于晚期治疗的费用，疗效也更加好，因此，若能及时发现与治疗可以加大地降低视力丧失的风险。糖网病最早期的症状为视网膜毛细血管局部扩张而形成的微动脉瘤，如图5所示，其在眼底图像中一般表现为细微红点，随之出现的出血点、硬渗出、软渗出往往表明了糖网病的不同严重程度，因此准确检测出视网膜病灶，对糖网病的早期诊断和治疗具有非常重要的意义。然而，眼底图像很大，病灶却很小，医生肉眼很难从眼底图像中定位出病灶，且肉眼定位病灶主观性较强，很容易造成漏诊、误诊。
本实施例提供的病灶分割方法能够自动从眼底图像中定位出病灶的边界信息，以下以病灶为软渗出为例，结合图6对本实施例中的病灶分割方法进行说明：
(1)获取目标眼底图像601。
可采用眼底相机拍摄获取目标眼底图像。
(2)对目标眼底图像601进行粗分割处理，得到粗分割掩膜603。
粗分割掩膜603中包括候选软渗出病灶的信息，即目标眼底图像601中可能为软渗出病灶的信息。
具体地，对眼底图像进行粗分割处理的过程包括：通过粗分割模型602对目标眼底图像601进行粗分割处理，得到粗分割掩膜603。
请参阅图7，示出了通过粗分割模型602对目标眼底图像601进行粗分割处理的实现过程示意图，可以包括：基于软渗出这一病灶的大小，将目标眼底图像601分割为多个预设大小的图像块；将分割得到的每个图像块输入预先建立的粗分割模型602，获得粗分割模型602输出的、与输入的图像块对应的粗分割掩膜块；将所有图像块对应的粗分割掩膜块进行融合，融合后得到与目标眼底图像601相同大小的粗分割掩膜603。其中，粗分割模型602以从训练眼底图像中提取的软渗出病灶图像块为训练样本，以该软渗出病灶图像块对应的标注分割掩膜块为标签进行训练得到，需要说明的是，每个训练眼底图像对应一标注分割掩膜，相应地，从训练眼底图像中提取的软渗出病灶图像块对应标注分割掩膜中的一标注分割掩膜块。
请参阅图8，示出了训练粗分割模型的过程的示意图，可以包括：获取训练样本图像801；对与该训练样本图像801对应的标注分割掩膜进行连通域分析，确定训练样本图像801中的软渗出病灶；从训练样本图像801中提取包含软渗出病灶的图像块作为软渗出病灶图像块802；将提取出的软渗出病灶图像块802输入粗分割模型进行训练。具体地，在提取软渗出病灶图像块802时，可确定训练样本图像801中软渗出病灶的中心，以软渗出病灶的中心为中心提取预设大小的图像块。
(3)从与粗分割模型602对应的候选软渗出病灶中识别出非真实软渗出病灶，并基于识别结果修正粗分割掩膜603，以使粗分割掩膜603中不包含识别出的非真实软渗出病灶的信息，修正后的掩膜作为目标分割掩膜605。
请参阅图9，示出了从与粗分割模型602对应的候选软渗出病灶中识别出非真实软渗出病灶，并基于识别结果修正粗分割掩膜603，获得目标分割掩膜605的实现过程的示意图，可以包括：基于粗分割掩膜603从目标眼底图像601中提取候选软渗出病灶图像块901；将每个候选软渗出病灶图像块输入预先建立的病灶识别模型604，获得病灶识别模型604输出的指示输入的候选软渗出病灶图像块中的候选软渗出病灶是否为真实软渗出病灶的识别结果，其中，训练病灶识别模型604的训练数据包括基于粗分割模型输出的粗分割掩膜确定的训练候选软渗出病灶图像块，样本标签包括训练候选软渗出病灶图像块中的候选软渗出病灶是否为真实软渗出病灶的标注结果。
(4)对目标分割掩膜605对应的候选软渗出病灶图像块进一步进行细分割处理，细分割处理后得到细分割掩膜607。
请参阅图10，示出了对目标分割掩605对应的候选软渗出病灶图像块1001进一步进行细分割处理的实现过程的示意图，可以包括：获取目标分割掩膜605对应的候选软渗出病灶图像块1001作为目标候选软渗出病灶图像块；将每个目标候选软渗出病灶图像块输入预先建立的细分割模型606，获得细分割模型606输出的、与输入的目标候选软渗出病灶图像块对应的细分割掩膜块；基于细分割掩膜块，修正目标分割掩膜605，得到细分割掩膜607。其中，细分割掩膜以基于病灶识别模型604输出的识别结果获取的训练候选病灶图像块作为训练样本，以训练候选病灶图像块是否为病灶区域而对应的分类标签进行训练得到的。
(5)对粗分割掩膜603和细分割掩膜607进行融合处理608，融合后的掩膜作为目标眼底图像601对应的软渗出病灶分割掩膜。
其中，软渗出病灶分割掩膜中包括了目标眼底图像中软渗出病灶的边界信息。
需要说明的是，上述部分给出了从眼底图像中定位软渗出病灶的过程，本实施并不限定于此，眼底图像中的其它病灶如微动脉瘤、出血点等其它病灶也可采用上述方式检测。
从上述过程可知，本发明实施例提供的方法能够自动从眼底图像中定位出软渗出病灶，并且能够定位出软渗出病灶的边界，从而能够辅助医生进行快速准确地分析，本发明实施例提供的病灶分割方法不但能够提高医生的阅片效率，还能很大程度上减少小病灶的漏检、误检，即能够提高医生的诊断效率和诊断准确率。
与上述方法相对应，本发明实施例还提供了一种生物图像中的病灶分割装置，请参阅图11，示出了该装置的结构示意图，可以包括：图像获取模块1101、粗分割模块1102和掩膜修正模块1103。
图像获取模块1101，用于获取目标生物图像。
粗分割模块1102，用于对所述目标生物图像进行粗分割处理，粗分割处理后得到粗分割掩膜，所述粗分割掩膜中包含所述目标生物图像中候选病灶的信息。
掩膜修正模块1103，用于从所述候选病灶中识别非真实病灶，并基于识别结果修正所述粗分割掩膜，以使所述粗分割掩膜中不包含识别出的所述非真实病灶的信息，修正后得到的目标分割掩膜作为所述目标生物图像对应的病灶分割掩膜。
本发明实施例提供的生物图像中的病灶分割装置，首先获取目标生物图像，然后对目标生物图像进行粗分割，从而得到包含目标生物图像中候选病灶信息的粗分割掩膜，鉴于粗分割掩膜中可能包含非真实病灶的信息，为了提高病灶分割的准确性，进一步基于粗分割掩膜从候选病灶中识别非真实病灶，并基于识别结果修正粗分割掩膜，从而使得粗分割掩膜中不包含识别出的非真实病灶的信息，修正后的分割掩膜便可作为目标生物图像对应的病灶分割掩膜，病灶分割掩膜中即包含目标生物图像中病灶的边界信息。由此可见，本发明实施例提供的生物图像中的病灶分割装置，能够自动从目标生物图像中定位出病灶，这种方式不但节省了人力，减少了病灶定位的耗时，而且避免了人工定位病灶所造成的误诊、漏诊，定位出的病灶还能辅助医生进行快速准确的分析，提高了医生的诊断效率以及诊断准确率。
上述实施例提供的生物图像中的病灶分割装置中，粗分割模块1102，具体用于通过预先建立的粗分割模型对所述目标生物图像进行粗分割处理，粗分割处理后得到所述粗分割掩膜。
其中，所述粗分割模型采用训练生物图像和对应的标注分割掩膜进行训练得到。
上述实施例提供的生物图像中的病灶分割装置中，粗分割模块1102包括：图像分割子模块、粗分割子模块和掩膜融合子模块。
图像分割子模块，用于将所述目标生物图像分割成预设大小的图像块。
粗分割子模块，用于将每个所述图像块输入所述粗分割模型，获得所述粗分割模型输出的、与输入的所述图像块对应的粗分割掩膜，其中，所述粗分割模型以从训练生物图像中提取的训练病灶图像块为训练样本，以对应的标注分割掩膜中对应的标注分割掩膜块为标签进行训练得到。
掩膜融合子模块，用于将各个所述图像块对应的粗分割掩膜块进行融合，融合后得到所述粗分割掩膜。
上述实施例提供的生物图像中的病灶分割装置中，掩膜修正模块1103包括：图像块提取子模块和病灶识别子模块。
图像块提取子模块，用于基于所述粗分割掩膜，从所述目标生物图像中提取候选病灶图像块。
病灶识别子模块，用于从所述候选病灶图像块中识别候选病灶为非真实病灶的图像块。
在一种可能的实现方式中，图像块提取子模块具体用于基于所述粗分割掩膜，确定所述目标生物图像中的候选病灶区域，根据所述候选病灶区域的位置，从所述目标生物图像中提取预设大小、包含所述候选病灶区域的图像块，作为所述候选病灶图像块。
在一种可能的实现方式中，病灶识别子模块，具体用于将每个所述候选病灶图像块输入预先建立的病灶识别模型，获得所述病灶识别模型输出的、指示输入的所述候选病灶图像块中的候选病灶是否为真实病灶的识别结果；其中，所述病灶识别模型训练时的训练数据包括基于所述粗分割模型输出的粗分割掩膜，从训练生物图像中提取的训练候选病灶图像块，样本标签包括所述训练候选病灶图像块是否为真实病灶的标注结果。
优选地，上述实施例提供的生物图像中的病灶分割装置还包括：细分割模块。
细分割模块，用于对所述目标分割掩膜对应的病灶区域进行细分割处理，细分割处理后得到的细分割掩膜作为目标生物图像对应的病灶分割掩膜。
优选地，上述实施例提供的生物图像中的病灶分割装置还包括：掩膜融合模块。
掩膜融合模块，用于对所述粗分割掩膜和所述细分割掩膜进行融合，融合后得到的分割掩膜作为所述目标生物图像对应的病灶分割掩膜。
在一种可能的实现方式中，细分割模块包括：获取子模块、细分割子模块和掩膜修正子模块。
获取子模块，用于获取与所述目标分割掩膜对应的候选病灶图像块，作为目标候选病灶图像块；
细分割子模块，用于对所述目标候选病灶图像块进一步进行细分割，得到与所述目标候选病灶图像块对应的细分割掩膜块；
掩膜修正子模块，用于基于所述细分割掩膜块，修正所述目标分割掩膜，修正后得到所述细分割掩膜。
在一种可能的实现方式中，细分割子模块，具体用于将每个目标候选病灶图像块输入预先建立的细分割模型，获得所述细分割模型输出的、与输入的所述目标候选病灶图像块对应的细分割掩膜块；其中，所述细分割模型以基于所述病灶识别模型输出的识别结果获取的训练候选病灶图像块作为训练样本，以所述训练候选病灶图像块是否为病灶区域而对应的分类标签进行训练得到的。
本发明实施例还提供了一种图像处理设备，请参阅图12，示出了本发明实施例提供的图像处理设备的结构示意图，可以包括：存储器1201和处理器1202。
存储器1201，用于存储程序；
处理器1202，用于执行所述程序，所述程序具体用于：
获取目标生物图像；
对所述目标生物图像进行粗分割处理，粗分割处理后得到粗分割掩膜，其中，所述粗分割掩膜中包含所述目标生物图像中候选病灶的信息；
基于所述粗分割掩膜从所述候选病灶中识别非真实病灶，并基于识别结果修正所述粗分割掩膜，以使所述粗分割掩膜中不包含识别出的所述非真实病灶的信息；修正后得到的目标分割掩膜作为所述目标生物图像对应的病灶分割掩膜。
图像处理设备还可以包括：总线、通信接口1203、输入设备1204和输出设备1205。
处理器1202、存储器1201、通信接口1203、输入设备1204和输出设备1205通过总线相互连接。其中：
总线可包括一通路，在计算机系统各个部件之间传送信息。
处理器1202可以是通用处理器，例如通用中央处理器(CPU)、微处理器等，也可以是特定应用集成电路(application-specific integrated circuit，ASIC)，或一个或多个用于控制本发明方案程序执行的集成电路。还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
处理器1202可包括主处理器，还可包括基带芯片、调制解调器等。
存储器1201中保存有执行本发明技术方案的程序，还可以保存有操作系统和其他关键业务。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。更具体的，存储器1201可以包括只读存储器(read-only memory，ROM)、可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器(randomaccess memory，RAM)、可存储信息和指令的其他类型的动态存储设备、磁盘存储器、flash等等。
输入设备1204可包括接收用户输入的数据和信息的装置，例如键盘、鼠标、摄像头、扫描仪、光笔、语音输入装置、触摸屏、计步器或重力感应器等。
输出设备1205可包括允许输出信息给用户的装置，例如显示屏、打印机、扬声器等。
通信接口1203可包括使用任何收发器一类的装置，以便与其他设备或通信网络通信，如以太网，无线接入网(RAN)，无线局域网(WLAN)等。
处理器1202执行存储器1201中所存放的程序，以及调用其他设备，可用于实现本发明实施例所提供的生物图像中的病灶分割方法的各个步骤。
本发明实施例还提供了一种可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述任一实施例提供的生物图像中的病灶分割方法的各个步骤。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (15)
1.一种生物图像中的病灶分割方法，其特征在于，包括：
获取目标生物图像；
对所述目标生物图像进行粗分割处理，粗分割处理后得到粗分割掩膜，所述粗分割掩膜中包含所述目标生物图像中候选病灶的信息；
从所述候选病灶中识别非真实病灶，并基于识别结果修正所述粗分割掩膜，以使所述粗分割掩膜中不包含识别出的所述非真实病灶的信息，修正后得到的目标分割掩膜作为所述目标生物图像对应的病灶分割掩膜。
2.根据权利要求1所述的生物图像中的病灶分割方法，其特征在于，所述对所述目标生物图像进行粗分割处理，粗分割处理后得到粗分割掩膜，包括：
通过预先建立的粗分割模型对所述目标生物图像进行粗分割处理，粗分割处理后得到所述粗分割掩膜；
其中，所述粗分割模型采用训练生物图像和对应的标注分割掩膜进行训练得到。
3.根据权利要求2所述的生物图像中的病灶分割方法，其特征在于，所述通过预先建立的粗分割模型对所述目标生物图像进行粗分割处理，粗分割处理后得到所述粗分割掩膜，包括：
将所述目标生物图像分割成预设大小的图像块；
将每个所述图像块输入所述粗分割模型，获得所述粗分割模型输出的、与输入的所述图像块对应的粗分割掩膜，其中，所述粗分割模型以从训练生物图像中提取的病灶图像块为训练样本，以对应的标注分割掩膜中对应的标注分割掩膜块为标签进行训练得到；
将各个所述图像块对应的粗分割掩膜块进行融合，融合后得到所述粗分割掩膜。
4.根据权利要求1所述的生物图像中的病灶分割方法，其特征在于，所述从所述候选病灶中识别非真实病灶，包括：
基于所述粗分割掩膜，从所述目标生物图像中提取候选病灶图像块；
从所述候选病灶图像块中识别候选病灶为非真实病灶的图像块。
5.根据权利要求4所述的生物图像中的病灶分割方法，其特征在于，所述基于所述粗分割掩膜，从所述目标生物图像中提取候选病灶图像块，包括：
基于所述粗分割掩膜，确定所述目标生物图像中的候选病灶区域；
根据所述候选病灶区域的位置，从所述目标生物图像中提取预设大小、包含所述候选病灶区域的图像块，作为所述候选病灶图像块。
6.根据权利要求4所述的生物图像中的病灶分割方法，其特征在于，所述从所述候选病灶图像块中识别候选病灶为非真实病灶的图像块，包括：
将每个所述候选病灶图像块输入预先建立的病灶识别模型，获得所述病灶识别模型输出的、指示输入的所述候选病灶图像块中的候选病灶是否为真实病灶的识别结果；
其中，所述病灶识别模型训练时的训练数据包括基于所述粗分割模型输出的粗分割掩膜，从训练生物图像中提取的训练候选病灶图像块，样本标签包括所述训练候选病灶图像块是否为真实病灶的标注结果。
7.根据权利要求1～6中任意一项所述的生物图像中的病灶分割方法，其特征在于，还包括：
对所述目标分割掩膜对应的病灶区域进行细分割处理，细分割处理后得到的细分割掩膜作为所述目标生物图像对应的病灶分割掩膜。
8.根据权利要求7所述的生物图像中的病灶分割方法，其特征在于，还包括：
对所述粗分割掩膜和所述细分割掩膜进行融合，融合后得到的分割掩膜作为所述目标生物图像对应的病灶分割掩膜。
9.根据权利要求7所述的生物图像中的病灶分割方法，其特征在于，所述对所述目标分割掩膜对应的病灶区域进行细分割处理，包括：
获取与所述目标分割掩膜对应的候选病灶图像块，作为目标候选病灶图像块；
对所述目标候选病灶图像块进一步进行细分割，得到与所述目标候选病灶图像块对应的细分割掩膜块；
基于所述细分割掩膜块，修正所述目标分割掩膜，修正后得到所述细分割掩膜。
10.根据权利要求7所述的生物图像中的病灶分割方法，其特征在于，所述对所述目标候选病灶图像块进一步进行细分割，得到与所述目标候选病灶图像块对应的细分割掩膜块，包括：
将每个目标候选病灶图像块输入预先建立的细分割模型，获得所述细分割模型输出的、与输入的所述目标候选病灶图像块对应的细分割掩膜块；
其中，所述细分割模型以基于所述病灶识别模型输出的识别结果获取的训练候选病灶图像块作为训练样本，以所述训练候选病灶图像块是否为病灶区域而对应的分类标签进行训练得到的。
11.一种生物图像中的病灶分割装置，其特征在于，包括：图像获取模块、粗分割模块和掩膜修正模块；
所述图像获取模块，用于获取目标生物图像；
所述粗分割模块，用于对所述目标生物图像进行粗分割处理，粗分割处理后得到粗分割掩膜，所述粗分割掩膜中包含所述目标生物图像中候选病灶的信息；
所述掩膜修正模块，用于从所述候选病灶中识别非真实病灶，并基于识别结果修正所述粗分割掩膜，以使所述粗分割掩膜中不包含识别出的所述非真实病灶的信息，修正后得到的目标分割掩膜作为所述目标生物图像对应的病灶分割掩膜。
12.根据权利要求11所述的生物图像中的病灶分割装置，其特征在于，还包括：细分割模块；
所述细分割模块，用于对所述目标分割掩膜对应的病灶区域进行细分割处理，细分割处理后得到的细分割掩膜作为所述目标生物图像对应的病灶分割掩膜。
13.根据权利要求12所述的生物图像中的病灶分割装置，其特征在于，还包括：掩膜融合模块；
所述掩膜融合模块，用于对所述粗分割掩膜和所述细分割掩膜进行融合，融合后得到的分割掩膜作为所述目标生物图像对应的病灶分割掩膜。
14.一种图像处理设备，其特征在于，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，所述程序具体用于：
获取目标生物图像；
对所述目标生物图像进行粗分割处理，粗分割处理后得到粗分割掩膜，其中，所述粗分割掩膜中包含所述目标生物图像中候选病灶的信息；
基于所述粗分割掩膜从所述候选病灶中识别非真实病灶，并基于识别结果修正所述粗分割掩膜，以使所述粗分割掩膜中不包含识别出的所述非真实病灶的信息；修正后得到的目标分割掩膜作为所述目标生物图像对应的病灶分割掩膜。
15.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至10中任一项所述的生物图像中的病灶分割方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810521405.8A CN108682015B (zh) | 2018-05-28 | 2018-05-28 | 一种生物图像中的病灶分割方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810521405.8A CN108682015B (zh) | 2018-05-28 | 2018-05-28 | 一种生物图像中的病灶分割方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108682015A true CN108682015A (zh) | 2018-10-19 |
| CN108682015B CN108682015B (zh) | 2021-10-19 |
Family
ID=63808567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810521405.8A Active CN108682015B (zh) | 2018-05-28 | 2018-05-28 | 一种生物图像中的病灶分割方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108682015B (zh) |
Cited By (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109493343A (zh) * | 2018-12-29 | 2019-03-19 | 上海鹰瞳医疗科技有限公司 | 医疗图像异常区域分割方法及设备 |
| CN109712111A (zh) * | 2018-11-22 | 2019-05-03 | 平安科技（深圳）有限公司 | 一种皮肤癌种类识别方法、系统、计算机设备和存储介质 |
| CN109872333A (zh) * | 2019-02-20 | 2019-06-11 | 腾讯科技（深圳）有限公司 | 医学影像分割方法、装置、计算机设备和存储介质 |
| CN109919912A (zh) * | 2019-01-28 | 2019-06-21 | 平安科技（深圳）有限公司 | 一种医学影像的质量评价方法和装置 |
| CN109978886A (zh) * | 2019-04-01 | 2019-07-05 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN110084275A (zh) * | 2019-03-29 | 2019-08-02 | 广州思德医疗科技有限公司 | 一种训练样本的选取方法及装置 |
| CN110310235A (zh) * | 2019-05-21 | 2019-10-08 | 北京至真互联网技术有限公司 | 眼底图像处理方法、装置及设备和存储介质 |
| CN110491480A (zh) * | 2019-05-22 | 2019-11-22 | 腾讯科技（深圳）有限公司 | 一种医疗图像处理方法、装置、电子医疗设备和存储介质 |
| CN110533637A (zh) * | 2019-08-02 | 2019-12-03 | 杭州依图医疗技术有限公司 | 一种检测对象的方法及装置 |
| CN110580702A (zh) * | 2019-07-16 | 2019-12-17 | 慧影医疗科技（北京）有限公司 | 一种用于腹主动脉瘤边界分割的方法 |
| CN110600122A (zh) * | 2019-08-23 | 2019-12-20 | 腾讯医疗健康(深圳)有限公司 | 一种消化道影像的处理方法、装置、以及医疗系统 |
| CN110786824A (zh) * | 2019-12-02 | 2020-02-14 | 中山大学 | 基于边界框修正网络的粗标注眼底照出血病变检测方法及系统 |
| CN110796145A (zh) * | 2019-09-19 | 2020-02-14 | 平安科技（深圳）有限公司 | 基于智能决策的多证件分割关联方法及相关设备 |
| CN110956635A (zh) * | 2019-11-15 | 2020-04-03 | 上海联影智能医疗科技有限公司 | 一种肺段分割方法、装置、设备及存储介质 |
| CN111127466A (zh) * | 2020-03-31 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 医学图像检测方法、装置、设备及存储介质 |
| WO2020125806A1 (en) * | 2018-12-17 | 2020-06-25 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image segmentation |
| WO2020135792A1 (en) * | 2018-12-28 | 2020-07-02 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for generating image metric |
| CN111369565A (zh) * | 2020-03-09 | 2020-07-03 | 麦克奥迪（厦门）医疗诊断系统有限公司 | 一种基于图卷积网络的数字病理图像的分割与分类方法 |
| CN111539944A (zh) * | 2020-04-28 | 2020-08-14 | 安徽科大讯飞医疗信息技术有限公司 | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 |
| CN111785363A (zh) * | 2020-06-03 | 2020-10-16 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种基于ai引导的慢性病辅助诊断系统 |
| CN111932495A (zh) * | 2020-06-30 | 2020-11-13 | 数坤（北京）网络科技有限公司 | 一种医学图像检测方法、装置及存储介质 |
| CN111951215A (zh) * | 2020-06-30 | 2020-11-17 | 数坤（北京）网络科技有限公司 | 一种图像检测方法、装置及计算机可读存储介质 |
| CN112308077A (zh) * | 2020-11-02 | 2021-02-02 | 中科麦迪人工智能研究院(苏州)有限公司 | 样本数据获取方法、图像分割方法、装置、设备和介质 |
| CN112330731A (zh) * | 2020-11-30 | 2021-02-05 | 深圳开立生物医疗科技股份有限公司 | 图像处理装置、方法、设备、超声系统及可读存储介质 |
| CN112686812A (zh) * | 2020-12-10 | 2021-04-20 | 广州广电运通金融电子股份有限公司 | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 |
| CN113177928A (zh) * | 2021-05-18 | 2021-07-27 | 数坤(北京)网络科技股份有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
| CN113344854A (zh) * | 2021-05-10 | 2021-09-03 | 深圳瀚维智能医疗科技有限公司 | 基于乳腺超声视频的病灶检测方法、装置、设备及介质 |
| CN113538469A (zh) * | 2020-04-20 | 2021-10-22 | 千寻位置网络有限公司 | 带顶点图像的分割模型训练方法及带顶点图像的分割方法 |
| CN114092364A (zh) * | 2021-08-12 | 2022-02-25 | 荣耀终端有限公司 | 图像处理方法及其相关设备 |
| CN114757953A (zh) * | 2022-06-15 | 2022-07-15 | 深圳瀚维智能医疗科技有限公司 | 医学超声图像识别方法、设备及存储介质 |
| CN115375603A (zh) * | 2021-05-17 | 2022-11-22 | 数坤(北京)网络科技股份有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
| WO2023186133A1 (zh) * | 2022-04-02 | 2023-10-05 | 武汉联影智融医疗科技有限公司 | 一种用于穿刺路径规划的系统及方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105513041A (zh) * | 2015-10-28 | 2016-04-20 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及系统 |
| CN105787927A (zh) * | 2016-02-06 | 2016-07-20 | 上海市第人民医院 | 视网膜眼底图像的渗出液检测方法 |
| CN106447682A (zh) * | 2016-08-29 | 2017-02-22 | 天津大学 | 基于帧间相关性的乳腺mri病灶的自动分割方法 |
| CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
| CN107016681A (zh) * | 2017-03-29 | 2017-08-04 | 浙江师范大学 | 基于全卷积网络的脑部mri肿瘤分割方法 |
| US9760807B2 (en) * | 2016-01-08 | 2017-09-12 | Siemens Healthcare Gmbh | Deep image-to-image network learning for medical image analysis |
| CN107644225A (zh) * | 2017-10-31 | 2018-01-30 | 北京青燕祥云科技有限公司 | 肺部病灶识别方法、装置和实现装置 |
| CN108010021A (zh) * | 2017-11-30 | 2018-05-08 | 上海联影医疗科技有限公司 | 一种医学图像处理系统和方法 |
-
2018
- 2018-05-28 CN CN201810521405.8A patent/CN108682015B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105513041A (zh) * | 2015-10-28 | 2016-04-20 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及系统 |
| US9760807B2 (en) * | 2016-01-08 | 2017-09-12 | Siemens Healthcare Gmbh | Deep image-to-image network learning for medical image analysis |
| CN105787927A (zh) * | 2016-02-06 | 2016-07-20 | 上海市第人民医院 | 视网膜眼底图像的渗出液检测方法 |
| CN106447682A (zh) * | 2016-08-29 | 2017-02-22 | 天津大学 | 基于帧间相关性的乳腺mri病灶的自动分割方法 |
| CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
| CN107016681A (zh) * | 2017-03-29 | 2017-08-04 | 浙江师范大学 | 基于全卷积网络的脑部mri肿瘤分割方法 |
| CN107644225A (zh) * | 2017-10-31 | 2018-01-30 | 北京青燕祥云科技有限公司 | 肺部病灶识别方法、装置和实现装置 |
| CN108010021A (zh) * | 2017-11-30 | 2018-05-08 | 上海联影医疗科技有限公司 | 一种医学图像处理系统和方法 |
Cited By (53)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109712111A (zh) * | 2018-11-22 | 2019-05-03 | 平安科技（深圳）有限公司 | 一种皮肤癌种类识别方法、系统、计算机设备和存储介质 |
| US11341734B2 (en) | 2018-12-17 | 2022-05-24 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image segmentation |
| WO2020125806A1 (en) * | 2018-12-17 | 2020-06-25 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image segmentation |
| US11836925B2 (en) | 2018-12-17 | 2023-12-05 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image segmentation |
| WO2020135792A1 (en) * | 2018-12-28 | 2020-07-02 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for generating image metric |
| US11436720B2 (en) | 2018-12-28 | 2022-09-06 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for generating image metric |
| CN109493343A (zh) * | 2018-12-29 | 2019-03-19 | 上海鹰瞳医疗科技有限公司 | 医疗图像异常区域分割方法及设备 |
| CN109919912A (zh) * | 2019-01-28 | 2019-06-21 | 平安科技（深圳）有限公司 | 一种医学影像的质量评价方法和装置 |
| CN109872333B (zh) * | 2019-02-20 | 2021-07-06 | 腾讯科技（深圳）有限公司 | 医学影像分割方法、装置、计算机设备和存储介质 |
| US11854205B2 (en) | 2019-02-20 | 2023-12-26 | Tencent Technology (Shenzhen) Company Limited | Medical image segmentation method and apparatus, computer device, and storage medium |
| CN109872333A (zh) * | 2019-02-20 | 2019-06-11 | 腾讯科技（深圳）有限公司 | 医学影像分割方法、装置、计算机设备和存储介质 |
| CN110084275A (zh) * | 2019-03-29 | 2019-08-02 | 广州思德医疗科技有限公司 | 一种训练样本的选取方法及装置 |
| CN109978886B (zh) * | 2019-04-01 | 2021-11-09 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN109978886A (zh) * | 2019-04-01 | 2019-07-05 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN110310235A (zh) * | 2019-05-21 | 2019-10-08 | 北京至真互联网技术有限公司 | 眼底图像处理方法、装置及设备和存储介质 |
| US11984225B2 (en) | 2019-05-22 | 2024-05-14 | Tencent Technology (Shenzhen) Company Limited | Medical image processing method and apparatus, electronic medical device, and storage medium |
| CN110491480A (zh) * | 2019-05-22 | 2019-11-22 | 腾讯科技（深圳）有限公司 | 一种医疗图像处理方法、装置、电子医疗设备和存储介质 |
| CN110491480B (zh) * | 2019-05-22 | 2021-04-30 | 腾讯科技（深圳）有限公司 | 一种医疗图像处理方法、装置、电子医疗设备和存储介质 |
| CN110580702A (zh) * | 2019-07-16 | 2019-12-17 | 慧影医疗科技（北京）有限公司 | 一种用于腹主动脉瘤边界分割的方法 |
| CN110533637A (zh) * | 2019-08-02 | 2019-12-03 | 杭州依图医疗技术有限公司 | 一种检测对象的方法及装置 |
| CN110533637B (zh) * | 2019-08-02 | 2022-02-11 | 杭州依图医疗技术有限公司 | 一种检测对象的方法及装置 |
| CN110600122A (zh) * | 2019-08-23 | 2019-12-20 | 腾讯医疗健康(深圳)有限公司 | 一种消化道影像的处理方法、装置、以及医疗系统 |
| CN110600122B (zh) * | 2019-08-23 | 2023-08-29 | 腾讯医疗健康(深圳)有限公司 | 一种消化道影像的处理方法、装置、以及医疗系统 |
| CN110796145B (zh) * | 2019-09-19 | 2024-01-19 | 平安科技（深圳）有限公司 | 基于智能决策的多证件分割关联方法及相关设备 |
| CN110796145A (zh) * | 2019-09-19 | 2020-02-14 | 平安科技（深圳）有限公司 | 基于智能决策的多证件分割关联方法及相关设备 |
| CN110956635A (zh) * | 2019-11-15 | 2020-04-03 | 上海联影智能医疗科技有限公司 | 一种肺段分割方法、装置、设备及存储介质 |
| CN110956635B (zh) * | 2019-11-15 | 2023-12-01 | 上海联影智能医疗科技有限公司 | 一种肺段分割方法、装置、设备及存储介质 |
| CN110786824B (zh) * | 2019-12-02 | 2021-06-15 | 中山大学 | 基于边界框修正网络的粗标注眼底照出血病变检测方法及系统 |
| CN110786824A (zh) * | 2019-12-02 | 2020-02-14 | 中山大学 | 基于边界框修正网络的粗标注眼底照出血病变检测方法及系统 |
| CN111369565A (zh) * | 2020-03-09 | 2020-07-03 | 麦克奥迪（厦门）医疗诊断系统有限公司 | 一种基于图卷积网络的数字病理图像的分割与分类方法 |
| CN111369565B (zh) * | 2020-03-09 | 2023-09-15 | 麦克奥迪（厦门）医疗诊断系统有限公司 | 一种基于图卷积网络的数字病理图像的分割与分类方法 |
| CN111127466A (zh) * | 2020-03-31 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 医学图像检测方法、装置、设备及存储介质 |
| CN113538469A (zh) * | 2020-04-20 | 2021-10-22 | 千寻位置网络有限公司 | 带顶点图像的分割模型训练方法及带顶点图像的分割方法 |
| CN113538469B (zh) * | 2020-04-20 | 2022-09-27 | 千寻位置网络有限公司 | 带顶点图像的分割模型训练方法及带顶点图像的分割方法 |
| CN111539944A (zh) * | 2020-04-28 | 2020-08-14 | 安徽科大讯飞医疗信息技术有限公司 | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 |
| CN111539944B (zh) * | 2020-04-28 | 2024-04-09 | 讯飞医疗科技股份有限公司 | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 |
| CN111785363A (zh) * | 2020-06-03 | 2020-10-16 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种基于ai引导的慢性病辅助诊断系统 |
| CN111932495B (zh) * | 2020-06-30 | 2021-09-07 | 数坤(北京)网络科技股份有限公司 | 一种医学图像检测方法、装置及存储介质 |
| CN111951215A (zh) * | 2020-06-30 | 2020-11-17 | 数坤（北京）网络科技有限公司 | 一种图像检测方法、装置及计算机可读存储介质 |
| CN111932495A (zh) * | 2020-06-30 | 2020-11-13 | 数坤（北京）网络科技有限公司 | 一种医学图像检测方法、装置及存储介质 |
| CN112308077A (zh) * | 2020-11-02 | 2021-02-02 | 中科麦迪人工智能研究院(苏州)有限公司 | 样本数据获取方法、图像分割方法、装置、设备和介质 |
| WO2022089267A1 (zh) * | 2020-11-02 | 2022-05-05 | 中科麦迪人工智能研究院(苏州)有限公司 | 样本数据获取方法、图像分割方法、装置、设备和介质 |
| CN112330731A (zh) * | 2020-11-30 | 2021-02-05 | 深圳开立生物医疗科技股份有限公司 | 图像处理装置、方法、设备、超声系统及可读存储介质 |
| CN112686812B (zh) * | 2020-12-10 | 2023-08-29 | 广州广电运通金融电子股份有限公司 | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 |
| WO2022121039A1 (zh) * | 2020-12-10 | 2022-06-16 | 广州广电运通金融电子股份有限公司 | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 |
| CN112686812A (zh) * | 2020-12-10 | 2021-04-20 | 广州广电运通金融电子股份有限公司 | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 |
| CN113344854A (zh) * | 2021-05-10 | 2021-09-03 | 深圳瀚维智能医疗科技有限公司 | 基于乳腺超声视频的病灶检测方法、装置、设备及介质 |
| CN115375603A (zh) * | 2021-05-17 | 2022-11-22 | 数坤(北京)网络科技股份有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
| CN113177928A (zh) * | 2021-05-18 | 2021-07-27 | 数坤(北京)网络科技股份有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
| CN114092364B (zh) * | 2021-08-12 | 2023-10-03 | 荣耀终端有限公司 | 图像处理方法及其相关设备 |
| CN114092364A (zh) * | 2021-08-12 | 2022-02-25 | 荣耀终端有限公司 | 图像处理方法及其相关设备 |
| WO2023186133A1 (zh) * | 2022-04-02 | 2023-10-05 | 武汉联影智融医疗科技有限公司 | 一种用于穿刺路径规划的系统及方法 |
| CN114757953A (zh) * | 2022-06-15 | 2022-07-15 | 深圳瀚维智能医疗科技有限公司 | 医学超声图像识别方法、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108682015B (zh) | 2021-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108682015A (zh) | 一种生物图像中的病灶分割方法、装置、设备及存储介质 | |
| Asiri et al. | Deep learning based computer-aided diagnosis systems for diabetic retinopathy: A survey | |
| US20220076420A1 (en) | Retinopathy recognition system | |
| US20220165418A1 (en) | Image-based detection of ophthalmic and systemic diseases | |
| Shah et al. | Validation of deep convolutional neural network-based algorithm for detection of diabetic retinopathy–artificial intelligence versus clinician for screening | |
| Christopher et al. | Effects of study population, labeling and training on glaucoma detection using deep learning algorithms | |
| Du et al. | Deep learning approach for automated detection of myopic maculopathy and pathologic myopia in fundus images | |
| CN105411525B (zh) | 一种眼底照片图像智能获取识别系统 | |
| Gunasekeran et al. | Artificial intelligence in ophthalmology in 2020: a technology on the cusp for translation and implementation | |
| Tang et al. | Detection of diabetic retinopathy from ultra-widefield scanning laser ophthalmoscope images: a multicenter deep learning analysis | |
| Aquino | Establishing the macular grading grid by means of fovea centre detection using anatomical-based and visual-based features | |
| WO2020140370A1 (zh) | 眼底出血点的自动检测方法、装置及计算机可读存储介质 | |
| WO2020042500A1 (zh) | 一种基于远程眼底筛查的健康大数据服务方法和系统 | |
| Wang et al. | Automatic grading system for diabetic retinopathy diagnosis using deep learning artificial intelligence software | |
| CN112869697A (zh) | 同时识别糖尿病视网膜病变的分期和病变特征的判断方法 | |
| Al Turk et al. | Evidence based prediction and progression monitoring on retinal images from three nations | |
| Vimala et al. | Diagnosis of diabetic retinopathy by extracting blood vessels and exudates using retinal color fundus images | |
| Suedumrong et al. | Application of deep convolutional neural networks vgg-16 and googlenet for level diabetic retinopathy detection | |
| Zhou et al. | Computer aided diagnosis for diabetic retinopathy based on fundus image | |
| Sridhar et al. | Artificial intelligence in medicine: diabetes as a model | |
| Talcott et al. | Automated detection of abnormal optical coherence tomography b-scans using a deep learning artificial intelligence neural network platform | |
| Toutain-Kidd et al. | Evaluation of fungal keratitis using a newly developed computer program, Optscore, for grading digital corneal photographs | |
| Larsen et al. | Assessment of automated screening for treatment-requiring diabetic retinopathy | |
| Mohan et al. | Using artificial intelligence in diabetic retinopathy | |
| Lam et al. | Performance of Artificial Intelligence in Detecting Diabetic Macular Edema From Fundus Photography and Optical Coherence Tomography Images: A Systematic Review and Meta-analysis |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190228 Address after: 230088 Room 288, H2 Building, Phase II, Innovation Industrial Park, 2800 Innovation Avenue, Hefei High-tech Zone, Anhui Province Applicant after: ANHUI IFLYTEK MEDICAL INFORMATION TECHNOLOGY CO.,LTD. Address before: 230088 No. 666 Wangjiangxi Road, Hefei High-tech Zone, Anhui Province Applicant before: IFLYTEK Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 230088 floor 23-24, building A5, No. 666, Wangjiang West Road, high tech Zone, Hefei, Anhui Province Patentee after: Anhui Xunfei Medical Co.,Ltd. Address before: Room 288, H2 / F, phase II, innovation industrial park, 2800 innovation Avenue, high tech Zone, Hefei City, Anhui Province, 230088 Patentee before: ANHUI IFLYTEK MEDICAL INFORMATION TECHNOLOGY CO.,LTD. |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 230000 floor 23-24, building A5, No. 666, Wangjiang West Road, high tech Zone, Hefei City, Anhui Province Patentee after: IFLYTEK Medical Technology Co.,Ltd. Address before: 230088 floor 23-24, building A5, No. 666, Wangjiang West Road, high tech Zone, Hefei, Anhui Province Patentee before: Anhui Xunfei Medical Co.,Ltd. |