CN109447969B - 肝占位性病变识别方法、装置和实现装置 - Google Patents
肝占位性病变识别方法、装置和实现装置 Download PDFInfo
- Publication number
- CN109447969B CN109447969B CN201811269662.3A CN201811269662A CN109447969B CN 109447969 B CN109447969 B CN 109447969B CN 201811269662 A CN201811269662 A CN 201811269662A CN 109447969 B CN109447969 B CN 109447969B
- Authority
- CN
- China
- Prior art keywords
- image
- lesion
- detection frame
- suspected
- frame
- 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
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30056—Liver; Hepatic
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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种肝占位性病变识别方法、装置和实现装置,涉及医学影像的技术领域,包括获取第一CT图像;将每期第一CT图像经第一识别模型识别,识别出每期第一CT图像的疑似病灶位置;对疑似病灶位置进行横向和纵向合并得到检测框位置,根据检测框位置对每期第一CT图像进行纵向裁剪,得到第二CT图像;通过第二识别模型识别出第二CT图像中疑似病灶位置的病灶类型,并从疑似病灶位置中判断出目标病灶位置;通过第三识别模型对第一CT图像进行分割,得到第三CT图像,根据第三CT图像上留存的检测框,得到目标病灶位置的位置坐标,全面考虑四期图像间的横向特征和单期图像的纵向特征,大大提高识别结果的准确性。
Description
技术领域
本发明涉及医学影像技术领域,尤其是涉及一种肝占位性病变识别方法、装置和实现装置。
背景技术
占位性病变是医学影像诊断学中的专用名词,通常出现在X射线、B超、CT等检查结果中,指被检查的部位有一个多出来的组织部分,CT图像中包括有平扫期、动脉期、门静脉期和延迟期四期图像。
当前,肝占位性病变主要是通过人工从CT图像进行识别,计算机自动识别多是从CT图像的单期图像上进行识别,不能考虑四期图像间的横向特征和单期图像的纵向特征,识别结果的准确性不高。
发明内容
有鉴于此,本发明的目的在于提供一种肝占位性病变识别方法、装置和实现装置,全面考虑四期图像间的横向特征和单期图像的纵向特征,大大提高识别结果的准确性。
第一方面,本发明实施例提供了一种肝占位性病变识别方法,包括:
获取第一CT图像;将每期所述第一CT图像经第一识别模型识别,识别出每期所述第一CT图像的疑似病灶位置;
对所述疑似病灶位置进行横向和纵向合并得到检测框位置,根据所述检测框位置对所述每期第一CT图像进行纵向裁剪,得到第二CT图像,所述检测框为包括有疑似病灶位置的最小矩形;通过第二识别模型识别出所述第二CT图像中所述疑似病灶位置的病灶类型,并从所述疑似病灶位置中判断出目标病灶位置;
通过第三识别模型对所述第一CT图像进行分割,得到第三CT图像,根据第三CT图像上留存的所述检测框,得到所述目标病灶位置的位置坐标。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述对所述疑似病灶位置进行横向和纵向合并得到检测框位置,根据检测框位置对每期第一CT图像进行纵向裁剪,,得到第二CT图像包括:
根据所述对疑似病灶位置进行横向合并生成第一检测框,其中,所述第一检测框为包括有至少一期所述第一CT图像中的所述疑似病灶位置的最小矩形;
根据所述第一检测框的位置,得到纵向合并中心;
根据所述纵向合并中心,向上并向下各自挑选预设帧数图像,将所述第一检测框进行纵向合并,在所述纵向合并中心生成第二检测框,所述第二检测框为包括有所述预设帧数图像中所述第一检测框的最小矩形;
按照所述第二检测框进行裁剪,并按照四个预设色值通道进行合并,得到第二CT图像。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述纵向合并中心根据所述预设帧数平均值生成,所述将所述第一检测框进行纵向合并,在所述纵向合并中心生成第二检测框包括:
当所述第一CT图像中的纵向相邻帧图像都存在所述第一检测框时,选取包括有所述第一检测框的最小矩形作为所述第二检测框,并在所述纵向合并中心生成;
或者,
当所述第一CT图像中的纵向相邻帧图像中只存在一个所述第一检测框时,将所述第一检测框作为所述第二检测框,并在所述纵向合并中心生成。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述通过第二识别模型识别出所述第二CT图像中所述疑似病灶位置的病灶类型,并从所述疑似病灶位置中判断出目标病灶位置包括:
通过第二识别模型识别所述第二CT图像上所述疑似病灶位置的病灶类型;
根据所述病灶类型判断所述疑似病灶位置是否为所述目标病灶位置;
若所述病灶类型是预设病灶类型,则所述疑似病灶位置属于所述目标病灶位置;
若所述病灶类型非预设病灶类型,则所述疑似病灶位置不属于所述目标病灶位置。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述通过第三识别模型对所述第一CT图像进行分割,根据第三CT图像上留存的所述检测框,得到所述目标病灶位置的位置坐标包括:
通过第三识别模型对所述第一CT图像进行分割,得到第三CT图像,其中,所述第三CT图像为包括所述目标病灶位置的肝脏区域的所述第一CT图像;
根据所述第三CT图像上的留存的所述检测框,得到所述目标病灶位置的位置坐标,其中,所述检测框的左上角和右下角分别设置有点坐标,根据所述点坐标得到所述目标病灶位置的位置坐标。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述按照所述第二检测框进行裁剪,并按照四个预设色值通道进行合并,得到第二CT图像还包括:
将四期第一CT图像分别按照第二检测框进行纵向裁剪,并按照四个预设色值通道进行合并,得到第二CT图像。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,所述第一识别模型通过Faster RCNN神经网络训练而成;所述第二识别模型通过分类神经网络训练而成;所述第三识别模型通过U-net神经网络训练而成。
第二方面,本发明实施例还提供一种肝占位性病变识别装置,包括:
图像获取模块,用于获取第一CT图像;
疑似病灶识别模块,用于将每期所述第一CT图像经第一识别模型识别,识别出每期所述第一CT图像的疑似病灶位置;
合并裁剪模块,用于根据所述疑似病灶位置对所述第一CT图像进行横向和纵向合并,并根据检测框的位置进行纵向裁剪,得到第二CT图像,其中,检测框为包括有疑似病灶位置的最小矩形;病灶类型确定模块,用于通过第二识别模型识别出所述疑似病灶位置的病灶类型,并从所述疑似病灶位置中判断出目标病灶位置;
病灶位置确定模块,用于通过第三识别模型对所述第二CT图像进行分割,得到第三CT图像,根据第三CT图像上留存的所述检测框,得到所述目标病灶位置的位置坐标。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,所述合并裁剪模块还用于根据所述对疑似病灶位置进行横向合并生成第一检测框,其中,所述第一检测框为包括有至少一期所述第一CT图像中的所述疑似病灶位置的最小矩形;根据所述第一检测框的位置,得到纵向合并中心;根据所述纵向合并中心,向上并向下各自挑选预设帧数图像,将所述第一检测框进行纵向合并,在所述纵向合并中心生成第二检测框,所述第二检测框为包括有所述预设帧数图像中所述第一检测框的最小矩形;按照所述第二检测框进行裁剪,并按照四个预设色值通道进行合并,得到第二CT图像。
结合第三方面,本发明实施例还提供一种肝占位性病变识别的实现装置,包括处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现上述的方法。
本发明实施例提供了一种肝占位性病变识别方法、装置和实现装置,通过第一识别模型识别出每期第一CT图像的疑似病灶位置,将四期第一CT图像上检出的疑似病灶位置进行横向和纵向合并,以及纵向裁剪,选取四期第一CT图像的横向特征和纵向特征,再通过第二识别模型根据病灶类型从第二CT图像中识别出目标病灶位置,经第三识别模型将第一CT图像包括有目标病灶位置的区域进行分割,根据第三CT图像上的检测框确定目标病灶位置的位置坐标,全面考虑四期第一CT图像的特征,准确率较高;
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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他的附图。
图1为本发明实施例提供的一种肝占位性病变识别方法流程图;
图2为本发明实施例提供的一种肝占位性病变识别功能框图;
图3为本发明实施例提供的一种肝占位性病变识别的实现装置结构示意图;
图4为本发明实施例提供的一种肝占位性病变识别的纵向合并示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
目前,肝占位性病变主要是通过人工从CT图像进行识别,计算机自动识别多是从CT图像的单期图像上进行识别,不能考虑四期图像间的横向特征和单期图像的纵向特征,识别结果的准确性不高。
基于此,本发明实施例提供的一种肝占位性病变识别方法、装置和实现装置,全面考虑四期图像间的横向特征和单期图像的纵向特征,大大提高识别结果的准确性。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种肝占位性病变识别方法进行详细介绍:
图1为本发明实施例提供的一种肝占位性病变识别方法流程图。
参照图1,肝占位性病变识别方法包括以下步骤:
步骤S110,获取第一CT图像,第一CT图像包括四期;
其中,从第一CT图像中能够识别出多个器官部分,包括肝脏、肺部等器官;
步骤S120,将每期第一CT图像经第一识别模型识别,识别出每期第一CT图像的疑似病灶位置;
步骤S130,对疑似病灶位置进行横向和纵向合并得到检测框位置,根据检测框位置对每期第一CT图像进行纵向裁剪,得到第二CT图像,检测框为包括有疑似病灶位置的最小矩形;
步骤S140,通过第二识别模型识别出所述第二CT图像中疑似病灶位置的病灶类型,并从疑似病灶位置中判断出目标病灶位置;
步骤S150,通过第三识别模型对第一CT图像进行分割,得到第三CT图像,根据第三CT图像上留存的检测框,得到目标病灶位置的位置坐标。
具体地,通过第一识别模型识别出每期第一CT图像的疑似病灶位置,将四期第一CT图像上检出的疑似病灶位置进行横向和纵向合并,以及纵向裁剪,选取四期第一CT图像的横向特征和纵向特征,再通过第二识别模型根据病灶类型从第二CT图像中识别出目标病灶位置,经第三识别模型将第一CT图像包括有目标病灶位置的区域进行分割,根据第三CT图像上的检测框确定目标病灶位置的位置坐标,全面考虑四期第一CT图像的特征,准确率较高;
其中,四期第一CT图像分别为A、B、C、D,每期CT图像在纵向有很多张图像,首先分别在这四期的所有图像上进行检测得到疑似病灶位置,如,A图像包括疑似病灶位置的图像a张,B图像包括疑似病灶位置的图像b张,再通过横向纵向合并,对检测出的疑似病灶位置进行合并,然后根据最终的合并结果在图像上进行裁剪;
进一步的,步骤S130包括以下步骤:
步骤S210,根据对疑似病灶位置进行横向合并生成第一检测框,其中,第一检测框为包括有至少一期第一CT图像中的疑似病灶位置的最小矩形;
具体地,通过第一识别模型识别出每期第一CT图像的疑似病灶位置,将四期第一CT图像中的疑似病灶位置进行横向合并,其中,在四期第一图像中,若相同位置处仅有一期图像上呈现疑似病灶位置,即将该疑似病灶位置作为第一检测框;若相同位置处出现多期图像上都呈现疑似病灶位置,则判断包括有疑似病灶位置的候选框是否有交集,若无,则将上述候选框都作为第一检测框,若有,则将把上述多个疑似病灶位置都包括进去的最小矩形作为第一检测框;需要说明的是,第一CT图像上的疑似病灶位置有至少一个,第一检测框的数目也为至少一个;
步骤S220,根据第一检测框的位置,得到纵向合并中心;
步骤S230,根据纵向合并中心,向上并向下各自挑选预设帧数图像,将第一检测框进行纵向合并,在纵向合并中心生成第二检测框,第二检测框为包括有预设帧数图像中第一检测框的最小矩形;
其中,如图4所示,纵向合并中心根据预设帧数平均值生成,将第10、11、12、13张进行纵向合并时,纵向合并中心选取(10+13)/2,直接取整为12;将第10、11、12、13、14、15张进行纵向合并时,纵向合并中心选取(10+15)/2,直接取整为17;
纵向合并中心位置是这个第二检测框所在的纵向张数,图4中为第12张,即裁剪的时候是以第12张为中心按照红框范围进行上下裁剪;
这里,对横向合并的结果进行纵向合并,判断预设张数范围内的第一CT图像中的第一检测框是否相交;若相交,则将预设张数内的第一检测框进行合并,得到包括上述第一检测框的最小矩形,第二检测框;若不相交,则不合并;
其中,若不在预设张数范围内的第一检测框不进行合并;
需要说明的是,预设张数范围为可调参数,可以设置为间隔不大于一,也可以设置为间隔不大于二,这里以间隔不大于一进行举例,例如横向合并后可能会出现连续的如第10,11,12,13,…张都有第一检测框,此时,对这些第一检测框进行纵向合并,先判断是否相交,不相交则不合并,相交则合并;如果在不连续的张数如10,12,13中间间隔一张的图像上,此时满足预设张数范围,间隔不大于一,也进行合并,但是如果间隔大于一张则不进行合并,如10,13,16,...;又如10,12,13,15,19,22,24,27,则10,12,13,15间隔不大于一进行合并,19与15、22间隔都大于一不进行合并,22,24间隔不大于一进行合并,27与24间隔大于一不进行合并;
其中,在步骤S230之前,还包括步骤S214,将第一CT图像纵向的每帧图像的分辨率设置为同一数值;
这里,在获取第二CT图像前,会对第一CT图像的初始分辨率进行设置,在进行纵向裁剪前,将纵向的每帧图像的分辨率与初始分辨率设置为相同数值;
步骤S230,按照第二检测框进行裁剪,并按照四个预设色值通道进行合并,得到第二CT图像。
具体地,第一CT图像纵向包括多帧图像,以最大的第二检测框为中心,同时向上并向下对称选取预设帧数的图像,按照最大的第二检测框的横向大小和纵向选取的帧数进行裁剪,并按照四个预设色值通道进行合并,得到第二CT图像;
这里的最大的第二检测框指能够包括预设帧数图像中的第一检测框的最小矩形,如图4中的一个最大第二检测框为包括有第10、11、12、13张图像中的第一检测框的最小矩形;
其中,预设帧数可按照图像像素清晰度等实际进行设置,优选8帧和16帧;
这里,横向和纵向为医学影像领域CT图像识别技术中的惯用术语,本领域技术人员能够毫无疑义地知晓此时的CT图像切片选取方向;
为了更好地考虑四期图像的纵向特征,上述实施例提供的步骤S220包括:
步骤S310,当第一CT图像中的纵向相邻帧图像都存在第一检测框时,选取包括有第一检测框的最小矩形作为第二检测框,并在纵向合并中心生成;
或者,
当第一CT图像中的纵向相邻帧图像中只存在一个第一检测框时,将第一检测框作为第二检测框,并在纵向合并中心生成。
这里,例如,第二帧图像帧中无第一检测框,第三至五帧图像帧中都有第一检测框,则从三至五帧图像帧中包括有第一检测框的最小矩形,即最大的第一检测框,将之作为第二检测框,又如,第二帧图像帧中无第一检测框,第三帧图像帧中存在第一检测框,第四帧图像帧中无第一检测框,则将第三帧图像帧中的第一检测框作为第二检测框,其中,纵向图像帧都为第一CT图像的图像数据帧;
需要说明的是,上述实施例中均对于第一CT图像是同一位置的单个第一检测框来说的,对于第一CT图像中的多个第一检测框找寻第二检测框的方法与上述相同;
进一步的,上述实施例中的步骤S140还可用以下步骤实现:
步骤S410,通过第二识别模型识别第二CT图像上疑似病灶位置的病灶类型;
步骤S420,根据病灶类型判断疑似病灶位置是否为目标病灶位置;
步骤S430,若病灶类型是预设病灶类型,则疑似病灶位置属于目标病灶位置;
步骤S440,若病灶类型非预设病灶类型,则疑似病灶位置不属于目标病灶位置。
这里,第二识别模型识别出第二CT图像上疑似病灶位置的病灶类型,此时判断出该疑似病灶位置实际不属于病灶或不属于目标病灶,如,该疑似病灶位置并无病灶,或预设目标病灶为肝部病灶,而此疑似病灶位置的病灶类型为肺部病灶,则该疑似病灶位置不属于目标病灶位置,其中需要经第二识别模型识别的第二CT图像为多个;
进一步的,为了进一步准确确定目标病灶的位置,步骤S150还包括:
步骤S510,通过第三识别模型对第一CT图像进行分割,得到第三CT图像,其中,第一CT图像为包括目标病灶位置的肝脏区域的第一CT图像;
步骤S520,根据第三CT图像上的留存的检测框,得到目标病灶位置的位置坐标,其中,检测框的左上角和右下角分别设置有点坐标,根据点坐标得到目标病灶位置的位置坐标。
其中,上述实施例中的通过改变检测框的坐标,进而实现对疑似病灶位置的横向和纵向合并;
这里,为了简便地进行一次分割,简化分割次数,而无需将图像的每期每帧进行分割,通过将合并裁剪后的图像再经第三识别模型进行分割,剔除目标病灶位置以外的区域,降低假阳性;
进一步的,本发明实施例步骤S230还包括:
步骤S212,将四期第一CT图像分别按照第二检测框进行纵向裁剪,并按照四个预设色值通道进行合并,得到第二CT图像。
这里,例如图片一般采用R、G、B三个通道设定色值,第二CT图像将四期第一CT图像作为四个通道来设定色值;
其中,第一识别模型通过Faster RCNN神经网络训练而成;第二识别模型通过分类神经网络训练而成;第三识别模型通过U-net神经网络训练而成;
这里,分类神经网络是通过学习病灶不同的变化特征来是判断病灶的类别的;
对应于上述方法实施例,参见图2所示的一种肝占位性病变识别装置的结构示意图;该装置包括如下部分:
图像获取模块,用于获取第一CT图像;
疑似病灶识别模块,用于将每期第一CT图像经第一识别模型识别,识别出每期第一CT图像的疑似病灶位置;
合并裁剪模块,用于对疑似病灶位置进行横向和纵向合并得到检测框位置,根据检测框位置对每期第一CT图像进行纵向裁剪,并按照四个预设色值通道进行合并,得到第二CT图像,检测框为包括有疑似病灶位置的最小矩形;
病灶类型确定模块,用于通过第二识别模型识别出第二CT图像中疑似病灶位置的病灶类型,并从疑似病灶位置中判断出目标病灶位置;
病灶位置确定模块,用于通过第三识别模型对第一CT图像进行分割,得到第三CT图像,根据第三CT图像上留存的检测框,得到目标病灶位置的位置坐标。
进一步的,合并裁剪模块还用于根据对疑似病灶位置进行横向合并生成第一检测框;根据第一检测框的位置,得到纵向合并中心;根据纵向合并中心,向上并向下各自挑选预设帧数图像,将第一检测框进行纵向合并,在纵向合并中心生成第二检测框,第二检测框为包括有预设帧数图像中第一检测框的最小矩形;按照第二检测框进行裁剪,并按照四个预设色值通道进行合并,得到第二CT图像,其中,第一检测框为包括有至少一期第一CT图像中的疑似病灶位置的最小矩形。
进一步的,纵向合并中心根据预设帧数平均值生成,合并裁剪模块还用于当第一CT图像中的纵向相邻帧图像都存在第一检测框时,选取包括有第一检测框的最小矩形作为第二检测框,并在纵向合并中心生成;
或者,
还用于当第一CT图像中的纵向相邻帧图像中只存在一个第一检测框时,将第一检测框作为第二检测框,并在纵向合并中心生成。
进一步的,病灶类型确定模块还用于通过第二识别模型识别第二CT图像上疑似病灶位置的病灶类型;根据病灶类型判断疑似病灶位置是否为目标病灶位置;若病灶类型是预设病灶类型,则疑似病灶位置属于目标病灶位置;若病灶类型非预设病灶类型,则疑似病灶位置不属于目标病灶位置。
进一步的,病灶位置确定模块还用于通过第三识别模型对第一CT图像进行分割,得到第三CT图像,其中,第三CT图像为包括目标病灶位置的肝脏区域的第一CT图像;根据第三CT图像上的留存的检测框,得到目标病灶位置的位置坐标,其中,检测框的左上角和右下角分别设置有点坐标,根据点坐标得到目标病灶位置的位置坐标。
进一步的,合并裁剪模块还用于将四期第一CT图像分别按照第二检测框进行纵向裁剪,并按照四个预设色值通道进行合并,得到第二CT图像。
进一步的,第一识别模型通过Faster RCNN神经网络训练而成;第二识别模型通过分类神经网络训练而成;第三识别模型通过U-net神经网络训练而成。
参见图3所示的一种肝占位性病变识别的实现装置的结构示意图;该设备包括存储器100和处理器101;其中,存储器100用于存储一条或多条计算机指令,一条或多条计算机指令被处理器执行,以实现上述肝占位性病变识别的实现方法,该肝占位性病变识别的实现方法可以包括以上方法中的一种或多种。
进一步,图3所示的网管设备还包括总线102和通信接口103,处理器101、通信接口103和存储器100通过总线102连接。
其中,存储器100可能包含高速随机存取存储器(RAM,RandomAccessMemory),也可能还包括非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线102可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器101可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称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。可以实现或者执行本发明实施方式中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施方式所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器100,处理器101读取存储器100中的信息,结合其硬件完成前述实施方式的方法的步骤。
进一步,本发明实施方式还提供了一种机器可读存储介质,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器调用和执行时,机器可执行指令促使处理器实现上述肝占位性病变识别的实现方法,该肝占位性病变识别的实现可以包括以上同步方法中的一种或多种。
本发明实施例所提供的肝占位性病变识别的实现方法、装置和实现装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品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设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种肝占位性病变识别方法,其特征在于,包括:
获取第一CT图像;
将每期所述第一CT图像经第一识别模型识别,识别出每期所述第一CT图像的疑似病灶位置;
对所述第一CT图像的疑似病灶位置进行横向和纵向合并得到第二检测框位置,根据所述第二检测框位置对所述每期第一CT图像进行纵向裁剪,得到第二CT图像;
通过第二识别模型识别出所述第二CT图像中所述疑似病灶位置的病灶类型,并从所述疑似病灶位置中判断出目标病灶位置;
通过第三识别模型对所述第一CT图像进行分割,得到第三CT图像,根据第三CT图像上留存的所述第二检测框,得到所述目标病灶位置的位置坐标;
所述对所述第一CT图像的疑似病灶位置进行横向和纵向合并得到第二检测框位置,根据所述第二检测框位置对每期第一CT图像进行纵向裁剪,得到第二CT图像包括:
对所述第一CT图像的疑似病灶位置进行横向合并生成第一检测框,其中,所述第一检测框为包括有至少一期所述第一CT图像中的所述疑似病灶位置的最小矩形;
根据所述第一检测框的位置,得到纵向合并中心;
根据所述纵向合并中心,向上并向下各自挑选预设帧数图像,将所述第一检测框进行纵向合并,在所述纵向合并中心生成第二检测框,所述第二检测框为包括有所述预设帧数图像中所述第一检测框的最小矩形;
按照所述第二检测框进行裁剪,并按照四个预设色值通道进行合并,得到第二CT图像。
2.根据权利要求1所述的肝占位性病变识别方法,其特征在于,所述纵向合并中心根据所述预设帧数的平均值生成,所述将所述第一检测框进行纵向合并,在所述纵向合并中心生成第二检测框包括:
当所述第一CT图像中的纵向相邻帧图像都存在所述第一检测框时,选取包括有所述第一检测框的最小矩形作为所述第二检测框,并在所述纵向合并中心生成;
或者,
当所述第一CT图像中的纵向相邻帧图像中只存在一个所述第一检测框时,将所述第一检测框作为所述第二检测框,并在所述纵向合并中心生成。
3.根据权利要求1所述的肝占位性病变识别方法,其特征在于,所述通过第二识别模型识别出所述第二CT图像中所述疑似病灶位置的病灶类型,并从所述疑似病灶位置中判断出目标病灶位置包括:
通过第二识别模型识别所述第二CT图像上所述疑似病灶位置的病灶类型;
根据所述病灶类型判断所述疑似病灶位置是否为所述目标病灶位置;
若所述病灶类型是预设病灶类型,则所述疑似病灶位置属于所述目标病灶位置;
若所述病灶类型非预设病灶类型,则所述疑似病灶位置不属于所述目标病灶位置。
4.根据权利要求1所述的肝占位性病变识别方法,其特征在于,所述通过第三识别模型对所述第一CT图像进行分割,根据第三CT图像上留存的所述第二检测框,得到所述目标病灶位置的位置坐标包括:
通过第三识别模型对所述第一CT图像进行分割,得到第三CT图像,其中,所述第三CT图像为包括所述目标病灶位置的肝脏区域的所述第一CT图像;
根据所述第三CT图像上的留存的所述第二检测框,得到所述目标病灶位置的位置坐标,其中,所述留存的所述第二检测框的左上角和右下角分别设置有点坐标,根据所述点坐标得到所述目标病灶位置的位置坐标。
5.根据权利要求1所述的肝占位性病变识别方法,其特征在于,所述按照所述第二检测框进行裁剪,并按照四个预设色值通道进行合并,得到第二CT图像还包括:
将四期第一CT图像分别按照第二检测框进行纵向裁剪,并按照四个预设色值通道进行合并,得到第二CT图像。
6.根据权利要求1所述的肝占位性病变识别方法,其特征在于,所述第一识别模型通过Faster RCNN神经网络训练而成;所述第二识别模型通过分类神经网络训练而成;所述第三识别模型通过U-net神经网络训练而成。
7.一种肝占位性病变识别装置,其特征在于,包括:
图像获取模块,用于获取第一CT图像;
第一CT图像的疑似病灶识别模块,用于将每期所述第一CT图像经第一识别模型识别,识别出每期所述第一CT图像的疑似病灶位置;
合并裁剪模块,用于对所述第一CT图像的疑似病灶位置进行横向和纵向合并得到第二检测框位置,根据第二检测框位置对每期第一CT图像进行纵向裁剪,得到第二CT图像,检测框为包括有疑似病灶位置的最小矩形;病灶类型确定模块,用于通过第二识别模型识别出所述第二CT图像中所述疑似病灶位置的病灶类型,并从所述疑似病灶位置中判断出目标病灶位置;
病灶位置确定模块,用于通过第三识别模型对所述第一CT图像进行分割,得到第三CT图像,根据第三CT图像上留存的所述第二检测框,得到所述目标病灶位置的位置坐标;
所述合并裁剪模块还用于对所述疑似病灶位置进行横向合并生成第一检测框,其中,所述第一检测框为包括有至少一期所述第一CT图像中的所述疑似病灶位置的最小矩形;根据所述第一检测框的位置,得到纵向合并中心;根据所述纵向合并中心,向上并向下各自挑选预设帧数图像,将所述第一检测框进行纵向合并,在所述纵向合并中心生成第二检测框,所述第二检测框为包括有所述预设帧数图像中所述第一检测框的最小矩形;按照所述第二检测框进行裁剪,并按照四个预设色值通道进行合并,得到第二CT图像。
8.一种肝占位性病变识别的实现装置,其特征在于,包括处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811269662.3A CN109447969B (zh) | 2018-10-29 | 2018-10-29 | 肝占位性病变识别方法、装置和实现装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811269662.3A CN109447969B (zh) | 2018-10-29 | 2018-10-29 | 肝占位性病变识别方法、装置和实现装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109447969A CN109447969A (zh) | 2019-03-08 |
CN109447969B true CN109447969B (zh) | 2021-08-10 |
Family
ID=65549743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811269662.3A Active CN109447969B (zh) | 2018-10-29 | 2018-10-29 | 肝占位性病变识别方法、装置和实现装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447969B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978861B (zh) * | 2019-03-27 | 2021-03-26 | 北京青燕祥云科技有限公司 | 骨髓灰质检测方法、装置、设备和计算机可读存储介质 |
CN109934841A (zh) * | 2019-03-27 | 2019-06-25 | 上海宽带技术及应用工程研究中心 | 肝部轮廓的检测方法、系统、存储介质、终端及显示系统 |
CN110610487A (zh) * | 2019-08-29 | 2019-12-24 | 上海杏脉信息科技有限公司 | 一种测量心影增大的方法与装置 |
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 |
CN111950595A (zh) * | 2020-07-14 | 2020-11-17 | 十堰市太和医院(湖北医药学院附属医院) | 肝脏病灶图像处理方法、系统、存储介质、程序、终端 |
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 |
CN113160149B (zh) * | 2021-03-31 | 2024-03-01 | 杭州海康威视数字技术股份有限公司 | 一种目标显示方法、装置、电子设备及内窥镜系统 |
CN113658106A (zh) * | 2021-07-21 | 2021-11-16 | 杭州深睿博联科技有限公司 | 一种基于腹部增强ct的肝脏病灶自动诊断系统 |
CN113658107A (zh) * | 2021-07-21 | 2021-11-16 | 杭州深睿博联科技有限公司 | 一种基于ct图像的肝脏病灶诊断方法及装置 |
CN113744266B (zh) * | 2021-11-03 | 2022-02-08 | 武汉楚精灵医疗科技有限公司 | 一种病灶检测框的显示方法、装置、电子设备及存储介质 |
CN114429649B (zh) * | 2022-04-07 | 2022-06-24 | 青岛美迪康数字工程有限公司 | 目标图像识别方法及装置 |
CN116758048B (zh) * | 2023-07-06 | 2024-02-27 | 河北大学 | 基于Transformer的PET/CT瘤周特征提取系统及提取方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断系统 |
CN104268893A (zh) * | 2014-10-16 | 2015-01-07 | 太原理工大学 | 一种用左右扫描和四个角旋转扫描对肺实质分割去噪的方法 |
CN104537645A (zh) * | 2014-12-15 | 2015-04-22 | 北京工业大学 | 一种基于血管内超声图像的roi标记点匹配方法 |
CN106203327A (zh) * | 2016-07-08 | 2016-12-07 | 清华大学 | 基于卷积神经网络的肺部肿瘤识别系统及方法 |
CN106940816A (zh) * | 2017-03-22 | 2017-07-11 | 杭州健培科技有限公司 | 基于3d全连接卷积神经网络的ct图像肺结节检测系统 |
CN107464234A (zh) * | 2017-07-24 | 2017-12-12 | 上海交通大学 | 基于rgb通道叠加方法的肺结节图像深度学习识别系统及其方法 |
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 |
CN108288271A (zh) * | 2018-02-06 | 2018-07-17 | 上海交通大学 | 基于三维残差网络的图像检测系统及方法 |
KR20180097035A (ko) * | 2017-02-22 | 2018-08-30 | 연세대학교 산학협력단 | 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치 |
-
2018
- 2018-10-29 CN CN201811269662.3A patent/CN109447969B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断系统 |
CN104268893A (zh) * | 2014-10-16 | 2015-01-07 | 太原理工大学 | 一种用左右扫描和四个角旋转扫描对肺实质分割去噪的方法 |
CN104537645A (zh) * | 2014-12-15 | 2015-04-22 | 北京工业大学 | 一种基于血管内超声图像的roi标记点匹配方法 |
CN106203327A (zh) * | 2016-07-08 | 2016-12-07 | 清华大学 | 基于卷积神经网络的肺部肿瘤识别系统及方法 |
KR20180097035A (ko) * | 2017-02-22 | 2018-08-30 | 연세대학교 산학협력단 | 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치 |
CN106940816A (zh) * | 2017-03-22 | 2017-07-11 | 杭州健培科技有限公司 | 基于3d全连接卷积神经网络的ct图像肺结节检测系统 |
CN107464234A (zh) * | 2017-07-24 | 2017-12-12 | 上海交通大学 | 基于rgb通道叠加方法的肺结节图像深度学习识别系统及其方法 |
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 |
CN108288271A (zh) * | 2018-02-06 | 2018-07-17 | 上海交通大学 | 基于三维残差网络的图像检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109447969A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447969B (zh) | 肝占位性病变识别方法、装置和实现装置 | |
JP6547386B2 (ja) | 画像処理装置及び方法 | |
JP2020513133A (ja) | 画像品質の評価方法及び装置 | |
CN107871319B (zh) | 限束器区域的检测方法、装置、x射线系统和存储介质 | |
US10282629B2 (en) | Main-subject detection method, main-subject detection apparatus, and non-transitory computer readable storage medium | |
JP4964171B2 (ja) | 対象領域抽出方法および装置ならびにプログラム | |
CN111695540A (zh) | 视频边框识别方法及裁剪方法、装置、电子设备及介质 | |
CN111242925B (zh) | 针对ct影像数据的目标检测方法、装置及电子设备 | |
US11532148B2 (en) | Image processing system | |
CN107315989B (zh) | 针对医学资料图片的文本识别方法和装置 | |
US20160259990A1 (en) | Region-of-interest detection apparatus, region-of-interest detection method, and recording medium | |
CN113379739B (zh) | 超声图像的识别方法、装置、设备及存储介质 | |
CN104395930A (zh) | 用于定位脊柱的方法、设备和系统 | |
KR20210005690A (ko) | 정보 처리 장치, 정보 처리 방법, 컴퓨터 프로그램 | |
CN110598566A (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
KR20120138635A (ko) | 영상 처리 방법, 영상 처리 장치 및 스캐너 | |
CN111652140A (zh) | 基于深度学习的题目精准分割方法、装置、设备和介质 | |
CN111932545A (zh) | 图像处理方法、目标计数方法及其相关装置 | |
CN113096097A (zh) | 血管图像检测方法及检测模型训练方法、相关装置、设备 | |
CN113743378B (zh) | 一种基于视频的火情监测方法和装置 | |
CN113763331A (zh) | 冠状动脉优势型判定方法、装置、存储介质及电子设备 | |
CN112017148A (zh) | 一种单节骨骼轮廓的提取方法及装置 | |
US11769322B2 (en) | Program creation device, object detection system, anchor setting method, and anchor setting program | |
JPH06208625A (ja) | 画像処理方法及び装置 | |
CN112101323B (zh) | 标题列表的识别方法、系统、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |