CN109741346B - 感兴趣区域提取方法、装置、设备及存储介质 - Google Patents
感兴趣区域提取方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109741346B CN109741346B CN201811645817.9A CN201811645817A CN109741346B CN 109741346 B CN109741346 B CN 109741346B CN 201811645817 A CN201811645817 A CN 201811645817A CN 109741346 B CN109741346 B CN 109741346B
- Authority
- CN
- China
- Prior art keywords
- region
- interest
- image
- medical image
- extraction model
- 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
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种感兴趣区域提取方法、装置、设备及存储介质,该方法包括:获取至少一张待提取医学图像,其中,所述待提取医学图像包括至少一个目标感兴趣区域;将所述待提取医学图像输入至预先训练得到的目标感兴趣区域提取模型中,得到目标感兴趣区域图像,其中,所述目标感兴趣区域提取模型基于半监督学习进行训练。本发明实施例的技术方案能提高对待提取医学图像的感兴趣区域的提取效率,而且鲁棒性更好和准确性更高。
Description
技术领域
本发明实施例涉及图像分割技术,尤其涉及一种感兴趣区域提取方法、装置、设备及存储介质。
背景技术
CT是脑科领域中的一种用途广泛且非常重要的医学影像技术。在脑科临床诊断中,医生通常根据脑部CT影像对患者脑组织区域进行诊断。随着CT设备的发展和普及,CT影像的数量和展示的内容越来越丰富,这导致了医生工作量的急剧增加。为了缓解临床医生诊断压力,计算机辅助诊断(CAD)技术应运而生。在脑部CT影像中,头骨的存在会干扰某些脑疾病的诊断,因此头骨去除是十分必要的。头骨去除能够提高该类方法对脑组织区域及其内部病灶区域的分割和判断的准确率。
目前的头骨去除方法主要分为两大类:传统方法和基于卷积神经网络的方法。传统头骨去除方法,主要包括:基于阈值和形态学操作、基于可变形模型、多种方式混合等。这些传统头骨去除方法基于头骨属于高亮区域的特点,但在某些病灶情况下(如硬膜下出血)容易将脑组织区域误分割,鲁棒性差、普适性差。
发明内容
本发明实施例提供了一种感兴趣区域提取方法、装置、设备及存储介质,以实现更准确地从图像中提取出感兴趣区域,提高了提取方法的鲁棒性和准确性。
第一方面,本发明实施例提供了一种感兴趣区域提取方法,该方法包括:
获取至少一张待提取医学图像,其中,所述待提取医学图像包括至少一个目标感兴趣区域;
将所述待提取医学图像输入至预先训练得到的目标感兴趣区域提取模型中,得到目标感兴趣区域图像,其中,所述目标感兴趣区域提取模型基于半监督学习进行训练。
第二方面,本发明实施例还提供了一种感兴趣区域提取装置,该装置包括:
获取至少一张待提取医学图像,其中,所述待提取医学图像包括至少一个目标感兴趣区域;
将所述待提取医学图像输入至预先训练得到的目标感兴趣区域提取模型中,得到目标感兴趣区域图像,其中,所述目标感兴趣区域提取模型基于半监督学习进行训练。
第三方面,本发明实施例还提供了一种设备,该设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例中任一所述的感兴趣区域提取方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明实施例中任一所述的感兴趣区域提取方法。
本发明实施例的技术方案,采用半监督学习的方法获取目标感兴趣区域提取模型,用于提取目标感兴趣区域,解决了现有提取方法在提取目标感兴趣区域时,容易出现分割错误、鲁棒性差以及普适性差等技术问题,能够更准确地从待提取医学图像中提取出感兴趣区域,提高了提取效率,同时提高了感兴趣区域提取方法的鲁棒性和准确性。
附图说明
图1a是本发明实施例一中提供的一种感兴趣区域提取方法的流程图;
图1b是本发明实施例一中提供的一种感兴趣区域提取模型的训练方法的流程图;
图2a是本发明实施例二中提供的一种感兴趣区域提取方法的流程图;
图2b是本发明实施例二中提供的自动标注感兴趣区域标注图像的效果示意图;
图2c是本发明实施例二中提供的训练过程的流程图;
图3a是本发明实施例三中提供的一种感兴趣区域提取装置的结构示意图;
图3b是本发明实施例三中提供的一种感兴趣区域提取装置的结构示意图;
图4是本发明实施例四中的提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1a为本发明实施例一中提供的感兴趣区域提取方法的流程图,本实施例可适用于提取感兴趣区域的情况,尤其适用于医学图像的感兴趣区域提取。该方法可以由感兴趣区域提取装置来执行,该装置可以由硬件和/或软件来实现,该装置可集成于设备(例如机顶盒遥控器)中来执行,
如图1a所示,本实施例的方法具体包括:
步骤110、获取至少一张待提取医学图像,其中,所述待提取医学图像包括至少一个目标感兴趣区域。
在医学图像的采集中,为了获取更全面更准确的信息,在针对预设扫查部位进行扫描时,往往会采集到关联部位或者邻近区域的组织信息。但,用户所要重点关注的区域或者说感兴趣的区域可能为医学图像的局部区域,此时需要对该区域的图像进行提取。由于医学图像是基于目标对象的信息进行采集,即使同一目标对象的不同部位或不同目标对象的同一部位的扫描往往存在个体差异性。因此,待提取医学图像中的目标感兴趣区域也不尽相同。在本发明实施例中,所述待提取医学图像可以包括一个、两个或两个以上的目标感兴趣区域。
可以理解的是,可以获取一张、两张或两张以上的待提取医学图像。所述两张以及两张以上的待提取医学图像的图像内容可以相同也可以不同,可以来自于同一次扫查,也可以是来自于不同的扫查,在此并不做具体限定。
步骤120、将所述待提取医学图像输入至预先训练得到的目标感兴趣区域提取模型中,得到目标感兴趣区域图像,其中,所述目标感兴趣区域提取模型基于半监督学习进行训练。
其中,所述目标感兴趣区域提取模型基于半监督学习进行训练可以理解为所述目标感兴趣区域提取模型根据已标注感兴趣区域的医学图像和未标注感兴趣区域的医学图像进行训练。其中,将已标注感兴趣区域的医学图像作为训练样本,将未标注感兴趣区域的医学图像作为测试样本,根据测试结果更新训练样本,对预设的原始感兴趣区域提取模型进行迭代训练,直至的满足训练停止条件时,视为训练完成。可以理解的是,目标感兴趣区域提取模型的训练结果与训练样本的数量和质量等等都息息相关。
为了保证模型提取的准确性,在将所述待提取医学图像输入至预先训练得到的目标感兴趣区域提取模型中之前,还可以包括:将待提取医学图像进行预处理,随后把经过预处理的待提取医学图像输入目标感兴趣区域提取模型。其中,所述预处理包括对所述待提取医学图像进行滤波处理和/或对所述待提取医学图像的属性信息按照预设的输入格式进行调整等。
待提取医学图像经过目标感兴趣区域提取模型全自动化的分割流程之后,最终得到目标感兴趣区域图像的分割结果。以待提取医学图像为脑部图像为例,可以将脑部图像输入目标感兴趣区域提取模型进行图像分割,得到提取出的目标脑组织区域。该分割结果可以用于其它各种基于医学影像的计算机辅助诊断方法,以提高数据利用率和诊断准确率。
本发明实施例的技术方案,采用半监督学习的方法获取目标感兴趣区域提取模型,用于提取目标感兴趣区域,解决了现有提取方法在提取目标感兴趣区域时,容易出现分割错误、鲁棒性差以及普适性差等技术问题,能够更准确地从待提取医学图像中提取出感兴趣区域,提高了提取效率,同时提高了感兴趣区域提取方法的鲁棒性和准确性。
在本发明实施例中,在将所述待提取医学图像输入至预先训练得到的目标感兴趣区域提取模型中之前,如图1b所示,该感兴趣区域提取方法具体还可以包括:
步骤101、获取第一数量的第一医学图像,分别对所述第一数量的第一医学图像中的感兴趣区域进行标注得到感兴趣区域标注图像。
其中,第一数量可以根据需求进行设定。
示例性地,第一医学图像可以是脑部CT图像、脑部磁共振图像等,并且可以经过原始医学图像经过预处理获得。
感兴趣区域可以是CT图像、磁共振图像等医学图像中的脑组织等病灶区域。
以脑部CT图像为例,本实施例的目的可以是从脑部CT图像中去除头骨等干扰区域,从而提取出脑组织区域作为感兴趣区域。
其中,感兴趣区域标注图像是指脑部CT图像中标注出脑组织区域的图像,将脑组织区域的像素值标为1,将非脑组织区域(头骨等区域)标记为0,得到的二值化图像即为感兴趣区域标注图像。
对所述第一数量的第一医学图像中的感兴趣区域进行标注得到感兴趣区域标注图像的标注方法可以通过人工标注方法,也可以采用自动标注方法。
步骤102、根据所述第一医学图像以及所述感兴趣区域标注图像生成已标注样本集,并将所述已标注样本集中的所述已标注样本输入感兴趣区域提取模型中进行训练,得到初步感兴趣区域提取模型。
其中,已标注样本集可以表示为Dl={(x1,y1),(x2,y2),...,(xl,yl)},x1,x2,...,xl表示第一医学图像,y1,y2,...,yl表示x1,x2,...,xl对应的感兴趣区域标注图像,l为已标注样本的数量。
将所述已标注样本集中的所述已标注样本输入到感兴趣区域提取模型(神经网络模型)中进行训练,训练得到的模型作为初步感兴趣区域提取模型。
可选地,所述感兴趣区域提取模型为卷积神经网络;所述卷积神经网络包括V-net模型、3D-Unet模型以及DeepMedic模型中的至少一种。
其中,V-net模型、3D-Unet模型以及DeepMedic等模型均为医学图像分割领域常用的模型。
可选地,所述将所述已标注样本集中的所述已标注样本输入感兴趣区域提取模型中进行训练,得到初步感兴趣区域提取模型,包括:
将所述已标注样本集中的所述已标注样本输入感兴趣区域提取模型中进行训练,基于预设的损失函数以及输出结果对所述感兴趣区域提取模型进行调整;
当判断出基于模型验证集计算出的重叠率满足条件时,将得到的感兴趣区域提取模型作为初步感兴趣区域提取模型;
其中,模型验证集是从已标注的样本集中选取的。
其中,重叠率可以包括Dice系数、IoU等,可以用来表示样本间的相似度。
例如Dice系数达到0.95时,将得到的感兴趣区域提取模型作为初步感兴趣区域提取模型。
其中,所述预设的损失函数包括Dice Loss、Focal Loss、Dice Loss与Focal Loss的联合损失函数以及Dice和交叉熵的联合损失函数中的至少一种。
其中,联合损失函数是指对单独的损失函数进行相加,并且也可以进行加权得到联合损失函数。
可选地,所述方法还包括下述中的至少一项操作:
根据所输入的原始医学图像的窗宽窗位信息,获取所述原始医学图像的灰度值处于预设范围内的区域数据作为第一医学图像;
其中,原始医学图像中包含医学图像的窗宽窗位信息。例如在CT检查时,窗技术是用以观察不同密度的正常组织或病变的一种显示技术,包括窗宽(window width)和窗位(window level)。由于各种组织结构或病变具有不同的CT值,因此欲显示某一组织结构细节时,应选择适合观察该组织或病变的窗宽和窗位,以获得最佳显示。
以CT图像为例,灰度值可以指Hu值。其他医学图像也有相应的灰度值表示。例如在脑部CT成像时,可以根据CT图像的窗宽窗位信息,获取图像的Hu值为(-20,+85)范围内的区域。将全部CT图像像素间隔统一。
通过对所述第一医学图像进行数据增强,其中,所述数据增强包括水平翻转、旋转以及对比度变化中的至少一项;
通过对所述第一医学图像进行数据增强扩充训练样本。在训练过程中不直接使用全图,而是在每一轮迭代中随机选取裁剪一个大小为96×96×96的小块,基于patch进行训练。
将所述第一数量中第四数量的所述第一医学图像作为训练样本;将所述第一数量中占第五数量的所述第一医学图像作为模型验证集。
例如,在经过处理的图像块中随机抽取80%的第一医学图像作为训练样本,其余20%的第一医学图像作为模型验证集。
其中,通过基于预设的损失函数以及输出结果对所述感兴趣区域提取模型进行调整,可以调整感兴趣区域提取模型的权重参数、层数等。
步骤103、获取第二数量的第二医学图像作为未标注样本集,将所述未标注样本集中的第二医学图像输入到所述初步感兴趣区域提取模型中进行测试,并根据测试结果更新所述已标注样本集。
其中,未标记样本集标识为Du={xl+1,xl+2,...,xl+u},u为未标注样本集中未标记样本的数量,即第二数量,并且l<<u,已标注样本的数量远小于未标记样本的数量。
选取所述未标注样本集中预设比例的第二医学图像输入到所述初步感兴趣区域提取模型中进行测试,会对应的生成模型所预测的感兴趣区域预测图,根据感兴趣区域预测图以及对应的重叠率(例如Dice系数等)将未标注样本集中的第二医学图像进行处理(配准等),根据测试结果将所述未标注样本集中的第二医学图像输入到已标注样本集中,再进行感兴趣区域提取模型的训练,重复根据测试结果更新所述已标注样本集的方式,余下的未标注样本仍作为下次训练的未标注样本。
步骤104、重复执行将所述已标注样本集中的所述已标注样本输入现有感兴趣区域提取模型中进行训练的操作,当判断出满足预设的训练停止条件时,将得到的感兴趣区域提取模型作为目标感兴趣区域提取模型。
因为未标注样本集中的图像不断地输入到所述感兴趣区域模型中,所以现有感兴趣区域提取模型是不断进行更新的。
可选地,所述当判断出满足预设的训练停止条件时,将得到的感兴趣区域提取模型作为目标感兴趣区域提取模型,包括:
当判断出未标定数据集中未标定样本的数量占所述第二数量的比例小于预设阈值时,将得到的感兴趣区域提取模型作为目标感兴趣区域提取模型。
例如预设的训练停止条件可以为当判断出未标定数据集中未标定样本的数量占所述未标定数据集初始数量的比例小于预设阈值(例如10%)时,停止训练,将得到的感兴趣区域提取模型作为目标感兴趣区域提取模型。
以上步骤采用了半监督的学习方法得到目标感兴趣区域提取模型,从而提取目标感兴趣区域图像。
本实施例的技术方案,通过获取第一数量的第一医学图像,分别对所述第一数量的第一医学图像中的感兴趣区域进行标注得到感兴趣区域标注图像,能够获得用于训练的训练样本。进而,根据所述第一医学图像以及所述感兴趣区域标注图像生成已标注样本集,并将所述已标注样本集中的所述已标注样本输入感兴趣区域提取模型中进行训练,得到初步感兴趣区域提取模型,用于对未标注样本集进行测试。进而,获取第二数量的第二医学图像作为未标注样本集,将所述未标注样本集中的第二医学图像输入到所述初步感兴趣区域提取模型中进行测试,并根据测试结果更新所述已标注样本集。直至训练得到目标感兴趣区域提取模型,不需要依赖大量的人工标注样本集,采用半监督学习的方法获取目标感兴趣区域提取模型,用于提取目标感兴趣区域。上述技术方案解决了在提取目标感兴趣区域时,目标感兴趣区域提取模型容易分割错误、鲁棒性差、普适性差,训练时需要大量的人工标定数据,从而增加大量的人力成本、浪费大量的时间的问题,实现更准确地从图像中提取出感兴趣区域,提高了提取方法的鲁棒性和准确性,同时节约了人工标定训练数据的时间。
实施例二
图2a为本发明实施例二提供的一种感兴趣区域提取方法的流程图,本实施例在上述实施例的基础上,可选是所述将所述未标注样本集中的第二医学图像输入到所述初步感兴趣区域提取模型中进行测试,并根据测试结果更新所述已标注样本集,包括:将所述未标注样本输入到所述初步感兴趣区域提取模型中进行测试,得到模型所预测的感兴趣区域预测图;基于所述第一医学图像以及所对应感兴趣区域标注分别计算第一平均医学图像和平均感兴趣区域标注图像;将与所述感兴趣区域预测图对应的第二医学图像与第一平均医学图像进行配准,得到第一形变矩阵;根据所述第一形变矩阵和所述感兴趣区域预测图计算配准后的第二医学图像的感兴趣区域预测图,并计算所述感兴趣区域预测图与所述平均感兴趣区域标注图像之间的相似度;根据所述相似度筛选出所述未标注样本以及与所述未标注样本对应的感兴趣区域预测图作为已标注样本加入到已标注样本集中,并根据当前的已标注样本集更新所述第一平均医学图像及所述平均感兴趣区域标注图像。
在此基础上,进一步地,基于所述第一医学图像以及所对应感兴趣区域标注分别计算第一平均医学图像和平均感兴趣区域标注图像,包括:对不同体数据中的第一医学图像进行配准,得到第二形变矩阵;基于所述第二形变矩阵分别确定出配准后的第一医学图像的感兴趣区域标注图像;分别计算第一数量的配准后的第一医学图像及配准后的第一医学图像的感兴趣区域标注图像的均值,得到第一平均医学图像和平均感兴趣区域标注图像。
在此基础上,进一步地,所述计算所述感兴趣区域预测图与所述平均感兴趣区域标注图像之间的相似度,包括:计算配准后的感兴趣区域预测图与所述平均感兴趣区域标注图像之间的重叠率。
在此基础上,进一步地,根据所述相似度筛选出所述未标注样本以及与所述未标注样本对应的感兴趣区域预测图作为已标注样本加入到已标注样本集,包括:根据所述第二医学图像对应感兴趣区域预测图的重叠率的高低进行排序,根据排序结果选取预设比例的所述未标注样本以及与所述未标注样本对应的感兴趣区域预测图作为已标注样本加入到已标注样本集中。
在此基础上,进一步地,所述分别对所述第一数量的医学图像中的感兴趣区域进行标注得到感兴趣区域标注图像,包括:采用阈值分割的方法,将第一医学图像中像素值满足第一预设阈值条件的置为1,不满足预设阈值条件0,使用形态学运算对阈值分割的结果进行处理,去除图像中孤立的散点;获取经形态学运算处理后的第一医学图像中的至少一个连通域;当连通域的大小满足第二预设阈值条件时,对所有标注完毕的数据进行取反操作,将获取到的最大的连通域经过人工处理作为所述第一医学图像的感兴趣区域标注图像。
在此基础上,进一步地,所述根据所述相似度筛选出所述未标注样本以及与所述未标注样本对应的感兴趣区域预测图作为已标注样本加入到已标注样本集中,包括:以与所述感兴趣区域预测图对应的重叠率作为样本权值,对根据所述相似度筛选出所述未标注样本以及与所述未标注样本对应的感兴趣区域预测图进行加权后,加入到已标注样本集中。
在此基础上,进一步地,所述根据当前的已标注样本集更新所述第一平均医学图像及所述平均感兴趣区域标注图像,包括:根据当前的已标注样本集计算出所述第一平均医学图像及所述平均感兴趣区域标注图像;对当前计算出的所述第一平均医学图像及所述平均感兴趣区域标注图像进行加权后更新所述第一平均医学图像及所述平均感兴趣区域标注图像。
在此基础上,进一步地,本实施例的方法还包括:将待提取医学图像输入至所述目标感兴趣区域提取模型中得到目标感兴趣区域图像。
如图2a所示,具体包括如下步骤:
步骤201、采用阈值分割的方法,将第一医学图像中像素值满足第一预设阈值条件的置为1,不满足预设阈值条件0,使用形态学运算对阈值分割的结果进行处理,去除图像中孤立的散点。
步骤202、获取经形态学运算处理后的第一医学图像中的至少一个连通域。
步骤203、当连通域的大小满足第二预设阈值条件时,对所有标注完毕的数据进行取反操作,将获取到的最大的连通域经过人工处理作为所述第一医学图像的感兴趣区域标注图像。
第二预设阈值条件可以是最大的连通域所包含的像素数量占所有连通域包含的像素数量的比例大于某一阈值(例如97%)。
以从脑部CT图像中分割脑组织为例,采用阈值分割的方法,将脑部CT图像中像素值大于100的置为1,反之则为0,此时头骨被标记为1,其余被标记为0,得到二值化图像,然后使用形态学操作(例如闭运算等)对阈值分割的二值化图像进行处理。在处理后的每个体数据上检测像素值为1的所有的连通域,如果最大的连通域所包含的像素数量占所有连通域包含的像素数量的比例大于97%,则认为该体数据的头骨标定是正确的。对所有头骨区域标注完毕的数据进行取反操作,其中最大的连通域即为脑组织区域的标注,由于获取到的最大的连通域可能不完全准确,可以再经过人工处理作为所述第一医学图像的感兴趣区域标注图像,人工处理是指所有处理后的图像都需要经过人工的检查,如果效果不好的话,人工会对不好的地方进行修正。需要说明的是,上述方法是在基于脑组织为单个连通域的假设的前提下进行的。
如图2b所示,自动标注感兴趣区域标注图像的效果示意图。图2b的(a)图表示第一医学图像,(b)图通过步骤201的方法标注后得到的表示感兴趣区域标注图像,(c)图可以通过(a)图与(b)图进行掩膜操作得到目标感兴趣区域图像(如脑组织区域)。
需要说明的是,体数据的非感兴趣区域标注(例如头骨)标定不正确时,对阈值分割不正确的数据进行人工标注,将人工标注的数据,再对所有头骨区域标注完毕的数据进行取反操作,其中最大的连通域即为脑组织区域的标注。或者采用人工标注的方法直接标注脑组织区域。
步骤204、根据所述第一医学图像以及所述感兴趣区域标注图像生成已标注样本集,并将所述已标注样本集中的所述已标注样本输入感兴趣区域提取模型中进行训练,得到初步感兴趣区域提取模型。
步骤205、获取第二数量的第二医学图像作为未标注样本集。
其中,第二医学图像是指未标注的医学图像。
步骤206、将所述未标注样本输入到所述初步感兴趣区域提取模型中进行测试,得到模型所预测的感兴趣区域预测图。
步骤207、基于所述第一医学图像以及所对应感兴趣区域标注分别计算第一平均医学图像和平均感兴趣区域标注图像。
步骤208、将与所述感兴趣区域预测图对应的第二医学图像与第一平均医学图像进行配准,得到第一形变矩阵。
步骤209、根据所述第一形变矩阵和所述感兴趣区域预测图计算配准后的第二医学图像的感兴趣区域预测图,并计算所述感兴趣区域预测图与所述平均感兴趣区域标注图像之间的相似度。
步骤210、根据所述相似度筛选出所述未标注样本以及与所述未标注样本对应的感兴趣区域预测图作为已标注样本加入到已标注样本集中,并根据当前的已标注样本集更新所述第一平均医学图像及所述平均感兴趣区域标注图像。
其中,感兴趣区域预测图是指将所述未标注样本输入到所述初步感兴趣区域提取模型中进行测试中得到的图像。
可选地,基于所述第一医学图像以及所对应感兴趣区域标注分别计算第一平均医学图像和平均感兴趣区域标注图像,包括:对不同体数据中的第一医学图像进行配准,得到第二形变矩阵;基于所述第二形变矩阵分别确定出配准后的第一医学图像的感兴趣区域标注图像;分别计算第一数量的配准后的第一医学图像及配准后的第一医学图像的感兴趣区域标注图像的均值,得到第一平均医学图像和平均感兴趣区域标注图像。
体数据是指多张的二维图像组合在一起。
不同的体数据的配准是指将两个体数据之间进行匹配,比如说体数据1图像中有第四脑室,体数据2中也有第四脑室,但这两个体数据之间的像素不是一一对应的关系,因此需要进行配准。体数据之间的不同主要指的是相同身体部位的医学影像的采集时参数不同(如CT平扫中的层距不同)。
不同的体数据的配准的目的是:例如在脑部CT图像的体数据的配准时,因为需要计算出一个平均脑图像,求平均脑图像时就需要将不同的体数据进行配准,配准过程中会将大脑中同一个结构的地方配在一起,这样会导致不同的体数据的尺寸发生变化,之后才可以计算平均医学图像。
可选地,所述计算所述感兴趣区域预测图与所述平均感兴趣区域标注图像之间的相似度,包括:计算配准后的感兴趣区域预测图与所述平均感兴趣区域标注图像之间的重叠率。
计算配准后的感兴趣区域预测图与所述平均感兴趣区域标注图像之间的重叠率越大,表示配准后的感兴趣区域预测图与所述平均感兴趣区域标注图像的相似度越大。
其中,重叠率可以包括Dice系数等。
可选地,根据所述相似度筛选出所述未标注样本以及与所述未标注样本对应的感兴趣区域预测图作为已标注样本加入到已标注样本集中,包括:
根据所述第二医学图像对应感兴趣区域预测图的重叠率的高低进行排序,根据排序结果选取预设比例的所述未标注样本以及与所述未标注样本对应的感兴趣区域预测图作为已标注样本加入到已标注样本集中,通过现有的感兴趣区域提取模型中进行训练,并通过模型验证集的重叠率调整现有的感兴趣区域提取模型,模型验证集保持不变。
其中,第二医学图像对应感兴趣区域预测图的重叠率是指配准后的感兴趣区域预测图与所述平均感兴趣区域标注图像之间的重叠率。
其中,预设比例可以根据需要进行选取,例如可以选取Dice系数较高的20%作为预设比例,即每次选取Dice系数从高到低排列的前20%的所述未标注样本以及与所述未标注样本对应的感兴趣区域预测图加入到已标注样本集,并通过现有的感兴趣区域提取模型中进行训练,更新模型的参数,剩余的数据仍然作为未标注样本集。
可选地,所述根据所述相似度筛选出所述未标注样本以及与所述未标注样本对应的感兴趣区域预测图作为已标注样本加入到已标注样本集中,包括:
以与所述感兴趣区域预测图对应的重叠率作为样本权值,对根据所述相似度筛选出所述未标注样本以及与所述未标注样本对应的感兴趣区域预测图进行加权后,加入到已标注样本集中。
例如,以与所述感兴趣区域预测图对应的Dice系数作为样本权值(之前的训练样本的权值为1.0),可以根据计算出的Dice系数更准确地对模型进行训练。
可选地,所述根据当前的已标注样本集更新所述第一平均医学图像及所述平均感兴趣区域标注图像,包括:根据当前的已标注样本集计算出所述第一平均医学图像及所述平均感兴趣区域标注图像;对当前计算出的所述第一平均医学图像及所述平均感兴趣区域标注图像进行加权后更新所述第一平均医学图像及所述平均感兴趣区域标注图像。
由于已标注样本集中加入了未标注样本,第一平均医学图像及所述平均感兴趣区域标注图像也要根据加入的未标注样本进行更新。
其中,对当前计算出的所述第一平均医学图像及所述平均感兴趣区域标注图像进行加权的权值可以根据需求设置,也可以用与所述感兴趣区域预测图对应的重叠率作为权值,对新加入的未标注样本以及与所述未标注样本对应的感兴趣区域预测图进行加权(之前的训练样本的权值为1.0)求出更新的平均医学图像及所述平均感兴趣区域标注。
重复执行将所述已标注样本集中的所述已标注样本输入现有感兴趣区域提取模型中进行训练的操作,当判断出满足预设的训练停止条件时,将得到的感兴趣区域提取模型作为目标感兴趣区域提取模型。
步骤211、将所述已标注样本集中的所述已标注样本输入现有感兴趣区域提取模型中进行训练。
步骤211通过训练会对现有感兴趣区域提取模型进行调整得到调整后的感兴趣区域提取模型。
步骤212、判断是否满足预设的训练停止条件。若是,执行步骤213,若否,返回执行步骤211。
需要说明的是,步骤211的已标注样本集根据新加入的未标注样本会不断更新,平均医学图像及所述平均感兴趣区域标注也随之更新。具体过程是:获取第二医学图像作为未标注样本集(前一次根据相似度筛选出所述未标注样本以及与所述未标注样本对应的感兴趣区域预测图作为已标注样本加入到已标注样本集中余下的未标注样本),将所述未标注样本输入到所述现有的感兴趣区域提取模型中进行测试,得到模型所预测的感兴趣区域预测图;基于所述第一医学图像以及所对应感兴趣区域标注分别计算第一平均医学图像和平均感兴趣区域标注图像;将与所述感兴趣区域预测图对应的第二医学图像与第一平均医学图像进行配准,得到第一形变矩阵;根据所述第一形变矩阵和所述感兴趣区域预测图计算配准后的第二医学图像的感兴趣区域预测图,并计算所述感兴趣区域预测图与所述平均感兴趣区域标注图像之间的相似度;根据所述相似度筛选出所述未标注样本以及与所述未标注样本对应的感兴趣区域预测图作为已标注样本加入到已标注样本集中,并根据当前的已标注样本集更新所述第一平均医学图像及所述平均感兴趣区域标注图像,再进行步骤211的训练。
步骤213、将得到的感兴趣区域提取模型作为目标感兴趣区域提取模型。
以脑部CT图像为例,说明本发明实施例的训练方法,具体如下:
a)将V-Net模型作为感兴趣区域提取模型,在上述准备的训练数据集和模型验证集上进行训练。V-Net模型采用Dice和交叉熵的联合损失函数进行训练,使用Dice系数作为模型预测结果的评价指标。
b)根据V-Net模型在模型验证集上的结果表现来调整V-Net的训练超参数,直到在模型验证集上的Dice系数达到0.95,得到初步感兴趣区域提取模型,之后进入下一步。
c)将未标注数据集Du在步骤b训练好的初步感兴趣区域提取模型进行测试,得到模型预测的脑组织区域预测图。
d)将脑组织区域预测图对应的原图像与第一平均医学图像进行配准,以得到第一形变矩阵,根据第一形变矩阵和脑组织区域预测图计算配准后的脑组织区域预测图。之后计算脑组织预测图与所述平均感兴趣区域标注图像之间的Dice系数,将所有的u个数据按照Dice系数的高低进行排序,选取前20%的数据加入到已标定数据集Dl,并更新第一平均医学图像及对应的平均感兴趣区域标注图像,剩余的数据集仍作为未标注样本集,模型验证集始终保持不变。
e)在新的已标注样本集和未标注样本集的基础上,回到a)步骤。此时a)步骤是在训练好的V-Net模型上继续训练。
f)当未标注样本集的数量小于其原始数据量的10%时停止训练。此时得到的模型即为目标感兴趣区域提取模型。
如图2c所示,本发明实施例的训练过程的流程图,如下:首先使用少量的标注样本训练一个初始模型(例如V-net模型),即初步感兴趣区域提取模型,然后使用这个初始模型测试未标注样本以得到测试结果,之后根据测试结果,选择初始模型分割的比较好的未标注样本,通过图中的对比评估(例如计算Dice系数是否满足条件)确定将哪些样本加入到已标注样本集中进行训练,训练时更新第一平均医学图像和平均感兴趣区域标注图像进行对比评估,剩下的未标注样本还是归入到未标注样本集中,然后循环这个过程直到满足预设的训练停止条件时,将得到的感兴趣区域提取模型作为目标感兴趣区域提取模型。
本实施例的技术方案通过采用阈值分割的方法,将第一医学图像中像素值满足第一预设阈值条件的置为1,不满足预设阈值条件0,使用形态学运算对阈值分割的结果进行处理,去除图像中孤立的散点;获取经形态学运算处理后的第一医学图像中的至少一个连通域;当连通域的大小满足第二预设阈值条件时,对所有标注完毕的数据进行取反操作,将获取到的最大的连通域经过人工处理作为所述第一医学图像的感兴趣区域标注图像,能够实现感兴趣区域的自动标注,节省人工标注的成本和时间。进而,获取第二数量的第二医学图像作为未标注样本集,将所述未标注样本输入到所述初步感兴趣区域提取模型中进行测试,得到模型所预测的感兴趣区域预测图;基于所述第一医学图像以及所对应感兴趣区域标注分别计算第一平均医学图像和平均感兴趣区域标注图像;将与所述感兴趣区域预测图对应的第二医学图像与第一平均医学图像进行配准,得到第一形变矩阵;根据所述第一形变矩阵和所述感兴趣区域预测图计算配准后的第二医学图像的感兴趣区域预测图,并计算所述感兴趣区域预测图与所述平均感兴趣区域标注图像之间的相似度;根据所述相似度筛选出所述未标注样本以及与所述未标注样本对应的感兴趣区域预测图作为已标注样本加入到已标注样本集中,并根据当前的已标注样本集更新所述第一平均医学图像及所述平均感兴趣区域标注图像,能够更准确地获得感兴趣区域提取模型,有利于使用感兴趣区域提取模型对感兴趣区域进行分割。进而,将待提取医学图像输入至所述目标感兴趣区域提取模型中得到目标感兴趣区域图像,能够将目标感兴趣区域提取模型应用到提取感兴趣区域分割中,实现有效地分割感兴趣区域。
实施例三
图3a是本发明实施例三中提供的一种感兴趣区域提取装置的结构示意图。本发明实施例所提供的感兴趣区域提取装置可执行本发明任意实施例所提供的感兴趣区域提取方法,如图3a所示,本发明实施例所提供的感兴趣区域提取装置可包括:图像获取模块310和目标感兴趣区域提取模块320。
其中,图像获取模块310,用于获取至少一张待提取医学图像,其中,所述待提取医学图像包括至少一个目标感兴趣区域;目标感兴趣区域提取模块320,用于将所述待提取医学图像输入至预先训练得到的目标感兴趣区域提取模型中,得到目标感兴趣区域图像,其中,所述目标感兴趣区域提取模型基于半监督学习进行训练。
本发明实施例的技术方案,采用半监督学习的方法获取目标感兴趣区域提取模型,用于提取目标感兴趣区域,解决了现有提取方法在提取目标感兴趣区域时,容易出现分割错误、鲁棒性差以及普适性差等技术问题,能够更准确地从待提取医学图像中提取出感兴趣区域,提高了提取效率,同时提高了感兴趣区域提取方法的鲁棒性和准确性。
在上述技术方案的基础上,本发明实施例还提供的一种感兴趣区域提取模型的训练装置的结构示意图,参见图3b,该感兴趣区域提取模型的训练装置的具体可包括:感兴趣区域标注图像获取模块301、初步感兴趣区域提取模型确定模块302、已标注样本集更新模块303和目标感兴趣区域提取模型确定模块304。
其中,感兴趣区域标注图像获取模块301,用于获取第一数量的第一医学图像,分别对所述第一数量的第一医学图像中的感兴趣区域进行标注得到感兴趣区域标注图像;初步感兴趣区域提取模型确定模块302,用于根据所述第一医学图像以及所述感兴趣区域标注图像生成已标注样本集,并将所述已标注样本集中的所述已标注样本输入感兴趣区域提取模型中进行训练,得到初步感兴趣区域提取模型;已标注样本集更新模块303,用于获取第二数量的第二医学图像作为未标注样本集,将所述未标注样本集中的第二医学图像输入到所述初步感兴趣区域提取模型中进行测试,并根据测试结果更新所述已标注样本集;目标感兴趣区域提取模型确定模块304,用于重复执行将所述已标注样本集中的所述已标注样本输入现有感兴趣区域提取模型中进行训练的操作,当判断出满足预设的训练停止条件时,将得到的感兴趣区域提取模型作为目标感兴趣区域提取模型。
本实施例的技术方案,通过获取第一数量的第一医学图像,分别对所述第一数量的第一医学图像中的感兴趣区域进行标注得到感兴趣区域标注图像,能够获得用于训练的训练样本。进而,根据所述第一医学图像以及所述感兴趣区域标注图像生成已标注样本集,并将所述已标注样本集中的所述已标注样本输入感兴趣区域提取模型中进行训练,得到初步感兴趣区域提取模型,用于对未标注样本集进行测试。进而,获取第二数量的第二医学图像作为未标注样本集,将所述未标注样本集中的第二医学图像输入到所述初步感兴趣区域提取模型中进行测试,并根据测试结果更新所述已标注样本集。进而,重复执行将所述已标注样本集中的所述已标注样本输入现有感兴趣区域提取模型中进行训练的操作,当判断出满足预设的训练停止条件时,将得到的感兴趣区域提取模型作为目标感兴趣区域提取模型,不需要依赖大量的人工标注样本集,采用半监督学习的方法获取目标感兴趣区域提取模型,用于提取目标感兴趣区域。上述技术方案解决了在提取目标感兴趣区域时,目标感兴趣区域提取模型容易分割错误、鲁棒性差、普适性差,训练时需要大量的人工标定数据,从而增加大量的人力成本、浪费大量的时间的问题,实现更准确地从图像中提取出感兴趣区域,提高了提取方法的鲁棒性和准确性,同时节约了人工标定训练数据的时间。
在上述技术方案的基础上,已标注样本集更新模块303,具体可用于:
将所述未标注样本输入到所述初步感兴趣区域提取模型中进行测试,得到模型所预测的感兴趣区域预测图;
基于所述第一医学图像以及所对应感兴趣区域标注分别计算第一平均医学图像和平均感兴趣区域标注图像;
将与所述感兴趣区域预测图对应的第二医学图像与第一平均医学图像进行配准,得到第一形变矩阵;
根据所述第一形变矩阵和所述感兴趣区域预测图计算配准后的第二医学图像的感兴趣区域预测图,并计算所述感兴趣区域预测图与所述平均感兴趣区域标注图像之间的相似度;
根据所述相似度筛选出所述未标注样本以及与所述未标注样本对应的感兴趣区域预测图作为已标注样本加入到已标注样本集中,并根据当前的已标注样本集更新所述第一平均医学图像及所述平均感兴趣区域标注图像。
在上述技术方案的基础上,已标注样本集更新模块303,具体可用于:
对不同体数据中的第一医学图像进行配准,得到第二形变矩阵;
基于所述第二形变矩阵分别确定出配准后的第一医学图像的感兴趣区域标注图像;
分别计算第一数量的配准后的第一医学图像及配准后的第一医学图像的感兴趣区域标注图像的均值,得到第一平均医学图像和平均感兴趣区域标注图像。
在上述技术方案的基础上,已标注样本集更新模块303,具体可用于:
计算配准后的感兴趣区域预测图与所述平均感兴趣区域标注图像之间的重叠率。
在上述技术方案的基础上,已标注样本集更新模块303,具体可用于:
根据所述第二医学图像对应感兴趣区域预测图的重叠率的高低进行排序,根据排序结果选取预设比例的所述未标注样本以及与所述未标注样本对应的感兴趣区域预测图作为已标注样本加入到已标注样本集中。
在上述技术方案的基础上,所述感兴趣区域提取装置还包括预处理模块、数据增强模块和模型验证集确定模块。
预处理模块,用于根据所输入的原始医学图像的窗宽窗位信息,获取所述原始医学图像的灰度值处于预设范围内的区域数据作为第一医学图像;
数据增强模块,用于通过对所述第一医学图像进行数据增强,其中,所述数据增强包括水平翻转、旋转以及对比度变化中的至少一项;
模型验证集确定模块,用于将所述第一数量中第四数量的所述第一医学图像作为训练样本;将所述第一数量中占第五数量的所述第一医学图像作为模型验证集。
在上述技术方案的基础上,初步感兴趣区域提取模型确定模块302,具体可用于:
将所述已标注样本集中的所述已标注样本输入感兴趣区域提取模型中进行训练,基于预设的损失函数以及输出结果对所述感兴趣区域提取模型进行调整;
当判断出基于模型验证集计算出的重叠率满足条件时,将得到的感兴趣区域提取模型作为初步感兴趣区域提取模型;
其中,所述损失函数包括Dice Loss、Focal Loss、Dice Loss与Focal Loss的联合损失函数以及Dice和交叉熵的联合损失函数中的至少一种。
在上述技术方案的基础上,感兴趣区域标注图像获取模块301,具体可用于:
采用阈值分割的方法,将第一医学图像中像素值满足第一预设阈值条件的置为1,不满足预设阈值条件0,使用形态学运算对阈值分割的结果进行处理,去除图像中孤立的散点;
获取经形态学运算处理后的第一医学图像中的至少一个连通域;
当连通域的大小满足第二预设阈值条件时,对所有标注完毕的数据进行取反操作,将获取到的最大的连通域经过人工处理作为所述第一医学图像的感兴趣区域标注图像。
在上述技术方案的基础上,已标注样本集更新模块303,还可用于:
以与所述感兴趣区域预测图对应的重叠率作为样本权值,对根据所述相似度筛选出所述未标注样本以及与所述未标注样本对应的感兴趣区域预测图进行加权后,加入到已标注样本集中。
在上述技术方案的基础上,已标注样本集更新模块303,还可用于:
根据当前的已标注样本集计算出所述第一平均医学图像及所述平均感兴趣区域标注图像;
对当前计算出的所述第一平均医学图像及所述平均感兴趣区域标注图像进行加权后更新所述第一平均医学图像及所述平均感兴趣区域标注图像。
在上述技术方案的基础上,目标感兴趣区域提取模型确定模块304,具体可用于:
当判断出未标定数据集中未标定样本的数量占所述第二数量的比例小于预设阈值时,将得到的感兴趣区域提取模型作为目标感兴趣区域提取模型。
示例性地,所述感兴趣区域提取模型为卷积神经网络;所述卷积神经网络包括V-net模型、3D-Unet模型以及DeepMedic模型中的至少一种。
在上述技术方案的基础上,感兴趣区域提取装置还可以包括:目标感兴趣区域图像获取模块。
目标感兴趣区域图像获取模块,用于将待提取医学图像输入至所述目标感兴趣区域提取模型中得到目标感兴趣区域图像。
本发明实施例所提供的感兴趣区域提取装置可执行本发明任意实施例所提供的感兴趣区域提取方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例4提供的一种设备的结构示意图,如图4所示,该设备包括处理器40、存储器41、输入装置42和输出装置43;设备中处理器40的数量可以是一个或多个,图4中以一个处理器40为例;设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器41作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的感兴趣区域提取方法对应的程序指令/模块(例如,感兴趣区域提取中的感兴趣区域标注图像获取模块31、初步感兴趣区域提取模型确定模块32、已标注样本集更新模块33和目标感兴趣区域提取模型确定模块。处理器40通过运行存储在存储器41中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的感兴趣区域提取方法。
存储器41可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器41可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器41可进一步包括相对于处理器40远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置42可用于接收输入的第一医学图像,以及产生与设备的用户设置以及功能控制有关的信号输入。输出装置43可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种感兴趣区域提取方法,该方法包括:
获取至少一张待提取医学图像,其中,所述待提取医学图像包括至少一个目标感兴趣区域;
将所述待提取医学图像输入至预先训练得到的目标感兴趣区域提取模型中,得到目标感兴趣区域图像,其中,所述目标感兴趣区域提取模型基于半监督学习进行训练。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的感兴趣区域提取方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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的方法。
值得注意的是,上述感兴趣区域提取装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种感兴趣区域提取方法,其特征在于,包括:
获取至少一张待提取医学图像,其中,所述待提取医学图像包括至少一个目标感兴趣区域;
将所述待提取医学图像输入至预先训练得到的目标感兴趣区域提取模型中,得到目标感兴趣区域图像,其中,所述目标感兴趣区域提取模型基于半监督学习进行训练;
其中,所述目标感兴趣区域提取模型基于半监督学习进行训练包括:
获取第一数量的第一医学图像;
将所述第一医学图像以及感兴趣区域标注图像所生成的已标注样本集中的已标注样本输入感兴趣区域提取模型中进行训练,得到初步感兴趣区域提取模型;
获取第二数量的第二医学图像作为未标注样本集,将所述未标注样本集中的第二医学图像输入到所述初步感兴趣区域提取模型中进行测试,并根据测试结果更新所述已标注样本集;
重复执行将所述已标注样本集中的所述已标注样本输入现有感兴趣区域提取模型中进行训练的操作,当判断出满足预设的训练停止条件时,将得到的感兴趣区域提取模型作为目标感兴趣区域提取模型;
其中,所述将所述未标注样本集中的第二医学图像输入到所述初步感兴趣区域提取模型中进行测试,并根据测试结果更新所述已标注样本集,包括:
将所述未标注样本输入到所述初步感兴趣区域提取模型中进行测试,得到初步感兴趣区域提取模型所预测的感兴趣区域预测图;
基于所述第一医学图像以及所对应感兴趣区域标注分别计算第一平均医学图像和平均感兴趣区域标注图像;
将与所述感兴趣区域预测图对应的第二医学图像与第一平均医学图像进行配准,得到第一形变矩阵;
根据所述第一形变矩阵和所述感兴趣区域预测图计算配准后的第二医学图像的感兴趣区域预测图,并计算所述感兴趣区域预测图与所述平均感兴趣区域标注图像之间的相似度;
根据所述相似度筛选出所述未标注样本以及与所述未标注样本对应的感兴趣区域预测图作为已标注样本加入到已标注样本集中,并根据当前的已标注样本集更新所述第一平均医学图像及所述平均感兴趣区域标注图像。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一医学图像以及所对应感兴趣区域标注分别计算第一平均医学图像和平均感兴趣区域标注图像,包括:
对不同体数据中的第一医学图像进行配准,得到第二形变矩阵;
基于所述第二形变矩阵分别确定出配准后的第一医学图像的感兴趣区域标注图像;
分别计算第一数量的配准后的第一医学图像及配准后的第一医学图像的感兴趣区域标注图像的均值,得到第一平均医学图像和平均感兴趣区域标注图像。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括下述中的至少一项操作:
根据所输入的原始医学图像的窗宽窗位信息,获取所述原始医学图像的灰度值处于预设范围内的区域数据作为第一医学图像;
通过对所述第一医学图像进行数据增强,其中,所述数据增强包括水平翻转、旋转以及对比度变化中的至少一项;
将所述第一数量中第四数量的所述第一医学图像作为训练样本;将所述第一数量中占第五数量的所述第一医学图像作为模型验证集。
4.根据权利要求1所述的方法,其特征在于,所述分别对所述第一数量的医学图像中的感兴趣区域进行标注得到感兴趣区域标注图像,包括:
采用阈值分割的方法,将第一医学图像中像素值满足第一预设阈值条件的置为1,不满足预设阈值条件0,使用形态学运算对阈值分割的结果进行处理,去除图像中孤立的散点;
获取经形态学运算处理后的第一医学图像中的至少一个连通域;
当连通域的大小满足第二预设阈值条件时,对所有标注完毕的数据进行取反操作,将获取到的最大的连通域经过人工处理作为所述第一医学图像的感兴趣区域标注图像。
5.根据权利要求1所述的方法,其特征在于,所述当判断出满足预设的训练停止条件时,将得到的感兴趣区域提取模型作为目标感兴趣区域提取模型,包括:
当判断出未标定数据集中未标定样本的数量占所述第二数量的比例小于预设阈值时,将得到的感兴趣区域提取模型作为目标感兴趣区域提取模型。
6.一种感兴趣区域提取装置,其特征在于,包括:
图像获取模块,用于获取至少一张待提取医学图像,其中,所述待提取医学图像包括至少一个目标感兴趣区域;
目标感兴趣区域提取模块,用于将所述待提取医学图像输入至预先训练得到的目标感兴趣区域提取模型中,得到目标感兴趣区域图像,其中,所述目标感兴趣区域提取模型基于半监督学习进行训练;
其中,目标感兴趣区域提取模块包括:
第一医学图像获取模块,获取第一数量的第一医学图像;
初步感兴趣区域提取模型确定模块,用于将所述第一医学图像以及感兴趣区域标注图像所生成的已标注样本集中的已标注样本输入感兴趣区域提取模型中进行训练,得到初步感兴趣区域提取模型;
已标注样本集更新模块,用于获取第二数量的第二医学图像作为未标注样本集,将所述未标注样本集中的第二医学图像输入到所述初步感兴趣区域提取模型中进行测试,并根据测试结果更新所述已标注样本集;
目标感兴趣区域提取模型确定模块,用于重复执行将所述已标注样本集中的所述已标注样本输入现有感兴趣区域提取模型中进行训练的操作,当判断出满足预设的训练停止条件时,将得到的感兴趣区域提取模型作为目标感兴趣区域提取模型;
其中,所述已标注样本集更新模块,具体可用于:
将所述未标注样本输入到所述初步感兴趣区域提取模型中进行测试,得到模型所预测的感兴趣区域预测图;
基于所述第一医学图像以及所对应感兴趣区域标注分别计算第一平均医学图像和平均感兴趣区域标注图像;
将与所述感兴趣区域预测图对应的第二医学图像与第一平均医学图像进行配准,得到第一形变矩阵;
根据所述第一形变矩阵和所述感兴趣区域预测图计算配准后的第二医学图像的感兴趣区域预测图,并计算所述感兴趣区域预测图与所述平均感兴趣区域标注图像之间的相似度;
根据所述相似度筛选出所述未标注样本以及与所述未标注样本对应的感兴趣区域预测图作为已标注样本加入到已标注样本集中,并根据当前的已标注样本集更新所述第一平均医学图像及所述平均感兴趣区域标注图像。
7.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一项所述的感兴趣区域提取方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一项所述的感兴趣区域提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811645817.9A CN109741346B (zh) | 2018-12-30 | 2018-12-30 | 感兴趣区域提取方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811645817.9A CN109741346B (zh) | 2018-12-30 | 2018-12-30 | 感兴趣区域提取方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109741346A CN109741346A (zh) | 2019-05-10 |
CN109741346B true CN109741346B (zh) | 2020-12-08 |
Family
ID=66362699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811645817.9A Active CN109741346B (zh) | 2018-12-30 | 2018-12-30 | 感兴趣区域提取方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741346B (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335250A (zh) * | 2019-05-31 | 2019-10-15 | 上海联影智能医疗科技有限公司 | 网络训练方法、装置、检测方法、计算机设备和存储介质 |
CN112446893B (zh) * | 2019-08-28 | 2023-06-02 | 北京精诊医疗科技有限公司 | 肝脏图像的轮廓分割方法和装置 |
CN110717060B (zh) * | 2019-09-04 | 2023-08-18 | 平安科技(深圳)有限公司 | 图像mask的过滤方法、装置及存储介质 |
CN110766652B (zh) * | 2019-09-06 | 2022-12-20 | 上海联影智能医疗科技有限公司 | 网络训练方法、装置、分割方法、计算机设备和存储介质 |
CN111179231B (zh) * | 2019-12-20 | 2024-05-28 | 上海联影智能医疗科技有限公司 | 图像处理方法、装置、设备和存储介质 |
CN111091561B (zh) * | 2019-12-20 | 2023-09-22 | 上海联影医疗科技股份有限公司 | 感兴趣区的神经纤维提取方法、系统、设备及存储介质 |
CN111882559B (zh) * | 2020-01-20 | 2023-10-17 | 深圳数字生命研究院 | Ecg信号的获取方法及装置、存储介质、电子装置 |
CN111310509A (zh) * | 2020-03-12 | 2020-06-19 | 北京大学 | 基于物流运单的实时条码检测系统及方法 |
CN111407298B (zh) * | 2020-03-16 | 2024-04-16 | 京东方科技集团股份有限公司 | 一种ct成像设备的扫描方法及扫描装置 |
CN111340800B (zh) * | 2020-03-18 | 2024-02-27 | 联影智能医疗科技(北京)有限公司 | 图像检测方法、计算机设备和存储介质 |
CN111476768B (zh) * | 2020-04-02 | 2021-07-20 | 推想医疗科技股份有限公司 | 图像配准方法、装置、路径规划方法、装置、系统及介质 |
CN111428812B (zh) * | 2020-04-14 | 2024-03-08 | 东软医疗系统股份有限公司 | 医学图像数据的构造方法及装置 |
CN111583199B (zh) * | 2020-04-24 | 2023-05-26 | 上海联影智能医疗科技有限公司 | 样本图像标注方法、装置、计算机设备和存储介质 |
CN111753692B (zh) * | 2020-06-15 | 2024-05-28 | 珠海格力电器股份有限公司 | 目标对象提取方法、产品检测方法、装置、计算机和介质 |
JP7435303B2 (ja) * | 2020-06-23 | 2024-02-21 | オムロン株式会社 | 検査装置、ユニット選択装置、検査方法、及び検査プログラム |
CN111870279B (zh) * | 2020-07-31 | 2022-01-28 | 西安电子科技大学 | 超声图像左室心肌的分割方法、系统及应用 |
CN112017177B (zh) * | 2020-09-08 | 2023-12-01 | 科大讯飞股份有限公司 | 一种参考影像确定方法、装置、设备及存储介质 |
CN112085730A (zh) * | 2020-09-18 | 2020-12-15 | 上海联影医疗科技股份有限公司 | 感兴趣区域成分分析方法、装置、电子设备和介质 |
CN112489093A (zh) * | 2020-11-19 | 2021-03-12 | 哈尔滨工程大学 | 声呐图像配准方法、装置、终端设备以及存储介质 |
CN112614119B (zh) * | 2020-12-28 | 2024-04-12 | 上海市精神卫生中心(上海市心理咨询培训中心) | 医学图像感兴趣区域可视化方法、装置、存储介质和设备 |
CN113065609B (zh) * | 2021-04-22 | 2024-04-09 | 深圳赛安特技术服务有限公司 | 图像分类方法、装置、电子设备及可读存储介质 |
CN114581709A (zh) * | 2022-03-02 | 2022-06-03 | 深圳硅基智能科技有限公司 | 识别医学图像中的目标的模型训练、方法、设备及介质 |
CN115393323B (zh) * | 2022-08-26 | 2023-05-30 | 数坤(上海)医疗科技有限公司 | 一种目标区域获得方法、装置、设备和存储介质 |
CN115619756B (zh) * | 2022-10-31 | 2023-06-13 | 北京鹰之眼智能健康科技有限公司 | 一种人体红外图像的心脏区域识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296653A (zh) * | 2016-07-25 | 2017-01-04 | 浙江大学 | 基于半监督学习的脑部ct图像出血区域分割方法及系统 |
CN107563383A (zh) * | 2017-08-24 | 2018-01-09 | 杭州健培科技有限公司 | 一种医学影像辅助诊断及半监督样本生成系统 |
CN108416370A (zh) * | 2018-02-07 | 2018-08-17 | 深圳大学 | 基于半监督深度学习的图像分类方法、装置和存储介质 |
CN109087708A (zh) * | 2018-09-20 | 2018-12-25 | 深圳先进技术研究院 | 用于斑块分割的模型训练方法、装置、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793713B (zh) * | 2012-10-31 | 2017-09-15 | 中国科学院沈阳自动化研究所 | 低秩约束的在线自监督学习的场景分类方法 |
US10169871B2 (en) * | 2016-01-21 | 2019-01-01 | Elekta, Inc. | Systems and methods for segmentation of intra-patient medical images |
CN106600621B (zh) * | 2016-12-08 | 2019-07-19 | 温州医科大学 | 基于婴幼儿脑瘤多模态mri图的时空协同分割方法 |
CN106651875B (zh) * | 2016-12-08 | 2018-07-17 | 温州医科大学 | 基于多模态mri纵向数据的脑瘤时空协同分割方法 |
-
2018
- 2018-12-30 CN CN201811645817.9A patent/CN109741346B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296653A (zh) * | 2016-07-25 | 2017-01-04 | 浙江大学 | 基于半监督学习的脑部ct图像出血区域分割方法及系统 |
CN107563383A (zh) * | 2017-08-24 | 2018-01-09 | 杭州健培科技有限公司 | 一种医学影像辅助诊断及半监督样本生成系统 |
CN108416370A (zh) * | 2018-02-07 | 2018-08-17 | 深圳大学 | 基于半监督深度学习的图像分类方法、装置和存储介质 |
CN109087708A (zh) * | 2018-09-20 | 2018-12-25 | 深圳先进技术研究院 | 用于斑块分割的模型训练方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
Semi-supervised Learning for Network-Based Cardiac MR Image Segmentation;Wenjia Bai et al.;《MICCI 2017》;20171231;第1-2.1节,第3节 * |
Wenjia Bai et al..Semi-supervised Learning for Network-Based Cardiac MR Image Segmentation.《MICCI 2017》.2017,第1-2.1节,第3节. * |
基于肺部CT序列图像的肺实质三维分割;任彦华,聂生东;《中国医学物理学杂志》;20100531;第27卷(第3期);第1.1-1.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109741346A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741346B (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
US11688188B2 (en) | System for automatic tumor detection and classification | |
CN109241967B (zh) | 基于深度神经网络的甲状腺超声图像自动识别系统、计算机设备、存储介质 | |
WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN112102237A (zh) | 基于半监督学习的脑部肿瘤识别模型的训练方法及装置 | |
CN112132166B (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
CN110929728B (zh) | 一种图像感兴趣区域划分方法、图像分割方法及装置 | |
CN112820399A (zh) | 自动诊断甲状腺结节良恶性的方法及装置 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
JP2024520354A (ja) | 病理組織画像におけるアーチファクトの自動セグメンテーション | |
CN115526834A (zh) | 免疫荧光图像检测方法及装置、设备、存储介质 | |
Piętka et al. | Role of radiologists in CAD life-cycle | |
CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
CN111401102A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
CN111784652B (zh) | 基于强化学习多尺度神经网络的mri分割方法 | |
CN111160442B (zh) | 图像分类方法、计算机设备和存储介质 | |
CN115661152B (zh) | 基于模型预测的目标发展情况分析方法 | |
Liu et al. | Tracking-based deep learning method for temporomandibular joint segmentation | |
WO2022033598A1 (zh) | 乳房x射线图像获取方法、装置、计算机设备和存储介质 | |
CN113920100A (zh) | 基于知识蒸馏的弱监督骨扫描图像热点分割方法及系统 | |
Guatemala-Sanchez et al. | Nuclei segmentation on histopathology images of breast carcinoma | |
CN111784705A (zh) | 感兴趣区域的勾画方法、装置、设备和存储介质 | |
CN114612373A (zh) | 一种图像识别方法及服务器 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220209 Address after: 430206 floor 22, building C3, future science and technology building, No. 999, Gaoxin Avenue, Wuhan East Lake New Technology Development Zone, Wuhan, Hubei Province Patentee after: Wuhan Zhongke Medical Technology Industrial Technology Research Institute Co.,Ltd. Address before: Room 3674, 3 / F, 2879 Longteng Avenue, Xuhui District, Shanghai, 200232 Patentee before: SHANGHAI UNITED IMAGING INTELLIGENT MEDICAL TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |