CN109886933B - 一种医学图像识别方法、装置和存储介质 - Google Patents
一种医学图像识别方法、装置和存储介质 Download PDFInfo
- Publication number
- CN109886933B CN109886933B CN201910074060.0A CN201910074060A CN109886933B CN 109886933 B CN109886933 B CN 109886933B CN 201910074060 A CN201910074060 A CN 201910074060A CN 109886933 B CN109886933 B CN 109886933B
- Authority
- CN
- China
- Prior art keywords
- information
- target
- medical image
- image
- target object
- 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
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例公开了一种医学图像识别方法、装置和存储介质;本发明实施例在获取到待识别的医学图像后,可以先将该医学图像进行信息增强,得到信息增强图,再采用预设的分类模型分别对该医学图像中目标对象的纹理和位置进行分析,得到目标纹理信息和目标位置信息,然后将该目标纹理信息和目标位置信息进行融合,得到局部特征信息,接着根据该医学图像、该信息增强图和该局部特征信息对该目标对象的类型进行识别,得到识别结果;该方案可以有效地提高医学图像识别的准确性。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种医学图像识别方法、装置和存储介质。
背景技术
脑卒中是一种急性脑血管疾病,包括缺血性和出血性卒中。出血性卒中全国每年新发病例130万,急性期病死率为30%-40%。脑出血的原因复杂多变,包括动脉瘤出血和高血压导致的出血,其他病因还包括动静脉畸形,烟雾病和淀粉样变等原因导致的出血。这种病的发病特点就是急、快、重,因此出血原因的快速得知对于下一步治疗有着决定性的帮助。
目前,临床上的检测,通常是医生依靠电子计算机断层扫描(CT,ComputedTomography)影像和病历信息进行判断。然而,各个地区医院的医疗水平差距较大,医生判断的主观性较强,容易出现漏判误判的情况,导致识别结果不准确。
发明内容
本发明实施例提供一种医学图像识别方法、装置和存储介质,可以有效地提高医学图像识别的准确性。
本发明实施例提供一种医学图像识别方法,包括:
获取待识别的医学图像;
将所述医学图像进行信息增强,得到信息增强图;
采用预设的分类模型分别对所述医学图像中目标对象的纹理和位置进行分析,得到目标纹理信息和目标位置信息;
将所述目标纹理信息和目标位置信息进行融合,得到局部特征信息;
根据所述医学图像、所述信息增强图和所述局部特征信息对所述目标对象的类型进行识别,得到识别结果。
相应的,本发明实施例还提供一种医学图像识别装置,包括:
获取单元,用于获取待识别的医学图像;
处理单元,用于将所述医学图像进行信息增强,得到信息增强图;
分析单元,用于采用预设的分类模型分别对所述医学图像中目标对象的纹理和位置进行分析,得到目标纹理信息和目标位置信息;
融合单元,用于将所述目标纹理信息和目标位置信息进行融合,得到局部特征信息;
识别单元,用于根据所述医学图像、所述信息增强图和所述局部特征信息对所述目标对象的类型进行识别,得到识别结果。
可选的,在一些实施例中,所述分析单元可以包括区域分割子单元、位置分割子单元和特征提取子单元,如下:
所述区域分割子单元,用于对所述医学图像中目标对象所在的区域进行分割,得到目标区域图;
所述位置分割子单元,用于根据所述目标对象在所述医学图像中的距离信息进行分割,得到目标位置图;
所述第一提取子单元,用于采用预设的分类模型对所述目标区域图的纹理特征进行提取,得到目标纹理信息;采用预设的分类模型对所述目标位置图的位置特征进行提取,得到目标位置信息。
可选的,在一些实施例中,所述区域分割子单元,具体用于确定所述医学图像中所有体素点的类型,根据所述体素点的类型确定目标区域在所述医学图像中的边界点,基于确定的边界点对目标区域进行截取,得到目标区域;
可选的,在一些实施例中,所述位置分割子单元,具体用于采用颅骨剥离算法对所述医学图像进行分割,根据分割后的图像得到医学图像中心点,计算所述医学图像的每个体素点到所述医学图像中心点的距离,得到距离信息集,根据所述目标区域从所述距离信息集中筛选属于所述目标对象的距离信息,得到目标位置信息。
可选的,在一些实施例中,所述位置分割子单元,具体用于采用颅骨剥离算法对所述医学图像进行分割,根据分割后的图像得到医学图像中心点,根据所述目标区域从所述医学图像中筛选属于目标对象的体素点,得到体素点集,计算所述体素点集中每个体素点到所述医学图像中心点的距离,得到目标位置信息。
可选的,在一些实施例中,所述处理单元,具体用于采用梯度增强算法计算所述医学图像中每个像素点的梯度值,根据所述梯度值对所述医学图像进行梯度增强,得到信息增强图。
可选的,在一些实施例中,所述识别单元可以包括第二提取子单元、分析子单元和生成子单元,如下:
所述第二提取子单元,用于采用预设的分类模型分别对所述医学图像、所述信息增强图和所述局部特征信息进行特征提取,得到目标特征信息;
所述分析子单元,用于根据所述目标特征信息分析所述目标对象的类型概率;
所述生成子单元,用于基于所述目标对象的类型概率生成所述医学图像的识别结果。
可选的,在一些实施例中,所述分类模型包括第一提取网络、融合网络和第二提取网络,所述第二提取子单元,具体用于采用第一提取网络分别对所述医学图像和所述信息增强图进行特征提取,得到全局特征信息和增强特征信息;利用融合网络将所述全局特征信息、所述增强特征信息和所述局部特征信息进行融合,得到融合的特征信息;通过第二提取网络对所述融合的特征信息进行特征提取,得到目标特征信息。
可选的,在一些实施例中,所述分类模型还包括全连接层,所述识别单元还可以包括参考子单元,如下:
所述参考子单元,用于通过所述分类模型的全连接层获取参考信息;
则此时,所述分析子单元,具体可以用于根据所述参考信息和所述目标特征信息分析所述目标对象的类型概率。
可选的,在一些实施例中,所述生成子单元具体可以用于获取目标对象的评判信息,确定所述目标对象的类型概率大于预设阈值的类型,基于所述评判信息将确定的类型生成所述医学图像的识别结果。
可选的,在一些实施例中,所述医学图像识别装置还可以包括采集单元和训练单元,如下:
所述采集单元,用于采集多张包含目标对象的医学样本图像作为训练数据集;
所述训练单元,用于根据所述训练数据集对预设的分类模型进行训练,得到分类模型。
可选的,在一些实施例中,所述训练单元,具体可以用于将所述医学样本图像进行信息增强,得到信息增强样本图;对所述医学样本图像中的目标区域进行分割,得到目标区域样本图;计算所述目标对象在所述医学图像中的位置,得到目标位置样本图;采用预设的分类模型对所述医学样本图像、所述信息增强样本图、所述目标区域样本图和所述目标位置样本图进行分析,得到所述医学样本图像的预测值;获取所述医学样本图像的真实值,并根据所述医学样本图像的真实值和预测值对所述分类模型进行收敛,得到分类模型。
此外,本发明实施例还提供一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本发明实施例提供的任一种医学图像识别方法中的步骤。
本发明实施例在获取到待识别的医学图像后,可以先将所述医学图像进行信息增强,得到信息增强图,再采用预设的分类模型分别对所述医学图像中目标对象的纹理和位置进行分析,得到目标纹理信息和目标位置信息,然后将所述目标纹理信息和目标位置信息进行融合,得到局部特征信息,接着根据所述医学图像、所述信息增强图和所述局部特征信息对所述目标对象的类型进行识别,得到识别结果;由于该方案可以先对该医学图像进行信息增强,以扩充各个特征的表达内容,再利用分割模型结合该医学图像的目标纹理信息和目标位置信息进行分析,以确保目标对象特征可以被准确地分析出来,所以,相对于仅仅依靠人工对医学图像表象信息进行分析的分案而言,可以有效提高医学图像识别的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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一些实施例,对于本领域技术人员来讲,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1a是本发明实施例提供的医学图像识别方法的场景示意图;
图1b是本发明实施例提供的医学图像识别方法的流程图;
图1c是本发明实施例提供的分类模型的结构示意图;
图2a是本发明实施例提供的医学图像的预处理示意图;
图2b是本发明实施例提供的医学图像识别方法的图像处理示意图;
图2c是本发明实施例提供的分类模型的另一结构示意图;
图2d是本发明实施例提供的残差模块的结构示意图;
图2e是本发明实施例提供的医学图像识别方法的另一流程图;
图2f是本发明实施例提供的医学图像识别方法的又一流程图;
图3a是本发明实施例提供的医学图像识别装置的结构示意图;
图3b是本发明实施例提供的医学图像识别装置的另一结构示意图;
图4是本发明实施例提供的网络设备的结构示意图。
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,本领域技术人员在没有作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。
本发明实施例提供一种医学图像识别方法、装置和存储介质。其中,该医学图像识别可以集成在网络设备中,该网络设备可以是服务器,也可以是终端等设备。
图像分析一般利用数学模型并结合图像处理的技术来分析底层特征和上层结构,从而提取具有一定智能性的信息。而所谓医学图像识别,指综合医学影像、数学建模、数字图像处理与分析、人工智能和数值算法等技术,从而得出结论性的判断。而在本发明实施例中,主要指的是对医学图像进行分析,并输出识别结果,比如从CT图像中分析出脑出血的原因,又比如,从核磁共振图像中分析心脏出血的原因,等等,后续可以供医护人员或其他医学专家参考,以便作出进一步的判断。
例如,参见图1a,首先,该集成了医学图像识别装置的网络设备在获取到待识别的医学图像后,可以先将该医学图像进行信息增强,得到信息增强图,再采用预设的分类模型分别对该医学图像中目标对象的纹理和位置进行分析,得到目标纹理信息和目标位置信息,然后将该目标纹理信息和目标位置信息进行融合,得到局部特征信息,接着根据该医学图像、该信息增强图和该局部特征信息对该目标对象的类型进行识别,得到识别结果。
由于在采用分类模型进行分析之前,先对该医学图像进行信息扩充(比如信息增强等等),再结合该医学图像的目标纹理信息和目标位置信息进行分析,以确保可以准确地分析目标对象的特征,有效地提高医学图像识别的准确性。
以下分别进行详细说明。需说明的是,以下实施例的描述顺序不作为对实施例优选顺序的限定。
本实施例将从医学图像识别装置的角度进行描述,该医学图像识别装置具体可以集成在网络设备中,该网络设备可以是服务器,也可以是终端等设备;其中,该终端可以包括手机、平板电脑、笔记本电脑、以及个人计算(PC,PersonalComputer)等设备。
一种医学图像识别方法,包括:获取待识别的医学图像,将该医学图像进行信息增强,得到信息增强图,再采用预设的分类模型分别对该医学图像中目标对象的纹理和位置进行分析,得到目标纹理信息和目标位置信息,然后将该目标纹理信息和目标位置信息进行融合,得到局部特征信息,接着根据该医学图像、该信息增强图和该局部特征信息对该目标对象的类型进行识别,得到识别结果。
如图1b所示,该医学图像识别方法的具体流程可以如下:
101、获取待识别的医学图像。
例如,具体由各医学图像采集设备,比如电子计算机断层扫描仪或核磁共振成像仪等来对生命体组织进行图像采集,进而提供给该医学图像识别装置,即,医学图像识别装置具体可以接收医学图像采集设备发送的待识别的医学图像。
其中,待识别的医学图像指的是需要进行医学图像识别的医学图像,所谓医学图像,指的是在医疗或医学研究中,以非侵入方式取得生命体或生命体某部分内部组织的图像,比如人体的脑部、肠胃、心脏、喉咙和阴道等CT图像。而生命体指的是有生命形态的独立个体,比如人或动物等。
102、将该医学图像进行信息增强,得到信息增强图。
其中,对图像进行信息增强,指的是增强图像中的有用信息,其目的是要改善图像的视觉效果,将原来不清晰的图像变得清晰或强调某些感兴趣的特征,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,使之改善图像质量、丰富信息量,加强图像判读和识别效果,满足某些特殊分析的需要。
例如,具体可以采用梯度增强算法计算该医学图像中每个像素点的梯度值,根据该梯度值对该医学图像进行梯度增强,得到信息增强图。其中,信息增强图的每一个体素点是基于该医学图像的每一个切面并利用梯度增强算法计算相应每个像素点的梯度值得到的,比如,该梯度增强算法可以如下:
其中,G为信息增强图,Gx为x轴方向的信息增强图,Gy为y轴方向的信息增强图,I为医学图像,A为医学图像每个切面的像素点,“*”为卷积操作,“·”为逐点乘积操作。
103、采用预设的分类模型分别对该医学图像中目标对象的纹理和位置进行分析,得到目标纹理信息和目标位置信息;例如,具体可以如下:
(1)对该医学图像中目标对象所在的区域进行分割,得到目标区域。
例如,具体可以确定该医学图像中所有体素点的类型,根据该体素点的类型确定目标区域在该医学图像中的边界点,基于确定的边界点对目标区域进行截取,得到目标区域。
其中,该目标区域包含目标对象,该目标区域和目标对象均可以根据实际应用的需求进行设置,比如,若目标对象为脑出血,则该目标区域可以设置为脑出血部位,又比如,若目标对象为心脏出血,则该目标区域可以设置为心脏出血部位,等等。而所有体素点的类型可以根据目标对象进行划分,比如出血部位和正常部位等等。
(2)采用预设的分类模型对该目标区域图的纹理特征进行提取,得到目标纹理信息。
其中,该预设的分类模型可以根据实际应用的需求而定。为了系统能够以浅层特征为合理的先验知识,合理的拟合残差从而保证信息不至于偏离太多,使深层卷积得到的特征更能反应图像真实的特征,该分类模型可以加入残差模块,比如,参见图1c,该分类模型可以包括第一提取网络、融合网络和第二提取网络。其中,第一提取网络可以包括卷积层(Conv,Convolution layer)(比如卷积层1、卷积层2、卷积层3和卷积层4等)、批标准化层(BN,Batch Normalization)(比如批标准化层1、批标准化层2、批标准化层3和批标准化层4等)、线性整流函数(ReLU,Rectified Linear Unit)(比如线性整流函数1、线性整流函数2、线性整流函数3和线性整流函数4等)、最大池化层(MaxPool)(比如最大池化层1、最大池化层2、最大池化层3和最大池化层4等)和残差模块1(Resblock1)(比如残差模块1_1、残差模块1_2、残差模块1_3和残差模块1_4)等。融合网络可以包括残差模块2(Resblock2)(比如残差模块2_1、残差模块2_2和残差模块2_3等)和残差模块3(Resblock3)。第二提取网络可以包括残差模块4(Resblock4)、残差模块5(Resblock5)、均值池化层(AvgPool)和全连接层(FCL,Fully Connected Layer)。
例如,具体可以利用预设的分类模型中的第一提取网络,即依次由卷积层3、批标准化层3、线性整流函数3、最大池化层3和残差模块1_3对该目标区域图的纹理特征进行提取,得到目标纹理信息。
(3)根据该目标对象在该医学图像中的距离信息进行分割,得到目标位置图。
其中,得到目标位置图的方式可以有多种,比如,可以采用如下任意一种方式:
方式一
采用颅骨剥离算法对该医学图像进行分割,根据分割后的图像得到医学图像中心点,计算该医学图像的每个体素点到该医学图像中心点的距离,得到距离信息集,根据该目标区域从该距离信息集中筛选属于该目标对象的距离信息,得到目标位置图。
方式二
采用颅骨剥离算法对该医学图像进行分割,根据分割后的图像得到医学图像中心点,根据该目标区域从该医学图像中筛选属于目标对象的体素点,得到体素点集,计算该体素点集中每个体素点到该医学图像中心点的距离,得到目标位置图。
其中,颅骨剥离,指的是将颅骨从脑部的核磁共振影像中剥离开来的操作,即指的是对图像中的颅内区域进行识别,并将颅内区域与背景区域(即除颅内区域之外的区域)进行划分的操作(即将脑部组织从非脑组织中分离出来)。而颅骨剥离算法可以包括基于边缘检测方法和基于活动轮廓方法等等。其中,基于边缘检测方法主要是利用边缘检测算子检测脑部的解剖学边缘,利用形态学和边缘连接算子连接边缘实现自动分割。基于活动轮廓方法是在图像构建一个初始曲线,曲线在内力和外力作用下向着目标边界变形,达到被检测目标边界时停止变形。
(4)采用预设的分类模型对该目标位置图的位置特征进行提取,得到目标位置信息。
例如,具体可以利用预设的分类模型中的第一提取网络,即依次由卷积层4、批标准化层4、线性整流函数4、最大池化层4和残差模块1_4对该目标位置图的位置特征进行提取,得到目标位置信息。
可选的,该预设的分类模型可以由多张包含目标对象的医学样本图像训练而成。具体可以由其他设备进行训练后,提供给该医学图像识别装置,或者,也可以由该医学图像识别装置自行进行训练;即在步骤“采用预设的分类模型分别对该医学图像中目标对象的纹理和位置进行分析,得到目标纹理信息和目标位置信息”之前,该医学图像识别方法还可以包括:
(1)采集多张包含目标对象的医学样本图像作为训练数据集。
比如,具体可以采集多张医学样本图像作为原始数据集,比如从数据库或网络等获取该原始数据集,然后对该原始数据集里的图像进行预处理,以得到满足预设分类模型的输入标准的图像。
其中,预处理可以包括插值、对齐和/或旋转翻转等操作。譬如,以预设分类模型的输入大小为“230*270*30”为例,则此时,可以先将原始数据集里的每张图像被插值为每个像素点大小为“0.6mm*0.6mm*4.2mm”的图像,然后,通过简单的几何结构算法找寻顶点对图像进行旋转,将每张图像统一方向,再裁剪出一个“230*270*30”大小的图像,当然,还可以进一步对这些图像进行其他的预处理操作,等等。
(2)根据该训练数据集对预设的分类模型进行训练,得到分类模型;例如,具体可以如下:
A、将该医学样本图像进行信息增强,得到信息增强样本图。
例如,具体可以采用梯度增强算法计算该医学样本图像中每个体素点的梯度值,根据该梯度值对该医学图像进行梯度增强,得到信息增强样本图。其中,该梯度增强算法可以如下:
其中,G为信息增强图,Gx为x轴方向的信息增强图,Gy为y轴方向的信息增强图,I为医学图像,A为医学图像每个切面的像素点,“*”为卷积操作,“·”为逐点乘积操作。
B、对该医学样本图像中的目标区域进行分割,得到目标区域样本图。
例如,具体可以确定该医学样本图像中所有体素点的类型,根据该体素点的类型确定目标区域在该医学样本图像中的边界点,基于确定的边界点对目标区域进行截取,得到目标区域。
C、计算该目标对象在该医学图像中的位置,得到目标位置样本图。
其中,得到目标位置信息的方式可以有多种,比如,可以采用如下任意一种方式:
方式一
采用颅骨剥离算法对该医学样本图像进行分割,根据分割后的图像得到医学样本图像中心点,计算该医学样本图像的每个体素点到该医学样本图像中心点的距离,得到距离信息集,根据该目标区域从该距离信息集中筛选属于该目标对象的距离信息,得到目标位置样本图。
方式二
采用颅骨剥离算法对该医学样本图像进行分割,根据分割后的图像得到医学样本图像中心点,根据该目标区域从该医学样本图像中筛选属于目标对象的体素点,得到体素点集,计算该体素点集中每个体素点到该医学样本图像中心点的距离,得到目标位置样本图。
D、采用预设的分类模型对该医学样本图像、该信息增强样本图、该目标区域样本图和该目标位置样本图进行分析,得到该医学样本图像的预测值。
例如,具体可以将医学样本图像、信息增强样本图、目标区域样本图和目标位置样本图作为四个通道输入至该分类模型后,依次由卷积层、批标准化层、线性整流函数、最大池化层和残差模块1分别对这四个通道的样本进行特征提取,再由残差模块2将目标区域样本图和目标位置样本图提取后的特征进行融合,然后由残差模块3将残差模块2的输出与医学样本图像和信息增强样本图的特征进行融合,再由第二提取网络的残差模块4、残差模块5、均值池化层依次对融合的特征进行特征提取,并由全连接层将所提取的特征进行连接,最后得到医学样本图像的预测值。
E、获取该医学样本图像的真实值,并根据该医学样本图像的真实值和预测值对该分类模型进行收敛,得到分类模型。
例如,具体可以根据医院提供的医学样本图像判断的真实结果确定训练数据集中每张医学样本图像的真实值,然后,计算每张医学样本图像的真实值和预测值之间的误差,再将所有误差进行反向传播更新网络的梯度,以达到收敛的目的,最终得到分类模型。
其中,计算预测值和真实值之间的误差的方式可以有多种,例如,可以通过预设的损失函数来计算预测值和真实值之间的误差,如通过交叉熵损失函数来计算预测值和真实值之间的交叉熵损失,等等。
104、将该目标纹理信息和目标位置信息进行融合,得到局部特征信息。
例如,为了增加分类的准确性,在考虑整体信息的基础上,着重强调了局部纹理信息与位置信息,可以利用融合网络先融合局部特征信息,比如,由第一提取网络提取出目标纹理信息和目标位置信息后,可以由融合网络中的残差模块2将该目标纹理信息和目标位置信息进行融合,得到局部特征信息。
105、根据该医学图像、该信息增强图和该局部特征信息对该目标对象的类型进行识别,得到识别结果;例如,具体可以如下:
(1)采用预设的分类模型分别对该医学图像、该信息增强图和该局部特征信息进行特征提取,得到目标特征信息。
例如,具体可以采用第一提取网络分别对该医学图像和该信息增强图进行特征提取,得到全局特征信息和增强特征信息,利用融合网络中的残差模块3将该全局特征信息、增强特征信息和该局部特征信息进行融合,得到融合的特征信息,通过第二提取网络对该融合的特征信息进行特征提取,得到目标特征信息。
(2)根据该目标特征信息分析该目标对象的类型概率。
比如,还是以该医学图像为脑部CT图,该目标对象为脑出血,目标区域为脑出血部位为例,例如,为了更准确的判断患者的脑出血原因,判断是否为高血压出血的分类,可以在分类模型中加入患者的某些病历信息如:年龄,性别,既往高血压病史和血压收缩压值等指标,即该分类模型还包括全连接层,则步骤“根据该目标特征信息分析该目标对象的类型概率”之前,还可以包括:
通过该分类模型的全连接层获取参考信息。
因此,根据该目标特征信息分析该目标对象的类型概率,可以具体为:根据该参考信息和该目标特征信息分析该目标对象的类型概率。
(3)基于该目标对象的类型概率生成该医学图像的识别结果。
例如,具体可以获取目标对象的评判信息,确定该目标对象的类型概率大于预设阈值的类型,基于该评判信息将确定的类型生成该医学图像的识别结果。
其中,目标对象的评判信息指的是可以用于评价和判断目标对象所属类型的信息。比如,该目标对象为脑出血,则评判信息可以为若出血弥漫全脑,则可能为动脉瘤导致的出血,或者有些会凝成血块表现的局部高亮,可能为高血压导致的出血,等等。识别结果可以为出血的原因,如动脉瘤,高血压,动静脉畸形和烟雾病,等等。
其中,预设阈值的设定方式可以有很多种,比如,可以根据实际应用的需求灵活设置,也可以预先设置好存储在网络设备中。此外,预设阈值可以内置于网络设备中,或者,也可以保存在存储器中并发送给网络设备,等等。
由上可知,本实施例在获取到待识别的医学图像后,可以先将该医学图像进行信息增强,得到信息增强图,再采用预设的分类模型分别对该医学图像中目标对象的纹理和位置进行分析,得到目标纹理信息和目标位置信息,然后将该目标纹理信息和目标位置信息进行融合,得到局部特征信息,接着根据该医学图像、该信息增强图和该局部特征信息对该目标对象的类型进行识别,得到识别结果;由于该方案可以先对该医学图像进行信息增强,以扩充各个特征的表达内容,再利用分割模型结合该医学图像的目标纹理信息和目标位置信息进行分析,以确保目标对象特征可以被准确地分析出来,所以,相对于仅仅依靠人工对医学图像表象信息进行分析的分案而言,可以有效提高医学图像识别的准确性。
根据上一个实施例所描述的方法,以下将举例作进一步详细说明。
在本实施例中,将以该医学图像识别装置具体集成在网络设备,其以目标区域具体为脑出血部位,目标对象具体为脑出血为例进行说明。
(一)首先,需要对分类模型进行训练,具体可以如下:
(1)采集多张包含目标对象的医学样本图像作为训练数据集。
比如,具体可以采集多张医学样本图像作为原始数据集,比如从数据库或网络等获取该原始数据集,然后对该原始数据集里的图像进行预处理,以得到满足预设分类模型的输入标准的图像。
比如,可以使用医院提供的共1486例金标准脑出血数据作为网络的训练数据,其中783例动脉瘤出血数据,570例高血压出血数据,97例动静脉畸形出血数据和36例烟雾病出血数据。其中,这些数据是数据清洗后的结果,其中每张CT平扫图像像素大小控制在0.4mm-0.6mm之间,两层影像间距控制在4mm-6mm之间,去除了有尾影和头部移动后的数据,去除了手术过的病人的数据,保证是原发性脑出血病人的数据。
其中,预处理可以包括插值、对齐和/或旋转翻转等操作。譬如,可参见图2a所示,以预设分类模型的输入大小为“230*270*30”为例,则此时,可以先对原始数据进行插值和粗略的对齐操作。由于图像的采集来自不同仪器,参数设定也会略有不同,因此,如图2a(1)所示,首先把每张图像的分辨率进行统一,可以把每张图片被插值为每个像素点大小为“0.6mm*0.6mm*4.2mm”的图像。然后,如图2a(2)所示,通过简单的几何结构算法找寻顶点并进行图像旋转,将每张图像统一方向。接着,如图2a(3)所示,去除颅骨并将头部置于中心并裁剪出一个“230*270*30”的图像作为后续输入。
(2)根据该训练数据集对预设的分类模型进行训练,得到分类模型;例如,具体可以如下:
A、将该医学样本图像进行信息增强,得到信息增强样本图。
例如,具体可以采用梯度增强算法计算该医学样本图像中每个像素点的梯度值,根据该梯度值对该医学图像进行梯度增强,得到信息增强样本图。比如,该医学图像为脑部CT图如图2b(1)所示,则该信息增强图可以如图2b(2)所示。其中,该梯度增强算法可以如下:
其中,G为信息增强图,Gx为x轴方向的信息增强图,Gy为y轴方向的信息增强图,I为医学图像,A为医学图像每个切面的像素点,“*”为卷积操作,“·”为逐点乘积操作。
B、对该医学样本图像中的目标区域进行分割,得到目标区域样本图。
例如,具体可以确定该医学样本图像中所有体素点的类型,根据该体素点的类型确定目标区域在该医学样本图像中的边界点,基于确定的边界点对目标区域进行截取,得到目标区域样本图。
比如,具体可以利用脑出血的特殊性质,出血部位在CT图中表现的亮度较高,因此,可以确定该脑部CT图中所有体素点的类型,根据该体素点的类型确定脑出血在脑部CT图中的边界点,基于确定的边界点对脑出血部位进行阈值分割,并进行连通域处理后可得到近似的出血部位,如图2b(3)所示。
C、计算该目标对象在该医学图像中的位置,得到目标位置样本图。
例如,具体可以采用颅骨剥离算法对该脑部CT图进行分割,得到大脑的中心点,然后,计算该脑部CT图中每个像素点到中心点的距离,得到该脑部CT图的距离信息集,再根据该出血部位从该距离信息集中筛选属于该脑出血的距离信息,得到脑出血的位置样本图,即只保留出血部位的距离信息,可以如图2b(4)所示。
D、采用预设的分类模型对该医学样本图像、该信息增强样本图、该目标区域样本图和该目标位置样本图进行分析,得到该医学样本图像的预测值。
其中,该预设的分类模型可以根据实际应用的需求而定。为了系统能够以浅层特征为合理的先验知识,合理的拟合残差从而保证信息不至于偏离太多,使深层卷积得到的特征更能反应图像真实的特征,该分类模型可以加入残差模块,比如,参见图2c,该分类模型可以包括第一提取网络、融合网络和第二提取网络。其中,第一提取网络可以包括卷积层、批标准化层、线性整流函数、最大池化层和残差模块1。融合网络可以包括残差模块2和残差模块3。第二提取网络可以包括残差模块4、残差模块5、均值池化层和全连接层。其中,每个残差模块的结构可以如图2d所示,比如,处于分类模型中第i层的残差模块,输入为第i-1层的特征输出Hi-1,并依次经由卷积层、批标准化层、线性整流函数、卷积层、批标准化层,得到Hi-1的特征映射fi(Hi-1),将与Hi-1恒等的特征id(Hi-1)和fi(Hi-1)相加再输入线性整流函数,得到第i层的特征Hi。
例如,具体可以将医学样本图像、信息增强样本图、目标区域样本图和目标位置样本图作为四个通道输入至该分类模型后,依次由卷积层、批标准化层、线性整流函数、最大池化层和残差模块1分别对这四个通道的样本进行特征提取,比如,由卷积层1、批标准化层1、线性整流函数1、最大池化层1、残差模块1_1和残差模块2_1依次对医学图像样本进行特征提取,由卷积层2、批标准化层2、线性整流函数2、最大池化层2、残差模块1_2和残差模块2_2依次对信息增强样本图进行特征提取,由卷积层3、批标准化层3、线性整流函数3、最大池化层3和残差模块1_3依次对目标区域样本图进行特征提取,由卷积层4、批标准化层4、线性整流函数4、最大池化层4和残差模块1_4依次对目标位置样本图进行特征提取,再由残差模块2_3将目标区域样本图和目标位置样本图提取后的特征进行融合,然后由残差模块3将残差模块2_3的输出与医学样本图像和信息增强样本图的特征进行融合,再由第二提取网络的残差模块4和残差模块5、均值池化层依次对融合的特征进行特征提取,并由全连接层将所提取的特征进行连接,最后得到医学样本图像的预测值。其中,分类模型的参数设置及各层的输出可以如下表1所示,比如,最大池化层的卷积核为“3*3*1”,步长为(2,2,1),输出的特征为“58*68*30”。
表1
其中,分类模型中各个层的输入/输出通道数如表2所示,比如,医学图像输入卷积层+批标准化层+线性整流函数的通道数为1,输出的通道数为64,输入残差模块1的通道数为64,输出的通道数为64。
表2
E、获取该医学样本图像的真实值,并根据该医学样本图像的真实值和预测值对该分类模型进行收敛,得到分类模型。
例如,具体可以根据医院提供的医学样本图像判断的真实结果确定训练数据集中每张医学样本图像的真实值,然后,计算每张医学样本图像的真实值和预测值之间的误差,再将所有误差进行反向传播,采用基于随机梯度下降法(SGD,Stochastic GradientDescent)更新网络的梯度,以达到收敛的目的,最终得到分类模型。比如,可以获取该脑部CT图像具体属于动脉瘤出血数据、高血压出血数据、动静脉畸形出血数据或烟雾病出血数据作为真实值,然后计算该脑部CT图像的真实值和预测值之间的误差,再将所有误差进行反向传播更新网络的梯度,以达到收敛的目的,最终得到分类模型。
其中,计算预测值和真实值之间的误差的方式可以有多种,例如,可以通过预设的损失函数来计算预测值和真实值之间的误差,如通过交叉熵损失函数来计算预测值和真实值之间的交叉熵损失,等等。
(二)通过训练好的分类模型,便可以对待识别的医学图像进行分析,具体可以参见图2e和图2f。
如图2e所示,一种医学图像识别方法,具体流程可以如下:
201、网络设备采集电子计算机断层扫描图像。
例如,网络设备可以接收用户输入的电子计算机断层扫描图像,或者,接收其他设备发送的电子计算机断层扫描图像,其中,该电子计算机断层扫描图像可以通过电子计算机断层扫描仪对生命体的某组成部分,比如人体的内脏如心脏等进行影像采集来得到。
202、网络设备对该电子计算机断层扫描图像进行预处理,得到待识别的医学图像。
其中,预处理可以包括插值、对齐和/或旋转翻转等操作。譬如,以预设分类模型的输入大小为“230*270*30”为例,则此时,网络设备可以先将原始数据集里的每张图像被插值为每个像素点大小为“0.6mm*0.6mm*4.2mm”的图像,然后,通过简单的几何结构算法找寻顶点对图像进行旋转,将每张图像统一方向,再裁剪出一个“230*270*30”大小的图像,当然,还可以进一步对这些图像进行其他的预处理操作,等等。
203、网络设备将该医学图像进行信息增强,得到信息增强图。
例如,网络设备具体可以采用梯度增强算法计算该脑部CT图中每个像素点的梯度值,根据该梯度值对该脑部CT图进行梯度增强,得到信息增强图。其中,信息增强图的每一个体素点是基于该脑部CT图的每一个切面并利用梯度增强算法计算相应每个像素点的梯度值得到的,比如,该梯度增强算法可以如下:
其中,G为信息增强图,Gx为x轴方向的信息增强图,Gy为y轴方向的信息增强图,I为医学图像,A为医学图像每个切面的像素点,“*”为卷积操作,“·”为逐点乘积操作。
204、网络设备对该医学图像中目标对象所在的区域进行分割,得到目标区域图。
例如,网络设备具体可以确定该医学图像中所有体素点的类型,根据该体素点的类型确定目标区域在该医学图像中的边界点,基于确定的边界点对目标区域进行截取,得到目标区域图。
比如,具体可以利用脑出血的特殊性质,出血部位在脑部CT图中表现的亮度较高,因此,网络设备可以确定该脑部CT图中所有体素点的类型,根据该体素点的类型确定脑出血在脑部CT图中的边界点,基于确定的边界点对脑出血部位进行阈值分割,并进行连通域处理后可得到近似的出血部位。
205、网络设备根据该目标对象在该医学图像中的距离信息进行分割,得到目标位置图。
比如,网络设备具体可以采用颅骨剥离算法对该脑部CT图进行分割,得到大脑的中心点,然后,计算该脑部CT图中每个像素点到中心点的距离,得到该脑部CT图的距离信息集,再根据该出血部位从该距离信息集中筛选属于该脑出血的距离信息,得到脑出血的位置信息,即只保留出血部位的距离信息。
206、网络设备采用预设的分类模型分别对该目标区域图和该目标位置图进行特征提取,得到目标纹理信息和目标位置信息。
其中,该分类模型可以包括第一提取网络、融合网络和第二提取网络,其中,第一提取网络可以包括卷积层、批标准化层、线性整流函数、最大池化层和残差模块1。融合网络可以包括残差模块2和残差模块3。第二提取网络可以包括残差模块4、残差模块5、均值池化层和全连接层。
例如,网络设备具体可以利用预设的分类模型中的第一提取网络,即卷积层、批标准化层、线性整流函数、最大池化层和残差模块1对该目标区域图的纹理特征进行提取,得到目标纹理信息;利用预设的分类模型中的第一提取网络,即卷积层、批标准化层、线性整流函数、最大池化层和残差模块1对该目标区域图的纹理特征进行提取,得到目标纹理信息。
207、网络设备将该目标纹理信息和目标位置信息进行融合,得到局部特征信息。
例如,为了增加分类的准确性,在考虑整体信息的基础上,着重强调了局部纹理信息与位置信息,可以利用融合网络先融合局部特征信息,比如,由第一提取网络提取出目标纹理信息和目标位置信息后,可以由融合网络中的残差模块2将该目标纹理信息和目标位置信息进行融合,得到局部特征信息。
208、网络设备采用预设的分类模型分别对该医学图像、该信息增强图和该局部特征信息进行特征提取,得到目标特征信息。
例如,网络设备具体可以采用第一提取网络分别对该医学图像和该信息增强图进行特征提取,得到全局特征信息和增强特征信息,利用融合网络中的残差模块3将该全局特征信息、、增强特征信息和该局部特征信息进行融合,得到融合的特征信息,通过第二提取网络对该融合的特征信息进行特征提取,得到目标特征信息。
比如,在临床上,不同的出血原因导致不同类型的血管破裂(动脉,静脉,毛细等),因而,在影像上的表现会完全不同,有些会导致出血弥漫全脑,如动脉瘤导致的出血,有些则会凝成血块表现的局部高亮,如高血压导致的出血,有些则是毛细血管病变导致的出血,但不会如此高亮,如烟雾病等导致的出血;此外,不同的原因也体现在出血位置上,如动脉瘤破裂大概率会导致血液流向脑部各个位置,而动静脉畸形一般出现在离大脑皮层较近的动脉位置上;再次,不同的出血原因也会带来不同形态的局部水肿,反映在脑部CT图片上。
因此,该分类模型设置了4个通道的输入,即该医学图像、该信息增强图、该目标区域图和该目标位置图。其中,信息增强图可以反映出血区、水肿区与健康大脑之间一个渐变的过程,比医学图像提供了更高对比度的信息;目标区域图(即出血部位图)能表示整体的出血部位,整体出血或零散出血,以及提供出血点的纹理信息;目标位置图(即出血位置图)则反映了出血点到脑中心的一个距离信息,能提供一个出血位置是接近脑室或接近皮层的信息。则此时,可以利用分类模型自动提取综合了输入端不同信息后的特征,其中,脑部CT图和信息增强图为全局信息,出血部分图和出血位置图为局部信息,将这些信息通过第一提取网络后,再利用融合网络先融合局部信息,然后再与脑部CT图和信息增强图相融合,接着继续通过第二提取网络进行特征提取,得到目标特征信息,由此可以得到对病灶(在这里指的脑出血)更加精确的特征信息描述,且兼顾了全局信息。
可选的,为了更准确的判断患者的脑出血原因,判断是否为高血压出血的分类,可以在分类模型的全连接层中加入患者的某些病历信息,比如,年龄、性别、既往高血压病史和/或血压收缩压值等指标,即可以通过该分类模型的全连接层获取参考信息。
209、网络设备根据该目标特征信息分析该目标对象的类型概率。
例如,网络设备具体可以根据该参考信息和该目标特征信息分析该目标对象的类型概率,比如,脑出血属于出血弥漫全脑、零散出血、出血凝成血块表现局部高亮、出血离大脑皮层较近的动脉位置和/或血液流向脑部各个位置等类型的概率。
210、网络设备基于该目标对象的类型概率生成该医学图像的识别结果。
例如,网络设备具体可以获取目标对象的评判信息,确定该目标对象的类型概率大于预设阈值的类型,基于该评判信息将确定的类型生成该医学图像的识别结果。
其中,预设阈值的设定方式可以有很多种,比如,可以根据实际应用的需求灵活设置,也可以预先设置好存储在网络设备中。此外,预设阈值和评判信息可以内置于网络设备中,或者,也可以保存在存储器中并发送给网络设备,还可以根据需要实时更新,等等。
其中,评判信息可以为若出血弥漫全脑,则可能为动脉瘤导致的出血,或者有些会凝成血块表现的局部高亮,可能为高血压导致的出血,等等。分析过程可以如图2f所示,识别结果可以为导致脑出血的原因,如动脉瘤,高血压,动静脉畸形和烟雾病,等等。比如,识别结果可以如下:
XXX的出血原因为:
动脉瘤的概率是1.6%
高血压的概率是11.6%
动静脉畸形的概率是59.0%
烟雾病的概率是27.8%
结论:怀疑动静脉畸形,并轻度怀疑烟雾病,轻度怀疑高血压导致的出血。
在得到该识别结果之后,医护人员便可以将其作为参考,以进行进一步的判断和处理。
此外,需说明的是,该方案的执行硬件环境可以根据实际需求而定,比如方案中的分类模型训练时利用Nvidia Titan P40显卡进行深度学习,而测试时仅需普通CPU即可,平均对每张医学图像识别所需时间不到10秒,等等。
另外,本方案主要是脑出血原因的分类,使用的是脑部的CT图像,但应当理解的是,根据实际应用的需求,也可以是其他类型的医学图像,比如MR图像等。另外,由于每种影像的侧重点不同,所以,除了可以对某一类型的医学图像进行分析之外,还可以对多种类型的医学图像进行共同预测,比如可以对CT图像和MR图像进行共同预测,等等。
此外,还需说明的是,本实施例仅仅为示例,应当理解的是,该目标区域、目标对象和出血原因(在本实施例中主要包括四种出血原因:动脉瘤,高血压,动静脉畸形和烟雾病)等也可以根据实际应用的需求设置为其他区域、对象和出血原因,即本发明方案还可以扩展到许多应用中,比如据此来判断出更多的出血原因,或应用于其他出血部位的分割和血块大小的定量任务中,等等。
由上可知,本实施例在获取到待识别的医学图像后,可以先将该医学图像进行信息增强,得到信息增强图,再采用预设的分类模型分别对该医学图像中目标对象的纹理和位置进行分析,得到目标纹理信息和目标位置信息,然后将该目标纹理信息和目标位置信息进行融合,得到局部特征信息,接着根据该医学图像、该信息增强图和该局部特征信息对该目标对象的类型进行识别,得到识别结果;由于该方案可以先对该医学图像进行信息增强,以扩充各个特征的表达内容,再利用分割模型结合该医学图像的目标纹理信息和目标位置信息进行分析,以确保目标对象特征可以被准确地分析出来,所以,相对于仅仅依靠人工对医学图像表象信息进行分析的分案而言,可以有效提高医学图像识别的准确性;而且,由于医生水平的差异,有些医生往往需要扫描多种仪器才能进行判断,浪费许多时间,有些医生经验欠佳,可能会漏判或误判,导致巨大的后果,因此,该方案不仅继承CT平扫的优点,无创、快速、费用相对较低且利用人工智能先对该医学图像进行分析,还融合了病历信息,将病历和影像信息共同用人工智能进行融合,将最准确的判断作为输出,能降低漏判和误判率,从而缩小基层医生与三甲医院资深医生间的差距,且不需要医生标注,无额外成本。
为了更好地实施以上方法,相应的,本发明实施例还提供一种医学图像识别装置,该医学图像识别装置具体可以集成在网络设备中,该网络设备可以是服务器,也可以是终端等设备。
例如,如图3a所示,该医学图像识别装置可以包括获取单元301、处理单元302、分析单元303、融合单元304和识别单元305,如下:
(1)获取单元301;
获取单元301,用于获取待识别的医学图像。
例如,具体由各医学图像采集设备,比如电子计算机断层扫描仪或核磁共振成像仪等来对生命体组织进行图像采集,进而提供给该获取单元301,即,获取单元301具体可以用于接收医学图像采集设备发送的原始图像,将该原始图像作为待识别的医学图像。
可选的,若获取单元301接收到的原始图像未能符合分类网络的输入标准,则获取单元301,还可以用于对接收到的原始图像进行预处理,得到待识别的医学图像。
其中,预处理可以包括插值、对齐和/或旋转翻转等操作。譬如,以预设分类模型的输入大小为“230*270*30”为例,则此时,可以先将原始数据集里的每张图像被插值为每个像素点大小为“0.6mm*0.6mm*4.2mm”的图像,然后,通过简单的几何结构算法找寻顶点对图像进行旋转,将每张图像统一方向,再裁剪出一个“230*270*30”大小的图像,当然,还可以进一步对这些图像进行其他的预处理操作,等等。
(2)处理单元302;
处理单元302,用于将该医学图像进行信息增强,得到信息增强图。
例如,该处理单元302具体用于采用梯度增强算法计算该医学图像中每个像素点的梯度值,根据该梯度值对该医学图像进行梯度增强,得到信息增强图。
其中,信息增强图的每一个体素点是基于该医学图像的每一个切面并利用梯度增强算法计算相应每个像素点的梯度值得到的,该梯度增强算法具体可以参见前面实施例,在此不再赘述。
(3)分析单元303;
分析单元303,用于采用预设的分类模型分别对该医学图像中目标对象的纹理和位置进行分析,得到目标纹理信息和目标位置信息。
可选的,在一些实施例中,该分析单元可以包括区域分割子单元、位置分割子单元和特征提取子单元,如下:
区域分割子单元,用于对该医学图像中目标对象所在的区域进行分割,得到目标区域图;
位置分割子单元,用于根据该目标对象在该医学图像中的距离信息进行分割,得到目标位置图;
第一提取子单元,用于采用预设的分类模型对该目标区域图的纹理特征进行提取,得到目标纹理信息;采用预设的分类模型对该目标位置图的位置特征进行提取,得到目标位置信息。
可选的,在一些实施例中,该区域分割子单元,具体可以用于确定该医学图像中所有体素点的类型,根据该体素点的类型确定目标区域在该医学图像中的边界点,基于确定的边界点对目标区域进行截取,得到目标区域图;
该位置分割子单元,具体可以用于采用颅骨剥离算法对该医学图像进行分割,根据分割后的图像得到医学图像中心点,计算该医学图像的每个体素点到该医学图像中心点的距离,得到距离信息集,根据该目标区域从该距离信息集中筛选属于该目标对象的距离信息,得到目标位置图。
其中,该分类模型可以包括第一提取网络、融合网络和第二提取网络,该分类模型的结构具体可参见前面的实施例,在此不作赘述。
该第一提取子单元,具体可以用于利用预设的分类模型中的第一提取网络,即卷积层、批标准化层、线性整流函数、最大池化层和残差模块1对该目标区域图的纹理特征进行提取,得到目标纹理信息;利用预设的分类模型中的第一提取网络,即卷积层、批标准化层、线性整流函数、最大池化层和残差模块1对该目标位置图的位置特征进行提取,得到目标位置信息。
可选的,该预设的分类模型可以由多张包含目标对象的医学样本图像训练而成。具体可以由其他设备进行训练后,提供给该医学图像识别装置,或者,也可以由该医学图像识别装置自行进行训练;即如图3b所示,该医学图像识别方法还可以包括采集单元306和训练单元307,如下:
采集单元306,用于采集多张包含目标对象的医学样本图像作为训练数据集。
比如,具体可以采集多张医学样本图像作为原始数据集,比如从数据库或网络等获取该原始数据集,然后对该原始数据集里的图像进行预处理,以得到满足预设分类模型的输入标准的图像。
其中,预处理可以包括插值、对齐和/或旋转翻转等操作。譬如,以预设分类模型的输入大小为“230*270*30”为例,则此时,可以先将原始数据集里的每张图像被插值为每个像素点大小为“0.6mm*0.6mm*4.2mm”的图像,然后,通过简单的几何结构算法找寻顶点对图像进行旋转,将每张图像统一方向,再裁剪出一个“230*270*30”大小的图像,当然,还可以进一步对这些图像进行其他的预处理操作,等等。
训练单元307,用于根据该训练数据集对预设的分类模型进行训练,得到分类模型;例如,具体可以用于:
A、将该医学样本图像进行信息增强,得到信息增强样本图。
例如,具体可以采用梯度增强算法计算该医学样本图像中每个体素点的梯度值,根据该梯度值对该医学图像进行梯度增强,得到信息增强样本图。其中,该梯度增强算法具体可以参见前面实施例,在此不再赘述。
B、对该医学样本图像中的目标区域进行分割,得到目标区域样本图。
例如,具体可以确定该医学样本图像中所有体素点的类型,根据该体素点的类型确定目标区域在该医学样本图像中的边界点,基于确定的边界点对目标区域进行截取,得到目标区域样本图。
C、计算该目标对象在该医学图像中的位置,得到目标位置样本图。
其中,得到目标位置信息的方式可以有多种,比如,可以采用如下任意一种方式:
方式一
采用颅骨剥离算法对该医学样本图像进行分割,根据分割后的图像得到医学样本图像中心点,计算该医学样本图像的每个体素点到该医学样本图像中心点的距离,得到距离信息集,根据该目标区域从该距离信息集中筛选属于该目标对象的距离信息,得到目标位置样本图。
方式二
采用颅骨剥离算法对该医学样本图像进行分割,得到医学样本图像中心点,根据该目标区域从该医学样本图像中筛选属于目标对象的体素点,得到体素点集,计算该体素点集中每个体素点到该医学样本图像中心点的距离,得到目标位置样本图。
D、采用预设的分类模型对该医学样本图像、该信息增强样本图、该目标区域样本图和该目标位置样本图进行分析,得到该医学样本图像的预测值。
其中,该预设的分类模型可以根据实际应用的需求而定。为了系统能够以浅层特征为合理的先验知识,合理的拟合残差从而保证信息不至于偏离太多,使深层卷积得到的特征更能反应图像真实的特征,该分类模型可以加入残差模块。该分类模型可以包括第一提取网络、融合网络和第二提取网络。其中,第一提取网络包括卷积层、批标准化层、线性整流函数、最大池化层和残差模块1。融合网络包括残差模块2和残差模块3。第二提取网络包括残差模块4、残差模块5、均值池化层和全连接层。
例如,具体可以将医学样本图像、信息增强样本图、目标区域样本图和目标位置样本图作为四个通道输入至该分类模型后,依次由卷积层、批标准化层、线性整流函数、最大池化层和残差模块1分别对这四个通道的样本进行特征提取,再由残差模块2将目标区域样本图和目标位置样本图提取后的特征进行融合,然后由残差模块3将残差模块2的输出与医学样本图像和信息增强样本图的特征进行融合,再由第二提取网络的残差模块4、残差模块5、均值池化层依次对融合的特征进行特征提取,并由全连接层将所提取的特征进行连接,最后得到医学样本图像的预测值。
E、获取该医学样本图像的真实值,并根据该医学样本图像的真实值和预测值对该分类模型进行收敛,得到分类模型。
例如,具体可以根据医院提供的医学样本图像判断的真实结果确定训练数据集中每张医学样本图像的真实值,然后,计算每张医学样本图像的真实值和预测值之间的误差,再将所有误差进行反向传播更新网络的梯度,以达到收敛的目的,最终得到分类模型。
其中,计算预测值和真实值之间的误差的方式可以有多种,例如,可以通过预设的损失函数来计算预测值和真实值之间的误差,如通过交叉熵损失函数来计算预测值和真实值之间的交叉熵损失,等等。
(4)融合单元304;
融合单元304,用于将该目标纹理信息和目标位置信息进行融合,得到局部特征信息。
例如,为了增加分类的准确性,在考虑整体信息的基础上,着重强调了局部纹理信息与位置信息,可以利用融合网络先融合局部特征信息,比如,由第一提取网络提取出目标纹理信息和目标位置信息后,可以由融合单元304利用融合网络中的残差模块2将该目标纹理信息和目标位置信息进行融合,得到局部特征信息。
(5)识别单元305;
识别单元,用于根据该医学图像、该信息增强图和该局部特征信息对该目标对象的类型进行识别,得到识别结果。
可选的,在一些实施例中,该识别单元305可以包括第二提取子单元、分析子单元和生成子单元,如下:
第二提取子单元,具体用于采用预设的分类模型分别对该医学图像、该信息增强图和该局部特征信息进行特征提取,得到目标特征信息;
例如,第二提取子单元,具体可以采用第一提取网络分别对该医学图像和该信息增强图进行特征提取,得到全局特征信息和增强特征信息,利用融合网络将该全局特征信息、该增强特征信息和该局部特征信息进行融合,得到融合的特征信息,通过第二提取网络对该融合的特征信息进行特征提取,得到目标特征信息。
分析子单元,具体用于根据该目标特征信息分析该目标对象的类型概率。
可选的,在一些实施例中,该分类模型还包括全连接层,该识别单元305还可以包括参考子单元,如下:
参考子单元,具体用于通过该分类模型的全连接层获取参考信息;
则此时,该分析子单元,具体可以用于根据该参考信息和该目标特征信息分析该目标对象的类型概率。
比如,以该医学图像为脑部CT图,该目标对象为脑出血,目标区域为脑出血部位为例,例如,为了更准确的判断患者的脑出血原因,判断是否为高血压出血的分类,可以在分类模型中加入患者的某些病历信息如:年龄,性别,既往高血压病史和血压收缩压值等指标,然后,根据该参考信息和该目标特征信息分析该目标对象的类型概率。
生成子单元,具体用于根据该目标对象的类型概率生成该医学图像的识别结果。
例如,该生成子单元,具体可以获取目标对象的评判信息,确定该目标对象的类型概率大于预设阈值的类型,基于该评判信息将确定的类型生成该医学图像的识别结果。
其中,预设阈值的设定方式可以有很多种,比如,可以根据实际应用的需求灵活设置,也可以预先设置好存储在网络设备中。此外,预设阈值可以内置于网络设备中,或者,也可以保存在存储器中并发送给网络设备,等等。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由上可知,本实施例在获取单元301获取到待识别的医学图像后,可以由处理单元302将该医学图像进行信息增强,得到信息增强图,接着由分析单元303采用预设的分类模型分别对该医学图像中目标对象的纹理和位置进行分析,得到目标纹理信息和目标位置信息,然后由融合单元304将该目标纹理信息和目标位置信息进行融合,得到局部特征信息,由识别单元305根据该医学图像、该信息增强图和该局部特征信息对该目标对象的类型进行识别,得到识别结果;由于该方案可以先对该医学图像进行信息增强,以扩充各个特征的表达内容,再利用分割模型结合该医学图像的目标纹理信息和目标位置信息进行分析,以确保目标对象特征可以被准确地分析出来,所以,相对于仅仅依靠人工对医学图像表象信息进行分析的分案而言,可以有效提高医学图像识别的准确性。
此外,本发明实施例还提供一种网络设备,如图4所示,其示出了本发明实施例所涉及的网络设备的结构示意图,具体来讲:
该网络设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图4中示出的网络设备结构并不构成对网络设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该网络设备的控制中心,利用各种接口和线路连接整个网络设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行网络设备的各种功能和处理数据,从而对网络设备进行整体监控。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402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(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据网络设备的使用所创建的数据等。此外,存储器402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、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
网络设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该网络设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,网络设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,网络设备中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
获取待识别的医学图像,将所述医学图像进行信息增强,得到信息增强图,再采用预设的分类模型分别对该医学图像中目标对象的纹理和位置进行分析,得到目标纹理信息和目标位置信息,然后将该目标纹理信息和目标位置信息进行融合,得到局部特征信息,接着根据该医学图像、该信息增强图和该局部特征信息对该目标对象的类型进行识别,得到识别结果。
可选的,该预设的分类模型可以由多张包含目标对象的医学样本图像训练而成。具体可以由其他设备进行训练后,提供给该医学图像识别装置,或者,也可以由该医学图像识别装置自行进行训练;即处理器401也可以运行存储在存储器402中的应用程序,从而实现以下功能:
采集多张包含目标对象的医学样本图像作为训练数据集,根据所述训练数据集对预设的分类模型进行训练,得到分类模型。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
由上可知,本实施例在获取到待识别的医学图像后,可以先将所述医学图像进行信息增强,得到信息增强图,再采用预设的分类模型分别对该医学图像中目标对象的纹理和位置进行分析,得到目标纹理信息和目标位置信息,然后将该目标纹理信息和目标位置信息进行融合,得到局部特征信息,接着根据该医学图像、该信息增强图和该局部特征信息对该目标对象的类型进行识别,得到识别结果;由于该方案可以先对该医学图像进行信息增强,以扩充各个特征的表达内容,再利用分割模型结合该医学图像的目标纹理信息和目标位置信息进行分析,以确保目标对象特征可以被准确地分析出来,所以,相对于仅仅依靠人工对医学图像表象信息进行分析的分案而言,可以有效提高医学图像识别的准确性。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例还提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种医学图像识别方法中的步骤。例如,该指令可以执行如下步骤:
获取待识别的医学图像,将所述医学图像进行信息增强,得到信息增强图,再采用预设的分类模型分别对该医学图像中目标对象的纹理和位置进行分析,得到目标纹理信息和目标位置信息,然后将该目标纹理信息和目标位置信息进行融合,得到局部特征信息,接着根据该医学图像、该信息增强图和该局部特征信息对该目标对象的类型进行识别,得到识别结果。
可选的,该预设的分类模型可以由多张包含目标对象的医学样本图像训练而成。具体可以由其他设备进行训练后,提供给该医学图像识别装置,或者,也可以由该医学图像识别装置自行进行训练;即处理器401也可以运行存储在存储器402中的应用程序,从而实现以下功能:
采集多张包含目标对象的医学样本图像作为训练数据集,根据所述训练数据集对预设的分类模型进行训练,得到分类模型。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一种医学图像识别方法中的步骤,因此,可以实现本发明实施例所提供的任一种医学图像识别方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本发明实施例所提供的一种医学图像识别方法、装置和存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (14)
1.一种医学图像识别方法,其特征在于,包括:
获取待识别的医学图像;
将所述医学图像进行信息增强,得到信息增强图;
对所述医学图像中目标对象所在的区域进行分割,得到目标区域图,其中,所述目标对象为出血区域;
采用预设的分类模型对所述目标区域图的纹理特征进行提取,得到目标纹理信息;
根据所述目标对象在所述医学图像中的距离信息进行分割,得到目标位置图,其中,目标对象在所述医学图像中的距离信息指的是目标对象的每个体素点到所述医学图像中心点的距离;
采用预设的分类模型对所述目标位置图的位置特征进行提取,得到目标位置信息;
将所述目标纹理信息和目标位置信息进行融合,得到局部特征信息;
根据所述医学图像、所述信息增强图和所述局部特征信息对所述目标对象的类型进行识别,得到识别结果,其中,所述目标对象的类型为出血表现的类型,所述识别结果为出血原因。
2.根据权利要求1所述的方法,其特征在于,所述对所述医学图像中目标对象所在的区域进行分割,得到目标区域图,包括:
确定所述医学图像中所有体素点的类型;
根据所述体素点的类型确定目标区域在所述医学图像中的边界点;
基于确定的边界点对目标区域进行截取,得到目标区域图。
3.根据权利要求1所述的方法,其特征在于,所述根据所述目标对象在所述医学图像中的距离信息进行分割,得到目标位置图,包括:
采用颅骨剥离算法对所述医学图像进行分割,根据分割后的图像得到医学图像中心点;
计算所述医学图像的每个体素点到所述医学图像中心点的距离,得到距离信息集;
根据所述目标区域从所述距离信息集中筛选属于所述目标对象的距离信息,得到目标位置图。
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标对象在所述医学图像中的距离信息进行分割,得到目标位置图,包括:
采用颅骨剥离算法对所述医学图像进行分割,根据分割后的图像得到医学图像中心点;
根据所述目标区域从所述医学图像中筛选属于目标对象的体素点,得到体素点集;
计算所述体素点集中每个体素点到所述医学图像中心点的距离,得到目标位置图。
5.根据权利要求1所述的方法,其特征在于,所述将所述医学图像进行信识别息增强,得到信息增强图,包括:
采用梯度增强算法计算所述医学图像中每个像素点的梯度值;
根据所述梯度值对所述医学图像进行梯度增强,得到信息增强图。
6.根据权利要求1所述的方法,其特征在于,所述根据所述医学图像、所述信息增强图和所述局部特征信息对所述目标对象的类型进行识别,得到识别结果,包括:
采用预设的分类模型对所述医学图像、所述信息增强图和所述局部特征信息进行特征提取,得到目标特征信息;
根据所述目标特征信息分析所述目标对象的类型概率;
基于所述目标对象的类型概率生成所述医学图像的识别结果。
7.根据权利要求6所述的方法,其特征在于,所述分类模型包括第一提取网络、融合网络和第二提取网络,所述采用预设的分类模型对所述医学图像、所述信息增强图和所述局部特征信息进行特征提取,得到目标特征信息,包括:
采用第一提取网络分别对所述医学图像和所述信息增强图进行特征提取,得到全局特征信息和增强特征信息;
利用融合网络将所述全局特征信息、所述增强特征信息和所述局部特征信息进行融合,得到融合的特征信息;
通过第二提取网络对所述融合的特征信息进行特征提取,得到目标特征信息。
8.根据权利要求6所述的方法,其特征在于,所述分类模型还包括全连接层,所述根据所述目标特征信息分析所述目标对象的类型概率之前,还包括:
通过所述分类模型的全连接层获取参考信息;
所述根据所述目标特征信息分析所述目标对象的类型概率,具体为:根据所述参考信息和所述目标特征信息分析所述目标对象的类型概率。
9.根据权利要求6所述的方法,其特征在于,所述基于所述目标对象的类型概率生成所述医学图像的识别结果,包括:
获取目标对象的评判信息,其中,目标对象的评判信息指的是用于评价和判断目标对象所属出血原因类型的信息;
确定所述目标对象的类型概率大于预设阈值的类型;
基于所述评判信息将确定的类型生成所述医学图像的识别结果。
10.根据权利要求1至9任一项所述的方法,其特征在于,所述采用预设的分类模型对所述医学图像、所述信息增强图、所述目标区域和所述目标位置信息进行分析,得到所述目标对象的类型概率之前,还包括:
采集多张包含目标对象的医学样本图像作为训练数据集;
根据所述训练数据集对预设的分类模型进行训练,得到分类模型。
11.根据权利要求10所述的方法,其特征在于,所述根据所述训练数据集对预设的分类模型进行训练,得到分类模型,包括:
将所述医学样本图像进行信息增强,得到信息增强样本图;
对所述医学样本图像中的目标区域进行分割,得到目标区域样本图;
计算所述目标对象在所述医学图像中的位置,得到目标位置样本图;
采用预设的分类模型对所述医学样本图像、所述信息增强样本图、所述目标区域样本图和所述目标位置样本图进行分析,得到所述医学样本图像的预测值;
获取所述医学样本图像的真实值,并根据所述医学样本图像的真实值和预测值对所述分类模型进行收敛,得到分类模型。
12.一种医学图像识别装置,其特征在于,包括:
获取单元,用于获取待识别的医学图像;
处理单元,用于将所述医学图像进行信息增强,得到信息增强图;
分析单元包括区域分割子单元、位置分割子单元和特征提取子单元,如下:
区域分割子单元,用于对所述医学图像中目标对象所在的区域进行分割,得到目标区域图,其中,所述目标对象为出血区域;
位置分割子单元,用于根据所述目标对象在所述医学图像中的距离信息进行分割,得到目标位置图,其中,目标对象在所述医学图像中的距离信息指的是目标对象的每个体素点到所述医学图像中心点的距离;
第一提取子单元,用于采用预设的分类模型对所述目标区域图的纹理特征进行提取,得到目标纹理信息;采用预设的分类模型对所述目标位置图的位置特征进行提取,得到目标位置信息;
融合单元,用于将所述目标纹理信息和目标位置信息进行融合,得到局部特征信息;
识别单元,用于根据所述医学图像、所述信息增强图和所述局部特征信息对所述目标对象的类型进行识别,得到识别结果,其中,所述目标对象的类型为出血表现的类型,所述识别结果为出血原因。
13.根据权利要求12所述的装置,其特征在于,所述区域分割子单元,具体用于确定所述医学图像中所有体素点的类型,根据所述体素点的类型确定目标区域在所述医学图像中的边界点,基于确定的边界点对目标区域进行截取,得到目标区域。
14.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至11任一项所述的医学图像识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910074060.0A CN109886933B (zh) | 2019-01-25 | 2019-01-25 | 一种医学图像识别方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910074060.0A CN109886933B (zh) | 2019-01-25 | 2019-01-25 | 一种医学图像识别方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886933A CN109886933A (zh) | 2019-06-14 |
CN109886933B true CN109886933B (zh) | 2021-11-02 |
Family
ID=66926978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910074060.0A Active CN109886933B (zh) | 2019-01-25 | 2019-01-25 | 一种医学图像识别方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886933B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263724A (zh) * | 2019-06-21 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 图片识别方法、识别模型训练方法、装置及存储介质 |
CN110264460A (zh) * | 2019-06-24 | 2019-09-20 | 科大讯飞股份有限公司 | 一种目标检测结果的鉴别方法、装置、设备及存储介质 |
CN110276408B (zh) * | 2019-06-27 | 2022-11-22 | 腾讯科技(深圳)有限公司 | 3d图像的分类方法、装置、设备及存储介质 |
CN110348387B (zh) * | 2019-07-12 | 2023-06-27 | 腾讯科技(深圳)有限公司 | 一种图像数据处理方法、装置以及计算机可读存储介质 |
CN110766659A (zh) * | 2019-09-24 | 2020-02-07 | 西人马帝言(北京)科技有限公司 | 医学图像识别方法、装置、设备和介质 |
CN110797109A (zh) * | 2019-10-15 | 2020-02-14 | 山东朗润医疗系统有限公司 | 一种磁共振图像的自动分类系统 |
CN110710986B (zh) * | 2019-10-25 | 2021-01-22 | 华院数据技术(上海)有限公司 | 一种基于ct图像的脑部动静脉畸形检测方法及检测系统 |
CN111445456B (zh) * | 2020-03-26 | 2023-06-27 | 推想医疗科技股份有限公司 | 分类模型、网络模型的训练方法及装置、识别方法及装置 |
CN111476312B (zh) * | 2020-04-24 | 2022-04-19 | 南京图格医疗科技有限公司 | 一种基于卷积神经网络的病变图像的分类方法 |
CN111754635B (zh) * | 2020-06-22 | 2022-12-20 | 北京市商汤科技开发有限公司 | 纹理融合方法及装置、电子设备和存储介质 |
CN112037168B (zh) * | 2020-07-23 | 2024-04-16 | 上海交通大学附属第六人民医院 | 一种血管检测方法、装置以及计算机存储介质 |
CN112308119B (zh) * | 2020-10-15 | 2021-11-05 | 中国医学科学院北京协和医院 | 一种肾小球肾炎的免疫荧光分类方法及装置 |
CN112819007B (zh) * | 2021-01-07 | 2023-08-01 | 北京百度网讯科技有限公司 | 图像识别方法、装置、电子设备及存储介质 |
CN112967293A (zh) * | 2021-03-04 | 2021-06-15 | 首都师范大学 | 一种图像语义分割方法、装置及存储介质 |
CN113298830B (zh) * | 2021-06-22 | 2022-07-15 | 西南大学 | 一种基于自监督的急性颅内ich区域图像分割方法 |
CN113689355B (zh) * | 2021-09-10 | 2022-07-08 | 数坤(北京)网络科技股份有限公司 | 图像处理方法、装置、存储介质及计算机设备 |
CN114004963B (zh) * | 2021-12-31 | 2022-03-29 | 深圳比特微电子科技有限公司 | 目标类别识别方法、装置及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101388075A (zh) * | 2008-10-11 | 2009-03-18 | 大连大学 | 基于独立特征融合的人脸识别方法 |
CN102622590A (zh) * | 2012-03-13 | 2012-08-01 | 上海交通大学 | 基于人脸—指纹协同的身份识别方法 |
CN104517122A (zh) * | 2014-12-12 | 2015-04-15 | 浙江大学 | 一种基于优化卷积架构的图像目标识别方法 |
CN106372648A (zh) * | 2016-10-20 | 2017-02-01 | 中国海洋大学 | 基于多特征融合卷积神经网络的浮游生物图像分类方法 |
CN107145756A (zh) * | 2017-05-17 | 2017-09-08 | 上海辉明软件有限公司 | 一种脑卒中类型预测方法以及装置 |
CN107292875A (zh) * | 2017-06-29 | 2017-10-24 | 西安建筑科技大学 | 一种基于全局‑局部特征融合的显著性检测方法 |
CN107862340A (zh) * | 2017-11-16 | 2018-03-30 | 深圳市华尊科技股份有限公司 | 一种车型识别方法及装置 |
CN108491835A (zh) * | 2018-06-12 | 2018-09-04 | 常州大学 | 面向面部表情识别的双通道卷积神经网络 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006114003A1 (en) * | 2005-04-27 | 2006-11-02 | The Governors Of The University Of Alberta | A method and system for automatic detection and segmentation of tumors and associated edema (swelling) in magnetic resonance (mri) images |
-
2019
- 2019-01-25 CN CN201910074060.0A patent/CN109886933B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101388075A (zh) * | 2008-10-11 | 2009-03-18 | 大连大学 | 基于独立特征融合的人脸识别方法 |
CN102622590A (zh) * | 2012-03-13 | 2012-08-01 | 上海交通大学 | 基于人脸—指纹协同的身份识别方法 |
CN104517122A (zh) * | 2014-12-12 | 2015-04-15 | 浙江大学 | 一种基于优化卷积架构的图像目标识别方法 |
CN106372648A (zh) * | 2016-10-20 | 2017-02-01 | 中国海洋大学 | 基于多特征融合卷积神经网络的浮游生物图像分类方法 |
CN107145756A (zh) * | 2017-05-17 | 2017-09-08 | 上海辉明软件有限公司 | 一种脑卒中类型预测方法以及装置 |
CN107292875A (zh) * | 2017-06-29 | 2017-10-24 | 西安建筑科技大学 | 一种基于全局‑局部特征融合的显著性检测方法 |
CN107862340A (zh) * | 2017-11-16 | 2018-03-30 | 深圳市华尊科技股份有限公司 | 一种车型识别方法及装置 |
CN108491835A (zh) * | 2018-06-12 | 2018-09-04 | 常州大学 | 面向面部表情识别的双通道卷积神经网络 |
Non-Patent Citations (1)
Title |
---|
Texture analysis of 2D spatial distribution of blood pharmacokinetic model parameters for endometrial carcinoma classification;Marek Kociński 等;《2016 Signal Processing: Algorithms, Architectures, Arrangements, and Applications (SPA)》;20160923;第91-96页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109886933A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886933B (zh) | 一种医学图像识别方法、装置和存储介质 | |
KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
JP7058373B2 (ja) | 医療画像に対する病変の検出及び位置決め方法、装置、デバイス、及び記憶媒体 | |
US9959615B2 (en) | System and method for automatic pulmonary embolism detection | |
WO2021093448A1 (zh) | 图像处理方法、装置、服务器、医疗图像处理设备及存储介质 | |
AU2019205013B2 (en) | Method and system for identification of cerebrovascular abnormalities | |
WO2014186838A1 (en) | A system and method for remote medical diagnosis | |
CN111860169B (zh) | 皮肤分析方法、装置、存储介质及电子设备 | |
CN112070119A (zh) | 超声切面图像质量控制方法、装置和计算机设备 | |
US11972571B2 (en) | Method for image segmentation, method for training image segmentation model | |
US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
US20220366562A1 (en) | Medical image analysis apparatus and method, and medical image visualization apparatus and method | |
CN111214255A (zh) | 一种医学超声图像计算机辅助诊断方法 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN113298773A (zh) | 基于深度学习的心脏视图识别与左心室检测装置、系统 | |
CN113160199A (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
CN111429457A (zh) | 图像局部区域亮度智能评价方法、装置、设备及介质 | |
CN116664592A (zh) | 基于图像的动静脉血管分离方法、装置、电子设备及介质 | |
CN116452579A (zh) | 一种基于胸片图像的肺动脉高压智能评估方法和系统 | |
CN113658145B (zh) | 一种肝脏超声标准切面识别方法、装置、电子设备及存储介质 | |
CN114119645B (zh) | 一种图像分割质量的确定方法、系统、设备及介质 | |
CN114176616A (zh) | 静脉血栓的检测方法、电子设备和存储介质 | |
Mahmud et al. | Non-invasive detection of anemia using lip mucosa images transfer learning convolutional neural networks | |
CN114533128B (zh) | 一种气胸辅助诊断装置、介质及电子设备 | |
CN116934741B (zh) | 一站式血管壁的成分和定量参数获取方法和装置 |
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 |