CN109961446A - Ct/mr三维图像分割处理方法、装置、设备及介质 - Google Patents

Ct/mr三维图像分割处理方法、装置、设备及介质 Download PDF

Info

Publication number
CN109961446A
CN109961446A CN201910240477.XA CN201910240477A CN109961446A CN 109961446 A CN109961446 A CN 109961446A CN 201910240477 A CN201910240477 A CN 201910240477A CN 109961446 A CN109961446 A CN 109961446A
Authority
CN
China
Prior art keywords
segmentation
image
detection
network model
tensor
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
Application number
CN201910240477.XA
Other languages
English (en)
Other versions
CN109961446B (zh
Inventor
陈浩
黄逸杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen View Medical Technology Co Ltd
Original Assignee
Shenzhen View Medical Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen View Medical Technology Co Ltd filed Critical Shenzhen View Medical Technology Co Ltd
Priority to CN201910240477.XA priority Critical patent/CN109961446B/zh
Publication of CN109961446A publication Critical patent/CN109961446A/zh
Application granted granted Critical
Publication of CN109961446B publication Critical patent/CN109961446B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种CT/MR三维图像分割处理方法、装置、设备及介质，本发明基于大数据深度学习算法，该方法包括：获取CT/MR三维图像，对该CT/MR三维图像进行重采样处理，得到预设尺寸的图像块，获取该图像块的最优临界包围盒；通过预存的检测分割一体化的三维卷积神经网络模型，对该最优临界包围盒进行检测以及分割处理，得到CT/MR三维图像中标记所需目标区域的分割标签，其中，所述三维卷积神经网络模型包括残差块，该残差块中包括批归一化层以及卷积层交替的交替结构，该残差块中还包括跳跃连接层。本发明解决现有技术中对CT/MR三维图像的处理精度以及处理速度难以满足市场需求的技术问题。

Description

CT/MR三维图像分割处理方法、装置、设备及介质
技术领域
本发明涉及图像技术领域，尤其涉及一种CT/MR三维图像分割处理方法、装置、设备及介质。
背景技术
目前，常常通过图像块裁切-遍历-拼接的分割方法，才能完成对CT/MR三维图像的CT/MR区域的检测，该CT/MR三维图像指的是CT/MR扫描图像，基于图像块裁切-遍历-拼接的分割方法，每次只能裁切并处理CT/MR三维图像的一个小块图像，然后移动一段有重合的空间跨度后才能获取并进行下一个小块图像的处理，即是在一个小块图像处理完后，需要以一定重叠率滑动步长裁切并处理CT/MR三维图像的下一个小块图像，最后基于众多子小块图像的分割结果，用预测概率平均、先二值化再投票等方式得到CT/MR三维图像的分割结果。
由于现有技术中，在一个小块图像处理完后，需要以一定重叠率滑动步长裁切并处理CT/MR三维图像的下一个小块图像，因而造成很大一部分CT/MR三维图像的重复计算，上述重复计算减慢了CT/MR三维图像的处理速度，不满足大批量三维数据的快速处理需求；由于图形处理设备的存储空间限制，基于图像块的分割处理方式在训练和测试阶段无法处理体积较大的图像块，因此网络模型的深度和感受野大小不能满足分割大体积目标的需求；而且，基于图像块的处理方式不能排除在未观测到完整目标的情况下给出的预测，在这种情况下预测容易出现错误。因此，这类方法对CT/MR三维图像的处理精度也存在缺陷，难以满足市场对CT/MR三维图像的处理需求。
发明内容
本发明的主要目的在于提供一种CT/MR三维图像分割处理方法、装置、设备及介质，旨在解决现有技术中对CT/MR三维图像的处理精度以及处理速度低，难以满足市场需求的技术问题。
为实现上述目的，本发明提供一种CT/MR三维图像分割处理方法，所述CT/MR三维图像分割处理方法包括：
获取CT/MR三维图像，对所述CT/MR三维图像进行重采样处理，得到预设采样率的图像块，并获取所述图像块对应的最优临界包围盒；
通过预存的检测分割一体化的三维卷积神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理，以得到所述CT/MR三维图像中标记所需目标区域的分割标签，其中，所述三维卷积神经网络模型包括残差块，所述残差块中包括批归一化层与卷积层多次交替的非线性变换模块，以及与所述非线性变换模块连接的跳跃连接层。
可选地，所述通过预存的检测分割一体化的三维神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理步骤包括：
通过预存的检测分割一体化的三维神经网络模型中的检测子网络模型，对所述最优临界包围盒进行检测处理，得到一个或者多个感兴趣区域；
通过预存的检测分割一体化的三维神经网络模型中的分割子网络模型，对所述一个或者多个感兴趣区域进行分割，得到分割概率图，对所述分割概率图进行二值化处理，得到分割掩模。
可选地，所述通过预存的检测分割一体化的三维神经网络模型中的检测子网络模型，对所述最优临界包围盒进行检测处理，得到一个或者多个感兴趣区域步骤包括：
对所述最优临界包围盒进行裁切处理，得到裁切图像块；
将所述裁切图像块输入至所述检测子网络模型中，以根据预设层次对所述裁切图像块进行全局特征的多尺度特征编码操作，得到尺度层次不同的、且空间分辨率逐级降低的多个特征张量；
对空间分辨率最低的末端特征张量进行预设卷积处理与预设非线性激活函数处理，得到对应于末端特征张量的分割预测概率图；
对所述分割预测概率图进行二值化处理、连通性分析和碎片排除，得到所述最优临界包围盒对应的一个或者多个感兴趣区域，以及所述一个或者多个感兴趣区域的初始集合，每个感兴趣区域定义为包含分割目标的一个长方体形状空间区域，长方体形状空间区域表达为感兴趣区域的起点坐标及边长；
根据所述尺度层次不同的、且空间分辨率不同的多个特征张量，对所述起点坐标和边长进行相应不同预设倍率换算，构建各个感兴趣区域的感兴趣区域金字塔，每个金字塔包含各个尺度层次对应的感兴趣区域。
可选地，所述将所述裁切图像块输入至所述检测子网络模型中，以根据预设层次对所述裁切图像块进行多尺度特征编码操作步骤包括：
将所述裁切图像块输入至所述检测子网络模型中，对所述裁切图像块进行预设次数的的以残差处理以及预设倍数最大池化处理为单位的重复交替处理；
其中，所述残差处理包括对所述裁切图像块对应的输入张量进行批归一化处理与卷积处理交替的非线性变换处理，得到输出张量后，再连接所述输入张量与所述输出张量处理过程。
可选地，所述通过预存的检测分割一体化的三维神经网络模型中的分割子网络模型，对所述一个或者多个感兴趣区域进行分割，得到分割概率图，对所述分割概率图进行二值化处理，得到分割掩模步骤包括：
基于所检测到的感兴趣区域及所述感兴趣区域金字塔，裁切感兴趣区域金字塔中的特征张量，得到感兴趣区域张量金字塔；
通过所述分割子网络模型，对所述感兴趣区域张量金字塔中的最高层次的局部特征张量进行预设次数的上采样处理与特征融合处理，其中，每进行一次预设倍数上采样处理后，得到的上采样后特征张量与同一张量金字塔中上一层次的局部特征张量，将上采样后特征张量与同一张量金字塔中上一层次的局部特征张量作为融合前局部特征张量；
将所述融合前局部张量数据输入至残差块中进行张量融合处理，得到融合局部特征张量，再对该融合张量进行下一次的上采样与残差处理，最终得到各个感兴趣区域在初始尺度下的局部分割概率图；
根据所述感兴趣区域金字塔初始尺度层次下的起始坐标和边长，将所述各个局部分割概率图对应覆盖到预设初值为全零的预设完整分割概率图上，最后得到所述最优临界包围盒对应标记所需目标区域的分割标签；
基于所述分割标签，对各个分割概率图进行二值化处理，得到分割掩模。
可选地，所述通过预存的检测分割一体化的三维卷积神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理步骤包括：
通过预存的检测分割一体化的三维卷积神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理，其中，所述检测分割一体化的三维卷积神经网络模型训练过程中中使用预设损失函数。
本发明还提供一种CT/MR三维图像分割处理装置，所述CT/MR三维图像分割处理装置包括：
第一获取模块，用于获取CT/MR三维图像，对所述CT/MR三维图像进行重采样处理，得到预设采样率的图像块，并获取所述图像块对应的最优临界包围盒；
检测分割模块，用于通过预存的检测分割一体化的三维卷积神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理，以得到所述CT/MR三维图像中标记所需目标区域的分割标签，其中，所述三维卷积神经网络模型包括残差块，所述残差块中包括批归一化层与卷积层多次交替的非线性变换模块，以及与所述非线性变换模块连接的跳跃连接层。
可选地，所述检测分割模块包括：
检测单元，用于通过预存的检测分割一体化的三维神经网络模型中的检测子网络模型，对所述最优临界包围盒进行检测处理，得到一个或者多个感兴趣区域；
分割单元，用于通过预存的检测分割一体化的三维神经网络模型中的分割子网络模型，对所述一个或者多个感兴趣区域进行分割，得到分割概率图，对所述分割概率图进行二值化处理，得到分割掩模。
此外，为实现上述目的，本发明还提供一种CT/MR三维图像分割处理设备，所述CT/MR三维图像分割处理设备包括：存储器、处理器，通信总线以及存储在所述存储器上的CT/MR三维图像分割处理程序，
所述通信总线用于实现处理器与存储器间的通信连接；
所述处理器用于执行所述CT/MR三维图像分割处理程序，以实现以下步骤：
获取CT/MR三维图像，对所述CT/MR三维图像进行重采样处理，得到预设采样率的图像块，并获取所述图像块对应的最优临界包围盒；
通过预存的检测分割一体化的三维卷积神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理，以得到所述CT/MR三维图像中标记所需目标区域的分割标签，其中，所述三维卷积神经网络模型包括残差块，所述残差块中包括批归一化层与卷积层多次交替的非线性变换模块，以及与所述非线性变换模块连接的跳跃连接层。
此外，为实现上述目的，本发明还提供一种介质，该介质一般为可读存储介质，所述介质存储有一个或者一个以上程序，所述一个或者一个以上程序可被一个或者一个以上的处理器执行以用于：
获取CT/MR三维图像，对所述CT/MR三维图像进行重采样处理，得到预设采样率的图像块，并获取所述图像块对应的最优临界包围盒；
通过预存的检测分割一体化的三维卷积神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理，以得到所述CT/MR三维图像中标记所需目标区域的分割标签，其中，所述三维卷积神经网络模型包括残差块，所述残差块中包括批归一化层与卷积层多次交替的非线性变换模块，以及与所述非线性变换模块连接的跳跃连接层。
本发明通过获取CT/MR三维图像，对所述CT/MR三维图像进行重采样处理，得到预设采样率的图像块，并获取所述图像块对应的最优临界包围盒；通过预存的检测分割一体化的三维卷积神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理，以得到所述CT/MR三维图像中标记所需目标区域的分割标签，其中，所述三维卷积神经网络模型包括残差块，所述残差块中包括批归一化层与卷积层多次交替的非线性变换模块，以及与所述非线性变换模块连接的跳跃连接层。即在本申请中，由于对CT/MR三维图像进行重采样处理，得到最优临界包围盒，并对最优临界包围盒进行检测分割处理而不需要对整个的CT/MR三维图像进行重复检测以及分割处理，因而，加快了CT/MR三维图像的处理速度，其中，最优临界包围盒尺寸小于该CT/MR三维图像，另外，在本申请中，还通过检测分割一体化的三维卷积神经网络模型对所述最优临界包围盒进行检测分割处理，该三维卷积神经网络模型包括残差块，该残差块中包括批归一化层以及卷积层交替的交替结构以及跳跃连接层，由于残差块上述交替结构以及跳跃连接层的存在，在图像处理过程中，不会丢失图像浅层特征，因而能够获得精度更高的CT/MR三维图像的处理结果，因而，在本申请中，解决现有技术中对CT/MR三维图像的处理精度以及处理速度低，难以满足市场需求的技术问题。
附图说明
图1为本发明CT/MR三维图像分割处理方法第一实施例的流程示意图；
图2为本发明通过预存的检测分割一体化的三维神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理步骤步骤的细化流程示意图；
图3是本发明实施例方法涉及的硬件运行环境的设备结构示意图；
图4是本发明实施例方法涉及的检测-分割一体化模型及残差块构造的示意图；
图5是本发明实施例方法涉及的场景示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种CT/MR三维图像分割处理方法，在本发明CT/MR三维图像分割处理方法的第一实施例中，参照图1，所述CT/MR三维图像分割处理方法包括：
步骤S10，获取电子计算机断层CTCT/MR三维图像或者磁共振MRCT/MR三维图像，对所述CT/MR三维图像进行重采样处理，得到预设尺寸的图像块，并使用大津法前景分割与最大联通块提取获取所述图像块对应的最优临界包围盒；
步骤S20，通过预存的检测分割一体化的三维卷积神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理，以得到所述CT/MR三维图像中标记所需目标区域的第一分割标签，其中，所述三维卷积神经网络模型包括残差块，所述残差块中包括批归一化层以及卷积层交替的交替结构，所述残差块中还包括跳跃连接层。
具体步骤如下：
步骤S10，获取CT/MR三维图像，对所述CT/MR三维图像进行重采样处理，得到预设采样率的图像块，并获取所述图像块对应的最优临界包围盒；
需要说明的是，在本实施例中，CT/MR三维图像是通过核磁共振等方式给CT/MR检测者扫描得到的三维图像，在获取得到CT/MR三维图像后，不再是通过图像块裁切-遍历-拼接的分割方法进行CT/MR三维图像的处理，而是先对CT/MR三维图像进行重采样处理，再通过最优临界包围盒的获取，对该最优临界包围盒进行检测分割处理即可，其中，在得到最优临界包围盒后，可以一次性实现最优临界包围盒整图的处理。
具体地，在获取CT/MR三维图像后，对所述CT/MR三维图像进行重采样处理，重采样过程需要将采样间隔不同的数据的采样率统一起来，在本实施例中，通过三维线性插值法将X、Y、Z轴采样率统一为某一预设采样率。在对所述CT/MR三维图像进行重采样后，得到采样率固定、尺寸随采样率的修正而相应变化的图像块，如在对大尺寸(Z轴上边长大于4mm，在X轴上边长大于1mm，在Y轴上边长大于1mm)的CT/MR三维图像进行重采样后：可以得到长方体形状的三维图像块，该长方体形状的三维图像块在Z轴上每个像素对应的Z轴实际长度为4mm，X轴实际长度为1mm，在Y轴上实际长度为1mm，需要说明的是，以上参数仅是常用参数的举例。该大尺寸的CT/MR三维图像根据另一预设目标采样间隔进行重采样后，也可以得到长方体形状的三维图像块，该长方体形状的三维图像块在Z轴上边长为4mm，在X轴上边长为1.5mm，在Y轴上边长为1.5mm，具体根据重采样的具体采样率确定，该具体采样率可以通过设置确定，在本实施例中，由于能够得到包含CT/MR三维图像的特征信息的该预设尺寸的图像块，因而能够一次性实现最优临界包围盒整图的处理。
需要说明的是，在得到图像块后，先使用大津法(自适应阈值最大类间方差法)区分图像块上对应人体图像区域和人体之外的空气区域，其中，自适应阈值最大类间方差法，是将所述图像块按照灰度特征分成图像和背景两类，以提取不同特征信息，以区分人体图像区域和人体之外的空气区域，在区分人体图像区域和人体之外的空气区域后，裁切所述空气区域，只得到所述人体图像区域，提取该人体图像区域中的连通域，并提取该人体图像区域中的最大连通域(摒除了其它小体积的连通域)，该连通域的提取属于现有技术，在此不做具体说明，在提取该人体图像区域中的最大连通域后，获取所述图像块对应的最优临界包围盒，即是获取所述最大连通域对应的最优临界包围盒，其中，最优临界包围盒指的是恰好能够包围该最大连通域的最小包围盒。
步骤S20，通过预存的检测分割一体化的三维卷积神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理，以得到所述CT/MR三维图像中标记所需目标区域的分割标签，其中，所述三维卷积神经网络模型包括残差块，所述残差块中包括批归一化层与卷积层多次交替的非线性变换模块，以及与所述非线性变换模块连接的跳跃连接层。
具体地，检测分割一体化的三维卷积神经网络模型包括检测子网络模型、以及分割子网络模型，需要说明的是，该检测分割一体化的三维卷积神经网络模型中可以包括多个检测子网络模型、以及多个分割子网络模型，以将多个不同网络的输出结果进行融合，以得到准确度更高的结果，在本实施例中，参照图2，所述通过预存的检测分割一体化的三维神经网络模型中的检测子网络模型，对所述最优临界包围盒进行检测处理，得到一个或者多个感兴趣区域步骤包括：
步骤S21，通过预存的检测分割一体化的三维神经网络模型中的检测子网络模型，对所述最优临界包围盒进行检测处理，得到一个或者多个感兴趣区域；
在本实施例中，先对获取得到的最优临界包围盒进行检测处理，得到一个或者多个感兴趣区域，具体地，通过预存的检测分割一体化的三维神经网络模型中的检测子网络模型，对所述最优临界包围盒进行检测处理。
其中，所述通过预存的检测分割一体化的三维神经网络模型中的检测子网络模型，对所述最优临界包围盒进行检测处理，得到一个或者多个感兴趣区域步骤包括：
步骤S211，对所述最优临界包围盒进行裁切处理，得到裁切图像块；
步骤S212，将所述裁切图像块输入至所述检测子网络模型中，以根据预设层次对所述裁切图像块进行全局特征的多尺度特征编码操作，得到尺度层次不同的、且空间分辨率逐级降低的多个特征张量；
步骤S213，对空间分辨率最低的末端特征张量进行预设卷积处理与预设非线性激活函数处理，得到对应于末端特征张量的分割预测概率图；
步骤S214，对所述分割预测概率图进行二值化处理、连通性分析和碎片排除，得到所述最优临界包围盒对应的一个或者多个感兴趣区域，以及所述一个或者多个感兴趣区域的初始集合，每个感兴趣区域定义为包含分割目标的一个长方体形状空间区域，长方体形状空间区域表达为感兴趣区域的起点坐标及边长；
步骤S215，根据所述尺度层次不同的、且空间分辨率不同的多个特征张量，对所述起点坐标和边长进行相应不同预设倍率换算，构建各个感兴趣区域的感兴趣区域金字塔，每个金字塔包含各个尺度层次对应的感兴趣区域。
对所述最优临界包围盒进行裁切处理，得到裁切图像块，将所述裁切图像块输入至所述检测子网络模型中，以根据预设层次对所述裁切图像块进行全局特征的多尺度特征编码操作，得到尺度层次不同的、且空间分辨率逐级降低的多个特征张量。
以下以预设次数的下采样处理为3次下采样处理为例进行具体说明，也即所述检测子网络模型对所述裁切图像块进行3次的下采样处理，具体地，如图4以及图5所示，将裁切图像块输入至所述检测子网络模型后，以对所述裁切图像块进行由3次下采样处理构成的多尺度特征编码操作，得到多个3个尺度层次、空间分辨率逐级降低的多个全局特征张量，多尺度特征编码操作后所得各特征张量分别称为一级全局特征张量FI、二级全局特征张量FII、三级全局特征张量FIII，并对层次最高、空间分辨率最低的三级特征张量FIII进行1×1×1卷积与非线性激活函数处理，得到对应于三级特征张量FIII的分割预测概率图。
对所述分割预测概率图进行二值化处理，以及连通性分析和碎片排除，得到所述最优临界包围盒对应的一个或者多个感兴趣区域，每个感兴趣区域可以定义为包含分割目标的一个长方体形状空间区域，长方体形状空间区域表达为感兴趣区域的起点坐标及边长，具体表达为一组或多组三级特征空间上的起始坐标和边长，获取感兴趣区域的三级矩形坐标集合和三级边长集合，根据上述多尺度特征编码的各特征张量对应的尺度层次，通过对三级矩形坐标集合和三级边长集合进行与预设下采样倍率相应的倍率换算得到对应于二级全局特征张量FII的二级起始坐标和二级边长、对应于一级特征张量FI的一级起始坐标和一级边长，构成一个或多个感兴趣区域金字塔。
步骤S22，通过预存的检测分割一体化的三维神经网络模型中的分割子网络模型，对所述一个或者多个感兴趣区域进行分割处理。
基于所述感兴趣区域金字塔的各级起始坐标和边长，对各相应尺度的特征张量进行裁切处理，得到所述感兴趣区域集合对应的一级局部特征张量集合fI、二级局部特征张量集合fII、三级局部特征张量集合fIII，构成一个或多个局部特征张量金字塔。
通过所述分割子网络模型，对所述三级局部特征张量集合fIII中各三级局部特征张量进行预设次数的上采样处理与特征融合处理。每进行一次上采样处理后，将每次上采样处理后得到的上采样特征张量与对应层次的局部特征张量进行张量加法处理，并将张量数据输入至残差块中进行张量融合处理，得到融合张量，再对该融合张量进行下一次的上采样与残差块处理，最后得到与输入图像采样率相同的局部分割概率图，并根据相应矩形坐标集合将局部分割概率图覆盖到初值为全零的完整分割概率图上，得到所述最优临界包围盒对应标记所需目标区域的精细分割标签。
通过预存的检测分割一体化的三维神经网络模型中的分割子网络模型，对所述一个或者多个感兴趣区域进行分割处理，在分割处理后，得到所述CT/MR三维图像对应标记所需目标区域的分割标签，其中，所需目标区域一般指的是所述三维神经网络模型能够识别的区域，该所需目标区域根据三维神经网络模型中训练的识别函数关联，分割标签指的是所需目标区域的识别标签。
本发明通过获取电子计算机断层CTCT/MR三维图像或者磁共振MRCT/MR三维图像，对所述CT/MR三维图像进行重采样处理，得到预设尺寸的图像块，并获取所述图像块对应的最优临界包围盒；通过预存的检测分割一体化的三维卷积神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理，以得到所述CT/MR三维图像中标记所需目标区域的分割标签，其中，所述三维卷积神经网络模型包括残差块，所述残差块中包括批归一化层以及卷积层交替的交替结构，所述残差块中还包括跳跃连接层。即在本申请中，由于对CT/MR三维图像进行重采样处理，得到最优临界包围盒，并对最优临界包围盒进行检测分割处理而不需要对整个的CT/MR三维图像进行带来大量重复计算和不完整目标分割的滑动窗口式分块采样、预测、拼接处理，且扩大了传统网络模型受到输入图像块大小限制的感受野面积，并避免了对不完整目标的强行预测，因而，本发明不仅加快了CT/MR三维图像的处理速度，而且改善了其分割精度。其中，最优临界包围盒尺寸小于该CT/MR三维图像。另外，在本申请中，还通过检测分割一体化的三维卷积神经网络模型对所述最优临界包围盒进行检测分割处理，该三维卷积神经网络模型包括残差块，该残差块中包括批归一化层以及卷积层交替的交替结构以及跳跃连接层，由于残差块上述交替结构以及跳跃连接层的存在，在图像处理过程中，不会丢失图像浅层特征，因而能够获得精度更高的CT/MR三维图像的处理结果。因而，在本申请中，解决现有技术中对CT/MR三维图像的处理精度以及处理速度难以满足市场需求的技术问题。
进一步地，本发明提供CT/MR三维图像分割处理方法的另一实施例，在该实施例中，所述将所述裁切图像块输入至所述检测子网络模型中，以根据预设层次对所述裁切图像块进行多尺度特征编码操作步骤包括：
将所述裁切图像块输入至所述检测子网络模型中，对所述裁切图像块进行预设次数的的以残差处理以及预设倍数最大池化处理为单位的重复交替处理；
其中，所述残差处理包括对所述裁切图像块对应的输入张量进行批归一化处理与卷积处理交替的非线性变换处理，得到输出张量后，再连接所述输入张量与所述输出张量处理过程。
在本实施例中，多尺度特征编码操作包括残差处理以及预设倍数最大池化处理过程，其中，预设倍数可以为3，最大池化处理指的是获取某一图像矩阵中的最大像素值，将所述最大像素值代替所述该图像矩阵，以得到新的图像矩阵，如3*3*3维的图像矩阵中最大像素值为1，则将1代替所述3*3*3维的图像矩阵，而残差处理包括对所述裁切图像块对应的输入张量进行批归一化处理与卷积处理交替的非线性变换处理过程，其中，批归一化处理技术为现有技术，在此不做具体说明。
所述通过预存的检测分割一体化的三维神经网络模型中的分割子网络模型，对所述一个或者多个感兴趣区域进行分割，得到分割概率图，对所述分割概率图进行二值化处理，得到分割掩模步骤包括：
基于所检测到的感兴趣区域及所述感兴趣区域金字塔，裁切感兴趣区域金字塔中的特征张量，得到感兴趣区域张量金字塔；
通过所述分割子网络模型，对所述感兴趣区域张量金字塔中的最高层次的局部特征张量进行预设次数的上采样处理与特征融合处理，其中，每进行一次预设倍数上采样处理后，得到的上采样后特征张量与同一张量金字塔中上一层次的局部特征张量，将上采样后特征张量与同一张量金字塔中上一层次的局部特征张量作为融合前局部特征张量；
将所述融合前局部张量数据输入至残差块中进行张量融合处理，得到融合局部特征张量，再对该融合张量进行下一次的上采样与残差处理，最终得到各个感兴趣区域在初始尺度下的局部分割概率图；
根据所述感兴趣区域金字塔初始尺度层次下的起始坐标和边长，将所述各个局部分割概率图对应覆盖到预设初值为全零的预设完整分割概率图上，最后得到所述最优临界包围盒对应标记所需目标区域的分割标签；
基于所述分割标签，对各个分割概率图进行二值化处理，得到分割掩模。
在本实施例中，在得到感兴趣区域张量金字塔后，通过所述分割子网络模型，对所述最高层次的局部特征张量进行预设次数的上采样处理，在每次上采样后，得到上采样的特征张量，将得到的上采样的特征张量与同一张量金字塔中上一层次的局部特征张量进行逐元素的加法处理即张量加法处理，在进行张量加法处理处理后，得到融合前局部特征张量，将所述融合前局部特征张量输入至对应残差块中进行数据融合处理，得到融合局部特征张量，再对该融合张量进行下一次的上采样与残差处理，最终得到各个感兴趣区域在初始尺度下的局部分割概率图，根据所述感兴趣区域金字塔初始尺度层次下的起始坐标和边长，将所述各个局部分割概率图对应覆盖到预设初值为全零的预设完整分割概率图上，最后得到所述最优临界包围盒对应标记所需目标区域的分割标签；基于所述分割标签，对各个分割概率图进行二值化处理，得到分割掩模，需要说明的是，逐元素加法不足以融合多层信息，需要用残差块来将对应的信息混合，以最后得到与所述输入图像块采样率相同、尺度相同的目标区域分割结果。
在本实施例中，通过将所述裁切图像块输入至所述检测子网络模型中，对所述裁切图像块进行预设次数的的以残差处理以及预设倍数最大池化处理为单位的重复交替处理；其中，所述残差处理包括对所述裁切图像块对应的输入张量进行批归一化处理与卷积处理交替的非线性变换处理，得到输出张量后，再连接所述输入张量与所述输出张量处理过程。基于所检测到的感兴趣区域及所述感兴趣区域金字塔，裁切感兴趣区域金字塔中的特征张量，得到感兴趣区域张量金字塔；通过所述分割子网络模型，对所述感兴趣区域张量金字塔中的最高层次的局部特征张量进行预设次数的上采样处理与特征融合处理，其中，每进行一次预设倍数上采样处理后，得到的上采样后特征张量与同一张量金字塔中上一层次的局部特征张量，将上采样后特征张量与同一张量金字塔中上一层次的局部特征张量作为融合前局部特征张量；将所述融合前局部张量数据输入至残差块中进行张量融合处理，得到融合局部特征张量，再对该融合张量进行下一次的上采样与残差处理，最终得到各个感兴趣区域在初始尺度下的局部分割概率图；根据所述感兴趣区域金字塔初始尺度层次下的起始坐标和边长，将所述各个局部分割概率图对应覆盖到预设初值为全零的预设完整分割概率图上，最后得到所述最优临界包围盒对应标记所需目标区域的分割标签；基于所述分割标签，对各个分割概率图进行二值化处理，得到分割掩模。因而，避免了图像对应部分浅层特征的丢失，因而，可以提高对应特征图的分辨率，使得图像的分割更为精准。
进一步地，本发明提供CT/MR三维图像分割处理方法的另一实施例，在该实施例中，所述通过预存的检测分割一体化的三维卷积神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理步骤包括：
通过预存的检测分割一体化的三维卷积神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理，其中，所述检测分割一体化的三维卷积神经网络模型训练过程中中使用预设损失函数。
在本实施例中，对最优临界包围盒的检测分割过程中均可使用Dice损失函数。Dice损失函数Ld构造如下定义式所示：
其中，P，G为预测标签与实际分割标签，pi包含于P，gi包含于G，ε是一个用于防止除零运算的数值，该数值可以设为0.0001。
在本实施例中，Dice损失函数用于分析第一分割标签与实际分割标签的重叠率。Dice损失函数通过计算重叠率，避免了常规的逐体素损失计算，目的在于克服前景体素数量在三维空间上往往和背景体素数量存在几个数量级的差别而难以有效训练，故有效克服了正负样本类分布不均衡的问题，使产生的漏检误检大大减少，且由于计算重叠率而非逐体素计算损失，模型学习过程对不准确的边界标注更加鲁棒。
在本实施例中，通过预存的检测分割一体化的三维卷积神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理，其中，所述检测分割一体化的三维卷积神经网络模型训练过程中使用预设损失函数。因而，能够减少漏检误检的现象、并提高分割的准确性。
参照图3，图3是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明实施例CT/MR三维图像分割处理设备可以是PC，也可以是智能手机、平板电脑、便携计算机等终端设备。
如图3所示，该CT/MR三维图像分割处理设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地，该CT/MR三维图像分割处理设备还可以包括目标用户接口、网络接口、摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。目标用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选目标用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解，图3中示出的CT/MR三维图像分割处理设备结构并不构成对CT/MR三维图像分割处理设备的限定，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。
如图3所示，作为一种计算机介质的存储器1005中可以包括操作系统、网络通信模块以及CT/MR三维图像分割处理程序。操作系统是管理和控制CT/MR三维图像分割处理设备硬件和软件资源的程序，支持CT/MR三维图像分割处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与CT/MR三维图像分割处理设备中其它硬件和软件之间通信。
在图3所示的CT/MR三维图像分割处理设备中，处理器1001用于执行存储器1005中存储的CT/MR三维图像分割处理程序，实现上述任一项所述的CT/MR三维图像分割处理方法的步骤。
本发明CT/MR三维图像分割处理设备具体实施方式与上述CT/MR三维图像分割处理方法各实施例基本相同，在此不再赘述。
本发明还提供一种CT/MR三维图像分割处理装置，所述CT/MR三维图像分割处理装置包括：
第一获取模块，用于获取CT/MR三维图像，对所述CT/MR三维图像进行重采样处理，得到预设采样率的图像块，并获取所述图像块对应的最优临界包围盒；
检测分割模块，用于通过预存的检测分割一体化的三维卷积神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理，以得到所述CT/MR三维图像中标记所需目标区域的分割标签，其中，所述三维卷积神经网络模型包括残差块，所述残差块中包括批归一化层与卷积层多次交替的非线性变换模块，以及与所述非线性变换模块连接的跳跃连接层。
本发明CT/MR三维图像分割处理装置具体实施方式与上述CT/MR三维图像分割处理方法各实施例基本相同，在此不再赘述。
本发明提供了一种介质，所述介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的CT/MR三维图像分割处理方法的步骤。
本发明介质具体实施方式与上述CT/MR三维图像分割处理方法各实施例基本相同，在此不再赘述。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利处理范围内。

Claims (10)

1.一种CT/MR三维图像分割处理方法，其特征在于，该CT/MR三维图像分割处理方法包括：
获取CT/MR三维图像，对所述CT/MR三维图像进行重采样处理，得到预设采样率的图像块，并获取所述图像块对应的最优临界包围盒；
通过预存的检测分割一体化的三维卷积神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理，以得到所述CT/MR三维图像中标记所需目标区域的分割标签，其中，所述三维卷积神经网络模型包括残差块，所述残差块中包括批归一化层与卷积层多次交替的非线性变换模块，以及与所述非线性变换模块连接的跳跃连接层。
2.如权利要求1所述的CT/MR三维图像分割处理方法，其特征在于，所述通过预存的检测分割一体化的三维神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理步骤包括：
通过预存的检测分割一体化的三维神经网络模型中的检测子网络模型，对所述最优临界包围盒进行检测处理，得到一个或者多个感兴趣区域；
通过预存的检测分割一体化的三维神经网络模型中的分割子网络模型，对所述一个或者多个感兴趣区域进行分割，得到分割概率图，对所述分割概率图进行二值化处理，得到分割掩模。
3.如权利要求2所述的CT/MR三维图像分割处理方法，其特征在于，所述通过预存的检测分割一体化的三维神经网络模型中的检测子网络模型，对所述最优临界包围盒进行检测处理，得到一个或者多个感兴趣区域步骤包括：
对所述最优临界包围盒进行裁切处理，得到裁切图像块；
将所述裁切图像块输入至所述检测子网络模型中，以根据预设层次对所述裁切图像块进行全局特征的多尺度特征编码操作，得到尺度层次不同的、且空间分辨率逐级降低的多个特征张量；
对空间分辨率最低的末端特征张量进行预设卷积处理与预设非线性激活函数处理，得到对应于末端特征张量的分割预测概率图；
对所述分割预测概率图进行二值化处理、连通性分析和碎片排除，得到所述最优临界包围盒对应的一个或者多个感兴趣区域，以及所述一个或者多个感兴趣区域的初始集合，每个感兴趣区域定义为包含分割目标的一个长方体形状空间区域，长方体形状空间区域表达为感兴趣区域的起点坐标及边长；
根据所述尺度层次不同的、且空间分辨率不同的多个特征张量，对所述起点坐标和边长进行相应不同预设倍率换算，构建各个感兴趣区域的感兴趣区域金字塔，每个金字塔包含各个尺度层次对应的感兴趣区域。
4.如权利要求3所述的CT/MR三维图像分割处理方法，其特征在于，所述将所述裁切图像块输入至所述检测子网络模型中，以根据预设层次对所述裁切图像块进行多尺度特征编码操作步骤包括：
将所述裁切图像块输入至所述检测子网络模型中，对所述裁切图像块进行预设次数的的以残差处理以及预设倍数最大池化处理为单位的重复交替处理；
其中，所述残差处理包括对所述裁切图像块对应的输入张量进行批归一化处理与卷积处理交替的非线性变换处理，得到输出张量后，再连接所述输入张量与所述输出张量处理过程。
5.如权利要求3所述的CT/MR三维图像分割处理方法，其特征在于，所述通过预存的检测分割一体化的三维神经网络模型中的分割子网络模型，对所述一个或者多个感兴趣区域进行分割，得到分割概率图，对所述分割概率图进行二值化处理，得到分割掩模步骤包括：
基于所检测到的感兴趣区域及所述感兴趣区域金字塔，裁切感兴趣区域金字塔中的特征张量，得到感兴趣区域张量金字塔；
通过所述分割子网络模型，对所述感兴趣区域张量金字塔中的最高层次的局部特征张量进行预设次数的上采样处理与特征融合处理，其中，每进行一次预设倍数上采样处理后，得到的上采样后特征张量与同一张量金字塔中上一层次的局部特征张量，将上采样后特征张量与同一张量金字塔中上一层次的局部特征张量作为融合前局部特征张量；
将所述融合前局部张量数据输入至残差块中进行张量融合处理，得到融合局部特征张量，再对该融合张量进行下一次的上采样与残差处理，最终得到各个感兴趣区域在初始尺度下的局部分割概率图；
根据所述感兴趣区域金字塔初始尺度层次下的起始坐标和边长，将所述各个局部分割概率图对应覆盖到预设初值为全零的预设完整分割概率图上，最后得到所述最优临界包围盒对应标记所需目标区域的分割标签；
基于所述分割标签，对各个分割概率图进行二值化处理，得到分割掩模。
6.如权利要求1所述的CT/MR三维图像分割处理方法，其特征在于，
所述通过预存的检测分割一体化的三维卷积神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理步骤包括：
通过预存的检测分割一体化的三维卷积神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理，其中，所述检测分割一体化的三维卷积神经网络模型训练过程中中使用预设损失函数。
7.一种CT/MR三维图像分割处理装置，其特征在于，所述CT/MR三维图像分割处理装置包括：
第一获取模块，用于获取CT/MR三维图像，对所述CT/MR三维图像进行重采样处理，得到预设采样率的图像块，并获取所述图像块对应的最优临界包围盒；
检测分割模块，用于通过预存的检测分割一体化的三维卷积神经网络模型，对所述最优临界包围盒先后进行检测以及分割处理，以得到所述CT/MR三维图像中标记所需目标区域的分割标签，其中，所述三维卷积神经网络模型包括残差块，所述残差块中包括批归一化层与卷积层多次交替的非线性变换模块，以及与所述非线性变换模块连接的跳跃连接层。
8.如权利要求7所述的CT/MR三维图像分割处理装置，其特征在于，所述检测分割模块包括：
检测单元，用于通过预存的检测分割一体化的三维神经网络模型中的检测子网络模型，对所述最优临界包围盒进行检测处理，得到一个或者多个感兴趣区域；
分割单元，用于通过预存的检测分割一体化的三维神经网络模型中的分割子网络模型，对所述一个或者多个感兴趣区域进行分割，得到分割概率图，对所述分割概率图进行二值化处理，得到分割掩模。
9.一种CT/MR三维图像分割处理设备，其特征在于，所述CT/MR三维图像分割处理设备包括：存储器、处理器，通信总线以及存储在所述存储器上的CT/MR三维图像分割处理程序，
所述通信总线用于实现处理器与存储器间的通信连接；
所述处理器用于执行所述CT/MR三维图像分割处理程序，以实现如权利要求1至6中任一项所述的CT/MR三维图像分割处理方法的步骤。
10.一种介质，其特征在于，所述介质上存储有CT/MR三维图像分割处理程序，所述CT/MR三维图像分割处理程序被处理器执行时实现如权利要求1-6中任一项所述的CT/MR三维图像分割处理方法的步骤。
CN201910240477.XA 2019-03-27 2019-03-27 Ct/mr三维图像分割处理方法、装置、设备及介质 Active CN109961446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910240477.XA CN109961446B (zh) 2019-03-27 2019-03-27 Ct/mr三维图像分割处理方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910240477.XA CN109961446B (zh) 2019-03-27 2019-03-27 Ct/mr三维图像分割处理方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN109961446A true CN109961446A (zh) 2019-07-02
CN109961446B CN109961446B (zh) 2021-06-01

Family

ID=67025180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910240477.XA Active CN109961446B (zh) 2019-03-27 2019-03-27 Ct/mr三维图像分割处理方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN109961446B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110933300A (zh) * 2019-11-18 2020-03-27 深圳传音控股股份有限公司 一种图像处理方法和电子终端设备
CN111179282A (zh) * 2019-12-27 2020-05-19 Oppo广东移动通信有限公司 图像处理方法、图像处理装置、存储介质与电子设备
CN111260670A (zh) * 2020-02-18 2020-06-09 广州柏视医疗科技有限公司 基于深度学习网络的三维影像的管状结构分割图断裂修复方法及系统
CN111260618A (zh) * 2020-01-13 2020-06-09 北京妙医佳健康科技集团有限公司 病灶检测系统构建的方法、装置及电子设备
CN111402277A (zh) * 2020-02-17 2020-07-10 艾瑞迈迪医疗科技（北京）有限公司 一种医学影像的物体外轮廓分割方法及装置
CN111950714A (zh) * 2020-08-24 2020-11-17 重庆市云迈科技有限公司 一种基于3d全卷积神经网络的能谱ct图像域材料识别方法
CN112184720A (zh) * 2020-08-27 2021-01-05 首都医科大学附属北京同仁医院 一种ct图像的内直肌和视神经分割方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107909581A (zh) * 2017-11-03 2018-04-13 杭州依图医疗技术有限公司 Ct影像的肺叶段分割方法、装置、系统、存储介质及设备
CN108961274A (zh) * 2018-07-05 2018-12-07 四川大学 一种mri图像中自动头颈肿瘤分割方法
CN108986124A (zh) * 2018-06-20 2018-12-11 天津大学 结合多尺度特征卷积神经网络视网膜血管图像分割方法
CN109003260A (zh) * 2018-06-28 2018-12-14 深圳视见医疗科技有限公司 Ct图像肺结节检测方法、装置、设备及可读存储介质
CN109035197A (zh) * 2018-05-31 2018-12-18 东南大学 基于三维卷积神经网络的ct造影图像肾脏肿瘤分割方法及系统
CN109102502A (zh) * 2018-08-03 2018-12-28 西北工业大学 基于三维卷积神经网络的肺结节检测方法
CN109325534A (zh) * 2018-09-22 2019-02-12 天津大学 一种基于双向多尺度金字塔的语义分割方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107909581A (zh) * 2017-11-03 2018-04-13 杭州依图医疗技术有限公司 Ct影像的肺叶段分割方法、装置、系统、存储介质及设备
CN109035197A (zh) * 2018-05-31 2018-12-18 东南大学 基于三维卷积神经网络的ct造影图像肾脏肿瘤分割方法及系统
CN108986124A (zh) * 2018-06-20 2018-12-11 天津大学 结合多尺度特征卷积神经网络视网膜血管图像分割方法
CN109003260A (zh) * 2018-06-28 2018-12-14 深圳视见医疗科技有限公司 Ct图像肺结节检测方法、装置、设备及可读存储介质
CN108961274A (zh) * 2018-07-05 2018-12-07 四川大学 一种mri图像中自动头颈肿瘤分割方法
CN109102502A (zh) * 2018-08-03 2018-12-28 西北工业大学 基于三维卷积神经网络的肺结节检测方法
CN109325534A (zh) * 2018-09-22 2019-02-12 天津大学 一种基于双向多尺度金字塔的语义分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张桂梅: "Deep residual learning for image recognition", 《PROCEEDINGS OF THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
张桂梅: "一种新的基于局部轮廓特征的目标检测方法", 《自动化学报》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110933300A (zh) * 2019-11-18 2020-03-27 深圳传音控股股份有限公司 一种图像处理方法和电子终端设备
CN111179282A (zh) * 2019-12-27 2020-05-19 Oppo广东移动通信有限公司 图像处理方法、图像处理装置、存储介质与电子设备
CN111179282B (zh) * 2019-12-27 2024-04-23 Oppo广东移动通信有限公司 图像处理方法、图像处理装置、存储介质与电子设备
CN111260618A (zh) * 2020-01-13 2020-06-09 北京妙医佳健康科技集团有限公司 病灶检测系统构建的方法、装置及电子设备
CN111260618B (zh) * 2020-01-13 2023-08-25 北京妙医佳健康科技集团有限公司 病灶检测系统构建的方法、装置及电子设备
CN111402277A (zh) * 2020-02-17 2020-07-10 艾瑞迈迪医疗科技（北京）有限公司 一种医学影像的物体外轮廓分割方法及装置
CN111402277B (zh) * 2020-02-17 2023-11-14 艾瑞迈迪医疗科技（北京）有限公司 一种医学影像的物体外轮廓分割方法及装置
CN111260670A (zh) * 2020-02-18 2020-06-09 广州柏视医疗科技有限公司 基于深度学习网络的三维影像的管状结构分割图断裂修复方法及系统
CN111260670B (zh) * 2020-02-18 2021-02-19 广州柏视医疗科技有限公司 基于深度学习网络的三维影像的管状结构分割图断裂修复方法及系统
CN111950714A (zh) * 2020-08-24 2020-11-17 重庆市云迈科技有限公司 一种基于3d全卷积神经网络的能谱ct图像域材料识别方法
CN112184720A (zh) * 2020-08-27 2021-01-05 首都医科大学附属北京同仁医院 一种ct图像的内直肌和视神经分割方法及系统
CN112184720B (zh) * 2020-08-27 2024-04-23 首都医科大学附属北京同仁医院 一种ct图像的内直肌和视神经分割方法及系统

Also Published As

Publication number Publication date
CN109961446B (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
EP3961484A1 (en) Medical image segmentation method and device, electronic device and storage medium
CN109961446A (zh) Ct/mr三维图像分割处理方法、装置、设备及介质
CN109872364B (zh) 图像区域定位方法、装置、存储介质和医学影像处理设备
CN112017198B (zh) 基于自注意力机制多尺度特征的右心室分割方法及装置
CN109658419B (zh) 一种医学图像中小器官的分割方法
CN109410219A (zh) 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质
CN111932529B (zh) 一种图像分类分割方法、装置及系统
KR101955919B1 (ko) 딥러닝 기반의 영상데이터 내 관심영역 설정방법 및 프로그램
CN111160114B (zh) 手势识别方法、装置、设备及计算机可读存储介质
CN111291825A (zh) 病灶分类模型训练方法、装置、计算机设备和存储介质
CN112215217B (zh) 模拟医师阅片的数字图像识别方法及装置
CN111067522A (zh) 大脑成瘾结构图谱评估方法及装置
CN114463637A (zh) 一种基于深度学习的冬小麦遥感识别分析方法和系统
CN111104813A (zh) 二维码图像关键点检测方法、装置、电子设备及存储介质
CN110321943A (zh) 基于半监督深度学习的ct图像分类方法、系统、装置
Limper et al. Mesh Saliency Analysis via Local Curvature Entropy.
CN114298997B (zh) 一种伪造图片检测方法、装置及存储介质
CN115375548A (zh) 一种超分辨率的遥感图像生成方法、系统、设备和介质
Huang et al. A spatial and geometry feature-based quality assessment model for the light field images
CN111275126A (zh) 样本数据集生成方法、装置、设备及存储介质
RU2746152C2 (ru) Обнаружение биологического объекта
CN113781387A (zh) 模型训练方法、图像处理方法、装置、设备及存储介质
CN113096080A (zh) 图像分析方法及系统
CN111652876A (zh) 一种三维盆底超声图像的检测方法
CN113723461B (zh) 超声设备及超声图像分析方法

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