CN110349151A - 一种目标识别方法及装置 - Google Patents
一种目标识别方法及装置 Download PDFInfo
- Publication number
- CN110349151A CN110349151A CN201910642061.0A CN201910642061A CN110349151A CN 110349151 A CN110349151 A CN 110349151A CN 201910642061 A CN201910642061 A CN 201910642061A CN 110349151 A CN110349151 A CN 110349151A
- Authority
- CN
- China
- Prior art keywords
- image
- target area
- region
- target
- block
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种目标识别方法及装置,从DR图像中识别目标区域,确定目标区域在CT图像中对应的目标区域块,其中,DR图像与CT图像为针对同一对象采集的图像,识别目标区域块的类型。可见本申请中,先基于DR图像识别得到作为二维数据的目标区域,再基于目标区域从CT图像识别得到作为三维数据的目标区域块,最后识别目标区域块的类型,即使用二维数据进行初筛得到三维目标数据,再判定三维目标数据的类型,因此,将DR二维数据与CT三维数据相结合,能够解决虚警和信息不足的问题,从而提高识别结果的准确性。
Description
技术领域
本申请涉及电子信息领域,尤其涉及一种目标识别方法及装置。
背景技术
计算机体层摄影(Computed Tomography,CT)和直接数字化摄影(DigitalRadiography,DR)均为无损检测或识别的重要技术手段。
CT利用精确准直的X线束、γ射线、或超声波等,与灵敏度极高的探测器一同围绕待测对象作逐层断面扫描,具有扫描时间快,图像清晰等特点。
DR是在计算机控制下直接进行数字化X射线摄影的一种新技术,即采用非晶硅平板探测器把穿透待测对象的X射线信息转化为数字信号,并由计算机重建图像及进行一系列的图像后处理。
现有技术中,DR和CT分别应用于不同任务中。但是,由于CT图像是三维数据,所以存在着大量的虚警,从而存在将非目标识别为目标的可能性,因此准确性不高。此外,由于DR图像是二维数据,二维数据包含的信息较少,而导致难以对目标进行深入分析,所以准确性也有待提高。
发明内容
本申请提供了一种目标识别方法及装置,目的在于解决如何提高基于射线成像的识别结果的准确性的问题。
为了实现上述目的,本申请提供了以下技术方案:
一种目标识别方法,包括:
从DR图像中识别目标区域;
确定所述目标区域在CT图像中对应的目标区域块,所述DR图像与所述CT图像为针对同一对象采集的图像;
确定所述目标区域块的识别结果。
可选的,所述确定所述目标区域在CT图像中对应的目标区域块,包括:
依据DR图像与CT图像的配准参数,确定所述目标区域在CT图像中对应的区域块,作为所述目标区域块。
可选的,在所述确定所述目标区域在CT图像中对应的目标区域块之前,还包括:
从构成所述CT图像的多帧图像中选择目标帧图像,所述多帧图像均包括所述对象在所述DR图像中的成像面的成像;
将所述目标帧图像与所述DR图像进行配准,得到所述配准参数。
可选的,所述目标帧图像为所述多帧图像中,所述对象所占的区域最大的图像帧。
可选的,依据DR图像与CT图像的配准参数,确定所述目标区域在CT图像中对应的目标区域块,包括:
依据所述配准参数,获取所述目标区域在所述CT图像的目标截面对应的区域,作为配准区域,所述目标截面为所述CT图像的截面中与所述DR图像包括同一个成像面的成像的截面;
沿所述CT图像的第三方向,提取每个所述目标截面的所述配准区域,得到所述目标区域块,所述第三方向为三维坐标方向中,除确定所述目标截面的方向之外的方向。
可选的,所述依据所述配准参数,获取所述目标区域在所述CT图像的目标截面对应的区域,作为配准区域,包括:
依据所述配准参数,获取候选区域在所述CT图像的目标截面对应的区域,作为配准区域,所述候选区域的长度为第一数值,宽度为第二数值,其中,所述第一数值大于所述目标区域的长度,和/或,所述第二数值大于所述目标区域的宽度;
或者,
依据所述配准参数,获取所述目标区域在所述CT图像的目标截面对应的区域,并将所述目标区域在所述CT图像的目标截面对应的区域扩大预设数值,得到配准区域。
可选的,所述从DR图像中识别目标区域,包括:
将所述DR图像输入预设的第一神经网络模型,得到所述第一神经网络模型输出的所述目标区域,所述目标区域为所述对象所在区域中属于预设类型的区域;
所述确定所述目标区域块的识别结果,包括:
将所述目标区域块输入预设的第二神经网络模型,得到所述第二神经网络模型输出的所述目标区域块的识别结果。
一种目标识别装置,包括:
第一识别单元,用于从DR图像中识别目标区域;
确定单元,用于确定所述目标区域在CT图像中对应的目标区域块,所述DR图像与所述CT图像为针对同一对象采集的图像;
第二识别单元,用于确定所述目标区域块的识别结果。
一种目标识别设备,包括:
存储器和处理器;
所述存储器用于存储一个或多个程序;
所述处理器用于执行所述一个或多个程序,以使得所述目标识别设备实现上述目标识别方法。
一种计算机可读介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述目标识别方法。
本申请所述的目标识别方法及装置,从DR图像中识别目标区域,确定目标区域在CT图像中对应的目标区域块,识别目标区域块的类型,其中,DR图像与CT图像为针对同一对象采集的图像。可见本申请中,先基于DR图像识别得到作为二维数据的目标区域,再基于目标区域从CT图像识别得到作为三维数据的目标区域块,最后识别目标区域块的类型,即使用二维数据进行初筛得到三维目标数据,再判定三维目标数据的类型,因此,将DR二维数据与CT三维数据相结合,能够解决虚警和信息不足的问题,从而提高识别结果的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种目标识别方法的流程示意图;
图2为本申请实施例提供的人体肺部的前视面的示意图;
图3为本申请实施例提供的目标帧图像与DR图像的示意图;
图4为本申请实施例提供的一种依据DR图像与CT图像的配准参数,确定目标区域块的具体流程示意图;
图5为本申请实施例提供的一种对肺部疾病的识别方法的示意图;
图6为本申请实施例提供的一种目标识别装置的结构示意图。
具体实施方式
本申请实施例公开的目标识别方法,可以用于基于射线成像的目标的识别,基于射线成像的目标,可以包括但不限于X线成像,进一步的,本申请以DR图像和CT图像为例进行说明。
X线成像的应用范围交广,例如医学领域、无损探测领域等。本申请的以下实施例中,将以医学领域的组织器官的X线图像作为研究的示例,进一步的,以肺部DR图像和CT图像为例进行说明。实际中,其它器官或组织(例如肝脏)的X线图像也适用于本申请实施例公开的技术方案,其它领域的X线图像(例如钢柱的DR图像和CT图像)也适用于本申请实施例公开的技术方案。
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
图1为本申请实施例提供的一种目标识别方法,包括如下步骤:
S101:从DR图像中识别目标区域。
其中,DR图像中包括对象的成像区域,目标区域指的是:对象的成像区域中属于预设类型的区域。预设类型可由技术人员根据实际情况和需求进行设置,本申请实施例不做限定。以病人的肺部DR图像举例:对象是病人的肺部,预设类型为肺炎,目标区域则是病人的DR图像中的肺部成像区域中发生肺炎的肺组织的成像区域。本实施例中,以肺炎作为预设类型,当然,预设类型不限于此,也可以为肺部的其它疾病。
可选的,将DR图像输入预设的第一神经网络模型,得到第一神经网络模型输出的目标区域。
具体的,第一神经网络模型输出通常为一个矩形区域的位置和该矩形区域被识别为预设类型。以医学DR图像的测试过程举例:第一神经网络模型为残差网络Resnet模型,预设类型为肺炎,将原始肺部DR图像均分为各个形状大小一致的DR图像块,再将各个DR图像块输入到残差网络Resnet模型中,残差网络Resnet模型输出各个DR图像块中识别为肺炎的矩形区域,然后对各个DR图像块中的矩形区域进行融合,将矩形区域映射到与原始肺部DR图像大小一致的图像上,最后对各个矩形区域进行非极大值抑制,得到最终的矩形区域的位置,或者,最终的矩形区域的位置和类型。需要说明的是,模型仅输出矩形区域的位置,还是输出矩形区域的位置和类型,可以依据实际需求设定。
上述残差网络Resnet模型的训练过程,与上述医学DR图像的测试过程类似,仅使用了样本DR图像和标注为肺炎区域的矩形区域作为预设初始残差网络Resnet模型的输入。
需要说明的是,上述提及的残差网络Resnet模型的测试过程和训练过程仅仅用于举例说明,使用残差网络Resnet模型得到目标区域的方式也仅为举例,本申请实施例不做限定,除了残差网络之外,还可以使用现有的其它模型,例如CNN等,本申请实施例不做限定。
S102:确定目标区域在CT图像中对应的目标区域块。
其中,DR图像与CT图像为针对同一对象采集的图像。
CT的成像结果是三维数据,即将对象在三维空间(如三维空间的坐标轴以x、y和z为例)的实体进行断层扫描所得到的三个坐标轴方向的离散数据。例如,以肺部为例,图2所示为人体肺部的前视面,CT图像中的任意一个x-y截面为垂直于前视面进行切片成像,得到的任意一个图像帧,任意一个x-z截面为平行于前视面进行切片成像,得到的任意一个图像帧。
而DR的成像结果为二维数据,即将对象投影到一个平面上的成像数据。以肺部为例,如图2所示,DR图像即为肺部的前视面的成像。
因此,CT图像的其中一个截面(如上例所示x-z截面)与DR图像包括同一个成像面的成像(成像面为成像为图像的实体面),本实施例中,将CT图像的截面中与DR图像包括同一个成像面的成像的截面,例如x-z截面,称为目标截面,将位于目标截面的图像称为多帧图像,并将多帧图像中的任意一帧图像,作为目标图像,可选的,将将多帧图像中对象所占的区域最大的图像帧称为目标帧图像。以肺部为例,图3示出了目标帧图像、DR图像及目标区域块。
因此,以肺部为例,如图3所示,可以依据DR图像中识别出的目标区域,在目标帧图像中,确定目标区域的对应区域,并将沿第三方向(第三方向为除确定目标图像截面的第一方向和第二方向之外的另一个方向,接上例,第三方向为y轴方向)所有的图像帧中,与对应区域的第一方向(如x轴)和第二方向(如z轴)坐标相同的区域,沿第三方向(如y轴)构成的区域块,作为目标区域块。
可选的,依据DR图像与CT图像的配准参数,确定目标区域在CT图像中对应的区域块,作为目标区域块。依据DR图像与CT图像的配准参数,确定目标区域块的具体流程如图4所示。
S103:确定目标区域块的识别结果。
所述识别结果包括目标的类型,或者,目标的精确位置和类型。
可选的,将目标区域块输入预设的第二神经网络模型,得到第二神经网络模型输出的目标的位置信息和类型。
具体的,第二神经网络模型输出通常为一个长方体区域和分类结果,该长方体区域被识别为归属于标注的类型,该标注包括对象的类型。以医学CT图像举例:第二神经网络模型为残差网络Resnet模型,将目标区域块均分为各个形状大小一致的CT图像块,再将各个CT图像块输入到残差网络Resnet模型中,残差网络Resnet模型输出各个CT图像块中识别为肺炎的长方体区域,然后对各个CT图像块中的长方体区域进行融合,将长方体区域映射到与目标区域块大小一致的图像上,最后对各个长方体区域进行非极大值抑制,得到最终的长方体区域的位置信息和类型、或者,长方体区域的类型。类似的,第二神经网络模型的输出结果也可以依据实际需求设定,可以仅输出类型,也可以输出类型和位置。
此外,上述残差网络Resnet模型的训练过程,与上述医学CT图像的测试过程类似,仅使用了样本CT图像和标注为肺炎区域的长方体区域作为预设初始残差网络Resnet模型的输入。除了残差网络之外,第二神经网络模型还可以使用现有的其它模型,例如CNN等,本申请实施例不做限定。并且,第一神经网络模型和第二神经网络模型可以不同。
在本申请实施例中,从DR图像中识别目标区域,确定目标区域在CT图像中对应的目标区域块,DR图像与CT图像为针对同一对象采集的图像,识别目标区域块的类型。可见本申请中,先基于DR图像识别得到作为二维数据的目标区域,再基于目标区域从CT图像识别得到作为三维数据的目标区域块,最后识别目标区域块的类型,即使用二维数据进行初筛得到三维目标数据,再判定三维目标数据的类型,因此,将DR二维数据与CT三维数据相结合,能够解决虚警和信息不足的问题,从而提高识别结果的准确性。
可选的,图4示出了依据DR图像与CT图像的配准参数,确定目标区域块的具体流程,包括如下步骤:
S401:从构成CT图像的多帧图像中选择目标帧图像。
其中,如前所述,多帧图像均包括对象在DR图像中的成像面的成像,目标帧图像为对象所占的区域最大的图像帧。
具体的,以肺部举例:肺部的CT图像由多帧图像构成,每一图像帧所包括的肺部在DR图像中的成像面的区域大小各不相同,选择所包括的肺部在DR图像中的成像面的区域最大的图像帧作为目标帧图像。
S402:将目标帧图像与DR图像进行配准,得到配准参数。
其中,对目标帧图像进行缩放、平移和/或旋转等操作,使得目标帧图像中对象所占的区域与DR图像中对象所占的区域重合。缩放、平移的具体大小和旋转的具体角度作为配准参数。
具体的,以肺部举例:对肺部的目标帧图像进行缩放、平移和旋转,直至目标帧图像上的肺部区域与DR图像上的肺部区域完全重合(也可能不能完全重合),完成配准。在确定目标帧图像与DR图像完成配准后,目标帧图像缩放所使用的倍数、平移的距离、以及旋转所使用的角度,作为配准参数。
S403:依据配准参数,获取候选区域在CT图像的目标截面(如x-z截面)对应的区域,作为配准区域。
具体的,依据配准参数,对DR图像中的目标区域进行扩大(例如将目标区域的长和宽均变为原始数值的1.5倍),得到候选区域。
具体的,候选区域的长度为第一数值,宽度为第二数值,其中,第一数值大于目标区域的长度,和/或,第二数值大于目标区域的宽度。
第一数值的具体数值和第二数值的具体数值可由技术人员根据实际情况进行设置,本申请实施例不做限定。
因CT图像的目标截面(如x-z截面)和DR图像包括同一个成像面的成像,故参照同一个坐标系,保持DR图像上的目标区域的中心坐标不变,扩大目标区域的面积,得到候选区域。然后依据配准参数,将候选区域映射到目标帧图像上,得到目标帧图像上的配准区域。
具体的,如前述举例:肺部的DR图像上的目标区域为矩形区域,假设该矩形区域的中心坐标在x-z平面中的坐标具体为(10,20),该矩形区域的长度为20mm、宽度为10mm。保持中心坐标不变,扩大该矩形区域的长度和宽度,使长度变为30mm、宽度变为15mm,得到候选区域。再依据配准参数(如使用配准参数中的缩放值、使用配准参数中的平移值和使用配准参数中的旋转值,分别对候选区域进行缩放、平移和旋转),将候选区域映射到目标帧图像上,得到目标帧图像上的配准区域,该配准区域的中心坐标为(10,20)、长度为30mm、宽度为15mm。
S404:沿CT图像的第三方向,提取每个目标截面(如x-z截面)的配准区域,得到目标区域块。
本实施例中,将确定目标截面的两个方向称为第一方向(如x轴)和第二方向(如y轴),将三维坐标方向中,除第一方向和第二方向之外的方向,称为第三方向。
例如,因目标帧图像上的配准区域的中心坐标、长度和宽度为已知,故可得知其他图像帧上的配准区域的中心坐标、长度和宽度,沿CT图像的y轴,提取每个图像帧上的配准区域,每个图像帧上的配准区域沿y轴构成目标区域块。
可选的,沿CT图像的y轴,提取预设数量个x-z截面的配准区域,得到目标区域块。
在本申请实施例中使用扩大目标区域得到候选区域,确定配准区域,与仅使用目标区域确定配置区域的方式相比,能够降低配准误差导致的目标区域块选取不全的问题。
需要说明的是,图4所示的流程中,先将目标区域进行扩大得到候选区域,再依据配准参数得到配准区域,除此之外,还可以,先依据配准参数,得到目标区域配准到CT图像的目标截面的区域,也可称为候选区域,再将候选区域扩大预设数值,例如,将候选区域的长和宽均扩大1.5倍,得到配准区域。即从目标区域得到配准区域的方式并不做限定。
为了方便理解上述图1和图4示出的具体流程,图5示出了一种对肺部疾病的识别方法的具体流程,包括如下步骤:
S501:获取肺部的DR图像和CT图像。
S502:将肺部的DR图像输入到DR检测模型中,该DR检测模型输出目标区域的位置信息和类型。
S503:采用基于卷积神经网络CNN的肺区分割算法,得到肺部CT图像中肺区部分的二位掩码。二位掩码中,肺区部分的像素值为1,其它部分的像素值为0。
S504:基于肺区部分的二位掩码,从构成肺部的CT图像的多帧图像中,选择出肺部所站区域最大的图像帧作为肺部的目标帧图像。
S505:将肺部的目标帧图像和肺部的DR图像进行配准,得到配准参数。
S506:依据配准参数,确定所述目标区域在肺部的CT图像中对应的目标区域块。
S507:将目标区域块输入到CT检测模型中,该CT检测模型输出目标区域块中病灶的具体位置和病灶的类型。
在本申请实施例中,从DR图像中识别目标区域,确定目标区域在CT图像中对应的目标区域块,DR图像与CT图像为针对同一对象采集的图像,识别目标区域块的类型。可见本申请中,先基于DR图像识别得到作为二维数据的目标区域,再基于目标区域从CT图像识别得到作为三维数据的目标区域块,最后识别目标区域块的类型,即使用二维数据进行初筛得到三维目标数据,再判定三维目标数据的类型,因此,将DR二维数据与CT三维数据相结合,能够解决虚警和信息不足的问题,从而提高识别结果的准确性。
基于上述本申请实施例提供的一种目标识别方法,本申请实施例还对应提供了一种目标识别装置,如图6所示,该目标识别装置包括如下结构:
第一识别单元100,用于从DR图像中识别目标区域。
其中,第一识别单元100从DR图像中识别目标区域的具体实现方式包括:将DR图像输入预设的第一神经网络模型,得到第一神经网络模型输出的目标区域的位置信息和类型,目标区域为对象所在区域中属于预设类型的区域。
确定单元200,用于确定目标区域在CT图像中对应的目标区域块,DR图像与CT图像为针对同一对象采集的图像。
其中,确定单元200确定目标区域在CT图像中对应的目标区域块的具体实现方式包括:依据DR图像与CT图像的配准参数,确定目标区域在CT图像中对应的区域块,作为目标区域块。
确定单元200,还用于从构成CT图像的多帧图像中选择目标帧图像,多帧图像均包括对象在DR图像中的成像面,目标帧图像为对象所占的区域最大的图像帧。将目标帧图像与DR图像进行配准,得到配准参数。
确定单元200依据DR图像与CT图像的配准参数,确定目标区域在CT图像中对应的目标区域块的具体实现方式包括:依据配准参数,获取候选区域在CT图像的x-z截面对应的区域,作为配准区域,候选区域的长度为第一数值,宽度为第二数值,其中,第一数值大于目标区域的长度,和/或,第二数值大于目标区域的宽度。沿CT图像的y轴,提取每个x-z截面的配准区域,得到目标区域块。或者,依据配准参数,获取目标区域在所述CT图像的目标截面对应的区域,并将目标区域在所述CT图像的目标截面对应的区域扩大预设数值,得到配准区域。
第二识别单元300,用于识别目标区域块的类型。
其中,第二识别单元300识别目标区域块的类型的具体实现方式包括:将目标区域块输入预设的第二神经网络模型,得到第二神经网络模型输出的目标区域块的位置信息和类型。
综上所述,在本申请实施例提供的识别方法及装置中,从DR图像中识别目标区域,确定目标区域在CT图像中对应的目标区域块,DR图像与CT图像为针对同一对象采集的图像,识别目标区域块的类型。可见本申请中,先基于DR图像识别得到作为二维数据的目标区域,再基于目标区域从CT图像识别得到作为三维数据的目标区域块,最后识别目标区域块的类型,即使用二维数据进行初筛得到三维目标数据,再判定三维目标数据的类型,因此,将DR二维数据与CT三维数据相结合,能够解决虚警和信息不足的问题,从而提高识别结果的准确性。
本申请实施例还公开了一种目标识别设备,包括存储器和处理器。存储器用于存储一个或多个程序,处理器用于执行一个或多个程序,以使得目标识别设备实现上述目标识别方法。
本申请实施例还公开了一种计算机可读介质,计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述目标识别方法。
本申请实施例方法所述的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设备可读取存储介质中。基于这样的理解,本申请实施例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设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本申请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。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种目标识别方法,其特征在于,包括:
从DR图像中识别目标区域;
确定所述目标区域在CT图像中对应的目标区域块,所述DR图像与所述CT图像为针对同一对象采集的图像;
确定所述目标区域块的识别结果。
2.根据权利要求1所述的方法,其特征在于,所述确定所述目标区域在CT图像中对应的目标区域块,包括:
依据DR图像与CT图像的配准参数,确定所述目标区域在CT图像中对应的区域块,作为所述目标区域块。
3.根据权利要求2所述的方法,其特征在于,在所述确定所述目标区域在CT图像中对应的目标区域块之前,还包括:
从构成所述CT图像的多帧图像中选择目标帧图像,所述多帧图像均包括所述对象在所述DR图像中的成像面的成像;
将所述目标帧图像与所述DR图像进行配准,得到所述配准参数。
4.根据权利要求3所述的方法,其特征在于,所述目标帧图像为所述多帧图像中,所述对象所占的区域最大的图像帧。
5.根据权利要求2-4任一项所述的方法,其特征在于,依据DR图像与CT图像的配准参数,确定所述目标区域在CT图像中对应的目标区域块,包括:
依据所述配准参数,获取所述目标区域在所述CT图像的目标截面对应的区域,作为配准区域,所述目标截面为所述CT图像的截面中与所述DR图像包括同一个成像面的成像的截面;
沿所述CT图像的第三方向,提取每个所述目标截面的所述配准区域,得到所述目标区域块,所述第三方向为三维坐标方向中,除确定所述目标截面的方向之外的方向。
6.根据权利要求5所述的方法,其特征在于,所述依据所述配准参数,获取所述目标区域在所述CT图像的目标截面对应的区域,作为配准区域,包括:
依据所述配准参数,获取候选区域在所述CT图像的目标截面对应的区域,作为配准区域,所述候选区域的长度为第一数值,宽度为第二数值,其中,所述第一数值大于所述目标区域的长度,和/或,所述第二数值大于所述目标区域的宽度;
或者,
依据所述配准参数,获取所述目标区域在所述CT图像的目标截面对应的区域,并将所述目标区域在所述CT图像的目标截面对应的区域扩大预设数值,得到配准区域。
7.根据权利要求1所述的方法,其特征在于,所述从DR图像中识别目标区域,包括:
将所述DR图像输入预设的第一神经网络模型,得到所述第一神经网络模型输出的所述目标区域,所述目标区域为所述对象所在区域中属于预设类型的区域;
所述确定所述目标区域块的识别结果,包括:
将所述目标区域块输入预设的第二神经网络模型,得到所述第二神经网络模型输出的所述目标区域块的识别结果。
8.一种目标识别装置,其特征在于,包括:
第一识别单元,用于从DR图像中识别目标区域;
确定单元,用于确定所述目标区域在CT图像中对应的目标区域块,所述DR图像与所述CT图像为针对同一对象采集的图像;
第二识别单元,用于确定所述目标区域块的识别结果。
9.一种目标识别设备,其特征在于,包括:
存储器和处理器;
所述存储器用于存储一个或多个程序;
所述处理器用于执行所述一个或多个程序,以使得所述目标识别设备实现权利要求1-7中任一项所述的目标识别方法。
10.一种计算机可读介质,其特征在于,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行权利要求1-7中任一项所述的目标识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910642061.0A CN110349151B (zh) | 2019-07-16 | 2019-07-16 | 一种目标识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910642061.0A CN110349151B (zh) | 2019-07-16 | 2019-07-16 | 一种目标识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110349151A true CN110349151A (zh) | 2019-10-18 |
CN110349151B CN110349151B (zh) | 2021-12-03 |
Family
ID=68174878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910642061.0A Active CN110349151B (zh) | 2019-07-16 | 2019-07-16 | 一种目标识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110349151B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052166A (zh) * | 2021-02-05 | 2021-06-29 | 杭州依图医疗技术有限公司 | 病理图像的显示方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080050002A1 (en) * | 2001-11-21 | 2008-02-28 | Arnold Ben A | Display and Analysis of Medical Images Using Calibrated Pixel Values in Units of Known Properties of Reference Materials |
CN101403710B (zh) * | 2007-10-05 | 2013-06-19 | 清华大学 | 液态物品检查方法和设备 |
CN103345746A (zh) * | 2013-06-25 | 2013-10-09 | 上海交通大学 | 基于ct-pet的医学影像诊断方法 |
CN105094725A (zh) * | 2014-05-14 | 2015-11-25 | 同方威视技术股份有限公司 | 图像显示方法 |
CN106934807A (zh) * | 2015-12-31 | 2017-07-07 | 深圳迈瑞生物医疗电子股份有限公司 | 一种医学影像分析方法、系统及医疗设备 |
CN107507234A (zh) * | 2017-08-29 | 2017-12-22 | 北京大学 | 锥束计算机断层扫描图像与x光图像配准方法 |
CN108257134A (zh) * | 2017-12-21 | 2018-07-06 | 深圳大学 | 基于深度学习的鼻咽癌病灶自动分割方法和系统 |
CN109961834A (zh) * | 2019-03-22 | 2019-07-02 | 上海联影医疗科技有限公司 | 影像诊断报告的生成方法及设备 |
CN109978838A (zh) * | 2019-03-08 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 图像区域定位方法、装置和医学图像处理设备 |
-
2019
- 2019-07-16 CN CN201910642061.0A patent/CN110349151B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080050002A1 (en) * | 2001-11-21 | 2008-02-28 | Arnold Ben A | Display and Analysis of Medical Images Using Calibrated Pixel Values in Units of Known Properties of Reference Materials |
CN101403710B (zh) * | 2007-10-05 | 2013-06-19 | 清华大学 | 液态物品检查方法和设备 |
CN103345746A (zh) * | 2013-06-25 | 2013-10-09 | 上海交通大学 | 基于ct-pet的医学影像诊断方法 |
CN105094725A (zh) * | 2014-05-14 | 2015-11-25 | 同方威视技术股份有限公司 | 图像显示方法 |
CN106934807A (zh) * | 2015-12-31 | 2017-07-07 | 深圳迈瑞生物医疗电子股份有限公司 | 一种医学影像分析方法、系统及医疗设备 |
CN107507234A (zh) * | 2017-08-29 | 2017-12-22 | 北京大学 | 锥束计算机断层扫描图像与x光图像配准方法 |
CN108257134A (zh) * | 2017-12-21 | 2018-07-06 | 深圳大学 | 基于深度学习的鼻咽癌病灶自动分割方法和系统 |
CN109978838A (zh) * | 2019-03-08 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 图像区域定位方法、装置和医学图像处理设备 |
CN109961834A (zh) * | 2019-03-22 | 2019-07-02 | 上海联影医疗科技有限公司 | 影像诊断报告的生成方法及设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052166A (zh) * | 2021-02-05 | 2021-06-29 | 杭州依图医疗技术有限公司 | 病理图像的显示方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110349151B (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102871686B (zh) | 基于3d医学影像测定生理参数的装置和方法 | |
CN107123137B (zh) | 医学图像处理方法及设备 | |
RU2436161C2 (ru) | Регистрация изображений при деформации для лучевой терапии с управлением по изображениям | |
EP1846896B1 (en) | A method, a system and a computer program for integration of medical diagnostic information and a geometric model of a movable body | |
JP5654619B2 (ja) | 身体の部分のジオメトリについての被験体に特有である3次元情報を取得する方法およびシステム | |
RU2491637C2 (ru) | Калибромер для измерения объектов изображения | |
CN112509119B (zh) | 针对颞骨的空间数据处理及定位方法、装置及电子设备 | |
CN107095689A (zh) | 估测医学成像扫描中患者辐射剂量的方法和系统 | |
CN109754396A (zh) | 图像的配准方法、装置、计算机设备和存储介质 | |
CN110111305B (zh) | 处理方案的生成方法、装置、设备和存储介质 | |
JP2019511268A (ja) | 脳深部刺激療法の電極の三次元画像における回転配向の決定 | |
Chen | A novel approach to segmentation and measurement of medical image using level set methods | |
CN114092475B (zh) | 病灶长径确定方法、图像标注方法、装置及计算机设备 | |
CN111223158B (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
JP6340315B2 (ja) | 画像処理方法 | |
CN109350059B (zh) | 用于肘部自动对准的组合的转向引擎和界标引擎 | |
CN113643176A (zh) | 一种肋骨显示方法和装置 | |
JP2020108725A (ja) | 医用矢状面画像を取得する方法、医用矢状面画像を取得するニューラルネットワークのトレーニング方法及びコンピュータ装置 | |
CN110349151A (zh) | 一种目标识别方法及装置 | |
Ün et al. | An analytical method to create patient-specific deformed bone models using X-ray images and a healthy bone model | |
US11423554B2 (en) | Registering a two-dimensional image with a three-dimensional image | |
IL262027A (en) | System and methods for diagnostic image processing and image quality assessment | |
JP2003265463A (ja) | 画像診断支援システム及び画像診断支援プログラム | |
CN111166373B (zh) | 一种定位注册方法、装置和系统 | |
JP2019500114A (ja) | 位置合わせ精度の決定 |
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 |