CN110400626A - 图像检测方法、装置、计算机设备和存储介质 - Google Patents
图像检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110400626A CN110400626A CN201910611001.2A CN201910611001A CN110400626A CN 110400626 A CN110400626 A CN 110400626A CN 201910611001 A CN201910611001 A CN 201910611001A CN 110400626 A CN110400626 A CN 110400626A
- Authority
- CN
- China
- Prior art keywords
- image
- interest
- area
- target segmentation
- voxel
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像检测方法、装置、计算机设备和存储介质。所述方法包括:采用分割模型对待检测对象的医学图像进行图像分割,确定目标分割图像;判断所述目标分割图像中是否存在感兴趣区域;若存在,则对所述医学图像执行门控操作。采用本方法得到的感兴趣区域更加准确。
Description
技术领域
本申请涉及医学图像处理技术领域,特别是涉及一种图像检测方法、装置、计算机设备和存储介质。
背景技术
PET-CT是将PET与CT融为一体,由PET提供病灶详尽的功能与代谢等分子信息,而CT提供病灶的精确解剖定位,一次显像可获得全身各方位的断层图像,因此,PET-CT成像越来越多地应用到对人体各个部位的检测上。其中,PET(Positron Emission ComputedTomography)指的是正电子发射型计算机断层显像,CT(Computed Tomography)指的是电子计算机断层扫描成像。
一般在对心脏区域进行PET-CT成像时,由于心脏不断地跳动,因此心脏区域在PET成像上会出现伪影现象,这样就会导致整个PET图像的质量降低。为了解决PET伪影这个问题,一般在成像之后,首先利用图像分割算法对图像进行分割得到目标分割图像,并基于目标分割图像采用位置计算算法确定出心脏位置;最后根据确定出的心脏位置,采用门控技术对该PET图像进行去伪影处理,以此来提高图像的质量。
但是上述在对心脏位置进行计算时,存在计算的心脏位置不准确的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种图像检测方法、装置、计算机设备和存储介质。
一种图像检测方法,该方法包括:
采用分割模型对待检测对象的医学图像进行图像分割,确定目标分割图像;
判断上述目标分割图像中是否存在感兴趣区域;
若存在,则对上述医学图像执行门控操作。
在其中一个实施例中,上述判断目标分割图像中是否存在感兴趣区域,包括:
采用预设的级联判断操作,判断目标分割图像中是否存在感兴趣区域;其中,上述级联判断操作包括至少一个与目标分割图像的连通域的属性相关的阈值判断操作。
在其中一个实施例中,上述采用预设的级联判断操作,判断目标分割图像中是否存在感兴趣区域,包括:
获取目标分割图像中的连通域数量和目标分割图像的体素数量;
将上述连通域数量和上述体素数量的比值与预设的第一阈值进行对比,得到第一对比结果;
根据第一对比结果确定上述目标分割图像中是否存在感兴趣区域。
在其中一个实施例中,上述根据第一对比结果确定目标分割图像中是否存在感兴趣区域,包括:
当第一对比结果为连通域数量和体素数量的比值不大于预设的第一阈值时,则获取目标分割图像中最大体积连通域内的体素数量和目标分割图像的全部连通域内的总体素数量;
将上述最大体积连通域内的体素数量和上述总体素数量的比值与预设的第二阈值进行对比,得到第二对比结果;
根据第二对比结果确定上述目标分割图像中是否存在感兴趣区域。
在其中一个实施例中,上述根据第二对比结果确定所述目标分割图像中是否存在感兴趣区域,包括:
当第二对比结果为最大体积连通域内的体素数量和总体素数量的比值大于预设的第二阈值时,则将上述最大体积连通域内的体素数量与预设的阈值范围进行对比,得到第三对比结果;
根据第三对比结果确定上述目标分割图像中是否存在感兴趣区域。
在其中一个实施例中,上述根据第三对比结果确定目标分割图像中是否存在感兴趣区域,包括:
当第三对比结果为最大体积连通域内的体素数量未超出预设的阈值范围时,则确定目标分割图像中存在感兴趣区域;
或者,
当第三对比结果为最大体积连通域内的体素数量超出预设的阈值范围时,则确定目标分割图像中不存在感兴趣区域。
在其中一个实施例中,上述根据第一对比结果确定目标分割图像中是否存在感兴趣区域,还包括:
当第一对比结果为连通域数量和体素数量的比值大于预设的第一阈值时,则确定目标分割图像中不存在感兴趣区域。
在其中一个实施例中,上述根据第二对比结果确定目标分割图像中是否存在感兴趣区域,还包括:
当第二对比结果为最大体积连通域内的体素数量和总体素数量的比值不大于预设的第二阈值时,则确定目标分割图像中不存在感兴趣区域。
在其中一个实施例中,上述方法还包括:
将样本医学图像输入初始分割模型,得到预测感兴趣区域;其中,上述样本医学图像中包括原始医学图像和已标记感兴趣区域的医学图像;
根据上述预测感兴趣区域与已标记感兴趣区域,计算上述预测感兴趣区域与上述已标记感兴趣区域之间的相似值,将1与上述相似值的差值作为损失函数的值;
根据上述损失函数的值对上述初始分割网络进行模型训练,得到分割模型。
一种图像检测装置,该装置包括:
分割模块,用于采用分割模型对待检测对象的医学图像进行图像分割,确定目标分割图像;
判断模块,用于判断上述目标分割图像中是否存在感兴趣区域;
执行模块,用于若存在,则对上述医学图像执行门控操作。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
采用分割模型对待检测对象的医学图像进行图像分割,确定目标分割图像;
判断上述目标分割图像中是否存在感兴趣区域;
若存在,则对上述医学图像执行门控操作。
一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
采用分割模型对待检测对象的医学图像进行图像分割,确定目标分割图像;
判断上述目标分割图像中是否存在感兴趣区域;
若存在,则对上述医学图像执行门控操作。
上述图像检测方法、装置、计算机设备和存储介质,首先采用分割模型对待检测对象的医学图像进行图像分割,确定目标分割图像,接着判断目标分割图像中是否存在感兴趣区域,若存在,则对医学图像执行门控操作。由于该方法中在得到目标分割图像之后,不是直接根据目标分割图像的结果确定是否存在感兴趣区域,而是对目标分割图像上是否存在感兴趣区域进行了判断,因此,利用该方法得到的感兴趣区域更加准确,进而在利用该更加准确的感兴趣区域去计算感兴趣区域的位置时,得到的感兴趣区域位置也就更加准确;进一步地,该方法中的判断过程,可以降低对感兴趣区域的误检率,从而可以尽可能地减少在错误的部位执行门控操作,减少医学资源的浪费。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中图像检测方法的流程示意图;
图3为另一个实施例中图像检测方法的流程示意图;
图4为另一个实施例中图像检测方法的流程示意图;
图5为另一个实施例中图像检测方法的流程示意图;
图6为另一个实施例中图像检测方法的流程示意图;
图7为另一个实施例中图像检测方法的流程示意图;
图8为一个实施例中图像检测装置的结构框图;
图9为另一个实施例中图像检测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的图像检测方法,可以应用于如图1所示的计算机设备。如图1所示,该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种图像检测方法,本实施例涉及的是计算机设备如何对分割后的医学图像进行感兴趣区域是否存在的判断,并在存在时,执行门控操作的具体过程。如图2所示,该方法可以包括以下步骤:
S202,采用分割模型对待检测对象的医学图像进行图像分割,确定目标分割图像。
其中,计算机设备在对医学图像进行分割之前,可以先获取医学图像,计算机设备可以通过对PET设备采集到的待检测对象的数据进行图像重建和校正,从而得到待检测对象的医学图像。或者,医学图像也可以预先重建和校正好,存储在计算机设备中,当需要对其进行处理时,直接从计算机设备的存储器中读取医学图像。又或者,计算机设备也可以从外部设备中获取医学图像,比如,将待检测对象的医学图像存储在云端,当需要进行处理操作时,计算机设备从云端获取该待检测对象的医学图像。本实施例对获取医学图像的获取方式不做限定。
另外,分割模型可以是图切割算法模型、分水岭算法模型、GrabCut算法模型、深度学习模型等,其中,深度学习模型可以是FCN(Fully Convolutional Networks,全卷积网络)、SegNet、DeepLab、Mask-RCNN、U-Net、V-Net等等。
具体的,计算机设备在获得待检测对象的医学图像之后,可以将该医学图像输入至分割模型进行识别,该分割模型的输出即为目标分割图像。可选的,在这里待检测对象可以是人体的头部、胸部、腹部、腿部等其中的一个或多个部位。
S204,判断上述目标分割图像中是否存在感兴趣区域。
在本实施例中,由于一般在利用PET对人体进行扫描时,是采用分床位进行扫描的,也就是说,不会一次性将人体的全身所有部位扫描出来,而是通过在人体的纵向方向上进行分段扫描来得到人体的部分图像,因此,计算机设备在对待检测对象的医学图像进行分割,得到目标分割图像之后,得到的目标分割图像中可能存在感兴趣区域,但是也有可能是不存在感兴趣区域的,例如,假如检测人体的心脏,那么如果采用腿部的医学图像进行分割,其得到的目标分割图像中很明显是不存在心脏的。因此就需要对目标分割图像中是否包括感兴趣区域进行判断,以使根据判断结果进行的后续操作会更加准确。
具体的,计算机设备在得到目标分割图像之后,可以对该目标分割图像中是否存在感兴趣区域进行判断。可选的,在进行判断时,可以采用判别器等来进行判断。
S206,若存在,则对上述医学图像执行门控操作。
本步骤中,在对人体某些部位进行PET成像时,如果该部位是一个随时在运动的部位,例如人体的心脏一直跳动,那么在对该部位进行成像时,因为该部位的运动,则所得到的成像图像上就会出现伪影现象,这样就会影响图像质量,因此一般就需要在对该部位成像之后,再采用门控技术对成像图像进行去伪影处理,以提高图像质量。其中,门控技术可以包括心电门控技术、呼吸门控技术、指脉门控技术等,本实施例中主要使用心电门控技术,包括前瞻性心电门控技术和回顾性心电门控技术。
在这里主要使用的是回顾性门控技术,其指在整个心动周期中PET射频激发和信号采集都在进行,需要说明的是,传统技术是同时把心电图外部设备采集的心电信息融合到PET成像系统中,把每个心动周期中相似时相的PET信号用于重建一幅图像,以此来减少运动伪影,但是本申请实施例的技术方案中不需要利用心电图外部设备采集心电信息,可以通过PET成像系统扫描的数据生成心电信息,并将该心电信息融合到PET成像系统中,然后再把每个心动周期中相似时相的PET扫描数据用于重建一幅图像,以此来减少运动伪影;即本申请实施例的技术方案可以通过PET系统的扫描数据判断是否有心脏区域,并在有心脏时进行门控操作,以减少伪影。可以看出,本申请实施例的技术方案中,在不需要ECG外部设备的情况下,通过PET系统的扫描数据也可以准确进行门控技术,实现去伪影,因此,本申请实施例的技术方案在一定程度上可以减少ECG设备采购成本、维护成本等。
具体的,在S204中如果计算机设备得到的判断结果是目标分割图像中存在感兴趣区域,那么计算机设备就可以对该感兴趣区域的中心点进行中心点提取处理,得到该感兴趣区域的中心点的坐标,然后再根据该中心点的坐标对医学图像执行门控操作,来对医学图像进行去伪影处理,以提高医学图像质量。其中,中心点提取处理采用的方法可以是中心点提取算法等。
需要说明的是,如果不进行感兴趣区域的判断,当目标分割图像上不存在感兴趣区域,而却误认为目标分割图像上存在感兴趣区域,并对该图像进行门控操作,那么可能会造成医学资源浪费的问题,因此,需要对目标分割图像中是否包括感兴趣区域进行准确判断。
示例的,假设以感兴趣区域为心脏区域、采用门控技术需要计算心脏位置为例,本实施例的方法是在得到的目标分割图像上继续判断是否存在心脏区域,而不是直接根据目标分割图像的结果确定心脏区域是否存在,因此其得到的心脏区域的准确性更高,进而在利用该心脏区域去计算心脏位置时,计算的心脏位置也就更准确。
上述图像检测方法中,首先采用分割模型对待检测对象的医学图像进行图像分割,确定目标分割图像,接着判断目标分割图像中是否存在感兴趣区域,若存在,则对医学图像执行门控操作。由于该方法中在得到目标分割图像之后,不是直接根据目标分割图像的结果确定是否存在感兴趣区域,而是对目标分割图像上是否存在感兴趣区域进行了判断,因此,利用该方法得到的感兴趣区域更加准确,进而在利用该更加准确的感兴趣区域去计算感兴趣区域的位置时,得到的感兴趣区域位置也就更加准确;进一步地,该方法中的判断过程,可以降低对感兴趣区域的误检率,从而可以尽可能地减少在错误的部位执行门控操作,减少医学资源的浪费。
在另一个实施例中,提供了另一种图像检测方法,本实施例涉及的是计算机设备如何采用预设的级联判断操作,判断目标分割图像中是否存在感兴趣区域的具体过程。在上述实施例的基础上,上述S204可以包括:
采用预设的级联判断操作,判断目标分割图像中是否存在感兴趣区域;其中,上述级联判断操作包括至少一个与目标分割图像的连通域的属性相关的阈值判断操作。
其中,预设的级联判断操作的数量可以是一个,也可以是多个,例如可以是一个判断操作、两个级联的判断操作、三个级联的判断操作、四个级联的判断操作、五个级联的判断操作等等,上述判断操作可以采用预设的判别器来进行实现,其中,判别器的数量也可以是1个、2个、3个、4个、5个等,判别器的数量可以和判断操作的数量相等,也可以不相等。另外,与目标分割图像的连通域的属性相关的阈值判断操作可以是连通域的数量、最大体积连通域内的体素数量、目标分割图像的全部连通域内的总体素数量等等。
具体的,计算机设备在得到目标分割图像之后,可以采用预设的级联判断操作,对目标分割图像依次进行判断,根据判断结果确定目标分割图像是否存在感兴趣区域。可选的,当预设的级联判断操作的数量是多个操作时,计算机设备可以根据其中任意一个操作的判断结果得到目标分割图像中是否存在感兴趣区域,也可以是根据多个操作的判断结果综合得到目标分割图像中是否存在感兴趣区域。
本实施例提供的图像检测方法,采用预设的级联判断操作,判断目标分割图像中是否存在感兴趣区域,其中,级联判断操作包括至少一个与目标分割图像的连通域的属性相关的阈值判断操作。由于本实施例中可以采用预设的级联判断操作对目标分割图像中是否存在感兴趣区域进行判断,且该判断操作是与目标分割图像的连通域的属性相关的阈值判断操作,因此,该方法相比不对目标分割图像进行判断的方法而言,得到的感兴趣区域更加准确。
在另一个实施例中,提供了另一种图像检测方法,本实施例涉及的是计算机设备如何采用预设的级联判断操作,判断目标分割图像中是否存在感兴趣区域的一种可能的实施方式。在上述实施例的基础上,如图3所示,上述采用预设的级联判断操作,判断目标分割图像中是否存在感兴趣区域可以包括以下步骤:
S302,获取目标分割图像中的连通域数量和目标分割图像的体素数量。
在本实施例中,上述体素数量可以是目标分割图像在某一个轴上的体素数量,如果是三维图像,则可以是X轴或者Y轴或者Z轴方向上的体素数量,如果是二维图像,则可以是X轴或者Y轴方向上的像素数量,如果是一维图像,以X轴为例,则可以是X轴方向上的点的数量。
另外,由于图像的体素数量和图像的高度之间具有线性关系,在得到图像的体素数量后,利用该线性关系也可以得到图像的高度,其中,图像的高度的方向可以和图像的体素数量的方向相同。因此,在下面实施例中进行判断操作时,也可以使用图像的高度。
其中,目标分割图像中的连通域可以是三维的、二维的、一维的等等,其可以与目标分割图像的维度相同,即目标分割图像如果是三维的,则连通域也是三维的。另外,上面连通域数量、目标分割图像的体素数量均可以是与目标分割图像中的感兴趣区域相关的。
具体的,计算机设备在得到目标分割图像之后,可以采用连通域计算方法得到各个连通域,将各个连通域结合起来,就可以得到目标分割图像中的连通域数量,同时,计算机设备也可以利用体素计算方法得到目标分割图像的体素数量。
S304,将上述连通域数量和上述体素数量的比值与预设的第一阈值进行对比,得到第一对比结果。
其中,预设的第一阈值可以根据实际情况而定,可以是大于1的整数值或者小数值,也可以是小于1的值。
在本实施例中,由于一般情况下,如果目标分割图像上存在感兴趣区域时,则目标分割图像上的连通域数量一般较少,如果目标分割图像上不存在感兴趣区域时,则由于存在的杂质较多,所以连通域数量会比较多,所以利用连通域数量一般能将大部分明显不存在感兴趣区域的图像剔除出去。例如,以感兴趣区域为心脏区域为例,那么腿部的图像不存在心脏区域,利用该步骤,可以在很大程度上将腿部的图像剔除出去。
另外,在本实施例中,使用连通域数量和体素数量做比值来进行判断,这样可以使得到的判断结果更准确。例如,图a的连通域数量是100、体素数量是200,图b的连通域数量是10、体素数量是15,真实情况是图a存在感兴趣区域的可能性更大;如果仅从连通域数量上进行判断,很明显,图a相比于图b,连通域数量100大于10,得到的结果就是图a不存在感兴趣区域的可能性更大;但实质上因为图a比图b大,其连通域也更多,因此需要计算一个相对值来衡量图a和图b中谁存在感兴趣区域的可能性更大,很明显,100/200小于10/15,也就是图a中存在感兴趣区域的可能性是更大的,因此,用比值来进行判断,得到的判断结果是更准确的。
具体的,计算机设备在得到目标分割图像的连通域数量、目标分割图像的高度或者目标分割图像在Z轴方向上的体素数量之后,可以将连通域数量和目标分割图像的高度做比值,记为高度比值,或者将连通域数量和目标分割图像在Z轴方向上的体素数量做比值,记为体素比值,然后计算机设备可以将高度比值与预设的第一阈值进行对比,或者将体素比值与预设的第一阈值进行对比,并将对比结果记为第一对比结果。
S306,根据第一对比结果确定上述目标分割图像中是否存在感兴趣区域。
具体的,计算机设备在将高度比值与预设的第一阈值进行对比,或者将体素比值与预设的第一阈值进行对比之后,在一种可能的实施方式中,当第一对比结果为连通域数量和体素数量的比值大于预设的第一阈值时,即当高度比值大于预设的第一阈值,或者,体素比值大于预设的第一阈值时,那么计算机设备就可以确定目标分割图像中不存在感兴趣区域;在另一种可能的实施方式中,当第一对比结果为连通域数量和体素数量的比值不大于预设的第一阈值时,即当高度比值不大于预设的第一阈值,或者,体素比值不大于预设的第一阈值时,那么计算机设备就可以执行下一步判断操作。
本实施例提供的图像检测方法,首先获取目标分割图像中的连通域数量和目标分割图像的体素数量,接着将连通域数量和体素数量的比值与预设的第一阈值进行对比,得到第一对比结果,最后根据第一对比结果确定目标分割图像中是否存在感兴趣区域。在本实施例中,由于判断操作利用的连通域数量、目标分割图像的体素数量均是与目标分割图像中的感兴趣区域相关的,因此,该方法在对目标分割图像中是否存在感兴趣区域进行判断时,可以把大部分明显错误的目标分割图像剔除出去,即把大部分明显不存在感兴趣区域的目标分割图像剔除出去,同时,利用连通域数量和体素数量的比值进行判断,其得到的判断结果更准确。
在另一个实施例中,提供了另一种图像检测方法,本实施例涉及的是计算机设备如何根据上述第一对比结果确定目标分割图像中是否存在感兴趣区域的一种可能的实施方式,在上述实施例的基础上,如图4所示,上述S306可以包括以下步骤:
S402,当第一对比结果为连通域数量和体素数量的比值不大于预设的第一阈值时,则获取目标分割图像中最大体积连通域内的体素数量和目标分割图像的全部连通域内的总体素数量。
具体的,在上述S306中,如果高度比值不大于预设的第一阈值,或者,体素比值不大于预设的第一阈值,那么,计算机设备可以将各个连通域的体积和体素数量都统计出来,然后将各个连通域的体积进行排序,如果从大到小排序,则将第一个连通域体积作为最大体积连通域,其对应的体素数量则为最大体积连通域内的体素数量,如果从小到大排序,则将最后一个连通域体积作为最大体积连通域,其对应的体素数量则为最大体积连通域内的体素数量。另外,计算机设备可以将上面所有连通域的体素数量作和,就可以得到目标分割图像的全部连通域内的总体素数量。
S404,将上述最大体积连通域内的体素数量和上述总体素数量的比值与预设的第二阈值进行对比,得到第二对比结果。
其中,预设的第二阈值可以根据实际情况而定,可以是大于1的整数值或者小数值,也可以是小于1的值。预设的第二阈值可以和上面预设的第一阈值的大小相同,也可以不相同。
具体的,计算机设备在得到最大体积连通域内的体素数量和总体素数量之后,可以将最大体积连通域内的体素数量和总体素数量做比值,记为总体素比值,然后将总体素比值和预设的第二阈值进行对比,对比结果记为第二对比结果。
S406,根据第二对比结果确定上述目标分割图像中是否存在感兴趣区域。
具体的,计算机设备在将总体素比值和预设的第二阈值进行对比之后,在一种可能的实施方式中,当第二对比结果为最大体积连通域内的体素数量和总体素数量的比值不大于预设的第二阈值时,即总体素比值不大于预设的第二阈值时,则计算机设备就可以确定目标分割图像中不存在感兴趣区域;在另一种可能的实施方式中,当第二对比结果为最大体积连通域内的体素数量和总体素数量的比值大于预设的第二阈值时,那么计算机设备就可以执行下一步判断操作。
本实施例提供的图像检测方法,当第一对比结果为连通域数量和体素数量的比值不大于预设的第一阈值时,则获取目标分割图像中最大体积连通域内的体素数量和目标分割图像的全部连通域内的总体素数量,之后将最大体积连通域内的体素数量和总体素数量的比值与预设的第二阈值进行对比,得到第二对比结果,最后根据第二对比结果确定目标分割图像中是否存在感兴趣区域。在本实施例中,由于在对目标分割图像进行第一级判断操作之后,还进行了第二级判断操作,而第二级判断操作是利用最大体积连通域内的体素数量和全部连通域内的总体素数量进行的,这样就可以把目标分割图像中存在部分感兴趣区域的图像,且该部分感兴趣区域非常小的情况下对应的图像剔除出去,因此,利用该方法得到的确定结果相比一级判断操作,结果会更加准确,也就是该方法得到的感兴趣区域会更加准确。
在另一个实施例中,提供了另一种图像检测方法,本实施例涉及的是计算机设备如何根据上述第二对比结果确定目标分割图像中是否存在感兴趣区域的一种可能的实施方式,在上述实施例的基础上,如图5所示,上述S406可以包括以下步骤:
S502,当第二对比结果为最大体积连通域内的体素数量和总体素数量的比值大于预设的第二阈值时,则将最大体积连通域内的体素数量与预设的阈值范围进行对比,得到第三对比结果。
其中,预设的阈值范围可以根据实际情况而定,阈值范围两端的阈值可以是整数,也可以是小数,本实施例对此不作具体限定。
需要说明的是,在本实施例中,当第二对比结果为最大体积连通域内的体素数量和总体素数量的比值大于预设的第二阈值时,即计算机设备可以暂时确定目标分割图像中存在感兴趣区域时,计算机设备在S502步骤之前,可以先判断待检测对象是成人还是小孩,如果是成人,那么在一种可能的实施方式中,当第二对比结果为最大体积连通域内的体素数量和总体素数量的比值大于预设的第二阈值,那么计算机设备就可以直接确定该成人的医学图像中包括感兴趣区域,则计算机设备可以不进行第三级判断操作,直接调用门控技术进行去伪影;如果上述待检测对象是小孩,那么在一种可能的实施方式中,计算机设备可以继续执行S502-S504的步骤。
具体的,在上述S406中,如果最大体积连通域内的体素数量和总体素数量的比值大于预设的第二阈值,那么计算机设备可以暂时确定目标分割图像中存在感兴趣区域,然后计算机设备可以继续进行第三级判断操作。计算机设备可以将上面S402中得到的最大体积连通域内的体素数量与预设的阈值范围进行对比,并将对比结果记为第三对比结果。
S504,根据第三对比结果确定目标分割图像中是否存在感兴趣区域。
具体的,计算机设备在将最大体积连通域内的体素数量与预设的阈值范围进行对比之后,可选的,当第三对比结果为最大体积连通域内的体素数量未超出预设的阈值范围时,则确定目标分割图像中存在感兴趣区域;或者,当第三对比结果为最大体积连通域内的体素数量超出预设的阈值范围时,则确定目标分割图像中不存在感兴趣区域。
需要说明的是,本步骤中的第三级判断操作主要是针对一二级判断操作中漏检的一些极端情况,例如,感兴趣区域为心脏区域,小孩的头部图像在一二级判断时,可以能会误检为有心脏区域,显然该头部图像中是不存在心脏区域的,那么在经过第三级判断操作之后,就可以将该小孩的头部图像剔除出去。
另外,一般在三级判断操作之后,还可以继续进行四级判断操作、五级判断操作等等,得到的判断结果理论上应该也是更准确的,但是由于对目标分割图像进行了三级判断操作之后,所得到的判断结果已经能够满足要求了,所以一般情况下不需要再进行四级判断操作等。
本实施例提供的图像检测方法,当第二对比结果为最大体积连通域内的体素数量和总体素数量的比值大于预设的第二阈值时,则将最大体积连通域内的体素数量与预设的阈值范围进行对比,得到第三对比结果,并根据第三对比结果确定目标分割图像中是否存在感兴趣区域。由于该方法在对目标分割图像进行了两级判断操作之后,还继续进行了第三级判断操作,所以该方法可以将第一级判断操作和第二级判断操作中漏检的一些不存在感兴趣区域的图像剔除出去,相比于一级判断操作和二级判断操作,该方法可以使确定出的目标分割图像中的感兴趣区域的准确性更高。
在另一个实施例中,提供了另一种图像检测方法,本实施例涉及的是计算机设备如何将样本医学图像作为初始分割模型的输入,将样本医学图像的预测感兴趣区域作为初始分割模型的输出,对初始分割模型进行训练,得到分割模型的具体过程。在上述实施例的基础上,如图6所示,该方法还可以包括以下步骤:
S602,将样本医学图像输入初始分割模型,得到预测感兴趣区域;其中,上述样本医学图像中包括原始医学图像和已标记感兴趣区域的医学图像。
其中,计算机设备在获取到样本医学图像之后,可选的,计算机设备可以对各个样本医学图像进行预处理,将各个样本医学图像的尺寸调整成统一尺寸,例如128*128*320像素大小,同时,计算机设备也可以将各个样本医学图像每个像素的实际尺寸设置为相同的值,以及也可以将各个样本医学图像的原始坐标等设置为相同的值。另外,样本医学图像的数量可以根据实际情况而定,本实施例对此不作具体限定。
具体的,计算机设备在将各个样本医学图像进行预处理之后,可以将预处理后的样本医学图像输入至初始分割模型,通过该分割模型,就可以输出每个样本医学图像上的预测感兴趣区域,这样计算机设备就可以得到每个样本医学图像对应的预测感兴趣区域。
S604,根据上述预测感兴趣区域与已标记感兴趣区域,计算上述预测感兴趣区域与上述已标记感兴趣区域之间的相似值,将1与上述相似值的差值作为损失函数的值。
具体的,计算机设备在得到每个原始图像的预测感兴趣区域之后,可以对每个原始图像的预测感兴趣区域和其对应的已标记感兴趣区域进行计算,得到每个原始图像的预测感兴趣区域和其对应的已标记感兴趣区域之间的损失,该损失可以记为相似值,可选的,该相似值可以是预测感兴趣区域和已标记感兴趣区域之间的戴斯值(戴斯值即Dice值)、误差、方差、范数等,本实施例中采用的是Dice值,在计算得到相似值之后,可以将1与该相似值做差值,并将该差值作为损失函数的值。
需要说明的是,本实施例中采用1与Dice值做差值,是为了在对前景比较小的图像进行分割时,得到的分割结果比较准确。
S606,根据上述损失函数的值对上述初始分割网络进行模型训练,得到分割模型。
具体的,计算机设备在得到损失函数的值之后,可以根据损失函数的梯度值或者直接根据损失函数的值,对初始分割模型进行训练,可选的,可以是将损失函数的值或者损失函数的梯度值补偿给初始分割模型,以对初始分割模型进行训练;可选的,当损失函数的值大于预设损失函数阈值时,则可以确定分割模型已经训练好,否则,确定分割模型还需要继续进行训练,直至损失函数的值最终满足要求,此时的分割模型为最后的分割模型。
本实施例提供的图像检测方法,首先将样本医学图像输入初始分割模型,得到预测感兴趣区域,其中,上述样本医学图像中包括原始医学图像和已标记感兴趣区域的医学图像,接着根据预测感兴趣区域与已标记感兴趣区域,计算预测感兴趣区域与已标记感兴趣区域之间的相似值,将1与相似值的差值作为损失函数的值,最后根据损失函数的值对初始分割网络进行模型训练,得到分割模型。在本实施例中,由于最终得到的分割模型是利用1与预测感兴趣区域和已标记感兴趣区域之间的相似值做差值,并利用该差值对分割模型进行训练得到的,因此在利用该分割模型对前景比较小的图像进行分割时,得到的分割结果相对会比较准确。
为了便于理解本申请的方案,以下通过一个详细的实施例对本申请实施例的方法进行详细说明,如图7所示,该方法可以包括:
S701,采用分割模型对待检测对象的医学图像进行图像分割,确定目标分割图像。
S702,获取目标分割图像中的连通域数量和目标分割图像的体素数量。
S703,判断连通域数量和体素数量的比值是否大于预设的第一阈值,若是,则执行S701,若否,则执行S704。
S704,获取目标分割图像中最大体积连通域内的体素数量和目标分割图像的全部连通域内的总体素数量。
S705,判断最大体积连通域内的体素数量和总体素数量的比值是否大于预设的第二阈值,若是,则执行S706,若否,则执行S701。
S706,判断最大体积连通域内的体素数量是否超出预设的阈值范围,若是,则执行S701,若否,则执行S707。
S707,确定目标分割图像中存在感兴趣区域,并对医学图像执行门控操作。
应该理解的是,虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-7中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种图像检测装置,包括:分割模块10、判断模块11和执行模块12,其中:
分割模块10,用于采用分割模型对待检测对象的医学图像进行图像分割,确定目标分割图像;
判断模块11,用于判断上述目标分割图像中是否存在感兴趣区域;
执行模块12,用于若存在,则对上述医学图像执行门控操作。
本实施例提供的图像检测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在另一个实施例中,上述判断模块11可以包括判断单元,该判断单元用于采用预设的级联判断操作,判断目标分割图像中是否存在感兴趣区域;其中,上述级联判断操作包括至少一个与目标分割图像的连通域的属性相关的阈值判断操作。
在另一个实施例中,上述判断单元可以包括:获取子单元、对比子单元、确定子单元,其中:
获取子单元,用于获取目标分割图像中的连通域数量和目标分割图像的体素数量;
对比子单元,用于将上述连通域数量和上述体素数量的比值与预设的第一阈值进行对比,得到第一对比结果;
确定单元,用于根据第一对比结果确定上述目标分割图像中是否存在感兴趣区域。
在另一个实施例中,上述确定子单元还用于当第一对比结果为连通域数量和体素数量的比值不大于预设的第一阈值时,则获取目标分割图像中最大体积连通域内的体素数量和目标分割图像的全部连通域内的总体素数量;将上述最大体积连通域内的体素数量和上述总体素数量的比值与预设的第二阈值进行对比,得到第二对比结果;根据第二对比结果确定上述目标分割图像中是否存在感兴趣区域。
在另一个实施例中,上述确定子单元还用于当第二对比结果为最大体积连通域内的体素数量和总体素数量的比值大于预设的第二阈值时,则将上述最大体积连通域内的体素数量与预设的阈值范围进行对比,得到第三对比结果;根据第三对比结果确定上述目标分割图像中是否存在感兴趣区域。
在另一个实施例中,上述确定子单元还用于当第三对比结果为最大体积连通域内的体素数量未超出预设的阈值范围时,则确定目标分割图像中存在感兴趣区域;或者,当第三对比结果为最大体积连通域内的体素数量超出预设的阈值范围时,则确定目标分割图像中不存在感兴趣区域。
可选的,上述确定子单元还用于当第一对比结果为连通域数量和体素数量的比值大于预设的第一阈值时,则确定目标分割图像中不存在感兴趣区域。
可选的,上述确定子单元还用于当第二对比结果为最大体积连通域内的体素数量和总体素数量的比值不大于预设的第二阈值时,则确定目标分割图像中不存在感兴趣区域。
在另一个实施例中,如图9所示,提供了另一种图像检测装置,该装置还可以包括:训练模块13,其中:训练模块13用于将样本医学图像输入初始分割模型,得到预测感兴趣区域;其中,上述样本医学图像中包括原始医学图像和已标记感兴趣区域的医学图像;根据上述预测感兴趣区域与已标记感兴趣区域,计算上述预测感兴趣区域与上述已标记感兴趣区域之间的相似值,将1与上述相似值的差值作为损失函数的值;根据上述损失函数的值对上述初始分割网络进行模型训练,得到分割模型。
本实施例提供的图像检测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
采用分割模型对待检测对象的医学图像进行图像分割,确定目标分割图像;
判断上述目标分割图像中是否存在感兴趣区域;
若存在,则对上述医学图像执行门控操作。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用预设的级联判断操作,判断目标分割图像中是否存在感兴趣区域;其中,上述级联判断操作包括至少一个与目标分割图像的连通域的属性相关的阈值判断操作。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取目标分割图像中的连通域数量和目标分割图像的体素数量;
将上述连通域数量和上述体素数量的比值与预设的第一阈值进行对比,得到第一对比结果;
根据第一对比结果确定上述目标分割图像中是否存在感兴趣区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当第一对比结果为连通域数量和体素数量的比值不大于预设的第一阈值时,则获取目标分割图像中最大体积连通域内的体素数量和目标分割图像的全部连通域内的总体素数量;
将上述最大体积连通域内的体素数量和上述总体素数量的比值与预设的第二阈值进行对比,得到第二对比结果;
根据第二对比结果确定上述目标分割图像中是否存在感兴趣区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当第二对比结果为最大体积连通域内的体素数量和总体素数量的比值大于预设的第二阈值时,则将上述最大体积连通域内的体素数量与预设的阈值范围进行对比,得到第三对比结果;
根据第三对比结果确定上述目标分割图像中是否存在感兴趣区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当第三对比结果为最大体积连通域内的体素数量未超出预设的阈值范围时,则确定目标分割图像中存在感兴趣区域;或者,当第三对比结果为最大体积连通域内的体素数量超出预设的阈值范围时,则确定目标分割图像中不存在感兴趣区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当第一对比结果为连通域数量和体素数量的比值大于预设的第一阈值时,则确定目标分割图像中不存在感兴趣区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当第二对比结果为最大体积连通域内的体素数量和总体素数量的比值不大于预设的第二阈值时,则确定目标分割图像中不存在感兴趣区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将样本医学图像输入初始分割模型,得到预测感兴趣区域;其中,上述样本医学图像中包括原始医学图像和已标记感兴趣区域的医学图像;
根据上述预测感兴趣区域与已标记感兴趣区域,计算上述预测感兴趣区域与上述已标记感兴趣区域之间的相似值,将1与上述相似值的差值作为损失函数的值;
根据上述损失函数的值对上述初始分割网络进行模型训练,得到分割模型。
在一个实施例中,提供了一种可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
采用分割模型对待检测对象的医学图像进行图像分割,确定目标分割图像;
判断上述目标分割图像中是否存在感兴趣区域;
若存在,则对上述医学图像执行门控操作。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用预设的级联判断操作,判断目标分割图像中是否存在感兴趣区域;其中,上述级联判断操作包括至少一个与目标分割图像的连通域的属性相关的阈值判断操作。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取目标分割图像中的连通域数量和目标分割图像的体素数量;
将上述连通域数量和上述体素数量的比值与预设的第一阈值进行对比,得到第一对比结果;
根据第一对比结果确定上述目标分割图像中是否存在感兴趣区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当第一对比结果为连通域数量和体素数量的比值不大于预设的第一阈值时,则获取目标分割图像中最大体积连通域内的体素数量和目标分割图像的全部连通域内的总体素数量;
将上述最大体积连通域内的体素数量和上述总体素数量的比值与预设的第二阈值进行对比,得到第二对比结果;
根据第二对比结果确定上述目标分割图像中是否存在感兴趣区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当第二对比结果为最大体积连通域内的体素数量和总体素数量的比值大于预设的第二阈值时,则将上述最大体积连通域内的体素数量与预设的阈值范围进行对比,得到第三对比结果;
根据第三对比结果确定上述目标分割图像中是否存在感兴趣区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当第三对比结果为最大体积连通域内的体素数量未超出预设的阈值范围时,则确定目标分割图像中存在感兴趣区域;或者,当第三对比结果为最大体积连通域内的体素数量超出预设的阈值范围时,则确定目标分割图像中不存在感兴趣区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当第一对比结果为连通域数量和体素数量的比值大于预设的第一阈值时,则确定目标分割图像中不存在感兴趣区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当第二对比结果为最大体积连通域内的体素数量和总体素数量的比值不大于预设的第二阈值时,则确定目标分割图像中不存在感兴趣区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将样本医学图像输入初始分割模型,得到预测感兴趣区域;其中,上述样本医学图像中包括原始医学图像和已标记感兴趣区域的医学图像;
根据上述预测感兴趣区域与已标记感兴趣区域,计算上述预测感兴趣区域与上述已标记感兴趣区域之间的相似值,将1与上述相似值的差值作为损失函数的值;
根据上述损失函数的值对上述初始分割网络进行模型训练,得到分割模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像检测方法,其特征在于,所述方法包括:
采用分割模型对待检测对象的医学图像进行图像分割,确定目标分割图像;
判断所述目标分割图像中是否存在感兴趣区域;
若存在,则对所述医学图像执行门控操作。
2.根据权利要求1所述的方法,其特征在于,所述判断所述目标分割图像中是否存在感兴趣区域,包括:
采用预设的级联判断操作,判断所述目标分割图像中是否存在感兴趣区域;其中,所述级联判断操作包括至少一个与目标分割图像的连通域的属性相关的阈值判断操作。
3.根据权利要求2所述的方法,其特征在于,所述采用预设的级联判断操作,判断所述目标分割图像中是否存在感兴趣区域,包括:
获取所述目标分割图像中的连通域数量和所述目标分割图像的体素数量;
将所述连通域数量和所述体素数量的比值与预设的第一阈值进行对比,得到第一对比结果;
根据第一对比结果确定所述目标分割图像中是否存在感兴趣区域。
4.根据权利要求3所述的方法,其特征在于,所述根据第一对比结果确定所述目标分割图像中是否存在感兴趣区域,包括:
当第一对比结果为所述连通域数量和所述体素数量的比值不大于预设的第一阈值时,则获取所述目标分割图像中最大体积连通域内的体素数量和所述目标分割图像的全部连通域内的总体素数量;
将所述最大体积连通域内的体素数量和所述总体素数量的比值与预设的第二阈值进行对比,得到第二对比结果;
根据第二对比结果确定所述目标分割图像中是否存在感兴趣区域。
5.根据权利要求4所述的方法,其特征在于,所述根据第二对比结果确定所述目标分割图像中是否存在感兴趣区域,包括:
当第二对比结果为所述最大体积连通域内的体素数量和所述总体素数量的比值大于预设的第二阈值时,则将所述最大体积连通域内的体素数量与预设的阈值范围进行对比,得到第三对比结果;
根据第三对比结果确定所述目标分割图像中是否存在感兴趣区域。
6.根据权利要求5所述的方法,其特征在于,所述根据第三对比结果确定所述目标分割图像中是否存在感兴趣区域,包括:
当第三对比结果为所述最大体积连通域内的体素数量未超出预设的阈值范围时,则确定所述目标分割图像中存在感兴趣区域;
或者,当第三对比结果为所述最大体积连通域内的体素数量超出预设的阈值范围时,则确定所述目标分割图像中不存在感兴趣区域。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将样本医学图像输入初始分割模型,得到预测感兴趣区域;其中,所述样本医学图像中包括原始医学图像和已标记感兴趣区域的医学图像;
根据所述预测感兴趣区域与已标记感兴趣区域,计算所述预测感兴趣区域与所述已标记感兴趣区域之间的相似值,将1与所述相似值的差值作为损失函数的值;
根据所述损失函数的值对所述初始分割网络进行模型训练,得到所述分割模型。
8.一种图像检测装置,其特征在于,所述装置包括:
分割模块,用于采用分割模型对待检测对象的医学图像进行图像分割,确定目标分割图像;
判断模块,用于判断所述目标分割图像中是否存在感兴趣区域;
执行模块,用于若存在,则对所述医学图像执行门控操作。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910611001.2A CN110400626B (zh) | 2019-07-08 | 2019-07-08 | 图像检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910611001.2A CN110400626B (zh) | 2019-07-08 | 2019-07-08 | 图像检测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110400626A true CN110400626A (zh) | 2019-11-01 |
CN110400626B CN110400626B (zh) | 2023-03-24 |
Family
ID=68322854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910611001.2A Active CN110400626B (zh) | 2019-07-08 | 2019-07-08 | 图像检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110400626B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462111A (zh) * | 2020-04-21 | 2020-07-28 | 上海联影医疗科技有限公司 | Pet系统的均匀性检测方法、装置和计算机设备 |
CN111882559A (zh) * | 2020-01-20 | 2020-11-03 | 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 |
CN113139950A (zh) * | 2021-05-08 | 2021-07-20 | 佳都科技集团股份有限公司 | 一种目标对象识别的方法及装置 |
CN113362345A (zh) * | 2021-06-30 | 2021-09-07 | 武汉中科医疗科技工业技术研究院有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
WO2021244123A1 (en) * | 2020-06-05 | 2021-12-09 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | A system and method of creating real-time intelligent media |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006042322A1 (en) * | 2004-10-12 | 2006-04-20 | Siemens Medical Solutions Usa, Inc. | A toboggan-based method for automatic detection and segmentation of objects in image data |
US20100088644A1 (en) * | 2008-09-05 | 2010-04-08 | Nicholas Delanie Hirst Dowson | Method and apparatus for identifying regions of interest in a medical image |
US20110026797A1 (en) * | 2009-07-31 | 2011-02-03 | Jerome Declerck | Methods of analyzing a selected region of interest in medical image data |
US20110103663A1 (en) * | 2009-11-03 | 2011-05-05 | Mckesson Financial Holdings Limited | Apparatus, method and computer-readable storage mediums for detecting a region of interest in a medical image |
CN102324109A (zh) * | 2011-09-26 | 2012-01-18 | 上海理工大学 | 基于模糊隶属度模型的非实质性肺结节三维分割方法 |
CN102871686A (zh) * | 2012-03-05 | 2013-01-16 | 杭州弘恩医疗科技有限公司 | 基于3d医学影像测定生理参数的装置和方法 |
CN104899851A (zh) * | 2014-03-03 | 2015-09-09 | 天津医科大学 | 一种分割肺结节图像的方法 |
CN105139454A (zh) * | 2015-08-06 | 2015-12-09 | 北京工业大学 | 一种三维ct图像中肝脏三维感兴趣区域的自动提取方法 |
CN105976367A (zh) * | 2016-04-29 | 2016-09-28 | 上海联影医疗科技有限公司 | 图像分割方法、肺结节检测方法及其计算机辅助检测系统 |
US20170091935A1 (en) * | 2014-05-14 | 2017-03-30 | Universidad De Los Andes | Method for the Automatic Segmentation and Quantification of Body Tissues |
CN107292889A (zh) * | 2017-06-14 | 2017-10-24 | 上海联影医疗科技有限公司 | 一种肿瘤分割的方法、系统和可读介质 |
CN107527341A (zh) * | 2017-08-30 | 2017-12-29 | 上海联影医疗科技有限公司 | 血管造影图像的处理方法和系统 |
CN107563998A (zh) * | 2017-08-30 | 2018-01-09 | 上海联影医疗科技有限公司 | 医学图像中心脏图像处理方法 |
CN107730498A (zh) * | 2017-10-30 | 2018-02-23 | 天津理工大学 | 新型宫颈细胞核分割算法 |
CN109410185A (zh) * | 2018-10-10 | 2019-03-01 | 腾讯科技(深圳)有限公司 | 一种图像分割方法、装置和存储介质 |
CN109584223A (zh) * | 2018-11-20 | 2019-04-05 | 北京中科研究院 | Ct图像中肺部血管分割方法 |
CN109754394A (zh) * | 2018-12-28 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 三维医学图像处理装置及方法 |
-
2019
- 2019-07-08 CN CN201910611001.2A patent/CN110400626B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006042322A1 (en) * | 2004-10-12 | 2006-04-20 | Siemens Medical Solutions Usa, Inc. | A toboggan-based method for automatic detection and segmentation of objects in image data |
US20100088644A1 (en) * | 2008-09-05 | 2010-04-08 | Nicholas Delanie Hirst Dowson | Method and apparatus for identifying regions of interest in a medical image |
US20110026797A1 (en) * | 2009-07-31 | 2011-02-03 | Jerome Declerck | Methods of analyzing a selected region of interest in medical image data |
US20110103663A1 (en) * | 2009-11-03 | 2011-05-05 | Mckesson Financial Holdings Limited | Apparatus, method and computer-readable storage mediums for detecting a region of interest in a medical image |
CN102324109A (zh) * | 2011-09-26 | 2012-01-18 | 上海理工大学 | 基于模糊隶属度模型的非实质性肺结节三维分割方法 |
CN102871686A (zh) * | 2012-03-05 | 2013-01-16 | 杭州弘恩医疗科技有限公司 | 基于3d医学影像测定生理参数的装置和方法 |
CN104899851A (zh) * | 2014-03-03 | 2015-09-09 | 天津医科大学 | 一种分割肺结节图像的方法 |
US20170091935A1 (en) * | 2014-05-14 | 2017-03-30 | Universidad De Los Andes | Method for the Automatic Segmentation and Quantification of Body Tissues |
CN105139454A (zh) * | 2015-08-06 | 2015-12-09 | 北京工业大学 | 一种三维ct图像中肝脏三维感兴趣区域的自动提取方法 |
CN105976367A (zh) * | 2016-04-29 | 2016-09-28 | 上海联影医疗科技有限公司 | 图像分割方法、肺结节检测方法及其计算机辅助检测系统 |
CN107292889A (zh) * | 2017-06-14 | 2017-10-24 | 上海联影医疗科技有限公司 | 一种肿瘤分割的方法、系统和可读介质 |
CN107527341A (zh) * | 2017-08-30 | 2017-12-29 | 上海联影医疗科技有限公司 | 血管造影图像的处理方法和系统 |
CN107563998A (zh) * | 2017-08-30 | 2018-01-09 | 上海联影医疗科技有限公司 | 医学图像中心脏图像处理方法 |
CN107730498A (zh) * | 2017-10-30 | 2018-02-23 | 天津理工大学 | 新型宫颈细胞核分割算法 |
CN109410185A (zh) * | 2018-10-10 | 2019-03-01 | 腾讯科技(深圳)有限公司 | 一种图像分割方法、装置和存储介质 |
CN109584223A (zh) * | 2018-11-20 | 2019-04-05 | 北京中科研究院 | Ct图像中肺部血管分割方法 |
CN109754394A (zh) * | 2018-12-28 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 三维医学图像处理装置及方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882559A (zh) * | 2020-01-20 | 2020-11-03 | 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 |
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 |
CN111462111A (zh) * | 2020-04-21 | 2020-07-28 | 上海联影医疗科技有限公司 | Pet系统的均匀性检测方法、装置和计算机设备 |
CN111462111B (zh) * | 2020-04-21 | 2023-11-24 | 上海联影医疗科技股份有限公司 | Pet系统的均匀性检测方法、装置和计算机设备 |
WO2021244123A1 (en) * | 2020-06-05 | 2021-12-09 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | A system and method of creating real-time intelligent media |
CN113139950A (zh) * | 2021-05-08 | 2021-07-20 | 佳都科技集团股份有限公司 | 一种目标对象识别的方法及装置 |
CN113139950B (zh) * | 2021-05-08 | 2024-04-16 | 佳都科技集团股份有限公司 | 一种目标对象识别的方法及装置 |
CN113362345A (zh) * | 2021-06-30 | 2021-09-07 | 武汉中科医疗科技工业技术研究院有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110400626B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400626A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
Li et al. | Magnetic resonance image (MRI) synthesis from brain computed tomography (CT) images based on deep learning methods for magnetic resonance (MR)-guided radiotherapy | |
CN111709953B (zh) | Ct影像的肺叶段分割中的输出方法、装置 | |
Salem et al. | Multiple sclerosis lesion synthesis in MRI using an encoder-decoder U-NET | |
US10997466B2 (en) | Method and system for image segmentation and identification | |
US20210374911A1 (en) | Learning method, learning system, learned model, program, and super resolution image generating device | |
Kalra | Developing fe human models from medical images | |
CN109754447A (zh) | 图像生成方法、装置、设备和存储介质 | |
CN109978037A (zh) | 图像处理方法、模型训练方法、装置、和存储介质 | |
CN111179372B (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
EP3828818A1 (en) | Method and system for identifying pathological changes in follow-up medical images | |
CN111462020A (zh) | 心脏图像的运动伪影校正方法、系统、存储介质和设备 | |
CN111080584A (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
KR102450931B1 (ko) | 이미지 정합 방법 및 연관된 모델 훈련 방법, 기기, 장치 | |
CN110415792A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN110619635B (zh) | 基于深度学习的肝细胞癌磁共振图像分割系统和方法 | |
CN110858399A (zh) | 用于提供虚拟断层扫描中风后续检测图像的方法和装置 | |
CN110570483A (zh) | 扫描方法、装置、计算机设备和存储介质 | |
CN110415310A (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
CN110473171A (zh) | 脑龄检测方法、计算机设备和存储介质 | |
CN110210519A (zh) | 分类方法、计算机设备和存储介质 | |
CN110244249A (zh) | 磁共振扫描方法、装置、医学扫描设备和存储介质 | |
CN113780519A (zh) | 生成对抗网络训练方法、装置、计算机设备和存储介质 | |
AU2020223750B2 (en) | Method and System for Image Annotation | |
CN111862259B (zh) | 医学灌注图像处理方法和医学成像设备 |
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 |