CN110473172A - 医学图像解剖中线确定方法、计算机设备和存储介质 - Google Patents

医学图像解剖中线确定方法、计算机设备和存储介质 Download PDF

Info

Publication number
CN110473172A
CN110473172A CN201910672556.8A CN201910672556A CN110473172A CN 110473172 A CN110473172 A CN 110473172A CN 201910672556 A CN201910672556 A CN 201910672556A CN 110473172 A CN110473172 A CN 110473172A
Authority
CN
China
Prior art keywords
characteristic pattern
feature
image
medical image
fusion feature
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
CN201910672556.8A
Other languages
English (en)
Other versions
CN110473172B (zh
Inventor
魏浩
石峰
周翔
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.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare 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 Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN201910672556.8A priority Critical patent/CN110473172B/zh
Publication of CN110473172A publication Critical patent/CN110473172A/zh
Application granted granted Critical
Publication of CN110473172B publication Critical patent/CN110473172B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种医学图像解剖中线确定方法、计算机设备和存储介质。所述方法包括：获取医学图像，所述医学图像中包括可识别出中线的解剖结构；利用预设的神经网络对医学图像进行分析，确定解剖结构的解剖中线；神经网络根据已标注解剖中线的标注图像训练所得。采用本方法能够提高准确性。

Description

医学图像解剖中线确定方法、计算机设备和存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种医学图像解剖中线确定方法、计算机设备和存储介质。
背景技术
解剖作为汉语词语是指对事物作深入的分析研究，在医学领域，解剖则是指用特制的工具把人体或者物体进行剖开。为了降低目标解剖结构的损害程度，尤其是具有对称性的解剖结构，通常需要在解剖前确定解剖中线。传统的解剖中线依靠人工经验所确定，虽然由人工经验确定的解剖中线能够适用于大部分人体或者物体。然而由于个体之间的差异是客观存在的，不同人体或者物体中的器官结构和分布还是存在一定差别的，从而导致人工确定的解剖中线的准确率有所下降。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高准确率的医学图像解剖中线确定方法、计算机设备和存储介质。
一种医学图像解剖中线确定方法，所述方法包括：
获取医学图像，所述医学图像中包括可识别出中线的解剖结构；
利用预设的神经网络对所述医学图像进行分析，确定所述解剖结构的解剖中线；所述神经网络根据已标注解剖中线的标注图像训练所得。
在其中一个实施例中，所述利用预设的神经网络对所述医学图像进行识别，确定所述解剖结构的解剖中线的步骤，包括：
利用预设的神经网络的多个层对所述医学图像进行特征提取，得到多个对应的特征图；
基于各所述特征图进行特征融合，得到每个特征图对应的融合特征图；
根据各所述融合特征图确定所述解剖结构的解剖中线。
在其中一个实施例中，所述基于各所述特征图进行特征融合，得到每个特征图对应的融合特征图的步骤，包括：
基于各所述具有不同分辨率的特征图分别进行不同方式的特征融合，得到第一融合特征图和第二融合特征图，并根据所述第一融合特征图和所述第二融合特征图合并得到每个特征图对应的融合特征图。
在其中一个实施例中，基于各所述特征图的分辨率进行特征融合，得到第一融合特征图和第二融合特征图，并根据所述第一融合特征图和第二融合特征图合并得到每个特征图对应的融合特征图的步骤，包括：
基于各所述特征图的分辨率，从高到低依次进行特征相加，得到各所述特征图对应的第一融合特征图；
基于各所述特征图的分辨率，从低到高依次进行特征相加，得到各所述特征图对应的第二融合特征图；
将各所述特征图对应的所述第一融合特征图和所述第二融合特征图进行特征合并，得到所述特征图对应的融合特征图。
在其中一个实施例中，所述医学图像为脑部医学图像，所述解剖结构为脑结构。
在其中一个实施例中，所述神经网络的训练过程，包括：
获取训练医学图像以及所述训练医学图像对应的已标注解剖中线的标注图像；
对所述训练医学图像和所述标注图像进行预处理和数据增强，得到目标训练图像；
基于所述目标训练图像和预设损失函数对预设的神经网络进行训练，得到训练后的神经网络。
在其中一个实施例中，所述对所述训练医学图像和所述标注图像进行预处理和数据增强，得到目标训练图像的步骤包括：
对所述训练医学图像和所述标注图像的进行尺寸调整，得到尺寸一致的训练医学图像和标注图像；
根据所述尺寸一致的训练医学图像和标注图像进行数据增强，得到目标训练图像。
在其中一个实施例中，所述根据所述尺寸一致的训练医学图像和标注图像进行数据增强，得到目标训练图像的步骤之后，还包括：
将所述目标训练图像进行标准化处理得到标准化图像，将所述标准化图像作为新的目标训练图像。
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上述任一项所述的医学图像解剖中线确定方法。
一种计算机可读存储介质，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医学图像解剖中线确定方法。
上述医学图像解剖中线确定方法、计算机设备和存储介质，获取包括可识别中线的解剖结构的医学图像后，利用预先根据已标注解剖中线的标注图像训练好的神经网络对医学图像进行识别，确定解剖结构的解剖中线。利用神经网络能够获取到解剖结构的局部分布特征，基于局部分布特征得到解剖结构的解剖中线，从而提升解剖中线确定的准确率。
附图说明
图1为一个实施例中医学图像解剖中线确定方法的应用环境图；
图2为一个实施例中医学图像解剖中线确定方法的流程示意图；
图3为一个实施例中利用预设的神经网络对医学图像进行识别，确定解剖结构的解剖中线步骤的流程示意图；
图4为一个实施例中基于各特征图进行特征融合，得到每个特征图对应的融合特征图步骤的流程示意图；
图5为一个实施例中神经网络的结构示意图；
图6为一个实施例中医学图像解剖中线确定装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
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。
本申请提供的医学图像解剖中线方法，可以应用于如图1所示的应用环境中。其中，医学扫描设备102通过网络与计算机设备104进行通信。计算机设备104获取医学扫描设备102扫描得到的医学图像，医学图像中包括可识别出中线的解剖结构。计算机设备104利用预设的神经网络对医学图像进行分析，确定解剖结构的解剖中线；神经网络根据已标注解剖中线的标注图像训练所得。其中，医学扫描设备102包括但不限于是MRI(核磁共振成像)设备、PET(正电子发射计算机断层显像)设备等，PET/CT(正电子发射断层成像-计算机断层成像系统)设备、PET/MRI(正电子发射断层成像-磁共振成像系统)设备等。计算机设备104可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，或者，计算机设备104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种医学图像解剖中线确定方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
步骤S202，获取医学图像，所述医学图像中包括可识别出中线的解剖结构。
其中，医学图像是指包含了需要确定解剖中线的解剖结构的图像，医学图像包括但不限于是医学扫描设备对被扫描物体进行扫描得到的。医学扫描设备扫描后，根据实际需求可以实时或定期发送给计算机设备。
具体地，当计算机设备接收到识别解剖中线指令后，获取识别解剖中线指令对应的医学图像。其中，解剖中线指令可以是医学扫描设备发送给计算机设备，也可以是用户通过操作其他终端向计算机设备发送的。可以理解，医学图像为人体组织结构中任意部位或者器官的图像，在本实施例中，医学图像为脑部医学图像，解剖结构即为脑结构。
步骤S204，利用预设的神经网络对医学图像进行分析，确定解剖结构的解剖中线；神经网络根据已标注解剖中线的标注图像训练所得。
其中，神经网络可以指向两种，一个是生物神经网络，一个是人工神经网络。生物神经网络一般指生物的大脑神经元，细胞，触点等组成的网络，用于产生生物的意识，帮助生物进行思考和行动。而人工神经网络(Artificial Neural Networks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为“神经网络”或类神经网络。本实施例中的神经网络包括但不限VGG网络(VisualGeometry Group Network，视觉几何组网络)、VGG-16、CNN网络(Convolutional NeuralNetworks，卷积神经网络)等。
具体地，当计算机设备获取到包括可识别出中线解剖结构的医学图像后，调用预先训练好的神经网络，将医学图像作为输入图像输入至神经网络。通过神经网络对医学图像进行分析识别，得到对应的输出图像，从而根据输出图像确定医学图像中解剖结构的解剖中线。例如，获取到脑部医学图像后，通过将脑部医学图像输入到预设的神经网络中，得到包含脑部解剖中线的输出图像。
上述医学图像解剖中线确定方法，获取包括可识别中线的解剖结构的医学图像后，利用预先根据已标注解剖中线的标注图像训练好的神经网络对医学图像进行识别，确定解剖结构的解剖中线。利用神经网络能够获取到解剖结构的局部分布特征，基于局部分布特征得到解剖中线，从而提升解剖中线确定的准确率。
在一个实施例中，如图3所示，利用预设的神经网络对医学图像进行识别，确定解剖结构的解剖中线，包括以下步骤：
步骤S302，利用预设的神经网络的多个层对医学图像进行特征提取，得到多个对应的特征图。
其中，多个层为多个特征提取层，特征提取层包括卷积层和池化层，或者特征提取层可以只包括卷积层。若特征提取层包括卷积层和池化层，即在卷积层对输入图像进行卷积操作提取到对应的特征图之后，通过池化层对该特征图进行池化后再输出。
具体地，当获取医学图像，例如脑部医学图像，调用预设的神经网络。将脑部医学图像作为神经网络的输入，利用神经网络中的多个特征提取层对脑部医学图像进行特征提取，得到对应的多个特征图。假设特征提取层中包括五层特征提取层，则能够获取到五张特征图。其中，特征提取层为依次连接的层，则第一层的输入即为输入的脑部医学图像，第一层之后的特征提取层的输入为上一层输出的特征图。即第二层的输入为第一层的输出，第三层的输入为第二层的输出，以此类推，在此不进行赘述。
步骤S304，基于各特征图进行特征融合，得到每个特征图对应的融合特征图。
其中，特征融合是指将各特征图进行特征相加或者特征合并，从而得到新的特征图的处理过程。融合特征图即是进行特征融合后得到的特征图。具体地，当通过特征提取层提取到多个特征图之后，将各特征图进行特征融合，得到每个特征图对应的融合特征图。
在一个实施例中，基于各特征图进行特征融合，得到每个特征图对应的融合特征图，具体包括：基于各具有不同分辨率的特征图分别进行不同方式的特征融合，得到第一融合特征图和第二融合特征图，并根据第一融合特征图和第二融合特征图合并得到每个特征图对应的融合特征图。
其中，分辨率是指图像单位英寸中所包含的像素点数，分辨率决定了图像细节的精细程度。通常情况下，图像的分辨率越高，所包含的像素就越多，图像越清晰。而图像经过不同的特征提取层，特征图的分辨率会随之发生变化。由于神经网络对医学图像进行特征提取是由浅到深，浅层的特征提取层提取的是纹理，通常会包含更多的特征。而深层的特征提取层提取的是轮廓形状和局部区域的最强特征。因此神经网络得到的特征图的分辨率是越来越低。
具体地，当获取到特征图后，基于特征图分辨率的高低，利用神经网络对特征图进行特征融合。即，调用神经网络中的特征融合的两条路径，通过两条路径进行特征融合，得到每个特征图对应的第一特征融合图和第二特征融合图。第一路径对应的融合特征图为第一融合特征图，第二路径对应的融合特征图为第二融合特征图。其中，第一路径是fine-coarse(由细到粗)路径，即根据特征图的分辨率，从高到低进行特征融合的路径。第二路径为coarse-fine(由粗到细)路径，即根据特征图的分辨率，从低到高进行特征融合的路径。进一步的，得到特征图对应的第一融合特征图和第二融合特征图之后，对特征图对应的第一融合特征图和第二融合特征图进行特征融合，即对应同一特征图的第一融合特征图和第二融合特征图进行特征合并，根据第一融合特征图和第二融合特征图进行特征合并得到融合特征图，合并可以理解为图像通道的合并。例如，假设第一融合特征图和第二融合特征图对应的图像矩阵均为2*2，则进行合并得到的图像矩阵为2*2*2。
步骤S306，根据各融合特征图确定解剖结构的解剖中线。
具体地，当得到所有特征图对应的融合特征图之后，再次将融合特征图进行特征合并以及降维，从而确定解剖结构的解剖中线。例如，如有五个融合特征图，分别为融合特征图1、融合特征图2、融合特征图3、融合特征图4和融合特征图5，将融合特征图1、融合特征图2、融合特征图3、融合特征图4和融合特征图5再次进行特征融合，即进行特征合并成一张特征图，然后将该特征图进行降维处理，得到的图像即为神经网络的输出图像，根据该图像即可确定医学图像中解剖结构的解剖中线。
在一个实施例中，如图4所示，基于各特征图的分辨率分别进行不同方式的特征融合，得到第一融合特征图和第二融合特征图，并根据第一融合特征图和第二融合特征图合并得到每个特征图对应的融合特征图，包括以下步骤：
步骤S402，基于各特征图的分辨率，从高到低依次进行特征相加，得到各特征图对应的第一融合特征图。
其中，每个特征图对应的第一融合特征图，为每个特征图与其对应的前序所有的特征图进行特征相加得到。例如，按分辨率从高到低顺序为特征图1、特征图2、特征图3、特征图4以及特征图5，特征图1没有对应的前序特征图，则特征图1的第一融合特征图为特征图1本身，而特征图2的第一融合特征图为特征图2和特征图1特征相加的图，特征图3的第一融合特征图为特征图3与特征图2和特征图1进行特征相加的图，特征图3的第一融合特征图相当于特征图3与特征图2对应的第一融合特征图进行特征相加。特征图4和特征图5同理，在此不再赘述。也就是说，每个特征图对应的第一融合特征图相当于本身与对应的前一个特征图的第一融合特征图进行特征相加，相加可以理解为特征图之间对应的像素点进行相加。
具体地，根据各特征图的分辨率，从高到低依次将各特征图作为第一当前特征图，获取第一当前特征图对应的前一个特征图的第一融合特征图。在第一当前特征图为分辨率最高的特征图时，对应的前一个特征图的第一融合特征图为空。将第一当前特征图以及对应的前一个特征图的第一融合特征图进行特征相加，将特征相加后得到的特征图作为第一当前特征图对应的第一融合特征图。例如，当神经网络的多个层进行特征提取得到的特征图分别为特征图1、特征图2、特征图3、特征图4以及特征图5，其中，从特征图1到特征图5的分辨率越来越低。也就是说，特征图1的分辨率高于特征图2，特征图2的分辨率高于特征图3，特征图3的分辨率高于特征图4，特征图4的分辨率高于特征图5，则按照分辨率从高到低进行排序，顺序为特征图1-特征图2-特征图3-特征图4-特征图5。首先，将特征图1作为第一当前特征图，特征图1作为第一个特征图，没有对应的前一个特征图，自然没有对应前一个特征图的第一融合特征图。即分辨率最高的特征图1，对应的前一个特征图的第一融合特征图为空。则当特征图1进行特征相加时，是特征图1与空进行特征相加，得到的第一融合特征是特征图1本身。也就是说，特征图1对应的第一融合特征图就是特征图1，记为第一融合特征图1。其次，将特征图2作为第一当前特征图，按照分辨率从高到低的顺序，特征图2对应的前一个特征图为特征图1，则获取特征图1对应的第一融合特征图，第一融合特征图1。将特征图2与第一融合特征图1进行特征相加，得到的特征图即为特征图2对应的第一融合特征图，记为第一特融合特征图2。再次，将特征图3作为第一当前特征图，特征图3对应的前一个特征图为特征图2，获取特征图2对应的第一融合特征图，即第一融合特征图2。将特征图3与第一融合特征图2进行特征相加，得到的图像为特征图3对应的第一融合特征图，记为第一融合特征图3。同样的，依次将特征图4、特征图5作为第一当前特征图，特征图4、特征图5进行特征相加的方式与特征图1、特征图2、特征图3相同，在此不再赘述。
进一步的，特征相加是获取第一当前特征图对应的特征矩阵作为第一当前特征矩阵，以及获取对应的前一个特征图的第一融合特征图的特征矩阵，从对应的前一个特征图的第一融合特征图的特征矩阵中，确定第一当前特征矩阵中每个矩阵元素的对应矩阵元素，将第一当前特征矩阵中的矩阵元素与对应矩阵元素相加，得到新的矩阵，将新的矩阵对应的特征图作为第一当前特征图对应的第一融合特征图。
具体地，由于数字图像可以表示为矩阵的形式，所以利用计算机设备，例如服务器对图像进行处理时，通常用矩阵表示对应的图像。特征矩阵即为第一当前特征图对应的图像矩阵。即当第一当前特征图进行特征相加时，服务器获取的是第一当前特征图的特征矩阵，并且同时获取第一当前特征图对应的前一个特征图的第一融合特征图的特征矩阵。当获取到对应的前一个特征图的第一融合特征图的特征矩阵后，从该特征矩阵中确定第一当前特征矩阵的中每个矩阵元素的对应的矩阵元素。即按照矩阵的行列找对应矩阵元素。例如，第一当前特征矩阵的第一行第一列中矩阵元素的对应矩阵元素是对应特征矩阵中的第一行第一列存储的矩阵元素。当第一当前特征矩阵的与对应的特征矩阵为相同维度的矩阵时，第一当前特征矩阵中的矩阵元素均能在对应特征矩阵中找到对应的对应矩阵元素。而当第一当前特征矩阵的与对应的特征矩阵为不同维度的矩阵时，则可能存在没有对应的行和列，那么对应矩阵元素即为0。确定好第一当前特征矩阵中矩阵元素的对应的矩阵元素之后，将各矩阵元素与对应的矩阵元素进行相加，得到新的矩阵，该新的矩阵对应的特征图即为第一当前特征图对应的第一融合特征图。例如，若第一当前特征矩阵的第一行第一列的矩阵元素为2，对应的特征矩阵的第一行第一列的对应矩阵元素为3，则相加之后得到的新的矩阵的第一行第一列的数值为5。
步骤S404，基于各特征图的分辨率，从低到高依次进行特征相加，得到各特征图对应的第二融合特征图。
其中，每个特征图对应的第二融合特征图同样为，每个特征图与其对应的前序所有的特征图进行特征相加得到，但是与步骤S402不相同的是，特征图按照分辨率从低到高依次进行特征相加。也就是说，假设按分辨率从高到低顺序为特征图1、特征图2、特征图3、特征图4以及特征图5，那么按分辨率从低到高排序就是特征图5、特征图4、特征图3、特征图2以及特征图1。则特征图5没有对应的前序特征图，特征图5的第二融合特征图为特征图5本身，特征图4的第二融合特征图为特征图5和特征图4特征相加的图。特征图3的第二融合特征图为特征图3与特征图2和特征图1进行特征相加的图，特征图3的第一融合特征图相当于特征图3与特征图4对应地第二融合特征图进行特征相加。而特征图2的第二融合特征图为特征图2、特征图3、特征图4以及特征图5进行特征相加的图，相当于特征图2与特征图3的第二融合特征图进行特征相加的图。特征图1同理，在此不再赘述。也就是说，每个特征图对应的第二融合特征图相当于本身与对应的前一个特征图的第二融合特征图进行特征相加。
具体地，根据各特征图的分辨率，从低到高依次将各特征图作为第二当前特征图，获取第二当前特征图对应的前一个特征图的第二融合特征图；在第二当前特征图为分辨率最低的特征图时，对应的前一个特征图的第二融合特征图为空；将第二当前特征图以及对应的前一个特征图的第二融合特征图进行特征融合，将得到的特征融合后的特征图作为第二当前特征图对应的第二融合特征图。例如，按分辨率从低到高进行排序，顺序为特征图5-特征图4-特征图3-特征图2-特征图1。首先，将特征图5作为第二当前特征图，特征图5作为第一个特征图，没有对应的前一个特征图，自然没有对应前一个特征图的第二融合特征图。即分辨率最高的特征图5，对应的前一个特征图的第二融合特征图为空。则当特征图5进行特征相加时，是特征图5与空进行特征相加，得到的第二融合特征是特征图5本身，也就是说，特征图5对应的第二融合特征图就是特征图5，记为第二融合特征图5。其次，将特征图4作为第二当前特征图，按照分辨率从低到高的顺序，特征图4对应的前一个特征图为特征图5，则获取特征图5对应的第二融合特征图，第二融合特征图5。将特征图4与第二融合特征图5进行特征相加，得到的特征图即为特征图4对应的第二融合特征图，记为第一特融合特征图4。再次，将特征图3作为第二当前特征图，特征图3对应的前一个特征图为特征图4，获取特征图4对应的第二融合特征图，即第二融合特征图4。将特征图3与第二融合特征图4进行特征相加，得到的图像为特征图3对应的第二融合特征图，记为第二融合特征图3。同样的，依次将特征图2、特征图1作为第二当前特征图，特征图2、特征图1进行特征相加的方式与特征图5、特征图4、特征图3相同，在此不再赘述。
进一步的，特征相加即是获取第二当前特征图对应的特征矩阵作为第二当前特征矩阵，以及获取对应的前一个特征图的第二融合特征图的特征矩阵。从对应的前一个特征图的第二融合特征图的特征矩阵中，确定第二当前特征矩阵中每个矩阵元素的对应矩阵元素。将第二当前特征矩阵中的矩阵元素与对应矩阵元素相加，得到新的矩阵，将新的矩阵对应的特征图作为第二当前特征图对应的第二融合特征图。
具体地，当第二当前特征图进行特征相加时，服务器获取的是第二当前特征图的特征矩阵，并且同时获取第二当前特征图对应的前一个特征图的第二融合特征图的特征矩阵。当获取到对应的前一个特征图的第二融合特征图的特征矩阵后，从该特征矩阵中确定第二当前特征矩阵的中每个矩阵元素的对应的矩阵元素。同样按照矩阵的行列找对应矩阵元素。例如，第二当前特征矩阵的第一行一列中矩阵元素的对应矩阵元素，是对应特征矩阵中的第一行第一列存储的矩阵元素。当第二当前特征矩阵的与对应的特征矩阵为相同维度的矩阵时，第二当前特征矩阵中的矩阵元素均能在对应特征矩阵中找到对应的对应矩阵元素。而当第二当前特征矩阵的与对应的特征矩阵为不同维度的矩阵时，则可能存在没有对应的行和列，那么对应矩阵元素即为0。进一步的，确定好第二当前特征矩阵中矩阵元素的对应的矩阵元素之后，将各矩阵元素与对应的矩阵元素进行相加，得到新的矩阵，该新的矩阵对应的特征图即为第二当前特征图对应的第二融合特征图。例如，若第二当前特征矩阵的第一行第一列的矩阵元素为2，对应特征矩阵的第一行第一列的对应矩阵元素为3，则相加之后得到的新的矩阵的第一行第一列的数值为5。
步骤S406，将各特征图对应的第一融合特征图和第二融合特征图进行特征合并，得到特征图对应的融合特征图。
其中，融合特征图通过特征图对应的第一融合特征图和第二融合特征图进行特征合并，且降维后得到。
具体地，将每个特征图对应的第一融合特征图和第二融合特征图进行特征合并，例如将特征图3对应的第一融合特征图3和第二融合特征图3进行特征合并得到特征图3的融合特征图。也就是说，有多少个特征图，就有多少个对应的融合特征图。例如，特征图3的第一融合特征图3和第二融合特征图3分别为2*2的特征图，经过特征合并后得到2*2*2的合并特征图。进一步的，利用1*1的卷积核对2*2*2的合并特征图进行卷积操作，即对2*2*2的合并特征图进行降维处理，得到2*2的合并特征图，2*2的合并特征图为最终的融合特征图。在本实施例中，通过将各特征图进行由粗到细、由细到粗的特征融合，能够更好的融合不同尺度的特征和语义信息，提升网络的表现，从而提高解剖中线确定的准确性。
在一个实施例中，如图5所示，提供一种神经网络。神经网络包括五层特征提取层和特征融合层，五层特征提取层分别为第一层、第二层、第三层、第四层和第五层。其中，第一层、第二层、第三层、第四层以及第五层的卷积层为3*3的卷积核，输出通道分别为32、64、128、256和256。具体地，参考图5，输入图像至神经网络，通过五层特征提取层分别得到五张对应的特征图501，从左至右，即分辨率从高到低对特征图501进行特征相加，得到特征图501对应的第一融合特征图502。同样的，从右至左，即分辨率从低到高对特征图501进行特征相加，得到特征图501对应的第二融合特征图503。进一步，对第一融合特征图501和第二融合特征图502进行特征合并和降维，得到特征图501对应的合并特征图504，然后将合并特征图504进行特征合并和降维得到输出图像，从而确定解剖结构的解剖中线。
在一个实施例中，神经网络的训练过程，包括：获取训练医学图像以及训练医学图像对应的已标注解剖中线的标注图像；对训练医学图像和标注图像进行预处理和数据增强，得到目标训练图像；基于目标训练图像和预设损失函数对预设的神经网络进行训练，得到训练后的神经网络。
具体地，获取训练医学图像，可以使用影像采集设备采集获取包括可识别中线的医学图像。对训练医学图像中的图像进行解剖中线的标注，得到训练医学图像对应的标注图像。在标注的过程中，不仅需要注意中线的确定不仅与物体的外在轮廓有关，还要考虑物体纹理上的对称性。其中，训练医学图像中的图像包括但不限于单通道或者三通道的图像，但是图像应当有相同的宽和高。进一步的，从训练医学图像中分别随机选定一部分图像定义为训练集、验证集和测试集，训练集、验证集合测试集的比例为60％：20％：20％。若图像存在尺寸不一致的情况，则对训练医学图像和标注图像进行尺寸调整，得到尺寸一致的训练医学图像和标注图像。然后对训练医学图像和标注图像进行数据增强，得到目标训练图像。增强方法包括但不限于图像的随机镜像、随机平移、随机缩放等。在图像增强之后，还可以根据实际需求进行减均值、除以标准差的标准化处理。将标准化图像作为新的目标训练图像。
目标训练图像确定后，将预设的神经网络的batch size(批量大小)、学习率等超参数设置初始值，之后将目标训练图像输入到神经网络中进行迭代训练。每次迭代训练完成之后，将验证集中的图像输入到网络中进行验证。当完成预设的训练迭代次数之后，将测试集中的图像输入到网络中进行结果的测试。其中，训练过程中根据当前验证集和测试集上的表现来调整与网络训练有关的超参数，并且在新的超参数上再次训练网络，直到模型达到理想中或者最优的损失值。损失函数包括但不限于Focal Loss、Dice Loss、Dice Loss+weighted Cross-Entropy。
应该理解的是，虽然图2-4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2-4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6所示，提供了一种医学图像解剖中线确定装置，包括：获取模块602和识别模块604，其中：
获取模块602，用于获取医学图像，所述医学图像中包括可识别出中线的解剖结构。
识别模块604，用于利用预设的神经网络对医学图像进行分析，确定解剖结构的解剖中线；神经网络根据已标注解剖中线的标注图像训练所得。
在一个实施例中，识别模块604还用于利用预设的神经网络的多个层对医学图像进行特征提取，得到多个对应的特征图；基于各特征图进行特征融合，得到每个特征图对应的融合特征图；根据各融合特征图确定解剖结构的解剖中线。
在一个实施例中，识别模块604还用于基于各具有不同分辨率的特征图分别进行不同方式的特征融合，得到第一融合特征图和第二融合特征图，并根据第一融合特征图和第二融合特征图合并得到每个特征图对应的融合特征图。
在一个实施例中，识别模块604还用于基于各特征图的分辨率，从高到低依次进行特征相加，得到各特征图对应的第一融合特征图；基于各特征图的分辨率，从低到高依次进行特征相加，得到各特征图对应的第二融合特征图；将各特征图对应的第一融合特征图和第二融合特征图进行特征融合，得到特征图对应的融合特征图。
在一个实施例中，医学图像解剖中线确定装置还包括训练模块，用于获取训练医学图像以及训练医学图像对应的已标注解剖中线的标注图像；对训练医学图像和标注图像进行预处理和数据增强，得到目标训练图像；基于目标训练图像和预设损失函数对预设的神经网络进行训练，得到训练后的神经网络。
在一个实施例中，训练模块还用于对训练医学图像和标注图像的进行尺寸调整，得到尺寸一致的训练医学图像和标注图像；根据尺寸一致的训练医学图像和标注图像进行数据增强，得到目标训练图像。
在一个实施例中，训练模块还用于将目标训练图像进行标准化处理得到标准化图像，将标准化图像作为新的目标训练图像。
关于医学图像解剖中线确定装置的具体限定可以参见上文中对于医学图像解剖中线确定方法的限定，在此不再赘述。上述医学图像解剖中线确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7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、数据库、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、计算机程序和数据库。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。该计算机设备的数据库用于存储处理数据。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医学图像解剖中线确定方法。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7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：
获取医学图像，所述医学图像中包括可识别出中线的解剖结构；
利用预设的神经网络对医学图像进行分析，确定解剖结构的解剖中线；神经网络根据已标注解剖中线的标注图像训练所得。
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：
利用预设的神经网络的多个层对医学图像进行特征提取，得到多个对应的特征图；基于各特征图进行特征融合，得到每个特征图对应的融合特征图；根据各融合特征图确定解剖结构的解剖中线。
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：
基于各具有不同分辨率的特征图分别进行不同方式的特征融合，得到第一融合特征图和第二融合特征图，并根据第一融合特征图和第二融合特征图得合并到每个特征图对应的融合特征图。
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：
基于各特征图的分辨率，从高到低依次进行特征相加，得到各特征图对应的第一融合特征图；基于各特征图的分辨率，从低到高依次进行特征相加，得到各特征图对应的第二融合特征图；将各特征图对应的第一融合特征图和第二融合特征图进行特征融合，得到特征图对应的融合特征图。
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：
获取训练医学图像以及训练医学图像对应的已标注解剖中线的标注图像；对训练医学图像和标注图像进行预处理和数据增强，得到目标训练图像；基于目标训练图像和预设损失函数对预设的神经网络进行训练，得到训练后的神经网络。
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：
对训练医学图像和标注图像的进行尺寸调整，得到尺寸一致的训练医学图像和标注图像；根据尺寸一致的训练医学图像和标注图像进行数据增强，得到目标训练图像。
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：
将目标训练图像进行标准化处理得到标准化图像，将标准化图像作为新的目标训练图像。
在一个实施例中，提供了一种计算机可读存储介质，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：
获取医学图像，所述医学图像中包括可识别出中线的解剖结构；
利用预设的神经网络对医学图像进行分析，确定解剖结构的解剖中线；神经网络根据已标注解剖中线的标注图像训练所得。
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：
利用预设的神经网络的多个层对医学图像进行特征提取，得到多个对应的特征图；基于各特征图进行特征融合，得到每个特征图对应的融合特征图；根据各融合特征图确定解剖结构的解剖中线。
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：
基于各具有不同分辨率的特征图分别进行不同方式的特征融合，得到第一融合特征图和第二融合特征图，并根据第一融合特征图和第二融合特征图合并得到每个特征图对应的融合特征图。
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：
基于各特征图的分辨率，从高到低依次进行特征相加，得到各特征图对应的第一融合特征图；基于各特征图的分辨率，从低到高依次进行特征相加，得到各特征图对应的第二融合特征图；将各特征图对应的第一融合特征图和第二融合特征图进行特征融合，得到特征图对应的融合特征图。
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：
获取训练医学图像以及训练医学图像对应的已标注解剖中线的标注图像；对训练医学图像和标注图像进行预处理和数据增强，得到目标训练图像；基于目标训练图像和预设损失函数对预设的神经网络进行训练，得到训练后的神经网络。
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：
对训练医学图像和标注图像的进行尺寸调整，得到尺寸一致的训练医学图像和标注图像；根据尺寸一致的训练医学图像和标注图像进行数据增强，得到目标训练图像。
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：
将目标训练图像进行标准化处理得到标准化图像，将标准化图像作为新的目标训练图像。
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)

1.一种医学图像解剖中线确定方法，所述方法包括：
获取医学图像，所述医学图像中包括可识别出中线的解剖结构；
利用预设的神经网络对所述医学图像进行分析，确定所述解剖结构的解剖中线；所述神经网络根据已标注解剖中线的标注图像训练所得。
2.根据权利要求1所述的方法，其特征在于，所述利用预设的神经网络对所述医学图像进行识别，确定所述解剖结构的解剖中线的步骤，包括：
利用预设的神经网络的多个层对所述医学图像进行特征提取，得到多个对应的具有不同分辨率的特征图；
基于各所述特征图进行特征融合，得到每个特征图对应的融合特征图；
根据各所述融合特征图确定所述解剖结构的解剖中线。
3.根据权利要求2所述的方法，其特征在于，所述基于各所述特征图进行特征融合，得到每个特征图对应的融合特征图的步骤，包括：
基于各所述具有不同分辨率的特征图分别进行不同方式的特征融合，得到第一融合特征图和第二融合特征图，并根据所述第一融合特征图和所述第二融合特征图合并得到每个特征图对应的融合特征图。
4.根据权利要求3所述的方法，其特征在于，所述基于各所述特征图的分辨率分别进行不同方式的特征融合，得到第一融合特征图和第二融合特征图，并根据所述第一融合特征图和第二融合特征图合并得到每个特征图对应的融合特征图的步骤，包括：
基于各所述特征图的分辨率，从高到低依次进行特征相加，得到各所述特征图对应的第一融合特征图；
基于各所述特征图的分辨率，从低到高依次进行特征相加，得到各所述特征图对应的第二融合特征图；
将各所述特征图对应的所述第一融合特征图和所述第二融合特征图进行特征合并，得到所述特征图对应的融合特征图。
5.根据权利要求1所述的方法，其特征在于，所述医学图像为脑部医学图像，所述解剖结构为脑结构。
6.根据权利要求1所述的方法，其特征在于，所述神经网络的训练过程，包括：
获取训练医学图像以及所述训练医学图像对应的已标注解剖中线的标注图像；
对所述训练医学图像和所述标注图像进行预处理和数据增强，得到目标训练图像；
基于所述目标训练图像和预设损失函数对预设的神经网络进行训练，得到训练后的神经网络。
7.根据权利要求6所述的方法，其特征在于，所述对所述训练医学图像和所述标注图像进行预处理和数据增强，得到目标训练图像的步骤包括：
对所述训练医学图像和所述标注图像的进行尺寸调整，得到尺寸一致的训练医学图像和标注图像；
根据所述尺寸一致的训练医学图像和标注图像进行数据增强，得到目标训练图像。
8.根据权利要求7所述的方法，其特征在于，所述根据所述尺寸一致的训练医学图像和标注图像进行数据增强，得到目标训练图像的步骤之后，还包括：
将所述目标训练图像进行标准化处理得到标准化图像，将所述标准化图像作为新的目标训练图像。
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8中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN201910672556.8A 2019-07-24 2019-07-24 医学图像解剖中线确定方法、计算机设备和存储介质 Active CN110473172B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910672556.8A CN110473172B (zh) 2019-07-24 2019-07-24 医学图像解剖中线确定方法、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910672556.8A CN110473172B (zh) 2019-07-24 2019-07-24 医学图像解剖中线确定方法、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN110473172A true CN110473172A (zh) 2019-11-19
CN110473172B CN110473172B (zh) 2022-07-05

Family

ID=68508881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910672556.8A Active CN110473172B (zh) 2019-07-24 2019-07-24 医学图像解剖中线确定方法、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110473172B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111192255A (zh) * 2019-12-30 2020-05-22 上海联影智能医疗科技有限公司 指标检测方法、计算机设备和存储介质
CN111243026A (zh) * 2020-01-19 2020-06-05 武汉联影智融医疗科技有限公司 解剖标记点定位方法、装置、计算机设备和存储介质
CN111583212A (zh) * 2020-04-29 2020-08-25 上海杏脉信息科技有限公司 脑部中线移位的确定方法及装置
CN113096091A (zh) * 2021-04-07 2021-07-09 推想医疗科技股份有限公司 图像处理方法及装置、电子设备及存储介质
CN113256705A (zh) * 2021-03-23 2021-08-13 杭州依图医疗技术有限公司 颅脑图像的处理方法、显示方法及处理装置
WO2021189959A1 (zh) * 2020-10-22 2021-09-30 平安科技（深圳）有限公司 大脑中线识别方法、装置、计算机设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017106645A1 (en) * 2015-12-18 2017-06-22 The Regents Of The University Of California Interpretation and quantification of emergency features on head computed tomography
CN107945226A (zh) * 2017-11-08 2018-04-20 沈阳东软医疗系统有限公司 一种医学影像解剖结构的中心线确定方法及装置
CN108830322A (zh) * 2018-06-15 2018-11-16 联想(北京)有限公司 一种图像处理方法及装置、设备、存储介质
CN109949300A (zh) * 2018-06-03 2019-06-28 北京昆仑医云科技有限公司 解剖树结构分析的方法、系统和计算机可读介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017106645A1 (en) * 2015-12-18 2017-06-22 The Regents Of The University Of California Interpretation and quantification of emergency features on head computed tomography
CN107945226A (zh) * 2017-11-08 2018-04-20 沈阳东软医疗系统有限公司 一种医学影像解剖结构的中心线确定方法及装置
CN109949300A (zh) * 2018-06-03 2019-06-28 北京昆仑医云科技有限公司 解剖树结构分析的方法、系统和计算机可读介质
CN108830322A (zh) * 2018-06-15 2018-11-16 联想(北京)有限公司 一种图像处理方法及装置、设备、存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FAN YANG ET AL.: "Multi-Scale Bidirectional FCN for Object Skeleton Extraction", 《THIRTY-SECOND AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE》 *
蒋世忠: "基于球模型的三维冠状动脉中心线抽取方法研究", 《中国博士学位论文全文数据库 医药卫生科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111192255A (zh) * 2019-12-30 2020-05-22 上海联影智能医疗科技有限公司 指标检测方法、计算机设备和存储介质
CN111192255B (zh) * 2019-12-30 2024-04-26 上海联影智能医疗科技有限公司 指标检测方法、计算机设备和存储介质
CN111243026A (zh) * 2020-01-19 2020-06-05 武汉联影智融医疗科技有限公司 解剖标记点定位方法、装置、计算机设备和存储介质
CN111243026B (zh) * 2020-01-19 2023-09-22 武汉联影智融医疗科技有限公司 解剖标记点定位方法、装置、计算机设备和存储介质
CN111583212A (zh) * 2020-04-29 2020-08-25 上海杏脉信息科技有限公司 脑部中线移位的确定方法及装置
CN111583212B (zh) * 2020-04-29 2021-11-30 上海杏脉信息科技有限公司 脑部中线移位的确定方法及装置
WO2021189959A1 (zh) * 2020-10-22 2021-09-30 平安科技（深圳）有限公司 大脑中线识别方法、装置、计算机设备及存储介质
CN113256705A (zh) * 2021-03-23 2021-08-13 杭州依图医疗技术有限公司 颅脑图像的处理方法、显示方法及处理装置
CN113096091A (zh) * 2021-04-07 2021-07-09 推想医疗科技股份有限公司 图像处理方法及装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN110473172B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN110473172A (zh) 医学图像解剖中线确定方法、计算机设备和存储介质
CN109166130B (zh) 一种图像处理方法及图像处理装置
Luo et al. Non-local deep features for salient object detection
CN109993726A (zh) 医学图像的检测方法、装置、设备和存储介质
Michel et al. Total variation regularization for fMRI-based prediction of behavior
CN109829894A (zh) 分割模型训练方法、oct图像分割方法、装置、设备及介质
CN110321920A (zh) 图像分类方法、装置、计算机可读存储介质和计算机设备
Kim et al. Disentangling neural mechanisms for perceptual grouping
CN109754403A (zh) 一种ct图像内的肿瘤自动分割方法及系统
CN110197491A (zh) 图像分割方法、装置、设备和存储介质
CN112037179B (zh) 一种脑疾病诊断模型的生成方法、系统及设备
Wang et al. Super-resolution of multi-observed RGB-D images based on nonlocal regression and total variation
CN110189306A (zh) 脑图像中异常区域对应的责任血管确定方法和设备
CN113313199A (zh) 一种于基于弱监督注意力的脑ct医学报告自动生成方法
CN115861248A (zh) 医学图像分割方法、医学模型训练方法、装置和存储介质
Amirrajab et al. Label-informed cardiac magnetic resonance image synthesis through conditional generative adversarial networks
Sun et al. Landmarkgan: Synthesizing faces from landmarks
Wang et al. Building correlations between filters in convolutional neural networks
Li et al. S 3 egANet: 3D spinal structures segmentation via adversarial nets
CN113762117B (zh) 一种图像处理模型的训练方法、图像处理模型及计算机设备
CN114998374A (zh) 基于位置先验的图像分割方法、装置、设备和存储介质
Shi et al. Discriminative feature network based on a hierarchical attention mechanism for semantic hippocampus segmentation
Willeke et al. Deep learning-driven characterization of single cell tuning in primate visual area V4 unveils topological organization
JP6345332B1 (ja) 分類装置、分類方法、プログラム、ならびに、情報記録媒体
Bonnard et al. Privileged attribution constrained deep networks for facial expression recognition

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