CN110569854A - 图像处理方法及装置、电子设备和存储介质 - Google Patents

图像处理方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN110569854A
CN110569854A CN201910865717.5A CN201910865717A CN110569854A CN 110569854 A CN110569854 A CN 110569854A CN 201910865717 A CN201910865717 A CN 201910865717A CN 110569854 A CN110569854 A CN 110569854A
Authority
CN
China
Prior art keywords
segmentation
image
target
processed
core
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
CN201910865717.5A
Other languages
English (en)
Other versions
CN110569854B (zh
Inventor
吴宇
袁璟
赵亮
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 Sensetime Intelligent Technology Co Ltd
Original Assignee
Shanghai Sensetime Intelligent 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 Shanghai Sensetime Intelligent Technology Co Ltd filed Critical Shanghai Sensetime Intelligent Technology Co Ltd
Priority to CN201910865717.5A priority Critical patent/CN110569854B/zh
Publication of CN110569854A publication Critical patent/CN110569854A/zh
Priority to PCT/CN2020/100730 priority patent/WO2021047267A1/zh
Priority to KR1020217025998A priority patent/KR20210113678A/ko
Priority to JP2021539342A priority patent/JP2022517925A/ja
Priority to TW109131174A priority patent/TWI754375B/zh
Priority to US17/676,288 priority patent/US20220180521A1/en
Application granted granted Critical
Publication of CN110569854B publication Critical patent/CN110569854B/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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20156—Automatic seed setting
    • 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
    • G06T2207/30008—Bone
    • G06T2207/30012—Spine; Backbone
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种图像处理方法及装置、电子设备和存储介质，所述方法包括：对待处理图像进行第一分割处理，确定所述待处理图像中目标的分割区域；根据所述目标的分割区域的中心点位置，确定目标所在的图像区域；对各目标所在的图像区域进行第二分割处理，确定所述待处理图像中目标的分割结果。本公开实施例可实现目标的实例分割，提高分割的准确性及鲁棒性。

Description

图像处理方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
在图像处理技术领域，对感兴趣区域或目标区域进行分割，是进行图像分析和目标识别的基础。例如，在医学图像中通过分割，清晰地识别一个或多个器官或组织之间的边界。准确地分割医学图像对于许多临床应用而言是至关重要的。
发明内容
本公开提出了一种图像处理技术方案。
根据本公开的一方面，提供了一种图像处理方法，包括：对待处理图像进行第一分割处理，确定所述待处理图像中目标的分割区域；根据所述目标的分割区域的中心点位置，确定目标所在的图像区域；对各目标所在的图像区域进行第二分割处理，确定所述待处理图像中目标的分割结果。
在一种可能的实现方式中，所述待处理图像中目标的分割区域包括第一目标的核心分割区域，所述第一目标为所述目标中属于第一类别的目标，所述对待处理图像进行第一分割处理，确定所述待处理图像中目标的分割区域，包括：通过核心分割网络对所述待处理图像进行核心分割处理，确定第一目标的核心分割区域。
在一种可能的实现方式中，所述目标的分割结果包括所述第一目标的分割结果，所述对各目标所在的图像区域进行第二分割处理，确定所述待处理图像中目标的分割结果，包括：通过第一实例分割网络分别对所述第一目标所在的图像区域进行实例分割处理，确定所述第一目标的分割结果。
在一种可能的实现方式中，所述待处理图像中目标的分割区域包括第二目标的分割结果，所述第二目标为所述目标中属于第二类别的目标，所述对待处理图像进行第一分割处理，确定所述待处理图像中目标的分割区域，包括：通过第二实例分割网络对所述待处理图像进行实例分割，确定所述第二目标的分割结果。
在一种可能的实现方式中，所述方法还包括：对所述第一目标的分割结果及所述第二目标的分割结果进行融合，确定所述待处理图像中目标的融合分割结果。
在一种可能的实现方式中，所述待处理图像包括3D椎体图像，所述3D椎体图像包括椎体横截面方向的多个切片图像，所述通过核心分割网络对所述待处理图像进行核心分割处理，确定第一目标的核心分割区域，包括：通过所述核心分割网络对目标切片图像组进行核心分割处理，得到所述第一目标在目标切片图像上的核心分割区域，所述目标切片图像组包括目标切片图像及与所述目标切片图像相邻的2N个切片图像，所述目标切片图像为所述多个切片图像中的任意一个，N为正整数；根据所述多个切片图像的核心分割区域，确定所述第一目标的核心分割区域。
在一种可能的实现方式中，所述根据所述多个切片图像上的核心分割区域，确定所述第一目标的核心分割区域，包括：根据所述多个切片图像的核心分割区域，分别确定多个3D核心分割区域；对所述多个3D核心分割区域进行优化处理，得到所述第一目标的核心分割区域。
在一种可能的实现方式中，所述方法还包括：根据所述待处理图像中目标的分割区域，确定各个分割区域的中心点位置。
在一种可能的实现方式中，所述方法还包括：根据所述待处理图像中目标的分割区域，确定目标的分割区域的初始中心点位置；对目标的分割区域的初始中心点位置进行优化，确定各个分割区域的中心点位置。
在一种可能的实现方式中，所述对待处理图像进行第一分割处理，确定所述待处理图像中目标的分割区域，包括：对待处理图像进行重采样及像素值缩小处理，得到处理后的第一图像；对所述第一图像进行中心裁切，得到裁切后的第二图像；对所述第二图像进行第一分割处理，确定所述待处理图像中目标的分割区域。
在一种可能的实现方式中，所述根据所述目标的分割区域的中心点位置，确定目标所在的图像区域，包括：对于任意一个目标，根据所述目标的中心点位置以及与所述目标的中心点位置相邻的至少一个中心点位置，确定所述目标所在的图像区域。
在一种可能的实现方式中，所述方法还包括：根据预设的训练集，训练神经网络，所述神经网络包括核心分割网络、第一实例分割网络及第二实例分割网络中的至少一种，所述训练集包括已标注的多个样本图像。
在一种可能的实现方式中，第一类别包括颈椎椎体、脊椎椎体、腰椎椎体及胸椎椎体中的至少一种；第二类别包括尾椎椎体。
根据本公开的一方面，提供了一种图像处理装置，包括：第一分割模块，用于对待处理图像进行第一分割处理，确定所述待处理图像中目标的分割区域；区域确定模块，用于根据所述目标的分割区域的中心点位置，确定目标所在的图像区域；第二分割模块，用于对各目标所在的图像区域进行第二分割处理，确定所述待处理图像中目标的分割结果。
在一种可能的实现方式中，所述待处理图像中目标的分割区域包括第一目标的核心分割区域，所述第一目标为所述目标中属于第一类别的目标，所述第一分割模块包括：核心分割子模块，用于通过核心分割网络对所述待处理图像进行核心分割处理，确定第一目标的核心分割区域。
在一种可能的实现方式中，所述目标的分割结果包括所述第一目标的分割结果，所述第二分割模块包括：第一实例分割子模块，用于通过第一实例分割网络分别对所述第一目标所在的图像区域进行实例分割处理，确定所述第一目标的分割结果。
在一种可能的实现方式中，所述待处理图像中目标的分割区域包括第二目标的分割结果，所述第二目标为所述目标中属于第二类别的目标，所述第一分割模块包括：第二实例分割子模块，用于通过第二实例分割网络对所述待处理图像进行实例分割，确定所述第二目标的分割结果。
在一种可能的实现方式中，所述装置还包括：融合模块，用于对所述第一目标的分割结果及所述第二目标的分割结果进行融合，确定所述待处理图像中目标的融合分割结果。
在一种可能的实现方式中，所述待处理图像包括3D椎体图像，所述3D椎体图像包括椎体横截面方向的多个切片图像，所述核心分割子模块，包括：切片分割子模块，用于通过所述核心分割网络对目标切片图像组进行核心分割处理，得到所述第一目标在目标切片图像上的核心分割区域，所述目标切片图像组包括目标切片图像及与所述目标切片图像相邻的2N个切片图像，所述目标切片图像为所述多个切片图像中的任意一个，N为正整数；核心区域确定子模块，用于根据所述多个切片图像的核心分割区域，确定所述第一目标的核心分割区域。
在一种可能的实现方式中，所述核心区域确定子模块，用于：根据所述多个切片图像的核心分割区域，分别确定多个3D核心分割区域；对所述多个3D核心分割区域进行优化处理，得到所述第一目标的核心分割区域。
在一种可能的实现方式中，所述装置还包括：第一中心确定模块，用于根据所述待处理图像中目标的分割区域，确定各个分割区域的中心点位置。
在一种可能的实现方式中，所述装置还包括：第二中心确定模块，用于根据所述待处理图像中目标的分割区域，确定目标的分割区域的初始中心点位置；第三中心确定模块，用于对目标的分割区域的初始中心点位置进行优化，确定各个分割区域的中心点位置。
在一种可能的实现方式中，所述第一分割模块包括：调整子模块，用于对待处理图像进行重采样及像素值缩小处理，得到处理后的第一图像；裁切子模块，用于对所述第一图像进行中心裁切，得到裁切后的第二图像；分割子模块，用于对所述第二图像进行第一分割处理，确定所述待处理图像中目标的分割区域。
在一种可能的实现方式中，所述区域确定模块包括：图像区域确定子模块，用于对于任意一个目标，根据所述目标的中心点位置以及与所述目标的中心点位置相邻的至少一个中心点位置，确定所述目标所在的图像区域。
在一种可能的实现方式中，所述装置还包括：训练模块，用于根据预设的训练集，训练神经网络，所述神经网络包括核心分割网络、第一实例分割网络及第二实例分割网络中的至少一种，所述训练集包括已标注的多个样本图像。
在一种可能的实现方式中，第一类别包括颈椎椎体、脊椎椎体、腰椎椎体及胸椎椎体中的至少一种；第二类别包括尾椎椎体。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，能够通过第一次分割确定目标的区域以对目标进行定位，通过各区域的中心点确定出各目标的感兴趣区域，进而对感兴趣区域进行第二次分割确定各目标的分割结果，从而提高了分割的准确性及鲁棒性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的流程图。
图2a和图2b示出根据本公开实施例的图像处理方法的核心分割的示意图。
图3a和图3b示出根据本公开实施例的图像处理方法的核心分割的示意图。
图4示出根据本公开实施例的图像处理方法的中心点的示意图。
图5a示出根据本公开实施例的图像处理方法的核心分割的示意图。
图5b示出根据本公开实施例的图像处理方法的融合分割结果的示意图。
图6a示出根据本公开实施例的图像处理方法的尾椎分割的示意图。
图6b示出根据本公开实施例的图像处理方法的融合分割结果的示意图。
图7示出根据本公开实施例的图像处理方法的处理过程的示意图。
图8示出根据本公开实施例的图像处理装置的框图。
图9示出根据本公开实施例的一种电子设备的框图。
图10示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的图像处理方法的流程图，如图1所示，所述图像处理方法包括：
在步骤S11中，对待处理图像进行第一分割处理，确定所述待处理图像中目标的分割区域；
在步骤S12中，根据所述目标的分割区域的中心点位置，确定目标所在的图像区域；
在步骤S13中，对各目标所在的图像区域进行第二分割处理，确定所述待处理图像中目标的分割结果。
在一种可能的实现方式中，所述图像处理方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行该方法。
在一种可能的实现方式中，待处理图像可以为三维图像数据，例如3D椎体图像，包括椎体横截面方向的多个切片图像。其中，椎体的类别可包括颈椎、脊椎、腰椎、尾椎及胸椎等。可通过图像采集设备(例如CT机)对被测对象(例如患者)的身体进行扫描，从而获得待处理图像。理当理解，待处理图像也可以是其他区域或其他类型的图像，本公开对待处理图像区域、类型及具体获取方式不作限制。
在一种可能的实现方式中，可对待处理图像进行分割，以便定位待处理图像中的目标(例如脊椎椎体)。在分割之前，可以对待处理图像进行预处理，以便统一待处理图像的物理空间(Spacing)分辨率，重新缩放(rescale)待处理图像中像素值的范围，对图像进行中心裁切(central crop)等。通过这种方式，可以统一图像的尺寸并减少待处理的数据量。本公开对预处理的具体内容及处理方式不作限制。
在一种可能的实现方式中，可在步骤S11中对预处理后的待处理图像进行第一次分割，对于待处理图像中的每个切片图像，可以取该切片图像以及与该切片图像上下相邻的各N个切片图像(N为正整数)，也即2N+1个切片图像。将2N+1个切片图像输入对应的分割网络中处理，可得到该切片图像的分割区域。这样，分别对待处理图像中的各个切片图像进行处理，可得到多个切片图像的分割区域，进而可确定出待处理图像中目标的分割区域。其中，分割网络可例如包括卷积神经网络，本公开对分割网络的网络结构不作限制。
在一种可能的实现方式中，可通过对应的分割网络对不同类别的目标进行分割，也即，将预处理后的待处理图像分别输入对应不同类别的目标的分割网络中进行分割，得到针对不同类别的目标的分割区域。
在一种可能的实现方式中，待处理图像中的目标可包括属于第一类别的第一目标和/或属于第二类别的第二目标。第一类别包括颈椎椎体、脊椎椎体、腰椎椎体及胸椎椎体中的至少一种；第二类别包括尾椎椎体。对于颈椎、脊椎、腰椎或胸椎等第一目标，第一分割处理可以为核心(core)分割，分割后得到各节椎体的核心分割区域，实现各节椎体的定位；对于第二目标(例如尾椎)，由于其特征与其他目标的差异较大，因此可直接进行实例分割，得到分割区域。
在一种可能的实现方式中，对于第一类别的目标，可在确定核心分割区域后再次分割。在步骤S12中，可根据目标的核心分割区域的中心点位置，确定目标所在的图像区域，也即确定目标的边界框(bounding box)以及边界框所限定的感兴趣区域(region ofinterest，ROI)，以便进行进一步的分割处理。例如，可将与当前目标的分割区域的中心点上下相邻的两个中心点所在的横截面作为边界，从而限定当前的目标的边界框。本公开对图像区域的具体确定方式不作限制。
在一种可能的实现方式中，可在步骤13中对各目标所在的图像区域进行第二分割处理，得到各个第一目标的分割结果。该第二分割处理可例如为实例分割处理，经处理后，可得到所述待处理图像中的各个目标的实例分割结果，也即第一类别的各个目标的实例分割区域。
根据本公开的实施例，能够通过第一次分割确定目标的核心区域以对目标进行定位，通过各核心区域的中心点确定出各目标的感兴趣区域，进而对感兴趣区域进行第二次分割确定各目标的实例分割结果，从而实现了目标的实例分割，提高了分割的准确性及鲁棒性。
在一种可能的实现方式中，步骤S11可包括：
对待处理图像进行重采样及像素值缩小处理，得到处理后的第一图像；
对所述第一图像进行中心裁切，得到裁切后的第二图像；
对所述第二图像进行第一分割处理，确定所述待处理图像中目标的分割区域。
举例来说，在对待处理图像进行分割之前，可以对待处理图像进行预处理。可对待处理图像进行重采样，统一待处理图像的物理空间(Spacing)分辨率。例如，对于脊椎椎体的分割，可将待处理图像的空间分辨率调整为0.8*0.8*1.25mm3；对于尾椎椎体的分割，可将待处理图像的空间分辨率调整为0.4*0.4*1.25mm3。本公开对重采样的具体方式及重采样后的待处理图像的空间分辨率不作限制。
在一种可能的实现方式中，可对重采样后的待处理图像进行像素值缩小，得到处理后的第一图像。例如，可将重采样后的待处理图像的像素值截断至[-1024,inf]，再进行重新缩放(rescale)，例如缩放比例(rescale times)为1/1024。其中，inf表示不对像素值的上限进行截断。经像素值缩小后，得到的第一图像的像素值均调整为[-1,inf]。这样，可缩小图像数值范围，加速模型收敛。
在一种可能的实现方式中，可对第一图像进行中心裁切(central crop)，得到裁切后的第二图像。例如，对于脊椎椎体的分割，可以以第一图像的中心为基准位置，将第一图像的各个切片图像裁切为192*192的图像，不足192*192的位置的像素值填充为-1；对于尾椎椎体的分割，可以以第一图像的中心为基准位置，将第一图像的各个切片图像裁切为512*512的图像，不足512*512的位置的像素值填充为-1。应当理解，本领域技术人员可根据实际情况设定针对不同类型的目标的裁切尺寸，本公开对此不作限制。
在一种可能的实现方式中，在预处理后，可对预处理得到的第二图像进行第一分割处理，确定待处理图像中的目标的分割区域。
通过这种方式，可以统一图像的尺寸并减少待处理的数据量。
在一种可能的实现方式中，所述待处理图像中目标的分割区域包括第一目标的核心分割区域，所述第一目标为所述目标中属于第一类别的目标，步骤S11可包括：
通过核心分割网络对所述待处理图像进行核心分割处理，确定第一目标的核心分割区域。
举例来说，对于颈椎、脊椎、腰椎或胸椎等属于第一类别的目标(也即第一目标)，第一分割处理可以为核心(core)分割，分割后得到各节椎体的核心分割区域，实现各节椎体的定位。其中，可预先设置有核心分割网络，以便对预处理后的待处理图像进行核心分割。该核心分割网络可例如为卷积神经网络，例如采用基于UNet的2.5D分割网络模型，包括残差编码网络(例如Resnet34)、基于注意力机制(Attention)的模块以及解码网络(Decoder)等。本公开对核心分割网络的网络结构不作限制。
在一种可能的实现方式中，所述待处理图像包括3D椎体图像，所述3D椎体图像包括椎体横截面方向的多个切片图像，
所述通过核心分割网络对所述待处理图像进行核心分割处理，确定第一目标的核心分割区域的步骤，包括：
通过所述核心分割网络对目标切片图像组进行核心分割处理，得到第一目标在目标切片图像上的核心分割区域，所述目标切片图像组包括目标切片图像及与所述目标切片图像相邻的2N个切片图像，所述目标切片图像为所述多个切片图像中的任意一个，N为正整数；
根据所述多个切片图像的核心分割区域，确定所述第一目标的核心分割区域。
举例来说，对于待处理图像中的任意一个切片图像(以下称为目标切片图像，例如192*192的横截面切片图像)，可以取该目标切片图像以及与该目标切片图像上下相邻的各N个切片图像(也即2N+1个切片图像)，组成目标切片图像组。将目标切片图像组的2N+1个切片图像输入核心分割网络中处理，得到该目标切片图像的核心分割区域。N可例如取值为4，即选取与每个切片图像上下相邻4个切片图像，一共9个切片图像。如果目标切片图像的上面相邻或下面相邻的切片图像的数量均大于或等于N，则直接进行选取，例如目标切片图像的编号为6，可选取编号为2、3、4、5、6、7、8、9、10的9个相邻的切片图像；如果目标切片图像的上面相邻或下面相邻的切片图像的数量小于N，则可采用对称填充的方式进行补全，例如目标切片图像的编号为3，其上面相邻的图像数量为2个，该情况下，可对上面相邻的图像进行对称填充，即选取编号为3、2、1、2、3、4、5、6、7的9个相邻的切片图像。本公开对N的取值及具体的图像补全方式不作限制。
在一种可能的实现方式中，可分别对待处理图像中的各个切片图像进行处理，得到多个切片图像的核心分割区域。对多个切片图像的核心分割区域寻找连通域，可确定出待处理图像中的第一目标的核心分割区域。
通过这种方式，可实现待处理图像的核心分割，从而实现各节椎体核心的检测与定位。
在一种可能的实现方式中，所述根据所述多个切片图像上的核心分割区域，确定所述第一目标的核心分割区域的步骤，包括：
根据所述多个切片图像的核心分割区域，分别确定多个3D核心分割区域；
对所述多个3D核心分割区域进行优化处理，得到所述第一目标的核心分割区域。
举例来说，对于三维的椎体图像，可以对椎体图像的多个切片图像的平面核心分割区域进行叠加，并寻找叠加后的核心分割区域中的连通域，每个连通域对应一个三维的椎体核心，从而得到多个3D核心分割区域。然后，对多个3D核心分割区域进行优化，去除连通域的体积小于或等于预设体积阈值的杂质区域，从而得到各个第一目标的核心分割区域。本公开对预设体积阈值的具体取值不作限制。通过这种方式，可提高椎体核心分割的准确性。
图2a和图2b示出根据本公开实施例的图像处理方法的核心分割的示意图。如图2a和图2b所示，经核心分割后，可得到多个椎体的核心(即多个核心分割区域)，从而实现各节椎体的定位。
在一种可能的实现方式中，所述方法还包括：
根据所述待处理图像中目标的分割区域，确定各个分割区域的中心点位置。
举例来说，在确定待处理图像中的目标的分割区域后，可确定各个分割区域的几何中心所在的位置，也即中心点位置。可采用各种数学计算方式确定中心点位置，本公开对此不作限制。通过这种方式，能够确定目标的分割区域的中心点位置。
在一种可能的实现方式中，所述方法还包括：
根据所述待处理图像中的目标的分割区域，确定各个分割区域的初始中心点位置；
对目标的分割区域的初始中心点位置进行优化，确定各个分割区域的中心点位置。
举例来说，在确定待处理图像中的目标的分割区域后，可确定各个分割区域的几何中心所在的位置，将该位置作为初始中心点位置。可采用各种数学计算方式确定初始中心点位置，本公开对此不作限制。
在一种可能的实现方式中，在确定各个初始中心点位置后，可对各个初始中心点位置进行合法性检查，以便检查出漏分割和/或过分割的情况并进行优化。图3a和图3b示出根据本公开实施例的图像处理方法的核心分割的示意图。如图3a所示，漏分割一个椎体核心，也即在椎体的位置未分割出椎体核心；如图3b所示，存在过分割的椎体核心，也即在一节椎体中分割出两个核心。
在一种可能的实现方式中，可计算两两相邻几何中心对(即相邻的初始中心点位置)的距离d，以及平均距离dm，并设定邻近阈值(neighbor threshold，NT)和全局阈值(global threshold，GT)作为参考。可自上向下或自下向上遍历各个几何中心对，对于M个几何中心对中的第i个几何中心对(1≤i≤M)，如果di/dm>GT或di/di-1>NT，则可认为第i个几何中心对之间的距离过大，判定第i个几何中心对之间存在漏分割(如图3a所示)。在该情况下，可增加该几何中心对之间的中心点为新的几何中心(即新的中心点位置)，实现中心点位置的优化。
在一种可能的实现方式中，对于第i个几何中心对，如果di/dm<1/GT或di/di-1<1/NT，则可认为第i个几何中心对之间的距离过小，判定第i个几何中心对之间存在过分割(如图3b所示)。在该情况下，可将该几何中心对之间的中点做为新的几何中心，并删除该几何中心对，实现中心点位置的优化。
在一种可能的实现方式中，对于各个几何中心对中未出现上述情况的几何中心对，可保留这些几何中心对对应的中心点，不进行处理。其中，邻近阈值NT和全局阈值GT的取值可例如分别为1.5和1.8。应当理解，本领域技术人员可根据实际情况设定邻近阈值NT和全局阈值GT，本公开对此不作限制。
图4示出根据本公开实施例的图像处理方法的中心点的示意图。如图4所示，经计算并优化后，可确定各个椎体核心的中心点位置(也即椎体实例几何中心)，以便在后续步骤中处理，得到由椎体实例边界框限定的图像区域。通过这种方式，能够提高处理精度。
在一种可能的实现方式中，可在步骤S12中根据各个目标的分割区域的中心点位置，确定各个目标所在的图像区域，也即由边界框所限定的感兴趣区域ROI。其中，步骤S12可包括：
对于任意一个目标，根据所述目标的中心点位置以及与所述目标的中心点位置相邻的至少一个中心点位置，确定所述目标所在的图像区域。
举例来说，可分别对属于第一类别的各个目标(也即各个第一目标)进行处理。对于K个第一目标中的任意一个目标Vk(1≤k≤K，例如从下向上排序)，可设定该目标的中心点位置为C(Vk)。在1<k<K时，可取其上下相邻的两个中心点位置C(Vk+1)和C(Vk-1)所在横截面作为该目标的边界，从而确定该目标Vk的边界框所限定的感兴趣区域ROI，也即选取C(Vk+1)-C(Vk-1)+1个连续的横截面切片图像作为目标Vk的ROI。
在一种可能的实现方式中，对于最顶层的目标VK，其上方相邻的中心点缺失，可以取其下方相邻的中心点C(VK-1)相对于VK的中心点C(VK)的对称边界，也即向上扩展距离C(VK)-C(VK-1)。可将该位置所在横截面作为目标VK的上边界，中心点C(VK-1)所在横截面作为该目标VK的下边界，从而确定该目标VK的边界框所限定的感兴趣区域ROI，也即选取2*(C(VK)-C(VK-1))+1个连续的横截面切片图像作为目标VK的ROI。
在一种可能的实现方式中，对于最底层的目标V1，其下方相邻的中心点缺失，可以取其上方相邻的中心点C(V2)相对于V1的中心点C(V1)的对称边界，也即向下扩展距离C(V2)-C(V1)。可将该位置所在横截面作为该目标V1的下边界，中心点C(V2)所在横截面作为该目标V1的上边界，从而确定该目标V1的边界框所限定的感兴趣区域ROI，也即选取2*(C(V2)-C(V1))+1个连续的横截面切片图像作为目标V1的ROI。如图4所示，经处理后，可确定各个第一目标所在的图像区域，也即由边界框所限定的感兴趣区域ROI。
在一种可能的实现方式中，在各个第一目标的类别为脊椎椎体的情况下，为了应对棘突较长的异常情况，可将各个第一目标的边界框下边界再向下扩张，例如0.15*椎体边界长度的一半，即0.15*(C(Vk+1)-C(Vk-1))/2。应当理解，本领域技术人员可根据实际情况设定向下扩张的边界长度，本公开对此不作限制。
通过这种方式，可确定各个目标的边界框，从而确定边界框所限定的感兴趣区域ROI，实现了椎体的准确定位。
在一种可能的实现方式中，所述目标的分割结果包括所述第一目标的分割结果，步骤S13可包括：通过第一实例分割网络分别对所述第一目标所在的图像区域进行实例分割处理，确定所述第一目标的分割结果。
举例来说，可预先设置有第一实例分割网络，以便对各个第一目标所在的图像区域(也即感兴趣区域ROI)进行实例分割。该第一实例分割网络可例如为卷积神经网络，例如采用基于VNet的3D分割网络模型等。本公开对第一实例分割网络的网络结构不作限制。
在一种可能的实现方式中，对于任一个ROI中的切片图像(例如192*192的横截面切片图像)，可以取该切片图像以及与该切片图像上下相邻的各N个切片图像(也即2N+1个切片图像)，组成切片图像组。将该切片图像组的2N+1个切片图像输入第一实例分割网络中处理，得到该切片图像的实例分割区域。N可例如取值为4，即选取与每个切片图像上下相邻4个切片图像，一共9个切片图像。对于上面相邻或下面相邻的切片图像的数量小于N的情况，可采用对称填充的方式进行补全，此处不再重复描述。本公开对N的具体取值及图像补全方式不作限制。
在一种可能的实现方式中，可分别对各个ROI中的多个切片图像分别进行处理，得到各个ROI的多个切片图像的实例分割区域。对多个切片图像的平面实例分割区域进行叠加，并寻找叠加后的3D实例分割区域中的连通域，每个连通域对应一个3D实例分割区域。然后，对多个3D实例分割区域进行优化，去除连通域的体积小于或等于预设体积阈值的杂质区域，从而得到一个或多个第一目标的实例分割区域，并可将一个或多个第一目标的实例分割区域作为第一目标的分割结果。本公开对预设体积阈值的具体取值不作限制。
通过这种方式，可实现各个椎体目标的实例分割，提高椎体实例分割的准确性。
在一种可能的实现方式中，所述待处理图像中目标的分割区域包括第二目标的分割结果，所述第二目标为所述目标中属于第二类别的目标，步骤S11可包括：通过第二实例分割网络对待处理图像进行实例分割，确定所述第二目标的分割结果。
举例来说，第二目标的类别可例如包括尾椎椎体。由于尾椎椎体的特征与其他目标的差异较大，因此可直接进行实例分割，得到分割结果。可预先设置有第二实例分割网络，以便对预处理后的待处理图像进行实例分割。该第二实例分割网络可例如为卷积神经网络，例如采用基于UNet的2.5D分割网络模型，包括残差编码网络(例如Resnet34)、空洞卷积池化金字塔(Atrous Spatial Pyramid Pooling，ASPP)模块，基于注意力机制(Attention)的模块以及解码网络(Decoder)等。本公开对第二实例分割网络的网络结构不作限制。
在一种可能的实现方式中，对于尾椎椎体的分割，可通过重采样将待处理图像的空间分辨率调整为0.4*0.4*1.25mm3；再将重采样后的图像的像素值缩小为[-1,inf]；然后，以第一图像的中心为基准位置，将第一图像的各个切片图像裁切为512*512的图像，不足512*512的位置的像素值填充为-1。这样，可以得到预处理后的图像。
在一种可能的实现方式中，对于预处理后的图像中的任意一个切片图像，可以取该切片图像以及与该切片图像上下相邻的各N个切片图像(也即2N+1个切片图像)，组成切片图像组。将切片图像组的2N+1个切片图像输入第二实例分割网络中处理，得到该切片图像的实例分割区域。N可例如取值为4，即选取与每个切片图像上下相邻4个切片图像，一共9个切片图像。对于上面相邻或下面相邻的切片图像的数量小于N的情况，可采用对称填充的方式进行补全，此处不再重复描述。本公开对N的具体取值及图像补全方式不作限制。
在一种可能的实现方式中，可分别对各个切片图像进行处理，得到多个切片图像的实例分割区域。对多个切片图像的平面实例分割区域进行叠加，并寻找叠加后的3D实例分割区域中的连通域，每个连通域对应一个3D实例分割区域。然后，对3D实例分割区域进行优化，去除连通域的体积小于或等于预设体积阈值的杂质区域，从而得到第二目标的实例分割区域，并可将该实例分割区域作为第二目标的分割结果。本公开对预设体积阈值的具体取值不作限制。
通过这种方式，可实现特定椎体目标的实例分割，提高椎体实例分割的准确性。
在一种可能的实现方式中，所述方法还包括：
对所述第一目标的分割结果及所述第二目标的分割结果进行融合，确定所述待处理图像中目标的融合分割结果。
举例来说，在前述步骤中，分别获得了第一目标(类别例如为腰椎椎体)和第二目标(类别例如为尾椎椎体)的实例分割结果。然而，这两个实例分割结果之间可能存在一定的重叠区域。例如，腰椎椎体的核心分割可能存在过分割，导致尾椎的一部分被误分割为腰椎；或者尾椎椎体的实例分割可能存在过分割，导致腰椎的一部分被误分割为尾椎。
图5a示出根据本公开实施例的图像处理方法的核心分割的示意图，图6a示出根据本公开实施例的图像处理方法的尾椎分割的示意图。如图5a所示，腰椎椎体的核心分割中将靠近腰椎的尾椎骶骨核心部分误分割为腰椎；如图6a所示，尾椎椎体的实例分割中将腰椎误识别为尾椎。
在一种可能的实现方式中，可对第一目标和第二目标的实例分割结果进行融合，确定两者的重叠部分的归属。对于第一目标(例如腰椎椎体)的多个实例分割区域，可分别计算每个第一目标的实例分割区域与第二目标的实例分割区域C之间的交并比(Intersection over union，IOU)。对于任意一个第一目标的实例分割区域Vj(1≤j≤J，J为第一目标的实例分割区的数量)，其与第二目标的实例分割区域C之间的交并比为IOU(Vj，C)。
在一种可能的实现方式中，可预先设定阈值T，如果交并比IOU(Vj，C)>T，则该实例分割区域Vj为第二目标(即尾椎椎体)的误分割结果，应该属于尾椎椎体，如图5b所示，可将该实例分割区域Vj并入第二目标的实例分割区域C，从而解决了将尾椎椎体误分割为腰椎椎体的问题。
在一种可能的实现方式中，如果0<交并比IOU(Vj，C)<T，则第二目标的实例分割区域C存在过分割，应该属于腰椎椎体，如图6b所示，可将实例分割区域C并入实例分割区域Vj，从而解决了将腰椎椎体误分割为尾椎椎体的问题。
在一种可能的实现方式中，如果交并比IOU(Vj，C)＝0，则不对实例分割区域Vj和实例分割区域C进行处理。其中，T可例如取值为0.2。应当理解，本领域技术人员可根据实际情况设定阈值T的取值，本公开对此不作限制。通过这种方式，可以得到更准确的椎体分割结果。通过这种方式，能够进一步提高分割的效果。
图5b示出根据本公开实施例的图像处理方法的融合分割结果的示意图，图6b示出根据本公开实施例的图像处理方法的融合分割结果的示意图。如图5b所示，通过融合解决了图5a中将尾椎的骶骨误分为腰椎的问题；如图6b所示，融合后消除了图6a中将腰椎误分类为尾椎的问题。
图7示出根据本公开实施例的图像处理方法的处理过程的示意图。下面以椎骨的定位及分割为例，对根据本公开实施例的图像处理方法的处理过程进行说明。如图7所示，可对原始图像数据(也即3D椎体图像)分别进行腰椎分割和尾椎分割。
一方面，可将预处理后的原始图像数据(例如192*192的多个切片图像)输入核心分割网络中进行核心分割，获取腰椎核心(如图2a所示)；分别计算各个腰椎核心的几何中心位置，进而计算椎体边界框；将各个椎体边界框限定的感兴趣区域分别输入第一实例分割网络中进行腰椎实例分割，可得到腰椎实例分割结果。另一方面，可将预处理后的原始图像数据(例如512*512的多个切片图像)输入第二实例分割网络中进行尾椎分割，得到尾椎实例分割结果。
在一种可能的实现方式中，可将腰椎实例(即腰椎实例分割结果)与尾椎(即尾椎实例分割结果)融合，可得到最终的椎体实例分割结果(如图5b和图6b所示)。
通过这种方式，能够对椎体进行定位以确定每节椎体的边界框，通过边界框截取感兴趣区域ROI以实现椎体的实例分割，对几何性质与其他椎体不同的尾椎单独分割，并将实例分割结果融合，从而提高了分割的准确性及鲁棒性。
在一种可能的实现方式中，在应用或部署上述神经网络之前，可对各个神经网络进行训练。根据本公开实施例的图像处理方法还包括：
根据预设的训练集，训练神经网络，所述神经网络包括核心分割网络、第一实例分割网络及第二实例分割网络中的至少一种，所述训练集包括已标注的多个样本图像。
举例来说，可预先设定训练集，来训练上述的核心分割网络、第一实例分割网络及第二实例分割网络这三个神经网络。
在一种可能的实现方式中，对于核心分割网络，可先标注出样本图像(也即3D椎体图像)中的各个椎体(如图5b所示)，然后可通过半径为1的球状结构元素腐蚀，直至核心体积/椎体体积<＝0.15，从而确定样本图像的核心标注信息(如图2a所示)。本公开对核心体积与椎体体积的比值阈值不作限制。
在一种可能的实现方式中，可根据样本图像及其核心标注信息，对核心分割网络进行训练。可例如通过交叉熵损失函数(cross entropy)及相似性损失函数(dice)监督核心分割网络的训练过程，经训练后，可得到满足需求的核心分割网络。
在一种可能的实现方式中，对于第一实例分割网络，可根据样本图像的核心标注信息计算椎体的几何中心；以当前椎体的相邻的上一椎体几何中心为上界，以相邻的下面一椎体几何中心向下扩张0.15*椎体厚度(即椎体边界框上下边界差值的一半)后为下界，以上下边界在z轴上截取连续的横断面切片作为当前椎体的ROI。在实际测试过程中，根据核心分割网络的分割结果计算得到的椎体几何中心往往相对于真实的几何中心有所偏移，为了增强模型鲁棒性，可对椎体的上下界做一定的随机扰动。扰动取值范围为[-0.1*椎体厚度，0.1*椎体厚度]。
在一种可能的实现方式中，将各个ROI分别输入第一实例分割网络中处理，并根据处理结果与样本图像的标注信息(也即标注出的各个椎体)对第一实例分割网络进行训练。可例如通过交叉熵损失函数(cross entropy)及相似性损失函数(dice)监督第一实例分割网络的训练过程，经训练后，可得到满足需求的第一实例分割网络。
在一种可能的实现方式中，对于第二实例分割网络，可标注出样本图像中的尾椎椎体，根据样本图像及其尾椎标注信息，对第二实例分割网络进行训练。可例如通过交叉熵损失函数(cross entropy)及相似性损失函数(dice)监督第二实例分割网络的训练过程，经训练后，可得到满足需求的第二实例分割网络。
在一种可能的实现方式中，可对各个神经网络分别进行训练，也可对各个神经网络进行联合训练，本公开对训练方式及训练的具体过程不作限制。
通过这种方式，可以实现核心分割网络、第一实例分割网络及第二实例分割网络的训练过程，得到高精度的神经网络。
根据本公开实施例的图像处理方法，能够实现椎体的检测与定位，确定每节椎体的边界框，通过边界框截取ROI实现椎体的实例分割，对尾椎单独分割并进行实例分割结果的融合，从而实现了全种类椎体(包含尾椎，腰椎，胸椎和颈椎)的实例分割，对椎体数量和扫描部位鲁棒性强，并且耗时短，满足实时要求。
根据本公开实施例的图像处理方法，可应用于脊椎类疾病的辅助诊断，椎体3D打印等应用场景中，例如在CT图像中准确分割单个椎骨，分割后，可以确定单个椎骨的形状和状况。分割还可以帮助早期诊断，手术规划和定位脊柱病变，如退行性疾病，变形，创伤，肿瘤和骨折等。本公开对具体的应用场景不作限制。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图8示出根据本公开实施例的图像处理装置的框图，如图8所示，所述图像处理装置包括：第一分割模块61，用于对待处理图像进行第一分割处理，确定所述待处理图像中目标的分割区域；区域确定模块62，用于根据所述目标的分割区域的中心点位置，确定目标所在的图像区域；第二分割模块63，用于对各目标所在的图像区域进行第二分割处理，确定所述待处理图像中目标的分割结果。
在一种可能的实现方式中，所述待处理图像中目标的分割区域包括第一目标的核心分割区域，所述第一目标为所述目标中属于第一类别的目标，所述第一分割模块包括：核心分割子模块，用于通过核心分割网络对所述待处理图像进行核心分割处理，确定第一目标的核心分割区域。
在一种可能的实现方式中，所述目标的分割结果包括所述第一目标的分割结果，所述第二分割模块包括：第一实例分割子模块，用于通过第一实例分割网络分别对所述第一目标所在的图像区域进行实例分割处理，确定所述第一目标的分割结果。
在一种可能的实现方式中，所述待处理图像中目标的分割区域包括第二目标的分割结果，所述第二目标为所述目标中属于第二类别的目标，所述第一分割模块包括：第二实例分割子模块，用于通过第二实例分割网络对所述待处理图像进行实例分割，确定所述第二目标的分割结果。
在一种可能的实现方式中，所述装置还包括：融合模块，用于对所述第一目标的分割结果及所述第二目标的分割结果进行融合，确定所述待处理图像中目标的融合分割结果。
在一种可能的实现方式中，所述待处理图像包括3D椎体图像，所述3D椎体图像包括椎体横截面方向的多个切片图像，所述核心分割子模块，包括：切片分割子模块，用于通过所述核心分割网络对目标切片图像组进行核心分割处理，得到所述第一目标在目标切片图像上的核心分割区域，所述目标切片图像组包括目标切片图像及与所述目标切片图像相邻的2N个切片图像，所述目标切片图像为所述多个切片图像中的任意一个，N为正整数；核心区域确定子模块，用于根据所述多个切片图像的核心分割区域，确定所述第一目标的核心分割区域。
在一种可能的实现方式中，所述核心区域确定子模块，用于：根据所述多个切片图像的核心分割区域，分别确定多个3D核心分割区域；对所述多个3D核心分割区域进行优化处理，得到所述第一目标的核心分割区域。
在一种可能的实现方式中，所述装置还包括：第一中心确定模块，用于根据所述待处理图像中目标的分割区域，确定各个分割区域的中心点位置。
在一种可能的实现方式中，所述装置还包括：第二中心确定模块，用于根据所述待处理图像中目标的分割区域，确定目标的分割区域的初始中心点位置；第三中心确定模块，用于对目标的分割区域的初始中心点位置进行优化，确定各个分割区域的中心点位置。
在一种可能的实现方式中，所述第一分割模块包括：调整子模块，用于对待处理图像进行重采样及像素值缩小处理，得到处理后的第一图像；裁切子模块，用于对所述第一图像进行中心裁切，得到裁切后的第二图像；分割子模块，用于对所述第二图像进行第一分割处理，确定所述待处理图像中目标的分割区域。
在一种可能的实现方式中，所述区域确定模块包括：图像区域确定子模块，用于对于任意一个目标，根据所述目标的中心点位置以及与所述目标的中心点位置相邻的至少一个中心点位置，确定所述目标所在的图像区域。
在一种可能的实现方式中，所述装置还包括：训练模块，用于根据预设的训练集，训练神经网络，所述神经网络包括核心分割网络、第一实例分割网络及第二实例分割网络中的至少一种，所述训练集包括已标注的多个样本图像。
在一种可能的实现方式中，第一类别包括颈椎椎体、脊椎椎体、腰椎椎体及胸椎椎体中的至少一种；第二类别包括尾椎椎体。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图9示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图9，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图10示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图10，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种图像处理方法，其特征在于，包括：
对待处理图像进行第一分割处理，确定所述待处理图像中目标的分割区域；
根据所述目标的分割区域的中心点位置，确定目标所在的图像区域；
对各目标所在的图像区域进行第二分割处理，确定所述待处理图像中目标的分割结果。
2.根据权利要求1所述的方法，其特征在于，所述待处理图像中目标的分割区域包括第一目标的核心分割区域，所述第一目标为所述目标中属于第一类别的目标，
所述对待处理图像进行第一分割处理，确定所述待处理图像中目标的分割区域，包括：
通过核心分割网络对所述待处理图像进行核心分割处理，确定第一目标的核心分割区域。
3.根据权利要求2所述的方法，其特征在于，所述目标的分割结果包括所述第一目标的分割结果，
所述对各目标所在的图像区域进行第二分割处理，确定所述待处理图像中目标的分割结果，包括：
通过第一实例分割网络分别对所述第一目标所在的图像区域进行实例分割处理，确定所述第一目标的分割结果。
4.根据权利要求3所述的方法，其特征在于，所述待处理图像中目标的分割区域包括第二目标的分割结果，所述第二目标为所述目标中属于第二类别的目标，
所述对待处理图像进行第一分割处理，确定所述待处理图像中目标的分割区域，包括：
通过第二实例分割网络对所述待处理图像进行实例分割，确定所述第二目标的分割结果。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
对所述第一目标的分割结果及所述第二目标的分割结果进行融合，确定所述待处理图像中目标的融合分割结果。
6.根据权利要求2-5中任意一项所述的方法，其特征在于，所述待处理图像包括3D椎体图像，所述3D椎体图像包括椎体横截面方向的多个切片图像，
所述通过核心分割网络对所述待处理图像进行核心分割处理，确定第一目标的核心分割区域，包括：
通过所述核心分割网络对目标切片图像组进行核心分割处理，得到所述第一目标在目标切片图像上的核心分割区域，所述目标切片图像组包括目标切片图像及与所述目标切片图像相邻的2N个切片图像，所述目标切片图像为所述多个切片图像中的任意一个，N为正整数；
根据所述多个切片图像的核心分割区域，确定所述第一目标的核心分割区域。
7.根据权利要求6所述的方法，其特征在于，所述根据所述多个切片图像上的核心分割区域，确定所述第一目标的核心分割区域，包括：
根据所述多个切片图像的核心分割区域，分别确定多个3D核心分割区域；
对所述多个3D核心分割区域进行优化处理，得到所述第一目标的核心分割区域。
8.一种图像处理装置，其特征在于，包括：
第一分割模块，用于对待处理图像进行第一分割处理，确定所述待处理图像中目标的分割区域；
区域确定模块，用于根据所述目标的分割区域的中心点位置，确定目标所在的图像区域；
第二分割模块，用于对各目标所在的图像区域进行第二分割处理，确定所述待处理图像中目标的分割结果。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
CN201910865717.5A 2019-09-12 2019-09-12 图像处理方法及装置、电子设备和存储介质 Active CN110569854B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201910865717.5A CN110569854B (zh) 2019-09-12 2019-09-12 图像处理方法及装置、电子设备和存储介质
PCT/CN2020/100730 WO2021047267A1 (zh) 2019-09-12 2020-07-07 图像处理方法及装置、电子设备、存储介质和计算机程序
KR1020217025998A KR20210113678A (ko) 2019-09-12 2020-07-07 이미지 처리 방법 및 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램
JP2021539342A JP2022517925A (ja) 2019-09-12 2020-07-07 画像処理方法および装置、電子機器、記憶媒体およびコンピュータプログラム
TW109131174A TWI754375B (zh) 2019-09-12 2020-09-10 圖像處理方法、電子設備、電腦可讀儲存介質
US17/676,288 US20220180521A1 (en) 2019-09-12 2022-02-21 Image processing method and apparatus, and electronic device, storage medium and computer program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910865717.5A CN110569854B (zh) 2019-09-12 2019-09-12 图像处理方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN110569854A true CN110569854A (zh) 2019-12-13
CN110569854B CN110569854B (zh) 2022-03-29

Family

ID=68779769

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910865717.5A Active CN110569854B (zh) 2019-09-12 2019-09-12 图像处理方法及装置、电子设备和存储介质

Country Status (6)

Country Link
US (1) US20220180521A1 (zh)
JP (1) JP2022517925A (zh)
KR (1) KR20210113678A (zh)
CN (1) CN110569854B (zh)
TW (1) TWI754375B (zh)
WO (1) WO2021047267A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160276A (zh) * 2019-12-31 2020-05-15 重庆大学 基于遥感影像的u型空洞全卷积分割网络识别模型
CN111178445A (zh) * 2019-12-31 2020-05-19 上海商汤智能科技有限公司 图像处理方法及装置
CN111368698A (zh) * 2020-02-28 2020-07-03 Oppo广东移动通信有限公司 主体识别方法、装置、电子设备及介质
CN111445443A (zh) * 2020-03-11 2020-07-24 北京深睿博联科技有限责任公司 早急性脑梗死检测方法和装置
CN112308867A (zh) * 2020-11-10 2021-02-02 上海商汤智能科技有限公司 牙齿图像的处理方法及装置、电子设备和存储介质
WO2021047267A1 (zh) * 2019-09-12 2021-03-18 上海商汤智能科技有限公司 图像处理方法及装置、电子设备、存储介质和计算机程序
CN112927239A (zh) * 2021-02-22 2021-06-08 北京安德医智科技有限公司 图像处理方法、装置、电子设备及存储介质
CN113256672A (zh) * 2021-05-20 2021-08-13 推想医疗科技股份有限公司 图像处理方法及装置，模型的训练方法及装置，电子设备
CN114638843A (zh) * 2022-03-18 2022-06-17 北京安德医智科技有限公司 大脑中动脉高密度征影像识别方法及装置
WO2023074880A1 (ja) * 2021-10-29 2023-05-04 Jsr株式会社 椎体推定モデル学習装置、椎体推定装置、固定条件推定装置、椎体推定モデル学習方法、椎体推定方法、固定条件推定方法及びプログラム
WO2023193175A1 (zh) * 2022-04-07 2023-10-12 中国科学院深圳先进技术研究院 一种基于超声图像的穿刺针实时检测方法及装置

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI806047B (zh) * 2021-05-11 2023-06-21 宏碁智醫股份有限公司 影像分析方法與影像分析裝置
TWI795108B (zh) * 2021-12-02 2023-03-01 財團法人工業技術研究院 用於判別醫療影像的電子裝置及方法
CN115035074B (zh) * 2022-06-17 2024-05-28 重庆大学 基于全局空间感知网络的宫颈上皮组织病理图像识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633521A (zh) * 2017-07-31 2018-01-26 深圳联影医疗科技有限公司 一种脊椎识别和命名系统、方法及装置
CN108510507A (zh) * 2018-03-27 2018-09-07 哈尔滨理工大学 一种融合加权随机森林的3d椎骨ct图像主动轮廓分割方法
CN109829920A (zh) * 2019-02-25 2019-05-31 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
CN109919903A (zh) * 2018-12-28 2019-06-21 上海联影智能医疗科技有限公司 一种脊椎检测定位标记方法、系统及电子设备
US20190192099A1 (en) * 2017-12-21 2019-06-27 Shanghai United Imaging Healthcare Co., Ltd. System and method for medical imaging of intervertebral discs

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040028945A (ko) * 1999-05-17 2004-04-03 삼성전자주식회사 컬러 영상 처리 방법 및 그 방법을 실현시키기 위한프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체
US9591268B2 (en) * 2013-03-15 2017-03-07 Qiagen Waltham, Inc. Flow cell alignment methods and systems
JP6273241B2 (ja) * 2015-09-24 2018-01-31 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 放射線断層撮影方法及び装置並びにプログラム
CN107886515B (zh) * 2017-11-10 2020-04-21 清华大学 利用光流场的图像分割方法及装置
CN109215037B (zh) * 2018-09-18 2021-04-02 Oppo广东移动通信有限公司 目标图像分割方法、装置及终端设备
CN110033005A (zh) * 2019-04-08 2019-07-19 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN110569854B (zh) * 2019-09-12 2022-03-29 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633521A (zh) * 2017-07-31 2018-01-26 深圳联影医疗科技有限公司 一种脊椎识别和命名系统、方法及装置
US20190035085A1 (en) * 2017-07-31 2019-01-31 Shenzhen United Imaging Healthcare Co., Ltd. Systems and methods for automatic vertebrae segmentation and identification in medical images
US20190192099A1 (en) * 2017-12-21 2019-06-27 Shanghai United Imaging Healthcare Co., Ltd. System and method for medical imaging of intervertebral discs
CN108510507A (zh) * 2018-03-27 2018-09-07 哈尔滨理工大学 一种融合加权随机森林的3d椎骨ct图像主动轮廓分割方法
CN109919903A (zh) * 2018-12-28 2019-06-21 上海联影智能医疗科技有限公司 一种脊椎检测定位标记方法、系统及电子设备
CN109829920A (zh) * 2019-02-25 2019-05-31 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021047267A1 (zh) * 2019-09-12 2021-03-18 上海商汤智能科技有限公司 图像处理方法及装置、电子设备、存储介质和计算机程序
CN111160276B (zh) * 2019-12-31 2023-05-12 重庆大学 基于遥感影像的u型空洞全卷积分割网络识别模型
CN111178445A (zh) * 2019-12-31 2020-05-19 上海商汤智能科技有限公司 图像处理方法及装置
CN111160276A (zh) * 2019-12-31 2020-05-15 重庆大学 基于遥感影像的u型空洞全卷积分割网络识别模型
CN111368698A (zh) * 2020-02-28 2020-07-03 Oppo广东移动通信有限公司 主体识别方法、装置、电子设备及介质
CN111368698B (zh) * 2020-02-28 2024-01-12 Oppo广东移动通信有限公司 主体识别方法、装置、电子设备及介质
CN111445443A (zh) * 2020-03-11 2020-07-24 北京深睿博联科技有限责任公司 早急性脑梗死检测方法和装置
CN111445443B (zh) * 2020-03-11 2023-09-01 北京深睿博联科技有限责任公司 早急性脑梗死检测方法和装置
CN112308867A (zh) * 2020-11-10 2021-02-02 上海商汤智能科技有限公司 牙齿图像的处理方法及装置、电子设备和存储介质
CN112927239A (zh) * 2021-02-22 2021-06-08 北京安德医智科技有限公司 图像处理方法、装置、电子设备及存储介质
CN113256672A (zh) * 2021-05-20 2021-08-13 推想医疗科技股份有限公司 图像处理方法及装置，模型的训练方法及装置，电子设备
CN113256672B (zh) * 2021-05-20 2024-05-28 推想医疗科技股份有限公司 图像处理方法及装置，模型的训练方法及装置，电子设备
WO2023074880A1 (ja) * 2021-10-29 2023-05-04 Jsr株式会社 椎体推定モデル学習装置、椎体推定装置、固定条件推定装置、椎体推定モデル学習方法、椎体推定方法、固定条件推定方法及びプログラム
CN114638843B (zh) * 2022-03-18 2022-09-06 北京安德医智科技有限公司 大脑中动脉高密度征影像识别方法及装置
CN114638843A (zh) * 2022-03-18 2022-06-17 北京安德医智科技有限公司 大脑中动脉高密度征影像识别方法及装置
WO2023193175A1 (zh) * 2022-04-07 2023-10-12 中国科学院深圳先进技术研究院 一种基于超声图像的穿刺针实时检测方法及装置

Also Published As

Publication number Publication date
CN110569854B (zh) 2022-03-29
TWI754375B (zh) 2022-02-01
JP2022517925A (ja) 2022-03-11
TW202110387A (zh) 2021-03-16
KR20210113678A (ko) 2021-09-16
US20220180521A1 (en) 2022-06-09
WO2021047267A1 (zh) 2021-03-18

Similar Documents

Publication Publication Date Title
CN110569854B (zh) 图像处理方法及装置、电子设备和存储介质
CN109829920B (zh) 图像处理方法及装置、电子设备和存储介质
TWI755853B (zh) 圖像處理方法、電子設備和電腦可讀儲存介質
CN106651955B (zh) 图片中目标物的定位方法及装置
US20210326587A1 (en) Human face and hand association detecting method and a device, and storage medium
CN109978886B (zh) 图像处理方法及装置、电子设备和存储介质
CN111899268B (zh) 图像分割方法及装置、电子设备和存储介质
CN112767329B (zh) 图像处理方法及装置、电子设备
CN110674719A (zh) 目标对象匹配方法及装置、电子设备和存储介质
KR20210107667A (ko) 이미지 분할 방법 및 장치, 전자 기기 및 저장 매체
US20210279473A1 (en) Video processing method and apparatus, electronic device, and storage medium
KR20160021737A (ko) 이미지 분할 방법, 장치, 기기, 프로그램 및 기록매체
CN113012166A (zh) 颅内动脉瘤分割方法及装置、电子设备和存储介质
CN112967291B (zh) 图像处理方法及装置、电子设备和存储介质
CN111243011A (zh) 关键点检测方法及装置、电子设备和存储介质
CN112862916B (zh) Ct灌注功能图量化参数处理设备及方法
WO2023050691A1 (zh) 图像处理方法及装置、电子设备、存储介质和程序
KR102367648B1 (ko) 전 방향 시차 영상 합성 방법, 장치 및 저장 매체
CN112927239A (zh) 图像处理方法、装置、电子设备及存储介质
CN110852325B (zh) 图像的分割方法及装置、电子设备和存储介质
CN108171222B (zh) 一种基于多流神经网络的实时视频分类方法及装置
CN113902730A (zh) 图像处理和神经网络训练方法及装置
CN113538310A (zh) 图像处理方法及装置、电子设备和存储介质
JP2022548453A (ja) 画像分割方法及び装置、電子デバイス並びに記憶媒体
CN115035947B (zh) 蛋白质结构建模方法及装置、电子设备和存储介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40018265

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant