CN110570407A - 图像处理方法、存储介质及计算机设备 - Google Patents
图像处理方法、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN110570407A CN110570407A CN201910808494.9A CN201910808494A CN110570407A CN 110570407 A CN110570407 A CN 110570407A CN 201910808494 A CN201910808494 A CN 201910808494A CN 110570407 A CN110570407 A CN 110570407A
- Authority
- CN
- China
- Prior art keywords
- image
- gallbladder
- calculus
- segmentation
- segmentation network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种图像处理方法、存储介质及计算机设备,本申请的方法不同于现有技术中是通过医生观察来进行获取结石特征的方法,而是通过可以应用于计算机设备中处理器的图像处理方法得到胆囊结石的形态特征信息,其检测效率较高,因此,该方法可以提高图像处理效率以及胆囊结石形态特征信息获取效率;另外,该方法中在对胆囊图像进行处理时,是利用第一分割网络、检测网络及第二分割网络来进行处理的,而利用模型来进行图像处理,其相对于人工检测,准确率更高,因此,该方法可以提高图像处理结果的准确性。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图像处理方法、存储介质及计算机设备。
背景技术
结石是指人体或动物体内的导管腔中或腔性器官的腔中形成的固体块状物,主要见于胆囊及膀胱、肾盂中,也可见于胰导管、涎腺导管等的腔中。
现有技术中,通常采用电子计算机断层扫描(Computed Tomography,CT)对结石部位进行检测,医生通过获取结石部位的影像信息,并对结石影像进行观察,从而可以得到结石的相关形态特征信息。然而,上述方法存在效率较低的问题,并且,当影像较多时,医生的观察结果容易出错。
发明内容
基于此,有必要针对现有技术存在的问题,提供一种提高处理效率及准确性的图像处理方法、存储介质及计算机设备。
一种图像处理方法,包括:
通过第一分割网络对CT扫描图像进行分割处理,得到胆囊图像;
通过检测网络对所述胆囊图像进行结石检测,得到检测结果;
当所述检测结果为检测到结石时,通过第二分割网络对所述胆囊图像进行分割处理,得到结石图像;
根据所述结石图像进行特征分析处理,得到结石的形态特征信息。
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方法的步骤。
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上述方法的步骤。
上述图像处理方法、存储介质及计算机设备,通过第一分割网络对CT扫描图像进行分割处理,得到胆囊图像;通过检测网络对胆囊图像进行结石检测,得到检测结果;当检测结果为检测到结石时,通过第二分割网络对胆囊图像进行分割处理,得到结石图像;根据结石图像进行特征分析处理,得到结石的形态特征信息。本申请的方法不同于现有技术中是通过医生观察来进行获取结石特征的方法,而是通过可以应用于计算机设备中处理器的图像处理方法得到胆囊结石的形态特征信息,其检测效率较高,因此,该方法可以提高图像处理效率以及胆囊结石形态特征信息获取效率;另外,该方法中在对胆囊图像进行处理时,是利用第一分割网络、检测网络及第二分割网络来进行处理的,而利用模型来进行图像处理,其相对于人工检测,准确率更高,因此,该方法可以提高图像处理结果的准确性。
附图说明
图1为一个实施例中图像处理方法的流程示意图;
图2为一个实施例中通过第一分割网络对CT扫描图像进行分割处理,得到胆囊图像的流程示意图;
图3为一个实施例中通过第二分割网络对胆囊图像进行分割处理,得到结石图像的流程示意图;
图4为一个实施例中根据结石图像进行特征分析处理,得到结石的形态特征信息的流程示意图;
图5为另一个实施例中根据结石图像进行特征分析处理,得到结石的形态特征信息的流程示意图;
图6为一个实施例中图像处理装置的结构示意图;
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。
在一个实施例中,如图1所示,提供一种图像处理方法,以该方法应用于可以进行图像处理的处理器为例进行解释说明,该方法包括以下步骤:
步骤S100,通过第一分割网络对CT扫描图像进行分割处理,得到胆囊图像。
具体地,处理器可以通过对CT设备采集到的数据进行图像重建和校正,从而得到CT扫描图像,CT扫描图像包含胆囊部位。当然,CT扫描图像也可以预先重建和校正好,存储在处理器中,当需要对其进行处理时,处理器直接从存储器中读取CT扫描图像。当然,处理器也可以从外部设备中获取CT扫描图像。比如,将CT扫描图像存储在云端,当需要进行处理操作时,处理器从云端获取该CT扫描图像。本实施例对处理器获取CT扫描图像的方式不做限定。
第一分割网络是指预先训练好的、具备胆囊分割功能的网络模型,处理器将CT扫描图像输入第一分割网络后,第一分割网络对CT扫描图像进行分割处理,从而得到胆囊图像,并输出该胆囊图像。
步骤S200,通过检测网络对胆囊图像进行结石检测,得到检测结果。
检测网络是指预先训练好的、具备结石检测功能的网络模型,处理器根据第一分割网络的输出结果得到胆囊图像后,进一步将胆囊图像输入检测网络,从而,通过检测网络检测该胆囊图像中是否存在结石,并得到检测网络根据输入的胆囊图像得到的检测结果。
步骤S300,当检测结果为检测到结石时,通过第二分割网络对胆囊图像进行分割处理,得到结石图像。
处理器在通过检测网络对胆囊图像进行结石检测之后,得到的检测结果包括检测到结石以及未检测到结石两种情况,只有当检测结果为检测到结石时,才进行下一步处理,当检测结果为未检测到结石时,可以是直接输出胆囊图像即可,从而可以避免对不包含结石的胆囊图像进行处理的情况,减少不必要操作,提高处理效率。
具体地,当检测结果为检测到结石时,处理器通过第二分割网络对胆囊图像进行分割处理,得到结石图像。第二分割网络是指预先训练好的、具备结石分割功能的网络模型,处理器在通过结石检测确定胆囊图像中包含结石后,进一步将胆囊图像输入第二分割网络,从而,通过第二分割网络对该胆囊图像中存在的结石进行分割,并得到第二分割网络根据输入的胆囊图像得到的结石分割结果。
步骤S400,根据结石图像进行特征分析处理,得到结石的形态特征信息。
处理器在得到结石图像后,根据结石图像得到结石的形态特征信息,进一步地,可以将得到的形态特征信息进行输出,从而便于医生根据结石的形态特征信息对患者进行相关的诊断操作。
本实施例提供一种图像处理方法,可以应用于包含胆囊部位的CT扫描图像,不同于现有技术中是通过医生观察来进行获取结石特征的方法,本实施例是通过可以应用于计算机设备中处理器的图像处理方法得到胆囊结石的形态特征信息,其检测效率较高,因此,该方法可以提高图像处理效率以及胆囊结石形态特征信息获取效率;另外,该方法中在对胆囊图像进行处理时,是利用第一分割网络、检测网络及第二分割网络来进行处理的,而利用模型来进行图像处理,其相对于人工检测,准确率更高,因此,该方法可以提高图像处理结果的准确性。
在一个实施例中,本申请各实施例中的第一分割网络、检测网络以及第二分割网络可以是卷积神经网络,卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。例如,上述第一分割网络、检测网络以及第二分割网络可以是V-Net网络、FPN网络(Feature Pyramid Networks,特征金字塔网络)等。另外,由于CT图像为三维图像,上述第一分割网络、检测网络以及第二分割网络具体可以是三维卷积神经网络。
在一个实施例中,第一分割网络包括第一粗分割网络及第一细分割网络,其中,第一粗分割网络主要用于对CT扫描图像进行粗分割处理,第一细分割网络主要用于对粗分割处理后的CT扫描图像进行细分割处理。
如图2所示,步骤S100通过第一分割网络对CT扫描图像进行分割处理,得到胆囊图像,包括步骤S110至步骤S150。
步骤S110,对CT扫描图像进行重采样,得到第一重采样图像以及第二重采样图像,第一重采样图像的分辨率低于第二重采样图像的分辨率;
步骤S130,使用第一粗分割网络对第一重采样图像进行胆囊定位,得到胆囊在CT扫描图像中的位置信息;
步骤S150,根据胆囊的位置信息,使用第一细分割网络对第二重采样图像进行胆囊分割,得到胆囊图像。
具体地,第一分割网络首先对输入的CT扫描图像重采样为两种不同分辨率的重采样图像,例如,第一重采样图像的分辨率可以为[5mm,5mm,5mm],第二重采样图像的分辨率可以为[1mm,1mm,1mm]。在对重采样图像进行归一化处理后,使用第一粗分割网络对胆囊进行粗略分割,得到胆囊的位置信息,粗分割可以认为是计算感兴趣区域的过程,然后通过第一细分割网络对感兴趣区域进行细分割,从而得到准确度较高的胆囊图像。
本实施例中,通过将第一粗分割网络及第一细分割网络进行级联组成多尺度级联的第一分割网络,在胆囊分割过程中,相比于单个细分割网络模型,无需在整幅CT扫描图像中寻找胆囊,从而使得计算内容占用更小,计算所需时间降低,提高计算速度。另外,当图像尺寸较大时,使用单个细分割网络模型进行处理时,由于处理需要占用很大的GPU内存,因此需要对整幅图像进行分块处理(例如,将一幅三维图像分成2*2*2,共8块进行处理),从而,会导致图像的一些边缘信息不能得到很好的计算处理,胆囊边界的分割结果可能达不到平滑要求。而本实施例的内存占用量小,从而无需分块处理,可以提高胆囊分割结果的准确性。
在一个实施例中,通过步骤S100得到胆囊图像之后,图像处理方法还包括:根据胆囊图像,得到胆囊壁厚信息。
胆囊壁厚信息是指胆囊的壁厚分类信息,胆囊壁厚信息可以通过使用训练好的壁厚分类神经网络模型对胆囊壁的形态信息进行分析得到,壁厚分类神经网络模型可以根据样本数据(胆囊样本图像以及对应的胆囊壁厚分类标注)训练得到。具体地,胆囊壁厚可以分为正常平滑、正常不规则、增厚平滑、增厚不规则等,例如,设定正常的胆囊壁厚数值为1~2mm,增厚的胆囊壁厚数值为大于3.5mm,(1)若胆囊壁厚全为正常数值,则为正常平滑;(2)若胆囊壁厚包括正常数值以及增厚数值,且增厚的区域比例小于预设阈值时,则为正常不规则;(3)若胆囊壁厚全为增厚数值,则为增厚平滑;(4)若胆囊壁厚包括正常数值以及增厚数值,且增厚的区域比例大于预设阈值时,则为增厚不规则。
由于胆囊癌患者往往都有胆结石,胆囊癌的临床表现和诊断与胆囊炎相似,常常在胆囊切除时偶然发现,因此诊断时经常误诊。本实施中,通过根据胆囊图像得到胆囊壁厚信息,可以有助于医生对患者的具体症状进行判断,具体地,胆囊癌患者对应的胆囊壁厚常为不规则壁厚,而胆囊炎患者的胆囊壁厚常为平滑壁厚,因此,通过向诊断医生提供胆囊壁厚信息,可以降低医生对于胆囊癌的误诊风险。
在一个实施例中,通过步骤S100得到胆囊图像之后,图像处理方法还包括:根据胆囊图像,得到胆囊病灶密度以及强化程度。
胆囊病灶密度是指胆囊图像中病灶的密度信息,在胆囊图像中,病灶为CT较高的高亮区域,而强化程度是指胆囊边界线的明暗程度,可以分为无强化、轻度强化和明显强化等。胆囊病灶密度以及强化程度可以通过使用训练好的密度及强化分类神经网络模型得到,密度及强化分类神经网络模型可以根据样本数据(胆囊样本图像以及对应的病灶密度以及强化程度标注)训练得到。胆囊病灶强化程度的评判标准是将胆囊病灶的CT值和同层正常肝脏的CT值进行比较:当胆囊无病灶时,胆囊病灶强化程度为无;当胆囊病灶的CT值等于或稍微高于正常肝脏的CT值时,胆囊病灶强化程度为轻度强化;当胆囊病灶的CT值明显高于正常肝脏的CT值时,胆囊病灶强化程度为明显强化。
本实施中,通过根据胆囊图像得到胆囊病灶密度以及强化程度,可以有助于医生对患者的具体症状进行判断,具体地,胆囊癌患者对应的胆囊病灶密度较大,强化程度较高,因此,通过向诊断医生提供胆囊病灶密度以及强化程度信息,可以降低医生对于胆囊癌的误诊风险。
在一个实施例中,图像处理方法还包括:对CT扫描图像进行肝脏分割处理,得到肝脏图像,并检测肝脏图像中是否包含癌变、肿块等病灶区域。
肝脏分割处理过程同样可以通过使用训练好的肝脏分割神经网络模型实现,肝脏分割神经网络模型可以根据样本数据(样本图像以及对应的肝脏分割标注)训练得到。CT图像中正常肝脏区域与病变的肝脏区域的CT值和图像特征有差异,通过图像分割算法将肝脏器官分割出来,再用检测算法在分割出的肝脏器官中检测是否有病变部分,并标记出具体位置。
本实施中,通过进行肝脏分割处理得到肝脏图像,并检测肝脏图像中是否包含病灶区域,可以有助于医生对患者的具体症状进行判断,具体地,胆囊癌患者对应的肝脏区域较大概率包含有癌变、肿块等病灶区域,这是由于胆囊癌存在扩散特性,而胆囊炎不会扩散,因此,通过向诊断医生提供肝脏图像的病灶检测信息,可以降低医生对于胆囊癌的误诊风险。
在一个实施例中,还包括:获取患者的腹部淋巴结检测结果,主要包括,检测腹部淋巴结是否存在肿大。具体地,若单个淋巴结的直径大于预设值(例如10mm),或者,多个淋巴结的直径大于预设值(例如7mm),则可以认为存在淋巴结肿大。
本实施中,通过获取患者的腹部淋巴结检测结果,可以有助于医生对患者的具体症状进行判断,具体地,胆囊癌患者对应的腹部淋巴结常存在肿大的情况,而胆囊炎患者不存在该情况,因此,通过向诊断医生提供患者的腹部淋巴结检测结果信息,可以降低医生对于胆囊癌的误诊风险。
在一个实施例中,得到结石的形态特征信息之后,还包括:根据结石的形态特征信息输出对应的提示信息。
其中,提示信息可以是包含结石的形态特征信息,也可以是包含根据形态特征信息进行进一步分析处理后得到的分析结果。例如,可以根据结石的形态特征信息,以及得到的胆囊壁厚信息、胆囊病灶密度以及强化程度、肝脏病灶检测结果、腹部淋巴结检测结果进行综合评估,得到胆囊病变分类信息,胆囊病变分类具体包括胆囊结石、胆囊炎、胆囊癌等。
具体地,分别给胆囊厚度正常平滑、胆囊厚度正常不规则、胆囊厚度增厚平滑、胆囊厚度增厚不规则、胆囊无病灶、胆囊有轻度强化病灶、胆囊有明显强化病灶、肝脏无病变区域、肝脏有病变区域、腹部无淋巴结肿大和腹部有淋巴结肿大等多种情况分别设置一个权重,在通过神经网络模型得到上述检测结果后,根据检测结果以及对应的权重进行加权求和,得到最终的病变分类指数。当病变分类指数等于0时,说明患者只患有胆囊结石;当病变分类指数大于0,且低于预设阈值时,病变分类指数越大,患者得胆囊炎的可能性越大;当病变分类指数高于预设阈值时,病变分类指数越大,患者得胆囊癌的可能性越大。
本实施例中,在得到多种检测结果后,根据得到的检测结果进行胆囊病变分类,并输出相应的提示信息,从而可以向医生提供初步的参考诊断建议,有利于提高诊断结果的准确性。
在一个实施例中,第二分割网络包括第二粗分割网络及第二细分割网络,其中,第二粗分割网络主要用于对胆囊图像进行粗分割处理,第二细分割网络主要用于对粗分割处理后的胆囊图像进行细分割处理。
如图3所示,步骤S300通过第二分割网络对胆囊图像进行分割处理,得到结石图像,包括步骤S310至步骤S350。
步骤S310,对胆囊图像进行重采样,得到第三重采样图像以及第四重采样图像,第三重采样图像的分辨率低于第四重采样图像的分辨率;
步骤S330,使用第二粗分割网络对第三重采样图像进行结石定位,得到结石在胆囊图像中的位置信息;
步骤S350,根据结石的位置信息,使用第二细分割网络对第四重采样图像进行结石分割,得到结石图像。
具体地,第二分割网络首先对输入的胆囊图像重采样为两种不同分辨率的重采样图像,例如,第三重采样图像的分辨率可以为[5mm,5mm,5mm],第四重采样图像的分辨率可以为[1mm,1mm,1mm]。在对重采样图像进行归一化处理后,使用第二粗分割网络对结石进行粗略分割,得到结石的位置信息,粗分割可以认为是计算感兴趣区域的过程,然后通过第二细分割网络对感兴趣区域进行细分割,从而得到准确度较高的结石图像。
本实施例中,通过将第二粗分割网络及第二细分割网络进行级联组成多尺度级联的第二分割网络,在结石分割过程中,相比于单个细分割网络模型,无需在整幅胆囊图像中寻找结石,从而使得计算内容占用更小,计算所需时间降低,提高计算速度。另外,当图像尺寸较大时,使用单个细分割网络模型进行处理时,由于处理需要占用很大的GPU内存,因此需要对整幅图像进行分块处理(例如,将一幅三维图像分成2*2*2,共8块进行处理),从而,会导致图像的一些边缘信息不能得到很好的计算处理,结石边界的分割结果可能达不到平滑要求。而本实施例的内存占用量小,从而无需分块处理,可以提高结石分割结果的准确性。
在一个实施例中,结石的形态特征信息包括结石的体积。如图4所示,步骤S400根据结石图像进行特征分析处理,得到结石的形态特征信息,包括步骤S410至步骤S420。
步骤S410,获取结石图像对应的第一掩模像素数;
步骤S420,计算第一掩模像素数与结石图像分辨率的乘积,将乘积计算结果作为结石的体积。
具体地,结石图像对应的第一掩模像素数是指分割得到的结石Mask的像素数,通过计算第一掩模像素数与结石图像分辨率的乘积,即可得到结石的体积,从而有助于医生根据结石的体积大小进行相关诊断,该计算方法准确率较高,从而可以提高诊断结果的准确性。
在一个实施例中,结石的形态特征信息包括结石的体积占比。参考图4,根据结石图像进行特征分析处理,得到结石的形态特征信息,还包括步骤S430至步骤S440。
步骤S430,获取胆囊图像对应的第二掩模像素数;
步骤S440,计算第一掩模像素数与第二掩模像素数的比值,得到结石在胆囊中的体积占比。
具体地,结石的体积占比是指结石的体积与胆囊的体积的比值,胆囊图像对应的第二掩模像素数是指分割得到的胆囊Mask的像素数,通过计算第一掩模像素数与第二掩模像素数的比值,即可得到结石的体积占比,从而有助于医生根据结石的体积大小进行相关诊断,该计算方法准确率较高,从而可以提高诊断结果的准确性。
在一个实施例中,结石的形态特征信息包括结石在胆囊的位置。
如图5所示,根据结石图像进行特征分析处理,得到结石的形态特征信息,包括:根据胆囊图像以及结石图像,得到胆囊与结石的空间距离信息;当胆囊与结石的空间距离大于预设阈值时,确定结石在胆囊的内部位置;当胆囊与结石的空间距离小于预设阈值时,确定结石在胆囊的边缘位置。
具体地,结石的位置一般都位于人体器官的内部或者边缘,本实施例中,在通过CT扫描得到胆囊图像及单独的结石图像后,由于CT扫描图像为三维图像,因此可以计算得到胆囊及结石的表面最近距离。当该表面最近距离小于预设阈值时,表示结石与胆囊的表面距离非常接近,此时可以认为结石是在胆囊边缘;当该表面最近距离大于或等于预设阈值时,表示结石与胆囊的表面存在一定的距离,此时可以认为结石是在胆囊内部。本实施例通过确定胆囊与结石的空间位置关系,可以有助于医生进行医学诊断,提高诊断结果的准确性。
在一个实施例中,在得到结石的形态特征信息后,还包括:根据形态特征信息确定对应的处理策略。
在得到量化的结石形态特征信息之后,可以根据结石形态特征信息中的体积大小、结石位置等信息确定对应的治疗方案策略,并作为推送消息推送至医生,具体地,治疗方案策略例如胆囊切割手术、保胆治疗、中药保守治疗等。通过给出患者对应的处理策略建议,有助于减轻医生的工作量,提高处理策略决策的科学性以及决策效率。
在合理条件下应当理解,虽然前文各实施例涉及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,各流程图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,提供一种图像处理装置,该图像处理装置包括:胆囊分割模块100、结石检测模块200、结石分割模块300及特征获取模块400。
胆囊分割模块100用于通过第一分割网络对CT扫描图像进行分割处理,得到胆囊图像;
结石检测模块200用于通过检测网络对胆囊图像进行结石检测,得到检测结果;
结石分割模块300用于当检测结果为检测到结石时,通过第二分割网络对胆囊图像进行分割处理,得到结石图像;
特征获取模块400用于根据结石图像进行特征分析处理,得到结石的形态特征信息。
在一个实施例中,胆囊分割模块100还用于:对CT扫描图像进行重采样,得到第一重采样图像以及第二重采样图像,第一重采样图像的分辨率低于第二重采样图像的分辨率;使用第一粗分割网络对第一重采样图像进行胆囊定位,得到胆囊在CT扫描图像中的位置信息;根据胆囊的位置信息,使用第一细分割网络对第二重采样图像进行胆囊分割,得到胆囊图像。
在一个实施例中,胆囊分割模块100还用于:根据胆囊图像,得到胆囊壁厚信息。
在一个实施例中,胆囊分割模块100还用于:根据胆囊图像,得到胆囊病灶密度以及强化程度。
在一个实施例中,结石分割模块300还用于:对胆囊图像进行重采样,得到第三重采样图像以及第四重采样图像,第三重采样图像的分辨率低于第四重采样图像的分辨率;使用第二粗分割网络对第三重采样图像进行结石定位,得到结石在胆囊图像中的位置信息;根据结石的位置信息,使用第二细分割网络对第四重采样图像进行结石分割,得到结石图像。
在一个实施例中,特征获取模块400还用于:获取结石图像对应的第一掩模像素数;计算第一掩模像素数与结石图像分辨率的乘积,将乘积计算结果作为结石的体积。
在一个实施例中,特征获取模块400还用于:获取胆囊图像对应的第二掩模像素数;计算第一掩模像素数与第二掩模像素数的比值,得到结石在胆囊中的体积占比。
在一个实施例中,特征获取模块400还用于:根据胆囊图像以及结石图像,得到胆囊与结石的空间距离信息;当胆囊与结石的空间距离大于预设阈值时,确定结石在胆囊的内部位置;当胆囊与结石的空间距离小于预设阈值时,确定结石在胆囊的边缘位置。
关于图像处理装置的具体限定可以参见上文中对于图像处理方法的限定,在此不再赘述。上述图像处理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,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:通过第一分割网络对CT扫描图像进行分割处理,得到胆囊图像;通过检测网络对胆囊图像进行结石检测,得到检测结果;当检测结果为检测到结石时,通过第二分割网络对胆囊图像进行分割处理,得到结石图像;根据结石图像进行特征分析处理,得到结石的形态特征信息。
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CT扫描图像进行重采样,得到第一重采样图像以及第二重采样图像,第一重采样图像的分辨率低于第二重采样图像的分辨率;使用第一粗分割网络对第一重采样图像进行胆囊定位,得到胆囊在CT扫描图像中的位置信息;根据胆囊的位置信息,使用第一细分割网络对第二重采样图像进行胆囊分割,得到胆囊图像。
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:根据胆囊图像,得到胆囊壁厚信息。
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:根据胆囊图像,得到胆囊病灶密度以及强化程度。
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:对胆囊图像进行重采样,得到第三重采样图像以及第四重采样图像,第三重采样图像的分辨率低于第四重采样图像的分辨率;使用第二粗分割网络对第三重采样图像进行结石定位,得到结石在胆囊图像中的位置信息;根据结石的位置信息,使用第二细分割网络对第四重采样图像进行结石分割,得到结石图像。
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:获取结石图像对应的第一掩模像素数;计算第一掩模像素数与结石图像分辨率的乘积,将乘积计算结果作为结石的体积。
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:获取胆囊图像对应的第二掩模像素数;计算第一掩模像素数与第二掩模像素数的比值,得到结石在胆囊中的体积占比。
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:根据胆囊图像以及结石图像,得到胆囊与结石的空间距离信息;当胆囊与结石的空间距离大于预设阈值时,确定结石在胆囊的内部位置;当胆囊与结石的空间距离小于预设阈值时,确定结石在胆囊的边缘位置。
图7示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端(或服务器)。如图7所示,该计算机设备包括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、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现视频码率控制方法以及视频转码方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行视频码率控制方法以及视频转码方法。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,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:通过第一分割网络对CT扫描图像进行分割处理,得到胆囊图像;通过检测网络对胆囊图像进行结石检测,得到检测结果;当检测结果为检测到结石时,通过第二分割网络对胆囊图像进行分割处理,得到结石图像;根据结石图像进行特征分析处理,得到结石的形态特征信息。
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CT扫描图像进行重采样,得到第一重采样图像以及第二重采样图像,第一重采样图像的分辨率低于第二重采样图像的分辨率;使用第一粗分割网络对第一重采样图像进行胆囊定位,得到胆囊在CT扫描图像中的位置信息;根据胆囊的位置信息,使用第一细分割网络对第二重采样图像进行胆囊分割,得到胆囊图像。
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:根据胆囊图像,得到胆囊壁厚信息。
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:根据胆囊图像,得到胆囊病灶密度以及强化程度。
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:对胆囊图像进行重采样,得到第三重采样图像以及第四重采样图像,第三重采样图像的分辨率低于第四重采样图像的分辨率;使用第二粗分割网络对第三重采样图像进行结石定位,得到结石在胆囊图像中的位置信息;根据结石的位置信息,使用第二细分割网络对第四重采样图像进行结石分割,得到结石图像。
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:获取结石图像对应的第一掩模像素数;计算第一掩模像素数与结石图像分辨率的乘积,将乘积计算结果作为结石的体积。
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:获取胆囊图像对应的第二掩模像素数;计算第一掩模像素数与第二掩模像素数的比值,得到结石在胆囊中的体积占比。
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:根据胆囊图像以及结石图像,得到胆囊与结石的空间距离信息;当胆囊与结石的空间距离大于预设阈值时,确定结石在胆囊的内部位置;当胆囊与结石的空间距离小于预设阈值时,确定结石在胆囊的边缘位置。
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,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。
以上所述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发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
通过第一分割网络对CT扫描图像进行分割处理,得到胆囊图像;
通过检测网络对所述胆囊图像进行结石检测,得到检测结果;
当所述检测结果为检测到结石时,通过第二分割网络对所述胆囊图像进行分割处理,得到结石图像;
根据所述结石图像进行特征分析处理,得到结石的形态特征信息。
2.根据权利要求1所述的方法,其特征在于,所述第一分割网络为卷积神经网络,所述第一分割网络包括第一粗分割网络及第一细分割网络;
通过第一分割网络对CT扫描图像进行分割处理,得到胆囊图像,包括:
对所述CT扫描图像进行重采样,得到第一重采样图像以及第二重采样图像,所述第一重采样图像的分辨率低于所述第二重采样图像的分辨率;
使用所述第一粗分割网络对所述第一重采样图像进行胆囊定位,得到胆囊在所述CT扫描图像中的位置信息;
根据所述胆囊的位置信息,使用所述第一细分割网络对所述第二重采样图像进行胆囊分割,得到所述胆囊图像。
3.根据权利要求1所述的方法,其特征在于,得到胆囊图像之后,还包括以下各项中的至少一项:
第一项:根据所述胆囊图像,得到胆囊壁厚信息;
第二项:根据所述胆囊图像,得到胆囊病灶密度以及强化程度。
4.根据权利要求1所述的方法,其特征在于,所述第二分割网络为卷积神经网络,所述第二分割网络包括第二粗分割网络及第二细分割网络;
通过第二分割网络对所述胆囊图像进行分割处理,得到结石图像,包括:
对所述胆囊图像进行重采样,得到第三重采样图像以及第四重采样图像,所述第三重采样图像的分辨率低于所述第四重采样图像的分辨率;
使用所述第二粗分割网络对所述第三重采样图像进行结石定位,得到所述结石在所述胆囊图像中的位置信息;
根据所述结石的位置信息,使用所述第二细分割网络对所述第四重采样图像进行结石分割,得到所述结石图像。
5.根据权利要求1所述的方法,其特征在于,所述结石的形态特征信息包括所述结石的体积;
根据所述结石图像进行特征分析处理,得到结石的形态特征信息,包括:
获取所述结石图像对应的第一掩模像素数;
计算所述第一掩模像素数与所述结石图像分辨率的乘积,将乘积计算结果作为所述结石的体积。
6.根据权利要求5所述的方法,其特征在于,所述结石的形态特征信息包括所述结石的体积占比;
根据所述结石图像进行特征分析处理,得到结石的形态特征信息,还包括:
获取所述胆囊图像对应的第二掩模像素数;
计算所述第一掩模像素数与所述第二掩模像素数的比值,得到所述结石在所述胆囊中的体积占比。
7.根据权利要求1所述的方法,其特征在于,所述结石的形态特征信息包括所述结石在胆囊的位置;
根据所述结石图像进行特征分析处理,得到结石的形态特征信息,包括:
根据所述胆囊图像以及所述结石图像,得到所述胆囊与所述结石的空间距离信息;
当所述胆囊与所述结石的空间距离大于预设阈值时,确定所述结石在所述胆囊的内部位置;
当所述胆囊与所述结石的空间距离小于预设阈值时,确定所述结石在所述胆囊的边缘位置。
8.根据权利要求1所述的方法,其特征在于,得到结石的形态特征信息之后,还包括:
根据所述结石的形态特征信息输出对应的提示信息。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910808494.9A CN110570407B (zh) | 2019-08-29 | 2019-08-29 | 图像处理方法、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910808494.9A CN110570407B (zh) | 2019-08-29 | 2019-08-29 | 图像处理方法、存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570407A true CN110570407A (zh) | 2019-12-13 |
CN110570407B CN110570407B (zh) | 2022-10-28 |
Family
ID=68776746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910808494.9A Active CN110570407B (zh) | 2019-08-29 | 2019-08-29 | 图像处理方法、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570407B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178428A (zh) * | 2019-12-27 | 2020-05-19 | 上海联影智能医疗科技有限公司 | 软骨损伤分类方法、装置、计算机设备和存储介质 |
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 |
CN111292307A (zh) * | 2020-02-10 | 2020-06-16 | 刘肖 | 一种消化系统胆囊结石识别方法及定位方法 |
CN111325725A (zh) * | 2020-02-19 | 2020-06-23 | 京东方科技集团股份有限公司 | 视网膜图像识别方法及装置、电子设备、存储介质 |
CN111583264A (zh) * | 2020-05-06 | 2020-08-25 | 上海联影智能医疗科技有限公司 | 图像分割网络的训练方法、图像分割方法和存储介质 |
CN112168193A (zh) * | 2020-10-14 | 2021-01-05 | 北京赛迈特锐医疗科技有限公司 | 基于髌骨轴位x线图像获取髌骨解剖参数的系统及方法 |
CN112263269A (zh) * | 2020-09-22 | 2021-01-26 | 北京赛迈特锐医疗科技有限公司 | 泌尿系x线平片结石智能检测系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101645091A (zh) * | 2008-08-09 | 2010-02-10 | 株式会社其恩斯 | 图像数据压缩方法、图像处理中的图案模型定位方法,图像处理设备,图像处理程序和计算机可读记录介质 |
US20140242609A1 (en) * | 2013-02-26 | 2014-08-28 | Washington University | Diagnosis and treatment of kidney stones, methods and compositions therefor |
CN106897573A (zh) * | 2016-08-01 | 2017-06-27 | 12西格玛控股有限公司 | 使用深度卷积神经网络的用于医学图像的计算机辅助诊断系统 |
US20180322327A1 (en) * | 2017-05-02 | 2018-11-08 | Techcyte, Inc. | Machine learning classification and training for digital microscopy cytology images |
CN109584229A (zh) * | 2018-11-28 | 2019-04-05 | 武汉大学人民医院(湖北省人民医院) | 一种内镜下逆行胰胆管造影术实时辅助诊断系统及方法 |
CN109636788A (zh) * | 2018-12-11 | 2019-04-16 | 中国石油大学(华东) | 一种基于深度神经网络的ct图像胆结石智能检测模型 |
CN109685814A (zh) * | 2019-01-02 | 2019-04-26 | 兰州交通大学 | 基于mspcnn的胆囊结石超声图像全自动分割方法 |
CN110021431A (zh) * | 2019-04-11 | 2019-07-16 | 上海交通大学 | 人工智能辅助诊断系统、诊断方法 |
CN110111305A (zh) * | 2019-04-10 | 2019-08-09 | 上海联影智能医疗科技有限公司 | 处理方案的生成方法、装置、设备和存储介质 |
CN110167420A (zh) * | 2017-01-06 | 2019-08-23 | 波士顿科学医学有限公司 | 结石识别方法和系统 |
-
2019
- 2019-08-29 CN CN201910808494.9A patent/CN110570407B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101645091A (zh) * | 2008-08-09 | 2010-02-10 | 株式会社其恩斯 | 图像数据压缩方法、图像处理中的图案模型定位方法,图像处理设备,图像处理程序和计算机可读记录介质 |
US20140242609A1 (en) * | 2013-02-26 | 2014-08-28 | Washington University | Diagnosis and treatment of kidney stones, methods and compositions therefor |
CN106897573A (zh) * | 2016-08-01 | 2017-06-27 | 12西格玛控股有限公司 | 使用深度卷积神经网络的用于医学图像的计算机辅助诊断系统 |
CN110167420A (zh) * | 2017-01-06 | 2019-08-23 | 波士顿科学医学有限公司 | 结石识别方法和系统 |
US20180322327A1 (en) * | 2017-05-02 | 2018-11-08 | Techcyte, Inc. | Machine learning classification and training for digital microscopy cytology images |
CN109584229A (zh) * | 2018-11-28 | 2019-04-05 | 武汉大学人民医院(湖北省人民医院) | 一种内镜下逆行胰胆管造影术实时辅助诊断系统及方法 |
CN109636788A (zh) * | 2018-12-11 | 2019-04-16 | 中国石油大学(华东) | 一种基于深度神经网络的ct图像胆结石智能检测模型 |
CN109685814A (zh) * | 2019-01-02 | 2019-04-26 | 兰州交通大学 | 基于mspcnn的胆囊结石超声图像全自动分割方法 |
CN110111305A (zh) * | 2019-04-10 | 2019-08-09 | 上海联影智能医疗科技有限公司 | 处理方案的生成方法、装置、设备和存储介质 |
CN110021431A (zh) * | 2019-04-11 | 2019-07-16 | 上海交通大学 | 人工智能辅助诊断系统、诊断方法 |
Non-Patent Citations (1)
Title |
---|
廉敬: "胆囊结石超声图像全自动分割方法研究", 《万方》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178428B (zh) * | 2019-12-27 | 2024-03-22 | 上海联影智能医疗科技有限公司 | 软骨损伤分类方法、装置、计算机设备和存储介质 |
CN111178428A (zh) * | 2019-12-27 | 2020-05-19 | 上海联影智能医疗科技有限公司 | 软骨损伤分类方法、装置、计算机设备和存储介质 |
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 |
CN111292307A (zh) * | 2020-02-10 | 2020-06-16 | 刘肖 | 一种消化系统胆囊结石识别方法及定位方法 |
CN111325725A (zh) * | 2020-02-19 | 2020-06-23 | 京东方科技集团股份有限公司 | 视网膜图像识别方法及装置、电子设备、存储介质 |
WO2021164640A1 (zh) * | 2020-02-19 | 2021-08-26 | 京东方科技集团股份有限公司 | 视网膜图像识别方法及装置、电子设备、存储介质 |
US11967181B2 (en) | 2020-02-19 | 2024-04-23 | Boe Technology Group Co., Ltd. | Method and device for retinal image recognition, electronic equipment, and storage medium |
CN111583264B (zh) * | 2020-05-06 | 2024-02-27 | 上海联影智能医疗科技有限公司 | 图像分割网络的训练方法、图像分割方法和存储介质 |
CN111583264A (zh) * | 2020-05-06 | 2020-08-25 | 上海联影智能医疗科技有限公司 | 图像分割网络的训练方法、图像分割方法和存储介质 |
CN112263269A (zh) * | 2020-09-22 | 2021-01-26 | 北京赛迈特锐医疗科技有限公司 | 泌尿系x线平片结石智能检测系统及方法 |
CN112263269B (zh) * | 2020-09-22 | 2024-04-19 | 北京赛迈特锐医疗科技有限公司 | 泌尿系x线平片结石智能检测系统及方法 |
CN112168193A (zh) * | 2020-10-14 | 2021-01-05 | 北京赛迈特锐医疗科技有限公司 | 基于髌骨轴位x线图像获取髌骨解剖参数的系统及方法 |
CN112168193B (zh) * | 2020-10-14 | 2024-04-23 | 北京赛迈特锐医疗科技有限公司 | 基于髌骨轴位x线图像获取髌骨解剖参数的系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110570407B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570407B (zh) | 图像处理方法、存储介质及计算机设备 | |
CN110310256B (zh) | 冠脉狭窄检测方法、装置、计算机设备和存储介质 | |
CN110415792B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN110544245B (zh) | 图像处理方法、装置、计算机可读存储介质及电子设备 | |
CN111932520A (zh) | 医学图像显示方法、查看设备以及计算机设备 | |
CN110378913B (zh) | 图像分割方法、装置、设备及存储介质 | |
CN110717961B (zh) | 多模态图像重建方法、装置、计算机设备和存储介质 | |
CN109712163B (zh) | 冠脉提取方法、装置、图像处理工作站和可读存储介质 | |
CN111862044A (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
CN110348477B (zh) | 医疗图像处理方法、存储介质及计算机设备 | |
CN110706207A (zh) | 图像量化方法、装置、计算机设备和存储介质 | |
CN110111305B (zh) | 处理方案的生成方法、装置、设备和存储介质 | |
CN113989407B (zh) | Ct影像中肢体部位识别模型训练方法及系统 | |
CN108765421B (zh) | 乳房医学图像处理方法、装置和aec曝光参数获取方法 | |
CN112967284A (zh) | 血管图像分段分析方法、装置、设备及存储介质 | |
WO2021184799A1 (zh) | 医学图像处理方法、装置、设备及存储介质 | |
CN111681205B (zh) | 图像分析方法、计算机设备和存储介质 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN111128348A (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
JPH0773291A (ja) | 画像処理装置 | |
CN116416221A (zh) | 一种超声图像分析方法 | |
CN113962958B (zh) | 一种征象检测方法及装置 | |
CN115330696A (zh) | 一种支架的检测方法、装置、设备及存储介质 | |
CN114820483A (zh) | 图像检测方法、装置及计算机设备 | |
KR20230094855A (ko) | 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법 |
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 |