CN110647889A - 医学图像识别方法、医学图像识别装置、终端设备及介质 - Google Patents

医学图像识别方法、医学图像识别装置、终端设备及介质 Download PDF

Info

Publication number
CN110647889A
CN110647889A CN201910790660.7A CN201910790660A CN110647889A CN 110647889 A CN110647889 A CN 110647889A CN 201910790660 A CN201910790660 A CN 201910790660A CN 110647889 A CN110647889 A CN 110647889A
Authority
CN
China
Prior art keywords
image
feature
gland
pixel point
slice image
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
CN201910790660.7A
Other languages
English (en)
Other versions
CN110647889B (zh
Inventor
陈世峰
张搌鹏
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201910790660.7A priority Critical patent/CN110647889B/zh
Publication of CN110647889A publication Critical patent/CN110647889A/zh
Application granted granted Critical
Publication of CN110647889B publication Critical patent/CN110647889B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Abstract

本申请适用于图像识别技术领域，提供了一种医学图像识别方法、医学图像识别装置、终端设备及介质，其中，一种医学图像识别方法，通过将获取到的包含腺体形态的切片图像输入训练好的多尺度全卷积网络模型中，再通过该训练好的多尺度全卷积网络模型从切片图像中提取不同感受野下的特征集合，经过对特征集合进行特征融合和归一化处理，能够确定出切片图像中每个像素点的特征值集合，由于不同感受野下采集到的特征所考虑的像素点影响因素更多，令特征集合所描述的切片图像整体的信息更明显，特征值集合表征像素点的归属更丰富，故能够根据每个像素点的特征值集合，在切片图像中标记出腺腔体位置和腺体边缘位置，提高了对医学图像的识别效率。

Description

医学图像识别方法、医学图像识别装置、终端设备及介质
技术领域
本申请属于图像识别技术领域，尤其涉及一种医学图像识别方法、医学图像识别装置、终端设备及计算机可读存储介质。
背景技术
作为大多数器官系统中重要的组织结构，腺体主要负责分泌蛋白质和碳水化合物。同时，腺癌是最常见的癌症形式之一，如前列腺癌、乳腺癌等。正确的癌症分级可以指导专业医生提出适当的治疗方案。而是否能够准确地识别腺体的形态，对于癌症的分级而言至关重要。
然而，在现有的腺体图像识别方案中，仅适用于对单个且没有发生病变的腺体图像进行识别，如果两个或多个腺体靠的很近，或者腺体因为病变而导致形态发生变化时，容易将两个或多个靠的很近的腺体识别为同一个腺体，或者无法识别形态发生变化的腺体。可见，现有的腺体图像识别方案中存在识别效率较低的问题。
发明内容
有鉴于此，本申请实施例提供了一种医学图像识别方法、医学图像识别装置、终端设备及计算机可读存储介质，以解决现有的腺体图像识别方案中存在识别效率较低的问题。
本申请实施例的第一方面提供了一种医学图像识别方法，包括：
获取包含腺体形状的切片图像；
将所述切片图像输入训练好的多尺度全卷积网络模型；
通过所述训练好的多尺度全卷积网络模型从所述切片图像中提取不同感受野下的特征集合，并对所述特征集合进行特征融合和归一化处理，得到所述切片图像中每个像素点的特征值集合；
基于每个所述像素点的特征值集合，在所述切片图像中标记出腺腔体位置和腺体边缘位置。
进一步的，所述将所述切片图像输入训练好的多尺度全卷积网络模型的步骤之前，还包括：
获取原始切片图像；
对所述原始切片图像进行特征区域识别，以对所述原始切片图像中的每个像素点配置特征标签，得到训练样本图像；其中，所述特征标签用于区分像素点为背景、腺腔体或者腺体边缘；
利用所述训练样本图像对多尺度全卷积网络模型进行训练，得到训练好的多尺度全卷积网络模型。
进一步的，所述对所述原始切片图像进行特征区域识别，以对所述原始切片图像中的每个像素点配置特征标签，得到训练样本图像，包括：
从所述原始切片图像中识别出背景区域和腺腔体区域，得到待标记图像；
对所述待标记图像进行二进制化处理，得到二进制图像；
对所述二进制图像分别进行图像膨胀处理和图像腐蚀处理，得到膨胀图像和腐蚀图像；
基于所述膨胀图像和所述腐蚀图像，从所述待标记图像中确定出腺体边缘区域；
根据所述待标记图像中的所述背景区域、所述腺腔体区域以及所述腺体边缘区域，对所述待标记图像中的每个像素点配置相应的特征标签，得到训练样本图像。
进一步的，所述练好的多尺度全卷积网络模型包括：骨干网络、多尺度框架、特征采集层以及输出层；
所述通过所述训练好的多尺度全卷积网络模型从所述切片图像中提取不同感受野下的特征集合，并对所述特征集合进行特征融合和归一化处理，得到所述切片图像中每个像素点的特征值集合，包括：
通过所述骨干网络和所述多尺度框架，从所述切片图像中提取出不同感受野对应的多个特征信息，并将多个所述特征信息对应传递至所述特征采集层中的多个上采样卷积层；
通过所述特征采集层中的高分辨率分支获取所述切片图像的原始特征；其中，所述原始特征与多个所述特征信息组成所述特征集合；
通过所述输出层对所述特征集合进行特征融合和归一化处理，得到所述切片图像中每个像素点的特征值集合。
进一步的，所述骨干网络包括：多个瓶颈模块和膨胀瓶颈模块；所述多尺度框架包括：至少两个卷积层、设置在至少两个所述卷积层之间的归一化及修正层，以及设置在多个所述瓶颈模块之间、所述卷积层与所述瓶颈模块之间的多个最大池化层；
所述通过所述骨干网络和所述多尺度框架，从所述切片图像中提取出不同感受野对应的多个特征信息，并将多个所述特征信息对应传递至所述特征采集层中的多个上采样卷积层，包括：
通过多个所述瓶颈模块、所述膨胀瓶颈模块以及所述卷积层，分别从所述切片图像中提取出不同感受野对应的多个特征信息，并将多个所述特征信息对应传递至所述特征采集层中的多个上采样卷积层。
进一步的，所述瓶颈模块至少包括三个残差瓶颈层，所述残差瓶颈层的由以下方程组定义：
y＝f(x,{Wi})+Wsx (1)
y＝f(x,{Wi})+x (2)
其中，x为残差瓶颈层的输入参数，y为残差瓶颈层的输出参数；Wi和Ws表示权重；函数f＝W3σ3(W2σ2(W1σ1))表示残差映射，σ为修正线性激活函数；公式(1)表示残差瓶颈层的瓶颈部分，权重Ws用于令输入参数x与函数f有相同的通道数；公式(2)表示残差瓶颈层的剩余部分。
进一步的，每个所述像素点的特征值集合包括背景概率值X、腺腔体概率值Y以及腺体边缘概率值Z；其中，背景概率值X、腺腔体概率值Y以及腺体边缘概率值Z均等于或大于0，且X+Y+Z＝1；
所述基于每个所述像素点的特征值集合，在所述切片图像中标记出腺腔体位置和腺体边缘位置，包括：
基于每个所述像素点的特征值集合从所述切片图像中确定出第一目标像素点和第二目标像素点；其中，所述第一目标像素点的特征值集合中各概率值的大小关系为Y>X且Y>Z，且Y与Z的差值N等于或大于预设概率值；所述第二目标像素点的特征值集合中各概率值的大小关系为Y>X且Y>Z，且Y与Z的差值N小于预设概率值；
将所述第一目标像素点组成的区域识别为所述腺腔体位置，并将所述第二目标像素点组成的区域识别为所述腺体边缘位置。
本申请实施例的第二方面提供了一种医学图像识别装置，包括：
第一获取单元，用于获取包含腺体形状的切片图像；
输入单元，用于将所述切片图像输入训练好的多尺度全卷积网络模型；
第一执行单元，用于通过所述训练好的多尺度全卷积网络模型从所述切片图像中提取不同感受野下的特征集合，并对所述特征集合进行特征融合和归一化处理，得到所述切片图像中每个像素点的特征值集合；
标记单元，用于基于每个所述像素点的特征值集合，在所述切片图像中标记出腺腔体位置和腺体边缘位置。
本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述终端设备上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方案提供的医学图像识别方法的各步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方案提供的医学图像识别方法的各步骤。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的医学图像识别方法的各步骤。
实施本申请实施例提供的一种医学图像识别方法、医学图像识别装置、终端设备及计算机可读存储介质具有以下有益效果：
本申请实施例提供的一种医学图像识别方法，通过将获取到的包含腺体形态的切片图像输入训练好的多尺度全卷积网络模型中，再通过该训练好的多尺度全卷积网络模型从切片图像中提取不同感受野下的特征集合，经过对特征集合进行特征融合和归一化处理，能够确定出切片图像中每个像素点的特征值集合，由于不同感受野下采集到的特征所考虑的像素点影响因素更多，令特征集合所描述的切片图像整体的信息更明显，特征值集合表征像素点的归属更丰富，故能够根据每个像素点的特征值集合，在切片图像中标记出腺腔体位置和腺体边缘位置，提高了对腺体图像的识别效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种医学图像识别方法的实现流程图；
图2是本申请另一实施例提供的一种医学图像识别方法的实现流程图；
图3是本申请实施例中训练好的多尺度全卷积网络模型的具体框架图；
图4是本申请实施例提供的一种医学图像识别装置结构框图；
图5是本申请另一实施例提供的一种终端设备的结构框图。
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，此处所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。
请参阅图1，图1是本申请实施例提供的一种医学图像识别方法的实现流程图。本实施例中，医学图像识别方法用于对腺体图像进行腺腔体和腺体边缘的识别，其执行主体为计算机终端，例如，用于进行图像采集和图像分析的计算机或服务器等。
如图1所示的医学图像识别方法包括以下步骤：
S11：获取包含腺体形状的切片图像。
在步骤S11中，切片图像为包含腺体形状的图像，其中腺体形状可以是腺体完整或者不完整的形状。
需要说明的是，切片图像中还包含背景区域，且切片图像中腺体区域与背景区域之间存在明显的图像特征差异，因此背景区域能够作为腺体区域在切片图像中所在位置的参考，其中，图像特征差异，例如，腺体区域与背景区域的灰度不同，腺体区域与背景区域的亮度不同，或者腺体区域与背景区域的颜色不同。
可以理解的是，在对切片图像进行腺体识别前，需要对切片样本进行切片图像获取，其中切片样本是通过对生物进行腺体切片采样得到。在本实施例中，切片图像可以是利用显微镜相机对腺体切片样本进行放大后拍照所得，或者从已有的医学图像数据库中获取得到。
S12：将所述切片图像输入训练好的多尺度全卷积网络模型。
在步骤S12中，训练好的多尺度全卷积网络模型为对切片图像进行不同感受野特征提取，并最终确定切片图像中每个像素点归宿的模型。像素点归宿用于描述或区分像素点为背景区域、腺腔体区域或者腺体边缘区域中的像素点。
需要说明的是，特征提取包括提取切片图像中背景特征、腺腔体特征以及腺体边缘特征。在本申请的所有实施例中，由于腺体区域与背景区域之间存在明显的图像特征差异，因此背景区域和腺体区域能够通过像素点特征识别技术被识别，同时两者之间的交界处，也即腺体边缘也能够通过像素点特征识别技术确定，也即腺体边缘区域能够被确定。
可以理解的是，在实际应用中，为了进一步提高训练好的多尺度全卷积网络模型的识别效率，可以预先配置图像输入规格，例如，配置输入切片图像的大小参数或者分辨率参数等。将切片图像输入训练好的多尺度全卷积网络模型之前，若切片图像不符合预先配置图像输入规格，可以先对切片图像进行标准化处理，再将标准化处理后的图像输入训练好的多尺度全卷积网络模型。
S13：通过所述训练好的多尺度全卷积网络模型从所述切片图像中提取不同感受野下的特征集合，并对所述特征集合进行特征融合和归一化处理，得到所述切片图像中每个像素点的特征值集合。
在步骤S13中，感受野指的是，在训练好的多尺度全卷积网络模型中每一层输出的特征图上每个像素点在原始图像上映射的区域大小，原始图像即为本实施例中的切片图像。不同感受野对应的特征图上每个像素点在切片图像上映射的区域大小也不同，不同的特征图组成了不同感受野下的特征集合。
在本实施例中，通过训练好的多尺度全卷积网络模型从切片图像中提取不同感受野下的特征集合，该特征集合中不同的特征图的提取顺序与感受野的大小关联，感受野越小则对应的特征图越先被提取。
需要说明的是，不同感受野对应的特征图上每个像素点在切片图像上映射的区域大小也不同。
以第一级感受野的第一特征图上每个像素点对应切片图像上映射的区域大小为切片图像的一个像素点为例，通过对第一特征图进行最大池化处理后，得到第二级别感受野的第二特征图，第二特征图上每个像素点对应切片图像上映射的区域大小为切片图像中“田”字型的4个像素点，其中，第二特征图上每个像素点的特征值为切片图像上“田”字型的4个像素点的最大特征值。以此类推，不同级别感受野下提取到的特征图的特征强烈程度不同，感受野越大的特征图中图像特征表现得更强烈更明显，而将不同感受野下提取到的特征图进行融合，能够更有效地区别出切片图像中的不同特征。
作为本实施例一种可能实现的方式，训练好的多尺度全卷积网络模型包括：骨干网络、多尺度框架、特征采集层以及输出层。步骤S13可以包括：
通过所述骨干网络和所述多尺度框架，从所述切片图像中提取出不同感受野对应的多个特征信息，并将多个所述特征信息对应传递至所述特征采集层中的多个上采样卷积层；通过所述特征采集层中的高分辨率分支获取所述切片图像的原始特征；其中，所述原始特征与多个所述特征信息组成所述特征集合；通过所述输出层对所述特征集合进行特征融合和归一化处理，得到所述切片图像中每个像素点的特征值集合。
在本实施例中，为了提高特征融合后图像的展示效果，特征集合中还包括切片图像的原图特征，切片图像的原始特征是通过特征采集层中的高分辨率分支对切片图像进行特征提取所得到。由于切片图像是未进行变化或处理的图像，能够保证一定的特征准确度，因此能够保证融合后的图像不失真，提高特征融合后图像的展示效果。对特征集合进行特征融合，是将不同感受野的特征图像与低层的切片图像全局信息进行融合，有助于对分割对象实现定位及形状确定。
需要说明的是，归一化处理是利用归一化指数函数对融合后的特征图像中的每个像素点进行分类，为了监督分类任务，作为本实施例一种可能实现的方式，定义网络损失函数如下：
O(i；θ)＝-∑i∈Ilog[p(i,gi；θ)]
其中，i为融合后的特征图像I中的像素位置，也即权重；θ为融合后的特征图像I中的网络参数，应急偏差；p(i,gi；θ)为在归一化指数函数分类后，像素i被指定为类gi的预测概率。
可以理解的是，在申请的所有实施例中，像素i被指定为类gi的预测概率，可以包括像素i被指定为背景区域的预测概率，像素i被指定为腺腔体区域的预测概率，以及像素i被指定为腺体边缘区域的预测概率。
作为本实施例一种可能实现的方式，所述骨干网络包括：多个瓶颈模块和膨胀瓶颈模块；所述多尺度框架包括：至少两个卷积层、设置在至少两个所述卷积层之间的归一化及修正层，以及设置在多个所述瓶颈模块之间、所述卷积层与所述瓶颈模块之间的多个最大池化层。
步骤：通过所述骨干网络和所述多尺度框架，从所述切片图像中提取出不同感受野对应的多个特征信息，并将多个所述特征信息对应传递至所述特征采集层中的多个上采样卷积层，包括：
通过多个所述瓶颈模块、所述膨胀瓶颈模块以及所述卷积层，分别从所述切片图像中提取出不同感受野对应的多个特征信息，并将多个所述特征信息对应传递至所述特征采集层中的多个上采样卷积层。
在本实施例中，瓶颈模块、膨胀瓶颈模块以及卷积层，均用于从切片图像中提取出相应感受野对应的特征信息，也即从切片图像中提取出相应感受野对应的特征图像。由于最大池化层被设置在瓶颈模块与瓶颈模块之间，以及卷积层与瓶颈模块之间，当卷积层或瓶颈模块从切片图像中提取出相应感受野对应的特征信息后，由最大池化层对特征信息进行感受野变化之后，继续向瓶颈模块或膨胀瓶颈模块传递，因此瓶颈模块、膨胀瓶颈模块以及卷积层所提取到的特征信息为不同感受野下的特征信息。
作为本实施例一种可能实现的方式，图3示出了本实施例中训练好的多尺度全卷积网络模型的具体框架。如图3所示，骨干网络包括：第一瓶颈模块11、第二瓶颈模块12、第三瓶颈模块13、第一膨胀瓶颈模块14以及第二膨胀瓶颈模块15；多尺度框架包括：第一卷积层21、第二卷积层22、归一化及修正层23、第一最大池化层24、第二最大池化层25以及第三最大池化层26；特征采集层包括高分辨率分支30和多个上采样卷积层，其中，多个上采样卷积层包括：第一上采样卷积层31、第二上采样卷积层32、第三上采样卷积层33、第四上采样卷积层34、第五上采样卷积层35以及第六上采样卷积层36；输出层包括：特征串联层37、卷积层组38以及归一层39。
如图3所示，切片图像从输入层输入后，分别通过第一卷积层21进行卷积，通过高分辨率分支30进行原始特征采集，由第一卷积层21得到的卷积结果由归一化及修正层23对其进行归一化和修正，并将得到的结果传输至第二卷积层22，由第二卷积层22进行再次卷积后向第一上采样卷积层31输出第一级感受野下的第一特征信息，通过第一最大池化层24对第一特征信息进行最大池化处理后，向第一瓶颈模块11传递池化结果，通过第一瓶颈模块11进行第二级感受野下特征提取，得到第二特征信息，并将第二特征信息传递至第二上采样卷积层32，通过第二最大池化层25对第二特征信息进行最大池化处理后，向第二瓶颈模块12传递池化结果，通过第二瓶颈模块12进行第三级感受野下特征提取，得到第三特征信息，并将第三特征信息传递至第三上采样卷积层33，通过第三最大池化层26对第三特征信息进行最大池化处理后，向第三瓶颈模块13传递池化结果，通过第按瓶颈模块13进行第四级感受野下特征提取，得到第四特征信息，并将第四特征信息传递至第四上采样卷积层34。通过第一膨胀瓶颈模块14对第四特征信息进行第五级感受野下特征提取，得到第五特征信息，通过第二膨胀瓶颈模块15对第五特征信息进行第六级感受野下特征提取，第六特征信息，第五特征信息和第六特征信息分别传递至由第五上采样卷积层35和第六上采样卷积层36。
特征采集层将采集到的原始特征、第一特征信息、第二特征信息、第三特征信息、第四特征信息、第五特征信息以及第六特征信息传递至输出层中的特征串联层37，由该特征串联层37对上述特征信息进行特征融合，再通过卷积层组38对于特征融合后的图像进行卷积，最后将卷积处理后的图像传递至归一层39进行归一化处理，通过三个通道输出切片图像中每个像素点属于背景区域的概率值、属于腺腔体区域的概率值以及属于腺体边缘区域的概率值，也即得到切片图像中每个像素点的特征值集合。
如图3所示，本实施例中的第一瓶颈模块、第二瓶颈模块以及第三瓶颈模块均为包含残差瓶颈层的瓶颈模块。当特征信息输入瓶颈模块时，由于瓶颈模块中还包含有多个卷积层和归一化及修正层，通过卷积等处理后，特征信息会因为梯度递减而导致特征消失的现象，为了避免该现象，通过残差瓶颈层将输入瓶颈模块的特征信息进行重新导入，保证了卷积后得到的结果仍然能够与特征信息保持关联。
作为本实施例一种可能实现的方式，瓶颈模块至少包括三个残差瓶颈层，所述残差瓶颈层的由以下方程组定义：
y＝f(x,{Wi})+Wsx (1)
y＝f(x,{Wi})+x (2)
在本实施例中，x为残差瓶颈层的输入参数，y为残差瓶颈层的输出参数；Wi和Ws表示权重；函数f＝W3σ3(W2σ2(W1σ1))表示残差映射，σ为修正线性激活函数；公式(1)表示残差瓶颈层的瓶颈部分，权重Ws用于令输入参数x与函数f有相同的通道数；公式(2)表示残差瓶颈层的剩余部分。
在本实施例中，每个残差瓶颈层中还包含有至少三个归一化及修正层和卷积层。如图3所示，第一瓶颈模块11中残差瓶颈层中包含了三个归一化及修正层(BN，ReLU)和三个卷积层(卷积3×3，μ)。在残差瓶颈层的方程组中，函数f＝W3σ3(W2σ2(W1σ1))中的(W1σ1)、(W2σ2)以及(W3σ3)分别用于表征单个表征归一化及修正层与单个卷积层的组合。
在本实施例中，骨干网络中还配置有第一膨胀瓶颈模块14和第二膨胀瓶颈模块15，特征信息被传递至第一膨胀瓶颈模块14和第二膨胀瓶颈模块15，通过第一膨胀瓶颈模块14和第二膨胀瓶颈模块15对特征信息依次进行膨胀卷积，并得到不同感受野的特征信息。需要说明的是，膨胀卷积是一种特殊的卷积，其在卷积核中插入空格位置，可以在不增加参数的情况下扩大感受野大小，也即第一膨胀瓶颈模块14和第二膨胀瓶颈模块15能够在不需要增加最大池化层的条件下实现感受野的扩大。
另外，在本实施例中，多尺度框架中的第一最大池化层24、第二最大池化层25以及第三最大池化层26中，每个最大池化层中均预先配置了池化函数，用于将特征信息所表征的特征图像中单个像素点的结果替换为其相邻区域的特征图统计量。也即，将特征图像中单个像素点替换为其相邻区域的特征图，其中相邻区域的大小范围由池化函数的具体表征形式所决定。
S14：基于每个所述像素点的特征值集合，在所述切片图像中标记出腺腔体位置和腺体边缘位置。
在步骤S14中，特征值集合用于描述像素点的归宿类型概率，也即每个像素点均包含三个特征值，每个特征值用于描述该像素点属于不同区域中的像素点的概率，也即像素点为背景区域中的像素点的概率值、为腺腔体区域中的像素点的概率值以及为腺体边缘区域中的像素点的概率值。
需要说明的是，由于每个像素点的特征值集合包含了至少三个特征值，也即每个像素点归类为每个区域的概率值，因此基于每个像素点的特征值集合可以在切片图像中确定出每个像素点的归宿类别，进而确定出切片图像中的腺腔体位置和腺体边缘位置。
作为本实施例一种可能实现的方式，每个所述像素点的特征值集合包括背景概率值X、腺腔体概率值Y以及腺体边缘概率值Z；其中，背景概率值X、腺腔体概率值Y以及腺体边缘概率值Z均等于或大于0，且X+Y+Z＝1。步骤S14具体可以包括：
基于每个所述像素点的特征值集合从所述切片图像中确定出第一目标像素点和第二目标像素点；其中，所述第一目标像素点的特征值集合中各概率值的大小关系为Y>X且Y>Z，且Y与Z的差值N等于或大于预设概率值；所述第二目标像素点的特征值集合中各概率值的大小关系为Y>X且Y>Z，且Y与Z的差值N小于预设概率值；将所述第一目标像素点组成的区域识别为所述腺腔体位置，并将所述第二目标像素点组成的区域识别为所述腺体边缘位置。
在本申请的所有实施例中，当像素点的背景概率值X等于1时，可以确定该像素点为背景区域的像素点；当像素点的腺腔体概率值Y等于1时，可以确定该像素点为腺腔体区域的像素点；当像素点的腺体边缘概率值Z等于1时，可以确定该像素点为腺体边缘的像素点。
为了增加区域识别的准确程度，配置的预设概率值，该预设概率值用于对像素点进行特征筛选。由于切片图像中的背景区域和腺体区域之间的交界部分被定义为腺体边缘，因此在腺体边缘区域中的像素点的腺体边缘概率值Z均大于0，越靠近背景区域的部分像素点的背景概率值X越大，越靠近腺腔体区域的部分像素点的腺腔体概率值Y越大。当目标像素点的特征值集合中各概率值的大小关系为Y>X且Y>Z时，表示该目标像素点为腺腔体中的像素点，如果Y与Z的差值N等于或大于预设概率值，则表示该目标像素点更趋向于腺腔体区域，如果Y与Z的差值N小于预设概率值，则表示该目标像素点更趋向于腺体边缘区域。
以上可以看出，本实施例提供的一种医学图像识别方法，通过将获取到的包含腺体形态的切片图像输入训练好的多尺度全卷积网络模型中，再通过该训练好的多尺度全卷积网络模型从切片图像中提取不同感受野下的特征集合，经过对特征集合进行特征融合和归一化处理，能够确定出切片图像中每个像素点的特征值集合，由于不同感受野下采集到的特征所考虑的像素点影响因素更多，令特征集合所描述的切片图像整体的信息更明显，特征值集合表征像素点的归属更丰富，故能够根据每个像素点的特征值集合，在切片图像中标记出腺腔体位置和腺体边缘位置，提高了对医学图像的识别效率。
请参阅图2，图2是本申请另一实施例提供的一种医学图像识别方法的实现流程图。相对于图1对应的实施例，本实施例提供的支付方法在步骤S12之前还包括S21～S23。详述如下：
S21：获取原始切片图像。
S22：对所述原始切片图像进行特征区域识别，以对所述原始切片图像中的每个像素点配置特征标签，得到训练样本图像；其中，所述特征标签用于区分像素点为背景、腺腔体或者腺体边缘。
S23：利用所述训练样本图像对多尺度全卷积网络模型进行训练，得到训练好的多尺度全卷积网络模型。
本实施例中，原始切片图像可以通过显微镜照相机对腺体切片进行放大后拍照得到。通过对元素切片图像中的每个像素点进行特征识别，并对每个像素点配置特征标签，令得到的训练样本图像中每个像素点均有明确地归宿类别。
作为本实施例一种可能实现的方式，步骤S22具体包括：
从所述原始切片图像中识别出背景区域和腺腔体区域，得到待标记图像；对所述待标记图像进行二进制化处理，得到二进制图像；对所述二进制图像分别进行图像膨胀处理和图像腐蚀处理，得到膨胀图像和腐蚀图像；基于所述膨胀图像和所述腐蚀图像，从所述待标记图像中确定出腺体边缘区域；根据所述待标记图像中的所述背景区域、所述腺腔体区域以及所述腺体边缘区域，对所述待标记图像中的每个像素点配置相应的特征标签，得到训练样本图像。
在本实施例中，由于背景区域与腺腔体区域之间存在固定的图像特征差异，例如，亮度不同、灰度不同、颜色不同等，可以通过获取原始切片图像中的每个像素点的RGB值进行比较，进而能够区分出哪些像素点组成的区域为背景区域，哪些像素点组成的区域为腺腔体区域。
需要说明的是，为了能够确定原始切片图像中腺体边缘的位置，通过对识别出背景区域和腺腔体区域的待标记图像进行二进制化处理，得到由黑白两色所表征的二进制图像。分别通过对二进制图像进行膨胀处理和腐蚀处理，其中，对二进制图像进行膨胀处理，能够使得二进制图像中的特征区域表现得更加强烈，也即扩大二进制图像中的特征范围；对二进制图像进行腐蚀处理，能够削减二进制图像中的特征区域表现，也即减小二进制图像中的特征范围；如此一来，增加二进制图像中的特征范围和减小二进制图像中的特征范围，能够得到一定范围的特征区域差，将该特征区域差即可用于表征腺体边缘区域。
以上可以看出，本实施例提供的一种医学图像识别方法，通过将获取到的包含腺体形态的切片图像输入训练好的多尺度全卷积网络模型中，再通过该训练好的多尺度全卷积网络模型从切片图像中提取不同感受野下的特征集合，经过对特征集合进行特征融合和归一化处理，能够确定出切片图像中每个像素点的特征值集合，由于不同感受野下采集到的特征所考虑的像素点影响因素更多，令特征集合所描述的切片图像整体的信息更明显，特征值集合表征像素点的归属更丰富，故能够根据每个像素点的特征值集合，在切片图像中标记出腺腔体位置和腺体边缘位置，提高了对医学图像的识别效率。
此外，通过对原始切片图像进行特征区域识别，并对原始切片图像中的每个像素点配置能够用于区分像素点为背景、腺腔体或者腺体边缘的特征标签，从而得到训练样本图像，利用训练样本图像对多尺度全卷积网络模型进行训练所得到的训练好的多尺度全卷积网络模型，能够从切片图像中确定每个像素点的归宿为背景、腺腔体或者腺体边缘。
请参阅图4，图4是本申请实施例提供的一种医学图像识别装置的结构框图。本实施例中该医学图像识别装置包括的各单元用于执行图1至图2对应的实施例中的各步骤。具体请参阅图1至图2以及图1至图2所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图4，医学图像识别装置400包括：第一获取单元41、输入单元42、第一执行单元43以及标记单元44。其中：
第一获取单元41，用于获取包含腺体形状的切片图像。
输入单元42，用于将所述切片图像输入训练好的多尺度全卷积网络模型。
第一执行单元43，用于通过所述训练好的多尺度全卷积网络模型从所述切片图像中提取不同感受野下的特征集合，并对所述特征集合进行特征融合和归一化处理，得到所述切片图像中每个像素点的特征值集合。
标记单元44，用于基于每个所述像素点的特征值集合，在所述切片图像中标记出腺腔体位置和腺体边缘位置。
作为本申请一实施例，医学图像识别装置400，还包括：
第二获取单元45，用于获取原始切片图像。
识别单元46，用于对所述原始切片图像进行特征区域识别，以对所述原始切片图像中的每个像素点配置特征标签，得到训练样本图像；其中，所述特征标签用于区分像素点为背景、腺腔体或者腺体边缘。
训练单元47，用于利用所述训练样本图像对多尺度全卷积网络模型进行训练，得到训练好的多尺度全卷积网络模型。
作为本申请一实施例，识别单元46具体用于，从所述原始切片图像中识别出背景区域和腺腔体区域，得到待标记图像；对所述待标记图像进行二进制化处理，得到二进制图像；对所述二进制图像分别进行图像膨胀处理和图像腐蚀处理，得到膨胀图像和腐蚀图像；基于所述膨胀图像和所述腐蚀图像，从所述待标记图像中确定出腺体边缘区域；根据所述待标记图像中的所述背景区域、所述腺腔体区域以及所述腺体边缘区域，对所述待标记图像中的每个像素点配置相应的特征标签，得到训练样本图像。
作为本申请一实施例，所述练好的多尺度全卷积网络模型包括：骨干网络、多尺度框架、特征采集层以及输出层。
第一执行单元43具体用于，通过所述骨干网络和所述多尺度框架，从所述切片图像中提取出不同感受野对应的多个特征信息，并将多个所述特征信息对应传递至所述特征采集层中的多个上采样卷积层；通过所述特征采集层中的高分辨率分支获取所述切片图像的原始特征；其中，所述原始特征与多个所述特征信息组成所述特征集合；通过所述输出层对所述特征集合进行特征融合和归一化处理，得到所述切片图像中每个像素点的特征值集合。
作为本申请一实施例，所述骨干网络包括：多个瓶颈模块和膨胀瓶颈模块；所述多尺度框架包括：至少两个卷积层、设置在至少两个所述卷积层之间的归一化及修正层，以及设置在多个所述瓶颈模块之间、所述卷积层与所述瓶颈模块之间的多个最大池化层。
第一执行单元43具体用于，通过多个所述瓶颈模块、所述膨胀瓶颈模块以及所述卷积层，分别从所述切片图像中提取出不同感受野对应的多个特征信息，并将多个所述特征信息对应传递至所述特征采集层中的多个上采样卷积层。
作为本申请一实施例，所述瓶颈模块至少包括三个残差瓶颈层，所述残差瓶颈层的由以下方程组定义：
y＝f(x,{Wi})+Wsx (1)
y＝f(x,{Wi})+x (2)
其中，x为残差瓶颈层的输入参数，y为残差瓶颈层的输出参数；Wi和Ws表示权重；函数f＝W3σ3(W2σ2(W1σ1))表示残差映射，σ为修正线性激活函数；公式(1)表示残差瓶颈层的瓶颈部分，权重Ws用于令输入参数x与函数f有相同的通道数；公式(2)表示残差瓶颈层的剩余部分。
作为本申请一实施例，每个所述像素点的特征值集合包括背景概率值X、腺腔体概率值Y以及腺体边缘概率值Z；其中，背景概率值X、腺腔体概率值Y以及腺体边缘概率值Z均等于或大于0，且X+Y+Z＝1。
标记单元44具体用于，基于每个所述像素点的特征值集合从所述切片图像中确定出第一目标像素点和第二目标像素点；其中，所述第一目标像素点的特征值集合中各概率值的大小关系为Y>X且Y>Z，且Y与Z的差值N等于或大于预设概率值；所述第二目标像素点的特征值集合中各概率值的大小关系为Y>X且Y>Z，且Y与Z的差值N小于预设概率值；将所述第一目标像素点组成的区域识别为所述腺腔体位置，并将所述第二目标像素点组成的区域识别为所述腺体边缘位置。
以上可以看出，本实施例方案，通过将获取到的包含腺体形态的切片图像输入训练好的多尺度全卷积网络模型中，再通过该训练好的多尺度全卷积网络模型从切片图像中提取不同感受野下的特征集合，经过对特征集合进行特征融合和归一化处理，能够确定出切片图像中每个像素点的特征值集合，由于不同感受野下采集到的特征所考虑的像素点影响因素更多，令特征集合所描述的切片图像整体的信息更明显，特征值集合表征像素点的归属更丰富，故能够根据每个像素点的特征值集合，在切片图像中标记出腺腔体位置和腺体边缘位置，提高了对医学图像的识别效率。
此外，通过对原始切片图像进行特征区域识别，并对原始切片图像中的每个像素点配置能够用于区分像素点为背景、腺腔体或者腺体边缘的特征标签，从而得到训练样本图像，利用训练样本图像对多尺度全卷积网络模型进行训练所得到的训练好的多尺度全卷积网络模型，能够从切片图像中确定每个像素点的归宿为背景、腺腔体或者腺体边缘。
图5是本申请另一实施例提供的一种终端设备的结构框图。如图5所示，该实施例的终端设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52，例如医学图像识别方法的程序。处理器50执行所述计算机程序52时实现上述各个医学图像识别方法各实施例中的步骤，例如图1所示的S11至S14。或者，所述处理器50执行所述计算机程序52时实现上述图4对应的实施例中各单元的功能，例如，图4所示的单元41至44的功能，具体请参阅图5对应的实施例中的相关描述，此处不赘述。
示例性的，所述计算机程序52可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器51中，并由所述处理器50执行，以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述终端设备5中的执行过程。例如，所述计算机程序52可以被分割成第一获取单元、输入单元、第一执行单元及标记单元，各单元具体功能如上所述。
所述终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种医学图像识别方法，其特征在于，包括：
获取包含腺体形状的切片图像；
将所述切片图像输入训练好的多尺度全卷积网络模型；
通过所述训练好的多尺度全卷积网络模型从所述切片图像中提取不同感受野下的特征集合，并对所述特征集合进行特征融合和归一化处理，得到所述切片图像中每个像素点的特征值集合；
基于每个所述像素点的特征值集合，在所述切片图像中标记出腺腔体位置和腺体边缘位置。
2.根据权利要求1所述的医学图像识别方法，其特征在于，所述将所述切片图像输入训练好的多尺度全卷积网络模型的步骤之前，还包括：
获取原始切片图像；
对所述原始切片图像进行特征区域识别，以对所述原始切片图像中的每个像素点配置特征标签，得到训练样本图像；其中，所述特征标签用于区分像素点为背景、腺腔体或者腺体边缘；
利用所述训练样本图像对多尺度全卷积网络模型进行训练，得到训练好的多尺度全卷积网络模型。
3.根据权利要求2所述的医学图像识别方法，其特征在于，所述对所述原始切片图像进行特征区域识别，以对所述原始切片图像中的每个像素点配置特征标签，得到训练样本图像，包括：
从所述原始切片图像中识别出背景区域和腺腔体区域，得到待标记图像；
对所述待标记图像进行二进制化处理，得到二进制图像；
对所述二进制图像分别进行图像膨胀处理和图像腐蚀处理，得到膨胀图像和腐蚀图像；
基于所述膨胀图像和所述腐蚀图像，从所述待标记图像中确定出腺体边缘区域；
根据所述待标记图像中的所述背景区域、所述腺腔体区域以及所述腺体边缘区域，对所述待标记图像中的每个像素点配置相应的特征标签，得到训练样本图像。
4.根据权利要求1或2所述的医学图像识别方法，其特征在于，所述练好的多尺度全卷积网络模型包括：骨干网络、多尺度框架、特征采集层以及输出层；
所述通过所述训练好的多尺度全卷积网络模型从所述切片图像中提取不同感受野下的特征集合，并对所述特征集合进行特征融合和归一化处理，得到所述切片图像中每个像素点的特征值集合，包括：
通过所述骨干网络和所述多尺度框架，从所述切片图像中提取出不同感受野对应的多个特征信息，并将多个所述特征信息对应传递至所述特征采集层中的多个上采样卷积层；
通过所述特征采集层中的高分辨率分支获取所述切片图像的原始特征；其中，所述原始特征与多个所述特征信息组成所述特征集合；
通过所述输出层对所述特征集合进行特征融合和归一化处理，得到所述切片图像中每个像素点的特征值集合。
5.根据权利要求4所述的医学图像识别方法，其特征在于，所述骨干网络包括：多个瓶颈模块和膨胀瓶颈模块；所述多尺度框架包括：至少两个卷积层、设置在至少两个所述卷积层之间的归一化及修正层，以及设置在多个所述瓶颈模块之间、所述卷积层与所述瓶颈模块之间的多个最大池化层；
所述通过所述骨干网络和所述多尺度框架，从所述切片图像中提取出不同感受野对应的多个特征信息，并将多个所述特征信息对应传递至所述特征采集层中的多个上采样卷积层，包括：
通过多个所述瓶颈模块、所述膨胀瓶颈模块以及所述卷积层，分别从所述切片图像中提取出不同感受野对应的多个特征信息，并将多个所述特征信息对应传递至所述特征采集层中的多个上采样卷积层。
6.根据权利要求5所述的医学图像识别方法，其特征在于，所述瓶颈模块至少包括三个残差瓶颈层，所述残差瓶颈层的由以下方程组定义：
y＝f(x,{Wi})+Wsx (1)
y＝f(x,{Wi})+x (2)
其中，x为残差瓶颈层的输入参数，y为残差瓶颈层的输出参数；Wi和Ws表示权重；函数f＝W3σ3(W2σ2(W1σ1))表示残差映射；σ为修正线性激活函数；公式(1)表示残差瓶颈层的瓶颈部分，权重Ws用于令输入参数x与函数f有相同的通道数；公式(2)表示残差瓶颈层的剩余部分。
7.根据权利要求1或2所述的医学图像识别方法，其特征在于，每个所述像素点的特征值集合包括背景概率值X、腺腔体概率值Y以及腺体边缘概率值Z；其中，背景概率值X、腺腔体概率值Y以及腺体边缘概率值Z均等于或大于0，且X+Y+Z＝1；
所述基于每个所述像素点的特征值集合，在所述切片图像中标记出腺腔体位置和腺体边缘位置，包括：
基于每个所述像素点的特征值集合从所述切片图像中确定出第一目标像素点和第二目标像素点；其中，所述第一目标像素点的特征值集合中各概率值的大小关系为Y>X且Y>Z，且Y与Z的差值N等于或大于预设概率值；所述第二目标像素点的特征值集合中各概率值的大小关系为Y>X且Y>Z，且Y与Z的差值N小于预设概率值；
将所述第一目标像素点组成的区域识别为所述腺腔体位置，并将所述第二目标像素点组成的区域识别为所述腺体边缘位置。
8.一种医学图像识别装置，其特征在于，包括：
第一获取单元，用于获取包含腺体形状的切片图像；
输入单元，用于将所述切片图像输入训练好的多尺度全卷积网络模型；
第一执行单元，用于通过所述训练好的多尺度全卷积网络模型从所述切片图像中提取不同感受野下的特征集合，并对所述特征集合进行特征融合和归一化处理，得到所述切片图像中每个像素点的特征值集合；
标记单元，用于基于每个所述像素点的特征值集合，在所述切片图像中标记出腺腔体位置和腺体边缘位置。
9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器以及存储在所述存储器中并可在所述终端设备上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN201910790660.7A 2019-08-26 2019-08-26 医学图像识别方法、医学图像识别装置、终端设备及介质 Active CN110647889B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910790660.7A CN110647889B (zh) 2019-08-26 2019-08-26 医学图像识别方法、医学图像识别装置、终端设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910790660.7A CN110647889B (zh) 2019-08-26 2019-08-26 医学图像识别方法、医学图像识别装置、终端设备及介质

Publications (2)

Publication Number Publication Date
CN110647889A true CN110647889A (zh) 2020-01-03
CN110647889B CN110647889B (zh) 2022-02-08

Family

ID=69009810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910790660.7A Active CN110647889B (zh) 2019-08-26 2019-08-26 医学图像识别方法、医学图像识别装置、终端设备及介质

Country Status (1)

Country Link
CN (1) CN110647889B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012146A (zh) * 2021-04-12 2021-06-22 东北大学 血管信息获取方法及装置、电子设备和存储介质
CN113034460A (zh) * 2021-03-21 2021-06-25 湖南科迈森医疗科技有限公司 子宫内膜腺体密度预估方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170200274A1 (en) * 2014-05-23 2017-07-13 Watrix Technology Human-Shape Image Segmentation Method
CN107203999A (zh) * 2017-04-28 2017-09-26 北京航空航天大学 一种基于全卷积神经网络的皮肤镜图像自动分割方法
CN107563381A (zh) * 2017-09-12 2018-01-09 国家新闻出版广电总局广播科学研究院 基于全卷积网络的多特征融合的目标检测方法
CN108268870A (zh) * 2018-01-29 2018-07-10 重庆理工大学 基于对抗学习的多尺度特征融合超声图像语义分割方法
CN108830855A (zh) * 2018-04-02 2018-11-16 华南理工大学 一种基于多尺度低层特征融合的全卷积网络语义分割方法
CN109872306A (zh) * 2019-01-28 2019-06-11 腾讯科技（深圳）有限公司 医学图像分割方法、装置和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170200274A1 (en) * 2014-05-23 2017-07-13 Watrix Technology Human-Shape Image Segmentation Method
CN107203999A (zh) * 2017-04-28 2017-09-26 北京航空航天大学 一种基于全卷积神经网络的皮肤镜图像自动分割方法
CN107563381A (zh) * 2017-09-12 2018-01-09 国家新闻出版广电总局广播科学研究院 基于全卷积网络的多特征融合的目标检测方法
CN108268870A (zh) * 2018-01-29 2018-07-10 重庆理工大学 基于对抗学习的多尺度特征融合超声图像语义分割方法
CN108830855A (zh) * 2018-04-02 2018-11-16 华南理工大学 一种基于多尺度低层特征融合的全卷积网络语义分割方法
CN109872306A (zh) * 2019-01-28 2019-06-11 腾讯科技（深圳）有限公司 医学图像分割方法、装置和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034460A (zh) * 2021-03-21 2021-06-25 湖南科迈森医疗科技有限公司 子宫内膜腺体密度预估方法
CN113034460B (zh) * 2021-03-21 2022-09-09 湖南科迈森医疗科技有限公司 子宫内膜腺体密度预估方法
CN113012146A (zh) * 2021-04-12 2021-06-22 东北大学 血管信息获取方法及装置、电子设备和存储介质
CN113012146B (zh) * 2021-04-12 2023-10-24 东北大学 血管信息获取方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN110647889B (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
US10943346B2 (en) Multi-sample whole slide image processing in digital pathology via multi-resolution registration and machine learning
TWI744283B (zh) 一種單詞的分割方法和裝置
JP5775225B2 (ja) マルチレイヤ連結成分をヒストグラムと共に用いるテキスト検出
WO2022001571A1 (zh) 一种基于超像素图像相似度的计算方法
Zhang et al. Automated semantic segmentation of red blood cells for sickle cell disease
CN111145209A (zh) 一种医学图像分割方法、装置、设备及存储介质
CN112633297B (zh) 目标对象的识别方法、装置、存储介质以及电子装置
WO2019184851A1 (zh) 图像处理方法和装置及神经网络模型的训练方法
CN111091571A (zh) 细胞核分割方法、装置、电子设备及计算机可读存储介质
CN110647889B (zh) 医学图像识别方法、医学图像识别装置、终端设备及介质
CN111784675A (zh) 物品纹理信息处理的方法、装置、存储介质及电子设备
CN113781488A (zh) 舌象图像的分割方法、装置及介质
CN111199228B (zh) 一种车牌定位的方法及装置
CN110363762B (zh) 细胞检测方法、装置、智能显微镜系统和可读存储介质
CN108765399B (zh) 病变部位识别装置、计算机装置及可读存储介质
CN111753618A (zh) 图像识别方法、装置、计算机设备及计算机可读存储介质
CN114037868B (zh) 图像识别模型的生成方法及装置
CN114926635A (zh) 与深度学习方法相结合的多焦图像中目标分割方法
CN112330652A (zh) 基于深度学习的染色体识别方法、装置和计算机设备
CN111179226A (zh) 视野图的识别方法、装置及计算机存储介质
CN113052194A (zh) 一种基于深度学习的服装色彩认知系统及其认知方法
CN111242168A (zh) 一种基于多尺度注意力特征的人体皮肤图像病变分类方法
Salama et al. Enhancing Medical Image Quality using Neutrosophic Fuzzy Domain and Multi-Level Enhancement Transforms: A Comparative Study for Leukemia Detection and Classification
CN111723612A (zh) 人脸识别和人脸识别网络的训练方法和装置、存储介质
CN113658101B (zh) 图像中地标点检测方法、装置、终端设备及存储介质

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
GR01 Patent grant
GR01 Patent grant