CN110728673A - 一种目标部位分析方法、装置、计算机设备及存储介质 - Google Patents
一种目标部位分析方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110728673A CN110728673A CN201910999736.7A CN201910999736A CN110728673A CN 110728673 A CN110728673 A CN 110728673A CN 201910999736 A CN201910999736 A CN 201910999736A CN 110728673 A CN110728673 A CN 110728673A
- Authority
- CN
- China
- Prior art keywords
- template image
- image
- medical image
- target
- deep learning
- 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.)
- Pending
Links
Images
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明实施例公开了一种目标部位分析方法、装置、计算机设备及存储介质,其中,目标部位分析方法包括:获取当前用户的受检区域的医学图像;将预先确定的受检区域的模板图像与医学图像进行配准,得到配准模板图像;将医学图像和配准模板图像输入到目标深度学习网络模型中,得到与目标部位相对应的分析参考信息;基于分析参考信息,对目标部位进行分析。本发明实施例的技术方案提高了对复杂医学图像数据中的目标部位分析的准确度。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种目标部位分析方法、装置、计算机设备及存储介质。
背景技术
随着人工智能的快速发展,基于图像的目标部位分析方法也得到了长足的发展。
以病灶分析为例,现有的对病灶进行分析的一种常用方法为基于深度学习的方法。该方法基于深度学习网络模型,利用大量与病灶相对应的医学图像数据,训练病灶分析模型,通过模型中不同的网络结构及连接关系实现病灶的确定及分析。
现有的基于深度学习的病灶分析方法,当输入的医学图像数据比较复杂(疑难度较高)时,其输出结果的准确度通常会比较低。
发明内容
本发明实施例提供一种目标部位分析方法、装置、计算机设备及存储介质,提高了对复杂医学图像数据中的目标部位分析的准确度。
第一方面,本发明实施例提供了一种目标部位分析方法,包括:
获取当前用户的受检区域的医学图像;
将预先确定的所述受检区域的模板图像与所述医学图像进行配准,得到配准模板图像;
将所述医学图像和所述配准模板图像输入到目标深度学习网络模型中,得到与目标部位相对应的分析参考信息;
基于所述分析参考信息,对所述目标部位进行分析。
第二方面,本发明实施例还提供了一种目标部位分析装置,包括:
医学图像获取模块,用于获取当前用户的受检区域的医学图像;
配准模板图像确定模块,用于将预先确定的所述受检区域的模板图像与所述医学图像进行配准,得到配准模板图像;
分析参考信息获取模块,用于将所述医学图像和所述配准模板图像输入到目标深度学习网络模型中,得到与目标部位相对应的分析参考信息;
目标部位分析模块,用于基于所述分析参考信息,对所述目标部位进行分析。
第三方面,本发明实施例还提供了一种计算机设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上所述的目标部位分析方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的目标部位分析方法。
本发明实施例通过获取当前用户的受检区域的医学图像;将预先确定的受检区域的模板图像与医学图像进行配准,得到配准模板图像;将医学图像和配准模板图像输入到目标深度学习网络模型中,得到与目标部位相对应的分析参考信息;基于分析参考信息,对目标部位进行分析,通过考虑模板图像的经验特征,提高了对复杂医学图像数据中的目标部位分析的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一中的目标部位分析方法的流程图;
图2是本发明实施例二中的目标部位分析方法的流程图;
图3是本发明实施例三中的目标部位分析装置的结构示意图;
图4是本发明实施例四中的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的目标部位分析方法的流程图,本实施例可适用于需要对目标部位进行分析的情况,该方法可以由目标部位分析装置来执行,该装置可以采用软件和/或硬件的方式实现,例如,该目标部位分析装置可配置于计算机设备中。如图1所示,该方法包括如下步骤:
S110、获取当前用户的受检区域的医学图像。
受检区域可以是当前用户身体各部位的至少一个区域,优选的,受检区域可以是当前用户的至少一个包含病灶的区域或包含疑似病灶的区域。医学图像可以是利用医学成像设备扫描当前用户的受检区域,实时获取到的包括受检区域在内的图像。示例性的,医学成像设备可以是CT(Computed Tomography,电子计算机断层扫描)成像设备、MRI(NuclearMagnetic Resonance Imaging,核磁共振成像)成像设备或超声成像设备等。医学图像优选可以是T1加权图像、T2加权图像、CT图像和超声图像中的至少一种图像。
S120、将预先确定的受检区域的模板图像与医学图像进行配准,得到配准模板图像。
优选的,预先确定的受检区域为预先选择的其他用户的正常受检区域,示例性的,正常受检区域可以是没有任何病灶的相应受检区域。相应的,预先确定的受检区域的模板图像为正常受检区域的模板图像。正常受检区域的模板图像可以为当前用户的受检区域的分析过程提供相应的先验知识,若当前用户的受检区域为病灶区域,则基于上述先验知识,可以确定相应医学图像区别于模板图像先验知识的其他图像特征。若当前用户的受检区域为正常受检区域,则基于上述先验知识,可以确定相应医学图像的图像特征与模板图像先验知识基本一致。示例性的,受检区域为存在病灶的眼部区域,相应的,医学图像为存在病灶的眼部区域的图像,预先确定的受检区域的模板图像为正常眼部区域对应的模板图像。
优选的,模板图像可以是在医生辅助下选择出的受检区域的标准医学图像(其中,标准医学图像对应的受检区域可以是不包括病灶的正常受检区域),也可以是基于选择出的标准医学图像,利用模板图像生成模型生成的图像(相较于标准医学图像,利用模型生成的图像更具有普适性,提供的先验知识更加丰富),还可以是利用数字拟人模型直接生成的图像。模板图像可以是与医学图像类型相同的图像,例如医学图像为T1图像,模板图像也为T1图像。模板图像也可以是与医学图像类型不同的图像,例如医学图像为T1图像,模板图像为T2图像。
图像配准是指将不同时间、不同成像设备或不同条件(拍摄位置或角度等)下获取到的两幅或多幅图像进行匹配和叠加的过程。本实施例中,由于模板图像与医学图像的获取条件存在不同,因此,优选可以对模板图像与医学图像进行配准操作。优选的,可以基于特征提取和匹配等方法,对模板图像和医学图像进行图像配准,已得到配准模板图像。在此需要说明的是,在配准的过程中可能存在图像的平移、缩放或旋转等操作。示例性的,模板图像为正常眼部区域,医学图像为存在病灶的眼部区域,经过模板图像与医学图像配准之后,可以使得正常眼部区域的特征部位与存在病灶的眼部区域的特征部位相重合。
S130、将医学图像和配准模板图像输入到目标深度学习网络模型中,得到与目标部位相对应的分析参考信息。
其中,目标深度学习网络模型是预先训练的且输出为分析参考信息的模型。其中,分析参考信息可以是对目标部位进行分析的依据,分析参考信息可以与分析的内容相对应,分析的内容不同,其对应的分析参考信息也可以不同。示例性的,分析的内容为对目标部位进行分割,则对应的分析参考信息为目标部位掩膜,分析的内容为对目标部位进行检测,则对应的分析参考信息为目标部位所在范围的边框等。其中,目标部位掩膜可以是能够反映出目标部位在医学图像中具体位置的二维矩阵数组或多值图像,基于该目标部位掩膜可以从医学图像中提取出相应的目标部位。例如可以将医学图像与目标部位掩膜做乘法运算,以提取出相应的目标部位。
以受检区域为包含病灶的受检区域为例,对目标部位(即病灶)掩膜进行说明:当受检区域存在一个病灶时,目标部位掩膜可以是一个二值数组。例如,可以是0和1,其中,0可以表示正常区域,1可以表示病灶区域。当受检区域存在多种病灶时,目标部位掩膜可以是一个多值数组。例如,可以是0、1、2和3,其中,0可以表示正常区域、1可以表示第一种病灶区域、2可以表示第二种病灶区域以及3可以表示第三种病灶区域。
在本发明实施例的另一个实施例中,优选的,在将医学图像和配准模板图像输入到目标深度学习网络模型中之前,还包括:
获取历史用户的受检区域的历史医学图像和与历史医学图像相对应的历史金标准;
将模板图像与历史医学图像进行配准,得到历史配准模板图像;
将历史医学图像和历史配准模板图像输入预先建立的第一深度学习网络模型中,得到与历史医学图像相对应的第一分析参考信息;
基于第一分析参考信息与历史金标准,对深度学习网络模型的模型参数进行调整,以得到最终的目标深度学习网络模型。
其中,金标准是指由相关专业人士根据当前临床医学界公认的诊断疾病的诊断方法,本实施例中的金标准优选可以包括通过影像诊断(例如可以是CT、核磁共振以及B超等)所得到的结论。示例性的,如果需要对受检区域中的目标部位进行分割,则金标准可以是目标部位掩膜,如果需要对受检区域中的目标部位进行检测,则金标准可以是确定目标部位所在范围的边框等。
本实施例中,将模板图像与历史医学图像进行配准的过程与上述将模板图像与医学图像进行配准的过程相同,在此不再进行赘述。
利用历史医学图像、历史配准模板图像和历史金标准对预先建立的第一深度学习网络模型进行训练,具体的,输入历史医学图像和历史配准模板图像,得到第一分析参考信息。以历史金标准为参考标准,计算第一分析参考信息与历史金标准之间的差异,并利用损失函数及优化算法调整第一深度学习网络模型中的参数,通过不断迭代优化,使得第一深度学习网络模型的输出从第一分析参考信息逐渐趋近于历史金标准,最终得到目标深度学习网络模型。
在本发明实施例的另一个实施例中,优选的,目标深度学习网络模型包括多通道深度学习网络模型或多降采样支深度学习网络模型。目标深度学习网络模型包括FCN、U-Net、DeepLab和V-Net中的至少一个。
示例性的,若历史医学图像为历史T1医学图像,历史模板图像也为历史T1模板图像,则此时模型的输入包括历史T1医学图像和历史T1配准模板图像两种,此时,目标深度学习网络模型可以是两通道深度学习网络模型。若历史医学图像为历史T1医学图像和历史T2医学图像,历史模板图像也为历史T1模板图像和历史T2模板图像,则此时模型的输入包括历史T1医学图像、历史T1配准模板图像、历史T2医学图像和历史T2配准模板图像四种,此时,目标深度学习网络模型可以是四通道深度学习网络模型。同理,多降采样支深度学习网络模型也可以根据输入的不同,存在双降采样支深度学习网络模型和多降采样支深度学习网络模型。在多降采样支深度学习网络模型中,优选的,每个分支对应一个输入,各分支的权值可以共享。
S140、基于分析参考信息,对目标部位进行分析。
本实施例中,可以根据分析参考信息确定目标部位的位置等信息,其中,目标部位优选可以是病灶等。优选的,可以根据该位置信息对目标部位进行定位、范围检测、分类和分割中的至少一种操作。
示例性的,若目标部位为病灶,则根据分析参考信息可以确定病灶的位置,以实现病灶的定位及确定病灶的范围。此外,还可以在实现病灶的定位及确定病灶的范围之后,对病灶进行分类或分割等操作。
本实施例提供的一种目标部位分析方法,通过获取当前用户的受检区域的医学图像;将预先确定的受检区域的模板图像与医学图像进行配准,得到配准模板图像;将医学图像和配准模板图像输入到目标深度学习网络模型中,得到与目标部位相对应的分析参考信息;基于分析参考信息,对目标部位进行分析,通过考虑模板图像的经验特征,提高了对复杂医学图像数据中的目标部位分析的准确度。
实施例二
图2是本发明实施例二所提供的一种目标部位分析方法的流程图。本实施例可以与上述一个或者多个实施例中各个可选方案结合,在本实施例中,将预先确定的所述受检区域的模板图像与所述医学图像进行配准,得到配准模板图像,包括:
确定所述模板图像中的第一特征点和所述医学图像中的第二特征点;
根据所述第一特征点和所述第二特征点,利用特征点匹配的方法,将所述模板图像配准到所述医学图像上,以得到配准模板图像。
如图2所示,该方法包括如下步骤:
S210、获取当前用户的受检区域的医学图像。
S220、确定模板图像中的第一特征点和医学图像中的第二特征点。
S230、根据第一特征点和第二特征点,利用特征点匹配的方法,将模板图像配准到医学图像上,以得到配准模板图像。
优选的,可以利用特征点提取的方法确定第一特征点和第二特征点,并利用特征匹配算法,通过图像的平移、缩放或旋转等操作,将模板图像配准到医学图像上,以得到特征部位重合的配准模板图像。
其中,特征点提取与匹配方法可以包括基于Harris角点检测方法、基于FAST特征检测方法、基于SURF(Speeded Up Robust Features,加速鲁棒特征)检测方法、基于SIFT(Scale-invariant feature transform,尺度不变特征转换)检测方法和基于MSER(Maximally Stable Extremal Regions,区域特征提取)检测方法等。
S240、将医学图像和配准模板图像输入到目标深度学习网络模型中,得到与目标部位相对应的分析参考信息。
S250、基于分析参考信息,对目标部位进行分析。
在此需要说明的是,将预先确定的受检区域的模板图像与医学图像进行配准的配准方法并不限于本实施例中介绍的基于特征点进行配准的方法,其还可以是其他配准方法,例如可以是基于互信息的配准方法等,在此不做特殊限定。
本实施例提供的一种目标部位分析方法,在上述实施例的基础上,将受检区域的模板图像与医学图像的配准过程以及目标部位分析的类别进行了具体化,通过考虑模板图像的经验特征,在提高模板图像配准精确度的同时,提高了对复杂医学图像数据中的目标部位分析的准确度。
实施例三
图3是本发明实施例三所提供的一种目标部位分析装置的结构示意图。该目标部位分析装置可以采用软件和/或硬件的方式实现,例如该目标部位分析装置可以配置于计算机设备中。如图3所示,装置包括:
医学图像获取模块310,用于获取当前用户的受检区域的医学图像;
配准模板图像确定模块320,用于将预先确定的受检区域的模板图像与医学图像进行配准,得到配准模板图像;
分析参考信息获取模块330,用于将医学图像和配准模板图像输入到目标深度学习网络模型中,得到与目标部位相对应的分析参考信息;
目标部位分析模块340,用于基于分析参考信息,对目标部位进行分析。
本实施例提供的一种目标部位分析装置,通过利用医学图像获取模块获取当前用户的受检区域的医学图像;利用配准模板图像确定模块将预先确定的受检区域的模板图像与医学图像进行配准,得到配准模板图像;利用分析参考信息获取模块将医学图像和配准模板图像输入到目标深度学习网络模型中,得到与目标部位相对应的分析参考信息;利用目标部位分析模块基于分析参考信息,对目标部位进行分析,通过考虑模板图像的经验特征,提高了对复杂医学图像数据中的目标部位分析的准确度。
在上述技术方案的基础上,进一步的,该装置还可以包括目标深度学习网络模型训练模块,用于在将医学图像和配准模板图像输入到目标深度学习网络模型中之前,获取历史用户的受检区域的历史医学图像和与历史医学图像相对应的历史金标准;
将模板图像与历史医学图像进行配准,得到历史配准模板图像;
将历史医学图像和历史配准模板图像输入预先建立的第一深度学习网络模型中,得到与历史医学图像相对应的第一分析参考信息;
基于第一分析参考信息与历史金标准,对深度学习网络模型的模型参数进行调整,以得到最终的目标深度学习网络模型。
在上述技术方案的基础上,进一步的,配准模板图像确定模块320具体可以包括:
特征点确定单元,用于确定模板图像中的第一特征点和医学图像中的第二特征点;
配准模板图像获取单元,用于根据第一特征点和第二特征点,利用特征点匹配的方法,将模板图像配准到医学图像上,以得到配准模板图像。
在上述技术方案的基础上,进一步的,目标部位分析模块340具体可以用于:
基于分析参考信息,对目标部位进行定位、范围检测、分类和分割中的至少一种操作。
在上述技术方案的基础上,进一步的,该装置还可以包括模板图像确定模块,用于将预先确定的受检区域的模板图像与医学图像进行配准,得到配准模板图像之前,基于受检区域的标准医学图像,利用模板图像生成模型,确定模板图像。
在上述技术方案的基础上,进一步的,目标深度学习网络模型包括多通道深度学习网络模型或多降采样支深度学习网络模型。
在上述技术方案的基础上,进一步的,目标深度学习网络模型包括FCN、U-Net、DeepLab和V-Net中的至少一个。
本发明实施例所提供的目标部位分析装置可执行任意实施例所提供的目标部位分析方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备412的框图。图4显示的计算机设备412仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,计算机设备412以通用计算设备的形式表现。计算机设备412的组件可以包括但不限于:一个或者多个处理器416,存储器428,连接不同系统组件(包括存储器428和处理器416)的总线418。除此之外,计算机设备412还包括激光发射器(图4中未示出),激光发射器设置于参考坐标系内的参考点处,用于发射出射激光。
总线418表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备412访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器428可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)430和/或高速缓存存储器432。计算机设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储装置434可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440,可以存储在例如存储器428中,这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等,其中,显示器424可根据实际需要决定是否配置)通信,还可与一个或者多个使得用户能与该计算机设备412交互的设备通信,和/或与使得该计算机设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且,计算机设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器420通过总线418与计算机设备412的其它模块通信。应当明白,尽管图4中未示出,可以结合计算机设备412使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储装置等。
处理器416通过运行存储在存储器428中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的目标部位分析方法。
实施例五
本发明实施例五提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的目标部位分析方法,包括:
获取当前用户的受检区域的医学图像;
将预先确定的受检区域的模板图像与医学图像进行配准,得到配准模板图像;
将医学图像和配准模板图像输入到目标深度学习网络模型中,得到与目标部位相对应的分析参考信息;
基于分析参考信息,对目标部位进行分析。
当然,本发明实施例所提供的计算机可读存储介质,其上存储的计算机程序不限于执行如上所述的方法操作,还可以执行本发明任意实施例所提供的基于计算机设备的目标部位分析方法中的相关操作。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、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)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码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)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种目标部位分析方法,其特征在于,包括:
获取当前用户的受检区域的医学图像;
将预先确定的所述受检区域的模板图像与所述医学图像进行配准,得到配准模板图像;
将所述医学图像和所述配准模板图像输入到目标深度学习网络模型中,得到与目标部位相对应的分析参考信息;
基于所述分析参考信息,对所述目标部位进行分析。
2.根据权利要求1所述的方法,其特征在于,在将所述医学图像和所述配准模板图像输入到目标深度学习网络模型中之前,还包括:
获取历史用户的受检区域的历史医学图像和与所述历史医学图像相对应的历史金标准;
将所述模板图像与所述历史医学图像进行配准,得到历史配准模板图像;
将所述历史医学图像和所述历史配准模板图像输入预先建立的第一深度学习网络模型中,得到与所述历史医学图像相对应的第一分析参考信息;
基于所述第一分析参考信息与所述历史金标准,对所述深度学习网络模型的模型参数进行调整,以得到最终的目标深度学习网络模型。
3.根据权利要求1或2所述的方法,其特征在于,将预先确定的所述受检区域的模板图像与所述医学图像进行配准,得到配准模板图像,包括:
确定所述模板图像中的第一特征点和所述医学图像中的第二特征点;
根据所述第一特征点和所述第二特征点,利用特征点匹配的方法,将所述模板图像配准到所述医学图像上,以得到配准模板图像。
4.根据权利要求1或2所述的方法,其特征在于,基于所述分析参考信息,对所述目标部位进行分析,包括:
基于所述分析参考信息,对所述目标部位进行定位、范围检测、分类和分割中的至少一种操作。
5.根据权利要求1或2所述的方法,其特征在于,将预先确定的所述受检区域的模板图像与所述医学图像进行配准,得到配准模板图像之前,还包括:
基于受检区域的标准医学图像,利用模板图像生成模型,确定所述模板图像。
6.根据权利要求1或2所述的方法,其特征在于,所述目标深度学习网络模型包括多通道深度学习网络模型或多降采样支深度学习网络模型。
7.根据权利要求6所述的方法,其特征在于,所述目标深度学习网络模型包括FCN、U-Net、DeepLab和V-Net中的至少一个。
8.一种目标部位分析装置,其特征在于,包括:
医学图像获取模块,用于获取当前用户的受检区域的医学图像;
配准模板图像确定模块,用于将预先确定的所述受检区域的模板图像与所述医学图像进行配准,得到配准模板图像;
分析参考信息获取模块,用于将所述医学图像和所述配准模板图像输入到目标深度学习网络模型中,得到与目标部位相对应的分析参考信息;
目标部位分析模块,用于基于所述分析参考信息,对所述目标部位进行分析。
9.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的目标部位分析方法。
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,该程序被处理器执行时实现如权利要求1-7中任一所述的目标部位分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910999736.7A CN110728673A (zh) | 2019-10-21 | 2019-10-21 | 一种目标部位分析方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910999736.7A CN110728673A (zh) | 2019-10-21 | 2019-10-21 | 一种目标部位分析方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110728673A true CN110728673A (zh) | 2020-01-24 |
Family
ID=69220429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910999736.7A Pending CN110728673A (zh) | 2019-10-21 | 2019-10-21 | 一种目标部位分析方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728673A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383211A (zh) * | 2020-03-04 | 2020-07-07 | 深圳大学 | 骨案例识别方法、装置、服务器及存储介质 |
CN112085730A (zh) * | 2020-09-18 | 2020-12-15 | 上海联影医疗科技股份有限公司 | 感兴趣区域成分分析方法、装置、电子设备和介质 |
CN113344921A (zh) * | 2021-08-04 | 2021-09-03 | 浙江太美医疗科技股份有限公司 | 图像检测方法和装置、计算机可读存储介质和电子设备 |
CN113434718A (zh) * | 2021-06-29 | 2021-09-24 | 联仁健康医疗大数据科技股份有限公司 | 确定关联图像的方法、装置、电子设备及存储介质 |
WO2021189900A1 (zh) * | 2020-10-14 | 2021-09-30 | 平安科技(深圳)有限公司 | 医学图像分析方法、装置、电子设备及可读存储介质 |
CN113539445A (zh) * | 2021-09-02 | 2021-10-22 | 数坤(北京)网络科技股份有限公司 | 一种医学图像处理方法和装置 |
CN113724300A (zh) * | 2020-05-25 | 2021-11-30 | 北京达佳互联信息技术有限公司 | 图像配准方法、装置、电子设备及存储介质 |
CN113808181A (zh) * | 2020-10-30 | 2021-12-17 | 上海联影智能医疗科技有限公司 | 医学图像的处理方法、电子设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109427058A (zh) * | 2017-08-17 | 2019-03-05 | 西门子保健有限责任公司 | 医学图像中的自动变化检测 |
CN109754387A (zh) * | 2018-11-23 | 2019-05-14 | 北京永新医疗设备有限公司 | 医学图像病灶检测定位方法、装置、电子设备及存储介质 |
CN109767461A (zh) * | 2018-12-28 | 2019-05-17 | 上海联影智能医疗科技有限公司 | 医学影像配准方法、装置、计算机设备和存储介质 |
CN109767460A (zh) * | 2018-12-27 | 2019-05-17 | 上海商汤智能科技有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN110211111A (zh) * | 2019-05-31 | 2019-09-06 | 上海联影医疗科技有限公司 | 一种血管提取的方法、装置、图像处理设备及存储介质 |
CN110310257A (zh) * | 2019-05-31 | 2019-10-08 | 上海联影医疗科技有限公司 | 医学图像处理方法、装置、计算机设备和存储介质 |
-
2019
- 2019-10-21 CN CN201910999736.7A patent/CN110728673A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109427058A (zh) * | 2017-08-17 | 2019-03-05 | 西门子保健有限责任公司 | 医学图像中的自动变化检测 |
CN109754387A (zh) * | 2018-11-23 | 2019-05-14 | 北京永新医疗设备有限公司 | 医学图像病灶检测定位方法、装置、电子设备及存储介质 |
CN109767460A (zh) * | 2018-12-27 | 2019-05-17 | 上海商汤智能科技有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN109767461A (zh) * | 2018-12-28 | 2019-05-17 | 上海联影智能医疗科技有限公司 | 医学影像配准方法、装置、计算机设备和存储介质 |
CN110211111A (zh) * | 2019-05-31 | 2019-09-06 | 上海联影医疗科技有限公司 | 一种血管提取的方法、装置、图像处理设备及存储介质 |
CN110310257A (zh) * | 2019-05-31 | 2019-10-08 | 上海联影医疗科技有限公司 | 医学图像处理方法、装置、计算机设备和存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383211A (zh) * | 2020-03-04 | 2020-07-07 | 深圳大学 | 骨案例识别方法、装置、服务器及存储介质 |
CN113724300A (zh) * | 2020-05-25 | 2021-11-30 | 北京达佳互联信息技术有限公司 | 图像配准方法、装置、电子设备及存储介质 |
CN112085730A (zh) * | 2020-09-18 | 2020-12-15 | 上海联影医疗科技股份有限公司 | 感兴趣区域成分分析方法、装置、电子设备和介质 |
WO2021189900A1 (zh) * | 2020-10-14 | 2021-09-30 | 平安科技(深圳)有限公司 | 医学图像分析方法、装置、电子设备及可读存储介质 |
CN113808181A (zh) * | 2020-10-30 | 2021-12-17 | 上海联影智能医疗科技有限公司 | 医学图像的处理方法、电子设备和存储介质 |
CN113434718A (zh) * | 2021-06-29 | 2021-09-24 | 联仁健康医疗大数据科技股份有限公司 | 确定关联图像的方法、装置、电子设备及存储介质 |
CN113344921A (zh) * | 2021-08-04 | 2021-09-03 | 浙江太美医疗科技股份有限公司 | 图像检测方法和装置、计算机可读存储介质和电子设备 |
CN113539445A (zh) * | 2021-09-02 | 2021-10-22 | 数坤(北京)网络科技股份有限公司 | 一种医学图像处理方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728673A (zh) | 一种目标部位分析方法、装置、计算机设备及存储介质 | |
US10810735B2 (en) | Method and apparatus for analyzing medical image | |
CN109961491B (zh) | 多模态图像截断补偿方法、装置、计算机设备和介质 | |
CN111292314B (zh) | 冠脉分段方法、装置、图像处理系统和存储介质 | |
CN109741312A (zh) | 一种肺结节鉴别方法、装置、设备及介质 | |
CN111428709A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN111325714B (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
CN111028246A (zh) | 一种医学图像分割方法、装置、存储介质及电子设备 | |
CN112465834B (zh) | 一种血管分割方法及装置 | |
CN111145160A (zh) | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 | |
CN108742679B (zh) | 结节检测装置和方法 | |
CN112348838B (zh) | 用于图像分析的方法和系统 | |
CN113656706A (zh) | 基于多模态深度学习模型的信息推送方法及装置 | |
US11164309B2 (en) | Image analysis and annotation | |
CN116433692A (zh) | 一种医学图像分割方法、装置、设备和存储介质 | |
CN113888566B (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
CN109087357B (zh) | 扫描定位方法、装置、计算机设备及计算机可读存储介质 | |
CN113192031B (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
US8831301B2 (en) | Identifying image abnormalities using an appearance model | |
CN112634309A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
WO2020253138A1 (zh) | 一种分类方法、装置、设备和存储介质 | |
CN112530554B (zh) | 一种扫描定位方法、装置、存储介质及电子设备 | |
CN115564763A (zh) | 甲状腺超声图像处理方法、装置、介质及电子设备 | |
CN113240638B (zh) | 基于深度学习的目标检测方法、设备及介质 | |
CN114266777A (zh) | 分割模型的训练方法、分割方法、装置、电子设备及介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |