CN110930385A - 乳房肿块检测定位方法和装置 - Google Patents
乳房肿块检测定位方法和装置 Download PDFInfo
- Publication number
- CN110930385A CN110930385A CN201911144176.3A CN201911144176A CN110930385A CN 110930385 A CN110930385 A CN 110930385A CN 201911144176 A CN201911144176 A CN 201911144176A CN 110930385 A CN110930385 A CN 110930385A
- Authority
- CN
- China
- Prior art keywords
- breast
- image
- neural network
- mass
- breast 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.)
- 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
- 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
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种乳房肿块检测定位方法、乳房肿块检测定位装置、计算机可读存储介质和电子设备,解决了现有的乳房图像检查方式无法自动并准确地量化定位乳房肿块在乳房图像中的位置的问题。该乳房肿块检测定位方法包括:基于乳房图像确定包括乳房肿块影像的预测框区域;基于关键点识别模型识别出所述乳房图像中的多个关键点;根据所述多个关键点将所述乳房图像划分成多个乳腺区域;以及根据所述预测框区域所落入的所述乳腺区域确定乳房肿块位置。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及一种乳房肿块检测定位方法、乳房肿块检测定位装置、计算机可读存储介质和电子设备。
背景技术
乳房肿块的识别目前在临床上一般基于乳房图像进行检查。乳房图像可为利用透射光束投射乳房部位所形成的透射图像,例如乳腺钼靶X射线摄影图像,又称乳腺钼靶影像。乳房图像检查是目前诊断乳腺疾病的首选和最简便、最可靠的无创性检测手段,痛苦相对较小,简便易行,且分辨率高,重复性好,留取的图像可供前后对比,不受年龄、体形的限制。
然而,现有的乳房图像检查方式虽然能够基于乳房图像识别出乳房肿块,但并无法准确地量化标定出乳房肿块出乳房肿块的具体位置。此外由于现有的乳房图像检查方式依赖于人工凭借工作经验进行,虽然根据医生本身的经验可以判断出乳房肿块的位置,但当需要检查的乳房图像的数量较大时,依赖纯人工判断的方式很容易出现误差,且也并无法实现量化的位置标定。
发明内容
有鉴于此,本申请实施例提供了一种乳房肿块检测定位方法、乳房肿块检测定位装置、计算机可读存储介质和电子设备,解决了现有的乳房图像检查方式无法自动并准确地量化定位乳房肿块在乳房图像中的位置的问题。
根据本申请的一方面,本申请一实施例提供的一种乳房肿块检测定位方法包括:基于乳房图像确定包括乳房肿块影像的预测框区域;基于关键点识别模型识别出所述乳房图像中的多个关键点;根据所述多个关键点将所述乳房图像划分成多个乳腺区域;以及根据所述预测框区域所落入的所述乳腺区域确定乳房肿块位置。
在本申请一实施例中,所述关键点识别模型包括依次连接的用于特征提取的第一卷积神经网络、用于特征融合的第二卷积神经网络和用于关键点预测的第三卷积神经网络;其中,所述基于关键点识别模型识别出所述乳房图像中的多个关键点包括:将所述乳房图像输入所述第一卷积神经网络获取多个不同尺寸的特征图;将所述多个不同尺寸的特征图输入所述第二卷积神经网络以获取与所述乳房图像尺寸相同的融合特征图;以及将所述融合特征图输入所述第三卷积神经网络以获取所述多个关键点的位置。
在本申请一实施例中,所述将所述多个不同尺寸的特征图输入所述第二卷积神经网络以获取与所述乳房图像尺寸量相同的融合特征图包括:将所述多个不同尺寸的特征图输入第一卷积层以转换为多个相同通道数量但不同尺寸的特征图;将所述多个相同通道数量但不同尺寸的特征图分别进行卷积处理和双线性上采样处理以转换为多个相同尺寸的特征图;将所述多个相同尺寸的特征图进行求和以获取求和特征图;以及将所述求和特征图进行卷积和双线性上采样处理以获取与所述乳房图像尺寸量相同的融合特征图。
在本申请一实施例中,所述将所述融合特征图输入所述第三卷积神经网络以获取所述多个关键点的位置包括:将所述融合特征图输入第二卷积层以获取与所述多个关键点分别对应的多个待预测特征图,其中所述第二卷积层包括与所述多个关键点分别对应的多个层;将所述多个待预测特征图分别进行归一化处理以获取多个关键点概率预测图;以及将所述关键点概率预测图中概率数值最大的位置确定为所述关键点的位置。
在本申请一实施例中,所述第一卷积神经网络为50层的ResNext网络,所述第二卷积神经网络为特征金字塔网络。
在本申请一实施例中,所述乳房图像为透视光束从人体头部向足部投射形成的轴位图像,其中,所述多个关键点包括:乳头点、乳房轮廓与所述乳房图像的边缘的两个交点;其中,所述根据所述多个关键点将所述乳房图像划分成多个乳腺区域包括:从所述乳头点向所述两个交点的连线作垂线;获取与所述垂线垂直的两条等分线,所述两条等分线将所述垂线三等分;基于所述垂线、所述两条等分线以及所述乳房轮廓确定划分出的六个所述乳腺区域。
在本申请一实施例中,所述乳房图像为透视光束从乳腺内上方45度投射向外下方或从乳腺外下方45度投射向内上方形成的斜侧位图像,其中,所述多个关键点包括:乳头点、胸肌平面与所述乳房图像的边缘的两个交点;其中,所述根据所述多个关键点将所述乳房图像划分成多个乳腺区域包括:从所述乳头点向所述两个交点的连线作垂线;获取与所述垂线垂直的两条等分线,所述两条等分线将所述垂线三等分;基于所述垂线、所述两条等分线以及所述乳房轮廓确定划分出的六个所述乳腺区域。
在本申请一实施例中,所述基于乳房图像确定包括乳房肿块影像的预测框区域包括:将所述乳房图像输入肿块标记模型以获取所述肿块标记模型确定的所述预测框区域,其中,所述肿块标记模型基于训练过程建立。
在本申请一实施例中,所述肿块标记模型通过训练过程建立:将乳房图像样本作为训练集输入深度神经网络模型进行训练,获取所述深度神经网络输出的训练预测框区域;将所述训练预测框区域与验证集中的标准预测框区域进行对比;以及当没有满足回复精度要求时,根据对比差异调整深度神经网络模型的参数,以进行再训练。
在本申请一实施例中,所述基于乳房图像确定包括乳房肿块影像的预测框区域包括:基于所述乳房图像确定包括乳房肿块影像的预测框区域的左上角坐标和右下角坐标。
在本申请一实施例中,所述根据所述预测框区域所落入的所述乳腺区域确定乳房肿块位置包括:根据所述预测框区域的中心所落入的所述乳腺区域确定乳房肿块位置。
根据本申请的另一方面,本申请一实施例提供了一种乳房肿块检测定位装置,包括:标记模块,配置为基于乳房图像确定包括乳房肿块影像的预测框区域;关键点识别模型,配置为识别出所述乳房图像中的多个关键点;划分模块,配置为根据所述多个关键点将所述乳房图像划分成多个乳腺区域;以及确定模块,配置为根据所述预测框区域所落入的所述乳腺区域确定乳房肿块位置。
在本申请一实施例中,所述关键点识别模型包括依次连接的用于特征提取的第一卷积神经网络、用于特征融合的第二卷积神经网络和用于关键点预测的第三卷积神经网络;其中,所述第一卷积神经网络配置为将所述乳房图像转换为多个不同尺寸的特征图;所述第二卷积神经网络配置为将所述多个不同尺寸的特征图转换为与所述乳房图像尺寸相同的融合特征图;以及所述第三卷积神经网络配置为基于所述融合特征图获取所述多个关键点的位置。
在本申请一实施例中,所述第二卷积神经网络包括:第一卷积层,配置为将所述多个不同尺寸的特征图转换为多个相同通道数量但不同尺寸的特征图;第一卷积采样处理模块,配置为将所述多个相同通道数量但不同尺寸的特征图分别进行卷积处理和双线性上采样处理以转换为多个相同尺寸的特征图;求和模块,配置为将所述多个相同尺寸的特征图进行求和以获取求和特征图;以及第二卷积采样处理模块,配置为将所述求和特征图进行卷积和双线性上采样处理以获取与所述乳房图像尺寸量相同的融合特征图。
在本申请一实施例中,所述第三卷积神经网络包括:第二卷积层,配置为基于所述融合特征图获取与所述多个关键点分别对应的多个待预测特征图,其中所述第二卷积层包括与所述多个关键点分别对应的多个层;归一化处理模块,配置为将所述多个待预测特征图分别进行归一化处理以获取多个关键点概率预测图;以及关键点预测模块,配置为将所述关键点概率预测图中概率数值最大的位置确定为所述关键点的位置。
在本申请一实施例中,所述第一卷积神经网络为50层的ResNext网络,所述第二卷积神经网络为特征金字塔网络。
在本申请一实施例中,所述乳房图像为透视光束从人体头部向足部投射形成的轴位图像,其中,所述多个关键点包括:乳头点、乳房轮廓与所述乳房图像的边缘的两个交点;其中,所述划分模块包括:第一作垂线单元,配置为从所述乳头点向所述两个交点的连线作垂线;第一等分单元,配置为获取与所述垂线垂直的两条等分线,所述两条等分线将所述垂线三等分;第一划分执行单元,配置为基于所述垂线、所述两条等分线以及所述乳房轮廓确定划分出的六个所述乳腺区域。
在本申请一实施例中,所述乳房图像为透视光束从乳腺内上方45度投射向外下方或从乳腺外下方45度投射向内上方形成的斜侧位图像,其中,所述多个关键点包括:乳头点、胸肌平面与所述乳房图像的边缘的两个交点;其中,所述划分模块包括:第二作垂线单元,配置为从所述乳头点向所述两个交点的连线作垂线;第二等分单元,配置为获取与所述垂线垂直的两条等分线,所述两条等分线将所述垂线三等分;第二划分执行单元,配置为基于所述垂线、所述两条等分线以及所述乳房轮廓确定划分出的六个所述乳腺区域。
在本申请一实施例中,所述标记模块包括:肿块标记模型,配置为基于所述乳房图像获取所述预测框区域,其中,所述肿块标记模型基于训练过程建立。
在本申请一实施例中,所述乳房肿块检测定位装置进一步包括:训练模块,配置为通过训练过程以建立所述肿块标记模型,所述训练模块包括:训练输入单元,配置为将乳房图像样本作为训练集输入深度神经网络模型进行训练,获取所述深度神经网络输出的训练预测框区域;对比验证单元,配置为将所述训练预测框区域与验证集中的标准预测框区域进行对比;以及调整单元,配置为当没有满足回复精度要求时,根据对比差异调整深度神经网络模型的参数,以进行再训练。
在本申请一实施例中,所述标记模块进一步配置为:基于所述乳房图像确定包括乳房肿块影像的预测框区域的左上角坐标和右下角坐标。
在本申请一实施例中,所述确定模块进一步配置为:根据所述预测框区域的中心所落入的所述乳腺区域确定乳房肿块位置。
根据本申请的另一方面,本申请一实施例提供了一种电子设备,包括:处理器;存储器;以及存储在存储器中的计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行如上述任一项所述的乳房肿块检测定位方法。
根据本申请的另一方面,本申请一实施例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上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如前任一所述的乳房肿块检测定位方法。
根据本申请的另一方面,本申请一实施例提供了一种计算机程序产品,包括计算机程序指令,所述计算机程序指令在被处理器运行时使得处理器执行如上述任一所述的乳房肿块检测定位方法。
本申请实施例提供的一种乳房肿块检测定位方法、乳房肿块检测定位装置、计算机可读存储介质和电子设备,通过关键点识别模型可自动地识别出乳房图像中的关键点,并利用这些关键点来将乳房图像划分为多个乳腺区域,这样便为标定乳房肿块影像的位置提供了量化地标定标尺,可量化地准确标定出乳房肿块影像在哪一个乳腺区域,从而为后续给出具体的治疗方案提供了明确的医疗数据参考。
附图说明
图1所示为本申请一实施例所提供的乳房肿块检测定位方法的流程示意图。
图2所示为本申请一实施例所提供的轴位图像的乳房图像示意图。
图3所示为本申请一实施例所提供的斜侧位图像的乳房图像示意图。
图4a所示为本申请一实施例提供的一种乳房肿块检测定位方法中所采用的关键点识别模型的结构示意图。
图4b所示为本申请一实施例提供的一种乳房肿块检测定位方法中基于关键点识别模型识别出乳房图像中的多个关键点的流程示意图。
图5所示为本申请一实施例提供的一种乳房肿块检测定位方法中基于第二卷积神经网络获取融合特征图的流程示意图。
图6所示为本申请一实施例提供的一种乳房肿块检测定位方法中将融合特征图输入第三卷积神经网络以获取多个关键点的流程示意图。
图7所示为本申请一实施例提供的概率图的示意图。
图8a所示为本申请一实施例提供的一种乳房肿块检测定位方法中肿块标记模型的训练过程的流程示意图。
图8b所示为本申请一实施例提供的一种乳房肿块检测定位方法中肿块标记模型的训练过程所使用的深度神经网络的结构示意图。
图9所示为本申请一实施例提供的乳房肿块检测定位装置的结构示意图。
图10所示为本申请另一实施例提供的乳房肿块检测定位装置的结构示意图。
图11所示为本申请另一实施例提供的乳房肿块检测定位装置的结构示意图。
图12所示为本申请另一实施例提供的乳房肿块检测定位装置的结构示意图。
图13所示为本申请另一实施例提供的乳房肿块检测定位装置的结构示意图。
图14所示为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
申请概述
如上所述,现有的乳房图像检查方式虽然能够基于乳房图像识别出乳房肿块,但并无法准确地量化标定出乳房肿块出乳房肿块的具体位置。此外由于现有的乳房图像检查方式依赖于人工凭借工作经验进行,依赖纯人工判断的方式很容易出现误差,且也并无法实现量化的位置标定。
针对上述的技术问题,本申请的基本构思是提出一种乳房肿块检测定位方式,考虑需要有量化的标尺才能准确地标定乳房肿块的位置,本申请首先提供了一种关键点识别模型,可自动地识别出乳房图像中的关键点。在得到这些关键点后便可将乳房图像划分为多个乳腺区域,以为标定乳房肿块影像的位置提供了量化地标定标尺,从而可量化地准确标定出乳房肿块影像在哪一个乳腺区域。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性乳房肿块检测定位方法
图1所示为本申请一实施例所提供的乳房肿块检测定位方法的流程示意图。如图1所示,该乳房肿块检测定位方法包括:
步骤101:基于乳房图像确定包括乳房肿块影像的预测框区域。
乳房图像可为利用透射光束投射乳房部位所形成的透射图像,例如乳腺钼靶X射线摄影图像,又称乳腺钼靶影像。乳房肿块影像为乳房图像中显示出乳房肿块的影像区域。预测框区域为识别出的包括了乳房肿块影像的区域,即预测框区域应至少涵盖了乳房肿块影像的区域。
应当理解,根据成像方式的不同,乳房图像的具体呈现形式也有所不同。以乳腺钼靶影像为例,根据X射线投射方式的不同,又可分为轴位图像和斜侧位图像。轴位图像为透视光束从人体头部向足部投射形成的图像,斜侧位图像为透视光束从乳腺内上方45度投射向外下方或从乳腺外下方45度投射向内上方形成的斜侧位图像。然而不论乳房图像采用哪种成像方式,都可基于本申请实施例所提供的乳房肿块检测定位方法确定乳房肿块的具体位置,本申请对所参考的乳房图像的具体成像方式不做限定。
在本申请一实施例中,可通过训练过程建立基于深度神经网络的肿块标记模型来实现该预测框区域的识别,将乳房图像输入该肿块标记模型便可获取该肿块标记模型所确定的预测框区域。在本申请另一实施例中,预测框区域也可由人工标定的方式获取,或者获取到的乳房图像中就已经标定有包括乳房肿块影像的预测框区域,本申请对该预测框区域的具体获取方式并不做严格限定。
应当理解,预测框区域的具体呈现形式和数据形态都与具体的识别方式有关。例如,当基于前述的肿块标记模型来实现该预测框区域的识别时,根据该肿块训练标记模型的训练样本中的标准预测框区域不同,该肿块标记模型实际所输出的预测框区域也有所不同,例如可以是包括乳房肿块影像的矩形框区域,也可以是与乳房肿块影像边缘对应的框区域。当预测框区域为矩形框区域时,基于乳房图像确定预测框区域实际上是确定预测框区域的左上角坐标和右下角坐标。本申请对预测框区域的具体呈现形式和数据形态同样不做限定。
步骤102:基于关键点识别模型识别出乳房图像中的多个关键点。
关键点识别模型可为通过训练过程建立的基于深度神经网络的人工智能模型,将乳房图像输入该关键点识别模型后,该关键点识别模型便可输出识别出的关键点的位置。关键点识别模型所识别出的关键点应当能够表征乳房图像中乳腺部位的形状特征,以为用于后续划分乳腺区域提供参考。
在本申请一实施例中,如图2所示,乳房图像为透视光束从人体头部向足部投射形成的轴位图像,此时所述识别出的多个关键点可包括:乳头点、乳房轮廓与乳房图像的边缘的两个交点。在本申请另一实施例中,如图3所示,乳房图像为透视光束从乳腺内上方45度投射向外下方或从乳腺外下方45度投射向内上方形成的斜侧位图像,其中,多个关键点包括:乳头点、胸肌平面与乳房图像的边缘的两个交点。
应当理解,虽然图2和图3给出了一些关键点识别的例子,但根据实际的应用场景需求以及位置定位精度需求,在本申请的其他实施例中还可能识别出更多的其他关键点,本申请对识别出的关键点的具体数量和种类不做严格限定。
步骤103:根据多个关键点将乳房图像划分成多个乳腺区域。
利用识别出的关键点便可将乳房图像划分为多个乳腺区域。应当理解,根据实际的应用场景需求以及所识别出的关键点的数量和位置不同,乳腺区域的划分方式也可有所调整,本申请对具体的划分方式不做严格限定。
在本申请一实施例中,如图2所示,乳房图像为透视光束从人体头部向足部投射形成的轴位图像,所识别出的多个关键点包括:乳头点N1、乳房轮廓与乳房图像的边缘的两个交点K1和K2。此时根据多个关键点将乳房图像划分成多个乳腺区域可具体包括如下步骤:首先,从乳头点向两个交点的连线作垂线;然后获取与垂线垂直的两条等分线,两条等分线将垂线三等分;最后基于垂线、两条等分线以及乳房轮廓确定划分出的六个乳腺区域,如图2中标示出的A、B、C、D、E和F区域。
在本申请另一实施例中,如图3所示乳房图像为透视光束从乳腺内上方45度投射向外下方或从乳腺外下方45度投射向内上方形成的斜侧位图像,所识别出的多个关键点包括:乳头点N2、胸肌平面与乳房图像的边缘的两个交点K3和K4。此时根据多个关键点将乳房图像划分成多个乳腺区域可具体包括如下步骤:首先,从乳头点向两个交点的连线作垂线;然后获取与垂线垂直的两条等分线,两条等分线将垂线三等分;最后基于垂线、两条等分线以及乳房轮廓确定划分出的六个乳腺区域,如图3中标示出的A’、B’、C’、D’、E’和F’区域。
步骤104:根据预测框区域所落入的乳腺区域确定乳房肿块位置。
在本申请一实施例中,考虑到预测框区域可能与所划分的乳腺区域存在交叠,为了能够准确地判断乳房肿块落入了哪一个乳腺区域,可根据预测框区域的中心所落入的乳腺区域确定乳房肿块的位置。参考所确定的乳房肿块的位置可判断乳房肿块的发育程度和危害程度,以为给出有针对性的治疗方案提供数据参考。
由此可见,本申请实施例提供的一种乳房肿块检测定位方法,通过关键点识别模型可自动地识别出乳房图像中的关键点,并利用这些关键点来将乳房图像划分为多个乳腺区域,这样便为标定乳房肿块影像的位置提供了量化地标定标尺,可量化地准确标定出乳房肿块影像在哪一个乳腺区域,从而为后续给出具体的治疗方案提供了明确的医疗数据参考。
图4a所示为本申请一实施例提供的一种乳房肿块检测定位方法中所采用的关键点识别模型的结构示意图。如图4a所示,该关键点识别模型包括依次连接的用于特征提取的第一卷积神经网络、用于特征融合的第二卷积神经网络和用于关键点预测的第三卷积神经网络。具体而言,如图4b所示,基于该关键点识别模型识别出乳房图像中的多个关键点可包括如下步骤:
步骤401:将乳房图像输入第一卷积神经网络获取多个不同尺寸的特征图。
如图4a所示,第一卷积神经网络可采用50层的ResNext网络,后续记为ResNext-50。在本申请一实施例中,可向第一卷积神经网络中输入一张乳房图像,该乳房图像为512×512尺寸的左手x光图像,第一卷积神经网络便会可输出得到四个尺寸的特征图。如图4a所示,第一卷积神经网络的参数可如下:K×K(例如图4a中“7×7,64,stride=2”卷积层中的7×7)表示卷积核的尺寸;group=32表示分组卷积(32组),默认不使用分组卷积时group=1;N表示滤波器数量,即输出的特征图的通道(channel)数量(例如图4a中“7×7,64,stride=2”卷积层中的64);Stride=2表示卷积步长为2,默认步长为1;Max pooling表示最大值池化层;旁边的×3、×4、×6、×3表示该模块重复叠堆3次、4次、6次、3次。
然而应当理解,第一卷积神经网络也可采用其他形式的深度神经网络实现特征提取,例如resnext-101、resnext-152、resnet或densenet等。本申请对用于实现特征提取的第一卷积申请网络的具体实现形式不做严格限定。
步骤402:将多个不同尺寸的特征图输入第二卷积神经网络以获取与乳房图像尺寸相同的融合特征图。
如图4a所示,第二卷积神经网络可采用特征金字塔网络。具体而言,如图5所示,基于第二卷积神经网络获取融合特征图可具体包括如下步骤:
步骤4021:将多个不同尺寸的特征图输入第一卷积层以转换为多个相同通道数量但不同尺寸的特征图。
以前述的第一卷积神经网络采用ResNext-50为例,ResNext-50输出的四个特征图首先经过1×1,256的第一卷积层全部变为256通道,但尺寸分别为乳房图像原图尺寸的1/32、1/16、1/8和1/4。
步骤4022:将多个相同通道数量但不同尺寸的特征图分别进行卷积处理和双线性上采样处理以转换为多个相同尺寸的特征图。
如图4a所示,对于1/32的特征图经过三次卷积和2×双线性上采样,尺寸会扩大8倍;对于1/16的特征图经过两次卷积和2×双线性上采样,尺寸会扩大4倍;对于1/8的特征图经过一次卷积和2×双线性上采样,尺寸会扩大2倍。这样原本不同尺寸的特征图,全部变为了一组相同的1/4比例的特征图。
步骤4023:将多个相同尺寸的特征图进行求和以获取求和特征图。
将多个相同尺寸的特征图按元素求和便可得到1/4比例的求和特征图。
步骤4024:将求和特征图进行卷积和双线性上采样处理以获取与乳房图像尺寸量相同的融合特征图。
延续上述512×512尺寸的左手x光图像的乳房图像处理的例子,1/4比例的求和特征图可经过1×1卷积,4×双线性上采样处理,以生成与乳房图像的原始图像尺寸相同的融合特征图。
步骤403:将融合特征图输入第三卷积神经网络以获取多个关键点的位置。
由于要识别出多个关键点的位置才能划分出多个乳腺区域,而多个关键点的识别要基于同一张融合特征图完成,因此可将第三卷积神经网络设计为多层结构,其中的每层负责识别一个关键点的位置。
具体而言,如图6所示将融合特征图输入第三卷积神经网络以获取多个关键点的位置的具体可包括如下步骤:
步骤4031:将融合特征图输入第二卷积层以获取与多个关键点分别对应的多个待预测特征图,其中第二卷积层包括与多个关键点分别对应的多个层。
第二卷积神经网络输出的融合特征图又经过3×3,3的第二卷积层,转换为3层的特征图,其中每一层负责预测一个关键点,这样3层就能预测3个关键点。这里的3层特征图,实际上是3张概率图。
步骤4032:将多个待预测特征图分别进行归一化处理以获取多个关键点概率预测图。
3张概率图的数值经过归一化处理(例如采用softmax函数)之后,就能代表相应关键点落在该位置的概率,例如图7所示的就是一张5×的5概率图,实际上第二卷积层输出的概率图是512×512。
步骤4033:将关键点概率预测图中概率数值最大的位置确定为关键点的位置。
以图7所示的5×5概率图为例,横纵坐标第3个格子里的概率数值最高,所以预测出的关键点位置就在概率最高的点在原始乳房图像中所对应的位置。3张概率图分别经过如上处理便可确定3个关键点的位置。
图8a所示为本申请一实施例提供的一种乳房肿块检测定位方法中肿块标记模型的训练过程的流程示意图。如前所述,可通过训练过程建立基于深度神经网络的肿块标记模型来实现该预测框区域的识别,将乳房图像输入该肿块标记模型便可获取该肿块标记模型所确定的预测框区域。如图8a所示,该肿块标记模型可通过如下训练过程建立:
步骤801:将乳房图像样本作为训练集输入深度神经网络模型进行训练,获取深度神经网络输出的训练预测框区域。
乳房图像样本为用于训练深度神经网络模型的样本数据。在本申请一实施例中,可直接读取原始乳房图像的像素、形状等图像信息,将所有图像信息转化成二进制信息存入内存中以供训练调用等等。在存储信息之前,可以有选择性的进行一些图像预处理,例如图像去噪、锐化、加窗等。在输入深度神经网络模型之前,将预处理得到的图像数据按一定比例分成训练集、验证集、测试集。其中的训练集变为乳房图像样本;验证集为与训练集对应的包括已经标定好的标准标记框的乳房图像样本,标准标记框可由三位不同年资的放射科医生同时标记每张乳腺钼靶影像,两名或两名以上的医生共同认为的肿块才被确认为正样本。最后通过质检人员再筛查一遍确保标记的质量;测试集为用于在模型训练完成后进行测试的一些乳房图像数据。
深度神经网络模型需要预先建立起来,再通过后续的训练过程使其具备识别包括乳房肿块影像的预测框区域的能力。该深度神经网络模型可为采用第三方训练集(例如ImageNet)训练出来的参数初始化网络,结构可采用依次连接的特征提取网络(可采用ResNext-50)、特征金字塔网络和后面的分类分支(包括特征融合处理(Featureconcatenation)和分类处理(Category classification))和检测分支(包括多尺度检测(Multi-scale detections)和非极大值抑制处理(Non-Maximum Suppression)),如图8b所示。初始化的参数可包括:学习率设为0.001,随机梯度下降的梯度下降方式,输入图像大小为640,批处理尺寸(batch)为32。
步骤802:将训练预测框区域与验证集中的标准预测框区域进行对比。
步骤803:当没有满足回复精度要求时,根据对比差异调整深度神经网络模型的参数,以进行再训练。
步骤804:当满足回复精度要求时,停止训练,模型训练完成。
通过基于对比差异不断调整参数,便可缩小训练预测框区域与标准预测框区域之间的差异,在经过若干论迭代后满足回归精度要求,即可使得深度神经网络模型实现乳房肿块的自动定位。训练过程其实是根据验证的输出结果调整的参数进行再训练,直到达到最好的训练结果。
示例性乳房肿块检测定位装置
图9所示为本申请一实施例提供的乳房肿块检测定位装置的结构示意图。如图9所示,该乳房肿块检测定位装置90包括:
标记模块91,配置为基于乳房图像确定包括乳房肿块影像的预测框区域;
关键点识别模型92,配置为识别出所述乳房图像中的多个关键点;
划分模块93,配置为根据所述多个关键点将所述乳房图像划分成多个乳腺区域;以及
确定模块94,配置为根据所述预测框区域所落入的所述乳腺区域确定乳房肿块位置。
由此可见,本申请实施例提供的一种乳房肿块检测定位装置90,通过关键点识别模型92可自动地识别出乳房图像中的关键点,并利用这些关键点来将乳房图像划分为多个乳腺区域,这样便为标定乳房肿块影像的位置提供了量化地标定标尺,可量化地准确标定出乳房肿块影像在哪一个乳腺区域,从而为后续给出具体的治疗方案提供了明确的医疗数据参考。
在本申请一实施例中,如图10所示,所述关键点识别模型92包括依次连接的用于特征提取的第一卷积神经网络921、用于特征融合的第二卷积神经网络922和用于关键点预测的第三卷积神经网络923;
其中,所述第一卷积神经网络921配置为将所述乳房图像转换为多个不同尺寸的特征图;
所述第二卷积神经网络922配置为将所述多个不同尺寸的特征图转换为与所述乳房图像尺寸相同的融合特征图;以及
所述第三卷积神经网络923配置为基于所述融合特征图获取所述多个关键点的位置。
在本申请一实施例中,如图10所示,所述第二卷积神经网络922包括:
第一卷积层9221,配置为将所述多个不同尺寸的特征图转换为多个相同通道数量但不同尺寸的特征图;
第一卷积采样处理模块9222,配置为将所述多个相同通道数量但不同尺寸的特征图分别进行卷积处理和双线性上采样处理以转换为多个相同尺寸的特征图;
求和模块9223,配置为将所述多个相同尺寸的特征图进行求和以获取求和特征图;以及
第二卷积采样处理模块9224,配置为将所述求和特征图进行卷积和双线性上采样处理以获取与所述乳房图像尺寸量相同的融合特征图。
在本申请一实施例中,如图10所示,所述第三卷积神经网络923包括:
第二卷积层9231,配置为基于所述融合特征图获取与所述多个关键点分别对应的多个待预测特征图,其中所述第二卷积层9231包括与所述多个关键点分别对应的多个层;
归一化处理模块9232,配置为将所述多个待预测特征图分别进行归一化处理以获取多个关键点概率预测图;以及
关键点预测模块9233,配置为将所述关键点概率预测图中概率数值最大的位置确定为所述关键点的位置。
在本申请一实施例中,所述第一卷积神经网络921为50层的ResNext网络,所述第二卷积神经网络922为特征金字塔网络。
在本申请一实施例中,所述乳房图像为透视光束从人体头部向足部投射形成的轴位图像,其中,所述多个关键点包括:乳头点、乳房轮廓与所述乳房图像的边缘的两个交点;
其中,如图11所示,所述划分模块93包括:
第一作垂线单元931,配置为从所述乳头点向所述两个交点的连线作垂线;
第一等分单元932,配置为获取与所述垂线垂直的两条等分线,所述两条等分线将所述垂线三等分;
第一划分执行单元933,配置为基于所述垂线、所述两条等分线以及所述乳房轮廓确定划分出的六个所述乳腺区域。
在本申请一实施例中,所述乳房图像为透视光束从乳腺内上方45度投射向外下方或从乳腺外下方45度投射向内上方形成的斜侧位图像,其中,所述多个关键点包括:乳头点、胸肌平面与所述乳房图像的边缘的两个交点;
其中,如图12所示,所述划分模块93包括:
第二作垂线单元934,配置为从所述乳头点向所述两个交点的连线作垂线;
第二等分单元935,配置为获取与所述垂线垂直的两条等分线,所述两条等分线将所述垂线三等分;
第二划分执行单元936,配置为基于所述垂线、所述两条等分线以及所述乳房轮廓确定划分出的六个所述乳腺区域。
在本申请一实施例中,如图13所示,所述标记模块91包括:
肿块标记模型911,配置为基于所述乳房图像获取所述预测框区域,其中,所述肿块标记模型911基于训练过程建立。
在本申请一实施例中,如图13所示,所述乳房肿块检测定位装置90进一步包括:
训练模块95,配置为通过训练过程以建立所述肿块标记模型911,所述训练模块95包括:
训练输入单元951,配置为将乳房图像样本作为训练集输入深度神经网络模型进行训练,获取所述深度神经网络输出的训练预测框区域;以及
对比验证单元952,配置为将所述训练预测框区域与验证集中的标准预测框区域进行对比,
调整单元953,配置为当没有满足回复精度要求时,根据对比差异调整深度神经网络模型的参数,以进行再训练。
在本申请一实施例中,标记模块901进一步配置为:基于所述乳房图像确定包括乳房肿块影像的预测框区域的左上角坐标和右下角坐标。
在本申请一实施例中,确定模块94进一步配置为:根据所述预测框区域的中心所落入的所述乳腺区域确定乳房肿块位置
上述乳房肿块检测定位装置90中的各个模块的具体功能和操作已经在上面参考图1到图8描述的乳房肿块检测定位方法中进行了详细介绍,上述乳房肿块检测定位装置90中的各个模块的具体功能和操作已经在上面参考图1到图8描述的乳房肿块检测定位方法中进行了详细介绍,因此,这里将省略其重复描述。
需要说明的是,根据本申请实施例的乳房肿块检测定位装置90可以作为一个软件模块和/或硬件模块而集成到电子设备90中,换言之,该电子设备90可以包括该乳房肿块检测定位装置90。例如,该乳房肿块检测定位装置90可以是该电子设备90的操作系统中的一个软件模块,或者可以是针对于其所开发的一个应用程序;当然,该乳房肿块检测定位装置90同样可以是该电子设备90的众多硬件模块之一。
在本申请另一实施例中,该乳房肿块检测定位装置90与该电子设备90也可以是分立的设备(例如,服务器),并且该乳房肿块检测定位装置90可以通过有线和/或无线网络连接到该电子设备90,并且按照约定的数据格式来传输交互信息。
示例性电子设备
图14所示为本申请一实施例提供的电子设备的结构示意图。如图14所示,该电子设备140包括:一个或多个处理器1401和存储器1402;以及存储在存储器1402中的计算机程序指令,计算机程序指令在被处理器1401运行时使得处理器1401执行如上述任一实施例的乳房肿块检测定位方法。
处理器1401可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备中的其他组件以执行期望的功能。
存储器1402可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器1401可以运行所述程序指令,以实现上文所述的本申请的各个实施例的乳房肿块检测定位方法中的步骤以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如光线强度、补偿光强度、滤光片的位置等信息。
在一个示例中,电子设备140还可以包括:输入装置1403和输出装置1404,这些组件通过总线系统和/或其他形式的连接机构(图14中未示出)互连。
例如,在该电子设备是如工业生产线上的机器人时,该输入装置1403可以是摄像头,用于捕捉待加工零件的位置。在该电子设备是单机设备时,该输入装置1403可以是通信网络连接器,用于从外部的可移动设备接收所采集的输入信号。此外,该输入设备1403还可以包括例如键盘、鼠标、麦克风等等。
该输出装置1404可以向外部输出各种信息,例如可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图14中仅示出了该电子设备140中与本申请有关的组件中的一些,省略了诸如总线、输入装置/输出接口等组件。除此之外,根据具体应用情况,电子设备140还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,包括计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行如上述任一实施例的乳房肿块检测定位方法中的步骤。
计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是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在被处理器运行时使得所述处理器执行本说明书上述“示例性乳房肿块检测定位方法”部分中描述的根据本申请各种实施例的乳房肿块检测定位方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。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。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换等,均应包含在本申请的保护范围之内。
Claims (15)
1.一种乳房肿块检测定位方法,其特征在于,包括:
基于乳房图像确定包括乳房肿块影像的预测框区域;
基于关键点识别模型识别出所述乳房图像中的多个关键点;
根据所述多个关键点将所述乳房图像划分成多个乳腺区域;以及
根据所述预测框区域所落入的所述乳腺区域确定乳房肿块位置。
2.根据权利要求1所述的方法,其特征在于,所述关键点识别模型包括依次连接的用于特征提取的第一卷积神经网络、用于特征融合的第二卷积神经网络和用于关键点预测的第三卷积神经网络;
其中,所述基于关键点识别模型识别出所述乳房图像中的多个关键点包括:
将所述乳房图像输入所述第一卷积神经网络获取多个不同尺寸的特征图;
将所述多个不同尺寸的特征图输入所述第二卷积神经网络以获取与所述乳房图像尺寸相同的融合特征图;以及
将所述融合特征图输入所述第三卷积神经网络以获取所述多个关键点的位置。
3.根据权利要求2所述的方法,其特征在于,所述将所述多个不同尺寸的特征图输入所述第二卷积神经网络以获取与所述乳房图像尺寸量相同的融合特征图包括:
将所述多个不同尺寸的特征图输入第一卷积层以转换为多个相同通道数量但不同尺寸的特征图;
将所述多个相同通道数量但不同尺寸的特征图分别进行卷积处理和双线性上采样处理以转换为多个相同尺寸的特征图;
将所述多个相同尺寸的特征图进行求和以获取求和特征图;以及
将所述求和特征图进行卷积和双线性上采样处理以获取与所述乳房图像尺寸量相同的融合特征图。
4.根据权利要求2所述的方法,其特征在于,所述将所述融合特征图输入所述第三卷积神经网络以获取所述多个关键点的位置包括:
将所述融合特征图输入第二卷积层以获取与所述多个关键点分别对应的多个待预测特征图,其中所述第二卷积层包括与所述多个关键点分别对应的多个层;
将所述多个待预测特征图分别进行归一化处理以获取多个关键点概率预测图;以及
将所述关键点概率预测图中概率数值最大的位置确定为所述关键点的位置。
5.根据权利要求1至4中任一所述的方法,其特征在于,所述第一卷积神经网络为50层的ResNext网络,所述第二卷积神经网络为特征金字塔网络。
6.根据权利要求1至4中任一所述的方法,其特征在于,所述乳房图像为透视光束从人体头部向足部投射形成的轴位图像,其中,所述多个关键点包括:乳头点、乳房轮廓与所述乳房图像的边缘的两个交点;
其中,所述根据所述多个关键点将所述乳房图像划分成多个乳腺区域包括:
从所述乳头点向所述两个交点的连线作垂线;
获取与所述垂线垂直的两条等分线,所述两条等分线将所述垂线三等分;
基于所述垂线、所述两条等分线以及所述乳房轮廓确定划分出的六个所述乳腺区域。
7.根据权利要求1至4中任一所述的方法,其特征在于,所述乳房图像为透视光束从乳腺内上方45度投射向外下方或从乳腺外下方45度投射向内上方形成的斜侧位图像,其中,所述多个关键点包括:乳头点、胸肌平面与所述乳房图像的边缘的两个交点;
其中,所述根据所述多个关键点将所述乳房图像划分成多个乳腺区域包括:
从所述乳头点向所述两个交点的连线作垂线;
获取与所述垂线垂直的两条等分线,所述两条等分线将所述垂线三等分;
基于所述垂线、所述两条等分线以及所述乳房轮廓确定划分出的六个所述乳腺区域。
8.根据权利要求1至4中的任一项所述的方法,其特征在于,所述基于乳房图像确定包括乳房肿块影像的预测框区域包括:
将所述乳房图像输入肿块标记模型以获取所述肿块标记模型确定的所述预测框区域,其中,所述肿块标记模型基于训练过程建立。
9.根据权利要求8所述的方法,其特征在于,所述肿块标记模型通过训练过程建立:
将乳房图像样本作为训练集输入深度神经网络模型进行训练,获取所述深度神经网络输出的训练预测框区域;
将所述训练预测框区域与验证集中的标准预测框区域进行对比;以及
当没有满足回复精度要求时,根据对比差异调整深度神经网络模型的参数,以进行再训练。
10.根据权利要求1至4中的任一项所述的方法,其特征在于,所述基于乳房图像确定包括乳房肿块影像的预测框区域包括:
基于所述乳房图像确定包括乳房肿块影像的预测框区域的左上角坐标和右下角坐标。
11.根据权利要求1至4中的任一项所述的方法,其特征在于,所述根据所述预测框区域所落入的所述乳腺区域确定乳房肿块位置包括:
根据所述预测框区域的中心所落入的所述乳腺区域确定乳房肿块位置。
12.一种乳房肿块检测定位装置,包括:
标记模块,配置为基于乳房图像确定包括乳房肿块影像的预测框区域;
关键点识别模型,配置为识别出所述乳房图像中的多个关键点;
划分模块,配置为根据所述多个关键点将所述乳房图像划分成多个乳腺区域;以及
确定模块,配置为根据所述预测框区域所落入的所述乳腺区域确定乳房肿块位置。
13.根据权利要求12所述的装置,其特征在于,所述标记模块为肿块标记模型,所述肿块标记模型基于训练过程建立。
14.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-11任一所述的乳房肿块检测定位方法。
15.一种电子设备,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于执行上述权利要求1-11任一所述的乳房肿块检测定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911144176.3A CN110930385A (zh) | 2019-11-20 | 2019-11-20 | 乳房肿块检测定位方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911144176.3A CN110930385A (zh) | 2019-11-20 | 2019-11-20 | 乳房肿块检测定位方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110930385A true CN110930385A (zh) | 2020-03-27 |
Family
ID=69851455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911144176.3A Pending CN110930385A (zh) | 2019-11-20 | 2019-11-20 | 乳房肿块检测定位方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110930385A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062756A (zh) * | 2018-01-29 | 2018-05-22 | 重庆理工大学 | 基于深度全卷积网络和条件随机场的图像语义分割方法 |
CN108335303A (zh) * | 2018-01-28 | 2018-07-27 | 浙江大学 | 一种应用于手掌x光片的多尺度手掌骨骼分割方法 |
CN108960212A (zh) * | 2018-08-13 | 2018-12-07 | 电子科技大学 | 基于端到端的人体关节点检测与分类方法 |
CN109034183A (zh) * | 2018-06-07 | 2018-12-18 | 北京飞搜科技有限公司 | 一种目标检测方法、装置及设备 |
CN109363697A (zh) * | 2018-10-16 | 2019-02-22 | 杭州依图医疗技术有限公司 | 一种乳腺影像病灶识别的方法及装置 |
CN109508681A (zh) * | 2018-11-20 | 2019-03-22 | 北京京东尚科信息技术有限公司 | 生成人体关键点检测模型的方法和装置 |
CN109726739A (zh) * | 2018-12-04 | 2019-05-07 | 深圳大学 | 一种目标检测方法和系统 |
CN109727243A (zh) * | 2018-12-29 | 2019-05-07 | 无锡祥生医疗科技股份有限公司 | 乳腺超声图像识别分析方法及系统 |
CN110123347A (zh) * | 2019-03-22 | 2019-08-16 | 杭州深睿博联科技有限公司 | 用于乳腺钼靶的图像处理方法及装置 |
CN110400302A (zh) * | 2019-07-25 | 2019-11-01 | 杭州依图医疗技术有限公司 | 一种确定、显示乳房图像中病灶信息的方法及装置 |
-
2019
- 2019-11-20 CN CN201911144176.3A patent/CN110930385A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108335303A (zh) * | 2018-01-28 | 2018-07-27 | 浙江大学 | 一种应用于手掌x光片的多尺度手掌骨骼分割方法 |
CN108062756A (zh) * | 2018-01-29 | 2018-05-22 | 重庆理工大学 | 基于深度全卷积网络和条件随机场的图像语义分割方法 |
CN109034183A (zh) * | 2018-06-07 | 2018-12-18 | 北京飞搜科技有限公司 | 一种目标检测方法、装置及设备 |
CN108960212A (zh) * | 2018-08-13 | 2018-12-07 | 电子科技大学 | 基于端到端的人体关节点检测与分类方法 |
CN109363697A (zh) * | 2018-10-16 | 2019-02-22 | 杭州依图医疗技术有限公司 | 一种乳腺影像病灶识别的方法及装置 |
CN109508681A (zh) * | 2018-11-20 | 2019-03-22 | 北京京东尚科信息技术有限公司 | 生成人体关键点检测模型的方法和装置 |
CN109726739A (zh) * | 2018-12-04 | 2019-05-07 | 深圳大学 | 一种目标检测方法和系统 |
CN109727243A (zh) * | 2018-12-29 | 2019-05-07 | 无锡祥生医疗科技股份有限公司 | 乳腺超声图像识别分析方法及系统 |
CN110123347A (zh) * | 2019-03-22 | 2019-08-16 | 杭州深睿博联科技有限公司 | 用于乳腺钼靶的图像处理方法及装置 |
CN110400302A (zh) * | 2019-07-25 | 2019-11-01 | 杭州依图医疗技术有限公司 | 一种确定、显示乳房图像中病灶信息的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10867384B2 (en) | System and method for automatically detecting a target object from a 3D image | |
US10452957B2 (en) | Image classification apparatus, method, and program | |
US20200320685A1 (en) | Automated classification and taxonomy of 3d teeth data using deep learning methods | |
US8311296B2 (en) | Voting in mammography processing | |
EP3477589B1 (en) | Method of processing medical image, and medical image processing apparatus performing the method | |
CN110969245B (zh) | 医学图像的目标检测模型训练方法和装置 | |
WO2020238044A1 (zh) | 用于检测肿瘤的3D UNet网络模型构建方法、装置及存储介质 | |
Li et al. | Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound images | |
TW202027094A (zh) | 用於自動腫瘤偵測和分類的系統 | |
CN112348082B (zh) | 深度学习模型构建方法、影像处理方法及可读存储介质 | |
CN111488872B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN110827335B (zh) | 乳腺影像配准方法和装置 | |
US20120053446A1 (en) | Voting in image processing | |
CN111667474A (zh) | 骨折识别方法、装置、设备和计算机可读存储介质 | |
CN110930414A (zh) | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 | |
JP2010000133A (ja) | 画像表示装置、画像表示方法及びプログラム | |
CN109345460B (zh) | 用于矫正图像的方法和装置 | |
WO2021037790A1 (en) | Image processing for stroke characterization | |
CN110895812A (zh) | Ct图像的检测方法、装置、存储介质及电子设备 | |
CN114863111A (zh) | 交互融合Transformer的超声图像量化方法 | |
WO2024074921A1 (en) | Distinguishing a disease state from a non-disease state in an image | |
CN114022554A (zh) | 一种基于yolo的按摩机器人穴位检测与定位方法 | |
KR102580419B1 (ko) | 병리 슬라이드 이미지 내의 관심 영역을 검출하기 위한 방법 및 시스템 | |
de Chauveron et al. | Artificial intelligence for oral squamous cell carcinoma detection based on oral photographs: A comprehensive literature review | |
US20100202674A1 (en) | Voting in mammography processing |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200327 |
|
RJ01 | Rejection of invention patent application after publication |