CN111192255A - 指标检测方法、计算机设备和存储介质 - Google Patents
指标检测方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111192255A CN111192255A CN201911404660.5A CN201911404660A CN111192255A CN 111192255 A CN111192255 A CN 111192255A CN 201911404660 A CN201911404660 A CN 201911404660A CN 111192255 A CN111192255 A CN 111192255A
- Authority
- CN
- China
- Prior art keywords
- index
- resolution
- sample data
- initial
- preset
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 114
- 230000000877 morphologic effect Effects 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 58
- 210000004556 brain Anatomy 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 210000004204 blood vessel Anatomy 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 230000002308 calcification Effects 0.000 description 2
- 230000001054 cortical effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种指标检测方法、计算机设备和存储介质。该方法包括：获取待测试的医学图像，并对待测试的医学图像进行检测，得到待测试的医学图像中至少一个形态结构的初始指标，再将至少一个初始指标输入至预设的网络模型，得到初始指标对应的标准指标，最后根据标准指标与对应的预设指标范围，确定检测结果。上述方法利用网络模型从低分辨率指标拟合出预设指标范围中对应的高分辨率的指标，始终使需要被检测的指标对应的图像分辨率与预设指标范围对应的图像分辨率保持一致，相比于现有的方法，在检测过程中不需要对不同分辨率的初始指标建立不同对应图像分辨率的预设指标范围，在提高了检测精度的同时，进一步的提高了检测速度。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种指标检测方法、计算机设备和存储介质。
背景技术
医学影像分析通常需要从影像数据中获取一些形态结构的定量指标，例如，脑组织结构的体积、脏器的体积、组织的钙化程度等，之后，医者会将这些指标与一个参考范围的指标进行比较，从而判断形态结构是否存在异常。
目前，不同分辨率的医学影像会对分析出的定量指标造成影像，从而影像上述的判断结果，因此，为了使不同分辨率的医学影像对应的定量指标更加一致，需要对现有的医学影像进行处理，现有的处理方法包括对医学影像进行插值处理，获得和标准指标范围一样分辨率的图像，从而得到标准的定量指标。
但是，上述方法还是难以得到一致性较高的指标，进而降低了利用指标进行诊断的准确性。
发明内容
基于此，有必要针对上述技术问题，提供一种能够有效提高指标一致性的指标检测方法、计算机设备和存储介质。
第一方面，一种指标检测方法，所述方法包括：
获取待测试的医学图像；待测试的医学图像中包括至少一个形态结构；
对待测试的医学图像进行检测，得到待测试的医学图像中至少一个形态结构的初始指标；
将至少一个初始指标输入至预设的网络模型，得到初始指标对应的标准指标；标准指标对应的图像分辨率高于初始指标对应的图像分辨率；
根据标准指标与对应的预设指标范围，确定检测结果；标准指标对应的图像分辨率与预设指标范围对应的图像分辨率之差在预设范围内。
在其中一个实施例中，网络模型包括低分辨率特定层和共享连接层，低分辨率特定层的输出端与共享连接层的输入端连接，将至少一个初始指标输入至预设的网络模型，得到初始指标对应的标准指标，包括：
将初始指标输入至低分辨率特定层进行初始指标的特征提取，得到初始指标的特征；
将初始指标的特征输入至共享连接层进行检测，得到初始指标对应的标准指标。
在其中一个实施例中，对待测试的医学图像进行检测，得到待测试的医学图像中至少一个形态结构的初始指标，包括：
将待测试的医学图像输入至预设的检测网络中进行指标检测，得到待测试的医学图像中至少一个形态结构的初始指标。
在其中一个实施例中，对待测试的医学图像进行检测，得到待测试的医学图像中至少一个形态结构的初始指标之后，所述方法还包括：
判断待测试的医学图像的分辨率与预设指标范围对应的图像分辨率之差是否在预设范围内；
若待测试的医学图像的分辨率与预设指标范围对应的图像分辨率之差不在预设范围内，则执行将初始指标输入至预设的网络模型，得到初始指标对应的标准指标的步骤。
在其中一个实施例中，训练网络模型的方法，包括：
获取同一样本图像的第一分辨率的样本数据和第二分辨率的样本数据；第一分辨率的样本数据对应的图像分辨率高于第二分辨率的样本数据对应的图像分辨率；
根据第一分辨率的样本数据得到第一分辨率的样本数据对应的指标，以及根据第二分辨率的样本数据得到第二分辨率的样本数据对应的指标；
将第二分辨率的样本数据对应的指标输入至待训练的网络模型，得到输出结果；
根据输出结果和第一分辨率的样本数据对应的指标，确定训练损失的值；
根据训练损失的值，调整待训练的网络模型中的各参数，直至训练损失的值满足预设条件为止，得到网络模型。
在其中一个实施例中，根据第一分辨率的样本数据得到第一分辨率的样本数据对应的指标，以及根据第二分辨率的样本数据得到第二分辨率的样本数据对应的指标，包括：
将第一分辨率的样本数据输入至预设的检测网络中进行指标检测，得到第一分辨率的样本数据对应的指标；
将第二分辨率的样本数据输入至检测网络中进行指标检测，得到第二分辨率的样本数据对应的指标。
在其中一个实施例中，获取第二分辨率的样本数据，包括：
对第一分辨率的样本数据进行重采样处理，得到第二分辨率的样本数据。
在其中一个实施例中，待测试的医学图像包括至少一个脑区结构，初始指标包括至少一个形态结构的体积。
第二方面，一种指标检测装置，所述装置包括：
获取模块，用于获取待测试的医学图像；待测试的医学图像中包括至少一个形态结构；
检测模块，用于对待测试的医学图像进行检测，得到待测试的医学图像中至少一个形态结构的初始指标；
拟合模块，用于将至少一个初始指标输入至预设的网络模型，得到初始指标对应的标准指标；标准指标对应的图像分辨率高于初始指标对应的图像分辨率；
确定模块，用于根据标准指标与对应的预设指标范围，确定检测结果；标准指标对应的图像分辨率与预设指标范围对应的图像分辨率之差在预设范围内。
第三方面，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第一方面任一实施例所述的指标检测方法。
第四方面，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第一方面任一实施例所述的指标检测方法。
本申请提供的一种指标检测方法、计算机设备和存储介质，包括：获取待测试的医学图像，并对待测试的医学图像进行检测，得到待测试的医学图像中至少一个形态结构的初始指标，再将至少一个初始指标输入至预设的网络模型，得到初始指标对应的标准指标，最后根据标准指标与对应的预设指标范围，确定检测结果。上述方法实现利用网络模型从低分辨率指标拟合出预设指标范围中对应的高分辨率的指标，始终使需要被检测的指标对应的图像分辨率与预设指标范围对应的图像分辨率保持一致，相比于现有的方法，在检测过程中不需要对不同分辨率的初始指标建立不同对应图像分辨率的预设指标范围，在提高了检测精度的同时，进一步的提高了检测速度。
附图说明
图1为一个实施例提供的一种计算机设备的内部结构示意图；
图2为一个实施例提供的一种指标检测方法的流程图；
图3为一个实施例提供的一种网络模型的结构示意图；
图4为图2实施例S103的一种实现方式的流程图；
图5为一个实施例提供的一种指标检测方法的流程图；
图6为一个实施例提供的一种训练方法的流程图；
图7为图6实施例S402的一种实现方式的流程图；
图8为一个实施例提供的一种指标检测方法的流程图；
图9为一个实施例提供的一种网络模型的结构示意图；
图10为一个实施例提供的一种网络模型的结构示意图；
图11为一个实施例提供的一种指标检测装置的结构示意图；
图12为一个实施例提供的一种指标检测装置的结构示意图；
图13为一个实施例提供的一种指标检测装置的结构示意图；
图14为一个实施例提供的一种指标检测装置的结构示意图；
图15为一个实施例提供的一种指标检测装置的结构示意图。
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用以解释本申请，并不用于限定本申请。
本申请提供的指标检测方法，可以应用于如图1所示的计算机设备中。该计算机设备可以是服务器，该计算机设备也可以是终端，其内部结构图可以如图1所示。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、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种指标检测方法。该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，该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1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。
下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为一个实施例提供的一种指标检测方法的流程图，该方法的执行主体为图1中的计算机设备，该方法涉及的是计算机设备根据标准指标对图像进行检测的具体过程。如图2所示，该方法具体包括以下步骤：
S101、获取待测试的医学图像；待测试的医学图像中包括至少一个形态结构。
其中，医学图像中可以包括各种类型的形态结构，例如，脑组织结构、心脏结构、血管结构等。医学图像可以包括一个形态结构，也可以包括多个形态结构，且多个形态结构可以是相同类型的形态结构，也可以是不同类型的形态结构。上述医学图像可以是各种类型的医学影像，例如，其可以是CT图像、MRI图像等。本实施例中，计算机设备可以通过连接扫描仪器扫描形态结构得到待测试的医学图像，可选的，计算机设备也可以通过其它方法得到待测试的医学图像，例如，计算机设备可以从网络上或云端服务器上下载得到待测试的医学图像，对此本实施例不做限定。
S102、对待测试的医学图像进行检测，得到待测试的医学图像中至少一个形态结构的初始指标。
其中，形态结构的初始指标可以指该形态结构的任何定量指标，且初始指标与形态结构的类型相关，例如，若该形态结构为脑结构时，对应的初始指标可以是该脑结构的体积、皮层厚度、皮层表面积等，若该形态结构为心脏器官时，对应的初始指标可以是该心脏器官的体积，若该形态结构为血管结构时，对应的初始指标可以是该血管结构的钙化程度，或该血管结构的狭窄程度等。本实施例中，当计算机设备获取到待测试的医学图像时，可以进一步的对待测试的医学图像中的某一形态结构进行检测，得到该形态结构对应的初始指标，或对待测试的医学图像中的多个形态结构进行检测，得到各形态结构对应的初始指标。需要说明的是，计算机设备可以采用任何方法对待测试的医学图像进行检测或定量分析，从而得到该医学图像中形态结构的初始指标。例如，计算机设备可以将待测试的医学图像输入至相应的检测网络中进行检测，或将待测试的医学图像输入至相应的分析网络进行分析，得到形态结构的初始指标。
S103、将至少一个初始指标输入至预设的网络模型，得到初始指标对应的标准指标；标准指标对应的图像分辨率高于初始指标对应的图像分辨率。
其中，网络模型可以为一种神经网络，也可以为一种拟合网络，具体的其可以是深度卷积神经网络，也可以为其它类型的神经网络或其它机器学习网络，具体用于根据低分辨率图像对应的指标拟合高分辨率图像对应的指标，从而得到新的指标，即标准指标。网络模型可以是预先训练好的网络模型，也可以是现有的网络模型。本实施例中，当计算机设备基于上述方法得到待测试的医学图像中至少一个形态结构的初始指标时，若此时得到的初始指标对应的图像分辨率比较小，或者不能满足实际应用需求时，可以进一步的将至少一个初始指标输入至预先训练好或预先获得的网络模型中进行指标拟合，得到各初始指标对应的标准指标，标准指标对应的图像分辨率高于初始指标对应的图像分辨率。需要说明的是，当计算机设备得到多个初始指标时，计算机设备可以将多个初始指标依次输入至预先训练好或预先获得的网络模型中进行指标拟合，得到各初始指标对应的标准指标。可选的，计算机设备也可以将多个初始指标同时输入至预先训练好或预先获得的网络模型中进行指标拟合，得到各初始指标对应的标准指标。
S104、根据标准指标与对应的预设指标范围，确定检测结果；标准指标对应的图像分辨率与预设指标范围对应的图像分辨率之差在预设范围内。
其中，预设指标范围是指一个用于参考的标准的指标范围，用来在医学诊断时根据患者的各器官结构的指标决定患者的器官是否异常，对后续治疗提供指导性帮助。预设指标范围的类型与标准指标的类型对应，例如，若标准指标为心脏器官的体积，则预设指标范围即为一个用于参考的标准的心脏器官的体积取值范围。标准指标对应的图像分辨率预先由计算机设备根据实际应用情况确定。预设范围可以由计算机设备预先根据实际应用需求，例如检测精度、检测准确度等因素确定。在实际应用中，当标准指标对应的图像分辨率与预设指标范围对应的图像分辨率之差在预设范围内时，则认为标准指标对应的图像分辨率与预设指标范围对应的图像分辨率匹配，之后根据该标准指标和预设指标范围进行检测的检测精度是准确的。标准指标对应的图像分辨率与预设指标范围对应的图像分辨率之差在预设范围内，表示标准指标对应的图像分辨率可以与预设指标范围对应的图像分辨率相同，也可以不相同，但是不相同时需要使两者的差值保持在预设范围内，才能保证检测的准确性。检测结果可以包括正常的结果、异常的结果等，可选的，检测结果也可以包括患者的某项指标较低、患者的某项指标较高等。本实施例中，当计算机设备得到初始指标的标准指标时，可进一步的判断该标准指标是否落在对应的预设指标范围内，若落在该预设指标范围内，则认为该标准指标正常，若未落在该预设指标范围内，则认为该标准指标异常，进而得到了检测结果。或者，当该标准指标落在该预设指标范围内时，计算机设备也可以根据标准指标的值判断该值是属于高值还是低值，从而得到检测结果。
本实施例提供的一种指标检测方法，包括：获取待测试的医学图像，并对待测试的医学图像进行检测，得到待测试的医学图像中至少一个形态结构的初始指标，再将至少一个初始指标输入至预设的网络模型，得到初始指标对应的标准指标，最后根据标准指标与对应的预设指标范围，确定检测结果。上述方法实现利用网络模型从低分辨率指标拟合出预设指标范围中对应的高分辨率的指标，始终使需要被检测的指标对应的图像分辨率与预设指标范围对应的图像分辨率保持一致，相比于现有的方法，在检测过程中不需要对不同分辨率的初始指标建立不同对应图像分辨率的预设指标范围，在提高了检测精度的同时，进一步的提高了检测速度。
在实际应用中，本申请还提供了一种网络模型的结构，如图3所示，该网络模型包括低分辨率特定层和共享连接层，其中，分辨率特定层的输出端与共享连接层的输入端连接。基于该种应用场景，上述S103“将至少一个初始指标输入至预设的网络模型，得到初始指标对应的标准指标”，如图4所示，包括：
S201、将初始指标输入至低分辨率特定层进行初始指标的特征提取，得到初始指标的特征。
其中，低分辨率特定层可以为一种深度卷积神经网络，也可以为其它类型的神经网络或其它机器学习网络，还可以是卷积层，对此本实施例不做限定。本实施例中，当计算机设备基于上述方法获取到初始指标时，可以将该初始指标输入至预先训练好的低分辨率特定层进行初始指标的特征提取，得到初始指标的特征。
S202、将初始指标的特征输入至共享连接层进行检测，得到初始指标对应的标准指标。
其中，共享连接层可以为一种深度卷积神经网络，也可以为其它类型的神经网络或其它机器学习网络，还可以是连接层，对此本实施例不做限定。本实施例中，当计算机设备基于上述方法获取到初始指标的特征时，可以将该初始指标的特征输入至预先训练好的共享连接层进行检测，得到初始指标对应的标准指标。
在实际应用中，本申请还提供了一种检测网络，该检测网络用于检测输入图像中形态结构的各种指标。基于上述应用，上述S102“对待测试的医学图像进行检测，得到待测试的医学图像中至少一个形态结构的初始指标”的一种具体实施方式包括：将待测试的医学图像输入至预设的检测网络中进行指标检测，得到待测试的医学图像中至少一个形态结构的指标。
其中，检测网络可以为一种深度卷积神经网络，也可以为其它类型的神经网络或其它机器学习网络，具体用于检测输入的医学图像中形态结构的初始指标。需要说明的是，上述检测网络可以同时对输入的多个形态结构进行检测，得到对应的多个初始指标。可选的，当医学图像中包含多个形态结构时，上述检测网络还可以包含多个检测子网络，且每个检测子网络与每个形态结构对应，用于检测每个形态结构的初始指标。本实施例中，当计算机设备基于上述方法获取到待测试的医学图像时，可以将该待测试的医学图像输入至预先训练好的检测网络进行指标检测，得到待测试的医学图像中至少一个形态结构的初始指标。
在实际应用中，当计算机设备执行完上述S102“对待测试的医学图像进行检测，得到待测试的医学图像中至少一个形态结构的初始指标”的步骤之后，图2实施例所述的方法，如图5所示，还包括步骤：
S301、判断待测试的医学图像的分辨率与预设指标范围对应的图像分辨率之差是否在预设范围内。
当计算机设备得到初始指标后，在后续根据初始指标和预设指标范围确定检测结果前，计算机设备还需要先判断待测试的医学图像的分辨率与预设指标范围对应的图像分辨率之差是否在预设范围内，若待测试的医学图像的分辨率与预设指标范围对应的图像分辨率之差不在预设范围内，说明之前得到的待测试的医学图像中形态结构的初始指标对应的图像分辨率，与预设指标范围对应的图像分辨率不匹配，不能进一步的根据初始指标与预设指标范围确定检测结果，否则会导致检测结果不准确。若待测试的医学图像的分辨率与预设指标范围对应的图像分辨率之差在预设范围内，说明之前得到的待测试的医学图像中形态结构的初始指标对应的图像分辨率，与预设指标范围对应的图像分辨率匹配，此时可以进一步的根据初始指标与预设指标范围确定检测结果，这样得到的检测结果是准确的。
S302、若待测试的医学图像的分辨率与预设指标范围对应的图像分辨率之差不在预设范围内，则执行将初始指标输入至预设的网络模型，得到初始指标对应的标准指标的步骤。
本实施例涉及待测试的医学图像的分辨率与预设指标范围对应的图像分辨率之差不在预设范围内的应用场景，在该种应用场景下，计算机设备执行前述S103的步骤，即将根据医学图像得到的初始指标输入至预先训练好的网络模型进行指标拟合，得到该初始指标对应的标准指标，使标准指标对应的图像分辨率与预设指标范围对应的图像分辨率之差落在预设范围内，即匹配，从而提高之后根据标准指标进行检测得到检测结果的准确性。
在一个实施例中，本申请还提供了一种训练上述网络模型的方法，如图6所示，该方法包括：
S401、获取同一样本图像的第一分辨率的样本数据和第二分辨率的样本数据；第一分辨率的样本数据对应的图像分辨率高于第二分辨率的样本数据对应的图像分辨率。
其中，样本图像与上述待测试的医学图像的类型相同，具体描述内容可参见前述说明，在此不重复累赘说明。本实施例中，当计算机设备可以通过连接不同分辨率的扫描仪器扫描形态结构得到同一样本图像的第一分辨率的样本数据和第二分辨率的样本数据。可选的，计算机设备也可以通过其它方法得到同一样本图像的第一分辨率的样本数据和第二分辨率的样本数据，例如，当计算机设备通过高分辨率的扫描仪器扫描形态结构获取到高分辨率的样本图像时，可以进一步的对该高分辨率的样本图像进行重采样，得到低分辨率的样本图像。例如，对一个1×1×1mmm3的分辨率的样本图像进行重新采样后，可以得到1×1×6mmm3的样本图像，1×1×5mmm3的样本图像。需要说明的是，对于第二分辨率数据的数量根据实际应用需求确定，本实施例不限定。
基于上述应用，本申请提供了一种上述S401“获取第二分辨率的样本数据”的具体实施方式，该具体实施方式包括：对第一分辨率的样本数据进行重采样处理，得到第二分辨率的样本数据。当计算机设备获取到一个样本图像的第一分辨率的样本数据时，可以在此基础上对该第一分辨率的样本数据进行重新采样处理，例如，降采样处理，得到属于同一样本图像的第二分辨率数据。
S402、根据第一分辨率的样本数据得到第一分辨率的样本数据对应的指标，以及根据第二分辨率的样本数据得到第二分辨率的样本数据对应的指标。
当计算机设备获取到第一分辨率的样本数据时，可以对该第一分辨率的样本数据进行检测，得到该第一分辨率的样本数据中包含的形态结构对应的指标，同时在获取到第二分辨率的样本数据时，可以对该第二分辨率的样本数据进行检测，得到该第二分辨率的样本数据中包含的形态结构对应的指标，以便之后使用。
S403、将第二分辨率的样本数据对应的指标输入至待训练的网络模型，得到输出结果。
在计算机设备获取到第二分辨率的样本数据对应的指标时，可以进一步的将该第二分辨率的样本数据对应的指标输入至待训练的网络模型进行指标拟合，得到输出结果。可选的，在计算机设备获取到第二分辨率的样本数据对应的指标时，也可以先对第二分辨率的样本数据进行必要的预处理，再将预处理后的第二分辨率的样本数据对应的指标输入至待训练的网络模型进行指标拟合，得到输出结果，以提高拟合精度。
S404、根据输出结果和第一分辨率的样本数据对应的指标，确定训练损失的值。
基于上述实施例所述的内容，在计算机设备得到输出结果后，即可将该输出结果和之前获得的第一分辨率的样本数据对应的指标代入到预设的损失函数中进行计算，得到该损失函数的值，即训练损失的值。上述损失函数可以选择现有的任何类型的损失函数，例如，交叉熵损失函数等。
S405、根据训练损失的值，调整待训练的网络模型中的各参数，直至训练损失的值满足预设条件为止，得到网络模型。
其中，预设条件为训练网络模型时需要满足的训练条件，该预设条件可以由计算机设备预先根据实际应用训练需求确定。在计算机设备得到训练损失的值后，可以进一步的判断该训练损失的值是否满足预设条件，若不满足，则调整待训练的网络模型中的各参数，直至训练损失的值满足预设条件为止，以完成训练，最后调整参数后的网络模型即为训练完成的网络模型，即为前述应用实施例中使用的网络模型。
图7为图6实施例S402的一种实现方式的流程图，如图7所示，上述S402“根据第一分辨率的样本数据得到第一分辨率的样本数据对应的指标，以及根据第二分辨率的样本数据得到第二分辨率的样本数据对应的指标”，包括：
S501、将第一分辨率的样本数据输入至预设的检测网络中进行指标检测，得到第一分辨率的样本数据对应的指标。
本实施例涉及的内容与前述实施例中对步骤“将待测试的医学图像输入至预设的检测网络中进行指标检测，得到待测试的医学图像中至少一个形态结构的初始指标”的说明内容雷同，详细内容请参见前述说明，在此不重复累赘说明。需要说明的是，本实施例中涉及到的检测网络与前述实施例中涉及到的检测网络的结构可以相同，也可以不同，功能相同即可。
S502、将第二分辨率的样本数据输入至检测网络中进行指标检测，得到第二分辨率的样本数据对应的指标。
本实施例涉及的内容与前述实施例中对步骤“将待测试的医学图像输入至预设的检测网络中进行指标检测，得到待测试的医学图像中至少一个形态结构的初始指标”的说明内容雷同，详细内容请参见前述说明，在此不重复累赘说明。需要说明的是，本实施例中涉及到的检测网络与S501实施例所述的检测网络相同。
在一个实施例中，上述待测试的医学图像可以包括至少一个脑区结构，对应的根据该医学图像得到的初始指标包括至少一个形态结构的体积。
综合上述所有实施例，本申请基于上述所述的方法，还提供了一种具体的指标检测方法，该方法应用于如下场景：待测试的医学图像包括多个脑区结构，在实际应用中，需要对该医学图像中的多个脑区结构的体积进行检测，从而得到各脑区结构的体积的指标，进而之后通过检测各脑区结构的体积的指标得到检测结果，以判断该待测试的医学图像中包含的各脑区结构是否异常。
基于上述应用背景，如图8所示，上述指标检测法包括：
S601、获取包含多个脑区结构的待检测图像。
S602、将该待检测图像输入至预设的检测网络中进行各脑区结构的分割处理，通过统计各脑区结构的体素数得到各脑区结构的体积。
S603、判断待检测图像的图像分辨率与预设指标范围对应的图像分辨率之差是否在预设范围内，若不在，则执行步骤S607，若在，则执行步骤S604。
S604、将各脑区结构的体积与对应的预设指标范围内的体积参数进行比较，判断脑区结构的体积是否落在对应的预设指标范围内，若脑区结构的体积落在对应的预设指标范围内，则执行步骤S605，若脑区结构的体积没有落在对应的预设指标范围内，则执行步骤S606。
S605、得到该脑区结构为正常的检测结果。
S606、得到该脑区结构为异常的检测结果。
S607、将各脑区结构的体积输入至预设的网络模型，得到各脑区结构的的标准体积。
S608、将各脑区结构的的标准体积与对应的预设指标范围内的体积参数进行比较，判断脑区结构的体积是否落在对应的预设指标范围内，若脑区结构的体积落在对应的预设指标范围内，则执行步骤S609，若脑区结构的体积没有落在对应的预设指标范围内，则执行步骤S610。
S609、得到该脑区结构为正常的检测结果。
S610、得到该脑区结构为异常的检测结果。
上述方法的步骤与前述实施例所述的指标检测方法的步骤内容基本雷同，详细说明内容，请参见前述说明，对此本实施不做限定。
基于上述实施例，本申请提供了应用于上述实施例的网络模型的结构，如图9所示，该网络模型包括：低分辨率特定层和连接层，低分辨率特定层用于对输入的各脑区结构的体积(图中为脑区结构的体积1-n)进行特征提取，得到各脑区结构的体积的特征；连接层用于对输入的各脑区结构的体积的特征进行检测，得到各脑区结构的标准体积(图中为脑区结构的标准体积1-n)。应用该网络模型实现指标检测的过程请参见前述实施例所述的方法，在此不重复累赘说明。
可选的，在实际应用中，当计算机设备得到的多个初始指标是由多个且不同分辨率的待测试图像得到时，对应的，本申请提供了一种网络模型，用于同时对输入的多个不同分辨率的初始指标进行拟合，得到对应的标准指标。如图10所示，该网络模型包括多个低分辨率特定层(图中为低分辨率特定层1-n)和一个共享连接层，其中，每个低分辨率特定层用于对每个低分辨率的各脑区结构的体积进行特征提取，得到每个低分辨率的各脑区结构的体积的特征。然后共享连接层用于对每个低分辨率层输出的特征进行检测，得到每个低分辨率的各脑区结构的标准体积。
需要说明的是，在训练过程中，也可以应用图10实施例所示的网络模型的结构进行训练，且训练过程与图6实施例所述的训练过程类似，具体训练过程请参见前述说明，在此不重复累赘说明。需要说明的是，在利用图10实施例所示的结构进行训练时，计算机设备在调整网络模型中各低分辨率层和共享连接层的参数时，可以根据共享连接层输出的各标准体积对应的损失值进行调整，直至每个标准体积对应的损失值各自满足预设条件为止。可选的，计算机设备也可以在调整网络模型中各低分辨率层和共享连接层的参数时，可以根据所有标准体积对应的总的损失值整体进行调整，直至总的损失值满足预设条件为止。需要说明的是，在训练过程中，计算机设备在将各分辨率的样本图像输入至图10所示的网络模型结构训练各待训练的网络模型的参数时，计算机设备可以依次将各分辨率的样本图像输入至图10所示的网络模型结构进行训练，可选的，计算机设备也可以同时将各分辨率的样本图像输入至图10所示的网络模型结构进行训练，关于训练过程可以根据实际训练需求确定，对此本实施例不做限定。可以理解的是，训练完成得到的各低分辨率特定层的参数可以相同，也可以不相同。
通过上述训练方法得到的网络模型可以同时实现对不同的低分辨率的初始指标(不同分辨率的脑区结构的体积)进行指标拟合，同时得到各低分辨率的初始指标对应的标准指标(不同分辨率的脑区结构的标准体积)。因此，本申请提供的指标检测方法普及应用性较强，可以适用于任何分辨率指标的检测。不需要预先对低分辨率图像对应的指标进行插值处理，或者为不同的分辨率图像对应的指标匹配不同的分辨率图像对应的预设指标范围，在提高检测精度的同时，极大的提高了指标检测的速度。
应该理解的是，虽然图2-8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，图2-8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。
在一个实施例中，如图11所示，提供了一种指标检测装置，包括：
获取模块11，用于获取待测试的医学图像；待测试的医学图像中包括至少一个形态结构；
检测模块12，用于对待测试的医学图像进行检测，得到待测试的医学图像中至少一个形态结构的初始指标；
拟合模块13，用于将至少一个初始指标输入至预设的网络模型，得到初始指标对应的标准指标；标准指标对应的图像分辨率高于初始指标对应的图像分辨率；
确定模块14，用于根据标准指标与对应的预设指标范围，确定检测结果；标准指标对应的图像分辨率与预设指标范围对应的图像分辨率之差在预设范围内。
在一个实施例中，如图12所示，上述拟合模块13，包括：
第一提取单元131，用于将初始指标输入至低分辨率特定层进行初始指标的特征提取，得到初始指标的特征；
第一检测单元132，用于将初始指标的特征输入至共享连接层进行检测，得到初始指标对应的标准指标。
在一个实施例中，如图13所示，上述检测模块12，包括：
第二提取单元121，用于将初始指标输入至低分辨率特定层进行初始指标的特征提取，得到初始指标的特征；
第二检测单元122，用于将初始指标的特征输入至共享连接层进行检测，得到初始指标对应的标准指标。
在一个实施例中，上述检测模块12具体用于将待测试的医学图像输入至预设的检测网络中进行指标检测，得到待测试的医学图像中至少一个形态结构的指标。
在一个实施例中，如图14所示，上述指标检测装置，还包括：
判断模块15，用于判断待测试的医学图像的分辨率与预设指标范围对应的图像分辨率之差是否在预设范围内；
确定指标模块16，用于在待测试的医学图像的分辨率与预设指标范围对应的图像分辨率之差不在预设范围内时，执行将初始指标输入至预设的网络模型，得到初始指标对应的标准指标的步骤。
在一个实施例中，如图12所示，提供了一种训练装置，包括：
获取样本模块21，用于获取同一样本图像的第一分辨率的样本数据和第二分辨率的样本数据；第一分辨率的样本数据对应的图像分辨率高于第二分辨率的样本数据对应的图像分辨率；
确定指标模块22，用于根据第一分辨率的样本数据得到第一分辨率的样本数据对应的指标，以及根据第二分辨率的样本数据得到第二分辨率的样本数据对应的指标；
拟合模块23，用于将低分辨率的样本数据对应的指标输入至待训练的网络模型，得到输出结果；
确定模块24，用于根据输出结果和第一分辨率的样本数据对应的指标，确定训练损失的值；
训练模块25，用于根据训练损失的值，调整待训练的网络模型中的各参数，直至训练损失的值满足预设条件为止，得到网络模型。
关于指标检测装置的具体限定可以参见上文中对于一种指标检测方法的限定，在此不再赘述。上述指标检测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：
获取待测试的医学图像；待测试的医学图像中包括至少一个形态结构；
对待测试的医学图像进行检测，得到待测试的医学图像中至少一个形态结构的初始指标；
将至少一个初始指标输入至预设的网络模型，得到初始指标对应的标准指标；标准指标对应的图像分辨率高于初始指标对应的图像分辨率；
根据标准指标与对应的预设指标范围，确定检测结果；标准指标对应的图像分辨率与预设指标范围对应的图像分辨率之差在预设范围内。
上述实施例提供的一种计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
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还实现以下步骤：
获取待测试的医学图像；待测试的医学图像中包括至少一个形态结构；
对待测试的医学图像进行检测，得到待测试的医学图像中至少一个形态结构的初始指标；
将至少一个初始指标输入至预设的网络模型，得到初始指标对应的标准指标；标准指标对应的图像分辨率高于初始指标对应的图像分辨率；
根据标准指标与对应的预设指标范围，确定检测结果；标准指标对应的图像分辨率与预设指标范围对应的图像分辨率之差在预设范围内。
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
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，所述的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)、双倍数据率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)
1.一种指标检测方法，其特征在于，所述方法包括：
获取待测试的医学图像；所述待测试的医学图像中包括至少一个形态结构；
对所述待测试的医学图像进行检测，得到所述待测试的医学图像中所述至少一个形态结构的初始指标；
将至少一个所述初始指标输入至预设的网络模型，得到所述初始指标对应的标准指标；所述标准指标对应的图像分辨率高于所述初始指标对应的图像分辨率；
根据所述标准指标与对应的预设指标范围，确定检测结果；所述标准指标对应的图像分辨率与所述预设指标范围对应的图像分辨率之差在预设范围内。
2.根据权利要求1所述的方法，其特征在于，所述网络模型包括低分辨率特定层和共享连接层，所述低分辨率特定层的输出端与所述共享连接层的输入端连接，所述将至少一个所述初始指标输入至预设的网络模型，得到所述初始指标对应的标准指标，包括：
将所述初始指标输入至所述低分辨率特定层进行所述初始指标的特征提取，得到所述初始指标的特征；
将所述初始指标的特征输入至所述共享连接层进行检测，得到所述初始指标对应的标准指标。
3.根据权利要求1或2所述的方法，其特征在于，所述对所述待测试的医学图像进行检测，得到所述待测试的医学图像中所述至少一个形态结构的初始指标，包括：
将所述待测试的医学图像输入至预设的检测网络中进行指标检测，得到所述待测试的医学图像中所述至少一个形态结构的初始指标。
4.根据权利要求3所述的方法，其特征在于，所述对所述待测试的医学图像进行检测，得到所述待测试的医学图像中所述至少一个形态结构的初始指标之后，所述方法还包括：
判断所述待测试的医学图像的分辨率与所述预设指标范围对应的图像分辨率之差是否在所述预设范围内；
若所述待测试的医学图像的分辨率与所述预设指标范围对应的图像分辨率之差不在所述预设范围内，则执行所述将所述初始指标输入至预设的网络模型，得到所述初始指标对应的标准指标的步骤。
5.根据权利要求1所述的方法，其特征在于，训练所述网络模型的方法，包括：
获取同一样本图像的第一分辨率的样本数据和第二分辨率的样本数据；所述第一分辨率的样本数据对应的图像分辨率高于所述第二分辨率的样本数据对应的图像分辨率；
根据所述第一分辨率的样本数据得到所述第一分辨率的样本数据对应的指标，以及根据所述第二分辨率的样本数据得到所述第二分辨率的样本数据对应的指标；
将所述第二分辨率的样本数据对应的指标输入至待训练的网络模型，得到输出结果；
根据所述输出结果和所述第一分辨率的样本数据对应的指标，确定训练损失的值；
根据所述训练损失的值，调整所述待训练的网络模型中的各参数，直至所述训练损失的值满足预设条件为止，得到所述网络模型。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第一分辨率的样本数据得到所述第一分辨率的样本数据对应的指标，以及根据所述第二分辨率的样本数据得到所述第二分辨率的样本数据对应的指标，包括：
将所述第一分辨率的样本数据输入至预设的检测网络中进行指标检测，得到所述第一分辨率的样本数据对应的指标；
将所述第二分辨率的样本数据输入至所述检测网络中进行指标检测，得到所述第二分辨率的样本数据对应的指标。
7.根据权利要求5或6所述的方法，其特征在于，获取所述第二分辨率的样本数据，包括：
对所述第一分辨率的样本数据进行重采样处理，得到所述第二分辨率的样本数据。
8.根据权利要求1所述的方法，其特征在于，所述待测试的医学图像包括至少一个脑区结构，所述初始指标包括所述至少一个形态结构的体积。
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7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7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911404660.5A CN111192255B (zh) | 2019-12-30 | 2019-12-30 | 指标检测方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911404660.5A CN111192255B (zh) | 2019-12-30 | 2019-12-30 | 指标检测方法、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111192255A true CN111192255A (zh) | 2020-05-22 |
| CN111192255B CN111192255B (zh) | 2024-04-26 |
Family
ID=70711124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911404660.5A Active CN111192255B (zh) | 2019-12-30 | 2019-12-30 | 指标检测方法、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111192255B (zh) |
Citations (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102785574A (zh) * | 2012-07-17 | 2012-11-21 | 东莞市泰斗微电子科技有限公司 | 一种疲劳或醉酒驾驶检测和控制方法及相应系统 |
| CN102800089A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 基于颈部超声图像的主颈动脉血管提取和厚度测量方法 |
| US20130066188A1 (en) * | 2011-09-09 | 2013-03-14 | Calgary Scientific Inc. | Image display of a centerline of tubular structure |
| CN103218797A (zh) * | 2012-01-19 | 2013-07-24 | 中国科学院上海生命科学研究院 | 血管图像处理与分析的方法和系统 |
| US9129190B1 (en) * | 2013-12-04 | 2015-09-08 | Google Inc. | Identifying objects in images |
| CN106570871A (zh) * | 2016-11-02 | 2017-04-19 | 天津大学 | 模糊c均值颈动脉超声图像内中膜厚度测量方法及系统 |
| US20170330319A1 (en) * | 2016-05-12 | 2017-11-16 | Siemens Healthcare Gmbh | Multiple landmark detection in medical images based on hierarchical feature learning and end-to-end training |
| CN107481188A (zh) * | 2017-06-23 | 2017-12-15 | 珠海经济特区远宏科技有限公司 | 一种图像超分辨率重构方法 |
| CN108734661A (zh) * | 2018-05-25 | 2018-11-02 | 南京信息工程大学 | 基于图像纹理信息构建损失函数的高分辨率图像预测方法 |
| CN109003270A (zh) * | 2018-07-23 | 2018-12-14 | 北京市商汤科技开发有限公司 | 一种图像处理方法及电子设备 |
| CN109146884A (zh) * | 2018-11-16 | 2019-01-04 | 青岛美迪康数字工程有限公司 | 内窥镜检查监控方法及装置 |
| CN109191382A (zh) * | 2018-10-18 | 2019-01-11 | 京东方科技集团股份有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
| CN109615634A (zh) * | 2018-12-13 | 2019-04-12 | 深圳大学 | 光学眼底图像分割方法、装置、计算机设备及存储介质 |
| CN110020987A (zh) * | 2019-03-24 | 2019-07-16 | 北京工业大学 | 一种基于深度学习的医学影像超分辨率重建方法 |
| CN110188633A (zh) * | 2019-05-14 | 2019-08-30 | 广州虎牙信息科技有限公司 | 人体体态指标预测方法、装置、电子设备及存储介质 |
| CN110222741A (zh) * | 2019-05-23 | 2019-09-10 | 上海联影智能医疗科技有限公司 | 医学图像的预测方法、模型、装置、设备和存储介质 |
| CN110223285A (zh) * | 2019-06-13 | 2019-09-10 | 中南大学湘雅二医院 | 基于动物迁移和神经网络模型的影像结果预测方法及系统 |
| CN110245683A (zh) * | 2019-05-13 | 2019-09-17 | 华中科技大学 | 一种少样本目标识别的残差关系网络构建方法及应用 |
| CN110321913A (zh) * | 2018-03-30 | 2019-10-11 | 杭州海康威视数字技术股份有限公司 | 一种文本识别方法及装置 |
| CN110335248A (zh) * | 2019-05-31 | 2019-10-15 | 上海联影智能医疗科技有限公司 | 医学图像病灶检测方法、装置、计算机设备和存储介质 |
| CN110400298A (zh) * | 2019-07-23 | 2019-11-01 | 中山大学 | 心脏临床指标的检测方法、装置、设备及介质 |
| CN110428378A (zh) * | 2019-07-26 | 2019-11-08 | 北京小米移动软件有限公司 | 图像的处理方法、装置及存储介质 |
| CN110473172A (zh) * | 2019-07-24 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 医学图像解剖中线确定方法、计算机设备和存储介质 |
| CN110570407A (zh) * | 2019-08-29 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 图像处理方法、存储介质及计算机设备 |
-
2019
- 2019-12-30 CN CN201911404660.5A patent/CN111192255B/zh active Active
Patent Citations (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130066188A1 (en) * | 2011-09-09 | 2013-03-14 | Calgary Scientific Inc. | Image display of a centerline of tubular structure |
| CN103218797A (zh) * | 2012-01-19 | 2013-07-24 | 中国科学院上海生命科学研究院 | 血管图像处理与分析的方法和系统 |
| CN102800089A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 基于颈部超声图像的主颈动脉血管提取和厚度测量方法 |
| CN102785574A (zh) * | 2012-07-17 | 2012-11-21 | 东莞市泰斗微电子科技有限公司 | 一种疲劳或醉酒驾驶检测和控制方法及相应系统 |
| US9129190B1 (en) * | 2013-12-04 | 2015-09-08 | Google Inc. | Identifying objects in images |
| US20170330319A1 (en) * | 2016-05-12 | 2017-11-16 | Siemens Healthcare Gmbh | Multiple landmark detection in medical images based on hierarchical feature learning and end-to-end training |
| CN106570871A (zh) * | 2016-11-02 | 2017-04-19 | 天津大学 | 模糊c均值颈动脉超声图像内中膜厚度测量方法及系统 |
| CN107481188A (zh) * | 2017-06-23 | 2017-12-15 | 珠海经济特区远宏科技有限公司 | 一种图像超分辨率重构方法 |
| CN110321913A (zh) * | 2018-03-30 | 2019-10-11 | 杭州海康威视数字技术股份有限公司 | 一种文本识别方法及装置 |
| CN108734661A (zh) * | 2018-05-25 | 2018-11-02 | 南京信息工程大学 | 基于图像纹理信息构建损失函数的高分辨率图像预测方法 |
| CN109003270A (zh) * | 2018-07-23 | 2018-12-14 | 北京市商汤科技开发有限公司 | 一种图像处理方法及电子设备 |
| CN109191382A (zh) * | 2018-10-18 | 2019-01-11 | 京东方科技集团股份有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
| CN109146884A (zh) * | 2018-11-16 | 2019-01-04 | 青岛美迪康数字工程有限公司 | 内窥镜检查监控方法及装置 |
| CN109615634A (zh) * | 2018-12-13 | 2019-04-12 | 深圳大学 | 光学眼底图像分割方法、装置、计算机设备及存储介质 |
| CN110020987A (zh) * | 2019-03-24 | 2019-07-16 | 北京工业大学 | 一种基于深度学习的医学影像超分辨率重建方法 |
| CN110245683A (zh) * | 2019-05-13 | 2019-09-17 | 华中科技大学 | 一种少样本目标识别的残差关系网络构建方法及应用 |
| CN110188633A (zh) * | 2019-05-14 | 2019-08-30 | 广州虎牙信息科技有限公司 | 人体体态指标预测方法、装置、电子设备及存储介质 |
| CN110222741A (zh) * | 2019-05-23 | 2019-09-10 | 上海联影智能医疗科技有限公司 | 医学图像的预测方法、模型、装置、设备和存储介质 |
| CN110335248A (zh) * | 2019-05-31 | 2019-10-15 | 上海联影智能医疗科技有限公司 | 医学图像病灶检测方法、装置、计算机设备和存储介质 |
| CN110223285A (zh) * | 2019-06-13 | 2019-09-10 | 中南大学湘雅二医院 | 基于动物迁移和神经网络模型的影像结果预测方法及系统 |
| CN110400298A (zh) * | 2019-07-23 | 2019-11-01 | 中山大学 | 心脏临床指标的检测方法、装置、设备及介质 |
| CN110473172A (zh) * | 2019-07-24 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 医学图像解剖中线确定方法、计算机设备和存储介质 |
| CN110428378A (zh) * | 2019-07-26 | 2019-11-08 | 北京小米移动软件有限公司 | 图像的处理方法、装置及存储介质 |
| CN110570407A (zh) * | 2019-08-29 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 图像处理方法、存储介质及计算机设备 |
Non-Patent Citations (4)
| Title |
|---|
| WANG XING等: "SO-YOLO Based WBC Detection With Fourier Ptychographic Microscopy", 《IEEE ACCESS》, 31 December 2018 (2018-12-31), pages 51566 - 51576 * |
| 孙跃文;李立涛;丛鹏;向新程;郭肖静;: "基于深度学习的辐射图像超分辨率重建方法", 原子能科学技术, no. 05, 20 May 2017 (2017-05-20), pages 890 - 895 * |
| 谭海: "显微CT三维血管图像定量分析的研究", 《中国博士学位论文全文数据库 信息科技辑》, vol. 2016, no. 8, 15 August 2016 (2016-08-15), pages 138 - 120 * |
| 高媛;刘志;秦品乐;王丽芳;: "基于深度残差生成对抗网络的医学影像超分辨率算法", 计算机应用, no. 09, 21 May 2018 (2018-05-21), pages 2689 - 2695 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111192255B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109242849A (zh) | 医学图像处理方法、装置、系统和存储介质 | |
| CN110866909B (zh) | 图像生成网络的训练方法、图像预测方法和计算机设备 | |
| CN110738643B (zh) | 脑出血的分析方法、计算机设备和存储介质 | |
| CN110600107B (zh) | 医学图像的筛选方法、计算机设备及可读存储介质 | |
| CN110717905B (zh) | 脑部图像检测方法、计算机设备和存储介质 | |
| CN110570483A (zh) | 扫描方法、装置、计算机设备和存储介质 | |
| CN110751187B (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
| CN110210519B (zh) | 分类方法、计算机设备和存储介质 | |
| CN110192911B (zh) | 目标点穿刺方法、装置、存储介质及计算机设备 | |
| US20170273593A1 (en) | System and method for next-generation mri spine evaluation | |
| CN111445546A (zh) | 图像重建方法、装置、电子设备、存储介质 | |
| CN116469545A (zh) | 使用医学图像进行辅助疾病预测的方法、装置及设备 | |
| CN110473226B (zh) | 图像处理网络的训练方法、计算机设备及可读存储介质 | |
| CN111160442B (zh) | 图像分类方法、计算机设备和存储介质 | |
| CN111161369B (zh) | 图像重建存储方法、装置、计算机设备和存储介质 | |
| CN111128345B (zh) | 医学图像的获取方法、医学扫描设备和计算机存储介质 | |
| CN111160441A (zh) | 分类方法、计算机设备和存储介质 | |
| CN111192255B (zh) | 指标检测方法、计算机设备和存储介质 | |
| CN110766653B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
| CN109480886B (zh) | 骨损伤检测方法、装置、计算机设备和存储介质 | |
| CN109524102B (zh) | 检查参数选择的方法及装置、计算机设备和可读存储介质 | |
| CN114764767A (zh) | 血管提取方法和计算机设备 | |
| CN110379515A (zh) | 用于评估待检测目标的生理参数指标的方法、计算机设备 | |
| CN110189310B (zh) | 图像特征值的获取方法、计算机设备和存储介质 | |
| CN111080733A (zh) | 医学扫描图像获取方法、装置、存储介质及计算机设备 |
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 |