CN111242925A - 针对ct影像数据的目标检测方法、装置及电子设备 - Google Patents
针对ct影像数据的目标检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111242925A CN111242925A CN202010034318.7A CN202010034318A CN111242925A CN 111242925 A CN111242925 A CN 111242925A CN 202010034318 A CN202010034318 A CN 202010034318A CN 111242925 A CN111242925 A CN 111242925A
- Authority
- CN
- China
- Prior art keywords
- gray
- image data
- image
- pseudo
- images
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- 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
- G06T2207/10024—Color 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种针对CT影像数据的目标检测方法、装置及电子设备,涉及图像处理技术领域,获取CT影像数据;CT影像数据包括目标特征;将CT影像数据进行像素归一化,得到多个灰度图像;在多个灰度图像中按照预设的方法提取灰度图像组,并将每个灰度图像组合并为对应的伪彩色图像;灰度图像组为灰度图像按照指定数量和指定顺序组成的;将伪彩色图像输入预先训练好的神经网络中,以使预先训练好的神经网络对伪彩色图像进行检测,得到目标特征的类别及位置。因此本发明可以有效提高CT影像数据目标检测的准确率。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种针对CT影像数据的目标检测方法、装置及电子设备。
背景技术
由于一些CT影像数据具有三维属性,信息量巨大且结构复杂,现有技术大多采用诸如检测边缘、形态学等的图像处理方式进行图像处理,通过人工设计的特征对输入图像进行处理,无法有效的利用海量的标注信息,进行有监督学习且对于目标特征的检测泛化性能不佳。另外,对于CT影像数据的目标检测只能针对特定的某种目标进行检测,无法进行多种目标特征的检测,导致CT影像数据目标检测的准确率较低。
上述对于CT影像数据目标检测的准确率较低的问题,目前尚未提出有效的解决方案。
发明内容
本发明的目的在于提供一种针对CT影像数据的目标检测方法、装置及电子设备,可以有效提高CT影像数据目标检测的准确率。
第一方面,实施例提供一种针对CT影像数据的目标检测方法,所述方法包括:获取CT影像数据;所述CT影像数据包括多个目标特征;将所述CT影像数据进行像素归一化,得到多个灰度图像;在多个所述灰度图像中按照预设的方法提取灰度图像组,并将每个灰度图像组合并为对应的伪彩色图像;所述灰度图像组为灰度图像按照指定数量和指定顺序组成的;将所述伪彩色图像输入预先训练好的神经网络中,以使所述预先训练好的神经网络对所述伪彩色图像进行检测,得到所述目标特征的类别及位置。
在可选的实施方式中,所述将所述CT影像数据进行像素归一化,得到多个灰度图像的步骤,包括:通过对所述CT影像数据的每个像素进行采样将所述CT影像数据进行像素归一化,得到多个所述灰度图像。
在可选的实施方式中,所述在多个所述灰度图像中按照预设的方法提取灰度图像组,并将每个灰度图像组合并为对应的伪彩色图像的步骤,包括:在多个所述灰度图像中依次选择相邻的三张所述灰度图像进行合并,得到对应的所述伪彩色图像。
在可选的实施方式中,所述预先训练好的神经网络进行训练的步骤,包括:将所述伪彩色图像输入到预设的骨干网络,得到所述骨干网络输出的第一特征图;将所述第一特征图划分为第一批次和第二批次;将所述第一批次的所述第一特征图输入预设的区域生成网络,得到多个物体框;将多个所述物体框和所述第二批次的所述第一特征图进行区域特征聚集,得到第二特征图;将所述第二特征图输入预设的分类器和回归器,输出所述第二特征图的类别和位置信息。
在可选的实施方式中,所述方法还包括:对所述第二特征图进行非极大值抑制,得到删除重复检测的多个目标特征图;对多个所述目标特征图进行合并目标,并计算合并目标后的置信度。
第二方面,实施例提供一种针对CT影像数据的目标检测装置,所述装置包括:获取模块,用于获取CT影像数据;所述CT影像数据包括目标特征;归一化模块,用于将所述CT影像数据进行像素归一化,得到多个灰度图像;伪彩色图像生成模块,用于在多个所述灰度图像中按照预设的装置提取灰度图像组,并将每个灰度图像组合并为对应的伪彩色图像;所述灰度图像组为灰度图像按照指定数量和指定顺序组成的;检测模块,用于将所述伪彩色图像输入预先训练好的神经网络中,以使所述预先训练好的神经网络对所述伪彩色图像进行检测,得到所述目标特征的类别及位置。
在可选的实施方式中,所述归一化模块,用于通过对所述CT影像数据的每个像素进行采样将所述CT影像数据进行像素归一化,得到多个所述灰度图像。
在可选的实施方式中,所述伪彩色图像生成模块,用于在多个所述灰度图像中依次选择相邻的三张所述灰度图像进行合并,得到对应的所述伪彩色图像。
第三方面,实施例提供一种电子设备,包括处理器和存储器;所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现前述实施方式任一项所述的方法的步骤。
第四方面,实施例提供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,所述计算机程序被处理器运行时执行上述前述实施方式任一项所述的方法的步骤。
本发明提供的针对CT影像数据的目标检测方法、装置及电子设备,首先获取包括目标特征的CT影像数据,对CT影像数据进行像素归一化,得到多个灰度图像,在多个灰度图像中按照预设的方法提取灰度图像组(灰度图像组为按照指定数量和指定顺序组成的),并将每个灰度图像组合并为对应的伪彩色图像(三个通道的图像),将伪彩色图像输入预先训练好的神经网络中,以使预先训练好的神经网络对伪彩色图像进行检测,得到目标特征的类别及位置。通过将灰度图像合并为伪彩色图像,可以提高CT影像数据检测的准确率。因此本发明实施例可以有效提高CT影像数据目标检测的准确率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种针对CT影像数据的目标检测方法的流程示意图;
图2为本发明实施例提供的一种模型训练的示意图;
图3为本发明实施例提供的一种目标合并的示意图;
图4为本发明实施例提供的一种针对CT影像数据的目标检测装置的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
考虑到现有的CT影像数据在进行目标检测时的检测准确率较低,本发明提出了一种针对CT影像数据的目标检测方法、装置及电子设备,可以有效提高CT影像数据目标检测的准确率。
为便于理解,首先对本发明提供的一种针对CT影像数据的目标检测方法进行详细介绍,参见如图1所示的一种针对CT影像数据的目标检测方法的流程示意图,该方法主要包括如下步骤S102至步骤S108:
步骤S102:获取CT影像数据。
在一种实施方式中,CT影像数据的数据格式包括.raw或.mhd格式等,通过扫描得到.raw或.mhd格式的CT影像数据。CT影像数据包括有多个目标特征,目标特征的种类也可以为一种或多种,诸如,CT影像数据中可以包括同一部位的一种病灶中的多个,也可以包括多种不同的病灶。因此,为了使检测具备普适性,获取的CT影像数据可以包括多种目标特征。
步骤S104:将CT影像数据进行像素归一化,得到多个灰度图像。
由于不同的CT影像扫描间距不一致,直接对扫描到的CT影像进行检测,可能会造成检测结果不准确的问题,因此需要对扫描到的CT影像数据进行像素归一化。可以首先通过对CT影像的每一个像素进行统一尺寸采样,再将采样后的CT影像数据归一化到(0,255),得到多个灰度图像。
步骤S106:在多个灰度图像中按照预设的方法提取灰度图像组,并将每个灰度图像组合并为对应的伪彩色图像。
在一种实施方式中,灰度图像组为灰度图像按照指定数量和指定顺序组成的,伪彩色图像是指用三个相邻的灰度图像在通道数叠加生成的图像,具有三个通道的数据。由于灰度图像为单通道数据,因此灰度图像组的指定数量可以设置为3,也即通过从多个灰度图像中选取三个灰度图像,进而合并得到三个通道的伪彩色图像。指定顺序按照选择相邻的顺序,通过在多个灰度图像中依次选择相邻的三张灰度图像,将三张灰度图像进行合并,进而得到伪彩色图像。
步骤S108:将伪彩色图像输入预先训练好的神经网络中,以使预先训练好的神经网络对伪彩色图像进行检测,得到目标特征的类别及位置。
在一种实施方式中,预先训练好的神经网络可以包括残差网络,将伪彩色图像输入到预先训练好的残差网络中,通过预先训练好的残差网络对上述伪彩色图像进行检测识别,得到目标特征所属的类别及目标特征在伪彩色图像的位置。
本发明提供的针对CT影像数据的目标检测方法,首先获取包括多个目标特征的CT影像数据,对CT影像数据进行像素归一化,得到多个灰度图像,在多个灰度图像中按照预设的方法提取灰度图像组(灰度图像组为按照指定数量和指定顺序组成的),并将每个灰度图像组合并为对应的伪彩色图像(三个通道的图像),将伪彩色图像输入预先训练好的神经网络中,以使预先训练好的神经网络对伪彩色图像进行检测,得到目标特征的类别及位置。通过将灰度图像合并为伪彩色图像,可以提高CT影像数据检测的准确率。因此本发明实施例可以有效提高CT影像数据目标检测的准确率。
为了便于理解,对上述预先训练好的神经网络的训练过程进行详细描述,主要包括预处理、模型训练和后处理三个过程。下面对三个处理过程进行详细介绍。
1.预处理
在一种实施方式中,将原始数据为.raw和.mhd格式的CT影像扫描作为样本数据,由于不同的CT影像扫描的间距不一致,直接输入神经网络中会增加网络学习的负担(网络不仅学习如何有效提取特征,还要学习间距的分布),使优化难度加大,甚至不容易收敛。因此首先在针对CT影像数据的目标检测方法、装置及电子设备进行重采样至统一尺寸(1,1,1)毫米。
在经过统一尺寸后,截取图像的像素值为(-1000,600)的数据,并归一化到(0,255),采用2D灰度图存储。为了增加训练图像的数量和多样性,可以对2D灰度图进行数据增强,诸如旋转、尺度变换、图像亮度变化、加随机噪声等操作,对输入的图片进行增强,增加了训练图像的数量及多样性。
为了增加空间上下文信息,提高检测敏感度,把相邻3张灰度图像,分别作为输出图像的RGB层合并为一张伪彩色图像(具有三个通道的数据)以便后续输入模型中进行训练。
2.模型训练
模型训练的过程参见如图2所示的一种模型训练的示意图,为了提高模型训练速度及模型训练的准确率,将伪彩色图像输入到预设的骨干网络,得到骨干网络输出的第一特征图,预设的骨干网络可以为ResNext101-32x8d,第一特征图即为骨干网络输出的特征图,将上述进行预处理后的伪彩色图像作为输入图像按照分批次处理(batch)的方式输入到骨干网络(backbone network)中,骨干网络的输出结果通过输入图像的第一特征图表示,将第一特征图划分为第一批次和第二批次,也即第一特征图会作为两个分支的输入:
在一种实施方式中,将第一批次的第一特征图输入预设的区域生成网络,得到多个物体框,具体的,一路通过区域建议网络(RPN,Resion Proposal Network),诸如特征金字塔网络(FPN,Feature Pyramid Network)来融合使用多个尺度的特征图信息,生成的结果是可能出现物体的多个物体框的信息,诸如物体框的左上角坐标以及物体框的长和宽等信息。
进一步,将多个物体框和第二批次的第一特征图进行区域特征聚集,得到第二特征图,具体的,另一路(也即第二批次)直接和上一路(第一批次)生成的物体框的信息,一起输入到ROI Pooling层,采用ROI Pooling层的目的是把Region Proposal Network生成不同大小的proposals物体框,转变成相同大小的第二特征图。优选的,为了提高检测准确率,可以采用ROI Align算法替代ROI Pooling。
将上述得到的第二特征图输入预设的分类器和回归器,输出第二特征图的类别和位置信息,分类器和回归器可以根据实际需要选择分类、回归网络,此处不做限定。
3.后处理
在一种实施方式中,对第二特征图进行非极大值抑制(Non-MaximumSuppression,NMS),得到删除重复检测的多个目标特征图,目标特征图为经过NMS后的特征图,这样的操作是为了去除大量的重复检测。
进一步,对多个目标特征图进行合并目标,并计算合并目标后的置信度,参见图3所示的一种目标合并的示意图,合并直接或间接连接的图层中交并比(IOU)大于一定阙值的目标。诸如图3中的图像2、3、4、5、7、8、9中都IOU大于阙值的目标,但由于图像6中缺少目标,造成中断,因此可以将2、3、4、5中的目标合并为一个目标,7、8、9中的目标合并为一个目标。
在一种实施方式中,中心点坐标采用置信度最大的目标的中心点,没有使用合并后3D目标的物理中心点,令多个目标合并后的置信度为P,目标合并前的置信度分别为p1,p2,…,pn,则合并后的置信度通过公式P=p1+p2+…+pn计算,诸如由图像2、3、4、5合并后的合并目标的置信度则可以表示成图像2、3、4、5的置信度加和的值。
对于上述针对CT影像数据的目标检测方法,本发明实施例还提供了一种针对CT影像数据的目标检测装置,该装置可以用来检测肺部的多种病灶,包括结节、肺密度增高影、肺气肿或肺大泡、索条、动脉硬化或钙化、淋巴结钙化和胸膜增厚等。基于深度学习的多病灶检测技术,可以同时进行多病灶检测、识别。参见如图4所示的一种针对CT影像数据的目标检测装置的结构示意图,该装置主要包括:
获取模块402,用于获取CT影像数据;CT影像数据包括多个目标特征;
归一化模块404,用于将CT影像数据进行像素归一化,得到多个灰度图像;
伪彩色图像生成模块406,用于在多个灰度图像中按照预设的装置提取灰度图像组,并将每个灰度图像组合并为对应的伪彩色图像;灰度图像组为灰度图像按照指定数量和指定顺序组成的;
检测模块408,用于将伪彩色图像输入预先训练好的神经网络中,以使预先训练好的神经网络对伪彩色图像进行检测,得到目标特征的类别及位置。
本发明提供的针对CT影像数据的目标检测装置,首先获取包括多个目标特征的CT影像数据,对CT影像数据进行像素归一化,得到多个灰度图像,在多个灰度图像中按照预设的方法提取灰度图像组(灰度图像组为按照指定数量和指定顺序组成的),并将每个灰度图像组合并为对应的伪彩色图像(三个通道的图像),将伪彩色图像输入预先训练好的神经网络中,以使预先训练好的神经网络对伪彩色图像进行检测,得到目标特征的类别及位置。通过将灰度图像合并为伪彩色图像,可以提高CT影像数据检测的准确率,还可以对多种肺部的病灶进行同时检测。因此本发明实施例可以有效提高CT影像数据目标检测的准确率。
在一种实施方式中,装置还包括:归一化模块,用于通过对CT影像数据的每个像素进行采样将CT影像数据进行像素归一化,得到多个灰度图像。
在一种实施方式中,上述伪彩色图像生成模块406,进一步用于在多个灰度图像中依次选择相邻的三张灰度图像进行合并,得到对应的伪彩色图像。
在一种实施方式中,装置还包括:模型训练模块,用于将伪彩色图像输入到预设的骨干网络,得到骨干网络输出的第一特征图;将第一特征图划分为第一批次和第二批次;将第一批次的第一特征图输入预设的区域生成网络,得到多个物体框;将多个物体框和第二批次的第一特征图进行区域特征聚集,得到第二特征图;将第二特征图输入预设的分类器和回归器,输出第二特征图的类别和位置信息。
在一种实施方式中,装置还包括:后处理模块,用于对第二特征图进行非极大值抑制,得到删除重复检测的多个目标特征图;对多个目标特征图进行合并目标,并计算合并目标后的置信度。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本大明实施例还提供了一种电子设备,具体的,该电子设备包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。
图5为本发明实施例提供的一种电子设备的结构示意图,该电子设备100包括:处理器50,存储器51,总线52和通信接口53,所述处理器50、通信接口53和存储器51通过总线52连接;处理器50用于执行存储器51中存储的可执行模块,例如计算机程序。
其中,存储器51可能包含高速随机存取存储器(RAM,RandomAccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器51用于存储程序,所述处理器50在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中,或者由处理器50实现。
处理器50可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51,处理器50读取存储器51中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的针对CT影像数据的目标检测方法、装置及电子设备的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统具体工作过程,可以参考前述实施例中的对应过程,在此不再赘述。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,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,或者对其中部分或者全部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发明各实施例技术方案的范围。
Claims (10)
1.一种针对CT影像数据的目标检测方法,其特征在于,所述方法包括:
获取CT影像数据;所述CT影像数据包括多个目标特征;
将所述CT影像数据进行像素归一化,得到多个灰度图像;
在多个所述灰度图像中按照预设的方法提取灰度图像组,并将每个灰度图像组合并为对应的伪彩色图像;所述灰度图像组为所述灰度图像按照指定数量和指定顺序组成的;
将所述伪彩色图像输入预先训练好的神经网络中,以使所述预先训练好的神经网络对所述伪彩色图像进行检测,得到所述目标特征的类别及位置。
2.根据权利要求1所述的方法,其特征在于,所述将所述CT影像数据进行像素归一化,得到多个灰度图像的步骤,包括:
通过对所述CT影像数据的每个像素进行采样将所述CT影像数据进行像素归一化,得到多个所述灰度图像。
3.根据权利要求1所述的方法,其特征在于,所述在多个所述灰度图像中按照预设的方法提取灰度图像组,并将每个灰度图像组合并为对应的伪彩色图像的步骤,包括:
在多个所述灰度图像中依次选择相邻的三张所述灰度图像进行合并,得到对应的所述伪彩色图像。
4.根据权利要求1所述的方法,其特征在于,所述预先训练好的神经网络进行训练的步骤,包括:
将所述伪彩色图像输入到预设的骨干网络,得到所述骨干网络输出的第一特征图;
将所述第一特征图划分为第一批次和第二批次;
将所述第一批次的所述第一特征图输入预设的区域生成网络,得到多个物体框;
将多个所述物体框和所述第二批次的所述第一特征图进行区域特征聚集,得到第二特征图;
将所述第二特征图输入预设的分类器和回归器,输出所述第二特征图的类别和位置信息。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
对所述第二特征图进行非极大值抑制,得到删除重复检测的多个目标特征图;
对多个所述目标特征图进行合并目标,并计算合并目标后的置信度。
6.一种针对CT影像数据的目标检测装置,其特征在于,所述装置包括:
获取模块,用于获取CT影像数据;所述CT影像数据包括目标特征;
归一化模块,用于将所述CT影像数据进行像素归一化,得到多个灰度图像;
伪彩色图像生成模块,用于在多个所述灰度图像中按照预设的装置提取灰度图像组,并将每个灰度图像组合并为对应的伪彩色图像;所述灰度图像组为所述灰度图像按照指定数量和指定顺序组成的;
检测模块,用于将所述伪彩色图像输入预先训练好的神经网络中,以使所述预先训练好的神经网络对所述伪彩色图像进行检测,得到所述目标特征的类别及位置。
7.根据权利要求6所述的装置,其特征在于,所述归一化模块,用于通过对所述CT影像数据的每个像素进行采样将所述CT影像数据进行像素归一化,得到多个所述灰度图像。
8.根据权利要求7所述的装置,其特征在于,所述伪彩色图像生成模块,用于在多个所述灰度图像中依次选择相邻的三张所述灰度图像进行合并,得到对应的所述伪彩色图像。
9.一种电子设备,其特征在于,包括处理器和存储器;
所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至5任一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述权利要求1至5任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010034318.7A CN111242925B (zh) | 2020-01-13 | 2020-01-13 | 针对ct影像数据的目标检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010034318.7A CN111242925B (zh) | 2020-01-13 | 2020-01-13 | 针对ct影像数据的目标检测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242925A true CN111242925A (zh) | 2020-06-05 |
CN111242925B CN111242925B (zh) | 2023-08-29 |
Family
ID=70872352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010034318.7A Active CN111242925B (zh) | 2020-01-13 | 2020-01-13 | 针对ct影像数据的目标检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242925B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365432A (zh) * | 2020-10-30 | 2021-02-12 | 武汉联影医疗科技有限公司 | 融合图像显示方法、装置和医学影像系统 |
CN112837283A (zh) * | 2021-01-27 | 2021-05-25 | 山东众阳健康科技集团有限公司 | 一种肺栓塞检测系统、介质及电子设备 |
CN113576508A (zh) * | 2021-07-21 | 2021-11-02 | 华中科技大学 | 一种基于神经网络的脑出血辅助诊断系统 |
CN114119455A (zh) * | 2021-09-03 | 2022-03-01 | 乐普(北京)医疗器械股份有限公司 | 一种基于目标检测网络定位血管狭窄部位的方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105590324A (zh) * | 2016-02-03 | 2016-05-18 | 上海联影医疗科技有限公司 | 医学图像的分割方法及其装置 |
CN107945132A (zh) * | 2017-11-29 | 2018-04-20 | 深圳安科高技术股份有限公司 | 一种基于神经网络的ct图像的伪影校正方法及装置 |
WO2018213829A1 (en) * | 2017-05-19 | 2018-11-22 | Google Llc | Transforming grayscale images into color images using deep neural networks |
US20190065884A1 (en) * | 2017-08-22 | 2019-02-28 | Boe Technology Group Co., Ltd. | Training method and device of neural network for medical image processing, and medical image processing method and device |
WO2019109383A1 (zh) * | 2017-12-05 | 2019-06-13 | 江苏大学 | 一种基于micro-CT和偏振-高光谱成像多特征融合的番茄苗期水分胁迫检测方法 |
CN109977942A (zh) * | 2019-02-02 | 2019-07-05 | 浙江工业大学 | 一种基于场景分类和超分辨率的场景文字识别方法 |
CN110570390A (zh) * | 2019-07-22 | 2019-12-13 | 无锡北邮感知技术产业研究院有限公司 | 一种图像检测方法及装置 |
-
2020
- 2020-01-13 CN CN202010034318.7A patent/CN111242925B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105590324A (zh) * | 2016-02-03 | 2016-05-18 | 上海联影医疗科技有限公司 | 医学图像的分割方法及其装置 |
WO2018213829A1 (en) * | 2017-05-19 | 2018-11-22 | Google Llc | Transforming grayscale images into color images using deep neural networks |
US20190065884A1 (en) * | 2017-08-22 | 2019-02-28 | Boe Technology Group Co., Ltd. | Training method and device of neural network for medical image processing, and medical image processing method and device |
CN107945132A (zh) * | 2017-11-29 | 2018-04-20 | 深圳安科高技术股份有限公司 | 一种基于神经网络的ct图像的伪影校正方法及装置 |
WO2019109383A1 (zh) * | 2017-12-05 | 2019-06-13 | 江苏大学 | 一种基于micro-CT和偏振-高光谱成像多特征融合的番茄苗期水分胁迫检测方法 |
CN109977942A (zh) * | 2019-02-02 | 2019-07-05 | 浙江工业大学 | 一种基于场景分类和超分辨率的场景文字识别方法 |
CN110570390A (zh) * | 2019-07-22 | 2019-12-13 | 无锡北邮感知技术产业研究院有限公司 | 一种图像检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
SURENMAKAJU等: "Lung Cancer Detection using CT Scan Images", 《PROCEDIA COMPUTER SCIENCE》, pages 107 - 114 * |
肖尧: "小型飞行平台视频目标检测与跟踪技术研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, pages 032 - 2 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365432A (zh) * | 2020-10-30 | 2021-02-12 | 武汉联影医疗科技有限公司 | 融合图像显示方法、装置和医学影像系统 |
CN112365432B (zh) * | 2020-10-30 | 2022-04-26 | 武汉联影医疗科技有限公司 | 融合图像显示方法、装置和医学影像系统 |
CN112837283A (zh) * | 2021-01-27 | 2021-05-25 | 山东众阳健康科技集团有限公司 | 一种肺栓塞检测系统、介质及电子设备 |
CN112837283B (zh) * | 2021-01-27 | 2022-10-28 | 山东众阳健康科技集团有限公司 | 一种肺栓塞检测系统、介质及电子设备 |
CN113576508A (zh) * | 2021-07-21 | 2021-11-02 | 华中科技大学 | 一种基于神经网络的脑出血辅助诊断系统 |
CN114119455A (zh) * | 2021-09-03 | 2022-03-01 | 乐普(北京)医疗器械股份有限公司 | 一种基于目标检测网络定位血管狭窄部位的方法和装置 |
CN114119455B (zh) * | 2021-09-03 | 2024-04-09 | 乐普(北京)医疗器械股份有限公司 | 一种基于目标检测网络定位血管狭窄部位的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111242925B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242925B (zh) | 针对ct影像数据的目标检测方法、装置及电子设备 | |
CN107545262B (zh) | 一种在自然场景图像中检测文本的方法及装置 | |
CN106780485B (zh) | 基于超像素分割和特征学习的sar图像变化检测方法 | |
CN109918987B (zh) | 一种视频字幕关键词识别方法及装置 | |
JP6330385B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
CN109165538B (zh) | 基于深度神经网络的条形码检测方法及装置 | |
CN111160379A (zh) | 图像检测模型的训练方法及装置、目标检测方法及装置 | |
KR102074406B1 (ko) | 영상 랜드마크 분류 장치 및 방법 | |
WO2021258699A1 (zh) | 一种图像识别方法、装置、电子设备和计算机可读介质 | |
JPWO2019026104A1 (ja) | 情報処理装置、情報処理プログラム及び情報処理方法 | |
CN114972191A (zh) | 一种耕地变化检测方法和装置 | |
US8989505B2 (en) | Distance metric for image comparison | |
EP3073443A1 (en) | 3D Saliency map | |
CN110349167A (zh) | 一种图像实例分割方法及装置 | |
CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
CN112001362A (zh) | 一种图像分析方法、图像分析装置及图像分析系统 | |
CN111932577A (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN108960247B (zh) | 图像显著性检测方法、装置以及电子设备 | |
CN115546909A (zh) | 活体检测方法、装置、门禁系统、设备及存储介质 | |
CN112396067B (zh) | 点云数据采样方法、装置及电子设备 | |
JP2019133433A (ja) | 画像処理装置、画像処理方法、およびプログラム | |
US9536137B2 (en) | Object detection apparatus | |
CN113239738B (zh) | 一种图像的模糊检测方法及模糊检测装置 | |
CN112084874B (zh) | 一种物体检测方法、装置及终端设备 |
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 |