CN111275699A - 医学图像的处理方法、装置、设备及存储介质 - Google Patents
医学图像的处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111275699A CN111275699A CN202010087736.2A CN202010087736A CN111275699A CN 111275699 A CN111275699 A CN 111275699A CN 202010087736 A CN202010087736 A CN 202010087736A CN 111275699 A CN111275699 A CN 111275699A
- Authority
- CN
- China
- Prior art keywords
- candidate
- feature
- medical image
- image
- candidate frame
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种医学图像的处理方法、装置、设备及存储介质,该方法包括:输入目标医学图像,对目标医学图像进行特征提取,得到特征图;根据目标医学图像的图像特征,从特征图中确定出至少一个候选对象对应的候选框,候选框表示候选对象对应图像特征在特征图中所占的区域,不同候选框对应不同位置和尺寸,且候选框的位置和尺寸与候选对象的位置和尺寸匹配;对候选框中的图像特征进行分类,得到候选框对应的分类结果;根据分类结果确定目标对象在目标医学图像中所在的位置。基于目标医学图像的图像特征确定出位置且尺寸不同的候选框,降低候选框的数量,提高检测效率;确定候选框的位置和尺寸时融合了图像特征,有助于提高检测结果的准确度。
Description
技术领域
本申请实施例涉及人工智能领域,特别涉及一种医学图像的处理方法、装置、设备及存储介质。
背景技术
人体器官发生病变时通常会出现器官结节,因此器官结节可以作为判断器官病变的重要指标。常见的器官结节包括肺结节、乳腺结节和甲状腺结节等等。
医务人员通常借助仪器对器官进行成像,从而基于图像进行器官结节检测。该图像是通过三维扫描得到的二维图像序列,比如,该图像可以为计算机断层扫描(ComputedTomography,CT)图像或磁共振(Magnetic Resonance,MR)图像。以CT仪器为例,使用CT仪器对器官进行扫描,从而基于扫描得到的CT图像进行器官结节检测和分类。相关技术中,在利用卷积神经网络(Convolutional Neural Network,CNN)检测CT图像中的器官结节时,通常是利用预设尺寸大小的候选框确定出器官结节候选区域,然后对各个器官结节候选区域进行器官结节检测,最终确定出器官结节在CT图像中的位置。
相关技术中,为了提高召回率,通常采用滑窗的方式生成密集的候选框(尺寸大小均相同),并对每个候选框进行检测。然而实际情况下,器官结节的分布稀疏,且尺寸存在较大差异,导致相关技术中器官结节的检测效率和准确度较低。
发明内容
本申请实施例提供了一种医学图像的处理方法、装置、设备及存储介质,可以提高医学图像中目标对象的检测效率和准确度。所述技术方案如下:
一方面,本申请实施例提供了一种医学图像的处理方法,所述方法包括:
输入目标医学图像,对所述目标医学图像进行特征提取,得到特征图,所述特征图用于表征所述目标医学图像的图像特征;
根据所述目标医学图像的图像特征,从所述特征图中确定出至少一个候选对象对应的候选框,所述候选对象是疑似为目标对象的对象,所述候选框表示所述候选对象对应图像特征在所述特征图中所占的区域,其中,不同候选框对应不同位置和尺寸,且所述候选框的位置和尺寸与所述候选对象的位置和尺寸匹配;
对所述候选框中的图像特征进行分类,得到所述候选框对应的分类结果,所述分类结果用于表征所述候选框对应的所述候选对象是否为所述目标对象;
根据所述分类结果确定所述目标对象在所述目标医学图像中所在的位置
另一方面,本申请实施例提供了一种医学图像的处理装置,其特征在于,所述装置包括:
特征提取模块,用于输入目标医学图像,对所述目标医学图像进行特征提取,得到特征图,所述特征图用于表征所述目标医学图像的图像特征;
候选框确定模块,用于根据所述目标医学图像的图像特征,从所述特征图中确定出至少一个候选对象对应的候选框,所述候选对象是疑似为目标对象的对象,所述候选框表示所述候选对象对应图像特征在所述特征图中所占的区域,其中,不同候选框对应不同位置和尺寸,且所述候选框的位置和尺寸与所述候选对象的位置和尺寸匹配;
分类模块,用于对所述候选框中的图像特征进行分类,得到所述候选框对应的分类结果,所述分类结果用于表征所述候选框对应的所述候选对象是否为所述目标对象;
位置确定模块,用于根据所述分类结果确定所述目标对象在所述目标医学图像中所在的位置。
另一方面,本申请实施例提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述方面所述的医学图像的处理方法。
另一方面,提供了一种计算机可读存储介质,所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述方面所述的医学图像的处理方法。
另一方面,提供了一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得计算机执行如上述方面所述的医学图像的处理方法。
本申请实施例提供的技术方案带来的有益效果至少包括:
对目标医学图像进行特征提取得到特征图后,根据目标医学图像的图像特征从特征图中确定出不同位置和尺寸的候选对象对应的候选框,从而对候选框中的图像特征进行分类,得到指示候选框中是否包含目标对象的分类结果,最终根据分类结果确定目标医学图像中目标对象的位置;相较于相关技术中采用滑窗法生成密集且尺寸一致的候选框,基于目标医学图像的图像特征确定出位置且尺寸不同的候选框,能够降低候选框的数量,从而提高检测效率;同时,确定候选框的位置和尺寸时融合了图像特征,提高了候选框中包含目标对象的概率,有助于提高检测结果的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个示例性实施例提供的医学图像的处理方法的原理示意图;
图2示出了本申请一个示例性实施例提供的实施环境的示意图;
图3示出了本申请一个示例性实施例提供的医学图像的处理方法的流程图;
图4示出了本申请另一个示例性实施例提供的医学图像的处理方法的流程图;
图5是图4所示医学图像的处理方法实施过程的原理示意图;
图6是本申请一个示例性实施例示出的候选框位置预测过程的实施示意图;
图7是本申请一个示例性实施例示出的特征调整过程的实施示意图;
图8是本申请一个示例性实施例提供的医学图像的处理装置的结构框图;
图9示出了本申请一个示例性实施例提供的计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
相关技术中,对医学图像进行目标对象(比如器官结节,下述以器官结节为例进行说明)检测时,通常基于预设候选框尺寸(比如都是3×3×3),采用滑窗方式(比如每隔1个单位产生一个候选框)生成尺寸一致的稠密候选框,然后对每个候选框内的图像进行目标对象检测,从而确定出包含目标的候选框。然而,实际情况下,一方面,由于器官结节在医学图像中的分布稀疏,因此利用滑窗方式得到的候选框中包含大量无效候选框,而对大量无效候选框进行检测将严重影响检测效率;另一方面,由于器官结节的尺寸(形状大小)存在较大的差异,因此基于同一尺寸生成的候选框无法满足尺寸多变的器官结节检测,且检测准确度较低(比如过小的候选框无法包括完整的器官结节,影响检测准确度)。
为了解决相关技术中存在的问题,如图1所示,本申请实施例中,首先通过特征提取网络102对医学图像101进行特征提取,得到特征图103,然后将特征图103分别输入位置预测网络104和尺寸预测网络105,并结合两个网络输出的预测结果(包括预测位置和预测尺寸)确定出若干个位置和尺寸不同(不同形状和大小)的候选框106(对应候选对象)。由于该候选框106是根据医学图像的图像特征预测得到,因此相较于采用滑窗方式生成的候选框更具针对性(即包含器官结节的概率更高,与器官结节尺寸的匹配度更高,包含完整器官结节的概率更高),且数量较少,从而提高了后续检测的效率和准确度。进一步的,基于尺寸预测网络105输出的尺寸预测结果,特征调整网络107还对特征图103进行特征调整,得到符合尺寸预测结果的特征调整图108。
完成特征调整以及候选框确定后,利用候选框106从特征调整图108中提取感兴趣(Region Of Interest,ROI)区域特征图109,进而将ROI区域特征图109输入全连接(FullyConnected layer,FC)层110进行全连接处理,并利用分类网络111输出指示候选框中是否存在器官结节的分类结果,利用回归网络112输出候选框106在医学图像101中的实际位置,最终得到检测结果113,并将检测结果113呈现在医学图像101中。
通过本申请实施例提供的方法,基于目标医学图像的图像特征确定出位置且尺寸不同的候选框,能够降低候选框的数量,从而提高检测效率;同时,确定候选框的位置和尺寸时融合了图像特征,提高了候选框中包含器官结节的概率,有助于提高检测结果的准确度。
在一种可能的应用场景下,本申请实施例提供的医学图像的处理方法可以应用于器官结节分类的前置处理,该方法可以实现成为器官结节定位程序,并与器官结节分类程序结合,作为器官结节分类程序的前置处理程序。
该场景下,器官结节定位程序以医学图像为输入,对医学图像进行特征提取得到特征图,并基于特征图中包含的图像特征,确定出若干个位置尺寸不同的候选框,从而利用候选框从特征图中提取出ROI区域特征图,并对ROI区域特征图进行分类回归,进而根据分类回归结果,在医学图像上标注出器官结节的位置。
为了进一步对检测出的器官结节进行分类(比如真/假结节分类、良/恶性结节分类、结节性质分类),器官结节定位程序以器官结节定位程序输出的结节信息(包括器官结节对应定位框的位置和尺寸),以及医学图像为输入,对识别出的器官结节进行分类,最终对器官结节的分类结果进行输出显示。
当然,利用器官结节定位程序定位出器官结节后,也可以由医护人员根据标注有器官结节的医学图像,采用人工方式对器官结节进行分类。
当然,除了应用于上述场景外,本申请实施例提供方法还可以应用于其他需要对器官结节进行分类的场景,本申请实施例并不对具体的应用场景进行限定。
本申请实施例提供的医学图像的处理方法可以应用于终端或者服务器等计算机设备中。在一种可能的实施方式中,本申请实施例提供的医学图像的处理方法可以实现成为应用程序或应用程序的一部分,并被安装到医生使用的终端中,使终端具备根据医学图像进行自动定位并标注器官结节的功能;或者,可以应用于应用程序的后台服务器中,从而由服务器为终端中的应用程序提供器官结节定位标注服务。
请参考图2,其示出了本申请一个示例性实施例提供的实施环境的示意图。该实施环境中包括终端210和服务器220,其中,终端210与服务器220之间通过通信网络进行数据通信,可选地,通信网络可以是有线网络也可以是无线网络,且该通信网络可以是局域网、城域网以及广域网中的至少一种。
终端210中安装有具有器官结节识别需求的应用程序,该应用程序可以是临床诊断辅助应用程序、医学图像处理应用程序、医学学习辅助应用程序或其他应用于医疗领域的人工智能(Artificial Intelligence,AI)应用程序,本申请实施例对此不作限定。
可选的,终端210可以是平板电脑、膝上便携式笔记本电脑等移动终端,也可以是台式电脑、投影式电脑等终端,本申请实施例对此不做限定。
服务器220可以实现为一台服务器,也可以实现为一组服务器构成的服务器集群,其可以是物理服务器,也可以实现为云服务器。在一种可能的实施方式中,服务器220是终端210中应用程序的后台服务器。
如图2所示,本申请实施例中,服务器220中包括特征提取模块2201、候选框确定模块2202、分类模块2203和处理模块2204。终端210通过应用程序将医学图像发送至服务器220后,服务器220通过特征提取模块2201对医学图像进行特征提取得到特征图,将特征图输入候选框确定模块2202,由候选框确定模块2202基于图像特征确定出至少一个候选框,进而通过分类模块2203对各个候选框中的图像特征进行分类得到分类结果,最终由处理模块2204根据分类结果对医学图像进行处理,得到处理后的医学图像。服务器220处理后的医学图像发送至终端210后,由终端210对处理后的医学图像进行显示(图2中,终端210中显示有通过定位框标注出器官结节位置的医学图像)。
在其他可能的实施方式中,上述特征提取模块2201、候选框确定模块2202、分类模块2203和处理模块2204也可以实现成为应用程序的部分或全部,相应的,终端210可以在本地进行器官结节定位识别,而无需借助服务器220,本实施例对此不作限定。
为了方便表述,下述各个实施例以医学图像的处理方法由计算机设备执行为例进行说明。
请参考图3,其示出了本申请一个示例性实施例提供的医学图像的处理方法的流程图。本实施例以该方法用于计算机设备为例进行说明,该方法包括如下步骤。
步骤301,输入目标医学图像,对目标医学图像进行特征提取,得到特征图,特征图用于表征目标医学图像的图像特征。
在一种可能的实施方式中,该目标医学图像可以是对器官进行三维扫描得到的二维图像序列,即目标医学图像可以是三维医学图像,比如使用CT设备扫描得到的CT图像序列,或使用磁共振设备扫描得到的磁共振图像序列。在其他可能的实施方式中,该目标医学图像也可以是单一的二维医学图像,本实施例对此不做限定。
可选的,计算机设备将目标医学图像输入特征提取网络,由特征提取网络进行图像特征提取,从而得到包含图像特征的特征图。其中,当目标医学图像为三维医学图像时,该特征提取网络可以是三维卷积神经网络,相应的,得到的特征图为三维特征图,本实施例对此不做限定。
步骤302,根据目标医学图像的图像特征,从特征图中确定出至少一个候选对象对应的候选框,候选对象是疑似为目标对象的对象,候选框表示候选对象对应图像特征在特征图中所占的区域,其中,不同候选框对应不同位置和尺寸,且候选框的位置和尺寸与候选对象的位置和尺寸匹配。
不同于相关技术中,不考虑医学图像的图像特征,直接通过滑窗法并根据预设尺寸生成稠密的候选框,为了减少生成的候选框的数量,并提高候选框尺寸与目标医学图像中目标对象实际尺寸的匹配度,本申请实施例中,计算机设备根据目标医学图像的图像特征,确定出至少一个候选对象及其对应的候选框在特征图中所处的位置以及尺寸,以便后续基于确定出的候选框进行目标对象检测。
其中,该目标对象可以为器官结节、肿瘤等病变对象,相应的,候选对象可以为疑似器官结节或疑似肿瘤等疑似病变对象,本申请实施例仅以目标对象为器官结节为例进行说明,但并不对此构成限定。
由于同一医学图像中,目标对象的分布稀疏,且目标对象的个体尺寸之间存在较大差异,因此基于图像特征确定出的不同候选框的位置和尺寸不同。
在一种可能的实施方式中,当目标医学图像为三维医学图像时,该候选框即为三维候选框,其中,三维候选框的宽度即为候选框中包含的二维医学图像的数量。
针对确定候选框的确定方式,可选的,计算机设备预先训练出候选框预测网络,该候选框预测网络以特征图为输入,输出为候选框在特征图中的位置以及尺寸。候选框确定过程的实施方式会在下面实施例中进行详述。
步骤303,对候选框中的图像特征进行分类,得到候选框对应的分类结果,分类结果用于表征候选框对应的候选对象是否为目标对象。
在一种可能的实施方式中,计算机设备根据确定出的候选框的位置和尺寸,从特征图中提取ROI区域特征图,并进一步根据ROI区域特征图进行分类,从而得到候选框对应的分类结果。其中,当候选框为三维候选框时,提取到的ROI特征图也是三维特征图。
可选的,计算机设备通过全连接层对ROI区域特征图进行全连接处理后,将其输入预先训练的分类网络,得到分类网络输出的分类结果。其中,该分类网络为二分类网络,其输出的分类结果即用于指示候选框中是否包含目标对象。
步骤304,根据分类结果确定目标对象在目标医学图像中所在的位置。
可选的,当候选框对应的分类结果该候选框内包含目标对象时,计算机设备根据该候选框在特征图中所处的位置,确定出候选框在目标医学图像中所处的图像位置,从而根据该图像位置对目标医学图像进行处理,得到标注有目标对象定位框的目标医学图像。其中,目标对象位置的标注除了可以采用图像的方式外,还可以采用坐标的形式,本实施例对此不做限定。
综上所述,本申请实施例中,对目标医学图像进行特征提取得到特征图后,根据目标医学图像的图像特征从特征图中确定出不同位置和尺寸的候选对象对应的候选框,从而对候选框中的图像特征进行分类,得到指示候选框中是否包含目标对象的分类结果,最终根据分类结果确定目标医学图像中目标对象的位置;相较于相关技术中采用滑窗法生成密集且尺寸一致的候选框,基于目标医学图像的图像特征确定出位置且尺寸不同的候选框,能够降低候选框的数量,从而提高检测效率;同时,确定候选框的位置和尺寸时融合了图像特征,提高了候选框中包含目标对象的概率,有助于提高检测结果的准确度。
相关技术中,由于候选框的尺寸一致,因此在根据生成的稠密候选框提取ROI区域的图像特征时,直接从医学图像的特征图中进行提取,即不同候选框共享统一的图像特征。然而,本申请实施例中基于图像特征确定的候选框的尺寸(形状和大小)存在差异,因此不同候选框共享图像特征可能会造成分类结果的准确性较低。为了提高分类结果的准确性,本实施例中,计算机设备预测出候选框的尺寸后,进一步根据该尺寸,对特征图进行特征调整,使特征调整后的特征图中融入候选框的尺寸特征。后续过程中,计算机设备即根据特征调整后的特征图对候选框进行特征提取。下面采用示例性的实施例进行说明。
请参考图4,其示出了本申请另一个示例性实施例提供的医学图像的处理方法的流程图。本实施例以该方法用于计算机设备为例进行说明,该方法包括如下步骤。
步骤401,输入目标医学图像,对目标医学图像进行特征提取,得到特征图,特征图用于表征目标医学图像的图像特征。
本步骤的实施方式可以参考上述步骤301,本实施例在此不再赘述。
示意性的,如图5所示,目标医学图像501为三维肺部CT图像为例,计算机设备将目标医学图像501输入特征提取网络502,得到特征提取网络502输出的特征图503。其中,该特征提取网络502由卷积层、批标准化(Batch Normalization,BN)+激活函数(RectifiedLinear Unit,ReLU)层以及池化层构成,且特征提取网络502输出的特征图503为三维特征图。
得到特征图后,计算机设备基于特征图并行进行候选框位置以及候选框尺寸预测,从而根据候选框位置和候选框尺寸确定出至少一个候选框。其中,预测候选框位置的过程如步骤402,预测候选框尺寸的过程如步骤403。
步骤402,根据目标医学图像的图像特征,从特征图中确定出至少一个预测位置,其中,以预测位置作为候选框中心点的概率高于以特征图上其它位置作为候选框中心点的概率。
由于医学图像中器官结节的分布稀疏,因此最终确定出的候选框的分布也较为稀疏,相应的,候选框位置预测的目的即预测出特征图中哪些位置应当作为候选框的中心点,以此生成候选框,哪些位置不应当作为候选框的中心点,以此降低生成的候选框的数量。
在一种可能的实施方式中,计算机设备通过机器学习算法,确定出特征图中各个特征位置对应预测概率,该预测概率即以该特征位置为候选框中心点概率,进而根据预测概率确定出至少一个预测位置,该预测位置作为候选框中心点的概率高于特征图上其它位置作为候选框中心点的概率。
可选的,本步骤可以包括如下子步骤。
一、将特征图输入位置预测网络,得到位置预测网络输出的概率预测图,概率预测图用于表征特征图上各个特征位置作为候选框中心点的概率,概率预测图的尺寸与特征图的尺寸相同。
在一种可能的实施方式中,计算机设备中存储有预先训练的位置预测网络,该位置预测网络以特征图为输入,输出与特征图尺寸一致的概率预测图,该概率预测图中包含的各个概率即为特征图中对应特征位置作为候选框中心点的概率。
示意性的,如图5所示,位置预测网络由一个1×1×1的卷积504和激活函数构成。计算机设备通过卷积504对特征图503进行卷积处理后,进一步通过激活函数505对卷积结果进行激活处理。如图6所示,经过卷积和激活处理后,计算机设备得到与特征图503尺寸一致的概率预测图601,其中,概率预测图601中,颜色越深位置对应的概率越高。
关于位置预测网络的训练方式,在一种可能的实施方式中,位置预测网络根据样本特征图训练得到,其中,样本特征图中标注有正样本区域和负样本区域,正样本区域为标定候选框的中心区域,负样本区域是正样本区域以外的区域。
可选的,在训练位置预测网络前,首先通过人工标注的方式,将样本特征图中标定候选框(包含样本目标对象)对应中心点周侧预定大小的区域确定为正样本区域(对应的概率为1),并基于正样本区域确定负样本区域(对应的概率为0),进而对正负样本区域进行标注。之后,计算机设备将样本特征图输入待训练的位置预测网络,得到位置预测网络输出的样本概率预测图(包含各个特征位置作为候选框中心点的概率),从而以正样本区域和负样本区域为监督,对位置预测网络进行训练,直至位置预测网络的损失符合收敛条件时完成网络训练。
二、对概率预测图进行阈值过滤,确定特征图中的预测位置,预测位置作为候选框中心点的概率高于概率阈值。
进一步的,计算机设备根据概率阈值,对概率预测图进行阈值过滤,过滤概率预测图中概率低于概率阈值的点,并根据过滤后中概率预测图中保留的点,确定特征图中的预测位置。由于概率预测图的尺寸与特征图的尺寸一致,因此计算机设备将概率预测图中保留点在特征图中的映射位置,确定为候选框中心点的预测位置。
示意性的,如图6所示,计算机设备根据概率阈值0.8对概率预测图601进行阈值过滤,从而得到位置预测结果602,该位置预测结果602中的白色区域即为特征图中候选框中心的预测位置。
通过上述方式确定出候选框的预测位置,在保证较高召回率的同时,能够降低后续生成的候选框的数量,有助于提高后续检测时的运算量,进而提高检测效率。
步骤403,根据目标医学图像的图像特征,确定特征图中至少一个特征位置对应的预测尺寸,预测尺寸是指以特征位置为候选框中心点所构建候选框的尺寸。
由于医学图像中器官结节的尺寸差异较大,因此最终确定出的候选框的尺寸也存在较大差异,相应的,候选框尺寸预测的目的即预测出特征图中各个特征位置作为候选框中心点时,候选框的最佳尺寸。
在一种可能的实施方式中,计算机设备将特征图输入尺寸预测网络,得到尺寸预测网络输出的各个特征位置对应的预测尺寸。其中,当目标医学图像为三维医学图像时,该预测尺寸为三维尺寸(包括长、宽、高)。
在一种可能的实施方式中,最佳尺寸的候选框的定义为:与邻近金标准定位框产生最大交并比(Intersection over Union,IoU)的候选框,其中,邻近金标准定位框为预先标定位置和尺寸的定位框(包含器官结节),且邻近金标准定位框的中心点与最佳尺寸的候选框的中心点邻近。
由于在训练尺寸预测网络的过程中,由于无法直接计算候选框的最优尺寸,而计算IoU又是一种可导操作,因此在训练尺寸预测网络的过程中,计算机设备根据样本特征图训练尺寸预测网络的过程中,通过回归得到回归候选框后,确定回归候选框对应的邻近标定候选框,从而计算回归候选框与邻近标定候选框之间的IoU,进而以IoU为监督(最大化IoU)对尺寸预测网络进行训练,学习候选框的最佳尺寸。
示意性的,如图5所示,尺寸预测网络包括一个1×1×1的卷积505。计算机设备通过卷积505对特征图503进行卷积处理后,得到特征图上各个特征位置对应的预测尺寸。
在其他可能的实施方式中,在预测至少一个特征位置对应的预测尺寸时,为了降低运算量,计算机设备可以根据位置预测结果选取至少一个特征位置,并确定选取出的特征位置对应的预测尺寸。
步骤404,根据预测位置和预测尺寸,确定至少一个候选对象对应的候选框,其中,候选框以预测位置为中心,且采用预测位置对应的预测尺寸。
确定出候选框的预测位置和预测尺寸后,计算机设备即以预测位置为候选框中心,以该预测位置对应候选框的预测尺寸构建候选框。
示意性的,如图5所示,计算机设备根据形状预测分支和位置预测分支的输出结果,确定出至少一个候选框506。
相较于生成尺寸一致的稠密候选框,采用本申请实施例提供方法确定出的候选框的数量大幅减少,且候选框的尺寸与实际器官结节的尺寸的匹配度更高,有助于提高后续基于候选框进行分类的准确度。
步骤405,根据预测尺寸,对特征图进行特征调整,得到特征调整图,其中,特征调整图中特征位置处的图像特征与特征位置对应的预测尺寸相匹配。
通过上述步骤,计算机设备可以生成稀疏且尺寸不一的候选框。对于不同尺寸候选框,其对应的感受野也不同,尺寸较小的候选框对应较小的感受野,竖向的候选框对应竖向的感受野,而横向的候选框对应横向的感受野,因此计算机设备并非利用候选框直接从特征图中提取ROI区域,而是需要基于候选框的尺寸,对特征图进行特征调整。
本申请实施例中,计算机设备采用可变形卷积的思想,根据候选框的预测尺寸,对各个位置的特征图进行单独调整,从而将候选框的尺寸特征融入到特征图中,使得调整后特征图包含的图像特征能够适应各个位置候选框的尺寸,即使调整后特征图的有效范围与候选框的尺寸更加接近。
在一种可能的实施方式中,本步骤可以包括如下子步骤。
一、根据预测尺寸确定特征图的特征偏置,特征偏置用于指示特征图中各个特征位置处图像特征的偏置情况。
相关技术中,在候选框(i,j,k)位置的特征提取过程可以表示为如下公式:
其中,bin(i,j,k)是以(i,j,k)为中心构建的特征立方体,边长为定值,Nbin为特征立方体中包含的特征个数(比如,特征立方体的边长为3时,特征个数则为9),x(p)表示特征点p处的特征提取过程。
显然,相关技术中,特征提取和候选框的尺寸无关(都是固定的尺寸),金鱼候选框的位置相关。
而本申请实施例中,为了将候选框的尺寸融入特征图中,如图5和7所示所示,计算机设备在进行候选框尺寸预测之后,进一步通过1×1×1的卷积507,对尺寸预测结果进行卷积处理,得到特征图对应的特征偏置,该特征偏置指示特征图中各个特征位置处图像特征的(方向)偏置情况,后续进行特征调整时,即根据该特征偏置,将特征位置处的图像特征融合至特征偏置所指示的方向。
二、根据特征图和特征偏置计算得到特征调整图。
可选的,计算机设备特征偏置对特征图中的特征进行偏置运算,从而得到特征调整图,其中,特征调整图与特征图的尺寸一致。
本申请实施例提供的特征调整方式中,根据候选框的尺寸对特征图进行调整,形成特征调整图,其中,生成特征调整图的过程可以表示为如下公式。
其中,offset(i,j,k)为特征立方体bin(i,j,k)对应的特征偏置。在一个示意性的例子中,若特征立方体的边长为3,bin(i,j,k)的大小为3×3×3,而offset(i,j,k)的大小则为3×3×3×3。
如图5所示,计算机设备利用特征偏置508对特征图503进行调整,得到特征调整图509。
示意性的,如图7所示,对于特征图503中部的特征位置503a,经过特征偏置处理后,特征位置移动至特征位置503a周侧的特征位置503b处,使得特征感受野与候选框的尺寸相匹配。
步骤406,根据候选框对应的预测位置和预测尺寸,从特征调整图中提取图像特征。
通过上述步骤确定候选框并进行特征调整后,计算机设备根据各个候选框对应的预测位置和预测尺寸,从特征调整图中提取各个候选框(即ROI区域)各自对应的图像特征。示意性的,如图5所示,计算机设备从特征调整图509中提取出ROI区域特征图510。
在一种可能的实施方式中,为了提高后续分类速率并提高准确性,根据候选框进行图像特征提取后,计算机设备还需要对提取到的图像特征进行池化处理。其中,池化处理可以采用最大池化(max pooling)。
步骤407,对提取到的图像特征输入分类网络,得到分类网络输出的分类结果。
对于提取到的图像特征,计算机设备将图像特征输入预训练的分类网络,得到分类网络输出的分类结果,其中,该分类网络可以采用二分类分类器,比如softmax分类器。
示意性的,如图5所示,计算机设备首先通过全连接网络(包括全连接层和BN+ReLU层)对提取到的图像特征进行全连接处理,然后利用分类分支的全连接层和激活函数511输出分类结果512。
可选的,由于上述步骤中确定出的预测位置和预测尺寸均是对于特征图而言,因此在进行分类的同时,计算机设备还可以通过回归分支进行候选框回归,确定特征图中候选框映射在目标医学图像中的位置,本申请实施例对候选框的回归过程不再赘述。
示意性的,如图5所示,计算机设备利用回归分支的全连接层对全连接网络的输出结果进行回归,从而得到候选框回归结果513。
步骤408,根据分类结果确定目标对象在目标医学图像中所在的位置。
本步骤的实施方式可以参考上述步骤304,本实施例在此不再赘述。
本实施例中,计算机设备基于特征图,利用位置预测网络预测候选框中心点位置,并利用尺寸预测网络预测各个特征位置出候选框的最佳尺寸,从而根据预测位置和预测尺寸确定出至少一个候选框,在降低候选框数量的同时,提高了候选框与目标对象尺寸的匹配度,进而提高了后续分类结果的准确度。
此外,计算机设备根据尺寸预测网络的尺寸预测结果,确定出特征图对应特征偏置,从而利用特征偏置对特征图进行处理,将候选框的尺寸特征融入到特征图中,得到特征调整图,进而基于特征调整图进行后续ROI区域提取,有助于提高后续分类结果的准确度。
图8是本申请一个示例性实施例提供的医学图像的处理装置的结构框图,该装置可以设置于上述实施例所述的计算机设备,如图8所示,该装置包括:
特征提取模块801,用于输入目标医学图像,对所述目标医学图像进行特征提取,得到特征图,所述特征图用于表征所述目标医学图像的图像特征;
候选框确定模块802,用于根据所述目标医学图像的图像特征,从所述特征图中确定出至少一个候选对象对应的候选框,所述候选对象是疑似为目标对象的对象,所述候选框表示所述候选对象对应图像特征在所述特征图中所占的区域,其中,不同候选框对应不同位置和尺寸,且所述候选框的位置和尺寸与所述候选对象的位置和尺寸匹配;
分类模块803,用于对所述候选框中的图像特征进行分类,得到所述候选框对应的分类结果,所述分类结果用于表征所述候选框对应的所述候选对象是否为所述目标对象;
位置确定模块804,用于根据所述分类结果确定所述目标对象在所述目标医学图像中所在的位置。
可选的,所述候选框确定模块802,包括:
位置确定单元,用于根据所述目标医学图像的图像特征,从所述特征图中确定出至少一个预测位置,其中,以所述预测位置作为候选框中心点的概率高于以所述特征图上其它位置作为候选框中心点的概率;
尺寸确定单元,用于根据所述目标医学图像的图像特征,确定所述特征图中至少一个特征位置对应的预测尺寸,所述预测尺寸是指以所述特征位置为候选框中心点所构建候选框的尺寸;
候选框确定单元,用于根据所述预测位置和所述预测尺寸,确定至少一个所述候选对象对应的所述候选框,其中,所述候选框以所述预测位置为中心,且采用所述预测位置对应的所述预测尺寸。
可选的,所述位置确定单元,用于:
将所述特征图输入位置预测网络,得到所述位置预测网络输出的概率预测图,所述概率预测图用于表征所述特征图上各个特征位置作为候选框中心点的概率,所述概率预测图的尺寸与所述特征图的尺寸相同;
对所述概率预测图进行阈值过滤,确定所述特征图中的所述预测位置,所述预测位置作为候选框中心点的概率高于概率阈值。
可选的,所述位置预测网络根据样本特征图训练得到,所述样本特征图中标注有正样本区域和负样本区域,所述正样本区域为标定候选框的中心区域,所述负样本区域是所述正样本区域以外的区域,所述标定候选框中包含样本目标对象。
可选的,所述尺寸预测单元,用于:
将所述特征图输入尺寸预测网络,得到所述尺寸预测网络输出的各个特征位置对应的所述预测尺寸。
可选的,所述尺寸预测网络以回归候选框与标定候选框之间的交并比IoU为监督训练得到,所述回归候选框是训练所述尺寸预测网络过程中回归得到的候选框。
可选的,所述装置还包括:
特征调整模块,用于根据所述预测尺寸,对所述特征图进行特征调整,得到特征调整图,其中,所述特征调整图中特征位置处的图像特征与所述特征位置对应的所述预测尺寸相匹配;
所述分类模块803,包括:
提取单元,用于根据所述候选框对应的所述预测位置和所述预测尺寸,从所述特征调整图中提取图像特征;
分类单元,用于对提取到的图像特征输入分类网络,得到所述分类网络输出的所述分类结果。
可选的,所述特征调整模块,包括:
偏置确定单元,用于根据所述预测尺寸确定所述特征图的特征偏置,所述特征偏置用于指示所述特征图中各个特征位置处图像特征的偏置情况;
调整模块,用于根据所述特征图和所述特征偏置计算得到所述特征调整图。
可选的,所述目标医学图像为CT图像,所述目标对象为器官结节。
综上所述,本申请实施例中,对目标医学图像进行特征提取得到特征图后,根据目标医学图像的图像特征从特征图中确定出不同位置和尺寸的候选对象对应的候选框,从而对候选框中的图像特征进行分类,得到指示候选框中是否包含目标对象的分类结果,最终根据分类结果确定目标医学图像中目标对象的位置;相较于相关技术中采用滑窗法生成密集且尺寸一致的候选框,基于目标医学图像的图像特征确定出位置且尺寸不同的候选框,能够降低候选框的数量,从而提高检测效率;同时,确定候选框的位置和尺寸时融合了图像特征,提高了候选框中包含目标对象的概率,有助于提高检测结果的准确度。
本实施例中,计算机设备基于特征图,利用位置预测网络预测候选框中心点位置,并利用尺寸预测网络预测各个特征位置出候选框的最佳尺寸,从而根据预测位置和预测尺寸确定出至少一个候选框,在降低候选框数量的同时,提高了候选框与目标对象尺寸的匹配度,进而提高了后续分类结果的准确度。
此外,计算机设备根据尺寸预测网络的尺寸预测结果,确定出特征图对应特征偏置,从而利用特征偏置对特征图进行处理,将候选框的尺寸特征融入到特征图中,得到特征调整图,进而基于特征调整图进行后续ROI区域提取,有助于提高后续分类结果的准确度。
需要说明的是:上述实施例提供的医学图像的处理装置,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的医学图像的处理装置与医学图像的处理方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
请参考图9,其示出了本申请一个示例性实施例提供的计算机设备的结构示意图。具体来讲:所述计算机设备900包括中央处理单元(Central Processing Unit,CPU)901、包括随机存取存储器902和只读存储器903的系统存储器904,以及连接系统存储器904和中央处理单元901的系统总线905。所述计算机设备900还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(Input/Output,I/O系统)906,和用于存储操作系统913、应用程序914和其他程序模块915的大容量存储设备907。
所述基本输入/输出系统906包括有用于显示信息的显示器908和用于用户输入信息的诸如鼠标、键盘之类的输入设备909。其中所述显示器908和输入设备909都通过连接到系统总线905的输入输出控制器910连接到中央处理单元901。所述基本输入/输出系统906还可以包括输入输出控制器910以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器910还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备907通过连接到系统总线905的大容量存储控制器(未示出)连接到中央处理单元901。所述大容量存储设备907及其相关联的计算机可读介质为计算机设备900提供非易失性存储。也就是说,所述大容量存储设备907可以包括诸如硬盘或者驱动器之类的计算机可读介质(未示出)。
不失一般性,所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括随机存取记忆体(RAM,Random Access Memory)、只读存储器(ROM,Read Only Memory)、闪存或其他固态存储其技术,只读光盘(Compact Disc Read-Only Memory,CD-ROM)、数字通用光盘(Digital Versatile Disc,DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器904和大容量存储设备907可以统称为存储器。
存储器存储有一个或多个程序,一个或多个程序被配置成由一个或多个中央处理单元901执行,一个或多个程序包含用于实现上述方法的指令,中央处理单元901执行该一个或多个程序实现上述各个方法实施例提供的方法。
根据本申请的各种实施例,所述计算机设备900还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备900可以通过连接在所述系统总线905上的网络接口单元911连接到网络912,或者说,也可以使用网络接口单元911来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括一个或者一个以上的程序,所述一个或者一个以上程序存储于存储器中,所述一个或者一个以上程序包含用于进行本申请实施例提供的方法中由计算机设备所执行的步骤。
本申请实施例还提供一种计算机可读存储介质,该可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述任一实施例所述的医学图像的处理方法。
本申请还提供了一种计算机程序产品,当计算机程序产品在计算机上运行时,使得计算机执行上述各个方法实施例提供的医学图像的处理方法。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质;也可以是单独存在,未装配入终端中的计算机可读存储介质。该计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述任一方法实施例所述的医学图像的处理方法。
可选地,该计算机可读存储介质可以包括:ROM、RAM、固态硬盘(SSD,Solid StateDrives)或光盘等。其中,RAM可以包括电阻式随机存取记忆体(ReRAM,Resistance RandomAccess Memory)和动态随机存取存储器(DRAM,Dynamic Random Access Memory)。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的可选的实施例,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、改进等,均应包含在本申请的保护范围之内。
Claims (12)
1.一种医学图像的处理方法,其特征在于,所述方法包括:
输入目标医学图像,对所述目标医学图像进行特征提取,得到特征图,所述特征图用于表征所述目标医学图像的图像特征;
根据所述目标医学图像的图像特征,从所述特征图中确定出至少一个候选对象对应的候选框,所述候选对象是疑似为目标对象的对象,所述候选框表示所述候选对象对应图像特征在所述特征图中所占的区域,其中,不同候选框对应不同位置和尺寸,且所述候选框的位置和尺寸与所述候选对象的位置和尺寸匹配;
对所述候选框中的图像特征进行分类,得到所述候选框对应的分类结果,所述分类结果用于表征所述候选框对应的所述候选对象是否为所述目标对象;
根据所述分类结果确定所述目标对象在所述目标医学图像中所在的位置。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标医学图像的图像特征,从所述特征图中确定出至少一个候选对象对应候选框,包括:
根据所述目标医学图像的图像特征,从所述特征图中确定出至少一个预测位置,其中,以所述预测位置作为候选框中心点的概率高于以所述特征图上其它位置作为候选框中心点的概率;
根据所述目标医学图像的图像特征,确定所述特征图中至少一个特征位置对应的预测尺寸,所述预测尺寸是指以所述特征位置为候选框中心点所构建候选框的尺寸;
根据所述预测位置和所述预测尺寸,确定至少一个所述候选对象对应的所述候选框,其中,所述候选框以所述预测位置为中心,且采用所述预测位置对应的所述预测尺寸。
3.根据权利要求2所述的方法,其特征在于,所述根据所述目标医学图像的图像特征,从所述特征图中确定出至少一个预测位置,包括:
将所述特征图输入位置预测网络,得到所述位置预测网络输出的概率预测图,所述概率预测图用于表征所述特征图上各个特征位置作为候选框中心点的概率,所述概率预测图的尺寸与所述特征图的尺寸相同;
对所述概率预测图进行阈值过滤,确定所述特征图中的所述预测位置,所述预测位置作为候选框中心点的概率高于概率阈值。
4.根据权利要求3所述的方法,其特征在于,所述位置预测网络根据样本特征图训练得到,所述样本特征图中标注有正样本区域和负样本区域,所述正样本区域为标定候选框的中心区域,所述负样本区域是所述正样本区域以外的区域,所述标定候选框中包含样本目标对象。
5.根据权利要求2所述的方法,其特征在于,所述根据所述目标医学图像的图像特征,确定所述特征图中特征位置对应的预测尺寸,包括:
将所述特征图输入尺寸预测网络,得到所述尺寸预测网络输出的各个特征位置对应的所述预测尺寸。
6.根据权利要求5所述的方法,其特征在于,所述尺寸预测网络以回归候选框与标定候选框之间的交并比为监督训练得到,所述回归候选框是训练所述尺寸预测网络过程中回归得到的候选框。
7.根据权利要求2至6任一所述的方法,其特征在于,所述根据所述目标医学图像的图像特征,确定所述特征图中特征位置对应的预测尺寸之后,所述方法还包括:
根据所述预测尺寸,对所述特征图进行特征调整,得到特征调整图,其中,所述特征调整图中特征位置处的图像特征与所述特征位置对应的所述预测尺寸相匹配;
所述对所述候选框中的图像特征进行分类,得到所述候选框对应的分类结果,包括:
根据所述候选框对应的所述预测位置和所述预测尺寸,从所述特征调整图中提取图像特征;
对提取到的图像特征输入分类网络,得到所述分类网络输出的所述分类结果。
8.根据权利要求7所述的方法,其特征在于,所述根据所述预测尺寸,对所述特征图进行特征调整,得到特征调整图,包括:
根据所述预测尺寸确定所述特征图的特征偏置,所述特征偏置用于指示所述特征图中各个特征位置处图像特征的偏置情况;
根据所述特征图和所述特征偏置计算得到所述特征调整图。
9.根据权利要求1至6任一所述的方法,其特征在于,所述目标医学图像为计算机断层扫描CT图像,所述目标对象为器官结节。
10.一种医学图像的处理装置,其特征在于,所述装置包括:
特征提取模块,用于输入目标医学图像,对所述目标医学图像进行特征提取,得到特征图,所述特征图用于表征所述目标医学图像的图像特征;
候选框确定模块,用于根据所述目标医学图像的图像特征,从所述特征图中确定出至少一个候选对象对应的候选框,所述候选对象是疑似为目标对象的对象,所述候选框表示所述候选对象对应图像特征在所述特征图中所占的区域,其中,不同候选框对应不同位置和尺寸,且所述候选框的位置和尺寸与所述候选对象的位置和尺寸匹配;
分类模块,用于对所述候选框中的图像特征进行分类,得到所述候选框对应的分类结果,所述分类结果用于表征所述候选框对应的所述候选对象是否为所述目标对象;
位置确定模块,用于根据所述分类结果确定所述目标对象在所述目标医学图像中所在的位置。
11.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至9任一所述的医学图像的处理方法。
12.一种计算机可读存储介质,其特征在于,所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至9任一所述的医学图像的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087736.2A CN111275699A (zh) | 2020-02-11 | 2020-02-11 | 医学图像的处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087736.2A CN111275699A (zh) | 2020-02-11 | 2020-02-11 | 医学图像的处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111275699A true CN111275699A (zh) | 2020-06-12 |
Family
ID=71000196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010087736.2A Pending CN111275699A (zh) | 2020-02-11 | 2020-02-11 | 医学图像的处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275699A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112530554A (zh) * | 2020-12-17 | 2021-03-19 | 上海联影医疗科技股份有限公司 | 一种扫描定位方法、装置、存储介质及电子设备 |
CN113554619A (zh) * | 2021-07-22 | 2021-10-26 | 深圳市永吉星光电有限公司 | 3d医用微型摄像头的图像目标检测方法、系统及装置 |
CN115439423A (zh) * | 2022-08-22 | 2022-12-06 | 北京医准智能科技有限公司 | 一种基于ct图像的识别方法、装置、设备及存储介质 |
-
2020
- 2020-02-11 CN CN202010087736.2A patent/CN111275699A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112530554A (zh) * | 2020-12-17 | 2021-03-19 | 上海联影医疗科技股份有限公司 | 一种扫描定位方法、装置、存储介质及电子设备 |
CN112530554B (zh) * | 2020-12-17 | 2023-08-18 | 上海联影医疗科技股份有限公司 | 一种扫描定位方法、装置、存储介质及电子设备 |
CN113554619A (zh) * | 2021-07-22 | 2021-10-26 | 深圳市永吉星光电有限公司 | 3d医用微型摄像头的图像目标检测方法、系统及装置 |
CN115439423A (zh) * | 2022-08-22 | 2022-12-06 | 北京医准智能科技有限公司 | 一种基于ct图像的识别方法、装置、设备及存储介质 |
CN115439423B (zh) * | 2022-08-22 | 2023-09-12 | 北京医准智能科技有限公司 | 一种基于ct图像的识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148142B (zh) | 图像分割模型的训练方法、装置、设备和存储介质 | |
CN111369576B (zh) | 图像分割模型的训练方法、图像分割方法、装置及设备 | |
US11593943B2 (en) | RECIST assessment of tumour progression | |
JP7297081B2 (ja) | 画像分類方法、画像分類装置、医療用電子機器、画像分類機器、及びコンピュータプログラム | |
Sainju et al. | Automated bleeding detection in capsule endoscopy videos using statistical features and region growing | |
US20170076448A1 (en) | Identification of inflammation in tissue images | |
CN111275699A (zh) | 医学图像的处理方法、装置、设备及存储介质 | |
CN111709485B (zh) | 医学影像处理方法、装置和计算机设备 | |
US10706534B2 (en) | Method and apparatus for classifying a data point in imaging data | |
CN110097921B (zh) | 基于影像组学的胶质瘤内基因异质性可视化定量方法和系统 | |
CN112614133B (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
US11544851B2 (en) | Systems and methods for mesothelioma feature detection and enhanced prognosis or response to treatment | |
US11684333B2 (en) | Medical image analyzing system and method thereof | |
Ma et al. | A new classifier fusion method based on historical and on-line classification reliability for recognizing common CT imaging signs of lung diseases | |
US20230112591A1 (en) | Machine learning based medical data checker | |
WO2020232374A1 (en) | Automated anatomic and regional location of disease features in colonoscopy videos | |
CN112862756A (zh) | 识别甲状腺肿瘤病理图像中病变类型及基因突变的方法 | |
WO2023014789A1 (en) | System and method for pathology image analysis using a trained neural network and active learning framework | |
CN110533120B (zh) | 器官结节的图像分类方法、装置、终端及存储介质 | |
Tian et al. | Radiomics and its clinical application: artificial intelligence and medical big data | |
CN113724185B (zh) | 用于图像分类的模型处理方法、装置及存储介质 | |
CN113822846A (zh) | 医学图像中确定感兴趣区域的方法、装置、设备及介质 | |
CN115631387B (zh) | 基于图卷积神经网络的肺癌病理高危因素预测方法和装置 | |
CN114271763A (zh) | 一种基于Mask RCNN的胃癌早期识别方法、系统、装置 | |
CN113192085A (zh) | 三维器官图像分割方法、装置及计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40024756 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |