CN111325758A - 肺部图像分割方法及装置、图像分割模型的训练方法 - Google Patents

肺部图像分割方法及装置、图像分割模型的训练方法 Download PDF

Info

Publication number
CN111325758A
CN111325758A CN202010105967.1A CN202010105967A CN111325758A CN 111325758 A CN111325758 A CN 111325758A CN 202010105967 A CN202010105967 A CN 202010105967A CN 111325758 A CN111325758 A CN 111325758A
Authority
CN
China
Prior art keywords
image data
training
image
segmentation model
segmentation
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
Application number
CN202010105967.1A
Other languages
English (en)
Inventor
王慧芳
王瑜
班允峰
邹彤
赵朝炜
李新阳
王少康
陈宽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Infervision Technology Co Ltd
Infervision Co Ltd
Original Assignee
Infervision Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Infervision Co Ltd filed Critical Infervision Co Ltd
Priority to CN202010105967.1A priority Critical patent/CN111325758A/zh
Publication of CN111325758A publication Critical patent/CN111325758A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray 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
    • G06T2207/20—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

Abstract

本发明提供了一种肺部图像分割方法及装置、图像分割模型的训练方法，该肺部图像分割方法包括：将肺部图像数据输入图像分割模型，获得分割后的第一图像数据；基于全连接条件随机场模型对第一图像数据进行后处理，获得第二图像数据；基于第二图像数据获得肺野分割图像。本发明的技术方案能够获得边界连续且清晰的肺野分割图像。

Description

肺部图像分割方法及装置、图像分割模型的训练方法
技术领域
本发明涉及医学图像分割技术领域，具体涉及一种肺部图像分割方法及装置、图像分割模型的训练方法。
背景技术
医疗影像设备可以将人体内部的结构重现为影像，清晰的医学影像可以帮助医生对病人疾病的诊断。例如，利用医学影像设备可以帮助医生对患者骨骼、肺部、乳腺等部分是否患有病灶进行诊断。为了提高诊断的准确性，可以利用图像分割技术对医学图像进行分割，现有的图像分割技术对含有大面积病灶的医学图像的分割效果差，不利于疾病的诊断。
发明内容
有鉴于此，本发明实施例提供了一种肺部图像分割方法及装置、图像分割模型的训练方法，能够获得边界连续且清晰的肺野分割图像。
第一方面，本发明的实施例提供了一种肺部图像分割方法，包括：将肺部图像数据输入图像分割模型，获得分割后的第一图像数据；基于全连接条件随机场模型对第一图像数据进行后处理，获得第二图像数据；基于第二图像数据获得肺野分割图像。
在本发明某些实施例中，第一方面的肺部图像分割方法还包括：对原始肺部影像数据进行预处理，获得肺部图像数据。
在本发明某些实施例中，对原始肺部影像数据进行预处理，获得肺部图像数据，包括：对原始肺部影像数据进行加窗处理，获得加窗后的图像数据；基于加窗后的图像数据获得肺部图像数据。
在本发明某些实施例中，基于加窗后的图像数据获得肺部图像数据，包括：对加窗后的图像数据进行去噪处理和/或图像增强处理，获得肺部图像数据。
在本发明某些实施例中，第一方面的肺部图像分割方法还包括：利用第一训练图像数据训练深度学习网络模型，获得第一分割模型；将第一测试图像数据输入第一分割模型，获得分割后的第一测试结果数据；获取第二训练图像数据，第二训练图像数据是通过对第一测试结果数据进行人工修复得到的；利用第一训练图像数据和第二训练图像数据训练深度学习网络模型，获得第二分割模型；基于第二分割模型确定图像分割模型。
在本发明某些实施例中，基于第二分割模型确定图像分割模型，包括：a)将第n-1测试图像数据输入第n-1分割模型，获得分割后的第n-1测试结果数据，其中，当n＝3时，第n-1分割模型为第二分割模型；b)获取第n训练图像数据，第n训练图像数据是通过对第n-1测试结果数据进行人工修复得到的；c)利用第一训练图像数据至第n训练图像数据训练深度学习网络模型，获得第n分割模型；利用测试图像数据迭代执行步骤a)、步骤b)、步骤c)，以获得第N分割模型，其中，n为大于或等于3且小于或等于N的整数；基于第N分割模型确定图像分割模型。
在本发明某些实施例中，图像分割模型包括U-net网络模型。
第二方面，本发明的实施例提供了一种图像分割模型的训练方法，包括：利用第一训练图像数据训练深度学习网络模型，获得第一分割模型；将第一测试图像数据输入第一分割模型，获得分割后的第一测试结果数据；获取第二训练图像数据，第二训练图像数据是通过对第一测试结果数据进行人工修复得到的；利用第一训练图像数据和第二训练图像数据训练深度学习网络模型，获得第二分割模型；基于第二分割模型确定图像分割模型。
在本发明某些实施例中，基于第二分割模型确定图像分割模型，包括：a)将第n-1测试图像数据输入第n-1分割模型，获得分割后的第n-1测试结果数据，其中，当n＝3时，第n-1分割模型为第二分割模型；b)获取第n训练图像数据，第n训练图像数据是通过对第n-1测试结果数据进行人工修复得到的；c)利用第一训练图像数据至第n训练图像数据训练深度学习网络模型，获得第n分割模型；利用测试图像数据迭代执行步骤a)、步骤b)、步骤c)，以获得第N分割模型，其中，n为大于或等于3且小于或等于N的整数；基于第N分割模型确定图像分割模型。
在本发明某些实施例中，深度学习网络模型包括U-net网络模型。
在本发明某些实施例中，图像分割模型用于肺部图像分割，其中，第一训练图像数据和第二训练图像数据为肺部医学图像数据。
第三方面，本发明的实施例提供了一种肺部图像分割装置，包括：第一获取模块，用于将肺部图像数据输入图像分割模型，获得分割后的第一图像数据；第二获取模块，用于基于全连接条件随机场模型对第一图像数据进行后处理，获得第二图像数据；第三获取模块，用于基于第二图像数据获得肺野分割图像。
第四方面，本发明的实施例提供了一种计算可读存储介质，存储介质存储有计算机程序，计算机程序用于执行上述第一方面所述的肺部图像分割方法或者用于执行上述第二方面所述的图像分割模型的训练方法。
第五方面，本发明的实施例提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器，其中，处理器用于执行上述第一方面所述的肺部图像分割方法或者用于执行上述第二方面所述的图像分割模型的训练方法。
本发明实施例提供了一种肺部图像分割方法及装置、图像分割模型的训练方法，通过利用图像分割模型对肺部图像数据进行处理获得第一图像数据，并结合全连接条件随机场模型对第一图像数据进行后处理获得第二图像数据，从而可以获得边界连续且清晰的肺野分割图像。
附图说明
图1是本发明一示例性实施例提供的肺部图像分割方法的流程示意图。
图2是本发明另一示例性实施例提供的肺部图像分割方法的流程示意图。
图3是采用本发明一示例性实施例提供的肺部图像分割方法获得的肺野分割图像。
图4是本发明一示例性实施例提供的图像分割模型的训练方法的流程示意图。
图5是本发明另一示例性实施例提供的图像分割模型的训练方法的流程示意图。
图6是本发明一示例性实施例提供的图像分割模型的训练过程的示意图。
图7是本发明一示例性实施例提供的肺部图像分割装置的结构示意图。
图8是本发明一示例性实施例提供的用于肺部图像分割或训练图像分割模型的电子设备的框图。
具体实施方式
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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
肺部疾病的诊断依赖于清晰的肺部医学图像数据，而清晰的肺部医学图像数据的获取常采用图像分割技术。对于含有大面积病灶的肺部图像来说，采用现有的图像分割技术会出现分割间断且分割不连续的现象，进而影响疾病的诊断过程。
图1是本发明一示例性实施例提供的肺部图像分割方法的流程示意图。如图1所示，该方法包括如下内容。
110：将肺部图像数据输入图像分割模型，获得分割后的第一图像数据。
图像数据可以包括矩阵，矩阵可以表示图像上各个像素点的像素值。
在一实施例中，由于人体不同组织或病变的密度不同，对光线的吸收率不同，从而导致各个像素点的像素值(亮度信息)不同。例如，像素点的像素值越大，该像素点越亮；像素点的像素值越小，该像素点越暗。
在一实施例中，矩阵所包含的元素个数可以与图像上的像素点的个数相同。
具体地，肺部图像数据可以包括肺部图像矩阵，该肺部图像矩阵可以表示肺部图像上各个像素点的像素值。第一图像数据也可以包括第一图像矩阵，该第一图像矩阵可以表示第一图像上各个像素点的像素值。
图像分割模型可以是深度学习网络模型，例如可以是由反向传播神经网络、卷积神经网络、循环神经网络、深度神经网络等网络结构中的至少一个构成。该图像分割模型可以是利用多个样本数据对深度学习网络模型进行训练之后得到的。每个样本数据可以包括样本肺部图像数据以及与该样本肺部图像数据对应的样本肺野分割图像数据。即，样本肺部图像数据与样本肺部图像对应，样本肺野分割图像数据与该样本肺部图像经过分割后的图像对应。经过训练获得的图像分割模型可用于对肺部图像进行分割。
120：基于全连接条件随机场模型对第一图像数据进行后处理，获得第二图像数据。
肺部图像数据经过图像分割模型的分割后，可以获得分割后的第一图像数据。对于病灶面积较大的肺部图像，该第一图像数据对应的第一图像上可能存在分割间断和边缘不连续的现象。
采用全连接条件随机场(Full Connected/Dense Conditional Random Field)模型对第一图像数据进行后处理，可以获得第二图像数据。
全连接条件随机场模型不仅考虑到图像的形状、纹理、位置和颜色，还考虑到对比度，即考虑到每个像素与其他所有像素的关系，从而可以实现极大的细化和分割。
第二图像数据可以包括第二图像矩阵。
在一实施例中，第二图像矩阵中各个元素可以用1或0进行表示，其中1表示肺野区域，0表示非肺野区域，即，该第二图像矩阵可以看成是一个二值图像。
在另一实施例中，第一图像矩阵中各个元素也可以用0或1进行表示。第一图像上可能存在分割间断和边缘不连续的区域，与这些区域对应的元素的取值(0或1)可能不准确，通过全连接条件随机场模型对第一图像数据进行后处理，可以得到边缘连续且清晰的第二图像数据。
130：基于第二图像数据获得肺野分割图像。
基于第二图像数据可以获得与第二图像数据对应的肺野分割图像(或者说第二图像)。该肺野分割图像可以清楚地显示患者的肺部形状，可以帮助观察者对患者肺部的病灶情况进行准确的判断。
本发明实施例提供了一种肺部图像分割方法，通过利用图像分割模型对肺部图像数据进行处理获得第一图像数据，并结合全连接条件随机场模型对第一图像数据进行后处理获得第二图像数据，从而可以获得边界连续且清晰的肺野分割图像。
根据本发明一实施例，该肺部图像分割方法还包括：对原始肺部影像数据进行预处理，获得肺部图像数据。
具体地，原始肺部影像数据可以是通过计算机断层扫描摄影(ComputedTomography，CT)、计算机X线摄影(Computed Radiography，CR)、数字化X线摄影(DigitalRadiography，DR)、核磁共振或超声等技术获得的。
在一实施例中，原始肺部影像数据为胸片，是通过计算机X线摄影(ComputedRadiography，CR)、数字化X线摄影(Digital Radiography，DR)技术获得的。
对于采用不同摄影技术获得的原始肺部影像数据，可以通过预处理获得具有统一格式的肺部图像数据，便于图像分割模型进行图像分割处理。
根据本发明一实施例，对原始肺部影像数据进行预处理，获得肺部图像数据，包括：对原始肺部影像数据进行加窗处理，获得加窗后的图像数据；基于加窗后的图像数据获得肺部图像数据。
原始肺部影像数据可以是满足医学数字成像和通信(Digital Imaging andCommunications in Medicine，DICOM)标准的数据。
DICOM医学图像中包括背景区域和目标区域，该目标区域可以是人体待诊断的区域(如肺部)，为了使得目标区域的显示更为清晰，便于医生的诊断，需要调整DICOM医学图像的显示参数，如窗宽和窗位。窗宽和窗位可以是DICOM医学图像数据中提供的，也可以是通过其他模型基于DICOM医学图像数据进行确定的。
在一实施例中，DICOM医学图像的像素值范围为[0，4095]，将其转换成像素值范围为[0，255]的图像后可经显示设备显示。像素值可以表示像素点对应区域的亮度信息。例如，像素点的像素值越大，该像素点越亮。这里像素值可与灰度值呈正相关，或者灰度值可以是像素值。
窗宽用于表示窗口区域的像素值范围，医学图像上高于此范围的区域，均为白影显示，低于此范围的区域，均为黑影显示。增大窗宽，显示设备最终显示的图像中具有不同密度的组织结构增多，但是各个结构间的对比度低，难以观察到图像中的细节部分；减小窗宽，显示设备最终显示的图像中具有不同密度的组织结构减少，但是各个结构间的对比度高，可以清晰地观察图像中的细节部分。
窗位用于表示窗口区域的中心位置的像素值。在窗宽一定的情况下，窗位不同，窗口区域的具体像素值范围也不同。例如，窗宽为60，当窗位为40时，窗口区域的像素值范围为[10，70]；当窗位为50时，窗口区域的像素值范围为[20，80]。以上窗口区域的像素值范围仅是示例性的，是为了说明本申请的技术方案，实际使用时，窗口区域的像素值范围可以根据实际情况进行选取。
在一实施例中，当医学图像为CT图像时，像素点对应的人体组织CT值越大，CT图像上该像素点的颜色越趋近白色(或说该像素点越亮)；像素点对应的人体组织CT值越小，CT图像上该像素点的颜色越趋近黑色(或说该像素点越暗)。
在一实施例中，上述的像素值可以与CT值呈正相关。
基于加窗后的图像数据可获得肺部图像数据，该肺部图像数据经图像分割模型分割和全连接条件随机场模型后处理后获得的肺部图像数据，可以在显示设备上清晰地显示出肺野区域。
可选地，本申请实施例中的原始肺部影像数据也可以是满足其他标准的数据，只要通过预处理可以获得图像分割模型可处理的肺部图像数据即可。
根据本发明一实施例，基于加窗后的图像数据获得肺部图像数据，包括：对加窗后的图像数据进行去噪处理和/或图像增强处理，获得肺部图像数据。
具体地，在拍摄肺部图像的过程中，可能会引入噪声，影响图像的清楚准确的显示，例如，白噪声。在预处理过程中，可以利用高斯滤波器去除加窗后的图像数据中的白噪声。
图像增强处理可以包括大小调整、裁剪、旋转、归一化以及标准化等。在预处理过程中，可以采用其中一种或多种对图像进行增强处理，以便于后续的图像分割和后处理过程。图像增强处理可以在去噪处理之前或之后进行。
在本发明一可选实施例中，在预处理过程中，可以先对肺部图像数据进行去噪处理，然后对去噪处理后的图像数据进行加窗处理和图像增强处理。
根据本发明一实施例，该肺部图像分割方法还包括：利用第一训练图像数据训练深度学习网络模型，获得第一分割模型；将第一测试图像数据输入第一分割模型，获得分割后的第一测试结果数据；获取第二训练图像数据，第二训练图像数据是通过对第一测试结果数据进行人工修复得到的；利用第一训练图像数据和第二训练图像数据训练深度学习网络模型，获得第二分割模型；基于第二分割模型确定图像分割模型。
具体地，该肺部图像分割方法还包括图像分割模型的训练过程。利用训练好的图像分割模型可对任一肺部图像数据进行分割处理，以获得具有连续且清晰边界的肺野分割图像。
训练图像数据是样本数据，每次训练深度学习网络模型时利用的训练图像数据可以包括多个样本数据。每个样本数据可以包括样本肺部图像数据以及与该样本肺部图像数据对应的样本肺野分割图像数据。利用该样本数据训练深度学习网络模型，可以得到分割模型。
测试图像数据可以包括一个或多个测试肺部图像数据，测试肺部图像数据是未经过图像分割的图像数据，将测试肺部图像数据输入分割模型，可以获得分割后的肺野分割图像。
具体地，利用第一训练图像数据训练深度学习网络模型，可以得到第一分割模型，这可以看作是第一轮训练。将第一测试图像数据输入第一分割模型，可以得到分割后的第一测试结果数据，第一测试结果数据包括多个分割后的肺野分割图像。由于第一分割模型在训练过程中利用的第一训练图像数据所包含的样本数据的数量有限、种类有限，导致第一分割模型的精度有限，因此第一测试结果数据中的肺野分割图像可能存在不准确的地方。对第一测试结果数据进行人工修复，调整肺野分割图像中分割不准确的地方，人工修复后的第一测试结果数据可以作为第二训练图像数据。
类似地，利用第一训练图像数据和第二训练图像数据训练深度学习网络模型，可以得到第二分割模型，这可以看作是第二轮训练。通过测试和人工修复过程，可以在增加训练图像数据的同时，简化对训练图像数据进行人工标记的过程。
进一步地，基于第二分割模型确定图像分割模型，包括：a)将第n-1测试图像数据输入第n-1分割模型，获得分割后的第n-1测试结果数据，其中，当n＝3时，第n-1分割模型为第二分割模型；b)获取第n训练图像数据，第n训练图像数据是通过对第n-1测试结果数据进行人工修复得到的；c)利用第一训练图像数据至第n训练图像数据训练深度学习网络模型，获得第n分割模型；利用测试图像数据迭代执行步骤a)、步骤b)、步骤c)，以获得第N分割模型，其中，n为大于或等于3且小于或等于N的整数；基于第N分割模型确定图像分割模型。
将第二测试图像数据输入第二分割模型，可以得到分割后的第二测试结果数据。对第二测试结果数据进行人工修复，可获得第三训练图像数据。利用第一训练图像数据至第三训练图像数据训练深度学习网络模型，可以得到第三分割模型，这可以看作是第三轮训练。
以此类推，不断迭代执行训练、测试、人工修复的过程，可以获得越来越多的训练图像数据。训练深度学习网络模型时利用的训练图像数据越多，训练得到的分割模型的精确度就越高。
第N轮训练获得第N分割模型可以作为图像分割模型。N的数值可以根据实际情况进行设置，N的值越大，对应的图像分割模型的精确度就越高。可选地，也可以以第N分割模型的测试结果的准确度作为训练的截止条件，例如，当第N分割模型的测试结果的准确度大于或等于阈值(例如90％)，则以该第N分割模型为图像分割模型；当第N分割模型的测试结果的准确度小于阈值，则进行第N+1轮训练，直至分割模型的测试结果的准确度大于或等于阈值。
在本实施例中，为了提高图像分割模型对于各种肺部疾病对应的图像数据的分割准确度，在训练深度学习网络模型的过程中，可以采用多种肺部图像作为训练图像数据。不同的肺部图像可能对应不同的疾病，例如，胸水、气胸、气肿、肺炎、肿块、结核等。这样，在训练过程中，可以增加样本的多样性，提高图像分割模型的适应性。
进一步地，在测试过程中，采用分割模型对肺部图像数据进行分割时，可能会出现分割不好的情况，例如，当有肺炎时，相关肺部组织比周围组织的像素值高，肺的分割区域会绕过肺炎区域。本发明实施例通过对分割不好的测试结果数据进行人工修复，并将该测试结果数据作为新的样本数据添加至下一轮训练的训练图像数据中，在增加训练图像数据的样本种类的情况下，还可以进一步增加样本数量。
本发明实施例提供的肺部图像分割方法，通过不断重复训练、测试、人工修复过程，并将人工修复后的数据添加至下一次训练的样本数据中，可以快速地增加图像分割模型的训练集，提高模型对于病灶面积较大、难以分割的肺部图像的分割准确度。
根据本发明一实施例，训练图像数据和测试图像数据可以是经过上述预处理后的图像数据。
根据本发明一实施例，图像分割模型包括U-net网络模型。
在其他实施例中，图像分割模型包括全卷积网络(Fully ConvolutionalNetworks，FCN)、SegNet和Deeplab等网络结构中的任一种。
图2是本发明另一示例性实施例提供的肺部图像分割方法的流程示意图。图2是图1实施例的例子，相同之处不再赘述，此处着重描述不同之处。如图2所示，该方法包括如下内容。
210：对原始肺部影像数据进行加窗处理，获得加窗后的图像数据。
通过选择合适的窗宽和窗位，可以使得目标区域肺部的显示更为清晰。窗宽和窗位可以是原始肺部影像数据中提供的，也可以是通过其他模型基于原始肺部影像数据进行确定的。
220：对加窗后的图像数据进行去噪处理和/或图像增强处理，获得肺部图像数据。
通过去噪和图像增强处理，可以使得肺部图像更真实地反映肺部的情况，且便于后续图像分割和后处理过程的进行。
230：将肺部图像数据输入图像分割模型，获得分割后的第一图像数据。
具体地，图像分割模型可以是对U-net网络模型进行迭代训练后获得的，具体的迭代训练过程可以参见上述图1实施例中的描述。
240：基于全连接条件随机场模型对第一图像数据进行后处理，获得第二图像数据。
250：基于第二图像数据获得肺野分割图像。
结合图像分割模型和全连接条件随机场模型，可以对图像进行更为细致的分割，提高肺野分割图像的准确度。
图3是采用本发明一示例性实施例提供的肺部图像分割方法获得的肺野分割图像。由图3可以看出，采用本发明实施例提供的肺部图像分割方法获得的肺野分割图像，肺野边缘连续、清楚，左肺右肺清晰可见。
图4是本发明一示例性实施例提供的图像分割模型的训练方法的流程示意图。如图4所示，该训练方法包括如下内容。
410：利用第一训练图像数据训练深度学习网络模型，获得第一分割模型。
深度学习网络模型可以由反向传播神经网络、卷积神经网络、循环神经网络、深度神经网络等网络结构中的至少一个构成。该分割模型可以是利用多个样本数据对深度学习网络模型进行训练之后得到的。
在一实施例中，深度学习网络模型包括U-net网络模型。
在其他实施例中，图像分割模型包括全卷积网络(Fully ConvolutionalNetworks，FCN)、SegNet和Deeplab等网络结构中的任一种。
训练图像数据可以是医学图像数据，例如，肺部图像数据、乳腺图像数据、脑部图像数据或其他有关人体结构的图像数据。当然，本发明实施例中的训练图像数据也可以是除了医学图像数据之外，其他需要进行图像分割的图像数据。相应地，训练后获得的图像分割模型可以用于分割肺部图像、乳腺图像、脑部图像或其他有关人体结构的图像。
在一实施例中，分割模型用于肺部图像分割，训练图像数据为肺部医学图像数据。
为了描述方便，下面以肺部图像数据为例，对本发明实施例的图像分割模型的训练方法进行详细的描述。
训练图像数据是样本数据，每次训练深度学习网络模型时利用的训练图像数据可以包括多个样本数据。每个样本数据可以包括样本肺部图像数据以及与该样本肺部图像数据对应的样本肺野分割图像数据。利用该样本数据训练深度学习网络模型，可以得到分割模型。
420：将第一测试图像数据输入第一分割模型，获得分割后的第一测试结果数据。
测试图像数据与训练图像数据的种类相同，均为肺部医学图像数据。测试图像数据可以包括一个或多个测试肺部图像数据，测试肺部图像数据是未经过图像分割的图像数据，将测试肺部图像数据输入分割模型，可以获得分割后的肺野分割图像(测试结果数据)。
具体地，利用第一训练图像数据训练深度学习网络模型，可以得到第一分割模型，这可以看作是第一轮训练。将第一测试图像数据输入第一分割模型，可以得到分割后的第一测试结果数据，第一测试结果数据包括多个分割后的肺野分割图像。
430：获取第二训练图像数据，第二训练图像数据是通过对第一测试结果数据进行人工修复得到的。
由于第一分割模型在训练过程中利用的第一训练图像数据所包含的样本数据的数量有限、种类有限，导致第一分割模型的精度有限，因此第一测试结果数据中的肺野分割图像可能存在不准确的地方。对第一测试结果数据进行人工修复，调整肺野分割图像中分割不准确的地方，人工修复后的第一测试结果数据可以作为第二训练图像数据。
440：利用第一训练图像数据和第二训练图像数据训练深度学习网络模型，获得第二分割模型。
类似地，利用第一训练图像数据和第二训练图像数据训练深度学习网络模型，可以得到第二分割模型，这可以看作是第二轮训练。通过测试和人工修复过程，可以在增加训练图像数据的同时，简化对训练图像数据进行人工标记的过程。
450：基于第二分割模型确定图像分割模型。
利用训练好的图像分割模型可对任一肺部图像数据进行分割处理，以获得具有连续且清晰边界的肺野分割图像。例如，可用该图像分割模型执行上述图1和图2实施例中的肺部图像分割方法。
根据本发明一实施例，训练图像数据和测试图像数据可以是经过预处理后的图像数据。预处理可以包括加窗、去噪以及图像增强处理。
本发明实施例提供了一种图像分割模型的训练方法，通过将第一轮训练过程中分割不好的测试结果数据进行人工修复，并将人工修复后的数据添加至下一次训练的样本数据中，可以快速地增加图像分割模型的训练集，提高图像分割模型的训练效率以及图像分割模型的分割准确度。
图5是本发明另一示例性实施例提供的图像分割模型的训练方法的流程示意图。图5是图4实施例的例子，相同之处不再赘述，此处着重描述不同之处。如图5所示，图4实施例中的步骤：基于第二分割模型确定图像分割模型，进一步包括如下内容。
451：将第n-1测试图像数据输入第n-1分割模型，获得分割后的第n-1测试结果数据。
当n＝3时，第n-1分割模型为第二分割模型。
具体地，结合图4、图5和图6，利用第一训练图像数据训练深度学习网络模型，可获得第一分割模型(第一轮训练)。将第一测试图像数据输入第一分割模型，可获得分割后的第一测试结果数据。对第一测试结果数据进行人工修复，可获得第二训练图像数据。利用第一训练图像数据和第二训练图像数据训练深度学习网络模型，可获得第二分割模型(第二轮训练)。
将第二测试图像数据输入第二分割模型，可获得分割后的第二测试结果数据。
452：获取第n训练图像数据，第n训练图像数据是通过对第n-1测试结果数据进行人工修复得到的。
对第二测试结果数据进行人工修复，可获得第三训练图像数据。
453：利用第一训练图像数据至第n训练图像数据训练深度学习网络模型，获得第n分割模型。
利用第一训练图像数据至第三训练图像数据训练深度学习网络模型，可获得第三分割模型(第三轮训练)。
454：利用测试图像数据迭代执行步骤451、步骤452、步骤453，以获得第N分割模型。
n为大于或等于3且小于或等于N的整数。
利用新的测试图像数据，不断迭代执行步骤451、步骤452、步骤453，可以获得越来越多的训练图像数据。训练深度学习网络模型时利用的训练图像数据越多，训练得到的分割模型的精确度就越高。
455：基于第N分割模型确定图像分割模型。
第N轮训练获得第N分割模型可以作为图像分割模型。N的数值可以根据实际情况进行设置，N的值越大，对应的图像分割模型的精确度就越高。可选地，也可以以第N分割模型的测试结果的准确度作为训练的截止条件，例如，当第N分割模型的测试结果的准确度大于或等于阈值(例如90％)，则以该第N分割模型为图像分割模型；当第N分割模型的测试结果的准确度小于阈值，则进行第N+1轮训练，直至分割模型的测试结果的准确度大于或等于阈值。
在本实施例中，为了提高图像分割模型对于各种肺部疾病对应的图像数据的分割准确度，在训练深度学习网络模型的过程中，可以采用多种肺部图像作为训练图像数据。不同的肺部图像可能对应不同的疾病，例如，胸水、气胸、气肿、肺炎、肿块、结核等。这样，在训练过程中，可以增加样本的多样性，提高图像分割模型的适应性。
进一步地，在测试过程中，采用分割模型对肺部图像数据进行分割时，可能会出现分割不好的情况，例如，当有肺炎时，相关肺部组织比周围组织的像素值高，肺的分割区域会绕过肺炎区域。本发明实施例通过对分割不好的测试结果数据进行人工修复，并将该测试结果数据作为新的样本数据添加至下一轮训练的训练图像数据中，在增加训练图像数据的样本种类的情况下，还可以进一步增加样本数量。
本发明实施例提供的图像分割模型的训练方法，通过不断重复训练、测试、人工修复过程，并将人工修复后的数据添加至下一次训练的样本数据中，可以快速地增加图像分割模型的训练集，提高模型对于病灶面积较大、难以分割的肺部图像的分割准确度。
图7是本发明一示例性实施例提供的肺部图像分割装置700的结构示意图。如图7所示，该肺部图像分割装置700包括：第一获取模块710，第二获取模块720和第三获取模块730。
第一获取模块710用于将肺部图像数据输入图像分割模型，获得分割后的第一图像数据。第二获取模块720用于基于全连接条件随机场模型对第一图像数据进行后处理，获得第二图像数据。第三获取模块730用于基于第二图像数据获得肺野分割图像。
本发明实施例提供了一种肺部图像分割装置，通过利用图像分割模型对肺部图像数据进行处理获得第一图像数据，并结合全连接条件随机场模型对第一图像数据进行后处理获得第二图像数据，从而可以获得边界连续且清晰的肺野分割图像。
根据本发明一实施例，肺部图像分割装置700还包括第四获取模块740，用于对原始肺部影像数据进行预处理，获得肺部图像数据。
根据本发明一实施例，第四获取模块740用于：对原始肺部影像数据进行加窗处理，获得加窗后的图像数据；基于加窗后的图像数据获得肺部图像数据。
根据本发明一实施例，第四获取模块740用于对加窗后的图像数据进行去噪处理和/或图像增强处理，获得肺部图像数据。
根据本发明一实施例，肺部图像分割装置700还包括第五获取模块750，用于：利用第一训练图像数据训练深度学习网络模型，获得第一分割模型；将第一测试图像数据输入第一分割模型，获得分割后的第一测试结果数据；获取第二训练图像数据，第二训练图像数据是通过对第一测试结果数据进行人工修复得到的；利用第一训练图像数据和第二训练图像数据训练深度学习网络模型，获得第二分割模型；基于第二分割模型确定图像分割模型。
根据本发明一实施例，第五获取模块750用于：a)将第n-1测试图像数据输入第n-1分割模型，获得分割后的第n-1测试结果数据，其中，当n＝3时，第n-1分割模型为第二分割模型；b)获取第n训练图像数据，第n训练图像数据是通过对第n-1测试结果数据进行人工修复得到的；c)利用第一训练图像数据至第n训练图像数据训练深度学习网络模型，获得第n分割模型；利用测试图像数据迭代执行步骤a)、步骤b)、步骤c)，以获得第N分割模型，其中，n为大于或等于3且小于或等于N的整数；基于第N分割模型确定图像分割模型。
根据本发明一实施例，图像分割模型包括U-net网络模型。
应当理解，上述实施例中的获取模块710至750的具体工作过程和功能可以参考上述图1和图2提供的肺部图像分割方法中的描述，为了避免重复，在此不再赘述。
图8是本发明一示例性实施例提供的用于肺部图像分割或训练图像分割模型的电子设备800的框图。
参照图8，电子设备800包括处理组件810，其进一步包括一个或多个处理器，以及由存储器820所代表的存储器资源，用于存储可由处理组件810的执行的指令，例如应用程序。存储器820中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件810被配置为执行指令，以执行上述肺部图像分割方法或者执行上述图像分割模型的训练方法。
电子设备800还可以包括一个电源组件被配置为执行电子设备800的电源管理，一个有线或无线网络接口被配置为将电子设备800连接到网络，和一个输入输出(I/O)接口。可以基于存储在存储器820的操作系统操作电子设备800，例如Windows ServerTM，Mac OSXTM，UnixTM，LinuxTM，FreeBSDTM或类似。
一种非临时性计算机可读存储介质，当存储介质中的指令由上述电子设备800的处理器执行时，使得上述电子设备800能够执行一种肺部图像分割方法，包括：将肺部图像数据输入图像分割模型，获得分割后的第一图像数据；基于全连接条件随机场模型对第一图像数据进行后处理，获得第二图像数据；基于第二图像数据获得肺野分割图像。或者，当存储介质中的指令由上述电子设备800的处理器执行时，使得上述电子设备800能够执行一种图像分割模型的训练方法，包括：利用第一训练图像数据训练深度学习网络模型，获得第一分割模型；将第一测试图像数据输入第一分割模型，获得分割后的第一测试结果数据；获取第二训练图像数据，第二训练图像数据是通过对第一测试结果数据进行人工修复得到的；利用第一训练图像数据和第二训练图像数据训练深度学习网络模型，获得第二分割模型；基于第二分割模型确定图像分割模型。
上述所有可选技术方案，可采用任意结合形成本发明的可选实施例，在此不再一一赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
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校验码的介质。
需要说明的是，在本发明的描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种肺部图像分割方法，其特征在于，包括：
将肺部图像数据输入图像分割模型，获得分割后的第一图像数据；
基于全连接条件随机场模型对所述第一图像数据进行后处理，获得第二图像数据；
基于所述第二图像数据获得肺野分割图像。
2.根据权利要求1所述的方法，其特征在于，还包括：
对原始肺部影像数据进行预处理，获得所述肺部图像数据。
3.根据权利要求2所述的方法，其特征在于，所述对原始肺部影像数据进行预处理，获得所述肺部图像数据，包括：
对所述原始肺部影像数据进行加窗处理，获得加窗后的图像数据；
基于所述加窗后的图像数据获得所述肺部图像数据。
4.根据权利要求3所述的方法，其特征在于，所述基于所述加窗后的图像数据获得所述肺部图像数据，包括：
对所述加窗后的图像数据进行去噪处理和/或图像增强处理，获得所述肺部图像数据。
5.根据权利要求1所述的方法，其特征在于，还包括：
利用第一训练图像数据训练深度学习网络模型，获得第一分割模型；
将第一测试图像数据输入所述第一分割模型，获得分割后的第一测试结果数据；
获取第二训练图像数据，所述第二训练图像数据是通过对所述第一测试结果数据进行人工修复得到的；
利用所述第一训练图像数据和所述第二训练图像数据训练所述深度学习网络模型，获得第二分割模型；
基于所述第二分割模型确定所述图像分割模型。
6.根据权利要求5所述的方法，其特征在于，所述基于所述第二分割模型确定所述图像分割模型，包括：
a)将第n-1测试图像数据输入第n-1分割模型，获得分割后的第n-1测试结果数据，其中，当n＝3时，所述第n-1分割模型为所述第二分割模型；
b)获取第n训练图像数据，所述第n训练图像数据是通过对所述第n-1测试结果数据进行人工修复得到的；
c)利用所述第一训练图像数据至所述第n训练图像数据训练所述深度学习网络模型，获得第n分割模型；
利用测试图像数据迭代执行所述步骤a)、步骤b)、步骤c)，以获得第N分割模型，其中，n为大于或等于3且小于或等于N的整数；
基于所述第N分割模型确定所述图像分割模型。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述图像分割模型包括U-net网络模型。
8.一种图像分割模型的训练方法，其特征在于，包括：
利用第一训练图像数据训练深度学习网络模型，获得第一分割模型；
将第一测试图像数据输入所述第一分割模型，获得分割后的第一测试结果数据；
获取第二训练图像数据，所述第二训练图像数据是通过对所述第一测试结果数据进行人工修复得到的；
利用所述第一训练图像数据和所述第二训练图像数据训练所述深度学习网络模型，获得第二分割模型；
基于所述第二分割模型确定所述图像分割模型。
9.根据权利要求8所述的训练方法，其特征在于，所述基于所述第二分割模型确定所述图像分割模型，包括：
a)将第n-1测试图像数据输入第n-1分割模型，获得分割后的第n-1测试结果数据，其中，当n＝3时，所述第n-1分割模型为所述第二分割模型；
b)获取第n训练图像数据，所述第n训练图像数据是通过对所述第n-1测试结果数据进行人工修复得到的；
c)利用所述第一训练图像数据至所述第n训练图像数据训练所述深度学习网络模型，获得第n分割模型；
利用测试图像数据迭代执行所述步骤a)、步骤b)、步骤c)，以获得第N分割模型，其中，n为大于或等于3且小于或等于N的整数；
基于所述第N分割模型确定所述图像分割模型。
10.根据权利要求8所述的训练方法，其特征在于，所述深度学习网络模型包括U-net网络模型。
11.根据权利要求8至10中任一项所述的训练方法，其特征在于，所述图像分割模型用于肺部图像分割，其中，所述第一训练图像数据和所述第二训练图像数据为肺部医学图像数据。
12.一种肺部图像分割装置，其特征在于，包括：
第一获取模块，用于将肺部图像数据输入图像分割模型，获得分割后的第一图像数据；
第二获取模块，用于基于全连接条件随机场模型对所述第一图像数据进行后处理，获得第二图像数据；
第三获取模块，用于基于所述第二图像数据获得肺野分割图像。
13.一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至7中任一项所述的肺部图像分割方法或者用于执行上述权利要求8至11中任一项所述的图像分割模型的训练方法。
14.一种电子设备，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，
其中，所述处理器用于执行上述权利要求1至7中任一项所述的肺部图像分割方法或者用于执行上述权利要求8至11中任一项所述的图像分割模型的训练方法。
CN202010105967.1A 2020-02-20 2020-02-20 肺部图像分割方法及装置、图像分割模型的训练方法 Pending CN111325758A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010105967.1A CN111325758A (zh) 2020-02-20 2020-02-20 肺部图像分割方法及装置、图像分割模型的训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010105967.1A CN111325758A (zh) 2020-02-20 2020-02-20 肺部图像分割方法及装置、图像分割模型的训练方法

Publications (1)

Publication Number Publication Date
CN111325758A true CN111325758A (zh) 2020-06-23

Family

ID=71172936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010105967.1A Pending CN111325758A (zh) 2020-02-20 2020-02-20 肺部图像分割方法及装置、图像分割模型的训练方法

Country Status (1)

Country Link
CN (1) CN111325758A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932495A (zh) * 2020-06-30 2020-11-13 数坤（北京）网络科技有限公司 一种医学图像检测方法、装置及存储介质
CN114240954A (zh) * 2021-12-16 2022-03-25 推想医疗科技股份有限公司 网络模型的训练方法及装置、图像分割方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106803247A (zh) * 2016-12-13 2017-06-06 上海交通大学 一种基于多级筛选卷积神经网络的微血管瘤自动检测方法
CN108009591A (zh) * 2017-12-14 2018-05-08 西南交通大学 一种基于深度学习的接触网关键部件识别方法
CN109003269A (zh) * 2018-07-19 2018-12-14 哈尔滨工业大学 一种能提高医生效率的医学影像病灶的标注提取方法
US20190019294A1 (en) * 2014-07-02 2019-01-17 Covidien Lp System and method for segmentation of lung
CN109598730A (zh) * 2018-12-03 2019-04-09 鄂珑江 胸片分割及处理方法、系统及电子设备
CN109741316A (zh) * 2018-12-29 2019-05-10 成都金盘电子科大多媒体技术有限公司 医学影像智能评片系统
CN110110723A (zh) * 2019-05-07 2019-08-09 艾瑞迈迪科技石家庄有限公司 一种图像中目标区域自动提取的方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190019294A1 (en) * 2014-07-02 2019-01-17 Covidien Lp System and method for segmentation of lung
CN106803247A (zh) * 2016-12-13 2017-06-06 上海交通大学 一种基于多级筛选卷积神经网络的微血管瘤自动检测方法
CN108009591A (zh) * 2017-12-14 2018-05-08 西南交通大学 一种基于深度学习的接触网关键部件识别方法
CN109003269A (zh) * 2018-07-19 2018-12-14 哈尔滨工业大学 一种能提高医生效率的医学影像病灶的标注提取方法
CN109598730A (zh) * 2018-12-03 2019-04-09 鄂珑江 胸片分割及处理方法、系统及电子设备
CN109741316A (zh) * 2018-12-29 2019-05-10 成都金盘电子科大多媒体技术有限公司 医学影像智能评片系统
CN110110723A (zh) * 2019-05-07 2019-08-09 艾瑞迈迪科技石家庄有限公司 一种图像中目标区域自动提取的方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932495A (zh) * 2020-06-30 2020-11-13 数坤（北京）网络科技有限公司 一种医学图像检测方法、装置及存储介质
CN111932495B (zh) * 2020-06-30 2021-09-07 数坤(北京)网络科技股份有限公司 一种医学图像检测方法、装置及存储介质
CN114240954A (zh) * 2021-12-16 2022-03-25 推想医疗科技股份有限公司 网络模型的训练方法及装置、图像分割方法及装置
CN114240954B (zh) * 2021-12-16 2022-07-08 推想医疗科技股份有限公司 网络模型的训练方法及装置、图像分割方法及装置

Similar Documents

Publication Publication Date Title
CN109741346B (zh) 感兴趣区域提取方法、装置、设备及存储介质
CN111325739B (zh) 肺部病灶检测的方法及装置，和图像检测模型的训练方法
US7860331B2 (en) Purpose-driven enhancement filtering of anatomical data
CN111768343B (zh) 用于促进检查肝脏肿瘤病例的系统和方法
US8050734B2 (en) Method and system for performing patient specific analysis of disease relevant changes of a disease in an anatomical structure
CN111540025B (zh) 预测用于图像处理的图像
US20090074276A1 (en) Voxel Matching Technique for Removal of Artifacts in Medical Subtraction Images
CN111127430A (zh) 确定医学影像显示参数的方法及装置
CN111598989B (zh) 一种图像渲染参数设置方法、装置、电子设备及存储介质
AU2012350363A1 (en) Method and apparatus for the assessment of medical images
CN106530236B (zh) 一种医学图像处理方法及系统
Gao et al. Deep convolutional neural network with adversarial training for denoising digital breast tomosynthesis images
CN110610498A (zh) 乳腺钼靶图像处理方法、系统、存储介质及设备
CN111815735B (zh) 一种人体组织自适应的ct重建方法及重建系统
CN108601570B (zh) 断层摄影图像处理设备和方法以及与方法有关的记录介质
EP3326533A1 (en) Tomographic device and tomographic image processing method according to same
JP2016214857A (ja) 医用画像処理装置及び医用画像処理方法
CN114332132A (zh) 图像分割方法、装置和计算机设备
CN111325758A (zh) 肺部图像分割方法及装置、图像分割模型的训练方法
CN114037803B (zh) 医学图像三维重建方法及系统
EP3349655B1 (en) Tomography apparatus and controlling method for the same
CN111784652B (zh) 基于强化学习多尺度神经网络的mri分割方法
CN116128774B (zh) 一种胃部螺旋ct数据增强处理方法
Mangalagiri et al. Toward generating synthetic CT volumes using a 3D-conditional generative adversarial network
CN113554647B (zh) 医学图像的配准方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085

Applicant after: Tuxiang Medical Technology Co., Ltd

Address before: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085

Applicant before: Beijing Tuoxiang Technology Co.,Ltd.

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20200623

RJ01 Rejection of invention patent application after publication