CN111428812A - 医学图像数据的构造方法及装置 - Google Patents
医学图像数据的构造方法及装置 Download PDFInfo
- Publication number
- CN111428812A CN111428812A CN202010291658.8A CN202010291658A CN111428812A CN 111428812 A CN111428812 A CN 111428812A CN 202010291658 A CN202010291658 A CN 202010291658A CN 111428812 A CN111428812 A CN 111428812A
- Authority
- CN
- China
- Prior art keywords
- image data
- medical image
- sample
- data
- region
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 23
- 230000001788 irregular Effects 0.000 claims abstract description 98
- 230000011218 segmentation Effects 0.000 claims description 91
- 238000000034 method Methods 0.000 claims description 60
- 238000005192 partition Methods 0.000 claims description 30
- 230000003902 lesion Effects 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 10
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 31
- 238000010586 diagram Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 21
- 238000012545 processing Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000003550 marker Substances 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 208000032843 Hemorrhage Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007917 intracranial administration Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 206010018852 Haematoma Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Epidemiology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例提供一种医学图像数据的构造方法及装置。本发明实施例通过根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取每种分割标识布局对应的样本数据块集合,从所述全部样本医学图像数据中选取一组样本医学图像数据,作为基础医学图像数据,在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域,采用所述样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中相应分割标识布局区域的图像数据,得到构造的目标医学图像数据,能够最大限度利用已有的样本数据,生成大量的新样本数据,有效增大样本数据的数据量,解决深度学习技术应用中数据量小的问题。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种医学图像数据的构造方法及装置。
背景技术
近年来,随着大规模图像数据的产生和计算能力的飞速发展,AI(ArtificialIntelligence,人工智能)技术,尤其是深度学习技术,在计算机视觉和图像处理领域取得了突破性的研究成果,其强大的特征学习能力引起了广泛关注。将AI应用到医学影像处理中,不仅能提高效率,更为后续医师进行病情分析提供了辅助。
深度学习技术是一种严重依赖于数据的技术,需要大量标注过的样本才能发挥作用。然而现实世界中,很多情况下是没有足够多的标注数据的。因此,样本数据的数据量小成为制约深度学习技术应用的一个重要问题。
发明内容
为克服相关技术中存在的问题,本发明提供了一种医学图像数据的构造方法及装置,能够有效增大样本数据的数据量,解决深度学习技术应用中数据量小的问题。
根据本发明实施例的第一方面,提供一种医学图像数据的构造方法,包括:
根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取每种分割标识布局对应的样本数据块集合;所述样本数据块为样本医学图像数据中与分割标识布局对应的图像数据;
从所述全部样本医学图像数据中选取一组样本医学图像数据,作为基础医学图像数据;
在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域;
采用所述样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中相应分割标识布局区域的图像数据,得到构造的目标医学图像数据。
根据本发明实施例的第二方面,提供一种医学图像数据的构造方法,包括:
根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取所有像素都是病灶的第一分割标识布局对应的第一样本数据块集合;所述第一样本数据块集合中的样本数据块为样本医学图像数据中与所述第一分割标识布局对应的图像数据;
从所述全部样本医学图像数据中选取一组样本医学图像数据,作为基础医学图像数据;在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域;
采用所述第一样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中每种分割标识布局区域的待填充像素点的图像数据,得到第一医学图像数据,所述待填充像素点属于所述不规则感兴趣区域;
根据所述第一医学图像数据,得到构造的目标医学图像数据。
根据本发明实施例的第三方面,提供一种医学图像数据的构造装置,包括:
获取模块,用于根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取每种分割标识布局对应的样本数据块集合;所述样本数据块为样本医学图像数据中与分割标识布局对应的图像数据;
选取模块,用于从所述全部样本医学图像数据中选取一组样本医学图像数据,作为基础医学图像数据;
构造模块,用于在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域;
填充模块,用于采用所述样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中相应分割标识布局区域的图像数据,得到构造的目标医学图像数据。
根据本发明实施例的第四方面,提供一种医学图像数据的构造装置,包括:
获取模块,用于根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取所有像素都是病灶的第一分割标识布局对应的第一样本数据块集合;所述第一样本数据块集合中的样本数据块为样本医学图像数据中与所述第一分割标识布局对应的图像数据;
选取模块,用于从所述全部样本医学图像数据中选取一组样本医学图像数据,作为基础医学图像数据;
构造模块,用于在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域;
填充模块,用于采用所述第一样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中每种分割标识布局区域的待填充像素点的图像数据,得到第一医学图像数据,所述待填充像素点属于所述不规则感兴趣区域;
结果获得模块,用于根据所述第一医学图像数据,得到构造的目标医学图像数据。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明实施例,通过根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取每种分割标识布局对应的样本数据块集合,从所述全部样本医学图像数据中选取一组样本医学图像数据,作为基础医学图像数据,在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域,采用所述样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中相应分割标识布局区域的图像数据,得到构造的目标医学图像数据,能够最大限度利用已有的样本数据,生成大量的新样本数据,有效增大样本数据的数据量。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本说明书的实施例,并与说明书一起用于解释本说明书的原理。
图1是本发明实施例提供的医学图像数据的构造方法的一个流程示例图。
图2是原始图像数据Data_i对应的图像示例图。
图3是可能发生脑出血的区域标记图像数据Mark_i对应的图像示例图。
图4是脑出血病灶分割标记图像数据MarkROI_i对应的图像示例图。
图5是3x3像素的数据块对应的分割标识布局示例图。
图6是滑窗及数据块归类的示例图。
图7是初始ROI区域的示意图。
图8是对有序轮廓分段的示例图。
图9是分段选择及一次边缘扩展的效果示例图。
图10是构造的不规则感兴趣区域的示例图。
图11是本发明实施例提供的医学图像数据的构造方法的另一个流程示例图。
图12是第一分割标识布局示例图。
图13是本发明实施例提供的医学图像数据的构造装置的一个功能方块图。
图14是本发明实施例提供的医学图像数据的构造装置的另一个功能方块图。
图15是本发明实施例提供的电子设备的一个硬件结构图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明实施例的一些方面相一致的装置和方法的例子。
在本发明实施例使用的术语是仅仅出于描述特定本发明实施例的目的,而非旨在限制本发明实施例。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
当前,深度学习技术已经广泛应用于各个领域,解决各类问题,并且取得了很好的效果。例如在图像分类问题下,应用深度学习技术区分飞机、汽车、猫、鸟等目标的准确率目前可以轻松做到94%。
再比如,近几年,基于深度学习的分割方法已在图像分割领域取得了显著成就,其分割准确度已经超过了传统的分割方法。图像分割本质上是像素级别的分类,即判断图像上每一个像素点的所属类别。
深度学习是以一种严重依赖于数据的技术,需要大量标注过的样本才能发挥作用。但是现实世界中,很多情况下是没有足够多的标注数据的。例如在医疗领域,病例的数量有限,限制了标注数据的数量。
并且,相关技术中获取标注数据的成本也非常大,效率低。还是以医疗领域为例,获得样本数据首先需要对病例进行成像,在对图像进行人工标注,成像的高成本,以及人工标注的费用,都使得获取标注数据的成本居高不下,这样也进一步加大了获取样本数据的难度,导致样本数据的数量缺口增大。
以脑疾病为例。比如脑出血,脑出血是神经内、外科常见的难治性疾病,具有致死率高的特点。医学影像是诊断脑出血的首要方法,将AI应用于脑出血可在第一时间发现病灶,大幅缩短阅片时间。脑出血辅助软件可以对脑出血的血肿病灶进行自动检出,并同时对病灶进行影像测量(以“像素级”的精度对病灶进行精确测量)、量化出血体积。脑出血病灶具有位置不固定、形态不固定、纹理表现不唯一、大小不固定的特点。医生手动标注的脑出血样本非常有限,如果能够短期时间内增大标注样本量,对脑出血模型的分割结果十分有益。
可见,在深度学习技术中,当数据量不够大的时候,常常需要增大样本数据的数量。
相关技术中,通过数据增强技术来解决数据量小的问题。数据增强是一种比较常见的扩展已有数据的一种方法,它通过平移、旋转、翻转、仿射变换、尺度变换、对比度变换、噪声扰动等方式,从已有的数据中,创造出一批“新”数据。例如,加入随机的旋转角来模拟从不同角度成像的过程(亦或加入随机噪声),这样可以有效的增加样本的有效性,防止算法学习到错误特征。
数据增强方法对数据进行扩充的情况下,原有病灶的形态、纹理、位置等特征都不变化。但扩充后对模型泛化能力的提升非常有限。
本发明实施例提供的医学图像数据的构造方法能够低成本、高效率地扩充医学图像领域AI技术所需的的样本数据,对于提高医学图像领域AI技术的准确度具有重要意义。
下面通过实施例对医学图像数据的构造方法进行详细说明。
图1是本发明实施例提供的医学图像数据的构造方法的一个流程示例图。如图1所示,本实施例中,医学图像数据的构造方法可以包括:
S101,根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取每种分割标识布局对应的样本数据块集合;所述样本数据块为样本医学图像数据中与分割标识布局对应的图像数据。
S102,从所述全部样本医学图像数据中选取一组样本医学图像数据,作为基础医学图像数据。
S103,在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域。
S104,采用所述样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中相应分割标识布局区域的图像数据,得到构造的目标医学图像数据。
本实施例中,医学图像数据可以是CT(Computed Tomography,电子计算机断层扫描)图像数据、PET(Positron Emission Tomography,正电子发射计算机断层显像)图像数据等。
本实施例中,预设样本集可以是已有标注数据所形成的样本集,也可以称为预设样本库。
例如,对于脑出血模型的应用场景来说,预设样本集是已标记的脑出血样本库R。脑出血样本库R包括原始图像数据Data_i、可能发生脑出血的区域标记图像数据Mark_i、脑出血病灶分割标记图像数据MarkROI_i。
其中,Data_i指的是CT平扫的图像数据,一共s_i层2D(二维)图像,每层2D图像宽为W_i,高为H_i;Mark_i维度与Data_i相同,将可能发生脑出血的区域的像素点(一般为颅内)标记为1,不可能发生脑出血的区域的像素点(一般为颅骨外)标记为0;MarkROI_i的维度与Data_i相同,它将Data_i中实际发生脑出血的区域的像素点标记为1,将Data_i中未发生脑出血的区域的像素点标记为0。
图2是原始图像数据Data_i对应的图像示例图。图3是可能发生脑出血的区域标记图像数据Mark_i对应的图像示例图。图4是脑出血病灶分割标记图像数据MarkROI_i对应的图像示例图。
请参见图2、图3和图4。根据图2中的像素值可计算得到对应点的CT值。可能发生脑出血的部位是颅内,因此在图3中,颅内各个像素点的像素值为1,显示为白色;其他不可能发生脑出血的像素点的像素值为0,显示为黑色。图4中,实际发生脑出血的位置是图4中的白色区域。图4中,实际脑出血区域的像素值为1,显示为白色;其他未发生出血的区域的像素值为0,显示为黑色。
本实施例中,分割标识布局是指对实际病灶区域的图像数据(例如图4)按照预设尺寸进行分割所得到的各个数据块(patch)中属于病灶的像素数据的分布位置。其中,预设尺寸可以为3x3像素、4x4像素、5x5像素等。
以3x3尺寸的数据块为例,可能产生如图5所示的多种分割标识布局。图5是3x3像素的数据块对应的分割标识布局示例图。
在一个示例性的实现过程中,步骤S101中,根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取每种分割标识布局对应的样本数据块集合,可以包括:
将预设样本集中全部样本医学图像数据的实际病灶区域的数据按照分割标识布局对应的尺寸分割成多个数据块,作为样本数据块;
将所有样本数据块按照分割标识布局进行分类,得到每种分割标识布局对应的样本数据块集合。
以前述的脑出血样本库R为例,假设分割标识布局如图5所示,则获取各种分割标识布局对应的样本数据块集合的过程可以如下所示:
A1,从脑出血样本库R中取出样本Data_i和MarkROI_i。
A2,识别MarkROI_i中的各个连通域。
A3,针对每个连通域,滑窗获取所有数据块,滑窗的尺寸为3x3(滑窗的尺寸与分割标识布局对应的尺寸相同)。
A4,针对每个数据块,按照该数据块对应的分割标识布局进行归类,即将该数据块添加到该数据块对应的分割标识布局对应的样本数据块集合中。
举例说明。假设有2个数据块:数据块1和数据块2,数据块1中的数据如表1所示,数据块2中的数据如表2所示。
表1
A1 | ||
A2 | A3 |
表2
B1 | ||
B2 | B3 |
表1和表2中,A1、A2、A3、B1、B2、B3均为病灶像素的数据,表中的空白格为非病灶区域的像素。表1和表2所示的数据块对应的分割标识布局相同,在该分割标识布局中,属于病灶区域的像素为第一行第2格、第三行第1格和第三行第3格中的像素,其余格中的像素为非病灶区域的像素。该分割标识布局如表3所示。
表3
1 | ||
1 | 1 |
在对数据块进行归类时,以分割标识布局作为类别,每个类别设置一个样本数据块集合,其中表3所示分割标识布局对应的样本数据块集合M。这样,数据块1和数据块2的类别均为表3所示的分割标识布局,从而将数据块1和数据块2添加到样本数据块集合M中。
图6是滑窗及数据块归类的示例图。如图6所示,左图中灰度值低的区域为实际的病灶区域,左图的虚线框为滑窗的当前位置,当前滑窗对应的分割标识布局如图6中的右图所示。
按照上述的步骤A1~A4遍历脑出血样本库R的所有样本,可以得到脑出血样本库R的按照分割标识布局分类的样本数据块集合。
本实施例中,也可以将样本数据块称为样本补丁,将样本数据块集合称为样本补丁容器。
本实施例中,基础医学图像数据可以是全部样本医学图像数据中的任意一组样本医学图像数据中的原始图像数据,例如前述的Data_i。
本实施例中,预期病灶区域是指已知的可能发生病变的区域,即可能病变区域,例如图3中的白色区域。
在一个示例性的实现过程中,步骤S103中,在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域,可以包括:
在所述基础医学图像数据的预期病灶区域内确定初始位置;
以所述初始位置为圆心绘制预设半径的圆形;
按照预设扩展策略,将所述圆形的轮廓扩展为不规则形状的目标轮廓;
将所述目标轮廓的内部区域确定为不规则感兴趣区域。
其中,预设扩展策略是对圆形的边缘进行扩展的规则。
需要说明的是,尽管本实施例中列举是以初始位置为圆心绘制圆形作为初始感兴趣区域,但是本实施例并不对初始感兴趣区域的形状进行限制。例如,在其他实施例中,也可以构造以初始位置为中心的多边形作为初始感兴趣区域。
在一个示例性的实现过程中,按照预设扩展策略,将所述圆形的轮廓扩展为不规则形状,可以包括:
获取所述圆形的有序轮廓作为起始轮廓,以所述起始轮廓作为当前轮廓;
将当前轮廓划分为非均匀的M段轮廓,并从所述M段轮廓中随机取出N段轮廓;M、N为自然数,且N小于M;对所述N段轮廓中的每段轮廓分别进行扩展,与原剩余轮廓合并得到更新轮廓;将扩展次数增加1;
判断当前扩展次数是否为预设次数,若否,以所述更新轮廓作为当前轮廓进行下一次扩展;若是,则结束扩展,将更新轮廓确定为目标轮廓。
下面对构造感兴趣区域的过程进行举例说明。从前述的脑出血样本库R中取出样本Data_i(如图2中所示),及其可能发生脑出血的部位标记图Mark_i(如图3所示)。其中,图3中的白色区域即为预期病灶区域。则在图3所示的预期病灶区域构造不规则感兴趣区域的过程可以如下:
B1,随机生成初始位置p0。
B2,判断p0在Mark_i中是否被标记为1,若是执行步骤B3,否则返回步骤B1,重新生成初始位置p0。
B3,给定较小初始半径r,计算以p0为圆心、r为半径的圆,作为待构造ROI(Regionof Interest,感兴趣区域)的初始ROI。构造的初始ROI区域如图7所示。图7是初始ROI区域的示意图。图7中,左图显示了初始ROI区域在预期病灶区域内的位置,右图为左图中初始ROI区域的放大图。
B4,随机生成边缘的扩展次数time_K。
B5,获取当前ROI(第一次扩展时的当前ROI是初始ROI区域)的有序(顺时针或者逆时针)轮廓Contour。
B6,将有序轮廓分为非均匀M段,从M段中随机取出N段,如图8所示。图8是对有序轮廓分段的示例图,将有序轮廓分为m0、m1、m2、m3、m4、m5共6段。假设随机确定了图8中的m2和m5段,对选出的段分别进行扩展。图9是在图8中分段m2和m5的基础上进行一次边缘扩展后的效果示例图。m2和m5扩展后的轮廓与原剩余轮廓m0、m1、m3、m4合并得到更新轮廓。
重复步骤B5和B6,直至扩展次数达到time_K。最终构造的感兴趣区域如图10所示。图10是构造的不规则感兴趣区域的示例图。
至此,不规则感兴趣区域的构造过程结束。
需要说明的是,当随机生成不同的处于预期病变区域内的初始位置时,基于这些不同的初始位置分别进行感兴趣区域的构造,可以得到不同的感兴趣区域,由此可以构造出不同的目标医学图像数据。即基于一组样本医学图像数据,可以构造出多组医学图像数据。
在一个示例性的实现过程中,步骤S104中,采用所述样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中相应分割标识布局区域的图像数据,得到构造的目标医学图像数据,可以包括:
用滑窗遍历所述不规则感兴趣区域,按照预设选择策略,从所述滑窗的当前分割标识布局对应的样本数据块集合中选择目标样本数据块;
用所述目标样本数据块中的图像数据,替换所述基础医学图像数据中滑窗的当前位置处的图像数据;
遍历完毕,将替换后的基础医学图像数据确定为构造的目标医学图像数据。
在一个示例性的实现过程中,按照预设选择策略,从所述滑窗的当前分割标识布局对应的样本数据块集合中选择目标样本数据块,可以包括:
从所述滑窗的当前分割标识布局对应的样本数据块集合中,随机选择一个样本数据块作为目标样本数据块。
下面对不规则感兴趣区域的填充过程进行举例说明。
对图10所示的不规则感兴趣区域,用3x3的滑窗遍历该不规则感兴趣区域。滑窗步长可以设置为3个像素。对于滑窗的每一个位置,首先确定该处滑窗所对应的分割标识布局,然后根据确定的分割标识布局找到与该分割标识布局对应的样本数据块集合,从该样本数据块集合中随机选择一个样本数据块作为目标样本数据块,用目标样本数据块中的图像数据,替换Data_i中滑窗的当前位置处的图像数据。当Data_i中与图10所示的不规则感兴趣区域对应的位置全部被填充完后,即可得到目标医学图像数据。至此,根据Data_i构造出一组新的医学图像数据。
需要说明的是,对于构造出的同一个不规则感兴趣区域,当对同一滑窗选取不同的样本数据块的图像数据进行填充时,可以得到不同的目标医学图像数据。即一个不规则感兴趣区域,通过不同的数据填充,可以得到多组目标医学图像数据。
本发明实施例提供的医学图像数据的构造方法,通过根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取每种分割标识布局对应的样本数据块集合,从所述全部样本医学图像数据中选取一组样本医学图像数据,作为基础医学图像数据,在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域,采用所述样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中相应分割标识布局区域的图像数据,得到构造的目标医学图像数据,能够最大限度利用已有的样本数据,生成大量的新样本数据,有效增大样本数据的数据量,解决深度学习技术应用中数据量小的问题。
并且,本发明实施例提供的医学图像数据的构造方法,不需要进行医学成像和人工标注,因此获取新样本数据的成本低,效率高。
利用本发明实施例提供的医学图像数据的构造方法获得的新数据,除了方向,位置、大小、形态以及纹理等特征都与原样本数据相似度较低,可以做到大量的扩展。
图11是本发明实施例提供的医学图像数据的构造方法的流程示例图。如图11所示,本实施例中,医学图像数据的构造方法可以包括:
S1101,根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取所有像素都是病灶的第一分割标识布局对应的第一样本数据块集合;所述第一样本数据块集合中的样本数据块为样本医学图像数据中与所述第一分割标识布局对应的图像数据。
S1102,从所述全部样本医学图像数据中选取一组样本医学图像数据,作为基础医学图像数据。
S1103,在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域。
S1104,采用所述第一样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中每种分割标识布局区域的待填充像素点的图像数据,得到第一医学图像数据,所述待填充像素点属于所述不规则感兴趣区域。
S1105,根据所述第一医学图像数据,得到构造的目标医学图像数据。
本实施例中,第一分割标识布局是指所有像素都是病灶的数据分布。以3x3的分割标识布局为例,第一分割标识布局如图12所示。图12是第一分割标识布局示例图。
本实施例中,不需要获取所有分割标识布局的样本数据块集合,只需要获取第一分割标识布局对应的样本数据块集合,能够有效减小处理量和存储量,节约资源。
步骤S1102与前述的步骤S102相同,步骤S1102的实施细节请参照前述的步骤S102的相关说明,此处不再赘述。
同理,步骤S1103与前述的步骤S103相同,步骤S1103的实施细节请参照前述的步骤S103的相关说明,此处不再赘述。
本实施例中,填充规则与前述的步骤S104有所不同。对于不规则感兴趣区域中分割标识布局为第一分割标识布局的滑窗,用第一样本数据块集合中的样本数据块的全部数据填充滑窗的全部像素区域。而对于不规则感兴趣区域中分割标识布局不为第一分割标识布局的滑窗,用第一样本数据块集合中的样本数据块的部分数据填充滑窗的部分像素区域,其中的部分数据与部分像素的位置相对应。
举例说明。假设基础图像数据为Data_i,滑窗对应的分割标识布局如表4所示,第一样本数据块集合中的样本数据块的数据如表5所示。
表4
1 | ||
1 | 1 | 1 |
1 | 1 |
表5
a1 | a2 | a3 |
a4 | a5 | a6 |
a7 | a8 | a9 |
则滑窗位置填充后的结果如表6所示,表6中的空白区域的像素点的数据仍然为基础图像数据Data_i中相应像素点的数据。
表6
a1 | ||
a4 | a5 | a6 |
a7 | a8 |
在一个示例性的实现过程中,步骤S1104中,采用所述第一样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中每种分割标识布局区域的待填充像素点的图像数据,得到第一医学图像数据,可以包括:
用滑窗遍历所述不规则感兴趣区域,按照预设选择策略从所述第一样本数据块集合中选择目标样本数据块;
用所述目标样本数据块中的图像数据,替换所述基础医学图像数据中滑窗的当前位置处的待填充像素点的图像数据,所述待填充像素点属于所述不规则感兴趣区域;
遍历完毕,将替换后的基础医学图像数据确定为第一医学图像数据。
在一个示例性的实现过程中,步骤S1104中,根据所述第一医学图像数据,得到构造的目标医学图像数据,可以包括:
将所述第一医学图像数据直接确定为构造的目标医学图像数据。
本实施例直接将第一医学图像数据确定为目标医学图像数据,减少了处理步骤,有利于提高处理速度。
在一个示例性的实现过程中,步骤S1104中,根据所述第一医学图像数据,得到构造的目标医学图像数据,可以包括:
对所述第一医学图像数据进行平滑滤波,将平滑滤波后的医学图像数据确定为构造的目标医学图像数据。
本实施例中,通过平滑滤波可以使得感兴趣区域的边缘呈现渐变效果。
本发明实施例提供的医学图像数据的构造方法,通过根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取所有像素都是病灶的第一分割标识布局对应的第一样本数据块集合,从所述全部样本医学图像数据中选取一组样本医学图像数据,作为基础医学图像数据,在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域,采用所述第一样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中每种分割标识布局区域的待填充像素点的图像数据,得到第一医学图像数据,所述待填充像素点属于所述不规则感兴趣区域,根据所述第一医学图像数据,得到构造的目标医学图像数据,能够有效增大样本数据的数据量,解决深度学习技术应用中数据量小的问题。并且本实施例还能够减少对处理资源的占用,节约存储资源。
基于上述的方法实施例,本发明实施例还提供了相应的装置、设备及存储介质实施例。
图13是本发明实施例提供的医学图像数据的构造装置的一种功能方块图。如图13所示,本实施例中,医学图像数据的构造装置可以包括:
获取模块310,用于根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取每种分割标识布局对应的样本数据块集合;所述样本数据块为样本医学图像数据中与分割标识布局对应的图像数据;
选取模块320,用于从所述全部样本医学图像数据中选取一组样本医学图像数据,作为基础医学图像数据;
构造模块330,用于在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域;
填充模块340,用于采用所述样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中相应分割标识布局区域的图像数据,得到构造的目标医学图像数据。
在一个示例性的实现过程中,获取模块310可以具体用于:
将预设样本集中全部样本医学图像数据的实际病灶区域的数据按照分割标识布局对应的尺寸分割成多个数据块,作为样本数据块;
将所有样本数据块按照分割标识布局进行分类,得到每种分割标识布局对应的样本数据块集合。
在一个示例性的实现过程中,构造模块330可以具体用于:
在所述基础医学图像数据的预期病灶区域内确定初始位置;
以所述初始位置为圆心绘制预设半径的圆形;
按照预设扩展策略,将所述圆形的轮廓扩展为不规则形状的目标轮廓;
将所述目标轮廓的内部区域确定为不规则感兴趣区域。
在一个示例性的实现过程中,构造模块330在用于按照预设扩展策略,将所述圆形的轮廓扩展为不规则形状时,可以具体用于:
获取所述圆形的有序轮廓作为起始轮廓,以所述起始轮廓作为当前轮廓;
将当前轮廓划分为非均匀的M段轮廓,并从所述M段轮廓中随机取出N段轮廓;M、N为自然数,且N小于M;对所述N段轮廓中的每段轮廓分别进行扩展,与原剩余轮廓合并得到更新轮廓;将扩展次数增加1;
判断当前扩展次数是否为预设次数,若否,以所述更新轮廓作为当前轮廓进行下一次扩展;若是,则结束扩展,将更新轮廓确定为目标轮廓。
在一个示例性的实现过程中,填充模块340可以具体用于:
用滑窗遍历所述不规则感兴趣区域,按照预设选择策略,从所述滑窗的当前分割标识布局对应的样本数据块集合中选择目标样本数据块;
用所述目标样本数据块中的图像数据,替换所述基础医学图像数据中滑窗的当前位置处的图像数据;
遍历完毕,将替换后的基础医学图像数据确定为构造的目标医学图像数据。
在一个示例性的实现过程中,填充模块340在用于按照预设选择策略,从所述滑窗的当前分割标识布局对应的样本数据块集合中选择目标样本数据块时,可以具体用于:
从所述滑窗的当前分割标识布局对应的样本数据块集合中,随机选择一个样本数据块作为目标样本数据块。
图14是本发明实施例提供的医学图像数据的构造装置的另一种功能方块图。如图14所示,本实施例中,医学图像数据的构造装置可以包括:
获取模块410,用于根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取所有像素都是病灶的第一分割标识布局对应的第一样本数据块集合;所述第一样本数据块集合中的样本数据块为样本医学图像数据中与所述第一分割标识布局对应的图像数据;
选取模块420,用于从所述全部样本医学图像数据中选取一组样本医学图像数据,作为基础医学图像数据;
构造模块430,用于在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域;
填充模块440,用于采用所述第一样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中每种分割标识布局区域的待填充像素点的图像数据,得到第一医学图像数据,所述待填充像素点属于所述不规则感兴趣区域;
结果获得模块450,用于根据所述第一医学图像数据,得到构造的目标医学图像数据。
在一个示例性的实现过程中,填充模块440可以具体用于:
用滑窗遍历所述不规则感兴趣区域,按照预设选择策略从所述第一样本数据块集合中选择目标样本数据块;
用所述目标样本数据块中的图像数据,替换所述基础医学图像数据中滑窗的当前位置处的待填充像素点的图像数据,所述待填充像素点属于所述不规则感兴趣区域;
遍历完毕,将替换后的基础医学图像数据确定为第一医学图像数据。
在一个示例性的实现过程中,结果获得模块450可以具体用于:
将所述第一医学图像数据直接确定为构造的目标医学图像数据。
在一个示例性的实现过程中,结果获得模块450可以具体用于:
对所述第一医学图像数据进行平滑滤波,将平滑滤波后的医学图像数据确定为构造的目标医学图像数据。
本发明实施例还提供了一种电子设备。图15是本发明实施例提供的电子设备的一个硬件结构图。如图15所示,电子设备包括:内部总线601,以及通过内部总线连接的存储器602,处理器603和外部接口604,其中,
所述存储器602,用于存储医学图像数据的构造逻辑对应的机器可读指令;
在一个实施例中,所述处理器603,用于读取存储器602上的机器可读指令,并执行所述指令以实现如下操作:
根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取每种分割标识布局对应的样本数据块集合;所述样本数据块为样本医学图像数据中与分割标识布局对应的图像数据;
从所述全部样本医学图像数据中选取一组样本医学图像数据,作为基础医学图像数据;
在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域;
采用所述样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中相应分割标识布局区域的图像数据,得到构造的目标医学图像数据。
在一个示例性的实现过程中,根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取每种分割标识布局对应的样本数据块集合,包括:
将预设样本集中全部样本医学图像数据的实际病灶区域的数据按照分割标识布局对应的尺寸分割成多个数据块,作为样本数据块;
将所有样本数据块按照分割标识布局进行分类,得到每种分割标识布局对应的样本数据块集合。
在一个示例性的实现过程中,在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域,包括:
在所述基础医学图像数据的预期病灶区域内确定初始位置;
以所述初始位置为圆心绘制预设半径的圆形;
按照预设扩展策略,将所述圆形的轮廓扩展为不规则形状的目标轮廓;
将所述目标轮廓的内部区域确定为不规则感兴趣区域。
在一个示例性的实现过程中,按照预设扩展策略,将所述圆形的轮廓扩展为不规则形状,包括:
获取所述圆形的有序轮廓作为起始轮廓,以所述起始轮廓作为当前轮廓;
将当前轮廓划分为非均匀的M段轮廓,并从所述M段轮廓中随机取出N段轮廓;M、N为自然数,且N小于M;对所述N段轮廓中的每段轮廓分别进行扩展,与原剩余轮廓合并得到更新轮廓;将扩展次数增加1;
判断当前扩展次数是否为预设次数,若否,以所述更新轮廓作为当前轮廓进行下一次扩展;若是,则结束扩展,将更新轮廓确定为目标轮廓。
在一个示例性的实现过程中,采用所述样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中相应分割标识布局区域的图像数据,得到构造的目标医学图像数据,包括:
用滑窗遍历所述不规则感兴趣区域,按照预设选择策略,从所述滑窗的当前分割标识布局对应的样本数据块集合中选择目标样本数据块;
用所述目标样本数据块中的图像数据,替换所述基础医学图像数据中滑窗的当前位置处的图像数据;
遍历完毕,将替换后的基础医学图像数据确定为构造的目标医学图像数据。
在一个示例性的实现过程中,按照预设选择策略,从所述滑窗的当前分割标识布局对应的样本数据块集合中选择目标样本数据块,包括:
从所述滑窗的当前分割标识布局对应的样本数据块集合中,随机选择一个样本数据块作为目标样本数据块。
在另一个实施例中,所述处理器603,用于读取存储器602上的机器可读指令,并执行所述指令以实现如下操作:
根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取所有像素都是病灶的第一分割标识布局对应的第一样本数据块集合;所述第一样本数据块集合中的样本数据块为样本医学图像数据中与所述第一分割标识布局对应的图像数据;
从所述全部样本医学图像数据中选取一组样本医学图像数据,作为基础医学图像数据;
在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域;
采用所述第一样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中每种分割标识布局区域的待填充像素点的图像数据,得到第一医学图像数据,所述待填充像素点属于所述不规则感兴趣区域;
根据所述第一医学图像数据,得到构造的目标医学图像数据。
在一个示例性的实现过程中,采用所述第一样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中每种分割标识布局区域的待填充像素点的图像数据,得到第一医学图像数据,包括:
用滑窗遍历所述不规则感兴趣区域,按照预设选择策略从所述第一样本数据块集合中选择目标样本数据块;
用所述目标样本数据块中的图像数据,替换所述基础医学图像数据中滑窗的当前位置处的待填充像素点的图像数据,所述待填充像素点属于所述不规则感兴趣区域;
遍历完毕,将替换后的基础医学图像数据确定为第一医学图像数据。
在一个示例性的实现过程中,根据所述第一医学图像数据,得到构造的目标医学图像数据,包括:
将所述第一医学图像数据直接确定为构造的目标医学图像数据。
在一个示例性的实现过程中,根据所述第一医学图像数据,得到构造的目标医学图像数据,包括:
对所述第一医学图像数据进行平滑滤波,将平滑滤波后的医学图像数据确定为构造的目标医学图像数据。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如下操作:
根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取每种分割标识布局对应的样本数据块集合;所述样本数据块为样本医学图像数据中与分割标识布局对应的图像数据;
从所述全部样本医学图像数据中选取一组样本医学图像数据,作为基础医学图像数据;
在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域;
采用所述样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中相应分割标识布局区域的图像数据,得到构造的目标医学图像数据。
在一个示例性的实现过程中,根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取每种分割标识布局对应的样本数据块集合,包括:
将预设样本集中全部样本医学图像数据的实际病灶区域的数据按照分割标识布局对应的尺寸分割成多个数据块,作为样本数据块;
将所有样本数据块按照分割标识布局进行分类,得到每种分割标识布局对应的样本数据块集合。
在一个示例性的实现过程中,在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域,包括:
在所述基础医学图像数据的预期病灶区域内确定初始位置;
以所述初始位置为圆心绘制预设半径的圆形;
按照预设扩展策略,将所述圆形的轮廓扩展为不规则形状的目标轮廓;
将所述目标轮廓的内部区域确定为不规则感兴趣区域。
在一个示例性的实现过程中,按照预设扩展策略,将所述圆形的轮廓扩展为不规则形状,包括:
获取所述圆形的有序轮廓作为起始轮廓,以所述起始轮廓作为当前扩廓进行第一次;
将当前轮廓划分为非均匀的M段轮廓,并从所述M段轮廓中随机取出N段轮廓;M、N为自然数,且N小于M;对所述N段轮廓中的每段轮廓分别进行扩展,与原剩余轮廓合并得到更新轮廓;将扩展次数增加1;
判断当前扩展次数是否为预设次数,若否,以所述更新轮廓作为当前轮廓进行下一次扩展;若是,则结束扩展,将更新轮廓确定为目标轮廓。
在一个示例性的实现过程中,采用所述样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中相应分割标识布局区域的图像数据,得到构造的目标医学图像数据,包括:
用滑窗遍历所述不规则感兴趣区域,按照预设选择策略,从所述滑窗的当前分割标识布局对应的样本数据块集合中选择目标样本数据块;
用所述目标样本数据块中的图像数据,替换所述基础医学图像数据中滑窗的当前位置处的图像数据;
遍历完毕,将替换后的基础医学图像数据确定为构造的目标医学图像数据。
在一个示例性的实现过程中,按照预设选择策略,从所述滑窗的当前分割标识布局对应的样本数据块集合中选择目标样本数据块,包括:
从所述滑窗的当前分割标识布局对应的样本数据块集合中,随机选择一个样本数据块作为目标样本数据块。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如下操作:
根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取所有像素都是病灶的第一分割标识布局对应的第一样本数据块集合;所述第一样本数据块集合中的样本数据块为样本医学图像数据中与所述第一分割标识布局对应的图像数据;
从所述全部样本医学图像数据中选取一组样本医学图像数据,作为基础医学图像数据;
在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域;
采用所述第一样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中每种分割标识布局区域的待填充像素点的图像数据,得到第一医学图像数据,所述待填充像素点属于所述不规则感兴趣区域;
根据所述第一医学图像数据,得到构造的目标医学图像数据。
在一个示例性的实现过程中,采用所述第一样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中每种分割标识布局区域的待填充像素点的图像数据,得到第一医学图像数据,包括:
用滑窗遍历所述不规则感兴趣区域,按照预设选择策略从所述第一样本数据块集合中选择目标样本数据块;
用所述目标样本数据块中的图像数据,替换所述基础医学图像数据中滑窗的当前位置处的待填充像素点的图像数据,所述待填充像素点属于所述不规则感兴趣区域;
遍历完毕,将替换后的基础医学图像数据确定为第一医学图像数据。
在一个示例性的实现过程中,根据所述第一医学图像数据,得到构造的目标医学图像数据,包括:
将所述第一医学图像数据直接确定为构造的目标医学图像数据。
在一个示例性的实现过程中,根据所述第一医学图像数据,得到构造的目标医学图像数据,包括:
对所述第一医学图像数据进行平滑滤波,将平滑滤波后的医学图像数据确定为构造的目标医学图像数据。
对于装置和设备实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本领域技术人员在考虑说明书及实践这里申请的发明后,将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是,本说明书并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
Claims (12)
1.一种医学图像数据的构造方法,其特征在于,包括:
根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取每种分割标识布局对应的样本数据块集合;所述样本数据块为样本医学图像数据中与分割标识布局对应的图像数据;
从所述全部样本医学图像数据中选取一组样本医学图像数据,作为基础医学图像数据;
在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域;
采用所述样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中相应分割标识布局区域的图像数据,得到构造的目标医学图像数据。
2.根据权利要求1所述的方法,其特征在于,根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取每种分割标识布局对应的样本数据块集合,包括:
将预设样本集中全部样本医学图像数据的实际病灶区域的数据按照分割标识布局对应的尺寸分割成多个数据块,作为样本数据块;
将所有样本数据块按照分割标识布局进行分类,得到每种分割标识布局对应的样本数据块集合。
3.根据权利要求1所述的方法,其特征在于,在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域,包括:
在所述基础医学图像数据的预期病灶区域内确定初始位置;
以所述初始位置为圆心绘制预设半径的圆形;
按照预设扩展策略,将所述圆形的轮廓扩展为不规则形状的目标轮廓;
将所述目标轮廓的内部区域确定为不规则感兴趣区域。
4.根据权利要求3所述的方法,其特征在于,按照预设扩展策略,将所述圆形的轮廓扩展为不规则形状,包括:
获取所述圆形的有序轮廓作为起始轮廓,以所述起始轮廓作为当前轮廓;
将当前轮廓划分为非均匀的M段轮廓,并从所述M段轮廓中随机取出N段轮廓;M、N为自然数,且N小于M;对所述N段轮廓中的每段轮廓分别进行扩展,与原剩余轮廓合并得到更新轮廓;将扩展次数增加1;
判断当前扩展次数是否为预设次数,若否,以所述更新轮廓作为当前轮廓进行下一次扩展;若是,则结束扩展,将更新轮廓确定为目标轮廓。
5.根据权利要求1所述的方法,其特征在于,采用所述样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中相应分割标识布局区域的图像数据,得到构造的目标医学图像数据,包括:
用滑窗遍历所述不规则感兴趣区域,按照预设选择策略,从所述滑窗的当前分割标识布局对应的样本数据块集合中选择目标样本数据块;
用所述目标样本数据块中的图像数据,替换所述基础医学图像数据中滑窗的当前位置处的图像数据;
遍历完毕,将替换后的基础医学图像数据确定为构造的目标医学图像数据。
6.根据权利要求5所述的方法,其特征在于,按照预设选择策略,从所述滑窗的当前分割标识布局对应的样本数据块集合中选择目标样本数据块,包括:
从所述滑窗的当前分割标识布局对应的样本数据块集合中,随机选择一个样本数据块作为目标样本数据块。
7.一种医学图像数据的构造方法,其特征在于,包括:
根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取所有像素都是病灶的第一分割标识布局对应的第一样本数据块集合;所述第一样本数据块集合中的样本数据块为样本医学图像数据中与所述第一分割标识布局对应的图像数据;
从所述全部样本医学图像数据中选取一组样本医学图像数据,作为基础医学图像数据;
在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域;
采用所述第一样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中每种分割标识布局区域的待填充像素点的图像数据,得到第一医学图像数据,所述待填充像素点属于所述不规则感兴趣区域;
根据所述第一医学图像数据,得到构造的目标医学图像数据。
8.根据权利要求7所述的方法,其特征在于,采用所述第一样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中每种分割标识布局区域的待填充像素点的图像数据,得到第一医学图像数据,包括:
用滑窗遍历所述不规则感兴趣区域,按照预设选择策略从所述第一样本数据块集合中选择目标样本数据块;
用所述目标样本数据块中的图像数据,替换所述基础医学图像数据中滑窗的当前位置处的待填充像素点的图像数据,所述待填充像素点属于所述不规则感兴趣区域;
遍历完毕,将替换后的基础医学图像数据确定为第一医学图像数据。
9.根据权利要求7所述的方法,其特征在于,根据所述第一医学图像数据,得到构造的目标医学图像数据,包括:
将所述第一医学图像数据直接确定为构造的目标医学图像数据。
10.根据权利要求7所述的方法,其特征在于,根据所述第一医学图像数据,得到构造的目标医学图像数据,包括:
对所述第一医学图像数据进行平滑滤波,将平滑滤波后的医学图像数据确定为构造的目标医学图像数据。
11.一种医学图像数据的构造装置,其特征在于,包括:
获取模块,用于根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取每种分割标识布局对应的样本数据块集合;所述样本数据块为样本医学图像数据中与分割标识布局对应的图像数据;
选取模块,用于从所述全部样本医学图像数据中选取一组样本医学图像数据,作为基础医学图像数据;
构造模块,用于在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域;
填充模块,用于采用所述样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中相应分割标识布局区域的图像数据,得到构造的目标医学图像数据。
12.一种医学图像数据的构造装置,其特征在于,包括:
获取模块,用于根据预设样本集中全部样本医学图像数据的实际病灶区域的数据,获取所有像素都是病灶的第一分割标识布局对应的第一样本数据块集合;所述第一样本数据块集合中的样本数据块为样本医学图像数据中与所述第一分割标识布局对应的图像数据;
选取模块,用于从所述全部样本医学图像数据中选取一组样本医学图像数据,作为基础医学图像数据;
构造模块,用于在所述基础医学图像数据的预期病灶区域内构造不规则感兴趣区域;
填充模块,用于采用所述第一样本数据块集合中的样本数据块,填充所述不规则感兴趣区域中每种分割标识布局区域的待填充像素点的图像数据,得到第一医学图像数据,所述待填充像素点属于所述不规则感兴趣区域;
结果获得模块,用于根据所述第一医学图像数据,得到构造的目标医学图像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010291658.8A CN111428812B (zh) | 2020-04-14 | 2020-04-14 | 医学图像数据的构造方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010291658.8A CN111428812B (zh) | 2020-04-14 | 2020-04-14 | 医学图像数据的构造方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428812A true CN111428812A (zh) | 2020-07-17 |
CN111428812B CN111428812B (zh) | 2024-03-08 |
Family
ID=71556608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010291658.8A Active CN111428812B (zh) | 2020-04-14 | 2020-04-14 | 医学图像数据的构造方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428812B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359288A (zh) * | 2022-03-22 | 2022-04-15 | 珠海市人民医院 | 基于人工智能的医学影像脑动脉瘤检测和定位方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040202368A1 (en) * | 2003-04-09 | 2004-10-14 | Lee Shih-Jong J. | Learnable object segmentation |
WO2017024787A1 (zh) * | 2015-08-12 | 2017-02-16 | 青岛海信电器股份有限公司 | 一种图像校正方法及装置 |
US20170270664A1 (en) * | 2016-03-21 | 2017-09-21 | The Board Of Trustees Of The Leland Stanford Junior University | Methods for characterizing features of interest in digital images and systems for practicing same |
WO2017193251A1 (zh) * | 2016-05-09 | 2017-11-16 | 深圳迈瑞生物医疗电子股份有限公司 | 识别超声图像中感兴趣区域轮廓的方法及系统 |
CN108198179A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种生成对抗网络改进的ct医学图像肺结节检测方法 |
CN108921851A (zh) * | 2018-06-06 | 2018-11-30 | 深圳市未来媒体技术研究院 | 一种基于3d对抗网络的医学ct图像分割方法 |
CN109509197A (zh) * | 2018-09-26 | 2019-03-22 | 沈阳东软医疗系统有限公司 | 一种分割感兴趣区域的方法、装置、设备及存储介质 |
CN109741346A (zh) * | 2018-12-30 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 感兴趣区域提取方法、装置、设备及存储介质 |
CN110148192A (zh) * | 2019-04-18 | 2019-08-20 | 上海联影智能医疗科技有限公司 | 医学影像成像方法、装置、计算机设备和存储介质 |
-
2020
- 2020-04-14 CN CN202010291658.8A patent/CN111428812B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040202368A1 (en) * | 2003-04-09 | 2004-10-14 | Lee Shih-Jong J. | Learnable object segmentation |
WO2017024787A1 (zh) * | 2015-08-12 | 2017-02-16 | 青岛海信电器股份有限公司 | 一种图像校正方法及装置 |
US20170270664A1 (en) * | 2016-03-21 | 2017-09-21 | The Board Of Trustees Of The Leland Stanford Junior University | Methods for characterizing features of interest in digital images and systems for practicing same |
WO2017193251A1 (zh) * | 2016-05-09 | 2017-11-16 | 深圳迈瑞生物医疗电子股份有限公司 | 识别超声图像中感兴趣区域轮廓的方法及系统 |
CN108198179A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种生成对抗网络改进的ct医学图像肺结节检测方法 |
CN108921851A (zh) * | 2018-06-06 | 2018-11-30 | 深圳市未来媒体技术研究院 | 一种基于3d对抗网络的医学ct图像分割方法 |
CN109509197A (zh) * | 2018-09-26 | 2019-03-22 | 沈阳东软医疗系统有限公司 | 一种分割感兴趣区域的方法、装置、设备及存储介质 |
CN109741346A (zh) * | 2018-12-30 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 感兴趣区域提取方法、装置、设备及存储介质 |
CN110148192A (zh) * | 2019-04-18 | 2019-08-20 | 上海联影智能医疗科技有限公司 | 医学影像成像方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
王李冬;邰晓英;巴特尔;: "一种基于感兴趣区域提取的医学图像检索技术" * |
王李冬;邰晓英;巴特尔;: "融合区域和全局特征提取的医学图像检索技术" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359288A (zh) * | 2022-03-22 | 2022-04-15 | 珠海市人民医院 | 基于人工智能的医学影像脑动脉瘤检测和定位方法 |
CN114359288B (zh) * | 2022-03-22 | 2022-06-07 | 珠海市人民医院 | 基于人工智能的医学影像脑动脉瘤检测和定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111428812B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Image segmentation evaluation: a survey of methods | |
US10275879B2 (en) | System and method for image registration in medical imaging system | |
CN111445478B (zh) | 一种用于cta图像的颅内动脉瘤区域自动检测系统和检测方法 | |
CN110910405B (zh) | 基于多尺度空洞卷积神经网络的脑肿瘤分割方法及系统 | |
US20220406410A1 (en) | System and method for creating, querying, and displaying a miba master file | |
JP2019531783A5 (zh) | ||
US10853409B2 (en) | Systems and methods for image search | |
CN108961274B (zh) | 一种mri图像中自动头颈肿瘤分割方法 | |
US20170178307A1 (en) | System and method for image registration in medical imaging system | |
CN108986115B (zh) | 医学图像分割方法、装置及智能终端 | |
CN110717905B (zh) | 脑部图像检测方法、计算机设备和存储介质 | |
CN111462115B (zh) | 医学图像显示方法、装置和计算机设备 | |
CN111462071B (zh) | 一种图像处理方法和系统 | |
CN109584201A (zh) | 医学图像配准方法、配准系统、存储介质、及电子设备 | |
CN110992439B (zh) | 纤维束追踪方法、计算机设备和存储介质 | |
CN111428812B (zh) | 医学图像数据的构造方法及装置 | |
CN114693671A (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
CN110992310A (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
Jin et al. | Ribseg v2: A large-scale benchmark for rib labeling and anatomical centerline extraction | |
Nowinski et al. | Ischemic infarct detection, localization, and segmentation in noncontrast CT human brain scans: review of automated methods | |
Cho et al. | Affinity graph based end-to-end deep convolutional networks for ct hemorrhage segmentation | |
Almakady et al. | Volumetric texture analysis based on three-dimensional gaussian markov random fields for copd detection | |
CN116128895A (zh) | 医学图像分割方法、装置和计算机可读存储介质 | |
Han et al. | Three dimensional nuclei segmentation and classification of fluorescence microscopy images | |
Bi et al. | Automated thresholded region classification using a robust feature selection method for PET-CT |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240202 Address after: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant after: Shenyang Neusoft Medical Systems Co.,Ltd. Country or region after: China Address before: Room 336, 177-1, Chuangxin Road, Hunnan New District, Shenyang City, Liaoning Province Applicant before: Shenyang advanced medical equipment Technology Incubation Center Co.,Ltd. Country or region before: China |
|
GR01 | Patent grant | ||
GR01 | Patent grant |