CN111462203B - Dr病灶演化分析装置和方法 - Google Patents

Dr病灶演化分析装置和方法 Download PDF

Info

Publication number
CN111462203B
CN111462203B CN202010264131.6A CN202010264131A CN111462203B CN 111462203 B CN111462203 B CN 111462203B CN 202010264131 A CN202010264131 A CN 202010264131A CN 111462203 B CN111462203 B CN 111462203B
Authority
CN
China
Prior art keywords
focus
image
layer
images
lesion
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.)
Active
Application number
CN202010264131.6A
Other languages
English (en)
Other versions
CN111462203A (zh
Inventor
陈昊
秦积涛
罗召洋
魏军
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.)
Guangzhou Boshi Medical Technology Co ltd
Original Assignee
Guangzhou Boshi Medical Technology 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 Guangzhou Boshi Medical Technology Co ltd filed Critical Guangzhou Boshi Medical Technology Co ltd
Priority to CN202010264131.6A priority Critical patent/CN111462203B/zh
Publication of CN111462203A publication Critical patent/CN111462203A/zh
Application granted granted Critical
Publication of CN111462203B publication Critical patent/CN111462203B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/38—Registration of image sequences
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • 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

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)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例提供一种DR病灶演化分析装置和方法，其中装置包括：影像序列确定单元，用于确定包含多个DR影像的影像序列；病灶演化分析单元，用于将所述影像序列输入至病灶演化分析模型，得到所述病灶演化分析模型输出的病灶演化分析结果；其中，所述病灶演化分析模型用于定位每一DR影像的病灶区域，并确定每两个相邻的DR影像之间的变化映射关系，基于每一DR影像的病灶区域以及每两个相邻的DR影像之间的变化映射关系，确定病灶序列信息以进行病灶演化分析。本发明实施例提供的装置和方法有效克服了由于图像差异过大而导致配准失效的问题，提高了图像配准的可靠性和准确性，由此得到准确可靠的病灶演化分析结果。

Description

DR病灶演化分析装置和方法
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种DR病灶演化分析装置和方法。
背景技术
随着人工智能的发展，基于DR(Digital Radiography，数字化成像技术)影像的计算机辅助系统(Computer-aided system，CAD)应运而生。CAD的应用，能够减少医师工作量，提高医师阅片效率。
目前，基于CAD实现病灶演化分析的方法主要包含两个步骤，首先是进行图像配准，从多张图像中定位属于同一病灶的区域，其次是进行量化分析，对属于同一病灶的区域进行信息提取，从而分析病灶的演化。
其中，图像配准通常是基于外在的辅助区域或者内在区域实现配准的。
例如头部的MR(Magnetic Resonance，磁共振)和CT(Computed Tomography，电子计算机断层扫描)的配准经常可以基于颅骨的影像来做参考，即基于外在的辅助区域实现配准。但是基于外在的辅助区域进行配准，仅适用于具有高度一致性的外在辅助结构，比如颅骨；但是在胸部DR而言，由于疾病的影响，前后两张图像的人体结构信息可能差别很大，比如前一张图可能病症较轻，拍摄较为正常，而后一张可能病症严重，无法正常拍摄胸部DR，只能获得随意位置的床边DR，此时用于参考的辅助结构可能存在明显形变，导致配准无法执行。
基于锚定点的方式，比如结合SIFT(Scale-invariant feature transform，尺度不变特征变换)特征的配准，基于分割的方式，比如基于某些病灶的分割结果来做配准，均为基于内在区域实现配准。但是由于病程的演化，会导致患病区域的显著变化，比如患有新型冠状病毒肺炎患者的DR会出现“白肺现象”，即整个肺区密度大范围提高而导致影像中看到肺区成高密度的白色；在这种情况下，基于影像的锚定点或者分割的目标可能发生了本质的变化，基于内在区域进行配准会有明显的误差。
发明内容
本发明实施例提供一种DR病灶演化分析装置和方法，用以解决现有的图像配准存在误差，影响病灶演化分析精度的问题。
第一方面，本发明实施例提供一种DR病灶演化分析装置，包括：
影像序列确定单元，用于确定包含多个DR影像的影像序列；
病灶演化分析单元，用于将所述影像序列输入至病灶演化分析模型，得到所述病灶演化分析模型输出的病灶演化分析结果；
其中，所述病灶演化分析模型用于定位每一DR影像的病灶区域，并确定每两个相邻的DR影像之间的变化映射关系，基于每一DR影像的病灶区域以及每两个相邻的DR影像之间的变化映射关系，确定病灶序列信息以进行病灶演化分析。
第二方面，本发明实施例提供一种DR病灶演化分析方法，包括：
确定包含多个DR影像的影像序列；
将所述影像序列输入至病灶演化分析模型，得到所述病灶演化分析模型输出的病灶演化分析结果；
其中，所述病灶演化分析模型用于定位每一DR影像的病灶区域，并确定每两个相邻的DR影像之间的变化映射关系，基于每一DR影像的病灶区域以及每两个相邻的DR影像之间的变化映射关系，确定病灶序列信息以进行病灶演化分析。
本发明实施例提供的一种DR病灶演化分析装置和方法，结合影像序列中每个DR影像的病灶区域，以及每两个相邻的DR影像之间的变化映射关系，实现DR影像之间的配准，有效克服了由于图像差异过大而导致配准失效的问题，提高了图像配准的可靠性和准确性，由此得到准确可靠的病灶演化分析结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，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为本发明实施例提供的DR病灶演化分析方法的流程示意图；
图2为本发明实施例提供的病灶演化分析模型的结构示意图；
图3为本发明实施例提供的DR病灶演化分析装置的结构示意图；
图4为本发明实施例提供的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。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。
目前基于DR影像进行病灶演化分析的方案，普遍在图像配准方面存在误差，导致病灶演化分析精度欠佳。对此，本发明实施例提供了一种DR病灶演化分析方法。
图1为本发明实施例提供的DR病灶演化分析方法的流程示意图，如图1所示，该方法包括：
步骤110，确定包含多个DR影像的影像序列。
此处的影像序列中包含同一患者在不同时间拍摄的多个DR影像，且影像序列中的DR影像是基于拍摄时间的先后顺序从先往后排列的，例如影像序列中的0号DR影像代表拍摄时间最早的DR影像，n-1号图像代表拍摄时间最晚的DR影像，n为影像序列中的DR影像数量。
步骤120，将影像序列输入至病灶演化分析模型，得到病灶演化分析模型输出的病灶演化分析结果；其中，病灶演化分析模型用于定位每一DR影像的病灶区域，并确定每两个相邻的DR影像之间的变化映射关系，基于每一DR影像的病灶区域以及每两个相邻的DR影像之间的变化映射关系，确定病灶序列信息以进行病灶演化分析。
具体地，针对于影像序列中的任一DR影像，该DR影像中可能存在一处或多处病灶，每一病灶在DR图像中所处的位置记为该DR影像的病灶区域。通过定位该DR影像的病灶区域，可以确定该DR影像中存在的病灶类型，以及每个病灶在该DR影像中的位置。
针对于影像序列中任意两个相邻的DR影像，根据此两个DR影像的图像特征，可以预测将其中一个DR影像变换为另一个DR影像的映射，从而得到两个DR影像之间的变化映射关系。变化映射关系可以实现两个DR影像相互之间的变化。
针对于两个相邻的DR影像中一个DR影像的病灶区域，以及此两者之间的变化映射关系，可以推断出该DR影像的病灶区域在另一个DR影像中的映射位置，并参考另一个DR影像的病灶区域，从而确定DR影像的病灶区域所对应的病灶在两个相邻的DR影像中的变化情况。基于影像序列中每两个相邻的DR影像的病灶区域，以及每两个相邻的DR影像之间的变化映射关系，即可确定病灶在每两个相邻的DR影像中的变化情况，进而得到病灶序列信息。此处的病灶序列信息体现了各种病灶在影像序列中每张DR影像的变化情况。
病灶演化分析模型对输入的影像序列中的每个DR影像进行分析，从而定位每个DR影像的病灶区域，并确定每两个相邻的DR影像之间的变化映射关系。接着，病灶演化分析模型基于每一DR影像的病灶区域以及每两个相邻的DR影像之间的变化映射关系，确定病灶序列信息，从而基于病灶序列信息进行病灶演化分析，得到病灶演化分析结果。此处的病灶演化分析结果可以是同一病灶的面积变化、相对密度的变化、同一病灶的性质变化，也可以是影像序列的病变整体的变化，例如病灶数量的增加或减少，病灶的消散。
由此得到的病灶演化分析结果，可以与医师诊断得到的诊断结果所对应的各种病灶的演化情况相比较，从而验证医师的诊断结果是否准确。针对于同一类疾病的不同患者的病灶演化分析结果，还可以用于对该类疾病所体现的病灶演化分析结果进行大规模的数据统计，从而帮助人们快速了解该类疾病的病灶演化规律。
在执行步骤120之前，还可以预先训练得到病灶演化分析模型，具体可以通过如下方式训练得到病灶演化分析模型：首先，收集大量样本影像序列，并标定样本影像序列的样本病灶演化分析结果。随即，基于样本影像序列及其对应的样本病灶演化分析结果训练初始模型，从而得到病灶演化分析模型。
本发明实施例提供的方法，结合影像序列中每个DR影像的病灶区域，以及每两个相邻的DR影像之间的变化映射关系，实现DR影像之间的配准，有效克服了由于图像差异过大而导致配准失效的问题，提高了图像配准的可靠性和准确性，由此得到准确可靠的病灶演化分析结果。
进一步地，本发明实施例中，通过两个DR影像之间的变化映射关系来描述构建DR影像之间的配准。相较于现有的配准方法，通过变化映射关系进行配准，一方面具有更为广泛的意义，涵盖了诸如空间变换、特征变换等各种方式；另一方面这种映射方式由于采用了特殊的深度学习的方法进行构建，具有更高的鲁棒性。综合考虑，通过变化映射关系能够更好地完成DR影像间的配准，从而达到分析病灶演化的目的。
基于上述实施例，图2为本发明实施例提供的病灶演化分析模型的结构示意图，如图2所示，病灶演化分析模型包括特征提取层、病灶检测层、变化映射预测层、病灶序列提取层、病灶推断分析层。
其中，特征提取层用于对任一DR影像进行特征提取，从而得到该DR影像的影像特征；
病灶检测层基于任一DR影像的影像特征，对该DR影像进行病灶检测，进而得到该DR影像的病灶区域；
变化映射预测层基于任意两个相邻的DR影像的影像特征，推理此两个DR影像之间的变化映射关系；
病灶序列提取层基于每个DR影像的病灶区域，以及每两个相邻的DR影像之间的变化映射关系，对每两个相邻的DR影像进行配准，从而得到病灶序列信息；
病灶推断分析层基于病灶序列信息进行病灶推理和病灶分析，进而得到病灶推理分析结构。
基于上述任一实施例，步骤120具体包括：
步骤121，将任一DR影像输入至特征提取层，得到特征提取层输出的该DR影像的影像特征。
具体地，特征提取层用于实现DR影像的影像特征提取。
进一步地，特征提取层可以是从基于ResXnet构建的医学图像分类器中提取的用于特征提取的部分。在得到ResXnet后，可以将医学图像以及对应的分类标签对ResXnet进行分类训练，使得训练结束后的ResXnet具备提取医学图像的特征并进行分类的能力，在此基础上，从中提取用于特征提取的部分作为病灶演化分析模型的特征提取层。
步骤122，将该DR影像的影像特征输入至病灶检测层，得到病灶检测层输出的该DR影像的病灶区域。
具体地，病灶检测层用于基于影像特征对DR影像进行病灶检测，从而得到DR影像中包含的病灶类型以及其对应区域。
步骤123，将任意两个相邻的DR影像的影像特征输入至变化映射预测层，得到变化映射预测层输出的此两个相邻的DR影像之间的变化映射关系。
具体地，变化映射预测层可以采用RNN(循环神经网络)结构进行构建，该结构具有存储，分析时序信息的功能。由此构建的变化映射预测层，具备时序信息的分析能力，因此可以应用于分析前后两个DR影像之间的变化映射关系。
进一步地，针对于变化映射预测层的训练样本可以预先进行数据增广，从而使得训练样本可以涵盖诸如“白肺”在内的空间结构存在显著变化的DR影像，使得训练完成后的变化映射预测层能够具备处理异常情况的能力。
步骤124，将每一DR影像的病灶区域和每两个相邻的DR影像之间的变化映射关系输入至病灶序列提取层，得到病灶序列提取层输出的病灶序列信息。
具体地，病灶序列提取层将每一DR影像的病灶区域和每两个相邻的DR影像之间的变化映射关系相结合，从而对每两个相邻的DR影像的病灶进行配准分析，从而从每个DR影像的影像特征中截取出病灶对应的特征，形成病灶序列信息。
步骤125，将病灶序列信息输入至病灶推断分析层，得到病灶推断分析层输出的病灶演化分析结果。
基于上述任一实施例，病灶检测层是基于DenseNet和Grad-Cam构建的。
具体地，病灶检测层是对密集卷积网络DenseNet进行改造得到的，具体可以去除DenseNet中最后的分类模块，代之以Grad-Cam分析模块，从而使得改造后的DenseNet能够提取整个网络的注意力分布图，从而根据注意力分布图来获取关注区域，进而根据关注区域判断是否存在病灶。
基于上述任一实施例，任意两个相邻的DR影像之间的变化映射关系为两个相邻的DR影像中，从前一DR影像向后一DR影像映射的关系；
变化映射预测层是基于两个相邻的样本DR影像，以及两个相邻的样本DR影像中前一样本影像向后一样本DR影像映射的关系和后一样本影像向前一样本DR影像映射的关系训练得到的。
假设任意两个相邻的DR影像分别为编号为m和m+1的DR影像，此处分别记为前一DR影像和后一DR影像。将编号为m和m+1的DR影像的影像特征输入变化映射预测层所得的两者之间的变化映射关系，即从编号为m的DR影像向编号m+1的DR影像映射的关系。
在对变化映射预测层训练时，为了防止变化映射预测层输出的变化映射关系失效，或者输出一个非常离谱的变化映射关系，可以采用互证模式对变化映射预测层进行训练，即在训练时，将编码为m和m+1的样本DR影像作为前一样本影像和后一样本DR影像，预测从编号为m的样本DR影像向编号m+1的DR样本影像映射的关系，再将编码为m+1和m的样本DR影像作为前一样本影像和后一样本DR影像，预测从编号为m+1的样本DR影像向编号m的DR样本影像映射的关系，结合从编号为m的样本DR影像向编号m+1的DR样本影像映射的关系，以及从编号为m+1的样本DR影像向编号m的DR样本影像映射的关系，确定编码为m和m+1的样本DR影像的相互映射关系，使得变化映射预测层能够准确地预测变化映射关系。
本发明实施例提供的方法，通过互证模式训练变化映射预测层，可以有效防止变化映射预测层输出的变化映射关系失效，或者输出一个非常离谱的变化映射关系，提高前后两个DR影像的配准可靠性。
基于上述任一实施例，步骤124具体包括：
将任意两个相邻的DR影像的病灶区域和两者之间的变化映射关系输入至病灶序列提取层，由病灶序列提取层基于变化映射关系确定该两个相邻的DR影像中前一DR影像的病灶区域对应在后一DR影像中的映射区域，并基于后一DR影像的病灶区域和映射区域，输出相邻病灶序列信息。
假设任意两个相邻的DR影像分别为编号为m和m+1的DR影像，其中编号为m的DR影像经过病灶检测层可能得到n个病灶区域，基于变化映射预测层输出的变化映射关系，即从编号为m的DR影像向编号m+1的DR影像映射的关系，可以在编号为m+1的DR影像中，定位到n个病灶区域分别对应的映射区域，针对于其中任一病灶区域，可以判断该病灶区域对应的映射区域中是否检测到病灶，如果未检测到病灶，则说明编号m+1的DR影像中并不存在该病灶，相邻病灶序列信息中仅包含编号m的DR影像中的病灶；如果检测到病灶，则说明编号m和m+1的DR影像中包含有属于同一个病灶的不同时间阶段，相邻病灶序列信息中包含编号m和m+1的DR影像中的病灶；如果编号m+1的DR影像中存在编号m的DR影像中不存在的病灶，则说明在编号m+1的DR影像所对应的时段内产生了新的病灶，相邻病灶序列信息中包含编号m+1的DR影像中的病灶。
通过对影像序列中的每两个相邻的DR影像所对应的邻病灶序列信息进行组合，即可得到影像序列所对应的病灶序列信息，从而追踪每个病灶在影像序列中的生成、演化和消失的过程。
本发明实施例提供的方法中，病灶序列提取层基于两个相邻DR影像的病灶区域和两者之间的变化映射关系进行配准，从而提取病灶序列信息，为后续实现准确可靠的病灶演化分析提供了条件。
基于上述任一实施例，步骤125具体包括：
步骤1251，将病灶序列信息输入至病灶推断分析层的病灶分析层，得到病灶分析层输出的病灶分析结果；
步骤1252，将病灶序列信息输入至病灶推断分析层的病灶推断层，得到病灶推断层输出的病灶推断结果。
具体地，病灶的演化分析可以划分为病灶分析和病灶推断两个部分分别实现：
其中，病灶分析层用于通过图像分析的方式分析病灶序列信息中所展现的病灶区域的面积变化，病变性质的变化，例如磨玻璃、实变等；此外，病灶分析层还可以根据病灶序列信息生成针对于病变整体的变化，例如病灶数量增多、消散等。病灶分析层可以通过统计计算实现，通过统计前后病变数目的变化，病灶配准后对应面积的变化，病灶配准后相对密度的变化等方式来生成对影像序列中病灶演化的解释，作为病灶分析结果。
病灶推断层用基于病灶序列信息检测病灶的病程分期，预测病灶的修复时间。病灶推断层可以是RNN结构。病灶推断层可以通过如下方式预先构建：采用具有时间先后的病灶序列信息送入初始模型进行训练，训练的标签是由医师标定的病程分期，以及医师客观观察到的病灶修复时间，由此训练得到的病灶推断层具有分析病程、预测病灶修复时间的功能。
基于上述任一实施例，一种DR病灶演化分析方法包括：
首先，确定包含多个DR影像的影像序列。对其中每一DR影像进行预处理，得到每一DR影像对应的影像张量，并按照拍摄时间的先后顺序组成时间序列张量，用于后续处理，此处的预处理是应用最大值最小值规范化方法将DR影像处理成数值在0到1之前分布的影像张量。
将时间序列张量输入至特征提取层，得到特征提取层输出的每一DR影像的影像特征；
将每一DR影像的影像特征输入至病灶检测层，得到病灶检测层输出的每一DR影像的病灶区域；
将每两个相邻的DR影像的影像特征输入至变化映射预测层，得到变化映射预测层输出的每两个相邻的DR影像之间的变化映射关系；
将每一DR影像的病灶区域和每两个相邻的DR影像之间的变化映射关系输入至病灶序列提取层，得到病灶序列提取层输出的病灶序列信息；
将病灶序列信息输入至病灶分析层，得到病灶分析层输出的病灶分析结果；
将病灶序列信息输入至病灶推断层，得到病灶推断层输出的病灶推断结果。
基于上述任一实施例，图3为本发明实施例提供的DR病灶演化分析装置的结构示意图，如图3所示，该装置包括：
影像序列确定单元310，用于确定包含多个DR影像的影像序列；
病灶演化分析单元320，用于将所述影像序列输入至病灶演化分析模型，得到所述病灶演化分析模型输出的病灶演化分析结果；
其中，所述病灶演化分析模型用于定位每一DR影像的病灶区域，并确定每两个相邻的DR影像之间的变化映射关系，基于每一DR影像的病灶区域以及每两个相邻的DR影像之间的变化映射关系，确定病灶序列信息以进行病灶演化分析。
具体地，影像序列确定单元310中，影像序列中包含同一患者在不同时间拍摄的多个DR影像，且影像序列中的DR影像是基于拍摄时间的先后顺序从先往后排列的，例如影像序列中的0号DR影像代表拍摄时间最早的DR影像，n-1号图像代表拍摄时间最晚的DR影像，n为影像序列中的DR影像数量。
病灶演化分析单元320中，针对于影像序列中的任一DR影像，该DR影像中可能存在一处或多处病灶，每一病灶在DR图像中所处的位置记为该DR影像的病灶区域。通过定位该DR影像的病灶区域，可以确定该DR影像中存在的病灶类型，以及每个病灶在该DR影像中的位置。
针对于影像序列中任意两个相邻的DR影像，根据此两个DR影像的图像特征，可以预测将其中一个DR影像变换为另一个DR影像的映射，从而得到两个DR影像之间的变化映射关系。变化映射关系可以实现两个DR影像相互之间的变化。
针对于两个相邻的DR影像中一个DR影像的病灶区域，以及此两者之间的变化映射关系，可以推断出该DR影像的病灶区域在另一个DR影像中的映射位置，并参考另一个DR影像的病灶区域，从而确定DR影像的病灶区域所对应的病灶在两个相邻的DR影像中的变化情况。基于影像序列中每两个相邻的DR影像的病灶区域，以及每两个相邻的DR影像之间的变化映射关系，即可确定病灶在每两个相邻的DR影像中的变化情况，进而得到病灶序列信息。此处的病灶序列信息体现了各种病灶在影像序列中每张DR影像的变化情况。
病灶演化分析模型对输入的影像序列中的每个DR影像进行分析，从而定位每个DR影像的病灶区域，并确定每两个相邻的DR影像之间的变化映射关系。接着，病灶演化分析模型基于每一DR影像的病灶区域以及每两个相邻的DR影像之间的变化映射关系，确定病灶序列信息，从而基于病灶序列信息进行病灶演化分析，得到病灶演化分析结果。此处的病灶演化分析结果可以是同一病灶的面积变化、相对密度的变化、同一病灶的性质变化，也可以是影像序列的病变整体的变化，例如病灶数量的增加或减少，病灶的消散。
由此得到的病灶演化分析结果，可以与医师诊断得到的诊断结果所对应的各种病灶的演化情况相比较，从而验证医师的诊断结果是否准确。针对于同一类疾病的不同患者的病灶演化分析结果，还可以用于对该类疾病所体现的病灶演化分析结果进行大规模的数据统计，从而帮助人们快速了解该类疾病的病灶演化规律。
其中，病灶演化分析模型可以是预先训练得到的，具体可以通过如下方式训练得到病灶演化分析模型：首先，收集大量样本影像序列，并标定样本影像序列的样本病灶演化分析结果。随即，基于样本影像序列及其对应的样本病灶演化分析结果训练初始模型，从而得到病灶演化分析模型。
本发明实施例提供的装置，结合影像序列中每个DR影像的病灶区域，以及每两个相邻的DR影像之间的变化映射关系，实现DR影像之间的配准，有效克服了由于图像差异过大而导致配准失效的问题，提高了图像配准的可靠性和准确性，由此得到准确可靠的病灶演化分析结果。
基于上述任一实施例，所述病灶演化分析模型包括特征提取层、病灶检测层、变化映射预测层、病灶序列提取层、病灶推断分析层。
其中，特征提取层用于对任一DR影像进行特征提取，从而得到该DR影像的影像特征；
病灶检测层基于任一DR影像的影像特征，对该DR影像进行病灶检测，进而得到该DR影像的病灶区域；
变化映射预测层基于任意两个相邻的DR影像的影像特征，推理此两个DR影像之间的变化映射关系；
病灶序列提取层基于每个DR影像的病灶区域，以及每两个相邻的DR影像之间的变化映射关系，对每两个相邻的DR影像进行配准，从而得到病灶序列信息；
病灶推断分析层基于病灶序列信息进行病灶推理和病灶分析，进而得到病灶推理分析结构。
基于上述任一实施例，所述病灶演化分析单元320包括：
特征提取子单元，用于将任一DR影像输入至所述特征提取层，得到所述特征提取层输出的所述任一DR影像的影像特征；
病灶检测子单元，用于将所述任一DR影像的影像特征输入至所述病灶检测层，得到所述病灶检测层输出的所述任一DR影像的病灶区域；
变化映射子单元，用于将任意两个相邻的DR影像的影像特征输入至所述变化映射预测层，得到所述变化映射预测层输出的所述任意两个相邻的DR影像之间的变化映射关系；
序列提取子单元，用于将每一DR影像的病灶区域和每两个相邻的DR影像之间的变化映射关系输入至所述病灶序列提取层，得到所述病灶序列提取层输出的所述病灶序列信息；
推断分析子单元，用于将所述病灶序列信息输入至所述病灶推断分析层，得到所述病灶推断分析层输出的所述病灶演化分析结果。
具体地，特征提取子单元中，特征提取层用于实现DR影像的影像特征提取。进一步地，特征提取层可以是从基于ResXnet构建的医学图像分类器中提取的用于特征提取的部分。在得到ResXnet后，可以将医学图像以及对应的分类标签对ResXnet进行分类训练，使得训练结束后的ResXnet具备提取医学图像的特征并进行分类的能力，在此基础上，从中提取用于特征提取的部分作为病灶演化分析模型的特征提取层。
病灶检测子单元中，病灶检测层用于基于影像特征对DR影像进行病灶检测，从而得到DR影像中包含的病灶类型以及其对应区域。
变化映射子单元中，变化映射预测层可以采用RNN(循环神经网络)结构进行构建，该结构具有存储，分析时序信息的功能。由此构建的变化映射预测层，具备时序信息的分析能力，因此可以应用于分析前后两个DR影像之间的变化映射关系。
进一步地，针对于变化映射预测层的训练样本可以预先进行数据增广，从而使得训练样本可以涵盖诸如“白肺”在内的空间结构存在显著变化的DR影像，使得训练完成后的变化映射预测层能够具备处理异常情况的能力。
序列提取子单元中，病灶序列提取层将每一DR影像的病灶区域和每两个相邻的DR影像之间的变化映射关系相结合，从而对每两个相邻的DR影像的病灶进行配准分析，从而从每个DR影像的影像特征中截取出病灶对应的特征，形成病灶序列信息。
基于上述任一实施例，病灶检测层是基于DenseNet和Grad-Cam构建的。
具体地，病灶检测层是对密集卷积网络DenseNet进行改造得到的，具体可以去除DenseNet中最后的分类模块，代之以Grad-Cam分析模块，从而使得改造后的DenseNet能够提取整个网络的注意力分布图，从而根据注意力分布图来获取关注区域，进而根据关注区域判断是否存在病灶。
基于上述任一实施例，所述任意两个相邻的DR影像之间的变化映射关系为所述任意两个相邻的DR影像中，从前一DR影像向后一DR影像映射的关系；
所述变化映射预测层是基于任意两个相邻的样本DR影像，以及所述任意两个相邻的样本DR影像中前一样本影像向后一样本DR影像映射的关系和后一样本影像向前一样本DR影像映射的关系训练得到的。
假设任意两个相邻的DR影像分别为编号为m和m+1的DR影像，此处分别记为前一DR影像和后一DR影像。将编号为m和m+1的DR影像的影像特征输入变化映射预测层所得的两者之间的变化映射关系，即从编号为m的DR影像向编号m+1的DR影像映射的关系。
在对变化映射预测层训练时，为了防止变化映射预测层输出的变化映射关系失效，或者输出一个非常离谱的变化映射关系，可以采用互证模式对变化映射预测层进行训练，即在训练时，将编码为m和m+1的样本DR影像作为前一样本影像和后一样本DR影像，预测从编号为m的样本DR影像向编号m+1的DR样本影像映射的关系，再将编码为m+1和m的样本DR影像作为前一样本影像和后一样本DR影像，预测从编号为m+1的样本DR影像向编号m的DR样本影像映射的关系，结合从编号为m的样本DR影像向编号m+1的DR样本影像映射的关系，以及从编号为m+1的样本DR影像向编号m的DR样本影像映射的关系，确定编码为m和m+1的样本DR影像的相互映射关系，使得变化映射预测层能够准确地预测变化映射关系。
本发明实施例提供的装置，通过互证模式训练变化映射预测层，可以有效防止变化映射预测层输出的变化映射关系失效，或者输出一个非常离谱的变化映射关系，提高前后两个DR影像的配准可靠性。
基于上述任一实施例，所述序列提取子单元具体用于：
将任意两个相邻的DR影像的病灶区域和两者之间的变化映射关系输入至所述病灶序列提取层，由所述病灶序列提取层基于所述变化映射关系确定所述任意两个相邻的DR影像中前一DR影像的病灶区域对应在后一DR影像中的映射区域，并基于所述后一DR影像的病灶区域和所述映射区域，输出相邻病灶序列信息。
假设任意两个相邻的DR影像分别为编号为m和m+1的DR影像，其中编号为m的DR影像经过病灶检测层可能得到n个病灶区域，基于变化映射预测层输出的变化映射关系，即从编号为m的DR影像向编号m+1的DR影像映射的关系，可以在编号为m+1的DR影像中，定位到n个病灶区域分别对应的映射区域，针对于其中任一病灶区域，可以判断该病灶区域对应的映射区域中是否检测到病灶，如果未检测到病灶，则说明编号m+1的DR影像中并不存在该病灶，相邻病灶序列信息中仅包含编号m的DR影像中的病灶；如果检测到病灶，则说明编号m和m+1的DR影像中包含有属于同一个病灶的不同时间阶段，相邻病灶序列信息中包含编号m和m+1的DR影像中的病灶；如果编号m+1的DR影像中存在编号m的DR影像中不存在的病灶，则说明在编号m+1的DR影像所对应的时段内产生了新的病灶，相邻病灶序列信息中包含编号m+1的DR影像中的病灶。
通过对影像序列中的每两个相邻的DR影像所对应的邻病灶序列信息进行组合，即可得到影像序列所对应的病灶序列信息，从而追踪每个病灶在影像序列中的生成、演化和消失的过程。
本发明实施例提供的装置中，病灶序列提取层基于两个相邻DR影像的病灶区域和两者之间的变化映射关系进行配准，从而提取病灶序列信息，为后续实现准确可靠的病灶演化分析提供了条件。
基于上述任一实施例，所述推断分析子单元具体用于：
将所述病灶序列信息输入至所述病灶推断分析层的病灶分析层，得到所述病灶分析层输出的病灶分析结果；
将所述病灶序列信息输入至所述病灶推断分析层的病灶推断层，得到所述病灶推断层输出的病灶推断结果。
具体地，病灶的演化分析可以划分为病灶分析和病灶推断两个部分分别实现：
其中，病灶分析层用于通过图像分析的方式分析病灶序列信息中所展现的病灶区域的面积变化，病变性质的变化，例如磨玻璃、实变等；此外，病灶分析层还可以根据病灶序列信息生成针对于病变整体的变化，例如病灶数量增多、消散等。病灶分析层可以通过统计计算实现，通过统计前后病变数目的变化，病灶配准后对应面积的变化，病灶配准后相对密度的变化等方式来生成对影像序列中病灶演化的解释，作为病灶分析结果。
病灶推断层用基于病灶序列信息检测病灶的病程分期，预测病灶的修复时间。病灶推断层可以是RNN结构。病灶推断层可以通过如下方式预先构建：采用具有时间先后的病灶序列信息送入初始模型进行训练，训练的标签是由医师标定的病程分期，以及医师客观观察到的病灶修复时间，由此训练得到的病灶推断层具有分析病程、预测病灶修复时间的功能。
图4为本发明实施例提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑命令，以执行如下方法：确定包含多个DR影像的影像序列；将所述影像序列输入至病灶演化分析模型，得到所述病灶演化分析模型输出的病灶演化分析结果；其中，所述病灶演化分析模型用于定位每一DR影像的病灶区域，并确定每两个相邻的DR影像之间的变化映射关系，基于每一DR影像的病灶区域以及每两个相邻的DR影像之间的变化映射关系，确定病灶序列信息以进行病灶演化分析。
此外，上述的存储器430中的逻辑命令可以通过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，包括若干命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。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：确定包含多个DR影像的影像序列；将所述影像序列输入至病灶演化分析模型，得到所述病灶演化分析模型输出的病灶演化分析结果；其中，所述病灶演化分析模型用于定位每一DR影像的病灶区域，并确定每两个相邻的DR影像之间的变化映射关系，基于每一DR影像的病灶区域以及每两个相邻的DR影像之间的变化映射关系，确定病灶序列信息以进行病灶演化分析。
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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干命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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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精神和范围。

Claims (6)

1.一种DR病灶演化分析装置，其特征在于，包括：
影像序列确定单元，用于确定包含多个DR影像的影像序列；
病灶演化分析单元，用于将所述影像序列输入至病灶演化分析模型，得到所述病灶演化分析模型输出的病灶演化分析结果；
其中，所述病灶演化分析模型用于定位每一DR影像的病灶区域，并确定每两个相邻的DR影像之间的变化映射关系，基于每一DR影像的病灶区域以及每两个相邻的DR影像之间的变化映射关系，确定病灶序列信息以进行病灶演化分析；
所述病灶演化分析模型包括特征提取层、病灶检测层、变化映射预测层、病灶序列提取层、病灶推断分析层；
所述病灶演化分析单元包括：
特征提取子单元，用于将任一DR影像输入至所述特征提取层，得到所述特征提取层输出的所述任一DR影像的影像特征；
病灶检测子单元，用于将所述任一DR影像的影像特征输入至所述病灶检测层，得到所述病灶检测层输出的所述任一DR影像的病灶区域；
变化映射子单元，用于将任意两个相邻的DR影像的影像特征输入至所述变化映射预测层，得到所述变化映射预测层输出的所述任意两个相邻的DR影像之间的变化映射关系；
序列提取子单元，用于将每一DR影像的病灶区域和每两个相邻的DR影像之间的变化映射关系输入至所述病灶序列提取层，得到所述病灶序列提取层输出的所述病灶序列信息；
推断分析子单元，用于将所述病灶序列信息输入至所述病灶推断分析层，得到所述病灶推断分析层输出的所述病灶演化分析结果。
2.根据权利要求1所述的DR病灶演化分析装置，其特征在于，所述任意两个相邻的DR影像之间的变化映射关系为所述任意两个相邻的DR影像中，从前一DR影像向后一DR影像映射的关系；
所述变化映射预测层是基于任意两个相邻的样本DR影像，以及所述任意两个相邻的样本DR影像中前一样本影像向后一样本DR影像映射的关系和后一样本影像向前一样本DR影像映射的关系训练得到的。
3.根据权利要求1所述的DR病灶演化分析装置，其特征在于，所述序列提取子单元具体用于：
将任意两个相邻的DR影像的病灶区域和两者之间的变化映射关系输入至所述病灶序列提取层，由所述病灶序列提取层基于所述变化映射关系确定所述任意两个相邻的DR影像中前一DR影像的病灶区域对应在后一DR影像中的映射区域，并基于所述后一DR影像的病灶区域和所述映射区域，输出相邻病灶序列信息。
4.根据权利要求1所述的DR病灶演化分析装置，其特征在于，所述推断分析子单元具体用于：
将所述病灶序列信息输入至所述病灶推断分析层的病灶分析层，得到所述病灶分析层输出的病灶分析结果；
将所述病灶序列信息输入至所述病灶推断分析层的病灶推断层，得到所述病灶推断层输出的病灶推断结果。
5.根据权利要求1所述的DR病灶演化分析装置，其特征在于，所述病灶检测层是基于DenseNet和Grad-Cam构建的。
6.一种DR病灶演化分析方法，其特征在于，包括：
确定包含多个DR影像的影像序列；
将所述影像序列输入至病灶演化分析模型，得到所述病灶演化分析模型输出的病灶演化分析结果；
其中，所述病灶演化分析模型用于定位每一DR影像的病灶区域，并确定每两个相邻的DR影像之间的变化映射关系，基于每一DR影像的病灶区域以及每两个相邻的DR影像之间的变化映射关系，确定病灶序列信息以进行病灶演化分析；
所述病灶演化分析模型包括特征提取层、病灶检测层、变化映射预测层、病灶序列提取层、病灶推断分析层；
所述将所述影像序列输入至病灶演化分析模型，得到所述病灶演化分析模型输出的病灶演化分析结果，具体包括：
将任一DR影像输入至所述特征提取层，得到所述特征提取层输出的所述任一DR影像的影像特征；
将所述任一DR影像的影像特征输入至所述病灶检测层，得到所述病灶检测层输出的所述任一DR影像的病灶区域；
将任意两个相邻的DR影像的影像特征输入至所述变化映射预测层，得到所述变化映射预测层输出的所述任意两个相邻的DR影像之间的变化映射关系；
将每一DR影像的病灶区域和每两个相邻的DR影像之间的变化映射关系输入至所述病灶序列提取层，得到所述病灶序列提取层输出的所述病灶序列信息；
将所述病灶序列信息输入至所述病灶推断分析层，得到所述病灶推断分析层输出的所述病灶演化分析结果。
CN202010264131.6A 2020-04-07 2020-04-07 Dr病灶演化分析装置和方法 Active CN111462203B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010264131.6A CN111462203B (zh) 2020-04-07 2020-04-07 Dr病灶演化分析装置和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010264131.6A CN111462203B (zh) 2020-04-07 2020-04-07 Dr病灶演化分析装置和方法

Publications (2)

Publication Number Publication Date
CN111462203A CN111462203A (zh) 2020-07-28
CN111462203B true CN111462203B (zh) 2021-08-10

Family

ID=71685159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010264131.6A Active CN111462203B (zh) 2020-04-07 2020-04-07 Dr病灶演化分析装置和方法

Country Status (1)

Country Link
CN (1) CN111462203B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907551B (zh) * 2021-03-05 2023-03-28 广东开放大学（广东理工职业学院） 一种基于超声检测图像的疾病演化方法及装置
CN113298157A (zh) * 2021-05-28 2021-08-24 上海商汤智能科技有限公司 病灶匹配方法及装置、电子设备和存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013003826A1 (en) * 2011-06-29 2013-01-03 The Regents Of The University Of Michigan Analysis of temporal changes in registered tomographic images
CN103345740A (zh) * 2013-06-13 2013-10-09 沈阳航空航天大学 基于多投影图像配准的肺结节检测方法
CN104750951A (zh) * 2013-11-21 2015-07-01 上海联影医疗科技有限公司 一种医疗图像数据的分析处理方法及装置
CN106157282A (zh) * 2015-03-31 2016-11-23 深圳迈瑞生物医疗电子股份有限公司 图像处理系统及方法
CN106204600A (zh) * 2016-07-07 2016-12-07 广东技术师范学院 基于多序列mr图像关联信息的脑肿瘤图像分割方法
CN107644436A (zh) * 2017-09-26 2018-01-30 上海联影医疗科技有限公司 一种图像处理的方法及装置
US10382680B2 (en) * 2016-10-31 2019-08-13 Verizon Patent And Licensing Inc. Methods and systems for generating stitched video content from multiple overlapping and concurrently-generated video instances
CN110766735A (zh) * 2019-10-21 2020-02-07 北京推想科技有限公司 一种图像的匹配方法、装置、设备及存储介质
CN110853082A (zh) * 2019-10-21 2020-02-28 科大讯飞股份有限公司 医学图像配准方法、装置、电子设备及计算机存储介质
US10585849B2 (en) * 2015-02-03 2020-03-10 Pusan National University Industry-University Cooperation Foundation Medical information providing apparatus and medical information providing method

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013003826A1 (en) * 2011-06-29 2013-01-03 The Regents Of The University Of Michigan Analysis of temporal changes in registered tomographic images
CN103345740A (zh) * 2013-06-13 2013-10-09 沈阳航空航天大学 基于多投影图像配准的肺结节检测方法
CN104750951A (zh) * 2013-11-21 2015-07-01 上海联影医疗科技有限公司 一种医疗图像数据的分析处理方法及装置
US10585849B2 (en) * 2015-02-03 2020-03-10 Pusan National University Industry-University Cooperation Foundation Medical information providing apparatus and medical information providing method
CN106157282A (zh) * 2015-03-31 2016-11-23 深圳迈瑞生物医疗电子股份有限公司 图像处理系统及方法
CN106204600A (zh) * 2016-07-07 2016-12-07 广东技术师范学院 基于多序列mr图像关联信息的脑肿瘤图像分割方法
US10382680B2 (en) * 2016-10-31 2019-08-13 Verizon Patent And Licensing Inc. Methods and systems for generating stitched video content from multiple overlapping and concurrently-generated video instances
CN107644436A (zh) * 2017-09-26 2018-01-30 上海联影医疗科技有限公司 一种图像处理的方法及装置
CN110766735A (zh) * 2019-10-21 2020-02-07 北京推想科技有限公司 一种图像的匹配方法、装置、设备及存储介质
CN110853082A (zh) * 2019-10-21 2020-02-28 科大讯飞股份有限公司 医学图像配准方法、装置、电子设备及计算机存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Mosquito Larvae Image Classification Based on DenseNet and Guided Grad-CAM;Zaira García 等;《SpringerLink》;20190922;第239-246页 *
基于模式识别的生物医学图像处理研究现状;徐莹莹 等;《基于模式识别的生物医学图像处理研究现状》;20200115;第42卷(第1期);第201-209页 *

Also Published As

Publication number Publication date
CN111462203A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
Fan et al. Inf-net: Automatic covid-19 lung infection segmentation from ct images
US11710233B2 (en) Three-dimensional medical image analysis method and system for identification of vertebral fractures
US10853449B1 (en) Report formatting for automated or assisted analysis of medical imaging data and medical diagnosis
Zhou et al. An automatic COVID-19 CT segmentation network using spatial and channel attention mechanism
Mansour et al. Internet of things and synergic deep learning based biomedical tongue color image analysis for disease diagnosis and classification
Szankin et al. Can AI see bias in X-ray images?
KR101919847B1 (ko) 동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 자동으로 검출하는 방법 및 이를 이용한 장치
CN111681247B (zh) 肺叶肺段分割模型训练方法和装置
CN111462203B (zh) Dr病灶演化分析装置和方法
KR101923962B1 (ko) 의료 영상의 열람을 지원하는 방법 및 이를 이용한 장치
CN113469981A (zh) 图像处理方法、装置及存储介质
US20230334868A1 (en) Surgical phase recognition with sufficient statistical model
CN113160199B (zh) 影像识别方法、装置、计算机设备和存储介质
CN113724185B (zh) 用于图像分类的模型处理方法、装置及存储介质
US20230052145A1 (en) Explaining a model output of a trained model
Wang et al. A ROI extraction method for wrist imaging applied in smart bone-age assessment system
Tan et al. SwinUNeLCsT: Global–local spatial representation learning with hybrid CNN–transformer for efficient tuberculosis lung cavity weakly supervised semantic segmentation
Hossain et al. COVID-19 detection through deep learning algorithms using chest X-ray images
CN111476775B (zh) Dr征象识别装置和方法
CN114283114A (zh) 图像处理方法、装置、设备及存储介质
Zaeri AI modeling to combat COVID-19 using CT scan imaging algorithms and simulations: a study
Reddy et al. Detection and prediction of lung cancer using different algorithms
Le et al. Ovarian Tumors Detection and Classification on Ultrasound Images Using One-stage Convolutional Neural Networks
CN118570570B (zh) 一种基于图像识别技术的中医舌象辨识系统及方法
Shao et al. Automatic analysis of a skull fracture based on image content

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