CN111598862B - 一种乳腺钼靶图像的分割方法、装置、终端及存储介质 - Google Patents
一种乳腺钼靶图像的分割方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN111598862B CN111598862B CN202010403395.5A CN202010403395A CN111598862B CN 111598862 B CN111598862 B CN 111598862B CN 202010403395 A CN202010403395 A CN 202010403395A CN 111598862 B CN111598862 B CN 111598862B
- Authority
- CN
- China
- Prior art keywords
- image
- breast
- molybdenum target
- target image
- 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.)
- Active
Links
- 210000000481 breast Anatomy 0.000 title claims abstract description 250
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 title claims abstract description 200
- 229910052750 molybdenum Inorganic materials 0.000 title claims abstract description 200
- 239000011733 molybdenum Substances 0.000 title claims abstract description 200
- 238000003709 image segmentation Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000011218 segmentation Effects 0.000 claims abstract description 75
- 210000005075 mammary gland Anatomy 0.000 claims abstract description 72
- 210000001519 tissue Anatomy 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims description 34
- 238000005070 sampling Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012805 post-processing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000002308 calcification Effects 0.000 abstract description 8
- 238000011160 research Methods 0.000 abstract description 8
- 206010048782 Breast calcifications Diseases 0.000 abstract description 5
- 206010006272 Breast mass Diseases 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- ODOJGYBXTZYZCP-UHFFFAOYSA-N molybdenum palladium Chemical compound [Mo].[Pd].[Pd].[Pd] ODOJGYBXTZYZCP-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种乳腺钼靶图像的分割方法、装置、终端及存储介质,该方法包括:获取乳腺钼靶图像,并根据乳腺钼靶图像的像素值调整乳腺钼靶图像的对比度;将调整对比度后的乳腺钼靶图像输入预先训练的图像分割模型中,以根据图像分割模型输出乳房区域的预分割图像;对预分割图像进行区域填充和/或剔除处理,得到乳房区域的目标分割图像。通过调整乳腺钼靶图像的对比度,能够突出背景区域和前景区域(乳房区域和非乳房的组织区域)的差异;通过预先训练的图像分割模型可以实现乳腺钼靶图像中乳房区域的预分割;通过对预分割图像进行区域填充和/或剔除处理,可以提高乳房分割精度,有利于前端展示和后续乳腺肿块和钙化研究。
Description
技术领域
本发明实施例涉及图像分割技术,尤其涉及一种乳腺钼靶图像的分割方法、装置、终端及存储介质。
背景技术
目前,乳腺钼靶X线摄影检查,又称钼钯检查,其利用低剂量的X光扫描乳房,经乳房组织对X光不同程度的吸收,得到分辨率较高的乳腺钼靶图像。通过对乳腺钼靶图像进行乳房分割,可确定影像中感兴趣区域信息,例如确定感兴趣区域类型为钙化或肿块等。与人为乳房检查相比,通过钼靶检查可得到更为完整、准确的乳房信息,且检查方法简便、可靠、无创,重复性好,不受年龄、体形的限制,因此已作为常规的乳房检查手段。
现有的乳腺钼靶图像的分割方法包括利用深度学习分割网络进行乳腺分割。现有方法的不足之处至少包括:根据分割网络分割得到的二值图像较为粗糙,不利于前端展示和后续乳腺肿块和钙化研究。
发明内容
有鉴于此,本发明实施例提供了一种乳腺钼靶图像的分割方法、装置、终端及存储介质,能够优化图像分割结果,有利于前端展示和后续乳腺肿块和钙化研究。
第一方面,本发明实施例提供了一种乳腺钼靶图像的分割方法,包括:
获取乳腺钼靶图像,并根据所述乳腺钼靶图像的像素值调整所述乳腺钼靶图像的对比度;
将调整对比度后的乳腺钼靶图像输入预先训练的图像分割模型中,以根据所述图像分割模型输出乳房区域的预分割图像;
对所述预分割图像进行区域填充和/或剔除处理,得到所述乳房区域的目标分割图像。
可选的,所述根据所述乳腺钼靶图像的像素值调整所述乳腺钼靶图像的对比度,包括:
将所述乳腺钼靶图像中像素值为第一预设分位数和第二预设分位数对应的数值作为像素最小值和像素最大值,其中第一预设分位数小于第二预设分位数;
将小于所述像素最小值的像素点的像素值调整为等于所述像素最小值,以及将大于所述像素最大值的像素点的像素值调整为等于所述像素最大值;
将调整像素值完毕的乳腺钼靶图像中的像素值线性映射至0-255范围;
利用图像伽马变换,增强映射像素值完毕的乳腺钼靶图像的对比度。
可选的,在所述将调整对比度后的乳腺钼靶图像输入预先训练的图像分割模型中之前,还包括:将所述调整对比度后的乳腺钼靶图像剪裁为预设大小。
可选的,所述图像分割模型为卷积神经网络,所述卷积神经网络包括依次连接的第一预设数量的下采样层和第二预设数量的上采样层。
进一步的,各所述下采样层包括卷积层和池化层,各所述上采样层包括反卷积层,且各所述卷积层和各所述反卷积层中卷积核数量皆小于U-net模型中对应卷积层和对应反卷积层的卷积核数量。
进一步的,所述卷积神经网络的训练过程包括:
获取样本乳腺钼靶图像,并根据所述样本乳腺钼靶图像的像素值调整所述乳腺钼靶图像的对比度;
对调整对比度后的样本乳腺钼靶图像中的乳房区域、背景区域和非乳房的组织区域进行标注;
根据所述调整对比度后的样本乳腺钼靶图像以及标注结果,对所述卷积神经网络进行训练,直至所述卷积神经网络收敛,得到训练完毕的卷积神经网络;
其中,在训练过程中所述卷积神经网络还包括损失函数层,所述损失函数层中设置的所述非乳房的组织区域的计算权重最高。
可选的,所述对所述预分割图像进行区域填充和/或剔除处理,包括:
对所述预分割图像的乳房区域中低于预设像素值的连通区域进行填充;
和/或,对所述预分割图像的乳房区域中小于预设面积占比的连通区域进行剔除。
第二方面,本发明实施例还提供了一种乳腺钼靶图像的分割装置,包括:
前处理模块,用于获取乳腺钼靶图像,并根据所述乳腺钼靶图像的像素值调整所述乳腺钼靶图像的对比度;
预分割模块,用于将调整对比度后的乳腺钼靶图像输入预先训练的图像分割模型中,以根据所述图像分割模型输出乳房区域的预分割图像;
后处理模块,用于对所述预分割图像进行区域填充和/或剔除处理,得到所述乳房区域的目标分割图像。
第三方面,本发明实施例还提供了一种终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本申请任意实施例提供的乳腺钼靶图像的分割方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如本申请任意实施例提供的乳腺钼靶图像的分割方法。
本发明实施例提供的一种乳腺钼靶图像的分割方法、装置、终端及存储介质,其中乳腺钼靶图像的分割方法包括,获取乳腺钼靶图像,并根据乳腺钼靶图像的像素值调整乳腺钼靶图像的对比度;将调整对比度后的乳腺钼靶图像输入预先训练的图像分割模型中,以根据图像分割模型输出乳房区域的预分割图像;对预分割图像进行区域填充和/或剔除处理,得到乳房区域的目标分割图像。通过调整乳腺钼靶图像的对比度,能够突出背景区域和前景区域(乳房区域和非乳房的其他组织区域)的差异;通过预先训练的图像分割模型可以实现乳腺钼靶图像中乳房区域的预分割;通过对预分割图像进行区域填充和/或剔除处理,可以提高乳房分割精度,有利于前端展示和后续乳腺肿块和钙化研究。
附图说明
图1是本发明实施例一提供的一种乳腺钼靶图像的分割方法的流程示意图;
图2是本发明实施例一提供的一种乳腺钼靶图像的分割方法中各处理步骤后的乳腺钼靶图像;
图3是本发明实施例二提供的一种乳腺钼靶图像的分割方法的流程示意图;
图4是本发明实施例二提供的一种乳腺钼靶图像的分割方法中图像分割模型的结构示意图;
图5是本发明实施例三提供的一种乳腺钼靶图像的分割装置的结构示意图;
图6是本发明实施例四提供的一种终端的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下将参照本发明实施例中的附图,通过实施方式清楚、完整地描述本发明的技术方案,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。下述各实施例中,每个实施例中同时提供了可选特征和示例,实施例中记载的各个特征可进行组合,形成多个可选方案,不应将每个编号的实施例仅视为一个技术方案。
实施例一
图1是本发明实施例一提供的一种乳腺钼靶图像的分割方法的流程示意图,本实施例可适用于对乳腺钼靶图像进行乳房区域分割的情况。该方法可以由本发明实施例提供的乳腺钼靶图像的分割装置(可简称为分割装置)来执行,且分割装置可配置于本发明实施例提供的终端中,例如可配置于与乳腺钼靶图像的扫描设备进行通信的计算机设备中,或者集成于乳腺钼靶图像的扫描设备中,在此不做具体限制。
参见图1,乳腺钼靶图像的分割方法,具体包括如下步骤:
S110、获取乳腺钼靶图像,并根据乳腺钼靶图像的像素值调整乳腺钼靶图像的对比度。
本发明实施例中,乳腺钼靶图像中通常包含乳房区域,背景区域以及与乳房相连的非乳房的其他人体组织区域(即非乳房的组织区域)。相应的,对乳腺钼靶图像进行分割旨在将乳腺钼靶图像中的乳房区域单独标记出来,将背景区域以及非乳房的组织区域分离出去,将乳房区域单独标记的形式例如为将乳腺钼靶图像分割为二值图像,其中乳房区域呈现白色,背景区域以及非乳房的组织区域呈现黑色。经过乳腺钼靶图像分割可利于前端显示屏对乳房区域进行显示,也能够给后续肿块和钙化等研究工作提供乳房区域的边界形状特征。
本实施例中,获取乳腺钼靶图像的方式例如可以为,分割装置与乳腺钼靶图像的扫描装置可以进行通信,分割装置在扫描装置扫描并生成乳腺钼靶图像时,通过通信连接获取实时生成的乳腺钼靶图像。获取乳腺钼靶图像的方式或者还可以为,分割装置接收获取图像指令,解析获取图像指令中的存储地址,进而通过读取该存储地址的数据,来获取已存储的乳腺钼靶图像。
本实施例中,调整乳腺钼靶图像的对比度可以认为是对乳腺钼靶图像的前处理过程,具体是可根据乳腺钼靶图像的像素值增大乳腺钼靶图像的对比度,从而能够极大突出背景区域和前景区域(乳房区域和非乳房的组织区域)的差异,便于有效地将背景区域分离出去。
可选的,根据乳腺钼靶图像的像素值调整乳腺钼靶图像的对比度,包括:将乳腺钼靶图像中像素值为第一预设分位数和第二预设分位数对应的数值作为像素最小值和像素最大值,其中第一预设分位数小于第二预设分位数;将小于像素最小值的像素点的像素值调整为等于像素最小值,以及将大于像素最大值的像素点的像素值调整为等于像素最大值;将调整像素值完毕的乳腺钼靶图像中的像素值线性映射至0-255范围;利用图像伽马变换,增强映射像素值完毕的乳腺钼靶图像的对比度。
本实施例中,调整乳腺钼靶图像的对比度,首先可调整乳腺钼靶图像的窗宽窗位,即分别截取乳腺钼靶图像中像素值为第一预设分位数(例如20%分位数)和第二预设分位数(例如98%分位数)处的数值,作为像素最小值和像素最大值,其中第一预设分位数和第二预设分位数可根据实际图像像素值进行调整;将小于像素最小值的像素点的像素值调整为等于像素最小值,以及将大于像素最大值的像素点的像素值调整为等于像素最大值。然后可将调整像素值完毕的乳腺钼靶图像中的像素值通过线性变换变换到0-255范围内。最后,考虑到前景区域的像素值比较高,而背景区域像素值较低,可通过图像伽马变换对映射像素值完毕的乳腺钼靶图像进行处理,以增强图像的对比度,使得前景区域整体上看像素值明显高于背景区域,并且乳房区域内部较暗的区域通过图像伽马变换也增强了亮度,从而减少了纹理信息的干扰,有利于使图像分割模型更专注于学习乳房区域的形状特征,有效地提升了模型的分割精度。
S120、将调整对比度后的乳腺钼靶图像输入预先训练的图像分割模型中,以根据图像分割模型输出乳房区域的预分割图像。
通过对乳腺钼靶图像的前处理能有效地分离出前景区域和背景区域,而对于前景区域中乳房区域和非乳房的组织区域分离,则可进一步通过图像分割模型进行预分割。
本实施例中,图像分割模型可以包括专家系统或人工智能网络模型,且人工智能网络模型包括机器学习(Machine Learning,ML)模型或深度学习(Deep Learning,DL)模型。深度学习模型是一种以人工神经网络为架构对数据进行表征学习的算法。观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。本实施例提供的图像分割模型可以为深度学习模型中的卷积神经网络(ConvolutionalNeural Networks,CNN)模型,例如为U-net模型或FCN模型,且图像分割模型可以通过预先训练得到,并可以应用于乳腺钼靶图像中乳房区域的分割。
可选的,在将调整对比度后的乳腺钼靶图像输入预先训练的图像分割模型中之前,还包括:将调整对比度后的乳腺钼靶图像剪裁为预设大小。
在一种实施方式中,可基于乳房区域位于剪裁框内预设区域范围(例如左侧中间区域,或右侧中间区域)的原则,使用预设大小的剪裁框对乳腺钼靶图像进行剪裁。其中,预设大小的裁剪框例如可以是1024像素*1024像素的裁剪框,且具体的裁剪框尺寸可根据乳腺钼靶图像的尺寸和分辨率等因素进行调整。当剪裁框超出样本乳腺图像时,对超出区域进行图像填充。并且,当剪裁框超出乳腺钼靶图像时,可以对超出区域进行全暗的图像填充,使得裁剪后的乳腺钼靶图像尺寸完整。
S130、对预分割图像进行区域填充和/或剔除处理,得到乳房区域的目标分割图像。
经过图像分割模型进行乳房区域预分割的图像基本准确,但是也会存在少量组织分割不清晰的情况,例如是乳房区域内部出现黑洞,和/或非乳房的组织区域被错误分割为乳房区域,而孤立成块的情况。本实施例可针对上述分割不清晰的情况,对预分割图像进行后处理,具体可以是填充乳房区域内部出现的空洞,和/或剔除被错误分割为乳房区域的独立成块的非乳房的组织区域。通过对乳房区域进行填充黑洞,以及剔除被错误分割的组织区域,解决了乳房分割不完全、其他组织剔除不干净的问题,实现了对预分割结果进行优化,为后续肿块和钙化等研究工作提供乳房区域的边界形状特征。
可选的,对预分割图像进行区域填充和/或剔除处理,包括:对预分割图像的乳房区域中低于预设像素值的连通区域进行填充;和/或,对预分割图像的乳房区域中小于预设面积占比的连通区域进行剔除。
本实施例中,连通区域一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域。其中,乳房区域中低于预设像素值的连通区域可以认为是乳房区域的黑洞,其中预设像素值可以是乳房区域的平均像素值,或者可以是乳房区域的第三预设分位数(例如为50%分位数)处的像素值,且第三预设分位数可根据实际乳房区域像素值进行调整。其中,预分割图像中被分割为乳房区域的多个区域中,小于预设面积占比的连通区域可以认为是被错误分割为乳房区域的独立成块的非乳房的组织区域,其中小于预设面积占比的连通区域可以认为是小面积占比的前景区域,且预设面积占比的大小可根据实际图像前景面积进行调整。
示例性的,图2是本发明实施例一提供的一种乳腺钼靶图像的分割方法中各处理步骤后的乳腺钼靶图像。如图2所示,(a)图示出了调整对比度前后的乳腺钼靶图像,通过增加乳腺钼靶图像对比度,使得前景区域整体上看像素值明显高于背景区域,并且乳房区域内部较暗的区域通过图像伽马变换也增强了亮度,从而减少了纹理信息的干扰;(b)图中示出了图像分割模型分割前后的乳腺钼靶图像,通过图像分割模型进一步减少纹理信息干扰,以及可实现前景区域中乳房区域和非乳房的组织区域(即乳房区域的下方区域)的预分割;(c)图中示出了对预分割图像进行区域剔除处理前后的乳腺钼靶图像,通过剔除被错误分割的组织区域(即乳房区域下方独立成块的连同区域),实现了对预分割结果进行优化,为后续肿块和钙化等研究工作提供乳房区域的边界形状特征。
本发明实施例提供的一种乳腺钼靶图像的分割方法,获取乳腺钼靶图像,并根据乳腺钼靶图像的像素值调整乳腺钼靶图像的对比度;将调整对比度后的乳腺钼靶图像输入预先训练的图像分割模型中,以根据图像分割模型输出乳房区域的预分割图像;对预分割图像进行区域填充和/或剔除处理,得到乳房区域的目标分割图像。通过调整乳腺钼靶图像的对比度,能够突出背景区域和前景区域(乳房区域和非乳房的其他组织区域)的差异;通过预先训练的图像分割模型可以实现乳腺钼靶图像中乳房区域的预分割;通过对预分割图像进行区域填充和/或剔除处理,可以提高乳房分割精度,有利于前端展示和后续乳腺肿块和钙化研究。
实施例二
图3是本发明实施例二提供的一种乳腺钼靶图像的分割方法的流程示意图,本实施例在上述实施例的基础上对图像分割模型为卷积神经网络时的训练过程进行了优化,能够提高乳房区域分割的准确度。本发明实施例与上述实施例提供的乳腺钼靶图像的分割方法属于同一发明构思,未详尽描述的技术细节可参见上述施例,且具备相同的技术效果。
参见图3,乳腺钼靶图像的分割方法,具体包括如下步骤:
S310、获取样本乳腺钼靶图像,并根据样本乳腺钼靶图像的像素值调整乳腺钼靶图像的对比度。
本发明实施例中,样本乳腺钼靶图像可以为大量历史乳腺钼靶图像,可包括不同侧乳房的不同投照位(例如双侧内外MLO位及头尾CC位)的乳腺钼靶图像,且样本乳腺图像的数量越大,投照位越多,训练得到的图像分割模型的准确率越高。其中,获取样本乳腺钼靶图像例如可以是,分割装置接收获取样本图像指令,解析获取样本图像指令中的存储地址,通过读取该存储地址的数据,来获取样本乳腺钼靶图像。本实施例中,根据样本乳腺钼靶图像的像素值调整乳腺钼靶图像的对比度,可参考上述根据乳腺钼靶图像的像素值调整乳腺钼靶图像的对比度的方式。
S320、对调整对比度后的样本乳腺钼靶图像中的乳房区域、背景区域和非乳房的组织区域进行标注。
乳腺钼靶图像分割过程中,虽然旨在将乳房区域单独分割出来,即只需单独标准乳房区域即可,但是在实际通过图像分割模型分割过程中发现,由于非乳房的组织区域相较于乳房区域和背景区域来说,占整个乳腺钼靶图像的比例较少,非常容易导致数据不均衡的问题,即图像分割模型训练过程中不容易学习如何鉴别乳房区域和非乳房的组织区域。针对数据不均衡的情况,本实施例中可在图像分割模型训练过程中,将非乳房的组织区域、背景区域连同乳房区域一起标注出来,从而使得图像分割模型训练过程中,更加关注非乳房的组织区域部分的数据信息,以学习鉴别乳房区域与非乳房的组织区域。
S330、根据调整对比度后的样本乳腺钼靶图像以及标注结果,对卷积神经网络进行训练,直至卷积神经网络收敛,得到训练完毕的卷积神经网络。
在图像分割模型(即本实施例中的卷积神经网络)训练过程中,卷积神经网络可包括损失函数层(例如SOFTMAX层),损失函数层中设置的非乳房的组织区域的计算权重最高。例如,在损失函数层中可设置乳房区域的计算权重为3,背景区域的计算权重为1,非乳房的组织区域的计算权重为10,以此增强非乳房的组织区域在损失函数所占的比重,促使图像分割模型更加关注非乳房的组织区域的信息,以自动学习鉴别乳房区域与非乳房的组织区域,提高了图像分割模型的分割精度。其中,该损失函数层可在训练完毕后移除,以利用训练完毕的图像分割模型输出预分割图像。
S340、获取乳腺钼靶图像,并根据乳腺钼靶图像的像素值调整乳腺钼靶图像的对比度。
S350、将调整对比度后的乳腺钼靶图像输入预先训练的图像分割模型中,以根据图像分割模型输出乳房区域的预分割图像。
S360、对预分割图像进行区域填充和/或剔除处理,得到乳房区域的目标分割图像。
本发明实施例中,图像分割模型为卷积神经网络,卷积神经网络包括依次连接的第一预设数量的下采样层和第二预设数量的上采样层。其中,第一预设数量例如为5层,第二预设数量例如为4层,且具体数值可以根据实际分割需求进行设置。进一步的,各下采样层包括卷积层和池化层,各上采样层包括反卷积层,且各卷积层和各反卷积层中卷积核数量皆小于U-net模型中对应卷积层和对应反卷积层的卷积核数量。其中,可以将各卷积层和各反卷积层中卷积核数量皆设置为标准的U-net模型中对应卷积层和对应反卷积层的卷积核数量的一半,以获得更加轻量级的网络,从而有效压缩图像分割模型大小,有利于实现使用较小的样本量训练精度较高的模型,提高训练速度,且便于模型移植。
此外,在另一种实施方式中,若在将调整对比度后的乳腺钼靶图像输入预先训练的图像分割模型中之前,将调整对比度后的乳腺钼靶图像剪裁为预设大小,则得到预分割图像也为预设大小。
示例性的,图4是本发明实施例二提供的一种乳腺钼靶图像的分割方法中图像分割模型的结构示意图。如图4所示,图像分割模型为U-net模型,整个网络结构包含9层,其中5层为下采样层,4层为对应的上采样层,具体结构如下:
第一层为下采样层,输入图像可以是裁剪为1024*1024像素,且调整对比度后的乳腺钼靶图像,该图像经过两次尺寸大小为3*3,步长为1的卷积核,卷积核的数量为32(标准U-net模型为64)的卷积处理;然后,经过一次尺寸大小为2*2,步长为2池化层,输出图像尺寸变为512*512像素;
第二层为下采样层,输入图像为第一层的输出图像,该图像经过两次尺寸大小为3*3,步长为1的卷积核,卷积核的数量为64(标准U-net模型为128)的卷积处理;然后,经过一次尺寸大小为2*2,步长为2池化层,输出图像尺寸变为256*256像素;
第三层为下采样层,输入图像为第二层的输出图像,该图像经过两次尺寸大小为3*3,步长为1的卷积核,卷积核的数量为128(标准U-net模型为256)的卷积处理;然后,经过一次尺寸大小为2*2,步长为2池化层,输出图像尺寸变为128*128像素;
第四层为下采样层,输入图像为第三层的输出图像,该图像经过两次尺寸大小为3*3,步长为1的卷积核,卷积核的数量为128(标准U-net模型为256)的卷积处理;然后,经过一次尺寸大小为2*2,步长为2池化层,输出图像尺寸变为64*64像素;
第五层为下采样层,输入图像为第四层的输出图像,该图像经过两次尺寸大小为3*3,步长为1的卷积核,卷积核的数量为128(标准U-net模型为256)的卷积处理;然后,经过一次尺寸大小为2*2,步长为2池化层,输出图像尺寸变为32*32像素;
第六层为上采样层,输入图像为第五层的输出图像,该图像首先经过反卷积将尺寸上采样到64*64像素;然后与第四层的输出结果进行通道上的连接,组成新的输入;经过两次尺寸大小为3*3,步长为1的卷积核,卷积核的数量为128(标准U-net模型为256)的卷积处理,输出图像尺寸为64*64像素;
第七层为上采样层,输入图像为第六层的输出图像,该图像首先经过反卷积将尺寸上采样到128*128像素;然后与第三层的输出结果进行通道上的连接,组成新的输入;经过两次尺寸大小为3*3,步长为1的卷积核,卷积核的数量为128(标准U-net模型为256)的卷积处理,输出图像尺寸为128*128像素;
第八层为上采样层,输入图像为第七层的输出图像,该图像首先经过反卷积将尺寸上采样到256*256像素;然后与第二层的输出结果进行通道上的连接,组成新的输入;经过两次尺寸大小为3*3,步长为1的卷积核,卷积核的数量为128(标准U-net模型为256)的卷积处理,输出图像尺寸为256*256像素;
第九层为上采样层,输入图像为第八层的输出图像,该图像首先经过反卷积将尺寸上采样到1024*1024像素;然后与第一层经过池化前的输出结果进行通道上的连接,组成新的输入;经过两次尺寸大小为3*3,步长为1的卷积核,卷积核的数量为32(标准U-net模型为64)的卷积处理,输出图像尺寸为1024*1024像素,即得到预分割图像。最终输出的预分割图像大小与输入的乳腺钼靶图像大小一样,均为1024*1024像素。
本发明实施例提供的一种乳腺钼靶图像的分割方法,对图像分割模型为卷积神经网络时的训练过程进行了优化。在训练过程中,为使图像分割模型更容易鉴别占比较小的非乳房的其他组织区域,不仅对其他组织区域进行单独标准,而且增大了损失函数中其他组织区域的像素点的权重,从而实现平衡数据,能够促使图像分割模型自动学习出真正的乳房区域,提高乳房区域分割的准确度。此外,还具体描述了图像分割模型为U-net模型时的模型结构,更加直观的了解到预分割图像的生成过程。
实施例三
图5是本发明实施例三提供的一种乳腺钼靶图像的分割装置的结构示意图,本实施例可适用于对乳腺钼靶图像进行乳房区域分割的情况。应用该乳腺钼靶图像的分割装置可以实现本发明任一实施例所提供的乳腺钼靶图像的分割方法。
参见图5,乳腺钼靶图像的分割装置,包括:
前处理模块510,用于获取乳腺钼靶图像,并根据乳腺钼靶图像的像素值调整乳腺钼靶图像的对比度;
预分割模块520,用于将调整对比度后的乳腺钼靶图像输入预先训练的图像分割模型中,以根据图像分割模型输出乳房区域的预分割图像;
后处理模块530,用于对预分割图像进行区域填充和/或剔除处理,得到乳房区域的目标分割图像。
可选的,前处理模块,包括:
窗宽调整子模块,用于将乳腺钼靶图像中像素值为第一预设分位数和第二预设分位数对应的数值作为像素最小值和像素最大值,其中第一预设分位数小于第二预设分位数;
像素值调整子模块,用于将小于像素最小值的像素点的像素值调整为等于像素最小值,以及将大于像素最大值的像素点的像素值调整为等于像素最大值;
像素值映射子模块,用于将调整像素值完毕的乳腺钼靶图像中的像素值线性映射至0-255范围;
伽马变换子模块,用于利用图像伽马变换,增强映射像素值完毕的乳腺钼靶图像的对比度。
可选的,前处理模块,还包括:
裁剪子模块,用于在将调整对比度后的乳腺钼靶图像输入预先训练的图像分割模型中之前,将调整对比度后的乳腺钼靶图像剪裁为预设大小。
可选的,图像分割模型为卷积神经网络,卷积神经网络包括依次连接的第一预设数量的下采样层和第二预设数量的上采样层。
进一步的,各下采样层包括卷积层和池化层,各上采样层包括反卷积层,且各卷积层和各反卷积层中卷积核数量皆小于U-net模型中对应卷积层和对应反卷积层的卷积核数量。
可选的,乳腺钼靶图像的分割装置,还包括:卷积神经网络的训练模块;
卷积网络的训练模块,具体用于:获取样本乳腺钼靶图像,并根据样本乳腺钼靶图像的像素值调整乳腺钼靶图像的对比度;对调整对比度后的样本乳腺钼靶图像中的乳房区域、背景区域和非乳房的组织区域进行标注;根据调整对比度后的样本乳腺钼靶图像以及标注结果,对卷积神经网络进行训练,直至卷积神经网络收敛,得到训练完毕的卷积神经网络;其中,在训练过程中卷积神经网络还包括损失函数层,损失函数层中设置的非乳房的组织区域的计算权重最高。
可选的,后处理模块,具体用于:对预分割图像的乳房区域中低于预设像素值的连通区域进行填充;和/或,对预分割图像的乳房区域中小于预设面积占比的连通区域进行剔除。
本发明实施例所提供的乳腺钼靶图像的分割装置可执行本发明任一实施例所提供的乳腺钼靶图像的分割方法,具备执行方法相应的功能模块和有益效果。未详尽描述的技术细节,可参见本发明任一实施例所提供的乳腺钼靶图像的分割方法。
实施例四
图6是本发明实施例四提供的一种终端的结构示意图。图6示出了适于用来实现本发明任一实施方式的示例性终端12的框图。图6显示的终端12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。设备12典型的是承担乳房分割功能的终端。
如图6所示,终端12以通用计算设备的形式表现。终端12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,存储器28,连接不同组件(包括存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MCA)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnect,PCI)总线。
终端12典型地包括多种计算机可读介质。这些介质可以是任何能够被终端12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机装置可读介质,例如随机存取存储器(Random Access Memory,RAM)30和/或高速缓存存储器32。终端12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory,CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品40,该程序产品40具有一组程序模块42,这些程序模块被配置以执行本发明各实施例的功能。程序产品40,可以存储在例如存储器28中,这样的程序模块42包括但不限于一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
终端12也可以与一个或多个外部设备14(例如键盘、鼠标、摄像头等和显示器)通信,还可与一个或者多个使得用户能与该终端12交互的设备通信,和/或与使得该终端12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,终端12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与终端12的其它模块通信。应当明白,尽管图中未示出,可以结合终端12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(RedundantArrays of Independent Disks,RAID)装置、磁带驱动器以及数据备份存储装置等。
处理器16通过运行存储在存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明上述实施例所提供的乳腺钼靶图像的分割方法,该方法包括:
获取乳腺钼靶图像,并根据乳腺钼靶图像的像素值调整乳腺钼靶图像的对比度;
将调整对比度后的乳腺钼靶图像输入预先训练的图像分割模型中,以根据图像分割模型输出乳房区域的预分割图像;
对预分割图像进行区域填充和/或剔除处理,得到乳房区域的目标分割图像。
当然,本领域技术人员可以理解,处理器还可以实现本发明任一实施例所提供的乳腺钼靶图像的分割方法或乳腺钼靶图像的分割方法的技术方案。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请任意实施例提供的乳腺钼靶图像的分割方法,该方法包括:
获取乳腺钼靶图像,并根据乳腺钼靶图像的像素值调整乳腺钼靶图像的对比度;
将调整对比度后的乳腺钼靶图像输入预先训练的图像分割模型中,以根据图像分割模型输出乳房区域的预分割图像;
对预分割图像进行区域填充和/或剔除处理,得到乳房区域的目标分割图像。
当然,本发明实施例所提供的一种计算机可读存储介质,其上存储的计算机程序不限于如上的方法指令,还可以执行本发明任一实施例所提供的乳腺钼靶图像的分割方法或乳腺钼靶图像的分割方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明指令的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (7)
1.一种乳腺钼靶图像的分割方法,其特征在于,包括:
获取乳腺钼靶图像,并根据所述乳腺钼靶图像的像素值调整所述乳腺钼靶图像的对比度;
将调整对比度后的乳腺钼靶图像输入预先训练的图像分割模型中,以根据所述图像分割模型输出乳房区域的预分割图像;
对所述预分割图像进行区域填充和/或剔除处理,得到所述乳房区域的目标分割图像;
其中,所述对所述预分割图像进行区域填充和/或剔除处理,包括:
对所述预分割图像的乳房区域中低于预设像素值的连通区域进行填充;其中,连通区域是指预分割图像中,具有相同像素值且位置相邻的乳房区域中的像素点组成的图像区域;
和/或,对所述预分割图像的乳房区域中小于预设面积占比的连通区域进行剔除;
其中,所述图像分割模型为卷积神经网络,所述卷积神经网络包括依次连接的第一预设数量的下采样层和第二预设数量的上采样层;
其中,各所述下采样层包括卷积层和池化层,各所述上采样层包括反卷积层,且各所述卷积层和各所述反卷积层中卷积核数量皆小于U-net模型中对应卷积层和对应反卷积层的卷积核数量;
其中,每层下采样层中,输入图像经过两次卷积处理和一次池化层;每层上采样层中,输入图像首先经过反卷积将尺寸上采样到对应像素,然后与下采样层中输出与对应像素相同像素的输出结果进行通道上的连接,组成新的输入,经过两次卷积处理输出图像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述乳腺钼靶图像的像素值调整所述乳腺钼靶图像的对比度,包括:
将所述乳腺钼靶图像中像素值为第一预设分位数和第二预设分位数对应的数值作为像素最小值和像素最大值,其中第一预设分位数小于第二预设分位数;
将小于所述像素最小值的像素点的像素值调整为等于所述像素最小值,以及将大于所述像素最大值的像素点的像素值调整为等于所述像素最大值;
将调整像素值完毕的乳腺钼靶图像中的像素值线性映射至0-255范围;
利用图像伽马变换,增强映射像素值完毕的乳腺钼靶图像的对比度。
3.根据权利要求1所述的方法,其特征在于,在所述将调整对比度后的乳腺钼靶图像输入预先训练的图像分割模型中之前,还包括:将所述调整对比度后的乳腺钼靶图像剪裁为预设大小。
4.根据权利要求1所述的方法,其特征在于,所述卷积神经网络的训练过程包括:
获取样本乳腺钼靶图像,并根据所述样本乳腺钼靶图像的像素值调整所述乳腺钼靶图像的对比度;
对调整对比度后的样本乳腺钼靶图像中的乳房区域、背景区域和非乳房的组织区域进行标注;
根据所述调整对比度后的样本乳腺钼靶图像以及标注结果,对所述卷积神经网络进行训练,直至所述卷积神经网络收敛,得到训练完毕的卷积神经网络;
其中,在训练过程中所述卷积神经网络还包括损失函数层,所述损失函数层中设置的所述非乳房的组织区域的计算权重最高。
5.一种乳腺钼靶图像的分割装置,其特征在于,包括:
前处理模块,用于获取乳腺钼靶图像,并根据所述乳腺钼靶图像的像素值调整所述乳腺钼靶图像的对比度;
预分割模块,用于将调整对比度后的乳腺钼靶图像输入预先训练的图像分割模型中,以根据所述图像分割模型输出乳房区域的预分割图像;
后处理模块,用于对所述预分割图像进行区域填充和/或剔除处理,得到所述乳房区域的目标分割图像;
其中,所述后处理模块,具体用于:
对所述预分割图像的乳房区域中低于预设像素值的连通区域进行填充;其中,连通区域是指预分割图像中,具有相同像素值且位置相邻的乳房区域中的像素点组成的图像区域;
和/或,对所述预分割图像的乳房区域中小于预设面积占比的连通区域进行剔除;
其中,所述图像分割模型为卷积神经网络,所述卷积神经网络包括依次连接的第一预设数量的下采样层和第二预设数量的上采样层;
其中,各所述下采样层包括卷积层和池化层,各所述上采样层包括反卷积层,且各所述卷积层和各所述反卷积层中卷积核数量皆小于U-net模型中对应卷积层和对应反卷积层的卷积核数量;
其中,每层下采样层中,输入图像经过两次卷积处理和一次池化层;每层上采样层中,输入图像首先经过反卷积将尺寸上采样到对应像素,然后与下采样层中输出与对应像素相同像素的输出结果进行通道上的连接,组成新的输入,经过两次卷积处理输出图像。
6.一种终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4中任一所述的乳腺钼靶图像的分割方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的乳腺钼靶图像的分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010403395.5A CN111598862B (zh) | 2020-05-13 | 2020-05-13 | 一种乳腺钼靶图像的分割方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010403395.5A CN111598862B (zh) | 2020-05-13 | 2020-05-13 | 一种乳腺钼靶图像的分割方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598862A CN111598862A (zh) | 2020-08-28 |
CN111598862B true CN111598862B (zh) | 2021-05-25 |
Family
ID=72191320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010403395.5A Active CN111598862B (zh) | 2020-05-13 | 2020-05-13 | 一种乳腺钼靶图像的分割方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598862B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308865A (zh) * | 2020-10-29 | 2021-02-02 | 中国科学院计算技术研究所厦门数据智能研究院 | 一种融合UNet模型与解剖学特征的乳腺钼靶图像分割方法 |
CN112489053B (zh) * | 2020-11-26 | 2021-07-13 | 深圳市艾合芯科智慧医疗有限公司 | 一种舌像分割方法、装置及存储介质 |
CN112561906A (zh) * | 2020-12-24 | 2021-03-26 | 百果园技术(新加坡)有限公司 | 一种图像处理方法、装置、设备及介质 |
CN112582048A (zh) * | 2021-03-01 | 2021-03-30 | 四川大学 | 一种基于深度学习的放射治疗靶区自动勾画系统及方法 |
CN113393475B (zh) * | 2021-06-30 | 2024-02-20 | 神州医疗科技股份有限公司 | 一种乳腺钼靶图像分割的装置、电子设备、医疗设备和介质 |
CN117541580B (zh) * | 2024-01-08 | 2024-03-19 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于深度神经网络的甲状腺癌图像比对模型建立方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727537A (zh) * | 2009-11-16 | 2010-06-09 | 杭州电子科技大学 | 基于双视角信息融合的乳腺cr图像的计算机确定方法 |
CN107886514A (zh) * | 2017-11-22 | 2018-04-06 | 浙江中医药大学 | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 |
CN110766670A (zh) * | 2019-10-18 | 2020-02-07 | 厦门粉红思黛医学科技有限公司 | 一种基于深度卷积神经网络的乳腺钼靶图像肿瘤定位算法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104599270B (zh) * | 2015-01-18 | 2017-10-10 | 北京工业大学 | 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法 |
CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
US10573003B2 (en) * | 2017-02-13 | 2020-02-25 | Amit Sethi | Systems and methods for computational pathology using points-of-interest |
US10140421B1 (en) * | 2017-05-25 | 2018-11-27 | Enlitic, Inc. | Medical scan annotator system |
CN108052977B (zh) * | 2017-12-15 | 2021-09-14 | 福建师范大学 | 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法 |
CN108776969B (zh) * | 2018-05-24 | 2021-06-22 | 复旦大学 | 基于全卷积网络的乳腺超声图像肿瘤分割方法 |
-
2020
- 2020-05-13 CN CN202010403395.5A patent/CN111598862B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727537A (zh) * | 2009-11-16 | 2010-06-09 | 杭州电子科技大学 | 基于双视角信息融合的乳腺cr图像的计算机确定方法 |
CN107886514A (zh) * | 2017-11-22 | 2018-04-06 | 浙江中医药大学 | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 |
CN110766670A (zh) * | 2019-10-18 | 2020-02-07 | 厦门粉红思黛医学科技有限公司 | 一种基于深度卷积神经网络的乳腺钼靶图像肿瘤定位算法 |
Also Published As
Publication number | Publication date |
---|---|
CN111598862A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598862B (zh) | 一种乳腺钼靶图像的分割方法、装置、终端及存储介质 | |
US11379975B2 (en) | Classification and 3D modelling of 3D dento-maxillofacial structures using deep learning methods | |
US11568533B2 (en) | Automated classification and taxonomy of 3D teeth data using deep learning methods | |
CN108665456B (zh) | 基于人工智能的乳腺超声病灶区域实时标注的方法及系统 | |
WO2020135812A1 (en) | Systems and methods for ossification center detection and bone age assessment | |
CN110473243B (zh) | 基于深度轮廓感知的牙齿分割方法、装置及计算机设备 | |
CN109363698B (zh) | 一种乳腺影像征象识别的方法及装置 | |
CN109363697B (zh) | 一种乳腺影像病灶识别的方法及装置 | |
CN112991365B (zh) | 一种冠状动脉分割方法、系统及存储介质 | |
CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能系统 | |
CN113344950A (zh) | 一种深度学习结合点云语义的cbct图像牙齿分割方法 | |
CN112700460A (zh) | 图像分割方法及系统 | |
CN111062953A (zh) | 一种超声图像中甲状旁腺增生的识别方法 | |
CN113256670A (zh) | 图像处理方法及装置、网络模型的训练方法及装置 | |
CN111028134A (zh) | 图像处理方法、装置、系统及介质 | |
CN111507950B (zh) | 图像分割的方法和装置、电子设备及计算机可读存储介质 | |
CN113191393A (zh) | 基于多模态融合的对比增强能谱乳腺摄影分类方法及系统 | |
CN112116989A (zh) | 一种多器官勾画方法及装置 | |
CN115439423B (zh) | 一种基于ct图像的识别方法、装置、设备及存储介质 | |
CN115631194A (zh) | 颅内动脉瘤识别检测的方法、装置、设备及介质 | |
CN111275719B (zh) | 钙化假阳识别及其模型训练的方法、装置、终端及介质 | |
CN112801964B (zh) | 肺部ct图像的多标签智能检测方法、装置、设备和介质 | |
CN113689353A (zh) | 三维图像的增强方法、图像增强模型的训练方法及装置 | |
CN114418989A (zh) | 口腔医学影像的牙齿分割方法、装置、设备及存储介质 | |
CN116958551A (zh) | 图像分割方法、电子设备及存储介质 |
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 | ||
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. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |