CN111754530A - 一种前列腺超声图像分割分类方法 - Google Patents
一种前列腺超声图像分割分类方法 Download PDFInfo
- Publication number
- CN111754530A CN111754530A CN202010633530.5A CN202010633530A CN111754530A CN 111754530 A CN111754530 A CN 111754530A CN 202010633530 A CN202010633530 A CN 202010633530A CN 111754530 A CN111754530 A CN 111754530A
- Authority
- CN
- China
- Prior art keywords
- image
- prostate
- model
- classification
- establishing
- 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
- 210000002307 prostate Anatomy 0.000 title claims abstract description 124
- 238000003709 image segmentation Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013145 classification model Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims description 41
- 238000002604 ultrasonography Methods 0.000 claims description 39
- 238000013135 deep learning Methods 0.000 claims description 13
- 238000001574 biopsy Methods 0.000 claims description 7
- 230000001575 pathological effect Effects 0.000 claims description 5
- 206010060862 Prostate cancer Diseases 0.000 claims description 4
- 208000000236 Prostatic Neoplasms Diseases 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 description 12
- 238000012795 verification Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound 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
- G06T2207/30081—Prostate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开一种前列腺超声图像分割分类方法，包括以下步骤：建立图像分割模型；建立图像分类模型；将图像分割模型与图像分类模型结合形成图像分割分类模型；将采集到的前列腺超声图像输入图像分割分类模型进行分类。与现有技术相比，本发明能够提高图像的分类精度，提升后期诊断效率和准确率。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种前列腺超声图像分割分类方法。
背景技术
医学图像分类是计算机视觉领域的一个重要研究方向，分类技术给医学领域中的检测和疾病治疗提供应用价值；随着人工智能在医学领域的迅速发展，图像分类在模式识别领域得到了广泛的研究和运用。
由于医学图显存在严重的斑点噪声和低信噪比等问题，使得当前医学图像分类不够精准、复杂程度高，给医生后期的判断和工作都带来不少的困扰和压力。
因此，如何提供一种能够提高分类准确性的超声图像分割及分类方法，是本领域技术人员亟待解决的问题。
发明内容
针对现有技术的不足，本发明实施例提供了一种前列腺超声图像分割分类方法，能够实现对医学图像的精确分割、分类，提高诊断的准确率，进而减轻医生的工作负担。
本发明提供的一种前列腺超声图像分割分类方法，包括以下步骤：
建立图像分割模型；
建立图像分类模型；
将所述图像分割模型与所述图像分类模型结合，形成图像分割分类模型；
将采集到的前列腺超声图像输入所述图像分割分类模型进行分类。
优选地，所述建立图像分割模型步骤具体包括：
使用labelme软件对采集到的前列腺超声图像中的前列腺区域进行分割，生成由人工分割的Mask图；
建立图像分割训练模型，将所述采集到的前列腺超声图像与该所述采集的前列腺超声图像对应的所述由人工分割的Mask图输入到所述图像分割训练模型中训练，生成训练结果；
根据所述训练结果调试建立图像分割模型。
优选地，所述建立图像分割模型步骤之前还包括：
采集经直肠前列腺超声图像；
根据所述采集到的前列腺超声图像是否有前列腺癌结节，对所述前列腺超声图像进行阴性和阳性分类。
优选地，所述建立图像分割模型步骤之后还包括：
将采集到的前列腺超声图像输入所述图像分割模型，生成由模型分割的Mask图；
将所述由模型分割的Mask图与对应的前列腺超声图像叠加生成四通道图片；
将所述四通道图片进行标记。
优选地，所述建立图像分类模型步骤包括：
建立图像分类训练模型；
将采集到的前列腺超声图像输入所述图像分割模型，生成由模型分割的Mask图；
将所述由模型分割的Mask图与对应的前列腺超声图像叠加生成四通道图片；
将所述四通道图片进行标记；
将所述标记后的四通道图片输入所述图像分类训练模型，调试建立图像分类模型。
优选地，所述采集经直肠超声前列腺图像步骤还包括：
选取经直肠超声前列腺图像的横截面，所述横截面覆盖全部前列腺区域；
对特定部位穿刺活检后获得病理结果，进而对经直肠超声前列腺图像进行阴性和阳性分类。
优选地，所述使用labelme软件对采集到的前列腺超声图像中的前列腺区域进行分割，生成由人工分割的Mask图步骤具体为：
对采集到的前列腺超声图像中的前列腺区域进行勾勒，生成json文件；
编写程序解压json文件，生成由人工分割的Mask图。
优选地，所述将由模型分割的Mask图与对应的前列腺超声图像叠加生成四通道图片步骤具体为：
将尺寸一致的三通道前列腺超声图像和单通道由模型分割的Mask图叠加，生成四通道的RGBA图；
其中，R层、G层和B层为所述前列腺超声图像的R层、G层和B层，A层为所述由模型分割的Mask图的单通道层。
优选地，所述建立图像分类模型步骤还包括：
建立Vgg19深度学习图像分类模型，将前述图像分类模型输入层的三个3x3的卷积核变为四个3x3的卷积核，使得所述图像分类模型兼容四通道图片的输入。
而且，将所述图像分割模型与所述图像分类模型结合形成图像分割分类模型，将采集到的前列腺超声图像输入所述图像分割分类模型进行分类，前述分割与分类模型皆为训练到最优的模型，两个模型连接为一个端到端的模型，输入前列腺超声图像即可得到其分类的结果。
与现有技术相比，本发明的有益效果如下：
本发明将经直肠前列腺超声图像与标记的由模型分割的Mask图相互叠加为四通道图，由模型分割的Mask图中对应前列腺的区域取值为1，非前列腺区域取值为0。四通道为输入分类模型训练时前列腺区域作为感兴趣区域进行深度学习分类训练的辅助，通过分析特定区域的特征，进而提高分类准确度，为提高诊断准确率提供参考。
附图说明
图1是本发明实施例中的一种前列腺超声图像分割分类方法的一个实施例流程图；
图2是本发明实施例中的前列腺经直肠超声图像的一个实施例示意图；
图3是本发明实施例中的单通道的由模型分割的Mask图的一个实施例示意图；
图4是本发明实施例中的四通道图片的一个实施例示意图。
具体实施方式
下面结合实施例对本发明作进一步的描述，但需要说明的是，实施例并不对本发明要求保护范围的构成限制。
本发明实施例提供的一种前列腺超声图像分割分类方法，包括以下步骤：
101、建立图像分割模型；
102、建立图像分类模型；
103、将图像分割模型与图像分类模型结合形成图像分割分类模型；
104、将采集到的前列腺超声图像输入图像分割分类模型进行分类。
其中，建立图像分割模型步骤具体包括：
使用labelme软件对采集到的前列腺超声图像中的前列腺区域进行分割，生成由人工分割的Mask图；建立图像分割训练模型，将采集到的前列腺超声图像与该采集的前列腺超声图像对应的由人工分割的Mask图输入到图像分割训练模型中训练，生成训练结果；根据训练结果调试建立图像分割模型。
建立图像分割模型步骤之前还包括：
采集经直肠前列腺超声图像；根据采集到的前列腺超声图像是否有前列腺癌结节，对所述前列腺超声图像进行阴性和阳性分类，具体依据为活检结果。
建立图像分割模型步骤之后还包括：
将采集到的前列腺超声图像输入图像分割模型，生成由模型分割的Mask图；
将由模型分割的Mask图与对应的前列腺超声图像叠加生成四通道图片；
将四通道图片进行标记，阳性图片标记为0，阴性图片标记为1。
建立图像分类模型步骤包括：
建立图像分类训练模型；
将采集到的前列腺超声图像输入图像分割模型，生成由模型分割的Mask图；
将由模型分割的Mask图与对应的前列腺超声图像叠加生成四通道图片；
将四通道图片进行标记；
将标记后的四通道图片输入图像分类训练模型，调试建立图像分类模型。
采集经直肠超声前列腺图像步骤还包括：
选取经直肠超声前列腺图像的横截面，横截面覆盖全部前列腺区域；由医院收集前列腺经直肠超声图像，选取经直肠超声图像的横截面，囊括整个前列腺区域；
对特定部位穿刺活检后获得病理结果，进而对经直肠超声前列腺图像进行阴性和阳性分类。
使用labelme软件对采集到的前列腺超声图像中的前列腺区域进行分割，生成由人工分割的Mask图步骤具体为：
对采集到的前列腺超声图像中的前列腺区域进行勾勒，生成json文件；
编写程序解压json文件，生成由人工分割的Mask图。
将由模型分割的Mask图与对应的前列腺超声图像叠加生成四通道图片步骤具体为：
将尺寸一致的三通道前列腺超声图像和单通道由模型分割的Mask图叠加，生成四通道的RGBA图；每个像素的取值只有0与1，0对应前列腺超声图片中的非前列腺区域，1对应前列腺超声图片中的前列腺区域；
其中，R层、G层和B层为所述前列腺超声图像的R层、G层和B层，A层为所述由模型分割的Mask图的单通道层。
建立图像分类模型步骤还包括：
建立Vgg19深度学习图像分类模型，将前述图像分类模型输入层的三个3x3的卷积核变为四个3x3的卷积核，使得图像分类模型兼容四通道图片的输入。
而且，将图像分割模型与图像分类模型结合形成图像分割分类模型，将采集到的前列腺超声图像输入图像分割分类模型进行分类，前述分割与分类模型皆为训练到最优的模型，两个模型连接为一个端到端的模型，输入前列腺超声图像即可得到其分类的结果。
本发明实施例中提供的图像分割分类方法，主要涵盖的步骤或者流程有：
步骤1：收集前列腺经直肠超声横截面图像，以包括整个前列腺区域图像为准；
首先，收集被检测者的前列腺经直肠超声图像，以囊括整个前列腺区域的横截面为准，如图2所示，剔除掉一些模糊、不完整、非横截面等不合标准的图片，同时记录检测者的活检病理信息；
步骤2：由专业超声医生与活检结果结合确定每张图片的阴阳性；
步骤3：手动分割勾勒，形成与前列腺经直肠超声图像对应的由人工分割的Mask图片；
使用labelme软件标记分割前列腺超声图像前列腺区域，勾勒出前列腺区域，产生与前列腺经直肠超声图像对应的json文件。通过python代码编写处理json文件，产生与前列腺经直肠超声图像对应的由模型分割的Mask图，由模型分割的Mask图为单通道图片，每个像素的取值只有0与1，为全黑的图片，如图3所示，0对应前列腺超声图中的非前列腺区域，1对应前列腺超声图中的前列腺区域，由模型分割的MASK图像素尺寸与前列腺经直肠超声图像大小一致，文件格式为png，里面有前列腺经直肠超声图像的标记信息，组成数据集；
步骤4：建立图像分割模型；
建立U-Net深度学习图片分割模型；
步骤5：输入前列腺经直肠超声图像与对应的由人工分割的Mask图到深度学习图片分割模型中训练；
将数据集以6:2:2的比例分为训练集、验证集和测试集，验证集的数据不能用于训练，训练过的数据不能再进行验证，验证集在每轮训练即时显示验证结果，测试集为模型从未见过的数据集，用于最后模型的测试，设置合适的训练的轮数开始训练；
步骤6：根据训练结果改进深度学习图片分割模型；
训练完毕，开始验证，根据训练集中的预测分割模型改进深度学习网络结构的参数，多次调整训练，以达到预期的效果；
步骤7：建立图像分类模型；
建立Vgg19深度学习图片分类模型，将原本的图像分类模型输入层的三个3x3的卷积核，增加一个变为四个3x3的卷积核，使得该图像分类模型模型可以接受四通道图片的输入；
步骤8：由模型分割的Mask图与对应的前列腺超声图像批量叠加生成四通道图片；
编写相应的python程序，将由模型分割的Mask图与对应的前列腺超声图像批量叠加生成四通道图片，作为待分类的四通道图片，具体图片效果如图4所示；
步骤9：四通道图片和图片的阴阳性为标记输入深度学习图片分类模型；
四通道图片作为数据集，同样的以6:2:2的比例分为训练集、验证集和测试集，以图片的阴阳性为标记，阳性图片标记为0，阴性图片标记为1，进行前列腺癌的分类训练；
步骤10：根据训练结果改进深度学习图片分类模型；
训练完毕，开始验证，根据训练证集中的预测分类模型改进深度学习网络结构的参数，多次调整训练，以达到预期的效果；
步骤11：结合两个模型构成一个基于深度学习的分割分类模型。
本发明实施例中，通过该分割分类模型输出被试者前列腺超声图像的结果，结果为阴性或阳性，为后续医生的诊断提供辅助。
为了验证本发明的效果，下面给出具体实验结果。
实验数据由暨南大学附属第一医院提供，包含111位病人的前列腺经直肠超声图像。在每位病人中，采集1～16张前列腺经直肠超声图片，每张图片大小为588x720像素，共有764张图片。在采集图片的同时，通过穿刺活检病理组织，获得患者确切的病理诊断，以有癌组织为阳性，无癌组织为阴性为区分，有60个阳性患者，51个阴性患者；351张阳性图片，413张阴性图片。
764张图片按照6：2：2的比例，分为训练集、验证集、测试集，具体为
为了证明本发明中的Mask图与超声图片叠加而成的四通道图的效果，这里做两组实验，实验组和对照组，作为对比实验。实验组，为本发明的所述的方法；对照组，舍去了本发明中的分割模型，直接输入未经处理的超声图片到VGG19图片分类网络模型中训练调试(VGG19原本设计输入为三通道图片，因此不用修改VGG19输入结构)，同样输出在测试集上的实验结果指标。
实验指标有准确率(Accuracy)、召回率(Recall)、精确率(Precision)、真阴性率(TNP)、假阳性率(FPR)和综合评价指标(Accuracy)。F1)。具体计算公式如下：
其中，TP(真正,True Positive)被模型预测为正的正样本，这里为被模型预测为阳性的阳性图片；TN(真负,True Negative)被模型预测为负的负样本，这里为被模型预测为阴性的阴性图片；FP(假正,False Positive)被模型预测为正的负样本，这里为被模型预测为阳性的阴性图片；FN(假负,False Negative)被模型预测为负的正样本，这里为被模型预测为阴性的阳性图片。
实验组实验结果，TP＝58，TN＝69，FP＝13，FN＝12；准确率Accuracy＝0.8355；召回率Recall＝0.8286；精确率Precision＝0.8169；真良性率TNP＝0.841；假恶性率FPR＝0.1585；综合评价指标F1＝0.8227。
对比组实验结果，TP＝50，TN＝60，FP＝22，FN＝20；准确率Accuracy＝0.7237；召回率Recall＝0.7143；精确率Precision＝0.6944；真良性率TNP＝0.7317；假恶性率FPR＝0.2683；综合评价指标F1＝0.7042。
两组实验对比可得，本发明中Mask图与超声图片叠加而成的四通道图的效果与未经处理的超声图片效果相比，有了很大的提升。
以上对本发明实施例所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理；同时，对于本领域的一般技术人员，依据本发明实施例，在具体实施方式以及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种前列腺超声图像分割分类方法，其特征在于，包括以下步骤：
建立图像分割模型；
建立图像分类模型；
将所述图像分割模型与所述图像分类模型结合，形成图像分割分类模型；
将采集到的前列腺超声图像输入所述图像分割分类模型进行分类。
2.根据权利要求1所述的一种前列腺超声图像分割分类方法，其特征在于，所述建立图像分割模型步骤具体包括：
使用labelme软件对采集到的前列腺超声图像中的前列腺区域进行分割，生成由人工分割的Mask图；
建立图像分割训练模型，将所述采集到的前列腺超声图像与该所述采集的前列腺超声图像对应的所述由人工分割的Mask图输入到所述图像分割训练模型中训练，生成训练结果；
根据所述训练结果调试建立图像分割模型。
3.根据权利要求1所述的一种前列腺超声图像分割分类方法，其特征在于，所述建立图像分割模型步骤之前还包括：
采集经直肠前列腺超声图像；
根据所述采集到的前列腺超声图像是否有前列腺癌结节，对所述前列腺超声图像进行阴性和阳性分类。
4.根据权利要求1所述的一种前列腺超声图像分割分类方法，其特征在于，所述建立图像分割模型步骤之后还包括：
将采集到的前列腺超声图像输入所述图像分割模型，生成由模型分割的Mask图；
将所述由模型分割的Mask图与对应的前列腺超声图像叠加生成四通道图片；
将所述四通道图片进行标记。
5.根据权利要求1所述的一种前列腺超声图像分割分类方法，其特征在于，所述建立图像分类模型步骤包括：
建立图像分类训练模型；
将采集到的前列腺超声图像输入所述图像分割模型，生成由模型分割的Mask图；
将所述由模型分割的Mask图与对应的前列腺超声图像叠加生成四通道图片；
将所述四通道图片进行标记；
将所述标记后的四通道图片输入所述图像分类训练模型，调试建立图像分类模型。
6.根据权利要求3所述的一种前列腺超声图像分割分类方法，其特征在于，所述采集经直肠超声前列腺图像步骤还包括：
选取经直肠超声前列腺图像的横截面，所述横截面覆盖全部前列腺区域；
对特定部位穿刺活检后获得病理结果，进而对经直肠超声前列腺图像进行阴性和阳性分类。
7.根据权利要求2所述的一种前列腺超声图像分割分类方法，其特征在于，所述使用labelme软件对采集到的前列腺超声图像中的前列腺区域进行分割，生成由人工分割的Mask图步骤具体为：
对采集到的前列腺超声图像中的前列腺区域进行勾勒，生成json文件；
编写程序解压json文件，生成由人工分割的Mask图。
8.根据权利要求4或5所述的一种前列腺超声图像分割分类方法，其特征在于，所述将由模型分割的Mask图与对应的前列腺超声图像叠加生成四通道图片步骤具体为：
将尺寸一致的三通道前列腺超声图像和单通道由模型分割的Mask图叠加，生成四通道的RGBA图；
其中，R层、G层和B层为所述前列腺超声图像的R层、G层和B层，A层为所述由模型分割的Mask图的单通道层。
9.根据权利要求1或5所述的一种前列腺超声图像分割分类方法，其特征在于，所述建立图像分类模型步骤还包括：
建立Vgg19深度学习图像分类模型，将前述图像分类模型输入层的三个3x3的卷积核变为四个3x3的卷积核，使得所述图像分类模型兼容四通道图片的输入。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010633530.5A CN111754530B (zh) | 2020-07-02 | 2020-07-02 | 一种前列腺超声图像分割分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010633530.5A CN111754530B (zh) | 2020-07-02 | 2020-07-02 | 一种前列腺超声图像分割分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111754530A true CN111754530A (zh) | 2020-10-09 |
| CN111754530B CN111754530B (zh) | 2023-11-28 |
Family
ID=72679076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010633530.5A Active CN111754530B (zh) | 2020-07-02 | 2020-07-02 | 一种前列腺超声图像分割分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111754530B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112580735A (zh) * | 2020-12-25 | 2021-03-30 | 南方电网深圳数字电网研究院有限公司 | 图片在线标注方法、装置和计算机可读存储介质 |
| CN114926482A (zh) * | 2022-05-31 | 2022-08-19 | 泰安市中心医院 | 一种基于全卷积网络的dce-mri乳腺肿瘤分割方法及设备 |
| WO2023118964A3 (en) * | 2021-12-22 | 2023-09-14 | Geonomy, Ltd. | Automated ultrasound imaging analysis and feedback |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102947862A (zh) * | 2010-03-11 | 2013-02-27 | 皇家飞利浦电子股份有限公司 | 基于模型的分割的概率细化 |
| WO2017087847A1 (en) * | 2015-11-20 | 2017-05-26 | Oregon Health & Science University | Multiplex immunohistochemistry image cytometry |
| CN108229430A (zh) * | 2018-01-30 | 2018-06-29 | 浙江大学 | 一种融合注意力图的商品分类方法 |
| US20180240233A1 (en) * | 2017-02-22 | 2018-08-23 | Siemens Healthcare Gmbh | Deep Convolutional Encoder-Decoder for Prostate Cancer Detection and Classification |
| CN108492297A (zh) * | 2017-12-25 | 2018-09-04 | 重庆理工大学 | 基于深度级联卷积网络的mri脑肿瘤定位与瘤内分割方法 |
| CN109003280A (zh) * | 2018-07-06 | 2018-12-14 | 华南理工大学 | 一种双通道血管内超声影像的血管中内膜分割方法 |
| CN109064443A (zh) * | 2018-06-22 | 2018-12-21 | 哈尔滨工业大学 | 一种基于腹部超声图像的多模型器官分割方法及系统 |
| CN109754403A (zh) * | 2018-11-29 | 2019-05-14 | 中国科学院深圳先进技术研究院 | 一种ct图像内的肿瘤自动分割方法及系统 |
| CN109919216A (zh) * | 2019-02-28 | 2019-06-21 | 合肥工业大学 | 一种用于计算机辅助诊断前列腺癌的对抗学习方法 |
| CN110390665A (zh) * | 2019-05-30 | 2019-10-29 | 哈尔滨工业大学（深圳） | 基于深度学习多通道与图嵌法的膝关节病症超声诊断方法 |
| US20200012761A1 (en) * | 2017-07-07 | 2020-01-09 | University Of Louisville Research Foundation, Inc. | Computer-aided diagnostic system for early diagnosis of prostate cancer |
| CN111028243A (zh) * | 2019-11-29 | 2020-04-17 | 上海交通大学 | Ct扫描图像的儿童神经母细胞瘤分割方法、系统及装置 |
| CN111063018A (zh) * | 2019-11-08 | 2020-04-24 | 山东大学 | 一种基于深度学习的血管内超声图像三维重建方法及系统 |
| CN111210445A (zh) * | 2020-01-07 | 2020-05-29 | 广东技术师范大学 | 一种基于Mask R-CNN的前列腺超声图像分割方法及设备 |
| CN111243042A (zh) * | 2020-02-28 | 2020-06-05 | 浙江德尚韵兴医疗科技有限公司 | 基于深度学习的超声甲状腺结节良恶性特征可视化的方法 |
| US20200185084A1 (en) * | 2018-12-11 | 2020-06-11 | International Business Machines Corporation | Automated Normality Scoring of Echocardiograms |
-
2020
- 2020-07-02 CN CN202010633530.5A patent/CN111754530B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102947862A (zh) * | 2010-03-11 | 2013-02-27 | 皇家飞利浦电子股份有限公司 | 基于模型的分割的概率细化 |
| WO2017087847A1 (en) * | 2015-11-20 | 2017-05-26 | Oregon Health & Science University | Multiplex immunohistochemistry image cytometry |
| US20180240233A1 (en) * | 2017-02-22 | 2018-08-23 | Siemens Healthcare Gmbh | Deep Convolutional Encoder-Decoder for Prostate Cancer Detection and Classification |
| US20200012761A1 (en) * | 2017-07-07 | 2020-01-09 | University Of Louisville Research Foundation, Inc. | Computer-aided diagnostic system for early diagnosis of prostate cancer |
| CN108492297A (zh) * | 2017-12-25 | 2018-09-04 | 重庆理工大学 | 基于深度级联卷积网络的mri脑肿瘤定位与瘤内分割方法 |
| CN108229430A (zh) * | 2018-01-30 | 2018-06-29 | 浙江大学 | 一种融合注意力图的商品分类方法 |
| CN109064443A (zh) * | 2018-06-22 | 2018-12-21 | 哈尔滨工业大学 | 一种基于腹部超声图像的多模型器官分割方法及系统 |
| CN109003280A (zh) * | 2018-07-06 | 2018-12-14 | 华南理工大学 | 一种双通道血管内超声影像的血管中内膜分割方法 |
| CN109754403A (zh) * | 2018-11-29 | 2019-05-14 | 中国科学院深圳先进技术研究院 | 一种ct图像内的肿瘤自动分割方法及系统 |
| US20200185084A1 (en) * | 2018-12-11 | 2020-06-11 | International Business Machines Corporation | Automated Normality Scoring of Echocardiograms |
| CN109919216A (zh) * | 2019-02-28 | 2019-06-21 | 合肥工业大学 | 一种用于计算机辅助诊断前列腺癌的对抗学习方法 |
| CN110390665A (zh) * | 2019-05-30 | 2019-10-29 | 哈尔滨工业大学（深圳） | 基于深度学习多通道与图嵌法的膝关节病症超声诊断方法 |
| CN111063018A (zh) * | 2019-11-08 | 2020-04-24 | 山东大学 | 一种基于深度学习的血管内超声图像三维重建方法及系统 |
| CN111028243A (zh) * | 2019-11-29 | 2020-04-17 | 上海交通大学 | Ct扫描图像的儿童神经母细胞瘤分割方法、系统及装置 |
| CN111210445A (zh) * | 2020-01-07 | 2020-05-29 | 广东技术师范大学 | 一种基于Mask R-CNN的前列腺超声图像分割方法及设备 |
| CN111243042A (zh) * | 2020-02-28 | 2020-06-05 | 浙江德尚韵兴医疗科技有限公司 | 基于深度学习的超声甲状腺结节良恶性特征可视化的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 谭光鸿;侯进;韩雁鹏;罗朔;: "基于卷积神经网络的低参数量实时图像分割算法", 激光与光电子学进展, no. 09, pages 100 - 108 * |
| 闫欢兰;陆慧娟;叶敏超;严珂;金群;徐一格;: "结合Sobel算子和Mask R-CNN的肺结节分割", 小型微型计算机系统, no. 01, pages 163 - 167 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112580735A (zh) * | 2020-12-25 | 2021-03-30 | 南方电网深圳数字电网研究院有限公司 | 图片在线标注方法、装置和计算机可读存储介质 |
| WO2023118964A3 (en) * | 2021-12-22 | 2023-09-14 | Geonomy, Ltd. | Automated ultrasound imaging analysis and feedback |
| CN114926482A (zh) * | 2022-05-31 | 2022-08-19 | 泰安市中心医院 | 一种基于全卷积网络的dce-mri乳腺肿瘤分割方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111754530B (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110060774B (zh) | 一种基于生成式对抗网络的甲状腺结节识别方法 | |
| US11937973B2 (en) | Systems and media for automatically diagnosing thyroid nodules | |
| Chauhan et al. | Role of gist and PHOG features in computer-aided diagnosis of tuberculosis without segmentation | |
| CN111754530B (zh) | 一种前列腺超声图像分割分类方法 | |
| CN109087703B (zh) | 基于深度卷积神经网络的腹腔ct图像腹膜转移标记方法 | |
| CN111028206A (zh) | 一种基于深度学习前列腺癌自动检测和分类系统 | |
| US7620222B2 (en) | Method, apparatus, and program for judging images | |
| CN110600122A (zh) | 一种消化道影像的处理方法、装置、以及医疗系统 | |
| CN114565761B (zh) | 一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法 | |
| Wang et al. | A method of ultrasonic image recognition for thyroid papillary carcinoma based on deep convolution neural network | |
| CN116386902B (zh) | 基于深度学习的大肠癌人工智能辅助病理诊断系统 | |
| CN113256605B (zh) | 一种基于深度神经网络的乳腺癌图像识别分类方法 | |
| CN112071418B (zh) | 基于增强ct影像组学的胃癌腹膜转移的预测系统及方法 | |
| Nurmaini et al. | CervicoXNet: an automated cervicogram interpretation network | |
| CN112669260B (zh) | 基于深度神经网络的眼底图像视盘黄斑检测方法及装置 | |
| CN117237269A (zh) | 基于多尺度裁剪和自监督重建的肺部ct异常检测方法 | |
| WO2019223121A1 (zh) | 病变部位识别方法及装置、计算机装置及可读存储介质 | |
| CN115131290A (zh) | 图像处理方法 | |
| CN114882282A (zh) | 基于mri和ct图像的结直肠癌治疗效果的神经网络预测方法 | |
| CN114332858A (zh) | 病灶检测方法及装置、病灶检测模型获取方法 | |
| Ramesh et al. | Automatic Endoscopic Ultrasound Station Recognition with Limited Data | |
| KR102620046B1 (ko) | 약지도 딥러닝 인공 지능을 이용한 유방 초음파 진단 방법 및 시스템 | |
| CN116416235B (zh) | 一种基于多模态超声数据的特征区域预测方法和装置 | |
| JP2019037692A (ja) | 映像処理装置、映像処理方法、および映像処理プログラム | |
| Kumar et al. | Innovative Breast Cancer Detection Through Mammogram Analysis |
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 |