CN111768418A - 图像分割方法及装置、图像分割模型的训练方法 - Google Patents
图像分割方法及装置、图像分割模型的训练方法 Download PDFInfo
- Publication number
- CN111768418A CN111768418A CN202010612755.2A CN202010612755A CN111768418A CN 111768418 A CN111768418 A CN 111768418A CN 202010612755 A CN202010612755 A CN 202010612755A CN 111768418 A CN111768418 A CN 111768418A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- image data
- image
- target
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000003709 image segmentation Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 title claims abstract description 49
- 230000011218 segmentation Effects 0.000 claims abstract description 249
- 230000004927 fusion Effects 0.000 claims abstract description 48
- 238000007499 fusion processing Methods 0.000 claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 7
- 230000002685 pulmonary effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims 2
- 238000004519 manufacturing process Methods 0.000 claims 2
- 230000008569 process Effects 0.000 description 15
- 206010056342 Pulmonary mass Diseases 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000002372 labelling Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 210000004072 lung Anatomy 0.000 description 7
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 201000005202 lung cancer Diseases 0.000 description 4
- 208000020816 lung neoplasm Diseases 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000011295 pitch Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000007794 visualization technique 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (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
本发明提供了一种图像分割方法及装置、图像分割模型的训练方法，该图像分割方法包括：从多个角度对待测图像数据进行切片，以得到多组二维图像数据，待测图像数据对应的待测图像包括目标区域和背景区域；分别利用多个分割模型对多组二维图像数据中属于目标区域的部分进行分割，以得到多组目标分割结果；基于多组目标分割结果进行融合处理，得到融合分割结果，融合分割结果包括目标区域的位置信息。本发明的技术方案能够获得准确度高、可靠性高的融合分割结果。
Description
技术领域
本发明涉及深度学习技术领域，具体涉及一种图像分割方法及装置、图像分割模型的训练方法。
背景技术
图像分割技术可以将图像划分成若干个特定的、具有独特性质的区域，从而可以将用户感兴趣的目标从背景中分割出来，因此该技术在驾驶、行人检测、医疗等各个领域具有广泛的应用前景。
但是，现有的图像分割方法分割结果准确度低，可靠性差，难以正确地引导后续的相关工作。
发明内容
有鉴于此，本发明实施例提供了一种图像分割方法及装置、图像分割模型的训练方法，能够获得准确度高、可靠性高的融合分割结果。
第一方面，本发明的实施例提供了一种图像分割方法，包括：从多个角度对待测图像数据进行切片，以得到多组二维图像数据，待测图像数据对应的待测图像包括目标区域和背景区域；分别利用多个分割模型对多组二维图像数据中属于目标区域的部分进行分割，以得到多组目标分割结果；基于多组目标分割结果进行融合处理，得到融合分割结果，融合分割结果包括目标区域的位置信息。
在本发明某些实施例中，基于多组目标分割结果进行融合处理，得到融合分割结果，包括：对多组目标分割结果中的每组目标分割结果中的多个分割结果进行拼接，得到多个组合分割结果；对多个组合分割结果进行融合处理，得到融合分割结果。
在本发明某些实施例中，待测图像数据为三维图像数据，目标区域的位置信息通过待测图像数据中每个体素属于目标区域的概率值进行表征，其中，对多个组合分割结果进行融合处理，得到融合分割结果，包括：对多个组合分割结果进行第一融合处理，确定待测图像中每个体素属于目标区域的概率值。
在本发明某些实施例中，多个分割模型包括N个分割模型，概率值是由公式
得到的，其中，Ri表示第i个分割模型对应的组合分割结果，(x,y,z)表示体素的位置坐标，S(x,y,z)表示经过第一融合处理后，体素属于目标区域的概率值。
在本发明某些实施例中，融合分割结果还包括目标区域中的每个体素属于目标区域的概率值的置信程度，其中，对多个组合分割结果进行融合处理，得到融合分割结果，还包括：对多个组合分割结果进行第二融合处理，确定待测图像中每个体素属于目标区域的概率值的置信程度。
在本发明某些实施例中，多个分割模型包括N个分割模型，置信程度是由公式
得到的，其中，Ri表示第i个分割模型对应的组合分割结果，(x,y,z)表示待测图像中体素的位置坐标，S(x,y,z)表示体素属于目标区域的概率值，C(x,y,z)表示体素属于目标区域的概率值的置信程度。
在本发明某些实施例中，待测图像为肺部医学图像，目标区域为肺部医学图像中结节区域。
第二方面，本发明的实施例提供了一种图像分割模型的训练方法，包括：从第一角度对多个样本图像数据分别进行切片，以得到多组第一个二维样本图像数据，并从第二角度对多个样本图像数据分别进行切片，以得到多组第二个二维样本图像数据；利用多组第一个二维样本图像数据训练第一个二维神经网络模型，以得到第一分割模型，并利用多组第二个二维样本图像数据训练第二个二维神经网络模型，以得到第二分割模型，图像分割模型包括第一分割模型和第二分割模型。
第三方面，本发明的实施例提供了一种图像分割装置，包括：切片模块，用于从多个角度对待测图像数据进行切片，以得到多组二维图像数据，待测图像数据对应的待测图像包括目标区域和背景区域；分割模块，用于分别利用多个分割模型对多组二维图像数据中属于目标区域的部分进行分割，以得到多组目标分割结果；融合模块，用于基于多组目标分割结果进行融合处理，得到融合分割结果，融合分割结果包括目标区域的位置信息。
第四方面，本发明的实施例提供了一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序用于执行上述第一方面所述的图像分割方法或者用于执行上述第二方面所述的图像分割模型的训练方法。
第五方面，本发明的实施例提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器，其中，处理器用于执行上述第一方面所述的图像分割方法或者用于执行上述第二方面所述的图像分割模型的训练方法。
本发明实施例提供了一种图像分割方法及装置、图像分割模型的训练方法，通过对待测图像数据进行多角度的切片以获得多组二维图像数据，利用多个分割模型分别对多组二维图像数据进行分割以获得多组目标分割结果，并基于多组目标分割结果进行融合处理，可以获得准确度高、可靠性高的融合分割结果。
附图说明
图1所示为本发明一示例性实施例提供的图像分割方法的流程示意图。
图2是本发明一示例性实施例提供的三种不同的切平面的示意图。
图3是本发明一示例性实施例提供的两种不同参数(A,B)下的P(A,B)的示意图。
图4是本发明另一示例性实施例提供的图像分割方法的流程示意图。
图5是本发明一示例性实施例提供的图像分割方法的分割过程的示意图。
图6是本发明一示例性实施例提供的图像分割模型的训练方法的流程示意图。
图7是本发明一示例性实施例提供的图像分割模型的训练过程的示意图。
图8是本发明一示例性实施例提供的图像分割装置的结构示意图。
图9是本发明一示例性实施例提供的用于图像分割或训练图像分割模型的电子设备的框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由于吸烟和空气污染等因素的影响，肺癌是目前世界上发病率和死亡率较高的恶性肿瘤，也是近年来我国肿瘤患者的“头号杀手”。由于大多数肺癌患者发现时已属于中晚期，治疗效果不理想，远期生存率很低。早期肺癌往往表现为肺部小结节，若能对肺部小结节做到及时发现并进行鉴别诊断，可以降低肺癌发病率。
对于肺部医学图像中肺结节的分割，目前主要有三种方法。第一种分割方法是手工标注，该方法主要依靠医生的主观判断，不仅标注难度大，而且容易出现漏诊、误诊的问题。第二种分割方法是基于传统计算机视觉的方法，该方法鲁棒性差。第三种是基于深度学习的方法，该方法鲁棒性高，但是无法对分割结果进行详细的解释，即分割结果缺乏可解释性，同时对于一些数据分布模式与训练数据有较大差异的情况，该方法可能会输出让人难以理解的错误结果。
发明人在上海市科委-基于深度学习的肺结节影像人工智能检测及报告系统(17411952400)、上海卫计委-基于深度学习的肺结节CT智能诊断与分类系统(2018ZHYL0101)两个项目资助的课题研究中发现以上问题，并提供一种图像分割方法及装置、图像分割模型的训练方法以解决上述问题。
图1所示为本发明一示例性实施例提供的图像分割方法的流程示意图。图1的方法可由计算设备，例如，服务器或终端，来执行。如图1所示，该图像分割方法包括如下内容。
110：从多个角度对待测图像数据进行切片，以得到多组二维图像数据，待测图像数据对应的待测图像包括目标区域和背景区域。
该图像分割方法可以用于驾驶、医学等领域，进而便于用户根据该分割结果制定相应的决策。本发明实施例对图像的类型不做具体限定，即本发明实施例的图像分割方法可以用于多种类型的图像分割。
当待测图像是医学图像时，该医学图像可以是通过计算机断层扫描摄影(Computed Tomography，CT)、计算机X线摄影(Computed Radiography，CR)、数字化X线摄影(Digital Radiography，DR)、核磁共振或超声等技术获得的。该医学图像可以是人体不同部位的图像，如，肺部、脑部医学图像等。
下面为了描述的方便，以肺部医学图像为例，对本发明实施例提供的图像分割方法进行详细的描述。
待测图像包括目标区域和背景区域。目标区域，也可以称为感兴趣(ROI，RegionOf Interesting)区域，代表肺结节区域；背景区域代表非肺结节区域。
在一实施例中，待测图像是三维图像，待测图像数据为三维图像数据。如图2所示，待测图像置于三维坐标系中，三维图像的一个顶点与坐标系原点重合。从一个角度对待测图像数据进行切片，可以得到一组二维图像数据。该组二维图像数据可以理解成是一组平行的二维图像。每个二维图像数据可以用切平面(x,y,z,A,B)标记。这里，x，y，z分别表示该切平面与X、Y、Z轴的交点到坐标系原点的距离。如果切平面中包含某个轴或与某个轴没有交点，则对应的值为0；A表示切平面投影到XZ平面上的得到的直线与X轴的夹角，A的范围是0～180度；B表示切平面投影到YZ平面上的得到的直线与Y轴的夹角，B的范围是0～180度。x，y，z，A，B的取值可以根据实际需要进行设定。
具体地，为了降低计算的复杂度，设定A和B中至少一个为0，如图2所示，图2展示了三种不同的切平面对应的情况：(a)表示切平面(0,0,d1,0,0)；(b)表示切平面(d2,0,0,90,0)；(c)表示切平面(0,d3,0,0,90)。
在确定切平面参数中的A和B后，将经过原点的切平面(0,0,0,A,B)视为初始切平面，然后沿着该初始切平面的法线方向(包括正方向和负方向)以固定的距离移动该初始切平面，从而可以获得一组平行的切平面，可记为切平面集合S(A,B)。确定切平面集合S(A,B)与待测图像的交集P(A,B)，即获得一组二维图像数据。
具体地，可检查切平面集合S(A,B)中的每个切平面是否包含待测图像中的体素，将包含待测图像中的体素的切平面纳入P(A,B)中。P(A,B)＝{(x1,y1,z1,A,B),(x2,y2,z2,A,B),…}。图3所示为两种不同参数(A,B)下的P(A,B)的示意图：(a)表示P(0,0)中部分切平面与待测图像相切时的示意图；(b)表示P(45,0)中部分切平面与待测图像相切时的示意图。
在本实施例中，相邻切平面之间的距离可以根据实际需要进行设定，本发明实施例对此不做限制。相邻切平面之间的距离相等，可以提高分割结果的可靠性。当然，相邻切平面之间的距离也可以不等，本发明实施例对此不做限制。
不同的移动距离(记为参数d)获得的切平面数量不同，即P(A,B)中包含的切平面的数量受A，B，d三个参数共同控制。对于不同的P(A,B)中的不同切平面，其包含的待测图像中的体素就构成了二维图像数据。
在其他实施例中，待测图像也可以是四维或更高维度的图像。
在一实施例中，在切片之前，可以对待测图像进行三次线性插值，使得每个体素具有各向同性的体素间距。
120：分别利用多个分割模型对多组二维图像数据中属于目标区域的部分进行分割，以得到多组目标分割结果。
具体地，利用分割模型可以判断二维图像数据中的每个像素点是否属于目标区域，进而得到目标分割结果。这里，二维图像数据中的像素点与待测图像数据中的体素对应。
任一组二维图像数据可以用子集Test(Ai,Bi,di)进行表示，子集Test(Ai,Bi,di)与第i个分割模型M(Ai,Bi,di)相对应。对于子集Test(Ai,Bi,di)中的所有二维图像数据，可以利用分割模型M(Ai,Bi,di)对其进行逐一的分割预测，得到一组目标分割结果R(Ai,Bi,di)。每个二维图像数据对应一个目标分割结果。
这里，对于参数不同的子集，可以使用相对应的分割模型进行分割预测。分割模型可以是二维神经网络模型，例如二维全卷积神经网络，具体地，可以是基于二维全卷积神经网络的任一种网络结构。
可选地，该分割模型可以是其他可对二维图像数据进行分割的网络模型，本发明实施例对此不做限制。
在一实施例中，在利用分割模型对二维图像数据进行分割之前，可以对多组二维图像数据进行预处理，使得同一组的二维图像数据对应的像素间距统一。
进一步地，该预处理还可以包括，对同一组的二维图像数据对应的图像进行尺寸统一，以提高分割模型的计算效率。
130：基于多组目标分割结果进行融合处理，得到融合分割结果，融合分割结果包括目标区域的位置信息。
由于对于同一待测图像数据进行多角度的切片，并利用多个分割模型分别对各个角度的切片结果进行分割预测，可以从多个角度获得同一待测图像数据的多组目标分割结果。基于多组目标分割结果进行融合处理，可以综合各组目标分割结果，相当于从各个角度对待测图像数据进行充分地分析，从而可以获得准确度高、可靠性高的融合分割结果。该融合分割结果可以为后续的相关工作给出正确的指导。
融合分割结果包括目标区域的位置信息，该位置信息可以表示待测图像中肺结节的位置。例如，融合分割结果可以是用二值函数进行表征的，即待测图像中各个体素可以用0或1进行表示，0表示该体素对应的位置是背景区域，1表示该体素对应的位置是目标区域(肺结节区域)。
可选地，融合分割结果可以是用概率函数进行表征的，即待测图像中各个体素可以用数值进行表示，数值小于一定阈值时，表示该体素对应的位置是背景区域，反之，则表示该体素对应的位置是目标区域(肺结节区域)。
本发明实施例提供了一种图像分割方法，通过对待测图像数据进行多角度的切片以获得多组二维图像数据，利用多个分割模型分别对多组二维图像数据进行分割以获得多组目标分割结果，并基于多组目标分割结果进行融合处理，可以获得准确度高、可靠性高的融合分割结果。
根据本发明一实施例，基于多组目标分割结果进行融合处理，得到融合分割结果，包括：对多组目标分割结果中的每组目标分割结果中的多个分割结果进行拼接，得到多个组合分割结果；对多个组合分割结果进行融合处理，得到融合分割结果。
具体地，一组目标分割结果R(Ai,Bi,di)包括多个目标分割结果，将该多个目标分割结果按照一定的排列顺序组合，可以得到组合分割结果。该组合分割结果为三维分割结果，即该拼接过程可以看成是将一组二维的分割结果进行组合以得到三维的分割结果。
在一实施例中，可以使用差值方法将组合分割结果中体素在各个方向上的间距还原到与原始的待测图像的一致，使得组合分割结果对应的三维图像与原始的待测图像的尺寸相同。
组合分割结果可以继续用R(Ai,Bi,di)进行标记，组合分割结果中每个体素上的值表示分割模型对该体素属于目标区域的预测结果。该预测结果可以是用二值函数进行表征的，即体素可以用0或1进行表示，0表示该体素对应的位置是背景区域，1表示该体素对应的位置是目标区域(肺结节区域)。可选地，该预测结果可以是用概率函数进行表征的，即体素可以用数值(例如0～1之间的数值)进行表示，数值小于一定阈值时，表示该体素对应的位置是背景区域，反之，则表示该体素对应的位置是目标区域(肺结节区域)。
在本实施例中，通过对多组二维的分割结果分别进行拼接，可以得到多个三维的分割结果，进而对多个三维的分割结果进行融合处理，可以得到可靠性高的融合分割结果。
根据本发明一实施例，目标区域的位置信息通过待测图像数据中每个体素属于目标区域的概率值进行表征，其中，对多个组合分割结果进行融合处理，得到融合分割结果，包括：对多个组合分割结果进行第一融合处理，确定待测图像中每个体素属于目标区域的概率值。
具体地，组合分割结果R(Ai,Bi,di)中，各个体素属于目标区域的预测结果是分割模型对一组二维图像数据进行分割得到的分割结果。该预测结果可以用0～1之间的数值进行表示。当一个体素对应的数值小于一定阈值(例如0.5，0.6，或其他合适的数值)时，表示该体素对应的位置是背景区域，反之，则表示该体素对应的位置是目标区域(肺结节区域)。
在一实施例中，第一融合处理可以是对多个组合分割结果R(Ai,Bi,di)中各个体素对应的预测结果求取均值，以得到待测图像中每个体素属于目标区域的概率值，该概率值有助于用户对分割结果的理解。
具体地，多个分割模型包括N个分割模型，概率值是由公式
得到的，其中，Ri表示第i个分割模型对应的组合分割结果，(x,y,z)表示体素的位置坐标，S(x,y,z)表示经过第一融合处理后，体素属于目标区域的概率值。
除了采用求取均值的方法，在本发明其他实施例中，第一融合处理可以采用多数投票、取最大值、取最小值等方法。
根据本发明一实施例，融合分割结果还包括目标区域中的每个体素属于目标区域的概率值的置信程度，其中，对多个组合分割结果进行融合处理，得到融合分割结果，还包括：对多个组合分割结果进行第二融合处理，确定待测图像中每个体素属于目标区域的概率值的置信程度。
在一实施例中，多个分割模型包括N个分割模型，置信程度是由公式
得到的，其中，Ri表示第i个分割模型对应的组合分割结果，(x,y,z)表示待测图像中体素的位置坐标，S(x,y,z)表示体素属于目标区域的概率值，C(x,y,z)表示体素属于目标区域的概率值的置信程度。
具体地，通过计算各个分割模型对于同一体素的预测结果的方差，可以确定该体素对应的概率值的置信程度，例如，方差小，置信程度高，即该体素属于目标区域的概率值的可信度高。
在本实施例中，为了将置信程度正则化到[0,1]范围内，可以将置信程度公式中的减数(方差)的结果除以0.25。
置信程度可以有效地衡量不同分割模型对于同一待测图像数据的认知确定性。当多个分割模型对于同一体素的预测结果相近时，方差小，置信程度高；当预测结果在较大范围内波动时，方差较大，置信程度低。因此，置信程度是具有实际意义的输出，可解决输出缺乏可解释性的问题。
在一实施例中，融合分割结果可以包括概率值和置信程度，两者可以作为有实际意义的输出来指导后续的相关工作。可选地，概率值和置信程度均可用[0,1]之间的数值进行表示。
置信程度一方面可帮助用户了解分割模型的不足，另一方面可以便于用户对置信程度较低的图像数据进行定制化的处理，例如对图像数据中具有较低置信程度的区域进行手工标注等，或将具有较低置信程度的图像数据挑选出来进行全手工标注等，进而可以提高分割结果的可靠性。
在一实施例中，通过设置概率值阈值和置信程度阈值，可以得到仅包含二分类结果的三维分割结果，该三维分割结果可用于其他的研究中。用户可借由可视化方法(如热力图等)对该三维分割结果进行直观的观察分析。
在本发明其他实施例中，置信程度可以是使用对数似然函数进行确定的。
图4是本发明另一示例性实施例提供的图像分割方法的流程示意图。图4是图1实施例的例子，相同之处不再赘述，此处着重描述不同之处。如图4所示，该方法包括如下内容。
410：从多个角度对待测图像数据进行切片，以得到多组二维图像数据。
待测图像是三维图像，待测图像数据为三维图像数据。待测图像数据对应的待测图像包括目标区域(肺结节区域)和背景区域(非肺结节区域)。对待测图像数据进行切片的具体过程可以参见上述图1实施例中的描述，为了避免重复，此处不再赘述。
如图5所示，切片参数集合包括(A1,B1,d1)，(A2,B2,d2)，…，(An,Bn,dn)。基于该切片参数集合对待测图像数据进行切片，得到n组二维图像数据。对该n组二维图像数据进行预处理(统一像素间距)，可得到预处理后的n组二维图像数据Test(A1,B1,d1)，Test(A2,B2,d2)，…，Test(An,Bn,dn)。
420：分别利用多个分割模型对多组二维图像数据中属于目标区域的部分进行分割，以得到多组目标分割结果。
如图5所示，将n组二维图像数据Test(A1,B1,d1)，Test(A2,B2,d2)，…，Test(An,Bn,dn)分别输入n个分割模型M(A1,B1,d1)，M(A2,B2,d2)，…，M(An,Bn,dn)，得到n组目标分割结果R(A1,B1,d1)，R(A2,B2,d2)，…，R(An,Bn,dn)。
430：对多组目标分割结果中的每组目标分割结果中的多个分割结果进行拼接，得到多个组合分割结果。
可以使用差值方法将组合分割结果中体素在各个方向上的间距还原到与原始的待测图像的一致，使得组合分割结果对应的三维图像与原始的待测图像的尺寸相同。
440：对多个组合分割结果进行第一融合处理，确定待测图像中每个体素属于目标区域的概率值。
组合分割结果中每个体素上的值表示分割模型对该体素属于目标区域的预测结果，该预测结果可以用[0,1]之间的数值进行表示。
第一融合处理可以是对多个组合分割结果R(Ai,Bi,di)中各个体素对应的预测结果求取均值，以得到待测图像中每个体素属于目标区域的概率值，该概率值有助于用户对分割结果的理解。概率值可以用[0,1]之间的数值进行表示。
450：对多个组合分割结果进行第二融合处理，确定待测图像中每个体素属于目标区域的概率值的置信程度。
通过计算各个分割模型对于同一体素的预测结果的方差，可以确定该体素对应的概率值的置信程度，例如，方差小，置信程度高，即该体素属于目标区域的概率值的可信度高。置信程度可以用[0,1]之间的数值进行表示。
具体地，概率值、以及置信程度的确定过程，可以参见上述图1实施例中的描述，为了避免重复，此处不再赘述。
图6是本发明一示例性实施例提供的图像分割模型的训练方法的流程示意图。如图6所示，该图像分割模型的训练方法包括如下内容。
610：从第一角度对多个样本图像数据分别进行切片，以得到多组第一个二维样本图像数据，并从第二角度对多个样本图像数据分别进行切片，以得到多组第二个二维样本图像数据。
在对图像分割模型进行训练的过程中，需要利用提前标注好目标区域的样本图像数据。为了获得具有精确标注的样本图像数据，一般采用人工标注方法。由于人工标注方法费时费力，标注成本高，导致具有精确标注的样本图像数据较少，特别是医学图像数据，因为医学图像数据需要更加专业的标注者来完成。
因此，在本实施例中，通过对于同一样本图像数据(已经标注好目标区域)进行多个角度的切片，可以获得多组二维样本图像数据。即，将一个样本图像数据扩展成多组二维样本图像数据，进而增加样本图像数据的数量。
具体地，样本图像数据可以是三维图像数据，从多个角度对样本图像数据进行切片的过程可以参见上述图像分割方法中的描述，为了避免重复，此处不再赘述。
620：利用多组第一个二维样本图像数据训练第一个二维神经网络模型，以得到第一分割模型，并利用多组第二个二维样本图像数据训练第二个二维神经网络模型，以得到第二分割模型，图像分割模型包括第一分割模型和第二分割模型。
在一实施例中，二维神经网络模型可以是利用自然图像的预训练模型进行迁移学习得到的，这样可以减少二维神经网络模型在训练过程中对样本量的需求。而且，本实施例中通过从多个角度对三维的样本图像数据进行切片，可以增加二维的样本图像数据的数量，实现有效的数据增强。因此，本实施例提供的图像分割模型的训练方法，不仅可以减少训练过程目标任务对样本量的需求，还可以增加样本数量，从而可以为模型的训练提供充足的具有精确标定的样本图像数据。
这里，图像分割模型可以包括上述图1实施例中描述的多个分割模型。
图7是本发明一示例性实施例提供的图像分割模型的训练过程的示意图，该训练过程是基于多个(例如K个)标注好的样本图像数据进行的。
对于任一样本图像数据，可以先进行三次线性插值，使得每个体素具有各向同性的体素间距。然后基于采样参数集合对多个样本图像数据进行切片，以获得二维样本图像数据，对所有切片得到的二维图像数据按照参数(A,B,d)划分成多组二维样本图像数据。对于每组二维样本图像数据中的数据进行预处理，如统一像素间距。进一步地，预处理还可以包括统一图像数据尺寸，这样可以提高模型训练过程的计算效率。此外，各个组之间，二维样本图像数据的像素间距可以相同也可以不同，图像数据尺寸可以相同也可以不同。
例如，采样参数集合为(A1,B1,d1)，(A2,B2,d2)，…，(An,Bn,dn)，预处理后的多组二维样本图像数据为Train(A1,B1,d1)，Train(A2,B2,d2)，…，Train(An,Bn,dn)。
在本实施例中，可以预先构建n个二维全卷积神经网络，可选地，可以使用ImageNet预训练参数进行模型参数的初始化，这样可以额外从自然图像中迁移低维特征信息到本实施例的训练方法中，可以降低对训练样本量的需求。
利用Train(A1,B1,d1)训练第一个二维全卷积神经网络模型以得到第一分割模型M(A1,B1,d1)，利用Train(A2,B2,d2)训练第二个二维全卷积神经网络以得到第二分割模型M(A2,B2,d2)，…，利用Train(An,Bn,dn)训练第n个二维全卷积神经网络模型以得到第n分割模型M(An,Bn,dn)。n个分割模型的网络结构相同，但模型参数不同。
不同的分割模型对应于不同的目标区域分布模式，对于同一目标区域，使用不同的分割模型可得到不同的分割结果。例如，当目标区域的外形为立体的结构时，从不同的视角观察该目标区域可能得到不同的形状，该不同的形状即对应不同的分布模式。
本发明实施例提供了一种图像分割模型的训练方法，通过从多个角度对样本图像数据进行切片，可以增加样本图像数据的数量，满足图像分割模型训练过程对样本量的需求，解决训练样本量不足的问题，且可以降低标注成本。
图8是本发明一示例性实施例提供的图像分割装置800的结构示意图。如图8所示，装置800包括：切片模块810、分割模块820以及融合模块830。
切片模块810用于从多个角度对待测图像数据进行切片，以得到多组二维图像数据，待测图像数据对应的待测图像包括目标区域和背景区域；分割模块820用于分别利用多个分割模型对多组二维图像数据中属于目标区域的部分进行分割，以得到多组目标分割结果；融合模块830用于基于多组目标分割结果进行融合处理，得到融合分割结果，融合分割结果包括目标区域的位置信息。
本发明实施例提供了一种图像分割装置，通过对待测图像数据进行多角度的切片以获得多组二维图像数据，利用多个分割模型分别对多组二维图像数据进行分割以获得多组目标分割结果，并基于多组目标分割结果进行融合处理，可以获得准确度高、可靠性高的融合分割结果。
根据本发明一实施例，融合模块830用于：对多组目标分割结果中的每组目标分割结果中的多个分割结果进行拼接，得到多个组合分割结果；对多个组合分割结果进行融合处理，得到融合分割结果。
根据本发明一实施例，待测图像数据为三维图像数据，目标区域的位置信息通过待测图像数据中每个体素属于目标区域的概率值进行表征，其中，融合模块830用于对多个组合分割结果进行第一融合处理，确定待测图像中每个体素属于目标区域的概率值。
根据本发明一实施例，多个分割模型包括N个分割模型，概率值是由公式
得到的，其中，Ri表示第i个分割模型对应的组合分割结果，(x,y,z)表示体素的位置坐标，S(x,y,z)表示经过第一融合处理后，体素属于目标区域的概率值。
根据本发明一实施例，融合分割结果还包括目标区域中的每个体素属于目标区域的概率值的置信程度，其中，融合模块830还用于对多个组合分割结果进行第二融合处理，确定待测图像中每个体素属于目标区域的概率值的置信程度。
根据本发明一实施例，多个分割模型包括N个分割模型，置信程度是由公式
得到的，其中，Ri表示第i个分割模型对应的组合分割结果，(x,y,z)表示待测图像中体素的位置坐标，S(x,y,z)表示体素属于目标区域的概率值，C(x,y,z)表示体素属于目标区域的概率值的置信程度。
根据本发明一实施例，待测图像为肺部医学图像，目标区域为肺部医学图像中结节区域。
应当理解，上述实施例中的切片模块810、分割模块820以及融合模块830的操作和功能可以参考上述图1和图4实施例中提供的图像分割方法中的描述，为了避免重复，在此不再赘述。
图9所示为本发明一示例性实施例示出的用于图像分割或训练图像分割模型的电子设备900的框图。
参照图9，电子设备900包括处理组件910，其进一步包括一个或多个处理器，以及由存储器920所代表的存储器资源，用于存储可由处理组件910的执行的指令，例如应用程序。存储器920中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件910被配置为执行指令，以执行上述图像分割方法或者图像分割模型的训练方法。
电子设备900还可以包括一个电源组件被配置为执行电子设备900的电源管理，一个有线或无线网络接口被配置为将电子设备900连接到网络，和一个输入输出(I/O)接口。可以基于存储在存储器920的操作系统操作电子设备900，例如Windows ServerTM，Mac OSXTM，UnixTM，LinuxTM，FreeBSDTM或类似。
一种非临时性计算机可读存储介质，当存储介质中的指令由上述电子设备900的处理器执行时，使得上述电子设备900能够执行一种图像分割方法或图像分割模型的训练方法。该图像分割方法包括：从多个角度对待测图像数据进行切片，以得到多组二维图像数据，待测图像数据对应的待测图像包括目标区域和背景区域；分别利用多个分割模型对多组二维图像数据中属于目标区域的部分进行分割，以得到多组目标分割结果；基于多组目标分割结果进行融合处理，得到融合分割结果，融合分割结果包括目标区域的位置信息。该图像分割模型的训练方法包括：从第一角度对多个样本图像数据分别进行切片，以得到多组第一个二维样本图像数据，并从第二角度对多个样本图像数据分别进行切片，以得到多组第二个二维样本图像数据；利用多组第一个二维样本图像数据训练第一个二维神经网络模型，以得到第一分割模型，并利用多组第二个二维样本图像数据训练第二个二维神经网络模型，以得到第二分割模型，图像分割模型包括第一分割模型和第二分割模型。
上述所有可选技术方案，可采用任意结合形成本发明的可选实施例，在此不再一一赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序校验码的介质。
需要说明的是，在本发明的描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换等，均应包含在本发明的保护范围之内。
Claims (11)
1.一种图像分割方法，其特征在于，包括：
从多个角度对待测图像数据进行切片，以得到多组二维图像数据，所述待测图像数据对应的待测图像包括目标区域和背景区域；
分别利用多个分割模型对所述多组二维图像数据中属于所述目标区域的部分进行分割，以得到多组目标分割结果；
基于所述多组目标分割结果进行融合处理，得到融合分割结果，所述融合分割结果包括所述目标区域的位置信息。
2.根据权利要求1所述的图像分割方法，其特征在于，所述基于所述多组目标分割结果进行融合处理，得到融合分割结果，包括：
对所述多组目标分割结果中的每组目标分割结果中的多个分割结果进行拼接，得到多个组合分割结果；
对所述多个组合分割结果进行融合处理，得到所述融合分割结果。
3.根据权利要求2所述的图像分割方法，其特征在于，所述待测图像数据为三维图像数据，所述目标区域的位置信息通过所述待测图像数据中每个体素属于所述目标区域的概率值进行表征，其中，
所述对所述多个组合分割结果进行融合处理，得到所述融合分割结果，包括：
对所述多个组合分割结果进行第一融合处理，确定所述待测图像中每个体素属于所述目标区域的概率值。
4.根据权利要求3所述的图像分割方法，其特征在于，所述多个分割模型包括N个分割模型，所述概率值是由公式
得到的，其中，
Ri表示第i个分割模型对应的组合分割结果，(x,y,z)表示所述体素的位置坐标，S(x,y,z)表示经过所述第一融合处理后，所述体素属于所述目标区域的概率值。
5.根据权利要求3所述的图像分割方法，其特征在于，所述融合分割结果还包括所述目标区域中的每个体素属于所述目标区域的概率值的置信程度，其中，
所述对所述多个组合分割结果进行融合处理，得到所述融合分割结果，还包括：
对所述多个组合分割结果进行第二融合处理，确定所述待测图像中每个体素属于所述目标区域的概率值的置信程度。
6.根据权利要求5所述的图像分割方法，其特征在于，所述多个分割模型包括N个分割模型，所述置信程度是由公式
得到的，其中，
Ri表示第i个分割模型对应的组合分割结果，(x,y,z)表示所述待测图像中所述体素的位置坐标，S(x,y,z)表示所述体素属于所述目标区域的概率值，C(x,y,z)表示所述体素属于所述目标区域的概率值的置信程度。
7.根据权利要求1至6中任一项所述的图像分割方法，其特征在于，所述待测图像为肺部医学图像，所述目标区域为所述肺部医学图像中结节区域。
8.一种图像分割模型的训练方法，其特征在于，包括：
从第一角度对多个样本图像数据分别进行切片，以得到多组第一个二维样本图像数据，并从第二角度对所述多个样本图像数据分别进行切片，以得到多组第二个二维样本图像数据；
利用所述多组第一个二维样本图像数据训练第一个二维神经网络模型，以得到第一分割模型，并利用所述多组第二个二维样本图像数据训练第二个二维神经网络模型，以得到第二分割模型，所述图像分割模型包括所述第一分割模型和所述第二分割模型。
9.一种图像分割装置，其特征在于，包括：
切片模块，用于从多个角度对待测图像数据进行切片，以得到多组二维图像数据，所述待测图像数据对应的待测图像包括目标区域和背景区域；
分割模块，用于分别利用多个分割模型对所述多组二维图像数据中属于所述目标区域的部分进行分割，以得到多组目标分割结果；
融合模块，用于基于所述多组目标分割结果进行融合处理，得到融合分割结果，所述融合分割结果包括所述目标区域的位置信息。
10.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1至7中任一项所述的图像分割方法或者用于执行上述权利要求8所述的图像分割模型的训练方法。
11.一种电子设备，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器，
其中，所述处理器用于执行上述权利要求1至7中任一项所述的图像分割方法或者用于执行上述权利要求8所述的图像分割模型的训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010612755.2A CN111768418A (zh) | 2020-06-30 | 2020-06-30 | 图像分割方法及装置、图像分割模型的训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010612755.2A CN111768418A (zh) | 2020-06-30 | 2020-06-30 | 图像分割方法及装置、图像分割模型的训练方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111768418A true CN111768418A (zh) | 2020-10-13 |
Family
ID=72723049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010612755.2A Pending CN111768418A (zh) | 2020-06-30 | 2020-06-30 | 图像分割方法及装置、图像分割模型的训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111768418A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112258524A (zh) * | 2020-10-20 | 2021-01-22 | 推想医疗科技股份有限公司 | 一种多分支图像分割方法、装置、介质及电子设备 |
| CN112288708A (zh) * | 2020-10-27 | 2021-01-29 | 推想医疗科技股份有限公司 | Ct图像中淋巴结的检测方法、装置、介质及电子设备 |
| CN112365959A (zh) * | 2020-12-07 | 2021-02-12 | 推想医疗科技股份有限公司 | 修改三维图像的标注的方法及装置 |
| CN112465754A (zh) * | 2020-11-17 | 2021-03-09 | 云润大数据服务有限公司 | 基于分层感知融合的3d医疗图像分割方法、装置及存储介质 |
| CN112949654A (zh) * | 2021-02-25 | 2021-06-11 | 上海商汤智能科技有限公司 | 图像检测方法及相关装置、设备 |
| WO2023071154A1 (zh) * | 2021-10-29 | 2023-05-04 | 上海商汤智能科技有限公司 | 图像分割方法及相关模型的训练方法和装置、设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976367A (zh) * | 2016-04-29 | 2016-09-28 | 上海联影医疗科技有限公司 | 图像分割方法、肺结节检测方法及其计算机辅助检测系统 |
| CN108229575A (zh) * | 2018-01-19 | 2018-06-29 | 百度在线网络技术（北京）有限公司 | 用于检测目标的方法和装置 |
| CN109492547A (zh) * | 2018-10-24 | 2019-03-19 | 腾讯科技（深圳）有限公司 | 一种结节识别方法、装置和存储介质 |
| CN110689547A (zh) * | 2019-09-25 | 2020-01-14 | 重庆大学 | 一种基于三维ct影像的肺结节分割方法 |
| CN110728675A (zh) * | 2019-10-22 | 2020-01-24 | 慧影医疗科技（北京）有限公司 | 肺结节分析装置、模型训练方法、装置及分析设备 |
-
2020
- 2020-06-30 CN CN202010612755.2A patent/CN111768418A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976367A (zh) * | 2016-04-29 | 2016-09-28 | 上海联影医疗科技有限公司 | 图像分割方法、肺结节检测方法及其计算机辅助检测系统 |
| CN108229575A (zh) * | 2018-01-19 | 2018-06-29 | 百度在线网络技术（北京）有限公司 | 用于检测目标的方法和装置 |
| CN109492547A (zh) * | 2018-10-24 | 2019-03-19 | 腾讯科技（深圳）有限公司 | 一种结节识别方法、装置和存储介质 |
| CN110689547A (zh) * | 2019-09-25 | 2020-01-14 | 重庆大学 | 一种基于三维ct影像的肺结节分割方法 |
| CN110728675A (zh) * | 2019-10-22 | 2020-01-24 | 慧影医疗科技（北京）有限公司 | 肺结节分析装置、模型训练方法、装置及分析设备 |
Non-Patent Citations (1)
| Title |
|---|
| ARNAUD A. A. SETIO等: "Pulmonary nodule detection in CT images: false positive reduction using multi-view convolutional networks", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112258524A (zh) * | 2020-10-20 | 2021-01-22 | 推想医疗科技股份有限公司 | 一种多分支图像分割方法、装置、介质及电子设备 |
| CN112288708A (zh) * | 2020-10-27 | 2021-01-29 | 推想医疗科技股份有限公司 | Ct图像中淋巴结的检测方法、装置、介质及电子设备 |
| CN112465754A (zh) * | 2020-11-17 | 2021-03-09 | 云润大数据服务有限公司 | 基于分层感知融合的3d医疗图像分割方法、装置及存储介质 |
| CN112365959A (zh) * | 2020-12-07 | 2021-02-12 | 推想医疗科技股份有限公司 | 修改三维图像的标注的方法及装置 |
| CN112365959B (zh) * | 2020-12-07 | 2024-05-28 | 推想医疗科技股份有限公司 | 修改三维图像的标注的方法及装置 |
| CN112949654A (zh) * | 2021-02-25 | 2021-06-11 | 上海商汤智能科技有限公司 | 图像检测方法及相关装置、设备 |
| WO2023071154A1 (zh) * | 2021-10-29 | 2023-05-04 | 上海商汤智能科技有限公司 | 图像分割方法及相关模型的训练方法和装置、设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111768418A (zh) | 图像分割方法及装置、图像分割模型的训练方法 | |
| CN107016665B (zh) | 一种基于深度卷积神经网络的ct肺结节检测方法 | |
| WO2020156148A1 (zh) | Smpl参数预测模型的训练方法、计算机设备及存储介质 | |
| US10410346B2 (en) | Detecting tooth wear using intra-oral 3D scans | |
| El-Baz et al. | Appearance analysis for the early assessment of detected lung nodules | |
| CN101515365B (zh) | 一种ct影像中的粘连血管型肺结节自动分割方法 | |
| WO2018189541A1 (en) | Recist assessment of tumour progression | |
| US9014456B2 (en) | Computer aided diagnostic system incorporating appearance analysis for diagnosing malignant lung nodules | |
| EP2926318B1 (en) | Image processing device and method | |
| WO2012067648A1 (en) | Surface data acquisition, storage, and assessment system | |
| US10706534B2 (en) | Method and apparatus for classifying a data point in imaging data | |
| Hétroy-Wheeler et al. | Segmentation of tree seedling point clouds into elementary units | |
| CN112349391A (zh) | 一种优化肋骨自动标号方法 | |
| EP3872755A1 (en) | Method for providing airway information | |
| CN115861656A (zh) | 用于自动处理医学图像以输出警报的方法、设备和系统 | |
| Lee et al. | Hybrid airway segmentation using multi-scale tubular structure filters and texture analysis on 3D chest CT scans | |
| CN114549513A (zh) | 零件识别方法、装置、质检方法、电子设备及存储介质 | |
| CN110992310A (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
| US20220076829A1 (en) | Method and apparatus for analyzing medical image data in a latent space representation | |
| CN116468690B (zh) | 基于深度学习的浸润性非粘液性肺腺癌的亚型分析系统 | |
| CN115210755A (zh) | 解决训练数据中遗漏注释的类别不同损失函数 | |
| Mortaheb et al. | Metal artifact reduction and segmentation of dental computerized tomography images using least square support vector machine and mean shift algorithm | |
| CN101071506A (zh) | 用于局部肺结构分类以进行计算机辅助结节检测的系统和方法 | |
| CN114187252B (zh) | 图像处理方法及装置、调整检测框的方法及装置 | |
| Cheng et al. | Ground truth delineation for medical image segmentation based on Local Consistency and Distribution Map 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 | ||
| 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: INFERVISION |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201013 |
|
| RJ01 | Rejection of invention patent application after publication |