CN111833344A - 医学图像的处理方法及装置、电子设备和存储介质 - Google Patents
医学图像的处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111833344A CN111833344A CN202010727761.2A CN202010727761A CN111833344A CN 111833344 A CN111833344 A CN 111833344A CN 202010727761 A CN202010727761 A CN 202010727761A CN 111833344 A CN111833344 A CN 111833344A
- Authority
- CN
- China
- Prior art keywords
- medical image
- dimensional medical
- feature
- neural network
- network
- 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.)
- Withdrawn
Links
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 238000003672 processing method Methods 0.000 title abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000010586 diagram Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims description 112
- 238000013528 artificial neural network Methods 0.000 claims description 78
- 239000013598 vector Substances 0.000 claims description 67
- 238000000605 extraction Methods 0.000 claims description 66
- 238000012545 processing Methods 0.000 claims description 64
- 238000011176 pooling Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 15
- 238000005520 cutting process Methods 0.000 claims description 12
- 230000000875 corresponding effect Effects 0.000 description 99
- 238000004891 communication Methods 0.000 description 10
- 238000002595 magnetic resonance imaging Methods 0.000 description 10
- 230000003044 adaptive effect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 210000000629 knee joint Anatomy 0.000 description 7
- 210000001264 anterior cruciate ligament Anatomy 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 208000025674 Anterior Cruciate Ligament injury Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012285 ultrasound imaging Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010065433 Ligament rupture Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012800 visualization 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本公开涉及一种医学图像的处理方法及装置、电子设备和存储介质。所述方法包括:对三维医学图像进行特征提取,得到特征图;基于所述特征图,得到所述三维医学图像对应多个类别的得分;基于所述多个类别的得分,确定与所述多个类别中的每个类别对应的第一权重;根据所述特征图以及所述每个类别对应的第一权重,得到所述三维医学图像对应的热力图。
Description
技术领域
本公开涉及图像技术领域,尤其涉及一种医学图像的处理方法及装置、电子设备和存储介质。
背景技术
随着深度学习、神经网络等技术的兴起,基于卷积神经网络的医学图像处理方法也随之产生。医学图像处理的对象是各种不同成像机理的医学影像,临床广泛使用的医学成像种类主要有X-射线成像(X-CT,X-Computed Tomography)、核磁共振成像(MRI,Magnetic Resonance Imaging)、核医学成像(NMI,Nuclear Medicine Imaging)和超声波成像(UI,Ultrasonic Imaging)四类。如何提高医学图像处理结果的可解释性,是亟待解决的技术问题。
发明内容
本公开提供了一种医学图像的处理技术方案。
根据本公开的一方面,提供了一种医学图像的处理方法,包括:
对三维医学图像进行特征提取,得到特征图;
基于所述特征图,得到所述三维医学图像对应多个类别的得分;
基于所述多个类别的得分,确定与所述多个类别中的每个类别对应的第一权重;
根据所述特征图以及所述每个类别对应的第一权重,得到所述三维医学图像对应的热力图。
通过对三维医学图像进行特征提取,得到特征图,基于所述特征图,得到所述三维医学图像对应多个类别的得分,基于所述多个类别的得分,确定与所述多个类别中的每个类别对应的第一权重,并根据所述特征图以及所述每个类别对应的第一权重,得到所述三维医学图像对应的热力图,由此能够提高三维医学图像的分类结果的可解释性。
在一种可能的实现方式中,所述对三维医学图像进行特征提取,得到特征图,包括:
通过神经网络中的特征提取子网络对三维医学图像进行特征提取,得到特征图,其中,所述特征提取子网络为删除全连接层和softmax层后的VGG16网络。
在该实现方式中,通过采用删除全连接层和softmax层后的VGG16网络对三维医学图像进行特征提取,由此能够在保证特征提取的准确性的前提下,减小神经网络的结构复杂度,提高神经网络的处理速度,降低时间开销。
在一种可能的实现方式中,所述基于所述特征图,得到所述三维医学图像对应多个类别的得分,包括:
对所述特征图进行池化操作,得到第一特征向量;
沿所述第一特征向量的第一维度取最大值,得到第二特征向量;
对所述第二特征向量进行全连接操作,得到所述三维医学图像对应多个类别的得分。
在该实现方式中,通过采用删除全连接层和softmax层后的VGG16网络后的VGG16网络对三维医学图像进行特征提取,得到特征图,对所述特征图进行池化操作,得到第一特征向量,沿所述第一特征向量的第一维度取最大值,得到第二特征向量,并对所述第二特征向量进行全连接操作,得到所述三维医学图像对应多个类别的得分,由此能够在保证对三维医学图像进行分类的准确性的前提下,提高分类速度。
在一种可能的实现方式中,所述对所述特征图进行池化操作,得到第一特征向量,包括:
通过所述神经网络中的分类子网络中的第一池化层对所述特征图进行池化操作,得到第一特征向量;
所述对所述第二特征向量进行全连接操作,得到所述三维医学图像对应多个类别的得分,包括:
通过所述分类子网络中的全连接层对所述第二特征向量进行全连接操作,得到所述三维医学图像对应多个类别的得分。
根据该实现方式,提供了一种新的对三维医学图像进行分类的神经网络结构。
在一种可能的实现方式中,在所述通过神经网络中的特征提取子网络对三维医学图像进行特征提取之前,所述方法还包括:
获取多个训练图像;
将所述多个训练图像分别输入所述神经网络,经由所述神经网络输出所述多个训练图像的类别预测结果;
根据所述多个训练图像的类别预测结果,所述多个训练图像的真实类别,以及所述多个类别对应的第二权重,确定所述神经网络的损失函数的值;
根据所述损失函数的值,训练所述神经网络。
在该实现方式中,通过至少基于多个类别对应的第二权重确定神经网络的损失函数的值,由此能够解决不同类别的训练图像的样本数量不均衡及样本数量较少的问题,使训练得到的神经网络对于多个类别具有均衡的处理能力,且能提高训练得到的神经网络的鲁棒性。
在一种可能的实现方式中,所述多个类别中的任一类别对应的第二权重,等于该类别的训练图像的数量的倒数。
根据该实现方式,能够较好地解决不同类别的训练图像的样本数量不均衡及样本数量较少的问题。
在一种可能的实现方式中,所述三维医学图像包括冠状面、矢状面和横断面中至少两个扫描平面的三维医学图像。
在该实现方式中,通过采用至少两个扫描平面的三维医学图像,能够获得更丰富的空间特征,因此有助于提高三维医学图像的处理结果的可解释性和稳定性。
在一种可能的实现方式中,所述三维医学图像包括冠状面、矢状面和横断面中的一个扫描平面的三维医学图像。
在该实现方式中,通过对冠状面、矢状面和横断面中的一个扫描平面的三维医学图像进行特征提取,得到特征图,由此能够大幅度提升医学图像的处理速度。
在一种可能的实现方式中,
在所述对三维医学图像进行特征提取之前,所述方法还包括:根据所述三维医学图像中的目标区域的位置,对所述三维医学图像进行裁剪,得到裁剪后的三维医学图像;
所述对三维医学图像进行特征提取,包括:对所述裁剪后的三维医学图像进行特征提取。
由于三维医学图像(例如三维MRI图像)的数据量较大,数据的冗余量较大,核心信息相对较少且较为集中,因此,该实现方式通过在对三维医学图像进行特征提取之前,对三维医学图像进行裁剪,由此能够降低背景区域部分(例如非前交叉韧带的区域)对三维医学图像处理的干扰,提高三维医学图像的处理结果的准确性,并能降低时间开销。
本公开实施例还提供了一种医学图像的处理装置,包括:
提取模块,用于对三维医学图像进行特征提取,得到特征图;
第一确定模块,用于基于所述特征图,得到所述三维医学图像对应多个类别的得分;
第二确定模块,用于基于所述多个类别的得分,确定与所述多个类别中的每个类别对应的第一权重;
第三确定模块,用于根据所述特征图以及所述每个类别对应的第一权重,得到所述三维医学图像对应的热力图。
在一种可能的实现方式中,所述提取模块用于:
通过神经网络中的特征提取子网络对三维医学图像进行特征提取,得到特征图,其中,所述特征提取子网络为删除全连接层和softmax层后的VGG16网络。
在一种可能的实现方式中,所述第一确定模块用于:
对所述特征图进行池化操作,得到第一特征向量;
沿所述第一特征向量的第一维度取最大值,得到第二特征向量;
对所述第二特征向量进行全连接操作,得到所述三维医学图像对应多个类别的得分。
在一种可能的实现方式中,所述第一确定模块用于:
通过所述神经网络中的分类子网络中的第一池化层对所述特征图进行池化操作,得到第一特征向量;
通过所述分类子网络中的全连接层对所述第二特征向量进行全连接操作,得到所述三维医学图像对应多个类别的得分。
在一种可能的实现方式中,所述装置还包括:
获取模块,用于获取多个训练图像;
预测模块,用于将所述多个训练图像分别输入所述神经网络,经由所述神经网络输出所述多个训练图像的类别预测结果;
第四确定模块,用于根据所述多个训练图像的类别预测结果,所述多个训练图像的真实类别,以及所述多个类别对应的第二权重,确定所述神经网络的损失函数的值;
训练模块,用于根据所述损失函数的值,训练所述神经网络。
在一种可能的实现方式中,所述多个类别中的任一类别对应的第二权重,等于该类别的训练图像的数量的倒数。
在一种可能的实现方式中,所述三维医学图像包括冠状面、矢状面和横断面中至少两个扫描平面的三维医学图像。
在一种可能的实现方式中,所述三维医学图像包括冠状面、矢状面和横断面中的一个扫描平面的三维医学图像。
在一种可能的实现方式中,
所述装置还包括:裁剪模块,用于根据所述三维医学图像中的目标区域的位置,对所述三维医学图像进行裁剪,得到裁剪后的三维医学图像;
所述提取模块用于:对所述裁剪后的三维医学图像进行特征提取。
根据本公开的一方面,提供了一种电子设备,包括:一个或多个处理器;用于存储可执行指令的存储器;其中,所述一个或多个处理器被配置为调用所述存储器存储的可执行指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,通过对三维医学图像进行特征提取,得到特征图,基于所述特征图,得到所述三维医学图像对应多个类别的得分,基于所述多个类别的得分,确定与所述多个类别中的每个类别对应的第一权重,并根据所述特征图以及所述每个类别对应的第一权重,得到所述三维医学图像对应的热力图,由此能够提高三维医学图像的分类结果的可解释性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出本公开实施例提供的医学图像的处理方法的流程图。
图2示出本公开实施例提供的医学图像的处理装置的框图。
图3示出本公开实施例提供的一种电子设备800的框图。
图4示出本公开实施例提供的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
如上所述,在相关技术中,存在医学图像处理结果的可解释性较低的技术问题。为了解决类似上文所述的技术问题,本公开实施例提供了一种医学图像的处理方法及装置、电子设备和存储介质,通过对三维医学图像进行特征提取,得到特征图,基于所述特征图,得到所述三维医学图像对应多个类别的得分,基于所述多个类别的得分,确定与所述多个类别中的每个类别对应的第一权重,并根据所述特征图以及所述每个类别对应的第一权重,得到所述三维医学图像对应的热力图,由此能够提高三维医学图像的分类结果的可解释性。
图1示出本公开实施例提供的医学图像的处理方法的流程图。所述医学图像的处理方法的执行主体可以是医学图像的处理装置。例如,所述医学图像的处理方法可以由终端设备或服务器或其它处理设备执行。其中,终端设备可以是用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal DigitalAssistant,PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中,所述医学图像的处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示,所述医学图像的处理方法包括步骤S11至步骤S14。
在步骤S11中,对三维医学图像进行特征提取,得到特征图。
本公开实施例中的三维医学图像表示三维的医学图像。其中,医学图像可以为MRI图像或者CT图像等,相应地,三维医学图像可以为三维MRI图像或者三维CT图像等,本公开实施例对此不作限定。在本公开实施例中,三维医学图像可以是根据二维医学图像序列得到的。例如,三维MRI图像可以是根据二维的MRI图像序列得到的;三维CT图像可以是根据二维的CT图像序列得到的。
在本公开实施例中,通过采用三维医学图像进行医学图像处理,由此能够利用病例的病灶区域的空间关系信息进行分析,从而能够获得更准确的医学图像处理结果。
在本公开实施例中,可以通过神经网络对三维医学图像进行特征提取,由此能够深度挖掘三维医学图像的图像信息。
在一种可能的实现方式中,所述对三维医学图像进行特征提取,得到特征图,包括:通过神经网络中的特征提取子网络对三维医学图像进行特征提取,得到特征图,其中,所述特征提取子网络为删除全连接层和softmax层后的VGG16网络。
在该实现方式中,通过采用删除全连接层和softmax层后的VGG16网络对三维医学图像进行特征提取,由此能够在保证特征提取的准确性的前提下,减小神经网络的结构复杂度,提高神经网络的处理速度,降低时间开销。
在该实现方式中,通过特征提取子网络得到的特征图的数量可以为多个。
在一种可能的实现方式中,所述三维医学图像包括冠状面、矢状面和横断面中至少两个扫描平面的三维医学图像。
在该实现方式中,扫描平面可以表示对扫描对象进行扫描的平面,其中,扫描对象可以是人体或者动物体等。例如,扫描平面可以是冠状面、矢状面或者横断面等。例如,对某一人体的所有冠状面的切片图像按顺序堆叠,可以生成该人体对应的冠状面的三维医学图像;对某一人体的所有矢状面的切片图像按顺序堆叠,可以生成该人体对应的矢状面的三维医学图像;对某一人体的所有横断面的切片图像按顺序堆叠,可以生成该人体对应的横断面的三维医学图像。
在该实现方式中,通过采用至少两个扫描平面的三维医学图像,能够获得更丰富的空间特征,因此有助于提高三维医学图像的处理结果的可解释性和稳定性。
在另一种可能的实现方式中,所述三维医学图像包括冠状面、矢状面和横断面中的一个扫描平面的三维医学图像。在该实现方式中,通过对冠状面、矢状面和横断面中的一个扫描平面的三维医学图像进行特征提取,得到特征图,由此能够大幅度提升医学图像的处理速度。
在一种可能的实现方式中,在所述对三维医学图像进行特征提取之前,所述方法还包括:根据所述三维医学图像中的目标区域的位置,对所述三维医学图像进行裁剪,得到裁剪后的三维医学图像;所述对三维医学图像进行特征提取,包括:对所述裁剪后的三维医学图像进行特征提取。
在该实现方式中,三维医学图像中的目标区域可以表示三维医学图像中需要进行分析处理的区域。例如,若三维医学图像为膝关节三维医学图像,则三维医学图像中的目标区域可以为三维医学图像中的前交叉韧带的区域;又如,若所述三维医学图像为脑部三维医学图像,则三维医学图像中的目标区域可以为三维医学图像中的脑部区域。该实现方式不对目标区域进行限定,本领域技术人员可以根据实际应用场景需求灵活确定。
由于三维医学图像(例如三维MRI图像)的数据量较大,数据的冗余量较大,核心信息相对较少且较为集中,因此,该实现方式通过在对三维医学图像进行特征提取之前,对三维医学图像进行裁剪,由此能够降低背景区域部分(例如非前交叉韧带的区域)对三维医学图像处理的干扰,提高三维医学图像的处理结果的准确性,并能降低时间开销,提高三维医学图像的处理速度。
在步骤S12中,基于所述特征图,得到所述三维医学图像对应多个类别的得分。
在本公开实施例中,所述多个类别可以对应于损伤或者疾病的多个级别。例如,所述三维医学图像可以为膝关节的三维医学图像,所述多个类别可以为3个类别,3个类别可分别对应于膝关节前交叉韧带撕裂的3个级别(全撕裂、部分撕裂和无撕裂);又如,所述三维医学图像可以为脑部三维医学图像,所述多个类别可以对应于脑肿瘤的多个级别;又如,所述三维医学图像可以为膝关节三维医学图像,所述多个类别可以对应于膝关节半月板损伤的多个级别。本公开实施例不对类别的数量进行限定,本领域技术人员可以根据实际应用场景需求灵活确定。
在本公开实施例中,所述三维医学图像对应多个类别的得分,可以包括所述三维医学图像对应多个类别中的至少两个类别的得分,例如,可以包括所述三维医学图像对应多个类别中的每个类别的得分。在本公开实施例中,所述三维医学图像对应多个类别的得分,可以根据所述三维医学图像属于所述多个类别中各个类别的概率确定。其中,所述三维医学图像对应所述多个类别中的任一类别的得分,与所述三维医学图像属于该类别的概率正相关。即,所述三维医学图像属于所述多个类别中的任一类别的概率越大,则所述三维医学图像对应该类别的得分越高;所述三维医学图像属于所述多个类别中的任一类别的概率越小,则所述三维医学图像对应该类别的得分越低。例如,所述三维医学图像对应所述多个类别中的任一类别的得分,可以等于所述三维医学图像属于该类别的概率。又如,所述三维医学图像对应所述多个类别中的任一类别的得分,可以等于所述三维医学图像属于该类别的概率与第一预设系数的乘积,其中,所述第一预设系数大于0。在本公开实施例中,所述三维医学图像对应所述多个类别中的任一类别的得分越高,则可以表明所述三维医学图像属于该类别的可能性越大;所述三维医学图像对应所述多个类别中的任一类别的得分越低,则可以表明所述三维医学图像属于该类别的可能性越小。
在一种可能的实现方式中,所述基于所述特征图,得到所述三维医学图像对应多个类别的得分,包括:对所述特征图进行池化操作,得到第一特征向量;沿所述第一特征向量的第一维度取最大值,得到第二特征向量;对所述第二特征向量进行全连接操作,得到所述三维医学图像对应多个类别的得分。
作为该实现方式的一个示例,可以通过分类子网络对所述特征图进行池化操作,得到第一特征向量,沿所述第一特征向量的第一维度取最大值,得到第二特征向量,对所述第二特征向量进行全连接操作,得到所述三维医学图像对应多个类别的得分。
在该实现方式中,通过采用删除全连接层和softmax层后的VGG16网络后的VGG16网络对三维医学图像进行特征提取,得到特征图,对所述特征图进行池化操作,得到第一特征向量,沿所述第一特征向量的第一维度取最大值,得到第二特征向量,并对所述第二特征向量进行全连接操作,得到所述三维医学图像对应多个类别的得分,由此能够在保证对三维医学图像进行分类的准确性的前提下,提高分类速度。
在一种可能的实现方式中,所述对所述特征图进行池化操作,得到第一特征向量,包括:通过所述神经网络中的分类子网络中的第一池化层对所述特征图进行池化操作,得到第一特征向量;所述对所述第二特征向量进行全连接操作,得到所述三维医学图像对应多个类别的得分,包括:通过所述分类子网络中的全连接层对所述第二特征向量进行全连接操作,得到所述三维医学图像对应多个类别的得分。
在该实现方式中,所述神经网络包括分类子网络,所述分类子网络包括第一池化层和全连接层。其中,所述第一池化层可以用于对所述特征图进行池化操作,得到第一特征向量;所述全连接层可以用于对所述第二特征向量进行全连接操作,得到所述三维医学图像对应多个类别的得分。根据该实现方式,提供了一种新的对三维医学图像进行分类的神经网络结构。
作为该实现方式的一个示例,所述第一池化层可以是平均池化层,例如可以是自适应平均池化层。作为该实现方式的另一个示例,所述第一池化层可以是最大池化层。
在步骤S13中,基于所述多个类别的得分,确定与所述多个类别中的每个类别对应的第一权重。
在一种可能的实现方式中,所述多个类别中的任一类别对应的第一权重,可以与该类别的得分正相关。即,该类别的得分越高,则该类别对应的第一权重越大;该类别的得分越低,则该类别对应的第一权重越小。
在其他可能的实现方式中,还可以采用CAM(Class Activation Mapping,类激活映射)方法确定与所述多个类别中的每个类别对应的第一权重,本公开实施例对此不作限定。
在步骤S14中,根据所述特征图以及所述每个类别对应的第一权重,得到所述三维医学图像对应的热力图。
在本公开实施例中,可以根据所述多个类别中的每个类别对应的第一权重,对特征提取子网络输出的所有特征图进行加权求和,得到热力图。
在一种可能的实现方式中,可以采用式3得到所述热力图XCAM:
其中,RELU为修正线性激活函数,由此在生成热力图时,可以只考虑特征图中对类别c有正影响的像素点。
在一种可能的实现方式中,在得到所述热力图之后,若所述热力图与所述三维医学图像的尺寸不同,则可以将所述热力图采样至与所述三维医学图像的尺寸相同,再与所述三维医学图像叠加。其中,热力图中对分类结果影响较大的像素的热度较高,因此,热力图能够告诉用户神经网络是通过哪些像素得知三维医学图像属于哪个类别,因此可解释性较高。采用本公开实施例,可以得到具有较高的可解释性和符合医学病理知识的热力图,由此在一定程度上实现了对三维医学图像的损伤或疾病的定级的可视化,从而能够有效辅助损伤和疾病的定级。
在一种可能的实现方式中,在所述通过神经网络中的特征提取子网络对三维医学图像进行特征提取之前,所述方法还包括:获取多个训练图像;将所述多个训练图像分别输入所述神经网络,经由所述神经网络输出所述多个训练图像的类别预测结果;根据所述多个训练图像的类别预测结果,所述多个训练图像的真实类别,以及所述多个类别对应的第二权重,确定所述神经网络的损失函数的值;根据所述损失函数的值,训练所述神经网络。
在该实现方式中,训练图像为三维医学图像,在一个例子中,训练图像可以为三维MRI图像或者三维CT图像等。例如,训练图像的尺寸可以为160×384×384。在采用所述多个训练图像训练所述神经网络之前,可以对所述多个训练图像进行标注,从而确定所述多个训练图像的真实类别。例如,若训练图像为膝关节三维医学图像,神经网络用于对前交叉韧带损伤进行定级,则为训练图像标注的真实类别可以是全撕裂、部分撕裂或者无撕裂。当然,类别的数量也可以更多或更少,本领域技术人员可以根据实际应用场景需求灵活确定。
作为该实现方式的一个示例,在将训练图像输入所述神经网络之前,可以将训练图像的三个维度的数据分别转换为三个独立的矩阵,以便后续输入特征提取子网络进行处理。
作为该实现方式的一个示例,在将训练图像输入所述神经网络之前,还可以对训练图像进行裁剪,裁剪后的训练图像的尺寸为80×3×384×384,其中,3为通道数,80所代表的方向为x轴方向,即矢状面的垂直方向。当然,该实现方式不限于在x轴方向进行裁剪,还可以在y轴方向和/或z轴方向进行裁剪。
在一个例子中,在所述将所述多个训练图像分别输入所述神经网络之前,所述方法还可以包括:根据所述多个训练图像中目标区域的位置,对所述多个训练图像进行裁剪,得到裁剪后的多个训练图像;所述将所述多个训练图像分别输入所述神经网络,可以包括:将裁剪后的多个训练图像分别输入所述神经网络。例如,若训练图像为膝关节三维医学图像,则训练图像中的目标区域可以为训练图像中的前交叉韧带的区域。由于训练图像(三维医学图像,例如三维MRI图像、三维CT图像等)的数据量较大,数据的冗余量较大,核心信息相对较少且较为集中,因此,通过在将训练图像输入神经网络之前,对训练图像进行裁剪,由此能够降低背景区域部分(例如非前交叉韧带的区域)对训练图像处理的干扰,提高训练图像的处理结果的准确性,并能降低时间开销。
表1示出本公开实施例提供的神经网络的示意结构。如表1所示,所述神经网络可以包括特征提取子网络和分类子网络。其中,所述特征提取子网络可以为删除全连接层和softmax层后的VGG16网络;分类子网络可以包括第一池化层和全连接层(Fully ConnectedLayer,即表1中的Fc)。其中,第一池化层可以是自适应平均池化层(Adaptive AveragePooling,即表1中的Adaptivepool)。
表1
在该实现方式中,可以通过所述特征提取子网络对训练图像进行特征提取,得到训练图像对应的特征图(N×C×H×W),其中,N×C×H×W表示所述训练图像对应的特征图的数量为N,通道数为C,高为H,宽为W。所述分类子网络可以将所述训练图像对应的特征图输入自适应平均池化层,经由自适应平均池化层对所述训练图像对应的特征图进行池化操作,得到训练图像对应的第一特征向量(N×C×1×1)。沿所述训练图像对应的第一特征向量的第一维度取最大值,得到所述训练图像对应的第二特征向量(1×C×1×1)。通过所述分类子网络的全连接层对所述训练图像对应的第二特征向量进行全连接处理,可以得到所述训练图像对应三个类别的得分。其中,所述第一维度可以为N对应的维度。沿所述第一维度取最大值可以表示在N×C矩阵中取每列的最大值。例如,所述特征提取子网络的输入图像为80×3×384×384(即数量为80,通道数为3,高为384,宽为384),经过特征提取子网络得到80×512×11×11的特征图,经过自适应平均池化层得到80×512的第一特征向量,再沿第一维度取最大值得到512维的第二特征向量,第二特征向量经过全连接处理得到输入图像对应三个类别的得分。
在该实现方式中,所述多个类别中的任一类别对应的第二权重,可以与该类别的训练图像的数量负相关。即,该类别的训练图像的数量越大,则该类别对应的第二权重越小;该类别的训练图像的数量越小,则该类别对应的第二权重越大。在该实现方式中,所述多个类别中的任一类别对应的第二权重,可以根据该类别的训练图像的数量的倒数确定。例如,所述多个类别中的任一类别对应的第二权重,可以与该类别的训练图像的数量的倒数正相关。即,该类别的训练图像的数量的倒数越大,则该类别对应的第二权重越大;该类别的训练图像的数量的倒数越小,则该类别对应的第二权重越小。
作为该实现方式的一个示例,所述多个类别中的任一类别对应的第二权重,等于该类别的训练图像的数量的倒数。基于该示例,能够较好地解决不同类别的训练图像的样本数量不均衡及样本数量较少的问题。例如,所述多个类别包括全撕裂、部分撕裂或者无撕裂。其中,全撕裂类别对应的第二权重为其中,Nc表示全撕裂类别的训练图像的数量;部分撕裂类别对应的第二权重为其中,Np表示部分撕裂类别的训练图像的数量;无撕裂类别对应的第二权重为其中,Nn表示无撕裂类别的训练图像的数量。
作为该实现方式的另一个示例,所述多个类别中的任一类别对应的第二权重,等于该类别的训练图像的数量的倒数与第二预设系数的乘积,其中,第二预设系数大于0。
作为该实现方式的一个示例,损失函数可以表示为式1:
其中,i表示第i张训练图像,n表示训练图像的总数,ω(i)表示第i张训练图像的真实类别对应的第二权重(例如或者),YTarget(i)表示第i张训练图像的真实类别,YPrediction(i)表示神经网络输出的第i张训练图像的类别预测结果。其中,神经网络输出的第i张训练图像的类别预测结果,可以包括第i张训练图像属于各个类别的概率。例如,所述多个类别包括第一类别、第二类别和第三类别,第i张训练图像的真实类别是第一类别,则YTarget(i)可以表示为[1,0,0],或者,YTarget(i)可以采用[1,0,0]对应的one hot编码数据来表示。例如,神经网络输出的第i张训练图像的类别预测结果中,第i张训练图像属于第一类别的概率是0.85,属于第二类别的概率是0.10,属于第三类别的概率是0.05,则YPrediction(i)可以表示为[0.85,0.10,0.05],或者,YPrediction(i)可以采用[0.85,0.10,0.05]对应的one hot编码数据来表示。
作为该实现方式的一个示例,可以采用自适应矩估计(Adam,Adaptive momentestimation)优化所述损失函数,学习率可以设置为0.0001,批大小可以为1,整体迭代次数(epoch)可以为50。
在该实现方式中,通过至少基于多个类别对应的第二权重确定神经网络的损失函数的值,由此能够解决不同类别的训练图像的样本数量不均衡及样本数量较少的问题,使训练得到的神经网络对于多个类别具有均衡的处理能力,且能提高训练得到的神经网络的鲁棒性。
在本公开实施例中,在训练所述神经网络之后,还可以对所述神经网络进行验证和测试。例如,训练集、验证集和测试集三者的比例可以为3:1:1。在一个示例中,可以采用准确度(预测正确的样本数与总样本数的比值)衡量神经网络的性能。例如,可以在所述神经网络预测的准确度大于或等于预设阈值的情况下,判定训练完成。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了医学图像的处理装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种医学图像的处理方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图2示出本公开实施例提供的医学图像的处理装置的框图。如图2所示,所述医学图像的处理装置包括:提取模块21,用于对三维医学图像进行特征提取,得到特征图;第一确定模块22,用于基于所述特征图,得到所述三维医学图像对应多个类别的得分;第二确定模块23,用于基于所述多个类别的得分,确定与所述多个类别中的每个类别对应的第一权重;第三确定模块24,用于根据所述特征图以及所述每个类别对应的第一权重,得到所述三维医学图像对应的热力图。
在本公开实施例中,通过对三维医学图像进行特征提取,得到特征图,基于所述特征图,得到所述三维医学图像对应多个类别的得分,基于所述多个类别的得分,确定与所述多个类别中的每个类别对应的第一权重,并根据所述特征图以及所述每个类别对应的第一权重,得到所述三维医学图像对应的热力图,由此能够提高三维医学图像的分类结果的可解释性。
在一种可能的实现方式中,所述提取模块21用于:通过神经网络中的特征提取子网络对三维医学图像进行特征提取,得到特征图,其中,所述特征提取子网络为删除全连接层和softmax层后的VGG16网络。
在该实现方式中,通过采用删除全连接层和softmax层后的VGG16网络对三维医学图像进行特征提取,由此能够在保证特征提取的准确性的前提下,减小神经网络的结构复杂度,提高神经网络的处理速度,降低时间开销。
在一种可能的实现方式中,所述第一确定模块22用于:对所述特征图进行池化操作,得到第一特征向量;沿所述第一特征向量的第一维度取最大值,得到第二特征向量;对所述第二特征向量进行全连接操作,得到所述三维医学图像对应多个类别的得分。
在该实现方式中,通过采用删除全连接层和softmax层后的VGG16网络后的VGG16网络对三维医学图像进行特征提取,得到特征图,对所述特征图进行池化操作,得到第一特征向量,沿所述第一特征向量的第一维度取最大值,得到第二特征向量,并对所述第二特征向量进行全连接操作,得到所述三维医学图像对应多个类别的得分,由此能够在保证对三维医学图像进行分类的准确性的前提下,提高分类速度。
在一种可能的实现方式中,所述第一确定模块22用于:通过所述神经网络中的分类子网络中的第一池化层对所述特征图进行池化操作,得到第一特征向量;通过所述分类子网络中的全连接层对所述第二特征向量进行全连接操作,得到所述三维医学图像对应多个类别的得分。
根据该实现方式,提供了一种新的对三维医学图像进行分类的神经网络结构。
在一种可能的实现方式中,所述装置还包括:获取模块,用于获取多个训练图像;预测模块,用于将所述多个训练图像分别输入所述神经网络,经由所述神经网络输出所述多个训练图像的类别预测结果;第四确定模块,用于根据所述多个训练图像的类别预测结果,所述多个训练图像的真实类别,以及所述多个类别对应的第二权重,确定所述神经网络的损失函数的值;训练模块,用于根据所述损失函数的值,训练所述神经网络。
在该实现方式中,通过至少基于多个类别对应的第二权重确定神经网络的损失函数的值,由此能够解决不同类别的训练图像的样本数量不均衡及样本数量较少的问题,使训练得到的神经网络对于多个类别具有均衡的处理能力,且能提高训练得到的神经网络的鲁棒性。
在一种可能的实现方式中,所述多个类别中的任一类别对应的第二权重,等于该类别的训练图像的数量的倒数。
根据该实现方式,能够较好地解决不同类别的训练图像的样本数量不均衡及样本数量较少的问题。
在一种可能的实现方式中,所述三维医学图像包括冠状面、矢状面和横断面中至少两个扫描平面的三维医学图像。
在该实现方式中,通过采用至少两个扫描平面的三维医学图像,能够获得更丰富的空间特征,因此有助于提高三维医学图像的处理结果的可解释性和稳定性。
在一种可能的实现方式中,所述三维医学图像包括冠状面、矢状面和横断面中的一个扫描平面的三维医学图像。
在该实现方式中,通过对冠状面、矢状面和横断面中的一个扫描平面的三维医学图像进行特征提取,得到特征图,由此能够大幅度提升医学图像的处理速度。
在一种可能的实现方式中,所述装置还包括:裁剪模块,用于根据所述三维医学图像中的目标区域的位置,对所述三维医学图像进行裁剪,得到裁剪后的三维医学图像;所述提取模块21用于:对所述裁剪后的三维医学图像进行特征提取。
由于三维医学图像(例如三维MRI图像)的数据量较大,数据的冗余量较大,核心信息相对较少且较为集中,因此,该实现方式通过在对三维医学图像进行特征提取之前,对三维医学图像进行裁剪,由此能够降低背景区域部分(例如非前交叉韧带的区域)对三维医学图像处理的干扰,提高三维医学图像的处理结果的准确性,并能降低时间开销。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。其中,所述计算机可读存储介质可以是非易失性计算机可读存储介质,或者可以是易失性计算机可读存储介质。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的医学图像的处理方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的医学图像的处理方法的操作。
本公开实施例还提供一种电子设备,包括:一个或多个处理器;用于存储可执行指令的存储器;其中,所述一个或多个处理器被配置为调用所述存储器存储的可执行指令,以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图3示出本公开实施例提供的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图3,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如Wi-Fi、2G、3G、4G/LTE、5G或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图4示出本公开实施例提供的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图4,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932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1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如WindowsMac OS或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (20)
1.一种医学图像的处理方法,其特征在于,包括:
对三维医学图像进行特征提取,得到特征图;
基于所述特征图,得到所述三维医学图像对应多个类别的得分;
基于所述多个类别的得分,确定与所述多个类别中的每个类别对应的第一权重;
根据所述特征图以及所述每个类别对应的第一权重,得到所述三维医学图像对应的热力图。
2.根据权利要求1所述的方法,其特征在于,所述对三维医学图像进行特征提取,得到特征图,包括:
通过神经网络中的特征提取子网络对三维医学图像进行特征提取,得到特征图,其中,所述特征提取子网络为删除全连接层和softmax层后的VGG16网络。
3.根据权利要求2所述的方法,其特征在于,所述基于所述特征图,得到所述三维医学图像对应多个类别的得分,包括:
对所述特征图进行池化操作,得到第一特征向量;
沿所述第一特征向量的第一维度取最大值,得到第二特征向量;
对所述第二特征向量进行全连接操作,得到所述三维医学图像对应多个类别的得分。
4.根据权利要求3所述的方法,其特征在于,所述对所述特征图进行池化操作,得到第一特征向量,包括:
通过所述神经网络中的分类子网络中的第一池化层对所述特征图进行池化操作,得到第一特征向量;
所述对所述第二特征向量进行全连接操作,得到所述三维医学图像对应多个类别的得分,包括:
通过所述分类子网络中的全连接层对所述第二特征向量进行全连接操作,得到所述三维医学图像对应多个类别的得分。
5.根据权利要求3或4所述的方法,其特征在于,在所述通过神经网络中的特征提取子网络对三维医学图像进行特征提取之前,所述方法还包括:
获取多个训练图像;
将所述多个训练图像分别输入所述神经网络,经由所述神经网络输出所述多个训练图像的类别预测结果;
根据所述多个训练图像的类别预测结果,所述多个训练图像的真实类别,以及所述多个类别对应的第二权重,确定所述神经网络的损失函数的值;
根据所述损失函数的值,训练所述神经网络。
6.根据权利要求5所述的方法,其特征在于,所述多个类别中的任一类别对应的第二权重,等于该类别的训练图像的数量的倒数。
7.根据权利要求1至6中任意一项所述的方法,其特征在于,所述三维医学图像包括冠状面、矢状面和横断面中至少两个扫描平面的三维医学图像。
8.根据权利要求1至6中任意一项所述的方法,其特征在于,所述三维医学图像包括冠状面、矢状面和横断面中的一个扫描平面的三维医学图像。
9.根据权利要求1至8中任意一项所述的方法,其特征在于,
在所述对三维医学图像进行特征提取之前,所述方法还包括:根据所述三维医学图像中的目标区域的位置,对所述三维医学图像进行裁剪,得到裁剪后的三维医学图像;
所述对三维医学图像进行特征提取,包括:对所述裁剪后的三维医学图像进行特征提取。
10.一种医学图像的处理装置,其特征在于,包括:
提取模块,用于对三维医学图像进行特征提取,得到特征图;
第一确定模块,用于基于所述特征图,得到所述三维医学图像对应多个类别的得分;
第二确定模块,用于基于所述多个类别的得分,确定与所述多个类别中的每个类别对应的第一权重;
第三确定模块,用于根据所述特征图以及所述每个类别对应的第一权重,得到所述三维医学图像对应的热力图。
11.根据权利要求10所述的装置,其特征在于,所述提取模块用于:
通过神经网络中的特征提取子网络对三维医学图像进行特征提取,得到特征图,其中,所述特征提取子网络为删除全连接层和softmax层后的VGG16网络。
12.根据权利要求11所述的装置,其特征在于,所述第一确定模块用于:
对所述特征图进行池化操作,得到第一特征向量;
沿所述第一特征向量的第一维度取最大值,得到第二特征向量;
对所述第二特征向量进行全连接操作,得到所述三维医学图像对应多个类别的得分。
13.根据权利要求12所述的装置,其特征在于,所述第一确定模块用于:
通过所述神经网络中的分类子网络中的第一池化层对所述特征图进行池化操作,得到第一特征向量;
通过所述分类子网络中的全连接层对所述第二特征向量进行全连接操作,得到所述三维医学图像对应多个类别的得分。
14.根据权利要求12或13所述的装置,其特征在于,所述装置还包括:
获取模块,用于获取多个训练图像;
预测模块,用于将所述多个训练图像分别输入所述神经网络,经由所述神经网络输出所述多个训练图像的类别预测结果;
第四确定模块,用于根据所述多个训练图像的类别预测结果,所述多个训练图像的真实类别,以及所述多个类别对应的第二权重,确定所述神经网络的损失函数的值;
训练模块,用于根据所述损失函数的值,训练所述神经网络。
15.根据权利要求14所述的装置,其特征在于,所述多个类别中的任一类别对应的第二权重,等于该类别的训练图像的数量的倒数。
16.根据权利要求10至15中任意一项所述的装置,其特征在于,所述三维医学图像包括冠状面、矢状面和横断面中至少两个扫描平面的三维医学图像。
17.根据权利要求10至15中任意一项所述的装置,其特征在于,所述三维医学图像包括冠状面、矢状面和横断面中的一个扫描平面的三维医学图像。
18.根据权利要求10至17中任意一项所述的装置,其特征在于,
所述装置还包括:裁剪模块,用于根据所述三维医学图像中的目标区域的位置,对所述三维医学图像进行裁剪,得到裁剪后的三维医学图像;
所述提取模块用于:对所述裁剪后的三维医学图像进行特征提取。
19.一种电子设备,其特征在于,包括:
一个或多个处理器;
用于存储可执行指令的存储器;
其中,所述一个或多个处理器被配置为调用所述存储器存储的可执行指令,以执行权利要求1至9中任意一项所述的方法。
20.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010727761.2A CN111833344A (zh) | 2020-07-23 | 2020-07-23 | 医学图像的处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010727761.2A CN111833344A (zh) | 2020-07-23 | 2020-07-23 | 医学图像的处理方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111833344A true CN111833344A (zh) | 2020-10-27 |
Family
ID=72926269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010727761.2A Withdrawn CN111833344A (zh) | 2020-07-23 | 2020-07-23 | 医学图像的处理方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833344A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686867A (zh) * | 2020-12-31 | 2021-04-20 | 上海商汤智能科技有限公司 | 医学图像的识别方法及装置、电子设备和存储介质 |
CN112686341A (zh) * | 2021-03-12 | 2021-04-20 | 聚时科技(江苏)有限公司 | 一种基于层数自适应卷积神经网络的图像分类方法 |
CN114239855A (zh) * | 2021-12-20 | 2022-03-25 | 北京瑞莱智慧科技有限公司 | 分析异常诊断信息的方法、装置、介质和计算设备 |
CN117150058A (zh) * | 2023-09-19 | 2023-12-01 | 佛山科学技术学院 | 一种儿童临床影像资料的自动管理方法、系统及设备 |
-
2020
- 2020-07-23 CN CN202010727761.2A patent/CN111833344A/zh not_active Withdrawn
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686867A (zh) * | 2020-12-31 | 2021-04-20 | 上海商汤智能科技有限公司 | 医学图像的识别方法及装置、电子设备和存储介质 |
CN112686341A (zh) * | 2021-03-12 | 2021-04-20 | 聚时科技(江苏)有限公司 | 一种基于层数自适应卷积神经网络的图像分类方法 |
CN112686341B (zh) * | 2021-03-12 | 2021-07-30 | 聚时科技(江苏)有限公司 | 一种基于层数自适应卷积神经网络的图像分类方法 |
CN114239855A (zh) * | 2021-12-20 | 2022-03-25 | 北京瑞莱智慧科技有限公司 | 分析异常诊断信息的方法、装置、介质和计算设备 |
CN114239855B (zh) * | 2021-12-20 | 2023-08-04 | 北京瑞莱智慧科技有限公司 | 分析异常诊断信息的方法、装置、介质和计算设备 |
CN117150058A (zh) * | 2023-09-19 | 2023-12-01 | 佛山科学技术学院 | 一种儿童临床影像资料的自动管理方法、系统及设备 |
CN117150058B (zh) * | 2023-09-19 | 2024-04-05 | 佛山科学技术学院 | 一种儿童临床影像资料的自动管理方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11532180B2 (en) | Image processing method and device and storage medium | |
US20210326587A1 (en) | Human face and hand association detecting method and a device, and storage medium | |
CN111310616B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US20210097715A1 (en) | Image generation method and device, electronic device and storage medium | |
TWI728564B (zh) | 圖像的描述語句定位方法及電子設備和儲存介質 | |
JP2021528742A (ja) | 画像処理方法及び装置、電子機器、並びに記憶媒体 | |
CN109522910B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN111310764A (zh) | 网络训练、图像处理方法及装置、电子设备和存储介质 | |
CN111833344A (zh) | 医学图像的处理方法及装置、电子设备和存储介质 | |
US20210103733A1 (en) | Video processing method, apparatus, and non-transitory computer-readable storage medium | |
US20220019772A1 (en) | Image Processing Method and Device, and Storage Medium | |
CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
CN110781813B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
JP2022522551A (ja) | 画像処理方法及び装置、電子機器並びに記憶媒体 | |
CN111898676B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN111523485A (zh) | 位姿识别方法及装置、电子设备和存储介质 | |
CN113326768A (zh) | 训练方法、图像特征提取方法、图像识别方法及装置 | |
CN110659690A (zh) | 神经网络的构建方法及装置、电子设备和存储介质 | |
CN112967264A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
CN111523599B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN111325786B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110852325B (zh) | 图像的分割方法及装置、电子设备和存储介质 | |
CN111652107A (zh) | 对象计数方法及装置、电子设备和存储介质 | |
US20210350177A1 (en) | Network training method and device and storage medium | |
CN113538310A (zh) | 图像处理方法及装置、电子设备和存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201027 |
|
WW01 | Invention patent application withdrawn after publication |