CN111914841A - 一种ct图像处理方法和装置 - Google Patents

一种ct图像处理方法和装置 Download PDF

Info

Publication number
CN111914841A
CN111914841A CN202010789990.7A CN202010789990A CN111914841A CN 111914841 A CN111914841 A CN 111914841A CN 202010789990 A CN202010789990 A CN 202010789990A CN 111914841 A CN111914841 A CN 111914841A
Authority
CN
China
Prior art keywords
image
neural network
network model
dimensional
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.)
Granted
Application number
CN202010789990.7A
Other languages
English (en)
Other versions
CN111914841B (zh
Inventor
孙杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou Medical University
Original Assignee
Wenzhou Medical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wenzhou Medical University filed Critical Wenzhou Medical University
Priority to CN202010789990.7A priority Critical patent/CN111914841B/zh
Publication of CN111914841A publication Critical patent/CN111914841A/zh
Application granted granted Critical
Publication of CN111914841B publication Critical patent/CN111914841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—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
    • G06T2207/20—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
    • G06T2207/30096—Tumor; Lesion
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种CT图像处理方法、装置、计算机可读存储介质以及电子设备，利用第一神经网络模型先获取第N部分二维图像的感兴趣区域特征图，然后利用第二神经网络模型得到该第N部分二维图像的检测结果，通过第一神经网络模型和第二神经网络模型的配合，先获取感兴趣区域特征图，然后在感兴趣区域特征图中获取检测结果，可以减少感兴趣区域以外图像数据的计算量，同时利用两个神经网络模型分别完成一部分计算，可以提高计算效率。

Description

一种CT图像处理方法和装置
技术领域
本申请涉及图像处理领域，具体涉及一种CT图像处理方法、装置、计算机可读存储介质以及电子设备。
背景技术
目前，应用机器学习模型对图像进行检测以识别出异常图像(即包含异常状态的目标对象的图像)已越来越多。现有技术中一般需要先收集大量的异常状态的目标对象的图像作为训练图像，利用该训练图像训练机器学习模型以得到能够识别出异常图像的分类模型，然后基于训练好的分类模型从测试图像中识别出异常图像。然而，现有技术中通常是对图像进行整体的特征提取以获取图像的识别结果，例如 CT图像的识别，由于CT图像为多层，数据量较大，多多层图像都进行处理，会导致模型的负担较重，且由于数据量大，也会导致识别的精度不高。
发明内容
为了解决上述技术问题，本申请提出了一种CT图像处理方法、装置、计算机可读存储介质以及电子设备，通过获取包括多层二维图像的CT图像，将该多层二维图像中的第N部分二维图像输入第一神经网络模型得到该第N部分二维图像的感兴趣区域特征图，然后将该第N部分二维图像的感兴趣区域特征图输入第二神经网络模型得到该第N部分二维图像的检测结果；利用第一神经网络模型先获取第N部分二维图像的感兴趣区域特征图，然后利用第二神经网络模型得到该第N部分二维图像的检测结果，通过第一神经网络模型和第二神经网络模型的配合，先获取感兴趣区域特征图，然后在感兴趣区域特征图中获取检测结果，可以减少感兴趣区域以外图像数据的计算量，同时利用两个神经网络模型分别完成一部分计算，可以提高计算效率。
根据本申请的一个方面，提供了一种CT图像处理方法，包括：获取待处理CT图像，其中，所述待处理CT图像包括多层二维图像；将所述多层二维图像中的第N部分二维图像输入第一神经网络模型，得到该第N部分二维图像的感兴趣区域特征图，其中，N 为大于1的整数；以及将所述感兴趣区域特征图输入第二神经网络模型，得到该第N部分二维图像的检测结果。
在一实施例中，在所述将所述多层二维图像中的第N部分二维图像输入第一神经网络模型之前，还包括：将所述多层二维图像中的第一部分二维图像以及对应的感兴趣区域特征图作为训练样本输入所述第一神经网络模型进行训练；以及将所述第一部分二维图像的感兴趣区域特征图以及对应的检测结果作为训练样本输入所述第二神经网络模型进行训练；其中，所述第一部分二维图像不连续。
在一实施例中，所述将所述多层二维图像中的第N部分二维图像输入第一神经网络模型，得到该第N部分二维图像的感兴趣区域特征图包括：对所述第N部分二维图像进行显著性区域提取，得到所述第N部分二维图像的感兴趣区域特征图。
在一实施例中，所述对所述第N部分二维图像进行显著性区域提取，得到所述第N部分二维图像的感兴趣区域特征图包括：对所述第N部分二维图像进行显著性区域提取，得到多个显著性特征图；以及将所述多个显著性特征图叠加，得到所述第N部分二维图像的感兴趣区域特征图。
在一实施例中，所述将所述多个显著性特征图叠加包括：将所述多个显著性特征图加权叠加。
在一实施例中，所述多个显著性特征图的权重为所述多个显著性特征图各自的病变概率。
在一实施例中，所述显著性特征图的病变概率的计算方式包括：比对所述显著性特征图与对应的标准特征图像的相似度；以及根据所述相似度，确定所述显著性特征图的病变概率。
根据本申请的另一个方面，提供了一种CT图像处理装置，包括：获取模块，用于获取待处理CT图像，其中，所述待处理CT 图像包括多层二维图像；特征提取模块，用于将所述多层二维图像中的第N部分二维图像输入第一神经网络模型，得到该第N部分二维图像的感兴趣区域特征图，其中，N为大于1的整数；以及检测模块，用于将所述感兴趣区域特征图输入第二神经网络模型，得到该第N部分二维图像的检测结果。
根据本申请的另一个方面，提供了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任一所述的CT图像处理方法。
根据本申请的另一个方面，提供了一种电子设备，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；所述处理器，用于执行上述任一所述的CT图像处理方法。
本申请提供的一种CT图像处理方法、装置、计算机可读存储介质以及电子设备，通过获取包括多层二维图像的CT图像，将该多层二维图像中的第N部分二维图像输入第一神经网络模型得到该第N 部分二维图像的感兴趣区域特征图，然后将该第N部分二维图像的感兴趣区域特征图输入第二神经网络模型得到该第N部分二维图像的检测结果；利用第一神经网络模型先获取第N部分二维图像的感兴趣区域特征图，然后利用第二神经网络模型得到该第N部分二维图像的检测结果，通过第一神经网络模型和第二神经网络模型的配合，先获取感兴趣区域特征图，然后在感兴趣区域特征图中获取检测结果，可以减少感兴趣区域以外图像数据的计算量，同时利用两个神经网络模型分别完成一部分计算，可以提高计算效率。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本申请一示例性实施例提供的一种CT图像处理方法的流程示意图。
图2是本申请另一示例性实施例提供的一种CT图像处理方法的流程示意图。
图3是本申请另一示例性实施例提供的一种CT图像处理方法的流程示意图。
图4是本申请一示例性实施例提供的一种CT图像处理装置的结构示意图。
图5是本申请另一示例性实施例提供的一种CT图像处理装置的结构示意图。
图6是本申请一示例性实施例提供的电子设备的结构图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
示例性方法
图1是本申请一示例性实施例提供的一种CT图像处理方法的流程示意图。如图1所示，该方法包括如下步骤：
步骤110：获取待处理CT图像，其中，待处理CT图像包括多层二维图像。
CT图像包括连续的多层二维图像，在处理CT图像时，通常是利用多层二维图像构建三维图像，或者是对多层二维图像分别单独进行处理，而三维图像的处理难度较大，计算量也较大，单独处理二维图像效率又较低，并且由于病灶区域(例如骨折图像) 会在连续的几层二维图像中有所体现，如果单独处理单层二维图像，有可能会忽略这种关联性而导致检测遗漏。
步骤120：将多层二维图像中的第N部分二维图像输入第一神经网络模型，得到该第N部分二维图像的感兴趣区域特征图，其中，N为大于1的整数。
通过将多层二维图像中的第N部分二维图像输入第一神经网络模型直接得到该第N部分二维图像的感兴趣区域特征图，其中第一神经网络模型为训练完成的模型，即利用第一神经网络模型可以直接得到第N部分二维图像的感兴趣区域特征图，其中感兴趣区域特征图表征了影响当前检测结果的可能区域，例如在做肺部检测时，第一神经网络模型可以只获取包含肺部区域的感兴趣区域特征图，从而可以减少肺部区域以外的其他区域的干扰和计算量，并且第一神经网络模型只用于确定感兴趣区域的位置，从而在提高检测精度的同时提高检测效率。
步骤130：将感兴趣区域特征图输入第二神经网络模型，得到该第N部分二维图像的检测结果。
将第一神经网络模型得到的感兴趣区域特征图输入第二神经网络模型，直接得到该第N部分二维图像的检测结果，第二神经网络模型只检测感兴趣区域特征图，从而可以大幅减小第二神经网络模型的计算量和检测精度。
本申请提供的一种CT图像处理方法，通过获取包括多层二维图像的CT图像，将该多层二维图像中的第N部分二维图像输入第一神经网络模型得到该第N部分二维图像的感兴趣区域特征图，然后将该第N部分二维图像的感兴趣区域特征图输入第二神经网络模型得到该第N部分二维图像的检测结果；利用第一神经网络模型先获取第N部分二维图像的感兴趣区域特征图，然后利用第二神经网络模型得到该第N部分二维图像的检测结果，通过第一神经网络模型和第二神经网络模型的配合，先获取感兴趣区域特征图，然后在感兴趣区域特征图中获取检测结果，可以减少感兴趣区域以外图像数据的计算量，同时利用两个神经网络模型分别完成一部分计算，可以提高计算效率。
图2是本申请另一示例性实施例提供的一种CT图像处理方法的流程示意图。如图2所示，在步骤120之前，上述处理方法还可以包括：
步骤140：将多层二维图像中的第一部分二维图像以及对应的感兴趣区域特征图作为训练样本输入第一神经网络模型进行训练。
步骤150：将第一部分二维图像的感兴趣区域特征图以及对应的检测结果作为训练样本输入第二神经网络模型进行训练；其中，第一部分二维图像不连续。
将第一部分二维图像以及对应的感兴趣区域特征图作为第一神经网络模型的训练样本，并且将第一部分二维图像的感兴趣区域特征图以及对应的检测结果作为第二神经网络模型的训练样本，可以提高第一神经网络模型和第二神经网络模型的配合度，避免因模型匹配问题而导致最终的检测精度不高的问题。另外，由于不同的CT图像可能存在亮度、清晰度、角度等个方面的区别，因此，本申请实施例将第一部分二维图像作为训练样本来训练第一神经网络模型和第二神经网络模型，利用CT图像中二维图像的连续性和关联性，利用第一部分二维图像对第一神经网络模型和第二神经网络模型进行训练，可以提高第一神经网络模型和第二神经网络模型对当前CT图像的检测精度。在一实施例中，第一部分二维图像的感兴趣区域特征图以及检测结果可以由人工获取或者是其他的方式获取。在另一实施例中，第一部分二维图像的层数与第N部分二维图像的层数成倍数关系，例如第N部分二维图像的层数是第一部分二维图像的层数的多倍，利用第一部分二维图像训练第一神经网络模型和第二神经网络模型，然后利用第一神经网络模型和第二神经网络模型多次检测得到第N部分二维图像的检测结果。
图3是本申请另一示例性实施例提供的一种CT图像处理方法的流程示意图。如图3所示，步骤120的实现方式可以包括：对第 N部分二维图像进行显著性区域提取，得到第N部分二维图像的感兴趣区域特征图。具体的，可以包括如下步骤：
步骤121：对第N部分二维图像进行显著性区域提取，得到多个显著性特征图。
通过对第N部分二维图像进行显著性区域提取，以得到多个显著性特征图，其中多个显著性特征图包含了感兴趣区域特征图。
步骤122：将多个显著性特征图叠加，得到第N部分二维图像的感兴趣区域特征图。
将多个显著性特征图进行叠加，即可得到第N部分二维图像的感兴趣区域特征图。
在一实施例中，步骤122的实现方式可以包括：将多个显著性特征图加权叠加。由于多个显著性特征图在不同的检测项目中的作用不同，因此，可以对多个显著性特征图进行加权叠加，从而得到有针对性感兴趣区域特征图，提高后续的检测精度。
在一实施例中，多个显著性特征图的权重可以为多个显著性特征图各自的病变概率。通过设置多个显著性特征图的权重，可以得到有针对性感兴趣区域特征图，提高后续的检测精度。
在一实施例中，显著性特征图的病变概率的计算方式可以包括：比对显著性特征图与对应的标准特征图像的相似度；以及根据相似度，确定显著性特征图的病变概率。通过计算显著性特征图与对应的标准特征图像之间的相似度，然后根据该相似度确定显著性特征图的病变概率。在一实施例中，显著性特征图的病变概率与显著性特征图与对应的标准特征图像之间的相似度成反比，即相似度越高，病变概率越低。
示例性装置
图4是本申请一示例性实施例提供的一种CT图像处理装置的结构示意图。如图4所示，该CT图像处理装置40包括如下模块：
获取模块41，用于获取待处理CT图像，其中，待处理CT图像包括多层二维图像；特征提取模块42，用于将多层二维图像中的第N部分二维图像输入第一神经网络模型，得到该第N部分二维图像的感兴趣区域特征图，其中，N为大于1的整数；以及检测模块43，用于将感兴趣区域特征图输入第二神经网络模型，得到该第N部分二维图像的检测结果。
本申请提供的一种CT图像处理装置，通过获取模块41获取包括多层二维图像的CT图像，特征提取模块42将该多层二维图像中的第N部分二维图像输入第一神经网络模型得到该第N部分二维图像的感兴趣区域特征图，然后检测模块43将该第N部分二维图像的感兴趣区域特征图输入第二神经网络模型得到该第N部分二维图像的检测结果；利用第一神经网络模型先获取第N部分二维图像的感兴趣区域特征图，然后利用第二神经网络模型得到该第N部分二维图像的检测结果，通过第一神经网络模型和第二神经网络模型的配合，先获取感兴趣区域特征图，然后在感兴趣区域特征图中获取检测结果，可以减少感兴趣区域以外图像数据的计算量，同时利用两个神经网络模型分别完成一部分计算，可以提高计算效率。
图5是本申请另一示例性实施例提供的一种CT图像处理装置的结构示意图。如图5所示，CT图像处理装置40还可以包括：训练模块44，用于将多层二维图像中的第一部分二维图像以及对应的感兴趣区域特征图作为训练样本输入第一神经网络模型进行训练；将第一部分二维图像的感兴趣区域特征图以及对应的检测结果作为训练样本输入第二神经网络模型进行训练；其中，第一部分二维图像不连续。
在一实施例中，特征提取模块42可以进一步配置为：对第N部分二维图像进行显著性区域提取，得到第N部分二维图像的感兴趣区域特征图。
在一实施例中，如图5所示，特征提取模块42可以包括：显著性提取单元421，用于对第N部分二维图像进行显著性区域提取，得到多个显著性特征图；感兴趣区域提取单元422，用于将多个显著性特征图叠加，得到第N部分二维图像的感兴趣区域特征图。
在一实施例中，感兴趣区域提取单元422可以进一步配置为：将多个显著性特征图加权叠加。在一实施例中，多个显著性特征图的权重可以为多个显著性特征图各自的病变概率。
在一实施例中，感兴趣区域提取单元422可以进一步配置为：比对显著性特征图与对应的标准特征图像的相似度；以及根据相似度，确定显著性特征图的病变概率。
示例性电子设备
下面，参考图6来描述根据本申请实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。
图6图示了根据本申请实施例的电子设备的框图。
如图6所示，电子设备10包括一个或多个处理器11和存储器 12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备 10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的CT 图像处理方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出) 互连。
例如，在该电子设备是第一设备或第二设备时，该输入装置13 可以是摄像头，用于捕捉图像的输入信号。在该电子设备是单机设备时，该输入装置13可以是通信网络连接器，用于从第一设备和第二设备接收所采集的输入信号。
此外，该输入设备13还可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出设备14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的CT图像处理方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是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在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的CT图像处理方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。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。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种CT图像处理方法，其特征在于，包括：
获取待处理CT图像，其中，所述待处理CT图像包括多层二维图像；
将所述多层二维图像中的第N部分二维图像输入第一神经网络模型，得到该第N部分二维图像的感兴趣区域特征图，其中，N为大于1的整数；以及
将所述感兴趣区域特征图输入第二神经网络模型，得到该第N部分二维图像的检测结果。
2.根据权利要求1所述的CT图像处理方法，其特征在于，在所述将所述多层二维图像中的第N部分二维图像输入第一神经网络模型之前，还包括：
将所述多层二维图像中的第一部分二维图像以及对应的感兴趣区域特征图作为训练样本输入所述第一神经网络模型进行训练；以及
将所述第一部分二维图像的感兴趣区域特征图以及对应的检测结果作为训练样本输入所述第二神经网络模型进行训练；
其中，所述第一部分二维图像不连续。
3.根据权利要求1所述的CT图像处理方法，其特征在于，所述将所述多层二维图像中的第N部分二维图像输入第一神经网络模型，得到该第N部分二维图像的感兴趣区域特征图包括：
对所述第N部分二维图像进行显著性区域提取，得到所述第N部分二维图像的感兴趣区域特征图。
4.根据权利要求3所述的CT图像处理方法，其特征在于，所述对所述第N部分二维图像进行显著性区域提取，得到所述第N部分二维图像的感兴趣区域特征图包括：
对所述第N部分二维图像进行显著性区域提取，得到多个显著性特征图；以及
将所述多个显著性特征图叠加，得到所述第N部分二维图像的感兴趣区域特征图。
5.根据权利要求4所述的CT图像处理方法，其特征在于，所述将所述多个显著性特征图叠加包括：
将所述多个显著性特征图加权叠加。
6.根据权利要求5所述的CT图像处理方法，其特征在于，所述多个显著性特征图的权重为所述多个显著性特征图各自的病变概率。
7.根据权利要求6所述的CT图像处理方法，其特征在于，所述显著性特征图的病变概率的计算方式包括：
比对所述显著性特征图与对应的标准特征图像的相似度；以及
根据所述相似度，确定所述显著性特征图的病变概率。
8.一种CT图像处理装置，其特征在于，包括：
获取模块，用于获取待处理CT图像，其中，所述待处理CT图像包括多层二维图像；
特征提取模块，用于将所述多层二维图像中的第N部分二维图像输入第一神经网络模型，得到该第N部分二维图像的感兴趣区域特征图，其中，N为大于1的整数；以及
检测模块，用于将所述感兴趣区域特征图输入第二神经网络模型，得到该第N部分二维图像的检测结果。
9.一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1-7任一所述的CT图像处理方法。
10.一种电子设备，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；
所述处理器，用于执行上述权利要求1-7任一所述的CT图像处理方法。
CN202010789990.7A 2020-08-07 2020-08-07 一种ct图像处理方法和装置 Active CN111914841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010789990.7A CN111914841B (zh) 2020-08-07 2020-08-07 一种ct图像处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010789990.7A CN111914841B (zh) 2020-08-07 2020-08-07 一种ct图像处理方法和装置

Publications (2)

Publication Number Publication Date
CN111914841A true CN111914841A (zh) 2020-11-10
CN111914841B CN111914841B (zh) 2023-10-13

Family

ID=73283347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010789990.7A Active CN111914841B (zh) 2020-08-07 2020-08-07 一种ct图像处理方法和装置

Country Status (1)

Country Link
CN (1) CN111914841B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113470043A (zh) * 2021-06-03 2021-10-01 厦门宏泰智能制造有限公司 一种基于图像分割的数据处理方法、装置和电子设备
CN113628183A (zh) * 2021-08-06 2021-11-09 青岛海信医疗设备股份有限公司 一种超声检测对象的容积确定方法及超声设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108510482A (zh) * 2018-03-22 2018-09-07 姚书忠 基于阴道镜图像的宫颈癌检测方法、装置、设备及介质
CN109165692A (zh) * 2018-09-06 2019-01-08 中国矿业大学 一种基于弱监督学习的用户性格预测装置及方法
CN109345494A (zh) * 2018-09-11 2019-02-15 中国科学院长春光学精密机械与物理研究所 基于潜在低秩表示和结构张量的图像融合方法及装置
CN109961637A (zh) * 2017-12-25 2019-07-02 大连楼兰科技股份有限公司 基于多子图融合与显著性分析的车辆检测装置及系统
CN110544214A (zh) * 2019-08-21 2019-12-06 北京奇艺世纪科技有限公司 一种图像修复方法、装置及电子设备
CN110895812A (zh) * 2019-11-28 2020-03-20 北京推想科技有限公司 Ct图像的检测方法、装置、存储介质及电子设备
CN111091147A (zh) * 2019-12-10 2020-05-01 东软集团股份有限公司 一种图像分类方法、装置及设备
CN111340756A (zh) * 2020-02-13 2020-06-26 北京深睿博联科技有限责任公司 一种医学图像病变检出合并方法、系统、终端及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961637A (zh) * 2017-12-25 2019-07-02 大连楼兰科技股份有限公司 基于多子图融合与显著性分析的车辆检测装置及系统
CN108510482A (zh) * 2018-03-22 2018-09-07 姚书忠 基于阴道镜图像的宫颈癌检测方法、装置、设备及介质
CN109165692A (zh) * 2018-09-06 2019-01-08 中国矿业大学 一种基于弱监督学习的用户性格预测装置及方法
CN109345494A (zh) * 2018-09-11 2019-02-15 中国科学院长春光学精密机械与物理研究所 基于潜在低秩表示和结构张量的图像融合方法及装置
CN110544214A (zh) * 2019-08-21 2019-12-06 北京奇艺世纪科技有限公司 一种图像修复方法、装置及电子设备
CN110895812A (zh) * 2019-11-28 2020-03-20 北京推想科技有限公司 Ct图像的检测方法、装置、存储介质及电子设备
CN111091147A (zh) * 2019-12-10 2020-05-01 东软集团股份有限公司 一种图像分类方法、装置及设备
CN111340756A (zh) * 2020-02-13 2020-06-26 北京深睿博联科技有限责任公司 一种医学图像病变检出合并方法、系统、终端及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113470043A (zh) * 2021-06-03 2021-10-01 厦门宏泰智能制造有限公司 一种基于图像分割的数据处理方法、装置和电子设备
CN113628183A (zh) * 2021-08-06 2021-11-09 青岛海信医疗设备股份有限公司 一种超声检测对象的容积确定方法及超声设备

Also Published As

Publication number Publication date
CN111914841B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
US11244435B2 (en) Method and apparatus for generating vehicle damage information
CN108038474B (zh) 人脸检测方法、卷积神经网络参数的训练方法、装置及介质
US20220051405A1 (en) Image processing method and apparatus, server, medical image processing device and storage medium
EP3637310A1 (en) Method and apparatus for generating vehicle damage information
CN111931929A (zh) 一种多任务模型的训练方法、装置及存储介质
CN111428805B (zh) 显著性物体的检测方法、模型、存储介质及电子设备
CN110717458B (zh) 人脸识别方法及识别装置
JP5936561B2 (ja) 画像における外観及びコンテキストに基づく物体分類
CN111914841B (zh) 一种ct图像处理方法和装置
CN111124863B (zh) 智能设备性能测试方法、装置及智能设备
CN114998369A (zh) 图像处理方法、装置、存储介质及电子设备
CN110909889A (zh) 一种基于特征分布的训练集生成、模型训练方法及装置
CN111222558B (zh) 图像处理方法及存储介质
CN110796108B (zh) 一种人脸质量检测的方法、装置、设备及存储介质
CN112287905A (zh) 车辆损伤识别方法、装置、设备及存储介质
CN110210314B (zh) 人脸检测方法、装置、计算机设备及存储介质
CN112241470A (zh) 一种视频分类方法及系统
CN109145991B (zh) 图像组生成方法、图像组生成装置和电子设备
CN111027434A (zh) 一种行人识别模型的训练方法、装置及电子设备
CN113569860B (zh) 实例分割方法和实例分割网络的训练方法及其装置
CN111124862B (zh) 智能设备性能测试方法、装置及智能设备
CN113705511A (zh) 手势识别方法及装置
CN113192085A (zh) 三维器官图像分割方法、装置及计算机设备
KR102354702B1 (ko) 딥러닝을 활용한 소변검사 방법
US20230401691A1 (en) Image defect detection method, electronic device and readable storage medium

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