CN111915597A - 一种病灶图像检测方法和装置 - Google Patents
一种病灶图像检测方法和装置 Download PDFInfo
- Publication number
- CN111915597A CN111915597A CN202010789021.1A CN202010789021A CN111915597A CN 111915597 A CN111915597 A CN 111915597A CN 202010789021 A CN202010789021 A CN 202010789021A CN 111915597 A CN111915597 A CN 111915597A
- Authority
- CN
- China
- Prior art keywords
- image
- hierarchical structure
- region
- interest
- output feature
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000003062 neural network model Methods 0.000 claims abstract description 34
- 230000003902 lesion Effects 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000002203 pretreatment Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002608 intravascular ultrasound Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012014 optical coherence tomography Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002604 ultrasonography 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G06T2207/20—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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (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)
Abstract
本发明公开了一种病灶图像检测方法、装置、计算机可读存储介质以及电子设备,通过获取待检测图像,并且将待检测图像输入神经网络模型来得到待检测图像的病灶图像;其中,该神经网络模型包括多层级结构,当前层级结构的输出特征图像与上一层级结构的输出特征图像融合后输入下一层级结构,即利用多层级结构的神经网络模型来实现多尺度的检测,并且将上一层级结构的输出特征图像和当前层级结构的输出特征图像融合后作为下一层级结构的输入,可以将高分辨率和低分辨率的特征图像进行融合,从而提高病灶图像检测的精度和普适性。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种病灶图像检测方法、装置、计算机可读存储介质以及电子设备。
背景技术
随着医疗影像设备的普及以及国民健康意识的提升,越来越多的疾病会通过医疗影像(如CT影像等)来进行确诊,疾病通常在影像上表现为病灶区域,需要花费医生很多时间进行筛查。随着医疗影像设备的普及,医疗影像数据几何倍增长,而放射科医生的数量增长缓慢,这导致了医生工作量大幅的增加,这不仅降低了疾病诊断的效率,而且大负荷的工作量也会导致医生的疲劳工作,很可能会因此带来漏检或错检的情况,因此,亟需一种可以提高医疗影像中病灶图像检测效率和准确性的方法。
发明内容
为了解决上述技术问题,本申请提出了一种病灶图像检测方法、装置、计算机可读存储介质以及电子设备,通过获取待检测图像,并且将待检测图像输入神经网络模型来得到待检测图像的病灶图像;其中,该神经网络模型包括多层级结构,当前层级结构的输出特征图像与上一层级结构的输出特征图像融合后输入下一层级结构,即利用多层级结构的神经网络模型来实现多尺度的检测,并且将上一层级结构的输出特征图像和当前层级结构的输出特征图像融合后作为下一层级结构的输入,可以将高分辨率和低分辨率的特征图像进行融合,从而提高病灶图像检测的精度和普适性。
根据本申请的一个方面,提供了一种病灶图像检测方法,包括:获取待检测图像;以及将所述待检测图像输入神经网络模型,得到所述待检测图像的病灶图像;其中,所述神经网络模型包括多层级结构,当前层级结构的输出特征图像与上一层级结构的输出特征图像融合后输入下一层级结构。
在一实施例中,所述当前层级结构的输出特征图像与上一层级结构的输出特征图像融合包括:所述当前层级结构的输出特征图像与所述上一层级结构的输出特征图像加权叠加。
在一实施例中,所述当前层级结构的输出特征图像与上一层级结构的输出特征图像加权叠加包括:将所述当前层级结构的输出特征图像中的感兴趣区域与所述上一层级结构的输出特征图像中的感兴趣区域加权叠加;其中,所述当前层级结构的输出特征图像中的感兴趣区域的权重为所述当前层级结构的输出特征图像中的感兴趣区域为病灶区域的概率,所述上一层级结构的输出特征图像中的感兴趣区域的权重为所述上一层级结构的输出特征图像中的感兴趣区域为病灶区域的概率。
在一实施例中,所述当前层级结构的输出特征图像中的感兴趣区域为病灶区域的概率计算方式包括:比对所述当前层级结构的输出特征图像中的感兴趣区域与对应的标准特征图像中对应区域的第一相似度;以及根据所述第一相似度,确定所述当前层级结构的输出特征图像中的感兴趣区域为病灶区域的概率;和/或所述当上一级结构的输出特征图像中的感兴趣区域为病灶区域的概率计算方式包括:比对所述上一层级结构的输出特征图像中的感兴趣区域与对应的标准特征图像中对应区域的第二相似度;以及根据所述第二相似度,确定所述上一层级结构的输出特征图像中的感兴趣区域为病灶区域的概率。
在一实施例中,在所述当前层级结构的输出特征图像与上一层级结构的输出特征图像融合之后,所述检测方法还包括:对融合后的特征图像进行预处理,得到预处理后的特征图像。
在一实施例中,所述预处理包括以下处理方法中的任一种或多种的组合:归一化处理、二值化处理、增强处理。
在一实施例中,所述检测方法还包括:将所述待检测图像输入所述下一层级结构,得到第一预测特征图像;以及将所述当前层级结构的输出特征图像与所述上一层级结构的输出特征图像融合后输入所述下一层级结构得到的第二预测特征图像与所述第一预测特征图像加权叠加,得到所述下一层级结构的输出特征图像。
根据本申请的另一个方面,提供了一种病灶图像检测装置,包括:获取模块,用于获取待检测图像;以及检测模块,用于将所述待检测图像输入神经网络模型,得到所述待检测图像的病灶图像;其中,所述神经网络模型包括多层级结构,当前层级结构的输出特征图像与上一层级结构的输出特征图像融合后输入下一层级结构。
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检测方法。
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检测方法。
本申请提供的一种病灶图像检测方法、装置、计算机可读存储介质以及电子设备,通过获取待检测图像,并且将待检测图像输入神经网络模型来得到待检测图像的病灶图像;其中,该神经网络模型包括多层级结构,当前层级结构的输出特征图像与上一层级结构的输出特征图像融合后输入下一层级结构,即利用多层级结构的神经网络模型来实现多尺度的检测,并且将上一层级结构的输出特征图像和当前层级结构的输出特征图像融合后作为下一层级结构的输入,可以将高分辨率和低分辨率的特征图像进行融合,从而提高病灶图像检测的精度和普适性。
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病灶图像检测方法的流程示意图。
图2是本申请另一示例性实施例提供的一种病灶图像检测方法的流程示意图。
图3是本申请一示例性实施例提供的一种感兴趣区域为病灶区域的概率计算方法的流程示意图。
图4是本申请另一示例性实施例提供的一种病灶图像检测方法的流程示意图。
图5是本申请一示例性实施例提供的一种病灶图像检测装置的结构示意图。
图6是本申请另一示例性实施例提供的一种病灶图像检测装置的结构示意图。
图7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病灶图像检测方法的流程示意图。如图1所示,该方法包括如下步骤:
步骤110:获取待检测图像。
本申请实施例中的待检测图像可以是医疗影像中的CT图像、 MRI图像、X射线图像、光学相干断层成像(OTC)、超声图像(US)、血管内超声图像(IVUS)以及近红外光谱图像(NIRS)等,可以是二维图像,也可以是三维图像,还可以是包含连续多帧图像的视频影像。
步骤120:将待检测图像输入神经网络模型,得到待检测图像的病灶图像。其中,神经网络模型包括多层级结构,当前层级结构的输出特征图像与上一层级结构的输出特征图像融合后输入下一层级结构。
通过设置神经网络模型,将待检测图像输入神经网络模型,可以由该神经网络模型直接得到待检测图像的病灶图像,其中神经网络模型包括多层级结构,譬如多层卷积层结构且该多层卷积层可以并列和层叠设置,待检测图像输入神经网络模型后,由第一层级结构开始一直到最后一层级结构后输出该神经网络模型,其中每一层级结构的尺度等都不同(例如不同卷积盒结构),从而可以利用不同尺度的层级结构对待检测图像进行多尺度的学习以得到多尺度的特征信息,由于高层级结构更多的是学习待检测图像的位置信息,低层级结构更多的是学习待检测图像的细节信息,因此,通过多个层级结构可以更全面的学习待检测图像的各方面信息,从而更准确的获取待检测图像中的病灶区域,为医生诊断和治疗疾病提供了可靠的病灶图像数据支持。
本申请提供的一种病灶图像检测方法,通过获取待检测图像,并且将待检测图像输入神经网络模型来得到待检测图像的病灶图像;其中,该神经网络模型包括多层级结构,当前层级结构的输出特征图像与上一层级结构的输出特征图像融合后输入下一层级结构,即利用多层级结构的神经网络模型来实现多尺度的检测,并且将上一层级结构的输出特征图像和当前层级结构的输出特征图像融合后作为下一层级结构的输入,可以将高分辨率和低分辨率的特征图像进行融合,从而提高病灶图像检测的精度和普适性。
在一实施例中,步骤120的具体实现方式可以为:当前层级结构的输出特征图像与上一层级结构的输出特征图像加权叠加。图2是本申请另一示例性实施例提供的一种病灶图像检测方法的流程示意图。如图2所示,步骤120的具体实现方式可以包括如下步骤:
步骤121:将当前层级结构的输出特征图像中的感兴趣区域与上一层级结构的输出特征图像中的感兴趣区域加权叠加。其中,当前层级结构的输出特征图像中的感兴趣区域的权重为当前层级结构的输出特征图像中的感兴趣区域为病灶区域的概率,上一层级结构的输出特征图像中的感兴趣区域的权重为上一层级结构的输出特征图像中的感兴趣区域为病灶区域的概率。
通过将当前层级结构的输出特征图像中的感兴趣区域与上一层级结构的输出特征图像中的感兴趣区域加权叠加,可以综合上一层级结构的输出特征图像和当前层级结构的输出特征图像得到下一层级结构的输入量,从而保留更多的待检测图像的特性信息;并且,只将当前层级结构的输出特征图像中的感兴趣区域与上一层级结构的输出特征图像中的感兴趣区域加权叠加,也就是不考虑非感兴趣区域(例如背景区域,可以删除),可以避免其他区域增加后续检测的工作量以及对感兴趣区域的干扰。当前层级结构的输出特征图像中的感兴趣区域的权重为当前层级结构的输出特征图像中的感兴趣区域为病灶区域的概率,上一层级结构的输出特征图像中的感兴趣区域的权重为上一层级结构的输出特征图像中的感兴趣区域为病灶区域的概率,根据每一层级结构得到的感兴趣区域为病灶区域的概率确定该感兴趣区域进入下一层级结构的权重,可以更有针对性的将可能的病灶区域输入下一层级结构,从而提高整个神经网络模型的检测精度。应当理解,本申请实施例中上一层级结构和当前层级结构的输出特征图像中的感兴趣区域的权重也可以预先设定,例如为一固定值。
图3是本申请一示例性实施例提供的一种感兴趣区域为病灶区域的概率计算方法的流程示意图。如图3所示,该计算方法可以包括如下步骤:
步骤310:比对当前层级结构的输出特征图像中的感兴趣区域与对应的标准特征图像中对应区域的第一相似度。
通过比对当前层级结构的输出特征图像中的感兴趣区域与对应的标准特征图像中对应区域,即比对当前层级结构的输出特征图像中的感兴趣区域与正常状态的对应区域的图像来得到第一相似度;在一实施例中,标准特征图像可以是统一的医学标准特征图像,也可以是根据不同患者而设置的标准特征图像,由于每个患者的身体结构有所区别,甚至会存在较大差异,因此,可以根据患者自身结构特定设置对应的标准特征图像,例如根据患者的医疗图像框架得出其标准特征图像,也可以将患者之前的医疗图像作为标准特征图像,从而更好的比对患者当前的状态。
步骤320:根据第一相似度,确定当前层级结构的输出特征图像中的感兴趣区域为病灶区域的概率。
当前层级结构的输出特征图像中的感兴趣区域与标准特征图像中对应区域越相似,则说明该感兴趣区域为病灶区域的概率越低,因此,可以根据第一相似度,确定当前层级结构的输出特征图像中的感兴趣区域为病灶区域的概率。
在一实施例中,上一层级结构的输出特征图像中的感兴趣区域为病灶区域的概率计算方式与当前层级结构的输出特征图像中的感兴趣区域为病灶区域的概率计算方式类似,具体可以包括:比对上一层级结构的输出特征图像中的感兴趣区域与对应的标准特征图像中对应区域的第二相似度;以及根据第二相似度,确定上一层级结构的输出特征图像中的感兴趣区域为病灶区域的概率。
在一实施例中,步骤120还可以包括:对融合后的特征图像进行预处理,得到预处理后的特征图像。在进一步的实施例中,预处理可以包括以下处理方法中的任一种或多种的组合:归一化处理、二值化处理、增强处理。
通过对融合后的特征图像进行归一化处理,可以将感兴趣区域的灰度值转化为特定范围内的灰度值,从而提高后续检测的精度;通过对融合后的特征图像进行二值化处理,可以将感兴趣区域与其他区域区分开,从而避免其他区域对感兴趣区域的干扰,同时还可以删除其他区域以降低后续检测的难度;通过对融合后的特征图像进行增强处理,可以将感兴趣区域与其他区域的对比度提高,从而更利于后续检测中针对性的检测感兴趣区域,提高检测精度。对当前层级结构的输出特征图像与上一层级结构的输出特征图像融合后的特征图像进行预处理,可以提高输入下一层级结构的输入量的准确性,从而提高下一层级结构的检测结果。
图4是本申请另一示例性实施例提供的一种病灶图像检测方法的流程示意图。如图4所示,步骤120可以包括:
步骤122:将待检测图像输入下一层级结构,得到第一预测特征图像。
将原始的待检测图像输入下一层级结构,可以避免前面层级结构中有遗漏的特征信息,从而提高检测精度。
步骤123:将当前层级结构的输出特征图像与上一层级结构的输出特征图像融合后输入下一层级结构得到的第二预测特征图像与第一预测特征图像加权叠加,得到下一层级结构的输出特征图像。
将当前层级结构的输出特征图像与上一层级结构的输出特征图像融合后输入下一层级结构得到的第二预测特征图像与第一预测特征图像加权叠加,可以在直接检测待检测图像的同时综合前面层级结构所检测的特性信息,从而在保证无遗漏的前提下综合各个层级结构的检测结果,可以提高整体的检测精度。
示例性装置
图5是本申请一示例性实施例提供的一种病灶图像检测装置的结构示意图。如图5所示,该病灶图像检测装置50包括如下模块:
获取模块51,用于获取待检测图像;以及检测模块52,用于将待检测图像输入神经网络模型,得到待检测图像的病灶图像;其中,神经网络模型包括多层级结构,当前层级结构的输出特征图像与上一层级结构的输出特征图像融合后输入下一层级结构。
本申请提供的一种病灶图像检测装置,通过获取模块51获取待检测图像,并且检测模块52将待检测图像输入神经网络模型来得到待检测图像的病灶图像;其中,该神经网络模型包括多层级结构,当前层级结构的输出特征图像与上一层级结构的输出特征图像融合后输入下一层级结构,即利用多层级结构的神经网络模型来实现多尺度的检测,并且将上一层级结构的输出特征图像和当前层级结构的输出特征图像融合后作为下一层级结构的输入,可以将高分辨率和低分辨率的特征图像进行融合,从而提高病灶图像检测的精度和普适性。
在一实施例中,检测模块52可以进一步配置为:当前层级结构的输出特征图像与上一层级结构的输出特征图像加权叠加。
图6是本申请另一示例性实施例提供的一种病灶图像检测装置的结构示意图。如图6所示,检测模块52可以包括:第一加权单元521,用于将当前层级结构的输出特征图像中的感兴趣区域与上一层级结构的输出特征图像中的感兴趣区域加权叠加。其中,当前层级结构的输出特征图像中的感兴趣区域的权重为当前层级结构的输出特征图像中的感兴趣区域为病灶区域的概率,上一层级结构的输出特征图像中的感兴趣区域的权重为上一层级结构的输出特征图像中的感兴趣区域为病灶区域的概率。
在一实施例中,如图6所示,检测模块52可以包括:相似度计算单元522,用于比对当前层级结构的输出特征图像中的感兴趣区域与对应的标准特征图像中对应区域的第一相似度;概率计算单元523,用于根据第一相似度,确定当前层级结构的输出特征图像中的感兴趣区域为病灶区域的概率。
在一实施例中,检测模块52可以进一步配置为:对融合后的特征图像进行预处理,得到预处理后的特征图像。在进一步的实施例中,预处理可以包括以下处理方法中的任一种或多种的组合:归一化处理、二值化处理、增强处理。
在一实施例中,如图6所示,检测模块52可以包括:第一预测单元524,用于将待检测图像输入下一层级结构,得到第一预测特征图像;第二加权单元525,用于将当前层级结构的输出特征图像与上一层级结构的输出特征图像融合后输入下一层级结构得到的第二预测特征图像与第一预测特征图像加权叠加,得到下一层级结构的输出特征图像。
示例性电子设备
下面,参考图7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7图示了根据本申请实施例的电子设备的框图。
如图7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病灶图像检测方法以及/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7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病灶图像检测方法中的步骤。
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病灶图像检测方法中的步骤。
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)
1.一种病灶图像检测方法,其特征在于,包括:
获取待检测图像;以及
将所述待检测图像输入神经网络模型,得到所述待检测图像的病灶图像;
其中,所述神经网络模型包括多层级结构,当前层级结构的输出特征图像与上一层级结构的输出特征图像融合后输入下一层级结构。
2.根据权利要求1所述的检测方法,其特征在于,所述当前层级结构的输出特征图像与上一层级结构的输出特征图像融合包括:
所述当前层级结构的输出特征图像与所述上一层级结构的输出特征图像加权叠加。
3.根据权利要求2所述的检测方法,其特征在于,所述当前层级结构的输出特征图像与上一层级结构的输出特征图像加权叠加包括:
将所述当前层级结构的输出特征图像中的感兴趣区域与所述上一层级结构的输出特征图像中的感兴趣区域加权叠加;其中,所述当前层级结构的输出特征图像中的感兴趣区域的权重为所述当前层级结构的输出特征图像中的感兴趣区域为病灶区域的概率,所述上一层级结构的输出特征图像中的感兴趣区域的权重为所述上一层级结构的输出特征图像中的感兴趣区域为病灶区域的概率。
4.根据权利要求3所述的检测方法,其特征在于,所述当前层级结构的输出特征图像中的感兴趣区域为病灶区域的概率计算方式包括:
比对所述当前层级结构的输出特征图像中的感兴趣区域与对应的标准特征图像中对应区域的第一相似度;以及
根据所述第一相似度,确定所述当前层级结构的输出特征图像中的感兴趣区域为病灶区域的概率;和/或
所述当上一级结构的输出特征图像中的感兴趣区域为病灶区域的概率计算方式包括:
比对所述上一层级结构的输出特征图像中的感兴趣区域与对应的标准特征图像中对应区域的第二相似度;以及
根据所述第二相似度,确定所述上一层级结构的输出特征图像中的感兴趣区域为病灶区域的概率。
5.根据权利要求1所述的检测方法,其特征在于,在所述当前层级结构的输出特征图像与上一层级结构的输出特征图像融合之后,还包括:
对融合后的特征图像进行预处理,得到预处理后的特征图像。
6.根据权利要求5所述的检测方法,其特征在于,所述预处理包括以下处理方法中的任一种或多种的组合:归一化处理、二值化处理、增强处理。
7.根据权利要求1所述的检测方法,其特征在于,还包括:
将所述待检测图像输入所述下一层级结构,得到第一预测特征图像;以及
将所述当前层级结构的输出特征图像与所述上一层级结构的输出特征图像融合后输入所述下一层级结构得到的第二预测特征图像与所述第一预测特征图像加权叠加,得到所述下一层级结构的输出特征图像。
8.一种病灶图像检测装置,其特征在于,包括:
获取模块,用于获取待检测图像;以及
检测模块,用于将所述待检测图像输入神经网络模型,得到所述待检测图像的病灶图像;
其中,所述神经网络模型包括多层级结构,当前层级结构的输出特征图像与上一层级结构的输出特征图像融合后输入下一层级结构。
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任一所述的检测方法。
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任一所述的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010789021.1A CN111915597A (zh) | 2020-08-07 | 2020-08-07 | 一种病灶图像检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010789021.1A CN111915597A (zh) | 2020-08-07 | 2020-08-07 | 一种病灶图像检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111915597A true CN111915597A (zh) | 2020-11-10 |
Family
ID=73284224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010789021.1A Pending CN111915597A (zh) | 2020-08-07 | 2020-08-07 | 一种病灶图像检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915597A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101588445A (zh) * | 2009-06-09 | 2009-11-25 | 宁波大学 | 一种基于深度的视频感兴趣区域提取方法 |
CN109376667A (zh) * | 2018-10-29 | 2019-02-22 | 北京旷视科技有限公司 | 目标检测方法、装置及电子设备 |
CN110074804A (zh) * | 2019-04-12 | 2019-08-02 | 浙江工业大学 | 基于新型Faster R-CNN的胰腺CT图像中的囊性肿瘤检测方法 |
CN110176002A (zh) * | 2019-06-05 | 2019-08-27 | 深圳大学 | 一种x射线图像的病灶检测方法及终端设备 |
CN110189334A (zh) * | 2019-05-28 | 2019-08-30 | 南京邮电大学 | 基于注意力机制的残差型全卷积神经网络的医学图像分割方法 |
CN110737801A (zh) * | 2019-10-14 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 内容分类方法、装置、计算机设备和存储介质 |
CN111028246A (zh) * | 2019-12-09 | 2020-04-17 | 北京推想科技有限公司 | 一种医学图像分割方法、装置、存储介质及电子设备 |
CN111127490A (zh) * | 2019-12-31 | 2020-05-08 | 杭州电子科技大学 | 一种基于循环残差U-Net网络的医学图像分割方法 |
US20200250398A1 (en) * | 2019-02-01 | 2020-08-06 | Owkin Inc. | Systems and methods for image classification |
-
2020
- 2020-08-07 CN CN202010789021.1A patent/CN111915597A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101588445A (zh) * | 2009-06-09 | 2009-11-25 | 宁波大学 | 一种基于深度的视频感兴趣区域提取方法 |
CN109376667A (zh) * | 2018-10-29 | 2019-02-22 | 北京旷视科技有限公司 | 目标检测方法、装置及电子设备 |
US20200250398A1 (en) * | 2019-02-01 | 2020-08-06 | Owkin Inc. | Systems and methods for image classification |
CN110074804A (zh) * | 2019-04-12 | 2019-08-02 | 浙江工业大学 | 基于新型Faster R-CNN的胰腺CT图像中的囊性肿瘤检测方法 |
CN110189334A (zh) * | 2019-05-28 | 2019-08-30 | 南京邮电大学 | 基于注意力机制的残差型全卷积神经网络的医学图像分割方法 |
CN110176002A (zh) * | 2019-06-05 | 2019-08-27 | 深圳大学 | 一种x射线图像的病灶检测方法及终端设备 |
CN110737801A (zh) * | 2019-10-14 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 内容分类方法、装置、计算机设备和存储介质 |
CN111028246A (zh) * | 2019-12-09 | 2020-04-17 | 北京推想科技有限公司 | 一种医学图像分割方法、装置、存储介质及电子设备 |
CN111127490A (zh) * | 2019-12-31 | 2020-05-08 | 杭州电子科技大学 | 一种基于循环残差U-Net网络的医学图像分割方法 |
Non-Patent Citations (1)
Title |
---|
李子颖, 地质出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10452957B2 (en) | Image classification apparatus, method, and program | |
EP3355273B1 (en) | Coarse orientation detection in image data | |
JP5468905B2 (ja) | 神経変性疾患の診断を支援するためのツール | |
US8903147B2 (en) | Medical report generation apparatus, method and program | |
WO2020054803A1 (ja) | 診断支援システムおよび方法 | |
US10733727B2 (en) | Application of deep learning for medical imaging evaluation | |
EP3614390B1 (en) | Imaging and reporting combination in medical imaging | |
CN111755118B (zh) | 医疗信息处理方法、装置、电子设备及存储介质 | |
US20140185900A1 (en) | Apparatus and method for supporting acquisition of multi-parametric images | |
US20070133851A1 (en) | Method and apparatus for selecting computer-assisted algorithms based on protocol and/or parameters of an acquisistion system | |
CN110853111A (zh) | 医学影像处理系统、模型训练方法及训练装置 | |
CN111008957A (zh) | 医疗信息处理方法和装置 | |
CN107252353B (zh) | 医学成像设备的控制方法及医学成像设备 | |
US20220367049A1 (en) | Systems for Detecting and Identifying Coincident Conditions | |
CN113656706A (zh) | 基于多模态深度学习模型的信息推送方法及装置 | |
US11923069B2 (en) | Medical document creation support apparatus, method and program, learned model, and learning apparatus, method and program | |
CN116721045B (zh) | 一种多ct图像融合的方法及装置 | |
KR101948701B1 (ko) | 피검체의 뇌 구조를 기술하는 잠재 변수에 기반하여 상기 피검체의 뇌질환을 판정하는 방법 및 이를 이용한 장치 | |
CN111915597A (zh) | 一种病灶图像检测方法和装置 | |
KR20230128210A (ko) | 치매 진단을 위한 의료 영상 회귀분석 장치 및 방법 | |
CN114299046A (zh) | 一种医学图像配准方法、装置、设备及存储介质 | |
CN113052930A (zh) | 一种胸部dr双能量数字减影图像生成方法 | |
US20200090810A1 (en) | Medical information processing apparatus, method and system | |
CN111915598B (zh) | 一种基于深度学习的医疗图像处理方法和装置 | |
Urooj et al. | Computer-Aided Diagnosis of Pneumothorax Through X-Ray Images Using Deep Learning—A Review |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201110 |
|
WD01 | Invention patent application deemed withdrawn after publication |