CN111931772A - 医学图像处理方法、装置、设备及存储介质 - Google Patents
医学图像处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111931772A CN111931772A CN202010986628.9A CN202010986628A CN111931772A CN 111931772 A CN111931772 A CN 111931772A CN 202010986628 A CN202010986628 A CN 202010986628A CN 111931772 A CN111931772 A CN 111931772A
- Authority
- CN
- China
- Prior art keywords
- tissue
- image
- abnormal
- new
- masks
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Abstract
本发明涉及人工智能领域,公开了一种医学图像处理方法、装置、设备及存储介质,该方法包括:从带有标注信息的多个组织异常图像中,提取各组织异常的掩膜;随机选取一个或多个掩膜,利用高斯函数在选取的一个或多个掩膜上生成新的组织异常图像;获取正常组织样本图像中异常组织预测区域的坐标值;根据所述坐标值,将所述新的组织异常图像叠加到所述异常组织预测区域对应的图像上,得到仿生的组织异常图像。本发明还涉及区块链技术,所述组织异常图像存储于区块链中。本发明实现了组织异常图像的仿生,可以控制病灶形态、大小、灰度分布及生成位置。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种医学图像处理方法、装置、设备及存储介质。
背景技术
随着计算与信息技术的飞速发展,利用深度学习实现对医学影像的智能诊辅已成为当前热点。由于深度学习技术是通过网络自主学习数据特征的方式进行训练以得到模型,因此模型性能与训练所使用的样本量息息相关,人工标注的样本量越大,则模型性能就越好。以脑出血数据为例,虽然脑CT数据每年都以一定的速度增长,但由于脑出血不是常发疾病,因此带有出血的阳性数据很难收集,绝大多数都是不带疾病的阴性数据,即使最终能收集到一定量带有出血的阳性样本,数据标注也需要花费大量的时间、人力和物力,同时还需要考虑各类出血样本量不均衡问题,极大影响了模型的研发周期。
现有针对组织异常,扩充医学影像技术的解决方案主要有以下几种:第一种是采用旋转、平移、裁剪、镜像、形变等图像扩增技术来增加组织异常图像,此技术虽能扩充样本量,但其生成的样本缺乏多样性,对于模型的增益较小;而误导网络学习;第三是图像生成技术,以对抗生成网络为代表,由于对抗生成网络需要通过大量的阳性数据训练才能得到逼近真实图像的数据,同时其生成图像的病灶位置是不可控制的,容易产生与现实中发病部位机理不符的数据,故现有的医学影像扩充技术难以根据现有的组织异常图像生成新的仿生组织异常图像。
发明内容
本发明的主要目的在于解决现有的医学影像扩充技术难以根据现有的组织异常图像生成新的仿生组织异常图像的技术问题。
本发明第一方面提供了一种医学图像处理方法,包括:
从带有标注信息的多个组织异常图像中,提取各组织异常的掩膜;
随机选取一个或多个掩膜,利用高斯函数在选取的一个或多个掩膜上生成新的组织异常图像;
获取正常组织样本图像中异常组织预测区域的坐标值;
根据所述坐标值,将所述新的组织异常图像叠加到所述异常组织预测区域对应的图像上,得到仿生的组织异常图像。
可选的,在本发明第一方面的第一种实现方式中,所述从带有标注信息的多个组织异常图像中,提取各组织异常的掩膜包括:
获取带有标注信息的多个组织异常图像;
根据所述标注信息,确定所述各组织异常图像中异常组织区域的尺寸、位置坐标、灰度范围;
根据所述各异常组织区域的尺寸、位置坐标、灰度范围,确定所述各异常组织区域的形态信息;
基于所述形态信息,生成所述各组织异常的掩膜。
可选的,在本发明第一方面的第二种实现方式中,所述随机选取一个或多个掩膜,利用高斯函数在选取的一个或多个掩膜上生成新的组织异常图像包括:
随机选取一个或多个掩膜,并在所述一个或多个掩膜上生成对应的灰度分布权重矩阵;
从所述一个或多个掩膜对应的灰度范围中随机选取一个灰度值,并根据所述灰度值与所述灰度分布权重矩阵,得到对应的新的灰度分布权重矩阵;
根据所述新的灰度分布权重矩阵,生成新的组织异常图像。
可选的,在本发明第一方面的第三种实现方式中,所述获取正常组织样本图像中异常组织预测区域的坐标值包括:
将正常组织样本图像输入预置组织分割模型中进行分割,得到多张局部组织图像中对应组织区域的病变概率;
根据所述各组织区域的病变概率,确定所述正常组织样本图像中异常组织预测区域,并得到所述异常组织预测区域的坐标值。
可选的,在本发明第一方面的第四种实现方式中,所述根据所述坐标值,将所述新的组织异常图像叠加到所述异常组织预测区域对应的图像上,得到仿生的组织异常图像包括:
提取所述新的组织异常图像对应的第一图像矩阵,以及提取所述异常组织预测区域对应的第二图像矩阵;
根据所述坐标值,以所述第一图像矩阵替换所述第二图像矩阵,生成对应的初始仿生的组织异常图像;
采用高斯模糊原理,对所述初始仿生的组织异常图像与所述新的组织异常图像的衔接边缘进行平滑处理,得到仿生的组织异常图像。
可选的,在本发明第一方面的第五种实现方式中,所述采用高斯模糊原理,对所述初始仿生的组织异常图像与所述新的组织异常图像的衔接边缘进行平滑处理,得到仿生的组织异常图像包括:
对所述新的组织异常图像进行膨胀处理,得到膨胀组织异常图像;
对比所述膨胀组织异常图像与所述新的组织异常图像,确定所述初始仿生的组织异常图像与所述新的组织异常图像的衔接边缘;
采用高斯卷积核对所述衔接边缘的灰度值进行均值化,得到仿生的组织异常图像。
本发明第二方面提供了一种医学图像处理装置,包括:
提取模块,用于从带有标注信息的多个组织异常图像中,提取各组织异常的掩膜;
生成模块,用于随机选取一个或多个掩膜,利用高斯函数在选取的一个或多个掩膜上生成新的组织异常图像;
获取模块,用于获取正常组织样本图像中异常组织预测区域的坐标值;
叠加模块,用于根据所述坐标值,将所述新的组织异常图像叠加到所述异常组织预测区域对应的图像上,得到仿生的组织异常图像。
可选的,在本发明第二方面的第一种实现方式中,所述提取模块包括:
图像获取单元,用于获取带有标注信息的多个组织异常图像;
信息转换单元,用于根据所述标注信息,确定所述各组织异常图像中异常组织区域的尺寸、位置坐标、灰度范围;获取单元,用于根据所述各异常组织区域的尺寸、位置坐标、灰度范围,确定所述各异常组织区域的形态信息;
掩膜生成单元,用于基于所述形态信息,生成所述各组织异常的掩膜。
可选的,在本发明第二方面的第二种实现方式中,所述生成模块包括:
矩阵生成单元,用于随机选取一个或多个掩膜,并在所述一个或多个掩膜上生成对应的灰度分布权重矩阵;
矩阵转换单元,用于从所述一个或多个掩膜对应的灰度范围中随机选取一个灰度值,并根据所述灰度值与所述灰度分布权重矩阵,得到对应的新的灰度分布权重矩阵;
图像生成单元,用于根据所述新的灰度分布权重矩阵,生成新的组织异常图像。
可选的,在本发明第二方面的第三种实现方式中,所述获取模块还用于:
将正常组织样本图像输入预置组织分割模型中进行分割,得到多张局部组织图像中对应组织区域的病变概率;
根据所述各组织区域的病变概率,确定所述正常组织样本图像中异常组织预测区域,并得到所述异常组织预测区域的坐标值。
可选的,在本发明第二方面的第四种实现方式中,所述叠加模块包括:
矩阵提取单元,用于所述新的组织异常图像对应的第一图像矩阵,以及提取所述异常组织预测区域对应的第二图像矩阵;
矩阵替换单元,用于根据所述坐标值,以所述第一图像矩阵替换所述第二图像矩阵,生成对应的初始仿生的组织异常图像;
图像模糊单元,用于采用高斯模糊原理,对所述初始仿生的组织异常图像与所述新的组织异常图像的衔接边缘进行平滑处理,得到仿生的组织异常图像。
可选的,在本发明第二方面的第五种实现方式中,所述图像模糊单元还用于:
对所述新的组织异常图像进行膨胀处理,得到膨胀组织异常图像;
对比所述膨胀组织异常图像与所述新的组织异常图像,确定所述初始仿生的组织异常图像与所述新的组织异常图像的衔接边缘;
采用高斯卷积核对所述衔接边缘的灰度值进行均值化,得到仿生的组织异常图像。
本发明第三方面提供了一种医学图像处理设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述医学图像处理设备执行上述的医学图像处理方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的医学图像处理方法。
本发明提供的技术方案中,通过从组织异常图像中,提取各组织异常的掩膜,以确定异常组织的位置与大小;然后通过高斯函数在掩膜上生成新的组织异常图像;接着将新的组织异常图像叠加到正常组织样本图像中异常组织预测区域中,即可得到仿生的组织异常图像。本发明实现了组织异常图像的仿生,可以控制病灶形态、大小、灰度分布及生成位置。
附图说明
图1为本发明实施例中医学图像处理方法的第一个实施例示意图;
图2为本发明实施例中医学图像处理方法的第二个实施例示意图;
图3为本发明实施例中医学图像处理方法的第三个实施例示意图;
图4为本发明实施例中医学图像处理方法的第四个实施例示意图;
图5为本发明实施例中医学图像处理装置的一个实施例示意图;
图6为本发明实施例中医学图像处理装置的另一个实施例示意图;
图7为本发明实施例中医学图像处理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种医学图像处理方法、装置、设备及存储介质,所述方法包括从带有标注信息的多个组织异常图像中,提取各组织异常的掩膜;随机选取一个或多个掩膜,利用高斯函数在选取的一个或多个掩膜上生成新的组织异常图像;获取正常组织样本图像中异常组织预测区域的坐标值;根据所述坐标值,将所述新的组织异常图像叠加到所述异常组织预测区域对应的图像上,得到仿生的组织异常图像。本发明实现了组织异常图像的仿生,可以控制病灶形态、大小、灰度分布及生成位置。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中医学图像处理方法的第一个实施例包括:
101、从带有标注信息的多个组织异常图像中,提取各组织异常的掩膜;
可以理解的是,本发明的执行主体可以为医学图像处理装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。需要强调的是,为进一步保证上述组织异常图像的私密和安全性,上述组织异常图像还可以存储于一区块链的节点中。
另外,组织异常图像可包括组织出血图像、组织病变图像、组织增生、组织退化等,接下来以组织出血图像为例对所述医学图像处理方法进行说明,并非对组织异常图像进行具体的限定。
本实施例中,通过获取多种组织出血类型的组织出血图像,可以包括脑出血、肺出血、胃出血、大肠出血、肾或膀胱出血等;
然后人工标注或自动标注工具标注每一个组织出血区域的尺寸、区域位置、灰度值范围,得到标注信息,其中,出血区域以一个矩形呈现,该矩形的长与宽即为该出血区域的尺寸;
接着采用深度神经网络框架对组织出血图像进行分割,即可得到每一张组织出血图像中的组织出血区域;
最后提取各组织出血区域对应的不同类型的组织出血的掩膜,可以将不同类型的组织出血的掩膜进行分类归档,存在不同的文件夹中,得到不同的掩膜集。其中,根据每一类型的组织出血,对掩膜的大小进行归一化处理。
需注意的是,掩膜通过一个二进制矩阵进行呈现,组织出血位置的数值为1,正确组织位置的数值为0。
102、随机选取一个或多个掩膜,利用高斯函数在选取的一个或多个掩膜上生成新的组织异常图像;
本实施例中,根据需要扩充的组织出血类型,选取对应的一个或多个掩膜,可以直接从该组织出血类型的文件夹中获取;
然后运用高斯公式,在选取的一个掩膜上生成对应的灰度分布权重矩阵,或者在多个掩膜上生成多个对应的灰度分布权重矩阵;
接着从单个或多个掩膜对应组织出血图像的灰度值范围中,随机选取一个灰度值,与生成的灰度分布权重矩阵进行相乘,得到一个或多个新的灰度分布权重矩阵;
再将一个灰度分布矩阵转化为图像,或将多个灰度分布权重矩阵进行组合,再转化为图像,即可得到对应的新的组织出血图像。
其中,若选取的是单个掩膜,则可得到与选取的掩膜对应的组织出血类型相同的组织出血;若选取的是多个掩膜,则可得到一个不同类型的组织出血。而多个掩膜可以重叠、部分重叠或者不重叠,若多个掩膜有重叠部分,则取对应各灰度分布权重矩阵中灰度值最大的作为重叠部分的灰度值。
103、获取正常组织样本图像中异常组织预测区域的坐标值;
本实施例中,通过临床中的真实组织出血图像进行组织分割模型的训练,以识别及分割容易发生出血的组织区域,作为正常组织样本图像中异常组织预测区域。其中,不同类型的组织出血,可以单独训练对应的组织分割模型,如脑组织分割模型,肺组织分割模型、胃组织分割模型、大肠组织分割模型、肾组织分割模型、膀胱组织分割模型等。
正常组织样本图像中未带有出血组织,可以直接将正常组织样本图像输入训练好的组织分割模型中,即可得到对应的异常组织预测区域对应的分割图像,其中,正常组织样本图像中已带有各图像像素点的坐标值,在分割得到异常组织预测区域,即可得到对应的坐标值。
其中,正常组织,比如脑组织,其构造基本相同,可以通过多个尺寸的矩形框将脑组织分割成多个区域,然后通过大量的真实脑出血图像,统计每个区域的发生频率,根据发生频率除以总图像数量,计算每一个区域发生脑出血的概率,发生概率高的区域作为异常组织预测区域。
104、根据所述坐标值,将所述新的组织异常图像叠加到所述异常组织预测区域对应的图像上,得到仿生的组织异常图像。
本实施例中,同类型的组织出血的掩膜、新的组织出血图像和正常组织样本图像均可以归一化至相同的尺寸,故可以将新的组织出血图像中组织出血区域的坐标转换为异常组织预测区域的坐标,再将新的组织出血图像与异常组织预测区域对应的图像进行叠加,即可得到仿生的组织出血图像。
另外,在新的组织出血图像与异常组织预测区域对应的图像重叠后,对新的组织出血进行膨胀处理,得到膨胀组织出血图像,使组织出血区域被扩充。
然后将膨胀处理前与膨胀处理后的新的组织出血图像对应的灰度分布权重矩阵进行相减,即可得到新的组织出血图像与异常组织预测区域对应图像的衔接边缘;
接着将衔接边缘进行平滑处理,即可得到仿生的组织出血图像,其中,平滑处理采用的是高斯模糊原理。
本发明实施例中,通过从组织出血图像中,提取各组织出血的掩膜,以确定出血组织的位置与大小;然后通过高斯函数在掩膜上生成新的组织出血图像;接着将新的组织出血图像叠加到正常组织样本图像中异常组织预测区域中,即可得到仿生的组织出血图像。本发明实现了组织出血图像的仿生,可以控制病灶形态、大小、灰度分布及生成位置。
请参阅图2,本发明实施例中医学图像处理方法的第二个实施例包括:
201、获取带有标注信息的多个组织异常图像;
202、根据所述标注信息,确定所述各组织异常图像中异常组织区域的尺寸、位置坐标、灰度范围;
本实施例中,通过人工标注或自动标注工具标注每一张组织出血图像中的出血组织区域,以记录出血组织区域的尺寸、位置坐标、灰度范围。
比如在组织出血图像中,以a*b的矩形表示该出血组织区域,其中,该矩形中包含部分的正常组织,然后以(xi,yi)表示组织出血图像中出血组织区域的像素点坐标,最后在每一个像素点坐标后记录其灰度值,取记录的最大灰度值与最小灰度值,即可得到其灰度范围。
203、根据所述各异常组织区域的尺寸、位置坐标、灰度范围,确定所述各异常组织区域的形态信息;
本实施例中,根据各出血区域的尺寸、位置坐标与灰度范围,可以确定对应类型的出血区域范围与灰度值,然后通过一个矩形将该区域从组织出血图像中分割出来,将其他正常组织区域剔除,只保留带有出血病灶的区域。
具体的,可以通过获取出血组织区域的四边边界的极限坐标,然后分别向外延伸10个像素点,得到对应的矩形,以用于圈定出血区域的分割边界,以对组织出血图像进行切割,再将该区域转化为一个灰度矩阵,作为该出血组织区域的形态信息。
204、基于所述形态信息,生成所述各组织异常的掩膜;
本实施例中,形态信息圈定了出血组织区域所在的矩形,并以一个灰度矩阵进行表示。而一般出血组织区域多为不规则形状,形态信息仅进一步限定了出血组织区域的大致范围,而一般出血组织区域的灰度值都较正常组织区域的的灰度值高,比如颅内脑组织中,出血组织区域的灰度值一般在200以上,而正常组织区域的灰度值在100以下。故可根据该特性,提取出各组织出血的掩膜。
根据求得的形态信息中的灰度范围,将该形态信息对应的灰度矩阵转化为二进制矩阵,并将该二进制矩阵作为组织出血的掩膜。计算公式如下所示:
其中,M(x,y)为掩膜对应的二进制矩阵,g(x,y)为形态信息对应灰度矩阵中第x行,第y列的灰度值。
205、随机选取一个或多个掩膜,并在所述一个或多个掩膜上生成对应的灰度分布权重矩阵;
本实施例中,运用高斯公式,求得一个或多个掩膜大小的灰度分布权重矩阵,所述高斯公式为:
其中,其中σ可用于设置权重分布的平滑程度,σ越大,权重分布就越平滑,在生成的新的组织出血图像上的反应则是组织出血区域灰度分布越均匀。
再计算在掩膜上非0区域中的灰度分布权重矩阵,计算公式如下所示:
其中,M(x,y)为掩膜。
206、从所述一个或多个掩膜对应的灰度范围中随机选取一个灰度值,并根据所述灰度值与所述灰度分布权重矩阵,得到对应的新的灰度分布权重矩阵;
本实施例中,通过随机选取的一个灰度值k,与上步骤求得的灰度分布权重矩阵相乘,即可得到对应的新的灰度分布权重矩阵G3(x,y),计算公式如下所述:
207、根据所述新的灰度分布权重矩阵,生成新的组织异常图像;
本实施例中,通过图像转化工具直接将新的灰度分布权重矩阵转化为灰度图像,并将该灰度图像作为新的组织出血图像。新的灰度分布权重矩阵限定的出血组织区域与原出血组织区域相同,仅灰度值发生了变化,此时通过新的灰度分布权重矩阵生成的新的组织出血图像,其出血类型相同,但因灰度值不同而与原组织出血图像区分开来。
需注意的是,若选择的是多个掩膜所生成的新的灰度分布权重矩阵,此时生成对应的新的组织出血图像,则包含多个出血病灶,其出血类型与原组织出血图像的出血类型不同。使出血类型多样化。
208、获取正常组织样本图像中异常组织预测区域的坐标值;
209、根据所述坐标值,将所述新的组织异常图像叠加到所述异常组织预测区域对应的图像上,得到仿生的组织异常图像。
本发明实施例中,详细介绍了掩膜的生成过程,通过掩膜记录不同类型的真实组织出血的大小、位置,然后通过高斯函数,将掩膜记录的真实组织出血的大小和位置转移到正常组织样本图像中,可生成仿生度更高的组织出血图像,且可控制出血组织的大小与位置。
请参阅图3,本发明实施例中医学图像处理方法的第三个实施例包括:
301、从带有标注信息的多个组织异常图像中,提取各组织异常的掩膜;
302、随机选取一个或多个掩膜,利用高斯函数在选取的一个或多个掩膜上生成新的组织异常图像;
303、将正常组织样本图像输入预置组织分割模型中进行分割,得到多张局部组织图像中对应组织区域的病变概率;
本实施例中,可通过深度神经网络训练的组织分割模型,对正常组织样本图像进行分割,根据模型训练的结果,可自动识别出每一个组织区域发生出血的概率。
本实施例中,对于组织分割模型训练如下所示:
S1,获取带有出血病灶的组织出血训练图像;
S2,对组织出血训练图像进行分割处理,得到多个待检测组织区域图像;
S3,采用深度学习模型提取各待检测组织区域图像的轮廓特征,并根据轮廓特征识别对应待检测组织区域图像带有出血病灶的概率;
S4,对深度学习模型进行训练,直到收敛或者训练预设次数时停止训练,得到对应的组织分割模型。
其中,组织出血训练图像类型根据组织分割模型的分割对象决定。
304、根据所述各组织区域的病变概率,确定所述正常组织样本图像中异常组织预测区域,并得到所述异常组织预测区域的坐标值;
本实施例中,可设置病变概率阈值,然后对大于病变概率阈值的组织区域归为异常组织预测区域;而组织区域中每一像素点都带有对应的坐标值、灰度值,在得到异常组织预测区域后,即可对应得到其各像素点的坐标值。
305、根据所述坐标值,将所述新的组织异常图像叠加到所述异常组织预测区域对应的图像上,得到仿生的组织异常图像。
本发明实施例中,详细介绍了如何确定不同类型正常组织样本图像中的易发生出血的组织区域,后续将新的组织出血图像叠加到对应的异常组织预测区域中,得到的仿生的组织出血图像,其仿生度更高。
请参阅图4,本发明实施例中医学图像处理方法的第四个实施例包括:
401、从带有标注信息的多个组织异常图像中,提取各组织异常的掩膜;
402、随机选取一个或多个掩膜,利用高斯函数在选取的一个或多个掩膜上生成新的组织异常图像;
403、获取正常组织样本图像中异常组织预测区域的坐标值;
404、提取所述新的组织异常图像对应的第一图像矩阵,以及提取所述异常组织预测区域对应的第二图像矩阵;
本实施例中,以第一图像矩阵表示新的组织出血图像,以第二图像矩阵表示异常组织预测区域,单位为像素,并以第一图像矩阵与第二图像矩阵的行数对应图像的高,列数对应图像的宽,元素值即为像素的灰度值。
405、根据所述坐标值,以所述第一图像矩阵替换所述第二图像矩阵,生成对应的初始仿生的组织异常图像;
本实施例中,通过第一图像矩阵找到组织出血的坐标值,然后对第一图像矩阵进行移动,使得第一图像矩阵找到组织出血的坐标值与异常组织预测区域的坐标值重叠,则根据第一图像矩阵的当前为止,将第一图像矩阵叠加到第二图像矩阵中,得到初始仿生的组织出血图像。
406、对所述新的组织异常图像进行膨胀处理,得到膨胀组织异常图像;
本实施例中,初始仿生的组织出血图像中,新的组织出血图像部分与异常组织预测区域对应的图像衔接边缘,不同像素点的灰度值相差较大,在图像中呈现并不平滑,故需进行平滑处理。
首先对新的组织出血图像进行膨胀处理,将新的组织出血图像中的组织出血区域进行拓展,得到对应的膨胀组织出血图像,膨胀处理公式如下所示:
其中,V(i,j)为膨胀组织图像的区域坐标,A(x,y)为新的组织出血图像中的组织出血区域坐标。
407、对比所述膨胀组织异常图像与所述新的组织异常图像,确定所述初始仿生的组织异常图像与所述新的组织异常图像的衔接边缘;
本实施例中,膨胀组织出血图像、新的组织出血图像中,组织出血区域相同的位置坐标对应的像素点组成两者的重叠区域坐标;重叠区域坐标像素点的灰度值对应的图像矩阵即为两者的重叠区域。
然后将将膨胀组织图像对应的图像矩阵与重叠区域对应的图像矩阵进行相减,相减后根据预设的灰度预置,通过一下公式取对应的二进制矩阵:
其中,v(i,j)为V(i,j)坐标像素点对应的灰度值,C(i,j)为衔接边缘对应的二进制矩阵,二进制矩阵中数值为1的像素点组合形成初始仿生的组织出血图像与新的组织出血图像的衔接边缘
408、采用高斯卷积核对所述衔接边缘的灰度值进行均值化,得到仿生的组织异常图像。
本实施例中,衔接边缘对应的矩阵通过预置的高斯卷积核进行相乘
本发明实施例中,详细介绍了如何通过高斯模糊原理,将新的组织出血图像叠加到正常组织中的异常组织预测区域,通过膨胀处理与边缘平滑处理,使得新的组织出血图像中的出血组织更贴合正常组织样本图像中的异常组织预测区域,即仿生度更高。
上面对本发明实施例中医学图像处理方法进行了描述,下面对本发明实施例中医学图像处理装置进行描述,请参阅图5,本发明实施例中医学图像处理装置一个实施例包括:
提取模块501,用于从带有标注信息的多个组织异常图像中,提取各组织异常的掩膜;
生成模块502,用于随机选取一个或多个掩膜,利用高斯函数在选取的一个或多个掩膜上生成新的组织异常图像;
获取模块503,用于获取正常组织样本图像中异常组织预测区域的坐标值;
叠加模块504,用于根据所述坐标值,将所述新的组织异常图像叠加到所述异常组织预测区域对应的图像上,得到仿生的组织异常图像。
本发明实施例中,通过从组织异常图像中,提取各组织异常的掩膜,以确定异常组织的位置与大小;然后通过高斯函数在掩膜上生成新的组织异常图像;接着将新的组织异常图像叠加到正常组织样本图像中异常组织预测区域中,即可得到仿生的组织异常图像。本发明实现了组织异常图像的仿生,可以控制病灶形态、大小、灰度分布及生成位置。
请参阅图6,本发明实施例中医学图像处理装置的另一个实施例包括:
提取模块501,用于从带有标注信息的多个组织异常图像中,提取各组织异常的掩膜;
生成模块502,用于随机选取一个或多个掩膜,利用高斯函数在选取的一个或多个掩膜上生成新的组织异常图像;
获取模块503,用于获取正常组织样本图像中异常组织预测区域的坐标值;
叠加模块504,用于根据所述坐标值,将所述新的组织异常图像叠加到所述异常组织预测区域对应的图像上,得到仿生的组织异常图像。
具体的,所述提取模块501包括:
图像获取单元5011,用于获取带有标注信息的多个组织异常图像;
信息转换单元5012,用于根据所述标注信息,确定所述各组织异常图像中异常组织区域的尺寸、位置坐标、灰度范围;获取单元,用于根据所述各异常组织区域的尺寸、位置坐标、灰度范围,确定所述各异常组织区域的形态信息;
掩膜生成单元5013,用于基于所述形态信息,生成所述各组织异常的掩膜。
具体的,所述生成模块502包括:
矩阵生成单元5021,用于随机选取一个或多个掩膜,并在所述一个或多个掩膜上生成对应的灰度分布权重矩阵;
矩阵转换单元5022,用于从所述一个或多个掩膜对应的灰度范围中随机选取一个灰度值,并根据所述灰度值与所述灰度分布权重矩阵,得到对应的新的灰度分布权重矩阵;
图像生成单元5023,用于根据所述新的灰度分布权重矩阵,生成新的组织异常图像。
具体的,所述获取模块503还用于:
将正常组织样本图像输入预置组织分割模型中进行分割,得到多张局部组织图像中对应组织区域的病变概率;
根据所述各组织区域的病变概率,确定所述正常组织样本图像中异常组织预测区域,并得到所述异常组织预测区域的坐标值。
具体的,所述叠加模块504包括:
矩阵提取单元5041,用于所述新的组织异常图像对应的第一图像矩阵,以及提取所述异常组织预测区域对应的第二图像矩阵;
矩阵替换单元5042,用于根据所述坐标值,以所述第一图像矩阵替换所述第二图像矩阵,生成对应的初始仿生的组织异常图像;
图像模糊单元5043,用于采用高斯模糊原理,对所述初始仿生的组织异常图像与所述新的组织异常图像的衔接边缘进行平滑处理,得到仿生的组织异常图像。
具体的,所述图像模糊单元5043还用于:
对所述新的组织异常图像进行膨胀处理,得到膨胀组织异常图像;
确定所述膨胀组织异常图像与所述新的组织异常图像的重叠区域;
根据所述重叠区域,确定所述初始仿生的组织异常图像与所述新的组织异常图像的衔接边缘;
采用高斯卷积核对所述衔接边缘的灰度值进行均值化,得到仿生的组织异常图像。
本发明实施例中,介绍了掩膜的生成过程,通过掩膜记录不同类型的真实组织异常的大小、位置,然后通过高斯函数,将掩膜记录的真实组织异常的大小和位置转移到正常组织样本图像中,可生成仿生度更高的组织异常图像,且可控制异常组织的大小与位置;介绍了如何确定不同类型正常组织样本图像中的易发生异常的组织区域,后续将新的组织异常图像叠加到对应的异常组织预测区域中,得到的仿生的组织异常图像,其仿生度更高;介绍了如何通过高斯模糊原理,将新的组织异常图像叠加到正常组织中的异常组织预测区域,通过膨胀处理与边缘平滑处理,使得新的组织异常图像中的异常组织更贴合正常组织样本图像中的异常组织预测区域,即仿生度更高。
上面图5和图6从模块化功能实体的角度对本发明实施例中的医学图像处理装置进行详细描述,下面从硬件处理的角度对本发明实施例中医学图像处理设备进行详细描述。
图7是本发明实施例提供的一种医学图像处理设备的结构示意图,该医学图像处理设备700可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)710(例如,一个或一个以上处理器)和存储器720,一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中,存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对医学图像处理设备700中的一系列指令操作。更进一步地,处理器710可以设置为与存储介质730通信,在医学图像处理设备700上执行存储介质730中的一系列指令操作。
医学图像处理设备700还可以包括一个或一个以上电源740,一个或一个以上有线或无线网络接口750,一个或一个以上输入输出接口760,和/或,一个或一个以上操作系统731,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图7示出的医学图像处理设备结构并不构成对医学图像处理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种医学图像处理设备,所述医学图像处理设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述医学图像处理方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述医学图像处理方法的步骤。
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,上述描述的设备、装置、模块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。
所述集成的单元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全部或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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种医学图像处理方法,其特征在于,所述医学图像处理方法包括:
从带有标注信息的多个组织异常图像中,提取各组织异常的掩膜;
随机选取一个或多个掩膜,利用高斯函数在选取的一个或多个掩膜上生成新的组织异常图像;
获取正常组织样本图像中的异常组织预测区域的坐标值;
根据所述坐标值,将所述新的组织异常图像叠加到所述异常组织预测区域对应的图像上,得到仿生的组织异常图像。
2.根据权利要求1所述的医学图像处理方法,其特征在于,所述从带有标注信息的多个组织异常图像中,提取各组织异常的掩膜包括:
获取带有标注信息的多个组织异常图像;
根据所述标注信息,确定所述各组织异常图像中异常组织区域的尺寸、位置坐标、灰度范围;
根据所述各异常组织区域的尺寸、位置坐标、灰度范围,确定所述各异常组织区域的形态信息;
基于所述形态信息,生成所述各异常组织的掩膜。
3.根据权利要求2所述的医学图像处理方法,其特征在于,所述随机选取一个或多个掩膜,利用高斯函数在选取的一个或多个掩膜上生成新的组织异常图像包括:
随机选取一个或多个掩膜,并在所述一个或多个掩膜上生成对应的灰度分布权重矩阵;
从所述一个或多个掩膜对应的灰度范围中随机选取一个灰度值,并根据所述灰度值与所述灰度分布权重矩阵,得到对应的新的灰度分布权重矩阵;
根据所述新的灰度分布权重矩阵,生成新的组织异常图像。
4.根据权利要求1-3中任一项所述的医学图像处理方法,其特征在于,所述获取正常组织样本图像中异常组织预测区域的坐标值包括:
将正常组织样本图像输入预置组织分割模型中进行分割,得到多张局部组织图像中对应组织区域的病变概率;
根据所述各组织区域的病变概率,确定所述正常组织样本图像中异常组织预测区域,并得到所述异常组织预测区域的坐标值。
5.根据权利要求4所述的医学图像处理方法,其特征在于,所述根据所述坐标值,将所述新的组织异常图像叠加到所述异常组织预测区域对应的图像上,得到仿生的组织异常图像包括:
提取所述新的组织异常图像对应的第一图像矩阵,以及提取所述异常组织预测区域对应的第二图像矩阵;
根据所述坐标值,以所述第一图像矩阵替换所述第二图像矩阵,生成对应的初始仿生的组织异常图像;
采用高斯模糊原理,对所述初始仿生的组织异常图像与所述新的组织异常图像的衔接边缘进行平滑处理,得到仿生的组织异常图像。
6.根据权利要求5所述的医学图像处理方法,其特征在于,所述采用高斯模糊原理,对所述初始仿生的组织异常图像与所述新的组织异常图像的衔接边缘进行平滑处理,得到仿生的组织异常图像包括:
对所述新的组织异常图像进行膨胀处理,得到膨胀组织异常图像;
对比所述膨胀组织异常图像与所述新的组织异常图像,确定所述初始仿生的组织异常图像与所述新的组织异常图像的衔接边缘;
采用高斯卷积核对所述衔接边缘的灰度值进行均值化,得到仿生的组织异常图像。
7.一种医学图像处理装置,其特征在于,所述医学图像处理装置包括:
提取模块,用于从带有标注信息的多个组织异常图像中,提取各组织异常的掩膜;
生成模块,用于随机选取一个或多个掩膜,利用高斯函数在选取的一个或多个掩膜上生成新的组织异常图像;
获取模块,用于获取正常组织样本图像中异常组织预测区域的坐标值;
叠加模块,用于根据所述坐标值,将所述新的组织异常图像叠加到所述异常组织预测区域对应的图像上,得到仿生的组织异常图像。
8.根据权利要求7所述的医学图像处理装置,其特征在于,所述生成模块包括:
矩阵生成单元,用于随机选取一个或多个掩膜,并在所述一个或多个掩膜上生成对应的灰度分布权重矩阵;
矩阵转换单元,用于从所述一个或多个掩膜对应的灰度范围中随机选取一个灰度值,并根据所述灰度值与所述灰度分布权重矩阵,得到对应的新的灰度分布权重矩阵;
图像生成单元,用于根据所述新的灰度分布权重矩阵,生成新的组织异常图像。
9.一种医学图像处理设备,其特征在于,所述医学图像处理设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述医学图像处理设备执行如权利要求1-6中任一项所述的医学图像处理方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-6中任一项所述医学图像处理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010986628.9A CN111931772B (zh) | 2020-09-18 | 2020-09-18 | 医学图像处理方法、装置、设备及存储介质 |
PCT/CN2021/097091 WO2022057312A1 (zh) | 2020-09-18 | 2021-05-31 | 医学图像处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010986628.9A CN111931772B (zh) | 2020-09-18 | 2020-09-18 | 医学图像处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111931772A true CN111931772A (zh) | 2020-11-13 |
CN111931772B CN111931772B (zh) | 2021-02-09 |
Family
ID=73333485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010986628.9A Active CN111931772B (zh) | 2020-09-18 | 2020-09-18 | 医学图像处理方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111931772B (zh) |
WO (1) | WO2022057312A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022057312A1 (zh) * | 2020-09-18 | 2022-03-24 | 平安科技(深圳)有限公司 | 医学图像处理方法、装置、设备及存储介质 |
CN114757908A (zh) * | 2022-04-12 | 2022-07-15 | 平安国际智慧城市科技股份有限公司 | 基于ct影像的图像处理方法、装置、设备及存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4332891A1 (en) | 2022-08-30 | 2024-03-06 | Koninklijke Philips N.V. | Anatomical segmentation of tomographic images containing anatomical anomalies |
CN116503393B (zh) * | 2023-06-26 | 2023-09-08 | 深圳市创智捷科技有限公司 | 基于图像处理的线路板等离子纳米镀膜质量检测方法 |
CN117495850B (zh) * | 2023-12-29 | 2024-03-19 | 中国科学院空天信息创新研究院 | 图像异常点检测方法、装置和设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104637031A (zh) * | 2013-11-12 | 2015-05-20 | 华为终端有限公司 | 眼部图像处理方法和装置 |
CN110234400A (zh) * | 2016-09-06 | 2019-09-13 | 医科达有限公司 | 用于生成合成医学图像的神经网络 |
CN110782434A (zh) * | 2019-10-17 | 2020-02-11 | 天津大学 | 一种脑结核mri图像病灶智能标记定位装置 |
US20200175680A1 (en) * | 2018-12-03 | 2020-06-04 | Regents Of The University Of Minnesota | Two-stage variational image segmentation of medical images using fracture mechanics |
CN111311536A (zh) * | 2018-11-22 | 2020-06-19 | 西门子医疗有限公司 | 医学图像数据 |
CN111445564A (zh) * | 2020-03-26 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 人脸纹理图像生成方法、装置、计算机设备和存储介质 |
CN111507937A (zh) * | 2020-03-03 | 2020-08-07 | 平安科技(深圳)有限公司 | 一种图像数据的生成方法及装置 |
CN111507994A (zh) * | 2020-04-24 | 2020-08-07 | Oppo广东移动通信有限公司 | 一种人像提取方法、人像提取装置及移动终端 |
CN111539905A (zh) * | 2020-05-15 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于生成图像的方法、装置、设备以及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3709263A1 (en) * | 2019-03-14 | 2020-09-16 | Siemens Healthcare GmbH | Method and system for monitoring a biological process |
CN111666994A (zh) * | 2020-05-28 | 2020-09-15 | 平安科技(深圳)有限公司 | 样本图像数据增强方法、装置、电子设备及存储介质 |
CN111931772B (zh) * | 2020-09-18 | 2021-02-09 | 平安科技(深圳)有限公司 | 医学图像处理方法、装置、设备及存储介质 |
-
2020
- 2020-09-18 CN CN202010986628.9A patent/CN111931772B/zh active Active
-
2021
- 2021-05-31 WO PCT/CN2021/097091 patent/WO2022057312A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104637031A (zh) * | 2013-11-12 | 2015-05-20 | 华为终端有限公司 | 眼部图像处理方法和装置 |
CN110234400A (zh) * | 2016-09-06 | 2019-09-13 | 医科达有限公司 | 用于生成合成医学图像的神经网络 |
CN111311536A (zh) * | 2018-11-22 | 2020-06-19 | 西门子医疗有限公司 | 医学图像数据 |
US20200175680A1 (en) * | 2018-12-03 | 2020-06-04 | Regents Of The University Of Minnesota | Two-stage variational image segmentation of medical images using fracture mechanics |
CN110782434A (zh) * | 2019-10-17 | 2020-02-11 | 天津大学 | 一种脑结核mri图像病灶智能标记定位装置 |
CN111507937A (zh) * | 2020-03-03 | 2020-08-07 | 平安科技(深圳)有限公司 | 一种图像数据的生成方法及装置 |
CN111445564A (zh) * | 2020-03-26 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 人脸纹理图像生成方法、装置、计算机设备和存储介质 |
CN111507994A (zh) * | 2020-04-24 | 2020-08-07 | Oppo广东移动通信有限公司 | 一种人像提取方法、人像提取装置及移动终端 |
CN111539905A (zh) * | 2020-05-15 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于生成图像的方法、装置、设备以及存储介质 |
Non-Patent Citations (1)
Title |
---|
徐艳丽 等: "基于非线性反锐化掩膜的DR图像边缘增强", 《中国医学物理学杂志》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022057312A1 (zh) * | 2020-09-18 | 2022-03-24 | 平安科技(深圳)有限公司 | 医学图像处理方法、装置、设备及存储介质 |
CN114757908A (zh) * | 2022-04-12 | 2022-07-15 | 平安国际智慧城市科技股份有限公司 | 基于ct影像的图像处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111931772B (zh) | 2021-02-09 |
WO2022057312A1 (zh) | 2022-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931772B (zh) | 医学图像处理方法、装置、设备及存储介质 | |
Jiang et al. | Retinal blood vessel segmentation using fully convolutional network with transfer learning | |
US10452899B2 (en) | Unsupervised deep representation learning for fine-grained body part recognition | |
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
CN109241967B (zh) | 基于深度神经网络的甲状腺超声图像自动识别系统、计算机设备、存储介质 | |
Sekuboyina et al. | Attention-driven deep learning for pathological spine segmentation | |
CN108830326B (zh) | 一种mri图像的自动分割方法及装置 | |
Rashid et al. | Fully convolutional neural network for lungs segmentation from chest X-rays | |
Oliveira et al. | Caries detection in panoramic dental X-ray images | |
JP2021002338A (ja) | 画像セグメンテーション及び識別のための方法及びシステム | |
Huang et al. | Lesion-based contrastive learning for diabetic retinopathy grading from fundus images | |
CN112581458A (zh) | 一种图像处理方法和装置 | |
CN111652175A (zh) | 应用于机器人辅助手术视频分析的实时手术工具检测方法 | |
CN114757908A (zh) | 基于ct影像的图像处理方法、装置、设备及存储介质 | |
Wang et al. | Left atrial appendage segmentation based on ranking 2-D segmentation proposals | |
CN113658165A (zh) | 杯盘比确定方法、装置、设备及存储介质 | |
CN116188479A (zh) | 基于深度学习的髋关节图像分割方法及系统 | |
Goutham et al. | Automatic localization of landmarks in cephalometric images via modified U-Net | |
CN110705554B (zh) | 图像的处理方法和装置 | |
Andayani et al. | Identification of the tuberculosis (TB) disease based on XRay images using probabilistic neural network (PNN) | |
CN115222755B (zh) | 一种基于医疗成像设备的医疗图像目标分割方法及装置 | |
KR102476888B1 (ko) | 디지털 병리이미지의 인공지능 진단 데이터 처리 장치 및 그 방법 | |
KR102580419B1 (ko) | 병리 슬라이드 이미지 내의 관심 영역을 검출하기 위한 방법 및 시스템 | |
CN111626972B (zh) | Ct图像重构方法、模型训练方法及设备 | |
CN108985302A (zh) | 一种皮肤镜图像处理方法、装置及设备 |
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 |