CN111951272A - 脑部影像的分割方法、装置、计算机设备和可读存储介质 - Google Patents
脑部影像的分割方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN111951272A CN111951272A CN202010627564.3A CN202010627564A CN111951272A CN 111951272 A CN111951272 A CN 111951272A CN 202010627564 A CN202010627564 A CN 202010627564A CN 111951272 A CN111951272 A CN 111951272A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- image
- brain
- loss
- prediction
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000011218 segmentation Effects 0.000 claims abstract description 300
- 208000032843 Hemorrhage Diseases 0.000 claims abstract description 121
- 230000000740 bleeding effect Effects 0.000 claims abstract description 95
- 206010018985 Haemorrhage intracranial Diseases 0.000 claims abstract description 85
- 208000008574 Intracranial Hemorrhages Diseases 0.000 claims abstract description 85
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000007917 intracranial administration Methods 0.000 claims abstract description 31
- 238000004590 computer program Methods 0.000 claims description 32
- 238000003709 image segmentation Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 description 20
- 238000011176 pooling Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 3
- 206010073681 Epidural haemorrhage Diseases 0.000 description 3
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 3
- 208000002667 Subdural Hematoma Diseases 0.000 description 3
- 206010042364 Subdural haemorrhage Diseases 0.000 description 3
- 230000002490 cerebral effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 208000020658 intracerebral hemorrhage Diseases 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000000185 intracerebroventricular administration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种脑部影像的分割方法、装置、计算机设备和可读存储介质。该方法包括:获取脑部CT影像,该脑部CT影像包括相邻的多层断层图像;将脑部CT影像输入预设的分割模型,得到脑部CT影像对应的颅内出血分割结果;其中,分割模型为根据样本影像、分割金标准以及分类金标准进行训练所得到的,分类金标准用于表征样本影像中颅内出血的出血亚型。该方法中,以分类损失指导分割模型进行训练,由此可大大提高训练得到的分割模型的精度,进而提高脑部CT影像分割结果的精度。同时,脑部CT影像为相邻的多层断层图像,可充分考虑各层图像之间的上下文信息,进一步提高得到的脑部CT影像分割结果的精度。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种脑部影像的分割方法、装置、计算机设备和可读存储介质。
背景技术
颅内出血(intracerebral hemorrhage,ICH)是指脑中的血管破裂引起的出血,会造成脑细胞受到破坏的同时出血压迫周围的神经组织而引起其他障碍,对病人的健康影响较大。在当前的临床医学领域,通常由医生观看病人的CT影像来确定颅内出血的位置;随着深度学习技术的不断发展,已有基于深度学习的颅内出血分割方法来辅助医生确定颅内出血的位置,以提高医生的工作效率。
在使用深度学习网络对CT影像进行颅内出血分割之前,需要对该深度学习网络进行训练。传统技术中,通常是将CT影像中的每张2D图像作为训练数据,根据该2D图像对应的输出结果与分割金标准之间的损失,对深度学习网络进行训练。
然而,由传统技术训练得到的深度学习网络精度较低,得到的颅内出血分割结果准确度也较低。
发明内容
基于此,有必要针对由传统技术中深度学习网络得到的颅内出血分割结果准确度较低的问题,提供一种脑部影像的分割方法、装置、计算机设备和可读存储介质。
一种脑部影像的分割方法,该方法包括:
获取脑部CT影像,该脑部CT影像包括相邻的多层断层图像;
将脑部CT影像输入预设的分割模型,得到脑部CT影像对应的颅内出血分割结果;其中,分割模型为根据样本影像、分割金标准以及分类金标准进行训练所得到的,分类金标准用于表征样本影像中颅内出血的出血亚型。
在其中一个实施例中,分割模型的训练方式包括:
将样本影像输入初始分割网络,得到样本影像对应的特征图和预测分割概率图;预测分割概率图用于表征样本影像中每个像素点属于颅内出血点的概率;
将特征图输入与初始分割网络连接的分类网络,得到样本影像对应的预测分类结果;
计算预测分割概率图与分割金标准之间的第一损失、以及预测分类结果与分类金标准之间的第二损失,根据第一损失和第二损失对初始分割网络进行训练,得到分割模型。
在其中一个实施例中,分割金标准包括样本影像的颅内出血点掩膜,所述颅内出血点掩膜包括出血点位置、出血点类别和出血点中每个像素点的类别;上述方法还包括:
根据预测分割概率图,确定样本影像对应的预测掩膜;
相应的,计算预测分割概率图与分割金标准之间的第一损失,包括:
根据预测掩膜中的出血点类别,计算预测掩膜中出血点位置和颅内出血点掩膜中出血点位置之间的重合度损失、以及预测掩膜的出血点中每个像素点的预测类别和颅内出血点掩膜的出血点中每个像素点的类别之间的类别损失;
对重合度损失和类别损失进行求和操作,得到第一损失。
在其中一个实施例中,在得到分割模型之后,上述方法还包括:
将样本影像输入分割模型,得到分割概率图;
计算分割概率图和分割金标准之间的第三损失,根据第三损失对分割模型进行优化,得到优化后的分割模型。
在其中一个实施例中,将脑部CT影像输入预设的分割模型,包括:
对脑部CT影像中的多层断层图像进行拼接,将拼接图像输入分割模型。
在其中一个实施例中,在对脑部CT影像中的多层断层图像进行拼接之后,上述方法还包括:
对拼接图像设置不同的窗宽窗位,得到不同窗宽窗位的拼接图像集合;
相应的,将拼接图像输入分割模型,包括:
将拼接图像集合输入分割模型。
在其中一个实施例中,颅内出血分割结果包括颅内出血概率图;上述方法还包括:
基于脑部CT影像的数据源信息,对颅内出血概率图中像素点的概率进行优化,得到优化颅内出血概率图。
一种脑部影像的分割装置,该装置包括:
获取模块,用于获取脑部CT影像,该脑部CT影像包括相邻的多层断层图像;
分割模块,用于将脑部CT影像输入预设的分割模型,得到脑部CT影像对应的颅内出血分割结果;其中,分割模型为根据样本影像、分割金标准以及分类金标准进行训练所得到的,分类金标准用于表征样本影像中颅内出血的出血亚型。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行该计算机程序时实现以下步骤:
获取脑部CT影像,该脑部CT影像包括相邻的多层断层图像;
将脑部CT影像输入预设的分割模型,得到脑部CT影像对应的颅内出血分割结果;其中,分割模型为根据样本影像、分割金标准以及分类金标准进行训练所得到的,分类金标准用于表征样本影像中颅内出血的出血亚型。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取脑部CT影像,该脑部CT影像包括相邻的多层断层图像;
将脑部CT影像输入预设的分割模型,得到脑部CT影像对应的颅内出血分割结果;其中,分割模型为根据样本影像、分割金标准以及分类金标准进行训练所得到的,分类金标准用于表征样本影像中颅内出血的出血亚型。
上述脑部影像的分割方法、装置、计算机设备和可读存储介质,能够获取脑部CT影像,该脑部CT影像包括相邻的多层断层图像;将脑部CT影像输入预设的分割模型,得到脑部CT影像对应的颅内出血分割结果;其中,分割模型为根据样本影像、分割金标准以及分类金标准进行训练所得到的,分类金标准用于表征样本影像中颅内出血的出血亚型。该方法中,由分割模型连接池化层和全连接层,得到样本影像的分类结果及分类损失,以该分类损失指导分割模型进行训练,可大大提高训练得到的分割模型的精度,进而提高脑部CT影像分割结果的精度。同时,输入分割模型的脑部CT影像为相邻的多层断层图像,可充分考虑各层图像之间的上下文信息,进一步提高得到的脑部CT影像分割结果的精度。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中脑部影像的分割方法的流程示意图;
图2a为一个实施例中分割模型及连接的池化层和全连接层的网络结构示意图;
图3为一个实施例中分割模型训练过程的流程示意图;
图3a为一个实施例中预测分割概率图的示意图;
图4为另一个实施例中分割模型训练过程的流程示意图;
图5为另一个实施例中脑部影像的分割方法的流程示意图;
图6为一个实施例中脑部影像的分割装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的脑部影像的分割方法,可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器,该存储器中存储有计算机程序,处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选地,该计算机设备还可以包括通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器,该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端通过网络连接通信。可选地,该计算机设备可以是个人计算机(personal computer,简称PC),还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑(portable android device,简称PAD)、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。
在一个实施例中,如图2所示,提供了一种脑部影像的分割方法,以该方法应用于图1中的计算机设备为例进行说明,本实施例涉及的是计算机设备对获取的脑部CT影像进行分割,以得到脑部CT影像对应的颅内出血分割结果的具体过程。该方法包括以下步骤:
S101,获取脑部CT影像,该脑部CT影像包括相邻的多层断层图像。
其中,CT影像为通过电子计算机断层扫描得到的医学影像,其通常包括多层断层图像。本实施例中,脑部CT影像为CT设备对受检对象的头部进行扫描所得到的医学影像;CT设备扫描完成后,可以将得到的脑部CT影像上传至影像归档和通信系统(PictureArchiving and Communication Systems,PACS),然后计算机设备可以从PACS系统中获取对应的脑部CT影像。
可选地,计算机设备可以实时从PACS系统中获取CT设备上传的脑部CT影像,也可以以固定时间间隔从PACS系统中获取该时间段内CT设备上传的全部脑部CT影像。可选地,上述脑部CT影像可以为由CT设备扫描得到的断层图像序列,该断层图像序列包括多层断层图像,这些断层图像彼此相邻;也可以为从断层图像序列中选取预设数量的相邻的多层断层图像;由相邻的多层断层图像进行后续处理,可考虑各层图像之间的上下文信息,提高后续分割结果的准确性。
S102,将脑部CT影像输入预设的分割模型,得到脑部CT影像对应的颅内出血分割结果;其中,分割模型为根据样本影像、分割金标准以及分类金标准进行训练所得到的,分类金标准用于表征样本影像中颅内出血的出血亚型。
具体地,计算机设备将上述获取的脑部CT影像输入预设的分割模型中,通过分割模型的下采样层、卷积层、以及上采样层的处理,可以得到脑部CT影像对应的颅内出血分割结果。可选地,该颅内出血分割结果可以为颅内出血点掩膜,即将颅内出血点区域与背景区域进行不同颜色标注的二值化图像;也可以为颅内出血概率图,即脑部CT影像中每个像素点属于颅内出血点的概率图。
上述分割模型可以为神经网络模型,如卷积神经网络、循环神经网络等。可选地,该分割模型可以为基于3D的V-Net模型或者基于2D的U-Net模型,当然也可以为其他类型的分割模型。其中,该分割模型为根据样本影像、分割金标准以及分类金标准进行训练所得到的,该分类金标准用于表征样本影像中颅内出血的出血亚型;可选地,颅内出血的出血亚型可以包括脑实质出血、硬膜下出血、硬膜外出血,脑室内出血以及蛛网膜下腔出血5种类型,也可以包括其他的出血亚型。本实施例中,在分割模型的卷积层(用于提取样本影像的特征图)之后,连接一个池化层和一个全连接层,池化层用于对卷积层得到的特征图进行降维,全连接层用于对降维后的特征图进行分类,以得到样本影像的分类结果,即属于上述示例中5种出血亚型的概率(或属于其他出血亚型的概率),并计算该分类结果与分类金标准之间的分类损失。同时,上述特征图还经由分割模型的上采样层处理后,得到样本影像的分割结果,并计算该分割结果与分割金标准之间的分割损失。综合考虑分类损失和分割损失对分割模型进行训练,得到训练收敛的分割模型。可选地,上述池化层可以为平均池化层,也可以为最大池化层,也可以为其他类型的池化层,本实施例对此不做限制。
可选地,在将脑部CT影像输入分割模型之前,计算机设备还可以对该CT影像进行预处理,包括但不限于标准化处理使数据分布范围为[0,1]、随机的水平翻转或者随机角度的图像旋转等。可选地,若上述颅内出血分割结果为颅内出血概率图,则计算机设备还可以基于脑部CT影像的数据源信息(如CT影像中像素点的CT值等),对该颅内出血概率图中像素点的概率进行优化,得到优化颅内出血概率图。其中,可以在分割模型的上采样层后级联一个条件随机场(CRF或CRFs)结构,用于接收脑部CT影像(或预处理后的脑部CT影像)和颅内出血概率图,对该颅内出血概率图进行优化,可以在一定程度上解决多类别分割出现的标签混杂现象,该结构对于边界像素点能够有更好的分割效果,从而对分割类别进行修正。
上述分割模型及连接的池化层和全连接层的网络结构可以参见图2a所示。需要说明的是,在分割模型使用阶段,只需对脑部CT影像进行分割处理即可,不再需要分类过程,即池化层和全连接层只在分割模型的训练阶段进行数据处理,以指导分割模型的训练;此处的池化层和全连接层用于得到样本影像的分类结果,由计算的分类损失指导分割模型进行训练,即若分类结果误差较大时可认为分割模型所提取的特征图准确性较低,由此在分类结果和分割结果的联合训练下,大大提高了分割模型的精度,进而提高影像分割结果的准确性。
本实施例提供的脑部影像的分割方法,计算机设备将获取的脑部CT影像输入预设的分割模型中,得到脑部CT影像对应的颅内出血分割结果,该分割模型为根据样本影像、分割金标准以及分类金标准进行训练所得到的,分类金标准用于表征样本影像中颅内出血的出血亚型。该方法中,由分割模型连接池化层和全连接层,得到样本影像的分类结果及分类损失,以该分类损失指导分割模型进行训练,可大大提高训练得到的分割模型的精度,进而提高脑部CT影像分割结果的精度。同时,输入分割模型的脑部CT影像为相邻的多层断层图像,可充分考虑各层图像之间的上下文信息,进一步提高得到的脑部CT影像分割结果的精度。
在一个实施例中,涉及了上述分割模型的具体训练过程,可选地,如图3所示,上述方法还包括:
S201,将样本影像输入初始分割网络,得到样本影像对应的特征图和预测分割概率图;预测分割概率图用于表征样本影像中每个像素点属于颅内出血点的概率。
具体地,计算机设备可以从PACS系统中获取大量的样本影像,包括具有颅内出血情况的医学影像以及正常情况的医学影像,还可以对样本影像做一些预处理操作,如标准化处理使数据分布范围为[0,1]、随机的水平翻转或者随机角度的图像旋转等,用于增强训练网络的泛化性和鲁棒性;同时,还可以对样本影像设置不同的窗宽窗位,得到不同窗宽窗位组合,以使训练过程中能够学习足够的先验信息。然后计算机设备将样本影像输入初始分割网络(即处于训练过程的分割模型),经过初始分割网络的下采样层和卷积层的处理后,可以得到样本影像对应的特征图;该特征图再经过上采样层处理后,可以得到样本影像对应的预测概率图。其中,预测分割概率图用于表征样本影像中每个像素点属于颅内出血点的概率。需要说明的是,一方面,此处像素点属于颅内出血点的概率可以包括是颅内出血点的概率和不是颅内出血点的概率;另一方面,此处像素点属于颅内出血点的概率还可以是分别属于各种出血亚型的概率,如分别属于脑实质出血的概率、属于硬膜下出血的概率、属于硬膜外出血的概率,属于脑室内出血的概率以及属于蛛网膜下腔出血的概率,或者属于其他出血类别的概率。为方便理解,假设一样本影像中包括10个像素点,若上述属于颅内出血点的概率为分别属于各种出血亚型的概率,则得到的预测分割概率图是多通道的;假设出血亚型种类为5种,那么得到的概率图为6个通道(包括背景类别),每个通道对应的预测分割概率图可参见图3a所示,图中每个像素点上的数字即该点属于当前类别的概率;然后选取概率最大的那个通道所代表的类别,作为该像素点的类别。
S202,将特征图输入与初始分割网络连接的分类网络,得到样本影像对应的预测分类结果。
具体地,计算机设备将上述得到的特征图输入与初始分割网络连接的分类网络,该分类网络可以包括平均池化层和全连接层,以得到样本影像对应的预测分类结果,可选地,一方面,该预测分类结果可以为样本影像为颅内出血点影像的概率;另一方面,该预测分类结果可以为样本影像属于上述5种出血亚型的概率。示例性的,假设特征图大小为C*M*N,通过添加池化层使特征图的大小降维为C*1*1,C表示特征图通道数;对于C*1*1的特征图,再通过全连接层映射到多类别的分类目标,计算sigmoid可以得到每一个类别的分类概率。例如得到的分类概率为[0.9,0.1,0.1,0,0],即表示属于脑实质出血类型的概率为0.9,属于硬膜下出血类型的概率为0.1,属于硬膜外出血类型的概率为0.1,属于脑室内出血类型的概率为0,属于蛛网膜下腔出血类型的概率为0。
S203,计算预测分割概率图与分割金标准之间的第一损失、以及预测分类结果与分类金标准之间的第二损失,根据第一损失和第二损失对初始分割网络进行训练,得到分割模型。
具体地,计算机设备可以计算上述预测分割概率图与分割金标准之间的第一损失,以及预测分类结果与分类金标准之间的第二损失,此处的分割金标准为由经验丰富的医生所标注的每个像素点的类别,分类金标准为标注的样本影像的类别。可选地,计算机设备可以根据L1=∑w1il1i的关系式计算第一损失,其中i表示不同的类别,l1i为该类的损失,w1i为该类权重,根据L2=∑w2jl2j的关系式计算第二损失,j表示不同的类别,l2j为该类的损失,w2j为该类的权重。然后计算机设备根据第一损失和第二损失调整初始分割网络的网络参数,以此迭代训练直至初始分割网络达到收敛,得到分割模型。可选地,计算机设备可以对第一损失和第二损失进行直接求和、加权求和或平均求和等方式,以调整初始分割网络的网络参数,例如根据L=W1L1+W2L2的关系式得到总损失对初始分割网络进行训练,W1和W2分别为对应损失的权重。
本实施例提供的脑部影像的分割方法,计算机设备将样本影像输入初始分割网络,得到样本影像对应的特征图和预测分割概率图,并将特征图输入与初始分割网络连接的分类网络,得到样本影像对应的预测分类结果;然后计算预测分割概率图与分割金标准之间的第一损失、以及预测分类结果与分类金标准之间的第二损失,根据两个损失对初始分割网络进行训练,得到分割模型。该训练过程中,以预测分类结果与分类金标准之间的损失为指引,指导分割模型进行训练,并考虑初始分割网络输出结果(即预测分割概率图)与分割金标准之间的损失,由此可大大提高训练得到的分割模型的精度,进而提高得到的脑部CT影像分割结果的准确性。
在一个实施例中,上述分割金标准包括样本影像的颅内出血点掩膜,颅内出血点掩膜包括出血点位置、出血点类别和出血点中每个像素点的类别,那么可选地,上述分割模型的训练过程还可以包括:根据预测分割概率图,确定样本影像对应的预测掩膜。
具体地,对于每个样本影像来说,若得到的预测分割概率图为多通道,则对于每一个通道,其表示一种类型(其中还有一个是背景),那么将概率最大的那个通道所代表的类别,作为该像素点的类别。因此,根据预测分割概率图,计算机设备可以确定哪些像素点属于颅内出血点以及像素点的类别,将这些像素点的集合区域作为颅内出血点区域,其他像素点的集合区域作为背景区域,即得到样本影像对应的预测掩膜。该预测掩模中同样可以包括出血点位置、出血点类别和出血点中每个像素点的类别。
在此基础上,计算机设备便可以根据预测掩膜中的出血点类别,计算预测掩膜中出血点位置和上述颅内出血点掩膜中出血点位置之间的重合度损失(即整体损失)、以及预测掩膜的出血点中每个像素点的预测类别与颅内出血点掩膜的出血点中每个像素点的类别之间的类别损失(即像素级损失)。示例性的,假设样本影像中包括了2种出血亚型的出血点,则对每个出血点,需要计算与颅内出血点掩膜中同该出血点类别相同的出血点之间的重合度损失和类别损失。可选地,可以根据Dice函数计算上述重合度损失,交叉熵函数计算类别损失,本实施例对此不做限制。然后,计算机设备再对重合度损失和类别损失进行求和操作,如直接求和、加权求和或平均求和等方式,得到上述第一损失。通过上述整体损失和像素级损失的相互作用优化,能够更进一步地提高分割模型的精度及处理结果的准确性。
上述实施例中是以分类损失指导分割模型进行训练的过程,此训练过程执行完成后,为进一步提高分割模型的精度,计算机设备还可以再对该分割模型单独进行训练,可选地,如图4所示,上述分割模型的训练过程还可以包括:
S301,将样本影像输入分割模型,得到分割概率图。
S302,计算分割概率图和分割金标准之间的第三损失,根据第三损失对分割模型进行优化,得到优化后的分割模型。
具体地,计算机设备将样本影像输入分割模型得到分割概率图的具体过程可以参见上述实施例的描述,在此不再赘述。然后计算机设备仅计算分割概率图和上述分割金标准之间的第三损失,不再经由分类网络的处理过程,根据该第三损失进一步调整分割模型的网络参数,以对分割模型进行优化,得到优化后的分割模型。本实施例中,通过第三损失(即单独的分割损失)对分割模型再次进行优化,可进一步提高分割模型的精度,进而提高后续使用分割模型处理得到的脑部CT影像分割结果的准确性。
在一个实施例中,因上述脑部CT影像中包括相邻的多层断层图像,若将该多层断层图像作为3D图像输入分割模型进行处理,因通常的CT影像层距较厚,将其作为3D图像时相邻层之间需重采样出新的图像以减小层距,这样会一定程度上破坏了源信息,也会给网络处理结果带来不确定性;同时,利用3D图像训练时需要更大的显存。因此,本实施例中,计算机设备可以对上述脑部CT影像中的多层断层图像进行拼接,如先拼接为一个整体图像,然后将拼接图像输入分割模型进行分割处理,得到脑部CT图像对应的颅内出血分割结果。由此,不需要对原CT影像再进行重采样,可减少对CT影像源信息的破坏影响;同时,对多层断层图像进行拼接处理还可在一定程度上减少所需的计算显存。
在一个实施例中,在得到上述拼接图像后,计算机设备还可以对拼接图像设置不同的窗宽窗位,得到不同窗宽窗位的拼接图像集合,并将该拼接图像集合输入上述分割模型。可选地,不同的窗宽窗位可以设置为窗宽80,窗中心40;窗宽200,窗中心80;窗宽380,窗中心40等。通过设置不同的窗宽窗位有助于分割模型分辨不同部位、不同组织的不同出血类型。
为更好理解上述脑部影像的分割方法的具体过程,下面一个整体实施例方式对该方法进行介绍。如图5所示,该方法包括:
S401,将样本影像输入初始分割网络,得到样本影像对应的特征图和预测分割概率图;
S402,根据预测分割概率图,确定样本影像对应的预测掩膜;
S403,将特征图输入与初始分割网络连接的分类网络,得到样本影像对应的预测分类结果;
S404,根据预测掩膜中的出血点类别,计算预测掩膜中出血点位置和颅内出血点掩膜中出血点位置之间的重合度损失、以及预测掩膜的出血点中每个像素点的预测类别和颅内出血点掩膜的出血点中每个像素点的类别之间的类别损失;对重合度损失和类别损失进行求和操作,得到第一损失;
S405,计算预测分类结果与分类金标准之间的第二损失,根据第一损失和第二损失对初始分割网络进行训练,得到分割模型;
S406,将样本影像输入分割模型,得到分割概率图;计算分割概率图和分割金标准之间的第三损失,根据第三损失对分割模型进行优化,得到优化后的分割模型;
以上各步骤实现的是分割模型的训练过程,下面几个步骤介绍分割模型的使用过程:
S407,对脑部CT影像中的多层断层图像进行拼接,并对拼接图像设置不同的窗宽窗位,得到不同窗宽窗位的拼接图像集合;
S408,将拼接图像集合输入优化后的分割模型,得到脑部CT影像对应的颅内出血概率图;
S409,基于脑部CT影像的数据源信息,对颅内出血概率图中像素点的概率进行优化,得到优化颅内出血概率图。
关于各步骤的实现过程可以参见上述实施例的描述,其实现原理和技术效果类似,在此不再赘述。
应该理解的是,虽然图2-图5的流程图中各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-图5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种脑部影像的分割装置,包括:获取模块11和分割模块12。
具体地,获取模块11,用于获取脑部CT影像,该脑部CT影像包括相邻的多层断层图像;
分割模块12,用于将脑部CT影像输入预设的分割模型,得到脑部CT影像对应的颅内出血分割结果;其中,分割模型为根据样本影像、分割金标准以及分类金标准进行训练所得到的,分类金标准用于表征样本影像中颅内出血的出血亚型。
本实施例提供的脑部影像的分割装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,上述装置还包括训练模块,用于将样本影像输入初始分割网络,得到样本影像对应的特征图和预测分割概率图;预测分割概率图用于表征样本影像中每个像素点属于颅内出血点的概率;将特征图输入与初始分割网络连接的分类网络,得到样本影像对应的预测分类结果;计算预测分割概率图与分割金标准之间的第一损失、以及预测分类结果与分类金标准之间的第二损失,根据第一损失和第二损失对初始分割网络进行训练,得到分割模型。
在一个实施例中,分割金标准包括样本影像的颅内出血点掩膜,颅内出血点掩膜包括出血点位置、出血点类别和出血点中每个像素点的类别;训练模块,还用于根据预测分割概率图,确定样本影像对应的预测掩膜;根据预测掩膜中的出血点类别,计算预测掩膜中出血点位置和颅内出血点掩膜中出血点位置之间的重合度损失、以及预测掩膜的出血点中每个像素点的预测类别和颅内出血点掩膜的出血点中每个像素点的类别之间的类别损失;对重合度损失和类别损失进行求和操作,得到第一损失。
在一个实施例中,上述训练模块,还用于将样本影像输入分割模型,得到分割概率图;计算分割概率图和分割金标准之间的第三损失,根据第三损失对分割模型进行优化,得到优化后的分割模型。
在一个实施例中,分割模块12,具体用于对脑部CT影像中的多层断层图像进行拼接,将拼接图像输入分割模型。
在一个实施例中,分割模块12,还用于对拼接图像设置不同的窗宽窗位,得到不同窗宽窗位的拼接图像集合;将拼接图像集合输入分割模型。
在一个实施例中,颅内出血分割结果包括颅内出血概率图;上述装置还包括优化模块,用于基于脑部CT影像的数据源信息,对颅内出血概率图中像素点的概率进行优化,得到优化颅内出血概率图。
关于脑部影像的分割装置的具体限定可以参见上文中对于脑部影像的分割方法的限定,在此不再赘述。上述脑部影像的分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种脑部影像的分割方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取脑部CT影像,该脑部CT影像包括相邻的多层断层图像;
将脑部CT影像输入预设的分割模型,得到脑部CT影像对应的颅内出血分割结果;其中,分割模型为根据样本影像、分割金标准以及分类金标准进行训练所得到的,分类金标准用于表征样本影像中颅内出血的出血亚型。
本实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将样本影像输入初始分割网络,得到样本影像对应的特征图和预测分割概率图;预测分割概率图用于表征样本影像中每个像素点属于颅内出血点的概率;
将特征图输入与初始分割网络连接的分类网络,得到样本影像对应的预测分类结果;
计算预测分割概率图与分割金标准之间的第一损失、以及预测分类结果与分类金标准之间的第二损失,根据第一损失和第二损失对初始分割网络进行训练,得到分割模型。
在一个实施例中,分割金标准包括样本影像的颅内出血点掩膜,颅内出血点掩膜包括出血点位置、出血点类别和出血点中每个像素点的标注类别;处理器执行计算机程序时还实现以下步骤:
根据预测分割概率图,确定样本影像对应的预测掩膜;
相应的,处理器执行计算机程序时还实现以下步骤:
根据预测掩膜中的出血点类别,计算预测掩膜中出血点位置和颅内出血点掩膜中出血点位置之间的重合度损失、以及预测掩膜的出血点中每个像素点的预测类别和颅内出血点掩膜的出血点中每个像素点的类别之间的类别损失;
对重合度损失和类别损失进行求和操作,得到第一损失。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将样本影像输入分割模型,得到分割概率图;
计算分割概率图和分割金标准之间的第三损失,根据第三损失对分割模型进行优化,得到优化后的分割模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对脑部CT影像中的多层断层图像进行拼接,将拼接图像输入分割模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对拼接图像设置不同的窗宽窗位,得到不同窗宽窗位的拼接图像集合;
相应的,处理器执行计算机程序时还实现以下步骤:
将拼接图像集合输入分割模型。
在一个实施例中,颅内出血分割结果包括颅内出血概率图;处理器执行计算机程序时还实现以下步骤:
基于脑部CT影像的数据源信息,对颅内出血概率图中像素点的概率进行优化,得到优化颅内出血概率图。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取脑部CT影像,该脑部CT影像包括相邻的多层断层图像;
将脑部CT影像输入预设的分割模型,得到脑部CT影像对应的颅内出血分割结果;其中,分割模型为根据样本影像、分割金标准以及分类金标准进行训练所得到的,分类金标准用于表征样本影像中颅内出血的出血亚型。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将样本影像输入初始分割网络,得到样本影像对应的特征图和预测分割概率图;预测分割概率图用于表征样本影像中每个像素点属于颅内出血点的概率;
将特征图输入与初始分割网络连接的分类网络,得到样本影像对应的预测分类结果;
计算预测分割概率图与分割金标准之间的第一损失、以及预测分类结果与分类金标准之间的第二损失,根据第一损失和第二损失对初始分割网络进行训练,得到分割模型。
在一个实施例中,分割金标准包括样本影像的颅内出血点掩膜,颅内出血点掩膜包括出血点位置、出血点类别和出血点中每个像素点的标注类别;计算机程序被处理器执行时还实现以下步骤:
根据预测分割概率图,确定样本影像对应的预测掩膜;
相应的,计算机程序被处理器执行时还实现以下步骤:
根据预测掩膜中的出血点类别,计算预测掩膜中出血点位置和颅内出血点掩膜中出血点位置之间的重合度损失、以及预测掩膜的出血点中每个像素点的预测类别和颅内出血点掩膜的出血点中每个像素点的类别之间的类别损失;
对重合度损失和类别损失进行求和操作,得到第一损失。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将样本影像输入分割模型,得到分割概率图;
计算分割概率图和分割金标准之间的第三损失,根据第三损失对分割模型进行优化,得到优化后的分割模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对脑部CT影像中的多层断层图像进行拼接,将拼接图像输入分割模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对拼接图像设置不同的窗宽窗位,得到不同窗宽窗位的拼接图像集合;
相应的,计算机程序被处理器执行时还实现以下步骤:
将拼接图像集合输入分割模型。
在一个实施例中,颅内出血分割结果包括颅内出血概率图;计算机程序被处理器执行时还实现以下步骤:
基于脑部CT影像的数据源信息,对颅内出血概率图中像素点的概率进行优化,得到优化颅内出血概率图。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种脑部影像的分割方法,其特征在于,所述方法包括:
获取脑部CT影像,所述脑部CT影像包括相邻的多层断层图像;
将所述脑部CT影像输入预设的分割模型,得到所述脑部CT影像对应的颅内出血分割结果;其中,所述分割模型为根据样本影像、分割金标准以及分类金标准进行训练所得到的,所述分类金标准用于表征所述样本影像中颅内出血的出血亚型。
2.根据权利要求1所述的方法,其特征在于,所述分割模型的训练方式包括:
将所述样本影像输入初始分割网络,得到所述样本影像对应的特征图和预测分割概率图;所述预测分割概率图用于表征所述样本影像中每个像素点属于颅内出血点的概率;
将所述特征图输入与所述初始分割网络连接的分类网络,得到所述样本影像对应的预测分类结果;
计算所述预测分割概率图与所述分割金标准之间的第一损失、以及所述预测分类结果与所述分类金标准之间的第二损失,根据所述第一损失和所述第二损失对所述初始分割网络进行训练,得到所述分割模型。
3.根据权利要求2所述的方法,其特征在于,所述分割金标准包括所述样本影像的颅内出血点掩膜,所述颅内出血点掩膜包括出血点位置、出血点类别和出血点中每个像素点的类别;所述方法还包括:
根据所述预测分割概率图,确定所述样本影像对应的预测掩膜;
相应的,所述计算所述预测分割概率图与所述分割金标准之间的第一损失,包括:
根据所述预测掩膜中的出血点类别,计算所述预测掩膜中出血点位置和所述颅内出血点掩膜中出血点位置之间的重合度损失、以及所述预测掩膜的出血点中每个像素点的预测类别和所述颅内出血点掩膜的出血点中每个像素点的类别之间的类别损失;
对所述重合度损失和所述类别损失进行求和操作,得到所述第一损失。
4.根据权利要求2或3所述的方法,其特征在于,在得到所述分割模型之后,所述方法还包括:
将所述样本影像输入所述分割模型,得到分割概率图;
计算所述分割概率图和所述分割金标准之间的第三损失,根据所述第三损失对所述分割模型进行优化,得到优化后的分割模型。
5.根据权利要求1所述的方法,其特征在于,所述将所述脑部CT影像输入预设的分割模型,包括:
对所述脑部CT影像中的多层断层图像进行拼接,将拼接图像输入所述分割模型。
6.根据权利要求5所述的方法,其特征在于,在对所述脑部CT影像中的多层断层图像进行拼接之后,所述方法还包括:
对所述拼接图像设置不同的窗宽窗位,得到不同窗宽窗位的拼接图像集合;
相应的,所述将拼接图像输入所述分割模型,包括:
将所述拼接图像集合输入所述分割模型。
7.根据权利要求1所述的方法,其特征在于,所述颅内出血分割结果包括颅内出血概率图;所述方法还包括:
基于所述脑部CT影像的数据源信息,对所述颅内出血概率图中像素点的概率进行优化,得到优化颅内出血概率图。
8.一种脑部影像的分割装置,其特征在于,所述装置包括:
获取模块,用于获取脑部CT影像,所述脑部CT影像包括相邻的多层断层图像;
分割模块,用于将所述脑部CT影像输入预设的分割模型,得到所述脑部CT影像对应的颅内出血分割结果;其中,所述分割模型为根据样本影像、分割金标准以及分类金标准进行训练所得到的,所述分类金标准用于表征所述样本影像中颅内出血的出血亚型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010627564.3A CN111951272A (zh) | 2020-07-02 | 2020-07-02 | 脑部影像的分割方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010627564.3A CN111951272A (zh) | 2020-07-02 | 2020-07-02 | 脑部影像的分割方法、装置、计算机设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111951272A true CN111951272A (zh) | 2020-11-17 |
Family
ID=73337341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010627564.3A Pending CN111951272A (zh) | 2020-07-02 | 2020-07-02 | 脑部影像的分割方法、装置、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951272A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950600A (zh) * | 2021-03-10 | 2021-06-11 | 武汉联影智融医疗科技有限公司 | 脑标识提取方法、装置、计算机设备和存储介质 |
CN113436166A (zh) * | 2021-06-24 | 2021-09-24 | 深圳市铱硙医疗科技有限公司 | 基于磁共振血管造影数据的颅内动脉瘤检测方法及系统 |
CN113509193A (zh) * | 2021-04-22 | 2021-10-19 | 北京赛迈特锐医疗科技有限公司 | 非创伤性急诊头部ct影像诊断方法和装置 |
CN114332135A (zh) * | 2022-03-10 | 2022-04-12 | 之江实验室 | 一种基于双模型交互学习的半监督医学图像分割方法及装置 |
CN117746118A (zh) * | 2023-12-15 | 2024-03-22 | 中国人民解放军陆军军医大学 | 基于ct影像的颅内出血解剖学识别与定位方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204600A (zh) * | 2016-07-07 | 2016-12-07 | 广东技术师范学院 | 基于多序列mr图像关联信息的脑肿瘤图像分割方法 |
WO2018214950A1 (en) * | 2017-05-26 | 2018-11-29 | Wuxi Ea Medical Instruments Technologies Limited | Image segmentation method for teeth images |
CN109949276A (zh) * | 2019-02-28 | 2019-06-28 | 华中科技大学 | 一种于改进SegNet分割网络的淋巴结检测方法 |
CN110458249A (zh) * | 2019-10-10 | 2019-11-15 | 点内(上海)生物科技有限公司 | 一种基于深度学习与概率影像组学的病灶分类系统 |
CN110473226A (zh) * | 2019-07-18 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 图像处理网络的训练方法、计算机设备及可读存储介质 |
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 |
CN110992376A (zh) * | 2019-11-28 | 2020-04-10 | 北京推想科技有限公司 | 基于ct图像的肋骨分割方法、装置、介质及电子设备 |
-
2020
- 2020-07-02 CN CN202010627564.3A patent/CN111951272A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204600A (zh) * | 2016-07-07 | 2016-12-07 | 广东技术师范学院 | 基于多序列mr图像关联信息的脑肿瘤图像分割方法 |
WO2018214950A1 (en) * | 2017-05-26 | 2018-11-29 | Wuxi Ea Medical Instruments Technologies Limited | Image segmentation method for teeth images |
CN109949276A (zh) * | 2019-02-28 | 2019-06-28 | 华中科技大学 | 一种于改进SegNet分割网络的淋巴结检测方法 |
CN110473226A (zh) * | 2019-07-18 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 图像处理网络的训练方法、计算机设备及可读存储介质 |
CN110458249A (zh) * | 2019-10-10 | 2019-11-15 | 点内(上海)生物科技有限公司 | 一种基于深度学习与概率影像组学的病灶分类系统 |
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 |
CN110992376A (zh) * | 2019-11-28 | 2020-04-10 | 北京推想科技有限公司 | 基于ct图像的肋骨分割方法、装置、介质及电子设备 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950600A (zh) * | 2021-03-10 | 2021-06-11 | 武汉联影智融医疗科技有限公司 | 脑标识提取方法、装置、计算机设备和存储介质 |
WO2022188799A1 (zh) * | 2021-03-10 | 2022-09-15 | 武汉联影智融医疗科技有限公司 | 脑标识定位系统和方法 |
CN113509193A (zh) * | 2021-04-22 | 2021-10-19 | 北京赛迈特锐医疗科技有限公司 | 非创伤性急诊头部ct影像诊断方法和装置 |
CN113436166A (zh) * | 2021-06-24 | 2021-09-24 | 深圳市铱硙医疗科技有限公司 | 基于磁共振血管造影数据的颅内动脉瘤检测方法及系统 |
CN114332135A (zh) * | 2022-03-10 | 2022-04-12 | 之江实验室 | 一种基于双模型交互学习的半监督医学图像分割方法及装置 |
CN117746118A (zh) * | 2023-12-15 | 2024-03-22 | 中国人民解放军陆军军医大学 | 基于ct影像的颅内出血解剖学识别与定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161270B (zh) | 医学影像的血管分割方法、计算机设备和可读存储介质 | |
CN111951272A (zh) | 脑部影像的分割方法、装置、计算机设备和可读存储介质 | |
CN111192356B (zh) | 感兴趣区域的显示方法、装置、设备和存储介质 | |
CN111445449B (zh) | 感兴趣区域的分类方法、装置、计算机设备和存储介质 | |
CN111369542B (zh) | 血管标记方法、图像处理系统和存储介质 | |
CN111161269B (zh) | 图像分割方法、计算机设备和可读存储介质 | |
CN111080584A (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
US20220383661A1 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
CN110738643B (zh) | 脑出血的分析方法、计算机设备和存储介质 | |
CN111325714B (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
US20230133218A1 (en) | Image segmentation method, device and medium | |
CN111951276A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
US20200226798A1 (en) | Systems and methods to semi-automatically segment a 3d medical image using a real-time edge-aware brush | |
CN114298234A (zh) | 脑部医学影像分类方法、装置、计算机设备和存储介质 | |
CN111223158B (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
CN113487536A (zh) | 图像分割方法、计算机设备和存储介质 | |
CN111951278A (zh) | 医学图像的分割方法和计算机可读存储介质 | |
CN111918611B (zh) | 胸部x线图像的异常显示控制方法、记录介质及装置 | |
CN116258933A (zh) | 基于全局信息感知的医学图像分割装置 | |
CN111243052A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
CN111489318B (zh) | 医学图像增强方法和计算机可读存储介质 | |
He et al. | Joint segmentation and classification of skin lesions via a multi-task learning convolutional neural network | |
CN113192031A (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
US20230334698A1 (en) | Methods and systems for positioning in an medical procedure | |
CN111209946B (zh) | 三维图像处理方法、图像处理模型训练方法及介质 |
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 |