CN112017185B - 病灶分割方法、装置及存储介质 - Google Patents

病灶分割方法、装置及存储介质 Download PDF

Info

Publication number
CN112017185B
CN112017185B CN202011187336.5A CN202011187336A CN112017185B CN 112017185 B CN112017185 B CN 112017185B CN 202011187336 A CN202011187336 A CN 202011187336A CN 112017185 B CN112017185 B CN 112017185B
Authority
CN
China
Prior art keywords
image
category
feature
mask
block
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.)
Active
Application number
CN202011187336.5A
Other languages
English (en)
Other versions
CN112017185A (zh
Inventor
范栋轶
王瑞
王立龙
王关政
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011187336.5A priority Critical patent/CN112017185B/zh
Publication of CN112017185A publication Critical patent/CN112017185A/zh
Application granted granted Critical
Publication of CN112017185B publication Critical patent/CN112017185B/zh
Priority to PCT/CN2021/096395 priority patent/WO2022088665A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/24—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
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Eye Examination Apparatus (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及医疗科技技术领域，具体公开了一种病灶分割方法、装置及存储介质。该方法包括：获取眼底彩照图像；对所述眼底彩照图像进行特征提取，得到多个第一特征图，其中，所述多个第一特征图中任意两个第一特征图之间的维度不同；根据第一特征图A，确定所述眼底彩照图像中与所述第一特征图A对应的多个图像块中每个图像块对应的第一类别以及第一掩膜图，所述第一特征图A为所述多个第一特征图中的任意一个第一特征图；根据所述每个图像块的第一类别以及第一掩膜图，确定所述眼底彩照图像中各个像素点对应的类别；根据所述眼底彩照图像中各个像素点的类别，对所述眼底彩照图像进行病灶分割。本申请有利于提高病灶分割精度。

Description

病灶分割方法、装置及存储介质
技术领域
本申请涉及图像识别技术领域，具体涉及一种病灶分割方法、装置及存储介质。
背景技术
眼底彩照是检查眼底的一种方式，能利用其看清眼底的组织结构，分析眼底结构的正常与异常，判断是否眼底的视盘、血管、视网膜或脉络膜等出现问题。由于图像分割技术为医学影像等应用提供了丰富的视觉感知信息，可应用于眼底彩照上与视网膜疾病相关的病灶分割。眼底图像的病灶分割和自然图像的分割有较大的差异，受拍摄光线和成像质量影响，病灶边缘对比度没有自然图像清晰，导致眼底病灶分割一直是一个困难复杂的挑战。
目前一般用于病灶分割的方法通常先对病灶进行检测，得到病灶区域的检测框；然后，在检测框内对病灶进行单独分割。由于病灶框内只能用很小的特征图大小进行分割，对于病灶边缘的分割质量不佳，导致对病灶分割的精度低，影响医生的诊断。
发明内容
本申请实施例提供了一种病灶分割方法、装置及存储介质。通过多个维度对眼底彩照进行分割，可提高对病灶轮廓信息的分割精度。
第一方面，本申请实施例提供一种病灶分割方法，包括：
获取眼底彩照图像；
对所述眼底彩照图像进行特征提取，得到多个第一特征图，其中，所述多个第一特征图中任意两个第一特征图之间的维度不同；
根据第一特征图A，确定所述眼底彩照图像中与所述第一特征图A对应的多个图像块中每个图像块对应的第一类别以及第一掩膜图，所述第一特征图A为所述多个第一特征图中的任意一个第一特征图；
根据所述每个图像块的第一类别以及第一掩膜图，确定所述眼底彩照图像中各个像素点对应的类别；
根据所述眼底彩照图像中各个像素点的类别，对所述眼底彩照图像进行病灶分割。
第二方面，本申请实施例提供一病灶分割装置，包括：
获取单元，用于获取眼底彩照图像；
处理单元，用于对所述眼底彩照图像进行特征提取，得到多个第一特征图，其中，所述多个第一特征图中任意两个第一特征图之间的维度不同；
所述处理单元，还用于根据第一特征图A，确定所述眼底彩照图像中与所述第一特征图A对应的多个图像块中每个图像块对应的第一类别以及第一掩膜图，所述第一特征图A为所述多个第一特征图中的任意一个第一特征图；
所述处理单元，还用于根据所述每个图像块的第一类别以及第一掩膜图，确定所述眼底彩照图像中各个像素点对应的类别；
所述处理单元，还用于根据所述眼底彩照图像中各个像素点的类别，对所述眼底彩照图像进行病灶分割。
第三方面，本申请实施例提供一种电子设备，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如第一方面所述的方法中的步骤的指令。
第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序使得计算机执行如第一方面所述的方法。
第五方面，本申请实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机可操作来使计算机执行如第一方面所述的方法。
实施本申请实施例，具有如下有益效果：
可以看出，在本申请实施例中，对眼底彩照图像通过划分格子的方式进行病灶分割，相比对病灶检测框进行单独分割，本申请利用了整张眼底彩照图进行分割，可以利用更多的病灶区域进行分割，从而可以利用到更多的病灶边缘轮廓信息，使分割出的病灶边缘轮廓更加精细，进而使眼底彩照图像中的病灶分割结果更加准确，提高医生诊断精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种病灶分割方法的流程示意图；
图2为本申请实施例提供的一种神经网络的结构示意图；
图3为本申请实施例提供的一种对眼底彩照图进行分块的示意图；
图4为本申请实施例提供的一种神经网络训练方法的流程示意图；
图5为本申请实施例提供的一种病灶分割装置的结构示意图；
图6为本申请实施例提供的一种病灶分割装置的功能单元组成框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结果或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
参阅图1，图1为本申请实施例提供的一种病灶分割方法的流程示意图。该方法应用于病灶分割装置。该方法包括以下步骤：
101：病灶分割装置获取眼底彩照图像。
其中，该眼底彩照图像是通过眼底彩超成像生成的，不再叙述。
102：病灶分割装置对所述眼底彩照图像进行特征提取，得到多个第一特征图，其中，所述多个第一特征图中任意两个第一特征图之间的维度不同。
示例性的，在不同的深度对该眼底彩照图像特征提取，得多个第一特征图。由于深度不同，该多个第一特征图中任意两个第一特征图之间的维度不同。
在本申请的一个实施方式中，对该眼底彩照图像进行特征提取可通过神经网络实现，该神经网络是预先训练好的，后续详细叙述对该神经网络的训练过程，在此不做过多描述。由于每个第一特征图是通过神经网络提取得到的，所以，该第一特征图是对该神经网络的多个通道得到的多个第一子特征图拼接得到的，其中，每个通道对应一个第一特征图。
举例来说，如图2所示，通过特征图金字塔网络（feature pyramid networks，FPN）对眼底彩照图像进行特征提取，在多个不同深度的网络层得到多个第一特征图，图2中示出的每个维度对应的第一特征图仅是一个通道上的第一子特征图。最底层的第一特征图是通过特征提取得到的，其他层的第一特征图是将上一层的第一特征图和本层得到的特征图进行叠加得到的。
示例性的，由于每个第一特征图是对该眼底彩照图像进行特征提取得到，所以，每个第一特征图的一个像素点包含有该眼底彩照图像中的一个区域的信息，因此，每个第一特征图可以看做将眼底彩照图像划分成多个格子，即多个图像块，而且，不同维度的第一特征图，将该眼底彩照图像划分出的图像块的数量和维度不同。
举例来说，如图3所示，眼底彩照图像的维度为320*320，若某个第一特征图的维度为64*64*10，其中，10表示通道数，则该第一特征图将眼底彩照图像图划分成了5*5个图像块，且每个图像块对应的维度为5*5。
103：病灶分割装置根据第一特征图A，确定所述眼底彩照图像中与所述第一特征图A对应的多个图像块中每个图像块对应的第一类别以及第一掩膜图，所述第一特征图A为所述多个第一特征图中的任意一个第一特征图。
其中，每个图像块对应的第一掩膜图用于表示该图像块中各个像素点属于该第一类别的概率。每个图像块对应的第一类别可以为背景或者病灶，其中，该病灶包括以下至少一种：黄斑、青光眼、渗水，等等。
应理解，本申请以第一特征图A为例说明对眼底彩照图像中的图像块进行图像分割以及图像分类的方式，该第一特征图A为该多个第一特征图中的任意一个第一特征图，对该多个第一特征图中的其他第一特征图处理方式与对该第一特征图A的处理方式类似，不再叙述。
示例性的，根据该第一特征图A进行图像分类。即根据该第一特征图A，得到与该第一特征图A对应的多个图像块中每个图像块对应的特征向量；根据每个图像块对应的特征向量，确定每个图像块对应的第一类别。举例来说，在使用该第一特征图A对第一个图像块进行分类的情况下，由于该第一特征图是由多个通道上的特征图拼接得到的，则每个通道上的特征图中的第一个像素点表征了该第一个图像块的特征信息，因此，可将每个通道上的特征图中的第一个像素点的灰度值组成一个特征向量，可将该特征向量作为该第一个图像块的特征向量，并对该特征向量输入到全连接层以及softmax层，得到该第一个图像块的第一类别。
举例来说，该第一特征图A是由三个通道上的特征图拼接得到。假如第一个通道上的特征图中的第一个像素点的灰度值为23，第二个通道上的特征图中的第一个像素点的灰度值为36，第三个通道上的特征图中的第一个像素点的灰度值为54，则可得到第一个图像块的特征向量为[23,36,54]。
进一步地，还可根据第一特征图A，对第一特征图A对应的多个图像块进行图像分割，得到每个图像块对应的第一掩膜图，该第一掩膜图用于表示该图像块中各个像素点属于该图像块对应的第一类别的概率，对第一特征图A进行图像分割与通过全卷积网络对特征图进行图像分割类似，不再叙述。比如，可以将每个通道上的特征图上与每个图像块对应的的特征信息组成与该图像块的特征图，根据该特征图进行图像分割，得到该图像块对应的第一掩膜图。
在本申请的一个实施方式中，该神经网络可以是以FPN为基础的神经网络。如图2所示，可以在FPN网络输出的第一特征图之后，连接两个分支，一个分支用于图像分类，一个分支用于图像分割。用于图像分类的分支可以通过全连接层实现，将每个第一特征图输入到全连接层，得到该眼底彩照图像中与该第一特征对应的图像块的第一类别；用于图像分割的分支可以通过全卷积网络实现，比如，可以通过卷积核为1*1的卷积核对每个图像块进行图像分割，得到每个图像块中每个像素点属于该图像块对应的第一类别的概率。
104：病灶分割装置根据所述每个图像块的第一类别以及第一掩膜图，确定所述眼底彩照图像中各个像素点对应的类别。
示例性的，根据每个图像块的第一类别以及第一掩膜图，得到该眼底彩照图像中各个像素点的类别，各个像素点的类别包括背景或者病灶。
示例性的，对与该第一特征图A对应的每个图像块的第一掩膜图进行恢复处理，得到与每个图像块对应的第二掩膜图，其中，每个图像块对应的第二掩膜图的维度与该眼底彩照图像的维度相同。因此，每个图像块对应的第二掩膜图用于表示该眼底彩照图像图中各个像素点属于每个图像块对应的第一类别的概率；根据每个图像块对应的第二掩膜图以及第一类别，确定该眼底彩照图像中个像素点对应的类别。
示例性的，可通过双线性插值法，对每个图像块对应的第一掩膜图进行上采样处理，得到与每个图像块对应的第二掩膜图，其中，通过双线性插值法为现有技术，不再叙述。
示例性的，对每个图像块对应的第一类别进行聚类，得到至少一个第一类别，比如，该第一特征图A对应4个图像块，其中，第一个图像块的第一类别为类别A，第二个图像块的第一类别为类别B，第三个图像块的第一类别为类别A，第四个图像块的第一类别为类别C。因此，将该四个图像块对应的四个第一类别进行聚类可得到三个第一类别，且类别A对应的第一图像块有第一个图像块和第三个第一图像块。然后，将每个第一类别对应的所有的图像块的第二掩膜图进行叠加以及归一化，得到每个第一类别对应的目标掩膜图，该目标掩膜图用于表示该眼底彩照图像中各个像素点属于该第一类别的概率。
应理解，在实际应用中是将该多个第一特征图中每个第一特征图对应的多个图像块的第一类别进行聚类，得到该至少一个类别；然后，将每个第一类别在该多个第一特征图对应的所有第二掩码图进行叠加以及归一化，得到每个第一类别对应的目标掩膜图。
因此，根据每个第一类别对应的目标掩膜图，可以确定出该眼底彩照图像图中各个像素点属于每个第一类别的概率；最后，根据该眼底彩照图像图中各个像素点属于每个第一类别的概率，得到该眼底彩照图像图中各个像素点对应的类别。即将概率值最大的第一类别作为各个像素点的类别。比如，第一类别A的目标掩码图表示该眼底彩照图像中的第一个像素点属于该第一类别A的概率为0.5，第一类别B的目标掩码图表示该眼底彩照图像中的第一个像素点属于该第一类别B的概率为0.4，第一类别C的目标掩码图表示该眼底彩照图像中的第一个像素点属于该第一类别C的概率为0.2，可确定该眼底彩照图像中的第一个像素点的类别该第一类别A。
105：病灶分割装置根据所述眼底彩照图像中各个像素点的类别，对所述眼底彩照图像进行病灶分割。
示例性的，根据该眼底彩照图像中各个像素点的类别，对该眼底图像进行病灶分割，即将属于同一病灶的像素点的区域分割出来，可得到该病灶区域。
可以看出，在本申请实施例中，对眼底彩照图像通过划分格子的方式进行病灶分割，相比对病灶检测框进行单独分割，本申请利用了整张眼底彩照图进行分割，可以利用更多的病灶区域进行分割，从而可以利用到更多的病灶边缘轮廓信息，使分割出的病灶边缘轮廓更加精细，进而使眼底彩照图像中的病灶分割结果更加准确，提高医生诊断精度。
在本申请的一个实施方式中，本申请的病灶分割方法还可以应用到智慧医疗领域。比如，通过该病灶分割方法对眼底彩照图像进行分割，可以分割出更细节的病灶轮廓信息，从而为医生提供更加精细的量化指标，提高医生的诊断精度，推动医疗科技的发展。
参阅图4，图4为本申请提供的一种神经网络训练方法的流程示意图。该方法包括以下步骤：
401：获取图像样本。
402：将所述图像样本输入到所述神经网络，得到多个第二特征图，所述多个第二特征图中的任意两个第二特征图之间的维度不同。
示例性的，获取多个第二特征图的方式，与上述对眼底彩照图进行特征提取，得到多个第一特征图的方式类似，不再叙述。
403：根据第二特征图B，确定与所述第二特征图B对应的多个图像样本块中每个图像样本块对应的第三掩膜图以及第二类别，其中，所述第二特征图B为所述多个第二特征图中的任意一个第二特征图。
示例性的，每个第二特征图会将该图像样本划分为多个图像样本块，即多个格子，且划分多个格子的方式与上述第一特征图将眼底彩照图划分为多个格子的方式类似，不再叙述。此外，获取每个图像样本块对应的第三掩膜图与第二类别与上述获取每个图像块对应的第一掩膜图和第一类别的方式类似，也不再叙述。
404：根据所述每个图像样本块对应的第三掩膜图以及第二类别，调整所述神经网络的网络参数。
示例性的，每个图像样本块对应的第三掩膜图用于表示每个图像样本块中各个像素点属于该图像样本块对应的第二类别的预测概率。然后，根据每个图像样本块对应的第三掩膜图以及第二类别，确定每个图像样本中属于病灶的像素点的数量的占比，即在该第二类别为病灶的情况下，根据该第三掩膜图确定每个图像块中属于第二类别的像素点，即为属于病灶的像素点，比如，将概率大于阈值的；然后，确定属于病灶的像素点的数量相对于该图像样本块中所有像素点的数量的比值，得到该占比。应理解，在该第二类别不是病灶的，即是背景的情况下，该样本图像块中属于病灶的像素点的为0。
其中，该第一阈值可以为0.2或者其他值，第二阈值可以为1或者其他值。
进一步地，在该占比大于第一阈值，且小于第二阈值的情况下，确定该图像样本块处于病灶的边缘，为了提高神经网络对边缘分割的精度，可将该图像样本块作为一个单独的训练样本，即获取与该图像样本块对应的标注结果，该标注结果是预先标注好的，该标注结果为该图像样本块中各个像素点属于病灶的真实概率；然后，根据该图像样本块的第三掩膜图以及该图像块样本块的标注结果，得到第一损失；
示例性的，根据该图像样本块的第三掩码图，确定该图像样本块中每个像素点属于病灶的预测概率；根据该图像样本块中每个像素点属于病灶的预测概率以及每个像素点属于病灶的真实概率，进行交叉熵损失计算，得到该第一损失。因此，该第一损失可通过公式（1）表示：
Figure 994010DEST_PATH_IMAGE001
其中，
Figure 754156DEST_PATH_IMAGE002
为第一损失，y为该图像样块本中的第y个像素点，
Figure 21189DEST_PATH_IMAGE003
为第y个像素点属于病灶的真实概率，
Figure 344723DEST_PATH_IMAGE004
为第y个像素点属于病灶的预测概率，M为该图像样本块中的像素点的总数量。
进一步地，在每个图像样本块对应的占比大于或等于该第二阈值的情况下，也就是说该图像样本块完全位于病灶区域内，则将每个图像样本块对应的第三掩膜图进行恢复处理，得到每个图像样本块对应的第四掩膜图，根据图像样本的标注结果以及每个图像样本块对应的第四掩膜图，确定第二损失，其中，该标注结果为预先标注好的，用于表示该图像样本中每个像素点属于病灶的真实概率，对第三掩膜图进行恢复处理与上述对第一掩膜图进行恢复处理的方式类似，不再叙述。
示例性的，根据该图像样本块的第四掩膜图得到该图像样本中每个像素点属于病灶的预测概率；根据该图像样本块中每个像素点属于病灶的预测概率以及真实概率进行交叉熵损失计算，得到该第二损失。因此，该第二损失可以通过公式（2）表示：
Figure 13602DEST_PATH_IMAGE005
其中，
Figure 193916DEST_PATH_IMAGE006
为第二损失，x为该图像样块本中的第x个像素点，
Figure 948246DEST_PATH_IMAGE007
为第x个像素点属于病灶的真实概率，
Figure 622941DEST_PATH_IMAGE008
为第x个像素点属于病灶的预测概率，N为图像样本中的像素点的总数量。
最后，根据该第一损失和第二损失，确定目标损失，即将该第一损失和第二损失进行加权处理，得到该目标损失，并根据该目标损失以及梯度下降法，对该神经网络的网络参数进行调整，直至该神经网络收敛，完成对该神经网络的训练。
参阅图5，图5为本申请实施例提供的一种病灶分割装置的结构示意图。如图5所示，病灶分割装置500包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行以下步骤的指令：
获取眼底彩照图像；
对所述眼底彩照图像进行特征提取，得到多个第一特征图，其中，所述多个第一特征图中任意两个第一特征图之间的维度不同；
根据第一特征图A，确定所述眼底彩照图像中与所述第一特征图A对应的多个图像块中每个图像块对应的第一类别以及第一掩膜图，所述第一特征图A为所述多个第一特征图中的任意一个第一特征图；
根据所述每个图像块的第一类别以及第一掩膜图，确定所述眼底彩照图像中各个像素点对应的类别；
根据所述眼底彩照图像中各个像素点的类别，对所述眼底彩照图像进行病灶分割。
在一些可能的实施方式中，在根据第一特征图A，确定所述眼底彩照图像中与所述第一特征图A对应的多个图像块中每个图像块对应的第一类别以及第一掩膜图方面，上述程序具体用于执行以下步骤的指令：
根据所述第一特征图A进行图像分割，确定所述眼底彩照图像图中与所述第一特征图A对应的多个图像块中每个图像块的第一掩膜图；
根据所述第一特征图A，确定所述每个图像块的特征向量；
根据所述每个图像块的特征向量，确定所述每个图像块的第一类别。
在一些可能的实施方式中，在根据所述每个图像块的第一类别以及第一掩膜图，确定所述眼底彩照图像中各个像素点对应的类别方面，上述程序具体用于执行以下步骤的指令：
对所述每个图像块对应的第一掩膜图进行恢复处理，得到所述每个图像块对应的第二掩膜图，所述第二掩膜图用于表示所述眼底彩照图像图中各个像素点属于所述每个图像块对应的第一类别的概率；
根据所述每个图像块对应的第二掩膜图以及第一类别，确定所述眼底彩照图像图中各个像素点对应的类别。
在一些可能的实施方式中，在根据所述每个图像块对应的第二掩膜图以及第一类别，确定所述眼底彩照图像图中各个像素点对应的类别方面，上述程序具体用于执行以下步骤的指令：
对所述每个图像块对应的第一类别进行聚类，得到至少一个第一类别；
将所述至少一个第一类别中的每个第一类别对应的所有图像块的第二掩膜图进行叠加以及归一化，得到所述每个第一类别对应的目标掩膜图；
根据所述每个第一类别对应的目标掩膜图，确定所述眼底彩照图像图中各个像素点属于所述每个第一类别的概率；
根据所述眼底彩照图像图中各个像素点属于所述每个第一类别的概率，确定所述眼底彩照图像图中各个像素点对应的类别。
在一些可能的实施方式中，在对所述每个图像块对应的第一掩膜图进行恢复处理，得到所述每个图像块对应的第二掩膜图方面，上述程序具体用于执行以下步骤的指令：
通过双线性插值法，对所述每个图像块对应的第一掩膜图进行上采样处理，得到与所述每个图像块对应的第二掩膜图。
在一些可能的实施方式中，上述程序还用于执行以下步骤的指令：：
获取图像样本；
将所述图像样本输入到所述神经网络，得到多个第二特征图，所述多个第二特征图中的任意两个第二特征图之间的维度不同；
根据第二特征图B，确定与所述第二特征图B对应的多个图像样本块中每个图像样本块对应的第三掩膜图以及第二类别，所述第二特征图B为所述多个第二特征图中的任意一个第二特征图；
根据所述每个图像样本块对应的第三掩膜图以及第二类别，调整所述神经网络的网络参数。
在一些可能的实施方式中，在根据所述每个图像样本块对应的第三掩膜图以及第二类别，调整所述神经网络的网络参数方面，上述程序具体用于执行以下步骤的指令：
根据所述每个图像样本块对应的第三掩膜图以及第二类别，确定所述每个图像样本块中属于病灶的像素点的数量的占比；
在所述每个图像样本块对应的占比大于第一阈值，且小于第二阈值的情况下，获取所述每个图像样本块对应的标注结果，根据每个所述第二特征图的第三掩膜图以及所述每个图像样本块的标注结果，得到第一损失；
在所述每个图像样本块对应的占比大于或等于所述第二阈值的情况下，对所述每个图像样本块对应的第三掩膜图进行恢复处理，得到所述每个图像样本块对应的第四掩膜图，根据所述图像样本的标注结果以及所述每个图像样本块对应的第四掩膜图，确定第二损失；
根据所述第一损失和所述第二损失，得到目标损失；
根据所述目标损失调整所述神经网络的网络参数。
参阅图6，图6本申请实施例提供的一种病灶分割装置的功能单元组成框图。病灶分割装置600包括：获取单元601和处理单元602，其中：
获取单元601，用于获取眼底彩照图像；
处理单元602，用于对所述眼底彩照图像进行特征提取，得到多个第一特征图，其中，所述多个第一特征图中任意两个第一特征图之间的维度不同；
处理单元602，还用于根据第一特征图A，确定所述眼底彩照图像中与所述第一特征图A对应的多个图像块中每个图像块对应的第一类别以及第一掩膜图，所述第一特征图A为所述多个第一特征图中的任意一个第一特征图；
处理单元602，还用于根据所述每个图像块的第一类别以及第一掩膜图，确定所述眼底彩照图像中各个像素点对应的类别；
处理单元602，还用于根据所述眼底彩照图像中各个像素点的类别，对所述眼底彩照图像进行病灶分割。
在一些可能的实施方式中，在根据第一特征图A，确定所述眼底彩照图像中与所述第一特征图A对应的多个图像块中每个图像块对应的第一类别以及第一掩膜图方面，处理单元602，具体用于：
根据所述第一特征图A进行图像分割，确定所述眼底彩照图像图中与所述第一特征图A对应的多个图像块中每个图像块的第一掩膜图；
根据所述第一特征图A，确定所述每个图像块的特征向量；
根据所述每个图像块的特征向量，确定所述每个图像块的第一类别。
在一些可能的实施方式中，在根据所述每个图像块的第一类别以及第一掩膜图，确定所述眼底彩照图像中各个像素点对应的类别方面，处理单元602，具体用于：
对所述每个图像块对应的第一掩膜图进行恢复处理，得到所述每个图像块对应的第二掩膜图，所述第二掩膜图用于表示所述眼底彩照图像图中各个像素点属于所述每个图像块对应的第一类别的概率；
根据所述每个图像块对应的第二掩膜图以及第一类别，确定所述眼底彩照图像图中各个像素点对应的类别。
在一些可能的实施方式中，在根据所述每个图像块对应的第二掩膜图以及第一类别，确定所述眼底彩照图像图中各个像素点对应的类别方面，处理单元602，具体用于：
对所述每个图像块对应的第一类别进行聚类，得到至少一个第一类别；
将所述至少一个第一类别中的每个第一类别对应的所有图像块的第二掩膜图进行叠加以及归一化，得到所述每个第一类别对应的目标掩膜图；
根据所述每个第一类别对应的目标掩膜图，确定所述眼底彩照图像图中各个像素点属于所述每个第一类别的概率；
根据所述眼底彩照图像图中各个像素点属于所述每个第一类别的概率，确定所述眼底彩照图像图中各个像素点对应的类别。
在一些可能的实施方式中，在对所述每个图像块对应的第一掩膜图进行恢复处理，得到所述每个图像块对应的第二掩膜图方面，处理单元602，具体用于：
通过双线性插值法，对所述每个图像块对应的第一掩膜图进行上采样处理，得到与所述每个图像块对应的第二掩膜图。
在一些可能的实施方式中，获取单元601还用于获取图像样本；
处理单元602，还用于将所述图像样本输入到所述神经网络，得到多个第二特征图，所述多个第二特征图中的任意两个第二特征图之间的维度不同；
根据第二特征图B，确定与所述第二特征图B对应的多个图像样本块中每个图像样本块对应的第三掩膜图以及第二类别，所述第二特征图B为所述多个第二特征图中的任意一个第二特征图；
根据所述每个图像样本块对应的第三掩膜图以及第二类别，调整所述神经网络的网络参数。
在一些可能的实施方式中，在根据所述每个图像样本块对应的第三掩膜图以及第二类别，调整所述神经网络的网络参数方面，处理单元602，具体用于：
根据所述每个图像样本块对应的第三掩膜图以及第二类别，确定所述每个图像样本块中属于病灶的像素点的数量的占比；
在所述每个图像样本块对应的占比大于第一阈值，且小于第二阈值的情况下，获取所述每个图像样本块对应的标注结果，根据每个所述第二特征图的第三掩膜图以及所述每个图像样本块的标注结果，得到第一损失；
在所述每个图像样本块对应的占比大于或等于所述第二阈值的情况下，对所述每个图像样本块对应的第三掩膜图进行恢复处理，得到所述每个图像样本块对应的第四掩膜图，根据所述图像样本的标注结果以及所述每个图像样本块对应的第四掩膜图，确定第二损失；
根据所述第一损失和所述第二损失，得到目标损失；
根据所述目标损失调整所述神经网络的网络参数。
本申请实施例还提供一种计算机存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如上述方法实施例中记载的任何一种病灶分割方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种病灶分割方法的部分或全部步骤。
应理解，本申请中的病灶分割装置可以包括智能手机（如Android手机、iOS手机、Windows Phone手机等）、平板电脑、掌上电脑、笔记本电脑、移动互联网设备MID（MobileInternet Devices，简称：MID）或穿戴式设备等。上述病灶分割装置仅是举例，而非穷举，包含但不限于上述病灶分割装置。在实际应用中，上述病灶分割装置还可以包括：智能车载终端、计算机设备等等。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块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器中。基于这样的理解，本申请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器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器（英文：Read-Only Memory ，简称：ROM）、随机存取器（英文：Random Access Memory，简称：RAM）、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (8)

1.一种病灶分割方法，其特征在于，包括：
获取眼底彩照图像；
对所述眼底彩照图像进行特征提取，得到多个第一特征图，其中，所述多个第一特征图中任意两个第一特征图之间的维度不同；
根据第一特征图A，确定所述眼底彩照图像中与所述第一特征图A对应的多个图像块中每个图像块对应的第一类别以及第一掩膜图，所述第一特征图A为所述多个第一特征图中的任意一个第一特征图；
根据所述每个图像块的第一类别以及第一掩膜图，确定所述眼底彩照图像中各个像素点对应的类别，其中，得到所述多个第一特征图、确定所述第一特征图A对应的多个图像块中每个图像块对应的第一类别以及第一掩膜图是通过神经网络执行的，所述神经网络是通过以下步骤训练得到：获取图像样本；将所述图像样本输入到所述神经网络，得到多个第二特征图，所述多个第二特征图中的任意两个第二特征图之间的维度不同；根据第二特征图B，确定与所述第二特征图B对应的多个图像样本块中每个图像样本块对应的第三掩膜图以及第二类别，所述第二特征图B为所述多个第二特征图中的任意一个第二特征图；根据所述每个图像样本块对应的第三掩膜图以及第二类别，确定所述每个图像样本块中属于病灶的像素点的数量的占比；在所述每个图像样本块对应的占比大于第一阈值，且小于第二阈值的情况下，获取所述每个图像样本块对应的标注结果，根据每个所述第二特征图的第三掩膜图以及所述每个图像样本块的标注结果，得到第一损失；在所述每个图像样本块对应的占比大于或等于所述第二阈值的情况下，对所述每个图像样本块对应的第三掩膜图进行恢复处理，得到所述每个图像样本块对应的第四掩膜图，根据所述图像样本的标注结果以及所述每个图像样本块对应的第四掩膜图，确定第二损失；根据所述第一损失和所述第二损失，得到目标损失；根据所述目标损失调整所述神经网络的网络参数；
根据所述眼底彩照图像中各个像素点的类别，对所述眼底彩照图像进行病灶分割。
2.根据权利要求1所述的方法，其特征在于，所述根据第一特征图A，确定所述眼底彩照图像中与所述第一特征图A对应的多个图像块中每个图像块对应的第一类别以及第一掩膜图，包括：
根据所述第一特征图A进行图像分割，确定所述眼底彩照图像中与所述第一特征图A对应的多个图像块中每个图像块的第一掩膜图；
根据所述第一特征图A，确定所述每个图像块的特征向量；
根据所述每个图像块的特征向量，确定所述每个图像块的第一类别。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述每个图像块的第一类别以及第一掩膜图，确定所述眼底彩照图像中各个像素点对应的类别，包括：
对所述每个图像块对应的第一掩膜图进行恢复处理，得到所述每个图像块对应的第二掩膜图，所述第二掩膜图用于表示所述眼底彩照图像中各个像素点属于所述每个图像块对应的第一类别的概率；
根据所述每个图像块对应的第二掩膜图以及第一类别，确定所述眼底彩照图像中各个像素点对应的类别。
4.根据权利要求3所述的方法，其特征在于，所述根据所述每个图像块对应的第二掩膜图以及第一类别，确定所述眼底彩照图像中各个像素点对应的类别，包括：
对所述每个图像块对应的第一类别进行聚类，得到至少一个第一类别；
将所述至少一个第一类别中的每个第一类别对应的所有图像块的第二掩膜图进行叠加以及归一化，得到所述每个第一类别对应的目标掩膜图；
根据所述每个第一类别对应的目标掩膜图，确定所述眼底彩照图像中各个像素点属于所述每个第一类别的概率；
根据所述眼底彩照图像中各个像素点属于所述每个第一类别的概率，确定所述眼底彩照图像中各个像素点对应的类别。
5.根据权利要求4所述的方法，其特征在于，所述对所述每个图像块对应的第一掩膜图进行恢复处理，得到所述每个图像块对应的第二掩膜图，包括：
通过双线性插值法，对所述每个图像块对应的第一掩膜图进行上采样处理，得到与所述每个图像块对应的第二掩膜图。
6.一种病灶分割装置，其特征在于，包括：
获取单元，用于获取眼底彩照图像；
处理单元，用于对所述眼底彩照图像进行特征提取，得到多个第一特征图，其中，所述多个第一特征图中任意两个第一特征图之间的维度不同；
所述处理单元，还用于根据第一特征图A，确定所述眼底彩照图像中与所述第一特征图A对应的多个图像块中每个图像块对应的第一类别以及第一掩膜图，所述第一特征图A为所述多个第一特征图中的任意一个第一特征图；
所述处理单元，还用于根据所述每个图像块的第一类别以及第一掩膜图，确定所述眼底彩照图像中各个像素点对应的类别，其中，得到所述多个第一特征图、确定所述第一特征图A对应的多个图像块中每个图像块对应的第一类别以及第一掩膜图是通过神经网络执行的，所述处理单元，还用于执行以下步骤，以得到所述神经网络：获取图像样本；将所述图像样本输入到所述神经网络，得到多个第二特征图，所述多个第二特征图中的任意两个第二特征图之间的维度不同；根据第二特征图B，确定与所述第二特征图B对应的多个图像样本块中每个图像样本块对应的第三掩膜图以及第二类别，所述第二特征图B为所述多个第二特征图中的任意一个第二特征图；根据所述每个图像样本块对应的第三掩膜图以及第二类别，确定所述每个图像样本块中属于病灶的像素点的数量的占比；在所述每个图像样本块对应的占比大于第一阈值，且小于第二阈值的情况下，获取所述每个图像样本块对应的标注结果，根据每个所述第二特征图的第三掩膜图以及所述每个图像样本块的标注结果，得到第一损失；在所述每个图像样本块对应的占比大于或等于所述第二阈值的情况下，对所述每个图像样本块对应的第三掩膜图进行恢复处理，得到所述每个图像样本块对应的第四掩膜图，根据所述图像样本的标注结果以及所述每个图像样本块对应的第四掩膜图，确定第二损失；根据所述第一损失和所述第二损失，得到目标损失；根据所述目标损失调整所述神经网络的网络参数；
所述处理单元，还用于根据所述眼底彩照图像中各个像素点的类别，对所述眼底彩照图像进行病灶分割。
7.一种病灶分割装置，其特征在于，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行权利要求1-5任一项方法中的步骤的指令。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1-5任一项所述的方法。
CN202011187336.5A 2020-10-30 2020-10-30 病灶分割方法、装置及存储介质 Active CN112017185B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011187336.5A CN112017185B (zh) 2020-10-30 2020-10-30 病灶分割方法、装置及存储介质
PCT/CN2021/096395 WO2022088665A1 (zh) 2020-10-30 2021-05-27 病灶分割方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011187336.5A CN112017185B (zh) 2020-10-30 2020-10-30 病灶分割方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN112017185A CN112017185A (zh) 2020-12-01
CN112017185B true CN112017185B (zh) 2021-02-05

Family

ID=73527471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011187336.5A Active CN112017185B (zh) 2020-10-30 2020-10-30 病灶分割方法、装置及存储介质

Country Status (2)

Country Link
CN (1) CN112017185B (zh)
WO (1) WO2022088665A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112017185B (zh) * 2020-10-30 2021-02-05 平安科技（深圳）有限公司 病灶分割方法、装置及存储介质
CN113425248B (zh) * 2021-06-24 2024-03-08 平安科技（深圳）有限公司 医疗影像评估方法、装置、设备及计算机存储介质
CN113749690B (zh) * 2021-09-24 2024-01-30 无锡祥生医疗科技股份有限公司 血管的血流量测量方法、装置及存储介质
CN113838028A (zh) * 2021-09-24 2021-12-24 无锡祥生医疗科技股份有限公司 一种颈动脉超声自动多普勒方法、超声设备及存储介质
CN115187577B (zh) * 2022-08-05 2023-05-09 北京大学第三医院（北京大学第三临床医学院） 一种基于深度学习的乳腺癌临床靶区自动勾画方法和系统
CN116385812B (zh) * 2023-06-06 2023-08-25 依未科技(北京)有限公司 图像分类方法及装置、电子设备及存储介质
CN116797611B (zh) * 2023-08-17 2024-04-30 深圳市资福医疗技术有限公司 一种息肉病灶分割方法、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0583088A2 (en) * 1992-07-27 1994-02-16 International Business Machines Corporation Graphics display method and device
CN109872306A (zh) * 2019-01-28 2019-06-11 腾讯科技（深圳）有限公司 医学图像分割方法、装置和存储介质
CN111047591A (zh) * 2020-03-13 2020-04-21 北京深睿博联科技有限责任公司 基于深度学习的病灶体积测量方法、系统、终端及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345643B (zh) * 2013-06-13 2016-08-24 南京信息工程大学 一种遥感图像分类方法
CN108537197B (zh) * 2018-04-18 2021-04-16 吉林大学 一种基于深度学习的车道线检测预警装置及预警方法
CN108710919A (zh) * 2018-05-25 2018-10-26 东南大学 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法
US10643092B2 (en) * 2018-06-21 2020-05-05 International Business Machines Corporation Segmenting irregular shapes in images using deep region growing with an image pyramid
CN108961296B (zh) * 2018-07-25 2020-04-14 腾讯医疗健康(深圳)有限公司 眼底图像分割方法、装置、存储介质和计算机设备
CN111292301A (zh) * 2018-12-07 2020-06-16 北京市商汤科技开发有限公司 一种病灶检测方法、装置、设备及存储介质
CN111768392B (zh) * 2020-06-30 2022-10-14 创新奇智(广州)科技有限公司 目标检测方法及装置、电子设备、存储介质
CN112017185B (zh) * 2020-10-30 2021-02-05 平安科技（深圳）有限公司 病灶分割方法、装置及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0583088A2 (en) * 1992-07-27 1994-02-16 International Business Machines Corporation Graphics display method and device
CN109872306A (zh) * 2019-01-28 2019-06-11 腾讯科技（深圳）有限公司 医学图像分割方法、装置和存储介质
CN111047591A (zh) * 2020-03-13 2020-04-21 北京深睿博联科技有限责任公司 基于深度学习的病灶体积测量方法、系统、终端及存储介质

Also Published As

Publication number Publication date
WO2022088665A1 (zh) 2022-05-05
CN112017185A (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
CN112017185B (zh) 病灶分割方法、装置及存储介质
US20220076420A1 (en) Retinopathy recognition system
US11213197B2 (en) Artificial neural network and system for identifying lesion in retinal fundus image
Dharmawan et al. A new hybrid algorithm for retinal vessels segmentation on fundus images
CN110889826B (zh) 眼部oct图像病灶区域的分割方法、装置及终端设备
CN110570421B (zh) 多任务的眼底图像分类方法和设备
dos Santos Ferreira et al. Convolutional neural network and texture descriptor-based automatic detection and diagnosis of glaucoma
Sinthanayothin Image analysis for automatic diagnosis of diabetic retinopathy
CN110263755B (zh) 眼底图像识别模型训练方法、眼底图像识别方法和设备
CN111860169B (zh) 皮肤分析方法、装置、存储介质及电子设备
CN111986202B (zh) 青光眼辅助诊断装置、方法及存储介质
KR101953752B1 (ko) 심층 신경망을 이용하여 영상의 분류 및 국소화를 수행하는 방법 및 이를 이용한 장치
CN110246109A (zh) 融合ct影像和个性化信息的分析系统、方法、装置及介质
da Rocha et al. An unsupervised approach to improve contrast and segmentation of blood vessels in retinal images using CLAHE, 2D Gabor wavelet, and morphological operations
WO2019102844A1 (ja) 分類装置、分類方法、プログラム、ならびに、情報記録媒体
Li et al. Vessel recognition of retinal fundus images based on fully convolutional network
CN113344894A (zh) 眼底豹纹斑特征提取及特征指数确定的方法和装置
CN117788407A (zh) 基于人工神经网络的青光眼图像特征提取的训练方法
CN117038088B (zh) 糖尿病视网膜病变的发病确定方法、装置、设备及介质
Yadav et al. Automatic Cataract Severity Detection and Grading Using Deep Learning
CN110598652B (zh) 眼底数据预测方法和设备
CN110276333B (zh) 眼底身份识别模型训练方法、眼底身份识别方法和设备
Giancardo et al. Quality assessment of retinal fundus images using elliptical local vessel density
CN116030042A (zh) 一种针对医生目诊的诊断装置、方法、设备及存储介质
CN112806957B (zh) 一种基于深度学习的圆锥角膜和亚临床圆锥角膜检测系统

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