CN112053319B - 图像处理的方法和装置 - Google Patents

图像处理的方法和装置 Download PDF

Info

Publication number
CN112053319B
CN112053319B CN202010709794.4A CN202010709794A CN112053319B CN 112053319 B CN112053319 B CN 112053319B CN 202010709794 A CN202010709794 A CN 202010709794A CN 112053319 B CN112053319 B CN 112053319B
Authority
CN
China
Prior art keywords
images
neural network
category
processed
convolutional neural
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
CN202010709794.4A
Other languages
English (en)
Other versions
CN112053319A (zh
Inventor
徐枫
周展平
郭雨晨
杨东
戴琼海
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.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202010709794.4A priority Critical patent/CN112053319B/zh
Publication of CN112053319A publication Critical patent/CN112053319A/zh
Application granted granted Critical
Publication of CN112053319B publication Critical patent/CN112053319B/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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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]

Landscapes

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

Abstract

本申请提出一种图像处理的方法与装置，包括以下步骤：获取M张待处理CT图像；将M张待处理CT图像输入训练后的深度卷积神经网络进行处理，得到目标类别。本发明目的在于利用计算机深度学习方法对CT图像进行识别，达到计算机快速自动识别CT图像类型的效果。

Description

图像处理的方法和装置
技术领域
本申请涉及机器人视觉、深度学习技术领域，尤其涉及一种图像处理的方法与装置。
背景技术
随着计算机技术的飞速发展，计算机在图像处理、识别方面的能力越来越强，而在现代生活中，对于图像的处理和分类大部分还是依靠有经验的人员，尤其是在医疗体系中，每天都有大量的CT(Computed Tomography，电子计算机断层扫描)图像需要有经验的医生来识别出图像中的是否有病灶，即占用了大量的人力资源，还会提高了病人的医疗成本。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种图像处理的方法和装置，利用计算机深度学习方法对CT图像信息进行识别，达到计算机快速自动识别CT图像类型的效果。
为达到上述目的，本发明实施例提出了一种图像处理的方法，包括以下步骤：获取M张待处理CT图像；将M张待处理CT图像输入训练后的深度卷积神经网络进行处理，得到目标类别。本发明目的在于利用计算机深度学习方法对CT图像信息进行识别，达到计算机快速自动识别CT图像类型的效果。
另外，根据本发明上述实施例的图像处理的方法，还可以具有如下附加的技术特征：
进一步地，在本发明的一个实施例中，将M张待处理CT图像输入训练后的深度卷积神经网络进行处理，得到目标类别的方法可以包括：将M张待处理CT图像输入训练后的深度卷积神经网络以生成每张CT图像为正类别的概率；以连续R张图像为一个片段进行平均池化，再取所有M-R+1个片段中分数最高的T个片段进行平均池化，得到每张CT图像为正类别的概率；其中，R和T小于等于M。
进一步地，在本发明的一个实施例中，在获取M张待处理CT图像之前，还包括：获取包括标注类别的N张CT样本图像包括标注类别；将N张CT样本图像输入至深度卷积神经网络以生成预测类别；根据标注类别和预测类别对深度卷积神经网络进行训练。
进一步地，在本发明的一个实施例中，还包括：按照预先设定的窗宽和窗位组合对N张CT样本图像进行预处理。
进一步地，在本发明的一个实施例中，每一样本图像包含N张图像，将N张CT样本图像输入至深度卷积神经网络以生成预测类别，将N张CT样本图像输入深度卷积神经网络以生成每张CT样本图像预测为正类别的概率；以连续L张CT样本图像为一个片段进行平均池化，再取所有N-L+1个片段中分数最高的K个片段进行平均池化，得到每张CT样本图像预测为正类别的概率；其中，L和K小于等于N。
进一步地，在本发明的一个实施例中，根据标注类别和预测类别对深度卷积神经网络进行训练，包括通过损失函数计算标注类别和预测类别的损失值；若损失值小于等于预设阈值，则训练结束；若损失值大于预设阈值，调整深度卷积神经网络的网络参数，并再次对深度卷积神经网络进行训练。
为达到上述目的，本发明第二方面实施例提出了一种图像处理的装置，包括：获取模块，用于获取M张待处理CT图像；判断模块，用于将M张待处理CT图像输入训练后的深度卷积神经网络进行处理，得到目标类别。
本发明实施例的图像处理的装置，通过获取M张待处理CT图像，然后将M张待处理CT图像输入训练后的深度卷积神经网络进行处理，得到目标类别。
另外，根据本发明上述实施例的图像处理的装置，还可以具有如下附加的技术特征：
进一步地，在本发明的一个实施例中，判断模块具体用于将M张待处理CT图像输入训练后的深度卷积神经网络以生成每张CT图像为正类别的概率；以连续R张图像为一个片段进行平均池化，再取所有M-R+1个片段中分数最高的T个片段进行平均池化，得到每张CT图像为正类别的概率；其中，R和T小于等于M。
进一步地，在本发明的一个实施例中，还包括：第二获取模块，用于获取包括标注类别的N张CT样本图像包括标注类别；第二判断模块，获取包括标注类别的N张CT样本图像包括标注类别；训练模块，用于根据标注类别和预测类别对深度卷积神经网络进行训练。
进一步地，在本发明的一个实施例中，还包括：处理模块，用于按照预先设定的窗宽和窗位组合对N张CT样本图像进行预处理。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例的一种图像处理的方法的流程示例；
图2为本发明实施例的判断CT图像类别的方法的示意图。
图3为本发明实施例的一种深度卷积神经网络的训练方法示意图。
图4为本发明实施例的另一种深度卷积神经网络的训练方法。
图5为本发明实施例提供的图像处理装置的结构示意图。
图6为本发明实施例提供的训练图像处理神经网络的装置结构示意图
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的图像处理的方法与装置。
图1为本发明实施例的一种图像处理的方法的流程示意图。如图1所示，该图像处理的方法，包括：
步骤101，获取M张待处理CT图像；
本申请目的在于利用计算机深度学习方法对CT图像信息进行识别，达到计算机快速自动识别CT图像类型的效果。
其中，待处理CT图像可以理解为待识别的CT图像信息，该图像信息所反应的内容有一定的范围。比如，待处理CT图像所反映的内容范围可以为水果、木材的剖面或者人体的局部结构。另外，在本申请中，M为大于1的整数，因为尤其是在医学CT图像诊断应用中，需要检测体内器官或病灶的立体结构，由于单张CT图像只能反映截面的信息而不能反映立体结构的信息，所以需要获取待检测立体结构的连续M张CT图像来反映立体结构的信息。另外，待处理的CT图像可以是纸质图像，也可以是电子版CT图像，也可以是基于本申请的装置自带的拍摄设备获取的CT图像。
具体的，获取待处理的指定内容范围的M张CT图像。需要说明的是，在不同的应用场景中，待处理的M张CT图像所属的内容范围也不一致，为了降低基于本申请的装置的要求，可以提前向用户展示装置的CT图像识别要求，也可以在识别到接收到的CT图像不属于预设的内容范围时，提示输入的CT图像不满足要求，并不再进行后续CT图像识别操作。
步骤102，将M张待处理CT图像输入训练后的深度卷积神经网络进行处理，得到目标类别。
其中，深度卷积神经网络可以理解为用于识别M张图像的神经网络，该深度卷积神经网络的输入为M张待处理CT图像，输出为M张待处理CT图像所属的目标类别。而目标类别可以理解为M张待处理CT图像所包含内容的类别，比如，水果CT图像中包含苹果类、橙子类，人体腹部CT图像中包含脾脏类病变、肝脏类病变、肾脏类类病变等。
具体的，将获得的M张待处理CT图像输入到提前训练好的深度卷积神经网络进行处理，根据深度卷积神经网络的识别结果，得到输入图像所属的目标类别。其中，如图2所示，深度卷积神经网络识别M张待处理CT图像的方法可以是将M张待处理CT图像输入训练后的深度卷积神经网络以生成每张CT图像为正类别的概率；以连续R张图像为一个片段进行平均池化，再取所有M-R+1个片段中分数最高的T个片段进行平均池化，得到M张待处理CT图像为正类别的概率；其中，R和T小于等于M。
需要理解的是，深度卷积神经网络需要提前经过大量的CT图像和其对应的类别数据进行训练才能够用于独立自动识别，所以在获取M张待处理CT图像之前，需要获取大量包括标注类别的N(N>＝M)张CT样本图像来对模块行进训练。
另外，在挑选训练深度卷积神经网络的图像的时候，为增加深度卷积神经网络的训练的针对性，可以对所挑选的CT图像进行一定的预处理。
比如，CT图像在选择的时候，窗宽和窗位要按照预先设定的窗宽和窗位组合进行预处理。其中，窗宽可以理解为CT图像的灰度值范围；窗位可以理解为上述范围值的中心位值。
比如，在医学黑白CT图像中，当窗宽为100H，窗位为15H时，表示CT图像的灰度值范围是-35H至65H,高于65H的部分均以白影显示，无灰度差别，而低于-15H的部分均以黑影显示，无灰度差别；
然后将N张CT样本图像输入至深度卷积神经网络以生成预测类别；其中，如图3所示，生成预测类别的方法可以和深度卷积神经网络独立工作的时候的过程一样，将N张CT样本图像输入深度卷积神经网络以生成每张CT样本图像预测为正类别的概率；以连续L张CT样本图像为一个片段进行平均池化，再取所有N-L+1个片段中分数最高的K个片段进行平均池化，得到每张CT样本图像预测为正类别的概率；其中，L和K小于等于N、R小于等于L、T小于等于K。
再根据标注类别和深度卷积神经网络生成的预测类别对深度卷积神经网络进行训练。其中，如图4所示，根据标注类别和预测类别对深度卷积神经网络进行训练的方法可以是通过损失函数计算标注类别和预测类别的损失值；若损失值小于等于预设阈值，则训练结束；若损失值大于预设阈值，调整深度卷积神经网络的网络参数，并再次对深度卷积神经网络进行训练。
本发明实施例的图像处理的方法，通过获取待处理图像；将待处理图像输入训练后的深度卷积神经网络进行处理，得到目标类别。本发明目的在于利用深度学习方法对图像信息进行识别，达到计算机自动识别图像类型的效果。
为了实现上述实施例，本申请还提出一种图像处理的装置。
图5为本申请实施例提供的一种图像处理的装置的结构示意图。
如图5所示，该装置包括：获取模块501、判断模块502。
获取模块501，用于取M张待处理CT图像；
判断模块502，用于将M张待处理CT图像输入训练后的深度卷积神经网络进行处理，得到目标类别。
进一步地，在本申请实施例的一种可能的实现方式中，判断模块502具体用于将M张待处理CT图像输入训练后的深度卷积神经网络以生成每张CT图像为正类别的概率；以连续R张图像为一个片段进行平均池化，再取所有M-R+1个片段中分数最高的T个片段进行平均池化，得到每张CT图像为正类别的概率；其中，R和T小于等于M。
进一步地，在本申请实施例的一种可能的实现方式中，如图6所示，还包括：
第二获取模块601，用于获取样本图像，其中，样本图像包括标注类别；第二判断模块602，用于将样本图像输入至深度卷积神经网络以生成预测类别；训练模块603，用于根据标注类别和预测类别对深度卷积神经网络进行训练。
进一步地，在本申请实施例的一种可能的实现方式中，第二获取模块602还可以用于按照预先设定的窗宽和窗位组合对样本图像进行预处理。
需要说明的是，前述对方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。
本发明实施例的图像处理装置，获取模块获取待处理图像；判断模块将待处理图像输入训练后的深度卷积神经网络进行处理，得到目标类别。本发明目的在于利用深度学习方法对图像信息进行识别，达到计算机自动识别图像类型的效果。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种图像处理的方法，其特征在于，包括以下步骤：
获取M张待处理CT图像；
将所述M张待处理CT图像输入训练后的深度卷积神经网络进行处理，得到目标类别，其中，目标类别为M张待处理CT图像所包含内容的类别；
其中，所述将所述M张待处理CT图像输入训练后的深度卷积神经网络进行处理，得到目标类别，包括：
将所述M张待处理CT图像输入训练后的深度卷积神经网络以生成每张CT图像为正类别的概率；
以连续R张图像为一个片段进行平均池化，再取所有M-R+1个片段中分数最高的T个片段进行平均池化，得到所述M张待处理CT图像为正类别的概率；其中，R和T小于等于M。
2.如权利要求1所述的方法，其特征在于，在所述获取M张待处理CT图像之前，还包括：
获取包括标注类别的N张CT样本图像；
将所述N张CT样本图像输入至深度卷积神经网络以生成预测类别；
根据所述标注类别和所述预测类别对所述深度卷积神经网络进行训练。
3.如权利要求2所述的方法，其特征在于，在所述将所述N张CT样本图像输入至深度卷积神经网络以生成预测类别之前，还包括：
按照预先设定的窗宽和窗位组合对所述N张CT样本图像进行预处理。
4.如权利要求2所述的方法，其特征在于，所述将所述N张CT样本图像输入至深度卷积神经网络以生成预测类别，包括：
将所述N张CT样本图像输入深度卷积神经网络以生成每张CT样本图像预测为正类别的概率；
以连续L张CT样本图像为一个片段进行平均池化，再取所有N-L+1个片段中分数最高的K个片段进行平均池化，得到所述N张CT样本图像预测为正类别的概率；其中，L和K小于等于N。
5.如权利要求2所述的方法，其特征在于，所述根据所述标注类别和所述预测类别对所述深度卷积神经网络进行训练，包括：
通过损失函数计算所述标注类别和所述预测类别的损失值；
若所述损失值小于等于预设阈值，则训练结束；
若所述损失值大于预设阈值，调整所述深度卷积神经网络的网络参数，并再次对所述深度卷积神经网络进行训练。
6.一种图像处理的装置，其特征在于，包括：
获取模块，用于获取M张待处理CT图像；
判断模块，用于将所述M张待处理CT图像输入训练后的深度卷积神经网络进行处理，得到目标类别，其中，目标类别为M张待处理CT图像所包含内容的类别；
所述判断模块，具体用于：
将所述M张待处理CT图像输入训练后的深度卷积神经网络以生成每张CT图像为正类别的概率；
以连续R张图像为一个片段进行平均池化，再取所有M-R+1个片段中分数最高的T个片段进行平均池化，得到所述每张CT图像为正类别的概率；其中，R和T小于等于M。
7.如权利要求6所述的装置，其特征在于，还包括：
第二获取模块，用于获取包括标注类别的N张CT样本图像；
第二判断模块，用于将所述N张CT样本图像输入至深度卷积神经网络以生成预测类别；
训练模块，用于根据所述标注类别和所述预测类别对所述深度卷积神经网络进行训练。
8.如权利要求7所述的装置，其特征在于，还包括：
处理模块，用于按照预先设定的窗宽和窗位组合对所述N张CT样本图像进行预处理。
CN202010709794.4A 2020-07-22 2020-07-22 图像处理的方法和装置 Active CN112053319B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010709794.4A CN112053319B (zh) 2020-07-22 2020-07-22 图像处理的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010709794.4A CN112053319B (zh) 2020-07-22 2020-07-22 图像处理的方法和装置

Publications (2)

Publication Number Publication Date
CN112053319A CN112053319A (zh) 2020-12-08
CN112053319B true CN112053319B (zh) 2022-12-02

Family

ID=73602674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010709794.4A Active CN112053319B (zh) 2020-07-22 2020-07-22 图像处理的方法和装置

Country Status (1)

Country Link
CN (1) CN112053319B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105718952A (zh) * 2016-01-22 2016-06-29 武汉科恩斯医疗科技有限公司 使用深度学习网络对断层医学影像进行病灶分类的方法
WO2017150497A1 (ja) * 2016-03-02 2017-09-08 地方独立行政法人神奈川県立病院機構 肺野病変の診断支援装置、該装置の制御方法及びプログラム
CN109003260A (zh) * 2018-06-28 2018-12-14 深圳视见医疗科技有限公司 Ct图像肺结节检测方法、装置、设备及可读存储介质
CN109685079A (zh) * 2018-12-26 2019-04-26 网易（杭州）网络有限公司 一种特征图像类别信息的生成方法和装置
CN111415743A (zh) * 2020-03-17 2020-07-14 北京推想科技有限公司 肺炎分类方法、装置、介质及电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103222874B (zh) * 2012-01-31 2016-12-07 Ge医疗系统环球技术有限公司 拣选ct切片图像的方法和构建ct三维图像的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105718952A (zh) * 2016-01-22 2016-06-29 武汉科恩斯医疗科技有限公司 使用深度学习网络对断层医学影像进行病灶分类的方法
WO2017150497A1 (ja) * 2016-03-02 2017-09-08 地方独立行政法人神奈川県立病院機構 肺野病変の診断支援装置、該装置の制御方法及びプログラム
CN109003260A (zh) * 2018-06-28 2018-12-14 深圳视见医疗科技有限公司 Ct图像肺结节检测方法、装置、设备及可读存储介质
CN109685079A (zh) * 2018-12-26 2019-04-26 网易（杭州）网络有限公司 一种特征图像类别信息的生成方法和装置
CN111415743A (zh) * 2020-03-17 2020-07-14 北京推想科技有限公司 肺炎分类方法、装置、介质及电子设备

Also Published As

Publication number Publication date
CN112053319A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN110796613B (zh) 一种图像伪影的自动识别方法及装置
EP1035508B1 (en) Automated method and system for the segmentation of medical images
CN111862044B (zh) 超声图像处理方法、装置、计算机设备和存储介质
Villalobos-Castaldi et al. A fast, efficient and automated method to extract vessels from fundus images
US9898819B2 (en) System and method for detecting region of interest
CN111899244B (zh) 图像分割、网络模型的训练方法及装置，及电子设备
CN111553919B (zh) 一种基于弹性超声成像的甲状腺结节分析系统
CN109741312A (zh) 一种肺结节鉴别方法、装置、设备及介质
CN111462115B (zh) 医学图像显示方法、装置和计算机设备
CN116579954B (zh) 一种超高清内窥镜图像智能增强方法
US12089987B2 (en) Computer based method for classifying a mass of an organ as a cyst
CN112529918A (zh) 一种脑部ct图像中脑室区域分割的方法、装置及设备
CN115206478A (zh) 医学报告生成方法以及装置、电子设备、可读存储介质
CN115601303A (zh) 类风湿关节炎的活动度评价方法、装置、电子设备及介质
US12014489B2 (en) System for determining the presence of features in a dataset
CN112053319B (zh) 图像处理的方法和装置
EP4168931A1 (en) Domain aware medical image classifier interpretation by counterfactual impact analysis
EP3862922A1 (en) Explaining the output of a trained model
Adollah et al. Bone marrow image segmentation based on multilevel thresholding
CN115471489A (zh) 数字人渲染视频的检测方法和系统
CN117392040A (zh) 一种标准切面的识别方法、系统、装置及存储介质
CN114511526A (zh) 一种基于深度学习的动脉瘤分割方法和装置
CN109671091B (zh) 一种非钙化斑检测方法及非钙化斑检测设备
CN113724214A (zh) 一种基于神经网络的图像处理方法及装置
CN112949712A (zh) 一种基于多模态的甲状腺结节自动识别模型构建方法

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20201208

Assignee: Hanyi Technology (Hangzhou) Co.,Ltd.

Assignor: TSINGHUA University

Contract record no.: X2023980040320

Denomination of invention: Methods and Devices for Image Processing

Granted publication date: 20221202

License type: Common License

Record date: 20230822

EE01 Entry into force of recordation of patent licensing contract