CN112200820A - 三维图像处理方法及装置、电子设备和存储介质 - Google Patents
三维图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112200820A CN112200820A CN202011054543.3A CN202011054543A CN112200820A CN 112200820 A CN112200820 A CN 112200820A CN 202011054543 A CN202011054543 A CN 202011054543A CN 112200820 A CN112200820 A CN 112200820A
- Authority
- CN
- China
- Prior art keywords
- dimensional image
- contour
- processing
- target object
- weight
- 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.)
- Withdrawn
Links
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 143
- 238000000034 method Methods 0.000 claims abstract description 77
- 238000001514 detection method Methods 0.000 claims abstract description 65
- 238000005520 cutting process Methods 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims description 55
- 230000008569 process Effects 0.000 claims description 34
- 238000009826 distribution Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 9
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 238000012800 visualization Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 21
- 230000005499 meniscus Effects 0.000 description 21
- 230000006870 function Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 238000005192 partition Methods 0.000 description 10
- 210000003127 knee Anatomy 0.000 description 8
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 7
- 210000000629 knee joint Anatomy 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 201000008482 osteoarthritis Diseases 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 210000004353 tibial menisci Anatomy 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000845 cartilage Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 210000002303 tibia Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000000689 upper leg Anatomy 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
- G06T7/12—Edge-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种三维图像处理方法及装置、电子设备和存储介质，所述方法包括：对第一三维图像进行第一轮廓检测处理，获得目标对象的第一轮廓；根据第一轮廓所在区域的像素点的权重，对第一三维图像进行裁剪处理，获得第一三维图像块；对第一三维图像块进行第二轮廓检测处理，获得目标对象的第二轮廓。根据本公开的实施例的三维图像处理方法，可对三维图像进行轮廓检测处理，并可对三维图像块进行精细地分割，获得目标对象的精确轮廓，可提升分割效果，并且可减少三维空间的信息损失。并且，可直接获得目标对象的三维轮廓，可减少三维建模等后续处理，并可提升可视化效果，有助于提升诊断效率。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种三维图像处理方法及装置、电子设备和存储介质。
背景技术
三维图像在医学成像领域应用广泛，例如，对膝关节半月板的核磁共振成像(Magnetic Resonance Imaging,MRI)。由于半月板损伤类型复杂、MRI图像包含信息量大，影像科医生的阅片时耗长且容易因视觉疲劳导致误诊、漏诊。
可通过深度学习等方法在医学图像中分割出半月板，相关技术中，可采用二维神经网络进行图像分割，但容易损失三维空间中的信息，且对二维图像进行分割后，后续处理复杂(例如，进行三维建模)，因此，分割效果不佳。
发明内容
本公开提出了一种三维图像处理方法及装置、电子设备和存储介质。
根据本公开的一方面，提供了一种三维图像处理方法，包括：对第一三维图像进行第一轮廓检测处理，获得目标对象的第一轮廓，其中，所述目标对象的第一轮廓所在区域的像素点分配的权重大于背景区域的像素点的权重；根据所述第一轮廓所在区域的像素点的权重，对第一三维图像进行裁剪处理，获得第一三维图像块，其中，所述第一三维图像块为包括所述第一轮廓的三维图像块；对所述第一三维图像块进行第二轮廓检测处理，获得所述目标对象的第二轮廓。
根据本公开的实施例的三维图像处理方法，可对三维图像进行轮廓检测处理，并可对三维图像块进行精细地分割，获得目标对象的精确轮廓，可提升分割效果，并且可减少三维空间的信息损失。并且，可直接获得目标对象的三维轮廓，可减少三维建模等后续处理，并可提升可视化效果，有助于提升诊断效率。
在一种可能的实现方式中，对第一三维图像进行第一轮廓检测处理，获得目标对象的第一轮廓，包括：对所述第一三维图像进行特征提取处理，获得第二特征信息，在所述第二特征信息中，所述目标对象的第一轮廓所在区域的像素点分配的权重大于背景区域的像素点的权重；根据所述第一轮廓所在区域的像素点的权重以及所述第二特征信息，获得所述第一轮廓。
在一种可能的实现方式中，对所述第一三维图像进行特征提取处理，获得第二特征信息，包括：对所述第一三维图像进行第一编码处理，获得第一特征信息；对所述第一特征信息进行第一权重分配处理，获得所述第二特征信息。
通过这种方式，可通过第一权重分配处理来增加目标对象的第一轮廓所在位置的像素点的权重，有助于提高识别目标对象的第一轮廓的精确度。
在一种可能的实现方式中，对所述第一三维图像块进行第二轮廓检测处理，获得所述目标对象的第二轮廓，包括：对所述第一三维图像块进行特征提取处理，获得第四特征信息，在所述第四特征信息中，所述目标对象的第二轮廓所在区域的像素点分配的权重大于背景区域的像素点的权重；根据所述第二轮廓所在区域的像素点的权重以及所述第四特征信息，获得所述目标对象的轮廓。
在一种可能的实现方式中，对所述第一三维图像块进行特征提取处理，获得第四特征信息，包括：对所述第一三维图像块进行第二编码处理，获得第三特征信息；对所述第二特征信息进行第二权重分配处理，获得所述第四特征信息。
通过这种方式，可在分辨率较高的第一三维图像块中较精确地确定目标对象的轮廓，有助于对目标对象的检测和识别。
在一种可能的实现方式中，所述方法还包括：对待处理三维图像进行下采样处理，获得第二三维图像；对所述第二三维图像进行归一化处理，获得所述第一三维图像。
在一种可能的实现方式中，根据所述第一轮廓对所述第一三维图像进行裁剪处理，获得第一三维图像块，包括：根据所述第一轮廓所在区域的像素点的权重，确定所述第一三维图像中包括所述目标对象的第一目标区域；根据所述第一目标区域，对所述第一三维图像进行裁剪处理，获得所述第一三维图像块。
通过这种方式，可获得分辨率较高的第一三维图像块，并可在后续处理中对第一三维图像块中的目标对象进行识别，滤除冗余的信息，减少干扰因素，并提高结果精度。
在一种可能的实现方式中，所述第一轮廓检测处理通过第一分割网络实现，其中，所述方法还包括：通过第一分割网络对第一样本三维图像进行第一轮廓检测处理，获得第一样本轮廓；根据所述第一样本轮廓和所述第一样本三维图像的标注信息，确定所述第一分割网络的第一网络损失；根据所述第一网络损失，训练所述第一分割网络。
在一种可能的实现方式中，所述第二轮廓检测处理通过第二分割网络实现，其中，所述方法还包括：通过第二分割网络对第二样本三维图像进行轮廓检测处理，获得目标的第二样本轮廓；根据第二样本三维图像的标注信息，获得所述第二样本三维图像中的各像素点相对于所述目标的标注轮廓的距离场；根据所述距离场、所述第二样本轮廓以及所述标注轮廓，确定所述第二分割网络的第二网络损失；根据所述第二网络损失，训练所述第二分割网络。
通过这种方式，可在第二网络损失中加入惩罚项，以增大非目标对象的误差，使第二分割网络能够更精确的识别目标对象的第二轮廓。
根据本公开的一方面，提供了一种三维图像处理装置，包括：
第一检测模块，用于对第一三维图像进行第一轮廓检测处理，获得目标对象的第一轮廓，其中，所述目标对象的第一轮廓所在区域的像素点分配的权重大于背景区域的像素点的权重；裁减模块，用于根据所述第一轮廓所在区域的像素点的权重，对第一三维图像进行裁剪处理，获得第一三维图像块，其中，所述第一三维图像块为包括所述第一轮廓的三维图像块；第二检测模块，用于对所述第一三维图像块进行第二轮廓检测处理，获得所述目标对象的第二轮廓。
在一种可能的实现方式中，在一种可能的实现方式中，所述第一检测模块进一步用于：对所述第一三维图像进行特征提取处理，获得第二特征信息，在所述第二特征信息中，所述目标对象的第一轮廓所在区域的像素点分配的权重大于背景区域的像素点的权重；根据所述第一轮廓所在区域的像素点的权重以及所述第二特征信息，获得所述第一轮廓。
在一种可能的实现方式中，所述第一检测模块进一步用于：对所述第一三维图像进行第一编码处理，获得第一特征信息；对所述第一特征信息进行第一权重分配处理，获得所述第二特征信息。
在一种可能的实现方式中，所述第二检测模块进一步用于：对所述第一三维图像块进行特征提取处理，获得第四特征信息，在所述第四特征信息中，所述目标对象的第二轮廓所在区域的像素点分配的权重大于背景区域的像素点的权重；根据所述第二轮廓所在区域的像素点的权重以及所述第四特征信息，获得所述目标对象的轮廓。
在一种可能的实现方式中，所述第二检测模块进一步用于：对所述第一三维图像块进行第二编码处理，获得第三特征信息；对所述第二特征信息进行第二权重分配处理，获得所述第四特征信息。
在一种可能的实现方式中，所述装置还包括：下采样模块，用于对待处理三维图像进行下采样处理，获得第二三维图像；归一化模块，用于对所述第二三维图像进行归一化处理，获得所述第一三维图像。
在一种可能的实现方式中，所述剪裁模块进一步用于：根据所述第一轮廓所在区域的像素点的权重，确定所述第一三维图像中包括所述目标对象的第一目标区域；根据所述第一目标区域，对所述第一三维图像进行裁剪处理，获得所述第一三维图像块。
在一种可能的实现方式中，所述第一轮廓检测处理通过第一分割网络实现，其中，所述装置还包括：第一轮廓模块，用于通过第一分割网络对第一样本三维图像进行第一轮廓检测处理，获得第一样本轮廓；第一损失模块，用于根据所述第一样本轮廓和所述第一样本三维图像的标注信息，确定所述第一分割网络的第一网络损失；第一训练模块，用于根据所述第一网络损失，训练所述第一分割网络。
在一种可能的实现方式中，所述第二轮廓检测处理通过第二分割网络实现，其中，所述装置还包括：第二轮廓模块，用于通过第二分割网络对第二样本三维图像进行轮廓检测处理，获得目标的第二样本轮廓；距离场模块，用于根据第二样本三维图像的标注信息，获得所述第二样本三维图像中的各像素点相对于所述目标的标注轮廓的距离场；第二损失模块，用于根据所述距离场、所述第二样本轮廓以及所述标注轮廓，确定所述第二分割网络的第二网络损失；第二训练模块，用于根据所述第二网络损失，训练所述第二分割网络。
根据本公开的一方面，提供了一种电子设备，包括：
处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行上述三维图像处理方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述三维图像处理方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的三维图像处理的流程图。
图2示出根据本公开实施例的第一分割网络的示意图。
图3A和图3B示出根据本公开实施例的三维图像处理方法的应用示意图。
图4示出根据本公开实施例的三维图像处理装置的框图。
图5示出根据本公开实施例的电子装置的框图。
图6示出根据本公开实施例的电子装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的三维图像处理方法的流程图，如图1所示，所述方法包括：
在步骤S11中，对第一三维图像进行第一轮廓检测处理，获得目标对象的第一轮廓，其中，所述目标对象的第一轮廓所在区域的像素点分配的权重大于背景区域的像素点的权重；
在步骤S12中，根据所述第一轮廓所在区域的像素点的权重，对第一三维图像进行裁剪处理，获得第一三维图像块，其中，所述第一三维图像块为包括所述第一轮廓的三维图像块；
在步骤S13中，对所述第一三维图像块进行第二轮廓检测处理，获得所述目标对象的第二轮廓。
根据本公开的实施例的三维图像处理方法，可对三维图像进行轮廓检测处理，并可对三维图像块进行精细地分割，获得目标对象的精确轮廓，可提升分割效果，并且可减少三维空间的信息损失。并且，可直接获得目标对象的三维轮廓，可减少三维建模等后续处理，并可提升可视化效果，有助于提升诊断效率。
在一种可能的实现方式中，所述三维图像处理方法可以由终端设备或其它处理设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中，该三维图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
在一种可能的实现方式中，所述第一三维图像可以是膝关节的三维图像数据，所述目标对象可包括膝盖软骨、半月板等膝盖结构。可通过图像采集设备(例如CT机、核磁共振MR设备)对被测对象(例如患者)的膝盖区域进行扫描，从而获得第一三维图像。应当理解，第一三维图像也可以是其他区域或其他类型的图像，本公开对第一三维图像区域、类型及具体获取方式不作限制。
在一种可能的实现方式中，第一三维图像也可以是公共骨关节炎计划(OAI，Osteoarthritis Initiative)数据库提供的三维核磁共振膝关节三维图像数据(原始的待处理三维图像)经过预处理后的图像数据。在示例中，可对分辨率较高的待处理图像进行预处理，获得第一三维图像。
在示例中，公共骨关节炎计划数据库中的待处理三维图像的分辨率可较高，可方便医生等使用者查看高清的三维图像，例如，待处理三维图像的分辨率为0.365mm×0.365mm×0.7mm，尺寸为384×384×160。可对待处理三维图像进行预处理，提高训练效率。
在一种可能的实现方式中，所述方法还包括：对待处理三维图像进行下采样处理，获得第二三维图像；对所述第二三维图像进行归一化处理，获得所述第一三维图像。
在一种可能的实现方式中，可对待处理三维图像进行下采样处理，例如，可通过线性、最近邻插值等方式进行下采样处理，本公开对下采样处理的处理方式不做限制。在示例中，可将分辨率为0.365mm×0.365mm×0.7mm的待处理三维图像进行下采样处理，获得空间分辨率为0.73mm×0.73mm×0.7mm的第二三维图像。本公开对待处理三维图像和第二三维图像的分辨率不做限制。
在一种可能的实现方式中，可对第二三维图像的像素值进行归一化处理。在示例中，可首先统计第二三维图像中所有像素点的像素值获得像素值的第1百分位数和第99百分位数，进一步地，可将大于第99百分位数的像素点的像素值置为第99百分位数，并将小于第1百分位数的像素值置为第1百分位数。随后，可将所有像素点的像素值归一化至[0，1]区间内，获得归一化后的第一三维图像，可提升网络训练的数值稳定性。
在一种可能的实现方式中，在步骤S11中，可通过卷积神经网络等深度学习网络对第一三维图像进行第一轮廓检测处理，例如，可通过第一分割网络对第一三维图像进行第一轮廓检测处理。
图2示出根据本公开实施例的第一分割网络的示意图。如图2所示，可通过第一分割网络对第一三维图像进行第一轮廓检测处理。
在一种可能的实现方式中，步骤S11可包括：对所述第一三维图像进行特征提取处理，获得第二特征信息，在所述第二特征信息中，所述目标对象的第一轮廓所在区域的像素点分配的权重大于背景区域的像素点的权重；根据所述第一轮廓所在区域的像素点的权重以及所述第二特征信息，获得所述第一轮廓。
在一种可能的实现方式中，所述特征提取处理可通过第一分割网络实现，第一分割网络可采用VNet的编码-解码结构(也即多级下采样+多级上采样)，本公开对第一分割网络的网络结构不作限制。
在一种可能的实现方式中，对所述第一三维图像块进行特征提取处理，获得第四特征信息，包括：对所述第一三维图像进行第一编码处理，获得第一特征信息；对所述第一特征信息进行第一权重分配处理，获得所述第二特征信息。
在一种可能的实现方式中，可通过第一分割网络的残差块对第一三维图像进行编码处理，在示例中，由于半月板等目标对象在第一三维图像中所占的比例较小，可通过编码处理对第一三维图像进行三次下采样，即，通过三个残差块对第一三维图像进行编码处理。在示例中，也可通过其他方式进行编码处理，例如，可通过卷积等方式进行编码处理，获得所述第一特征信息，所述第一特征信息可以是分辨率低于第一三维图像的三维图像。本公开对编码处理的方式不做限制。
在一种可能的实现方式中，所述残差块可包括下采样层、归一化层和激活层等网络层级。在示例中，归一化层可采用组归一化(Group Normalization)的方式对特征信息进行归一化处理，所述激活层可采用指数线性单元(Exponential Linear Unit，ELU)函数作为激活函数，以对特征信息进行激活处理，本公开对残差块的结构不做限制。
在一种可能的实现方式中，可通过第一分割网络的权重分配块进行第一权重分配处理，在示例中，所述权重分配模块可包括scSE(spatial channel Squeeze Excitation，空间-特征注意力)模块，可提高目标对象所在位置的像素点的权重，和/或降低背景区域的像素点的权重。进一步地，所述权重分配块还可包括归一化层和激活层等网络层级，本公开对权重分配块的结构不做限制。所述权重分配块可使得目标对象所在位置(即，目标对象的第一轮廓所在区域的)的像素点的权重大于背景区域的像素点的权重，获得第二特征信息。在示例中，所述目标对象为半月板，则在第二特征信息中，半月板的轮廓所在位置的像素点的权重大于膝盖的其他区域的像素点的权重。
在一种可能的实现方式中，可根据第一轮廓所在区域的像素点的权重以及第二特征信息，获得第一轮廓。在示例中，可通过第一分割网络的卷积块根据第一轮廓所在区域的像素点的权重进行第一解码处理，在示例中，可通过三个卷积块对第二特征信息进行第一解码处理，获得第一三维图像分辨率相同的三维图像，且在该三维图像中，可根据第一轮廓所在区域的像素点的权重识别出目标对象的第一轮廓，例如，可识别出权重较高的区域，即，第一轮廓所在区域。在示例中，所述第一分割网络可对目标对象的第一轮廓进行选择。在示例中，所述卷积块可包括卷积层、归一化层和激活层等网络层级。本公开对卷积块的结构不做限制。
通过这种方式，可通过第一权重分配处理来增加目标对象的第一轮廓所在位置的像素点的权重，有助于提高识别目标对象的第一轮廓的精确度。
在一种可能的实现方式中，在确定目标对象的第一轮廓后，可根据第一轮廓所在区域的像素点的权重对所述待处理三维图像进行裁剪处理。例如，可第一轮廓所在区域的权重较高，可确定第一三维图像中权重较高的区域，并进行剪裁处理。也可根据第一三维图像中权重较高的区域，确定分辨率较高的待处理三维图像中的对应区域，并进行裁剪。经过剪裁处理，可获得较小范围的第一三维图像块，以用于获得精度更高的轮廓。例如，可根据第一轮廓确定目标对象的最左端、最右端、最上端、最下端、最前端和最后端几个顶点物理坐标，并根据上述顶点裁剪出待处理三维图像中的立方体区域，作为第二分割网络的输入图像。
在一种可能的实现方式中，步骤S12可包括：根据所述第一轮廓所在区域的像素点的权重，确定所述第一三维图像中包括所述目标对象的第一目标区域；根据所述第一目标区域，对所述第一三维图像进行裁剪处理，获得所述第一三维图像块。
在一种可能的实现方式中，可根据第一轮廓，确定第一三维图像中包括目标对象的第一目标区域。例如，第一轮廓所在区域的权重较高，可确定第一三维图像中权重较高的区域，并进行剪裁处理。或者，根据第一三维图像中权重较高的区域，确定待处理三维图像中对应的目标对象的轮廓所在的区域并进行剪裁。进一步地，在剪裁前，还可对待处理三维图像进行归一化处理，并对归一化处理后的待处理图像进行剪裁。本公开对待处理图像的预处理不做限制。
在示例中，可对第一轮廓所在区域的最左端、最右端、最上端、最下端、最前端和最后端几个顶点，并根据上述顶点确定三维的立方体区域，即，第一目标区域。并可对第一目标区域进行裁剪(切割、划分)处理，即，取出第一三维图像中或归一化处理后的待处理图像中的第一目标区域，获得第一三维图像块。
通过这种方式，可获得分辨率较高的第一三维图像块，并可在后续处理中对第一三维图像块中的目标对象进行识别，滤除冗余的信息，减少干扰因素，并提高结果精度。
在一种可能的实现方式中，可通过卷积神经网络等深度学习网络对第一三维图像块进行第二轮廓检测处理，例如，可通过第二分割网络对第一三维图像块进行第二轮廓检测处理。所述第二分割网络的网络结构可与第一分割网络相同，例如，第二分割网络可采用VNet的编码-解码结构(也即多级下采样+多级上采样)。或者，第二分割网络也可采用其他的网络结构。本公开对第二分割网络的网络结构不作限制。
在一种可能的实现方式中，步骤S13可包括：对所述第一三维图像块进行特征提取处理，获得第四特征信息，在所述第四特征信息中，所述目标对象的第二轮廓所在区域的像素点分配的权重大于背景区域的像素点的权重；根据所述第二轮廓所在区域的像素点的权重以及所述第四特征信息，获得所述目标对象的轮廓。
在一种可能的实现方式中，对所述第一三维图像块进行特征提取处理，获得第四特征信息，包括：对所述第一三维图像块进行第二编码处理，获得第三特征信息；对所述第二特征信息进行第二权重分配处理，获得所述第四特征信息。
在一种可能的实现方式中，可通过第二分割网络的残差块对第一三维图像块进行编码处理，在示例中，可通过编码处理对第一三维图像块进行三次下采样，即，通过三个残差块对第一三维图像块进行编码处理。在示例中，也可通过其他方式进行编码处理，例如，可通过卷积等方式进行编码处理，获得所述第三特征信息，所述第三特征信息可以是分辨率低于第一三维图像块的三维图像。本公开对编码处理的方式不做限制。
在一种可能的实现方式中，可通过第二分割网络的权重分配块进行第二权重分配处理，在示例中，所述权重分配模块可包括scSE(spatial channel Squeeze Excitation，空间-特征注意力)模块，可提高目标对象所在位置的像素点的权重，和/或降低背景区域的像素点的权重。进一步地，所述权重分配块还可包括归一化层和激活层等网络层级，本公开对权重分配块的结构不做限制。所述权重分配块可使得目标对象所在位置(即，目标对象的第二轮廓所在区域的)的像素点的权重大于背景区域的像素点的权重，获得第四特征信息。在示例中，所述目标对象为半月板，则在第四特征信息中，半月板的轮廓所在位置的像素点的权重大于其他区域的像素点的权重。
在一种可能的实现方式中，可根据第二轮廓所在区域的像素点的权重以及第四特征信息，获得目标对象的轮廓。在示例中，可通过第二分割网络的卷积块根据第二轮廓所在区域的像素点的权重进行第二解码处理，在示例中，可通过三个卷积块对第四特征信息进行第二解码处理，获得第一三维图像块分辨率相同的三维图像，且在该三维图像中，可根据第二轮廓所在区域的像素点的权重识别出目标对象的第二轮廓，例如，可识别出权重较高的区域，即，第二轮廓所在区域。在示例中，所述第二分割网络可对目标对象的第二轮廓进行选择。在示例中，所述卷积块可包括卷积层、归一化层和激活层等网络层级。本公开对卷积块的结构不做限制。
通过这种方式，可在分辨率较高的第一三维图像块中较精确地确定目标对象的轮廓，有助于对目标对象的检测和识别。
在一种可能的实现方式中，在使用第一分割网络和第二分割网络之前，可对第一分割网络和第二分割网络进行训练。
在一种可能的实现方式中，所述方法还包括：通过第一分割网络对第一样本三维图像进行第一轮廓检测处理，获得第一样本轮廓；根据所述第一样本轮廓和所述第一样本三维图像的标注信息，确定所述第一分割网络的第一网络损失；根据所述第一网络损失，训练所述第一分割网络。
在示例中，所述第一样本三维图像可以是公共骨关节炎计划数据库提供的三维核磁共振膝关节三维图像数据，也可以是通过图像采集设备(例如CT机、核磁共振MR设备)对被测对象(例如患者)的膝盖区域进行扫描，从而获得三维图像数据。并由专业人员(例如，医生)对目标对象(例如，半月板)的轮廓进行标注。
在一种可能的实现方式中，可将第一样本三维图像输入第一分割网络进行第一轮廓检测处理，第一分割网络可检测到目标对象的第一样本轮廓，但第一样本轮廓可能有误差。
在一种可能的实现方式中，第一样本三维图像的标注信息可以是准确的，可通过第一样本轮廓和第一样本三维图像的标注信息之间的差异(即，第一样本轮廓的误差)确定第一分割网络的第一网络损失。
在一种可能的实现方式中，可使用所述第一网络损失训练第一分割网络，例如，可通过梯度下降法对所述第一网络损失进行反向传播，以调整第一分割网络的网络参数，使得第一网络损失减小。
在一种可能的实现方式中，可迭代执行上述训练处理，直到第一网络损失减小到预设阈值以下，或收敛于预设区间内，或者训练次数达到预设次数等，本公开对训练条件不做限制。在满足训练条件后，可获得训练后的第一分割网络。可用于对第一三维图像进行第一轮廓检测处理。
在一种可能的实现方式中，还可对第二分割网络进行训练，所述方法还包括：通过第二分割网络对第二样本三维图像进行轮廓检测处理，获得目标的第二样本轮廓；根据第二样本三维图像的标注信息，获得所述第二样本三维图像中的各像素点相对于所述目标的标注轮廓的距离场；根据所述距离场、所述第二样本轮廓以及所述标注轮廓，确定所述第二分割网络的第二网络损失；根据所述第二网络损失，训练所述第二分割网络。
在一种可能的实现方式中，所述第二样本三维图像可以是公共骨关节炎计划数据库提供的三维核磁共振膝关节三维图像数据，也可以是通过图像采集设备(例如CT机、核磁共振MR设备)对被测对象(例如患者)的膝盖区域进行扫描，从而获得三维图像数据。并由专业人员(例如，医生)对目标对象(例如，半月板)的轮廓进行标注。
在一种可能的实现方式中，可将第二样本三维图像输入第二分割网络进行第二轮廓检测处理，第二分割网络可检测到目标对象的第二样本轮廓，但第二样本轮廓可能有误差。
在一种可能的实现方式中，为检测到更精确的轮廓，可在第二分割网络的损失函数中加入惩罚项，例如，在第二样本三维图像中，像素点与目标对象的轮廓之间的距离越远，惩罚项的数值可越大。可在训练过程中，使得第二分割网络更容易排除更加远离目标轮廓的对象(由于惩罚项的数值较大，导致损失函数较大，即，误差较大，因此容易识别)，进而识别出目标对象的轮廓(即，惩罚项的数值较小或为零，使得损失函数较小，即，误差较小)。
在示例中，第二样本三维图像的标注信息可以是准确的，可根据第二样本三维图像的标注信息确定各像素点相对于所述目标的标注轮廓的距离场，即，像素点与标注轮廓的距离。
在示例中，可根据以下公式(1)确定所述惩罚项L：
其中，D为各像素点相对于标注轮廓的距离场。在示例中，可将首先获得各像素点相对于标注轮廓的距离，并设定距离阈值(例如，10等)，可将大于距离阈值的像素点的距离置为距离阈值。进一步的，可将各像素点的距离进行归一化处理，获得归一化后的各像素点与标注轮廓的距离值，即，距离场D。P为第二样本轮廓的各像素点的位置，G为标注轮廓的各像素点的位置。sum表示求和处理。
在一种可能的实现方式中，可根据惩罚项、标注轮廓和第二样本轮廓确定第二网络损失。在示例中，可根据标注轮廓和第二样本轮廓确定第二轮廓的误差(与第一网络损失类似)，并在使误差与惩罚项相加，获得所述第二网络损失。本公开对第二网络损失的形式不做限制。
在一种可能的实现方式中，可使用所述第二网络损失训练第二分割网络，例如，可通过梯度下降法对所述第二网络损失进行反向传播，以调整第二分割网络的网络参数，使得第二网络损失减小。
在一种可能的实现方式中，可迭代执行上述训练处理，直到第二网络损失减小到预设阈值以下，或收敛于预设区间内，或者训练次数达到预设次数等，本公开对训练条件不做限制。在满足训练条件后，可获得训练后的第二分割网络。可用于对第二三维图像进行第二轮廓检测处理。
通过这种方式，可在第二网络损失中加入惩罚项，以增大非目标对象的误差，使第二分割网络能够更精确的识别目标对象的第二轮廓。
根据本公开的实施例的三维图像处理方法，可对三维图像进行轮廓检测处理，并可对三维图像块进行精细地分割，获得目标对象的精确轮廓，可提升分割效果，并且可减少三维空间的信息损失。并可通过权重分配处理来增加目标对象的轮廓所在位置的像素点的权重，有助于提高识别目标对象的轮廓的精确度。进一步地，可在第二网络损失中加入惩罚项，以增大非目标对象的误差，使第二分割网络能够更精确的识别目标对象的第二轮廓。可直接获得目标对象的三维轮廓，可减少三维建模等后续处理，并可提升可视化效果，有助于提升诊断效率。
图3A和图3B示出根据本公开实施例的三维图像处理方法的应用示意图。图3A示出了公共骨关节炎计划数据库提供的三维核磁共振膝关节三维图像，或者通过图像采集设备(例如CT机、核磁共振MR设备)对被测对象(例如患者)的膝盖区域进行扫描，获得的三维图像，即，待处理图像。在待处理图像中，可包括多个关节组织，例如，股骨、胫骨以及半月板(例如，外侧半月板和内侧半月板)。
在一种可能的实现方式中，待处理图像的分辨率为0.365mm×0.365mm×0.7mm，尺寸为384×384×160。可对待处理三维图像进行预处理，以降低计算开销，提高处理效率。在示例中，可对待处理三维图像进行下采样处理，可获得分辨率为0.73mm×0.73mm×0.7mm的第二三维图像。并可对第二三维图像进行归一化处理，获得第一三维图像。
在一种可能的实现方式中，可通过第一分割网络对第一三维图像进行第一轮廓检测处理。第一分割网络可采用VNet的编码-解码结构，第一分割网络的残差块可对第一三维图像进行第一编码处理，例如，可通过编码处理对第一三维图像进行三次下采样，获得第一特征信息。
在一种可能的实现方式中，第一分割网络的权重分配块可对第一特征信息进行第一权重分配处理，可提高目标对象(例如，半月板)所在位置的像素点的权重，和/或降低背景区域的像素点的权重，获得第二特征信息。在第二特征信息中，半月板的轮廓所在位置的像素点的权重大于膝盖的其他区域的像素点的权重。
在一种可能的实现方式中，可通过第一分割网络的卷积块对第二特征信息进行第一解码处理，获得第一三维图像分辨率相同的三维图像。在该三维图像中，可识别出半月板的第一轮廓。
在一种可能的实现方式中，可根据第一轮廓，确定第一三维图像中对应的目标对象的轮廓所在的位置，并确定目标对象的轮廓的最左端、最右端、最上端、最下端、最前端和最后端几个顶点，并根据上述顶点分割出三维的立方体区域，即，第一目标区域。进而可对第一目标区域进行分割处理，取出第一三维图像中的第一目标区域，获得第一三维图像块。
在一种可能的实现方式中，可通过第二分割网络对分辨率较高的第一三维图像块进行第二轮廓检测处理。第二分割网络的网络结构可与第一分割网络相同，例如，第二分割网络可采用VNet的编码-解码结构。
在一种可能的实现方式中，可通过第二分割网络的残差块对第一三维图像块进行编码处理，获得第三特征信息。并通过第二分割网络的权重分配块进行第二权重分配处理，获得第四特征信息，在第四特征信息中，半月板的轮廓所在位置的像素点的权重大于其他区域的像素点的权重。进一步地，可通过第二分割网络的卷积块进行第二解码处理，获得第一三维图像块分辨率相同的三维图像，且在该三维图像中，可识别出半月板的第二轮廓(如图3B所示)。可在分辨率较高的第一三维图像块中较精确地确定半月板的轮廓，有助于专业人员(例如医生)分辨出半月板的轮廓(例如，外缘厚、内缘薄的轮廓)，并对半月板损伤进行诊断。
在一种可能的实现方式中，所述三维图像处理方法可用于医学影像的处理中。可自动分割出目标对象(例如，半月板)的轮廓，有助于医生根据三维重建影像快速检查半月板形态、体积、损伤部位，提高医生的诊断效率。为膝关节相关的治疗规划提供指导数据。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了三维图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种三维图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图4示出根据本公开实施例的三维图像处理装置的框图，如图4所示，所述装置包括：
第一检测模块11，用于对第一三维图像进行第一轮廓检测处理，获得目标对象的第一轮廓，其中，所述目标对象的第一轮廓所在区域的像素点分配的权重大于背景区域的像素点的权重；
裁减模块12，用于根据所述第一轮廓所在区域的像素点的权重，对第一三维图像进行裁剪处理，获得第一三维图像块，其中，所述第一三维图像块为包括所述第一轮廓的三维图像块；
第二检测模块13，用于对所述第一三维图像块进行第二轮廓检测处理，获得所述目标对象的第二轮廓。
在一种可能的实现方式中，所述第一检测模块进一步用于：对所述第一三维图像进行特征提取处理，获得第二特征信息，在所述第二特征信息中，所述目标对象的第一轮廓所在区域的像素点分配的权重大于背景区域的像素点的权重；根据所述第一轮廓所在区域的像素点的权重以及所述第二特征信息，获得所述第一轮廓。
在一种可能的实现方式中，所述第一检测模块进一步用于：对所述第一三维图像进行第一编码处理，获得第一特征信息；对所述第一特征信息进行第一权重分配处理，获得所述第二特征信息。
在一种可能的实现方式中，所述第二检测模块进一步用于：对所述第一三维图像块进行特征提取处理，获得第四特征信息，在所述第四特征信息中，所述目标对象的第二轮廓所在区域的像素点分配的权重大于背景区域的像素点的权重；根据所述第二轮廓所在区域的像素点的权重以及所述第四特征信息，获得所述目标对象的轮廓。
在一种可能的实现方式中，所述第二检测模块进一步用于：对所述第一三维图像块进行第二编码处理，获得第三特征信息；对所述第二特征信息进行第二权重分配处理，获得所述第四特征信息。
在一种可能的实现方式中，所述装置还包括：下采样模块，用于对待处理三维图像进行下采样处理，获得第二三维图像；归一化模块，用于对所述第二三维图像进行归一化处理，获得所述第一三维图像。
在一种可能的实现方式中，所述剪裁模块进一步用于：根据所述第一轮廓所在区域的像素点的权重，确定所述第一三维图像中包括所述目标对象的第一目标区域；根据所述第一目标区域，对所述第一三维图像进行裁剪处理，获得所述第一三维图像块。
在一种可能的实现方式中，所述第一轮廓检测处理通过第一分割网络实现，其中，所述装置还包括：第一轮廓模块，用于通过第一分割网络对第一样本三维图像进行第一轮廓检测处理，获得第一样本轮廓；第一损失模块，用于根据所述第一样本轮廓和所述第一样本三维图像的标注信息，确定所述第一分割网络的第一网络损失；第一训练模块，用于根据所述第一网络损失，训练所述第一分割网络。
在一种可能的实现方式中，所述第二轮廓检测处理通过第二分割网络实现，其中，所述装置还包括：第二轮廓模块，用于通过第二分割网络对第二样本三维图像进行轮廓检测处理，获得目标的第二样本轮廓；距离场模块，用于根据第二样本三维图像的标注信息，获得所述第二样本三维图像中的各像素点相对于所述目标的标注轮廓的距离场；第二损失模块，用于根据所述距离场、所述第二样本轮廓以及所述标注轮廓，确定所述第二分割网络的第二网络损失；第二训练模块，用于根据所述第二网络损失，训练所述第二分割网络。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (12)
1.一种三维图像处理方法，其特征在于，包括：
对第一三维图像进行第一轮廓检测处理，获得目标对象的第一轮廓，其中，所述目标对象的第一轮廓所在区域的像素点分配的权重大于背景区域的像素点的权重；
根据所述第一轮廓所在区域的像素点的权重，对第一三维图像进行裁剪处理，获得第一三维图像块，其中，所述第一三维图像块为包括所述第一轮廓的三维图像块；
对所述第一三维图像块进行第二轮廓检测处理，获得所述目标对象的第二轮廓。
2.根据权利要求1所述的方法，其特征在于，对第一三维图像进行第一轮廓检测处理，获得目标对象的第一轮廓，包括：
对所述第一三维图像进行特征提取处理，获得第二特征信息；
在所述第二特征信息中，所述目标对象的第一轮廓所在区域的像素点分配的权重大于背景区域的像素点的权重；
根据所述第一轮廓所在区域的像素点的权重以及所述第二特征信息，获得所述第一轮廓。
3.根据权利要求1所述的方法，其特征在于，对所述第一三维图像进行特征提取处理，获得第二特征信息，包括：
对所述第一三维图像进行第一编码处理，获得第一特征信息；
对所述第一特征信息进行第一权重分配处理，获得所述第二特征信息。
4.根据权利要求1所述的方法，其特征在于，对所述第一三维图像块进行第二轮廓检测处理，获得所述目标对象的第二轮廓，包括：
对所述第一三维图像块进行特征提取处理，获得第四特征信息，在所述第四特征信息中，所述目标对象的第二轮廓所在区域的像素点分配的权重大于背景区域的像素点的权重；
根据所述第二轮廓所在区域的像素点的权重以及所述第四特征信息，获得所述目标对象的轮廓。
5.根据权利要求4所述的方法，其特征在于，对所述第一三维图像块进行特征提取处理，获得第四特征信息，包括：
对所述第一三维图像块进行第二编码处理，获得第三特征信息；
对所述第二特征信息进行第二权重分配处理，获得所述第四特征信息。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对待处理三维图像进行下采样处理，获得第二三维图像；
对所述第二三维图像进行归一化处理，获得所述第一三维图像。
7.根据权利要求1所述的方法，其特征在于，所述根据所述第一轮廓所在区域的像素点的权重，对所述第一三维图像进行裁剪处理，获得第一三维图像块，包括：
根据所述第一轮廓所在区域的像素点的权重，确定所述第一三维图像中包括所述目标对象的第一目标区域；
根据所述第一目标区域，对所述第一三维图像进行裁剪处理，获得所述第一三维图像块。
8.根据权利要求1所述的方法，其特征在于，所述第一轮廓检测处理通过第一分割网络实现，
其中，所述方法还包括：
通过第一分割网络对第一样本三维图像进行第一轮廓检测处理，获得第一样本轮廓；
根据所述第一样本轮廓和所述第一样本三维图像的标注信息，确定所述第一分割网络的第一网络损失；
根据所述第一网络损失，训练所述第一分割网络。
9.根据权利要求1所述的方法，其特征在于，所述第二轮廓检测处理通过第二分割网络实现，
其中，所述方法还包括：
通过第二分割网络对第二样本三维图像进行轮廓检测处理，获得目标的第二样本轮廓；
根据第二样本三维图像的标注信息，获得所述第二样本三维图像中的各像素点相对于所述目标的标注轮廓的距离场；
根据所述距离场、所述第二样本轮廓以及所述标注轮廓，确定所述第二分割网络的第二网络损失；
根据所述第二网络损失，训练所述第二分割网络。
10.一种三维图像处理装置，其特征在于，包括：
第一检测模块，用于对第一三维图像进行第一轮廓检测处理，获得目标对象的第一轮廓，其中，所述目标对象的第一轮廓所在区域的像素点分配的权重大于背景区域的像素点的权重；
裁减模块，用于根据所述第一轮廓所在区域的像素点的权重，对第一三维图像进行裁剪处理，获得第一三维图像块，其中，所述第一三维图像块为包括所述第一轮廓的三维图像块；
第二检测模块，用于对所述第一三维图像块进行第二轮廓检测处理，获得所述目标对象的第二轮廓。
11.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至9中任意一项所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011054543.3A CN112200820A (zh) | 2020-09-29 | 2020-09-29 | 三维图像处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011054543.3A CN112200820A (zh) | 2020-09-29 | 2020-09-29 | 三维图像处理方法及装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112200820A true CN112200820A (zh) | 2021-01-08 |
Family
ID=74007052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011054543.3A Withdrawn CN112200820A (zh) | 2020-09-29 | 2020-09-29 | 三维图像处理方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112200820A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113706565A (zh) * | 2021-07-23 | 2021-11-26 | 泰康保险集团股份有限公司 | 图像分割的方法、装置、电子设备和存储介质 |
| CN118230889A (zh) * | 2024-05-23 | 2024-06-21 | 浙江飞图影像科技有限公司 | 基于深度学习的医学影像报告自动生成方法及系统 |
-
2020
- 2020-09-29 CN CN202011054543.3A patent/CN112200820A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113706565A (zh) * | 2021-07-23 | 2021-11-26 | 泰康保险集团股份有限公司 | 图像分割的方法、装置、电子设备和存储介质 |
| CN113706565B (zh) * | 2021-07-23 | 2023-09-01 | 泰康保险集团股份有限公司 | 图像分割的方法、装置、电子设备和存储介质 |
| CN118230889A (zh) * | 2024-05-23 | 2024-06-21 | 浙江飞图影像科技有限公司 | 基于深度学习的医学影像报告自动生成方法及系统 |
| CN118230889B (zh) * | 2024-05-23 | 2024-08-02 | 浙江飞图影像科技有限公司 | 基于深度学习的医学影像报告自动生成方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647834B (zh) | 人脸和人手关联检测方法及装置、电子设备和存储介质 | |
| CN110348537B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN111310764B (zh) | 网络训练、图像处理方法及装置、电子设备和存储介质 | |
| CN109522910B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
| CN109829920B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN110674719B (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
| CN110378976B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN110675409A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN111899268B (zh) | 图像分割方法及装置、电子设备和存储介质 | |
| CN109344832B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN109948494B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN110688951A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN113538519A (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
| CN110569854A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN113012166A (zh) | 颅内动脉瘤分割方法及装置、电子设备和存储介质 | |
| CN111445493A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN112967291B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN111243011A (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
| CN110458218B (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
| CN110751659B (zh) | 图像分割方法及装置、终端、存储介质 | |
| CN111652107B (zh) | 对象计数方法及装置、电子设备和存储介质 | |
| CN111523485A (zh) | 位姿识别方法及装置、电子设备和存储介质 | |
| CN111640114B (zh) | 图像处理方法及装置 | |
| CN111311588B (zh) | 重定位方法及装置、电子设备和存储介质 | |
| CN111882558A (zh) | 图像处理方法及装置、电子设备和存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210108 |
|
| WW01 | Invention patent application withdrawn after publication |