CN112288708A - Ct图像中淋巴结的检测方法、装置、介质及电子设备 - Google Patents

Ct图像中淋巴结的检测方法、装置、介质及电子设备 Download PDF

Info

Publication number
CN112288708A
CN112288708A CN202011167553.8A CN202011167553A CN112288708A CN 112288708 A CN112288708 A CN 112288708A CN 202011167553 A CN202011167553 A CN 202011167553A CN 112288708 A CN112288708 A CN 112288708A
Authority
CN
China
Prior art keywords
image
dimensional
images
layer
area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011167553.8A
Other languages
English (en)
Other versions
CN112288708B (zh
Inventor
印宏坤
张荣国
李新阳
王少康
陈宽
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.)
Infervision Medical Technology Co Ltd
Original Assignee
Infervision Medical Technology 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 Infervision Medical Technology Co Ltd filed Critical Infervision Medical Technology Co Ltd
Priority to CN202011167553.8A priority Critical patent/CN112288708B/zh
Publication of CN112288708A publication Critical patent/CN112288708A/zh
Application granted granted Critical
Publication of CN112288708B publication Critical patent/CN112288708B/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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/20—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种CT图像中淋巴结的检测方法、装置、计算机可读存储介质以及电子设备，通过获取CT图像后将CT图像中的每层二维图像输入训练好的神经网络模型，直接得到每层二维图像中包含淋巴结图像的区域图像，最后基于区域图像的位置关系，将所有的区域图像融合以得到三维淋巴结图像；通过将CT图像拆分为二维图像并利用神经网络模型进行自动识别和分割，以得到每层二维图像中的淋巴结图像所在的区域图像，然后将区域图像融合得到三维淋巴结图像，这样可以利用二维图像处理难度较小且准确度较高的特点先得到淋巴结图像的二维图像，然后将二维图像融合得到三维图像，在降低检测难度的同时提高检测效率。

Description

CT图像中淋巴结的检测方法、装置、介质及电子设备
技术领域
本申请涉及图像处理领域，具体涉及一种CT图像中淋巴结的检测方法、装置、计算机可读存储介质以及电子设备。
背景技术
随着人工智能技术的不断发展，特别是在图像处理方面的技术，使得神经网络模型大量应用于以图像识别和分割为基层的领域，例如医学图像诊断等。
在CT影像中相比于肺结节的检测，淋巴结由于被信号强度相似的肌肉和脂肪组织包裹，往往较难识别。淋巴结在颈部分布广、数量大、部分淋巴结位置较深，颈部结构复杂精细，且有如动脉、神经等重要组织走形其中，因此头颈部淋巴结的准确检测非常具有挑战。
发明内容
为了解决上述技术问题，本申请提出了一种CT图像中淋巴结的检测方法、装置、计算机可读存储介质以及电子设备，通过获取CT图像后将CT图像中的每层二维图像输入训练好的神经网络模型，直接得到每层二维图像中包含淋巴结图像的区域图像，最后基于区域图像的位置关系，将所有的区域图像融合以得到三维淋巴结图像；通过将CT图像拆分为二维图像并利用神经网络模型进行自动识别和分割，以得到每层二维图像中的淋巴结图像所在的区域图像，然后将区域图像融合得到三维淋巴结图像，这样可以利用二维图像处理难度较小且准确度较高的特点先得到淋巴结图像的二维图像，然后将二维图像融合得到三维图像，在降低检测难度的同时提高检测效率。
根据本申请的一个方面，提供了一种CT图像中淋巴结的检测方法，包括：获取CT图像，所述CT图像包括多层二维图像；将所述CT图像中的每层二维图像输入神经网络模型，得到每层二维图像中包含淋巴结图像的区域图像；以及基于所述区域图像的位置关系，将所有的所述区域图像融合，得到三维淋巴结图像。
在一实施例中，所述基于所述区域图像的位置关系，将所有的所述区域图像融合包括：计算相邻的所述二维图像中的所述区域图像之间的匹配度；以及当所述匹配度大于预设阈值时，将该相邻的所述二维图像中的所述区域图像叠加。
在一实施例中，所述计算相邻的所述二维图像中的所述区域图像之间的匹配度包括：分别计算相邻的所述二维图像中的所述区域图像的第一面积和第二面积；计算相邻的所述二维图像中的所述区域图像沿所述二维图像层叠方向的正投影重叠区域的第三面积；以及根据所述第一面积、所述第二面积和所述第三面积，计算得到所述匹配度。
在一实施例中，所述根据所述第一面积、所述第二面积和所述第三面积，计算得到所述匹配度包括：所述匹配度等于所述第三面积与所述第一面积、所述第二面积中的最小值的比值。
在一实施例中，所述将所有的所述区域图像融合包括：当融合得到的三维图像中对应同一位置的所述区域图像为连续的N层二维图像且N大于预设数量阈值时，确定该三维图像为三维淋巴结图像；其中N为大于1的整数。
在一实施例中，所述神经网络模型的训练方法包括：将训练样本输入所述神经网络模型进行学习；其中，所述训练样本为包含多层二维训练图像的训练CT图像，且所述多层二维训练图像中包含淋巴结区域的分割图像。
在一实施例中，所述分割图像的获取方法包括：获取所述训练CT图像中淋巴结区域按照二维训练图像的层叠方向所在的首层二维训练图像、尾层二维训练图像以及位于所述首层二维训练图像和所述尾层二维训练图像之间的中间最大层图像；其中，所述淋巴结区域位于所述中间最大层图像上的区域面积大于所述淋巴结区域位于所述首层二维训练图像和所述尾层二维训练图像之间的其他二维训练图像上的区域面积；分别计算所述首层二维训练图像的首层分割区域、所述尾层二维训练图像的尾层分割区域和所述中间最大层图像的中间最大分割区域；以及根据所述首层分割区域、所述尾层分割区域和所述中间最大分割区域，生成所述训练CT图像的分割图像。
在一实施例中，所述根据所述首层分割区域、所述尾层分割区域和所述中间最大分割区域，生成所述训练CT图像的分割图像包括：根据所述首层分割区域和所述中间最大分割区域，按照等差调整的方式生成所述首层和所述中间最大层之间的二维训练图像的分割区域；以及根据所述尾层分割区域和所述中间最大分割区域，按照等差调整的方式生成所述尾层和所述中间最大层之间的二维训练图像的分割区域。
在一实施例中，在所述将训练样本输入所述神经网络模型进行学习之前，所述训练方法还包括：对所述训练样本进行数据扩增处理。
在一实施例中，所述数据扩增处理包括以下操作中的任一种或多种的组合：缩放、平移、旋转、翻转、增加噪声。
根据本申请的另一个方面，提供了一种CT图像中淋巴结的检测装置，包括：获取模块，用于获取CT图像，所述CT图像包括多层二维图像；检测模块，用于将所述CT图像中的每层二维图像输入神经网络模型，得到每层二维图像中包含淋巴结图像的区域图像；以及融合模块，用于基于所述区域图像的位置关系，将所有的所述区域图像融合，得到三维淋巴结图像。
根据本申请的另一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一所述的检测方法。
根据本申请的另一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于执行上述任一所述的检测方法。
本申请提供的一种CT图像中淋巴结的检测方法、装置、计算机可读存储介质以及电子设备，通过获取CT图像后将CT图像中的每层二维图像输入训练好的神经网络模型，直接得到每层二维图像中包含淋巴结图像的区域图像，最后基于区域图像的位置关系，将所有的区域图像融合以得到三维淋巴结图像；通过将CT图像拆分为二维图像并利用神经网络模型进行自动识别和分割，以得到每层二维图像中的淋巴结图像所在的区域图像，然后将区域图像融合得到三维淋巴结图像，这样可以利用二维图像处理难度较小且准确度较高的特点先得到淋巴结图像的二维图像，然后将二维图像融合得到三维图像，在降低检测难度的同时提高检测效率。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本申请一示例性实施例提供的一种CT图像中淋巴结的检测方法的流程示意图。
图2是本申请一示例性实施例提供的一种二维图像融合方法的流程示意图。
图3是本申请一示例性实施例提供的一种计算匹配度方法的流程示意图。
图4是本申请另一示例性实施例提供的一种二维图像融合方法的流程示意图。
图5是本申请一示例性实施例提供的一种神经网络模型训练方法的流程示意图。
图6是本申请另一示例性实施例提供的一种神经网络模型训练方法的流程示意图。
图7是本申请一示例性实施例提供的一种CT图像中淋巴结的检测装置的结构示意图。
图8是本申请另一示例性实施例提供的一种CT图像中淋巴结的检测装置的结构示意图。
图9是本申请一示例性实施例提供的电子设备的结构图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
深度学习(DL,Deep Learning)是机器学习(ML,Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标-人工智能(AI,ArtificialIntelligence)。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。深度学习提出了一种让计算机自动学习得到模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性。
目前在人工智能深度学习的淋巴结检测中，通常采用3D检测网络(如3D-RCNN、YOLO3D等)或者分割网络(如3D-UNet、SegNet等)的方法来识别淋巴结。对于3D检测而言，其缺点在于：
(1)3D卷积网络由于在计算过程中显存占用问题，导致不可能直接将整个CT影像中的3d体素作为输入信息，必须裁成一系列3d块作为输入，3d块会限制网络所能达到的最大感受野，导致丢失一定的全局信息；
(2)由于淋巴结紧邻周边的血管、神经、脂肪以及肌肉组织，3D标记结果中包含了大量的非淋巴结区域信息，从而也会对模型的检测性能造成干扰；
(3)3D卷积网络的参数量远大于2D网络，由于样本数量和模型参数量的匹配问题，3D网络需要更多的数据进行训练，否则可能会导致过拟合，同时3D网络的检测速度也低于2D网络；
(4)3D数据相比于2D数据多了一个方向的信息，对于医疗影像而言，多出的方向信息代表了每一层图像的叠加，而层叠图像的数量取决于扫描重建图像的层厚，因此同一个病灶的薄层图像和厚层图像的层数可能差别很大，这就导致3D模型在不同层厚影像上的泛化性较差(例如基于厚层影像训练得到的3D检测模型不能适用于薄层影像)。
对于分割模型而言，除了计算量大、检测速度慢之外，训练时还需要医生在每一层图像上沿边缘精细标记病灶区域范围，工作量非常大，尤其是在训练集样本量较大的情况下，完成数据标记工作将非常费时。
出于解决上述问题，本申请提供的一种CT图像中淋巴结的检测方法、装置、计算机可读存储介质以及电子设备，通过获取CT图像后将CT图像中的每层二维图像输入训练好的神经网络模型，直接得到每层二维图像中包含淋巴结图像的区域图像，最后基于区域图像的位置关系，将所有的区域图像融合以得到三维淋巴结图像；通过将CT图像拆分为二维图像并利用神经网络模型进行自动识别和分割，以得到每层二维图像中的淋巴结图像所在的区域图像，然后将区域图像融合得到三维淋巴结图像，这样可以利用二维图像处理难度较小且准确度较高的特点先得到淋巴结图像的二维图像，然后将二维图像融合得到三维图像，在降低检测难度的同时提高检测效率，并且适用于不同层数的CT图像的检测。
示例性方法
图1是本申请一示例性实施例提供的一种CT图像中淋巴结的检测方法的流程示意图。如图1所示，该检测方法包括如下步骤：
步骤110：获取CT图像，CT图像包括多层二维图像。
电子计算机断层扫描(Computed Tomography，简称CT)是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点。而淋巴结存在于头颈部，因此，需要获取头颈部的CT图像，并且CT图像是包含多个断面图层的，即包括多层二维图像。
步骤120：将CT图像中的每层二维图像输入神经网络模型，得到每层二维图像中包含淋巴结图像的区域图像。
在获取了CT图像后，将CT图像中的每一层二维图像输入神经网络模型，由该神经网络模型自动生成二维图像中包含淋巴结图像的区域图像。即利用训练好的神经网络模型对二维图像进行检测以得到二维图像中的淋巴结区域图像。其中，将CT图像输入神经网络模型的具体方式可以是依次将CT图像的每一层二维图像单独输入神经网络模型，也可以是直接将CT图像输入神经网络模型并由神经网络模型自行将CT图像拆分为多层二维图像，然后对每一层二维图像分别进行检测，以得到二维图像中包含淋巴结图像的区域图像。在一实施例中，该区域图像可以是包含淋巴结图像的矩形框区域图像，即淋巴结图像完全位于该矩形框区域图像内部。应当理解，本申请实施例也可以根据实际应用场景的需求而选取不同形状的区域图像来标注出淋巴结的位置，例如圆形、椭圆形等，只要所选取的区域图像的形状能够以较小的面积涵盖淋巴结图像的全部即可，本申请实施例对于区域图像的具体形状不做限定。
步骤130：基于区域图像的位置关系，将所有的区域图像融合，得到三维淋巴结图像。
在得到二维图像中的区域图像后，基于各个区域图像的位置关系，将所有的区域图像融合以得到三维淋巴结图像(即淋巴结的立体图像)。具体的，将各层二维图像中对应的同一个淋巴结位置的区域图像进行融合，以得到该淋巴结的三维立体图像，具体的融合方式可以是将包含同一个淋巴结图像的二维图像进行按顺序拼接组合，从而还原CT图像的三维结构且在该三维结构中标注出淋巴结图像。
本申请提供的一种CT图像中淋巴结的检测方法，通过获取CT图像后将CT图像中的每层二维图像输入训练好的神经网络模型，直接得到每层二维图像中包含淋巴结图像的区域图像，最后基于区域图像的位置关系，将所有的区域图像融合以得到三维淋巴结图像；通过将CT图像拆分为二维图像并利用神经网络模型进行自动识别和分割，以得到每层二维图像中的淋巴结图像所在的区域图像，然后将区域图像融合得到三维淋巴结图像，这样可以利用二维图像处理难度较小且准确度较高的特点先得到淋巴结图像的二维图像，然后将二维图像融合得到三维图像，在降低检测难度的同时提高检测效率。
图2是本申请一示例性实施例提供的一种二维图像融合方法的流程示意图。如图2所示，上述步骤130可以包括：
步骤131：计算相邻的二维图像中的区域图像之间的匹配度。
由于淋巴结为立体结构，存在一定的厚度，因此，淋巴结必然会在连续的多层二维图像中体现；并且每一层二维图像中也可能不止一个淋巴结图像，因此也可能存在不止一个区域图像。本申请实施例通过计算相邻的二维图像中的区域图像之间的匹配度来获知相邻的二维图像中对应同一个淋巴结的区域图像，从而将对应同一个淋巴结的区域图像进行融合，避免对应不同淋巴结的区域图像之间的融合而导致最终结果的偏差。
步骤132：当匹配度大于预设阈值时，将该相邻的二维图像中的区域图像叠加。
当计算得到的匹配度大于预设的阈值(例如0.8)时，可以认为该相邻的二维图像中的区域图像对应同一个淋巴结图像，此时可以将该相邻的二维图像中对应同一个淋巴结图像的区域图像进行融合，以得到该淋巴结图像的三维图像；同时，由于在获取二维图像中的区域图像时也有一定的误差，利用相邻的二维图像之间的相互关联性也可以排除二维图像中的假阳性区域图像，即排除二维图像中并未真正包含淋巴结图像的区域图像，以对二维淋巴结图像进行一个复查，从而提高检测的准确度。而当计算得到的匹配度小于或等于预设的阈值时，可以认为该相邻的二维图像中的区域图像对应不同的淋巴结图像，因此，不能将该相邻的二维图像中的区域图像叠加融合。
图3是本申请一示例性实施例提供的一种计算匹配度方法的流程示意图。如图3所示，上述步骤131可以包括：
步骤1311：分别计算相邻的二维图像中的区域图像的第一面积和第二面积。
记相邻的二维图像中的区域图像分别为A和B，并且│A│和│B│分别代表区域图像A和区域图像B的面积。由于区域图像A和区域图像B均为较规则的几何图形，根据区域图像A和区域图像B的边界端点的位置坐标可以很容易的计算得到区域图像A的第一面积│A│和区域图像B的第二面积│B│。
步骤1312：计算相邻的二维图像中的区域图像沿二维图像层叠方向的正投影重叠区域的第三面积。
将该相邻的二维图像中的区域图像A和区域图像B沿二维图像层叠方向正投影在同一个平面上，例如可以简单的将区域图像A和区域图像B都投影至区域图像A所在的二维图像上或区域图像B所在的二维图像上，然后得到区域图像A和区域图像B在该平面上的正投影的重叠区域，记为A∩B，该重叠区域的第三面积记为│A∩B│。
步骤1313：根据第一面积、第二面积和第三面积，计算得到匹配度。
然后根据第一面积、第二面积和第三面积，来计算得到上述匹配度。具体的计算方式可以是：
匹配度
Figure BDA0002746065120000071
通过计算区域图像A和区域图像B的重叠区域面积与区域图像A和区域图像B中最小面积的比例，可以获知区域图像A和区域图像B的重叠程度，从而判断区域图像A和区域图像B的匹配度，确定区域图像A和区域图像B是否对应同一个淋巴结。
应当理解，本申请实施例可以根据实际应用场景的需求而选取其他判断相邻区域图像是否对应同一个淋巴结的指标，例如集合相似度度量函数的Dice系数、特定数据集中检测相应物体准确度标准的IoU系数等，只要所选取的指标能够确定相邻区域图像是否对应同一个淋巴结即可，本申请实施例对于判断相邻区域图像是否对应同一个淋巴结的具体指标不做限定。
图4是本申请另一示例性实施例提供的一种二维图像融合方法的流程示意图。如图4所示，上述步骤130还可以包括：
步骤133：当融合得到的三维图像中对应同一位置的区域图像为连续的N层二维图像且N大于预设数量阈值时，确定该三维图像为三维淋巴结图像；其中N为大于1的整数。
当将相邻的二维图像进行叠加后得到三维图像中对应同一位置(即对应同一淋巴结区域)的区域图像为连续的N层二维图像且N大于预设的数量阈值(例如3)时，说明该淋巴结在多层二维图像中有所体现，此时可以确定该三维图像为最终的淋巴结图像。而当N小于或等于预设的数量阈值时，说明该淋巴结只在少数几层二维图像中有所体现，此时不能确定该三维图像为淋巴结图像，或者说此时的三维图像为假阳性图像。
图5是本申请一示例性实施例提供的一种神经网络模型训练方法的流程示意图。如图5所示，上述神经网络模型的训练方法可以包括：
步骤510：将训练样本输入神经网络模型进行学习；其中，训练样本为包含多层二维训练图像的训练CT图像，且多层二维训练图像中包含淋巴结区域的分割图像。
通过带有分割图像的多层二维训练图像对神经网络模型进行训练，其中分割图像即包含淋巴结区域的一个图像(类似于上述实施例中的区域图像)，以得到可以对包含多层二维图像的CT图像进行检测，以得到二维图像中包含淋巴结图像的区域图像。
在一实施例中，如图5所示，在步骤510之前，上述训练方法还可以包括：
步骤520：获取训练CT图像中淋巴结区域按照二维训练图像的层叠方向所在的首层二维训练图像、尾层二维训练图像以及位于首层二维训练图像和尾层二维训练图像之间的中间最大层图像；其中，淋巴结区域位于中间最大层图像上的区域面积大于淋巴结区域位于首层二维训练图像和尾层二维训练图像之间的其他二维训练图像上的区域面积。
通常CT图像中的淋巴结不会在所有二维图像中体现，即淋巴结图像只会在部分连续的二维图像中体现，因此，在训练时无需对没有淋巴结图像的二维图像进行学习，以提高学习效率。在训练过程中，通常的做法是采用已经标注了淋巴结图像的二维训练图像对神经网络模型进行训练，而二维训练图像中的淋巴结图像的标注工作通常是由专业人员的手动标注，若对所有的二维训练图像都进行手动标注，这样的工作量显然非常大，同时，为了提高神经网络模型的检测精度，就需要数量较多的训练样本(即训练CT图像)，这就进一步导致人工标注的工作量增大。为了降低人工标注的工作量，本申请实施例在标注二维训练图像中的淋巴结图像时，只获取CT图像中对应同一个淋巴结的二维训练图像沿图像层叠方向的首层二维训练图像、尾层二维训练图像和中间最大层图像，以大幅降低人工标注的工作量，从而也可以提高模型训练的效率。
步骤530：分别计算首层二维训练图像的首层分割区域、尾层二维训练图像的尾层分割区域和中间最大层图像的中间最大分割区域。
在获取了首层二维训练图像、尾层二维训练图像和中间最大层图像之后，分别计算得到首层二维训练图像的首层分割区域、尾层二维训练图像的尾层分割区域和中间最大层图像的中间最大分割区域，其中，首层分割区域、尾层分割区域和中间最大分割区域分别为首层二维训练图像、尾层二维训练图像和中间最大层图像中包含对应的淋巴结图像的区域图像，也就是对应的二维训练图像的分割图像。
步骤540：根据首层分割区域、尾层分割区域和中间最大分割区域，生成训练CT图像的分割图像。
由于淋巴结图像通常为一个较为规律的椭球形状，即淋巴结在各二维图像中呈逐渐扩大或缩小的椭圆形状，因此，在获取了首层分割区域、尾层分割区域和中间最大分割区域，即获取了该淋巴结图像在起始二维图像、结束二维图像以及中间的最大剖面二维图像，从而可以根据这三层二维图像来估计其他位于该三层二维图像之间的二维图像的分割区域图像，在保证一定的标注精度的前提下，可以大幅降低人工标注的工作量。
具体的，上述步骤540的一种实现方式可以是：根据首层分割区域和中间最大分割区域，按照等差调整的方式生成首层和中间最大层之间的二维训练图像的分割区域；并且根据尾层分割区域和中间最大分割区域，按照等差调整的方式生成尾层和中间最大层之间的二维训练图像的分割区域。由于预先知道淋巴结图像为椭球型，即包含该淋巴结图像的二维训练图像从首层分割区域至中间最大分割区域应该是逐渐增大的，因此，可以根据首层分割区域和中间最大分割区域的图像信息(例如坐标信息)按照等差调整的方式生成首层二维训练图像和中间最大层图像之间的其他二维训练图像；同理也可以生成尾层二维训练图像和中间最大层图像之间的其他二维训练图像。
下面以首层二维训练图像和中间最大层图像之间的其他二维训练图像的分割区域生成方式为例说明：
记首层二维训练图像和中间最大层图像分别为第l层和第m层，且首层二维训练图像的首层分割区域的一个边界点(例如方形的定点)的坐标为(x1,y1)，中间最大层图像的中间最大层图像的中间最大分割区域对应的一个边界点的坐标为(x2,y2)，则首层二维训练图像和中间最大层图像之间的其他二维训练图像的分割区域对应的边界点的坐标为：
Figure BDA0002746065120000101
同理可以得到首层二维训练图像和中间最大层图像之间的其他二维训练图像的分割区域的其他边界点坐标，从而可以得到首层二维训练图像和中间最大层图像之间的其他二维训练图像的分割区域图像；同样的方式可以得到尾层二维训练图像和中间最大层图像之间的其他二维训练图像的分割区域图像。在仅仅获知了首层二维训练图像、尾层二维训练图像和中间最大层图像后，即可自动生成其他二维训练图像，从而大幅降低了人工标注的工作量，提高了模型训练的效率；并且可以尽量的增加训练样本的数量，以提高模型的训练精度。
在一实施例中，模型可以利用一系列的分割区域框(例如矩形框)在各个二维训练图像中去覆盖对应的淋巴结图像，当当前的分割区域框完全覆盖淋巴结图像且比当前的分割区域框小的分割区域框都不能完全覆盖该淋巴结图像，则确定当前的分割区域框对应的区域图像为该二维训练图像的分割区域图像。在一实施例中，确定分割区域框是否完全覆盖淋巴结图像的方式可以是：该分割区域框内包含连通的淋巴结图像且该分割区域框的边界为非淋巴结图像。即该分割区域框将淋巴结图像完全包含在内且与淋巴结图像的边界存在一定的间隙。
在一实施例中，该神经网络模型可以是SSD网络，也可以是对象识别和定位算法YOLO、RetinaNet等。
图6是本申请另一示例性实施例提供的一种神经网络模型训练方法的流程示意图。如图6所示，在步骤510之前，上述训练方法还可以包括：
步骤550：对训练样本进行数据扩增处理。
具体的，数据扩增处理包括以下操作中的任一种或多种的组合：缩放、平移、旋转、翻转、增加噪声。通过对训练样本进行上述操作，可以扩大训练样本的数量以及同一训练样本的不同呈现形式，从而可以扩大训练样本的延展性，以适应实际检测中的不同呈现方式，提高模型的检测精度。
示例性装置
图7是本申请一示例性实施例提供的一种CT图像中淋巴结的检测装置的结构示意图。如图7所示，该检测装置70包括：获取模块71，用于获取CT图像，CT图像包括多层二维图像；检测模块72，用于将CT图像中的每层二维图像输入神经网络模型，得到每层二维图像中包含淋巴结图像的区域图像；以及融合模块73，用于基于区域图像的位置关系，将所有的区域图像融合，得到三维淋巴结图像。
本申请提供的一种CT图像中淋巴结的检测装置，通过获取模块71获取CT图像后将CT图像中的每层二维图像输入训练好的神经网络模型，检测模块72直接得到每层二维图像中包含淋巴结图像的区域图像，最后融合模块73基于区域图像的位置关系，将所有的区域图像融合以得到三维淋巴结图像；通过将CT图像拆分为二维图像并利用神经网络模型进行自动识别和分割，以得到每层二维图像中的淋巴结图像所在的区域图像，然后将区域图像融合得到三维淋巴结图像，这样可以利用二维图像处理难度较小且准确度较高的特点先得到淋巴结图像的二维图像，然后将二维图像融合得到三维图像，在降低检测难度的同时提高检测效率。
图8是本申请另一示例性实施例提供的一种CT图像中淋巴结的检测装置的结构示意图。如图8所示，融合模块73可以包括：匹配度计算单元731，用于计算相邻的二维图像中的区域图像之间的匹配度；叠加单元732，用于当匹配度大于预设阈值时，将该相邻的二维图像中的区域图像叠加。
在一实施例中，如图8所示，匹配度计算单元731可以包括：相邻面积计算子单元7311，用于分别计算相邻的二维图像中的区域图像的第一面积和第二面积；重叠区域面积计算子单元7312，用于计算相邻的二维图像中的区域图像沿二维图像层叠方向的正投影重叠区域的第三面积；指标计算子单元7313，用于根据第一面积、第二面积和第三面积，计算得到匹配度。
在一实施例中，如图8所示，融合模块73可以进一步包括：假阳排除单元733，用于当融合得到的三维图像中对应同一位置的区域图像为连续的N层二维图像且N大于预设数量阈值时，确定该三维图像为三维淋巴结图像；其中N为大于1的整数。
在一实施例中，如图8所示，检测装置70可以进一步包括：训练模块74，用于对神经网络模型进行训练；其中，训练模块74可以包括：样本输入单元741，用于将训练样本输入神经网络模型进行学习；其中，训练样本为包含多层二维训练图像的训练CT图像，且多层二维训练图像中包含淋巴结区域的分割图像。
在一实施例中，如图8所示，训练模块74可以进一步包括：初始图像获取单元742，用于获取训练CT图像中淋巴结区域按照二维训练图像的层叠方向所在的首层二维训练图像、尾层二维训练图像以及位于首层二维训练图像和尾层二维训练图像之间的中间最大层图像；其中，淋巴结区域位于中间最大层图像上的区域面积大于淋巴结区域位于首层二维训练图像和尾层二维训练图像之间的其他二维训练图像上的区域面积；分割区域获取单元743，用于分别计算首层二维训练图像的首层分割区域、尾层二维训练图像的尾层分割区域和中间最大层图像的中间最大分割区域；分割图像生成单元744，用于根据首层分割区域、尾层分割区域和中间最大分割区域，生成训练CT图像的分割图像。
在一实施例中，分割图像生成单元744可以进一步配置为：根据首层分割区域和中间最大分割区域，按照等差调整的方式生成首层和中间最大层之间的二维训练图像的分割区域；并且根据尾层分割区域和中间最大分割区域，按照等差调整的方式生成尾层和中间最大层之间的二维训练图像的分割区域。
在一实施例中，如图8所示，训练模块74可以进一步包括：扩增处理单元745，用于对训练样本进行数据扩增处理。在一实施例中，数据扩增处理包括以下操作中的任一种或多种的组合：缩放、平移、旋转、翻转、增加噪声。
示例性电子设备
下面，参考图9来描述根据本申请实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。
图9图示了根据本申请实施例的电子设备的框图。
如图9所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的检测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如，在该电子设备是第一设备或第二设备时，该输入装置13可以是摄像头，用于捕捉图像的输入信号。在该电子设备是单机设备时，该输入装置13可以是通信网络连接器，用于从第一设备和第二设备接收所采集的输入信号。
此外，该输入设备13还可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出设备14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图9中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的检测方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是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在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的检测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (13)

1.一种CT图像中淋巴结的检测方法，其特征在于，包括：
获取CT图像，所述CT图像包括多层二维图像；
将所述CT图像中的每层二维图像输入神经网络模型，得到每层二维图像中包含淋巴结图像的区域图像；以及
基于所述区域图像的位置关系，将所有的所述区域图像融合，得到三维淋巴结图像。
2.根据权利要求1所述的检测方法，其特征在于，所述基于所述区域图像的位置关系，将所有的所述区域图像融合包括：
计算相邻的所述二维图像中的所述区域图像之间的匹配度；以及
当所述匹配度大于预设阈值时，将该相邻的所述二维图像中的所述区域图像叠加。
3.根据权利要求2所述的检测方法，其特征在于，所述计算相邻的所述二维图像中的所述区域图像之间的匹配度包括：
分别计算相邻的所述二维图像中的所述区域图像的第一面积和第二面积；
计算相邻的所述二维图像中的所述区域图像沿所述二维图像层叠方向的正投影重叠区域的第三面积；以及
根据所述第一面积、所述第二面积和所述第三面积，计算得到所述匹配度。
4.根据权利要求3所述的检测方法，其特征在于，所述根据所述第一面积、所述第二面积和所述第三面积，计算得到所述匹配度包括：
所述匹配度等于所述第三面积与所述第一面积、所述第二面积中的最小值的比值。
5.根据权利要求1所述的检测方法，其特征在于，所述将所有的所述区域图像融合包括：
当融合得到的三维图像中对应同一位置的所述区域图像为连续的N层二维图像且N大于预设数量阈值时，确定该三维图像为三维淋巴结图像；其中N为大于1的整数。
6.根据权利要求1所述的检测方法，其特征在于，所述神经网络模型的训练方法包括：
将训练样本输入所述神经网络模型进行学习；
其中，所述训练样本为包含多层二维训练图像的训练CT图像，且所述多层二维训练图像中包含淋巴结区域的分割图像。
7.根据权利要求6所述的检测方法，其特征在于，所述分割图像的获取方法包括：
获取所述训练CT图像中淋巴结区域按照二维训练图像的层叠方向所在的首层二维训练图像、尾层二维训练图像以及位于所述首层二维训练图像和所述尾层二维训练图像之间的中间最大层图像；其中，所述淋巴结区域位于所述中间最大层图像上的区域面积大于所述淋巴结区域位于所述首层二维训练图像和所述尾层二维训练图像之间的其他二维训练图像上的区域面积；
分别计算所述首层二维训练图像的首层分割区域、所述尾层二维训练图像的尾层分割区域和所述中间最大层图像的中间最大分割区域；以及
根据所述首层分割区域、所述尾层分割区域和所述中间最大分割区域，生成所述训练CT图像的分割图像。
8.根据权利要求7所述的检测方法，其特征在于，所述根据所述首层分割区域、所述尾层分割区域和所述中间最大分割区域，生成所述训练CT图像的分割图像包括：
根据所述首层分割区域和所述中间最大分割区域，按照等差调整的方式生成所述首层和所述中间最大层之间的二维训练图像的分割区域；以及
根据所述尾层分割区域和所述中间最大分割区域，按照等差调整的方式生成所述尾层和所述中间最大层之间的二维训练图像的分割区域。
9.根据权利要求6所述的检测方法，其特征在于，在所述将训练样本输入所述神经网络模型进行学习之前，所述训练方法还包括：
对所述训练样本进行数据扩增处理。
10.根据权利要求9所述的检测方法，其特征在于，所述数据扩增处理包括以下操作中的任一种或多种的组合：缩放、平移、旋转、翻转、增加噪声。
11.一种CT图像中淋巴结的检测装置，其特征在于，包括：
获取模块，用于获取CT图像，所述CT图像包括多层二维图像；
检测模块，用于将所述CT图像中的每层二维图像输入神经网络模型，得到每层二维图像中包含淋巴结图像的区域图像；以及
融合模块，用于基于所述区域图像的位置关系，将所有的所述区域图像融合，得到三维淋巴结图像。
12.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-10任一所述的检测方法。
13.一种电子设备，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于执行上述权利要求1-10任一所述的检测方法。
CN202011167553.8A 2020-10-27 2020-10-27 Ct图像中淋巴结的检测方法、装置、介质及电子设备 Active CN112288708B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011167553.8A CN112288708B (zh) 2020-10-27 2020-10-27 Ct图像中淋巴结的检测方法、装置、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011167553.8A CN112288708B (zh) 2020-10-27 2020-10-27 Ct图像中淋巴结的检测方法、装置、介质及电子设备

Publications (2)

Publication Number Publication Date
CN112288708A true CN112288708A (zh) 2021-01-29
CN112288708B CN112288708B (zh) 2021-10-15

Family

ID=74373415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011167553.8A Active CN112288708B (zh) 2020-10-27 2020-10-27 Ct图像中淋巴结的检测方法、装置、介质及电子设备

Country Status (1)

Country Link
CN (1) CN112288708B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023045284A1 (zh) * 2021-09-26 2023-03-30 上海商汤智能科技有限公司 图像处理方法、装置、计算机设备、存储介质及程序产品

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447608A (zh) * 2016-08-25 2017-02-22 中国科学院长春光学精密机械与物理研究所 一种视频图像拼接方法及装置
CN106875396A (zh) * 2016-12-28 2017-06-20 深圳信息职业技术学院 基于运动特性的视频显著区的提取方法和装置
CN108419123A (zh) * 2018-03-28 2018-08-17 广州市创新互联网教育研究院 一种教学视频的虚拟切片方法
CN109685811A (zh) * 2018-12-24 2019-04-26 北京大学第三医院 基于双路径U-net卷积神经网络的PET/CT高代谢淋巴结分割方法
CN110400297A (zh) * 2019-07-22 2019-11-01 中国石油大学(华东) 一种基于深度学习的肺癌分期预测方法
CN110930349A (zh) * 2018-09-18 2020-03-27 罗亚川 一种利用卷积神经网络的医学图像处理装置与方法
AU2020101581A4 (en) * 2020-07-31 2020-09-17 Ampavathi, Anusha MS Lymph node metastases detection from ct images using deep learning
CN111768418A (zh) * 2020-06-30 2020-10-13 北京推想科技有限公司 图像分割方法及装置、图像分割模型的训练方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447608A (zh) * 2016-08-25 2017-02-22 中国科学院长春光学精密机械与物理研究所 一种视频图像拼接方法及装置
CN106875396A (zh) * 2016-12-28 2017-06-20 深圳信息职业技术学院 基于运动特性的视频显著区的提取方法和装置
CN108419123A (zh) * 2018-03-28 2018-08-17 广州市创新互联网教育研究院 一种教学视频的虚拟切片方法
CN110930349A (zh) * 2018-09-18 2020-03-27 罗亚川 一种利用卷积神经网络的医学图像处理装置与方法
CN109685811A (zh) * 2018-12-24 2019-04-26 北京大学第三医院 基于双路径U-net卷积神经网络的PET/CT高代谢淋巴结分割方法
CN110400297A (zh) * 2019-07-22 2019-11-01 中国石油大学(华东) 一种基于深度学习的肺癌分期预测方法
CN111768418A (zh) * 2020-06-30 2020-10-13 北京推想科技有限公司 图像分割方法及装置、图像分割模型的训练方法
AU2020101581A4 (en) * 2020-07-31 2020-09-17 Ampavathi, Anusha MS Lymph node metastases detection from ct images using deep learning

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PO-HENG CHEN ET AL.: "MVSNET++:Learning Depth-Based Attention Pyramid Featrues for Multi-View Stereo", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
周翔飞: "孤立性肺结节的三维可视及特征提取的研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
张杰妹 杨词慧: "基于RV-FCN的C肝脏影像自动分割算法", 《计算机工程》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023045284A1 (zh) * 2021-09-26 2023-03-30 上海商汤智能科技有限公司 图像处理方法、装置、计算机设备、存储介质及程序产品

Also Published As

Publication number Publication date
CN112288708B (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
US10452957B2 (en) Image classification apparatus, method, and program
US20210365717A1 (en) Method and apparatus for segmenting a medical image, and storage medium
US12051199B2 (en) Image processing method and apparatus, server, medical image processing device and storage medium
US20190139642A1 (en) System and methods for medical image analysis and reporting
US20190122406A1 (en) Presentation generating system for medical images, training method thereof and presentation generating method
US20100254582A1 (en) System and Method for Detecting Landmarks in a Three-Dimensional Image Volume
EP2736015A1 (en) Method and apparatus for medical image registration
Li et al. Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound images
JP2021144675A (ja) 方法及びプログラム
US11798161B2 (en) Method and apparatus for determining mid-sagittal plane in magnetic resonance images
CN110895812A (zh) Ct图像的检测方法、装置、存储介质及电子设备
CN113656706A (zh) 基于多模态深度学习模型的信息推送方法及装置
CN111145160A (zh) 钙化区域所处冠脉分支的确定方法、装置、服务器及介质
CN112288708B (zh) Ct图像中淋巴结的检测方法、装置、介质及电子设备
CN112137693B (zh) 四维超声引导穿刺的成像方法及装置
US11386991B2 (en) Methods and apparatus for artificial intelligence informed radiological reporting and model refinement
CN114565623B (zh) 肺血管分割方法、装置、存储介质及电子设备
Chen et al. Virtual blood vessels in complex background using stereo x-ray images
Chedid et al. Synthesis of fracture radiographs with deep neural networks
CN114596275A (zh) 肺血管分割方法、装置、存储介质及电子设备
CN111353975A (zh) 网络模型训练方法及装置、病灶定位方法及装置
Zhang et al. VDVM: An automatic vertebrae detection and vertebral segment matching framework for C-arm X-ray image identification
Ruppertshofen et al. A multi-dimensional model for localization of highly variable objects
Liu et al. VolumeNeRF: CT Volume Reconstruction from a Single Projection View
Li et al. A novel method of micro-tomography geometric angle calibration with random phantom

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