CN112330731A - 图像处理装置、方法、设备、超声系统及可读存储介质 - Google Patents
图像处理装置、方法、设备、超声系统及可读存储介质 Download PDFInfo
- Publication number
- CN112330731A CN112330731A CN202011375468.0A CN202011375468A CN112330731A CN 112330731 A CN112330731 A CN 112330731A CN 202011375468 A CN202011375468 A CN 202011375468A CN 112330731 A CN112330731 A CN 112330731A
- Authority
- CN
- China
- Prior art keywords
- liver
- image
- disease
- classification result
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 137
- 238000012545 processing Methods 0.000 title claims abstract description 65
- 238000003672 processing method Methods 0.000 title claims description 20
- 210000004185 liver Anatomy 0.000 claims abstract description 310
- 201000010099 disease Diseases 0.000 claims abstract description 188
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 188
- 230000011218 segmentation Effects 0.000 claims abstract description 167
- 206010014096 Echinococciasis Diseases 0.000 claims abstract description 13
- 208000009366 Echinococcosis Diseases 0.000 claims abstract description 13
- 201000003808 Cystic echinococcosis Diseases 0.000 claims abstract description 10
- 208000019423 liver disease Diseases 0.000 claims abstract description 9
- 230000003902 lesion Effects 0.000 claims description 87
- 238000012549 training Methods 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 16
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 241000894007 species Species 0.000 description 58
- 238000010586 diagram Methods 0.000 description 12
- 241000254043 Melolonthinae Species 0.000 description 11
- 239000000523 sample Substances 0.000 description 8
- 206010019646 Hepatic cyst Diseases 0.000 description 5
- 238000009795 derivation Methods 0.000 description 5
- 206010073071 hepatocellular carcinoma Diseases 0.000 description 5
- 231100000844 hepatocellular carcinoma Toxicity 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241000415078 Anemone hepatica Species 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 208000006990 cholangiocarcinoma Diseases 0.000 description 2
- 230000002440 hepatic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008775 paternal effect Effects 0.000 description 2
- 208000022072 Gallbladder Neoplasms Diseases 0.000 description 1
- 206010024652 Liver abscess Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000030852 Parasitic disease Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 201000010175 gallbladder cancer Diseases 0.000 description 1
- 201000011066 hemangioma Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012285 ultrasound imaging Methods 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
- G06T7/50—Depth or shape recovery
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
Abstract
本发明公开了一种图像处理装置、方法、设备、超声设备、超声系统及可读存储介质，该装置包括：获取模块，用于获取肝部待处理超声图像；分割分类模块，用于对肝部待处理超声图像进行分类分割，获取分割图像和肝部待处理超声图像对应的目标分类结果；其中，目标分类结果包括病灶的病种分类结果或肝脏无病灶结果，病灶的病种分类结果包括肝包虫病种分类结果或非肝包虫病种分类结果；目标分类结果为病灶的病种分类结果时，分割图像包括肝脏轮廓分割线和病灶轮廓分割线；本发明利用分割分类模块识别出肝包虫病种和其他肝占位疾病病种的病灶，降低了误诊率和漏诊率；并且在分割图像中分割出肝脏轮廓，辅助提高病灶轮廓的准确性。
Description
技术领域
本发明涉及图像识别技术领域，特别涉及一种图像处理装置、方法、设备、超声设备、超声系统及可读存储介质。
背景技术
近年来随着深度学习技术的蓬勃发展，基于深度学习的图像识别算法目前逐步应用于超声图像诊断，具有识别率高、速度快等特点。肝包虫病是牧区常见的人畜共患的寄生虫病，常年给相应国家和地区造成严重经济损失。目前肝包虫病的筛查诊断主要依赖于影像检查，其中超声影像技术具有无创、无辐射、价格低等优点，是肝包虫病诊断的首选技术。
现有技术中，基于深度学习的肝包虫图像识别系统主要运用了目标检测等算法，只能识别出肝包虫这一病种的病灶，对其他与肝包虫病种特征相似的肝占位疾病病种如肝囊肿、肝细胞癌、肝门胆管癌等病种的病灶没有识别能力，识别能力不高且极易造成误诊和漏诊等问题。
因此，如何能够更加准确的识别出超声图像中肝包虫以及其他肝占位疾病的病灶轮廓，提高对超声图像的识别能力，减少对医护人员的错误引导，减少误诊和漏诊的问题，是现今急需解决的问题。
发明内容
本发明的目的是提供一种图像处理装置、方法、设备、超声设备、超声系统及可读存储介质，以提高对超声图像的识别能力，减少误诊和漏诊的问题，辅助提高病灶轮廓的准确性。
为解决上述技术问题，本发明提供一种图像处理装置，包括：
获取模块，用于获取肝部待处理超声图像；
分割分类模块，用于对所述肝部待处理超声图像进行分类分割，获取分割图像和所述肝部待处理超声图像对应的目标分类结果；其中，所述目标分类结果包括病灶的病种分类结果或肝脏无病灶结果，所述病灶的病种分类结果包括肝包虫病种分类结果或非肝包虫病种分类结果；所述目标分类结果为所述病灶的病种分类结果时，所述分割图像包括肝脏轮廓分割线和病灶轮廓分割线。
可选的，所述肝包虫病种分类结果包括6类囊型肝包虫病种和3类泡型肝包虫病种中的任意一种；所述非肝包虫病种分类结果包括所述肝包虫病种之外的8类肝占位病种中的任意一种。
可选的，所述目标分类结果包括所述病灶的病种分类结果时，所述目标分类结果还包括：所述病灶的病种分类结果对应的推导概率。
可选的，该装置还包括：
显示模块，用于根据所述分割图像和所述目标分类结果，生成显示图像。
可选的，所述获取模块，包括：
获取子模块，用于获取肝部原始超声图像；
预处理子模块，用于对所述肝部原始超声图像进行预处理，得到所述肝部待处理超声图像。
可选的，所述获取模块还用于获取所述肝部待处理超声图像对应的临床信息；
对应的，所述分割分类模块具体用于利用实例分割与分类一体化模型，根据所述临床信息，对所述肝部待处理超声图像进行分类分割，获取所述分割图像和所述目标分类结果。
可选的，该装置还包括：
模型训练模块，用于将肝部训练图像和每个所述肝部训练图像各自对应的训练临床信息输入到所述实例分割与分类一体化模型对应的初始模型进行迭代训练，获取训练好的所述实例分割与分类一体化模型；其中，所述肝部训练图像包括标注的目标分类结果和肝脏轮廓分割线，且当所述肝部训练图像存在病灶时，所述肝部训练图像还包括标注的病灶轮廓分割线。
可选的，所述分割分类模块，包括：
特征提取子模块，用于提取所述肝部待处理超声图像中的目标特征；其中，所述目标特征包括肝脏特征或所述肝脏特征和病灶特征；
分类子模块，用于根据所述目标特征，对所述肝部待处理超声图像进行分类，获取所述目标分类结果；
分割子模块，用于根据所述目标特征，对所述肝部待处理超声图像进行分割，获取所述分割图像。
可选的，所述分类子模块，包括：
病灶分类单元，用于根据所述目标特征，对所述肝部待处理超声图像进行病灶分类，获取病灶分类结果；其中，所述病灶分类结果包括肝脏存在病灶或肝脏无病灶；
病种分类单元，用于在所述病灶分类结果为肝脏存在病灶时，根据所述目标特征，对相应的肝部待处理超声图像进行病种分类，获取所述病灶的病种分类结果。
可选的，所述获取模块具体用于获取肝部待处理超声图像，并将所述肝部待处理图像输入实例分割与分类一体化模型；其中，所述实例分割与分类一体化模型包括特征提取部分、分割分支、病灶分类分支和病种分类分支；
所述特征提取子模块具体用于利用所述特征提取部分提取所述肝部待处理超声图像中的目标特征；
所述分割子模块具体用于利用所述分割分支，根据所述目标特征，对所述肝部待处理超声图像进行分割，获取所述分割图像；
所述病灶分类单元具体用于利用所述病灶分类分支，根据所述目标特征，对所述肝部待处理超声图像进行分类，获取所述病灶分类结果；
所述病种分类单元具体用于利用所述病种分类分支，根据所述目标特征，对相应的肝部待处理超声图像进行病种分类，获取所述病种分类结果。
可选的，所述实例分割与分类一体化模型采用深度学习网络模型；其中，所述病灶分类分支包括依次连接的病灶卷积层和病灶全连接层，所述病种分类分支包括依次连接的ROI pooling层、病种卷积层和病种全连接层。
可选的，所述病灶卷积层包括1个7*7卷积层和1个1*1卷积层；所述病种卷积层包括3个3*3卷积层和1个1*1卷积层。
可选的，所述获取模块还用于获取所述肝部待处理超声图像对应的临床信息时，所述病种分类单元具体用于利用所述病种分类分支，根据所述目标特征和所述临床信息，对所述肝部待处理超声图像进行病种分类，获取所述病种分类结果。
本发明还提供了一种超声设备，包括：如上述所述的图像处理装置。
本发明还提供了一种图像处理方法，包括：
获取肝部待处理超声图像；
对所述肝部待处理超声图像进行分类分割，获取分割图像和所述肝部待处理超声图像对应的目标分类结果；其中，所述目标分类结果包括病灶的病种分类结果或肝脏无病灶结果，所述病灶的病种分类结果包括肝包虫病种分类结果或非肝包虫病种分类结果；所述目标分类结果为所述病灶的病种分类结果时，所述分割图像包括肝脏轮廓分割线和病灶轮廓分割线。
本发明还提供了一种图像处理设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述所述的图像处理方法的步骤。
本发明还提供了一种超声系统，包括：如上述所述的图像处理设备。
此外，本发明还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述的图像处理方法的步骤。
本发明所提供的一种图像处理装置，包括：获取模块，用于获取肝部待处理超声图像；分割分类模块，用于对肝部待处理超声图像进行分类分割，获取分割图像和肝部待处理超声图像对应的目标分类结果；其中，目标分类结果包括病灶的病种分类结果或肝脏无病灶结果，病灶的病种分类结果包括肝包虫病种分类结果或非肝包虫病种分类结果；目标分类结果为病灶的病种分类结果时，分割图像包括肝脏轮廓分割线和病灶轮廓分割线；
可见，本发明利用分割分类模块对肝部待处理超声图像进行分类分割，可以识别出肝包虫病种和其他肝占位疾病病种，并在分割图像中分割出相应的病灶轮廓，能够识别出更多种类的肝占位疾病的病灶，降低了误诊率和漏诊率；并且能够在分割图像中分割出肝脏轮廓，使医护人员可以更加方便的了解肝脏与病灶的相对位置，辅助提高病灶轮廓的准确性。此外，本发明还提供了一种图像处理方法、设备、超声设备、超声系统及可读存储介质，同样具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种图像处理装置的结构框图；
图2为本发明实施例所提供的一种图像处理装置的分类分割结果的显示示意图；
图3为本发明实施例所提供的另一种图像处理装置的处理过程示意图；
图4为本发明实施例所提供的另一种图像处理装置的结构框图；
图5为本发明实施例所提供的一种实例分割与分类一体化模型的简化示意图；
图6为本发明实施例所提供的一种实例分割与分类一体化模型的结构示意图；
图7为本发明实施例所提供的一种图像处理方法的流程图；
图8为本发明实施例所提供的一种图像处理设备的结构示意图；
图9为本实施例提供的一种图像处理设备的具体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，图1为本发明实施例所提供的一种图像处理装置的结构框图。该装置可以包括：
获取模块10，用于获取肝部待处理超声图像；
分割分类模块20，用于对肝部待处理超声图像进行分类分割，获取分割图像和肝部待处理超声图像对应的目标分类结果；其中，目标分类结果包括病灶的病种分类结果或肝脏无病灶结果，病灶的病种分类结果包括肝包虫病种分类结果或非肝包虫病种分类结果；目标分类结果为肝包虫病种分类结果时，分割图像包括肝脏轮廓分割线和病灶轮廓分割线。
可以理解的是，本实施例中获取模块10获取的肝部待处理超声图像可以为超声设备中超声探头采集的肝脏位置的超声图像(即肝部原始超声图像)对应的图像；如肝部待处理超声图像可以为肝部原始超声图像，即分割分类模块20可以直接对肝部原始超声图像进行分类分割；肝部待处理超声图像也可以为肝部原始超声图像预处理后的图像，即分割分类模块20可以对肝部原始超声图像预处理后得到的图像进行分类分割。也就是说，获取模块10可以包括：获取子模块，用于获取肝部原始超声图像；预处理子模块，用于对肝部原始超声图像进行预处理，得到肝部待处理超声图像。
具体的，对于本实施例中的获取模块10获取肝部待处理超声图像的具体方式，可以由设计人员根据实用场景和用户需求自行设置，如肝部待处理超声图像为肝部原始超声图像时，获取模块10可以直接接收超声设备中超声探头采集的肝部原始超声图像。肝部待处理超声图像为肝部原始超声图像预处理后的图像时，获取模块10可以接收超声设备中超声探头采集的肝部原始超声图像，并对肝部原始超声图像进行预处理，得到肝部待处理超声图像。
需要说明的是，本实施例中分割分类模块20获取的肝部待处理超声图像对应的目标分类结果可以包括肝部待处理超声图像中存在可识别的病灶对应的结果(即病灶的病种分类结果)或不存在可识别的病灶对应的结果(即肝脏无病灶结果)；其中，病灶的病种分类结果可以包括肝包虫病种分类结果和非肝包虫病种分类结果，即本实施例中可识别的病灶可以包括肝包虫病种的病灶和非肝包虫病种的病灶。
具体的，本实施例中的肝包虫病种分类结果可以包括6类囊型肝包虫病种(如CL、CE1、CE2、CE3、CE4和CE5)和3类泡型肝包虫病种(如AE1、AE2和AE3)，即可识别的病灶可以包括9类具体肝包虫病种的病灶；本实施例中的非肝包虫病种分类结果可以包括肝包虫病种之外的其他肝占位疾病，例如肝包虫病种之外的8类肝占位病种(如肝囊肿、细菌性肝脓肿、肝血管瘤、肝细胞癌、胆囊癌、肝门胆管癌、肝囊实性病变和FNH)，即可识别的病灶可以包括8类非肝包虫病种的病灶。也就是说，本实施例中分割分类模块20获取的肝部待处理超声图像对应的目标分类结果可以为17类病种(即9类肝包虫病种和8类非肝包虫病种)中的任意一种病灶的病种分类结果。
对应的，本实施例中的分割分类模块20可以对肝部待处理超声图像中的肝脏轮廓和病灶轮廓进行分割，得到分割图像，使分割图像中能够出现肝脏轮廓分割线和病灶轮廓分割线。也就是说，肝部待处理超声图像中存在可识别的病灶，即肝部待处理超声图像对应的目标分类结果为病灶的病种分类结果时，分割图像可以包括肝脏轮廓分割线和病灶轮廓分割线(即病灶的病种分类结果所对应的病灶的轮廓分割线)；肝部待处理超声图像中不存在可识别的病灶，即肝部待处理超声图像对应的目标分类结果为肝脏无病灶结果时，分割图像可以包括肝脏轮廓分割线而不包括病灶轮廓分割线。
具体的，对于本实施例中分割分类模块20对肝部待处理超声图像进行分类分割，获取分割图像和肝部待处理超声图像对应的目标分类结果的具体方式，可以由设计人员根据实用场景和用户需求自行设置，如分割分类模块20可以利用的一个或多个模型，对肝部待处理超声图像进行分类分割，获取分割图像和肝部待处理超声图像对应的目标分类结果，如利用现有的先分割后分类或先分类后分割的模型或者多个模型(如特征提取模型、分类模型和分割模型)，对肝部待处理超声图像进行分类分割，获取分割图像和肝部待处理超声图像对应的目标分类结果。进一步的，分割分类模块20也可以利用实例分割与分类一体化模型，对肝部待处理超声图像进行分类分割，获取分割图像和肝部待处理超声图像对应的目标分类结果；相较于现有的先分割后分类或先分类后分割的模型，实例分割与分类一体化模型的分类和分割可以共用特征提取部分，由于多任务之间的相关性，能够提高算法性能，进而可提升分类分割的效率，并且由于其是一体化模型，能够更方便部署到超声产品上，提升了部署效率。本实施例对此不做任何限制。
同样的，对于本实施例中分割分类模块20对肝部待处理超声图像进行分类分割，获取分割图像和肝部待处理超声图像对应的目标分类结果的具体过程，可以由设计人员自行设置，如分割分类模块20可以先提取肝部待处理超声图像中的目标特征；其中，目标特征包括肝脏特征或肝脏特征和病灶特征；再根据目标特征，分别对肝部待处理超声图像进行分类和分割，获取肝部待处理超声图像对应的目标分类结果和分割图像。也就是说，分割分类模块20可以包括：特征提取子模块，用于提取肝部待处理超声图像中的目标特征；其中，目标特征包括肝脏特征或肝脏特征和病灶特征；分类子模块，用于根据目标特征，对肝部待处理超声图像进行分类，获取目标分类结果；分割子模块，用于根据目标特征，对肝部待处理超声图像进行分割，获取分割图像。
可以理解的是，为了提高分割分类模块20的分类分割的准确性，本实施例中分割分类模块20可以利用肝部待处理超声图像对应的患者的临床信息，对肝部待处理超声图像进行分类分割，获取分割图像和肝部待处理超声图像对应的目标分类结果，从而利用患者的临床信息，提高对易混淆病种的病灶的识别能力；例如分割分类模块20中的分类子模块可以根据肝部待处理超声图像对应的临床信息和特征提取子模块提取的肝部待处理超声图像中的目标特征，对肝部待处理超声图像进行分类，获取目标分类结果，从而提升得到的目标分类结果的准确性。
进一步的，本实施例中分割分类模块20获取的肝部待处理超声图像对应的目标分类结果为病灶的病种分类结果时，该目标分类结果还可以包括：该病灶的病种分类结果对应的推导概率，以使医护人员可以更好地了解本实施例所提供的图像处理装置识别的病灶的可能性(即推导概率)，进一步避免误诊的情况发生。对应的，获取模块10还可以用于获取肝部待处理超声图像对应的临床信息。
对应的，本实施例所提供的图像处理装置还可以包括：显示模块，用于根据分割图像和目标分类结果，生成显示图像。也就是说，显示模块可以在分割图像上加入目标分类结果，生成显示图像，如图2所示，目标分类结果为病灶的病种分类结果时，显示图像中可以包括病灶轮廓分割线对应的病灶的病种分类结果(如CE2)和相应的推导概率(如0.771)。
需要说明的是，本实施例是以图像处理装置对一个肝部待处理超声图像的分类分割为例进行的展示，对于图像处理装置对多个肝部待处理超声图像的分类分割的情况，可以采用与本实施例所提供的装置相同或相似的方式实现，本实施例对此不做任何限制。同样的，本实施例所提供的图像处理装置可以应用于超声设备，如图3所示，超声设备中的超声成像系统可以直接从超声系统数据流中调取需要分析处理的超声图像(即肝部原始超声图像)，通过本实施例所提供的装置实现超声图像的分类和分割；本实施例所提供的图像处理装置也可以应用于与超声设备连接的具有存储和运算功能的计算机，如超声系统中与超声设备连接的主机，例如计算机可以通过通信或与数据云相连的方式获取超声设备中超声探头采集的肝部原始超声图像，本实施例对此同样不做任何限制。
本实施例中，本发明实施例利用分割分类模块20对肝部待处理超声图像进行分类分割，可以识别出肝包虫病种和其他肝占位疾病病种，并在分割图像中分割出相应的病灶轮廓，能够识别出更多种类的肝占位疾病的病灶，降低了误诊率和漏诊率；并且能够在分割图像中分割出肝脏轮廓，使医护人员可以更加方便的了解肝脏与病灶的相对位置，辅助提高病灶轮廓的准确性。
请参考图4，图4为本发明实施例所提供的另一种图像处理装置的结构框图。该装置可以包括：
获取子模块11，用于获取肝部原始超声图像和肝部原始超声图像对应的临床信息；
预处理子模块12，用于对肝部原始超声图像进行预处理，得到肝部待处理超声图像；
分割分类模块20，用于利用实例分割与分类一体化模型，根据临床信息，对肝部待处理超声图像进行分类分割，获取分割图像和目标分类结果；其中，目标分类结果包括病灶的病种分类结果或肝脏无病灶结果，病灶的病种分类结果包括肝包虫病种分类结果或非肝包虫病种分类结果；目标分类结果为病灶的病种分类结果时，分割图像包括肝脏轮廓分割线和病灶轮廓分割线，目标分类结果还包括病灶的病种分类结果对应的推导概率；肝包虫病种分类结果包括6类囊型肝包虫病种和3类泡型肝包虫病种；非肝包虫病种分类结果包括肝包虫病种之外的8类肝占位病种；
显示模块30，用于根据分割图像和目标分类结果，生成显示图像。
具体的，本实施例中获取子模块11获取的肝部原始超声图像和对应的临床信息可以为超声设备中超声探头采集的患者肝部位置的超声图像和该患者的临床信息(如流行病史和既往史等)。例如获取子模块11可以直接接收超声设备中超声探头采集的患者的肝部原始超声图像，并且接收医护人员输入或调取的该患者的临床信息。
可以理解的是，对于本实施例中预处理子模块12对肝部原始超声图像进行预处理，得到肝部待处理超声图像的具体方式，可以由设计人员自行设置，如预处理子模块12可以将肝部原始超声图像缩放为预设大小的图像，并对该图像进行灰度转换，得到肝部待处理超声图像；也就是说，预处理子模块12可以包括缩放单元，用于对肝部原始超声图像进行缩放，得到预设大小的缩放图像；灰度单元，用于对缩放图像进行灰度转换，得到肝部待处理超声图像。本实施例对此不做任何限制。
具体的，本实施例中分割分类模块20可以利用实例分割与分类一体化模型，通过将肝部待处理超声图像和临床信息输入到实例分割与分类一体化模型进行肝部待处理超声图像的分类分割，得到实例分割与分类一体化模型输出的分割图像和目标分类结果。目标分类结果包括病灶的病种分类结果时，病灶的病种分类结果可以为9类肝包虫病种(即6类囊型肝包虫病种和3类泡型肝包虫病种)和8类非肝包虫病种(如肝囊肿、肝细胞癌和肝门胆管癌等)中的任一项；也就是说，分割分类模块20可以利用实例分割与分类一体化模型，根据肝部待处理超声图像和临床信息，检测肝部待处理超声图像中的病灶，若检测到可识别的病灶，则确定父型类别(如肝包虫病种和肝囊肿、肝细胞癌等非肝包虫病种)；若确定的父型类别为肝包虫病种，则确定并输出子型分型结果(即9类肝包虫病种)；若确定的父型类别其他的8类非肝包虫病种，则可以直接输出。
对应的，对于本实施例中分割分类模块20利用实例分割与分类一体化模型对肝部待处理超声图像进行分类分割的具体过程，即实例分割与分类一体化模型的具体网络结构，可以由设计人员根据实用场景和用户需求自行设置，如图4所示，分割分类模块20可以包括：特征提取子模块21，用于提取肝部待处理超声图像中的目标特征；其中，目标特征包括肝脏特征或肝脏特征和病灶特征；分类子模块22，用于根据目标特征和临床信息，对肝部待处理超声图像进行分类，获取目标分类结果；分割子模块23，用于根据目标特征，对肝部待处理超声图像进行分割，获取分割图像。
具体的，如图5和图6所示，分割分类模块20所采用的实例分割与分类一体化模型可以采用深度学习网络模型，以Mask R-CNN(一种实例分割算法)网络结构为基础，可以包括：特征提取子模块21的特征提取过程中所采用的特征提取部分，如backbone(主干网络)、RPN(区域建议网络)和RoI Align(一种区域特征聚集方式)层；分类子模块22的分类过程中所采用的病灶分类分支和病种分类分支；以及分割子模块23的分割过程中所采用的回归(即定位)分支和分割分支。
其中，backbone可以包括特征提取网络(如ResNet 101、resnet50或vgg16等)和FPN(特征金字塔网络)这两个部分；FPN是为解决小特征提取不佳而构建的多尺度特征金字塔结构；RPN用于产生建议区域；RoI Align层将建议区域映射成固定大小特征图(即目标特征)。也就是说，特征提取子模块21可以包括：主干提取单元，用于利用主干ResNet 101和FPN，对肝部待处理超声图像进行特征提取，获取特征图；建议区域单元，用于利用RPN网络，生成特征图对应的建议区域；区域融合单元，用于利用RoI Align层，将建议区域映射为预设大小的特征图，并将特征图作为目标特征。
对应的，实例分割与分类一体化模型中的病灶分类分支可以包括卷积层(即病灶卷积层)和全连接层(FC layers，即病灶全连接层)，病灶分类分支可以输出肝脏和病灶(即有无病灶)这两类；实例分割与分类一体化模型中的病种分类分支可以为现有Mask R-CNN基础上新增的分支，可以包括ROI pooling层(即病种ROI pooling层)、卷积层(即病种卷积层)和全连接层(即病种全连接层)，ROI pooling层能够实现训练和检测的显著加速，并提高检测的准确度，病种分类分支可以利用目标特征和临床信息，对病灶再细分，输出病种分类结果；如病灶分类分支只得到肝脏输出时，病种分类分支输出的病种分类结果可以为空(即表明肝脏无病灶)；病灶分类分支得到的是肝脏输出和病灶输出时，病种分类分支输出的病种分类结果可以为6类囊型肝包虫病种、3类泡型肝包虫病种和8类肝占位病种中的任意一种结果，即如果父型分类结果为肝包虫，则分类输出子型分型结果(即6类囊型肝包虫病种和3类泡型肝包虫病种)，如果父型分类结果属于其他8类肝占位病种，则直接作为病种分类结果输出。也就是说，分类子模块22可以包括：病灶分类单元，用于根据目标特征，利用病灶卷积层和病灶全连接层对相应的肝部待处理超声图像进行病灶分类，获取病灶分类结果；其中，病灶分类结果包括肝脏存在病灶(即肝脏输出和病灶输出)或肝脏无病灶(即肝脏输出)；病种分类单元，用于根据目标特征和临床信息，利用病种ROI pooling层、病种卷积层和病种全连接层对肝部待处理超声图像进行病种分类，获取病灶的病种分类结果；其中，病种卷积层可以为病种ROI pooling层和病种全连接层之间设置的3个3*3的卷积层以及一个1*1的卷积层。
相应的，实例分割与分类一体化模型中的分割分支可以包括ROI pooling层(即分割ROI pooling层)和全卷积网络，用于实现并输出肝脏及病灶的分割结果(即轮廓分割线)，可以输出像素级的分割掩码。实例分割与分类一体化模型中的回归分支可以包括卷积层(即回归卷积层)和全连接层(FC layers，即回归全连接层)，用于定位并输出肝脏位置和病灶位置，从而使分割分支输出的轮廓分割线能够放置到相应的位置；其中，如图6所示，回归分支可以与病灶分类分支共用同一卷积层和部分全连接层，即回归分支的回归卷积层和病灶分类分支的病灶卷积层可以为同一卷积层，且回归分支的回归全连接层的一部分与病灶分类分支的病灶全连接层的一部分为共用的部分全连接层。也就是说，分割子模块23可以包括分割单元，用于根据目标特征，利用分割ROI pooling层和全卷积网络生成肝脏轮廓分割线和病灶的病种分类结果对应的病灶轮廓分割线；回归单元，用于根据目标特征，利用回归卷积层和回归全连接层获取分割图像中的肝脏位置和病灶位置。
具体的，如图6所示，实例分割与分类一体化模型中的回归分支和病灶分类分支共用的卷积层(Convolution)可以包括一个7*7的卷积层和一个1*1的卷积层。也就是说，分类子模块22中的病灶分类单元，可以用于根据目标特征，利用病灶卷积层和病灶全连接层对相应的肝部待处理超声图像进行病灶分类，获取病灶分类结果；其中，病灶卷积层与回归分支中的回归卷积层为同一卷积层，包括1个7*7卷积层和1个1*1卷积层。
需要说明的是，本实施例所提供的图像处理装置还可以包括：模型训练模块，用于将肝部训练图像和每个肝部训练图像各自对应的训练临床信息输入到实例分割与分类一体化模型对应的初始模型进行迭代训练，获取训练好的实例分割与分类一体化模型；其中，肝部训练图像包括标注的目标分类结果和肝脏轮廓分割线，且当肝部训练图像存在病灶(即目标分类结果为病灶的病种分类结果)时，肝部训练图像还包括标注的病灶轮廓分割线。例如，设计人员或用户可以利用标注软件在采集好的超声图像进行肝脏和病灶的轮廓勾画(如果该图像只含肝脏，则只勾画出肝脏轮廓)，尽可能准确地贴合轮廓边缘，并标注病灶的病种，包括囊型肝包虫(CL、CE1、CE2等，共6类)、泡型肝包虫(AE1、AE2、AE3，共3类)，以及其他肝占位疾病(肝囊肿、肝细胞癌等，共8类)，共计17类，得到肝部训练图像；再将肝部训练图像和相应的临床信息(如流行病史和既往史等)输入到实例分割与分类一体化模型对应的初始模型进行训练，迭代优化，最终训练出一个符合要求(如准确率大于阈值)的模型，即训练好的实例分割与分类一体化模型。
具体的，本实施例中的显示模块30可以根据分割图像和目标分类结果，生成显示图像，使得显示图像可以在分割图像上显示出目标分类结果(如病灶的病种分类结果和推导概率)，如图2所示，目标分类结果包括病灶的病种分类结果时，显示图像中可以包括病灶轮廓分割线对应的病灶的病种分类结果(如CE2)和相应的推导概率(如0.771)，以及病灶轮廓分割线对应的肝脏(liver)的推导概率(如1.000)。
本实施例中，本发明实施例中通过分割分类模块20识别出肝包虫病种的具体子型，提高了识别的精确度；并且通过显示模块30生成显示图像，使图像中可以直接显示识别出的病灶的病种分类结果和相应的推导概率，避免对医护人员的错误引导，减少误诊率。
相应于上面的装置实施例，本发明实施例还提供了一种超声设备，该超声设备可以包括：如上述实施例所提供的图像处理装置。
相应于上面的装置实施例，本发明实施例还提供了一种图像处理方法，下文描述的应用图像处理方法与上文描述的图像处理装置可相互对应参照。
请参考图7，图7为本发明实施例所提供的一种图像处理方法的流程图。该方法可以包括：
步骤101：获取肝部待处理超声图像。
可选的，本步骤可以包括：获取肝部原始超声图像；对肝部原始超声图像进行预处理，得到肝部待处理超声图像。
可选的，本步骤还可以包括：获取肝部待处理超声图像对应的临床信息。
对应的，步骤102可以包括：根据临床信息，对肝部待处理超声图像进行分类分割，获取分割图像和肝部待处理超声图像对应的目标分类结果。
步骤102：对肝部待处理超声图像进行分类分割，获取分割图像和肝部待处理超声图像对应的目标分类结果；其中，目标分类结果包括病灶的病种分类结果或肝脏无病灶结果，病灶的病种分类结果包括肝包虫病种分类结果或非肝包虫病种分类结果；目标分类结果为病灶的病种分类结果时，分割图像包括肝脏轮廓分割线和病灶轮廓分割线。
可选的，肝包虫病种分类结果可以包括6类囊型肝包虫病种和3类泡型肝包虫病种中的任意一种；非肝包虫病种分类结果可以包括肝包虫病种之外的8类肝占位病种中的任意一种。
可选的，目标分类结果包括病灶的病种分类结果时，目标分类结果还可以包括：病灶的病种分类结果对应的推导概率。
可选的，本步骤可以包括：利用实例分割与分类一体化模型，根据临床信息，对肝部待处理超声图像进行分类分割，获取分割图像和目标分类结果。
对应的，该本实施例所提供的方法还可以包括：将肝部训练图像和每个肝部训练图像各自对应的训练临床信息输入到实例分割与分类一体化模型对应的初始模型进行迭代训练，获取训练好的实例分割与分类一体化模型；其中，肝部训练图像包括标注的目标分类结果和肝脏轮廓分割线，且当肝部训练图像存在病灶时，肝部训练图像还包括标注的病灶轮廓分割线。
可选的，上述利用实例分割与分类一体化模型，根据临床信息，对肝部待处理超声图像进行分类分割，获取分割图像和目标分类结果，可以包括：
提取肝部待处理超声图像中的目标特征；其中，目标特征包括肝脏特征或肝脏特征和病灶特征；
根据目标特征和临床信息，对肝部待处理超声图像进行分类，获取目标分类结果；
根据目标特征，对肝部待处理超声图像进行分割，获取分割图像。
可选的，实例分割与分类一体化模型可以包括特征提取部分、分割分支、病灶分类分支和病种分类分支；
对应的，上述利用实例分割与分类一体化模型，根据临床信息，对肝部待处理超声图像进行分类分割，获取分割图像和目标分类结果，可以包括：利用分割分支，根据目标特征，对肝部待处理超声图像进行分割，获取分割图像；
利用病灶分类分支，根据目标特征，对肝部待处理超声图像进行分类，获取病灶分类结果；
利用病种分类分支，根据目标特征和临床信息，对相应的肝部待处理超声图像进行病种分类，获取病种分类结果。
可选的，实例分割与分类一体化模型采用深度学习网络模型；其中，病灶分类分支包括依次连接的病灶卷积层和病灶全连接层，病种分类分支包括依次连接的ROI pooling层、病种卷积层和病种全连接层。
可选的，病灶卷积层包括1个7*7卷积层和1个1*1卷积层；病种卷积层包括3个3*3卷积层和1个1*1卷积层。
可选的，该本实施例所提供的方法还可以包括：根据分割图像和目标分类结果，生成显示图像。
本实施例中，本发明实施例通过对肝部待处理超声图像进行分类分割，可以识别出肝包虫病种和其他肝占位疾病病种，并在分割图像中分割出相应的病灶轮廓，能够识别出更多种类的肝占位疾病的病灶，降低了误诊率和漏诊率；并且能够在分割图像中分割出肝脏轮廓，使医护人员可以更加方便的了解肝脏与病灶的相对位置，辅助提高病灶轮廓的准确性。
相应于上面的方法实施例，本发明实施例还提供了一种图像处理设备，下文描述的一种图像处理设备与上文描述的一种图像处理方法可相互对应参照。
请参考图8，图8为本发明实施例所提供的一种图像处理设备的结构示意图。该图像处理设备可以包括：
存储器D1，用于存储计算机程序；
处理器D2，用于执行计算机程序时实现上述方法实施例所提供的图像处理方法的步骤。
具体的，本实施例中的图像处理设备可以具体为超声系统中的超声设备；也可以具体为与超声系统中的超声设备连接的主机。图像处理设备的具体结构可以参考图9，为本实施例提供的一种图像处理设备的具体结构示意图，该图像处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在图像处理设备301上执行存储介质330中的一系列指令操作。
图像处理设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341。例如，Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等。
上文所描述的图像处理方法中的步骤可以由图像处理设备的结构实现。
相应于上面的方法实施例，本发明实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种图像处理方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的图像处理方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
此外，本发明实施例还提供了一种超声系统，包括：如上述实施例所提供的图像处理设备。
可选的，图像处理设备具体为超声设备时，超声系统还可以包括与图像处理设备连接的超声探头和主机(如PC)。
可选的，图像处理设备具体为与超声设备连接的主机时，超声系统还可以包括超声设备和与超声设备连接的超声探头。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法、设备、超声设备、超声系统及可读存储介质而言，由于其与实施例公开的装置相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
以上对本发明所提供的一种图像处理装置、方法、设备、超声设备、超声系统及可读存储介质进行了详细介绍。本文中应用了具体个例对本发明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发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (18)
1.一种图像处理装置，其特征在于，包括：
获取模块，用于获取肝部待处理超声图像；
分割分类模块，用于对所述肝部待处理超声图像进行分类分割，获取分割图像和所述肝部待处理超声图像对应的目标分类结果；其中，所述目标分类结果包括病灶的病种分类结果或肝脏无病灶结果，所述病灶的病种分类结果包括肝包虫病种分类结果或非肝包虫病种分类结果；所述目标分类结果为所述病灶的病种分类结果时，所述分割图像包括肝脏轮廓分割线和病灶轮廓分割线。
2.根据权利要求1所述的图像处理装置，其特征在于，所述肝包虫病种分类结果包括6类囊型肝包虫病种和3类泡型肝包虫病种中的任意一种；所述非肝包虫病种分类结果包括所述肝包虫病种之外的8类肝占位病种中的任意一种。
3.根据权利要求1所述的图像处理装置，其特征在于，所述目标分类结果包括所述病灶的病种分类结果时，所述目标分类结果还包括：所述病灶的病种分类结果对应的推导概率。
4.根据权利要求1所述的图像处理装置，其特征在于，还包括：
显示模块，用于根据所述分割图像和所述目标分类结果，生成显示图像。
5.根据权利要求1所述的图像处理装置，其特征在于，所述获取模块，包括：
获取子模块，用于获取肝部原始超声图像；
预处理子模块，用于对所述肝部原始超声图像进行预处理，得到所述肝部待处理超声图像。
6.根据权利要求1所述的图像处理装置，其特征在于，所述获取模块还用于获取所述肝部待处理超声图像对应的临床信息；
对应的，所述分割分类模块具体用于利用实例分割与分类一体化模型，根据所述临床信息，对所述肝部待处理超声图像进行分类分割，获取所述分割图像和所述目标分类结果。
7.根据权利要求6所述的图像处理装置，其特征在于，还包括：
模型训练模块，用于将肝部训练图像和每个所述肝部训练图像各自对应的训练临床信息输入到所述实例分割与分类一体化模型对应的初始模型进行迭代训练，获取训练好的所述实例分割与分类一体化模型；其中，所述肝部训练图像包括标注的目标分类结果和肝脏轮廓分割线，且当所述肝部训练图像存在病灶时，所述肝部训练图像还包括标注的病灶轮廓分割线。
8.根据权利要求1至7任一项所述的图像处理装置，其特征在于，所述分割分类模块，包括：
特征提取子模块，用于提取所述肝部待处理超声图像中的目标特征；其中，所述目标特征包括肝脏特征或所述肝脏特征和病灶特征；
分类子模块，用于根据所述目标特征，对所述肝部待处理超声图像进行分类，获取所述目标分类结果；
分割子模块，用于根据所述目标特征，对所述肝部待处理超声图像进行分割，获取所述分割图像。
9.根据权利要求8所述的图像处理装置，其特征在于，所述分类子模块，包括：
病灶分类单元，用于根据所述目标特征，对所述肝部待处理超声图像进行病灶分类，获取病灶分类结果；其中，所述病灶分类结果包括肝脏存在病灶或肝脏无病灶；
病种分类单元，用于在所述病灶分类结果为肝脏存在病灶时，根据所述目标特征，对相应的肝部待处理超声图像进行病种分类，获取所述病种分类结果。
10.根据权利要求9所述的图像处理装置，其特征在于，所述获取模块具体用于获取肝部待处理超声图像，并将所述肝部待处理图像输入实例分割与分类一体化模型；其中，所述实例分割与分类一体化模型包括特征提取部分、分割分支、病灶分类分支和病种分类分支；
所述特征提取子模块具体用于利用所述特征提取部分提取所述肝部待处理超声图像中的目标特征；
所述分割子模块具体用于利用所述分割分支，根据所述目标特征，对所述肝部待处理超声图像进行分割，获取所述分割图像；
所述病灶分类单元具体用于利用所述病灶分类分支，根据所述目标特征，对所述肝部待处理超声图像进行分类，获取所述病灶分类结果；
所述病种分类单元具体用于利用所述病种分类分支，根据所述目标特征，对相应的肝部待处理超声图像进行病种分类，获取所述病种分类结果。
11.根据权利要求10所述的图像处理装置，其特征在于，所述实例分割与分类一体化模型采用深度学习网络模型；其中，所述病灶分类分支包括依次连接的病灶卷积层和病灶全连接层，所述病种分类分支包括依次连接的ROI pooling层、病种卷积层和病种全连接层。
12.根据权利要求11所述的图像处理装置，其特征在于，所述病灶卷积层包括1个7*7卷积层和1个1*1卷积层；所述病种卷积层包括3个3*3卷积层和1个1*1卷积层。
13.根据权利要求10所述的图像处理装置，其特征在于，所述获取模块还用于获取所述肝部待处理超声图像对应的临床信息时，所述病种分类单元具体用于利用所述病种分类分支，根据所述目标特征和所述临床信息，对所述肝部待处理超声图像进行病种分类，获取所述病种分类结果。
14.一种超声设备，其特征在于，包括：如权利要求1至13任一项所述的图像处理装置。
15.一种图像处理方法，其特征在于，包括：
获取肝部待处理超声图像；
对所述肝部待处理超声图像进行分类分割，获取分割图像和所述肝部待处理超声图像对应的目标分类结果；其中，所述目标分类结果包括病灶的病种分类结果或肝脏无病灶结果，所述病灶的病种分类结果包括肝包虫病种分类结果或非肝包虫病种分类结果；所述目标分类结果为所述病灶的病种分类结果时，所述分割图像包括肝脏轮廓分割线和病灶轮廓分割线。
16.一种图像处理设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求15所述的图像处理方法的步骤。
17.一种超声系统，其特征在于，包括：如权利要求16所述的图像处理设备。
18.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求15所述的图像处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011375468.0A CN112330731A (zh) | 2020-11-30 | 2020-11-30 | 图像处理装置、方法、设备、超声系统及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011375468.0A CN112330731A (zh) | 2020-11-30 | 2020-11-30 | 图像处理装置、方法、设备、超声系统及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112330731A true CN112330731A (zh) | 2021-02-05 |
Family
ID=74309454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011375468.0A Pending CN112330731A (zh) | 2020-11-30 | 2020-11-30 | 图像处理装置、方法、设备、超声系统及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112330731A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114496088A (zh) * | 2022-01-27 | 2022-05-13 | 中国农业科学院兰州兽医研究所 | 一种棘球蚴病微生物标志物及其筛选方法和应用 |
| CN116385427A (zh) * | 2023-05-05 | 2023-07-04 | 首都医科大学附属北京友谊医院 | 图像处理方法及装置 |
| CN116630867A (zh) * | 2023-07-25 | 2023-08-22 | 深圳市美侨医疗科技有限公司 | 一种基于Mask R-CNN的白带滴虫检测与跟踪方法 |
| CN117094976A (zh) * | 2023-08-23 | 2023-11-21 | 脉得智能科技(无锡)有限公司 | 病灶漏检判断方法、装置和电子设备 |
| CN117274228A (zh) * | 2023-10-24 | 2023-12-22 | 脉得智能科技(无锡)有限公司 | 一种基于深度学习血吸虫肝病超声图像风险分级系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899926A (zh) * | 2015-07-06 | 2015-09-09 | 上海联影医疗科技有限公司 | 医学图像分割方法和装置 |
| CN108682015A (zh) * | 2018-05-28 | 2018-10-19 | 科大讯飞股份有限公司 | 一种生物图像中的病灶分割方法、装置、设备及存储介质 |
| CN108805858A (zh) * | 2018-04-10 | 2018-11-13 | 燕山大学 | 基于数据挖掘的肝病ct图像计算机辅助诊断系统及方法 |
| CN109447969A (zh) * | 2018-10-29 | 2019-03-08 | 北京青燕祥云科技有限公司 | 肝占位性病变识别方法、装置和实现装置 |
| CN109685810A (zh) * | 2018-12-18 | 2019-04-26 | 清华大学 | 一种基于深度学习的肝包虫病灶识别方法及系统 |
| CN109685023A (zh) * | 2018-12-27 | 2019-04-26 | 深圳开立生物医疗科技股份有限公司 | 一种超声图像的面部关键点检测方法及相关装置 |
| CN109685809A (zh) * | 2018-12-18 | 2019-04-26 | 清华大学 | 一种基于神经网络的肝包虫病灶分割方法及系统 |
| RU2715440C1 (ru) * | 2019-06-28 | 2020-02-28 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Смоленский государственный медицинский университет" министерства здравоохранения Российской Федерации | Способ дифференциальной диагностики очагового жирового гепатоза и кист печени |
| CN111144506A (zh) * | 2019-12-30 | 2020-05-12 | 深圳大学 | 基于超声图像的肝包虫识别方法、存储介质及超声设备 |
| CN111429412A (zh) * | 2020-03-17 | 2020-07-17 | 北京青燕祥云科技有限公司 | 肝包虫超声ai辅助诊断方法及系统 |
| CN111950595A (zh) * | 2020-07-14 | 2020-11-17 | 十堰市太和医院（湖北医药学院附属医院） | 肝脏病灶图像处理方法、系统、存储介质、程序、终端 |
-
2020
- 2020-11-30 CN CN202011375468.0A patent/CN112330731A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899926A (zh) * | 2015-07-06 | 2015-09-09 | 上海联影医疗科技有限公司 | 医学图像分割方法和装置 |
| CN108805858A (zh) * | 2018-04-10 | 2018-11-13 | 燕山大学 | 基于数据挖掘的肝病ct图像计算机辅助诊断系统及方法 |
| CN108682015A (zh) * | 2018-05-28 | 2018-10-19 | 科大讯飞股份有限公司 | 一种生物图像中的病灶分割方法、装置、设备及存储介质 |
| CN109447969A (zh) * | 2018-10-29 | 2019-03-08 | 北京青燕祥云科技有限公司 | 肝占位性病变识别方法、装置和实现装置 |
| CN109685810A (zh) * | 2018-12-18 | 2019-04-26 | 清华大学 | 一种基于深度学习的肝包虫病灶识别方法及系统 |
| CN109685809A (zh) * | 2018-12-18 | 2019-04-26 | 清华大学 | 一种基于神经网络的肝包虫病灶分割方法及系统 |
| CN109685023A (zh) * | 2018-12-27 | 2019-04-26 | 深圳开立生物医疗科技股份有限公司 | 一种超声图像的面部关键点检测方法及相关装置 |
| RU2715440C1 (ru) * | 2019-06-28 | 2020-02-28 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Смоленский государственный медицинский университет" министерства здравоохранения Российской Федерации | Способ дифференциальной диагностики очагового жирового гепатоза и кист печени |
| CN111144506A (zh) * | 2019-12-30 | 2020-05-12 | 深圳大学 | 基于超声图像的肝包虫识别方法、存储介质及超声设备 |
| CN111429412A (zh) * | 2020-03-17 | 2020-07-17 | 北京青燕祥云科技有限公司 | 肝包虫超声ai辅助诊断方法及系统 |
| CN111950595A (zh) * | 2020-07-14 | 2020-11-17 | 十堰市太和医院（湖北医药学院附属医院） | 肝脏病灶图像处理方法、系统、存储介质、程序、终端 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114496088A (zh) * | 2022-01-27 | 2022-05-13 | 中国农业科学院兰州兽医研究所 | 一种棘球蚴病微生物标志物及其筛选方法和应用 |
| CN116385427A (zh) * | 2023-05-05 | 2023-07-04 | 首都医科大学附属北京友谊医院 | 图像处理方法及装置 |
| CN116630867A (zh) * | 2023-07-25 | 2023-08-22 | 深圳市美侨医疗科技有限公司 | 一种基于Mask R-CNN的白带滴虫检测与跟踪方法 |
| CN116630867B (zh) * | 2023-07-25 | 2023-11-17 | 深圳市美侨医疗科技有限公司 | 一种基于Mask R-CNN的白带滴虫检测与跟踪方法 |
| CN117094976A (zh) * | 2023-08-23 | 2023-11-21 | 脉得智能科技(无锡)有限公司 | 病灶漏检判断方法、装置和电子设备 |
| CN117094976B (zh) * | 2023-08-23 | 2024-03-01 | 脉得智能科技(无锡)有限公司 | 病灶漏检判断方法、装置和电子设备 |
| CN117274228A (zh) * | 2023-10-24 | 2023-12-22 | 脉得智能科技(无锡)有限公司 | 一种基于深度学习血吸虫肝病超声图像风险分级系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112330731A (zh) | 图像处理装置、方法、设备、超声系统及可读存储介质 | |
| JP7143008B2 (ja) | 深層学習に基づく医用画像検出方法及び装置、電子機器及びコンピュータプログラム | |
| CN110874594B (zh) | 基于语义分割网络的人体外表损伤检测方法及相关设备 | |
| CN111311592B (zh) | 一种基于深度学习的三维医学图像自动分割方法 | |
| CN108416776B (zh) | 图像识别方法、图像识别装置、计算机产品和可读存储介质 | |
| CN111429460B (zh) | 图像分割方法、图像分割模型训练方法、装置和存储介质 | |
| JP4542591B2 (ja) | 画像処理システム、画像保管装置、および、画像処理装置、並びに、画像処理方法、プログラム | |
| CN111696089A (zh) | 一种动静脉确定方法、装置、设备和存储介质 | |
| CN111028246A (zh) | 一种医学图像分割方法、装置、存储介质及电子设备 | |
| US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
| CN113421240B (zh) | 一种基于超声自动乳腺全容积成像的乳腺分类方法及装置 | |
| EP4181059A1 (en) | Medical image processing method, apparatus, device, storage medium, and product | |
| CN111932495B (zh) | 一种医学图像检测方法、装置及存储介质 | |
| CN116129129B (zh) | 一种人物交互检测模型及检测方法 | |
| CN110992310A (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
| Ko et al. | Microscopic cell nuclei segmentation based on adaptive attention window | |
| CN113781387A (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
| Zhu et al. | Scene text relocation with guidance | |
| WO2017089953A1 (en) | Process for processing medical images of a face for recognition of facial dysmorphisms | |
| CN114360695B (zh) | 乳腺超声扫查分析辅助系统、介质及设备 | |
| CN115546149A (zh) | 肝脏分割方法及装置、电子设备及存储介质 | |
| CN112530554B (zh) | 一种扫描定位方法、装置、存储介质及电子设备 | |
| WO2022227193A1 (zh) | 肝脏区域分割方法、装置、电子设备及存储介质 | |
| CN111275719B (zh) | 钙化假阳识别及其模型训练的方法、装置、终端及介质 | |
| CN113222989A (zh) | 一种图像分级方法、装置、存储介质及电子设备 |
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 |