CN112331314A - 一种图像标注方法、装置、存储介质和电子设备 - Google Patents
一种图像标注方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN112331314A CN112331314A CN202011353614.XA CN202011353614A CN112331314A CN 112331314 A CN112331314 A CN 112331314A CN 202011353614 A CN202011353614 A CN 202011353614A CN 112331314 A CN112331314 A CN 112331314A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- images
- annotation
- initial images
- 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
Images
Classifications
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种图像标注方法、装置、存储介质和电子设备,该图像标注方法包括:获取至少两个初始图像,至少两个初始图像是针对同一部位的图像参数不同的图像;通过预先训练好的图像标注模型对至少两个初始图像进行处理,以获得标注有病灶区域的标注图像,其中,图像标注模型包括图像合并层和图像标注层,图像合并层用于对至少两个初始图像进行合并,以获得合并图像,图像标注层用于对合并图像进行标注,以输出标注图像。借助于上述技术方案,本申请实施例不仅能够提高病灶区域的标注效率,还能够提高标注的准确率。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种图像标注方法、装置、存储介质和电子设备。
背景技术
目前,现有的病灶区域的确定方法是通过放射科医生手动标注的方式来实现的。
但是,这种手动标注病灶区域的方法存在着效率比较低的问题,以及不同的放射科医生的标注偏差也很较大。
发明内容
本申请实施例的目的在于提供一种图像标注方法、装置、存储介质和电子设备,以解决现有技术中存在着的效率比较低以及标注准确率不高的问题。
第一方面,本申请实施例提供了一种图像标注方法,该图像标注方法包括:获取至少两个初始图像,至少两个初始图像是针对同一部位的图像参数不同的图像;通过预先训练好的图像标注模型对至少两个初始图像进行处理,以获得标注有病灶区域的标注图像,其中,图像标注模型包括图像合并层和图像标注层,图像合并层用于对至少两个初始图像进行合并,以获得合并图像,图像标注层用于对合并图像进行标注,以输出标注图像。
因此,本申请实施例通过图像标注模型来实现图像中病灶区域的标注,从而不仅能够实现病灶区域的自动识别,还能够提高效率。同时,本申请实施例通过将至少两个初始图像合并为一个合并图像,并对合并图像中的病灶区域进行标注,从而相比于现有的只利用一个主频道的数据来进行标注的方案,其通过至少两个频道的数据来进行标注,从而还能够提高标注的准确率。
在一个可能的实施例中,图像标注模型还包括特征提取层、特征匹配层和特征转换层,特征提取层用于提取至少两个初始图像中每个初始图像的图像特征,特征匹配层用于根据图像特征,确定用于将至少两个初始图像进行对齐的变换参数,特征转换层用于利用变换参数和图像特征,生成变换后的至少两个初始图像;图像合并层具体用于对变换后的至少两个初始图像进行合并,以获得合并图像。
因此,本申请实施例可通过调整后的至少两个初始图像来进行图像的合并,从而能够提高合并的效率。
在一个可能的实施例中,变换参数包括以下参数中的至少一个参数:旋转参数、平移参数和缩放参数。
在一个可能的实施例中,在通过预先训练好的图像标注模型对至少两个初始图像进行处理之前,图像标注方法还包括:利用专家标注的样本图像对初始图像标注模型进行训练,以获得预先训练好的图像标注模型。
在一个可能的实施例中,至少两个初始图像包括T1加权成像T1WI图像、T2加权成像T2WI图像、扩散加权成像DWI图像和T1加权对比增强成像T1+C图像中的至少两个图像。
第二方面,本申请实施例提供了一种图像标注装置,该图像标注装置包括:获取模块,用于获取至少两个初始图像,至少两个初始图像是针对同一部位的图像参数不同的图像;处理模块,用于通过预先训练好的图像标注模型对至少两个初始图像进行处理,以获得标注有病灶区域的标注图像,其中,图像标注模型包括图像合并层和图像标注层,图像合并层用于对至少两个初始图像进行合并,以获得合并图像,图像标注层用于对合并图像进行标注,以输出标注图像。
在一个可能的实施例中,图像标注模型还包括特征提取层、特征匹配层和特征转换层,特征提取层用于提取至少两个初始图像中每个初始图像的图像特征,特征匹配层用于根据图像特征,确定用于将至少两个初始图像进行对齐的变换参数,特征转换层用于利用变换参数和图像特征,生成变换后的至少两个初始图像;图像合并层具体用于对变换后的至少两个初始图像进行合并,以获得合并图像。
在一个可能的实施例中,变换参数包括以下参数中的至少一个参数:旋转参数、平移参数和缩放参数。
在一个可能的实施例中,图像标注装置还包括:训练模块,用于利用专家标注的样本图像对初始图像标注模型进行训练,以获得预先训练好的图像标注模型。
在一个可能的实施例中,至少两个初始图像包括T1加权成像T1WI图像、T2加权成像T2WI图像、扩散加权成像DWI图像和T1加权对比增强成像T1+C图像中的至少两个图像。
第三方面,本申请实施例提供了一种存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
第四方面,本申请实施例提供了一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当所述电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
第五方面,本申请提供一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行第一方面或第一方面的任意可能的实现方式中的方法。
为使本申请实施例所要实现的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的一种图像标注方法的流程图;
图2示出了本申请实施例提供的一种图像标注模型的结构框图;
图3示出了本申请实施例提供的一种图像标注模型的训练方法的流程图;
图4示出了本申请实施例提供的一种图像标注装置的结构框图;
图5示出了本申请实施例提供的一种电子设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
随着人们生活方式的改变,患病机率(例如,患结肠直肠癌的机率)日趋严重。目前,在医院给病人制定治疗方案的过程中,需要使用医疗影像技术。例如,放射科医生通过磁共振成像(Magnetic Resonance Imaging,MRI)图像来确定病人的病灶区域(例如,肿瘤区域等)的位置、形状和大小。
但是,目前标准工作流程是由放射科医生通过手动标注的方式来实现的,其至少存在着效率比较低,以及不同的放射科医生的标注偏差也很较大的问题。以及,由于人眼对影讯信号的细微差别的辨识是不如计算机的,同时放射科医生的资源也跟不上病人数目的增加,对MRI图像中病灶区域的自动识别是十分迫切的需求。
目前,在人工智能医疗影像的自动识别方面的研究,主要是采用卷积神经网络的深度学习技术。虽然现有的卷积神经网络能够实现对MRI图像的自动识别,但是其只应用到了T2加权成像(T2-weighted imaging,T2WI图像),忽略了MRI图像中的其他重要的图像(例如,T1加权成像(T1-weighted imaging,T1WI图像)、扩散加权成像(Diffusion weightedimaging,DWI图像)和T1加权对比增强成像(T1-weighted contrast-enhanced imaging,T1+C图像)等),从而使得病灶区域的准确率比较低。
也就是说,传统的人类读片专家在解读MRI图像时,不仅会使用主要频道的数据(即T2WI图像),还要同时参考其他频道的数据(即其他重要的图像),交叉对比来确认T2WI图像有可能有歧义的数据。
但是,现有的卷积神经网络的深度学习技术因为神经网络结构设计的局限,只使用一个主要频道的数据,从而造成误判率上升,达不到人类读片专家的水平。
此外,传统的人类读片专家在参考不同频道的数据时需要来回切换显示,操作费时费力,以及由于相关数据是三维数据,所以也需要有丰富的经验才能达到满意的准确度。
基于此,本申请实施例巧妙地提出了一种图像标注方案,通过获取至少两个初始图像,且至少两个初始图像是针对同一部位的图像参数不同的图像,以及通过预先训练好的图像标注模型对至少两个初始图像进行处理,以获得标注有病灶区域的标注图像。其中,图像标注模型包括图像合并层和图像标注层,图像合并层用于对至少两个初始图像进行合并,以获得合并图像,图像标注层用于对合并图像进行标注,以输出标注图像。
因此,本申请实施例通过图像标注模型来实现图像中病灶区域的标注,从而不仅能够实现病灶区域的自动识别,还能够提高效率。同时,本申请实施例通过将至少两个初始图像合并为一个合并图像,并对合并图像中的病灶区域进行自动标注,从而相比于现有的只利用一个主频道的数据来进行标注的方案,其通过至少两个频道的数据来进行标注,从而还能够提高标注的准确率。
请参见图1,图1示出了本申请实施例提供的一种图像标注方法的流程图,应理解,图1所示的图像标注方法可以由图像标注装置执行,该图像标注装置可以与下文中的图4所示的图像标注装置对应,该图像标注装置可以是能够执行该图像标注方法的各种设备,例如,如个人计算机、服务器或网络设备等,本申请实施例并不限于此。如图1所示的图像标注方法包括如下步骤:
步骤S110,获取至少两个初始图像。其中,至少两个初始图像是针对同一部位的图像参数不同的图像。
应理解,至少两个初始图像的具体图像可根据实际需求来进行设置,本申请实施例并不局限于此。
例如,至少两个初始图像可以包括T1WI图像、T2WI图像、DWI图像和T1+C图像中的至少两个图像。
这里需要说明的是,为了保证标注结果的精准性,至少两个初始图像可以包括T2WI图像,其他图像可以根据需求来进行选择。
还应理解,同一部位可以是人的脑部,也可以是人的肝脏,也可以是人的前列腺等。也就是说,同一部位的具体位置可根据实际需求来进行设置,本申请实施例并不局限于此。
还应理解,图像参数可以包括图像灰度,也可以图像深度等。
例如,对于T2WI图像和T1WI图像来说,其对应的都是同一个用户的脑部的同一位置,但是,这两个图像的图像灰度或者图像深度是不一样的。
这里需要说明的是,至少两个初始图像均是属于MRI图像中的图像。
步骤S120,通过预先训练好的图像标注模型对至少两个初始图像进行处理,以获得标注有病灶区域的标注图像。其中,图像标注模型包括图像合并层和图像标注层,图像合并层用于对至少两个初始图像进行合并,以获得合并图像,图像标注层用于对合并图像进行标注,以输出标注图像。
应理解,图像标注模型的具体结构可根据实际需求来进行设置,本申请实施例并不局限于此。
例如,请参见图2,图2示出了本申请实施例提供的一种图像标注模型的结构框图。如图2所示,该图像标注模型包括依次连接的特征提取层、特征匹配层、特征转换层、图像合并层和图像标注层。
其中,特征提取层用于从至少两个图像(例如,至少两个初始图像或者至少两个训练图像)中提取出每个图像的图像特征,其中,至少两个图像是针对同一部位的图像参数不同的图像;特征匹配层用于根据图像特征,确定用于将至少两个图像进行对齐的变换参数;特征转换层用于利用变换参数和特征提取层提取的图像特征,生成变换后的至少两个图像,其中,对于变换后的至少两个图像和输入到特征提取层中的图像来说,变换后的至少两个图像是对齐的至少两个图像;图像合并层用于对变换后的至少两个图像进行合并,以获得一个合并图像;图像标注层用于对合并图像进行标注,以输出标注图像。
应理解,变换参数的具体参数可根据实际需求来进行设置,本申请实施例并不局限于此。
例如,变换参数包括以下参数中的至少一个参数:旋转参数、平移参数和缩放参数。其中,旋转参数可以包括旋转方向和旋转角度等;平移参数可以是包括平移方向和平移量等;缩放参数可以包括缩放部位和缩放系数等。
这里需要说明的是,这里的至少两个图像的对齐可以是指将至少两个图像中的人体器官对齐,也可以是指将至少两个图像中的特征点对齐等。
应理解,图像的特征点的具体位置和具体数量等均可根据实际需求来进行设置,本申请实施例并不局限于此。
这里还需要说明的是,通过图像合并层对变换后的至少两个图像进行合并的过程可根据实际需求来进行设置,本申请实施例并不局限于此。
可选地,图像合并层可利用多通道三维图像融合方法来对至少两个图像进行合并,以获得一个合并图像。
也就是说,对于至少两个图像中每个图像中的图像特征来说,其是没有丢弃任何图像特征的,即其是利用所有图像中的图像特征来进行合并的。
可选地,图像合并层可从至少两个图像中的每个图像中选取指定的图像特征来进行合并,以获得一个合并图像。
也就是说,对于至少两个图像中每个图像中的图像特征来说,其是从每个图像的图像特征中选取部分图像特征来进行合并,即其是利用所有图像中的部分图像特征来进行合并的。
例如,在至少两个图像为T1WI图像和T2WI图像的情况下,T2WI图像中的80%的图像特征是比较好的,T1WI图像中的20%的图像特征是比较好的,故可将T2WI图像中的80%的图像特征看作目标图像特征,并将T1WI图像中的20%的图像特征看作目标图像特征。从而,后续可将T2WI图像中的80%的图像特征和T1WI图像中的20%的图像特征来进行合并,从而得到一张完整的且不少缺少图像特征的合并图像(例如,对于合并图像来说,其可以是将T1WI图像中的非目标图像特征替换T2WI图像中的目标图像特征后得到的图像),且合并图像的内容也是关于同一部位的图像。
这里需要说明的是,至少两个图像中每个图像的目标图像特征的确定方法可根据实际需求来进行设置,本申请实施例并不局限于此。
例如,至少两个图像中的目标图像特征可以是根据预设参数来确定的,该预设参数可以是有专家级的医生来预先设定的,其可根据专家级经验来确定(例如,对于T2WI中的某一区域来说,专家级医生根据经验确定,替换为T1WI中对应区域的图像特征,故可先在后台设置包含该区域的位置信息的预设参数,进而图像合并层可根据预设参数来确定),也可以是根据图像特征的比对结果来确定的,由于调制后的至少两个图像是经过对齐的,故至少两个图像中的图像特征是对应的,从而可将多个图像中对应的图像特征(例如,同一器官的上侧对应的至少两个图像特征)进行比较(例如,在训练过程中,可将多个图像中对应的图像特征和训练模板图像特征进行比较,从而后续在根据与模板图像特征最相符的图像特征来合并图像,其中,训练模板图像可以是预先设置的,后续待图像合并层训练好之后,图像合并层可直接进行图像的合并,不再需要训练模板图像作为对比样板),从而可根据比较结果来选取目标图像特征。
为了便于理解本申请实施例,下面通过具体的实施例来进行描述。
具体地,请参见图3,图3示出了本申请实施例提供的一种图像标注模型的训练方法的流程图,如图3所示的图像标注模型的训练方法包括:
步骤S310,通过图像特征层提取至少两个训练图像中每个训练图像的图像特征。其中,至少两个训练图像是针对同一部位的图像参数不同的图像。
具体地,可将至少两个训练图像输入到初始图像标注模型中,随后可通过图像特征层来提取每个训练图像的图像特征。
应理解,通过图像特征层来提取每个训练图像的图像特征的具体过程可根据实际需求来进行设置,本申请实施例并不局限于此。
例如,图像特征层可通过统计计算的方式来提取梯度方向直方图特征。
此外,这里需要说明的是,在将至少两个训练图像输入到初始图像标注模型的方式可是将包含有T2WI图像、T1WI图像等图像的MRI图像直接输入到初始图像标注模型中,也可以是先从MRI图像中提取出T2WI图像、T1WI图像等图像,随后再将提取出的需要输入的图像输入到初始图像标注模型中。
对应地,至少两个初始图像的输入方式与至少两个训练图像的输入方式类似,后续不再一一说明。
步骤S320,通过特征匹配层确定用于将至少两个训练图像进行对齐的变换参数。
具体地,虽然不同的训练图像看上去是不一样的,但是其本质上测量的都是人体的同一部位,因为不同的频道的数据对组织的敏感度是不一样的。
此外,为了保证后续合并图像是连续的,这里可通过旋转、平移或者缩放等方式使得至少两个训练图像是对齐的(或者是尺寸大小是一样的等),即这里实现了图像特征的适配,同时初始图像标注模型也会记录下实现对齐的相关步骤,从而在模型训练完成后,训练好的图像标注模型能够实现图像特征的适配。
步骤S330,通过特征转换层利用变换参数来将图像特征合并成变换后的训练图像。其中,变换后的训练图像可以是按照变换参数来调整训练图像后得到的图像。
具体地,在卷积神经网络模型中,在将一张图像拆分为多个图像特征之后,还需要将拆解的图像特征合并成训练图像,从而能够实现图像的学习,即便是后续的图像是模型之前未见过的,模型也能够知道图像的内容。
此外,特征转换层除了合并变换后的训练图像之外,其还可获得训练图像,从而特征转换层可将变换后的训练图像和获得的训练图像进行比对,以确定变换后的训练图像的合成是否正确的。
步骤S340,通过图像合并层将变换后的训练图像合并成合并图像。
具体地,图像合并层可利用多通道三维图像融合技术来对变换后的至少两个训练图像进行合并。
步骤S350,通过图像标注层对合并图像进行标注,以输出标注图像。
应理解,通过图像标注层对合并图像进行标注,以输出标注图像的过程可根据实际需求来进行设置,本申请实施例并不局限于此。
此外,在输出标注图像之后,还可将训练结果中的标注图像和专家标注的样本图像进行比对,以生成用于调整初始图像标注模型的损失函数,从而后续可通过损失函数来调整初始图像标注模型。
也就是说,可利用了专家标注的样本图像对初始图像标注模型进行训练的,以获得训练好的图像标注模型。
这里需要说明的是,虽然上述图3描述了图像标注模型的训练过程,但本领域的技术人员应当理解,在图像标注模型是训练好的图像标注模型的情况下,其可直接执行下述步骤,无需再执行图3的相关步骤。
另外,在图像标注模型是预先训练好的图像标注模型的情况下,可通过预先训练好的图像标注模型对至少两个初始图像进行处理,以获得标注有病灶区域(例如,肿瘤区域等)的标注图像。
这里还需要说的是,图像标注模型的使用过程和训练过程是类似的,相关内容后续不再一一描述,具体可参见图3的相关描述。
因此,本申请实施例通过图像标注模型来实现图像中病灶区域的标注,从而不仅能够实现病灶区域的自动识别,还能够提高效率。同时,本申请实施例通过将至少两个初始图像合并为一个合并图像,并对合并图像中的病灶区域进行自动标注,从而相比于现有的只利用一个主频道的数据来进行标注的方案,其通过至少两个频道的数据来进行标注,从而还能够提高标注的准确率。
此外,上述标注的过程也比人眼识别更加科学和准确,从而能够为放射科医生提供高效、灵活、完整、严密的诊断辅助和决策支持。
应理解,上述图像标注方法仅是示例性的,本领域技术人员根据上述的方法可以进行各种变形,修改或变形之后的内容也在本申请保护范围内。
请参见图4,图4示出了本申请实施例提供的一种图像标注装置400的结构框图,应理解,该图像标注装置400与上述方法实施例对应,能够执行上述方法实施例涉及的各个步骤,该图像标注装置400具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。该图像标注装置400包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在图像标注装置400的操作系统(operating system,OS)中的软件功能模块。具体地,该图像标注装置400包括:
获取模块410,用于获取至少两个初始图像,至少两个初始图像是针对同一部位的图像参数不同的图像;处理模块420,用于通过预先训练好的图像标注模型对至少两个初始图像进行处理,以获得标注有病灶区域的标注图像,其中,图像标注模型包括图像合并层和图像标注层,图像合并层用于对至少两个初始图像进行合并,以获得合并图像,图像标注层用于对合并图像进行标注,以输出标注图像。
在一个可能的实施例中,图像标注模型还包括特征提取层、特征匹配层和特征转换层,特征提取层用于提取至少两个初始图像中每个初始图像的图像特征,特征匹配层用于根据图像特征,确定用于将至少两个初始图像进行对齐的变换参数,特征转换层用于利用变换参数和图像特征,生成变换后的至少两个初始图像;图像合并层具体用于对变换后的至少两个初始图像进行合并,以获得合并图像。
在一个可能的实施例中,变换参数包括以下参数中的至少一个参数:旋转参数、平移参数和缩放参数。
在一个可能的实施例中,图像标注装置还包括:训练模块(未示出),用于利用专家标注的样本图像对初始图像标注模型进行训练,以获得预先训练好的图像标注模型。
在一个可能的实施例中,至少两个初始图像包括T1加权成像T1WI图像、T2加权成像T2WI图像、扩散加权成像DWI图像和T1加权对比增强成像T1+C图像中的至少两个图像。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
请参见图5,图5示出了本申请实施例提供的一种电子设备500的结构框图。电子设备500可以包括处理器510、通信接口520、存储器530和至少一个通信总线540。其中,通信总线540用于实现这些组件直接的连接通信。其中,本申请实施例中的通信接口520用于与其他设备进行信令或数据的通信。处理器510可以是一种集成电路芯片,具有信号的处理能力。上述的处理器510可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器510也可以是任何常规的处理器等。
存储器530可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。存储器530中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器510执行时,电子设备500可以执行上述方法实施例中的各个步骤。
电子设备500还可以包括存储控制器、输入输出单元、音频单元、显示单元。
所述存储器530、存储控制器、处理器510、外设接口、输入输出单元、音频单元、显示单元各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通信总线540实现电性连接。所述处理器510用于执行存储器530中存储的可执行模块。并且,电子设备500用于执行下述方法:获取至少两个初始图像,所述至少两个初始图像是针对同一部位的图像参数不同的图像;通过预先训练好的图像标注模型对所述至少两个初始图像进行处理,以获得标注有病灶区域的标注图像,其中,所述图像标注模型包括图像合并层和图像标注层,所述图像合并层用于对所述至少两个初始图像进行合并,以获得合并图像,所述图像标注层用于对所述合并图像进行标注,以输出所述标注图像。
输入输出单元用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。所述输入输出单元可以是,但不限于,鼠标和键盘等。
音频单元向用户提供音频接口,其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示单元在所述电子设备与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中,所述显示单元可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器进行计算和处理。
可以理解,图5所示的结构仅为示意,所述电子设备500还可包括比图5中所示更多或者更少的组件,或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
本申请还提供一种存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行方法实施例所述的方法。
本申请还提供一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行方法实施例所述的方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
需要说明的是,本说明书中的各个实施例均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的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、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、程序段或代码的一部分,所述模块、程序段或代码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。也应当注意,在有些作为替换的实现方式中,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。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (12)
1.一种图像标注方法,其特征在于,包括:
获取至少两个初始图像,所述至少两个初始图像是针对同一部位的图像参数不同的图像;
通过预先训练好的图像标注模型对所述至少两个初始图像进行处理,以获得标注有病灶区域的标注图像,其中,所述图像标注模型包括图像合并层和图像标注层,所述图像合并层用于对所述至少两个初始图像进行合并,以获得合并图像,所述图像标注层用于对所述合并图像进行标注,以输出所述标注图像。
2.根据权利要求1所述的图像标注方法,其特征在于,所述图像标注模型还包括特征提取层、特征匹配层和特征转换层,所述特征提取层用于提取所述至少两个初始图像中每个初始图像的图像特征,所述特征匹配层用于根据所述图像特征,确定用于将所述至少两个初始图像进行对齐的变换参数,所述特征转换层用于利用所述变换参数和所述图像特征,生成变换后的至少两个初始图像;
所述图像合并层具体用于对所述变换后的至少两个初始图像进行合并,以获得所述合并图像。
3.根据权利要求2所述的图像标注方法,其特征在于,所述变换参数包括以下参数中的至少一个参数:旋转参数、平移参数和缩放参数。
4.根据权利要求1所述的图像标注方法,其特征在于,在所述通过预先训练好的图像标注模型对所述至少两个初始图像进行处理之前,所述图像标注方法还包括:
利用专家标注的样本图像对初始图像标注模型进行训练,以获得所述预先训练好的图像标注模型。
5.根据权利要求1至4任一项所述的图像标注方法,其特征在于,所述至少两个初始图像包括T1加权成像T1WI图像、T2加权成像T2WI图像、扩散加权成像DWI图像和T1加权对比增强成像T1+C图像中的至少两个图像。
6.一种图像标注装置,其特征在于,包括:
获取模块,用于获取至少两个初始图像,所述至少两个初始图像是针对同一部位的图像参数不同的图像;
处理模块,用于通过预先训练好的图像标注模型对所述至少两个初始图像进行处理,以获得标注有病灶区域的标注图像,其中,所述图像标注模型包括图像合并层和图像标注层,所述图像合并层用于对所述至少两个初始图像进行合并,以获得合并图像,所述图像标注层用于对所述合并图像进行标注,以输出所述标注图像。
7.根据权利要求6所述的图像标注装置,其特征在于,所述图像标注模型还包括特征提取层、特征匹配层和特征转换层,所述特征提取层用于提取所述至少两个初始图像中每个初始图像的图像特征,所述特征匹配层用于根据所述图像特征,确定用于将所述至少两个初始图像进行对齐的变换参数,所述特征转换层用于利用所述变换参数和所述图像特征,生成变换后的至少两个初始图像;
所述图像合并层具体用于对所述变换后的至少两个初始图像进行合并,以获得所述合并图像。
8.根据权利要求7所述的图像标注装置,其特征在于,所述变换参数包括以下参数中的至少一个参数:旋转参数、平移参数和缩放参数。
9.根据权利要求6所述的图像标注装置,其特征在于,所述图像标注装置还包括:
训练模块,用于利用专家标注的样本图像对初始图像标注模型进行训练,以获得所述预先训练好的图像标注模型。
10.根据权利要求6至9任一项所述的图像标注装置,其特征在于,所述至少两个初始图像包括T1加权成像T1WI图像、T2加权成像T2WI图像、扩散加权成像DWI图像和T1加权对比增强成像T1+C图像中的至少两个图像。
11.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至5任一所述的图像标注方法。
12.一种电子设备,其特征在于,所述电子设备包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当所述电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至5任一所述的图像标注方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011353614.XA CN112331314A (zh) | 2020-11-25 | 2020-11-25 | 一种图像标注方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011353614.XA CN112331314A (zh) | 2020-11-25 | 2020-11-25 | 一种图像标注方法、装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112331314A true CN112331314A (zh) | 2021-02-05 |
Family
ID=74308998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011353614.XA Pending CN112331314A (zh) | 2020-11-25 | 2020-11-25 | 一种图像标注方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112331314A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021224A (zh) * | 2014-06-25 | 2014-09-03 | 中国科学院自动化研究所 | 基于逐层标签融合深度网络的图像标注方法 |
KR101919908B1 (ko) * | 2018-05-14 | 2018-11-20 | 주식회사 뷰노 | 의료 영상의 레이블링을 지원하는 방법 및 이를 이용한 장치 |
CN110264443A (zh) * | 2019-05-20 | 2019-09-20 | 平安科技(深圳)有限公司 | 基于特征可视化的眼底图像病变标注方法、装置及介质 |
CN110364250A (zh) * | 2019-04-26 | 2019-10-22 | 深圳大学 | 乳腺钼靶图像的自动标注方法、系统及存储介质 |
CN110490262A (zh) * | 2019-08-22 | 2019-11-22 | 京东方科技集团股份有限公司 | 图像处理模型生成方法、图像处理方法、装置及电子设备 |
CN111640111A (zh) * | 2020-06-10 | 2020-09-08 | 詹俊鲲 | 医学图像处理方法、装置及存储介质 |
CN111753114A (zh) * | 2020-06-04 | 2020-10-09 | 北京字节跳动网络技术有限公司 | 图像预标注方法、装置及电子设备 |
CN111986150A (zh) * | 2020-07-17 | 2020-11-24 | 万达信息股份有限公司 | 一种数字病理图像的交互式标注精细化方法 |
-
2020
- 2020-11-25 CN CN202011353614.XA patent/CN112331314A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021224A (zh) * | 2014-06-25 | 2014-09-03 | 中国科学院自动化研究所 | 基于逐层标签融合深度网络的图像标注方法 |
KR101919908B1 (ko) * | 2018-05-14 | 2018-11-20 | 주식회사 뷰노 | 의료 영상의 레이블링을 지원하는 방법 및 이를 이용한 장치 |
CN110364250A (zh) * | 2019-04-26 | 2019-10-22 | 深圳大学 | 乳腺钼靶图像的自动标注方法、系统及存储介质 |
CN110264443A (zh) * | 2019-05-20 | 2019-09-20 | 平安科技(深圳)有限公司 | 基于特征可视化的眼底图像病变标注方法、装置及介质 |
CN110490262A (zh) * | 2019-08-22 | 2019-11-22 | 京东方科技集团股份有限公司 | 图像处理模型生成方法、图像处理方法、装置及电子设备 |
CN111753114A (zh) * | 2020-06-04 | 2020-10-09 | 北京字节跳动网络技术有限公司 | 图像预标注方法、装置及电子设备 |
CN111640111A (zh) * | 2020-06-10 | 2020-09-08 | 詹俊鲲 | 医学图像处理方法、装置及存储介质 |
CN111986150A (zh) * | 2020-07-17 | 2020-11-24 | 万达信息股份有限公司 | 一种数字病理图像的交互式标注精细化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6749835B2 (ja) | コンテキスト依存医学データ入力システム | |
US11062467B2 (en) | Medical image registration guided by target lesion | |
Bluemke | Radiology in 2018: are you working with AI or being replaced by AI? | |
JP6220310B2 (ja) | 医用画像情報システム、医用画像情報処理方法及びプログラム | |
US20190139642A1 (en) | System and methods for medical image analysis and reporting | |
JP2019153250A (ja) | 医療文書作成支援装置、方法およびプログラム | |
RU2711305C2 (ru) | Связывание отчета / изображения | |
EP3654343A1 (en) | Application of deep learning for medical imaging evaluation | |
KR20180092797A (ko) | 의료 영상에 기반하여 상태를 진단하는 장치 및 방법 | |
CN106796621B (zh) | 图像报告注释识别 | |
EP3722996A2 (en) | Systems and methods for processing 3d anatomical volumes based on localization of 2d slices thereof | |
JP2020518047A (ja) | 全人的患者放射線医療ビューワ | |
JP2019008349A (ja) | 学習データ生成支援装置および学習データ生成支援方法並びに学習データ生成支援プログラム | |
CN109416835A (zh) | 医学图像中的变化检测 | |
CN112561877A (zh) | 多尺度双通道卷积模型训练方法、图像处理方法及装置 | |
Gharleghi et al. | Annotated computed tomography coronary angiogram images and associated data of normal and diseased arteries | |
CN112074912A (zh) | 使用介入x射线图像和深度学习的交互式冠状动脉标记 | |
Hu et al. | Deep HT: A deep neural network for diagnose on MR images of tumors of the hand | |
CN117079291A (zh) | 图像轨迹确定方法、装置、计算机设备和存储介质 | |
CN112308888A (zh) | 基于深度学习体征结构的全模态医学影像序列分组方法 | |
CN112331314A (zh) | 一种图像标注方法、装置、存储介质和电子设备 | |
WO2020099941A1 (en) | Application of deep learning for medical imaging evaluation | |
US10839299B2 (en) | Non-leading computer aided detection of features of interest in imagery | |
Sridhar et al. | Lung Segment Anything Model (LuSAM): A Prompt-integrated Framework for Automated Lung Segmentation on ICU Chest X-Ray Images | |
Song et al. | RAFF-Net: An improved tongue segmentation algorithm based on residual attention network and multiscale feature fusion |
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 |