CN112530554A - 一种扫描定位方法、装置、存储介质及电子设备 - Google Patents

一种扫描定位方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN112530554A
CN112530554A CN202011500980.3A CN202011500980A CN112530554A CN 112530554 A CN112530554 A CN 112530554A CN 202011500980 A CN202011500980 A CN 202011500980A CN 112530554 A CN112530554 A CN 112530554A
Authority
CN
China
Prior art keywords
positioning
scanning
image
training
model
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
CN202011500980.3A
Other languages
English (en)
Other versions
CN112530554B (zh
Inventor
窦世丹
赵小芬
尚雷敏
杜岩峰
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare 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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN202011500980.3A priority Critical patent/CN112530554B/zh
Publication of CN112530554A publication Critical patent/CN112530554A/zh
Priority to PCT/CN2021/123459 priority patent/WO2022127318A1/zh
Priority to US18/336,998 priority patent/US20230334698A1/en
Application granted granted Critical
Publication of CN112530554B publication Critical patent/CN112530554B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • 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
    • 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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/10116—X-ray image
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines

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)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Bioethics (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种扫描定位方法、装置、存储介质及电子设备，其中方法包括：获取目标对象的定位像；将所述目标对象的定位像输入至预先训练的扫描定位模型，基于所述扫描定位模型的输出结果确定所述定位像中的扫描定位框，其中，所述扫描定位模型基于训练定位像和所述训练定位像中用于进行扫描的金标准定位框信息进行训练得到。通过预先设置的扫描定位模型，对目标对象的定位像进行处理，输出用于对目标对象进行扫描的扫描定位框信息，无需对得到的扫描定位框信息进行任何后续处理，提高了扫描定位框信息的确定效率和精确度。

Description

一种扫描定位方法、装置、存储介质及电子设备
技术领域
本发明实施例涉及深度学习技术领域，尤其涉及一种扫描定位方法、装置、存储介质及电子设备。
背景技术
医学扫描技术可用于与人体的各个部位，在多种疾病、治疗进展等过程中起着至关重要的作用。各种医学扫描技术在对人体进行扫描之前，需确定进行扫描的定位框。
目前的扫描定位框一般是通过人工操作确定，通过键盘或者鼠标等工具选择定位像中的起始线、终止线和范围。人工操作方式工作量大、对操作人员的能力要求高。
发明内容
本发明提供一种扫描定位方法、装置、存储介质及电子设备，以实现快速确定高精度的扫描定位框。
第一方面，本发明实施例提供了一种扫描定位方法，包括：
获取目标对象的定位像；
将所述目标对象的定位像输入至预先训练的扫描定位模型，基于所述扫描定位模型的输出结果确定所述定位像中的扫描定位框，其中，所述扫描定位模型基于训练定位像和所述训练定位像中用于进行扫描的金标准定位框信息进行训练得到。
可选的，所述扫描定位模型为定位框分割模型；
其中，所述基于所述扫描定位模型的输出结果确定所述定位像中的扫描定位框，包括：
获取所述定位框分割模型输出的分割结果，将所述分割结果中分割区域的轮廓确定为扫描定位框。
可选的，所述定位框分割模型包括编码模块和解码模块，其中，所述编码模块包括依次连接的下采样网络层，所述解码模块包括依次连接的上采样网络层，所述编码模块中的末端下采样网络层与所述解码模块中的起始上采样网络层连接，且所述编码模块与所述解码模块中同尺度的下采样网络层与上采样网络层之间横向连接。
可选的，所述定位框分割模型的训练方法包括：
获取所述训练定位像和所述训练定位像中用于进行扫描的金标准定位框信息，基于所述金标准定位框信息生成所述训练定位像的金标准掩膜区域；
基于所述训练定位像和对应的金标准掩膜区域对待训练的定位框分割模型进行迭代训练，得到训练完成的定位框分割模型。
可选的，在所述获取目标对象的定位像之后，还包括：
识别所述定位像中包括的至少一个部位；
基于所述至少一个部位分别调用各部位对应的扫描定位模型，其中，所述部位对应的扫描定位模型用于确定各部位对应的扫描定位框。
可选的，所述扫描定位模型包括区域生成子网络和目标分类子网络，其中，所述区域生成子网络用于生成所述定位像中各部位对应的扫描定位框，所述目标分类子网络用于确定各所述扫描定位框对应的扫描部位信息。
可选的，所述方法还包括：
获取所述目标对象的扫描协议，根据所述扫描协议中的扫描部位从各所述扫描定位框中确定目标扫描定位框。
第二方面，本发明实施例还提供了一种扫描定位方装置，其特征在于，包括：
定位像获取模块，用于获取目标对象的定位像；
定位框确定模块，用于将所述目标对象的定位像输入至预先训练的扫描定位模型，基于所述扫描定位模型的输出结果确定所述定位像中的扫描定位框，其中，所述扫描定位模型基于训练定位像和所述训练定位像中用于进行扫描的金标准定位框信息进行训练得到。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述所涉及的任一所述的扫描定位方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行上述所涉及的任一所述的扫描定位方法。
本发明实施例提供的技术方案，通过预先设置的扫描定位模型，对目标对象的定位像进行处理，输出用于对目标对象进行扫描的扫描定位框信息，无需对得到的扫描定位框信息进行任何后续处理，提高了扫描定位框信息的确定效率和精确度。
附图说明
图1为本发明实施例一提供的一种扫描定位方法的流程示意图；
图2是本发明实施例提供的定位框的转换过程的示意图；
图3是本发明实施例提供的一种定位框分割模型的结构示意图；
图4是本发明实施例提供的一种扫描定位方法的流程示意图；
图5是本发明实施例提供定位像中扫描定位框信息的示意图；
图6是本发明实施例三提供的一种扫描定位装置的结构示意图；
图7是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种扫描定位方法的流程示意图，本实施例可适用于在对目标对象进行扫描之前，自动确定扫描定位框的情况，该方法可以由本发明实施例提供的扫描定位装置来执行，该装置可集成于诸如计算机或者扫描设备等的电子设备上，具体包括如下步骤：
S110、获取目标对象的定位像。
S120、将所述目标对象的定位像输入至预先训练的扫描定位模型，基于所述扫描定位模型的输出结果确定所述定位像中的扫描定位框，其中，所述扫描定位模型基于训练定位像和所述训练定位像中用于进行扫描的金标准定位框信息进行训练得到。
其中，所述目标对象为待进行扫描的对象，该对象可以是人体、动物体或者人体、动物体的局部区域。待进行的扫描可以是CT(Computed Tomography，电子计算机断层扫描)扫描、MRI(Magnetic Resonance Imaging，磁共振扫描)、PET(positron emissioncomputed tomography,正电子发射计算机断层扫描)、X光片、超声影像等单模态扫描，或多种模态的组合扫描，对此不作限定。
定位像为在进行扫描之前，对目标对象采集的用于进行定位的图像，其中，定位像中至少包括进行扫描的部位，在一些实施例中，定位像中可以包括两个或两个以上的部位。一般情况下，定位像在对目标对象的扫描前获得，也可以使用前一次对目标对象的同模态或不同模态的扫描影像，或光学拍照图像。本实施例中，通过预先训练的扫描定位模型对目标对象的定位像进行处理，得到该目标对象进行扫描的定位结果，其中，定位框一般为矩形形状，也可以是多边形形状或不规则形状等。该定位结果可以是在定位像中绘制出的定位框，还可以是定位框的描述信息，该描述信息可以是包括定位框的尺寸和范围，例如可以包括定位框的顶点坐标，还可以是包括定位框的中心坐标以及宽高信息。
本实施例中，扫描定位模块可以是诸如神经网络模块等的机器学习模块，该扫描定位模块通过端到端的训练方法得到，具体的，通过训练定位像和所述训练定位像中用于进行扫描的金标准定位框信息进行训练得到。其中，用于进行扫描的金标准定位框信息可以是通过经验丰富的扫描技师勾画的，可直接进行扫描的定位框信息，无需再进行任何后处理过程；金标准定位框信息也可以是收集到的技师在实际使用中的定位框勾画记录。在一个实施例中，所述金标准定位框信息可以根据当前的扫描信息选择历史数据，比如选择和当前扫描模态一致、病人一致、技师一致、扫描影像设备至少一项参数或型号一致、扫描协议至少一项参数一致的金标准定位框信息历史数据。相应的，基于上述用于进行扫描的金标准定位框信息以及训练定位像训练得到的扫描定位模块，在应用过程中可输出直接用于对目标对象进行扫描的定位框信息，无需再进行任何后处理过程，简化了扫描定位框的确定过程，提高了定位框的准确性，同时降低了对扫描技师的经验要求。
在上述实施例的基础上，扫描定位模型为定位框分割模型。该定位框分割模型具有从定位像中分割定位框的功能。将目标对象的扫描像输入至定位框分割模型中，得到定位框分割模型输出的分割定位框，即分割结果，相应的，基于所述扫描定位模型的输出结果确定所述定位像中的扫描定位框，包括：获取所述定位框分割模型输出的分割结果，将所述分割结果中分割区域的轮廓确定为扫描定位框。
上述定位框分割模型的训练方法包括：获取所述训练定位像和所述训练定位像中用于进行扫描的金标准定位框信息，基于所述金标准定位框信息生成所述训练定位像的金标准掩膜区域，示例性的，参见图2，图2是本发明实施例提供的定位框的转换过程的示意图，其中，图2中左图为包括金标准定位框信息的定位像，其中，金标准定位框信息可以是技师勾画的头部定位框，图2中右图为包括金标准掩膜区域的定位像，其中，金标准掩膜区域为金标准定位框信息所包括的区域。基于大量的训练定位像与训练定位像对应的金标准掩膜区域对待训练的定位框分割模型进行迭代训练，以得到基于定位框分割功能的定位框分割模型。
具体的，对待训练的定位框分割模型进行以下迭代训练，直到所述定位框分割模型输出的预测分割区域满足预设分割精度：将所述训练定位像输入至待训练的定位框分割模型中，得到预测分割区域，基于所述预测分割区域和所述金标准掩膜区域确定损失函数，根据所述损失函数对所述待训练的定位框分割模型进行网络参数调节。其中，进行调节的网络参数至少包括定位框分割模型中的权重参数。本实施例中，训练过程中损失函数可以是diss损失函数，还可以是根据需求设置的其他损失函数，对此不作限定。
示例性的，损失函数D可以是
Figure BDA0002843597540000071
预测分割区域P和金标准掩膜区域G分别包括N个像素点，i为像素点的标识，pi为预测分割区域P中的第i个像素点的像素值，gi为金标准掩膜区域G中第i个像素点的像素值，且pi∈P，gi∈G。diss损失函数可以将预测结果中非目标区域中“激活”的位置清零，惩罚目标区域中低置信度位置，有效解决了医学图像中背景和前景(金标准掩膜区域)之间的面积对比不均衡的问题。
相应的，基于上述方式训练得到的定位框分割模型，在应用过程对于目标对象进行处理得到的分割结果可以是诸如图2右图中的掩膜区域，对该掩膜区域反向处理得到诸如图2左图中的定位框信息，例如可以是提取掩膜区域的边界信息，例如边界坐标信息或者边界顶点坐标等；还可以是进行边缘检测，得到定位框的边界，进而得到定位框信息。
在上述实施例的基础上，定位框分割模型包括编码模块和解码模块，示例性的，参见图3，图3是本发明实施例提供的一种定位框分割模型的结构示意图，其中，所述编码模块包括依次连接的下采样网络层，所述解码模块包括依次连接的上采样网络层，所述编码模块中的末端下采样网络层与所述解码模块中的起始上采样网络层连接，且所述编码模块与所述解码模块中同尺度的下采样网络层与上采样网络层之间横向连接。其中，下采样网络层可以是包括至少一个卷积层，任一下采样网络层可以是一个卷积块，该卷积块可以是包括多个卷积层，例如卷积块可以是残差块。通过多个下采样网络层依次对输入信息进行特征提取，并逐渐降低空间尺度，以得到不同尺度的图像特征。解码模块中的上采样网络层可以是包括至少一个反卷积层，例如上采样网络层可以是一个反卷积块。解码模块中的各上采样网络层通过反卷积操作对获取的特征图像进行目标细节和空间尺度的恢复。同时通过同尺度的下采样网络层与上采样网络层之间横向连接(图中虚线部分内容)，将下采样网络层输出的特征图横向输出至对应的上采样网络层中，将浅层网络层中的输出和深层网络的输出合并，使得网络在最终输出的时候能够同时考虑浅层信息(精确的位置信息)和深层信息(图像的语义信息)，以提高定位框分割模型的分割精度。
本实施例提供的技术方案，通过预先设置的扫描定位模型，对目标对象的定位像进行处理，输出用于对目标对象进行扫描的扫描定位框信息，无需对得到的扫描定位框信息进行任何后续处理，提高了扫描定位框信息的确定效率和精确度。
在上述实施例的基础上，可以是针对不同部位对应训练一个扫描定位模型，还可以是针对每一种扫描类型(例如包括但不限于CT扫描、MR扫描、PER/CT扫描等)的每一个部位对应训练一个扫描定位模型，还可以是针对不同的成像协议、历史记录训练多个扫描定位模型。示例性的，对于CT扫描，分别训练对于人体头部、人体上腹部、人体下腹部、腿部等部分分别对应的扫描定位模型，用于分别对上述部位的定位像中确定扫描定位框；对于MR扫描，可以针对不同扫描协议，如T1扫描协议和T2扫描协议，为同一个部位训练多个扫描定位模型；还可以针对每一个技师、每一个患者或每一类患者训练不同的扫描定位模型，其中一类患者可以是具有某一项或多项相同的医疗信息，如身高、体重、年龄、性别、病症等。
可选的，在所述获取目标对象的定位像之后，还包括：识别所述定位像中包括的至少一个部位，示例性的，同一定位像中可以是只包括一个部位，例如头部，也可以是包括两个或以上的部位，例如上腹部和下腹部。识别定位像中包括的至少一个部位可以是将定位像中图像轮廓与预先设置的各部位的特征信息进行比对，以确定包括的各个部位。通过训练多个扫描定位模型，以针对性的对各部位的定位像进行处理，提高了扫描定位框信息的确定精度。
在上述实施例的基础上，在确定定位像中的至少一个部位之后，还包括获取扫描协议中的扫描类型，基于该扫描类型和至少一个部位，分别调用对应的扫描定位模型。
相应的，将所述目标对象的定位像输入至预先训练的扫描定位模型。包括：基于所述至少一个部位分别调用各部位对应的扫描定位模型，基于各所述扫描定位模型的输出结果确定各部位的扫描定位框。当定位像中包括至少两个部位时，可以是同时调用各部位对应的扫描定位模型，并基于各扫描定位模型得到各部位对应的扫描定位框。通过对定位像中的多个部位确定扫描定位框信息，便于操作者进行选择，避免对部位的遗漏导致定位框确定错误的情况。
在上述实施例的基础上，该方法还包括：获取所述目标对象的扫描协议，根据所述扫描协议中的扫描部位从各所述扫描定位框中确定目标扫描定位框。其中，扫描协议中包括待扫描部位，通过扫描协议中的待扫描部位从多个部位对应的扫描定位框中筛选目标扫描定位框。
在上述实施例的基础上，该方法还包括：获取所述目标对象的扫描协议，根据所述扫描协议中的扫描部位调用该扫描部位对应的扫描定位模型，基于该扫描定位模型识别定位像中的扫描定位框信息。
在上述实施例的基础上，该方法还包括：获取所述目标对象的扫描协议，根据所述扫描协议中的扫描类型以及扫描部位，调用对应的扫描定位模型。
实施例二
图4是本发明实施例提供的一种扫描定位方法的流程示意图，在上述实施例的基础上，提供了一种扫描定位模型的结构，该方法具体包括：
S210、获取目标对象的定位像。
S220、将所述目标对象的定位像输入至预先训练的扫描定位模型，基于所述扫描定位模型的输出结果确定所述定位像中的扫描定位框，其中，扫描定位模型包括区域生成子网络和目标分类子网络，所述区域生成子网络用于生成所述定位像中各部位对应的扫描定位框，所述目标分类子网络用于确定各所述扫描定位框对应的扫描部位信息。
S230、获取所述目标对象的扫描协议，根据所述扫描协议中的扫描部位从各所述扫描定位框中确定目标扫描定位框。
本实施例中，扫描定位模型可以是RCNN模块(Region Convolutional NeuralNetworks)、fastRCNN模块或者fasterRCNN模型中的任一项。该扫描定位模型包括区域生成子网络和目标分类子网络，其中，区域生成子网络可以是RPN(Region Proposal Network，区域提取)模型。该区域生成子网络用于确定目标对象的定位像中的扫描定位框信息，示例性的，参见图5，图5是本发明实施例提供定位像中扫描定位框信息的示意图，图5中包括通过区域生成子网络识别得到的定位框1和定位框2。目标分类子网络与区域生成子网络连接，用于对目标分类子网络输出的各扫描定位框信息对应的部位分类信息，即可得到定位像中各扫描定位框信息，以及扫描定位框信息对应的部位信息。
所述扫描定位模型基于训练定位像、所述训练定位像中用于进行扫描的金标准定位框信息，以及该金标准定位框信息对应的部位信息进行训练得到。具体的，将训练定位像输入至到待训练的扫描定位模型中，得到预测定位框信息和对应的预测部位分类信息，基于金标准定位框信息与预测定位框信息确定第一损失函数，基于金标准定位框信息对应的部位信息和预测部位分类信息确定第二损失函数，在基于第一损失函数和第二损失函数得到目标损失函数。基于该目标损失函数对扫描定位模型进行参数调节，迭代上述训练过程，直到到达收敛或者预设精度，确定训练完成。
其中，第一损失函数可以是softmax loss，第二损失函数可以是的smoothL1loss；相应的，目标损失函数可以是：
Figure BDA0002843597540000111
其中，L({pi,ti})为目标损失函数，pi为预测定位框信息，pi *为金标准定位框信息，ti为预测部位分类信息，ti *为金标准定位框信息对应的部位信息。Lcls(pi,ti)为第一损失函数，Lreg(pi *,ti *)为第二损失函数，λ为预设权重值，Ncls为训练数据集mini-batch大小，Nreg为候选检测框的个数。
在上述实施例的基础上，获取所述目标对象的扫描协议，根据所述扫描协议中的扫描部位从各所述扫描定位框中确定目标扫描定位框。
本实施例提供的技术方案，通过包括区域生成子网络和目标分类子网络的扫描定位模型对目标对象的定位像进行处理，分别得到定位像中的至少一个扫描定位框信息和定位框信息对应的部位分类信息，对定位像进行充分分析，避免对任一部位的遗漏，提高扫描定位框的全面性和准确性。
实施例三
图6是本发明实施例三提供的一种扫描定位装置的结构示意图。该装置包括：定位像获取模块310和定位框确定模块320，其中：
定位像获取模块310，用于获取目标对象的定位像；
定位框确定模块320，用于将所述目标对象的定位像输入至预先训练的扫描定位模型，基于所述扫描定位模型的输出结果确定所述定位像中的扫描定位框，其中，所述扫描定位模型基于训练定位像和所述训练定位像中用于进行扫描的金标准定位框信息进行训练得到。
可选的，所述扫描定位模型为定位框分割模型。
可选的，定位框确定模块320用于：
获取所述定位框分割模型输出的分割结果，将所述分割结果中分割区域的轮廓确定为扫描定位框。
可选的，所述定位框分割模型包括编码模块和解码模块，其中，所述编码模块包括依次连接的下采样网络层，所述解码模块包括依次连接的上采样网络层，所述编码模块中的末端下采样网络层与所述解码模块中的起始上采样网络层连接，且所述编码模块与所述解码模块中同尺度的下采样网络层与上采样网络层之间横向连接。
可选的，该装置还包括:
模型训练模块，用于获取所述训练定位像和所述训练定位像中用于进行扫描的金标准定位框信息，基于所述金标准定位框信息生成所述训练定位像的金标准掩膜区域；
对待训练的定位框分割模型进行以下迭代训练，直到所述定位框分割模型输出的预测分割区域满足预设分割精度：
将所述训练定位像输入至待训练的定位框分割模型中，得到预测分割区域，基于所述预测分割区域和所述金标准掩膜区域确定损失函数，根据所述损失函数对所述待训练的定位框分割模型进行网络参数调节。
可选的，该装置还包括:
部位识别模块，用于在所述获取目标对象的定位像之后，识别所述定位像中包括的至少一个部位；
模型调用模块，用于基于所述至少一个部位分别调用各部位对应的扫描定位模型，其中，所述部位对应的扫描定位模型用于确定各部位对应的扫描定位框。
可选的，所述扫描定位模型包括区域生成子网络和目标分类子网络，其中，所述区域生成子网络用于生成所述定位像中各部位对应的扫描定位框，所述目标分类子网络用于确定各所述扫描定位框对应的扫描部位信息。
可选的，该装置还包括：
目标扫描定位框确定模块，用于获取所述目标对象的扫描协议，根据所述扫描协议中的扫描部位从各所述扫描定位框中确定目标扫描定位框。
上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
实施例四
图7是本发明实施例四提供的一种电子设备的结构示意图，本发明实施例为本发明上述实施例的扫描定位方法的实现提供服务，可配置上述实施例中的基于桥血管的模型构建装置。图7示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图7显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线、微通道体系结构(MAC)总线、增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图7所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的扫描定位方法。
实施例五
本发明实施例五还提供了一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种扫描定位方法，该方法包括：
获取目标对象的定位像；
将所述目标对象的定位像输入至预先训练的扫描定位模型，基于所述扫描定位模型的输出结果确定所述定位像中的扫描定位框，其中，所述扫描定位模型基于训练定位像和所述训练定位像中用于进行扫描的金标准定位框信息进行训练得到。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，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)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作，还可以执行本发明任意实施例所提供的扫描定位方法中的相关操作。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种扫描定位方法，其特征在于，包括：
获取目标对象的定位像；
将所述目标对象的定位像输入至预先训练的扫描定位模型，基于所述扫描定位模型的输出结果确定所述定位像中的扫描定位框，其中，所述扫描定位模型基于训练定位像和所述训练定位像中用于进行扫描的金标准定位框信息进行训练得到。
2.根据权利要求1所述的方法，其特征在于，所述扫描定位模型为定位框分割模型；
其中，所述基于所述扫描定位模型的输出结果确定所述定位像中的扫描定位框，包括：
获取所述定位框分割模型输出的分割结果，将所述分割结果中分割区域的轮廓确定为扫描定位框。
3.根据权利要求2所述的方法，其特征在于，所述定位框分割模型包括编码模块和解码模块，其中，所述编码模块包括依次连接的下采样网络层，所述解码模块包括依次连接的上采样网络层，所述编码模块中的末端下采样网络层与所述解码模块中的起始上采样网络层连接，且所述编码模块与所述解码模块中同尺度的下采样网络层与上采样网络层之间横向连接。
4.根据权利要求2所述的方法，其特征在于，所述定位框分割模型的训练方法包括：
获取所述训练定位像和所述训练定位像中用于进行扫描的金标准定位框信息，基于所述金标准定位框信息生成所述训练定位像的金标准掩膜区域；
基于所述训练定位像和对应的金标准掩膜区域对待训练的定位框分割模型进行迭代训练，得到训练完成的定位框分割模型。
5.根据权利要求1所述的方法，其特征在于，在所述获取目标对象的定位像之后，还包括：
识别所述定位像中包括的至少一个部位；
基于所述至少一个部位分别调用各部位对应的扫描定位模型，其中，所述部位对应的扫描定位模型用于确定各部位对应的扫描定位框。
6.根据权利要求1所述的方法，其特征在于，所述扫描定位模型包括区域生成子网络和目标分类子网络，其中，所述区域生成子网络用于生成所述定位像中各部位对应的扫描定位框，所述目标分类子网络用于确定各所述扫描定位框对应的扫描部位信息。
7.根据权利要求5或6所述的方法，其特征在于，所述方法还包括：
获取所述目标对象的扫描协议，根据所述扫描协议中的扫描部位从各所述扫描定位框中确定目标扫描定位框。
8.一种扫描定位装置，其特征在于，包括：
定位像获取模块，用于获取目标对象的定位像；
定位框确定模块，用于将所述目标对象的定位像输入至预先训练的扫描定位模型，基于所述扫描定位模型的输出结果确定所述定位像中的扫描定位框，其中，所述扫描定位模型基于训练定位像和所述训练定位像中用于进行扫描的金标准定位框信息进行训练得到。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的扫描定位方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的扫描定位方法。
CN202011500980.3A 2020-12-17 2020-12-17 一种扫描定位方法、装置、存储介质及电子设备 Active CN112530554B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011500980.3A CN112530554B (zh) 2020-12-17 2020-12-17 一种扫描定位方法、装置、存储介质及电子设备
PCT/CN2021/123459 WO2022127318A1 (zh) 2020-12-17 2021-10-13 一种扫描定位方法、装置、存储介质及电子设备
US18/336,998 US20230334698A1 (en) 2020-12-17 2023-06-17 Methods and systems for positioning in an medical procedure

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011500980.3A CN112530554B (zh) 2020-12-17 2020-12-17 一种扫描定位方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN112530554A true CN112530554A (zh) 2021-03-19
CN112530554B CN112530554B (zh) 2023-08-18

Family

ID=75001317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011500980.3A Active CN112530554B (zh) 2020-12-17 2020-12-17 一种扫描定位方法、装置、存储介质及电子设备

Country Status (3)

Country Link
US (1) US20230334698A1 (zh)
CN (1) CN112530554B (zh)
WO (1) WO2022127318A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022127318A1 (zh) * 2020-12-17 2022-06-23 上海联影医疗科技股份有限公司 一种扫描定位方法、装置、存储介质及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110223352A (zh) * 2019-06-14 2019-09-10 浙江明峰智能医疗科技有限公司 一种基于深度学习的医学图像扫描自动定位方法
US10482603B1 (en) * 2019-06-25 2019-11-19 Artificial Intelligence, Ltd. Medical image segmentation using an integrated edge guidance module and object segmentation network
CN111028246A (zh) * 2019-12-09 2020-04-17 北京推想科技有限公司 一种医学图像分割方法、装置、存储介质及电子设备
CN111275699A (zh) * 2020-02-11 2020-06-12 腾讯医疗健康(深圳)有限公司 医学图像的处理方法、装置、设备及存储介质
CN111340816A (zh) * 2020-03-23 2020-06-26 沈阳航空航天大学 一种基于双u型网络框架的图像分割方法
CN111724401A (zh) * 2020-05-08 2020-09-29 华中科技大学 一种基于边界约束级联U-Net的图像分割方法和系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846828A (zh) * 2018-05-04 2018-11-20 上海交通大学 一种基于深度学习的病理图像目标区域定位方法及系统
US10755147B2 (en) * 2018-07-03 2020-08-25 General Electric Company Classification and localization based on annotation information
CN112530554B (zh) * 2020-12-17 2023-08-18 上海联影医疗科技股份有限公司 一种扫描定位方法、装置、存储介质及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110223352A (zh) * 2019-06-14 2019-09-10 浙江明峰智能医疗科技有限公司 一种基于深度学习的医学图像扫描自动定位方法
US10482603B1 (en) * 2019-06-25 2019-11-19 Artificial Intelligence, Ltd. Medical image segmentation using an integrated edge guidance module and object segmentation network
CN111028246A (zh) * 2019-12-09 2020-04-17 北京推想科技有限公司 一种医学图像分割方法、装置、存储介质及电子设备
CN111275699A (zh) * 2020-02-11 2020-06-12 腾讯医疗健康(深圳)有限公司 医学图像的处理方法、装置、设备及存储介质
CN111340816A (zh) * 2020-03-23 2020-06-26 沈阳航空航天大学 一种基于双u型网络框架的图像分割方法
CN111724401A (zh) * 2020-05-08 2020-09-29 华中科技大学 一种基于边界约束级联U-Net的图像分割方法和系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022127318A1 (zh) * 2020-12-17 2022-06-23 上海联影医疗科技股份有限公司 一种扫描定位方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN112530554B (zh) 2023-08-18
US20230334698A1 (en) 2023-10-19
WO2022127318A1 (zh) 2022-06-23

Similar Documents

Publication Publication Date Title
CN111428709A (zh) 图像处理方法、装置、计算机设备和存储介质
CN111028246A (zh) 一种医学图像分割方法、装置、存储介质及电子设备
US20220207742A1 (en) Image segmentation method, device, equipment and storage medium
US9142030B2 (en) Systems, methods and computer readable storage media storing instructions for automatically segmenting images of a region of interest
CN110728673A (zh) 一种目标部位分析方法、装置、计算机设备及存储介质
CN113298831B (zh) 图像分割方法、装置、电子设备及存储介质
CN111369542A (zh) 血管标记方法、图像处理系统和存储介质
CN112614144A (zh) 一种图像分割方法、装置、设备及存储介质
CN111325714A (zh) 感兴趣区域的处理方法、计算机设备和可读存储介质
CN116109824A (zh) 基于扩散模型的医学影像及像素级标注生成方法及装置
CN111192320B (zh) 一种位置信息确定方法、装置、设备和存储介质
CN109087357B (zh) 扫描定位方法、装置、计算机设备及计算机可读存储介质
CN113192031B (zh) 血管分析方法、装置、计算机设备和存储介质
US20230334698A1 (en) Methods and systems for positioning in an medical procedure
CN113724185A (zh) 用于图像分类的模型处理方法、装置及存储介质
CN112634309A (zh) 图像处理方法、装置、电子设备及存储介质
CN112116608B (zh) 一种导丝分割方法、装置、电子设备及存储介质
CN113409273B (zh) 一种图像分析方法、装置、设备和介质
CN115564763A (zh) 甲状腺超声图像处理方法、装置、介质及电子设备
CN111968112B (zh) Ct三维定位图像的获取方法、装置和计算机设备
JP7105918B2 (ja) 領域特定装置、方法およびプログラム
CN111863206A (zh) 一种图像预处理方法、装置、设备及存储介质
CN113222989A (zh) 一种图像分级方法、装置、存储介质及电子设备
CN113160199A (zh) 影像识别方法、装置、计算机设备和存储介质
US11996198B2 (en) Determination of a growth rate of an object in 3D data sets using deep learning

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