CN112686867A - 医学图像的识别方法及装置、电子设备和存储介质 - Google Patents
医学图像的识别方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112686867A CN112686867A CN202011622350.3A CN202011622350A CN112686867A CN 112686867 A CN112686867 A CN 112686867A CN 202011622350 A CN202011622350 A CN 202011622350A CN 112686867 A CN112686867 A CN 112686867A
- Authority
- CN
- China
- Prior art keywords
- medical image
- processed
- section
- category
- belongs
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012549 training Methods 0.000 claims description 134
- 238000013528 artificial neural network Methods 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 description 63
- 210000004197 pelvis Anatomy 0.000 description 36
- 210000003141 lower extremity Anatomy 0.000 description 34
- 210000001015 abdomen Anatomy 0.000 description 21
- 238000010586 diagram Methods 0.000 description 18
- 210000000038 chest Anatomy 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000003187 abdominal effect Effects 0.000 description 8
- 210000000115 thoracic cavity Anatomy 0.000 description 6
- 238000010295 mobile communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本公开涉及一种医学图像的识别方法及装置、电子设备和存储介质。所述方法包括:对医学图像序列中的待处理医学图像进行部位类别预测,得到所述医学图像序列的部位类别预测结果,其中,所述部位类别预测结果包括所述待处理医学图像所属的部位类别的信息;基于所述部位类别预测结果以及所述待处理医学图像在所述医学图像序列中的顺序,生成多个区间,其中,所述多个区间中的任一区间包括至少一个待处理医学图像;基于所述多个区间中的相邻区间所属的部位类别,对所述多个区间所属的部位类别进行调整,得到所述医学图像序列的部位类别识别结果。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种医学图像的识别方法及装置、电子设备和存储介质。
背景技术
对医学图像序列进行目标对象(例如人体)的多部位识别,是指识别医学图像序列中的医学图像分别属于目标对象的哪个部位。对医学图像序列进行部位识别,对于器官分割、部位配准等医学图像的处理流程具有重要意义。
发明内容
本公开提供了一种医学图像的识别的技术方案。
根据本公开的一方面,提供了一种医学图像的识别方法,包括:
对医学图像序列中的待处理医学图像进行部位类别预测,得到所述医学图像序列的部位类别预测结果,其中,所述部位类别预测结果包括所述待处理医学图像所属的部位类别的信息;
基于所述部位类别预测结果以及所述待处理医学图像在所述医学图像序列中的顺序,生成多个区间,其中,所述多个区间中的任一区间包括至少一个待处理医学图像;
基于所述多个区间中的相邻区间所属的部位类别,对所述多个区间所属的部位类别进行调整,得到所述医学图像序列的部位类别识别结果。
通过对医学图像序列中的待处理医学图像进行部位类别预测,得到所述医学图像序列的部位类别预测结果,基于所述部位类别预测结果以及所述待处理医学图像在所述医学图像序列中的顺序,生成多个区间,并基于所述多个区间中的相邻区间所属的部位类别,对所述多个区间所属的部位类别进行调整,得到所述医学图像序列的部位类别识别结果,由此能够对提高医学图像序列进行目标对象的多部位识别的准确性、鲁棒性和速度。
在一种可能的实现方式中,所述基于所述多个区间中的相邻区间所属的部位类别,对所述多个区间所属的部位类别进行调整,包括:
在所述多个区间中的任一区间的长度未达到预设长度,且所述区间的两侧的区间属于同一部位类别的情况下,将所述区间所属的部位类别调整为所述区间的两侧的区间所属的部位类别。
在该实现方式中,通过在所述多个区间中的任一区间的长度未达到预设长度,且所述区间的两侧的区间属于同一部位类别的情况下,将所述区间所属的部位类别调整为所述区间的两侧的区间所属的部位类别,由此能够对预测错误的区间的部位类别进行调整,从而能够提高所述医学图像序列的部位类别识别结果的准确性。
在一种可能的实现方式中,所述方法还包括:
根据所述待处理医学图像的数量,确定所述预设长度,其中,所述待处理医学图像的数量小于或等于所述医学图像序列中的医学图像的总数。
在该实现方式中,通过根据所述待处理医学图像的数量,确定所述预设长度,并基于由此确定的所述预设长度对所述多个区间所属的部位类别进行调整,由此能够进一步提高对所述医学图像序列进行目标对象的多部位识别的准确性和鲁棒性。
在一种可能的实现方式中,所述基于所述多个区间中的相邻区间所属的部位类别,对所述多个区间所属的部位类别进行调整,包括:
对于所述多个区间中的任一待处理区间,根据所述待处理区间的两侧的区间所属的部位类别,确定所述待处理区间所属的合理部位类别;
在所述待处理区间所属的部位类别不属于所述待处理区间所属的合理部位类别的情况下,根据所述待处理区间的两侧的区间所属的部位类别,调整所述待处理区间所属的部位类别。
在该实现方式中,通过对于所述多个区间中的任一待处理区间,根据所述待处理区间的两侧的区间所属的部位类别,确定所述待处理区间所属的合理部位类别,并在所述待处理区间所属的部位类别不属于所述待处理区间所属的合理部位类别的情况下,根据所述待处理区间的两侧的区间所属的部位类别,调整所述待处理区间所属的部位类别,由此能够对预测错误的区间的部位类别进行调整,从而能够提高所述医学图像序列的部位类别识别结果的准确性。
在一种可能的实现方式中,所述根据所述待处理区间的两侧的区间所属的部位类别,调整所述待处理区间所属的部位类别,包括:
根据所述待处理区间中的待处理医学图像属于第一部位类别的概率,确定所述待处理区间属于所述第一部位类别的概率,其中,所述第一部位类别表示所述待处理区间的一侧的区间所属的部位类别;
根据所述待处理区间中的待处理医学图像属于第二部位类别的概率,确定所述待处理区间属于所述第二部位类别的概率,其中,所述第二部位类别表示所述待处理区间的另一侧的区间所属的部位类别;
在所述待处理区间属于所述第一部位类别的概率大于或等于所述待处理区间属于所述第二部位类别的概率的情况下,将所述待处理区间所属的部位类别调整为所述第一部位类别;和/或,在所述待处理区间属于所述第一部位类别的概率小于所述待处理区间属于所述第二部位类别的概率的情况下,将所述待处理区间所属的部位类别调整为所述第二部位类别。
根据该实现方式,能够提高调整后的部位类别的准确性。
在一种可能的实现方式中,所述方法还包括:
对于所述多个区间中的任一区间,在所述多个区间中存在与所述区间属于同一部位类别、且长度大于所述区间的区间的情况下,将所述区间确定为所述待处理区间。
在该实现方式中,通过对于所述多个区间中的任一区间,在所述多个区间中存在与所述区间属于同一部位类别、且长度大于所述区间的区间的情况下,将所述区间确定为所述待处理区间,并可以仅对待处理区间所属的部位类别进行调整,由此能够提高对所述医学图像序列进行目标对象的多部位类别识别的准确性和效率。
在一种可能的实现方式中,所述对医学图像序列中的待处理医学图像进行部位类别预测,包括:
对于所述医学图像序列中的任一待处理医学图像,根据所述待处理医学图像,以及所述医学图像序列中与所述待处理医学图像相邻的至少一个医学图像,对所述待处理医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息。
在该实现方式中,通过对于所述医学图像序列中的任一待处理医学图像,根据所述待处理医学图像,以及所述医学图像序列中与所述待处理医学图像相邻的至少一个医学图像,对所述待处理医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息,由此能够有效利用所述医学图像序列中的空间信息,从而能够降低错误分类的可能性。
在一种可能的实现方式中,所述根据所述待处理医学图像,以及所述医学图像序列中与所述待处理医学图像相邻的至少一个医学图像,对所述待处理医学图像进行部位类别预测,包括:
对所述待处理医学图像以及所述医学图像序列中与所述待处理医学图像相邻的至少一个医学图像的通道进行叠加,得到所述待处理医学图像对应的多通道医学图像;
对所述待处理医学图像对应的多通道医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息。
在该实现方式中,通过对所述待处理医学图像以及所述医学图像序列中与所述待处理医学图像相邻的至少一个医学图像的通道进行叠加,得到所述待处理医学图像对应的多通道医学图像,并对所述待处理医学图像对应的多通道医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息,由此能够有效利用所述医学图像序列中的空间信息对所述待处理医学图像进行目标对象的部位类别预测,从而能够降低对所述待处理医学图像错误分类的可能性。
在一种可能的实现方式中,在所述对医学图像序列中的待处理医学图像进行部位类别预测之前,所述方法还包括:
在所述医学图像序列中,每隔N层确定一个待处理医学图像,其中,N为正整数。
由于医学图像序列中,相邻的医学图像的相似度通常较高,因此,通过每隔N层确定一个待处理医学图像,能够在几乎不影响精度的前提下,提高约N倍的计算效率。
在一种可能的实现方式中,所述医学图像序列包括水平面的医学图像序列。
通过采用水平面的医学图像序列进行目标对象的多部位识别,能够提高进行目标对象的多部位识别的准确性和鲁棒性。
在一种可能的实现方式中,所述医学图像序列还包括冠状面的医学图像序列和矢状面的医学图像序列中的至少之一。
通过采用冠状面的医学图像序列和/或矢状面的医学图像序列与水平面的医学图像序列一起进行目标对象的多部位识别,有助于进一步提高进行目标对象的多部位识别的准确性和鲁棒性。
在一种可能的实现方式中,所述对所述待处理医学图像对应的多通道医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息,包括:
将所述待处理医学图像对应的多通道医学图像输入预先训练的神经网络,经由所述神经网络对所述待处理医学图像对应的多通道医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息。
通过预先训练的神经网络对所述待处理医学图像对应的多通道医学图像进行部位类别预测,能够提高得到所述待处理医学图像所属的部位类别的信息的速度以及所得到的所述待处理医学图像所属的部位类别的信息的准确性。
在一种可能的实现方式中,在所述将所述待处理医学图像对应的多通道医学图像输入预先训练的神经网络之前,所述方法还包括:
对训练图像序列中的训练图像以及所述训练图像序列中与所述训练图像相邻的至少一个训练图像的通道进行叠加,得到所述训练图像对应的多通道医学图像;
将所述训练图像对应的多通道医学图像输入所述神经网络,经由所述神经网络对所述训练图像对应的多通道医学图像进行部位类别预测,得到所述训练图像所属的部位类别的信息;
根据所预测的所述训练图像所属的部位类别的信息,以及所述训练图像所属的部位类别的标注数据,训练所述神经网络。
在该实现方式中,通过对训练图像序列中的训练图像以及所述训练图像序列中与所述训练图像相邻的至少一个训练图像的通道进行叠加,得到所述训练图像对应的多通道医学图像,并基于所述训练图像对应的多通道医学图像训练所述神经网络,由此能够利用训练图像序列的空间信息训练所述神经网络,从而有助于使所述神经网络学习到提取并利用医学图像序列中的空间信息的能力。
在一种可能的实现方式中,所述神经网络采用轻量级网络;以及
在所述将所述训练图像对应的多通道医学图像输入所述神经网络之前,所述方法还包括:
获取训练图像集,其中,所述训练图像集包括多个训练图像;
对所述训练图像集中的训练图像进行数据增强处理,得到数据增强后的训练图像集。
在该实现方式中,通过采用轻量级网络,能够提高对医学图像进行部位类别预测的速度;通过对所述训练图像集中的训练图像进行数据增强处理,能够增加所述训练图像集的多样性,实现困难样本挖掘。
根据本公开的一方面,提供了一种医学图像的识别装置,包括:
第一预测模块,用于对医学图像序列中的待处理医学图像进行部位类别预测,得到所述医学图像序列的部位类别预测结果,其中,所述部位类别预测结果包括所述待处理医学图像所属的部位类别的信息;
生成模块,用于基于所述部位类别预测结果以及所述待处理医学图像在所述医学图像序列中的顺序,生成多个区间,其中,所述多个区间中的任一区间包括至少一个待处理医学图像;
调整模块,用于基于所述多个区间中的相邻区间所属的部位类别,对所述多个区间所属的部位类别进行调整,得到所述医学图像序列的部位类别识别结果。
在一种可能的实现方式中,所述调整模块用于:
在所述多个区间中的任一区间的长度未达到预设长度,且所述区间的两侧的区间属于同一部位类别的情况下,将所述区间所属的部位类别调整为所述区间的两侧的区间所属的部位类别。
在一种可能的实现方式中,所述装置还包括:
第一确定模块,用于根据所述待处理医学图像的数量,确定所述预设长度,其中,所述待处理医学图像的数量小于或等于所述医学图像序列中的医学图像的总数。
在一种可能的实现方式中,所述调整模块用于:
对于所述多个区间中的任一待处理区间,根据所述待处理区间的两侧的区间所属的部位类别,确定所述待处理区间所属的合理部位类别;
在所述待处理区间所属的部位类别不属于所述待处理区间所属的合理部位类别的情况下,根据所述待处理区间的两侧的区间所属的部位类别,调整所述待处理区间所属的部位类别。
在一种可能的实现方式中,所述调整模块用于:
根据所述待处理区间中的待处理医学图像属于第一部位类别的概率,确定所述待处理区间属于所述第一部位类别的概率,其中,所述第一部位类别表示所述待处理区间的一侧的区间所属的部位类别;
根据所述待处理区间中的待处理医学图像属于第二部位类别的概率,确定所述待处理区间属于所述第二部位类别的概率,其中,所述第二部位类别表示所述待处理区间的另一侧的区间所属的部位类别;
在所述待处理区间属于所述第一部位类别的概率大于或等于所述待处理区间属于所述第二部位类别的概率的情况下,将所述待处理区间所属的部位类别调整为所述第一部位类别;和/或,在所述待处理区间属于所述第一部位类别的概率小于所述待处理区间属于所述第二部位类别的概率的情况下,将所述待处理区间所属的部位类别调整为所述第二部位类别。
在一种可能的实现方式中,所述装置还包括:
第二确定模块,用于对于所述多个区间中的任一区间,在所述多个区间中存在与所述区间属于同一部位类别、且长度大于所述区间的区间的情况下,将所述区间确定为所述待处理区间。
在一种可能的实现方式中,所述第一预测模块用于:
对于所述医学图像序列中的任一待处理医学图像,根据所述待处理医学图像,以及所述医学图像序列中与所述待处理医学图像相邻的至少一个医学图像,对所述待处理医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息。
在一种可能的实现方式中,所述第一预测模块用于:
对所述待处理医学图像以及所述医学图像序列中与所述待处理医学图像相邻的至少一个医学图像的通道进行叠加,得到所述待处理医学图像对应的多通道医学图像;
对所述待处理医学图像对应的多通道医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息。
在一种可能的实现方式中,所述还包括:
第三确定模块,用于在所述医学图像序列中,每隔N层确定一个待处理医学图像,其中,N为正整数。
在一种可能的实现方式中,所述医学图像序列包括水平面的医学图像序列。
在一种可能的实现方式中,所述医学图像序列还包括冠状面的医学图像序列和矢状面的医学图像序列中的至少之一。
在一种可能的实现方式中,所述第一预测模块用于:
将所述待处理医学图像对应的多通道医学图像输入预先训练的神经网络,经由所述神经网络对所述待处理医学图像对应的多通道医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息。
在一种可能的实现方式中,所述装置还包括:
叠加模块,用于对训练图像序列中的训练图像以及所述训练图像序列中与所述训练图像相邻的至少一个训练图像的通道进行叠加,得到所述训练图像对应的多通道医学图像;
第二预测模块,用于将所述训练图像对应的多通道医学图像输入所述神经网络,经由所述神经网络对所述训练图像对应的多通道医学图像进行部位类别预测,得到所述训练图像所属的部位类别的信息;
训练模块,用于根据所预测的所述训练图像所属的部位类别的信息,以及所述训练图像所属的部位类别的标注数据,训练所述神经网络。
在一种可能的实现方式中,所述神经网络采用轻量级网络;以及
所述装置还包括:
获取模块,用于获取训练图像集,其中,所述训练图像集包括多个训练图像;
增强处理模块,用于对所述训练图像集中的训练图像进行数据增强处理,得到数据增强后的训练图像集。
根据本公开的一方面,提供了一种电子设备,包括:一个或多个处理器;用于存储可执行指令的存储器;其中,所述一个或多个处理器被配置为调用所述存储器存储的可执行指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,通过对医学图像序列中的待处理医学图像进行部位类别预测,得到所述医学图像序列的部位类别预测结果,基于所述部位类别预测结果以及所述待处理医学图像在所述医学图像序列中的顺序,生成多个区间,并基于所述多个区间中的相邻区间所属的部位类别,对所述多个区间所属的部位类别进行调整,得到所述医学图像序列的部位类别识别结果,由此能够对提高医学图像序列进行目标对象的多部位识别的准确性、鲁棒性和速度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出本公开实施例提供的医学图像的识别方法的流程图。
图2示出了本公开实施例提供的医学图像的识别方法的应用场景的示意图。
图3示出本公开实施例提供的医学图像的识别装置的框图。
图4示出本公开实施例提供的一种电子设备的框图。
图5示出本公开实施例提供的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
在相关技术中,大多数医学图像处理系统都是基于特定部位开发的,对于所限定的特定部位以外的数据缺乏鲁棒性。因此,作为数据质量检查的一部分,部位信息的准确与否,直接关系到后续医学图像处理系统的输入数据是否合理。例如,肺部相关的检测系统对于输入是腹部的医学图像所检测出来的结果是错误和无意义的。对医学图像序列进行目标对象的多部位识别对于人类专家而言是一项较为简单的任务,但由于临床检查项目的多样性,检查记录标准的不统一以及人为的记录缺失或失误,开发准确的自动化多部位识别系统对于提高医学图像处理系统的可靠性和合理性具有重要意义。
在本公开实施例中,通过对医学图像序列中的待处理医学图像进行部位类别预测,得到所述医学图像序列的部位类别预测结果,基于所述部位类别预测结果以及所述待处理医学图像在所述医学图像序列中的顺序,生成多个区间,并基于所述多个区间中的相邻区间所属的部位类别,对所述多个区间所属的部位类别进行调整,得到所述医学图像序列的部位类别识别结果,由此能够对提高医学图像序列进行目标对象的多部位识别的准确性、鲁棒性和速度。
下面结合附图对本公开实施例提供的医学图像的识别方法进行详细的说明。
图1示出本公开实施例提供的医学图像的识别方法的流程图。所述医学图像的识别方法的执行主体可以是医学图像的识别装置。在一种可能的实现方式中,所述医学图像的识别方法可以由终端设备或服务器或其它处理设备执行。其中,终端设备可以是用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中,所述医学图像的识别方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示,所述医学图像的识别方法包括步骤S11至步骤S13。
在步骤S11中,对医学图像序列中的待处理医学图像进行部位类别预测,得到所述医学图像序列的部位类别预测结果,其中,所述部位类别预测结果包括所预测的所述待处理医学图像所属的部位类别的信息。
在本公开实施例中,所述医学图像序列包括多个医学图像。所述医学图像序列中的医学图像可以是CT(Computed Tomography,电子计算机断层扫描)图像,也可以是其他类型的医学图像,例如MRI(Magnetic Resonance Imaging,磁共振成像)图像等。相应地,所述医学图像序列可以是CT图像序列,也可以是其他类型的医学图像序列,例如 MRI图像序列等。所述医学图像序列中的待处理医学图像表示所述医学图像序列中需要进行目标对象的部位类别预测的医学图像。所述医学图像序列中的待处理医学图像可以是所述医学图像序列中的部分或全部医学图像。所述待处理医学图像的数量为多个。
在一种可能的实现方式中,所述医学图像序列中的医学图像可以为二维图像,由此能够提高对所述医学图像序列中的待处理医学图像进行目标对象的部位类别预测的速度。作为该实现方式的一个示例,所述医学图像序列中的医学图像可以为单通道的二维图像,由此能够进一步提高对所述医学图像序列中的待处理医学图像进行目标对象的部位类别预测的速度。在其他示例中,所述医学图像序列中的医学图像还可以为多通道的二维图像。在其他可能的实现方式中,所述医学图像序列中的医学图像还可以为三维图像。
在本公开实施例中,对医学图像序列中的待处理医学图像进行部位类别预测,可以表示预测医学图像序列中的待处理医学图像属于目标对象的哪个部位类别。其中,目标对象可以是人体、动物体等。部位类别可以包括头部、胸部、腹部、骨盆和下肢等类别,在此不作限定。
在本公开实施例中,所述部位类别预测结果可以包括所述医学图像序列中的所有或部分待处理医学图像所属的部位类别的信息。例如,所述部位类别预测结果可以包括所述医学图像序列中的各个待处理医学图像所属的部位类别的信息,且可以不包括所述医学图像序列中的非待处理医学图像所属的部位类别的信息。
在一种可能的实现方式中,所述待处理医学图像所属的部位类别的信息可以包括:所述待处理医学图像所属的部位类别以及所述待处理医学图像属于各个部位类别的概率。在该实现方式中,可以将所述待处理医学图像属于各个部位类别的概率中的最大概率对应的部位类别,确定为所述待处理医学图像所属的部位类别。例如,待处理医学图像1属于头部类别的概率是0.85,属于胸部类别的概率是0.10,属于腹部类别的概率是0.03,属于骨盆类别的概率是0.01,属于下肢类别的概率是0.01,那么,可以确定待处理医学图像1所属的部位类别是头部类别。相应地,在所述部位类别预测结果中,可以包括待处理医学图像1属于头部类别的信息,以及待处理医学图像1属于头部类别、胸部类别、腹部类别、骨盆类别和下肢类别的概率。
在另一种可能的实现方式中,所述待处理医学图像所属的部位类别的信息可以包括:所述待处理医学图像所属的部位类别。在该实现方式中,可以将所述待处理医学图像属于各个部位类别的概率中的最大概率对应的部位类别,确定为所述待处理医学图像所属的部位类别。
在一种可能的实现方式中,可以将所述医学图像序列中的各个待处理医学图像所属的部位类别的信息可以以数组、向量等形式进行存储。例如,在存储时,可以以0代表头部、1代表胸部、2代表腹部、3代表骨盆、4代表下肢等。
在一种可能的实现方式中,在所述对医学图像序列中的待处理医学图像进行部位类别预测之前,所述方法还包括:在所述医学图像序列中,每隔N层确定一个待处理医学图像,其中,N为正整数。例如,N等于3,则可以将所述医学图像序列中的第1、5、9、13 等层的医学图像作为待处理医学图像,而不将第2、3、4、6、7、8、10、11、13等层的医学图像作为待处理医学图像。由于医学图像序列中,相邻的医学图像的相似度通常较高,因此,通过每隔N层确定一个待处理医学图像,能够在几乎不影响精度的前提下,提高约N倍的计算效率。作为该实现方式的一个示例,N可以小于或等于4,以提高对医学图像序列进行目标对象的多部位识别的精度。当然,本领域技术人员可以根据精度和速度的权衡灵活设置N的大小,本公开实施例对此不作限定。
在另一种可能的实现方式中,可以将所述医学图像序列中的各个医学图像分别作为待处理医学图像。
在一种可能的实现方式中,所述医学图像序列包括水平面的医学图像序列。在该实现方式中,水平面也可以称为轴状面(Axial plane)。由于在大多数情况下,水平面的医学图像序列中的医学图像的顺序与目标对象(例如人体)的器官的顺序(如从头到脚的顺序)一致,且水平面的医学图像的分辨率相对变化较小(通常集中在0.4mm~0.8mm),因此,通过采用水平面的医学图像序列进行目标对象的多部位识别,能够提高进行目标对象的多部位识别的准确性和鲁棒性。
作为该实现方式的一个示例,所述医学图像序列还包括冠状面的医学图像序列和矢状面的医学图像序列中的至少之一。在一个例子中,所述医学图像序列包括水平面的医学图像序列和冠状面的医学图像序列。在另一个例子中,所述医学图像序列包括水平面的医学图像序列和矢状面的医学图像序列。在另一个例子中,所述医学图像序列包括水平面的医学图像序列、冠状面的医学图像序列和矢状面的医学图像序列。在该示例中,通过采用冠状面的医学图像序列和/或矢状面的医学图像序列与水平面的医学图像序列一起进行目标对象的多部位识别,有助于进一步提高进行目标对象的多部位识别的准确性和鲁棒性。
作为该实现方式的另一个示例,所述医学图像序列可以仅包括水平面的医学图像序列,不包括冠状面的医学图像序列和矢状面的医学图像序列。
在其他可能的实现方式中,所述医学图像序列可以包括冠状面的医学图像序列和/或矢状面的医学图像序列。
在一种可能的实现方式中,所述对医学图像序列中的待处理医学图像进行部位类别预测,包括:对于所述医学图像序列中的任一待处理医学图像,根据所述待处理医学图像,以及所述医学图像序列中与所述待处理医学图像相邻的至少一个医学图像,对所述待处理医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息。在该实现方式中,通过对于所述医学图像序列中的任一待处理医学图像,根据所述待处理医学图像,以及所述医学图像序列中与所述待处理医学图像相邻的至少一个医学图像,对所述待处理医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息,由此能够有效利用所述医学图像序列中的空间信息,从而能够降低错误分类的可能性。
作为该实现方式的一个示例,对于所述医学图像序列中的任一待处理医学图像,可以根据所述医学图像序列中所述待处理医学图像的相邻一侧的医学图像,所述待处理医学图像,以及所述医学图像序列中所述待处理医学图像的相邻另一侧的医学图像,对所述待处理医学图像进行目标对象的部位类别预测,得到所述待处理医学图像所属的部位类别的信息。例如,若某一待处理医学图像是所述医学图像序列中的第n层的医学图像,则可以根据所述医学图像序列中的第n-1层的医学图像、第n层的医学图像和第n+1层的医学图像,对所述待处理医学图像进行目标对象的部位类别预测,得到所述待处理医学图像所属的部位类别的信息。当然,用于对所述待处理医学图像进行目标对象的部位类别预测的相邻医学图像的数量可以更多或更少,在此不作限定。
作为该实现方式的一个示例,所述根据所述待处理医学图像,以及所述医学图像序列中与所述待处理医学图像相邻的至少一个医学图像,对所述待处理医学图像进行目标对象的部位类别预测,包括:对所述待处理医学图像以及所述医学图像序列中与所述待处理医学图像相邻的至少一个医学图像的通道进行叠加,得到所述待处理医学图像对应的多通道医学图像;对所述待处理医学图像对应的多通道医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息。
在这个示例中,所述待处理医学图像对应的多通道医学图像,表示所述待处理医学图像对应的多个通道的医学图像。即,所述待处理医学图像对应的多通道医学图像包含多个通道。在一个例子中,对于所述医学图像序列中的任一待处理医学图像,可以对所述医学图像序列中所述待处理医学图像的上一层的医学图像、所述待处理医学图像以及所述医学图像序列中所述待处理医学图像的下一层的医学图像的通道进行叠加,得到所述待处理医学图像对应的多通道医学图像。例如,若某一待处理医学图像是所述医学图像序列中的第n层的医学图像,则可以对所述医学图像序列中的第n-1层的医学图像、第n 层的医学图像和第n+1层的医学图像的通道进行叠加,得到所述待处理医学图像对应的多通道医学图像。例如,若所述医学图像序列中的医学图像为单通道的医学图像,则通过对所述医学图像序列中所述待处理医学图像的上一层的医学图像、所述待处理医学图像以及所述医学图像序列中所述待处理医学图像的下一层的医学图像的通道进行叠加,所得到的所述待处理医学图像对应的多通道医学图像为三通道的医学图像。例如,所述医学图像序列中的医学图像的尺寸是H×W,且所述医学图像序列中的医学图像为单通道的医学图像,则通过对所述医学图像序列中所述待处理医学图像的上一层的医学图像、所述待处理医学图像以及所述医学图像序列中所述待处理医学图像的下一层的医学图像的通道进行叠加,可以得到H×W×3的所述待处理医学图像对应的多通道医学图像,其中, H表示所述待处理医学图像对应的多通道医学图像的高度,W表示所述待处理医学图像对应的多通道医学图像的宽度,3表示所述待处理医学图像对应的多通道医学图像的通道数。
在该示例中,通过对所述待处理医学图像以及所述医学图像序列中与所述待处理医学图像相邻的至少一个医学图像的通道进行叠加,得到所述待处理医学图像对应的多通道医学图像,并对所述待处理医学图像对应的多通道医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息,由此能够有效利用所述医学图像序列中的空间信息对所述待处理医学图像进行目标对象的部位类别预测,从而能够降低对所述待处理医学图像错误分类的可能性。
在其他示例中,还可以根据所述待处理医学图像以及所述医学图像序列中与所述待处理医学图像相邻的至少一个医学图像中的图像信息,得到包含所述待处理医学图像以及所述医学图像序列中与所述待处理医学图像相邻的至少一个医学图像的图像信息的向量或者数组等,并根据包含所述待处理医学图像以及所述医学图像序列中与所述待处理医学图像相邻的至少一个医学图像的图像信息的向量或者数组等对所述待处理医学图像进行的部位类别预测。
在一个例子中,所述对所述待处理医学图像对应的多通道医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息,包括:将所述待处理医学图像对应的多通道医学图像输入预先训练的神经网络,经由所述神经网络对所述待处理医学图像对应的多通道医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息。在这个例子中,通过预先训练的神经网络对所述待处理医学图像对应的多通道医学图像进行部位类别预测,能够提高得到所述待处理医学图像所属的部位类别的信息的速度以及所得到的所述待处理医学图像所属的部位类别的信息的准确性。
在其他例子中,还可以采用其他预先设置的模型、算法等对所述待处理医学图像对应的多通道医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息。
在另一种可能的实现方式中,对于所述医学图像序列中的任一待处理医学图像,可以仅根据所述待处理医学图像对所述待处理医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息,而无需结合所述医学图像序列中与所述待处理医学图像相邻的医学图像对所述待处理医学图像进行部位类别预测。
在步骤S12中,基于所述部位类别预测结果以及所述待处理医学图像在所述医学图像序列中的顺序,生成多个区间,其中,所述多个区间中的任一区间包括至少一个待处理医学图像。
其中,所述多个区间中的相邻区间在所述部位类别预测结果中属于不同的部位类别,所述多个区间中的任一区间在所述部位类别预测结果中所属的部位类别表示所述区间中的待处理医学图像在所述部位类别预测结果中所属的部位类别,所述区间中的不同待处理医学图像在所述部位类别预测结果中属于同一部位类别。
在本公开实施例中,根据各个待处理医学图像在所述医学图像序列中的顺序,可以对各个待处理医学图像进行编号。例如,待处理医学图像的数量为100,可以按照所述医学图像序列的从上到下的顺序,将各个待处理医学图像分别记为待处理医学图像1、待处理医学图像2、待处理医学图像3、待处理医学图像4、……、待处理医学图像100。例如,在所述部位类别预测结果中,待处理医学图像1至待处理医学图像5所属的部位类别是头部类别,待处理医学图像6至待处理医学图像7所属的部位类别是骨盆类别,待处理医学图像8至待处理医学图像24所属的部位类别是头部类别,待处理医学图像25至待处理医学图像40所属的部位类别是胸部类别,待处理医学图像41至待处理医学图像50所属的部位类别是腹部类别,待处理医学图像51至待处理医学图像52所属的部位类别是骨盆类别,待处理医学图像53所属的部位类别是腹部类别,待处理医学图像54至待处理医学图像60所属的部位类别是骨盆类别,待处理医学图像61所属的部位类别是头部类别,待处理医学图像62至待处理医学图像70所属的部位类别是骨盆类别,待处理医学图像71至待处理医学图像100所属的部位类别是下肢类别,则可以生成11个区间,例如可以分别记为区间 1、区间2、区间3、区间4、……、区间11。其中,区间1为[1,5],属于头部类别;区间2 为[6,7],属于骨盆类别;区间3为[8,24],属于头部类别;区间4为[25,40],属于胸部类别;区间5为[41,50],属于腹部类别;区间6为[51,52],属于骨盆类别;区间7为[53],属于腹部类别;区间8为[54,60],属于骨盆类别;区间9为[61],属于头部类别;区间10为[62,70],属于骨盆类别;区间11为[71,100],属于下肢类别。
在步骤S13中,基于所述多个区间中的相邻区间所属的部位类别,对所述多个区间所属的部位类别进行调整,得到所述医学图像序列的部位类别识别结果。
在一种可能的实现方式中,所述医学图像序列的部位类别识别结果可以包括所述医学图像序列中的各个待处理医学图像所属的部位类别的信息。
在另一种可能的实现方式中,所述医学图像序列的部位类别识别结果可以包括所述医学图像序列中的各个医学图像所属的部位类别的信息。例如,在对所述多个区间所属的部位类别进行调整后,对于所述医学图像序列中的非待处理医学图像,可以将所述医学图像序列中与所述非待处理医学图像最近的待处理医学图像所属的部位类别,确定为所述非待处理医学图像所属的部位类别。例如,在所述医学图像序列中,第n-1层医学图像不为待处理医学图像(即,第n-1层医学图像为非待处理医学图像),第n层医学图像为待处理医学图像,则可以将第n层医学图像所属的部位类别,确定为第n-1层医学图像所属的部位类别。
在本公开实施例中,通过对医学图像序列中的待处理医学图像进行部位类别预测,得到所述医学图像序列的部位类别预测结果,基于所述部位类别预测结果以及所述待处理医学图像在所述医学图像序列中的顺序,生成多个区间,并基于所述多个区间中的相邻区间所属的部位类别,对所述多个区间所属的部位类别进行调整,得到所述医学图像序列的部位类别识别结果,由此能够对提高医学图像序列进行目标对象的多部位识别的准确性、鲁棒性和速度。
在一种可能的实现方式中,所述基于所述多个区间中的相邻区间所属的部位类别,对所述多个区间所属的部位类别进行调整,包括:在所述多个区间中的任一区间的长度未达到预设长度,且所述区间的两侧的区间属于同一部位类别的情况下,将所述区间所属的部位类别调整为所述区间的两侧的区间所属的部位类别。在该实现方式中,若所述多个区间中的任一区间的长度未达到预设长度,且所述区间的两侧的区间属于同一部位类别,则可以确定所述区间所属的部位类别预测错误的概率较高。在该实现方式中,通过在所述多个区间中的任一区间的长度未达到预设长度,且所述区间的两侧的区间属于同一部位类别的情况下,将所述区间所属的部位类别调整为所述区间的两侧的区间所属的部位类别,由此能够对预测错误的区间的部位类别进行调整,从而能够提高所述医学图像序列的部位类别识别结果的准确性。
作为该实现方式的一个示例,所述方法还包括:根据所述待处理医学图像的数量,确定所述预设长度,其中,所述待处理医学图像的数量小于或等于所述医学图像序列中的医学图像的总数。例如,可以将所述待处理医学图像的数量与预设系数的乘积作为所述预设长度。例如,预设系数可以0.1等。在该示例中,通过根据所述待处理医学图像的数量,确定所述预设长度,并基于由此确定的所述预设长度对所述多个区间所属的部位类别进行调整,由此能够进一步提高对所述医学图像序列进行目标对象的多部位识别的准确性和鲁棒性。
在其他示例中,所述预设长度可以是默认的长度,例如可以根据经验值确定,在此不作限定。
在一种可能的实现方式中,所述基于所述多个区间中的相邻区间所属的部位类别,对所述多个区间所属的部位类别进行调整,包括:对于所述多个区间中的任一待处理区间,根据所述待处理区间的两侧的区间所属的部位类别,确定所述待处理区间所属的合理部位类别;在所述待处理区间所属的部位类别不属于所述待处理区间所属的合理部位类别的情况下,根据所述待处理区间的两侧的区间所属的部位类别,调整所述待处理区间所属的部位类别。
在该实现方式中,根据不同部位类别的顺序以及所述待处理区间的两侧的区间所属的部位类别,确定所述待处理区间所属的合理部位类别。例如,部位类别按由上到下的顺序包括头部、胸部、腹部、骨盆和下肢,若待处理区间的两侧的区间所属的部位类别为头部类别和胸部类别,则待处理区间所属的合理部位类别包括头部类别和胸部类别,若待处理区间的两侧的区间所属的部位类别为胸部类别和腹部类别,则待处理区间所属的合理部位类别包括胸部类别和腹部类别,若待处理区间的两侧的区间所属的部位类别为腹部类别和骨盆类别,则待处理区间所属的合理部位类别包括腹部类别和骨盆类别,若待处理区间的两侧的区间所属的部位类别为骨盆类别和下肢类别,则待处理区间所属的合理部位类别包括骨盆类别和下肢类别。当然,部位类别还可以是与上述相反的顺序。例如,部位类别按由上到下的顺序包括下肢、骨盆、腹部、胸部和头部。
例如,所述多个区间包括区间1至区间7,部位类别包括头部、胸部、腹部、骨盆和下肢,所述多个区间中的待处理区间包括区间6和区间4。其中,区间6的一侧的区间为区间5,另一侧的区间为区间7,区间5所属的部位类别是骨盆类别,区间7所属的部位类别是下肢类别,因此可以确定区间6所属的合理部位类别是骨盆类别和下肢类别。若区间6 所属的部位类别为头部类别,则可以确定区间6所属的部位类别不属于区间6所属的合理部位类别。由于区间6所属的部位类别“头部类别”不属于区间6所属的合理部位类别“骨盆类别”和“下肢类别”,因此,可以将区间6调整为属于“骨盆类别”或者“下肢类别”。
在该实现方式中,通过对于所述多个区间中的任一待处理区间,根据所述待处理区间的两侧的区间所属的部位类别,确定所述待处理区间所属的合理部位类别,并在所述待处理区间所属的部位类别不属于所述待处理区间所属的合理部位类别的情况下,根据所述待处理区间的两侧的区间所属的部位类别,调整所述待处理区间所属的部位类别,由此能够对预测错误的区间的部位类别进行调整,从而能够提高所述医学图像序列的部位类别识别结果的准确性。
作为该实现方式的一个示例,所述根据所述待处理区间的两侧的区间所属的部位类别,调整所述待处理区间所属的部位类别,包括:根据所述待处理区间中的待处理医学图像属于第一部位类别的概率,确定所述待处理区间属于所述第一部位类别的概率,其中,所述第一部位类别表示所述待处理区间的一侧的区间所属的部位类别;根据所述待处理区间中的待处理医学图像属于第二部位类别的概率,确定所述待处理区间属于所述第二部位类别的概率,其中,所述第二部位类别表示所述待处理区间的另一侧的区间所属的部位类别;在所述待处理区间属于所述第一部位类别的概率大于或等于所述待处理区间属于所述第二部位类别的概率的情况下,将所述待处理区间所属的部位类别调整为所述第一部位类别;和/或,在所述待处理区间属于所述第一部位类别的概率小于所述待处理区间属于所述第二部位类别的概率的情况下,将所述待处理区间所属的部位类别调整为所述第二部位类别。
例如,待处理区间包括区间6,第一部位类别为骨盆类别,第二部位类别为下肢类别。若区间6属于骨盆类别的概率大于或等于区间6属于下肢类别的概率,则可以将区间6调整为属于骨盆类别;若区间6属于骨盆类别的概率小于区间6属于下肢类别的概率,则可以将区间6调整为属于下肢类别。在该示例中,对于任一待处理区间,可以将所述待处理区间中的各个待处理图像属于第一部位类别的概率的平均值,确定为所述待处理区间属于第一部位类别的概率;可以将所述待处理区间中的各个待处理图像属于第二部位类别的概率的平均值,确定为所述待处理区间属于第二部位类别的概率。或者,可以将所述待处理区间中的各个待处理图像属于第一部位类别的概率的中位数,确定为所述待处理区间属于第一部位类别的概率;可以将所述待处理区间中的各个待处理图像属于第二部位类别的概率的中位数,确定为所述待处理区间属于第二部位类别的概率。根据该示例,能够提高调整后的部位类别的准确性。
作为该实现方式的另一个示例,在所述待处理区间所属的部位类别不属于所述待处理区间所属的合理部位类别的情况下,可以将所述待处理区间调整为属于所述待处理区间所属的任一合理部位类别。例如,区间6所属的合理部位类别是骨盆类别和下肢类别,则可以将区间6调整为属于骨盆类别,或者可以将区间6调整为属于下肢类别。
作为该实现方式的一个示例,所述方法还包括:对于所述多个区间中的任一区间,在所述多个区间中存在与所述区间属于同一部位类别、且长度大于所述区间的区间的情况下,将所述区间确定为所述待处理区间。在该示例中,对于所述多个区间中的任一区间,在所述多个区间中不存在与所述区间属于同一部位类别区间的区间,或者所述多个区间中与所述区间属于同一部位类别的区间的长度小于所述区间的情况下,可以将所述区间确定为保留区间(即非待处理区间)。其中,对于所述多个区间中的任一区间,若所述多个区间中不存在与所述区间属于同一部位类别区间的区间,或者所述多个区间中与所述区间属于同一部位类别的区间的长度小于所述区间,则可以表示所述区间所属的部位类别为所述区间所属的真实部位类别的概率较高。在这种情况下,可以将所述区间确定为保留区间,而不再对所述区间所属的部位类别进行调整,以提高对所述医学图像序列进行目标对象的多部位类别识别的准确性和效率。例如,所述多个区间包括区间1至区间7,部位类别包括头部、胸部、腹部、骨盆和下肢。在所述多个区间中,属于头部类别的区间包括区间1和区间6,区间1的长度大于区间6的长度,属于胸部类别的区间包括区间2和4,区间2的长度大于区间4的长度,属于腹部类别的区间包括区间3,属于骨盆类别的区间包括区间5,属于下肢类别的区间包括区间7。在这种情况下,可以将区间6和区间 4确定为待处理区间,将区间1、2、3、5和7确定为保留区间。在该示例中,通过对于所述多个区间中的任一区间,在所述多个区间中存在与所述区间属于同一部位类别、且长度大于所述区间的区间的情况下,将所述区间确定为所述待处理区间,并可以仅对待处理区间所属的部位类别进行调整,由此能够提高对所述医学图像序列进行目标对象的多部位类别识别的准确性和效率。
在一种可能的实现方式中,在所述将所述待处理医学图像对应的多通道医学图像输入预先训练的神经网络之前,所述方法还包括:对训练图像序列中的训练图像以及所述训练图像序列中与所述训练图像相邻的至少一个训练图像的通道进行叠加,得到所述训练图像对应的多通道医学图像;将所述训练图像对应的多通道医学图像输入所述神经网络,经由所述神经网络对所述训练图像对应的多通道医学图像进行部位类别预测,得到所述训练图像所属的部位类别的信息;根据所预测的所述训练图像所属的部位类别的信息,以及所述训练图像所属的部位类别的标注数据,训练所述神经网络。在该实现方式中,可以利用多个训练图像序列训练所述神经网络,其中,任一训练图像序列可以是医学图像序列,例如,可以是CT图像序列或者MRI图像序列等。相应地,任一训练图像序列中的训练图像可以是医学图像,例如,可以是CT图像或者MRI图像等。在该实现方式中,通过对训练图像序列中的训练图像以及所述训练图像序列中与所述训练图像相邻的至少一个训练图像的通道进行叠加,得到所述训练图像对应的多通道医学图像,并基于所述训练图像对应的多通道医学图像训练所述神经网络,由此能够利用训练图像序列的空间信息训练所述神经网络,从而有助于使所述神经网络学习到提取并利用医学图像序列中的空间信息的能力。
作为该实现方式的一个示例,所述神经网络采用轻量级网络;以及,在所述将所述训练图像对应的多通道医学图像输入所述神经网络之前,所述方法还包括:获取训练图像集,其中,所述训练图像集包括多个训练图像;对所述训练图像集中的训练图像进行数据增强处理,得到数据增强后的训练图像集。
在这个示例中,通过采用轻量级网络,能够提高对医学图像进行目标对象的部位类别预测的速度,即,能够实现快速的多部位预测。在一个例子中,所述轻量级网络可以采用2D(2Dimensions,二维)轻量级网络,以提高对医学图像序列进行目标对象的多部位预测的速度。例如,所述轻量级网络可以采用MobileNet-V3。当然,本领域技术人员可以根据实际应用场景需求和/或个人喜好灵活选择轻量级网络的类型,例如,所述轻量级网络还可以采用SqueezeNet、ShuffleNet等。
在一个例子中,所述训练图像集可以包括目标对象(例如人体)的不同姿势、不同病变情况、不同空间分辨率等的训练图像。在该示例中,通过对所述训练图像集中的训练图像进行数据增强处理,能够增加所述训练图像集的多样性,实现困难样本挖掘。在一个例子中,可以通过AutoAugment等方式,对所述训练图像集的中训练图像进行数据增强处理,得到数据增强后的训练图像集。其中,数据增强处理可以包括随机角度旋转、随机亮度增强、随机缩放、随机裁剪、随机高斯噪声、随机填补等中的至少之一。
作为该实现方式的一个示例,所述神经网络采用轻量级网络。
作为该实现方式的一个示例,在所述将所述训练图像对应的多通道医学图像输入所述神经网络之前,所述方法还包括:获取训练图像集,其中,所述训练图像集包括多个训练图像;对所述训练图像集中的训练图像进行数据增强处理,得到数据增强后的训练图像集。
在一种可能的实现方式中,在所述神经网络训练完成之后,可以采用测试图像集对所述神经网络进行测试。
采用本公开实施例得到所述医学图像序列的部位类别识别结果之后,可以将所述医学图像序列的部位类别识别结果应用于各个方面。在一种可能的实现方式中,在采用本公开实施例得到所述医学图像序列的部位类别识别结果之后,可以基于所述医学图像序列的部位类别识别结果进行器官分割,以提高器官分割的速度和准确性。在一种可能的实现方式中,在采用本公开实施例得到所述医学图像序列的部位类别识别结果之后,可以基于所述医学图像序列的部位类别识别结果进行部位配准,以提高部位配准的准确性。在一种可能的实现方式中,在采用本公开实施例得到所述医学图像序列的部位类别识别结果之后,可以基于所述医学图像序列的部位类别识别结果校正医学图像检查过程中的部位登记错误。在一种可能的实现方式中,在采用本公开实施例得到所述医学图像序列的部位类别识别结果之后,可以将所述医学图像序列的部位类别识别结果用于PACS (PictureArchiving and Communication Systems,影像归档和通信系统)数据库中的医学图像检索等方面。
下面通过一个具体的应用场景说明本公开实施例提供的医学图像的识别方法。图2示出了本公开实施例提供的医学图像的识别方法的应用场景的示意图。图2的左侧示出了冠状位视角的CT图像和水平面的CT图像序列的示意图。
在步骤S201中,获取CT图像序列。其中,所述CT图像序列包括多个CT图像,每个 CT图像的尺寸为H×W,通道数为1。所述CT图像序列为水平面的CT图像序列,即,所述 CT图像序列中的CT图像为水平面的CT图像。
在步骤S202中,在所述CT图像序列中,每隔3层确定一个待处理CT图像。例如,可以将所述CT图像序列中的第1、5、9、13等层的CT图像作为待处理CT图像。
在步骤S203中,对于所述CT图像序列中的任一待处理CT图像,对所述CT图像序列中所述待处理CT图像的上一层的CT图像、所述待处理CT图像以及所述待处理CT图像的下一层的CT图像的通道进行叠加,得到所述待处理CT图像对应的三通道CT图像。例如,若所述待处理CT图像是所述CT图像序列中的第n层的CT图像,则可以对所述CT图像序列中的第n-1层的CT图像、第n层的CT图像和第n+1层的CT图像进行叠加,得到所述待处理 CT图像对应的三通道CT图像。
在步骤S204中,将所述CT图像序列中的各个待处理CT图像对应的三通道CT图像分别输入预先训练的轻量级网络(例如MobileNet-V3),经由轻量级网络得到所述各个待处理CT图像属于各个部位类别的概率,并根据所述各个待处理CT图像属于各个部位类别的概率,得到所述各个待处理CT图像所属的部位类别,从而得到所述CT图像序列对应的部位类别预测结果。其中,所述CT图像序列对应的部位类别预测结果可以包括所述各个待处理CT图像属于各个部位类别的概率以及所述各个待处理CT图像所属的部位类别。
在步骤S205中,根据所述CT图像序列中的各个待处理CT图像所属的部位类别,以及所述各个待处理CT图像所述CT图像中的顺序,生成多个区间。例如,待处理CT图像的数量为100,生成的区间数为11。其中,区间1为[1,5],属于头部类别;区间2为[6,7],属于骨盆类别;区间3为[8,24],属于头部类别;区间4为[25,40],属于胸部类别;区间5为 [41,50],属于腹部类别;区间6为[51,52],属于骨盆类别;区间7为[53],属于腹部类别;区间8为[54,60],属于骨盆类别;区间9为[61],属于头部类别;区间10为[62,70],属于骨盆类别;区间11为[71,100],属于下肢类别。
在步骤S206中,在所述多个区间中的任一区间的长度未达到预设长度,且所述区间的两侧的区间属于同一部位类别的情况下,将所述区间所属的部位类别调整为所述区间的两侧的区间所属的部位类别,其中,预设长度可以等于待处理CT图像的数量的0.1倍。例如,预设长度为10。
接着上面的例子,其中,区间2的长度小于10,且区间2的两侧的区间均属于头部类别,因此,可以将区间2调整为属于头部类别。此时,11个区间减少为9个区间,区间1为 [1,24],属于头部类别;区间2为[25,40],属于胸部类别;区间3为[41,50],属于腹部类别;区间4为[51,52],属于骨盆类别;区间5为[53],属于腹部类别;区间6为[54,60],属于骨盆类别;区间7为[61],属于头部类别;区间8为[62,70],属于骨盆类别;区间9为[71,100],属于下肢类别。
其中,区间4的长度小于10,且区间4的两侧的区间均属于腹部类别,因此,可以将区间4调整为属于腹部类别。此时,9个区间减少为7个区间,区间1为[1,24],属于头部类别;区间2为[25,40],属于胸部类别;区间3为[41,53],属于腹部类别;区间4为[54,60],属于骨盆类别;区间5为[61],属于头部类别;区间6为[62,70],属于骨盆类别;区间7为 [71,100],属于下肢类别。
其中,区间5的长度小于10,且区间5的两侧的区间均属于骨盆类别,因此,可以将区间5调整为属于骨盆类别。此时,7个区间减少为5个区间,区间1为[1,24],属于头部类别;区间2为[25,40],属于胸部类别;区间3为[41,53],属于腹部类别;区间4为[54,70],属于骨盆类别;区间5为[71,100],属于下肢类别。
在步骤S207中,对于所述多个区间中的任一区间,在所述多个区间中不存在与所述区间属于同一部位类别区间的区间,或者所述多个区间中与所述区间属于同一部位类别的区间的长度小于所述区间的情况下,可以将所述区间确定为保留区间;对于所述多个区间中的任一区间,在所述多个区间中存在与所述区间属于同一部位类别、且长度大于所述区间的区间的情况下,将所述区间确定为所述待处理区间。对于所述多个区间中的任一待处理区间,根据所述待处理区间的两侧的区间所属的部位类别,确定所述待处理区间所属的合理部位类别;在所述待处理区间所属的部位类别不属于所述待处理区间所属的合理部位类别的情况下,根据所述待处理区间的两侧的区间所属的部位类别,调整所述待处理区间所属的部位类别,得到所述CT图像序列对应的部位类别识别结果。
例如,所述多个区间包括区间1至区间7,部位类别包括头部、胸部、腹部、骨盆和下肢,所述多个区间中的待处理区间包括区间6和区间4。其中,区间6的一侧的区间为区间5,另一侧的区间为区间7,区间5所属的部位类别是骨盆类别,区间7所属的部位类别是下肢类别,因此可以确定区间6所属的合理部位类别是骨盆类别和下肢类别。若区间6 所属的部位类别为头部类别,则可以确定区间6所属的部位类别不属于区间6所属的合理部位类别。由于区间6所属的部位类别“头部类别”不属于区间6所属的合理部位类别“骨盆类别”和“下肢类别”,因此,可以将区间6调整为属于“骨盆类别”或者“下肢类别”。
例如,所述CT图像序列对应的部位类别识别结果可以包括所述CT图像序列中的各个 CT图像所属的部位类别的信息。例如,所述CT图像序列对应的部位类别识别结果可以是类似{‘头部’:‘1-20’,‘胸部’:‘21-60’,‘腹部’:‘61-70’,‘骨盆’:‘71-85’,‘下肢’:‘86-100’,} 的数据形式,表示第1-20层属于头部,第21-60层属于胸部,第61-70层属于腹部,第71-85 层属于骨盆,第86-100层属于下肢。
本公开实施例通过在CT水平层面进行部位类别分类并根据相邻区间所属的部位类别对区间所属的部位类别进行调整,由此能够兼顾对CT图像序列进行人体的多部位识别的精度与速度要求。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了医学图像的识别装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种医学图像的识别方法,相应技术方案和技术效果可参见方法部分的相应记载,不再赘述。
图3示出本公开实施例提供的医学图像的识别装置的框图。如图3所示,所述医学图像的识别装置包括:
第一预测模块31,用于对医学图像序列中的待处理医学图像进行部位类别预测,得到所述医学图像序列的部位类别预测结果,其中,所述部位类别预测结果包括所述待处理医学图像所属的部位类别的信息;
生成模块32,用于基于所述部位类别预测结果以及所述待处理医学图像在所述医学图像序列中的顺序,生成多个区间,其中,所述多个区间中的任一区间包括至少一个待处理医学图像;
调整模块33,用于基于所述多个区间中的相邻区间所属的部位类别,对所述多个区间所属的部位类别进行调整,得到所述医学图像序列的部位类别识别结果。
在一种可能的实现方式中,所述调整模块33用于:
在所述多个区间中的任一区间的长度未达到预设长度,且所述区间的两侧的区间属于同一部位类别的情况下,将所述区间所属的部位类别调整为所述区间的两侧的区间所属的部位类别。
在一种可能的实现方式中,所述装置还包括:
第一确定模块,用于根据所述待处理医学图像的数量,确定所述预设长度,其中,所述待处理医学图像的数量小于或等于所述医学图像序列中的医学图像的总数。
在一种可能的实现方式中,所述调整模块33用于:
对于所述多个区间中的任一待处理区间,根据所述待处理区间的两侧的区间所属的部位类别,确定所述待处理区间所属的合理部位类别;
在所述待处理区间所属的部位类别不属于所述待处理区间所属的合理部位类别的情况下,根据所述待处理区间的两侧的区间所属的部位类别,调整所述待处理区间所属的部位类别。
在一种可能的实现方式中,所述调整模块33用于:
根据所述待处理区间中的待处理医学图像属于第一部位类别的概率,确定所述待处理区间属于所述第一部位类别的概率,其中,所述第一部位类别表示所述待处理区间的一侧的区间所属的部位类别;
根据所述待处理区间中的待处理医学图像属于第二部位类别的概率,确定所述待处理区间属于所述第二部位类别的概率,其中,所述第二部位类别表示所述待处理区间的另一侧的区间所属的部位类别;
在所述待处理区间属于所述第一部位类别的概率大于或等于所述待处理区间属于所述第二部位类别的概率的情况下,将所述待处理区间所属的部位类别调整为所述第一部位类别;和/或,在所述待处理区间属于所述第一部位类别的概率小于所述待处理区间属于所述第二部位类别的概率的情况下,将所述待处理区间所属的部位类别调整为所述第二部位类别。
在一种可能的实现方式中,所述装置还包括:
第二确定模块,用于对于所述多个区间中的任一区间,在所述多个区间中存在与所述区间属于同一部位类别、且长度大于所述区间的区间的情况下,将所述区间确定为所述待处理区间。
在一种可能的实现方式中,所述第一预测模块31用于:
对于所述医学图像序列中的任一待处理医学图像,根据所述待处理医学图像,以及所述医学图像序列中与所述待处理医学图像相邻的至少一个医学图像,对所述待处理医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息。
在一种可能的实现方式中,所述第一预测模块31用于:
对所述待处理医学图像以及所述医学图像序列中与所述待处理医学图像相邻的至少一个医学图像的通道进行叠加,得到所述待处理医学图像对应的多通道医学图像;
对所述待处理医学图像对应的多通道医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息。
在一种可能的实现方式中,所述还包括:
第三确定模块,用于在所述医学图像序列中,每隔N层确定一个待处理医学图像,其中,N为正整数。
在一种可能的实现方式中,所述医学图像序列包括水平面的医学图像序列。
在一种可能的实现方式中,所述医学图像序列还包括冠状面的医学图像序列和矢状面的医学图像序列中的至少之一。
在一种可能的实现方式中,所述第一预测模块31用于:
将所述待处理医学图像对应的多通道医学图像输入预先训练的神经网络,经由所述神经网络对所述待处理医学图像对应的多通道医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息。
在一种可能的实现方式中,所述装置还包括:
叠加模块,用于对训练图像序列中的训练图像以及所述训练图像序列中与所述训练图像相邻的至少一个训练图像的通道进行叠加,得到所述训练图像对应的多通道医学图像;
第二预测模块,用于将所述训练图像对应的多通道医学图像输入所述神经网络,经由所述神经网络对所述训练图像对应的多通道医学图像进行部位类别预测,得到所述训练图像所属的部位类别的信息;
训练模块,用于根据所预测的所述训练图像所属的部位类别的信息,以及所述训练图像所属的部位类别的标注数据,训练所述神经网络。
在一种可能的实现方式中,所述神经网络采用轻量级网络;以及
所述装置还包括:
获取模块,用于获取训练图像集,其中,所述训练图像集包括多个训练图像;
增强处理模块,用于对所述训练图像集中的训练图像进行数据增强处理,得到数据增强后的训练图像集。
在本公开实施例中,通过对医学图像序列中的待处理医学图像进行部位类别预测,得到所述医学图像序列的部位类别预测结果,基于所述部位类别预测结果以及所述待处理医学图像在所述医学图像序列中的顺序,生成多个区间,并基于所述多个区间中的相邻区间所属的部位类别,对所述多个区间所属的部位类别进行调整,得到所述医学图像序列的部位类别识别结果,由此能够对提高医学图像序列进行目标对象的多部位识别的准确性、鲁棒性和速度。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现和技术效果可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。其中,所述计算机可读存储介质可以是非易失性计算机可读存储介质,或者可以是易失性计算机可读存储介质。
本公开实施例还提出一种计算机程序,包括计算机可读代码,当所述计算机可读代码在电子设备中运行时,所述电子设备中的处理器执行用于实现上述方法。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的医学图像的识别方法的操作。
本公开实施例还提供一种电子设备,包括:一个或多个处理器;用于存储可执行指令的存储器;其中,所述一个或多个处理器被配置为调用所述存储器存储的可执行指令,以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4示出本公开实施例提供的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图4,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器 (EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风 (MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800 或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如无线网络(Wi-Fi)、第二代移动通信技术(2G)、第三代移动通信技术(3G)、第四代移动通信技术(4G)/通用移动通信技术的长期演进(LTE)、第五代移动通信技术(5G)或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带 (UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图5示出本公开实施例提供的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图5,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如微软服务器操作系统(Windows ServerTM),苹果公司推出的基于图形用户界面操作系统(Mac OSXTM),多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM),开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器 (RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (17)
1.一种医学图像的识别方法,其特征在于,包括:
对医学图像序列中的待处理医学图像进行部位类别预测,得到所述医学图像序列的部位类别预测结果,其中,所述部位类别预测结果包括所述待处理医学图像所属的部位类别的信息;
基于所述部位类别预测结果以及所述待处理医学图像在所述医学图像序列中的顺序,生成多个区间,其中,所述多个区间中的任一区间包括至少一个待处理医学图像;
基于所述多个区间中的相邻区间所属的部位类别,对所述多个区间所属的部位类别进行调整,得到所述医学图像序列的部位类别识别结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述多个区间中的相邻区间所属的部位类别,对所述多个区间所属的部位类别进行调整,包括:
在所述多个区间中的任一区间的长度未达到预设长度,且所述区间的两侧的区间属于同一部位类别的情况下,将所述区间所属的部位类别调整为所述区间的两侧的区间所属的部位类别。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
根据所述待处理医学图像的数量,确定所述预设长度,其中,所述待处理医学图像的数量小于或等于所述医学图像序列中的医学图像的总数。
4.根据权利要求1至3中任意一项所述的方法,其特征在于,所述基于所述多个区间中的相邻区间所属的部位类别,对所述多个区间所属的部位类别进行调整,包括:
对于所述多个区间中的任一待处理区间,根据所述待处理区间的两侧的区间所属的部位类别,确定所述待处理区间所属的合理部位类别;
在所述待处理区间所属的部位类别不属于所述待处理区间所属的合理部位类别的情况下,根据所述待处理区间的两侧的区间所属的部位类别,调整所述待处理区间所属的部位类别。
5.根据权利要求4所述的方法,其特征在于,所述根据所述待处理区间的两侧的区间所属的部位类别,调整所述待处理区间所属的部位类别,包括:
根据所述待处理区间中的待处理医学图像属于第一部位类别的概率,确定所述待处理区间属于所述第一部位类别的概率,其中,所述第一部位类别表示所述待处理区间的一侧的区间所属的部位类别;
根据所述待处理区间中的待处理医学图像属于第二部位类别的概率,确定所述待处理区间属于所述第二部位类别的概率,其中,所述第二部位类别表示所述待处理区间的另一侧的区间所属的部位类别;
在所述待处理区间属于所述第一部位类别的概率大于或等于所述待处理区间属于所述第二部位类别的概率的情况下,将所述待处理区间所属的部位类别调整为所述第一部位类别;和/或,在所述待处理区间属于所述第一部位类别的概率小于所述待处理区间属于所述第二部位类别的概率的情况下,将所述待处理区间所属的部位类别调整为所述第二部位类别。
6.根据权利要求4或5所述的方法,其特征在于,所述方法还包括:
对于所述多个区间中的任一区间,在所述多个区间中存在与所述区间属于同一部位类别、且长度大于所述区间的区间的情况下,将所述区间确定为所述待处理区间。
7.根据权利要求1至6中任意一项所述的方法,其特征在于,所述对医学图像序列中的待处理医学图像进行部位类别预测,包括:
对于所述医学图像序列中的任一待处理医学图像,根据所述待处理医学图像,以及所述医学图像序列中与所述待处理医学图像相邻的至少一个医学图像,对所述待处理医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息。
8.根据权利要求7所述的方法,其特征在于,所述根据所述待处理医学图像,以及所述医学图像序列中与所述待处理医学图像相邻的至少一个医学图像,对所述待处理医学图像进行部位类别预测,包括:
对所述待处理医学图像以及所述医学图像序列中与所述待处理医学图像相邻的至少一个医学图像的通道进行叠加,得到所述待处理医学图像对应的多通道医学图像;
对所述待处理医学图像对应的多通道医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息。
9.根据权利要求1至8中任意一项所述的方法,其特征在于,在所述对医学图像序列中的待处理医学图像进行部位类别预测之前,所述方法还包括:
在所述医学图像序列中,每隔N层确定一个待处理医学图像,其中,N为正整数。
10.根据权利要求1至9中任意一项所述的方法,其特征在于,所述医学图像序列包括水平面的医学图像序列。
11.根据权利要求10所述的方法,其特征在于,所述医学图像序列还包括冠状面的医学图像序列和矢状面的医学图像序列中的至少之一。
12.根据权利要求8所述的方法,其特征在于,所述对所述待处理医学图像对应的多通道医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息,包括:
将所述待处理医学图像对应的多通道医学图像输入预先训练的神经网络,经由所述神经网络对所述待处理医学图像对应的多通道医学图像进行部位类别预测,得到所述待处理医学图像所属的部位类别的信息。
13.根据权利要求12所述的方法,其特征在于,在所述将所述待处理医学图像对应的多通道医学图像输入预先训练的神经网络之前,所述方法还包括:
对训练图像序列中的训练图像以及所述训练图像序列中与所述训练图像相邻的至少一个训练图像的通道进行叠加,得到所述训练图像对应的多通道医学图像;
将所述训练图像对应的多通道医学图像输入所述神经网络,经由所述神经网络对所述训练图像对应的多通道医学图像进行部位类别预测,得到所述训练图像所属的部位类别的信息;
根据所预测的所述训练图像所属的部位类别的信息,以及所述训练图像所属的部位类别的标注数据,训练所述神经网络。
14.根据权利要求13所述的方法,其特征在于,所述神经网络采用轻量级网络;以及
在所述将所述训练图像对应的多通道医学图像输入所述神经网络之前,所述方法还包括:
获取训练图像集,其中,所述训练图像集包括多个训练图像;
对所述训练图像集中的训练图像进行数据增强处理,得到数据增强后的训练图像集。
15.一种医学图像的识别装置,其特征在于,包括:
第一预测模块,用于对医学图像序列中的待处理医学图像进行部位类别预测,得到所述医学图像序列的部位类别预测结果,其中,所述部位类别预测结果包括所述待处理医学图像所属的部位类别的信息;
生成模块,用于基于所述部位类别预测结果以及所述待处理医学图像在所述医学图像序列中的顺序,生成多个区间,其中,所述多个区间中的任一区间包括至少一个待处理医学图像;
调整模块,用于基于所述多个区间中的相邻区间所属的部位类别,对所述多个区间所属的部位类别进行调整,得到所述医学图像序列的部位类别识别结果。
16.一种电子设备,其特征在于,包括:
一个或多个处理器;
用于存储可执行指令的存储器;
其中,所述一个或多个处理器被配置为调用所述存储器存储的可执行指令,以执行权利要求1至14中任意一项所述的方法。
17.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至14中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011622350.3A CN112686867A (zh) | 2020-12-31 | 2020-12-31 | 医学图像的识别方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011622350.3A CN112686867A (zh) | 2020-12-31 | 2020-12-31 | 医学图像的识别方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112686867A true CN112686867A (zh) | 2021-04-20 |
Family
ID=75453881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011622350.3A Pending CN112686867A (zh) | 2020-12-31 | 2020-12-31 | 医学图像的识别方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686867A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284145A (zh) * | 2021-07-22 | 2021-08-20 | 杭州太美星程医药科技有限公司 | 图像处理方法及装置、计算机可读存储介质及电子设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107492099A (zh) * | 2017-08-28 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析系统以及存储介质 |
CN107767935A (zh) * | 2017-09-15 | 2018-03-06 | 深圳市前海安测信息技术有限公司 | 基于人工智能的医学影像分类处理系统及方法 |
JP2019010410A (ja) * | 2017-06-30 | 2019-01-24 | キヤノンメディカルシステムズ株式会社 | 画像処理装置、医用画像診断装置、及びプログラム |
CN110399913A (zh) * | 2019-07-12 | 2019-11-01 | 杭州依图医疗技术有限公司 | 一种医学图像中拍摄部位的分类方法及装置 |
CN110610181A (zh) * | 2019-09-06 | 2019-12-24 | 腾讯科技(深圳)有限公司 | 医学影像识别方法及装置、电子设备及存储介质 |
CN111027469A (zh) * | 2019-12-09 | 2020-04-17 | 上海联影智能医疗科技有限公司 | 人体部位识别方法、计算机设备和可读存储介质 |
CN111310793A (zh) * | 2020-01-17 | 2020-06-19 | 南方科技大学 | 一种医学图像分类方法、装置、移动终端及介质 |
CN111340083A (zh) * | 2020-02-20 | 2020-06-26 | 京东方科技集团股份有限公司 | 医学图像的处理方法、装置、设备及存储介质 |
CN111833344A (zh) * | 2020-07-23 | 2020-10-27 | 上海商汤智能科技有限公司 | 医学图像的处理方法及装置、电子设备和存储介质 |
CN111899177A (zh) * | 2020-08-05 | 2020-11-06 | 苏州深透智能科技有限公司 | 一种图像处理方法、装置、电子设备和可读存储介质 |
CN111989710A (zh) * | 2018-04-13 | 2020-11-24 | 皇家飞利浦有限公司 | 医学成像中的自动切片选择 |
US20210366593A1 (en) * | 2019-03-08 | 2021-11-25 | Fujifilm Corporation | Medical image processing apparatus and medical image processing method |
-
2020
- 2020-12-31 CN CN202011622350.3A patent/CN112686867A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019010410A (ja) * | 2017-06-30 | 2019-01-24 | キヤノンメディカルシステムズ株式会社 | 画像処理装置、医用画像診断装置、及びプログラム |
CN107492099A (zh) * | 2017-08-28 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析系统以及存储介质 |
CN107767935A (zh) * | 2017-09-15 | 2018-03-06 | 深圳市前海安测信息技术有限公司 | 基于人工智能的医学影像分类处理系统及方法 |
CN111989710A (zh) * | 2018-04-13 | 2020-11-24 | 皇家飞利浦有限公司 | 医学成像中的自动切片选择 |
US20210366593A1 (en) * | 2019-03-08 | 2021-11-25 | Fujifilm Corporation | Medical image processing apparatus and medical image processing method |
CN110399913A (zh) * | 2019-07-12 | 2019-11-01 | 杭州依图医疗技术有限公司 | 一种医学图像中拍摄部位的分类方法及装置 |
CN110610181A (zh) * | 2019-09-06 | 2019-12-24 | 腾讯科技(深圳)有限公司 | 医学影像识别方法及装置、电子设备及存储介质 |
CN111027469A (zh) * | 2019-12-09 | 2020-04-17 | 上海联影智能医疗科技有限公司 | 人体部位识别方法、计算机设备和可读存储介质 |
CN111310793A (zh) * | 2020-01-17 | 2020-06-19 | 南方科技大学 | 一种医学图像分类方法、装置、移动终端及介质 |
CN111340083A (zh) * | 2020-02-20 | 2020-06-26 | 京东方科技集团股份有限公司 | 医学图像的处理方法、装置、设备及存储介质 |
CN111833344A (zh) * | 2020-07-23 | 2020-10-27 | 上海商汤智能科技有限公司 | 医学图像的处理方法及装置、电子设备和存储介质 |
CN111899177A (zh) * | 2020-08-05 | 2020-11-06 | 苏州深透智能科技有限公司 | 一种图像处理方法、装置、电子设备和可读存储介质 |
Non-Patent Citations (2)
Title |
---|
张静;: "浅析医学影像处理技术的应用效果", 医学信息(中旬刊), no. 03, pages 725 - 726 * |
范立南, 徐心和: "基于不变矩特征和神经网络的图像模式模糊分类", 东北大学学报(自然科学版), no. 08, pages 738 - 741 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284145A (zh) * | 2021-07-22 | 2021-08-20 | 杭州太美星程医药科技有限公司 | 图像处理方法及装置、计算机可读存储介质及电子设备 |
CN113284145B (zh) * | 2021-07-22 | 2021-11-30 | 杭州太美星程医药科技有限公司 | 图像处理方法及装置、计算机可读存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522910B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN111310764A (zh) | 网络训练、图像处理方法及装置、电子设备和存储介质 | |
CN111899268B (zh) | 图像分割方法及装置、电子设备和存储介质 | |
US11461925B2 (en) | Pose prediction method and apparatus, and model training method and apparatus | |
CN107692997B (zh) | 心率检测方法及装置 | |
US20210097715A1 (en) | Image generation method and device, electronic device and storage medium | |
CN112541928A (zh) | 网络训练方法及装置、图像分割方法及装置和电子设备 | |
CN113222038B (zh) | 基于核磁图像的乳腺病灶分类和定位方法及装置 | |
CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
CN112967291B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113034491B (zh) | 一种冠脉钙化斑块检测方法及装置 | |
CN111523485A (zh) | 位姿识别方法及装置、电子设备和存储介质 | |
CN109685041B (zh) | 图像分析方法及装置、电子设备和存储介质 | |
CN111833344A (zh) | 医学图像的处理方法及装置、电子设备和存储介质 | |
TWI765386B (zh) | 神經網路訓練及圖像分割方法、電子設備和電腦儲存介質 | |
CN112184787A (zh) | 图像配准方法及装置、电子设备和存储介质 | |
CN113160947A (zh) | 医学图像的展示方法及装置、电子设备和存储介质 | |
CN111798498A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111652107A (zh) | 对象计数方法及装置、电子设备和存储介质 | |
CN111640114A (zh) | 图像处理方法及装置 | |
CN111882558A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111931781A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113902730A (zh) | 图像处理和神经网络训练方法及装置 | |
CN114581525A (zh) | 姿态确定方法及装置、电子设备和存储介质 | |
CN112686867A (zh) | 医学图像的识别方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |