CN113255760A - 训练图像处理模型的方法、图像处理的方法及装置 - Google Patents

训练图像处理模型的方法、图像处理的方法及装置 Download PDF

Info

Publication number
CN113255760A
CN113255760A CN202110554593.6A CN202110554593A CN113255760A CN 113255760 A CN113255760 A CN 113255760A CN 202110554593 A CN202110554593 A CN 202110554593A CN 113255760 A CN113255760 A CN 113255760A
Authority
CN
China
Prior art keywords
image
feature map
training
processing unit
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.)
Pending
Application number
CN202110554593.6A
Other languages
English (en)
Inventor
孙岩峰
简伟健
韦人
贾玉杰
金鸽
张欢
王瑜
王少康
陈宽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Infervision Medical Technology Co Ltd
Original Assignee
Infervision Medical Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Infervision Medical Technology Co Ltd filed Critical Infervision Medical Technology Co Ltd
Priority to CN202110554593.6A priority Critical patent/CN113255760A/zh
Publication of CN113255760A publication Critical patent/CN113255760A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T2207/20—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
    • G06T2207/30008—Bone
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种训练图像处理模型的方法、图像处理的方法及装置。该方法包括：获取训练图像，所述训练图像包括多个骨骼；使用所述第一处理单元提取训练图像的第一特征图，所述第一特征图用于指示所述多个骨骼的初始实例分割结果，所述第一特征图的尺寸小于所述训练图像的尺寸；使用所述第二处理单元提取所述训练图像的第二特征图，所述第二特征图用于指示所述多个骨骼的语义分割结果，所述第二特征图的尺寸与所述训练图像的尺寸的相同；使用所述第三处理单元根据所述第一特征图和所述第二特征图确定所述多个骨骼的实例分割结果；根据所述实例分割结果确定损失值；根据所述损失值训练所述图像处理模型。本申请实施例可以提高骨分割结果的准确性。

Description

训练图像处理模型的方法、图像处理的方法及装置
技术领域
本申请涉及医学图像处理领域，具体涉及一种训练图像处理模型的方法、图像处理的方法及装置。
背景技术
医学图像往往能够反映病人当前的身体状况，例如，医学数字成像和通信(Digital Imaging and Communications in Medicine，DICOM)和计算机断层扫描(Computed Tomography，CT)等医学图像已经被广泛应用于疾病诊断、精准治疗、术前分析以及术中引导等场合。
随着深度学习方法及图像处理技术的快速发展，基于深度学习的图像处理方法在医学领域也得到了飞速的发展，许多研究人员已经开始研究和开发基于深度学习的骨分割模型。但是，现有的骨分割模型的分割效果并不理想。
发明内容
有鉴于此，本申请实施例致力于提供一种训练图像处理模型的方法、图像处理的方法及装置，可以提高骨分割结果的准确性。
第一方面，提供了一种训练图像处理模型的方法，所述图像处理模型包括图像分割模型，所述图像分割模型包括第一处理单元、第二处理单元及第三处理单元，所述方法包括：获取训练图像，所述训练图像包括多个骨骼；使用所述第一处理单元提取训练图像的第一特征图，所述第一特征图用于指示所述多个骨骼的初始实例分割结果，所述第一特征图的尺寸小于所述训练图像的尺寸；使用所述第二处理单元提取所述训练图像的第二特征图，所述第二特征图用于指示所述多个骨骼的语义分割结果，所述第二特征图的尺寸与所述训练图像的尺寸的相同；使用所述第三处理单元根据所述第一特征图和所述第二特征图确定所述多个骨骼的实例分割结果；根据所述实例分割结果确定损失值；根据所述损失值训练所述图像处理模型。
在本申请实施例中，在下采样空间中提取所述第一特征图，可以保证所述多个骨骼的类别判定的准确性，在原采样空间提取所述第二特征图，可以保证所述多个骨骼的语义分割结果的精度，此时，根据所述第一特征图和所述第二特征图确定所述实例分割结果，并基于该实例分割结果训练所述图像处理模型，可以提高所述图像处理模型的准确性。
同时，在下采样空间中提取所述第一特征图，可以有效降低训练过程中的计算量，因此，本申请实施例中的方法可以在降低计算量的同时，提高所述图像处理模型的准确性。
在一些实施例中，所述使用所述第一处理单元提取训练图像的第一特征图，包括：对所述训练图像进行下采样处理，得到所述训练图像的下采样图像；使用所述第一处理单元，根据所述下采样图像确定所述第一特征图。
在一些实施例中，所述使用所述第二处理单元提取所述训练图像的第二特征图，包括：将所述训练图像进行切分为多个局部切片；使用所述第二处理单元，根据所述多个局部切片确定所述第二特征图。
在一些实施例中，所述使用所述第三处理单元，根据所述多个局部切片确定所述第二特征图，包括：使用所述第三处理单元，分别确定所述多个局部切片的多个局部特征图；根据所述多个局部特征图确定所述第二特征图。
在一些实施例中，所述使用所述第二处理单元提取所述训练图像的第二特征图，包括：使用所述第二处理单元，根据所述第一特征图和所述训练图像确定所述第二特征图。
在一些实施例中，所述损失值包括焦点损失和所述多个骨骼对应的局部类别混淆损失，在所述多个骨骼中的一个骨骼的预测类别与其对应真值的误差在预设范围内的情况下，所述骨骼的预测类别与真值的误差越小，则所述骨骼对应的局部类别混淆损失越小。
在一些实施例中，所述图像处理模型包括图像校正模型，所述使用所述第三处理单元根据所述第一特征图和所述第二特征图确定所述多个骨骼的实例分割结果，包括：使用所述第三处理单元，根据所述第一特征图和所述第二特征图确定所述多个骨骼的初始实例分割结果；使用所述图像校正模型，对所述初始实例分割结果进行去假阳和类别校正，得到所述实例分割结果。
在一些实施例中，所述图像校正模型是使用异常训练图像训练后得到的，所述异常训练图像中包括不属于所述异常训练图像指示的人体部位的器官或物体。
第二方面，提供了一种图像处理的方法，该方法包括：获取输入图像，所述输入图像包括多个骨骼；提取输入图像的第一特征图，所述第一特征图用于指示所述多个骨骼的初始实例分割结果，所述第一特征图的尺寸小于所述输入图像的尺寸；提取所述输入图像的第二特征图，所述第二特征图用于指示所述多个骨骼的语义分割结果，所述第二特征图的尺寸与所述输入图像的尺寸的相同；根据所述第一特征图和所述第二特征图确定所述多个骨骼的实例分割结果。
在本申请实施例中，在下采样空间中提取所述第一特征图，可以保证所述多个骨骼的类别判定的准确性，在原采样空间提取所述第二特征图，可以保证所述多个骨骼的语义分割结果的精度，此时，根据所述第一特征图和所述第二特征图可以提高所述实例分割结果的准确性。
同时，在下采样空间中提取所述第一特征图，可以有效降低图像处理过程中的计算量，因此，本申请实施例中的方法可以在降低计算量的同时，提高骨分割结果的准确性。
可选地，所述图像处理的方法可以由图像处理模型执行，所述图像处理模型可以是由所述第一方面或者第一方面的任一可能的实现方式中的方法训练后得到的。
在一些实施例中，所述提取输入图像的第一特征图，包括：对所述输入图像进行下采样处理，得到所述输入图像的下采样图像；根据所述下采样图像确定所述第一特征图。
在一些实施例中，所述提取所述输入图像的第二特征图，包括：将所述输入图像进行切分为多个局部切片；根据所述多个局部切片确定所述第二特征图。
在一些实施例中，所述根据所述多个局部切片确定所述第二特征图，包括：分别确定所述多个局部切片的多个局部特征图；根据所述多个局部特征图确定所述第二特征图。
在一些实施例中，所述使用所述第二处理单元提取所述输入图像的第二特征图，包括：使用所述第二处理单元，根据所述第一特征图和所述输入图像确定所述第二特征图。
在一些实施例中，所述根据所述第一特征图和所述第二特征图确定所述多个骨骼的实例分割结果，包括：根据所述第一特征图和所述第二特征图确定所述多个骨骼的初始实例分割结果；对所述初始实例分割结果进行去假阳和类别校正，得到所述实例分割结果。
第三方面，本申请提供了一种训练图像处理模型的装置，所述装置用于执行所述第一方面或者第一方面的任一可能的实现方式中的方法。
第四方面，本申请提供了一种图像处理的装置，所述装置用于执行所述第二方面或者第二方面的任一可能的实现方式中的方法。
第五方面，提供了一种训练图像处理模型的装置，所述装置包括存储介质和处理器，所述存储介质可以是非易失性存储介质，所述存储介质中存储有计算机可执行程序，所述处理器与所述非易失性存储介质连接，并执行所述计算机可执行程序以实现所述第一方面或者第一方面的任一可能的实现方式中的方法。
第六方面，提供了一种图像处理的装置，所述装置包括存储介质和处理器，所述存储介质可以是非易失性存储介质，所述存储介质中存储有计算机可执行程序，所述处理器与所述非易失性存储介质连接，并执行所述计算机可执行程序以实现所述第二方面或者第二方面的任一可能的实现方式中的方法。
第七方面，提供一种芯片，所述芯片包括处理器与数据接口，所述处理器通过所述数据接口读取存储器上存储的指令，执行第一方面或第一方面的任一可能的实现方式中的方法。
可选地，作为一种实现方式，所述芯片还可以包括存储器，所述存储器中存储有指令，所述处理器用于执行所述存储器上存储的指令，当所述指令被执行时，所述处理器用于执行第一方面或第一方面的任一可能的实现方式中的方法。
第八方面，提供一种芯片，所述芯片包括处理器与数据接口，所述处理器通过所述数据接口读取存储器上存储的指令，执行第二方面或第二方面的任一可能的实现方式中的方法。
可选地，作为一种实现方式，所述芯片还可以包括存储器，所述存储器中存储有指令，所述处理器用于执行所述存储器上存储的指令，当所述指令被执行时，所述处理器用于执行第二方面或第二方面的任一可能的实现方式中的方法。
第九方面，提供一种计算机可读存储介质，所述计算机可读介质存储用于设备执行的程序代码，所述程序代码包括用于执行第一方面或者第一方面的任一可能的实现方式中的方法的指令。
第十方面，提供一种计算机可读存储介质，所述计算机可读介质存储用于设备执行的程序代码，所述程序代码包括用于执行第二方面或者第二方面的任一可能的实现方式中的方法的指令。
在本申请实施例中，在下采样空间中提取所述第一特征图，可以保证所述多个骨骼的类别判定的准确性，在原采样空间提取所述第二特征图，可以保证所述多个骨骼的语义分割结果的精度，此时，根据所述第一特征图和所述第二特征图确定所述实例分割结果，并基于该实例分割结果训练所述图像处理模型，可以提高所述图像处理模型的准确性。
同时，在下采样空间中提取所述第一特征图，可以有效降低训练过程中的计算量，因此，本申请实施例中的方法可以在降低计算量的同时，提高所述图像处理模型的准确性。
附图说明
图1为适用于本申请实施例的一个应用场景图。
图2为本申请一个实施例中的训练图像处理模型的方法的示意性框图。
图3为本申请一个实施例中的图像处理模型的结构示意图。
图4为本申请一个实施例中的图像处理的方法的示意性框图。
图5为本申请一个实施例中的训练图像处理模型的装置的示意性框图。
图6为本申请一个实施例中的图像处理的装置的示意性框图。
图7为本申请另一个实施例中的图像处理的装置的示意性框图。
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清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例中的方法可以应用于各种对待处理图像进行图像处理的场景，本申请实施例中对此并不限定。例如，本申请实施例中的方法可以应用于基于医学图像进行骨分割的场景。
本申请实施例中的医学图像可以为电子计算机断层扫描(computed tomography，CT)图像及磁共振成像(magnetic resonance imaging，MRI)图像等，本申请实施例中对医学图像的类型并不限定。
图1为适用于本申请实施例的一个应用场景图。图1中的应用场景100可以包括图像获取装置110及图像处理装置120。
需要说明的是，图1所示的应用场景仅为示例而非限定，图1所示的应用场景中可以包括更多或更少的装置或设备，本申请实施例中对此并不限定。
其中，所述图像获取装置110可以为电子计算机断层(computed tomography，CT)扫描仪、磁共振成像(magnetic resonance imaging，MRI)或其他用于拍摄医学图像的装置或设备，所述图像处理装置120可以为计算机设备、服务器(例如，云端服务器)或其他能够对待处理图像进行图像处理(例如，基于医学图像进行骨分割)的装置或设备。
可以看出，本申请实施例对医学图像并不限定，本申请实施例中的所述医学图像可以包括CT图像、MRI图像或其他应用于医学领域的图像。
例如，所述图像获取装置110可以为CT扫描仪，CT扫描仪可以用于对人体组织进行X线扫描，得到人体组织的CT图像序列。
在一实施例中，通过CT扫描仪对骨骼进行扫描，可以得到包括骨骼的横断位CT图像序列。该骨骼例如可以为动物或者人体的脊柱、胫骨、股骨、胸骨、肋骨和髌骨或者其他骨组织，本申请实施例中对此不作限定。
例如，所述图像处理装置120可以为计算机设备，所述计算机设备可以是通用型计算机或者由专用的集成电路组成的计算机装置等，本申请实施例中对此不做限定。
本领域技术人员可以知晓，上述计算机设备的数量可以为一个或大于一个，多个计算机设备的类型可以相同或者不同。本申请实施例中对终端的数量和设备类型不加以限定。
计算机设备中可以部署有神经网络模型，用于对待处理图像进行图像处理(例如，基于医学图像进行骨分割)，得到用于指示待处理图像中的处理结果。
例如，计算机设备可以通过其中部署的神经网络模型(例如，所述神经网络模型可以为图像处理模型)对CT图像进行图像分割，以得到待处理图像的图像分割结果(如待处理图像中多个骨骼的实例分割结果)。
计算机设备可以为服务器或云端服务器，直接对待处理图像进行图像分割处理。
或者，计算机设备也可以与服务器(图1中未示出)之间通过通信网络相连。计算机设备可以将其从CT扫描仪获取到的CT图像等发送给服务器，利用服务器中的神经网络模型对CT图像进行图像分割，并且将得到的图像分割结果存储为样本图像，以对服务器中的神经网络模型进行训练，得到用于图像分割的神经网络模型。
计算机设备还可以从服务器中获取CT图像，进而通过神经网络模型对CT图像进行图像分割，以得到待处理图像的图像分割结果(如待处理图像中多个骨骼的实例分割结果)，本申请实施例中对具体的实现方式并不做限定。
图2是本申请一个实施例的训练图像处理模型的方法200的示意性框图，所述方法200可以用于训练图3所示的图像处理模型300。如图3所示，所述图像处理模型300可以包括图像分割模型310和图像校正模型320，其中，所述图像分割模型310可以用于对训练图像进行图像分割，所述图像分割模型310可以包括第一处理单元311、第二处理单元312及第三处理单元313，所述图像校正模型320可以用于对所述图像分割模型310输出的分割结果进行校正处理(例如，去假阳和类别校正)。
所述方法200可以由图1中的所述图像处理装置120执行，应理解，图2示出了方法200的步骤或操作，但这些步骤或操作仅是示例，本申请实施例还可以执行其他操作或者图2中方法200的各个操作的变形，或者，并不是所有步骤都需要执行，或者，这些步骤可以按照其他顺序执行。所述方法200可以包括步骤210至步骤260，具体如下：
S210，获取训练图像。
其中，所述训练图像可以包括多个骨骼。例如，所述训练图像可以为人体胸部、胸腹或头胸腹等部位对应的CT图像，所述训练图像可以包括12类肋骨(如左右第1～12肋)、锁骨、胸骨、椎骨、肩胛骨及其他骨骼等。
S220，使用所述第一处理单元提取训练图像的第一特征图。
其中，所述第一特征图可以用于指示所述多个骨骼的初始实例分割结果，所述第一特征图的尺寸可以小于所述训练图像的尺寸，也就是说，所述第一处理单元可以在(所述训练图像的)下采样空间提取所述训练图像的第一特征图。
例如，所述多个骨骼可以包括肩胛骨、锁骨、椎骨、胸骨、其他骨骼以及12类肋骨(左右第1～12肋)等17类骨骼，所述第一特征图可以用于指示所述17类骨骼的分割结果(例如，这17类骨骼对应的实例分割结果)。
例如，所述训练图像的尺寸为(128,512,512)，可以先对所述训练图像进行下采样处理得到所述训练图像的下采样图像，再使用所述第一处理单元，根据所述下采样图像提取所述第一特征图，所述第一特征图的尺寸可以为(32,128,128)。
在下采样空间中提取所述第一特征图，可以有效降低训练过程中的计算量，因此，本申请实施例中的方法可以在降低计算量的同时，提高所述图像处理模型的准确性。
可选地，所述第一处理单元可以是基于efficentdet网络设计的。例如，可以删除efficentdet网络的前两个卷积块(block)，对各阶段特征图尺寸和通道数进行修改，并删除四个小尺寸的输出分支，只保留其中尺寸最大的特征图对应的输出分支，在提取所述第一特征图的过程中，对于模型中各节点的输出，可以设置基于输入整体的权重(该权重可以为模型中的可学习参数)，即对于模型中的节点k，其输入xk可以为该节点k之前的各节点i的输入xi的加权和，其中，i及k均为整数，且i<k。此时，经过这些修改和设计就可以得到所述第一处理单元。当然，所述第一处理单元也可以是采用其他方法设计的，本申请实施例对所述第一处理单元的结构和设计方法并不做限定。
S230，使用所述第二处理单元提取所述训练图像的第二特征图。
其中，所述第二特征图可以用于指示所述多个骨骼的语义分割结果，所述第二特征图的尺寸可以与所述训练图像的尺寸的相同，也就是说，所述第二处理单元可以在(所述训练图像的)原尺寸空间提取所述训练图像的第二特征图。
但是，直接在(所述训练图像的)原尺寸空间提取所述第二特征图可能会导致模型的计算量过大，此时，可以考虑将训练图像切分成多个尺寸较小的局部切片(需要说明的是，这里只是将对原训练图像切分成多个小尺寸的图像，并未对训练图像进行下采样处理，即，多个小尺寸的图像还是原尺寸空间的图像)，然后再分别这些局部切片确定所述第二特征图，这样可以减少模型单次的计算量，避免出现模型占用的硬件资源过多的情况。
在一些实施例中，可以先将所述训练图像进行切分为多个局部切片，随后再使用所述第二处理单元，根据所述多个局部切片确定所述第二特征图，与直接在(所述训练图像的)原尺寸空间提取所述第二特征图相比，这种方式可以有效减少模型的单次计算量过大的问题，从而避免出现模型占用的硬件资源过多的情况。
可选地，在一些实施例中，可以使用所述第二处理单元分别确定所述多个局部切片的多个局部特征图，再根据所述多个局部特征图确定所述第二特征图。
例如，所述训练图像的尺寸为(128,512,512)，可以先在x方向将所述训练图像切分为8个尺寸为(16,512,512)的局部切片，此时，可以使用所述第二处理单元分别确定出这8个局部切片对应的8个局部特征图，再将这8个局部特征图拼接成一个特征图(即所述第二特征图)。
在一些实施例中，在使用所述第二处理单元提取所述训练图像的第二特征图的过程中，也可以融合所述第一处理单元输出的所述第一特征图，即，使用所述第二处理单元，根据所述第一特征图和所述训练图像确定所述第二特征图。
可选地，所述第二处理单元可以是基于Unet网络设计的。例如，可以将Unet网络的编码阶段修改为resnet的残差结构；也可以将Unet网络的编码阶段的最后一个下采样过程修改为：仅对xy方向进行下采样，z方向尺寸不变；还可以在Unet网络的第二个短连接(shortcut)融合所述第一处理单元输出的所述第一特征图。
但是，所述第一特征图的尺寸可能会小于所述训练图像的尺寸，而(所述第二处理单元输入的)所述局部切片为原尺寸空间的图像(并未进行下采样处理)，此时，需要结合所述第一特征图与所述训练图像的下采样关系，确定所述第一特征图与(所述第二处理单元输入的)所述局部切片之间的对应关系，并根据该对应关系确定所述局部切片对应的所述第一特征图中的局部特征图，将所述局部切片与所述局部特征图进行融合(例如，在Unet网络的第二个shortcut将所述局部切片与所述局部特征图进行融合)。所述局部切片与所述局部特征图之间的对应关系可以如下式所示：
Figure BDA0003076314700000111
其中，f2表示所述局部特征图在所述第一特征图中的坐标，f1表示局部切片在所述训练图像中的坐标，ps1表示所述局部切片的尺寸(例如，ps1可以取值128)，ps2表示所述第一特征图的尺寸(例如，ps2可以取值32)。
S240，使用所述第三处理单元根据所述第一特征图和所述第二特征图确定所述多个骨骼的实例分割结果。
例如，所述多个骨骼可以包括肩胛骨、锁骨、椎骨、胸骨、其他骨骼以及12类肋骨(左右第1～12肋)等17类骨骼，所述实例分割结果用于指示所述17类骨骼的实例分割结果。
在一些实施例中，所述图像处理模型还可以包括图像校正模型，此时，还可以使用所述图像校正模型对所述图像分割模型输出的分割结果进行校正处理。即，所述S240可以包括：使用所述第三处理单元，根据所述第一特征图和所述第二特征图确定所述多个骨骼的初始实例分割结果；使用所述图像校正模型，对所述初始实例分割结果进行去假阳和类别校正，得到所述实例分割结果。
可选地，在使用所述图像校正模型对所述初始实例分割结果进行去假阳和类别校正之前，还可以对所述初始实例分割结果进行二值化处理，得到所述多个骨骼的语义分割图，此时，再使用所述图像校正模型，对所述语义分割图进行去假阳和类别校正，得到所述实例分割结果。
在一些实施例中，可以使用正常医学图像训练所述图像分割模型，使用异常医学图像训练所述图像校正模型。但在实际中，可能会出现少量包含异常结构的医学图像，但其数量与正常的训练图像相比极其不平衡，往往存在数量级上的差异，若将所述图像分割模型和所述图像校正模型一起训练，即，使用正常医学图像训练所述图像分割模型，使用其中的少量异常医学图像训练所述图像校正模型，可能会导致训练效果不明显，也存在降低原有分割效果的可能性。
因此，在训练的过程中，可以将所述图像分割模型和所述图像校正模型进行分离，即分别训练所述图像分割模型和所述图像校正模型，使用正常医学图像(大数据集)训练所述图像分割模型，使用异常医学图像(小数据集)训练所述图像校正模型。例如，可以先使用正常医学图像(大数据集)训练图像分割模型，随后再将异常医学图像输入训练好的图像分割模型得到异常医学图像的分割结果，使用该分割结果训练图像校正模型。
这些异常训练图像可以是通过长期收集和积累后得到的，异常训练图像中可以包括不属于所述异常训练图像指示的人体部位的器官或物体。例如，异常训练图像可以为人体胸腹部对应的CT图像，那么，手掌、肺部引流管、体表或体内金属物件(首饰、支架等)就可以认为是不属于该异常训练图像指示的人体部位(人体胸腹部)的器官或物体。
可选地，在所述图像校正模型的训练过程中，对于所述训练图像中的多个骨骼的误分类和假阳可以设置特别的损失惩罚。
在本申请实施例中，所述图像校正模型可以对所述图像处理模型输出的分割结果进行校正，对于与正常结构差异较大的分割(如引流管等异常结构)，可以将其对应的类别判定为其他或背景，能够有效去假阳及改善分割效果。
S250，根据所述实例分割结果确定损失值。
由于在前面的一些实施例中，在使用所述第二处理单元提取所述第二特征图时，会将所述训练图像进行切分为多个局部切片，这样会破坏训练图像中的全局信息，而且不管对于模型(例如骨分割模型)还是医生，在一个局部图像上判定当前肋骨是哪一根都是非常困难的，而且，由于肋骨分类分割场景具有类别上的连续性(肋骨从第一肋至第十二肋按顺序分布)，模型在经过训练后，容易学习到肋骨分布的大致范围，仅出现临近类别的错误(例如将第二肋识别为第三肋等)。因此，为了进一步加强模型在相邻肋骨实例上的分类效果，本申请实施例中设计了局部类别混淆损失(local category confusion loss)。
在一些实施例中，损失值可以包括局部类别混淆损失，所述局部类别混淆损失可以是指：在所述多个骨骼中的一个骨骼的预测类别与其对应真值的误差在预设范围内的情况下，所述骨骼的预测类别与真值的误差越小，则所述骨骼对应的局部类别混淆损失越小。
例如，若假设图像分割模型对于某实例的分类结果(pred)仅落在离目标值(target)的类别差为rc内的范围内，此时模型正确分类的概率为p，误分类的概率为1-p，落在其他范围的概率为0，具体如下表示：
Figure BDA0003076314700000131
则可以定义局部类别混淆损失为：
Figure BDA0003076314700000132
局部类别混淆损失仅可在分类结果落在目标值临近类别时下降，临近程度由参数rc确定。例如，若取rc＝1，则当target＝2时，仅在pred落在[1,3]范围内时可使损失下降，pred取得2的概率越大，损失(该类别对应的局部类别混淆损失)越小，直至取得最小值0。由此可以使得模型在局部分类上具备较强的损失梯度，在局部上强化模型的分类效果。
在一些实施例中，所述损失值还可以包括焦点损失(focalloss)，所述焦点损失可以指所述训练图像中的多个骨骼的类别对应的焦点损失，关于焦点损失的描述可以参考现有技术，这里不再赘述。
S260，根据所述损失值训练所述图像处理模型。
在本申请实施例中，在下采样空间中提取所述第一特征图，可以保证所述多个骨骼的类别判定的准确性，在原采样空间提取所述第二特征图，可以保证所述多个骨骼的语义分割结果的精度，此时，根据所述第一特征图和所述第二特征图确定所述实例分割结果，并基于该实例分割结果训练所述图像处理模型，可以提高所述图像处理模型的准确性。
图4是本申请一个实施例的图像处理的方法400的示意性框图。所述方法400可以由图1中的所述图像处理装置120执行。
应理解，图4示出了方法400的步骤或操作，但这些步骤或操作仅是示例，本申请实施例还可以执行其他操作或者图4中方法400的各个操作的变形，或者，并不是所有步骤都需要执行，或者，这些步骤可以按照其他顺序执行。
S410，获取输入图像。
其中，所述输入图像可以包括多个骨骼。
S420，使用图像处理模型对所述输入图像进行处理，得到所述多个骨骼的实例分割结果。
其中，所述图像处理模型可以是通过图2中的方法200训练后得到的。
例如，可以使用所述图像处理模型提取输入图像的第一特征图，所述第一特征图用于指示所述多个骨骼的初始实例分割结果，所述第一特征图的尺寸小于所述输入图像的尺寸；使用所述图像处理模型提取所述输入图像的第二特征图，所述第二特征图用于指示所述多个骨骼的语义分割结果，所述第二特征图的尺寸与所述输入图像的尺寸的相同；使用所述图像处理模型，根据所述第一特征图和所述第二特征图确定所述多个骨骼的实例分割结果。具体的图像处理方法可以图2中的方法200中的实施例，这里不再赘述。
在本申请实施例中，在下采样空间中提取所述第一特征图，可以保证所述多个骨骼的类别判定的准确性，在原采样空间提取所述第二特征图，可以保证所述多个骨骼的语义分割结果的精度，此时，根据所述第一特征图和所述第二特征图可以提高所述实例分割结果的准确性。
同时，在下采样空间中提取所述第一特征图，可以有效降低图像处理过程中的计算量，因此，本申请实施例中的方法可以在降低计算量的同时，提高骨分割结果的准确性。
图5是本申请一个实施例提供的训练图像处理模型的装置500的示意性框图。应理解，图5示出的装置500仅是示例，本申请实施例的装置500还可包括其他模块或单元。
应理解，装置500能够执行图2的方法中的各个步骤，为了避免重复，此处不再详述。在本申请一种可能的实现方式中，所述图像处理模型包括图像分割模型，所述图像分割模型包括第一处理单元、第二处理单元及第三处理单元，所述装置包括：
获取单元510，用于获取训练图像，所述训练图像包括多个骨骼；
第一提取单元520，用于使用所述第一处理单元提取训练图像的第一特征图，所述第一特征图用于指示所述多个骨骼的初始实例分割结果，所述第一特征图的尺寸小于所述训练图像的尺寸；
第二提取单元530，用于使用所述第二处理单元提取所述训练图像的第二特征图，所述第二特征图用于指示所述多个骨骼的语义分割结果，所述第二特征图的尺寸与所述训练图像的尺寸的相同；
确定单元540，用于使用所述第三处理单元根据所述第一特征图和所述第二特征图确定所述多个骨骼的实例分割结果；
损失值确定单元550，用于根据所述实例分割结果确定损失值；
训练单元560，用于根据所述损失值训练所述图像处理模型。
应理解，这里的装置500以功能模块的形式体现。这里的术语“模块”可以通过软件和/或硬件形式实现，对此不作具体限定。例如，“模块”可以是实现上述功能的软件程序、硬件电路或二者结合。所述硬件电路可能包括应用特有集成电路(application specificintegrated circuit，ASIC)、电子电路、用于执行一个或多个软件或固件程序的处理器(例如共享处理器、专有处理器或组处理器等)和存储器、合并逻辑电路和/或其它支持所描述的功能的合适组件。
作为一个示例，本申请实施例提供的装置500可以是处理器或芯片，以用于执行本申请实施例所述的方法。
图6是本申请一个实施例提供的图像处理的装置600的示意性框图。应理解，图6示出的装置600仅是示例，本申请实施例的装置600还可包括其他模块或单元。
应理解，装置600能够执行图4的方法中的各个步骤，为了避免重复，此处不再详述。
在本申请一种可能的实现方式中，所述装置600包括：
获取单元610，用于获取输入图像，所述输入图像包括多个骨骼；
处理单元620，用于使用图像处理模型对所述输入图像进行处理，得到所述多个骨骼的实例分割结果。
所述图像处理模型的详细训练过程可以参照上述方法400中的实施例，这里不再赘述。
应理解，这里的图像处理的装置600以功能模块的形式体现。这里的术语“模块”可以通过软件和/或硬件形式实现，对此不作具体限定。例如，“模块”可以是实现上述功能的软件程序、硬件电路或二者结合。所述硬件电路可能包括应用特有集成电路(applicationspecific integrated circuit，ASIC)、电子电路、用于执行一个或多个软件或固件程序的处理器(例如共享处理器、专有处理器或组处理器等)和存储器、合并逻辑电路和/或其它支持所描述的功能的合适组件。
作为一个示例，本申请实施例提供的图像处理的装置600可以是处理器或芯片，以用于执行本申请实施例所述的方法。
图7是本申请一个实施例的图像处理的装置400的示意性框图。图7所示的装置400包括存储器401、处理器402、通信接口403以及总线404。其中，存储器401、处理器402、通信接口403通过总线404实现彼此之间的通信连接。
存储器401可以是只读存储器(read only memory，ROM)，静态存储设备，动态存储设备或者随机存取存储器(random access memory，RAM)。存储器401可以存储程序，当存储器401中存储的程序被处理器402执行时，处理器402用于执行本申请实施例的方法的各个步骤，例如，可以执行图2及图4所示实施例的各个步骤。
处理器402可以采用通用的中央处理器(central processing unit，CPU)，微处理器，应用专用集成电路(application specific integrated circuit，ASIC)，或者一个或多个集成电路，用于执行相关程序，以实现本申请方法实施例的方法。
处理器402还可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，本申请实施例的方法的各个步骤可以通过处理器402中的硬件的集成逻辑电路或者软件形式的指令完成。
上述处理器402还可以是通用处理器、数字信号处理器(digital signalprocessing，DSP)、专用集成电路(ASIC)、现成可编程门阵列(field programmable gatearray，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也可以是任何常规的处理器等。
结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器401，处理器402读取存储器401中的信息，结合其硬件完成本申请实施例中图像数据处理的装置包括的单元所需执行的功能，或者，执行本申请方法实施例的方法，例如，可以执行图2及图4所示实施例的各个步骤/功能。
通信接口403可以使用但不限于收发器一类的收发装置，来实现装置400与其他设备或通信网络之间的通信。
总线404可以包括在装置400各个部件(例如，存储器401、处理器402、通信接口403)之间传送信息的通路。
应理解，本申请实施例所示的装置400可以是处理器或芯片，以用于执行本申请实施例所述的方法。
应理解，本申请实施例中的处理器可以为中央处理单元(central processingunit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
应理解，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，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换等，均应包含在本申请的保护范围之内。

Claims (14)

1.一种训练图像处理模型的方法，其特征在于，所述图像处理模型包括图像分割模型，所述图像分割模型包括第一处理单元、第二处理单元及第三处理单元，所述方法包括：
获取训练图像，所述训练图像包括多个骨骼；
使用所述第一处理单元提取训练图像的第一特征图，所述第一特征图用于指示所述多个骨骼的初始实例分割结果，所述第一特征图的尺寸小于所述训练图像的尺寸；
使用所述第二处理单元提取所述训练图像的第二特征图，所述第二特征图用于指示所述多个骨骼的语义分割结果，所述第二特征图的尺寸与所述训练图像的尺寸的相同；
使用所述第三处理单元根据所述第一特征图和所述第二特征图确定所述多个骨骼的实例分割结果；
根据所述实例分割结果确定损失值；
根据所述损失值训练所述图像处理模型。
2.根据权利要求1所述的方法，其特征在于，所述使用所述第一处理单元提取训练图像的第一特征图，包括：
对所述训练图像进行下采样处理，得到所述训练图像的下采样图像；
使用所述第一处理单元，根据所述下采样图像确定所述第一特征图。
3.根据权利要求1所述的方法，其特征在于，所述使用所述第二处理单元提取所述训练图像的第二特征图，包括：
将所述训练图像进行切分为多个局部切片；
使用所述第二处理单元，根据所述多个局部切片确定所述第二特征图。
4.根据权利要求3所述的方法，其特征在于，所述使用所述第二处理单元，根据所述多个局部切片确定所述第二特征图，包括：
使用所述第二处理单元，分别确定所述多个局部切片的多个局部特征图；
根据所述多个局部特征图确定所述第二特征图。
5.根据权利要求1所述的方法，其特征在于，所述使用所述第二处理单元提取所述训练图像的第二特征图，包括：
使用所述第二处理单元，根据所述第一特征图和所述训练图像确定所述第二特征图。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述损失值包括焦点损失和所述多个骨骼对应的局部类别混淆损失，在所述多个骨骼中的一个骨骼的预测类别与其对应真值的误差在预设范围内的情况下，所述骨骼的预测类别与真值的误差越小，则所述骨骼对应的局部类别混淆损失越小。
7.根据权利要求6所述的方法，其特征在于，所述图像处理模型包括图像校正模型，所述使用所述第三处理单元根据所述第一特征图和所述第二特征图确定所述多个骨骼的实例分割结果，包括：
使用所述第三处理单元，根据所述第一特征图和所述第二特征图确定所述多个骨骼的初始实例分割结果；
使用所述图像校正模型，对所述初始实例分割结果进行去假阳和类别校正，得到所述实例分割结果。
8.根据权利要求7所述的方法，其特征在于，所述图像校正模型是使用异常训练图像训练后得到的，所述异常训练图像中包括不属于所述异常训练图像指示的人体部位的器官或物体。
9.一种图像处理的方法，其特征在于，包括：
获取输入图像，所述输入图像包括多个骨骼；
使用图像处理模型对所述输入图像进行处理，得到所述多个骨骼的实例分割结果；
其中，所述图像处理模型是通过权利要求1至8中任一项所述的方法训练后得到的。
10.一种训练图像处理模型的装置，其特征在于，所述装置用于执行所述权利要求1至8中任一项所述的方法。
11.一种图像处理的装置，其特征在于，所述装置用于执行所述权利要求9所述的方法。
12.一种训练图像处理模型的装置，其特征在于，包括处理器和存储器，所述存储器用于存储程序指令，所述处理器用于调用所述程序指令来执行权利要求1至8中任一项所述的方法。
13.一种图像处理的装置，其特征在于，包括处理器和存储器，所述存储器用于存储程序指令，所述处理器用于调用所述程序指令来执行权利要求9所述的方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，当所述程序指令由处理器运行时，实现权利要求1至9中任一项所述的方法。
CN202110554593.6A 2021-05-20 2021-05-20 训练图像处理模型的方法、图像处理的方法及装置 Pending CN113255760A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110554593.6A CN113255760A (zh) 2021-05-20 2021-05-20 训练图像处理模型的方法、图像处理的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110554593.6A CN113255760A (zh) 2021-05-20 2021-05-20 训练图像处理模型的方法、图像处理的方法及装置

Publications (1)

Publication Number Publication Date
CN113255760A true CN113255760A (zh) 2021-08-13

Family

ID=77183218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110554593.6A Pending CN113255760A (zh) 2021-05-20 2021-05-20 训练图像处理模型的方法、图像处理的方法及装置

Country Status (1)

Country Link
CN (1) CN113255760A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023050690A1 (zh) * 2021-09-28 2023-04-06 上海商汤智能科技有限公司 图像处理方法、装置、电子设备、存储介质和程序

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921850A (zh) * 2018-04-16 2018-11-30 博云视觉（北京）科技有限公司 一种基于图像分割技术的图像局部特征的提取方法
CN110110729A (zh) * 2019-03-20 2019-08-09 中国地质大学（武汉） 基于u形cnn模型实现遥感图像的建筑实例掩模提取方法
CN111754531A (zh) * 2020-07-08 2020-10-09 深延科技(北京)有限公司 图像实例分割方法和装置
CN112017189A (zh) * 2020-10-26 2020-12-01 腾讯科技（深圳）有限公司 图像分割方法、装置、计算机设备和存储介质
CN112016559A (zh) * 2020-08-26 2020-12-01 北京推想科技有限公司 实例分割模型的训练方法及装置，图像处理的方法及装置
CN112184780A (zh) * 2020-10-13 2021-01-05 武汉斌果科技有限公司 一种运动物体实例分割方法
CN112258524A (zh) * 2020-10-20 2021-01-22 推想医疗科技股份有限公司 一种多分支图像分割方法、装置、介质及电子设备
US20210089807A1 (en) * 2019-09-25 2021-03-25 Samsung Electronics Co., Ltd. System and method for boundary aware semantic segmentation
CN112635067A (zh) * 2020-12-29 2021-04-09 上海市第十人民医院 基于深度学习的核素骨显像中骨转移瘤的诊断方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921850A (zh) * 2018-04-16 2018-11-30 博云视觉（北京）科技有限公司 一种基于图像分割技术的图像局部特征的提取方法
CN110110729A (zh) * 2019-03-20 2019-08-09 中国地质大学（武汉） 基于u形cnn模型实现遥感图像的建筑实例掩模提取方法
US20210089807A1 (en) * 2019-09-25 2021-03-25 Samsung Electronics Co., Ltd. System and method for boundary aware semantic segmentation
CN111754531A (zh) * 2020-07-08 2020-10-09 深延科技(北京)有限公司 图像实例分割方法和装置
CN112016559A (zh) * 2020-08-26 2020-12-01 北京推想科技有限公司 实例分割模型的训练方法及装置，图像处理的方法及装置
CN112184780A (zh) * 2020-10-13 2021-01-05 武汉斌果科技有限公司 一种运动物体实例分割方法
CN112258524A (zh) * 2020-10-20 2021-01-22 推想医疗科技股份有限公司 一种多分支图像分割方法、装置、介质及电子设备
CN112017189A (zh) * 2020-10-26 2020-12-01 腾讯科技（深圳）有限公司 图像分割方法、装置、计算机设备和存储介质
CN112635067A (zh) * 2020-12-29 2021-04-09 上海市第十人民医院 基于深度学习的核素骨显像中骨转移瘤的诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
梁新宇 等: "基于深度学习的图像实例分割技术研究进展", 《电子学报》 *
董洪义: "《深度学习之PyTorch物体检测实战》", 31 January 2020, 机械工业出版社 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023050690A1 (zh) * 2021-09-28 2023-04-06 上海商汤智能科技有限公司 图像处理方法、装置、电子设备、存储介质和程序

Similar Documents

Publication Publication Date Title
EP3611699A1 (en) Image segmentation using deep learning techniques
US8494238B2 (en) Redundant spatial ensemble for computer-aided detection and image understanding
US10540770B2 (en) Method and apparatus for fully automated segmentation of joint using patient-specific optimal thresholding and watershed algorithm
Wu et al. Fracture detection in traumatic pelvic CT images
CN109859210B (zh) 一种医学数据处理装置及方法
CN110378913B (zh) 图像分割方法、装置、设备及存储介质
CN110689551B (zh) 四肢骨分割方法、装置、电子设备及可读存储介质
EP3722996A2 (en) Systems and methods for processing 3d anatomical volumes based on localization of 2d slices thereof
CN112365512B (zh) 训练图像分割模型的方法、图像分割的方法及其装置
Lee et al. Calibrated bayesian neural networks to estimate gestational age and its uncertainty on fetal brain ultrasound images
Jimenez-Pastor et al. Automated vertebrae localization and identification by decision forests and image-based refinement on real-world CT data
CN113255760A (zh) 训练图像处理模型的方法、图像处理的方法及装置
CN113240681B (zh) 图像处理的方法及装置
WO2023241032A1 (zh) 基于深度学习的智能识别骨关节炎的方法及系统
CN112734740B (zh) 训练目标检测模型的方法、目标检测的方法及其装置
CN115578419A (zh) 运动检测方法、装置、电子设备及存储介质
Chen et al. Scrfd: Spatial coherence based rib fracture detection
CN114943695A (zh) 医学序列影像的异常检测方法、装置、设备及存储介质
Chedid et al. Synthesis of fracture radiographs with deep neural networks
Meesters et al. Multi atlas-based muscle segmentation in abdominal CT images with varying field of view
Al-Eiadeh Automatic Lung Field Segmentation using Robust Deep Learning Criteria
CN113240730B (zh) 提取椎体中线的方法及装置
CN117078664B (zh) 计算机可读存储介质、超声图像质量评估装置及电子设备
Mehmood et al. Vertebra localization and centroid detection from cervical radiographs
US20230022549A1 (en) Image processing apparatus, method and program, learning apparatus, method and program, and derivation model

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210813