CN113344921A - 图像检测方法和装置、计算机可读存储介质和电子设备 - Google Patents
图像检测方法和装置、计算机可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN113344921A CN113344921A CN202110891499.XA CN202110891499A CN113344921A CN 113344921 A CN113344921 A CN 113344921A CN 202110891499 A CN202110891499 A CN 202110891499A CN 113344921 A CN113344921 A CN 113344921A
- Authority
- CN
- China
- Prior art keywords
- region
- detected
- suspicious
- regions
- determining
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及图像处理技术领域,具体涉及一种图像检测方法和图像检测装置,以及计算机可读存储介质和电子设备,解决了医学图像序列的检测准确率较低的问题。该图像检测方法通过分割待检测三维图像序列,得到待检测三维图像序列包括的N个待检测区域,从而可以针对待检测三维图像序列的不同待检测区域进行分析,然后利用基准图像序列模板包括的M个基准模板区域检测N个待检测区域,得到检测结果,从而可以根据不同待检测区域的特点进行分析,提高了图像检测的准确性。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种图像检测方法和图像检测装置,以及计算机可读存储介质和电子设备。
背景技术
目前,检测肿瘤等疾病的方法一般是针对医学图像序列的整体密度特征进行分析。例如,设置一个整体的密度阈值,然后与医学图像序列的所有点的密度值进行比对,超过密度阈值的区域就被认为可能是肿瘤。然而,很多情况都会导致医学图像序列上产生高密度区域。例如,受试者是刚刚吃过高蛋白食物拍摄的医学图像序列,高蛋白食物也会导致在医学图像序列上产生高密度区域,从而导致误判,即医学图像序列的检测准确率较低。
发明内容
有鉴于此,本申请实施例提供了一种图像检测方法和图像检测装置,以及计算机可读存储介质和电子设备,解决了医学图像序列的检测准确率较低的问题。
第一方面,本申请一实施例提供的一种图像检测方法,包括:分割待检测三维图像序列,得到待检测三维图像序列包括的N个待检测区域;利用基准图像序列模板包括的M个基准模板区域检测N个待检测区域,得到检测结果,其中,M个基准模板区域基于组织器官划分确定,M和N均为正整数。
结合本申请的第一方面,在一些实施例中,利用基准图像序列模板包括的M个基准模板区域检测N个待检测区域,得到检测结果,包括:将N个待检测区域分别与M个基准模板区域进行配准;比对N个待检测区域与M个基准模板区域,确定N个待检测区域中的可疑区域;对可疑区域进行定量分析,确定检测结果。
结合本申请的第一方面,在一些实施例中,比对N个待检测区域与M个基准模板区域,确定N个待检测区域中的可疑区域,包括:若是待检测区域未与M个基准模板区域中的任何一个重合,则判定待检测区域为可疑区域。
结合本申请的第一方面,在一些实施例中,对可疑区域进行定量分析,确定检测结果,包括:基于可疑区域和与可疑区域毗邻的待检测区域,确定毗邻区域;确定毗邻区域的毗邻区域密度值、毗邻区域阈值和毗邻区域边界长度;基于可疑区域的密度值、毗邻区域密度值、毗邻区域阈值和毗邻区域边界长度,确定可疑区域的检测结果。
结合本申请的第一方面,在一些实施例中,毗邻区域的数量为多个;基于可疑区域的密度值、毗邻区域密度值、毗邻区域阈值和毗邻区域边界长度,确定可疑区域的检测结果,包括:基于多个毗邻区域各自的毗邻区域密度值,确定最大毗邻区域密度值;基于多个毗邻区域各自的毗邻区域阈值和毗邻区域边界长度,确定毗邻区域平均阈值;基于可疑区域的密度值、最大毗邻区域密度值和毗邻区域平均阈值,确定可疑区域的检测结果。
结合本申请的第一方面,在一些实施例中,基于可疑区域的密度值、最大毗邻区域密度值和毗邻区域平均阈值,确定可疑区域的检测结果包括:若是可疑区域的密度值大于或等于最大毗邻区域密度值或可疑区域的密度值大于或等于毗邻区域平均阈值,判定可疑区域的检测结果为异常区域。
结合本申请的第一方面,在一些实施例中,比对N个待检测区域与M个基准模板区域,确定N个待检测区域中的可疑区域,包括:若是N个待检测区域分别与M个基准模板区域重合,但待检测区域的体积大于对应的基准模板区域的体积或所述待检测区域中的部分区域的密度值大于所述待检测区域对应的所述基准模板区域的密度值,则判定待检测区域为可疑区域。
结合本申请的第一方面,在一些实施例中,对可疑区域进行定量分析,确定检测结果,包括:确定可疑区域对应的基准模板区域的预设最大体积值;对比可疑区域的体积值与基准模板区域的预设最大体积值,确定可疑区域的检测结果。
结合本申请的第一方面,在一些实施例中,对可疑区域进行定量分析,确定可疑区域的检测结果,包括:确定可疑区域对应的基准模板区域的预设标准体积值和第一体积系数的第一乘积;确定可疑区域中的密度值超过预设上限密度值的高密度区域的体积值;若是可疑区域的体积值大于预设标准体积值,且高密度区域的体积值大于或等于第一乘积,判定可疑区域的检测结果为异常区域。
结合本申请的第一方面,在一些实施例中,对可疑区域进行定量分析,确定可疑区域的检测结果,包括:确定可疑区域对应的基准模板区域的预设标准体积值和第二体积系数的第二乘积;确定可疑区域中的密度值超过预设上限密度值的高密度区域的体积值;若是可疑区域的体积值小于或等于预设标准体积值,且高密度区域的体积值大于或等于第二乘积,判定可疑区域的为异常区域,并确定可疑区域的检测结果。
结合本申请的第一方面,在一些实施例中,对可疑区域进行定量分析,确定可疑区域的检测结果,包括:确定可疑区域对应的基准模板区域的预设标准体积值和第三体积系数的第三乘积;确定可疑区域中的密度值超过预设密度值的超高密度区域的体积值;对比超高密度区域的体积值与第三乘积,确定可疑区域的检测结果。
结合本申请的第一方面,在一些实施例中,在对可疑区域进行定量分析,确定可疑区域的检测结果之后,还包括:确定所述待检测三维图像序列对应的评估参考图像序列,其中,所述评估参考图像序列和所述待检测三维图像序列存在时序关联关系;基于所述评估参考图像序列,确定所述可疑区域对应的异常进展信息。
结合本申请的第一方面,在一些实施例中,利用基准图像序列模板包括的基准模板区域检测待检测三维图像序列包括的待检测区域,得到检测结果之前,还包括:确定待检测三维图像序列对应的多个原始基准图像序列模板样本;对多个原始基准图像序列模板样本进行同步化处理,得到多个同分辨率图像序列;对多个同分辨率图像序列进行配准,得到基准图像序列模板;对基准图像序列模板进行开运算和闭运算,以去除基准图像序列模板的毛刺;对基准图像序列模板进行连通域计算,得到多个基准模板区域。
结合本申请的第一方面,在一些实施例中,基准模板区域包括以下区域中的一个或多个:口部区域,牙齿区域,舌区域,咽区域,食道区域,胃区域,肠区域,肝脏区域,胆囊区域,胰脏区域。
第二方面,本申请一实施例提供的一种图像检测装置,包括:分割模块,配置为分割待检测三维图像序列,得到待检测三维图像序列包括的N个待检测区域;检测模块,配置为利用基准图像序列模板包括的M个基准模板区域检测N个待检测区域,得到检测结果,其中,M个基准模板区域基于组织器官划分确定,M和N均为正整数。
第三方面,本申请一实施例提供了一种计算机可读存储介质,存储介质存储有指令,当指令由电子设备的处理器执行时,使得电子设备能够执行上述第一方面提及的图像检测方法。
第四方面,本申请一实施例提供了一种电子设备,电子设备包括:处理器;用于存储计算机可执行指令的存储器;处理器,用于执行计算机可执行指令,以实现上述第一方面提及的图像检测方法。
本申请实施例提供的一种图像检测方法和图像检测装置,以及计算机可读存储介质和电子设备,通过分割待检测三维图像序列,得到待检测三维图像序列包括的待检测区域,从而可以针对待检测三维图像序列的不同待检测区域进行分析,然后利用基准图像序列模板包括的基准模板区域检测待检测三维图像序列包括的待检测区域,得到检测结果,从而可以根据不同待检测区域的特点进行分析,提高了图像检测的准确性。另外,通过根据不同待检测区域的特点进行分析,可以对待检测区域可能存在的肿瘤区域进行区域性肿瘤比例分析。
附图说明
图1所示为本申请一实施例提供的一种图像检测方法的应用场景示意图。
图2所示为本申请一实施例提供的一种图像检测方法的流程示意图。
图3所示为本申请另一实施例提供的一种图像检测方法的流程示意图。
图4所示为本申请另一实施例提供的一种图像检测方法的流程示意图。
图5所示为本申请另一实施例提供的一种图像检测方法的流程示意图。
图6所示为本申请另一实施例提供的一种图像检测方法的流程示意图。
图7所示为本申请另一实施例提供的一种图像检测方法的流程示意图。
图8所示为本申请另一实施例提供的一种图像检测方法的流程示意图。
图9所示为本申请另一实施例提供的一种图像检测方法的流程示意图。
图10所示为本申请另一实施例提供的一种图像检测方法的流程示意图。
图11所示为本申请另一实施例提供的一种图像检测方法的流程示意图。
图12所示为本申请另一实施例提供的一种图像检测方法的流程示意图。
图13所示为本申请另一实施例提供的一种图像检测方法的流程示意图。
图14所示为本申请另一实施例提供的一种图像检测方法的流程示意图。
图15所示为本申请另一实施例提供的一种图像检测方法的流程示意图。
图16所示为本申请另一实施例提供的一种图像检测方法的流程示意图。
图17所示为本申请一实施例提供的一种图像检测装置的结构示意图。
图18所示为本申请另一实施例提供的一种图像检测装置的结构示意图。
图19所示为本申请一实施例提供的电子设备的结构示意图。
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作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。
图1所示为本申请一实施例提供的一种图像检测方法的应用场景示意图。图1所示的场景包括服务器110以及与服务器110通信连接的图像获取设备120。具体而言,服务器110用于分割待检测三维图像序列,得到待检测三维图像序列包括的N个待检测区域,然后利用基准图像序列模板包括的M个基准模板区域检测N个待检测区域,得到检测结果,其中,M个基准模板区域基于组织器官划分确定,M和N均为正整数。
示例性地,在实际应用过程中,图像获取设备120用于获取待检测三维图像序列,并将获取的待检测三维图像序列发送至服务器110,服务器110基于接收的待检测三维图像序列确定可疑区域的检测结果,并可以将检测结果展示给用户。
示例性地,本申请的图像检测方法可以应用于医学图像阅片系统(MIRS,MedicalImaging Reading System)。MIRS用于图像管理和阅片管理。在图像管理方面,MIRS支持多中心的图像上传和图像查询,并对上传的图像进行审核和质控管理。在阅片管理方面,MIRS支持阅片流程设计,多层级阅片的分配、跟踪和查询,支持多重阅片。
示例性地,利用本申请的图像检测方法得到的检测结果可以展示出来。例如,可以采用Java Script Augular 1.0在浏览器上进行展示。在展示检测结果时,可以展示出肿瘤区域,例如。可以通过调用OpenCV的库实现图形描绘,从而显示肿瘤区域。
示例性方法
图2所示为本申请一实施例提供的一种图像检测方法的流程示意图。如图2所示,本申请实施例提供的图像检测方法包括如下步骤。
步骤210,分割待检测三维图像序列,得到待检测三维图像序列包括的N个待检测区域。
示例性地,待检测三维图像序列为电子计算机断层扫描(CT,ComputedTomography)图像序列。例如,待检测三维图像序列可以是人体胸部的CT图像序列,也可以是人体脑部的CT图像序列。分割待检测三维图像序列可以根据待检测三维图像序列的密度值进行分割,将密度值符合预设阈值条件的区域分割为一个待检测区域。
示例性地,待检测三维图像序列可以是CT全采样图像序列,即采样层厚等于层间距,从而全面的保留CT图像的信息。在本申请一实施例中,采样层厚可以是0.5到1毫米。目前,直径0.5毫米到1毫米的超过预设密度值的区域可以视为疑似肿瘤。直径小于0.5毫米的超过预设密度值的区域可以视为结节。因此,采样层厚为0.5到1毫米,可以采集到疑似的肿瘤区域,又能尽可能的筛选掉结节,减少待检测三维图像序列的噪声。
步骤220,利用基准图像序列模板包括的M个基准模板区域检测N个待检测区域,得到检测结果。
示例性地,M和N均为正整数。基准图像序列模板是基于多个健康的受试者的CT全采样图像得到的。基准模板区域基于组织器官划分确定。例如,人体可以包括骨骼系统,肌肉系统,消化系统,韧带系统,呼吸系统,循环系统,泌尿系统,淋巴系统,神经系统等系统,每个系统又包括多个组织器官。基于人体包含的多个组织器官,对整个人体的基准图像序列模板进行分割,可以得到多个基准模板区域。每个基准模板区域可以对应基准图像序列模板上的一个组织器官的区域。
在本申请一实施例中,基准模板区域可以是以下区域:口部区域,牙齿区域,舌区域,咽区域,食道区域,胃区域,肠区域,肝脏区域,胆囊区域,胰脏区域等。
利用基准模板区域检测待检测区域,可以是比对基准模板区域和待检测区域,从而确定待检测区域与基准模板区域的不同之处,以得到检测结果,即检测结果可以根据待检测区域与基准模板区域的不同之处得到的。
本申请实施例提供的图像检测方法,通过分割待检测三维图像序列,得到待检测三维图像序列包括的待检测区域,从而可以针对待检测三维图像序列的不同待检测区域进行分析,然后利用基准图像序列模板包括的基准模板区域检测待检测三维图像序列包括的待检测区域,得到检测结果,从而可以根据不同待检测区域的特点进行分析,以针对不同待检测区域的密度值优化检测参数。另外,通过根据不同待检测区域的特点进行分析,可以对待检测区域可能存在的肿瘤区域进行区域性肿瘤比例分析,从而为不同的待检测区域提供不同的检测和分析参数,提高了图像检测的准确性。
图3所示为本申请另一实施例提供的一种图像检测方法的流程示意图。在本申请图2所示实施例的基础上延伸出本申请图3所示实施例,下面着重叙述图3所示实施例与图2所示实施例的不同之处,相同之处不再赘述。
如图3所示,在本申请实施例中,利用基准图像序列模板包括的基准模板区域检测待检测三维图像序列包括的待检测区域,得到检测结果的步骤,包括如下步骤。
步骤310,将N个待检测区域分别与M个基准模板区域进行配准。
示例性地,基准图像序列模板包括M个基准模板区域,待检测三维图像序列包括N个待检测区域,M和N均为正整数。
步骤320,比对N个待检测区域与M个基准模板区域,确定N个待检测区域中的可疑区域。
示例性地,可疑区域为N个待检测区域中的可能存在的与M个基准模板区域不同的区域。例如,如果一个待检测区域未与M个基准模板区域中的任何一个相似,则该待检测区域可以被确认为是可疑区域。可疑区域可以是肿瘤概率超过预设阈值的区域。例如,肿瘤概率超过90%的区域可以是可疑区域。本领域技术人员可以根据实际情况确定该预设阈值,本申请不做具体限定。
步骤330,对可疑区域进行定量分析,确定检测结果。
示例性地,对可疑区域的体积、密度和形态等进行分析,从而确定可疑区域是肿瘤区域的概率。
通过将N个待检测区域分别与M个基准模板区域进行配准,可以使待检测区域和基准模板区域更好的重叠,提高了重叠精度,为比对N个待检测区域与M个基准模板区域提供良好的基础。通过确定N个待检测区域中的可疑区域,并对可疑区域进行定量分析,确定检测结果,进一步提高了检测结果的准确性。
图4所示为本申请另一实施例提供的一种图像检测方法的流程示意图。在本申请图3所示实施例的基础上延伸出本申请图4所示实施例,下面着重叙述图4所示实施例与图3所示实施例的不同之处,相同之处不再赘述。
如图4所示,比对N个待检测区域与M个基准模板区域,确定N个待检测区域中的可疑区域的步骤,包括如下步骤。
步骤410,比对N个待检测区域与M个基准模板区域。
步骤420,若是待检测区域未与M个基准模板区域中的任何一个重合,则判定待检测区域为可疑区域。
具体地,由于基准图像序列模板是基于健康的人的CT图像得到的,若是待检测区域未与M个基准模板区域中的任何一个重合,说明该待检测区域对应的人体位置可能有病变,因此将该待检测区域判定为可疑区域。
通过比对待检测区域与基准模板区域是否重合来判定可疑区域,方便快捷的确定了可疑区域,方法简单可靠,实用性强。
图5所示为本申请另一实施例提供的一种图像检测方法的流程示意图。在本申请图4所示实施例的基础上延伸出本申请图5所示实施例,下面着重叙述图5所示实施例与图4所示实施例的不同之处,相同之处不再赘述。如图5所示,对可疑区域进行定量分析,确定检测结果的步骤,包括如下步骤。
步骤510,基于可疑区域和与可疑区域毗邻的待检测区域,确定毗邻区域。
具体地,毗邻区域即为与可疑区域毗邻的待检测区域。
步骤520,确定毗邻区域的毗邻区域密度值、毗邻区域阈值和毗邻区域边界长度。
具体地,毗邻区域密度值可以是毗邻区域的密度的平均值、最大值或最小值等。毗邻区域阈值可以是本领域技术人员根据实际情况设置的毗邻区域的密度值。毗邻区域边界长度可以是毗邻区域的所有边界的总长度。
步骤530,基于可疑区域的密度值、毗邻区域密度值、毗邻区域阈值和毗邻区域边界长度,确定可疑区域的检测结果。
具体地,可疑区域的密度值可以是可疑区域的密度的平均值、最大值或最小值等。若是可疑区域的密度值大于毗邻区域密度值,或者可疑区域的密度值大于毗邻区域阈值等,可以确定可疑区域是肿瘤区域的概率较大。具体地,可疑区域是肿瘤区域的概率可以根据可疑区域的密度值与毗邻区域密度值的差值等来确定。可疑区域是肿瘤区域的概率还可以通过其它计算方式确定,本申请不做具体限定。
由于毗邻的区域的密度值相差较少,通过确定毗邻区域,并与毗邻区域的密度值进行比对,使毗邻区域的密度值为可疑区域的密度值提供参考,从而判断可疑区域的密度值是否异常,以确定可疑区域是肿瘤区域的概率,提高了可疑区域的检测结果的准确性。
图6所示为本申请另一实施例提供的一种图像检测方法的流程示意图。在本申请图5所示实施例的基础上延伸出本申请图6所示实施例,下面着重叙述图6所示实施例与图5所示实施例的不同之处,相同之处不再赘述。如图6所示,基于可疑区域的密度值、毗邻区域密度值、毗邻区域阈值和毗邻区域边界长度,确定可疑区域的检测结果的步骤,包括如下步骤。
步骤610,基于多个毗邻区域各自的毗邻区域密度值,确定最大毗邻区域密度值。
示例性地,最大毗邻区域密度值可以用max(normaln)表示。毗邻区域的数量为k个。normaln为毗邻区域密度值,n=1,2,3...k。即,n=1时,normaln=normal1,表示第一个毗邻区域的毗邻区域密度值,n=2时,normaln=normal2,表示第二个毗邻区域的毗邻区域密度值,以此类推,n=k时,normaln=normalk,表示第k个毗邻区域的毗邻区域密度值。
步骤620,基于多个毗邻区域各自的毗邻区域阈值和毗邻区域边界长度,确定毗邻区域平均阈值。
示例性地,毗邻区域阈值可以用thresholdn表示,毗邻区域边界长度可以用boundaryn表示,n=1,2,3...k。毗邻区域平均阈值可以通过以下公式计算得到:
步骤630,基于可疑区域的密度值、最大毗邻区域密度值和毗邻区域平均阈值,确定可疑区域的检测结果。
示例性地,可以通过对比可疑区域的密度值与最大毗邻区域密度值的大小关系来确定可疑区域的检测结果。也可以通过对比可疑区域的密度值与毗邻区域平均阈值的大小关系来确定可疑区域的检测结果。
通过基于可疑区域的密度值、最大毗邻区域密度值和毗邻区域平均阈值,确定可疑区域的检测结果,从而可以参考最大毗邻区域密度值和毗邻区域平均阈值来判断可疑区域的密度值是否正常,为判断可疑区域是否异常提供了准确的参考。
图7所示为本申请另一实施例提供的一种图像检测方法的流程示意图。在本申请图6所示实施例的基础上延伸出本申请图7所示实施例,下面着重叙述图7所示实施例与图6所示实施例的不同之处,相同之处不再赘述。如图7所示,基于可疑区域的密度值、最大毗邻区域密度值和毗邻区域平均阈值,确定可疑区域的检测结果的步骤,包括如下步骤。
步骤710,若是可疑区域的密度值大于或等于最大毗邻区域密度值或可疑区域的密度值大于或等于毗邻区域平均阈值,判定可疑区域的检测结果为异常区域。
具体地,异常区域可以是肿瘤区域。可疑区域的密度值可以是可疑区域的平均密度值,用agv表示。确定可疑区域的检测结果可以使用以下公式计算。
根据上述公式,可知:当可疑区域的密度值大于或等于最大毗邻区域密度值或可疑区域的密度值大于毗邻区域平均阈值,判定可疑区域的检测结果为异常区域。
通过根据最大毗邻区域密度值或毗邻区域平均阈值均可确定可疑区域的检测结果,提供了多种检测结果确定方式,避免了遗漏异常区域。
图8所示为本申请另一实施例提供的一种图像检测方法的流程示意图。在本申请图3所示实施例的基础上延伸出本申请图8所示实施例,下面着重叙述图8所示实施例与图3所示实施例的不同之处,相同之处不再赘述。如图8所示,比对N个待检测区域与M个基准模板区域,确定N个待检测区域中的可疑区域的步骤,包括如下步骤。
步骤810,比对N个待检测区域与M个基准模板区域。
步骤820,若是N个待检测区域分别与M个基准模板区域重合,但待检测区域的体积大于对应的基准模板区域的体积或待检测区域中的部分区域的密度值大于待检测区域对应的基准模板区域的密度值,则判定待检测区域为可疑区域。
具体地,由于基准图像序列模板是基于健康的人的CT图像得到的,若是N个待检测区域分别与M个基准模板区域重合,但待检测区域的体积大于对应的基准模板区域的体积,说明该待检测区域对应的人体位置可能有病变,病变导致该待检测区域的体积变大,因此将该待检测区域判定为可疑区域。若是N个待检测区域分别与M个基准模板区域重合,但待检测区域中的部分区域的密度值大于对应的基准模板区域的密度值,说明该待检测区域对应的人体位置可能有病变,病变导致该待检测区域的部分区域的密度值变大,因此将该待检测区域判定为可疑区域。
通过比对待检测区域与基准模板区域的体积来判定可疑区域,方便快捷的确定了可疑区域。
图9所示为本申请另一实施例提供的一种图像检测方法的流程示意图。在本申请图8所示实施例的基础上延伸出本申请图9所示实施例,下面着重叙述图9所示实施例与图8所示实施例的不同之处,相同之处不再赘述。如图9所示,对可疑区域进行定量分析,确定检测结果的步骤,包括如下步骤。
步骤910,确定可疑区域对应的基准模板区域的预设最大体积值。
具体地,预设最大体积值可以是基准模板区域对应的组织器官正常扩增可能达到的体积值,本领域技术人员可以根据实际情况设置预设最大体积值。
步骤920,对比可疑区域的体积值与基准模板区域的预设最大体积值,确定可疑区域的检测结果。
具体地,可疑区域的体积值可以是可疑区域对应的组织的体积值,可以使用Vcurrent表示。预设最大体积值可以使用Vmax表示,若是Vcurrent>Vmax,可以判定检测结果为异常区域,即如果可疑区域的体积值大于预设最大体积值,可以判定可疑区域为异常区域。
通过比对可疑区域的体积值与基准模板区域的预设最大体积值,确定可疑区域的检测结果,以预设最大体积值作为判断标准,从而使本领域技术人员可以根据可疑区域的位置来确定预设最大体积值,从而有针对性的设置预设最大体积值,进一步提高了检测结果的准确性。
图10所示为本申请另一实施例提供的一种图像检测方法的流程示意图。在本申请图8所示实施例的基础上延伸出本申请图10所示实施例,下面着重叙述图10所示实施例与图8所示实施例的不同之处,相同之处不再赘述。如图10所示,对可疑区域进行定量分析,确定检测结果的步骤,包括如下步骤。
步骤1010,确定可疑区域对应的基准模板区域的预设标准体积值和第一体积系数的第一乘积。
具体地,预设标准体积值可以是基准模板区域对应的组织器官的标准体积值,本领域技术人员可以根据实际情况设置预设标准体积值。第一体积系数可以是本领域技术人员可以根据实际情况设置的倍数值,本申请不做具体限定。
步骤1020,确定可疑区域中的密度值超过预设上限密度值的高密度区域的体积值。
具体地,高密度区域可以是可疑区域中的密度值超过预设上限密度值的区域。预设上限密度值可以是本领域技术人员根据实际情况设置的,本申请不做具体限定。高密度区域的体积值可以是高密度区域对应的组织的体积值。高密度区域的体积值可以通过直方图统计判断得到。
步骤1030,若是可疑区域的体积值大于预设标准体积值,且高密度区域的体积值大于或等于第一乘积,判定可疑区域的检测结果为异常区域。
示例性地,可疑区域的体积值可以使用Vcurrent表示,预设标准体积值可以使用V表示,高密度区域的体积值可以使用Voverthreshold表示。第一体积系数可以使用α表示。第一乘积可以用αV表示。判断可疑区域的检测结果,可以使用以下两个公式:
Vcurrent>V,Voverthreshold ≥ αV
由以上公式可知,若是可疑区域的体积值大于预设标准体积值,且高密度区域的体积值大于或等于第一乘积,判定可疑区域的检测结果为异常区域。
通过比对可疑区域的体积值与预设标准体积值和第一乘积,确定可疑区域的检测结果,可以从可疑区域的体积值和可疑区域中的高密度区域的体积值两个方面来分析可疑区域的异常情况,从而更加全面的对可疑区域进行分析。
图11所示为本申请另一实施例提供的一种图像检测方法的流程示意图。在本申请图8所示实施例的基础上延伸出本申请图11所示实施例,下面着重叙述图11所示实施例与图8所示实施例的不同之处,相同之处不再赘述。如图11所示,对可疑区域进行定量分析,确定检测结果的步骤,包括如下步骤。
步骤1110,确定可疑区域对应的基准模板区域的预设标准体积值和第二体积系数的第二乘积。
具体地,预设标准体积值可以是基准模板区域对应的组织器官的标准体积值,本领域技术人员可以根据实际情况设置预设标准体积值。第二体积系数可以是本领域技术人员可以根据实际情况设置的倍数值,本申请不做具体限定。
步骤1120,确定可疑区域中的密度值超过预设上限密度值的高密度区域的体积值。
具体地,高密度区域可以是可疑区域中的密度值超过预设上限密度值的区域。预设上限密度值可以是本领域技术人员根据实际情况设置的,本申请不做具体限定。高密度区域的体积值可以是高密度区域对应的组织的体积值。高密度区域的体积值可以通过直方图统计判断得到。
步骤1130,若是可疑区域的体积值小于或等于预设标准体积值,且高密度区域的体积值大于或等于第二乘积,判定可疑区域的为异常区域,并确定可疑区域的检测结果。
示例性地,可疑区域的体积值可以使用Vcurrent表示,预设标准体积值可以使用V表示,高密度区域的体积值可以使用Voverthreshold表示。第二体积系数可以使用β表示。第二乘积可以用βV表示。判断可疑区域的检测结果,可以使用以下两个公式:
Vcurrent ≤V,Voverthreshold ≥ βV
由以上公式可知,若是可疑区域的体积值小于或等于预设标准体积值,且高密度区域的体积值大于或等于第二乘积,判定可疑区域的为异常区域。然后,可以根据可疑区域的体积值与预设标准体积值的差值确定可疑区域是肿瘤区域的概率,即检测结果可以包括可疑区域是肿瘤区域的概率。
通过比对可疑区域的体积值与预设标准体积值和第二乘积,确定可疑区域的检测结果,方法简单可靠,实用性强。
图12所示为本申请另一实施例提供的一种图像检测方法的流程示意图。在本申请图8所示实施例的基础上延伸出本申请图12所示实施例,下面着重叙述图12所示实施例与图8所示实施例的不同之处,相同之处不再赘述。如图12所示,对可疑区域进行定量分析,确定检测结果的步骤,包括如下步骤。
步骤1210,确定可疑区域对应的基准模板区域的预设标准体积值和第三体积系数的第三乘积。
具体地,预设标准体积值可以是基准模板区域对应的组织器官的标准体积值,本领域技术人员可以根据实际情况设置预设标准体积值。第三体积系数可以是本领域技术人员可以根据实际情况设置的倍数值,本申请不做具体限定。
步骤1220,确定可疑区域中的密度值超过预设密度值的超高密度区域的体积值。
具体地,超高密度区域可以是可疑区域中的密度值超过预设密度值的区域。预设密度值可以是本领域技术人员根据实际情况设置的,例如,预设密度值可以是200,本申请对预设密度值不做具体限定。超高密度区域也可以是可疑区域中的超过预设上限密度值200以上的区域。超高密度区域的体积值可以是超高密度区域对应的组织的体积值。
步骤1230,对比超高密度区域的体积值与第三乘积,确定可疑区域的检测结果。
示例性地,可疑区域的体积值可以使用Vcurrent表示,预设标准体积值可以使用V表示,超高密度区域的体积值可以使用Voverthreshold+表示。第三体积系数可以使用γ表示。第三乘积可以用γV表示。判断可疑区域的检测结果,可以使用以下两个公式:
Voverthreshold+ ≥ γV
由以上公式可知,若是超高密度区域的体积值大于或等于第三乘积,则可以判定可疑区域的为异常区域。然后,可以根据可疑区域中的超高密度区域的体积值第三乘积的差值确定可疑区域是肿瘤区域的概率,即检测结果可以包括可疑区域是肿瘤区域的概率。
通过对比超高密度区域的体积值与第三乘积,确定可疑区域的检测结果,方法简单可靠,实用性强。
图13所示为本申请另一实施例提供的一种图像检测方法的流程示意图。在本申请图3所示实施例的基础上延伸出本申请图13所示实施例,下面着重叙述图13所示实施例与图3所示实施例的不同之处,相同之处不再赘述。如图13所示,对可疑区域进行定量分析,确定可疑区域的检测结果的步骤之后,还包括如下步骤。
步骤1310,确定所述待检测三维图像序列对应的评估参考图像序列。
具体地,评估参考图像序列和所述待检测三维图像序列存在时序关联关系。
示例性地,评估参考图像序列可以是第P次拍摄的第一待检测三维图像序列,待检测三维图像序列可以是第Q次拍摄的第二待检测三维图像序列。Q大于P,即第Q次拍摄在第P次拍摄之后。可以先确定第一待检测三维图像序列的每个像素的第一像素密度值和第一像素数量,以及第二待检测三维图像序列的每个像素的第二像素密度值和第二像素数量。
步骤1320,基于所述评估参考图像序列,确定所述可疑区域对应的异常进展信息。
具体地址,基于所述评估参考图像序列,确定所述可疑区域对应的异常进展信息,可以是基于第一像素密度值、第一像素数量、第二像素密度值、第二像素数量和预设标准异常密度值,确定异常进展信息。
示例性地,第一像素密度值用Valuec表示,其中,下标c表示第c个像素,第一像素数量用e表示,当c=1时,Valuec=Value1,表示第一个像素的第一像素密度值,当c=2时,Valuec=Value2,表示第二个像素的第一像素密度值,以此类推,当c=e时,Valuec=Valuee,表示第e个像素的第一像素密度值。第二像素密度值用Valued表示,其中,下标d表示第d个像素,第二像素数量用f表示,当d=1时,Valued=Value1,表示第一个像素的第二像素密度值,当d=2时,Valued=Value2,表示第二个像素的第二像素密度值,以此类推,当d=f时,Valued=Valuef,表示第f个像素的第二像素密度值。预设标准异常密度值可以是该可疑区域被判定为肿瘤区域的密度阈值。例如,该可疑区域的正常密度值为80,该可疑区域的密度值到达100就判定该可疑区域是肿瘤区域,则预设标准异常密度值可以是100。预设标准异常密度值可以根据实际情况进行设置,本申请不做具体限定。预设标准异常密度值可以用Valueth表示。异常进展信息可以使用progress表示。
确定异常进展信息可以使用以下公式:
由以上公式可以计算出异常进展信息,如果progress>1,则可以认为肿瘤进展扩增,即肿瘤变大。如果progress=1,则可以认为肿瘤无变化。如果progress<1,则可以认为肿瘤进展收缩,即肿瘤变小。
通过分析前后两次拍摄的待检测三维图像序列,从而确定异常进展信息,方法简单可靠,实用性强。
图14所示为本申请另一实施例提供的一种图像检测方法的流程示意图。在本申请图3所示实施例的基础上延伸出本申请图14所示实施例,下面着重叙述图14所示实施例与图3所示实施例的不同之处,相同之处不再赘述。如图14所示,将N个待检测区域分别与M个基准模板区域进行配准的步骤,包括如下步骤。
步骤1410,将N个待检测区域分别与M个基准模板区域进行刚性配准和标注点配准。
具体地,刚性配准可以是使待检测区域的刚性器官与基准模板区域的刚性器官进行配准。刚性器官可以是骨骼。成年人的骨骼具备形态不变性,并且骨骼作为CT中的高密度图像具备容易提取和边缘精确的特征,因此,骨骼适合用于进行刚性配准。标注点配准可以是针对有形变的器官进行的配准,首先,可以分别提取待检测区域和基准模板区域的形态纹理特征,并分别对形态纹理特征进行标注,然后根据标注进行配准。
通过将N个待检测区域分别与M个基准模板区域进行刚性配准和标注点配准,提高了配准的精度。
图15所示为本申请另一实施例提供的一种图像检测方法的流程示意图。在本申请图2所示实施例的基础上延伸出本申请图15所示实施例,下面着重叙述图15所示实施例与图2所示实施例的不同之处,相同之处不再赘述。如图15所示,分割待检测三维图像序列,得到待检测三维图像序列包括的待检测区域的步骤,包括如下步骤。
步骤1510,对待检测三维图像序列进行开运算和闭运算,以去除待检测三维图像序列的毛刺。
具体地,可以基于(1),(1,3,1),(1,3,5,3,1),(1,3,1),(1)的阶梯状算子进行开运算和闭运算,以去除待检测三维图像序列的毛刺,从而使待检测三维图像序列的边缘识别更加准确。
步骤1520,对待检测三维图像序列进行连通域计算,得到多个待检测区域。
通过对待检测三维图像序列进行连通域计算,将待检测三维图像序列分割为多个待检测区域,分割方法简单可靠,实用性强。
图16所示为本申请另一实施例提供的一种图像检测方法的流程示意图。在本申请图2所示实施例的基础上延伸出本申请图16所示实施例,下面着重叙述图16所示实施例与图2所示实施例的不同之处,相同之处不再赘述。如图16所示,利用基准图像序列模板包括的基准模板区域检测待检测三维图像序列包括的待检测区域,得到检测结果的步骤之前,还包括如下步骤。
步骤1610,确定待检测三维图像序列对应的多个原始基准图像序列模板样本。
示例性地,可以选取100名20-50岁的成年健康男性的CT图像和100名20-50岁的成年健康女性的CT图像,作为原始基准图像序列模板样本。
步骤1620,对多个原始基准图像序列模板样本进行同步化处理,得到多个同分辨率图像序列。
示例性地,对多个原始基准图像序列模板样本进行同步化处理,可以是以原始基准图像序列模板样本所在的三维空间坐标系xyz为基础,在xy平面上采用bicubic插值算法,以获得xy平面上的0.4x0.4的分辨率。然后在z方向,采用bicubic插值算法进行两次插值,以获得z方向上0.4的分辨率,从而获得空间分辨率为0.4x0.4x0.4的多个同分辨率图像序列。
由于小体积的肿瘤一般直径为0.5毫米,所以使多个同分辨率图像序列的空间分辨率为0.4x0.4x0.4,可以找到体积大于0.4x0.4x0.4立方毫米的肿瘤,从而可以确保多个原始基准图像序列模板样本上不会有肿瘤,保证了多个原始基准图像序列模板样本的准确性。
在本申请一实施例中,可以在z方向上进行多次插值来获得z方向上0.4的分辨率。例如,可以在z方向上进行2次插值来获得z方向上0.4的分辨率。具体地,原始基准图像序列模板样本的采样厚度为1毫米,第一次插值,采用的数据扩增倍数为2,以得到层厚为0.5毫米,第二次插值,采用的数据扩增倍数为1.25,以得到层厚为0.4毫米。通过多次插值来获得z方向上0.4的分辨率,可以保证在提高分辨率的同时,防止出现密度值和频率特征过拟合导致的原始基准图像序列模板样本失真。
步骤1630,对多个同分辨率图像序列进行配准,得到基准图像序列模板。
具体地,可以对多个同分辨率图像序列进行刚性配准和标注点配准,以得到基准图像序列模板,提高了配准的精度。
步骤1640,对基准图像序列模板进行开运算和闭运算,以去除基准图像序列模板的毛刺。
具体地,可以基于(1),(1,3,1),(1,3,5,3,1),(1,3,1),(1)的阶梯状算子进行开运算和闭运算,以去除基准图像序列模板的毛刺,从而使基准图像序列模板的边缘识别更加准确。
步骤1650,对基准图像序列模板进行连通域计算,得到多个基准模板区域。
通过对基准图像序列模板进行连通域计算,将基准图像序列模板分割为多个基准模板区域,分割方法简单可靠,实用性强。
示例性装置
图17所示为本申请一实施例提供的一种图像检测装置的结构示意图。图像检测装置1700包括:
分割模块1710,配置为分割待检测三维图像序列,得到所述待检测三维图像序列包括的N个待检测区域;
检测模块1720,配置为利用基准图像序列模板包括的M个基准模板区域检测所述N个待检测区域,得到检测结果,其中,所述M个基准模板区域基于组织器官划分确定,M和N均为正整数。
图18所示为本申请另一实施例提供的一种图像检测装置的结构示意图。在本申请图17所示实施例的基础上延伸出本申请图18所示实施例,下面着重叙述图18所示实施例与图17所示实施例的不同之处,相同之处不再赘述。如图18所示,检测模块1720包括:
配准单元1721,配置为将N个待检测区域分别与M个基准模板区域进行配准;
比对单元1722,配置为比对N个待检测区域与M个基准模板区域,确定N个待检测区域中的可疑区域;
分析单元1723,配置为对可疑区域进行定量分析,确定检测结果。
比对单元1722,进一步配置为若是待检测区域未与M个基准模板区域中的任何一个重合,则判定待检测区域为可疑区域。
分析单元1723包括:
毗邻区域确定子单元1810,配置为基于可疑区域和与可疑区域毗邻的待检测区域,确定毗邻区域;
密度和长度确定子单元1820,配置为确定毗邻区域的毗邻区域密度值、毗邻区域阈值和毗邻区域边界长度;
结果确定子单元1830,配置为基于可疑区域的密度值、毗邻区域密度值、毗邻区域阈值和毗邻区域边界长度,确定可疑区域的检测结果。
结果确定子单元1830,进一步配置为基于多个毗邻区域各自的毗邻区域密度值,确定最大毗邻区域密度值;基于多个毗邻区域各自的毗邻区域阈值和毗邻区域边界长度,确定毗邻区域平均阈值;基于可疑区域的密度值、最大毗邻区域密度值和毗邻区域平均阈值,确定可疑区域的检测结果。
结果确定子单元1830,进一步配置为若是可疑区域的密度值大于或等于最大毗邻区域密度值或可疑区域的密度值大于或等于毗邻区域平均阈值,判定可疑区域的检测结果为异常区域。
比对单元1722,进一步配置为若是N个待检测区域分别与M个基准模板区域重合,但待检测区域的体积大于对应的基准模板区域的体积或待检测区域中的部分区域的密度值大于待检测区域对应的基准模板区域的密度值,则判定待检测区域为可疑区域。
分析单元1723,进一步配置为确定可疑区域对应的基准模板区域的预设最大体积值;对比可疑区域的体积值与基准模板区域的预设最大体积值,确定可疑区域的检测结果。
分析单元1723,进一步配置为确定可疑区域对应的基准模板区域的预设标准体积值和第一体积系数的第一乘积;确定可疑区域中的密度值超过预设上限密度值的高密度区域的体积值;若是可疑区域的体积值大于预设标准体积值,且高密度区域的体积值大于或等于第一乘积,判定可疑区域的检测结果为异常区域。
分析单元1723,进一步配置为确定可疑区域对应的基准模板区域的预设标准体积值和第二体积系数的第二乘积;确定可疑区域中的密度值超过预设上限密度值的高密度区域的体积值;若是可疑区域的体积值小于或等于预设标准体积值,且高密度区域的体积值大于或等于第二乘积,判定可疑区域的为异常区域,并确定可疑区域的检测结果。
分析单元1723,进一步配置为确定可疑区域对应的基准模板区域的预设标准体积值和第三体积系数的第三乘积;确定可疑区域中的密度值超过预设密度值的超高密度区域的体积值;对比超高密度区域的体积值与第三乘积,确定可疑区域的检测结果。
图像检测装置1700还包括:
第一像素参数确定模块1730,配置为确定第一待检测三维图像序列的每个像素的第一像素密度值和第一像素数量;
第二像素参数确定模块1740,配置为确定第二待检测三维图像序列的每个像素的第二像素密度值和第二像素数量;
异常进展信息确定模块1750,配置为基于第一像素密度值、第一像素数量、第二像素密度值、第二像素数量和预设标准异常密度值,确定异常进展信息。
配准单元1721,进一步配置为将N个待检测区域分别与M个基准模板区域进行刚性配准和标注点配准。
分割模块1710包括:
去毛刺单元1711,配置为对待检测三维图像序列进行开运算和闭运算,以去除待检测三维图像序列的毛刺;
计算单元1712,配置为对待检测三维图像序列进行连通域计算,得到多个待检测区域。
图像检测装置1700还包括:
样本确定模块1760,配置为确定待检测三维图像序列对应的多个原始基准图像序列模板样本;
同步化模块1770,配置为对多个原始基准图像序列模板样本进行同步化处理,得到多个同分辨率图像序列;
配准模块1780,配置为对多个同分辨率图像序列进行配准,得到基准图像序列模板;
模板去毛刺模块1790,配置为对基准图像序列模板进行开运算和闭运算,以去除基准图像序列模板的毛刺;
连通域计算模块1795,配置为对基准图像序列模板进行连通域计算,得到多个基准模板区域。
示例性电子设备
图19所示为本申请一实施例提供的电子设备的结构示意图。如图19所示,该电子设备190包括:一个或多个处理器1901和存储器1902;以及存储在存储器1902中的计算机程序指令,计算机程序指令在被处理器1901运行时使得处理器1901执行如上述任一实施例的图像检测方法。
处理器1901可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备中的其他组件以执行期望的功能。
存储器1902可以包括一个或多个计算机程序产品,计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器1901可以运行程序指令,以实现上文的本申请的各个实施例的图像检测方法中的步骤以及/或者其他期望的功能。
在一个示例中,电子设备190还可以包括:输入装置1903和输出装置1904,这些组件通过总线系统和/或其他形式的连接机构(图19中未示出)互连。
此外,该输入装置1903还可以包括例如键盘、鼠标、麦克风等等。
该输出装置1904可以向外部输出各种信息,例如可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图19中仅示出了该电子设备190中与本申请有关的组件中的一些,省略了诸如总线、输入装置/输出接口等组件。除此之外,根据具体应用情况,电子设备190还可以包括任何其他适当的组件。
示例性计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,包括计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行如上述任一实施例的图像检测方法中的步骤。
计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的图像检测方法中的步骤。
计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。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。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
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 (17)
1.一种图像检测方法,其特征在于,包括:
分割待检测三维图像序列,得到所述待检测三维图像序列包括的N个待检测区域;
利用基准图像序列模板包括的M个基准模板区域检测所述N个待检测区域,得到检测结果,其中,所述M个基准模板区域基于组织器官划分确定,M和N均为正整数。
2.根据权利要求1所述的图像检测方法,其特征在于,所述利用基准图像序列模板包括的M个基准模板区域检测所述N个待检测区域,得到检测结果,包括:
将所述N个待检测区域分别与所述M个基准模板区域进行配准;
比对所述N个待检测区域与所述M个基准模板区域,确定所述N个待检测区域中的可疑区域;
对所述可疑区域进行定量分析,确定所述检测结果。
3.根据权利要求2所述的图像检测方法,其特征在于,所述比对所述N个待检测区域与所述M个基准模板区域,确定所述N个待检测区域中的可疑区域,包括:
若是所述待检测区域未与所述M个基准模板区域中的任何一个重合,则判定所述待检测区域为所述可疑区域。
4.根据权利要求3所述的图像检测方法,其特征在于,所述对所述可疑区域进行定量分析,确定所述检测结果,包括:
基于所述可疑区域和与所述可疑区域毗邻的待检测区域,确定毗邻区域;
确定所述毗邻区域的毗邻区域密度值、毗邻区域阈值和毗邻区域边界长度;
基于所述可疑区域的密度值、所述毗邻区域密度值、所述毗邻区域阈值和所述毗邻区域边界长度,确定所述可疑区域的所述检测结果。
5.根据权利要求4所述的图像检测方法,其特征在于,所述毗邻区域的数量为多个;
所述基于所述可疑区域的密度值、所述毗邻区域密度值、所述毗邻区域阈值和所述毗邻区域边界长度,确定所述可疑区域的所述检测结果,包括:
基于多个所述毗邻区域各自的毗邻区域密度值,确定最大毗邻区域密度值;
基于多个所述毗邻区域各自的毗邻区域阈值和毗邻区域边界长度,确定毗邻区域平均阈值;
基于所述可疑区域的密度值、所述最大毗邻区域密度值和所述毗邻区域平均阈值,确定所述可疑区域的所述检测结果。
6.根据权利要求5所述的图像检测方法,其特征在于,所述基于所述可疑区域的密度值、所述最大毗邻区域密度值和所述毗邻区域平均阈值,确定所述可疑区域的所述检测结果,包括:
若是所述可疑区域的密度值大于或等于所述最大毗邻区域密度值或所述可疑区域的密度值大于或等于所述毗邻区域平均阈值,判定所述可疑区域的所述检测结果为异常区域。
7.根据权利要求2至6任一项所述的图像检测方法,其特征在于,所述比对所述N个待检测区域与所述M个基准模板区域,确定所述N个待检测区域中的可疑区域,包括:
若是所述N个待检测区域分别与所述M个基准模板区域重合,但所述待检测区域的体积大于对应的所述基准模板区域的体积或所述待检测区域中的部分区域的密度值大于所述待检测区域对应的所述基准模板区域的密度值,则判定所述待检测区域为所述可疑区域。
8.根据权利要求7所述的图像检测方法,其特征在于,所述对所述可疑区域进行定量分析,确定所述检测结果,包括:
确定所述可疑区域对应的所述基准模板区域的预设最大体积值;
对比所述可疑区域的体积值与所述基准模板区域的预设最大体积值,确定所述可疑区域的所述检测结果。
9.根据权利要求7所述的图像检测方法,其特征在于,所述对所述可疑区域进行定量分析,确定所述可疑区域的检测结果,包括:
确定所述可疑区域对应的所述基准模板区域的预设标准体积值和第一体积系数的第一乘积;
确定所述可疑区域中的密度值超过预设上限密度值的高密度区域的体积值;
若是所述可疑区域的体积值大于所述预设标准体积值,且所述高密度区域的体积值大于或等于所述第一乘积,判定所述可疑区域的所述检测结果为异常区域。
10.根据权利要求7所述的图像检测方法,其特征在于,所述对所述可疑区域进行定量分析,确定所述可疑区域的检测结果,包括:
确定所述可疑区域对应的所述基准模板区域的预设标准体积值和第二体积系数的第二乘积;
确定所述可疑区域中的密度值超过预设上限密度值的高密度区域的体积值;
若是所述可疑区域的体积值小于或等于所述预设标准体积值,且所述高密度区域的体积值大于或等于所述第二乘积,判定所述可疑区域的为异常区域,并确定所述可疑区域的所述检测结果。
11.根据权利要求7所述的图像检测方法,其特征在于,所述对所述可疑区域进行定量分析,确定所述可疑区域的检测结果,包括:
确定所述可疑区域对应的所述基准模板区域的预设标准体积值和第三体积系数的第三乘积;
确定所述可疑区域中的密度值超过预设密度值的超高密度区域的体积值;
对比所述超高密度区域的体积值与所述第三乘积,确定所述可疑区域的所述检测结果。
12.根据权利要求2至6任一项所述的图像检测方法,其特征在于,在所述对所述可疑区域进行定量分析,确定所述可疑区域的检测结果之后,还包括:
确定所述待检测三维图像序列对应的评估参考图像序列,其中,所述评估参考图像序列和所述待检测三维图像序列存在时序关联关系;
基于所述评估参考图像序列,确定所述可疑区域对应的异常进展信息。
13.根据权利要求1至6任一项所述的图像检测方法,其特征在于,所述利用基准图像序列模板包括的基准模板区域检测所述待检测三维图像序列包括的待检测区域,得到检测结果之前,还包括:
确定所述待检测三维图像序列对应的多个原始基准图像序列模板样本;
对所述多个原始基准图像序列模板样本进行同步化处理,得到多个同分辨率图像序列;
对所述多个同分辨率图像序列进行配准,得到所述基准图像序列模板;
对所述基准图像序列模板进行开运算和闭运算,以去除所述基准图像序列模板的毛刺;
对所述基准图像序列模板进行连通域计算,得到所述多个基准模板区域。
14.根据权利要求1至6任一项所述的图像检测方法,其特征在于,所述基准模板区域包括以下区域中的一个或多个:口部区域,牙齿区域,舌区域,咽区域,食道区域,胃区域,肠区域,肝脏区域,胆囊区域,胰脏区域。
15.一种图像检测装置,其特征在于,包括:
分割模块,配置为分割待检测三维图像序列,得到所述待检测三维图像序列包括的N个待检测区域;
检测模块,配置为利用基准图像序列模板包括的M个基准模板区域检测所述N个待检测区域,得到检测结果,其中,所述M个基准模板区域基于组织器官划分确定,M和N均为正整数。
16.一种计算机可读存储介质,其特征在于,所述存储介质存储有指令,当所述指令由电子设备的处理器执行时,使得所述电子设备能够执行上述权利要求1至14任一项所述的图像检测方法。
17.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储计算机可执行指令的存储器;
所述处理器,用于执行所述计算机可执行指令,以实现上述权利要求1至14任一项所述的图像检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110891499.XA CN113344921B (zh) | 2021-08-04 | 2021-08-04 | 图像检测方法和装置、计算机可读存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110891499.XA CN113344921B (zh) | 2021-08-04 | 2021-08-04 | 图像检测方法和装置、计算机可读存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344921A true CN113344921A (zh) | 2021-09-03 |
CN113344921B CN113344921B (zh) | 2022-08-02 |
Family
ID=77480625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110891499.XA Active CN113344921B (zh) | 2021-08-04 | 2021-08-04 | 图像检测方法和装置、计算机可读存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344921B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554647A (zh) * | 2021-09-18 | 2021-10-26 | 浙江太美医疗科技股份有限公司 | 医学图像的配准方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1846616A (zh) * | 2006-03-13 | 2006-10-18 | 华中科技大学 | 一种计算机辅助预测乳腺癌风险的方法 |
CN104077780A (zh) * | 2014-07-07 | 2014-10-01 | 上海电力学院 | 一种基于分割的医学图像非刚性配准算法性能评价方法 |
CN106934807A (zh) * | 2015-12-31 | 2017-07-07 | 深圳迈瑞生物医疗电子股份有限公司 | 一种医学影像分析方法、系统及医疗设备 |
CN107545584A (zh) * | 2017-04-28 | 2018-01-05 | 上海联影医疗科技有限公司 | 医学图像中定位感兴趣区域的方法、装置及其系统 |
CN108447046A (zh) * | 2018-02-05 | 2018-08-24 | 龙马智芯(珠海横琴)科技有限公司 | 病灶的检测方法和装置、设备、计算机可读存储介质 |
CN109754387A (zh) * | 2018-11-23 | 2019-05-14 | 北京永新医疗设备有限公司 | 医学图像病灶检测定位方法、装置、电子设备及存储介质 |
CN110728673A (zh) * | 2019-10-21 | 2020-01-24 | 上海联影医疗科技有限公司 | 一种目标部位分析方法、装置、计算机设备及存储介质 |
-
2021
- 2021-08-04 CN CN202110891499.XA patent/CN113344921B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1846616A (zh) * | 2006-03-13 | 2006-10-18 | 华中科技大学 | 一种计算机辅助预测乳腺癌风险的方法 |
CN104077780A (zh) * | 2014-07-07 | 2014-10-01 | 上海电力学院 | 一种基于分割的医学图像非刚性配准算法性能评价方法 |
CN106934807A (zh) * | 2015-12-31 | 2017-07-07 | 深圳迈瑞生物医疗电子股份有限公司 | 一种医学影像分析方法、系统及医疗设备 |
CN107545584A (zh) * | 2017-04-28 | 2018-01-05 | 上海联影医疗科技有限公司 | 医学图像中定位感兴趣区域的方法、装置及其系统 |
CN108447046A (zh) * | 2018-02-05 | 2018-08-24 | 龙马智芯(珠海横琴)科技有限公司 | 病灶的检测方法和装置、设备、计算机可读存储介质 |
CN109754387A (zh) * | 2018-11-23 | 2019-05-14 | 北京永新医疗设备有限公司 | 医学图像病灶检测定位方法、装置、电子设备及存储介质 |
CN110728673A (zh) * | 2019-10-21 | 2020-01-24 | 上海联影医疗科技有限公司 | 一种目标部位分析方法、装置、计算机设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554647A (zh) * | 2021-09-18 | 2021-10-26 | 浙江太美医疗科技股份有限公司 | 医学图像的配准方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113344921B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chan et al. | Effective pneumothorax detection for chest X‐ray images using local binary pattern and support vector machine | |
Yuan et al. | Bleeding frame and region detection in the wireless capsule endoscopy video | |
US9633108B2 (en) | Method and system for anomaly detection in data sets | |
US9928600B2 (en) | Computer-aided diagnosis apparatus and computer-aided diagnosis method | |
CN101231678B (zh) | 医用图像处理装置及医用图像处理方法 | |
KR102154733B1 (ko) | 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법 | |
JP4640845B2 (ja) | 画像処理装置およびそのプログラム | |
JP2008520345A (ja) | 超音波画像における病変の検出及び分類方法、及びそのシステム | |
JP2008520317A (ja) | 医療画像データ内の腫瘍境界を自動的に検出及び区分するシステム及び方法 | |
CN112052896B (zh) | 图像处理方法及装置,分类模型的训练方法及装置 | |
WO2007117506A2 (en) | System and method for automatic detection of internal structures in medical images | |
US20110064289A1 (en) | Systems and Methods for Multilevel Nodule Attachment Classification in 3D CT Lung Images | |
Tiwari | Prediction of lung cancer using image processing techniques: a review | |
Chien et al. | A decision function method for boundary detection | |
US20160133028A1 (en) | Apparatus and method for avoiding region of interest re-detection | |
CN113344921B (zh) | 图像检测方法和装置、计算机可读存储介质和电子设备 | |
EP2705497B1 (en) | Systems and methods for automatic detection and testing of images for clinical relevance | |
KR101590483B1 (ko) | 형태학적 연산을 이용한 이미지 분할 처리방법 | |
US20060074312A1 (en) | Medical diagnostic ultrasound signal extraction | |
CN113160199A (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
CN111784646A (zh) | 图像处理装置及电子设备 | |
JP2004188202A (ja) | デジタル胸部放射線写真の自動分析方法 | |
JP2010220908A (ja) | 画像処理装置、画像処理方法、およびプログラム | |
JP2005270635A (ja) | 画像処理方法及び処理装置 | |
EP4209994A1 (en) | Method and system for automatic classification of radiographic images having different acquisition characteristics |
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 |