CN113379674A - 一种医学图像的检测方法及装置 - Google Patents
一种医学图像的检测方法及装置 Download PDFInfo
- Publication number
- CN113379674A CN113379674A CN202110468667.4A CN202110468667A CN113379674A CN 113379674 A CN113379674 A CN 113379674A CN 202110468667 A CN202110468667 A CN 202110468667A CN 113379674 A CN113379674 A CN 113379674A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- image
- detection
- determining
- decoding
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 230000005764 inhibitory process Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 13
- 238000004873 anchoring Methods 0.000 abstract description 9
- 238000011176 pooling Methods 0.000 description 24
- 238000004364 calculation method Methods 0.000 description 13
- 230000001629 suppression Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000010191 image analysis Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000002685 pulmonary effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 206010056342 Pulmonary mass Diseases 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 231100000225 lethality Toxicity 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开一种医学图像的检测方法及装置,包括:利用检测网络中的特征分析结构,确定待检测图像对应的第一图像特征;所述特征分析结构包括,第一编码结构和第一解码结构;所述第一解码结构包括通道注意力模块和空间注意力模块;利用所述检测网络中的特征检测结构,根据所述第一图像特征确定所述待检测图像中的第一检测目标;基于上述结构,本申请中检测过程不再需要设定锚定尺寸,而能够针对不同大小的检测目标进行检测,解决现有技术中与锚定尺寸具有较大偏差的检测目标很可能会被漏检的技术问题。
Description
技术领域
本申请涉及图像分析技术领域,尤其涉及一种医学图像的检测方法及装置。
背景技术
在医学领域,恶性肿瘤具有极高的致死率,极大的威胁患者的健康和生命。在临床上可通过医学图像对肿瘤实现检测和筛查。传统的医学图像的观测和识别是由医生人工完成,需要占用人力资源。
随着人工智能技术的进步,现阶段可利用基于人工智能的图像分析技术,实现对于医学图像的检测。例如可以采用Faster RCNN两阶段检测算法进行医学图像的检测。不过,基于该算法的医学图像检测,需要手动设定检测目标的锚定尺寸,所以其只能够针对接近于锚定尺寸的检测目标进行检测。
而一些情况下,检测目标的实际尺寸具有很强的不确定性。基于锚定尺寸进行的检测,可能导致一些与锚定尺寸具有较大偏差的检测目标被漏检。因此此类检测方案的检测能力尚有待提高。
发明内容
本申请提供一种医学图像的检测方法及装置,以至少解决现有技术中存在的以上技术问题。
第一方面,本申请提供一种医学图像的检测方法,包括:
利用检测网络中的特征分析结构,确定待检测图像对应的第一图像特征;所述特征分析结构包括,第一编码结构和第一解码结构;所述第一解码结构包括通道注意力模块和空间注意力模块;
利用所述检测网络中的特征检测结构,根据所述第一图像特征确定所述待检测图像中的第一检测目标。
优选的,所述利用检测网络中的特征分析结构,确定待检测图像的第一图像特征包括:
从所述待检测图像中,确定待检测区域;
利用所述特征分析结构,根据所述待检测区域确定所述第一图像特征。
优选的,所述利用所述特征分析结构,根据所述待检测区域确定所述第一图像特征包括:
利用所述第一编码结构,确定第一编码层特征;
利用所述第一解码结构,确定第一解码层特征;
利用所述通道注意力模块,根据所述第一编码层特征和所述第一解码层特征,确定第二解码层特征;
利用所述空间注意力模块,根据所述第二解码层特征,确定第三解码层特征;
根据所述第三解码层特征,确定所述第一图像特征。
优选的,所述利用所述通道注意力模块,根据所述第一编码层特征和所述第一解码层特征,确定第二解码层特征;包括:
利用所述通道注意力模块,针对所述第一解码层特征进行第一注意力机制运算,确定通道权重;
根据所述第一编码层、所述第一解码层特征和所述通道权重,确定所述第二解码层特征。
优选的,所述利用所述空间注意力模块,根据所述第二解码层特征,确定第三解码层特征包括:
利用所述空间注意力模块,针对所述第二解码层特征进行第二注意力机制运算,确定空间权重;
根据所述第二解码层特征和所述空间权重,确定所述第三解码层特征。
优选的,所述利用所述检测网络中的特征检测结构,根据所述第一图像特征确定所述待检测图像中的第一检测目标包括:
根据所述第一图像特征和空间编码信息,确定第二图像特征;
根据所述第二图像特征和所述空间编码信息,确定所述第一检测目标对应的检测框。
优选的,还包括:
利用假阳性抑制网络,对所述第一检测目标进行假阳性抑制处理,以确定第二检测目标。
第二方面,本申请提供一种医学图像的检测装置,包括:
第一图像特征确定模块,用于利用检测网络中的特征分析结构,确定待检测图像对应的第一图像特征;所述特征分析结构包括,第一编码结构和第一解码结构;所述第一解码结构包括通道注意力模块和空间注意力模块;
第一检测目标确定模块,用于利用所述检测网络中的特征检测结构,根据所述第一图像特征确定所述待检测图像中的第一检测目标。
第三方面,本申请提供一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行本申请所述的医学图像的检测方法。
第四方面,本申请提供一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现本申请所述的医学图像的检测方法。
与现有技术相比,本申请提供的一种医学图像的检测方法及装置,利用检测网络实现了对于待检测图像的检测;检测网络中包括特征分析结构和特征检测结构,特征分析结构包括,第一编码结构和第一解码结构,第一解码结构包括通道注意力模块和空间注意力模块;基于上述结构,本申请中检测过程不再需要设定锚定尺寸,而能够针对不同大小的检测目标进行检测,解决现有技术中与锚定尺寸具有较大偏差的检测目标很可能会被漏检的技术问题。
附图说明
图1为本申请一实施例提供的一种医学图像的检测方法的流程示意图;
图2为本申请一实施例提供的一种医学图像的检测方法检测网络的结构示意图;
图3为本申请一实施例提供的一种医学图像的检测方法中特征分析结构的结构示意图;
图4为本申请一实施例提供的一种医学图像的检测方法中通道注意力模块的结构示意图;
图5为本申请一实施例提供的一种医学图像的检测方法中空间注意力模块的结构示意图;
图6为本申请一实施例提供的另一种医学图像的检测方法的流程示意图;
图7为本申请一实施例提供的一种医学图像的检测装置的结构示意图。
具体实施方式
为使本申请的目的、特征、优点能够更加的明显和易懂,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,所描述的实施例仅仅是本申请一部分实施例,而非全部实施例。基于本申请中的实施例,本领域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。
申请概述
现有技术中,在利用图像分析技术针对医学图像进行检测,从而确定检测目标的过程中,需要设定检测目标的锚定尺寸,即预估检测目标的尺寸范围。换言之,此类检测方案只能够针对接近于锚定尺寸的检测目标进行检测。
而一些情况下,检测目标的实际尺寸具有很强的不确定性。例如在针对肺部结节的检测当中,肺部结节便具有尺寸不确定性强的特点。有时,肺部结节在医学图像中的尺寸相差可达到十余倍;反映到所占的像素体量上,差距可达到上千倍。在这种情况下,几乎无法准确的对其设定锚定尺寸。
在无法准确确定锚定尺寸的情况下,对于检测目标进行检测的准确性将难以保障。一些与锚定尺寸具有较大偏差的检测目标很可能会被漏检。因此此类检测方案的检测能力尚有待提高。
示例性方法
因此,本申请实施例将提供一种医学图像的检测方法,以至少解决现有技术中存在的以上技术问题,如图1所示。
本实施例中将针对医学图像进行检测。也就是说,待检测图像即医学图像。例如临床上常见的CT图像、超声图像、核磁图像等图像资料,均可以作为该医学图像。通常医学图像中会显示有人体特定的器官或组织,该器官或组织可称为检测对象。本实施例中检测的目的,即确定检测对象中是否存在检测目标。检测目标可以是肿瘤,或类似于肿瘤的病理结构;当然在另外一些情况下,检测目标也可能是其他类型的病理结构,本实施例中对此不做限定。例如在上述说明中,检测对象可以是肺部,检测目标可以是肺部结节,本实施例中可依此作为具体场景。
本实施例中,将通过预设的检测网络实现对于待检测图像的检测。检测网络可以是,基于人工智能技术构建和训练得到的神经网络模型。例如在本实施例中场景下,检测网络可以是单阶段肺结节检测网络,(即Lung nodule Detection using Transformer 3D,简称LDT3D)。
如图2所示,检测网络主要包括特征分析结构和特征检测结构。在本实施例中场景下,特征分析结构可以是多尺度特征提取模块(即Pyramid Channel and SpatialAttention Module,简称PCSAM)。特征分析结构包括,第一编码结构和第一解码结构。第一解码结构可基于注意力机制进行特征提取,其中包括通道注意力模块和空间注意力模块,如图3所示。特征检测结构可以是Detection Transformer,简称DETR。
如图1所示,本实施例中方法包括以下步骤:
步骤101、利用检测网络中的特征分析结构,确定待检测图像对应的第一图像特征。
对于待检测图像,本实施例中优选的可以进行预处理。具体来说,预处理可以包括从待检测图像中确定待检测区域。待检测区域即检测对象所在的像素区域。本实施例中场景下,待检测区域可以是包含肺部影像的包围框。完成预处理之后,可将待检测区域输入检测网络。通过上述的预处理,可以有效缩小检测网络的图像分析范围,降低图像分析过程对于运算资源的消耗。
待检测区域输入检测网络之后,将首先经过特征分析结构。利用特征分析结构,可以根据待检测区域确定第一图像特征。也就是说,第一图像特征是特征分析结构的输出结果,或者说是特征分析结构提取得到的特征向量。如图3所示,特征分析结构包括第一编码结构和第一解码结构。第一解码结构中包括通道注意力模块和空间注意力模块。
需要说明的是,在现有的网络结构中,类似的编码/解码结构往往会执行将输入信息先编码、再解码的处理模式。并且编码/解码结构可包括多个网络层,即在每一层中都会涉及到类似先编码、再解码的运算过程。
而在本实施例中的特征分析结构中,第一编码结构和第一解码结构亦可包括多个网络层。而各层在其对输入信息执行先编码、再解码的运算处理过程中,将会融合通道注意力模块和空间注意力模块的运算。也就是基于注意力机制对输入的待检测区域中的信息进行处理。图3中即体现了在第一编码结构和第一解码结构中,各自的一个对应的网络层中计算过程,具体如下:
利用第一编码结构,确定第一编码层特征。第一编码层特征,即第一编码结构的当前层输出的特征。在本实施例中,第一编码层特征可以用fe1表示。通常第一编码层特征会包括空间维度和通道维度,在本领域中通常可表示为(w*h*c)。其中,w代表空间维度的宽度,h代表空间维度的高度,c代表通道维度。
利用第一解码结构,确定第一解码层特征。第一解码层特征,即第一解码结构的当前层输出的特征。在本实施例中,第一解码层特征可以用fd1表示。通常第一解码层特征会包括空间维度和通道维度。
利用通道注意力模块,可以根据第一编码层特征和第一解码层特征,确定第二解码层特征。也就是说,将第一编码层特征和第一解码层特征输入到通道注意力模块之后,通道注意力模块可利用基于注意力机制的相关算法,根据第一解码层特征中包含的高级语义信息指导第一编码层特征中的的低级特征进行通道维度上的权重重新分配。进而通道注意力模块便能够输出在通道维度上进行了权重重新分配的第二解码层特征。
进一步的,将第二解码层特征输入到空间注意力模块。利用空间注意力模块,可以根据第二解码层特征,确定第三解码层特征。也就是说,将第二解码层特征输入到空间注意力模块之后,空间注意力模块可利用基于注意力机制的相关算法,以及不同尺寸的卷积核,对第二解码层特征中对不同位置、不同感受野的特征信息进行空间维度上的权重重新分配。进而空间注意力模块便能够输出在空间维度上进行了权重重新分配的第三解码层特征。
还需要说明的是,如图3所示的得到第三解码层特征的过程,仅仅体现了第一编码结构和第一解码结构中的一个网络层。而在特征分析结构中,上述过程可以反复多次进行。即根据第一编码结构和第一解码结构的当前层的第一编码层特征和第一解码层特征,确定第三解码层特征。然后可将该第三解码层特征,作为第一编码结构和第一解码结构的下一层对应的第一解码层特征,进而重复上述过程。最终输出第一图像特征。
结合图4所示,以下将进一步的描述通道注意力模块内部的计算过程如下:利用通道注意力模块,针对第一解码层特征进行第一注意力机制运算,确定通道权重;根据第一编码层、第一解码层特征和通道权重,确定第二解码层特征。
通过图4可见,第一解码层特征fd1输入通道注意力模块之后,分别进行平均池化计算和最大池化计算。经过平均池化计算可得到第一平均池化特征fda1,经过最大池化计算可得到第一最大池化特征fdm1。然后,将第一平均池化特征fda1和第一最大池化特征fdm1输入到共享权重的全连接层。因为通道注意力模块本质上是针对通道维度进行基于注意力机制的权重分配,所以在计算通道权重时,无论最大池化特征或平均池化特征,都应满足基于注意力机制的通道权重分配的合理性推论,即都应采用相似的权重分配结果。而在全连接层中,该权重分配的合理性推论可体现在全连接层的超参数当中,该超参数可在训练过程中得以确定,在此不赘述。因此,本实施例中将第一平均池化特征fda1和第一最大池化特征fdm1输入到共享权重的全连接层。
共享权重的全连接层将分别输出第二平均池化特征fda2和第二最大池化特征fdm2。进一步的,将对第二平均池化特征fda2和第二最大池化特征fdm2进行求和计算,并通过sigmoid函数运算从而确定通道权重。然后,通道权重将先与第一编码层特征fe1进行逐像素的乘积运算,再与第一解码层特征fd1进行逐像素的求和运算,从而输出第二解码层特征fd2。
结合图5所示,以下将进一步的描述空间注意力模块内部的计算过程如下:利用空间注意力模块,针对第二解码层特征进行第二注意力机制运算,确定空间权重;根据第二解码层特征和空间权重,确定第三解码层特征。
通过图5可见,第二解码层特征fd2输入空间注意力模块之后,分别进行平均池化计算和最大池化计算。经过平均池化计算可得到第三平均池化特征fda3,经过最大池化计算可得到第三最大池化特征fdm3。第三平均池化特征fda3和第三最大池化特征fdm3通过通道维度级联,进而分别经过不同尺寸的卷积核。本实施例中,该不同尺寸的卷积核包括第一卷积核、第二卷积核和第三卷积核。其中,第一卷积核的尺寸是3*3,第二卷积核的尺寸是5*5,第三卷积核的尺寸是7*7。第一卷积核、第二卷积核和第三卷积核分别输出第一卷积特征、第二卷积特征和第三卷积特征。将第一卷积特征、第二卷积特征和第三卷积特征进行逐像素求和运算,再通过sigmoid函数运算从而确定空间权重。
需要说明的是,不同尺寸的卷积核对应着不同的感受野,即可以对于第二解码层特征fd2中不同大小的特征进行提取,因此本实施例中方法不再需要设定锚定尺寸,并且可以针对不同尺寸的检测目标实现检测,以此解决了现有技术中的相关问题。不同感受野代表着待检测区域中不同大小和位置的局部,对其进行求和计算相当于对不同区域分配不同的权重,以此能够体现出注意力机制的本质。因此,本实施例中方法可以使空间权重在空间维度上的分辨率更高,分布更加合理,为重点关注的区域分配更大权重;同时也提供了更加细致的多尺度特征信息。
在确定了空间权重之后,空间权重将先与第二解码层特征fd2进行逐像素的乘积运算,从而输出第三解码层特征fd3。
另外在另一些情况下,输入空间注意力模块的第二解码层特征fd2,还可预先与第一解码结构的上一层输出的解码特征进行融合,进而输入到空间注意力模块当中。
步骤102、利用检测网络中的特征检测结构,根据第一图像特征确定待检测图像中的第一检测目标。
第一图像特征将输入到特征检测结构当中,该特征检测结构可以根据第一图像特征,和相应的空间编码信息,确定第二图像特征。在现有技术中,空间编码信息可以通过第一图像特征的位置与通道进行编码得到。例如,奇数位置的空间编码信息使用余弦来表示,偶数位置的空间编码信息使用正弦表示。在此无需赘述。根据第二图像特征和空间编码信息,可以确定第一检测目标对应的检测框。即直接将本实施例中针对的检测目标(肺部结节),以检测框的形式输出,从而利用检测网络实现了对于待检测图像的检测,确定了检测目标。
特征检测结构可以是DETR结构。此结构在本领域中已有所应用,在此不赘述。当然,除此之外也可以是其他具有类似功能的网络结构。现有技术中任何能够实现相同或类似功能的网络结构,均可结合在本领域整体技术方案当中。
通过以上技术方案可知,本实施例存在的有益效果是:利用检测网络实现了对于待检测图像的检测;检测网络中包括特征分析结构和特征检测结构,特征分析结构包括,第一编码结构和第一解码结构,第一解码结构包括通道注意力模块和空间注意力模块;基于上述结构,本申请中检测过程不再需要设定锚定尺寸,而能够针对不同大小的检测目标进行检测,解决现有技术中与锚定尺寸具有较大偏差的检测目标很可能会被漏检的技术问题。
图1所示仅为本申请所述方法的基础实施例,在其基础上进行一定的优化和拓展,还能够得到所述方法的其他优选实施例。
如图6所示,为本申请所述医学图像的检测方法的另一个具体实施例。本实施例在前述实施例的基础上,进行进一步拓展。所述方法具体包括以下步骤:
步骤601、利用检测网络中的特征分析结构,确定待检测图像对应的第一图像特征。
步骤602、利用检测网络中的特征检测结构,根据第一图像特征确定待检测图像中的第一检测目标。
上述步骤601~步骤602中内容与图1所示实施例中一致,在此不重复叙述。
步骤603、利用假阳性抑制网络,对第一检测目标进行假阳性抑制处理,以确定第二检测目标。
针对检测网络得到的第一检测目标,本实施例中可优选的利用假阳性抑制网络进行假阳性抑制处理。假阳性抑制网络,即本领域中的FPR(全称False Positive Reduction)网络。本实施例中,具体可以采用SE-ResNext网络来针对肺部结节进行假阳性抑制处理。SE-ResNext网络是SENet网络和ResNext网络的结合体。SENet网络使用了通道维度的注意力机制,ResNext网络使用了分组卷积技术。二者均为本领域中常见的网络模型,在此不赘述。
在对第一检测目标进行假阳性抑制处理之后,可以有效的排除其中的假阳性情况,得到第二检测目标,从而进一步的提高检测结果的准确率,提高检测性能。
示例性装置
如图7所示,为本申请所述医学图像的检测装置的一个具体实施例。本实施例装置,即用于执行图1~6所述方法的实体装置。其技术方案本质上与上述实施例一致,上述实施例中的相应描述同样适用于本实施例中。本实施例中装置包括:
第一图像特征确定模块701,用于利用检测网络中的特征分析结构,确定待检测图像对应的第一图像特征;特征分析结构包括,第一编码结构和第一解码结构;第一解码结构包括通道注意力模块和空间注意力模块.
第一检测目标确定模块702,用于利用检测网络中的特征检测结构,根据第一图像特征确定待检测图像中的第一检测目标。
另外在图7所示实施例的基础上,优选的,还包括:
第一图像特征确定模块701包括:
预处理单元711,用于从待检测图像中,确定待检测区域;
编码/解码单元712,用于利用第一编码结构,确定第一编码层特征;利用第一解码结构,确定第一解码层特征;
第二解码层特征确定单元713,用于利用通道注意力模块,根据第一编码层特征和第一解码层特征,确定第二解码层特征;
第三解码层特征确定模单元714,用于利用空间注意力模块,根据第二解码层特征,确定第三解码层特征。
第一检测目标确定模块702包括:
第二图像特征确定单元721,用于根据第一图像特征和空间编码信息,确定第二图像特征;
第一检测目标确定单元722,用于根据第二图像特征和空间编码信息,确定第一检测目标对应的检测框。
还包括,假阳性抑制模块703,用于利用假阳性抑制网络,对第一检测目标进行假阳性抑制处理,以确定第二检测目标。
示例性计算机程序产品和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,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述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方法中的步骤。
所述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,所述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,所述计算机程序指令在被处理器运行时使得所述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方法中的步骤。
所述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“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。
Claims (10)
1.一种医学图像的检测方法,其特征在于,包括:
利用检测网络中的特征分析结构,确定待检测图像对应的第一图像特征;所述特征分析结构包括,第一编码结构和第一解码结构;所述第一解码结构包括通道注意力模块和空间注意力模块;
利用所述检测网络中的特征检测结构,根据所述第一图像特征确定所述待检测图像中的第一检测目标。
2.根据权利要求1所述方法,其特征在于,所述利用检测网络中的特征分析结构,确定待检测图像的第一图像特征包括:
从所述待检测图像中,确定待检测区域;
利用所述特征分析结构,根据所述待检测区域确定所述第一图像特征。
3.根据权利要求2所述方法,其特征在于,所述利用所述特征分析结构,根据所述待检测区域确定所述第一图像特征包括:
利用所述第一编码结构,确定第一编码层特征;
利用所述第一解码结构,确定第一解码层特征;
利用所述通道注意力模块,根据所述第一编码层特征和所述第一解码层特征,确定第二解码层特征;
利用所述空间注意力模块,根据所述第二解码层特征,确定第三解码层特征;
根据所述第三解码层特征,确定所述第一图像特征。
4.根据权利要求3所述方法,其特征在于,所述利用所述通道注意力模块,根据所述第一编码层特征和所述第一解码层特征,确定第二解码层特征;包括:
利用所述通道注意力模块,针对所述第一解码层特征进行第一注意力机制运算,确定通道权重;
根据所述第一编码层、所述第一解码层特征和所述通道权重,确定所述第二解码层特征。
5.根据权利要求3所述方法,其特征在于,所述利用所述空间注意力模块,根据所述第二解码层特征,确定第三解码层特征包括:
利用所述空间注意力模块,针对所述第二解码层特征进行第二注意力机制运算,确定空间权重;
根据所述第二解码层特征和所述空间权重,确定所述第三解码层特征。
6.根据权利要求1所述方法,其特征在于,所述利用所述检测网络中的特征检测结构,根据所述第一图像特征确定所述待检测图像中的第一检测目标包括:
根据所述第一图像特征和空间编码信息,确定第二图像特征;
根据所述第二图像特征和所述空间编码信息,确定所述第一检测目标对应的检测框。
7.根据权利要求1~6任意一项所述方法,其特征在于,还包括:
利用假阳性抑制网络,对所述第一检测目标进行假阳性抑制处理,以确定第二检测目标。
8.一种医学图像的检测装置,其特征在于,包括:
第一图像特征确定模块,用于利用检测网络中的特征分析结构,确定待检测图像对应的第一图像特征;所述特征分析结构包括,第一编码结构和第一解码结构;所述第一解码结构包括通道注意力模块和空间注意力模块;
第一检测目标确定模块,用于利用所述检测网络中的特征检测结构,根据所述第一图像特征确定所述待检测图像中的第一检测目标。
9.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-7任一项所述的医学图像的检测方法。
10.一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-7任一项所述的医学图像的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110468667.4A CN113379674B (zh) | 2021-04-28 | 2021-04-28 | 一种医学图像的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110468667.4A CN113379674B (zh) | 2021-04-28 | 2021-04-28 | 一种医学图像的检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379674A true CN113379674A (zh) | 2021-09-10 |
CN113379674B CN113379674B (zh) | 2022-05-13 |
Family
ID=77570236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110468667.4A Active CN113379674B (zh) | 2021-04-28 | 2021-04-28 | 一种医学图像的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379674B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200160997A1 (en) * | 2018-11-02 | 2020-05-21 | University Of Central Florida Research Foundation, Inc. | Method for detection and diagnosis of lung and pancreatic cancers from imaging scans |
CN111415342A (zh) * | 2020-03-18 | 2020-07-14 | 北京工业大学 | 一种融合注意力机制的三维卷积神经网络肺部结节图像自动检测方法 |
CN111598861A (zh) * | 2020-05-13 | 2020-08-28 | 河北工业大学 | 基于改进的Faster R-CNN模型的非均匀纹理小缺陷的检测方法 |
CN111814832A (zh) * | 2020-06-11 | 2020-10-23 | 上海联影智能医疗科技有限公司 | 一种目标检测方法、装置及存储介质 |
CN112102176A (zh) * | 2020-07-27 | 2020-12-18 | 中山大学 | 基于多尺度密集混合注意力神经网络的图像去雨方法 |
CN112419307A (zh) * | 2020-12-11 | 2021-02-26 | 长春工业大学 | 一种基于注意力机制的肺结节良恶性识别方法 |
CN112541923A (zh) * | 2020-12-03 | 2021-03-23 | 南开大学 | 一种基于眼底图数据集迁移学习的视杯视盘分割方法 |
US10970598B1 (en) * | 2020-05-13 | 2021-04-06 | StradVision, Inc. | Learning method and learning device for training an object detection network by using attention maps and testing method and testing device using the same |
CN112633378A (zh) * | 2020-12-24 | 2021-04-09 | 电子科技大学 | 一种多模态影像胎儿胼胝体智能检测方法及系统 |
-
2021
- 2021-04-28 CN CN202110468667.4A patent/CN113379674B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200160997A1 (en) * | 2018-11-02 | 2020-05-21 | University Of Central Florida Research Foundation, Inc. | Method for detection and diagnosis of lung and pancreatic cancers from imaging scans |
CN111415342A (zh) * | 2020-03-18 | 2020-07-14 | 北京工业大学 | 一种融合注意力机制的三维卷积神经网络肺部结节图像自动检测方法 |
CN111598861A (zh) * | 2020-05-13 | 2020-08-28 | 河北工业大学 | 基于改进的Faster R-CNN模型的非均匀纹理小缺陷的检测方法 |
US10970598B1 (en) * | 2020-05-13 | 2021-04-06 | StradVision, Inc. | Learning method and learning device for training an object detection network by using attention maps and testing method and testing device using the same |
CN111814832A (zh) * | 2020-06-11 | 2020-10-23 | 上海联影智能医疗科技有限公司 | 一种目标检测方法、装置及存储介质 |
CN112102176A (zh) * | 2020-07-27 | 2020-12-18 | 中山大学 | 基于多尺度密集混合注意力神经网络的图像去雨方法 |
CN112541923A (zh) * | 2020-12-03 | 2021-03-23 | 南开大学 | 一种基于眼底图数据集迁移学习的视杯视盘分割方法 |
CN112419307A (zh) * | 2020-12-11 | 2021-02-26 | 长春工业大学 | 一种基于注意力机制的肺结节良恶性识别方法 |
CN112633378A (zh) * | 2020-12-24 | 2021-04-09 | 电子科技大学 | 一种多模态影像胎儿胼胝体智能检测方法及系统 |
Non-Patent Citations (6)
Title |
---|
FEI YU ET AL.: "A Lightweight Spatial Attention Module with Adaptive Receptive Fields in 3D Convolutional Neural Network for Alzheimer’s Disease Classification", 《ICPR 2021: PATTERN RECOGNITION. ICPR INTERNATIONAL WORKSHOPS AND CHALLENGES》 * |
JIA DING ET AL.: "Accurate Pulmonary Nodule Detection in Computed Tomography Images Using Deep Convolutional Neural Networks", 《ARXIV.ORG》 * |
SHUO CHANG ET AL.: "Spatial Attention Fusion for Obstacle Detection Using MmWave Radar and Vision Sensor", 《SENSORS》 * |
ZHIJIE WEN ET AL.: "GCSBA-Net: Gabor-Based and Cascade Squeeze Bi-Attention Network for Gland Segmentation", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》 * |
刘璐 等: "基于混合域注意力机制和残差网络的特纳综合征分类研究", 《中国数字医学》 * |
洪敏杰: "基于注意力机制的肺结节检测算法", 《计算机工程与设计》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113379674B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Triple attention learning for classification of 14 thoracic diseases using chest radiography | |
Qin et al. | Learning tubule-sensitive CNNs for pulmonary airway and artery-vein segmentation in CT | |
Liu et al. | Detection and diagnosis of colitis on computed tomography using deep convolutional neural networks | |
Choi et al. | Convolutional neural network technology in endoscopic imaging: artificial intelligence for endoscopy | |
WO2019157508A1 (en) | System and method for diagnosing gastrointestinal neoplasm | |
WO2017151757A1 (en) | Recurrent neural feedback model for automated image annotation | |
Kaur et al. | A survey on deep learning approaches to medical images and a systematic look up into real-time object detection | |
Apostolopoulos et al. | Classification of lung nodule malignancy in computed tomography imaging utilising generative adversarial networks and semi-supervised transfer learning | |
CN110276741B (zh) | 结节检测及其模型训练的方法和装置以及电子设备 | |
Kalaiselvi et al. | Development of automatic glioma brain tumor detection system using deep convolutional neural networks | |
US20220180512A1 (en) | Method for predicting disease based on medical image | |
Meng et al. | Dual consistency enabled weakly and semi-supervised optic disc and cup segmentation with dual adaptive graph convolutional networks | |
CN113496494A (zh) | 基于drr模拟数据生成的二维骨骼分割方法及装置 | |
Kermani et al. | NF-RCNN: Heart localization and right ventricle wall motion abnormality detection in cardiac MRI | |
Algarni et al. | Multi-constraints based deep learning model for automated segmentation and diagnosis of coronary artery disease in X-ray angiographic images | |
Albuquerque et al. | Object detection for automatic cancer cell counting in zebrafish xenografts | |
Zhang et al. | An Algorithm for Automatic Rib Fracture Recognition Combined with nnU‐Net and DenseNet | |
Yang et al. | A dense R‐CNN multi‐target instance segmentation model and its application in medical image processing | |
Ji et al. | Lung nodule detection in medical images based on improved YOLOv5s | |
Zavalsız et al. | A comparative study of different pre-trained deeplearning models and custom CNN for pancreatic tumor detection | |
Singh et al. | Attention-guided residual W-Net for supervised cardiac magnetic resonance imaging segmentation | |
CN113379674B (zh) | 一种医学图像的检测方法及装置 | |
Liu et al. | Novel superpixel‐based algorithm for segmenting lung images via convolutional neural network and random forest | |
Ning et al. | DRAN: Deep recurrent adversarial network for automated pancreassegmentation | |
Gu et al. | The effect of pulmonary vessel suppression on computerized detection of nodules in chest CT scans |
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 | ||
CP03 | Change of name, title or address |
Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000 Patentee after: Zhejiang Yizhun Intelligent Technology Co.,Ltd. Address before: No. 1106 and 1107, 11th floor, Weishi building, No. 39 Xueyuan Road, Haidian District, Beijing 100083 Patentee before: Beijing Yizhun Intelligent Technology Co.,Ltd. |
|
CP03 | Change of name, title or address |