CN113538372B - 三维目标检测方法、装置、计算机设备和存储介质 - Google Patents

三维目标检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113538372B
CN113538372B CN202110796722.2A CN202110796722A CN113538372B CN 113538372 B CN113538372 B CN 113538372B CN 202110796722 A CN202110796722 A CN 202110796722A CN 113538372 B CN113538372 B CN 113538372B
Authority
CN
China
Prior art keywords
dimensional
image
detected
projection
sample
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.)
Active
Application number
CN202110796722.2A
Other languages
English (en)
Other versions
CN113538372A (zh
Inventor
吴政阳
夏桂锋
李勇明
王品
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.)
Chongqing Bosscan Technology Co ltd
Chongqing University
Original Assignee
Chongqing Bosscan Technology Co ltd
Chongqing University
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 Chongqing Bosscan Technology Co ltd, Chongqing University filed Critical Chongqing Bosscan Technology Co ltd
Priority to CN202110796722.2A priority Critical patent/CN113538372B/zh
Publication of CN113538372A publication Critical patent/CN113538372A/zh
Application granted granted Critical
Publication of CN113538372B publication Critical patent/CN113538372B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • 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
    • G06T2207/20068—Projection on vertical or horizontal image axis
    • 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

Landscapes

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

Abstract

本申请涉及一种三维目标检测方法、装置、计算机设备和存储介质。所述方法包括：获取包含待测三维目标的待测三维图像；沿预设的旋转轴将待测三维图像至少旋转一个角度；获取旋转后的待测三维图像的待测投影图像，待测投影图像为待测三维图像在至少两个投影方向上的投影图像；利用预先构建的投影图像检测模型预测待测三维目标在待测投影图像中对应投影的二维位置信息；根据待测三维目标在待测投影图像中对应投影的二维位置信息计算待测三维目标在待测三维图像中的三维位置信息。采用本方法能够提高三维图像中三维目标的检测速度和效率。

Description

三维目标检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种三维目标检测方法、装置、计算机设备和存储介质。
背景技术
随着图像处理技术的发展，出现了基于三维图像进行三维目标检测的技术。然而，例如在现有医疗手术环境中，基于三维断层扫描图像进行目标检测仍然是一项具有挑战性的任务，特别是在目标结构差异较大或三维断层扫描图像体积较大的情况下，传统的三维目标检测方法的检测结果和检测效率远不能令人满意。
传统的三维目标检测方法，一般是基于深度学习建立一个数学模型来判断三维图像中是否存在目标、并预测目标的具体位置。但是，基于深度学习建立三维目标检测模型，其计算复杂度较高，无论是模型的训练还是目标的检测都需要花费很长时间，消耗大量计算资源，检测效率很低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高三维目标检测效率的三维目标检测方法、装置、计算机设备和存储介质。
一种三维目标检测方法，上述方法包括：
获取包含待测三维目标的待测三维图像；
沿预设的旋转轴将待测三维图像至少旋转一个角度；
获取旋转后的待测三维图像的待测投影图像，待测投影图像为待测三维图像在至少两个投影方向上的投影图像；
利用预先构建的投影图像检测模型预测待测三维目标在待测投影图像中对应投影的二维位置信息；
根据待测三维目标在待测投影图像中对应投影的二维位置信息计算待测三维目标在待测三维图像中的三维位置信息。
在一个实施例中，获取旋转后的待测三维图像的待测投影图像，包括：将经旋转后的待测三维图像在正立面、侧立面以及水平面之中的任意两个投影平面上进行水平投影，将任意两个投影平面上的投影图像作为待测投影图像。
在一个实施例中，投影图像检测模型的构建方法包括：获取样本三维图像，分析样本三维图像中的同一个三维目标在不同角度旋转后的样本投影图像中位置的对应关系，样本投影图像为样本三维图像的投影图像；根据对应关系定义对应区域注意力网络；根据对应区域注意力网络构建对应区域模块；将对应区域模块融入深度学习模型构建投影图像检测模型。
在一个实施例中，分析样本三维图像中的同一个三维目标在不同角度旋转后的样本投影图像中位置的对应关系，包括：对样本三维图像中的三维目标进行标注，生成三维标签；沿预设的旋转轴将样本三维图像以及三维标签旋转多个角度；分别获取旋转各角度后的样本三维图像的样本投影图像以及三维标签在各样本投影图像中对应投影的二维位置信息；根据三维标签在各样本投影图像中对应投影的二维位置信息确定对应关系。
在一个实施例中，该方法还包括：根据样本投影图像以及三维标签在各样本投影图像中对应投影的二维位置信息对投影图像检测模型进行训练。
在一个实施例中，根据待测三维目标在待测投影图像中对应投影的二维位置信息计算待测三维目标在待测三维图像中的三维位置信息，包括：根据待测三维目标在待测投影图像中对应投影的二维位置信息计算待测三维目标在原始投影图像中对应投影的二维位置信息，原始投影图像为旋转前的待测三维图像的投影图像；将待测三维目标在原始投影图像中对应投影的二维位置信息进行交叉逻辑计算，预测待测三维目标在待测三维图像中所占空间位置的边界信息。
在一个实施例中，旋转角度的取值在第一阈值和第二阈值之间，第一阈值和第二阈值互为相反数，第一阈值的取值范围为大于零且小于圆周率的二分之一。
在一个实施例中，旋转轴为沿待测三维图像的横断面的中心位置的竖轴方向设置的旋转轴。
一种三维目标检测装置，该装置包括：
三维图像获取模块，用于获取包含待测三维目标的待测三维图像；
三维图像旋转模块，用于沿预设的旋转轴将所述待测三维图像至少旋转一个角度；
投影图像获取模块，用于获取旋转后的所述待测三维图像的待测投影图像，所述待测投影图像为所述待测三维图像在至少两个投影方向上的投影图像；
二维位置预测模块，用于利用预先构建的投影图像检测模型预测所述待测三维目标在所述待测投影图像中对应投影的二维位置信息；
三维位置预测模块，用于根据所述待测三维目标在所述待测投影图像中对应投影的二维位置信息计算所述待测三维目标在所述待测三维图像中的三维位置信息。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的三维目标检测方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现三维目标检测方法的步骤。
上述三维目标检测方法、装置、计算机设备和存储介质，通过将三维图像进行旋转，获取旋转角度下的三维图像的投影图像，并基于投影图像预测三维目标在各旋转角度下的二维的投影图像中对应的二维位置信息，基于二维位置信息实现三维目标的三维位置确定。本方案没有基于三维图像直接检测三维目标，而是分别在各旋转角度下将三维图像投影成二维的投影图像，通过二维的投影图像实现三维目标的检测。由于是基于二维的投影图像进行检测，因此仅需要利用二维图像的检测模型，从而降低了检测模型的复杂性，缩减了模型消耗的计算资源以及模型训练、检测的时间，因此，提高了三维目标的检测速度和效率。
附图说明
图1为一个实施例中三维目标检测方法的应用环境图；
图2为一个实施例中三维目标检测方法的流程示意图；
图3为一个实施例中获取待测三维图像的待测投影图像的示意图；
图4为一个实施例中分析样本三维图像中的同一个三维目标在不同角度旋转后的样本投影图像中位置的对应关系的步骤的流程示意图；
图5为一个实施例中样本三维图像的正、侧投影图像以及三维标签在样本投影图像中对应位置的示意图；
图6为一个应用实例中三维目标检测方法的流程示意图；
图7为一个实例中三维目标检测装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请提供的三维目标检测方法，可以应用于如图1所示的应用环境中。其中，断层扫描设备102与终端设备104进行通信。其中，断层扫描设备102可以是CT(ComputedTomography，计算机断层)设备或MRI(Magnetic Resonance Imaging，核磁共振成像)设备等。终端设备104可以是手术导航仪、终端服务器、移动终端等。
具体地，终端设备104获取待测三维图像，待测三维图像中包括待测三维目标，待测三维图像可以由断层扫描设备102扫描待测三维目标得到。服务器104沿预设的旋转轴将待测三维图像至少旋转一个角度，获取旋转后的待测三维图像的待测投影图像，待测投影图像为待测三维图像在至少两个投影方向上的投影图像，利用预先构建的投影图像检测模型预测待测三维目标在待测投影图像中对应投影的二维位置信息，根据待测三维目标在待测投影图像中对应投影的二维位置信息计算待测三维目标在待测三维图像中的三维位置信息。
在一个实施例中，如图2所示，提供了一种三维目标检测方法，以该方法应用于图1中的终端设备为例进行说明，包括以下步骤：
步骤S202：获取包含待测三维目标的待测三维图像。
其中，待测三维图像为有待进行三维目标检测的三维断层扫描图像，例如，CT图像、MRI图像等，优选地，可以是医学断层扫描图像。待测三维目标是有待进行检测的三维目标。例如，在骨科检测领域，待测三维图像可以是含有待测三维目标(如腰椎)的患者腰部的三维断层扫描图像，待测三维图像的格式可以是DICOM(Digital Imaging andCommunications in Medicine，医学数字成像和通信)或MHD(Mobile Hard disk，移动硬盘)等格式。
具体地，可以采用断层扫描设备扫描待测三维目标，从而得到相应的三维断层扫描图像，然后可以通过人工录入的方式，或通过断层扫描设备与终端设备进行通信的方式，使终端设备获取到该断层扫描设备扫描的包含该待测三维目标的待测三维图像。
步骤S204：沿预设的旋转轴将待测三维图像至少旋转一个角度。
其中，旋转轴可以根据待测三维目标的不同进行适配设置，优选地，可以沿待测三维图像的横断面的中心位置的竖轴方向设置旋转轴。
具体地，可以将待测三维图像沿着预设的旋转轴以预设的至少一个旋转角度进行至少一次旋转。旋转角度可以为多个，对应地旋转次数也可以为多次，旋转角度的取值可以根据需要设置上下限。优选地，旋转角度的取值范围在第一阈值和第二阈值之间，第一阈值和第二阈值互为相反数，第一阈值的取值范围为大于零且小于圆周率的二分之一。
步骤S206：获取旋转后的所述待测三维图像的待测投影图像，所述待测投影图像为所述待测三维图像在至少两个投影方向上的投影图像。
具体地，待测投影图像是待测三维图像旋转了至少一个角度后，基于该旋转角度下的待测三维图像，从至少两个投影方向上获取的水平投影的投影图像。可以利用平行光投影法，在至少两个不同的投影方向上对旋转后的待测三维图像进行水平投影，优选地，两个投影方向相互垂直。当旋转了多个角度时，在各旋转角度下分别获取待测三维图像的待测投影图像。
在一个实施例中，获取旋转后的待测三维图像的待测投影图像，包括：将经旋转后的待测三维图像在正立面、侧立面以及水平面之中的任意两个投影平面上进行水平投影，将任意两个投影平面上的投影图像作为待测投影图像。
在本实施例中，具体地，可以基于待测三维图像建立空间坐标系，参见图3所示，图3示出了获取待测三维图像的待测投影图像的示意图。在待测三维图像302旋转后，对旋转了该角度的待测三维图像302，通过平行光投影法获取其在O-x-z平面304(正立面)、O-y-z平面306(侧立面)以及O-x-y平面308(水平面)之中任意两个平面上的投影图像，并将任意两个投影平面上的投影图像作为待测投影图像。投影平面的选择可以根据待测三维目标的实际结构、形状或排列方式进行确定。例如，在椎骨检测的应用领域中，由于椎骨是自上而下排列的结构，若投影到O-x-y平面308的话，会将所有椎骨重叠在一个区域范围，不利于椎骨的检测，因此，选择投影到O-x-z平面304的正位投影图像和O-y-z平面306的侧位投影图像作为待测投影图像。
在另一个实施例中，也可以在获取了投影到O-x-z平面304的正位投影图像后，将待测三维图像旋转九十度后再进行O-x-z平面304的投影得到侧位投影图像，即确保正位投影图像和侧位投影图像的投影方向相互垂直即可。
步骤S208：利用预先构建的投影图像检测模型预测待测三维目标在待测投影图像中对应投影的二维位置信息。
其中，二维位置信息是指三维目标在投影图像中对应的二维投影的位置和边界信息。投影图像检测模型可以基于深度学习网络进行搭建并进行预先的训练。
具体地，可以利用训练后的投影图像检测模型基于待测三维图像旋转的各角度下的待测投影图像，对各待测投影图像进行特征提取，预测待测三维目标在各待测投影图像中对应的二维投影的中心位置坐标、位置边界等二维位置信息。
步骤S210：根据待测三维目标在待测投影图像中对应的二维位置信息计算待测三维目标在待测三维图像中的三维位置信息。
其中，三维位置信息是指三维目标在三维图像中对应的空间位置和空间边界信息。具体地，可以基于预测的各待测投影图像中待测三维目标的二维位置信息进行交叉逻辑运算，由于待测投影图像为待测三维图像在至少一个角度下的至少两个投影方向上的投影图像，因此，其包含了待测三维目标在至少一个角度下的至少两个投影维度的二维位置信息，因此，根据预测出的二维位置信息进行逻辑交叉运算，可以得到表述待测三维目标在待测三维图像中所占空间的三维位置信息。
上述三维目标检测方法，通过将三维图像进行旋转，获取旋转角度下的三维图像的投影图像，并基于投影图像预测三维目标在各旋转角度下的二维的投影图像中对应的二维位置信息，基于二维位置信息实现三维目标的三维位置确定。本方案没有基于三维图像直接检测三维目标，而是分别在各旋转角度下将三维图像投影成二维的投影图像，通过二维的投影图像实现三维目标的检测。由于是基于二维的投影图像进行检测，因此仅需要利用二维图像的检测模型，从而降低了检测模型的复杂性，缩减了模型消耗的计算资源以及模型训练、检测的时间，因此，提高了三维目标的检测速度和效率。
在一个实施例中，上述投影图像检测模型的构建方法包括：获取样本三维图像，分析样本三维图像中的同一个三维目标在不同角度旋转后的样本投影图像中位置的对应关系，样本投影图像为样本三维图像的投影图像；根据对应关系定义对应区域注意力网络；根据对应区域注意力网络构建对应区域模块；将对应区域模块融入深度学习模型构建投影图像检测模型。
在本实施例中，根据样本三维图像中的同一个三维目标在多个旋转角度下的样本投影图像中的位置对应关系定义了对应区域注意力网络，进一步基于该对应区域注意力网络构建了对应区域模块，可以将该对应区域模块添加至现有的深度学习网络构架中，从而生成投影图像检测模型。由于在对各角度下的各投影图像进行检测时，投影图像检测模型中的对应区域模块可以对各投影图像进行基于对应区域注意力网络的特征提取，因此，能够提高特征提取的准确性，从而提高二维位置信息预测的准确性。
更为具体地，投影图像检测模型的构建过程可以包括：
步骤1：依据同一三维目标在多角度投影图像中位置的对应关系，在深度神经网络中定义一个对应区域注意力网络的运算公式：
Figure BDA0003163078530000081
其中，i表示响应输出位置的索引，j表示枚举所有可能位置的索引。
Figure BDA0003163078530000082
表示输入的注意力区域，即依据第i张投影图像中三维目标的位置和尺寸得到其中心位置，并根据中心位置生成的具有统一尺寸的注意力区域，
Figure BDA0003163078530000083
表示与
Figure BDA0003163078530000084
具有相同尺寸的输出的注意力区域。对应相关函数f计算第i投影图像中的检测目标的位置和尺寸与所有j张投影图像中的该三维目标的位置和尺寸的相关关系。一元函数g表示第j张投影图像对应位置
Figure BDA0003163078530000085
的表征。C(X)表示归一化参数。
上述公式中，一元函数g的定义可以考虑线性嵌入的形式：g(Xj)＝WgXj，其中，Wg表示需要学习的权值矩阵。相关函数f的定义可以采用高斯函数：
Figure BDA0003163078530000091
其中，Xi TXj表示点积的相似性。同时，归一化参数C(X)可以设置为：
Figure BDA0003163078530000092
步骤2：依据上述步骤1定义的对应区域注意力网络的运算公式，将该运算公式输入到对应区域模块，建立的对应区域模块可以合并到现有的深度网络架构中。定义多角度投影图像检测的对应区域模块如下：
zi＝WzYi+Xi；
其中，Yi从对应区域注意力网络的运算公式中获取，″+Xi″表示残差链接，残差连接允许在任何预先训练的模型中插入一个新的非局部块，而不会破坏其初始行为。
步骤3：可以将基于对应区域注意力网络构建的对应区域模块合并到建立好的ReNet残差网络中，形成基于多角度投影图像的对应区域注意力的特征提取网络。并结合现有二维的目标检测方法(如Faster RCNN)，通过训练实现投影图像中二维的目标的检测定位。
在一个实施例中，分析样本三维图像中的同一个三维目标在不同旋转角度下的样本投影图像中的位置对应关系，可以包括：
步骤S402：对样本三维图像中的三维目标进行标注，生成三维标签。
具体地，首先获取样本三维图像，样本三维图像可以是通过CT或MRI设备获取的含有三维目标的至少一个对象(例如，患者)的三维断层扫描图像样本数据。其次，选定一定数量样本三维图像，通过样本数据标注方法，将样本三维图像中的不同三维目标分别标注成不同的类别，各三维目标生成对应的三维标签。
步骤S404：沿预设的旋转轴将样本三维图像以及三维标签旋转多个角度。
具体地，将样本三维图像以及三维标签按照预设的角度进行至少一次旋转，旋转角度的取值和旋转轴的设定参考上述对待测三维图像的处理，在此不再赘述，样本三维图像以及三维标签的旋转的公式可以分别参考如下：
Figure BDA0003163078530000101
Figure BDA0003163078530000102
步骤S406：分别获取旋转各角度后的样本三维图像的样本投影图像以及三维标签在各样本投影图像中对应投影的二维位置信息。
具体地，样本投影图像的获取方式可以参考上述待测投影图像的获取方式，在此不再赘述。例如，投影到O-x-z平面和O-y-z平面，分别得到样本三维图像的正位投影图像和侧位投影图像(样本投影图像)，具体公式可以参考如下：
Figure BDA0003163078530000103
其中，Pd＝0或1，代指的是投影平面。Pd＝0表示投影到O-x-z平面，Pd＝1表示投影到O-y-z平面。
根据各三维目标的三维标签在旋转后的三维空间的位置，获得各三维标签在与各样本投影图像对应的投影平面上的二维位置信息：
Figure BDA0003163078530000104
Figure BDA0003163078530000105
其中，M表示样本三维图像中的完整三维目标的数量。
S408：根据三维标签在各样本投影图像中对应投影的二维位置信息确定所述对应关系。样本三维图像的正、侧投影图像以及三维标签在样本投影图像中对应位置的示意图如图5所示。
在一个实施例中，上述方法还包括：根据所述样本投影图像以及所述三维标签在各所述样本投影图像中对应投影的二维位置信息对所述投影图像检测模型进行训练。
具体地，在投影图像检测模型的训练过程中，可以标注后的样本三维图像随机划分为的训练集、验证集和测试集。训练集和验证集中的样本三维图像主要用于模型训练。
在一个实施例中，三维位置信息包括空间边界信息，根据待测三维目标在待测投影图像中对应投影的二维位置信息计算待测三维目标在待测三维图像中的三维位置信息，包括：根据待测三维目标在待测投影图像中对应投影的二维位置信息计算待测三维目标在原始投影图像中对应投影的二维位置信息，原始投影图像为未经旋转的待测三维图像的投影图像；将待测三维目标在原始投影图像中对应投影的二维位置信息进行逻辑计算，预测待测三维目标在待测三维图像中所占位置的空间边界信息。
具体地，在预测得到待测三维目标在待测投影图像中对应投影的二维位置信息后，根据预测的二维位置信息并通过“原角度逆旋转”的方式对数据进行如下处理：
Figure BDA0003163078530000111
得到待测三维目标在旋转前的各角度待测投影图像中所对应投影的二维位置信息：
Figure BDA0003163078530000112
Figure BDA0003163078530000113
Figure BDA0003163078530000114
通过预测的二维位置信息进行逻辑运算，得到待测三维图像中的待测三维目标的最大空间边界信息：
Figure BDA0003163078530000121
Figure BDA0003163078530000122
下面，结合一个应用实例，参考图6所示，对本申请涉及的三维目标检测方法进行进一步详细说明。具体可以包括以下步骤：
1、获取样本数据。
1.1、通过CT或MRI设备获取含有检测目标(如腰椎)的多个患者的三维断层扫描图像样本数据(如DICOM或MHD等)。
1.2、选定一定数量的样本进行标注，通过样本数据标注方法，将三维断层扫描图像中的不同腰椎分别标注成不同的类别，并将标注的样本随机划分为的训练集、验证集和测试集。训练集和验证集中的样本主要用于模型的训练。
2处理数据。
2.1各项同性处理
由于不同的样本三维断层扫描图像数据之间存在层厚和像素分别率的差异性，需要将原始的样本三维图像和三维标签图像处理成统一的层厚和像素分辨率。
2.2样本三维图像的多角度水平投影
以横断面的中心位置的Z轴方向为旋转轴，样本三维图像进行N(N≥1)次多角度水平旋转，旋转的角度-θmax≤θ≤θmax,0＜θmax＜pi/2，旋转的公式如下：
Figure BDA0003163078530000131
通过平行光投影方法将样本三维图像分别投影到O-x-z平面和O-y-z平面，分别得到样本三维图像的正位片和侧位片，具体公式如下：
Figure BDA0003163078530000132
2.3三维标签图像的多角度水平投影
采用2.2中的旋转方式，对三维标签图像进行相同的旋转处理，得到旋转后的三维标签图像：
Figure BDA0003163078530000133
根据三维目标在旋转后的三维空间中的位置，获得各三维标签在O-x-z平面和O-y-z平面上对应投影的二维位置信息：
Figure BDA0003163078530000134
Figure BDA0003163078530000135
其中，M表示图像中的完整三维目标的数量。
2.4样本数据的归一化处理
将上述得到的多角度旋转后的样本投影图像以及三维标签在各样本投影图像中对应投影的二维位置信息进行归一化处理，便于后期模型训练。
3深度网络模型的建立
3.1注意力网络的公式定义
依据同一三维目标在多角度旋转后的投影图像中的位置对应关系，在深度神经网络中定义一个对应区域注意力网络的局部运算：
Figure BDA0003163078530000136
其中，i表示响应输出位置的索引，j表示枚举所有可能位置的索引。
Figure BDA0003163078530000137
表示输入的注意力区域，即依据第i张投影图像中三维目标的位置和尺寸得到其中心位置，并根据中心位置生成的具有统一尺寸的注意力区域，
Figure BDA0003163078530000141
表示与
Figure BDA0003163078530000142
具有相同尺寸的输出的注意力区域。对应相关函数f计算第i投影图像中的检测目标的位置和尺寸与所有j张投影图像中的该三维目标的位置和尺寸的相关关系。一元函数g表示第j张投影图像对应位置
Figure BDA0003163078530000143
的表征。C(X)表示归一化参数。
3.2对应相关函数f和一元函数g的相关定义
对于一元函数的定义，考虑线性嵌入的形式：
g(Xj)＝WgXj， (7)
其中，Wg表示需要学习的权值矩阵。
关于对应相关函数f的定义，采用一种高斯函数：
Figure BDA0003163078530000144
其中Xi TXj表示点积相似性。同时，归一化参数C(X)被设置为
Figure BDA0003163078530000145
3.3多角度投影图像的对应区域模块的搭建
根据3.1和3.2中定义的多角度投影图像的对应区域注意力网络，对应区域注意力网络的运算公式输入到对应区域模块，建立的对应区域模块可以合并到现有的深度网络架构中。定义的对应区域模块如下：
zi＝WzYi+Xi (9)
其中，Yi从公式(1)中获取，″+Xi″表示残差链接，残差连接允许我们在任何预先训练模型中插入一个新的非局部块，而不会破坏其初始行为。
4深度学习网络的搭建及训练
本申请建立的多角度投影图像的对应区域模块合并到建立好的建立ReNet残差网络中，形成基于二维多角度投影图像的对应区域注意力的特征提取网络。并结合现有的二维的目标检测方法(如Faster RCNN等)，通过训练实现二维多角度投影图像的二维目标检测定位。
5基于二维投影图像的三维目标检测的实现
综上所述，主要根据待测三维图像在多角度下的待测投影图像，获得预测的待测三维图像的二维位置信息，并通过“原角度逆旋转”的方式进行数据处理：
得到待测三维目标在旋转前的各角度待测投影图像中所对应投影的二维位置信息：
Figure BDA0003163078530000151
Figure BDA0003163078530000152
Figure BDA0003163078530000153
通过预测的二维位置信息进行逻辑运算，得到待测三维图像中的待测三维目标的最大空间边界信息：
Figure BDA0003163078530000154
Figure BDA0003163078530000155
下面，以旋转了三个角度为例，具体说明交叉(逻辑)运算：
例如，预测得到的一个三维目标在3个角度下的O-x-z平面投影图像中的二维位置信息分别为：
(x0_fontal(1)＝64,z0_fontal(1)＝80,l_fontal(1)＝120,h_fontal(1)＝65),
(x0_fontal(2)＝64,z0_fontal(2)＝82,l_fontal(2)＝121,h_fontal(2)＝63),
(x0_fontal(3)＝65,z0_fontal(3)＝81,l_fontal(3)＝118,h_fontal(3)＝66)；
对应地，该三维目标在3个角度下的O-x-z平面投影图像中的二维位置信息分别为：
(y0_lateral(1)＝77,z0_lateral(1)＝79,w_lateral(1)＝101,h_lateral(1)＝66),
(y0_lateral(2)＝76,z0_lateral(2)＝82,w_lateral(2)＝102,h_lateral(2)＝64),
(y0_lateral(3)＝77,z0_lateral(3)＝81,w_lateral(3)＝105,h_lateral(3)＝64)；
逻辑运算的方式为：
x0＝min(x0_fontal(1),x0_fontal(2),x0_fontal(3))＝64；
y0＝min(y0_lateral(1),y0_lateral(2),y0_lateral(3))＝76；
z0＝min(z0_fontal(1),z0_fontal(2),z0_fontal(3),
z0_lateral(1),z0_lateral(2),z0_lateral(3))＝79
l＝max(l_fontal(1),l_fontal(2),l_fontal(3))＝121
w＝max(w_fontal(1),w_fontal(2),w_fontal(3))＝105
h＝max(h_fontal(1),h_fontal(2),h_fontal(3),
h_lateral(1),h_lateral(2),h_lateral(6))＝66
综上所述，可以得到一个三维目标的三维空间位置信息：
Target＝(x0,y0,z0,l,w,h)＝(64,76,79,121,105,66)。
其中，x0,y0,z0分别表示预测3d框体中距离x，y，z轴上距离原点最近的坐标点；l，w，h分别表示预测的三维目标框体边界的长、宽、高。
本申请的实施例涉及的基于多角度二维投影图像的三维目标的检测方法不仅适用于椎骨的目标检测，也可以适用于气胸、肺等目标的检测。本申请涉及的N次多角度水平旋转，优选地，只要满足条件：N≥1和旋转角度-θmax≤θ≤θmax,0<θmax<pi/2，即可普遍适用。而且，本申请提出基于目标在二维多角度投影图像的对应区域建立注意力模块，基于同一目标在不同图像间的相关关系进行特征提取，提高了目标检测的精度。
应该理解的是，虽然图2、4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种三维目标检测装置，包括：三维图像获取模块710、三维图像旋转模块720、投影图像获取模块730、二维位置预测模块740和三维位置预测模块750，其中：
三维图像获取模块710，用于获取包含待测三维目标的待测三维图像。
三维图像旋转模块720，用于沿预设的旋转轴将所述待测三维图像至少旋转一个角度。
投影图像获取模块730，用于获取旋转后的所述待测三维图像的待测投影图像，所述待测投影图像为所述待测三维图像在至少两个投影方向上的投影图像。
二维位置预测模块740，用于利用预先构建的投影图像检测模型预测所述待测三维目标在所述待测投影图像中对应投影的二维位置信息。
三维位置预测模块750，用于根据所述待测三维目标在所述待测投影图像中对应投影的二维位置信息计算所述待测三维目标在所述待测三维图像中的三维位置信息。
在一个实施例中，投影图像获取模块730将经旋转后的待测三维图像在正立面、侧立面以及水平面之中的任意两个投影平面上进行水平投影，将任意两个投影平面上的投影图像作为待测投影图像。
在一个实施例中，二维位置预测模块740，还用于获取样本三维图像，分析样本三维图像中的同一个三维目标在不同角度旋转后的样本投影图像中位置的对应关系，样本投影图像为样本三维图像的投影图像；根据对应关系定义对应区域注意力网络；根据对应区域注意力网络构建对应区域模块；将对应区域模块融入深度学习模型构建投影图像检测模型。
在一个实施例中，二维位置预测模块740，还用于对样本三维图像中的三维目标进行标注，生成三维标签；沿预设的旋转轴将样本三维图像以及三维标签旋转多个角度；分别获取旋转各角度后的样本三维图像的样本投影图像以及三维标签在各样本投影图像中对应投影的二维位置信息；根据三维标签在各样本投影图像中对应投影的二维位置信息确定对应关系。
在一个实施例中，二维位置预测模块740，还用于根据样本投影图像以及三维标签在各样本投影图像中对应投影的二维位置信息对投影图像检测模型进行训练。
在一个实施例中，三维位置预测模块750根据待测三维目标在待测投影图像中对应投影的二维位置信息计算待测三维目标在原始投影图像中对应投影的二维位置信息，原始投影图像为旋转前的待测三维图像的投影图像；将待测三维目标在原始投影图像中对应投影的二维位置信息进行交叉逻辑计算，预测待测三维目标在待测三维图像中所占空间位置的边界信息。
关于三维目标检测装置的具体限定可以参见上文中对于三维目标检测方法的限定，在此不再赘述。上述三维目标检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种三维目标检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取包含待测三维目标的待测三维图像；沿预设的旋转轴将待测三维图像至少旋转一个角度；获取旋转后的待测三维图像的待测投影图像，待测投影图像为待测三维图像在至少两个投影方向上的投影图像；利用预先构建的投影图像检测模型预测待测三维目标在待测投影图像中对应投影的二维位置信息；根据待测三维目标在待测投影图像中对应投影的二维位置信息计算待测三维目标在待测三维图像中的三维位置信息。
在一个实施例中，处理器执行计算机程序实现获取旋转后的待测三维图像的待测投影图像时，具体实现以下步骤：将经旋转后的待测三维图像在正立面、侧立面以及水平面之中的任意两个投影平面上进行水平投影，将任意两个投影平面上的投影图像作为待测投影图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取样本三维图像，分析样本三维图像中的同一个三维目标在不同角度旋转后的样本投影图像中位置的对应关系，样本投影图像为样本三维图像的投影图像；根据对应关系定义对应区域注意力网络；根据对应区域注意力网络构建对应区域模块；将对应区域模块融入深度学习模型构建投影图像检测模型。
在一个实施例中，处理器执行计算机程序实现分析样本三维图像中的同一个三维目标在不同角度旋转后的样本投影图像中位置的对应关系时，具体实现以下步骤：对样本三维图像中的三维目标进行标注，生成三维标签；沿预设的旋转轴将样本三维图像以及三维标签旋转多个角度；分别获取旋转各角度后的样本三维图像的样本投影图像以及三维标签在各样本投影图像中对应投影的二维位置信息；根据三维标签在各样本投影图像中对应投影的二维位置信息确定对应关系。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据样本投影图像以及三维标签在各样本投影图像中对应投影的二维位置信息对投影图像检测模型进行训练。
在一个实施例中，处理器执行计算机程序实现根据待测三维目标在待测投影图像中对应投影的二维位置信息计算待测三维目标在待测三维图像中的三维位置信息时，具体实现以下步骤：根据待测三维目标在待测投影图像中对应投影的二维位置信息计算待测三维目标在原始投影图像中对应投影的二维位置信息，原始投影图像为旋转前的待测三维图像的投影图像；将待测三维目标在原始投影图像中对应投影的二维位置信息进行交叉逻辑计算，预测待测三维目标在待测三维图像中所占空间位置的边界信息。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取包含待测三维目标的待测三维图像；沿预设的旋转轴将待测三维图像至少旋转一个角度；获取旋转后的待测三维图像的待测投影图像，待测投影图像为待测三维图像在至少两个投影方向上的投影图像；利用预先构建的投影图像检测模型预测待测三维目标在待测投影图像中对应投影的二维位置信息；根据待测三维目标在待测投影图像中对应投影的二维位置信息计算待测三维目标在待测三维图像中的三维位置信息。
在一个实施例中，计算机程序被处理器执行实现获取旋转后的待测三维图像的待测投影图像时，具体实现以下步骤：将经旋转后的待测三维图像在正立面、侧立面以及水平面之中的任意两个投影平面上进行水平投影，将任意两个投影平面上的投影图像作为待测投影图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取样本三维图像，分析样本三维图像中的同一个三维目标在不同角度旋转后的样本投影图像中位置的对应关系，样本投影图像为样本三维图像的投影图像；根据对应关系定义对应区域注意力网络；根据对应区域注意力网络构建对应区域模块；将对应区域模块融入深度学习模型构建投影图像检测模型。
在一个实施例中，计算机程序被处理器执行实现分析样本三维图像中的同一个三维目标在不同角度旋转后的样本投影图像中位置的对应关系时，具体实现以下步骤：对样本三维图像中的三维目标进行标注，生成三维标签；沿预设的旋转轴将样本三维图像以及三维标签旋转多个角度；分别获取旋转各角度后的样本三维图像的样本投影图像以及三维标签在各样本投影图像中对应投影的二维位置信息；根据三维标签在各样本投影图像中对应投影的二维位置信息确定对应关系。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据样本投影图像以及三维标签在各样本投影图像中对应投影的二维位置信息对投影图像检测模型进行训练。
在一个实施例中，计算机程序被处理器执行实现根据待测三维目标在待测投影图像中对应投影的二维位置信息计算待测三维目标在待测三维图像中的三维位置信息时，具体实现以下步骤：根据待测三维目标在待测投影图像中对应投影的二维位置信息计算待测三维目标在原始投影图像中对应投影的二维位置信息，原始投影图像为旋转前的待测三维图像的投影图像；将待测三维目标在原始投影图像中对应投影的二维位置信息进行交叉逻辑计算，预测待测三维目标在待测三维图像中所占空间位置的边界信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种三维目标检测方法，所述方法包括：
获取包含待测三维目标的待测三维图像；
沿预设的旋转轴将所述待测三维图像至少旋转一个角度；
获取旋转后的所述待测三维图像的待测投影图像，所述待测投影图像为所述待测三维图像在至少两个投影方向上的投影图像；
利用预先构建的投影图像检测模型的对应区域模块对所述待测投影进行特征提取，根据提取的特征预测所述待测三维目标在所述待测投影图像中对应投影的二维位置信息；其中，所述投影图像检测模型的构建方法包括：获取样本三维图像，分析所述样本三维图像中的同一个三维目标在不同角度旋转后的样本投影图像中位置的对应关系，所述样本投影图像为所述样本三维图像的投影图像；根据所述对应关系定义对应区域注意力网络；根据所述对应区域注意力网络构建对应区域模块；将所述对应区域模块融入深度学习模型构建所述投影图像检测模型；
根据所述待测三维目标在所述待测投影图像中对应投影的二维位置信息进行交叉逻辑运算，得到所述待测三维目标在所述待测三维图像中的三维位置信息。
2.根据权利要求1所述的方法，其特征在于，所述获取旋转后的所述待测三维图像的待测投影图像，包括：
将经旋转后的所述待测三维图像在正立面、侧立面以及水平面之中的任意两个投影平面上进行水平投影，将所述任意两个投影平面上的投影图像作为所述待测投影图像。
3.根据权利要求1所述的方法，其特征在于，所述分析所述样本三维图像中的同一个三维目标在不同角度旋转后的样本投影图像中位置的对应关系，包括：
对所述样本三维图像中的三维目标进行标注，生成三维标签；
沿预设的旋转轴将所述样本三维图像以及所述三维标签旋转多个角度；
分别获取旋转各角度后的所述样本三维图像的样本投影图像以及所述三维标签在各所述样本投影图像中对应投影的二维位置信息；
根据所述三维标签在各所述样本投影图像中对应投影的二维位置信息确定所述对应关系。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
根据所述样本投影图像以及所述三维标签在各所述样本投影图像中对应投影的二维位置信息对所述投影图像检测模型进行训练。
5.根据权利要求1所述的方法，其特征在于，所述根据所述待测三维目标在所述待测投影图像中对应投影的二维位置信息计算所述待测三维目标在所述待测三维图像中的三维位置信息，包括：
根据所述待测三维目标在所述待测投影图像中对应投影的二维位置信息计算所述待测三维目标在原始投影图像中对应投影的二维位置信息，所述原始投影图像为旋转前的所述待测三维图像的投影图像；
将所述待测三维目标在所述原始投影图像中对应投影的二维位置信息进行交叉逻辑计算，预测所述待测三维目标在所述待测三维图像中所占空间位置的边界信息。
6.根据权利要求1至5任意一项所述的方法，其特征在于，旋转角度的取值在第一阈值和第二阈值之间，所述第一阈值和所述第二阈值互为相反数，所述第一阈值的取值范围为大于零且小于圆周率的二分之一；和/或，所述旋转轴为沿所述待测三维图像的横断面的中心位置的竖轴方向设置的旋转轴。
7.一种三维目标检测装置，其特征在于，所述装置包括：
三维图像获取模块，用于获取包含待测三维目标的待测三维图像；
三维图像旋转模块，用于沿预设的旋转轴将所述待测三维图像至少旋转一个角度；
投影图像获取模块，用于获取旋转后的所述待测三维图像的待测投影图像，所述待测投影图像为所述待测三维图像在至少两个投影方向上的投影图像；
二维位置预测模块，用于利用预先构建的投影图像检测模型的对应区域模块对所述待测投影进行特征提取，根据提取的特征预测所述待测三维目标在所述待测投影图像中对应投影的二维位置信息；其中，所述投影图像检测模型的构建方法包括：获取样本三维图像，分析所述样本三维图像中的同一个三维目标在不同角度旋转后的样本投影图像中位置的对应关系，所述样本投影图像为所述样本三维图像的投影图像；根据所述对应关系定义对应区域注意力网络；根据所述对应区域注意力网络构建对应区域模块；将所述对应区域模块融入深度学习模型构建所述投影图像检测模型；
三维位置预测模块，用于根据所述待测三维目标在所述待测投影图像中对应投影的二维位置信息进行交叉逻辑运算，得到所述待测三维目标在所述待测三维图像中的三维位置信息。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202110796722.2A 2021-07-14 2021-07-14 三维目标检测方法、装置、计算机设备和存储介质 Active CN113538372B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110796722.2A CN113538372B (zh) 2021-07-14 2021-07-14 三维目标检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110796722.2A CN113538372B (zh) 2021-07-14 2021-07-14 三维目标检测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113538372A CN113538372A (zh) 2021-10-22
CN113538372B true CN113538372B (zh) 2022-11-15

Family

ID=78128043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110796722.2A Active CN113538372B (zh) 2021-07-14 2021-07-14 三维目标检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113538372B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782624B (zh) * 2022-04-07 2023-08-25 重庆大学 一种3d图像投影融合方法、装置、计算机设备和存储介质
CN117237451B (zh) * 2023-09-15 2024-04-02 南京航空航天大学 一种基于轮廓重建和几何引导的工业零件6d位姿估计方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111429506A (zh) * 2020-03-30 2020-07-17 长沙微成像电子科技有限公司 基于三维重构的体积分数获取方法、装置、系统及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060262876A1 (en) * 2004-08-26 2006-11-23 Ladue Christoph K Wave matrix mechanics method & apparatus
JP5910447B2 (ja) * 2012-02-29 2016-04-27 株式会社Ｊｖｃケンウッド 画像処理装置、画像処理方法及び画像処理プログラム
CN106846465B (zh) * 2017-01-19 2020-04-14 深圳先进技术研究院 一种ct三维重建方法及系统
CN109903307A (zh) * 2019-01-31 2019-06-18 南京邮电大学 一种基于sair的运动目标检测方法
CN109872366B (zh) * 2019-02-25 2021-03-12 清华大学 一种物体的三维位置检测方法和装置
CN110111345B (zh) * 2019-05-14 2023-04-28 西安电子科技大学 一种基于注意力网络的3d点云分割方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111429506A (zh) * 2020-03-30 2020-07-17 长沙微成像电子科技有限公司 基于三维重构的体积分数获取方法、装置、系统及存储介质

Also Published As

Publication number Publication date
CN113538372A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN110148192B (zh) 医学影像成像方法、装置、计算机设备和存储介质
CN109872333B (zh) 医学影像分割方法、装置、计算机设备和存储介质
CN110599526B (zh) 图像配准方法、计算机设备和存储介质
CN109003267B (zh) 从3d图像自动检测目标对象的计算机实现方法和系统
US9576356B2 (en) Region clustering forest for analyzing medical imaging data
CN113538372B (zh) 三维目标检测方法、装置、计算机设备和存储介质
CN109754447A (zh) 图像生成方法、装置、设备和存储介质
CN111080584B (zh) 医学图像的质控方法、计算机设备和可读存储介质
US20130223704A1 (en) Method and System for Joint Multi-Organ Segmentation in Medical Image Data Using Local and Global Context
CN111488872B (zh) 图像检测方法、装置、计算机设备和存储介质
CN111080573B (zh) 肋骨图像检测方法、计算机设备和存储介质
CN111160367A (zh) 图像分类方法、装置、计算机设备和可读存储介质
Kim et al. Automation of spine curve assessment in frontal radiographs using deep learning of vertebral-tilt vector
CN110570483A (zh) 扫描方法、装置、计算机设备和存储介质
US12056890B2 (en) Method for measuring volume of organ by using artificial neural network, and apparatus therefor
CN114092475B (zh) 病灶长径确定方法、图像标注方法、装置及计算机设备
CN110298820A (zh) 影像分析方法、计算机设备和存储介质
CN111223158B (zh) 心脏冠脉图像的伪影校正方法和可读存储介质
CN113240661B (zh) 基于深度学习的腰椎骨分析方法、装置、设备及存储介质
CN110751187A (zh) 异常区域图像生成网络的训练方法和相关产品
CN110992439A (zh) 纤维束追踪方法、计算机设备和存储介质
CN112102235A (zh) 人体部位识别方法、计算机设备和存储介质
CN115861656A (zh) 用于自动处理医学图像以输出警报的方法、设备和系统
CN110533120B (zh) 器官结节的图像分类方法、装置、终端及存储介质
CN110570425A (zh) 一种基于深度强化学习算法的肺结节分析方法及装置

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