CN113763352A - 一种腹腔积液图像处理方法和系统 - Google Patents

一种腹腔积液图像处理方法和系统 Download PDF

Info

Publication number
CN113763352A
CN113763352A CN202111040455.2A CN202111040455A CN113763352A CN 113763352 A CN113763352 A CN 113763352A CN 202111040455 A CN202111040455 A CN 202111040455A CN 113763352 A CN113763352 A CN 113763352A
Authority
CN
China
Prior art keywords
effusion
abdominal
image
region
abdominal cavity
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
Application number
CN202111040455.2A
Other languages
English (en)
Other versions
CN113763352B (zh
Inventor
蔡祈文
余明
孔德兴
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.)
Hangzhou Lianao Technology Co ltd
Original Assignee
Hangzhou Lianao 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 Hangzhou Lianao Technology Co ltd filed Critical Hangzhou Lianao Technology Co ltd
Priority to CN202111040455.2A priority Critical patent/CN113763352B/zh
Publication of CN113763352A publication Critical patent/CN113763352A/zh
Application granted granted Critical
Publication of CN113763352B publication Critical patent/CN113763352B/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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • 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]

Landscapes

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

Abstract

本说明书实施例提供一种腹腔积液图像处理方法和系统，该方法包括：获取对象的至少一个拍摄姿态，和与至少一个拍摄姿态对应的至少一个腹腔积液图像；基于至少一个拍摄姿态，和与至少一个拍摄姿态对应的至少一个腹腔积液图像，确定至少一个腹腔积液图像的至少一个腹腔积液区域；以及基于至少一个腹腔积液区域，确定至少一个腹腔积液区域的腹腔积液量。

Description

一种腹腔积液图像处理方法和系统
技术领域
本说明书涉及图像处理领域，特别涉及一种腹腔积液图像处理方法和系统。
背景技术
图像分割和图像分析均是图像处理的一种，随着医疗水平的提高，图像分割和图像分析已经被广泛应用于疾病的研究、预防和治疗中。对于肝脏类疾病而言，需要获取患者的腹腔积液图像，现阶段对于腹腔积液图像的分割、分析等图像处理都是以人工方式进行的，会出现处理效率低、处理结果不准确等情况。
因此，希望提供一种腹腔积液图像处理方法，能够快速、准确地实现对腹腔积液图像进行分割及进一步分析。
发明内容
本说明书实施例之一提供一种腹腔积液图像处理方法，该方法包括：获取对象的至少一个拍摄姿态，和与所述至少一个拍摄姿态对应的至少一个腹腔积液图像；基于所述至少一个拍摄姿态，和与所述至少一个拍摄姿态对应的至少一个腹腔积液图像，确定所述至少一个腹腔积液图像的至少一个腹腔积液区域；以及基于所述至少一个腹腔积液区域，确定所述至少一个腹腔积液区域的腹腔积液量。
本说明书实施例之一提供一种腹腔积液图像处理系统，该系统包括：获取模块，用于获取对象的至少一个拍摄姿态，和与所述至少一个拍摄姿态对应的至少一个腹腔积液图像；第一确定模块，基于所述至少一个拍摄姿态，和与所述至少一个拍摄姿态对应的至少一个腹腔积液图像，确定所述至少一个腹腔积液图像的至少一个腹腔积液区域；以及第二确定模块，基于所述至少一个腹腔积液区域，确定所述至少一个腹腔积液区域的腹腔积液量。
本说明书实施例之一提供一种腹腔积液图像处理装置，包括处理器，所述至少一个处理器用于执行计算机指令中的至少部分指令以实现如上所述的方法。
本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现如上所述的方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的腹腔积液图像处理系统的应用场景示意图；
图2是根据本说明书一些实施例所示的腹腔积液图像处理方法的示例性流程图；
图3是根据本说明书一些实施例所示的第一腹腔积液图像处理模型确定腹腔积液区域的示意图；
图4是根据本说明书一些实施例所示的第二腹腔积液图像处理模型确定腹腔积液量的示意图；
图5是根据本说明书一些实施例所示的腹腔积液图像处理系统的示例性模块图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
在本申请中，对象可以是需要进行检查的人员或需要接受治疗的患者。图像处理可以是对图像或其一部分(例如，图像中的体素或像素)进行处理。对图像中对应于一个组织、器官、或相关内容(例如，肝脏)的部分进行处理(例如，识别、分割、优化等)，可以由对相应的图像数据处理实现。为简便起见，这类处理可描述为对该组织、器官、或相关部分进行处理。例如，在图像中对应于腹腔中出现积液的部分划定一条直线可以描述为在积液处划定一条直线。又例如，分割出图像中对应于腹腔积液的部分或对应于非腹腔积液的部分可以分别描述为分割出腹腔积液区域或非腹腔积液区域。类似的，图像中对应于一个组织、器官、或相关内容(例如，肝脏)的部分可以直接用该组织、器官、或相关内容的名称描述。例如，图像中对应于腹腔积液的部分和对应于非腹腔积液的部分可以分别简述为腹腔积液区域或非腹腔积液区域。又例如，图像中对应于用户感兴趣的部分可以简述为感兴趣区域。
图1是根据本说明书一些实施例所示的腹腔积液图像处理系统的应用场景示意图。如图1所示，腹腔积液图像处理系统100可以包括成像设备110、处理设备120、存储设备130、一个或以上终端140以及网络150。腹腔积液图像处理系统100中的组件可以以一种或多种方式连接。例如，成像设备110可以通过网络150连接到处理设备120。又例如，存储设备130可以直接或通过网络150连接到处理设备120。作为又一示例，一个或以上终端140可以直接连接到处理设备120，也可以通过网络150连接。在一些实施例中，腹腔积液图像处理系统100可以用于处理对象的腹腔积液图像。腹腔积液图像处理系统100可以生成二维(2D)或三维(3D)图像。
成像设备110可以通过扫描对象或其一部分来生成或提供图像数据。在一些实施例中，成像设备110可以是医学成像设备，例如，Ultrasound设备、PET设备、SPECT设备、CT设备、MRI设备等、或其任意组合(例如，PET-CT设备、PET-MRI设备等)。
在一些实施例中，成像设备110的扫描对象可以包括身体、物质等或其任何组合。在一些实施例中，扫描对象可以包括身体的特定部分，例如头部、胸部、腹部等，或其任意组合。在一些实施例中，包括特定器官，例如肝脏、脾脏、胃等。在一些实施例中，扫描对象可以包括物理模型(也称为模体)。物理模型可以包括构造为不同形状和/或尺寸的一个或以上材料。
在一些实施例中，成像设备110可以经由网络150将图像数据发送到处理设备120、存储设备130和/或终端140。例如，图像数据可以被发送到处理设备120以进行进一步处理，或者可以被存储在存储设备130中。
处理设备120可以处理从成像设备110、存储设备130和/或终端140获得的数据和/或信息。例如，处理设备120可以基于由成像设备110采集的图像数据来确定用于变换一个或以上图像(例如，腹腔积液图像)的一个或以上变换参数。在一些实施例中，处理设备120可以是单个服务器或服务器组。服务器组可以是集中式或分布式的。在一些实施例中，处理设备120可以是本地的或远程的。例如，处理设备120可以经由网络150访问来自成像设备110、存储设备130和/或终端140的信息和/或数据。又例如，处理设备120可以直接连接到成像设备110、终端140和/或存储设备130以访问信息和/或数据。在一些实施例中，处理设备120可以在云平台上实现。例如，云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间、多云等，或其组合。
存储设备130可以存储数据、指令和/或任何其他信息。在一些实施例中，存储设备130可以存储从成像设备110、处理设备120和/或终端140获得的数据。在一些实施例中，存储设备130可以存储处理设备120可以执行或用来执行本申请中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备130可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、内存卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。示例性RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性ROM可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中，可以在本申请中其他地方描述的云平台上实现存储设备130。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中，存储设备130可以连接至网络150以与腹腔积液图像处理系统100中的一个或以上其他组件通信(例如，处理设备120、终端140等)。腹腔积液图像处理系统100中的一个或以上组件可以通过网络150访问存储在存储设备130中的数据或指令。在一些实施例中，存储设备130可以是处理设备120的一部分。
终端140可以连接到成像设备110、处理设备120和/或存储设备130和/或与之通信。例如，终端140可以从处理设备120获得处理后的图像。又例如，一个或以上终端140可以获取由成像设备110获取的图像数据，并将该图像数据发送至处理设备120以进行处理。在一些实施例中，终端140可以包括移动设备140-1、平板计算机140-2、膝上型计算机140-3和台式主机140-4等，或其任意组合。例如，移动设备140-1可以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备、笔记本电脑、平板电脑、台式机等，或其任何组合。在一些实施例中，终端140可以包括输入设备、输出设备等。输入设备可能包括字母数字和其他按键，可以通过键盘、触摸屏(例如，带有触觉或触觉反馈)、语音输入、眼睛跟踪输入、大脑监控系统或任何其他类似的输入机制来输入。通过输入设备接收到的输入信息可以经由，例如总线，传输到处理设备120，以进行进一步处理。其他类型的输入设备可以包括光标控制设备，例如鼠标、轨迹球或光标方向键等。输出设备可以包括显示器、扬声器、打印机等，或其组合。在一些实施例中，终端140可以是处理设备120的一部分。
网络150可以包括可以方便腹腔积液图像处理系统100的信息和/或数据的交换的任何合适的网络。在一些实施例中，一个或以上腹腔积液图像处理系统100的组件(例如，成像设备110、处理设备120、存储设备130、终端140等)可以通过网络150与腹腔积液图像处理系统100的一个或以上其他组件通信信息和/或数据。例如，处理设备120可以经由网络150从成像设备110获得图像数据。又例如，处理设备120可以经由网络150从终端140获得用户指令。网络150可以是和/或包括公共网络(例如，因特网)、专用网络(例如，局部区域网络(LAN)、广域网(WAN)等)、有线网络(例如以太网)、无线网络(例如802.11网络、Wi-Fi网络等)、蜂窝网络(例如长期演进(LTE)网络)、帧中继网络、虚拟专用网(VPN)、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机和/或其任何组合。例如，网络150可以包括电缆网络、有线网络、光纤网络、电信网络、内联网、无线局部区域网络(WLAN)、城域网(MAN)、公用电话交换网(PSTN)、BluetoothTM网络、ZigBeeTM网络、近场通信(NFC)网络等，或其任意组合。在一些实施例中，网络150可以包括一个或以上网络接入点。例如，网络150可以包括有线和/或无线网络接入点，例如基站和/或互联网交换点，腹腔积液图像处理系统100的一个或以上组件可以通过该有线和/或无线网络接入点连接到网络150以交换数据和/或信息。
该描述旨在说明性的，而不是限制本申请的范围。对于本领域普通技术人员来说，许多替代、修改和变化将是显而易见的。本文描述的示例性实施例的特征、结构、方法和其他特性可以以各种方式组合以获得另外的和/或替代的示例性实施例。例如，存储设备130可以是包括云计算平台的数据存储，诸如公共云、私有云、社区和混合云，等等。然而，这些变化和修改不会背离本申请的范围。
图2是根据本说明书一些实施例所示的腹腔积液图像处理方法的示例性流程图。如图2所示，流程200包括下述步骤。在一些实施例中，流程200可以由处理器执行。
步骤210，获取对象的至少一个拍摄姿态，和与所述至少一个拍摄姿态对应的至少一个腹腔积液图像。在一些实施例中，步骤210可以由获取模块510执行。
拍摄姿态是指对象被拍摄时所处的姿态。例如，对象的拍摄姿态可以是对象处于站立、坐下、平躺等姿态。
腹腔积液图像是指用于判断人体腹腔中是否存在积液所用到的相关图像。在一些实施例中，腹腔积液图像可以包括计算机断层扫描(CT)图像、超声扫描(US)图像等中的一种或多种。在一些实施例中，腹腔积液图像的形式可以包括2D图像和/或3D图像。
在一些实施例中，获取模块510可以通过采集终端获取对象的拍摄姿态。
在一些实施例中，采集终端可以包括但不限于摄像头、相机、智能手机等可实现影像采集功能的终端。
在一些实施例中，获取模块510可以根据识别对象的关键点，确定对象的拍摄姿态。在一些实施例中，关键点可以是对象的一个或多个身体部位，例如对象的头部、肘部、膝盖等。在一些实施例中，获取模块510可以根据图像识别技术识别出对象的关键点，并根据关键点的相关信息确定对象的拍摄姿态。例如，获取模块510可以通过摄像头获取对象在当前时刻下的图像和/或影像，再通过图像识别技术识别出该图像和/或影像中对象的关键点及其相关信息，例如，获取模块510可以识别出关键点为对象的头部，并进一步地识别出该关键点的相关信息为对象的头部位于治疗床上，则获取模块510可以获取该对象的拍摄姿态为平躺。
在一些实施例中，腹腔积液图像可以是超声扫描图像。在一些实施例中，获取模块510可以通过超声扫描设备获取对象的腹腔积液图像。在一些实施例中，用户(例如，医生、技师)可以操作超声扫描设备对拍摄姿态下的对象的腹腔进行超声扫描，以获取与对象的拍摄姿态对应的至少一个腹腔积液图像。在一些实施例中，获取模块510本身可以为超声扫描设备、计算机断层扫描设备等医学成像设备。
在一些实施例中，获取模块510可以从系统内部或外部的存储设备中获取对象已有的腹腔积液图像。在一些实施例中，该存储设备中可以存储有该对象的在多个历史拍摄姿态下对应的多个腹腔积液图像，以供获取模块510获取所需的至少一个腹腔积液图像。
在一些实施例中，获取模块510可以通过接口获取图像。接口可以包括程序接口、数据接口、传输接口等。例如，获取模块510工作时，可以自动从接口中提取图像。又例如，获取模块510可以被外部其他设备或系统调用，在调用时图像被传递给获取模块510。
步骤220，基于所述至少一个拍摄姿态，和与所述至少一个拍摄姿态对应的至少一个腹腔积液图像，确定所述至少一个腹腔积液图像的至少一个腹腔积液区域。在一些实施例中，步骤220可以由第一确定模块520执行。
腹腔积液区域是指腹腔积液图像中显示存在腹腔积液的部分。在一些实施例中，第一确定模块520可以基于训练好的第一腹腔积液图像处理模型300确定至少一个腹腔积液图像的至少一个腹腔积液区域。
在一些实施例中，第一腹腔积液图像处理模型300可以是神经网络模型。神经网络模型可以包括多个处理层，每个处理层由多个神经元组成，每个神经元对数据做矩阵变换。矩阵所使用的参数可以通过训练获得。检测模型可以是任意能够实现对多个特征进行处理的现有神经网络模型，例如，RNN、CNN、DNN等。检测模型还可以是根据需求自定义的模型。关于第一腹腔积液图像处理模型300的结构的更多细节，可参见图3及其相关描述。
在一些实施例中，训练好的第一腹腔积液图像处理模型300的输入可以是至少一个拍摄姿态，和与至少一个拍摄姿态对应的至少一个腹腔积液图像，输出可以是确定出至少一个腹腔积液图像的至少一个腹腔积液区域。
在一些实施例中，在至少一个拍摄姿态，和与至少一个拍摄姿态对应的至少一个腹腔积液图像输入至第一腹腔积液图像处理模型300之前，可以对其数值进行处理，例如，编码处理，可以将上述数据的数值用向量的方式表示。
在一些实施例中，训练好的第一腹腔积液图像处理模型300可以包括像素判断层310和腹腔积液区域输出层320。
在一些实施例中，像素判断层310可以包括第一卷积神经网络(CNN)。第一卷积神经网络可以用于基于对至少一个拍摄姿态，和与至少一个拍摄姿态对应的所述至少一个腹腔积液图像，得到确定结果。在一些实施例中，确定结果可以包括至少一个腹腔积液图像的至少一个像素点是否存在腹腔积液。在一些实施例中，确定结果可以为“是”或“否”，“是”表示该像素点显示存在腹腔积液，“否”表示该像素点显示不存在腹腔积液。
像素判断层310得到确定结果的过程可以称为“逐点分类识别”。仅作为示例，对象的腹腔积液图像的像素为1024×768，则该腹腔积液图像具有768432个像素点，像素判断层310可以对上述768432个像素点进行逐点分类识别，以得到上述768432个像素点中的至少一个像素点是否存在腹腔积液。
在一些实施例中，腹腔积液区域输出层320可以包括第一全连接层。第一全连接层可以用于基于对确定结果进行处理，确定至少一个腹腔积液区域。在一些实施例中，腹腔积液区域可以为多个存在腹腔积液的像素点的集合所显示出的图像区域。在一些实施例中，当只有一个像素点存在腹腔积液，则该一个像素点可以为腹腔积液区域。
在一些实施例中，训练好的第一腹腔积液图像处理模型300还可以包括置信度确定层。在一些实施例中，置信度确定层可以包括卷积神经网络。置信度确定层可以用于确定像素判断层310输出的至少一个确定结果的置信度。
确定结果的置信度存在多种影响因素。例如，超声扫描设备的信号较弱导致腹腔积液图像的显示结果不准确。又例如，对于平躺拍摄姿态下的对象，可能会出现识别腹腔积液区域小于实际值的情况。
在一些实施例中，置信度确定层的输入可以为腹腔积液图像对应的回声信号和像素判断层310输出的至少一个确定结果，输出可以为至少一个确定结果的置信度。回声信号是指超声扫描设备成像时所需的信号。在一些实施例中，置信度可以为体现确定结果合理性的数值或比例，例如，置信度为0.8、80％等。
在一些实施例中，训练好的第一腹腔积液图像处理模型300可以根据置信度校正腹腔积液区域输出层320输出的腹腔积液区域。在一些实施例中，可以将确定结果，和该确定结果对应的置信度输入至腹腔积液区域输出层320，输出校正后的腹腔积液区域。例如，确定结果为该区域是腹腔积液区域，对应的置信度为0.7，可以将上述确定结果和置信度输入至腹腔积液区域输出层320，腹腔积液区域输出层320可以对上述确定结果和置信度进行处理，得到校正后的腹腔积液区域。
在一些实施例中，校正后的腹腔积液区域中像素点的确定结果对应的置信度，要高于校正前的腹腔积液区域中像素点的确定结果对应的置信度。例如，校正前的腹腔积液区域中像素点的确定结果对应的置信度为0.7，校正后的腹腔积液区域中像素点的确定结果对应的置信度可以为0.8。可以理解，腹腔积液区域输出层320可以将确定结果对应的置信度看作该确定结果的权重，以重新计算输出新的腹腔积液区域。
在一些实施例中，第一腹腔积液图像处理模型300可以通过多个有标签的第一训练样本训练得到。例如，可以将多个带有标签的第一训练样本输入初始第一腹腔积液图像处理模型300，通过标签和初始第一腹腔积液图像处理模型300的结果构建损失函数，基于损失函数迭代更新初始第一腹腔积液图像处理模型300的参数。当初始第一腹腔积液图像处理模型300的损失函数满足预设条件时模型训练完成，得到训练好的第一腹腔积液图像处理模型300。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中，第一训练样本至少可以包括对象的多个拍摄姿态，和多个拍摄姿态对应的多个腹腔积液图像。标签可以表征多个腹腔积液图像中的腹腔积液区域。标签可以基于从存储有腹腔积液图像历史数据的存储设备中获取，标签也可以人工标注。
在一些实施例中，腹腔积液区域输出层320可以通过多个有标签的第二训练样本训练得到。例如，可以将多个带有标签的第二训练样本输入初始腹腔积液区域输出层320，通过标签和初始腹腔积液区域输出层320的结果构建损失函数，基于损失函数迭代更新初始腹腔积液区域输出层320的参数。当初始腹腔积液区域输出层320的损失函数满足预设条件时模型训练完成，得到训练好的腹腔积液区域输出层320。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中，第二训练样本至少可以包括腹腔积液区域中多个像素点的确定结果，和多个像素点的确定结果对应的多个置信度。标签可以表征多个像素点的确定结果的可信程度。标签可以基于从存储有腹腔积液图像历史数据的存储设备中获取，标签也可以人工标注。
通过上述方式，第一腹腔积液图像处理模型300可以在减少人工操作的基础上，快速、准确地对腹腔积液图像进行图像分割，识别出腹腔积液图像中的腹腔积液区域，还可以通过置信度确定腹腔积液区域的准确程度，并进一步地对腹腔积液区域进行更新，以提高确定腹腔积液区域的准确程度。
步骤230，基于所述至少一个腹腔积液区域，确定所述至少一个腹腔积液区域的腹腔积液量。在一些实施例中，步骤230可以由第二确定模块530执行。
腹腔积液量是指腹腔积液区域中对应的积液总含量。在一些实施例中，第二确定模块530可以基于训练好的第二腹腔积液图像处理模型400确定至少一个腹腔积液区域的腹腔积液量。
在一些实施例中，第二腹腔积液图像处理模型400可以是神经网络模型。神经网络模型可以包括多个处理层，每个处理层由多个神经元组成，每个神经元对数据做矩阵变换。矩阵所使用的参数可以通过训练获得。检测模型可以是任意能够实现对多个特征进行处理的现有神经网络模型，例如，RNN、CNN、DNN等。检测模型还可以是根据需求自定义的模型。关于第二腹腔积液图像处理模型400的结构的更多细节，可参见图4及其相关描述。
在一些实施例中，训练好的第二腹腔积液图像处理模型400的输入可以是至少一个拍摄姿态、至少一个腹腔积液分割图像、至少一个腹腔积液区域和至少一个腹腔积液分割图像对应的回声信号中的至少一种，输出可以是至少一个腹腔积液区域的腹腔积液量。
在一些实施例中，在至少一个拍摄姿态、至少一个腹腔积液分割图像、至少一个腹腔积液区域和至少一个腹腔积液分割图像对应的回声信号中的至少一种输入至第二腹腔积液图像处理模型400之前，可以对其数值进行处理，例如，编码处理，可以将上述数据的数值用向量的方式表示。
在一些实施例中，第二腹腔积液图像处理模型400可以包括积液深度预测层410、积液面积预测层420以及积液量预测层430。
在一些实施例中，积液深度预测层410可以包括第二卷积神经网络(CNN)。第二卷积神经网络可以用于基于对至少一个腹腔积液区域，和与至少一个腹腔积液分割图像对应的回声信号进行处理，确定至少一个腹腔积液区域的积液深度。积液深度是指积液表面至积液最底部的距离，积液深度可以用于确定腹腔积液量。
在一些实施例中，积液面积预测层420可以包括第三卷积神经网络(CNN)，第三卷积神经网络可以用于基于对至少一个拍摄姿态和至少一个腹腔积液区域进行处理，确定至少一个腹腔积液区域的积液面积。在一些实施例中，积液面积可以包括积液的横断面积，纵断面积和冠状面积，可以用于确定腹腔积液量。
在一些实施例中，所述积液量预测层430包括第二全连接层，用于基于至少一个腹腔积液区域的积液深度和至少一个腹腔积液区域的积液面积，确定至少一个腹腔积液区域中腹腔积液量。在一些实施例中，可以基于积液深度确定至少一个腹腔积液区域中腹腔积液量，积液深度可以包括积液区域的前后径、上下径及左右径三条径线，具体地，可以通过三径乘积乘以0.5或0.7获得腹腔积液量。在一些实施例中，可以基于至少一个腹腔积液区域的积液深度和至少一个腹腔积液区域的积液面积，确定至少一个腹腔积液区域中腹腔积液量。
在一些实施例中，第二腹腔积液图像处理模型400的输入还可以包括至少一个拍摄姿态及其对应的数据所对应的权重，至少一个拍摄姿态对应的数据可以是至少一个拍摄姿态对应的至少一个腹腔积液区域中腹腔积液量。
在一些实施例中，可以基于至少一个拍摄姿态对应的至少一个腹腔积液区域的预测结果，以及至少一个腹腔积液区域的预测结果的置信度，确定至少一个拍摄姿态的重要性顺序。在一些实施例中，可以基于至少一个拍摄姿态的重要性顺序，确定至少一个拍摄姿态及其对应的数据所对应的权重。
在一些实施例中，可以根据腹腔积液区域的腹腔积液量和对应的拍摄姿态反向确定至少一个拍摄姿态对应的至少一个腹腔积液区域中腹腔积液量的预测结果的置信度。预测结果的置信度可以表示积液量预测层430输出腹腔积液量的准确程度。腹腔积液量会受到对象的拍摄姿态影响。例如，腹腔积液量较少时，对象处于平躺拍摄姿态下的置信度相对较低。
在一些实施例中，第二确定模块530可以结合至少一个拍摄姿态的预测结果的置信度，确定至少一个拍摄姿态的重要性。例如，平躺拍摄姿态对应的预测结果置信度越高，则在此拍摄姿态下确定的腹腔积液量的重要性越高。在一些实施例中，至少一个拍摄姿态对应的预测结果执行度可以是对至少一个腹腔积液区域预测结果的置信度，腹腔积液区域预测结果的置信度可以基于腹腔积液区域中每个像素点的置信度确定。例如，基于每个像素点置信度的平均值确定，还可以通过其他方式确定。关于确定每个像素点置信度的更多细节可以参见步骤220及其相关描述。
通过以上方式，将至少一个拍摄姿态及其对应的数据所对应的权重输入第二腹腔积液图像处理模型400，置信度腹腔积液量在判断了拍摄姿态及其对应数据权重的基础上，可以更好的确定当前拍摄姿态的重要性，有利于选择更好的拍摄姿态，提升预测的准确度。
在一些实施例中，第二腹腔积液图像处理模型400的输入还可以包括至少一个腹腔区域预测结果的置信度，腹腔积液区域预测结果的置信度可以基于腹腔积液区域中每个像素点的置信度确定。例如，基于每个像素点置信度的平均值确定，还可以通过其他方式确定。关于确定每个像素点置信度的更多细节可以参见步骤220及其相关描述。
由于第二腹腔积液图像处理模型400输出腹腔积液量的过程中，需要用到腹腔积液区域作为输入。在一些实施例中，可以将腹腔积液区域预测结果的置信度作为第二腹腔积液图像处理模型400的输入，以得到更准确的积液深度、积液面积和腹腔积液量。也即，可以将第二腹腔积液图像处理模型400看作腹腔积液区域的权重，或第二腹腔积液图像处理模型400的一个超参数，以使第二腹腔积液图像处理模型400能够输出更准确的腹腔积液量。
通过以上方式，将至少一个腹腔区域预测结果的置信度输入第二腹腔积液图像处理模型400，在判断了腹腔积液区域预测置信度的基础上，可以更好的预测至少一个腹腔积液区域中腹腔积液量，有利于提升预测的准确度。
在一些实施例中，第二腹腔积液图像处理模型400可以通过多个有标签的第二训练样本得到。例如，可以将多个带有标签的第二训练样本输入初始第二腹腔积液图像处理模型，通过标签和初始第二腹腔积液图像处理模型的结果构建损失函数，基于损失函数迭代更新初始第二腹腔积液图像处理模型的参数。当初始第二腹腔积液图像处理模型的损失函数满足预设条件时模型训练完成，得到训练好的第二腹腔积液图像处理模型400。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中，第二训练样本至少可以包括至少一个对象的至少一个拍摄姿态、至少一个拍摄姿态对应的至少一个腹腔积液分割图像、上述至少一个拍摄姿态对应的至少一个腹腔积液区域以及至少一个腹腔积液分割图像对应的回声信号。标签可以表征至少一个腹腔积液区域的腹腔积液量。标签可以从存储有腹腔积液图像历史数据的存储设备中获取，也可以由人工标注。
应当注意的是，上述有关腹腔积液图像处理方法200的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对腹腔积液图像处理方法200进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。
图3是根据本说明书一些实施例所示的第一腹腔积液图像处理模型确定腹腔积液区域的示意图。
在一些实施例中，训练好的第一腹腔积液图像处理模型300可以对至少一个拍摄姿态和与至少一个拍摄姿态对应的至少一个腹腔积液图像进行处理，确定至少一个腹腔积液图像的至少一个腹腔积液区域。关于第一腹腔积液图像处理模型300的结构、执行和训练的更多细节，可以参考图2中步骤220及其相关描述。
图4是根据本说明书一些实施例所示的第二腹腔积液图像处理模型确定腹腔积液量的示意图。
在一些实施例中，训练好的第二腹腔积液图像处理模型400可以对至少一个拍摄姿态、至少一个腹腔积液图像、至少一个腹腔积液区域和至少一个腹腔积液图像对应的回声信号中的至少一种，确定至少一个腹腔积液区域的腹腔积液量。关于第二腹腔积液图像处理模型400的结构、执行和训练的更多细节，可以参考图2中步骤230及其相关描述。
图5是根据本说明书一些实施例所示的腹腔积液图像处理系统的示例性模块图。如图5所示，腹腔积液图像处理系统500可以包括获取模块510、第一确定模块520和第二确定模块530。在一些实施例中，腹腔积液图像处理系统500的一个或多个模块可以由处理设备122执行。
在一些实施例中，获取模块510可以用于获取对象的至少一个拍摄姿态，和与所述至少一个拍摄姿态对应的至少一个腹腔积液图像。
在一些实施例中，第一确定模块520可以基于所述至少一个拍摄姿态，和与所述至少一个拍摄姿态对应的至少一个腹腔积液图像，确定所述至少一个腹腔积液图像的至少一个腹腔积液区域。
在一些实施例中，第二确定模块530可以基于所述至少一个腹腔积液区域，确定所述至少一个腹腔积液区域的腹腔积液量。
应当理解，图5所示的系统及其模块可以利用各种方式来实现。需要注意的是，以上对于候选项显示、确定系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图5中披露的获取模块510、第一确定模块520和第二确定模块530可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种腹腔积液图像处理方法，包括：
获取对象的至少一个拍摄姿态，和与所述至少一个拍摄姿态对应的至少一个腹腔积液图像；
基于所述至少一个拍摄姿态，和与所述至少一个拍摄姿态对应的至少一个腹腔积液图像，确定所述至少一个腹腔积液图像的至少一个腹腔积液区域；以及
基于所述至少一个腹腔积液区域，确定所述至少一个腹腔积液区域的腹腔积液量。
2.如权利要求1所述的方法，所述确定所述至少一个腹腔积液图像的至少一个腹腔积液区域，包括：
基于训练好的第一腹腔积液图像处理模型对所述至少一个拍摄姿态和与所述至少一个拍摄姿态对应的至少一个腹腔积液图像进行处理，确定所述至少一个腹腔积液图像的至少一个腹腔积液区域，所述第一腹腔积液图像处理模型包括像素判断层和腹腔积液区域输出层；其中，
所述像素判断层包括第一卷积神经网络，用于基于对所述至少一个拍摄姿态，和与所述至少一个拍摄姿态对应的所述至少一个腹腔积液图像，得到确定结果，所述确定结果包括所述至少一个腹腔积液图像的至少一个像素点是否存在腹腔积液；以及
所述腹腔积液区域输出层包括第一全连接层，用于基于对所述确定结果进行处理，确定所述至少一个腹腔积液区域。
3.如权利要求1所述的方法，所述确定所述至少一个腹腔积液区域的腹腔积液量，包括：
基于训练好的第二腹腔积液图像处理模型对所述至少一个拍摄姿态、所述至少一个腹腔积液图像、所述至少一个腹腔积液区域和所述至少一个腹腔积液图像对应的回声信号中的至少一种，确定所述至少一个腹腔积液区域的腹腔积液量。
4.如权利要求3所述的方法，所述第二腹腔积液图像处理模型包括积液深度预测层、积液面积预测层以及积液量预测层，其中
所述积液深度预测层包括第二卷积神经网络，用于基于对所述至少一个腹腔积液区域，和所述至少一个腹腔积液图像对应的回声信号进行处理，确定所述至少一个腹腔积液区域的积液深度；
所述积液面积预测层包括第三卷积神经网络，用于基于对所述至少一个拍摄姿态和所述至少一个腹腔积液区域进行处理，确定所述至少一个腹腔积液区域的积液面积；
所述积液量预测层包括第二全连接层，用于基于对所述至少一个腹腔积液区域的积液深度和所述至少一个腹腔积液区域的积液面积，确定所述至少一个腹腔积液区域中腹腔积液量。
5.一种腹腔积液图像处理系统，包括：
获取模块，用于获取对象的至少一个拍摄姿态，和与所述至少一个拍摄姿态对应的至少一个腹腔积液图像；
第一确定模块，基于所述至少一个拍摄姿态，和与所述至少一个拍摄姿态对应的至少一个腹腔积液图像，确定所述至少一个腹腔积液图像的至少一个腹腔积液区域；以及
第二确定模块，基于所述至少一个腹腔积液区域，确定所述至少一个腹腔积液区域的腹腔积液量。
6.如权利要求5所述的系统，所述第一确定模块进一步用于：
基于训练好的第一腹腔积液图像处理模型对所述至少一个拍摄姿态和与所述至少一个拍摄姿态对应的至少一个腹腔积液图像进行处理，确定所述至少一个腹腔积液图像的至少一个腹腔积液区域，所述第一腹腔积液图像处理模型包括像素判断层和腹腔积液区域输出层；其中，
所述像素判断层包括第一卷积神经网络，用于基于对所述至少一个拍摄姿态，和与所述至少一个拍摄姿态对应的所述至少一个腹腔积液图像，得到确定结果，所述确定结果包括所述至少一个腹腔积液图像的至少一个像素点是否存在腹腔积液；以及
所述腹腔积液区域输出层包括第一全连接层，用于基于对所述确定结果进行处理，确定所述至少一个腹腔积液区域。
7.如权利要求5所述的系统，所述第二确定模块进一步用于：
基于训练好的第二腹腔积液图像处理模型对所述至少一个拍摄姿态、所述至少一个腹腔积液图像、所述至少一个腹腔积液区域和所述至少一个腹腔积液图像对应的回声信号中的至少一种，确定所述至少一个腹腔积液区域的腹腔积液量。
8.如权利要求7所述的系统，所述第二腹腔积液图像处理模型包括积液深度预测层、积液面积预测层以及积液量预测层，其中
所述积液深度预测层包括第二卷积神经网络，用于基于对所述至少一个腹腔积液区域，和所述至少一个腹腔积液图像对应的回声信号进行处理，确定所述至少一个腹腔积液区域的积液深度；
所述积液面积预测层包括第三卷积神经网络，用于基于对所述至少一个拍摄姿态和所述至少一个腹腔积液区域进行处理，确定所述至少一个腹腔积液区域的积液面积；
所述积液量预测层包括第二全连接层，用于基于对所述至少一个腹腔积液区域的积液深度和所述至少一个腹腔积液区域的积液面积，确定所述至少一个腹腔积液区域中腹腔积液量。
9.一种腹腔积液图像处理装置，所述装置包括至少一个处理器，所述至少一个处理器用于执行计算机指令中的至少部分指令以实现如权利要求1至4中任意一项所述的方法。
10.一种计算机可读存储介质，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现如权利要求1至4中任意一项所述的方法。
CN202111040455.2A 2021-09-06 2021-09-06 一种腹腔积液图像处理方法和系统 Active CN113763352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111040455.2A CN113763352B (zh) 2021-09-06 2021-09-06 一种腹腔积液图像处理方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111040455.2A CN113763352B (zh) 2021-09-06 2021-09-06 一种腹腔积液图像处理方法和系统

Publications (2)

Publication Number Publication Date
CN113763352A true CN113763352A (zh) 2021-12-07
CN113763352B CN113763352B (zh) 2024-04-02

Family

ID=78793290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111040455.2A Active CN113763352B (zh) 2021-09-06 2021-09-06 一种腹腔积液图像处理方法和系统

Country Status (1)

Country Link
CN (1) CN113763352B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107644225A (zh) * 2017-10-31 2018-01-30 北京青燕祥云科技有限公司 肺部病灶识别方法、装置和实现装置
CN109993733A (zh) * 2019-03-27 2019-07-09 上海宽带技术及应用工程研究中心 肺部病灶的检测方法、系统、存储介质、终端及显示系统
CN110400299A (zh) * 2019-07-23 2019-11-01 杭州依图医疗技术有限公司 一种肺部胸腔积液检出的方法及装置
CN110544250A (zh) * 2019-09-06 2019-12-06 上海联影医疗科技有限公司 一种医学图像处理方法和系统
CN111047611A (zh) * 2020-03-13 2020-04-21 北京深睿博联科技有限责任公司 病灶体积测量方法和装置
CN113017687A (zh) * 2021-02-19 2021-06-25 上海长征医院 一种腹腔积液b超图像自动识别方法
WO2021169126A1 (zh) * 2020-02-25 2021-09-02 平安科技（深圳）有限公司 病灶分类模型训练方法、装置、计算机设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107644225A (zh) * 2017-10-31 2018-01-30 北京青燕祥云科技有限公司 肺部病灶识别方法、装置和实现装置
CN109993733A (zh) * 2019-03-27 2019-07-09 上海宽带技术及应用工程研究中心 肺部病灶的检测方法、系统、存储介质、终端及显示系统
CN110400299A (zh) * 2019-07-23 2019-11-01 杭州依图医疗技术有限公司 一种肺部胸腔积液检出的方法及装置
CN110544250A (zh) * 2019-09-06 2019-12-06 上海联影医疗科技有限公司 一种医学图像处理方法和系统
WO2021169126A1 (zh) * 2020-02-25 2021-09-02 平安科技（深圳）有限公司 病灶分类模型训练方法、装置、计算机设备和存储介质
CN111047611A (zh) * 2020-03-13 2020-04-21 北京深睿博联科技有限责任公司 病灶体积测量方法和装置
CN113017687A (zh) * 2021-02-19 2021-06-25 上海长征医院 一种腹腔积液b超图像自动识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
IGOR VESELOV: ""Towards Recognition of Pleural Effusion Images"", 《2019 IEEE 13TH INTERNATIONAL CONFERENCE ON APPLICATION OF INFORMATION AND COMMUNICATION TECHNOLOGIES (AICT)》 *
刘睿峰;夏宇;姜玉新;: "人工智能在超声医学领域中的应用", 协和医学杂志, no. 05 *
麻宵萍: ""胸部CT联合计算机辅助设计技术对胸腔积液定量研究的初步应用"", 《中国优秀硕士学位论文全文数据库医药卫生科技》 *

Also Published As

Publication number Publication date
CN113763352B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
US11961233B2 (en) Method and apparatus for training image segmentation model, computer device, and storage medium
US20200193603A1 (en) Automated segmentation utilizing fully convolutional networks
JP6993334B2 (ja) 自動化された心臓ボリュームセグメンテーション
WO2020215672A1 (zh) 医学图像病灶检测定位方法、装置、设备及存储介质
US10853409B2 (en) Systems and methods for image search
CN111709485B (zh) 医学影像处理方法、装置和计算机设备
US12079989B2 (en) Identifying boundaries of lesions within image data
WO2021017168A1 (zh) 图像分割方法、装置、设备及存储介质
CN111738975B (zh) 图像辨识方法及图像辨识装置
US11861835B2 (en) Automatic hemorrhage expansion detection from head CT images
CN111568451A (zh) 一种曝光剂量调节方法和系统
CN114120030A (zh) 基于注意力机制的医学图像处理方法及相关设备
CN114332132A (zh) 图像分割方法、装置和计算机设备
CN110533120B (zh) 器官结节的图像分类方法、装置、终端及存储介质
CN114693671A (zh) 基于深度学习的肺结节半自动分割方法、装置、设备及介质
EP3608872B1 (en) Image segmentation method and system
US11734849B2 (en) Estimating patient biographic data parameters
CN112767403A (zh) 医学影像分割模型训练方法、医学影像分割方法及装置
CN113160199A (zh) 影像识别方法、装置、计算机设备和存储介质
CN113763352B (zh) 一种腹腔积液图像处理方法和系统
CN114373029A (zh) 一种pet图像的运动校正方法和系统
CN112530554A (zh) 一种扫描定位方法、装置、存储介质及电子设备
CN112766332A (zh) 医学影像检测模型训练方法、医学影像检测方法及装置
EP4446977A1 (en) Processing a medical image
CN116030072A (zh) 医学图像处理方法、装置、计算机设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant