CN113808130A - 肿瘤图像智能分类方法、装置和医学图像处理设备 - Google Patents
肿瘤图像智能分类方法、装置和医学图像处理设备 Download PDFInfo
- Publication number
- CN113808130A CN113808130A CN202111351417.9A CN202111351417A CN113808130A CN 113808130 A CN113808130 A CN 113808130A CN 202111351417 A CN202111351417 A CN 202111351417A CN 113808130 A CN113808130 A CN 113808130A
- Authority
- CN
- China
- Prior art keywords
- tumor
- image
- medical image
- line segment
- boundary line
- 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
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 439
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012545 processing Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010191 image analysis Methods 0.000 claims description 8
- 238000011084 recovery Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 5
- 210000005075 mammary gland Anatomy 0.000 description 5
- 229910052750 molybdenum Inorganic materials 0.000 description 5
- 239000011733 molybdenum Substances 0.000 description 5
- 230000003902 lesion Effects 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000001079 digestive effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种肿瘤图像智能分类方法、装置和医学图像处理设备，方法包括：获取目标部位的三维肿瘤医学图像；通过已训练的肿瘤检测模型，获取三维肿瘤医学图像的肿瘤区域图像；根据肿瘤区域图像，获取三维肿瘤医学图像的垂直剖面图；对垂直剖面图中的肿瘤边界线进行拟合，以对拟合后的肿瘤边界线进行均匀划分，得到各个肿瘤边界线段；分析各肿瘤边界线段的斜率，确定三维肿瘤医学图像的图像类型。采用本方法不仅能够提高肿瘤图像的分类准确率，还能够提升肿瘤图像的分类效率。
Description
技术领域
本申请涉及计算机视觉技术领域，具体涉及一种肿瘤图像智能分类方法、装置和医学图像处理设备。
背景技术
计算机视觉(Computer Vision，CV)是指通过图像传感器和计算机来代替人类对目标进行识别、跟踪和测量等处理，使得目标成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像语义分割、图像检索、人脸识别、指纹识别等技术。
近年来，以深度学习为中心的计算机视觉技术引起了人们的关注，并逐渐应用于医学领域。其中，肿瘤是判断生命体组织是否正常的重要局部特征，对医学图像中的肿瘤进行检测和定位，可以为医生提供癌症诊断的重要依据。
目前主要是利用人工方式判定医学图像中是否包括肿瘤，进而判定患病情况，由于目前检测医学图像中肿瘤的方式依赖于医生，因此，会导致医学图像中的肿瘤分类准确率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种肿瘤图像智能分类方法、装置和医学图像处理设备，用以提高肿瘤图像的分类准确率。
第一方面，本申请提供一种肿瘤图像智能分类方法，包括：
获取目标部位的三维肿瘤医学图像；
通过已训练的肿瘤检测模型，获取三维肿瘤医学图像的肿瘤区域图像；
根据肿瘤区域图像，获取三维肿瘤医学图像的垂直剖面图；
对垂直剖面图中的肿瘤边界线进行拟合，以对拟合后的肿瘤边界线进行均匀划分，得到各个肿瘤边界线段；
分析各肿瘤边界线段的斜率，确定三维肿瘤医学图像的图像类型。
在本申请一些实施例中，分析各肿瘤边界线段的斜率，确定三维肿瘤医学图像中的肿瘤类型，包括：将肿瘤区域图像所在的平面作为横坐标轴，获取各肿瘤边界线段相对于横坐标轴的斜率；若斜率中包含有小于预设斜率阈值的目标斜率，则确定目标斜率对应的肿瘤边界线段为目标肿瘤边界线段；根据目标肿瘤边界线段的线段数量，确定三维肿瘤医学图像的图像类型。
在本申请一些实施例中，根据目标肿瘤边界线段的线段数量，确定三维肿瘤医学图像的图像类型，包括：筛选出连续的目标肿瘤边界线段，作为连续肿瘤边界线段；获取连续肿瘤边界线段的线段数量；若连续肿瘤边界线段的线段数量大于或等于预设的线段数量阈值，则确定三维肿瘤医学图像的图像类型为第一图像类型；若连续肿瘤边界线段的线段数量小于线段数量阈值，则根据目标肿瘤边界线段的线段总长度，确定三维肿瘤医学图像的图像类型。
在本申请一些实施例中，若连续肿瘤边界线段的线段数量小于线段数量阈值，则根据目标肿瘤边界线段的线段总长度，确定三维肿瘤医学图像的图像类型，包括：若连续肿瘤边界线段的线段数量小于线段数量阈值，则统计目标肿瘤边界线段的线段总长度；确定拟合后的肿瘤边界线的线段长度，作为初始线段总长度；获取线段总长度相对于初始线段总长度的长度占比值；若长度占比值大于预设的长度占比阈值，则确定三维肿瘤医学图像的图像类型为第二图像类型；若长度占比值小于或等于长度占比阈值，则确定三维肿瘤医学图像的图像类型为第三图像类型。
在本申请一些实施例中，根据肿瘤区域图像，获取三维肿瘤医学图像的垂直剖面图，包括：获取肿瘤区域图像在三维肿瘤医学图像中的俯视尺寸信息；俯视尺寸信息包括俯视宽度信息和俯视长度信息；确定俯视宽度信息与俯视长度信息中的最大值，作为肿瘤区域图像的最小外接矩形长轴；根据最小外接矩形长轴，获取垂直于肿瘤区域图像的参考切面；根据参考切面与三维肿瘤医学图像之间的相交区域信息，获取三维肿瘤医学图像的垂直剖面图。
在本申请一些实施例中，对垂直剖面图中的肿瘤边界线进行拟合，以对拟合后的肿瘤边界线进行均匀划分，得到各个肿瘤边界线段，包括：通过预设的曲线平滑方程，对垂直剖面图中的肿瘤边界线进行拟合，得到拟合后的肿瘤边界线；根据预设的取点数量，确定拟合后的肿瘤边界线中的各个划分点；根据各划分点，对拟合后的肿瘤边界线进行均匀划分，得到各肿瘤边界线段。
在本申请一些实施例中，获取目标部位的三维肿瘤医学图像，包括：获取各个角度下的目标部位的肿瘤医学图像；通过运动结构恢复算法，对各肿瘤医学图像进行三维建模，得到目标部位的三维肿瘤医学图像。
第二方面，本申请提供一种肿瘤图像智能分类装置，包括：
图像获取模块，用于获取目标部位的三维肿瘤医学图像；
肿瘤检测模块，用于通过已训练的肿瘤检测模型，获取三维肿瘤医学图像的肿瘤区域图像；
图像分析模块，用于根据肿瘤区域图像，获取三维肿瘤医学图像的垂直剖面图；
线段获取模块，用于对垂直剖面图中的肿瘤边界线进行拟合，以对拟合后的肿瘤边界线进行均匀划分，得到各个肿瘤边界线段；
图像分类模块，用于分析各肿瘤边界线段的斜率，确定三维肿瘤医学图像的图像类型。
第三方面，本申请还提供一种医学图像处理设备，包括：
一个或多个处理器；
存储器；以及一个或多个应用程序，其中的一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现肿瘤图像智能分类方法。
第四方面，本申请还提供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进行加载，以执行肿瘤图像智能分类方法中的步骤。
第五方面，本申请实施例提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。医学图像处理设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该医学图像处理设备执行上述第一方面提供的方法。
上述肿瘤图像智能分类方法、装置和医学图像处理设备，服务器通过获取目标部位的三维肿瘤医学图像，以便于通过已训练的肿瘤检测模型，获取三维肿瘤医学图像的肿瘤区域图像，进而根据肿瘤区域图像，获取三维肿瘤医学图像的垂直剖面图，再对垂直剖面图中的肿瘤边界线进行拟合，以对拟合后的肿瘤边界线进行均匀划分，得到各个肿瘤边界线段，即可分析各肿瘤边界线段的斜率，确定三维肿瘤医学图像的图像类型。本方法结合计算机视觉技术实现对肿瘤图像的智能分类，不仅能够提高肿瘤图像的分类准确率，还能够提升肿瘤图像的分类效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例中肿瘤图像智能分类方法的场景示意图；
图2是本申请实施例中肿瘤图像智能分类方法的流程示意图；
图3是本申请实施例中三维肿瘤医学图像的俯视示意图；
图4是本申请实施例中肿瘤区域图像的俯视示意图；
图5是本申请实施例中垂直剖面图的效果示意图；
图6是本申请实施例中肿瘤边界线的拟合效果示意图；
图7是本申请实施例中肿瘤图像智能分类装置的结构示意图；
图8是本申请实施例中医学图像处理设备的结构示意图。
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。
在本申请的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请的描述中，术语“例如”一词用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
本申请提供的方案涉及计算机视觉技术，具体通过如下实施例进行说明：
计算机视觉技术(Computer Vision，CV)是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
本申请实施例提供一种肿瘤图像智能分类方法、装置和医学图像处理设备，以下分别进行详细说明。
参阅图1，图1为本申请提供的肿瘤图像智能分类方法的场景示意图，该肿瘤图像智能分类方法可应用于肿瘤图像智能分类系统中。其中，肿瘤图像智能分类系统包括终端100和服务器200。终端100可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。终端100具体可以是台式终端或移动终端，终端100具体还可以是手机、平板电脑、笔记本电脑中的一种。服务器200可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。此外，终端100与服务器200之间通过网络建立通信连接，网络具体可以是广域网、局域网、城域网中的任意一种。
本领域技术人员可以理解，图1中示出的应用环境，仅仅是适用于本申请方案的一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的医学图像处理设备，例如图1中仅示出1个服务器200。可以理解的是，该肿瘤图像智能分类系统还可以包括一个或多个其他服务器，具体此处不作限定。另外，如图1所示，该肿瘤图像智能分类系统还可以包括存储器，用于存储数据，如存储医学图像。
需要说明的是，图1所示的肿瘤图像智能分类系统的场景示意图仅仅是一个示例，本发明实施例描述的肿瘤图像智能分类系统以及场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着肿瘤图像智能分类系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
参阅图2，本申请实施例提供了一种肿瘤图像智能分类方法，本实施例主要以该方法应用于上述图1中的服务器200来举例说明，该方法包括步骤S201至S205，具体如下：
S201，获取目标部位的三维肿瘤医学图像。
其中，本申请实施例涉及的医学图像分析(Medical Image Analysis)，是综合医学影像、数学建模、数字图像处理与分析、人工智能和数值算法等学科的交叉领域。医学图像包括但不局限于：CT影像、PET（Positron Emission Computed Tomography，正电子发射型计算机断层显像）影像，或者MRI（Magnetic Resonance Imaging，核磁共振成像）影像等。
其中，目标部位的医学图像可以为对生物组织进行拍摄获取的图像，通过目标部位的医学图像可以对生命组织的病理情况进行判断，比如，该目标部位的医学图像可以为乳腺钼靶图像等等。乳腺钼靶图像是通过乳腺钼靶X线机获取到的图像，应用于乳腺钼靶X线摄影检查。乳腺钼靶X线摄影检查是目前诊断乳腺疾病的首选和最简便、最可靠的无创性检测手段。
其中，三维肿瘤医学图像可以为多张肿瘤医学图像建模后的图像模型，其呈现三维形态。
具体实现中，服务器200可采用如下几种方式之一，获取目标部位的三维肿瘤医学图像，例如：（1）从终端100或其他设备处获取目标部位的三维肿瘤医学图像；（2）从其他区块链节点服务器处同步获取得到目标部位的三维肿瘤医学图像；（3）从上级服务器请求得到，或是从下级服务器轮询得到目标部位的三维肿瘤医学图像。当然，服务器200还可从其他设备处首先获取用于获取三维肿瘤医学图像的初始图像，进而分析初始图像，得到三维肿瘤医学图像。
在一个实施例中，本步骤包括：获取各个角度下的目标部位的肿瘤医学图像；通过运动结构恢复算法，对各肿瘤医学图像进行三维建模，得到目标部位的三维肿瘤医学图像。
其中，各个角度下的目标部位的肿瘤医学图像可以为对生物组织进行多角度拍摄后，获取到的包含肿瘤对象的医学图像。
其中，运动结构恢复算法（Structure from Motion，SFM）是一种三维重建的方法，用于实现3D重建，也就是从时间系列的2D图像中推算3D信息。
具体实现中，服务器200获取目标部位的三维肿瘤医学图像之前，可首先获取终端100发送的各个角度下的目标部位的肿瘤医学图像，获取方式可以是被动接收方式，也可以是主动获取方式，例如，接收到终端100发送的肿瘤图像智能分类请求，即得到了请求中携带的有肿瘤医学图像；又例如，基于用户预设的肿瘤图像智能分类启动时间，向终端100发起肿瘤图像获取请求，以获取终端100反馈的肿瘤医学图像。可以理解的是，终端100可以是医学摄像机，例如消化内镜，也可以是与医学摄像机建立有通信连接且用于传输图像的设备。
进一步地，服务器200获取到各个角度下的目标部位的肿瘤医学图像之后，可调用运动结构恢复算法，对各肿瘤医学图像进行全方位的三维建模，以获取后续所需的目标部位的三维肿瘤医学图像。可以理解的是，可以通过调用建立有运动结构恢复算法的工具实现三维建模，例如，VisualSFM、pclpy等。
S202，通过已训练的肿瘤检测模型，获取三维肿瘤医学图像的肿瘤区域图像。
其中，已训练的肿瘤检测模型可以是由基于深度学习的Unet++网络构成，因其预先采用了肿瘤图像进行迭代训练，具备有肿瘤检测功能，故而称之为肿瘤检测模型。
具体实现中，服务器200获取三维肿瘤医学图像的肿瘤区域图像之前，可首先获取已训练的肿瘤检测模型，模型获取步骤包括：构建初始的肿瘤检测模型；获取肿瘤图像集，并将肿瘤图像集划分为训练集和测试集，肿瘤图像集中包括多个已标注肿瘤信息的医学图像；使用训练集对初始的肿瘤检测模型进行初步训练，得到初步训练后的肿瘤检测模型；使用测试集对初步训练后的肿瘤检测模型进行调试，得到已训练的肿瘤检测模型。
进一步地，服务器200获取到已训练的肿瘤检测模型之后，即可调用已训练的肿瘤检测模型，并将三维肿瘤医学图像输入至该模型，即可得到三维肿瘤医学图像的肿瘤区域图像。需要说明的是，可参阅图3，输入至模型的三维肿瘤医学图像实际可以是三维肿瘤医学图像的俯视图，则肿瘤区域图像可以是在俯视角度下三维肿瘤医学图像中的肿瘤检测框内的局部区域图像。
S203，根据肿瘤区域图像，获取三维肿瘤医学图像的垂直剖面图。
其中，垂直剖面图可以为穿插在三维肿瘤医学图像中，且与肿瘤区域图像垂直的平面。可以理解的是，肿瘤区域图像是一个俯视角度的水平面，则垂直剖面图是一个侧视角度的水平面。
具体实现中，服务器200在获取到肿瘤区域图像之后，可以将肿瘤区域图像作为水平面，再通过算法获取表征肿瘤区域图像长轴的线段，进而根据该线段做垂直于水平面的切面，取切面与三维肿瘤医学图像相交区域所得平面，即可作为三维肿瘤医学图像的垂直剖面图。
在一个实施例中，本步骤包括：获取肿瘤区域图像在三维肿瘤医学图像中的俯视尺寸信息；俯视尺寸信息包括俯视宽度信息和俯视长度信息；确定俯视宽度信息与俯视长度信息中的最大值，作为肿瘤区域图像的最小外接矩形长轴；根据最小外接矩形长轴，获取垂直于肿瘤区域图像的参考切面；根据参考切面与三维肿瘤医学图像之间的相交区域信息，获取三维肿瘤医学图像的垂直剖面图。
具体实现中，服务器200获取到肿瘤区域图像之后，为了获取三维肿瘤医学图像的垂直剖面图，可首先获取肿瘤区域图像在三维肿瘤医学图像中的俯视尺寸信息，包括俯视宽度信息和俯视长度信息。
例如，可参阅图4，服务器200获取到的肿瘤区域图像，实际是三维肿瘤医学图像经过肿瘤检测得到的肿瘤检测框所含像素集合，俯视宽度信息为该肿瘤检测框的宽边尺寸、俯视长度信息为该肿瘤检测框的长边尺寸。
在获取到俯视尺寸信息之后，即可比较俯视宽度信息和俯视长度信息，确定其中的最大值作为肿瘤区域图像的最小外接矩形长轴。
例如，可参阅图4，比较肿瘤检测框的宽边尺寸和长边尺寸可知，肿瘤区域图像的最小外接矩形长轴为肿瘤检测框的宽边尺寸。
服务器200分析确定了最小外接矩形长轴之后，即可沿着最小外接矩形长轴，构造垂直于肿瘤区域图像（水平面）的切面作为参考切面，进而分析获取参考切面与三维肿瘤医学图像之间的相交区域信息，即可得到如图5所示的垂直剖面图。
S204，对垂直剖面图中的肿瘤边界线进行拟合，以对拟合后的肿瘤边界线进行均匀划分，得到各个肿瘤边界线段。
其中，可参阅图5，图5展示的垂直剖面图中包括有一条曲线，定义为肿瘤边界线，该肿瘤边界线描绘着三维肿瘤医学图像中肿瘤的侧面轮廓。
具体实现中，服务器200获取到垂直剖面图之后，可对垂直剖面图中的肿瘤边界线进行拟合，以获取用于确定三维肿瘤医学图像的图像类型的肿瘤边界线段。
在一个实施例中，本步骤包括：通过预设的曲线平滑方程，对垂直剖面图中的肿瘤边界线进行拟合，得到拟合后的肿瘤边界线；根据预设的取点数量，确定拟合后的肿瘤边界线中的各个划分点；根据各划分点，对拟合后的肿瘤边界线进行均匀划分，得到各肿瘤边界线段。
具体实现中，服务器200可使用三次B样条曲线方程（也称曲线平滑方程），对垂直剖面图中的肿瘤边界线进行拟合，使之坡度更加平滑，得到拟合后的肿瘤边界线之后，即可按照预设的取点数量“n”，将拟合后的肿瘤边界线分为若干个点，得到各个肿瘤边界线段。其中，曲线平滑方程表示为：
其中，
是控制曲线的特征点，
是K阶B样条基函数。
例如，可参阅图5，图5是本申请实施例中肿瘤边界线的拟合效果示意图，未拟合的肿瘤边界线可表示“L”，拟合后的肿瘤边界线可表示为图6所示的“Ls”。服务器200根据预设的取点数量“n”，将“Ls”分为“n”个点，并分别命名为“P1、P2、P3、.....、Pn”之后，即可依次将各个点作为线段的起止点，得到“P1-P2”、“P2-P3”、“P3-P4”等各个肿瘤边界线段。
S205，分析各肿瘤边界线段的斜率，确定三维肿瘤医学图像的图像类型。
其中，斜率表示一条直线（或曲线的切线）关于（横）坐标轴倾斜程度的量。它通常用直线（或曲线的切线）与（横）坐标轴夹角的正切，或两点的纵坐标之差与横坐标之差的比来表示。
具体实现中，服务器200划分得到各个肿瘤边界线段之后，由于各个肿瘤边界线段所属的平面是垂直剖面图，因此可以肿瘤区域图像（水平面）作为横坐标轴，测量“P1-P2”、“P2-P3”、......、“Pn-1-Pn”等各个肿瘤边界线段的斜率，利用斜率确定三维肿瘤医学图像的图像类型。
在一个实施例中，本步骤包括：将肿瘤区域图像所在的平面作为横坐标轴，获取各肿瘤边界线段相对于横坐标轴的斜率；若斜率中包含有小于预设斜率阈值的目标斜率，则确定目标斜率对应的肿瘤边界线段为目标肿瘤边界线段；根据目标肿瘤边界线段的线段数量，确定三维肿瘤医学图像的图像类型。
具体实现中，各个肿瘤边界线段相对于横坐标轴的斜率可表示为“k”，若有“n-1”条肿瘤边界线段，则将会有“n-1”个斜率“k”，例如，k1、k2、k3、......、kn-1。当“n-1”个斜率中包含有小于预设斜率阈值“ks”的斜率，则可将该斜率作为目标斜率“kt”，进而确定目标斜率“kt”对应的肿瘤边界线段为目标肿瘤边界线段“Lt”。最终统计目标肿瘤边界线段“Lt”的线段数量，即可确定三维肿瘤医学图像的图像类型。
例如，k1=2、k2=3、k3=5、ks=4，则k1和k2对应的肿瘤边界线段可视为目标肿瘤边界线段“Lt”。
在一个实施例中，根据目标肿瘤边界线段的线段数量，确定三维肿瘤医学图像的图像类型，包括：筛选出连续的目标肿瘤边界线段，作为连续肿瘤边界线段；获取连续肿瘤边界线段的线段数量；若连续肿瘤边界线段的线段数量大于或等于预设的线段数量阈值，则确定三维肿瘤医学图像的图像类型为第一图像类型；若连续肿瘤边界线段的线段数量小于线段数量阈值，则根据目标肿瘤边界线段的线段总长度，确定三维肿瘤医学图像的图像类型。
具体实现中，在上述实施例的基础上，若存在连续的目标肿瘤边界线段“Lt”，可合计为一段。例如，肿瘤边界线段“P1-P2”和肿瘤边界线段“P2-P3”均为“Lt”，因为两条线段连续，可将初始线段数量为“2”的线段数量合计为“1”。
进一步地，服务器200分析统计了所有连续肿瘤边界线段和非连续肿瘤边界线段之后，可确定待比较的线段数量“Q”。若线段数量“Q”大于或等于预设的线段数量阈值“q”，则可确定三维肿瘤医学图像的图像类型为第一图像类型，第一图像类型中的肿瘤呈现出凹陷形态；若线段数量“Q”小于预设的线段数量阈值“q”，则可进一步分析目标肿瘤边界线段的线段总长度，以确定三维肿瘤医学图像的图像类型。
在一个实施例中，若连续肿瘤边界线段的线段数量小于线段数量阈值，则根据目标肿瘤边界线段的线段总长度，确定三维肿瘤医学图像的图像类型，包括：若连续肿瘤边界线段的线段数量小于线段数量阈值，则统计目标肿瘤边界线段的线段总长度；确定拟合后的肿瘤边界线的线段长度，作为初始线段总长度；获取线段总长度相对于初始线段总长度的长度占比值；若长度占比值大于预设的长度占比阈值，则确定三维肿瘤医学图像的图像类型为第二图像类型；若长度占比值小于或等于长度占比阈值，则确定三维肿瘤医学图像的图像类型为第三图像类型。
具体实现中，在上述实施例基础上，若线段数量“Q”小于预设的线段数量阈值“q”，则可统计目标肿瘤边界线段“Lt”的线段总长度，并确定拟合后的肿瘤边界线“Ls”的初始线段总长度。分析“Lt”在“Ls”上的占比“R”是否大于长度占比阈值“r”，若是，则确定三维肿瘤医学图像的图像类型为第二图像类型，第二图像类型中的肿瘤呈现出平坦形态；若否，则确定三维肿瘤医学图像的图像类型为第三图像类型，第三图像类型中的肿瘤呈现出隆起形态。
上述实施例中的肿瘤图像智能分类方法，服务器通过获取目标部位的三维肿瘤医学图像，以便于通过已训练的肿瘤检测模型，获取三维肿瘤医学图像的肿瘤区域图像，进而根据肿瘤区域图像，获取三维肿瘤医学图像的垂直剖面图，再对垂直剖面图中的肿瘤边界线进行拟合，以对拟合后的肿瘤边界线进行均匀划分，得到各个肿瘤边界线段，即可分析各肿瘤边界线段的斜率，确定三维肿瘤医学图像的图像类型。本方法结合计算机视觉技术实现对肿瘤图像的智能分类，不仅能够提高肿瘤图像的分类准确率，还能够提升肿瘤图像的分类效率。
为了更好实施本申请实施例提供的肿瘤图像智能分类方法，在本申请实施例所提肿瘤图像智能分类方法的基础之上，本申请实施例中还提供一种肿瘤图像智能分类装置，如图7所示，该肿瘤图像智能分类装置700包括：
图像获取模块710，用于获取目标部位的三维肿瘤医学图像；
肿瘤检测模块720，用于通过已训练的肿瘤检测模型，获取三维肿瘤医学图像的肿瘤区域图像；
图像分析模块730，用于根据肿瘤区域图像，获取三维肿瘤医学图像的垂直剖面图；
线段获取模块740，用于对垂直剖面图中的肿瘤边界线进行拟合，以对拟合后的肿瘤边界线进行均匀划分，得到各个肿瘤边界线段；
图像分类模块750，用于分析各肿瘤边界线段的斜率，确定三维肿瘤医学图像的图像类型。
在本申请一些实施例中，图像分类模块750还用于将肿瘤区域图像所在的平面作为横坐标轴，获取各肿瘤边界线段相对于横坐标轴的斜率；若斜率中包含有小于预设斜率阈值的目标斜率，则确定目标斜率对应的肿瘤边界线段为目标肿瘤边界线段；根据目标肿瘤边界线段的线段数量，确定三维肿瘤医学图像的图像类型。
在本申请一些实施例中，图像分类模块750还用于筛选出连续的目标肿瘤边界线段，作为连续肿瘤边界线段；根据连续肿瘤边界线段，获取待比较的线段数量；若线段数量大于或等于预设的线段数量阈值，则确定三维肿瘤医学图像的图像类型为第一图像类型；若线段数量小于线段数量阈值，则根据目标肿瘤边界线段的线段总长度，确定三维肿瘤医学图像的图像类型。
在本申请一些实施例中，图像分类模块750还用于若线段数量小于线段数量阈值，则统计目标肿瘤边界线段的线段总长度；确定拟合后的肿瘤边界线的线段长度，作为初始线段总长度；获取线段总长度相对于初始线段总长度的长度占比值；若长度占比值大于预设的长度占比阈值，则确定三维肿瘤医学图像的图像类型为第二图像类型；若长度占比值小于或等于长度占比阈值，则确定三维肿瘤医学图像的图像类型为第三图像类型。
在本申请一些实施例中，图像分析模块730还用于获取肿瘤区域图像在三维肿瘤医学图像中的俯视尺寸信息；俯视尺寸信息包括俯视宽度信息和俯视长度信息；确定俯视宽度信息与俯视长度信息中的最大值，作为肿瘤区域图像的最小外接矩形长轴；根据最小外接矩形长轴，获取垂直于肿瘤区域图像的参考切面；根据参考切面与三维肿瘤医学图像之间的相交区域信息，获取三维肿瘤医学图像的垂直剖面图。
在本申请一些实施例中，线段获取模块740还用于通过预设的曲线平滑方程，对垂直剖面图中的肿瘤边界线进行拟合，得到拟合后的肿瘤边界线；根据预设的取点数量，确定拟合后的肿瘤边界线中的各个划分点；根据各划分点，对拟合后的肿瘤边界线进行均匀划分，得到各肿瘤边界线段。
在本申请一些实施例中，图像获取模块710还用于获取各个角度下的目标部位的肿瘤医学图像；通过运动结构恢复算法，对各肿瘤医学图像进行三维建模，得到目标部位的三维肿瘤医学图像。
上述实施例，通过结合计算机视觉技术实现对肿瘤图像的智能分类，不仅能够提高肿瘤图像的分类准确率，还能够提升肿瘤图像的分类效率。
在本申请一些实施例中，肿瘤图像智能分类装置700可以实现为一种计算机程序的形式，计算机程序可在如图8所示的医学图像处理设备上运行。医学图像处理设备的存储器中可存储组成该肿瘤图像智能分类装置700的各个程序模块，比如，图7所示的图像获取模块710、肿瘤检测模块720、图像分析模块730、线段获取模块740以及图像分类模块750。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的肿瘤图像智能分类方法中的步骤。
例如，图8所示的医学图像处理设备可以通过如图7所示的肿瘤图像智能分类装置700中的图像获取模块710执行步骤S201。医学图像处理设备可通过肿瘤检测模块720执行步骤S202。医学图像处理设备可通过图像分析模块730执行步骤S203。医学图像处理设备可通过线段获取模块740执行步骤S204。医学图像处理设备可通过图像分类模块750执行步骤S205。该医学图像处理设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该医学图像处理设备的处理器用于提供计算和控制能力。该医学图像处理设备的存储器包括非易失性存储介质和内存储器。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。该医学图像处理设备的网络接口用于与外部的医学图像处理设备通过网络连接通信。该计算机程序被处理器执行时以实现一种肿瘤图像智能分类方法。
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医学图像处理设备的限定，具体的医学图像处理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。
在本申请一些实施例中，提供了一种医学图像处理设备，包括一个或多个处理器；存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述肿瘤图像智能分类方法的步骤。此处肿瘤图像智能分类方法的步骤可以是上述各个实施例的肿瘤图像智能分类方法中的步骤。
在本申请一些实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器进行加载，使得处理器执行上述肿瘤图像智能分类方法的步骤。此处肿瘤图像智能分类方法的步骤可以是上述各个实施例的肿瘤图像智能分类方法中的步骤。
本邻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。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易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）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。
以上对本申请实施例所提供的一种肿瘤图像智能分类方法、装置和医学图像处理设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种肿瘤图像智能分类方法，其特征在于，包括：
获取目标部位的三维肿瘤医学图像；
通过已训练的肿瘤检测模型，获取所述三维肿瘤医学图像的肿瘤区域图像；
根据所述肿瘤区域图像，获取所述三维肿瘤医学图像的垂直剖面图；
对所述垂直剖面图中的肿瘤边界线进行拟合，以对拟合后的肿瘤边界线进行均匀划分，得到各个肿瘤边界线段；
分析各所述肿瘤边界线段的斜率，确定所述三维肿瘤医学图像的图像类型。
2.如权利要求1所述的方法，其特征在于，所述分析各所述肿瘤边界线段的斜率，确定所述三维肿瘤医学图像中的肿瘤类型，包括：
将所述肿瘤区域图像所在的平面作为横坐标轴，获取各所述肿瘤边界线段相对于所述横坐标轴的斜率；
若所述斜率中包含有小于预设斜率阈值的目标斜率，则确定所述目标斜率对应的肿瘤边界线段为目标肿瘤边界线段；
根据所述目标肿瘤边界线段的线段数量，确定所述三维肿瘤医学图像的图像类型。
3.如权利要求2所述的方法，其特征在于，所述根据所述目标肿瘤边界线段的线段数量，确定所述三维肿瘤医学图像的图像类型，包括：
筛选出连续的目标肿瘤边界线段，作为连续肿瘤边界线段；
获取所述连续肿瘤边界线段的线段数量；
若所述连续肿瘤边界线段的线段数量大于或等于预设的线段数量阈值，则确定所述三维肿瘤医学图像的图像类型为第一图像类型；
若所述连续肿瘤边界线段的线段数量小于所述线段数量阈值，则根据所述目标肿瘤边界线段的线段总长度，确定所述三维肿瘤医学图像的图像类型。
4.如权利要求3所述的方法，其特征在于，所述若所述连续肿瘤边界线段的线段数量小于所述线段数量阈值，则根据所述目标肿瘤边界线段的线段总长度，确定所述三维肿瘤医学图像的图像类型，包括：
若所述连续肿瘤边界线段的线段数量小于所述线段数量阈值，则统计所述目标肿瘤边界线段的线段总长度；
确定所述拟合后的肿瘤边界线的线段长度，作为初始线段总长度；
获取所述线段总长度相对于所述初始线段总长度的长度占比值；
若所述长度占比值大于预设的长度占比阈值，则确定所述三维肿瘤医学图像的图像类型为第二图像类型；
若所述长度占比值小于或等于所述长度占比阈值，则确定所述三维肿瘤医学图像的图像类型为第三图像类型。
5.如权利要求1所述的方法，其特征在于，所述根据所述肿瘤区域图像，获取所述三维肿瘤医学图像的垂直剖面图，包括：
获取所述肿瘤区域图像在所述三维肿瘤医学图像中的俯视尺寸信息；所述俯视尺寸信息包括俯视宽度信息和俯视长度信息；
确定所述俯视宽度信息与所述俯视长度信息中的最大值，作为所述肿瘤区域图像的最小外接矩形长轴；
根据所述最小外接矩形长轴，获取垂直于所述肿瘤区域图像的参考切面；
根据所述参考切面与所述三维肿瘤医学图像之间的相交区域信息，获取所述三维肿瘤医学图像的垂直剖面图。
6.如权利要求1所述的方法，其特征在于，所述对所述垂直剖面图中的肿瘤边界线进行拟合，以对拟合后的肿瘤边界线进行均匀划分，得到各个肿瘤边界线段，包括：
通过预设的曲线平滑方程，对所述垂直剖面图中的肿瘤边界线进行拟合，得到拟合后的肿瘤边界线；
根据预设的取点数量，确定所述拟合后的肿瘤边界线中的各个划分点；
根据各所述划分点，对所述拟合后的肿瘤边界线进行均匀划分，得到各所述肿瘤边界线段。
7.如权利要求1至6中任一项所述的方法，其特征在于，所述获取目标部位的三维肿瘤医学图像，包括：
获取各个角度下的目标部位的肿瘤医学图像；
通过运动结构恢复算法，对各所述肿瘤医学图像进行三维建模，得到所述目标部位的三维肿瘤医学图像。
8.一种肿瘤图像智能分类装置，其特征在于，包括：
图像获取模块，用于获取目标部位的三维肿瘤医学图像；
肿瘤检测模块，用于通过已训练的肿瘤检测模型，获取所述三维肿瘤医学图像的肿瘤区域图像；
图像分析模块，用于根据所述肿瘤区域图像，获取所述三维肿瘤医学图像的垂直剖面图；
线段获取模块，用于对所述垂直剖面图中的肿瘤边界线进行拟合，以对拟合后的肿瘤边界线进行均匀划分，得到各个肿瘤边界线段；
图像分类模块，用于分析各所述肿瘤边界线段的斜率，确定所述三维肿瘤医学图像的图像类型。
9.一种医学图像处理设备，其特征在于，所述医学图像处理设备包括：
一个或多个处理器；
存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至7中任一项所述的肿瘤图像智能分类方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的肿瘤图像智能分类方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111351417.9A CN113808130B (zh) | 2021-11-16 | 2021-11-16 | 肿瘤图像智能分类方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111351417.9A CN113808130B (zh) | 2021-11-16 | 2021-11-16 | 肿瘤图像智能分类方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113808130A true CN113808130A (zh) | 2021-12-17 |
| CN113808130B CN113808130B (zh) | 2022-02-08 |
Family
ID=78898560
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111351417.9A Active CN113808130B (zh) | 2021-11-16 | 2021-11-16 | 肿瘤图像智能分类方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113808130B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115953418A (zh) * | 2023-02-01 | 2023-04-11 | 公安部第一研究所 | 安检ct三维图像中笔记本区域剥离方法、存储介质及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008386A (zh) * | 2014-05-13 | 2014-08-27 | 中国科学院深圳先进技术研究院 | 肿瘤类型识别方法和系统 |
| CN107203997A (zh) * | 2016-03-16 | 2017-09-26 | 上海联影医疗科技有限公司 | 一种左右半脑的分割方法 |
| CN107411707A (zh) * | 2017-05-08 | 2017-12-01 | 武汉大学 | 一种肿瘤微血管成像仪及肿瘤微血管成像方法 |
| CN108830853A (zh) * | 2018-07-20 | 2018-11-16 | 东北大学 | 一种基于人工智能的黑色素瘤辅助诊断方法 |
| CN109523521A (zh) * | 2018-10-26 | 2019-03-26 | 复旦大学 | 基于多切片ct图像的肺结节分类和病灶定位方法和系统 |
| WO2019239147A1 (en) * | 2018-06-14 | 2019-12-19 | Fuel 3D Technologies Limited | Systems and methods for segmentation and measurement of a skin abnormality |
| CN112509084A (zh) * | 2020-11-23 | 2021-03-16 | 西安科锐盛创新科技有限公司 | 一种颅内血管图像流空伪影消除方法和系统 |
| CN113435491A (zh) * | 2021-06-20 | 2021-09-24 | 上海体素信息科技有限公司 | 医学图像处理方法和装置 |
-
2021
- 2021-11-16 CN CN202111351417.9A patent/CN113808130B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008386A (zh) * | 2014-05-13 | 2014-08-27 | 中国科学院深圳先进技术研究院 | 肿瘤类型识别方法和系统 |
| CN107203997A (zh) * | 2016-03-16 | 2017-09-26 | 上海联影医疗科技有限公司 | 一种左右半脑的分割方法 |
| CN107411707A (zh) * | 2017-05-08 | 2017-12-01 | 武汉大学 | 一种肿瘤微血管成像仪及肿瘤微血管成像方法 |
| WO2019239147A1 (en) * | 2018-06-14 | 2019-12-19 | Fuel 3D Technologies Limited | Systems and methods for segmentation and measurement of a skin abnormality |
| CN108830853A (zh) * | 2018-07-20 | 2018-11-16 | 东北大学 | 一种基于人工智能的黑色素瘤辅助诊断方法 |
| CN109523521A (zh) * | 2018-10-26 | 2019-03-26 | 复旦大学 | 基于多切片ct图像的肺结节分类和病灶定位方法和系统 |
| CN112509084A (zh) * | 2020-11-23 | 2021-03-16 | 西安科锐盛创新科技有限公司 | 一种颅内血管图像流空伪影消除方法和系统 |
| CN113435491A (zh) * | 2021-06-20 | 2021-09-24 | 上海体素信息科技有限公司 | 医学图像处理方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 黄怡: "基于显微高光谱成像的皮肤黑色素瘤识别方法研究", 《中国优秀博硕士学位论文全文数据库（硕士）医药卫生科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115953418A (zh) * | 2023-02-01 | 2023-04-11 | 公安部第一研究所 | 安检ct三维图像中笔记本区域剥离方法、存储介质及设备 |
| CN115953418B (zh) * | 2023-02-01 | 2023-11-07 | 公安部第一研究所 | 安检ct三维图像中笔记本区域剥离方法、存储介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113808130B (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020238734A1 (zh) | 图像分割模型的训练方法、装置、计算机设备和存储介质 | |
| KR102605969B1 (ko) | 이미지 분류 방법, 장치 및 디바이스, 저장 매체, 그리고 의료 전자 디바이스 | |
| WO2020038240A1 (zh) | 图像处理方法、装置、计算机可读存储介质及计算机设备 | |
| US20220092789A1 (en) | Automatic pancreas ct segmentation method based on a saliency-aware densely connected dilated convolutional neural network | |
| EP3998579B1 (en) | Medical image processing method, apparatus and device, medium and endoscope | |
| CN111080584B (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
| WO2020259453A1 (zh) | 3d图像的分类方法、装置、设备及存储介质 | |
| CN110838125A (zh) | 医学图像的目标检测方法、装置、设备、存储介质 | |
| CN113920309B (zh) | 图像检测方法、装置、医学图像处理设备及存储介质 | |
| KR102389067B1 (ko) | 척추 측만증 평가 방법 및 이를 이용한 척추 측만증 평가용 디바이스 | |
| CN111488872B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
| CN111260636A (zh) | 模型训练方法及设备、图像处理方法及设备以及介质 | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| CN114445406B (zh) | 肠镜图像分析方法、装置和医学图像处理设备 | |
| CN113808130B (zh) | 肿瘤图像智能分类方法、装置、设备和存储介质 | |
| CN113593707A (zh) | 胃早癌模型训练方法、装置、计算机设备及存储介质 | |
| JP2003502723A (ja) | 統計的湾曲解析を用いた三次元形状計測 | |
| CN114511556B (zh) | 胃黏膜出血风险预警方法、装置和医学图像处理设备 | |
| US11348259B2 (en) | Device and method for alignment of multi-modal clinical images using joint synthesis, segmentation, and registration | |
| CN110415239B (zh) | 图像处理方法、装置、设备、医疗电子设备以及介质 | |
| CN114708973B (zh) | 一种用于对人体健康进行评估的设备和存储介质 | |
| Căliman et al. | Fractal feature-based color image segmentation for a healthcare application in dermatology | |
| WO2024094088A1 (en) | Systems and methods for image analysis | |
| US20240273720A1 (en) | Method for determining lesion region, and model training method and apparatus | |
| CN115018795B (zh) | 医学影像中的病灶的匹配方法、装置、设备及存储介质 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220629 Address after: 430000 No. 03, floor 5, building B10, phase I, Wuhan hi tech medical equipment Park, No. 818, Gaoxin Avenue, Wuhan East Lake New Technology Development Zone, Wuhan, Hubei (Wuhan area, free trade zone) Patentee after: Wuhan Chujingling Medical Technology Co.,Ltd. Address before: 430072 no.299 Bayi Road, Luojiashan street, Wuhan City, Hubei Province Patentee before: WUHAN University |
|
| TR01 | Transfer of patent right |