CN113962958B - 一种征象检测方法及装置 - Google Patents
一种征象检测方法及装置 Download PDFInfo
- Publication number
- CN113962958B CN113962958B CN202111228661.6A CN202111228661A CN113962958B CN 113962958 B CN113962958 B CN 113962958B CN 202111228661 A CN202111228661 A CN 202111228661A CN 113962958 B CN113962958 B CN 113962958B
- Authority
- CN
- China
- Prior art keywords
- region
- interest
- sign
- feature points
- target
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种征象检测方法及装置,涉及计算机技术领域。该方法的一具体实施方式包括:确定图像中的感兴趣区域;根据所述感兴趣区域计算征象参考值;从所述感兴趣区域中提取至少两个征象特征点,所述征象特征点的像素值不小于所述征象参考值;从所述感兴趣区域中确定目标像素点,并根据所述目标像素点与所述至少两个征象特征点之间的角度,确定所述感兴趣区域中是否存在目标征象;在所述感兴趣区域存在所述目标征象的情况下,对所述目标征象对应的区域进行标识,并展示标识后的图像。该实施方式提高了征象识别效率,并提高了征象识别的准确性。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种征象检测方法及装置。
背景技术
医生在诊断过程中,经常会借助MR(Magnetic Resonance,磁共振)影像来查看病症。例如,医生会从MR影像中识别出多个征象(如“非环状高强化”征象),进而根据识别出的多个征象来确定病症。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
医生通过个人经验从MR影像中识别征象的方式,一方面效率较低,另一方面也可能会出现遗漏征象或者错识征象的情况,导致征象识别的准确性较低。
发明内容
有鉴于此,本发明实施例提供一种征象检测方法及装置,能够从图像中确定感兴趣区域,并根据感兴趣区域中的征象特征点和目标像素点之间的角度,确定感兴趣区域中是否存在目标征象。在感兴趣区域中存在目标征象的情况下,可对目标征象区域进行标识,并展示标识后的图像。由此实现了自动识别图像中的目标征象,并为医生提供标识有目标征象的图像,而无需医生根据个人经验从图像中识别征象,从而一方面提高了征象识别效率,另一方面也提高了征象识别的准确性。
为实现上述目的,根据本发明实施例的一个方面,提供了一种征象检测方法。
本发明实施例的一种征象检测方法包括:确定图像中的感兴趣区域;
根据所述感兴趣区域计算征象参考值;
从所述感兴趣区域中提取至少两个征象特征点,所述征象特征点的像素值不小于所述征象参考值;
从所述感兴趣区域中确定目标像素点,并根据所述目标像素点与所述至少两个征象特征点之间的角度,确定所述感兴趣区域中是否存在目标征象;
在所述感兴趣区域存在所述目标征象的情况下,对所述目标征象对应的区域进行标识,并展示标识后的图像。
可选地,所述根据所述感兴趣区域计算征象参考值,包括:
在所述图像中扩展所述感兴趣区域;
根据扩展得到的扩展区域中各个像素点的像素值,计算所述征象参考值。
可选地,所述在所述图像中扩展所述感兴趣区域,包括:
根据所述感兴趣区域的尺寸,确定扩展参数;
根据所述扩展参数,以所述感兴趣区域为中心在所述图像中进行扩展。
可选地,所述从所述感兴趣区域中提取征象特征点,包括:
从所述感兴趣区域中提取梯度图像;
从所述梯度图像中提取梯度值大于预设梯度阈值的像素点,并从提取的像素点中确定像素值大于所述征象参考值的所述征象特征点。
可选地,所述感兴趣区域通过边框回归算法确定;在所述从所述感兴趣区域中提取梯度图像之前,还包括:
根据所述感兴趣的边框回归标识扩展所述感兴趣区域,使得扩展后的感兴趣区域包括图像变化边缘;
所述从所述感兴趣区域中提取梯度图像,包括:
根据扩展后的感兴趣区域提取所述梯度图像。
可选地,所述根据所述目标像素点与所述征象特征点之间的角度,确定所述感兴趣区域中是否存在目标征象,包括:
对每两个所述征象特征点与所述目标像素点之间的夹角进行积分;
根据积分结果,确定每两个所述征象特征点是否连续;
根据连续的所述征象特征点与所述目标像素点之间的夹角,确定所述感兴趣区域中是否存在目标征象。
可选地,所述积分为二重积分,所述征象特征点为至少三个;所述根据积分结果,确定每两个所述征象特征点是否连续,包括:
针对至少三个所述征象特征点对应的至少两个所述积分结果:确定所述至少两个积分结果分别对应的弧面椎体是否对应于同一球体,所述球体以所述目标像素点为球心;
如果是,确定至少三个所述征象特征点连续;
否则,从至少三个所述征象特征点中确定非连续的征象特征点。
可选地,所述根据连续的所述征象特征点与所述目标像素点之间的夹角,确定所述感兴趣区域中是否存在目标征象,包括:
计算每一对连续的所述征象特征点与所述目标像素点之间的夹角;
在各夹角之和不大于预设角度阈值的情况下,确定所述感兴趣区域存在所述目标征象。
可选地,将所述感兴趣区域的中心或重心作为所述目标像素点。
为实现上述目的,根据本发明实施例的又一方面,提供了一种征象检出装置。
本发明实施例的一种征象检出装置包括:感兴趣区域确定模块、参考值计算模块、特征点提取模块、目标征象确定模块以及展示模块;其中,
所述感兴趣确定模块,用于确定图像中的感兴趣区域;
所述参考值计算模块,用于根据所述感兴趣区域计算征象参考值
所述特征点提取模块,用于从所述感兴趣区域中提取至少两个征象特征点,所述征象特征点的像素值不小于所述征象参考值;
所述目标征象确定模块,用于从所述感兴趣区域中确定目标像素点,并根据所述目标像素点与所述至少两个征象特征点之间的角度,确定所述感兴趣区域中是否存在目标征象;
所述展示模块,用于在所述感兴趣区域存在所述目标征象的情况下,对所述目标征象对应的区域进行标识,并展示标识后的图像。
为实现上述目的,根据本发明实施例的又一方面,提供了一种检测征象的电子设备。
本发明实施例的一种检测征象的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例的一种征象检出方法。
为实现上述目的,根据本发明实施例的再一方面,提供了一种计算机可读存储介质。
本发明实施例的一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例的一种征象检出方法。
上述发明中的一个实施例具有如下优点或有益效果:能够从图像中确定感兴趣区域,并根据感兴趣区域中的征象特征点和目标像素点之间的角度,确定感兴趣区域中是否存在目标征象。在感兴趣区域中存在目标征象的情况下,可对目标征象区域进行标识,并展示标识后的图像。由此实现了自动识别图像中的目标征象,并为医生提供标识有目标征象的图像,而无需医生根据个人经验从图像中识别征象,从而一方面提高了征象识别效率,另一方面也提高了征象识别的准确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是本发明实施例可以应用于其中的示例性系统架构图;
图2是根据本发明实施例的一种征象检测方法的主要步骤的示意图;
图3是根据本发明实施例的一种包括感兴趣区域的图像示意图;
图4是根据本发明实施例的一种包括扩展区域的图像示意图;
图5是根据本发明实施例的一种征象特征点和目标像素点的分布示意图;
图6是根据本发明实施例的一种征象检测装置的主要模块的示意图;
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要指出的是,在不冲突的情况下,本发明的实施例以及实施例中的技术特征可以相互结合。
图1是本发明实施例提供的一种征象检测方法以及征征象检测装置的应用场景示意图。如图1所示,在该应用场景中可包括:成像系统110,网络120,图像处理服务器130,终端设备140、150、160以及数据库170。其中,网络120用以在成像系统110、图像处理服务器130、终端设备140、150、160以及数据库170之间提供通信链路的介质。网络120可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
其中,成像系统110可包括扫描设备111以及将扫描设备111扫描得到的扫描数据转换为像素,以形成医学图像序列的显像服务器112。比如,该成像系统110可为正子发射断层扫描计算机成像系统(Positron emission tomograph10,PET)、正子发射电脑断层扫描计算机成像系统(Positron emission tomograph10 with computerized tomograph10,PET/CT)、单一光子发射电脑断层扫描计算机成像系统(Single photon emissioncomputed tomograph10 with computerized tomograph10,SPECT/CT)、计算机断层扫描系统(Computerized tomograph10,CT)、医学超音波检查计算机成像系统(Medicalultrasonograph10)、核磁共振成像系统(Nuclear magnetic resonance imaging,NMRI)、磁共振成像系统(Magnetic Resonance Imaging,MRI)、心血管造影成像系统(Cardiacangiograph10,CA)、数字放射显影系统(Digital radiograph10,DR)等。在本发明实施例的应用场景中,上述各种成像系统均可通过网络与图像处理服务器130、终端设备140、150、160以及数据库170进行通信。
其中,扫描设备111可为数字减影血管造影扫描仪、磁共振血管造影扫描仪、断层血管扫描仪、正子发射断层扫描仪、正子发射电脑断层扫描仪、单一光子发射电脑断层扫描仪、计算机断层扫描仪、医学超音波检查设备、核磁共振成像扫描仪、磁共振成像扫描仪、数字放射显影扫描仪等。其中,扫描设备111与显像服务器112的组合可形成上述的成像系统110。
上述成像系统110形成的图像可存储到数据库170中,以供后续图像处理服务器130以及终端设备140、150、160从数据库170中调取所需的一个或多个图像形成视图或者视图集合。另外,上述成像系统110还可直接将图像提供给图像处理服务器130或者终端设备140、150、160等。
上述数据库170可以为常规数据库也可以为部署在存储云上的数据库。
上述图像处理服务器130可对成像系统110形成的图像进行识别、标识、压缩、像素修正、三维重建等处理的服务器。该图像处理服务器130可以将处理后的图像存储到数据库170中和/或将处理后的图像提供给终端设备140、150、160等。
用户可以使用终端设备140、150、160通过网络120从成像系统110和/或数据库170和/或图像处理服务器130中获取包括图像的视图或者视图集合,以及用户还可以使用终端设备140、150、160设置图像展示所需的一些参数或者参考数据等,终端设备140、150、160将设置的图像展示的一些参数或者参考数据等发送给成像系统110或者图像处理服务器130,以使成像系统110或者图像处理服务器130进一步对图像进行处理,例如进一步处理像素、校正等。
终端设备140、150、160可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机、医学图像打印设备等等。
需要说明的是,本发明实施例所提供的征象检测方法一般由成像系统110或者图像处理服务器130执行,相应地,征象检测方法一般设置于成像系统110或者图像处理服务器130中。
应该理解,图1中的成像系统、网络、图像处理服务器、终端设备以及数据库的数目仅仅是示意性的。根据实现需要,可以具有任意数目的成像系统、网络、图像处理服务器、终端设备以及数据库。
本发明实施例提供的通过上述成像系统110或者图像处理服务器130实现的征象检测方法可如2所示。从图2可以看出,该征象检测方法可以包括以下步骤:
步骤S201:确定图像中的感兴趣区域。
其中,本发明实施例中的图像可以为医学图像,例如,基于CT扫描图像而重建的三维图像,或者三维图像的剖面图像(即二维图像)。图像中的感兴趣区域可以为医学图像中的病灶区域。感兴趣区域可以通过预训练的深度神经网络或图像分割模型或边框回归模型对图像进行处理而得到,也可以对图像直接进行分割而得到。例如,如图3所示,图像可以为人体器官A的CT扫描图像,感兴趣区域为其中的病灶区域,且感兴趣区域通过边框回归标识(病灶区域边缘的矩形框)进行标识。
步骤S202:根据所述感兴趣区域计算征象参考值。
在本发明实施例中,待识别的目标征象为非环状高强化征象或环状高强化征象。为了识别高强化征象,需要根据感兴趣区域确定出征象参考值。在本发明一个实施方式中,可以先在图像中扩展感兴趣区域,并根据扩展得到的扩展区域中各个像素点的像素值,计算征象参考值。
具体地,可以通过以下几种方式来对感兴趣区域进行扩展:
方式一:根据感兴趣区域的尺寸,确定扩展参数,并根据扩展参数,以感兴趣区域为中心在图像中进行扩展。
仍以图3所示的器官图像为例,若感兴趣区域的尺寸为10×10个像素点,那么,可以将扩展参数确定为10个像素点,根据该扩展参数以感兴趣区域为中心扩展后,可得到如图4所示的除感兴趣区域以外的扩展区域。当然,在确定感兴趣区域的尺寸后,除了如图4所示的扩展方式,也可以将感兴趣区域的尺寸作为扩展区域的尺寸,以此确定扩展参数。例如,在感兴趣区域的尺寸为10×10个像素点的情况下,确定最终的扩展区域也为10×10个像素点,也即,扩展区域与感兴趣区域共包括20×10个像素点,以此来确定扩展参数,如扩展参数可确定为左右各扩展5个像素点,上下不扩展;或者扩展参数可确定为上下各扩展5个像素点,左右不扩展。
方式二:根据感兴趣区域所占图像的比例,确定扩展参数,进而根据扩展参数,以感兴趣区域为中心在图像中进行扩展。
例如,当感兴趣区域所占图像比例较大时(如比例大于30%时),可将扩展参数设置得较小,以避免根据扩展参数进行扩展时,扩展区域超出图像范围。反之,当感兴趣区域所占图像比例较小时(如比例小于5%时),可将扩展参数设置得较大,以得到较大尺寸的扩展区域,从而有利于提高征象参考值的准确性。
方式三:根据预先配置的扩展参数,以感兴趣区域为中心在图像中进行扩展。
在此方式下,扩展参数为预先配置的,例如不同器官的图像对应于不同扩展参数,在扩展时直接根据配置好的扩展参数进行扩展即可,以提高感兴趣区域的扩展效率。
在扩展得到扩展区域后,可根据扩展区域中各个像素点的像素值,计算征象参考值。例如,可以计算扩展区域中各个像素点的像素平均值,并将该像素平均值作为征象参考值。
在本发明实施例中,除了根据扩展区域计算征象参考值,还可以通过其他方式来计算征象参考值。例如,直接根据图像中除感兴趣区域以外的其他像素点的像素平均值来确定征象参考值。
步骤S203:从所述感兴趣区域中提取至少两个征象特征点,所述征象特征点的像素值不小于所述征象参考值。
如上所述,在本发明实施例中,待识别的目标征象为非环状高强化征象或环状高强化征象。为了识别高强化特征,步骤S103从感兴趣区域中提取像素值不小于征象参考值的征象特征点。
为了提高征象识别准确性,在本发明实施例中,步骤S103的具体实施方式可以包括:从感兴趣区域中提取梯度图像,然后从梯度图像中提取梯度值大于预设梯度阈值的像素点,并从提取的像素点中确定像素值大于征象参考值的征象特征点。
在此实施方式中,通过提取梯度图像对感兴趣区域进行增强,并有利于实现感兴趣区域的边缘检测。并且,在提取征象特征点的过程中,先从梯度图像中提取梯度值大于预设梯度阈值的像素点,梯度值越大,对比度越明显,以有利于征象轮廓和边缘的识别,由此有利于提高征象识别的准确性。在实际应用时,对于不同的图像类型可以配置不同的梯度阈值。例如,对于CT(Computed Tomography,电子计算机断层扫描)图像,可以将梯度阈值配置为100左右。对于MR图像,可先对其像素值进行归一化处理,再根据归一化处理的结果配置梯度阈值,例如,归一化处理结果为0~1000时,可将梯度阈值配置为40~120;归一化处理结果为0~1时,可将梯度阈值配置为0.05~0.1。
在本发明一个优选的实施方式中,为了进一步提高征象识别的准确性,可以根据所述感兴趣的边框回归标识扩展所述感兴趣区域,使得扩展后的感兴趣区域包括图像变化边缘,并根据扩展后的感兴趣区域提取梯度图像。
可以理解的是,在实际的图像处理过程中,感兴趣区域并非均如图3和图4所示的呈规则形状。而边框回归标识一般呈矩形,那么,通过边框回归算法识别出感兴趣区域,并进而通过矩形框对感兴趣区域进行标识时,可能出现矩形框并未完全标识出感兴趣区域的边缘,也即,图像中的感兴趣区域和非感兴趣区域的图像变化边缘可能并未完全处于呈矩形的边框回归标识中。而经过边框回归算法可得到标识感兴趣区域的边框回归标识的左上、右下两个点坐标,因此,可基于这两个点坐标对感兴趣区域进行扩展,例如,将左上点往左上移动几个像素,并将右下点往右下移动几个像素,并以移动后的左上点和右下点绘制矩形边框回归标识,则重新绘制的边框回归矩形标识所对应的区域即为扩展后的感兴趣区域。进一步根据扩展后的感兴趣区域提取梯度图像,从而可使得扩展后的感兴趣区域包括图像变化边缘,也即,感兴趣区域全部被边框回归标识囊括,避免在先提取梯度图像或征象特征点时,漏选感兴趣区域中的像素点,从而提高征象识别的准确度。
步骤S204:从所述感兴趣区域中确定目标像素点,并根据所述目标像素点与所述至少两个征象特征点之间的角度,确定所述感兴趣区域中是否存在目标征象。
其中,目标像素点可以为感兴趣区域的重心和中心。在本发明一个优选的实施例中,由于感兴趣区域的组织分布并非均匀分布,为了提高征象识别的准确性,将重心作为感兴趣区域中的目标像素点。
在本发明一个实施例中,上述步骤S204的具体实施方式可以包括:对每两个所述征象特征点与所述目标像素点之间的夹角进行积分;根据积分结果,确定每两个所述征象特征点是否连续;根据连续的所述征象特征点与所述目标像素点之间的夹角,确定所述感兴趣区域中是否存在目标征象。
多个征象特征点和目标像素点的位置分布可如图5所示,在图5中,处于中心的实心点M为目标像素点,其他空心点(如A、B、C)为征象特征点。目标像素点M与征象特征A和征象特征点B所形成的夹角为角α,目标像素点M与征象特征B和征象特征点C所形成的夹角为角β,目标像素点M与征象特征C和征象特征点D所形成的夹角为角γ,目标像素点M与征象特征D和征象特征点E所形成的夹角为角δ。
对这些夹角进行积分,进而可根据积分结果确定这些征象特征点是否连续。在本发明一个实施例中,在征象特征点为至少三个的情况下,可根据以下方式确定征象特征点是否连续:针对至少三个所述征象特征点对应的至少两个所述积分结果:确定所述至少两个积分结果分别对应的弧面椎体是否对应于同一球体,所述球体以所述目标像素点为球心;如果是,确定至少三个所述征象特征点连续;否则,从至少三个所述征象特征点中确定非连续的征象特征点。
具体地,对两个征象特征点与目标像素点之间夹角进行二重积分,那么,每个夹角及其对应的边(目标像素点到征象特征点之间的线段)经二重积分可得到相应的弧面椎体,也即,每个夹角的积分结果对应有一个弧面椎体。那么,在征象特征点为至少三个的情况下,相应的弧面椎体至少有两个,例如,在征象特征点为图5中的B、C和D的情况下,生成的弧面椎体分别为MBC和MCD围成的弧面椎体。然后,可判断弧面椎体MBC和弧面椎体MCD是否对应于同一球体来判断B、C和D是否连续。在此例中,如图5所示,征象特征点C和征象特征点D距离目标像素点M的距离显然不同,因此,弧面椎体MCD的弧面不可能处于一个球体表面,那么,弧面椎体MBC和弧面椎体MCD也不可能对应同一球体,因此,征象特征点C和征象特征点D不连续。
在征象特征点多于三个的情况下,例如,征象特征点还包括图5所示的A和E时,与上述方式类似地,可确定出征象特征点A和征象特征点B连续,以及征象特征点D和征象特征点E不连续。而由于征象特征点B和征象特征点C也连续,且征象特征点A、征象特征点B相邻,征象特征点B和征象特征点C相邻,因此,征象特征点A、征象特征点B和征象特征点C三点连续。
另外,除了上述确定征象特征点是否连续的方式,在本发明实施例中,还可以通过多个征象特征点是否处于同一个圆周上来判断这些征象特征点是否连续。
在确定出多个征象特征点中的连续点之后,可以计算每一对连续的所述征象特征点与所述目标像素点之间的夹角;在各夹角之和不大于预设角度阈值的情况下,确定所述感兴趣区域存在所述目标征象。
仍以图5所示的征象特征点为例,其中,征象特征点A、征象特征点B和征象特征点C连续,其与目标像素点形成的夹角为α和γ,则可通过判断α和β之和是否大于预设角度阈值的方式,确定感兴趣区域中是否存在目标征象,若α和β之和不大于预设角度阈值,则说明感兴趣区域中存在非环状高强化类型的目标征象。其中,角度阈值可根据经验值来设定,例如,将角度阈值可以设置为280~300°。
另外,还可根据弧面椎体MAB和弧面椎体MBC的弧面面积之和占其对应球体的表面积比例,来判断感兴趣区域中是否存在非环状高强化类型的目标征象。例如,预配置比例阈值为75%~85%,那么,计算弧面椎体MAB和弧面椎体MBC的弧面面积之和与其对应球体的表面积之比,在该比例不大于75%的情况下,则可确定感兴趣区域中存在非环状高强化类型的目标征象。
步骤S205:在所述感兴趣区域存在所述目标征象的情况下,对所述目标征象对应的区域进行标识,并展示标识后的图像。
在确定出感兴趣存在非环状高强化类型的目标征象之后,可对该目标征象进行标识,例如,用高亮的边框对该目标征象进行标识,或者添加箭头等指示性标识对该目标征象进行标识,以在展示标识的图像后,便于用户(医生)查看该目标征象。
根据本发明实施例的一种征象检测方法可以看出,能够从图像中确定感兴趣区域,并根据感兴趣区域中的征象特征点和目标像素点之间的角度,确定感兴趣区域中是否存在目标征象。在感兴趣区域中存在目标征象的情况下,可对目标征象区域进行标识,并展示标识后的图像。由此实现了自动识别图像中的目标征象,并为医生提供标识有目标征象的图像,而无需医生根据个人经验从图像中识别征象,从而一方面提高了征象识别效率,另一方面也提高了征象识别的准确性。
图6是根据本发明实施例的征象检测装置的主要模块的示意图。
如图6所示,本发明实施例的征象检测装置600包括:感兴趣区域确定模块601、参考值计算模块602、特征点提取模块603、目标征象确定模块604以及展示模块605;其中,
所述感兴趣确定模块601,用于确定图像中的感兴趣区域;
所述参考值计算模块602,用于根据所述感兴趣区域计算征象参考值
所述特征点提取模块603,用于从所述感兴趣区域中提取至少两个征象特征点,所述征象特征点的像素值不小于所述征象参考值;
所述目标征象确定模块604,用于从所述感兴趣区域中确定目标像素点,并根据所述目标像素点与所述至少两个征象特征点之间的角度,确定所述感兴趣区域中是否存在目标征象;
所述展示模块605,用于在所述感兴趣区域存在所述目标征象的情况下,对所述目标征象对应的区域进行标识,并展示标识后的图像。
在本发明一个实施例中,参考值计算模块602,用于在所述图像中扩展所述感兴趣区域;根据扩展得到的扩展区域中各个像素点的像素值,计算所述征象参考值。
在本发明一个实施例中,参考值计算模块602,用于根据所述感兴趣区域的尺寸,确定扩展参数;根据所述扩展参数,以所述感兴趣区域为中心在所述图像中进行扩展。
在本发明一个实施例中,特征点提取模块603,用于从所述感兴趣区域中提取梯度图像;从所述梯度图像中提取梯度值大于预设梯度阈值的像素点,并从提取的像素点中确定像素值大于所述征象参考值的所述征象特征点。
在本发明一个实施例中,所述感兴趣区域通过边框回归算法确定;特征点提取模块603,用于根据所述感兴趣的边框回归标识扩展所述感兴趣区域,使得扩展后的感兴趣区域包括图像变化边缘;根据扩展后的感兴趣区域提取所述梯度图像。
在本发明一个实施例中,目标征象确定模块604,用于对每两个所述征象特征点与所述目标像素点之间的夹角进行积分;根据积分结果,确定每两个所述征象特征点是否连续;根据连续的所述征象特征点与所述目标像素点之间的夹角,确定所述感兴趣区域中是否存在目标征象。
在本发明一个实施例中,所述积分为二重积分,所述征象特征点为至少三个;目标征象确定模块604,用于针对至少三个所述征象特征点对应的至少两个所述积分结果:确定所述至少两个积分结果分别对应的弧面椎体是否对应于同一球体,所述球体以所述目标像素点为球心;如果是,确定至少三个所述征象特征点连续;否则,从至少三个所述征象特征点中确定非连续的征象特征点。
在本发明一个实施例中,目标征象确定模块604,用于计算每一对连续的所述征象特征点与所述目标像素点之间的夹角;在各夹角之和不大于预设角度阈值的情况下,确定所述感兴趣区域存在所述目标征象。
在本发明一个实施例中,目标征象确定模块604,用于将所述感兴趣区域的中心或重心作为所述目标像素点。
根据本发明实施例的征象检测装置可以看出,能够从图像中确定感兴趣区域,并根据感兴趣区域中的征象特征点和目标像素点之间的角度,确定感兴趣区域中是否存在目标征象。在感兴趣区域中存在目标征象的情况下,可对目标征象区域进行标识,并展示标识后的图像。由此实现了自动识别图像中的目标征象,并为医生提供标识有目标征象的图像,而无需医生根据个人经验从图像中识别征象,从而一方面提高了征象识别效率,另一方面也提高了征象识别的准确性。
下面参考图7,其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括感兴趣区域确定模块、参考值计算模块、特征点提取模块、目标征象确定模块以及展示模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,感兴趣确定模块还可以被描述为“确定图像中的感兴趣区域的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:确定图像中的感兴趣区域;根据所述感兴趣区域计算征象参考值;从所述感兴趣区域中提取至少两个征象特征点,所述征象特征点的像素值不小于所述征象参考值;从所述感兴趣区域中确定目标像素点,并根据所述目标像素点与所述至少两个征象特征点之间的角度,确定所述感兴趣区域中是否存在目标征象;在所述感兴趣区域存在所述目标征象的情况下,对所述目标征象对应的区域进行标识,并展示标识后的图像。
根据本发明实施例的技术方案,能够从图像中确定感兴趣区域,并根据感兴趣区域中的征象特征点和目标像素点之间的角度,确定感兴趣区域中是否存在目标征象。在感兴趣区域中存在目标征象的情况下,可对目标征象区域进行标识,并展示标识后的图像。由此实现了自动识别图像中的目标征象,并为医生提供标识有目标征象的图像,而无需医生根据个人经验从图像中识别征象,从而一方面提高了征象识别效率,另一方面也提高了征象识别的准确性。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (8)
1.一种征象检测方法,其特征在于,包括:
确定图像中的感兴趣区域;
根据所述感兴趣区域计算征象参考值;
从所述感兴趣区域中提取至少两个征象特征点,所述征象特征点的像素值不小于所述征象参考值;其中包括:从所述感兴趣区域中提取梯度图像;从所述梯度图像中提取梯度值大于预设梯度阈值的像素点,并从提取的像素点中确定像素值大于所述征象参考值的所述征象特征点;
从所述感兴趣区域中确定目标像素点,并根据所述目标像素点与所述至少两个征象特征点之间的角度,确定所述感兴趣区域中是否存在目标征象;其中包括:对每两个所述征象特征点与所述目标像素点之间的夹角进行积分;根据积分结果,确定每两个所述征象特征点是否连续;计算每一对连续的所述征象特征点与所述目标像素点之间的夹角;在各夹角之和不大于预设角度阈值的情况下,确定所述感兴趣区域存在所述目标征象;
在所述感兴趣区域存在所述目标征象的情况下,对所述目标征象对应的区域进行标识,并展示标识后的图像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述感兴趣区域计算征象参考值,包括:
在所述图像中扩展所述感兴趣区域;
根据扩展得到的扩展区域中各个像素点的像素值,计算所述征象参考值。
3.根据权利要求2所述的方法,其特征在于,所述在所述图像中扩展所述感兴趣区域,包括:
根据所述感兴趣区域的尺寸,确定扩展参数;
根据所述扩展参数,以所述感兴趣区域为中心在所述图像中进行扩展。
4.根据权利要求1所述的方法,其特征在于,所述感兴趣区域通过边框回归算法确定;在所述从所述感兴趣区域中提取梯度图像之前,还包括:
根据所述感兴趣的边框回归标识扩展所述感兴趣区域,使得扩展后的感兴趣区域包括图像变化边缘;
所述从所述感兴趣区域中提取梯度图像,包括:
根据扩展后的感兴趣区域提取所述梯度图像。
5.根据权利要求1所述的方法,其特征在于,所述积分为二重积分,所述征象特征点为至少三个;所述根据积分结果,确定每两个所述征象特征点是否连续,包括:
针对至少三个所述征象特征点对应的至少两个所述积分结果:确定所述至少两个积分结果分别对应的弧面椎体是否对应于同一球体,所述球体以所述目标像素点为球心;
如果是,确定至少三个所述征象特征点连续;
否则,从至少三个所述征象特征点中确定非连续的征象特征点;
和/或,
将所述感兴趣区域的中心或重心作为所述目标像素点。
6.一种征象检出装置,其特征在于,包括:感兴趣区域确定模块、参考值计算模块、特征点提取模块、目标征象确定模块以及展示模块;其中,
所述感兴趣区域确定模块,用于确定图像中的感兴趣区域;
所述参考值计算模块,用于根据所述感兴趣区域计算征象参考值;
所述特征点提取模块,用于从所述感兴趣区域中提取至少两个征象特征点,所述征象特征点的像素值不小于所述征象参考值;其中包括:从所述感兴趣区域中提取梯度图像;从所述梯度图像中提取梯度值大于预设梯度阈值的像素点,并从提取的像素点中确定像素值大于所述征象参考值的所述征象特征点;
所述目标征象确定模块,用于从所述感兴趣区域中确定目标像素点,并根据所述目标像素点与所述至少两个征象特征点之间的角度,确定所述感兴趣区域中是否存在目标征象;其中包括:对每两个所述征象特征点与所述目标像素点之间的夹角进行积分;根据积分结果,确定每两个所述征象特征点是否连续;计算每一对连续的所述征象特征点与所述目标像素点之间的夹角;在各夹角之和不大于预设角度阈值的情况下,确定所述感兴趣区域存在所述目标征象;
所述展示模块,用于在所述感兴趣区域存在所述目标征象的情况下,对所述目标征象对应的区域进行标识,并展示标识后的图像。
7.一种检测征象的电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111228661.6A CN113962958B (zh) | 2021-10-21 | 2021-10-21 | 一种征象检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111228661.6A CN113962958B (zh) | 2021-10-21 | 2021-10-21 | 一种征象检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113962958A CN113962958A (zh) | 2022-01-21 |
CN113962958B true CN113962958B (zh) | 2023-05-05 |
Family
ID=79465489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111228661.6A Active CN113962958B (zh) | 2021-10-21 | 2021-10-21 | 一种征象检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962958B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766074B (zh) * | 2020-12-31 | 2024-04-16 | 中国工商银行股份有限公司 | 活体检测方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1838130A (zh) * | 2004-10-08 | 2006-09-27 | 通用电气公司 | Cad系统中检查解剖学形状的方法和系统 |
CN101052352A (zh) * | 2005-03-01 | 2007-10-10 | 国立大学法人神户大学 | 图像诊断处理设备和图像诊断处理程序 |
CN102112056A (zh) * | 2009-03-03 | 2011-06-29 | 富士胶片株式会社 | 图像处理装置、图像处理方法和图像处理程序 |
CN112017747A (zh) * | 2020-09-04 | 2020-12-01 | 四川大学 | 一种增强ct对比剂注射方案智能推荐方法 |
CN112085730A (zh) * | 2020-09-18 | 2020-12-15 | 上海联影医疗科技股份有限公司 | 感兴趣区域成分分析方法、装置、电子设备和介质 |
CN112613553A (zh) * | 2020-12-18 | 2021-04-06 | 中电金信软件有限公司 | 图片样本集生成方法、装置、计算机设备和存储介质 |
CN112735569A (zh) * | 2020-12-31 | 2021-04-30 | 四川大学华西医院 | 脑肿瘤多模态mri术前胶质瘤手术区结果输出系统及方法 |
CN113077887A (zh) * | 2021-03-24 | 2021-07-06 | 四川大学华西医院 | 大脑白质病变自动化定量分析系统与判读方法 |
EP3855391A1 (en) * | 2020-01-23 | 2021-07-28 | GE Precision Healthcare LLC | Methods and systems for characterizing anatomical features in medical images |
-
2021
- 2021-10-21 CN CN202111228661.6A patent/CN113962958B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1838130A (zh) * | 2004-10-08 | 2006-09-27 | 通用电气公司 | Cad系统中检查解剖学形状的方法和系统 |
CN101052352A (zh) * | 2005-03-01 | 2007-10-10 | 国立大学法人神户大学 | 图像诊断处理设备和图像诊断处理程序 |
CN102112056A (zh) * | 2009-03-03 | 2011-06-29 | 富士胶片株式会社 | 图像处理装置、图像处理方法和图像处理程序 |
EP3855391A1 (en) * | 2020-01-23 | 2021-07-28 | GE Precision Healthcare LLC | Methods and systems for characterizing anatomical features in medical images |
CN112017747A (zh) * | 2020-09-04 | 2020-12-01 | 四川大学 | 一种增强ct对比剂注射方案智能推荐方法 |
CN112085730A (zh) * | 2020-09-18 | 2020-12-15 | 上海联影医疗科技股份有限公司 | 感兴趣区域成分分析方法、装置、电子设备和介质 |
CN112613553A (zh) * | 2020-12-18 | 2021-04-06 | 中电金信软件有限公司 | 图片样本集生成方法、装置、计算机设备和存储介质 |
CN112735569A (zh) * | 2020-12-31 | 2021-04-30 | 四川大学华西医院 | 脑肿瘤多模态mri术前胶质瘤手术区结果输出系统及方法 |
CN113077887A (zh) * | 2021-03-24 | 2021-07-06 | 四川大学华西医院 | 大脑白质病变自动化定量分析系统与判读方法 |
Non-Patent Citations (7)
Title |
---|
Jie Yang 等.Contrast-enhanced ultrasound in association with serum biomarkers for differentiating combined hepatocellular-cholangiocarcinoma from hepatocellular carcinoma and intrahepatic cholangiocarcinoma.《World Journal of Gastroenterology》.2020,第26卷(第46期),7325-7337. * |
Jingwei Wei 等.Prediction of Microvascular Invasion in Hepatocellular Carcinoma via Deep Learning: A Multi-Center and Prospective Validation Study.《cancers》.2021,1-19. * |
Mimi Kim 等.Identification of Arterial Hyperenhancement in CT and MRI in Patients with Hepatocellular Carcinoma: Value of Unenhanced Images.《Korean Journal of Radiology》.2018,第20卷(第2期),236-245. * |
Yi Wei 等.A New Diagnostic Criterion with Gadoxetic Acid-Enhanced MRI May Improve the Diagnostic Performance for Hepatocellular Carcinoma.《Liver Cancer》.2020,第9卷(第4期),414-425. * |
冯筠 等.基于主动支持向量机的乳腺癌微钙化簇检测.《计算机科学》.2010,第37卷(第2期),237-241、245. * |
王悦 等.多模态 MRI 技术对颅内单发环形强化病变 的诊断价值.《中国现代药物应用》.2021,第15卷(第6期),7-10. * |
魏毅 等.肝细胞癌影像诊断的"术"与"道"———影像技术与病理特征.《放射学实践》.2021,第36卷(第4期),421-424. * |
Also Published As
Publication number | Publication date |
---|---|
CN113962958A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11935654B2 (en) | Systems and methods for image processing | |
US11636664B2 (en) | Training method and device of neural network for medical image processing, and medical image processing method and device | |
US11062449B2 (en) | Method and system for extracting vasculature | |
US11232543B2 (en) | System and method for image correction | |
US9058650B2 (en) | Methods, apparatuses, and computer program products for identifying a region of interest within a mammogram image | |
EP3926537A1 (en) | Medical image segmentation method, image segmentation method, related device and system | |
US10825149B2 (en) | Defective pixel correction using adversarial networks | |
US11684333B2 (en) | Medical image analyzing system and method thereof | |
KR20170069587A (ko) | 영상처리장치 및 그의 영상처리방법 | |
CN115100067A (zh) | 图像重建方法及装置 | |
US10902603B2 (en) | Method of segmenting a 3D object in a medical radiation image | |
CN113962958B (zh) | 一种征象检测方法及装置 | |
CN111568451A (zh) | 一种曝光剂量调节方法和系统 | |
US20140314294A1 (en) | Shape-Based Image Segmentation | |
US11311259B2 (en) | Image processing apparatus, image processing method, and computer-readable medium | |
US8712119B2 (en) | Systems and methods for computer-aided fold detection | |
CN114708283A (zh) | 图像目标的分割方法、装置、电子设备及存储介质 | |
JP2005052329A (ja) | 異常陰影候補検出装置およびプログラム | |
JP2011182946A (ja) | 医用画像表示装置及び医用画像表示方法 | |
JP2010019572A (ja) | 画像処理装置及び方法 | |
US20230419455A1 (en) | System and method for image correction | |
US20220392077A1 (en) | Organ segmentation in image | |
CN117635601A (zh) | 参数确定方法、装置和计算机设备 | |
CN117495733A (zh) | 一种病灶图像修复方法、装置、电子设备及存储介质 | |
US20170061676A1 (en) | Processing medical volume data |
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 |