CN113971728A - 图像识别方法、模型的训练方法、装置、设备及介质 - Google Patents
图像识别方法、模型的训练方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113971728A CN113971728A CN202111242254.0A CN202111242254A CN113971728A CN 113971728 A CN113971728 A CN 113971728A CN 202111242254 A CN202111242254 A CN 202111242254A CN 113971728 A CN113971728 A CN 113971728A
- Authority
- CN
- China
- Prior art keywords
- lung
- image
- dimensional
- lung nodule
- axial
- 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
Images
Classifications
-
- 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
- G06T7/0002—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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了图像识别方法、模型的训练方法、装置、设备及介质,涉及图像处理技术领域,具体涉及深度学习技术领域。具体实现方案为:对待识别的三维肺部图像进行处理,得到对应的二维肺部图像;基于多个方位的识别模型分别对二维肺部图像进行识别,得到多个方位上的肺结节位置识别结果;基于三维图像语义分割模型对三维肺部图像进行识别,得到三维肺结节位置识别结果;基于多个方位上的肺结节位置识别结果和三维肺结节位置识别结果确定三维肺部图像中肺结节的预测位置。根据本公开的技术,肺结节的识别效率较低的问题。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及深度学习技术领域。
背景技术
目前,肺部图像中的肺结节检测主要是通过检测模型遍历肺部区域中,找出疑似结节的候选点,再进一步分类得出精确的肺结节位置。但单一的检测模型难以在复杂的肺部图像中准确定位肺结节的位置,从而导致肺结节的识别效率较低。
发明内容
本公开提供了一种图像识别方法、模型的训练方法、装置、设备及介质。
根据本公开的一方面,提供了一种图像识别方法,包括:
对待识别的三维肺部图像进行处理,得到对应的二维肺部图像;
基于多个方位的识别模型分别对二维肺部图像进行识别,得到多个方位上的肺结节位置识别结果;
基于三维图像语义分割模型对三维肺部图像进行识别,得到三维肺结节位置识别结果;
基于多个方位上的肺结节位置识别结果和三维肺结节位置识别结果确定三维肺部图像中肺结节的预测位置。
对待识别的三维肺部图像进行处理,得到对应的二维肺部图像;
基于多个方位的识别模型分别对二维肺部图像进行识别,得到多个方位上的肺结节位置识别结果;
基于三维图像语义分割模型对三维肺部图像进行识别,得到三维肺结节位置识别结果;
基于多个方位上的肺结节位置识别结果和三维肺结节位置识别结果确定三维肺部图像中肺结节的预测位置
根据本公开的另一方面,提供了一种图像识别模型的训练方法,包括:
对三维肺结节扫描图像进行轴位切片,得到轴位切片序列;
基于轴位切片序列对预设模型进行训练,得到轴位图像识别模型。
根据本公开的另一方面,提供了一种图像识别装置,包括:
处理模块,用于对待识别的三维肺部图像进行处理,得到对应的二维肺部图像;
第一识别模块,用于基于多个方位的识别模型分别对二维肺部图像进行识别,得到多个方位上的肺结节位置识别结果;
第二识别模块,用于基于三维图像语义分割模型对三维肺部图像进行识别,得到三维肺结节位置识别结果;
预测模块,用于基于多个方位上的肺结节位置识别结果和三维肺结节位置识别结果确定三维肺部图像中肺结节的预测位置。
根据本公开的另一方面,提供了一种图像识别模型的训练装置,包括:
获取模块,用于对三维肺结节扫描图像进行轴位切片,得到轴位切片序列;
训练模块,用于基于轴位切片序列对预设模型进行训练,得到轴位图像识别模型。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开实施例中任意一种任务处理方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行本公开实施例中任意一种任务处理方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现本公开实施例中任意一种任务处理方法。
上述申请中的一个实施例具有如下优点或有益效果:基于多个方位的识别模型分别对二维肺部图像进行识别,得到多个方位上的肺结节位置识别结果,并基于三维图像语义分割模型对三维肺部图像进行识别,得到三维肺结节位置识别结果。再将多个方位上的二维肺结节位置识别结果和三维肺结节位置识别结果融合,从多个角度确定肺部图像中肺结节的预测位置,即使在复杂的的肺部图像中也可以准确识别出肺结节的位置,从而提高了肺结节的识别的准确性,同时提高了肺结节的识别效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开一实施例的图像识别方法的流程图;
图2是根据本公开一实施例的图像语义分割模型的示意图;
图3是根据本公开一实施例的肺部扫描图像的矢状位、冠状位、轴位的示意图;
图4是根据本公开一实施例的图像识别方法的流程图;
图5是根据本公开一实施例的图像识别方法的具体流程框图;
图6是根据本公开一实施例的图像识别模型的训练方法的流程图;
图7是根据本公开一实施例的轴位切片序列的示意图;
图8是根据本公开一实施例的肺结节上端特征训练集、肺结节中间特征训练集、肺结节下端特征训练集的示意图;
图9是根据本公开一实施例的图像识别装置的框图;
图10是根据本公开一实施例的图像识别装置的框图;
图11是根据本公开一实施例的图像识别模型的训练装置的框图;
图12是用来实现本公开实施例的图像识别方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
图1是根据本公开一实施例的图像识别方法的流程图。如图1所示,该方法可以包括:
S101、对待识别的三维肺部图像进行处理,得到对应的二维肺部图像;
S102、基于多个方位的识别模型分别对二维肺部图像进行识别,得到多个方位上的肺结节位置识别结果;
S103、基于三维图像语义分割模型对三维肺部图像进行识别,得到三维肺结节位置识别结果;
S104、基于多个方位上的肺结节位置识别结果和三维肺结节位置识别结果确定三维肺部图像中肺结节的预测位置。
在步骤S101中,示例性地,获取待识别的三维肺部图像之后,可以对三维肺部图像进行切片处理,从而得到二维肺部图像。需要说明的是,在对三维肺部图像进行切片处理时,可以基于不同的方位分别对三维肺部图像进行切片处理。具体地,可以采用Matlab沿任意方向切割。例如,分别沿着轴位、冠状位、矢状位对三维肺部图像进行切片处理。
在步骤S102中,示例性地,在现有技术中一般都是通过单一方位对肺部图像进行检测,这样就会造成检测不准确的问题。因此,预先训练了不同方位的多个识别模型,其中,每一识别模型基于一个方位的肺部扫描图像集训练预设模型得到。预设模型可以是神经网络模型,例如,CNN(Convolutional Neural Network,卷积神经网络)、DNN(Deep NeuralNetworks,全连接神经网络)等。从而可以根据不同角度识别同一肺部图像,使得肺结节位置识别结果更准确。
在步骤S103中,示例性地,由于现有技术中的图像语义分割模型(如,U-Net卷积网络、FCN(Fully Convolutional Networks,全卷积网络)等)只能识别二维图像,所以对现有技术中的图像语义分割模型进行改进,在原来两个卷积通道的基础上多设置一个卷积通道。再基于三维肺部图像预先对改进后的图像语义分割模型进行训练得到三维图像语义分割模型。
在本实施例中,如图2所示,以U-Net卷积网络为例进行说明。现有技术中的U-Net卷积网络一般是二维的,例如,512*512,将其改进为三维版本的U-Net卷积网络,则变为512*512*512。
示例性地,三维图像语义分割模型的训练过程可以包括:获取到三维肺部图像,对整体三维肺部图像进行区域划分,区域中是肺结节的位置标1,不是肺结节的位置标0,以生成训练集,再根据训练集对三维版的U-Net卷积网络进行训练,得到三维图像语义分割模型。
本公开的技术方案中,基于多个方位的识别模型分别对二维肺部图像进行识别,得到多个方位上的肺结节位置识别结果,并基于三维图像语义分割模型对三维肺部图像进行识别,得到三维肺结节位置识别结果。再将多个方位上的肺结节位置识别结果和三维肺结节位置识别结果融合,从多个角度确定肺部图像中肺结节的预测位置,即使在复杂的的肺部图像中也可以准确识别出肺结节的位置,从而提高了肺结节的识别的准确性,同时提高了肺结节的识别效率。
在一种实施方式中,其中,基于多个方位的识别模型分别对二维肺部图像进行识别,得到多个方位上的肺结节位置识别结果,包括:基于轴位图像识别模型对二维肺部图像进行识别,得到轴位肺结节位置识别结果;
基于矢状位图像识别模型对二维肺部图像进行识别,得到矢状位肺结节位置识别结果;
基于冠状位图像识别模型对二维肺部图像进行识别,得到冠状位肺结节位置识别结果。
在本实施例中,为了充分提取肺结节不同维度的特征,所以采用冠状位、矢状位、轴位三个方位的训练集对识别模型的进行训练,还可以采用其他方位的训练集对识别模型的进行训练,在此不作限定。
示例性地,轴位图像识别模型、矢状位图像识别模型、冠状位图像识别模型的训练过程可以包括:如图3所示,对于同样的肺部扫描图像分别采用矢状位(如图3(a)所示)、冠状位(如图3(b)所示)、轴位(如图3(c)所示)三个方位进行切片,得到肺结节冠状位图像训练集、肺结节矢状位图像训练集、肺结节轴位图像训练集。再基于肺结节轴位图像训练集、肺结节矢状位图像训练集、肺结节冠状位图像训练集分别对预设模型进行训练,分别得到轴位图像识别模型、矢状位图像识别模型、冠状位图像识别模型。其中。预设模型可以为CNN(Convolutional Neural Network,卷积神经网络)、DNN(Deep Neural Networks,全连接神经网络)神经网络等,在本实施例中采用的是cascade-rcnn(Cascade-Region-CNN,联级网络)。
所以在对肺部图像进行识别时,通过轴位图像识别模型、矢状位图像识别模型、冠状位图像识别模型即可以三个不同的角度进行识别,融合上述三种识别结果使得肺结节位置识别结果更准确。
在一种实施方式中,其中,基于多个方位上的肺结节位置识别结果和三维肺结节位置识别结果确定三维肺部图像中肺结节的预测位置,包括:
对多个方位上的肺结节位置识别结果和三维肺结节位置识别结果进行去除冗余处理,得到三维肺部图像中肺结节的预测位置。
示例性地,需要将多个方位上的肺结节位置识别结果与三维肺结节位置识别结果进行融合,而在融合的过程中若确定出多个肺结节位置识别结果均为同一肺结节,则需要去除重叠的肺结节位置识别结果(即冗余的肺结节位置识别结果),从而避免冗余的肺结节位置识别结果的干扰,进而更准确的确定三维肺部图像中肺结节的预测位置。
在一种实施方式中,如图4所示,其中,对多个方位上的肺结节位置识别结果和三维肺结节位置识别结果进行去除冗余处理,得到三维肺部图像中肺结节的预测位置,包括:
S401、分别确定多个方位上的肺结节位置识别结果和三维肺结节位置识别结果中肺结节的中心点位置;
S402、基于肺结节的中心点位置之间的位置关系,确定冗余的肺结节位置识别结果,并去除冗余的肺结节位置识别结果,得到三维肺部图像中肺结节的预测位置。
示例性地,根据非极大值抑制(NMS,non maximum suppression)对多个方位上的肺结节位置识别结果和三维识别结果融合时,从而确定出冗余的肺结节位置识别结果。
在本实施例中,基于三维图像语义分割模型对三维肺部图像进行识别,得到肺结节的分割结果,再计算三维肺部图像中每个不同肺结节的连通域,获得的将连通域的中心作为肺结节的位置识别结果,并确定中心点的坐标。其中,连通域计算方法可以为Two-Pass法(四邻域连通区域计算)或Seed-Filling法(种子填充法)。
基于轴位图像识别模型、矢状位图像识别模型、冠状位图像识别模型分别对二维肺部图像进行识别,得到的轴位肺结节位置识别结果、矢状位肺结节位置识别结果和冠状位肺结节位置识别结果均为检测框,分别确定每个检测框的中心点,并确定其坐标。例如,可以将检测框的对角线交叉点确定为检测框的中心点,还可以采用其他方式,在此不做限定。再计算相邻中心点的坐标之间距离,若距离大于预设阈值,则说明中心点对应的肺结节不是同一肺结节,保留不同的肺结节。若距离不大于预设阈值则视为同一肺结节,并去除冗余的肺结节。其中,预设阈值设置为5像素,还可以根据实际需要进行设置,在此不作限定。由此可见,通过多个肺结节图像的中心点之间的位置关系,确定需要保留的肺结节位置识别结果以及需要去除的冗余的肺结节位置识别结果,进一步避免了冗余的肺结节位置识别结果干扰。
在一种实施方式中,其中,轴位图像识别模型包括:多个肺结节轴位特征识别模型;
基于轴位图像识别模型对二维肺部图像进行识别,得到轴位肺结节位置识别结果,包括:
基于多个肺结节轴位特征识别模型,分别对二维肺部图像进行识别,对应得到多个肺结节轴位特征识别结果。
在本实施例中,由于轴位图像更容易进行肺结节的识别,所以肺结节轴位特征识别模型的训练过程可以包括:基于轴位图像的不同特征训练了多个肺结节轴位特征识别模型,从而可以根据轴位的不同特征识别二维肺部图像。
例如,如图5所示,可以根据肺结节轴位上端特征识别模型、肺结节轴位中间特征识别模型和肺结节轴位下端特征识别模型分别识别二维肺部图像,可以从上端、中间、下端三个角度识别肺结节的位置,进一步地,将矢状位肺结节位置识别结果、冠状位肺结节位置识别结果、三维肺结节位置识别结果和肺结节轴位特征识别结果(如肺结节轴位上端特征识别结果、肺结节轴位中间特征识别结果、肺结节轴位下端特征识别结果)融合,多个角度的对识别结果进行融合,使得肺结节的预测位置更加准确,无需反复对肺结节定位,提高了识别效率。
在一种实施方式中,该方法还包括:
对待识别三维肺部图像中肺结节的预测位置进行去假阳处理,得到肺结节的目标位置。
在本实施例中,在通过非极大值抑制融合多个方位上的肺结节位置识别结果和三维识别结果得到预测位置后,根据去假阳模型对肺结节的预测位置进行处理,其中,去假阳模型可以为CNN(Convolutional Neural Network,卷积神经网络),还可以为其他神经网络。在本实施例中,去假阳模型为efficient-net模型。在确定肺结节的预测位置之后,以预测位置的坐标为中心取三维肺部图像的部分区域(一般截取36*36*36mm正方体),输入至去假阳模型进行检测,从而去掉肺结节的预测位置中的假阳位置,进一步保证肺结节定位的准确性。
图6是根据本公开一实施例的图像识别模型的训练方法的流程图。如图6所示,该方法可以包括:
S601、对三维肺结节扫描图像进行轴位切片,得到轴位切片序列;
S602、基于轴位切片序列对预设模型进行训练,得到轴位图像识别模型。
示例性地,三维肺结节扫描图像,一般为CT(Computed Tomography,电子计算机断层扫描)检查扫描得到的图像。CT检查一般扫描得到的是三维肺部扫描图像,因此采用二维切片法,对三维肺部扫描图像进行轴位逐层切片(如图7所示),并对包含肺结节的二维切片进行标注,从而得到了二维轴位肺结节图像训练集,进而减小数据占用的显存,提升模型训练与推理速度。为了尽量减小对切片层间信息的破坏,肺结节所在的切片会与上下相邻切片组成多通道图片输入预设模型。
示例性地,预设模型可以为CNN(Convolutional Neural Network,卷积神经网络)、DNN(Deep Neural Networks,全连接神经网络)神经网络等,在本实施例中采用的是cascade-rcnn(Cascade-Region-CNN,联级网络)。
本公开的技术方案中,通过轴位切片序列对预设模型训练得到轴位图像识别模型,减小数据占用的显存,提升模型训练与推理速度。而且由于轴位切片序列每层切片之间具有关联性,保证了肺结节的完整性,使得训练轴位图像识别模型的效果更好,从而使得训练好的轴位图像识别模型能够更准确的识别肺部图像中对肺结节的位置。
在一种实施方式中,其中,基于轴位切片序列对预设模型进行训练,得到轴位图像识别模型,包括:
将轴位切片序列分为多个训练集;
基于多个训练集分别训练预设模型,得到多个肺结节轴位特征识别模型。
在本实施例中,如图8所示,提取以肺结节中心坐标为中心上下5层切片,其中从上到下1-3切片、2-4切片、3-5切片分别为肺结节上端特征训练集、肺结节中间特征训练集、肺结节下端特征训练集。根据上述三个训练集分别训练预设模型,从而得到肺结节上端特征识别模型、肺结节中间特征识别模型和肺结节下端特征识别模型,充分提取肺结节不同角度的特征,可以从多个角度识别肺部图像,并对多个角度的图像识别结果进行融合,进而提升肺结节定位的准确性。
在一种实施方式中,其中,轴位图像识别模型应用于上述实施例中的图像识别方法。
示例性地,由于轴位切片序列每层切片之间具有关联性,保证了肺结节的完整性,使得训练轴位图像识别模型的效果更好,从而使得训练好的轴位图像识别模型能够更准确的识别肺部图像中对肺结节的位置。
图9是根据本公开一实施例的图像识别装置的框图。如图9所示,该装置可以包括:
处理模块901,用于对待识别的三维肺部图像进行处理,得到对应的二维肺部图像;
第一识别模块902,用于基于多个方位的识别模型分别对二维肺部图像进行识别,得到多个方位上的肺结节位置识别结果;
第二识别模块903,用于基于三维图像语义分割模型对三维肺部图像进行识别,得到三维肺结节位置识别结果;
预测模块904,用于多个方位上的肺结节位置识别结果和三维肺结节位置识别结果确定三维肺部图像中肺结节的预测位置。
在一种实施方式中,其中,第一识别模块902,还用于
基于轴位图像识别模型对二维肺部图像进行识别,得到轴位肺结节位置识别结果;
基于矢状位图像识别模型对二维肺部图像进行识别,得到矢状位肺结节位置识别结果;
基于冠状位图像识别模型对二维肺部图像进行识别,得到冠状位肺结节位置识别结果。
在一种实施方式中,如图10所示,其中,预测模块1004,包括:
冗余处理单元1005,用于对多个方位上的肺结节位置识别结果和三维肺结节位置识别结果进行去除冗余处理,得到三维肺部图像中肺结节的预测位置。
在一种实施方式中,其中,冗余处理单元1005,还用于:
分别确定多个方位上的肺结节位置识别结果和三维肺结节位置识别结果中多个肺结节中心点位置;
基于多个肺结节中心点位置之间的位置关系,确定冗余的肺结节位置识别结果,并去除冗余的肺结节位置识别结果,得到三维肺部图像中肺结节的预测位置。
在一种实施方式中,其中,轴位图像识别模型包括:多个肺结节轴位特征识别模型;
第一识别模块902,还用于基于多个肺结节轴位特征识别模型,分别对二维肺部图像进行识别,对应得到多个肺结节轴位特征识别结果。
在一种实施方式中,如图10所示,该装置还包括:
去假阳处理模块1006,用于对待识别三维肺部图像中肺结节的预测位置进行去假阳处理,得到肺结节的目标位置。
这样,本公开实施例的装置,基于多个方位的识别模型分别对二维肺部图像进行识别,得到多个方位上的肺结节位置识别结果,并基于三维图像语义分割模型对三维肺部图像进行识别,得到三维肺结节位置识别结果。再将多个方位上的肺结节位置识别结果和三维肺结节位置识别结果融合,从多个角度确定肺部图像中肺结节的预测位置,即使在复杂的的肺部图像中也可以准确识别出肺结节的位置,从而提高了肺结节的识别的准确性,同时提高了识别效率。
图11是根据本公开一实施例的图像识别模型的训练装置的框图。如图11所示,该装置可以包括:
获取模块1101,用于对三维肺结节扫描图像进行轴位切片,得到轴位切片序列;
训练模块1102,用于基于轴位切片序列对预设模型进行训练,得到轴位图像识别模型。
在一种实施方式中,其中,训练模块1102,还用于:
将轴位切片序列分为多个训练集;
基于多个训练集分别训练预设模型,得到多个肺结节轴位特征识别模型。
在一种实施方式中,其中,轴位图像识别模型应用于上述实施例中的图像识别装置。
这样,本公开实施例的装置,通过轴位切片序列对预设模型训练得到轴位图像识别模型,减小数据占用的显存,提升模型训练与推理速度。而且由于轴位切片序列每层切片之间具有关联性,保证了肺结节的完整性,使得训练轴位图像识别模型的效果更好,从而使得训练好的轴位图像识别模型能够更准确的识别肺部图像中对肺结节的位置。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图12示出了可以用来实施本公开的实施例的示例电子设备1200的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图12所示,设备1200包括计算单元1201,其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序,来执行各种适当的动作和处理。在RAM 1203中,还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205,包括:输入单元1206,例如键盘、鼠标等;输出单元1207,例如各种类型的显示器、扬声器等;存储单元1208,例如磁盘、光盘等;以及通信单元1209,例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理,例如图像识别方法、图像识别模型的训练方法。例如,在一些实施例中,图像识别方法、图像识别模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1208。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时,可以执行上文描述的图像识别方法的一个或多个步骤。备选地,在其他实施例中,计算单元1201可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (21)
1.一种图像识别方法,包括:
对待识别的三维肺部图像进行处理,得到对应的二维肺部图像;
基于多个方位的识别模型分别对所述二维肺部图像进行识别,得到多个方位上的肺结节位置识别结果;
基于三维图像语义分割模型对所述三维肺部图像进行识别,得到三维肺结节位置识别结果;
基于所述多个方位上的肺结节位置识别结果和所述三维肺结节位置识别结果确定所述三维肺部图像中肺结节的预测位置。
2.根据权利要求1所述的方法,其中,所述基于多个方位的识别模型分别对所述二维肺部图像进行识别,得到多个方位上的肺结节位置识别结果,包括以下至少之一:
基于轴位图像识别模型对所述二维肺部图像进行识别,得到轴位肺结节位置识别结果;
基于矢状位图像识别模型对所述二维肺部图像进行识别,得到矢状位肺结节位置识别结果;
基于冠状位图像识别模型对所述二维肺部图像进行识别,得到冠状位肺结节位置识别结果。
3.根据权利要求1或2所述的方法,其中,所述基于所述多个方位上的肺结节位置识别结果和所述三维肺结节位置识别结果确定所述三维肺部图像中肺结节的预测位置,包括:
对所述多个方位上的肺结节位置识别结果和所述三维肺结节位置识别结果进行去除冗余处理,得到所述三维肺部图像中肺结节的预测位置。
4.根据权利要求3所述的方法,其中,所述对所述多个方位上的肺结节位置识别结果和所述三维肺结节位置识别结果进行去除冗余处理,得到所述三维肺部图像中肺结节的预测位置,包括:
分别确定所述多个方位上的肺结节位置识别结果和所述三维肺结节位置识别结果中肺结节的中心点位置;
基于所述肺结节的中心点位置之间的位置关系,确定冗余的肺结节位置识别结果,并去除所述冗余的肺结节位置识别结果,得到所述三维肺部图像中肺结节的预测位置。
5.根据权利要求2所述的方法,其中,所述轴位图像识别模型包括:多个肺结节轴位特征识别模型;
所述基于轴位图像识别模型对所述二维肺部图像进行识别,得到所述轴位肺结节位置识别结果,包括:
基于所述多个肺结节轴位特征识别模型,分别对所述二维肺部图像进行识别,对应得到多个肺结节轴位特征识别结果。
6.根据权利要求1-5中任一项所述的方法,还包括:
对所述待识别三维肺部图像中肺结节的预测位置进行去假阳处理,得到肺结节的目标位置。
7.一种图像识别模型的训练方法,包括:
对三维肺结节扫描图像进行轴位切片,得到轴位切片序列;
基于所述轴位切片序列对预设模型进行训练,得到轴位图像识别模型。
8.根据权利要求7所述的方法,其中,所述基于所述轴位切片序列对预设模型进行训练,得到轴位图像识别模型,包括:
将轴位切片序列分为多个训练集;
基于所述多个训练集分别训练所述预设模型,得到多个肺结节轴位特征识别模型。
9.根据权利要求7或8所述的方法,其中,所述轴位图像识别模型应用于如权利要求1-6所述的图像识别方法。
10.一种图像识别装置,包括:
处理模块,用于对待识别的三维肺部图像进行处理,得到对应的二维肺部图像;
第一识别模块,用于基于多个方位的识别模型分别对所述二维肺部图像进行识别,得到多个方位上的肺结节位置识别结果;
第二识别模块,用于基于三维图像语义分割模型对所述三维肺部图像进行识别,得到三维肺结节位置识别结果;
预测模块,用于基于所述多个方位上的肺结节位置识别结果和所述三维肺结节位置识别结果确定所述三维肺部图像中肺结节的预测位置。
11.根据权利要求10所述的装置,其中,所述第一识别模块,还用于基于轴位图像识别模型对所述二维肺部图像进行识别,得到轴位肺结节位置识别结果;
基于矢状位图像识别模型对所述二维肺部图像进行识别,得到矢状位肺结节位置识别结果;
基于冠状位图像识别模型对所述二维肺部图像进行识别,得到冠状位肺结节位置识别结果。
12.根据权利要求10或11所述的装置,其中,所述预测模块,包括:
冗余处理单元,用于对所述多个方位上的肺结节位置识别结果和所述三维肺结节位置识别结果进行去除冗余处理,得到所述三维肺部图像中肺结节的预测位置。
13.根据权利要求12所述的装置,其中,所述冗余处理单元,还用于:
分别确定所述多个方位上的肺结节位置识别结果和三维肺结节位置识别结果中多个肺结节中心点位置;
基于所述多个肺结节中心点位置之间的位置关系,确定冗余的肺结节位置识别结果,并去除所述冗余的肺结节位置识别结果,得到所述三维肺部图像中肺结节的预测位置。
14.根据权利要求11所述的装置,其中,所述轴位图像识别模型包括:多个肺结节轴位特征识别模型;
所述第一识别模块,还用于基于所述多个肺结节轴位特征识别模型,分别对所述二维肺部图像进行识别,对应得到多个肺结节轴位特征识别结果。
15.根据权利要求10-14中任一项所述的装置,还包括:
去假阳处理模块,用于对所述待识别三维肺部图像中肺结节的预测位置进行去假阳处理,得到肺结节的目标位置。
16.一种图像识别模型的训练装置,包括:
获取模块,用于对三维肺结节扫描图像进行轴位切片,得到轴位切片序列;
训练模块,用于基于所述轴位切片序列对预设模型进行训练,得到轴位图像识别模型。
17.根据权利要求16所述的装置,其中,所述训练模块,还用于:
将轴位切片序列分为多个训练集;
基于所述多个训练集分别训练所述预设模型,得到多个肺结节轴位特征识别模型。
18.根据权利要求16或17所述的装置,其中,所述轴位图像识别模型应用于如权利要求10-15所述的图像识别装置。
19.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111242254.0A CN113971728B (zh) | 2021-10-25 | 2021-10-25 | 图像识别方法、模型的训练方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111242254.0A CN113971728B (zh) | 2021-10-25 | 2021-10-25 | 图像识别方法、模型的训练方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113971728A true CN113971728A (zh) | 2022-01-25 |
CN113971728B CN113971728B (zh) | 2023-04-21 |
Family
ID=79588338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111242254.0A Active CN113971728B (zh) | 2021-10-25 | 2021-10-25 | 图像识别方法、模型的训练方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113971728B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693671A (zh) * | 2022-04-25 | 2022-07-01 | 香港中文大学(深圳) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 |
CN117576126A (zh) * | 2024-01-16 | 2024-02-20 | 广东欧谱曼迪科技股份有限公司 | 一种肺叶分割的优化方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001054065A1 (en) * | 2000-01-18 | 2001-07-26 | The University Of Chicago | Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lungs nodules in computed tomography scans |
CN108446730A (zh) * | 2018-03-16 | 2018-08-24 | 北京推想科技有限公司 | 一种基于深度学习的ct肺结节检测方法 |
CN109446951A (zh) * | 2018-10-16 | 2019-03-08 | 腾讯科技(深圳)有限公司 | 三维图像的语义分割方法、装置、设备及存储介质 |
CN110163834A (zh) * | 2018-05-14 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 对象识别方法和装置及存储介质 |
CN111402254A (zh) * | 2020-04-03 | 2020-07-10 | 杭州华卓信息科技有限公司 | 一种ct图像肺结节高性能自动检测方法及装置 |
-
2021
- 2021-10-25 CN CN202111242254.0A patent/CN113971728B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001054065A1 (en) * | 2000-01-18 | 2001-07-26 | The University Of Chicago | Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lungs nodules in computed tomography scans |
CN108446730A (zh) * | 2018-03-16 | 2018-08-24 | 北京推想科技有限公司 | 一种基于深度学习的ct肺结节检测方法 |
EP3540692A1 (en) * | 2018-03-16 | 2019-09-18 | Infervision | A computed tomography pulmonary nodule detection method based on deep learning |
CN110163834A (zh) * | 2018-05-14 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 对象识别方法和装置及存储介质 |
CN109446951A (zh) * | 2018-10-16 | 2019-03-08 | 腾讯科技(深圳)有限公司 | 三维图像的语义分割方法、装置、设备及存储介质 |
CN111402254A (zh) * | 2020-04-03 | 2020-07-10 | 杭州华卓信息科技有限公司 | 一种ct图像肺结节高性能自动检测方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693671A (zh) * | 2022-04-25 | 2022-07-01 | 香港中文大学(深圳) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 |
CN114693671B (zh) * | 2022-04-25 | 2022-11-29 | 香港中文大学(深圳) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 |
CN117576126A (zh) * | 2024-01-16 | 2024-02-20 | 广东欧谱曼迪科技股份有限公司 | 一种肺叶分割的优化方法、装置、电子设备及存储介质 |
CN117576126B (zh) * | 2024-01-16 | 2024-04-09 | 广东欧谱曼迪科技股份有限公司 | 一种肺叶分割的优化方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113971728B (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801164A (zh) | 目标检测模型的训练方法、装置、设备及存储介质 | |
CN114066900A (zh) | 图像分割方法、装置、电子设备和存储介质 | |
CN113971728B (zh) | 图像识别方法、模型的训练方法、装置、设备及介质 | |
EP3876201B1 (en) | Object detection and candidate filtering system | |
US11861919B2 (en) | Text recognition method and device, and electronic device | |
CN113362314B (zh) | 医学图像识别方法、识别模型训练方法及装置 | |
CN112785625A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN114565763A (zh) | 图像分割方法、装置、设备、介质及程序产品 | |
CN113378712A (zh) | 物体检测模型的训练方法、图像检测方法及其装置 | |
CN115409990A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN114926849A (zh) | 一种文本检测方法、装置、设备及存储介质 | |
CN114022865A (zh) | 基于车道线识别模型的图像处理方法、装置、设备和介质 | |
CN113378958A (zh) | 自动标注方法、装置、设备、存储介质及计算机程序产品 | |
CN115147359B (zh) | 肺叶分割网络模型训练方法、装置、电子设备及存储介质 | |
CN116758280A (zh) | 目标检测方法、装置、设备以及存储介质 | |
CN115170510B (zh) | 一种病灶检测方法、装置、电子设备及可读存储介质 | |
CN114661904B (zh) | 文档处理模型的训练方法、装置、设备、存储介质及程序 | |
CN115311244A (zh) | 一种病灶尺寸确定方法、装置、电子设备及存储介质 | |
CN115482261A (zh) | 血管配准方法、装置、电子设备及存储介质 | |
CN114937149A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115830268A (zh) | 用于优化感知算法的数据的获取方法、装置和存储介质 | |
CN115439453A (zh) | 一种脊椎椎体定位方法、装置、电子设备及存储介质 | |
CN114882313A (zh) | 生成图像标注信息的方法、装置、电子设备及存储介质 | |
CN113435257A (zh) | 表格图像的识别方法、装置、设备和存储介质 | |
CN114972361A (zh) | 一种血流分割方法、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 |