CN114187281A - 一种图像处理方法、装置、电子设备和存储介质 - Google Patents

一种图像处理方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114187281A
CN114187281A CN202111531876.5A CN202111531876A CN114187281A CN 114187281 A CN114187281 A CN 114187281A CN 202111531876 A CN202111531876 A CN 202111531876A CN 114187281 A CN114187281 A CN 114187281A
Authority
CN
China
Prior art keywords
area
trigger
medical image
lesion
image
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.)
Pending
Application number
CN202111531876.5A
Other languages
English (en)
Inventor
郭允博
阳光
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.)
Shukun Beijing Network Technology Co Ltd
Original Assignee
Shukun Beijing Network 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 Shukun Beijing Network Technology Co Ltd filed Critical Shukun Beijing Network Technology Co Ltd
Priority to CN202111531876.5A priority Critical patent/CN114187281A/zh
Publication of CN114187281A publication Critical patent/CN114187281A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (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)

Abstract

本申请实施例公开了一种图像处理方法、装置、电子设备和存储介质，属于计算机技术领域；本申请实施例可以获取医学图像的初始病灶区域；对医学图像进行检测，得到操作对象针对医学图像的触发区域；对触发区域进行病灶识别，以从触发区域中识别出目标病灶区域，可以提高识别出医学图像中病灶区域的准确性。

Description

一种图像处理方法、装置、电子设备和存储介质
技术领域
本申请涉及计算机技术领域，具体涉及一种图像处理方法、装置、电子设备和存储介质。
背景技术
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。随着人工智能的发展，人工智能技术也在多个领域展开研究和应用，利用可以将AI技术应用在医学领域。例如，可以利用AI技术自动地识别出医学图像中的病灶区域。
但是，本申请的发明人在对现有技术的实践中发现，由于一些病灶的复杂性或者AI模型精确度的问题，导致现有的AI技术识别出的病灶区域可能与真实的病灶区域存在误差，或者现有的AI技术无法从医学影像中识别出病灶区域，这会降低利用AI技术自动地识别出医学图像中的病灶区域的准确性。
发明内容
本申请实施例提出了一种图像处理方法、装置、电子设备和存储介质，可以提高识别出医学图像中病灶区域的准确性。
本申请实施例提供了一种图像处理方法，包括：
获取医学图像的初始病灶区域；
对所述医学图像进行检测，得到操作对象针对所述医学图像的触发区域；
对所述触发区域进行病灶识别，以从所述触发区域中识别出目标病灶区域。
相应的，本申请实施例还提供了一种图像处理装置，包括：
获取单元，用于获取医学图像的初始病灶区域；
检测单元，用于对所述医学图像进行检测，得到操作对象针对所述医学图像的触发区域；
病灶识别单元，用于对所述触发区域进行病灶识别，以从所述触发区域中识别出目标病灶区域。
在一实施例中，所述检测单元，可以包括：
接收子单元，用于响应于所述操作对象针对所述医学图像的触发操作，搜集所述对象针对所述医学图像的图像操作指令；
指令解析子单元，用于对所述图像操作指令进行解析，得到图像操作信息；
区域确定子单元，用于根据所述图像操作信息，在所述医学图像中确定所述出触发区域。
在一实施例中，所述区域确定子单元，可以包括：
信息识别模块，用于对所述图像操作信息进行识别，得到触发类型和触发位置信息；
定位模块，用于根据所述触发位置信息，对所述医学图像进行定位，得到所述触发位置信息在所述医学图像中对应定位标识；
区域生成模块，用于根据所述触发类型，以所述定位标识为基准生成所述触发区域。
在一实施例中，所述病灶识别单元，可以包括：
特征提取子单元，用于在多个不同尺度上对所述触发区域进行特征提取，得到所述触发区域在多个不同尺度上的特征信息；
全连接子单元，用于将所述不同尺度上的特征信息进行全链接处理，得到全连接后特征信息；
映射子单元，用于将所述全连接后特征信息映射到预设病灶概率空间中，得到所述全连接后特征信息对应的映射概率；
病灶区域确定子单元，用于基于所述映射概率确定所述目标病灶区域。
在一实施例中，所述图像处理装置，还可以包括：
病灶类型识别单元，用于对所述初始病灶区域进行识别，得到所述初始病灶区域对应的病灶类型；
匹配单元，用于将所述病灶类型和所述预设准确度条件进行匹配，得到匹配结果；
判断单元，用于根据所述匹配结果判断所述初始病灶区域是否符合所述预设准确度条件。
在一实施例中，所述图像处理装置，还可以包括：
第一模型识别单元，用于利用第一病灶识别模型对所述医学图像进行识别，得到所述初始病灶区域；
第二模型识别单元，用于利用所述第二病灶识别模型对所述触发区域进行病灶识别，以从所述触发区域中识别出目标病灶区域。
在一实施例中，所述图像处理装置，还可以包括：
特征提取单元，用于对所述触发区域进行特征提取，得到所述触发区域的特征信息；
模型解析单元，用于对所述第一病灶识别模型进行解析，得到所述第一病灶识别模型的模型参数；
调整单元，用于利用所述触发区域的特征信息调整所述第一病灶识别模型的模型参数，得到所述第二病灶识别模型。
相应的，本申请实施例还提供一种电子设备，所述电子设备包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行本申请实施例任一提供的图像处理方法。
相应的，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例任一提供的图像处理方法。
本申请实施例可以获取医学图像的初始病灶区域；当初始病灶区域不符合预设准确度条件时，对医学图像进行检测，得到操作对象针对医学图像的触发区域；对触发区域进行病灶识别，以从触发区域中识别出目标病灶区域，可以提高识别出医学图像中病灶区域的准确性。
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是本申请实施例提供的图像处理方法的场景示意图；
图2是本申请实施例提供的图像处理方法的流程示意图；
图3是本申请实施例提供的医学图像的场景示意图；
图4是本申请实施例提供的医学图像的又一场景示意图；
图5是本申请实施例提供的医学图像的又一场景示意图；
图6是本申请实施例提供的医学图像的又一场景示意图；
图7是本申请实施例提供的图像处理方法的流程示意图；
图8是本申请实施例提供的图像处理装置的结构示意图；
图9是本申请实施例提供的电子设备的结构示意图。
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，然而，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作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。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。其中，强化学习是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。深度强化学习是将深度学习和强化学习相结合，将深度学习的技术来求解强化学习的问题。
随着人工智能技术的快速发展，越来越多的应用场景利用人工智能技术包括信息的安全，避免信息的泄露，从而提高信息的安全性。
对此，本申请实施例提出了一种图像处理方法，该图像处理方法可以由图像处理装置执行，该图像处理装置可以集成在电子设备中。其中，该电子设备可以包括终端以及服务器等中的至少一个。即，本申请实施例提出的图像处理方法即可以由终端执行，还可以由服务器执行，还可以由能够进行互相通信的终端和服务器共同执行。
其中，该终端可以包括智能电视、智能手机、智能家居、可穿戴电子设备、VR/AR产品、车载计算机、智能电脑等等。
其中，服务器可以为多个异构系统之间的互通服务器或者产品验证测试系统的后台服务器，还可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、以及大数据和人工智能平台等基础云计算服务的云服务器等等。
在一实施例中，如图1所示，图像处理装置可以集成在终端或服务器等电子设备上，以实施本申请实施例提出的图像处理方法。具体地，电子设备可以获取医学图像的初始病灶区域；当初始病灶区域不符合预设准确度条件时，对医学图像进行检测，得到操作对象针对医学图像的触发区域；对触发区域进行病灶识别，以从触发区域中识别出目标病灶区域。
以下分别进行详细说明，需要说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
本申请实施例将从图像处理装置的角度进行描述，该图像处理装置可以集成在电子设备中，该电子设备可以包括终端，还可以包括服务器等等。
如图2所示，提供了一种图像处理方法，具体流程包括：
101、获取医学图像的初始病灶区域。
其中，医学图像可以包括具有跟医学相关的信息的图像。例如，该医学图像可以是生理组织图像，等等。例如，医学图像可以包括电子计算机断层扫描(ComputedTomography，CT)图像、磁共振检查(Magnetic Resonance,MR)图像和超声波图像，等等。
其中，初始病灶区域可以是医学图像中可能包括病灶信息的区域。例如，如图3所示，图3中的001可以是医学图像，而图3中的002可以是初始病灶区域。
在一实施例中，可以利用第一病灶识别模型对医学图像进行识别，得到初始病灶区域。
其中，第一病灶识别模型可以是人工智能模型。例如，第一病灶识别模型可以是深度学习模型，等等。例如，第一病灶识别模型可以是卷积神经网络(Convolutional NeuralNetworks，CNN)、反卷积神经网络(De-Convolutional Networks，DN)、深度神经网络(DeepNeural Networks，DNN)、深度卷积逆向图网络(Deep Convolutional Inverse GraphicsNetworks，DCIGN)、基于区域的卷积网络(Region-based Convolutional Networks，RCNN)、基于区域的快速卷积网络(Faster Region-based Convolutional Networks，FasterRCNN)和双向编解码(Bidirectional Encoder Representations from Transformers，BERT)模型等等中的任意一种。
在一实施例中，为了提高识别出医学图像中病灶区域的准确性，可以将第一病灶识别模型识别出的医学图像进行准确性判断。其中，可以通过识别出初始病灶区域的病灶类型，并基于病灶类型判断医学图像的准确度。具体的，在步骤“当初始病灶区域不符合预设准确度条件时，对医学图像进行检测，得到操作对象针对医学图像的触发区域”之前，可以包括：
对初始病灶区域进行识别，得到初始病灶区域对应的病灶类型；
将病灶类型和预设准确度条件进行匹配，得到匹配结果；
根据匹配结果判断初始病灶区域是否符合预设准确度条件。
在一实施例中，当第一病灶识别模型对医学图像进行识别时，除了可以识别出初始病灶区域，还识别出初始病灶区域对应的病灶类型。因此，可以利用第一病灶识别模型对初始病灶区域进行识别，得到初始病灶区域对应的病灶类型。
然后，可以将病灶类型和预设准确度条件进行匹配。即判断第一病灶识别模型识别出来的初始病灶区域对应的病灶类型是否准确。例如，第一病灶识别模型识别出来的初始病灶区域对应的病灶类型是血管瘤，但是预设准确度条件显示该病灶类型并非是血管瘤，此时，初始病灶区域便不符合预设准确度条件。
在一实施例中，还可以人工地判断初始病灶区域的准确度。例如，可以令医生判断第一病灶识别模型识别出来的初始病灶区域的准确度。
102、对医学图像进行检测，得到操作对象针对医学图像的触发区域。
在一实施例中，在获取到医学图像的初始病灶区域之后，可以对医学图像进行检测，得到操作对象针对医学图像的触发区域。其中，有多种方式触发图像处理装置对医学图像进行检测，得到操作对象针对医学图像的触发区域。
在一实施例中，当初始病灶区域不符合预设准确度时，操作对象可以在医学图像中重新定位出准确的具有病灶信息的区域。例如，当初始病灶区域中并没有包括病灶信息时，操作对象可以在医学图像中重新定位出准确的具有病灶信息的区域。又例如，初始病灶区域中识别出来的病灶类型和其实际的病灶类型不相匹配时，操作对象可以在医学图像中重新定位出准确的具有病灶信息的区域。
在一实施例中，又例如，当操作对象只是单纯地想对医学图像进行再次检测时，操作对象可以在医学图像中重新定位出病灶信息的区域。
在一实施例中，当操作对象在医学图像中重新定位出准确的具有病灶信息的区域时，图像处理装置可以对医学图像进行检测，得到操作对象针对医学图像的触发区域。其中，该触发区域可以是操作对象在医学图像中重新定位出准确的具有病灶信息的区域。
其中，触发区域有多种表现形式。例如，该触发区域可以是矩形。又例如，该触发区域可以是圆形。又例如，该触发区域可以是任意多边形，等等。
其中，操作对象可以包括医生和/或医师等等会对医学图像的病灶区域进行重新定位的对象。
在一实施例中，操作对象可以有多种方式在医学图像中重新定位出准确的病灶区域。例如，医生可以通过鼠标、电子笔等方式，触击医学图像中的某个区域。其中，触击医学图像的方式可以是点击、划线、拉框、画圈等等。
在一实施例中，当操作对象触击了医学图像时，可以基于操作对象触击的位置生成触发区域。具体的，步骤“对医学图像进行检测，得到操作对象针对医学图像的触发区域”，可以包括：
响应于操作对象针对医学图像的触发操作，搜集对象针对医学图像的图像操作指令；
对图像操作指令进行解析，得到图像操作信息；
根据图像操作信息，在医学图像中确定出触发区域。
在一实施例中，当初始病灶区域不符合预设准确度条件或操作对象想对医学图像进行重新检测时，操作对象便会在医学图像中重新定位出准确的具有病灶信息的区域。而当操作对象通过鼠标、电子笔等方式，触击医学图像中的某个区域时，图像处理装置可以响应于操作对象针对医学图像的触发操作，搜集对象针对医学图像的图像操作指令。
其中，触发操作可以包括操作对象触发图像处理装置对医学图像进行检测的操作。例如，触发操作可以包括医生可以通过鼠标、电子笔等方式，触击医学图像中的某个区域。其中，触击医学图像的方式可以是点击、划线、拉框、画圈等等。
其中，图像操作指令可以包括操作对象触击医学图像时，电子设备所生成的指令。例如，当医生通过鼠标或者电子笔等方式触击医学图像时，图像处理装置便会接收到图像操作指令。
其中，图像处理装置所搜集到至少一个图像操作指令。例如，当操作对象只对医学图像进行了一次操作时，图像处理装置只能搜集到一个图像操作指令。又例如，当操作对象对医学图像进行了多次操作时，图像处理装置可以搜集到多个图像操作指令。
在一实施例中，图像操作指令往往携带着图像操作信息，因此图像处理装置在接收到图像操作指令之后，可以对图像操作指令进行解析，得到图像操作信息。
例如，可以对图像操作指令进行遍历，从而在图像操作指令中提取出图像操作信息。
其中，图像操作信息可以包括说明操作对象采用了什么方式在医学图像的什么地方进行了什么样的操作的信息。更具体的，图像操作信息可以包括触发类型和触发位置信息。
其中，触发类型可以包括说明操作对象采用了什么样的方式进行了什么样的操作。例如，触发类型可以是医生通过鼠标点击了医学图像。又例如，触发类型可以是医生通过电子笔在医学图像上划线，等等。
其中，触发位置信息可以包括说明操作对象在医学图像上的什么位置进行了触击操作。其中，该触发位置信息可以以坐标信息来表示。例如，可以在医学图像中建立一个坐标轴，并通过该坐标轴来表示触发位置信息。
在一实施例中，步骤“根据图像操作信息，在医学图像中确定出触发区域”，可以包括：
对图像操作信息进行识别，得到触发类型和触发位置信息；
根据触发位置信息，对医学图像进行定位，得到触发位置信息在医学图像中对应定位标识；
根据触发类型，以定位标识为基准生成触发区域。
在一实施例中，可以通过对医学操作信息进行识别，得到触发类型和触发位置信息。然后，可以根据触发位置信息，对医学图像进行定位，得到触发位置信息在医学图像中对应的定位标识。
其中，该定位标识可以是生成触发区域的一个标识。即，触发区域可以是以定位标识为中心生成的区域。
在一实施例中，可以根据触发位置信息，在医学图像中触发位置信息对应的位置信息添加定位标识，从而使得可以以定位标识为基准生成触发区域。其中，可以根据触发类型，以定位标识为基准生成不同的触发区域。例如，当触发类型是画圈时，触发区域可以是圆形区域。又例如，当触发类型是点击、划线和拉框时，触发区域可以是矩形区域，等等。
其中，不同形状的触发区域，也有不同的生成方法。例如，当生成圆形区域的触发区域时，可以以定位标识为圆心，生成圆形区域。
103、对触发区域进行病灶识别，以从触发区域中识别出目标病灶区域。
在一实施例中，在一实施例中，在检测出触发区域之后，可以启动对医学图像的补检流程，即对触发区域进行病灶识别，以从触发区域中识别出目标病灶区域。
在一实施例中，有多种方式可以对触发区域进行病灶识别，以从触发区域中识别出目标病灶区域。
例如，可以利用第二病灶识别模型对对触发区域进行病灶识别，以从触发区域中识别出目标病灶区域。
其中，第二病灶识别模型可以是人工智能模型。例如，第二病灶识别模型可以是深度学习模型，等等。例如，第二病灶识别模型可以是CNN、DN、DCIGN、RCNN等模型中的任意一种。
在一实施例中，第二病灶识别模型可以是第一病灶识别模型优化后得到的模型。
例如，可以利用触发区域，对第一病灶识别模型的模型参数进行调整，得到第二病灶识别模型。
具体的，本申请实施例提出的方法还包括：
对触发区域进行特征提取，得到触发区域的特征信息；
对第一病灶识别模型进行解析，得到第一病灶识别模型的模型参数；
利用触发区域的特征信息调整第一病灶识别模型的模型参数，得到第二病灶识别模型。
在一实施例中，当利用触发区域，对第一病灶识别模型的模型参数进行调整时，可以对触发区域进行特征提取，得到触发区域的特征信息。
其中，有多种方式可以对触发区域进行特征提取，得到触发区域的特征信息。例如，可以利用卷积核对触发区域的像素进行卷积运算，卷积运算后得到的信息为特征信息。又例如，可以对触发区域进行像素采样，采样后得到的信息为特征信息。
在一实施例中，模型的性能一般都是有模型参数决定的。因此，对模型优化的过程往往是对模型参数调整的过程，通过调整模型参数，从而使得模型具有更好的性能。因此，还需要对第一病灶识别模型进行解析，得到第一病灶识别模型的模型参数。然后可以利用触发区域的特征信息调整第一病灶识别模型的模型参数，得到第二病灶识别模型。
例如，可以以特征信息为优化目标，不断地迭代第一病灶模型的模型参数。当迭代后的模型参数检测出的病灶区域的特征信息和触发区域的特征信息相匹配时，则可以将参数调整过后得到的第一病灶识别模型作为第二病灶识别模型。
在一实施例中，第一病灶识别模型和第二病灶识别模型也可以是不具有关联性的模型。例如，第一病灶识别模型和第二病灶识别模型可以是通过不同训练样本训练得到的模型。本申请实施例并没有限定通过对第一病灶识别模型进行优化后得到第二病灶识别模型。
在一实施例中，除了利用第二病灶识别模型从触发区域中识别出病灶区域以外，还可以直接对病灶区域进行病灶识别，以从触发区域中识别出目标病灶区域。具体的，步骤“对触发区域进行病灶识别，以从触发区域中识别出目标病灶区域”，可以包括：
在多个不同尺度上对触发区域进行特征提取，得到触发区域在多个不同尺度上的特征信息；
将不同尺度上的特征信息进行全连接处理，得到全连接后特征信息；
将全连接后特征信息映射到预设病灶概率空间中，得到全连接后特征信息对应的映射概率；
基于映射概率确定目标病灶区域。
在一实施例中，为了提高目标病灶区域识别的准确率，可以在多个不同尺度上对触发区域进行特征提取，得到触发区域在多个不同尺度上的特征信息。通过得到触发区域在多个不同尺度上的特征信息，可以提高触发区域的信息表示量，从而提高目标病灶区域识别的准确率。
在一实施例中，可以利用多个不同尺度的卷积核对触发区域进行特征提取，得到触发区域在多个不同尺度上的特征信息。例如，可以利用多个不同尺度的卷积核对触发区域的像素值进行卷积运算，得到触发区域在多个不同尺度上的特征信息。
在一实施例中，可以将不同尺度上的特征信息进行全连接处理，得到全连接后特征信息。
例如，可以将不同尺度上的特征信息进行非线性运算，并将非线性运算后得到的信息进行融合，得到全连接后特征信息。
例如，可以利用Sigmoid函数、Tanh函数或ReLU函数等等非线性函数对不同尺度上的特征信息进行非线性运算，得到非线性运算后信息。然后，可以将非线性运算后信息进行相加或者拼接，等等，得到全连接后特征信息。
在一实施例中，在得到全连接后特征信息之后，可以将全连接后特征信息映射到预设病灶概率空间中，得到全连接后特征信息对应的映射概率。
其中，预设病灶概率空间可以是一个预先生成的，可以基于全连接信息确定触发区域中哪个区域是目标病灶区域的空间。
通过将全连接后特征信息映射到预设病灶概率空间中，可以得到触发区域中哪些区域可能是病灶区域的概率，其中，该概率可以是映射概率。
然后，可以基于映射概率确定目标病灶区域。例如，可以将映射概率最大的区域确定为目标病灶区域。
本申请实施例提出的图像处理方法可以获取医学图像的初始病灶区域；对医学图像进行检测，得到操作对象针对医学图像的触发区域；对触发区域进行病灶识别，以从触发区域中识别出目标病灶区域。本申请实施例中，可以判断初始病灶区域是否符合预设准确度条件。当初始病灶区域不符合预设准确度条件时，操作对象可以在医学图像中定位出正确的具有病灶信息的区域，然后图像处理装置便会检测到操作对象针对医学图像的触发区域。接下来，图像处理装置可以启动对医学图像的补检流程，即对触发区域进行病灶识别，以从触发区域中识别出目标病灶区域。通过启动对初始病灶区域进行准确度判断，并启动对医学图像的补检流程，可以提高识别出医学图像中病灶区域的准确性。
例如，以血管处存在血管瘤为例，对本申请实施例进行说明。例如，患者通过前期的检测，获知脑部血管存在血管瘤病灶，需要进行手术。在手术前，需要进一步确定血管瘤的准确位置、尺寸等信息，以便临床医生对患者进行开刀。通过医学扫描设备获取脑部组织的医学图像。利用第一病灶识别模型对医学图像进行识别，未发现病灶。但是，医生看到医学图像后，发现医学图像中虚线的位置003存在异常，如图4所示。此时，医生用鼠标点击影像中存在异常的位置，形成触发区域004，如图5所示。与此同时，图像处理装置可以调用第二病灶识别模型，对触发区域中的病灶进行补检。通过补检，识别出血管上的血管瘤病灶，如图6所示。
又例如，以血管处存在钙化为例，对本申请实施例进行说明。患者通过医学扫描设备获取肺部组织的医学图像。然后，可以利用第一病灶识别模型对医学影像进行识别，发现某处为病灶区域。医生看到医学图像后，发现影像中AI识别出的病灶区域范围有误。医生看到医学影像后，发现影像中AI识别出的病灶区域范围有误。与此同时，图像处理装置调用与肺部病灶相关的多个肺部病灶识别模型，对触发区域中的病灶进行补检。通过补检，识别出正确范围的钙化病灶区域，从而提高识别出医学图像中病灶区域的准确性。
根据上面实施例所描述的方法，以下将举例作进一步详细说明。
本申请实施例将以图像处理方法集成在电子设备上为例来介绍本申请实施例方法。例如，如图7所示，本申请实施例提出的图像处理方法可以包括：
201、电子设备获取医学图像的初始病灶区域。
其中，可以利用电子计算机断层扫描(Computed Tomography，CT)图像、磁共振检查(Magnetic Resonance,MR)图像和4D超声超声波图像等方式，获取医学图像。例如，心脏、脑部、肺部、肝脏等生理组织的医学图像。
在一实施例中，可以利用第一病灶识别模型对医学图像进行识别，得到初始病灶区域。
202、当初始病灶区域不符合预设准确度条件时，电子设备对医学图像进行检测，得到操作对象针对医学图像的触发区域。
在一实施例中，当初始病灶区域不符合预设准确度条件时，操作对象可以手动在医学图像中重新定位出准确的具有病灶信息的区域。。
在一实施例中，操作对象可以在确定医学图像中准确的病灶区域的情况下手动触发补检。具体的，医生通过鼠标、电子笔等方式，触击医学图像中的某个区域(该区域为医生认为存在病灶的区域或病灶区域存在误差的区域)。其中，该区域可以是通过获取鼠标或电子笔等点击屏幕上的坐标，以该坐标为中心的预定范围的触发区域。其中，触击图像的方式，可以是点击、划线、拉框、画圈等等，来确定触发区域。
其中，若触击的点、线或者区域恰好为病灶的边界点、边界线、病灶区域及其附近区域，则新的病灶识别模型可以以上述的边界点、边界线、病灶区域及其附近区域为基准，对病灶区域进行识别。
203、电子设备对触发区域进行病灶识别，以从触发区域中识别出目标病灶区域。
在一实施例中，在检测出触发区域之后，可以启动对医学图像的补检流程，即对触发区域进行病灶识别，以从触发区域中识别出目标病灶区域。
其中，有多种方式启动对医学图像的补检流程。
例如，当操作对象确定了医学图像中正确的病灶情况时，电子设备可以调取新的病灶识别模型/算法，对触发区域中的病灶区域进行补检，获得目标病灶区域。
又例如，当操作对象不确定医学图像中正确的病灶情况时，电子设备可以确定触发区域对应的生理组织的类型，然后，调用该生理组织可能存在的病灶的识别模型/算法。接下来，可以利用多种病灶识别模型，对触发区域进行补检，获得目标病灶区域。
在一实施例中，医生对医学影像中新的病灶区域进行检验，若新的病灶区域依然存在误差，则医生继续触击屏幕，选定新的触发区域。与此同时，电子设备可以根据医生每一次点击的位置和新的病灶区域，调整前一次调取的新的病灶识别模型的阈值参数。然后，再利用病灶识别模型对医学影像中进行病灶区域的识别。通过重复对医学影像中病灶区域进行补检，并不断地调整病灶模型的参数，直至得到符合要求的病灶识别模型。
本申请实施例提出的图像处理方法中，电子设备获取医学图像的初始病灶区域；当初始病灶区域不符合预设准确度条件时，电子设备对医学图像进行检测，得到操作对象针对医学图像的触发区域；电子设备对触发区域进行病灶识别，以从触发区域中识别出目标病灶区域，可以提高识别出医学图像中病灶区域的准确性。
为了更好地实施本申请实施例提供的图像处理方法，在一实施例中还提供了一种图像处理装置，该图像处理装置可以集成于电子设备中。其中名词的含义与上述图像处理方法中相同，具体实现细节可以参考方法实施例中的说明。
在一实施例中，提供了一种图像处理装置，该图像处理装置具体可以集成在电子设备中，如图8所示，该图像处理装置包括：获取单元301、检测单元302和病灶识别单元303，具体如下：
获取单元301，用于获取医学图像的初始病灶区域；
检测单元302，用于对所述医学图像进行检测，得到操作对象针对所述医学图像的触发区域；
病灶识别单元303，用于对所述触发区域进行病灶识别，以从所述触发区域中识别出目标病灶区域。
在一实施例中，所述检测单元302，可以包括：
接收子单元，用于响应于所述操作对象针对所述医学图像的触发操作，搜集所述对象针对所述医学图像的图像操作指令；
指令解析子单元，用于对所述图像操作指令进行解析，得到图像操作信息；
区域确定子单元，用于根据所述图像操作信息，在所述医学图像中确定所述出触发区域。
在一实施例中，所述区域确定子单元，可以包括：
信息识别模块，用于对所述图像操作信息进行识别，得到触发类型和触发位置信息；
定位模块，用于根据所述触发位置信息，对所述医学图像进行定位，得到所述触发位置信息在所述医学图像中对应定位标识；
区域生成模块，用于根据所述触发类型，以所述定位标识为基准生成所述触发区域。
在一实施例中，所述病灶识别单元302，可以包括：
特征提取子单元，用于在多个不同尺度上对所述触发区域进行特征提取，得到所述触发区域在多个不同尺度上的特征信息；
全连接子单元，用于将所述不同尺度上的特征信息进行全链接处理，得到全连接后特征信息；
映射子单元，用于将所述全连接后特征信息映射到预设病灶概率空间中，得到所述全连接后特征信息对应的映射概率；
病灶区域确定子单元，用于基于所述映射概率确定所述目标病灶区域。
在一实施例中，所述图像处理装置，还可以包括：
病灶类型识别单元，用于对所述初始病灶区域进行识别，得到所述初始病灶区域对应的病灶类型；
匹配单元，用于将所述病灶类型和所述预设准确度条件进行匹配，得到匹配结果；
判断单元，用于根据所述匹配结果判断所述初始病灶区域是否符合所述预设准确度条件。
在一实施例中，所述图像处理装置，还可以包括：
第一模型识别单元，用于利用第一病灶识别模型对所述医学图像进行识别，得到所述初始病灶区域；
第二模型识别单元，用于利用所述第二病灶识别模型对所述触发区域进行病灶识别，以从所述触发区域中识别出目标病灶区域。
在一实施例中，所述图像处理装置，还可以包括：
特征提取单元，用于对所述触发区域进行特征提取，得到所述触发区域的特征信息；
模型解析单元，用于对所述第一病灶识别模型进行解析，得到所述第一病灶识别模型的模型参数；
调整单元，用于利用所述触发区域的特征信息调整所述第一病灶识别模型的模型参数，得到所述第二病灶识别模型。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
通过上述的图像处理装置可以识别出医学图像中病灶区域的准确性。
本申请实施例还提供一种电子设备，该电子设备可以包括终端或服务器，比如，电子设备可以作为图像处理终端，该图像处理终端可以为智能电视等等；又比如计算机产品可以为服务器，如图像处理服务器等。如图9所示，其示出了本申请实施例所涉及的终端的结构示意图，具体来讲：
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图9中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户页面和应用程序等，调制解调处理器主要处理无线通讯。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机产品的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，电子设备还可以包括排版单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
获取医学图像的初始病灶区域；
对所述医学图像进行检测，得到操作对象针对所述医学图像的触发区域；
对所述触发区域进行病灶识别，以从所述触发区域中识别出目标病灶区域。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
根据本申请的一个方面，提供了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。计算机产品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，使得该计算机产品执行上述实施例中各种可选实现方式中提供的方法。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过计算机程序来完成，或通过计算机程序控制相关的硬件来完成，该计算机程序可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例还提供一种存储介质，其中存储有计算机程序，该计算机程序能够被处理器进行加载，以执行本申请实施例所提供的任一种图像处理方法中的步骤。例如，该计算机程序可以执行如下步骤：
获取医学图像的初始病灶区域；
对所述医学图像进行检测，得到操作对象针对所述医学图像的触发区域；
对所述触发区域进行病灶识别，以从所述触发区域中识别出目标病灶区域。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
由于该存储介质中所存储的计算机程序，可以执行本申请实施例所提供的任一种图像处理方法中的步骤，因此，可以实现本申请实施例所提供的任一种图像处理方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种图像处理方法、装置、电子设备和存储介质进行了详细介绍，本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，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申请的限制。

Claims (10)

1.一种图像处理方法，其特征在于，包括：
获取医学图像的初始病灶区域；
对所述医学图像进行检测，得到操作对象针对所述医学图像的触发区域；
对所述触发区域进行病灶识别，以从所述触发区域中识别出目标病灶区域。
2.根据权利要求1所述的方法，其特征在于，所述对所述医学图像进行检测，得到操作对象针对所述医学图像的触发区域，包括：
响应于所述操作对象针对所述医学图像的触发操作，搜集所述对象针对所述医学图像的图像操作指令；
对所述图像操作指令进行解析，得到图像操作信息；
根据所述图像操作信息，在所述医学图像中确定所述出触发区域。
3.根据权利要求2所述的方法，其特征在于，所述根据所述图像操作信息，在所述医学图像中确定所述出触发区域，包括：
对所述图像操作信息进行识别，得到触发类型和触发位置信息；
根据所述触发位置信息，对所述医学图像进行定位，得到所述触发位置信息在所述医学图像中对应定位标识；
根据所述触发类型，以所述定位标识为基准生成所述触发区域。
4.根据权利要求1所述的方法，其特征在于，所述对所述触发区域进行病灶识别，以从所述触发区域中识别出目标病灶区域，包括：
在多个不同尺度上对所述触发区域进行特征提取，得到所述触发区域在多个不同尺度上的特征信息；
将所述不同尺度上的特征信息进行全连接处理，得到全连接后特征信息；
将所述全连接后特征信息映射到预设病灶概率空间中，得到所述全连接后特征信息对应的映射概率；
基于所述映射概率确定所述目标病灶区域。
5.根据权利要求1所述的方法，其特征在于，所述对所述医学图像进行检测，得到操作对象针对所述医学图像的触发区域之前，还包括：
对所述初始病灶区域进行识别，得到所述初始病灶区域对应的病灶类型；
将所述病灶类型和所述预设准确度条件进行匹配，得到匹配结果；
根据所述匹配结果判断所述初始病灶区域是否符合所述预设准确度条件。
6.根据权利要求1所述的方法，其特征在于，所述获取医学图像的初始病灶区域，包括：
利用第一病灶识别模型对所述医学图像进行识别，得到所述初始病灶区域；
所述对所述触发区域进行病灶识别，以从所述触发区域中识别出目标病灶区域，包括：
利用所述第二病灶识别模型对所述触发区域进行病灶识别，以从所述触发区域中识别出目标病灶区域。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
对所述触发区域进行特征提取，得到所述触发区域的特征信息；
对所述第一病灶识别模型进行解析，得到所述第一病灶识别模型的模型参数；
利用所述触发区域的特征信息调整所述第一病灶识别模型的模型参数，得到所述第二病灶识别模型。
8.一种图像处理装置，其特征在于，包括：
获取单元，用于获取医学图像的初始病灶区域；
检测单元，用于当所述初始病灶区域不符合预设准确度条件时，对所述医学图像进行检测，得到操作对象针对所述医学图像的触发区域；
病灶识别单元，用于对所述触发区域进行病灶识别，以从所述触发区域中识别出目标病灶区域。
9.一种电子设备，其特征在于，包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行权利要求1至7任一项所述的图像处理方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条计算机程序，所述计算机程序适于处理器进行加载，以执行权利要求1至7任一项所述的图像处理方法中的步骤。
CN202111531876.5A 2021-12-14 2021-12-14 一种图像处理方法、装置、电子设备和存储介质 Pending CN114187281A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111531876.5A CN114187281A (zh) 2021-12-14 2021-12-14 一种图像处理方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111531876.5A CN114187281A (zh) 2021-12-14 2021-12-14 一种图像处理方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN114187281A true CN114187281A (zh) 2022-03-15

Family

ID=80605096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111531876.5A Pending CN114187281A (zh) 2021-12-14 2021-12-14 一种图像处理方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114187281A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115444553A (zh) * 2022-08-12 2022-12-09 数坤(上海)医疗科技有限公司 进针点投影方法、装置、设备和存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040153128A1 (en) * 2003-01-30 2004-08-05 Mitta Suresh Method and system for image processing and contour assessment
CN102239495A (zh) * 2008-12-04 2011-11-09 皇家飞利浦电子股份有限公司 用于采集医学图像数据的方法、装置和计算机程序产品
CN107430690A (zh) * 2015-03-31 2017-12-01 索尼公司 根据t1 mri的自动3d分割和皮层表面重建
CN108109682A (zh) * 2018-01-19 2018-06-01 大连外国语大学 一种医学影像识别系统及其方法
CN110599451A (zh) * 2019-08-05 2019-12-20 平安科技（深圳）有限公司 医学图像病灶检测定位方法、装置、设备及存储介质
CN111127466A (zh) * 2020-03-31 2020-05-08 上海联影智能医疗科技有限公司 医学图像检测方法、装置、设备及存储介质
CN111986150A (zh) * 2020-07-17 2020-11-24 万达信息股份有限公司 一种数字病理图像的交互式标注精细化方法
CN113077445A (zh) * 2021-04-01 2021-07-06 中科院成都信息技术股份有限公司 数据处理方法及装置、电子设备、可读存储介质
CN113299370A (zh) * 2021-07-05 2021-08-24 数坤(北京)网络科技股份有限公司 医学图像展示方法、装置、计算机设备和存储介质
CN113344864A (zh) * 2021-05-21 2021-09-03 江苏乾君坤君智能网络科技有限公司 一种基于深度学习的超声甲状腺结节良恶性预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040153128A1 (en) * 2003-01-30 2004-08-05 Mitta Suresh Method and system for image processing and contour assessment
CN102239495A (zh) * 2008-12-04 2011-11-09 皇家飞利浦电子股份有限公司 用于采集医学图像数据的方法、装置和计算机程序产品
CN107430690A (zh) * 2015-03-31 2017-12-01 索尼公司 根据t1 mri的自动3d分割和皮层表面重建
CN108109682A (zh) * 2018-01-19 2018-06-01 大连外国语大学 一种医学影像识别系统及其方法
CN110599451A (zh) * 2019-08-05 2019-12-20 平安科技（深圳）有限公司 医学图像病灶检测定位方法、装置、设备及存储介质
CN111127466A (zh) * 2020-03-31 2020-05-08 上海联影智能医疗科技有限公司 医学图像检测方法、装置、设备及存储介质
CN111986150A (zh) * 2020-07-17 2020-11-24 万达信息股份有限公司 一种数字病理图像的交互式标注精细化方法
CN113077445A (zh) * 2021-04-01 2021-07-06 中科院成都信息技术股份有限公司 数据处理方法及装置、电子设备、可读存储介质
CN113344864A (zh) * 2021-05-21 2021-09-03 江苏乾君坤君智能网络科技有限公司 一种基于深度学习的超声甲状腺结节良恶性预测方法
CN113299370A (zh) * 2021-07-05 2021-08-24 数坤(北京)网络科技股份有限公司 医学图像展示方法、装置、计算机设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
IVANA DESPOTOVIT 等: "MRI Segmentation of the Human Brain: Challenges, Methods, and Applications", 《COMPUTATIONAL INTELLIGENCE TECHNIQUES IN MEDICINE》 *
赵楠 等: "一种糖尿病足溃疡智能测量模型的构建与验证", 《中南大学学报（医学版）》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115444553A (zh) * 2022-08-12 2022-12-09 数坤(上海)医疗科技有限公司 进针点投影方法、装置、设备和存储介质
CN115444553B (zh) * 2022-08-12 2023-08-29 数坤(上海)医疗科技有限公司 进针点投影方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
KR101864380B1 (ko) 수술영상데이터 학습시스템
KR102014385B1 (ko) 수술영상 학습 및 학습 기반 수술동작 인식 방법 및 장치
JP7058373B2 (ja) 医療画像に対する病変の検出及び位置決め方法、装置、デバイス、及び記憶媒体
CN109886933B (zh) 一种医学图像识别方法、装置和存储介质
KR20190088375A (ko) 수술영상데이터 학습시스템
CN111325745B (zh) 骨折区域分析方法和装置、电子设备及可读存储介质
CN112037146A (zh) 医学图像伪影自动校正方法、装置和计算机设备
CN110648318A (zh) 用于皮肤病的辅助分析方法及装置、电子设备、存储介质
CN111145160A (zh) 钙化区域所处冠脉分支的确定方法、装置、服务器及介质
CN111428070A (zh) 眼科案例的检索方法、装置、服务器及存储介质
CN113160153A (zh) 一种基于深度学习技术的肺结节筛查方法及筛查系统
CN113485555A (zh) 医学影像阅片方法、电子设备和存储介质
CN117854155B (zh) 一种人体骨骼动作识别方法及系统
CN114187281A (zh) 一种图像处理方法、装置、电子设备和存储介质
CN113344926B (zh) 胆胰超声图像识别方法、装置、服务器及存储介质
CN113724185B (zh) 用于图像分类的模型处理方法、装置及存储介质
CN112446911A (zh) 中心线提取、界面交互与模型训练方法、系统及设备
CN113903433B (zh) 一种图像处理方法、装置和电子设备
CN113222989B (zh) 一种图像分级方法、装置、存储介质及电子设备
CN112885435B (zh) 图像目标区域的确定方法、装置和系统
CN111507981B (zh) 图像处理方法和装置、电子设备、计算机可读存储介质
CN114463323B (zh) 一种病灶区域识别方法、装置、电子设备和存储介质
CN113990432A (zh) 基于rpa和ai的影像报告推送方法、装置及计算设备
CN111968111A (zh) 一种ct图像的脏器或伪影辨别方法及装置
CN115187805B (zh) 一种征象识别方法、装置、电子设备和存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220315