CN114332127A - 图像分割方法和装置、计算机可读存储介质和电子设备 - Google Patents
图像分割方法和装置、计算机可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN114332127A CN114332127A CN202111663325.4A CN202111663325A CN114332127A CN 114332127 A CN114332127 A CN 114332127A CN 202111663325 A CN202111663325 A CN 202111663325A CN 114332127 A CN114332127 A CN 114332127A
- Authority
- CN
- China
- Prior art keywords
- image
- nodule
- segmentation
- frame
- region
- 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
Links
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及图像处理技术领域,具体涉及一种图像分割方法和图像分割装置,以及计算机可读存储介质和电子设备,解决了医学图像序列中的结节病灶的分割效果较差的问题。本申请实施例提供的图像分割方法,基于结节病灶区域图像块对应的特征概率图和初始概率阈值,生成结节病灶区域图像块对应的第一分割图像,然后基于特征概率图、第一分割图像、结节体积条件和预设概率调整参数,生成结节病灶区域图像块对应的第二分割图像,从而可以根据结节体积条件和预设概率调整参数来调整概率阈值,以生成对结节病灶区域的分割效果更好的第二分割图像,提高了图像的分割效果。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种图像分割方法和图像分割装置,以及计算机可读存储介质和电子设备。
背景技术
医学图像序列中的结节病灶形态复杂多样,且结节病灶大小相差较多。因此,很难对医学图像序列中的结节病灶进行精度较高的分割。即,现有图像分割方法对医学图像序列中的结节病灶进行分割的效果较差。
发明内容
有鉴于此,本申请实施例提供了一种图像分割方法和图像分割装置,以及计算机可读存储介质和电子设备,解决了医学图像序列中的结节病灶的分割效果较差的问题。
第一方面,本申请一实施例提供的一种图像分割方法,包括:基于结节病灶区域图像块对应的特征概率图和初始概率阈值,生成结节病灶区域图像块对应的第一分割图像,其中,结节病灶区域图像块基于包含结节病灶区域的待分割三维医学图像生成,特征概率图包括结节病灶区域图像块中的每个像素的结节分割概率;基于特征概率图、第一分割图像、结节体积条件和预设概率调整参数,生成结节病灶区域图像块对应的第二分割图像。
结合本申请的第一方面,在一些实施例中,基于特征概率图、第一分割图像、结节体积条件和预设概率调整参数,生成结节病灶区域图像块对应的第二分割图像,包括:如果第一分割图像不满足结节体积条件,基于初始概率阈值和预设概率调整参数,确定调整概率阈值;基于特征概率图和调整概率阈值,重新生成第一分割图像;如果第一分割图像满足结节体积条件,将第一分割图像确定为第二分割图像。
结合本申请的第一方面,在一些实施例中,基于结节病灶区域图像块对应的特征概率图和初始概率阈值,生成结节病灶区域图像块对应的第一分割图像之前,还包括:基于待分割医学图像序列,确定待分割医学图像序列对应的至少一个三维检测框区域;针对至少一个三维检测框区域中的每个三维检测框区域,基于三维检测框区域,确定三维检测框区域对应的采样网格;基于采样网格对三维检测框区域进行采样,得到三维检测框区域对应的结节病灶区域图像块;基于至少一个三维检测框区域各自对应的结节病灶区域图像块,确定待分割医学图像序列对应的至少一个结节病灶区域图像块;其中,基于结节病灶区域图像块对应的特征概率图和初始概率阈值,生成结节病灶区域图像块对应的第一分割图像,包括:针对至少一个结节病灶区域图像块中的每个结节病灶区域图像块,基于结节病灶区域图像块对应的特征概率图和初始预设概率阈值,生成结节病灶区域图像块对应的第一分割图像。
结合本申请的第一方面,在一些实施例中,基于三维检测框区域,确定三维检测框区域对应的采样网格,包括:基于三维检测框区域对应的图像体积与物理空间分辨率,确定三维检测框区域对应的采样网格的物理空间分辨率;对采样网格的物理空间分辨率做各向同性处理,确定采样网格的空间分辨率;基于三维检测框区域、采样网格的空间分辨率、预设网格大小,确定三维检测框区域对应的采样网格。
结合本申请的第一方面,在一些实施例中,基于待分割医学图像序列,确定待分割医学图像序列对应的至少一个三维检测框区域,包括:获取待分割医学图像序列中包含的二维检测框区域的A帧图像帧;基于A帧图像帧,确定至少一个三维检测框区域。
结合本申请的第一方面,在一些实施例中,待分割医学图像序列包括多帧沿Z轴方向叠加排列的时序序号连续的图像帧,二维检测框区域包括结节区域,基于A帧图像帧,确定至少一个三维检测框区域,包括:基于A帧图像帧,确定A帧图像帧中的二维检测框区域中的结节区域的结节属性信息,其中,结节属性信息包括结节位置、结节尺寸和结节种类;针对A帧图像帧中的每帧图像帧,以当前图像帧为中心,确定当前图像帧的至少一帧前序图像帧和至少一帧后序图像帧;在至少一帧前序图像帧和至少一帧后序图像帧中进行检索,确定重叠度满足预设重叠度阈值的至少一帧图像帧;基于A帧图像帧中的二维检测框区域中的结节区域的结节属性信息、重叠度满足预设重叠度阈值的至少一帧图像帧,进行聚类处理,确定至少一个三维检测框区域。
结合本申请的第一方面,在一些实施例中,基于结节病灶区域图像块对应的特征概率图和初始概率阈值,生成结节病灶区域图像块对应的第一分割图像之前,还包括:基于结节分割模型,对结节病灶区域图像块进行结节分割,得到结节病灶区域图像块对应的特征概率图。
结合本申请的第一方面,在一些实施例中,基于结节分割模型,对结节病灶区域图像块进行结节分割,得到结节病灶区域图像块对应的特征概率图之前,还包括:对医学图像序列样本集包含的P个病灶采样区域进行N次采样,得到N个组合样本,基于N个组合样本分别对初始网络模型进行训练,得到N次训练各自对应的损失结果和结节分割模型,其中,每个组合样本各自对应一个采样分配权重,每个组合样本包括S种病灶属性的病灶样本,采样分配权重为S种病灶属性各自对应的病灶样本的数量在组合样本包括的病灶样本总数量中的比例,S、P、N均为正整数;基于N次训练各自对应的损失结果,确定N训练各自对应的损失结果中最小的损失结果对应的结节分割模型。
结合本申请的第一方面,在一些实施例中,基于结节分割模型,对结节病灶区域图像块进行结节分割,得到结节病灶区域图像块对应的特征概率图,包括:基于结节分割模型,对结节病灶区域图像块进行结节分割,得到结节病灶区域图像块对应的初步特征概率图;基于初步特征概率图对应的物理空间分辨率,做各向异性处理,确定结节病灶区域图像块对应的特征概率图。
第二方面,本申请一实施例提供了一种图像分割装置,包括:第一分割模块,配置为基于结节病灶区域图像块对应的特征概率图和初始概率阈值,生成结节病灶区域图像块对应的第一分割图像,其中,结节病灶区域图像块基于包含结节病灶区域的待分割三维医学图像生成,特征概率图包括结节病灶区域图像块中的每个像素的结节分割概率;第二分割模块,配置为基于特征概率图、第一分割图像、结节体积条件和预设概率调整参数,生成结节病灶区域图像块对应的第二分割图像。
第三方面,本申请一实施例提供了一种计算机可读存储介质,存储介质存储有指令,当指令由电子设备的处理器执行时,使得电子设备能够执行上述第一方面提及的图像分割方法。
第四方面,本申请一实施例提供了一种电子设备,电子设备包括:处理器;用于存储计算机可执行指令的存储器;处理器,用于执行计算机可执行指令,以实现上述第一方面提及的图像分割方法。
本申请实施例提供的图像分割方法,基于结节病灶区域图像块对应的特征概率图和初始概率阈值,生成结节病灶区域图像块对应的第一分割图像,然后基于特征概率图、第一分割图像、结节体积条件和预设概率调整参数,生成结节病灶区域图像块对应的第二分割图像,从而可以根据结节体积条件和预设概率调整参数来调整概率阈值,以生成对结节病灶区域的分割效果更好的第二分割图像,提高了图像的分割效果。
附图说明
图1所示为本申请一实施例提供的图像分割方法的应用场景示意图。
图2所示为本申请一实施例提供的图像分割方法的流程示意图。
图3所示为本申请另一实施例提供的图像分割方法的流程示意图。
图4所示为本申请另一实施例提供的图像分割方法的流程示意图。
图5所示为本申请另一实施例提供的图像分割方法的流程示意图。
图6所示为本申请另一实施例提供的图像分割方法的流程示意图。
图7所示为本申请另一实施例提供的图像分割方法的流程示意图。
图8所示为本申请另一实施例提供的图像分割方法的流程示意图。
图9所示为本申请另一实施例提供的图像分割方法的流程示意图。
图10所示为本申请另一实施例提供的图像分割方法的流程示意图。
图11所示为本申请一实施例提供的图像分割装置的结构示意图。
图12所示为本申请另一实施例提供的图像分割装置的结构示意图。
图13所示为本申请另一实施例提供的图像分割装置的结构示意图。
图14所示为本申请另一实施例提供的图像分割装置的结构示意图。
图15所示为本申请另一实施例提供的图像分割装置的结构示意图。
图16所示为本申请另一实施例提供的图像分割装置的结构示意图。
图17所示为本申请另一实施例提供的图像分割装置的结构示意图。
图18所示为本申请另一实施例提供的图像分割装置的结构示意图。
图19所示为本申请另一实施例提供的图像分割装置的结构示意图。
图20所示为本申请一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,显然,所描述的实施例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,本领域普通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。
示例性场景
图1所示为本申请一实施例提供的图像分割方法的应用场景示意图。图1所示的场景包括服务器110以及与服务器110通信连接的图像拍摄设备120。具体而言,服务器110用于基于结节病灶区域图像块对应的特征概率图和初始概率阈值,生成结节病灶区域图像块对应的第一分割图像,其中,结节病灶区域图像块基于包含结节病灶区域的待分割三维医学图像生成,特征概率图包括结节病灶区域图像块中的每个像素的结节分割概率;基于特征概率图、第一分割图像、结节体积条件和预设概率调整参数,生成结节病灶区域图像块对应的第二分割图像。图像拍摄设备120用于获取待分割三维医学图像,并将待分割三维医学图像发生给服务器110,以便服务器110执行上述操作。
示例性方法
图2所示为本申请一实施例提供的图像分割方法的流程示意图。如图2所示,该图像分割方法包括如下步骤。
步骤210,基于结节病灶区域图像块对应的特征概率图和初始概率阈值,生成结节病灶区域图像块对应的第一分割图像。
具体地,结节病灶区域图像块基于包含结节病灶区域的待分割三维医学图像生成。结节病灶区域图像块可以是对待分割三维医学图像中的结节病灶区域进行采样得到的。特征概率图包括结节病灶区域图像块中的每个像素的结节分割概率。
步骤220,基于特征概率图、第一分割图像、结节体积条件和预设概率调整参数,生成结节病灶区域图像块对应的第二分割图像。
具体地,结节体积条件可以是第一分割图像中存在结节病灶区域,也可以是第一分割图像中存在符合预设结节尺寸的结节病灶区域。预设结节尺寸可以是3mm*3mm*3mm,也可以是5mm*5mm*5mm,本申请不做具体限定。因此,可以根据第一分割图像是否满足结节体积条件来确定是否对初始概率阈值进行调整,从而得到更合适的概率阈值。
本申请实施例提供的图像分割方法,基于结节病灶区域图像块对应的特征概率图和初始概率阈值,生成结节病灶区域图像块对应的第一分割图像,然后基于特征概率图、第一分割图像、结节体积条件和预设概率调整参数,生成结节病灶区域图像块对应的第二分割图像,从而可以根据结节体积条件和预设概率调整参数来调整概率阈值,以生成对结节病灶区域的分割效果更好的第二分割图像,提高了图像的分割效果。
图3所示为本申请另一实施例提供的图像分割方法的流程示意图。在图2所示实施例基础上延伸出图3所示实施例,下面着重叙述图3所示实施例与图2所示实施例的不同之处,相同之处不再赘述。
如图3所示,在本申请实施例中,基于特征概率图、第一分割图像、结节体积条件和预设概率调整参数,生成结节病灶区域图像块对应的第二分割图像的步骤,包括如下步骤。
步骤310,判断第一分割图像是否满足结节体积条件。
具体地,如果第一分割图像不满足结节体积条件,则执行步骤320和步骤330。如果第一分割图像满足结节体积条件,则执行步骤340。
步骤320,基于初始概率阈值和预设概率调整参数,确定调整概率阈值。
步骤330,基于特征概率图和调整概率阈值,重新生成第一分割图像。
步骤340,将第一分割图像确定为第二分割图像。
具体地,可以循环执行步骤310至步骤330,直到第一分割图像满足结节体积条件,执行步骤340。可以将最后一次生成的第一分割图像对应的概率阈值确定为实际概率阈值。
示例性地,初始概率阈值可以是0.8,预设概率调整参数可以是-0.05,第一次调整概率阈值后确定的调整概率阈值即为0.75,第二次调整概率阈值后确定的调整概率阈值即为0.7,第三次调整概率阈值后确定的调整概率阈值即为0.65,以此类推。
通过反复确定调整概率阈值,可以使最终得到的实际概率阈值更加合适,从而使第二分割图像更加准确。
图4所示为本申请另一实施例提供的图像分割方法的流程示意图。在图2所示实施例基础上延伸出图4所示实施例,下面着重叙述图4所示实施例与图2所示实施例的不同之处,相同之处不再赘述。
如图4所示,在本申请实施例中,基于结节病灶区域图像块对应的特征概率图和初始概率阈值,生成结节病灶区域图像块对应的第一分割图像的步骤之前,还包括如下步骤。
步骤410,基于待分割医学图像序列,确定待分割医学图像序列对应的至少一个三维检测框区域。
具体地,待分割医学图像序列可以包括多个二维检测框区域,将多个二维检测框区域进行分类和融合,可以得到至少一个三维检测框区域。
步骤420,针对至少一个三维检测框区域中的每个三维检测框区域,基于三维检测框区域,确定三维检测框区域对应的采样网格。
具体地,每个三维检测框区域对应的一个采样网格。
步骤430,基于采样网格对三维检测框区域进行采样,得到三维检测框区域对应的结节病灶区域图像块。
具体地,可以在三维检测框区域内选择一个点作为采样中心点,然后以采样中心点为中心,利用采样网格,进行采样,得到三维检测框区域对应的结节病灶区域图像块。
步骤440,基于至少一个三维检测框区域各自对应的结节病灶区域图像块,确定待分割医学图像序列对应的至少一个结节病灶区域图像块。
在本申请实施例中,基于结节病灶区域图像块对应的特征概率图和初始概率阈值,生成结节病灶区域图像块对应的第一分割图像的步骤,包括如下步骤:针对至少一个结节病灶区域图像块中的每个结节病灶区域图像块,基于结节病灶区域图像块对应的特征概率图和初始预设概率阈值,生成结节病灶区域图像块对应的第一分割图像。
由于三维检测框区域大概率会包含结节病灶区域,通过采样网格对三维检测框区域进行采样,得到三维检测框区域对应的结节病灶区域图像块,提高了采样得到的结节病灶区域图像块中包含结节病灶区域的概率。
图5所示为本申请另一实施例提供的图像分割方法的流程示意图。在图4所示实施例基础上延伸出图5所示实施例,下面着重叙述图5所示实施例与图4所示实施例的不同之处,相同之处不再赘述。
如图5所示,在本申请实施例中,基于三维检测框区域,确定三维检测框区域对应的采样网格的步骤,包括如下步骤。
步骤510,基于三维检测框区域对应的图像体积与物理空间分辨率,确定三维检测框区域对应的采样网格的物理空间分辨率。
具体地,三维检测框区域对应的图像体积与物理空间分辨率的乘积为物理体积。三维检测框区域对应的物理体积除以采样网格的体积,即为三维检测框区域对应的采样网格的物理空间分辨率。采样网格的体积可以是64*128*128,也可以是其他大小,本申请不做具体限定。
步骤520,对采样网格的物理空间分辨率做各向同性处理,确定采样网格的空间分辨率。
具体地,各向同性处理是将xyz三个方向的像素间距调整为相同间距。例如,采样网格的物理空间分辨率可以是1*2*2,对采样网格的物理空间分辨率做各向同性处理,确定的采样网格的空间分辨率可以是1*1*1。
步骤530,基于三维检测框区域、采样网格的空间分辨率、预设网格大小,确定三维检测框区域对应的采样网格。
通过对采样网格的物理空间分辨率做各向同性处理,使采样网格的空间分辨率更接近实际结节病灶的分辨率,从而使采样得到的结节病灶区域图像块更贴近结节病灶的实际状态。
图6所示为本申请另一实施例提供的图像分割方法的流程示意图。在图4所示实施例基础上延伸出图6所示实施例,下面着重叙述图6所示实施例与图4所示实施例的不同之处,相同之处不再赘述。
如图6所示,在本申请实施例中,基于待分割医学图像序列,确定待分割医学图像序列对应的至少一个三维检测框区域的步骤,包括如下步骤。
步骤610,获取待分割医学图像序列中包含的二维检测框区域的A帧图像帧。
步骤620,基于A帧图像帧,确定至少一个三维检测框区域。
具体地,至少一个三维检测框区域可以是将多个二维检测框区域进行融合得到的。
通过将多个二维检测框区域融合为至少一个三维检测框区域,便于后续进行三维采样和图像分割。
图7所示为本申请另一实施例提供的图像分割方法的流程示意图。在图6所示实施例基础上延伸出图7所示实施例,下面着重叙述图7所示实施例与图6所示实施例的不同之处,相同之处不再赘述。
如图7所示,在本申请实施例中,基于A帧图像帧,确定至少一个三维检测框区域的步骤,包括如下步骤。
步骤710,基于A帧图像帧,确定A帧图像帧中的二维检测框区域中的结节区域的结节属性信息。
具体地,结节属性信息包括结节位置、结节尺寸和结节种类。待分割医学图像序列包括多帧沿Z轴方向叠加排列的时序序号连续的图像帧。二维检测框区域包括结节区域。
步骤720,针对A帧图像帧中的每帧图像帧,以当前图像帧为中心,确定当前图像帧的至少一帧前序图像帧和至少一帧后序图像帧。
具体地,当前图像帧的前序图像帧可以是当前图像帧对应的时序序号之前的时序序号对应的图像帧。当前图像帧的后序图像帧可以是当前图像帧对应的时序序号之后的时序序号对应的图像帧。
步骤730,在至少一帧前序图像帧和至少一帧后序图像帧中进行检索,确定重叠度满足预设重叠度阈值的至少一帧图像帧。
具体地,预设重叠度阈值可以根据实际情况进行选择,本申请不做具体限定。
步骤740,基于A帧图像帧中的二维检测框区域中的结节区域的结节属性信息、重叠度满足预设重叠度阈值的至少一帧图像帧,进行聚类处理,确定至少一个三维检测框区域。
在实际应用中,步骤710至步骤740可以通过队列实现。例如,先将备选队列置空,然后在备选队列中放入A帧图像帧,确定A帧图像帧中的二维检测框区域中的结节区域的结节属性信息。然后,针对A帧图像帧中的每帧图像帧,以当前图像帧为中心,确定当前图像帧的至少一帧前序图像帧和至少一帧后序图像帧,在至少一帧前序图像帧和至少一帧后序图像帧中进行检索,确定重叠度满足预设重叠度阈值的至少一帧图像帧,将满足预设重叠度阈值的至少一帧图像帧加入备选队列。针对备选队列,按Z方向扫描各层的二维检测框区域,并根据结节类别和聚集程度对各层的二维检测框区域进行聚类。如果存在多个簇,则视为此备选队列涵盖了多个结节实体,依不同簇将队列裂解成多个队列,若只存在一个簇,则视为备选队列中只含有一个结节实体。最后,将备选队列中的所有二维检测框区域进行合并,输出合并后的至少一个三维检测框区域。
通过在至少一帧前序图像帧和至少一帧后序图像帧中进行检索,确定重叠度满足预设重叠度阈值的至少一帧图像帧,然后基于A帧图像帧中的二维检测框区域中的结节区域的结节属性信息、重叠度满足预设重叠度阈值的至少一帧图像帧,进行聚类处理,确定至少一个三维检测框区域,避免了遗漏三维检测框区域。
图8所示为本申请另一实施例提供的图像分割方法的流程示意图。在图2所示实施例基础上延伸出图8所示实施例,下面着重叙述图8所示实施例与图2所示实施例的不同之处,相同之处不再赘述。
如图8所示,在本申请实施例中,基于结节病灶区域图像块对应的特征概率图和初始概率阈值,生成结节病灶区域图像块对应的第一分割图像的步骤之前,还包括如下步骤。
步骤810,基于结节分割模型,对结节病灶区域图像块进行结节分割,得到结节病灶区域图像块对应的特征概率图。
通过结节分割模型,对结节病灶区域图像块进行结节分割,方便快捷,效率高。
图9所示为本申请另一实施例提供的图像分割方法的流程示意图。在图8所示实施例基础上延伸出图9所示实施例,下面着重叙述图9所示实施例与图8所示实施例的不同之处,相同之处不再赘述。
如图9所示,在本申请实施例中,基于结节分割模型,对结节病灶区域图像块进行结节分割,得到结节病灶区域图像块对应的特征概率图的步骤之前,还包括如下步骤。
步骤910,对医学图像序列样本集包含的P个病灶采样区域进行N次采样,得到N个组合样本,基于N个组合样本分别对初始网络模型进行训练,得到N次训练各自对应的损失结果和结节分割模型。
具体地,P个病灶采样区域可以是检测框确定的区域。检测框确定的区域可以是通过初步的病灶分割,得到的精度较差的区域,即检测框确定的区域中可以是包括整个结节,也可以是只包括一部分结节。每个组合样本各自对应一个采样分配权重,每个组合样本包括S种病灶属性的病灶样本,采样分配权重为S种病灶属性各自对应的病灶样本的数量在组合样本包括的病灶样本总数量中的比例,P、N、S均为正整数。初始网络模型可以是resunet网络模型。损失结果可以是基于损失函数得到的损失数值。结节分割模型可以是对初始网络模型进行训练得到的模型。
在本申请一实施例中,S种病灶属性包括:预设结节尺寸、预设结节形态。预设结节尺寸可以是5mm*5mm*5mm,也可以是3mm*3mm*3mm,预设结节尺寸可以根据实际情况进行设置,本申请不做具体限定。预设结节形态可以是毛刺状等不规则形态,也可以是圆球、椭圆球等规则形态。
示例性地,N可以为3。3个组合样本均包含1000个病灶样本。第一个组合样本可以包括:包含大结节的病灶样本500个,包含小结节的病灶样本500个。第二个组合样本可以包括:包含大结节的病灶样本300个,包含小结节的病灶样本700个。第三个组合样本可以包括:包含大结节的病灶样本800个,包含小结节的病灶样本200个。
步骤920,基于N次训练各自对应的损失结果,确定N训练各自对应的损失结果中最小的损失结果对应的结节分割模型。
具体地,N的具体数值可以根据实际需求进行设置。例如,N可以是60。即,基于60次训练各自对应的损失结果,确定60次训练各自对应的损失结果中最小的损失结果对应的结节分割模型。N的具体数值也可以根据模型训练过程中的损失函数的收敛情况进行设置。例如,模型训练到第40次的时候,损失函数的收敛情况就已经满足收敛条件了,则N可以是40。收敛条件可以是一个收敛阈值或收敛速度,本申请不做具体限定。
在实际应用中,可以将N次训练各自对应的损失结果中最小的损失结果对应的结节分割模型确定为最终训练好的结节分割模型,也可以将N次训练各自对应的损失结果收敛效果最好的结节分割模型确定为最终训练好的结节分割模型。
通过使每个组合样本各自对应一个采样分配权重,可以使用根据多种不同采样分配权重得到的组合样本对初始网络模型进行训练,从而选择出结节分割效果最好的结节分割模型。另外,采样分配权重为S种病灶属性各自对应的病灶样本的数量在组合样本包括的病灶样本总数量中的比例,从而可以平衡多种病灶属性对初始网络模型训练的影响,实现了差异化采样,从而提高了结节分割模型的分割效果。
图10所示为本申请另一实施例提供的图像分割方法的流程示意图。在图8所示实施例基础上延伸出图10所示实施例,下面着重叙述图10所示实施例与图8所示实施例的不同之处,相同之处不再赘述。
如图10所示,在本申请实施例中,基于结节分割模型,对结节病灶区域图像块进行结节分割,得到结节病灶区域图像块对应的特征概率图的步骤,包括如下步骤。
步骤1010,基于结节分割模型,对结节病灶区域图像块进行结节分割,得到结节病灶区域图像块对应的初步特征概率图。
步骤1020,基于初步特征概率图对应的物理空间分辨率,做各向异性处理,确定结节病灶区域图像块对应的特征概率图。
上文结合图1至图10,详细描述了本申请的方法实施例,下面结合图11至图19,详细描述本申请的装置实施例。应理解,方法实施例的描述与装置实施例的描述相互对应,因此,未详细描述的部分可以参见前面方法实施例。
示例性装置
图11所示为本申请一实施例提供的图像分割装置的结构示意图。如图11所示,本申请实施例的图像分割装置1100包括第一分割模块1110和第二分割模块1120。
具体地,第一分割模块1100配置为,基于结节病灶区域图像块对应的特征概率图和初始概率阈值,生成结节病灶区域图像块对应的第一分割图像,其中,结节病灶区域图像块基于包含结节病灶区域的待分割三维医学图像生成,特征概率图包括结节病灶区域图像块中的每个像素的结节分割概率。第二分割模块1120配置为,基于特征概率图、第一分割图像、结节体积条件和预设概率调整参数,生成结节病灶区域图像块对应的第二分割图像。
图12所示为本申请另一实施例提供的图像分割装置的结构示意图。在图11所示实施例基础上延伸出图12所示实施例,下面着重叙述图12所示实施例与图11所示实施例的不同之处,相同之处不再赘述。
如图12所示,本申请实施例的第二分割模块1120包括:第一判断结果确定单元1121、第一确定单元1122和第二判断结果确定单元1123。
具体地,第一判断结果确定单元1121配置为,如果第一分割图像不满足结节体积条件,基于初始概率阈值和预设概率调整参数,确定调整概率阈值。第一确定单元1122配置为,基于特征概率图和调整概率阈值,重新生成第一分割图像。第二判断结果确定单元1123配置为,如果第一分割图像满足结节体积条件,将第一分割图像确定为第二分割图像。
图13所示为本申请另一实施例提供的图像分割装置的结构示意图。在图11所示实施例基础上延伸出图13所示实施例,下面着重叙述图13所示实施例与图11所示实施例的不同之处,相同之处不再赘述。
如图13所示,本申请实施例的图像分割装置1100还包括:三维检测框区域确定模块1130、采样网格确定模块1140、采样模块1150、结节病灶区域图像块确定模块1160。
具体地,三维检测框区域确定模块1130配置为,基于待分割医学图像序列,确定待分割医学图像序列对应的至少一个三维检测框区域。采样网格确定模块1140配置为,针对至少一个三维检测框区域中的每个三维检测框区域,基于三维检测框区域,确定三维检测框区域对应的采样网格。采样模块1150配置为,基于采样网格对三维检测框区域进行采样,得到三维检测框区域对应的结节病灶区域图像块。结节病灶区域图像块确定模块1160配置为,基于至少一个三维检测框区域各自对应的结节病灶区域图像块,确定待分割医学图像序列对应的至少一个结节病灶区域图像块。
在本申请一实施例中,第一分割模块1100进一步配置为,针对至少一个结节病灶区域图像块中的每个结节病灶区域图像块,基于结节病灶区域图像块对应的特征概率图和初始预设概率阈值,生成结节病灶区域图像块对应的第一分割图像。
图14所示为本申请另一实施例提供的图像分割装置的结构示意图。在图13所示实施例基础上延伸出图14所示实施例,下面着重叙述图14所示实施例与图13所示实施例的不同之处,相同之处不再赘述。
如图14所示,本申请实施例的采样网格确定模块1140包括:采样网格的物理空间分辨率确定单元1141、各向同性处理单元1142和采样网格确定单元1143。
具体地,采样网格的物理空间分辨率确定单元1141配置为,基于三维检测框区域对应的图像体积与物理空间分辨率,确定三维检测框区域对应的采样网格的物理空间分辨率。各向同性处理单元1142配置为,对采样网格的物理空间分辨率做各向同性处理,确定采样网格的空间分辨率。采样网格确定单元1143配置为,基于三维检测框区域、采样网格的空间分辨率、预设网格大小,确定三维检测框区域对应的采样网格。
图15所示为本申请另一实施例提供的图像分割装置的结构示意图。在图13所示实施例基础上延伸出图15所示实施例,下面着重叙述图15所示实施例与图13所示实施例的不同之处,相同之处不再赘述。
如图15所示,本申请实施例的三维检测框区域确定模块1130包括:A帧图像获取单元1131和三维检测框区域确定单元1132。
具体地,A帧图像获取单元1131,配置为获取待分割医学图像序列中包含的二维检测框区域的A帧图像帧。三维检测框区域确定单元1132配置为,基于A帧图像帧,确定至少一个三维检测框区域。
图16所示为本申请另一实施例提供的图像分割装置的结构示意图。在图15所示实施例基础上延伸出图16所示实施例,下面着重叙述图16所示实施例与图15所示实施例的不同之处,相同之处不再赘述。
如图16所示,本申请实施例的三维检测框区域确定单元1132包括:结节属性确定子单元1610、前序图像和后序图像确定子单元1620、检索子单元1630和聚类处理子单元1640。
具体地,待分割医学图像序列包括多帧沿Z轴方向叠加排列的时序序号连续的图像帧,二维检测框区域包括结节区域。结节属性确定子单元1610配置为,基于A帧图像帧,确定A帧图像帧中的二维检测框区域中的结节区域的结节属性信息,其中,结节属性信息包括结节位置、结节尺寸和结节种类。前序图像和后序图像确定子单元1620配置为,针对A帧图像帧中的每帧图像帧,以当前图像帧为中心,确定当前图像帧的至少一帧前序图像帧和至少一帧后序图像帧。检索子单元1630配置为,在至少一帧前序图像帧和至少一帧后序图像帧中进行检索,确定重叠度满足预设重叠度阈值的至少一帧图像帧。聚类处理子单元1640配置为,基于A帧图像帧中的二维检测框区域中的结节区域的结节属性信息、重叠度满足预设重叠度阈值的至少一帧图像帧,进行聚类处理,确定至少一个三维检测框区域。
图17所示为本申请另一实施例提供的图像分割装置的结构示意图。在图11所示实施例基础上延伸出图17所示实施例,下面着重叙述图17所示实施例与图11所示实施例的不同之处,相同之处不再赘述。
如图17所示,本申请实施例的图像分割装置1100还包括:结节分割模块1170。
具体地,结节分割模块1170配置为,基于结节分割模型,对结节病灶区域图像块进行结节分割,得到结节病灶区域图像块对应的特征概率图。
图18所示为本申请另一实施例提供的图像分割装置的结构示意图。在图17所示实施例基础上延伸出图18所示实施例,下面着重叙述图18所示实施例与图17所示实施例的不同之处,相同之处不再赘述。
如图18所示,本申请实施例的图像分割装置1100还包括:模型训练模块1180和模型确定模块1190。
具体地,模型训练模块1180配置为,对医学图像序列样本集包含的P个病灶采样区域进行N次采样,得到N个组合样本,基于N个组合样本分别对初始网络模型进行训练,得到N次训练各自对应的损失结果和结节分割模型,其中,每个组合样本各自对应一个采样分配权重,每个组合样本包括S种病灶属性的病灶样本,采样分配权重为S种病灶属性各自对应的病灶样本的数量在组合样本包括的病灶样本总数量中的比例,N为正整数。模型确定模块1190配置为,基于N次训练各自对应的损失结果,确定N训练各自对应的损失结果中最小的损失结果对应的结节分割模型。
图19所示为本申请另一实施例提供的图像分割装置的结构示意图。在图17所示实施例基础上延伸出图19所示实施例,下面着重叙述图19所示实施例与图17所示实施例的不同之处,相同之处不再赘述。
如图19所示,本申请实施例的结节分割模块1170包括:初步特征概率图确定单元1171和特征概率图确定单元1172。
具体地,初步特征概率图确定单元1171配置为,基于结节分割模型,对结节病灶区域图像块进行结节分割,得到结节病灶区域图像块对应的初步特征概率图。特征概率图确定单元1172配置为,基于初步特征概率图对应的物理空间分辨率,做各向异性处理,确定结节病灶区域图像块对应的特征概率图。
示例性电子设备
图20所示为本申请一实施例提供的电子设备的结构示意图。如图20所示,该电子设备2000包括:一个或多个处理器2001和存储器2002;以及存储在存储器2002中的计算机程序指令,计算机程序指令在被处理器2001运行时使得处理器2001执行如上述任一实施例的图像分割方法。
处理器2001可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备中的其他组件以执行期望的功能。
存储器2002可以包括一个或多个计算机程序产品,计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器2001可以运行程序指令,以实现上文的本申请的各个实施例的图像分割方法中的步骤以及/或者其他期望的功能。
在一个示例中,电子设备2000还可以包括:输入装置2003和输出装置2004,这些组件通过总线系统和/或其他形式的连接机构(图20中未示出)互连。
此外,该输入装置2003还可以包括例如键盘、鼠标、麦克风等等。
该输出装置2004可以向外部输出各种信息。该输出装置2004可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图20中仅示出了该电子设备2000中与本申请有关的组件中的一些,省略了诸如总线、输入装置/输出接口等组件。除此之外,根据具体应用情况,电子设备2000还可以包括任何其他适当的组件。
示例性计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,包括计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行如上述任一实施例的图像分割方法中的步骤。
计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的图像分割方法中的步骤。
计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器((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。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
以上仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换等,均应包含在本申请的保护范围之内。
Claims (12)
1.一种图像分割方法,其特征在于,包括:
基于结节病灶区域图像块对应的特征概率图和初始概率阈值,生成所述结节病灶区域图像块对应的第一分割图像,其中,所述结节病灶区域图像块基于包含结节病灶区域的待分割三维医学图像生成,所述特征概率图包括所述结节病灶区域图像块中的每个像素的结节分割概率;
基于所述特征概率图、所述第一分割图像、结节体积条件和预设概率调整参数,生成所述结节病灶区域图像块对应的第二分割图像。
2.根据权利要求1所述的图像分割方法,其特征在于,所述基于所述特征概率图、所述第一分割图像、结节体积条件和预设概率调整参数,生成所述结节病灶区域图像块对应的第二分割图像,包括:
如果所述第一分割图像不满足所述结节体积条件,基于所述初始概率阈值和所述预设概率调整参数,确定调整概率阈值;
基于所述特征概率图和所述调整概率阈值,重新生成所述第一分割图像;
如果所述第一分割图像满足所述结节体积条件,将所述第一分割图像确定为所述第二分割图像。
3.根据权利要求1或2所述的图像分割方法,其特征在于,所述基于结节病灶区域图像块对应的特征概率图和初始概率阈值,生成所述结节病灶区域图像块对应的第一分割图像之前,还包括:
基于所述待分割医学图像序列,确定所述待分割医学图像序列对应的至少一个三维检测框区域;
针对所述至少一个三维检测框区域中的每个三维检测框区域,
基于所述三维检测框区域,确定所述三维检测框区域对应的采样网格;
基于所述采样网格对所述三维检测框区域进行采样,得到所述三维检测框区域对应的结节病灶区域图像块;
基于所述至少一个三维检测框区域各自对应的结节病灶区域图像块,确定所述待分割医学图像序列对应的至少一个结节病灶区域图像块;
其中,所述基于结节病灶区域图像块、所述结节病灶区域图像块对应的特征概率图和初始概率阈值,生成所述结节病灶区域图像块对应的第一分割图像,包括:
针对所述至少一个结节病灶区域图像块中的每个结节病灶区域图像块,基于结节病灶区域图像块对应的特征概率图和初始预设概率阈值,生成所述结节病灶区域图像块对应的第一分割图像。
4.根据权利要求3所述的图像分割方法,其特征在于,所述基于所述三维检测框区域,确定所述三维检测框区域对应的采样网格,包括:
基于所述三维检测框区域对应的图像体积与物理空间分辨率,确定所述三维检测框区域对应的采样网格的物理空间分辨率;
对所述采样网格的物理空间分辨率做各向同性处理,确定所述采样网格的空间分辨率;
基于所述三维检测框区域、所述采样网格的空间分辨率、预设网格大小,确定所述三维检测框区域对应的采样网格。
5.根据权利要求3所述的图像分割方法,其特征在于,所述基于待分割医学图像序列,确定所述待分割医学图像序列对应的至少一个三维检测框区域,包括:
获取所述待分割医学图像序列中包含的二维检测框区域的A帧图像帧;
基于所述A帧图像帧,确定所述至少一个三维检测框区域。
6.根据权利要求5所述的图像分割方法,其特征在于,所述待分割医学图像序列包括多帧沿Z轴方向叠加排列的时序序号连续的图像帧,所述二维检测框区域包括结节区域,所述基于所述A帧图像帧,确定所述至少一个三维检测框区域,包括:
基于所述A帧图像帧,确定所述A帧图像帧中的二维检测框区域中的结节区域的结节属性信息,其中,所述结节属性信息包括结节位置、结节尺寸和结节种类;
针对所述A帧图像帧中的每帧图像帧,
以当前图像帧为中心,确定所述当前图像帧的至少一帧前序图像帧和至少一帧后序图像帧;
在所述至少一帧前序图像帧和所述至少一帧后序图像帧中进行检索,确定重叠度满足预设重叠度阈值的至少一帧图像帧;
基于所述A帧图像帧中的二维检测框区域中的结节区域的结节属性信息、所述重叠度满足预设重叠度阈值的至少一帧图像帧,进行聚类处理,确定所述至少一个三维检测框区域。
7.根据权利要求1或2所述的图像分割方法,其特征在于,所述基于结节病灶区域图像块对应的特征概率图和初始概率阈值,生成所述结节病灶区域图像块对应的第一分割图像之前,还包括:
基于结节分割模型,对所述结节病灶区域图像块进行结节分割,得到所述结节病灶区域图像块对应的特征概率图。
8.根据权利要求7所述的图像分割方法,其特征在于,所述基于结节分割模型,对所述结节病灶区域图像块进行结节分割,得到所述结节病灶区域图像块对应的特征概率图之前,还包括:
对医学图像序列样本集包含的P个病灶采样区域进行N次采样,得到N个组合样本,基于所述N个组合样本分别对初始网络模型进行训练,得到N次训练各自对应的损失结果和结节分割模型,其中,每个所述组合样本各自对应一个采样分配权重,每个所述组合样本包括S种病灶属性的病灶样本,所述采样分配权重为所述S种病灶属性各自对应的病灶样本的数量在所述组合样本包括的病灶样本总数量中的比例,S、P、N均为正整数;
基于所述N次训练各自对应的损失结果,确定所述N训练各自对应的损失结果中最小的损失结果对应的结节分割模型。
9.根据权利要求7所述的图像分割方法,其特征在于,所述基于结节分割模型,对所述结节病灶区域图像块进行结节分割,得到所述结节病灶区域图像块对应的特征概率图,包括:
基于所述结节分割模型,对所述结节病灶区域图像块进行所述结节分割,得到所述结节病灶区域图像块对应的初步特征概率图;
基于所述初步特征概率图对应的物理空间分辨率,做各向异性处理,确定所述结节病灶区域图像块对应的特征概率图。
10.一种图像分割装置,其特征在于,包括:
第一分割模块,配置为基于结节病灶区域图像块对应的特征概率图和初始概率阈值,生成所述结节病灶区域图像块对应的第一分割图像,其中,所述结节病灶区域图像块基于包含结节病灶区域的待分割三维医学图像生成,所述特征概率图包括所述结节病灶区域图像块中的每个像素的结节分割概率;
第二分割模块,配置为基于所述特征概率图、所述第一分割图像、结节体积条件和预设概率调整参数,生成所述结节病灶区域图像块对应的第二分割图像。
11.一种计算机可读存储介质,其特征在于,所述存储介质存储有指令,当所述指令由电子设备的处理器执行时,使得所述电子设备能够执行上述权利要求1至9任一项所述的图像分割方法。
12.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储计算机可执行指令的存储器;
所述处理器,用于执行所述计算机可执行指令,以实现上述权利要求1至9任一项所述的图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111663325.4A CN114332127A (zh) | 2021-12-30 | 2021-12-30 | 图像分割方法和装置、计算机可读存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111663325.4A CN114332127A (zh) | 2021-12-30 | 2021-12-30 | 图像分割方法和装置、计算机可读存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114332127A true CN114332127A (zh) | 2022-04-12 |
Family
ID=81020504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111663325.4A Pending CN114332127A (zh) | 2021-12-30 | 2021-12-30 | 图像分割方法和装置、计算机可读存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332127A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708282A (zh) * | 2022-04-20 | 2022-07-05 | 推想医疗科技股份有限公司 | 图像分割方法及其装置、电子设备和计算机可读存储介质 |
-
2021
- 2021-12-30 CN CN202111663325.4A patent/CN114332127A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708282A (zh) * | 2022-04-20 | 2022-07-05 | 推想医疗科技股份有限公司 | 图像分割方法及其装置、电子设备和计算机可读存储介质 |
CN114708282B (zh) * | 2022-04-20 | 2022-12-20 | 推想医疗科技股份有限公司 | 图像分割方法及其装置、电子设备和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10565442B2 (en) | Picture recognition method and apparatus, computer device and computer- readable medium | |
TWI737006B (zh) | 一種跨模態訊息檢索方法、裝置和儲存介質 | |
US11238310B2 (en) | Training data acquisition method and device, server and storage medium | |
CN116188821B (zh) | 版权检测方法、系统、电子设备和存储介质 | |
WO2020134532A1 (zh) | 深度模型训练方法及装置、电子设备及存储介质 | |
WO2022227218A1 (zh) | 药名识别方法、装置、计算机设备和存储介质 | |
CN112085166B (zh) | 一种卷积神经网络模型加速训练方法、装置、电子设备及存储介质 | |
CN109657711A (zh) | 一种图像分类方法、装置、设备及可读存储介质 | |
CN114332127A (zh) | 图像分割方法和装置、计算机可读存储介质和电子设备 | |
CN114445424B (zh) | 模型训练方法和装置、肝段分割方法和装置 | |
CN111126358A (zh) | 人脸检测方法、装置、存储介质及设备 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
WO2022237065A1 (zh) | 分类模型的训练方法、视频分类方法及相关设备 | |
JP2022142784A (ja) | 単眼物体検出を向上するための自己学習ラベル精密化のシステム及び方法 | |
KR20110124834A (ko) | 하드웨어를 이용한 케이디 트리 생성 방법 및 장치 | |
CN104598223B (zh) | 一种网络建模语言解析方法及装置 | |
CN112561836B (zh) | 一种获取目标物的点云集合的方法及装置 | |
CN113378864A (zh) | 一种锚框参数的确定方法、装置、设备及可读存储介质 | |
CN112116804B (zh) | 一种车辆状态量信息确定方法及装置 | |
Bormann et al. | Real-time indexing of point cloud data during LiDAR capture | |
CN117112734B (zh) | 基于语义的知识产权文本表示与分类方法及终端设备 | |
KR20140104789A (ko) | 정지영상의 식별자 생성 방법 및 이를 수행하는 영상 처리 장치 | |
CN116150417B (zh) | 一种多尺度多融合的图像检索方法及装置 | |
EP4300366A1 (en) | Method, apparatus, and system for multi-modal multi-task processing | |
CN112580677A (zh) | 一种点云数据点的分类方法及装置 |
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 |