CN114419321A - 一种基于人工智能的ct图像心脏分割方法及系统 - Google Patents
一种基于人工智能的ct图像心脏分割方法及系统 Download PDFInfo
- Publication number
- CN114419321A CN114419321A CN202210321078.8A CN202210321078A CN114419321A CN 114419321 A CN114419321 A CN 114419321A CN 202210321078 A CN202210321078 A CN 202210321078A CN 114419321 A CN114419321 A CN 114419321A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- processed
- category
- confidence
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 230000035945 sensitivity Effects 0.000 claims abstract description 53
- 230000008859 change Effects 0.000 claims abstract description 37
- 230000000747 cardiac effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 6
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000000709 aorta Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000005240 left ventricle Anatomy 0.000 description 2
- 210000005241 right ventricle Anatomy 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 210000001835 viscera Anatomy 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及医学图像处理技术领域,具体涉及一种基于人工智能的CT图像心脏分割方法及系统。该方法通过语义分割网络获得第一置信度图像。根据置信度的大小获得第一置信度图像中的待处理区域图像。根据待处理区域图像在CT图像对应位置区域的邻域图像获得待处理区域参考图像。获得待处理区域参考图像对应的第二置信度图像,根据待处理区域图像与第二置信度图像的差异获得变化敏感程度。根据变化敏感程度反映的敏感类型调整待处理图像中的类别概率,确定识别标签。根据识别标签分割CT图像,获得心脏图像。本发明通过对类别概率的优化减小了噪声的影响,实现了准确的图像分割。
Description
技术领域
本发明涉及医学图像处理技术领域,具体涉及一种基于人工智能的CT图像心脏分割方法及系统。
背景技术
CT图像是典型的医学图像,常常用于检测人体内脏器尤其是心脏的健康状态。为了对心脏的健康状态做出有效的判断,会将心脏区域分割出来,进行单独的健康分析。通过对心脏区域的分割可以为临床诊断提供清楚的解剖信息,且可以为未来的心脏手术计划提供手术依据。
随着图像处理技术及机器学习的技术发展,CT图像的分割可通过多种算法利用计算机进行自动分割,避免了人为图像分割造成的误差和成本花费。常用的技术可通过阈值分割、神经网络分割、区域生长或霍夫变换等技术进行实现,但是因为CT图像的灰度特征和模糊性,在分割过程中会存在大量的噪声和背景的影响,导致分割效果会不满足预期。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的CT图像心脏分割方法及系统,所采用的技术方案具体如下:
本发明提出了一种基于人工智能的CT图像心脏分割方法,所述方法包括:
获得CT图像,将所述CT图像送入预先训练好的语义分割网络中,输出每个像素点的类别标签和所述类别标签对应的类别概率,以最大的所述类别概率对应的所述类别标签作为像素点的识别标签;以所述识别标签对应的所述类别概率作为置信度,获得第一置信度图像;
将所述第一置信度图像分为多个子区域图像;获得所述子区域图像内的置信度均值;以在预设选取范围内的所述置信度均值对应的所述子区域图像作为待处理区域图像;
获得所述CT图像中的所述待处理区域图像对应位置区域在预设邻域范围内的邻域图像;将所述邻域图像输入预先处理好的图像预测网络中,输出待处理区域参考图像;根据所述语义分割网络中,获得所述待处理区域参考图像对应的第二置信度图像;
获得所述待处理区域图像和所述第二置信度图像中每个像素点的所述识别标签的标签差异和置信度差异;获得所述CT图像在所述待处理区域图像对应位置区域与所述待处理区域参考图像中每个像素点的像素值差异;根据所述标签差异、所述置信度差异和所述像素值差异获得所述待处理区域图像中每个像素点的变化敏感程度;
根据所述待处理区域中每个像素点的所述变化敏感程度判断像素点的敏感类型;根据所述敏感类型调整所述待处理区域内像素点的所述类别概率;以调整后最大的所述类别概率对应的所述类别标签作为所述识别标签;根据所述识别标签对所述CT图像进行分割,获得心脏图像。
进一步地,所述将所述第一置信度图像分为多个子区域图像包括:
根据预设初始边长在所述第一置信度图像中设置正方形滑窗;以所述初始边长作为步长在所述第一置信度图像中进行滑动,每次滑动获得一张初始子区域图像;
将所述初始边长根据预设增加步长增加,获得第一调整边长;以所述第一调整边长作为步长在所述第一置信度图像中进行滑动,每次滑动获得一张第一调整子区域图像;
将所述初始边长根据预设减小步长减小,获得第二调整边长;以所述第二调整边长作为步长在所述第一置信度图像中进行滑动,每次滑动获得一张第二调整子区域图像;
若所述初始子区域图像的所述置信度均值小于所述第一调整子区域图像的所述置信度均值且小于所述第二调整子区域图像的述置信度均值,则以所述初始子区域图像作为所述子区域图像;否则以所述第一调整子区域图像和所述第二调整子区域图像中所述置信度均值最小的作为所述初始子区域图像并重新调整对应的所述滑窗的边长,直至满足条件,获得所述子区域图像。
进一步地,所述以在预设选取范围内的所述置信度均值对应的所述子区域图像作为待处理区域图像包括:
将所述子区域图像根据所述置信度均值从小到大进行排列,获得子区域图像序列;根据预设选取范围获得所述子区域图像序列前列连续的多个所述子区域图像作为所述待处理区域图像。
进一步地,所述获得所述CT图像中的所述待处理区域图像对应位置区域在预设邻域范围内的邻域图像包括:
获得所述CT图像中的所述待处理区域图像对应位置区域在八邻域范围内的所述邻域图像;所述邻域图像的大小与所述待处理区域图像大小相同。
进一步地,所述根据所述标签差异、所述置信度差异和所述像素值差异获得所述待处理区域图像中每个像素点的变化敏感程度包括:
根据变化敏感程度公式获得所述变化敏感程度;所述变化敏感程度公式包括:
进一步地,所述根据所述待处理区域中每个像素点的所述变化敏感程度判断像素点的敏感类型包括:
根据所述待处理区域中每个像素点的所述变化敏感程度的大小进行聚类,获得两类聚类簇;所述聚类簇内所述变化敏感程度大的所述聚类簇的所述敏感类型为敏感类,反之为不敏感类。
进一步地,所述根据所述敏感类型调整所述待处理区域内像素点的所述类别概率包括:
若所述待处理区域内像素点的所述识别标签为背景类别且所述敏感类型为所述不敏感类,则根据预设调整步长增加所述识别标签对应的所述类别概率,并与其他所述类别标签对应的所述类别概率进行归一化,获得调整后的所述类别概率;
若所述待处理区域内像素点的所述识别标签为背景类别且所述敏感类型为所述敏感类,则根据所述调整步长减小所述识别标签对应的所述类别概率,并与其他所述类别标签对应的所述类别概率进行归一化,获得调整后的所述类别概率;
若所述待处理区域内像素点的所述识别标签为目标类别且所述敏感类型为所述不敏感类,则根据所述调整步长减小所述识别标签对应的所述类别概率,并与其他所述类别标签对应的所述类别概率进行归一化,获得调整后的所述类别概率;
若所述待处理区域内像素点的所述识别标签为目标类别且所述敏感类型为所述敏感类,则根据预设调整步长增加所述识别标签对应的所述类别概率,并与其他所述类别标签对应的所述类别概率进行归一化,获得调整后的所述类别概率。
本发明还提出了一种基于人工智能的CT图像心脏分割系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项所述一种基于人工智能的CT图像心脏分割方法的步骤。
本发明具有如下有益效果:
本发明实施例通过语义分割网络处理CT图像获得第一置信度图像。考虑到CT图像中噪声影响较大,因此不能直接根据语义分割结果判断像素点的识别标签。进一步将第一置信度图像分为多个子区域图像,选取待处理区域图像进行针对性的优化。通过图像预测网络输出与待处理图像对应的待处理参考图像。通过待处理参考图像对应的第二置信度图像与待处理图像的差异获得变化敏感程度。变化敏感程度表示了待处理区域图像中的语义分割结果与待处理参考图像结果的差异,差异越大说明该语义分割结果越不准确。通过变化敏感程度判断像素点的敏感类型,进而调整类别概率,获得最终的识别标签。通过识别标签分割CT图像,可获得准确的心脏图像,提高了分割效果,减小了噪声的影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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它附图。
图1为本发明一个实施例所提供的一种基于人工智能的CT图像心脏分割方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的CT图像心脏分割方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的CT图像心脏分割方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于人工智能的CT图像心脏分割方法流程图,该方法包括:
步骤S1:获得CT图像,将CT图像送入预先训练好的语义分割网络中,输出每个像素点的类别标签和类别标签对应的类别概率,以最大的类别概率对应的类别标签作为像素点的识别标签;以识别标签对应的类别概率作为置信度,获得第一置信度图像。
CT图像本身为灰度图像,因为图像内存在背景信息和前景信息,因为本发明实施例的目的在于分割出心脏图像,因此心脏区域为前景信息,其余像素点为背景信息。可通过语义分割网络分析出每个像素点的类别标签对应的类别概率,语义分割网络具体包括:
(1)以多张CT图像作为训练数据。为了放大后续差异分析时的标签差异,在本发明实施例中将标签设置为2的倍数,如将心脏像素标注为4,其他背景像素标注为2,获得标签数据。需要说明的是,在其他实施例中可针对心脏结构进行具体分割,如左心室标签为8,右心室标签为6,主动脉标签为4,其他背景像素标签为2等标注方式,可根据具体任务进行具体设置。
(2)语义分割网络采用编码-解码结构,将训练数据和标签数据归一化后输入至网络中。语义分割编码器用于提取输入数据的特征,获得特征图。语义分割编码器将特征图进行采样变换,输出语义分割结果。需要说明的是,此处语义分割结果中一个像素点包含类别标签和类别标签对应的类别概率,如一个像素点的心脏类别标签的类别概率为90%,背景类别标签的类别概率为10%,即该像素点拥有两个类别标签信息和对应的两个类别概率信息。
(3)采用交叉熵损失函数对网络进行训练。
通过语义分割网络获得每个像素点的类别标签和类别概率后,以最大的类别概率对应的类别标签作为像素点的识别标签,以识别标签对应的类别概率作为置信度,如一个像素点的心脏类别标签的类别概率为90%,背景类别标签的类别概率为10%,则识别标签为心脏类别,置信度为90%,获得第一置信度图像。第一置信度图像与CT图像等大,第一置信度图像中每个像素点的像素值的大小表示对应的置信度大小。
步骤S2:将第一置信度图像分为多个子区域图像;获得子区域图像内的置信度均值;以在预设选取范围内的置信度均值对应的子区域图像作为待处理区域图像。
因为CT图像中噪声的影响,语义分割结果会出现识别困难的问题,具体体现在类别概率上,如一个像素点的心脏类别标签的类别概率为51%,背景类别标签的类别概率为49%,即此时该像素点的识别标签为心脏类别,置信度为51%,该置信度较小并不能准确的认为该像素点的类别为心脏类别,因此对于这种置信度较低的像素点需要进行优化处理,确定像素点的类别,提高识别精度。
为了方便后续数据分析,需要确定第一置信度图像中置信度整体较小的区域,首先需要将第一置信度图像分为多个子区域图像,具体包括:
根据预设初始边长在第一置信度图像中设置正方形滑窗,即该滑窗的大小为。以初始边长作为步长在第一置信度图像中进行滑动,每次滑动获得一张初始子区域图像。为了避免滑窗大小不合适导致后续优化时遗漏图像信息,需要对初始边长进行寻优操作。
若初始子区域图像的置信度均值小于第一调整子区域图像的置信度均值且小于第二调整子区域图像的述置信度均值,则以初始子区域图像作为子区域图像。否则以第一调整子区域图像和第二调整子区域图像中置信度均值最小的作为初始子区域图像并重新调整对应的滑窗的边长,直至满足条件,获得子区域图像。
在本发明实施例中,初始边长设置为5,增加步长和减小步长都为2。
通过滑窗边长的寻优过程确定了最优的滑窗尺寸,保证了图像信息的完整性,提高了处理精度。
获得子区域图像内的置信度均值,置信度均值可以表示该子区域内像素点整体的置信度大小,如果置信度均值较低则证明该区域需要优化。
以在预设选取范围内的置信度均值对应的子区域图像作为待处理区域图像,具体包括:
将子区域图像根据置信度均值从小到大进行排列,获得子区域图像序列。根据预设选取范围获得子区域图像序列前列连续的多个子区域图像作为待处理区域图像。在本发明实施例中选取范围设置为10%,即选取子区域图像序列前10%的子区域图像作为待处理区域图像。
步骤S3:获得CT图像中的待处理区域图像对应位置区域在预设邻域范围内的邻域图像;将邻域图像输入预先处理好的图像预测网络中,输出待处理区域参考图像;根据语义分割网络中,获得待处理区域参考图像对应的第二置信度图像。
为了优化待处理区域,需要获得待处理区域中像素点的识别标签与真实的识别标签的差异。因为CT图像中待处理区域图像位置区域中存在噪声,所以导致的语义分割网络识别困难,因此为了获得真实的识别标签需要获得对应区域位置处不含噪声的图像。
因为人的内脏分布通常来说是固定的,因此可通过历史数据训练好的图像预测网络预测出CT图像中待处理区域图像位置区域对应的清晰图像。获得CT图像中的待处理区域图像对应位置区域在预设邻域范围内的邻域图像。将邻域图像输入预先处理好的图像预测网络中,输出待处理区域参考图像。
为了准确的获得待处理区域参考图像,邻域范围设置为八邻域,即以所述CT图像中的待处理区域图像对应位置区域在八邻域范围内的邻域图像作为图像预测网络的输入。且邻域图像的大小与待处理区域图像大小相同。图像预测网络具体包括:
(1)将历史CT图像分割成多个区域图像。以每个区域图像作为标签数据。该区域图像的八邻域范围内等大的邻域图像作为对应的训练数据。即图像预测网络的输入为八个通道。
(2)图像预测网络采用编码-解码结构,将训练数据和标签数据归一化后输入至网络中。语义分割编码器用于提取输入数据的特征,获得特征图。语义分割编码器将特征图进行采样变换,输出与邻域图像等大的预测图像。
(3)采用欧式距离作为损失函数训练图像预测网络。
根据语义分割网络处理可获得待处理区域参考图像的像素点的识别标签和置信度,即将待处理区域参考图像与CT图像中对应的区域进行替换,然后将替换后的CT图像输入语义分割网络中,输出待处理区域参考图像中像素点的识别标签和置信度,获得第二置信度图像。
步骤S4:获得待处理区域图像和第二置信度图像中每个像素点的识别标签的标签差异和置信度差异;获得CT图像在待处理区域图像对应位置区域与待处理区域参考图像中每个像素点的像素值差异;根据标签差异、置信度差异和像素值差异获得待处理区域图像中每个像素点的变化敏感程度。
第二置信度图像中的标签信息和置信度信息可作为优化待处理区域图像的参考信息。获得待处理区域图像和第二置信度图像中每个像素点的识别标签的标签差异和置信度差异。进一步结合CT图像在待处理区域图像对应位置区域与待处理区域参考图像中每个像素点的像素值差异获得变化敏感程度。变化敏感程度反映了当前语义分割结果与参考信息的差异,差异越大说明当前语义分割结果越敏感,敏感原因为空域结构导致,即邻域范围内其他像素点的影响。变化敏感程度具体获取方法包括:
根据变化敏感程度公式获得变化敏感程度。变化敏感程度公式包括:
因为在本发明实施例中类别标签设置的为2的倍数,因此放大了的数据,增强了表征能力。当类别标签一致时为1,即变化敏感程度中不需要考虑类别标签差异。表示了像素值差异,通过引入像素值差异提高了变化敏感程度的参考性。
步骤S5:根据待处理区域中每个像素点的变化敏感程度判断像素点的敏感类型;根据敏感类型调整待处理区域内像素点的类别概率;以调整后最大的类别概率对应的类别标签作为识别标签;根据识别标签对CT图像进行分割,获得心脏图像。
变化敏感程度越大说明像素点受到噪声的影响越大,越敏感。因为待处理区域图像中整体置信度较小,因此需要对待处理区域图像中每个像素点的类别概率进行调整优化。因此根据变化敏感程度分析每个像素点的敏感类型,根据每个像素点的敏感类型调整类别概率,具体包括:
根据待处理区域中每个像素点的变化敏感程度的大小进行聚类,获得两类聚类簇。聚类簇内变化敏感程度大的聚类簇的敏感类型为敏感类,反之为不敏感类。
因为在本发明实施例中任务目标为分割出心脏类别,因此心脏类别为目标类别,其他为背景类别。
若待处理区域内像素点的识别标签为背景类别且敏感类型为不敏感类,则根据预设调整步长增加识别标签对应的类别概率,并与其他类别标签对应的类别概率进行归一化,获得调整后的类别概率。
若待处理区域内像素点的识别标签为背景类别且敏感类型为敏感类,则根据调整步长减小识别标签对应的类别概率,并与其他类别标签对应的类别概率进行归一化,获得调整后的类别概率。
若待处理区域内像素点的识别标签为目标类别且敏感类型为不敏感类,则根据调整步长减小识别标签对应的类别概率,并与其他类别标签对应的类别概率进行归一化,获得调整后的类别概率。
若待处理区域内像素点的识别标签为目标类别且敏感类型为敏感类,则根据预设调整步长增加识别标签对应的类别概率,并与其他类别标签对应的类别概率进行归一化,获得调整后的类别概率。
需要说明的是,在其他实施例中可根据任务目标设置目标类别,如左心室、右心室主动脉等。
在本发明实施例中,调整步长设置为10%。对类别概率进行归一化的过程为:若一个像素点的初始语义分割结果为:心脏类别的类别概率为40%,背景类别的类别概率为60%。经过调整后背景类别的类别概率增加了10%,变成了70%,以作为调整后的类别概率。
以调整后最大的类别概率对应的类别标签作为识别标签,即CT图像中每个像素点都有了确定的识别标签。可根据识别标签对所述CT图像进行分割,保留目标类别的像素点,去除背景类别的像素点。获得心脏图像。
综上所述,本发明实施例通过语义分割网络获得第一置信度图像。根据置信度的大小获得第一置信度图像中的待处理区域图像。根据待处理区域图像在CT图像对应位置区域的邻域图像获得待处理区域参考图像。获得待处理区域参考图像对应的第二置信度图像,根据待处理区域图像与第二置信度图像的差异获得变化敏感程度。根据变化敏感程度反映的敏感类型调整待处理图像中的类别概率,确定识别标签。根据识别标签分割CT图像,获得心脏图像。本发明实施例通过对类别概率的优化减小了噪声的影响,获得准确的心脏图像。
本发明还提出了一种基于人工智能的CT图像心脏分割系统,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现任意一项一种基于人工智能的CT图像心脏分割方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于人工智能的CT图像心脏分割方法,其特征在于,所述方法包括:
获得CT图像,将所述CT图像送入预先训练好的语义分割网络中,输出每个像素点的类别标签和所述类别标签对应的类别概率,以最大的所述类别概率对应的所述类别标签作为像素点的识别标签;以所述识别标签对应的所述类别概率作为置信度,获得第一置信度图像;
将所述第一置信度图像分为多个子区域图像;获得所述子区域图像内的置信度均值;以在预设选取范围内的所述置信度均值对应的所述子区域图像作为待处理区域图像;
获得所述CT图像中的所述待处理区域图像对应位置区域在预设邻域范围内的邻域图像;将所述邻域图像输入预先处理好的图像预测网络中,输出待处理区域参考图像;根据所述语义分割网络中,获得所述待处理区域参考图像对应的第二置信度图像;
获得所述待处理区域图像和所述第二置信度图像中每个像素点的所述识别标签的标签差异和置信度差异;获得所述CT图像在所述待处理区域图像对应位置区域与所述待处理区域参考图像中每个像素点的像素值差异;根据所述标签差异、所述置信度差异和所述像素值差异获得所述待处理区域图像中每个像素点的变化敏感程度;
根据所述待处理区域中每个像素点的所述变化敏感程度判断像素点的敏感类型;根据所述敏感类型调整所述待处理区域内像素点的所述类别概率;以调整后最大的所述类别概率对应的所述类别标签作为所述识别标签;根据所述识别标签对所述CT图像进行分割,获得心脏图像。
2.根据权利要求1所述的一种基于人工智能的CT图像心脏分割方法,其特征在于,所述将所述第一置信度图像分为多个子区域图像包括:
根据预设初始边长在所述第一置信度图像中设置正方形滑窗;以所述初始边长作为步长在所述第一置信度图像中进行滑动,每次滑动获得一张初始子区域图像;
将所述初始边长根据预设增加步长增加,获得第一调整边长;以所述第一调整边长作为步长在所述第一置信度图像中进行滑动,每次滑动获得一张第一调整子区域图像;
将所述初始边长根据预设减小步长减小,获得第二调整边长;以所述第二调整边长作为步长在所述第一置信度图像中进行滑动,每次滑动获得一张第二调整子区域图像;
若所述初始子区域图像的所述置信度均值小于所述第一调整子区域图像的所述置信度均值且小于所述第二调整子区域图像的述置信度均值,则以所述初始子区域图像作为所述子区域图像;否则以所述第一调整子区域图像和所述第二调整子区域图像中所述置信度均值最小的作为所述初始子区域图像并重新调整对应的所述滑窗的边长,直至满足条件,获得所述子区域图像。
3.根据权利要求1所述的一种基于人工智能的CT图像心脏分割方法,其特征在于,所述以在预设选取范围内的所述置信度均值对应的所述子区域图像作为待处理区域图像包括:
将所述子区域图像根据所述置信度均值从小到大进行排列,获得子区域图像序列;根据预设选取范围获得所述子区域图像序列前列连续的多个所述子区域图像作为所述待处理区域图像。
4.根据权利要求1所述的一种基于人工智能的CT图像心脏分割方法,其特征在于,所述获得所述CT图像中的所述待处理区域图像对应位置区域在预设邻域范围内的邻域图像包括:
获得所述CT图像中的所述待处理区域图像对应位置区域在八邻域范围内的所述邻域图像;所述邻域图像的大小与所述待处理区域图像大小相同。
6.根据权利要求1所述的一种基于人工智能的CT图像心脏分割方法,其特征在于,所述根据所述待处理区域中每个像素点的所述变化敏感程度判断像素点的敏感类型包括:
根据所述待处理区域中每个像素点的所述变化敏感程度的大小进行聚类,获得两类聚类簇;所述聚类簇内所述变化敏感程度大的所述聚类簇的所述敏感类型为敏感类,反之为不敏感类。
7.根据权利要求6所述的一种基于人工智能的CT图像心脏分割方法,其特征在于,所述根据所述敏感类型调整所述待处理区域内像素点的所述类别概率包括:
若所述待处理区域内像素点的所述识别标签为背景类别且所述敏感类型为所述不敏感类,则根据预设调整步长增加所述识别标签对应的所述类别概率,并与其他所述类别标签对应的所述类别概率进行归一化,获得调整后的所述类别概率;
若所述待处理区域内像素点的所述识别标签为背景类别且所述敏感类型为所述敏感类,则根据所述调整步长减小所述识别标签对应的所述类别概率,并与其他所述类别标签对应的所述类别概率进行归一化,获得调整后的所述类别概率;
若所述待处理区域内像素点的所述识别标签为目标类别且所述敏感类型为所述不敏感类,则根据所述调整步长减小所述识别标签对应的所述类别概率,并与其他所述类别标签对应的所述类别概率进行归一化,获得调整后的所述类别概率;
若所述待处理区域内像素点的所述识别标签为目标类别且所述敏感类型为所述敏感类,则根据预设调整步长增加所述识别标签对应的所述类别概率,并与其他所述类别标签对应的所述类别概率进行归一化,获得调整后的所述类别概率。
8.一种基于人工智能的CT图像心脏分割系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~7任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210321078.8A CN114419321B (zh) | 2022-03-30 | 2022-03-30 | 一种基于人工智能的ct图像心脏分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210321078.8A CN114419321B (zh) | 2022-03-30 | 2022-03-30 | 一种基于人工智能的ct图像心脏分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114419321A true CN114419321A (zh) | 2022-04-29 |
CN114419321B CN114419321B (zh) | 2022-07-08 |
Family
ID=81263025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210321078.8A Expired - Fee Related CN114419321B (zh) | 2022-03-30 | 2022-03-30 | 一种基于人工智能的ct图像心脏分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419321B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115514962A (zh) * | 2022-11-22 | 2022-12-23 | 深圳市亿康医疗技术有限公司 | 一种心血管造影图像的图像压缩方法 |
CN116309187A (zh) * | 2023-05-15 | 2023-06-23 | 济南科汛智能科技有限公司 | 一种儿童肺炎医疗影像智能增强方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036503A (zh) * | 2014-06-05 | 2014-09-10 | 哈尔滨工程大学 | 基于空间位置信息的图像分割方法 |
CN110363138A (zh) * | 2019-07-12 | 2019-10-22 | 腾讯科技(深圳)有限公司 | 模型训练方法、图像处理方法、装置、终端及存储介质 |
CN110490884A (zh) * | 2019-08-23 | 2019-11-22 | 北京工业大学 | 一种基于对抗的轻量级网络语义分割方法 |
US20200020102A1 (en) * | 2017-04-14 | 2020-01-16 | Tusimple, Inc. | Method and device for semantic segmentation of image |
CN110930417A (zh) * | 2019-11-26 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 图像分割模型的训练方法和装置、图像分割方法和装置 |
CN112419327A (zh) * | 2020-12-10 | 2021-02-26 | 复旦大学附属肿瘤医院 | 一种基于生成对抗网络的图像分割方法、系统和装置 |
CN113705371A (zh) * | 2021-08-10 | 2021-11-26 | 武汉理工大学 | 一种水上视觉场景分割方法及装置 |
WO2022017163A1 (zh) * | 2020-07-23 | 2022-01-27 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及存储介质 |
-
2022
- 2022-03-30 CN CN202210321078.8A patent/CN114419321B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036503A (zh) * | 2014-06-05 | 2014-09-10 | 哈尔滨工程大学 | 基于空间位置信息的图像分割方法 |
US20200020102A1 (en) * | 2017-04-14 | 2020-01-16 | Tusimple, Inc. | Method and device for semantic segmentation of image |
CN110363138A (zh) * | 2019-07-12 | 2019-10-22 | 腾讯科技(深圳)有限公司 | 模型训练方法、图像处理方法、装置、终端及存储介质 |
CN110490884A (zh) * | 2019-08-23 | 2019-11-22 | 北京工业大学 | 一种基于对抗的轻量级网络语义分割方法 |
CN110930417A (zh) * | 2019-11-26 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 图像分割模型的训练方法和装置、图像分割方法和装置 |
WO2022017163A1 (zh) * | 2020-07-23 | 2022-01-27 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及存储介质 |
CN112419327A (zh) * | 2020-12-10 | 2021-02-26 | 复旦大学附属肿瘤医院 | 一种基于生成对抗网络的图像分割方法、系统和装置 |
CN113705371A (zh) * | 2021-08-10 | 2021-11-26 | 武汉理工大学 | 一种水上视觉场景分割方法及装置 |
Non-Patent Citations (1)
Title |
---|
朱锋 等: "基于生成对抗网络的半监督图像语义分割", 《复杂系统与复杂性科学》, vol. 18, no. 1, 30 January 2021 (2021-01-30), pages 23 - 29 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115514962A (zh) * | 2022-11-22 | 2022-12-23 | 深圳市亿康医疗技术有限公司 | 一种心血管造影图像的图像压缩方法 |
CN116309187A (zh) * | 2023-05-15 | 2023-06-23 | 济南科汛智能科技有限公司 | 一种儿童肺炎医疗影像智能增强方法 |
CN116309187B (zh) * | 2023-05-15 | 2023-07-28 | 济南科汛智能科技有限公司 | 一种儿童肺炎医疗影像智能增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114419321B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860670B (zh) | 域自适应模型训练、图像检测方法、装置、设备及介质 | |
Das et al. | Leaf disease detection using support vector machine | |
JP6935377B2 (ja) | 時空間画像の変化を自動推論するためのシステムおよび方法 | |
CN114419321B (zh) | 一种基于人工智能的ct图像心脏分割方法及系统 | |
US10096108B2 (en) | Medical image segmentation method and apparatus | |
Cherukuri et al. | Deep retinal image segmentation with regularization under geometric priors | |
US8885926B2 (en) | Image and data segmentation | |
US11334992B2 (en) | Computer-implemented method to increase the accuracy of machine learning models for medical image processing | |
CN111652317B (zh) | 基于贝叶斯深度学习的超参数图像分割方法 | |
CN110110727B (zh) | 基于条件随机场和贝叶斯后处理的图像分割方法 | |
CN108596195B (zh) | 一种基于稀疏编码特征提取的场景识别方法 | |
CN110580499B (zh) | 基于众包重复标签的深度学习目标检测方法及系统 | |
JP2012190159A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN116385438B (zh) | 一种核磁共振肿瘤区域提取方法 | |
CN111110192A (zh) | 一种皮肤异常症状辅助诊断系统 | |
Venegas et al. | Automatic ladybird beetle detection using deep-learning models | |
CN113011450A (zh) | 青光眼识别的训练方法、训练装置、识别方法及识别系统 | |
Mamilla et al. | Extraction of microaneurysms and hemorrhages from digital retinal images | |
CN111199228B (zh) | 一种车牌定位的方法及装置 | |
Sivagami et al. | Tomato leaf disease detection using image processing technique. | |
CN116468923A (zh) | 一种基于加权重采样聚类不稳定性的图像强化方法及装置 | |
CN114170224B (zh) | 应用生成式染色归一化的细胞病理分类的系统及方法 | |
CN116030346A (zh) | 基于马尔可夫判别器的非成对弱监督云检测方法及系统 | |
CN115578400A (zh) | 图像处理方法、图像分割网络的训练方法及装置 | |
Jin et al. | Effusion area segmentation for knee joint ultrasound image based on atrous-fcn with snake model algorithm |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220708 |
|
CF01 | Termination of patent right due to non-payment of annual fee |