CN114757908A - 基于ct影像的图像处理方法、装置、设备及存储介质 - Google Patents
基于ct影像的图像处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114757908A CN114757908A CN202210379285.9A CN202210379285A CN114757908A CN 114757908 A CN114757908 A CN 114757908A CN 202210379285 A CN202210379285 A CN 202210379285A CN 114757908 A CN114757908 A CN 114757908A
- Authority
- CN
- China
- Prior art keywords
- image
- cervical vertebra
- abnormal
- segmentation
- candidate
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 189
- 230000011218 segmentation Effects 0.000 claims abstract description 136
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000000877 morphologic effect Effects 0.000 claims description 11
- 230000001788 irregular Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 230000005856 abnormality Effects 0.000 description 6
- 230000007797 corrosion Effects 0.000 description 6
- 238000005260 corrosion Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010005963 Bone formation increased Diseases 0.000 description 1
- 208000003618 Intervertebral Disc Displacement Diseases 0.000 description 1
- 206010061246 Intervertebral disc degeneration Diseases 0.000 description 1
- 208000009469 Ossification of Posterior Longitudinal Ligament Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 208000005198 spinal stenosis Diseases 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (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
本发明涉及人工智能领域,公开了一种基于CT影像的图像处理方法、装置、设备及存储介质。方法包括:对初始颈椎CT影像进行平滑分割处理,得到候选颈椎CT影像;通过异常识别模型对候选颈椎CT影像进行异常位置识别,得到至少一个异常区域图像;对异常区域图像进行异常类型分析,确定至少一个异常类型;对候选颈椎CT影像进行分割,得到多个颈椎CT分割图;将多个颈椎CT分割图输入卷积神经网络进行特征提取,得到语义特征信息集合;对至少一个异常类型进行特征信息匹配,得到至少一个异常特征信息;将至少一个异常特征信息填充至每一颈椎CT分割图中预置的信息填充区域,得到目标颈椎CT影像。本发明还涉及区块链技术,初始颈椎CT影像可存储于区块链中。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于CT影像的图像处理方法、装置、设备及存储介质。
背景技术
日益精细化的医学图像提供了大量的信息,对辅助医生做出准确诊断发挥着至关重要的作用。然而,人工阅片耗时耗力,加上病理学的广泛差异以及不同医生主观意识上的偏差,往往会造成漏检、误判的情况出现,海量的影像数据而每天都会生产出海量的影像数据。
随着人工智能的不断发展,深度学习技术被广泛运用在各种领域,特别是计算机视觉,被用来实现脸部识别、目标检测、图像分割等。在医学领域,通常需要对CT影像进行分析。现有技术中,针对CT影像边界分割准确率差,对于分割后的图像缺乏特征分析,不能快速高效的识别CT图像中异常的类型与异常特征信息。
发明内容
本发明实施例提供了一种基于CT影像的图像处理方法、装置、设备及存储介质,用于提高对CT影像进行异常识别的效率。
本发明第一方面提供了一种基于CT影像的图像处理方法,包括:获取目标用户的初始颈椎CT影像,并对所述初始颈椎CT影像进行平滑分割处理,得到候选颈椎CT影像;通过预置的异常识别模型对所述候选颈椎CT影像进行异常位置识别,得到至少一个异常区域图像;对所述至少一个异常区域图像进行异常类型分析,确定至少一个异常类型,其中,所述异常类型包括:圆形图像类、椭圆形图像类及不规则图像类;基于所述至少一个异常类型,对所述候选颈椎CT影像进行分割处理,得到多个颈椎CT分割图;将所述多个颈椎CT分割图输入预置的卷积神经网络进行语义特征提取,得到与所述多个颈椎CT分割图对应的语义特征信息集合;基于所述语义特征信息集合对所述至少一个异常类型进行特征信息匹配,得到至少一个异常特征信息;将所述至少一个异常特征信息填充至每一所述颈椎CT分割图中预置的信息填充区域,得到目标颈椎CT影像。
可选的,在本发明第一方面的第一种实现方式中,所述获取目标用户的初始颈椎CT影像,并对所述初始颈椎CT影像进行平滑分割处理,得到候选颈椎CT影像包括:获取所述初始颈椎CT影像,并采用自适应权重中值滤波算法对所述初始颈椎CT影像进行去噪处理,得到去噪后的初始颈椎CT影像;基于形态学开闭运算对所述去噪后的初始颈椎CT影像进行颈椎轮廓分析,得到预测颈椎区域;采用直方图均衡化算法对所述预测颈椎区域进行标准化处理,得到候选颈椎CT图像。
可选的,在本发明第一方面的第二种实现方式中,所述通过预置的异常识别模型对所述候选颈椎CT影像进行异常位置识别,得到至少一个异常区域图像包括:将所述候选颈椎CT影像输入所述异常识别模型进行卷积运算,得到多个不同尺度的高斯图像;基于预设的尺度范围对所述多个不同尺度的高斯图像进行异常位置识别,得到至少一个异常位置区域图像;对所述至少一个异常位置区域图像进行二值化处理,得到至少一个异常区域图像。
可选的,在本发明第一方面的第三种实现方式中,所述对所述至少一个异常区域图像进行异常类型分析,确定至少一个异常类型包括:对所述至少一个异常区域图像进行纹理特征提取,得到至少一个异常纹理特征信息;基于所述至少一个异常纹理特征信息对所述至少一个异常区域图像进行类型匹配,确定至少一个异常类型。
可选的,在本发明第一方面的第四种实现方式中,所述将所述多个颈椎CT分割图输入预置的卷积神经网络进行语义特征提取,得到与所述多个颈椎CT分割图对应的语义特征信息集合包括:将所述多个颈椎CT分割图输入所述卷积神经网进行候选框分割,得到每一所述颈椎CT分割图对应的候选框;通过所述至少一个异常类型进行特征函数匹配,确定对应的区域特征函数;基于所述区域特征函数通过所述卷积神经网络对每一所述颈椎CT分割图对应的候选框进行语义特征提取,得到与所述多个颈椎CT分割图对应的语义特征信息集合。
可选的,在本发明第一方面的第五种实现方式中,所述基于所述语义特征信息集合对所述至少一个异常类型进行特征信息匹配,得到至少一个异常特征信息包括:通过所述语义特征信息集合进行信息标识匹配,确定多个目标信息标识;通过所述多个目标信息标识从预置的数据库获取多个候选异常特征信息;根据所述至少一个异常类型信息对所述多个候选异常特征信息进行筛选,得到至少一个异常特征信息。
可选的,在本发明第一方面的第六种实现方式中,所述将所述至少一个异常特征信息填充至每一所述颈椎CT分割图中预置的信息填充区域,得到目标颈椎CT影像包括:分别对每一所述颈椎CT分割图进行填充区域识别,得到每一所述颈椎CT分割图对应的区域标识;通过每一所述颈椎CT分割图对应的区域标识对每一所述颈椎CT图像进行填充区域分割,得到每一所述颈椎CT分割图对应的信息填充区域;将所述至少一个异常特征信息填充至每一所述颈椎CT分割图中预置的信息填充区域,得到目标颈椎CT影像。
本发明第二方面提供了一种基于CT影像的图像处理装置,包括:获取模块,用于获取目标用户的初始颈椎CT影像,并对所述初始颈椎CT影像进行平滑分割处理,得到候选颈椎CT影像;识别模块,用于通过预置的异常识别模型对所述候选颈椎CT影像进行异常位置识别,得到至少一个异常区域图像;分析模块,用于对所述至少一个异常区域图像进行异常类型分析,确定至少一个异常类型,其中,所述异常类型包括:圆形图像类、椭圆形图像类及不规则图像类;分割模块,用于基于所述至少一个异常类型,对所述候选颈椎CT影像进行分割处理,得到多个颈椎CT分割图;提取模块,用于将所述多个颈椎CT分割图输入预置的卷积神经网络进行语义特征提取,得到与所述多个颈椎CT分割图对应的语义特征信息集合;匹配模块,用于基于所述语义特征信息集合对所述至少一个异常类型进行特征信息匹配,得到至少一个异常特征信息;填充模块,用于将所述至少一个异常特征信息填充至每一所述颈椎CT分割图中预置的信息填充区域,得到目标颈椎CT影像。
可选的,在本发明第二方面的第一种实现方式中,所述获取模块具体用于:获取所述初始颈椎CT影像,并采用自适应权重中值滤波算法对所述初始颈椎CT影像进行去噪处理,得到去噪后的初始颈椎CT影像;基于形态学开闭运算对所述去噪后的初始颈椎CT影像进行颈椎轮廓分析,得到预测颈椎区域;采用直方图均衡化算法对所述预测颈椎区域进行标准化处理,得到候选颈椎CT图像。
可选的,在本发明第二方面的第二种实现方式中,所述识别模块具体用于:将所述候选颈椎CT影像输入所述异常识别模型进行卷积运算,得到多个不同尺度的高斯图像;基于预设的尺度范围对所述多个不同尺度的高斯图像进行异常位置识别,得到至少一个异常位置区域图像;对所述至少一个异常位置区域图像进行二值化处理,得到至少一个异常区域图像。
可选的,在本发明第二方面的第三种实现方式中,所述分析模块具体用于:对所述至少一个异常区域图像进行纹理特征提取,得到至少一个异常纹理特征信息;基于所述至少一个异常纹理特征信息对所述至少一个异常区域图像进行类型匹配,确定至少一个异常类型。
可选的,在本发明第二方面的第四种实现方式中,所述提取模块具体用于:将所述多个颈椎CT分割图输入所述卷积神经网进行候选框分割,得到每一所述颈椎CT分割图对应的候选框;通过所述至少一个异常类型进行特征函数匹配,确定对应的区域特征函数;基于所述区域特征函数通过所述卷积神经网络对每一所述颈椎CT分割图对应的候选框进行语义特征提取,得到与所述多个颈椎CT分割图对应的语义特征信息集合。
可选的,在本发明第二方面的第五种实现方式中,所述匹配模块具体用于:通过所述语义特征信息集合进行信息标识匹配,确定多个目标信息标识;通过所述多个目标信息标识从预置的数据库获取多个候选异常特征信息;根据所述至少一个异常类型信息对所述多个候选异常特征信息进行筛选,得到至少一个异常特征信息。
可选的,在本发明第二方面的第六种实现方式中,所述填充模块具体用于:分别对每一所述颈椎CT分割图进行填充区域识别,得到每一所述颈椎CT分割图对应的区域标识;通过每一所述颈椎CT分割图对应的区域标识对每一所述颈椎CT图像进行填充区域分割,得到每一所述颈椎CT分割图对应的信息填充区域;将所述至少一个异常特征信息填充至每一所述颈椎CT分割图中预置的信息填充区域,得到目标颈椎CT影像。
本发明第三方面提供了一种计算机设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述计算机设备执行上述的基于CT影像的图像处理方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于CT影像的图像处理方法。
本发明提供的技术方案中,在对初始颈椎CT影像进行平滑分割处理时,服务器对初始颈椎CT影像中颈椎组织以外的人体组织进行去除,进而分析颈椎轮廓边缘,并进行平滑处理,得到候选颈椎CT影像,可以有效提升图像的清晰度,进而提升后续异常识别的效率,服务器基于语义特征信息集合对至少一个异常类型进行特征信息匹配,得到至少一个异常特征信息,能够提升异常特征信息的准确度,进一步提升异常识别的准确度与效率。
附图说明
图1为本发明实施例中基于CT影像的图像处理方法的一个实施例示意图;
图2为本发明实施例中基于CT影像的图像处理方法的另一个实施例示意图;
图3为本发明实施例中基于CT影像的图像处理装置的一个实施例示意图;
图4为本发明实施例中基于CT影像的图像处理装置的另一个实施例示意图;
图5为本发明实施例中计算机设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于CT影像的图像处理方法、装置、设备及存储介质,用于提高鸟瞰图下的图像分类准确性。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能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。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、机器人技术、生物识别技术、语音处理技术、自然语言处理技术和机器学习/深度学习等几大方向。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于CT影像的图像处理方法的一个实施例包括以下步骤101-107:
101、获取目标用户的初始颈椎CT影像,并对初始颈椎CT影像进行平滑分割处理,得到候选颈椎CT影像;
可以理解的是,本发明的执行主体可以为基于CT影像的图像处理装置,还可以是服务器,具体此处不作限定。本发明实施例以服务器为执行主体为例进行说明。
需要说明的是,初始颈椎CT影像为医学影像,在医学应用场景中,医学影像包含的对象所属类型为病灶,即机体上发生病变的部分。医学影像是指为了医疗或医学研究,以非侵入方式取得的人体组织,例如,胃部、颈椎部、腹部、心脏、膝盖的影像,具体的,在对初始颈椎CT影像进行平滑分割处理时,服务器对初始颈椎CT影像中颈椎组织以外的人体组织进行去除,进而分析颈椎轮廓边缘,并进行平滑处理,得到候选颈椎CT影像,可以有效提升图像的清晰度,进而提升后续异常病灶识别的效率。需要强调的是,为进一步保证上述初始颈椎CT影像的私密性和安全性,上述初始颈椎CT影像还可以存储于一区块链的节点中。
102、通过预置的异常识别模型对候选颈椎CT影像进行异常位置识别,得到至少一个异常区域图像;
需要说明的是,候选颈椎CT影像数据可以提取基于平面的二维特征纹理、形状、灰度信息,具体的,服务器对至少一个异常区域图像进行纹理特征提取,得到至少一个异常纹理特征信息,需要说明的是,简单来说,纹理特征是一种“二阶特征”,他们不是从图像上直接得出的,而是先通过某种计算将原始图像的特性提取出来并存在一个中间矩阵中,之后在这个中间矩阵上定义一系列的统计量,作为图像的纹理特征,进而服务器基于至少一个异常纹理特征信息对至少一个异常区域图像进行类型匹配,确定至少一个异常类型。
103、对至少一个异常区域图像进行异常类型分析,确定至少一个异常类型,其中,异常类型包括:圆形图像类、椭圆形图像类及不规则图像类;
需要说明的是,异常类型主要包括圆形图像类、椭圆形图像类及不规则图像类,其对应的病灶类型主要为间盘突出、间盘变性、椎管狭窄、骨质增生、后纵韧带钙化、许莫氏结节等类型,具体的,服务器对该至少一个异常区域图像进行异常类型匹配,从该多个异常类型中进行筛选,确定至少一个异常类型。
104、基于至少一个异常类型,对候选颈椎CT影像进行分割处理,得到多个颈椎CT分割图;
具体的,服务器根据该至少一个异常类型对候选颈椎CT影像进行图像识别,确定与该至少一个异常类型对应的图像块,进而对该候选颈椎CT进行图像分割,得到多个颈椎CT分割图。
105、将多个颈椎CT分割图输入预置的卷积神经网络进行语义特征提取,得到与多个颈椎CT分割图对应的语义特征信息集合;
需要说明的是,预置的卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一,本发明实施例中卷积神经网络包括:数据输入层、卷积计算层、池化层、全连接层,目的是以一定的模型对事物进行特征提取,而后根据特征对该事物进行分类、识别、预测或决策等。具体的,服务器通过该卷积神经网络进行语义特征提取,整个网络由密集型卷积连接构成,且每个卷积核为3D膨胀卷积,服务器通过多层级的3D膨胀卷积提取颈椎CT分割图中多尺度、多感受野的特征信息,再通过级联的密集卷积模块实现特征信息在3D膨胀卷积之间有效传递,从而得到语义特征信息集合。
106、基于语义特征信息集合对至少一个异常类型进行特征信息匹配,得到至少一个异常特征信息;
需要说明的是,异常特征信息中包括确定异常区域中颈椎尺寸信息、颈椎形状信息、颈椎灰度信息,用于后续服务器对异常特征信息的病理判断,以及异常特征信息的位置识别,能够准确地识别异常特征信息的类型、征象和良恶性等特征参考信息,具体的,服务器基于语义特征信息集合对至少一个异常类型进行特征信息匹配,得到至少一个异常特征信息,能够提升异常特征信息的准确度,进一步提升异常识别的准确度与效率。
107、将至少一个异常特征信息填充至每一颈椎CT分割图中预置的信息填充区域,得到目标颈椎CT影像。
具体的,在本实施例中,得到异常特征信息后,为每一个像素点生成后候选框并进行候选框对齐操作,候选框是特征图上像素点的位置,可以直接通过一个区域生成网络生成,然后通过全卷积神经网络为每一个候选框对齐操作后的候选框生成实例掩码,从而将实例分割出来,得到特征图的实例类别的语义信息和实例的像素级位置信息,进而服务器将至少一个异常特征信息填充至每一颈椎CT分割图中预置的信息填充区域,得到目标颈椎CT影像。
本发明实施例中,在对初始颈椎CT影像进行平滑分割处理时,服务器对初始颈椎CT影像中颈椎组织以外的人体组织进行去除,进而分析颈椎轮廓边缘,并进行平滑处理,得到候选颈椎CT影像,可以有效提升图像的清晰度,进而提升后续异常识别的效率,服务器基于语义特征信息集合对至少一个异常类型进行特征信息匹配,得到至少一个异常特征信息,能够提升异常特征信息的准确度,进一步提升异常识别的准确度与效率。
请参阅图2,本发明实施例中基于CT影像的图像处理方法的另一个实施例包括以下步骤201-208:
201、获取目标用户的初始颈椎CT影像,并对初始颈椎CT影像进行平滑分割处理,得到候选颈椎CT影像;
具体的,服务器获取初始颈椎CT影像,并采用自适应权重中值滤波算法对初始颈椎CT影像进行去噪处理,得到去噪后的初始颈椎CT影像;服务器基于形态学开闭运算对去噪后的初始颈椎CT影像进行颈椎轮廓分析,得到预测颈椎区域;服务器采用直方图均衡化算法对预测颈椎区域进行标准化处理,得到候选颈椎CT图像。
其中,服务器统计算该初始颈椎CT影像中每一像素点的权值,如果计算出来的权值为负值,则将这个权值设为0。当计算初始颈椎CT影像中每一像素点的权重值之后,将像素值按灰阶强度大小进行从小到大地排序,排序结束后可以得到一个有序序列,通过该有序序列对初始颈椎CT影像进行去噪处理,得到去噪后的初始颈椎CT影像,需要说明的是,形态学开闭运算是形态学运算中的一种,服务器通过形态学开闭运算先对去噪后的初始颈椎CT影像进行腐蚀运算,得到腐蚀结果,再对腐蚀结果进行膨胀运算,以重构初始颈椎CT影像的颈椎轮廓边缘,得到目标颈椎部区域,形态学闭运算能够去除初始颈椎CT影像中孤立的小点、毛刺和小桥,而总的位置和形状不变,使目标颈椎部区域的边缘更平滑,使后续分割得到的颈椎部影像更完整。最后服务器采用直方图均衡化算法对预测颈椎区域进行标准化处理,得到候选颈椎CT图像,用于后续的颈椎异常检测。
202、通过预置的异常识别模型对候选颈椎CT影像进行异常位置识别,得到至少一个异常区域图像;
具体的,服务器将候选颈椎CT影像输入异常识别模型进行卷积运算,得到多个不同尺度的高斯图像;服务器基于预设的尺度范围对多个不同尺度的高斯图像进行异常位置识别,得到至少一个异常位置区域图像;服务器对至少一个异常位置区域图像进行二值化处理,得到至少一个异常区域图像。
需要说明的是,服务器通过预置的异常识别模型进行卷积运算,主要通过高斯拉普拉斯算子对颈椎影像进行卷积运算,产生不同(多)尺度空间的高斯图像,每个尺度空间的高斯图像对应一个尺度的高斯核,高斯核的尺度之间的比例与高斯图像的尺度空间之间的比例相互对应,每个高斯核对应一个尺度范围,尺度范围用于指示颈椎异常斑点识别大小,例如,对于与颈椎影像相同大小的高斯图像,尺度范围可以为3-6mm,对于缩小了10倍的高斯图像,尺度范围可以为0.3-0.6mm,对于缩小了20倍的高斯图像,尺度范围可以为0.15-0.25mm,具体不做限定,进而服务器基于预设的尺度范围对多个不同尺度的高斯图像进行异常位置识别,得到至少一个异常位置区域图像;服务器对至少一个异常位置区域图像进行二值化处理,得到至少一个异常区域图像。
203、对至少一个异常区域图像进行纹理特征提取,得到至少一个异常纹理特征信息;
需要说明的是,纹理特征是一种“二阶特征”,不是从图像上直接得出的,而是先通过某种计算将原始图像的特性提取出来并存在一个中间矩阵中,之后在这个中间矩阵上定义一系列的统计量,作为图像的纹理特征。在医学影像研究中,根据所用的中间矩阵的不同,可以将纹理特征的分为若干类别,本发明实施例中,对异常区域图像进行异常纹理特征提取,得到至少一个异常纹理特征。
204、基于至少一个异常纹理特征信息对至少一个异常区域图像进行类型匹配,确定至少一个异常类型;
具体的,服务器基于该至少一个异常纹理特征从预置的数据库中进行标准数据筛选,得到与该异常纹理特征匹配的异常类型数据集合,进而通过该至少一个异常区域图像对该异常类型数据集合进行目标数据筛选,确定与该至少一个异常纹理特征信息对应的至少一个异常类型。
205、基于至少一个异常类型,对候选颈椎CT影像进行分割处理,得到多个颈椎CT分割图;
具体的,在本实施例中,步骤205的具体实施方式与上述步骤104类似,此处不再赘述。
206、将多个颈椎CT分割图输入预置的卷积神经网络进行语义特征提取,得到与多个颈椎CT分割图对应的语义特征信息集合;
具体的,服务器将多个颈椎CT分割图输入卷积神经网进行候选框分割,得到每一颈椎CT分割图对应的候选框;服务器通过至少一个异常类型进行特征函数匹配,确定对应的区域特征函数;服务器基于区域特征函数通过卷积神经网络对每一颈椎CT分割图对应的候选框进行语义特征提取,得到与多个颈椎CT分割图对应的语义特征信息集合。
在本实施例中,得到上述颈椎CT影像的异常类型后,服务器对候选颈椎CT影像中每一个像素点生成后候选框并进行候选框对齐操作,得到多个候选框,需要说明的是,服务器通过该至少一个异常类型从预置的特征函数数据库中进行函数匹配,特征函数主要是指基于不同的异常类型所设置的提取不同类型特征的特征函数,当确定区域特征函数之后,服务器基于区域特征函数通过卷积神经网络对多个候选框进行语义特征提取,得到与候选颈椎CT影像对应的语义特征信息集合,该语义特征信息集合主要包括:颈椎异常位置、颈椎异常类型、颈椎椎体信息等信息。
207、基于语义特征信息集合对至少一个异常类型进行特征信息匹配,得到至少一个异常特征信息;
具体的,服务器通过语义特征信息集合进行信息标识匹配,确定多个目标信息标识;服务器通过多个目标信息标识从预置的数据库获取多个候选异常特征信息;服务器根据至少一个异常类型信息对多个候选异常特征信息进行筛选,得到至少一个异常特征信息。
其中,服务器通过语义特征信息集合进行信息标识匹配,确定多个目标信息标识,进而通过多个目标信息标识确定除需要关注颈椎异常的形状、大小、灰度、良恶性外,还要能够识别目标颈椎异常与周围组织之间的关系,具体的,服务器通过多个目标信息标识从预置的数据库获取多个候选异常特征信息;服务器根据至少一个异常类型信息对多个候选异常特征信息进行筛选,得到至少一个异常特征信息。
208、将至少一个异常特征信息填充至每一颈椎CT分割图中预置的信息填充区域,得到目标颈椎CT影像。
具体的,服务器分别对每一颈椎CT分割图进行填充区域识别,得到每一颈椎CT分割图对应的区域标识;服务器通过每一颈椎CT分割图对应的区域标识对每一颈椎CT图像进行填充区域分割,得到每一颈椎CT分割图对应的信息填充区域;服务器将至少一个异常特征信息填充至每一颈椎CT分割图中预置的信息填充区域,得到目标颈椎CT影像。
需要说明的是,服务器通过预置的图像分割工具对该颈椎CT分割图进行分块处理,得到每一颈椎CT分割图对应的区域标识,并对该颈椎CT分割图进行扫描,确定相应的关键像素,进而服务器通过每一颈椎CT分割图对应的区域标识对每一颈椎CT图像进行填充区域分割,得到每一颈椎CT分割图对应的信息填充区域,最后服务器通过预置的信息填充脚本对至少一个异常特征信息对每一颈椎CT分割图进行信息填充,得到目标CT影像。
本发明实施例中,服务器通过形态学开闭运算先对去噪后的初始颈椎CT影像进行腐蚀运算,得到腐蚀结果,再对腐蚀结果进行膨胀运算,以重构初始颈椎CT影像的颈椎轮廓边缘,得到目标颈椎部区域,形态学闭运算能够去除初始颈椎CT影像中孤立的小点、毛刺和小桥,而总的位置和形状不变,使目标颈椎部区域的边缘更平滑,使后续分割得到的颈椎部影像更完整,提升颈椎CT影像的完整性,既能避免后续对该颈椎CT影像进行异常识别时因图像残缺导致的鲁棒性不足的情形出现,同时又能提升异常识别的准确率与效率,服务器通过该关键像素对多个候选颈椎CT影像区域进行筛选,得到至少一个待处理CT影像区域,最后服务器通过预置的信息填充脚本对至少一个异常特征信息对每一颈椎CT分割图进行信息填充,得到目标CT影像,将异常特征信息附着在CT影像中,也可以更直观的输出异常识别结果。
请参阅图3,本发明实施例中基于CT影像的图像处理装置的一个实施例包括:
获取模块301,用于获取目标用户的初始颈椎CT影像,并对所述初始颈椎CT影像进行平滑分割处理,得到候选颈椎CT影像;
识别模块302,用于通过预置的异常识别模型对所述候选颈椎CT影像进行异常位置识别,得到至少一个异常区域图像;
分析模块303,用于对所述至少一个异常区域图像进行异常类型分析,确定至少一个异常类型,其中,所述异常类型包括:圆形图像类、椭圆形图像类及不规则图像类;
分割模块304,用于基于所述至少一个异常类型,对所述候选颈椎CT影像进行分割处理,得到多个颈椎CT分割图;
提取模块305,用于将所述多个颈椎CT分割图输入预置的卷积神经网络进行语义特征提取,得到与所述多个颈椎CT分割图对应的语义特征信息集合;
匹配模块306,用于基于所述语义特征信息集合对所述至少一个异常类型进行特征信息匹配,得到至少一个异常特征信息;
填充模块307,用于将所述至少一个异常特征信息填充至每一所述颈椎CT分割图中预置的信息填充区域,得到目标颈椎CT影像。
请参阅图4,本发明实施例中基于CT影像的图像处理装置的另一个实施例包括:
获取模块301,用于获取目标用户的初始颈椎CT影像,并对所述初始颈椎CT影像进行平滑分割处理,得到候选颈椎CT影像;
识别模块302,用于通过预置的异常识别模型对所述候选颈椎CT影像进行异常位置识别,得到至少一个异常区域图像;
分析模块303,用于对所述至少一个异常区域图像进行异常类型分析,确定至少一个异常类型,其中,所述异常类型包括:圆形图像类、椭圆形图像类及不规则图像类;
分割模块304,用于基于所述至少一个异常类型,对所述候选颈椎CT影像进行分割处理,得到多个颈椎CT分割图;
提取模块305,用于将所述多个颈椎CT分割图输入预置的卷积神经网络进行语义特征提取,得到与所述多个颈椎CT分割图对应的语义特征信息集合;
匹配模块306,用于基于所述语义特征信息集合对所述至少一个异常类型进行特征信息匹配,得到至少一个异常特征信息;
填充模块307,用于将所述至少一个异常特征信息填充至每一所述颈椎CT分割图中预置的信息填充区域,得到目标颈椎CT影像。
可选的,所述获取模块301具体用于:获取所述初始颈椎CT影像,并采用自适应权重中值滤波算法对所述初始颈椎CT影像进行去噪处理,得到去噪后的初始颈椎CT影像;基于形态学开闭运算对所述去噪后的初始颈椎CT影像进行颈椎轮廓分析,得到预测颈椎区域;采用直方图均衡化算法对所述预测颈椎区域进行标准化处理,得到候选颈椎CT图像。
可选的,所述识别模块302具体用于:将所述候选颈椎CT影像输入所述异常识别模型进行卷积运算,得到多个不同尺度的高斯图像;基于预设的尺度范围对所述多个不同尺度的高斯图像进行异常位置识别,得到至少一个异常位置区域图像;对所述至少一个异常位置区域图像进行二值化处理,得到至少一个异常区域图像。
可选的,所述分析模块303具体用于:对所述至少一个异常区域图像进行纹理特征提取,得到至少一个异常纹理特征信息;基于所述至少一个异常纹理特征信息对所述至少一个异常区域图像进行类型匹配,确定至少一个异常类型。
可选的,所述提取模块305具体用于:将所述多个颈椎CT分割图输入所述卷积神经网进行候选框分割,得到每一所述颈椎CT分割图对应的候选框;通过所述至少一个异常类型进行特征函数匹配,确定对应的区域特征函数;基于所述区域特征函数通过所述卷积神经网络对每一所述颈椎CT分割图对应的候选框进行语义特征提取,得到与所述多个颈椎CT分割图对应的语义特征信息集合。
可选的,所述匹配模块306具体用于:通过所述语义特征信息集合进行信息标识匹配,确定多个目标信息标识;通过所述多个目标信息标识从预置的数据库获取多个候选异常特征信息;根据所述至少一个异常类型信息对所述多个候选异常特征信息进行筛选,得到至少一个异常特征信息。
可选的,所述填充模块307具体用于:分别对每一所述颈椎CT分割图进行填充区域识别,得到每一所述颈椎CT分割图对应的区域标识;通过每一所述颈椎CT分割图对应的区域标识对每一所述颈椎CT图像进行填充区域分割,得到每一所述颈椎CT分割图对应的信息填充区域;将所述至少一个异常特征信息填充至每一所述颈椎CT分割图中预置的信息填充区域,得到目标颈椎CT影像。
图5是本发明实施例提供的一种计算机设备的结构示意图,该计算机设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(CentralProcessing Units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对计算机设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在计算机设备500上执行存储介质530中的一系列指令操作。
计算机设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的计算机设备结构并不构成对计算机设备的限定,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。
本发明还提供一种计算机设备,所述计算机设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于CT影像的图像处理方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于CT影像的图像处理方法的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
本发明所指区块链是分布式数据存储,点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链,本质上是一个去中心化的数据库,是一串使用密码方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块,区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
Claims (10)
1.一种基于CT影像的图像处理方法,其特征在于,方法包括:
获取目标用户的初始颈椎CT影像,并对所述初始颈椎CT影像进行平滑分割处理,得到候选颈椎CT影像;
通过预置的异常识别模型对所述候选颈椎CT影像进行异常位置识别,得到至少一个异常区域图像;
对所述至少一个异常区域图像进行异常类型分析,确定至少一个异常类型,其中,所述异常类型包括:圆形图像类、椭圆形图像类及不规则图像类;
基于所述至少一个异常类型,对所述候选颈椎CT影像进行分割处理,得到多个颈椎CT分割图;
将所述多个颈椎CT分割图输入预置的卷积神经网络进行语义特征提取,得到与所述多个颈椎CT分割图对应的语义特征信息集合;
基于所述语义特征信息集合对所述至少一个异常类型进行特征信息匹配,得到至少一个异常特征信息;
将所述至少一个异常特征信息填充至每一所述颈椎CT分割图中预置的信息填充区域,得到目标颈椎CT影像。
2.根据权利要求1所述的基于CT影像的图像处理方法,其特征在于,所述获取目标用户的初始颈椎CT影像,并对所述初始颈椎CT影像进行平滑分割处理,得到候选颈椎CT影像包括:
获取所述初始颈椎CT影像,并采用自适应权重中值滤波算法对所述初始颈椎CT影像进行去噪处理,得到去噪后的初始颈椎CT影像;
基于形态学开闭运算对所述去噪后的初始颈椎CT影像进行颈椎轮廓分析,得到预测颈椎区域;
采用直方图均衡化算法对所述预测颈椎区域进行标准化处理,得到候选颈椎CT图像。
3.根据权利要求1所述的基于CT影像的图像处理方法,其特征在于,所述通过预置的异常识别模型对所述候选颈椎CT影像进行异常位置识别,得到至少一个异常区域图像包括:
将所述候选颈椎CT影像输入所述异常识别模型进行卷积运算,得到多个不同尺度的高斯图像;
基于预设的尺度范围对所述多个不同尺度的高斯图像进行异常位置识别,得到至少一个异常位置区域图像;
对所述至少一个异常位置区域图像进行二值化处理,得到至少一个异常区域图像。
4.根据权利要求1所述的基于CT影像的图像处理方法,其特征在于,所述对所述至少一个异常区域图像进行异常类型分析,确定至少一个异常类型包括:
对所述至少一个异常区域图像进行纹理特征提取,得到至少一个异常纹理特征信息;
基于所述至少一个异常纹理特征信息对所述至少一个异常区域图像进行类型匹配,确定至少一个异常类型。
5.根据权利要求1所述的基于CT影像的图像处理方法,其特征在于,所述将所述多个颈椎CT分割图输入预置的卷积神经网络进行语义特征提取,得到与所述多个颈椎CT分割图对应的语义特征信息集合包括:
将所述多个颈椎CT分割图输入所述卷积神经网进行候选框分割,得到每一所述颈椎CT分割图对应的候选框;
通过所述至少一个异常类型进行特征函数匹配,确定对应的区域特征函数;
基于所述区域特征函数通过所述卷积神经网络对每一所述颈椎CT分割图对应的候选框进行语义特征提取,得到与所述多个颈椎CT分割图对应的语义特征信息集合。
6.根据权利要求1所述的基于CT影像的图像处理方法,其特征在于,所述基于所述语义特征信息集合对所述至少一个异常类型进行特征信息匹配,得到至少一个异常特征信息包括:
通过所述语义特征信息集合进行信息标识匹配,确定多个目标信息标识;
通过所述多个目标信息标识从预置的数据库获取多个候选异常特征信息;
根据所述至少一个异常类型信息对所述多个候选异常特征信息进行筛选,得到至少一个异常特征信息。
7.根据权利要求1-6中任一项所述的基于CT影像的图像处理方法,其特征在于,所述将所述至少一个异常特征信息填充至每一所述颈椎CT分割图中预置的信息填充区域,得到目标颈椎CT影像包括:
分别对每一所述颈椎CT分割图进行填充区域识别,得到每一所述颈椎CT分割图对应的区域标识;
通过每一所述颈椎CT分割图对应的区域标识对每一所述颈椎CT图像进行填充区域分割,得到每一所述颈椎CT分割图对应的信息填充区域;
将所述至少一个异常特征信息填充至每一所述颈椎CT分割图中预置的信息填充区域,得到目标颈椎CT影像。
8.一种基于CT影像的图像处理装置,其特征在于,所述基于CT影像的图像处理装置包括:
获取模块,用于获取目标用户的初始颈椎CT影像,并对所述初始颈椎CT影像进行平滑分割处理,得到候选颈椎CT影像;
识别模块,用于通过预置的异常识别模型对所述候选颈椎CT影像进行异常位置识别,得到至少一个异常区域图像;
分析模块,用于对所述至少一个异常区域图像进行异常类型分析,确定至少一个异常类型,其中,所述异常类型包括:圆形图像类、椭圆形图像类及不规则图像类;
分割模块,用于基于所述至少一个异常类型,对所述候选颈椎CT影像进行分割处理,得到多个颈椎CT分割图;
提取模块,用于将所述多个颈椎CT分割图输入预置的卷积神经网络进行语义特征提取,得到与所述多个颈椎CT分割图对应的语义特征信息集合;
匹配模块,用于基于所述语义特征信息集合对所述至少一个异常类型进行特征信息匹配,得到至少一个异常特征信息;
填充模块,用于将所述至少一个异常特征信息填充至每一所述颈椎CT分割图中预置的信息填充区域,得到目标颈椎CT影像。
9.一种计算机设备,其特征在于,所述计算机设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述计算机设备执行如权利要求1-7中任意一项所述的基于CT影像的图像处理方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述基于CT影像的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210379285.9A CN114757908A (zh) | 2022-04-12 | 2022-04-12 | 基于ct影像的图像处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210379285.9A CN114757908A (zh) | 2022-04-12 | 2022-04-12 | 基于ct影像的图像处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114757908A true CN114757908A (zh) | 2022-07-15 |
Family
ID=82328439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210379285.9A Pending CN114757908A (zh) | 2022-04-12 | 2022-04-12 | 基于ct影像的图像处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757908A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861722A (zh) * | 2023-03-02 | 2023-03-28 | 江西服装学院 | 一种面料砂洗工艺异常检测方法及系统 |
CN116936041A (zh) * | 2023-09-18 | 2023-10-24 | 天河超级计算淮海分中心 | 一种医学影像文件处理方法、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493343A (zh) * | 2018-12-29 | 2019-03-19 | 上海鹰瞳医疗科技有限公司 | 医疗图像异常区域分割方法及设备 |
CN109544550A (zh) * | 2018-12-05 | 2019-03-29 | 易必祥 | 基于ct影像智能检测和识别方法及系统 |
CN111931772A (zh) * | 2020-09-18 | 2020-11-13 | 平安科技(深圳)有限公司 | 医学图像处理方法、装置、设备及存储介质 |
US20210027460A1 (en) * | 2019-07-25 | 2021-01-28 | Canon Medical Systems Corporation | Medical image processing method and apparatus |
CN112734741A (zh) * | 2021-01-19 | 2021-04-30 | 浙江飞图影像科技有限公司 | 一种肺炎ct影像的图像处理方法和系统 |
CN113706514A (zh) * | 2021-08-31 | 2021-11-26 | 平安科技(深圳)有限公司 | 基于模板图像的病灶定位方法、装置、设备及存储介质 |
-
2022
- 2022-04-12 CN CN202210379285.9A patent/CN114757908A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544550A (zh) * | 2018-12-05 | 2019-03-29 | 易必祥 | 基于ct影像智能检测和识别方法及系统 |
CN109493343A (zh) * | 2018-12-29 | 2019-03-19 | 上海鹰瞳医疗科技有限公司 | 医疗图像异常区域分割方法及设备 |
US20210027460A1 (en) * | 2019-07-25 | 2021-01-28 | Canon Medical Systems Corporation | Medical image processing method and apparatus |
CN111931772A (zh) * | 2020-09-18 | 2020-11-13 | 平安科技(深圳)有限公司 | 医学图像处理方法、装置、设备及存储介质 |
CN112734741A (zh) * | 2021-01-19 | 2021-04-30 | 浙江飞图影像科技有限公司 | 一种肺炎ct影像的图像处理方法和系统 |
CN113706514A (zh) * | 2021-08-31 | 2021-11-26 | 平安科技(深圳)有限公司 | 基于模板图像的病灶定位方法、装置、设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861722A (zh) * | 2023-03-02 | 2023-03-28 | 江西服装学院 | 一种面料砂洗工艺异常检测方法及系统 |
CN115861722B (zh) * | 2023-03-02 | 2023-07-25 | 江西服装学院 | 一种面料砂洗工艺异常检测方法及系统 |
CN116936041A (zh) * | 2023-09-18 | 2023-10-24 | 天河超级计算淮海分中心 | 一种医学影像文件处理方法、电子设备及存储介质 |
CN116936041B (zh) * | 2023-09-18 | 2023-12-22 | 天河超级计算淮海分中心 | 一种医学影像文件处理方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11494902B2 (en) | Systems and methods for automatic detection and quantification of pathology using dynamic feature classification | |
Sampaio et al. | Detection of masses in mammogram images using CNN, geostatistic functions and SVM | |
US9123095B2 (en) | Method for increasing the robustness of computer-aided diagnosis to image processing uncertainties | |
Hadavi et al. | Lung cancer diagnosis using CT-scan images based on cellular learning automata | |
CN111931772B (zh) | 医学图像处理方法、装置、设备及存储介质 | |
CN114757908A (zh) | 基于ct影像的图像处理方法、装置、设备及存储介质 | |
Kwon et al. | PGGAN-based anomaly classification on chest x-ray using weighted multi-scale similarity | |
Karanam et al. | A systematic review on approach and analysis of bone fracture classification | |
Admass et al. | Convolutional neural networks and histogram-oriented gradients: a hybrid approach for automatic mango disease detection and classification | |
Lynn et al. | Melanoma classification on dermoscopy skin images using bag tree ensemble classifier | |
GÜRAKSIN et al. | Bone age determination in young children (newborn to 6 years old) using support vector machines | |
CN117274278B (zh) | 基于模拟感受野的视网膜图像病灶部位分割方法及系统 | |
Goutham et al. | Automatic localization of landmarks in cephalometric images via modified U-Net | |
CN114170473A (zh) | 基于病理图像的dMMR亚型分类方法及系统 | |
CN110837844A (zh) | 基于ct图像不相似性特征的胰腺囊性肿瘤良恶性分类方法 | |
Ding et al. | Bone age estimation from carpal radiography images using deep learning | |
CN115761226A (zh) | 一种口腔影像分割识别方法、装置、电子设备和存储介质 | |
Crasta et al. | A novel Deep Learning architecture for lung cancer detection and diagnosis from Computed Tomography image analysis | |
Prakash et al. | An identification of abnormalities in dental with support vector machine using image processing | |
CN112614092A (zh) | 脊柱检测方法和装置 | |
CN114170415A (zh) | 基于组织病理图像深度域适应的tmb分类方法及系统 | |
CN109712124B (zh) | 超声图像的标记去除方法及装置 | |
CN113822846A (zh) | 医学图像中确定感兴趣区域的方法、装置、设备及介质 | |
Sema et al. | Automatic Detection and Classification of Mango Disease Using Convolutional Neural Network and Histogram Oriented Gradients | |
Amiriebrahimabadi et al. | A Comprehensive Survey of Multi-Level Thresholding Segmentation Methods for Image Processing |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221013 Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right |