CN114820584A - 肺部病灶定位装置 - Google Patents
肺部病灶定位装置 Download PDFInfo
- Publication number
- CN114820584A CN114820584A CN202210594328.5A CN202210594328A CN114820584A CN 114820584 A CN114820584 A CN 114820584A CN 202210594328 A CN202210594328 A CN 202210594328A CN 114820584 A CN114820584 A CN 114820584A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- focus
- dimensional
- sample
- 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.)
- Granted
Links
- 210000004072 lung Anatomy 0.000 title abstract description 60
- 230000011218 segmentation Effects 0.000 claims abstract description 425
- 230000003902 lesion Effects 0.000 claims abstract description 222
- 210000000056 organ Anatomy 0.000 claims abstract description 139
- 238000005192 partition Methods 0.000 claims abstract description 133
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 230000004807 localization Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 172
- 238000012545 processing Methods 0.000 claims description 94
- 238000002372 labelling Methods 0.000 claims description 68
- 238000012795 verification Methods 0.000 claims description 32
- 238000000638 solvent extraction Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 8
- 230000002685 pulmonary effect Effects 0.000 claims description 5
- 239000010410 layer Substances 0.000 description 61
- 238000000034 method Methods 0.000 description 53
- 230000008569 process Effects 0.000 description 41
- 230000006870 function Effects 0.000 description 37
- 238000010586 diagram Methods 0.000 description 33
- 238000003860 storage Methods 0.000 description 18
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 17
- 238000002591 computed tomography Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 239000002356 single layer Substances 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 208000019693 Lung disease Diseases 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 206010035664 Pneumonia Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 239000005338 frosted glass Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000005337 ground glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 208000037841 lung tumor Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本公开涉及一种肺部病灶定位装置,所述装置包括:第一预处理模块,用于对医学图像进行第一预处理,获得第一三维图像和第一二维图像;分割模块,用于将第一三维图像输入病灶分割模型,获得第一分割结果;分区模块,用于将第一二维图像输入器官分区模型,获得器官分区结果;定位模块,用于根据第一分割结果和器官分区结果,获得病灶定位结果。根据本公开的实施例的肺部病灶定位装置,可结合三维图像和二维图像进行病灶的定位,可充分利用二维图像的细节信息和三维图像的空间信息,获得病灶定位结果,提高病灶的分割用于定位精度,同时减小运算资源的消耗。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种肺部病灶定位装置。
背景技术
胸部CT(computed tomography,计算机断层扫描)是肺部疾病检测的重要手段,肺炎等肺部疾病在CT图像中通常表现为磨玻璃影、实变影和索条等,病灶类型较多,且病灶本身的边界范围难确定,对其量化分析耗时且困难。
在相关技术中,虽然可通过深度学习神经网络模型的方法对于CT图像进行处理,并对病灶进行分割,但相关技术中通常仅可处理单一的三维图像或二维图像,对于二维图像,虽然数据量较小,但信息不完整,病灶的识别与分割结果的精确度不高,易与膈肌、胸膜反褶等正常组织结构混淆。三维图像虽然信息完整,但运算成本较高,对于运算资源的消耗严重。
发明内容
本公开提出了一种肺部病灶定位装置。
根据本公开的一方面,提供了一种肺部病灶定位装置,包括:第一预处理模块,用于对医学图像进行第一预处理,获得预处理后的第一三维图像和第一二维图像,其中,所述医学图像包括预设器官的三维医学图像;分割模块,用于将所述第一三维图像输入病灶分割模型进行处理,获得第一分割结果,所述第一分割结果指示所述预设器官中分割出的病灶区域;分区模块,用于将所述第一二维图像输入器官分区模型进行处理,获得器官分区结果,其中,所述器官分区结果指示所述预设器官被划分的各器官分区;定位模块,用于根据所述第一分割结果和所述器官分区结果,获得病灶定位结果。
在一种可能的实现方式中,所述第一预处理模块进一步用于:根据所述医学图像,获取三维图像块,所述三维图像块包括所述预设器官所在区域;抽取所述三维图像块的多个连续的图像层,获得所述第一三维图像;抽取所述三维图像块的单个图像层,获得所述第一二维图像。
在一种可能的实现方式中,所述病灶分割模型包括二维分割子模型和三维分割子模型;其中,所述分割模块进一步用于:抽取所述第一三维图像的单个图像层,获得多个第二二维图像;将所述第二二维图像输入所述二维分割子模型,获得二维特征;根据所述二维特征,确定第一二维分割结果;根据多个第二二维图像的第一二维分割结果,获得第一三维分割结果;将所述第一三维分割结果和所述第一三维图像输入所述三维分割子模型,获得三维特征;根据所述三维特征和所述二维特征,获得所述第一分割结果。
在一种可能的实现方式中,所述定位模块进一步用于:根据所述器官分区结果,对所述第一分割结果中所述预设器官之外的区域进行去除,获得第二分割结果;根据所述第二分割结果和所述器官分区结果,对所述病灶所在的器官分区进行定位,获得所述病灶定位结果。
在一种可能的实现方式中,所述装置还包括第一训练模块,用于:对用于训练所述病灶分割模型的样本图像进行第二预处理,获得预处理后的样本图像,其中预处理后的样本图像包括具有标注信息的第一样本图像和不具有标注信息的第二样本图像;通过第一样本图像训练所述病灶分割模型,获得第一训练状态的病灶分割模型;通过第一训练状态的病灶分割模型对所述第二样本图像进行处理,获得所述第二样本图像的第一样本分割结果;将所述第一样本分割结果作为所述第二样本图像的标注信息,并通过所述第一样本图像和所述第二样本图像训练所述第一训练状态的病灶分割模型,获得第二训练状态的病灶分割模型;通过所述第二训练状态的病灶分割模型对所述第二样本图像进行处理,获得所述第二样本图像的第二样本分割结果;根据所述第二样本分割结果,对所述第二样本图像进行筛选,获得第三样本图像;根据所述第三样本图像和所述第一样本图像训练所述第一训练状态的病灶分割模型,获得训练后的病灶分割模型。
在一种可能的实现方式中,所述第一训练模块进一步用于:通过所述第一样本图像中,存在病灶区域的正样本对所述病灶分割模型进行训练,获得初始状态的病灶分割模型;通过所述初始状态的病灶分割模型对所述第一样本图像中不存在病灶区域的负样本进行处理,获得第三样本分割结果;根据所述第三样本分割结果,确定发生分割错误的目标负样本;根据所述正样本和所述目标负样本,训练所述初始状态的病灶分割模型,获得所述第一训练状态的病灶分割模型。
在一种可能的实现方式中,所述第一训练模块进一步用于:根据所述病灶区域的尺寸,确定所述病灶区域的权重;将所述正样本输入所述病灶分割模型进行处理,获得第四样本分割结果;根据所述第四样本分割结果和所述标注信息,确定各病灶区域的分割损失和对比损失,其中,分割损失表示第四样本分割结果中的病灶区域与标注中信息中的病灶区域之间的差异,对比损失表示所述正样本中各像素点属于病灶的概率和标注信息之间的差异;通过第一调节系数,对各病灶区域的所述对比损失和分割损失进行加权求和,获得各病灶区域的区域损失,其中,所述第一调节系数随训练轮次发生变化;根据所述病灶区域的权重,对所述区域损失进行加权求和,获得所述病灶分割模型的模型损失;根据所述模型损失,对所述病灶分割模型进行训练,获得所述初始状态的病灶分割模型。
在一种可能的实现方式中,所述第一训练模块进一步用于:在所述病灶区域的尺寸小于预设尺寸阈值的情况下,根据第二调节系数,以及所述第四样本分割结果和所述标注信息,确定所述病灶区域的分割损失,所述第二调节系数随训练轮次发生变化;或者,在所述病灶区域的尺寸大于或等于预设尺寸阈值的情况下,根据预设的幂次数,以及所述第四样本分割结果和所述标注信息,确定所述病灶区域的分割损失。
在一种可能的实现方式中,所述装置还包括调整模块,用于:将所述样本图像以及用于对训练后的病灶分割模型进行验证的验证图像按照多种因素进行分类,分别获得多个类别的样本图像和多个类别的验证图像;通过所述训练后的病灶分割模型对多个类别的验证图像进行处理,获得验证结果;确定所述验证结果与用于分类的所述因素的相关性;通过所述训练后的病灶分割模型对多个类别的样本图像进行处理,获得处理结果;根据所述样本图像的标注信息、所述相关性和所述处理结果,在所述样本图像中确定出目标样本图像及对应权重;对所述目标样本图像进行加权处理,并通过加权处理后的目标样本图像及其他样本图像对所述训练后的病灶分割模型进行训练,获得调整后的病灶分割模型。
在一种可能的实现方式中,所述装置还包括第二训练模块,用于:对样本图像进行第三预处理,获得预处理后的第一二维样本图像;对所述第一二维样本图像进行下采样,获得第二二维样本图像;通过第二二维样本图像对所述器官分区模型进行训练,获得第一训练状态的器官分区模型;通过第一训练状态的器官分区模型对所述第二二维样本图像进行处理,获得第一分区结果;对所述第一分区结果进行上采样,获得第二分区结果;
将所述第二分区结果和所述第一二维样本图像输入所述第一训练状态的器官分区模型,获得第三分区结果;根据所述第三分区结果以及所述样本图像的标注信息,训练所述第一训练状态的器官分区模型,获得训练后的器官分区模型。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述装置执行的步骤。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述装置执行的步骤。
根据本公开的实施例的肺部病灶定位装置,可结合三维图像和二维图像进行病灶的定位,可充分利用二维图像的细节信息和三维图像的空间信息,获得病灶定位结果,提高病灶的分割用于定位精度,同时减小运算资源的消耗。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的肺部病灶定位装置的框图;
图2示出根据本公开的实施例的病灶分割模型的示意图;
图3示出根据本公开的实施例的二维分割子模型和三维分割子模型的示意图;
图4示出根据本公开的实施例的器官分区模型的示意图;
图5示出根据本公开的实施例的肺部病灶定位装置的应用示意图;
图6示出根据本公开的实施例的预处理的示意图;
图7示出根据本公开的实施例的模型损失的示意图;
图8示出根据本公开的实施例的训练病灶分割模型的示意图;
图9示出根据本公开的实施例的训练器官分区模型的示意图;
图10示出根据本公开实施例的一种电子设备的框图;
图11示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的肺部病灶定位装置的框图,如图1所示,所述组织包括:
第一预处理模块11,用于对医学图像进行第一预处理,获得预处理后的第一三维图像和第一二维图像,其中,所述医学图像包括预设器官的三维医学图像;
分割模块12,用于将所述第一三维图像输入病灶分割模型进行处理,获得第一分割结果,所述第一分割结果指示所述预设器官中分割出的病灶区域;
分区模块13,用于将所述第一二维图像输入器官分区模型进行处理,获得器官分区结果,其中,所述器官分区结果指示所述预设器官被划分的各器官分区;
定位模块14,用于根据所述第一分割结果和所述器官分区结果,获得病灶定位结果。
根据本公开的实施例的肺部病灶定位装置,可结合三维图像和二维图像进行病灶的定位,可充分利用二维图像的细节信息和三维图像的空间信息,获得病灶定位结果,提高病灶的分割用于定位精度,同时减小运算资源的消耗。
在一种可能的实现方式中,肺部病灶类型较多,且识别困难,如果利用神经网络模型来识别肺部病灶,在训练神经网络的过程中,还可能因为标注者(例如,医生等专业人员)的个人偏好,水平差异等因素,导致标注偏差甚至标注错误(例如,病灶的有无、病灶的位置和范围等方面的偏差或错误),或者,还可能由于患者自身具有其他肺部疾病,导致对于某一种特定疾病的病灶的识别出现错误(例如,将其他疾病的病灶误标注为特定疾病的病灶,例如,将肺炎的病灶误标注为肺部肿瘤的病灶等,本公开对病灶的类型不做限制)。使得神经网络模型在训练过程中引入噪声,降低了神经网络模型的精度,导致识别与分割的偏差,从而导致对于病灶的定位不准确。
在一种可能的实现方式中,为了提升识别肺部病灶的识别精度,且降低运算资源的占用量,可通过对二维图像和三维图像的综合运用,来分割和定位肺部病灶,以在较小的运算资源占用的情况下,准确地分割和定位特定肺部疾病的病灶。在分割和定位过程中,使用的病灶分割模型和器官分区模型均可以是上述两种模型均通过特定的训练方式进行训练,以减少标注信息中的噪声,使得两种模型的精度较高,分割和定位的准确性较高,可准确地定位病灶,提高定位准确率和效率。
在一种可能的实现方式中,可对肺部CT图像等医学图像进行处理,以对肺部CT图像中的特定病灶进行识别、分割和定位。在对肺部CT图像等医学图像进行处理前,可通过第一预处理模块对医学图像进行第一预处理,获得预处理后的第一三维图像和第一二维图像,使得预处理后获得的图像符合上述病灶分割模型和器官分区模型的处理要求。
在一种可能的实现方式中,所述第一预处理模块进一步用于:根据所述医学图像,获取三维图像块,所述三维图像块包括所述预设器官所在区域;抽取所述三维图像块的多个连续的图像层,获得所述第一三维图像;抽取所述三维图像块的单个图像层,获得所述第一二维图像。
在一种可能的实现方式中,上述医学图像为三维医学图像,可获取其中的三维图像块,即,包括预设器官(例如,肺部)所在区域的三维图像块。在示例中,可对Dicom格式的CT图像进行HU值转化,获取医学图像的各像素点的CT值。并可对转化后的医学图像进行二值化处理,进而可将二值化处理后的医学图像进行取最大连通域处理,可获得躯干区域所在的位置。进一步地,可获取躯干区域的掩膜,并将掩膜之外的背景区域的去除,例如,将背景区域的CT值设置为-1024。在去除背景区域后,可对医学图像各像素点的CT值进行归一化处理,获得医学图像各像素点的像素值,可获得个像素点的像素值均属于[0,1]区间的医学图像。可选取该医学图像的x×y方向平面上中心坐标,并以该坐标为中心,截取特定尺寸的图像块,例如,截取尺寸为432×432的图像块,对于z轴方向的每个图像层均进行上述截取处理,可获得所述三维图像块,该三维图像块可包括预设器官(例如,肺部)所在区域。
在一种可能的实现方式中,上述三维图像块在z轴方向包括多个图像层,可多次对多个连续的图像层进行抽取,可获得第一三维图像。在示例中,抽取的第一三维图像的尺寸为8×432×432,即,对连续8个图像层(例如,z轴方向的图像层)进行抽取,获得由8个尺寸为432×432的二维图像组成的第一三维图像。在示例中,上述抽取处理的采样间隔层数为6,例如,每隔6层,即可对8个连续图像层进行上述抽取处理。经过上述抽取处理,可获得多个第一三维图像。本公开对每个第一三维图像的尺寸以及采样间隔层数不做限制。
在一种可能的实现方式中,还可抽取三维图像块的单个图像层,获得第一二维图像,可进行连续多次抽取,获得多个第一二维图像,也可设置采样间隔层数,即,每间隔一定的层数(即,采样间隔层数),即可抽取一个或几个图像层,获得一个或几个第一二维图像,经过多次抽取后,可获得多个第一二维图像。
在一种可能的实现方式中,如上所述,可综合利用获得的第一三维图像和第一二维图像,以在较少的资源消耗的情况下,获得更高的分割精度和定位精度。在示例中,第一三维图像可包括更多的空间和位置信息,可用于对肺部病灶的识别和分割,第一二维图像的数据量较少,且所包括的细节信息足够对器官进行分区,例如,对肺部的多个肺叶进行区分,因此,第一二维图像可用于对器官进行分区,以在保证分区精度的情况下减少运算资源消耗。
在一种可能的实现方式中,所述分割模块可将第一三维图像输入病灶分割模型进行处理,如上所述,病灶分割模型可以是深度学习神经网络模型,可在经过训练后,对第一三维图像进行处理,以识别第一三维图像中的病灶,并对病灶所在的区域进行分割处理。
在一种可能的实现方式中,所述病灶分割模型包括二维分割子模型和三维分割子模型,从而可在病灶分割模型中,综合利用二维图像和三维图像的数据特征,以在较小的运算资源占用的情况下,获得较高的分割精度。所述分割模块进一步用于:抽取所述第一三维图像的单个图像层,获得多个第二二维图像;将所述第二二维图像输入所述二维分割子模型,获得二维特征;根据所述二维特征,确定第一二维分割结果;根据多个第二二维图像的第一二维分割结果,获得第一三维分割结果;将所述第一三维分割结果和所述第一三维图像输入所述三维分割子模型,获得三维特征;根据所述三维特征和所述二维特征,获得所述第一分割结果。
在一种可能的实现方式中,病灶分割模型可同时利用二维图像的细节信息和三维图像的空间信息和位置信息,所述病灶分割模型可以是包括二维分割子模型和三维分割子模型的混合网络模型。以在降低运算资源的占用的同时,提升分割精度。
图2示出根据本公开的实施例的病灶分割模型的示意图。将第一三维图像输入所述病灶分割模型后,可抽取第一三维图像的单个图像层,抽取方式与上述第一预处理中的抽取方式类似,在此不再赘述。通过抽取处理,可获得多个单层二维图像,即,多个第二二维图像。
在一种可能的实现方式中,可将第二二维图像输入二维分割子模型进行处理,二维分割子模型可以是深度学习神经网络模型,且该模型的卷积核为二维卷积核,可用于处理二维图像,例如,提取第二二维图像的二维特征,并基于二维特征,输出二维图像中病灶的分割结果,即,第一二维分割结果。所述二维特征可包括每个单层的第二二维图像内的特征信息。
在一种可能的实现方式中,可根据第一二维分割结果,获得第一三维分割结果。例如,可将第一二维分割结果进行拼接和组合,将第一二维分割结果组合成第一三维分割结果,还可对第一二维分割结果进行插值法运算等处理。本公开对获得第一三维分割结果的方式不做限制。
在一种可能的实现方式中,可将第一三维图像和第一三维分割结果输入三维分割子模型。在示例中,可将第一三维图像和第一三维分割结果进行特征融合,例如,可将第一三维图像和第一三维分割结果确定为三维分割子模型的两个输入通道,从而输入三维分割子模型,从而经三位分割子模型进行特征提取处理,获得三维特征。所述三维特征可表示多个二维的单层图像之间的特征信息。
在一种可能的实现方式中,可将表示每个单层的第二二维图像内的特征信息的二维特征,以及表示多个二维的单层图像之间的特征信息的三维特征进行特征融合,例如,将二维特征和三维特征组成两个特征通道的特征,并基于该特征,获得第一分割结果,即,预设器官(例如,肺部)中病灶区域的三维分割结果。例如,可将该特征输入全连接层或激活层等网络层级进行处理,可获得第一分割结果。本公开对获得第一分割结果的方式不做限制。
在一种可能的实现方式中,上述二维分割子模型和三维分割子模型的结构可以是相同或相似的,但二维分割子模型的卷积层中使用的卷积核为2D卷积核,三维分割子模型的卷积层中使用的卷积核为3D卷积核。可使得获取单层的第二二维图像内的特征信息的处理可通过2D卷积进行运算,以降低运算资源的占用,并且,每个网络层级中,2D卷积核的数量大于3D卷积核,例如,2D卷积核的数量为3D卷积核的二倍,从而可提取更丰富的细节特征。
图3示出根据本公开的实施例的二维分割子模型和三维分割子模型的示意图。二维分割子模型和三维分割子模型的结构可包括U-Net结构,可包括编码部分、解码部分,以及编码部分和解码部分之间的过渡阶段。如图3中的(a)部分所示,二维分割子模型和三维分割子模型均可包括输入层、输出层、卷积层以及多个具有SE(squeeze-and-excitation,压缩和激励)层的残差块(简称SE残差块,包括SE残差块A和SE残差块B两种残差块)。在编码部分,可通过卷积层和多个SE残差块B获取特征信息,使得特征通道数量增加,模型的表示能力提高。在编码部分和解码部分之间的过渡阶段,可通过多个SE残差块,例如,SE残差块B,进行特征融合,提高模型的表示能力,在此阶段的SE残差块中,还可包括空洞卷积层来增大感受野。在解码部分,可通过多个SE残差块A和卷积层来进行上采样,此阶段中的SE残差块A中的卷积层可以是反卷积层,可对特征信息进行上采样处理,提升特征信息的分辨率,减少特征通道的数量。并且,在上采样过程中,还可与编码过程中的对应的层级进行特征融合,以获得更丰富的特征信息,可减少特征丢失。最终可通过卷积核为1的卷积层获得分割结果。
在示例中,如图3中的(b)部分所示,为SE残差块A和SE残差块B的结构示意图,SE残差块B可包括卷积层(例如,2D卷积层、3D卷积层)以及SE层,为SE残差块A的结构示意图,SE残差块可包括反卷积层和SE层。如图3中的(c部分)所示,SE层可包括全局最大池化层,全连接层(FC,fully connected)和激活层(例如,ReLU激活层,sigmoid激活层等),通过SE层可增加通道的注意力,对特征信息进行增强。进一步地,在特征信息的尺寸发生变化的情况下,在SE残差块中可包括一个卷积层来适应尺寸变化后的特征信息的输入。以上结构均为示例,所述二维分割子模型和三维分割子模型还可包括其他结构,例如,在SE残差块中可包括空洞卷积层或深度可分离卷积层等,用于扩大感受野或提升计算效率,本公开对二维分割子模型和三维分割子模型的具体结构不做限制。
在一种可能的实现方式中,以上获取了预设器官(例如,肺部)中病灶区域的三维分割结果,还可确定病灶区域的定位,即,位于预设器官的哪一个分区,从而提高病灶的定位准确性。
在一种可能的实现方式中,可对预设器官进行分区,在示例中,所述预设器官可包括肺部,肺部可包括五个肺叶,每个肺叶所在区域可作为一个分区,可通过分区模块,将第一二维图像进行分区,获取第一二维图像中各个分区所在的位置,例如,确定第一二维图像中各个肺叶所在的位置。
在一种可能的实现方式中,可通过器官分区模型对第一二维图像进行处理,即,可使用二维图像进行分区处理,从而可降低运算资源的占用。在示例中,可通过器官分区模型对第一二维图像进行处理,获得器官分区结果。例如,在上述抽取第一二维图像的过程中,获得了多个第一二维图像,可通过器官分区模型对多个第一二维图像进行处理,获得每个第一二维图像中的器官分区结果,并对各第一二维图像中的器官分区结果进行组合,获得三维的器官分区结果。
在一种可能的实现方式中,上述器官分区模型可以是深度学习神经网络模型。例如,2D卷积神经网络模型等,可用于对二维图像进行处理,即,对二维图像中的器官进行分区。
图4示出根据本公开的实施例的器官分区模型的示意图,器官分区模型的结构可包括U-Net结构,可包括编码部分和解码部分。在编码部分,可通过多次(例如,3次)下采样来获取特征信息,例如,通过多次卷积处理,获取特征信息,可提升模型的表示能力。卷积层的数量可综合考虑特征的精确度和运算资源占用量来确定,例如,可将卷积层的数量设置为三个。在解码部分,可采用反卷积处理进行上采样,并将编码部分中对应层级的特征信息与解码部分中对应层级的特征信息进行融合。最后,可使用1×1卷积层作为输出层,获得器官分区结果。可利用上述器官分区模型对多个第一二维图像进行处理,分别获得二维的器官分区结果,进而进行组合,获得三维的器官分区结果。
在一种可能的实现方式中,在获得上述器官分区结果和第一分割结果后,可通过定位模块,进一步定病灶的定位结果,提升病灶的定位精度。所述定位模块进一步用于:根据所述器官分区结果,对所述第一分割结果中所述预设器官之外的区域进行去除,获得第二分割结果;根据所述第二分割结果和所述器官分区结果,对所述病灶所在的器官分区进行定位,获得所述病灶定位结果。
在一种可能的实现方式中,可根据器官分区结果,确定器官的各个分区所在的区域,并可对器官分区结果进行二值化处理,例如,使得器官的各个分区所在的区域的像素点的像素值为1,其他区域的像素点的像素值为0,获得器官所在区域的掩膜,例如,肺实质区域的掩膜,从而基于该肺实质区域的掩膜,确定第一分割结果中不属于肺实质区域的病灶,从而可将这些病灶进行去除,例如,可将肺实质区域外的假阳性病灶去除,获得肺实质区域内的病灶的第二分割结果。进一步地,可根据第二分割结果与器官分区结果来确定病灶的定位结果,例如,可确定第二分割结果中病灶所在区域在各个器官分区中的分布情况,例如,可确定病灶位于哪个肺叶上,从而对病灶进行更精准的定位,或者,可确定病灶在各个肺叶上的分布情况,从而确定各个肺叶中病灶的数量、尺寸、严重程度等,获得关于病灶的更多信息。
图5示出根据本公开的实施例的肺部病灶定位装置的应用示意图,如图5所示,可对医学图像(例如,肺部CT图像)进行第一预处理,获得第一三维图像和第一二维图像。随后,可将第一三维图像输入病灶分割模型进行处理,获得第一分割结果,即,病灶的三维分割结果。并可将第一二维图像输入器官分区模型中进行处理,获得各个第一二维图像中的器官分区结果,从而可进行组合,获得三维的器官分区结果。
在一种可能的实现方式中,可根据器官分区结果确定器官的各个分区所在的位置,从而可将第一分割结果中,位于器官(例如,肺部)之外的假阳性病灶进行剔除,获得第二分割结果。进一步的,可基于第二分割结果在器官分区结果中的分布情况,来确定病灶定位结果,例如,确定病灶分布在哪个或哪些肺叶上,哪些肺叶上的病灶区域较大或较多等,从而确定各个肺叶的病灶的感染情况。
在一种可能的实现方式中,上述病灶分割模型和器官分区模型在用于病灶的定位之前,可进行训练,以提升模型的精度。在训练过程中,需要预设器官(例如,肺部)的样本图像对模型进行训练,且在相关技术中,样本图像需要对是否存在病灶以及病灶的类型和具体位置等信息进行标注,从而可利用具有标注信息的样本图像训练上述模型。然而,CT图像等医学图像的标注困难,对于病灶的识别难度较高,需要具有专业技能的人员(例如,医生等)进行标注,获取标注信息的成本较高。并且,由于病灶的识别较为困难,专业人员的个人偏好和水平等因素,也可能导致标注信息的偏差甚至错误,从而在训练过程中引入噪声信息,降低了模型的精度,从而导致识别、分割和定位的精度下降。
在一种可能的实现方式中,针对上述问题,可通过特定的方式来训练病灶分割模型和器官分区模型。首先可获取一定数量的低噪声的样本图像或无噪声的样本图像,例如,可通过多个(例如,3个)专业人员对同样的样本图像进行标注,并将多个专业人员的标注信息进行融合,例如,对于多个专业人员标注的病灶区域的交集,可直接确定为病灶区域。对于部分专业人员标注为病灶区域但另一部分专业人员标注为非病灶区域的区域,可利用统计学的方式确定其是否为病灶区域,例如,超过一半的专业人员将某区域标注为病灶区域,则该区域的标注信息可被确定为病灶区域,否则,可将其确定为非病灶区域;或者,还可赋予不同的专业人员不同的权重,例如,经验丰富的专业人员的权重较高,经验较少的专业人员的权重较低,可统计每个区域的标注情况,并按照每个区域的加权求和的分数来确定各区域是否为病灶区域等;又或者,对于标注不一致的区域,可请几个专业人员反复修正后,或者,请其他专业人员进行校对后,再确定该区域是否为病灶区域。本公开对多个专业人员获取样本图像的标注信息的方式不做限制。
在一种可能的实现方式中,上述通过多个专业人员进行标注的方式,虽然获得的标注信息正确率较高,但获取成本也较高,因此,以上方式获得的样本图像的数量有限。为了获得更好的训练效果,还可获得大量的无标注的样本图像,采用监督训练和无监督训练结合的方式,对上述模型进行训练。其中,具有上述准确的标注信息的样本图像在所有样本图像中所占比例可以较低,例如,具有准确标注信息的样本图像在所有样本图像中的占比为10%,本公开对具有准确标注信息的样本图像的占比不做限制。
在一种可能的实现方式中,可利用上述具有准确的标注信息的样本图像和不具有标注信息的样本图像对病灶分割模型和器官分区模型进行训练。
在一种可能的实现方式中,所述装置还包括第一训练模块,用于:对用于训练所述病灶分割模型的样本图像进行第二预处理,获得预处理后的样本图像,其中预处理后的样本图像包括具有标注信息的第一样本图像和不具有标注信息的第二样本图像;通过第一样本图像训练所述病灶分割模型,获得第一训练状态的病灶分割模型;通过第一训练状态的病灶分割模型对所述第二样本图像进行处理,获得所述第二样本图像的第一样本分割结果;将所述第一样本分割结果作为所述第二样本图像的标注信息,并通过所述第一样本图像和所述第二样本图像训练所述第一训练状态的病灶分割模型,获得第二训练状态的病灶分割模型;通过所述第二训练状态的病灶分割模型对所述第二样本图像进行处理,获得所述第二样本图像的第二样本分割结果;根据所述第二样本分割结果,对所述第二样本图像进行筛选,获得第三样本图像;根据所述第三样本图像和所述第一样本图像训练所述第一训练状态的病灶分割模型,获得训练后的病灶分割模型。
图6示出根据本公开的实施例的预处理的示意图,所述第二预处理的方式如图6所示,所述第二预处理的处理对象包括以上所有样本图像,即,包括具有准确的标注信息的样本图像(即,第一样本图像)和不具有标注信息的样本图像(即,第二样本图像)。与上述获取三维图像块的方式类似,可对Dicom格式的样本图像(例如,CT图像)进行HU值转化,获取样本图像的各像素点的CT值。并可对转化后的样本图像进行二值化处理,进而可将二值化处理后的样本图像进行取最大连通域处理,可获得躯干区域所在的位置。进一步地,可获取躯干区域的掩膜,并将掩膜之外的背景区域的去除,例如,将背景区域的CT值设置为-1024。在去除背景区域后,可对样本图像各像素点的CT值进行归一化处理,获得样本图像各像素点的像素值,可获得各像素点的像素值均属于[0,1]区间的样本图像。可选取该医学图像的x×y方向平面上中心坐标,并以该坐标为中心,截取特定尺寸的图像块,例如,截取尺寸为432×432的图像块,对于z轴方向的每个图像层均进行上述截取处理,可获得样本图像的三维图像块,该三维图像块可包括预设器官(例如,肺部)所在区域。
在一种可能的实现方式中,可对上述获得的图像块进行数据增强处理,所述数据增强包括常规的数据增强(即,图6中的常规增强所包括的处理)以及额外的数据增强(即,图6中的额外增强所包括的处理)。
在一种可能的实现方式中,在常规的数据增强处理中,可通过以下几种数据增强方式,来提高模型的泛化性能。在示例中,常规的数据增强的方式可包括:随机小范围地对图像的对比度、锐度等参数进行改变;随机小范围地对图像进行平移、旋转、缩放、翻转等处理;对图像进行高斯插值、中值插值、运动模糊等处理;对图像进行随机弹性形变、网格形变、光学形变、周围像素形变等;随机添加高斯噪声或高斯加性噪声。可对不同的样本图像进行一种或多种上述常规的数据增强处理,也可对所有的样本图像进行所有的数据增强处理,本公开对此不做限制。在对样本图像进行上述常规的数据增强处理后,可获得常规增强数据集。
在一种可能的实现方式中,进一步地,可对常规增强数据集中的样本图像进行额外的数据增强处理。额外的数据增强处理可仅针对获取用于训练病灶分割模型的三维图像的情况。在示例中,可通过Cutout方法进行额外的数据增强处理,该方法随机删除图像中的若干个区域,或者随机将若干个区域进行遮挡,从而模型需要通过被删除或遮挡的区域周围的其他信息来获取该区域内像素的分类结果,从而使得基于该图像训练的模型获得更好的泛化能力和鲁棒性。在示例中,可通过Cutmix方法进行额外的数据增强处理,该方法随机删除一个矩形区域,并通过另一张图像的同一位置像素填充被删除的区域,即,使得处理后的图像将两个或多个图像中的内容结合起来,通过该图像训练模型,使得模型能够从局部视图识别目标,能够进一步增强模型的定位能力。在示例中,可通过对比增强方法进行额外的数据增强处理,该方法首先随机抽取一对正负样本,然后选取正样本的前景(例如,预设器官所在区域),填充到负样本相同位置,作为新的正样本。通过该样本图像训练模型时,新的正样本在提供分割损失的同时,还与原正样本构成一组对比样本,提供对比损失,进一步增强模型对前背景的区分能力,缩小噪声区域(噪声区域通常是前背景误识别的区域,或不确定区域)。
在一种可能的实现方式中,可对常规增强数据集中的样本图像进行上述三种额外的数据增强处理中的任意一种或多种,获得数据增强后的样本图像。进一步地,可抽取数据增强后的样本图像的三维图像块,作为预处理后的样本图像,用于训练病灶分割模型。该处理可与上述获取第一三维图像的方式类似,在示例中,可在z轴方向上多次对多个连续的图像层进行抽取,例如,对连续8个图像层(例如,z轴方向的图像层)进行抽取,获得由8个尺寸为432×432的二维图像组成的预处理后的样本图像,在示例中,上述抽取处理的采样间隔层数为6,例如,每隔6层,即可对8个连续图像层进行上述抽取处理,获得多个预处理后的样本图像。本公开对每个预处理后的样本图像的尺寸以及采样间隔层数不做限制。
在一种可能的实现方式中,上述预处理后的样本图像包括具有标注信息的第一样本图像和不具有标注信息的第二样本图像,可通过预处理后的样本图像对病灶分割模型进行半监督训练,即,通过监督训练和无监督训练结合的方式进行训练。可首先通过第一样本图像训练病灶分割模型,获得第一训练状态的病灶分割模型,即,首先进行监督训练。在监督训练过程中,可通过相关技术中的方式进行训练,即,通过将第一样本图像输入病灶分割模型获得预测的分割结果,并将预测的分割结果与标注信息进行比较,利用二者之间的误差确定损失函数,进而通过损失函数来调节病灶分割模型的参数,使得损失函数减小。还可通过以下方式进行训练,所述第一训练模块进一步用于:通过所述第一样本图像中,存在病灶区域的正样本对所述病灶分割模型进行训练,获得初始状态的病灶分割模型;通过所述初始状态的病灶分割模型对所述第一样本图像中不存在病灶区域的负样本进行处理,获得第三样本分割结果;根据所述第三样本分割结果,确定发生分割错误的目标负样本;根据所述正样本和所述目标负样本,训练所述初始状态的病灶分割模型,获得所述第一训练状态的病灶分割模型。
在一种可能的实现方式中,在监督训练的过程中,可首先仅使用第一样本图像中存在病灶区域的正样本来训练病灶分割模型,例如,将具有病灶区域的正样本输入病灶分割模型,获得病灶分割模型输出的预测结果,从而可将预测结果与标注信息进行比较,利用二者之间的误差获得损失函数,进而通过损失函数调整病灶分割模型的参数,使得损失函数减小。在该过程中,涉及到多种损失函数,例如,分割区域的位置误差造成的损失函数,分割区域的类型误差造成的损失函数等。因此,可获得多种损失函数,进而获得模型的综合损失,从而基于综合损失进行训练。所述第一训练模块进一步用于:根据所述病灶区域的尺寸,确定所述病灶区域的权重;将所述正样本输入所述病灶分割模型进行处理,获得第四样本分割结果;根据所述第四样本分割结果和所述标注信息,确定各病灶区域的分割损失和对比损失,其中,分割损失表示第四样本分割结果中的病灶区域与标注中信息中的病灶区域之间的差异,对比损失表示所述正样本中各像素点属于病灶的概率和标注信息之间的差异;通过第一调节系数,对各病灶区域的所述对比损失和分割损失进行加权求和,获得各病灶区域的区域损失,其中,所述第一调节系数随训练轮次发生变化;根据所述病灶区域的权重,对所述区域损失进行加权求和,获得所述病灶分割模型的模型损失;根据所述模型损失,对所述病灶分割模型进行训练,获得所述初始状态的病灶分割模型。
在一种可能的实现方式中,在计算所有损失时,为了克服小病灶在损失函数中占比较低,损失容易被大病灶主导从而导致小病灶漏检的问题,可引入与病灶尺寸相关权重,可根据标注信息中的病灶区域的尺寸,按照如下公式(1)获得各病灶区域的权重,从而可在确定各病灶区域对应的损失函数时,对各病灶区域进行加权,例如,使用权重与对应的病灶区域的损失函数进行Hadamard乘积。
其中,ωi表示第i(i为正整数)个病灶区域的权重,Ai第i个病灶区域的面积,k为某样本图像中病灶区域的总数。
在一种可能的实现方式中,可将正样本输入病灶分割模型进行处理,获得第四样本分割结果,即,病灶分割模型预测的分割结果,可能含有误差,即,可能与标注信息存在一定差异。
在一种可能的实现方式中,可根据第四样本分割结果和标注信息之间的误差,确定各病灶区域的损失函数,在示例中,所述损失函数可包括分割损失和对比损失,分割损失表示第四样本分割结果中的病灶区域与标注中信息中的病灶区域之间的差异,对比损失表示所述正样本中各像素点属于病灶的概率和标注信息之间的差异。
在一种可能的实现方式中,所述对比损失可通过交叉熵损失函数来表示,如以下公式(2)所示:
其中,Lc为所述对比损失,pi表示第四样本分割结果中的第i个病灶区域属于前景的概率,qi表示标注信息中的第i个病灶区域属于前景的概率。可通过对比损失来增强病灶分割模型对于前景的区分能力,减少背景的噪声干扰。
在一种可能的实现方式中,在求解分割损失时,所述第一训练模块进一步用于:在所述病灶区域的小于预设尺寸阈值的情况下,根据第二调节系数,以及所述第四样本分割结果和所述标注信息,确定所述病灶区域的分割损失,所述第二调节系数随训练轮次发生变化;或者,在所述病灶区域的尺寸大于或等于预设尺寸阈值的情况下,根据预设的幂次数,以及所述第四样本分割结果和所述标注信息,确定所述病灶区域的分割损失。
在一种可能的实现方式中,对于肺部的病灶,可基于病灶的尺寸特征,来确定分割损失。例如,如果病灶的尺寸小于预设尺寸阈值(例如,10mm),则病灶属于非磨玻璃影的概率较高,可通过以下公式(3)来确定分割损失Ls:
Ls=(1-β)Ldc+βLbd (3)
其中,Ldc为交叉熵损失,可根据以下公式(4)来确定,可用于在训练过程中使识别的病灶区域的类别与标签信息匹配:
其中,Lbd为边界损失,可根据以下公式(5)来确定,可用于在训练过程中使病灶分割模型分割出的病灶区域的边界与标签信息接近:
Lbd=∑i D(qi)pi (5)
其中,D(qi)表示对qi进行距离变换,β(0<β≤0.5)为第二调节系数,用于调节上述两种损失函数的比例,且β的数值随着训练轮次,可发生变化,例如,随着训练轮次而增大。使得在训练开始时,β较小,交叉熵损失的权重较大,使得病灶分割模型快速学习类别的识别能力,随着训练的进行,病灶分割模型的类别的识别精度较高后,可逐渐增强边界的分割能力的训练,即,令β增大,使得病灶分割模型着重学习边界的分割能力,从而提升模型的边界分割精度。
在一种可能的实现方式中,如果病灶区域的尺寸大于或等于预设尺寸阈值(例如,10mm),则病灶属于磨玻璃影的概率较高,其边界不清晰,可通过以下公式(6)来确定分割损失:
Lgce为广义的交叉熵损失函数,在病灶区域的尺寸大于或等于预设尺寸阈值的情况下,可使Lgce=Ls,其中,幂次数γ为预设的超参数,在示例中,其范围为(0,1]。
在一种可能的实现方式中,在获得上述分割损失Ls和对比损失Lc后,可基于第一调节系数,对各病灶区域的对比损失和分割损失进行加权求和,获得各病灶区域的区域损失,在示例中,可通过以下公式(7)来确定区域损失L:
L=(1-α)Ls+αLc (7)
其中,α(0<α≤0.5)为第一调节系数,用于调节上述两种损失函数的比例,且α的数值随着训练轮次,可发生变化,例如,随着训练轮次而增大。使得在训练开始时,α较小,分割损失Ls的权重较大,使得病灶分割模型快速学习分割能力,从而提升模型的边界分割精度,随着训练的进行,病灶分割模型的边界分割精度较高后,可逐渐增强类别的识别能力的训练,即,令α增大,使得病灶分割模型着重学习类别的识别能力,从而提升类别的识别精度。
在一种可能的实现方式中,可通过以上获得的各病灶区域的权重,对各病灶区域的区域损失进行加权求和,获得病灶分割模型的模型损失,从而可基于模型损失来进行反向传播,以通过梯度下降法来调整病灶分割模型的参数,使得模型损失减小。在正样本训练完毕后,即,将所有正样本均输入至病灶分割模型进行训练后,可获得上述初始状态的病灶分割模型。本公开对以上使用的损失函数的类型不做限制,例如,除了可使用如上所述的边界损失、交叉熵损失之外,还可使用其他损失函数,例如,均方差损失函数等。
图7示出根据本公开的实施例的模型损失的示意图,如图7所示,可通过病灶分割模型对正样本进行处理,获得第四样本分割结果,所述第四分割结果可包括病灶分割模型预测出的病灶区域,在示例中,预测出的病灶区域可位于前景(例如,预设器官(例如,肺部)所在的区域)中,也可能位于背景中。在示例中,可通过公式(2)来确定对比损失,并可通过对比损失在训练过程中增强病灶分割模型识别前景的能力,从而可排除背景中的噪声干扰,还可排除背景中的假阳性病灶区域。进一步的,可通过预测出的病灶区域与标注信息中病灶区域所在位置进行对比,并通过公式(3)或(6)来确定分割损失,进而通过公式(7)来确定各个病灶区域的区域损失,在加权求和后获得模型损失,即可对病灶分割模型进行训练,获得初始状态的病灶分割模型。
在一种可能的实现方式中,在通过存在病灶区域的正样本训练获得初始状态的病灶分割模型后,可通过初试状态的病灶分割模型对具有标注信息的负样本(即,不存在病灶区域)进行处理,获得第三样本分割结果,从而可基于第三样本分割结果,确定使病灶分割模型发生分割错误的目标负样本,即,病灶分割模型将不具有病灶区域的目标负样本中的某些区域误识别为病灶区域。
在一种可能的实现方式中,可利用发生预测错误的目标负样本和正样本再次训练病灶分割模型,可使得病灶分割模型的参数发生微调。在微调后,可再次使用负样本对微调后的病灶分割模型进行测试,如果再次出现预测错误,则再次利用预测错误的目标负样本与正样本训练病灶分割模型,微调病灶分割模型的参数……可迭代执行此处理,可减少病灶分割模型预测得到假阳性的结果的概率。迭代的次数可不做限制,例如,可迭代执行多次,直到不再出现预测错误为止,获得第一训练状态的分割模型。也可给定迭代次数阈值,在迭代处理的次数达到迭代次数阈值时,停止迭代,获得第一训练状态的分割模型。又或者,可将病灶分割模型在验证集上进行验证,直到病灶分割模型在验证集中出现假阳性的概率低于预设的概率阈值的情况下,可获得第一训练状态的分割模型。本公开对迭代的次数不做限制。
通过这种方式,可首先利用正样本训练病灶分割模型,并利用病灶分割模型发生分割错误的负样本与正样本共同训练病灶分割模型,从而可调整病灶分割模型的参数,使得病灶分割模型发生误识别出假阳性病灶区域的概率降低。
在一种可能的实现方式中,以上的训练过程使用了具有准确标注信息的第一样本图像,并获得了第一训练状态的病灶分割模型。可对第一训练状态的病灶分割模型进行进一步地训练,例如,可使用没有标注信息的第二样本图像进行无监督的训练,进一步提升病灶分割模型的精度。
图8示出根据本公开的实施例的训练病灶分割模型的示意图,如图8所示,可将多个第二样本图像分别输入第一训练状态的病灶分割模型,获得第二样本图像的第一样本分割结果,并可将第一样本分割结果作为第二样本图像的标注信息。在示例中,在将第一样本分割结果作为第二样本图像的标注信息时,可将预测概率低于预设概率阈值的区域的预测概率设置为0,例如,病灶分割模型可输出每个像素点属于病灶区域的概率,并将概率大于或等于某个阈值的像素点所在的区域确定为病灶区域,因此,可设定一个概率阈值,如果像素点属于病灶区域的概率低于概率阈值,则可直接将其预测概率设置为0,以便于运算和参考。
在一种可能的实现方式中,可将获得标注信息(即,第一样本分割结果)的第二样本图像和具有准确标注信息的第一样本图像组成新的训练集,训练第一训练状态的病灶分割模型,调整病灶分割模型的参数。并可不断重复上述处理,即,利用调整参数后的病灶分割模型再次处理多个第二样本图像,获得第一样本分割结果,并将其作为第二样本图像的标注信息,进而将获得标注信息的第二样本图像与第一样本图像组成新的训练集,再次训练第一训练状态的病灶分割模型,调整病灶分割模型的参数……在使用新的训练集训练时,训练的模型为第一训练状态的病灶分割模型,而并非上一次参数调整后的病灶分割模型,从而避免第一样本分割结果中的误差在病灶分割模型中的积累,使得病灶分割模型的精度下降。
在一种可能的实现方式中,可迭代执行上述处理,直到获得的病灶分割模型在验证集中验证时,分割精确度难以再提升,则可结束迭代过程,获得第二训练状态的病灶分割模型。或者,可设置迭代次数阈值,在迭代执行的次数达到迭代次数阈值的情况下,完成训练,获得第二训练状态的病灶分割模型。又或者,可在病灶分割模型的模型损失收敛域预设区间,或者小于或等于预设的损失阈值的情况下,完成训练,获得第二训练状态的病灶分割模型。
在一种可能的实现方式中,可利用第二训练状态的病灶分割模型获取所有第二样本图像的第二样本分割结果。并可基于第二样本分割结果,对第二样本图像进行,例如,筛选出预测的置信度较低的病灶区域进行排除,或者,通过医生等专业人员进行快速筛选,排除预测偏差较大的病灶区域。又或者,根据病灶区域的尺寸进行筛选,例如,可排除直径5mm以下的病灶区域,以及单层图像中直径5mm以上的病灶区域,本公开对尺寸的具体数值不做限制。剩余未排除病灶区域所在的第二样本图像可被确定为第三样本图像。
在一种可能的实现方式中,可进一步利用第三样本图像和第一样本图像再次训练第一训练状态的病灶分割模型,即,利用经过筛选后,标注信息更加准确的第三样本图像和具有准确的标注信息的第一样本图像训练第一训练状态的病灶分割模型,调整病灶分割模型的参数,进一步提升病灶分割模型的精度。上述过程可进行多次迭代,即,使用调整参数后的病灶分割模型对第二样本图像进行处理,获得第二样本分割结果,并基于第二样本分割结果对第二样本图像进行筛选,获得第三样本图像,从而通过第三样本图像训练第一训练状态的病灶分割模型。与以上类似,在训练时,进行参数调整的模型为第一训练状态的病灶分割模型,以防止第二样本分割结果中的误差在病灶分割模型中积累,降低病灶分割模型的精度。
在一种可能的实现方式中,可设置迭代次数阈值(例如,在需要专业人员进行筛选的情况下,可设置迭代次数阈值,例如,5次,从而可减少专业人员的工作量,减少筛选成本),在以上处理迭代次数达到迭代次数阈值时,完成训练,获得训练后的病灶分割模型。也可使用验证集来对病灶分割模型进行测试,如果病灶分割模型在验证集上中的精度难以继续提升,则可确定病灶分割模型的精度较高,可完成训练,获得训练后的病灶分割模型。或者,还可在病灶分割模型的模型损失小于或等于预设的损失阈值,或者收敛域预设区间的情况下,可完成训练,获得训练后的病灶分割模型。
通过这种方式,可通过多次迭代和筛选,在具有准确标注信息的样本图像的数量较少的情况下,通过半监督训练获得精度较高的病灶分割模型,可减少人工标注的工作量,利用较少的成本和人力资源即可获得精度较高的病灶分割模型。
在一种可能的实现方式中,还可进一步根据相关性等因素,调节病灶分割模型,进一步提升病灶分割模型的精度。所述装置还包括调整模块,用于:将所述样本图像以及用于对训练后的病灶分割模型进行验证的验证图像按照多种因素进行分类,分别获得多个类别的样本图像和多个类别的验证图像;通过所述训练后的病灶分割模型对多个类别的验证图像进行处理,获得验证结果;确定所述验证结果与用于分类的所述因素的相关性;通过所述训练后的病灶分割模型对多个类别的样本图像进行处理,获得处理结果;根据所述样本图像的标注信息、所述相关性和所述处理结果,在所述样本图像中确定出目标样本图像及对应权重;对所述目标样本图像进行加权处理,并通过加权处理后的目标样本图像及其他样本图像对所述训练后的病灶分割模型进行训练,获得调整后的病灶分割模型。
在一种可能的实现方式中,可将样本图像以及上述验证集中的验证图像按照多种因素进行,例如,按照图像质量、图像中的病灶清晰度、是否存在其他疾病、其他疾病的种类、术前还是术后等因素进行分类,获得多个类别的样本图像和多个类别的验证图像。
在一种可能的实现方式中,可通过训练后的病灶分割模型对多个类别的验证图像进行处理,获得验证结果,并可确定验证结果的准确性与验证图像的类别是否相关,即,确定验证结果与用于分类的因素的相关性,在示例中,可获得验证结果与各种分类因素的相关性矩阵,矩阵中的元素的值为正,则验证结果的准确性与分类因素正相关,矩阵中的元素的值为负,则验证结果的准确性与分类因素负相关,矩阵中的元素的值为0,则验证结果的准确性与分类因素不相关。
在一种可能的实现方式中,可通过训练后的病灶分割模型对多个类别的样本图像进行处理,获得处理结果,并将处理结果的精度较低(例如,低于精度阈值)的样本图像作为目标样本图像。其中,所述目标样本图像可以是具有标注信息的样本图像。
在一种可能的实现方式中,如上所述,标注信息可以是多个专业人员进行标注的结果,如果在某个区域中,多个专业人员的标注不一致,即,专业人员对于该区域的判断不一致,则该区域存在争议,可将该区域所在的样本图像的权值降低,或删除该样本图像。
在一种可能的实现方式中,如果对于某个区域,专业人员的标注一致性较高,例如,将该区域标注为病灶区域的专业人员的数量,与参与标注的专业人员总数之间的比例较大,但病灶分割模型预测该区域为病灶区域的置信度较低,则可表示病灶分割模型对于该病灶区域的判断不准确。则可进一步提升病灶分割模型对于该病灶区域所在样本图像的分割准确性,或者提升病灶分割模型对于该病灶区域所在样本图像所属类别的图像的分割准确性。
在一种可能的实现方式中,如果验证结果的准确性与该样本图像所述类别的分类因素正相关,则表明病灶分割模型对于该分类因素的样本图像的学习充分,但对于上述准确性较低的样本图像的学习不充分,则可将该样本图像作为目标样本图像。如果验证结果的准确性与该样本图像所述类别的分类因素负相关,可认为负相关的结果是由于对该类别分割准确性较低导致的,可将该样本图像所属分类的所有样本图像确定为目标样本图像。
在一种可能的实现方式中,可将利用上述对应权重对目标样本图像的进行加权处理,并通过加权处理后的目标样本图像及其他样本图像对训练后的病灶分割模型进行训练,进一步调整病灶分割模型的参数,在训练过程中,可对目标样本图像对应的模型损失进行加权,使得病灶分割模型对目标样本图像的学习效率提高,从而提升对于目标样本图像的分割准确性。可多次迭代上述处理,例如,多次获得目标样本图像,并多次通过加权后的模型损失进行反向传播,从而调整病灶分割模型的参数,从而提升病灶分割模型的精确性。
通过这种方式,可通过相关性的分析,确定各种因素对于分割准确性的影响,从而有针对性地训练病灶分割模型,提升分割准确性。
在一种可能的实现方式中,以上为对病灶分割模型的训练过程,还可训练器官分区模型。所述装置还包括第二训练模块,用于:对样本图像进行第三预处理,获得预处理后的第一二维样本图像;对所述第一二维样本图像进行下采样,获得第二二维样本图像;通过第二二维样本图像对所述器官分区模型进行训练,获得第一训练状态的器官分区模型;通过第一训练状态的器官分区模型对所述第二二维样本图像进行处理,获得第一分区结果;对所述第一分区结果进行上采样,获得第二分区结果;将所述第二分区结果和所述第一二维样本图像输入所述第一训练状态的器官分区模型,获得第三分区结果;根据所述第三分区结果以及所述样本图像的标注信息,训练所述第一训练状态的器官分区模型,获得训练后的器官分区模型。
图9示出根据本公开的实施例的训练器官分区模型的示意图。
在一种可能的实现方式中,可对样本图像进行第三预处理,第三预处理的方法如图6所示,获得常规增强数据集之前的处理,第三预处理与上述第二预处理的方法一致,在此不再赘述。在第三预处理的过程中,无需对常规增强数据集中的样本图像进行额外的数据增强处理,可直接抽取单层的二维图像,作为预处理后的第一二维样本图像,抽取方法与上述获取第一二维图像的方法一致,在此不再赘述。
在一种可能的实现方式中,器官分区模型主要用于对肺部的肺叶进行分区,并划分出肺部所在的区域,即,划分出肺部与背景区域之间的边界,以及肺叶之间的边界。可采用两阶段的训练方式进行训练,如图9所示。
在一种可能的实现方式中,可首先进行第一阶段的训练,对第一二维样本图像进行下采样,获得第二二维样本图像,例如,将第一二维样本图像下采样一倍,获得分辨率为216×216的第二二维样本图像,并使用分辨率较低的第二二维样本图像训练器官分区模型,在示例中,可将分辨率较低的第二二维样本图像输入器官分区模型,获得预测的分区结果,并利用预测的分区结果与标注信息之间的误差,确定器官分区模型的损失函数,进而可将损失函数进行反向传播,调节器官分区模型的参数,在训练预设次数后,或者在损失函数小于或等于预设阈值或收敛域预设区间后,由或者在验证集上使用器官分区模型进行验证的器官分区结果的精度符合精度要求后,完成第一阶段的训练,获得第一训练状态的器官分区模型。
在一种可能的实现方式中,可通过第一训练状态的器官分区模型对第二二维样本图像进行处理,获得第一分区结果,该第一分区结果的分辨率也较低,例如,也为216×216。可对第一分区结果进行上采样,例如,上采样一倍,获得分辨率为432×432的第二分区结果。上采样后,肺部和背景区域之间的边界较为清晰,但肺叶之间的边界的准确性仍需提升。
在一种可能的实现方式中,可进行第二阶段的训练,可将分辨率较高的第一二维样本图像和第二分区结果作为双通的输入信息,输入至器官分区模型。此时的器官分区模型可共享第一训练状态的器官分区模型的权值,即,可使用第一二维样本图像和第二分区结果训练第一训练状态的器官分区模型。可利用器官分区模型输出的第三分区结果与标准信息之间的误差确定器官分区模型的损失函数,从而训练器官分区模型,与上述完成训练的条件类似,可在训练预设次数后,或者在损失函数小于或等于预设阈值或收敛域预设区间后,由或者在验证集上使用器官分区模型进行验证的器官分区结果的精度符合精度要求后,完成第儿阶段的训练,获得训练后的器官分区模型。在第二阶段的训练完成后,所述器官分区模型输出的器官分区结果的肺叶之间的边界以及肺部和背景区域之间的边界均准确且清晰。
通过这种方式,可使用两个阶段的训练方式,使得器官分区模型的精度提升,使得器官分区结果的肺叶之间的边界以及肺部和背景区域之间的边界均准确且清晰。
根据本公开的实施例的肺部病灶定位装置,可首先利用正样本训练病灶分割模型,并利用病灶分割模型发生分割错误的负样本与正样本共同训练病灶分割模型,从而可调整病灶分割模型的参数,使得病灶分割模型发生误识别出假阳性病灶区域的概率降低。并可通过多次迭代和筛选,在具有准确标注信息的样本图像的数量较少的情况下,通过半监督训练获得精度较高的病灶分割模型,可减少人工标注的工作量,利用较少的成本和人力资源即可获得精度较高的病灶分割模型。进一步的,可通过相关性的分析,确定各种因素对于分割准确性的影响,从而有针对性地训练病灶分割模型,提升分割准确性。在训练器官分区模型时,可使用两个阶段的训练方式,使得器官分区模型的精度提升,使得器官分区结果的肺叶之间的边界以及肺部和背景区域之间的边界均准确且清晰。在完成模型训练后,可结合三维图像和二维图像进行病灶的定位,可充分利用二维图像的细节信息和三维图像的空间信息,获得病灶定位结果,提高病灶的分割用于定位精度,同时减小运算资源的消耗。
可以理解,本公开提及的上述各个实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述装置中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了肺部病灶定位装置、电子设备、计算机可读存储介质、程序,相应技术方案和描述和参见装置部分的相应记载,不再赘述。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文装置实施例描述的步骤,其具体实现可以参照上文装置实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述装置所执行的步骤。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述装置所执行的步骤。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的肺部病灶定位装置所执行的步骤。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的肺部病灶定位装置所执行的步骤的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图10示出根据本公开实施例的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图10,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的装置的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或装置的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边缘,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述装置所执行的步骤。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述装置所执行的步骤。
图11示出根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图11,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述装置所执行的步骤。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述装置所执行的步骤。
本公开可以是系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种肺部病灶定位装置,其特征在于,包括:
第一预处理模块,用于对医学图像进行第一预处理,获得预处理后的第一三维图像和第一二维图像,其中,所述医学图像包括预设器官的三维医学图像;
分割模块,用于将所述第一三维图像输入病灶分割模型进行处理,获得第一分割结果,所述第一分割结果指示所述预设器官中分割出的病灶区域;
分区模块,用于将所述第一二维图像输入器官分区模型进行处理,获得器官分区结果,其中,所述器官分区结果指示所述预设器官被划分的各器官分区;
定位模块,用于根据所述第一分割结果和所述器官分区结果,获得病灶定位结果。
2.根据权利要求1所述的装置,其特征在于,所述第一预处理模块进一步用于:
根据所述医学图像,获取三维图像块,所述三维图像块包括所述预设器官所在区域;
抽取所述三维图像块的多个连续的图像层,获得所述第一三维图像;
抽取所述三维图像块的单个图像层,获得所述第一二维图像。
3.根据权利要求1所述的装置,其特征在于,所述病灶分割模型包括二维分割子模型和三维分割子模型;
其中,所述分割模块进一步用于:
抽取所述第一三维图像的单个图像层,获得多个第二二维图像;
将所述第二二维图像输入所述二维分割子模型,获得二维特征;
根据所述二维特征,确定第一二维分割结果;
根据多个第二二维图像的第一二维分割结果,获得第一三维分割结果;
将所述第一三维分割结果和所述第一三维图像输入所述三维分割子模型,获得三维特征;
根据所述三维特征和所述二维特征,获得所述第一分割结果。
4.根据权利要求1所述的装置,其特征在于,所述定位模块进一步用于:
根据所述器官分区结果,对所述第一分割结果中所述预设器官之外的区域进行去除,获得第二分割结果;
根据所述第二分割结果和所述器官分区结果,对所述病灶所在的器官分区进行定位,获得所述病灶定位结果。
5.根据权利要求1所述的装置,其特征在于,所述装置还包括第一训练模块,用于:
对用于训练所述病灶分割模型的样本图像进行第二预处理,获得预处理后的样本图像,其中预处理后的样本图像包括具有标注信息的第一样本图像和不具有标注信息的第二样本图像;
通过第一样本图像训练所述病灶分割模型,获得第一训练状态的病灶分割模型;
通过第一训练状态的病灶分割模型对所述第二样本图像进行处理,获得所述第二样本图像的第一样本分割结果;
将所述第一样本分割结果作为所述第二样本图像的标注信息,并通过所述第一样本图像和所述第二样本图像训练所述第一训练状态的病灶分割模型,获得第二训练状态的病灶分割模型;
通过所述第二训练状态的病灶分割模型对所述第二样本图像进行处理,获得所述第二样本图像的第二样本分割结果;
根据所述第二样本分割结果,对所述第二样本图像进行筛选,获得第三样本图像;
根据所述第三样本图像和所述第一样本图像训练所述第一训练状态的病灶分割模型,获得训练后的病灶分割模型。
6.根据权利要求5所述的装置,其特征在于,所述第一训练模块进一步用于:
通过所述第一样本图像中,存在病灶区域的正样本对所述病灶分割模型进行训练,获得初始状态的病灶分割模型;
通过所述初始状态的病灶分割模型对所述第一样本图像中不存在病灶区域的负样本进行处理,获得第三样本分割结果;
根据所述第三样本分割结果,确定发生分割错误的目标负样本;
根据所述正样本和所述目标负样本,训练所述初始状态的病灶分割模型,获得所述第一训练状态的病灶分割模型。
7.根据权利要求6所述的装置,其特征在于,所述第一训练模块进一步用于:
根据所述病灶区域的尺寸,确定所述病灶区域的权重;
将所述正样本输入所述病灶分割模型进行处理,获得第四样本分割结果;
根据所述第四样本分割结果和所述标注信息,确定各病灶区域的分割损失和对比损失,其中,分割损失表示第四样本分割结果中的病灶区域与标注中信息中的病灶区域之间的差异,对比损失表示所述正样本中各像素点属于病灶的概率和标注信息之间的差异;
通过第一调节系数,对各病灶区域的所述对比损失和分割损失进行加权求和,获得各病灶区域的区域损失,其中,所述第一调节系数随训练轮次发生变化;
根据所述病灶区域的权重,对所述区域损失进行加权求和,获得所述病灶分割模型的模型损失;
根据所述模型损失,对所述病灶分割模型进行训练,获得所述初始状态的病灶分割模型。
8.根据权利要求7所述的装置,其特征在于,所述第一训练模块进一步用于:
在所述病灶区域的尺寸小于预设尺寸阈值的情况下,根据第二调节系数,以及所述第四样本分割结果和所述标注信息,确定所述病灶区域的分割损失,所述第二调节系数随训练轮次发生变化;或者,
在所述病灶区域的尺寸大于或等于预设尺寸阈值的情况下,根据预设的幂次数,以及所述第四样本分割结果和所述标注信息,确定所述病灶区域的分割损失。
9.根据权利要求5所述的装置,其特征在于,所述装置还包括调整模块,用于:
将所述样本图像以及用于对训练后的病灶分割模型进行验证的验证图像按照多种因素进行分类,分别获得多个类别的样本图像和多个类别的验证图像;
通过所述训练后的病灶分割模型对多个类别的验证图像进行处理,获得验证结果;
确定所述验证结果与用于分类的所述因素的相关性;
通过所述训练后的病灶分割模型对多个类别的样本图像进行处理,获得处理结果;
根据所述样本图像的标注信息、所述相关性和所述处理结果,在所述样本图像中确定出目标样本图像及对应权重;
对所述目标样本图像进行加权处理,并通过加权处理后的目标样本图像及其他样本图像对所述训练后的病灶分割模型进行训练,获得调整后的病灶分割模型。
10.根据权利要求1所述的装置,其特征在于,所述装置还包括第二训练模块,用于:
对样本图像进行第三预处理,获得预处理后的第一二维样本图像;
对所述第一二维样本图像进行下采样,获得第二二维样本图像;
通过第二二维样本图像对所述器官分区模型进行训练,获得第一训练状态的器官分区模型;
通过第一训练状态的器官分区模型对所述第二二维样本图像进行处理,获得第一分区结果;
对所述第一分区结果进行上采样,获得第二分区结果;
将所述第二分区结果和所述第一二维样本图像输入所述第一训练状态的器官分区模型,获得第三分区结果;
根据所述第三分区结果以及所述样本图像的标注信息,训练所述第一训练状态的器官分区模型,获得训练后的器官分区模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210594328.5A CN114820584B (zh) | 2022-05-27 | 2022-05-27 | 肺部病灶定位装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210594328.5A CN114820584B (zh) | 2022-05-27 | 2022-05-27 | 肺部病灶定位装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114820584A true CN114820584A (zh) | 2022-07-29 |
CN114820584B CN114820584B (zh) | 2023-02-21 |
Family
ID=82519343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210594328.5A Active CN114820584B (zh) | 2022-05-27 | 2022-05-27 | 肺部病灶定位装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820584B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115409856A (zh) * | 2022-09-27 | 2022-11-29 | 北京医准智能科技有限公司 | 一种肺部医学图像处理方法、装置、设备及存储介质 |
CN116187476A (zh) * | 2023-05-04 | 2023-05-30 | 珠海横琴圣澳云智科技有限公司 | 基于混合监督的肺叶分割模型训练、肺叶分割方法及装置 |
CN116342859A (zh) * | 2023-05-30 | 2023-06-27 | 安徽医科大学第一附属医院 | 一种基于影像学特征识别肺部肿瘤区域的方法及系统 |
CN116862930A (zh) * | 2023-09-04 | 2023-10-10 | 首都医科大学附属北京天坛医院 | 适用于多模态的脑血管分割方法、装置、设备和存储介质 |
CN117934855A (zh) * | 2024-03-22 | 2024-04-26 | 北京壹点灵动科技有限公司 | 医学图像分割方法和装置、存储介质及电子设备 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410220A (zh) * | 2018-10-16 | 2019-03-01 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN110458142A (zh) * | 2019-08-21 | 2019-11-15 | 青岛根尖智能科技有限公司 | 一种融合2d与3d的人脸识别方法及系统 |
CN110599492A (zh) * | 2019-09-19 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 图像分割模型的训练方法、装置、电子设备及存储介质 |
CN111091564A (zh) * | 2019-12-25 | 2020-05-01 | 金华市中心医院 | 一种基于3DUnet的肺结节大小检测系统 |
CN111402260A (zh) * | 2020-02-17 | 2020-07-10 | 北京深睿博联科技有限责任公司 | 一种基于深度学习的医学影像分割方法、系统、终端及存储介质 |
CN111429474A (zh) * | 2020-02-27 | 2020-07-17 | 西北大学 | 基于混合卷积的乳腺dce-mri图像病灶分割模型建立及分割方法 |
CN111583204A (zh) * | 2020-04-27 | 2020-08-25 | 天津大学 | 基于网络模型的二维序列磁共振图像的器官定位方法 |
CN111932492A (zh) * | 2020-06-24 | 2020-11-13 | 数坤(北京)网络科技有限公司 | 一种医学图像处理方法、装置及计算机可读存储介质 |
CN111951215A (zh) * | 2020-06-30 | 2020-11-17 | 数坤(北京)网络科技有限公司 | 一种图像检测方法、装置及计算机可读存储介质 |
US20200402231A1 (en) * | 2019-06-20 | 2020-12-24 | Ohio State Innovation Foundation | System and method for quantitative volumetric assessment and modeling of tumor lesions |
CN112529911A (zh) * | 2020-12-07 | 2021-03-19 | 重庆大学 | 一种胰腺图像分割模型的训练方法、图像分割方法和装置 |
CN112967291A (zh) * | 2021-03-01 | 2021-06-15 | 北京安德医智科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN113012166A (zh) * | 2021-03-19 | 2021-06-22 | 北京安德医智科技有限公司 | 颅内动脉瘤分割方法及装置、电子设备和存储介质 |
CN114359248A (zh) * | 2022-01-10 | 2022-04-15 | 海杰亚(北京)医疗器械有限公司 | 一种医学图像分割方法、装置、存储介质及电子设备 |
-
2022
- 2022-05-27 CN CN202210594328.5A patent/CN114820584B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410220A (zh) * | 2018-10-16 | 2019-03-01 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
US20200402231A1 (en) * | 2019-06-20 | 2020-12-24 | Ohio State Innovation Foundation | System and method for quantitative volumetric assessment and modeling of tumor lesions |
CN110458142A (zh) * | 2019-08-21 | 2019-11-15 | 青岛根尖智能科技有限公司 | 一种融合2d与3d的人脸识别方法及系统 |
CN110599492A (zh) * | 2019-09-19 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 图像分割模型的训练方法、装置、电子设备及存储介质 |
CN111091564A (zh) * | 2019-12-25 | 2020-05-01 | 金华市中心医院 | 一种基于3DUnet的肺结节大小检测系统 |
CN111402260A (zh) * | 2020-02-17 | 2020-07-10 | 北京深睿博联科技有限责任公司 | 一种基于深度学习的医学影像分割方法、系统、终端及存储介质 |
CN111429474A (zh) * | 2020-02-27 | 2020-07-17 | 西北大学 | 基于混合卷积的乳腺dce-mri图像病灶分割模型建立及分割方法 |
CN111583204A (zh) * | 2020-04-27 | 2020-08-25 | 天津大学 | 基于网络模型的二维序列磁共振图像的器官定位方法 |
CN111932492A (zh) * | 2020-06-24 | 2020-11-13 | 数坤(北京)网络科技有限公司 | 一种医学图像处理方法、装置及计算机可读存储介质 |
CN111951215A (zh) * | 2020-06-30 | 2020-11-17 | 数坤(北京)网络科技有限公司 | 一种图像检测方法、装置及计算机可读存储介质 |
CN112529911A (zh) * | 2020-12-07 | 2021-03-19 | 重庆大学 | 一种胰腺图像分割模型的训练方法、图像分割方法和装置 |
CN112967291A (zh) * | 2021-03-01 | 2021-06-15 | 北京安德医智科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN113012166A (zh) * | 2021-03-19 | 2021-06-22 | 北京安德医智科技有限公司 | 颅内动脉瘤分割方法及装置、电子设备和存储介质 |
CN114359248A (zh) * | 2022-01-10 | 2022-04-15 | 海杰亚(北京)医疗器械有限公司 | 一种医学图像分割方法、装置、存储介质及电子设备 |
Non-Patent Citations (2)
Title |
---|
任彦华等: "基于肺部CT序列图像的肺实质三维分割", 《中国医学物理学杂志》 * |
贾同等: "一种基于CT影像的肺癌病灶检测新方法", 《电子学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115409856A (zh) * | 2022-09-27 | 2022-11-29 | 北京医准智能科技有限公司 | 一种肺部医学图像处理方法、装置、设备及存储介质 |
CN115409856B (zh) * | 2022-09-27 | 2023-06-27 | 北京医准智能科技有限公司 | 一种肺部医学图像处理方法、装置、设备及存储介质 |
CN116187476A (zh) * | 2023-05-04 | 2023-05-30 | 珠海横琴圣澳云智科技有限公司 | 基于混合监督的肺叶分割模型训练、肺叶分割方法及装置 |
CN116187476B (zh) * | 2023-05-04 | 2023-07-21 | 珠海横琴圣澳云智科技有限公司 | 基于混合监督的肺叶分割模型训练、肺叶分割方法及装置 |
CN116342859A (zh) * | 2023-05-30 | 2023-06-27 | 安徽医科大学第一附属医院 | 一种基于影像学特征识别肺部肿瘤区域的方法及系统 |
CN116342859B (zh) * | 2023-05-30 | 2023-08-18 | 安徽医科大学第一附属医院 | 一种基于影像学特征识别肺部肿瘤区域的方法及系统 |
CN116862930A (zh) * | 2023-09-04 | 2023-10-10 | 首都医科大学附属北京天坛医院 | 适用于多模态的脑血管分割方法、装置、设备和存储介质 |
CN116862930B (zh) * | 2023-09-04 | 2023-11-28 | 首都医科大学附属北京天坛医院 | 适用于多模态的脑血管分割方法、装置、设备和存储介质 |
CN117934855A (zh) * | 2024-03-22 | 2024-04-26 | 北京壹点灵动科技有限公司 | 医学图像分割方法和装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114820584B (zh) | 2023-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368923B (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
CN112767329B (zh) | 图像处理方法及装置、电子设备 | |
CN114820584B (zh) | 肺部病灶定位装置 | |
CN110047078B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109829920B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111091576B (zh) | 图像分割方法、装置、设备及存储介质 | |
CN112785565B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN111091166B (zh) | 图像处理模型训练方法、图像处理方法、设备及存储介质 | |
CN111899268B (zh) | 图像分割方法及装置、电子设备和存储介质 | |
CN112541928A (zh) | 网络训练方法及装置、图像分割方法及装置和电子设备 | |
CN111444744A (zh) | 活体检测方法、装置以及存储介质 | |
CN113222038B (zh) | 基于核磁图像的乳腺病灶分类和定位方法及装置 | |
CN113012166A (zh) | 颅内动脉瘤分割方法及装置、电子设备和存储介质 | |
CN113674269B (zh) | 基于一致性损失的肿瘤脑区定位方法及装置 | |
WO2022032998A1 (zh) | 图像处理方法及装置、电子设备、存储介质和程序产品 | |
JP2022548453A (ja) | 画像分割方法及び装置、電子デバイス並びに記憶媒体 | |
CN110991412A (zh) | 人脸识别的方法、装置、存储介质及电子设备 | |
CN114387436B (zh) | 壁冠状动脉检测方法及装置、电子设备和存储介质 | |
CN115239999A (zh) | 蛋白质电子密度图处理方法、装置、电子设备和存储介质 | |
CN114863124A (zh) | 模型训练方法、息肉检测方法、相应装置、介质及设备 | |
CN114418931A (zh) | 术后剩余肺叶的提取方法及装置、电子设备和存储介质 | |
CN112508959A (zh) | 视频目标分割方法、装置、电子设备及存储介质 | |
CN112200820A (zh) | 三维图像处理方法及装置、电子设备和存储介质 | |
CN111598025B (zh) | 图像识别模型的训练方法和装置 | |
WO2022227193A1 (zh) | 肝脏区域分割方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |