CN114972255A - 脑微出血的图像检测方法、装置、计算机设备及存储介质 - Google Patents

脑微出血的图像检测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN114972255A
CN114972255A CN202210584879.3A CN202210584879A CN114972255A CN 114972255 A CN114972255 A CN 114972255A CN 202210584879 A CN202210584879 A CN 202210584879A CN 114972255 A CN114972255 A CN 114972255A
Authority
CN
China
Prior art keywords
image
focus
target
block
convolution
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
Application number
CN202210584879.3A
Other languages
English (en)
Other versions
CN114972255B (zh
Inventor
王思伦
郭力宝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Yiwei Medical Technology Co Ltd
Original Assignee
Shenzhen Yiwei Medical Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Yiwei Medical Technology Co Ltd filed Critical Shenzhen Yiwei Medical Technology Co Ltd
Priority to CN202210584879.3A priority Critical patent/CN114972255B/zh
Publication of CN114972255A publication Critical patent/CN114972255A/zh
Application granted granted Critical
Publication of CN114972255B publication Critical patent/CN114972255B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • 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
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/30016—Brain
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

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)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Graphics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例公开了一种脑微出血的图像检测方法、装置、计算机设备及存储介质，其中方法包括：获取目标对象对应的目标磁敏感加权成像三维图像对应的待检测图像集；将目标图像输入预设的病灶分类预测模型进行脑微出血病灶的分类预测，得到分类结果，其中，所述目标图像是所述待检测图像集中的任一个切片图像；若所述分类结果为存在脑微出血病灶，则将所述目标图像输入预设的目标检测模型进行脑微出血病灶的检测，得到各个病灶检测框；根据所述待检测图像集对应的各个所述病灶检测框，确定图像检测结果。从而提高了检测出的脑微出血病灶的准确性。

Description

脑微出血的图像检测方法、装置、计算机设备及存储介质
技术领域
本发明涉及数字医疗技术领域，尤其涉及一种脑微出血的图像检测方法、装置、计算机设备及存储介质。
背景技术
脑微出血(cerebral microbleeds,CMBs)，也称为微出血，是一种常见的脑小血管病，在磁共振图像上显示为低信号灶，SWI(磁敏感加权成像)序列是筛查CMBs最常用的序列。CMBs与多种脑部疾病有关，因此准确的检出CMBs病灶的数量和位置对于疾病的诊断极为重要。目前的脑微出血自动检测方法，以三维分割为主，因为出血位置、出血量以及出血数量的不同，以及存在一些病灶数量特别多、体积很小的病灶，使三维分割漏检情况较多，从而使脑微出血的检测结果准确度不高。
发明内容
基于此，有必要针对上述问题，提出了一种脑微出血的图像检测方法、装置、计算机设备及存储介质。
一种脑微出血的图像检测方法，所述方法包括：
获取目标对象对应的目标磁敏感加权成像三维图像对应的待检测图像集；
将目标图像输入预设的病灶分类预测模型进行脑微出血病灶的分类预测，得到分类结果，其中，所述目标图像是所述待检测图像集中的任一个切片图像；
若所述分类结果为存在脑微出血病灶，则将所述目标图像输入预设的目标检测模型进行脑微出血病灶的检测，得到各个病灶检测框；
根据所述待检测图像集对应的各个所述病灶检测框，确定图像检测结果。
一种脑微出血的图像检测装置，所述装置包括：
数据获取模块，用于获取目标对象对应的目标磁敏感加权成像三维图像对应的待检测图像集；
分类模块，用于将目标图像输入预设的病灶分类预测模型进行脑微出血病灶的分类预测，得到分类结果，其中，所述目标图像是所述待检测图像集中的任一个切片图像；
病灶检测框确定模块，用于若所述分类结果为存在脑微出血病灶，则将所述目标图像输入预设的目标检测模型进行脑微出血病灶的检测，得到各个病灶检测框；
图像检测结果确定模块，用于根据所述待检测图像集对应的各个所述病灶检测框，确定图像检测结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
获取目标对象对应的目标磁敏感加权成像三维图像对应的待检测图像集；
将目标图像输入预设的病灶分类预测模型进行脑微出血病灶的分类预测，得到分类结果，其中，所述目标图像是所述待检测图像集中的任一个切片图像；
若所述分类结果为存在脑微出血病灶，则将所述目标图像输入预设的目标检测模型进行脑微出血病灶的检测，得到各个病灶检测框；
根据所述待检测图像集对应的各个所述病灶检测框，确定图像检测结果。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
获取目标对象对应的目标磁敏感加权成像三维图像对应的待检测图像集；
将目标图像输入预设的病灶分类预测模型进行脑微出血病灶的分类预测，得到分类结果，其中，所述目标图像是所述待检测图像集中的任一个切片图像；
若所述分类结果为存在脑微出血病灶，则将所述目标图像输入预设的目标检测模型进行脑微出血病灶的检测，得到各个病灶检测框；
根据所述待检测图像集对应的各个所述病灶检测框，确定图像检测结果。
本申请的脑微出血的图像检测方法，首先将目标图像输入预设的病灶分类预测模型进行脑微出血病灶的分类预测，得到分类结果，然后若所述分类结果为存在脑微出血病灶，则将所述目标图像输入预设的目标检测模型进行脑微出血病灶的检测，得到各个病灶检测框，最后根据所述待检测图像集对应的各个所述病灶检测框，确定图像检测结果。从而实现了在二维的切片图像上进行脑微出血病灶的检测，因为在磁敏感加权成像中，脑微出血病灶和血管都是低信号，通过先进行每个切片图像的脑微出血病灶的分类预测，对切片图像是否存在脑微出血病灶进行初筛，在切片图像存在脑微出血病灶时再进行脑微出血病灶的检测，从而提高了检测出的脑微出血病灶的准确性。
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，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地介绍，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他的附图。
其中：
图1为一个实施例中脑微出血的图像检测方法的流程图；
图2为一个实施例中脑微出血的图像检测装置的结构框图；
图3为一个实施例中计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，在一个实施例中，提供了一种脑微出血的图像检测方法。该方法既可以应用于终端，也可以应用于服务器，本实施例以应用于终端举例说明。该脑微出血的图像检测方法具体包括如下步骤：
步骤102：获取目标对象对应的目标磁敏感加权成像三维图像对应的待检测图像集；
目标对象，是需要进行脑微出血的图像检测的活体。目标对象可以是人，也可以是动物。
目标磁敏感加权成像三维图像，是对目标对象的头部拍摄得到的磁敏感加权成像三维图像。磁敏感加权成像三维图像，是核磁共振图像SWI(磁敏感加权成像)序列的三维图像。
待检测图像集，是对目标对象对应的目标磁敏感加权成像三维图像，按照冠状面逐个切片，切片得到的二维图像作为切片图像。
可以理解的是，待检测图像集中的每个切片图像携带有切片编号，待检测图像集中的各个切片图像按照切片编号的先后顺序排列。切片编号，也就是切片的序号。
具体而言，可以获取用户输入的目标对象对应的目标磁敏感加权成像三维图像对应的待检测图像集，也可以从数据库中获取目标对象对应的目标磁敏感加权成像三维图像对应的待检测图像集，还可以从第三方应用获取目标对象对应的目标磁敏感加权成像三维图像对应的待检测图像集。
步骤104：将目标图像输入预设的病灶分类预测模型进行脑微出血病灶的分类预测，得到分类结果，其中，所述目标图像是所述待检测图像集中的任一个切片图像；
具体而言，将目标图像输入预设的病灶分类预测模型进行整个目标图像是否含有脑微出血病灶的预测，将病灶分类预测模型输出的数据作为分类结果；若分类结果为存在脑微出血病灶，则意味着目标图像中含有脑微出血病灶，若分类结果为不存在脑微出血病灶，则意味着目标图像中不含有脑微出血病灶。
可选的，所述病灶分类预测模型是基于ResNet50网络(图像分类网络)训练得到的模型。
可以理解的是，若分类结果为不存在脑微出血病灶，则停止对当前的目标图像的处理，也就是对当前的目标图像不需执行步骤106至步骤108。
步骤106：若所述分类结果为存在脑微出血病灶，则将所述目标图像输入预设的目标检测模型进行脑微出血病灶的检测，得到各个病灶检测框；
病灶检测框，是脑微出血病灶的检测框。病灶检测框是一个矩形框。病灶检测框通过左下角坐标和右上角坐标进行描述。
具体而言，若所述分类结果为存在脑微出血病灶，则意味着目标图像中含有脑微出血病灶，则将所述目标图像输入预设的目标检测模型进行脑微出血病灶的检测，将针对每个脑微出血病灶生成的检测框作为一个病灶检测框。
可选的，所述目标检测模型是基于Yolov4(目标检测网络)训练得到的模型。
可以理解的是，重复执行步骤104至步骤106，即可确定所述待检测图像集中的每个切片图像对应的各个所述病灶检测框。
步骤108：根据所述待检测图像集对应的各个所述病灶检测框，确定图像检测结果。
具体而言，根据所述待检测图像集对应的各个所述病灶检测框进行脑微出血病灶的三维掩膜生成，将生成的三维掩膜作为图像检测结果。
脑微出血病灶的三维掩膜，是与目标磁敏感加权成像三维图像的尺寸相同的三维图像。脑微出血病灶的三维掩膜中的每个体素的值为1或0，若脑微出血病灶的三维掩膜中的体素的值为1，则意味着值为1的体素对应的活体组织是脑微出血病灶，若脑微出血病灶的三维掩膜中的体素的值为0，则意味着值为0的体素对应的活体组织不是脑微出血病灶。
可选的，所述根据所述待检测图像集对应的各个所述病灶检测框，确定图像检测结果的步骤，包括：对所述待检测图像集对应的每个所述病灶检测框按照预设扩大配置进行扩大处理，得到扩大后检测框；对所述待检测图像集中的与每个所述扩大后检测框对应的图像区域依次进行病灶区域的分割、删除像素点数量小于预设的第一数量的病灶区域和形态学的膨胀处理，得到第一病灶区域；根据所述待检测图像集对应的三维位置数据，对各个所述第一病灶区域进行三维掩膜重建，得到所述图像检测结果。
可选的，所述根据所述待检测图像集对应的各个所述病灶检测框，确定图像检测结果的步骤之后，还包括：将所述图像检测结果进行标准脑区三维图像的配准，得到配准后三维图像；根据所述配准后三维图像计算每个脑区的病灶三维掩膜块的数量和每个病灶三维掩膜块的体积。
其中，将所述配准后三维图像(也就是脑微出血病灶的三维掩膜)中每个连贯的脑微出血病灶的三维掩膜块作为一个病灶三维掩膜块。
本实施例实现了在二维的切片图像上进行脑微出血病灶的检测，因为在磁敏感加权成像中，脑微出血病灶和血管都是低信号，通过先进行每个切片图像的脑微出血病灶的分类预测，对切片图像是否存在脑微出血病灶进行初筛，在切片图像存在脑微出血病灶时再进行脑微出血病灶的检测，从而提高了检测出的脑微出血病灶的准确性。
在一个实施例中，上述根据所述待检测图像集对应的各个所述病灶检测框，确定图像检测结果的步骤，包括：
步骤202：对所述待检测图像集对应的每个所述病灶检测框按照预设扩大配置进行扩大处理，得到扩大后检测框；
预设扩大配置包括：按照预设像素点扩大数量向外扩充。
具体而言，对所述待检测图像集对应的每个所述病灶检测框按照预设扩大配置进行扩大处理，对扩大处理后的病灶检测框作为扩大后检测框。
比如，预设像素点扩大数量为2，所述病灶检测框的左下角坐标为(20，15)和右上角坐标为(30，40)，则该所述病灶检测框对应的所述扩大后检测框的左下角坐标为(18，13)和右上角坐标为(32，42)。
步骤204：对所述待检测图像集中的与每个所述扩大后检测框对应的图像区域依次进行病灶区域的分割、删除像素点数量小于预设的第一数量的病灶区域和形态学的膨胀处理，得到第一病灶区域；
具体而言，对所述待检测图像集中的与每个所述扩大后检测框对应的图像区域依次进行病灶区域的分割，得到候选病灶区域集；从候选病灶区域集中删除像素点数量小于预设的第一数量的病灶区域，得到待膨胀病灶区域集；然后对待膨胀病灶区域集中的每个病灶区域进行形态学的膨胀处理，将形态学的膨胀处理之后的每个病灶区域作为一个第一病灶区域。
其中，所述对所述待检测图像集中的与每个所述扩大后检测框对应的图像区域依次进行病灶区域的分割，得到候选病灶区域集的步骤，也就是，采用预设像素值阈值，对所述待检测图像集中的与每个所述扩大后检测框对应的图像区域进行病灶区域的高阈值的分割，将分割得到的各个病灶区域作为候选病灶区域集。比如，预设像素值阈值为150，采用255减去所述待检测图像集中的与每个所述扩大后检测框对应的图像区域中的像素实际值得到像素差值，若像素差值大于150，则将所述待检测图像集中的与每个所述扩大后检测框对应的图像区域中的与该像素实际值对应的像素值设置为255，若像素差值小于或等于150，则将所述待检测图像集中的与每个所述扩大后检测框对应的图像区域中的与该像素实际值对应的像素值设置为0。
步骤206：获取所述待检测图像集中的第n个所述切片图像对应的第j个所述扩大后检测框作为目标检测框，其中，n和j均是大于0的整数，n小于或等于所述待检测图像集对应的图像数量；
可选的，n的初始值是1，j的初始值是1，从而实现从所述待检测图像集中的第1个所述切片图像对应的第1个所述扩大后检测框开始进行处理。
步骤208：若n大于1，则将n的值赋值给i；
具体而言，若n大于1，意味着第n个所述切片图像不是所述待检测图像集中的第一个切片图像，因此需要往前一个切片图像进行检索。
步骤210：将所述目标检测框在所述待检测图像集中的第i-1个所述切片图像中对应的图像区域作为第一图像区域；
具体而言，将所述目标检测框在所述待检测图像集中的第i-1个所述切片图像中对应的图像区域作为第一图像区域，从而获取了所述目标检测框在前一个所述切片图像中的相同位置对应的图像区域。
步骤212：当所述第一图像区域不存在所述第一病灶区域时，对所述第一图像区域依次进行病灶区域的分割，得到第二病灶区域，将i减1，重复执行所述将所述目标检测框在所述待检测图像集中的第i-1个所述切片图像中对应的图像区域作为第一图像区域的步骤，直至所述第一图像区域存在所述第一病灶区域，或者，i等于1；
具体而言，当所述第一图像区域不存在所述第一病灶区域时，意味着所述第一图像区域中的全部像素不位于任何一个所述第一病灶区域中，因此，对所述第一图像区域进行病灶区域的分割，将分割得到的每个病灶区域作为一个第二病灶区域，将i减1，从而再往前一个切片图像进行检索；重复执行所述将所述目标检测框在所述待检测图像集中的第i-1个所述切片图像中对应的图像区域作为第一图像区域的步骤，也就是重复执行步骤210至步骤212，直至所述第一图像区域存在所述第一病灶区域，或者，i等于0；当所述第一图像区域存在所述第一病灶区域，意味着检索到了其它的所述第一病灶区域；当i等于0，意味着往前已经没有切片图像可以进行检索。
可选的，当所述第一图像区域不存在第一病灶区域、第二病灶区域和第三病灶区域中的任一个时，对所述第一图像区域依次进行病灶区域的分割，得到第二病灶区域，将i减1，重复执行所述将所述目标检测框在所述待检测图像集中的第i-1个所述切片图像中对应的图像区域作为第一图像区域的步骤，直至所述第一图像区域存在所述第一病灶区域，或者，i等于1。
步骤214：若n小于所述待检测图像集对应的图像数量，则将n的值赋值为k；
其中，若n小于所述待检测图像集对应的图像数量，意味着第n个所述切片图像不是所述待检测图像集中的最后一个切片图像，因此需要往后一个切片图像进行检索。
步骤216：将所述目标检测框在所述待检测图像集中的第k+1个所述切片图像中对应的图像区域作为第二图像区域；
具体而言，将所述目标检测框在所述待检测图像集中的第k+1个所述切片图像中对应的图像区域作为第二图像区域，从而获取了所述目标检测框在后一个所述切片图像中的相同位置对应的图像区域。
步骤218：当所述第二图像区域不存在所述第一病灶区域时，对所述第二图像区域依次进行病灶区域的分割，得到第三病灶区域，将k加1，重复执行所述将所述目标检测框在所述待检测图像集中的第k+1个所述切片图像中对应的图像区域作为第二图像区域的步骤，直至所述第二图像区域存在所述第一病灶区域或者k-1等于所述待检测图像集对应的图像数量；
具体而言，当所述第二图像区域不存在所述第一病灶区域时，意味着所述第二图像区域中的全部像素不位于任何一个所述第一病灶区域中，因此，对所述第二图像区域依次进行病灶区域的分割，将分割得到的每个病灶区域作为一个第三病灶区域，将k加1，从而再往后一个切片图像进行检索；重复执行所述将所述目标检测框在所述待检测图像集中的第k+1个所述切片图像中对应的图像区域作为第二图像区域的步骤，也就是重复执行步骤216至步骤218，直至所述第二图像区域存在所述第一病灶区域或者k-1等于所述待检测图像集对应的图像数量；当所述第二图像区域存在所述第一病灶区域，意味着检索到了其它的所述第一病灶区域；当k-1等于所述待检测图像集对应的图像数量，意味着往后已经没有切片图像可以进行检索。
可选的，当所述第二图像区域不存在第一病灶区域、第二病灶区域和第三病灶区域中的任一个时，对所述第二图像区域依次进行病灶区域的分割，得到第三病灶区域，将k加1，重复执行所述将所述目标检测框在所述待检测图像集中的第k+1个所述切片图像中对应的图像区域作为第二图像区域的步骤，直至所述第二图像区域存在所述第一病灶区域或者k-1等于所述待检测图像集对应的图像数量。
步骤220：将j加1，重复执行所述获取所述待检测图像集中的第n个所述切片图像对应的第j个所述扩大后检测框作为目标检测框的步骤，直至完成第n个所述切片图像中的每个所述扩大后检测框的获取；
具体而言，将j加1，为处理第n个所述切片图像中的下一个所述扩大后检测框提供基础；重复执行所述获取所述待检测图像集中的第n个所述切片图像对应的第j个所述扩大后检测框作为目标检测框的步骤，也就是重复执行步骤206至步骤步骤220，直至完成第n个所述切片图像中的每个所述扩大后检测框的获取。当完成第n个所述切片图像中的每个所述扩大后检测框的获取时，已经完成第n个所述切片图像中的每个所述扩大后检测框的往前一个切片图像进行检索和往后一个切片图像进行检索。
可以理解的是，可以通过调整n的值执行步骤206至步骤步骤220，完成所述待检测图像集中的每个所述切片图像对应的每个所述扩大后检测框的处理。
步骤222：根据所述待检测图像集对应的三维位置数据，对各个所述第一病灶区域、各个所述第二病灶区域和各个所述第三病灶区域进行三维掩膜重建，得到所述图像检测结果。
具体而言，根据所述待检测图像集对应的三维位置数据，对各个所述第一病灶区域、各个所述第二病灶区域和各个所述第三病灶区域进行三维掩膜重建的方法在此不做赘述。
因病灶检测框外的靠近病灶检测框的像素是脑微出血病灶的可能性比较大，本实施例采用基于扩大的病灶检测框进行病灶区域分割，相对基于病灶检测框的病灶区域分割，基于扩大的病灶检测框的病灶区域分割可以包含稍多的图像区域，从而将病灶检测框外的靠近病灶检测框的疑似脑微出血病灶的区域包含进来进行病灶区域分割，有利于提高病灶区域分割的准确性；通过删除像素点数量小于预设的第一数量的病灶区域和形态学的膨胀处理，有利于减少确定的第一病灶区域的噪声；因目标检测模型并不能百分之百准确的进行脑微出血病灶的检测，本实施例通过对每个扩大后检测框进行向前的切片图像检索和向后的切片图像检索，根据检索进行病灶区域的分割，从而形成了对目标检测模型检测的补充检测，提高了确定的图像检测结果的准确性。
在一个实施例中，上述根据所述待检测图像集对应的三维位置数据，对各个所述第一病灶区域、各个所述第二病灶区域和各个所述第三病灶区域进行三维掩膜重建，得到所述图像检测结果的步骤，包括：
步骤302：根据所述待检测图像集对应的所述三维位置数据，对各个所述第一病灶区域、各个所述第二病灶区域和各个所述第三病灶区域进行三维掩膜重建，得到待处理三维掩膜；
具体而言，根据所述待检测图像集对应的所述三维位置数据，对各个所述第一病灶区域、各个所述第二病灶区域和各个所述第三病灶区域进行脑微出血病灶的三维掩膜重建，将重建得到的三维掩膜作为待处理三维掩膜。
步骤304：从所述待处理三维掩膜中获取任一个病灶三维掩膜块，作为待分析掩膜块；
具体而言，将所述待处理三维掩膜中每个连贯的脑微出血病灶的三维掩膜块作为一个病灶三维掩膜块；从所述待处理三维掩膜中获取任一个病灶三维掩膜块，作为待分析掩膜块，为进行误判分析提供了基础。
步骤306：判断所述待分析掩膜块在所述待检测图像集中对应的所述切片图像的数量是否大于预设的第二数量；
具体而言，判断所述待分析掩膜块在所述待检测图像集中对应的所述切片图像的数量是否大于预设的第二数量，也就是判断所述待分析掩膜块是否为血管。
可选的，预设的第二数量设置为4。
步骤308：若是，则将所述待处理三维掩膜中的与所述待分析掩膜块对应的所述病灶三维掩膜块设置为非三维掩膜块；
具体而言，若是，也就是所述待分析掩膜块在所述待检测图像集中对应的所述切片图像的数量大于预设的第二数量，此时意味着所述待分析掩膜块为血管，因此，将所述待处理三维掩膜中的与所述待分析掩膜块对应的所述病灶三维掩膜块设置为非三维掩膜块，从而实现将为血管的所述待分析掩膜块从所述待处理三维掩膜中进行删除处理。
其中，将所述待处理三维掩膜中的与所述待分析掩膜块对应的所述病灶三维掩膜块设置为非三维掩膜块，也就是，将所述待处理三维掩膜中的与所述待分析掩膜块对应的各个体素的体素值设为0。
步骤310：重复执行所述从所述待处理三维掩膜中获取任一个病灶三维掩膜块，作为待分析掩膜块的步骤，直至完成所述待处理三维掩膜中每个所述病灶三维掩膜块的获取，将所述待处理三维掩膜作为所述图像检测结果。
具体而言，重复执行所述从所述待处理三维掩膜中获取任一个病灶三维掩膜块，作为待分析掩膜块的步骤，也就是重复执行步骤304至步骤310，直至完成所述待处理三维掩膜中每个所述病灶三维掩膜块的获取；当完成所述待处理三维掩膜中每个所述病灶三维掩膜块时，此时意味着已经完成了所述待处理三维掩膜中每个所述病灶三维掩膜块的误判处理，因此，将完成误判处理的所述待处理三维掩膜作为所述图像检测结果。
本实施例通过所述待分析掩膜块在所述待检测图像集中对应的所述切片图像的数量大于预设的第二数量时，对将所述待处理三维掩膜中的与所述待分析掩膜块对应的所述病灶三维掩膜块设置为非三维掩膜块，从而实现了对在所述待检测图像集中对应的所述切片图像的数量大于预设的第二数量的所述待分析掩膜块进行删除处理，从而避免了将血管误判成脑微出血病灶，提高了确定的图像检测结果的准确性。
在一个实施例中，上述病灶分类预测模型包括：初始特征提取单元、第一尺度特征提取单元、第二尺度特征提取单元、第三尺度特征提取单元、拼接单元和分类单元；
所述初始特征提取单元的输出作为所述第一尺度特征提取单元、所述第二尺度特征提取单元及所述第三尺度特征提取单元的输入，所述第一尺度特征提取单元、所述第二尺度特征提取单元和所述第三尺度特征提取单元的输出作为所述拼接单元的输入，所述拼接单元的输出作为所述分类单元的输入；
所述初始特征提取单元依次包括：卷积层、批标准化层、激活函数层和最大池化层；
所述第一尺度特征提取单元依次包括：卷积核为1*1的卷积层、第一卷积块、第一恒等残差块、第二卷积块、第二恒等残差块，所述第一卷积块和所述第二卷积块的结构相同，所述第一恒等残差块和所述第二恒等残差块的结构相同，所述第一卷积块依次包括结构相同的第一卷积子块、第二卷积子块和第三卷积子块，所述第一卷积子块依次包括：卷积核为1*1的卷积层、批标准化层、激活函数层和尺寸为2*2的最大池化层，所述第一恒等残差块依次包括结构相同的第一残差子块、第二残差子块和第三残差子块，所述第一残差子块依次包括：卷积核为3*3且步长为2的卷积层、批标准化层和激活函数层，所述第一残差子块的输入作为所述第三残差子块的所述激活函数层的输入；
所述第二尺度特征提取单元依次包括：卷积核为3*3的卷积层、第三卷积块、第三恒等残差块、第四卷积块、第四恒等残差块，所述第三卷积块和所述第四卷积块的结构相同，所述第三恒等残差块和所述第四恒等残差块的结构相同，所述第三卷积块依次包括结构相同的第四卷积子块、第五卷积子块和第六卷积子块，所述第四卷积子块依次包括：卷积核为3*3的卷积层、批标准化层、激活函数层和尺寸为2*2的最大池化层，所述第三恒等残差块依次包括结构相同的第四残差子块、第五残差子块和第六残差子块，所述第四残差子块依次包括：卷积核为3*3且步长为1的卷积层、批标准化层和激活函数层，所述第四残差子块的输入作为所述第六残差子块的所述激活函数层的输入；
所述第三尺度特征提取单元依次包括：卷积核为5*5的卷积层、第五卷积块、第五恒等残差块、第六卷积块、第六恒等残差块，所述第五卷积块和所述第六卷积块的结构相同，所述第五恒等残差块和所述第六恒等残差块的结构相同，所述第五卷积块依次包括结构相同的第七卷积子块、第八卷积子块和第九卷积子块，所述第七卷积子块依次包括：卷积核为5*5的卷积层、批标准化层、激活函数层和尺寸为2*2的最大池化层，所述第五恒等残差块依次包括结构相同的第七残差子块、第八残差子块和第九残差子块，所述第七残差子块依次包括：卷积核为3*3且步长为1的卷积层、批标准化层和激活函数层，所述第七残差子块的输入作为所述第九残差子块的所述激活函数层的输入；
所述拼接单元用于在通道维度进行特征拼接；
所述分类单元依次包括：均值池化层和线性层。
其中，所述初始特征提取单元的卷积层采用3*3的卷积核，用于提取高层特征；所述初始特征提取单元的批标准化层用于进行批标准化，以加快收敛，防止过拟合；所述初始特征提取单元的激活函数层采用Relu激活函数(Rectified Linear Unit，中文名为修正线性单元)，增加网络非线性能力；所述初始特征提取单元的最大池化层，用于进行最大池化，以实现数据降维，去除冗余信息。
第一尺度特征提取单元、第二尺度特征提取单元和第三尺度特征提取单元，形成三条并联的分支，用于加宽网络的宽度。
第一尺度特征提取单元、第二尺度特征提取单元和第三尺度特征提取单元中的各个恒等残差块，用于增加网络深度。
所述分类单元的均值池化层用于在通道维度上进行均值池化。
所述分类单元的线性层用于进行分类。
因脑微出血病灶与血管存在着极强的相似性，所以分类任务也存在一定的难度，又因为脑微出血病灶大小不一，为了使网络学到更多的多尺度特征，本实施例将模型划分为第一尺度特征提取单元、第二尺度特征提取单元、第三尺度特征提取单元三条分支，该三条分支的卷积分别为1*1、3*3、5*5，然后使用恒等残差块增加网络的深度，三条分支能够加宽网络的宽度，更宽的网络性能会更好，最后将特征图拼接在一起，通过分类单元分类，得到分类结果，从而提供了模型的准确性。
在一个实施例中，上述将目标图像输入预设的病灶分类预测模型进行脑微出血病灶的分类预测，得到分类结果的步骤之前，还包括：
步骤502：获取多个第一训练样本和分类预测初始模型，其中，每个所述第一训练样本包括：第一图像样本、所述第一图像样本对应的标识集、第二图像样本、所述第二图像样本对应的所述标识集和时序相关性标签，其中，所述标识集包括：头文件标识和切片编号；
第一图像样本，是对磁敏感加权成像三维图像，按照冠状面进行切片得到的二维图像。
第二图像样本，是对磁敏感加权成像三维图像，按照冠状面进行切片得到的二维图像。
头文件标识，是磁敏感加权成像三维图像对应的头文件标识。
切片编号，是从磁敏感加权成像三维图像进行切片的序号。
因相邻的两个切片认为是相关的，不相邻的或者来自不同磁敏感加权成像三维图像的切片认为是不相关，因此，在同一个所述第一训练样本中，若所述第一图像样本对应的标识集的头文件标识与所述第二图像样本对应的标识集的头文件标识相同，并且，所述第一图像样本对应的标识集的切片编号与所述第二图像样本对应的标识集的切片编号之间的差值的绝对值等于1，意味着第一图像样本和第二图像样本来自同一个磁敏感加权成像三维图像，并且第一图像样本和第二图像样本相邻，此时的第一图像样本和第二图像样本相关，因此可以将时序相关性标签设为0；在同一个所述第一训练样本中，若所述第一图像样本对应的标识集的头文件标识与所述第二图像样本对应的标识集的头文件标识不相同，或者，所述第一图像样本对应的标识集的切片编号与所述第二图像样本对应的标识集的切片编号之间的差值的绝对值不等于1，意味着第一图像样本和第二图像样本来自不同的磁敏感加权成像三维图像，或者第一图像样本和第二图像样本不相邻，此时的第一图像样本和第二图像样本不相关，因此可以将时序相关性标签设为0。
分类预测初始模型，是基于ResNet50网络得到的模型。
具体而言，可以获取用户输入的多个第一训练样本和分类预测初始模型，也可以从数据库中获取多个第一训练样本和分类预测初始模型，还可以从第三方应用获取多个第一训练样本和分类预测初始模型。
步骤504：采用各个所述第一训练样本，对所述分类预测初始模型进行图像相关性的分类预测训练，将训练结束的所述分类预测初始模型作为病灶分类预训练模型；
具体而言，采用各个所述第一训练样本，对所述分类预测初始模型进行图像相关性的分类预测训练，从而训练所述分类预测初始模型学习图像相关性的先验知识。
采用各个所述第一训练样本，对所述分类预测初始模型进行图像相关性的分类预测训练的步骤，在此不做赘述。
步骤506：获取多个第二训练样本，其中，每个所述第二训练样本包括：第三图像样本和脑微出血病灶标签；
具体而言，可以获取用户输入的多个第二训练样本，也可以从数据库中获取多个第二训练样本，还可以从第三方应用获取多个第二训练样本。
第三图像样本，是对磁敏感加权成像三维图像，按照冠状面进行切片得到的二维图像。
脑微出血病灶标签的取值为1或0，若脑微出血病灶标签的取值为1，则意味着第三图像样本中包含脑微出血病灶，若脑微出血病灶标签的取值为0，则意味着第三图像样本中不包含脑微出血病灶。
步骤508：采用各个所述第二训练样本对所述病灶分类预训练模型进行脑微出血病灶的分类训练，将训练结束的所述病灶分类预训练模型作为所述病灶分类预测模型。
具体而言，采用各个所述第二训练样本对所述病灶分类预训练模型进行脑微出血病灶的分类训练的步骤在此不做赘述。
本实施例通过采用各个所述第一训练样本，对所述分类预测初始模型进行图像相关性的分类预测训练，从而使模型可以学习图像相关性的先验知识，有利于提高最终确定的病灶分类预测模型的准确性。
在一个实施例中，上述将所述目标图像输入预设的目标检测模型进行脑微出血病灶的检测，得到各个病灶检测框的步骤之前，还包括：
步骤602：获取多个第三训练样本和目标检测初始模型；
所述目标检测初始模型，是基于Yolov4训练得到的模型。
第三训练样本包括：第四图像样本和病灶检测框标签集。第四图像样本，是对磁敏感加权成像三维图像，按照冠状面进行切片得到的二维图像。病灶检测框标签集是第四图像样本中的脑微出血病灶的检测框的准确结果。病灶检测框标签集中包括至少0个脑微出血病灶的检测框。
具体而言，可以获取用户输入的多个第三训练样本和目标检测初始模型，也可以从数据库中获取多个第三训练样本和目标检测初始模型，还可以从第三方应用获取多个第三训练样本和目标检测初始模型。
步骤604：将各个所述第三训练样本中的任一个所述第三训练样本作为目标样本；
步骤606：将所述目标样本中的第四图像样本输入所述目标检测初始模型进行脑微出血病灶的检测，得到所述目标样本对应的各个待分析病灶检测框；
具体而言，将所述目标样本中的第四图像样本输入所述目标检测初始模型进行脑微出血病灶的检测，将检测得到的每个脑微出血病灶对应的每个检测框作为所述目标样本对应的一个所述待分析病灶检测框。
步骤608：将所述目标样本中的病灶检测框标签集和各个所述待分析病灶检测框输入预设的目标损失函数中进行损失值计算，得到目标损失值，其中，所述目标损失函数是基于Focalloss损失函数得到的损失函数；
具体而言，将所述目标样本中的病灶检测框标签集和各个所述待分析病灶检测框输入预设的目标损失函数中进行损失值计算，将计算得到的损失值作为目标损失值。
Focalloss损失函数，是用于图像领域解决数据不平衡造成的模型性能问题的损失函数。
步骤610：根据所述目标损失值更新所述目标检测初始模型的网络参数；
具体而言，根据所述目标损失值更新所述目标检测初始模型的网络参数的步骤在此不做赘述。
步骤612：重复执行所述将各个所述第三训练样本中的任一个所述第三训练样本作为目标样本的步骤，直至达到预设的检测模型训练结束条件，将达到所述检测模型训练结束条件的所述目标检测初始模型作为所述目标检测模型。
具体而言，重复执行所述将各个所述第三训练样本中的任一个所述第三训练样本作为目标样本的步骤，也就是重复执行步骤604至步骤612，直至达到预设的检测模型训练结束条件。当达到预设的检测模型训练结束条件时，意味着所述目标检测初始模型的性能达到预期要求，因此，直接将达到所述检测模型训练结束条件的所述目标检测初始模型作为所述目标检测模型。
本实施例通过采用基于Focalloss损失函数得到的损失函数对目标检测初始模型进行训练，从而减少了类别不平衡的影响，提高了训练得到的目标检测模型的准确性。
在一个实施例中，上述获取多个第三训练样本和目标检测初始模型的步骤之前，还包括：
步骤702：获取初始切片图像；
具体而言，可以获取用户输入的初始切片图像，也可以从数据库中获取初始切片图像，还可以从第三方应用获取初始切片图像。
初始切片图像，是对磁敏感加权成像三维图像，按照冠状面进行切片得到的二维图像。
步骤704：对所述初始切片图像进行双线性插值处理，得到第一切片图像；
具体而言，对所述初始切片图像进行双线性插值处理，以使所述初始切片图像达到预设的分辨率，将双线性插值处理之后的初始切片图像作为第一切片图像。
步骤706：将所述第一切片图像作为所述初始切片图像对应的所述第三训练样本的所述第四图像样本，并将所述初始切片图像对应的所述病灶检测框标签集作为所述初始切片图像对应的所述第三训练样本的所述病灶检测框标签集；
具体而言，将所述第一切片图像作为所述初始切片图像对应的所述第三训练样本的所述第四图像样本，并将所述初始切片图像对应的所述病灶检测框标签集作为所述初始切片图像对应的所述第三训练样本的所述病灶检测框标签集，从而确定了没有进行图像增强的第三训练样本。
步骤708：从预设的图像增强组合方法集中获取一个图像增强组合方法，作为目标组合方法，其中，所述图像增强组合方法是随机旋转、按预设角度旋转、随机裁剪拼接、按预设方式裁剪拼接、添加高斯噪音中的至少一种方法组合得到的组合方法；
具体而言，可以依次从预设的图像增强组合方法集中获取一个图像增强组合方法，将获取的图像增强组合方法作为目标组合方法。
其中，随机旋转、按预设角度旋转、随机裁剪拼接、按预设方式裁剪拼接、添加高斯噪音中的至少一种方法组合得到的组合方法，是将随机旋转、按预设角度旋转、随机裁剪拼接、按预设方式裁剪拼接、添加高斯噪音中的至少一种方法按预设组合顺序进行组合，将组合得到的方法作为所述图像增强组合方法。
步骤710：采用所述目标组合方法，对所述第一切片图像进行图像增强，得到第二切片图像；
具体而言，采用所述目标组合方法，对所述第一切片图像进行图像增强，将图像增强之后的所述第一切片图像作为第二切片图像。
步骤712：采用所述目标组合方法，对所述初始切片图像对应的所述病灶检测框标签集进行图像增强，得到病灶检测框标签增强集；
具体而言，采用所述目标组合方法，对所述初始切片图像对应的所述病灶检测框标签集进行图像增强，将图像增强之后的所述病灶检测框标签集作为病灶检测框标签增强集。
可以理解的是，通过步骤710和步骤712，实现了对所述第一切片图像和所述第一切片图像对应的所述病灶检测框标签集进行相同的变换。
步骤714：将所述第二切片图像作为所述第二切片图像对应的所述第三训练样本的所述第四图像样本，并将所述病灶检测框标签增强集作为所述第二切片图像对应的所述第三训练样本的所述病灶检测框标签集。
具体而言，将所述第二切片图像作为所述第二切片图像对应的所述第三训练样本的所述第四图像样本，并将所述病灶检测框标签增强集作为所述第二切片图像对应的所述第三训练样本的所述病灶检测框标签集，实现了将图像增强处理得到的数据自动化生成所述第三训练样本。
可以理解的是，重复执行步骤708至不做步骤714，即可确定初始切片图像对应的进行图像增强的多个第三训练样本。
本实施例通过基于随机旋转、按预设角度旋转、随机裁剪拼接、按预设方式裁剪拼接、添加高斯噪音中的至少一种方法组合得到的组合方法生成第三训练样本，增加了第三训练样本的多样性，从而提高了训练得到的目标检测模型的泛化能力。
如图2所示，在一个实施例中，提出了一种脑微出血的图像检测装置，所述装置包括：
数据获取模块802，用于获取目标对象对应的目标磁敏感加权成像三维图像对应的待检测图像集；
分类模块804，用于将目标图像输入预设的病灶分类预测模型进行脑微出血病灶的分类预测，得到分类结果，其中，所述目标图像是所述待检测图像集中的任一个切片图像；
病灶检测框确定模块806，用于若所述分类结果为存在脑微出血病灶，则将所述目标图像输入预设的目标检测模型进行脑微出血病灶的检测，得到各个病灶检测框；
图像检测结果确定模块808，用于根据所述待检测图像集对应的各个所述病灶检测框，确定图像检测结果。
本实施例实现了在二维的切片图像上进行脑微出血病灶的检测，因为在磁敏感加权成像中，脑微出血病灶和血管都是低信号，通过先进行每个切片图像的脑微出血病灶的分类预测，对切片图像是否存在脑微出血病灶进行初筛，在切片图像存在脑微出血病灶时再进行脑微出血病灶的检测，从而提高了检测出的脑微出血病灶的准确性。
图3示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图3所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现脑微出血的图像检测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行脑微出血的图像检测方法。本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
获取目标对象对应的目标磁敏感加权成像三维图像对应的待检测图像集；
将目标图像输入预设的病灶分类预测模型进行脑微出血病灶的分类预测，得到分类结果，其中，所述目标图像是所述待检测图像集中的任一个切片图像；
若所述分类结果为存在脑微出血病灶，则将所述目标图像输入预设的目标检测模型进行脑微出血病灶的检测，得到各个病灶检测框；
根据所述待检测图像集对应的各个所述病灶检测框，确定图像检测结果。
本实施例实现了在二维的切片图像上进行脑微出血病灶的检测，因为在磁敏感加权成像中，脑微出血病灶和血管都是低信号，通过先进行每个切片图像的脑微出血病灶的分类预测，对切片图像是否存在脑微出血病灶进行初筛，在切片图像存在脑微出血病灶时再进行脑微出血病灶的检测，从而提高了检测出的脑微出血病灶的准确性。
在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
获取目标对象对应的目标磁敏感加权成像三维图像对应的待检测图像集；
将目标图像输入预设的病灶分类预测模型进行脑微出血病灶的分类预测，得到分类结果，其中，所述目标图像是所述待检测图像集中的任一个切片图像；
若所述分类结果为存在脑微出血病灶，则将所述目标图像输入预设的目标检测模型进行脑微出血病灶的检测，得到各个病灶检测框；
根据所述待检测图像集对应的各个所述病灶检测框，确定图像检测结果。
本实施例实现了在二维的切片图像上进行脑微出血病灶的检测，因为在磁敏感加权成像中，脑微出血病灶和血管都是低信号，通过先进行每个切片图像的脑微出血病灶的分类预测，对切片图像是否存在脑微出血病灶进行初筛，在切片图像存在脑微出血病灶时再进行脑微出血病灶的检测，从而提高了检测出的脑微出血病灶的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。请输入具体实施内容部分。

Claims (10)

1.一种脑微出血的图像检测方法，所述方法包括：
获取目标对象对应的目标磁敏感加权成像三维图像对应的待检测图像集；
将目标图像输入预设的病灶分类预测模型进行脑微出血病灶的分类预测，得到分类结果，其中，所述目标图像是所述待检测图像集中的任一个切片图像；
若所述分类结果为存在脑微出血病灶，则将所述目标图像输入预设的目标检测模型进行脑微出血病灶的检测，得到各个病灶检测框；
根据所述待检测图像集对应的各个所述病灶检测框，确定图像检测结果。
2.根据权利要求1所述的脑微出血的图像检测方法，其特征在于，所述根据所述待检测图像集对应的各个所述病灶检测框，确定图像检测结果的步骤，包括：
对所述待检测图像集对应的每个所述病灶检测框按照预设扩大配置进行扩大处理，得到扩大后检测框；
对所述待检测图像集中的与每个所述扩大后检测框对应的图像区域依次进行病灶区域的分割、删除像素点数量小于预设的第一数量的病灶区域和形态学的膨胀处理，得到第一病灶区域；
获取所述待检测图像集中的第n个所述切片图像对应的第j个所述扩大后检测框作为目标检测框，其中，n和j均是大于0的整数，n小于或等于所述待检测图像集对应的图像数量；
若n大于1，则将n的值赋值给i；
将所述目标检测框在所述待检测图像集中的第i-1个所述切片图像中对应的图像区域作为第一图像区域；
当所述第一图像区域不存在所述第一病灶区域时，对所述第一图像区域依次进行病灶区域的分割，得到第二病灶区域，将i减1，重复执行所述将所述目标检测框在所述待检测图像集中的第i-1个所述切片图像中对应的图像区域作为第一图像区域的步骤，直至所述第一图像区域存在所述第一病灶区域，或者，i等于1；
若n小于所述待检测图像集对应的图像数量，则将n的值赋值为k；
将所述目标检测框在所述待检测图像集中的第k+1个所述切片图像中对应的图像区域作为第二图像区域；
当所述第二图像区域不存在所述第一病灶区域时，对所述第二图像区域依次进行病灶区域的分割，得到第三病灶区域，将k加1，重复执行所述将所述目标检测框在所述待检测图像集中的第k+1个所述切片图像中对应的图像区域作为第二图像区域的步骤，直至所述第二图像区域存在所述第一病灶区域或者k-1等于所述待检测图像集对应的图像数量；
将j加1，重复执行所述获取所述待检测图像集中的第n个所述切片图像对应的第j个所述扩大后检测框作为目标检测框的步骤，直至完成第n个所述切片图像中的每个所述扩大后检测框的获取；
根据所述待检测图像集对应的三维位置数据，对各个所述第一病灶区域、各个所述第二病灶区域和各个所述第三病灶区域进行三维掩膜重建，得到所述图像检测结果。
3.根据权利要求2所述的脑微出血的图像检测方法，其特征在于，所述根据所述待检测图像集对应的三维位置数据，对各个所述第一病灶区域、各个所述第二病灶区域和各个所述第三病灶区域进行三维掩膜重建，得到所述图像检测结果的步骤，包括：
根据所述待检测图像集对应的所述三维位置数据，对各个所述第一病灶区域、各个所述第二病灶区域和各个所述第三病灶区域进行三维掩膜重建，得到待处理三维掩膜；
从所述待处理三维掩膜中获取任一个病灶三维掩膜块，作为待分析掩膜块；
判断所述待分析掩膜块在所述待检测图像集中对应的所述切片图像的数量是否大于预设的第二数量；
若是，则将所述待处理三维掩膜中的与所述待分析掩膜块对应的所述病灶三维掩膜块设置为非三维掩膜块；
重复执行所述从所述待处理三维掩膜中获取任一个病灶三维掩膜块，作为待分析掩膜块的步骤，直至完成所述待处理三维掩膜中每个所述病灶三维掩膜块的获取，将所述待处理三维掩膜作为所述图像检测结果。
4.根据权利要求1所述的脑微出血的图像检测方法，其特征在于，所述病灶分类预测模型包括：初始特征提取单元、第一尺度特征提取单元、第二尺度特征提取单元、第三尺度特征提取单元、拼接单元和分类单元；
所述初始特征提取单元的输出作为所述第一尺度特征提取单元、所述第二尺度特征提取单元及所述第三尺度特征提取单元的输入，所述第一尺度特征提取单元、所述第二尺度特征提取单元和所述第三尺度特征提取单元的输出作为所述拼接单元的输入，所述拼接单元的输出作为所述分类单元的输入；
所述初始特征提取单元依次包括：卷积层、批标准化层、激活函数层和最大池化层；
所述第一尺度特征提取单元依次包括：卷积核为1*1的卷积层、第一卷积块、第一恒等残差块、第二卷积块、第二恒等残差块，所述第一卷积块和所述第二卷积块的结构相同，所述第一恒等残差块和所述第二恒等残差块的结构相同，所述第一卷积块依次包括结构相同的第一卷积子块、第二卷积子块和第三卷积子块，所述第一卷积子块依次包括：卷积核为1*1的卷积层、批标准化层、激活函数层和尺寸为2*2的最大池化层，所述第一恒等残差块依次包括结构相同的第一残差子块、第二残差子块和第三残差子块，所述第一残差子块依次包括：卷积核为3*3且步长为2的卷积层、批标准化层和激活函数层，所述第一残差子块的输入作为所述第三残差子块的所述激活函数层的输入；
所述第二尺度特征提取单元依次包括：卷积核为3*3的卷积层、第三卷积块、第三恒等残差块、第四卷积块、第四恒等残差块，所述第三卷积块和所述第四卷积块的结构相同，所述第三恒等残差块和所述第四恒等残差块的结构相同，所述第三卷积块依次包括结构相同的第四卷积子块、第五卷积子块和第六卷积子块，所述第四卷积子块依次包括：卷积核为3*3的卷积层、批标准化层、激活函数层和尺寸为2*2的最大池化层，所述第三恒等残差块依次包括结构相同的第四残差子块、第五残差子块和第六残差子块，所述第四残差子块依次包括：卷积核为3*3且步长为1的卷积层、批标准化层和激活函数层，所述第四残差子块的输入作为所述第六残差子块的所述激活函数层的输入；
所述第三尺度特征提取单元依次包括：卷积核为5*5的卷积层、第五卷积块、第五恒等残差块、第六卷积块、第六恒等残差块，所述第五卷积块和所述第六卷积块的结构相同，所述第五恒等残差块和所述第六恒等残差块的结构相同，所述第五卷积块依次包括结构相同的第七卷积子块、第八卷积子块和第九卷积子块，所述第七卷积子块依次包括：卷积核为5*5的卷积层、批标准化层、激活函数层和尺寸为2*2的最大池化层，所述第五恒等残差块依次包括结构相同的第七残差子块、第八残差子块和第九残差子块，所述第七残差子块依次包括：卷积核为3*3且步长为1的卷积层、批标准化层和激活函数层，所述第七残差子块的输入作为所述第九残差子块的所述激活函数层的输入；
所述拼接单元用于在通道维度进行特征拼接；
所述分类单元依次包括：均值池化层和线性层。
5.根据权利要求1所述的脑微出血的图像检测方法，其特征在于，所述将目标图像输入预设的病灶分类预测模型进行脑微出血病灶的分类预测，得到分类结果的步骤之前，还包括：
获取多个第一训练样本和分类预测初始模型，其中，每个所述第一训练样本包括：第一图像样本、所述第一图像样本对应的标识集、第二图像样本、所述第二图像样本对应的所述标识集和时序相关性标签，其中，所述标识集包括：头文件标识和切片编号；
采用各个所述第一训练样本，对所述分类预测初始模型进行图像相关性的分类预测训练，将训练结束的所述分类预测初始模型作为病灶分类预训练模型；
获取多个第二训练样本，其中，每个所述第二训练样本包括：第三图像样本和脑微出血病灶标签；
采用各个所述第二训练样本对所述病灶分类预训练模型进行脑微出血病灶的分类训练，将训练结束的所述病灶分类预训练模型作为所述病灶分类预测模型。
6.根据权利要求1所述的脑微出血的图像检测方法，其特征在于，所述将所述目标图像输入预设的目标检测模型进行脑微出血病灶的检测，得到各个病灶检测框的步骤之前，还包括：
获取多个第三训练样本和目标检测初始模型；
将各个所述第三训练样本中的任一个所述第三训练样本作为目标样本；
将所述目标样本中的第四图像样本输入所述目标检测初始模型进行脑微出血病灶的检测，得到所述目标样本对应的各个待分析病灶检测框；
将所述目标样本中的病灶检测框标签集和各个所述待分析病灶检测框输入预设的目标损失函数中进行损失值计算，得到目标损失值，其中，所述目标损失函数是基于Focalloss损失函数得到的损失函数；
根据所述目标损失值更新所述目标检测初始模型的网络参数；
重复执行所述将各个所述第三训练样本中的任一个所述第三训练样本作为目标样本的步骤，直至达到预设的检测模型训练结束条件，将达到所述检测模型训练结束条件的所述目标检测初始模型作为所述目标检测模型。
7.根据权利要求6所述的脑微出血的图像检测方法，其特征在于，所述获取多个第三训练样本和目标检测初始模型的步骤之前，还包括：
获取初始切片图像；
对所述初始切片图像进行双线性插值处理，得到第一切片图像；
将所述第一切片图像作为所述初始切片图像对应的所述第三训练样本的所述第四图像样本，并将所述初始切片图像对应的所述病灶检测框标签集作为所述初始切片图像对应的所述第三训练样本的所述病灶检测框标签集；
从预设的图像增强组合方法集中获取一个图像增强组合方法，作为目标组合方法，其中，所述图像增强组合方法是随机旋转、按预设角度旋转、随机裁剪拼接、按预设方式裁剪拼接、添加高斯噪音中的至少一种方法组合得到的组合方法；
采用所述目标组合方法，对所述第一切片图像进行图像增强，得到第二切片图像；
采用所述目标组合方法，对所述初始切片图像对应的所述病灶检测框标签集进行图像增强，得到病灶检测框标签增强集；
将所述第二切片图像作为所述第二切片图像对应的所述第三训练样本的所述第四图像样本，并将所述病灶检测框标签增强集作为所述第二切片图像对应的所述第三训练样本的所述病灶检测框标签集。
8.一种脑微出血的图像检测装置，其特征在于，所述装置包括：
数据获取模块，用于获取目标对象对应的目标磁敏感加权成像三维图像对应的待检测图像集；
分类模块，用于将目标图像输入预设的病灶分类预测模型进行脑微出血病灶的分类预测，得到分类结果，其中，所述目标图像是所述待检测图像集中的任一个切片图像；
病灶检测框确定模块，用于若所述分类结果为存在脑微出血病灶，则将所述目标图像输入预设的目标检测模型进行脑微出血病灶的检测，得到各个病灶检测框；
图像检测结果确定模块，用于根据所述待检测图像集对应的各个所述病灶检测框，确定图像检测结果。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
CN202210584879.3A 2022-05-26 2022-05-26 脑微出血的图像检测方法、装置、计算机设备及存储介质 Active CN114972255B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210584879.3A CN114972255B (zh) 2022-05-26 2022-05-26 脑微出血的图像检测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210584879.3A CN114972255B (zh) 2022-05-26 2022-05-26 脑微出血的图像检测方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN114972255A true CN114972255A (zh) 2022-08-30
CN114972255B CN114972255B (zh) 2023-05-12

Family

ID=82955390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210584879.3A Active CN114972255B (zh) 2022-05-26 2022-05-26 脑微出血的图像检测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN114972255B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071350A (zh) * 2023-03-06 2023-05-05 同心智医科技(北京)有限公司 基于深度学习的大脑微出血识别方法、装置及存储介质
CN116740465A (zh) * 2023-07-07 2023-09-12 国医通（北京）科技发展有限公司 一种基于腹膜透析液图像分割的病灶分类装置和设备
CN117670839A (zh) * 2023-12-08 2024-03-08 北京长木谷医疗科技股份有限公司 膝关节炎辅助检测评估方法、装置、设备及可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738643A (zh) * 2019-10-08 2020-01-31 上海联影智能医疗科技有限公司 脑出血的分析方法、计算机设备和存储介质
CN110956634A (zh) * 2020-02-26 2020-04-03 南京慧脑云计算有限公司 一种基于深度学习的脑微出血自动检测方法及系统
CN111222393A (zh) * 2019-10-12 2020-06-02 浙江大学 一种基于自学习神经网络的病理切片中印戒细胞检测方法
CN111709950A (zh) * 2020-08-20 2020-09-25 成都金盘电子科大多媒体技术有限公司 一种乳腺钼靶ai辅助筛查方法
CN113362329A (zh) * 2021-08-11 2021-09-07 北京航空航天大学杭州创新研究院 病灶检测模型的训练方法及识别图像中的病灶的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738643A (zh) * 2019-10-08 2020-01-31 上海联影智能医疗科技有限公司 脑出血的分析方法、计算机设备和存储介质
CN111222393A (zh) * 2019-10-12 2020-06-02 浙江大学 一种基于自学习神经网络的病理切片中印戒细胞检测方法
CN110956634A (zh) * 2020-02-26 2020-04-03 南京慧脑云计算有限公司 一种基于深度学习的脑微出血自动检测方法及系统
CN111709950A (zh) * 2020-08-20 2020-09-25 成都金盘电子科大多媒体技术有限公司 一种乳腺钼靶ai辅助筛查方法
CN113362329A (zh) * 2021-08-11 2021-09-07 北京航空航天大学杭州创新研究院 病灶检测模型的训练方法及识别图像中的病灶的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MOHAMMED A. AL-MASNI ET.AL.: "\"A Two Cascaded Network Integrating Regional–based YOLO and 3D-CNN for Cerebral Microbleeds Detection\"" *
靳晨: ""基于3D神经网络的脑微出血检测"" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071350A (zh) * 2023-03-06 2023-05-05 同心智医科技(北京)有限公司 基于深度学习的大脑微出血识别方法、装置及存储介质
CN116740465A (zh) * 2023-07-07 2023-09-12 国医通（北京）科技发展有限公司 一种基于腹膜透析液图像分割的病灶分类装置和设备
CN116740465B (zh) * 2023-07-07 2024-05-17 国医通（北京）科技发展有限公司 一种基于腹膜透析液图像分割的病灶分类装置和设备
CN117670839A (zh) * 2023-12-08 2024-03-08 北京长木谷医疗科技股份有限公司 膝关节炎辅助检测评估方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN114972255B (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
CN108765369B (zh) 肺结节的检测方法、装置、计算机设备和存储介质
US10810735B2 (en) Method and apparatus for analyzing medical image
CN114972255B (zh) 脑微出血的图像检测方法、装置、计算机设备及存储介质
CN108010021B (zh) 一种医学图像处理系统和方法
CN111696094B (zh) 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备
CN110796656A (zh) 图像检测方法、装置、计算机设备和存储介质
CN111428709A (zh) 图像处理方法、装置、计算机设备和存储介质
CN111862044A (zh) 超声图像处理方法、装置、计算机设备和存储介质
CN110738643B (zh) 脑出血的分析方法、计算机设备和存储介质
CN109410189B (zh) 图像分割方法以及图像的相似度计算方法、装置
CN114820535B (zh) 动脉瘤的图像检测方法、装置、计算机设备及存储介质
CN114758137B (zh) 超声图像分割方法、装置及计算机可读存储介质
CN111951276A (zh) 图像分割方法、装置、计算机设备和存储介质
CN114549462A (zh) 基于视角解耦Transformer模型的病灶检测方法、装置、设备及介质
CN114693671B (zh) 基于深度学习的肺结节半自动分割方法、装置、设备及介质
CN113160199B (zh) 影像识别方法、装置、计算机设备和存储介质
CN113724203B (zh) 应用于oct图像中目标特征分割的模型训练方法及装置
CN111340780A (zh) 一种基于三维超声图像的病灶检测方法
CN113706451A (zh) 颅内动脉瘤识别检测的方法、装置、系统和计算机可读存储介质
CN109859218B (zh) 病理图关键区域确定方法、装置、电子设备及存储介质
CN113793316B (zh) 一种超声扫查区域提取方法、装置、设备和存储介质
CN113379770B (zh) 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置
CN111210414B (zh) 医学图像分析方法、计算机设备和可读存储介质
CN115497092A (zh) 图像处理方法、装置及设备
CN110648346A (zh) 肿瘤网络构建的方法、装置、计算机设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant