CN115100179A - 一种图像处理方法、装置、设备及存储介质 - Google Patents
一种图像处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115100179A CN115100179A CN202210837569.8A CN202210837569A CN115100179A CN 115100179 A CN115100179 A CN 115100179A CN 202210837569 A CN202210837569 A CN 202210837569A CN 115100179 A CN115100179 A CN 115100179A
- Authority
- CN
- China
- Prior art keywords
- image
- lung
- pneumothorax
- mask
- processed
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 210000004072 lung Anatomy 0.000 claims abstract description 248
- 201000003144 pneumothorax Diseases 0.000 claims abstract description 120
- 230000006835 compression Effects 0.000 claims abstract description 56
- 238000007906 compression Methods 0.000 claims abstract description 56
- 230000011218 segmentation Effects 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 6
- 210000000038 chest Anatomy 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 238000013145 classification model Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- 210000000779 thoracic wall Anatomy 0.000 description 2
- 206010051986 Pneumatosis Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000003281 pleural cavity Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G06T2207/20—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
- G06T2207/30—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)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开提供了一种图像处理方法、装置、设备及存储介质,涉及计算机技术领域,方法主要包括:获取待处理图像;根据分割模型,对待处理图像进行分割,得到肺野掩码图和第一气胸掩码图;根据肺野掩码图和第一气胸掩码图,生成萎陷肺掩码图;根据肺野掩码图和萎陷肺掩码图,计算待处理图像的肺压缩程度,得到图像处理结果。本公开提供的一种图像处理方法、装置、设备及存储介质,由分割模型判断是否存在气胸,并得到气胸的准确位置,且根据分割模型的输出结果自动计算肺压缩程度,提高了对待处理图像的处理效率和处理结果的精度,降低了人工成本。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种图像处理方法、装置、设备及存储介质。
背景技术
气胸指气体进入肺部与胸壁之间的胸膜腔,造成积气状态。胸片可以显示出肺部、胸腔和心脏等的大小、形态、位置和轮廓,因此,胸片常用于帮助判断是否存在气胸以及气胸范围等。
在现有技术中,一般都是由专业医师对胸片进行处理,例如判断胸片中是否存在气胸,并确定气胸范围和肺压缩程度等;或者训练分类模型,根据分类模型对胸片进行处理,例如判断胸片中是否存在气胸,以及气胸在胸片上的大概位置。然而,专业医师人工对胸片进行处理,存在成本高、效率低、精度低以及容易漏检面积较小的气胸等问题;分类模型对胸片进行处理,存在无法给出气胸准确位置,以及无法确定肺压缩程度等技术问题。
发明内容
本公开提供了一种图像处理方法、装置、设备及存储介质,以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面,提供了一种图像处理方法,该方法包括:获取待处理图像;根据分割模型,对所述待处理图像进行分割,得到肺野掩码图和第一气胸掩码图;根据所述肺野掩码图和所述第一气胸掩码图,生成萎陷肺掩码图;根据所述肺野掩码图和所述萎陷肺掩码图,计算所述待处理图像的肺压缩程度,得到图像处理结果。
在一可实施方式中,所述获取待处理图像,包括:获取第一图像;将所述第一图像的像素灰度值调整至窗口区间,并对所述像素灰度值进行线性变化,得到第二图像;对所述第二图像进行缩放,直到所述第二图像的尺寸满足第一预设阈值,将尺寸满足所述第一预设阈值的第二图像确定为所述待处理图像。
在一可实施方式中,通过以下方式得到所述分割模型:获取训练样本集,所述训练样本集包括样本图像的样本肺野掩码图和样本气胸掩码图;根据结合损失函数和所述训练样本集,对深度神经网络模型进行训练,得到所述分割模型,其中,所述结合损失函数为骰子损失与交叉熵损失结合得到的损失函数。
在一可实施方式中,所述根据所述肺野掩码图和所述第一气胸掩码图,生成萎陷肺掩码图,包括:对所述肺野掩码图和所述第一气胸掩码图进行与运算,得到第二气胸掩码图;对所述第二气胸掩码图进行非运算,得到第三气胸掩码图;对所述第三气胸掩码图和所述肺野掩码图进行与运算,得到初始萎陷肺掩码图;对所述初始萎陷肺掩码图进行开运算,得到所述萎陷肺掩码图。
在一可实施方式中,所述根据所述肺野掩码图和所述萎陷肺掩码图,计算所述待处理图像的肺压缩程度,得到图像处理结果,包括:根据所述肺野掩码图,计算气胸所在侧的膈顶的第一位置信息;根据所述肺野掩码图和所述第一位置信息,确定所述气胸所在侧的肺野的第一矩形包围框;根据所述萎陷肺掩码图和所述第一位置信息,确定萎陷肺的第二矩形包围框;根据所述第一矩形包围框和所述第二矩形包围框,计算所述待处理图像的肺压缩程度,得到所述图像处理结果。
在一可实施方式中,所述根据所述肺野掩码图,计算气胸所在侧的膈顶的第一位置信息,包括:根据所述肺野掩码图,计算所述气胸所在侧的肺野的下部轮廓线上所有点的切线斜率;将所述切线斜率最小的点对应的位置信息确定为所述第一位置信息;根据如下公式计算当前点的所述切线斜率: 其中,sli为所述切线斜率,xi为当前点的横坐标,yi为当前点的纵坐标,δ为相邻点偏置量。
在一可实施方式中,所述根据所述第一矩形包围框和所述第二矩形包围框,计算所述待处理图像的肺压缩程度,得到所述图像处理结果,包括:根据第一矩形包围框的高、第一矩形包围框的宽、第二矩形包围框的高和第二矩形包围框的宽,计算所述待处理图像的肺压缩程度,得到所述图像处理结果;根据如下公式计算所述待处理图像的肺压缩程度:其中,compression_degree为所述肺压缩程度,R为所述第一矩形包围框的宽,H为所述第一矩形包围框的高,r为所述第二矩形包围框的宽,h为所述第二矩形包围框的高。
根据本公开的第二方面,提供了一种图像处理装置,该装置包括:第一获取模块,用于获取待处理图像;分割模块,用于根据分割模型,对所述待处理图像进行分割,得到肺野掩码图和第一气胸掩码图;生成模块,用于根据所述肺野掩码图和所述第一气胸掩码图,生成萎陷肺掩码图;计算模块,用于根据所述肺野掩码图和所述萎陷肺掩码图,计算所述待处理图像的肺压缩程度,得到图像处理结果。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开所述的方法。
本公开的一种图像处理方法、装置、设备及存储介质,首先根据分割模型,对待处理图像进行分割,得到肺野掩码图和第一气胸掩码图,然后根据肺野掩码图和第一气胸掩码图,生成萎陷肺掩码图,最后根据肺野掩码图和萎陷肺掩码图,计算待处理图像的肺压缩程度,得到图像处理结果,如此,由分割模型判断是否存在气胸,并得到气胸的准确位置,且根据分割模型的输出结果自动计算肺压缩程度,提高了对待处理图像的处理效率和处理结果的精度,降低了人工成本。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1示出了本公开第一实施例的一种图像处理方法的流程示意图;
图2示出了本公开第一实施例的一种图像处理方法的应用场景示意图;
图3示出了本公开第二实施例的一种图像处理方法的流程示意图;
图4示出了本公开第四实施例的一种图像处理方法的流程示意图;
图5示出了本公开第四实施例的一种图像处理方法的应用场景示意图;
图6示出了本公开第五实施例的一种图像处理方法的流程示意图;
图7示出了本公开第五实施例的一种图像处理方法的应用场景示意图;
图8示出了本公开第八实施例的一种图像处理装置的结构示意图;
图9示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而非全部实施例。基于本公开中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
图1示出了本公开第一实施例的一种图像处理方法的流程示意图,如图1所示,该方法主要包括:
步骤S101,获取待处理图像。
在本实施例中,首先需要获取待处理图像,待处理图像可以为胸部正位的X片,即正位胸片,正位胸片可以显示出肺部和胸腔等的大小、形态、位置和轮廓,因此,正位胸片常用于帮助判断是否存在气胸以及气胸范围等。
步骤S102,根据分割模型,对待处理图像进行分割,得到肺野掩码图和第一气胸掩码图。
在本实施例中,获取到待处理图像之后,根据分割模型,对待处理图像进行分割,得到肺野掩码图和第一气胸掩码图,其中,肺野掩码图为待处理图像中左右肺野的二值掩码图,可以显示出左右肺野的位置与轮廓,第一气胸掩码图为待处理图像中气胸病灶的二值掩码图,可以显示出气胸病灶的位置与轮廓。
在一可实施方式中,可以对深度神经网络模型进行训练,从而得到分割模型,深度神经网络模型相比于机器学习,更能根据学习目标自适应的提取整合待处理图像中的纹理、形状和亮度等特征,避免了机器学习对预设特征的依赖,可以更精确的分割出肺野掩码图和第一气胸掩码图。具体地,深度神经网络模型可以为SOLO(Segmenting Objects byLocations)模型、Mask R-CNN模型、Unet模型和DeepLab模型等,其中,SOLO模型和Mask R-CNN模型均为实例分割模型,Unet模型和DeepLab模型均为语义分割模型。
步骤S103,根据肺野掩码图和第一气胸掩码图,生成萎陷肺掩码图。
在本实施例中,为了判断待处理图像中气胸病灶的严重程度,还需要根据肺野掩码图和第一气胸掩码图,生成萎陷肺掩码图,其中,萎陷肺掩码图为待处理图像中萎陷肺的二值掩码图,可以显示出萎陷肺的位置与轮廓。具体地,气胸时空气渗入肺部和胸壁之间的空间,会挤压肺的外部,使其塌陷,从而导致萎陷肺,因此,需要生成萎陷肺掩码图,用于后续计算气胸导致的肺压缩程度。
在一可实施方式中,肺野掩码图中去除气胸病灶的部分即为萎陷肺掩码图,可以对第一气胸掩码图做非运算,得到新第一气胸掩码图,然后将新第一气胸掩码图与肺野掩码图做与运算,从而得到萎陷肺掩码图。
步骤S104,根据肺野掩码图和萎陷肺掩码图,计算待处理图像的肺压缩程度,得到图像处理结果。
在本实施例中,还需要根据肺野掩码图和萎陷肺掩码图,计算待处理图像的肺压缩程度,得到图像处理结果,其中,肺压缩程度为气胸时肺组织被空气压缩的程度,其可以直观的体现出气胸病灶的严重程度。
在一可实施方式中,可以根据面积法近似计算待处理图像的肺压缩程度,例如,利用肺野掩码图做出萎陷肺所在侧肺野的第一矩形包围框,以第一矩形包围框的面积作为萎陷肺所在侧肺野的面积,利用萎陷肺掩码图做出萎陷肺的第二矩形包围框,以第二矩形包围框的面积作为萎陷肺的面积;最后根据萎陷肺的面积与萎陷肺所在侧肺野的面积,计算待处理图像的肺压缩程度。
图2示出了本公开第一实施例的一种图像处理方法的应用场景示意图,如图2所示,图中阴影部分即为萎陷肺,a为第一矩形包围框的宽,b为第一矩形包围框的高,a’为第二矩形包围框的宽,b’为第二矩形包围框的高,则可以根据如下公式计算肺压缩程度:其中,compression_degree为肺压缩程度。
在本公开第一实施例中,首先根据分割模型,对待处理图像进行分割,得到肺野掩码图和第一气胸掩码图,然后根据肺野掩码图和第一气胸掩码图,生成萎陷肺掩码图,最后根据肺野掩码图和萎陷肺掩码图,计算待处理图像的肺压缩程度,得到图像处理结果。如此,由分割模型判断是否存在气胸,并得到气胸的准确位置,且根据分割模型的输出结果自动计算肺压缩程度,提高了对待处理图像的处理效率和处理结果的精度,降低了人工成本。
图3示出了本公开第二实施例的一种图像处理方法的流程示意图,如图3所示,步骤S101主要包括:
步骤S201,获取第一图像。
步骤S202,将第一图像的像素灰度值调整至窗口区间,并对像素灰度值进行线性变化,得到第二图像。
步骤S203,对第二图像进行缩放,直到第二图像的尺寸满足第一预设阈值,将尺寸满足第一预设阈值的第二图像确定为待处理图像。
在本实施例中,为了减少不同来源的图像对深度神经网络模型的训练和预测带来的不利影响,需要对获得的图像,即第一图像进行预处理,其中,第一图像可以为胸部正位的X片,即正位胸片。预处理主要分为像素灰度值的统一化和尺寸的统一化,其中,像素灰度值的统一化主要为将第一图像的像素灰度值调整至窗口区间,并对像素灰度值进行线性变化,即将像素灰度值的动态范围按线性关系扩展到指定范围,例如,将像素灰度值的范围扩展为0到255之间,得到第二图像;尺寸的统一化主要为对第二图像进行缩放,直到第二图像的尺寸满足第一预设阈值,从而得到待处理图像。
在一可实施方式中,窗口区间为医学图像领域的特有概念,指以窗位为中心,窗宽为长度的区间,当图像的窗位或者窗宽信息缺失时,分别以图像的像素灰度值的最大、最小值的均值和差值代替窗位和窗宽,将第一图像的像素灰度值调整至窗口区间,相当于使图像的像素灰度值达到比较可靠的区间,然而,对第一图像的像素灰度值截断之后,其像素灰度值的范围可能会发生变化,因此,还需要根据线性函数对像素灰度值进行线性变化,使其最小值和最大值分别变成0和255,从而得到第二图像。
在一可实施方式中,对第二图像进行缩放时,可以采用保持宽高比的方式缩放,使其较小边长度达到第一指定阈值,若此时得到的图像较大边长度超过了第二指定阈值,仍然保持宽高比进行缩放,使其较大边长度为第二指定阈值。例如,第一指定阈值可以为1024像素,第二指定阈值可以为1800像素,按照保持宽高比的方式缩放,可以先使第二图像的较小边长度包含1024个像素,若此时得到的图像较大边长度包含的像素超过了1800个像素,则继续对其进行缩放,使其较大边长度包含1800个像素,这样,最终得到的待处理图像的尺寸可以大致保持一致。具体地,第一指定阈值和第二指定阈值可以自行设置,本公开不对其进行限定。
在本公开第二实施例中,将获得的第一图像的像素灰度值调整至窗口区间,并对像素灰度值进行线性变化,得到第二图像,然后对第图像进行缩放,直到第二图像的尺寸满足第一预设阈值,从而得到尺寸满足第一预设阈值的待处理图像。在本实施中,对得到的第一图像进行预处理,可以减少不同来源的图像对深度神经网络模型的训练和预测带来的不利影响,进一步提高图像处理结果的精度。
在本公开第三实施例中,通过以下方式得到分割模型:
获取训练样本集,训练样本集包括样本图像的样本肺野掩码图和样本气胸掩码图;根据结合损失函数和训练样本集,对深度神经网络模型进行训练,得到分割模型,其中,结合损失函数为骰子损失与交叉熵损失结合得到的损失函数。
在本实施例中,首先需要获取训练样本集,训练样本集包括样本图像的样本肺野掩码图和样本气胸掩码图,然后将样本图像的样本肺野掩码图和样本气胸掩码图组成一个两通道的图像,将其作为深度神经网络模型学习的目标,输入至深度神经网络模型进行训练,在训练的过程中,采用结合损失函数作为分割结果的损失函数,其中,结合损失函数为骰子损失(dice loss)与交叉熵损失(cross entropy loss)结合得到的损失函数。
在一可实施方式中,可以采用如下公式计算结合损失函数:Loss=α×Lossdice+β×Losscross,其中,Loss为结合损失函数,Lossdice为骰子损失,Losscross为交叉熵损失,α和β分别为权重系数,用于控制骰子损失和交叉熵损失的权重。具体地,在计算交叉熵损失时,还可以采用困难像素挖掘(Hard pixel mining)技术,即只计算交叉熵达到指定阈值的像素点处的损失,例如,只计算交叉熵前20%的像素点处的损失,这些像素点通常位于目标物体的边界附近,将交叉熵损失集中在物体边界附近,从而使得到的分割模型在物体边界处的分割效果更好。
在一可实施方式中,深度神经网络模型可以为SOLO模型、Mask R-CNN模型、Unet模型和DeepLab模型等,本公开不对深度神经网络模型进行限定。
在本公开第三实施例中,在利用训练样本集对深度神经网络模型进行训练的过程中,采用骰子损失和交叉熵损失结合得到的结合损失函数作为分割结果的损失函数,并在计算交叉熵损失时,采用Hard pixel mining技术,保证分割模型对物体边界处的分割效果,可以提高分割模型对待处理图像的分割效果。
图4示出了本公开第四实施例的一种图像处理方法的流程示意图,如图4所示,步骤S103主要包括:
步骤S301,对肺野掩码图和第一气胸掩码图进行与运算,得到第二气胸掩码图。
步骤S302,对第二气胸掩码图进行非运算,得到第三气胸掩码图。
步骤S303,对第三气胸掩码图和肺野掩码图进行与运算,得到初始萎陷肺掩码图。
步骤S304,对初始萎陷肺掩码图进行开运算,得到萎陷肺掩码图。
在本实施例中,首先对肺野掩码图和第一气胸掩码图逐像素进行与(pixel-wiseand)运算,得到第二气胸掩码图,该操作将气胸病灶限制在肺野轮廓中,可以避免因气胸分割超出肺野引起的计算误差;然后对第二气胸掩码图逐像素进行非(pixel-wise not)运算,即将第二气胸掩码图中的像素灰度值0变为像素灰度值255,将像素灰度值255变为像素灰度值0,得到第三气胸掩码图,并对第三气胸掩码图和肺野掩码图逐像素进行与运算,得到初始萎陷肺掩码图,该操作可以去除肺野掩码图中的气胸病灶部分,从而得到初始萎陷肺掩码图;最后对初始萎陷肺掩码图进行开(opening)运算,得到萎陷肺掩码图,该操作可以消除细的突出部分,使萎陷肺的轮廓变得光滑,从而得到准确的萎陷肺掩码图。具体地,与运算、非运算和开运算为现有技术,此处不再赘述。
图5示出了本公开第四实施例的一种图像处理方法的应用场景示意图,如图5所示,5a为待处理图像,5b为肺野掩码图,5c为第一气胸掩码图,5d为第二气胸掩码图,5e为初始萎陷肺掩码图,5f为萎陷肺掩码图。对肺野掩码图5b和第一气胸掩码图5c逐像素进行与运算,即可得到第二气胸掩码图5d;然后对第二气胸掩码图5d逐像素进行非运算,得到第三气胸掩码图,并对第三气胸掩码图和肺野掩码图5b逐像素进行与运算,得到初始萎陷肺掩码图5e;最后对初始萎陷肺掩码图5e进行开运算,即可得到萎陷肺掩码图5f。
在本公开第四实施例中,在根据肺野掩码图和第一气胸掩码图,生成萎陷肺掩码图的过程中,首先将气胸病灶限制在肺野轮廓中,从而避免因气胸分割超出肺野轮廓引起的计算误差,提高了对图像处理的精度,且对初始萎陷肺掩码图进行开操作,消除细的突出部分,使萎陷肺的轮廓变得光滑,进一步保证得到的萎陷肺掩码图的精确性。
图6示出了本公开第五实施例的一种图像处理方法的流程示意图,如图6所示,步骤S104主要包括:
步骤S401,根据肺野掩码图,计算气胸所在侧的膈顶的第一位置信息。
在本实施例中,首先需要根据肺野掩码图,计算气胸所在侧的膈顶的第一位置信息,其中,膈顶为膈肌顶端,膈顶的位置信息可以帮助计算肺压缩程度。
在一可实施方式中,可以在气胸所在侧的肺野的下部轮廓线中搜索切线斜率最小的点,该点的位置即为膈顶的位置信息。具体地,可以用当前点与相邻点的差商作为切线斜率的近似值,差商的计算为现有技术,此处不再赘述。
步骤S402,根据肺野掩码图和第一位置信息,确定气胸所在侧的肺野的第一矩形包围框。
步骤S403,根据萎陷肺掩码图和第一位置信息,确定萎陷肺的第二矩形包围框。
在本实施例中,得到膈顶的位置信息之后,还需要根据肺野掩码图和第一位置信息,确定气胸所在侧的肺野的第一矩形包围框,并根据萎陷肺掩码图和第一位置信息,确定萎陷肺的第二矩形包围框。
图7示出了本公开第五实施例的一种图像处理方法的应用场景示意图,如图7所示,以图7左上顶点为坐标原点,点f为气胸所在侧的膈顶的位置,若膈顶f的坐标为(xapex,yapex),以过膈顶f的水平线为底,做出气胸所在侧的肺野的第一矩形包围框ABOC,相当于将过膈顶f的水平线以下的肺野区域去除;若萎陷肺掩码图中萎陷肺区域的纵坐标的最大值为ymax,则以yapex和ymac中的最小值作为底,做出萎陷肺的第二矩形包围框DEOF。
步骤S404,根据第一矩形包围框和第二矩形包围框,计算待处理图像的肺压缩程度,得到图像处理结果。
在本实施例中,确定了第一矩形包围框和第二矩形包围框之后,可以根据第一矩形包围框和第二矩形包围框,计算待处理图像的肺压缩程度,从而将待处理图像的肺压缩程度确定为图像处理结果。
在本公开第五实施例中,根据气胸所在侧膈顶的位置信息,对肺野掩码图中气胸所在侧的肺野的第一矩形包围框和萎陷肺掩码图中萎陷肺的第二矩形包围框进行调整,并根据调整后的第一矩形包围框和第二矩形包围框计算待处理图像的肺压缩程度,可以得到提高图像处理的精度。
在本公开第六实施例中,步骤S401主要包括:
根据肺野掩码图,计算气胸所在侧的肺野的下部轮廓线上所有点的切线斜率;将切线斜率最小的点对应的位置信息确定为第一位置信息;根据如下公式计算当前点的切线斜率:其中,sli为切线斜率,xi为当前点的横坐标,yi为当前点的纵坐标,δ为相邻点偏置量。
在本实施例中,根据肺野掩码图计算气胸所在侧的膈顶的位置信息时,先计算气胸所在侧的肺野的下部轮廓线上所有点的切线斜率,并将切线斜率最小的点对应的位置信息确定为第一位置信息。具体地,为了避开肺尖处,只在气胸所在侧肺野的下部轮廓线上搜索膈顶位置即可,即只考虑点集其中ymax,ymin分别是气胸所在侧的肺野的轮廓线纵坐标的最大值和最小值。
在一可实施方式中,可以用当前点与相邻点的差商作为切线斜率的近似值,同时,考虑到可能出现拐点,如肺野下侧的最左点和最右点,还可以用双边差商的绝对值的平均值作为切线斜率的近似值。若当前点的坐标为(xi,yi),则可以根据如下公式计算当前点的切线斜率: 其中,δ为相邻点偏置量,例如,δ=1即为最近邻点,最优地,可以选取δ=3。
在本公开第六实施例中,根据肺野掩码图,以双边差商的方式计算气胸所在侧的肺野的下部轮廓线上所有点的切线斜率,并将切线斜率最小的点对应的位置信息确定为第一位置信息,可以保证膈顶位置的准确性。
在本公开第七实施例中,步骤S404主要包括:
根据第一矩形包围框的高、第一矩形包围框的宽、第二矩形包围框的高和第二矩形包围框的宽,计算待处理图像的肺压缩程度,得到图像处理结果;根据如下公式计算待处理图像的肺压缩程度:其中,compression_degree为肺压缩程度,R为第一矩形包围框的宽,H为第一矩形包围框的高,r为第二矩形包围框的宽,h为第二矩形包围框的高。
在本实施例中,确定出第一矩形包围框和第二矩形包围框之后,可以根据第一矩形包围框的高、第一矩形包围框的宽、第二矩形包围框的高和第二矩形包围框的宽,计算待处理图像的肺压缩程度。
在一可实施方式中,以图7为例,若膈顶f的坐标为(xapex,yapex),肺野掩码图中气胸所在侧的肺野区域的横坐标最大值为Xmax,横坐标的最小值为Xmin,纵坐标的最大值为Ymax,纵坐标的最小值为Ymin,则第一矩形包围框ABOC的高H=yapex-Ymin,宽R=Xmax-Xmin;若萎陷肺掩码图中萎陷肺区域的横坐标的最大值为xmax,横坐标的最小值为xmin,纵坐标的最大值为ymax,纵坐标的最小值为ymin,则第二矩形包围框DEOF的高h=min(yapex,ymax)-ymin,宽r=xmax-xmin。
在本公开第七实施例中,根据第一矩形包围框的高和宽、第二矩形包围框的高和宽,并结合体积法计算肺压缩程度,可以进一步提高图像处理结果的准确性。
图8示出了本公开第八实施例的一种图像处理装置的结构示意图,如图8所示,该装置主要包括:
第一获取模块80,用于获取待处理图像;分割模块81,用于根据分割模型,对待处理图像进行分割,得到肺野掩码图和第一气胸掩码图;生成模块82,用于根据肺野掩码图和第一气胸掩码图,生成萎陷肺掩码图;计算模块83,用于根据肺野掩码图和萎陷肺掩码图,计算待处理图像的肺压缩程度,得到图像处理结果。
在一可实施方式中,第一获取模块80主要包括:
获取子模块800,用于获取第一图像;截断子模块801,用于将第一图像的像素灰度值调整至窗口区间,并对像素灰度值进行线性变化,得到第二图像;缩放子模块802,用于对第二图像进行缩放,直到第二图像的尺寸满足第一预设阈值,将尺寸满足第一预设阈值的第二图像确定为待处理图像。
在一可实施方式中,该装置还包括:
第二获取模块84,用于获取训练样本集,训练样本集包括样本图像的样本肺野掩码图和样本气胸掩码图;训练模块85,用于根据结合损失函数和训练样本集,对深度神经网络模型进行训练,得到分割模型,其中,结合损失函数为骰子损失与交叉熵损失结合得到的损失函数。
在一可实施方式中,生成模块82主要包括:
第一运算子模块820,用于对肺野掩码图和第一气胸掩码图进行与运算,得到第二气胸掩码图;第二运算子模块821,用于对第二气胸掩码图进行非运算,得到第三气胸掩码图;第三运算子模块822,用于对第三气胸掩码图和肺野掩码图进行与运算,得到初始萎陷肺掩码图;第四运算模块823,用于对初始萎陷肺掩码图进行开运算,得到萎陷肺掩码图。
在一可实施方式中,计算模块83主要包括:
第一计算子模块830,用于根据肺野掩码图,计算气胸所在侧的膈顶的第一位置信息;第一确定子模块831,用于根据肺野掩码图和第一位置信息,确定气胸所在侧的肺野的第一矩形包围框;第二确定子模块832,用于根据萎陷肺掩码图和第一位置信息,确定萎陷肺的第二矩形包围框;第二计算子模块833,用于根据第一矩形包围框和第二矩形包围框,计算待处理图像的肺压缩程度,得到图像处理结果。
在一可实施方式中,第一计算子模块830主要包括:
计算单元8300,用于根据肺野掩码图,计算气胸所在侧的肺野的下部轮廓线上所有点的切线斜率;确定单元8301,用于将切线斜率最小的点对应的位置信息确定为第一位置信息;计算单元8300根据如下公式计算当前点的切线斜率:其中,sli为切线斜率,xi为当前点的横坐标,yi为当前点的纵坐标,δ为相邻点偏置量。
在一可实施方式中,第二计算子模块833还用于根据第一矩形包围框的高、第一矩形包围框的宽、第二矩形包围框的高和第二矩形包围框的宽,计算待处理图像的肺压缩程度,得到图像处理结果;第二计算子模块833根据如下公式计算待处理图像的肺压缩程度:其中,compression_degree为肺压缩程度,R为第一矩形包围框的宽,H为第一矩形包围框的高,r为第二矩形包围框的宽,h为第二矩形包围框的高。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如一种图像处理方法。例如,在一些实施例中,一种图像处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的一种图像处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行一种图像处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
获取待处理图像;
根据分割模型,对所述待处理图像进行分割,得到肺野掩码图和第一气胸掩码图;
根据所述肺野掩码图和所述第一气胸掩码图,生成萎陷肺掩码图;
根据所述肺野掩码图和所述萎陷肺掩码图,计算所述待处理图像的肺压缩程度,得到图像处理结果。
2.根据权利要求1所述的方法,其特征在于,所述获取待处理图像,包括:
获取第一图像;
将所述第一图像的像素灰度值调整至窗口区间,并对所述像素灰度值进行线性变化,得到第二图像;
对所述第二图像进行缩放,直到所述第二图像的尺寸满足第一预设阈值,将尺寸满足所述第一预设阈值的第二图像确定为所述待处理图像。
3.根据权利要求1所述的方法,其特征在于,通过以下方式得到所述分割模型:
获取训练样本集,所述训练样本集包括样本图像的样本肺野掩码图和样本气胸掩码图;
根据结合损失函数和所述训练样本集,对深度神经网络模型进行训练,得到所述分割模型,其中,所述结合损失函数为骰子损失与交叉熵损失结合得到的损失函数。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述根据所述肺野掩码图和所述第一气胸掩码图,生成萎陷肺掩码图,包括:
对所述肺野掩码图和所述第一气胸掩码图进行与运算,得到第二气胸掩码图;
对所述第二气胸掩码图进行非运算,得到第三气胸掩码图;
对所述第三气胸掩码图和所述肺野掩码图进行与运算,得到初始萎陷肺掩码图;
对所述初始萎陷肺掩码图进行开运算,得到所述萎陷肺掩码图。
5.根据权利要求1所述的方法,其特征在于,所述根据所述肺野掩码图和所述萎陷肺掩码图,计算所述待处理图像的肺压缩程度,得到图像处理结果,包括:
根据所述肺野掩码图,计算气胸所在侧的膈顶的第一位置信息;
根据所述肺野掩码图和所述第一位置信息,确定所述气胸所在侧的肺野的第一矩形包围框;
根据所述萎陷肺掩码图和所述第一位置信息,确定萎陷肺的第二矩形包围框;
根据所述第一矩形包围框和所述第二矩形包围框,计算所述待处理图像的肺压缩程度,得到所述图像处理结果。
8.一种图像处理装置,其特征在于,所述装置包括:
第一获取模块,用于获取待处理图像;
分割模块,用于根据分割模型,对所述待处理图像进行分割,得到肺野掩码图和第一气胸掩码图;
生成模块,用于根据所述肺野掩码图和所述第一气胸掩码图,生成萎陷肺掩码图;
计算模块,用于根据所述肺野掩码图和所述萎陷肺掩码图,计算所述待处理图像的肺压缩程度,得到图像处理结果。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210837569.8A CN115100179B (zh) | 2022-07-15 | 2022-07-15 | 一种图像处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210837569.8A CN115100179B (zh) | 2022-07-15 | 2022-07-15 | 一种图像处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115100179A true CN115100179A (zh) | 2022-09-23 |
CN115100179B CN115100179B (zh) | 2023-02-21 |
Family
ID=83298738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210837569.8A Active CN115100179B (zh) | 2022-07-15 | 2022-07-15 | 一种图像处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100179B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115908300A (zh) * | 2022-11-14 | 2023-04-04 | 北京医准智能科技有限公司 | 心脏瓣膜钙化分割的方法、装置、设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5543974A (en) * | 1990-05-31 | 1996-08-06 | Matsushita Electric Industrial Co., Ltd. | Image quality adjusting device which detects the grade of an envelope of an FM luminance signal |
CN106934228A (zh) * | 2017-03-06 | 2017-07-07 | 杭州健培科技有限公司 | 基于机器学习的肺部气胸ct影像分类诊断方法 |
CN109727251A (zh) * | 2018-12-29 | 2019-05-07 | 上海联影智能医疗科技有限公司 | 一种定量肺部病症分割的系统、方法和设备 |
CN110895815A (zh) * | 2019-12-02 | 2020-03-20 | 西南科技大学 | 一种基于深度学习的胸部x线气胸分割方法 |
CN111127444A (zh) * | 2019-12-26 | 2020-05-08 | 广州柏视医疗科技有限公司 | 基于深度语义网络的ct影像中自动识别放疗危及器官的方法 |
US20200211694A1 (en) * | 2018-12-27 | 2020-07-02 | General Electric Company | Systems and methods to determine disease progression from artificial intelligence detection output |
CN111476777A (zh) * | 2020-04-07 | 2020-07-31 | 上海联影智能医疗科技有限公司 | 胸片图像处理方法、系统、可读存储介质和设备 |
CN112150406A (zh) * | 2019-06-28 | 2020-12-29 | 复旦大学 | 一种基于ct影像的气胸致肺萎陷程度精确计算方法 |
US20210019889A1 (en) * | 2017-01-27 | 2021-01-21 | Agfa Healthcare Nv | Multi-class image segmentation method |
CN113658198A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 交互式肺气肿病灶分割方法、装置、存储介质及设备 |
US20220005185A1 (en) * | 2020-07-01 | 2022-01-06 | International Business Machines Corporation | Pneumothorax detection |
-
2022
- 2022-07-15 CN CN202210837569.8A patent/CN115100179B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5543974A (en) * | 1990-05-31 | 1996-08-06 | Matsushita Electric Industrial Co., Ltd. | Image quality adjusting device which detects the grade of an envelope of an FM luminance signal |
US20210019889A1 (en) * | 2017-01-27 | 2021-01-21 | Agfa Healthcare Nv | Multi-class image segmentation method |
CN106934228A (zh) * | 2017-03-06 | 2017-07-07 | 杭州健培科技有限公司 | 基于机器学习的肺部气胸ct影像分类诊断方法 |
US20200211694A1 (en) * | 2018-12-27 | 2020-07-02 | General Electric Company | Systems and methods to determine disease progression from artificial intelligence detection output |
CN111401398A (zh) * | 2018-12-27 | 2020-07-10 | 通用电气公司 | 用于根据人工智能检测输出确定疾病进展的系统和方法 |
CN109727251A (zh) * | 2018-12-29 | 2019-05-07 | 上海联影智能医疗科技有限公司 | 一种定量肺部病症分割的系统、方法和设备 |
CN112150406A (zh) * | 2019-06-28 | 2020-12-29 | 复旦大学 | 一种基于ct影像的气胸致肺萎陷程度精确计算方法 |
CN110895815A (zh) * | 2019-12-02 | 2020-03-20 | 西南科技大学 | 一种基于深度学习的胸部x线气胸分割方法 |
CN111127444A (zh) * | 2019-12-26 | 2020-05-08 | 广州柏视医疗科技有限公司 | 基于深度语义网络的ct影像中自动识别放疗危及器官的方法 |
CN111476777A (zh) * | 2020-04-07 | 2020-07-31 | 上海联影智能医疗科技有限公司 | 胸片图像处理方法、系统、可读存储介质和设备 |
US20220005185A1 (en) * | 2020-07-01 | 2022-01-06 | International Business Machines Corporation | Pneumothorax detection |
CN113658198A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 交互式肺气肿病灶分割方法、装置、存储介质及设备 |
Non-Patent Citations (3)
Title |
---|
AYAT ABEDALLA 等: "2ST-UNet: 2-Stage Training Model using U-Net for Pneumothorax Segmentation in Chest X-Rays", 《2020 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
刘思念 等: "基于DSP的图像线性变换系统设计", 《信息技术与信息化》 * |
占梦军 等: "利用Mimics软件进行气胸肺组织压缩程度计算的研究", 《刑事技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115908300A (zh) * | 2022-11-14 | 2023-04-04 | 北京医准智能科技有限公司 | 心脏瓣膜钙化分割的方法、装置、设备及存储介质 |
CN115908300B (zh) * | 2022-11-14 | 2023-09-29 | 北京医准智能科技有限公司 | 心脏瓣膜钙化分割的方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115100179B (zh) | 2023-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112785625B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN114565763B (zh) | 图像分割方法、装置、设备、介质及程序产品 | |
CN114842123B (zh) | 三维人脸重建模型训练和三维人脸形象生成方法及装置 | |
CN112652057B (zh) | 生成人体三维模型的方法、装置、设备以及存储介质 | |
CN115100179B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN109697748B (zh) | 模型压缩处理方法、模型贴图处理方法装置、存储介质 | |
CN112528858A (zh) | 人体姿态估计模型的训练方法、装置、设备、介质及产品 | |
CN114693604A (zh) | 脊椎医学影像处理方法、装置、设备及存储介质 | |
CN115222879A (zh) | 一种模型减面处理方法、装置、电子设备及存储介质 | |
CN115409856A (zh) | 一种肺部医学图像处理方法、装置、设备及存储介质 | |
CN113112398A (zh) | 图像处理方法和装置 | |
CN114723809A (zh) | 估计物体姿态的方法和装置、电子设备 | |
CN115147360B (zh) | 一种斑块分割方法、装置、电子设备及可读存储介质 | |
CN115294401B (zh) | 一种基于ct图像的分类方法、装置、设备及存储介质 | |
CN114187252B (zh) | 图像处理方法及装置、调整检测框的方法及装置 | |
CN112381825B (zh) | 用于病灶区图像几何特征提取的方法和相关产品 | |
CN115311244A (zh) | 一种病灶尺寸确定方法、装置、电子设备及存储介质 | |
CN108520259A (zh) | 一种前景目标的提取方法、装置、设备及存储介质 | |
CN114549303A (zh) | 图像显示、处理方法、装置、设备和存储介质 | |
CN114066980A (zh) | 对象检测方法、装置、电子设备及自动驾驶车辆 | |
JP4146958B2 (ja) | 画像処理方法、画像処理装置及び記憶媒体 | |
CN113947146A (zh) | 样本数据生成方法、模型训练方法、图像检测方法及装置 | |
CN115358976B (zh) | 一种图像识别方法、装置、设备及存储介质 | |
CN112989541B (zh) | 三维网格模型生成方法、装置、电子设备和可读存储介质 | |
CN113658277B (zh) | 立体匹配方法、模型训练方法、相关装置及电子设备 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000 Patentee after: Zhejiang Yizhun Intelligent Technology Co.,Ltd. Address before: No. 1202-1203, 12 / F, block a, Zhizhen building, No. 7, Zhichun Road, Haidian District, Beijing 100083 Patentee before: Beijing Yizhun Intelligent Technology Co.,Ltd. |