CN115272086B - 医学图像缝合方法和装置、电子设备和存储介质 - Google Patents

医学图像缝合方法和装置、电子设备和存储介质 Download PDF

Info

Publication number
CN115272086B
CN115272086B CN202211194988.0A CN202211194988A CN115272086B CN 115272086 B CN115272086 B CN 115272086B CN 202211194988 A CN202211194988 A CN 202211194988A CN 115272086 B CN115272086 B CN 115272086B
Authority
CN
China
Prior art keywords
layer
sampling
feature map
image
medical 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.)
Active
Application number
CN202211194988.0A
Other languages
English (en)
Other versions
CN115272086A (zh
Inventor
张俊杰
霍志敏
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.)
Hangzhou Taimei Xingcheng Pharmaceutical Technology Co ltd
Original Assignee
Hangzhou Taimei Xingcheng Pharmaceutical 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 Hangzhou Taimei Xingcheng Pharmaceutical Technology Co ltd filed Critical Hangzhou Taimei Xingcheng Pharmaceutical Technology Co ltd
Priority to CN202211194988.0A priority Critical patent/CN115272086B/zh
Publication of CN115272086A publication Critical patent/CN115272086A/zh
Application granted granted Critical
Publication of CN115272086B publication Critical patent/CN115272086B/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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10—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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种医学图像缝合方法和装置、电子设备和存储介质，用于解决现有技术中利用AI模块辅助质控的场景中，质控人员的质控效率不高的问题，其中该医学图像缝合方法包括：读取目标对象同一检查下的多个医学图像序列，并投影为二维图像；基于深度神经网络识别二维图像中的目标检测区域位置和对应的目标类型，其中，深度神经网络对二维图像依序执行N层下采样和N层上采样，在执行第k层上采样时，基于第k层下采样特征图中的特征排序信息，将第k层下采样特征图与第k层上采样特征图进行特征融合，以获得第k层增强采样特征图，k≤N；基于目标检测区域位置和对应的目标类型，对二维图像进行缝合。

Description

医学图像缝合方法和装置、电子设备和存储介质
技术领域
本申请属于计算机数据处理技术领域，具体涉及一种医学图像缝合方法、装置、电子设备和存储介质。
背景技术
在独立医学影像评估之前，通常需要对医学图像文件进行质控。目前，质控可以由人工完成，但需要花费较多的成本和时间；或者，可以使用AI模块辅助质控人员进行质控。在利用AI模块辅助质控的场景中，如何能够帮助质控人员提高质控效率是一个亟待解决问题。
公开于该背景技术部分的信息仅仅旨在增加对本申请的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本申请的目的在于提供一种医学图像缝合方法，其用于解决现有技术中利用AI模块辅助质控的场景中，质控人员的质控效率不高的问题。
为实现上述目的，本申请提供了一种医学图像缝合方法，所述方法包括：
读取目标对象同一检查下的多个医学图像序列，并投影为二维图像；
基于深度神经网络识别所述二维图像中的目标检测区域位置和对应的目标类型，其中，所述深度神经网络对所述二维图像依序执行N层下采样和N层上采样，在执行第k层上采样时，基于第k层下采样特征图中的特征排序信息，将第k层下采样特征图与第k层上采样特征图进行特征融合，以获得第k层增强采样特征图，k≤N；
基于所述目标检测区域位置和对应的目标类型，对所述二维图像进行缝合。
一实施例中，在执行第k层上采样时，基于第k层下采样特征图中的特征排序信息，将第k层下采样特征图与第k层上采样特征图进行特征融合，以获得第k层增强采样特征图，具体包括：
对所述第k层下采样特征图中各特征点的特征值按照大小排序，以获得所述特征排序信息和第k层校正下采样特征图；
基于所述特征排序信息，对所述第k层上采样特征图中各特征点的特征值进行排序，以获得第k层校正上采样特征图；
融合所述第k层校正下采样特征图和第k层校正上采样特征图，以获得第k层增强采样特征图。
一实施例中，所述方法还包括：
对所述第k层上采样特征图中各特征点的特征值进行归一化，并基于归一化的特征值和所述特征排序信息获得所述第k层校正上采样特征图；
融合所述第k层校正下采样特征图和第k层校正上采样特征图，以获得第k层增强采样特征图，具体包括：
将所述第k层校正下采样特征图和第k层校正上采样特征图中对应特征点的特征值进行乘积计算，以获得所述第k层增强采样特征图。
一实施例中，读取目标对象同一检查下的多个医学图像序列，并投影为二维图像，具体包括：
基于所述多个医学图像序列中各图像切片的实例号，对所述图像切片进行排序；
基于所述多个医学图像序列中图像切片的图像方位值，筛选出包含横断位图像的医学图像序列；
将所述筛选出的医学图像序列，投影为二维图像。
一实施例中，所述图像方位值包括第一空间向量和第二空间向量；
基于所述多个医学图像序列中图像切片的图像方位值，筛选出包含横断位图像的医学图像序列，具体包括：
对所述医学图像序列中第一张图像切片的第一空间向量和第二空间向量进行乘积计算，以获得第三空间向量；
基于所述第三空间向量中向量分量的大小，确定所述医学图像序列的状面信息，以筛选出包含横断位图像的医学图像序列。
一实施例中，将所述筛选出的医学图像序列，投影为二维图像，具体包括：
对所述筛选出的医学图像序列进行各向同性的重采样；
沿所述医学图像序列中图像切片的高度方向，对所述重采样后的医学图像序列进行标准差强度投影，获得二维冠状位图像。
一实施例中，基于所述目标检测区域位置和对应的目标类型，对所述二维图像进行缝合，具体包括：
基于所述目标检测区域位置，对所述二维图像进行裁剪；
对裁剪后的二维图像进行像素各向同性处理，以获得待缝合二维图像，其中，所述待缝合二维图像分别具有对应的目标类型；
基于所述待缝合二维图像对应的目标类型，对所述待缝合二维图像进行缝合。
一实施例中，基于所述待缝合二维图像对应的目标类型，对所述各向同性处理后的待缝合二维图像进行缝合，具体包括：
创建画布，其中，所述画布的宽度等于所述待缝合二维图像的宽度，所述画布的高度等于所述待缝合二维图像的高度之和；
基于所述待缝合二维图像对应的目标类型，确定所述待缝合二维图像在所述画布上对应的粘贴位置；
将所述待缝合二维图像粘贴于所述画布上对应的粘贴位置。
本申请还提供一种医学图像缝合装置，所述医学图像缝合装置包括：
投影模块，用于读取目标对象同一检查下的多个医学图像序列，并投影为二维图像；
检测模块，用于基于深度神经网络识别所述二维图像中的目标检测区域位置和对应的目标类型，其中，所述深度神经网络对所述二维图像依序执行N层下采样和N层上采样，在执行第k层上采样时，基于第k层下采样特征图中的特征排序信息，将第k层下采样特征图与第k层上采样特征图进行特征融合，以获得第k层增强采样特征图，k≤N；
缝合模块，用于基于所述目标检测区域位置和对应的目标类型，对所述二维图像进行缝合。
本申请还提供一种电子设备，包括：
至少一个处理器；以及
存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的医学图像缝合方法。
本申请还提供一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的医学图像缝合方法。
与现有技术相比，根据本申请的医学图像缝合方法，通过提取第k层下采样特征图中的特征排序信息，在融合第k层下采样特征图与第k层上采样特征图时，可以依据该特征排序信息，对上采样特征图进行特征排序校正，避免特征重要性混淆，保证后续图像缝合的精度和可靠性。
在另一个方面，通过对第k层上采样特征图中各特征点的特征值归一化，并在融合第k层下采样特征图与第k层上采样特征图时，采用对应特征点的特征值相乘的方式，可以强化同一类别部位特征信息的显著性，弱化非同一类别部位区域的特征信息，可以提高目标检测的精度。
在另一个方面，归一化的特征值中，如果某个特征点对应的特征值为0，则与下采样特征图中对应的特征值相乘的结果也为0，代表该特征点的特征信息重要性较低，这将有助于高重要性特征的筛选。同时，若矩阵点乘后特征值为0，也可以在模型训练阶段，降低深度神经网络训练中模型参数更新带来的高计算复杂度，加快模型收敛。
在另一个方面，将医学图像序列投影为二维图像，相对于直接处理三维图像数据，可以显著地减少深度神经网络的处理时间和占用的硬件资源；同时，基于深度神经网络检测的目标检测区域位置和对应的目标类型，可以将二维图像进行缝合，使得缝合图像可以更直观的形式进行展示，提升质控人员的质控效率。
附图说明
图1是医学影像质量控制流程示意图；
图2是本申请医学图像缝合方法应用的场景示意图；
图3是根据本申请一实施例医学图像缝合方法的流程图；
图4是根据本申请一实施例医学图像缝合方法中，不同状位的序列对应的状位示意图；
图5是根据本申请一实施例医学图像缝合方法中，深度神经网络中提取特征图的网络模型图；
图6是根据本申请一实施例医学图像缝合方法中，基于下采样特征图中的特征排序信息，将下采样特征图与上采样特征图进行特征融合的流程示意图；
图7是根据本申请又一实施例医学图像缝合方法中，基于下采样特征图中的特征排序信息，将下采样特征图与上采样特征图进行特征融合的流程示意图；
图8是根据本申请一实施例医学图像缝合方法中，将二维图像进行缝合的流程示意图；
图9根据本申请一实施例医学图像缝合装置的模块图；
图10是根据本申请一实施例电子设备的硬件结构图。
具体实施方式
以下将结合附图所示的各实施方式对本申请进行详细描述。但该等实施方式并不限制本申请，本领域的普通技术人员根据该等实施方式所做出的结构、方法、或功能上的变换均包含在本申请的保护范围内。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
随着全球医药市场竞争的日益激烈，药企对于研发、生产、销售成本控制和效率提升的强烈需求推动了医药外包行业的产生和发展。医药外包行业中的临床机构管理组织（Site Management Organization，SMO）是为药企研发临床试验提供专业服务的组织。SMO的主要专业人员临床研究协调员（Clinical Research Coordinator，CRC）会被分配到临床试验现场，在主要研究者（Principal Investigator，PI）的指导下支持日常非临床工作。在SMO提供的服务中，医学影像质量控制（Quality Control，QC）是其中的一项重要内容。
在新药的研发流程中，需要受试者的临床数据作为评估药效的依据，并且通过临床实验的药物才能后续上市。以肿瘤新药的研发为例，独立影像评估（IRC）被美国食品药品监督管理局FDA和欧洲药品管理局EMA指定为新化疗药物疗效评估的推荐试验方法。
参图1，一个示意的医学影像质量控制流程中，现场管理组织的医学影像专员会对采集的医学影像进行质量控制，符合项目要求且不存在质量问题的，继续提交给IRC进行阅片，反之，则撰写质控意见提醒CRC重新采集数据或采用其它合适的方式处理该问题。
实施医学影像质量控制主要原因在于不符合项目要求及质量不达标准的影像制约IRC阅片诊断，可能导致对病情的错误理解，从而无法有效地反馈试验药物的真实效果。但医学影像质量控制的内容繁杂，部位完整性校验（主要是判断CRC提交的医学影像所检查的部位是否完整，是否存在部位缺失的情况）又是其中的一块重要内容。
示范性地，阅片人可以打开图像序列统一扫描序列下图像（最多时超过800张），阅片人需要浏览这些图像然后根据经验和一些数字信息以及图像的协议产生的标签信息对图像所检查的部位进行判断。
由此，一个期望的医学影像质量控制场景中，可以将图像序列以二维图像的形式进行展示，并根据这些二维图像的缝合结果，判断所检查的部位是否完整。
参图2，在本申请应用的一个典型系统架构中，可以包括服务器和终端。用户可以使用终端与服务器交互，以接收或者发送消息等。本申请公开的医学图像缝合方法可以由服务器执行，相应地，本申请公开的医学图像缝合装置可以设置于服务器中。
用户可以通过终端指示服务器接收医学图像序列，并基于医学图像序列处理出缝合后二维图像。一个期望的服务器处理结果为，目标对象同一检查下的多个医学图像序列被处理为二维图像，这些二维图像按照人体的组织学排布顺序进行缝合，并在终端上进行展示。
当然，在一些系统架构中，本申请公开的医学图像缝合方法也可以由能够与终端设备通信的服务器集群执行，相应地，本申请公开的医学图像缝合装置可以设置于服务器集群中。
在终端可提供相匹配算力的系统架构中，本申请公开的医学图像缝合方法也可以直接由终端执行，相应地，本申请公开的医学图像缝合装置可以设置于终端中。
参图3，介绍本申请医学图像缝合方法的一实施例。在本实施例中，该方法包括：
S11、读取目标对象同一检查下的多个医学图像序列，并投影为二维图像。
按照图像收集方案，目标对象可以是通过例如CT（Computed Tomography，电子计算机断层扫描）、MRI（Magnetic Resonance Imaging，磁共振成像）等多种技术手段进行检查，并生成相应的医学图像序列。
本实施例中，医学图像序列可以是被保存为DICOM图像（即DICOM文件）。DICOM文件的保存方式为，一幅CT扫描序列中的医学影像（image）对应保存为一个DICOM文件，如果采集一个图像序列（image series），比如一个脑部的图像序列，或者一个全身的图像序列，则会被保存为相应数量的DICOM文件。这里一个DICOM文件指保存为了一个独立文件（例如后缀为*.dcm的文件）。其中，每个DICOM文件的影像数据对应医学图像序列内一个影像切片（slice）的影像，多个图像序列可以对应至一个受试者的同一检查（study）。
以医学图像序列为CT图像序列为例，可以采用PyDicom、Dcm4che、DCMTK等软件包读取医学图像序列，可以理解的，不同的编程语言都可以对应一种或者多种解析DICOM格式医学图像序列的软件包。
配合参表1，DICOM文件的头数据中包括多个数据元素（data element），每个数据元素包含四个项目：标签（Tag）、数值表示（VR，Value Representation）、数值长度（VL，Value Length）、数值（VF，Value Field）。例如，标签“Modality”代表了模态，其数值表示为“CS”，数值长度为“2”，数值可以是CT、MR等。
表1
Figure 767805DEST_PATH_IMAGE001
配合参图4，标签“Instance Number”代表医学图像序列中图像切片的实例号，标签“Image Orientation （Patient）”代表了医学图像序列中图像切片的图像方位值。对于医学图像序列而言，其中可能是包括的横断位图像切片、冠状位图像切片或者矢状位图像切片。本实施例中，期望基于医学图像序列中的横断位图像切片投影出二维图像，对于贯状位或矢状位的医学图像序列而言，其一般为定位像，可以对其进行相应状面信息的标记。
本实施例中，可以基于多个医学图像序列中图像切片的图像方位值，筛选出包含横断位图像切片的医学图像序列，并将筛选出的医学图像序列，投影为二维图像。
对于医学图像序列而言，其一次扫描时可能是包括单身体部位或者多个身体部位。例如，二维图像可以包括头、颈、胸、腹、盆、头颈、头颈胸、头颈胸腹、头颈胸腹盆、颈胸、颈胸腹、颈胸腹盆、胸腹、胸腹盆、腹盆中的至少一个。头、颈、胸、腹、盆可以理解为单身体部位，头颈、头颈胸、头颈胸腹、头颈胸腹盆、颈胸、颈胸腹、颈胸腹盆、胸腹、胸腹盆、腹盆可以理解为多个身体部位的复合身体部位。
图像方位值包括第一空间向量和第二空间向量。在基于图像方位值筛选包含横断位图像的医学图像序列时，可以基于多个医学图像序列中各图像切片的实例号，对图像切片进行排序；再对医学图像序列中第一张图像切片的第一空间向量和第二空间向量进行乘积计算，以获得第三空间向量；最后基于第三空间向量中向量分量的大小，确定医学图像序列的状面信息，以筛选出包含横断位图像的医学图像序列。
图像方位值通常对应6个数值
Figure 681535DEST_PATH_IMAGE002
，其中前三个对应组成这里的第一空间向量
Figure 487817DEST_PATH_IMAGE003
，后三个对应组成这里的第二空间向量
Figure 803392DEST_PATH_IMAGE004
，第一空间向量a和第二空间向量b乘积后得到第三空间向量
Figure 545083DEST_PATH_IMAGE005
。此时，若向量分量v7的绝对值最大代表图像切片为矢状位，向量分量v8的绝对值最大代表图像切片为冠状位，向量分量v9的绝对值最大代表图像切片为横断位。
图像方位值可以看作一个六元数组，用来表示在世界坐标系（world coordinatesystem）下，当前图像平面的i、j轴（患者坐标系，patient coordinate system）方向单位长度的终点坐标；也即，是当前图像平面i、j轴与世界坐标系x、y、z轴的夹角余弦。通常地，这里的图像平面在i、j轴上以左上角为（0, 0）原点，向右为i轴正向，向下为j轴正向。
继续配合参表1，一个图像切片的图像方位值为0.995038/-0.06089/0.078694/0.05828/0.997685/0.035051。则第一空间向量a为（0.995038，-0.06089，0.078694），第二空间向量b为（0.05828，0.997685，0.035051），第一空间向量a和第二空间向量b乘积后的第三空间向量c为（-0.080646，-0.03029，0.996283）。可以看出，该图像切片为横断位，可以为该图像切片对应的医学图像序列标记横断位状面信息。
一个替换的实施例中，还可以先对第一空间向量a和第二空间向量b中的向量分量进行四舍五入的运算，得到第一空间向量
Figure 805163DEST_PATH_IMAGE006
，第二空间向量
Figure 290502DEST_PATH_IMAGE007
，第一空间向量a和第二空间向量b乘积后得到第三空间向量
Figure 991742DEST_PATH_IMAGE008
。此时，若向量分量v7的绝对值等于1代表图像切片为矢状位，向量分量v8的绝对值等于1代表图像切片为冠状位，向量分量v9的绝对值等于1代表图像切片为横断位。
还是以表1中图像切片的图像方位值为例，第一空间向量a为（1，0，0），第二空间向量b为（0，1，0），第一空间向量a和第二空间向量b乘积后的第三空间向量c为（0，0，1），同样可以看出该图像切片对应的医学图像序列为横断位。并且，由于对第一空间向量a和第二空间向量b的向量分量进行了四舍五入的运算，可以降低系统整体的计算量。
本实施例中，在筛选出横断位的医学图像序列后，对其进行各向同性的重采样，并沿医学图像序列中图像切片的高度方向，对重采样后的医学图像序列进行标准强度投影（Standard Deviation Intensity Projection，StdIP），获得二维冠状位图像。
标准强度投影是将图像序列沿视线方向上的采样的体素值的标准差值作为绘制图像相应位置处的像素值。类似地，在不同的场景应用中，还可以例如采用最大强度投影（Maximal Intensity Projection，MaxIP）算法、最小强度投影（Minimal IntensityProjection，MinIP）算法、均值投影（Average Intensity Projection，AvgIP）算法、中值投影（Median Intensity Projection，MedIP）算法计算二维冠状位图像。
对于医学图像序列而言，其中各影像切片在扫描方向（也即身高方向）和切片内部的分辨率通常并不一致，直接投影会带来投影影像比例失真问题，也会对后续神经网络理解影像信息的准确率产生影响。
例如，影像切片在身高方向上每个像素是10mm，但是在切片内部的左右以及前后方向上每个像素是1mm。如此，在三维图像中，人体在高度方向上相当于被压缩，投影成二维图像之后也呈压缩状。因此，需要对各扫描组织区域影像进行各向同分辨率的重采样，以使得各扫描组织区域影像在各向上均具有相同的分辨率。
示范性地，一个影像切片原始的三个方向（身高方向、左右方向、前后方向）的分辨率如果是[5mm, 0.5mm, 0.5mm]，重采样之后的分辨率就可以设置为[1mm, 1mm, 1mm]。此时的重采样在身高方向相当于上采样（需要更密的影像切片），而在左右或者前后方向是降采样（过密的影像切片被平均）。
一实施例中，获得的二维冠状位图像可以是被保存为JPEG、PNG、TIFF等常用的图像格式。
S12、基于深度神经网络识别所述二维图像中的目标检测区域位置和对应的目标类型。
这里的深度神经网络可以是YOLO-V3网络，还可以是其它用于目标检测的卷积神经网络，例如，可以是基于区域的卷积神经网络（Regions with Convolutional NeuralNetwork，R-CNN）、快速基于区域的卷积神经网络（Fast R-CNN）、空间金字塔池网络（Spatial PyramidPooling Net，SPP-Net）、YOLO-V1、YOLO-V2等。
整体而言，YOLO是一种端到端的网络模型，从网络设计上，改革了区域建议框式检测框架，RCNN系列均需要生成建议框，在建议框上进行分类与回归，但建议框之间有重叠，这会带来很多重复工作。YOLO将全图划分为S*S的格子，每个格子负责中心在该格子的目标检测，采用一次性预测所有格子所含目标的bbox、定位置信度以及所有类别概率向量来将问题一次性解决（one-shot）。也就是说，YOLO训练和检测均是在一个单独网络中进行。并且，YOLO将物体检测作为一个回归问题进行求解，输入图像经过一次推理（inference），便能得到图像中所有物体的位置和其所属类别及相应的置信概率。相对地，RCNN系列需要将检测结果分为两部分求解：物体类别（分类问题），物体位置即回归问题（bounding box）。
深度神经网络进行目标检测时，会从图像中提取特征以形成特征图，并基于特征图完成检测任务。参图5，在深度神经网络可以包含的一个提取特征图的模型架构中，包括左半部分的“自底向上通路（bottom-up pathway）”、右半部分为“自顶向下通路（top-downpathway）”以及连接左、右通路的同层级（stage）“横向连接（lateral connections）”。在该模型架构中，“自顶向下通路”中的特征图会逐级进行上采样（Up sampling）操作，“自底向上通路”中的特征图会逐级进行下采样操作（Down sampling），两者同层级的特征图则进行特征融合计算。
上述模型架构的挑战之一在于：对图像依序执行多层下采样和对应的多层上采样时，对应层级的特征图中特征值可能并未一一对应，造成特征重要性混淆，例如，高重要性特征被低重要性拉低显著性，从而造成后续的目标检测的精度降低。
本实施例中，以深度神经网络对输入的二维图像依序执行N层下采样和N层上采样为例。其中，在执行第k层上采样时，基于第k层下采样特征图中的特征排序信息，将第k层下采样特征图与第k层上采样特征图进行特征融合，以获得第k层增强采样特征图，k≤N。
通过提取第k层下采样特征图中的特征排序信息，在融合第k层下采样特征图与第k层上采样特征图时，可以依据该特征排序信息，对上采样特征图进行特征排序校正。也即，在每层上采样时，可以都对对应层下采样特征图的特征排序信息进行融合，避免特征重要性混淆。
具体地，可以对第k层下采样特征图中各特征点的特征值按照大小排序，以获得特征排序信息和第k层校正下采样特征图。基于该特征排序信息，可以对第k层上采样特征图中各特征点的特征值进行排序，以获得第k层校正上采样特征图。最后，融合第k层校正下采样特征图和第k层校正上采样特征图，获得第k层增强采样特征图。
参图6，记第k层下采样特征图为F_DOWNi，其特征值FV_DOWNx,y(x,y为特征点位置坐标，且x,y∈[1,M])；将特征值FV_DOWNx,y按从大到小的方式进行排序，序号为j（j∈[1,M*M]）；再将排序后的特征值按照序号j重填充，即可获得第k层校正下采样特征图F_DOWN_NEWi。
类似地，记第k层下采样特征图为F_UPi，其特征值FV_UPx,y(x,y为特征点位置坐标，且x,y∈[1,M])；依照特征值FV_DOWNx,y的大小顺序，将对应上采样特征点的特征值FV_UPx,y进行排序，序号同样为j（j∈[1,M*M]）；再将排序后的特征值按照序号j重填充，即可获得第k层校正上采样特征图F_UP_NEWi。
一实施例中，融合第k层校正下采样特征图和第k层校正上采样特征图时，可以是对两个特征图中各特征点的特征值矩阵逐元素相加。
还是配合参图6，第k层校正下采样特征图F_DOWN_NEWi和第k层校正上采样特征图F_UP_NEWi分别包括M*M个矩阵元素，其中，左上角第一个矩阵元素记为序号1，第一行最后一个矩阵元素记为序号M，依此类推，第二行第一个矩阵元素记为序号M+1，直至第M行最后一个矩阵元素记为序号M*M，可以看出，第k层校正下采样特征图F_DOWN_NEWi和第k层校正上采样特征图F_UP_NEWi中的矩阵元素可以按照序号被一一对应。在这样的情况下，上述对两个特征图中各特征点的特征值矩阵逐元素相加可理解为：将第k层校正下采样特征图F_DOWN_NEWi和第k层校正上采样特征图F_UP_NEWi的所有矩阵元素，按照其在矩阵中的对应位置进行逐元素相加。
参图7，更进一步地，本实施例中，还可以对第k层上采样特征图中各特征点的特征值进行归一化，并基于归一化的特征值和特征值排序信息获得第k层校正上采样特征图。同时，可以将第k层校正下采样特征图和第k层校正上采样特征图中对应特征点的特征值进行相乘，以获得第k层增强采样特征图（即矩阵逐元素相乘）。
类似地，本实施例中的矩阵逐元素相乘，也可以是将第k层校正下采样特征图F_DOWN_NEWi和第k层校正上采样特征图F_UP_NEWi的所有矩阵元素，按照其在矩阵中的对应位置进行逐元素相乘，这里不再赘述。
特征点的特征值归一化可以是将特征点的特征值转换为“0~1”之间小数，且图像中各特征点的特征值之和为1。由于对第k层校正下采样特征图和第k层校正上采样特征图进行特征融合时，是将对应的特征点的点值进行相乘，会强化同一类别部位特征信息的显著性，弱化非同一类别部位区域的特征信息，可以提高目标检测的精度。同时，归一化的特征值中，如果某个特征点对应的特征值为0，则与下采样特征图中对应的特征值相乘的结果也为0，这将有助于高重要性特征的筛选。
S13、基于所述目标检测区域位置和对应的目标类型，对所述二维图像进行缝合。
深度神经网络识别的目标检测区域位置可以是二维图像上与各个目标类型对应的检测框坐标。以深度神经网络检测输出为头、颈、胸、腹、盆五个目标类型为例，则可以对应输出有头检测框、颈检测框、胸检测框、腹检测框、盆检测框的坐标。
本实施例中，在对二维图像进行缝合的过程中，可以首先基于目标检测区域位置，对二维图像进行裁剪；再对裁剪后的二维图像进行像素各向同性处理，以获得待缝合二维图像；最后基于待缝合二维图像对应的目标类型，对待缝合二维图像进行缝合。这里，对裁剪后二维图像进行像素各向同性处理可以使得其在各向上均具有相同的宽度，便于在后的缝合处理。
可以看出，待缝合二维图像分别具有对应的目标类型，例如头、颈、胸、腹、盆。在缝合时，依照人体组织学规则，可以依序连接头、颈、胸、腹、盆五个部分的待缝合二维图像，即可获得完整的人体二维冠状位投影。
在具体的缝合过程中，可以首先创建画布，并基于待缝合二维图像对应的目标类型，确定待缝合二维图像在画布上对应的粘贴位置，再将待缝合二维图像粘贴于画布上对应的粘贴位置。
参图8画布的宽度等于所述待缝合二维图像的宽度，画布的高度等于所述待缝合二维图像的高度之和。以画布的左上顶点为原点（0,0）构建坐标系，对应头、颈、胸、腹、盆五个部分的待缝合二维图像在画布上的起始粘贴点（图像左上角的点）的坐标分别为（0,0）、（0,H（R_C1））、（0,H（R_C1）+H（R_C2））、（0,H（R_C1）+H（R_C2）+H（R_C3））、（0,H（R_C1）+H（R_C2）+H（R_C3）+H（R_C4）），其中，H（R_C1）、H（R_C2）、H（R_C3）、H（R_C4）分别为头、颈、胸、腹四个部分的待缝合图像的高度。
可以看出，基于缝合后的二维图像，质控人员可以更为直观的方式对医学图像序列进行质控。例如，在二维图像中某一部位缺失时，质控人员可以快速地发现并定位此时具体缺失的部位，从而对医学图像序列中的部位完整性作出判断。
参图9，介绍本申请医学图像缝合装置的一实施例。在本实施例中，该医学图像序列的处理装置包括投影模块21、检测模块22、以及缝合模块23。
投影模块21用于读取目标对象同一检查下的多个医学图像序列，并投影为二维图像；检测模块22用于基于深度神经网络识别二维图像中的目标检测区域位置和对应的目标类型，其中，深度神经网络对二维图像依序执行N层下采样和N层上采样，在执行第k层上采样时，基于第k层下采样特征图中的特征排序信息，将第k层下采样特征图与第k层上采样特征图进行特征融合，以获得第k层增强采样特征图，k≤N；缝合模块23用于基于目标检测区域位置和对应的目标类型，对二维图像进行缝合。
一实施例中，检测模块22具体用于对第k层下采样特征图中各特征点的特征值按照大小排序，以获得特征排序信息和第k层校正下采样特征图；基于特征排序信息，对第k层上采样特征图中各特征点的特征值进行排序，以获得第k层校正上采样特征图；融合第k层校正下采样特征图和第k层校正上采样特征图，以获得第k层增强采样特征图。
一实施例中，检测模块22具体用于对第k层上采样特征图中各特征点的特征值进行归一化，并基于归一化的特征值和特征排序信息获得第k层校正上采样特征图。
一实施例中，检测模块22具体用于将第k层校正下采样特征图和第k层校正上采样特征图中对应特征点的特征值进行乘积计算，以获得第k层增强采样特征图。
一实施例中，投影模块21具体用于基于多个医学图像序列中各图像切片的实例号，对图像切片进行排序；基于多个医学图像序列中图像切片的图像方位值，筛选出包含横断位图像的医学图像序列；将筛选出的医学图像序列，投影为二维图像。
一实施例中，图像方位值包括第一空间向量和第二空间向量；投影模块21具体用于对医学图像序列中第一张图像切片的第一空间向量和第二空间向量进行乘积计算，以获得第三空间向量；基于第三空间向量中向量分量的大小，确定医学图像序列的状面信息，以筛选出包含横断位图像的医学图像序列。
一实施例中，投影模块21具体用于对筛选出的医学图像序列进行各向同性的重采样；沿医学图像序列中图像切片的高度方向，对重采样后的医学图像序列进行标准差强度投影，获得二维冠状位图像。
一实施例中，缝合模块23具体用于基于目标检测区域位置，对二维图像进行裁剪；对裁剪后的二维图像进行像素各向同性处理，以获得待缝合二维图像，其中，待缝合二维图像分别具有对应的目标类型；基于待缝合二维图像对应的目标类型，对待缝合二维图像进行缝合。
一实施例中，缝合模块23具体用于创建画布，其中，画布的宽度等于待缝合二维图像的宽度，画布的高度等于待缝合二维图像的高度之和；基于待缝合二维图像对应的目标类型，确定待缝合二维图像在画布上对应的粘贴位置；将待缝合二维图像粘贴于画布上对应的粘贴位置。
如上参照图1至图8，对根据本说明书实施例医学图像缝合方法进行了描述。在以上对方法实施例的描述中所提及的细节，同样适用于本说明书实施例的医学图像缝合装置。上面的医学图像缝合装置可以采用硬件实现，也可以采用软件或者硬件和软件的组合来实现。
图10示出了根据本说明书的实施例的电子设备的硬件结构图。如图10所示，电子设备30可以包括至少一个处理器31、存储器32(例如非易失性存储器)、内存33和通信接口34，并且至少一个处理器31、存储器32、内存33和通信接口34经由内部总线35连接在一起。至少一个处理器31执行在存储器32中存储或编码的至少一个计算机可读指令。
应该理解，在存储器32中存储的计算机可执行指令当执行时使得至少一个处理器31进行本说明书的各个实施例中以上结合图1至图8描述的各种操作和功能。
在本说明书的实施例中，电子设备30可以包括但不限于：个人计算机、服务器计算机、工作站、桌面型计算机、膝上型计算机、笔记本计算机、移动电子设备、智能电话、平板计算机、蜂窝电话、个人数字助理(PDA)、手持装置、消息收发设备、可佩戴电子设备、消费电子设备等等。
根据一个实施例，提供了一种比如机器可读介质的程序产品。机器可读介质可以具有指令(即，上述以软件形式实现的元素)，该指令当被机器执行时，使得机器执行本说明书的各个实施例中以上结合图1-图8描述的各种操作和功能。具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。
在这种情况下，从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的可读存储介质构成了本说明书的一部分。
可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上或云上下载程序代码。
本领域技术人员应当理解，上面公开的各个实施例可以在不偏离发明实质的情况下做出各种变形和修改。因此，本说明书的保护范围应当由所附的权利要求书来限定。
需要说明的是，上述各流程和各系统结构图中不是所有的步骤和单元都是必须的，可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的，可以根据需要进行确定。上述各实施例中描述的装置结构可以是物理结构，也可以是逻辑结构，即，有些单元可能由同一物理客户实现，或者，有些单元可能分由多个物理客户实现，或者，可以由多个独立设备中的某些部件共同实现。
以上各实施例中，硬件单元或模块可以通过机械方式或电气方式实现。例如，一个硬件单元、模块或处理器可以包括永久性专用的电路或逻辑(如专门的处理器，FPGA或ASIC)来完成相应操作。硬件单元或处理器还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
上面结合附图阐述的具体实施方式描述了示例性实施例，但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”，并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的，具体实施方式包括具体细节。然而，可以在没有这些具体细节的情况下实施这些技术。在一些实例中，为了避免对所描述的实施例的概念造成难以理解，公知的结构和装置以框图形式示出。
本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说，对本公开内容进行的各种修改是显而易见的，并且，也可以在不脱离本公开内容的保护范围的情况下，将本文所对应的一般性原理应用于其它变型。因此，本公开内容并不限于本文所描述的示例和设计，而是与符合本文公开的原理和新颖性特征的最广范围相一致。

Claims (10)

1.一种医学图像缝合方法，其特征在于，所述方法包括：
读取目标对象同一检查下的多个医学图像序列，并投影为二维图像；
基于深度神经网络识别所述二维图像中的目标检测区域位置和对应的目标类型，其中，所述深度神经网络对所述二维图像依序执行N层下采样和N层上采样，在执行第k层上采样时，基于第k层下采样特征图中的特征排序信息，将第k层下采样特征图与第k层上采样特征图进行特征融合，以获得第k层增强采样特征图，k≤N；
基于所述目标检测区域位置和对应的目标类型，对所述二维图像进行缝合；其中，
在执行第k层上采样时，基于第k层下采样特征图中的特征排序信息，将第k层下采样特征图与第k层上采样特征图进行特征融合，以获得第k层增强采样特征图，具体包括：
对所述第k层下采样特征图中各特征点的特征值按照大小排序，以获得所述特征排序信息和第k层校正下采样特征图；
基于所述特征排序信息，对所述第k层上采样特征图中各特征点的特征值进行排序，以获得第k层校正上采样特征图；
融合所述第k层校正下采样特征图和第k层校正上采样特征图，以获得第k层增强采样特征图。
2.根据权利要求1所述的医学图像缝合方法，其特征在于，所述方法还包括：
对所述第k层上采样特征图中各特征点的特征值进行归一化，并基于归一化的特征值和所述特征排序信息获得所述第k层校正上采样特征图；
融合所述第k层校正下采样特征图和第k层校正上采样特征图，以获得第k层增强采样特征图，具体包括：
将所述第k层校正下采样特征图和第k层校正上采样特征图中对应特征点的特征值进行乘积计算，以获得所述第k层增强采样特征图。
3.根据权利要求1所述的医学图像缝合方法，其特征在于，读取目标对象同一检查下的多个医学图像序列，并投影为二维图像，具体包括：
基于所述多个医学图像序列中各图像切片的实例号，对所述图像切片进行排序；
基于所述多个医学图像序列中图像切片的图像方位值，筛选出包含横断位图像的医学图像序列；
将所述筛选出的医学图像序列，投影为二维图像。
4.根据权利要求3所述的医学图像缝合方法，其特征在于，所述图像方位值包括第一空间向量和第二空间向量；
基于所述多个医学图像序列中图像切片的图像方位值，筛选出包含横断位图像的医学图像序列，具体包括：
对所述医学图像序列中第一张图像切片的第一空间向量和第二空间向量进行乘积计算，以获得第三空间向量；
基于所述第三空间向量中向量分量的大小，确定所述医学图像序列的状面信息，以筛选出包含横断位图像的医学图像序列。
5.根据权利要求3所述的医学图像缝合方法，其特征在于，将所述筛选出的医学图像序列，投影为二维图像，具体包括：
对所述筛选出的医学图像序列进行各向同性的重采样；
沿所述医学图像序列中图像切片的高度方向，对所述重采样后的医学图像序列进行标准差强度投影，获得二维冠状位图像。
6.根据权利要求1所述的医学图像缝合方法，其特征在于，基于所述目标检测区域位置和对应的目标类型，对所述二维图像进行缝合，具体包括：
基于所述目标检测区域位置，对所述二维图像进行裁剪；
对裁剪后的二维图像进行像素各向同性处理，以获得待缝合二维图像，其中，所述待缝合二维图像分别具有对应的目标类型；
基于所述待缝合二维图像对应的目标类型，对所述待缝合二维图像进行缝合。
7.根据权利要求6所述的医学图像缝合方法，其特征在于，基于所述待缝合二维图像对应的目标类型，对所述各向同性处理后的待缝合二维图像进行缝合，具体包括：
创建画布，其中，所述画布的宽度等于所述待缝合二维图像的宽度，所述画布的高度等于所述待缝合二维图像的高度之和；
基于所述待缝合二维图像对应的目标类型，确定所述待缝合二维图像在所述画布上对应的粘贴位置；
将所述待缝合二维图像粘贴于所述画布上对应的粘贴位置。
8.一种医学图像缝合装置，其特征在于，所述医学图像缝合装置包括：
投影模块，用于读取目标对象同一检查下的多个医学图像序列，并投影为二维图像；
检测模块，用于基于深度神经网络识别所述二维图像中的目标检测区域位置和对应的目标类型，其中，所述深度神经网络对所述二维图像依序执行N层下采样和N层上采样，在执行第k层上采样时，基于第k层下采样特征图中的特征排序信息，将第k层下采样特征图与第k层上采样特征图进行特征融合，以获得第k层增强采样特征图，k≤N；
缝合模块，用于基于所述目标检测区域位置和对应的目标类型，对所述二维图像进行缝合；其中，
所述检测模块具体用于对第k层下采样特征图中各特征点的特征值按照大小排序，以获得特征排序信息和第k层校正下采样特征图；基于特征排序信息，对第k层上采样特征图中各特征点的特征值进行排序，以获得第k层校正上采样特征图；融合第k层校正下采样特征图和第k层校正上采样特征图，以获得第k层增强采样特征图。
9.一种电子设备，包括：
至少一个处理器；以及
存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如权利要求1至7任一项所述的医学图像缝合方法。
10.一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如权利要求1至7任一项所述的医学图像缝合方法。
CN202211194988.0A 2022-09-29 2022-09-29 医学图像缝合方法和装置、电子设备和存储介质 Active CN115272086B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211194988.0A CN115272086B (zh) 2022-09-29 2022-09-29 医学图像缝合方法和装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211194988.0A CN115272086B (zh) 2022-09-29 2022-09-29 医学图像缝合方法和装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN115272086A CN115272086A (zh) 2022-11-01
CN115272086B true CN115272086B (zh) 2022-12-27

Family

ID=83757615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211194988.0A Active CN115272086B (zh) 2022-09-29 2022-09-29 医学图像缝合方法和装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN115272086B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115631196B (zh) * 2022-12-20 2023-03-10 杭州太美星程医药科技有限公司 图像分割方法、模型的训练方法、装置、设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166107A (zh) * 2018-04-28 2019-01-08 北京市商汤科技开发有限公司 一种医学图像分割方法及装置、电子设备和存储介质
CN113947681A (zh) * 2021-10-18 2022-01-18 柏意慧心(杭州)网络科技有限公司 用于分割医学影像的方法、设备和介质
CN114663715A (zh) * 2022-05-26 2022-06-24 浙江太美医疗科技股份有限公司 医学图像质控、分类模型训练方法、装置及计算机设备
WO2022134464A1 (zh) * 2020-12-25 2022-06-30 平安科技（深圳）有限公司 目标检测定位置信度确定方法、装置、电子设备及存储介质
CN114943670A (zh) * 2021-02-09 2022-08-26 杭州三坛医疗科技有限公司 医学图像的识别方法、装置、电子设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110111313B (zh) * 2019-04-22 2022-12-30 腾讯科技（深圳）有限公司 基于深度学习的医学图像检测方法及相关设备
US10997466B2 (en) * 2019-06-21 2021-05-04 Straxciro Pty. Ltd. Method and system for image segmentation and identification
WO2021137756A1 (en) * 2019-12-30 2021-07-08 Medo Dx Pte. Ltd Apparatus and method for image segmentation using a deep convolutional neural network with a nested u-structure

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166107A (zh) * 2018-04-28 2019-01-08 北京市商汤科技开发有限公司 一种医学图像分割方法及装置、电子设备和存储介质
WO2022134464A1 (zh) * 2020-12-25 2022-06-30 平安科技（深圳）有限公司 目标检测定位置信度确定方法、装置、电子设备及存储介质
CN114943670A (zh) * 2021-02-09 2022-08-26 杭州三坛医疗科技有限公司 医学图像的识别方法、装置、电子设备及存储介质
CN113947681A (zh) * 2021-10-18 2022-01-18 柏意慧心(杭州)网络科技有限公司 用于分割医学影像的方法、设备和介质
CN114663715A (zh) * 2022-05-26 2022-06-24 浙江太美医疗科技股份有限公司 医学图像质控、分类模型训练方法、装置及计算机设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《Deep Learning-Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation》;Ilkay Oksuz;《IEEE》;20200713;全文 *
基于深度学习与医学先验知识的超声心动图切片识别;唐涔轩等;《计算机应用》;20170615;全文 *
基于深度学习图像处理的肺部造影检测研究;李维嘉等;《自动化与仪器仪表》;20191225(第12期);全文 *

Also Published As

Publication number Publication date
CN115272086A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
Mahapatra et al. Image super-resolution using progressive generative adversarial networks for medical image analysis
US10346986B2 (en) System and methods for image segmentation using convolutional neural network
US10210613B2 (en) Multiple landmark detection in medical images based on hierarchical feature learning and end-to-end training
US20210174543A1 (en) Automated determination of a canonical pose of a 3d objects and superimposition of 3d objects using deep learning
US10580159B2 (en) Coarse orientation detection in image data
US8958614B2 (en) Image-based detection using hierarchical learning
US9020235B2 (en) Systems and methods for viewing and analyzing anatomical structures
US8135189B2 (en) System and method for organ segmentation using surface patch classification in 2D and 3D images
US20210383534A1 (en) System and methods for image segmentation and classification using reduced depth convolutional neural networks
EP3893198A1 (en) Method and system for computer aided detection of abnormalities in image data
US20110188706A1 (en) Redundant Spatial Ensemble For Computer-Aided Detection and Image Understanding
US9691157B2 (en) Visualization of anatomical labels
CN104281856B (zh) 用于脑部医学图像分类的图像预处理方法和系统
JP7101809B2 (ja) 画像処理装置、画像処理方法、及びプログラム
CN115272086B (zh) 医学图像缝合方法和装置、电子设备和存储介质
CN107993236A (zh) 一种多模态图像处理的方法和平台
Tavse et al. A systematic literature review on applications of GAN-synthesized images for brain MRI
CN110533120A (zh) 器官结节的图像分类方法、装置、终端及存储介质
EP4073749A1 (en) Medical image segmentation and atlas image selection
US10102347B2 (en) Patient specific anatiomical sketches for medical reports
EP1889224B1 (en) Automated organ linking for organ model placement
CN115861175A (zh) 医疗影像质量监控方法、装置、电子设备和存储介质
CN114140408A (zh) 一种图像处理方法、装置、设备及存储介质
CN115631196B (zh) 图像分割方法、模型的训练方法、装置、设备和存储介质
CN116596938A (zh) 图像分割方法、装置、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