CN115272206A - 医学图像处理方法、装置、计算机设备及存储介质 - Google Patents
医学图像处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115272206A CN115272206A CN202210845069.9A CN202210845069A CN115272206A CN 115272206 A CN115272206 A CN 115272206A CN 202210845069 A CN202210845069 A CN 202210845069A CN 115272206 A CN115272206 A CN 115272206A
- Authority
- CN
- China
- Prior art keywords
- voxel
- dimensional
- mask
- target
- positive
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
Abstract
本发明实施例公开了一种医学图像处理方法、装置、计算机设备及存储介质,其中方法包括:获取目标头部三维图像,并根据预设的分割模型,对所述目标头部三维图像进行每个体素的属于目标病灶的概率预测,得到初始病灶三维掩膜;根据预设的第一概率阈值和所述初始病灶三维掩膜生成二值化三维掩膜;根据所述二值化三维掩膜,从所述目标头部三维图像中提取阳性三维图像块;将每个所述阳性三维图像块输入预设的分类模型进行图像块的包含所述目标病灶的概率预测,得到单图像块阳性概率;根据各个所述单图像块阳性概率,对所述二值化三维掩膜进行假阳性抑制处理,得到目标三维掩膜。从而降低了输出的目标三维掩膜的假阳性。
Description
技术领域
本发明涉及数字医疗技术领域,尤其涉及一种医学图像处理方法、装置、计算机设备及存储介质。
背景技术
目前基于头部影像进行动脉瘤等病灶的自动检测方法大多利用深度学习实现,但大部分研究报道的人工智能方法的假阳性很高,平均每个检查会有5-10个检测结果为假阳。深度学习的模型对于区别病灶及其他动脉异常(比如,血管分支、血管扩张)的能力较弱,易将部分正常动脉误诊为病灶,导致较高的假阳性。
发明内容
基于此,有必要针对现有技术的深度学习的模型对于区别病灶及其他动脉异常的能力较弱,易将部分正常动脉误诊为病灶,导致较高的假阳性的技术问题,提出了一种医学图像处理方法、装置、计算机设备及存储介质。
本申请提出了一种医学图像处理方法,所述方法包括:
获取目标头部三维图像,并根据预设的分割模型,对所述目标头部三维图像进行每个体素的属于目标病灶的概率预测,得到初始病灶三维掩膜;
根据预设的第一概率阈值和所述初始病灶三维掩膜生成二值化三维掩膜;
根据所述二值化三维掩膜,从所述目标头部三维图像中提取阳性三维图像块;
将每个所述阳性三维图像块输入预设的分类模型进行图像块的包含所述目标病灶的概率预测,得到单图像块阳性概率;
根据各个所述单图像块阳性概率,对所述二值化三维掩膜进行假阳性抑制处理,得到目标三维掩膜。
进一步的,所述根据预设的第一概率阈值和所述初始病灶三维掩膜生成二值化三维掩膜的步骤,包括:
获取所述目标头部三维图像对应的三维阳性掩膜块集及初始化掩膜,其中,所述三维阳性掩膜块集是用户对所述目标头部三维图像标注得到的阳性掩膜块集,所述初始化掩膜中的体素值均为0;
从所述初始病灶三维掩膜中获取任一个体素作为第一体素,并将所述初始病灶三维掩膜中的与所述第一体素对应的体素值,作为第一目标概率;
若所述第一目标概率大于预设的第一概率阈值,则将所述初始化掩膜中的与所述第一体素对应的体素值设为1;
若所述第一目标概率小于或等于所述第一概率阈值,并且,所述第一目标概率大于预设的第二概率阈值,则判断所述第一体素是否存在所述三维阳性掩膜块集中;
若存在,则将所述初始化掩膜中的与所述第一体素对应的体素值设为1;
若不存在,则对所述第一体素与所述初始化掩膜中的体素值为1的各个体素进行最小距离计算,作为第一距离,对所述第一体素与所述三维阳性掩膜块集中的各个体素进行最小距离计算,作为第二距离,并将所述第一距离和所述第二距离中的最小值作为目标距离;
若所述目标距离小于或等于预设的距离阈值,则将所述初始化掩膜中的与所述第一体素对应的体素值设为1;
若所述目标距离大于所述距离阈值,则将所述第一体素作为第一待确认体素;
若所述第一目标概率小于或等于所述第二概率阈值,则将所述初始化掩膜中的与所述第一体素对应的体素值保持不变;
重复执行所述从所述初始病灶三维掩膜中获取任一个体素作为第一体素的步骤,直至完成所述初始病灶三维掩膜中的体素的获取;
根据各个所述第一待确认体素获取审核结果集;
根据所述审核结果集,对所述初始化掩膜进行更新,得到所述二值化三维掩膜。
进一步的,所述根据各个所述第一待确认体素获取审核结果集的步骤,包括:
从各个所述第一待确认体素中获取一个所述第一待确认体素作为第二体素,并将所述初始病灶三维掩膜中的与所述第二体素对应的体素值,作为第二目标概率;
对所述第二体素与所述初始化掩膜中的体素值为1的各个体素进行最小距离计算,作为第三距离;
对所述第二体素与所述三维阳性掩膜块集中的各个体素进行最小距离计算,作为第四距离;
将所述第三距离和所述第四距离中的最小值作为待分析距离;
若所述待分析距离小于或等于所述距离阈值,则将所述初始化掩膜中的与所述第二体素对应的体素值设为1;
若所述待分析距离大于所述距离阈值,则将所述第二体素作为第二待确认体素;
重复执行所述从各个所述第一待确认体素中获取一个所述第一待确认体素作为第二体素的步骤,直至完成所述第一待确认体素的获取;
根据各个所述第二待确认体素获取所述审核结果集。
进一步的,所述根据所述二值化三维掩膜,从所述目标头部三维图像中提取阳性三维图像块的步骤,包括:
采用预设的提取尺寸配置,从所述目标头部三维图像中提取图像块,作为待分析图像块;
若所述待分析图像块在所述二值化三维掩膜中对应的任一个体素值为1,则确定所述待分析图像块为所述阳性三维图像块;
若所述待分析图像块在所述二值化三维掩膜中对应的所有体素值均为0,则确定所述待分析图像块为阴性图像块。
进一步的,所述根据各个所述单图像块阳性概率,对所述二值化三维掩膜进行假阳性抑制处理,得到目标三维掩膜的步骤,包括:
从各个所述单图像块阳性概率中获取一个所述单图像块阳性概率作为目标图像块阳性概率;
判断所述目标图像块阳性概率是否大于预设的阳性概率阈值;
若否,则将所述目标图像块阳性概率在所述二值化三维掩膜中对应的所有体素值设为0;
重复执行所述从各个所述单图像块阳性概率中获取一个所述单图像块阳性概率作为目标图像块阳性概率的步骤,直至完成所有所述单图像块阳性概率的获取;
将所述二值化三维掩膜作为所述目标三维掩膜。
进一步的,所述分割模型依次包括:编码器、解码器和分割层;
所述编码器依次包括:多个第一编码层和一个第二编码层,所述第一编码层依次包括:第一残差块和下采样块,所述第二编码层包括:第二残差块,所述下采样块的下采样倍数为2,多个所述第一编码层线性连接;
所述解码器包括线性连接的多个解码层,所述解码层依次包括:上采样块和第三残差块,所述上采样块的比例因子为2,所述上采样块的卷积核尺寸为3;
所述第一残差块、所述第二残差块和所述第三残差块均依次包括:卷积核尺寸为3的第一3D卷积层、卷积核尺寸为3的第二3D卷积层、卷积核尺寸为1的第三3D卷积层和采用Relu激活函数的激活层;
所述分割层依次包括:卷积核尺寸为3的3D卷积层和采用sigmoid激活函数的激活层;
所述第二编码层的输出作为第1个所述解码层的输入;
第n+1-m个所述第一编码层的所述第一残差块的输出作为第m个所述解码层的所述第三残差块的输入,其中,n是所述第一编码层的数量,m是大于0的整数,并且,m小于或等于n。
进一步的,所述分类模型包括:p个卷积块、p-1个池化块、自适应池化层和分类层,p是大于2的整数;
第i个所述卷积块的输出作为第i个所述池化块的输入,第i个所述池化块的输出作为第i+1个所述卷积块的输入,第p个所述卷积块的输出作为所述自适应池化层的输入,所述自适应池化层的输出作为所述分类层的输入,其中,i是大于0的整数,i小于p;
所述卷积块依次包括:卷积核尺寸为3的第四3D卷积层、卷积核尺寸为3的第五3D卷积层和采用Relu激活函数的激活层;
所述分类层依次包括:线性层和采用sigmoid激活函数的激活层;
所述池化块采用最大池化层。
本申请还提出了一种医学图像处理装置,所述装置包括:
初始病灶三维掩膜确定模块,用于获取目标头部三维图像,并根据预设的分割模型,对所述目标头部三维图像进行每个体素的属于目标病灶的概率预测,得到初始病灶三维掩膜;
二值化三维掩膜确定模块,用于根据预设的第一概率阈值和所述初始病灶三维掩膜生成二值化三维掩膜;
阳性三维图像块确定模块,用于根据所述二值化三维掩膜,从所述目标头部三维图像中提取阳性三维图像块;
单图像块阳性概率确定模块,用于将每个所述阳性三维图像块输入预设的分类模型进行图像块的包含所述目标病灶的概率预测,得到单图像块阳性概率;
目标三维掩膜确定模块,用于根据各个所述单图像块阳性概率,对所述二值化三维掩膜进行假阳性抑制处理,得到目标三维掩膜。
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:
获取目标头部三维图像,并根据预设的分割模型,对所述目标头部三维图像进行每个体素的属于目标病灶的概率预测,得到初始病灶三维掩膜;
根据预设的第一概率阈值和所述初始病灶三维掩膜生成二值化三维掩膜;
根据所述二值化三维掩膜,从所述目标头部三维图像中提取阳性三维图像块;
将每个所述阳性三维图像块输入预设的分类模型进行图像块的包含所述目标病灶的概率预测,得到单图像块阳性概率;
根据各个所述单图像块阳性概率,对所述二值化三维掩膜进行假阳性抑制处理,得到目标三维掩膜。
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:
获取目标头部三维图像,并根据预设的分割模型,对所述目标头部三维图像进行每个体素的属于目标病灶的概率预测,得到初始病灶三维掩膜;
根据预设的第一概率阈值和所述初始病灶三维掩膜生成二值化三维掩膜;
根据所述二值化三维掩膜,从所述目标头部三维图像中提取阳性三维图像块;
将每个所述阳性三维图像块输入预设的分类模型进行图像块的包含所述目标病灶的概率预测,得到单图像块阳性概率;
根据各个所述单图像块阳性概率,对所述二值化三维掩膜进行假阳性抑制处理,得到目标三维掩膜。
本申请的医学图像处理方法,实现了在根据分割模型输出的每个体素的属于目标病灶的概率预测结果生成的二值化三维掩膜的基础上,从目标头部三维图像中提取阳性三维图像块,采用分类模型根据阳性三维图像块的全局特征判断是否含有目标病灶,根据分类模型的预测结果有效的抑制了分割模型在分割过程中出现的假阳性,降低了输出的目标三维掩膜的假阳性。
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为一个实施例中医学图像处理方法的流程图;
图2为一个实施例中医学图像处理装置的结构框图;
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,提供了一种医学图像处理方法。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。该医学图像处理方法具体包括如下步骤:
S1:获取目标头部三维图像,并根据预设的分割模型,对所述目标头部三维图像进行每个体素的属于目标病灶的概率预测,得到初始病灶三维掩膜;
目标病灶包括但不限于:动脉瘤。
具体而言,可以获取用户输入的目标头部三维图像,也可以从数据库中获取目标头部三维图像,还可以从第三方应用中获取目标头部三维图像。
目标头部三维图像,是需要进行目标病灶预测的头部三维图像。头部三维图像,是基于计算机断层血管造影术(CTA),对头部拍摄的三维图像。头部三维图像可以看作是一个三维矩阵,该三维矩阵表述为x×y×z,其中,z为头部不同横截面位置,x和y为头部某一截面。
可选的,目标头部三维图像的分辨率与预设的采样分辨率相同,从而使输入分割模型的图像的大小尽可能一致。
可选的,目标头部三维图像只包含头部的图像。目标头部三维图像,是对CTA影像进行裁剪,去除扫描中头部的边缘部分。医学影像中,扫描部位外的部分可视为影像背景,可通过前景、背景的识别,将背景部分裁剪掉。由于背景的HU(CT值的单位)值远低于前景,可通过阈值法,将高于预设阈值的部分设为1,预设阈值以下的部分设为0,获取二值化的前景掩模(值为0和1的三维矩阵)。通过从查找值为1的三维上的最大、最小坐标,对头部进行定位,将背景部分截取掉。该操作通过去除无意义的影像部分,有效的减小了计算量。
可以理解的是,所述初始病灶三维掩膜,是所述目标头部三维图像的目标病灶的掩膜。所述初始病灶三维掩膜中的第a行第b列第c高度的体素对应的体素值(也就是概率),是对所述目标头部三维图像的第a行第b列第c高度的体素的属性是否为目标病灶的预测结果。
可以理解的是,步骤S1中的分割模型是二分类模型,其中,基于目标病灶的第一训练样本,对基于神经网络得到的第一模型进行训练,将训练结束的第一模型作为分割模型。
可以理解的是,第一训练样本包括:头部三维图像样本和病灶三维掩膜标签。病灶三维掩膜标签,是针对头部三维图像样本标注的针对目标病灶的掩膜。头部三维图像样本可以是从头部三维图像中提取的图像块,也可以是对从头部三维图像中提取的图像块进行数据增强得到的图像块。数据增强包括但不限于:旋转、翻转。
可选的,第一模型的训练包括正向传播与反向传播,正向传播根据模型权重计算图像块分割结果,反向传播根据损失函数优化网络权重。训练第一模型的损失函数为分类损失函数(binary cross entropy loss)和分割损失函数(dice loss)的加权和。
可选的,所述根据预设的分割模型,对所述目标头部三维图像进行每个体素的属于目标病灶的概率预测,得到初始病灶三维掩膜的步骤,包括:将所述目标头部三维图像输入分割模型进行每个体素的属于目标病灶的概率预测,得到初始病灶三维掩膜。也就是说,初始病灶三维掩膜的规格和目标头部三维图像相同。初始病灶三维掩膜中的每个体素的体素值是属于目标病灶的概率的预测结果,初始病灶三维掩膜中的每个体素的体素值是一个概率。
可选的,所述根据预设的分割模型,对所述目标头部三维图像进行每个体素的属于目标病灶的概率预测,得到初始病灶三维掩膜的步骤,包括:采用预设的滑动窗和预设的滑动步长配置,对所述目标头部三维图像进行三维图像块提取,以作为目标三维图像块,其中,所述滑动步长配置中的与目标方向对应的滑动步长小于所述滑动窗的与所述目标方向对应的长度,所述目标方向为x方向、y方向和z方向中的任一个;将每个目标三维图像块输入分割模型进行每个体素的属于目标病灶的概率预测,得到病灶三维掩膜块;对各个所述病灶三维掩膜块进行三维掩膜拼接,得到初始病灶三维掩膜。
滑动窗,是一个三维的窗。
滑动步长配置包括:x方向滑动步长数值、y方向步长配置和z方向滑动步长数值。z方向是与头部头顶垂直的方向,x方向和y方向均是与头部头顶平行的方向,x方向和y方向垂直,z方向与x方向及y方向垂直。
可选的,x方向滑动步长数值为滑动窗在x方向的尺寸的一半,y方向步长配置为滑动窗在y方向的尺寸的一半,z方向滑动步长数值均为滑动窗在z方向的尺寸的一半。
具体而言,采样滑动窗,从所述目标头部三维图像中提取与滑动窗大小相同的三维图像块,将提取的每个三维图像块作为一个目标三维图像块,其中,在提取三维图像块的时候,滑动窗在x方向的移动步长与所述滑动步长配置中的x方向滑动步长数值相同,滑动窗在y方向的移动步长与所述滑动步长配置中的y方向步长配置相同,滑动窗在z方向的移动步长与所述滑动步长配置中的z方向滑动步长数值相同。
因所述滑动步长配置中的与目标方向对应的滑动步长小于所述滑动窗的与所述目标方向对应的长度,所述目标方向为x方向、y方向和z方向中的任一个,从而可以提取存在重叠区域,从而使本申请的分割处的三维图像区域会位于至少一个三维图像块的非边缘位置,有利于可以尽量保证血管的完整性,避免目标三维图像块的血管截断处的特征与病灶的特征混淆,降低了假阳性。
其中,在对各个所述病灶三维掩膜块进行三维掩膜拼接时,重叠的体素计算平均值作为该体素的最终的属于目标病灶的概率。
S2:根据预设的第一概率阈值和所述初始病灶三维掩膜生成二值化三维掩膜;
其中,第一概率阈值是一个0到1的数值,是0-1之间的小数。
具体而言,获取所述目标头部三维图像对应的初始化掩膜,其中,所述初始化掩膜中的体素值均为0;从所述初始病灶三维掩膜中获取任一个体素作为第一体素,并将所述初始病灶三维掩膜中的与所述第一体素对应的体素值,作为第一目标概率;若所述第一目标概率大于预设的第一概率阈值,则将所述初始化掩膜中的与所述第一体素对应的体素值设为1;重复执行所述从所述初始病灶三维掩膜中获取任一个体素作为第一体素的步骤,直至完成所述初始病灶三维掩膜中的体素的获取;将所述初始化掩膜作为二值化三维掩膜。
也就是说,二值化三维掩膜的每个体素的体素值为0或1,若二值化三维掩膜的体素的体素值为0,意味着该体素对应的活体组织不存在目标病灶,若二值化三维掩膜的体素的体素值为1,意味着该体素对应的活体组织存在目标病灶。
S3:根据所述二值化三维掩膜,从所述目标头部三维图像中提取阳性三维图像块;
阳性三维图像块是包含目标病灶的图像块。阳性三维图像块是尺寸比较小的三维图像块,比如,阳性三维图像块的尺寸采用48*48*48。
具体而言,从所述目标头部三维图像中提取三维图像块,若根据所述二值化三维掩膜判断提取的三维图像块中的任一个体素对应的活体组织存在目标病灶,则确定该三维图像块为阳性三维图像块。
S4:将每个所述阳性三维图像块输入预设的分类模型进行图像块的包含所述目标病灶的概率预测,得到单图像块阳性概率;
具体而言,将每个所述阳性三维图像块输入预设的分类模型进行图像块的包含所述目标病灶的概率预测,将预测得到的数据作为单图像块阳性概率。通过尺寸较小的三维图像块,有利于准确的根据三维图像块的全局特征判断该三维图像块是否包含所述目标病灶。
可以理解的是,步骤S4中的分类模型是二分类模型,其中,基于目标病灶的第二训练样本,对基于神经网络得到的第二模型进行训练,将训练结束的第二模型作为分类模型。
第二模型的训练包括正向传播与反向传播,正向传播根据模型权重计算图像块含目标病灶的概率;反向传播根据损失函数优化网络权重。第二模型的的损失函数为二分类交叉熵损失函数。
S5:根据各个所述单图像块阳性概率,对所述二值化三维掩膜进行假阳性抑制处理,得到目标三维掩膜。
具体而言,根据所述单图像块阳性概率,对所述二值化三维掩膜中的与该所述单图像块阳性概率对应的各个体素进行假阳性抑制处理;将完成所有的所述单图像块阳性概率的假阳性抑制处理的所述二值化三维掩膜作为所述目标三维掩膜。
可选的,若所述单图像块阳性概率小于或等于预设的阳性概率阈值,则将该所述单图像块阳性概率在所述二值化三维掩膜中对应的所有体素值设置为0,从而实现了假阳性抑制处理。
本实施例实现了在根据分割模型输出的每个体素的属于目标病灶的概率预测结果生成的二值化三维掩膜的基础上,从目标头部三维图像中提取阳性三维图像块,采用分类模型根据阳性三维图像块的全局特征判断是否含有目标病灶,根据分类模型的预测结果有效的抑制了分割模型在分割过程中出现的假阳性,降低了输出的目标三维掩膜的假阳性。
在一个实施例中,上述根据预设的第一概率阈值和所述初始病灶三维掩膜生成二值化三维掩膜的步骤,包括:
S21:获取所述目标头部三维图像对应的三维阳性掩膜块集及初始化掩膜,其中,所述三维阳性掩膜块集是用户对所述目标头部三维图像标注得到的阳性掩膜块集,所述初始化掩膜中的体素值均为0;
具体而言,可以获取用户输入的所述目标头部三维图像对应的三维阳性掩膜块集及初始化掩膜,也可以从数据库中获取所述目标头部三维图像对应的三维阳性掩膜块集及初始化掩膜,还可以从第三方应用中获取所述目标头部三维图像对应的三维阳性掩膜块集及初始化掩膜。
也就是说,初始化掩膜的规格与所述目标头部三维图像相同。
三维阳性掩膜块集中包括至少0个三维阳性掩膜块。三维阳性掩膜块中的每个体素的体素值均为1,也就是说,三维阳性掩膜块中的每个体素对应的活体组织都包含目标病灶。
所述三维阳性掩膜块集是用户对所述目标头部三维图像标注得到的阳性掩膜块集,也就是,所述三维阳性掩膜块集是医生对所述目标头部三维图像粗略标注得到的阳性掩膜块集。
S22:从所述初始病灶三维掩膜中获取任一个体素作为第一体素,并将所述初始病灶三维掩膜中的与所述第一体素对应的体素值,作为第一目标概率;
具体而言,从所述初始病灶三维掩膜中获取任一个体素作为第一体素,并将所述初始病灶三维掩膜中的与所述第一体素对应的体素值,作为第一目标概率,从而为每次进行一个体素的二值化提供了基础。
S23:若所述第一目标概率大于预设的第一概率阈值,则将所述初始化掩膜中的与所述第一体素对应的体素值设为1;
具体而言,若所述第一目标概率大于预设的第一概率阈值,此时意味着第一体素对应的人体组织包含目标病灶的可能性非常大,可以直接确定第一体素对应的人体组织包含目标病灶,因此,将所述初始化掩膜中的与所述第一体素对应的体素值设为1。
S24:若所述第一目标概率小于或等于所述第一概率阈值,并且,所述第一目标概率大于预设的第二概率阈值,则判断所述第一体素是否存在所述三维阳性掩膜块集中;
具体而言,若所述第一目标概率小于或等于所述第一概率阈值,并且,所述第一目标概率大于预设的第二概率阈值,此时意味着第一体素对应的人体组织可能包含目标病灶的可能性一般,不能直接确定第一体素对应的人体组织包含目标病灶,因此,判断所述第一体素是否存在所述三维阳性掩膜块集中,也就是判断所述第一体素是否是医生标注的包含目标病灶的人体组织对应的体素。
S25:若存在,则将所述初始化掩膜中的与所述第一体素对应的体素值设为1;
具体而言,若存在,也就是,所述第一体素存在所述三维阳性掩膜块集中,此时意味着医生认为所述第一体素对应的人体组织包含目标病灶,鉴于分割模型也认为第一体素对应的人体组织包含目标病灶的可能性一般,因此,可以确定第一体素对应的人体组织包含目标病灶,从而将所述初始化掩膜中的与所述第一体素对应的体素值设为1。
S26:若不存在,则对所述第一体素与所述初始化掩膜中的体素值为1的各个体素进行最小距离计算,作为第一距离,对所述第一体素与所述三维阳性掩膜块集中的各个体素进行最小距离计算,作为第二距离,并将所述第一距离和所述第二距离中的最小值作为目标距离;
具体而言,若不存在,也就是,所述第一体素不存在所述三维阳性掩膜块集中,此时意味着医生不认为所述第一体素对应的人体组织包含目标病灶,鉴于分割模型也认为第一体素对应的人体组织包含目标病灶的可能性一般,为了提高准确率还需要进一步增加判断条件,因此,对所述第一体素与所述初始化掩膜中的体素值为1的每个体素之间进行距离计算,将计算的各个距离的最小值作为第一距离,从而计算出了第一体素与已经确定的包含目标病灶的体素的最小距离;对所述第一体素与所述三维阳性掩膜块集中的每个体素进行距离计算,将计算的各个距离的最小值作为第二距离,从而计算出了第一体素与医生标注的阳性(包含目标病灶)的体素的最小距离;将所述第一距离和所述第二距离中的最小值作为目标距离,为基于距离对比提供了基础。
可选的,第一距离和第二距离采样欧氏距离。
S27:若所述目标距离小于或等于预设的距离阈值,则将所述初始化掩膜中的与所述第一体素对应的体素值设为1;
具体而言,若所述目标距离小于或等于预设的距离阈值,此时意味着所述第一体素离与已经确定的包含目标病灶的体素或者与医生标注的阳性的体素的距离满足判定为包含目标病灶的体素的距离要求,因此,将所述初始化掩膜中的与所述第一体素对应的体素值设为1。
S28:若所述目标距离大于所述距离阈值,则将所述第一体素作为第一待确认体素;
具体而言,若所述目标距离大于所述距离阈值,此时意味着所述第一体素离与已经确定的包含目标病灶的体素或者与医生标注的阳性的体素的距离不满足判定为包含目标病灶的体素的距离要求,因此,将所述第一体素作为第一待确认体素。
S29:若所述第一目标概率小于或等于所述第二概率阈值,则将所述初始化掩膜中的与所述第一体素对应的体素值保持不变;
具体而言,若所述第一目标概率小于或等于所述第二概率阈值,此时意味着所述第一目标概率对应的体素对应的人体组织不可能包含目标病灶,因此,将所述初始化掩膜中的与所述第一体素对应的体素值保持不变。
S210:重复执行所述从所述初始病灶三维掩膜中获取任一个体素作为第一体素的步骤,直至完成所述初始病灶三维掩膜中的体素的获取;
具体而言,重复执行所述从所述初始病灶三维掩膜中获取任一个体素作为第一体素的步骤,也就是重复执行步骤S22至步骤S210,直至完成所述初始病灶三维掩膜中的体素的获取。当完成所述初始病灶三维掩膜中的体素的获取时,意味着已经完成所述初始病灶三维掩膜中对应的每个体素的二值化处理,因此,停止重复执行步骤S22至步骤S210,开始执行步骤S211。
S211:根据各个所述第一待确认体素获取审核结果集;
具体而言,根据各个所述第一待确认体素获取用户输入的审核结果集。
可选的,将目标头部三维图像中的与每个所述第一待确认体素对应的图像区域进行放大显示,用户根据放大显示的图像区域确定该所述第一待确认体素的体素值是1还是0。
审核结果集包括:体素标识和体素值。体素标识可以是体素的ID、体素的位置数据等唯一标识一个体素的数据。
可以理解的是,审核结果集中的体素标识与所述第一待确认体素一一对应。
S212:根据所述审核结果集,对所述初始化掩膜进行更新,得到所述二值化三维掩膜。
具体而言,根据所述审核结果集,对所述初始化掩膜进行替换更新,将完成替换更新的所述初始化掩膜作为所述二值化三维掩膜。
相对仅仅结合第一概率阈值和所述初始病灶三维掩膜生成二值化三维掩膜,本实施例结合第一概率阈值、第二概率阈值、用户对所述目标头部三维图像标注得到的阳性掩膜块集和分割模型生成二值化三维掩膜,充分考虑了用户的粗略标注结果,减少了二值化过程中的误判,提高了确定的二值化三维掩膜的准确性。
在一个实施例中,上述根据各个所述第一待确认体素获取审核结果集的步骤,包括:
S2111:从各个所述第一待确认体素中获取一个所述第一待确认体素作为第二体素,并将所述初始病灶三维掩膜中的与所述第二体素对应的体素值,作为第二目标概率;
具体而言,从各个所述第一待确认体素中获取一个所述第一待确认体素作为第二体素,并将所述初始病灶三维掩膜中的与所述第二体素对应的体素值,作为第二目标概率,为针对每个所述第一待确认体素重新基于距离对比判断是否包含目标病灶提供了基础。
S2112:对所述第二体素与所述初始化掩膜中的体素值为1的各个体素进行最小距离计算,作为第三距离;
具体而言,对所述第二体素与所述初始化掩膜中的体素值为1的每个体素之间进行距离计算,将计算的各个距离的最小值作为第三距离,从而计算出了第二体素与已经确定的包含目标病灶的体素的最小距离。
S2113:对所述第二体素与所述三维阳性掩膜块集中的各个体素进行最小距离计算,作为第四距离;
具体而言,对所述第二体素与所述三维阳性掩膜块集中的每个体素进行距离计算,将计算的各个距离的最小值作为第四距离,从而计算出了第二体素与医生标注的阳性(包含目标病灶)的体素的最小距离。
S2114:将所述第三距离和所述第四距离中的最小值作为待分析距离;
具体而言,将所述第一距离和所述第二距离中的最小值作为待分析距离,为基于距离对比判断是否包含目标病灶提供了基础。
S2115:若所述待分析距离小于或等于所述距离阈值,则将所述初始化掩膜中的与所述第二体素对应的体素值设为1;
具体而言,若所述待分析距离小于或等于所述距离阈值,此时意味着所述第二体素离与已经确定的包含目标病灶的体素或者与医生标注的阳性的体素的距离满足判定为包含目标病灶的体素的距离要求,因此,将所述初始化掩膜中的与所述第二体素对应的体素值设为1。
S2116:若所述待分析距离大于所述距离阈值,则将所述第二体素作为第二待确认体素;
具体而言,若所述目标距离大于所述距离阈值,此时意味着所述第二体素离与已经确定的包含目标病灶的体素或者与医生标注的阳性的体素的距离不满足判定为包含目标病灶的体素的距离要求,因此,将所述第二体素作为第二待确认体素。
S2117:重复执行所述从各个所述第一待确认体素中获取一个所述第一待确认体素作为第二体素的步骤,直至完成所述第一待确认体素的获取;
具体而言,重复执行所述从各个所述第一待确认体素中获取一个所述第一待确认体素作为第二体素的步骤,也就是重复执行步骤S2111至步骤S2117,直至完成所述第一待确认体素的获取;当时完成所述第一待确认体素的获取时,已经完成了针对每个所述第一待确认体素基于距离对比判断是否包含目标病灶。
S2118:根据各个所述第二待确认体素获取所述审核结果集。
具体而言,根据各个所述第二待确认体素获取用户输入的审核结果集。
可选的,将目标头部三维图像中的与每个所述第二待确认体素对应的图像区域进行放大显示,用户根据放大显示的图像区域确定该所述第二待确认体素的体素值是1还是0。
因每次执行所述对所述第一体素与所述初始化掩膜中的体素值为1的各个体素进行最小距离计算,作为第一距离的步骤之后,所述初始化掩膜中的体素值为0的体素可能会被更新为1,从而使每次计算的第一距离不一定是最小,本实施例针对每个所述第一待确认体素再次基于距离对比判断是否包含目标病灶,减少了需要用户确认的体素的数量,减少了用户的工作量。
在一个实施例中,上述根据所述二值化三维掩膜,从所述目标头部三维图像中提取阳性三维图像块的步骤,包括:
S31:采用预设的提取尺寸配置,从所述目标头部三维图像中提取图像块,作为待分析图像块;
具体而言,采用预设的提取尺寸配置,依次从所述目标头部三维图像中提取图像块,将提取的每个图像块作为一个待分析图像块。
可选的,采用预设的提取尺寸配置,从所述目标头部三维图像中提取的各个图像块不存在重叠的体素。
S32:若所述待分析图像块在所述二值化三维掩膜中对应的任一个体素值为1,则确定所述待分析图像块为所述阳性三维图像块;
具体而言,若所述待分析图像块在所述二值化三维掩膜中对应的任一个体素值为1,此时意味着所述待分析图像块存在阳性的体素,因此,确定所述待分析图像块为所述阳性三维图像块。
S33:若所述待分析图像块在所述二值化三维掩膜中对应的所有体素值均为0,则确定所述待分析图像块为阴性图像块。
具体而言,若所述待分析图像块在所述二值化三维掩膜中对应的所有体素值均为0,此时意味着所述待分析图像块不存在阳性的体素,因此,确定所述待分析图像块为阴性图像块。
本实施例通过将在所述二值化三维掩膜中对应的任一个体素值为1的待分析图像块作为阳性三维图像块,为基于分类模型的分类结果对所述二值化三维掩膜进行假阳性抑制处理提供了基础。
在一个实施例中,上述根据各个所述单图像块阳性概率,对所述二值化三维掩膜进行假阳性抑制处理,得到目标三维掩膜的步骤,包括:
S51:从各个所述单图像块阳性概率中获取一个所述单图像块阳性概率作为目标图像块阳性概率;
S52:判断所述目标图像块阳性概率是否大于预设的阳性概率阈值;
S53:若否,则将所述目标图像块阳性概率在所述二值化三维掩膜中对应的所有体素值设为0;
具体而言,若否,也就是所述目标图像块阳性概率小于或等于预设的阳性概率阈值,此时意味着所述目标图像块阳性概率对应的阳性三维图像块包含阳性体素的可能性非常低,因此,将所述目标图像块阳性概率在所述二值化三维掩膜中对应的所有体素值设为0,以抑制所述目标图像块阳性概率对应的各个体素的假阳性。
可以理解的是,若所述目标图像块阳性概率大于预设的阳性概率阈值,此时意味着所述目标图像块阳性概率对应的阳性三维图像块包含阳性体素的可能性非常高,因此,不需抑制所述目标图像块阳性概率对应的各个体素的假阳性。
S54:重复执行所述从各个所述单图像块阳性概率中获取一个所述单图像块阳性概率作为目标图像块阳性概率的步骤,直至完成所有所述单图像块阳性概率的获取;
具体而言,重复执行所述从各个所述单图像块阳性概率中获取一个所述单图像块阳性概率作为目标图像块阳性概率的步骤,也就是重复执行步骤S51至步骤S54,直至完成所有所述单图像块阳性概率的获取;当完成所有所述单图像块阳性概率的获取时,意味着已经完成每个所述单图像块阳性概率对所述二值化三维掩膜的假阳性抑制处理,此时停止重复执行步骤S51至步骤S54,开始执行步骤S55。
S55:将所述二值化三维掩膜作为所述目标三维掩膜。
具体而言,当执行完成步骤S51至步骤S54时,此时的所述二值化三维掩膜已经完成假阳性抑制处理,因此,将完成假阳性抑制处理的所述二值化三维掩膜作为所述目标三维掩膜。
本实施例在目标图像块阳性概率小于或等于预设的阳性概率阈值时,将所述目标图像块阳性概率在所述二值化三维掩膜中对应的所有体素值设为0,从而实现了根据分类模型的预测结果有效的抑制了分割模型在分割过程中出现的假阳性,降低了输出的目标三维掩膜的假阳性。
在一个实施例中,上述分割模型依次包括:编码器、解码器和分割层;
所述编码器依次包括:多个第一编码层和一个第二编码层,所述第一编码层依次包括:第一残差块和下采样块,所述第二编码层包括:第二残差块,所述下采样块的下采样倍数为2,多个所述第一编码层线性连接;
所述解码器包括线性连接的多个解码层,所述解码层依次包括:上采样块和第三残差块,所述上采样块的比例因子为2,所述上采样块的卷积核尺寸为3;
所述第一残差块、所述第二残差块和所述第三残差块均依次包括:卷积核尺寸为3的第一3D卷积层、卷积核尺寸为3的第二3D卷积层、卷积核尺寸为1的第三3D卷积层和采用Relu激活函数的激活层;
所述分割层依次包括:卷积核尺寸为3的3D卷积层和采用sigmoid激活函数的激活层;
所述第二编码层的输出作为第1个所述解码层的输入;
第n+1-m个所述第一编码层的所述第一残差块的输出作为第m个所述解码层的所述第三残差块的输入,其中,n是所述第一编码层的数量,m是大于0的整数,并且,m小于或等于n。
具体而言,分割模型依次包括:编码器、解码器和分割层,也就是编码器的输出作为解码器的输入,解码器的输出作为分割层的输入。
所述编码器依次包括:多个第一编码层和一个第二编码层,并且多个所述第一编码层线性连接,也就是最后一个第一编码层的输出作为第二编码层的输入。第二编码层的输出作为解码器的第1个所述解码层的输入。
所述第一编码层依次包括:第一残差块和下采样块,也就是在同一个所述第一编码层中,第一残差块的输出作为下采样块的输入,下采样块的输出作为该所述第一编码层的输出。
所述解码层依次包括:上采样块和第三残差块,也就是在同一个所述解码层中,上采样块的输出作为第三残差块的输入,第三残差块的输出作为该所述解码层的输出。
所述第一残差块、所述第二残差块和所述第三残差块,均是残差块。
第一3D卷积层、第二3D卷积层、第三3D卷积层,均采用3D卷积层。3D卷积层,也就是三维卷积。
Relu激活函数中的Relu,也就是Rectified Linear Units,修正线性单元。
sigmoid激活函数,是深度神经网络最先使用的激活函数,主要用于逻辑回归(logistic regression),实现二分类功能。
本实施例通过第n+1-m个所述第一编码层的所述第一残差块的输出作为第m个所述解码层的所述第三残差块的输入,使编码器和解码器之间能共享信息,提高了分割模型的准确性;通过第一编码层设置为第一残差块和下采样块,从而能更好的提取头部三维图像的全局特征,然后采用上采样块和第三残差块作为解码层,实现了对编码层提取的全局特征进行局部特征的提取,有利于提高对每个体素的属于目标病灶的概率预测的准确性。
在一个实施例中,上述分类模型包括:p个卷积块、p-1个池化块、自适应池化层和分类层,p是大于2的整数;
第i个所述卷积块的输出作为第i个所述池化块的输入,第i个所述池化块的输出作为第i+1个所述卷积块的输入,第p个所述卷积块的输出作为所述自适应池化层的输入,所述自适应池化层的输出作为所述分类层的输入,其中,i是大于0的整数,i小于p;
所述卷积块依次包括:卷积核尺寸为3的第四3D卷积层、卷积核尺寸为3的第五3D卷积层和采用Relu激活函数的激活层;
所述分类层依次包括:线性层和采用sigmoid激活函数的激活层;
所述池化块采用最大池化层。
具体而言,第四3D卷积层、第五3D卷积层,均采用的是3D卷积层。
所述卷积块依次包括:卷积核尺寸为3的第四3D卷积层、卷积核尺寸为3的第五3D卷积层和采用Relu激活函数的激活层,也就是第四3D卷积层的输出作为第五3D卷积层的输入,第五3D卷积层的输出作为采用Relu激活函数的激活层的输入。
本实施例的p个卷积块、p-1个池化块、自适应池化层可以很好的提取阳性三维图像块的特征,有利于分类层基于提取的特征进行整个图像块的分类预测。
如图2所示,在一个实施例中,还提出了一种医学图像处理装置,所述装置包括:
初始病灶三维掩膜确定模块801,用于获取目标头部三维图像,并根据预设的分割模型,对所述目标头部三维图像进行每个体素的属于目标病灶的概率预测,得到初始病灶三维掩膜;
二值化三维掩膜确定模块802,用于根据预设的第一概率阈值和所述初始病灶三维掩膜生成二值化三维掩膜;
阳性三维图像块确定模块803,用于根据所述二值化三维掩膜,从所述目标头部三维图像中提取阳性三维图像块;
单图像块阳性概率确定模块804,用于将每个所述阳性三维图像块输入预设的分类模型进行图像块的包含所述目标病灶的概率预测,得到单图像块阳性概率;
目标三维掩膜确定模块805,用于根据各个所述单图像块阳性概率,对所述二值化三维掩膜进行假阳性抑制处理,得到目标三维掩膜。
本实施例实现了在根据分割模型输出的每个体素的属于目标病灶的概率预测结果生成的二值化三维掩膜的基础上,从目标头部三维图像中提取阳性三维图像块,采用分类模型根据阳性三维图像块的全局特征判断是否含有目标病灶,根据分类模型的预测结果有效的抑制了分割模型在分割过程中出现的假阳性,降低了输出的目标三维掩膜的假阳性。
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,可使得处理器实现医学图像处理方法。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,可使得处理器执行医学图像处理方法。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:
获取目标头部三维图像,并根据预设的分割模型,对所述目标头部三维图像进行每个体素的属于目标病灶的概率预测,得到初始病灶三维掩膜;
根据预设的第一概率阈值和所述初始病灶三维掩膜生成二值化三维掩膜;
根据所述二值化三维掩膜,从所述目标头部三维图像中提取阳性三维图像块;
将每个所述阳性三维图像块输入预设的分类模型进行图像块的包含所述目标病灶的概率预测,得到单图像块阳性概率;
根据各个所述单图像块阳性概率,对所述二值化三维掩膜进行假阳性抑制处理,得到目标三维掩膜。
本实施例实现了在根据分割模型输出的每个体素的属于目标病灶的概率预测结果生成的二值化三维掩膜的基础上,从目标头部三维图像中提取阳性三维图像块,采用分类模型根据阳性三维图像块的全局特征判断是否含有目标病灶,根据分类模型的预测结果有效的抑制了分割模型在分割过程中出现的假阳性,降低了输出的目标三维掩膜的假阳性。
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:
获取目标头部三维图像,并根据预设的分割模型,对所述目标头部三维图像进行每个体素的属于目标病灶的概率预测,得到初始病灶三维掩膜;
根据预设的第一概率阈值和所述初始病灶三维掩膜生成二值化三维掩膜;
根据所述二值化三维掩膜,从所述目标头部三维图像中提取阳性三维图像块;
将每个所述阳性三维图像块输入预设的分类模型进行图像块的包含所述目标病灶的概率预测,得到单图像块阳性概率;
根据各个所述单图像块阳性概率,对所述二值化三维掩膜进行假阳性抑制处理,得到目标三维掩膜。
本实施例实现了在根据分割模型输出的每个体素的属于目标病灶的概率预测结果生成的二值化三维掩膜的基础上,从目标头部三维图像中提取阳性三维图像块,采用分类模型根据阳性三维图像块的全局特征判断是否含有目标病灶,根据分类模型的预测结果有效的抑制了分割模型在分割过程中出现的假阳性,降低了输出的目标三维掩膜的假阳性。
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。
Claims (10)
1.一种医学图像处理方法,所述方法包括:
获取目标头部三维图像,并根据预设的分割模型,对所述目标头部三维图像进行每个体素的属于目标病灶的概率预测,得到初始病灶三维掩膜;
根据预设的第一概率阈值和所述初始病灶三维掩膜生成二值化三维掩膜;
根据所述二值化三维掩膜,从所述目标头部三维图像中提取阳性三维图像块;
将每个所述阳性三维图像块输入预设的分类模型进行图像块的包含所述目标病灶的概率预测,得到单图像块阳性概率;
根据各个所述单图像块阳性概率,对所述二值化三维掩膜进行假阳性抑制处理,得到目标三维掩膜。
2.根据权利要求1所述的医学图像处理方法,其特征在于,所述根据预设的第一概率阈值和所述初始病灶三维掩膜生成二值化三维掩膜的步骤,包括:
获取所述目标头部三维图像对应的三维阳性掩膜块集及初始化掩膜,其中,所述三维阳性掩膜块集是用户对所述目标头部三维图像标注得到的阳性掩膜块集,所述初始化掩膜中的体素值均为0;
从所述初始病灶三维掩膜中获取任一个体素作为第一体素,并将所述初始病灶三维掩膜中的与所述第一体素对应的体素值,作为第一目标概率;
若所述第一目标概率大于预设的第一概率阈值,则将所述初始化掩膜中的与所述第一体素对应的体素值设为1;
若所述第一目标概率小于或等于所述第一概率阈值,并且,所述第一目标概率大于预设的第二概率阈值,则判断所述第一体素是否存在所述三维阳性掩膜块集中;
若存在,则将所述初始化掩膜中的与所述第一体素对应的体素值设为1;
若不存在,则对所述第一体素与所述初始化掩膜中的体素值为1的各个体素进行最小距离计算,作为第一距离,对所述第一体素与所述三维阳性掩膜块集中的各个体素进行最小距离计算,作为第二距离,并将所述第一距离和所述第二距离中的最小值作为目标距离;
若所述目标距离小于或等于预设的距离阈值,则将所述初始化掩膜中的与所述第一体素对应的体素值设为1;
若所述目标距离大于所述距离阈值,则将所述第一体素作为第一待确认体素;
若所述第一目标概率小于或等于所述第二概率阈值,则将所述初始化掩膜中的与所述第一体素对应的体素值保持不变;
重复执行所述从所述初始病灶三维掩膜中获取任一个体素作为第一体素的步骤,直至完成所述初始病灶三维掩膜中的体素的获取;
根据各个所述第一待确认体素获取审核结果集;
根据所述审核结果集,对所述初始化掩膜进行更新,得到所述二值化三维掩膜。
3.根据权利要求2所述的医学图像处理方法,其特征在于,所述根据各个所述第一待确认体素获取审核结果集的步骤,包括:
从各个所述第一待确认体素中获取一个所述第一待确认体素作为第二体素,并将所述初始病灶三维掩膜中的与所述第二体素对应的体素值,作为第二目标概率;
对所述第二体素与所述初始化掩膜中的体素值为1的各个体素进行最小距离计算,作为第三距离;
对所述第二体素与所述三维阳性掩膜块集中的各个体素进行最小距离计算,作为第四距离;
将所述第三距离和所述第四距离中的最小值作为待分析距离;
若所述待分析距离小于或等于所述距离阈值,则将所述初始化掩膜中的与所述第二体素对应的体素值设为1;
若所述待分析距离大于所述距离阈值,则将所述第二体素作为第二待确认体素;
重复执行所述从各个所述第一待确认体素中获取一个所述第一待确认体素作为第二体素的步骤,直至完成所述第一待确认体素的获取;
根据各个所述第二待确认体素获取所述审核结果集。
4.根据权利要求1所述的医学图像处理方法,其特征在于,所述根据所述二值化三维掩膜,从所述目标头部三维图像中提取阳性三维图像块的步骤,包括:
采用预设的提取尺寸配置,从所述目标头部三维图像中提取图像块,作为待分析图像块;
若所述待分析图像块在所述二值化三维掩膜中对应的任一个体素值为1,则确定所述待分析图像块为所述阳性三维图像块;
若所述待分析图像块在所述二值化三维掩膜中对应的所有体素值均为0,则确定所述待分析图像块为阴性图像块。
5.根据权利要求1所述的医学图像处理方法,其特征在于,所述根据各个所述单图像块阳性概率,对所述二值化三维掩膜进行假阳性抑制处理,得到目标三维掩膜的步骤,包括:
从各个所述单图像块阳性概率中获取一个所述单图像块阳性概率作为目标图像块阳性概率;
判断所述目标图像块阳性概率是否大于预设的阳性概率阈值;
若否,则将所述目标图像块阳性概率在所述二值化三维掩膜中对应的所有体素值设为0;
重复执行所述从各个所述单图像块阳性概率中获取一个所述单图像块阳性概率作为目标图像块阳性概率的步骤,直至完成所有所述单图像块阳性概率的获取;
将所述二值化三维掩膜作为所述目标三维掩膜。
6.根据权利要求1所述的医学图像处理方法,其特征在于,所述分割模型依次包括:编码器、解码器和分割层;
所述编码器依次包括:多个第一编码层和一个第二编码层,所述第一编码层依次包括:第一残差块和下采样块,所述第二编码层包括:第二残差块,所述下采样块的下采样倍数为2,多个所述第一编码层线性连接;
所述解码器包括线性连接的多个解码层,所述解码层依次包括:上采样块和第三残差块,所述上采样块的比例因子为2,所述上采样块的卷积核尺寸为3;
所述第一残差块、所述第二残差块和所述第三残差块均依次包括:卷积核尺寸为3的第一3D卷积层、卷积核尺寸为3的第二3D卷积层、卷积核尺寸为1的第三3D卷积层和采用Relu激活函数的激活层;
所述分割层依次包括:卷积核尺寸为3的3D卷积层和采用sigmoid激活函数的激活层;
所述第二编码层的输出作为第1个所述解码层的输入;
第n+1-m个所述第一编码层的所述第一残差块的输出作为第m个所述解码层的所述第三残差块的输入,其中,n是所述第一编码层的数量,m是大于0的整数,并且,m小于或等于n。
7.根据权利要求1所述的医学图像处理方法,其特征在于,所述分类模型包括:p个卷积块、p-1个池化块、自适应池化层和分类层,p是大于2的整数;
第i个所述卷积块的输出作为第i个所述池化块的输入,第i个所述池化块的输出作为第i+1个所述卷积块的输入,第p个所述卷积块的输出作为所述自适应池化层的输入,所述自适应池化层的输出作为所述分类层的输入,其中,i是大于0的整数,i小于p;
所述卷积块依次包括:卷积核尺寸为3的第四3D卷积层、卷积核尺寸为3的第五3D卷积层和采用Relu激活函数的激活层;
所述分类层依次包括:线性层和采用sigmoid激活函数的激活层;
所述池化块采用最大池化层。
8.一种医学图像处理装置,其特征在于,所述装置包括:
初始病灶三维掩膜确定模块,用于获取目标头部三维图像,并根据预设的分割模型,对所述目标头部三维图像进行每个体素的属于目标病灶的概率预测,得到初始病灶三维掩膜;
二值化三维掩膜确定模块,用于根据预设的第一概率阈值和所述初始病灶三维掩膜生成二值化三维掩膜;
阳性三维图像块确定模块,用于根据所述二值化三维掩膜,从所述目标头部三维图像中提取阳性三维图像块;
单图像块阳性概率确定模块,用于将每个所述阳性三维图像块输入预设的分类模型进行图像块的包含所述目标病灶的概率预测,得到单图像块阳性概率;
目标三维掩膜确定模块,用于根据各个所述单图像块阳性概率,对所述二值化三维掩膜进行假阳性抑制处理,得到目标三维掩膜。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210845069.9A CN115272206B (zh) | 2022-07-18 | 2022-07-18 | 医学图像处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210845069.9A CN115272206B (zh) | 2022-07-18 | 2022-07-18 | 医学图像处理方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115272206A true CN115272206A (zh) | 2022-11-01 |
CN115272206B CN115272206B (zh) | 2023-07-04 |
Family
ID=83768059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210845069.9A Active CN115272206B (zh) | 2022-07-18 | 2022-07-18 | 医学图像处理方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272206B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2811458A1 (en) * | 2013-06-05 | 2014-12-10 | Agfa Healthcare | Automated aorta detection in a CTA volume |
US20160091975A1 (en) * | 2014-09-30 | 2016-03-31 | Xerox Corporation | Hand-gesture-based region of interest localization |
WO2018023917A1 (zh) * | 2016-07-30 | 2018-02-08 | 上海联影医疗科技有限公司 | 一种下肢血管的提取方法及系统 |
CN108010021A (zh) * | 2017-11-30 | 2018-05-08 | 上海联影医疗科技有限公司 | 一种医学图像处理系统和方法 |
US20200005460A1 (en) * | 2018-06-28 | 2020-01-02 | Shenzhen Imsight Medical Technology Co. Ltd. | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium |
CN110675385A (zh) * | 2019-09-25 | 2020-01-10 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、计算机设备以及存储介质 |
CN111340825A (zh) * | 2020-03-05 | 2020-06-26 | 上海市肺科医院(上海市职业病防治院) | 一种纵膈淋巴结分割模型的生成方法及系统 |
CN112241948A (zh) * | 2020-09-23 | 2021-01-19 | 深圳视见医疗科技有限公司 | 一种自适应层厚的肺结节检测分析方法及系统 |
CN112330640A (zh) * | 2020-11-09 | 2021-02-05 | 平安科技(深圳)有限公司 | 医学图像中结节区域的分割方法、装置及设备 |
CN112990339A (zh) * | 2021-03-31 | 2021-06-18 | 平安科技(深圳)有限公司 | 胃病理切片图像分类方法、装置及存储介质 |
CN113077479A (zh) * | 2021-03-25 | 2021-07-06 | 深圳市铱硙医疗科技有限公司 | 急性缺血性脑卒中病灶自动分割方法、系统、终端及介质 |
CN113962959A (zh) * | 2021-10-21 | 2022-01-21 | 苏州微创畅行机器人有限公司 | 三维图像处理方法、装置、计算机设备和存储介质 |
CN114022492A (zh) * | 2021-10-28 | 2022-02-08 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、计算机设备和存储介质 |
CN114548403A (zh) * | 2022-02-22 | 2022-05-27 | 深圳市医未医疗科技有限公司 | 一种医学图像数据平台的数据处理方法与系统 |
WO2022121039A1 (zh) * | 2020-12-10 | 2022-06-16 | 广州广电运通金融电子股份有限公司 | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 |
-
2022
- 2022-07-18 CN CN202210845069.9A patent/CN115272206B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2811458A1 (en) * | 2013-06-05 | 2014-12-10 | Agfa Healthcare | Automated aorta detection in a CTA volume |
US20160093096A1 (en) * | 2013-06-05 | 2016-03-31 | Agfa Healthcare | Automated aorta detection in a cta volume |
US20160091975A1 (en) * | 2014-09-30 | 2016-03-31 | Xerox Corporation | Hand-gesture-based region of interest localization |
WO2018023917A1 (zh) * | 2016-07-30 | 2018-02-08 | 上海联影医疗科技有限公司 | 一种下肢血管的提取方法及系统 |
CN108010021A (zh) * | 2017-11-30 | 2018-05-08 | 上海联影医疗科技有限公司 | 一种医学图像处理系统和方法 |
US20200005460A1 (en) * | 2018-06-28 | 2020-01-02 | Shenzhen Imsight Medical Technology Co. Ltd. | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium |
CN110675385A (zh) * | 2019-09-25 | 2020-01-10 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、计算机设备以及存储介质 |
CN111340825A (zh) * | 2020-03-05 | 2020-06-26 | 上海市肺科医院(上海市职业病防治院) | 一种纵膈淋巴结分割模型的生成方法及系统 |
CN112241948A (zh) * | 2020-09-23 | 2021-01-19 | 深圳视见医疗科技有限公司 | 一种自适应层厚的肺结节检测分析方法及系统 |
CN112330640A (zh) * | 2020-11-09 | 2021-02-05 | 平安科技(深圳)有限公司 | 医学图像中结节区域的分割方法、装置及设备 |
WO2022121039A1 (zh) * | 2020-12-10 | 2022-06-16 | 广州广电运通金融电子股份有限公司 | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 |
CN113077479A (zh) * | 2021-03-25 | 2021-07-06 | 深圳市铱硙医疗科技有限公司 | 急性缺血性脑卒中病灶自动分割方法、系统、终端及介质 |
CN112990339A (zh) * | 2021-03-31 | 2021-06-18 | 平安科技(深圳)有限公司 | 胃病理切片图像分类方法、装置及存储介质 |
CN113962959A (zh) * | 2021-10-21 | 2022-01-21 | 苏州微创畅行机器人有限公司 | 三维图像处理方法、装置、计算机设备和存储介质 |
CN114022492A (zh) * | 2021-10-28 | 2022-02-08 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、计算机设备和存储介质 |
CN114548403A (zh) * | 2022-02-22 | 2022-05-27 | 深圳市医未医疗科技有限公司 | 一种医学图像数据平台的数据处理方法与系统 |
Non-Patent Citations (4)
Title |
---|
GR RIDGWAY等: "Issues With threhold masking in voxel-based morphometry of agrophied brains", 《NEUROIMAGE》, vol. 44, no. 01, pages 99 - 111 * |
余伟: "基于3D残差U-net的医学图像分割技术的研究", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》, no. 2022, pages 006 - 333 * |
张宇杰等: "基于WU-Net网络的肺结节图像分割算法", 《计算机应用研究》, vol. 39, no. 03, pages 895 - 899 * |
张熙睿: "基于深度学习胰腺CT医学图像在线分割系统", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》, no. 2021, pages 076 - 3 * |
Also Published As
Publication number | Publication date |
---|---|
CN115272206B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993726B (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
CN110310287B (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
CN110998602A (zh) | 使用深度学习方法对3d牙颌面结构的分类和3d建模 | |
CN112418329B (zh) | 一种基于多尺度纹理特征融合宫颈oct图像分类方法及系统 | |
CN110570407B (zh) | 图像处理方法、存储介质及计算机设备 | |
US11475562B2 (en) | Fissurenet: a deep learning approach for pulmonary fissure detection in CT images | |
CN114549552A (zh) | 基于空间邻域分析的肺部ct图像分割装置 | |
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 | |
US20230177698A1 (en) | Method for image segmentation, and electronic device | |
CN114140651A (zh) | 胃部病灶识别模型训练方法、胃部病灶识别方法 | |
CN113256670A (zh) | 图像处理方法及装置、网络模型的训练方法及装置 | |
CN115187566A (zh) | 基于mra影像的颅内动脉瘤检测方法及装置 | |
CN113035334B (zh) | 鼻腔nkt细胞淋巴瘤放疗靶区自动勾画方法和装置 | |
KR20230056300A (ko) | 잔여학습기반 멀티 스케일 병렬 컨볼루션을 이용한 간 종양 검출 영상 처리 시스템 및 그 방법 | |
CN113744171B (zh) | 血管钙化图像分割方法、系统和可读存储介质 | |
CN115272206B (zh) | 医学图像处理方法、装置、计算机设备及存储介质 | |
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 | |
CN115035145A (zh) | 血管及骨骼的分割方法、装置、计算机设备及存储介质 | |
Zhao et al. | A new approach to extracting coronary arteries and detecting stenosis in invasive coronary angiograms | |
CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
CN114972255A (zh) | 脑微出血的图像检测方法、装置、计算机设备及存储介质 | |
CN114049358A (zh) | 肋骨实例分割、计数与定位的方法及系统 | |
CN113298807A (zh) | 一种计算机断层扫描图像处理方法及装置 |
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 |