CN115409756A - 提取图像特征的方法以及医学图像的识别方法 - Google Patents
提取图像特征的方法以及医学图像的识别方法 Download PDFInfo
- Publication number
- CN115409756A CN115409756A CN202110578347.4A CN202110578347A CN115409756A CN 115409756 A CN115409756 A CN 115409756A CN 202110578347 A CN202110578347 A CN 202110578347A CN 115409756 A CN115409756 A CN 115409756A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- sub
- layer
- computed tomography
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000002591 computed tomography Methods 0.000 claims abstract description 243
- 238000003062 neural network model Methods 0.000 claims abstract description 81
- 238000012545 processing Methods 0.000 claims abstract description 57
- 238000000605 extraction Methods 0.000 claims abstract description 52
- 230000004927 fusion Effects 0.000 claims abstract description 52
- 230000003902 lesion Effects 0.000 claims description 55
- 230000015654 memory Effects 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 230000002547 anomalous effect Effects 0.000 claims 1
- 238000010606 normalization Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000001514 detection method Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 13
- 238000013135 deep learning Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 10
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000035945 sensitivity 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种提取图像特征的方法以及医学图像的识别方法。其中,该提取图像特征的方法包括:获取计算机断层扫描图像的图像信息,其中,计算机断层扫描图像包括多层子图像,计算机断层扫描图像的图像信息至少包括每层子图像对应的层厚;基于预设神经网络模型中的预设深度层对图像信息进行处理,得到计算机断层扫描图像对应的目标层数;对每层子图像进行特征提取,得到每层子图像对应的图像特征;基于目标层数对图像特征进行特征融合,得到计算机断层扫描图像所对应的目标图像特征。本申请解决了现有技术中,对计算机断层扫描图像进行特征提取时,存在特征提取效率低的技术问题。
Description
技术领域
本申请涉及图像处理领域,具体而言,涉及一种提取图像特征的方法以及医学图像的识别方法。
背景技术
CT(Computed Tomography,电子计算机断层扫描)通过精确准直的X射线、γ射线、超声波等,与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断层扫描,以实现疾病的检查。
由于CT图像的重建层的厚度差异较大,其层厚范围在不到一毫米至十几毫米之间,如果直接对CT图像的层厚进行固定空间的归一化处理,即将CT图像的不同层厚归一化为固定层厚,则基于固定层厚对CT图像进行特征提取所得到的图像特征会与基于不同层厚对CT图像进行特征提取所得到的图像特征存在较大的差异。相对地,对于相同任务,例如,病灶检测、分类、分割等任务,深度学习算法在深层具有相似的语义特征,如果运用得当,可以学习到更具泛化性的表征,从而提升效果。
在现有技术中,对于相同任务,根据不同层厚的CT图像分别训练对应的算法模块来进行特征提取。但该方法需要占用更多的资源,例如,存储资源。而且,该方法还需要维护多个模型,增加了运维成本,影响了迭代效率。此外,该方法中所使用到的训练算法数据可能由于数据层厚切分,而无法公用,从而增加了数据需求。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种提取图像特征的方法以及医学图像的识别方法,以至少解决现有技术中,对计算机断层扫描图像进行特征提取时,存在特征提取效率低的技术问题。
根据本申请实施例的一个方面,提供了一种提取图像特征的方法,包括:获取计算机断层扫描图像的图像信息,其中,计算机断层扫描图像包括多层子图像,计算机断层扫描图像的图像信息至少包括每层子图像对应的层厚;基于预设神经网络模型中的预设深度层对图像信息进行处理,得到计算机断层扫描图像对应的目标层数;对每层子图像进行特征提取,得到每层子图像对应的图像特征;基于目标层数对图像特征进行特征融合,得到计算机断层扫描图像所对应的目标图像特征。
根据本申请实施例的另一方面,还提供了一种医学图像的识别方法,包括:读取待识别的医学图像,其中,待识别的医学图像由多层子图像组成,待识别的医学图像的图像信息至少包括每层子图像对应的层厚;提取每层子图像的图像特征,并显示对目标层数的子图像的图像特征进行融合所得到的目标图像特征,其中,目标层数是基于预设神经网络模型中的预设深度层对图像信息进行处理所得到的;显示对目标图像特征进行分析所得到的待识别的医学图像的识别结果。
根据本申请实施例的另一方面,还提供了一种提取图像特征的装置,包括:获取模块,用于获取计算机断层扫描图像的图像信息,其中,计算机断层扫描图像包括多层子图像,计算机断层扫描图像的图像信息至少包括每层子图像对应的层厚;处理模块,用于基于预设神经网络模型中的预设深度层对图像信息进行处理,得到计算机断层扫描图像对应的目标层数;提取模块,用于对每层子图像进行特征提取,得到每层子图像对应的图像特征;融合模块,用于基于目标层数对图像特征进行特征融合,得到计算机断层扫描图像所对应的目标图像特征。
根据本申请实施例的另一方面,还提供了一种医学图像的识别装置,包括:读取模块,用于读取待识别的医学图像,其中,待识别的医学图像由多层子图像组成,待识别的医学图像的图像信息至少包括每层子图像对应的层厚;第一显示模块,用于提取每层子图像的图像特征,并显示对目标层数的子图像的图像特征进行融合所得到的目标图像特征,其中,目标层数是基于预设神经网络模型中的预设深度层对图像信息进行处理所得到的;第二显示模块,用于显示对目标图像特征进行分析所得到的待识别的医学图像的识别结果。
根据本申请实施例的另一方面,还提供了一种存储介质,该存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述的提取图像特征的方法以及上述的医学图像的识别方法。
根据本申请实施例的另一方面,还提供了一种处理器,该处理器用于运行程序,其中,程序运行时执行上述的提取图像特征的方法以及上述的医学图像的识别方法。
根据本申请实施例的另一方面,还提供了一种提取图像特征的系统,包括:处理器;以及存储器,与处理器连接,用于为处理器提供处理以下处理步骤的指令:获取计算机断层扫描图像的图像信息,其中,计算机断层扫描图像包括多层子图像,计算机断层扫描图像的图像信息至少包括每层子图像对应的层厚;基于预设神经网络模型中的预设深度层对图像信息进行处理,得到计算机断层扫描图像对应的目标层数;对每层子图像进行特征提取,得到每层子图像对应的图像特征;基于目标层数对图像特征进行特征融合,得到计算机断层扫描图像所对应的目标图像特征。
在本申请实施例中,采用在深度学习的中间层进行固定空间的归一化处理方式,在获取到计算机断层扫描图像的图像信息之后,通过预设神经网络模型中的预设深度层对图像信息进行处理,得到计算机断层扫描图像对应的目标层数,并对每层子图像进行特征提取,得到每层子图像对应的图像特征,最后,基于目标层数对图像特征进行特征融合,得到计算机断层扫描图像所对应的目标图像特征。
在上述过程中,对于不同层厚的计算机断层扫描图像使用相同的神经网络模型进行特征,无需占用过多的存储资源,也无需维护多个神经网络模型,减少了运维成本,提高了迭代效率,进而提高了计算机断层扫描图像的特征提取效率。而且,本申请所提供的方案在神经网络模型中的预设深度层来学习层与层之间的图像特征,从而防止了在神经网络模型的输入端对计算机断层扫描图像进行图像归一化处理所导致的图像信息丢失的问题。
由此可见,本申请所提供的方案达到了对计算机断层扫描图像进行特征提取的目的,从而实现了提高图像特征提取效率的技术效果,进而解决了现有技术中,对计算机断层扫描图像进行特征提取时,存在特征提取效率低的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种可选的用于实现提取图像特征的方法的计算设备的硬件结构框图;
图2是根据本申请实施例的一种提取图像特征的方法的流程图;
图3(a)是根据本申请实施例的一种可选的目标层数确定的示意图;
图3(b)是根据本申请实施例的一种可选的目标层数确定的示意图;
图4是根据本申请实施例的一种提取图像特征的方法的流程图;
图5是根据本申请实施例的一种提取图像特征的流程示意图;
图6是根据本申请实施例的一种提取图像特征的装置示意图;
图7是根据本申请实施例的一种提取图像特征的装置示意图;
图8是根据本申请实施例的一种可选的计算设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通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,都应当属于本申请保护的范围。
需要说明的是,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”等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“具有”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。
实施例1
根据本申请实施例,还提供了一种提取图像特征的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算设备或者类似的运算装置中执行。图1示出了一种用于实现提取图像特征的方法的计算设备(或移动设备)的硬件结构框图。如图1所示,计算设备10(或移动设备10)可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算设备10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算设备10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中的提取图像特征的方法对应的程序指令/数据存储装置,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的提取图像特征的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算设备10(或移动设备)的用户界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
此外,还需要说明的是,计算设备,例如,电脑、平板等可作为本实施例所提供的方法的执行主体,其中,该计算设备用于进行图像处理,该计算设备可与CT机直接(例如,计算设备与CT机直接连接)或间接(例如,用户获取CT机扫描得到的图像,并将图像输入至计算设备中)连接,以获取CT机对目标对象进行扫描的图像,进而对该图像进行特征提取,以实现对目标对象的疾病类型的检测,或者病变位置的检测等。
在上述运行环境下,本申请提供了如图2所示的提取图像特征的方法。图2是根据本申请实施例一的提取图像特征的方法的流程图,由图2可知,该方法包括如下步骤:
步骤S202,获取计算机断层扫描图像的图像信息,其中,计算机断层扫描图像包括多层子图像,计算机断层扫描图像的图像信息至少包括每层子图像对应的层厚。
在步骤S202中,CT图像(即上述的计算机断层扫描图像)为三维图像,对于同一张CT图像,其所包含的每层子图像所对应的层厚是相同的,即同一张CT图像所包含的子图像具有相同的层厚,而不同的CT图像所包含的子图像的层厚可能不同,例如,CT图像A所包含的子图像的层厚均为1mm,而CT图像B所包含的子图像的层厚均为3mm。
另外,CT层厚表征了计算机体层成像断面图像在垂直于被照体或检查床方向上覆盖的长度,可选的,CT层厚为CT图像所包含的每层子图像对应的层厚。
在一种可选的实施例中,CT机与计算设备直接连接,包括但不限于有线连接和无线连接,即计算设备可以直接获取到CT机对目标对象(例如,人体)进行扫描后所生成的CT图像。计算设备在获取到CT图像之后,对CT图像进行解析处理,得到CT图像对应的图像信息。
在另一种可选的实施例中,计算设备无法直接获取CT机对目标对象进行扫描后生成的CT图像,在该场景中,用户可通过第三方设备或者网络的形式获取CT图像,并将CT图像输入至计算设备,从而计算设备能够获取CT图像,并对CT图像进行解析处理,得到CT图像对应的图像信息。
还存在一种可选的实施例中,用户在使用CT机对目标对象进行扫描时,可设置CT图像对应的层厚,在该场景中,用户可将CT图像以及CT图像对应的图像信息(例如,CT层厚)输入至计算设备,以使计算设备获取CT图像以及图像信息,并对CT图像进行特征提取。
步骤S204,基于预设神经网络模型中的预设深度层对图像信息进行处理,得到计算机断层扫描图像对应的目标层数。
在步骤S204中,上述预设深度层可根据实际需求进行自行设定,可选的,根据不同任务对应的任务需求信息来由用户进行设定,例如,病灶检测任务对应的预设深度层与病灶分类任务对应的预设深度层属于不同的深度层。
另外,在步骤S204中,目标层数表征了对CT图像中的特征进行特征融合时,与当前子图像进行特征融合的其他层的子图像的数量。例如,目标层数为N,则进行特征融合的所有层的子图像的数量为2N+1,包括当前子图像之前的N层子图像和之后的N层子图像。
需要说明的是,在现有技术中,对于不同层厚的CT图像,通常在神经网络模型的输入端对CT图像进行归一化处理,即在神经网络模型接收到CT图像之前,计算设备首先对CT图像进行层厚归一化处理,并使用归一化后的层厚所对应的图像处理算法来对层厚归一化后的CT图像进行特征提取。由于不同层厚的CT图像所对应的层厚差异较大,因此,对层厚归一化后的CT图像进行特征提取易丢失图像信息,效果较差,而采用的归一化后的层厚所对应的图像处理算法的效果通常落后于固定层厚专属算法。
而在本实施例中,计算设备通过在深度学习中间层(即上述预设深度层)自动学习层与层之间信息,从而在不丢失CT图像信息的基础上,能够使CT图像特征的提取效果达到预期。
步骤S206,对每层子图像进行特征提取,得到每层子图像对应的图像特征。
在步骤S206中,计算设备可以采用现有的二维神经网络模型来对每层子图像进行特征提取,例如,计算设备采用卷积神经网络模型提取每层子图像的特征,得到每层子图像所对应的图像特征。
步骤S208,基于目标层数对图像特征进行特征融合,得到计算机断层扫描图像所对应的目标图像特征。
在步骤S208中,计算设备可通过注意力机制在z方向对目标层数的子图像进行图像特征的融合,得到CT图像所对应的目标图像特征。其中,注意力机制为深度学习中的一种信息筛选机制,通过该机制可在众多信息中将注意力集中放在重要的点上,选出关键信息,而忽略其他不重要的信息。在本实施例中,计算设备通过注意力机制从每层子图像所包含的多个图像特征中筛选出重要的关键图像特征,并将每层子图像所对应的关键图像特征进行特征融合,得到CT图像所对应的目标图像特征。
需要说明的是,在得到目标图像特征之后,计算设备可根据实际的任务需求信息(例如,病灶检测、分类、分割等)对目标图像特征进行分析。
基于上述步骤S202至步骤S208所限定的方案,可以获知,在本申请实施例中,采用在深度学习的中间层进行固定空间的归一化处理方式,在获取到计算机断层扫描图像的图像信息之后,通过预设神经网络模型中的预设深度层对图像信息进行处理,得到计算机断层扫描图像对应的目标层数,并对每层子图像进行特征提取,得到每层子图像对应的图像特征,最后,基于目标层数对图像特征进行特征融合,得到计算机断层扫描图像所对应的目标图像特征。
容易注意到的是,在上述过程中,对于不同层厚的计算机断层扫描图像使用相同的神经网络模型进行特征,无需占用过多的存储资源,也无需维护多个神经网络模型,减少了运维成本,提高了迭代效率,进而提高了计算机断层扫描图像的特征提取效率。而且,本申请所提供的方案在神经网络模型中的预设深度层来学习层与层之间的图像特征,从而防止了在神经网络模型的输入端对计算机断层扫描图像进行图像归一化处理所导致的图像信息丢失的问题。
由此可见,本申请所提供的方案达到了对计算机断层扫描图像进行特征提取的目的,从而实现了提高图像特征提取效率的技术效果,进而解决了现有技术中,对计算机断层扫描图像进行特征提取时,存在特征提取效率低的技术问题。
在一种可选的实施例中,在获取到CT图像的图像信息之后,计算设备对每层子图像进行特征提取,得到每层子图像对应的图像特征。具体的,计算设备基于二维神经网络模型对计算机断层扫描图像进行信息提取,得到每层子图像对应的图像特征。
可选的,上述二维神经网络模型可以包括但不限于卷积层、Batchnorm层以及卷积层,其中,该二维神经网络模型可对CT图像进行池化操作。另外,该二维神经网络模型设置在深度学习模型的前端,用于提取CT图像的浅层特征。
需要说明的是,计算设备在Batchnorm层中来加速神经网络的训练、加速收敛速度以及稳定性,Batchnorm层是深度学习模型中不必可少的一部分。
在一种可选的实施例中,在获取到CT图像的图像信息之后,计算设备基于预设神经网络模型中的预设深度层对图像信息进行处理,得到计算机断层扫描图像对应的目标层数。具体的,计算设备首先获取与预设任务对应的任务需求信息,并根据任务需求信息确定预设深度层在预设神经网络模型中的目标层级,然后根据任务需求信息确定预设感受野,最后,在预设深度层中根据目标层级以及预设感受野计算得到计算机断层扫描图像对应的目标层数。其中,任务需求信息与目标层级之间具有关联关系,预设感受野为位于每层子图像对应的特征图上的像素点在每层子图像上的映射区域范围。
需要说明的是,在上述过程中,预设任务可以为但不限于病灶检测、病灶分类以及图像分割等,其中,不同的预设任务对应不同的任务需求信息。另外,不同的任务需求信息所对应的预设深度层也是不同的,即在本实施例中,对于不同的任务需求信息,其对CT图像的层厚进行归一化处理的预设神经网络模型中的目标层级是不同的,例如,病灶检测在预设神经网络模型中所对应的预设深度层为N1层,而病灶分类在预设神经网络模型中所对应的预设深度层为N2层,N1与N2并不相同。
可选的,计算设备将预设任务对应的任务需求信息输入至第一神经网络模型之后,即可获取第一神经网络模型输出的目标层级,其中,第一神经网络模型为使用多组数据通过机器学习训练得到的,多组数据中的每组数据均包括任务需求信息以及任务需求信息所对应的目标层级。
需要说明的是,上述任务需求信息对应的目标层级可通过上述的第一神经网络模型计算得到,也可由用户根据实际需求进行设定。优选的,用户可根据第一神经网络模型的输出结果并结合实际需求来设定目标层级,例如,第一神经网络模型输出的目标层级为N1,用户可直接设定N1为目标层级,也可对N1进行调整,例如,将N1调整为N2,即将N2设定为目标层级。
可选的,计算设备将预设任务对应的任务需求信息输入至第二神经网络模型之后,即可获取第二神经网络模型输出的预设感受野,其中,第二神经网络模型为使用多组数据通过机器学习训练得到的,多组数据中的每组数据均包括任务需求信息以及任务需求信息所对应的预设感受野。
需要说明的是,上述任务需求信息对应的预设感受野可通过上述的第二神经网络模型计算得到,也可由用户根据实际需求进行设定。优选的,用户可根据第二神经网络模型的输出结果并结合实际需求来设定预设感受野,例如,第二神经网络模型输出的预设感受野为M1,用户可直接设定M1为预设感受野,也可对M1进行调整,例如,将M1调整为M2,即将M2设定为预设感受野。
在一种可选的实施例中,在确定预设感受野之后,计算设备根据CT图像的目标层级以及预设感受野计算得到目标层数,其中,目标层数可由预设感受野与目标层级之间的比值计算得到,例如,在图3(a)所示的目标层数确定的示意图中,CT图像对应的CT层厚为1mm,预设感受野为9mm,则目标层数为9层。又例如,在图3(b)所示的目标层数确定的示意图中,CT图像对应的CT层厚为3mm,预设感受野为9mm,则目标层数为3层。
在一种可选的实施例中,在对每层子图像进行特征提取,得到每层子图像对应的图像特征之后,计算设备根据任务需求信息确定所要提取的图像特征的特征类型,并根据特征类型对每层子图像对应的图像特征进行特征筛选,得到筛选后的图像特征。可选的,计算设备可采用注意力机制对每层子图像所包含的图像特征进行特征筛选。其中,计算设备可将任务需求信息输入第三神经网络模型,并获取第三神经网络模型输出的特征类型,其中,第三神经网络模型为使用多组数据通过机器学习训练得到的,多组数据中的每组数据均包括任务需求信息以及任务需求信息所对应的特征类型。
需要说明的是,上述任务需求信息对应的特征类型可通过上述的第三神经网络模型计算得到,也可由用户根据实际需求进行设定。优选的,用户可根据第三神经网络模型输出的特征类型并结合实际需求来设定特征类型,例如,第三神经网络模型输出的特征类型为L1,用户可直接设定L1为特征类型,也可对L1进行调整,例如,将L1调整为L2,即将L2设定为特征类型。
进一步的,在确定目标层数之后,计算设备基于目标层数对图像特征进行特征融合,得到计算机断层扫描图像所对应的目标图像特征。具体的,计算设备根据目标层数确定多层目标子图像,并获取多层目标子图像所对应的图像特征,然后对多层目标子图像所对应的图像特征进行特征融合,得到目标图像特征。其中,多层目标子图像为多层子图像中与当前子图像进行特征融合的多层子图像。例如,在图3(a)中,目标层数为9层,则计算设备将当前子图像之前的9层子图像所对应的图像特征,当前子图像之后的9层子图像所对应的图像特征以及当前子图像所对应的图像特征进行特征融合,得到目标图像特征,即在图3(a)中,计算设备对19层子图像进行特征融合。又例如,在图3(b)中,目标层数为3层,则计算设备将当前子图像之前的3层子图像所对应的图像特征,当前子图像之后的3层子图像所对应的图像特征以及当前子图像所对应的图像特征进行特征融合,得到目标图像特征,即在图3(b)中,计算设备对7层子图像进行特征融合。
需要说明的是,预设神经网络中确定CT图像对应的目标层数,对CT图像进行特征提取以及对CT图像进行特征融合的预设深度层可以包括但不限于固定物理尺寸的z方向平均池化层、卷积层以及bn层,也可包括其他层,或者由其他方案替代,在本实施例中不进行具体限定。
此外,还需要说明的是,根据固定层厚的特征表示,不同层厚所对应的图像数据也可以学习相同语义特征,从而实现端到端地训练下游任务,例如,病灶检测、图像分割以及病灶分类等。
在一种可选的实施例中,在基于目标层数对图像特征进行特征融合,得到计算机断层扫描图像所对应的目标图像特征之后,计算设备检测预设病灶数据库中是否存在与目标图像特征对应的病灶特征,并在预设病灶数据库中存在与目标图像特征对应的病灶特征时,确定与计算机断层扫描图像对应的目标对象的病灶信息。例如,计算设备在预设病灶数据库中查询与目标图像特征相同或者相似度大于预设相似度的病灶特征,在检测到预设病灶数据库中存在与该目标图像特征对应的病灶特征时,根据该病灶特征即可确定CT图像所对应的人(即目标对象)所对应的疾病。即计算设备可使用本实施例所提供的提取图像特征的方法所提取到的目标图像特征进行病灶检测。
在另一种可选的实施例中,在基于目标层数对图像特征进行特征融合,得到计算机断层扫描图像所对应的目标图像特征之后,计算设备基于目标图像特征对计算机断层扫描图像进行图像分割,得到多个子区域图像,并对多个子区域图像进行分析,确定目标子区域图像,然后,根据目标子区域图像在计算机断层扫描图像中的位置信息,确定异常体征状态在目标对象中的位置信息。其中,目标子区域图像至少包括与计算机断层扫描图像对应的目标对象的异常体征状态。
例如,目标对象(例如,人)的肺部存在病变,计算设备在使用本实施例所提供的方法获取到CT图像对应的目标图像特征之后,计算设备按照目标图像特征将CT图像分割为多个子区域图像,并对多个子区域图像所包含的图像特征进行特征分析,以确定子区域图像中包含的特征是否为病灶特征,如果为病灶特征,则记录该子区域图像在CT图像中的位置,从而可确定病灶在人体中的具体位置。
由上述内容可知,本申请通过深度信息融合,可以通过深度学习,自动学习到不同层厚原始图像的共有信息,从而提升了CT图像特征的提取效果。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的提取图像特征的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
实施例2
根据本申请实施例,还提供了一种医学图像的识别方法,如图4所示,该方法包括:
步骤S402,读取待识别的医学图像,其中,待识别的医学图像由多层子图像组成,待识别的医学图像的图像信息至少包括每层子图像对应的层厚。
在步骤S402中,待识别的医学图像可以为但不限于计算机断层扫描图像,其中,CT图像(即上述的计算机断层扫描图像)为三维图像,对于同一张CT图像,其所包含的每层子图像所对应的层厚是相同的,即同一张CT图像所包含的子图像具有相同的层厚,而不同的CT图像所包含的子图像的层厚可能不同,例如,CT图像A所包含的子图像的层厚均为1mm,而CT图像B所包含的子图像的层厚均为3mm。另外,CT层厚表征了计算机体层成像断面图像在垂直于被照体或检查床方向上覆盖的长度,可选的,CT层厚为CT图像所包含的每层子图像对应的层厚。
在一种可选的实施例中,CT机与计算设备直接连接,包括但不限于有线连接和无线连接,即计算设备可以直接获取到CT机对目标对象(例如,人体)进行扫描后所生成的CT图像。计算设备在获取到CT图像之后,对CT图像进行解析处理,得到CT图像对应的图像信息。
在另一种可选的实施例中,计算设备无法直接获取CT机对目标对象进行扫描后生成的CT图像,在该场景中,用户可通过第三方设备或者网络的形式获取CT图像,并将CT图像输入至计算设备,从而计算设备能够获取CT图像,并对CT图像进行解析处理,得到CT图像对应的图像信息。
还存在一种可选的实施例中,用户在使用CT机对目标对象进行扫描时,可设置CT图像对应的层厚,在该场景中,用户可将CT图像以及CT图像对应的图像信息(例如,CT层厚)输入至计算设备,以使计算设备获取CT图像以及图像信息,并对CT图像进行特征提取。
步骤S404,提取每层子图像的图像特征,并显示对目标层数的子图像的图像特征进行融合所得到的目标图像特征,其中,目标层数是基于预设神经网络模型中的预设深度层对图像信息进行处理所得到的。
在步骤S404中,上述预设深度层可根据实际需求进行自行设定,可选的,根据不同任务对应的任务需求信息来由用户进行设定,例如,病灶检测任务对应的预设深度层与病灶分类任务对应的预设深度层属于不同的深度层。
另外,如图5所示,计算设备可通过对CT图像进行信息提取,得到目标层数,其中,目标层数表征了对CT图像中的特征进行特征融合时,与当前子图像进行特征融合的其他层的子图像的数量。例如,目标层数为N,则进行特征融合的所有层的子图像的数量为2N+1,包括当前子图像之前的N层子图像和之后的N层子图像。
需要说明的是,在现有技术中,对于不同层厚的CT图像,通常在神经网络模型的输入端对CT图像进行归一化处理,即在神经网络模型接收到CT图像之前,计算设备首先对CT图像进行层厚归一化处理,并使用归一化后的层厚所对应的图像处理算法来对层厚归一化后的CT图像进行特征提取。由于不同层厚的CT图像所对应的层厚差异较大,因此,对层厚归一化后的CT图像进行特征提取易丢失图像信息,效果较差,而采用的归一化后的层厚所对应的图像处理算法的效果通常落后于固定层厚专属算法。
而在本实施例中,计算设备通过在深度学习中间层(即上述预设深度层)自动学习层与层之间信息,从而在不丢失CT图像信息的基础上,能够使CT图像特征的提取效果达到预期。
另外,在本实施例中,计算设备可以采用现有的二维神经网络模型来对每层子图像进行特征提取,如图5中,计算设备通过预设神经网络模型对CT图像进行特征提取,得到图像特征,例如,计算设备采用卷积神经网络模型提取每层子图像的特征,得到每层子图像所对应的图像特征。如图5所示,在得到图像特征以及目标层数之后,计算设备可通过注意力机制在z方向对目标层数的子图像进行图像特征的融合,得到CT图像所对应的目标图像特征。其中,注意力机制为深度学习中的一种信息筛选机制,通过该机制可在众多信息中将注意力集中放在重要的点上,选出关键信息,而忽略其他不重要的信息。在本实施例中,计算设备通过注意力机制从每层子图像所包含的多个图像特征中筛选出重要的关键图像特征,并将每层子图像所对应的关键图像特征进行特征融合,得到CT图像所对应的目标图像特征。
步骤S406,显示对目标图像特征进行分析所得到的待识别的医学图像的识别结果。
需要说明的是,在得到目标图像特征之后,计算设备可根据实际的任务需求信息(例如,病灶检测、分类、分割等)对目标图像特征进行分析,并显示识别结果,如图5所示,显示病灶检测的检测结果,如图5中的识别结果为“早期肺癌病灶”,并标注“早期肺癌病灶”所对应的病变位置。
基于上述步骤S402至步骤S406所限定的方案,可以获知,在本申请实施例中,采用在深度学习的中间层进行固定空间的归一化处理方式,在读取由多层子图像组成的待识别的医学图像之后,通过提取每层子图像的图像特征,并基于预设神经网络模型中的预设深度层对图像信息进行处理得到目标层数,然后对目标层数的子图像的图像特征进行融合,得到目标图像特征,最后,对目标图像特征进行分析所得到的待识别的医学图像的识别结果。
容易注意到的是,在上述过程中,对于不同层厚的待识别的医学图像使用相同的神经网络模型进行特征,无需占用过多的存储资源,也无需维护多个神经网络模型,减少了运维成本,提高了迭代效率,进而提高了待识别的医学图像的特征提取效率。而且,本申请所提供的方案在神经网络模型中的预设深度层来学习层与层之间的图像特征,从而防止了在神经网络模型的输入端对待识别的医学图像进行图像归一化处理所导致的图像信息丢失的问题。
由此可见,本申请所提供的方案达到了对待识别的医学图像进行特征提取的目的,从而实现了提高图像特征提取效率的技术效果,进而解决了现有技术中,对待识别的医学图像进行特征提取时所存在的特征提取效率低的技术问题。
需要说明的是,通过上述步骤S402至步骤S404得到目标图像特征的过程与实施例1中的提取图像特征的方法相同,相关内容已在实施例1中进行详细说明,在此不再赘述。
在一种可选的实施例中,在得到待识别的医学图像之后,计算设备对目标图像特征进行分析,以得到待识别的医学图像的识别结果。具体的,计算设备基于目标图像特征对待识别的医学图像进行分割,得到多个子区域图像,然后,从多个子区域图像中确定存在病灶特征的目标子区域图像,并在待识别的医学图像中对目标子区域图像在待识别的医学图像中的位置信息进行突出显示。
例如,目标对象(例如,人)的肺部存在病变,计算设备在使用本实施例所提供的方法获取到待识别的医学图像对应的目标图像特征之后,计算设备按照目标图像特征将待识别的医学图像分割为多个子区域图像,并对多个子区域图像所包含的图像特征进行特征分析,以确定子区域图像中包含的特征是否为病灶特征,如果为病灶特征,则记录该子区域图像在待识别的医学图像中的位置,从而可确定病灶在人体中的具体位置。另外,在确定病灶特征在待识别的医学图像中的位置之后,计算设备在待识别的医学图像上对存在病灶特征所在的位置进行突出显示,以使医务人员能够快速确定病灶所在的位置。
在一种可选的实施例中,在从多个子区域图像中确定存在异常特征的目标子区域图像的过程中,计算设备获取每个子区域图像所对应的子图像特征,并检测预设病灶数据库中是否存在与子图像特征对应的病灶特征,在在检测到预设病灶数据库中存在与子图像特征对应的病灶特征时,确定子图像特征所对应的子区域图像为目标子区域图像。例如,计算设备在预设病灶数据库中查询与子图像特征相同或者相似度大于预设相似度的病灶特征,在检测到预设病灶数据库中存在与该子图像特征对应的病灶特征时,则确定待识别的医学图像所对应的人体存在异常,此时,计算设备通过检测该病灶特征在待识别的医学图像中所在的子区域图像,即可确定病灶在人体中的具体位置。
进一步的,在待识别的医学图像中对目标子区域图像在待识别的医学图像中的位置信息进行突出显示之后,计算设备从预设病灶数据库中获取与目标图像特征对应的病灶信息,并显示病灶信息。其中,预设病灶数据库中至少包括:预设图像特征、预设病灶信息以及预设图像特征与预设病灶信息之间的关联关系。可选的,计算设备通过预设病灶数据库可查询到目标图像特征所对应的病灶信息,即可确定目标对象所对应的疾病类型,并在计算设备的显示界面上对疾病类型进行显示,例如,在图5中显示疾病类型为早期肺癌病灶。
由上述内容可知,本申请通过深度信息融合,可以通过深度学习,自动学习到不同层厚原始图像的共有信息,从而提升了待识别的医学图像的提取效果。
实施例3
根据本申请实施例,还提供了一种用于实施上述实施例1中的方法的提取图像特征的装置,如图6所示,该装置60包括:获取模块601、处理模块603、提取模块605以及融合模块607。
其中,获取模块601,用于获取计算机断层扫描图像的图像信息,其中,计算机断层扫描图像包括多层子图像,计算机断层扫描图像的图像信息至少包括每层子图像对应的层厚;处理模块603,用于基于预设神经网络模型中的预设深度层对图像信息进行处理,得到计算机断层扫描图像对应的目标层数;提取模块605,用于对每层子图像进行特征提取,得到每层子图像对应的图像特征;融合模块607,用于基于目标层数对目标图像特征进行特征融合,得到计算机断层扫描图像所对应的目标图像特征。
此处需要说明的是,上述获取模块601、处理模块603、提取模块605以及融合模块607对应于实施例1中的步骤S202至步骤S208,四个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例一所公开的内容。
实施例4
根据本申请实施例,还提供了一种用于实施上述实施例2中的方法的医学图像的识别装置,如图7所示,该装置70包括:读取模块701、第一显示模块703以及第二显示模块705。
其中,读取模块701,用于读取待识别的医学图像,其中,待识别的医学图像由多层子图像组成,待识别的医学图像的图像信息至少包括每层子图像对应的层厚;
第一显示模块703,用于提取每层子图像的图像特征,并显示对目标层数的子图像的图像特征进行融合所得到的目标图像特征,其中,目标层数是基于预设神经网络模型中的预设深度层对图像信息进行处理所得到的;
第二显示模块705,用于显示对图像特征进行分析所得到的待识别的医学图像的识别结果。
此处需要说明的是,上述读取模块701、第一显示模块703以及第二显示模块705对应于实施例2中的步骤S402至步骤S406,三个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例二所公开的内容。
实施例5
根据本申请实施例,还提供了一种用于实施上述实施例1中的方法的提取图像特征的系统,该系统包括:处理器以及存储器。
其中,存储器,与处理器连接,用于为处理器提供处理以下处理步骤的指令:获取计算机断层扫描图像的图像信息,其中,计算机断层扫描图像包括多层子图像,计算机断层扫描图像的图像信息至少包括每层子图像对应的层厚;基于预设神经网络模型中的预设深度层对图像信息进行处理,得到计算机断层扫描图像对应的目标层数;对每层子图像进行特征提取,得到每层子图像对应的图像特征;基于目标层数对图像特征进行特征融合,得到计算机断层扫描图像所对应的目标图像特征。
由上可知,在本申请实施例中,采用在深度学习的中间层进行固定空间的归一化处理方式,在获取到计算机断层扫描图像的图像信息之后,通过预设神经网络模型中的预设深度层对图像信息进行处理,得到计算机断层扫描图像对应的目标层数,并对每层子图像进行特征提取,得到每层子图像对应的图像特征,最后,基于目标层数对图像特征进行特征融合,得到计算机断层扫描图像所对应的目标图像特征。
容易注意到的是,在上述过程中,对于不同层厚的计算机断层扫描图像使用相同的神经网络模型进行特征,无需占用过多的存储资源,也无需维护多个神经网络模型,减少了运维成本,提高了迭代效率,进而提高了计算机断层扫描图像的特征提取效率。而且,本申请所提供的方案在神经网络模型中的预设深度层来学习层与层之间的图像特征,从而防止了在神经网络模型的输入端对计算机断层扫描图像进行图像归一化处理所导致的图像信息丢失的问题。
由此可见,本申请所提供的方案达到了对计算机断层扫描图像进行特征提取的目的,从而实现了提高图像特征提取效率的技术效果,进而解决了现有技术中,对计算机断层扫描图像进行特征提取时,存在特征提取效率低的技术问题。
需要说明的是,本实施例中的处理器可执行实施例1中的提取图像特征的方法,其中,处理器执行提取图像特征的方法所包含的内容与实施例1中的内容相同,在此不再赘述。
实施例6
本申请的实施例可以提供一种计算设备,该计算设备可以是计算机终端群中的任意一个计算设备。可选地,在本实施例中,上述计算设备也可以替换为移动终端等终端设备。
可选地,在本实施例中,上述计算设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中,上述计算设备可以执行提取图像特征的方法中以下步骤的程序代码:获取计算机断层扫描图像的图像信息,其中,计算机断层扫描图像包括多层子图像,计算机断层扫描图像的图像信息至少包括每层子图像对应的层厚;基于预设神经网络模型中的预设深度层对图像信息进行处理,得到计算机断层扫描图像对应的目标层数;对每层子图像进行特征提取,得到每层子图像对应的图像特征;基于目标层数对图像特征进行特征融合,得到计算机断层扫描图像所对应的目标图像特征。
在本实施例中,上述计算设备还可以执行医学图像的识别方法中以下步骤的程序代码:读取待识别的医学图像,其中,待识别的医学图像由多层子图像组成,待识别的医学图像的图像信息至少包括每层子图像对应的层厚;提取每层子图像的图像特征,并显示对目标层数的子图像的图像特征进行融合所得到的目标图像特征,其中,目标层数是基于预设神经网络模型中的预设深度层对图像信息进行处理所得到的;显示对目标图像特征进行分析所得到的待识别的医学图像的识别结果。
可选地,图8是根据本申请实施例的一种计算设备的结构框图。如图8所示,该计算设备10可以包括:一个或多个(图中仅示出一个)处理器802、存储器804以及外设接口806。
其中,存储器可用于存储软件程序以及模块,如本申请实施例中的提取图像特征的方法和医学图像的识别方法对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的提取图像特征的方法和医学图像的识别方法。存储器可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:获取计算机断层扫描图像的图像信息,其中,计算机断层扫描图像包括多层子图像,计算机断层扫描图像的图像信息至少包括每层子图像对应的层厚;基于预设神经网络模型中的预设深度层对图像信息进行处理,得到计算机断层扫描图像对应的目标层数;对每层子图像进行特征提取,得到每层子图像对应的图像特征;基于目标层数对图像特征进行特征融合,得到计算机断层扫描图像所对应的目标图像特征。
可选的,上述处理器还可以执行如下步骤的程序代码:基于二维神经网络模型对计算机断层扫描图像进行信息提取,得到每层子图像对应的图像特征。
可选的,上述处理器还可以执行如下步骤的程序代码:获取与预设任务对应的任务需求信息;根据任务需求信息确定预设深度层在预设神经网络模型中的目标层级,其中,任务需求信息与目标层级之间具有关联关系;根据任务需求信息确定预设感受野,其中,预设感受野为位于每层子图像对应的特征图上的像素点在每层子图像上的映射区域范围;在预设深度层中根据目标层级以及预设感受野计算得到计算机断层扫描图像对应的目标层数。
可选的,上述处理器还可以执行如下步骤的程序代码:在对每层子图像进行特征提取,得到每层子图像对应的图像特征之后,根据任务需求信息确定所要提取的图像特征的特征类型;根据特征类型对每层子图像对应的图像特征进行特征筛选,得到筛选后的图像特征。
可选的,上述处理器还可以执行如下步骤的程序代码:根据目标层数确定多层目标子图像,其中,多层目标子图像为多层子图像中与当前子图像进行特征融合的多层子图像;获取多层目标子图像所对应的图像特征;对多层目标子图像所对应的图像特征进行特征融合,得到目标图像特征。
可选的,上述处理器还可以执行如下步骤的程序代码:在基于目标层数对图像特征进行特征融合,得到计算机断层扫描图像所对应的目标图像特征之后,检测预设病灶数据库中是否存在与目标图像特征对应的病灶特征;在预设病灶数据库中存在与目标图像特征对应的病灶特征时,确定与计算机断层扫描图像对应的目标对象的病灶信息。
可选的,上述处理器还可以执行如下步骤的程序代码:在基于目标层数对图像特征进行特征融合,得到计算机断层扫描图像所对应的目标图像特征之后基于目标图像特征对计算机断层扫描图像进行图像分割,得到多个子区域图像;对多个子区域图像进行分析,确定目标子区域图像,其中,目标子区域图像至少包括与计算机断层扫描图像对应的目标对象的异常体征状态;根据目标子区域图像在计算机断层扫描图像中的位置信息,确定异常体征状态在目标对象中的位置信息。
可选的,上述处理器还可以执行如下步骤的程序代码:读取待识别的医学图像,其中,待识别的医学图像由多层子图像组成,待识别的医学图像的图像信息至少包括每层子图像对应的层厚;提取每层子图像的图像特征,并显示对目标层数的子图像的图像特征进行融合所得到的目标图像特征,其中,目标层数是基于预设神经网络模型中的预设深度层对图像信息进行处理所得到的;显示对目标图像特征进行分析所得到的待识别的医学图像的识别结果。
可选的,上述处理器还可以执行如下步骤的程序代码:基于目标图像特征对待识别的医学图像进行分割,得到多个子区域图像;从多个子区域图像中确定存在病灶特征的目标子区域图像;在待识别的医学图像中对目标子区域图像在待识别的医学图像中的位置信息进行突出显示。
可选的,上述处理器还可以执行如下步骤的程序代码:获取每个子区域图像所对应的子图像特征;检测预设病灶数据库中是否存在与子图像特征对应的病灶特征;在检测到预设病灶数据库中存在与子图像特征对应的病灶特征时,确定子图像特征所对应的子区域图像为目标子区域图像。
可选的,上述处理器还可以执行如下步骤的程序代码:在待识别的医学图像中对目标子区域图像在待识别的医学图像中的位置信息进行突出显示之后,从预设病灶数据库中获取与目标图像特征对应的病灶信息,其中,预设病灶数据库中至少包括:预设图像特征、预设病灶信息以及预设图像特征与预设病灶信息之间的关联关系;显示病灶信息。
可选的,待识别的医学图像为计算机断层扫描图像。
本领域普通技术人员可以理解,图8所示的结构仅为示意,计算设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(Mobi leInternet Devices,MID)、PAD等终端设备。图8其并不对上述电子装置的结构造成限定。例如,计算设备10还可包括比图8中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图8所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
实施例7
本申请的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于保存上述实施例所提供的提取图像特征的方法以及医学图像的识别方法所执行的程序代码。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算设备中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取计算机断层扫描图像的图像信息,其中,计算机断层扫描图像包括多层子图像,计算机断层扫描图像的图像信息至少包括每层子图像对应的层厚;基于预设神经网络模型中的预设深度层对图像信息进行处理,得到计算机断层扫描图像对应的目标层数;对每层子图像进行特征提取,得到每层子图像对应的图像特征;基于目标层数对图像特征进行特征融合,得到计算机断层扫描图像所对应的目标图像特征。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:基于二维神经网络模型对计算机断层扫描图像进行信息提取,得到每层子图像对应的图像特征。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取与预设任务对应的任务需求信息;根据任务需求信息确定预设深度层在预设神经网络模型中的目标层级,其中,任务需求信息与目标层级之间具有关联关系;根据任务需求信息确定预设感受野,其中,预设感受野为位于每层子图像对应的特征图上的像素点在每层子图像上的映射区域范围;在预设深度层中根据目标层级以及预设感受野计算得到计算机断层扫描图像对应的目标层数。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:在对每层子图像进行特征提取,得到每层子图像对应的图像特征之后,根据任务需求信息确定所要提取的图像特征的特征类型;根据特征类型对每层子图像对应的图像特征进行特征筛选,得到筛选后的图像特征。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:根据目标层数确定多层目标子图像,其中,多层目标子图像为多层子图像中与当前子图像进行特征融合的多层子图像;获取多层目标子图像所对应的图像特征;对多层目标子图像所对应的图像特征进行特征融合,得到目标图像特征。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:在基于目标层数对图像特征进行特征融合,得到计算机断层扫描图像所对应的目标图像特征之后,检测预设病灶数据库中是否存在与目标图像特征对应的病灶特征;在预设病灶数据库中存在与目标图像特征对应的病灶特征时,确定与计算机断层扫描图像对应的目标对象的病灶信息。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:在基于目标层数对图像特征进行特征融合,得到计算机断层扫描图像所对应的目标图像特征之后基于目标图像特征对计算机断层扫描图像进行图像分割,得到多个子区域图像;对多个子区域图像进行分析,确定目标子区域图像,其中,目标子区域图像至少包括与计算机断层扫描图像对应的目标对象的异常体征状态;根据目标子区域图像在计算机断层扫描图像中的位置信息,确定异常体征状态在目标对象中的位置信息。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:读取待识别的医学图像,其中,待识别的医学图像由多层子图像组成,待识别的医学图像的图像信息至少包括每层子图像对应的层厚;提取每层子图像的图像特征,并显示对目标层数的子图像的图像特征进行融合所得到的目标图像特征,其中,目标层数是基于预设神经网络模型中的预设深度层对图像信息进行处理所得到的;显示对目标图像特征进行分析所得到的待识别的医学图像的识别结果。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:基于目标图像特征对待识别的医学图像进行分割,得到多个子区域图像;从多个子区域图像中确定存在病灶特征的目标子区域图像;在待识别的医学图像中对目标子区域图像在待识别的医学图像中的位置信息进行突出显示。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取每个子区域图像所对应的子图像特征;检测预设病灶数据库中是否存在与子图像特征对应的病灶特征;在检测到预设病灶数据库中存在与子图像特征对应的病灶特征时,确定子图像特征所对应的子区域图像为目标子区域图像。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:在待识别的医学图像中对目标子区域图像在待识别的医学图像中的位置信息进行突出显示之后,从预设病灶数据库中获取与目标图像特征对应的病灶信息,其中,预设病灶数据库中至少包括:预设图像特征、预设病灶信息以及预设图像特征与预设病灶信息之间的关联关系;显示病灶信息。
可选地,待识别的医学图像为计算机断层扫描图像。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (14)
1.一种提取图像特征的方法,其特征在于,包括:
获取计算机断层扫描图像的图像信息,其中,所述计算机断层扫描图像包括多层子图像,所述计算机断层扫描图像的图像信息至少包括每层子图像对应的层厚;
基于预设神经网络模型中的预设深度层对所述图像信息进行处理,得到所述计算机断层扫描图像对应的目标层数;
对所述每层子图像进行特征提取,得到所述每层子图像对应的图像特征;
基于所述目标层数对所述图像特征进行特征融合,得到所述计算机断层扫描图像所对应的目标图像特征。
2.根据权利要求1所述的方法,其特征在于,对所述每层子图像进行特征提取,得到所述每层子图像对应的图像特征,包括:
基于二维神经网络模型对所述计算机断层扫描图像进行信息提取,得到所述每层子图像对应的图像特征。
3.根据权利要求1所述的方法,其特征在于,基于预设神经网络模型中的预设深度层对所述图像信息进行处理,得到所述计算机断层扫描图像对应的目标层数,包括:
获取与预设任务对应的任务需求信息;
根据所述任务需求信息确定所述预设深度层在所述预设神经网络模型中的目标层级,其中,所述任务需求信息与所述目标层级之间具有关联关系;
根据所述任务需求信息确定预设感受野,其中,所述预设感受野为位于所述每层子图像对应的特征图上的像素点在所述每层子图像上的映射区域范围;
在所述预设深度层中根据所述目标层级以及所述预设感受野计算得到所述计算机断层扫描图像对应的目标层数。
4.根据权利要求3所述的方法,其特征在于,在对所述每层子图像进行特征提取,得到所述每层子图像对应的图像特征之后,所述方法还包括:
根据所述任务需求信息确定所要提取的图像特征的特征类型;
根据所述特征类型对所述每层子图像对应的图像特征进行特征筛选,得到筛选后的图像特征。
5.根据权利要求4所述的方法,其特征在于,基于所述目标层数对所述图像特征进行特征融合,得到所述计算机断层扫描图像所对应的目标图像特征,包括:
根据所述目标层数确定多层目标子图像,其中,所述多层目标子图像为所述多层子图像中与当前子图像进行特征融合的多层子图像;
获取所述多层目标子图像所对应的图像特征;
对所述多层目标子图像所对应的图像特征进行特征融合,得到所述目标图像特征。
6.根据权利要求1所述的方法,其特征在于,在基于所述目标层数对所述图像特征进行特征融合,得到所述计算机断层扫描图像所对应的目标图像特征之后,所述方法还包括:
检测预设病灶数据库中是否存在与所述目标图像特征对应的病灶特征;
在所述预设病灶数据库中存在与所述目标图像特征对应的病灶特征时,确定与所述计算机断层扫描图像对应的目标对象的病灶信息。
7.根据权利要求1所述的方法,其特征在于,在基于所述目标层数对所述图像特征进行特征融合,得到所述计算机断层扫描图像所对应的目标图像特征之后,所述方法还包括:
基于所述目标图像特征对所述计算机断层扫描图像进行图像分割,得到多个子区域图像;
对所述多个子区域图像进行分析,确定目标子区域图像,其中,所述目标子区域图像至少包括与所述计算机断层扫描图像对应的目标对象的异常体征状态;
根据所述目标子区域图像在所述计算机断层扫描图像中的位置信息,确定所述异常体征状态在所述目标对象中的位置信息。
8.一种医学图像的识别方法,其特征在于,包括:
读取待识别的医学图像,其中,所述待识别的医学图像由多层子图像组成,所述待识别的医学图像的图像信息至少包括每层子图像对应的层厚;
提取所述每层子图像的图像特征,并显示对目标层数的子图像的图像特征进行融合所得到的目标图像特征,其中,所述目标层数是基于预设神经网络模型中的预设深度层对所述图像信息进行处理所得到的;
显示对所述目标图像特征进行分析所得到的待识别的医学图像的识别结果。
9.根据权利要求8所述的方法,其特征在于,显示对所述目标图像特征进行分析所得到的待识别的医学图像的识别结果,包括:
基于所述目标图像特征对所述待识别的医学图像进行分割,得到多个子区域图像;
从所述多个子区域图像中确定存在病灶特征的目标子区域图像;
在所述待识别的医学图像中对所述目标子区域图像在所述待识别的医学图像中的位置信息进行突出显示。
10.根据权利要求9所述的方法,其特征在于,从所述多个子区域图像中确定存在异常特征的目标子区域图像,包括:
获取每个子区域图像所对应的子图像特征;
检测预设病灶数据库中是否存在与所述子图像特征对应的病灶特征;
在检测到所述预设病灶数据库中存在与所述子图像特征对应的病灶特征时,确定所述子图像特征所对应的子区域图像为所述目标子区域图像。
11.根据权利要求10所述的方法,其特征在于,在所述待识别的医学图像中对所述目标子区域图像在所述待识别的医学图像中的位置信息进行突出显示之后,所述方法还包括:
从所述预设病灶数据库中获取与所述目标图像特征对应的病灶信息,其中,所述预设病灶数据库中至少包括:预设图像特征、预设病灶信息以及所述预设图像特征与所述预设病灶信息之间的关联关系;
显示所述病灶信息。
12.根据权利要求8所述的方法,其特征在于,所述待识别的医学图像为计算机断层扫描图像。
13.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的提取图像特征的方法以及权利要求8至12中任意一项所述的医学图像的识别方法。
14.一种提取图像特征的系统,其特征在于,包括:
处理器;以及
存储器,与所述处理器连接,用于为所述处理器提供处理以下处理步骤的指令:
获取计算机断层扫描图像的图像信息,其中,所述计算机断层扫描图像包括多层子图像,所述计算机断层扫描图像的图像信息至少包括每层子图像对应的层厚;基于预设神经网络模型中的预设深度层对所述图像信息进行处理,得到所述计算机断层扫描图像对应的目标层数;对所述每层子图像进行特征提取,得到所述每层子图像对应的图像特征;基于所述目标层数对所述图像特征进行特征融合,得到所述计算机断层扫描图像所对应的目标图像特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110578347.4A CN115409756A (zh) | 2021-05-26 | 2021-05-26 | 提取图像特征的方法以及医学图像的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110578347.4A CN115409756A (zh) | 2021-05-26 | 2021-05-26 | 提取图像特征的方法以及医学图像的识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115409756A true CN115409756A (zh) | 2022-11-29 |
Family
ID=84155601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110578347.4A Pending CN115409756A (zh) | 2021-05-26 | 2021-05-26 | 提取图像特征的方法以及医学图像的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115409756A (zh) |
-
2021
- 2021-05-26 CN CN202110578347.4A patent/CN115409756A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11887311B2 (en) | Method and apparatus for segmenting a medical image, and storage medium | |
CN107545262B (zh) | 一种在自然场景图像中检测文本的方法及装置 | |
US20220180521A1 (en) | Image processing method and apparatus, and electronic device, storage medium and computer program | |
Chauhan et al. | Role of gist and PHOG features in computer-aided diagnosis of tuberculosis without segmentation | |
CN111488921B (zh) | 一种全景数字病理图像智能分析系统及方法 | |
CN112767329B (zh) | 图像处理方法及装置、电子设备 | |
US20180279943A1 (en) | System and method for the analysis and transmission of data, images and video relating to mammalian skin damage conditions | |
CN111209916B (zh) | 病灶识别方法及系统、识别设备 | |
CN111161848B (zh) | Ct图像的病灶标注方法及装置、存储介质 | |
US11501431B2 (en) | Image processing method and apparatus and neural network model training method | |
CN111860169B (zh) | 皮肤分析方法、装置、存储介质及电子设备 | |
CN112581458B (zh) | 一种图像处理方法和装置 | |
CN113034354B (zh) | 一种图像处理方法、装置、电子设备和可读存储介质 | |
CN112232448B (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN113470037A (zh) | 数据处理方法、装置及系统 | |
CN113469180A (zh) | 医学图像的处理方法和系统、数据处理方法 | |
CN114219754A (zh) | 基于眼部ct图像的甲状腺相关眼疾识别方法和装置 | |
CN112561877A (zh) | 多尺度双通道卷积模型训练方法、图像处理方法及装置 | |
CN113034528A (zh) | 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 | |
CN113782181A (zh) | 一种基于ct图像的肺结节良恶性诊断方法及装置 | |
CN116797554A (zh) | 图像处理方法以及装置 | |
US7751626B2 (en) | Method and apparatus for detection using gradient-weighted and/or distance-weighted graph cuts | |
CN115409756A (zh) | 提取图像特征的方法以及医学图像的识别方法 | |
CN116188938A (zh) | 目标对象的确定方法、装置、存储介质及电子装置 | |
CN111275045A (zh) | 图像的主体识别方法、装置、电子设备和介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240312 Address after: # 03-06, Lai Zan Da Building 1, 51 Belarusian Road, Singapore Applicant after: Alibaba Innovation Co. Country or region after: Singapore Address before: Room 01, 45th Floor, AXA Building, 8 Shanton Road, Singapore Applicant before: Alibaba Singapore Holdings Ltd. Country or region before: Singapore |
|
TA01 | Transfer of patent application right |