CN115409856A - 一种肺部医学图像处理方法、装置、设备及存储介质 - Google Patents
一种肺部医学图像处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115409856A CN115409856A CN202211183941.4A CN202211183941A CN115409856A CN 115409856 A CN115409856 A CN 115409856A CN 202211183941 A CN202211183941 A CN 202211183941A CN 115409856 A CN115409856 A CN 115409856A
- Authority
- CN
- China
- Prior art keywords
- image
- lung
- lesion
- loss function
- sample
- 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
- 210000004072 lung Anatomy 0.000 title claims abstract description 278
- 238000003672 processing method Methods 0.000 title abstract description 10
- 230000003902 lesion Effects 0.000 claims abstract description 229
- 238000013528 artificial neural network Methods 0.000 claims abstract description 61
- 238000003709 image segmentation Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000011218 segmentation Effects 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 108
- 238000012545 processing Methods 0.000 claims description 19
- 230000036285 pathological change Effects 0.000 claims description 16
- 231100000915 pathological change Toxicity 0.000 claims description 16
- 230000002685 pulmonary effect Effects 0.000 claims description 10
- 238000002591 computed tomography Methods 0.000 claims 40
- 230000000694 effects Effects 0.000 abstract description 12
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000000877 morphologic effect Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 208000019693 Lung disease Diseases 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000002151 Pleural effusion Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 201000003144 pneumothorax Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06T2207/20—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
- G06T2207/30061—Lung
-
- 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
- G06T2207/30204—Marker
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种肺部医学图像处理方法、装置、设备及存储介质,所述方法包括:获取三维的目标肺部CT图像;将所述目标肺部CT图像输入预先训练的医学图像分割模型,得到所述目标肺部CT图像中的各个肺部病变区域图像。采用该方法,其中,医学图像分割模型为基于三维的样本肺部CT图像、预先标注的样本肺部CT图像中的各个病变区域图像和预设的实例损失函数,对待训练神经网络进行训练得到的,而实例损失函数反映了预先标注的各个病变区域图像对待训练神经网络分割所述样本肺部CT图像中的病变区域图像的影响,利用实例损失函数使得训练得到的医学图像分割模型有效地减少了肺部多发病变区域图像的漏分割,提升了肺部CT图像分割效果。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种肺部医学图像处理方法、装置、设备及存储介质。
背景技术
在肺部医学图像处理领域中,将肺部医学图像中的病变区域分割出来对诸如气胸、胸腔积液、肺大泡和肺炎等肺部疾病的研究有很大的参考意义。
目前,分割肺部医学图像中病变区域的方法主要包括3D V-Net(用于容积三维医疗图像分割的全卷积神经网络)分割方法。3D V-Net分割方法是一种通过训练的图像分割模型实现肺部病变区域分割的深度学习方法。该方法在训练图像分割模型时采用骰子损失函数,而骰子损失函数仅能解决肺部医学图像的前景和背景比例不均衡的问题,无法有效解决肺部医学图像中存在的肺部多发病变区域和病变区域形态尺寸差异大等问题,因此,利用3D V-Net分割方法训练的图像分割模型很容易导致对肺部多发病变区域的漏分割。
发明内容
本公开提供了一种肺部医学图像处理方法、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,提供了一种肺部医学图像处理方法,所述方法包括:
获取三维的目标肺部CT图像;
将所述目标肺部CT图像输入预先训练的医学图像分割模型,得到所述目标肺部CT图像中的各个肺部病变区域图像;其中,所述医学图像分割模型为基于三维的样本肺部CT图像、预先标注的所述样本肺部CT图像中的各个病变区域图像和预设的实例损失函数,对待训练神经网络进行训练得到的,所述实例损失函数反映了预先标注的各个病变区域图像对所述待训练神经网络分割所述样本肺部CT图像中的病变区域图像的影响。
在一可实施方式中,所述获取三维的目标肺部CT图像,包括:
将三维的待处理肺部CT图像的各个像素之间的间距调整为预设间距,得到缩放后的肺部CT图像;
提取所述缩放后的肺部CT图像中的肺部区域图像,作为所述目标肺部CT图像。
在一可实施方式中,所述提取所述缩放后的肺部CT图像中的肺部区域图像,作为目标肺部CT图像,包括:
以所述缩放后的肺部CT图像中的肺部区域中心为中心,裁剪出三维尺寸满足预设三维尺寸的肺部区域图像,作为目标肺部CT图像。
在一可实施方式中,所述医学图像分割模型的训练方式,包括:
将三维的样本肺部CT图像输入待训练神经网络,得到所述样本肺部CT图像中的各个预测病变区域图像;
基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,计算所述各个预测病变区域图像对应的实例损失函数值,以及,计算所述样本肺部CT图像对应的全局损失函数值;其中,所述实例损失函数用于反映预先标注的各个病变区域图像对待训练神经网络分割的所述各个预测病变区域图像的影响,所述全局损失函数值用于反映所述样本肺部CT图像对待训练神经网络分割的所述各个预测病变区域图像的影响;
计算所述实例损失函数值和所述全局损失函数值的和值,作为目标损失函数值;
根据所述目标损失函数值调整待训练神经网络的参数;
确定迭代次数是否达到预设迭代次数;
如果是,将当前的待训练神经网络确定为所述医学图像分割模型;
如果否,返回执行所述将三维的样本肺部CT图像输入待训练神经网络的步骤。
在一可实施方式中,所述基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,计算所述各个预测病变区域图像对应的实例损失函数值,包括:
基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,采用如下公式计算所述各个预测病变区域图像对应的实例损失函数:
其中,InstanceD表示所述实例损失函数值,Ninstance表示预测病变区域图像的个数,Ni表示第i个预测病变区域图像,pj表示第i个预测病变区域图像中第j个像素点被预测为病变像素点的概率值,gj表示第i个预测病变区域图像中第j个像素点对应的标注信息,gj的取值为0或1,gj=0表示第i个预测病变区域图像中第j个像素点被标注为非病变像素点,gj=1表示第i个预测病变区域图像中第j个像素点被标注为病变像素点。
在一可实施方式中,所述基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,计算所述各个预测病变区域图像对应的实例损失函数值,包括:
基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,采用如下公式计算所述各个预测病变区域图像对应的实例损失函数:
其中,InstanceCE表示所述实例损失函数值,Ninstance表示预测病变区域图像的个数,Ni表示第i个预测病变区域图像,pj表示第i个预测病变区域图像中第j个像素点被预测为病变像素点的概率值,gj表示第i个预测病变区域图像中第j个像素点对应的标注信息,gj的取值为0或1,gj=0表示第i个预测病变区域图像中第j个像素点被标注为非病变像素点,gj=1表示第i个预测病变区域图像中第j个像素点被标注为病变像素点。
在一可实施方式中,所述计算所述样本肺部CT图像对应的全局损失函数值,包括:
基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,采用如下公式计算所述样本肺部CT图像对应的全局损失函数值:
其中,D表示所述全局损失函数值,N表示所述样本肺部CT图像的像素点总个数,pi表示所述样本肺部CT图像中第i个像素点被预测为病变像素点的概率值,gi表示所述样本肺部CT图像中第i个像素点对应的标注信息,gi的取值为0或1,gi=0表示所述样本肺部CT图像中第i个像素点被标注为非病变像素点,gi=1表示所述样本肺部CT图像中第i个像素点被标注为病变像素点。
根据本公开的第二方面,提供了一种肺部医学图像处理装置,所述装置包括:
图像获取模块,用于获取三维的目标肺部CT图像;
图像分割模块,用于将所述目标肺部CT图像输入预先训练的医学图像分割模型,得到所述目标肺部CT图像中的各个肺部病变区域图像;其中,所述医学图像分割模型为基于三维的样本肺部CT图像、预先标注的所述样本肺部CT图像中的各个病变区域图像和预设的实例损失函数,对待训练神经网络进行训练得到的,所述实例损失函数反映了预先标注的各个病变区域图像对所述待训练神经网络分割所述样本肺部CT图像中的病变区域图像的影响。
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。
本公开的肺部医学图像处理方法、装置、设备及存储介质中,对目标肺部CT图像进行分割的医学图像分割模型是基于三维的样本肺部CT图像、预先标注的样本肺部CT图像中的各个病变区域图像和预设的实例损失函数,对待训练神经网络进行训练得到的,由于实例损失函数可以反映预先标注的各个病变区域图像对待训练神经网络分割样本肺部CT图像中的病变区域图像的影响,因此,利用实例损失函数使得训练得到的医学图像分割模型可以在肺部CT图像中存在肺部多发病变区域和病变区域形态尺寸差异大等问题的情况下,仍然能够较为准确地分割肺部CT图像中的各个肺部病变区域图像,有效地减少了肺部多发病变区域图像的漏分割,提升了肺部CT图像分割效果。
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示出了本公开实施例提供的肺部医学图像处理方法的一种实现流程示意图;
图2示出了本公开实施例提供的医学图像分割模型的训练流程示意图;
图3示出了本公开实施例提供的肺部医学图像处理装置的一种结构示意图;
图4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。
由于现有的用户分割肺部医学图像中病变区域的3D V-Net很容易导致对肺部多发病变区域的漏分割。为了减少对肺部多发病变区域的漏分割,本公开提供了一种肺部医学图像处理方法、装置、设备及存储介质。本公开提供的方法可以应用于能够进行图像处理的电子设备。
下面将结合本公开实施例中的附图,对本公开实施例的技术方案进行描述。
图1示出了本公开实施例提供的肺部医学图像处理方法的一种实现流程示意图。如图1所示,所述方法包括:
S101,获取三维的目标肺部CT图像。
由于采集的肺部CT图像可能不只包括肺部区域,还会包括其他区域的图像,而肺部CT图像包括的其他无关区域的图像数据会占用一部分存储资源,因此,在预先训练医学图像分割模型时,如果将采集的肺部CT图像直接用于模型训练,会对训练和部署机器的显存有非常高的要求,并且,训练数据中如果存在大量与肺部无关的数据会增大模型训练难度。因此,本公开实施例在利用肺部CT图像进行模型训练时,需要对肺部CT图像进行数据预处理,得到只包括肺部区域的图像。其中,数据预处理包括数据缩放和数据裁剪。
因此,在利用预先训练好的医学图像分割模型对肺部CT图像进行图像分割之前,需要对三维的肺部CT图像进行预处理,得到只包括肺部区域的目标肺部CT图像。
在一可实施方式中,所述获取三维的目标肺部CT图像,可以包括如下步骤A1-A2:
步骤A1,将三维的待处理肺部CT图像的各个像素之间的间距调整为预设间距,得到缩放后的肺部CT图像。
其中,预设间距可以根据应用场景进行具体设定,例如,可以设定为2mm或1.5mm等。
本公开实施例中,涉及到的CT图像均为三维的CT图像。本步骤中,待处理肺部CT图像的三个维度的像素之间的间距可以相同也可以不同。
步骤A2,提取所述缩放后的肺部CT图像中的肺部区域图像,作为所述目标肺部CT图像。
具体的,本步骤中可以以所述缩放后的肺部CT图像中的肺部区域中心为中心,裁剪出三维尺寸满足预设三维尺寸的肺部区域图像,作为目标肺部CT图像。其中,预设三维尺寸可以根据应用场景具体设定为2n或者2n的整数倍,例如可以设定图像的三个维度的尺寸均为192,或者,可以设定均为图像的三个维度的尺寸均为128,其中,n为大于1的整数。
本公开实施例中,可以通过肺分割模型,将所述缩放后的肺部CT图像中输入肺分割模型,得到肺部区域图像。然后,可以以肺部区域图像的中心为中心,裁剪出三维尺寸满足预设三维尺寸的肺部区域图像,作为目标肺部CT图像。其中,肺分割模型可以为任意一个可以分割肺部区域图像的模型,也可以为预先根据肺部区域图像训练出的用于分割肺部区域图像的模型,此处不再赘述。
S102,将所述目标肺部CT图像输入预先训练的医学图像分割模型,得到所述目标肺部CT图像中的各个肺部病变区域图像。
其中,所述医学图像分割模型为基于三维的样本肺部CT图像、预先标注的所述样本肺部CT图像中的各个病变区域图像和预设的实例损失函数,对待训练神经网络进行训练得到的,所述实例损失函数反映了预先标注的各个病变区域图像对所述待训练神经网络分割所述样本肺部CT图像中的病变区域图像的影响。
采用本公开实施例提供的方法,对目标肺部CT图像进行分割的医学图像分割模型是基于三维的样本肺部CT图像、预先标注的样本肺部CT图像中的各个病变区域图像和预设的实例损失函数,对待训练神经网络进行训练得到的,由于实例损失函数可以反映预先标注的各个病变区域图像对待训练神经网络分割样本肺部CT图像中的病变区域图像的影响,因此,利用实例损失函数使得训练得到的医学图像分割模型可以在肺部CT图像中存在肺部多发病变区域和病变区域形态尺寸差异大等问题的情况下,仍然能够较为准确地分割肺部CT图像中的各个肺部病变区域图像,有效地减少了肺部多发病变区域图像的漏分割,提升了肺部CT图像分割效果。
在一可实施方式中,图2示出了本公开实施例提供的医学图像分割模型的训练流程示意图,如图2所示,所述医学图像分割模型的训练方式,包括:
S201,将三维的样本肺部CT图像输入待训练神经网络,得到所述样本肺部CT图像中的各个预测病变区域图像。
在训练医学图像分割模型时,如果将采集的肺部CT图像直接用于模型训练,会对训练和部署机器的显存有非常高的要求,并且,训练数据中如果存在大量与肺部无关的数据会增大模型训练难度。因此,本公开实施例在利用肺部CT图像进行模型训练时,需要对肺部CT图像进行数据预处理,得到只包括肺部区域的样本肺部CT图像。其中,数据预处理包括数据缩放和数据裁剪。
其中,数据缩放步骤包括:将采集的三维肺部CT图像的各个像素之间的间距调整为预设间距,得到缩放后的肺部CT图像。
数据裁剪步骤包括:缩放后的肺部CT图像中的肺部区域中心为中心,裁剪出三维尺寸满足预设三维尺寸的肺部区域图像,作为样本肺部CT图像。对于存储和计算资源比较充足的应用场景,本步骤还可以包括:以缩放后的肺部CT图像中的病变区域为中心,裁剪出病变区域图像,将病变区域图像与肺部区域图像,共同作为样本肺部CT图像。
S202,基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,计算所述各个预测病变区域图像对应的实例损失函数值,以及,计算所述样本肺部CT图像对应的全局损失函数值。
其中,所述实例损失函数用于反映预先标注的各个病变区域图像对待训练神经网络分割的所述各个预测病变区域图像的影响,所述全局损失函数值用于反映所述样本肺部CT图像对待训练神经网络分割的所述各个预测病变区域图像的影响。
常用的用于图像分割模型训练的损失函数包括交叉熵损失函数和骰子损失函数等。其中,交叉熵损失函数很容易受到类别不均衡影响,而医学图像中病变区域图像通常占比都较小,前后背景不均衡问题比较严重,因此利用交叉熵损失函数训练分割病变区域的图像分割模型的效果往往不够理想。针对前后背景不均衡的问题,利用骰子损失函数训练出的图像分割模型有较好的分割效果,然而,由于骰子损失函数主要受最大病变区域图像影响,对于存在多发病变区域的情况,若三维医学图像中最大的病变区域图像的体积远大于其他病变区域图像,使用骰子损失函数容易导致训练得到的图像分割模型对其他病变区域图像的分割效果差。因此,为了提高针对存在多发病变区域图像的肺部CT图像的病变区域图像分割效果,本公开实施例提出了实例损失函数,实例损失函数可以反映各个病变区域图像对待训练神经网络分割样本肺部CT图像中的病变区域图像的影响,如果待训练神经网络分割对样本肺部CT图像中的病变区域图像存在漏分割的情况,可以根据实例损失函数及时调整待训练神经网络的参数,使得训练得到的医学图像分割模型能较大程度上避免对多发病变区域的漏分割。
具体的,在一可实施方式中,所述基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,计算所述各个预测病变区域图像对应的实例损失函数值,包括如下步骤B1:
基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,采用如下公式计算所述各个预测病变区域图像对应的实例损失函数:
其中,InstanceD表示所述实例损失函数值,Ninstance表示预测病变区域图像的个数,Ni表示第i个预测病变区域图像,pj表示第i个预测病变区域图像中第j个像素点被预测为病变像素点的概率值,gj表示第i个预测病变区域图像中第j个像素点对应的标注信息,gj的取值为0或1,gj=0表示第i个预测病变区域图像中第j个像素点被标注为非病变像素点,gj=1表示第i个预测病变区域图像中第j个像素点被标注为病变像素点。
在另一可实施方式中,所述基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,计算所述各个预测病变区域图像对应的实例损失函数值,还可以包括如下步骤C1:
步骤C1,基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,采用如下公式计算所述各个预测病变区域图像对应的实例损失函数:
其中,InstanceCE表示所述实例损失函数值,Ninstance表示预测病变区域图像的个数,Ni表示第i个预测病变区域图像,pj表示第i个预测病变区域图像中第j个像素点被预测为病变像素点的概率值,gj表示第i个预测病变区域图像中第j个像素点对应的标注信息,gj的取值为0或1,gj=0表示第i个预测病变区域图像中第j个像素点被标注为非病变像素点,gj=1表示第i个预测病变区域图像中第j个像素点被标注为病变像素点。
在一可实施方式中,所述计算所述样本肺部CT图像对应的全局损失函数值,包括如下步骤C1:
步骤C1,基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,采用如下公式计算所述样本肺部CT图像对应的全局损失函数值:
其中,D表示所述全局损失函数值,N表示所述样本肺部CT图像的像素点总个数,pi表示所述样本肺部CT图像中第i个像素点被预测为病变像素点的概率值,gi表示所述样本肺部CT图像中第i个像素点对应的标注信息,gi的取值为0或1,gi=0表示所述样本肺部CT图像中第i个像素点被标注为非病变像素点,gi=1表示所述样本肺部CT图像中第i个像素点被标注为病变像素点。
S203,计算所述实例损失函数值和所述全局损失函数值的和值,作为目标损失函数值。
S204,根据所述目标损失函数值调整待训练神经网络的参数。
本实施例中可以通过目标损失函数值调整待训练神经网络的各个网络层的参数。由于目标损失函数值反映了待训练神经网络预测得到的各个预测病变区域图像与实际的病变区域图像之间的差异,目标损失函数值越小表示待训练神经网络预测得到的各个预测病变区域图像与实际的病变区域图像越接近,即表示待训练神经网络的预测效果越好。因此,本实施例中,调整待训练神经网络的参数的原则是使目标损失函数值降低的原则,即通过调整待训练神经网络的各个网络层的参数达到降低目标损失函数值、提高待训练神经网络的预测效果的目的。
S205,确定迭代次数是否达到预设迭代次数。
本实施例中,将三维的样本肺部CT图像输入待训练神经网络,待训练神经网络输出对应的样本肺部CT图像中的各个预测病变区域图像这一过程,为待训练神经网络的一次迭代。其中,预设迭代次数可以根据实际应用场景进行设定,例如可以设定预设迭代次数为1000或2000等。
S206,如果是,将当前的待训练神经网络确定为所述医学图像分割模型。
当待训练神经网络的迭代达到预设迭代次数后,可以将经过预设迭代次数的待训练神经网络确定为所述医学图像分割模型。
S207,如果否,返回执行所述将三维的样本肺部CT图像输入待训练神经网络的步骤。
本公开实施例中,待训练神经网络的结构可以为3D V-Net模型结构或者nnU-Net模型结构等。
采用本公开实施例提供的方法,利用实例损失函数使得训练得到的医学图像分割模型可以在肺部CT图像中存在肺部多发病变区域和病变区域形态尺寸差异大等问题的情况下,仍然能够较为准确地分割肺部CT图像中的各个肺部病变区域图像,有效地减少了肺部多发病变区域图像的漏分割,提升了肺部CT图像分割效果。并且,由于本公开实施例提供的方法是一种基于深度学习的图像分割方法,因此,分割目标肺部CT图像中的各个肺部病变区域图像的耗时很短。另外,由于实例损失函数不需要额外的标注信息,因此可直接应用于多种肺部疾病图像的分割训练,不需要为每种疾病定制化设计,所以本公开实施例提供的方法具有更强的拓展性。
基于同一发明构思,根据本公开上述实施例提供的肺部医学图像处理方法,相应地,本公开另一实施例还提供了一种肺部医学图像处理装置,其结构示意图如图3所示,具体包括:
图像获取模块301,用于获取三维的目标肺部CT图像;
图像分割模块302,用于将所述目标肺部CT图像输入预先训练的医学图像分割模型,得到所述目标肺部CT图像中的各个肺部病变区域图像;其中,所述医学图像分割模型为基于三维的样本肺部CT图像、预先标注的所述样本肺部CT图像中的各个病变区域图像和预设的实例损失函数,对待训练神经网络进行训练得到的,所述实例损失函数反映了预先标注的各个病变区域图像对所述待训练神经网络分割所述样本肺部CT图像中的病变区域图像的影响。
采用本公开实施例提供的装置,对目标肺部CT图像进行分割的医学图像分割模型是基于三维的样本肺部CT图像、预先标注的样本肺部CT图像中的各个病变区域图像和预设的实例损失函数,对待训练神经网络进行训练得到的,由于实例损失函数可以反映预先标注的各个病变区域图像对待训练神经网络分割样本肺部CT图像中的病变区域图像的影响,因此,利用实例损失函数使得训练得到的医学图像分割模型可以在肺部CT图像中存在肺部多发病变区域和病变区域形态尺寸差异大等问题的情况下,仍然能够较为准确地分割肺部CT图像中的各个肺部病变区域图像,有效地减少了肺部多发病变区域图像的漏分割,提升了肺部CT图像分割效果。
在一可实施方式中,所述图像获取模块301,具体用于将三维的待处理肺部CT图像的各个像素之间的间距调整为预设间距,得到缩放后的肺部CT图像;提取所述缩放后的肺部CT图像中的肺部区域图像,作为所述目标肺部CT图像。
在一可实施方式中,所述图像获取模块301,具体用于以所述缩放后的肺部CT图像中的肺部区域中心为中心,裁剪出三维尺寸满足预设三维尺寸的肺部区域图像,作为目标肺部CT图像。
在一可实施方式中,所述装置还包括:
模型训练模块(图中未示出),用于将三维的样本肺部CT图像输入待训练神经网络,得到所述样本肺部CT图像中的各个预测病变区域图像;基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,计算所述各个预测病变区域图像对应的实例损失函数值,以及,计算所述样本肺部CT图像对应的全局损失函数值;其中,所述实例损失函数用于反映预先标注的各个病变区域图像对待训练神经网络分割的所述各个预测病变区域图像的影响,所述全局损失函数值用于反映所述样本肺部CT图像对待训练神经网络分割的所述各个预测病变区域图像的影响;计算所述实例损失函数值和所述全局损失函数值的和值,作为目标损失函数值;根据所述目标损失函数值调整待训练神经网络的参数;确定迭代次数是否达到预设迭代次数;如果是,将当前的待训练神经网络确定为所述医学图像分割模型;如果否,返回执行所述将三维的样本肺部CT图像输入待训练神经网络的步骤。
在一可实施方式中,所述模型训练模块,具体用于基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,采用如下公式计算所述各个预测病变区域图像对应的实例损失函数:
其中,InstanceD表示所述实例损失函数值,Ninstance表示预测病变区域图像的个数,Ni表示第i个预测病变区域图像,pj表示第i个预测病变区域图像中第j个像素点被预测为病变像素点的概率值,gj表示第i个预测病变区域图像中第j个像素点对应的标注信息,gj的取值为0或1,gj=0表示第i个预测病变区域图像中第j个像素点被标注为非病变像素点,gj=1表示第i个预测病变区域图像中第j个像素点被标注为病变像素点。
在一可实施方式中,所述模型训练模块,具体用于基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,采用如下公式计算所述各个预测病变区域图像对应的实例损失函数:
其中,InstanceCE表示所述实例损失函数值,Ninstance表示预测病变区域图像的个数,Ni表示第i个预测病变区域图像,pj表示第i个预测病变区域图像中第j个像素点被预测为病变像素点的概率值,gj表示第i个预测病变区域图像中第j个像素点对应的标注信息,gj的取值为0或1,gj=0表示第i个预测病变区域图像中第j个像素点被标注为非病变像素点,gj=1表示第i个预测病变区域图像中第j个像素点被标注为病变像素点。
在一可实施方式中,所述模型训练模块,具体用于基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,采用如下公式计算所述样本肺部CT图像对应的全局损失函数值:
其中,D表示所述全局损失函数值,N表示所述样本肺部CT图像的像素点总个数,pi表示所述样本肺部CT图像中第i个像素点被预测为病变像素点的概率值,gi表示所述样本肺部CT图像中第i个像素点对应的标注信息,gi的取值为0或1,gi=0表示所述样本肺部CT图像中第i个像素点被标注为非病变像素点,gi=1表示所述样本肺部CT图像中第i个像素点被标注为病变像素点。
采用本公开实施例提供的装置,利用实例损失函数使得训练得到的医学图像分割模型可以在肺部CT图像中存在肺部多发病变区域和病变区域形态尺寸差异大等问题的情况下,仍然能够较为准确地分割肺部CT图像中的各个肺部病变区域图像,有效地减少了肺部多发病变区域图像的漏分割,提升了肺部CT图像分割效果。并且,由于本公开实施例提供的方法是一种基于深度学习的图像分割方法,因此,分割目标肺部CT图像中的各个肺部病变区域图像的耗时很短。另外,由于实例损失函数不需要额外的标注信息,因此可直接应用于多种肺部疾病图像的分割训练,不需要为每种疾病定制化设计,所以本公开实施例提供的方法具有更强的拓展性。
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4示出了可以用来实施本公开的实施例的示例电子设备400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4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400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401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401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401执行上文所描述的各个方法和处理,例如肺部医学图像处理方法。例如,在一些实施例中,肺部医学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408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的肺部医学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401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行肺部医学图像处理方法。
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)、片上系统(SOC)、复杂可编程逻辑设备(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)
1.一种肺部医学图像处理方法,其特征在于,所述方法包括:
获取三维的目标肺部CT图像;
将所述目标肺部CT图像输入预先训练的医学图像分割模型,得到所述目标肺部CT图像中的各个肺部病变区域图像;其中,所述医学图像分割模型为基于三维的样本肺部CT图像、预先标注的所述样本肺部CT图像中的各个病变区域图像和预设的实例损失函数,对待训练神经网络进行训练得到的,所述实例损失函数反映了预先标注的各个病变区域图像对所述待训练神经网络分割所述样本肺部CT图像中的病变区域图像的影响。
2.根据权利要求1所述的方法,其特征在于,所述获取三维的目标肺部CT图像,包括:
将三维的待处理肺部CT图像的各个像素之间的间距调整为预设间距,得到缩放后的肺部CT图像;
提取所述缩放后的肺部CT图像中的肺部区域图像,作为所述目标肺部CT图像。
3.根据权利要求2所述的方法,其特征在于,所述提取所述缩放后的肺部CT图像中的肺部区域图像,作为目标肺部CT图像,包括:
以所述缩放后的肺部CT图像中的肺部区域中心为中心,裁剪出三维尺寸满足预设三维尺寸的肺部区域图像,作为目标肺部CT图像。
4.根据权利要求1所述的方法,其特征在于,所述医学图像分割模型的训练方式,包括:
将三维的样本肺部CT图像输入待训练神经网络,得到所述样本肺部CT图像中的各个预测病变区域图像;
基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,计算所述各个预测病变区域图像对应的实例损失函数值,以及,计算所述样本肺部CT图像对应的全局损失函数值;其中,所述实例损失函数用于反映预先标注的各个病变区域图像对待训练神经网络分割的所述各个预测病变区域图像的影响,所述全局损失函数值用于反映所述样本肺部CT图像对待训练神经网络分割的所述各个预测病变区域图像的影响;
计算所述实例损失函数值和所述全局损失函数值的和值,作为目标损失函数值;
根据所述目标损失函数值调整待训练神经网络的参数;
确定迭代次数是否达到预设迭代次数;
如果是,将当前的待训练神经网络确定为所述医学图像分割模型;
如果否,返回执行所述将三维的样本肺部CT图像输入待训练神经网络的步骤。
5.根据权利要求4所述的方法,其特征在于,所述基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,计算所述各个预测病变区域图像对应的实例损失函数值,包括:
基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,采用如下公式计算所述各个预测病变区域图像对应的实例损失函数:
其中,InstanceD表示所述实例损失函数值,Ninstance表示预测病变区域图像的个数,Ni表示第i个预测病变区域图像,pj表示第i个预测病变区域图像中第j个像素点被预测为病变像素点的概率值,gj表示第i个预测病变区域图像中第j个像素点对应的标注信息,gj的取值为0或1,gj=0表示第i个预测病变区域图像中第j个像素点被标注为非病变像素点,gj=1表示第i个预测病变区域图像中第j个像素点被标注为病变像素点。
6.根据权利要求4所述的方法,其特征在于,所述基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,计算所述各个预测病变区域图像对应的实例损失函数值,包括:
基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,采用如下公式计算所述各个预测病变区域图像对应的实例损失函数:
其中,InstanceCE表示所述实例损失函数值,Ninstance表示预测病变区域图像的个数,Ni表示第i个预测病变区域图像,pj表示第i个预测病变区域图像中第j个像素点被预测为病变像素点的概率值,gj表示第i个预测病变区域图像中第j个像素点对应的标注信息,gj的取值为0或1,gj=0表示第i个预测病变区域图像中第j个像素点被标注为非病变像素点,gj=1表示第i个预测病变区域图像中第j个像素点被标注为病变像素点。
7.根据权利要求4所述的方法,其特征在于,所述计算所述样本肺部CT图像对应的全局损失函数值,包括:
基于所述各个预测病变区域图像和所述预先标注的所述样本肺部CT图像中的各个病变区域图像,采用如下公式计算所述样本肺部CT图像对应的全局损失函数值:
其中,D表示所述全局损失函数值,N表示所述样本肺部CT图像的像素点总个数,pi表示所述样本肺部CT图像中第i个像素点被预测为病变像素点的概率值,gi表示所述样本肺部CT图像中第i个像素点对应的标注信息,gi的取值为0或1,gi=0表示所述样本肺部CT图像中第i个像素点被标注为非病变像素点,gi=1表示所述样本肺部CT图像中第i个像素点被标注为病变像素点。
8.一种肺部医学图像处理装置,其特征在于,所述装置包括:
图像获取模块,用于获取三维的目标肺部CT图像;
图像分割模块,用于将所述目标肺部CT图像输入预先训练的医学图像分割模型,得到所述目标肺部CT图像中的各个肺部病变区域图像;其中,所述医学图像分割模型为基于三维的样本肺部CT图像、预先标注的所述样本肺部CT图像中的各个病变区域图像和预设的实例损失函数,对待训练神经网络进行训练得到的,所述实例损失函数反映了预先标注的各个病变区域图像对所述待训练神经网络分割所述样本肺部CT图像中的病变区域图像的影响。
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 |
---|---|---|---|
CN202211183941.4A CN115409856B (zh) | 2022-09-27 | 2022-09-27 | 一种肺部医学图像处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211183941.4A CN115409856B (zh) | 2022-09-27 | 2022-09-27 | 一种肺部医学图像处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115409856A true CN115409856A (zh) | 2022-11-29 |
CN115409856B CN115409856B (zh) | 2023-06-27 |
Family
ID=84168741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211183941.4A Active CN115409856B (zh) | 2022-09-27 | 2022-09-27 | 一种肺部医学图像处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115409856B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495800A (zh) * | 2023-11-03 | 2024-02-02 | 北京透彻未来科技有限公司 | 一种病理图像大模型的病变预测分析系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872364A (zh) * | 2019-01-28 | 2019-06-11 | 腾讯科技(深圳)有限公司 | 图像区域定位方法、装置、存储介质和医学影像处理设备 |
CN111062955A (zh) * | 2020-03-18 | 2020-04-24 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据分割方法及系统 |
US20210166383A1 (en) * | 2019-08-05 | 2021-06-03 | Ping An Technology (Shenzhen) Co., Ltd. | Method and device for detecting and locating lesion in medical image, equipment and storage medium |
CN114240956A (zh) * | 2021-12-23 | 2022-03-25 | 零氪科技(天津)有限公司 | 一种肺部ct影像管状结构分割方法、装置、电子设备 |
CN114820584A (zh) * | 2022-05-27 | 2022-07-29 | 北京安德医智科技有限公司 | 肺部病灶定位装置 |
-
2022
- 2022-09-27 CN CN202211183941.4A patent/CN115409856B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872364A (zh) * | 2019-01-28 | 2019-06-11 | 腾讯科技(深圳)有限公司 | 图像区域定位方法、装置、存储介质和医学影像处理设备 |
US20210166383A1 (en) * | 2019-08-05 | 2021-06-03 | Ping An Technology (Shenzhen) Co., Ltd. | Method and device for detecting and locating lesion in medical image, equipment and storage medium |
CN111062955A (zh) * | 2020-03-18 | 2020-04-24 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据分割方法及系统 |
CN114240956A (zh) * | 2021-12-23 | 2022-03-25 | 零氪科技(天津)有限公司 | 一种肺部ct影像管状结构分割方法、装置、电子设备 |
CN114820584A (zh) * | 2022-05-27 | 2022-07-29 | 北京安德医智科技有限公司 | 肺部病灶定位装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495800A (zh) * | 2023-11-03 | 2024-02-02 | 北京透彻未来科技有限公司 | 一种病理图像大模型的病变预测分析系统及方法 |
CN117495800B (zh) * | 2023-11-03 | 2024-05-17 | 北京透彻未来科技有限公司 | 一种病理图像大模型的病变预测分析系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115409856B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11321593B2 (en) | Method and apparatus for detecting object, method and apparatus for training neural network, and electronic device | |
CN112132265B (zh) | 模型训练方法、杯盘比确定方法、装置、设备及存储介质 | |
CN115131566A (zh) | 基于超像素和改进模糊c均值聚类的自动图像分割方法 | |
CN112562069B (zh) | 三维模型的构造方法、装置、设备和存储介质 | |
CN114565763B (zh) | 图像分割方法、装置、设备、介质及程序产品 | |
CN113362314B (zh) | 医学图像识别方法、识别模型训练方法及装置 | |
CN116109824A (zh) | 基于扩散模型的医学影像及像素级标注生成方法及装置 | |
CN115170510B (zh) | 一种病灶检测方法、装置、电子设备及可读存储介质 | |
CN114511661A (zh) | 图像渲染方法、装置、电子设备及存储介质 | |
CN115018805A (zh) | 分割模型训练方法、图像分割方法、装置、设备及介质 | |
CN115409856B (zh) | 一种肺部医学图像处理方法、装置、设备及存储介质 | |
CN113971728B (zh) | 图像识别方法、模型的训练方法、装置、设备及介质 | |
CN108734718B (zh) | 用于图像分割的处理方法、装置、存储介质及设备 | |
CN116245832B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN115100179B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN115049590B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN114972361B (zh) | 一种血流分割方法、装置、设备及存储介质 | |
CN115482261A (zh) | 血管配准方法、装置、电子设备及存储介质 | |
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 | |
CN115482248A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN114937149A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN114066980A (zh) | 对象检测方法、装置、电子设备及自动驾驶车辆 | |
CN114664410A (zh) | 一种基于视频的病灶分类方法、装置、电子设备及介质 | |
CN114549303A (zh) | 图像显示、处理方法、装置、设备和存储介质 | |
CN113032071A (zh) | 页面元素定位方法、页面测试方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
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. |
|
CP03 | Change of name, title or address |