CN115482181A - 一种图像信息提取方法、装置、电子设备和可读存储介质 - Google Patents
一种图像信息提取方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN115482181A CN115482181A CN202110601753.8A CN202110601753A CN115482181A CN 115482181 A CN115482181 A CN 115482181A CN 202110601753 A CN202110601753 A CN 202110601753A CN 115482181 A CN115482181 A CN 115482181A
- Authority
- CN
- China
- Prior art keywords
- boundary
- image
- tissue
- contour
- physiological tissue
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 210000001519 tissue Anatomy 0.000 description 149
- 210000004204 blood vessel Anatomy 0.000 description 14
- 210000005003 heart tissue Anatomy 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 210000000988 bone and bone Anatomy 0.000 description 7
- 210000004351 coronary vessel Anatomy 0.000 description 7
- 210000000056 organ Anatomy 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 208000004434 Calcinosis Diseases 0.000 description 1
- 208000035984 Colonic Polyps Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000001926 lymphatic effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本方案公开了一种图像信息提取方法、装置、电子设备和可读存储介质,其中,该方法的步骤包括:基于目标生理组织的模板图像,对待识别图像中目标生理组织的边界进行粗配准,获得目标生理组织的第一轮廓边界;对所述第一轮廓边界进行边界优化处理,获得目标生理组织的第二轮廓边界;对所述第二轮廓边界内的区域进行组织填充,获得目标生理组织图像。本方案将目标生理组织的关键特征信息或预测边界与模板图像相结合,粗略确定目标生理组织的轮廓边界,再对轮廓边界进行优化,得到精确的目标生理组织轮廓边界,从而提高目标生理组织边界识别的精准度,便于医生准确的对病灶进行识别和定位。
Description
技术领域
本发明涉及医学图像处理技术领域。更具体地,涉及一种自动医学影像信息提取方法、装置、电子设备和计算机可读存储介质。
背景技术
在医学成像领域中,多种检测系统已经可以直接生成筛选和评价医学状况的医学图像。例如计算机断层摄影(CT)成像、磁共振(MR)成像、正电子发射X射线层析摄影(PET)等等。这些成像方法可以对结肠息肉、动脉瘤、肺结节、心脏或者动脉组织硬化、乳房组织中的癌微钙化或者肿块等各项病变或者异常进行可视化识别。
通常情况下,医学影像中会包含很多的组织、器官等结构,这些结构又可以拆分成多个子块。在对医学图像进行识别或分析过程中,往往会由于多结构之间的依附、相邻等关系,容易造成医师的漏检和误判,影像医学诊疗的速度和精准性。例如,需要对骨骼附近的血管信息进行提取和分析时,需要对血管和骨骼进行分割处理,从而提取出血管信息,再对血管上是否存在异常进行诊断;但是,在一些生理区域血管和骨骼是连在一起或者相邻排布的,这种情况会严重影响分割的效果,从而导致对血管病灶的误判。若需要判断的位置位于颅内,血管与脑组织关练更加密切,将难以进行准确医学诊疗。
发明内容
本发明的目的在于提供一种自动医学影像信息提取方法、装置、电子设备和计算机可读存储介质。
为达到上述目的,本方案采用下述技术方案:
第一方面,本方案提供一种图像信息提取方法,该方法的步骤包括:
基于目标生理组织的模板图像,对待识别图像中目标生理组织的边界进行粗配准,获得目标生理组织的第一轮廓边界;
对所述第一轮廓边界进行边界优化处理,获得目标生理组织的第二轮廓边界;
对所述第二轮廓边界内的区域进行组织填充,获得目标生理组织图像。
在一种优选地实施例中,所述基于目标生理组织的模板图像,对待识别图像中目标生理组织的边界进行粗配准,获得目标生理组织的第一轮廓边界的步骤包括:
基于预测模型对待识别图像中目标生理组织的边界进行预测,获得预测边界;
以所述预测边界上预定的基准点为基准,将所述模板图像映射到待识别图像上;
将所述模板图像的边界作为目标生理组织的第一轮廓边界。
在一种优选地实施例中,所述基于目标生理组织的模板图像,对待识别图像中目标生理组织的边界进行粗配准,获得目标生理组织的第一轮廓边界的步骤包括:
确定待识别图像中目标生理组织的关键特征信息;
以所述关键特征信息为基准,将所述模板图像映射到待识别图像上;
将所述模板图像的边界作为目标生理组织的第一轮廓边界。
在一种优选地实施例中,所述对所述第一轮廓边界进行边界优化处理,获得目标生理组织的第二轮廓边界的步骤包括:
在所述第一轮廓边界的周边形成一个调整区;
基于边缘检测算法,在调整区内寻找真实轮廓,获得目标生理组织的第二轮廓边界。
在一种优选地实施例中,根据所述目标生理组织的关键特征信息和所述第二轮廓边界,基于阈值填充算法,对所述第二轮廓边界内的区域进行组织填充;
将未超越所述第二轮廓边界的点作为真组织,获得目标生理组织图像。
在一种优选地实施例中,将超越所述第二轮廓边界或与所述第二轮廓边界交叉的点作为假组织,并舍弃。
在一种优选地实施例中,该方法的步骤还包括:
根据所述生理组织图像提取生理组织结构的几何计算信息。
第二方面,本方案提供一种图像信息提取装置,包括:
识别模块,基于目标生理组织的模板图像,对待识别图像中目标生理组织的边界进行粗配准,获得目标生理组织的第一轮廓边界;
优化模块,对所述第一轮廓边界进行边界优化处理,获得目标生理组织的第二轮廓边界;
填充模块,对所述第二轮廓边界内的区域进行组织填充,获得目标生理组织图像。
第三方面,本方案提供一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的方法。
第四方面,本方案提供一种计算设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行如上所述的方法。
本发明的有益效果如下:
本方案将生理组织的关键特征信息或预测边界与模板图像相结合,粗略确定生理组织的轮廓边界,再对轮廓边界进行优化,得到精确的生理组织轮廓边界,从而提高生理组织边界识别的精准度,便于协助医生对病灶进行识别和定位。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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。
图1示出本方案所述图像信息提取方法的一种实例示意图;
图2示出本方案所述第一轮廓边界获取步骤的一种实例的示意图;
图3示出本方案所述第一轮廓边界获取实例的一种示意图;
图4示出本方案所述第一轮廓边界获取步骤的另一种实例的示意图;
图5示出本方案所述第一轮廓边界获取实例的另一种示意图;
图6示出本方案所述第二轮廓边界获取实例的示意图;
图7示出本方案所述组织填充的一种实例的示意图;
图8示出本方案所述图像信息提取装置的示意图;
图9示出本方案所述电子设备的示意图。
具体实施方式
为使本发明的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
经过对现有技术的分析和研究,在不同生理区域,血管与骨骼、脑组织、心肌、肺器官、淋巴结构等会有紧密的依附关系,导致在医学影像中具有很多的组织、器官等结构聚集在一起,无法准确的对血管和其它组织、器官进行分割,致使医学影像中重要生理组织的轮廓边界不够清晰,造成对血管病灶的误判或漏检的问题。
现有技术中对于生理组织边界的识别,通常采用神经网络模型进行预测,然而,通过神经网络模型预测的生理组织边界误差较大,无法准确识别出生理组织的边界。生理组织边界上往往存在比较重要的膜层,如生理组织边界的轮廓不清晰,将严重影响医生对于膜层位置病灶的识别。
因此,本方案旨在提供一种图像信息提取方法,该方法以目标生理组织的关键点信息或者预测边界为基准,将目标生理组织的模板图像映射到待识别图像,从而初步确定待识别图像中目标生理组织的第一轮廓边界,再利用轮廓优化算法,对第一轮廓边界进行优化,得到目标生理组织的第二轮廓边界,并将第二轮廓边界作为目标生理组织的准确轮廓边界。
以下,结合附图对本方案提出的一种目标图像识别方法进行详细描述。
如图1所示,本方案所述图像信息提取方法能够自动划分医学影像中组织、器官等生理组织,确定目标生理组织的轮廓边界,从而准确提取目标生理组织图像及对应的几何数据信息,其具体包括:
步骤S1、基于目标生理组织的模板图像,对待识别图像中目标生理组织的边界进行粗配准,获得目标生理组织的第一轮廓边界;
步骤S2、对所述第一轮廓边界进行边界优化处理,获得目标生理组织的第二轮廓边界;
步骤S3、对所述第二轮廓边界内的区域进行组织填充,获得目标生理组织图像。
本方案中待识别图像可以是通过计算机断层摄影(CT)、螺旋CT、X光、正电子发射X射线层析摄影(PET)、荧光监察法、超声和磁共振(MR)等成像系统采集的人体生理组织医学影像,通过对医学影像中组织、器官等生理组织轮廓边界的识别和优化,实现对不同生理组织之间的准确分割。
本方案中目标生理组织指的是骨骼、器官、血管等人体生理组织结构。在进行图像信息提取时,可以根据要识别的目标生理组织的类型,选择与该目标生理组织相对应的模板图像作为待识别图像中生理组织体结构的识别依据,例如,头骨模板图像、颈骨模板图像、心脏模板图像、血管模板图像、肺叶模板图像等等经验模板图像。
本方案将生理组织的模板图像引入生理组织轮廓边界识别当中,不但能够将先验经验良好的与AI技术融合,还能够有效避免计算模型对生理组织进行轮廓边界识别过程中误差过大的问题。
本方案步骤S1中,通过目标生理组织的模板图像对待识别图像中的目标生理组织进行初步分割,获得目标生理组织的第一轮廓边界,即得到目标生理组织的体结构。例如,待识别图像中的生理组织为心脏组织,此时,可以在待识别图像中形成一个检测框(bounding box),锁定目标生理组织的区域。然后,在心脏组织的模板图像中,以boundingbox对角点的坐标为基准,得到与bounding box同样大小的区域的心脏组织模板图像,将检测框的对角点作为匹配基准,将心脏组织的模板图像匹配到待识别图像上,从而通过心脏组织的模板图像对图像中的心脏组织进行初步分割,确定心脏组织的大致轮廓边界。
本方案中,为了降低模板图像映射到待识别图像上时,模板图像的轮廓边界与待识别图像上目标生理组织的边缘轮廓的误差。可以选择目标生理组织的关键特征信息或者目标生结构的预测轮廓边界作为基准。
如图2所示,本方案在模板图像映射时,可以按照步骤101基于预测模型对待识别图像中目标生理组织的边界进行预测,获得预测边界;步骤102以所述预测边界上预定的基准点为基准,将所述模板图像映射到待识别图像上;步骤103将所述模板图像的边界作为目标生理组织的第一轮廓边界。在一种实例中,如图3所示,以目标生理组织为心脏组织为例,先利用由深度学习神经网络构建的边界预测模型,对待识别图像中的心脏组织的轮廓边界进行预测,获得心脏组织的预测轮廓边界。确定预测轮廓边界的第一基准点和第二基准点;例如,利用U-net网络寻找预测心脏区域的对角点,利用该对角点作为模板图像映射的基准。将心脏组织的模板图像,按照心脏组织的预测轮廓边界的第一基准点和第二基准点进行映射,从而将模板图像映射到待识别图像上。在以预测轮廓作为基准映射时,由于模板图像和预测轮廓具有一定的偏差,因此,在模板图像的轮廓边界与预测轮廓的边界偏差小于一定阈值的情况下,即可进行模板图像的映射。例如,当模板图像轮廓边界与预测轮廓的边界的偏差小于5%时,则可以进行模板图像的映射,并根据模板图像的轮廓边界确定待识别图像中目标生理组织的第一轮廓边界。
另外,本方案可以利用HR-net、U-net、Dice-loss等深度学习分割网络构建边界预测模型。
如图4所示,本方案在模板图像映射时,可以按照步骤104确定待识别图像中目标生理组织的关键特征信息;步骤105以所述关键特征信息为基准,将所述模板图像映射到待识别图像上;步骤106将所述模板图像的边界作为目标生理组织的第一轮廓边界。在一种实例中,如图5所示,以目标生理组织为冠脉血管为例,先确定待识别图像中冠脉血管的关键分叉、关键节点等特征信息作为基准关键特征信息;将所述模板图像的关键特征信息与基准关键特征信息对准后,将模板图像映射到待识别图像上。在模板图像的关键特征信息和基准关键特征信息进行对准时,由于模板图像和待识别图像中的目标生理组织的关键特征信息具有一定的偏差,因此,在模板图像的关键特征信息与待识别图像中目标生理组织的关进特征信息的位置偏差小于一定阈值时,即可进行模板图像的映射。例如,当冠脉血管模板图像的关键节点与待识别图像中冠脉血管的关键节点的位置偏差小于5%时,则可以进行模板图像的映射,并根据模板图像的轮廓边界确定待识别图像中目标生理组织的第一轮廓边界。
由于经验模型属于利用先验知识构建的理论结构,以此初步确定的目标生理组织的轮廓边界与目标生理组织的真实的轮廓边界存在误差,因此,需要进一步对粗配准的第一轮廓边界进行精确配准。
本方案在步骤S2中,将利用边界优化模型,对第一轮廓边界进行优化,获得目标生理组织的第二轮廓边界,从而使识别出的轮廓边界与目标生理组织的真实轮廓边界更相符。
在一种实例中,如图6所示,以第一轮廓边界为中心,向外膨胀一个调整区(buffer区域),利用cannny边缘检测算法、深度学习算法等方式在buffer区域内寻找真实轮廓,从而获得目标生理组织的准确轮廓边界。
本方案通过目标生理组织的轮廓边界进行优化,得到更加准确的生理组织轮廓边界,随后,利用步骤S3基于优化后的第二轮廓边界对目标生理组织进行组织填充。具体来说,如图7所示,步骤301、根据所述目标生理组织的关键特征信息和所述第二轮廓边界,基于阈值填充算法,对所述第二轮廓边界内的区域进行组织填充;步骤302、将未超越第二轮廓边界的点作为真组织,获得目标生理组织图像。在一种实例中,例如目标生理组织为冠脉血管,可以基于目标生理组织的关键节点和优化后的第二轮廓边界,利用阈值填充算法,对冠脉血管的区域进行组织填充,将未超越第二轮廓边界的点均作为冠脉血管的组织,从而获得待识别图像中冠脉血管的生理组织图像。另外,步骤S3还包括:步骤303、若填充时出现超越所述第二轮廓边界或与所述第二轮廓边界交叉的点,则将这部分点记作假组织,将其舍弃。
本方案中,可以对单个目标生理组织图像进行重建,也可以同时完成多个目标生理组织图像重建。即可以在一次生理组织轮廓边界配合和填充操作过程中,生成多个不同目标生理组织图像。例如,在图像处理过程中,可以同时生成冠脉血管和心肌结构的生理组织图像,从而根据需要对不同生理组织进行分割和信息提取。再例如,在图像处理过程中,可以同时生成颈动脉血管和颈骨的生理组织图像,从而根据需要对不同生理组织进行分割和信息提取。
本方案中,通过对目标生理组织的精准分割,能够得到生理组织的关键点、关键面等信息,从而为后续诊疗提供图像基础。还可以从目标生理组织图像提取法向、长短轴、边界、中心、重心、中心线、体积等几何计算信息,存储参考数据库,作为后续图像信息提取的参考,以提高图像处理和分析的效率。
通过上述方案,能够快速的分割出生理组织图像,准确的确定生理组织的轮廓边界,从而为后续的图像处理或病灶诊断提供准确的图像数据基础,克服了现有技术仅通过预测模型进行图像分割和边界预测,造成的图像分割偏差较大,边界预测不准确的问题。本方案通过对目标生理组织的组织图像进行分割,提取目标生理组织的几何数据信息,从而为后续医学诊断提供更加准确的图像数据依据。
如图8所示,本方案进一步提供了配合上述图像信息提取方法实施的图像信息提取装置101,该装置包括:识别模块102、优化模块103、填充模块104和提取模块105。该装置在工作时,利用计算机存储多种生理组织的模板图像,通过识别模块102基于目标生理组织的模板图像,对待识别图像中目标生理组织的边界进行粗配准,获得目标生理组织的第一轮廓边界;然后,利用优化模块103对所述第一轮廓边界进行边界优化处理,获得目标生理组织的第二轮廓边界;再后,通过填充模块104对所述第二轮廓边界内的区域进行组织填充,获得目标生理组织图像。
本方案中,可以直接将生成的生理组织图像提取出来,作为后续图像处理的依据。也可以利用提取模块105根据所述生理组织图像,提取更为详细的生理组织结构的法向、长短轴、边界、中心、重心、中心线、体积等几何计算信息。
本方案中,识别模块102进行目标生理组织的第一轮廓边界的识别时,可以基于预测模型对待识别图像中目标生理组织的边界进行预测,获得预测边界;以预测边界为基准,将模板图像映射到待识别图像上;将模板图像的边界作为目标生理组织的第一轮廓边界。还可以确定待识别图像中目标生理组织的关键特征信息;以关键特征信息为基准,将模板图像映射到待识别图像上;将模板图像的边界作为目标生理组织的第一轮廓边界。
本方案中,优化模块103是利用图像边缘算法对第一轮廓边界进行优化,从而得到准确的待识别图像中目标生理组织的第二轮廓边界。
本方案中,填充模块104在进行组织填充时,可以根据目标生理组织的关键特征信息和第二轮廓边界,基于阈值填充算法,对第二轮廓边界内的区域进行组织填充;将未超越第二轮廓边界的点作为真组织,获得目标生理组织图像。对于超越第二轮廓边界或与第二轮廓边界交叉的点作为假组织,并将其舍弃。
应当理解,本方案中各模块或单元可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(Programmable GateArray,PGA),现场可编程门阵列(Field Programmable Gate Array,FPGA)等。
在上述图像信息提取方法实施方式的基础上,本方案进一步提供一种计算机可读存储介质。该计算机可读存储介质用于实现上述图像信息提取方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在设备,例如个人电脑上运行。然而,本方案的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本方案操作的程序代码,所述程序设计语言包括面向对象的程序设计语言-诸如Java、C++等,还包括常规的过程式程序设计语言-诸如"C"语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在上述图像信息提取方法实施方式的基础上,本方案进一步提供一种电子设备。如图9所示电子设备仅仅是一个示例,不应对本方案实施例的功能和使用范围带来任何限制。
如图9所示,电子设备201以通用计算设备的形式表现。电子设备201的组件可以包括但不限于:至少一个存储单元202、至少一个处理单元203、显示单元204和用于连接不同系统组件的总线205。
其中,所述存储单元202存储有程序代码,所述程序代码可以被所述处理单元203执行,使得所述处理单元203执行上述设备征兆信息获取方法中描述的各种示例性实施方式的步骤。例如,所述处理单元203可以执行如图1中所示的步骤。
存储单元202可以包括易失性存储单元,例如随机存取存储单元(RAM)和/或高速缓存存储单元,还可以进一步包括只读存储单元(ROM)。
存储单元202还可以包括具有程序模块的程序/实用工具,这样的程序模块包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线205可以包括数据总线、地址总线和控制总线。
电子设备201也可以与一个或多个外部设备207(例如键盘、指向设备、蓝牙设备等)通信,这种通信可以通过输入/输出(I/O)接口206进行。应当明白,尽管图中未示出,可以结合电子设备201使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.一种图像信息提取方法,其特征在于,该方法的步骤包括:
基于目标生理组织的模板图像,对待识别图像中目标生理组织的边界进行粗配准,获得目标生理组织的第一轮廓边界;
对所述第一轮廓边界进行边界优化处理,获得目标生理组织的第二轮廓边界;
对所述第二轮廓边界内的区域进行组织填充,获得目标生理组织图像。
2.根据权利要求1所述的图像信息提取方法,其特征在于,所述基于目标生理组织的模板图像,对待识别图像中目标生理组织的边界进行粗配准,获得目标生理组织的第一轮廓边界的步骤包括:
基于预测模型对待识别图像中目标生理组织的边界进行预测,获得预测边界;
以所述预测边界上预定的基准点为基准,将所述模板图像映射到待识别图像上;
将所述模板图像的边界作为目标生理组织的第一轮廓边界。
3.根据权利要求1所述的图像信息提取方法,其特征在于,所述基于目标生理组织的模板图像,对待识别图像中目标生理组织的边界进行粗配准,获得目标生理组织的第一轮廓边界的步骤包括:
确定待识别图像中目标生理组织的关键特征信息;
以所述关键特征信息为基准,将所述模板图像映射到待识别图像上;
将所述模板图像的边界作为目标生理组织的第一轮廓边界。
4.根据权利要求1至3任一项所述的图像信息提取方法,其特征在于,所述对所述第一轮廓边界进行边界优化处理,获得目标生理组织的第二轮廓边界的步骤包括:
在所述第一轮廓边界的周边形成一个调整区;
基于边缘检测算法,在调整区内寻找真实轮廓,获得目标生理组织的第二轮廓边界。
5.根据权利要求1至3任一项所述的图像信息提取方法,其特征在于,所述对所述第二轮廓边界内的区域进行组织填充,获得目标生理组织图像的步骤包括:
根据所述目标生理组织的关键特征信息和所述第二轮廓边界,基于阈值填充算法,对所述第二轮廓边界内的区域进行组织填充;
将未超越所述第二轮廓边界的点作为真组织,获得目标生理组织图像。
6.根据权利要求5所述的图像信息提取方法,其特征在于,将超越所述第二轮廓边界或与所述第二轮廓边界交叉的点作为假组织,并舍弃。
7.根据权利要求1所述的图像信息提取方法,其特征在于,该方法的步骤还包括:
根据所述生理组织图像提取生理组织结构的几何计算信息。
8.一种图像信息提取装置,其特征在于,包括:
识别模块,基于目标生理组织的模板图像,对待识别图像中目标生理组织的边界进行粗配准,获得目标生理组织的第一轮廓边界;
优化模块,对所述第一轮廓边界进行边界优化处理,获得目标生理组织的第二轮廓边界;
填充模块,对所述第二轮廓边界内的区域进行组织填充,获得目标生理组织图像。
9.一种计算机存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-7任一项所述的方法。
10.一种计算设备,其特征在于,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110601753.8A CN115482181B (zh) | 2021-05-31 | 2021-05-31 | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110601753.8A CN115482181B (zh) | 2021-05-31 | 2021-05-31 | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115482181A true CN115482181A (zh) | 2022-12-16 |
CN115482181B CN115482181B (zh) | 2024-05-24 |
Family
ID=84419447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110601753.8A Active CN115482181B (zh) | 2021-05-31 | 2021-05-31 | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115482181B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332152A (zh) * | 2011-09-09 | 2012-01-25 | 山东大学威海分校 | 一种图像局部分割方法 |
US20150178938A1 (en) * | 2013-10-08 | 2015-06-25 | The Trustees Of The University Of Pennsylvania | Fully Automatic Image Segmentation of Heart Valves Using Multi-Atlas Label Fusion and Deformable Medial Modeling |
CN104835112A (zh) * | 2015-05-07 | 2015-08-12 | 厦门大学 | 一种肝脏多相期ct图像融合方法 |
CN105354842A (zh) * | 2015-10-22 | 2016-02-24 | 武汉康美华医疗投资管理有限公司 | 一种基于稳定区域的轮廓关键点配准与标识方法 |
CN106709867A (zh) * | 2016-11-23 | 2017-05-24 | 电子科技大学 | 一种基于改进surf和改进互信息的医学图像配准方法 |
CN107204001A (zh) * | 2016-03-16 | 2017-09-26 | 飞依诺科技(苏州)有限公司 | 一种颈动脉超声图像内中膜自动分割方法 |
CN107220984A (zh) * | 2017-05-05 | 2017-09-29 | 上海联影医疗科技有限公司 | 一种图像分割方法、系统及网格模型 |
CN109754472A (zh) * | 2018-12-29 | 2019-05-14 | 上海联影医疗科技有限公司 | 一种组织轮廓编辑方法、装置、计算机设备及存储介质 |
CN110222703A (zh) * | 2019-06-12 | 2019-09-10 | 江苏通佑视觉科技有限公司 | 图像轮廓识别方法、装置、设备和介质 |
TWI686178B (zh) * | 2019-10-09 | 2020-03-01 | 中原大學 | 自動化定位核子醫學腦部影像紋狀體與計算紋狀體專一性攝取率的方法與系統 |
CN111292315A (zh) * | 2020-03-05 | 2020-06-16 | 四川大学华西医院 | 一种病理切片组织区域快速配准算法 |
CN111882544A (zh) * | 2020-07-30 | 2020-11-03 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的医学影像显示方法及相关装置 |
CN112017225A (zh) * | 2020-08-04 | 2020-12-01 | 华东师范大学 | 一种基于点云配准的深度图像匹配方法 |
CN112184888A (zh) * | 2020-10-10 | 2021-01-05 | 深圳睿心智能医疗科技有限公司 | 三维血管建模的方法及装置 |
CN112446946A (zh) * | 2019-08-28 | 2021-03-05 | 深圳市光鉴科技有限公司 | 基于稀疏深度与边界的深度重建方法、系统、设备及介质 |
CN112634196A (zh) * | 2020-11-23 | 2021-04-09 | 西安科锐盛创新科技有限公司 | 一种基于智慧医疗的医学图像分割与显示方法 |
CN112819825A (zh) * | 2021-03-03 | 2021-05-18 | 数坤(北京)网络科技有限公司 | 一种医学图像数据目标信息提取方法及系统 |
-
2021
- 2021-05-31 CN CN202110601753.8A patent/CN115482181B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332152A (zh) * | 2011-09-09 | 2012-01-25 | 山东大学威海分校 | 一种图像局部分割方法 |
US20150178938A1 (en) * | 2013-10-08 | 2015-06-25 | The Trustees Of The University Of Pennsylvania | Fully Automatic Image Segmentation of Heart Valves Using Multi-Atlas Label Fusion and Deformable Medial Modeling |
CN104835112A (zh) * | 2015-05-07 | 2015-08-12 | 厦门大学 | 一种肝脏多相期ct图像融合方法 |
CN105354842A (zh) * | 2015-10-22 | 2016-02-24 | 武汉康美华医疗投资管理有限公司 | 一种基于稳定区域的轮廓关键点配准与标识方法 |
CN107204001A (zh) * | 2016-03-16 | 2017-09-26 | 飞依诺科技(苏州)有限公司 | 一种颈动脉超声图像内中膜自动分割方法 |
CN106709867A (zh) * | 2016-11-23 | 2017-05-24 | 电子科技大学 | 一种基于改进surf和改进互信息的医学图像配准方法 |
CN107220984A (zh) * | 2017-05-05 | 2017-09-29 | 上海联影医疗科技有限公司 | 一种图像分割方法、系统及网格模型 |
CN109754472A (zh) * | 2018-12-29 | 2019-05-14 | 上海联影医疗科技有限公司 | 一种组织轮廓编辑方法、装置、计算机设备及存储介质 |
CN110222703A (zh) * | 2019-06-12 | 2019-09-10 | 江苏通佑视觉科技有限公司 | 图像轮廓识别方法、装置、设备和介质 |
CN112446946A (zh) * | 2019-08-28 | 2021-03-05 | 深圳市光鉴科技有限公司 | 基于稀疏深度与边界的深度重建方法、系统、设备及介质 |
TWI686178B (zh) * | 2019-10-09 | 2020-03-01 | 中原大學 | 自動化定位核子醫學腦部影像紋狀體與計算紋狀體專一性攝取率的方法與系統 |
US20210110544A1 (en) * | 2019-10-09 | 2021-04-15 | Chung Yuan Christian University | Method and system for automatically delineating striatum in nuclear medicine brain image and calculating specific uptake ratio of striatum |
CN111292315A (zh) * | 2020-03-05 | 2020-06-16 | 四川大学华西医院 | 一种病理切片组织区域快速配准算法 |
CN111882544A (zh) * | 2020-07-30 | 2020-11-03 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的医学影像显示方法及相关装置 |
CN112017225A (zh) * | 2020-08-04 | 2020-12-01 | 华东师范大学 | 一种基于点云配准的深度图像匹配方法 |
CN112184888A (zh) * | 2020-10-10 | 2021-01-05 | 深圳睿心智能医疗科技有限公司 | 三维血管建模的方法及装置 |
CN112634196A (zh) * | 2020-11-23 | 2021-04-09 | 西安科锐盛创新科技有限公司 | 一种基于智慧医疗的医学图像分割与显示方法 |
CN112819825A (zh) * | 2021-03-03 | 2021-05-18 | 数坤(北京)网络科技有限公司 | 一种医学图像数据目标信息提取方法及系统 |
Non-Patent Citations (1)
Title |
---|
李伟 等: "基于改进式主动轮廓模型的序列超声心动图左室短轴轮廓跟踪", 《福州大学学报(自然科学版)》, 31 October 2005 (2005-10-31), pages 588 - 591 * |
Also Published As
Publication number | Publication date |
---|---|
CN115482181B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11127137B2 (en) | Malignancy assessment for tumors | |
CN112001925B (zh) | 图像的分割方法、放射治疗系统、计算机设备和存储介质 | |
CN111428709B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
EP2693951B1 (en) | Image analysis for specific objects | |
US20220207742A1 (en) | Image segmentation method, device, equipment and storage medium | |
WO2005001769A2 (en) | Automated regional myocardial assessment for cardiac imaging | |
US11996198B2 (en) | Determination of a growth rate of an object in 3D data sets using deep learning | |
CN114066969A (zh) | 一种医学图像分析方法以及相关产品 | |
CN115206478A (zh) | 医学报告生成方法以及装置、电子设备、可读存储介质 | |
US20210049766A1 (en) | Method for controlling display of abnormality in chest x-ray image, storage medium, abnormality display control apparatus, and server apparatus | |
CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
CN113610841B (zh) | 一种血管异常图像识别方法、装置、电子设备和存储介质 | |
CN116664592A (zh) | 基于图像的动静脉血管分离方法、装置、电子设备及介质 | |
CN115482181B (zh) | 一种图像信息提取方法、装置、电子设备和可读存储介质 | |
JPWO2019208130A1 (ja) | 医療文書作成支援装置、方法およびプログラム、学習済みモデル、並びに学習装置、方法およびプログラム | |
CN115482246B (zh) | 一种图像信息提取方法、装置、电子设备和可读存储介质 | |
CN115578396B (zh) | 一种血管图像提取方法、装置、电子设备和可读存储介质 | |
CN115578554B (zh) | 一种血管病灶识别方法、装置、电子设备和可读存储介质 | |
EP3977916A1 (en) | Medical document creation device, method, and program, learning device, method, and program, and learned model | |
CN115511773B (zh) | 一种血管中心线提取方法、装置、设备和可读存储介质 | |
CN115272159A (zh) | 一种图像识别方法、装置、电子设备和可读存储介质 | |
Nizamani et al. | Computer and Information Sciences | |
Allgöwer et al. | Liver Tumor Segmentation Using Classical Algorithms & Deep Learning | |
CN115423837A (zh) | 医学图像处理方法、装置、电子设备和存储介质 | |
CN117726846A (zh) | 肺部纯磨玻璃结节病理类型预测方法、装置、设备及介质 |
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 |