CN115482246B - 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
- CN115482246B CN115482246B CN202110604374.4A CN202110604374A CN115482246B CN 115482246 B CN115482246 B CN 115482246B CN 202110604374 A CN202110604374 A CN 202110604374A CN 115482246 B CN115482246 B CN 115482246B
- Authority
- CN
- China
- Prior art keywords
- contour
- boundary
- target physiological
- tissues
- voxel points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 19
- 210000001519 tissue Anatomy 0.000 description 113
- 210000004204 blood vessel Anatomy 0.000 description 10
- 238000002591 computed tomography Methods 0.000 description 8
- 210000000056 organ Anatomy 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 210000000988 bone and bone Anatomy 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000013307 optical fiber Substances 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
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 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
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000001926 lymphatic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 208000014081 polyp of colon Diseases 0.000 description 1
- 238000011160 research 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
- 238000012549 training Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 231100000216 vascular lesion Toxicity 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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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]
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (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：对待识别图像中相邻的目标生理组织进行轮廓识别，获得每个目标生理组织对应的分割轮廓边界；基于所述分割轮廓边界对应体素点的概率值，对相邻的目标生理组织分割轮廓边界的交汇区域进行边界优化，获得相邻的目标生理组织的交汇轮廓边界。本方案利用生理组织轮廓识别过程中，生成的轮廓边界的体素点的概率值对相邻生理组织的交汇轮廓边界进行优化，从而提高相邻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。
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：
对待识别图像中相邻的目标生理组织进行轮廓识别，获得每个目标生理组织对应的分割轮廓边界；
基于所述分割轮廓边界对应体素点的概率值，对相邻的目标生理组织分割轮廓边界的交汇区域进行边界优化，获得相邻的目标生理组织的交汇轮廓边界。
在一种优选地实例中，所述对待识别图像中相邻的目标生理组织进行轮廓识别，获得每个目标生理组织对应的分割轮廓边界的步骤包括：
基于由U-net网络构建的预测模型对待识别图像中每个目标生理组织的边界进行预测，获得每个目标生理组织对应的分割轮廓边界。
在一种优选地实例中，所述基于所述分割轮廓边界对应体素点的概率值，对相邻的目标生理组织分割轮廓边界的交汇区域进行边界优化，获得相邻的目标生理组织的交汇轮廓边界的步骤包括：
获取每个目标生理组织的分割轮廓边界相对应的体素点的概率值；
将相邻的目标生理组织的分割轮廓边界中，位于的交汇区域内的体素点的概率值大于第一阈值的体素点，作为待拟合体素点；
将相邻的待拟合体素点连接成轮廓线，将所述轮廓线作为相邻的目标生理组织的交汇轮廓边界。
在一种优选地实例中，所述将相邻体素点连接成轮廓线的步骤中：
将待拟合体素点中概率值最大的相邻体素点连接成轮廓线。
在一种优选地实例中，所述将相邻体素点连接成轮廓线，将所述轮廓线作为相邻的目标生理组织的交汇轮廓边界的步骤包括：
依次连接相邻的待拟合体素点形成多条轮廓线；
将多条轮廓线中同时满足预设平滑度阈值和体素点概率值总和最大条件的轮廓线作为相邻的目标生理组织的交汇轮廓边界。
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，对待识别图像中相邻的目标生理组织进行轮廓识别，获得每个目标生理组织对应的分割轮廓边界；
优化模块，基于所述分割轮廓边界对应体素点的概率值，对相邻的目标生理组织分割轮廓边界的交汇区域进行边界优化，获得相邻的目标生理组织的交汇轮廓边界。
在一种优选地实例中，所述优化模块具体执行如下步骤：
获取每个目标生理组织的分割轮廓边界相对应的体素点的概率值；
将相邻的目标生理组织的分割轮廓边界中，位于的交汇区域内的体素点的概率值大于第一阈值的体素点，作为待拟合体素点；
将待拟合体素点中概率值最大的相邻体素点连接成轮廓线，将所述轮廓线作为相邻的目标生理组织的交汇轮廓边界。
在一种优选地实例中，所述优化模块具体执行如下内容：
获取每个目标生理组织的分割轮廓边界相对应的体素点的概率值；
将相邻的目标生理组织的分割轮廓边界中，位于的交汇区域内的体素点的概率值大于第一阈值的体素点，作为待拟合体素点；
依次连接相邻体素点形成多条轮廓线，将多条轮廓线中同时满足预设平滑度阈值和体素点概率值总和最大条件的轮廓线作为相邻的目标生理组织的交汇轮廓边界。
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：
本方案利用生理组织轮廓识别过程中，生成的轮廓边界的体素点的概率值对相邻生理组织的交汇轮廓边界进行优化，从而提高相邻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示例示意图；
图2示出本方案所述利用网络模型识别出相邻目标生理结构轮廓边界的示意图；
图3示出本方案所述相邻目标生理组织交汇轮廓边界优化的一种示例的示意图；
图4示出本方案所述相邻目标生理组织交汇轮廓边界优化的另一种示例的示意图；
图5示出本方案所述优化后相邻目标生理组织交汇轮廓边界的示意图；
图6示出本方案所述图像信息提取装置的示意图；
图7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结构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识别，然而，通过神经网络模型识别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，该方法先利用网络模型对相邻目标生理组织的轮廓边界进行识别，与此同时，对应得到轮廓边界的体素点对应的概率值。利用概率值较高的体素点对相邻目标生理组织的轮廓边界进行优化，得到准确的轮廓边界。
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、器官等生理结构，确定目标生理结构的轮廓边界，从而准确提取目标生理结构的生理组织图像及对应的几何数据信息，其具体包括：
步骤S1、对待识别图像中相邻的目标生理组织进行轮廓识别，获得每个目标生理组织对应的分割轮廓边界；
步骤S2、基于所述分割轮廓边界对应体素点的概率值，对相邻的目标生理组织分割轮廓边界的交汇区域进行边界优化，获得相邻的目标生理组织的交汇轮廓边界。
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,并以此作为输入，基于深度学习神经网络训练，得到组织分割模型。利用组织分割模型对待识别图像中的生理组织边界进行识别。
然而，通过利用分割模型对生理组织边界进行识别时，相邻生理组织的轮廓边界会出现较大的误差，导致无法准确定位生理组织的轮廓边界。
本方案步骤S1中，利用预先训练好的U-net网络模型中的多个卷积层对待识别图像中的目标生理组织的轮廓边界进行识别，得到每个目标生理组织的分割轮廓边界。
具体来说，利用U-net网络模型对目标生理组织进行边界识别过程中，会对轮廓边界附近的体素点赋予对应的概率值，根据预先设置的筛选概率阈值剔除低于概率阈值的体素点，将满足概率阈值的体素点连接形成目标生理组织的轮廓边界。在一种实例中，如图2所示，以待识别图像为输入，利用U-net网络模型中的多个卷积层对待识别图像中的相邻的目标生理组织的边界轮廓进行识别。在识别的过程中，为目标生理组织轮廓边界及附近区域的体素点赋予概率值，利用预先设定的筛选概率阈值(例如，第一概率阈值为0.6)，将体素点中概率阈值小于0.6的体素点提取，将剩余的体素点连接，形成目标生理组织的轮廓边界。每个目标生理组织的分割轮廓边界均采用上述方式确定。
本方案中，也可以采用HR-net、Dice-loss等深度学习分割网络模型对生理组织的轮廓边界进行识别，不仅限于上述的U-net网络模型。
由图2可以看出，通过网络模型识别的轮廓边界会存在误差，尤其是相邻目标生理组织交汇处的边界轮廓，具有明显的轮廓误差。这样会严重影响对目标生理组织轮廓边界判定的准确性，需要对组织交汇处的轮廓边界做进一步优化和调整。
基于轮廓边界识别存在的问题，本方案步骤S2中，利用每个目标生理组织分割轮廓边界对应的体素点的概率值，对相邻的目标生理组织分割轮廓边界的交汇区域进行边界优化，以明确相邻的目标生理组织的交汇轮廓边界，从而降低交汇处轮廓边界的误差。
具体地，获取每个目标生理组织分割轮廓边界相对应的体素点的轮廓值。为了使优化所使用体素点更加准确，可以设置第一阈值，将位于相邻目标生理组织交汇区域内的体素点的概率值大于第一阈值的体素点，作为待拟合体素点，然后，将这些待拟合体素点连接成轮廓线，从而形成相邻目标生理组织的交汇轮廓边界。其中，第一阈值的设置需要根据考虑优化的精准度和剩余体素点的数据量进行调整。
在一种实例中，如图3所示，提取组成每个目标生理组织分割轮廓边界的体素点，将第一阈值设置为0.7。利用第一阈值筛选保留概率值大于第一阈值的体素点，并将这些体素点作为待拟合体素点。然后，依次连接相邻的体素点形成轮廓线，并将该轮廓先作为相邻目标生理组织的交汇边界。本实例中，为了使得到的轮廓线更加接近真实的交汇边界，在连接时，可以以将某个体素点与其相邻的体素点中概率值最大的体素点连接成轮廓线为准，进行体素点的连接，从而筛掉干扰轮廓线，使最终得到的交汇边界更加准确。
在另一种实例中，如图4所示，提取组成每个目标生理组织分割轮廓边界的体素点，将第一阈值设置为0.6。利用第一阈值筛选保留概率值大于第一阈值的体素点，并将这些体素点作为待拟合体素点。然后，依次连接相邻的体素点形成轮廓线，并将该轮廓先作为相邻目标生理组织的交汇边界。为了使最终得到的轮廓线的准确性更高，可以为轮廓线设置多个约束条件，已得到最佳的轮廓线。例如，可以设置约束条件为：得到的轮廓线的平滑度大于预设平滑度，且得到的轮廓线的体素点的概率值的总和最大。依次约束条件筛选出最佳轮廓线，最为相邻生理组织的交汇轮廓边界。
优化后的相邻生理组织轮廓边界如图5所示。通过相邻生理组织的轮廓边界能够清晰的分辨出医学影像中相邻组织、器官等结构的边界轮廓，从而克服了传统分割模型确定交汇轮廓边界不准确的问题，大幅度提升了相邻生理组织的交汇轮廓边界的清晰度，避免病灶的误判或漏检的问题。
本方案中，还可以利用优化后的相邻目标生理组织的交汇轮廓边界对每个目标生理组织的边界轮廓进行反向优化，从而提升每个目标生理组织的分割轮廓边界的准确性。
具体地，可以以优化后的相邻生理组织的交汇轮廓边界为基准，利用目标生理组织的模板图像作为优化基准，对分割轮廓进行修正。在一种实例中，利用目标预测框bounding box，锁定网络模型识别的目标生理组织的分割轮廓边界，将上述模板图像，以bounding box的边界点为基准，匹配至待识别图像上，利用模板图像的边界替换分割轮廓边界形成第一修正轮廓边界，然后，利用优化后的交汇轮廓边界替换第一修正轮廓边界对应的区域，形成第二修正轮廓边界，从而获得修正后的目标生理组织的轮廓边界，完成基于交汇轮廓边界对目标生理组织轮廓边界的反向修正。
如图6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和优化模块103。该装置在工作时，识别模块102基于分割网络模型，对待识别图像中相邻的目标生理组织进行轮廓识别，获得每个目标生理组织对应的分割轮廓边界；然后，利用优化模型103基于所述分割轮廓边界对应体素点的概率值，对相邻的目标生理组织分割轮廓边界的交汇区域进行边界优化，获得相邻的目标生理组织的交汇轮廓边界。
本方案中，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，识别模块102可以利用预先训练好的U-net、HR-net、Dice-loss等深度学习分割网络模型对生理组织的轮廓边界进行识别，得到目标生理组织的分割轮廓边界。
本方案中，优化模块103获取每个目标生理组织的分割轮廓边界相对应的体素点的概率值；将相邻的目标生理组织的分割轮廓边界中，位于的交汇区域内的体素点的概率值大于第一阈值的体素点，作为待拟合体素点。将相邻的待拟合体素点连接成轮廓线，将所述轮廓线作为相邻的目标生理组织的交汇轮廓边界。其中，为了提高轮廓线的准确性，可以将待拟合体素点中概率值最大的相邻体素点连接成轮廓线，从而剔除其他干扰轮廓线。也可以设置多个约束条件，对轮廓线进行筛选，例如，可以使多条轮廓线中同时满足预设平滑度阈值和体素点概率值总和最大条件的轮廓线，作为相邻的目标生理组织的交汇轮廓边界，从而提高最终获得轮廓线的精准度。
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7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7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 (5)
1.一种图像信息提取方法，其特征在于，该方法的步骤包括：
利用预先构建的预测模型，对待识别图像中相邻的目标生理组织进行轮廓识别，获得每个目标生理组织对应的分割轮廓边界；
获取每个目标生理组织的分割轮廓边界相对应的体素点的概率值；将相邻的目标生理组织的分割轮廓边界中，位于的交汇区域内的体素点的概率值大于第一阈值的体素点，作为待拟合体素点；
依次连接相邻的待拟合体素点形成多条轮廓线；将多条轮廓线中同时满足预设平滑度阈值和体素点概率值总和最大条件的轮廓线作为相邻的目标生理组织的交汇轮廓边界；或者，
将待拟合体素点中概率值最大的相邻体素点连接成轮廓线，并作为相邻的目标生理组织的交汇轮廓边界。
2.根据权利要求1所述的图像信息提取方法，其特征在于，所述对待识别图像中相邻的目标生理组织进行轮廓识别，获得每个目标生理组织对应的分割轮廓边界的步骤包括：
基于由U-net网络构建的预测模型对待识别图像中每个目标生理组织的边界进行预测，获得每个目标生理组织对应的分割轮廓边界。
3.一种图像信息提取装置，其特征在于，包括：
识别模块，利用预先构建的预测模型，对待识别图像中相邻的目标生理组织进行轮廓识别，获得每个目标生理组织对应的分割轮廓边界；
优化模块，获取每个目标生理组织的分割轮廓边界相对应的体素点的概率值；将相邻的目标生理组织的分割轮廓边界中，位于的交汇区域内的体素点的概率值大于第一阈值的体素点，作为待拟合体素点；
依次连接相邻的待拟合体素点形成多条轮廓线；将多条轮廓线中同时满足预设平滑度阈值和体素点概率值总和最大条件的轮廓线作为相邻的目标生理组织的交汇轮廓边界；或者，
将待拟合体素点中概率值最大的相邻体素点连接成轮廓线，并作为相邻的目标生理组织的交汇轮廓边界。
4.一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-2任一项所述的方法。
5.一种计算设备，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权利要求1-2任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110604374.4A CN115482246B (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 |
|---|---|---|---|
| CN202110604374.4A CN115482246B (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 |
|---|---|
| CN115482246A CN115482246A (zh) | 2022-12-16 |
| CN115482246B true CN115482246B (zh) | 2023-06-16 |
Family
ID=84419217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110604374.4A Active CN115482246B (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) | CN115482246B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103824295A (zh) * | 2014-03-03 | 2014-05-28 | 天津医科大学 | 一种肺部ct图像中粘连血管型肺结节的分割方法 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8437521B2 (en) * | 2009-09-10 | 2013-05-07 | Siemens Medical Solutions Usa, Inc. | Systems and methods for automatic vertebra edge detection, segmentation and identification in 3D imaging |
| JP5347003B2 (ja) * | 2011-09-30 | 2013-11-20 | 富士フイルム株式会社 | 医用画像処理装置および方法ならびにプログラム |
| CN102871686B (zh) * | 2012-03-05 | 2015-08-19 | 杭州弘恩医疗科技有限公司 | 基于3d医学影像测定生理参数的装置和方法 |
| WO2013155300A1 (en) * | 2012-04-11 | 2013-10-17 | The Trustees Of Columbia University In The City Of New York | Techniques for segmentation of organs and tumors and objects |
| US9495752B2 (en) * | 2012-09-27 | 2016-11-15 | Siemens Product Lifecycle Management Software Inc. | Multi-bone segmentation for 3D computed tomography |
| US9710880B2 (en) * | 2014-07-03 | 2017-07-18 | Siemens Product Lifecycle Management Software Inc. | User-guided shape morphing in bone segmentation for medical imaging |
| US10290093B2 (en) * | 2015-09-22 | 2019-05-14 | Varian Medical Systems International Ag | Automatic quality checks for radiotherapy contouring |
| JP6914734B2 (ja) * | 2017-05-30 | 2021-08-04 | Kddi株式会社 | シルエット抽出装置、方法およびプログラム |
| CN107622503A (zh) * | 2017-08-10 | 2018-01-23 | 上海电力学院 | 一种恢复图像遮挡边界的分层分割方法 |
| CN108830870B (zh) * | 2018-05-21 | 2021-12-28 | 千寻位置网络有限公司 | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 |
| CN109934235B (zh) * | 2019-03-20 | 2021-04-20 | 中南大学 | 一种无监督的腹部ct序列图像多器官同时自动分割方法 |
| CN110136157B (zh) * | 2019-04-09 | 2021-03-26 | 华中科技大学 | 一种基于深度学习的三维颈动脉超声图像血管壁分割方法 |
| CN110689545B (zh) * | 2019-09-09 | 2023-06-16 | 华南理工大学 | 基于主动轮廓和深度学习的模糊边界图像自动分割方法 |
| CN110675372A (zh) * | 2019-09-10 | 2020-01-10 | 华中科技大学苏州脑空间信息研究院 | 细胞分辨水平的脑组织三维图像的脑区自动分割方法及系统 |
| 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 CN202110604374.4A patent/CN115482246B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103824295A (zh) * | 2014-03-03 | 2014-05-28 | 天津医科大学 | 一种肺部ct图像中粘连血管型肺结节的分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 分层像素级图像融合中线性轮廓信息识别仿真;宋薇;;计算机仿真(第06期);408-411+431 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115482246A (zh) | 2022-12-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10984905B2 (en) | Artificial intelligence for physiological quantification in medical imaging | |
| CN110121749B (zh) | 用于图像采集的深度学习医疗系统和方法 | |
| CN111344801B (zh) | 针对前列腺癌的多模态计算机辅助诊断系统和方法 | |
| US11062467B2 (en) | Medical image registration guided by target lesion | |
| EP2620909B1 (en) | Method, system and computer readable medium for automatic segmentation of a medical image | |
| US20240127436A1 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
| CN114066969B (zh) | 一种医学图像分析方法以及相关产品 | |
| CN114202516A (zh) | 一种异物检测方法、装置、电子设备及存储介质 | |
| JP2023504026A (ja) | 医用イメージング・システムにおける自動式プロトコル指定 | |
| 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 | |
| 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 | |
| EP3965117A1 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
| KR20220100830A (ko) | 복수의 질환을 분석하기 위한 의료 영상 처리 장치 및 방법 | |
| 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 | |
| CN112633405A (zh) | 模型训练方法、医学影像分析方法及装置、设备、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 | |
| CN115511773B (zh) | 一种血管中心线提取方法、装置、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 | |
| EP4379672A1 (en) | Methods and systems for classifying a medical image dataset | |
| US11615881B2 (en) | Liver cancer detection | |
| US12009090B2 (en) | Liver cancer detection | |
| Dhingra | Smart Decision Support Framework for Precise Diagnosis of Chronic Odontogenic Rhinosinusitis using U-Net Segmentation | |
| KR20230151865A (ko) | 의료 영상에서 세기의 분포에 기반한 보조 정보를 생성하고 시각화하는 의료 영상 진단 보조 장치 및 방법 | |
| Allgöwer et al. | Liver Tumor Segmentation Using Classical Algorithms & Deep Learning | |
| CN115272159A (zh) | 一种图像识别方法、装置、电子设备和可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230522 Address after: 200,030 Room 307, Area A, Floor 2, No.420 Fenglin Road, Xuhui District, Shanghai Applicant after: Shukun (Shanghai) Medical Technology Co.,Ltd. Address before: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing Applicant before: Shukun (Beijing) Network Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |