CN115496703A - 肺炎区域检测方法及系统 - Google Patents
肺炎区域检测方法及系统 Download PDFInfo
- Publication number
- CN115496703A CN115496703A CN202110680989.5A CN202110680989A CN115496703A CN 115496703 A CN115496703 A CN 115496703A CN 202110680989 A CN202110680989 A CN 202110680989A CN 115496703 A CN115496703 A CN 115496703A
- Authority
- CN
- China
- Prior art keywords
- pneumonia
- pneumonia area
- image
- area
- standard format
- 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
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- 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
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computerised tomographs
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
本申请提供一种肺炎区域检测方法及系统,该方法包括:获取待处理的医学影像;通过预设的图像预处理方法处理所述待处理的医学影像,以获取标准格式图像;获取初始肺炎区域的边框尺寸;通过预设算法和所述标准格式图像处理所述初始肺炎区域的边框尺寸,以获取标准格式的肺炎区域的边框尺寸;输入所述标准格式图像和所述标准格式的肺炎区域的边框尺寸至肺炎区域检测模型,以获取输出肺炎区域。该方法能够确认肺炎区域的边框及尺寸,准确识别肺炎区域,降低后期辨别时的工作量。
Description
技术领域
本申请涉及医学影像识别技术领域,尤其涉及一种肺炎区域检测方法及系统。
背景技术
随着医疗技术的进步,医学影像技术已成为现代医疗诊治中不可或缺的手段。医学影像是检测肺炎的重要手段,但是,医学影像中的肺炎区域特征不明显,且难以单独依据医学影像进行疾病诊断。
目前,相关技术中常使用图像目标检测技术来辅助肺炎区域识别,但是,相关技术中肺炎区域识别的准确率和精度较低。
发明内容
有鉴于此,有必要提供一种肺炎区域检测方法及肺炎区域检测系统,能够确认肺炎区域的边框及尺寸,准确识别肺炎区域,降低后期辨别时的工作量。
第一方面,本申请一实施方式提供一种肺炎区域检测方法,包括:
获取待处理的医学影像;
通过预设的图像预处理方法处理所述待处理的医学影像,以获取标准格式图像;
获取初始肺炎区域的边框尺寸;
通过预设算法和所述标准格式图像处理所述初始肺炎区域的边框尺寸,以获取标准格式的肺炎区域的边框尺寸;
输入所述标准格式图像和所述标准格式的肺炎区域的边框尺寸至肺炎区域检测模型,以获取输出肺炎区域。
在本申请其中一种可能实现方式中,所述图像预处理方法包括:
计算所述待处理的医学影像的尺寸平均值及标准差;
根据所述待处理的医学影像的尺寸平均值及标准差输出所述标准格式图像,所述标准格式图像的格式为1024*1024像素。
在本申请其中一种可能实现方式中,所述输入所述标准格式图像和所述标准格式的肺炎区域的边框尺寸至肺炎区域检测模型,以获取输出肺炎区域包括:
对所述标准格式图像进行特征提取,以获取所述标准格式图像的肺炎区域特征;
通过所述标准格式的肺炎区域的边框尺寸和所述标准格式图像的肺炎区域特征获取所述输出肺炎区域。
在本申请其中一种可能实现方式中,所述方法还包括:
通过类别权重系数和FocalLoss损失函数优化所述肺炎区域检测模型。
在本申请其中一种可能实现方式中,所述方法还包括:
获取标准肺炎区域;
验证所述输出肺炎区域与所述标准肺炎区域,以获取所述输出肺炎区域与所述标准肺炎区域的重叠度;
若所述重叠度大于预设值,则输出所述输出肺炎区域。
第二方面,本申请一实施方式提供一种肺炎区域检测系统,包括:
信息获取模块,用于获取待处理医学影像和初始肺炎区域边框尺寸;
图像预处理模块,连接所述信息获取模块,用于通过预设的图像预处理方法处理所述待处理医学影像以获取标准格式图像;
均值计算模块,连接所述图像预处理模块和所述信息获取模块,用于根据所述标准格式图像处理所述初始肺炎区域边框尺寸以获取标准格式肺炎区域边框尺寸;
肺炎区域检测模型,连接所述信息获取模块和均值计算模块,用于根据所述标准格式图像和所述标准格式肺炎区域边框尺寸获取输出肺炎区域。
在本申请其中一种可能实现方式中,所述图像预处理模块用于:
计算所述待处理医学影像的尺寸平均值及标准差;
根据所述待处理医学影像的尺寸平均值及标准差输出标准格式图像,所述标准格式图像的格式为1024*1024像素。
在本申请其中一种可能实现方式中,所述均值计算模块用于:
对所述标准格式图像进行特征提取,以获取所述标准格式图像的肺炎区域特征;
通过所述标准格式的肺炎区域的边框尺寸和所述标准格式图像的肺炎区域特征获取所述输出肺炎区域。
在本申请其中一种可能实现方式中,所述均值计算模块还用于:
通过类别权重系数和FocalLoss损失函数优化所述肺炎区域检测模型。
在本申请其中一种可能实现方式中,所述系统还包括模型验证模块;
所述模型验证模块连接所述肺炎区域检测模型,用于获取标准肺炎区域;验证所述输出肺炎区域与所述标准肺炎区域,以获取所述输出肺炎区域与所述标准肺炎区域的重叠度;若所述重叠度大于预设值,则输出所述输出肺炎区域。
本申请实施方式提供的肺炎区域检测方法及肺炎区域检测系统,确认肺炎区域的锚点及尺寸,准确识别肺炎区域,降低后期辨别时的工作量。
附图说明
图1为本申请一实施例提供的肺炎区域检测系统的模块示意图。
图2为本申请另一实施例提供的肺炎区域检测系统的模块示意图。
图3为本申请一实施例提供的肺炎区域检测方法的流程示意图。
主要元件符号说明
肺炎区域检测系统 10;10a
信息获取模块 100
图像预处理模块 200
均值计算模块 300
肺炎区域检测模型 400
模型验证模块 500
如下具体实施方式将结合上述附图进一步说明本申请。
具体实施方式
下面将结合本申请实施方式中的附图,对本申请实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本申请一部分实施方式,而不是全部的实施方式。
需要说明的是,本申请实施例中“至少一个”是指一个或者多个,多个是指两个或两个以上。除非另有定义,本文所使用的所有的技术和科学术语与属于本申请中的技术领域的技术人员通常理解的含义相同。本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
需要说明的是,本申请实施例中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请实施例的描述中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
基于本申请中的实施方式,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施方式,都是属于本申请保护的范围。
随着医疗技术的进步,医学影像技术已成为现代医疗诊治中不可或缺的手段。医学影像是检测肺炎的重要手段,但是,医学影像中的肺炎区域特征不明显,且难以单独依据医学影像进行疾病诊断。
目前,相关技术中常使用图像目标检测技术来辅助肺炎区域识别,但是,肺炎区域识别的准确率和精度较低。
因此,本申请实施例提供一种肺炎区域检测方法及系统,可通过确认图像中肺炎区域的锚点及尺寸,准确识别肺炎区域,降低后期辨别时的工作量。
下面结合附图,对申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
图1是本申请一实施例提供的肺炎区域检测系统10的模块示意图。如图1所示,所述肺炎区域检测系统10包括:信息获取模块100、图像预处理模块200、均值计算模块300、肺炎区域检测模型400。所述图像预处理模块200连接所述信息获取模块100。所述均值计算模块300连接所述图像预处理模块200和所述信息获取模块100。所述肺炎区域检测模型400连接所述信息获取模块100和均值计算模块300。
在本申请实施例中,所述信息获取模块100用于获取待处理的医学影像。所述待处理的医学影像包括,但不局限于,X光片(X-ray Film)、电子计算机断层扫描(ComputedTomography,CT)图像、磁共振检查(Magnetic Resonance,MR)图像、超声(Ultrasound)检查图像、核医学(Nuclear Medicine)图像等。
可以理解,所述信息获取模块100还用于获取初始肺炎区域的边框(boundingbox,bbox)尺寸。所述初始肺炎区域的边框尺寸可以根据所述待处理的医学影像的图像大小进行设置。可以理解的是,所述初始肺炎区域的边框尺寸小于所述待处理的医学影像的图像大小。
在本申请实施例中,所述图像预处理模块200用于通过预设的图像预处理方法处理所述待处理的医学影像,以获取标准格式图像。可以理解的是,所述图像预处理方法包括:计算所述待处理的医学影像的尺寸平均值及标准差,并根据所述待处理的医学影像的尺寸平均值及标准差批量输出标准格式图像。其中,所述尺寸平均值为所述待处理的医学影像的平均图像尺寸,所述标准差为每个所述待处理的医学影像尺寸与所述平均图像尺寸之间的标准差。在本申请实施例中,首先根据所述待处理的医学影像的平均图像尺寸及标准差将所述待处理的医学影像的尺寸统一调整至平均图像尺寸,再根据平均图像尺寸与标准图像格式对应的尺寸之间的比例对所述待处理的医学影像进行缩放,以批量获取标准格式的医学影像(即所述标准格式图像)。可以理解,在其中一个实施例中,所述标准格式图像的格式可以为1024*1024像素。
在本申请实施例中,所述均值计算模块300用于根据所述标准格式图像处理所述初始肺炎区域的边框尺寸,以获取标准格式的肺炎区域边框尺寸。在本身实施例中,所述均值计算模块300可以使用K均值聚类算法或其他类似算法,在此不作具体限定。示例的,K均值计算(K-means)是一种基于无监督的划分聚类算法。当所述均值计算模块300使用K均值聚类算法时,所述K均值计算可以用于根据所述初始肺炎区域的边框尺寸计算及筛选适合于所述标准格式图像尺寸的肺炎区域边框尺寸。
在本申请实施例中,所述肺炎区域的边框尺寸可以由肺炎区域锚点尺寸*缩放比例计算得出。其中,所述肺炎区域锚点为待处理的医学影像中可以用于判断肺炎区域的图像区域。由于待处理的医学影像的大小可能不相同,因此在计算所述肺炎区域边框尺寸的时候,需要将所述肺炎区域锚点与缩放比例相乘,以换算得出所述肺炎区域锚点在标准格式图像下的尺寸。
在本申请实施例中,所述肺炎区域锚点的形状可以是规则的几何图形,例如矩形、圆形、椭圆形等,也可以是非规则的几何图形,本申请在此不做限制。
在本申请实施例中,所述肺炎区域检测模型400用于根据所述标准格式图像和所述标准格式肺炎区域边框尺寸获取输出肺炎区域。
可以理解的是,肺炎区域检测模型400可以为EfficientDet肺炎区域检测模型。其中,EfficientNet是一种单级检测框架的卷积神经网络。EfficientNet通过一种新的模型缩放方法,使用一个复合系数来从深度(depth),宽度(width),像素(resolution)三个维度放大网络,再基于神经结构搜索技术可以获得更优的一组复合系数,包括更宽(wider)、更深(deeper)、以及像素更高(higher resolution)。
可以理解的是,EfficientDet构建在EfficientNet之上,对EfficientNet网络进行模型缩放,并通过结合双向特征金字塔网络(BiFPN)实现对肺炎区域检测的优化。EfficientDet模型可以根据计算速度和计算精度分为EfficientDet D1至EfficientDetD7。随着模型的型号数字增大,计算速度逐渐变慢,但是精度也逐渐提高。例如,与EfficientDet D1相比,EfficientDet D7的计算速度逐渐变慢,但是精度也逐渐提高。可以理解的是,本申请实施例中使用的是EfficientDet D4模型,用以兼顾或平衡EfficientDet的计算速度和精度。
可以理解的是,以往的特征金字塔网络神经网络中,特征融合是通过简单相加来融合,意味着每个特征图的权重相等。然而不同的特征对结果的贡献不同,因此BiFPN层引入一个可学习的权重衰减(weightdecay),通过AdamW学习效率优化器将权重衰减与整体权重一起计算,以学习不同输入特征的重要性,同时反复应用自上向下和自下而上的多尺度特征融合。因此,在本申请实施例中,肺炎区域检测模型400还可使用所述AdamW学习效率优化器,以提高肺炎区域检测模型400的收敛程度。在本申请实施例中,权重衰减可以设置为0.1。
在本申请实施例中,所述肺炎区域检测模型400还用以使用focalloss函数来区分所述标准格式图像中的背景和肺炎区域。可以理解的是,使用focalloss函数可以提高所述肺炎区域检测系统10的学习效率。
在本申请实施例中,若所述标准格式图像中不存在肺炎区域,则所述肺炎区域检测系统10可直接输出所述标准格式图像。
图2是本申请另一实施例提供的肺炎区域检测系统10a的模块示意图。其中,如图2所示,所述肺炎区域检测系统10a包括信息获取模块100、图像预处理模块200、均值计算模块300、肺炎区域检测模型400。可以理解,图2所示的肺炎区域检测系统10a与图1所示的肺炎区域检测系统10的区别在于,肺炎区域检测系统10a还包括模型验证模块500。所述模型验证模块500连接所述肺炎区域检测模型400。
在本申请实施例中,所述模型验证模块500用于获取标准肺炎区域并验证所述输出肺炎区域与所述标准肺炎区域的重叠度(Intersection over Union,IOU)。其中,若所述输出肺炎区域与所述标准肺炎区域的重叠度大于预设值(例如0.5),则输出所述输出肺炎区域,并将所述肺炎区域记为真值。若所述输出肺炎区域与所述标准肺炎区域的重叠度小于所述预设值,则不输出所述输出肺炎区域,并将所述肺炎区域记为假值。
在本申请实施例中,可以使用召回率(mAP)来计算所述肺炎区域检测系统10a输出肺炎区域与标准肺炎区域的重叠度(IOU),以验证所述肺炎区域检测模型400的输出结果是否满足训练需求。
可以理解的是,在使用召回率(mAP)计算IOU时,可以筛选IOU为0.5至0.95,步进0.05的数值进行计算。其中,召回率(mAP)可由公式(1)计算获得。
其中,参数AP(IOUth=th)为IOU阈值。
在本申请实施例中,还可以使用敏感度(sensitivity)来验证所述肺炎区域检测系统10是否能正确检验出所述标准格式图像中是否存在肺炎区域。
在本申请实施例中,所述肺炎区域检测模型400还用于根据所述模型验证模块500输出的mAP和sensitivity等参数判断是否需要继续进行训练。
可以理解的是,在进行图像目标检测时,常采用影像翻转、平移等方式来扩充训练集,而对影像翻转、平移等方式会增加模型训练时的网络需求资源,且对于肺炎区域识别的效果有限。因此,在本申请实施例中,所述肺炎区域检测系统10在所述肺炎区域检测模型400训练时,是通过选择合适的肺炎区域锚点及尺寸,而非增加训练集,因此能够准确的辨别肺炎区域。
可以理解的是,在本申请实施例中,所述肺炎区域检测模型400在训练时,可将所述肺炎区域检测模型400的学习率衰减(learning rate decay)设置为1000(即每迭代1000次衰减一次),将单次训练所选取的样本数(batchsize)设置为8,将所有样本训练的次数(epoch)设置为300。可以理解,当所述肺炎区域检测模型400设置如上述所述参数时,所述肺炎区域检测模型400输出的肺炎区域mAP为54.3%,sensitivity为63%。即,可以准确识别肺炎区域,降低后期辨别时的工作量。
在本申请实施例中,所述肺炎区域检测系统10/10a可以根据K均值聚类算法将不同规格的医学影像做归一化处理,以得到标准格式的医学影像。将所述标准格式的医学影像输入EfficientDet模型,以诊断所述医学影像中是否存在肺炎区域。可以理解的是,由于已经对输入所述EfficientDet模型的医学影像做了归一化处理,因此所述EfficientDet模型无需对影像的规格进行处理,仅需进行肺炎区域锚点和边框的选择,提高了肺炎区域检测系统10/10a的检测效率,并降低了在计算时对于计算资源的需求。
图3是本申请一实施例提供的肺炎区域检测方法的流程示意图。所述肺炎区域检测方法应用于肺炎区域检测系统10/10a。所述肺炎区域检测方法至少包括以下步骤:
S100:获取待处理医学影像。
在本申请实施例中,可通过所述信息获取模块100获取待处理医学影像。其中,所述信息获取模块100的功能及作用可参考图1及图2所示所述信息获取模块100的描述,在此不再赘述。
S200:通过预设的图像预处理方法处理所述待处理的医学影像以获取标准格式图像。
在本申请实施例中,可以通过所述图像预处理模块200以及预设的图像预处理方法处理所述待处理医学影像以获取标准格式图像。其中,所述图像预处理模块200的功能及作用可参考图1及图2所示所述图像预处理模块200的描述,在此不再赘述。
在本申请实施例中,所述图像预处理方法包括:计算所述待处理医学影像的尺寸平均值及标准差;根据所述待处理医学影像的尺寸平均值及标准差输出标准格式图像。在其中一个实施例中,所述标准格式图像的格式可以为1024*1024像素。
S300:获取初始肺炎区域的边框尺寸。
在本申请实施例中,可以通过所述信息获取模块100获取初始肺炎区域bbox尺寸。所述初始肺炎区域边框尺寸可以根据所述待处理医学影像的图像大小进行设置。可以理解的是,所述初始肺炎区域边框尺寸小于所述待处理医学影像的图像大小。其中,所述信息获取模块100的功能及作用可参考图1及图2所示所述信息获取模块100的描述,在此不再赘述。
S400:通过预设算法和所述标准格式图像处理所述初始肺炎区域的边框尺寸以获取标准格式肺炎区域的边框尺寸。
在本申请实施例中,可以通过所述均值计算模块300中预设的K均值聚类算法和所述标准格式图像处理所述初始肺炎区域边框尺寸以获取标准格式肺炎区域边框尺寸。其中,均值计算模块300的功能及作用可参考图1及图2所示均值计算模块300的描述,在此不再赘述。
在本申请实施例中,所述通过K均值聚类算法和所述标准格式图像处理所述初始肺炎区域边框尺寸以获取标准格式肺炎区域边框尺寸包括:对所述标准格式图像进行特征提取,以获取所述标准格式图像的肺炎区域特征;通过所述标准格式肺炎区域边框尺寸和所述标准格式图像的肺炎区域特征获取所述输出肺炎区域。
S500:输入所述标准格式图像和所述标准格式的肺炎区域边框尺寸至肺炎区域检测模型以获取输出肺炎区域。
在本申请实施例中,可以通过所述肺炎区域检测模型400以及所述标准格式图像和所述标准格式肺炎区域边框尺寸获取输出肺炎区域。其中,肺炎区域检测模型400的功能及作用可参考图1及图2所示肺炎区域检测模型400的描述,在此不再赘述。
在本申请实施例中,所述方法还包括通过类别权重系数和FocalLoss损失函数优化所述肺炎区域检测模型400。
在本申请实施例中,可以使用所述模型验证模块500获取标准肺炎区域;验证所述输出肺炎区域与所述标准肺炎区域,以获取所述输出肺炎区域与所述标准肺炎区域的重叠度;若所述重叠度大于0.5,则输出所述输出肺炎区域。其中,所述模型验证模块500的功能及作用可参考图1及图2所示模型验证模块500的描述,在此不再赘述。
本技术领域的普通技术人员应当认识到,以上的实施方式仅是用来说明本申请,而并非用作为对本申请的限定,只要在本申请的实质精神范围之内,对以上实施例所作的适当改变和变化都落在本申请要求保护的范围之内。
Claims (10)
1.一种肺炎区域检测方法,其特征在于,包括:
获取待处理的医学影像;
通过预设的图像预处理方法处理所述待处理的医学影像,以获取标准格式图像;
获取初始肺炎区域的边框尺寸;
通过预设算法和所述标准格式图像处理所述初始肺炎区域的边框尺寸,以获取标准格式的肺炎区域的边框尺寸;
输入所述标准格式图像和所述标准格式的肺炎区域的边框尺寸至肺炎区域检测模型,以获取输出肺炎区域。
2.如权利要求1所述的肺炎区域检测方法,其特征在于,所述图像预处理方法包括:
计算所述待处理的医学影像的尺寸平均值及标准差;
根据所述待处理的医学影像的尺寸平均值及标准差输出所述标准格式图像,所述标准格式图像的格式为1024*1024像素。
3.如权利要求1所述的肺炎区域检测方法,其特征在于,所述输入所述标准格式图像和所述标准格式的肺炎区域的边框尺寸至肺炎区域检测模型,以获取输出肺炎区域包括:
对所述标准格式图像进行特征提取,以获取所述标准格式图像的肺炎区域特征;
通过所述标准格式的肺炎区域的边框尺寸和所述标准格式图像的肺炎区域特征获取所述输出肺炎区域。
4.如权利要求3所述的肺炎区域检测方法,其特征在于,所述方法还包括:
通过类别权重系数和FocalLoss损失函数优化所述肺炎区域检测模型。
5.如权利要求1所述的肺炎区域检测方法,其特征在于,所述方法还包括:
获取标准肺炎区域;
验证所述输出肺炎区域与所述标准肺炎区域,以获取所述输出肺炎区域与所述标准肺炎区域的重叠度;
若所述重叠度大于预设值,则输出所述输出肺炎区域。
6.一种肺炎区域检测系统,其特征在于,包括:
信息获取模块,用于获取待处理的医学影像和初始肺炎区域的边框尺寸;
图像预处理模块,连接所述信息获取模块,用于通过预设的图像预处理方法处理所述待处理医学影像以获取标准格式图像;
均值计算模块,连接所述图像预处理模块和所述信息获取模块,通过预设的图像预处理方法处理所述待处理的医学影像,以获取标准格式图像;
肺炎区域检测模型,连接所述信息获取模块和均值计算模块,用于根据所述标准格式图像和所述标准格式肺炎区域边框尺寸获取输出肺炎区域。
7.如权利要求6所述的肺炎区域检测系统,其特征在于,所述图像预处理模块用于:
计算所述待处理的医学影像的尺寸平均值及标准差;
根据所述待处理的医学影像的尺寸平均值及标准差输出所述标准格式图像,所述标准格式图像的格式为1024*1024像素。
8.如权利要求6所述的肺炎区域检测系统,其特征在于,所述肺炎区域检测模型用于:
对所述标准格式图像进行特征提取,以获取所述标准格式图像的肺炎区域特征;
通过所述标准格式的肺炎区域的边框尺寸和所述标准格式图像的肺炎区域特征获取所述输出肺炎区域。
9.如权利要求8所述的肺炎区域检测系统,其特征在于,所述均值计算模块还用于:
通过类别权重系数和FocalLoss损失函数优化所述肺炎区域检测模型。
10.如权利要求6所述的肺炎区域检测系统,其特征在于,所述系统还包括模型验证模块;
所述模型验证模块连接所述肺炎区域检测模型,用于获取标准肺炎区域;验证所述输出肺炎区域与所述标准肺炎区域,以获取所述输出肺炎区域与所述标准肺炎区域的重叠度;若所述重叠度大于预设值,则输出所述输出肺炎区域。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110680989.5A CN115496703A (zh) | 2021-06-18 | 2021-06-18 | 肺炎区域检测方法及系统 |
US17/536,284 US20220405916A1 (en) | 2021-06-18 | 2021-11-29 | Method for detecting the presence of pneumonia area in medical images of patients, detecting system, and electronic device employing method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110680989.5A CN115496703A (zh) | 2021-06-18 | 2021-06-18 | 肺炎区域检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115496703A true CN115496703A (zh) | 2022-12-20 |
Family
ID=84464892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110680989.5A Pending CN115496703A (zh) | 2021-06-18 | 2021-06-18 | 肺炎区域检测方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220405916A1 (zh) |
CN (1) | CN115496703A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117204950A (zh) * | 2023-09-18 | 2023-12-12 | 普密特(成都)医疗科技有限公司 | 基于图像特征的内窥镜位置引导方法、装置、设备及介质 |
CN117204950B (zh) * | 2023-09-18 | 2024-05-10 | 普密特(成都)医疗科技有限公司 | 基于图像特征的内窥镜位置引导方法、装置、设备及介质 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7193979B2 (ja) * | 2018-10-29 | 2022-12-21 | 富士フイルムヘルスケア株式会社 | 医用撮像装置、画像処理装置、および、画像処理方法 |
US10691980B1 (en) * | 2019-04-18 | 2020-06-23 | Siemens Healthcare Gmbh | Multi-task learning for chest X-ray abnormality classification |
JP7370735B2 (ja) * | 2019-06-06 | 2023-10-30 | キヤノン株式会社 | 情報処理装置、方法、及びプログラム |
EP3852054A1 (en) * | 2020-01-16 | 2021-07-21 | Koninklijke Philips N.V. | Method and system for automatically detecting anatomical structures in a medical image |
US11941816B2 (en) * | 2020-01-22 | 2024-03-26 | Gracenote, Inc. | Automated cropping of images using a machine learning predictor |
CN111415356B (zh) * | 2020-03-17 | 2020-12-29 | 推想医疗科技股份有限公司 | 肺炎征象的分割方法、装置、介质及电子设备 |
US11748984B2 (en) * | 2020-05-05 | 2023-09-05 | Planttagg, Inc. | System and method for horticulture viability prediction and display |
WO2021236307A1 (en) * | 2020-05-21 | 2021-11-25 | Sleepglad, Llc | Apparatus and method for selecting positive airway pressure mask interface |
US20210383534A1 (en) * | 2020-06-03 | 2021-12-09 | GE Precision Healthcare LLC | System and methods for image segmentation and classification using reduced depth convolutional neural networks |
US20220301156A1 (en) * | 2021-03-16 | 2022-09-22 | Shenzhen Keya Medical Technology Corporation | Method and system for annotation efficient learning for medical image analysis |
JP2022150631A (ja) * | 2021-03-26 | 2022-10-07 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置、医用画像診断装置、医用画像処理方法及びプログラム |
WO2022240861A1 (en) * | 2021-05-12 | 2022-11-17 | Arterys Inc. | Model combining and interaction for medical imaging |
-
2021
- 2021-06-18 CN CN202110680989.5A patent/CN115496703A/zh active Pending
- 2021-11-29 US US17/536,284 patent/US20220405916A1/en active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117204950A (zh) * | 2023-09-18 | 2023-12-12 | 普密特(成都)医疗科技有限公司 | 基于图像特征的内窥镜位置引导方法、装置、设备及介质 |
CN117204950B (zh) * | 2023-09-18 | 2024-05-10 | 普密特(成都)医疗科技有限公司 | 基于图像特征的内窥镜位置引导方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
US20220405916A1 (en) | 2022-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220051405A1 (en) | Image processing method and apparatus, server, medical image processing device and storage medium | |
WO2020238044A1 (zh) | 用于检测肿瘤的3D UNet网络模型构建方法、装置及存储介质 | |
US20050249434A1 (en) | Fast parametric non-rigid image registration based on feature correspondences | |
CN109378068B (zh) | 一种鼻咽癌疗效的自动评测方法及系统 | |
US11449717B2 (en) | System and method for identification and localization of images using triplet loss and predicted regions | |
CN112116009B (zh) | 基于卷积神经网络的新冠肺炎x射线图像识别方法及系统 | |
CN110827335B (zh) | 乳腺影像配准方法和装置 | |
CN112348785B (zh) | 一种癫痫病灶定位方法及系统 | |
CN111462102B (zh) | 基于新型冠状病毒肺炎x射线胸片的智能分析系统及方法 | |
CN112396605B (zh) | 网络训练方法及装置、图像识别方法和电子设备 | |
CN112150429A (zh) | 一种注意力机制引导的肾ct图像分割方法 | |
CN113298758A (zh) | 阿尔兹海默症的辅助诊断系统、其数据处理方法及终端 | |
CN114119637A (zh) | 基于多尺度融合和拆分注意力的脑白质高信号分割方法 | |
US20230360410A1 (en) | User authentication apparatus, user authentication method and training method for user authentication | |
CN112767403A (zh) | 医学影像分割模型训练方法、医学影像分割方法及装置 | |
CN110910366B (zh) | 基于3d cam的大脑核磁共振异常图像的可视化方法 | |
CN111681233A (zh) | 基于深度神经网络的us-ct图像分割方法、系统及设备 | |
CN115496703A (zh) | 肺炎区域检测方法及系统 | |
CN111325756A (zh) | 基于深度学习网络的三维影像动静脉分割方法及系统 | |
TWI778670B (zh) | 肺炎區域檢測方法及系統 | |
CN113850796A (zh) | 基于ct数据的肺部疾病识别方法及装置、介质和电子设备 | |
Thakral et al. | An innovative intelligent solution incorporating artificial neural networks for medical diagnostic application | |
CN113034473A (zh) | 基于Tiny-YOLOv3的肺炎图像目标检测方法 | |
CN111462101A (zh) | 基于新型冠状病毒肺炎ct检测的分期设备及其使用方法 | |
CN112183596A (zh) | 结合局部网格约束和几何约束的直线段匹配方法与系统 |
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 |