CN115761221A - 图像处理方法、装置、设备及存储介质 - Google Patents
图像处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115761221A CN115761221A CN202211153865.2A CN202211153865A CN115761221A CN 115761221 A CN115761221 A CN 115761221A CN 202211153865 A CN202211153865 A CN 202211153865A CN 115761221 A CN115761221 A CN 115761221A
- Authority
- CN
- China
- Prior art keywords
- image
- organ
- region
- positioning
- deep learning
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 210000000056 organ Anatomy 0.000 claims abstract description 219
- 238000002591 computed tomography Methods 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000001514 detection method Methods 0.000 claims abstract description 66
- 238000013136 deep learning model Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims description 91
- 210000003238 esophagus Anatomy 0.000 claims description 28
- 230000003187 abdominal effect Effects 0.000 claims description 26
- 230000004807 localization Effects 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 19
- 210000000709 aorta Anatomy 0.000 claims description 16
- 210000001631 vena cava inferior Anatomy 0.000 claims description 15
- 210000004100 adrenal gland Anatomy 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 210000001198 duodenum Anatomy 0.000 claims description 11
- 210000003734 kidney Anatomy 0.000 claims description 11
- 210000000496 pancreas Anatomy 0.000 claims description 11
- 230000003190 augmentative effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000009877 rendering Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 210000004185 liver Anatomy 0.000 description 19
- 230000008569 process Effects 0.000 description 17
- 210000001015 abdomen Anatomy 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 210000000952 spleen Anatomy 0.000 description 8
- 230000003902 lesion Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 210000002784 stomach Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000000232 gallbladder Anatomy 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开涉及一种图像处理方法、装置、设备及存储介质。通过对三维CT图像中的目标区域进行器官检测,得到多个定位区域和每个定位区域中包括的器官的类别,使得每个定位区域至少包括一个器官。避免采用滑动窗口对三维CT图像进行切分后对切分出来的图像块进行处理,并合并每个图像块的处理结果,避免了很多冗余的计算,提高了效率。根据每个定位区域分别对应的类别,将三维计算机断层扫描图像中由定位区域确定的图像内容输入到与类别对应的深度学习模型中,使得深度学习模型对图像内容中的至少一个器官分别进行分割,由于某种类别对应的深度学习模型用于分割该类别的器官,可以动态调用不同的深度学习模型对不同的器官进行精准分割,提升了精度。
Description
技术领域
本公开涉及信息技术领域,尤其涉及一种图像处理方法、装置、设备及存储介质。
背景技术
目前基于图像的高效精准的腹部多器官分割提供了人体解剖结构的全自动解析能力,对基于器官的专病筛查、手术导航、病灶定位、器官测量和随访对比等具有重要意义。
但是,现有的分割方法,其效率和精度都较低,从而导致现有技术缺乏一种能够同时兼顾效率和精度的分割方法。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种图像处理方法、装置、设备及存储介质,以实现一种能够同时兼顾效率和精度的分割方法。
第一方面,本公开实施例提供一种图像处理方法,包括:
获取三维计算机断层扫描图像中的目标区域,所述目标区域包括人体腹部区域;
针对所述目标区域进行器官检测,得到多个定位区域和每个定位区域中包括的器官的类别,每个所述定位区域至少包括一个器官;
根据每个所述定位区域分别对应的类别,将所述三维计算机断层扫描图像中由所述定位区域确定的图像内容输入到与所述类别对应的深度学习模型中,使得所述深度学习模型对所述图像内容中的至少一个器官分别进行分割。
第二方面,本公开实施例提供一种基于增强现实设备或虚拟现实设备的图像处理方法,所述方法包括:
获取三维计算机断层扫描图像中的目标区域,所述目标区域包括人体腹部区域;
针对所述目标区域进行器官检测,得到多个定位区域和每个定位区域中包括的器官的类别,每个所述定位区域至少包括一个器官;
根据每个所述定位区域分别对应的类别,将所述三维计算机断层扫描图像中由所述定位区域确定的图像内容输入到与所述类别对应的深度学习模型中,使得所述深度学习模型对所述图像内容中的至少一个器官分别进行分割,得到分割结果;
将所述分割结果,渲染到增强现实设备或虚拟现实设备的显示器上。
第三方面,本公开实施例提供一种图像处理装置,包括:
获取模块,用于获取三维计算机断层扫描图像中的目标区域,所述目标区域包括人体腹部区域;
器官检测模块,用于针对所述目标区域进行器官检测,得到多个定位区域和每个定位区域中包括的器官的类别,每个所述定位区域至少包括一个器官;
分割模块,用于根据每个所述定位区域分别对应的类别,将所述三维计算机断层扫描图像中由所述定位区域确定的图像内容输入到与所述类别对应的深度学习模型中,使得所述深度学习模型对所述图像内容中的至少一个器官分别进行分割。
第四方面,本公开实施例提供一种电子设备,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如第一方面或第二方面所述的方法。
第五方面,本公开实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行以实现第一方面或第二方面所述的方法。
本公开实施例提供的图像处理方法、装置、设备及存储介质,通过对三维CT图像中的目标区域进行器官检测,得到多个定位区域和每个定位区域中包括的器官的类别,使得每个定位区域至少包括一个器官。从而避免采用滑动窗口对三维CT图像进行切分后对切分出来的图像块进行处理,并合并每个图像块的处理结果,从而避免了很多冗余的计算,因此本实施例所述的图像处理方法提高了效率。另外,根据每个所述定位区域分别对应的类别,将所述三维计算机断层扫描图像中由所述定位区域确定的图像内容输入到与所述类别对应的深度学习模型中,使得所述深度学习模型对所述图像内容中的至少一个器官分别进行分割,由于某种类别对应的深度学习模型可以专门用于分割该类别的器官,因此,可以动态调用不同的深度学习模型对不同的器官进行精准分割,从而在整体上提升了腹部多器官分割结果的精度。因此,本实施例提供了一种能够兼顾精度和效率的分割方法,以较小的资源消耗完成多种器官的高精度分割。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的图像处理方法流程图;
图2为本公开实施例提供的应用场景的示意图;
图3为本公开另一实施例提供的图像处理方法流程图;
图4为本公开另一实施例提供的三阶段的示意图;
图5为本公开另一实施例提供的图像处理方法流程图;
图6为本公开另一实施例提供的图像处理方法流程图;
图7为本公开另一实施例提供的归并的示意图;
图8为本公开另一实施例提供的归并的示意图;
图9为本公开另一实施例提供的归并的示意图;
图10为本公开另一实施例提供的图像处理装置的结构示意图;
图11为本公开实施例提供的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
目前基于图像的高效精准的腹部多器官分割提供了人体解剖结构的全自动解析能力,对基于器官的专病筛查、手术导航、病灶定位、器官测量和随访对比等具有重要意义。例如,在癌症放疗场景中,基于图像的高效精准的腹部多器官分割可用于勾画危及器,从而节省放疗医师宝贵的时间,提高业务效率。又如,在智能影像归档和通信系统(PictureArchiving and Communication System,PACS)自动生成报告的场景中,基于图像的高效精准的腹部多器官分割可以提供病灶的具体定位信息,提高报告质量。
现有的基于图像的腹部多器官分割方法可以分为单阶段方法和多阶段的方法。其中,单阶段的方法包括各种以卷积神经网络(Convolutional Neural Network,CNN)或变换器(Transformer)为基础结构的方法,典型代表为像素级分类(UNet)、医学图像领域的网络(VNet)、目前流行的医学影像分割框架(nnU-Net)中的2D或3D fullres版本、用于3D医学图像分割的Transformer(Transformers for 3DMedical Image Segmentation,UNETR)及Swin UNETR等。在单阶段的方法中,对于给定的计算机断层扫描(Computed Tomography,CT)数据,通过一次网络前向运算即可给出分割结果。
多阶段的方法通常是级联式的架构,不同阶段的输入是通过对输入数据施加不同的预处理手段得到的,并逐级定位到目标器官然后进行分割,典型代表为两级粗网格到精细网格(coarse-to-fine)的方法,nnU-Net中的级联(cascade)版本。
但是,对于单阶段的方法而言,由于要对整图在高分辨率下进行分割,其效率一般是较低的。对于多阶段的方法而言,效率有一定提高,但是依然没有按照解剖结构做精细化地拆分,在精度上有进一步提高的空间。此外,由于GPU显存容量的限制,对于三维医学影像,现在流行的单阶段或者多阶段方法都采用了滑动窗口的设计来对整图进行切块划分,引入了很多冗余的计算,因此在效率上也都有提高的空间。因此,现有技术中缺乏一种能够同时兼顾效率和精度的分割方法。
针对该问题,本公开实施例提供了一种图像处理方法,下面结合具体的实施例对该方法进行介绍。
图1为本公开实施例提供的图像处理方法流程图。该方法可以由图像处理装置执行,具体的,该装置可以是图形处理器(graphics processing unit,GPU)或中央处理器(Central Processing Unit,CPU),该装置可以采用软件和/或硬件的方式实现,该装置可配置于电子设备中,例如服务器或终端,其中,终端具体包括手机、电脑或平板电脑等。另外,本实施例所述的图像处理方法可以适用于如图2所示的应用场景。如图2所示,该应用场景包括终端21和服务器22,其中,终端21可以将三维CT图像发送给服务器22,使得服务器22可以采用本实施例所述的方法对该三维CT图像进行处理,在处理过程中,服务器22可以对该三维CT图像中的人体腹部多器官进行检测、识别、分割。最后,服务器22可以将分割结果发送给终端21。或者,在其他一些实施例中,当终端21获取到三维CT图像后,可以采用本实施例所述的方法对该三维CT图像进行处理,并显示最终的分割结果。下面结合图2对该方法进行详细介绍,如图1所示,该方法具体步骤如下:
S101、获取三维计算机断层扫描图像中的目标区域,所述目标区域包括人体腹部区域。
例如,本实施例中的三维CT图像可以是人体腹部CT数据或人体全身CT数据,其中,在一些实施例中,三维CT图像也可记为三维CT数据。具体的,该三维CT图像包括多帧图像。假设以图2所示的服务器22执行该图像处理方法为例,当服务器22获取到该三维CT图像后,首先获取该三维CT图像中的目标区域,该目标区域包括人体腹部区域,或者在一些实施例中,该目标区域是人体腹部区域。该人体腹部区域可以是包括人体腹部所有器官在内的区域。
S102、针对所述目标区域进行器官检测,得到多个定位区域和每个定位区域中包括的器官的类别,每个所述定位区域至少包括一个器官。
进一步,针对该目标区域进行器官检测,即检测该目标区域中的腹部器官,具体的,本实施例关注的腹部器官主要包括肝、左肾脏、右肾脏、左肾上腺、右肾上腺、脾、胰、主动脉、下腔静脉、胆囊、食管、胃、十二指肠这13个器官,在有标注的情况下,也可推广到未列及的腹部其他器官。在一种可能的实现方式中,服务器22对该目标区域进行器官检测后,可以得到每个器官各自的定位区域和类别,该定位区域可以是每个器官各自在同一个三维坐标系中的最小外接长方体或者其他形状的区域,也就是说,定位区域包括器官在内即可。因此,可以理解的是,在本实施例中,定位区域不仅包括器官,另外还可以包括背景。该三维坐标系可以是三维的图像坐标系。器官的类别可以是器官的名称。在这种情况下,一个定位区域内包括一个器官。
在另一种可能的实现方式中,服务器22对该目标区域进行器官检测的过程中,还可以将该13个器官中的多个器官归并到同一定位区域中,例如,将相邻的和/或形状相似的几个小器官归并到同一定位区域中,例如,该同一定位区域是这几个小器官作为整体在三维坐标系中的最小外接长方体,即该同一定位区域同时包括这几个小器官。在这种情况下,服务器22对该目标区域进行器官检测后,可以得到多个定位区域和每个定位区域中包括的器官的类别,但是,定位区域的个数可能会小于13,并且在该多个定位区域中,部分定位区域可能只包括一个器官,部分定位区域可能包括多个器官。另外,如果某个定位区域包括多个器官,那么该定位区域对应的类别可以是该多个器官各自名称的集合,或者,是根据该多个器官各自的名称生成的一个特殊类别。
S103、根据每个所述定位区域分别对应的类别,将所述三维计算机断层扫描图像中由所述定位区域确定的图像内容输入到与所述类别对应的深度学习模型中,使得所述深度学习模型对所述图像内容中的至少一个器官分别进行分割。
可选的,若所述定位区域包括一个器官,则所述深度学习模型是二分类的深度学习模型;若所述定位区域包括多个器官,则所述深度学习模型是多分类的深度学习模型。
例如,服务器22对该目标区域进行器官检测后,得到多个定位区域和每个定位区域分别对应的类别,具体的,不同定位区域对应的类别是不同的。进一步,服务器22可以针对不同的类别,动态调用与该类别对应的深度学习模型对该类别对应的一个或多个器官进行分割。具体的,此处的深度学习模型是分割模型,分割模型的作用是将检测目标例如器官从图像背景中分离出来,并且针对不同的器官赋予不同的标注信息,即针对同一器官的像素点赋予相同的标注信息,例如,针对不同器官的像素点赋予不同的颜色或不同的阴影等。
假设以肝的定位区域为例,服务器22可以从三维CT图像中获取由该定位区域确定的图像内容,具体的,由该定位区域确定的图像内容可以是该三维CT图像中由该定位区域圈中的所有像素点构成的集合。具体的,该图像内容中不仅包括肝对应的像素点,同时还包括背景像素点。进一步,服务器22可以将该图像内容输入到肝对应的分割模型中,该分割模型用于对肝进行分割,具体的,该分割模型是一个二分类分割模型,例如,该分割模型针对该图像内容中的每个像素点,判断该像素点属于肝对应的像素点、还是背景像素点,如果属于肝对应的像素点,那么给该像素点赋予肝对应的标签。
可选的,如果某个定位区域内包括多个器官,例如,食管、主动脉、下腔静脉,则服务器22从三维CT图像中获取由该定位区域确定的图像内容后,将该图像内容输入到用于分割食管、主动脉、下腔静脉的分割模型中,具体的,该分割模型是一个多分类分割模型,例如,该分割模型针对该图像内容中的每个像素点,判断该像素点属于食管对应的像素点、主动脉对应的像素点、下腔静脉对应的像素点、还是背景像素点。如果属于食管对应的像素点,则给该像素点赋予食管对应的标签。
可选的,对所述图像内容中的至少一个器官分别进行分割,包括:对所述图像内容中属于同一器官的像素点赋予同样的标签。
例如,分割模型在对图像内容中的至少一个器官分别进行分割的过程中,可以对该图像内容中属于同一器官的像素点赋予同样的标签,具体的,给不同器官的像素点赋予不同的颜色。例如,给肝对应的像素点赋予红色、给食管对应的像素点赋予蓝色。从而使得肝这个器官整体在最终的分割结果中呈现红色,食管在最终的分割结果中呈现蓝色。
本公开实施例通过对三维CT图像中的目标区域进行器官检测,得到多个定位区域和每个定位区域中包括的器官的类别,使得每个定位区域至少包括一个器官。从而避免采用滑动窗口对三维CT图像进行切分后对切分出来的图像块进行处理,并合并每个图像块的处理结果,从而避免了很多冗余的计算,因此本实施例所述的图像处理方法提高了效率。另外,根据每个所述定位区域分别对应的类别,将所述三维计算机断层扫描图像中由所述定位区域确定的图像内容输入到与所述类别对应的深度学习模型中,使得所述深度学习模型对所述图像内容中的至少一个器官分别进行分割,由于某种类别对应的深度学习模型可以专门用于分割该类别的器官,因此,可以动态调用不同的深度学习模型对不同的器官进行精准分割,从而在整体上提升了腹部多器官分割结果的精度。因此,本实施例提供了一种能够兼顾精度和效率的分割方法,以较小的资源消耗完成多种器官的高精度分割。
在已知的大数据集上,实现了高效、低能耗且精准的腹部多种器官的同时分割,包括肝、左右肾脏、左右肾上腺、脾、胰、主动脉、下腔静脉、胆囊、食管、胃、十二指肠这13个器官。对于任意输入的腹部CT数据或者全身CT数据,从输入CT数据到得出分割结果的平均耗时在3秒左右。
图3为本公开另一实施例提供的图像处理方法流程图。在本实施例中,获取三维计算机断层扫描图像中的目标区域,包括如下几个步骤:
S301、对所述三维计算机断层扫描图像进行降采样,得到第一降采样图像。
例如,三维CT图像可以是如图4所示的多帧图像,41表示该多帧图像中的任意一帧图像。在本实施例中,该三维CT图像可以作为原始数据,对该原始数据进行降采样后得到第一降采样图像,该第一降采样图像可以是各向同性的3mm数据。可以理解的是,经过降采样后,该第一降采样图像包括的物理范围和该三维CT图像包括的物理范围是一致的,只是该第一降采样图像中任一帧图像的分辨率有所降低,即该第一降采样图像中任一帧图像的空间尺寸减小了,且帧数降低。但是,该第一降采样图像中的每一帧图像都保留了全局的上下文信息,对于感兴趣区域(Region-of-Interest,ROI)提取来说,信息量是足够的。
S302、提取所述第一降采样图像中的感兴趣区域,所述感兴趣区域包括人体腹部区域。
例如,在得到第一降采样图像后,可以将该第一降采样图像输入如图4所示的感兴趣区域提取器即ROI提取器中,该ROI提取器可以是一个检测网络,也可以是一个分割网络。出于对训练数据量的需求不一样,本实施例可以选择对数据量的需求更小的分割网络作为ROI提取器。ROI提取器可以提取该第一降采样图像中的感兴趣区域,该感兴趣区域可以是如图4所示的42所示的区域。例如,该感兴趣区域是人体腹部区域,即该感兴趣区域中包括人体腹部的主要13个器官在内。
S303、根据所述第一降采样图像中的感兴趣区域的位置信息,从所述三维计算机断层扫描图像中获取与所述位置信息对应的目标区域。
如图4所示,感兴趣区域42是在第一降采样图像中确定的,在本实施例中,假设第一降采样图像和三维CT图像位于同一坐标系中,因此,根据感兴趣区域42在第一降采样图像中的位置信息即坐标,可以从该三维CT图像中获取出目标区域,使得该目标区域在该三维CT图像中的位置信息和感兴趣区域42在第一降采样图像中的位置信息相同。也就是说,根据感兴趣区域42在第一降采样图像中的位置信息,可以在该三维CT图像中确定出一个与该位置信息相同的目标区域。例如,将感兴趣区域42视为一个立体框的情况下,根据该立体框在第一降采样图像中的位置信息,将该立体框放到该三维CT图像中相同的位置时即可得到目标区域。
另外,针对所述目标区域进行器官检测,包括如图5所示的如下几个步骤:
S501、对所述目标区域内的图像内容进行降采样,得到第二降采样图像。
如图4所示,对目标区域内的图像内容进行降采样,得到第二降采样图像,该第二降采样图像可以是各向同性的2mm数据或称其为各向同性的2mm子图(sub-volume)。可以理解的是,各向同性的2mm数据的分辨率高于各向同性的3mm数据的分辨率,其中,2mm或3mm表示相邻两个像素点之间的距离。
S502、将所述第二降采样图像输入器官检测网络,使得所述器官检测网络对所述第二降采样图像进行器官检测,所述器官检测网络的结构是卷积神经网络的结构,或者所述器官检测网络的结构是卷积神经网络和变换器结合的结构。
由于目标区域包括人体腹部区域,因此,对目标区域内的图像内容进行降采样得到的第二降采样图像也包括人体腹部区域,只是第二降采样图像的分辨率相比于目标区域内的图像内容的分辨率较低。进一步,将该第二降采样图像输入器官检测网络,该器官检测网络的结构可以是纯的卷积神经网络(Convolutional Neural Network,CNN)的结构,例如,全卷积目标检测(fully convolutional one-stage object detector,FCOS)或目标检测网络(CenterNet)。或者,该器官检测网络的结构可以是CNN和变换器(Transformer)结合的结构,例如,3D化的基于Transformer的端到端目标检测(End-to-end Object Detectionwith Transformers,DETR)。该3D化的DETR可以是如图4所示的3D残差神经网络(ResNet)、Transformer编码器、Transformer解码器构成的整体。通过该器官检测网络对第二降采样图像进行器官检测,可以得到每个器官的定位区域和每个定位区域中包括的器官的类别。如图4所示,假设43表示肝的定位区域,44表示脾的定位区域,45表示食管的定位区域。可以理解的是,此处只是示意性说明,由于腹部所有器官之间的连接关系或耦合关系较为复杂,因此,选取了几个器官进行示意性说明。在本实施例中,假设经过器官检测后,得到13个定位区域,每个定位区域包括一个器官,并且每个定位区域对应有器官的类别例如名称。相当于对整体的三维结构即人体或人体腹部的CT成像进行了拆解和识别。
可以理解的是,人体腹部区域的13个器官中,不同器官的外形尺寸存在较大的差异,大的如肝,小的如肾上腺,两个尺寸相差数倍。在对三维CT图像进行降采样得到第一降采样图像的过程中,尺寸较小的器官可能会被丢失或可分辨度降低,但是,由于本实施例只是在第一降采样图像中获取一个感兴趣区域即可,由于感兴趣区域的影像视野(Field-of-View,FOV)较大,因此,第一降采样图像的分辨率较低。但是,由于第二降采样图像是用来进行器官检测的,而各个器官的尺寸差异较大,并且每个器官的FOV相比于感兴趣区域的FOV较小,因此,为了保证最小的器官能够被识别到,需要保证第二降采样图像的分辨率较高。另外,在本实施例中,第一降采样图像不限于是各向同性的3mm数据,只要第一降采样图像的分辨率保证感兴趣区域能够被提取出来即可。同理,第二降采样图像也不限于是各向同性的2mm数据,只要第二降采样图像的分辨率保证最小的器官能够被识别到即可。
此外,根据每个所述定位区域分别对应的类别,将所述三维计算机断层扫描图像中由所述定位区域确定的图像内容输入到与所述类别对应的深度学习模型中,使得所述深度学习模型对所述图像内容中的至少一个器官分别进行分割,包括如图6所示的如下几个步骤:
S601、根据每个所述定位区域分别对应的类别,对所述三维计算机断层扫描图像中由所述定位区域确定的图像内容进行上采样,得到上采样后的图像内容。
如图4所示,定位区域43、定位区域44和定位区域45分别是在第二降采样图像中确定的,在本实施例中,假设第二降采样图像和三维CT图像位于同一坐标系中,因此,根据定位区域43在第二降采样图像中的位置信息,将定位区域43放到该三维CT图像中相同的位置时可以得到定位区域43在该三维CT图像中圈中的图像内容,例如该图像内容记为图像内容A。同理,可以得到定位区域44在该三维CT图像中圈中的图像内容,例如记为图像内容B,以及定位区域45在该三维CT图像中圈中的图像内容,例如记为图像内容C。进一步,对图像内容A、图像内容B和图像内容C分别保留分辨率或上采样。如果是保留分辨率,则进一步根据定位区域43对应的类别例如肝,将图像内容A输入到用于对肝进行分割的分割模型中。同理,将图像内容B输入到用于对脾进行分割的分割模型中,将图像内容C输入到用于对食管进行分割的分割模型中。如果对图像内容A、图像内容B和图像内容C分别进行上采样,那么可以得到图像内容A对应的上采样后的图像内容、图像内容B对应的上采样后的图像内容、以及图像内容C对应的上采样后的图像内容。
S602、将所述上采样后的图像内容输入到与所述类别对应的深度学习模型中,使得所述深度学习模型对所述上采样后的图像内容中的至少一个器官分别进行分割。
例如图4所示,分割模型池中包括多种不同的分割模型,每个分割模型可以理解为小而精,指定负责一个或多个器官(例如多个相似器官)的分割。例如,分割模型池可以包括二分类分割模型和多分类分割模型,并且二分类分割模型可以是多个,每个二分类分割模型用于分割一种器官。同理,多分类分割模型也可以是多个,每个多分类分割模型用于分割不同的多个器官。
具体的,针对图像内容A对应的上采样后的图像内容,可以将该上采样后的图像内容输入到用于对肝进行分割的二分类分割模型中,使得该分割模型可以识别出该上采样后的图像内容中哪些像素点是背景像素点,哪些像素点属于肝对应的像素点。
同理,针对图像内容B对应的上采样后的图像内容,可以将该上采样后的图像内容输入到用于对脾进行分割的二分类分割模型中,使得该分割模型可以识别出该上采样后的图像内容中哪些像素点是背景像素点,哪些像素点属于脾对应的像素点。
同理,针对图像内容C对应的上采样后的图像内容,可以将该上采样后的图像内容输入到用于对食管进行分割的二分类分割模型中,使得该分割模型可以识别出该上采样后的图像内容中哪些像素点是背景像素点,哪些像素点属于食管对应的像素点。
例如图4所示,对于肝对应的像素点、脾对应的像素点、食管对应的像素点分别采用不同的阴影进行标注,或者采用不同的颜色进行标注。
在一些实施例中,如图4所示的三个过程可以记为三个阶段,即ROI的提取可以作为第一阶段,器官检测和识别作为第二阶段,器官分割作为第三阶段。另外,如图4所示的三个过程还可以记为级联结构。
通常情况下,由于三维CT图像的分辨率较高,使得三维CT图像的数据量很大,导致GPU或CPU无法直接对三维CT图像进行处理,而本实施例通过对三维CT图像进行降采样,得到第一降采样图像。使得第一降采样图像的分辨率降低,数据量减少,加快了GPU或CPU对第一降采样图像的处理效率,从而可以快速的得到感兴趣区域,进一步提高了效率。同理,通过对三维CT图像中的目标区域内的图像内容进行降采样,得到第二降采样图像,加快了GPU或CPU对第二降采样图像的处理效率,从而可以快速的实现器官检测,进一步提高了效率。也就是说,在级联结构的不同阶段采用了不同分辨率的数据,即FOV大时分辨率低,FOV小时分辨率高,从而可以高效利用全局上下文和局部上下文。
另外,在确定出每个器官的定位区域后,通过对定位区域确定的图像内容进行上采样,可使得上采样后的图像内容的分辨率较高,从而使得分割模型可以从上采样后的图像内容中更加精准的分割出器官,进一步提高了分割结果的精度。此外,本实施例根据每个器官的定位区域和类别,动态调用不同的分割模型对不同的器官进行精准分割,可使得分割模型池中的分割模型做到专有化、轻量化,进一步提高了效率。
实验过程中发现:在器官检测过程中,给每个器官确定一个定位区域例如一个紧凑的ROI可能并不是最优的选择,尤其是一些小的器官,需要依赖更丰富的上下文信息才能准确分割。比如,带有病变的食管,其边界相对来说更加模糊,因此需要一个更大的ROI来引入更多信息辅助分割,例如,需要借助于食管和主动脉的相对位置、胃的入口位置等等实现对带有病变的食管的分割。又比如,十二指肠是环绕胰头生长的,两者的相互关系也是一种先验知识。因此,在本实施例中,针对所述目标区域进行器官检测,包括:将所述目标区域中空间距离小于或等于第一预设阈值,且形态相似度大于或等于第二预设阈值的多个器官,归并到同一定位区域中;和/或将所述目标区域中相互耦合的多个器官,归并到同一定位区域中。
具体的,本实施例并不限定第一预设阈值和第二预设阈值的具体取值,例如,第一预设阈值和第二预设阈值主要用来说明该目标区域中空间距离相近且形态相似度较高的多个器官,可以被归并到同一定位区域中。
可选的,将所述目标区域中空间距离小于或等于第一预设阈值,且形态相似度大于或等于第二预设阈值的多个器官,归并到同一定位区域中,包括如下至少一种:将食管、主动脉、下腔静脉归并到同一定位区域中;将左肾上腺和右肾上腺归并到同一定位区域中;将左肾上腺和左肾归并到同一定位区域中;将右肾上腺和右肾并到同一定位区域中。
可选的,将所述目标区域中相互耦合的多个器官,归并到同一定位区域中,包括:将胰腺和十二指肠归并到同一定位区域中。
例如图7所示,由于食管、主动脉、下腔静脉的结构或形态较为相似,例如都是管状结构,且食管、主动脉、下腔静脉之间的空间距离相近,因此,可以将食管、主动脉、下腔静脉归并到同一定位区域71中,使得食管、主动脉、下腔静脉被归并为一个检测目标。另外,定位区域71对应的类别可以是复合类别,例如,由食管、主动脉、下腔静脉构成的集合,或者是根据食管、主动脉、下腔静脉生成的一个特殊类别。
如图8所示,由于十二指肠环绕在胰腺周围,即十二指肠和胰腺之间存在医学上的耦合关系,因此,可以将十二指肠和胰腺归并到同一定位区域81中,使得十二指肠和胰腺被归并为一个检测目标。
如图9所示,由于左肾上腺和右肾上腺的形状相似、相互对称,并且左肾上腺和右肾上腺均比较小,左肾上腺和右肾上腺之间的空间距离相近,因此,可以将左肾上腺和右肾上腺归并到同一定位区域91中,使得左肾上腺和右肾上腺被归并为一个检测目标。同理,定位区域81和定位区域91分别对应的类别也是复合类别。此外,本实施例所述的归并方案并不唯一,例如还可以将左肾上腺和左肾进行归并,以及将右肾上腺和右肾进行归并等,此处不再赘述。
进一步,在器官分割阶段,当确定某个定位区域对应的类别是复合类别时,将该定位区域在三维CT图像中圈中的图像内容输入多分类分割模型中,使得该多分类分割模型对该图像内容中的多个器官进行分割。
例如,将定位区域71在三维CT图像中圈中的图像内容输入到第一多分类分割模型中,该第一多分类分割模型指定负责食管、主动脉、下腔静脉的分割。将定位区域81在三维CT图像中圈中的图像内容输入到第二多分类分割模型中,该第二多分类分割模型指定负责十二指肠和胰腺的分割。将定位区域91在三维CT图像中圈中的图像内容输入到第三多分类分割模型中,该第三多分类分割模型指定负责左肾上腺和右肾上腺的分割。
本实施例采用了精细化的级联结构对三维CT图像进行处理,从而逐步接近目标器官,避免了滑动窗口带来的冗余计算,效率相比于现有的单阶段方法和多阶段方法都有明显提高。另外,本实施例通过器官归并的策略,使得更加丰富的上下文信息被应用到器官分割阶段,进一步提高了分割结果的精度。特别是对于较小的器官或带有病变的器官而言,在分割过程中,可以充分借助于其周围的器官、以及周围器官与较小器官或带有病变器官之间的相对位置,从而克服了由于对较小器官或带有病变器官的检测精度不够导致的分割不精准的问题,即保证了较小器官或带有病变器官也可以被精准的分割出来。从而提升了整体的分割结果。
另外,本公开实施例还提供了一种基于增强现实设备或虚拟现实设备的图像处理方法,该方法可以由增强现实(Augmented Reality,AR)设备或虚拟现实(VirtualReality,VR)设备来执行,也就是说,增强现实设备或虚拟现实设备可以使用本实施例所述的图像处理方法。具体的该方法包括如下几个步骤:
步骤a:获取三维计算机断层扫描图像中的目标区域,所述目标区域包括人体腹部区域。
具体的,步骤a和上述S101的实现过程和具体原理一致,此处不再赘述。
步骤b:针对所述目标区域进行器官检测,得到多个定位区域和每个定位区域中包括的器官的类别,每个所述定位区域至少包括一个器官。
具体的,步骤b和上述S102的实现过程和具体原理一致,此处不再赘述。
步骤c:根据每个所述定位区域分别对应的类别,将所述三维计算机断层扫描图像中由所述定位区域确定的图像内容输入到与所述类别对应的深度学习模型中,使得所述深度学习模型对所述图像内容中的至少一个器官分别进行分割,得到分割结果。
具体的,步骤c和上述S103的实现过程和具体原理一致,此处不再赘述。
步骤d:将所述分割结果,渲染到增强现实设备或虚拟现实设备的显示器上。
具体的,该分割结果可以是类似于图4所示的采用不同阴影进行标注的肝、脾、食管,可以理解的是,图4只是示意性说明,在理论或实际实践过程中,该分割结果可以是腹部的13个器官按照原有的连接关系连接在一起,并且该13个器官位于同一个坐标系(例如三维坐标系)中,且不同的器官采用不同的颜色予以标注。进一步,还可以将该分割结果渲染到增强现实设备或虚拟现实设备的显示器上,使得佩戴有增强现实设备或虚拟现实设备的用户通过该显示器观看到该分割结果。从而使得用户可以更加清楚、准确的区分出各个器官,特别是对于医生、手术人员来说,可以准确的判断出病灶或精准的进行手术。
图10为本公开实施例提供的图像处理装置的结构示意图。本公开实施例提供的图像处理装置可以执行图像处理方法实施例提供的处理流程,如图10所示,图像处理装置100包括:
获取模块101,用于获取三维计算机断层扫描图像中的目标区域,所述目标区域包括人体腹部区域;
器官检测模块102,用于针对所述目标区域进行器官检测,得到多个定位区域和每个定位区域中包括的器官的类别,每个所述定位区域至少包括一个器官;
分割模块103,用于根据每个所述定位区域分别对应的类别,将所述三维计算机断层扫描图像中由所述定位区域确定的图像内容输入到与所述类别对应的深度学习模型中,使得所述深度学习模型对所述图像内容中的至少一个器官分别进行分割。
可选的,若所述定位区域包括一个器官,则所述深度学习模型是二分类的深度学习模型;
若所述定位区域包括多个器官,则所述深度学习模型是多分类的深度学习模型。
可选的,获取模块101包括:第一降采样单元1011、提取单元1012、获取单元1013,第一降采样单元1011用于对所述三维计算机断层扫描图像进行降采样,得到第一降采样图像;提取单元1012用于提取所述第一降采样图像中的感兴趣区域,所述感兴趣区域包括人体腹部区域;获取单元1013用于根据所述第一降采样图像中的感兴趣区域的位置信息,从所述三维计算机断层扫描图像中获取与所述位置信息对应的目标区域。
可选的,器官检测模块102包括:第二降采样单元1021和器官检测单元1022,第二降采样单元1021用于对所述目标区域内的图像内容进行降采样,得到第二降采样图像;器官检测单元1022用于将所述第二降采样图像输入器官检测网络,使得所述器官检测网络对所述第二降采样图像进行器官检测,所述器官检测网络的结构是卷积神经网络的结构,或者所述器官检测网络的结构是卷积神经网络和变换器结合的结构。
可选的,分割模块103包括:上采样单元1031和分割单元1032,上采样单元1031用于根据每个所述定位区域分别对应的类别,对所述三维计算机断层扫描图像中由所述定位区域确定的图像内容进行上采样,得到上采样后的图像内容;分割单元1032用于将所述上采样后的图像内容输入到与所述类别对应的深度学习模型中,使得所述深度学习模型对所述上采样后的图像内容中的至少一个器官分别进行分割。
可选的,器官检测模块102针对所述目标区域进行器官检测时,还用于将所述目标区域中空间距离小于或等于第一预设阈值,且形态相似度大于或等于第二预设阈值的多个器官,归并到同一定位区域中;和/或将所述目标区域中相互耦合的多个器官,归并到同一定位区域中。
可选的,器官检测模块102将所述目标区域中空间距离小于或等于第一预设阈值,且形态相似度大于或等于第二预设阈值的多个器官,归并到同一定位区域中时,具体用于如下至少一种:
将食管、主动脉、下腔静脉归并到同一定位区域中;
将左肾上腺和右肾上腺归并到同一定位区域中;
将左肾上腺和左肾归并到同一定位区域中;
将右肾上腺和右肾并到同一定位区域中。
可选的,器官检测模块102将所述目标区域中相互耦合的多个器官,归并到同一定位区域中时,具体用于:将胰腺和十二指肠归并到同一定位区域中。
可选的,分割模块103对所述图像内容中的至少一个器官分别进行分割时,具体用于:对所述图像内容中属于同一器官的像素点赋予同样的标签。
图10所示实施例的图像处理装置可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
以上描述了图像处理装置的内部功能和结构,该装置可实现为一种电子设备。图11为本公开实施例提供的电子设备实施例的结构示意图。如图11所示,该电子设备包括存储器111和处理器112。
存储器111用于存储程序。除上述程序之外,存储器111还可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。
存储器111可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
处理器112与存储器111耦合,执行存储器111所存储的程序,以用于:
获取三维计算机断层扫描图像中的目标区域,所述目标区域包括人体腹部区域;
针对所述目标区域进行器官检测,得到多个定位区域和每个定位区域中包括的器官的类别,每个所述定位区域至少包括一个器官;
根据每个所述定位区域分别对应的类别,将所述三维计算机断层扫描图像中由所述定位区域确定的图像内容输入到与所述类别对应的深度学习模型中,使得所述深度学习模型对所述图像内容中的至少一个器官分别进行分割。
进一步,如图11所示,电子设备还可以包括:通信组件113、电源组件114、音频组件115、显示器116等其它组件。图11中仅示意性给出部分组件,并不意味着电子设备只包括图11所示组件。
通信组件113被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件113经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件113还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
电源组件114,为电子设备的各种组件提供电力。电源组件114可以包括电源管理系统,一个或多个电源,及其他与为电子设备生成、管理和分配电力相关联的组件。
音频组件115被配置为输出和/或输入音频信号。例如,音频组件115包括一个麦克风(MIC),当电子设备处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器111或经由通信组件113发送。在一些实施例中,音频组件115还包括一个扬声器,用于输出音频信号。
显示器116包括屏幕,其屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。
另外,本公开实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行以实现上述实施例所述的图像处理方法。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (13)
1.一种图像处理方法,其中,所述方法包括:
获取三维计算机断层扫描图像中的目标区域,所述目标区域包括人体腹部区域;
针对所述目标区域进行器官检测,得到多个定位区域和每个定位区域中包括的器官的类别,每个所述定位区域至少包括一个器官;
根据每个所述定位区域分别对应的类别,将所述三维计算机断层扫描图像中由所述定位区域确定的图像内容输入到与所述类别对应的深度学习模型中,使得所述深度学习模型对所述图像内容中的至少一个器官分别进行分割。
2.根据权利要求1所述的方法,其中,若所述定位区域包括一个器官,则所述深度学习模型是二分类的深度学习模型;
若所述定位区域包括多个器官,则所述深度学习模型是多分类的深度学习模型。
3.根据权利要求1所述的方法,其中,获取三维计算机断层扫描图像中的目标区域,包括:
对所述三维计算机断层扫描图像进行降采样,得到第一降采样图像;
提取所述第一降采样图像中的感兴趣区域,所述感兴趣区域包括人体腹部区域;
根据所述第一降采样图像中的感兴趣区域的位置信息,从所述三维计算机断层扫描图像中获取与所述位置信息对应的目标区域。
4.根据权利要求1所述的方法,其中,针对所述目标区域进行器官检测,包括:
对所述目标区域内的图像内容进行降采样,得到第二降采样图像;
将所述第二降采样图像输入器官检测网络,使得所述器官检测网络对所述第二降采样图像进行器官检测,所述器官检测网络的结构是卷积神经网络的结构,或者所述器官检测网络的结构是卷积神经网络和变换器结合的结构。
5.根据权利要求1所述的方法,其中,根据每个所述定位区域分别对应的类别,将所述三维计算机断层扫描图像中由所述定位区域确定的图像内容输入到与所述类别对应的深度学习模型中,使得所述深度学习模型对所述图像内容中的至少一个器官分别进行分割,包括:
根据每个所述定位区域分别对应的类别,对所述三维计算机断层扫描图像中由所述定位区域确定的图像内容进行上采样,得到上采样后的图像内容;
将所述上采样后的图像内容输入到与所述类别对应的深度学习模型中,使得所述深度学习模型对所述上采样后的图像内容中的至少一个器官分别进行分割。
6.根据权利要求1所述的方法,其中,针对所述目标区域进行器官检测,包括:
将所述目标区域中空间距离小于或等于第一预设阈值,且形态相似度大于或等于第二预设阈值的多个器官,归并到同一定位区域中;和/或
将所述目标区域中相互耦合的多个器官,归并到同一定位区域中。
7.根据权利要求6所述的方法,其中,将所述目标区域中空间距离小于或等于第一预设阈值,且形态相似度大于或等于第二预设阈值的多个器官,归并到同一定位区域中,包括如下至少一种:
将食管、主动脉、下腔静脉归并到同一定位区域中;
将左肾上腺和右肾上腺归并到同一定位区域中;
将左肾上腺和左肾归并到同一定位区域中;
将右肾上腺和右肾并到同一定位区域中。
8.根据权利要求6所述的方法,其中,将所述目标区域中相互耦合的多个器官,归并到同一定位区域中,包括:
将胰腺和十二指肠归并到同一定位区域中。
9.根据权利要求1所述的方法,其中,对所述图像内容中的至少一个器官分别进行分割,包括:
对所述图像内容中属于同一器官的像素点赋予同样的标签。
10.一种基于增强现实设备或虚拟现实设备的图像处理方法,其中,所述方法包括:
获取三维计算机断层扫描图像中的目标区域,所述目标区域包括人体腹部区域;
针对所述目标区域进行器官检测,得到多个定位区域和每个定位区域中包括的器官的类别,每个所述定位区域至少包括一个器官;
根据每个所述定位区域分别对应的类别,将所述三维计算机断层扫描图像中由所述定位区域确定的图像内容输入到与所述类别对应的深度学习模型中,使得所述深度学习模型对所述图像内容中的至少一个器官分别进行分割,得到分割结果;
将所述分割结果,渲染到增强现实设备或虚拟现实设备的显示器上。
11.一种图像处理装置,其中,包括:
获取模块,用于获取三维计算机断层扫描图像中的目标区域,所述目标区域包括人体腹部区域;
器官检测模块,用于针对所述目标区域进行器官检测,得到多个定位区域和每个定位区域中包括的器官的类别,每个所述定位区域至少包括一个器官;
分割模块,用于根据每个所述定位区域分别对应的类别,将所述三维计算机断层扫描图像中由所述定位区域确定的图像内容输入到与所述类别对应的深度学习模型中,使得所述深度学习模型对所述图像内容中的至少一个器官分别进行分割。
12.一种电子设备,其中,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如权利要求1-10中任一项所述的方法。
13.一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211153865.2A CN115761221A (zh) | 2022-09-21 | 2022-09-21 | 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 |
---|---|---|---|
CN202211153865.2A CN115761221A (zh) | 2022-09-21 | 2022-09-21 | 图像处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115761221A true CN115761221A (zh) | 2023-03-07 |
Family
ID=85351779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211153865.2A Pending CN115761221A (zh) | 2022-09-21 | 2022-09-21 | 图像处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761221A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106898044A (zh) * | 2017-02-28 | 2017-06-27 | 成都金盘电子科大多媒体技术有限公司 | 一种基于医学影像并利用vr技术的器官拆分和操作方法及系统 |
CN107808141A (zh) * | 2017-11-08 | 2018-03-16 | 国家电网公司 | 一种基于深度学习的输电线路绝缘子爆裂识别方法 |
CN109166107A (zh) * | 2018-04-28 | 2019-01-08 | 北京市商汤科技开发有限公司 | 一种医学图像分割方法及装置、电子设备和存储介质 |
CN109308477A (zh) * | 2018-09-21 | 2019-02-05 | 北京连心医疗科技有限公司 | 一种基于粗分类的医学影像自动分割方法、设备和存储介质 |
CN109564677A (zh) * | 2018-11-09 | 2019-04-02 | 香港应用科技研究院有限公司 | 基于随机森林分类器加权结果的超分辨率合成系统和方法 |
CN109785306A (zh) * | 2019-01-09 | 2019-05-21 | 上海联影医疗科技有限公司 | 器官勾画方法、装置、计算机设备和存储介质 |
CN113808146A (zh) * | 2021-10-18 | 2021-12-17 | 山东大学 | 一种医学图像多器官分割方法及系统 |
-
2022
- 2022-09-21 CN CN202211153865.2A patent/CN115761221A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106898044A (zh) * | 2017-02-28 | 2017-06-27 | 成都金盘电子科大多媒体技术有限公司 | 一种基于医学影像并利用vr技术的器官拆分和操作方法及系统 |
CN107808141A (zh) * | 2017-11-08 | 2018-03-16 | 国家电网公司 | 一种基于深度学习的输电线路绝缘子爆裂识别方法 |
CN109166107A (zh) * | 2018-04-28 | 2019-01-08 | 北京市商汤科技开发有限公司 | 一种医学图像分割方法及装置、电子设备和存储介质 |
CN109308477A (zh) * | 2018-09-21 | 2019-02-05 | 北京连心医疗科技有限公司 | 一种基于粗分类的医学影像自动分割方法、设备和存储介质 |
CN109564677A (zh) * | 2018-11-09 | 2019-04-02 | 香港应用科技研究院有限公司 | 基于随机森林分类器加权结果的超分辨率合成系统和方法 |
CN109785306A (zh) * | 2019-01-09 | 2019-05-21 | 上海联影医疗科技有限公司 | 器官勾画方法、装置、计算机设备和存储介质 |
CN113808146A (zh) * | 2021-10-18 | 2021-12-17 | 山东大学 | 一种医学图像多器官分割方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829920B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112767329B (zh) | 图像处理方法及装置、电子设备 | |
Ghosh et al. | A survey on image mosaicing techniques | |
TWI777092B (zh) | 一種圖像處理方法、電子設備及存儲介質 | |
CN111598776B (zh) | 图像处理方法、图像处理装置、存储介质与电子设备 | |
US7574069B2 (en) | Retargeting images for small displays | |
JP2020064637A (ja) | 畳み込みニューラルネットワークを介してイメージ偽変造を探知するシステム、方法、及びこれを利用して無補正探知サービスを提供する方法 | |
US20100302376A1 (en) | System and method for high-quality real-time foreground/background separation in tele-conferencing using self-registered color/infrared input images and closed-form natural image matting techniques | |
JP2022535219A (ja) | 画像分割方法及び装置、電子機器並びに記憶媒体 | |
EP3512191A1 (en) | Image processing apparatus, method, and computer program storage device | |
CN112233125A (zh) | 图像分割方法、装置、电子设备及计算机可读存储介质 | |
JP2013190429A (ja) | デジタル病理画像のための自動同期ナビゲーションシステム | |
CN110473143B (zh) | 一种三维mra医学图像拼接方法及装置、电子设备 | |
CN109977963B (zh) | 图像处理方法、设备、装置以及计算机可读介质 | |
Zhang et al. | Interactive medical image annotation using improved Attention U-net with compound geodesic distance | |
WO2022032998A1 (zh) | 图像处理方法及装置、电子设备、存储介质和程序产品 | |
EP2715660A1 (en) | Method and device for retargeting a 3d content | |
Bartoli et al. | From video sequences to motion panoramas | |
CN113888548A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN115131289A (zh) | 图像处理模型的训练方法 | |
Shen et al. | Automatic polyp image segmentation and cancer prediction based on deep learning | |
CN112132772A (zh) | 一种病理切片实时判读方法、装置及系统 | |
CN114283152A (zh) | 图像处理、图像处理模型的训练方法、装置、设备及介质 | |
US20190220954A1 (en) | Apparatus, method, and computer program code for producing composite image | |
CN115761221A (zh) | 图像处理方法、装置、设备及存储介质 |
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 |