CN116128783A - 一种超声图像的病灶识别方法及相关装置 - Google Patents
一种超声图像的病灶识别方法及相关装置 Download PDFInfo
- Publication number
- CN116128783A CN116128783A CN202111314589.9A CN202111314589A CN116128783A CN 116128783 A CN116128783 A CN 116128783A CN 202111314589 A CN202111314589 A CN 202111314589A CN 116128783 A CN116128783 A CN 116128783A
- Authority
- CN
- China
- Prior art keywords
- image
- feature map
- size
- displayed
- features
- 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
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本申请实施例提供了一种超声图像的病灶识别方法及相关装置,通过多个可分离卷积层获取超声图像的多个图像特征的提取结果。每经过一次卷积使超声图像的尺寸缩减N倍且RGB通道数增加N倍,以使越下层卷积的提取结果包含的全局特征越丰富。进一步的,基于注意力机制从各提取结果中确定病灶区域特征,并基于该病灶区域特征生成提取结果对应的图像特征图。最后根据每一图像特征图中病灶区域的尺寸,确定用于展示的待展示特征图。通过上述实施例可实现对超声图像中病灶的居家诊断,避免人为诊断难以避免的误诊风险的同时,节约了病患的超声检查成本。
Description
技术领域
本发明涉及数据处理领域,特别涉及一种超声图像的病灶识别方法及相关装置。
背景技术
传统的超声病灶检查需基于放射科医生的诊断来确定病灶所在位置以及肿瘤的良恶类型等信息。这种人为的诊断方式依赖于放射科医生的自身经验和知识水平。
经验欠佳的医生针对复杂病灶往往难以诊断,经验丰富的医生在分析大量超声图像后也会产生视觉疲劳,大量的阅片负担亦会产生潜在的误诊风险。相应的,对于超声检查的患者而言上述诊断方式需花费去医院的时间和费用,存在看病成本高的问题。
发明内容
本申请实施例提供一种超声图像的病灶识别方法及相关装置,通过可分离卷积层以降低模型计算量,并加入注意力机制以抑制无效特征的输出,提高对病灶识别的准确性提供识别准确率。
第一方面,本申请实施例提供了一种超声图像的病灶识别方法,所述方法包括:
获取当前捕捉的超声图像,通过多个可分离卷积层DSC从所述超声图像中依次提取表征不同层次的多个图像特征的提取结果;其中,每经过一次所述DSC,所述超声图像的尺寸缩减N倍,RGB通道数增加N倍,N为正整数;
基于注意力机制确定各提取结果中的病灶区域特征,并基于所述病灶区域特征生成所述提取结果对应的图像特征图;
根据每一图像特征图中病灶区域的尺寸,从多个图像特征图中确定待展示特征图,并输出所述待展示特征图。
本申请实施例通过多个可分离卷积层获取超声图像的多个图像特征的提取结果。每经过一次卷积使超声图像的尺寸缩减N倍且RGB通道数增加N倍,以使越下层卷积的提取结果包含的全局特征越丰富。进一步的,基于注意力机制从各提取结果中确定病灶区域特征,并基于该病灶区域特征生成提取结果对应的图像特征图。最后根据每一图像特征图中病灶区域的尺寸,确定用于展示的待展示特征图。本申请实施例通过可分离卷积层以降低模型计算量,并加入注意力机制以抑制无效特征的输出,提高对病灶识别的准确性提供识别准确率。通过上述算法可实现对超声图像中病灶的居家诊断,避免人为诊断难以避免的误诊风险的同时,节约了病患的超声检查成本。
在一些可能的实施例中,所述通过多个可分离卷积层DSC从所述超声图像中依次提取表征不同层次的多个图像特征的提取结果之前,所述方法还包括:
将所述超声图像输入卷积层Convolution,以使所述超声图像在尺寸不变的情况下增加RGB通道数至预设阈值。
本申请实施例在进行多次可分离卷积之前,预先将超声图像进行普通卷积以增加超声图像中的图像特征。
在一些可能的实施例中,所述通过多个可分离卷积层DSC从所述超声图像中依次提取表征不同层次的多个图像特征的提取结果,包括:
根据所述DSC的输出结果确定所述超声图像的图像特征;
将所述图像特征输入可变形卷积DC,并将所述DC的输出结果作为所述提取结果。
本申请实施例的可分离卷积层获取超声图像的图像特征后,通过可变形卷积提升神经网络模型学习几何形变的能力,以增强的模型的特征学习能力,进而提高浅层网络对病灶的边缘特征提取。
在一些可能的实施例中,所述根据图像特征图中病灶区域的大小,从多个图像特征图中确定待展示特征图并输出之前,所述方法还包括:
将最底层DSC对应的提取结果输入至空间金字塔池化层,并通过所述空间金字塔池化层基于预设的不同池化核进行池化操作,以确定所述提取结果的局部特征和全局特征;
将所述局部特征和所述全局特征进行特征融合确定融合特征结果,并基于所述注意力机确定所述融合特征结果中的病灶区域特征;
根据所述病灶区域特征生成所述融合特征结果对应的图像特征图。
本申请实施例将最底层DSC的提取结果输入空间金字塔池化层,该空间金字塔池化层中设有不同的池化核,以此确定该提取结果的全局特征和局部特征。通过全局特征和局部特征进行融合,并将融合结果最为一张图像特征图,以此丰富图像特征图中的病灶区域特征,提高神经网络模型的识别准确率。
在一些可能的实施例中,每一图像特征图预设有至少一个先验框,所述根据每一图像特征图中病灶区域的尺寸,从多个图像特征图中确定待展示特征图并输出,包括:
按照各图像特征图尺寸由小到大的顺序,依次将每一图像特征图的先验框尺寸与该图像特征图中病灶区域的尺寸进行对比;
将先验框尺寸与病灶区域的尺寸之比满足第一比例阈值的图像特征图作为待处理特征图;
基于非极大值抑制NSM从各待处理特征图中选定先验框尺寸与病灶区域尺寸最匹配的图像,并将所述图像为所述待展示特征图输出。
本申请实施例预先针对各尺寸的图像特征图设有先验框,根据先验框的尺寸与病灶区域的尺寸进行比对,筛选出适于用户观看的图像特征图。进一步的,采用NSM进行二次筛选,从中选定一张最适于用户观看的图像特征图作为待展示特征图输出。
在一些可能的实施例中,所述根据每一图像特征图中病灶区域的尺寸,从多个图像特征图中确定待展示特征图并输出,包括:
按照各图像特征图尺寸由小到大的顺序,依次将每一图像特征图的尺寸与对应病灶区域的尺寸进行对比;
若所述图像特征图的尺寸与对应病灶区域的尺寸之比满足第二比例阈值,则将所述图像特征图作为所述待展示特征图输出。
本申请实施例针对不同尺寸的图像特征图与其对应病灶区域的尺寸进行比对,当尺寸之比满足第二比例阈值时则表明该图像特征图中的病灶区域特征能够被很好的展示给用户,以便于用户对病灶区域的查看。
在一些可能的实施例中,所述将所述待展示特征图输出之前,所述方法还包括:
确定所述图像特征图的尺寸为各图像特征图中的最小尺寸。
本申请实施例将待展示特征图进行输出之前,需确定该待展示特征图为最小尺寸的图像特征图,以使该图像特征图中包含丰富的病灶区域特征,提高识别准确率。
在一些可能的实施例中,所述方法还包括:
若所述图像特征图的尺寸不为各图像特征图中的最小尺寸,则将每一待处理图像通过反卷积使所述待处理图像的尺寸与RGB通道数均与所述图像特征图相同;其中,所述待处理图像为尺寸小于所述图像特征图的各图像特征图;
将反卷积后的所述待处理图像与所述图像特征图进行特征融合,将融合结果作为所述待展示特征图。
本申请实施例中,若该图像特征图不为最小尺寸的图像特征图则需将尺寸小于该图像特征图的其他图像特征图进行反卷积,以使各图像特征图的尺寸与RGB通道数与该图像特征图保持一致。进而通过特征融合的方式将各图像特征图进行特征融合以增加图像内的病灶区域特征,提高识别准确率。
在一些可能的实施例中,所述输出所述图像特征图之前,所述方法还包括:
确定待展示特征图后,将所述待展示特征图中的病灶区域进行标记;
在所述待展示特征图的预设位置添加对所述病灶区域的识别结果的描述信息。
本申请实施例所输出的待展示特征图中标注有该图像中的病灶区域,并在预设位置附有针对该病灶区域的识别结果的描述,以供用户直观的了解该病灶的诊断结果。
第二方面,本申请实施例提供了一种超声图像的病灶识别装置,所述装置包括:
特征提取模块,被配置为执行获取当前捕捉的超声图像,通过多个可分离卷积层DSC从所述超声图像中依次提取表征不同层次的多个图像特征的提取结果;其中,每经过一次所述DSC,所述超声图像的尺寸缩减N倍,RGB通道数增加N倍,N为正整数;
特征图确认模块,被配置为执行基于注意力机制确定各提取结果中的病灶区域特征,并基于所述病灶区域特征生成所述提取结果对应的图像特征图;
特征图展示模块,被配置为执行根据每一图像特征图中病灶区域的尺寸,从多个图像特征图中确定待展示特征图,并输出所述待展示特征图。
在一些可能的实施例中,执行所述通过多个可分离卷积层DSC从所述超声图像中依次提取表征不同层次的多个图像特征的提取结果之前,所述特征提取模块还被配置为:
将所述超声图像输入卷积层Convolution,以使所述超声图像在尺寸不变的情况下增加RGB通道数至预设阈值。
在一些可能的实施例中,执行所述通过多个可分离卷积层DSC从所述超声图像中依次提取表征不同层次的多个图像特征的提取结果,所述特征提取模块被配置为:
根据所述DSC的输出结果确定所述超声图像的图像特征;
将所述图像特征输入可变形卷积DC,并将所述DC的输出结果作为所述提取结果。
在一些可能的实施例中,执行所述根据图像特征图中病灶区域的大小,从多个图像特征图中确定待展示特征图并输出之前,所述特征图确认模块还被配置为:
将最底层DSC对应的提取结果输入至空间金字塔池化层,并通过所述空间金字塔池化层基于预设的不同池化核进行池化操作,以确定所述提取结果的局部特征和全局特征;
将所述局部特征和所述全局特征进行特征融合确定融合特征结果,并基于所述注意力机确定所述融合特征结果中的病灶区域特征;
根据所述病灶区域特征生成所述融合特征结果对应的图像特征图。
在一些可能实施例中,每一图像特征图预设有至少一个先验框,执行所述根据每一图像特征图中病灶区域的尺寸,从多个图像特征图中确定待展示特征图并输出,所述特征图确认模块被配置为:
按照各图像特征图尺寸由小到大的顺序,依次将每一图像特征图的先验框尺寸与该图像特征图中病灶区域的尺寸进行对比;
将先验框尺寸与病灶区域的尺寸之比满足第一比例阈值的图像特征图作为待处理特征图;
基于非极大值抑制NSM从各待处理特征图中选定先验框尺寸与病灶区域尺寸最匹配的图像,并将所述图像为所述待展示特征图输出。
在一些可能的实施例中,执行所述根据每一图像特征图中病灶区域的尺寸,从多个图像特征图中确定待展示特征图并输出,所述特征图确认模块被配置为:
按照各图像特征图尺寸由小到大的顺序,依次将每一图像特征图的尺寸与对应病灶区域的尺寸进行对比;
若所述图像特征图的尺寸与对应病灶区域的尺寸之比满足第二比例阈值,则将所述图像特征图作为所述待展示特征图输出。
在一些可能的实施例中,执行所述将所述待展示特征图输出之前,所述特征图确认模块还被配置为:
确定所述图像特征图的尺寸为各图像特征图中的最小尺寸。
在一些可能的实施例中,所述特征图确认模块还被配置为:
若所述图像特征图的尺寸不为各图像特征图中的最小尺寸,则将每一待处理图像通过反卷积使所述待处理图像的尺寸与RGB通道数均与所述图像特征图相同;其中,所述待处理图像为尺寸小于所述图像特征图的各图像特征图;
将反卷积后的所述待处理图像与所述图像特征图进行特征融合,将融合结果作为所述待展示特征图。
在一些可能的实施例中,执行所述输出所述图像特征图之前,所述特征图展示模块还被配置为:
确定待展示特征图后,将所述待展示特征图中的病灶区域进行标记;
在所述待展示特征图的预设位置添加对所述病灶区域的识别结果的描述信息。
第三方面,本申请实施例还提供了一种超声设备,包括至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请实施例第一方面提供的方法。
第四方面,本申请实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序用于使计算机执行本申请实施例第一方面提供的方法。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,显而易见地,下面所介绍的附图仅仅是本申请的一些实施例,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为本申请实施例示出的应用场景示意图;
图2为本申请实施例示出的生成对抗网络示意图;
图3a为本申请实施例示出的超声图像的病灶识别方法整体流程图;
图3b为本申请实施例示出的识别模型网络结构示意图;
图3c为本申请实施例示出的病灶区域特征示意图;
图3d为本申请实施例示出的注意力机制原理图;
图4为本申请实施例示出的超声图像的病灶识别装置400的结构图;
图5为本申请实施例示出的超声设备130示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、详尽地描述。在本申请实施例的描述中,除非另有说明,“面将表示或的意思,例如,A/B可以表示A或B;文本中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,另外,在本申请实施例的描述中,“多个”是指两个或多于两个。
在本申请实施例的描述中,除非另有说明,术语“多个”是指两个或两个以上,其它量词与之类似应当理解,此处所描述的优选实施例仅用于说明和解释本申请,并不用于限定本申请,并且在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
为进一步说明本申请实施例提供的技术方案,下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本申请实施例提供的执行顺序。方法在实际的处理过程中或者控制设备执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行。
传统医学诊断需要放射科医生人工读取分析超声图像中的病灶信息,在分析大量影像后人眼的视觉疲劳会产生潜在的误诊隐患。并且,主观性是传统人工方法最大的弊端,其诊断结果受放射科医生自身经验和知识水平的限制。相应的,对于超声检查的患者而言上述诊断方式需花费去医院的时间和费用,存在看病成本高的问题。
为解决上述问题,本申请的发明构思为:本申请实施例通过多个可分离卷积层获取超声图像的多个图像特征的提取结果。每经过一次卷积使超声图像的等比例缩减且增加预设数量的RGB通道数。由此,越下层卷积的提取结果包含的全局特征越丰富。进一步的,基于注意力机制从各提取结果中确定病灶区域特征,以生成对应的图像特征图。根据每一图像特征图中病灶区域的尺寸,确定用于展示的待展示特征图。通过上述方式,采用可分离卷积层以降低模型计算量,并加入注意力机制来抑制无效特征的输出,提高对病灶识别的准确性提供识别准确率。以此实现对超声图像中病灶的居家诊断,避免人为诊断存在的误诊风险,节约了病患的超声检查成本。
下面结合附图对本申请实施例所提供的一种超声图像的病灶识别方法进行详细说明。
参见图1,图1为根据本申请一个实施例的应用环境的示意图。包括网络100、至少一个终端设备101、超声设备102以及和服务器103。
其中,至少一个终端设备101通过网络100与超声设备102进行通信,该网络100可以是有线网络100或无线网络100。
超声设备102中嵌入用于对超声图像进行智能识别的识别算法,用户可通过超声设备对如甲状腺、乳腺等人体器官进行超声检查。
在一些可能的实施例中,上述识别算法可嵌于服务器103中,超声设备102将捕捉的超声图像发送给服务器103中进行病灶诊断。
服务器103通过预先训练的识别模型对所输入的超声图像进行病灶识别,并将识别结果通过网络10传输给终端设备101以供用户查看。终端设备101可以为图1示出的如智能电脑101_1、智能手机101_2以及智能电视101_3等具备显示功能的终端设备。
深度学习算法被广泛应用于图像分类、目标检测和图像分割等技术领域,然而,医疗数据样本量小的现状成为了阻碍深度学习与医学诊疗进一步结合的障碍。一方面,某些重大疾病呈现出发病率低,病人分布区域不集中的特点,受限于医疗资源不平衡和孤立性的原因,难以采集到足够多的样本进行网络搭建。另一方面,医学图像在采集、传输和记录的过程中,受到成像设备、放射剂量、采集时间等多因素的限制,不可避免的引入噪声,许多医学图像收到污染,难以形成支持网络训练的数据集。
基于上述原因,现阶段的医学检测中常用的数据扩充方法还是以传统的数据扩充方法为主,如旋转、平移、随机剪裁等。传统的数据增强借助模仿现实中的物体状态,进而对神经网络效果做贡献。然而在医学影像研究中,平移性,遮挡性,往往对网络效果提升不大。对于数据稀少的类别,这种扩充方式还会带来严重的过拟合,不利于网络分析。
为解决上述问题,本申请实施例预先基于生成对抗网络对医学图像进行训练样本的扩充,以得到更多适用于训练的医学图像。具体如图2所示,生成对抗网络模型主要包含两个部分:生成模型(Generator)和判别模型(Discriminator)。
Generator(G)是一个生成图片的网络,用于接收一个基于先验知识的随机噪声(Noise)并通过该噪声生成虚假图像(Fake)。所谓的先验知识实际上就是病灶在图像中表现的如肿瘤大小、生长方向、纵横比、边界特征、回声、囊实性以及钙化等特征。通过将其表达成加向量,并将一个随机噪声向量和一个先验知识生成的条件向量连接起来,可以制约生成器Generator(G)生成更高质量的图像。Discriminator(D)是一个判别网络,用于判别所输入的图片是不是“真实的”。它的输入参数是一张图像,输出结果为该图像的识别概率,如果输出结果为1则表征认为该图像100%为真实的图像(预测结果为Real),相应的,输出为0则代表该图像100%不是真实的图像(预测结果为:Fake)。在训练过程中,Generator(G)的目标就是尽量生成真实的图片去欺骗判别网络Discriminator(D)。而Discriminator(D)的目标就是尽量把Generator(G)生成的图片和真实的图片分别开来。这样,Discriminator(D)和Generator(G)构成了一个动态的“博弈过程”。如此,两个模型相互博弈形成均衡。最终使生成模型的输出能够在一定程度上体现原样本的特征,从而达到医学图像数据集扩充的目的。
通过上述生成对抗网络对少量的医学图像进行扩充,即可得到优质的大量医学图像以充当训练用于识别超声图像中病灶信息的识别模型的训练样本。具体的,可通过人为标注的方式对每一医学图像中的病灶区域进行标注,并采用标注后的医学图像集对识别模型进行训练,以使训练后的识别模型能够识别医学图像中的病灶信息。其中,病灶信息即为超声图像中病灶区域所在位置,以及病灶区域特征。病灶区域特征即为前文提及的超声图像中肿瘤大小、生长方向、纵横比、边界特征、回声、囊实性以及钙化等特征信息。
下面通过图3a对本申请实施例提供的一种超声图像的病灶识别方法进行详细说明,包括以下步骤:
步骤301:获取当前捕捉的超声图像,通过多个可分离卷积层DSC从所述超声图像中依次提取表征不同层次的多个图像特征的提取结果;其中,每经过一次所述DSC,所述超声图像的尺寸缩减N倍,RGB通道数增加N倍,N为正整数;
针对当前捕捉的超声图像需预先输入卷积层Convolution中,使该超声图像在尺寸不变的情况下增加RGB通道数至预设阈值,以此丰富超声图像中的图像特征。接下来通过多层深度可分离卷积DSC后进入特征加强区域并形成多个大小不同的特征输出。
具体如图3b所示,本申请实施例中设置的超声图像的尺寸为416×416,包含RGB通道数为3。经过Convolution后,该超声图像的尺寸不变,RGB通道数变更为32。进一步的,将图像依次输入2层DSC中,每经过一层DSC进行卷积处理后,该图像的尺寸缩减一倍且RGB通道数增加一倍,以此获得不同尺寸图像的图像特征。即,经过第一层DSC后图像尺寸变为208×208,RGB通道数为64;经过第二层DSC后图像尺寸变为104×104,RGB通道数为128。以此,通过设置多个DSC代替普通卷积Convolution,用于提取更加丰富的图像特征,且采用多个DSC代替普通卷积Convolution可使网络模型降低计算量。
在一些可能的实施例中,通过可变形卷积DC提升神经网络模型学习几何形变的能力,以增强的模型的特征学习能力,进而提高浅层网络对病灶的边缘特征提取。具体如图3b所示,将经过两层DSC后的图像继续输入多个DSC中进行卷积处理,并将DSC输出的图像特征通过可变形卷积DC进行卷积,将DC的输出结果作为该层的卷积结果,即该层对应的图像特征的提取结果。相应的,每经过一次DSC与可变形卷积处理后的图像尺寸会缩减为原来的一倍,且RGB通道数增加一倍。即,图3b中经过第二层DSC后图像输入至第三层DSC中,并经过DC卷积后图像尺寸变为52×52,RGB通道数为256;相应的,输入最底层DSC中,并经过DC卷积后图像尺寸变为26×26,通道数变为512。
应理解的是,该网络结构中的浅层网络区域主要负责较小的病灶特征提取,具有更多细节特征利于病灶的定位,深层网络区域负责较大的病灶特征提取,具有更多语义特征利于病灶的分类。
为了实现语义信息和细节特征的融合,进而采用特征金字塔结构将深层的DSC层通过1×1的卷积调整通道数,然后通过2倍上采样来和上一层特征层进行尺度上的适配,最终通过相加的操作实现两层的特征融合。然而,特征金字塔结构的最深层特征经过1×1通道降维后并无其他特征相融合,因此会造成强语义信息的缺失,不利于最深特征层的类别输出预测。为解决上述问题,本申请实施例将最底层DSC对应的提取结果输入至空间金字塔池化层,并通过空间金字塔池化层基于预设的不同池化核进行池化操作,以确定提取结果的局部特征和全局特征。将局部特征和全局特征进行特征融合确定融合特征结果,并基于注意力机确定融合特征结果中的病灶区域特征,根据病灶区域特征生成融合特征结果对应的图像特征图。
具体如图3b所示,本申请实施例在最深层特征引入了空间金字塔池化(SpatialPyramid Poolingi,SPP)进行特征增强。空间金字塔池化结构中,通过采用固定分块大小的池化操作,实现局部特征和全局特征的融合以解决最深层的特征信息丢失问题。本申请实施例中的空间金字塔池化结构如图3b所示,共设有3个池化核,分别为13,6和1。通过不同的池化核得到最底层DSC的提取结果的全局特征和局部特征后,可通过Concat函数将全局特征和局部特征融合,以获取图像多维度特征信息,即尺寸为13×13,RGB通道数为1024的图像特征。以此提高识别模型对病灶中肿瘤良恶性的识别准确率。
步骤302:基于注意力机制确定各提取结果中的病灶区域特征,并基于所述病灶区域特征生成所述提取结果对应的图像特征图;
本申请实施例在网络结构中加入注意力机制(Attention Model,AM)来模拟医生诊断过程。具体的,针对图3b中每一“DSC+DC”得到的提取结果,通过普通卷积Convolution后,基于注意力机制AM以提升提取结果中重要特征的权重,并抑制无效特征的输出,从而提高良恶性病灶诊断的准确性。
注意力机制的引入启发于放射科医生的诊断过程,例如放射科医生在基于超声影像进行甲状腺结节筛查时多通过不同视角观察影像切面。观察过程中一旦发现可疑病灶,则会对该病灶放大并仔细观察,通过对超声图像中甲状腺结节的关键特征综合打分,最终给出该疑似病灶的严重程度分级。而注意力机制用于更好的学习病灶特征,具体如图3c所示,图3c中左侧图示的粗线区域即为病灶区域,经AM提升病灶区域特征的权重并抑制无效特征的输出后,如图3c右侧图示,病灶区域内的信息得以清晰展现。
上述注意力机制的执行原理可如图3d所示,F1为某一DSC层对应的提取结果,即一张特征图F。其中,F1∈RW×H×C;W表示特征图的宽、H表示特征图的高、C表示RGB通道数。采用Pool函数在空间维度上分别对输入的F1进行压缩得到特征M∈RW×H×C,由M得到的F2中包含更加丰富的病灶区域特征。
步骤303:根据每一图像特征图中病灶区域的尺寸,从多个图像特征图中确定待展示特征图,并输出所述图像特征图。
本申请实施例中针对每一尺寸的图像特征图(即每一DSC对应的图像特征图)设有至少一个先验框,先验框即为人为设置尺寸的锚框,用于跟图像中的感兴趣区域进行尺寸比对以确定图像中的感兴趣区域是否能够很好的展示。具体的,根据该先验框从各图像特征图中选择适于用户观看的待展示特征图。实施时,按照各图像特征图尺寸由小到大的顺序,依次将每一图像特征图中的先验框的尺寸与对应病灶区域的尺寸进行对比。将先验框尺寸与病灶区域的尺寸之比满足第一比例阈值的图像特征图作为待处理特征图。
在一些可能的实施例中,本申请实施例在输出待展示特征图之前,需将待展示特征图中的病灶区域进行标记,具体可如图3b所示,采用非极大值抑制(Non-MaximumSuppression,NMS)进行先验框的筛选完成病灶的精准预测。NMS能够根据病灶区域适配出预设的最佳先验框,即从各待处理特征图中选定先验框尺寸与病灶区域尺寸最匹配的图像,并将该图像为待展示特征图输出。以此采用NSM进行二次筛选,从中选定一张最适于用户观看的图像特征图作为待展示特征图输出。
通过上述方式确定待展示特征图后,可通过该先验框对病灶区域进行标注,以使用户更直接的关注到图中的病灶区域。此外,本申请在待展示特征图的预设位置会添加对病灶区域的识别结果的描述信息,以供用户直观的了解该病灶的诊断结果。
在一些可能的实施例中,得到了每一DSC对应的图像特征图后,按照各图像特征图尺寸由小到大的顺序,依次将每一图像特征图的尺寸与对应病灶区域的尺寸进行对比。若图像特征图的尺寸与对应病灶区域的尺寸之比满足第二比例阈值,则将图像特征图作为待展示特征图输出。
另考虑到每一卷积层对应的图像特征图尺寸及RGB通道数均不相同,即包含的图像特征不同,基于此,若选定为待展示特征图的图像特征图的尺寸不为各图像特征图中的最小尺寸,则需将每一待处理图像通过反卷积使待处理图像的尺寸与RGB通道数均与图像特征图相同,待处理图像为尺寸小于图像特征图的各图像特征图。进一步的,将反卷积后的所述待处理图像与该图像特征图进行特征融合,以丰富待展示特征图中病灶区域特征,最后将融合结果作为待展示特征图进行输出。
上述流程中,本申请实施例通过采用可分离卷积层进行卷积,以降低模型计算量。并加入注意力机制以抑制无效特征的输出,提高对病灶识别的准确性提供识别准确率。以使该识别模型具备模型简洁、计算量小、内存占用率低等优势,实现对超声图像中病灶的居家诊断,避免人为诊断难以避免的误诊风险的同时,节约了病患的超声检查成本。
基于相同的发明构思,本申请实施例提供了一种超声图像的病灶识别装置400,具体如图4所示,包括:
特征提取模块401,被配置为执行获取当前捕捉的超声图像,通过多个可分离卷积层DSC从所述超声图像中依次提取表征不同层次的多个图像特征的提取结果;其中,每经过一次所述DSC,所述超声图像的尺寸缩减N倍,RGB通道数增加N倍,N为正整数;
特征图确认模块402,被配置为执行基于注意力机制确定各提取结果中的病灶区域特征,并基于所述病灶区域特征生成所述提取结果对应的图像特征图;
特征图展示模块403,被配置为执行根据每一图像特征图中病灶区域的尺寸,从多个图像特征图中确定待展示特征图,并输出所述待展示特征图。
在一些可能的实施例中,执行所述通过多个可分离卷积层DSC从所述超声图像中依次提取表征不同层次的多个图像特征的提取结果之前,所述特征提取模块401还被配置为:
将所述超声图像输入卷积层Convolution,以使所述超声图像在尺寸不变的情况下增加RGB通道数至预设阈值。
在一些可能的实施例中,执行所述通过多个可分离卷积层DSC从所述超声图像中依次提取表征不同层次的多个图像特征的提取结果,所述特征提取模块401被配置为:
根据所述DSC的输出结果确定所述超声图像的图像特征;
将所述图像特征输入可变形卷积DC,并将所述DC的输出结果作为所述提取结果。
在一些可能的实施例中,执行所述根据图像特征图中病灶区域的大小,从多个图像特征图中确定待展示特征图并输出之前,所述特征图确认模块402还被配置为:
将最底层DSC对应的提取结果输入至空间金字塔池化层,并通过所述空间金字塔池化层基于预设的不同池化核进行池化操作,以确定所述提取结果的局部特征和全局特征;
将所述局部特征和所述全局特征进行特征融合确定融合特征结果,并基于所述注意力机确定所述融合特征结果中的病灶区域特征;
根据所述病灶区域特征生成所述融合特征结果对应的图像特征图。
在一些可能的实施例中,每一图像特征图预设有至少一个先验框,执行所述根据每一图像特征图中病灶区域的尺寸,从多个图像特征图中确定待展示特征图并输出,所述特征图确认模块402被配置为:
按照各图像特征图尺寸由小到大的顺序,依次将每一图像特征图的先验框尺寸与该图像特征图中病灶区域的尺寸进行对比;
将先验框尺寸与病灶区域的尺寸之比满足第一比例阈值的图像特征图作为待处理特征图;
基于非极大值抑制NSM从各待处理特征图中选定先验框尺寸与病灶区域尺寸最匹配的图像,并将所述图像为所述待展示特征图输出。
在一些可能的实施例中,执行所述根据每一图像特征图中病灶区域的尺寸,从多个图像特征图中确定待展示特征图并输出,所述特征图确认模块402被配置为:
按照各图像特征图尺寸由小到大的顺序,依次将每一图像特征图的尺寸与对应病灶区域的尺寸进行对比;
若所述图像特征图的尺寸与对应病灶区域的尺寸之比满足第二比例阈值,则将所述图像特征图作为所述待展示特征图输出。
在一些可能的实施例中,执行所述将所述待展示特征图输出之前,所述特征图确认模块402还被配置为:
确定所述图像特征图的尺寸为各图像特征图中的最小尺寸。
在一些可能的实施例中,所述特征图确认模块402还被配置为:
若所述图像特征图的尺寸不为各图像特征图中的最小尺寸,则将每一待处理图像通过反卷积使所述待处理图像的尺寸与RGB通道数均与所述图像特征图相同;其中,所述待处理图像为尺寸小于所述图像特征图的各图像特征图;
将反卷积后的所述待处理图像与所述图像特征图进行特征融合,将融合结果作为所述待展示特征图。
在一些可能的实施例中,执行所述输出所述图像特征图之前,所述特征图展示模块403还被配置为:
确定待展示特征图后,将所述待展示特征图中的病灶区域进行标记;
在所述待展示特征图的预设位置添加对所述病灶区域的识别结果的描述信息。
下面参照图5来描述根据本申请的这种实施方式的超声设备130。图5显示的超声设备130仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,超声设备130以通用电子设备的形式表现。超声设备130的组件可以包括但不限于:上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
总线133表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器132可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)1321和/或高速缓存存储器1322,还可以进一步包括只读存储器(ROM)1323。
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325,这样的程序模块1324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。
超声设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与超声设备130交互的设备通信,和/或与使得该超声设备130能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口135进行。并且,超声设备130还可以通过网络适配器136与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器136通过总线133与用于超声设备130的其它模块通信。应当理解,尽管图中未示出,可以结合超声设备130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、冗余处理器、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。
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器132,上述指令可由装置400的处理器131执行以完成上述方法。可选地,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器131执行时实现如本申请提供的超声图像的病灶识别方法中的任一方法。
在示例性实施例中,本申请提供的一种超声图像的病灶识别方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种超声图像的病灶识别方法中的步骤。
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是——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。
本申请的实施方式的用于超声图像的病灶识别的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在电子设备上运行。然而,本申请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。
可读信号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。
可读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申请操作的程序代码,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—诸如语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务端上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程图像缩放设备的处理器以产生一个机器,使得通过计算机或其他可编程图像缩放设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程图像缩放设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程图像缩放设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种超声图像的病灶识别方法,其特征在于,应用于超声设备,所述方法包括:
获取当前捕捉的超声图像,通过多个可分离卷积层DSC从所述超声图像中依次提取表征不同层次的多个图像特征的提取结果;其中,每经过一次所述DSC,所述超声图像的尺寸缩减N倍,RGB通道数增加N倍,N为正整数;
基于注意力机制确定各提取结果中的病灶区域特征,并基于所述病灶区域特征生成所述提取结果对应的图像特征图;
根据每一图像特征图中病灶区域的尺寸,从多个图像特征图中确定待展示特征图,并输出所述待展示特征图。
2.根据权利要求1所述的方法,其特征在于,所述通过多个可分离卷积层DSC从所述超声图像中依次提取表征不同层次的多个图像特征的提取结果之前,所述方法还包括:
将所述超声图像输入卷积层Convolution,以使所述超声图像在尺寸不变的情况下增加RGB通道数至预设阈值。
3.根据权利要求1所述的方法,其特征在于,所述通过多个可分离卷积层DSC从所述超声图像中依次提取表征不同层次的多个图像特征的提取结果,包括:
根据所述DSC的输出结果确定所述超声图像的图像特征;
将所述图像特征输入可变形卷积DC,并将所述DC的输出结果作为所述提取结果。
4.根据权利要求1所述的方法,其特征在于,所述根据图像特征图中病灶区域的大小,从多个图像特征图中确定待展示特征图并输出之前,所述方法还包括:
将最底层DSC对应的提取结果输入至空间金字塔池化层,并通过所述空间金字塔池化层基于预设的不同池化核进行池化操作,以确定所述提取结果的局部特征和全局特征;
将所述局部特征和所述全局特征进行特征融合确定融合特征结果,并基于所述注意力机制确定所述融合特征结果中的病灶区域特征;
根据所述病灶区域特征生成所述融合特征结果对应的图像特征图。
5.根据权利要求1所述的方法,其特征在于,每一图像特征图预设有至少一个先验框,所述根据每一图像特征图中病灶区域的尺寸,从多个图像特征图中确定待展示特征图并输出,包括:
按照各图像特征图尺寸由小到大的顺序,依次将每一图像特征图的先验框尺寸与该图像特征图中病灶区域的尺寸进行对比;
将先验框尺寸与病灶区域的尺寸之比满足第一比例阈值的图像特征图作为待处理特征图;
基于非极大值抑制NSM从各待处理特征图中选定先验框尺寸与病灶区域尺寸最匹配的图像,并将所述图像为所述待展示特征图输出。
6.根据权利要求1所述的方法,其特征在于,所述根据每一图像特征图中病灶区域的尺寸,从多个图像特征图中确定待展示特征图并输出,包括:
按照各图像特征图尺寸由小到大的顺序,依次将每一图像特征图的尺寸与对应病灶区域的尺寸进行对比;
若所述图像特征图的尺寸与对应病灶区域的尺寸之比满足第二比例阈值,则将所述图像特征图作为所述待展示特征图输出。
7.根据权利要求5或6中任一所述的方法,其特征在于,所述将所述待展示特征图输出之前,所述方法还包括:
确定所述图像特征图的尺寸为各图像特征图中的最小尺寸。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
若所述图像特征图的尺寸不为各图像特征图中的最小尺寸,则将每一待处理图像通过反卷积使所述待处理图像的尺寸与RGB通道数均与所述图像特征图相同;其中,所述待处理图像为尺寸小于所述图像特征图的各图像特征图;
将反卷积后的所述待处理图像与所述图像特征图进行特征融合,将融合结果作为所述待展示特征图。
9.根据权利要求1-6或8中任一所述的方法,其特征在于,所述输出所述图像特征图之前,所述方法还包括:
确定待展示特征图后,将所述待展示特征图中的病灶区域进行标记;
在所述待展示特征图的预设位置添加对所述病灶区域的识别结果的描述信息。
10.一种超声设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至8中任一项所述的超声图像的病灶识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111314589.9A CN116128783A (zh) | 2021-11-08 | 2021-11-08 | 一种超声图像的病灶识别方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111314589.9A CN116128783A (zh) | 2021-11-08 | 2021-11-08 | 一种超声图像的病灶识别方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116128783A true CN116128783A (zh) | 2023-05-16 |
Family
ID=86301347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111314589.9A Pending CN116128783A (zh) | 2021-11-08 | 2021-11-08 | 一种超声图像的病灶识别方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128783A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258717A (zh) * | 2023-05-15 | 2023-06-13 | 广州思德医疗科技有限公司 | 病灶识别方法、装置、设备和存储介质 |
CN118039088A (zh) * | 2024-04-15 | 2024-05-14 | 达州爱迦飞诗特科技有限公司 | 一种人工智能辅助诊断数据处理系统 |
-
2021
- 2021-11-08 CN CN202111314589.9A patent/CN116128783A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258717A (zh) * | 2023-05-15 | 2023-06-13 | 广州思德医疗科技有限公司 | 病灶识别方法、装置、设备和存储介质 |
CN116258717B (zh) * | 2023-05-15 | 2023-09-08 | 广州思德医疗科技有限公司 | 病灶识别方法、装置、设备和存储介质 |
CN118039088A (zh) * | 2024-04-15 | 2024-05-14 | 达州爱迦飞诗特科技有限公司 | 一种人工智能辅助诊断数据处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11887311B2 (en) | Method and apparatus for segmenting a medical image, and storage medium | |
EP3776458B1 (en) | Augmented reality microscope for pathology with overlay of quantitative biomarker data | |
JP7134303B2 (ja) | 顕微鏡スライド画像のための焦点重み付き機械学習分類器誤り予測 | |
US20210113167A1 (en) | System and method for hierarchical multi-level feature image synthesis and representation | |
CN111539930A (zh) | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 | |
EP3611733A1 (en) | Searching a medical reference image | |
Sinha et al. | Medical image processing | |
CN110599421B (zh) | 模型训练方法、视频模糊帧转换方法、设备及存储介质 | |
Togo et al. | Synthetic gastritis image generation via loss function-based conditional pggan | |
CN111540025A (zh) | 预测用于图像处理的图像 | |
CN111612792B (zh) | 基于VRDS 4D医学影像的静脉的Ai内镜分析方法及产品 | |
KR20210098381A (ko) | 병변 이미지 시각화 장치 및 방법 | |
Selim et al. | STAN-CT: Standardizing CT image using generative adversarial networks | |
CN113658175A (zh) | 一种征象数据的确定方法及装置 | |
US20220148164A1 (en) | System and method for automatic detection of vertebral fractures on imaging scans using deep networks | |
CN117095815A (zh) | 基于磁共振图像和病理全景扫描切片预测带有同源重组缺陷的前列腺癌患者的系统 | |
CN116128783A (zh) | 一种超声图像的病灶识别方法及相关装置 | |
CN115965785A (zh) | 图像分割方法、装置、设备、程序产品及介质 | |
CN114972266A (zh) | 基于自注意机制和稳定学习的淋巴瘤超声图像语义分割方法 | |
WO2021150889A1 (en) | Weakly supervised lesion segmentation | |
Keshavamurthy et al. | Weakly supervised pneumonia localization in chest X‐rays using generative adversarial networks | |
CN112907525B (zh) | 乳腺磁共振图像智能分类方法、装置、设备和介质 | |
Salmeri et al. | Assisted breast cancer diagnosis environment: A tool for dicom mammographic images analysis | |
CN113223104B (zh) | 一种基于因果关系的心脏mr图像插补方法及系统 | |
Di Feola et al. | A comparative study between paired and unpaired Image Quality Assessment in Low-Dose CT Denoising |
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 |