CN116630273A - 肾脏的检测方法及检测装置 - Google Patents

肾脏的检测方法及检测装置 Download PDF

Info

Publication number
CN116630273A
CN116630273A CN202310601059.5A CN202310601059A CN116630273A CN 116630273 A CN116630273 A CN 116630273A CN 202310601059 A CN202310601059 A CN 202310601059A CN 116630273 A CN116630273 A CN 116630273A
Authority
CN
China
Prior art keywords
kidney
value
detected
image
abnormality
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
Application number
CN202310601059.5A
Other languages
English (en)
Inventor
徐志红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOE Technology Group Co Ltd
Beijing BOE Technology Development Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Beijing BOE Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BOE Technology Group Co Ltd, Beijing BOE Technology Development Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN202310601059.5A priority Critical patent/CN116630273A/zh
Publication of CN116630273A publication Critical patent/CN116630273A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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 transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20—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
    • G06T2207/30084—Kidney; Renal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/32—Image data format
    • 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
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供一种肾脏的检测方法及检测装置，属于医学技术领域，其可解决现有的肾脏检测方法的检测精度和检测效率较低的问题。本公开的肾脏的检测方法包括：对待测肾脏进行扫描，获取待测肾脏的多个扫描图像；对多个扫描图像进行处理，将多个扫描图像转化为多个灰度图像；获取每个灰度图像中每个像素的强度值，并计算每一行和每一列像素的强度值和；判断每一行像素和每一列像素的强度值和是否超过阈值，并记录连续未超过阈值的行数和列数；根据各个灰阶图像中连续未超过阈值的行数和列数，获取针对待测肾脏的三维数据；将三维数据输入至肾脏异常分类模型，判断待测肾脏是否异常。

Description

肾脏的检测方法及检测装置
技术领域
本公开属于医学技术领域，具体涉及一种肾脏的检测方法及检测装置。
背景技术
电子计算机断层扫描(Computed Tomography，CT)是放射神经学领域的重要图像设备。目前应用较为广泛的CT成像设备主要是将准直的X射线和灵敏的探测器同步围绕生物体部位在垂直轴上依次做横断面扫描，利用人体等生物体内部各组织对X射线的吸收系数不同这一特点，根据测得的各个路径上X线束强度反向重建出生物体内部图像信息。
然而，现有CT成像设备在对人体部位进行扫描，主要是凭借医生经验根据CT图像的影像数据来判断器官是否发生病变，影响检测精度及检测效率。
发明内容
本公开旨在至少解决现有技术中存在的技术问题之一，提供了一种肾脏的检测方法及检测装置。
第一方面，本公开实施例提供了一种肾脏的检测方法，所述肾脏的检测方法包括：
对待测肾脏进行扫描，获取所述待测肾脏的多个扫描图像；
对所述多个扫描图像进行处理，将所述多个扫描图像转化为多个灰度图像；
获取每个所述灰度图像中每个像素的强度值，并计算每一行和每一列像素的强度值和；
判断每一行像素和每一列像素的强度值和是否超过阈值，并记录连续未超过阈值的行数和列数；
根据各个灰阶图像中连续未超过阈值的行数和列数，获取针对待测肾脏的三维数据；
将三维数据输入至肾脏异常分类模型，判断待测肾脏是否异常。
可选地，所述根据各个灰阶图像中连续未超过阈值的行数和列数，获取针对待测肾脏的三维数据，包括：
将所述灰度图像按照行数划分为第一部分和第二部分，按照列数划分为第三部分和第四部分；
记录第一部分中强度值和连续未超过阈值的最大行数值，第二部分中强度值和连续未超过阈值的最小行数值，第三部分中强度值和连续未超过阈值的最大列数值，第四部分中强度值和连续未超过阈值的最小列数值；
对各个灰阶图像中的最大行数值、最少行数值、最大列数值、最小列数值进行比较，获取各个最大行数值中的最小值、最小行数中的最大值、最大列数值中的最小值、最小列数值中的最大值；
对所述灰阶图像进行处理，将所述灰阶图像转化为tiff格式的三维图像；
根据各个最大行数值中的最小值、最小行数中的最大值、最大列数值中的最小值、最小列数值中的最大值，剪切出对应的异常部位的tiff格式的三维图像；
利用图像转化工具，将对应的异常部位的tiff格式的三维图像转化为nii格式的三维图像。
可选地，所述根据各个灰阶图像中连续未超过阈值的行数和列数，获取针对待测肾脏的nii格式数据，之前还包括：
对多个扫描图像进行切割处理，获取去除边缘的扫描图像。
可选地，所述对多个扫描图像进行切割处理，获取去除边缘的扫描图像，之后还包括：
对个去除边缘的多个扫描图像进行归一化处理。
可选地，所述将所述三维数据输入至肾脏异常分类模型，判断待测肾脏是否异常，之后还包括：
如果待测肾脏异常，则利用肾脏异常检测模型对待测肾脏进行检测，获取肾脏异常的感兴趣区域；
将肾脏异常的感兴趣区域的数据输入至肾结石-肾囊肿分类模型，判断肾脏异常为肾结石或肾囊肿。
可选地，所述将肾脏异常的感兴趣区域的数据输入至肾结石-肾囊肿分类模型，判断肾脏异常为肾结石或肾囊肿，之后还包括：
如果肾脏异常为肾结石，则根据人体的结构特征，获取肾结石的三维位置信息；
根据肾结石的三维位置信息，判断所述肾脏异常为输尿管结石或静脉结石。
可选地，肾脏异常分类模型、肾脏异常检测模型、肾结石-肾囊肿分类模型均基于三维卷积神经网络、三维U-net网络进行训练获得。
第二方面，本公开实施例提供了一种肾脏的检测装置，所述肾脏的检测装置包括：
第一获取模块，被配置为对待测肾脏进行扫描，获取所述待测肾脏的多个扫描图像；
转化模块，被配置为对所述多个扫描图像进行处理，将所述多个扫描图像转化为多个灰度图像；
计算模块，被配置为获取每个所述灰度图像中每个像素的强度值，并计算每一行和每一列像素的强度值和；
判断模块，被配置为判断每一行像素和每一列像素的强度值和是否超过阈值，并记录连续未超过阈值的行数和列数；
第二获取模块，被配置为根据各个灰阶图像中连续未超过阈值的行数和列数，获取针对待测肾脏的三维数据；
异常分类检测模块，被配置为将三维数据输入至肾脏异常分类模型，判断待测肾脏是否异常。
第三方面，本公开实施例提供了一种电子设备，其中，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一个或多个计算机程序，一个或多个所述计算机程序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如上述提供的肾脏的检测方法。
第四方面，本公开实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序在被处理器执行时实现如上述提供的肾脏的检测方法。
附图说明
图1为本公开实施例提供的一种肾脏的检测方法的流程示意图。
图2为本公开实施例提供的另一种肾脏的检测方法的流程示意图。
图3为本公开实施例提供了的又一种肾脏的检测方法的流程示意图。
图4为本公开实施例提供的一种肾脏的检测装置的结构示意图。
图5为本公开的一些实施例中提供的电子设备的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本公开的技术方案，下面结合附图和具体实施方式对本公开作进一步详细描述。
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
第一方面，本公开实施例提供了一种肾脏的检测方法，图1为本公开实施例提供的一种肾脏的检测方法的流程示意图，如图1所示，该肾脏的检测方法包括如下步骤S101至步骤S106。
S101，对待测肾脏进行扫描，获取待测肾脏的多个扫描图像。
上述步骤S101中，可以利用电子计算机断层扫描(Computed Tomography，CT)设备，对待测肾脏沿着中心轴方向进行扫描，形成待测肾脏的多维扫描图像，一般地，扫描图像可以为dicom格式。可以理解的是，扫描图像的格式还可以为其他格式，在此不在进行一一列举。
S102，对多个扫描图像进行处理，将多个扫描图像转化为多个灰度图像。
上述步骤S102中，可以将dicom格式的扫描图像转化为彩色显示的tiff格式的图像，再将彩色显示的tiff格式的图像转化为灰度图像。
S103，获取每个灰度图像中每个像素的强度值，并计算每一行和每一列像素的强度值和。
上述步骤S103中，可以直接读取灰度图像中每个像素的强度值，每个像素的强度值表示图像中该像素的特定特征的强度。其中，正常肾脏的灰度图像中各个像素的强度值一般为均匀的，肾脏出现异常的情况下，其中异常区域的强度值会高于周围正常区域的强度值。在获取到每个像素的强度值后，可以计算每一行和每一列像素的强度值和，以根据每一行和每一列像素的强度值和，来确定异常部位的具体区域。
S104，判断每一行像素和每一列像素的强度值和是否超过阈值，并记录连续未超过阈值的行数和列数。
上述步骤S104中，具体地，将灰度图像按照行数划分为第一部分和第二部分，按照列数划分为第三部分和第四部分；记录第一部分中强度值和连续未超过阈值的最大行数值，第二部分中强度值和连续未超过阈值的最小行数值，第三部分中强度值和连续未超过阈值的最大列数值，第四部分中强度值和连续未超过阈值的最小列数值；对各个灰阶图像中的最大行数值、最少行数值、最大列数值、最小列数值进行比较，获取各个最大行数值中的最小值、最小行数中的最大值、最大列数值中的最小值、最小列数值中的最大值。
例如，可以将强度值和的阈值设置为5000(当然也可以根据实际需要设置为其他数值)。如果行数i的强度值和未超过5000，则记录该行数为i，并一直计算，直到得到灰度图像的第一部分(即上半部分)连续强度值和未超过5000的最大行数值ai。相同的情况下，计算直到得到灰度图像的第二部分(即下半部分)连续强度值未超过5000的最小行数值bi。
如果列数j的强度值和未超过5000，则记录该行数为j，并一直计算，直到得到灰度图像的第三部分(即左半部分)连续强度值和未超过5000的最大列数值cj。相同的情况下，计算直到得到灰度图像的第四部分(即右半部分)连续强度值和未超过5000的最小行数值dj。
对各个灰阶图像均进行如上处理，得到最小值a，最大值b，最小值c和最大值d。
S105，根据各个灰阶图像中连续未超过阈值的行数和列数，获取针对待测肾脏的三维数据。
上述步骤S105中，可以将肾脏的灰度图像中的数据转化为三维数据，以供计算机视觉系统进行识别。可以理解的是，计算机视觉系统可以识别的三维数据格式还可以为tiff，png，gi等格式，在本公开实施例中仅以nii格式数据为例进行说明，其他格式的三维数据可以根据实际需要进行转化，在此不再进行赘述。在上述转化灰阶图像的过程中，可以首先将扫描图像转化为tiff格式的图像数据，tiff格式的图像数据为三维数据。之后可以根据上述得到的最小值a，最大值b，最小值c和最大值d，可以剪切出对应的异常部位的tiff格式的三维图像，之后再利用图像转化工具(例如图像转化软件)，将对应异常部位的tiff格式的三维图像转化为nii格式的三维图像。
S106，将三维数据输入至肾脏异常分类模型，判断待测肾脏是否异常。
上述步骤S106中，肾脏异常分类模型基于三维卷积神经网络、三维U-net网络进行训练获得，其中存储有模型参数，输入不同的三维数据，例如nii格式数据，将nii格式数据和模型中不同层级结构进行计算，最终可以得到肾脏是否异常的结果。
本公开实施例提供的肾脏的检测方法中，可以将肾脏的扫描图像进行处理，并形成三维数据，将三维数据输入至肾脏异常分类模型，肾脏异常分类模型基于三维卷积神经网络、三维U-net网络进行训练获得，其中存储有模型参数，输入不同的三维数据，将三维数据和模型中不同层级结构进行计算，最终可以得到肾脏是否异常的结果。因此可以避免人为因素造成的误差，从而可以精确判断出肾脏是否异常，进而可以提高检测效率。
在一些实施例中，图2为本公开实施例提供的另一种肾脏的检测方法的流程示意图，如图2所示，上述步骤S105，根据各个灰阶图像中连续未超过阈值的行数和列数，获取针对待测肾脏的三维数据，之前还包括步骤S105a，对多个扫描图像进行切割处理，获取去除边缘的扫描图像。
上述步骤S105a中，整个扫描图像中并不是所有的区域均为肾脏，可以将扫描图像进行切割，以将边缘中的多余的区域可以去除，以避免不必要的计算过程，从而可以提高检测精度及检测效率。
在一些实施例中，如图2所示，上述步骤S105a，对多个扫描图像进行切割处理，获取去除边缘的扫描图像，之后还包括：S105b，对个去除边缘的多个扫描图像进行归一化处理。
上述步骤S105b中，可以将各个扫描图像进行归一化为512*512的图像，以便于进行检测，从而可以提高检测精度及检测效率。
在一些实施例中，图3为本公开实施例提供了的又一种肾脏的检测方法的流程示意图，如图3所示，上述步骤S106，将三维数据输入至肾脏异常分类模型，判断待测肾脏是否异常，之后还包括步骤S107至步骤S108。
如果待测肾脏异常，则执行S107，利用肾脏异常检测模型对待测肾脏进行检测，获取肾脏异常的感兴趣区域。
S108，将肾脏异常的感兴趣区域的数据输入至肾结石-肾囊肿分类模型，判断肾脏异常为肾结石或肾囊肿。
当检测出待测肾脏异常时，可以进一步地，将图像数据输入至肾脏异常检测模型，确定出肾脏异常的感兴趣区。之后再将肾脏异常的感兴趣区域的数据输入至肾结石-肾囊肿分类模型。其中，肾脏异常检测模型和肾结石-肾囊肿分类模型均基于三维卷积神经网络、三维U-net网络进行训练获得，其中存储有模型参数，输入不同的nii格式数据，将nii格式数据和模型中不同层级结构进行计算，最终可以得到肾脏异常的感兴趣区属于肾结石病变，还是属于肾囊肿病变。因此可以精确检测出肾脏病变的类型，提高检测效率。
在一些实施例中，如图3所示，上述步骤S108，将肾脏异常的感兴趣区域的数据输入至肾结石-肾囊肿分类模型，判断肾脏异常为肾结石或肾囊肿，之后还包括步骤S109至步骤S110。
如果肾脏异常为肾结石，则执行步骤S109，根据人体的结构特征，获取肾结石的三维位置信息。
S110，根据肾结石的三维位置信息，判断肾脏异常为输尿管结石或静脉结石。
当检测出待测肾脏异常的类型为肾结石时，可以进一步地，根据人体的结构特征，获取肾结石的三维位置信息，确定出肾结石的位置属于输尿管结石，还是属于静脉结石。因此可以精确检测出肾结石的具体位置，提高检测精度及检测效率。
第二方面，本公开实施例提供了一种肾脏的检测装置，图4为本公开实施例提供的一种肾脏的检测装置的结构示意图，如图4所示，肾脏的检测装置包括：第一获取模块401、转化模块402、计算模块403、判断模块404、第二获取模块405、异常分类检测模块406。
第一获取模块401，被配置为对待测肾脏进行扫描，获取待测肾脏的多个扫描图像；转化模块402，被配置为对多个扫描图像进行处理，将多个扫描图像转化为多个灰度图像；计算模块403，被配置为获取每个灰度图像中每个像素的强度值，并计算每一行和每一列像素的强度值和；判断模块404，被配置为判断每一行像素和每一列像素的强度值和是否超过阈值，并记录连续未超过阈值的行数和列数；第二获取模块405，被配置为根据各个灰阶图像中连续未超过阈值的行数和列数，获取针对待测肾脏的三维数据；异常分类检测模块406，被配置为将三维数据输入至肾脏异常分类模型，判断待测肾脏是否异常。
本公开实施例提供的肾脏的检测装置中的各个模块可以分别执行上述的肾脏的检测方法中的各个步骤，具体相关描述可参见上述任一实施例的肾脏的检测方法中的描述，此处不再赘述。
第三方面，本公开实施例提供了一种电子设备，图5为本公开的一些实施例中提供的电子设备的结构示意图，如图5所示，电子设备包括：一个或多个处理器501；存储器502，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述任一实施例提供的肾脏的检测方法；一个或多个I/O接口503，连接在处理器与存储器之间，配置为实现处理器与存储器的信息交互。
其中，处理器501为具有数据处理能力的器件，其包括但不限于中央处理器(CPU)等；存储器502为具有数据存储能力的器件，其包括但不限于随机存取存储器(RAM，更具体如SDRAM、DDR等)、只读存储器(ROM)、带电可擦可编程只读存储器(EEPROM)、闪存(FLASH)；I/O接口(读写接口)503连接在处理器501与存储器502间，能实现处理器501与存储器502的信息交互，其包括但不限于数据总线(Bus)等。
在一些实施例中，处理器501、存储器502和I/O接口503通过总线相互连接，进而与计算设备的其它组件连接。
第四方面，本实施例提供了一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现上述任一实施例提供的肾脏的检测方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其它数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字多功能盘(DVD)或其它光盘存储、磁盒、磁带、磁盘存储或其它磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其它的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其它传输机制之类的调制数据信号中的其它数据，并且可包括任何信息递送介质。
可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。

Claims (10)

1.一种肾脏的检测方法，其特征在于，所述肾脏的检测方法包括：
对待测肾脏进行扫描，获取所述待测肾脏的多个扫描图像；
对所述多个扫描图像进行处理，将所述多个扫描图像转化为多个灰度图像；
获取每个所述灰度图像中每个像素的强度值，并计算每一行和每一列像素的强度值和；
判断每一行像素和每一列像素的强度值和是否超过阈值，并记录连续未超过阈值的行数和列数；
根据各个灰阶图像中连续未超过阈值的行数和列数，获取针对待测肾脏的三维数据；
将所述三维数据输入至肾脏异常分类模型，判断待测肾脏是否异常。
2.根据权利要求1所述的肾脏的检测方法，其特征在于，所述根据各个灰阶图像中连续未超过阈值的行数和列数，获取针对待测肾脏的三维数据，包括：
将所述灰度图像按照行数划分为第一部分和第二部分，按照列数划分为第三部分和第四部分；
记录第一部分中强度值和连续未超过阈值的最大行数值，第二部分中强度值和连续未超过阈值的最小行数值，第三部分中强度值和连续未超过阈值的最大列数值，第四部分中强度值和连续未超过阈值的最小列数值；
对各个灰阶图像中的最大行数值、最少行数值、最大列数值、最小列数值进行比较，获取各个最大行数值中的最小值、最小行数中的最大值、最大列数值中的最小值、最小列数值中的最大值；
根据各个最大行数值中的最小值、最小行数中的最大值、最大列数值中的最小值、最小列数值中的最大值，剪切出对应的异常部位的tiff格式的三维图像；
利用图像转化工具，将对应的异常部位的tiff格式的三维图像转化为nii格式的三维图像。
3.根据权利要求1所述的肾脏的检测方法，其特征在于，所述根据各个灰阶图像中连续未超过阈值的行数和列数，获取针对待测肾脏的三维数据，之前还包括：
对多个扫描图像进行切割处理，获取去除边缘的扫描图像。
4.根据权利要求3所述的肾脏的检测方法，其特征在于，所述对多个扫描图像进行切割处理，获取去除边缘的扫描图像，之后还包括：
对个去除边缘的多个扫描图像进行归一化处理。
5.根据权利要求1所述的肾脏的检测方法，其特征在于，所述将所述三维数据输入至肾脏异常分类模型，判断待测肾脏是否异常，之后还包括：
如果待测肾脏异常，则利用肾脏异常检测模型对待测肾脏进行检测，获取肾脏异常的感兴趣区域；
将肾脏异常的感兴趣区域的数据输入至肾结石-肾囊肿分类模型，判断肾脏异常为肾结石或肾囊肿。
6.根据权利要求5所述的肾脏的检测方法，其特征在于，所述将肾脏异常的感兴趣区域的数据输入至肾结石-肾囊肿分类模型，判断肾脏异常为肾结石或肾囊肿，之后还包括：
如果肾脏异常为肾结石，则根据人体的结构特征，获取肾结石的三维位置信息；
根据肾结石的三维位置信息，判断所述肾脏异常为输尿管结石或静脉结石。
7.根据权利要求6所述的肾脏的检测方法，其特征在于，肾脏异常分类模型、肾脏异常检测模型、肾结石-肾囊肿分类模型均基于三维卷积神经网络、三维U-net网络进行训练获得。
8.一种肾脏的检测装置，其特征在于，所述肾脏的检测装置包括：
第一获取模块，被配置为对待测肾脏进行扫描，获取所述待测肾脏的多个扫描图像；
转化模块，被配置为对所述多个扫描图像进行处理，将所述多个扫描图像转化为多个灰度图像；
计算模块，被配置为获取每个所述灰度图像中每个像素的强度值，并计算每一行和每一列像素的强度值和；
判断模块，被配置为判断每一行像素和每一列像素的强度值和是否超过阈值，并记录连续未超过阈值的行数和列数；
第二获取模块，被配置为根据各个灰阶图像中连续未超过阈值的行数和列数，获取针对待测肾脏的三维数据；
异常分类检测模块，被配置为将三维数据输入至肾脏异常分类模型，判断待测肾脏是否异常。
9.一种电子设备，其中，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一个或多个计算机程序，一个或多个所述计算机程序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如权利要求1至7中任一项所述的肾脏的检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序在被处理器执行时实现如权利要求1至7中任一项所述的肾脏的检测方法。
CN202310601059.5A 2023-05-25 2023-05-25 肾脏的检测方法及检测装置 Pending CN116630273A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310601059.5A CN116630273A (zh) 2023-05-25 2023-05-25 肾脏的检测方法及检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310601059.5A CN116630273A (zh) 2023-05-25 2023-05-25 肾脏的检测方法及检测装置

Publications (1)

Publication Number Publication Date
CN116630273A true CN116630273A (zh) 2023-08-22

Family

ID=87637766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310601059.5A Pending CN116630273A (zh) 2023-05-25 2023-05-25 肾脏的检测方法及检测装置

Country Status (1)

Country Link
CN (1) CN116630273A (zh)

Similar Documents

Publication Publication Date Title
CN111862047B (zh) 一种级联的医学影像关键点检测方法及装置
US20120114208A1 (en) Image matching device and patient positioning device using the same
CN112052896B (zh) 图像处理方法及装置，分类模型的训练方法及装置
JP2005296605A (ja) 放射線写真画像を診断関連領域と診断非関連領域とにセグメント化する方法
WO2007117506A2 (en) System and method for automatic detection of internal structures in medical images
CN111462071B (zh) 一种图像处理方法和系统
US11386555B2 (en) Assessment of arterial calcifications
US11600379B2 (en) Systems and methods for generating classifying and quantitative analysis reports of aneurysms from medical image data
CN113989407B (zh) Ct影像中肢体部位识别模型训练方法及系统
Lovric et al. Automated computer-assisted quantitative analysis of intact murine lungs at the alveolar scale
Ramella Hair removal combining saliency, shape and color
CN117078698B (zh) 一种基于深度学习的外周血管影像辅助分割方法及系统
CN116433695B (zh) 一种乳腺钼靶图像的乳腺区域提取方法及系统
CN117523350A (zh) 基于多模态特征的口腔影像识别方法、系统及电子设备
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
CN114266848A (zh) 医学图像三维重建方法和装置
CN116630273A (zh) 肾脏的检测方法及检测装置
CN116309551A (zh) 确定病灶取样区的方法、装置、电子设备及可读介质
CN112102244B (zh) 胎儿超声标准切面图像检测方法、计算机设备和存储介质
CN103052970B (zh) 从成像数据中移除对象支撑
TWI751956B (zh) 正子攝影之量化定位系統及其運作方法
Fontanella et al. Challenges of building medical image datasets for development of deep learning software in stroke
CN113421270B (zh) 基于单中心标定数据实现医学图像域自适应分割的方法、系统、装置、处理器及其存储介质
CN110634553A (zh) 一种医学图像校验方法及系统
CN115147378B (zh) 一种ct图像分析提取方法

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