CN117437463A - 基于图像处理的医学影像数据处理方法及处理平台 - Google Patents

基于图像处理的医学影像数据处理方法及处理平台 Download PDF

Info

Publication number
CN117437463A
CN117437463A CN202311356919.XA CN202311356919A CN117437463A CN 117437463 A CN117437463 A CN 117437463A CN 202311356919 A CN202311356919 A CN 202311356919A CN 117437463 A CN117437463 A CN 117437463A
Authority
CN
China
Prior art keywords
feature
map
processing
image data
medical image
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.)
Granted
Application number
CN202311356919.XA
Other languages
English (en)
Other versions
CN117437463B (zh
Inventor
黄碗明
韩东明
黄汝成
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.)
Shanghai Strategy Technology Co ltd
Original Assignee
Shanghai Strategy Technology 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 Shanghai Strategy Technology Co ltd filed Critical Shanghai Strategy Technology Co ltd
Priority to CN202311356919.XA priority Critical patent/CN117437463B/zh
Publication of CN117437463A publication Critical patent/CN117437463A/zh
Application granted granted Critical
Publication of CN117437463B publication Critical patent/CN117437463B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • 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
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T2207/20—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

Landscapes

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

Abstract

本申请提供了一种基于图像处理的医学影像数据处理方法及处理平台。通过获取医学影像数据；利用预设神经网络模型中的编码器，在多个特征提取层对医学影像数据进行特征提取，得到初级特征图序列；将初级特征图序列作为当前特征序列，并对当前特征序列执行第一循环处理直至满足第一结束条件，得到一个或多个高级特征图序列，第一循环处理用于：采用注意机制，在图像像素级别和图像通道级别，对初级特征图进行调整和/或组合；利用预设神经网络模型中的解码器，根据初级特征图序列和所有高级特征图序列，确定并输出目标医学影像数据。解决了现有技术中存在对于医学影像中的病变部位的识别和分割，仍需要人工进行医学影像识别的技术问题。

Description

基于图像处理的医学影像数据处理方法及处理平台
技术领域
本申请涉及图像处理技术领域，尤其涉及一种基于图像处理的医学影像数据处理方法及处理平台。
背景技术
近年来，医学影像数据处理在医疗领域的应用与成就备受关注。医学影像数据包含了众多疾病的关键信息，可以为疾病诊断、治疗和治疗干预后的疗效追踪和分析提供重要支持。
目前，由于医学影像中的病变的特征多样性，例如病变部位会表现出不同的大小、位置和纹理，并且病变部位没有明显的边界，这增加了医学影像数据处理时对病变部位的识别和分割难度，其次，由于医学影像的复杂性，例如肺部感染时，受感染区域和非感染区域的组织和结构非常相似，这给识别带来了很大困难，需要经验丰富的医生才能进行较为准确的识别。
即现有技术中存在对于医学影像中的病变部位的识别和分割，仍需要人工进行医学影像识别的技术问题。
发明内容
本申请提供一种基于图像处理的医学影像数据处理方法及处理平台，以解决现有技术中存在对于医学影像中的病变部位的识别和分割，仍需要人工进行医学影像识别的技术问题。
第一个方面，本申请提供一种基于图像处理的医学影像数据处理方法，包括：
获取医学影像数据；
利用预设神经网络模型中的编码器，在多个特征提取层对医学影像数据进行特征提取，得到多个初级特征图，并将各个初级特征图按特征提取的顺序排列成初级特征图序列，每个特征提取层与至少一个初级特征图相对应，不同的特征提取层对应的初级特征图的尺寸不相同；
将初级特征图序列作为当前特征序列，并对当前特征序列执行第一循环处理直至满足第一结束条件，得到一个或多个高级特征图序列，第一循环处理用于：采用注意机制，在图像像素级别和图像通道级别，对初级特征图进行调整和/或组合；
利用预设神经网络模型中的解码器，根据初级特征图序列和所有高级特征图序列，确定并输出目标医学影像数据。
在一种可能的设计中，第一循环处理包括：
对当前特征序列执行第二循环处理直至满足第二结束条件，得到一个或多个高级特征图；
将各个高级特征图，根据处理顺序排列成高级特征图序列；
将高级特征序列图作为新的当前特征序列；
第一结束条件包括：任意一个高级特征图序列中高级特征图的数量小于或等于预设结束阈值。
在一种可能的设计中，第二循环处理，包括：
每次从当前特征序列中任意提取出多个相邻的第一特征图；
利用预设神经网络模型中的空间像素指引器，根据多个相邻的第一特征图，生成注意力图，注意力图用于突出或放大多个相邻的第一特征图中的一个或多个特征区域的重要性或关注度；
利用预设神经网络模型中的特征维度指引器，根据注意力图和第一输入特征图，得到高级特征图，第一输入特征图与注意力图的尺寸相同，第一输入特征图在本次提取的多个相邻的第一特征图中；
第二结束条件包括：完成对当前特征序列的遍历。
在一种可能的设计中，利用预设神经网络模型中的空间像素指引器，根据多个相邻的第一特征图，生成注意力图，包括：
利用空间像素指引器中的上采样模块，将多个相邻的第一特征图的尺寸都调整为目标尺寸，目标尺寸为第一输入特征图的尺寸；
利用空间像素指引器中的特征整合模块，将调整尺寸后的多个相邻的第一特征图整合成注意力图。
在一种可能的设计中，多个相邻的第一特征图包括两个相邻的第一特征图，其中，第一输入特征图是上一个特征提取层所提取的上层特征图，另一个第一特征图是下一个特征提取层所提取的下层特征图，上层特征图的尺寸大于下层特征图的尺寸；
利用空间像素指引器中的上采样模块，将多个相邻的第一特征图的尺寸都调整为目标尺寸，包括：
上采样模块通过双线性插值函数将下层特征图的尺寸调整为目标尺寸，包括：
FBilinear(Featurei+1，j)
其中，FBilinear表示双线性插值函数，Featurei+1，j表示下层特征图。
在一种可能的设计中，特征整合模块包括：线性调整模块和激活模块，利用空间像素指引器中的特征整合模块，将调整尺寸后的多个相邻的第一特征图整合成注意力图，包括：
利用线性整合模块分别对上层特征图和调整尺寸后的下层特征图做线性调整，包括：
其中，表示由1×1的卷积层、批归一化层和线性整流单元(Rectified LinearUnit，ReLU)组成的线性整合模块，FBilinear(Featurei+1，j)表示调整尺寸后的下层特征图，Featurei，j表示上层特征图；
利用激活模块将线性调制后的上层特征和下层特征图整合成注意力图，包括：
其中，Mi，j+1表示注意力图，表示由1×1的卷积层、批归一化层和预设激活函数组成的激活模块。
在一种可能的设计中，利用预设神经网络模型中的特征维度指引器，根据注意力图和第一输入特征图，得到高级特征图，包括：
将注意力图与第一输入特征图进行特征拼接，得到特征维度指引器的第二输入特征图；
利用特征维度指引器中的池化模块，对第二输入特征图进行全局均值池化处理，得到第一处理结果，包括：
其中，FP表示第一处理结果，表示第二输入特征图，HU和WU是第二输入特征图对应的特征空间中的两个特征维度值；
利用第一全连接层和第二全连接层对第一处理结果进行处理，得到注意力向量；
利用卷积层对第二输入特征图进行特征提取，并利用注意力向量调整提取结果的图像通道参数，得到高级特征图。
在一种可能的设计中，利用第一全连接层和第二全连接层对第一处理结果进行处理，得到注意力向量，包括：
其中，MV表示注意力向量，Q1表示第一全连接层，ω1为第一全连接层的参数，Q2表示第二全连接层，ω2为第二全连接层的参数。
在一种可能的设计中，利用卷积层对第二输入特征图进行特征提取，并利用注意力向量调整提取结果的图像通道参数，得到高级特征图，包括：
其中，Featurei，j+1表示高级特征图，表示由两个预设卷积层进行特征提取。
第二方面，本申请提供一种基于图像处理的医学影像数据处理平台，包括：
医学影像系统，用于获取医学影像数据，并将医学影像数据发送给神经网络系统；
神经网络系统，用于：
利用预设神经网络模型中的编码器，在多个特征提取层对医学影像数据进行特征提取，得到多个初级特征图，并将各个初级特征图按特征提取的顺序排列成初级特征图序列，每个特征提取层与至少一个初级特征图相对应，不同的特征提取层对应的初级特征图的尺寸不相同；
将初级特征图序列作为当前特征序列，并对当前特征序列执行第一循环处理直至满足第一结束条件，得到一个或多个高级特征图序列，第一循环处理用于：采用注意机制，在图像像素级别和图像通道级别，对初级特征图进行调整和/或组合；
利用预设神经网络模型中的解码器，根据初级特征图序列和所有高级特征图序列，确定目标医学影像数据，并向医学影像系统输出目标医学影像数据。
第三方面，本申请提供一种基于图像处理的医学影像数据处理装置，包括：处理器，以及与处理器通信连接的存储器；
存储器存储计算机执行指令；
处理器执行存储器存储的计算机执行指令，以实现第一方面所提供的任意一种可能的基于图像处理的医学影像数据处理方法。
第四方面，本申请提供一种存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现第一方面所提供的任意一种可能的基于图像处理的医学影像数据处理方法。
第五方面，本申请还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所提供的任意一种可能的基于图像处理的医学影像数据处理方法。
本申请提供了一种基于图像处理的医学影像数据处理方法及处理平台。通过获取医学影像数据；利用预设神经网络模型中的编码器，在多个特征提取层对医学影像数据进行特征提取，得到初级特征图序列；将初级特征图序列作为当前特征序列，并对当前特征序列执行第一循环处理直至满足第一结束条件，得到一个或多个高级特征图序列，第一循环处理用于：采用注意机制，在图像像素级别和图像通道级别，对初级特征图进行调整和/或组合；利用预设神经网络模型中的解码器，根据初级特征图序列和所有高级特征图序列，确定并输出目标医学影像数据。解决了现有技术中存在对于医学影像中的病变部位的识别和分割，仍需要人工进行医学影像识别的技术问题。
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，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种基于图像处理的医学影像数据处理方法的流程示意图；
图2为本申请实施例提供的步骤S104的一种可能的实施方式的流程示意图；
图3为本申请实施例提供的步骤S1041的一种可能的实施方式的流程示意图；
图4为本申请实施例提供的一种基于图像处理的医学影像数据处理平台的结构示意图；
图5为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，包括但不限于对多个实施例的组合，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图1为本申请实施例提供的一种基于图像处理的医学影像数据处理方法的流程示意图。如图1所示，该数据处理方法的具体步骤包括：
S101、获取医学影像数据。
在本步骤中，医学影像数据包括：电子计算机断层扫描(computed tomography，下文简称：CT)图像数据、核磁共振图像数据、X光图像数据等等。
在本实施例中，例如医学影像数据为肺部的CT图像数据。
S102、利用预设神经网络模型中的编码器，在多个特征提取层对医学影像数据进行特征提取，得到多个初级特征图。
在本步骤中，每个特征提取层包括一个或多个卷积层，编码器通过卷积层多医学影像数据进行下采样，从而提取出医学影像数据中的多个局部特征，即初级特征图。
具体的，每个卷积层都有一个对应的卷积核，比如1X1、3X3等尺寸的卷积核，通过卷积核对医学图像进行下采样或者说是特征提取，就能够得到对应的局部特征图，即所谓的初级特征图。可选的，上一个特征提取层所输出的初级特征图可以作为下一个特征提取层的输入数据，经过下一个特征提取层的特征提取得到新的初级特征图。
值得注意的是，初级特征图中初级的意思是直接从医学影像数据中进行提取特征，没有对特征进行任何其它的加工或调整。
S103、将各个初级特征图按特征提取的顺序排列成初级特征图序列。
在步骤S102～S103中，每个特征提取层与至少一个初级特征图相对应，不同的特征提取层对应的初级特征图的尺寸不相同。
在一种可能的设计中，预设神经网络模型的基本结构与UNet神经网络模型或者UNet++神经网络模型类似，其可以包括5个特征提取层，每个特征提取层包括2个卷积层。
例如，医学影像数据为CT图像数据，该CT图像数据的尺寸为256X256，通道数为3，包括：R、G、B三个图像通道。
S104、将初级特征图序列作为当前特征序列，并对当前特征序列执行第一循环处理直至满足第一结束条件，得到一个或多个高级特征图序列。
在本步骤中，第一循环处理用于：采用注意机制，在图像像素级别和图像通道级别，对初级特征图进行调整和/或组合。第一结束条件包括：任意一个高级特征图序列中高级特征图的数量小于或等于预设结束阈值。
图2为本申请实施例提供的步骤S104的一种可能的实施方式的流程示意图。如图2所示，第一循环处理在本实施例中的具体步骤包括：
S1041、对当前特征序列执行第二循环处理直至满足第二结束条件，得到一个或多个高级特征图。
在本步骤中，第二结束条件包括：完成对当前特征序列的遍历。
图3为本申请实施例提供的步骤S1041的一种可能的实施方式的流程示意图。如图3所示，第二循环处理的具体步骤包括：
S301、每次从当前特征序列中任意提取出多个相邻的第一特征图。
在本实施例中，例如每次从当前特征序列中任意提取相邻的两个第一特征图。则，当将当前特征序列中所有相邻的第一特征图都提取过一次后，完成对当前特征序列的遍历。可以结束第二循环处理。
S302、利用预设神经网络模型中的空间像素指引器，根据多个相邻的第一特征图，生成注意力图。
在本步骤中，注意力图用于突出或放大多个相邻的第一特征图中的一个或多个特征区域的重要性或关注度。
在一种可能的设计中，本步骤具体包括：
S3021、利用空间像素指引器中的上采样模块，将多个相邻的第一特征图的尺寸都调整为目标尺寸。
在本步骤中，目标尺寸为第一输入特征图的尺寸。
在本实施例中，多个相邻的第一特征图包括两个相邻的第一特征图，其中，第一输入特征图是上一个特征提取层所提取的上层特征图，另一个第一特征图是下一个特征提取层所提取的下层特征图，上层特征图的尺寸大于下层特征图的尺寸。
在本实施例中，本步骤具体包括：
上采样模块通过双线性插值函数将下层特征图的尺寸调整为目标尺寸，具体可以用公式(1)来表示，公式(1)如下所示：
FBilinear(Featurei+1,j) (1)
其中，FBilinear表示双线性插值函数，Featurei+1,j表示下层特征图，下层特征图对应的特征空间可以表示为
需要说明的是，解码器的上采样模块使用双线性插值函数(bilinearinterpolation function)而不是转置卷积层(transposed convolution layer)来提高特征映射的分辨率。这种方法进一步减少了参数数量和计算成本，并且在小规模数据集上表现良好。
S3022、利用空间像素指引器中的特征整合模块，将调整尺寸后的多个相邻的第一特征图整合成注意力图。
在一种可能的设计中，特征整合模块包括：线性调整模块和激活模块，则本步骤的具体实施方式包括：
(1)利用线性整合模块分别对上层特征图和调整尺寸后的下层特征图做线性调整。
具体可以用公式(2)来表示：
其中，表示由1×1的卷积层、批归一化层和线性整流单元(Rectified LinearUnit，ReLU)组成的线性整合模块，FBilinear(Featurei+1,j)表示调整尺寸后的下层特征图，Featurei,j表示上层特征图；上层特征图对应的特征空间可以表示为/>
(2)利用激活模块将线性调制后的上层特征和下层特征图整合成注意力图。
具体可以用公式(3)来表示：
其中，Mi,j+1表示注意力图，表示由1×1的卷积层、批归一化层和预设激活函数组成的激活模块。
可选的，预设激活函数包括：sigmoid激活函数。
S303、利用预设神经网络模型中的特征维度指引器，根据注意力图和第一输入特征图，得到高级特征图。
在本步骤中，第一输入特征图与注意力图的尺寸相同，第一输入特征图在本次提取的多个相邻的第一特征图中，即第一输入特征图就是本次从当前特征序列中提取的多个相邻的第一特征图中的其中一个。
需要说明的是，所谓高级特征图中的高级是指该特征图是由低级特征图经过筛选、调整和重组后所得到的特征图。
可选的，第一输入特征图是本次提取的多个相邻的第一特征图中尺寸最大的一个。
例如，每次从当前特征序列中任意提取相邻的两个第一特征图时，取尺寸较大的第一特征图作为第一输入特征图，或者两个第一特征图对应不同的特征提取图层时，取上层的特征提取图层所对应的第一特征图作为第一输入特征图。
需要说明的是，本申请通过引入注意力机制，计算一个与第一输入特征图大小相同的注意力图，其中每个位置的值表示相应位置的特征在整体上的重要性或关注度。较高的值表示该位置的特征在整个图像中更为重要，而较低的值则表示该位置的特征对整体贡献较小。
通过设置注意力图中的权重或大小，可以调整特定区域的关注程度。因此，注意力机制可以帮助预设神经网络集中关注于重要的局部区域，从而提取出更有用和判别性的特征。
此外，本申请引入注意力机制，使预设神经网络模型能够在没有外部感兴趣区域(region of interest，ROI)监督的情况下生成注意力图，通过观察网络在不同阶段关注的区域，可以理解网络的训练过程，提高神经网络的可解释性。这样对于突发的新型传染病，例如传染性病毒引起的肺炎，就能够解决短时间内无法提供大量的训练数据的技术问题，达到了降低了预设神经网络模型对训练数据的数据量需求的技术效果。
在一种可能的设计中，本步骤的具体实施步骤，包括：
(1)将注意力图与第一输入特征图进行特征拼接，得到特征维度指引器的第二输入特征图。
具体可以用公式(4)来表示：
Featurei-1,j＝[Featurei,j,Mi,j+1] (4)
其中，Featurei-1,j表示第二输入特征图，[*]表示特征拼接。需要说明的是，本领域技术人员可以从现有的特征拼接的方式中任选一样进行特征拼接，本申请不作限定。
(2)利用特征维度指引器中的池化模块，对第二输入特征图进行全局均值池化处理，得到第一处理结果。
具体可以用公式(5)来表示：
其中，FP表示第一处理结果，表示第二输入特征图，HU和WU是第二输入特征图对应的特征空间中的两个特征维度值。
(3)利用第一全连接层和第二全连接层对第一处理结果进行处理，得到注意力向量。
具体可以用公式(6)来表示：
其中，MV表示注意力向量，Q1表示第一全连接层，ω1为第一全连接层的参数，Q2表示第二全连接层，ω2为第二全连接层的参数。
(4)利用卷积层对第二输入特征图进行特征提取，并利用注意力向量调整提取结果的图像通道参数，得到高级特征图。
具体可以用公式(7)来表示：
其中，Featurei,j+1表示高级特征图，表示由两个预设卷积层进行特征提取。
S1042、将各个高级特征图，根据处理顺序排列成高级特征图序列。
S1043、将高级特征序列图作为新的当前特征序列。
需要说明的是，在本实施例中，经过第二循环处理后，新的当前特征序列中的特征图的数量会减少，因此，在当前特征序列中的特征图的数量小于或等于预设结束阈值时，例如小于2或等于1时，就完成了所有高级特征图的生成，即可结束第一循环处理。
S105、利用预设神经网络模型中的解码器，根据初级特征图序列和所有高级特征图序列，确定并输出目标医学影像数据。
在本步骤中，解码器通过使用上采样模块将所有高级特征图和低级特征图都转换为最高的特征提取层对应的特征图的尺寸，其中上采样模块使用双线性插值函数来进行上采样。然后，解码器通过全连接层将所有特征图的特征新型进行融合，得到对病灶区域的分割信息，从而实现对医学影像数据的病灶区域的识别和分割。最后，对不同的区域即病灶区域和正常区域进行渲染，形成最终的目标医学影像数据，输出到显示器中进行显示。
这样就可以极大地减少人工进行识别和分割，提高了工作效率，也减轻了医生的工作量。特别是在突发传染性疾病爆发的时候，人力资源紧张，更能够凸显本申请的方案的优势。
本实施例提供了一种基于图像处理的医学影像数据处理方法，通过获取医学影像数据；利用预设神经网络模型中的编码器，在多个特征提取层对医学影像数据进行特征提取，得到初级特征图序列；将初级特征图序列作为当前特征序列，并对当前特征序列执行第一循环处理直至满足第一结束条件，得到一个或多个高级特征图序列，第一循环处理用于：采用注意机制，在图像像素级别和图像通道级别，对初级特征图进行调整和/或组合；利用预设神经网络模型中的解码器，根据初级特征图序列和所有高级特征图序列，确定并输出目标医学影像数据。解决了现有技术中存在对于医学影像中的病变部位的识别和分割，仍需要人工进行医学影像识别的技术问题。
图4为本申请实施例提供的一种基于图像处理的医学影像数据处理平台的结构示意图。该基于图像处理的医学影像数据处理系统400可以通过软件、硬件或者两者的结合实现。
如图4所示，该基于图像处理的医学影像数据处理平台400包括：
医学影像系统401，用于获取医学影像数据，并将医学影像数据发送给神经网络系统；
神经网络系统402，用于：
利用预设神经网络模型中的编码器，在多个特征提取层对医学影像数据进行特征提取，得到多个初级特征图，并将各个初级特征图按特征提取的顺序排列成初级特征图序列，每个特征提取层与至少一个初级特征图相对应，不同的特征提取层对应的初级特征图的尺寸不相同；
将初级特征图序列作为当前特征序列，并对当前特征序列执行第一循环处理直至满足第一结束条件，得到一个或多个高级特征图序列，第一循环处理用于：采用注意机制，在图像像素级别和图像通道级别，对初级特征图进行调整和/或组合；
利用预设神经网络模型中的解码器，根据初级特征图序列和所有高级特征图序列，确定目标医学影像数据，并向医学影像系统401输出目标医学影像数据。
在一种可能的设计中，神经网络系统402，用于执行第一循环处理包括：
对当前特征序列执行第二循环处理直至满足第二结束条件，得到一个或多个高级特征图；
将各个高级特征图，根据处理顺序排列成高级特征图序列；
将高级特征序列图作为新的当前特征序列；
第一结束条件包括：任意一个高级特征图序列中高级特征图的数量小于或等于预设结束阈值。
在一种可能的设计中，神经网络系统402，用于执行第二循环处理，包括：
每次从当前特征序列中任意提取出多个相邻的第一特征图；
利用预设神经网络模型中的空间像素指引器，根据多个相邻的第一特征图，生成注意力图，注意力图用于突出或放大多个相邻的第一特征图中的一个或多个特征区域的重要性或关注度；
利用预设神经网络模型中的特征维度指引器，根据注意力图和第一输入特征图，得到高级特征图，第一输入特征图与注意力图的尺寸相同，第一输入特征图在本次提取的多个相邻的第一特征图中；
第二结束条件包括：完成对当前特征序列的遍历。
在一种可能的设计中，神经网络系统402，用于：
利用空间像素指引器中的上采样模块，将多个相邻的第一特征图的尺寸都调整为目标尺寸，目标尺寸为第一输入特征图的尺寸；
利用空间像素指引器中的特征整合模块，将调整尺寸后的多个相邻的第一特征图整合成注意力图。
在一种可能的设计中，多个相邻的第一特征图包括两个相邻的第一特征图，其中，第一输入特征图是上一个特征提取层所提取的上层特征图，另一个第一特征图是下一个特征提取层所提取的下层特征图，上层特征图的尺寸大于下层特征图的尺寸；
对应的，神经网络系统402，用于：
上采样模块通过双线性插值函数将下层特征图的尺寸调整为目标尺寸，包括：
FBilinear(Featurei+1，j)
其中，FBilinear表示双线性插值函数，Featurei+1，j表示下层特征图。
在一种可能的设计中，特征整合模块包括：线性调整模块和激活模块，对应的，神经网络系统402，用于：
利用线性整合模块分别对上层特征图和调整尺寸后的下层特征图做线性调整，包括：
其中，表示由1×1的卷积层、批归一化层和线性整流单元(Rectified LinearUnit，ReLU)组成的线性整合模块，FBilinear(Featurei+1，j)表示调整尺寸后的下层特征图，Featurei，j表示上层特征图；
利用激活模块将线性调制后的上层特征和下层特征图整合成注意力图，包括：
其中，Mi，j+1表示注意力图，表示由1×1的卷积层、批归一化层和预设激活函数组成的激活模块。
在一种可能的设计中，神经网络系统402，用于：
将注意力图与第一输入特征图进行特征拼接，得到特征维度指引器的第二输入特征图；
利用特征维度指引器中的池化模块，对第二输入特征图进行全局均值池化处理，得到第一处理结果，包括：
/>
其中，FP表示第一处理结果，表示第二输入特征图，HU和WU是第二输入特征图对应的特征空间中的两个特征维度值；
利用第一全连接层和第二全连接层对第一处理结果进行处理，得到注意力向量；
利用卷积层对第二输入特征图进行特征提取，并利用注意力向量调整提取结果的图像通道参数，得到高级特征图。
在一种可能的设计中，利用第一全连接层和第二全连接层对第一处理结果进行处理，得到注意力向量，包括：
其中，Mv表示注意力向量，Q1表示第一全连接层，ω1为第一全连接层的参数，Q2表示第二全连接层，ω2为第二全连接层的参数。
在一种可能的设计中，利用卷积层对第二输入特征图进行特征提取，并利用注意力向量调整提取结果的图像通道参数，得到高级特征图，包括：
其中，Featurei，j+1表示高级特征图，表示由两个预设卷积层进行特征提取。
值得说明的是，图4所示实施例提供的系统，可以执行上述任一方法实施例中所提供的方法，其具体实现原理、技术特征、专业名词解释以及技术效果类似，在此不再赘述。
图5为本申请实施例提供的一种电子设备的结构示意图。如图5所示，该电子设备500，可以包括：至少一个处理器501和存储器502。图5示出的是以一个处理器为例的装置。
存储器502，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。
存储器502可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
处理器501用于执行存储器502存储的计算机执行指令，以实现以上各方法实施例所述的方法。
其中，处理器501可能是一个中央处理器(central processing unit，简称为CPU)，或者是特定集成电路(application specific integrated circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
可选地，存储器502既可以是独立的，也可以跟处理器501集成在一起。当所述存储器502是独立于处理器501之外的器件时，所述电子设备500，还可以包括：
总线503，用于连接所述处理器501以及所述存储器502。总线可以是工业标准体系结构(industry standard architecture，简称为ISA)总线、外部设备互连(peripheralcomponent，PCI)总线或扩展工业标准体系结构(extended industry standardarchitecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器502和处理器501集成在一块芯片上实现，则存储器502和处理器501可以通过内部接口完成通信。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random accessmemory，RAM)、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有程序指令，程序指令用于上述各方法实施例中的方法。
本申请实施例还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由本申请的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种基于图像处理的医学影像数据处理方法，其特征在于，包括：
获取医学影像数据；
利用预设神经网络模型中的编码器，在多个特征提取层对所述医学影像数据进行特征提取，得到多个初级特征图，并将各个所述初级特征图按特征提取的顺序排列成初级特征图序列，每个所述特征提取层与至少一个所述初级特征图相对应，不同的所述特征提取层对应的所述初级特征图的尺寸不相同；
将所述初级特征图序列作为当前特征序列，并对所述当前特征序列执行第一循环处理直至满足第一结束条件，得到一个或多个高级特征图序列，所述第一循环处理用于：采用注意机制，在图像像素级别和图像通道级别，对所述初级特征图进行调整和/或组合；
利用所述预设神经网络模型中的解码器，根据所述初级特征图序列和所有所述高级特征图序列，确定并输出目标医学影像数据。
2.根据权利要求1所述的基于图像处理的医学影像数据处理方法，其特征在于，所述第一循环处理包括：
对所述当前特征序列执行第二循环处理直至满足第二结束条件，得到一个或多个所述高级特征图；
将各个所述高级特征图，根据处理顺序排列成所述高级特征图序列；
将所述高级特征序列图作为新的所述当前特征序列；
所述第一结束条件包括：任意一个所述高级特征图序列中高级特征图的数量小于或等于预设结束阈值。
3.根据权利要求2所述的基于图像处理的医学影像数据处理方法，其特征在于，所述第二循环处理，包括：
每次从所述当前特征序列中任意提取出多个相邻的第一特征图；
利用所述预设神经网络模型中的空间像素指引器，根据所述多个相邻的第一特征图，生成注意力图，所述注意力图用于突出或放大所述多个相邻的第一特征图中的一个或多个特征区域的重要性或关注度；
利用所述预设神经网络模型中的特征维度指引器，根据所述注意力图和第一输入特征图，得到所述高级特征图，所述第一输入特征图与所述注意力图的尺寸相同，所述第一输入特征图在本次提取的所述多个相邻的第一特征图中；
所述第二结束条件包括：完成对所述当前特征序列的遍历。
4.根据权利要求3所述的基于图像处理的医学影像数据处理方法，其特征在于，所述利用所述预设神经网络模型中的空间像素指引器，根据所述多个相邻的第一特征图，生成注意力图，包括：
利用所述空间像素指引器中的上采样模块，将所述多个相邻的第一特征图的尺寸都调整为目标尺寸，所述目标尺寸为所述第一输入特征图的尺寸；
利用所述空间像素指引器中的特征整合模块，将调整尺寸后的所述多个相邻的第一特征图整合成所述注意力图。
5.根据权利要求4所述的基于图像处理的医学影像数据处理方法，其特征在于，所述多个相邻的第一特征图包括两个相邻的所述第一特征图，其中，所述第一输入特征图是上一个所述特征提取层所提取的上层特征图，另一个所述第一特征图是下一个所述特征提取层所提取的下层特征图，所述上层特征图的尺寸大于所述下层特征图的尺寸；
所述利用所述空间像素指引器中的上采样模块，将所述多个相邻的第一特征图的尺寸都调整为目标尺寸，包括：
所述上采样模块通过双线性插值函数将所述下层特征图的尺寸调整为所述目标尺寸，包括：
FBilinear(Featurei+1，j)
其中，FBilinear表示所述双线性插值函数，Featurei+1，j表示所述下层特征图。
6.根据权利要求4所述的基于图像处理的医学影像数据处理方法，其特征在于，所述特征整合模块包括：线性调整模块和激活模块，所述利用所述空间像素指引器中的特征整合模块，将调整尺寸后的所述多个相邻的第一特征图整合成所述注意力图，包括：
利用所述线性整合模块分别对所述上层特征图和调整尺寸后的所述下层特征图做线性调整，包括：
其中，表示由1×1的卷积层、批归一化层和线性整流单元(Rectified LinearUnit，ReLU)组成的所述线性整合模块，FBilinear(Featurei+1，j)表示调整尺寸后的所述下层特征图，Featurei，j表示所述上层特征图；
利用所述激活模块将线性调制后的所述上层特征和所述下层特征图整合成所述注意力图，包括：
其中，Mi，j+1表示所述注意力图，表示由1×1的卷积层、批归一化层和预设激活函数组成的所述激活模块。
7.根据权利要求3所述的基于图像处理的医学影像数据处理方法，其特征在于，所述利用所述预设神经网络模型中的特征维度指引器，根据所述注意力图和第一输入特征图，得到所述高级特征图，包括：
将所述注意力图与所述第一输入特征图进行特征拼接，得到所述特征维度指引器的第二输入特征图；
利用所述特征维度指引器中的池化模块，对所述第二输入特征图进行全局均值池化处理，得到第一处理结果，包括：
其中，FP表示所述第一处理结果，表示所述第二输入特征图，HU和WU是所述第二输入特征图对应的特征空间中的两个特征维度值；
利用第一全连接层和第二全连接层对所述第一处理结果进行处理，得到注意力向量；
利用卷积层对所述第二输入特征图进行特征提取，并利用所述注意力向量调整提取结果的图像通道参数，得到所述高级特征图。
8.根据权利要求7所述的基于图像处理的医学影像数据处理方法，其特征在于，所述利用第一全连接层和第二全连接层对所述第一处理结果进行处理，得到注意力向量，包括：
其中，MV表示所述注意力向量，Q1表示所述第一全连接层，ω1为所述第一全连接层的参数，Q2表示所述第二全连接层，ω2为所述第二全连接层的参数。
9.根据权利要求7所述的基于图像处理的医学影像数据处理方法，其特征在于，所述利用卷积层对所述第二输入特征图进行特征提取，并利用所述注意力向量调整提取结果的图像通道参数，得到所述高级特征图，包括：
其中，Featurei，j+1表示所述高级特征图，所述表示由两个预设卷积层进行特征提取。
10.一种基于图像处理的医学影像数据处理平台，其特征在于，包括：
医学影像系统，用于获取医学影像数据，并将所述医学影像数据发送给神经网络系统；
所述神经网络系统，用于：
利用预设神经网络模型中的编码器，在多个特征提取层对所述医学影像数据进行特征提取，得到多个初级特征图，并将各个所述初级特征图按特征提取的顺序排列成初级特征图序列，每个所述特征提取层与至少一个所述初级特征图相对应，不同的所述特征提取层对应的所述初级特征图的尺寸不相同；
将所述初级特征图序列作为当前特征序列，并对所述当前特征序列执行第一循环处理直至满足第一结束条件，得到一个或多个高级特征图序列，所述第一循环处理用于：采用注意机制，在图像像素级别和图像通道级别，对所述初级特征图进行调整和/或组合；
利用所述预设神经网络模型中的解码器，根据所述初级特征图序列和所有所述高级特征图序列，确定目标医学影像数据，并向所述医学影像系统输出所述目标医学影像数据。
CN202311356919.XA 2023-10-19 2023-10-19 基于图像处理的医学影像数据处理方法及处理平台 Active CN117437463B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311356919.XA CN117437463B (zh) 2023-10-19 2023-10-19 基于图像处理的医学影像数据处理方法及处理平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311356919.XA CN117437463B (zh) 2023-10-19 2023-10-19 基于图像处理的医学影像数据处理方法及处理平台

Publications (2)

Publication Number Publication Date
CN117437463A true CN117437463A (zh) 2024-01-23
CN117437463B CN117437463B (zh) 2024-05-24

Family

ID=89557611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311356919.XA Active CN117437463B (zh) 2023-10-19 2023-10-19 基于图像处理的医学影像数据处理方法及处理平台

Country Status (1)

Country Link
CN (1) CN117437463B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310764A (zh) * 2020-01-20 2020-06-19 上海商汤智能科技有限公司 网络训练、图像处理方法及装置、电子设备和存储介质
CN113095473A (zh) * 2020-01-09 2021-07-09 富士通株式会社 神经网络架构搜索系统和方法及计算机可读记录介质
CN113705796A (zh) * 2021-09-28 2021-11-26 太原科技大学 基于epi特征强化的光场深度获取卷积神经网络
CN114119638A (zh) * 2021-12-02 2022-03-01 上海理工大学 一种融合多尺度特征和注意力机制的医学图像分割方法
CN114359283A (zh) * 2022-03-18 2022-04-15 华东交通大学 基于Transformer的缺陷检测方法和电子设备
KR20220050758A (ko) * 2020-10-16 2022-04-25 현대자동차주식회사 다차원 어텐션 메커니즘에 기반한 다방향 장면 텍스트 인식 방법 및 시스템
CN114596317A (zh) * 2022-03-15 2022-06-07 东北大学 一种基于深度学习的ct影像全心脏分割方法
CN114693706A (zh) * 2022-06-01 2022-07-01 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种内窥镜息肉图像分割方法、装置及存储介质
CN115019132A (zh) * 2022-06-14 2022-09-06 哈尔滨工程大学 一种用于复杂背景船舶的多目标识别方法
WO2022269415A1 (en) * 2021-06-21 2022-12-29 Nokia Technologies Oy Method, apparatus and computer program product for providng an attention block for neural network-based image and video compression
CN115760656A (zh) * 2022-11-11 2023-03-07 潍坊医学院 一种医学影像处理方法及系统
CN116883660A (zh) * 2023-07-12 2023-10-13 太原理工大学 基于类不平衡与多级降采样特征融合的蜂窝肺分割方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095473A (zh) * 2020-01-09 2021-07-09 富士通株式会社 神经网络架构搜索系统和方法及计算机可读记录介质
WO2021147257A1 (zh) * 2020-01-20 2021-07-29 上海商汤智能科技有限公司 网络训练、图像处理方法及装置、电子设备和存储介质
CN111310764A (zh) * 2020-01-20 2020-06-19 上海商汤智能科技有限公司 网络训练、图像处理方法及装置、电子设备和存储介质
KR20220050758A (ko) * 2020-10-16 2022-04-25 현대자동차주식회사 다차원 어텐션 메커니즘에 기반한 다방향 장면 텍스트 인식 방법 및 시스템
WO2022269415A1 (en) * 2021-06-21 2022-12-29 Nokia Technologies Oy Method, apparatus and computer program product for providng an attention block for neural network-based image and video compression
CN113705796A (zh) * 2021-09-28 2021-11-26 太原科技大学 基于epi特征强化的光场深度获取卷积神经网络
CN114119638A (zh) * 2021-12-02 2022-03-01 上海理工大学 一种融合多尺度特征和注意力机制的医学图像分割方法
CN114596317A (zh) * 2022-03-15 2022-06-07 东北大学 一种基于深度学习的ct影像全心脏分割方法
CN114359283A (zh) * 2022-03-18 2022-04-15 华东交通大学 基于Transformer的缺陷检测方法和电子设备
CN114693706A (zh) * 2022-06-01 2022-07-01 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种内窥镜息肉图像分割方法、装置及存储介质
CN115019132A (zh) * 2022-06-14 2022-09-06 哈尔滨工程大学 一种用于复杂背景船舶的多目标识别方法
CN115760656A (zh) * 2022-11-11 2023-03-07 潍坊医学院 一种医学影像处理方法及系统
CN116883660A (zh) * 2023-07-12 2023-10-13 太原理工大学 基于类不平衡与多级降采样特征融合的蜂窝肺分割方法

Also Published As

Publication number Publication date
CN117437463B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
Isaac et al. Super resolution techniques for medical image processing
Tang et al. CT image enhancement using stacked generative adversarial networks and transfer learning for lesion segmentation improvement
EP3818500A1 (en) Automated determination of a canonical pose of a 3d objects and superimposition of 3d objects using deep learning
US10803354B2 (en) Cross-modality image synthesis
CN110176002B (zh) 一种x射线图像的病灶检测方法及终端设备
CN110211205B (zh) 图像处理方法、装置、设备和存储介质
Moran et al. Using super-resolution generative adversarial network models and transfer learning to obtain high resolution digital periapical radiographs
CN111932550A (zh) 一种基于深度学习的3d心室核磁共振视频分割系统
JPH0554116A (ja) 関心領域設定方法及び画像処理装置
KR20190136577A (ko) 심층 신경망을 이용하여 영상을 분류하는 방법 및 이를 이용한 장치
WO2024066049A1 (zh) 一种pet图像去噪的方法、终端设备及可读存储介质
Khan et al. PMED-net: Pyramid based multi-scale encoder-decoder network for medical image segmentation
Kanchanamala et al. Optimization-enabled hybrid deep learning for brain tumor detection and classification from MRI
CN117710760B (zh) 残差的注意神经网络用于胸部x线病灶检测的方法
CN111723836A (zh) 图像相似度的计算方法及装置、电子设备、存储介质
CN114066798B (zh) 一种基于深度学习的脑肿瘤核磁共振影像数据合成方法
US20210074034A1 (en) Methods and apparatus for neural network based image reconstruction
KR101758805B1 (ko) 의료 영상 정합 장치 및 방법
CN117437463B (zh) 基于图像处理的医学影像数据处理方法及处理平台
CN110503114B (zh) 图像特征提取方法、装置、肿瘤识别系统及存储介质
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
CN110490857B (zh) 图像处理方法、装置、电子设备和存储介质
CN115841591A (zh) 一种跨模态医学图像合成系统、方法及计算机设备
WO2021039454A1 (ja) 画像処理装置、放射線撮影システム、画像処理方法及びプログラム
CN114862670A (zh) 大鼠踝骨骨折Micro-CT图像的超分辨率重建装置

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
GR01 Patent grant