CN117635578A - 图像处理方法、装置、电子设备及存储介质 - Google Patents
图像处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117635578A CN117635578A CN202311648895.5A CN202311648895A CN117635578A CN 117635578 A CN117635578 A CN 117635578A CN 202311648895 A CN202311648895 A CN 202311648895A CN 117635578 A CN117635578 A CN 117635578A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- area
- histology
- focus
- 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 16
- 238000012216 screening Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 230000002093 peripheral effect Effects 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000002591 computed tomography Methods 0.000 claims abstract description 8
- 230000003902 lesion Effects 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 42
- 238000007781 pre-processing Methods 0.000 claims description 11
- 206010028980 Neoplasm Diseases 0.000 description 11
- 201000011510 cancer Diseases 0.000 description 11
- 230000001575 pathological effect Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 7
- 208000006336 acinar cell carcinoma Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 208000004019 papillary adenocarcinoma Diseases 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010562 histological examination Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 208000010507 Adenocarcinoma of Lung Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 201000005249 lung adenocarcinoma Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请提供了一种图像处理方法、装置、电子设备及存储介质,方法包括:获取目标图像,目标图像为针对患病对象的电子计算机断层扫描CT图像;将目标图像输入至预先训练好的检测模型,得到检测模型输出的目标区域,目标区域表征患病对象的病灶区域;基于目标区域以及预设的第一筛选条件,确定第一目标区域,第一目标区域表征病灶区域内的实性区域;基于目标区域以及预设的第二筛选条件,确定第二目标区域,第二目标区域表征病灶区域的周边区域;基于目标区域的影像组学特征、第一目标区域的影像组学特征和第二目标区域的影像组学特征中的至少两个影像组学特征,确定患病对象的病灶类型。为准确、可靠的确定患病对象的病灶类型提供了技术支持。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种图像处理方法、装置、电子设备及存储介质。
背景技术
癌症作为最常见的病症之一,对癌症的病理亚型(病灶类型)进行确定具有很重要的临床价值,对于患者的后期诊断至关重要。相关技术中,主要通过人工进行组织学检查和病理特征评估的方法对癌症的病理亚型进行确定,但是这种方案不仅会对患者本身产生一定的侵入性,而且对于病理亚型的确定存在主观性和不一致性。如何实现对癌症病理亚型的准确确定成为亟待解决的技术问题。
发明内容
本申请提供了一种图像处理方法、装置、电子设备及存储介质,以至少解决现有技术中存在的以上技术问题。
根据本申请的第一方面,提供了一种图像处理方法,所述方法包括:
获取目标图像,所述目标图像为针对患病对象的电子计算机断层扫描CT图像;
将目标图像输入至预先训练好的检测模型,得到所述检测模型输出的目标区域,所述目标区域表征患病对象的病灶区域;
基于所述目标区域以及预设的第一筛选条件,确定第一目标区域,所述第一目标区域表征病灶区域内的实性区域;
基于所述目标区域以及预设的第二筛选条件,确定第二目标区域,所述第二目标区域表征病灶区域的周边区域;
基于目标区域的影像组学特征、第一目标区域的影像组学特征和第二目标区域的影像组学特征中的至少两个影像组学特征,确定患病对象的病灶类型。
上述方案中,所述基于目标区域的影像组学特征、第一目标区域的影像组学特征和第二目标区域的影像组学特征中的至少两个影像组学特征,确定患病对象的病灶类型,包括:
将目标区域的影像组学特征、第一目标区域的影像组学特征以及第二目标区域的影像组学特征输入至病灶类型预测模型,得到病灶类型预测模型的输出结果,所述输出结果用于表征患病对象的病灶类型;其中,所述病灶类型预测模型是由带不同病灶类型标签的目标样本图像对待训练模型进行训练而得到。
上述方案中,所述方法还包括:
基于所述患病对象的所述目标图像,得到所述患病对象的临床特征数据;
所述基于目标区域的影像组学特征、第一目标区域的影像组学特征和第二目标区域的影像组学特征中的至少两个影像组学特征,确定患病对象的病灶类型,包括:
将目标区域的影像组学特征、第一目标区域的影像组学特征、第二目标区域的影像组学特征以及临床特征数据输入至病灶类型预测模型,得到病灶类型预测模型的输出结果,所述输出结果用于表征患病对象的病灶类型;其中,所述病灶类型预测模型是由带不同病灶类型标签的目标样本图像对待训练模型进行训练而得到。
上述方案中,所述病灶类型预测模型是由带不同病灶类型标签的目标样本图像对待训练模型进行训练而得到,包括:
将带不同病灶类型标签的目标样本图像输入至预先训练好的检测模型,得到所述检测模型输出的目标样本区域;所述目标样本区域表征在目标样本图像中患病对象的病灶区域;
基于所述目标样本区域以及预设的第一筛选条件,确定第一目标样本区域;所述第一目标样本区域表征病灶区域内的实性区域;
基于所述目标样本区域以及预设的第二筛选条件,确定第二目标样本区域;所述第二目标样本区域表征病灶区域的周边区域;
基于目标样本区域的影像组学特征、第一目标样本区域的影像组学特征和第二目标样本区域的影像组学特征中的至少两个影像组学特征,对待训练模型进行训练以得到病灶类型预测模型。
上述方案中,所述基于目标样本区域的影像组学特征、第一目标样本区域的影像组学特征和第二目标样本区域的影像组学特征中的至少两个影像组学特征,对待训练模型进行训练以得到病灶类型预测模型,包括:
将目标样本区域的影像组学特征、第一目标样本区域的影像组学特征、第二目标样本区域的影像组学特征以及目标样本图像的病灶类型标签输入至待训练模型,对待训练模型进行训练以得到病灶类型预测模型。
上述方案中,所述方法还包括:
基于患病对象的目标样本图像,得到患病对象的临床特征样本数据;
所述基于目标样本区域的影像组学特征、第一目标样本区域的影像组学特征和第二目标样本区域的影像组学特征中的至少两个影像组学特征,对待训练模型进行训练以得到病灶类型预测模型,包括:
将目标样本区域的影像组学特征、第一目标样本区域的影像组学特征、第二目标样本区域的影像组学特征、临床特征样本数据以及目标样本图像的病灶类型标签输入至待训练模型,对待训练模型进行训练以得到病灶类型预测模型。
上述方案中,所述获取目标图像包括:
获取针对所述患病对象的原始CT图像;
对所述原始CT图像进行预处理,得到所述患病对象的目标图像。
根据本申请的第二方面,提供了一种图像处理装置,所述装置包括:
第一获取单元,用于获取目标图像,所述目标图像为针对患病对象的电子计算机断层扫描CT图像;
第二获取单元,用于将目标图像输入至预先训练好的检测模型,得到所述检测模型输出的目标区域,所述目标区域表征患病对象的病灶区域;
第一确定单元,用于基于所述目标区域以及预设的第一筛选条件,确定第一目标区域,所述第一目标区域表征病灶区域内的实性区域;
第二确定单元,用于基于所述目标区域以及预设的第二筛选条件,确定第二目标区域,所述第二目标区域表征病灶区域的周边区域;
第三确定单元,用于基于目标区域的影像组学特征、第一目标区域的影像组学特征和第二目标区域的影像组学特征中的至少两个影像组学特征,确定患病对象的病灶类型。
根据本申请的第三方面,提供了一种电子设备,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所述的方法。
根据本申请的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行本申请所述的方法。
本申请中,通过将目标图像输入至预先训练好的检测模型,得到检测模型输出的目标区域,所述目标区域表征患病对象的病灶区域;基于所述目标区域以及预设的第一筛选条件,确定第一目标区域,所述第一目标区域表征病灶区域内的实性区域;基于所述目标区域以及预设的第二筛选条件,确定第二目标区域,所述第二目标区域表征病灶区域的周边区域;基于目标区域的影像组学特征、第一目标区域的影像组学特征和第二目标区域的影像组学特征中的至少两个影像组学特征,确定患病对象的病灶类型。
相比于相关技术而言,本申请方案不需要人工进行病理特征评估,也不需要对患者进行组织学检查。本申请通过检测模型得到患病对象的病灶区域,基于病灶区域和预设的第一筛选条件得到病灶区域的实性区域。以及基于病灶区域和预设的第二筛选条件得到病灶区域的周边区域,根据病灶区域的影像组学特征、实性区域的影像组学特征和周边区域的影像组学特征中的至少两个影像组学特征,确定患病对象的病灶类型。能够实现对病灶类型的准确确定。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1示出了本申请实施例图像处理方法的实现流程示意图;
图2示出了本申请实施例图像处理方法的应用框图;
图3示出了本申请实施例病灶类型预测模型的训练流程示意图;
图4示出了本申请实施例图像处理装置的组成结构示意图;
图5示出了本申请实施例一种电子设备的组成结构示意图。
具体实施方式
为使本申请的目的、特征、优点能够更加的明显和易懂,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,而非全部实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供了一种图像处理方法,通过将目标图像输入至预先训练好的检测模型,得到检测模型输出的目标区域,所述目标区域表征患病对象的病灶区域;基于所述目标区域以及预设的第一筛选条件,确定第一目标区域,所述第一目标区域表征病灶区域内的实性区域;基于所述目标区域以及预设的第二筛选条件,确定第二目标区域,所述第二目标区域表征病灶区域的周边区域;基于目标区域的影像组学特征、第一目标区域的影像组学特征和第二目标区域的影像组学特征中的至少两个影像组学特征,确定患病对象的病灶类型。
可以理解,患病对象的病灶类型不同,后期医生对患者采取的治疗方案也会不同。如果能够准确的确定出患病对象的病灶类型,势必能够辅助医生为患者制定准确的治疗方案。相关技术中,通常通过切取患者患病部位的一小部分进行组织切片和显微镜观察,从而确定患者的病灶类型。这种方案是一种通过人工进行组织学检查的方案。该方案对于患者而言具有一定的侵入性,且通过人工进行观察的准确率较低。或者,通过人工对患者进行病理学特征的评估,从而确定患者的病灶类型。该方案存在一定的主观性和不一致性。不同的医生给出的评估结论可以存在差异,准确率也较低。相比于相关技术而言,本申请方案不需要人工进行病理特征评估,也不需要对患者进行组织学检查。本申请通过检测模型得到患病对象的病灶区域,基于病灶区域和预设的第一筛选条件得到病灶区域的实性区域。以及基于病灶区域和预设的第二筛选条件得到病灶区域的周边区域,根据病灶区域的影像组学特征、实性区域的影像组学特征和周边区域的影像组学特征中的至少两个影像组学特征,确定患病对象的病灶类型。能够实现对病灶类型的准确确定。
下面对本申请实施例的图像处理方法做详细说明。
如图1所示,所述方法包括:
S101:获取目标图像,所述目标图像为针对患病对象的电子计算机断层扫描(CT,Computed Tomography)图像。
本步骤中,目标图像为针对患病对象的CT图像。本申请中,患病对象可以是癌症患者的某一患病器官,如肺、肾等等。如此,目标图像是针对患者的患病部位的CT图像。通过拍摄针对患病对象的CT图像进而获取患病对象的目标图像。
S102:将目标图像输入至预先训练好的检测模型,得到所述检测模型输出的目标区域,所述目标区域表征患病对象的病灶区域。
本步骤中,检测模型为预先训练好的模型,用于定位和提取目标图像中的病灶区域。检测模型由样本CT图像及样本CT图像中结节(病灶)的标注位置对待训练模型进行深度学习训练得到。样本CT图像是针对一个或多个患病对象的CT图像,并对各样本CT图像中的病灶位置进行标注,得到样本CT图像中病灶的标注位置。
具体的,将样本CT图像作为训练集输入至待训练模型中进行训练,待训练模型输出样本CT图像中的结节区域。将输出的结节区域与作为测试集的样本CT图像中结节的标注位置进行比对,不断对待训练模型进行训练优化,直到待训练模型的输出无限接近测试集中结节的标注位置,以得到训练好的检测模型。
结合图2所示,将步骤S101中获取到的目标图像输入至训练好的检测模型,得到表征患病对象病灶区域的目标区域。
S103:基于所述目标区域以及预设的第一筛选条件,确定第一目标区域,所述第一目标区域表征病灶区域内的实性区域。
本步骤中,病灶区域内的实性区域表示病灶区域内像素密度较高、CT值较大的区域,实性区域为病灶区域中最重要的区域,最能体现病灶的主要特征。预设的第一筛选条件为针对病灶区域内像素点CT值的筛选条件。如预设的第一筛选条件为:病灶区域内CT值大于-300hu(亨氏单位)的像素点。基于目标区域以及预设的第一筛选条件,确定出第一目标区域。示例性地,将目标区域内CT值大于-300hu的像素点构成的区域确定为第一目标区域。
S104:基于所述目标区域以及预设的第二筛选条件,确定第二目标区域,所述第二目标区域表征病灶区域的周边区域。
本步骤中,病灶区域的周边区域表示病灶区域的邻近周围区域。预设的第二筛选条件为针对病灶区域扩展范围的筛选条件。如预设的第二筛选条件为:病灶区域向外扩展2mm(毫米)。基于目标区域以及预设的第二筛选条件,确定出第二目标区域。示例性地,将目标区域向外扩展2mm的区域确定为第二目标区域。之所以将目标区域向外扩展得到第二目标区域(病灶区域的周边区域),是因为对于病灶类型的确定而言,病灶区域的周边区域的特征也存在一定的参考价值,有利于准确的确定出病灶的类型。
S105:基于目标区域的影像组学特征、第一目标区域的影像组学特征和第二目标区域的影像组学特征中的至少两个影像组学特征,确定患病对象的病灶类型。
本步骤中,影像组学特征包括形态学特征(如图像中区域的病灶的大小、形状)、纹理特征(如图像中区域的灰度共生矩阵、灰度直方图)、密度特征(如图像中区域的密度均值、密度方差)等。不同区域的影像组学特征不同,基于目标区域的影像组学特征、第一目标区域的影像组学特征和第二目标区域的影像组学特征中的至少两个影像组学特征,确定患病对象的病灶类型。具体过程请参见下文相关之处的详细说明,不赘述。
在S101~S105所示的方案中,通过检测模型得到患病对象的病灶区域,基于病灶区域和预设的第一筛选条件得到病灶区域的实性区域。以及基于病灶区域和预设的第二筛选条件得到病灶区域的周边区域。根据病灶区域的影像组学特征、实性区域的影像组学特征和周边区域的影像组学特征中的至少两个影像组学特征,确定患病对象的病灶类型。相比于相关技术而言,本申请方案不需要人工进行病理特征评估,也不需要对患者进行组织学检查。基于患病对象三个区域(病灶区域、实性区域、周边区域)中至少两个区域的影像组学特征,能够实现对病灶类型的准确确定。
在一个可选的方案中,所述基于目标区域的影像组学特征、第一目标区域的影像组学特征和第二目标区域的影像组学特征中的至少两个影像组学特征,确定患病对象的病灶类型,包括:
将目标区域的影像组学特征、第一目标区域的影像组学特征以及第二目标区域的影像组学特征输入至病灶类型预测模型,得到病灶类型预测模型的输出结果,所述输出结果用于表征患病对象的病灶类型;其中,所述病灶类型预测模型是由带不同病灶类型标签的目标样本图像对待训练模型进行训练而得到。
本申请中,将目标区域的影像组学特征、第一目标区域的影像组学特征以及第二目标区域的影像组学特征输入至病灶类型预测模型,得到患病对象的病灶类型。在实际应用中,病灶类型表示患者的癌症亚型。以癌症为肺腺癌为例,癌症亚型可以包括乳头状腺癌、腺泡腺癌等等。每一种亚型对应的病灶区域(目标区域)影像组学特征、实性区域(第一目标区域)影像组学特征以及周边区域(第二目标区域)影像组学特征都有所差异。示例性地,假设乳头状腺癌亚型对应的目标区域影像组学特征为A1,第一目标区域影像组学特征为B1,第二目标区域影像组学特征为C1。腺泡腺癌亚型对应的目标区域影像组学特征为A2,第一目标区域影像组学特征为B2,第二目标区域影像组学特征为C2。每种亚型对应的三个区域的影像组学特征都各有特点,并且前述三个区域为与病灶类型确定相关度最高的区域,将上述三个区域的影像组学特征输入至由带不同病灶类型标签的目标样本图像对待训练模型进行训练得到的病灶类型预测模型中,能够准确的确定患病对象的病灶类型。如输入前述的一组影像组学特征A1、B1、C1,得到输出的患病对象的病灶类型为乳头状腺癌亚型。输入前述的一组影像组学特征A2、B2、C2,得到输出的患病对象的病灶类型为腺泡腺癌亚型。病灶类型预测模型的具体训练过程,请参见下述相关之处的详细说明,不赘述。
本申请中,将目标区域的影像组学特征、第一目标区域的影像组学特征以及第二目标区域的影像组学特征输入至病灶类型预测模型,能够综合的基于病灶相关的三个区域的影像组学特征得到患病对象的病灶类型,能够提高病灶类型确定的准确性。
在一个可选的方案中,所述方法还包括:
基于所述患病对象的所述目标图像,得到所述患病对象的临床特征数据;
所述基于目标区域的影像组学特征、第一目标区域的影像组学特征和第二目标区域的影像组学特征中的至少两个影像组学特征,确定患病对象的病灶类型,包括:
将目标区域的影像组学特征、第一目标区域的影像组学特征、第二目标区域的影像组学特征以及临床特征数据输入至病灶类型预测模型,得到病灶类型预测模型的输出结果,所述输出结果用于表征患病对象的病灶类型;其中,所述病灶类型预测模型是由带不同病灶类型标签的目标样本图像对待训练模型进行训练而得到。
本申请中,基于患病对象的目标图像,得到患病对象的临床特征数据,如病灶大小、体积等等。可以理解,患病对象的临床特征数据作为患病对象的临床表现数据,对于病灶类型的确定也有很强的参考价值。结合图2所示,将目标区域的影像组学特征、第一目标区域的影像组学特征、第二目标区域的影像组学特征以及临床特征数据输入至病灶类型预测模型,能够进一步提高病灶类型确定的准确性。进而可以辅助医生基于病灶类型,为患者制定最准确、有效的治疗方案。
在一个可选的方案中,所述病灶类型预测模型是由带不同病灶类型标签的目标样本图像对待训练模型进行训练而得到,如图3所示,包括:
S301:将带不同病灶类型标签的目标样本图像输入至预先训练好的检测模型,得到所述检测模型输出的目标样本区域;所述目标样本区域表征在目标样本图像中患病对象的病灶区域。
本步骤中,将带不同病灶类型标签的目标样本图像输入至通过前述步骤训练好的检测模型,得到表征患病对象病灶区域的目标样本区域。其中,为保证数据集的多样性和代表性,目标样本图像的病灶类型标签应涵盖多种病灶类型。
S302:基于所述目标样本区域以及预设的第一筛选条件,确定第一目标样本区域;所述第一目标样本区域表征病灶区域内的实性区域。
本步骤中,病灶区域内的实性区域表示病灶区域内密度较高的区域。预设的第一筛选条件为针对病灶区域内像素点CT值的筛选条件。如预设的第一筛选条件为:病灶区域内CT值大于-300hu的像素点。基于目标样本区域以及预设的第一筛选条件,确定出第一目标样本区域。示例性地,将目标样本区域内CT值大于-300hu的像素点构成的区域确定为第一目标样本区域。
S303:基于所述目标样本区域以及预设的第二筛选条件,确定第二目标样本区域;所述第二目标样本区域表征病灶区域的周边区域。
本步骤中,病灶区域的周边区域表示病灶区域的邻近周围区域。预设的第二筛选条件为针对病灶区域扩展范围的筛选条件。如预设的第二筛选条件为:病灶区域向外扩展2mm。基于目标样本区域以及预设的第二筛选条件,确定出第二目标样本区域。示例性地,将目标样本区域向外扩展2mm的区域确定为第二目标样本区域。
S304:基于目标样本区域的影像组学特征、第一目标样本区域的影像组学特征和第二目标样本区域的影像组学特征中的至少两个影像组学特征,对待训练模型进行训练以得到病灶类型预测模型。
本步骤中,不同样本区域的影像组学特征不同,基于目标样本区域的影像组学特征、第一目标样本区域的影像组学特征和第二目标样本区域的影像组学特征中的至少两个影像组学特征,选择适当的机器学习算法,如支持向量机、随机森林等对待训练模型进行训练直到模型收敛,即可得到病灶类型预测模型。
同时,还可以采用特征选择法去除掉样本区域的冗余特征(该去除冗余特征的步骤可以发生在前述步骤S304之前),使用于对待训练模型进行训练的数据集更加干净,模型训练的效果会更好。除此之外,在步骤S304之后,还可以采用交叉验证方法评估训练得到的病灶类型预测模型性能的优劣,当模型的性能不理想时,通过调整模型参数(如模型的权重参数和偏置参数),选择合适的特征组合(如改变前述三个样本区域的影像组学特征中至少任意两个影像组学特征的组合)和优化训练策略(如改变前述三个样本区域的影像组学特征中至少任意两个影像组学特征的训练顺序)对待训练模型进行再次训练,提高模型的鲁棒性,确保模型的泛化能力和预测准确性。
在一个可选的方案中,所述基于目标样本区域的影像组学特征、第一目标样本区域的影像组学特征和第二目标样本区域的影像组学特征中的至少两个影像组学特征,对待训练模型进行训练以得到病灶类型预测模型,包括:
将目标样本区域的影像组学特征、第一目标样本区域的影像组学特征、第二目标样本区域的影像组学特征以及目标样本图像的病灶类型标签输入至待训练模型,对待训练模型进行训练以得到病灶类型预测模型。
本申请中,将目标样本区域的影像组学特征、第一目标样本区域的影像组学特征、第二目标样本区域的影像组学特征以及目标样本图像的病灶类型标签输入至待训练模型,对待训练模型进行训练以得到病灶类型预测模型。在实际应用中,病灶类型表示患者的癌症亚型。以癌症为肺腺癌为例,癌症亚型可以包括乳头状腺癌、腺泡腺癌等等。每一种亚型对应的病灶区域(目标样本区域)影像组学特征、实性区域(第一目标样本区域)影像组学特征以及周边区域(第二目标样本区域)影像组学特征都有所差异。示例性地,假设乳头状腺癌亚型对应的目标样本区域影像组学特征为A1,第一目标样本区域影像组学特征为B1,第二目标样本区域影像组学特征为C1。腺泡腺癌亚型对应的目标样本区域影像组学特征为A2,第一目标样本区域影像组学特征为B2,第二目标样本区域影像组学特征为C2。每种亚型对应的三个样本区域的影像组学特征都各有特点,并且前述三个样本区域为与病灶类型确定相关度最高的区域,将上述三个样本区域的影像组学特征以及目标样本图像的病灶类型标签输入至待训练模型中,如输入前述的一组影像组学特征A1、B1、C1,以及对应的乳头状腺癌亚型标签。输入前述的一组影像组学特征A2、B2、C2,以及对应的腺泡腺癌亚型标签。能够使待训练模型建立起病灶类型与三个样本区域的影像组学特征之间的关联关系,使待训练模型能够学习不同病灶类型对应的三个样本区域的影像组学特征,从而提高训练得到的病灶类型预测模型的预测能力。
本申请中,将目标样本区域的影像组学特征、第一目标样本区域的影像组学特征、第二目标样本区域的影像组学特征以及目标样本图像的病灶类型标签输入至待训练模型进行训练,以得到病灶类型预测模型。能够综合的基于病灶相关的三个样本区域的影像组学特征对待训练模型进行训练,能够提高病灶类型确定的准确性。
在一个可选的方案中,所述方法还包括:
基于患病对象的目标样本图像,得到患病对象的临床特征样本数据;
所述基于目标样本区域的影像组学特征、第一目标样本区域的影像组学特征和第二目标样本区域的影像组学特征中的至少两个影像组学特征,对待训练模型进行训练以得到病灶类型预测模型,包括:
将目标样本区域的影像组学特征、第一目标样本区域的影像组学特征、第二目标样本区域的影像组学特征、临床特征样本数据以及目标样本图像的病灶类型标签输入至待训练模型,对待训练模型进行训练以得到病灶类型预测模型。
本申请中,基于患病对象的目标样本图像,得到患病对象的临床特征样本数据,如病灶大小、体积或等等。可以理解,患病对象的临床特征样本数据作为患病对象的临床表现数据,对于病灶类型的确定也有很强的参考价值。将目标样本区域的影像组学特征、第一目标样本区域的影像组学特征、第二目标样本区域的影像组学特征、临床特征样本数据以及目标样本图像的病灶类型标签输入至待训练模型进行训练,能够使训练得到的病灶类型预测模型的预测能力更强,进而准确的确定出病灶类型。进而可以辅助医生基于病灶类型,为患者制定最准确、有效的治疗方案。
在一个可选的方案中,所述获取目标图像包括:
获取针对所述患病对象的原始CT图像;
对所述原始CT图像进行预处理,得到所述患病对象的目标图像。
本申请中,目标图像可以通过对患病对象的原始CT图像进行预处理得到。具体的,通过拍摄针对患病对象的原始CT图像从而获取针对患病对象的原始CT图像。对原始CT图像进行如图像对齐、图像标准化、图像均匀化、图像去噪等预处理操作,得到患病对象的目标图像,以保证病灶类型确定结果的准确性和一致性。
其中,预处理操作可以选择如前述预处理操作中的一种或两种,也可以选择多种预处理操作共同对原始CT图像进行预处理,且两种或多种预处理操作的前后顺序可以自定义,本申请对此不做任何限定。
本申请中,通过对原始CT图像进行预处理,得到患病对象的目标图像。能够减少一些干扰因素(如噪声)产生的影响,保证病灶类型确定结果的准确性和一致性。
本申请的实施例提供一种图像处理装置,如图4所示,所述装置包括:
第一获取单元401,用于获取目标图像,所述目标图像为针对患病对象的电子计算机断层扫描CT图像;
第二获取单元402,用于将目标图像输入至预先训练好的检测模型,得到所述检测模型输出的目标区域,所述目标区域表征患病对象的病灶区域;
第一确定单元403,用于基于所述目标区域以及预设的第一筛选条件,确定第一目标区域,所述第一目标区域表征病灶区域内的实性区域;
第二确定单元404,用于基于所述目标区域以及预设的第二筛选条件,确定第二目标区域,所述第二目标区域表征病灶区域的周边区域;
第三确定单元405,用于基于目标区域的影像组学特征、第一目标区域的影像组学特征和第二目标区域的影像组学特征中的至少两个影像组学特征,确定患病对象的病灶类型。
在一个可选的方案中,所述第三确定单元405,用于将目标区域的影像组学特征、第一目标区域的影像组学特征以及第二目标区域的影像组学特征输入至病灶类型预测模型,得到病灶类型预测模型的输出结果,所述输出结果用于表征患病对象的病灶类型;其中,所述病灶类型预测模型是由带不同病灶类型标签的目标样本图像对待训练模型进行训练而得到。
在一个可选的方案中,所述装置还包括:
第三获取单元,用于基于所述患病对象的所述目标图像,得到所述患病对象的临床特征数据;
所述第三确定单元405,用于将目标区域的影像组学特征、第一目标区域的影像组学特征、第二目标区域的影像组学特征以及临床特征数据输入至病灶类型预测模型,得到病灶类型预测模型的输出结果,所述输出结果用于表征患病对象的病灶类型;其中,所述病灶类型预测模型是由带不同病灶类型标签的目标样本图像对待训练模型进行训练而得到。
在一个可选的方案中,所述第三确定单元405,用于将带不同病灶类型标签的目标样本图像输入至预先训练好的检测模型,得到所述检测模型输出的目标样本区域;所述目标样本区域表征在目标样本图像中患病对象的病灶区域;基于所述目标样本区域以及预设的第一筛选条件,确定第一目标样本区域;所述第一目标样本区域表征病灶区域内的实性区域;基于所述目标样本区域以及预设的第二筛选条件,确定第二目标样本区域;所述第二目标样本区域表征病灶区域的周边区域;基于目标样本区域的影像组学特征、第一目标样本区域的影像组学特征和第二目标样本区域的影像组学特征中的至少两个影像组学特征,对待训练模型进行训练以得到病灶类型预测模型。
在一个可选的方案中,所述第三确定单元405,用于将目标样本区域的影像组学特征、第一目标样本区域的影像组学特征、第二目标样本区域的影像组学特征以及目标样本图像的病灶类型标签输入至待训练模型,对待训练模型进行训练以得到病灶类型预测模型。
在一个可选的方案中,所述装置还包括:
第四获取单元,用于基于患病对象的目标样本图像,得到患病对象的临床特征样本数据;
所述第三确定单元405,用于将目标样本区域的影像组学特征、第一目标样本区域的影像组学特征、第二目标样本区域的影像组学特征、临床特征样本数据以及目标样本图像的病灶类型标签输入至待训练模型,对待训练模型进行训练以得到病灶类型预测模型。
在一个可选的方案中,所述第一获取单元401,用于获取针对所述患病对象的原始CT图像;对所述原始CT图像进行预处理,得到所述患病对象的目标图像。
需要说明的是,本申请实施例的图像处理装置,由于该装置解决问题的原理与前述的图像处理方法相似,因此,该装置的实施过程、实施原理及有益效果均可以参见前述方法的实施过程、实施原理及有益效果的描述,重复之处不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
图5示出了可以用来实施本申请的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,电子设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如图像处理方法。例如,在一些实施例中,图像处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的图像处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
获取目标图像,所述目标图像为针对患病对象的电子计算机断层扫描CT图像;
将目标图像输入至预先训练好的检测模型,得到所述检测模型输出的目标区域,所述目标区域表征患病对象的病灶区域;
基于所述目标区域以及预设的第一筛选条件,确定第一目标区域,所述第一目标区域表征病灶区域内的实性区域;
基于所述目标区域以及预设的第二筛选条件,确定第二目标区域,所述第二目标区域表征病灶区域的周边区域;
基于目标区域的影像组学特征、第一目标区域的影像组学特征和第二目标区域的影像组学特征中的至少两个影像组学特征,确定患病对象的病灶类型。
2.根据权利要求1所述的方法,其特征在于,所述基于目标区域的影像组学特征、第一目标区域的影像组学特征和第二目标区域的影像组学特征中的至少两个影像组学特征,确定患病对象的病灶类型,包括:
将目标区域的影像组学特征、第一目标区域的影像组学特征以及第二目标区域的影像组学特征输入至病灶类型预测模型,得到病灶类型预测模型的输出结果,所述输出结果用于表征患病对象的病灶类型;其中,所述病灶类型预测模型是由带不同病灶类型标签的目标样本图像对待训练模型进行训练而得到。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述患病对象的所述目标图像,得到所述患病对象的临床特征数据;
所述基于目标区域的影像组学特征、第一目标区域的影像组学特征和第二目标区域的影像组学特征中的至少两个影像组学特征,确定患病对象的病灶类型,包括:
将目标区域的影像组学特征、第一目标区域的影像组学特征、第二目标区域的影像组学特征以及临床特征数据输入至病灶类型预测模型,得到病灶类型预测模型的输出结果,所述输出结果用于表征患病对象的病灶类型;其中,所述病灶类型预测模型是由带不同病灶类型标签的目标样本图像对待训练模型进行训练而得到。
4.根据权利要求2或3所述的方法,其特征在于,所述病灶类型预测模型是由带不同病灶类型标签的目标样本图像对待训练模型进行训练而得到,包括:
将带不同病灶类型标签的目标样本图像输入至预先训练好的检测模型,得到所述检测模型输出的目标样本区域;所述目标样本区域表征在目标样本图像中患病对象的病灶区域;
基于所述目标样本区域以及预设的第一筛选条件,确定第一目标样本区域;所述第一目标样本区域表征病灶区域内的实性区域;
基于所述目标样本区域以及预设的第二筛选条件,确定第二目标样本区域;所述第二目标样本区域表征病灶区域的周边区域;
基于目标样本区域的影像组学特征、第一目标样本区域的影像组学特征和第二目标样本区域的影像组学特征中的至少两个影像组学特征,对待训练模型进行训练以得到病灶类型预测模型。
5.根据权利要求4所述的方法,其特征在于,所述基于目标样本区域的影像组学特征、第一目标样本区域的影像组学特征和第二目标样本区域的影像组学特征中的至少两个影像组学特征,对待训练模型进行训练以得到病灶类型预测模型,包括:
将目标样本区域的影像组学特征、第一目标样本区域的影像组学特征、第二目标样本区域的影像组学特征以及目标样本图像的病灶类型标签输入至待训练模型,对待训练模型进行训练以得到病灶类型预测模型。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
基于患病对象的目标样本图像,得到患病对象的临床特征样本数据;
所述基于目标样本区域的影像组学特征、第一目标样本区域的影像组学特征和第二目标样本区域的影像组学特征中的至少两个影像组学特征,对待训练模型进行训练以得到病灶类型预测模型,包括:
将目标样本区域的影像组学特征、第一目标样本区域的影像组学特征、第二目标样本区域的影像组学特征、临床特征样本数据以及目标样本图像的病灶类型标签输入至待训练模型,对待训练模型进行训练以得到病灶类型预测模型。
7.根据权利要求1至3任一项所述的方法,其特征在于,所述获取目标图像包括:
获取针对所述患病对象的原始CT图像;
对所述原始CT图像进行预处理,得到所述患病对象的目标图像。
8.一种图像处理装置,其特征在于,所述装置包括:
第一获取单元,用于获取目标图像,所述目标图像为针对患病对象的电子计算机断层扫描CT图像;
第二获取单元,用于将目标图像输入至预先训练好的检测模型,得到所述检测模型输出的目标区域,所述目标区域表征患病对象的病灶区域;
第一确定单元,用于基于所述目标区域以及预设的第一筛选条件,确定第一目标区域,所述第一目标区域表征病灶区域内的实性区域;
第二确定单元,用于基于所述目标区域以及预设的第二筛选条件,确定第二目标区域,所述第二目标区域表征病灶区域的周边区域;
第三确定单元,用于基于目标区域的影像组学特征、第一目标区域的影像组学特征和第二目标区域的影像组学特征中的至少两个影像组学特征,确定患病对象的病灶类型。
9.一种电子设备,其特征在于,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权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311648895.5A CN117635578A (zh) | 2023-12-04 | 2023-12-04 | 图像处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311648895.5A CN117635578A (zh) | 2023-12-04 | 2023-12-04 | 图像处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117635578A true CN117635578A (zh) | 2024-03-01 |
Family
ID=90037303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311648895.5A Pending CN117635578A (zh) | 2023-12-04 | 2023-12-04 | 图像处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117635578A (zh) |
-
2023
- 2023-12-04 CN CN202311648895.5A patent/CN117635578A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110310256B (zh) | 冠脉狭窄检测方法、装置、计算机设备和存储介质 | |
CN114565763B (zh) | 图像分割方法、装置、设备、介质及程序产品 | |
US20220392070A1 (en) | Combined assessment of morphological and perivascular disease markers | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN111539926B (zh) | 一种图像检测方法及装置 | |
CN115147360B (zh) | 一种斑块分割方法、装置、电子设备及可读存储介质 | |
CN112116623A (zh) | 图像分割方法及装置 | |
CN115482358B (zh) | 一种三角网格曲面的生成方法、装置、设备及存储介质 | |
CN115294401B (zh) | 一种基于ct图像的分类方法、装置、设备及存储介质 | |
CN108447066B (zh) | 胆道图像分割方法、终端、存储介质 | |
CN114419375B (zh) | 图像分类方法、训练方法、装置、电子设备以及存储介质 | |
CN117635578A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115631152A (zh) | 超声图像截取方法及装置、电子设备和存储介质 | |
CN115482261A (zh) | 血管配准方法、装置、电子设备及存储介质 | |
KR20230094855A (ko) | 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법 | |
WO2014106747A1 (en) | Methods and apparatus for image processing | |
CN113128599A (zh) | 一种基于机器学习的头颈肿瘤远端转移预测方法 | |
CN112435284A (zh) | 图像配准方法、电子设备及存储介质 | |
CN115690498B (zh) | 椎体骨密度确认方法、装置、电子设备及存储介质 | |
CN116128863B (zh) | 一种医学图像处理方法、装置及设备 | |
CN115831324B (zh) | 一种医学图像筛选方法、装置、设备及存储介质 | |
TWI790179B (zh) | 心導管影像辨識及評估方法 | |
CN112766333B (zh) | 医学影像处理模型训练方法、医学影像处理方法及装置 | |
CN115578564B (zh) | 实例分割模型的训练方法、装置、电子设备及存储介质 | |
CN116029967B (zh) | 一种肺栓塞图像的处理方法、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 |