CN117830302A - 肺段分割的优化方法及装置、电子设备和存储介质 - Google Patents
肺段分割的优化方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117830302A CN117830302A CN202410239828.6A CN202410239828A CN117830302A CN 117830302 A CN117830302 A CN 117830302A CN 202410239828 A CN202410239828 A CN 202410239828A CN 117830302 A CN117830302 A CN 117830302A
- Authority
- CN
- China
- Prior art keywords
- lung segment
- segmentation
- lung
- classifier
- preset
- 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
- 210000004072 lung Anatomy 0.000 title claims abstract description 249
- 230000011218 segmentation Effects 0.000 title claims abstract description 179
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 67
- 239000013598 vector Substances 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 12
- 238000007789 sealing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 32
- 238000010586 diagram Methods 0.000 description 25
- 238000012545 processing Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000012800 visualization Methods 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010056342 Pulmonary mass Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开公开了肺段分割的优化方法及装置、电子设备和存储介质,将待检测图像输入预设肺段分割模型,得到预设数量的肺段预分割结果;将所述待检测图像的预分割结果输入预设分类器中,并对所述预设分类器进行训练,得到训练好的预设分类器;基于所述训练好的预设分类器构造的超平面对所述待检测图像的预分割结果进行重新分割,以得到优化后的所属肺段。与相关技术相比,本发明通过预设肺段分割模型获取肺段预分割结果,然后通过训练好的预设分类器获取超平面,最后再利用超平面切割肺段,获得肺段分割的超平滑效果。解决了分割后的肺部图像边缘粗糙不准确的问题,得到了具有临床演示价值的肺段分割图像。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种肺段分割的优化方法及装置、电子设备和存储介质。
背景技术
在临床上,准确分割肺结节具有重要意义,计算机断层扫描技术以其成像速度快、图像分辨率高等优点广泛应用于肺结节分割中。
对肺部电子计算机断层扫描(Computed Tomography,CT)图像进行精准分割,得到肺部的叶、段及亚段,可以为肺部手术的精准切除提供方案和依据,最大程度地保留患者肺部功能。但是,目前采用的肺段分割模型在对肺部CT图像进行分割时,存在分割后的肺部CT图像中各个肺段相连接的边界线粗糙且不准确,分割效果极差,这种边界线粗糙不准确的肺段分割图像对于临床演示几乎没有价值。
发明内容
本公开提供了一种肺段分割的优化方法及装置、电子设备和存储介质。其主要目的在于解决肺段分割模型对肺部CT图像进行分割后肺部CT图像中各个肺段相连接的边界线粗糙且不准确,对于临床演示几乎没有价值的问题。
根据本公开的第一方面,提供了一种肺段分割的优化方法,其中,包括:
将待检测图像输入预设肺段分割模型,得到预设数量的肺段预分割结果;所述预分割结果中包含每个肺段的坐标信息;
将所述待检测图像的预分割结果输入预设分类器中,并对所述预设分类器进行训练,得到训练好的预设分类器;
基于所述训练好的预设分类器构造的超平面对所述待检测图像的预分割结果进行重新分割,以得到优化后的所属肺段。
可选地,所述对所述预设分类器进行训练,得到训练好的预设分类器包括:
将所述待检测图像的预分割结果输入所述预设分类器,所述预设分类器中基于不同的肺段配置对应的子分类器;
提取所述预分割结果中每个肺段的坐标信息,及每个坐标信息所属的肺段;
基于所述每个肺段的坐标信息,分别对每个肺段对应的所述子分类器进行训练,得到训练好的预设分类器。
可选地,所述基于所述训练好的预设分类器构造的超平面对所述待检测图像的预分割结果进行重新分割,包括:
基于所述训练好的预设分类器,提取所述预分割结果中每个肺段的坐标信息分别对应的法向量和偏置;
基于所述每个肺段的坐标信息分别对应的法向量和偏置,构造每个肺段分别对应的所述超平面。
可选地,所述基于所述每个肺段的坐标信息分别对应的法向量和偏置,构造每个肺段分别对应的所述超平面包括:
分别确定所述坐标信息与各个所述训练好的子分类器对应的超平面之间的目标距离;
将所述坐标信息归属于所述目标距离最小值对应目标超平面;
根据所述目标超平面确定所述坐标信息优化后的所属肺段。
可选地,在根据所述目标超平面确定所述坐标信息优化后的所属肺段之后,所述方法还包括:
调用预设切割工具,对所述优化后的所属肺段进行分割。
可选地,在对所述优化后的所属肺段进行分割之后,所述方法还包括:
依次对每个重新分割后的结果进行封口,以及标记所述每个重新分割后的结果的所属肺段。
根据本公开的第二方面,提供了一种肺段分割的优化装置,包括:
第一输入单元,用于将待检测图像输入预设肺段分割模型,得到预设数量的肺段预分割结果;所述预分割结果中包含每个肺段的坐标信息;
第二输入单元,用于将所述待检测图像的预分割结果输入预设分类器中;
训练单元,用于对所述预设分类器进行训练,得到训练好的预设分类器;
分割单元,用于基于所述训练好的预设分类器构造的超平面对所述待检测图像的预分割结果进行重新分割,以得到优化后的所属肺段。
可选地,所述训练单元包括:
输入模块,用于将所述待检测图像的预分割结果输入所述预设分类器,所述预设分类器中基于不同的肺段配置对应的子分类器;
第一提取模块,用于提取所述预分割结果中每个肺段的坐标信息,及每个坐标信息所属的肺段;
训练模块,用于基于所述每个肺段的坐标信息,分别对每个肺段对应的所述子分类器进行训练,得到训练好的预设分类器。
可选地,所述分割单元包括:
第二提取模块,用于基于所述训练好的预设分类器,提取所述预分割结果中每个肺段的坐标信息分别对应的法向量和偏置;
构造模块,用于基于所述每个肺段的坐标信息分别对应的法向量和偏置,构造每个肺段分别对应的所述超平面。
可选地,所述构造模块还用于:
分别确定所述坐标信息与各个所述训练好的子分类器对应的超平面之间的目标距离;将所述坐标信息归属于所述目标距离最小值对应目标超平面;根据所述目标超平面确定所述坐标信息优化后的所属肺段。
可选地,所述分割单元还包括分割模块,用于:
在根据所述目标超平面确定所述坐标信息优化后的所属肺段之后,调用预设切割工具,对所述优化后的所属肺段进行分割。
可选地,所述装置还包括标记单元,包括:
封口模块,用于在对所述优化后的所属肺段进行分割之后,依次对每个重新分割后的结果进行封口;
标记模块,用于标记所述每个重新分割后的结果的所属肺段。
根据本公开的第三方面,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前述第一方面所述的方法。
根据本公开的第四方面,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,其中,所述计算机指令用于使所述计算机执行前述第一方面所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如前述第一方面所述的方法。
本公开提供的肺段分割的优化方法及装置、电子设备和存储介质,将待检测图像输入预设肺段分割模型,得到预设数量的肺段预分割结果;所述预分割结果中包含每个肺段的坐标信息;将所述待检测图像的预分割结果输入预设分类器中,并对所述预设分类器进行训练,得到训练好的预设分类器;基于所述训练好的预设分类器构造的超平面对所述待检测图像的预分割结果进行重新分割,以得到优化后的所属肺段。与相关技术相比,本发明通过预设肺段分割模型获取肺段预分割结果,然后通过训练好的预设分类器获取超平面,最后再利用超平面切割肺段,获得肺段分割的超平滑效果。解决了分割后的肺部图像边缘粗糙不准确的问题,得到了具有临床演示价值的肺段分割图像。
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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开实施例所提供的一种肺段分割的优化方法的流程示意图;
图2为本公开实施例提供的一种肺段的预分割结果的效果示意图;
图3为本公开实施例提供的一种分类器的原理示意图;
图4为本公开实施例提供的一种超平面的示意图;
图5为本公开实施例提供的一种肺段分割的优化方法的效果示意图;
图6为本公开实施例提供的另一种肺段分割的优化方法的效果示意图;
图7为本公开实施例提供的一种肺段分割方法的整体分割效果图;
图8为本公开实施例提供的一种训练用图像数据的示意图;
图9为本公开实施例提供的另一种训练用图像数据的示意图;
图10为本公开实施例提供的一种预设分类器的训练方法的流程示意图;
图11为本公开实施例提供的一种肺段分割的优化装置的结构示意图;
图12为本公开实施例提供的另一种肺段分割的优化装置的结构示意图
图13为本公开实施例提供的示例电子设备300的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本公开实施例的肺段分割的优化方法及装置、电子设备和存储介质。
图1为本公开实施例所提供的一种肺段分割的优化方法的流程示意图。
如图1所示,该方法包含以下步骤:
步骤101,将待检测图像输入预设肺段分割模型,得到预设数量的肺段的预分割结果;所述预分割结果中包含每个肺段的坐标信息。
在本申请提供的一个实施例中,所述预设肺段分割模型是本方法的基础,预设肺段分割模型可以将待检测图像分割成预设数量的肺段的预分割结果,所述预分割结果为基本的分割后的肺段三维图像数据。但是,所述肺段三维图像数据的分割效果很差,具体表现为图像中的各个肺段之间的交界线十分复杂,蜿蜒曲折,边缘粗糙且不准确,不能作为临床演示的分割图像。为了达到临床演示的目的,所述分割图像要求各个肺段之间的交界线必须足够简洁平滑,因此需要对得到的预分割结果进行重新分割,得到优化后各个肺段之间的边界线简洁平滑的肺段分割效果。
在本申请提供的一个实施例中,所述每个肺段的坐标信息为每个肺段上各个数据点的坐标的集合,坐标的标签就是分别对应的肺段的编号,利用这些坐标信息可以训练预设分类器。为了避免在肺段的边缘过拟合,坐标信息中只包含每个肺段区域内更靠近中心部分的数据点的坐标。
为了对所述预分割结果进行更好的理解,请参考图2,图2为本申请实施例提供的一种肺段的预分割结果的效果示意图。如图2所示,图2展示了一个三维(ThreeDimensions,3D)数组形式的肺部的预分割图像,不同的分割区域对应不同的肺段,图2是由数百张二维(Two Dimensions,2D)的肺段分割结果合并起来的,每一张2D的肺段分割结果都是将待检测图像输入预设肺段分割模型得到的预分割结果。
步骤102,将所述待检测图像的预分割结果输入预设分类器中,并对所述预设分类器进行训练,得到训练好的预设分类器。
在本申请提供的一个实施例中,所述分类器就是给定一个样本的数据,判定这个样本属于哪个类别的算法。分类是数据挖掘的一种非常重要的方法。分类的概念是在已有数据的基础上学会一个分类函数或构造出一个分类模型(即我们通常所说的分类器(Classifier))。该函数或模型能够把数据库中的数据纪录映射到给定类别中的某一个,从而可以应用于数据预测。总之,分类器是数据挖掘中对样本进行分类的方法的统称,包含决策树、逻辑回归、朴素贝叶斯、神经网络等算法。例如,在股票涨跌预测中,我们认为前一天的交易量和收盘价对于第二天的涨跌是有影响的,那么分类器就是通过样本的交易量和收盘价预测第二天的涨跌情况的算法。线性分类器(generalized linear classifier)是分类器中的一种,就是判定分类结果的根据是通过特征的线性组合得到的,不能通过特征的非线性运算结果作为判定根据。继续以上述的股票涨跌预测问题为例,判断的依据只能是前一天的交易量和收盘价的线性组合,不能将交易量和收盘价进行开方、平方等运算。常用的线性分类器包括支持向量机(Support Vector Machine, SVM)。在机器学习领域,所述SVM是一个有监督的学习模型,通常用来进行模式识别、分类以及回归分析。
在实际应用中,所述线性分类器通常用来解决以下这类问题:给定一些数据点,它们分别属于两个不同的类别,需要找到一个线性分类器把这些数据分成两类。为了解决上述问题,在二维空间中,可以通过所述分类器找到一条直线把空间切割开来,直线左边的点属于类别1,直线右边的点属于类别2。而在三维甚至多维空间下,就需要找到一个超平面将空间切割开,超平面上面的点属于第一个类别,平面下面的点属于另一个类别。所述超平面指的是n维线性空间中维度为n-1的子空间。它可以把线性空间分割成不相交的两部分。比如二维空间中,一条直线是一维的,它把平面分成了两块;三维空间中,一个平面是二维的,它把空间分成了两块。超平面的法向量是指垂直于超平面的向量,一个超平面对应一个法向量。
为了对所述分类器进行更好的理解,请参考图3,图3为本申请实施例提供的一种分类器的原理示意图。具体的分类器原理请参考图3:获取一些数据点,它们分别属于两个不同的类别,图3中用圆点代表第一类别数据点,用小三角形代表第二类别数据点,若数据点所在的特征空间存在作为决策边界的超平面将数据点按正类和负类分开,并使任意数据点到平面距离大于等于1,则称该分类问题具有线性可分性,图3中参数ω和b分别为超平面的法向量和截距。满足该条件的决策边界实际上构造了2个平行的超平面作为间隔边界以判别数据点的分类,所有在上间隔边界上方的数据点属于正类,在下间隔边界下方的数据点属于负类。两个间隔边界的距离被定义为边距(margin),而位于正中间的超平面是分离这两类数据最好的选择,即图3中的最优超平面,位于间隔边界上的正类和负类数据点均为支持向量(support vector)。
在本公开提供的一个实施例中,训练所述分类器与训练其他学习模型一样,也需要训练用数据和对应的训练用标签,所述训练用数据指的是所述预分割结果中每个肺段的坐标信息,所述训练用标签指的是每个坐标信息所属的肺段。然后根据提取到的训练用数据和对应的训练用标签训练所述分类器。由于SVM模型的训练十分迅速快捷。因此,在实际操作中,分类器是在每次使用时直接训练得到。而不是事先训练再保存,然后使用。所以每个训练用数据和对应的训练用标签对应的SVM分类器都是不一样的。
在本公开提供的一个实施例中,由于所述待检测图像的预分割结果中包含多个肺段,而每个肺段与其他肺段相连接的边界线都需要进行平滑处理,也就是需要进行一次分割,每个边界线都需要对应的训练一个分类器,因此,对所述待检测图像的预分割结果进行重新分割的预设分类器中应包含多个子分类器,每个肺段边缘都需要配置对应的子分类器。
步骤103,基于所述训练好的预设分类器构造的超平面对所述待检测图像的预分割结果进行重新分割,以得到优化后的所属肺段。
在本公开提供的一个实施例中,采用所述子分类器对上述步骤101中提供的每个肺段的坐标信息进行重新分类,通过所述子分类器构造的超平面对预分割结果进行重新分割,从而得到优化后的所属肺段。
为了对本申请实施例中用于对待检测图像进行分割的超平面进行更好的理解,请参考图4,图4为本申请实施例提供的一种超平面的示意图,如图4所示,根据所述超平面的数学表达,即超平面的法向量和偏置,将所述超平面渲染到上述步骤101所述的肺段三维图像数据中,同时调节透明度,得到如图4所示的超平面的示意图,区域A就是所述子分类器对应的超平面,这个超平面可以用来对每个肺段的坐标信息进行分类,从而达到分割待检测图像的效果。
为了对所述优化后的所属肺段的分割效果进行更好的理解,请参考图5,图5为本申请实施例提供的一种肺段分割的优化方法的效果示意图。如图5所示,两张图片中,区域B和区域E代表左肺上叶尖段,区域C和区域F代表左肺上叶前段,左边的图片是采用预设肺段分割模型对所述待检测图像进行分割的预分割结果,而右边的图片展则是采用训练好的预设分类器对所述预分割结果进行重新分割后得到的优化后的结果,可以看到,左边的图片中两个不同肺段相连接的边界线崎岖蜿蜒,十分复杂,而右边的图片中两个肺段相连接的边界线相对于左图中的边界线更加简洁平滑,分割效果大幅提升。
为了进一步地对所述肺段的分割效果进行说明,如图6所示,图6为本申请实施例提供的另一种肺段分割的优化方法的效果示意图。图6展示了一种多个肺段被超平面分割的效果,其中一个肺段被隐藏了,可以看到被隐藏的肺段与它周围的肺段之间的接触面非常光滑平整,表示超平面分割的效果非常优异。图7为本申请实施例提供的一种肺段分割方法的整体分割效果图,可以看到采用本方法对飞赴CT图像进行肺段分割得到的肺段分割的整体效果图中各个肺段之间的边界线非常光滑平整,没有崎岖不平的分界线,整体分割效果非常优异。
在本申请提供的一些实施例中,采用训练用图像的坐标信息对各个子分类器进行训练,得到训练好的子分类器,基于训练好的子分类器构造对应的超平面,采用所述超平面对待检测图像的预分割结果进行重新分割,从而得到肺段与周围的肺段之间交界线平整光滑的分割效果。
本公开提供的肺段分割的优化方法,将待检测图像输入预设肺段分割模型,得到预设数量的肺段预分割结果;所述预分割结果中包含每个肺段的坐标信息;将所述待检测图像的预分割结果输入预设分类器中,并对所述预设分类器进行训练,得到训练好的预设分类器;基于所述训练好的预设分类器构造的超平面对所述待检测图像的预分割结果进行重新分割,以得到优化后的所属肺段。与相关技术相比,本发明通过预设肺段分割模型获取肺段预分割结果,然后通过训练好的预设分类器获取超平面,最后再利用超平面切割肺段,获得肺段分割的超平滑效果。解决了分割后的肺部图像边缘粗糙不准确的问题,得到了具有临床演示价值的肺段分割图像。
在本申请提供的一个实施例中,在将待检测图像输入预设肺段分割模型之前,为了得到预设数量的肺段预分割结果,需要对所述肺段分割模型进行训练得到预设肺段分割模型,可以采用但不局限于以下的训练方法:获取训练用肺部图像数据,本申请实施例提供的训练用肺部图像数据为2D的肺部CT图像,所述肺部CT图像携带预设标签,所述预设标签为每个肺部CT图像中各个肺段的区域灰度图,为了对所述训练用图像数据进行更好的理解,请参考图8及图9,图8为本申请实施例提供的一种训练用图像数据的示意图,图9为本申请实施例提供的另一种训练用图像数据的示意图,其中图9提供的训练用图像示意图携带预设标签。在获取训练用图像数据后,基于肺段分割模型对所述训练用图像数据进行训练,得到预设肺段分割模型,需要注意的是,在本申请实施例中,所述预设肺段分割模型用于对待检测图像进行预分割,因此所述预设肺段分割模型需要具有图像分割的功能,具体的预设肺段分割模型本申请实施例不做限定。
在本公开提供的一个实施例中,所述超平面指的是n维线性空间中维度为n-1的子空间。它可以把线性空间分割成不相交的两部分。超平面的法向量是指垂直于超平面的向量,一个超平面对应一个法向量。因此,确定所述超平面的法向量和偏置,就确定了一个超平面。
在本公开提供的一个实施例中,为了得到所述超平面进而对肺部图像进行分割,需要获取所述超平面的法向量及偏置,因此,需要对所述预设分类器进行训练,得到训练好的预设分类器,基于所述训练好的预设分类器提取所述超平面的法向量和偏置。为了对所述预设分类器的训练流程进行更好的说明,图10为本公开实施例所提供的一种预设分类器的训练方法的流程示意图。
如图10所示,该方法包含以下步骤:
步骤201,将所述待检测图像的预分割结果输入所述预设分类器,所述预设分类器中基于不同的肺段配置对应的子分类器。
在本公开提供的一些实施例中,对所述肺段进行分割时,需要的子分类器的数量不是一个子分类器,而是多个子分类器。实际上,只要有一个需要平滑的肺段边界线就需要训练一个子分类器。例如,编号为1号的肺段和其他3个肺段相连,即编号为1号的肺段具有三个与其他肺段相连接的边界线,那么它就需要训练三个子分类器,一条边界线对应一个子分类器。同时编号为1、2、3、4的四个肺段作为左肺上叶整体也需要和其他肺叶相连接,相连接的边界线也需要平滑,因此这个左肺上叶整体也需要训练多个子分类器。
步骤202,提取所述预分割结果中每个肺段的坐标信息,及每个坐标信息所属的肺段。
在本公开提供的一个实施例中,训练所述分类器与训练其他学习模型一样,也需要训练用数据和对应的训练用标签,所述训练用数据指的是所述预分割结果中每个肺段的坐标信息,所述训练用标签指的是每个坐标信息所属的肺段。
步骤203,基于所述每个肺段的坐标信息,分别对每个肺段对应的所述子分类器进行训练,得到训练好的预设分类器。
根据提取到的训练用数据和对应的训练用标签训练所述子分类器,在所有子分类器训练结束后,得到所述训练好的预设分类器。
需要注意的是,本公开实施例中采用的分类器为SVM模型,由于SVM模型的训练十分迅速快捷。因此,在实际操作中,分类器是在每次使用时直接训练得到。而不是事先训练再保存,然后使用。所以每个训练用数据和对应的训练用标签对应的分类器都是不一样的。
在本申请实施例中,可以采用但不局限于线性分类器,例如支持向量机(SupportVector Machine, SVM),所述支持向量机是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier),其决策边界(decision boundary)是对学习样本求解的最大边距超平面(maximum-marginhyperplane),可以将问题化为一个求解凸二次规划的问题。与逻辑回归和神经网络相比,支持向量机,在学习复杂的非线性方程时提供了一种更为清晰,更加强大的方式。具体来说就是在线性可分时,在原空间寻找两类样本的最优分类超平面。在线性不可分时,加入松弛变量并通过使用非线性映射将低维度输入空间的样本映射到高维度空间使其变为线性可分,这样就可以在该特征空间中寻找最优分类超平面。
作为对上述实施例的细化,通过所述子分类器本身的一个数学属性,即子分类器可以看作是对三维空间中的数据点进行分类的一个超平面。这个超平面的数学构造由一个法向量和偏置组成。利用所述法向量和偏置,可以直接把这个子分类器转换成一个超平面。
在得到所述超平面的数学构造后,调用预设切割工具,基于所述超平面对所述待检测图像的预分割结果进行重新分割。其中,所述预设切割工具可以采用视觉化工具函式库(Visualization Toolkit,VTK)中的切割刀工具,所述VTK工具包是一个强大的开源软件系统,用于处理可视化科学和工程数据,它提供一系列用于创建交互式的、高性能的可视化应用程序的工具和算法。根据所述超平面的法向量和偏置构造一个切割工具,采用所述切割工具对步骤101中获得的预分割结果进行重新分割。二次分割的结果出来后,对二次分割后的结果进行封口,并对所述二次分割后的结果标记所属肺段,得到如图7所示的肺段分割的整体效果图。
通过对所述预设分类器进行训练,然后使用训练好的预设分类器对所述预分割结果进行二次分割,得到的优化后的肺段分割效果中,各个肺段之间相连接的边界线简洁平滑,分割效果得到了大幅提升。
综上所述,本公开实施例能达到以下效果:
1.通过本公开提供的方法对肺部CT图像进行分割,可得到肺段分割的超平滑效果,最终得到的肺部分割图像具有临床演示的价值。
2.通过对所述预设分类器进行训练,然后使用训练好的预设分类器对所述预分割结果进行二次分割,得到的优化后的肺段分割效果中,各个肺段之间相连接的边界线简洁平滑,分割效果得到了大幅提升。
与上述的肺段分割的优化方法相对应,本发明还提出一种肺段分割的优化装置。由于本发明的装置实施例与上述的方法实施例相对应,对于装置实施例中未披露的细节可参照上述的方法实施例,本发明中不再进行赘述。
图11为本公开实施例提供的一种肺段分割的优化装置的结构示意图,如图10所示,包括:第一输入单元31、第二输入单元32及分割单元33。
第一输入单元31,用于将待检测图像输入预设肺段分割模型,得到预设数量的肺段预分割结果;所述预分割结果中包含每个肺段的坐标信息;
第二输入单元32,用于将所述待检测图像的预分割结果输入训练好的预设分类器中;
训练单元33,用于对所述预设分类器进行训练,得到训练好的预设分类器;
分割单元34,用于基于所述训练好的预设分类器构造的超平面对所述待检测图像的预分割结果进行重新分割,以得到优化后的所属肺段。
本公开提供的肺段分割的优化装置,将待检测图像输入预设肺段分割模型,得到预设数量的肺段预分割结果;所述预分割结果中包含每个肺段的坐标信息;将所述待检测图像的预分割结果输入预设分类器中,并对所述预设分类器进行训练,得到训练好的预设分类器;基于所述训练好的预设分类器构造的超平面对所述待检测图像的预分割结果进行重新分割,以得到优化后的所属肺段。与相关技术相比,本发明通过预设肺段分割模型获取肺段预分割结果,然后通过训练好的预设分类器获取超平面,最后再利用超平面切割肺段,获得肺段分割的超平滑效果。解决了分割后的肺部图像边缘粗糙不准确的问题,得到了具有临床演示价值的肺段分割图像。
进一步地,在本实施例一种可能的实现方式中,如图12所示,所述训练单元33包括:
输入模块331,用于将所述待检测图像的预分割结果输入所述预设分类器,所述预设分类器中基于不同的肺段配置对应的子分类器;
第一提取模块332,用于提取所述预分割结果中每个肺段的坐标信息,及每个坐标信息所属的肺段;
训练模块333,用于基于所述每个肺段的坐标信息,分别对每个肺段对应的所述子分类器进行训练,得到训练好的预设分类器。
进一步地,在本实施例一种可能的实现方式中,如图12所示,所述分割单元34包括:
第二提取模块341,用于基于所述训练好的预设分类器,提取所述预分割结果中每个肺段的坐标信息分别对应的法向量和偏置;
构造模块342,用于基于所述每个肺段的坐标信息分别对应的法向量和偏置,构造每个肺段分别对应的所述超平面。
进一步地,在本实施例一种可能的实现方式中,如图12所示,所述构造模块342还用于:
分别确定所述坐标信息与各个所述训练好的子分类器对应的超平面之间的目标距离;将所述坐标信息归属于所述目标距离最小值对应目标超平面;根据所述目标超平面确定所述坐标信息优化后的所属肺段。
进一步地,在本实施例一种可能的实现方式中,所述分割单元34还包括分割模块343,用于:
在根据所述目标超平面确定所述坐标信息优化后的所属肺段之后,调用预设切割工具,对所述优化后的所属肺段进行分割。
进一步地,在本实施例一种可能的实现方式中,如图12所示,所述装置还包括标记单元35,包括:
封口模块351,用于在对所述优化后的所属肺段进行分割之后,依次对每个重新分割后的结果进行封口;
标记模块352,用于标记所述每个重新分割后的结果的所属肺段。
需要说明的是,前述对方法实施例的解释说明,也适用于本实施例的装置,原理相同,本实施例中不再限定。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图13示出了可以用来实施本公开的实施例的示例电子设备400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/或者要求的本公开的实现。
如图13所示,设备400包括计算单元401,其可以根据存储在ROM(Read-OnlyMemory,只读存储器)402中的计算机程序或者从存储单元408加载到RAM(Random AccessMemory,随机访问/存取存储器) 403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM403通过总线404彼此相连。I/O(Input/Output,输入/输出) 接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400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401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401的一些示例包括但不限于CPU(Central Processing Unit,中央处理单元)、GPU(Graphic Processing Units,图形处理单元) 、各种专用的AI(ArtificialIntelligence,人工智能) 计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital Signal Processor,数字信号处理器) 、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理,例如肺段分割的优化方法。例如,在一些实施例中,肺段分割的优化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408。在一些实施例中,计算机程序的部分或者全部可以经由ROM402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行前述肺段分割的优化方法。
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、FPGA(Field Programmable Gate Array,现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit,专用集成电路)、ASSP(Application Specific StandardProduct,专用标准产品)、SOC(System On Chip,芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device,复杂可编程逻辑设备) 、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。
用于实施本公开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。
在本公开的上下文中,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、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器) 或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory,便捷式紧凑盘只读存储器) 、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(Cathode-Ray Tube, 阴极射线管)或者LCD(Liquid Crystal Display, 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:LAN(LocalArea Network,局域网)、WAN(Wide Area Network,广域网) 、互联网和区块链网络。
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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称 "VPS")中,存在的管理难度大,业务扩展性弱的缺陷。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。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
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,本公开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,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种肺段分割的优化方法,其特征在于,包括:
将待检测图像输入预设肺段分割模型,得到预设数量的肺段预分割结果;所述预分割结果中包含每个肺段的坐标信息;
将所述待检测图像的预分割结果输入预设分类器中,并对所述预设分类器进行训练,得到训练好的预设分类器;
基于所述训练好的预设分类器构造的超平面对所述待检测图像的预分割结果进行重新分割,以得到优化后的所属肺段。
2.根据权利要求1所述的方法,其特征在于,所述对所述预设分类器进行训练,得到训练好的预设分类器包括:
将所述待检测图像的预分割结果输入所述预设分类器,所述预设分类器中基于不同的肺段配置对应的子分类器;
提取所述预分割结果中每个肺段的坐标信息,及每个坐标信息所属的肺段;
基于所述每个肺段的坐标信息,分别对每个肺段对应的所述子分类器进行训练,得到训练好的预设分类器。
3.根据权利要求2所述的方法,其特征在于,所述基于所述训练好的预设分类器构造的超平面对所述待检测图像的预分割结果进行重新分割,包括:
基于所述训练好的预设分类器,提取所述预分割结果中每个肺段的坐标信息分别对应的法向量和偏置;
基于所述每个肺段的坐标信息分别对应的法向量和偏置,构造每个肺段分别对应的所述超平面。
4.根据权利要求3所述的方法,其特征在于,所述基于所述每个肺段的坐标信息分别对应的法向量和偏置,构造每个肺段分别对应的所述超平面包括:
分别确定所述坐标信息与各个所述训练好的子分类器对应的超平面之间的目标距离;
将所述坐标信息归属于所述目标距离最小值对应目标超平面;
根据所述目标超平面确定所述坐标信息优化后的所属肺段。
5.根据权利要求4所述的方法,其特征在于,在根据所述目标超平面确定所述坐标信息优化后的所属肺段之后,所述方法还包括:
调用预设切割工具,对所述优化后的所属肺段进行分割。
6.根据权利要求5所述的方法,其特征在于,在对所述优化后的所属肺段进行分割之后,所述方法还包括:
依次对每个重新分割后的结果进行封口,以及标记所述每个重新分割后的结果的所属肺段。
7.一种肺段分割的优化装置,其特征在于,包括:
第一输入单元,用于将待检测图像输入预设肺段分割模型,得到预设数量的肺段预分割结果;所述预分割结果中包含每个肺段的坐标信息;
第二输入单元,用于将所述待检测图像的预分割结果输入预设分类器中;
训练单元,用于对所述预设分类器进行训练,得到训练好的预设分类器;
分割单元,用于基于所述训练好的预设分类器构造的超平面对所述待检测图像的预分割结果进行重新分割,以得到优化后的所属肺段。
8. 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1-6中任一项所述的方法。
9.一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所述计算机执行根据权利要求1-6中任一项所述的方法。
10.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410239828.6A CN117830302A (zh) | 2024-03-04 | 2024-03-04 | 肺段分割的优化方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410239828.6A CN117830302A (zh) | 2024-03-04 | 2024-03-04 | 肺段分割的优化方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117830302A true CN117830302A (zh) | 2024-04-05 |
Family
ID=90508079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410239828.6A Pending CN117830302A (zh) | 2024-03-04 | 2024-03-04 | 肺段分割的优化方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117830302A (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06124349A (ja) * | 1992-10-12 | 1994-05-06 | Fujitsu Ltd | パターン学習方法及びパターン学習装置 |
CN107230204A (zh) * | 2017-05-24 | 2017-10-03 | 东北大学 | 一种从胸部ct图像中提取肺叶的方法及装置 |
CN109003260A (zh) * | 2018-06-28 | 2018-12-14 | 深圳视见医疗科技有限公司 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
CN109816667A (zh) * | 2019-01-21 | 2019-05-28 | 杭州英库医疗科技有限公司 | 一种基于ct影像的肺结节分割方法 |
CN110956635A (zh) * | 2019-11-15 | 2020-04-03 | 上海联影智能医疗科技有限公司 | 一种肺段分割方法、装置、设备及存储介质 |
CN111275722A (zh) * | 2020-02-18 | 2020-06-12 | 广州柏视医疗科技有限公司 | 肺段、肝段分割方法及系统 |
CN111709929A (zh) * | 2020-06-15 | 2020-09-25 | 北京航空航天大学 | 一种肺部癌变区域分割与分类检测系统 |
US20200305705A1 (en) * | 2018-11-12 | 2020-10-01 | Wenzhou Medical University | Method for processing pupil tracking image |
US20200320697A1 (en) * | 2019-04-04 | 2020-10-08 | Alibaba Group Holding Limited | Method, system, and device for lung lobe segmentation, model training, model construction and segmentation |
JP2020188872A (ja) * | 2019-05-20 | 2020-11-26 | 国立研究開発法人理化学研究所 | 判別装置、学習装置、方法、プログラム、学習済みモデルおよび記憶媒体 |
CN113793357A (zh) * | 2021-07-07 | 2021-12-14 | 点内(上海)生物科技有限公司 | 一种基于深度学习的支气管肺段图像分割方法及系统 |
CN114155234A (zh) * | 2021-12-08 | 2022-03-08 | 沈阳东软智能医疗科技研究院有限公司 | 病灶肺段位置的识别方法、装置、存储介质及电子设备 |
CN114445419A (zh) * | 2021-12-28 | 2022-05-06 | 点内(上海)生物科技有限公司 | 一种基于支气管拓扑结构的肺段分割方法、装置及系统 |
CN115359074A (zh) * | 2022-10-20 | 2022-11-18 | 之江实验室 | 基于超体素聚类及原型优化的图像分割、训练方法及装置 |
CN115984223A (zh) * | 2023-01-05 | 2023-04-18 | 江苏科技大学 | 基于PCANet及多分类器融合的图像溢油检测方法 |
WO2023136695A1 (ko) * | 2022-01-17 | 2023-07-20 | (주)휴톰 | 환자의 가상 폐 모델을 생성하는 장치 및 방법 |
CN116612881A (zh) * | 2022-02-15 | 2023-08-18 | 西门子医疗有限公司 | 执行肺结节评估的方法 |
CN117373070A (zh) * | 2023-12-07 | 2024-01-09 | 瀚依科技(杭州)有限公司 | 血管分段标注的方法及装置、电子设备和存储介质 |
CN117635616A (zh) * | 2024-01-26 | 2024-03-01 | 江西科技学院 | 用于医学检查结果互认的影像诊断系统 |
-
2024
- 2024-03-04 CN CN202410239828.6A patent/CN117830302A/zh active Pending
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06124349A (ja) * | 1992-10-12 | 1994-05-06 | Fujitsu Ltd | パターン学習方法及びパターン学習装置 |
CN107230204A (zh) * | 2017-05-24 | 2017-10-03 | 东北大学 | 一种从胸部ct图像中提取肺叶的方法及装置 |
CN109003260A (zh) * | 2018-06-28 | 2018-12-14 | 深圳视见医疗科技有限公司 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
US20200305705A1 (en) * | 2018-11-12 | 2020-10-01 | Wenzhou Medical University | Method for processing pupil tracking image |
CN109816667A (zh) * | 2019-01-21 | 2019-05-28 | 杭州英库医疗科技有限公司 | 一种基于ct影像的肺结节分割方法 |
US20200320697A1 (en) * | 2019-04-04 | 2020-10-08 | Alibaba Group Holding Limited | Method, system, and device for lung lobe segmentation, model training, model construction and segmentation |
JP2020188872A (ja) * | 2019-05-20 | 2020-11-26 | 国立研究開発法人理化学研究所 | 判別装置、学習装置、方法、プログラム、学習済みモデルおよび記憶媒体 |
CN110956635A (zh) * | 2019-11-15 | 2020-04-03 | 上海联影智能医疗科技有限公司 | 一种肺段分割方法、装置、设备及存储介质 |
CN111275722A (zh) * | 2020-02-18 | 2020-06-12 | 广州柏视医疗科技有限公司 | 肺段、肝段分割方法及系统 |
CN111709929A (zh) * | 2020-06-15 | 2020-09-25 | 北京航空航天大学 | 一种肺部癌变区域分割与分类检测系统 |
CN113793357A (zh) * | 2021-07-07 | 2021-12-14 | 点内(上海)生物科技有限公司 | 一种基于深度学习的支气管肺段图像分割方法及系统 |
CN114155234A (zh) * | 2021-12-08 | 2022-03-08 | 沈阳东软智能医疗科技研究院有限公司 | 病灶肺段位置的识别方法、装置、存储介质及电子设备 |
CN114445419A (zh) * | 2021-12-28 | 2022-05-06 | 点内(上海)生物科技有限公司 | 一种基于支气管拓扑结构的肺段分割方法、装置及系统 |
WO2023136695A1 (ko) * | 2022-01-17 | 2023-07-20 | (주)휴톰 | 환자의 가상 폐 모델을 생성하는 장치 및 방법 |
CN116612881A (zh) * | 2022-02-15 | 2023-08-18 | 西门子医疗有限公司 | 执行肺结节评估的方法 |
CN115359074A (zh) * | 2022-10-20 | 2022-11-18 | 之江实验室 | 基于超体素聚类及原型优化的图像分割、训练方法及装置 |
CN115984223A (zh) * | 2023-01-05 | 2023-04-18 | 江苏科技大学 | 基于PCANet及多分类器融合的图像溢油检测方法 |
CN117373070A (zh) * | 2023-12-07 | 2024-01-09 | 瀚依科技(杭州)有限公司 | 血管分段标注的方法及装置、电子设备和存储介质 |
CN117635616A (zh) * | 2024-01-26 | 2024-03-01 | 江西科技学院 | 用于医学检查结果互认的影像诊断系统 |
Non-Patent Citations (2)
Title |
---|
栗苹等: "《无线电引信抗干扰理论》", 30 June 2019, 北京理工大学出版社, pages: 206 - 207 * |
黄强豪: "面向肺部穿刺手术的组织分割与三维重建方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)》, no. 2, 15 February 2023 (2023-02-15), pages 1 - 75 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10229499B2 (en) | Skin lesion segmentation using deep convolution networks guided by local unsupervised learning | |
CN114155543B (zh) | 神经网络训练方法、文档图像理解方法、装置和设备 | |
WO2022001623A1 (zh) | 基于人工智能的图像处理方法、装置、设备及存储介质 | |
JP6262748B2 (ja) | 教師あり形状ランク付けに基づく生物学的単位の識別 | |
CN112241478B (zh) | 一种基于图神经网络的大规模数据可视化降维方法 | |
CN114677565B (zh) | 特征提取网络的训练方法和图像处理方法、装置 | |
Wang et al. | Nucleus segmentation of cervical cytology images based on depth information | |
CN113627439A (zh) | 文本结构化处理方法、处理装置、电子设备以及存储介质 | |
CN113537192A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
US20230096921A1 (en) | Image recognition method and apparatus, electronic device and readable storage medium | |
US11756208B2 (en) | Digital image boundary detection | |
CN115082740A (zh) | 目标检测模型训练方法、目标检测方法、装置、电子设备 | |
CA3204439A1 (en) | Quantification of conditions on biomedical images across staining modalities using a multi-task deep learning framework | |
CN113128565B (zh) | 面向预训练标注数据不可知的图像自动标注系统和装置 | |
WO2015087148A1 (en) | Classifying test data based on a maximum margin classifier | |
CN116802683A (zh) | 图像的处理方法和系统 | |
CN114219936A (zh) | 目标检测方法、电子设备、存储介质和计算机程序产品 | |
CN112508005A (zh) | 用于处理图像的方法、装置、设备以及存储介质 | |
CN117830302A (zh) | 肺段分割的优化方法及装置、电子设备和存储介质 | |
WO2023220913A1 (zh) | 细胞图像处理方法、电子设备以及存储介质 | |
CN116188478A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN115116080A (zh) | 表格解析方法、装置、电子设备和存储介质 | |
CN115311244A (zh) | 一种病灶尺寸确定方法、装置、电子设备及存储介质 | |
CN113822846A (zh) | 医学图像中确定感兴趣区域的方法、装置、设备及介质 | |
Toutain et al. | A unified geometric model for virtual slide image processing and classification |
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 |