TW202032577A - 醫學圖像分割方法、裝置、系統及圖像分割方法 - Google Patents
醫學圖像分割方法、裝置、系統及圖像分割方法 Download PDFInfo
- Publication number
- TW202032577A TW202032577A TW109104094A TW109104094A TW202032577A TW 202032577 A TW202032577 A TW 202032577A TW 109104094 A TW109104094 A TW 109104094A TW 109104094 A TW109104094 A TW 109104094A TW 202032577 A TW202032577 A TW 202032577A
- Authority
- TW
- Taiwan
- Prior art keywords
- time
- processed
- medical image
- cross
- image
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000003709 image segmentation Methods 0.000 claims description 126
- 230000011218 segmentation Effects 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 30
- 230000002123 temporal effect Effects 0.000 claims description 28
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 15
- 238000012805 post-processing Methods 0.000 claims description 15
- 238000004141 dimensional analysis Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000003902 lesion Effects 0.000 description 42
- 239000000243 solution Substances 0.000 description 29
- 238000010586 diagram Methods 0.000 description 21
- 238000002595 magnetic resonance imaging Methods 0.000 description 16
- 239000002872 contrast media Substances 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 210000000481 breast Anatomy 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 208000026310 Breast neoplasm Diseases 0.000 description 5
- 238000002347 injection Methods 0.000 description 5
- 239000007924 injection Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 206010061968 Gastric neoplasm Diseases 0.000 description 1
- 206010019695 Hepatic neoplasm Diseases 0.000 description 1
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002594 fluoroscopy Methods 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 208000037841 lung tumor Diseases 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000011572 manganese Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
- G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-MRI]
-
- 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
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
提供一種醫學圖像分割方法、裝置、系統及圖像分割方法。該醫學圖像分割方法包括:獲取多個待處理醫學圖像集,各所述待處理醫學圖像集包括多個對應不同時間點的待處理醫學圖像;根據所述待處理醫學圖像和所述待處理醫學圖像對應的時間點,對所述待處理醫學圖像集進行時間維度的處理,以獲取時間動態圖像;以及將所述時間動態圖像輸入至醫學圖像分割模型,通過所述醫學圖像分割模型從所述時間動態圖像中提取目標區域特徵,以獲取目標區域。
Description
本揭示關於電腦技術領域,特別是關於一種醫學圖像分割方法、裝置、系統及圖像分割方法。
圖像分割是把圖像分成若干個特定的、具有獨特性質的區域並提出感興趣目標的技術和過程。隨著電腦技術和醫療分析技術的發展,醫學圖像分割成為醫療分析技術的重中之重,醫學圖像分割是決定醫學圖像在臨床診療中能否提供可靠依據的關鍵問題。醫學圖像分割技術的發展不僅影響到醫學影像處理中其他相關技術的發展,如視覺化、三維重建等,而且在生物醫學圖像的分析中也佔有極其重要的地位。
由於病變區域和非病變區域在醫療試劑的作用下隨著時間變化會出現不同的變化,因此通常採集多個時間點的醫學圖像,通過醫生在病變區域查看不同時間點的圖像來診斷疾病,或者通過採用全部時間點的醫學圖像訓練深度學習網路模型,然後再通過深度學習網路模型對醫學圖像上的病變區域進行分割。但是通過醫生人工分割病變區域工作量大,誤差也大;通過深度學習網路模型分割病變區域雖然較人工分割的準確率高,但是在訓練模型是需要對每個時間點的醫學圖像進行標注,如果病人在圖像資訊採集的過程中出現位移,那麼用一個時間點的病變區域標注很難精確對應其它時間點的病變區域。
鑒於此,本領域需開發一種新的醫學圖像分割方法及裝置。
需要說明的是,在上述背景技術部分公開的資訊僅用於加強對本揭示的背景的理解,因此可以包括不構成對本揭示所屬技術領域中具有通常知識者已知的習知技術的資訊。
本揭示的實施例提供了一種醫學圖像分割方法、裝置、系統及圖像分割方法,進而至少在一定程度上可以提高病灶分割的精度,減少醫生的閱片量,提高醫生的診斷效率。
本揭示的其他特性和優點將通過下面的詳細描述變得顯然,或部分地通過本揭示的實踐而習得。
根據本揭示實施例的一個方面,提供了一種醫學圖像分割方法,包括:獲取多個待處理醫學圖像集,各所述待處理醫學圖像集包括多個對應不同時間點的待處理醫學圖像;根據所述待處理醫學圖像和所述待處理醫學圖像對應的時間點,對所述待處理醫學圖像集進行時間維度的處理,以獲取時間動態圖像;以及將所述時間動態圖像輸入至醫學圖像分割模型,通過所述醫學圖像分割模型從所述時間動態圖像中提取目標區域特徵,以獲取目標區域。
根據本揭示實施例的一個方面,提供了一種醫學圖像分割裝置,包括:一獲取模組,用於獲取多個待處理醫學圖像集,各所述待處理醫學圖像集包括多個對應不同時間點的待處理醫學圖像;一處理模組,用於根據所述待處理醫學圖像和所述待處理醫學圖像對應的時間點,對所述待處理醫學圖像集進行時間維度的處理,以獲取時間動態圖像;以及一分割模組,用於將所述時間動態圖像輸入至醫學圖像分割模型,通過所述醫學圖像分割模型從所述時間動態圖像中提取目標區域特徵,以獲取目標區域。
在本揭示的一些實施例中,各所述待處理醫學圖像集分別對應一橫斷面,並且各所述待處理醫學圖像集中對應同一時間點的所述待處理醫學圖像組成三維醫學圖像;基於前述方案,所述醫學圖像分割裝置包括:一橫斷面確定模組,用於根據所述三維醫學圖像的三個維度確定所述橫斷面對應的座標面和橫斷面坐標軸,其中所述橫斷面坐標軸與所述座標面垂直。
在本揭示的一些實施例中,基於前述方案,所述處理模組包括:一四維資料獲取單元,用於根據各所述橫斷面對應的待處理醫學圖像資料和所述時間點確定與所述橫斷面對應的四維資料;一第一時間分量獲取單元,用於對所述橫斷面對應的四維資料進行解析,以獲得各所述橫斷面對應的時間分量;一第二時間分量獲取單元,用於根據各所述橫斷面對應的時間分量確定與多個所述待處理醫學圖像集對應的目標時間分量;以及一後處理單元,用於對所述目標時間分量進行後處理,以獲得所述時間動態圖像。
在本揭示的一些實施例中,基於前述方案,所述四維資料獲取單元包括:一空間座標確定單元,用於根據所述橫斷面對應的三維醫學圖像資料確定第一座標、第二座標、橫斷面座標,所述第一座標、所述第二座標和所述橫斷面座標相互垂直;一時間座標確定單元,用於根據所述時間點確定時間座標;以及一四維資料確定單元,用於根據所述第一座標、所述第二座標、所述橫斷面座標和所述時間座標構建四維坐標軸,並根據所述四維坐標軸確定所述四維資料。
在本揭示的一些實施例中,基於前述方案,所述第一時間分量獲取單元包括:一第一圖像資料獲取單元,用於根據所述橫斷面座標確定目標橫斷面,獲取與所述目標橫斷面對應的第一圖像資料,所述第一圖像資料包括所述第一座標、所述第二座標和所述時間座標;以及一多維解析單元,用於對所述第一圖像資料進行多維解析,以獲取與所述目標橫斷面對應的時間分量;重複上述步驟,直至獲取與各所述橫斷面對應的時間分量。
在本揭示的一些實施例中,基於前述方案,所述第二時間分量獲取單元配置為:根據各所述橫斷面對應的時間分量、與各所述橫斷面對應的第一座標、第二座標和橫斷面座標確定所述目標時間分量。
在本揭示的一些實施例中,基於前述方案,所述多維解析單元配置為:通過三維柯利弗德代數對所述第一圖像資料進行多維解析,以獲取與所述目標橫斷面對應的時間分量。
在本揭示的一些實施例中,基於前述方案,所述後處理單元配置為:根據所述目標時間分量,確定在多個所述時間點時各所述橫斷面對應的子時間分量,所述子時間分量的數量與所述時間點的數量相同;將與各所述橫斷面對應的所述子時間分量分別進行加和平均,以獲取目標平均值;以及根據所述目標平均值構建所述時間動態圖像。
在本揭示的一些實施例中,基於前述方案,所述後處理單元配置為:根據所述目標時間分量,確定在多個所述時間點時各所述橫斷面對應的子時間分量,所述子時間分量的數量與所述時間點的數量相同;分別獲取與各所述橫斷面對應的所述子時間分量中的最大值;以及根據所述子時間分量中的最大值構建所述時間動態圖像。
在本揭示的一些實施例中,基於前述方案,所述後處理單元配置為:根據所述目標時間分量,確定在多個所述時間點時各所述橫斷面對應的子時間分量,所述子時間分量的數量與所述時間點的數量相同;獲取與各橫斷面對應的所述子時間分量中的最大值和最小值,並將所述最大值和所述最小值作差,以獲取目標差值;以及根據所述目標差值構建所述時間動態圖像。
在本揭示的一些實施例中,基於前述方案,所述的醫學圖像分割裝置還包括:一樣本獲取模組,用於獲取時間動態圖像樣本和與所述時間動態樣本對應的目標區域標注樣本;以及一訓練模組,用於根據所述時間動態圖像樣本和所述目標區域標注樣本對一待訓練醫學圖像分割模型進行訓練,以獲得所述醫學圖像分割模型。
在本揭示的一些實施例中,基於前述方案,所述三維醫學圖像為三維動態對比度增強磁共振成像圖像。
根據本揭示實施例的一個方面,提供了一種醫學圖像分割系統,包括:一檢測設備,用於對檢測物件進行掃描檢測,以獲取多個待處理醫學圖像集,其中各所述待處理醫學圖像集包括多個對應不同時間點的待處理醫學圖像;以及一電子設備,與所述檢測設備連接,並且所述電子設備包括儲存裝置和處理器,其中所述儲存裝置用於儲存一個或多個程式,當所述一個或多個程式被所述處理器執行時,使得所述處理器實現上述的醫學圖像分割方法,以對所述多個待處理醫學圖像集進行處理,獲取目標區域。
根據本揭示實施例的一個方面,提供了一種圖像分割方法,包括:獲取多個待處理圖像集,各所述待處理圖像集包括多個對應不同時間點的待處理圖像;根據所述待處理圖像和所述待處理圖像對應的時間點,對所述待處理圖像集進行時間維度的處理,以獲取時間動態圖像;以及將所述時間動態圖像輸入至圖像分割模型,通過所述圖像分割模型從所述時間動態圖像中提取目標區域特徵,以獲取目標區域。
在本揭示的一些實施例中,基於前述方案,各所述待處理圖像集中對應相同時間點的待處理圖像形成一三維圖像,並且所述多個對應不同時間點的待處理圖像形成三維圖像序列。
在本揭示的一些實施例所提供的技術方案中,通過獲取多個待處理醫學圖像集,待處理醫學圖像集包括多個對應不同時間點的待處理醫學圖像;然後根據待處理醫學圖像和對應的時間點對待處理醫學圖像集進行時間維度的處理,以獲取時間動態圖像;最後通過醫學圖像分割模型對時間動態圖像進行處理以從所述時間動態圖像中提取目標區域。通過本揭示的技術方案一方面能夠提高醫學圖像分割的精度,有效幫助醫生制定最準確的治療方案;另一方面能夠減少醫生的閱片數量,快速提取醫學圖像中的疾病資訊,提高了診斷效率。
應當理解的是,以上的一般描述和後文的細節描述僅是示例性和解釋性的,並不能限制本揭示。
現在將參考附圖更全面地描述示例實施方式。然而,示例實施方式能夠以多種形式實施,且不應被理解為限於在此闡述的範例;相反,提供這些實施方式使得本揭示將更加全面和完整,並將示例實施方式的構思全面地傳達給本領域的技術人員。
此外,所描述的特徵、結構或特性可以以任何合適的方式結合在一個或更多實施例中。在下面的描述中,提供許多具體細節從而給出對本揭示的實施例的充分理解。然而,本揭示所屬技術領域中具有通常知識者將意識到,可以實踐本揭示的技術方案而沒有特定細節中的一個或更多,或者可以採用其它的方法、組元、裝置、步驟等。在其它情況下,不詳細示出或描述習知方法、裝置、實現或者操作以避免模糊本揭示的各方面。
附圖中所示的方框圖僅僅是功能實體,不一定必須與物理上獨立的實體相對應。即可以採用軟體形式來實現這些功能實體,或在一個或多個硬體模組或積體電路中實現這些功能實體,或在不同網路和/或處理器裝置和/或微控制器裝置中實現這些功能實體。
附圖中所示的流程圖僅是示例性說明,不是必須包括所有的內容和操作/步驟,也不是必須按所描述的循序執行。例如,有的操作/步驟還可以分解,而有的操作/步驟可以合併或部分合併,因此實際執行的順序有可能根據實際情況改變。
第1圖示出了可以應用本揭示實施例的技術方案的示例性系統架構的示意圖。
如第1圖所示,系統架構100可以包括終端設備101、102、103中的一種或多種(當然也可以是其它的具有顯示螢幕的終端設備等等,終端設備101例如可以為臺式電腦,終端設備102例如可以為平板電腦102,終端設備103例如可以為可擕式電腦)、網路104和伺服器105。網路104用以在終端設備和伺服器105之間提供通信鏈路的介質。網路104可以包括各種連接類型,例如有線通信鏈路、無線通訊鏈路等等。
應該理解,第1圖中的終端設備、網路和伺服器的數目僅僅是示意性的。根據實現需要,可以具有任意數目的終端設備、網路和伺服器。比如伺服器105可以是多個伺服器組成的伺服器集群等。
在本揭示的一個實施例中,用戶可以利用終端設備101(也可以是終端設備102或103)向伺服器105上傳待處理醫學圖像集,該待處理醫學圖像集可以是CT掃描圖像、可以是磁共振成像(MRI)圖像,也可以是其它的圖像資訊隨時間變化而改變的檢驗檢測圖像。伺服器105在獲取到這些待處理醫學圖像集之後,根據其中的待處理醫學圖像和對應的時間點對待處理醫學圖像集進行時間維度的處理,以將原始的待處理醫學圖像集轉換為時間動態圖像,該時間動態圖像能夠有效地反映病變區域與非病變區域的區別;接著將時間動態圖像輸入至訓練好的醫學圖像分割模型中,通過醫學圖像分割模型提取時間動態圖像中目標區域特徵,進而獲取目標區域。該實施例的技術方案通過將多個待處理醫學圖像集進行時間維度的處理,獲取時間動態圖像,使得時間動態圖像能夠清晰地呈現病灶區域,避免了醫生需要對多幅不同時間點獲取的醫學圖像進行分析確定病灶區域,進一步提升了醫生的診斷效率,並且通過醫學圖像分割模型對時間動態圖像中的目標區域進行分割,能夠提高病變區域的分割精度,為醫生的臨床診斷提供支援。
需要說明的是,本揭示實施例所提供的醫學圖像分割方法一般由伺服器105執行,相應地,醫學圖像分割裝置一般設置於伺服器105中。但是,在本揭示的其它實施例中,終端設備也可以與服務器具有相似的功能,從而執行本揭示實施例所提供的醫學圖像分割方案。
在本領域的相關技術中,為了提高診斷的準確度和效率,通常需要採集多個時間點的醫學圖像,如進行乳腺磁共振檢查時,需要獲取多個時間點的DCE-MRI圖像,然後用每個時間點的DCE-MRI圖像減去注射造影劑之前的圖像,獲得剪影圖像;最後通過醫生臨床檢查,觀察多個醫學圖像以確定組織上的病變區域,或者通過訓練好的深度學習網路模型對醫學圖像進行病變區域的提取。但是相關技術存在相應的缺陷,臨床診斷方面:醫生一般需要觀察3至5個時間點的醫學圖像,有時甚至需要觀察幾十個時間點的醫學圖像,圖像資訊的數量巨大,例如5個時間點的3D資料有5×70幀=350個2D圖像,對於20個時間點的資料庫,一次檢查有20×128幀=2560個2D圖像,醫生從這麼多圖像中獲取資訊的難度非常大,並且診斷效率很低;電腦深度學習分割演算法方面:如果用全部時間點的醫學圖像訓練深度學習網路模型,為了避免在不同時間段病人有位移,對一個時間點的醫學圖像進行標注,很難精確對應其它時間點的病變區域,因此需要針對每個時間點的醫學圖像進行標注,或者對全部時間點的醫學圖像進行3D配准,使得深度學習網路模型的訓練難度較高。
鑒於相關技術中存在的問題,本揭示實施例首先提出了一種醫學圖像分割方法,以下對本揭示實施例的技術方案的實現細節進行詳細闡述:
第2圖示意性示出了根據本揭示的一個實施例的醫學圖像分割方法的流程圖,該醫學圖像分割方法可以由伺服器來執行,該伺服器可以是第1圖中所示的伺服器。參照第2圖所示,該醫學圖像分割方法至少包括步驟S210至步驟S230,詳細介紹如下:
在步驟S210中,獲取多個待處理醫學圖像集,各所述待處理醫學圖像集包括多個對應不同時間點的待處理醫學圖像。
在本揭示的一個實施例中,待處理醫學圖像集可以是醫院各科室對從患者身體中取得的樣本進行樣本檢測或對患者進行身體檢查獲取的圖像集,比如該待處理醫學圖像集可以是CT掃描圖像、可以是磁共振成像(MRI)圖像、可以是X光圖像,也可以是其它的能夠檢測到病變區域性狀隨時間變化而變化的圖像,本揭示對待處理醫學圖像的種類不做具體限定。
為了便於理解本揭示,下文中將以磁共振成像(MRI)圖像作為待處理醫學圖像,並具體以對乳腺腫瘤的MRI圖像進行分割為例行說明,當然該MRI圖像還可以是對肺部腫瘤、胃部腫瘤、肝部腫瘤等病變區域進行磁共振成像獲得的核磁共振成像圖像。
在本揭示的一個實施例中,對乳腺腫瘤進行磁共振成像時,首先需要給被檢查人注射造影劑;然後讓被檢查人俯臥在檢查床上,將乳房放置於特製的線圈中;最後隨著檢查床的移動,核磁共振儀對乳房進行從腳部至頭部的層層掃描。造影劑是為增強影像觀察效果而注入(或服用)到人體組織或器官的化學製品,如鐵、錳等帶有磁性的物質,這些製品的密度高於或低於周圍組織,當這些製品接近共振中的氫原子時,能有效地改變質子所處的磁場,造成T1(縱向馳豫)和T2(橫向馳豫)馳豫時間明顯縮短。造影劑能改變體內局部組織中水質子的馳豫速率,提高非病變區域和病變區域的成像對比度和解析度,為病變區域的定位和診斷提供更多的資訊。具體地,造影劑在組織中的含量隨血液的流動而發生變化,例如非病灶區域的血液流通順暢,造影劑含量會迅速減少,磁共振圖像中與非病灶區域對應的區域的亮度逐漸變高,而病灶區域的血液流通不暢,造影劑含量減少速度較慢,磁共振圖像中與病灶區域對應的區域的亮度變化緩慢,進而與非病灶區域的亮度形成明顯對比。因此本揭示根據造影劑的該特徵可以對同一組織橫斷面採集多個時間點的待處理醫學圖像。
在本揭示的一個實施例中,可以獲取多個待處理醫學圖像集,並且各待處理醫學圖像集包括多個對應不同時間點的待處理醫學圖像,也就是說,各個待處理醫學圖像集對應不同的組織橫斷面,待處理圖像集中的待處理圖像是對同一組織橫斷面在不同時間點進行資訊採集所獲得的圖像,例如,當採集乳腺腫瘤的MRI圖像時,多個待處理圖像集是核磁共振成像儀在掃描過程中,掃描到乳腺不同橫斷面時獲得的圖像;待處理圖像集中的多個待處理醫學圖像則是核磁共振成像儀在掃描過程中,於多個時間點掃描乳腺的某一橫斷面時所產生的圖像。進一步的,多個待處理醫學圖像對應的時間點可以是連續的時間點,進而通過多個待處理醫學圖像集可以形成醫學圖像序列。
第3圖示出了待處理醫學圖像集中對應多個不同時間點的待處理醫學圖像的結構示意圖,如第3圖所示,標記為i的橫斷面中包含n+1個待處理醫學圖像,該n+1個待處理醫學圖像對應不同的時間點t=0、1……n。
在本揭示的一個實施例中,各個待處理醫學圖像集中對應同一時間點的待處理醫學圖像可以組成三維醫學圖像,例如在對乳腺腫瘤進行磁共振成像時,由各個待處理醫學圖像集中對應同一時間點的待處理醫學圖像組成的圖像即為3D MRI圖像,由於各待處理醫學圖像集中包含多個時間點的待處理醫學圖像,因此該多個待處理醫學圖像集可以形成3D MRI圖像序列。進一步的,可以對乳腺腫瘤進行動態對比增強磁共振成像,即可獲取3D DCE-MRI圖像,通過多個待處理醫學圖像集形成的醫學圖像序列即為三維動態對比度增強磁共振成像(3D DCE-MRI)圖像序列。當然,醫學圖像序列還可以是二維圖像序列,由於臨床診斷中,大部分醫學圖像為3D醫學圖像,因此下文主要以3D DCE-MRI圖像序列為例進行說明。
在步驟S220中,根據所述待處理醫學圖像和所述待處理醫學圖像對應的時間點,對所述待處理醫學圖像集進行時間維度的處理,以獲取時間動態圖像。
在本揭示的一個實施例中,獲取到多個對應不同時間點的待處理醫學圖像後,可以根據待處理醫學圖像及其對應的時間點,對待處理醫學圖像集進行時間維度的處理,以獲取時間動態圖像。值得說明的是,可以在對待處理醫學圖像集進行時間維度的處理之前,根據三維醫學圖像的三個維度確定組織橫斷面所對應的座標面和橫斷面坐標軸,該三維醫學圖像對應的坐標系可以為三維笛卡爾坐標系,在確定座標面和橫斷面坐標軸時,可以選擇任意的坐標軸作為橫斷面坐標軸,與該橫斷面坐標軸垂直的座標面作為組織橫斷面對應的座標面,第4圖示出了一種橫斷面的分佈示意圖,在三維笛卡爾坐標系(x,y,z)中,可以將z軸定義為橫斷面坐標軸,即待處理醫學圖像集沿著z軸分佈,則x-y座標面即為橫斷面對應的座標面,即任一待處理醫學圖像都是x-y坐標系的圖像。
在本揭示的一個實施例中,第5圖示出了獲取時間動態圖像的流程示意圖,如第5圖所示,根據待處理醫學圖像和其對應的時間點對待處理醫學圖像集進行時間維度的處理,獲取時間動態圖像的過程,具體包括如下步驟S510至步驟S540,詳細介紹如下:
在步驟S510中,根據各所述橫斷面對應的待處理醫學圖像資料和所述時間點確定與所述橫斷面對應的四維資料。
在本揭示的一個實施例中,每一橫斷面對應多個時間點的待處理醫學圖像,並且每個橫斷面對應的座標不同,因此首先可以根據橫斷面對應的待處理醫學圖像資料確定第一座標、第二座標和橫斷面座標,其中第一座標、第二座標和橫斷面座標相互垂直,並且第一座標和第二座標組成橫斷面對應的座標面;然後根據時間點確定時間座標;最後根據第一座標、第二座標、橫斷面座標和時間座標形成思維坐標軸,並根據四維坐標軸確定四維資料。繼續參照第4圖示出的三維笛卡爾坐標系,第一座標具體可以是x軸,第二座標具體可以是y軸,橫斷面座標具體可以是z軸。根據待處理醫學圖像對應的時間點可以確定時間座標t,進而可以根據第一座標、第二座標、橫斷面座標和時間座標確定一四維坐標系(x,y,z,t),進一步的可以根據四維坐標系確定與多個待處理醫學圖像集對應的四維資料I(x,y,z,t),那麼橫斷面座標為z=i處的橫斷面對應的四維資料即為I(x,y,i,t)。
在步驟S520中,對所述橫斷面對應的四維資料進行解析,以獲得各所述橫斷面對應的時間分量。
在本揭示的一個實施例中,第6圖示出了獲取各橫斷面對應的時間分量的流程示意圖,如第6圖所示,獲取各橫斷面對應的時間分量的過程,包括如下步驟S610至步驟S630,詳細說明如下:
在步驟S610中,根據所述橫斷面座標確定目標橫斷面,獲取與所述目標橫斷面對應的第一圖像資料,所述第一圖像資料包括所述第一座標、所述第二座標和所述時間座標。
在本揭示的一個實施例中,可以從z軸中確定一個座標值i作為橫斷面座標,根據該橫斷面座標獲取與其對應的目標橫斷面,該目標橫斷面中包含多個對應不同時間點的待處理醫學圖像,通過統計該些待處理醫學圖像的圖像資料可以確定第一圖像資料,該第一圖像資料包括各個待處理醫學圖像對應的第一座標、第二座標和時間座標,也就是說,橫斷面座標z=i處的目標橫斷面對應的第一圖像資料為f(x,y,t)。
在步驟S620中,對所述第一圖像資料進行多維解析,以獲取與所述目標橫斷面對應的時間分量。
在本揭示的一個實施例中,為了對待處理醫學圖像進行時間維度的處理,可以將第一圖像資料進行多維解析,獲取第一圖像資料在時間維度上的分量。
具體地,可以採用三維柯利弗德代數計算第一圖像資料f(x,y,t)的多維解析信號ψ(x,y,t),以將原始信號拆分成不同維度的分量。柯利弗德代數(Clifford algebra)又稱幾何代數(Geometric algebra),綜合了內積和外積兩種運算,是複數代數、四元數代數和外代數的推廣,在幾何和物理中有廣泛應用。通過三維柯利弗德代數計算獲得的多維解析信號ψ(x,y,t)如下所示:
“***”代表三維卷積計算,e1、e2、e3是三維柯利弗德代數虛數單位的三個生成元,σ(•)是狄拉克函數。
從上述公式中可以看出,該公式由8個分量組成,每個分量的方向由e1、e2、e3來確定,並且這8個分量在柯利弗德代數空間中是相互正交的。其中e1對應第一圖像資料f(x,y,t)空間中x方向上的資訊,e2對應第一圖像資料f(x,y,t)空間中y方向上的資訊,e3對應第一圖像資料f(x,y,t)空間中t方向上的資訊。對於第一圖像資料,其在t方向上的資訊是我們所關注的,因此可以從多維信號ψ(x,y,t)中抽取分量f(x,y,t)***{σ(x)σ(y)e3/ (πt)}作為目標橫斷面對應的時間分量,可以記為時間分量f’(x,y,t)=f(x,y,t)** *{σ(x)σ(y)e3/(πt)}。
在步驟S630中,重複上述步驟,直至獲取與各所述橫斷面對應的時間分量。
在本揭示的一個實施例中,可以重複步驟S610和步驟S620,以獲得各個橫斷面對應的時間分量。具體地,可以根據步驟S610中的方法獲取橫斷面坐標軸上所有的橫斷面座標z=i及各橫斷面座標i所對應的橫斷面的第一圖像資料fi
(x,y,t),並根據步驟S620中的方法對各橫斷面的第一圖像資料fi
(x,y,t)進行解析,以獲取與各橫斷面對應的時間分量fi
’(x,y,t)。
在步驟S530中,根據各所述橫斷面對應的時間分量確定與多個所述待處理醫學圖像集對應的目標時間分量。
在本揭示的一個實施例中,獲得各個橫斷面對應的時間分量後,可以根據橫斷面座標z=i和相應的時間分量fi
’(x,y,t)確定與多個橫斷面(待處理醫學圖像集)對應的四維資料I(x,y,z,t)所對應的目標時間分量I’(x,y,z,t),其中當z=i時,I’(x,y,z=i,t)=fi
’(x,y,t)。
在步驟S540中,對所述目標時間分量進行後處理,以獲得所述時間動態圖像。
在本揭示的一個實施例中,在獲取了與多個待處理醫學圖像集對應的目標時間分量後,可以對目標時間分量進行後處理,以獲取三維的時間動態圖像。在本揭示的實施例中,後處理的方法有多種,例如可以計算目標時間分量I’(x,y,z,t)沿著t軸的平均值,可以計算目標時間分量I’(x, y,z,t)沿著t軸的最大值,也可以計算目標時間分量I’(x,y,z,t)沿著t軸的最大值與最小值的差值,當然也可以通過其它方式對目標時間分量I’(x,y,z,t)進行後處理,本揭示在此不再贅述。
在本揭示的一個實施例中,計算目標時間分量I’(x,y,z,t)沿著t軸的平均值的具體流程包括:根據目標時間分量,確定在多個時間點時各橫斷面對應的子時間分量,該子時間分量的數量與時間點的數量相同;然後將與各橫斷面對應的子時間分量分別進行加和平均,以獲取目標平均值;最後根據目標平均值構建時間動態圖像。時間動態圖像的具體計算公式如公式(1)所示:
在本揭示的一個實施例中,計算目標時間分量I’(x,y,z,t)沿著t軸的最大值的具體流程包括:根據目標時間分量,確定在多個時間點時各橫斷面對應的子時間分量,該子時間分量的數量與時間點的數量相同;然後分別獲取與各橫斷面對應的子時間分量中的最大值;最後根據子時間分量中的最大值構建時間動態圖像。時間動態圖像的具體運算式如式(2)所示:
在本揭示的一個實施例中,計算目標時間分量I’(x,y,z,t)沿著t軸的最大值與最小值的差值的具體流程包括:根據目標時間分量,確定在多個時間點時各橫斷面對應的子時間分量,該子時間分量的數量與時間點的數量相同;獲取與各橫斷面對應的子時間分量中的最大值和最小值,並將最大值和最小值作差,以獲取目標差值;最後根據目標差值構建時間動態圖像。時間動態圖像的具體計算公式如公式(3)所示:
根據上述方法,可以根據計算結果獲得三維的時間動態圖像It(x,y,z),具體而言,就是獲取了多個3D DCE-MRI圖像在不同時間內圖元亮度的變化情況。由於子時間分量的最大值和最小值的差值反映了3D DCE-MRI圖像序列在同一個空間位置上不同時間點下獲得的最大值和最小值的差異,其能夠最大限度的顯示這個空間上的點的亮度變化,因此在本揭示的實施例中可以以目標差值為准,根據目標差值構建時間動態圖像,以提高對醫學圖像的分割效率。
繼續參照第2圖所示,在步驟S230中,將所述時間動態圖像輸入至醫學圖像分割模型,通過所述醫學圖像分割模型從所述時間動態圖像中提取目標區域特徵,以獲取目標區域。
在本揭示的一個實施例中,在獲取時間動態圖像後,可以將時間動態圖像輸入至醫學圖像分割模型,通過醫學圖像分割模型從時間動態圖像中提取目標區域特徵,以獲取目標區域。該醫學圖像分割模型可以是一個經過訓練的深度學習分割模型,對於本揭示中的三維時間動態圖像而言,該醫學圖像分割模型可以是專門用於對三維圖像進行處理的深度學習分割模型,如3D Unet模型、3D vnet模型、全卷積神經網路模型等等,對於深度學習分割模型的種類,本揭示實施例不做具體限定。該目標區域即為病變區域,如腫瘤區域、鈣化區域等等。醫療工作者可以將目標區域作為感興趣區域,並對感興趣區域進行進一步的分析,以便制定最優的治療方案。
第7A-7C圖示出了一種相關技術中注射造影劑後的某個時間點的DCE-MRI圖像,如第7A-7C圖所示,第7A圖為乳腺的橫截面圖像,橫截面是將身體分為上下兩部分的縱切面;第7B圖為乳腺的矢狀面圖像,矢狀面是將身體分為左右兩部分的縱切面;第7C圖為乳腺的冠狀面圖像,冠狀面是將身體分為前後兩部分的縱切面,第7A-7C圖中的矩形框為病灶區域,橢圓框為非病灶區域。從第7A-7C圖可以發現,病灶區域和非病灶區域都呈現為高亮像素,醫學圖像分割模型無法將病灶區域和非病灶區域區別開,進而無法精確地分割出病灶區域。
第8A-8C圖示出了本揭示中注射造影劑後的三維的時間動態圖像,如第8A-8C圖所示,第8A圖為乳腺的橫截面圖像;第8B圖為乳腺的矢狀面圖像;第8C圖為乳腺的冠狀面圖像,第8A-8C圖中的矩形框為病灶區域,橢圓框為非病灶區域。與第7A-7C圖所示的DCE-MRI圖像相比,第8A-8C圖中的病灶區域的像素亮度更高,非病灶區域的像素亮度更低,病灶區域和非病灶區域的圖元的對比度更明顯,醫學圖像分割模型能夠迅速將病灶區域和非病灶區域區別開,進而能夠精確地分割出病灶區域。
在本揭示的一個實施例中,在將時間動態圖像輸入至醫學圖像分割模型,通過醫學圖像分割模型從時間動態圖像中提取目標區域特徵,以獲取目標區域之前,還可以對待訓練醫學圖像分割模型進行訓練,以獲取後續對待處理醫學圖像進行圖像分割的醫學圖像分割模型。
第9圖示出了對待訓練醫學圖像分割模型進行訓練的流程示意圖,如第9圖所示,訓練待訓練醫學圖像分割模型的過程,包括如下步驟S910至步驟S920,詳細說明如下:
在步驟S910中,獲取時間動態圖像樣本和與所述時間動態圖像樣本對應的目標區域標注樣本。
在本揭示的一個實施例中,獲取時間動態圖像樣本的方法與上述實施例中獲取時間動態圖像的方法相同,在此不再贅述。在獲得時間動態圖像樣本後,可以通過人工標注的方式對時間動態圖像中的目標區域(病灶區域)進行標注,以獲得與時間動態圖像樣本對應的目標區域標注樣本。
在本揭示的一個實施例中,為了提高醫學圖像分割模型的穩定性,使醫學圖像分割模型的損失函數收斂,可以採用多個樣本對待訓練醫學圖像分割模型進行訓練,以獲取該待訓練醫學圖像分割模型的最優參數。具體地,可以選取244例惡性腫瘤病人的3D DCE-MRI圖像資料,其中221例資料作為訓練資料,用於訓練待訓練醫學圖像分割模型;23例資料作為測試資料,用於對訓練後的醫學圖像分割模型進行測試,判斷其是否達到穩定狀態。當然,本揭示中訓練資料和測試資料的數量包括但不限於上述的舉例,本揭示對此不做具體限定。
在步驟S920中,根據所述時間動態圖像樣本和所述目標區域標注樣本對一待訓練醫學圖像分割模型進行訓練,以獲得所述醫學圖像分割模型。
在本揭示的一個實施例中,確定好時間動態圖像樣本和對應的目標區域標注樣本後,可以將時間動態圖像樣本輸入至待訓練醫學圖像分割模型,以獲取該待訓練醫學圖像分割模型提取的目標區域;然後將提取的目標區域和與輸入的動態圖像樣本對應的目標區域標注樣本進行對比,判斷醫學圖像分割模型的分割準確度,若分割準確度度大於或等於預設閾值,則說明該待訓練醫學圖像分割模型達到了穩定狀態;若分割準確度度未達到預設閾值,則繼續調整該待訓練醫學圖像分割模型的參數,以使輸出的分割圖像得到分割準確度達到或大於預設閾值,該預設閾值可以根據實際需要進行設定,如設置為95%等等。在完成訓練後,可以通過測試資料對醫學圖像分割模型進行測試,判斷其是否廣泛適用於任意的時間動態圖像。
在本揭示的一個實施例中,通過本揭示實施例的技術方案分割得到病灶區域的分割精度相較於使用原始的DCE-MRI資料訓練醫學圖像分割模型對待處理醫學圖像進行分割得到病灶區域的分割精度有了大幅度的提升,表1示出了使用原始DCE-MRI資料和使用三維的時間動態圖像的實驗結果,如表1所示:
表1
使用原始DCE-MRI資料的實驗結果 | 使用三維的時間動態圖像的實驗結果 | |
分割精度:均值+/-方差 | 68.8+/-19.8% | 79.3%+/-8.5% |
通過對表1進行分析可知,使用本揭示實施例中的三維的時間動態圖像的分割精度較使用原始DCE-MRI資料的分割精度平均高10%,也就是說,本揭示實施例的技術方案能夠有效提升醫生的診斷效率和醫學圖像的分割精度。
在本揭示的一個實施例中,使用本揭示實施例的技術方案中的三維的時間動態圖像還能夠提高對較複雜的背景強化類型的醫學圖像的分割結果。第10A-10C圖示出了一種對背景強化類型的醫學圖像進行腫瘤分割的介面示意圖,如第10A-10C圖所示,第10A圖示出了對背景強化類型的醫學圖像的標注結果;第10B圖示出了通過三維的時間動態圖像對背景強化類型的醫學圖像的分割結果,該方法的分割精度達到87%;第10C圖示出了通過原始的DCE-MRI資料對背景強化類型的醫學圖像的分割結果,該方法的分割精度為69%。由此說明,本揭示實施例的技術方案能夠提高醫學圖像分割的精度,並且能夠對各種類型的醫學圖像進行分割,適用範圍更廣。
本揭示上述實施例的技術方案能夠從多個3D DCE-MRI資料中提取一個3D資料,直接用於目標區域的標注和醫學圖像分割模型的訓練,使得醫學圖像分割模型的訓練更簡便;也避免了醫生在做MRI影像診斷時,需要選擇先閱讀哪一個時間點的3D DCE-MRI圖像,而是可以先通過觀看本揭示實施例的技術方案所獲取的3D圖像來觀察病灶區域,再進一步選擇某些時間點的3D DCE-MRI圖像,進一步提高了診斷效率。
在本揭示的一個實施例中,還提供了一種圖像分割方法,第11圖示出了圖像分割方法的流程圖,如第11圖所示,在步驟S1110中,獲取多個待處理圖像集,各所述待處理圖像集包括多個對應不同時間點的待處理圖像;在步驟S1120中,根據所述待處理圖像和所述待處理圖像對應的時間點,對所述待處理圖像集進行時間維度的處理,以獲取時間動態圖像;在步驟S1130中,將所述時間動態圖像輸入至圖像分割模型,通過所述圖像分割模型根據所述時間動態圖像中圖元的亮度變化從所述時間動態圖像中提取目標區域特徵,以獲取目標區域。該圖像分割方法與上述實施例中的醫學圖像分割方法類似,但是該方法不僅可以對醫學圖像進行分割,還可以用於對其他任意類型的圖像進行分割,例如對生物實驗中的樣本圖像進行分割、對金屬加工過程中的圖像進行分割、對管道中損傷位置的分割等等,只要圖像中部分區域的特徵隨著時間推移,其變化趨勢不同於其它區域特徵的變化趨勢,都可以採用本揭示實施例中的圖像分割方法進行分割。進一步地,該圖像分割方法可以以本揭示實施例中醫學圖像分割方法的具體實施方式實施,因此本揭示在此不再贅述。
在本揭示的一個實施例中,各待處理圖像集中對應相同時間點的待處理圖像能夠形成一三維圖像,同時多個對應不同時間點的待處理圖像可以形成三維圖像序列,通過本揭示實施例中的圖像分割方法可以對三維圖像序列進行識別分割,獲取其中的目標區域。
以下介紹本揭示的裝置實施例,可以用於執行本揭示上述實施例中的醫學圖像分割方法。對於本揭示裝置實施例中未披露的細節,請參照本揭示上述的醫學圖像分割方法的實施例。
第12圖示意性示出了根據本揭示的一個實施例的醫學圖像分割裝置的框圖。
參照第12圖所示,根據本揭示的一個實施例的醫學圖像分割裝置1200包括:獲取模組1201、處理模組1202和分割模組1203。
獲取模組1201用於獲取多個待處理醫學圖像集,各所述待處理醫學圖像集包括多個對應不同時間點的待處理醫學圖像;處理模組1202用於根據所述待處理醫學圖像和所述待處理醫學圖像對應的時間點,對所述待處理醫學圖像集進行時間維度的處理,以獲取時間動態圖像;分割模組1203用於將所述時間動態圖像輸入至醫學圖像分割模型,通過所述醫學圖像分割模型從所述時間動態圖像中提取目標區域特徵,以獲取目標區域。
在本揭示的一個實施例中,各所述待處理醫學圖像集分別對應一橫斷面,並且各所述待處理醫學圖像集中對應同一時間點的所述待處理醫學圖像組成三維醫學圖像;基於前述方案,所述醫學圖像分割裝置1200包括:橫斷面確定模組,用於根據所述三維醫學圖像的三個維度確定所述橫斷面對應的座標面和橫斷面坐標軸,其中所述橫斷面坐標軸與所述座標面垂直。
在本揭示的一個實施例中,所述處理模組1202包括:四維資料獲取單元,用於根據各所述橫斷面對應的待處理醫學圖像資料和所述時間點確定與所述橫斷面對應的四維資料;第一時間分量獲取單元,用於對所述橫斷面對應的四維資料進行解析,以獲得各所述橫斷面對應的時間分量;第二時間分量獲取單元,用於根據各所述橫斷面對應的時間分量確定與多個所述待處理醫學圖像集對應的目標時間分量;後處理單元,用於對所述目標時間分量進行後處理,以獲得所述時間動態圖像。
在本揭示的一個實施例中,所述四維資料獲取單元包括:空間座標確定單元,用於根據所述橫斷面對應的待處理醫學圖像資料確定第一座標、第二座標、橫斷面座標,所述第一座標、所述第二座標和所述橫斷面座標相互垂直;時間座標確定單元,用於根據所述時間點確定時間座標;四維資料確定單元,用於根據所述第一座標、所述第二座標、所述橫斷面座標和所述時間座標構建四維坐標軸,並根據所述四維坐標軸確定所述四維資料。
在本揭示的一個實施例中,所述第一時間分量獲取單元包括:第一圖像資料獲取單元,用於根據所述橫斷面座標確定目標橫斷面,獲取與所述目標橫斷面對應的第一圖像資料,所述第一圖像資料包括所述第一座標、所述第二座標和所述時間座標;多維解析單元,用於對所述第一圖像資料進行多維解析,以獲取所述目標橫斷面對應的時間分量;重複上述步驟,直至獲取與各所述橫斷面對應的時間分量。
在本揭示的一個實施例中,所述第二時間分量獲取單元配置為:根據各所述橫斷面對應的時間分量、與各所述橫斷面對應的第一座標、第二座標和橫斷面座標確定所述目標時間分量。
在本揭示的一個實施例中,所述多維解析單元配置為:通過三維柯利弗德代數對所述第一圖像資料進行多維解析,以獲取與所述目標橫斷面對應的時間分量。
在本揭示的一個實施例中,所述後處理單元配置為:根據所述目標時間分量,確定在多個所述時間點時各所述橫斷面對應的子時間分量,所述子時間分量的數量與所述時間點的數量相同;將與各所述橫斷面對應的所述子時間分量分別進行加和平均,以獲取目標平均值;根據所述目標平均值構建所述時間動態圖像。
在本揭示的一個實施例中,所述後處理單元配置為:根據所述目標時間分量,確定在多個所述時間點時各所述橫斷面對應的子時間分量,所述子時間分量的數量與所述時間點的數量相同;分別獲取與各所述橫斷面對應的所述子時間分量中的最大值;根據所述子時間分量中的最大值構建所述時間動態圖像。
在本揭示的一個實施例中,所述後處理單元配置為:根據所述目標時間分量,確定在多個所述時間點時各所述橫斷面對應的子時間分量,所述子時間分量的數量與所述時間點的數量相同;獲取與各所述橫斷面對應的所述子時間分量中的最大值和最小值,並將所述最大值和所述最小值作差,以獲取目標差值;根據所述目標差值構建所述時間動態圖像。
在本揭示的一個實施例中,所述的醫學圖像分割裝置1200還包括:樣本獲取模組和訓練模組。
樣本獲取模組用於獲取時間動態圖像樣本和與所述時間動態樣本對應的目標區域標注樣本;訓練模組用於根據所述時間動態圖像樣本和所述目標區域標注樣本對一待訓練醫學圖像分割模型進行訓練,以獲得所述醫學圖像分割模型。
在本揭示的一些實施例中,所述三維醫學圖像為三維動態對比度增強磁共振成像圖像。
第13圖示出了一種醫學圖像分割系統,如第13圖所示,醫學圖像分割系統1300包括檢測設備1301和電子設備1302。
檢測設備1301用於對檢測物件進行掃描檢測,以獲取多個待處理醫學圖像集,其中各所述待處理醫學圖像集包括多個對應不同時間點的待處理醫學圖像;電子設備1302與所述檢測設備1301連接,並且所述電子設備1302包括儲存裝置1302a和處理器1302b,其中所述儲存裝置1302a用於儲存一個或多個程式,當所述一個或多個程式被所述處理器1302b執行時,使得所述處理器1302實現上述的醫學圖像分割方法,以對所述多個待處理醫學圖像集進行處理,獲取目標區域。
在本揭示的一個實施例中,檢測設備1301可以是CT設備中用於獲取掃描圖像的掃描裝置,該掃描裝置包含射線發射源、探測器和掃描架;可以是核磁共振成像設備中用於獲取掃描圖像的掃描裝置,該掃描裝置包含磁體部分、磁共振波譜儀部分和掃描床;還可以是螢光透視設備中用於獲取掃描圖像的掃描裝置,該掃描裝置包含射線發射源和探測器,當然還可以是其它的檢測設備,只要可以用於對檢測物件進行掃描獲取掃描圖像即可,本揭示對此不做具體限定。檢測設備1301掃描得到多個待處理醫學圖像集後,可以將多個待處理醫學圖像集發送至電子設備1302中的儲存裝置1302a和/或處理器1302b,儲存裝置1302a還儲存有一個或多個程式供處理器1302b執行。處理器1302b可以對多個待處理醫學圖像集執行儲存在儲存裝置1302a中的一個或多個程式,也就是說,處理器1302b能夠根據本揭示實施例中的技術方案對多個待處理醫學圖像集進行圖像分割,以獲取目標區域,進一步地,處理器1302b還可以將包含該目標區域的圖像發送至與電子設備1302連接的顯示裝置(未示出)進行顯示,以供醫生觀察確定病灶並制定治療方案。
第14圖示出了適於用來實現本揭示實施例的電子設備1302的電腦系統的結構示意圖。
需要說明的是,第14圖示出的電子設備1302的電腦系統1400僅是一個示例,不應對本揭示實施例的功能和使用範圍帶來任何限制。
如第14圖所示,電腦系統1400包括中央處理單元(Central Processing Unit,CPU)1401,其可以根據儲存在唯讀記憶體(Read-Only Memory,ROM)1402中的程式或者從儲存部分1408載入到隨機訪問記憶體(Random Access Memory,RAM)1403中的程式而執行各種適當的動作和處理。在隨機訪問記憶體1403中還儲存有系統操作所需的各種程式和資料。中央處理單元1401、唯讀記憶體1402以及隨機訪問記憶體1403通過匯流排1404彼此相連。輸入/輸出(Input /Output,I/O)介面1405也連接至匯流排1404。
以下部件連接至輸入/輸出介面1405:包括鍵盤、滑鼠等的輸入部分1406;包括諸如陰極射線管(Cathode Ray Tube,CRT)、液晶顯示器(Liquid Crystal Display,LCD)等以及揚聲器等的輸出部分1407;包括硬碟等的儲存部分1408;以及包括諸如LAN(Local Area Network,局域網)卡、數據機等的網路介面卡的通信部分1409。通信部分1409經由諸如網際網路的網路執行通信處理。驅動器1410也根據需要連接至輸入/輸出介面1405。可拆卸介質1411諸如磁片、光碟、磁光碟、半導體記憶體等等,根據需要安裝在驅動器1410上,以便於從其上讀出的電腦程式根據需要被安裝入儲存部分1408。
特別地,根據本揭示的實施例,本文參考流程圖描述的過程可以被實現為電腦軟體程式。例如,本揭示的實施例包括一種電腦程式產品,其包括承載在電腦可讀介質上的電腦程式,該電腦程式包含用於執行流程圖所示的方法的程式碼。在這樣的實施例中,該電腦程式可以通過通信部分1409從網路上被下載和安裝,和/或從可拆卸介質1411被安裝。在該電腦程式被中央處理單元1401執行時,執行本揭示的系統中限定的各種功能。
需要說明的是,本揭示實施例所示的電腦可讀介質可以是電腦可讀信號介質或者電腦可讀儲存介質或者是上述兩者的任意組合。電腦可讀儲存介質例如可以是但不限於電、磁、光、電磁、紅外線、或半導體的系統、裝置或器件,或者任意以上的組合。電腦可讀儲存介質的更具體的例子可以包括但不限於:具有一個或多個導線的電連接、可擕式電腦磁片、硬碟、隨機訪問記憶體(RAM)、唯讀記憶體(ROM)、可擦式可程式設計唯讀記憶體(Erasable Programmable Read Only Memory,EPROM)、快閃記憶體、光纖、可擕式緊湊磁片唯讀記憶體(Compact Disc Read-Only Memory,CD-ROM)、光記憶體件、磁記憶體件、或者上述的任意合適的組合。在本揭示中,電腦可讀儲存介質可以是任何包含或儲存程式的有形介質,該程式可以被指令執行系統、裝置或者器件使用或者與其結合使用。而在本揭示中,電腦可讀的信號介質可以包括在基帶中或者作為載波一部分傳播的資料信號,其中承載了電腦可讀的程式碼。這種傳播的資料信號可以採用多種形式,包括但不限於電磁信號、光信號或上述的任意合適的組合。電腦可讀的信號介質還可以是電腦可讀儲存介質以外的任何電腦可讀介質,該電腦可讀介質可以發送、傳播或者傳輸用於由指令執行系統、裝置或者器件使用或者與其結合使用的程式。電腦可讀介質上包含的程式碼可以用任何適當的介質傳輸,包括但不限於:無線、有線等等,或者上述的任意合適的組合。
附圖中的流程圖和方塊圖圖示了按照本揭示各種實施例的系統、方法和電腦程式產品的可能實現的體系架構、功能和操作。在這點上,流程圖或方塊圖中的每個方塊可以代表一個模組、程式段、或代碼的一部分,上述模組、程式段、或代碼的一部分包含一個或多個用於實現規定的邏輯功能的可執行指令。也應當注意,在有些作為替換的實現中,方塊中所標注的功能也可以以不同於附圖中所標注的順序發生。例如,兩個接連地表示的方框實際上可以基本並行地執行,它們有時也可以按相反的循序執行,這依所涉及的功能而定。也要注意的是,方塊圖或流程圖中的每個方塊以及方塊圖或流程圖中的方塊的組合,可以用執行規定的功能或操作的專用的基於硬體的系統來實現,或者可以用專用硬體與電腦指令的組合來實現。
描述于本揭示實施例中所涉及到的單元可以通過軟體的方式實現,也可以通過硬體的方式來實現,所描述的單元也可以設置在處理器中。其中,這些單元的名稱在某種情況下並不構成對該單元本身的限定。
作為另一方面,本揭示還提供了一種電腦可讀介質,該電腦可讀介質可以是上述實施例中描述的電子設備中所包含的;也可以是單獨存在,而未裝配入該電子設備中。上述電腦可讀介質承載有一個或者多個程式,當上述一個或者多個程式被一個該電子設備執行時,使得該電子設備實現上述實施例中所述的方法。
應當注意,儘管在上文詳細描述中提及了用於動作執行的設備的若干模組或者單元,但是這種劃分並非強制性的。實際上,根據本揭示的實施方式,上文描述的兩個或更多模組或者單元的特徵和功能可以在一個模組或者單元中具體化。反之,上文描述的一個模組或者單元的特徵和功能可以進一步劃分為由多個模組或者單元來具體化。
通過以上的實施方式的描述,本揭示所屬技術領域中具有通常知識者易於理解這裡描述的示例實施方式可以通過軟體實現,也可以通過軟體結合必要的硬體的方式來實現。因此,根據本揭示實施方式的技術方案可以以軟體產品的形式體現出來,該軟體產品可以儲存在一個非易失性儲存介質(可以是CD-ROM,U盤,移動硬碟等)中或網路上,包括若干指令以使得一台計算設備(可以是個人電腦、伺服器、觸控終端、或者網路設備等)執行根據本揭示實施方式的方法。
本揭示所屬技術領域中具有通常知識者在考慮說明書及實踐這裡公開的揭示後,將容易想到本揭示的其它實施方案。本揭示旨在涵蓋本揭示的任何變型、用途或者適應性變化,這些變型、用途或者適應性變化遵循本揭示的一般性原理並包括本揭示未公開的本技術領域中的公知常識或慣用技術手段。
雖然本揭示已用較佳實施例揭露如上,然其並非用以限定本揭示,本揭示所屬技術領域中具有通常知識者在不脫離本揭示之精神和範圍內,當可作各種之更動與潤飾,因此本揭示之保護範圍當視後附之申請專利範圍所界定者為準。
100:系統架構
101、102、103:終端設備
104:網路
105:伺服器
1200:醫學圖像分割裝置
1201:獲取模組
1202:處理模組
1203:分割模組
1300:醫學圖像分割系統
1301:檢測設備
1302:電子設備
1302a:儲存裝置
1302b:處理器
1400:電腦系統
1401:中央處理單元
1402:唯讀記憶體
1403:隨機訪問記憶體
1404:匯流排
1405:輸入/輸出介面
1406:輸入部分
1407:輸出部分
1408:儲存部分
1409:通信部分
1410:驅動器
1411:可拆卸介質
S210-S230、S510-S540、S610-S630、S910-S920、S1110-S1130:步驟
[第1圖]顯示可以應用本揭示實施例的技術方案的示例性系統架構的示意圖。
[第2圖]顯示根據本揭示的一個實施例的醫學圖像分割方法的流程圖。
[第3圖]顯示根據本揭示的一個實施例的待處理醫學圖像集中對應多個不同時間點的待處理醫學圖像的結構示意圖。
[第4圖]顯示根據本揭示的一個實施例的橫斷面的分佈示意圖。
[第5圖]顯示根據本揭示的一個實施例的獲取時間動態圖像的流程圖。
[第6圖]顯示根據本揭示的一個實施例的挖掘目標文本資料中包含的主題詞和觀點詞,得到置信度高於預定值的目標主題詞和目標觀點詞的流程圖。
[第7A-7C圖]顯示相關技術中注射造影劑後的某個時間點的DCE-MRI圖像。
[第8A-8C圖]顯示根據本揭示的一個實施例的注射造影劑後的三維的時間動態圖像。
[第9圖]顯示根據本揭示的一個實施例的對待訓練醫學圖像分割模型進行訓練的流程圖。
[第10A-10C圖]顯示根據本揭示的一個實施例的對背景強化類型的醫學圖像進行腫瘤分割的介面示意圖。
[第11圖]顯示根據本揭示的一個實施例的圖像分割方法的流程圖。
[第12圖]顯示根據本揭示的一個實施例的醫學圖像分割裝置的框圖。
[第13圖]顯示根據本揭示的一個實施例的醫學圖像分割系統的結構示意圖。
[第14圖]顯示適於用來實現本揭示實施例的電子設備的電腦系統的結構示意圖。
S210-S230:步驟
Claims (16)
- 一種醫學圖像分割方法,包括: 獲取多個待處理醫學圖像集,各所述待處理醫學圖像集包括多個對應不同時間點的待處理醫學圖像; 根據所述待處理醫學圖像和所述待處理醫學圖像對應的時間點,對所述待處理醫學圖像集進行時間維度的處理,以獲取時間動態圖像;以及 將所述時間動態圖像輸入至醫學圖像分割模型,通過所述醫學圖像分割模型從所述時間動態圖像中提取目標區域特徵,以獲取目標區域。
- 如請求項1之醫學圖像分割方法,其中各所述待處理醫學圖像集分別對應一橫斷面,並且各所述待處理醫學圖像集中對應同一時間點的所述待處理醫學圖像組成三維醫學圖像; 根據所述待處理醫學圖像和所述待處理醫學圖像對應的時間點,對所述待處理醫學圖像集進行時間維度的處理,以獲取時間動態圖像之前,所述方法還包括: 根據所述三維醫學圖像的三個維度確定所述橫斷面對應的座標面和橫斷面坐標軸,其中所述橫斷面坐標軸與所述座標面垂直。
- 如請求項2之醫學圖像分割方法,其中根據所述待處理醫學圖像和所述待處理醫學圖像對應的時間點,對所述待處理醫學圖像集進行時間維度的處理,以獲取時間動態圖像,包括: 根據各所述橫斷面對應的待處理醫學圖像資料和所述時間點確定與所述橫斷面對應的四維資料; 對所述橫斷面對應的四維資料進行解析,以獲得各所述橫斷面對應的時間分量; 根據各所述橫斷面對應的時間分量確定與多個所述待處理醫學圖像集對應的目標時間分量;以及 對所述目標時間分量進行後處理,以獲得所述時間動態圖像。
- 如請求項3之醫學圖像分割方法,其中根據各所述橫斷面對應的待處理醫學圖像資料和所述時間點確定與所述橫斷面對應的四維資料,包括: 根據所述橫斷面對應的待處理醫學圖像資料確定第一座標、第二座標、橫斷面座標,所述第一座標、所述第二座標和所述橫斷面座標相互垂直; 根據所述時間點確定時間座標;以及 根據所述第一座標、所述第二座標、所述橫斷面座標和所述時間座標構建四維坐標軸,並根據所述四維坐標軸確定所述四維資料。
- 如請求項4之醫學圖像分割方法,其中對所述橫斷面對應的四維資料進行解析,以獲得各所述橫斷面對應的時間分量,包括: 根據所述橫斷面座標確定目標橫斷面,獲取與所述目標橫斷面對應的第一圖像資料,所述第一圖像資料包括所述第一座標、所述第二座標和所述時間座標; 對所述第一圖像資料進行多維解析,以獲取與所述目標橫斷面對應的時間分量;以及 重複上述步驟,直至獲取與各所述橫斷面對應的時間分量。
- 如請求項4之醫學圖像分割方法,其中根據各所述橫斷面對應的時間分量確定與多個所述待處理醫學圖像集對應的目標時間分量,包括: 根據各所述橫斷面對應的時間分量、與各所述橫斷面對應的第一座標、第二座標和橫斷面座標確定所述目標時間分量。
- 如請求項5之醫學圖像分割方法,其中對所述第一圖像資料進行多維解析,以獲取與所述目標橫斷面對應的時間分量,包括: 通過三維柯利弗德代數對所述第一圖像資料進行多維解析,以獲取與所述目標橫斷面對應的時間分量。
- 如請求項3至7任一項之醫學圖像分割方法,其中對所述目標時間分量進行後處理,以獲得所述時間動態圖像,包括: 根據所述目標時間分量,確定在多個所述時間點時各所述橫斷面對應的子時間分量,所述子時間分量的數量與所述時間點的數量相同; 將與各所述橫斷面對應的所述子時間分量分別進行加和平均,以獲取目標平均值;以及 根據所述目標平均值構建所述時間動態圖像。
- 如請求項3至7任一項之醫學圖像分割方法,其中對所述目標時間分量進行後處理,以獲得所述時間動態圖像,包括: 根據所述目標時間分量,確定在多個所述時間點時各所述橫斷面對應的子時間分量,所述子時間分量的數量與所述時間點的數量相同; 分別獲取與各所述橫斷面對應的所述子時間分量中的最大值;以及 根據所述子時間分量中的最大值構建所述時間動態圖像。
- 如請求項3至7任一項之醫學圖像分割方法,其中對所述目標時間分量進行後處理,以獲得所述時間動態圖像,包括: 根據所述目標時間分量,確定在多個所述時間點時各所述橫斷面對應的子時間分量,所述子時間分量的數量與所述時間點的數量相同; 獲取與各所述橫斷面對應的所述子時間分量中的最大值和最小值,並將所述最大值和所述最小值作差,以獲取目標差值;以及 根據所述目標差值構建所述時間動態圖像。
- 如請求項1之醫學圖像分割方法,其中在將所述時間動態圖像輸入至醫學圖像分割模型,通過所述醫學圖像分割模型從所述時間動態圖像中提取目標區域特徵,以獲取目標區域之前,所述方法還包括: 獲取時間動態圖像樣本和與所述時間動態圖像樣本對應的目標區域標注樣本;以及 根據所述時間動態圖像樣本和所述目標區域標注樣本對一待訓練醫學圖像分割模型進行訓練,以獲得所述醫學圖像分割模型。
- 如請求項2之醫學圖像分割方法,其中所述三維醫學圖像為三維動態對比度增強磁共振成像圖像。
- 一種醫學圖像分割裝置,包括: 一獲取模組,用於獲取多個待處理醫學圖像集,各所述待處理醫學圖像集包括多個對應不同時間點的待處理醫學圖像; 一處理模組,用於根據所述待處理醫學圖像和所述待處理醫學圖像對應的時間點,對所述待處理醫學圖像集進行時間維度的處理,以獲取時間動態圖像;以及 一分割模組,用於將所述時間動態圖像輸入至醫學圖像分割模型,通過所述醫學圖像分割模型從所述時間動態圖像中提取目標區域特徵,以獲取目標區域。
- 一種醫學圖像分割系統,包括: 一檢測設備,用於對檢測物件進行掃描檢測,以獲取多個待處理醫學圖像集,其中各所述待處理醫學圖像集包括多個對應不同時間點的待處理醫學圖像;以及 一電子設備,與所述檢測設備連接,並且所述電子設備包括儲存裝置和處理器,其中所述儲存裝置用於儲存一個或多個程式,當所述一個或多個程式被所述處理器執行時,使得所述處理器實現如請求項1之醫學圖像分割方法,以對所述多個待處理醫學圖像集進行處理,獲取目標區域。
- 一種圖像分割方法,包括: 獲取多個待處理圖像集,各所述待處理圖像集包括多個對應不同時間點的待處理圖像; 根據所述待處理圖像和所述待處理圖像對應的時間點,對所述待處理圖像集進行時間維度的處理,以獲取時間動態圖像;以及 將所述時間動態圖像輸入至圖像分割模型,通過所述圖像分割模型從所述時間動態圖像中提取目標區域特徵,以獲取目標區域。
- 如請求項15之圖像分割方法,其中各所述待處理圖像集中對應相同時間點的待處理圖像形成一三維圖像,並且所述多個對應不同時間點的待處理圖像形成三維圖像序列。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910116353.0A CN109872312B (zh) | 2019-02-15 | 2019-02-15 | 医学图像分割方法、装置、系统及图像分割方法 |
CN201910116353.0 | 2019-02-15 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202032577A true TW202032577A (zh) | 2020-09-01 |
TWI750583B TWI750583B (zh) | 2021-12-21 |
Family
ID=66918681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109104094A TWI750583B (zh) | 2019-02-15 | 2020-02-10 | 醫學圖像分割方法、裝置、系統及圖像分割方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11954864B2 (zh) |
EP (1) | EP3926537A4 (zh) |
CN (2) | CN110490851B (zh) |
TW (1) | TWI750583B (zh) |
WO (1) | WO2020164468A1 (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490851B (zh) | 2019-02-15 | 2021-05-11 | 腾讯科技(深圳)有限公司 | 基于人工智能的乳腺图像分割方法、装置及系统 |
CN110445954B (zh) * | 2019-07-26 | 2022-04-26 | 腾讯医疗健康(深圳)有限公司 | 图像采集方法、装置及电子设备 |
CN111429474B (zh) * | 2020-02-27 | 2023-04-07 | 西北大学 | 基于混合卷积的乳腺dce-mri图像病灶分割模型建立及分割方法 |
CN112154483A (zh) | 2020-07-15 | 2020-12-29 | 北京肿瘤医院(北京大学肿瘤医院) | 一种利用光学体表运动信号合成实时图像的方法及系统 |
CN112365959B (zh) * | 2020-12-07 | 2024-05-28 | 推想医疗科技股份有限公司 | 修改三维图像的标注的方法及装置 |
CN113160253B (zh) * | 2020-12-29 | 2024-01-30 | 南通大学 | 基于稀疏标记的三维医学图像分割方法及存储介质 |
US11580646B2 (en) * | 2021-03-26 | 2023-02-14 | Nanjing University Of Posts And Telecommunications | Medical image segmentation method based on U-Net |
CN113838020B (zh) * | 2021-09-17 | 2024-06-18 | 仰和华健数字医疗科技(上海)有限公司 | 一种基于钼靶影像的病变区域量化方法 |
CN114332132A (zh) * | 2021-12-31 | 2022-04-12 | 联影智能医疗科技(成都)有限公司 | 图像分割方法、装置和计算机设备 |
CN116543001B (zh) * | 2023-05-26 | 2024-01-12 | 广州工程技术职业学院 | 彩色图像边缘检测方法及装置、设备、存储介质 |
CN118039088B (zh) * | 2024-04-15 | 2024-06-07 | 达州爱迦飞诗特科技有限公司 | 一种人工智能辅助诊断数据处理系统 |
Family Cites Families (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6961454B2 (en) * | 2001-10-04 | 2005-11-01 | Siemens Corporation Research, Inc. | System and method for segmenting the left ventricle in a cardiac MR image |
US8131043B2 (en) * | 2005-09-16 | 2012-03-06 | The Ohio State University | Method and apparatus for detecting interventricular dyssynchrony |
EP1780651A1 (en) * | 2005-10-25 | 2007-05-02 | Bracco Imaging, S.P.A. | Method and system for automatic processing and evaluation of images, particularly diagnostic images |
CN101334895B (zh) * | 2008-08-07 | 2011-09-14 | 清华大学 | 一种针对动态增强乳腺磁共振影像序列的影像分割方法 |
JP5399225B2 (ja) * | 2008-12-15 | 2014-01-29 | 富士フイルム株式会社 | 画像処理装置および方法並びにプログラム |
EP2336979B1 (de) * | 2009-11-05 | 2014-03-12 | TomTec Imaging Systems GmbH | Verfahren und Vorrichtung zur Segmentierung von medizinischen Bilddaten |
US20110200227A1 (en) * | 2010-02-17 | 2011-08-18 | Siemens Medical Solutions Usa, Inc. | Analysis of data from multiple time-points |
CN103201767A (zh) * | 2010-10-19 | 2013-07-10 | 皇家飞利浦电子股份有限公司 | 医学图像系统 |
CN103236058B (zh) * | 2013-04-25 | 2016-04-13 | 内蒙古科技大学 | 获取四维心脏图像感兴趣体积的方法 |
CN104143035B (zh) * | 2013-05-10 | 2016-01-20 | 上海联影医疗科技有限公司 | 一种分割乳腺病灶的方法 |
CN103426169B (zh) * | 2013-07-26 | 2016-12-28 | 西安华海盈泰医疗信息技术有限公司 | 一种医学图像的分割方法 |
US9652871B2 (en) * | 2015-01-28 | 2017-05-16 | Impac Medical Systems, Inc. | Three dimensional localization of a moving target for adaptive radiation therapy |
CN104809723B (zh) * | 2015-04-13 | 2018-01-19 | 北京工业大学 | 基于超体素和图割算法的三维肝脏ct图像自动分割方法 |
US10335115B2 (en) * | 2015-09-03 | 2019-07-02 | Siemens Healthcare Gmbh | Multi-view, multi-source registration of moving anatomies and devices |
KR101718868B1 (ko) * | 2015-09-21 | 2017-03-22 | 한국과학기술연구원 | 자동 의료영상 분할에 의한 3차원 악안면 모델 형성 방법, 이를 수행하는 자동 영상 분할과 모델 형성 서버 및 이를 저장하는 기록매체 |
EP3411118B1 (en) * | 2016-02-02 | 2020-09-16 | Elekta Ltd. | Three dimensional respiratory motion management in image-guided radiotherapy |
CN106056610A (zh) * | 2016-06-02 | 2016-10-26 | 南方医科大学 | 基于图割的肺4d‑ct多相位肿瘤联合分割方法 |
CN106228601B (zh) * | 2016-07-21 | 2019-08-06 | 山东大学 | 基于小波变换的多尺度锥束ct图像快速三维重建方法 |
US11039757B2 (en) * | 2016-11-22 | 2021-06-22 | Cedars-Sinai Medical Center | Method and system for cardiac motion corrected MR exam using deformable registration |
CN106600621B (zh) * | 2016-12-08 | 2019-07-19 | 温州医科大学 | 基于婴幼儿脑瘤多模态mri图的时空协同分割方法 |
TWI756365B (zh) | 2017-02-15 | 2022-03-01 | 美商脫其泰有限責任公司 | 圖像分析系統及相關方法 |
CN108509830B (zh) * | 2017-02-28 | 2020-12-01 | 华为技术有限公司 | 一种视频数据处理方法及设备 |
EP3410393A1 (en) * | 2017-06-01 | 2018-12-05 | Siemens Healthcare GmbH | Comparing medical images |
TW201903708A (zh) | 2017-06-06 | 2019-01-16 | 國立陽明大學 | 數位減影血管攝影圖像的分析方法與系統 |
US10219768B2 (en) * | 2017-06-08 | 2019-03-05 | Emass Llc | Method for standardizing target lesion selection and tracking on medical images |
WO2019023900A1 (zh) * | 2017-07-31 | 2019-02-07 | 深圳联影医疗科技有限公司 | 在体数据中提取感兴趣区域的方法及系统 |
CN107808377B (zh) * | 2017-10-31 | 2019-02-12 | 北京青燕祥云科技有限公司 | 一种肺叶中病灶的定位装置 |
WO2019103912A2 (en) * | 2017-11-22 | 2019-05-31 | Arterys Inc. | Content based image retrieval for lesion analysis |
CN108038848B (zh) * | 2017-12-07 | 2020-08-11 | 上海交通大学 | 基于医学影像序列斑块稳定性指标的快速计算方法及系统 |
CN108109170B (zh) * | 2017-12-18 | 2022-11-08 | 上海联影医疗科技股份有限公司 | 医学图像扫描方法及医学影像设备 |
CN108537803B (zh) * | 2018-03-30 | 2019-08-23 | 北京灵医灵科技有限公司 | 一种ct图像交互分割方法及装置 |
EP3791316A1 (en) * | 2018-06-13 | 2021-03-17 | Siemens Healthcare GmbH | Localization and classification of abnormalities in medical images |
CN109242863B (zh) * | 2018-09-14 | 2021-10-26 | 北京市商汤科技开发有限公司 | 一种缺血性脑卒中图像区域分割方法及装置 |
CN109215764B (zh) * | 2018-09-21 | 2021-05-04 | 苏州瑞派宁科技有限公司 | 一种医学图像四维可视化的方法及装置 |
CN110490851B (zh) * | 2019-02-15 | 2021-05-11 | 腾讯科技(深圳)有限公司 | 基于人工智能的乳腺图像分割方法、装置及系统 |
-
2019
- 2019-02-15 CN CN201910741376.0A patent/CN110490851B/zh active Active
- 2019-02-15 CN CN201910116353.0A patent/CN109872312B/zh active Active
-
2020
- 2020-02-10 TW TW109104094A patent/TWI750583B/zh active
- 2020-02-11 EP EP20755319.9A patent/EP3926537A4/en active Pending
- 2020-02-11 WO PCT/CN2020/074712 patent/WO2020164468A1/zh unknown
-
2021
- 2021-04-23 US US17/239,532 patent/US11954864B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
CN109872312A (zh) | 2019-06-11 |
EP3926537A1 (en) | 2021-12-22 |
TWI750583B (zh) | 2021-12-21 |
CN109872312B (zh) | 2022-12-20 |
CN110490851B (zh) | 2021-05-11 |
CN110490851A (zh) | 2019-11-22 |
US20210264613A1 (en) | 2021-08-26 |
US11954864B2 (en) | 2024-04-09 |
WO2020164468A1 (zh) | 2020-08-20 |
EP3926537A4 (en) | 2022-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI750583B (zh) | 醫學圖像分割方法、裝置、系統及圖像分割方法 | |
US10628930B1 (en) | Systems and methods for generating fused medical images from multi-parametric, magnetic resonance image data | |
US9858665B2 (en) | Medical imaging device rendering predictive prostate cancer visualizations using quantitative multiparametric MRI models | |
CN107886508B (zh) | 差分减影方法和医学图像处理方法及系统 | |
CN113781439B (zh) | 超声视频病灶分割方法及装置 | |
US10074037B2 (en) | System and method for determining optimal operating parameters for medical imaging | |
US20110060755A1 (en) | Method of selectively and interactively processing data sets | |
CN111080584A (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
Heydarheydari et al. | Auto-segmentation of head and neck tumors in positron emission tomography images using non-local means and morphological frameworks | |
Tiago et al. | A data augmentation pipeline to generate synthetic labeled datasets of 3D echocardiography images using a GAN | |
US20090069665A1 (en) | Automatic Lesion Correlation in Multiple MR Modalities | |
Xanthis et al. | Simulator-generated training datasets as an alternative to using patient data for machine learning: an example in myocardial segmentation with MRI | |
Xu et al. | Deep learning-based automated detection of arterial vessel wall and plaque on magnetic resonance vessel wall images | |
Aja-Fernández et al. | Validation of deep learning techniques for quality augmentation in diffusion MRI for clinical studies | |
JP6813759B2 (ja) | 投影画像演算処理装置、投影画像演算処理方法および投影画像演算処理プログラム | |
CN113538395A (zh) | 图像处理方法、装置、设备、可读存储介质 | |
US20240212165A1 (en) | Medical image segmentation method, image segmentation method, and related apparatus and system | |
CN111035403A (zh) | 一种扫描时机确定方法、装置、设备及存储介质 | |
Zhang et al. | Breast fibroglandular tissue segmentation for automated BPE quantification with iterative cycle-consistent semi-supervised learning | |
US20230260141A1 (en) | Deep learning for registering anatomical to functional images | |
Zhang et al. | Notice of Removal: IAT: A Full-Scale IVUS Analysis Toolbox Based on Deep Learning Algorithms for Clinical Diagnosis | |
Marques | Fundamentals of Medical Image Analysis | |
Laputin et al. | Computer Vision Methods for Assessing Ovarian Reserve | |
Liu et al. | Benchmarking and Boosting Radiology Report Generation for 3D High-Resolution Medical Images | |
Jiang et al. | Super Resolution of Pulmonary Nodules Target Reconstruction Using a Two-Channel GAN Models |