TW202203151A - 圖像處理方法及電子設備、電腦可讀儲存介質 - Google Patents
圖像處理方法及電子設備、電腦可讀儲存介質 Download PDFInfo
- Publication number
- TW202203151A TW202203151A TW110112237A TW110112237A TW202203151A TW 202203151 A TW202203151 A TW 202203151A TW 110112237 A TW110112237 A TW 110112237A TW 110112237 A TW110112237 A TW 110112237A TW 202203151 A TW202203151 A TW 202203151A
- Authority
- TW
- Taiwan
- Prior art keywords
- target
- image
- name
- primitive
- primitive point
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本發明實施例關於一種圖像處理方法及電子設備、電腦可讀儲存介質。所述圖像處理方法包括:獲取包括目標對象的目標圖像;對所述目標圖像進行分割,得到所述目標圖像中至少一個圖元點的名稱,作為分割結果;根據所述分割結果,確定所述目標對象中至少一個目標子對象的名稱。
Description
本發明涉及圖像處理技術領域,尤其涉及一種圖像處理方法及電子設備、電腦可讀儲存介質。
心腦血管疾病是當前致死率最高的疾病之一,其中冠心病發病率最高。冠心病是由於動脈粥樣硬化導致冠狀動脈管腔狹窄,導致心肌供血不足而引起一系列臨床病症。
在對冠心病的分析過程中,病變的定位以及醫療報告中的說明分析往往需要依賴於冠脈中心線的命名。
本發明實施例提出了一種圖像處理方法及電子設備、電腦可讀儲存介質。
根據本發明實施例的一方面,提供了一種圖像處理方法,包括:
獲取包括目標對象的目標圖像;對所述目標圖像進行分割,得到所述目標圖像中至少一個圖元點的名稱,作為分割結果;根據所述分割結果,確定所述目標對象中至少一個目標子對象的名稱。
在一種可能的實現方式中,所述對所述目標圖像進行分割,得到所述目標圖像中至少一個圖元點的名稱,作為分割結果,包括:將所述目標圖像輸入至神經網路;根據所述神經網路的輸出,確定所述目標圖像中至少一個圖元點的名稱,作為所述分割結果;其中,所述神經網路通過包括所述目標對象的訓練圖像進行訓練,所述訓練圖像中的目標對象通過至少一個目標子對象的名稱進行標注。因此,可以通過神經網路實現對目標圖像進行分割,從而有效提升分割的穩定性、效率和精度,繼而提升圖像處理的穩定性、效率和精度。同時由於神經網路可以根據訓練圖像中包括的目標子對象的名稱的實際情況靈活調整結構和實現方式,因此,可以提升關鍵點檢測的靈活性,繼而提升圖像處理方法實現的靈活性。
在一種可能的實現方式中,所述神經網路通過包括所述目標對象的訓練圖像進行訓練,包括:根據所述訓練圖像中目標對象的標注,確定所述訓練圖像中至少部分圖元點的標籤;通過包括所述至少部分圖元點的標籤的訓練圖像,對所述神經網路進行訓練。這樣,在確定了訓練圖像中至少部分圖元點的標籤後,可以根據包含至少部分圖元點標籤的訓練圖像對神經網路訓練,通過上述過程,可以基於標注的訓練圖像有效地對神經網路進行訓練,得到具有分割命名功能的神經網路,提升圖像處理的便捷性。
在一種可能的實現方式中,所述神經網路通過包括所述目標對象的訓練圖像進行訓練,包括:在所述訓練圖像中的目標對象內,確定距離第一目標圖元點最近的目標子對象,其中,所述第一目標圖元點為所述訓練圖像中除所述目標對象以外的至少一個圖元點;將確定的所述目標子對象的標注,作為所述第一目標圖元點的標籤;根據包括所述第一目標圖元點的標籤和所述目標對象的標注的訓練圖像,對所述神經網路進行訓練。通過上述過程,可以基於包含目標對象標注的訓練圖像,得到具有密集標籤和完整資訊的訓練圖像對神經網路進行訓練,從而在不增加標注難度的基礎上,提升訓練得到的神經網路的精度,繼而提升分割結果以及最終得到的目標子對象的名稱的準確度。提升圖像處理的準確性和便捷性。
在一種可能的實現方式中,所述根據所述分割結果,確定所述目標對象中至少一個目標子對象的名稱,包括:根據所述分割結果,確定至少一個第二目標圖元點的名稱,其中,所述第二目標圖元點為所述目標子對象包含的圖元點;統計所述目標子對象中每一所述第二目標圖元點的名稱,得到統計結果,將所述統計結果中數量最多的名稱,作為所述目標子對象的名稱。通過上述過程,即使目標圖像中存在部分圖元點的分割結果不準確,也可以基於比例得到較為準確的目標子對象的名稱,從而可以提升最終確定的目標子對象的名稱的準確性,繼而提升圖像處理的準確度和精度。
在一種可能的實現方式中,根據所述分割結果,確定至少一個第二目標圖元點的名稱,包括:將每一所述第二目標圖元點對應的分割結果,作為每一所述第二目標圖元點的名稱;或者,基於每一所述第二目標圖元點預設範圍內至少一個圖元點的分割結果,確定每一所述第二目標圖元點的名稱。因此,通過基於第二目標圖元點預設範圍內至少一個圖元點的分割結果,確定第二目標圖元點的名稱,可以有效地引入這些具有協助工具圖元點的分割結果來確定第二目標圖元點的名稱,提升確定的第二目標圖元點的名稱的準確性,繼而提升確定的目標子對象名稱的準確性,從而提升圖像處理準確度。
在一種可能的實現方式中,所述方法還包括:根據至少一個所述目標子對象的名稱,對所述目標對象進行處理,得到處理結果。這樣,通過根據至少一個目標子對象的名稱對目標對象進行處理,得到處理結果,可以有效地根據目標子對象的名稱對目標對象進行進一步地優化,即使之前對目標圖像進行分割得到的分割結果準確率較低,從而導致確定的名稱存在一定的誤差,也可以通過處理進行修正,得到更為準確的處理結果,提升圖像處理的精度和魯棒性。
在一種可能的實現方式中,所述根據至少一個所述目標子對象的名稱,對所述目標對象進行處理,包括:對所述目標對象中具有相同名稱的目標子對象進行提取;和/或,根據相鄰的目標子對象的名稱,對所述目標對象中至少一個目標子對象的名稱進行修正。這樣,可以進一步減小由於分割不準確導致的命名結果不準確的情況的發生,提升最終得到的處理結果的準確性,提升圖像處理的精度和魯棒性。
在一種可能的實現方式中,所述目標圖像包括:心臟冠脈掩模圖像,或者,心臟冠脈掩模圖像以及心臟掩模圖像;所述目標對象包括冠脈中心線。在目標圖像同時包含心臟冠脈掩模圖像以及心臟掩模圖像的情況下,可以基於掩模圖像進行分割,相比直接基於原始的心臟冠脈圖像進行分割來說,簡化後續分割過程的輸入環境,降低了圖像處理過程中的噪音;還可以通過心臟掩模圖像,保留心臟各個腔室的資訊,從而便於同時可以盡可能地保留冠脈的樹狀結構資訊以及供血位置資訊,減小了後續分割的難度,提升分割結果以及最終確定的名稱的準確程度。
根據本發明實施例的一方面,提供了一種圖像處理裝置,包括:
目標圖像獲取模組,配置為獲取包括目標對象的目標圖像;分割模組,配置為對所述目標圖像進行分割,得到所述目標圖像中至少一個圖元點的名稱,作為分割結果;命名模組,配置為根據所述分割結果,確定所述目標對象中至少一個目標子對象的名稱。
根據本發明實施例的一方面,提供了一種電子設備,包括:
處理器;配置為儲存處理器可執行指令的記憶體;其中,所述處理器被配置為調用所述記憶體儲存的指令,以執行上述圖像處理方法。
根據本發明實施例的一方面,提供了一種電腦可讀儲存介質,其上儲存有電腦程式指令,所述電腦程式指令被處理器執行時實現上述圖像處理方法。
根據本發明實施例的一方面,提供了一種電腦程式產品,包括電腦可讀代碼,在所述電腦可讀代碼在電子設備中運行的情況下,所述電子設備中的處理器執行上述圖像處理方法。
在本發明實施例中,通過獲取包括目標對象的目標圖像,並對目標圖像進行分割得到目標圖像中至少一個圖元點的名稱作為分割結果,從而根據分割結果確定目標對象中至少一個目標子對象的名稱。通過上述過程,可以將對目標圖像中包含多個目標子對象的目標對象的命名過程,轉化為圖元級別的分割過程,有效地減小命名過程實現的難度以及提升命名的準確度,從而提升圖像處理過程的魯棒性。
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,而非限制本發明實施例。
根據下面參考附圖對示例性實施例的詳細說明,本發明實施例的其它特徵及方面將變得清楚。
以下將參考附圖詳細說明本發明實施例的各種示例性實施例、特徵和方面。附圖中相同的附圖標記表示功能相同或相似的元件。儘管在附圖中示出了實施例的各種方面,但是除非特別指出,不必按比例繪製附圖。
在這裡專用的詞“示例性”意為“用作例子、實施例或說明性”。這裡作為“示例性”所說明的任何實施例不必解釋為優於或好於其它實施例。
本文中術語“和/或”,僅僅是一種描述關聯對象的關聯關係,表示可以存在三種關係,例如,A和/或B,可以表示:單獨存在A,同時存在A和B,單獨存在B這三種情況。另外,本文中術語“至少一種”表示多種中的任意一種或多種中的至少兩種的任意組合,例如,包括A、B、C中的至少一種,可以表示包括從A、B和C構成的集合中選擇的任意一個或多個元素。
另外,為了更好地說明本發明實施例,在下文的實施方式中給出了眾多的細節。本領域技術人員應當理解,沒有某些細節,本發明實施例同樣可以實施。在一些實例中,對於本領域技術人員熟知的方法、手段、組件和電路未作詳細描述,以便於凸顯本發明實施例的主旨。
圖1示出根據本發明一實施例的圖像處理方法的流程圖,該方法可以應用於圖像處理裝置,圖像處理裝置可以為終端設備、伺服器或者其他處理設備等。其中,終端設備可以為使用者設備(User Equipment,UE)、移動設備、使用者終端、終端、蜂窩電話、無線電話、個人數位助理(Personal Digital Assistant,PDA)、手持設備、計算設備、車載設備、可穿戴設備等。
在一些可能的實現方式中,該圖像處理方法可以通過處理器調用記憶體中儲存的電腦可讀指令的方式來實現。如圖1所示,所述圖像處理方法可以包括:
步驟S11,獲取包括目標對象的目標圖像。
步驟S12,對目標圖像進行分割,得到目標圖像中至少一個圖元點的名稱,作為分割結果。
步驟S13,根據分割結果,確定目標對象中至少一個目標子對象的名稱。
其中,目標對象可以是任何具有命名需求的對象。在一種可能的實現方式中,目標對象可以是需要進行分區域或分段命名的對象。由於目標對象可能包含有多個需要命名的段或區域,因此,在一種可能的實現方式中,目標對象可以根據多段或多區域的命名需求,被劃分為多個目標子對象。
在一種可能的實現方式中,本發明實施例中提出的圖像處理方法,可以用於對心臟冠脈中心線的各段進行命名。因此,在一個示例中,目標對象可以是心臟冠脈的中心線,即冠脈中心線,在這種情況下,目標對象可以包含有多個目標子對象,每個目標子對象可以是樹狀冠脈中心線結構的其中一個分支或是分支中的其中一段,即冠脈中心線段;在一個示例中,目標對象也可以是心臟冠脈中其他具有命名需求的部分,或是心臟冠脈中心線的部分區域等,根據實際情況靈活選擇即可。在一種可能的實現方式中,本發明實施例中提出的方法也可以應用於對其他包含多段或多區域的器官或組織進行命名,相應的,在一些可能的實現方式中,目標對象可以是具有多區域或多段命名需求的器官或組織。後續各公開實施例均以目標對象為心臟冠脈中心線為例進行說明,在目標對象為其他形式的情況下,其處理方法可以根據本發明實施例提出的方法進行靈活擴展,不再舉例說明。
目標圖像中圖元點的名稱,可以是與該圖元點對應的目標子對象的名稱。隨著目標對象實現方式的不同,目標對象中目標子對象的名稱,其實現方式也可以根據實際情況靈活決定。在一種可能的實現方式中,在目標對象為冠脈中心線的情況下,目標子對象的名稱可以為冠脈中心線可以被劃分為的多個冠脈中心線段的名稱,如右冠狀動脈(RCA,Right Coronary Artery)、右冠起源後降支(R-PDA,Right-Posterior Descending Artery)、左冠起源後降支(L-PDA,Left-Posterior Descending Artery)、右冠起源後側支(R-PLB,Right-Posterior Lateral Branch)、左冠起源後側支(L-PLB,Left-Posterior Lateral Branch)、左主幹(LM,Left Main)、迴旋支中遠段(LCX,Leaky Coaxial Cable)、第一及第二鈍緣支(OM1-2,Obtuse Marginal 1 and 2)、左前降支(LAD,Left Anterior Descending)、第一及第二對角支(D1-2,Diagonal 1 and 2)或是其他(Others)等。
目標圖像可以是包含有目標對象的任意圖像,在一種可能的實現方式中,目標圖像可以是包含有全部目標對象的圖像,在一種可能的實現方式中,目標圖像也可以是包含有部分目標對象的圖像,根據實際情況靈活選擇即可。從上述公開實施例可以看出,在一種可能的實現方式中,目標圖像可以是掩模圖像(mask),至於是何種掩模圖像,可以根據實際情況靈活決定。如上述各公開實施例所述,在一種可能的情況下,目標對象可以包括冠脈中心線,相應地,目標圖像可以是包含了冠脈中心線的圖像或是可以用於提取冠脈中心線的圖像。因此,在一種可能的實現方式中,目標圖像可以包括心臟冠脈掩模圖像。在一個示例中,心臟冠脈掩模圖像可以是一個二值圖像,比如可以通過0和1兩個值區分圖中的圖元點是屬於心臟冠脈還是與心臟冠脈無關的背景。
在一種可能的實現方式中,目標圖像可以包括心臟冠脈掩模圖像以及心臟掩模圖像。心臟冠脈掩模圖像的形式可以如上述公開實施例所述,在此不再贅述。心臟掩模圖像可以是心臟冠脈所屬的心臟所構成的一個掩模圖像,通過不同的值劃分出心臟的各個部位或腔室。在一個示例中,目標圖像可以是心臟冠脈掩模圖像和心臟掩模圖像疊加而成的掩模圖像,在疊加的過程中,心臟掩模圖像中不屬於心臟冠脈的圖元點可以標記成心臟冠脈掩模圖像中的背景值。後續各公開實施例中,均以目標圖像為心臟掩模圖像和心臟冠脈掩模圖像疊加而成的掩模圖像為例進行說明,其餘可能的實現方式可以參考後續各公開實施例進行擴展,不再一一列舉。
在目標圖像同時包含心臟冠脈掩模圖像以及心臟掩模圖像的情況下,可以基於掩模圖像進行分割,相比直接基於原始的心臟冠脈圖像進行分割來說,簡化後續分割過程的輸入環境,降低了圖像處理過程中的噪音;還可以通過心臟掩模圖像,保留心臟各個腔室的資訊,從而便於同時可以盡可能地保留冠脈的樹狀結構資訊以及供血位置資訊,減小了後續分割的難度,提升分割結果以及最終確定的名稱的準確程度。
在得到了包括目標對象的目標圖像後,可以通過步驟S12,對包括目標對象的目標圖像進行分割,來得到目標圖像中至少一個圖元點的名稱,作為分割結果。在一種可能的實現方式中,分割可以是對目標圖像中的每個圖元點進行分類,從而確定目標圖像中每個圖元點的類別;在一種可能的實現方式中,分割也可以是對目標圖像中的每個前景圖元點(比如心臟冠脈掩模圖像中屬於心臟冠脈的圖元點)進行分類,從而確定目標圖像中每個前景圖元點的類別等。在本發明實施例中,分割的實現方式可以根據實際情況靈活決定,可以參見下述各公開實施例,在此先不做展開。
由於分割可以對目標圖像中的圖元點進行分類,因此,還可以根據目標圖像中每個圖元點的分類結果,確定目標圖像中目標對象的各個目標子對象的名稱。在一種可能的實現方式中,可以根據分割結果確定目標對象中每個目標子對象的名稱;在一種可能的實現方式中,也可以根據需求,僅確定目標對象中部分目標子對象的名稱,被確定的目標子對象的數量以及選擇哪些目標子對象進行名稱確定均可以根據實際情況靈活選擇,在本發明實施例中不做限制。具體如何根據這些圖元點的分類結果來確定目標子對象的名稱,其實現方式可以根據實際情況靈活選擇,詳見後續各公開實施例,在此先不做展開。
在本發明實施例中,通過獲取包括目標對象的目標圖像,並對目標圖像進行分割得到分割結果,從而根據分割結果確定目標對象中至少一個目標子對象的名稱。通過上述過程,可以將對目標圖像中包含多個目標子對象的目標對象的命名過程,轉化為掩模分割過程,有效地減小命名過程實現的難度以及提升命名的準確度,從而提升圖像處理過程的魯棒性。
在一種可能的實現方式中,由於目標圖像可以包括掩模圖像,可以使得分割基於掩模圖像進行,從而簡化分割的輸入環境,降低圖像處理過程的噪音。
如上述各公開實施例所述,目標圖像的實現形式可以根據實際情況靈活決定。因此獲取包括目標對象的目標圖像的方式也可以根據實際情況靈活決定。在一種可能的實現方式中,獲取目標圖像的方式可以為,對心臟冠脈原始圖像進行血管分割,得到心臟冠脈掩模圖像,然後對心臟冠脈掩模圖像進行中心線提取,得到冠脈中心線圖像作為目標對象,然後將冠脈中心線與心臟冠脈掩模圖像進行疊加,從而得到包含目標對象的目標圖像。在一種可能的實現方式中,獲取目標圖像的方式也可以為:對心臟冠脈原始圖像進行血管分割得到心臟冠脈掩模圖像,然後對心臟冠脈掩模圖像進行中心線提取,得到冠脈中心線圖像作為目標對象,同時對心臟原始圖像進行血管分割,得到心臟掩模圖像,然後將冠脈中心線、心臟冠脈掩模圖像和心臟掩模圖像進行疊加,從而得到包含目標對象的目標圖像。步驟S11其餘的可能實現方式可以根據目標圖像的實際情況靈活選擇,不再一一舉例說明。
在得到了包括目標對象的目標圖像後,可以通過步驟S12對目標圖像進行分割,得到分割結果。在一種可能的實現方式中,可以根據目標圖像中圖元點與目標對象的相對位置,確定目標圖像中至少部分圖元點最接近或屬於的目標子對象的名稱,作為分割結果。在一種可能的實現方式中,也可以通過神經網路來得到目標圖像的分割結果,在這種情況下,步驟S12可以包括:
將目標圖像輸入至神經網路;根據神經網路的輸出,確定目標圖像中至少一個圖元點的名稱,作為分割結果;其中,神經網路通過包括目標對象的訓練圖像進行訓練,訓練圖像中的目標對象通過至少一個目標子對象的名稱進行標注。
其中,神經網路輸出的圖元點的名稱,可以是目標圖像中的每個圖元點的名稱,也可以是目標圖像中的部分圖元點的名稱,根據實際情況靈活確定即可。在一種可能的實現方式中,神經網路輸出的可以是目標圖像中每個前景圖元點的名稱,將每個前景圖元點的名稱作為分割結果。
訓練圖像的實現形式可以參考上述目標圖像的實現形式,在此不再贅述。對訓練圖像的目標對象進行標注的方式在本發明實施例中不做限制,可以根據神經網路實現的功能靈活決定。在一種可能的實現方式中,也可以對訓練圖像中目標對象中的每個圖元點分別進行標注,或是對訓練圖像中的每個圖元點分別進行標注,在一種可能的實現方式中,可以分別對訓練圖像中的多個目標子對象進行標注。在一個示例中,可以將目標對象劃分為多個目標子對象,然後標注其中部分目標子對象或每個目標子對象的名稱,從而可以對目標子對象覆蓋的圖元點統一進行標注。選擇哪種標注方式,可以根據實際情況靈活選擇,在本發明實施例中不做限制。
神經網路的實現形式以及訓練方式在本發明實施例中均不作限制,可以根據實際情況靈活選擇,神經網路的初始模型可以根據實際情況任意選擇,在一個示例中,可以將殘差虛擬網路(Res-Vnet)作為神經網路的實現形式。訓練採取的損失函數也可以根據實際情況靈活選擇,在一個示例中,可以將骰子損失(dice loss)作為損失函數,對神經網路進行訓練。
通過上述公開實施例可以看出,在一種可能的實現方式中,可以通過神經網路對目標圖像進行分割,由於對目標圖像進行分割的神經網路可以通過包括目標對象的訓練圖像進行訓練,且訓練圖像中的目標對象通過至少一個目標子對象的名稱進行標注。因此,基於上述訓練圖像得到的神經網路,可以對目標圖像中屬於目標對象的圖元點進行分割,從而得到每個被分割的圖元點的分割結果,且分割結果可以是目標圖像包含的圖元點對應的目標子對象的名稱,可能的名稱種類可以參考上述各公開實施例,在此不再贅述。
通過以目標子對象的名稱進行標注的訓練圖像,對神經網路訓練,從而利用訓練好的神經網路實現對目標圖像的分割,得到分割結果。通過上述過程,可以有效地利用神經網路對目標圖像實現圖元級的分割,較為便捷地得到分割結果,從而有效地降低了圖像處理的難度,提升了圖像處理的實用性和泛化能力。
神經網路通過包括目標對象的訓練圖像進行訓練的方式,可以根據實際情況靈活決定,在一種可能的實現方式中,神經網路通過包括目標對象的訓練圖像進行訓練,可以包括:根據訓練圖像中目標對象的標注,確定訓練圖像中至少部分圖元點的標籤;通過包括至少部分圖元點的標籤的訓練圖像,對神經網路進行訓練。
如上述各公開實施例所述,訓練圖像中目標對象的標注形式可以根據實際情況靈活選擇,相應地,隨著標注的形式不同,步驟S21中確定至少部分圖元點標籤的方式也可以隨之發生變化。在一種可能的實現方式中,可以將訓練圖像中目標對象的標注,直接作為目標圖像中對應圖元點的標籤。如上所述,在一個示例中,可以通過將目標對象劃分為多段目標子對象,對每段目標子對象進行命名的方式實現標注,因此被命名的目標子對象覆蓋的圖元點的標注可以作為這些圖元點的標籤。
在確定了訓練圖像中至少部分圖元點的標籤後,可以根據包含至少部分圖元點標籤的訓練圖像對神經網路訓練,通過上述過程,可以基於標注的訓練圖像有效地對神經網路進行訓練,得到具有分割命名功能的神經網路,提升圖像處理的便捷性。
如上述各公開實施例所述,在一種可能的實現方式中,目標對象可以是冠脈中心線,而對於心臟冠脈掩模圖像來說,冠脈中心線為心臟冠脈掩模的一部分,心臟冠脈掩模圖像中還存在一部分圖元點,其不屬於目標對象即冠脈中心線,但是屬於冠脈,因此這些圖元點對應的名稱,可以有助於確定冠脈中心線的名稱。如上述各公開實施例所述,在對訓練圖像中的目標對象進行標注的過程中,可以是對訓練圖像中的每個圖元點進行標注,也可以是對訓練圖像的目標對象中的每個圖元點進行標注。因此,這些有助於確定冠脈中心線名稱的圖元點,可能不包含標注。在一種可能的實現方式中,為了提高訓練得到的神經網路的精度,可以考慮根據標注確定這些圖元點的標籤。
因此,在一種可能的實現方式中,神經網路通過包括目標對象的訓練圖像進行訓練,可以包括:在訓練圖像中的目標對象內,確定距離第一目標圖元點最近的目標子對象,其中,第一目標圖元點為訓練圖像中除目標對象以外的至少一個圖元點;將確定的目標子對象的標注,作為第一目標圖元點的標籤;根據包括第一目標圖元點的標籤和目標對象的標注的訓練圖像,對神經網路進行訓練。
其中,第一目標圖元點可以是訓練圖像中不屬於目標對象的至少一個圖元點,至於選擇哪些圖元點作為第一目標圖元點,可以根據實際情況靈活決定。在一種可能的實現方式中,可以將訓練圖像中位於目標對象以外,但是可以輔助對目標對象進行命名的圖元點作為第一目標圖元點,以目標對象為冠脈中心線為例,在一個示例中,可以將訓練圖像中位於冠脈中心線以外且屬於心臟冠脈的圖元點,作為第一目標圖元點;由於訓練圖像的實現形式可以與目標圖像的實現形式相同,而上述各公開實施例已經提到,目標圖像可以是掩模圖像,因此,在一個示例中,可以將訓練圖像中不屬於背景且不屬於目標對象的圖元點,均作為或是部分作為第一目標圖元點。
在一種可能的實現方式中,可以根據訓練圖像中至少部分圖元點的標籤,確定第一目標圖元點的標籤,第一目標圖元點的確定方式可以根據實際情況靈活選擇,不局限於本發明各實施例。通過上述內容可以看出,在一種可能的實現方式中,可以將訓練圖像的目標對象中,距離第一目標圖元點最近的目標子對象的標注,作為第一目標圖元點的標籤。在一個示例中,距離第一目標圖元點最近的目標子對象,可以是目標對象中距離第一目標圖元點最近的圖元點所屬的目標子對象。
在得到了第一目標圖元點的標籤後,還可以通過如上述公開實施例所述的方式,將訓練圖像中目標對象的標注,直接作為目標圖像中對應圖元點的標籤,從而得到具有密集標籤的訓練圖像,對神經網路進行訓練。
以目標對象為冠脈中心線為例對上述過程進行說明,在一個示例中,可以在訓練圖像中,首先將冠脈中心線上的圖元點的標注作為這些圖元點的標籤,然後將既不屬於背景也不屬於冠脈中心線的圖元點,作為第一目標圖元點,對每個第一目標圖元點,將冠脈中心線上距離該第一目標圖元點最近的圖元點的標注,作為該第一目標圖元點的標籤,繼而得到一個包含密集標籤的訓練圖像,通過此包含密集標籤的訓練圖像對神經網路進行訓練,可以得到較好的訓練結果。
通過上述過程,可以基於包含目標對象標注的訓練圖像,得到具有密集標籤和完整資訊的訓練圖像對神經網路進行訓練,從而在不增加標注難度的基礎上,提升訓練得到的神經網路的精度,繼而提升分割結果以及最終得到的目標子對象的名稱的準確度。提升圖像處理的準確性和便捷性。
通過上述任意公開實施例得到目標圖像的分割結果後,可以通過步驟S13,基於分割結果來確定目標對象中至少一個目標子對象的名稱。步驟S13的實現方式不受限定,在一種可能的實現方式中,可以將目標子對象包含的任意圖元點的分割結果,作為目標子對象的名稱。在一種可能的實現方式中,步驟S13可以包括:
步驟S131,根據分割結果,確定至少一個第二目標圖元點的名稱,其中,第二目標圖元點為目標子對象包含的圖元點;
步驟S132,統計目標子對象中第二目標圖元點的名稱,得到統計結果,將統計結果中數量最多的名稱,作為目標子對象的名稱。
其中,第二目標圖元點可以是目標子對象包含的圖元點,即目標子對象所覆蓋的圖元點。在一種可能的實現方式中,由於得到的分割結果可能不是完全準確,因此,對於同一個目標子對象來說,其包含的第二目標圖元點的分割結果可能準確,即與對應的目標子對象的名稱相同,也可能不準確,即與對應的目標子對象的名稱不同;在這種情況下,如果將目標子對象包含的任意一個第二目標圖元點的分割結果作為目標子對象的名稱,很有可能得到不準確的命名結果。
基於上述原因,在一種可能的實現方式中,對於任意需要確定名稱的目標子對象,可以通過步驟S131,來根據分割結果,獲得該目標子對象中至少一個第二目標圖元點的名稱。
步驟S131中獲取目標子對象中第二目標圖元點的數量,可以根據實際情況靈活決定。在一種可能的實現方式中,可以獲取目標子對象包含的每個第二目標圖元點,在一種可能的實現方式中,可以對目標子對象包含的第二目標圖元點進行隨機採樣,來獲得部分第二目標圖元點,如何採樣以及採樣的數量可以根據實際情況靈活決定,在本發明實施例中不做限制。
無論獲得的是部分第二目標圖元點還是全部第二目標圖元點,均需要根據分割結果來確定獲得的第二目標圖元點的名稱。名稱確定的方式可以根據實際情況靈活決定,在一種可能的實現方式中,步驟S131中根據分割結果,確定至少一個第二目標圖元點的名稱,可以包括:
將每一第二目標圖元點對應的分割結果,作為每一第二目標圖元點的名稱;或者,基於每一第二目標圖元點預設範圍內至少一個圖元點的分割結果,確定每一第二目標圖元點的名稱。
通過上述公開實施例可以看出,在一種可能的實現方式中,可以直接將第二目標圖元點的分割結果作為第二目標圖元點的名稱。
上述公開實施例已經提出,目標圖像中圖元點的分割結果可能不是完全準確的,在這種情況下,如果將第二目標圖元點的分割結果作為第二目標圖元點的名稱,也可能會出現差錯,因此,在一種可能的實現方式中,可以根據第二目標圖元點預設範圍內至少一個圖元點的分割結果,來確定第二目標圖元點的名稱。
其中,第二目標圖元點的預設範圍,可以根據實際情況靈活設定,如第二目標圖元點周圍的9鄰域、16鄰域等等,在本發明實施例中不做限制。一般來說,第二目標圖元點附近的圖元點,與第二目標圖元點屬於同一目標子對象的概率較大,因此通過這些圖元點,可以確定第二目標圖元點較為準確的名稱。在一個示例中,可以獲取第二目標圖元點預設範圍內包含的每個圖元點的分割結果,然後從這些獲取到的分割結果中,選擇比例最高或是數量最多的分割結果,或是選擇比例或是數量超過設定閾值(如比例超過50%等)的分割結果,作為第二目標圖元點的名稱;在一個示例中,也可以對第二目標圖元點預設範圍內包含的圖元點進行採樣,然後從這些採樣得到的圖元點對應的分割結果中,選擇比例最高或是數量最多的分割結果,或是選擇比例或是數量超過設定閾值(如比例超過50%等)的分割結果,作為第二目標圖元點的名稱。
如上述各公開實施例所述,目標圖像中可能存在一些圖元點,雖然不屬於目標對象,但是可以輔助確定目標子對象的名稱,因此,通過基於第二目標圖元點預設範圍內至少一個圖元點的分割結果,確定第二目標圖元點的名稱,可以有效地引入這些具有協助工具圖元點的分割結果來確定第二目標圖元點的名稱,提升確定的第二目標圖元點的名稱的準確性,繼而提升確定的目標子對象名稱的準確性,從而提升圖像處理準確度。
在通過上述任意方式確定至少一個第二目標圖元點的名稱後,可以通過步驟S132,基於第二目標圖元點名稱的統計結果,來得到目標子對象的名稱。其中,步驟S132的實現方式可以根據實際情況靈活決定,比如在統計目標子對象中的每個第二目標圖元點或部分第二目標圖元點的名稱後,可以將這些統計的名稱中數量最多的名稱作為目標子對象的名稱,或是將這些統計的名稱中出現比例最高的名稱作為目標子對象的名稱,或是將這些統計的名稱中數量超過預設閾值或是比例超過預設閾值的名稱,作為目標子對象的名稱,預設閾值的數值在本發明實施例中不做限定,根據實際情況靈活設定即可。
以目標對象為冠脈中心線為例對上述過程進行說明,在一個示例中,可以依次確定冠脈中心線每個冠脈中心線段的名稱,對於每個冠脈中心線段來說,可以先遍歷其包含的每個圖元點即第二目標圖元點,確定這些第二目標圖元點的名稱,確定的方式可以是直接根據其分割結果進行確定,也可以是根據其周圍的圖元點的分割結果共同確定,參考上述各公開實施例即可,在此不再贅述。在確定了這些第二目標圖元點的名稱後,可以統計該冠脈中心線段中數量最多或是比例最高的名稱,作為該冠脈中心線段的名稱。
通過根據分割結果確定至少一個第二目標圖元點的名稱,並統計確定的第二目標圖元點的名稱,從而根據統計結果得到目標子對象的名稱,通過上述過程,即使目標圖像中存在部分圖元點的分割結果不準確,也可以基於比例得到較為準確的目標子對象的名稱,從而可以提升最終確定的目標子對象的名稱的準確性,繼而提升圖像處理的準確度和精度。
在一種可能的實現方式中,本發明實施例提出的圖像處理方法還可以包括:步驟S14,根據至少一個目標子對象的名稱,對目標對象進行處理,得到處理結果。
通過上述公開實施例可以看出,在得到了目標圖像中至少一個目標子對象的名稱後,還可以基於確定的名稱,根據實際需求對目標圖像中的目標對象進行進一步地處理和優化,得到最終的圖像處理結果。如何根據目標子對象的名稱進行處理,得到何種處理結果,可以根據實際的圖像處理需求靈活決定,詳見下述各公開實施例,在此先不做展開。
通過根據至少一個目標子對象的名稱對目標對象進行處理,得到處理結果,可以有效地根據目標子對象的名稱對目標對象進行進一步地優化,即使之前對目標圖像進行分割得到的分割結果準確率較低,從而導致確定的名稱存在一定的誤差,也可以通過處理進行修正,得到更為準確的處理結果,提升圖像處理的精度和魯棒性。
在一種可能的實現方式中,步驟S14可以包括:對目標對象中具有相同名稱的目標子對象進行提取;和/或,根據相鄰的目標子對象的名稱,對目標對象中至少一個目標子對象的名稱進行修正。
其中,對目標對象中具有相同名稱的目標子對象進行提取的方式不受限定。在一種可能的實現方式中,在目標對象為冠脈中心線的情況下,由於冠脈中心線可以為樹狀結構,對於屬於同一名稱的冠脈中心線段,由於分割的不準確可能導致該冠脈中心線段包含有多個分支。為了得到較為準確的冠脈中心線段,在一個示例中,可以對同一名稱下包含多個分支的冠脈中心線段進行提取,選定其中最完整或是最長的一支作為提取結果。圖2示出根據本發明一實施例的對目標對象進行提取的示意圖,從圖2中可以看出,提取前的目標圖像21的冠脈中心線中每個冠脈中心線段的名稱已確定,且同一名稱下包含多個分支的冠脈中心線段;提取後的目標圖像22的冠脈中心線中同一名稱下僅包含一個分支的冠脈中心線段,例如名稱為R-PLB的冠脈中心線段在提取前存在兩個分支,經過提取,較短的分支被刪除,而僅保留了較長的分支作為提取結果。
根據目標子對象的名稱對目標對象進行修正的方式在本發明實施例中也不做限定。在一種可能的實現方式中,在目標對象為冠脈中心線的情況下,冠脈中心線中的部分冠脈中心線段可能存在如下情況:即該冠脈中心線段可能位於兩個具有同樣名稱的其他冠脈中心線段之間,且該冠脈中心線段的名稱與這兩個其他冠脈中心線段的名稱不同。由於冠脈中心線的連續性,該冠脈中心線段的名稱很有可能是不準確的,因此,可以基於相鄰的其他冠脈中心線段的名稱,修改當前冠脈中心線段的名稱,使冠脈中心線保持連續性。
步驟S14在實現的過程中,可以同時包含有上述的提取過程和修正過程,也可以根據實際情況僅包含其中的某個過程,或者也可以包含有其他的修正過程,這些過程在實現過程中的執行順序也可以根據實際情況靈活選擇,如何實現可以根據實際情況靈活決定,不局限於上述各公開實施例。
通過對目標對象中具有相同名稱的目標子對象進行提取,和/或,根據相鄰的目標子對象的名稱對目標對象中至少一個目標子對象的名稱進行修正,可以進一步減小由於分割不準確導致的命名結果不準確的情況的發生,提升最終得到的處理結果的準確性,提升圖像處理的精度和魯棒性。
心腦血管疾病是當前致死率最高的疾病之一,其中冠心病發病率最高。冠心病是由於動脈粥樣硬化導致冠狀動脈管腔狹窄,導致心肌供血不足而引起一系列臨床病症,包括心絞痛、心肌梗死、心肌衰竭、心律失常和猝死。因此冠脈狹窄,斑塊檢測等結果對診斷以及後續治療有著指導性意義,而基於心臟冠狀動脈造影(CTA,Computed Tomography Angiography)圖像的冠脈中心線提取是前提。在對冠心病的分析過程中,病變的定位以及醫療報告中的說明分析往往需要依賴於冠脈中心線的命名。
相關技術中的命名方法主要是基於分為兩類:第一類基於知識以及建模,該類方法主要基於將目標血管匹配基於統計的通用模型給出命名;第二類基於學習的分類演算法,該類方法根據提取人為設計的特徵進行中心線分類命名。還有一種方案使用樹狀雙向長短期記憶網路(LSTM,Long Short Term)去學習樹狀結構資訊進行分類命名。無論是基於建模的批評的中心線命名,還是基於規則的樹狀線命名,這兩種相關方案都至少存在設計複雜、泛化能力不足的問題。
血管命名任務主要挑戰在於個體之間的巨大差異以及巨大變異度,然而血管命名的臨床依據是血管的供血部位,所以核心學習資訊應該在於供血部位也就是相對於心臟的血管位置,任何剝離或者損失了心臟相對位置的方法都有一定程度的資訊損失從而導致準確率不高、泛化能力弱。
本發明應用示例提出一種基於分割的端到端的命名處理方法。相關技術中大多基於先進行血管分割,再提取中心線,最後進行中心線命名(通過對中心線分類實現)的工作流程。本發明應用示例重新構建問題:將中心線命名的問題重構成血管掩膜圖像的實例分割問題,即提取中心線後不直接對中心線進行命名,而是對血管掩膜圖像(每一個圖元點有確定的標籤命名)進行分割,對於分割結果進行投票確定中心線的名稱。基於圖元點的分割模型訓練會提供更為密集的標注及資訊,而且為了保存血管的供血位置資訊,將心臟各個腔室的掩膜圖像疊加在冠脈血管的掩膜圖像上面一起作為輸入。這樣的流程完全保留了所有資訊又相比較原圖減少了噪音,不需要手動提取特徵,不需要基於規則的設計且易於嵌入現有工作流當中。
本發明應用示例包括訓練過程和預測過程,其中訓練過程包括以下步驟:第一步準備輸入:通過分割模型獲取心臟冠脈掩膜圖像以及全心臟掩膜圖像,疊加兩個掩膜圖像並處理作為最終輸入;第二步準備監督資料:首先獲取已經正確命名的冠脈中心線,然後將冠脈掩膜圖像的每一個圖元點標籤與距離該冠脈中心線最近的每一段中心線關聯;第三步使用Res-Vnet型以及骰子損失進行多標籤分割訓練。預測過程包括以下步驟:第一步同訓練過程的準備輸入步驟,即獲取作為最終輸入的掩膜圖像以及提取的冠脈中心線;第二步通過訓練好的神經網路進行分割;第三步基於分割對已經提取的中心線段進行投票命名;第四步通過後處理提取出醫生關注的目標血管並修正可能的錯誤。
本發明應用示例將血管中心線命名任務構建成血管掩膜圖像分類任務,從而降低了學習難度,提升了中心線命名的魯棒性。本發明應用示例將血管掩膜圖像以及心臟掩膜圖像一起作為輸入,降低了原圖直接學習的難度,並且保留了全部命名所需的全部必要資訊,使得基於學習的方法相比較於傳統的基於規則的樹狀線命名演算法具有更優的泛化能力。
圖3示出根據本發明一應用示例的示意圖,如圖3所示,本發明實施例提出了一種圖像處理方法,這一處理方法可以通過圖像處理實現對冠脈中心線的分段命名,該圖像處理的過程可以大致分為四個步驟。
第一步,分別獲取心臟冠脈掩模圖31和心臟掩模圖32,並將兩個掩模圖進行合併,作為合併掩模圖。同時並對心臟冠脈掩模圖進行中心線提取,得到由多個冠脈中心線段(目標子對象)構成的冠脈中心線作為目標對象。然後將合併掩模圖與目標對象進行疊加,得到包括目標對象(冠脈中心線)的目標圖像33。
第二步,通過訓練好的神經網路34,對目標圖像進行分割,得到目標圖像中每個前景圖元點(即屬於心臟冠脈的圖元點)的分割結果35。
第三步,根據第二步得到的分割結果,通過投票命名的方式,確定目標圖像中冠脈中心線每個冠脈中心線段的名稱36,投票命名過程可以為:
對每個冠脈中心線段,確定其包含的圖元點作為第二目標圖元點,然後統計這些第二目標圖元點的分割結果所對應的名稱,選擇其中數量最多的名稱,作為該冠脈中心線段的名稱。
第四步,在對每個冠脈中心線段完成命名後,可以通過後處理,對其中包含多個具有同名分支的冠脈中心線段,保留其最完整或長度最長的一支作為最終結果,並對不連續的冠脈中心線段進行修正,比如某中心線段的父節點(父線段)和子節點(子線段)具有相同的名稱,但是該冠脈中心線段與他們的名稱不一致,則可以將該冠脈中心線段修改為與其父節點和子節點一致的名稱。通過上述後處理,得到最終的處理結果37。
在一些可能的實施例中,第二步中用於對目標圖像分割的神經網路,其訓練過程可以為:首先準備訓練圖像,訓練圖像可以與目標圖像的形式相同,即將心臟冠脈掩模圖像、心臟掩模圖像與冠脈中心線進行疊加得到的圖像,作為訓練圖像。
由於訓練圖像用於對神經網路進行訓練,其還需要有監督資料(ground truth),即訓練圖像中的圖元點還需要準備標籤。在本發明應用示例中,監督資料的生成方式可以為:首先可以對冠脈中心線通過分段命名進行標注,這樣,每個冠脈中心線段中圖元點的標籤即為對應的冠脈中心線段的標注名稱。
然後將訓練圖像中,屬於前景且不屬於冠脈中心線段的圖元點分別作為第一目標圖元點,則可以將冠脈中心線上距離第一目標圖元點最近圖元點的標籤(也是標注),作為該第一目標圖元點的標籤。
通過上述過程,可以得到包含有標籤的訓練圖像,將這一包含有標籤的訓練圖像輸入到神經網路中進行訓練,則可以得到訓練好的神經網路。在一個示例中,神經網路可以將Res-Vnet神經網路作為基礎模型,通過骰子損失作為損失函數進行多標籤分割訓練,從而得到最終的訓練結果。
通過上述過程,可以將冠脈中心線分段命名任務構建成為血管掩膜圖像的實例分割任務;同時本發明應用示例中提出的圖像處理方法可以將心臟冠脈掩模圖像和心臟掩模圖像作為輸入,比起將心臟冠脈的原圖作為輸入,簡化了輸入環境,降低了噪音並保留了所有樹狀結構資訊以及供血位置資訊;另外,在命名過程中,對分割結果採用投票機制,使得冠脈中心線段的命名依賴於該段圖元點中出現最多的分割標籤,即使部分圖元點的分割結果不準確,只要正確的分割結果占多數比例,即可得到正確的冠脈中心線命名結果;最後,在基於分割結果進行命名後還進一步對命名結果進行後處理,由於分割結果依賴於訓練資料,通過後處理可以在訓練資料較少的時候也能保持最終處理結果的魯棒性。
本發明應用示例的圖像處理方法提出新的問題架構,即中心線分段命名任務構建成為血管掩膜圖像的實例分割任務;同時提供新的輸入思路,比起原圖作為輸入,該技術將兩種掩膜圖像作為輸入,簡化了輸入環境,降低了噪音並保留了所有樹狀結構資訊以及供血位置資訊;從分割後的結果回到中心線命名,採用投票機制,血管段命名依賴於該段點所述分割標籤最多的一類,這樣即使分割結果不好只要大體是正確的,中心線命名就會正確;基於先驗知識的後處理,學習演算法依賴於訓練資料,後處理在訓練資料較少的時候也能保持最終結果的魯棒性。
因此,本發明應用示例的創新點至少包括:基於冠脈多標籤分割的中心線命名策略;從掩膜圖像分割回歸到中心線命名的投票策略;以及基於分割結果以及先驗知識的後處理方法。本發明應用示例提供的方案為基於端到端的設計,具有流程清晰、準確度更高、魯棒性強等優點。同時本發明應用示例提供的方案保持了較高的速度,每個患者需要時間約3到5秒。
本發明應用示例至少可以應用於心腦血管疾病輔助診斷、遠端醫療診斷、雲平臺輔助智慧診斷、醫療標注平臺等方面對心臟冠脈圖像的處理。心內科醫生在得到患者的心臟冠狀動脈造影資料提取中心線後,進行中心線分段命名以用於血管斑塊、狹窄檢測定位,從而生成結構化報告。
需要說明的是,本發明實施例的圖像處理方法不限於應用在上述心臟冠脈圖像的處理中,可以應用於任意的圖像處理,本發明實施例對此不作限定。例如使用於定義中心線命名為冠脈掩膜圖像分割任務的產品,或者包含全心臟掩膜圖像以及心臟冠脈掩膜圖像作為產品輸入等情況屬於本發明實施例所保護的範圍。
可以理解,本發明實施例提及的上述各個方法實施例,在不違背原理邏輯的情況下,均可以彼此相互結合形成結合後的實施例,限於篇幅,本發明實施例不再贅述。本領域技術人員可以理解,在實施方式的上述方法中,各步驟的執行順序應當以其功能和可能的內在邏輯確定。
此外,本發明實施例還提供了圖像處理裝置、電子設備、電腦可讀儲存介質、程式產品,上述均可用來實現本發明實施例提供的任一種圖像處理方法,相應技術方案和描述和參見方法部分的相應記載,不再贅述。
圖4示出根據本發明實施例的圖像處理裝置的方塊圖。該圖像處理裝置可以為終端設備、伺服器或者其他處理設備等。其中,終端設備可以為UE、移動設備、使用者終端、終端、蜂窩電話、無線電話、PDA、手持設備、計算設備、車載設備、可穿戴設備等。在一些可能的實現方式中,該圖像處理裝置可以通過處理器調用記憶體中儲存的電腦可讀指令的方式來實現。如圖4所示,所述圖像處理裝置40可以包括:
目標圖像獲取模組41,配置為獲取包括目標對象的目標圖像。
分割模組42,配置為對目標圖像進行分割,得到目標圖像中至少一個圖元點的名稱,作為分割結果。
命名模組43,配置為根據分割結果,確定目標對象中至少一個目標子對象的名稱。
在一種可能的實現方式中,分割模組配置為:將目標圖像輸入至神經網路;根據神經網路的輸出,確定目標圖像中至少一個圖元點的名稱,作為分割結果;其中,神經網路通過包括目標對象的訓練圖像進行訓練,訓練圖像中的目標對象通過至少一個目標子對象的名稱進行標注。
在一種可能的實現方式中,神經網路通過包括目標對象的訓練圖像進行訓練,包括:根據訓練圖像中目標對象的標注,確定訓練圖像中至少部分圖元點的標籤;通過包括至少部分圖元點的標籤的訓練圖像,對神經網路進行訓練。
在一種可能的實現方式中,神經網路通過包括目標對象的訓練圖像進行訓練,包括:在訓練圖像中的目標對象內,確定距離第一目標圖元點最近的目標子對象,其中,第一目標圖元點為訓練圖像中除目標對象以外的至少一個圖元點;將確定的目標子對象的標注,作為第一目標圖元點的標籤;根據包括第一目標圖元點的標籤和目標對象的標注的訓練圖像,對神經網路進行訓練。
在一種可能的實現方式中,命名模組配置為:根據分割結果,確定至少一個第二目標圖元點的名稱,其中,第二目標圖元點為目標子對象包含的圖元點;統計目標子對象中第二目標圖元點的名稱,得到統計結果,將統計結果中數量最多的名稱,作為目標子對象的名稱。
在一種可能的實現方式中,命名模組還配置為:將第二目標圖元點對應的分割結果,作為第二目標圖元點的名稱;或者,基於第二目標圖元點預設範圍內至少一個圖元點的分割結果,確定第二目標圖元點的名稱。
在一種可能的實現方式中,圖像處理裝置40還包括處理模組,處理模組配置為:根據至少一個目標子對象的名稱,對目標對象進行處理,得到處理結果。
在一種可能的實現方式中,處理模組還配置為:對目標對象中具有相同名稱的目標子對象進行提取;和/或,根據相鄰的目標子對象的名稱,對目標對象中至少一個目標子對象的名稱進行修正。
在一種可能的實現方式中,目標圖像包括:心臟冠脈掩模圖像,或者,心臟冠脈掩模圖像以及心臟掩模圖像;目標對象包括冠脈中心線。
本發明實施例還提出一種電腦可讀儲存介質,其上儲存有電腦程式指令,所述電腦程式指令被處理器執行時實現上述方法。電腦可讀儲存介質可以是非易失性電腦可讀儲存介質。
本發明實施例還提出一種電子設備,包括:處理器;配置為儲存處理器可執行指令的記憶體;其中,所述處理器被配置為調用所述記憶體儲存的指令,以執行上述方法。電子設備可以被提供為終端、伺服器或其它形態的設備。
本發明實施例還提供了一種電腦程式產品,包括電腦可讀代碼,當電腦可讀代碼在設備上運行時,設備中的處理器執行配置為實現如上任一實施例提供的圖像處理方法的指令。
本發明實施例還提供了另一種電腦程式產品,用於儲存電腦可讀指令,指令被執行時使得電腦執行上述任一實施例提供的圖像處理方法的操作。
圖5示出根據本發明實施例的一種電子設備800的方塊圖。例如,電子設備800可以是行動電話、電腦、數位廣播終端、消息收發設備、遊戲控制台、平板設備、醫療設備、健身設備和個人數位助理等終端。
參照圖5,電子設備800可以包括以下一個或多個組件:處理組件802,記憶體804,電源組件806,多媒體組件808,音頻組件810,輸入/輸出(Input/Output,I/O)的介面812,感測器組件814,以及通信組件816。
處理組件802通常控制電子設備800的整體操作,諸如與顯示、電話呼叫、資料通信、相機操作和記錄操作相關聯的操作。處理組件802可以包括一個或多個處理器820來執行指令,以完成上述的方法的全部或部分步驟。此外,處理組件802可以包括一個或多個模組,便於處理組件802和其他組件之間的交互。例如,處理組件802可以包括多媒體模組,以方便多媒體組件808和處理組件802之間的交互。
記憶體804被配置為儲存各種類型的資料以支援在電子設備800的操作。這些資料的示例包括配置為在電子設備800上操作的任何應用程式或方法的指令,連絡人資料,電話簿資料,訊息,圖片,視頻等。記憶體804可以由任何類型的易失性或非易失性存放裝置或者它們的組合實現,如靜態隨機存取記憶體(SRAM,Static Random-Access Memory),電可擦除可程式設計唯讀記憶體(EEPROM,Electrically Erasable Programmable Read-Only Memory),可擦除可程式設計唯讀記憶體(EPROM,Erasable Programmable Read-Only Memory),可程式設計唯讀記憶體(PROM,Programmable Read-Only Memory),唯讀記憶體(ROM,Read Only Memory),磁記憶體,快閃記憶體,磁片或光碟。
電源組件806為電子設備800的各種組件提供電力。電源組件806可以包括電源管理系統,一個或多個電源,及其他與為電子設備800生成、管理和分配電力相關聯的組件。
多媒體組件808包括在所述電子設備800和使用者之間的提供一個輸出介面的螢幕。在一些實施例中,螢幕可以包括液晶顯示器(LCD,Liquid Crystal Display)和觸摸面板(TP,Touch Panel)。在螢幕包括觸摸面板的情況下,螢幕可以被實現為觸控式螢幕,以接收來自使用者的輸入信號。觸摸面板包括一個或多個觸摸感測器以感測觸摸、滑動和觸摸面板上的手勢。所述觸摸感測器可以不僅感測觸摸或滑動動作的邊界,而且還檢測與所述觸摸或滑動操作相關的持續時間和壓力。在一些實施例中,多媒體組件808包括一個前置攝影頭和/或後置攝影頭。在電子設備800處於操作模式,如拍攝模式或視訊模式的情況下,前置攝影頭和/或後置攝影頭可以接收外部的多媒體資料。每個前置攝影頭和後置攝影頭可以是一個固定的光學透鏡系統或具有焦距和光學變焦能力。
音頻組件810被配置為輸出和/或輸入音頻信號。例如,音頻組件810包括一個麥克風(MIC,Microphone),在電子設備800處於操作模式,如呼叫模式、記錄模式和語音辨識模式的情況下,麥克風被配置為接收外部音頻信號。所接收的音頻信號可以被進一步儲存在記憶體804或經由通信組件816發送。在一些實施例中,音頻組件810還包括一個揚聲器,配置為輸出音頻信號。
I/O介面812為處理組件802和週邊介面模組之間提供介面,上述週邊介面模組可以是鍵盤、點擊輪、按鈕等。這些按鈕可包括但不限於:主頁按鈕、音量按鈕、啟動按鈕和鎖定按鈕。
感測器組件814包括一個或多個感測器,配置為為電子設備800提供各個方面的狀態評估。例如,感測器組件814可以檢測到電子設備800的打開/關閉狀態和組件的相對定位,例如所述組件為電子設備800的顯示器和小鍵盤,感測器組件814還可以檢測電子設備800或電子設備800一個組件的位置改變,使用者與電子設備800接觸的存在或不存在,電子設備800方位或加速/減速和電子設備800的溫度變化。感測器組件814可以包括接近感測器,被配置用來在沒有任何的物理接觸時檢測附近物體的存在。感測器組件814還可以包括光感測器,如互補金屬氧化物半導體(CMOS,Complementary Metal-Oxide-Semiconductor)或電荷耦合器件(CCD,Charge Coupled Device,)圖像感測器,配置為在成像應用中使用。在一些實施例中,該感測器組件814還可以包括加速度感測器、陀螺儀感測器、磁感測器、壓力感測器或溫度感測器。
通信組件816被配置為便於電子設備800和其他設備之間有線或無線方式的通信。電子設備800可以接入基於通信標準的無線網路,如無線保真(Wi-Fi,Wireless Fidelity)、第二代移動通信技術(2G,The 2nd Generation,)或第三代移動通信技術(3G,The 3nd Generation,)或它們的組合。在一個示例性實施例中,通信組件816經由廣播通道接收來自外部廣播管理系統的廣播信號或廣播相關資訊。在一個示例性實施例中,所述通信組件816還包括近場通信(NFC,Near Field Communication)模組,以促進短程通信。例如,在NFC模組可基於射頻識別(RFID,Radio Frequency Identification)技術,紅外資料協會(IrDA,Infrared Data Association)技術,超寬頻(UWB,Ultra Wide Band)技術,藍牙(BT,Blue Tooth)技術和其他技術來實現。
在示例性實施例中,電子設備800可以被一個或多個應用專用積體電路(ASIC,Application Specific Integrated Circuit)、數位訊號處理器(DSP,Digital Signal Processor)、數位信號處理設備(DSPD,Digital Signal Processing Device)、可程式設計邏輯器件(PLD,Programmable Logic Device)、現場可程式設計閘陣列(FPGA,Field Programmable Gate Array)、控制器、微控制器、微處理器或其他電子組件實現,配置為執行上述方法。
在示例性實施例中,還提供了一種非易失性電腦可讀儲存介質,例如包括電腦程式指令的記憶體804,上述電腦程式指令可由電子設備800的處理器820執行以完成上述方法。
圖6示出根據本發明實施例的一種電子設備1900的方塊圖。例如,電子設備1900可以被提供為一伺服器。參照圖6,電子設備1900包括處理組件1922,可以包括一個或多個處理器,以及由記憶體1932所代表的記憶體資源,配置為儲存可由處理組件1922的執行的指令,例如應用程式。記憶體1932中儲存的應用程式可以包括一個或一個以上的每一個對應於一組指令的模組。此外,處理組件1922被配置為執行指令,以執行上述方法。
電子設備1900還可以包括一個電源組件1926被配置為執行電子設備1900的電源管理,一個有線或無線網路介面1950被配置為將電子設備1900連接到網路,和一個I/O介面1958。電子設備1900可以操作基於儲存在記憶體1932的作業系統,例如Windows ServerTM
、Mac OS XTM
、UnixTM、LinuxTM
、FreeBSDTM
或類似系統。
在示例性實施例中,還提供了一種非易失性電腦可讀儲存介質,例如包括電腦程式指令的記憶體1932,上述電腦程式指令可由電子設備1900的處理組件1922執行以完成上述方法。
本發明可以是系統、方法和/或電腦程式產品。電腦程式產品可以包括電腦可讀儲存介質,其上載有用於使處理器實現本發明的各個方面的電腦可讀程式指令。
電腦可讀儲存介質可以是可以保持和儲存由指令執行設備使用的指令的有形設備。電腦可讀儲存介質例如可以是但不限於電存放裝置、磁存放裝置、光存放裝置、電磁存放裝置、半導體存放裝置或者上述的任意合適的組合。電腦可讀儲存介質可以包括:可擕式電腦盤、硬碟、隨機存取記憶體(RAM,Random Access Memory)、唯讀記憶體、可擦式可程式設計唯讀記憶體(EPROM或快閃記憶體)、靜態隨機存取記憶體、可擕式壓縮磁碟唯讀記憶體(CD-ROM,Compact Disc Read-Only Memory)、數位多功能盤(DVD,Digital Video Disc)、記憶棒、軟碟、機械編碼設備、例如其上儲存有指令的打孔卡或凹槽內凸起結構、以及上述的任意合適的組合。這裡所使用的電腦可讀儲存介質不被解釋為暫態信號本身,諸如無線電波或者其他自由傳播的電磁波、通過波導或其他傳輸媒介傳播的電磁波(例如,通過光纖電纜的光脈衝)、或者通過電線傳輸的電信號。
這裡所描述的電腦可讀程式指令可以從電腦可讀儲存介質下載到各個計算/處理設備,或者通過網路、例如網際網路、局域網、廣域網路和/或無線網下載到外部電腦或外部存放裝置。網路可以包括銅傳輸電纜、光纖傳輸、無線傳輸、路由器、防火牆、交換機、閘道電腦和/或邊緣伺服器。每個計算/處理設備中的網路介面卡或者網路介面從網路接收電腦可讀程式指令,並轉發該電腦可讀程式指令,以供儲存在各個計算/處理設備中的電腦可讀儲存介質中。
用於執行本發明實施例操作的電腦程式指令可以是彙編指令、指令集架構(ISA,Industry Standard Architecture)指令、機器指令、機器相關指令、偽代碼、固件指令、狀態設置資料、或者以一種或多種程式設計語言的任意組合編寫的原始程式碼或目標代碼,所述程式設計語言包括對象導向的程式設計語言諸如Smalltalk、C++等,以及常規的過程式程式設計語言例如C語言或類似的程式設計語言。電腦可讀程式指令可以完全地在使用者電腦上執行、部分地在使用者電腦上執行、作為一個獨立的套裝軟體執行、部分在使用者電腦上部分在遠端電腦上執行、或者完全在遠端電腦或伺服器上執行。在涉及遠端電腦的情形中,遠端電腦可以通過任意種類的網路包括局域網(LAN,Local Area Network)或廣域網路(WAN,Wide Area Network)連接到使用者電腦,或者,可以連接到外部電腦(例如利用網際網路服務提供者來通過網際網路連接)。在一些實施例中,通過利用電腦可讀程式指令的狀態資訊來個性化定制電子電路,例如可程式設計邏輯電路、現場可程式設計閘陣列或可程式設計邏輯陣列,該電子電路可以執行電腦可讀程式指令,從而實現本發明的各個方面。
這裡參照根據本發明實施例的方法、裝置(系統)和電腦程式產品的流程圖和/或方塊圖描述了本發明的各個方面。應當理解,流程圖和/或方塊圖的每個方塊以及流程圖和/或方塊圖中各方塊的組合,都可以由電腦可讀程式指令實現。
這些電腦可讀程式指令可以提供給通用電腦、專用電腦或其它可程式設計資料處理裝置的處理器,從而生產出一種機器,使得這些指令在通過電腦或其它可程式設計資料處理裝置的處理器執行時,產生了實現流程圖和/或方塊圖中的一個或多個方塊中規定的功能/動作的裝置。也可以把這些電腦可讀程式指令儲存在電腦可讀儲存介質中,這些指令使得電腦、可程式設計資料處理裝置和/或其他設備以特定方式工作,從而,儲存有指令的電腦可讀介質則包括一個製造品,其包括實現流程圖和/或方塊圖中的一個或多個方塊中規定的功能/動作的各個方面的指令。
也可以把電腦可讀程式指令載入到電腦、其它可程式設計資料處理裝置、或其它設備上,使得在電腦、其它可程式設計資料處理裝置或其它設備上執行一系列操作步驟,以產生電腦實現的過程,從而使得在電腦、其它可程式設計資料處理裝置、或其它設備上執行的指令實現流程圖和/或方塊圖中的一個或多個方塊中規定的功能/動作。
附圖中的流程圖和方塊圖顯示了根據本發明的多個實施例的系統、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、程式段或指令的一部分,所述模組、程式段或指令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。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,兩個連續的方塊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,方塊圖和/或流程圖中的每個方塊、以及方塊圖和/或流程圖中的方塊的組合,可以用執行規定的功能或動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。
該電腦程式產品可以通過硬體、軟體或其結合的方式實現。在一些實施例中,所述電腦程式產品可以體現為電腦儲存介質,在另一些實施例中,電腦程式產品體現為軟體產品,例如軟體發展包(SDK,Software Development Kit)等等。
以上已經描述了本發明的各實施例,上述說明是示例性的,並非窮盡性的,並且也不限於所披露的各實施例。在不偏離所說明的各實施例的範圍和精神的情況下,對於本技術領域的普通技術人員來說許多修改和變更都是顯而易見的。本文中所用術語的選擇,旨在最好地解釋各實施例的原理、實際應用或對市場中的技術的改進,或者使本技術領域的其它普通技術人員能理解本文披露的各實施例。
工業實用性
本發明實施例獲取包括目標對象的目標圖像;對所述目標圖像進行分割,得到所述目標圖像中至少一個圖元點的名稱,作為分割結果;根據所述分割結果,確定所述目標對象中至少一個目標子對象的名稱。通過上述過程,可以有效地減小命名過程實現的難度以及提升命名的準確度,從而提升圖像處理過程的魯棒性。
21:提取前的目標圖像
22:提取後的目標圖像
31:心臟冠脈掩模圖
32:心臟掩模圖
33:目標圖像
34:神經網路
35:分割結果
36:冠脈中心線段的名稱
37:處理結果
40:圖像處理裝置
41:目標圖像獲取模組
42:分割模組
43:命名模組
800:電子設備
802:處理組件
804:記憶體
806:電源組件
808:多媒體組件
810:音頻組件
812:輸入/輸出介面
814:感測器組件
816:通信組件
820:處理器
1900:電子設備
1922:處理組件
1926:電源組件
1932:記憶體
1950:網路介面
1958:輸入輸出介面
S11~S13:步驟
此處的附圖被併入說明書中並構成本說明書的一部分,這些附圖示出了符合本發明實施例的實施例,並與說明書一起用於說明本發明實施例的技術方案。
圖1示出根據本發明一實施例的圖像處理方法的流程圖。
圖2示出根據本發明一實施例的對目標對象進行提取的示意圖。
圖3示出根據本發明一應用示例的示意圖。
圖4示出根據本發明一實施例的圖像處理裝置的方塊圖。
圖5示出根據本發明實施例的一種電子設備的方塊圖。
圖6示出根據本發明實施例的一種電子設備的方塊圖。
S11~S13:步驟
Claims (11)
- 一種圖像處理方法,包括: 獲取包括目標對象的目標圖像; 對所述目標圖像進行分割,得到所述目標圖像中至少一個圖元點的名稱,作為分割結果; 根據所述分割結果,確定所述目標對象中至少一個目標子對象的名稱。
- 根據請求項1所述的方法,其中,所述對所述目標圖像進行分割,得到所述目標圖像中至少一個圖元點的名稱,作為分割結果,包括: 將所述目標圖像輸入至神經網路; 根據所述神經網路的輸出,確定所述目標圖像中至少一個圖元點的名稱,作為所述分割結果; 其中,所述神經網路通過包括所述目標對象的訓練圖像進行訓練,所述訓練圖像中的目標對象通過至少一個目標子對象的名稱進行標注。
- 根據請求項2所述的方法,其中,所述神經網路通過包括所述目標對象的訓練圖像進行訓練,包括: 根據所述訓練圖像中目標對象的標注,確定所述訓練圖像中至少部分圖元點的標籤; 通過包括所述至少部分圖元點的標籤的訓練圖像,對所述神經網路進行訓練。
- 根據請求項2或3所述的方法,其中,所述神經網路通過包括所述目標對象的訓練圖像進行訓練,包括: 在所述訓練圖像中的目標對象內,確定距離第一目標圖元點最近的目標子對象,其中,所述第一目標圖元點為所述訓練圖像中除所述目標對象以外的至少一個圖元點; 將確定的所述目標子對象的標注,作為所述第一目標圖元點的標籤; 根據包括所述第一目標圖元點的標籤和所述目標對象的標注的訓練圖像,對所述神經網路進行訓練。
- 根據請求項1至3中任一項所述的方法,其中,所述根據所述分割結果,確定所述目標對象中至少一個目標子對象的名稱,包括: 根據所述分割結果,確定至少一個第二目標圖元點的名稱,其中,所述第二目標圖元點為所述目標子對象包含的圖元點; 統計所述目標子對象中每一所述第二目標圖元點的名稱,得到統計結果,將所述統計結果中數量最多的名稱,作為所述目標子對象的名稱。
- 根據請求項5所述的方法,其中,所述根據所述分割結果,確定至少一個第二目標圖元點的名稱,包括: 將每一所述第二目標圖元點對應的分割結果,作為每一所述第二目標圖元點的名稱;或者, 基於每一所述第二目標圖元點預設範圍內至少一個圖元點的分割結果,確定每一所述第二目標圖元點的名稱。
- 根據請求項1至3中任一項所述的方法,其中,所述方法還包括: 根據至少一個所述目標子對象的名稱,對所述目標對象進行處理,得到處理結果。
- 根據請求項7所述的方法,其中,所述根據至少一個所述目標子對象的名稱,對所述目標對象進行處理,包括: 對所述目標對象中具有相同名稱的目標子對象進行提取;和/或, 根據相鄰的所述目標子對象的名稱,對所述目標對象中至少一個所述目標子對象的名稱進行修正。
- 根據請求項1至3中任一項所述的方法,其中,所述目標圖像包括:心臟冠脈掩模圖像,或者,心臟冠脈掩模圖像以及心臟掩模圖像; 所述目標對象包括冠脈中心線。
- 一種電子設備,包括: 處理器; 配置為儲存處理器可執行指令的記憶體; 其中,所述處理器被配置為調用所述記憶體儲存的指令,以執行請求項1至9中任一項所述的方法。
- 一種電腦可讀儲存介質,其上儲存有電腦程式指令,其中,所述電腦程式指令被處理器執行時實現請求項1至9中任一項所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010674675.X | 2020-07-14 | ||
CN202010674675.XA CN111882527B (zh) | 2020-07-14 | 2020-07-14 | 图像处理方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202203151A true TW202203151A (zh) | 2022-01-16 |
Family
ID=73151298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110112237A TW202203151A (zh) | 2020-07-14 | 2021-04-01 | 圖像處理方法及電子設備、電腦可讀儲存介質 |
Country Status (5)
Country | Link |
---|---|
JP (1) | JP2022543547A (zh) |
KR (1) | KR20220028011A (zh) |
CN (2) | CN114494221A (zh) |
TW (1) | TW202203151A (zh) |
WO (1) | WO2022012038A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494221A (zh) * | 2020-07-14 | 2022-05-13 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3636332B2 (ja) * | 1993-12-24 | 2005-04-06 | セイコーエプソン株式会社 | 画像処理方法および画像処理装置 |
JPH0991032A (ja) * | 1995-09-21 | 1997-04-04 | Fuji Electric Co Ltd | 制御中の工程名称を表示するプログラムコントローラ |
US9761004B2 (en) * | 2008-09-22 | 2017-09-12 | Siemens Healthcare Gmbh | Method and system for automatic detection of coronary stenosis in cardiac computed tomography data |
JP5846368B2 (ja) * | 2011-11-16 | 2016-01-20 | 学校法人東京理科大学 | 医療画像処理装置、方法、及びプログラム |
AU2016236323A1 (en) * | 2015-03-20 | 2017-08-10 | Ventana Medical Systems, Inc. | System and method for image segmentation |
CN106204587B (zh) * | 2016-05-27 | 2019-01-08 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络和区域竞争模型的多器官分割方法 |
US9965863B2 (en) * | 2016-08-26 | 2018-05-08 | Elekta, Inc. | System and methods for image segmentation using convolutional neural network |
CN106651886A (zh) * | 2017-01-03 | 2017-05-10 | 北京工业大学 | 一种基于超像素聚类优化cnn的云图分割方法 |
KR20180083253A (ko) * | 2017-01-12 | 2018-07-20 | 가부시키가이샤 한도오따이 에네루기 켄큐쇼 | 반도체 장치의 제작 방법 |
CN108230343B (zh) * | 2018-01-05 | 2020-06-05 | 厦门华联电子股份有限公司 | 一种图像处理方法及装置 |
CN108717695B (zh) * | 2018-04-25 | 2021-07-13 | 数坤(北京)网络科技股份有限公司 | 心脏冠脉血管自动分段命名方法 |
JP7153264B2 (ja) * | 2018-08-02 | 2022-10-14 | 三菱重工業株式会社 | 画像解析システム、画像解析方法及び画像解析プログラム |
CN109522898A (zh) * | 2018-09-18 | 2019-03-26 | 平安科技(深圳)有限公司 | 手写样本图片标注方法、装置、计算机设备及存储介质 |
CN111161240B (zh) * | 2019-12-27 | 2024-03-05 | 上海联影智能医疗科技有限公司 | 血管分类方法、装置、计算机设备和可读存储介质 |
CN111161301B (zh) * | 2019-12-31 | 2021-07-27 | 上海商汤智能科技有限公司 | 图像分割方法及装置、电子设备和存储介质 |
CN114494221A (zh) * | 2020-07-14 | 2022-05-13 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
-
2020
- 2020-07-14 CN CN202210122748.3A patent/CN114494221A/zh active Pending
- 2020-07-14 CN CN202010674675.XA patent/CN111882527B/zh active Active
-
2021
- 2021-02-05 WO PCT/CN2021/075633 patent/WO2022012038A1/zh active Application Filing
- 2021-02-05 JP JP2022505271A patent/JP2022543547A/ja active Pending
- 2021-02-05 KR KR1020227002923A patent/KR20220028011A/ko active Search and Examination
- 2021-04-01 TW TW110112237A patent/TW202203151A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
KR20220028011A (ko) | 2022-03-08 |
WO2022012038A1 (zh) | 2022-01-20 |
CN114494221A (zh) | 2022-05-13 |
CN111882527B (zh) | 2021-12-21 |
JP2022543547A (ja) | 2022-10-13 |
CN111882527A (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210158533A1 (en) | Image processing method and apparatus, and storage medium | |
TWI755853B (zh) | 圖像處理方法、電子設備和電腦可讀儲存介質 | |
TWI713054B (zh) | 圖像分割方法及裝置、電子設備和儲存媒體 | |
WO2022127071A1 (zh) | 网络训练方法、图像分割方法、装置、设备、介质及产品 | |
TWI750518B (zh) | 影像處理方法及影像處理裝置、電子設備和電腦可讀儲存媒體 | |
TW202129543A (zh) | 網路訓練、圖像處理方法、電子設備和儲存媒體 | |
US20220019772A1 (en) | Image Processing Method and Device, and Storage Medium | |
JP2022535219A (ja) | 画像分割方法及び装置、電子機器並びに記憶媒体 | |
WO2021259390A2 (zh) | 一种冠脉钙化斑块检测方法及装置 | |
TW202209254A (zh) | 圖像分割方法、電子設備和電腦可讀儲存介質 | |
CN113012166A (zh) | 颅内动脉瘤分割方法及装置、电子设备和存储介质 | |
TWI767614B (zh) | 圖像處理方法及電子設備、電腦可讀儲存介質 | |
CN114820584A (zh) | 肺部病灶定位装置 | |
TW202219831A (zh) | 圖像處理方法、電子設備和電腦可讀儲存介質 | |
CN111833344A (zh) | 医学图像的处理方法及装置、电子设备和存储介质 | |
CN113012146A (zh) | 血管信息获取方法及装置、电子设备和存储介质 | |
WO2022012038A1 (zh) | 图像处理方法及装置、电子设备、存储介质和程序产品 | |
CN114387436B (zh) | 壁冠状动脉检测方法及装置、电子设备和存储介质 | |
WO2021259394A2 (zh) | 一种图像处理方法及装置、电子设备和存储介质 | |
CN115565666A (zh) | 脑梗死评估方法及装置、电子设备和存储介质 | |
CN112686867A (zh) | 医学图像的识别方法及装置、电子设备和存储介质 | |
CN115099293B (zh) | 一种模型训练方法及装置、电子设备和存储介质 | |
CN111723715B (zh) | 一种视频显著性检测方法及装置、电子设备和存储介质 | |
CN113298157A (zh) | 病灶匹配方法及装置、电子设备和存储介质 |