CN109685796A - 医学图像处理方法、装置、设备和存储介质 - Google Patents
医学图像处理方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN109685796A CN109685796A CN201811596856.4A CN201811596856A CN109685796A CN 109685796 A CN109685796 A CN 109685796A CN 201811596856 A CN201811596856 A CN 201811596856A CN 109685796 A CN109685796 A CN 109685796A
- Authority
- CN
- China
- Prior art keywords
- calculus
- central area
- network model
- neural network
- region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种医学图像处理方法、装置、设备和存储介质。终端通过获取CT扫描图像,并获取对CT扫描图像进行标注后得到的结石粗选区域,进而从结石粗选区域中提取结石中心区域,将结石中心区域输入预设的神经网络模型,输出结石类型结果。本申请中,终端通过获取对CT扫描图像进行标注后得到的结石粗选区域得到结石中心区域,并将结石中心区域输入预设的神经网络模型,输出结石类型结果,使得在获取结石类型结果的过程中,是通过对结石中心区域进行深度学习获得的,避免了在获取结石类型结果的过程中引入非结石区域,使得获得的结石类型结果更加准确。
Description
技术领域
本发明涉及深度学习的技术领域,特别是涉及了一种医学图像处理方法、装置、设备和存储介质。
背景技术
结石的成分存在多种类型,而且大多数结石是混合性的结石,结石分析不仅可以确定结石成分,也为制定结石合理的防治措施和选择溶石疗法提供重要依据,对患者饮食、生活习惯等方面进行指导,有助于预防结石的复发。
通常,采用电子计算机断层扫描(Computed Tomography,CT)对结石部位进行检测,获取结石部位影像信息,进而根据该影像信息获得结石的成分、硬度和脆性。
然而,采用上述方法对结石进行检测时,由于不同成分结石的CT扫描图像的像素值之间存在重叠,且相同成分的不同结石,在形状、体积、个数、位置等方面都呈现类内差异性大,类间差异性小的特性,因此,依靠CT扫描获得的影像数据不能准确的判断结石成分。
发明内容
基于此,有必要针对依靠CT影像数据不能准确的判断结石成分的问题,提供一种医学图像处理方法、装置、设备和存储介质。
第一方面,一种医学图像处理方法,所述方法包括:
获取CT扫描图像;
获取对所述CT扫描图像进行标注后得到的结石粗选区域;
从所述结石粗选区域中提取结石中心区域;
将所述结石中心区域输入预设的神经网络模型,输出结石类型结果。
上述医学图像处理方法,终端通过获取CT扫描图像,并获取对CT扫描图像进行标注后得到的结石粗选区域,进而从结石粗选区域中提取结石中心区域,将结石中心区域输入预设的神经网络模型,输出结石类型结果。本实施例中,终端通过获取对CT扫描图像进行标注后得到的结石粗选区域得到结石中心区域,并将结石中心区域输入预设的神经网络模型,输出结石类型结果,使得在获取结石类型结果的过程中,是通过对结石中心区域进行深度学习获得的,避免了在获取结石类型结果的过程中引入非结石区域,使得获得的结石类型结果更加准确。
在其中一个实施例中,所述从所述结石粗选区域中提取结石中心区域,包括:
提取所述结石粗选区域中扫描图像像素大于预设阈值范围的区域为所述结石中心区域。
在其中一个实施例中,所述预设阈值范围包括:76-376HU。
在其中一个实施例中,在将所述结石中心区域输入预设的神经网络模型之前,还包括:
通过所述结石中心区域计算结石中心;
通过预设的偏移参数对所述结石中心进行随机偏移,获取多个结石中心子区域;
则,所述将所述结石中心区域输入预设的神经网络模型,输出结石类型结果,包括:
将所述多个结石中心子区域输入预设的神经网络模型,输出结石类型结果。
在其中一个实施例中,所述方法还包括:
获取多个所述CT扫描图像;
分别获取对多个所述CT扫描图像进行标注后得到的多个结石粗选区域;
分别从多个所述结石粗选区域中提取多个结石中心区域;
将所述多个结石中心区域作为输入,将多个所述结石中心区域分别对应的多个所述结石类型作为输出,对神经网络模型进行训练。
在其中一个实施例中,在将所述多个结石中心区域作为输入,将多个所述结石中心区域分别对应的多个所述结石类型作为输出,对神经网络模型进行训练之前,还包括:
分别对多个所述结石中心区域进行数据增强处理,获取多个增强的结石中心区域;
将多个所述结石中心区域输入神经网络模型,训练所述神经网络模型,获取预设的神经网络模型,包括:
将多个所述增强的结石中心区域作为输入,将多个所述结石中心区域分别对应的多个所述结石类型作为输出,对神经网络模型进行训练,获取预设的神经网络模型。
在其中一个实施例中,所述分别对多个所述结石中心区域进行数据增强处理,获取多个增强的结石中心区域,包括:
对所述结石区域进行切割处理和翻转处理,获取所述增强的结石中心区域。
第二方面,一种医学图像处理装置,所述装置包括:
获取模块,用于获取CT扫描图像;
粗选模块,用于获取对所述CT扫描图像进行标注后得到的结石粗选区域;
提取模块,用于从所述结石粗选区域中提取结石中心区域;
输出模块,用于将所述结石中心区域输入预设的神经网络模型,输出结石类型结果。
第三方面,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取CT扫描图像;
获取对所述CT扫描图像进行标注后得到的结石粗选区域;
从所述结石粗选区域中提取结石中心区域;
将所述结石中心区域输入预设的神经网络模型,输出结石类型结果。
第四方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取CT扫描图像获取对所述CT扫描图像进行标注后得到的结石粗选区域;
从所述结石粗选区域中提取结石中心区域;
将所述结石中心区域输入预设的神经网络模型,输出结石类型结果。
上述医学图像处理方法、装置、设备和存储介质,终端通过获取CT扫描图像,并获取对CT扫描图像进行标注后得到的结石粗选区域,进而从结石粗选区域中提取结石中心区域,将结石中心区域输入预设的神经网络模型,输出结石类型结果。本实施例中,终端通过获取对CT扫描图像进行标注后得到的结石粗选区域得到结石中心区域,并将结石中心区域输入预设的神经网络模型,输出结石类型结果,使得在获取结石类型结果的过程中,是通过对结石中心区域进行深度学习获得的,避免了在获取结石类型结果的过程中引入非结石区域,使得获得的结石类型结果更加准确。
附图说明
图1为一个实施例中医学图像处理方法的流程示意图;
图2为另一个实施例中医学图像处理方法的流程示意图;
图2a为一个实施例中结石中心子区域的示意图;
图3为另一个实施例中医学图像处理方法的流程示意图;
图4为另一个实施例中医学图像处理方法的流程示意图;
图5为一个实施例中提供的医学图像处理装置的结构示意图;
图6为另一个实施例中提供的医学图像处理装置的结构示意图;
图7为另一个实施例中提供的医学图像处理装置的结构示意图;
图8为另一个实施例中提供的医学图像处理装置的结构示意图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
结石的成分存在多种类型,而且大多数结石是混合性的结石,结石分析不仅可以确定结石成分,也为制定结石合理的防治措施和选择溶石疗法提供重要依据,对患者饮食、生活习惯等方面进行指导,有助于预防结石的复发。通常,采用电子计算机断层扫描(Computed Tomography,CT)对结石部位进行检测,获取结石部位影像信息,进而根据该影像信息获得结石的成分、硬度和脆性。然而,采用上述方法对结石进行检测时,由于不同成分结石的CT扫描图像的像素值之间存在重叠,且相同成分的不同结石,在形状、体积、个数、位置等方面都呈现类内差异性大,类间差异性小的特性,因此,依靠CT扫描获得的影像数据不能准确的判断结石成分。本发明提供的医学图像处理方法、装置、设备和存储介质,旨在提高获取结石类型结果的准确性。
本实施例提供的医学图像处理方法,可以适用于医学图像处理的终端中,医学图像处理的终端可以为智能手机、平板电脑、笔记本电脑、台式电脑或个人数字助理等具有数据处理功能的电子设备,本实施例对医学图像处理终端的具体形式不做限定。
需要说明的是,本发明实施例提供的医学图像处理的方法,其执行主体可以是医学图像处理的装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为医学图像处理终端的部分或者全部。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为一个实施例中医学图像处理方法的流程示意图,本实施例涉及的是通过提取结石中心区域,并根据结石中心区域获取结石类型结果的具体过程,如图1所示,该方法包括以下步骤:
S101、获取CT扫描图像。
其中,CT扫描图像可以是通过扫描仪扫描人体组织,不同的人体组织在通过扫描仪扫描,获得像素值不同的图像,即为CT扫描图像。其可以是局部的扫描图像,也可以是全身的扫描图像,本申请实施例对此不做限制。例如,腹部CT扫描图像可以包括肝部CT扫描图像、胆囊CT扫描图像、胰腺CT扫描图像和脾脏CT扫描图像。
在具体获取CT扫描图像时,可以通过非增强单源CT、显微CT、双能量CT或双源双能量CT等,对人体组织进行扫描,获得的CT扫描图像。
S102、获取对CT扫描图像进行标注后得到的结石粗选区域。
其中,结石粗选区域可以包括去除掉背景区域的CT扫描图像,在上述实施例的基础上,在获取CT扫描图像时,由于器官在体内存在一定程度的重叠,因此CT扫描图像中可以包括除结石所在器官之外的其他器官。例如,对肾部CT扫描图像可以包括肾扫描图像和输尿管扫描图像,其中输尿管扫描图像即为肾部CT扫描图像中的背景区域,肾部结石粗选区域可以是去除输尿管区域的CT扫描图像。
在具体获取对CT扫描图像进行标注后得到的结石粗选区域时,可以是获取用户对CT扫描图像中背景区域的进行标注,获得标注后的CT扫描图像;也可以是用户对CT扫描图像中非背景区域进行标注,获得标注后的CT扫描图像;本申请实施例对此不做限制。以肾部CT扫描图像为例,用户可以对输尿管区域进行标注,或者,也可以对肾部区域进行标注,获得标注的CT扫描图像。
进一步地,终端根据标注后的CT扫描图像获取结石粗选区域时,可以是根据标注去除背景区域,得到结石粗选区域。继续以肾部CT扫描图像为例,若标注的CT扫描图像为对输尿管区域(背景区域)进行标注的CT扫描图像,则终端可以删除标注的输尿管区域,获得结石粗选区域。
S103、从结石粗选区域中提取结石中心区域。
其中,在上述实施例的基础上,结石中心区域可以是结石在CT扫描图像中的区域,其可以是一部分CT扫描图像。结石中心区域可以是根据结石尺寸调整的CT扫描图像区域,也可以是固定设置大小的CT扫描图像区域,本申请实施例对此不做限制。结石中心区域中可以包括1个结石对应的CT扫描图像,也可以包括多个结石对应的CT扫描图像,本申请实施例对此不做限制。
在具体地从结石粗选区域中提取结石中心区域时,可以通过分割算法,提取结石中心区域。例如,在上述实施例的基础上,确定了结石的粗选区域后,通过分割算法分割该结石粗选区域,其可以是通过基于阈值的分割算法、基于区域的分割算法、基于边缘的分割算法以及基于特定理论的分割算法中的任一种,分割该结石粗选区域,获得多个区域,假设为左肾区域和右肾区域;从中提取根据结石所在的左肾区域为结石中心区域。
S104、将结石中心区域输入预设的神经网络模型,输出结石类型结果。
其中,预设的神经网络模型可以是通过对输入的结石中心区域进行深度学习,获得结石类型结果的神经网络算法。从结石的组成成分上,结石可以包括草酸钙结石、磷酸钙结石、尿酸(尿酸盐)结石、磷酸铵镁结石、胱氨酸结石及嘌呤结石。常见的结石,其组成成分可以是上述多种成分组成混合形成的,结石的形状、体积、个数、位置之间也存在较大的差别,结石类型结果可以包括上述结石的组成成分、结石的形状、体积、个数、位置等信息本申请实施例对此不做限制。
在具体将结石中心区域输入预设的神经网络模型,输出结石类型结果的过程中,其可以是将一个结石中心区域输入预设的神经网络模型,输出其对应的结石类型结果;也可以是将一组结石中心区域输入预设的神经网络模型,分别输出每一个结石中心区域对应的结石类型结果;本申请实施例对比不做限制。当预设的神经网络模型输出结石中心区域对应的结石类型结果后,还可以将该结石中心区域与结石类型之间的映射关系,作为训练样本,训练该神经网络模型。在输出结石类型结果时,神经网络模型可以直接输出结石类型,也可以是输出结石中心区域与结石类型之间的映射关系,作为结石类型结果。
上述医学图像处理方法,终端通过获取CT扫描图像,并获取对CT扫描图像进行标注后得到的结石粗选区域,进而从结石粗选区域中提取结石中心区域,将结石中心区域输入预设的神经网络模型,输出结石类型结果。本实施例中,终端通过获取对CT扫描图像进行标注后得到的结石粗选区域得到结石中心区域,并将结石中心区域输入预设的神经网络模型,输出结石类型结果,使得在获取结石类型结果的过程中,是通过对结石中心区域进行深度学习获得的,避免了在获取结石类型结果的过程中引入非结石区域,使得获得的结石类型结果更加准确。
进一步地,可以通过结石粗选区域中扫描图像像素来确定结石中心区域,可选地,S103“从结石粗选区域中提取结石中心区域”一种可能的实现方法,包括:提取结石粗选区域中扫描图像像素大于预设阈值范围的区域为结石中心区域。
具体地,由于结石与器官或组织的密度不同,因此,结石与器官或组织在扫描图像中的像素不同。在上述实施例的基础上,获取了已知结石的扫描图像,根据已知结石在扫描图像中的像素,确定预设阈值范围,可选地,预设阈值范围为76-376亨氏单位(HounsfieldUnit,HU)。终端通过提取结石粗选区域内像素大于预设阈值范围的区域,即为结石中心区域。
上述实施例详细描述了通过提取结石中心区域,并根据结石中心区域获取结石类型结果的具体过程。进一步地,在将结石中心区域输入预设的神经网络模型之前还可以对结石中心区域进行偏移处理,获得多个结石中心子区域。下面通过图2来详细描述。
图2为另一个实施例中医学图像处理方法的流程示意图,本实施例涉及的是对结石中心区域进行偏移处理,获得多个结石中心子区域,并将多个结石中心区域输入预设的神经网络模型,输出结石类型结果的详细过程,如图2所示,该方法还包括以下步骤:
S201、通过结石中心区域计算结石中心。
其中,结石可以是形状不规则的三维物体,结石中心可以是该形状不规则的三维物体的几何中心。在具体地通过结石中心区域计算结石中心时,在上述实施例的基础上,在获取了结石中心区域后,由于结石的的形状、体积、个数、位置之间也存在较大的差异,因此可以根据结石的具体情况来获取结石中心,例如,结石中心区域可以包括2个结石,则可以分别进一步地,获取结石中心区域中扫描图像像素大于预设阈值范围的区域,获取2个结石对应的扫描图像区域,分别计算各结石对应的扫描图像区域中的几何区域,得到结石中心。
S202、通过预设的偏移参数对结石中心进行随机偏移,获取多个结石中心子区域。
其中,预设的偏移参数可以是对结石中心移动的参数,和结石中心子区域的大小尺寸,结石中心子区域可以是包含结石中心的CT扫描图像中的一部分,其可以是每个结石分别对应在CT扫描图像的区域,也可以是一个结石中感兴趣区域对应在CT扫描图像的区域,本申请实施例对此不做限制。例如,当结石中心区域中存在多个结石时,结石中心子区域可以是每个结石对应的CT扫描图像;当结石中心区域中存在一个结石时,该结石包括多各种组成成分,结石中心子区域可以是该结石一种组成成分对应的CT扫描图像。进一步假设,一个结石的组成成分为草酸钙和磷酸钙组成结石,则可以对该结石对应的结石中心区域,通过对结石中心偏移,获得两个结石中心子区域,分别为划分成草酸钙结石中心子区域和磷酸钙结石中心子区域。
在具体通过预设的偏移参数对结石中心进行随机偏移时,获取多个结石中心子区域的过程中,可以通过对结石中心的三维坐标进行随机偏移,再切割结石中心区域获得结石中心子区域。例如,在一个结石中心区域中,如图2a所示,通过预设的偏移参数对结石中心210的三维坐标进行随机偏移,其偏移参数可以是[10,10,2],获取草酸钙结石中心子区域220和磷酸钙结石中心子区域230。
S203、将多个结石中心子区域输入预设的神经网络模型,输出结石类型结果。
具体地,在上述实施例的基础上,获取了多个结石中心子区域,可以将多个结石中心子区域一个一个的输入预设的神经网络模型,分别输出各结石中心子区域对应的结石类型结果。也可以是将多个结石中心子区域建立一个集合,将该集合输入预设的神经网络模型,输出结石类型结果集合,结石类型结果集合中包括各结石子区域对应的结石类型结果,和,结石子区域与结石类型结果之间的对应关系。本申请实施例对此不做限制。
上述医学图像处理方法,终端通过结石中心区域计算结石中心,并通过预设的偏移参数对结石中心进行随机偏移,获取多个结石中心子区域,进而将多个结石中心子区域输入预设的神经网络模型,输出结石类型结果。本实施例中,终端在对结石中心区域输入预设的神经网络模型时,通过结石中心区域获得更加细分的结石中心子区域,减小了预设的神经网络模型输入的背景区域,进一步地提升了结石类型结果准确性。
在上述实施例的基础上,终端还可以将多个结石中心区域作为输入,将多个结石中心区域分别对应的多个结石类型作为输出,对神经网络模型进行训练。下面通过图3来详细说明。
图3为另一个实施例中医学图像处理方法的流程示意图,如图3所示,该方法还包括以下步骤:
S301、获取多个CT扫描图像。
具体地,获取多个CT扫描图像,其中,多个CT扫描图像可以是历史CT扫描图像,也可以是实时获取多个CT扫描图像,还可以是获取部分历史CT扫描图像和部分实时CT扫描图像,本申请实施例对此不做限制。
S302、分别获取对多个CT扫描图像进行标注后得到的多个结石粗选区域。
S303、分别从多个结石粗选区域中提取多个结石中心区域。
S304、将多个结石中心区域作为输入,将多个结石中心区域分别对应的多个结石类型作为输出,对神经网络模型进行训练。
具体地,在上述实施例的基础上,可以将多个结石中心区域分别作为输入,也可以对多个结石中心区域进行分组,获得一个或多个结石中心区域集合作为输入,本申请实施例对此不过限制。在具体对神经网络模型进行训练的过程中,可以是预先设置一组训练参数,输入多个结石中心区域,通过预先设置的一组训练参数的模型,获得对应的结石类型,将该结石类型与对应的结石中心区级对应的实际的结石类型进行对比,根据该对比结果,调整训练参数,直至通过神经网络模型获得的结石类型结果与结石中心区域对应的实际的结石类型结果,满足预设的要求,即为目标训练参数,根据该目标训练参数,确定预设的神经网络模型。
上述医学图像处理方法,终端获取多个CT扫描图像,并分别获取对多个CT扫描图像进行标注后得到的多个结石粗选区域,分别从多个结石粗选区域中提取多个结石中心区域,进而将多个结石中心区域作为输入,将多个结石中心区域分别对应的多个结石类型作为输出,对神经网络模型进行训练。本实施例中,终端在通过预设的神经网络模型输出结石类型结果之前,通过将多个结石中心区域作为输入,将多个结石中心区域分别对应的多个结石类型作为输出,对神经网络模型进行训练,获得预设的神经网络模型,提高了预设的神经网络模型的准确性,进而提高了获得结石类型结果的准确性。
进一步地,在将多个结石中心区域作为输入,将多个结石中心区域分别对应的多个结石类型作为输出,对神经网络模型进行训练之前,终端还可以对多个结石中心区域进行数据增强处理,获取多个增强的结石中心区域。
图4为另一个实施例中医学图像处理方法的流程示意图,本实施例涉及的是通过多个增强的结石中心区域训练预设的神经网络模型的具体过程,如图4所示,S304“将多个结石中心区域作为输入,将多个结石中心区域分别对应的多个结石类型作为输出,对神经网络模型进行训练”的一种可能的实现方法,包括以下步骤:
S401、分别对多个结石中心区域进行数据增强处理,获取多个增强的结石中心区域。
具体地,增强的结石中心区域可以是对CT扫描图像中部分区域进行处理获得的,例如,CT扫描图像多为三维切面图像,其中结石对应的在具体对结石中心区域进行数据增强处理时,可以是对结石中心区域通过预设的偏移参数进行随机偏移,获得多个结石中心子区域,即为增强的结石中心区域;也可以是对结石中心区域进行翻转处理,获得多个翻转的结石中心子区域,即为增强的结石中心区域,本申请实施例对此不做限制。可选地,对结石区域进行切割处理和翻转处理,获取增强的结石中心区域。
S402、将多个增强的结石中心区域作为输入,将多个结石中心区域分别对应的多个结石类型作为输出,对神经网络模型进行训练,获取预设的神经网络模型。
具体地,将多个增强的结石中心区域作为输入,将多个结石中心区域分别对应的多个结石类型作为输出,对神经网络模型进行训练的过程,可以是预先设置一组训练参数,输入增强的结石中心区域,通过预先设置的一组训练参数的模型,获得对应结石类型,将该结石类型与增强的结石中心区域对应的实际的结石类型进行对比,根据该对比结果,调整训练参数,直至通过神经网络模型获得的结石类型结果与增强的结石中心区域对应的实际的结石类型结果,满足预设的要求,即为目标训练参数,根据该目标训练参数,获取预设的神经网络模型。
上述医学图像处理方法,终端分别对多个结石中心区域进行数据增强处理,获取多个增强的结石中心区域,并将多个增强的结石中心区域作为输入,将多个结石中心区域分别对应的多个结石类型作为输出,对神经网络模型进行训练,获取预设的神经网络模型。本实施例中,终端在通过多个结石中心区域对神经网络模型进行训练时,对结石中心区域进行数据增强处理,获取多个增强的结石中心区域,使得训练神经网络模型的输入为增强的结石中心区域,进而使得预设的神经网络模型更加准确,进一步地提高了获得结石类型结果的准确性。
应该理解的是,虽然图1-4的流程图中的各个步骤按照箭头的指示,依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图5为一个实施例中提供的医学图像处理装置的结构示意图,如图5所示,该医学图像处理装置包括:获取模块10、粗选模块20、提取模块30和输出模块40,其中:
获取模块10,用于获取CT扫描图像;
粗选模块20,用于获取对所述CT扫描图像进行标注后得到的结石粗选区域;
提取模块30,用于从所述结石粗选区域中提取结石中心区域;
输出模块40,用于将所述结石中心区域输入预设的神经网络模型,输出结石类型结果。
在一个实施例中,提取模块30具体用于提取所述结石粗选区域中扫描图像像素大于预设阈值范围的区域为所述结石中心区域。
在一个实施例中,所述预设阈值范围包括:76-376HU。
本发明实施例提供的医学图像处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
图6为另一个实施例中提供的医学图像处理装置的结构示意图,在图5所示实施例的基础上,如图6所示,医学图像处理装置还包括:计算模块50和偏移模块60,其中,
计算模块50,用于通过所述结石中心区域计算结石中心;
偏移模块60,用于通过预设的偏移参数对所述结石中心进行随机偏移,获取多个结石中心子区域;
则,输出模块40,还用于将所述多个结石中心子区域输入预设的神经网络模型,输出结石类型结果。
本发明实施例提供的医学图像处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
图7为另一个实施例中提供的医学图像处理装置的结构示意图,在图5或图6所示实施例的基础上,如图7所示,医学图像处理装置还包括:训练模块70,其中,
获取模块10,还用于获取多个所述CT扫描图像;
粗选模块20,还用于分别获取对多个所述CT扫描图像进行标注后得到的多个结石粗选区域;
提取模块30,还用于分别从多个所述结石粗选区域中提取多个结石中心区域;
训练模块70,用于将所述多个结石中心区域作为输入,将多个所述结石中心区域分别对应的多个所述结石类型作为输出,对神经网络模型进行训练。
本发明实施例提供的医学图像处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
图8为另一个实施例中提供的医学图像处理装置的结构示意图,在图5-7任一项所示实施例的基础上,如图8所示,医学图像处理装置还包括:增强模块80,其中,
增强模块80,用于分别对多个所述结石中心区域进行数据增强处理,获取多个增强的结石中心区域;
则,
训练模块70,还用于将多个所述增强的结石中心区域作为输入,将多个所述结石中心区域分别对应的多个所述结石类型作为输出,对神经网络模型进行训练,获取预设的神经网络模型。
在一个实施例中,增强模块80具体用于对所述结石区域进行切割处理和翻转处理,获取所述增强的结石中心区域。
本发明实施例提供的医学图像处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于一种医学图像处理装置的具体限定可以参见上文中对医学图像处理方法的限定,在此不再赘述。上述医学图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端设备,其内部结构图可以如图9所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医学图像处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种终端设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取CT扫描图像;
获取对所述CT扫描图像进行标注后得到的结石粗选区域;
从所述结石粗选区域中提取结石中心区域;
将所述结石中心区域输入预设的神经网络模型,输出结石类型结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:提取所述结石粗选区域中扫描图像像素大于预设阈值范围的区域为所述结石中心区域。
在一个实施例中,所述预设阈值范围包括:76-376HU。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:通过所述结石中心区域计算结石中心;通过预设的偏移参数对所述结石中心进行随机偏移,获取多个结石中心子区域;将所述多个结石中心子区域输入预设的神经网络模型,输出结石类型结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取多个所述CT扫描图像;分别获取对多个所述CT扫描图像进行标注后得到的多个结石粗选区域;分别从多个所述结石粗选区域中提取多个结石中心区域;将所述多个结石中心区域作为输入,将多个所述结石中心区域分别对应的多个所述结石类型作为输出,对神经网络模型进行训练。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:分别对多个所述结石中心区域进行数据增强处理,获取多个增强的结石中心区域;将多个所述增强的结石中心区域作为输入,将多个所述结石中心区域分别对应的多个所述结石类型作为输出,对神经网络模型进行训练,获取预设的神经网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对所述结石区域进行切割处理和翻转处理,获取所述增强的结石中心区域。
本实施例提供的终端设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取CT扫描图像;
获取对所述CT扫描图像进行标注后得到的结石粗选区域;
从所述结石粗选区域中提取结石中心区域;
将所述结石中心区域输入预设的神经网络模型,输出结石类型结果。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:提取所述结石粗选区域中扫描图像像素大于预设阈值范围的区域为所述结石中心区域。
在一个实施例中,所述预设阈值范围包括:76-376HU。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:通过所述结石中心区域计算结石中心;通过预设的偏移参数对所述结石中心进行随机偏移,获取多个结石中心子区域;将所述多个结石中心子区域输入预设的神经网络模型,输出结石类型结果。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:获取多个所述CT扫描图像;分别获取对多个所述CT扫描图像进行标注后得到的多个结石粗选区域;分别从多个所述结石粗选区域中提取多个结石中心区域;将所述多个结石中心区域作为输入,将多个所述结石中心区域分别对应的多个所述结石类型作为输出,对神经网络模型进行训练。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:分别对多个所述结石中心区域进行数据增强处理,获取多个增强的结石中心区域;将多个所述增强的结石中心区域作为输入,将多个所述结石中心区域分别对应的多个所述结石类型作为输出,对神经网络模型进行训练,获取预设的神经网络模型。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:对所述结石区域进行切割处理和翻转处理,获取所述增强的结石中心区域。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种医学图像处理方法,其特征在于,所述方法包括:
获取CT扫描图像;
获取对所述CT扫描图像进行标注后得到的结石粗选区域;
从所述结石粗选区域中提取结石中心区域;
将所述结石中心区域输入预设的神经网络模型,输出结石类型结果。
2.根据权利要求1所述方法,其特征在于,所述从所述结石粗选区域中提取结石中心区域,包括:
提取所述结石粗选区域中扫描图像像素大于预设阈值范围的区域为所述结石中心区域。
3.根据权利要求3所述方法,其特征在于,所述预设阈值范围包括:76-376HU。
4.根据权利要求1至3任一项所述方法,其特征在于,在将所述结石中心区域输入预设的神经网络模型之前,还包括:
通过所述结石中心区域计算结石中心;
通过预设的偏移参数对所述结石中心进行随机偏移,获取多个结石中心子区域;
则,所述将所述结石中心区域输入预设的神经网络模型,输出结石类型结果,包括:
将所述多个结石中心子区域输入预设的神经网络模型,输出结石类型结果。
5.根据权利要求1至3任一项所述方法,其特征在于,所述方法还包括:
获取多个所述CT扫描图像;
分别获取对多个所述CT扫描图像进行标注后得到的多个结石粗选区域;
分别从多个所述结石粗选区域中提取多个结石中心区域;
将所述多个结石中心区域作为输入,将多个所述结石中心区域分别对应的多个所述结石类型作为输出,对神经网络模型进行训练。
6.根据权利要求5所述方法,其特征在于,在将所述多个结石中心区域作为输入,将多个所述结石中心区域分别对应的多个所述结石类型作为输出,对神经网络模型进行训练之前,还包括:
分别对多个所述结石中心区域进行数据增强处理,获取多个增强的结石中心区域;
将多个所述结石中心区域输入神经网络模型,训练所述神经网络模型,获取预设的神经网络模型,包括:
将多个所述增强的结石中心区域作为输入,将多个所述结石中心区域分别对应的多个所述结石类型作为输出,对神经网络模型进行训练,获取预设的神经网络模型。
7.根据权利要求6所述方法,其特征在于,所述分别对多个所述结石中心区域进行数据增强处理,获取多个增强的结石中心区域,包括:
对所述结石区域进行切割处理和翻转处理,获取所述增强的结石中心区域。
8.一种医学图像处理装置,其特征在于,所述装置包括:
获取模块,用于获取CT扫描图像;
粗选模块,用于获取对所述CT扫描图像进行标注后得到的结石粗选区域;
提取模块,用于从所述结石粗选区域中提取结石中心区域;
输出模块,用于将所述结石中心区域输入预设的神经网络模型,输出结石类型结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811596856.4A CN109685796B (zh) | 2018-12-26 | 2018-12-26 | 医学图像处理方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811596856.4A CN109685796B (zh) | 2018-12-26 | 2018-12-26 | 医学图像处理方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685796A true CN109685796A (zh) | 2019-04-26 |
CN109685796B CN109685796B (zh) | 2021-05-18 |
Family
ID=66188483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811596856.4A Active CN109685796B (zh) | 2018-12-26 | 2018-12-26 | 医学图像处理方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685796B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105472A (zh) * | 2019-11-26 | 2020-05-05 | 上海联影智能医疗科技有限公司 | Pet图像的衰减校正方法、装置、计算机设备和存储介质 |
CN112656483A (zh) * | 2020-12-21 | 2021-04-16 | 中南大学湘雅医院 | 一种可视化便携式胆道镜取石钳 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101044988A (zh) * | 2006-03-31 | 2007-10-03 | 西门子公司 | 借助计算机断层造影自动区分肾结石类型的方法和装置 |
US20120143803A1 (en) * | 2010-12-06 | 2012-06-07 | Furuno Electric Co., Ltd. | Bottom sediment determination device, ultrasonic finder, and method and program for setting parameters |
EP2889838A1 (en) * | 2013-12-27 | 2015-07-01 | Nuctech Company Limited | Fluoroscopic inspection system and method for automatic classification and recognition of cargoes |
CN106250712A (zh) * | 2016-09-28 | 2016-12-21 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的输尿管结石预测方法和预测*** |
CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持***和方法 |
CN107480677A (zh) * | 2017-08-07 | 2017-12-15 | 北京深睿博联科技有限责任公司 | 一种识别三维ct图像中感兴趣区域的方法及装置 |
CN107492097A (zh) * | 2017-08-07 | 2017-12-19 | 北京深睿博联科技有限责任公司 | 一种识别mri图像感兴趣区域的方法及装置 |
CN108364006A (zh) * | 2018-01-17 | 2018-08-03 | 超凡影像科技股份有限公司 | 基于多模式深度学习的医学图像分类装置及其构建方法 |
-
2018
- 2018-12-26 CN CN201811596856.4A patent/CN109685796B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101044988A (zh) * | 2006-03-31 | 2007-10-03 | 西门子公司 | 借助计算机断层造影自动区分肾结石类型的方法和装置 |
US20120143803A1 (en) * | 2010-12-06 | 2012-06-07 | Furuno Electric Co., Ltd. | Bottom sediment determination device, ultrasonic finder, and method and program for setting parameters |
EP2889838A1 (en) * | 2013-12-27 | 2015-07-01 | Nuctech Company Limited | Fluoroscopic inspection system and method for automatic classification and recognition of cargoes |
CN106250712A (zh) * | 2016-09-28 | 2016-12-21 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的输尿管结石预测方法和预测*** |
CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持***和方法 |
CN107480677A (zh) * | 2017-08-07 | 2017-12-15 | 北京深睿博联科技有限责任公司 | 一种识别三维ct图像中感兴趣区域的方法及装置 |
CN107492097A (zh) * | 2017-08-07 | 2017-12-19 | 北京深睿博联科技有限责任公司 | 一种识别mri图像感兴趣区域的方法及装置 |
CN108364006A (zh) * | 2018-01-17 | 2018-08-03 | 超凡影像科技股份有限公司 | 基于多模式深度学习的医学图像分类装置及其构建方法 |
Non-Patent Citations (2)
Title |
---|
CORINA BOTOCA ET AL: "Cellular neural networks assisted automatic detection of elements in microscopic medical images. A preliminary study", 《2014 11TH INTERNATIONAL SYMPOSIUM ON ELECTRONICS AND TELECOMMUNICATIONS (ISETC)》 * |
张鹏等: "应用人工神经网络预测ESWL单次治疗肾结石的成功率", 《临床泌尿外科杂志》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105472A (zh) * | 2019-11-26 | 2020-05-05 | 上海联影智能医疗科技有限公司 | Pet图像的衰减校正方法、装置、计算机设备和存储介质 |
CN111105472B (zh) * | 2019-11-26 | 2024-03-22 | 上海联影智能医疗科技有限公司 | Pet图像的衰减校正方法、装置、计算机设备和存储介质 |
CN112656483A (zh) * | 2020-12-21 | 2021-04-16 | 中南大学湘雅医院 | 一种可视化便携式胆道镜取石钳 |
Also Published As
Publication number | Publication date |
---|---|
CN109685796B (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148192B (zh) | 医学影像成像方法、装置、计算机设备和存储介质 | |
CN109993726A (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
CN110211076B (zh) | 图像拼接方法、图像拼接设备和可读存储介质 | |
CN110111305B (zh) | 处理方案的生成方法、装置、设备和存储介质 | |
CN111047591A (zh) | 基于深度学习的病灶体积测量方法、***、终端及存储介质 | |
CN110415792B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
JP2010119850A (ja) | 統計モデルを用いた医療画像自動セグメンテーションシステム、装置並びにプロセッサ | |
CN111161216A (zh) | 基于深度学习的血管内超声图像处理方法、装置、设备和存储介质 | |
CN111325759A (zh) | 血管分割方法、装置、计算机设备及可读存储介质 | |
CN110363774A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN110473226B (zh) | 图像处理网络的训练方法、计算机设备及可读存储介质 | |
CN110189306A (zh) | 脑图像中异常区域对应的责任血管确定方法和设备 | |
CN113538471B (zh) | 斑块的分割方法、装置、计算机设备和存储介质 | |
CN109685796A (zh) | 医学图像处理方法、装置、设备和存储介质 | |
CN109378068A (zh) | 一种鼻咽癌疗效的自动评测方法及*** | |
CN110555860A (zh) | 医学图像中肋骨区域标注的方法、电子设备和存储介质 | |
CN110751187A (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
CN111028212A (zh) | 关键点检测方法、装置、计算机设备和存储介质 | |
CN111128348B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
US9123163B2 (en) | Medical image display apparatus, method and program | |
CN111798410A (zh) | 基于深度学习模型的癌细胞病理分级方法、装置、设备和介质 | |
CN113705807B (zh) | 神经网络的训练装置及方法,消融布针规划装置及方法 | |
CN114375179A (zh) | 超声图像分析方法、超声成像***和计算机存储介质 | |
CN113793316B (zh) | 一种超声扫查区域提取方法、装置、设备和存储介质 | |
CN116051470A (zh) | 一种基于数据增强的肝脏ct术后肿瘤分割方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |