CN109872307B - 一种检测生物组织图像中肿块的方法、相应设备及介质 - Google Patents

一种检测生物组织图像中肿块的方法、相应设备及介质 Download PDF

Info

Publication number
CN109872307B
CN109872307B CN201910092954.2A CN201910092954A CN109872307B CN 109872307 B CN109872307 B CN 109872307B CN 201910092954 A CN201910092954 A CN 201910092954A CN 109872307 B CN109872307 B CN 109872307B
Authority
CN
China
Prior art keywords
image
target
tumor
typing
biological tissue
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.)
Active
Application number
CN201910092954.2A
Other languages
English (en)
Other versions
CN109872307A (zh
Inventor
江铖
田宽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201910684650.5A priority Critical patent/CN110428405A/zh
Priority to CN201910092954.2A priority patent/CN109872307B/zh
Publication of CN109872307A publication Critical patent/CN109872307A/zh
Application granted granted Critical
Publication of CN109872307B publication Critical patent/CN109872307B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/30068—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请公开了一种检测生物组织图像中肿块的方法，包括：获取目标生物组织图像；确定目标生物组织图像的分型类型；确定目标生物组织图像中的目标对象，以及目标对象为肿块的概率；将目标对象为肿块的概率与目标生物组织图像的分型类型所对应的概率阈值进行比较，不同分型类型的生物组织图像所对应的概率阈值不同；若目标对象为肿块的概率大于目标生物组织图像的分型类型所对应的概率阈值，则检测出目标对象为肿块。本申请技术方案由于在检测生物组织图像时，例如：检测乳腺图像时，可以检测出生物组织图像的分型类型，不同分型类型的生物组织有不同的肿块概率阈值，从而提高了肿块检测的准确度。

Description

一种检测生物组织图像中肿块的方法、相应设备及介质
技术领域
本申请涉及计算机技术领域，具体涉及一种检测生物组织图像中肿块的方法、训练模型的方法、相应装置、设备及介质。
背景技术
***钼靶(mammograms)被广泛应用于乳腺癌早期筛选。肿块是判断乳腺是否正常的重要局部特征，其中疑似恶性肿块的定位可以为医生提供较好的良恶性判定依据，是乳腺癌诊断的最重要线索之一。
肿块的形态和大小不一，且常常表现出较低的对比度。传统的肿块探测技术主要根据肿块的先验特征进行有监督探测或者利用肿块与其他组织的可分割性进行非监督分割，常常需要面对肿块定位困难的问题。
现有技术使用分割算法分割出可疑区域，然后根据可疑区域形态进行肿块筛选，筛选的准确度很低。
发明内容
本申请实施例提供一种检测生物组织图像中肿块的方法，可以提高生物组织图像中肿块检测的准确度。本申请实施例还提供了相应的装置及存储介质。
本申请第一方面提供一种检测生物组织图像中肿块的方法，包括：
获取目标生物组织图像；
确定所述目标生物组织图像的分型类型；
确定所述目标生物组织图像中的目标对象，以及所述目标对象为肿块的概率；
将所述目标对象为肿块的概率与所述目标生物组织图像的分型类型所对应的概率阈值进行比较，不同分型类型的生物组织图像所对应的概率阈值不同；
若所述目标对象为肿块的概率大于所述目标生物组织图像的分型类型所对应的概率阈值，则检测出所述目标对象为肿块。
一种可能的实现方式中，所述生物组织图像为乳腺图像，所述确定所述目标生物组织图像的分型类型，可以包括：
通过目标乳腺分型模型确定目标乳腺图像的分型类型，所述目标乳腺分型模型是通过不同分型类型的多个乳腺图像，以及每个乳腺图像的分型类型信息进行训练得到的。
一种可能的实现方式中，该检测乳腺图像中肿块的方法还可以包括：
标记被检测出的肿块；
输出包含带有标记的乳腺图像。
一种可能的实现方式中，所述不同分型类型包括如下分型类型中的至少两个：脂肪型、少腺体型、多腺体型和致密型；
所述脂肪型对应的概率阈值为a、所述少腺体型对应的概率阈值为b,所述多腺体型对应的概率阈值为c，所述致密型对应的概率阈值为d，所述a、b、c和d都大于0，且a<b<c<d。
一种可能的实现方式中，所述确定所述目标生物组织图像中的目标对象，以及所述目标对象为肿块的概率，可以包括：
对所述目标乳腺图像进行预处理以及分割，以确定分割子图像；
将所述分割子图像输入分类模型，确定每个分割子图像中所包含的目标子对象，所述目标子对象包含于所述目标对象；
根据每个目标子对象确定所述目标对象为肿块的概率。
一种可能的实现方式中，所述根据每个目标子对象确定所述目标对象为肿块的概率，可以包括：
合并各个目标子对象中相互重叠的区域；
根据合并后的目标子对象的集合，确定所述目标对象为肿块的概率。
本申请第二方面提供一种训练模型的方法，包括：
获取样本图像集合，所述样本图像集合包括不同分型类型的多个生物组织图像，以及每个生物组织图像的分型类型信息；
通过所述图像集合对初始生物组织分型模型进行训练，以确定所述初始生物组织分型模型的参考参数；
将所述参考参数输入所述初始生物组织分型模型，以确定用于目标生物组织分型模型，所述目标生物组织分型模型用于确定生物组织图像的分型类型。
一种可能的实现方式中，所述生物组织图像为乳腺图像，所述通过所述图像集合输对初始乳腺分型模型进行训练，以确定所述初始乳腺分型模型的参考参数，可以包括：
提取每个乳腺图像的特征信息；
将所述每个乳腺图像的特征信息，以及与该乳腺图像对应的分型类型信息作为一组训练参数；
通过多个乳腺图像各自所对应的一组训练参数对所述初始乳腺分型模型进行训练，以确定所述初始乳腺分型模型的参考参数。
本申请第三方面提供一种检测生物组织图像中肿块的装置，包括：
获取单元，用于获取目标生物组织图像；
第一确定单元，用于确定所述获取单元获取的目标生物组织图像的分型类型；
第二确定单元，用于确定所述获取单元获取的目标生物组织图像中的目标对象，以及所述目标对象为肿块的概率；
比较单元，用于将所述第二确定单元确定的目标对象为肿块的概率与所述第一确定单元确定的目标生物组织图像的分型类型所对应的概率阈值进行比较，不同分型类型的生物组织图像所对应的概率阈值不同；
检测单元，用于若所述比较单元比较出目标对象为肿块的概率大于所述目标生物组织图像的分型类型所对应的概率阈值时，则检测出所述目标对象为肿块。
一种可能的实现方式中，所述第一确定单元，用于在所述生物组织图像为乳腺图像时，通过目标乳腺分型模型确定目标乳腺图像的分型类型，所述目标乳腺分型模型是通过不同分型类型的多个乳腺图像，以及每个乳腺图像的分型类型信息进行训练得到的。
一种可能的实现方式中，所述装置还可以包括：
标记单元，用于标记被检测出的肿块；
输出单元，用于输出包含带有所述标记单元标记的乳腺图像。
一种可能的实现方式中，所述不同分型类型包括如下分型类型中的至少两个：脂肪型、少腺体型、多腺体型和致密型；
所述脂肪型对应的概率阈值为a、所述少腺体型对应的概率阈值为b,所述多腺体型对应的概率阈值为c，所述致密型对应的概率阈值为d，所述a、b、c和d都大于0，且a<b<c<d。
一种可能的实现方式中，所述第二确定单元用于：
对所述目标乳腺图像进行预处理以及分割，以确定分割子图像；
将所述分割子图像输入分类模型，确定每个分割子图像中所包含的目标子对象，所述目标子对象包含于所述目标对象；
根据每个目标子对象确定所述目标对象为肿块的概率。
一种可能的实现方式中，所述第二确定单元用于：
合并各个目标子对象中相互重叠的区域；
根据合并后的目标子对象的集合，确定所述目标对象为肿块的概率。
本申请第四方面提供一种训练模型的装置，包括：
获取单元，用于获取样本图像集合，所述样本图像集合包括不同分型类型的多个生物组织图像，以及每个生物组织图像的分型类型信息；
训练单元，用于通过所述图像集合对初始生物组织分型模型进行训练，以确定所述初始生物组织分型模型的参考参数；
确定单元，用于将所述参考参数输入所述初始生物组织分型模型，以确定用于目标生物组织分型模型，所述目标生物组织分型模型用于确定生物组织图像的分型类型。
一种可能的实现方式中，所述训练单元用于：在所述生物组织图像为乳腺图像时，
提取每个乳腺图像的特征信息；
将所述每个乳腺图像的特征信息，以及与该乳腺图像对应的分型类型信息作为一组训练参数；
通过多个乳腺图像各自所对应的一组训练参数对所述初始乳腺分型模型进行训练，以确定所述初始乳腺分型模型的参考参数。
本申请实施例第五方面提供一种计算机设备，所述计算机设备包括：输入/输出(I/O)接口、处理器和存储器，所述存储器中存储有程序指令；
所述处理器用于执行存储器中存储的程序指令，执行如上述第一方面或第一方面任意一种可能的实现方式所述的方法。
本申请实施例第六方面提供一种计算机设备，所述计算机设备包括：输入/输出(I/O)接口、处理器和存储器，所述存储器中存储有程序指令；
所述处理器用于执行存储器中存储的程序指令，执行如上述第二方面或第二方面任意一种可能的实现方式所述的方法。
本申请实施例第七方面提供一种计算机可读存储介质，包括指令，当所述指令在计算机设备上运行时，使得所述计算机设备执行如上述第一方面或第一方面任意一种可能的实现方式所述的方法。
本申请实施例第八方面提供一种计算机可读存储介质，包括指令，当所述指令在计算机设备上运行时，使得所述计算机设备执行如上述第二方面或第二方面任意一种可能的实现方式所述的方法。
本申请的第九方面提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面或第一方面任意一种可能的实现方式所述的方法。
本申请的第十方面提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第二方面或第二方面任意一种可能的实现方式所述的方法。
本申请第十一方面提供一种医学图像检测***，所述医学图像检测***包括图像扫描设备和图像处理设备；
图像扫描设备用于扫描医学图像，并向所述图像处理设备发送所述医学图像；
图像处理设备用于执行第一方面中任一项所述的方法，或者执行如第二方面中任一项所述的方法。
本申请实施例提供的方案，在检测生物组织图像时，可以检测出生物组织图像的分型类型，不同分型类型的生物组织有不同的肿块概率阈值，从而提高了肿块检测的准确度。
附图说明
图1是本申请实施例中训练目标乳腺分型模型的一场景示例示意图；
图2是本申请实施例中训练模型的方法的一实施例示意图；
图3是本申请实施例中检测乳腺图像中肿块的一场景示意图；
图4是本申请实施例中检测乳腺图像中肿块的另一场景示意图；
图5是本申请实施例中检测乳腺图像中肿块的一方法实施例示意图；
图6是本申请实施例中检测乳腺图像中肿块的另一方法实施例示意图；
图7是本申请实施例中训练模型的装置的一实施例示意图；
图8是本申请实施例中检测乳腺图像中肿块的装置的一实施例示意图；
图9是本申请实施例中检测乳腺图像中肿块的装置的另一实施例示意图；
图10是本申请实施例中计算机设备的一实施例示意图。
具体实施方式
下面结合附图，对本申请的实施例进行描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。本领域普通技术人员可知，随着技术的发展和新场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本申请实施例提供一种检测生物组织图像中肿块的方法，可以提高生物组织图像中肿块检测的准确度。本申请实施例还提供了相应的装置及存储介质。以下分别进行详细说明。
随着人工智能技术的发展，机器可以辅助判断生物组织图像，例如乳腺图像中是否有肿块的技术，本申请实施例考虑到每个人乳腺上腺体的多少不同，有的人乳腺上的腺体多，有的人乳腺上的腺体少，而在判断乳腺上的肿块时，会受到腺体多少的影响。所以，本申请实施例中，在确定乳腺图像中的肿块时，考虑到了乳腺图像的分型类型，结合乳腺图像的分型类型再去确定该乳腺图像中的肿块情况，可以提高肿块检测的准确度。关于乳腺图像的分型类型的确定可以先训练一个乳腺分型模型，然后向该乳腺分型模型输入乳腺图像，就可以输出该乳腺图像的分型类型。乳腺分型模型可以是一个深度神经网络模型。关于乳腺分型模型可以通过大量的不同分型类型的乳腺图像的样本进行训练得到。当然，本申请实施例中只是以乳腺图像为例进行说明，实际上，关于其他可以由分型类型的生物组织图像都属于本申请实施例所请求保护的方案。
下面结合图1的训练模型的一场景示意图，介绍本申请实施例中关于训练乳腺分型模型的过程。
如图1所示，本申请实施例提供的训练模型的一场景实施例中可以包括：计算机设备10从数据库20中获取样本图像集合，该样本图像集合包括不同分型类型的多个乳腺图像，以及每个乳腺图像的分型类型信息。样本图像集合中的数据可以是预先收集的，每个乳腺图像的分型类型信息可以是相关领域专家标注的。本申请实施例中可以将乳腺图像划分为如下几种分型类型：：脂肪型、少腺体型、多腺体型和致密型。当然，需要说明的是，本申请实施例提供了一种乳腺图像分型类型划分的思想，其他有关的乳腺图像分型类型划分的方案，即使划分的种类与本申请不同，或者分型类型的名称与本申请不同，但只要涉及到对乳腺图像分型类型的划分，都属于本申请实施例所请求保护的范围。
计算机设备10上配置有初始乳腺分型模型，计算机设备10可以通过所述图像集合对初始乳腺分型模型进行训练，以确定所述初始乳腺分型模型的参考参数；将所述参考参数输入所述初始乳腺分型模型，以确定用于目标乳腺分型模型，所述目标乳腺分型模型用于确定乳腺图像的分型类型。
一种可能的实现方式中，初始乳腺分型模型可以理解为是个深度神经网络的函数，该函数中系数处于未知状态，这些处于未知状态的系数可以理解为是初始乳腺分型模型的参考参数，每个乳腺图像的特征信息可以理解为是多个输入参数，对应的分型类型信息可以理解为是对应的输出参数，输入参数与输出参数的关系可以表示为y＝f(x1、x2……xN)。将很多组输入参数和输出参数输入到初始乳腺分型模型中，就可以确定出这些未知的参考参数，从而完成模型的训练，得到目标乳腺分型模型。这样，向目标乳腺分型模型中输入一个乳腺图像后，就可以通过提取该乳腺图像中的特征信息(x1、x2……xN)，就得输出对应的输出参数y，实现对乳腺图像的分型类型检测。
相应地，结合上述图1所示的场景示例，如图2所示，本申请实施例提供的训练模型的方法的一实施例可以包括：
101、获取样本图像集合，所述样本图像集合包括不同分型类型的多个生物组织图像，以及每个生物组织图像的分型类型信息。
102、通过所述图像集合对初始生物组织分型模型进行训练，以确定所述初始生物组织分型模型的参考参数。
一种可能的实现方式中，该步骤102，若生物组织图像为乳腺图像，则可以包括：
提取所述每个乳腺图像的特征信息；
将所述每个乳腺图像的特征信息，以及与该乳腺图像对应的分型类型信息作为一组训练参数；
通过所述多个乳腺图像各自所对应的一组训练参数对所述初始乳腺分型模型进行训练，以确定所述初始乳腺分型模型的参考参数。
当然，若生物组织图像为其他部位的图像，也可以采用上述的过程训练参考参数。
103、将所述参考参数输入所述初始生物组织分型模型，以确定用于目标生物组织分型模型，所述目标生物组织分型模型用于确定生物组织图像的分型类型。
本申请实施例提供的训练模型的方法，可以训练出用于确定生物组织图像的分型类型的目标生物组织分型模型，关于目标生物组织分型模型的训练过程可以参与上述图1部分的描述进行理解，此处不再重复赘述。
从上面的描述可知，可以训练出目标生物组织分型模型，当然，也就可以训练出目标乳腺分型模型训练，那么在检测乳腺图像中肿块时就可以使用该目标乳腺分型模型先确定出所检测的目标乳腺图像的分型类型，然后再检测肿块。肿块检测时通常是通过分析肿块区域的特征，确定该区域是肿块的概率，若无论是哪种分型类型的乳腺图像中的肿块判断都是采用通过的比对阈值，则无疑会造成识别精度下降。因此，本申请实施例中针对每种分型类型的乳腺图像都配置了不同大小的用于判断肿块的概率阈值。
例如：上述描述了乳腺图像在本申请实施例中可以划分为脂肪型、少腺体型、多腺体型和致密型。则所述脂肪型对应的概率阈值可以为a、所述少腺体型对应的概率阈值可以为b,所述多腺体型对应的概率阈值可以为c，所述致密型对应的概率阈值可以为d，所述a、b、c和d都大于0。因为脂肪型，腺体很少，比较容易检测出乳腺图像中的肿块，所以a不需要设置的太大，在这几种分型类型中脂肪型的乳腺图像中的肿块时最容易检测的，所以a最小，以此类推，则有a<b<c<d。关于a、b、c和d的取值可以是通过经验值设定的，也可以是通过一些算法计算得到的，本申请实施例中不限定a、b、c和d的取值的确定方式。
这样，在检测乳腺图像中的肿块时，就可以分别采用与乳腺图像的分型类型对应的概率阈值去做判断，从而可以提高肿块检测的准确度。下面结合图3介绍本申请实施例中检测乳腺图像中肿块的过程。
图3为本申请实施例中检测乳腺图像中肿块的一场景示意图。
如图3所示，为本申请实施例中检测乳腺图像中肿块的一场景实施例中，可以包括图像采集设备30、计算机设备40和显示器50，图像采集设备30、计算机设备40和显示器50之间可以通过网络进行图像传输。图像采集设备30可以是钼靶机，该图像采集设备30可以通过放射线采集患者的目标乳腺图像，并将该目标乳腺图像通过网络传输给计算机设备40，计算机设备40可以确定该目标乳腺图像的分型类型；然后再确定所述目标乳腺图像中的目标对象，以及所述目标对象为肿块的概率；将所述目标对象为肿块的概率与所述目标乳腺图像的分型类型所对应的概率阈值进行比较，不同分型类型的乳腺图像所对应的概率阈值不同；若所述目标对象为肿块的概率大于所述目标乳腺图像的分型类型所对应的概率阈值，则检测出所述目标对象为肿块。
一种可能的实现方式中，计算机设备40中配置有上述图1所对应实施例中的目标乳腺分型模型，可以通过目标乳腺分型模型确定目标乳腺图像的分型类型。
当计算机设备40检测出肿块后，可以标记被检测出的肿块，并输出包含带有标记的乳腺图像。如图3中显示器50上所显示的乳腺图像中就标记出了肿块的位置。当然，肿块的标记方式可以有很多种，不限于图3中的这一种。
当然，本申请实施例所提供的检测乳腺图像中肿块的方案也不限于只使用图3所示的现场采集乳腺图像，现场分析出结果的场景，若只有一张乳腺检测的片子，也可以通过对该片子的图像采集，来实现本申请实施例所提供的方案。
如图4所示，为本申请实施例中检测乳腺图像中肿块的另一场景实施例中，图像采集设备30可以为拍摄仪器，可以采集乳腺检测的片子中的图像再传输给计算机设备40，计算设备40执行的后续过程与上述图3所对应实施例中所描述的过程基本相同，此处不再重复赘述。
当然，上述图3和图4所对应的场景只是两种示例，其他场景中若计算机设备与显示器集成在一起，只要具备上述图3和图4所对应场景中计算机设备40的功能，也可以通过一个设备实现上述检测乳腺图像中肿块以及输出结果的显示。若图像采集功能也与计算机设备与显示器集成在一个设备上，那么只需要通过一个设备就可以实现上述图3和图4所对应场景中的图像的采集、检测以及显示的过程。
上述图3和图4所示的场景都是以乳腺检测为例进行说明的，实际上，本申请实施例不限于乳腺检测，
如图5所示，本申请实施例提供的检测生物组织图像中肿块的方法的一实施例可以包括：
201、获取目标生物组织图像。
生物组织图像例如可以是目标乳腺图像，目标乳腺图像的获取方式可以参与上述图3或图4两种场景中的获取方式进行理解。
202、确定所述目标生物组织图像的分型类型。
例如：目标乳腺图像的分型类型可以为：脂肪型、少腺体型、多腺体型或致密型。
203、确定所述目标生物组织图像中的目标对象，以及所述目标对象为肿块的概率。
本申请实施例中的肿块可以是疑似恶性肿块，当然，也不限于疑似恶性肿块，也可能是良性肿块。
一种可能的实现方式中，当生物组织图像为乳腺图像时，该步骤203可以包括：
对所述目标乳腺图像进行预处理以及分割，以确定分割子图像；
将所述分割子图像输入分类模型，确定每个分割子图像中所包含的目标子对象，所述目标子对象包含于所述目标对象；
根据每个目标子对象确定所述目标对象为肿块的概率。
其中，所述根据每个目标子对象确定所述目标对象为肿块的概率，可以包括：
合并各个目标子对象中相互重叠的区域；
根据合并后的目标子对象的集合，确定所述目标对象为肿块的概率。
该出的合并实际上是针对相互重叠的两部分，要去除其中一部分。
204、将所述目标对象为肿块的概率与所述目标生物组织图像的分型类型所对应的概率阈值进行比较，不同分型类型的生物组织图像所对应的概率阈值不同。
该步骤204以乳腺图像为例，可以参与下表1进行理解：
表1
Figure BDA0001963783650000111
若目标乳腺图像的分型类型为脂肪型，则将E与a进行比较，若目标乳腺图像的分型类型为少腺体型，则将E与b进行比较，若目标乳腺图像的分型类型为多腺体型，则将E与c进行比较，若目标乳腺图像的分型类型为致密型，则将E与d进行比较。
205、若所述目标对象为肿块的概率大于所述目标生物组织图像的分型类型所对应的概率阈值，则检测出所述目标对象为肿块。
若E＝0.45，a＝0.4,b＝0.5，c＝0.6,d＝0.7，则目标乳腺图像的分型类型为脂肪型时，E＞a，则确定该目标对象为肿块。若目标乳腺图像的分型类型为少腺体型、多腺体型或者致密型，E分别小于b、c和d，则确定出该目标对象不是肿块。
本申请实施例中，在检测乳腺图像时，可以检测出乳腺图像的分型类型，不同分型类型的乳腺有不同的肿块概率阈值，从而提高了肿块检测的准确度。
一种可能的实现方式中，步骤205之后，还可以包括：标记被检测出的肿块；输出包含带有标记的乳腺图像。这种可能的实现方式可以参与图3或图4中的相应内容进行理解，此处不再做重复赘述。
下面结合图6，以乳腺图像为例，介绍本申请实施例提供的检测乳腺图像中肿块的方法的另一实施例。
如图6所示，本申请实施例提供的检测乳腺图像中肿块的方法的另一实施例可以包括：
在一个分支上，将钼靶图片，也就是目标乳腺图像输入到乳腺分型网络，该乳腺分型网络也就是上文中的目标乳腺分型模型。乳腺分型网络是通过训练样本进行训练得到的，该乳腺分型网络也就是上文中的目标乳腺分型模型，具体训练过程可以参与图1所对应的实施例进行理解。
在另一个分支上，对钼靶图片，也就是目标乳腺图像进行预处理，对预处理后的图像进行分割。
两个分支结合，肿块判断的过程会结合通过乳腺分型网络确定目标乳腺图像的分型类型所对应的概率阈值，肿块判断后得到检测结果。
其中，预处理的过程可以包括：
(1)、归一化
通过线性拉伸将图像灰度范围拉伸到0-255，提高后续处理的鲁棒性。
(2)、***区域分割
使用形态学开操作和二值化提取***区域，去除标签等背景,开操作可以去除细碎组织和噪声，分割过程使用大津分割(Otsu)方法进行二分类，可以有效提取***组织区域。
(3)、直方图均衡
后续分割算法基于图像直方图进行，因此需要通过直方图均衡提高后续处理鲁棒性。
(4)、双边滤波
使用双边滤波去除***组织中可能存在的噪声，并在一定程度上提高区域同质性，另外双边滤波不会破坏分割边缘。
图像分割可以包括：
(1)、基因遗传分割
对目标乳腺图像使用二维小波变换(级数为3)降低维度，对于低细节图像，在归一化后统计其图像直方图，并依据此直方图进行图像分割。对于直方图的分割采用基因遗传算法，基因使用二进制编码形式，长度等于灰度级个数，当位值为0时代表该灰度级为分割阈值。遗传算法价值函数以最大类间方差和最小类内方差为标准，使用一般的基因遗传算法流程，在种群初始化之后重复迭代选择、交叉、变异三个过程直到收敛(初始种群数量为30，迭代次数为40，选择率为10％，交叉率为80％，变异率为10％)，最后输出分割阈值，根据此阈值对原图像进行分割操作。
(2)、形态学开操作
对分割图像使用形态学开操作，断开胸腺连接等，方便后续区域提取。
(3)、区域块提取
对于分割结果，首先提取灰度级较高，例如：Top5灰度级的区域，对于满足条件的区域，每张钼靶图像选择面积较大的10个区域作为候选区域。
肿块判断可以包括：
(1)、神经网络训练与分类
使用国内医院数据，聘请专家标注数据(2200+)，疑似恶性肿块作为正样本，剩余的明显良性肿块和背景区域作为负样本，通过数据增强之后(由于是钼靶图片，主要进行翻转和裁剪的数据增强，无须进行颜色空间的数据增强，另外输入疑似恶性肿块样本必须包含整个肿块区域并有少量背景区域环绕)，作为本发明训练数据输入Google发布的InceptionV3模型进行训练，模型的输出类别数重新设置为2。其中模型的权重初始化首先使用ImageNet数据集，接着使用公开数据集DDSM，最后使用本发明训练数据进行迁移学习得到最后的模型权重(下降算法使用RMSprop，批处理大小为64，初始学习率为0.01，最大迭代次数为100000)。模型训练完成后，对于任意输入的候选区域块，可以通过网络计算得到其是否是疑似恶性肿块的概率标签，通常来说，概率大于0.5被认为是疑似恶性肿块。
(2)、非极大值抑制
对于判断为疑似恶性肿块的区域，使用非极大值抑制方法去除重叠的区域，其中重叠度阈值设为50％，主要目的是降低误报率，与此同时可以提高疑似恶性肿块定位的准确性。
乳腺分型可以包括：
(1)、乳腺分型网络训练与分类
使用国内医院数据，聘请专家标注了乳腺分型数据(6000+)，训练阶段使用Google发布的InceptionV3深度学习网络进行训练，模型的输出类别重新设置为4，其中模型的初始化权重使用ImageNet数据集，下降算法使用adam，批处理大小64，初始学习率0.0001，最大迭代次数100。应用阶段，对于输入***的钼靶图片，输入乳腺分型网络，得到乳腺分型的类别。
(2)、肿块判定阈值选择
根据分类得到的乳腺分型，分别返回相应的肿块判定分类阈值，对应于脂肪型、少腺体型、多腺体型、致密型***，阈值分别为a、b、c、d，其中a<b<c<d。即对于腺体较多***，判定为肿块的阈值相应提高，有利于避免团块状腺体对肿块定位的干扰。
以上，介绍了训练模型和检测乳腺图像中的肿块的方案，下面结合附图介绍本申请实施例中的相应装置。
如图7所示，本申请实施例提供的训练模型的装置70的一实施例可以包括：
获取单元701，用于获取样本图像集合，所述样本图像集合包括不同分型类型的多个生物组织图像，以及每个生物组织图像的分型类型信息；
训练单元702，用于通过所述获取单元701获取的图像集合对初始生物组织分型模型进行训练，以确定所述初始生物组织分型模型的参考参数；
确定单元703，用于将所述训练单元702训练出的参考参数输入所述初始生物组织分型模型，以确定用于目标生物组织分型模型，所述目标生物组织分型模型用于确定生物组织图像的分型类型。
本申请实施例提供的训练模型的装置，可以训练出用于确定生物组织图像的分型类型的目标生物组织分型模型，从而可以实现分型类型的肿块判断，提高了生物组织图像中肿块识别的准确度。
一种可能的实现方式中，所述训练单元用于：当生物组织图像为乳腺图像时，
提取所述每个乳腺图像的特征信息；
将所述每个乳腺图像的特征信息，以及与该乳腺图像对应的分型类型信息作为一组训练参数；
通过所述多个乳腺图像各自所对应的一组训练参数对所述初始乳腺分型模型进行训练，以确定所述初始乳腺分型模型的参考参数。
如图8所示，本申请实施例提供的检测生物组织图像中肿块的装置80的一实施例可以包括：
获取单元801，用于获取目标生物组织图像；
第一确定单元802，用于确定所述获取单元801获取的目标生物组织图像的分型类型；
第二确定单元803，用于确定所述获取单元801获取的目标生物组织图像中的目标对象，以及所述目标对象为肿块的概率；
比较单元804，用于将所述第二确定单元803确定的目标对象为肿块的概率与所述第一确定单元802确定的目标生物组织图像的分型类型所对应的概率阈值进行比较，不同分型类型的生物组织图像所对应的概率阈值不同；
检测单元805，用于若所述比较单元804比较出目标对象为肿块的概率大于所述目标生物组织图像的分型类型所对应的概率阈值时，则检测出所述目标对象为肿块。
本申请实施例提供的检测生物组织图像中肿块的装置，在检测生物组织图像时，可以检测出生物组织图像的分型类型，不同分型类型的生物组织有不同的肿块概率阈值，从而提高了肿块检测的准确度。
一种可能的实现方式中，所述第一确定单元802，用于当生物组织图像为乳腺图像时，通过目标乳腺分型模型确定目标乳腺图像的分型类型，所述目标乳腺分型模型是通过不同分型类型的多个乳腺图像，以及每个乳腺图像的分型类型信息进行训练得到的。
如图9所示，本申请实施例提供的检测乳腺图像中肿块的装置80的另一实施例还可以包括：
标记单元806，用于标记被所述检测单元805检测出的肿块；
输出单元807，用于输出包含带有所述标记单元806标记的乳腺图像。
一种可能的实现方式中，所述脂肪型对应的概率阈值为a、所述少腺体型对应的概率阈值为b,所述多腺体型对应的概率阈值为c，所述致密型对应的概率阈值为d，所述a、b、c和d都大于0，且a<b<c<d。
一种可能的实现方式中，所述第二确定单元803用于：
对所述目标乳腺图像进行预处理以及分割，以确定分割子图像；
将所述分割子图像输入分类模型，确定每个分割子图像中所包含的目标子对象，所述目标子对象包含于所述目标对象；
根据每个目标子对象确定所述目标对象为肿块的概率。
一种可能的实现方式中，所述第二确定单元803用于：
合并各个目标子对象中相互重叠的区域；
根据合并后的目标子对象的集合，确定所述目标对象为肿块的概率。
图10是本申请实施例提供的计算机设备90的结构示意图。所述计算机设备90包括处理器910、存储器940和输入输出(I/O)接口930，存储器940可以包括只读存储器和随机存取存储器，并向处理器910提供操作指令和数据。存储器940的一部分还可以包括非易失性随机存取存储器(NVRAM)。
在一些实施方式中，存储器940存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集:
在本申请实施例中，在训练模型的过程中，处理器910通过调用存储器940存储的操作指令(该操作指令可存储在操作***中)执行如下过程：
获取样本图像集合，所述样本图像集合包括不同分型类型的多个生物组织图像，以及每个生物组织图像的分型类型信息；
通过所述图像集合对初始生物组织分型模型进行训练，以确定所述初始生物组织分型模型的参考参数；
将所述参考参数输入所述初始生物组织分型模型，以确定用于目标生物组织分型模型，所述目标生物组织分型模型用于确定生物组织图像的分型类型。
本申请实施例提供的训练模型的方案，可以训练出用于确定生物组织图像的分型类型的目标生物组织分型模型，从而可以实现分分型类型的肿块判断，提高了生物组织图像中肿块识别的准确度。
处理器910控制计算机设备90的操作，处理器910还可以称为CPU(CentralProcessing Unit，中央处理单元)。存储器940可以包括只读存储器和随机存取存储器，并向处理器910提供指令和数据。存储器940的一部分还可以包括非易失性随机存取存储器(NVRAM)。具体的应用中计算机设备90的各个组件通过总线***920耦合在一起，其中总线***920除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都标为总线***920。
上述本申请实施例揭示的方法可以应用于处理器910中，或者由处理器910实现。处理器910可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器910中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器910可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器940，处理器910读取存储器940中的信息，结合其硬件完成上述方法的步骤。
一种可能的实现方式中，处理器910用于：当生物组织图像为乳腺图像时，
提取所述每个乳腺图像的特征信息；
将所述每个乳腺图像的特征信息，以及与该乳腺图像对应的分型类型信息作为一组训练参数；
通过所述多个乳腺图像各自所对应的一组训练参数对所述初始乳腺分型模型进行训练，以确定所述初始乳腺分型模型的参考参数。
上述计算机设备90用于检测乳腺图像中肿块的过程中，处理器910通过调用存储器940存储的操作指令(该操作指令可存储在操作***中)执行如下过程：
获取目标生物组织图像；
确定所述目标生物组织图像的分型类型；
确定所述目标生物组织图像中的目标对象，以及所述目标对象为肿块的概率；
将所述目标对象为肿块的概率与所述目标生物组织图像的分型类型所对应的概率阈值进行比较，不同分型类型的生物组织图像所对应的概率阈值不同；
若所述目标对象为肿块的概率大于所述目标生物组织图像的分型类型所对应的概率阈值，则检测出所述目标对象为肿块。
本申请实施例提供的方案，在检测生物组织图像时，可以检测出生物组织图像的分型类型，不同分型类型的生物组织有不同的肿块概率阈值，从而提高了肿块检测的准确度。
一种可能的实现方式中，处理器910用于：当生物组织图像为乳腺图像时，通过目标乳腺分型模型确定目标乳腺图像的分型类型，所述目标乳腺分型模型是通过不同分型类型的多个乳腺图像，以及每个乳腺图像的分型类型信息进行训练得到的。
一种可能的实现方式中，处理器910用于：标记被检测出的肿块；
输入输出(I/O)接口930用于：输出包含带有标记的乳腺图像。
一种可能的实现方式中，所述不同分型类型包括如下分型类型中的至少两个：脂肪型、少腺体型、多腺体型和致密型；
所述脂肪型对应的概率阈值为a、所述少腺体型对应的概率阈值为b,所述多腺体型对应的概率阈值为c，所述致密型对应的概率阈值为d，所述a、b、c和d都大于0，且a<b<c<d。
一种可能的实现方式中，处理器910用于：
对所述目标乳腺图像进行预处理以及分割，以确定分割子图像；
将所述分割子图像输入分类模型，确定每个分割子图像中所包含的目标子对象，所述目标子对象包含于所述目标对象；
根据每个目标子对象确定所述目标对象为肿块的概率。
一种可能的实现方式中，处理器910用于：
合并各个目标子对象中相互重叠的区域；
根据合并后的目标子对象的集合，确定所述目标对象为肿块的概率。
上对计算机设备90的描述可以参阅图1至图6部分的描述进行理解，本处不再重复赘述。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
以上对本申请实施例所提供的检测乳腺图像中肿块的方法、训练模型的方法、装置以及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (9)

1.一种检测生物组织图像中肿块的方法，其特征在于，包括：
获取目标生物组织图像，所述目标生物组织图像为乳腺图像；
确定所述目标生物组织图像的分型类型；
通过训练得到的InceptionV3模型确定所述目标生物组织图像中的目标对象以及所述目标对象为肿块的概率，其中，对于任意输入的图像通过训练得到的InceptionV3模型得到其是否为肿块的概率标签；
将所述目标对象为肿块的概率与所述目标生物组织图像的分型类型所对应的概率阈值进行比较，不同分型类型的生物组织图像所对应的概率阈值不同，所述不同分型类型包括如下分型类型中的至少两个：脂肪型、少腺体型、多腺体型和致密型，所述脂肪型对应的概率阈值为a，所述少腺体型对应的概率阈值为b，所述多腺体型对应的概率阈值为c，所述致密型对应的概率阈值为d，所述a、b、c和d都大于0，且a<b<c<d；
若所述目标对象为肿块的概率大于所述目标生物组织图像的分型类型所对应的概率阈值，则检测出所述目标对象为肿块；
其中，所述确定所述目标生物组织图像中的目标对象，以及所述目标对象为肿块的概率，包括：
对目标乳腺图像进行预处理，并对预处理后的图像进行分割，以确定分割子图像；
将所述分割子图像输入分类模型，确定每个分割子图像中所包含的目标子对象，所述目标子对象包含于所述目标对象；
根据每个目标子对象确定所述目标对象为肿块的概率；
其中，所述对目标乳腺图像进行预处理包括：
通过线性拉伸将目标乳腺图像灰度范围拉伸到0-255；
使用开操作去除细碎组合和噪声以及使用大津分割方法进行二分类以提取***组织区域；
通过直方图均衡处理；
使用双边滤波去除***组织中的噪声；
其中，所述对预处理后的图像进行分割包括：
对预处理后的目标乳腺图像使用二维小波变换降低维度并根据分割阈值进行分割操作，所述分割阈值通过遗传算法价值函数以最大类间方差和最小类内方差为标准，使用一般的基因遗传算法流程在种群初始化之后重复迭代选择、交叉、变异三个过程直到收敛输出得到分割阈值；
对分割图像使用形态学开操作；
提取灰度级较高的区域块并从满足条件的区域选取候选区域。
2.根据权利要求1所述的方法，其特征在于，所述确定所述目标生物组织图像的分型类型，包括：
通过目标乳腺分型模型确定目标乳腺图像的分型类型，所述目标乳腺分型模型是通过不同分型类型的多个乳腺图像，以及每个乳腺图像的分型类型信息进行训练得到的。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
标记被检测出的肿块；
输出包含带有标记的乳腺图像。
4.根据权利要求1所述的方法，其特征在于，所述根据每个目标子对象确定所述目标对象为肿块的概率，包括：
合并各个目标子对象中相互重叠的区域；
根据合并后的目标子对象的集合，确定所述目标对象为肿块的概率。
5.一种检测乳腺图像中肿块的装置，其特征在于，包括：
获取单元，用于获取目标生物组织图像，所述目标生物组织图像为乳腺图像；
第一确定单元，用于确定所述获取单元获取的目标生物组织图像的分型类型；
第二确定单元，用于通过训练得到的InceptionV3模型确定所述获取单元获取的目标生物组织图像中的目标对象以及所述目标对象为肿块的概率，其中，对于任意输入的图像通过训练得到的InceptionV3模型得到其是否为肿块的概率标签；
比较单元，用于将所述第二确定单元确定的目标对象为肿块的概率与所述第一确定单元确定的目标生物组织图像的分型类型所对应的概率阈值进行比较，不同分型类型的生物组织图像所对应的概率阈值不同，所述不同分型类型包括如下分型类型中的至少两个：脂肪型、少腺体型、多腺体型和致密型，所述脂肪型对应的概率阈值为a，所述少腺体型对应的概率阈值为b，所述多腺体型对应的概率阈值为c，所述致密型对应的概率阈值为d，所述a、b、c和d都大于0，且a<b<c<d；
检测单元，用于若所述比较单元比较出目标对象为肿块的概率大于所述目标生物组织图像的分型类型所对应的概率阈值时，则检测出所述目标对象为肿块；
其中，所述第二确定单元具体用于：
对目标乳腺图像进行预处理，并对预处理后的图像进行分割，以确定分割子图像；
将所述分割子图像输入分类模型，确定每个分割子图像中所包含的目标子对象，所述目标子对象包含于所述目标对象；
根据每个目标子对象确定所述目标对象为肿块的概率；
其中，所述第二确定单元具体用于：通过线性拉伸将目标乳腺图像灰度范围拉伸到0-255；使用开操作去除细碎组合和噪声以及使用大津分割方法进行二分类以提取***组织区域；通过直方图均衡处理；使用双边滤波去除***组织中的噪声；
以及，对预处理后的目标乳腺图像使用二维小波变换降低维度并根据分割阈值进行分割操作，所述分割阈值通过遗传算法价值函数以最大类间方差和最小类内方差为标准，使用一般的基因遗传算法流程在种群初始化之后重复迭代选择、交叉、变异三个过程直到收敛输出得到分割阈值；对分割图像使用形态学开操作；提取灰度级较高的区域块并从满足条件的区域选取候选区域。
6.根据权利要求5所述的装置，其特征在于，
所述第一确定单元，用于在所述生物组织图像为乳腺图像时，通过目标乳腺分型模型确定目标乳腺图像的分型类型，所述目标乳腺分型模型是通过不同分型类型的多个乳腺图像，以及每个乳腺图像的分型类型信息进行训练得到的。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
标记单元，用于标记被所述检测单元检测出的肿块；
输出单元，用于输出包含带有所述标记单元标记的乳腺图像。
8.一种计算机设备，其特征在于，所述计算机设备包括：输入/输出(I/O)接口、处理器和存储器，所述存储器中存储有程序指令；
所述处理器用于执行存储器中存储的程序指令，执行如权利要求1-4任一所述的方法。
9.一种医学图像检测***，其特征在于，所述医学图像检测***包括图像扫描设备和图像处理设备；
所述图像扫描设备用于扫描医学图像，并向所述图像处理设备发送所述医学图像；
图像处理设备用于执行权利要求1-4任一所述的方法。
CN201910092954.2A 2019-01-30 2019-01-30 一种检测生物组织图像中肿块的方法、相应设备及介质 Active CN109872307B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910684650.5A CN110428405A (zh) 2019-01-30 2019-01-30 一种检测生物组织图像中肿块的方法、相应设备及介质
CN201910092954.2A CN109872307B (zh) 2019-01-30 2019-01-30 一种检测生物组织图像中肿块的方法、相应设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910092954.2A CN109872307B (zh) 2019-01-30 2019-01-30 一种检测生物组织图像中肿块的方法、相应设备及介质

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN201910684650.5A Division CN110428405A (zh) 2019-01-30 2019-01-30 一种检测生物组织图像中肿块的方法、相应设备及介质

Publications (2)

Publication Number Publication Date
CN109872307A CN109872307A (zh) 2019-06-11
CN109872307B true CN109872307B (zh) 2022-01-07

Family

ID=66918282

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201910092954.2A Active CN109872307B (zh) 2019-01-30 2019-01-30 一种检测生物组织图像中肿块的方法、相应设备及介质
CN201910684650.5A Pending CN110428405A (zh) 2019-01-30 2019-01-30 一种检测生物组织图像中肿块的方法、相应设备及介质

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201910684650.5A Pending CN110428405A (zh) 2019-01-30 2019-01-30 一种检测生物组织图像中肿块的方法、相应设备及介质

Country Status (1)

Country Link
CN (2) CN109872307B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414539A (zh) * 2019-08-05 2019-11-05 腾讯科技（深圳）有限公司 一种提取特征描述信息的方法和相关装置
CN111080642A (zh) * 2019-12-31 2020-04-28 北京推想科技有限公司 基于医学图像的组织分型方法及装置、电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101401730A (zh) * 2008-11-14 2009-04-08 南京大学 一种基于分层结构的乳腺肿块可疑区域快速检测方法
CN104732213A (zh) * 2015-03-23 2015-06-24 中山大学 一种基于乳腺磁共振图像的计算机辅助肿块检测方法
CN104771228A (zh) * 2015-03-23 2015-07-15 中山大学 一种乳腺肿块良恶的判断方法和装置
CN106355043A (zh) * 2015-11-19 2017-01-25 小红象医疗科技有限公司 一种乳腺红外信息自动分析***和方法
CN108395986A (zh) * 2018-03-23 2018-08-14 余晖 基于深度学习的人类***状瘤病毒自动分型检测装置
CN108464840A (zh) * 2017-12-26 2018-08-31 安徽科大讯飞医疗信息技术有限公司 一种乳腺肿块自动检测方法及***
CN109191424A (zh) * 2018-07-23 2019-01-11 哈尔滨工业大学（深圳） 一种乳腺肿块检测与分类***、计算机可读存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2675360B1 (en) * 2011-02-14 2022-08-10 University Of Rochester Method and apparatus of cone beam breast ct image-based computer-aided detection and diagnosis
EP3612981B1 (en) * 2017-04-19 2024-05-29 Siemens Healthineers AG Target detection in latent space
US20180306794A1 (en) * 2017-04-20 2018-10-25 The Regents Of The University Of California Methods of Producing Gene Expression Profiles of Subjects Having Cancer and Kits for Practicing Same
CN107958453B (zh) * 2017-12-01 2022-01-28 深圳蓝韵医学影像有限公司 乳腺图像病变区域的检测方法、装置及计算机存储介质
CN108921821A (zh) * 2018-06-01 2018-11-30 中国人民解放军战略支援部队信息工程大学 基于lasso回归的乳腺癌腋窝***转移状态的判别方法
CN109146848A (zh) * 2018-07-23 2019-01-04 东北大学 一种融合多模态乳腺图像的计算机辅助参考***及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101401730A (zh) * 2008-11-14 2009-04-08 南京大学 一种基于分层结构的乳腺肿块可疑区域快速检测方法
CN104732213A (zh) * 2015-03-23 2015-06-24 中山大学 一种基于乳腺磁共振图像的计算机辅助肿块检测方法
CN104771228A (zh) * 2015-03-23 2015-07-15 中山大学 一种乳腺肿块良恶的判断方法和装置
CN106355043A (zh) * 2015-11-19 2017-01-25 小红象医疗科技有限公司 一种乳腺红外信息自动分析***和方法
CN108464840A (zh) * 2017-12-26 2018-08-31 安徽科大讯飞医疗信息技术有限公司 一种乳腺肿块自动检测方法及***
CN108395986A (zh) * 2018-03-23 2018-08-14 余晖 基于深度学习的人类***状瘤病毒自动分型检测装置
CN109191424A (zh) * 2018-07-23 2019-01-11 哈尔滨工业大学（深圳） 一种乳腺肿块检测与分类***、计算机可读存储介质

Also Published As

Publication number Publication date
CN110428405A (zh) 2019-11-08
CN109872307A (zh) 2019-06-11

Similar Documents

Publication Publication Date Title
Albalawi et al. Classification of breast cancer mammogram images using convolution neural network
WO2019184851A1 (zh) 图像处理方法和装置及神经网络模型的训练方法
Torrents-Barrena et al. Computer-aided diagnosis of breast cancer via Gabor wavelet bank and binary-class SVM in mammographic images
Öztürk et al. Comparison of HOG, MSER, SIFT, FAST, LBP and CANNY features for cell detection in histopathological images
Lobo et al. Classification and segmentation techniques for detection of lung cancer from CT images
Unni et al. Tumour detection in double threshold segmented mammograms using optimized GLCM features fed SVM
Abdel-Nasser et al. Towards cost reduction of breast cancer diagnosis using mammography texture analysis
CN109872307B (zh) 一种检测生物组织图像中肿块的方法、相应设备及介质
Salazar-Licea et al. Location of mammograms ROI's and reduction of false-positive
Kumarganesh et al. An efficient approach for brain image (tissue) compression based on the position of the brain tumor
Baboo et al. A classification and analysis of pulmonary nodules in CT images using random forest
Iqbal et al. A heteromorphous deep CNN framework for medical image segmentation using local binary pattern
Mabrouk et al. Computer aided detection of large lung nodules using chest computer tomography images
Bajcsi et al. Towards feature selection for digital mammogram classification
Ryan et al. Image classification with genetic programming: Building a stage 1 computer aided detector for breast cancer
GB2457022A (en) Creating a fuzzy inference model for medical image analysis
Vyshnavi et al. Breast density classification in mammogram images
Torres et al. Lesion detection in breast ultrasound images using a machine learning approach and genetic optimization
Herwanto et al. Association technique based on classification for classifying microcalcification and mass in mammogram
Karale et al. A screening CAD tool for the detection of microcalcification clusters in mammograms
Vijayarajan et al. A novel comparative study on breast cancer detection using different types of classification techniques
Taheri et al. Automated single and multi-breast tumor segmentation using improved watershed technique in 2D MRI images
Chaya Devi et al. On segmentation of nodules from posterior and anterior chest radiographs
Shakoor Lung tumour detection by fusing extended local binary patterns and weighted orientation of difference from computed tomography
Nida et al. A Novel Region‐Extreme Convolutional Neural Network for Melanoma Malignancy Recognition

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