CN110415792B - 图像检测方法、装置、计算机设备和存储介质 - Google Patents
图像检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110415792B CN110415792B CN201910471628.2A CN201910471628A CN110415792B CN 110415792 B CN110415792 B CN 110415792B CN 201910471628 A CN201910471628 A CN 201910471628A CN 110415792 B CN110415792 B CN 110415792B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- interest
- pipe diameter
- characteristic value
- 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
Links
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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像检测方法、装置、计算机设备和存储介质。所述方法包括:获取医学图像;将所述医学图像输入分割模型,得到目标分割图像,所述目标分割图像包括感兴趣区域;将所述目标分割图像输入分类模型,通过所述分类模型对所述感兴趣区域进行识别,确定所述目标分割图像的类别。采用本方法可以降低图像检测的误检率。
Description
技术领域
本申请涉及医学图像处理技术领域,特别是涉及一种图像检测方法、装置、计算机设备和存储介质。
背景技术
食管癌也称为食道癌,食道一般被分为上段、中段和下段,不同的部位的食管癌对人体的影响是不同的,因此,对食管癌的检测就显得尤为重要。
传统技术是通过医生观看胸部CT扫描图像,在对肺癌进行检测的同时,顺带通过该胸部CT图像识别出病灶。
但是上述通过医生观看胸部CT扫描图像进行检测的方法,其检测效率低下,且误检测率较高。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高检测效率的图像检测方法、装置、计算机设备和存储介质。
一种图像检测方法,该方法包括:
获取医学图像;
将上述医学图像输入分割模型,得到目标分割图像,上述目标分割图像包括感兴趣区域;
将上述目标分割图像输入分类模型,通过上述分类模型对上述感兴趣区域进行识别,确定上述目标分割图像的类别。
在其中一个实施例中,上述将所述目标分割图像输入分类模型,通过上述分类模型对上述感兴趣区域进行识别,确定上述目标分割图像的类别,包括:
对上述感兴趣区域进行距离变换处理,得到三维阵列;上述三维阵列中的每个值表征上述感兴趣区域上不同位置的管径大小;
基于上述三维阵列确定上述感兴趣区域的管径特征值;
将上述管径特征值与预设的管径阈值进行对比,并根据对比结果确定目标分割图像的类别。
在其中一个实施例中,上述基于所述三维阵列确定上述感兴趣区域的管径特征值,包括:
将上述三维阵列中的各个值进行取最大值处理,将得到的最大管径值确定为上述管径特征值;
或者,
将上述三维阵列中的各个值进行取平均处理,将得到的平均管径值确定为上述管径特征值。
在其中一个实施例中,上述根据对比结果确定目标分割图像的类别,包括:
当上述管径特征值不大于上述预设的管径阈值时,则确定上述管径特征值对应的目标分割图像为非病灶图像;
或者,
当上述管径特征值大于上述预设的管径阈值时,则确定上述管径特征值对应的目标分割图像为病灶图像。
在其中一个实施例中,上述方法还包括:
对样本医学图像集中的各个训练图像进行预处理,得到每个训练图像的管径特征值和每个训练图像对应的真实类别;其中,上述样本医学图像集包括多个病灶训练图像以及多个非病灶训练图像,上述病灶训练图像和上述非病灶训练图像均包括上述感兴趣区域;
基于每个训练图像的管径特征值和每个训练图像对应的真实类别,对初始分类模型的分类器进行训练,得到上述预设的管径阈值,并基于上述预设的管径阈值确定上述分类模型。
在其中一个实施例中,上述方法还包括:
提取上述感兴趣区域的中心线,并基于感兴趣区域的中心线两端的位置信息,确定上述感兴趣区域的中心线的长度;
将上述感兴趣区域的中心线的长度按照预设的长度比例进行划分,并根据划分后的感兴趣区域的中心线,将上述感兴趣区域划分为多个子感兴趣区域。
在其中一个实施例中,上述方法还包括:
当确定上述管径特征值对应的目标分割图像为病灶图像时,基于上述管径特征值对应的位置,从上述多个子感兴趣区域中定位上述位置所在的区域。
一种图像检测装置,该装置包括:
获取模块,用于获取医学图像;
分割模块,用于将所述医学图像输入分割模型,得到目标分割图像,所述目标分割图像包括感兴趣区域;
检测模块,用于将所述目标分割图像输入分类模型,通过所述分类模型对所述感兴趣区域进行识别,确定所述目标分割图像的类别。
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:
获取医学图像;
将上述医学图像输入分割模型,得到目标分割图像,上述目标分割图像包括感兴趣区域;
将上述目标分割图像输入分类模型,通过上述分类模型对上述感兴趣区域进行识别,确定上述目标分割图像的类别。
一种可读存储介质,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:
获取医学图像;
将上述医学图像输入分割模型,得到目标分割图像,上述目标分割图像包括感兴趣区域;
将上述目标分割图像输入分类模型,通过上述分类模型对上述感兴趣区域进行识别,确定上述目标分割图像的类别。
上述图像检测方法、装置、计算机设备和存储介质,通过将获取的医学图像输入至分割模型,得到目标分割图像,该目标分割图像中包括感兴趣区域,并将目标分割图像输入分类模型,通过分类模型对感兴趣区域进行识别,确定目标分割图像的类别。该方法不同于现有技术中是通过医生观看胸部CT图像来进行检测的方法,而是通过计算机设备对胸部CT图像进行自动分割和分类,以实现对图像的检测,其检测效率较高,因此,该方法可以提高图像的检测效率;另外,该方法中在对图像进行检测时,是利用分割模型和分类模型来进行检测的,而利用模型来对图像进行检测,其相对于人工检测,准确率更高,因此,该方法可以降低图像检测的误检率。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中图像检测方法的流程示意图;
图3为另一个实施例中图像检测方法的流程示意图;
图4为另一个实施例中图像检测方法的流程示意图;
图5为另一个实施例中图像检测方法的流程示意图;
图6为一个实施例中图像检测装置的结构框图;
图7为另一个实施例中图像检测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的图像检测方法,可以应用于如图1所示的计算机设备。如图1 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图像检测方法。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1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,提供了一种图像检测方法,本实施例涉及的是计算机设备如何将医学图像输入分割模型,得到目标分割图像,并将目标分割图像输入分类模型,确定目标分割图像的类别的具体过程。如图2所示,该方法可以包括以下步骤:
S202,获取医学图像。
具体的,计算机设备可以通过对CT设备采集到的待检测对象的数据进行图像重建和校正,从而得到待检测对象的医学图像。当然,医学图像也可以预先重建和校正好,存储在计算机设备中,当需要对其进行处理时,直接从计算机设备的存储器中读取医学图像。当然,计算机设备也可以从外部设备中获取医学图像。比如,将待检测对象的医学图像存储在云端,当需要进行处理操作时,计算机设备从云端获取该待检测对象的医学图像。本实施例对获取医学图像的获取方式不做限定。
S204,将上述医学图像输入分割模型,得到目标分割图像,上述目标分割图像包括感兴趣区域。
其中,分割模型可以是深度学习模型(例如DNN[Deep Neural Networks,深度神经网络]、CNN[Convolutional Neural Networks,卷积神经网络]或 RNN[Recurrent NeuralNetwork,循环神经网络]等),其中,CNN模型可以是 V-Net分割模型、U-Net分割模型等。
具体的,感兴趣区域为目标待检测对象所在的区域,以患病检测为例,该感兴趣区域可以是病灶所在的区域。计算机设备在获得待检测对象的医学图像之后,可以将该医学图像输入至分割模型进行识别,该分割模型的输出即为包括感兴趣区域的目标分割图像。示例地,以检测食道癌为例,将患者的胸部CT 图像输入分割模型,则就可以得到一个目标分割图像,该目标分割图像中包括患者的食道。
S206,将上述目标分割图像输入分类模型,通过上述分类模型对上述感兴趣区域进行识别,确定上述目标分割图像的类别。
其中,分类模型可以是SVM(SupportVector Machine,支持向量机)、随机森林等。目标分割图像的类别可以是病灶图像或者非病灶图像。
具体的,计算机设备在得到目标分割图像之后,可以将目标分割图像输入分类模型,在分类模型中,计算机设备可以对感兴趣区域进行处理,并根据处理结果来得到目标分割图像的类别。
上述图像检测方法中,通过将获取的医学图像输入至分割模型,得到目标分割图像,该目标分割图像中包括感兴趣区域,并将目标分割图像输入分类模型,通过分类模型对感兴趣区域进行识别,确定目标分割图像的类别。该方法不同于现有技术中是通过医生观看胸部CT图像来进行检测的方法,而是通过计算机设备对胸部CT图像进行自动分割和分类,以实现对图像的检测,其检测效率较高,因此,该方法可以提高图像的检测效率;另外,该方法中在对图像进行检测时,是利用分割模型和分类模型来进行检测的,而利用模型来对图像进行检测,其相对于人工检测,准确率更高,因此,该方法可以降低图像检测的误检率。
在另一个实施例中,提供了另一种图像检测方法,本实施例涉及的是计算机设备如何将目标分割图像输入分类模型,通过该分类模型对感兴趣区域进行识别,确定目标分割图像的类别的具体过程。在上述实施例的基础上,如图3 所示,上述S206可以包括:
S302,对上述感兴趣区域进行距离变换处理,得到三维阵列;上述三维阵列中的每个值表征上述感兴趣区域上不同位置的管径大小。
其中,距离变换处理可以采用距离变换算法,也可以采用距离变换算法的相关变种算法,本实施例对此不做限定。另外,三维阵列中每个值不仅可以表征管径大小,还可以表征该管径在感兴趣区域上的位置;管径大小指的是感兴趣区域内每一点到感兴趣区域外壁上的距离,也可以称之为管径值。
具体的,计算机设备在得到目标分割图像之后,可以利用距离变换算法或者其变种算法,对感兴趣区域内的每一点进行距离变换处理,然后就可以得到感兴趣区域内每一点的管径值,之后计算机设备可以将感兴趣区域内每一点的管径值和其各自对应的位置构成一个三维阵列。
S304,基于上述三维阵列确定上述感兴趣区域的管径特征值。
其中,管径特征值指的是可以表征感兴趣区域的一个管径值,该管径值可以通过对上述感兴趣区域内每一点的管径值进行处理得到,该处理可以是取最大值处理或者取平均处理等。
具体的,计算机设备在得到感兴趣区域的三维阵列之后,可以通过对该三维阵列中的每一个值进行处理,并根据处理结果来得到感兴趣区域的管径特征值。
S306,将上述管径特征值与预设的管径阈值进行对比,并根据对比结果确定目标分割图像的类别。
其中,预设的管径阈值可以是计算机设备通过训练分类模型得到的,该预设的管径阈值可以用来区分目标分割图像是否是病灶图像。
具体的,计算机设备在S304中得到管径特征值之后,可以将该管径特征值与预设的管径阈值进行对比,得到对比结果。在一种可能的实施方式中,当上述管径特征值不大于上述预设的管径阈值时,则确定上述管径特征值对应的目标分割图像为非病灶图像。在另一种可能的实施方式中,当上述管径特征值大于上述预设的管径阈值时,则确定上述管径特征值对应的目标分割图像为病灶图像。
示例地,以检测食道癌为例,病灶图像指的是感兴趣区域上有癌变区域的图像,非病灶图像指的是感兴趣区域上无癌变区域的图像,一般食道癌患者的管径特征值大于健康人的管径特征值,预设的管径阈值一般就是为了来区分是食道癌患者还是健康人,所以当得到的管径特征值大于预设的管径阈值时,则就可以确定该管径特征值对应的人为食道癌患者,否则,则为健康人。
本实施例提供的图像检测方法,通过对感兴趣区域进行距离变换处理,得到三维阵列,该三维阵列中的每个值表征感兴趣区域上不同位置的管径大小,接着基于三维阵列确定感兴趣区域的管径特征值,并将管径特征值与预设的管径阈值进行对比,根据对比结果确定目标分割图像的类别。该方法中利用感兴趣区域的管径特征值与预设的管径阈值进行比较,以此来确定目标分割图像的类别,该比较过程比较简单,计算量也较小,因此,该方法可以提高图像检测的效率。
在另一个实施例中,提供了另一种图像检测方法,本实施例涉及的是计算机设备如何基于三维阵列确定感兴趣区域的管径特征值的具体过程,在上述实施例的基础上,上述S304可以包括以下步骤:
将上述三维阵列中的各个值进行取最大值处理,将得到的最大管径值确定为上述管径特征值;或者,将上述三维阵列中的各个值进行取平均处理,将得到的平均管径值确定为上述管径特征值。
具体的,计算机设备在得到感兴趣区域的三维阵列之后,可以将三维阵列中的各个值进行大小排序,假设各个值是从大到小排序,则第一个值为最大管径值,并将该最大管径值作为管径特征值,假设各个值是从小到大排序,则最后一个值为最大管径值,并将该最大管径值作为管径特征值。或者,计算机设备在得到感兴趣区域的三维阵列之后,可以对三维阵列中的各个值进行求和,并对和值取平均,就可以得到各个管径值的平均值,即平均管径值,然后将该平均管径值作为管径特征值。
本实施例提供的图像检测方法,通过将三维阵列中的各个值进行取最大值处理,将得到的最大管径值作为管径特征值,或者,通过将三维阵列中的各个值进行取平均处理,将得到的平均管径值作为管径特征值值。该方法中采用的取最大值处理方法以及取平均处理方法,计算量小,也比较简单,因此,该方法也可以提高图像检测的效率。
在另一个实施例中,提供了另一种图像检测方法,本实施例涉及的是计算机设备如何将样本医学图像集作为初始分类模型的输入,将样本医学图像集中的各个训练图像的类别作为初始分类模型的输出,对初始分类模型进行训练,得到分类模型的具体过程。在上述实施例的基础上,如图4所示,上述方法还可以包括以下步骤:
S402,对样本医学图像集中的各个训练图像进行预处理,得到每个训练图像的管径特征值和每个训练图像对应的真实类别;其中,上述样本医学图像集包括多个病灶训练图像以及多个非病灶训练图像,上述病灶训练图像和上述非病灶训练图像均包括上述感兴趣区域。
其中,在训练分类模型时,首先需要获取样本医学图像集,该样本医学图像集包括多个病灶训练图像以及多个非病灶训练图像,该病灶训练图像和非病灶训练图像均包括感兴趣区域,该获取方法可以与上述S202的步骤中的方法相同,在此不再赘述;可选的,获取的病灶训练图像的数量和非病灶训练图像的数量可以相同,也可以不同,本实施例不做具体限定,另外,病灶训练图像的数量可以是100个、200个、300个、400个、500个等,非病灶训练图像的数量也可以是100个、200个、300个、400个、500个等。以食道癌检测为例,可以分别获取300个食道癌患者的胸部CT图像和300个健康人的胸部CT图像,该600个CT图像中均包括食道。
具体的,计算机设备在获取到样本医学图像集之后,样本医学图像集中的每个训练图像的真实类别也可以同时得到,接着计算机设备可以对每个训练图像分别进行距离变换处理,得到每个训练图像的三维阵列,并对每个训练图像的三维阵列进行取最大值处理或者取平均处理,得到每个训练图像的管径特征值。
S404,基于每个训练图像的管径特征值和每个训练图像对应的真实类别,对初始分类模型的分类器进行训练,得到上述预设的管径阈值,并基于上述预设的管径阈值确定上述分类模型。
其中,分类器可以是SVM(SupportVector Machine,支持向量机)、随机森林等。
具体的,计算机设备在得到每个训练图像的管径特征值和对应的真实类别之后,可以将每个训练图像的管径特征值输入初始分类模型的分类器中进行分类,就可以得到一个预测的管径阈值和每个训练图像对应的预测类别,之后计算机设备可以计算每个训练图像对应的预测类别和每个训练图像对应的真实类别之间的损失,并将该损失作为损失函数的值,并利用该损失函数的值对初始分类模型的分类器进行训练,需要说明的是,这里对初始分类模型的分类器进行训练,其实质上是对管径阈值进行训练。
可选的,当损失函数的值小于预设的损失函数阈值时,则可以确定分类模型的分类器已经训练好,此时,分类器输出的预测的管径阈值即为预设的管径阈值,否则,确定分类模型的分类器还需要继续进行训练,直至损失函数的值最终满足要求。可选的,损失可以是每个训练图像对应的预测类别和每个训练图像对应的真实类别之间的方差、误差、范数等。
在计算机设备得到预设的管径阈值后,计算机设备可以通过将每个训练图像的管径特征值分别与该预设的管径阈值进行对比,就可以得到每个训练图像的类别。
本实施例提供的图像检测方法,通过对样本医学图像集中的各个训练图像进行预处理,得到每个训练图像的管径特征值和每个训练图像对应的真实类别;其中,上述样本医学图像集包括多个病灶训练图像以及多个非病灶训练图像,上述病灶训练图像和上述非病灶训练图像均包括上述感兴趣区域;基于每个训练图像的管径特征值和每个训练图像对应的真实类别,对初始分类模型的分类器进行训练,得到上述预设的管径阈值,并基于上述预设的管径阈值确定上述分类模型。在本实施例中,由于最终得到的分类模型是对样本医学图像集进行训练以及初始分类模型进行训练得到的,且该样本医学图像集中包括了多个训练图像,即分类模型是对多个样本医学图像进行训练得到的,其分类结果相对比较准确,因此,利用该分类模型对图像进行检测,相比于人工检测,可以降低误检率。
在另一个实施例中,提供了另一种图像检测方法,本实施例涉及的是计算机设备如何基于感兴趣区域的中心线,将感兴趣区域划分成多段,并在确定目标分割图像为病灶图像时,基于管径特征值对应的位置,定位该管径特征值的位置所在的区域的具体过程。在上述实施例的基础上,如图5所示,该方法还可以包括以下步骤:
S502,提取上述感兴趣区域的中心线,并基于感兴趣区域的中心线两端的位置信息,确定上述感兴趣区域的中心线的长度。
可选的,上述位置信息可以是坐标,该坐标可以是一维坐标、二维坐标、三维坐标等等。
具体的,计算机设备在得到目标分割图像之后,可以采用中心线提取算法来提取感兴趣区域的中心线,在得到中心线之后,计算机设备也可以得到该中心线两端的位置信息,通过对该中心线两端的位置信息进行处理,就可以得到该中心线的长度。可选的,该处理可以是对中心线两端的位置信息进行加减法处理、平方和再开平方处理等。
S504,将上述感兴趣区域的中心线的长度按照预设的长度比例进行划分,并根据划分后的感兴趣区域的中心线,将上述感兴趣区域划分为多个子感兴趣区域。
其中,预设的长度比例可以是两个长度比例、三个长度比例、四个长度比例等等,以三个长度比例为例,可以是1:1:2、3:4:5等等。另外,子感兴趣区域的个数可以与长度比例的个数相同。
具体的,以三个长度比例为例,计算机设备在得到感兴趣区域的中心线的长度之后,可以将该中心线按照预设的长度比例划分长第一长度中心线、第二长度中心线、第三长度中心线,之后,计算机设备可以利用中心线提取算法的反过程,来得到各个长度中心线所对应的感兴趣区域,即计算机设备将感兴趣区域划分了成多个子感兴趣区域,其中,第一长度中心线所对应的感兴趣区域为第一子感兴趣区域,第二长度中心线所对应的感兴趣区域为第二子感兴趣区域,第三长度中心线所对应的感兴趣区域为第三子感兴趣区域。
可选的,计算机设备在将感兴趣区域划分成多个子感兴趣区域之后,通过上述S306的对比结果,就可以确定出目标分割图像是否是病灶图像,当目标分割图像为非病灶图像时,计算机设备不执行操作,否则,计算机设备可以执行下述S506的操作。
S506,当确定上述管径特征值对应的目标分割图像为病灶图像时,基于上述管径特征值对应的位置,从上述多个子感兴趣区域中定位上述位置所在的区域。
需要说明的是,上述S306步骤解释中利用管径特征值与预设的管径阈值进行对比时,对比过程采用的管径特征值可以是最大管径值或者平均管径值,但是当确定出目标分割图像为病灶图像时,需要在本步骤中定位管径特征值的位置所在的区域时,采用的是最大管径值的位置,也就是说,如果上述S306步骤解释中采用平均管径值作为管径特征值进行比较,且比较结果为目标分割图像是病灶图像,那么此时需要对该平均管径值对应的三维阵列中的各个值再进行一次取最大值处理,得到最大管径值及其位置,在本步骤中使用。
具体的,当计算机设备确定管径特征值大于预设的管径阈值时,即确定上述S306步骤解释中的管径特征值对应的目标分割图像为病灶图像时,计算机设备同时可以得到该管径特征值对应的位置信息,同时,计算机设备也可以得到 S504中各个子感兴趣区域边界的位置信息,之后,计算机设备可以将该管径特征值对应的位置信息与各个子感兴趣区域边界的位置信息进行比较,当该管径特征值对应的位置信息在某一个子感兴趣区域边界的位置信息以内时,则就可以认为该管径特征值对应的位置属于该某一个子感兴趣区域,否则,则就可以认为不属于该某一个子感兴趣区域,比如当该管径特征值对应的位置信息在第一子感兴趣区域边界的位置信息以内时,则就可以认为该管径特征值对应的位置属于第一子感兴趣区域。
示例地,以食道癌为例,通常将食道分为上中下三段,针对各段食道的治疗方法也是不同的,因此,在通过病灶确定人体患有食道癌时,需要进一步定位出病灶属于食道的哪一段,这样会便于医生有针对性地对患者进行治疗,已达到更好的治疗效果。
本实施例提供的图像检测方法,通过提取感兴趣区域的中心线,并基于感兴趣区域的中心线两端的位置信息,确定感兴趣区域的中心线的长度,接着将感兴趣区域的中心线的长度按照预设的长度比例进行划分,并根据划分后的感兴趣区域的中心线将感兴趣区域划分成多个子感兴趣区域,当确定管径特征值对应的目标分割图像为病灶图像时,基于该管径特征值对应的位置,从多个子感兴趣区域中定位上述位置所在的区域。在本实施例中,由于在确定管径特征值对应的目标分割图像为病灶图像时,可以定位出该位置在感兴趣区域上所在的具体区域,因此,在医生对患者进行诊治时,就可以有针对性的去诊治,从而就可以达到一个更好的治疗效果。
应该理解的是,虽然图2-5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2-5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。
在一个实施例中,如图6所示,提供了一种图像检测装置,包括:获取模块10、分割模块11和检测模块12,其中:
获取模块10,用于获取医学图像;
分割模块11,用于将所述医学图像输入分割模型,得到目标分割图像,所述目标分割图像包括感兴趣区域;
检测模块12,用于将所述目标分割图像输入分类模型,通过所述分类模型对所述感兴趣区域进行识别,确定所述目标分割图像的类别。
本实施例提供的图像检测装置,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。
在另一个实施例中,提供了另一种图像检测装置,在上述实施例的基础上,上述检测模块12可以包括:处理单元、第一确定单元、第二确定单元,其中:
处理单元,用于对上述感兴趣区域进行距离变换处理,得到三维阵列;上述三维阵列中的每个值表征上述感兴趣区域上不同位置的管径大小;
第一确定单元,用于基于上述三维阵列确定上述感兴趣区域的管径特征值;
第二确定单元,用于将上述管径特征值与预设的管径阈值进行对比,并根据对比结果确定目标分割图像的类别。
在另一个实施例中,提供了另一种图像检测装置,在上述实施例的基础上,上述第一确定单元可以包括第一确定子单元,其中:
第一确定子单元用于将上述三维阵列中的各个值进行取最大值处理,将得到的最大管径值确定为上述管径特征值;
或者,
将上述三维阵列中的各个值进行取平均处理,将得到的平均管径值确定为上述管径特征值。
在另一个实施例中,提供了另一种图像检测装置,在上述实施例的基础上,上述第二确定单元可以包括:第二确定子单元,其中:
第二确定子单元,用于当上述管径特征值不大于上述预设的管径阈值时,则确定上述管径特征值对应的目标分割图像为非病灶图像;或者,当上述管径特征值大于上述预设的管径阈值时,则确定上述管径特征值对应的目标分割图像为病灶图像。
在另一个实施例中,提供了另一种图像检测装置,在上述实施例的基础上,如图7所示,该装置还可以包括:预处理模块13、训练模块14,其中:
预处理模块13,用于对样本医学图像集中的各个训练图像进行预处理,得到每个训练图像的管径特征值和每个训练图像对应的真实类别;其中,上述样本医学图像集包括多个病灶训练图像以及多个非病灶训练图像,上述病灶训练图像和上述非病灶训练图像均包括上述感兴趣区域;
训练模块14,用于基于每个训练图像的管径特征值和每个训练图像对应的真实类别,对初始分类模型的分类器进行训练,得到上述预设的管径阈值,并基于上述预设的管径阈值确定上述分类模型。
在另一个实施例中,提供了另一种图像检测装置,在上述实施例的基础上,继续参见图7所示,该装置还可以包括:提取模块15、划分模块16,其中,
提取模块15,用于提取上述感兴趣区域的中心线,并基于感兴趣区域的中心线两端的位置信息,确定上述感兴趣区域的中心线的长度;
划分模块16,用于将上述感兴趣区域的中心线的长度按照预设的长度比例进行划分,并根据划分后的感兴趣区域的中心线,将上述感兴趣区域划分为多个子感兴趣区域。
可选的,继续参见图7所示,该装置还可以包括:定位模块17,其中:
定位模块17,用于当确定上述管径特征值对应的目标分割图像为病灶图像时,基于上述管径特征值对应的位置,从上述多个子感兴趣区域中定位上述位置所在的区域。
本实施例提供的图像检测装置,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。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取医学图像;
将上述医学图像输入分割模型,得到目标分割图像,上述目标分割图像包括感兴趣区域;
将上述目标分割图像输入分类模型,通过上述分类模型对上述感兴趣区域进行识别,确定上述目标分割图像的类别。
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:
对上述感兴趣区域进行距离变换处理,得到三维阵列;上述三维阵列中的每个值表征上述感兴趣区域上不同位置的管径大小;
基于上述三维阵列确定上述感兴趣区域的管径特征值;
将上述管径特征值与预设的管径阈值进行对比,并根据对比结果确定目标分割图像的类别。
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:
将上述三维阵列中的各个值进行取最大值处理,将得到的最大管径值确定为上述管径特征值;
或者,
将上述三维阵列中的各个值进行取平均处理,将得到的平均管径值确定为上述管径特征值。
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:
当上述管径特征值不大于上述预设的管径阈值时,则确定上述管径特征值对应的目标分割图像为非病灶图像;
或者,
当上述管径特征值大于上述预设的管径阈值时,则确定上述管径特征值对应的目标分割图像为病灶图像。
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:
对样本医学图像集中的各个训练图像进行预处理,得到每个训练图像的管径特征值和每个训练图像对应的真实类别;其中,上述样本医学图像集包括多个病灶训练图像以及多个非病灶训练图像,上述病灶训练图像和上述非病灶训练图像均包括上述感兴趣区域;
基于每个训练图像的管径特征值和每个训练图像对应的真实类别,对初始分类模型的分类器进行训练,得到上述预设的管径阈值,并基于上述预设的管径阈值确定上述分类模型。
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:
提取上述感兴趣区域的中心线,并基于感兴趣区域的中心线两端的位置信息,确定上述感兴趣区域的中心线的长度;
将上述感兴趣区域的中心线的长度按照预设的长度比例进行划分,并根据划分后的感兴趣区域的中心线,将上述感兴趣区域划分为多个子感兴趣区域。
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:
当确定上述管径特征值对应的目标分割图像为病灶图像时,基于上述管径特征值对应的位置,从上述多个子感兴趣区域中定位上述位置所在的区域。
在一个实施例中,提供了一种可读存储介质,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:
获取医学图像;
将上述医学图像输入分割模型,得到目标分割图像,上述目标分割图像包括感兴趣区域;
将上述目标分割图像输入分类模型,通过上述分类模型对上述感兴趣区域进行识别,确定上述目标分割图像的类别。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对上述感兴趣区域进行距离变换处理,得到三维阵列;上述三维阵列中的每个值表征上述感兴趣区域上不同位置的管径大小;
基于上述三维阵列确定上述感兴趣区域的管径特征值;
将上述管径特征值与预设的管径阈值进行对比,并根据对比结果确定目标分割图像的类别。
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:
将上述三维阵列中的各个值进行取最大值处理,将得到的最大管径值确定为上述管径特征值;
或者,
将上述三维阵列中的各个值进行取平均处理,将得到的平均管径值确定为上述管径特征值。
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:
当上述管径特征值不大于上述预设的管径阈值时,则确定上述管径特征值对应的目标分割图像为非病灶图像;
或者,
当上述管径特征值大于上述预设的管径阈值时,则确定上述管径特征值对应的目标分割图像为病灶图像。
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:
对样本医学图像集中的各个训练图像进行预处理,得到每个训练图像的管径特征值和每个训练图像对应的真实类别;其中,上述样本医学图像集包括多个病灶训练图像以及多个非病灶训练图像,上述病灶训练图像和上述非病灶训练图像均包括上述感兴趣区域;
基于每个训练图像的管径特征值和每个训练图像对应的真实类别,对初始分类模型的分类器进行训练,得到上述预设的管径阈值,并基于上述预设的管径阈值确定上述分类模型。
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:
提取上述感兴趣区域的中心线,并基于感兴趣区域的中心线两端的位置信息,确定上述感兴趣区域的中心线的长度;
将上述感兴趣区域的中心线的长度按照预设的长度比例进行划分,并根据划分后的感兴趣区域的中心线,将上述感兴趣区域划分为多个子感兴趣区域。
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:
当确定上述管径特征值对应的目标分割图像为病灶图像时,基于上述管径特征值对应的位置,从上述多个子感兴趣区域中定位上述位置所在的区域。
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申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像检测方法,其特征在于,所述方法包括:
获取医学图像;
将所述医学图像输入分割模型,得到目标分割图像,所述目标分割图像包括感兴趣区域,所述分割模型为深度神经网络模型;
将所述目标分割图像输入分类模型,通过所述分类模型对所述感兴趣区域进行识别,确定所述目标分割图像的类别;
其中,所述将所述目标分割图像输入分类模型,通过所述分类模型对所述感兴趣区域进行识别,确定所述目标分割图像的类别,包括:
对所述感兴趣区域进行距离变换处理,确定所述感兴趣区域的管径特征值,并将所述管径特征值输入所述分类模型,确定所述目标分割图像的类别。
2.根据权利要求1所述的方法,其特征在于,所述对所述感兴趣区域进行距离变换处理,确定所述感兴趣区域的管径特征值,并将所述管径特征值输入所述分类模型,确定所述目标分割图像的类别,包括:
对所述感兴趣区域进行距离变换处理,得到三维阵列;所述三维阵列中的每个值表征所述感兴趣区域上不同位置的管径大小;
基于所述三维阵列确定所述感兴趣区域的管径特征值;
将所述管径特征值输入所述分类模型,并对所述管径特征值与预设的管径阈值进行对比,并根据对比结果确定所述目标分割图像的类别。
3.根据权利要求2所述的方法,其特征在于,所述基于所述三维阵列确定所述感兴趣区域的管径特征值,包括:
将所述三维阵列中的各个值进行取最大值处理,将得到的最大管径值确定为所述管径特征值;
或者,
将所述三维阵列中的各个值进行取平均处理,将得到的平均管径值确定为所述管径特征值。
4.根据权利要求3所述的方法,其特征在于,所述根据对比结果确定目标分割图像的类别,包括:
当所述管径特征值不大于所述预设的管径阈值时,则确定所述管径特征值对应的目标分割图像为非病灶图像;
或者,
当所述管径特征值大于所述预设的管径阈值时,则确定所述管径特征值对应的目标分割图像为病灶图像。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
对样本医学图像集中的各个训练图像进行预处理,得到每个训练图像的管径特征值和每个训练图像对应的真实类别;
基于每个训练图像的管径特征值和每个训练图像对应的真实类别,对初始分类模型的分类器进行训练,得到所述预设的管径阈值,并基于所述预设的管径阈值确定所述分类模型。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
提取所述感兴趣区域的中心线,并基于感兴趣区域的中心线两端的位置信息,确定所述感兴趣区域的中心线的长度;
将所述感兴趣区域的中心线的长度按照预设的长度比例进行划分,并根据划分后的感兴趣区域的中心线,将所述感兴趣区域划分为多个子感兴趣区域。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
当确定所述管径特征值对应的目标分割图像为病灶图像时,基于所述管径特征值对应的位置,从所述多个子感兴趣区域中定位所述位置所在的区域。
8.一种图像检测装置,其特征在于,所述装置包括:
获取模块,用于获取医学图像;
分割模块,用于将所述医学图像输入分割模型,得到目标分割图像,所述目标分割图像包括感兴趣区域,所述分割模型为深度神经网络模型;
检测模块,用于将所述目标分割图像输入分类模型,通过所述分类模型对所述感兴趣区域进行识别,确定所述目标分割图像的类别;
其中,所述检测模块具体用于对所述感兴趣区域进行距离变换处理,确定所述感兴趣区域的管径特征值,并将所述管径特征值输入所述分类模型,确定所述目标分割图像的类别。
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至7中任一项所述方法的步骤。
10.一种可读存储介质,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至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910471628.2A CN110415792B (zh) | 2019-05-31 | 2019-05-31 | 图像检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910471628.2A CN110415792B (zh) | 2019-05-31 | 2019-05-31 | 图像检测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110415792A CN110415792A (zh) | 2019-11-05 |
CN110415792B true CN110415792B (zh) | 2022-03-25 |
Family
ID=68358399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910471628.2A Active CN110415792B (zh) | 2019-05-31 | 2019-05-31 | 图像检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415792B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080583B (zh) * | 2019-12-03 | 2024-02-27 | 上海联影智能医疗科技有限公司 | 医学图像检测方法、计算机设备和可读存储介质 |
CN111353407B (zh) * | 2020-02-24 | 2023-10-31 | 中南大学湘雅医院 | 医学图像处理方法、装置、计算机设备和存储介质 |
CN111445449B (zh) * | 2020-03-19 | 2024-03-01 | 上海联影智能医疗科技有限公司 | 感兴趣区域的分类方法、装置、计算机设备和存储介质 |
CN114005097A (zh) * | 2020-07-28 | 2022-02-01 | 株洲中车时代电气股份有限公司 | 基于图像语义分割的列车运行环境实时检测方法及*** |
CN112085730A (zh) * | 2020-09-18 | 2020-12-15 | 上海联影医疗科技股份有限公司 | 感兴趣区域成分分析方法、装置、电子设备和介质 |
CN112766258B (zh) * | 2020-12-31 | 2024-07-02 | 深圳市联影高端医疗装备创新研究院 | 图像的分割方法、***、电子设备及计算机可读存储介质 |
CN112784091A (zh) * | 2021-01-26 | 2021-05-11 | 上海商汤科技开发有限公司 | 兴趣分析方法和相关装置、设备 |
CN113838210A (zh) * | 2021-09-10 | 2021-12-24 | 西北工业大学 | 一种将超声图像转换为3d模型的方法及装置 |
CN114677503A (zh) * | 2022-03-10 | 2022-06-28 | 上海联影医疗科技股份有限公司 | 感兴趣区域检测方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1403057A (zh) * | 2001-09-13 | 2003-03-19 | 田捷 | 利用三维欧氏距离变换实现ct图像中软组织显示的方法 |
CN106097335A (zh) * | 2016-06-08 | 2016-11-09 | 安翰光电技术(武汉)有限公司 | 消化道病灶图像识别***及识别方法 |
CN109447966A (zh) * | 2018-10-26 | 2019-03-08 | 科大讯飞股份有限公司 | 医学图像的病灶定位识别方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9895112B2 (en) * | 2016-05-04 | 2018-02-20 | National Chung Cheng University | Cancerous lesion identifying method via hyper-spectral imaging technique |
-
2019
- 2019-05-31 CN CN201910471628.2A patent/CN110415792B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1403057A (zh) * | 2001-09-13 | 2003-03-19 | 田捷 | 利用三维欧氏距离变换实现ct图像中软组织显示的方法 |
CN106097335A (zh) * | 2016-06-08 | 2016-11-09 | 安翰光电技术(武汉)有限公司 | 消化道病灶图像识别***及识别方法 |
CN109447966A (zh) * | 2018-10-26 | 2019-03-08 | 科大讯飞股份有限公司 | 医学图像的病灶定位识别方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于计算机辅助识别新疆高发病食管癌图像的算法研究;孔喜梅;《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》;20180115(第01期);第28-45页 * |
孔喜梅.基于计算机辅助识别新疆高发病食管癌图像的算法研究.《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》.2018,(第01期), * |
Also Published As
Publication number | Publication date |
---|---|
CN110415792A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110415792B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
Harangi | Skin lesion classification with ensembles of deep convolutional neural networks | |
CN109993726B (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
US11151721B2 (en) | System and method for automatic detection, localization, and semantic segmentation of anatomical objects | |
WO2019200753A1 (zh) | 病变监测方法、装置、计算机设备和存储介质 | |
CN110310256B (zh) | 冠脉狭窄检测方法、装置、计算机设备和存储介质 | |
CN109754396B (zh) | 图像的配准方法、装置、计算机设备和存储介质 | |
CN110766730B (zh) | 图像配准及随访评估方法、存储介质及计算机设备 | |
CN110211076B (zh) | 图像拼接方法、图像拼接设备和可读存储介质 | |
Ni et al. | Standard plane localization in ultrasound by radial component model and selective search | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
CN109124662B (zh) | 肋骨中心线检测装置及方法 | |
CN110570407B (zh) | 图像处理方法、存储介质及计算机设备 | |
US20210279868A1 (en) | Medical imaging based on calibrated post contrast timing | |
CN113506294B (zh) | 一种医疗图像评估方法、***、计算机设备及存储介质 | |
Kim et al. | Automation of spine curve assessment in frontal radiographs using deep learning of vertebral-tilt vector | |
CN111488872B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
WO2019223123A1 (zh) | 病变部位识别方法及装置、计算机装置及可读存储介质 | |
CN111383259A (zh) | 图像分析方法、计算机设备和存储介质 | |
CN111681205B (zh) | 图像分析方法、计算机设备和存储介质 | |
CN110490841B (zh) | 计算机辅助影像分析方法、计算机设备和存储介质 | |
CN110533120B (zh) | 器官结节的图像分类方法、装置、终端及存储介质 | |
Guo et al. | Automatic analysis system of calcaneus radiograph: rotation-invariant landmark detection for calcaneal angle measurement, fracture identification and fracture region segmentation | |
Zhang et al. | LungSeek: 3D Selective Kernel residual network for pulmonary nodule diagnosis | |
CN105551042B (zh) | 一种扫描床标记点位置的确定方法和装置 |
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 |