CN110895812A - Ct图像的检测方法、装置、存储介质及电子设备 - Google Patents
Ct图像的检测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110895812A CN110895812A CN201911212094.8A CN201911212094A CN110895812A CN 110895812 A CN110895812 A CN 110895812A CN 201911212094 A CN201911212094 A CN 201911212094A CN 110895812 A CN110895812 A CN 110895812A
- Authority
- CN
- China
- Prior art keywords
- layer
- detected
- image
- dimensional image
- dimensional
- 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.)
- Pending
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
- 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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种CT图像的检测方法、装置、存储介质及电子设备,通过获取多层二维图像中的单层待检测二维图像单层待检测二维图像以及该单层待检测二维图像一侧的连续N层二维图像和/或该单层待检测二维图像另一侧的连续N层二维图像作为当前待检测图像,其中N为大于等于1的整数,然后利用神经网络模型生成待检测CT图像的感兴趣区域,替代人工检测CT图像中的感兴趣区域,从而大幅减少医务人员的工作量,提高检测效率,同时也能够避免漏检的情况,提高了检测准确度;并且,考虑到骨折等位置通常会在连续的多层图像上体现,通过检测多层连续的图像,结合上下层图像综合得出检测结果,进一步提高检测准确度。
Description
技术领域
本申请涉及图像处理领域,具体涉及CT图像的检测方法、检测装置、计算机可读存储介质以及电子设备。
背景技术
电脑断层扫描(Computed Tomography,简称CT)是一种利用数位几何处理后重建的三维放射线医学影像。该技术主要通过单一轴面的X射线旋转照射人体,由于不同的组织对X射线的吸收能力(或称阻射率)不同,可以用电脑的三维技术重建出断层面影像,经由窗宽、窗位处理,可以得到相应组织的断层影像,将断层影像层层堆叠,即可形成立体影像。
人体CT断层扫描是在医院上用来判断骨折的一个重要手段。人体由于受外力的作用而导致骨折,有些严重的骨折很容易被发现,而一些细微的骨折不容易通过外观直接发现,需要通过如X光或者CT图像的辅助手段来检查确定骨折位置。但是用于检查骨折的CT扫描通常是薄层,厚度在0.5~2.0毫米之间,例如一个胸腹连扫至少会包含300~500层图像。现在对于骨折位置的确定主要是依靠放射科医生人工读取CT断层扫描图像,这样对放射科医生造成了巨大的工作负担,而且在高强度的工作下容易出现漏检的情况,特别是细微的骨折位置。
发明内容
为了解决上述技术问题,本申请提出了一种CT图像的检测方法,通过获取多层二维图像中的单层待检测二维图像以及该单层待检测二维图像一侧的连续N层二维图像和/或该单层待检测二维图像另一侧的连续N层二维图像作为当前待检测图像,其中N为大于等于1的整数,然后将当前待检测图像输入神经网络模型,生成待检测CT图像的感兴趣区域,利用神经网络模型可以替代人工检测CT图像中的感兴趣区域,从而大幅减少放射科医务人员的工作量,提高检测效率,同时也能够避免漏检的情况,提高了检测准确度;并且,考虑到骨折等位置通常会在连续的多层图像上体现,通过检测单层二维CT图像及其上下多层连续的图像,可以结合上下层图像综合得出检测结果,进一步提高检测准确度。
根据本申请的一个方面,提供了一种CT图像的检测方法,其中待检测CT图像包括多层二维图像,包括:获取所述多层二维图像中的单层待检测二维图像以及所述单层待检测二维图像一侧的连续N层二维图像和/或所述单层待检测二维图像另一侧的连续N层二维图像,作为当前待检测图像,其中N为大于等于1的整数;以及将所述当前待检测图像输入神经网络模型,生成所述待检测CT图像的感兴趣区域。
在一实施例中,所述获取所述多层二维图像中的单层待检测二维图像以及所述单层待检测二维图像一侧的连续N层二维图像和/或所述单层待检测二维图像另一侧的连续N层二维图像,作为当前待检测图像包括:依次将所述多层二维图像中的每一层二维图像作为所述单层待检测二维图像;以及获取该所述单层待检测二维图像以及该所述单层待检测二维图像一侧的连续N层二维图像和/或所述单层待检测二维图像另一侧的连续N层二维图像作为当前待检测图像。
在一实施例中,所述获取所述多层二维图像中的单层待检测二维图像以及所述单层待检测二维图像一侧的连续N层二维图像和/或所述单层待检测二维图像另一侧的连续N层二维图像,作为当前待检测图像包括:当所述单层待检测二维图像的一侧的二维图像的层数小于N时,放弃获取所述单层待检测二维图像。
在一实施例中,所述获取所述多层二维图像中的单层待检测二维图像以及所述单层待检测二维图像一侧的连续N层二维图像和/或所述单层待检测二维图像另一侧的连续N层二维图像,作为当前待检测图像包括:当所述单层待检测二维图像的一侧的二维图像的层数小于N且大于零时,通过重复选取所述单层待检测二维图像该侧的二维图像,以实现该侧的二维图像的数量为N。
在一实施例中,在所述生成所述待检测CT图像的感兴趣区域之后,还包括:对所述感兴趣区域进行分类,并计算所述感兴趣区域的分类结果的置信度。
在一实施例中,所述神经网络模型的训练方法包括:将第二样本输入及对应的第二样本输出输入所述神经网络模型进行训练,其中,所述第二样本输入包括单层训练二维图像以及该单层训练二维图像一侧的连续N层二维图像和/或该单层训练二维图像另一侧的连续N层二维图像,所述第二样本输出包括与所述第二样本输入对应的感兴趣区域的分类结果。
在一实施例中,所述训练方法还包括:将第二验证样本输入输入所述神经网络模型,得到第二验证样本输出,其中,所述第二验证样本输入包括单层验证二维图像以及该单层验证二维图像一侧的连续N层二维图像和/或该单层验证二维图像另一侧的连续N层二维图像;计算所述第二验证样本输出与第二标准结果之间的第二误差;以及当所述第二误差小于第二预设误差值时,停止训练。
在一实施例中,在所述计算所述第二验证样本输出与第二标准结果之间的第二误差之后,还包括:当所述第二误差大于或等于所述第二预设误差值时,对所述神经网络模型进行求导优化。
在一实施例中,在所述生成所述待检测CT图像的感兴趣区域之后,还包括:对所述感兴趣区域进行精确定位,得到异常区域。
在一实施例中,所述神经网络模型的训练方法包括:将第一样本输入及对应的第一样本输出输入所述神经网络模型进行训练,其中,所述第一样本输入包括单层训练二维图像以及该单层训练二维图像一侧的连续N层二维图像和/或该单层训练二维图像另一侧的连续N层二维图像,所述第一样本输出包括与所述第一样本输入对应的感兴趣区域的位置。
在一实施例中,所述训练方法还包括:对第一样本输入进行以下任一项操作或多项的组合操作:调整所述第一样本输入的窗宽窗位,随机翻转所述第一样本输入,随机调整所述第一样本输入的亮度,随机裁剪所述第一样本输入。
在一实施例中,所述训练方法还包括:将第一验证样本输入输入所述神经网络模型,得到第一验证样本输出,其中,所述第一验证样本输入包括单层验证二维图像以及该单层验证二维图像一侧的连续N层二维图像和/或该单层验证二维图像另一侧的连续N层二维图像;计算所述第一验证样本输出与第一标准结果之间的第一误差;以及当所述第一误差小于第一预设误差值时,停止训练。
在一实施例中,在所述计算所述第一验证样本输出与第一标准结果之间的第一误差之后,还包括:当所述第一误差大于或等于所述第一预设误差值时,对所述神经网络模型进行求导优化。
根据本申请的另一个方面,提供了一种CT图像的检测装置,其中待检测CT图像包括多层二维图像,包括:图像获取模块,用于获取所述多层二维图像中的单层待检测二维图像以及所述单层待检测二维图像一侧的连续N层二维图像和/或所述单层待检测二维图像另一侧的连续N层二维图像,作为当前待检测图像,其中N为大于等于1的整数;以及区域生成模块,用于将所述当前待检测图像输入神经网络模型,生成所述待检测CT图像的感兴趣区域。
根据本申请的另一个方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述任一所述的CT图像的检测方法。
根据本申请的另一个方面,提供了一种电子设备,所述电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于执行上述任一所述的CT图像的检测方法。
本申请提供的一种CT图像的检测方法,通过获取多层二维图像中的单层待检测二维图像以及该单层待检测二维图像一侧的连续N层二维图像和/或该单层待检测二维图像另一侧的连续N层二维图像作为当前待检测图像,其中N为大于等于1的整数,然后将当前待检测图像输入神经网络模型,生成待检测CT图像的感兴趣区域,利用神经网络模型可以替代人工检测CT图像中的感兴趣区域,从而大幅减少放射科医务人员的工作量,提高检测效率,同时也能够避免漏检的情况,提高了检测准确度;并且,考虑到骨折等位置通常会在连续的多层图像上体现,通过检测单层二维CT图像及其上下多层连续的图像,可以结合上下层图像综合得出检测结果,进一步提高检测准确度。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1是本申请一示例性实施例提供的一种CT图像的检测方法的流程示意图。
图2是本申请另一示例性实施例提供的一种CT图像的检测方法的流程示意图。
图3是本申请另一示例性实施例提供的一种CT图像的检测方法的流程示意图。
图4是本申请一示例性实施例提供的一种应用于CT图像检测的神经网络模型训练方法的流程示意图。
图5是本申请另一示例性实施例提供的一种应用于CT图像检测的神经网络模型训练方法的流程示意图。
图6是本申请另一示例性实施例提供的一种应用于CT图像检测的神经网络模型训练方法的流程示意图。
图7是本申请另一示例性实施例提供的一种应用于CT图像检测的神经网络模型训练方法的流程示意图。
图8是本申请另一示例性实施例提供的一种应用于CT图像检测的神经网络模型训练方法的流程示意图。
图9是本申请另一示例性实施例提供的一种应用于CT图像检测的神经网络模型训练方法的流程示意图。
图10是本申请另一示例性实施例提供的一种应用于CT图像检测的神经网络模型训练方法的流程示意图。
图11是本申请一示例性实施例提供的一种CT图像的检测装置的结构示意图。
图12是本申请另一示例性实施例提供的一种CT图像的检测装置的结构示意图。
图13是本申请另一示例性实施例提供的一种CT图像的检测装置的结构示意图。
图14是本申请另一示例性实施例提供的一种CT图像的检测装置的结构示意图。
图15是本申请另一示例性实施例提供的一种CT图像的检测装置的结构示意图。
图16是本申请另一示例性实施例提供的一种CT图像的检测装置的结构示意图。
图17是本申请另一示例性实施例提供的一种CT图像的检测装置的结构示意图。
图18是本申请另一示例性实施例提供的一种CT图像的检测装置的结构示意图。
图19是本申请另一示例性实施例提供的一种CT图像的检测装置的结构示意图。
图20是本申请另一示例性实施例提供的一种CT图像的检测装置的结构示意图。
图21是本申请另一示例性实施例提供的一种CT图像的检测装置的结构示意图。
图22是本申请一示例性实施例提供的电子设备的结构图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
CT断层扫描图像是由多张二维图像层叠组成的,其具备三维特性,CT断层扫描图像是用来判断是否骨折或其他损伤性症状的重要手段和依据。目前大多数的方法还是通过专业的医务人员人工去查看多张二维图像,并依此获知骨折等病灶的位置(感兴趣区域),这样的工作效率显然不高,并且由于专业医务人员的严重不足也将导致其任务量繁多且工作压力大,在高强度的工作状态下,人工检测可能会出现漏检的情况,特别是对于细微骨折位置的检测。
随着人工智能的快速发展,人工智能已经开始应用于各个行业,包括医务领域,利用人工智能替代人工去完成大量且高度重复工作,可以大幅减少医务人员的工作量,从而可以实现医务人员更加专心从事更为专业或者必须人工处理的工作(例如疾病的诊断和治疗)。通过CT图像检测其病症位置的工作量大且具有很强的重复性,并且该工作也可以通过人工智能对图像进行处理实现。然而目前利用人工智能对CT图像的检测,或是对人体内的3D体素进行分类判断,其检测复杂度较大,并且也不能得到医务人员能够读取的检测框(用于标准病灶区域)的位置,不利于医务人员的进一步诊断;或是限于图像处理的局限性只能对特征明显的骨折情况进行检测,从而只能应用于少量位置的骨折病灶的检测,并且检测精度不高,特别是细微的骨折,可能会出现漏检的情况。
出于解决目前尚无可以应用于通过检查CT图像得到人体各处骨折病灶位置的方法,本申请提供的一种CT图像的检测方法,通过获取多层二维图像中的单层待检测二维图像以及该单层待检测二维图像一侧的连续N层二维图像和/或该单层待检测二维图像另一侧的连续N层二维图像作为当前待检测图像,其中N为大于等于1的整数,然后将当前待检测图像输入神经网络模型,生成待检测CT图像的感兴趣区域,利用神经网络模型可以替代人工检测CT图像中的感兴趣区域,从而大幅减少放射科医务人员的工作量,提高检测效率,同时也能够避免漏检的情况,提高了检测准确度;并且,考虑到骨折等位置通常会在连续的多层图像上体现,通过检测单层二维CT图像及其上下多层连续的图像,可以结合上下层图像综合得出检测结果,进一步提高检测准确度。
示例性方法
图1是本申请一示例性实施例提供的一种CT图像的检测方法的流程示意图。其中待检测CT图像包括多层二维图像,本实施例可应用在电子设备上,如图1所示,该方法包括如下步骤:
步骤110:获取多层二维图像中的单层待检测二维图像以及单层待检测二维图像一侧的连续N层二维图像和/或单层待检测二维图像另一侧的连续N层二维图像,作为当前待检测图像,其中N为大于等于1的整数。
由于CT图像是多层薄层组成的,而病灶通常是立体结构,即病灶会在多层二维图像中体现,例如骨折的病灶通常会在连续的多层二维CT图像中都有相应的骨折区域,因此,相邻或相近的二维图像会存在一定的关联性,对于检测待检测CT图像中的病灶区域有一定的辅助作用,进而提高检测的准确度。本申请实施例在对待检测CT图像中的某一层二维图像进行检测时,同时检测该层二维图像及其两侧(例如上侧和下侧)N层二维图像,可以利用连续图像中的相互关联性,排除该层二维图像中个别的杂质造成的干扰,从而提高检测的准确度。在一实施例中,当该单层待检测二维图像的一侧的二维图像的层数小于N时,可以放弃获取该单层待检测二维图像。由于待检测CT图像中的每一层二维图像总会被选取作为样本检测的(包括作为单层待检测二维图像,和作为单层待检测二维图像的一侧的二维图像),因此,当某一单层待检测二维图像的一侧的二维图像的层数小于N时直接放弃该单层待检测二维图像即可。在一实施例中,当该单层待检测二维图像的一侧的二维图像的层数小于N且大于零时,可以通过重复选取该单层待检测二维图像该侧的二维图像(可以是其中一层,也可以是其中多层),以实现该侧的二维图像的数量为N,然后选取该单层待检测二维图像以及该单层待检测二维图像该侧的N层二维图像和/或该单层待检测二维图像另一侧的连续N层二维图像,作为当前待检测图像。应当理解,本申请实施例可以根据实际应用场景的需求而选取单层待检测二维图像及其单侧连续N层二维图像(共计N+1层),或者为了更好的提高检测的准确度,本申请实施例也可以在检测某一层二维图像时,同时选取该单层待检测二维图像及其两侧连续N层二维图像(共计2N+1层),只要所选取的检测层数能够保证检测的准确度即可,本申请实施例对于具体的检测层数的选取方案不做限定。
在一实施例中,步骤110的具体实现方式可以是:依次将多层二维图像中的每一层二维图像作为单层待检测二维图像;并且获取该单层待检测二维图像以及该单层待检测二维图像一侧的连续N层二维图像和/或单层待检测二维图像另一侧的连续N层二维图像作为当前待检测图像。即从上至下或从下至上逐层检测待检测CT图像中的每一层二维图像,并且在检测每一层二维图像时,同时检测该二维图像单侧或两侧的N层二维图像,从而提高每一层二维图像的检测准确度,从而提高整个CT图像检测的准确度。应当理解,本申请实施例也可以根据实际应用场景的需求选取相邻两次检测的单层待检测二维图像之间的间隔距离,例如可以是1(即逐层检测),也可以是小于N的其他数据,只要所选取的间隔距离能够准确的检测到每一层二维图像即可,本申请实施例对于具体的间隔距离不做限定。
步骤120:将当前待检测图像输入神经网络模型,生成待检测CT图像的感兴趣区域。
将上述获取的包括当前检测的单层待检测二维图像在内的2N+1层(为了叙述方便,以下均以2N+1层为例说明,但是应当理解,本申请实施例并非限于此)二维图像作为一个整体,即为当前待检测图像,输入已经训练完成的神经网络模型,并由该神经网络模型提取当前待检测图像的特征信息,并且根据得到的特征信息,生成待检测CT图像的感兴趣区域,该感兴趣区域包含了所有可能的病灶区域,即感兴趣区域为对待检测CT图像初步检测得到的结果,当然,可以理解,当该神经网络模型的检测准确度或精度足够高时,生成的感兴趣区域即为病灶区域。根据不同位置的CT图像,譬如胸腹部CT图像、腿部CT图像等,神经网络模型可以自行提取不同的特征信息,作为检测该CT图像的依据。在一实施例中,该神经网络模型可以为深度学习神经网络模型,进一步可以包括多个由卷积层、池化层、激活层串联组成的组合模层。通过深度学习神经网络模型,可以逐层特征变换,将样本在原空间的特征表示变换到一个新特征空间,学习样本数据的内在规律和表示层次,从而使分类或预测更容易。在一实施例中,在提取当前待检测图像的特征信息之后,该方法还可以包括:对特征信息进行上采样。由于当前待检测图像在特征提取的过程中,其特征信息的尺寸会越来越小而不利于检测的精度,因此,通过对特征信息的上采样(即放大处理)来放大特征信息的尺寸,从而进一步提高检测的精度。
本申请提供的一种CT图像的检测方法,通过获取多层二维图像中的单层待检测二维图像以及该单层待检测二维图像一侧的连续N层二维图像和/或该单层待检测二维图像另一侧的连续N层二维图像作为当前待检测图像,其中N为大于等于1的整数,然后将当前待检测图像输入神经网络模型,生成待检测CT图像的感兴趣区域,利用神经网络模型可以替代人工检测CT图像中的感兴趣区域,从而大幅减少放射科医务人员的工作量,提高检测效率,同时也能够避免漏检的情况,提高了检测准确度;并且,考虑到骨折等位置通常会在连续的多层图像上体现,通过检测单层二维CT图像及其上下多层连续的图像,可以结合上下层图像综合得出检测结果,进一步提高检测准确度。
在一实施例中,可以在步骤120之后,对多层二维图像进行分割处理,然后根据分割处理后的多层二维图像对感兴趣区域进行优化处理。通过对待检测CT图像中的多层二维图像进行分割处理,将与检测结果无关的部分删除,例如人体的内脏、衣服等,将影响检测结果的肌肉、骨骼组织等分割出来保留,然后通过与感兴趣区域进行比对,将存在于内脏、衣服等干扰区域内的感兴趣区域踢出,从而实现对生成结果进一步优化。具体的分割处理方法可以是通过设置阈值,例如亮度阈值、灰度阈值、密度阈值等,通过阈值的判断,将检测所需要的部分图像分割出来,以减少其他部分对检测的影响,从而进一步提高检测的准确度。
图2是本申请另一示例性实施例提供的一种CT图像的检测方法的流程示意图。如图2所示,在步骤120之后,该方法还可以包括:
步骤130:对感兴趣区域进行分类。
根据感兴趣区域的特征信息,比对各个类别的病灶的特征信息,将感兴趣区域划分为不同类别的病灶(当感兴趣区域不是病灶区域时,将该感兴趣区域删除),该步骤也可以由上述神经网络模型实现,即神经网络模型的其中一个输出结果为感兴趣区域的类别(包括是否骨折、骨折的程度等分类)。在一实施例中,还可以计算感兴趣区域的分类结果的置信度。即根据每个感兴趣区域的特征信息与不同类别的病灶的特征信息的比对结果,得出该感兴趣区域为某一类别的病灶的可信度,通过设置置信度可以为医务人员提供一个可量化的参考依据,例如当置信度大于第一置信度阈值时认为分类的结果可信,医务人员可以放心采纳,而当置信度小于第二置信度阈时认为分类的结果不可信,医务人员需要进一步检测,其中第一置信度阈值大于等于第二置信度阈值。
图3是本申请另一示例性实施例提供的一种CT图像的检测方法的流程示意图。如图3所示,在步骤120之后,该方法还可以包括:
步骤140:对感兴趣区域进行精确定位,得到异常区域。
通过初步检测得到感兴趣区域,然后可以进一步对感兴趣区域进行精确定位,从而得到精确的异常区域(即病灶区域),通过进一步的精确定位可以有效所需感兴趣区域的范围,更有针对性的为医务人员提供准确可靠的检测结果的支持。
图4是本申请一示例性实施例提供的一种应用于CT图像检测的神经网络模型训练方法的流程示意图。如图4所示,该神经网络模型的训练方法可以包括:
步骤510:将第一样本输入及对应的第一样本输出输入神经网络模型进行训练,其中,第一样本输入包括单层训练二维图像以及该单层训练二维图像一侧的连续N层二维图像和/或该单层训练二维图像另一侧的连续N层二维图像,第一样本输出包括与第一样本输入对应的感兴趣区域的位置。
在进行检测之前,需要对神经网络模型进行训练,以保证神经网络模型能够满足检测准确度的需求,其训练过程可以是将第一样本的第一样本输入和对应的第一样本输出输入该神经网络模型进行训练,其中第一样本输入为与检测时待检测图像一致的一层二维图像以及该单层训练二维图像一侧的连续N层二维图像和/或该单层训练二维图像另一侧的连续N层二维图像,第一样本输出为第一样本的感兴趣区域的位置,通过多个第一样本的输入训练,可以提高神经网络模型的检测准确度。
图5是本申请另一示例性实施例提供的一种应用于CT图像检测的神经网络模型训练方法的流程示意图。如图5所示,在步骤510之前,该方法还可以包括:
步骤520:对第一样本输入进行预处理。
在一实施例中,预处理可以包括以下操作中的任一项或多项的组合:调整第一样本输入的窗宽窗位,随机翻转第一样本输入,随机调整第一样本输入的亮度,随机裁剪第一样本输入。通过对第一样本的预处理或增强处理,得到更多的训练样本以及同一个训练样本的不同表现形式(例如同一个人不同角度的CT图像),从而提高训练的强度,进而提高神经网络模型的检测准确度。
图6是本申请另一示例性实施例提供的一种应用于CT图像检测的神经网络模型训练方法的流程示意图。如图6所示,在步骤510之后,该训练方法还可以包括:
步骤530:将第一验证样本输入输入神经网络模型,得到第一验证样本输出,其中,第一验证样本输入包括单层验证二维图像以及该单层验证二维图像一侧的连续N层二维图像和/或该单层验证二维图像另一侧的连续N层二维图像。
在进行了多次第一样本的输入训练后,通过训练后的神经网络模型根据第一验证样本输入得到第一验证样本输出,其中第一验证样本输入为与检测时待检测图像一致的一层二维图像以及该层二维图像一侧的连续N层二维图像和/或该层二维图像另一侧的连续N层二维图像。
步骤540:计算第一验证样本输出与第一标准结果之间的第一误差。
通过计算第一验证样本输出与第一标准结果之间的第一误差,以获知该神经网络模型的检测准确度,其中,第一标准结果为对应第一验证样本的感兴趣区域或者上述异常区域。其中,计算第一误差的具体方式可以包括计算第一验证样本输出与第一标准结果之间的距离,由于第一验证样本输出与第一标准结果均为标注的区域,因此,可以通过计算两个区域内各点之间的曼哈顿距离获取,具体的,曼哈顿距离的具体计算公式为:
步骤550:当第一误差小于第一预设误差值时,停止训练。
通过预先设置第一预设误差值,当第一误差小于第一预设误差值时,说明训练后的神经网络模型的检测准确度已经达到预设标准,可以停止训练。
图7是本申请另一示例性实施例提供的一种应用于CT图像检测的神经网络模型训练方法的流程示意图。如图7所示,在步骤540之后,该训练方法还可以包括:
步骤560:当第一误差大于或等于第一预设误差值时,对神经网络模型进行求导优化。
当第一误差大于或等于第一预设误差值时,即说明训练后的神经网络模型的准确度尚未达到预设标准,因此,需要进一步对该神经网络模型进行训练,直至第一误差小于第一预设误差值时,停止训练。
图8是本申请另一示例性实施例提供的一种应用于CT图像检测的神经网络模型训练方法的流程示意图。如图8所示,该神经网络模型的训练方法可以包括:
步骤570:将第二样本输入及对应的第二样本输出输入神经网络模型进行训练,其中,第二样本输入包括单层训练二维图像以及该单层训练二维图像一侧的连续N层二维图像和/或该单层训练二维图像另一侧的连续N层二维图像,第二样本输出包括与第二样本输入对应的感兴趣区域的分类结果。
训练过程可以是将第二样本的第二样本输入和对应的第二样本输出输入该神经网络模型进行训练,其中第二样本输入为与检测时待检测图像一致的一层二维图像以及该层二维图像一侧的连续N层二维图像和/或该层二维图像另一侧的连续N层二维图像,第二样本输出为第二样本的感兴趣区域的分类结果,通过多个第二样本的输入训练,可以提高神经网络模型的检测准确度。应当理解,步骤570和步骤510可以同时进行,且第一样本与第二样本可以为同一样本,该同一样本的输出包括对应的感兴趣区域和该感兴趣区域的分类结果,当然步骤570也可以单独进行。
图9是本申请另一示例性实施例提供的一种应用于CT图像检测的神经网络模型训练方法的流程示意图。如图9所示,在步骤510之前,该方法还可以包括:
步骤580:将第二验证样本输入输入神经网络模型,得到第二验证样本输出,其中,第二验证样本输入包括单层验证二维图像以及该单层验证二维图像一侧的连续N层二维图像和/或该单层验证二维图像另一侧的连续N层二维图像。
在进行了多次第二样本的输入训练后,通过训练后的神经网络模型根据第二验证样本输入得到第二验证样本输出,其中第二验证样本输入为与检测时待检测图像一致的一层二维图像以及该层二维图像一侧的连续N层二维图像和/或该层二维图像另一侧的连续N层二维图像。
步骤590:计算第二验证样本输出与第二标准结果之间的第二误差。
通过计算第二验证样本输出与第二标准结果之间的第二误差,以获知该神经网络模型的检测准确度,其中,第二标准结果为对应第二验证样本的感兴趣区域的分类结果。其中,计算第二误差的具体方式可以包括计算第二验证样本输出与第二标准结果之间的交并比,由于第二验证样本输出包括分类结果的置信度,且该置信度越高,第二误差就越小,因此,第二误差L2与置信度p之间存在如下关系:
L2=-((1-p)2+log10(p)),0≤p≤1
步骤5100:当第二误差小于第二预设误差值时,停止训练。
通过预先设置第二预设误差值,当第二误差小于第二预设误差值时,说明训练后的神经网络模型的检测准确度已经达到预设标准,可以停止训练。应当理解,步骤580、590、5100和步骤530、540、550可以同时进行(如图9所示),且第一验证样本与第二验证样本可以为同一验证样本,该同一验证样本的输出包括对应的感兴趣区域和该感兴趣区域的分类结果,当然步骤580、590、5100也可以单独进行。
图10是本申请另一示例性实施例提供的一种应用于CT图像检测的神经网络模型训练方法的流程示意图。如图10所示,在步骤590之后,该训练方法还可以包括:
步骤5110:当第二误差大于或等于第二预设误差值时,对神经网络模型进行求导优化。
当第二误差大于或等于第二预设误差值时,即说明训练后的神经网络模型的准确度尚未达到预设标准,因此,需要进一步对该神经网络模型进行训练,直至第二误差小于第二预设误差值时,停止训练。
示例性装置
图11是本申请一示例性实施例提供的一种CT图像的检测装置的结果示意图。其中待检测CT图像包括多层二维图像,如图11所示,该CT图像的检测装置100包括如下模块:图像获取模块1,用于获取所述多层二维图像中的单层待检测二维图像以及所述单层待检测二维图像一侧的连续N层二维图像和/或所述单层待检测二维图像另一侧的连续N层二维图像,作为当前待检测图像,其中N为大于等于1的整数;以及区域生成模块2,用于将所述当前待检测图像输入神经网络模型,生成所述待检测CT图像的感兴趣区域。
本申请提供的一种CT图像的检测装置,通过图像获取模块1获取多层二维图像中的单层待检测二维图像以及该单层待检测二维图像一侧的连续N层二维图像和/或该单层待检测二维图像另一侧的连续N层二维图像作为当前待检测图像,其中N为大于等于1的整数,然后通过区域生成模块2将当前待检测图像输入神经网络模型,生成待检测CT图像的感兴趣区域,利用神经网络模型可以替代人工检测CT图像中的感兴趣区域,从而大幅减少放射科医务人员的工作量,提高检测效率,同时也能够避免漏检的情况,提高了检测准确度;并且,考虑到骨折等位置通常会在连续的多层图像上体现,通过检测单层二维CT图像及其上下多层连续的图像,可以结合上下层图像综合得出检测结果,进一步提高检测准确度。
图12是本申请另一示例性实施例提供的一种CT图像的检测装置的结果示意图。如图12所示,该装置还可以包括特征提取模块3,用于提取当前待检测图像的特征信息;区域生成模块2配置为:根据该特征信息,生成所述待检测CT图像的感兴趣区域。
图13是本申请另一示例性实施例提供的一种CT图像的检测装置的结果示意图。如图13所示,该装置还可以包括上采样模块4,用于对特征信息进行上采样操作。
在一实施例中,图像获取模块1进一步配置为:当该单层待检测二维图像的一侧的二维图像的层数小于N时,可以放弃获取该单层待检测二维图像。
在一实施例中,图像获取模块1进一步配置为:当该单层待检测二维图像的一侧的二维图像的层数小于N且大于零时,可以通过重复选取该单层待检测二维图像该侧的二维图像,以实现该侧的二维图像的数量为N。
在一实施例中,图像获取模块1进一步配置为:依次将多层二维图像中的每一层二维图像作为单层待检测二维图像;并且获取该单层待检测二维图像以及该单层待检测二维图像一侧的连续N层二维图像和/或单层待检测二维图像另一侧的连续N层二维图像作为当前待检测图像。
图14是本申请另一示例性实施例提供的一种CT图像的检测装置的结果示意图。如图14所示,该装置还可以包括分割模块5,用于对多层二维图像进行分割处理。通过对待检测CT图像中的多层二维图像进行分割处理,将与检测结果无关的部分删除,例如人体的内脏、衣服等,将影响检测结果的肌肉、骨骼组织等分割出来保留。
图15是本申请另一示例性实施例提供的一种CT图像的检测装置的结果示意图。如图15所示,该装置还可以包括分类模块6,用于对感兴趣区域进行分类。在一实施例中,分类模块6可以配置为:计算感兴趣区域的分类结果的置信度。
图16是本申请另一示例性实施例提供的一种CT图像的检测装置的结果示意图。如图16所示,该装置还可以包括定位模块7,用于对感兴趣区域进行精确定位,得到异常区域。
图17是本申请另一示例性实施例提供的一种CT图像的检测装置的结果示意图。如图17所示,该装置还可以包括第一训练模块8,用于将第一样本输入及对应的第一样本输出输入神经网络模型进行训练,其中,第一样本输入包括单层训练二维图像以及该单层训练二维图像一侧的连续N层二维图像和/或该单层训练二维图像另一侧的连续N层二维图像,第一样本输出包括与第一样本输入对应的感兴趣区域的位置。
图18是本申请另一示例性实施例提供的一种CT图像的检测装置的结果示意图。如图18所示,该装置还可以包括预处理模块9,用于对第一样本输入进行预处理。在一实施例中,预处理可以包括以下操作中的任一项或多项的组合:调整第一样本输入的窗宽窗位,随机翻转第一样本输入,随机调整第一样本输入的亮度,随机裁剪第一样本输入。
图19是本申请另一示例性实施例提供的一种CT图像的检测装置的结果示意图。如图19所示,该装置还可以包括第一验证模块10,用于验证神经网络模型的训练效果。其中第一验证模块10包括如下子模块:
第一输入子模块101,用于将第一验证样本输入输入神经网络模型,得到第一验证样本输出,其中,第一验证样本输入包括单层验证二维图像以及该单层验证二维图像一侧的连续N层二维图像和/或该单层验证二维图像另一侧的连续N层二维图像;第一计算子模块102,用于计算第一验证样本输出与第一标准结果之间的第一误差;第一判断子模块103,用于当第一误差小于第一预设误差值时,停止训练,否则对神经网络模型进行求导优化。
图20是本申请另一示例性实施例提供的一种CT图像的检测装置的结果示意图。如图20所示,该装置还可以包括第二训练模块11,用于将第二样本输入及对应的第二样本输出输入神经网络模型进行训练,其中,第二样本输入包括单层训练二维图像以及该单层训练二维图像一侧的连续N层二维图像和/或该单层训练二维图像另一侧的连续N层二维图像,第二样本输出包括与第二样本输入对应的感兴趣区域的分类结果。
图21是本申请另一示例性实施例提供的一种CT图像的检测装置的结果示意图。如图21所示,该装置还可以包括第二验证模块12,用于验证神经网络模型的训练效果。其中第二验证模块12包括如下子模块:
第二输入子模块121,用于将第二验证样本输入输入神经网络模型,得到第二验证样本输出,其中,第二验证样本输入包括单层验证二维图像以及该单层验证二维图像一侧的连续N层二维图像和/或该单层验证二维图像另一侧的连续N层二维图像;第二计算子模块122,用于计算第二验证样本输出与第二标准结果之间的第二误差;第二判断子模块123,用于当第二误差小于第二预设误差值时,停止训练,否则对神经网络模型进行求导优化。
示例性电子设备
下面,参考图22来描述根据本申请实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备,该单机设备可以与第一设备和第二设备进行通信,以从它们接收所采集到的输入信号。
图22图示了根据本申请实施例的电子设备的框图。
如图22所示,电子设备20包括一个或多个处理器21和存储器22。
处理器21可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备20中的其他组件以执行期望的功能。
存储器22可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器21可以运行所述程序指令,以实现上文所述的本申请的各个实施例的CT图像的检测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备20还可以包括:输入装置23和输出装置24,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
例如,在该电子设备是第一设备或第二设备时,该输入装置23可以是摄像头,用于捕捉图像的输入信号。在该电子设备是单机设备时,该输入装置23可以是通信网络连接器,用于从第一设备和第二设备接收所采集的输入信号。
此外,该输入设备23还可以包括例如键盘、鼠标等等。
该输出装置24可以向外部输出各种信息,包括确定出的距离信息、方向信息等。该输出设备24可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图22中仅示出了该电子设备20中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备20还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的CT图像的检测方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的CT图像的检测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (16)
1.一种CT图像的检测方法,其中待检测CT图像包括多层二维图像,其特征在于,包括:
获取所述多层二维图像中的单层待检测二维图像以及所述单层待检测二维图像一侧的连续N层二维图像和/或所述单层待检测二维图像另一侧的连续N层二维图像,作为当前待检测图像,其中N为大于等于1的整数;以及
将所述当前待检测图像输入神经网络模型,生成所述待检测CT图像的感兴趣区域。
2.根据权利要求1所述的检测方法,其特征在于,所述获取所述多层二维图像中的单层待检测二维图像以及所述单层待检测二维图像一侧的连续N层二维图像和/或所述单层待检测二维图像另一侧的连续N层二维图像,作为当前待检测图像包括:
依次将所述多层二维图像中的每一层二维图像作为所述单层待检测二维图像;以及
获取该所述单层待检测二维图像以及该所述单层待检测二维图像一侧的连续N层二维图像和/或所述单层待检测二维图像另一侧的连续N层二维图像作为当前待检测图像。
3.根据权利要求1所述的检测方法,其特征在于,所述获取所述多层二维图像中的单层待检测二维图像以及所述单层待检测二维图像一侧的连续N层二维图像和/或所述单层待检测二维图像另一侧的连续N层二维图像,作为当前待检测图像包括:
当所述单层待检测二维图像的一侧的二维图像的层数小于N时,放弃获取所述单层待检测二维图像。
4.根据权利要求1所述的检测方法,其特征在于,所述获取所述多层二维图像中的单层待检测二维图像以及所述单层待检测二维图像一侧的连续N层二维图像和/或所述单层待检测二维图像另一侧的连续N层二维图像,作为当前待检测图像包括:
当所述单层待检测二维图像的一侧的二维图像的层数小于N且大于零时,通过重复选取所述单层待检测二维图像该侧的二维图像,以实现该侧的二维图像的数量为N。
5.根据权利要求1所述的检测方法,其特征在于,在所述生成所述待检测CT图像的感兴趣区域之后,还包括:
对所述感兴趣区域进行分类,并计算所述感兴趣区域的分类结果的置信度。
6.根据权利要求5所述的检测方法,其特征在于,所述神经网络模型的训练方法包括:
将第二样本输入及对应的第二样本输出输入所述神经网络模型进行训练,其中,所述第二样本输入包括单层训练二维图像以及该单层训练二维图像一侧的连续N层二维图像和/或该单层训练二维图像另一侧的连续N层二维图像,所述第二样本输出包括与所述第二样本输入对应的感兴趣区域的分类结果。
7.根据权利要求6所述的检测方法,其特征在于,所述训练方法还包括:
将第二验证样本输入输入所述神经网络模型,得到第二验证样本输出,其中,所述第二验证样本输入包括单层验证二维图像以及该单层验证二维图像一侧的连续N层二维图像和/或该单层验证二维图像另一侧的连续N层二维图像;
计算所述第二验证样本输出与第二标准结果之间的第二误差;以及
当所述第二误差小于第二预设误差值时,停止训练。
8.根据权利要求7所述的检测方法,其特征在于,在所述计算所述第二验证样本输出与第二标准结果之间的第二误差之后,还包括:
当所述第二误差大于或等于所述第二预设误差值时,对所述神经网络模型进行求导优化。
9.根据权利要求1所述的检测方法,其特征在于,在所述生成所述待检测CT图像的感兴趣区域之后,还包括:
对所述感兴趣区域进行精确定位,得到异常区域。
10.根据权利要求1至9中任一项所述的检测方法,其特征在于,所述神经网络模型的训练方法包括:
将第一样本输入及对应的第一样本输出输入所述神经网络模型进行训练,其中,所述第一样本输入包括单层训练二维图像以及该单层训练二维图像一侧的连续N层二维图像和/或该单层训练二维图像另一侧的连续N层二维图像,所述第一样本输出包括与所述第一样本输入对应的感兴趣区域的位置。
11.根据权利要求1至9中任一项所述的检测方法,其特征在于,所述训练方法还包括对第一样本输入进行以下任一项操作或多项的组合操作:
调整所述第一样本输入的窗宽窗位,随机翻转所述第一样本输入,随机调整所述第一样本输入的亮度,随机裁剪所述第一样本输入。
12.根据权利要求10所述的检测方法,其特征在于,所述训练方法还包括:
将第一验证样本输入输入所述神经网络模型,得到第一验证样本输出,其中,所述第一验证样本输入包括单层验证二维图像以及该单层验证二维图像一侧的连续N层二维图像和/或该单层验证二维图像另一侧的连续N层二维图像;
计算所述第一验证样本输出与第一标准结果之间的第一误差;以及
当所述第一误差小于第一预设误差值时,停止训练。
13.根据权利要求12所述的检测方法,其特征在于,在所述计算所述第一验证样本输出与第一标准结果之间的第一误差之后,还包括:
当所述第一误差大于或等于所述第一预设误差值时,对所述神经网络模型进行求导优化。
14.一种CT图像的检测装置,其中待检测CT图像包括多层二维图像,其特征在于,包括:
图像获取模块,用于获取所述多层二维图像中的单层待检测二维图像以及所述单层待检测二维图像一侧的连续N层二维图像和/或所述单层待检测二维图像另一侧的连续N层二维图像,作为当前待检测图像,其中N为大于等于1的整数;以及
区域生成模块,用于将所述当前待检测图像输入神经网络模型,生成所述待检测CT图像的感兴趣区域。
15.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-13任一所述的CT图像的检测方法。
16.一种电子设备,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于执行上述权利要求1-13任一所述的CT图像的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911212094.8A CN110895812A (zh) | 2019-11-28 | 2019-11-28 | Ct图像的检测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911212094.8A CN110895812A (zh) | 2019-11-28 | 2019-11-28 | Ct图像的检测方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110895812A true CN110895812A (zh) | 2020-03-20 |
Family
ID=69788286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911212094.8A Pending CN110895812A (zh) | 2019-11-28 | 2019-11-28 | Ct图像的检测方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110895812A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899850A (zh) * | 2020-08-12 | 2020-11-06 | 上海依智医疗技术有限公司 | 医学影像的信息处理方法、显示方法及可读存储介质 |
CN111914841A (zh) * | 2020-08-07 | 2020-11-10 | 温州医科大学 | 一种ct图像处理方法和装置 |
CN111951272A (zh) * | 2020-07-02 | 2020-11-17 | 上海联影智能医疗科技有限公司 | 脑部影像的分割方法、装置、计算机设备和可读存储介质 |
CN111967539A (zh) * | 2020-09-29 | 2020-11-20 | 北京大学口腔医学院 | 基于cbct数据库的颌面部骨折的识别方法、装置及终端设备 |
CN114495090A (zh) * | 2022-01-18 | 2022-05-13 | 上海微创医疗机器人(集团)股份有限公司 | 靶点识别方法、装置、手术***、计算机设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160361A (zh) * | 2015-09-30 | 2015-12-16 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
US9846938B2 (en) * | 2015-06-01 | 2017-12-19 | Virtual Radiologic Corporation | Medical evaluation machine learning workflows and processes |
CN107945168A (zh) * | 2017-11-30 | 2018-04-20 | 上海联影医疗科技有限公司 | 一种医学图像的处理方法及医学图像处理*** |
CN108520519A (zh) * | 2018-04-11 | 2018-09-11 | 上海联影医疗科技有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
US20180268526A1 (en) * | 2017-02-22 | 2018-09-20 | Siemens Healthcare Gmbh | Denoising medical images by learning sparse image representations with a deep unfolding approach using scan specific metadata |
CN110047075A (zh) * | 2019-03-15 | 2019-07-23 | 天津大学 | 一种基于对抗网络的ct图像分割方法 |
CN110111313A (zh) * | 2019-04-22 | 2019-08-09 | 腾讯科技(深圳)有限公司 | 基于深度学习的医学图像检测方法及相关设备 |
CN110210519A (zh) * | 2019-05-10 | 2019-09-06 | 上海联影智能医疗科技有限公司 | 分类方法、计算机设备和存储介质 |
US10417788B2 (en) * | 2016-09-21 | 2019-09-17 | Realize, Inc. | Anomaly detection in volumetric medical images using sequential convolutional and recurrent neural networks |
CN110310723A (zh) * | 2018-03-20 | 2019-10-08 | 青岛海信医疗设备股份有限公司 | 骨骼图像处理方法、电子设备及存储介质 |
-
2019
- 2019-11-28 CN CN201911212094.8A patent/CN110895812A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9846938B2 (en) * | 2015-06-01 | 2017-12-19 | Virtual Radiologic Corporation | Medical evaluation machine learning workflows and processes |
CN105160361A (zh) * | 2015-09-30 | 2015-12-16 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
US10417788B2 (en) * | 2016-09-21 | 2019-09-17 | Realize, Inc. | Anomaly detection in volumetric medical images using sequential convolutional and recurrent neural networks |
US20180268526A1 (en) * | 2017-02-22 | 2018-09-20 | Siemens Healthcare Gmbh | Denoising medical images by learning sparse image representations with a deep unfolding approach using scan specific metadata |
CN107945168A (zh) * | 2017-11-30 | 2018-04-20 | 上海联影医疗科技有限公司 | 一种医学图像的处理方法及医学图像处理*** |
CN110310723A (zh) * | 2018-03-20 | 2019-10-08 | 青岛海信医疗设备股份有限公司 | 骨骼图像处理方法、电子设备及存储介质 |
CN108520519A (zh) * | 2018-04-11 | 2018-09-11 | 上海联影医疗科技有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
CN110047075A (zh) * | 2019-03-15 | 2019-07-23 | 天津大学 | 一种基于对抗网络的ct图像分割方法 |
CN110111313A (zh) * | 2019-04-22 | 2019-08-09 | 腾讯科技(深圳)有限公司 | 基于深度学习的医学图像检测方法及相关设备 |
CN110210519A (zh) * | 2019-05-10 | 2019-09-06 | 上海联影智能医疗科技有限公司 | 分类方法、计算机设备和存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951272A (zh) * | 2020-07-02 | 2020-11-17 | 上海联影智能医疗科技有限公司 | 脑部影像的分割方法、装置、计算机设备和可读存储介质 |
CN111914841A (zh) * | 2020-08-07 | 2020-11-10 | 温州医科大学 | 一种ct图像处理方法和装置 |
CN111914841B (zh) * | 2020-08-07 | 2023-10-13 | 温州医科大学 | 一种ct图像处理方法和装置 |
CN111899850A (zh) * | 2020-08-12 | 2020-11-06 | 上海依智医疗技术有限公司 | 医学影像的信息处理方法、显示方法及可读存储介质 |
CN111967539A (zh) * | 2020-09-29 | 2020-11-20 | 北京大学口腔医学院 | 基于cbct数据库的颌面部骨折的识别方法、装置及终端设备 |
CN111967539B (zh) * | 2020-09-29 | 2021-08-31 | 北京大学口腔医学院 | 基于cbct数据库的颌面部骨折的识别方法、装置及终端设备 |
CN114495090A (zh) * | 2022-01-18 | 2022-05-13 | 上海微创医疗机器人(集团)股份有限公司 | 靶点识别方法、装置、手术***、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110895812A (zh) | Ct图像的检测方法、装置、存储介质及电子设备 | |
CN110992376A (zh) | 基于ct图像的肋骨分割方法、装置、介质及电子设备 | |
CN110969245B (zh) | 医学图像的目标检测模型训练方法和装置 | |
US11227418B2 (en) | Systems and methods for deep learning-based image reconstruction | |
CN113744183B (zh) | 肺结节检测方法及*** | |
US9361711B2 (en) | Lesion-type specific reconstruction and display of digital breast tomosynthesis volumes | |
Xu et al. | Automated cavity detection of infectious pulmonary tuberculosis in chest radiographs | |
Garlapati et al. | Detection of COVID-19 using X-ray image classification | |
EP4022562A1 (en) | Image processing for stroke characterization | |
WO2020172558A1 (en) | System and method for automatic detection of vertebral fractures on imaging scans using deep networks | |
US20220285011A1 (en) | Document creation support apparatus, document creation support method, and program | |
Nazia Fathima et al. | Diagnosis of Osteoporosis using modified U-net architecture with attention unit in DEXA and X-ray images | |
JP2023175011A (ja) | 文書作成支援装置、方法およびプログラム | |
Xiao et al. | A cascade and heterogeneous neural network for CT pulmonary nodule detection and its evaluation on both phantom and patient data | |
Abed | Lung Cancer Detection from X-ray images by combined Backpropagation Neural Network and PCA | |
CN111724356B (zh) | 一种用于ct影像肺炎识别的图像处理方法和*** | |
US20220076829A1 (en) | Method and apparatus for analyzing medical image data in a latent space representation | |
CN111080625B (zh) | 肺部影像条索检测模型的训练方法及其训练装置 | |
Dovganich et al. | Automatic quality control in lung X-ray imaging with deep learning | |
CN112288708B (zh) | Ct图像中***的检测方法、装置、介质及电子设备 | |
EP4327333A1 (en) | Methods and systems for automated follow-up reading of medical image data | |
JP7240845B2 (ja) | 画像処理プログラム、画像処理装置、及び画像処理方法 | |
Nguyen et al. | Anomalies Detection in Chest X-Rays Images Using Faster R-CNN and YOLO. | |
CN111353975A (zh) | 网络模型训练方法及装置、病灶定位方法及装置 | |
KR20210069250A (ko) | 의료 영상에서 듀얼 윈도우 설정에 기반한 딥러닝을 이용한 종양 자동 분할 방법 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200320 |