CN111127485B - 一种ct图像中目标区域提取方法、装置及设备 - Google Patents
一种ct图像中目标区域提取方法、装置及设备 Download PDFInfo
- Publication number
- CN111127485B CN111127485B CN201911357010.XA CN201911357010A CN111127485B CN 111127485 B CN111127485 B CN 111127485B CN 201911357010 A CN201911357010 A CN 201911357010A CN 111127485 B CN111127485 B CN 111127485B
- Authority
- CN
- China
- Prior art keywords
- dimension
- pixel
- classification
- image
- pixel 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.)
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本申请实施例公开了一种CT图像中目标区域提取方法、装置及设备,该方法包括:将待提取CT图像按照像素点间的相似度进行区域划分得到至少一个像素区域;获取像素区域的点云数据;根据像素区域的点云数据,确定像素区域的提取影响权重;基于像素区域的CT特征值与该像素区域的提取影响权重的乘积,从待提取CT图像中提取目标区域。其中,因像素区域的点云数据是基于像素区域内多个像素点的三维坐标以及CT值确定的,使得像素区域的点云数据能够准确地表征该像素区域内像素点的位置信息以及CT值信息,使得后续只需从数量较小的像素区域中筛选出目标区域即可,无需从数量较大的像素点中筛选出目标区域,提高CT图像中目标区域的提取效率。
Description
技术领域
本申请涉及自动化机器学习技术领域,具体涉及一种CT图像中目标区域提取方法、装置及设备。
背景技术
随着电子计算机断层扫描(Computed Tomography,CT)的发展,CT图像中目标区域提取越来越重要。其中,CT图像中目标区域提取是指从CT图像中提取出目标区域(也就是,感兴趣区域)。
另外,与普通图像(例如,照相机拍摄的图像)相比,CT图像具有以下特点:①CT图像的图层数量比较多(例如,CT图像包括100层图层)。②CT图像中像素点携带的CT值波动范围比较大(例如,CT值波动范围可以为[-1000Hu,+1000Hu])。
基于上述内容可知,因CT图像与普通图像之间存在差异,使得CT图像中目标区域提取过程与普通图像中目标区域提取过程之间也存在差异。然而,如何快速准确地从CT图像中提取出目标区域仍是一个亟待解决的技术问题。
发明内容
有鉴于此,本申请实施例提供一种CT图像中目标区域提取方法、装置及设备,能够快速准确地从CT图像中提取出目标区域。
为解决上述问题,本申请实施例提供的技术方案如下:
一种CT图像中目标区域提取方法,包括:
将待提取CT图像按照像素点间的相似度进行区域划分,得到至少一个像素区域;
获取所述像素区域的点云数据;所述点云数据包括所述像素区域的三维位置坐标以及CT特征值;所述像素区域的三维位置坐标是根据所述像素区域内的像素点在所述待提取CT图像中的三维坐标确定的;所述像素区域的CT特征值是根据所述像素区域内的像素点的CT值确定的;
根据所述像素区域的点云数据,确定所述像素区域的提取影响权重;
基于所述像素区域的CT特征值与所述像素区域的提取影响权重的乘积,从所述待提取CT图像中提取目标区域。
在一种可能的实现方式中,所述根据所述像素区域的点云数据,确定所述像素区域的提取影响权重,包括:
根据所述像素区域的点云数据,确定所述像素区域在所述点云数据的各个数据维度下的决策影响权重;
将所述像素区域在所述点云数据的全部数据维度下的决策影响权重的均值,确定为所述像素区域的提取影响权重。
在一种可能的实现方式中,所述根据所述像素区域的点云数据,确定所述像素区域在所述点云数据的各个数据维度下的决策影响权重,包括:
将所述像素区域的点云数据输入预先构建的CT图像分类模型,获取所述CT图像分类模型在得到所述待提取CT图像的分类结果过程中产生的所述像素区域与目标维度下采样特征之间的对应关系以及所述目标维度下采样特征与分类影响权重之间的对应关系;其中,目标维度为所述点云数据的任一数据维度;
根据所述像素区域与目标维度下采样特征之间的对应关系以及所述目标维度下采样特征与分类影响权重之间的对应关系,确定所述像素区域在目标维度下对应的分类影响权重;
将所述像素区域在目标维度下对应的分类影响权重,确定为所述像素区域在目标维度下的决策影响权重。
在一种可能的实现方式中,还包括:
基于所述像素区域的点云数据对所述待提取CT图像进行图像分类,得到所述待提取CT图像的分类结果;
所述根据所述像素区域的点云数据,确定所述像素区域的提取影响权重,包括:
在确定所述待提取CT图像的分类结果满足预设条件时,根据所述像素区域的点云数据,确定所述像素区域的提取影响权重。
在一种可能的实现方式中,所述基于所述像素区域的点云数据对所述待提取CT图像进行图像分类,得到所述待提取CT图像的分类结果,包括,
将所述像素区域的点云数据输入预先构建的CT图像分类模型,得到所述CT图像分类模型输出的所述待提取CT图像的分类结果。
在一种可能的实现方式中,所述点云数据的数据维度包括T个维度,T为正整数;所述CT图像分类模型包括:T个维度区域分类层和图像分类层;
第t个维度区域分类层,用于基于所述像素区域的点云数据,将所述像素区域按照第t个维度进行排序,得到所述像素区域在第t个维度下的序号;基于所述像素区域在第t个维度下的序号对所述像素区域的点云数据进行特征提取,得到所述像素区域在第t个维度下的提取特征;基于所述像素区域在第t个维度下的序号对所述像素区域在第t个维度下的提取特征进行采样,得到所述像素区域在第t个维度下对应的采样特征,以确定第t个维度下采样特征与采样特征序号之间的对应关系以及所述像素区域与第t个维度下采样特征之间的对应关系;将所述像素区域在第t个维度下对应的采样特征进行分类,得到所述像素区域在第t个维度下对应的采样特征分类结果;其中,t为正整数,且t≤T;所述采样特征与所述采样特征分类结果一一对应;
图像分类层,用于根据所述各个维度区域分类层输出的各个维度下采样特征与采样特征序号之间的对应关系以及分类影响权重与采样特征序号之间的对应关系,确定各个维度下采样特征与分类影响权重之间的对应关系;基于所述各个维度下采样特征与分类影响权重之间的对应关系,将T个维度区域分类层输出的所述像素区域在T个维度下对应的采样特征分类结果按照所述分类影响权重进行加权求和,得到所述待提取CT图像的分类结果;其中,所述图像分类层的层参数包括所述分类影响权重以及所述分类影响权重与采样特征序号之间的对应关系。
在一种可能的实现方式中,所述CT图像分类模型是根据训练CT图像和所述训练CT图像的类别标签训练确定的。
一种CT图像中目标区域提取装置,包括:
像素区域划分单元,用于将待提取CT图像按照像素点间的相似度进行区域划分,得到至少一个像素区域;
点云数据获取单元,用于获取所述像素区域的点云数据;所述点云数据包括所述像素区域的三维位置坐标以及CT特征值;所述像素区域的三维位置坐标是根据所述像素区域内的像素点在所述待提取CT图像中的三维坐标确定的;所述像素区域的CT特征值是根据所述像素区域内的像素点的CT值确定的;
提取权重确定单元,用于根据所述像素区域的点云数据,确定所述像素区域的提取影响权重;
目标区域提取单元,用于基于所述像素区域的CT特征值与所述像素区域的提取影响权重的乘积,从所述待提取CT图像中提取目标区域。
一种CT图像中目标区域提取设备,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述的CT图像中目标区域提取方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如上述的CT图像中目标区域提取方法。
由此可见,本申请实施例具有如下有益效果:
本申请实施例提供的CT图像中目标区域提取方法,先将待提取CT图像按照像素点间的相似度进行区域划分得到至少一个像素区域,并获取像素区域的点云数据;再根据像素区域的点云数据,确定像素区域的提取影响权重,以便基于像素区域的CT特征值与该像素区域的提取影响权重的乘积,从待提取CT图像中提取目标区域。
其中,因像素区域是依据待提取CT图像中像素点间的相似度划分得到的,使得每个像素区域均是由多个相似度较高的像素点构成的;而且还因像素区域的点云数据均是基于该像素区域内像素点的三维坐标以及CT值确定的,使得该像素区域的点云数据能够准确地表征该像素区域内像素点的位置信息以及CT值信息,使得在从待提取CT图像中提取目标区域时只需从数量较小的像素区域中筛选出目标区域即可,无需从数量较大的像素点中筛选出目标区域,如此降低了筛选数据量,从而提高了CT图像中目标区域的提取效率。另外,还因像素区域的提取影响权重能够准确地表征该像素区域对待提取CT图像中目标区域提取过程的影响程度,使得像素区域的CT特征值与该像素区域的提取影响权重的乘积能够准确地表征该像素区域属于目标区域的可能性大小,从而使得后续能够基于该乘积从待提取CT图像中准确地提取出目标区域,如此提高了CT图像中目标区域的提取准确性。
附图说明
图1为本申请实施例提供的一种CT图像中目标区域提取方法的流程图;
图2为本申请实施例提供的像素区域示意图;
图3为本申请实施例提供的一种确定像素区域的提取影响权重的流程图;
图4为本申请实施例提供的一种确定像素区域在点云数据的各个数据维度下的决策影响权重的流程图;
图5为本申请实施例提供的像素区域与目标维度下采样特征之间的对应关系示意图;
图6为本申请实施例提供的采样特征与分类影响权重之间的对应关系示意图;
图7为本申请实施例提供的CT图像分类模型的结构示意图;
图8为本申请实施例提供的CT图像分类模型对待提取CT图像进行图像分类的过程流程图;
图9为本申请实施例提供的第1个维度区域分类层的工作原理示意图;
图10为本申请实施例提供的采样特征序号示意图;
图11为本申请实施例提供的CT图像中目标区域提取方法的一种实施方式流程图;
图12为本申请实施例提供的一种CT图像中目标区域提取装置的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
发明人在对传统的图像中目标区域提取方法研究中发现,因传统的图像中目标区域提取方法通过对图像中所有像素点进行筛选得到目标区域,使得图像中像素点的数量对目标区域的提取效率产生了较大的影响,其具体为:图像中像素点的数量越多,使得传统的图像中目标区域提取方法需要消耗越多的时间提取该图像中目标区域,从而使得该图像中目标区域的提取效率越低。然而,因CT图像中像素点的数量较大(例如,当一张CT图像包括100层且每一层均包括512×512个像素时,则CT图像的像素点数量为26214400),使得传统的图像中目标区域提取方法需要消耗较多的时间提取CT图像中目标区域,如此导致CT图像中目标区域提取效率较低。
基于此,为了解决背景部分的技术问题以及上述技术问题,本申请实施例提供了一种CT图像中目标区域提取方法,该方法包括:先将待提取CT图像按照像素点间的相似度进行区域划分得到至少一个像素区域,并获取像素区域的点云数据;再根据像素区域的点云数据,确定像素区域的提取影响权重,以便基于像素区域的CT特征值与该像素区域的提取影响权重的乘积,从待提取CT图像中提取目标区域。其中,因每个像素区域均包括CT图像中多个像素点,而且每个像素区域的点云数据均能够准确地表征该像素区域内像素点的位置信息以及CT值信息,使得在从待提取CT图像中提取目标区域时只需从数量较小的像素区域中筛选出目标区域即可,无需从数量较大的像素点中筛选出目标区域,如此降低了筛选数据量,从而提高了CT图像中目标区域的提取效率。
为了便于理解本申请,下面结合附图对本申请实施例提供的CT图像中目标区域提取方法进行说明。
参见图1,该图为本申请实施例提供的一种CT图像中目标区域提取方法的流程图,该CT图像中目标区域提取方法包括S11-S14:
S11:将待提取CT图像按照像素点间的相似度进行区域划分,得到至少一个像素区域。
像素点间的相似度用于衡量不同像素点之间的相似程度;而且,本申请实施例不限定像素点间的相似度的获取过程,例如,像素点间的相似度可以基于像素点的三维坐标信息以及CT值得到。
像素区域是由多个相似度比较高的像素点构成的;而且待提取CT图像可以划分成多个像素区域(如图2所示,待提取CT图像可以划分成300个像素区域)。
另外,本申请实施例不限定像素区域的获取方式。例如,该获取方式可以是超像素分割方法。此时,S11其具体为:利用超像素分割方法将待提取CT图像进行区域划分,得到至少一个像素区域。需要说明的是,本申请实施例不限定超像素分割方法。
基于上述内容可知,本申请实施例中,在获取到待提取CT图像之后,先将该待提取CT图像按照像素点间的相似度进行区域划分,得到多个像素区域,使得每个像素区域均能够包括多个相似度比较高的像素点,以便使得每个像素区域均能够代替该像素区域内像素点参与后续的从待提取CT图像中提取目标区域的过程,如此能够降低目标区域提取过程中的筛选数据量,从而有利于提高CT图像中目标区域的提取效率。
S12:获取像素区域的点云数据。
像素区域的点云数据用于表征该像素区域携带的图像信息(例如,位置信息和CT值信息)。
点云数据包括像素区域的三维位置坐标以及CT特征值;而且,本申请实施例不限定像素区域的点云数据的表示方式,例如,像素区域的点云数据可以采用(X,Y,Z,HU)进行表示,其中,(X,Y,Z)表示像素区域的三维位置坐标信息,(X,Y)表示像素区域在待提取CT图像中的图层平面坐标信息,Z表示像素区域在待提取CT图像中所处的图层数信息;Hu表示像素区域的CT信息。
像素区域的三维位置坐标用于表征该像素区域在待提取CT图像中的位置信息;而且,像素区域的三维位置坐标可以根据该像素区域内的像素点在待提取CT图像中的三维坐标确定。另外,本申请实施例不限定像素区域的三维位置坐标的获取方式,例如,如公式(1)所示,像素区域的三维位置坐标的获取方式为:将该像素区域内像素点的三维坐标均值,作为该像素区域的三维位置坐标。
式中,(Xi,Yi,Zi)表示第i个像素区域的三维位置坐标;i为正整数,且i≤N;N表示待提取CT图像中像素区域的总数;表示第i个像素区域内第j个像素点的三维坐标;j为正整数,且j≤M;M表示第i个像素区域中像素点的总数。
像素区域的CT特征值用于表征该像素区域在待提取CT图像中的CT信息;而且,像素区域的CT特征值可以根据像素区域内的像素点的CT值确定。另外,本申请实施例不限定像素区域的CT特征值的获取方式,例如,如公式(2)所示,像素区域的CT特征值的获取方式为:将该像素区域内像素点的CT值均值,作为该像素区域的CT特征值。
式中,HUi表示第i个像素区域的CT特征值;i为正整数,且i≤N;N表示待提取CT图像中像素区域的总数;表示第i个像素区域内第j个像素点的CT值;j为正整数,且j≤M;M表示第i个像素区域中像素点的总数。
基于上述内容可知,本申请实施例中,在获取到待提取CT图像中的各个像素区域之后,可以根据各个像素区域内像素点的三维坐标以及CT值生成各个像素区域的点云数据,其具体为:根据各个像素区域内像素点的三维坐标确定各个像素区域的三维位置坐标,并根据各个像素区域内像素点的CT值确定各个像素区域的CT值特征。其中,因各个像素区域的点云数据是基于各个像素区域内像素点的三维坐标以及CT值生成的,使得各个像素区域的点云数据均能够准确地表征该像素区域内像素点的位置信息以及CT值信息,从而使得各个像素区域能够更准确地代替该像素区域内像素点参与后续的从待提取CT图像中提取目标区域的过程,如此能够实现在不降低提取准确性的前提下提高CT图像中目标区域的提取效率。
S13:根据像素区域的点云数据,确定像素区域的提取影响权重。
提取影响权重用于表征像素区域对待提取CT图像中目标区域提取过程的影响程度;而且提取影响权重越高,则表示该提取影响权重对应的像素区域对待提取CT图像中目标区域提取过程的影响程度越大。
基于上述内容可知,本申请实施例中,在获取到各个像素区域的点云数据之后,可以根据各个像素区域的点云数据确定各个像素区域的提取影响权重,使得各个像素区域的提取影响权重能够准确地表征该像素区域对待提取CT图像中目标区域提取过程的影响程度,以便后续可以依据各个像素区域的提取影响权重从待提取CT图像中提取目标区域,如此有利于提高CT图像中目标区域的提取准确性。
另外,本申请实施例还提供了一种确定像素区域的提取影响权重的具体实施方式,技术详情请参见下文。
S14:基于像素区域的CT特征值与该像素区域的提取影响权重的乘积,从待提取CT图像中提取目标区域。
其中,像素区域的CT特征值与该像素区域的提取影响权重的乘积用于表征该像素区域属于目标区域的概率;而且,像素区域的CT特征值与该像素区域的提取影响权重的乘积越高,则表示该像素区域属于目标区域的可能性越大。
基于上述内容可知,本申请实施例中,在获取到各个像素区域的提取影响权重之后,可以基于各个像素区域的CT特征值与该像素区域的提取影响权重的乘积,从待提取CT图像中提取目标区域。如公式(3)和(4)所示,该过程具体为:先将各个像素区域的CT特征值分别与各个像素区域的提取影响权重进行相乘,得到各个像素区域归属于目标区域的概率值;再将对应的归属于目标区域的概率值超过预设概率阈值的像素区域确定为目标区域。
Pi=HUi×Wi (3)
式中,Pi表示第i个像素区域归属于目标区域的概率值;i为正整数,且i≤N;N表示待提取CT图像中像素区域的总数;HUi表示第i个像素区域的CT特征值;Wi表示第i个像素区域的提取影响权重;Mi表示第i个像素区域是否属于目标区域的标签;当Mi=1表示第i个像素区域归属于目标区域;当Mi=0表示第i个像素区域不归属于目标区域;Tp表示预设概率阈值。
基于上述S11至S14的内容可知,本申请实施例提供的CT图像中目标区域提取方法,先将待提取CT图像按照像素点间的相似度进行区域划分得到至少一个像素区域,并获取像素区域的点云数据;再根据像素区域的点云数据,确定像素区域的提取影响权重,以便基于像素区域的CT特征值与该像素区域的提取影响权重的乘积,从待提取CT图像中提取目标区域。
其中,因像素区域是依据待提取CT图像中像素点间的相似度划分得到的,使得每个像素区域均是由多个相似度较高的像素点构成的;而且还因像素区域的点云数据均是基于该像素区域内像素点的三维坐标以及CT值确定的,使得该像素区域的点云数据能够准确地表征该像素区域内像素点的位置信息以及CT值信息,使得在从待提取CT图像中提取目标区域时只需从数量较小的像素区域中筛选出目标区域即可,无需从数量较大的像素点中筛选出目标区域,如此降低了筛选数据量,从而提高了CT图像中目标区域的提取效率。另外,还因像素区域的提取影响权重能够准确地表征该像素区域对待提取CT图像中目标区域提取过程的影响程度,使得像素区域的CT特征值与该像素区域的提取影响权重的乘积能够准确地表征该像素区域属于目标区域的可能性大小,从而使得后续能够基于该乘积从待提取CT图像中准确地提取出目标区域,如此提高了CT图像中目标区域的提取准确性。
在本申请实施例一种可能的实施方式中,像素区域对待提取CT图像中目标区域的影响程度可以通过综合该像素区域在各个数据维度方向(例如,X方向维度,Y方向维度、Z方向维度以及HU方向维度)上对待提取CT图像中目标区域的影响程度确定。基于此,本申请实施例提供了一种确定像素区域的提取影响权重(也就是S13)的具体实施方式,如图3所示,在该实施方式中,S13具体可以包括S131-S132:
S131:根据像素区域的点云数据,确定像素区域在点云数据的各个数据维度下的决策影响权重。
点云数据的各个数据维度是根据点云数据确定的。例如,假设点云数据包括X轴坐标、Y轴坐标、Z轴坐标和HU值,X轴坐标和Y轴坐标用于表征像素区域在待提取CT图像中的图层平面坐标信息,Z轴坐标用于表征像素区域在待提取CT图像中所处的图层数信息,HU值用于表征像素区域在待提取CT图像中的CT信息。基于该假设可知,点云数据的数据维度可以包括:X方向维度,Y方向维度、Z方向维度以及HU方向维度。
数据维度下的决策影响权重用于表征像素区域在该数据维度方向上对待提取CT图像中目标区域提取过程的影响程度。例如,HU方向维度下的决策影响权重用于表征像素区域在HU方向维度(也就是CT信息)上对待提取CT图像中目标区域提取过程的影响程度。
基于上述内容可知,本申请实施例中,在获取到像素区域的点云数据之后,可以根据该像素区域的点云数据,确定该像素区域在点云数据的各个数据维度下的决策影响权重。作为示例,当点云数据的数据维度包括X方向维度,Y方向维度、Z方向维度以及HU方向维度时,则S131具体可以为:根据第i个像素区域的点云数据,确定第i个像素区域在X方向维度下的决策影响权重、第i个像素区域在Y方向维度下的决策影响权重、第i个像素区域在Z方向维度下的决策影响权重、以及第i个像素区域在HU方向维度下的决策影响权重。其中,i为正整数,且i≤N;N表示待提取CT图像中像素区域的总数。
另外,本申请实施例还提供了一种确定像素区域在点云数据的各个数据维度下的决策影响权重的具体实施方式,技术详情请参见下文。
S132:将像素区域在点云数据的全部数据维度下的决策影响权重的均值,确定为像素区域的提取影响权重。
本申请实施例中,在获取到像素区域在点云数据的全部数据维度下的决策影响权重之后,可以将像素区域在点云数据的全部数据维度下的决策影响权重的均值,确定为像素区域的提取影响权重。例如,基于上述S131中示例内容,如公式(5)所示,S132具体可以为:计算第i个像素区域在X方向维度下的决策影响权重、第i个像素区域在Y方向维度下的决策影响权重、第i个像素区域在Z方向维度下的决策影响权重、以及第i个像素区域在HU方向维度下的决策影响权重的平均值,以便将该平均值作为第i个像素区域的提取影响权重。
式中,Wi表示第i个像素区域的提取影响权重;表示第i个像素区域在X方向维度下的决策影响权重;/>表示第i个像素区域在Y方向维度下的决策影响权重;/>表示第i个像素区域在Z方向维度下的决策影响权重;/>表示第i个像素区域在HU方向维度下的决策影响权重;i为正整数,且i≤N;N表示待提取CT图像中像素区域的总数。
基于上述S131至S132的内容可知,在获取到像素区域的点云数据之后,可以先根据像素区域的点云数据,确定该像素区域在点云数据的各个数据维度下的决策影响权重;再将该像素区域在点云数据的全部数据维度下的决策影响权重的均值,确定为该像素区域的提取影响权重。其中,因像素区域在点云数据的各个数据维度下的决策影响权重能够准确地表征像素区域在该数据维度方向上对待提取CT图像中目标区域提取过程的影响程度,使得基于像素区域在点云数据的各个数据维度下的决策影响权重综合确定的像素区域的提取影响权重能够更准确地表征像素区域对待提取CT图像中目标区域提取过程的影响程度,如此有利于提高CT图像中目标区域的提取准确性。
在本申请实施例一种可能的实施方式中,为了提高决策影响权重的准确性,可以借助CT图像分类模型中所使用的分类影响权重来确定上述决策影响权重。基于此,本申请实施例提供了一种确定像素区域在点云数据的各个数据维度下的决策影响权重(也就是S131)的具体实施方式,如图4所示,S131具体可以包括S1311-S1313:
S1311:将像素区域的点云数据输入预先构建的CT图像分类模型,获取该CT图像分类模型在得到待提取CT图像的分类结果过程中产生的该像素区域与目标维度下采样特征之间的对应关系以及目标维度下采样特征与分类影响权重之间的对应关系;其中,目标维度为点云数据的任一数据维度。
CT图像分类模型用于基于待提取CT图像中像素区域的点云数据进行图像分类,并输出待提取CT图像的分类结果。另外,CT图像分类模型在得到待提取CT图像的分类结果过程中可以产生以下两类对应关系,该两类对应关系为:像素区域与各个数据维度下采样特征之间的对应关系;各个数据维度下采样特征与分类影响权重之间的对应关系。
采样特征用于表征通过采样获得的特征;而且一个采样特征可以对应于至少两个像素区域。
目标维度下采样特征是指在目标维度下生成的采样特征。例如,当点云数据的数据维度包括X方向维度,Y方向维度、Z方向维度以及HU方向维度时,则目标维度下采样特征可以是X方向维度下的采样特征,Y方向维度下的采样特征、Z方向维度下的采样特征或HU方向维度下的采样特征。
像素区域与目标维度下采样特征之间的对应关系用于表征各个像素区域与目标维度下采样特征之间的对应关系;而且,目标维度下的一个采样特征可以对应于至少两个像素区域。例如,如图5所示,当待提取CT图像包括第1个像素区域至第N个像素区域,且目标维度下采样特征包括目标维度下第1个采样特征至目标维度下第N/2个采样特征时,则像素区域与目标维度下采样特征之间的对应关系具体可以为:目标维度下第1个采样特征对应于第2个像素区域和第3个像素区域,目标维度下第2个采样特征对应于第1个像素区域和第5个像素区域,目标维度下第3个采样特征对应于第4个像素区域和第N-1个像素区域,……,目标维度下第N/2个采样特征对应于第6个像素区域和第N个像素区域。
分类影响权重用于表征基于采样特征进行图像分类时该采样特征对待提取CT图像分类过程的影响程度;而且,本申请实施例不限定分类影响权重的获取方式,例如当CT图像分类模型的模型参数包括分类影响权重时,可以从训练好的CT图像分类模型的模型参数中直接获取分类影响权重即可。
目标维度下采样特征与分类影响权重之间的对应关系用于表征在目标维度下各个采样特征与分类影响权重之间的对应关系;而且目标维度下采样特征与分类影响权重之间是一一对应的(如图6所示)。
基于上述内容可知,本申请实施例中,当点云数据的数据维度包括X方向维度,Y方向维度、Z方向维度以及HU方向维度,待提取CT图像包括第1个像素区域至第N个像素区域时,则S1311具体可以为:在获取到第1个像素区域的点云数据至第N个像素区域的点云数据之后,可以将第1个像素区域的点云数据至第N个像素区域的点云数据输入到CT图像分类模型中,使得该CT图像分类模型能够基于各个像素区域的点云数据对待提取CT图像进行图像分类,以便获得该CT图像分类模型在得到待提取CT图像的分类结果过程中产生以下对应关系:①像素区域与X方向维度下采样特征之间的对应关系,以及X方向维度下采样特征与分类影响权重之间的对应关系;②像素区域与Y方向维度下采样特征之间的对应关系,以及Y方向维度下采样特征与分类影响权重之间的对应关系;③像素区域与Z方向维度下采样特征之间的对应关系,以及Z方向维度下采样特征与分类影响权重之间的对应关系;④像素区域与HU方向维度下采样特征之间的对应关系,以及HU方向维度下采样特征与分类影响权重之间的对应关系。
需要说明的是,X方向维度下采样特征与分类影响权重之间的对应关系、Y方向维度下采样特征与分类影响权重之间的对应关系、Z方向维度下采样特征与分类影响权重之间的对应关系以及HU方向维度下采样特征与分类影响权重之间的对应关系可以分别独立存储,也可以合并成一个采样特征与分类影响权重之间的对应关系(如图6所示)进行存储。
另外,本申请实施例还提供了一种CT图像分类模型的具体实施方式,技术详情请参见下文。
S1312:根据像素区域与目标维度下采样特征之间的对应关系以及目标维度下采样特征与分类影响权重之间的对应关系,确定该像素区域在目标维度下对应的分类影响权重。
本申请实施例中,在获取到像素区域与目标维度下采样特征之间的对应关系以及目标维度下采样特征与分类影响权重之间的对应关系之后,可以借助目标维度下采样特征这一桥梁,从像素区域与目标维度下采样特征之间的对应关系以及目标维度下采样特征与分类影响权重之间的对应关系中确定出该像素区域在目标维度下对应的分类影响权重。例如,当点云数据的数据维度包括X方向维度,Y方向维度、Z方向维度以及HU方向维度时,则S1312具体可以包括(1)至(4):
(1)利用像素区域与X方向维度下采样特征之间的对应关系,查询得到第i个像素区域对应的X方向维度下采样特征而且利用X方向维度下采样特征与分类影响权重之间的对应关系,查询得到X方向维度下采样特征/>对应的分类影响权重,并将该查询到的分类影响权重作为第i个像素区域在X方向维度下对应的分类影响权重。其中,i为正整数,且i≤N;N表示待提取CT图像中像素区域的总数。
(2)利用像素区域与Y方向维度下采样特征之间的对应关系,查询得到第i个像素区域对应的Y方向维度下采样特征而且利用Y方向维度下采样特征与分类影响权重之间的对应关系,查询得到Y方向维度下采样特征/>对应的分类影响权重,并将该查询到的分类影响权重作为第i个像素区域在Y方向维度下对应的分类影响权重。其中,i为正整数,且i≤N;N表示待提取CT图像中像素区域的总数。
(3)利用像素区域与Z方向维度下采样特征之间的对应关系,查询得到第i个像素区域对应的Z方向维度下采样特征而且利用Z方向维度下采样特征与分类影响权重之间的对应关系,查询得到Z方向维度下采样特征/>对应的分类影响权重,并将该查询到的分类影响权重作为第i个像素区域在Z方向维度下对应的分类影响权重。其中,i为正整数,且i≤N;N表示待提取CT图像中像素区域的总数。
(4)利用像素区域与HU方向维度下采样特征之间的对应关系,查询得到第i个像素区域对应的HU方向维度下采样特征而且利用HU方向维度下采样特征与分类影响权重之间的对应关系,查询得到HU方向维度下采样特征/>对应的分类影响权重,并将该查询到的分类影响权重作为第i个像素区域在HU方向维度下对应的分类影响权重。其中,i为正整数,且i≤N;N表示待提取CT图像中像素区域的总数。
S1313:将像素区域在目标维度下对应的分类影响权重,确定为像素区域在目标维度下的决策影响权重。
本申请实施例中,在获取到像素区域在目标维度下对应的分类影响权重之后,可以将像素区域在目标维度下对应的分类影响权重,直接确定为该像素区域在目标维度下的决策影响权重。例如,可以直接将第i个像素区域在X方向维度下对应的分类影响权重作为第i个像素区域在X方向维度下的决策影响权重,将第i个像素区域在Y方向维度下对应的分类影响权重作为第i个像素区域在Y方向维度下的决策影响权重,将第i个像素区域在Z方向维度下对应的分类影响权重作为第i个像素区域在Z方向维度下的决策影响权重,将第i个像素区域在HU方向维度下对应的分类影响权重作为第i个像素区域在HU方向维度下的决策影响权重。其中,i为正整数,且i≤N;N表示待提取CT图像中像素区域的总数。
基于上述S1311至S1313的内容可知,本申请实施例可以先借助CT图像分类模型获取像素区域与各个数据维度下采样特征之间的对应关系以及各个数据维度下采样特征与分类影响权重之间的对应关系,再借助采样特征这一桥梁,从这两类关系中查询得到各个像素区域在各个数据维度下对应的分类影响权重,以便将各个像素区域在各个数据维度下对应的分类影响权重,分别确定为像素区域在各个数据维度下的决策影响权重。其中,因CT图像分类模型能够基于像素区域的点云数据准确地确定出待提取CT图像的分类结果,使得CT图像分类模型中所使用的分类影响权重能够准确地表征出像素区域在各个数据维度方向上对待提取CT图像中目标区域提取过程的影响程度,从而使得基于分类影响权重确定出的像素区域在各个数据维度下的决策影响权重更准确,有利于提高CT图像中目标区域的提取准确性。
基于上述实施方式可知,因决策影响权重是基于CT图像分类模型的相关数据确定的,使得CT图像分类模型的优劣程度能够影响决策影响权重的准确程度。此时,为了能够确定出更准确的决策影响权重,本申请实施例还提供了一种CT图像分类模型的具体实施方式,下面依次介绍该CT分类模型的结构以及工作原理。
当点云数据的数据维度包括T个维度,T为正整数时,如图7所示,CT图像分类模型包括:T个维度区域分类层和图像分类层;而且每个维度区域分类层均与图像分类层连接。
第t个维度区域分类层,用于基于像素区域的点云数据,将像素区域按照第t个维度进行排序,得到该像素区域在第t个维度下的序号;基于该像素区域在第t个维度下的序号对像素区域的点云数据进行特征提取,得到像素区域在第t个维度下的提取特征;基于像素区域在第t个维度下的序号对该像素区域在第t个维度下的提取特征进行采样,得到该像素区域在第t个维度下对应的采样特征,以确定第t个维度下采样特征与采样特征序号之间的对应关系以及像素区域与第t个维度下采样特征之间的对应关系;将像素区域在第t个维度下对应的采样特征进行分类,得到像素区域在第t个维度下对应的采样特征分类结果;其中,t为正整数,且t≤T;所述采样特征与采样特征分类结果一一对应。
图像分类层,用于根据各个维度区域分类层输出的各个维度下采样特征与采样特征序号之间的对应关系以及分类影响权重与采样特征序号之间的对应关系,确定各个维度下采样特征与分类影响权重之间的对应关系;基于各个维度下采样特征与分类影响权重之间的对应关系,将T个维度区域分类层输出的像素区域在T个维度下对应的采样特征分类结果按照分类影响权重进行加权求和,得到待提取CT图像的分类结果;其中,图像分类层的层参数包括分类影响权重以及分类影响权重与采样特征序号之间的对应关系。
需要说明的是,本申请实施例不限定T,例如,当点云数据的数据维度包括:X方向维度,Y方向维度、Z方向维度以及HU方向维度时,T为4。
基于上述CT图像分类模型的结构可知,如图8所示,该CT图像分类模型对待提取CT图像进行图像分类的过程可以包括S81-S85:
S81:第1个维度区域分类层根据各个像素区域的点云数据,确定各个像素区域在第1个维度下对应的采样特征分类结果、第1个维度下采样特征与采样特征序号之间的对应关系以及像素区域与第1个维度下采样特征之间的对应关系。
本申请实施例中,第1个维度区域分类层可以利用图9所示的流程图执行S81,此时S81具体可以包括S811-S814:
S811:基于各个像素区域的点云数据,将各个像素区域按照第1个维度进行排序,得到各个像素区域在第1个维度下的序号。
第1个维度是指点云数据的第1个维度。例如,当点云数据的第1个维度为X方向维度时,则第1个维度为X方向维度。
在第1个维度下的序号用于表征各个像素区域按照第1个维度进行排序后各个像素区域所处的排序位置标识;而且,本申请实施例不限定在第1个维度下的序号的表示方式。作为示例,当矩阵是由按照第1个维度排序后的第1个像素区域的点云数据至第N个像素区域点云数据构成的矩阵,且/>的每行数据均表示一个像素区域的点云数据时,则在第1个维度下的序号可以利用下文中矩阵/>的行号表示(例如,若第1个像素区域的点云数据位于矩阵/>的第3行,则该第1个像素区域在第1个维度下的序号为3)。
基于上述内容,下面结合示例说明S811。
作为示例,当待提取CT图像包括第1个像素区域至第N个像素区域时,如公式(6)所示,S811具体可以为:第1个维度区域分类层基于第1个像素区域的点云数据至第N个像素区域的点云数据,将第1个像素区域至第N个像素区域按照第1个维度进行排序,得到第1个像素区域在第1个维度下的序号至第N个像素区域在第1个维度下的序号。
式中,A表示由第1个像素区域的点云数据至第N个像素区域的点云数据构成的原始矩阵,A中第i行表示第i个像素区域的点云数据,A为N×T矩阵,N表示待提取CT图像中像素区域的总数,T表示点云数据的数据维度数量;表示按照第1个维度排序(也就是,将A的行项按照第1个维度排序);/>表示由按照第1个维度排序后的第1个像素区域的点云数据至第N个像素区域点云数据构成的矩阵,/>中第i行表示在第1个维度下的序号为i的像素区域的点云数据,且/>为N×T矩阵。
需要说明的是,因中的每行数据均表示一个像素区域的点云数据,使得/>的行号就是该行号对应的像素区域在第1个维度下的序号。例如,第1个像素区域的点云数据位于矩阵/>的第3行,则该第1个像素区域在第1个维度下的序号为3。
还需要说明的是,本申请实施例不限定点云数据在第1维度下具有相同数值的多个像素区域之间的排序。例如,假设像素区域采用(X,Y,Z,HU)进行表示,而且第1个像素区域的点云数据为(20,2,3,0.5)、第2个像素区域的点云数据为(20,3,2,0.1)、第3个像素区域的点云数据为(2,1,2,0.4),而且第1个维度为X方向维度。基于该假设可知,因第1个像素区域的点云数据在第1维度下的数值为20,而且第2个像素区域的点云数据在第1维度下的数值也为20,则本申请实施例不限定第1个像素区域与第2个像素区域在第1维度下的排序。
S812:基于各个像素区域在第1个维度下的序号,对各个像素区域的点云数据进行特征提取,得到各个像素区域在第1个维度下的提取特征。
本申请实施例不限定特征提取的实施方式,例如,特征提取可以利用多层感知机模型进行实施。
作为示例,基于S811中的示例内容,如公式(7)所示,S812具体可以为:在将各个像素区域按照第1个维度进行排序后,可以基于各个像素区域在第1个维度下的序号,对各个像素区域的点云数据进行特征提取,得到各个像素区域在第1个维度下的提取特征。
式中,表示由第1个像素区域在第1个维度下的提取特征至第N个像素区域在第1个维度下的提取特征构成的矩阵,/>中的第i行表示在第1个维度下的序号为i的像素区域的提取特征,/>为N×L矩阵,N表示待提取CT图像中像素区域的总数,L表示提取特征的数据维度数量;Extract()表示特征提取过程;/>表示由按照第1个维度排序后的第1个像素区域的点云数据至第N个像素区域的点云数据构成的矩阵,/>中第i行表示在第1个维度下的序号为i的像素区域的点云数据,且/>为N×T矩阵,T表示点云数据的数据维度数量。
S813:基于各个像素区域在第1个维度下的提取特征进行采样,得到各个像素区域在第1个维度下对应的采样特征、第1个维度下采样特征与采样特征序号之间的对应关系、以及像素区域与第1个维度下采样特征之间的对应关系。
本申请实施例不限定采样的具体实施方式,例如,采样可以采用至少一次池化过程进行实施。另外,本申请实施例不限定采样程度,采样程度用于表征进行一次采样所使用的像素区域数据量。例如,当每2个像素区域进行一次采样,则该采样过程的采样程度为2。
基于此,作为示例,基于S812中的示例内容,本申请实施例可以利用公式(8)得到各个像素区域在第1个维度下对应的采样特征。
式中,表示由第1个维度下采样特征构成的矩阵,/>中的第i行表示第1个维度下的第i个采样特征,/>为/>矩阵,N表示待提取CT图像中像素区域的总数,ns表示采样程度,L表示提取特征的数据维度数量;sample()表示采样过程;/>表示由第1个像素区域在第1个维度下的提取特征至第N个像素区域在第1个维度下的提取特征构成的矩阵,/>中的第i行表示在第1个维度下的序号为i的像素区域的提取特征,/>为N×L矩阵。
采样特征序号是指根据被采样像素区域的排序序号确定的序号(如图10所示),使得该采样特征序号能够与采样特征一一对应,以便后续可以借助该采样特征序号作为桥梁建立采样特征与分类影响权重之间的对应关系。
第1个维度下采样特征与采样特征序号之间的对应关系用于表征第1个维度下各个采样特征与各个采样特征序号之间的一一对应关系。需要说明的是,如公式(8)所示,因中的第i行表示第1个维度下的第i个采样特征,使得/>携带了第1个维度下采样特征与采样特征序号之间的对应关系(例如,第1个维度下的第i个采样特征的采样特征序号是/>中的行号i)。
像素区域与第1个维度下采样特征之间的对应关系包括各个像素区域与第1个维度下采样特征之间的对应关系;而且,第1个维度下的每个采样特征均对应于至少两个像素区域。例如,当对第1个像素区域的提取特征和第2个像素区域的提取特征进行采样得到第1个维度下的第1个采样特征时,则第1个像素区域与第2个像素区域对应于第1个维度下的第1个采样特征。
需要说明的是,如公式(8)所示,因中的第i行数据是由/>中第(i-1)×ns+1行数据与第(i-1)×ns+ns行数据进行采样得到的,使得本申请实施例可以根据/>的行号以及的行号(也就是各个像素区域在第1个维度下的序号)来确定像素区域与第1个维度下采样特征之间的对应关系。/>
还需要说明的是,在S813中生成的“像素区域与第1个维度下采样特征之间的对应关系”是被用于执行上述S1311,不是被用于执行下文中的S814。
S814:将各个像素区域在第1个维度下对应的采样特征进行分类,得到像素区域在第1个维度下对应的采样特征分类结果。
采样特征分类结果用于表征采样特征对应的分类结果;而且,本申请实施例不限定采样特征分类过程的具体实施方式,例如,采样特征分类过程可以采用全连接层进行实施。
作为示例,基于S813中的示例内容可知,S814具体可以为:利用公式(9),将各个像素区域在第1个维度下对应的采样特征进行分类,得到像素区域在第1个维度下对应的采样特征分类结果。
式中,表示由第1维度下采样特征的分类结果构成的矩阵,/>中的第i行表示第1个维度下的第i个采样特征的分类结果,/>为/>矩阵,N表示待提取CT图像中像素区域的总数,ns表示采样程度;class()表示分类过程;/>表示由第1个维度下对应的采样特征构成的矩阵,/>中的第i行表示第1个维度下的第i个采样特征,/>为/>矩阵,N表示待提取CT图像中像素区域的总数,ns表示采样程度,L表示提取特征的数据维度数量。
基于上述S811至S814的内容可知,第1个维度区域分类层可以根据各个像素区域的点云数据,准确地确定出各个像素区域在第1个维度下对应的采样特征分类结果、第1个维度下采样特征与采样特征序号之间的对应关系以及像素区域与第1个维度下采样特征之间的对应关系。
S82:第2个维度区域分类层根据各个像素区域的点云数据,确定各个像素区域在第2个维度下对应的采样特征分类结果、第2个维度下采样特征与采样特征序号之间的对应关系以及像素区域与第2个维度下采样特征之间的对应关系。
需要说明的是,S82的内容与S81的内容相似,只需将S81中的“第1个维度”替换为“第2个维度”即可,为了简要起见,在此不再赘述。
……(按照S81和S82之间的规律,依次类推)
S83:第T个维度区域分类层根据各个像素区域的点云数据,确定各个像素区域在第T个维度下对应的采样特征分类结果、第T个维度下采样特征与采样特征序号之间的对应关系以及像素区域与第T个维度下采样特征之间的对应关系。
需要说明的是,S83的内容与S81的内容相似,只需将S81中的“第1个维度”替换为“第T个维度”即可,为了简要起见,在此不再赘述。
还需要说明的是,因在CT图像分类模型中第1个维度区域分类层至第T个维度区域分类层是并列的,使得S81至S83之间没有固定的执行顺序。
S84:图像分类层根据各个维度下采样特征与采样特征序号之间的对应关系以及分类影响权重与采样特征序号之间的对应关系,确定各个维度下采样特征与分类影响权重之间的对应关系。
分类影响权重是图像分类层的层参数,也就是说,分类影响权重是CT图像分类模型的模型参数,使得该分类影响权重可以随着CT图像分类模型的训练过程得到优化。
分类影响权重与采样特征序号之间的对应关系用于表征分类影响权重与采样特征序号之间一一对应的关系;而且,分类影响权重与采样特征序号之间的对应关系是固定的,不会随着CT图像分类模型输入的待提取CT图像的不同而发生变化。另外,分类影响权重与采样特征序号之间的对应关系也是图像分类层的层参数。也就是说,分类影响权重与采样特征序号之间的对应关系是CT图像分类模型的模型参数,使得该分类影响权重与采样特征序号之间的对应关系可以随着CT图像分类模型的训练过程得到优化。
本申请实施例中,因各个维度下采样特征与采样特征序号之间存在一一对应的关系,而且分类影响权重与采样特征序号之间也存在一一对应的关系,使得借助采样特征序号这个桥梁,可以准确地确定出各个维度下采样特征与分类影响权重之间的对应关系。
需要说明的是,各个维度下采样特征与分类影响权重之间的对应关系不仅可以用于执行下文中的S85,还可以用于执行上文中的S1311。
S85:图像分类层基于各个维度下采样特征与分类影响权重之间的对应关系,将像素区域在T个维度下对应的采样特征分类结果按照分类影响权重进行加权求和,得到待提取CT图像的分类结果。
作为示例,S85具体可以为:利用公式(10)得到待提取CT图像的分类结果。
式中,pc表示待提取CT图像的分类结果;表示由第i维度下采样特征的分类结果构成的矩阵,/>中的第i行表示第i个维度下的第i个采样特征的分类结果,/>为/>矩阵,N表示待提取CT图像中像素区域的总数,ns表示采样程度;i为正整数,且i≤T;T表示点云数据的数据维度数量;wj表示第j个分类影响权重,j为正整数,且/>
基于上述CT图像分类模型的模型结构以及工作原理可知,本申请实施例可以利用该CT图像分类模型对待提取CT图像进行图像分类,以便在获取到待提取CT图像的分类结果的同时还可以获取像素区域与各个维度下采样特征之间的对应关系以及各个维度下采样特征与分类影响权重之间的对应关系,以便后续可以基于这些对应关系确定像素区域在各个维度下的决策影响权重。
在本申请实施例一种可能的实施方式中,CT图像分类模型可以根据训练CT图像和所述训练CT图像的类别标签训练确定。基于此,本申请实施例还提供了一种CT图像分类模型的训练过程,其具体可以包括以下步骤:
第一步:获取训练CT图像和该训练CT图像的类别标签。
第二步:将训练CT图像按照像素点间的相似度进行区域划分,得到至少一个训练像素区域,并获取各个像素区域的点云数据。
第三步:将各个像素区域的点云数据输入待训练分类模型中,得到该待训练模型输出的训练CT图像的预测类别。
待训练模型用于根据由训练CT图像划分成的各个像素区域的点云数据预测训练CT图像的预测类别。需要说明的是,待训练模型的结构与CT图像分类模型的结构相同,在此不再赘述。
第四步:判断是否达到停止条件,若是,则执行第六步;若否,则执行第五步。
需要说明的是,本申请实施例不限定停止条件。
第五步:根据训练CT图像的类别标签和训练CT图像的预测类别,更新待训练分类模型,并继续执行第三步。
需要说明的是,因分类影响权重以及分类影响权重与采样特征序号之间的对应关系均属于模型参数,使得在待训练分类模型的更新过程中,也会更新分类影响权重以及分类影响权重与采样特征序号之间的对应关系,使得待训练分类模型能够基于更新后的分类影响权重以及更新后的分类影响权重与采样特征序号之间的对应关系预测出更准确的分类结果。
第六步:将待训练分类模型确定为CT图像分类模型。
基于上述六步的内容可知,本申请实施例可以利用训练CT图像和训练CT图像的类别标签训练得到CT图像分类模型。其中,因分类影响权重以及分类影响权重与采样特征序号之间的对应关系均属于模型参数,使得在待训练分类模型的更新过程中,也会更新分类影响权重以及分类影响权重与采样特征序号之间的对应关系,从而使得训练好的CT图像分类模型中使用的分类影响权重以及分类影响权重与采样特征序号之间的对应关系均能够更准确地表征出分类影响权重的相关内容,有利于提高CT图像中目标区域的提取准确性。
在本申请实施例一种可能的实施方式中,可以在确定待提取CT图像中存在目标区域之后,才需要从该待提取CT图像中进行目标区域的提取,反之则直接舍弃该待提取CT图像即可。基于此,本申请实施例还提供了CT图像中目标区域提取方法的一种实施方式,在该实施方式中,如图11所示,该CT图像中目标区域提取方法除了可以包括上述步骤以外,还包括S15:基于像素区域的点云数据对待提取CT图像进行图像分类,得到待提取CT图像的分类结果。此时S13具体可以为:在确定待提取CT图像的分类结果满足预设条件时,根据像素区域的点云数据,确定像素区域的提取影响权重。
其中,待提取CT图像的分类结果用于表征该待提取CT图像中是否存在目标区域的可能性大小。
另外,预设条件用于表征当待提取CT图像中存在目标区域时该待提取CT图像的分类结果所满足的条件。
本申请实施例不限定图像分类的具体实施方式,例如,可以采用上文提供的CT图像分类模型进行实施。此时,S15具体可以为:将像素区域的点云数据输入预先构建的CT图像分类模型,得到CT图像分类模型输出的所述待提取CT图像的分类结果。
基于上述内容可知,本申请实施例中,在获取到各个像素区域的点云数据之后,可以先基于各个像素区域的点云数据对待提取CT图像进行图像分类,以便根据待提取CT图像的分类结果确定是否对该待提取CT图像进行目标区域提取。其中,因待提取CT图像的分类结果能够准确地表征该待提取CT图像中是否存在目标区域,使得在基于该分类结果确定出该待提取CT图像中存在目标区域时,对针对该待提取CT图像执行目标区域相关步骤;然而,在基于该分类结果确定出该待提取CT图像中不存在目标区域时,无需对该待提取CT图像进行任何提取操作,直接舍弃即可。如此能够有效地避免对不包括目标区域的待提取CT图像进行目标区域提取过程,有利于提高目标区域的提取效率。
基于上述方法实施例提供的CT图像中目标区域提取方法,本申请实施例还提供了一种CT图像中目标区域提取装置,下面将结合附图对该CT图像中目标区域提取装置进行说明。
参见图12,该图为本申请实施例提供的一种CT图像中目标区域提取装置的结构示意图。如图12所示,该CT图像中目标区域提取装置包括:
像素区域划分单元1201,用于将待提取CT图像按照像素点间的相似度进行区域划分,得到至少一个像素区域;
点云数据获取单元1202,用于获取所述像素区域的点云数据;所述点云数据包括所述像素区域的三维位置坐标以及CT特征值;所述像素区域的三维位置坐标是根据所述像素区域内的像素点在所述待提取CT图像中的三维坐标确定的;所述像素区域的CT特征值是根据所述像素区域内的像素点的CT值确定的;
提取权重确定单元1203,用于根据所述像素区域的点云数据,确定所述像素区域的提取影响权重;
目标区域提取单元1204,用于基于所述像素区域的CT特征值与所述像素区域的提取影响权重的乘积,从所述待提取CT图像中提取目标区域。
在本申请实施例一种可能的实现方式中,所述提取权重确定单元1203,包括:
决策权重确定子单元,用于根据所述像素区域的点云数据,确定所述像素区域在所述点云数据的各个数据维度下的决策影响权重;
提取权重确定子单元,用于将所述像素区域在所述点云数据的全部数据维度下的决策影响权重的均值,确定为所述像素区域的提取影响权重。
在本申请实施例一种可能的实现方式中,所述决策权重确定子单元,包括:
对应关系获取子单元,用于将所述像素区域的点云数据输入预先构建的CT图像分类模型,获取所述CT图像分类模型在得到所述待提取CT图像的分类结果过程中产生的所述像素区域与目标维度下采样特征之间的对应关系以及所述目标维度下采样特征与分类影响权重之间的对应关系;其中,目标维度为所述点云数据的任一数据维度;
分类权重确定子单元,用于根据所述像素区域与目标维度下采样特征之间的对应关系以及所述目标维度下采样特征与分类影响权重之间的对应关系,确定所述像素区域在目标维度下对应的分类影响权重;
决策权重获取子单元,用于将所述像素区域在目标维度下对应的分类影响权重,确定为所述像素区域在目标维度下的决策影响权重。
在本申请实施例一种可能的实现方式中,所述装置还包括:
分类结果确定单元,用于基于所述像素区域的点云数据对所述待提取CT图像进行图像分类,得到所述待提取CT图像的分类结果;
所述提取权重确定单元1203,具体用于:在确定所述待提取CT图像的分类结果满足预设条件时,根据所述像素区域的点云数据,确定所述像素区域的提取影响权重。
在本申请实施例一种可能的实现方式中,所述分类结果确定单元,具体用于:将所述像素区域的点云数据输入预先构建的CT图像分类模型,得到所述CT图像分类模型输出的所述待提取CT图像的分类结果。
在本申请实施例一种可能的实现方式中,所述点云数据的数据维度包括T个维度,T为正整数;
所述CT图像分类模型包括:T个维度区域分类层和图像分类层;
第t个维度区域分类层,用于基于所述像素区域的点云数据,将所述像素区域按照第t个维度进行排序,得到所述像素区域在第t个维度下的序号;基于所述像素区域在第t个维度下的序号对所述像素区域的点云数据进行特征提取,得到所述像素区域在第t个维度下的提取特征;基于所述像素区域在第t个维度下的序号对所述像素区域在第t个维度下的提取特征进行采样,得到所述像素区域在第t个维度下对应的采样特征,以确定第t个维度下采样特征与采样特征序号之间的对应关系以及所述像素区域与第t个维度下采样特征之间的对应关系;将所述像素区域在第t个维度下对应的采样特征进行分类,得到所述像素区域在第t个维度下对应的采样特征分类结果;其中,t为正整数,且t≤T;所述采样特征与所述采样特征分类结果一一对应;
图像分类层,用于根据所述各个维度区域分类层输出的各个维度下采样特征与采样特征序号之间的对应关系以及分类影响权重与采样特征序号之间的对应关系,确定各个维度下采样特征与分类影响权重之间的对应关系;基于所述各个维度下采样特征与分类影响权重之间的对应关系,将T个维度区域分类层输出的所述像素区域在T个维度下对应的采样特征分类结果按照所述分类影响权重进行加权求和,得到所述待提取CT图像的分类结果;其中,所述图像分类层的层参数包括所述分类影响权重以及所述分类影响权重与采样特征序号之间的对应关系。
在本申请实施例一种可能的实现方式中,所述CT图像分类模型是根据训练CT图像和所述训练CT图像的类别标签训练确定的。
需要说明的是,上述提供的CT图像中目标区域提取装置的技术详情请参见上述方法实施例。
另外,本申请实施例还提供了一种CT图像中目标区域提取设备,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述实施例所述的CT图像中目标区域提取方法的任一实施方式。
另外,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如上述实施例所述的CT图像中目标区域提取方法的任一实施方式。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***或装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述影响对象的影响关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后影响对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种CT图像中目标区域提取方法,其特征在于,包括:
将待提取CT图像按照像素点间的相似度进行区域划分,得到至少一个像素区域;
获取所述像素区域的点云数据;所述点云数据包括所述像素区域的三维位置坐标以及CT特征值;所述像素区域的三维位置坐标是根据所述像素区域内的像素点在所述待提取CT图像中的三维坐标确定的;所述像素区域的CT特征值是根据所述像素区域内的像素点的CT值确定的;
根据所述像素区域的点云数据,确定所述像素区域的提取影响权重;
基于所述像素区域的CT特征值与所述像素区域的提取影响权重的乘积,从所述待提取CT图像中提取目标区域;
所述方法还包括:
将所述像素区域的点云数据输入预先构建的CT图像分类模型,得到所述CT图像分类模型输出的所述待提取CT图像的分类结果;
所述根据所述像素区域的点云数据,确定所述像素区域的提取影响权重,包括:
在确定所述待提取CT图像的分类结果满足预设条件时,根据所述像素区域的点云数据,确定所述像素区域的提取影响权重;
所述点云数据的数据维度包括T个维度,T为正整数;所述CT图像分类模型包括:T个维度区域分类层和图像分类层;
第t个维度区域分类层,用于基于所述像素区域的点云数据,将所述像素区域按照第t个维度进行排序,得到所述像素区域在第t个维度下的序号;基于所述像素区域在第t个维度下的序号对所述像素区域的点云数据进行特征提取,得到所述像素区域在第t个维度下的提取特征;基于所述像素区域在第t个维度下的序号对所述像素区域在第t个维度下的提取特征进行采样,得到所述像素区域在第t个维度下对应的采样特征,以确定第t个维度下采样特征与采样特征序号之间的对应关系以及所述像素区域与第t个维度下采样特征之间的对应关系;将所述像素区域在第t个维度下对应的采样特征进行分类,得到所述像素区域在第t个维度下对应的采样特征分类结果;其中,t为正整数,且t≤T;所述采样特征与所述采样特征分类结果一一对应;
图像分类层,用于根据所述各个维度区域分类层输出的各个维度下采样特征与采样特征序号之间的对应关系以及分类影响权重与采样特征序号之间的对应关系,确定各个维度下采样特征与分类影响权重之间的对应关系;基于所述各个维度下采样特征与分类影响权重之间的对应关系,将T个维度区域分类层输出的所述像素区域在T个维度下对应的采样特征分类结果按照所述分类影响权重进行加权求和,得到所述待提取CT图像的分类结果;其中,所述图像分类层的层参数包括所述分类影响权重以及所述分类影响权重与采样特征序号之间的对应关系。
2.根据权利要求1所述的方法,其特征在于,所述根据所述像素区域的点云数据,确定所述像素区域的提取影响权重,包括:
根据所述像素区域的点云数据,确定所述像素区域在所述点云数据的各个数据维度下的决策影响权重;
将所述像素区域在所述点云数据的全部数据维度下的决策影响权重的均值,确定为所述像素区域的提取影响权重。
3.根据权利要求2所述的方法,其特征在于,所述根据所述像素区域的点云数据,确定所述像素区域在所述点云数据的各个数据维度下的决策影响权重,包括:
将所述像素区域的点云数据输入预先构建的CT图像分类模型,获取所述CT图像分类模型在得到所述待提取CT图像的分类结果过程中产生的所述像素区域与目标维度下采样特征之间的对应关系以及所述目标维度下采样特征与分类影响权重之间的对应关系;其中,目标维度为所述点云数据的任一数据维度;
根据所述像素区域与目标维度下采样特征之间的对应关系以及所述目标维度下采样特征与分类影响权重之间的对应关系,确定所述像素区域在目标维度下对应的分类影响权重;
将所述像素区域在目标维度下对应的分类影响权重,确定为所述像素区域在目标维度下的决策影响权重。
4.根据权利要求1所述的方法,其特征在于,所述CT图像分类模型是根据训练CT图像和所述训练CT图像的类别标签训练确定的。
5.一种CT图像中目标区域提取装置,其特征在于,包括:
像素区域划分单元,用于将待提取CT图像按照像素点间的相似度进行区域划分,得到至少一个像素区域;
点云数据获取单元,用于获取所述像素区域的点云数据;所述点云数据包括所述像素区域的三维位置坐标以及CT特征值;所述像素区域的三维位置坐标是根据所述像素区域内的像素点在所述待提取CT图像中的三维坐标确定的;所述像素区域的CT特征值是根据所述像素区域内的像素点的CT值确定的;
提取权重确定单元,用于根据所述像素区域的点云数据,确定所述像素区域的提取影响权重;
目标区域提取单元,用于基于所述像素区域的CT特征值与所述像素区域的提取影响权重的乘积,从所述待提取CT图像中提取目标区域;
所述装置还包括:
分类结果确定单元,用于将所述像素区域的点云数据输入预先构建的CT图像分类模型,得到所述CT图像分类模型输出的所述待提取CT图像的分类结果;
所述提取权重确定单元,具体用于:在确定所述待提取CT图像的分类结果满足预设条件时,根据所述像素区域的点云数据,确定所述像素区域的提取影响权重;
所述点云数据的数据维度包括T个维度,T为正整数;
所述CT图像分类模型包括:T个维度区域分类层和图像分类层;
第t个维度区域分类层,用于基于所述像素区域的点云数据,将所述像素区域按照第t个维度进行排序,得到所述像素区域在第t个维度下的序号;基于所述像素区域在第t个维度下的序号对所述像素区域的点云数据进行特征提取,得到所述像素区域在第t个维度下的提取特征;基于所述像素区域在第t个维度下的序号对所述像素区域在第t个维度下的提取特征进行采样,得到所述像素区域在第t个维度下对应的采样特征,以确定第t个维度下采样特征与采样特征序号之间的对应关系以及所述像素区域与第t个维度下采样特征之间的对应关系;将所述像素区域在第t个维度下对应的采样特征进行分类,得到所述像素区域在第t个维度下对应的采样特征分类结果;其中,t为正整数,且t≤T;所述采样特征与所述采样特征分类结果一一对应;
图像分类层,用于根据所述各个维度区域分类层输出的各个维度下采样特征与采样特征序号之间的对应关系以及分类影响权重与采样特征序号之间的对应关系,确定各个维度下采样特征与分类影响权重之间的对应关系;基于所述各个维度下采样特征与分类影响权重之间的对应关系,将T个维度区域分类层输出的所述像素区域在T个维度下对应的采样特征分类结果按照所述分类影响权重进行加权求和,得到所述待提取CT图像的分类结果;其中,所述图像分类层的层参数包括所述分类影响权重以及所述分类影响权重与采样特征序号之间的对应关系。
6.一种CT图像中目标区域提取设备,其特征在于,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-4任一项所述的CT图像中目标区域提取方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如权利要求1-4任一项所述的CT图像中目标区域提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911357010.XA CN111127485B (zh) | 2019-12-25 | 2019-12-25 | 一种ct图像中目标区域提取方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911357010.XA CN111127485B (zh) | 2019-12-25 | 2019-12-25 | 一种ct图像中目标区域提取方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127485A CN111127485A (zh) | 2020-05-08 |
CN111127485B true CN111127485B (zh) | 2023-07-14 |
Family
ID=70503800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911357010.XA Active CN111127485B (zh) | 2019-12-25 | 2019-12-25 | 一种ct图像中目标区域提取方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127485B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200780B (zh) * | 2020-09-29 | 2023-09-29 | 上海联影医疗科技股份有限公司 | 骨组织定位方法、装置、计算机设备和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784192A (zh) * | 2018-12-20 | 2019-05-21 | 西安电子科技大学 | 基于超像素特征提取神经网络算法的高光谱影像分类方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4905931B2 (ja) * | 2006-07-04 | 2012-03-28 | 富士フイルム株式会社 | 人体領域抽出方法および装置並びにプログラム |
US8315449B2 (en) * | 2008-06-24 | 2012-11-20 | Medrad, Inc. | Identification of regions of interest and extraction of time value curves in imaging procedures |
US8903182B1 (en) * | 2012-03-08 | 2014-12-02 | Google Inc. | Image classification |
CN108681994B (zh) * | 2018-05-11 | 2023-01-10 | 京东方科技集团股份有限公司 | 一种图像处理方法、装置、电子设备及可读存储介质 |
CN110309879A (zh) * | 2019-07-01 | 2019-10-08 | 天津工业大学 | 一种红枣外观品质分类方法、装置、设备及存储介质 |
-
2019
- 2019-12-25 CN CN201911357010.XA patent/CN111127485B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784192A (zh) * | 2018-12-20 | 2019-05-21 | 西安电子科技大学 | 基于超像素特征提取神经网络算法的高光谱影像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111127485A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
CN109726746B (zh) | 一种模板匹配的方法及装置 | |
CN113360701B (zh) | 一种基于知识蒸馏的素描图处理方法及其*** | |
Fan et al. | A novel automatic dam crack detection algorithm based on local-global clustering | |
CN108629373B (zh) | 一种图像分类方法、***、设备及计算机可读存储介质 | |
CN112819110B (zh) | 基于权重生成的增量式小样本目标检测方法及*** | |
CN106778814B (zh) | 一种基于投影谱聚类算法的去除sar图像斑点的方法 | |
CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
CN110879982A (zh) | 一种人群计数***及方法 | |
CN108664986B (zh) | 基于lp范数正则化的多任务学习图像分类方法及*** | |
CN114169381A (zh) | 图像标注方法、装置、终端设备及存储介质 | |
CN111091147B (zh) | 一种图像分类方法、装置及设备 | |
CN111639697B (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
WO2015146113A1 (ja) | 識別辞書学習システム、識別辞書学習方法および記録媒体 | |
CN111179270A (zh) | 基于注意力机制的图像共分割方法和装置 | |
CN111882554A (zh) | 一种基于SK-YOLOv3的电力线故障智能检测方法 | |
CN115082781A (zh) | 一种舰船图像检测方法、装置以及存储介质 | |
CN111127485B (zh) | 一种ct图像中目标区域提取方法、装置及设备 | |
US11829442B2 (en) | Methods and systems for efficient batch active learning of a deep neural network | |
CN108960005B (zh) | 一种智能视觉物联网中对象视觉标签的建立及显示方法、*** | |
CN106682604B (zh) | 一种基于深度学习的模糊图像检测方法 | |
CN105844299B (zh) | 一种基于词袋模型的图像分类方法 | |
EP4227855A1 (en) | Graph explainable artificial intelligence correlation | |
CN112084941A (zh) | 一种基于遥感图像的目标检测与识别方法 | |
CN116740652A (zh) | 一种基于神经网络模型的锈斑面积扩大的监测方法与*** |
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 |