CN111402260A - 一种基于深度学习的医学影像分割方法、***、终端及存储介质 - Google Patents
一种基于深度学习的医学影像分割方法、***、终端及存储介质 Download PDFInfo
- Publication number
- CN111402260A CN111402260A CN202010095376.0A CN202010095376A CN111402260A CN 111402260 A CN111402260 A CN 111402260A CN 202010095376 A CN202010095376 A CN 202010095376A CN 111402260 A CN111402260 A CN 111402260A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- data
- network model
- deep learning
- labeling
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003709 image segmentation Methods 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 200
- 238000012549 training Methods 0.000 claims abstract description 87
- 238000002372 labelling Methods 0.000 claims abstract description 71
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 25
- 201000010099 disease Diseases 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims description 17
- 238000003745 diagnosis Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 9
- 238000009795 derivation Methods 0.000 claims description 8
- 238000000586 desensitisation Methods 0.000 claims description 8
- 230000003902 lesion Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000007170 pathology Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 208000002151 Pleural effusion Diseases 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 9
- 201000003144 pneumothorax Diseases 0.000 description 13
- 206010063045 Effusion Diseases 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- 206010051986 Pneumatosis Diseases 0.000 description 1
- 206010035761 Pneumothorax and pleural effusions Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供一种基于深度学习的医学影像分割方法、***、终端及存储介质，包括：采集医学影像数据并进行预处理；根据专家对待标注数据的标注结果，确定标准标注数据；将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型；将测试样本数据的各2D层面数据输入训练好的分割网络模型，预测2D层面分割结果；将多个2D层面上预测的分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果；根据所述3D分割结果计算出实际的病症体积；本申请利用深度学习技术，精确地分割出CT中每层图像上两种病症的轮廓，并通过累加各层面上的面积，得到最终病灶的精确体积，提高了胸腔积液和气胸体积测量的准确性和可靠性。
Description
技术领域
本申请涉及医学影像和计算机辅助技术领域，尤其是涉及一种基于深度学习的医学影像分割方法、***、终端及存储介质。
背景技术
深度学习在医学影像学领域的应用是目前的研究热点，在临床与科研中得到越来越广泛的重视。传统的影像诊断是由临床医生依据经验做出主观判断，因此耗时长且主观性强，结果也可能存在差异，已成为制约现代医学影像学发展的瓶颈。随着医疗技术和计算机技术的发展，更多的医生利用计算机辅助技术来对病灶进行分析和处理，例如使用深度学习快速地得到病灶的大小，密度等，帮助医生更容易地获得病灶及其感兴趣的区域，得到更为直接、更准确和清晰的病症信息，大大地提高了诊断的准确性和可靠性，降低医疗争端的发生。
胸腔积液和气胸是临床上常见的征象，这两种病症的量的计算也是临床实践中常常需要解决的问题，直接关系到治疗方案的确定，并有助于胸腔积液治疗后的疗效判定。而胸腔积液和气胸量的计算通常需要依赖影像学方法，经常被采用的影像学手段是普通X线及CT检查。X线检查对积液和气胸的量的计算较为粗糙，少量的积液或者气胸很容易漏诊。而医生在CT上能够判断一些少量的积液以及气胸，但由于缺少量化的指标，只能粗略地判断为少量、中量或大量。
在过去的十几年中，人们使用传统的计算机视觉算法和模式分类算法进行对胸腔积液和气胸的分割。这类方法依据的是目标颜色和背景的差异，或者目标强烈的边缘响应等。但这些基于人工设计特征或者阈值的方法通常不具备很强的普适性。对于不同的设备，管电流管电压，使用不同的扫描剂量，以及使用不同的窗宽窗位都会对分割的结果造成巨大的影像。而且，基于传统的测量方式是在CPU上进行计算的，反应速度比基于GPU的深度学习技术慢许多倍。而基于深度学习的分割方法虽然已经被提出，但在积液和气胸上，暂时还没有被使用。
因此，目前亟需一种基于深度学习的医学影像分割方法，以实现胸腔积液和气胸体积快速准确测量。
发明内容
针对现有技术的上述不足，本申请提供一种基于深度学习的医学影像分割方法、***、终端及存储介质，通过对2D层面图像的每一个像素点进行类别的判定，然后将相邻像素相同类别的点进行合并，并通过累加的方式将多层的病灶区域相加，得到该病灶的积液体积或者气胸体积信息。
第一方面，为解决上述技术问题，本申请提供一种基于深度学习的医学影像分割方法，包括：
采集医学影像数据并进行预处理；
根据专家对待标注数据的标注结果，确定标准标注数据；
将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型；
将测试样本数据的各2D层面数据输入训练好的分割网络模型，预测2D层面分割结果；
将多个2D层面上预测的分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果；
根据所述3D分割结果计算出实际的病症体积；
其中，所述标准标注数据分为训练样本数据和测试样本数据。
可选的，所述采集医学影像数据并进行预处理，包括：
对CT图像数据进行标准化采集；
将所述CT图像数据进行数据脱敏处理；
其中，所述CT图像数据包括基本病情、病程、符合国际标准的诊断报告、病理、影像数据及实验室检测数据。
可选的，所述根据专家对待标注数据的标注结果，确定标准标注数据，包括：
获取预设数目的专家对同一待标注数据的标注结果；
将所述标注结果进行对比，判断标注结果是否有异议；
若无异议，则将标注结果录入数据库；
若有异议，则由其他专家判断标注结果是否录入数据库。
可选的，所述将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型，包括：
获取标准标注数据连续的上下三个层面合并作为分割网络模型的三个通道的输入，对分割网络模型进行训练。
可选的，所述将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型，包括：
将训练样本数据输入至特征金字塔网络为主干网络的目标检测/分割模型进行训练，得到训练好的分割网络模型。
可选的，所述将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型，包括：
将训练样本数据放缩成不同大小输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型。
可选的，所述将多个2D层面上预测的分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果，包括：
将多个2D层面上预测的分割结果进行平滑处理，合并成一个完整的3D分割结果。
可选的，所述根据所述3D分割结果计算出实际的病症体积，包括：
根据3D分割结果，通过计算拍摄设备时设置的参数进行反向推导，根据CT检查数据在像素之间和物理距离之间的比例，以及层与层之间的间距计算出实际的病症体积。
可选的，所述方法具体包括：
对CT图像数据进行标准化采集；
将所述CT图像数据进行数据脱敏处理；
获取预设数目的专家对同一待标注数据的标注结果；
将所述标注结果进行对比，判断标注结果是否有异议；
若无异议，则将标注结果录入数据库；
若有异议，则由其他专家判断标注结果是否录入数据库；
获取标准标注数据连续的上下三个层面合并作为分割网络模型的三个通道的输入，将标准标注数据中的训练样本数据输入至特征金字塔网络为主干网络的目标检测/分割模型进行训练，将训练样本数据放缩成不同大小输入至特征金字塔网络为主干网络的目标检测/分割模型进行训练，得到训练好的分割网络模型；
将测试样本数据的各2D层面数据输入训练好的分割网络模型，预测2D层面分割结果；
将多个2D层面上预测的分割结果进行平滑处理，按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果；
根据3D分割结果，通过计算拍摄设备时设置的参数进行反向推导，根据CT检查数据在像素之间和物理距离之间的比例，以及层与层之间的间距计算出实际的病症体积；
其中，所述标准标注数据分为训练样本数据和测试样本数据。
第二方面，本发明还提供一种基于深度学习的医学影像分割***，包括：
数据采集单元，配置用于采集医学影像数据并进行预处理；
数据标注单元，配置用于根据专家对待标注数据的标注结果，确定标准标注数据；
模型训练单元，配置用于将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型；
模型预测单元，配置用于将测试样本数据的各2D层面数据输入训练好的分割网络模型，预测2D层面分割结果；
层面合并单元，配置用于将多个2D层面上预测的分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果；
体积计算单元，配置用于根据所述3D分割结果计算出实际的病症体积。
可选的，所述数据采集单元具体用于：
对CT图像数据进行标准化采集；
将所述CT图像数据进行数据脱敏处理；
其中，所述CT图像数据包括基本病情、病程、符合国际标准的诊断报告、病理、影像数据及实验室检测数据。
可选的，所述数据标注单元具体用于：
获取预设数目的专家对同一待标注数据的标注结果；
将所述标注结果进行对比，判断标注结果是否有异议；
若无异议，则将标注结果录入数据库；
若有异议，则由其他专家判断标注结果是否录入数据库。
可选的，所述模型训练单元具体用于：
获取标准标注数据连续的上下三个层面合并作为分割网络模型的三个通道的输入，对分割网络模型进行训练。
可选的，所述模型训练单元具体用于：
将训练样本数据输入至特征金字塔网络为主干网络的目标检测/分割模型进行训练，得到训练好的分割网络模型。
可选的，所述模型训练单元具体用于：
将训练样本数据放缩成不同大小输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型。
可选的，所述层面合并单元具体用于：
将多个2D层面上预测的分割结果进行平滑处理，合并成一个完整的3D分割结果。
可选的，所述体积计算单元具体用于：
根据3D分割结果，通过计算拍摄设备时设置的参数进行反向推导，根据CT检查数据在像素之间和物理距离之间的比例，以及层与层之间的间距计算出实际的病症体积。
第三方面，提供一种终端，包括：
处理器、存储器，其中，
该存储器用于存储计算机程序，
该处理器用于从存储器中调用并运行该计算机程序，使得终端执行上述的终端的方法。
第四方面，提供了一种计算机存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
与现有技术相比，本申请具有如下有益效果：
本申请首次提出将深度学***滑处理合并成3D分割结果，精确地分割出CT中图像上两种病症的轮廓，并根据扫描设备的预设参数得到最终病灶的精确体积，降低了医生主观因素带来的影响，从而提高了确诊率，提高了胸腔积液和气胸体积测量的准确性和可靠性及测量效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1是本申请实施例所提供的一种基于深度学习的医学影像分割的示意性流程图。
图2是本申请实施例所提供的一种专家对待标注数据进行标注的流程图。
图3是本申请实施例所提供的一种基于深度学习的医学影像分割***的示意性框图。
图4为本申请实施例所提供的一种基于深度学习的医学影像分割终端的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参考图1，图1为本申请实施例所提供的一种基于深度学习的医学影像分割的流程图，该方法包括：
S101：采集医学影像数据并进行预处理；
S102：根据专家对待标注数据的标注结果，确定标准标注数据；
S103：将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型；
S104：将测试样本数据的各2D层面数据输入训练好的分割网络模型，预测2D层面分割结果；
S105：将多个2D层面上预测的分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果；
S106：根据所述3D分割结果计算出实际的病症体积；
其中，所述标准标注数据分为训练样本数据和测试样本数据。
基于上述实施例，作为优选的实施例，S101采集医学影像数据并进行预处理，包括：
对CT图像数据进行标准化采集；
将所述CT图像数据进行数据脱敏处理；
其中，所述检查数据包括基本病情、病程、符合国际标准的诊断报告、病理、影像数据及实验室检测数据。
需要说明的是，理想情况下，数据应包含以下信息：基本病情、病程、符合国际标准的诊断报告、病理、影像数据及实验室检测数据。数据采集应参考当地的流行病学和统计学要求，且针对成像技术的图像数据应进行标准化采集，数据应符合DICOM标准，一级DICOM标签信息需要完整，体素类图像需保持连续完整，图像拍摄以及扫描数据需符合临床规范。
此外，需要对采集到的数据进行脱敏，对于一些患者较为敏感的信息，应进行删除，即满足国家和医疗卫生行业主管部门对医疗卫生领域的用户隐私数据保护的相关要求、规定和标准。
基于上述实施例，作为优选的实施例，S102根据专家对待标注数据的标注结果，确定标准标注数据，包括：
获取预设数目的专家对同一待标注数据的标注结果；
将所述标注结果进行对比，判断标注结果是否有异议；
若无异议，则将标注结果录入数据库；
若有异议，则由其他专家判断标注结果是否录入数据库。
具体的，如图2所示，图2为本申请实施例所提供的一种专家对待标注数据进行标注的流程图。获取待标注的CT图像数据，专家团队对同一套数据进行标注，即专家在某个观察截面上如轴位、冠状位或矢状位，将目标征象(气胸、胸腔积液)的边界描绘出来作为标注标准。此外，还需要对标注结果进行质量检查，即将多位专家的标注结果进行对比，对于无异议标注结果的数据录入数据库，而对于有异议标注结果的数据，需要另外一个仲裁专家或更高年资的专家进行判断是否作为标准标注数据。
基于上述实施例，作为优选的实施例，S103将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型，包括：
获取标准标注数据连续的上下三个层面合并作为分割网络模型的三个通道的输入，对分割网络模型进行训练。
需要说明的是，获取标准标注数据连续的上下三个层面，将3层作为分割网络模型的输入，形成一个伪3D结构(2.5D)，分割网络模型的输出是只有一个层面的2D图像，因此，输入的其他两层是起辅助作用。连续的上下各三个层面合并作为模型的三个通道的输入，不仅可以使用预训练的网络参数，还同时考虑多个层面CT图像之间的相互关联性，对于连续的三层输入图像，网络学习的目标是中间层的标注信息。
基于上述实施例，作为优选的实施例，S103将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型，包括：
将训练样本数据输入至特征金字塔网络(ResNet50+FPN)为主干网络的目标检测/分割模型进行训练，得到训练好的分割网络模型。
需要说明的是，由于胸腔积液和气胸在胸部CT上出现的尺度差异较大，因此很多网络并不能很好地对所有的大小有着很好的分割效果。因此，FPN对于得到的若干层不同尺度的特征，使用金字塔结构的方式将不同尺度的特征进行合并，该结构能够能好地找出较小的征象以提升模型的效果。
基于上述实施例，作为优选的实施例，S103将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型，包括：
将训练样本数据放缩成不同大小输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型。
具体的，使用不同的尺度进行输入，将标准标注数据的原图放缩成(600，600)、(800，800)、(1200，1200)等不同大小2D层面图形输入分割网络模型，来提升分割网络模型对不同大小胸腔积液和气胸的分割效果。此处，标准标注数据的原图为伪3d图，3张600*600或800*800，1200*1200的2.5D数据。
基于上述实施例，作为优选的实施例，S105将多个2D层面上预测的分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果，包括：
将多个2D层面上预测的分割结果进行平滑处理，合并成一个完整的3D分割结果。
具体的，通过分割网络模型对2D层面图像的每一个像素点进行病灶类别的判定，然后将相邻像素相同病灶类别的点进行合并，并通过累加的方式将多层的病灶区域相加，得到3D分割结果即该病灶的积液体积或者气胸体积信息。
需要说明的是，现有的CT分割方案都是直接以3D感兴趣patch作为输入，建模直接分割得到3D mask。和现有的3D目标分割不同，本申请不需要事先提供3D ROI区域，即分割单元的输入不是3D patch。本申请是直接在CT图像的每一个层面上(2D slice)预测出来分割结果。为方便展示，将不同2D层面上预测出来的分割结果按照是否属于同一个病灶区域或者可以说按照相关程度合并成3D区域。对于每一个层面得到的各个2D分割结果，本文考虑到各个层之间的类别联系，根据3D连通性，对多个层面上的2D分割结果进行平滑处理合并成一个完整的3D分割结果，能够得到更好的基于病灶级别的分割结果。
基于上述实施例，作为优选的实施例，S106根据所述3D分割结果计算出实际的病症体积，包括：
根据3D分割结果，通过计算拍摄设备时设置的参数进行反向推导，根据CT检查数据在像素之间和物理距离之间的比例，以及层与层之间的间距计算出实际的病症体积。
具体的，所述基于深度学习的医学影像分割方法具体包括如下步骤：
对CT图像数据进行标准化采集；
将所述CT图像数据进行数据脱敏处理；
获取预设数目的专家对同一待标注数据的标注结果；
将所述标注结果进行对比，判断标注结果是否有异议；
若无异议，则将标注结果录入数据库；
若有异议，则由其他专家判断标注结果是否录入数据库；
获取标准标注数据连续的上下三个层面合并作为分割网络模型的三个通道的输入，将标准标注数据中的训练样本数据输入至特征金字塔网络为主干网络的目标检测/分割模型进行训练，将训练样本数据放缩成不同大小输入至特征金字塔网络为主干网络的目标检测/分割模型进行训练，得到训练好的分割网络模型；
将测试样本数据的各2D层面数据输入训练好的分割网络模型，预测2D层面分割结果；
将多个2D层面上预测的分割结果进行平滑处理，按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果；
根据3D分割结果，通过计算拍摄设备时设置的参数进行反向推导，根据CT检查数据在像素之间和物理距离之间的比例，以及层与层之间的间距计算出实际的病症体积；
其中，所述标准标注数据分为训练样本数据和测试样本数据。
此外，上述方法还用于CT以外的MRI、TOMO等3D医学图像检测分割。
请参考图3，图3为本申请实施例所提供的一种基于深度学习的医学影像分割***的结构示意图，该***300，包括：
数据采集单元301，配置用于采集医学影像数据并进行预处理；
数据标注单元302，配置用于根据专家对待标注数据的标注结果，确定标准标注数据；
模型训练单元303，配置用于将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型；
模型预测单元304，配置用于将测试样本数据的各2D层面数据输入训练好的分割网络模型，预测2D层面分割结果；
层面合并单元305，配置用于将多个2D层面上预测的分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果；
体积计算单元306，配置用于根据所述3D分割结果计算出实际的病症体积。
基于上述实施例，作为优选的实施例，所述数据采集单元301具体用于：
对CT图像数据进行标准化采集；
将所述CT图像数据进行数据脱敏处理；
其中，所述CT图像数据包括基本病情、病程、符合国际标准的诊断报告、病理、影像数据及实验室检测数据。
基于上述实施例，作为优选的实施例，所述数据标注单元302具体用于：
获取预设数目的专家对同一待标注数据的标注结果；
将所述标注结果进行对比，判断标注结果是否有异议；
若无异议，则将标注结果录入数据库；
若有异议，则由其他专家判断标注结果是否录入数据库。
基于上述实施例，作为优选的实施例，所述模型训练单元303具体用于：
获取标准标注数据连续的上下三个层面合并作为分割网络模型的三个通道的输入，对分割网络模型进行训练。
基于上述实施例，作为优选的实施例，所述模型训练单元303具体用于：
将训练样本数据输入至特征金字塔网络为主干网络的目标检测/分割模型进行训练，得到训练好的分割网络模型。
基于上述实施例，作为优选的实施例，所述模型训练单元303具体用于：
将训练样本数据放缩成不同大小输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型。
基于上述实施例，作为优选的实施例，所述层面合并单元305具体用于：
将多个2D层面上预测的分割结果进行平滑处理，合并成一个完整的3D分割结果。
基于上述实施例，作为优选的实施例，所述体积计算单元306具体用于：
根据3D分割结果，通过计算拍摄设备时设置的参数进行反向推导，根据CT检查数据在像素之间和物理距离之间的比例，以及层与层之间的间距计算出实际的病症体积。
图4为本发明实施例提供的一种终端***400的结构示意图，该终端***400可以用于执行本发明实施例提供的基于深度学习的医学影像分割。
其中，该终端***400可以包括：处理器410、存储器420及通信单元430。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中，该存储器420可以用于存储处理器410的执行指令，存储器420可以由任何类型的易失性或非易失性存储终端或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。当存储器420中的执行指令由处理器410执行时，使得终端400能够执行以下上述方法实施例中的部分或全部步骤。
处理器410为存储终端的控制中心，利用各种接口和线路连接整个电子终端的各个部分，通过运行或执行存储在存储器420内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit，简称IC)组成，例如可以由单颗封装的IC所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器410可以仅包括中央处理器(Central Processing Unit，简称CPU)。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。
通信单元430，用于建立通信信道，从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：ROM)或随机存储记忆体(英文：random access memory，简称：RAM)等。
因此，本申请利用深度学***滑分割结果并合并成3D分割结果，精确地分割出CT中每一层图像上两种病症的轮廓，并通过累加各个层面上的面积，得到最终病灶的精确体积，降低了医生主观因素带来的影响，从而提高了确诊率，提高了胸腔积液和气胸体积测量的准确性和可靠性及测量效率，本实施例所能达到的技术效果可以参见上文中的描述，此处不再赘述。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中如U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，包括若干指令用以使得一台计算机终端(可以是个人计算机，服务器，或者第二终端、网络终端等)执行本发明各个实施例所述方法的全部或部分步骤。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于终端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
在本发明所提供的几个实施例中，应该理解到，所揭露的***和方法，可以通过其它的方式实现。例如，以上所描述的***实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，***或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (12)
1.一种基于深度学习的医学影像分割方法，其特征在于，包括：
采集医学影像数据并进行预处理；
根据专家对待标注数据的标注结果，确定标准标注数据；
将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型；
将测试样本数据的各2D层面数据输入训练好的分割网络模型，预测2D层面分割结果；
将多个2D层面上预测的分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果；
根据所述3D分割结果计算出实际的病症体积；
其中，所述标准标注数据分为训练样本数据和测试样本数据。
2.根据权利要求1所述的基于深度学习的医学影像分割方法，其特征在于，所述采集医学影像数据并进行预处理，包括：
对CT图像数据进行标准化采集；
将所述CT图像数据进行数据脱敏处理；
其中，所述CT图像数据包括基本病情、病程、符合国际标准的诊断报告、病理、影像数据及实验室检测数据。
3.根据权利要求1所述的基于深度学习的医学影像分割方法，其特征在于，所述根据专家对待标注数据的标注结果，确定标准标注数据，包括：
获取预设数目的专家对同一待标注数据的标注结果；
将所述标注结果进行对比，判断标注结果是否有异议；
若无异议，则将标注结果录入数据库；
若有异议，则由其他专家判断标注结果是否录入数据库。
4.根据权利要求1所述的基于深度学习的医学影像分割方法，其特征在于，所述将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型，包括：
获取标准标注数据连续的上下三个层面合并作为分割网络模型的三个通道的输入，对分割网络模型进行训练。
5.根据权利要求1所述的基于深度学习的医学影像分割方法，其特征在于，所述将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型，包括：
将训练样本数据输入至特征金字塔网络为主干网络的目标检测/分割模型进行训练，得到训练好的分割网络模型。
6.根据权利要求1所述的基于深度学习的医学影像分割方法，其特征在于，所述将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型，包括：
将训练样本数据放缩成不同大小输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型。
7.根据权利要求1所述的基于深度学习的医学影像分割方法，其特征在于，所述将多个2D层面上预测的分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果，包括：
将多个2D层面上预测的分割结果进行平滑处理，合并成一个完整的3D分割结果。
8.根据权利要求1所述的基于深度学习的医学影像分割方法，其特征在于，所述根据所述3D分割结果计算出实际的病症体积，包括：
根据3D分割结果，通过计算拍摄设备时设置的参数进行反向推导，根据CT检查数据在像素之间和物理距离之间的比例，以及层与层之间的间距计算出实际的病症体积。
9.根据权利要求1所述的基于深度学习的医学影像分割方法，其特征在于，具体包括：
对CT图像数据进行标准化采集；
将所述CT图像数据进行数据脱敏处理；
获取预设数目的专家对同一待标注数据的标注结果；
将所述标注结果进行对比，判断标注结果是否有异议；
若无异议，则将标注结果录入数据库；
若有异议，则由其他专家判断标注结果是否录入数据库；
获取标准标注数据连续的上下三个层面合并作为分割网络模型的三个通道的输入，将标准标注数据中的训练样本数据输入至特征金字塔网络为主干网络的目标检测/分割模型进行训练，将训练样本数据放缩成不同大小输入至特征金字塔网络为主干网络的目标检测/分割模型进行训练，得到训练好的分割网络模型；
将测试样本数据的各2D层面数据输入训练好的分割网络模型，预测2D层面分割结果；
将多个2D层面上预测的分割结果进行平滑处理，按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果；
根据3D分割结果，通过计算拍摄设备时设置的参数进行反向推导，根据CT检查数据在像素之间和物理距离之间的比例，以及层与层之间的间距计算出实际的病症体积；
其中，所述标准标注数据分为训练样本数据和测试样本数据。
10.一种基于深度学习的医学影像分割***，其特征在于，包括：
数据采集单元，配置用于采集医学影像数据并进行预处理；
数据标注单元，配置用于根据专家对待标注数据的标注结果，确定标准标注数据；
模型训练单元，配置用于将训练样本数据输入至预设的深度学习网络模型进行训练，得到训练好的分割网络模型；
模型预测单元，配置用于将测试样本数据的各2D层面数据输入训练好的分割网络模型，预测2D层面分割结果；
层面合并单元，配置用于将多个2D层面上预测的分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果；
体积计算单元，配置用于根据所述3D分割结果计算出实际的病症体积。
11.一种终端，其特征在于，包括：
处理器；
用于存储处理器的执行指令的存储器；
其中，所述处理器被配置为执行权利要求1-9任一项所述的方法。
12.一种存储有计算机程序的计算机可读存储介质，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010095376.0A CN111402260A (zh) | 2020-02-17 | 2020-02-17 | 一种基于深度学习的医学影像分割方法、***、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010095376.0A CN111402260A (zh) | 2020-02-17 | 2020-02-17 | 一种基于深度学习的医学影像分割方法、***、终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111402260A true CN111402260A (zh) | 2020-07-10 |
Family
ID=71428468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010095376.0A Pending CN111402260A (zh) | 2020-02-17 | 2020-02-17 | 一种基于深度学习的医学影像分割方法、***、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111402260A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783475A (zh) * | 2020-07-28 | 2020-10-16 | 北京深睿博联科技有限责任公司 | 一种基于短语关系传播的语义视觉定位方法及装置 |
| CN111815608A (zh) * | 2020-07-13 | 2020-10-23 | 北京小白世纪网络科技有限公司 | 基于深度学习的新冠肺炎患者康复时间预测方法及*** |
| CN112348774A (zh) * | 2020-09-29 | 2021-02-09 | 深圳市罗湖区人民医院 | 一种适用于膀胱癌的ct影像分割方法、终端以及存储介质 |
| CN112435212A (zh) * | 2020-10-15 | 2021-03-02 | 杭州脉流科技有限公司 | 基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质 |
| CN112435213A (zh) * | 2020-10-21 | 2021-03-02 | 深圳大学 | 一种头颈部结构图像分割与分类方法及*** |
| KR102226743B1 (ko) * | 2020-09-15 | 2021-03-12 | 주식회사 딥노이드 | 학습 모델을 기반으로 흉부 방사선 영상에서 기흉을 정량적으로 측정하기 위한 장치 및 이를 위한 방법 |
| CN112712508A (zh) * | 2020-12-31 | 2021-04-27 | 杭州依图医疗技术有限公司 | 一种确定气胸的方法及装置 |
| CN112801940A (zh) * | 2020-12-31 | 2021-05-14 | 深圳市联影高端医疗装备创新研究院 | 模型评测方法、装置、设备及介质 |
| CN112869758A (zh) * | 2020-12-31 | 2021-06-01 | 杭州依图医疗技术有限公司 | 一种确定胸腔积液的方法及装置 |
| CN113096093A (zh) * | 2021-04-12 | 2021-07-09 | 中山大学 | 一种ct图像结石数量和体积的计算方法、***及装置 |
| CN113081052A (zh) * | 2021-03-31 | 2021-07-09 | 陕西省肿瘤医院 | 一种超声扫描目标的体积数据的处理方法 |
| CN113240661A (zh) * | 2021-05-31 | 2021-08-10 | 平安科技（深圳）有限公司 | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 |
| CN113469229A (zh) * | 2021-06-18 | 2021-10-01 | 中山大学孙逸仙纪念医院 | 一种基于深度学习的乳腺癌病灶自动标注方法及装置 |
| CN113707312A (zh) * | 2021-09-16 | 2021-11-26 | 人工智能与数字经济广东省实验室(广州) | 一种基于深度学习的血管定量识别的方法及装置 |
| CN114764812A (zh) * | 2022-03-14 | 2022-07-19 | 什维新智医疗科技(上海)有限公司 | 一种病灶区域分割装置 |
| CN114820584A (zh) * | 2022-05-27 | 2022-07-29 | 北京安德医智科技有限公司 | 肺部病灶定位装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108536662A (zh) * | 2018-04-16 | 2018-09-14 | 苏州大学 | 一种数据标注方法及装置 |
| WO2018222755A1 (en) * | 2017-05-30 | 2018-12-06 | Arterys Inc. | Automated lesion detection, segmentation, and longitudinal identification |
| CN109886179A (zh) * | 2019-02-18 | 2019-06-14 | 深圳视见医疗科技有限公司 | 基于Mask-RCNN的子宫颈细胞涂片的图像分割方法和*** |
| CN110047128A (zh) * | 2018-01-15 | 2019-07-23 | 西门子保健有限责任公司 | 从几个x射线放射照片3d重建x射线ct体积和分割掩模的方法和*** |
| US20190251694A1 (en) * | 2018-02-14 | 2019-08-15 | Elekta, Inc. | Atlas-based segmentation using deep-learning |
| CN110310281A (zh) * | 2019-07-10 | 2019-10-08 | 重庆邮电大学 | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 |
| CN110782446A (zh) * | 2019-10-25 | 2020-02-11 | 杭州依图医疗技术有限公司 | 一种确定肺结节体积的方法及装置 |
-
2020
- 2020-02-17 CN CN202010095376.0A patent/CN111402260A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018222755A1 (en) * | 2017-05-30 | 2018-12-06 | Arterys Inc. | Automated lesion detection, segmentation, and longitudinal identification |
| CN110047128A (zh) * | 2018-01-15 | 2019-07-23 | 西门子保健有限责任公司 | 从几个x射线放射照片3d重建x射线ct体积和分割掩模的方法和*** |
| US20190251694A1 (en) * | 2018-02-14 | 2019-08-15 | Elekta, Inc. | Atlas-based segmentation using deep-learning |
| CN108536662A (zh) * | 2018-04-16 | 2018-09-14 | 苏州大学 | 一种数据标注方法及装置 |
| CN109886179A (zh) * | 2019-02-18 | 2019-06-14 | 深圳视见医疗科技有限公司 | 基于Mask-RCNN的子宫颈细胞涂片的图像分割方法和*** |
| CN110310281A (zh) * | 2019-07-10 | 2019-10-08 | 重庆邮电大学 | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 |
| CN110782446A (zh) * | 2019-10-25 | 2020-02-11 | 杭州依图医疗技术有限公司 | 一种确定肺结节体积的方法及装置 |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111815608B (zh) * | 2020-07-13 | 2023-08-25 | 北京小白世纪网络科技有限公司 | 基于深度学习的新冠肺炎患者康复时间预测方法及*** |
| CN111815608A (zh) * | 2020-07-13 | 2020-10-23 | 北京小白世纪网络科技有限公司 | 基于深度学习的新冠肺炎患者康复时间预测方法及*** |
| CN111783475A (zh) * | 2020-07-28 | 2020-10-16 | 北京深睿博联科技有限责任公司 | 一种基于短语关系传播的语义视觉定位方法及装置 |
| KR102226743B1 (ko) * | 2020-09-15 | 2021-03-12 | 주식회사 딥노이드 | 학습 모델을 기반으로 흉부 방사선 영상에서 기흉을 정량적으로 측정하기 위한 장치 및 이를 위한 방법 |
| CN112348774A (zh) * | 2020-09-29 | 2021-02-09 | 深圳市罗湖区人民医院 | 一种适用于膀胱癌的ct影像分割方法、终端以及存储介质 |
| CN112435212A (zh) * | 2020-10-15 | 2021-03-02 | 杭州脉流科技有限公司 | 基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质 |
| CN112435213A (zh) * | 2020-10-21 | 2021-03-02 | 深圳大学 | 一种头颈部结构图像分割与分类方法及*** |
| CN112435213B (zh) * | 2020-10-21 | 2023-09-29 | 深圳大学 | 一种头颈部结构图像分割与分类方法及*** |
| CN112712508A (zh) * | 2020-12-31 | 2021-04-27 | 杭州依图医疗技术有限公司 | 一种确定气胸的方法及装置 |
| CN112801940A (zh) * | 2020-12-31 | 2021-05-14 | 深圳市联影高端医疗装备创新研究院 | 模型评测方法、装置、设备及介质 |
| CN112869758A (zh) * | 2020-12-31 | 2021-06-01 | 杭州依图医疗技术有限公司 | 一种确定胸腔积液的方法及装置 |
| CN112712508B (zh) * | 2020-12-31 | 2024-05-14 | 杭州依图医疗技术有限公司 | 一种确定气胸的方法及装置 |
| CN113081052A (zh) * | 2021-03-31 | 2021-07-09 | 陕西省肿瘤医院 | 一种超声扫描目标的体积数据的处理方法 |
| CN113096093A (zh) * | 2021-04-12 | 2021-07-09 | 中山大学 | 一种ct图像结石数量和体积的计算方法、***及装置 |
| CN113240661B (zh) * | 2021-05-31 | 2023-09-26 | 平安科技（深圳）有限公司 | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 |
| CN113240661A (zh) * | 2021-05-31 | 2021-08-10 | 平安科技（深圳）有限公司 | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 |
| CN113469229A (zh) * | 2021-06-18 | 2021-10-01 | 中山大学孙逸仙纪念医院 | 一种基于深度学习的乳腺癌病灶自动标注方法及装置 |
| CN113707312A (zh) * | 2021-09-16 | 2021-11-26 | 人工智能与数字经济广东省实验室(广州) | 一种基于深度学习的血管定量识别的方法及装置 |
| CN114764812A (zh) * | 2022-03-14 | 2022-07-19 | 什维新智医疗科技(上海)有限公司 | 一种病灶区域分割装置 |
| CN114820584A (zh) * | 2022-05-27 | 2022-07-29 | 北京安德医智科技有限公司 | 肺部病灶定位装置 |
| CN114820584B (zh) * | 2022-05-27 | 2023-02-21 | 北京安德医智科技有限公司 | 肺部病灶定位装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111402260A (zh) | 一种基于深度学习的医学影像分割方法、***、终端及存储介质 | |
| CN111047591A (zh) | 基于深度学习的病灶体积测量方法、***、终端及存储介质 | |
| EP3021753B1 (en) | Systems and methods for determining hepatic function from liver scans | |
| CN110310256B (zh) | 冠脉狭窄检测方法、装置、计算机设备和存储介质 | |
| CN111445449B (zh) | 感兴趣区域的分类方法、装置、计算机设备和存储介质 | |
| Sharrock et al. | 3D deep neural network segmentation of intracerebral hemorrhage: development and validation for clinical trials | |
| CN111340756B (zh) | 一种医学图像病变检出合并方法、***、终端及存储介质 | |
| CN111080584A (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
| Zhu et al. | Semantic segmentation using deep learning to extract total extraocular muscles and optic nerve from orbital computed tomography images | |
| US11471096B2 (en) | Automatic computerized joint segmentation and inflammation quantification in MRI | |
| Brugnara et al. | Automated volumetric assessment with artificial neural networks might enable a more accurate assessment of disease burden in patients with multiple sclerosis | |
| CN113706435A (zh) | 基于传统影像组学的胸部增强ct图像处理方法 | |
| CN110969623A (zh) | 一种肺部ct多征象自动检测方法、***、终端及存储介质 | |
| US20200327661A1 (en) | Systems and methods for processing 3d anatomical volumes based on localization of 2d slices thereof | |
| WO2022096471A1 (en) | Methods and systems for analyzing ultrasound images | |
| CN115954101A (zh) | 一种基于ai舌诊图像处理的健康度管理***及管理方法 | |
| CN116091466A (zh) | 图像分析方法、计算机设备和存储介质 | |
| Dan et al. | DeepGA for automatically estimating fetal gestational age through ultrasound imaging | |
| Piętka et al. | Role of radiologists in CAD life-cycle | |
| Włodarczyk et al. | Fast automated segmentation of wrist bones in magnetic resonance images | |
| US9436889B2 (en) | Image processing device, method, and program | |
| Ghomi et al. | Segmentation of COVID-19 pneumonia lesions: A deep learning approach | |
| CN115661152B (zh) | 基于模型预测的目标发展情况分析方法 | |
| CN109767468B (zh) | 脏器体积检测方法及装置 | |
| US20230115927A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection |
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 |
Application publication date: 20200710 |