CN111627037A - 图像区域提取方法、装置、设备及存储介质 - Google Patents
图像区域提取方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111627037A CN111627037A CN202010440540.7A CN202010440540A CN111627037A CN 111627037 A CN111627037 A CN 111627037A CN 202010440540 A CN202010440540 A CN 202010440540A CN 111627037 A CN111627037 A CN 111627037A
- Authority
- CN
- China
- Prior art keywords
- lung
- image
- contour
- lung region
- preset
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 87
- 210000004072 lung Anatomy 0.000 claims abstract description 476
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims description 51
- 238000012937 correction Methods 0.000 claims description 16
- 239000010410 layer Substances 0.000 description 115
- 230000004927 fusion Effects 0.000 description 71
- 238000005457 optimization Methods 0.000 description 43
- 238000013528 artificial neural network Methods 0.000 description 17
- 238000007499 fusion processing Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000002356 single layer Substances 0.000 description 3
- 210000000115 thoracic cavity Anatomy 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000004044 response Effects 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像区域提取方法、装置、设备及存储介质,所述方法包括:获取预设肺区域轮廓以及肺图像;根据所述肺图像得到待提取肺区域轮廓;利用所述预设肺区域轮廓对所述待提取肺区域轮廓中的错误提取轮廓进行校正,得到校正肺区域轮廓;根据所述校正肺区域轮廓对所述肺图像进行肺区域提取。本发明能够保证提取到完整准确的校正肺区域轮廓。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种图像区域提取方法、装置、设备及存储介质。
背景技术
目前,一般基于遗传算法中的全局寻优能力策略提取肺部区域。该遗传算法需要提供大量的训练样本,且需要训练样本有清晰的肺边界,实际上,肺区域边界可能会产生病变,甚至肺区域边界与胸腔内壁产生粘连的区域,即肺图像没有清晰的肺边界,若基于遗传算法中的全局寻优能力策略提取肺部区域,会造成肺区域提取不完整和不准确。
发明内容
本发明的主要目的在于提供一种图像区域提取方法、装置、设备及存储介质,旨在解决现有肺区域提取不完整和不准确的问题。
为实现上述目的,第一方面,本发明提供一种图像区域提取方法,所述图像区域提取方法包括以下步骤:
获取预设肺区域轮廓以及肺图像;
根据所述肺图像得到待提取肺区域轮廓;
利用所述预设肺区域轮廓对所述待提取肺区域轮廓进行校正,得到校正肺区域轮廓;
根据所述校正肺区域轮廓对所述肺图像进行肺区域提取。
第二方面,本发明还提供一种图像区域提取装置,所述装置包括:
获取模块,用于获取预设肺区域轮廓以及肺图像,并根据所述肺图像得到待提取肺区域轮廓;
校正模块,用于利用所述预设肺区域轮廓对所述待提取肺区域轮廓进行校正,得到校正肺区域轮廓;
提取模块,用于根据所述校正肺区域轮廓对所述肺图像进行肺区域提取。
第三方面,本发明还提出一种图像区域提取设备,所述图像区域提取设包括: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图像区域提取程序,所述图像区域提取程序被所述处理器执行所述的图像区域提取方法的步骤。
第四方面,本发明还提出一种存储介质,所述存储介质上存储有图像区域提取程序,所述图像区域提取程序被处理器执行时实现所述的图像区域提取方法的步骤。
本发明提供一种图像区域提取方法、装置、设备及存储介质。在获取预设肺区域轮廓以及肺图像后;可以根据所述肺图像得到待提取肺区域轮廓;并能够利用所述预设肺区域轮廓,对所述待提取肺区域轮廓中的错误提取轮廓进行校正,即能够对肺区域边界与胸腔内壁产生粘连的区域进行校正,得到完整准确的校正肺区域轮廓;从而根据所述校正肺区域轮廓对所述肺图像进行肺区域提取,能够保证提取到完整准确的校正肺区域轮廓。
附图说明
图1是本发明实施例一种图像区域提取方法的流程示意图;
图2示出本发明实施例的一种图像区域提取装置的结构示意图;
图3示出本发明实施例的一种图像区域提取设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
需要说明的是,本发明实施例图像区域提取设备可以是智能手机、个人计算机和服务器等设备,在此不做具体限制。
本发明实施例提供的一种肺区域的提取方法的执行主体可以为任意的图像处理装置,例如肺区域的提取方法可以由终端设备或服务器执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。服务器可以为本地服务器或者云端服务器。在一些可能的实现方式中,该肺区域的提取方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
本发明实施例提供一种图像区域提取方法,如图1所示,包括:
S10:获取预设肺区域轮廓以及肺图像。
在本发明的实施例中,确定所述预设肺区域轮廓的方法,包括:分别对若干健康受试者肺图像的肺区域轮廓进行提取,得到若干肺区域轮廓;对所述若干肺区域轮廓进行拟合得到所述预设肺区域轮廓。其中,所述拟合的方法可以采用最小二乘法的拟合方法。对若干健康受试者肺图像的肺区域轮廓进行提取的方法可以现有的区域生长法。在本发明以及本发明的实施例中,若干健康受试者肺图像的尺寸应与肺图像的尺寸相同。
在本发明的实施例中,若干健康受试者肺图像的数量为1003套,分别利用区域生长法对1003套健康受试者肺图像的肺区域轮廓进行提取,得到1003套肺区域轮廓。然后利用最小二乘法的拟合方法得到预设肺区域轮廓,也就是一个肺区域轮廓模型。
在本发明的实施例中,健康受试者肺图像为肺边界与胸腔内壁没有产生粘连,可以使用传统的方法进行肺区域的肺图像。
S20:根据所述肺图像得到待提取肺区域轮廓。
在一些可能的实施方式中,本发明实施例可以通过拍摄CT(ComputedTomography,计算机断层影像)的方式得到的肺图像。
在本发明的实施例中,所述肺图像为待提取肺区域轮廓的肺部图像,同样地,可以使用区域生长法对所述肺图像进行待提取肺区域轮廓。但是,待提取肺区域轮廓在胸腔的粘连处具有错误提取轮廓,错误提取轮廓为所述待提取肺区域轮廓的凹陷区域或者凸起区域。因此需要使用预设肺区域轮廓对所述待提取肺区域轮廓进行校正,再用校正肺区域轮廓对所述肺图像进行肺区域提取。
在一些可能的实施方式中,本发明还可以通过神经网络对肺图像处理,得到待提取与肺区域轮廓,具体处理过程在后续实施例中说明。
S30:利用所述预设肺区域轮廓对所述待提取肺区域轮廓中的错误提取轮廓进行校正,得到校正肺区域轮廓。
在本发明中,所述利用所述预设肺区域轮廓对所述待提取肺区域轮廓中的错误提取轮廓进行校正,得到校正肺区域轮廓的方法,包括:确定在所述待提取肺区域轮廓上设置的若干点;对所述预设肺区域轮廓按照预设步长进行缩放,当缩放后的预设肺区域轮廓接触到所述若干点的数量大于或等于设定数量时,通过确定所述缩放后的预设肺区域轮廓为所述校正肺区域轮廓,对所述待提取肺区域轮廓进行错误轮廓校正。其中,所述预设肺区域轮廓按照预设步长进行缩放仅仅改变预设肺区域轮廓的大小,而不改变预设肺区域轮廓的形状。
在本发明的实施例中,所述预设肺区域轮廓可以逐渐缩小,也可以逐渐扩大。在所述预设肺区域轮廓对所述待提取肺区域轮廓进行校正,得到校正肺区域轮廓的方法中,所述对所述预设肺区域轮廓按照预设步长进行缩放前,分别计算所述预设肺区域轮廓的第一面积以及所述待提取肺区域轮廓的第二面积,当所述第一面积大于所述第二面积时,所述预设肺区域轮廓进行缩小;当所述第一面积小于所述第二面积时,所述预设肺区域轮廓进行放大。
在本发明的实施例中,若干点的个数为1000个,若干点均匀分布在所述待提取肺区域轮廓上。预设步长为0.1mm,设定数量可为若干点的1/2或以上。对于若干点的个数、预设步长以及设定数量,本领域人员可以根据实际的需要自行设定,本发明不作限定。
在本发明中,所述对所述预设肺区域轮廓按照预设步长进行缩放,当缩放后的预设肺区域轮廓接触到所述若干点的数量大于或等于设定数量后,确定所述待提取肺区域轮廓的错误提取轮廓,所述错误提取轮廓使用所述缩放后的预设肺区域轮廓的相应轮廓代替,代替后的所述待提取肺区域轮廓为所述校正肺区域轮廓。以保留待提取肺区域轮廓正确的区域,仅仅对所述待提取肺区域轮廓的错误提取轮廓进行校正。
在本发明中,所述确定所述待提取肺区域轮廓的错误提取轮廓的方法,包括:所述缩放后的预设肺区域轮廓接触到所述若干点分别将所述缩放后的预设肺区域轮廓分成若干预设肺区域轮廓线段,以及将所述待提取肺区域轮廓分成若干待提取肺区域轮廓线段;计算所述具有相同起点以及相同终点的所述预设肺区域轮廓线段以及所述待提取肺区域轮廓线段的距离;将所述距离大于或者等于设定距离时,所述待提取肺区域轮廓线段为所述错误提取轮廓。
在本发明的实施例中,所述具有相同起点以及相同终点的所述预设肺区域轮廓线段以及所述待提取肺区域轮廓线段近似为直线处理,计算2条直线的平均距离得到述具有相同起点以及相同终点的所述预设肺区域轮廓线段以及所述待提取肺区域轮廓线段的距离。具体地说,2条直线为2条非平行的直线,其计算方法为在所述待提取肺区域轮廓线段上取若干轮廓线点,分别计算若干轮廓线点到所述预设肺区域轮廓线段的线段距离,所有所述线段距离的平均值为述具有相同起点以及相同终点的所述预设肺区域轮廓线段以及所述待提取肺区域轮廓线段的距离。将所述距离大于或者等于设定距离时,确定所述待提取肺区域轮廓线段为所述错误提取轮廓。
在本发明的实施例中,设定距离可以为8mm-25mm。同样,本领域人员可以根据实际的需要自行设定,本发明对设定距离不作限定。
S40:根据所述校正肺区域轮廓对所述肺图像进行肺区域提取。
进一步地,在本发明中,所述预设肺区域轮廓为多层平面的预设肺区域轮廓,所述肺图像为多层平面的肺图像;所述预设肺区域轮廓为多层平面的预设肺区域轮廓,所述肺图像为为多层平面的肺图像;所述根据所述校正肺区域轮廓对所述肺图像进行肺区域提取之前,所述方法还包括:判断所述预设肺区域轮廓的层数与所述肺图像的层数是否相同;若相同,则根据所述校正肺区域轮廓对所述肺图像进行肺区域提取;若不同,对所述预设肺区域轮廓或所述肺图像进行插值处理,得到相同层数的所述预设肺区域轮廓以及所述肺图像;根据插值处理后的所述校正肺区域轮廓对所述肺图像进行肺区域提取,或根据所述校正肺区域轮廓对插值处理后的肺图像进行肺区域提取。
同时地,所述预设肺区域轮廓对所述待提取肺区域轮廓进行校正,得到校正肺区域轮廓的方法是对多层平面的预设肺区域轮廓进行校正,得到的校正肺区域轮廓为多层平面的校正肺区域轮廓。根据所述多层平面的校正肺区域轮廓分别对多层平面的所述肺图像进行肺区域提取。
进一步地,在本发明中,所述预设肺区域轮廓,包括:设定左肺区域轮廓以及设定右肺区域轮廓;所述待提取肺区域轮廓,包括:待提取左肺区域轮廓以及待提取右肺区域轮廓;利用所述设定左肺区域轮廓对所述待提取左肺区域轮廓进行校正,得到校正左肺区域轮廓;利用所述设定右肺区域轮廓对所述待提取右肺区域轮廓进行校正,得到校正右肺区域轮廓;根据所述校正左肺区域轮廓以及所述校正右肺区域轮廓对所述肺图像进行肺区域提取。
在本发明的实施例中,所述设定左肺区域轮廓以及设定右肺区域轮廓的提取方法采用上述区域生长法,或者通过神经网络实现。得到校正左肺区域轮廓以及得到校正右肺区域轮廓的方法参照上面的详细说明。另外,本发明实施例在得到校正肺区域轮廓时,可以将该校正肺区域轮廓形成的区域作为提取与出的肺区域。例如,本发明实施例中得到的校正肺区域轮廓也可以按照矩阵或者向量的形式表示,其中包括第一标签1和第二标签0,第一标签表示轮廓边界以及轮廓边界内的图像像素点,0表示其他区域。通过校正肺区域轮廓与图像特征的乘积,可以得到提取出肺图像中的肺区域。
参照上述实施例的说明,本发明实施例得到待提取肺区域轮廓的方式可以采用神经网络处理执行,其中可以包括左肺区域以及右肺区域中至少一个区域的区域轮廓提取,下面进行详细说明。
本发明实施例中,可以采用神经网络实现肺图像的处理,得到肺图像中的待提取肺区域轮廓,也就是说,本发明实施例中,所述根据所述肺图像得到待提取肺区域轮廓,可以包括:获取肺图像中各层图像的图像特征;对肺图像中的各层图像的图像特征执行特征优化处理,得到与各层图像分别对应的优化特征;利用所述肺图像中相邻层图像的优化特征之间的关联特征,对所述肺图像执行修正处理,得到修正后的肺图像;基于所述修正后的肺图像,得到所述肺图像的待提取肺区域轮廓。或者,所述根据所述肺图像得到待提取肺区域轮廓,包括:对所述肺图像的图像特征进行细节增强处理,得到特定图像特征;基于所述肺图像中相邻层图像的特定图像特征,对所述肺图像进行修正;利用区域生成法从修正后的肺图像中分割出待提取肺区域轮廓。
在一些可能的实施方式中,获取肺图像的方式可以包括:利用CT(计算机断层成像)的方式拍摄得到肺图像,或者也可以从其他的电子设备或者服务器接收拍摄得到的肺图像。其中肺图像可以包括多层肺部的断层成像(图像),通过这些多层图像的叠加可以形成整体的肺图像。
在一些可能的实施方式中,在获得肺图像的情况下,还可以进一步提取肺图像的图像特征,其中,可以直接将肺图像的各层图像中的像素点对应的像素值作为图像特征,或者也可以通过对图像执行特征提取处理,得到图像的图像特征。
在一些可能的实施方式中,可以通过分别对各层图像的图像特征执行卷积处理,实现对各图像特征的分别优化,通过该优化可以增加更为细节的特征信息,提高特征的丰富性。其中,通过对各层图像执行优化处理,可以分别得到对应的优化特征。或者也可以将相邻层图像的图像特征连接得到连接特征,并对连接特征执行特征处理,使得相邻层图像的图像特征能够相互融合,同时还能够提高特征精度,进而分别通过两个卷积层对得到的同和特征分别进行卷积,对应的得到相邻层图像中各层图像的优化特征。
在一些可能的实施方式中,在得到肺图像的各层图像的优化特征的情况下,可以进一步获得相邻层图像的优化特征之间的关联特征,关联特征中的元素表示相邻层图像的优化特征中相同位置的特征值之间的关联度。利用该关联特征,可以执行肺图像中各层图像的修正处理,提高肺图像的精度。本发明实施例中,关联特征、图像特征、优化特征以及后续的融合特征、残差特征等各特征均可以通过向量或者矩阵的形式表示。
在一些可能的实施方式中,可以利用得到的关联特征执行相邻层图像的优化特征之间的特征融合处理,得到融合特征。通过该融合处理,可以有效的将相邻层图像的图像特征进行融合,有利于肺图像的修正。其中,本发明实施例中,相邻层图像是指肺图像中的任一层图像以及该任一层图像的下一层图像,在其他实施例中,也可以是任一层图像以及该任一层图像的后n层图像,n为大于或者等于1且小于或者等于3的整数。也就是说,相邻层可以表示直接相邻的两层图像,或者也可以表示相邻多层图像,本发明对此不作具体限定。
在一些可能的实施方式中,在得到融合特征的情况下,可以利用融合特征对相邻层图像中的任一图像进行图像修正,例如可以将融合特征和图像的图像特征进行相加处理,得到修正的图像特征,该修正的图像特征对应的图像即为修正的图像。
本发明实施例中,利用肺图像中各层修正后的图像的叠加,可以得到修正后的肺图像。或者也可以对肺图像中各层修正后的图像执行卷积处理,进一步提高图像精度,而后对得到的图像特征叠加,得到修正后的肺图像。
通过对修正后的图像执行肺区域分割,可以得到相应的待提取肺区域轮廓,例如可以通过卷积神经网络实现肺区域的检测,得到待提取肺区域轮廓。或者也可以利用区域生长法对修正后的肺图像处理,得到肺区域轮廓。
在此需要说明的是,本发明实施例可以通过神经网络实现,也可以通过与本申请所限定的算法实现,只要是包括在本申请所保护的技术方案的范围内,就可以作为本发明实施例。
基于上述配置,本发明实施例可以得到相邻层图像的图像特征的优化特征之间的关联特征,在通过关联特征执行上述优化特征融合过程时,可以使得相邻层图像之间的特征信息根据关联特征中相同位置的不同特征的相关性进行融合,进而提高肺图像的修正效果。
下面结合附图对本发明实施例得到待提取肺区域轮廓的方法进行详细说明。本发明实施例可以首先获得肺图像中各层图像的图像特征,其中,如上述实施例所述,可以将肺图像中各层图像的像素点的像素值作为响应的图像特征,或者也可以通过特征提取神经网络执行肺图像的图像特征的提取。该特征提取神经网络可以包括残差网络或者特征金字塔网络,将肺图像输入到特征提取神经网络,得到肺图像对应的图像特征,其中包括每层图像的图像特征。或者也可以将各层图像分别输入到特征提取神经网络,对应的得到每层图像的图像特征。其中图像特征可以表示成向量或者矩阵的形式,包括对应的图像各像素点的特征信息,本发明对图像特征的形式不作具体限定。
在得到各层图像的图像特征的情况下,可以执行图像特征的优化处理,得到相应的优化特征。在一些可能的实施方式中,可以直接对各层图像的图像特征执行卷积处理,进一步提高图像特征的精度和丰富细节特征信息,得到对应的优化特征。或者也可以利用相邻层图像的图像特征进行特征融合,利用融合结果实现图像特征的优化。
本发明实施例中,所述对各层图像的图像特征执行特征优化处理,得到与各层图像分别对应的优化特征,包括:对所述肺图像中的相邻层图像执行多图像特征融合处理,得到所述相邻层图像中各层图像分别对应的融合特征,其中,所述肺图像中的相邻层图像包括按照层数增加的顺序排列的第一图像,以及与所述第一图像相邻的至少一个第二图像,所述相邻层图像中各图像的融合特征融合有所述相邻层图像中任一图像的特征信息;利用所述肺图像中各层图像的融合特征对相应的图像特征执行单图像特征融合处理,得到所述图像的优化特征。
本发明实施例中,相邻层图像可以定义为包括第一图像和至少一个第二图像,第二图像为按照层数增加的方向与第一图像相邻的图像,例如第一图像为第i层图像,第二图像可以为第i+1层图像,或者也可以为第i+1至第i+n图像,n为大于1的整数,本发明实施例中n可以为小于5的整数,但不作为本发明的具体限定。本发明实施例可以按照肺图像中第一至第N层图像的顺序,将每层图像依次确定为第一图像,并结合与第一图像相邻的第二图像的特征,实现第一图像的特征融合和修正。
本发明实施例可以通过第一图像的图像特征和第二图像的图像特征之间的多图像特征融合,分别得到第一图像对应的第一融合特征以及第二图像对应的第二融合特征。通过多图像特征融合处理可以使得第一图像和第二图像的图像特征之间相互融合,进而使得得到第一融合特征和第二融合特征中都分别包括第一图像和第二图像的特征信息。在此需要说明的是,上述第一图像可以为肺图像中任意一层图像。
通过上述配置,可以得到肺图像中每层图像对应的融合特征,该融合特征可以包括该层图像的特征信息,同时还包括与其相邻的图像的特征信息。
在一些可能的实施方式中,在得到每层图像的融合特征时,可以利用图像的融合特征对图像的图像特征执行单图像特征融合处理。例如,得到第一图像的第一融合特征以及第二图像的第二融合特征的情况下,可以利用第一融合特征对第一图像的图像特征执行单图像的特征融合,以及利用第二融合特征对第二图像的图像特征执行单图像的特征融合,分别对应的得到第一优化特征以及第二优化特征。
其中,通过单图像特征融合处理可以在各层分别对应的融合特征的基础上,进一步加强各自的图像特征。例如,可以在第一图像的第一融合特征和第二图像的第二融合特征的基础上,进一步加强各自的图像特征,使得得到的第一优化特征在具有第一图像的图像特征的基础上还同时融合第二图像的特征信息,以及使得得到的第二优化特征在具有第二图像的图像特征的基础上还同时融合第一图像的特征信息。
下面结合附图对本发明实施例的多图像特征融合以及单图像特征融合进行说明。其中,所述对所述肺图像中得相邻层图像执行多图像特征融合处理,得到所述相邻层图像中各层图像分别对应的融合特征,包括:连接所述相邻层图像的图像特征,得到第一连接特征;利用第一残差网络对所述第一连接特征进行处理,得到第一残差特征;利用至少两个卷积层分别对所述第一残差特征执行卷积处理,分别对应的得到所述相邻层图像分别对应的融合特征。
本发明实施例中,在执行多图像的特征融合时,可以将相邻层图像中的各图像的图像特征连接,得到第一连接特征。如可以通过连接函数(concat)执行连接操作,使得相邻层图像之间的特征信息进行简答的融合。
在得到第一连接特征的情况下,可以进一步对该第一连接特征进行优化处理。本发明实施例中可以利用残差网络(第一残差网络)执行该特征优化处理。其中可以将第一连接特征输入到第一残差网络(residual block)执行特征优化处理,得到第一残差特征。通过第一残差网络的处理可以使得第一连接特征中的特征信息进一步融合且提高了特征信息的精度,即第一残差特征中进一步精确的融合了第一图像和第二图像中的特征信息。其中,第一残差网络可以为任意的残差网络结构,本发明对此不作具体限定。
在一些可能的实施方式中,在得到第一残差特征的情况下,可以分别利用不同的卷积层对第一残差特征执行卷积处理。例如,在相邻层为第一图像和第二图像的情况下,可以利用两个卷积层分别对第一残差特征执行卷积处理,分别得到第一图像的第一融合特征和第二图像的第二融合特征。其中该两个卷积层可以但不限于为1*1的卷积核。其中第一融合特征中包括有第二图像的特征信息,第二融合特征中也包括有第一图像的特征信息,即第一融合特征和第二融合特征中均相互包括两个图像的特征信息。
通过上述配置,可以实现相邻层图像中各图像的特征信息的融合,即通过层间信息融合的方式,可以提高肺图像中各层图像的修正精度。
另外,所述利用所述肺图像中各层图像的融合特征对相应的图像特征执行单图像特征融合处理,得到所述图像的优化特征,包括:利用所述图像的融合特征和图像特征的加和处理,得到所述图像的加和特征;利用第二残差网络对所述图像的加和特征进行处理,得到所述图像的优化特征。
在一些可能的实施方式中,在得到各层图像的融合特征的情况下,融合特征以及相应的图像特征执行图像特征的优化处理。本实施例可以首先通过图像的融合特征和图像特征的加和处理,得到加和特征。而后利用残差网络(第二残差网络)对加和特征进行优化处理,得到图像的优化特征。例如,针对第一图像的第一图像特征,可以利用第一图像的图像特征和第一融合特征加和的方式执行该优化处理,该加和可以包括第一融合特征和第一图像的图像特征的直接相加,也可以包括第一融合特征和第一图像的图像特征的加权相加,即第一融合特征和第一图像的图像特征分别与对应的加权系数相乘再做加和运算,其中加权系数可以为预先设定的数值,也可以为神经网络学习的数值,本发明对此不作具体限定。
同理,在得到第二融合特征的情况下,可以利用第二融合特征执行第二图像的单图像特征融合处理,本发明实施例可以利用第二图像的图像特征和第二融合特征加和的方式执行该融合处理,该加和可以包括第二融合特征和第二图像的图像特征的直接相加,也可以包括第二融合特征和第二图像的图像特征的加权相加,即第二融合特征和第二图像的图像特征分别与对应的加权系数相乘再做加和运算,其中加权系数可以为预先设定的数值,也可以为神经网络学习的数值,本发明对此不作具体限定。
在此需要说明的是,本发明实施例对第一图像的图像特征与第一融合特征执行加和处理的时间,以及对第二图像的图像特征与第二融合特征执行加和处理的时间不做具体限定,二者可以分别执行,也可以同时执行。
通过上述加和处理,可以在融合特征的基础上进一步增加原始图像的特征信息。单图像特征的融合,可以实现在网络的每个阶段保留单层图像的特征信息,进而可以根据已经优化的多层图像间的特征信息来优化单层图像的特征信息。另外,本发明实施例可以直接将上述第一加和特征和第二加和特征作为第一优化特征和第二优化特征,也可以执行后续的优化处理,进一步提高特征精度。
通过上述配置,可以得到肺图像中单层图像的优化特征,在得到优化特征的其情况下,可以利用优化特征之间的关联特征,执行肺图像的特征优化。
另外,所述利用所述肺图像中相邻层图像的优化特征之间的关联特征,对所述肺图像执行修正处理,得到修正后的肺图像,包括:获取所述肺图像中相邻层图像的优化特征之间的关联特征;利用所述相邻层图像的优化特征之间的关联特征,对所述相邻层图像分别对应的优化特征执行特征融合处理,得到优化融合特征;利用所述优化融合特征修正所述相邻层图像中的任一图像的图像特征,得到所述任一图像的修正特征;利用所述肺图像的各层图像分别对应的修正特征,得到修正后的肺图像。
本发明实施例中,在获得肺图像中各层图像的优化特征的情况下,可以利用相邻利用所述肺图像的各层图像分别对应的修正特征,得到修正后的肺图像。
本发明实施例中,在获得肺图像中各层图像的优化特征的情况下,可以利用层图像中各图像的优化特征确定各优化特征之间的关联特征,例如,可以通过第一图像对应的第一优化特征以及第二图像对应的第二优化特征,进一步获得第一优化特征和第二优化特征之间的关联特征,关联特征可以表示第一优化特征和第二优化特征中相同位置对应的特征信息之间的关联度。该关联度可以反映出第一图像以及第二图像中针对相同对象的变化情况。这里的相同对象例如可以包括肺区域的边界,本发明实施例中,肺图像中各图像的尺度可以相同,对应的得到的各优化特征的尺度也相同。
另外,在得到的第一优化特征以及第二优化特征,或者上述第一融合特征和第二融合特征、第一加和特征和第二加和特征、第一图像的图像特征和第二图像的图像特征的尺度不同的情况下,也可以将上述对应的特征调整为相同尺度,例如通过池化处理执行该尺度调整的操作。
另外,本发明实施例可以通过图卷积神经网络得到相邻层图像中各图像的优化特征之间的关联特征。例如可以将相邻层图像中第一图像的第一优化特征和第二图像的第二优化特征输入到图卷积神经网络中,图卷积神经网络经过处理可以输出第一优化特征和第二优化特征之间的关联特征,关联特征中的元素表示第一优化特征和第二优化特征中相同位置处的特征信息之间的关联性。
本发明实施例中,在执行各层图像的修正操作之前,还可以得到相邻层图像中各层图像的优化特征的融合特征(优化融合特征)。例如可以执行第一优化特征和第二优化特征的融合操作。其中,可以连接相邻层图像的优化特征,如连接第一优化特征和第二优化特征,可以在通道方向上连接第一优化特征和第二优化特征。本发明实施例可以通过concat函数执行该连接过程,得到第二连接特征。而后可以利用激活函数对相邻层图像的优化特征之间的关联特征进行激活处理,其中,激活函数可以为softmax函数,可以将关联特征中的各关联度作为输入参数,进而利用激活函数对各输入参数执行处理,输出处理后的关联特征。进而,可以利用激活处理后的关联特征与第二连接特征之间的乘积,得到所述优化融合特征。
在得到相邻层图像的优化融合特征的情况下,可以利用该优化融合特征执行该相邻层图像中任一图像的修正操作。其中,本发明实施例可以利用原图像的图像特征与优化融合特征加和处理的方式,执行图像特征的修正,得到修正后的图像特征,即修正后的图像。
另外,可以对第一图像的图像特征和优化融合特征执行加和处理,得到修正后的图像特征,进而根据该修正后的图像特征可以确定肺图像的修正图像。其中该加和处理可以为直接相加,也可以为利用加权系数执行加权相加,本发明对此不作具体限定。其中,修正后的图像特征可以直接对应于图像各像素点的像素值,因此可以直接利用修正后的图像特征对应的得到的修正后图像。另外,也可以对修正后的图像特征进一步执行卷积处理,进一步融合特征信息,同时提高特征精度,而后根据卷积处理得到的特征确定修正后的肺图像。
通过本发明实施例的上述图像修正的过程可以用于实现肺图像中各层图像的去噪、超分以及去模糊中的至少一种,通过修正后的图像可以在不同程度上提高图像质量。
另外,在此需要说明的是,本发明实施例在执行相邻层图像的处理之前,可以对肺图像中的各图像进行分组,如两层图像为一组,或者n层图像为一组。其中,可以按照第1到底N层的顺序,将肺图像中的各层图像执行上述分组,而后可以将同一组的图像作为相邻层的图像。
在得到修正后的肺图像的情况下,可以对修正后的肺图像执行肺区域检测操作,即肺区域分割处理,本发明实施例可以利用利用区域生长法从修正后的肺图像中分割出所述待提取肺区域轮廓,其中,区域生长法可以参照现有技术手段,本发明实施例对此不作具体说明。或者,本发明实施例还可以将所述修正后的肺图像输入到卷积神经网络,通过卷积神经网络输出得到所述待提取肺区域轮廓。该卷积神经网络可以为U-net,但不作为本发明的具体限定。
另外,本发明实施例上述所涉及的神经网络,如特征提取神经网络、残差网络、卷积神经网络等,均为经过训练能够实现相应功能的网络结构,并且可以满足精度要求,本领域技术人员可以根据需求设定不同的精度条件,本发明对此不作具体限定。
基于上述配置,本发明实施例可以实现通过肺图像中层间图像的特征信息完成肺图像区域轮廓的确定,该配置可以提高肺图像特征信息的精度,同时提高待提取肺区域轮廓的精度。
此外,本发明实施例还提出一种图像区域提取装置,参照图2,所述图像区域提取装置包括:
获取模块10,用于获取预设肺区域轮廓以及肺图像,并根据所述肺图像得到待提取肺区域轮廓;
校正模块20,用于利用所述预设肺区域轮廓对所述待提取肺区域轮廓中的错误提取轮廓进行校正,得到校正肺区域轮廓;
提取模块30,用于根据所述校正肺区域轮廓对所述肺图像进行肺区域提取。
进一步地,所述装置还包括:判断模块。
判断模块,用于判断所述预设肺区域轮廓的层数与所述肺图像的层数是否相同;
所述提取模块,用于若相同,则根据所述校正肺区域轮廓对所述肺图像进行肺区域提取;若不同,对所述预设肺区域轮廓或所述肺图像进行插值处理,得到相同层数的所述预设肺区域轮廓以及所述肺图像;根据插值处理后的所述校正肺区域轮廓对所述肺图像进行肺区域提取,或根据所述校正肺区域轮廓对插值处理后的肺图像进行肺区域提取。
所述校正模块20包括:
确定单元,用于确定在所述待提取肺区域轮廓上设置的若干点;
校正单元,用于按照预设步长对所述预设肺区域轮廓进行缩放,当缩放后的预设肺区域轮廓接触到所述若干点的数量大于或等于设定数量时,通过确定所述缩放后的预设肺区域轮廓为所述校正肺区域轮廓,对所述待提取肺区域轮廓进行错误轮廓校正。
校正单元,具体用于对所述预设肺区域轮廓按照预设步长进行缩放,当缩放后的预设肺区域轮廓接触到所述若干点的数量大于或等于设定数量后,确定所述待提取肺区域轮廓的错误提取轮廓,所述错误提取轮廓使用所述缩放后的预设肺区域轮廓的相应轮廓代替,代替后的所述待提取肺区域轮廓为所述校正肺区域轮廓。
所述确定单元,具体用于当所述缩放后的预设肺区域轮廓接触到所述若干点,分别将所述缩放后的预设肺区域轮廓分成若干预设肺区域轮廓线段,以及将所述待提取肺区域轮廓分成若干待提取肺区域轮廓线段;
计算所述具有相同起点以及相同终点的所述预设肺区域轮廓线段以及所述待提取肺区域轮廓线段的距离;
当所述距离大于或者等于设定距离时,确定所述待提取肺区域轮廓线段为所述错误提取轮廓。
所述获取模块10,具体用于对所述肺图像的图像特征进行细节增强处理,得到特定图像特征;基于所述肺图像中相邻层图像的特定图像特征,对所述肺图像进行修正;并利用区域生成法从修正后的肺图像中分割出待提取肺区域轮廓。
所述提取模块30,具体用于对所述肺图像的图像特征进行细节增强处理,得到特定图像特征;基于所述肺图像中相邻层图像的特定图像特征,对所述肺图像进行修正;利用区域生成法从修正后的肺图像中分割出待提取肺区域轮廓。
所述提取模块30,具体用于利用所述设定左肺区域轮廓对所述待提取左肺区域轮廓中的错误提取轮廓进行校正,得到校正左肺区域轮廓;
利用所述设定右肺区域轮廓中的错误提取轮廓对所述待提取右肺区域轮廓进行校正,得到校正右肺区域轮廓;
根据所述校正左肺区域轮廓以及所述校正右肺区域轮廓对所述肺图像进行肺区域提取。
如图3所示,本发明实施例还提供一种图像区域提取设备,该图像区域提取设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatilememory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图3中示出的设备结构并不构成对图像区域提取设备的限定,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。
如图3所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及图像区域提取程序。其中,操作***是管理和控制设备硬件和软件资源的程序,支持图像区域提取程序以及其它软件或程序的运行。
图3所示的设备中,用户接口1003主要用于与客户端进行数据通信;网络接口1004主要用于与服务器建立通信连接;而处理器1001可以用于调用存储器1005中存储的图像区域提取程序,并执行本发明实施例的图像区域提取方法。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有图像区域提取程序,所述图像区域提取程序被处理器执行时实现如下所述的图像区域提取方法的步骤。
本发明图像区域提取设备和存储介质的各实施例,均可参照本发明图像区域提取方法各个实施例,此处不再赘述。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种图像区域的提取方法,其特征在于,包括:
获取预设肺区域轮廓以及肺图像;
根据所述肺图像得到待提取肺区域轮廓;
利用所述预设肺区域轮廓对所述待提取肺区域轮廓中的错误提取轮廓进行校正,得到校正肺区域轮廓;
根据所述校正肺区域轮廓对所述肺图像进行肺区域提取。
2.根据权利要求1所述的方法,其特征在于,所述预设肺区域轮廓为多层平面的预设肺区域轮廓,所述肺图像为多层平面的肺图像;
所述根据所述校正肺区域轮廓对所述肺图像进行肺区域提取之前,所述方法还包括:
判断所述预设肺区域轮廓的层数与所述肺图像的层数是否相同;
所述根据所述校正肺区域轮廓对所述肺图像进行肺区域提取,包括:
若相同,则根据所述校正肺区域轮廓对所述肺图像进行肺区域提取;
若不同,对所述预设肺区域轮廓或所述肺图像进行插值处理,得到相同层数的所述预设肺区域轮廓以及所述肺图像;根据插值处理后的所述校正肺区域轮廓对所述肺图像进行肺区域提取,或根据所述校正肺区域轮廓对插值处理后的肺图像进行肺区域提取。
3.根据权利要求1所述的方法,其特征在于,所述利用所述预设肺区域轮廓对所述待提取肺区域轮廓中的错误提取轮廓进行校正,得到校正肺区域轮廓,包括:
确定在所述待提取肺区域轮廓上设置的若干点;
按照预设步长对所述预设肺区域轮廓进行缩放,当缩放后的预设肺区域轮廓接触到所述若干点的数量大于或等于设定数量时,通过确定所述缩放后的预设肺区域轮廓为所述校正肺区域轮廓,对所述待提取肺区域轮廓进行错误轮廓校正。
4.根据权利要求3所述的方法,其特征在于,所述对所述预设肺区域轮廓按照预设步长进行缩放,当缩放后的预设肺区域轮廓接触到所述若干点的数量大于或等于设定数量时,确定所述缩放后的预设肺区域轮廓为所述校正肺区域轮廓,包括:
对所述预设肺区域轮廓按照预设步长进行缩放,当缩放后的预设肺区域轮廓接触到所述若干点的数量大于或等于设定数量后,确定所述待提取肺区域轮廓的错误提取轮廓,所述错误提取轮廓使用所述缩放后的预设肺区域轮廓的相应轮廓代替,代替后的所述待提取肺区域轮廓为所述校正肺区域轮廓。
5.根据权利要求4所述的方法,其特征在于,所述确定所述待提取肺区域轮廓的错误提取轮廓的方法,包括:
当所述缩放后的预设肺区域轮廓接触到所述若干点,分别将所述缩放后的预设肺区域轮廓分成若干预设肺区域轮廓线段,以及将所述待提取肺区域轮廓分成若干待提取肺区域轮廓线段;
计算所述具有相同起点以及相同终点的所述预设肺区域轮廓线段以及所述待提取肺区域轮廓线段的距离;
当所述距离大于或者等于设定距离时,确定所述待提取肺区域轮廓线段为所述错误提取轮廓。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述根据所述肺图像得到待提取肺区域轮廓,包括:
对所述肺图像的图像特征进行细节增强处理,得到特定图像特征;
基于所述肺图像中相邻层图像的特定图像特征,对所述肺图像进行修正;
利用区域生成法从修正后的肺图像中分割出待提取肺区域轮廓。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述预设肺区域轮廓,包括:设定左肺区域轮廓以及设定右肺区域轮廓;所述根据所述校正肺区域轮廓对所述肺图像进行肺区域提取,包括:
利用所述设定左肺区域轮廓对所述待提取左肺区域轮廓中的错误提取轮廓进行校正,得到校正左肺区域轮廓;
利用所述设定右肺区域轮廓中的错误提取轮廓对所述待提取右肺区域轮廓进行校正,得到校正右肺区域轮廓;
根据所述校正左肺区域轮廓以及所述校正右肺区域轮廓对所述肺图像进行肺区域提取。
8.一种图像区域提取装置,其特征在于,所述装置包括:
获取模块,用于获取预设肺区域轮廓以及肺图像,并根据所述肺图像得到待提取肺区域轮廓;
校正模块,用于利用所述预设肺区域轮廓对所述待提取肺区域轮廓中的错误提取轮廓进行校正,得到校正肺区域轮廓;
提取模块,用于根据所述校正肺区域轮廓对所述肺图像进行肺区域提取。
9.一种图像区域提取设备,其特征在于,所述图像区域提取设备包括: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图像区域提取程序,所述图像区域提取程序被所述处理器执行时实现如权利要求1至7中任一项所述的图像区域提取方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有图像区域提取程序,所述图像区域提取程序被处理器执行时实现如权利要求1至7中任一项所述的图像区域提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010440540.7A CN111627037A (zh) | 2020-05-22 | 2020-05-22 | 图像区域提取方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010440540.7A CN111627037A (zh) | 2020-05-22 | 2020-05-22 | 图像区域提取方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111627037A true CN111627037A (zh) | 2020-09-04 |
Family
ID=72270988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010440540.7A Pending CN111627037A (zh) | 2020-05-22 | 2020-05-22 | 图像区域提取方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111627037A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689355A (zh) * | 2021-09-10 | 2021-11-23 | 数坤(北京)网络科技股份有限公司 | 图像处理方法、装置、存储介质及计算机设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001054066A1 (en) * | 2000-01-18 | 2001-07-26 | The University Of Chicago | Automated method and system for the segmentation of lung regions in computed tomography scans |
US20090296883A1 (en) * | 2008-05-29 | 2009-12-03 | Fujifilm Corporation | Radiation image correction apparatus, method, and program |
KR20100028301A (ko) * | 2008-09-04 | 2010-03-12 | 울산대학교 산학협력단 | Ct 폐영상에서 기울기와 밝기값 분포를 이용한 폐분할 방법 |
CN101727666A (zh) * | 2008-11-03 | 2010-06-09 | 深圳迈瑞生物医疗电子股份有限公司 | 图像分割方法及装置、图像倒置判断及胸片前后区分方法 |
CN107665497A (zh) * | 2016-07-29 | 2018-02-06 | 上海联影医疗科技有限公司 | 一种医学图像中计算心胸比的方法 |
WO2019146357A1 (ja) * | 2018-01-24 | 2019-08-01 | 富士フイルム株式会社 | 医療画像処理装置、方法及びプログラム並びに診断支援装置、方法及びプログラム |
-
2020
- 2020-05-22 CN CN202010440540.7A patent/CN111627037A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001054066A1 (en) * | 2000-01-18 | 2001-07-26 | The University Of Chicago | Automated method and system for the segmentation of lung regions in computed tomography scans |
US20090296883A1 (en) * | 2008-05-29 | 2009-12-03 | Fujifilm Corporation | Radiation image correction apparatus, method, and program |
KR20100028301A (ko) * | 2008-09-04 | 2010-03-12 | 울산대학교 산학협력단 | Ct 폐영상에서 기울기와 밝기값 분포를 이용한 폐분할 방법 |
CN101727666A (zh) * | 2008-11-03 | 2010-06-09 | 深圳迈瑞生物医疗电子股份有限公司 | 图像分割方法及装置、图像倒置判断及胸片前后区分方法 |
CN107665497A (zh) * | 2016-07-29 | 2018-02-06 | 上海联影医疗科技有限公司 | 一种医学图像中计算心胸比的方法 |
WO2019146357A1 (ja) * | 2018-01-24 | 2019-08-01 | 富士フイルム株式会社 | 医療画像処理装置、方法及びプログラム並びに診断支援装置、方法及びプログラム |
Non-Patent Citations (3)
Title |
---|
喻忠全;张建州;: "基于肋骨信息的CT图像肺区疑似粘连肿瘤检测", 计算机工程与应用, no. 03, 21 January 2008 (2008-01-21) * |
韩光辉;刘峡壁;郑光远;: "肺部CT图像病变区域检测方法", 自动化学报, no. 12, 15 December 2017 (2017-12-15) * |
马惠珠;宋朝晖;季飞;侯嘉;熊小芸;: "项目计算机辅助受理的研究方向与关键词――2012年度受理情况与2013年度注意事项", 电子与信息学报, no. 01, 15 January 2013 (2013-01-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689355A (zh) * | 2021-09-10 | 2021-11-23 | 数坤(北京)网络科技股份有限公司 | 图像处理方法、装置、存储介质及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110517278B (zh) | 图像分割和图像分割网络的训练方法、装置和计算机设备 | |
CN108520247B (zh) | 对图像中的对象节点的识别方法、装置、终端及可读介质 | |
CN109815770B (zh) | 二维码检测方法、装置及*** | |
CN107633237B (zh) | 图像背景分割方法、装置、设备及介质 | |
CN108960081B (zh) | 一种手掌图像识别方法、装置及计算机可读存储介质 | |
CN112102340B (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
CN112884782B (zh) | 生物对象分割方法、装置、计算机设备和存储介质 | |
CN113221869B (zh) | 医疗***结构化信息提取方法、装置设备及存储介质 | |
CN112489063A (zh) | 图像分割方法、图像分割模型的训练方法和装置 | |
JP2019125204A (ja) | 目標認識装置、目標認識方法、プログラム及び畳み込みニューラルネットワーク | |
CN111627036A (zh) | 图像区域校正方法、装置、设备及存储介质 | |
CN114494775A (zh) | 视频切分方法、装置、设备及存储介质 | |
CN111292343A (zh) | 一种基于多视角下的肺叶分割方法和装置 | |
CN109615620B (zh) | 图像压缩度识别方法、装置、设备及计算机可读存储介质 | |
CN111209908A (zh) | 更新标注框的方法、装置、存储介质和计算机设备 | |
CN111627037A (zh) | 图像区域提取方法、装置、设备及存储介质 | |
CN117934827A (zh) | 关键点检测模型训练方法、关键点检测方法及相关装置 | |
CN115619678B (zh) | 一种图像变形的矫正方法、装置、计算机设备及存储介质 | |
CN115115552B (zh) | 图像矫正模型训练及图像矫正方法、装置和计算机设备 | |
CN111626998A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN111627026A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN110874814A (zh) | 一种图像处理方法、图像处理装置及终端设备 | |
CN112801045B (zh) | 一种文本区域检测方法、电子设备及计算机存储介质 | |
CN111627027A (zh) | 图像区域检测方法、装置、设备及存储介质 | |
CN111652924A (zh) | 目标体积确定方法、装置、设备及存储介质 |
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 |