CN111681205B - 图像分析方法、计算机设备和存储介质 - Google Patents
图像分析方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111681205B CN111681205B CN202010380792.5A CN202010380792A CN111681205B CN 111681205 B CN111681205 B CN 111681205B CN 202010380792 A CN202010380792 A CN 202010380792A CN 111681205 B CN111681205 B CN 111681205B
- Authority
- CN
- China
- Prior art keywords
- breast
- image
- neural network
- network model
- training
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像分析方法、计算机设备和存储介质。包括:获取待分析的左乳图像和待分析的右乳图像;左乳图像中包括左乳区域,右乳图像中包括右乳区域,左乳区域和右乳区域的朝向一致;将左乳图像输入至第一神经网络模型,将右乳图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作以及特征相似度分析操作,得到分析结果;分析结果用于表征左乳区域和右乳区域之间是否对称;其中,第一神经网络模型和第二神经网络模型是基于多组训练图像对和每组训练图像对所对应的标注对称结果进行训练得到的。采用本方法能够提高双乳是否对称的分析结果的准确性。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图像分析方法、计算机设备和存储介质。
背景技术
乳腺癌是威胁女性健康的一种恶性疾病,因此定期的对乳腺进行检查就显得尤为重要。目前乳腺X线检查是主流的乳腺癌检查手段,医生可以通过对拍摄的双侧乳腺图像进行对比分析,并对分析结果进行进一步地判断和处理,就可以得到相应的乳腺检查结果。
相关技术中,医生在对患者的双侧乳腺图像进行对比分析时,通常是通过肉眼反复观察左右侧的两幅乳腺图像,然后根据经验进行判断,最终得到患者的双侧***是否对称的分析结果。
然而上述技术得到的分析结果的准确性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高分析结果准确性的图像分析方法、装置、计算机设备和存储介质。
一种图像分析方方法,该方法包括:
获取待分析的左乳图像和待分析的右乳图像;左乳图像中包括左乳区域,右乳图像中包括右乳区域,左乳区域和右乳区域的朝向一致;
将左乳图像输入至第一神经网络模型,将右乳图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作以及特征相似度分析操作,得到分析结果;分析结果用于表征左乳区域和右乳区域之间是否对称;
其中,第一神经网络模型和第二神经网络模型是基于多组训练图像对和每组训练图像对所对应的标注对称结果进行训练得到的,每组训练图像对均包括一个左乳训练图像和对应的一个右乳训练图像。
在其中一个实施例中,在上述将左乳图像输入至第一神经网络模型,将右乳图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作以及特征相似度分析操作,得到分析结果之前,上述方法还包括:
对左乳图像和右乳图像进行配准,得到配准后的左乳图像和配准后的右乳图像;
相应地,上述将左乳图像输入至第一神经网络模型,将右乳图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作以及特征相似度分析操作,得到分析结果,包括:
将配准后的左乳图像输入至第一神经网络模型,将配准后的右乳图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作以及特征相似度分析操作,得到分析结果。
在其中一个实施例中,上述获取待分析的左乳图像和待分析的右乳图像,包括:
获取原始左侧***图像和原始右侧***图像;原始左侧***图像中包括左乳区域,原始右侧***图像中包括右乳区域;
对原始左侧***图像和原始右侧***图像进行分割处理,得到左乳分割图像和右乳分割图像;
将左乳分割图像确定为待分析的左乳图像,将右乳分割图像确定为待分析的右乳图像。
在其中一个实施例中,上述左乳分割图像和右乳分割图像中均包括***轮廓位置信息以及***位置信息,上述对左乳图像和右乳图像进行配准,得到配准后的左乳图像和配准后的右乳图像,包括:
基于***轮廓位置信息和***位置信息,对左乳分割图像和右乳分割图像进行配准,得到配准后的左乳分割图像和配准后的右乳分割图像。
在其中一个实施例中,上述将配准后的左乳图像输入至第一神经网络模型,将配准后的右乳图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作以及特征相似度分析操作,得到分析结果,包括:
将配准后的左乳分割图像输入至第一神经网络模型,将配准后的右乳分割图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作,得到左乳特征向量和右乳特征向量;
采用相似度分析算法计算左乳特征向量和右乳特征向量之间的相似度,并基于计算的相似度得到分析结果。
在其中一个实施例中,上述第一神经网络模型和第二神经网络模型的训练方法包括:
将各组训练图像对输入至初始第一神经网络模型和初始第二神经网络模型,得到每组训练图像对所对应的训练特征向量对,训练特征向量对包括左乳训练特征向量和右乳训练特征向量;
计算每个训练特征向量对中左乳训练特征向量和右乳训练特征向量之间的相似度,并根据得到的每个训练特征向量对的相似度,得到各组训练图像对所对应的预测对称结果;
基于各组训练图像对的预测对称结果和对应的标注对称结果,对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型。
在其中一个实施例中,上述基于各组训练图像对的预测对称结果和对应的标注对称结果,对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型,包括:
计算各组训练图像对的预测对称结果与对应的标注对称结果之间的损失;
对各组训练图像对的损失进行求和,并利用得到的和值对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型。
在其中一个实施例中,上述第一神经网络模型和第二神经网络模型以及相似度分析算法构成孪生网络模型。
一种图像分析装置,该装置包括:
获取模块,用于获取待分析的左乳图像和待分析的右乳图像;左乳图像中包括左乳区域,右乳图像中包括右乳区域,左乳区域和右乳区域的朝向一致;
分析模块,用于将左乳图像输入至第一神经网络模型,将右乳图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作以及特征相似度分析操作,得到分析结果;分析结果用于表征左乳区域和右乳区域之间是否对称;其中,第一神经网络模型和第二神经网络模型是基于多组训练图像对和每组训练图像对所对应的标注对称结果进行训练得到的,每组训练图像对均包括一个左乳训练图像和对应的一个右乳训练图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待分析的左乳图像和待分析的右乳图像;左乳图像中包括左乳区域,右乳图像中包括右乳区域,左乳区域和右乳区域的朝向一致;
将左乳图像输入至第一神经网络模型,将右乳图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作以及特征相似度分析操作,得到分析结果;分析结果用于表征左乳区域和右乳区域之间是否对称;
其中,第一神经网络模型和第二神经网络模型是基于多组训练图像对和每组训练图像对所对应的标注对称结果进行训练得到的,每组训练图像对均包括一个左乳训练图像和对应的一个右乳训练图像。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待分析的左乳图像和待分析的右乳图像;左乳图像中包括左乳区域,右乳图像中包括右乳区域,左乳区域和右乳区域的朝向一致;
将左乳图像输入至第一神经网络模型,将右乳图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作以及特征相似度分析操作,得到分析结果;分析结果用于表征左乳区域和右乳区域之间是否对称;
其中,第一神经网络模型和第二神经网络模型是基于多组训练图像对和每组训练图像对所对应的标注对称结果进行训练得到的,每组训练图像对均包括一个左乳训练图像和对应的一个右乳训练图像。
上述图像分析方法、装置、计算机设备和存储介质,通过将待分析的左乳图像输入至第一神经网络模型,将待分析的右乳图像输入至第二神经网络模型,在两个神经网络模型中对左右乳图像进行特征提取和相似度分析操作,得到左右乳的分析结果,该分析结果可以表征待分析的左右乳图像中的左右乳区域是否对称。在该方法中,由于可以通过神经网络模型对左右乳图像进行特征提取及相似度分析,这样可以量化左右乳的对称结果,而不需要人工通过肉眼观察以及根据经验得到左右乳的对称结果,这样可以避免人为因素导致的对称结果的准确性较低的问题,从而可以使得到的左右乳的对称结果更加准确。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中图像分析方法的流程示意图;
图2a为一个实施例中左右侧***是否对称的示例图;
图3为另一个实施例中图像分析方法的流程示意图;
图4为另一个实施例中图像分析方法的流程示意图;
图4a为另一个实施例中孪生网络模型结构示意图;
图5为另一个实施例中图像分析方法的流程示意图;
图6为一个实施例中图像分析装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
乳腺癌是威胁女性健康的首要恶性疾病,统计资料表明,在西方发达国家,平均每八名女性就有一人罹患乳腺癌,在中国,乳腺癌的发病率预计值低于西方发达国家。然而,随着人们生活节奏和生活方式的改变,国内女性中罹患乳腺癌的人数越来越多。由于乳腺癌的病因尚不明确,一旦发展为中晚期乳腺癌,甚至会导致患者面临生命危险,而定期的检查和早期的诊断预防能够较大程度地降低乳腺癌的发病率和死亡率,使大部分女性免受乳腺癌的折磨。因此,早发现、早诊断和早治疗是乳腺癌防治的一项重要原则。目前乳腺X线检查是主流的乳腺癌检查手段,乳腺钼靶图像中常见的异常情况有钙化、肿块、结构扭曲等。从生理学角度分析,正常情况下女性乳腺发育为双侧对称发育,两侧乳腺组织中腺体的含量分布情况近似相同,因此在临床分析过程中,如果影像医师怀疑某一侧乳腺有疑似病变时,会同时参考另一侧乳腺图像,对比判断进行分析,这种通过双侧乳腺图像对比观察进行临床分析的方法是基于双侧乳腺图像不对称分析的实践基础。一般乳腺病灶多为不对称生长,即在一侧乳腺图像中含有病灶,则在其对侧乳腺图像的同一位置也含有病灶的概率极低,通常医生在分析患者的双乳是否对称时,一般是通过肉眼反复观察患者的左右侧的两幅乳腺图像,然后根据经验进行判断,最终得到患者的双侧***是否对称的分析结果,然而这样得到的分析结果的准确性较低。基于此,本申请提供一种图像分析方法、装置、计算机设备和存储介质,可以解决上述技术问题。
本申请提供的图像分析方法,可以应用于计算机设备,该计算机设备可以是终端或服务器。以计算机设备是终端为例,其内部结构图可以如图1所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像分析方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
需要说明的是,本申请实施例的执行主体可以是计算机设备,也可以是图像分析装置,下面就以计算机设备为执行主体来对本申请实施例的方法进行说明。
在一个实施例中,提供了一种图像分析方法,本实施例涉及的是如何通过左右乳分割图像,得到左右乳分割图像中的左右乳区域是否对称的具体过程。如图2所示,该方法可以包括以下步骤:
S202,获取待分析的左乳图像和待分析的右乳图像;左乳图像中包括左乳区域,右乳图像中包括右乳区域,左乳区域和右乳区域的朝向一致。
其中,待分析的左乳图像和待分析的右乳图像可以是待分析的原始左侧***图像和待分析的原始右侧***图像,也可以是待分析的左乳分割图像和待分析的右乳分割图像。这里待分析的左乳图像和待分析的右乳图像为同一个检测对象(一般为人体)的左右乳图像,通常可以通过在同一时刻对检测对象的左右乳进行扫描,得到待分析的原始左侧***图像和待分析的原始右侧***图像,这两侧***图像为同一视图下的原始***图像,然后也可以采用训练好的分割模型对原始左右侧***图像进行分割处理,得到待分析的左乳分割图像和待分析的右乳分割图像。也就是说,这里的待分析的左乳图像和待分析的右乳图像为相同视图的***图像,且这里的***图像包括头尾位图像和/或侧斜位图像。
另外,这里待分析的左乳图像和待分析的右乳图像可以是任意模态的图像,例如CT(omputed Tomography,即电子计算机断层扫描)图像、MR(MagneticResonance,磁共振)图像、PET(positron emission tomography,正电子发射计算机断层显像)图像、X线图像,不过本实施例中主要采用的是X线图像。
当然,在采用分割模型对原始左右侧***图像进行分割之前,还可以将原始左右侧***图像中的任意一侧的***图像进行翻转,以使原始左右侧***图像中的***具有相同的朝向或朝向一致,或者,以使左乳区域和右乳区域具有相同的朝向或朝向一致;当然也可以在对原始左右侧***图像分割之后,再对左右乳分割图像进行翻转;翻转方向可以是沿水平方向翻转,也可以是沿着垂直方向翻转,当然还可以按照其他方向翻转。示例地,可以将原始右侧***图像沿水平方向进行翻转,使得翻转后的右侧***图像和原始左侧***图像中的***具有相同的朝向,当然也可以是翻转原始左侧***图像,不翻转原始右侧***图像。朝向在这里可以理解为:比如翻转后的左右侧***图像中的***上的***都朝向右边,或者都朝向左边等等。这里将任意一侧***图像进行翻转,可以保证后续分割结果的准确性。
进一步地,在将原始左右侧***图像中的任意一侧的***图像进行翻转后,可以将翻转后的两侧***图像输入至训练好的分割模型中进行分割处理,得到原始左右侧***图像对应的左右乳分割图像,该左右乳分割图像上均包括***轮廓信息和***位置信息,左右侧***轮廓和左右侧***构成了左右乳区域,即左侧***轮廓和左侧***构成了左乳区域,右侧***轮廓和右侧***构成了右乳区域。
需要说明的是,上述分割模型可以是基于多个***训练图像进行训练得到的,这里每个***训练图像上均标注***轮廓信息和***位置信息等,这样在实际使用分割模型时,就可以对输入的每张***图像,得到对应的***分割图像。
S204,将左乳图像输入至第一神经网络模型,将右乳图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作以及特征相似度分析操作,得到分析结果;分析结果用于表征左乳区域和右乳区域之间是否对称;其中,第一神经网络模型和第二神经网络模型是基于多组训练图像对和每组训练图像对所对应的标注对称结果进行训练得到的,每组训练图像对均包括一个左乳训练图像和对应的一个右乳训练图像。
在本步骤中,训练图像对可以是左右乳训练图像组成的训练图像对,一般每组图像对中的左右乳训练图像是同一个人在同一时刻下的相同视图图像。另外,每组训练图像对所对应的标注对称结果可以是为每组训练图像标注的左右结构是否对称的概率或类别等。另外,本实施例中的训练图像对可以是左右乳原始图像,也可以是左右乳的分割图像。
其中,这里第一神经网络模型和第二神经网络模型可以是结构相同的两个网络模型,当然也可以是结构不同的两个网络模型。可选的,这里的第一神经网络模型和第二神经网络模型以及相似度分析算法构成孪生网络模型,即第一神经网络模型和第二神经网络模型是结构相同的两个网络模型,这两个网络模型主要用于对左右乳的图像进行特征提取,当然这里相似度分析算法也可以称为逻辑回归单元,用来对这两个网络模型提取到的特征进行相似度分析操作,得到这两个提取到的特征之间的相似度。
当然,这里也可以是将将左乳分割图像输入至第一神经网络模型,将右乳分割图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中对左右乳的分割图像进行特征提取操作以及特征相似度分析操作。
另外,上述在将左右乳分割图像/左右乳原始图像输入至第一神经网络模型和第二神经网络模型之前,还可以对左右乳分割图像/左右乳原始图像进行配准,并将配准后的左右乳分割图像/左右乳原始图像输入至第一神经网络模型和第二神经网络模型。通过配准的操作,可以避免因为左右乳分割图像/左右乳原始图像上点的位置不对应造成后续分析结果的不准确。
当然这里也可以直接将左右乳分割图像/左右乳原始图像直接输入至第一神经网络模型和第二神经网络模型,在第一神经网络模型中对左乳分割图像/左乳原始图像上的左乳区域进行特征提取,得到左乳区域的特征信息(可以包括特征图或特征向量等),在第二神经网络模型中对右乳分割图像/右乳原始图像上的右乳区域进行特征提取,得到右乳区域的特征信息,然后利用逻辑回归单元对左乳区域的特征信息和右乳区域的特征信息进行相似度分析。这里逻辑回归单元(或者称为相似度分析算法)中可以包括对比损失函数,用以分析两个特征信息之间的相似度,当然也可以包括其他可以分析相似度的函数等。这里的第一神经网络模型和第二神经网络模型并没有次序之分,也可以是将左乳分割图像/左乳原始图像输入至第二神经网络模型,将右乳分割图像/右乳原始图像输入至第一神经网络模型。
进一步地,上述在第一神经网络模型和第二神经网络模型中对左右乳分割图像/左右乳原始图像进行特征提取和特征相似度分析之后,最终可以得到左右乳区域之间的相似度分析结果,该相似度分析结果可以是一个值,可以是左右乳区域之间是否对称的概率,或者是左右乳区域之间是否不对称的概率等;当然这里的相似度分析结果也可以是两个值,一个值表示左右乳区域之间是否对称的概率,另一个值表示左右乳区域之间是否不对称的概率等;当然这里的相似度分析结果也可以是直接输出的类别信息,该类别信息直接表征左右乳区域属于对称的类别,或者左右乳区域属于不对称的类别。
示例地,参见图2a所示,图2a中的(1)图为左右侧***对称的图像,可以看出,(1)图中上下两组图中的左右侧***图像中的左右侧***形状比较相似,大小几乎相同,可以认为其中的左右乳区域是对称的;图2a中的(2)图为左右侧***不对称的图像,可以看出,(2)图中上下两组图中的左右侧***图像中的左右侧***形状不太相似,右侧***区域比左侧***区域大,那么可以认为其中的左右乳区域是不对称的。
上述图像分析方法中,通过将待分析的左乳图像输入至第一神经网络模型,将待分析的右乳图像输入至第二神经网络模型,在两个神经网络模型中对左右乳图像进行特征提取和相似度分析操作,得到左右乳的分析结果,该分析结果可以表征待分析的左右乳图像中的左右乳区域是否对称。在该方法中,由于可以通过神经网络模型对左右乳图像进行特征提取及相似度分析,这样可以量化左右乳的对称结果,而不需要人工通过肉眼观察以及根据经验得到左右乳的对称结果,这样可以避免人为因素导致的对称结果的准确性较低的问题,从而可以使得到的左右乳的对称结果更加准确。
在另一个实施例中,提供了另一种图像分析方法,本实施例涉及的是在对左右乳图像进行特征提取和相似度分析之前,还可以对左右乳图像进行配准的具体过程。在上述实施例的基础上,如图3所示,上述方法还可以包括以下步骤:
S302,对左乳图像和右乳图像进行配准,得到配准后的左乳图像和配准后的右乳图像。
在本步骤中,可以采用刚性配准方法对左乳图像和右乳图像进行配准,在配准时,可以分别对左乳图像上的左乳区域以及右乳图像上的右乳区域进行关键点选取,然后对左右乳图像上的各关键点进行相似性度量,得到左右乳图像上的匹配特征点对,通过匹配的特征点对得到左右乳图像之间的空间坐标变换参数,也可以称为空间变换关系,最后由空间坐标变换参数(空间变换关系)对左右乳图像进行配准,配准之后,得到的左右乳图像可以是一个图像是不变的,另一个图像是变换后的,总之这里称为是配准后的左乳图像和配准后的右乳图像。这里关键点选取可以是:例如可以选取左乳区域上的左乳轮廓点和左乳***作为左乳区域的关键点,选取右乳区域上的右乳轮廓点和右乳***作为右乳区域的关键点。
通过将左右乳图像进行配准,这样可以消除左右乳图像上的左右乳区域的位置偏移带来的误差,影响后续对左右乳分割图像进行提取特征的准确性。
在将左右乳图像进行配准之后,相应地,上述S204可以包括下述S304步骤,如下:
S304,将配准后的左乳图像输入至第一神经网络模型,将配准后的右乳图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作以及特征相似度分析操作,得到分析结果。
需要说明的是,本步骤中在第一神经网络模型和第二神经网络模型中进行的特征提取操作以及特征相似度分析操作主要是针对左右乳分割图像进行的,本步骤在对配准后的左右乳分割图像进行特征提取和相似度分析时,可选的,可以采用如下步骤A1和A2来进行,如下:
步骤A1,将配准后的左乳分割图像输入至第一神经网络模型,将配准后的右乳分割图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作,得到左乳特征向量和右乳特征向量。
步骤A2,采用相似度分析算法计算左乳特征向量和右乳特征向量之间的相似度,并基于计算的相似度得到分析结果。
在步骤A1和A2中,可以将配准后的左乳分割图像和配准后的右乳分割图像分别输入至第一神经网络模型和第二神经网络模型进行特征提取,得到左乳分割图像对应的特征图和右乳分割图像对应的特征图,然后对左乳分割图像对应的特征图和右乳分割图像对应的特征图进行向量转换,得到左乳分割图像对应的特征向量以及右乳分割图像对应的特征向量,记为左乳特征向量和右乳特征向量。
另外,这里的相似度分析算法可以是上述S204中对比损失函数constructiveloss,可以先采用如下公式(1)计算左乳特征向量和右乳特征向量之间的相似度矩阵,然后利用该对比损失函数如下公式(2)对相似度矩阵进行计算得到左右乳区域是否对称或者左右乳区域是否不对称的分析结果:
其中,X1和X2为输入的左右乳分割图像,GW(X1)和GW(X2)为左右乳特征向量,W表示第一神经网络模型和第二神经网络模型的权重参数,可以根据实际情况进行设置,EW(X1,X2)为左右乳特征向量之间的相似度矩阵,y表示左右乳区域不对称的概率,σ表示sigmoid函数,b表示第一神经网络模型和第二神经网络模型的偏差参数,可以根据实际情况进行设置。
通过上述公式(1)和(2)就可以直接计算得到左右乳区域是否不对称的概率,即得到计算的相似度,那么就可以将计算的相似度和预设的相似度阈值进行对比,若计算的相似度大于相似度阈值,则确定分析结果为所述左乳区域和右乳区域之间不对称,也就是说,可以将这里的不对称的概率和概率阈值(即相似度阈值)进行对比,若该不对称的概率大于概率阈值,则认为分析结果为左右乳区域之间不对称,若该不对称的概率不大于概率阈值,则认为分析结果为左右乳区域之间对称,概率阈值一般为0.5,当然也可以为其他值,这个可以根据实际情况而定。
本实施例提供的图像分析方法,可以对左右乳分割图像进行配准,并将配准后的左右乳分割图像输入至第一神经网络模型和第二神经网络模型进行特征提取和相似度分析,得到左右乳区域是否对称或不对称的分析结果。在本实施例中,由于在对左右乳分割图像进行特征提取之前可以对左右乳分割图像进行配准,这样可以消除因为左右乳分割图像的位置偏移带来的误差,那么后续在对配准后的左右乳乳分割图像进行特征提取时,提取到的特征就更加准确,从而在利用该准确的特征进行相似度分析得到分析结果时,得到的分析结果就更加准确。
在另一个实施例中,提供了另一种图像分析方法,本实施例涉及的是如何对第一神经网络模型和第二神经网络模型进行训练的具体过程。在上述实施例的基础上,如图4所示,第一神经网络模型和第二神经网络模型的训练过程可以包括以下步骤:
S402,将各组训练图像对输入至初始第一神经网络模型和初始第二神经网络模型,得到每组训练图像对所对应的训练特征向量对,训练特征向量对包括左乳训练特征向量和右乳训练特征向量。
优选地,本实施例中的两个网络模型是采用左右乳的分割图像进行训练得到的。如果左右乳训练图像如果是左右乳原始图像,那么在将左右乳原始图像输入初始模型之前,可以对左右乳原始图像进行分割处理,得到左右乳的分割图像。
S404,计算每个训练特征向量对中左乳训练特征向量和右乳训练特征向量之间的相似度,并根据得到的每个训练特征向量对的相似度,得到各组训练图像对所对应的预测对称结果。
在本步骤中,可以采用上述公式(1)和公式(2)计算每组训练特征向量对的相似度矩阵以及左右结构不对称的概率,然后也可以将每组训练特征向量对的不对称概率和概率阈值进行对比,若某一组训练特征向量对的不对称概率大于概率阈值,则认为该组训练图像对所对应的预测对称结果为不对称,否则认为该组训练图像对所对应的预测对称结果为对称。
S406,基于各组训练图像对的预测对称结果和对应的标注对称结果,对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型。
在本步骤中,可选的,在训练网络模型时,可以计算各组训练图像对的预测对称结果与对应的标注对称结果之间的损失;对各组训练图像对的损失进行求和,并利用得到的和值对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型。
以上述公式(1)和公式(2)为例,其中的X1和X2可以认为是这里的训练图像对,其他字母相对应地也是训练的数据和参数。参见图4a所示,可以采用逻辑回归单元,即上述提到的相似度分析算法计算各组训练图像对的对称结果,得到各组训练图像对的预测对称结果,之后,这里可以将上述得到的y直接作为预测对称结果,然后采用如下公式(3)和(4)计算预测对称结果和标注对称结果之间的损失,如下:
L(yi,Yi)=-Yilog yi-(1-Yi)log(1-yi) (3)
其中,Y表示每组训练图像对的标注对称结果,y为每组训练图像对的预测对称结果,i表示训练图像对的索引,P为训练图像对的总数量,L(yi,Yi)表示每组训练图像对各自的损失,Γ(W,b)表示所有训练图像对的损失总和。
通过上述公式(3)可以计算每组训练图像对的预测对称结果和标注对称结果之间的损失,通过公式(4)可以将各组训练图像对的损失进行求和,得到损失和值,然后利用损失和值对初始第一神经网络模型和初始第二神经网络模型进行训练,这里第一神经网络模型和第二神经网络模型的结构(即孪生网络模型结构,均可以是卷积网络)可以继续参见图4a所示,这里第一神经网络模型和第二神经网络模型共用同一套权重参数,如图中的W,调整参数一般也是调整的W中的参数;另外,这两个神经网络模型均可以是卷积网络模型,在训练这两个神经网络模型时,当这两个神经网络模型的损失和值小于预设的阈值时,或者当损失和值基本稳定时,则可以确定这两个神经网络模型已经训练好,否则还要继续训练,当训练好时可以固定这两个神经网络模型的参数,便于下一步提取特征和相似度分析时使用。
本实施例提供的图像分析方法,可以通过对各组训练图像对进行特征提取和相似度计算,得到各组训练图像对的预测对称结果,并通过各组训练图像对的预测对称结果和标注对称结果对初始第一神经网络模型和初始第二神经网络模型进行训练,得到训练好的两个网络模型。在本实施例中,由于可以采用多组具有左右结构的训练图像对以及每组训练图像对的预测对称结果和标注对称结果对两个初始神经网络模型进行训练,这样得到的两个网络模型是比较准确的,进而在利用该准确的两个网络模型进行特征提取和相似度分析时,得到的分析结果也是比较准确的。
在另一个实施例中,提供了另一种图像分析方法,本实施例涉及的是若上述待分析的左乳图像为待分析的左乳分割图像,上述待分析的右乳图像为待分析的右乳分割图像,如何获取待分析的左乳图像和待分析的右乳图像的具体过程。在上述实施例的基础上,如图5所示,上述S202可以包括以下步骤:
S502,获取原始左侧***图像和原始右侧***图像;原始左侧***图像中包括左乳区域,原始右侧***图像中包括右乳区域。
在本步骤中,原始左侧***图像和原始右侧***图像为相同视图的***图像,且***图像中包括头尾位图像和/或侧斜位图像。也就是说,在实际操作过程中,可以从乳腺钼靶X线机中获取对检测对象进行扫描得到的乳腺影像数据,即可以在乳腺钼靶X线机中读取数位成像dcm文件标签tag信息,筛选出图像偏侧化ImageLaterality为CC(Craniocaudal,头尾位,轴位)且视图位置ViewPosition为左视图L及右视图R的图像,或图像偏侧化ImageLaterality为MLO(medio lateral-oblique,侧斜位)且视图位置ViewPosition为左视图L及右视图R的图像,得到原始左右侧***图像;同时可以在乳腺钼靶X线机中读取dcm数据文件中的灰度信息,并根据灰度信息对原始左右侧***图像的窗宽窗位进行归一化处理,将原始左右侧***图像均映射为256灰阶图像。
S504,对原始左侧***图像和原始右侧***图像进行分割处理,得到左乳分割图像和右乳分割图像。
S506,将左乳分割图像确定为待分析的左乳图像,将右乳分割图像确定为待分析的右乳图像。
在本实施例中,在S504之前,也可以将原始左侧***图像和原始右侧***图像中的任意一个图像进行翻转,以使左乳区域和右乳区域的朝向一致,然后对翻转后的两侧***图像进行分割处理,得到左乳分割图像和右乳分割图像;当然也可以是在S506中的分割处理之后,对左右乳分割图像中的任意一个进行翻转,以使左乳区域和右乳区域的朝向一致。其中的翻转可以是沿着水平方向翻转,也可以是沿着垂直方向翻转,当然还可以是沿着其他方向翻转,本实施例对此不作具体限定,只要翻转后的两侧***图像中的***区域具有相同或者一致的朝向即可。这里相同或一致的朝向可以是翻转后的两侧***图像中的***都朝向同一方向等。这里在对左右乳原始图像进行分割之前还对左右乳原始图像进行了翻转,这样可以保证由于朝向不同所带来的分割误差,从而可以提高分割结果的准确性。
另外,在进行分割处理时,可以是采用训练好的分割模型直接对原始左右侧***图像进行分割,当然也可以是采用训练好的分割模型对翻转后的两侧***图像进行分割,分割模型可以基于多个***训练图像进行训练得到的,这里每个***训练图像上均标注***轮廓信息和***位置信息等,标注的***轮廓信息可以是***轮廓上各个点的位置信息等。通过该分割模型就可以得到左右乳的分割图像,同时得到左右乳的轮廓位置信息和左右乳的***位置信息,这里左右乳的轮廓区域就构成了左右乳区域,即上述的左乳区域和右乳区域。另外,这里的分割模型可以是神经网络模型,也可以是其他模型,优选地,这里的分割模型为LinkNet(链接网)网络模型,这里得到的左右乳的轮廓位置信息可以是左右乳***轮廓上各个点的坐标,左右乳的***位置信息可以是左右乳的***的中心点坐标。
相应地,在得到左右乳分割图像以及左右乳的轮廓位置信息和左右乳的***位置信息之后,就可以基于***轮廓位置信息和***位置信息,对左乳分割图像和右乳分割图像进行配准,得到配准后的左乳分割图像和配准后的右乳分割图像。也就是说,这里可以将左右***轮廓上的各个点以及左右乳***作为上述S302中的关键点,通过左右***轮廓上的各个点的位置信息以及左右乳***的位置信息对左右乳分割图像进行配准,配准具体步骤在S302已经阐述,在此不再赘述。
本实施例提供的图像分析方法,可以对原始左右侧***图像进行分割处理,并将得到的左右乳分割图像作为待分析的左右乳图像。在本实施例中,由于待分析的左右乳图像是左右乳分割图像,这样后续在进行特征提取时,可以有针对性的对分割图上的左右乳区域进行特征提取,从而可以使最终得到的对称分析结果更加准确。
在另一个实施例中,为了便于对本申请的技术方案进行更详细的说明,以下结合一个更加详细的实施例加以说明,该方法可以包括以下步骤S1-S11:
S1,获取原始左侧***图像和原始右侧***图像。
S2,将原始左侧***图像和原始右侧***图像中的任意一个图像进行翻转,以使原始左侧***图像和原始右侧***图像具有相同的朝向。
S3,对翻转后的两侧***图像进行分割处理,得到待分析的左乳分割图像和待分析的右乳分割图像;待分析的左乳分割图像和待分析的右乳分割图像中均包括***轮廓位置信息以及***位置信息。
S4,基于***轮廓位置信息和***位置信息,对左乳分割图像和右乳分割图像进行配准,得到配准后的左乳分割图像和配准后的右乳分割图像。
S5,将配准后的左乳分割图像输入至第一神经网络模型,将配准后的右乳分割图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作,得到左侧特征向量和右侧特征向量。
S6,采用相似度分析算法计算左侧特征向量和右侧特征向量之间的相似度,并基于计算的相似度得到分析结果。
应该理解的是,虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-5中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种图像分析装置,包括:获取模块10和分析模块11,其中:
获取模块10,用于获取待分析的左乳图像和待分析的右乳图像;左乳图像中包括左乳区域,右乳图像中包括右乳区域,左乳区域和右乳区域的朝向一致;
分析模块11,用于将左乳图像输入至第一神经网络模型,将右乳图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作以及特征相似度分析操作,得到分析结果;分析结果用于表征左乳区域和右乳区域之间是否对称;其中,第一神经网络模型和第二神经网络模型是基于多组训练图像对和每组训练图像对所对应的标注对称结果进行训练得到的,每组训练图像对均包括一个左乳训练图像和对应的一个右乳训练图像。
可选的,上述第一神经网络模型和第二神经网络模型以及相似度分析算法构成孪生网络模型。
关于图像分析装置的具体限定可以参见上文中对于图像分析方法的限定,在此不再赘述。
在另一个实施例中,提供了另一种图像分析装置,在上述分析模块11执行操作之前,上述装置还可以包括配准模块,该配准模块,用于对左乳图像和右乳图像进行配准,得到配准后的左乳图像和配准后的右乳图像;
上述分析模块11,还用于将配准后的左乳图像输入至第一神经网络模型,将配准后的右乳图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作以及特征相似度分析操作,得到分析结果。
可选的,上述分析模块11,还用于将配准后的左乳分割图像输入至第一神经网络模型,将配准后的右乳分割图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作,得到左乳特征向量和右乳特征向量;采用相似度分析算法计算左乳特征向量和右乳特征向量之间的相似度,并基于计算的相似度得到分析结果。
在另一个实施例中,提供了另一种图像分析装置,上述装置还可以包括模型训练模块,该模型训练模块包括提取单元、计算单元和训练单元,其中:
提取单元,用于将各组训练图像对输入至初始第一神经网络模型和初始第二神经网络模型,得到每组训练图像对所对应的训练特征向量对,训练特征向量对包括左乳训练特征向量和右乳训练特征向量;
计算单元,用于计算每个训练特征向量对中左乳训练特征向量和右乳训练特征向量之间的相似度,并根据得到的每个训练特征向量对的相似度,得到各组训练图像对所对应的预测对称结果;
训练单元,用于基于各组训练图像对的预测对称结果和对应的标注对称结果,对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型。
可选的,上述训练单元,用于计算各组训练图像对的预测对称结果与对应的标注对称结果之间的损失;对各组训练图像对的损失进行求和,并利用得到的和值对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型。
在另一个实施例中,提供了另一种图像分析装置,上述获取模块10可以包括:原始图像获取单元、分割单元、确定单元,其中:
原始图像获取单元,用于获取原始左侧***图像和原始右侧***图像;原始左侧***图像中包括左乳区域,原始右侧***图像中包括右乳区域;
分割单元,用于对原始左侧***图像和原始右侧***图像进行分割处理,得到左乳分割图像和右乳分割图像;
确定单元,用于将左乳分割图像确定为待分析的左乳图像,将右乳分割图像确定为待分析的右乳图像。
可选的,若上述左乳分割图像和右乳分割图像中均包括***轮廓位置信息以及***位置信息,上述配准模块,还用于基于***轮廓位置信息和***位置信息,对左乳分割图像和右乳分割图像进行配准,得到配准后的左乳分割图像和配准后的右乳分割图像。
关于图像分析装置的具体限定可以参见上文中对于图像分析方法的限定,在此不再赘述。
上述图像分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待分析的左乳图像和待分析的右乳图像;左乳图像中包括左乳区域,右乳图像中包括右乳区域,左乳区域和右乳区域的朝向一致;
将左乳图像输入至第一神经网络模型,将右乳图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作以及特征相似度分析操作,得到分析结果;分析结果用于表征左乳区域和右乳区域之间是否对称;其中,第一神经网络模型和第二神经网络模型是基于多组训练图像对和每组训练图像对所对应的标注对称结果进行训练得到的,每组训练图像对均包括一个左乳训练图像和对应的一个右乳训练图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对左乳图像和右乳图像进行配准,得到配准后的左乳图像和配准后的右乳图像;将配准后的左乳图像输入至第一神经网络模型,将配准后的右乳图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作以及特征相似度分析操作,得到分析结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取原始左侧***图像和原始右侧***图像;原始左侧***图像中包括左乳区域,原始右侧***图像中包括右乳区域;对原始左侧***图像和原始右侧***图像进行分割处理,得到左乳分割图像和右乳分割图像;将左乳分割图像确定为待分析的左乳图像,将右乳分割图像确定为待分析的右乳图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于***轮廓位置信息和***位置信息,对左乳分割图像和右乳分割图像进行配准,得到配准后的左乳分割图像和配准后的右乳分割图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将配准后的左乳分割图像输入至第一神经网络模型,将配准后的右乳分割图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作,得到左乳特征向量和右乳特征向量;采用相似度分析算法计算左乳特征向量和右乳特征向量之间的相似度,并基于计算的相似度得到分析结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将各组训练图像对输入至初始第一神经网络模型和初始第二神经网络模型,得到每组训练图像对所对应的训练特征向量对,训练特征向量对包括左乳训练特征向量和右乳训练特征向量;计算每个训练特征向量对中左乳训练特征向量和右乳训练特征向量之间的相似度,并根据得到的每个训练特征向量对的相似度,得到各组训练图像对所对应的预测对称结果;基于各组训练图像对的预测对称结果和对应的标注对称结果,对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
计算各组训练图像对的预测对称结果与对应的标注对称结果之间的损失;对各组训练图像对的损失进行求和,并利用得到的和值对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型。
在一个实施例中,上述第一神经网络模型和第二神经网络模型以及相似度分析算法构成孪生网络模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待分析的左乳图像和待分析的右乳图像;左乳图像中包括左乳区域,右乳图像中包括右乳区域,左乳区域和右乳区域的朝向一致;
将左乳图像输入至第一神经网络模型,将右乳图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作以及特征相似度分析操作,得到分析结果;分析结果用于表征左乳区域和右乳区域之间是否对称;其中,第一神经网络模型和第二神经网络模型是基于多组训练图像对和每组训练图像对所对应的标注对称结果进行训练得到的,每组训练图像对均包括一个左乳训练图像和对应的一个右乳训练图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对左乳图像和右乳图像进行配准,得到配准后的左乳图像和配准后的右乳图像;将配准后的左乳图像输入至第一神经网络模型,将配准后的右乳图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作以及特征相似度分析操作,得到分析结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取原始左侧***图像和原始右侧***图像;原始左侧***图像中包括左乳区域,原始右侧***图像中包括右乳区域;对原始左侧***图像和原始右侧***图像进行分割处理,得到左乳分割图像和右乳分割图像;将左乳分割图像确定为待分析的左乳图像,将右乳分割图像确定为待分析的右乳图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于***轮廓位置信息和***位置信息,对左乳分割图像和右乳分割图像进行配准,得到配准后的左乳分割图像和配准后的右乳分割图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将配准后的左乳分割图像输入至第一神经网络模型,将配准后的右乳分割图像输入至第二神经网络模型,在第一神经网络模型和第二神经网络模型中进行特征提取操作,得到左乳特征向量和右乳特征向量;采用相似度分析算法计算左乳特征向量和右乳特征向量之间的相似度,并基于计算的相似度得到分析结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将各组训练图像对输入至初始第一神经网络模型和初始第二神经网络模型,得到每组训练图像对所对应的训练特征向量对,训练特征向量对包括左乳训练特征向量和右乳训练特征向量;计算每个训练特征向量对中左乳训练特征向量和右乳训练特征向量之间的相似度,并根据得到的每个训练特征向量对的相似度,得到各组训练图像对所对应的预测对称结果;基于各组训练图像对的预测对称结果和对应的标注对称结果,对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
计算各组训练图像对的预测对称结果与对应的标注对称结果之间的损失;对各组训练图像对的损失进行求和,并利用得到的和值对初始第一神经网络模型和初始第二神经网络模型进行训练,得到第一神经网络模型和第二神经网络模型。
在一个实施例中,上述第一神经网络模型和第二神经网络模型以及相似度分析算法构成孪生网络模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像分析方法,其特征在于,所述方法包括:
获取原始左侧***图像和原始右侧***图像;
将所述原始左侧***图像和所述原始右侧***图像中的任意一个图像进行翻转,以使所述原始左侧***图像和所述原始右侧***图像具有相同的朝向;
对翻转后的两侧***图像进行分割处理,得到待分析的左乳分割图像和待分析的右乳分割图像;所述待分析的左乳分割图像和所述待分析的右乳分割图像中均包括***轮廓位置信息以及***位置信息,所述待分析的左乳分割图像中包括左乳区域,所述待分析的右乳分割图像中包括右乳区域;
基于所述***轮廓位置信息和所述***位置信息,对所述左乳分割图像和所述右乳分割图像进行配准,得到配准后的左乳分割图像和配准后的右乳分割图像;
将所述配准后的左乳分割图像输入至第一神经网络模型,将所述配准后的右乳分割图像输入至第二神经网络模型,在所述第一神经网络模型和所述第二神经网络模型中进行特征提取操作以及特征相似度分析操作,得到分析结果;所述分析结果用于表征所述左乳区域和所述右乳区域之间是否对称;
其中,所述第一神经网络模型和所述第二神经网络模型是基于多组训练图像对和每组训练图像对所对应的标注对称结果进行训练得到的,每组训练图像对均包括一个左乳训练图像和对应的一个右乳训练图像。
2.根据权利要求1所述的方法,其特征在于,所述将所述配准后的左乳分割图像输入至第一神经网络模型,将所述配准后的右乳分割图像输入至第二神经网络模型,在所述第一神经网络模型和所述第二神经网络模型中进行特征提取操作以及特征相似度分析操作,得到分析结果,包括:
将所述配准后的左乳分割图像输入至第一神经网络模型,将所述配准后的右乳分割图像输入至第二神经网络模型,在所述第一神经网络模型和所述第二神经网络模型中进行特征提取操作,得到左乳特征向量和右乳特征向量;
采用相似度分析算法计算所述左乳特征向量和所述右乳特征向量之间的相似度,并基于计算的相似度得到所述分析结果。
3.根据权利要求2所述的方法,其特征在于,所述基于计算的相似度得到所述分析结果,包括:
将计算的相似度和预设的相似度阈值进行对比;
若所述计算的相似度大于所述相似度阈值,则确定所述分析结果为所述左乳区域和所述右乳区域之间不对称。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述第一神经网络模型和第二神经网络模型的训练方法包括:
将各组训练图像对输入至初始第一神经网络模型和初始第二神经网络模型,得到每组训练图像对所对应的训练特征向量对,所述训练特征向量对包括左乳训练特征向量和右乳训练特征向量;
计算每个训练特征向量对中左乳训练特征向量和右乳训练特征向量之间的相似度,并根据得到的每个训练特征向量对的相似度,得到各组训练图像对所对应的预测对称结果;
基于各组训练图像对的所述预测对称结果和对应的标注对称结果,对所述初始第一神经网络模型和初始第二神经网络模型进行训练,得到所述第一神经网络模型和第二神经网络模型。
5.根据权利要求4所述的方法,其特征在于,所述基于各组训练图像对的所述预测对称结果和对应的标注对称结果,对所述初始第一神经网络模型和初始第二神经网络模型进行训练,得到所述第一神经网络模型和第二神经网络模型,包括:
计算各组训练图像对的所述预测对称结果与对应的标注对称结果之间的损失;
对各组训练图像对的损失进行求和,并利用得到的和值对所述初始第一神经网络模型和初始第二神经网络模型进行训练,得到所述第一神经网络模型和第二神经网络模型。
6.根据权利要求1-3任一项所述的方法,其特征在于,所述第一神经网络模型和所述第二神经网络模型以及所述相似度分析算法构成孪生网络模型。
7.根据权利要求1所述的方法,其特征在于,所述对翻转后的两侧***图像进行分割处理,得到待分析的左乳分割图像和待分析的右乳分割图像,包括:
采用分割模型对翻转后的两侧***图像进行分割处理,得到所述待分析的左乳分割图像和所述待分析的右乳分割图像;
其中,所述分割模型是基于多个***训练图像和每个***训练图像对应的标注***轮廓位置信息以及标注***位置信息进行训练得到的。
8.根据权利要求1所述的方法,其特征在于,所述原始左侧***图像和所述原始右侧***图像为相同视图的***图像,所述***图像包括头尾位图像和/或侧斜位图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310103687.0A CN116091466A (zh) | 2020-05-08 | 2020-05-08 | 图像分析方法、计算机设备和存储介质 |
CN202010380792.5A CN111681205B (zh) | 2020-05-08 | 2020-05-08 | 图像分析方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010380792.5A CN111681205B (zh) | 2020-05-08 | 2020-05-08 | 图像分析方法、计算机设备和存储介质 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310103687.0A Division CN116091466A (zh) | 2020-05-08 | 2020-05-08 | 图像分析方法、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111681205A CN111681205A (zh) | 2020-09-18 |
CN111681205B true CN111681205B (zh) | 2023-04-07 |
Family
ID=72452232
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010380792.5A Active CN111681205B (zh) | 2020-05-08 | 2020-05-08 | 图像分析方法、计算机设备和存储介质 |
CN202310103687.0A Pending CN116091466A (zh) | 2020-05-08 | 2020-05-08 | 图像分析方法、计算机设备和存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310103687.0A Pending CN116091466A (zh) | 2020-05-08 | 2020-05-08 | 图像分析方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN111681205B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192031B (zh) * | 2021-04-29 | 2023-05-30 | 上海联影医疗科技股份有限公司 | 血管分析方法、装置、计算机设备和存储介质 |
CN113421633A (zh) * | 2021-06-25 | 2021-09-21 | 上海联影智能医疗科技有限公司 | 特征分类方法、计算机设备和存储介质 |
CN116823905B (zh) * | 2023-06-26 | 2024-06-28 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像配准方法、电子设备以及计算机可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295646B (zh) * | 2016-08-10 | 2019-08-23 | 东方网力科技股份有限公司 | 一种基于深度学习的车牌字符分割方法和装置 |
CN109242849A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、***和存储介质 |
TWI675646B (zh) * | 2018-10-08 | 2019-11-01 | 財團法人資訊工業策進會 | ***影像分析方法、***影像分析系統及非暫態電腦可讀取媒體 |
-
2020
- 2020-05-08 CN CN202010380792.5A patent/CN111681205B/zh active Active
- 2020-05-08 CN CN202310103687.0A patent/CN116091466A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN116091466A (zh) | 2023-05-09 |
CN111681205A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111681205B (zh) | 图像分析方法、计算机设备和存储介质 | |
CN111862066B (zh) | 基于深度学习的脑瘤图像分割方法、装置、设备及介质 | |
Kuang et al. | EIS-Net: Segmenting early infarct and scoring ASPECTS simultaneously on non-contrast CT of patients with acute ischemic stroke | |
CN110415792B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN112561908B (zh) | 乳腺图像病灶匹配方法、装置及存储介质 | |
CN109712163B (zh) | 冠脉提取方法、装置、图像处理工作站和可读存储介质 | |
CN110751187B (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
CN111340825A (zh) | 一种纵膈***分割模型的生成方法及*** | |
CN111861989A (zh) | 一种脑中线检测方法、***、终端及存储介质 | |
CN114445334A (zh) | 图像分析的方法、装置、设备及存储介质 | |
EP4296941A1 (en) | Processing method of medical image and computing apparatus for processing medical image | |
CN114387464A (zh) | 基于ivus影像的易损斑块识别方法、计算机设备、可读存储介质和程序产品 | |
CN115439533A (zh) | 获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN110348477B (zh) | 医疗图像处理方法、存储介质及计算机设备 | |
CN111462139A (zh) | 医学图像显示方法、装置、计算机设备和可读存储介质 | |
CN111798410A (zh) | 基于深度学习模型的癌细胞病理分级方法、装置、设备和介质 | |
CN114926487A (zh) | 多模态影像脑胶质瘤靶区分割方法、***及设备 | |
Liu et al. | Weakly-supervised localization and classification of biomarkers in OCT images with integrated reconstruction and attention | |
CN111489318B (zh) | 医学图像增强方法和计算机可读存储介质 | |
CN109461143B (zh) | 图像显示方法、装置、计算机设备和存储介质 | |
CN116630239A (zh) | 影像分析方法、装置和计算机设备 | |
CN113705807B (zh) | 神经网络的训练装置及方法,消融布针规划装置及方法 | |
CN114820483A (zh) | 图像检测方法、装置及计算机设备 | |
Madesta et al. | Deep learning‐based conditional inpainting for restoration of artifact‐affected 4D CT images |
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 |