CN112634226B - 头部ct图像检测装置、方法、电子设备及存储介质 - Google Patents
头部ct图像检测装置、方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112634226B CN112634226B CN202011514659.0A CN202011514659A CN112634226B CN 112634226 B CN112634226 B CN 112634226B CN 202011514659 A CN202011514659 A CN 202011514659A CN 112634226 B CN112634226 B CN 112634226B
- Authority
- CN
- China
- Prior art keywords
- disease
- head
- image
- symptom
- classification result
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims description 29
- 208000024891 symptom Diseases 0.000 claims abstract description 265
- 201000010099 disease Diseases 0.000 claims abstract description 171
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 171
- 208000021245 head disease Diseases 0.000 claims abstract description 98
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000003709 image segmentation Methods 0.000 claims abstract description 7
- 238000007917 intracranial administration Methods 0.000 claims description 78
- 230000006870 function Effects 0.000 claims description 34
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 16
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 208000014644 Brain disease Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010051290 Central nervous system lesion Diseases 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010019196 Head injury Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000027407 head symptom Diseases 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
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
- G06N3/04—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及医疗科技技术领域,具体提供了一种头部CT图像检测装置、方法、电子设备及存储介质,其中,该装置包括:特征提取模块,用于对采集的头部CT图像进行特征提取,得到目标特征图;图像分割模块,用于基于所述目标特征图对所述头部CT图像进行分割,得到头部病种征象图像;联合分类模块,用于对所述头部病种征象图像进行分类处理,得到征象的分类结果、病种的分类结果以及征象与病种的关联关系的分类结果。本申请实施例有利于解决头部病种、征象检测中因同病异征和异病同征所带来的病种、征象分类错误问题,有利于提高多病种多征象检测的准确度。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种头部CT图像检测装置、方法、电子设备及存储介质。
背景技术
电子计算机断层扫描(Computed Tomography,CT)是一种先进的医学造影技术,已较为广泛地应用于疾病的检查和诊断。随着高性能计算设备以及人工智能技术的发展,基于人工智能技术实现在CT影像上的智能辅助诊断已成为可能,而该领域的一大研究热门就是多病种多征象检测。现有技术在多病种多征象的检测上多采用分而治之的思路,即将多病种和多征象作为独立的任务进行检测、分析,以实现对CT影响的智能辅助诊断,但是这对多病种多征象检测的准确度并不高。
发明内容
针对上述问题,本申请提供了一种头部CT图像检测装置、方法、电子设备及存储介质,有利于提高头部多病种多征象检测的准确度。
为实现上述目的,本申请实施例第一方面提供了一种头部CT图像检测方法,该方法包括:
对采集的头部CT图像进行特征提取,得到目标特征图;
基于所述目标特征图对所述头部CT图像进行分割,得到头部病种征象图像;
对所述头部病种征象图像进行分类处理,得到征象的分类结果、病种的分类结果以及征象与病种的关联关系的分类结果。
结合第一方面,在一种可能的实施方式中,所述对所述头部病种征象图像进行分类处理,得到征象的分类结果、病种的分类结果以及征象与病种的关联关系的分类结果征象的分类结果,包括:
提取所述头部病种征象图像对应的特征;
将所述头部病种征象图像对应的特征输入全连接层进行分类,经过多分类函数的处理得到所述征象的分类结果,所述征象的分类结果包括征象的类别、征象的检测框以及检测框包含征象的置信度;
将所述头部病种征象图像对应的特征输入全卷积网络进行分类,经过多分类函数的处理得到所述病种的分类结果,以及经过二分类函数的处理得到所述征象与病种的关联关系的分类结果;所述病种的分类结果包括预测出的病种掩码;所述征象与病种的关联关系的分类结果用于表示所述征象的分类结果中的征象是否为所述病种的分类结果中的病种的征象,若是则取值为1,否则取值为0。
结合第一方面,在一种可能的实施方式中,所述征象的分类结果、所述病种的分类结果以及所述征象与病种的关联关系的分类结果采用训练好的神经网络模型对所述头部CT图像进行分类得到;所述方法还包括:
根据所述征象的分类结果和第一金标准计算第一损失;
根据所述征象的分类结果、所述病种的分类结果、所述征象与病种的关联关系的分类结果和第二金标准计算第二损失;
根据所述第一损失、所述第二损失中的至少一种对所述神经网络模型的参数进行调整。
结合第一方面,在一种可能的实施方式中,采用以下公式计算所述第二损失:
其中,LOSS为所述第二损失,s表示网格的尺寸,B表示输出的检测框,表示在第i个网格的第j个预设锚框中存在头部病种征象,取值为1,若不存在则为0,pi表示第i个网格处的征象分类概率,qi表示在第i个网格处的病种分类概率,/>表示预测得到的病种掩码,dice为衡量病种掩码预测精度的指标。
结合第一方面,在一种可能的实施方式中,所述基于所述目标特征图对所述头部CT图像进行分割,得到头部病种征象图像,包括:
基于所述目标特征图及预设锚框,得到所述头部CT图像中的候选区域;
基于所述候选区域分割出所述头部病种征象图像。
结合第一方面,在一种可能的实施方式中,所述对采集的头部CT图像进行特征提取,得到目标特征图,包括:
对所述头部CT图像进行分割,得到N张颅内部位图;所述N张颅内部位图中的每张颅内部位图包括颅内的一个部位,且所述每张颅内部位图中的部位不重复;N为大于1的整数。
对所述每张颅内部位图进行增强处理,得到增强后的N张颅内部位图;
基于所述增强后的N张颅内部位图得到待处理头部CT图像;
对所述待处理头部CT图像进行特征提取,得到所述目标特征图。
结合第一方面,在一种可能的实施方式中,所述基于所述增强后的N张颅内部位图得到待处理头部CT图像,包括:
对所述增强后的N张颅内部位图中的每两张颅内部位图进行重叠检测,得到所述每两张颅内部位图的重叠区域;
获取所述重叠区域内像素点对应的灰度值,并计算该灰度值的平均值;
利用所述平均值替换所述重叠区域内像素点对应的灰度值,得到N张待贴回颅内部位图;
按照所述N张颅内部位图在所述头部CT图像中的位置将所述N张待贴回颅内部位图贴回所述头部CT图像,得到所述待处理头部CT图像。
本申请实施例第二方面提供了一种头部CT图像检测装置,该装置包括:
特征提取模块,用于对采集的头部CT图像进行特征提取,得到目标特征图;
图像分割模块,用于基于所述目标特征图对所述头部CT图像进行分割,得到头部病种征象图像;
联合分类模块,用于对所述头部病种征象图像进行分类处理,得到征象的分类结果、病种的分类结果以及征象与病种的关联关系的分类结果。
结合第二方面,在一种可能的实施方式中,在对所述头部病种征象图像进行分类处理,得到征象的分类结果、病种的分类结果以及征象与病种的关联关系的分类结果方面,所述联合分类模块具体用于:
提取所述头部病种征象图像对应的特征;
将所述头部病种征象图像对应的特征输入全连接层进行分类,经过多分类函数的处理得到所述征象的分类结果,所述征象的分类结果包括征象的类别、征象的检测框以及检测框包含征象的置信度;
将所述头部病种征象图像对应的特征输入全卷积网络进行分类,经过多分类函数的处理得到所述病种的分类结果,以及经过二分类函数的处理得到所述征象与病种的关联关系的分类结果;所述病种的分类结果包括预测出的病种掩码;所述征象与病种的关联关系的分类结果用于表示所述征象的分类结果中的征象是否为所述病种的分类结果中的病种的征象,若是则取值为1,否则取值为0。
结合第二方面,在一种可能的实施方式中,该装置还包括参数调整模块;所述参数调整模块用于:
根据所述征象的分类结果和第一金标准计算第一损失;
根据所述征象的分类结果、所述病种的分类结果、所述征象与病种的关联关系的分类结果和第二金标准计算第二损失;
根据所述第一损失、所述第二损失中的至少一种对所述神经网络模型的参数进行调整。
结合第二方面,在一种可能的实施方式中,所述参数调整模块采用以下公式计算所述第二损失:
其中,LOSS为所述第二损失,s表示网格的尺寸,B表示输出的检测框,表示在第i个网格的第j个预设锚框中存在头部病种征象,取值为1,若不存在则为0,pi表示第i个网格处的征象分类概率,qi表示在第i个网格处的病种分类概率,/>表示预测得到的病种掩码,dice为衡量病种掩码预测精度的指标。
结合第二方面,在一种可能的实施方式中,在基于所述目标特征图对所述头部CT图像进行分割,得到头部病种征象图像方面,所述图像分割模块具体用于:
基于所述目标特征图及预设锚框,得到所述头部CT图像中的候选区域;
基于所述候选区域分割出所述头部病种征象图像。
结合第二方面,在一种可能的实施方式中,在对采集的头部CT图像进行特征提取,得到目标特征图方面,特征提取模块具体用于:
对所述头部CT图像进行分割,得到N张颅内部位图;所述N张颅内部位图中的每张颅内部位图包括颅内的一个部位,且所述每张颅内部位图中的部位不重复;N为大于1的整数。
对所述每张颅内部位图进行增强处理,得到增强后的N张颅内部位图;
基于所述增强后的N张颅内部位图得到待处理头部CT图像;
对所述待处理头部CT图像进行特征提取,得到所述目标特征图。
结合第二方面,在一种可能的实施方式中,在基于所述增强后的N张颅内部位图得到待处理头部CT图像方面,所述特征提取模块具体用于:
对所述增强后的N张颅内部位图中的每两张颅内部位图进行重叠检测,得到所述每两张颅内部位图的重叠区域;
获取所述重叠区域内像素点对应的灰度值,并计算该灰度值的平均值;
利用所述平均值替换所述重叠区域内像素点对应的灰度值,得到N张待贴回颅内部位图;
按照所述N张颅内部位图在所述头部CT图像中的位置将所述N张待贴回颅内部位图贴回所述头部CT图像,得到所述待处理头部CT图像。
本申请实施例第三方面提供了一种电子设备,该电子设备包括输入设备和输出设备,还包括处理器,适于实现一条或多条指令;以及,计算机存储介质,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由所述处理器加载并执行如下步骤:
对采集的头部CT图像进行特征提取,得到目标特征图;
基于所述目标特征图对所述头部CT图像进行分割,得到头部病种征象图像;
对所述头部病种征象图像进行分类处理,得到征象的分类结果、病种的分类结果以及征象与病种的关联关系的分类结果。
本申请实施例第四方面提供了一种计算机存储介质,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由处理器加载并执行如下步骤:
对采集的头部CT图像进行特征提取,得到目标特征图;
基于所述目标特征图对所述头部CT图像进行分割,得到头部病种征象图像;
对所述头部病种征象图像进行分类处理,得到征象的分类结果、病种的分类结果以及征象与病种的关联关系的分类结果。
本申请的上述方案至少包括以下有益效果:与现有技术相比,本申请实施例通过对采集的头部CT图像进行特征提取,得到目标特征图;基于所述目标特征图对所述头部CT图像进行分割,得到头部病种征象图像;对所述头部病种征象图像进行分类处理,得到征象的分类结果、病种的分类结果以及征象与病种的关联关系的分类结果。这样在头部多病种多征象的分类问题上,不是将征象分类和病种分类作为两个单独的任务进行处理,而是放在一个任务中进行检测分类,充分考虑了病种与征象之间的关联关系,有利于解决头部病种、征象检测中因同病异征和异病同征所带来的病种、征象分类错误问题,有利于提高多病种多征象检测的准确度。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种应用环境的示意图;
图2为本申请实施例提供的一种头部CT图像检测方法的流程示意图;
图3为本申请实施例提供的一种分割颅内部位的示例图;
图4为本申请实施例提供的一种神经网络模型的结构示意图;
图5为本申请实施例提供的另一种头部CT图像检测方法的流程示意图;
图6为本申请实施例提供的一种头部CT图像检测装置的结构示意图;
图7为本申请实施例提供的另一种头部CT图像检测装置的结构示意图;
图8为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅仅是本申请一部分的实施例,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,都应当属于本申请保护的范围。
本申请说明书、权利要求书和附图中出现的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外,术语“第一”、“第二”和“第三”等是用于区别不同的对象,而并非用于描述特定的顺序。
本申请实施例提供一种头部CT图像检测方法,可基于图1所示的应用环境实施,请参见图1,该应用环境中包括CT造影设备和电子设备,其中,CT造影设备用于采集患者的头部CT图像,电子设备用于对CT造影设备采集的头部CT图像进行一系列检测、分类处理,以对患者的头部病种和征象进行联合分类,不仅能检测出多征象和多病种,还能检测出多征象和多病种之间的对应关系。CT造影设备包括但不限于成像层、通信层,电子设备包括但不限于通信层、处理层,CT造影设备的通信层和电子设备的通信层均设置有数据协议接口,基于该数据协议接口,CT造影设备的通信层可通过有线或无线网络将成像层采集的头部CT图像传输至电子设备的通信层,电子设备的通信层将获取到的头部CT图像发送给处理层,处理层对头部CT图像进行特征提取,得到目标特征图,然后对头部CT图像进行分割,得到头部病种征象图像,基于头部病种征象图像分别对征象进行分类、对病种进行分类以及对征象与病种之间的关联关系进行分类,输出最终的分类结果以供医护人员参考。由于在检测、分类过程中充分考虑了病种与征象之间的关联关系,有利于解决头部病种、征象检测中因同病异征和异病同征所带来的病种、征象分类错误问题,有利于提高多病种多征象检测的准确度。
基于图1所示的应用环境,以下结合其他附图对本申请实施例提供的头部CT图像检测方法进行详细阐述。
请参见图2,图2为本申请实施例提供的一种头部CT图像检测方法的流程示意图,该方法应用于电子设备,如图2所示,包括步骤S21-S23:
S21,对采集的头部CT图像进行特征提取,得到目标特征图。
本申请具体实施例中,头部CT图像可以是当前采集的,也可以是历史采集的,还可以是由第三方采集后,从第三方获取到的,其可以是二维图像,也可以是三维图像。头部CT图像是检测患者是否患有脑部疾病的常用方法之一,目前主要通过经验丰富的医疗工作者对头部CT图像进行观察,通过直接或间接的征象来判断患者是否患有脑部疾病,以及患有脑部疾病的确切病种,但是,这种检测效率极低,且由于头部结构复杂等因素,检测的准确度或全面度难以保证。鉴于此,此处采用计算机对头部CT图像进行处理,根据头部CT图像的维度,选定不同的神经网络作为基础架构,例如:二维的头部CT图像可以选择YOLO-V3(YouOnly Look Once-V3,一瞥目标检测器V3)、RetinaNet、EfficientDet等网络,若是三维的头部CT图像则需要将选定的神经网络的卷积核调整为3维卷积核,优选的,本申请在用单阶段目标检测的神经网络作为基础架构以提高检测速度、节省显存占用。应当理解的,选定的神经网络包括骨干网络部分,例如:YOLO-V3的骨干网络可采用Darknet53,RetinaNet的骨干网络可采用ResNet,对于所述头部CT图像,将其输入预设神经网络的骨干网络部分进行特征提取,便得到所述目标特征图。
在一种可能的实施方式中,上述对采集的头部CT图像进行特征提取,得到目标特征图,包括:
对所述头部CT图像进行分割,得到N张颅内部位图;所述N张颅内部位图中的每张颅内部位图包括颅内的一个部位,且所述每张颅内部位图中的部位不重复;N为大于1的整数。
对所述每张颅内部位图进行增强处理,得到增强后的N张颅内部位图;
基于所述增强后的N张颅内部位图得到待处理头部CT图像;
对所述待处理头部CT图像进行特征提取,得到所述目标特征图。
如图3所示,一张头部CT图像可以通过图像检测、分割算法分割出颅内脑叶、脑室、脑池等众多部位,每个部位所在的小图即颅内部位图。对每张颅内部位图中的每个像素点进行遍历,以计算出每张颅内部位图的直方图分布,在该直方图分布中某个灰度级超过预设值的情况下,将超出预设值的部分裁剪掉并平均分配到各个灰度级上,然后将每张颅内部位图分块,计算出每个块的直方图分布,针对图像中的每个像素点,找到邻近的四个窗口,计算该四个窗口直方图分布对该每个像素点的映射值,之后再进行双线性插值计算出该每个像素点最终的映射值,由此完成每张颅内部位图的增强。
进一步的,上述基于所述增强后的N张颅内部位图得到待处理头部CT图像,包括:
对所述增强后的N张颅内部位图中的每两张颅内部位图进行重叠检测,得到所述每两张颅内部位图的重叠区域;
获取所述重叠区域内像素点对应的灰度值,并计算该灰度值的平均值;
利用所述平均值替换所述重叠区域内像素点对应的灰度值,得到N张待贴回颅内部位图;
按照所述N张颅内部位图在所述头部CT图像中的位置将所述N张待贴回颅内部位图贴回所述头部CT图像,得到所述待处理头部CT图像。
具体的,请继续参见图3,针对增强后的N张颅内部位图两两进行重叠区域的检测,例如:可以采用图像配准的方法进行重叠区域检测,也可以对增强后的两张颅内部位图进行区域性特征密度检测,将该特征密度大于或等于阈值的区域确定为重叠区域,比如,在增强后的两张颅内部位图尺寸不相同的情况下,对尺寸较小的一张进行边缘填充,使得增强后的两张颅内部位图尺寸相同,然后以预设窗口在其中一张上进行滑动以选取待检测区域,并计算待检测区域内的特征密度,同时在另一张上确定出待检测区域的对应区域,计算该对应区域的特征密度,再计算两个区域的特征密度的比值,由此检测出重叠区域,其中,预设窗口的尺寸可自定义。由于重叠区域可能是颅内各部位的背景区域,对于后期检测和分类的影响较小,因此可采用灰度值的平均值对重叠区域内像素点对应的灰度值进行替换,然后将N张待贴回颅内部位图按照分割时的位置对应贴回原头部CT图像,以此来凸显颅内的各个部位,使得后期病种征象检测时,能更快速地定位到颅内的重要部位。
另外,采用训练好的神经网络模型对待处理头部CT图像进行特征提取,得到目标特征图。可选的,以YOLO-V3为例进行说明,所述目标特征图包括第一尺度的目标特征图、第二尺度的目标特征图以及第三尺度的目标特征图,对于所述头部CT图像采用53个卷积层进行卷积处理,对于79层的特征图进行32倍下采样,得到第一尺度的目标特征图,对79层的特征图进行上采样,然后与第62层的特征图进行融合得到第91层的特征图,对第91层的特征图进行16倍下采样,得到第二尺度的目标特征图,对第91层的特征图进行上采样,将上采样后的特征图与第36层的特征图进行融合,对融合后的特征图进行8倍下采样得到第三尺度的目标特征图。
S22,基于所述目标特征图对所述头部CT图像进行分割,得到头部病种征象图像。
本申请具体实施例中,头部病种征象图像是指基于头部CT图像的感兴趣区域得到的图像,感兴趣区域是指头部病种征象出现的区域。其中,头部病种征象图像包括颅脑先天性病变征象图像、头部创伤征象图像、脑血管疾病征象图像、颅内肿瘤征象图像、颅内感染征象图像、颅内发炎征象图像中的至少一种,当然,还包括其他头部病种征象图像,此处不再一一列出。
在一种可能的实施方式中,所述基于所述目标特征图对所述头部CT图像进行分割,得到头部病种征象图像,包括:
基于所述目标特征图及预设锚框,得到所述头部CT图像中的候选区域;
基于所述候选区域分割出所述头部病种征象图像。
具体的,基于所述目标特征图的尺寸将所述头部CT图像划分为多个网格,例如:目标特征图的尺寸为7*7,则将头部CT图像划分为7*7的网格,以所述多个网格中的每一个网格为中心在所述头部CT图像中生成k个所述预设锚框,将k个所述预设锚框中的目标预设锚框所框定的区域确定为所述候选区域,所述目标预设锚框为包含头部病种征象的锚框,具体可根据预测出的每个预设锚框的置信度确定,例如:置信度为1则确定该预设锚框包含头部病种征象,置信度为0则确定该预设锚框不包含头部病种征象。在得到候选区域后,可对候选区域进行量化,得到感兴趣区域,具体可采用RoIAlign方法将候选区域映射到目标特征图,得到感兴趣区域,将感兴趣区域在所述头部CT图像中对应的位置分割出来,得到头部病种征象图像。
S23,对所述头部病种征象图像进行分类处理,得到征象的分类结果、病种的分类结果以及征象与病种的关联关系的分类结果。
本申请具体实施例中,如图4所示,神经网络模型主要包括骨干网络部分和网络输出,骨干网络部分主要用于对输入的头部CT图像进行特征提取,大部分为卷积操作,网络输出部分在现有技术仅输出征象的分类结果的基础上,还增加了两个分支进行病种的分类结果和征象与病种的关联关系的分类结果的输出。
其中,对头部病种征象图像进行分类时,先提取其对应的特征(即感兴趣区域的特征),将头部病种征象图像对应的特征输入全连接层进行分类预测,经过多分类函数的处理得到所述征象的分类结果,所述征象的分类结果包括征象的类别、征象的检测框以及检测框包含征象的置信度;将所述头部病种征象图像对应的特征输入全卷积网络进行分类预测,经过多分类函数的处理得到所述病种的分类结果(即该患者具体患有哪些病种),所述病种的分类结果为预测出的病种掩码mask;以及经过二分类函数的处理得到所述征象与病种的关联关系的分类结果,即某个征象是不是某个病种的征象,是则为1,不是则为0。其中,多分类函数可以是softmax函数,二分类函数可以是sigmoid函数。由于本申请在选定的神经网络的基础架构上增加了两个分支,一个用于头部病种掩码的预测,即用于头部病种的分类,一个用于头部病种与征象的关联关系的分类,因此,在选定的神经网络原有输出结果(即征象的分类结果)的基础上,还能多输出上述的病种的分类结果和征象与病种的关联关系的分类结果,从而在对头部CT图像进行多征象多病种分类时充分考虑了多征象与多病种的关联关系。
在一种可能的实施方式中,所述方法还包括:
根据所述征象的分类结果和第一金标准计算第一损失;
根据所述征象的分类结果、所述病种的分类结果、所述征象与病种的关联关系的分类结果和第二金标准计算第二损失;
根据所述第一损失、所述第二损失中的至少一种对所述神经网络模型的参数进行调整。
应当理解的,第一金标准即医学上头部病种征象类别的金标准,第二金标准即头部病种与征象的关联关系的金标准,即头部病种征象与病种的对应关系的金标准。第一损失为选定的基础网络架构的损失,例如:在选定YOLO-V3为本申请的基础网络架构的情况下,第一损失即YOLO-V3的损失。第二损失为头部病种与征象的关联关系的损失,其计算公式为: 其中,LOSS为所述第二损失,s表示网格的尺寸,B表示输出的检测框,/>表示在第i个网格的第j个预设锚框中存在头部病种征象,取值为1,若不存在则为0,pi表示第i个网格处的征象分类概率,qi表示在第i个网格处的病种分类概率,/>表示预测得到的病种掩码,dice为衡量病种掩码预测精度的指标,其阈值通常取0.5。根据第一损失、第二损失中的至少一种采用反向传播算法更新神经网络模型的参数,不断进行迭代,直至神经网络模型收敛。
可以看出,本申请实施例在获取头部CT图像的情况下,对采集的头部CT图像进行特征提取,得到目标特征图,然后基于所述目标特征图对所述头部CT图像进行分割,得到头部病种征象图像,最后对所述头部病种征象图像进行分类处理,得到征象的分类结果、病种的分类结果以及征象与病种的关联关系的分类结果。这样将头部多病种与多征象分类放在一个任务中进行,检测效率提升,同时,充分了考虑了多病种与多征象的关联关系,将征象与病种充分对应,有利于解决同病异征和异病同征的问题,提升了多病种多征象检测的准确度。
在本申请的一个实施方式中,本申请的头部CT图像检测方案还可以应用到智慧医疗领域,比如通过接收电子计算机断层扫描仪采集的头部CT图像,通过本申请的头部CT图像检测方法对该头部CT图像进行检测分类,得到最终的分类结果。由于通过本申请的头部CT图像检测方法可将头部多病种与多征象充分对应,能够解决同病异征和异病同征的问题,这样可以为医护人员的诊断提供更为准确的依据,提高头部疾病诊断的准确度。
请参见图5,图5本申请实施例提供的另一种头部CT图像检测方法的流程示意图,同样可基于图1所示的应用环境实施,如图5所示,包括步骤S51-S54:
S51,对采集的头部CT图像进行特征提取,得到目标特征图;
S52,基于所述目标特征图对所述头部CT图像进行分割,得到头部病种征象图像;
S53,提取所述头部病种征象图像对应的特征;
S54,将所述头部病种征象图像对应的特征输入全连接层进行分类,经过多分类函数的处理得到所述征象的分类结果。
其中,所述征象的分类结果包括征象的类别、征象的检测框以及检测框包含征象的置信度。
S55,将所述头部病种征象图像对应的特征输入全卷积网络进行分类,经过多分类函数的处理得到所述病种的分类结果,以及经过二分类函数的处理得到所述征象与病种的关联关系的分类结果。
其中,所述病种的分类结果包括预测出的病种掩码;所述征象与病种的关联关系的分类结果用于表示所述征象的分类结果中的征象是否为所述病种的分类结果中的病种的征象,若是则取值为1,否则取值为0。
其中,步骤S51-S55的具体实施方式在图2所示的实施例中已有相关说明,且能达到相同或相似的有益效果,为避免重复,此处不再赘述。
基于上述头部CT图像检测方法实施例的描述,请参见图6,图6为本申请实施例提供的一种头部CT图像检测装置的结构示意图,如图6所示,该装置包括:
特征提取模块61,用于对采集的头部CT图像进行特征提取,得到目标特征图;
图像分割模块62,用于基于所述目标特征图对所述头部CT图像进行分割,得到头部病种征象图像;
联合分类模块63,用于对所述头部病种征象图像进行分类处理,得到征象的分类结果、病种的分类结果以及征象与病种的关联关系的分类结果。
在一种可能的实施方式中,在对所述头部病种征象图像进行分类处理,得到征象的分类结果、病种的分类结果以及征象与病种的关联关系的分类结果方面,所述联合分类模块63具体用于:
提取所述头部病种征象图像对应的特征;
将所述头部病种征象图像对应的特征输入全连接层进行分类,经过多分类函数的处理得到所述征象的分类结果,所述征象的分类结果包括征象的类别、征象的检测框以及检测框包含征象的置信度;
将所述头部病种征象图像对应的特征输入全卷积网络进行分类,经过多分类函数的处理得到所述病种的分类结果,以及经过二分类函数的处理得到所述征象与病种的关联关系的分类结果;所述病种的分类结果包括预测出的病种掩码;所述征象与病种的关联关系的分类结果用于表示所述征象的分类结果中的征象是否为所述病种的分类结果中的病种的征象,若是则取值为1,否则取值为0。
在一种可能的实施方式中,如图7所示,该装置还包括参数调整模块64;所述参数调整模块64用于:
根据所述征象的分类结果和第一金标准计算第一损失;
根据所述征象的分类结果、所述病种的分类结果、所述征象与病种的关联关系的分类结果和第二金标准计算第二损失;
根据所述第一损失、所述第二损失中的至少一种对所述神经网络模型的参数进行调整。
在一种可能的实施方式中,参数调整模块64采用以下公式计算所述第二损失:
其中,LOSS为所述第二损失,s表示网格的尺寸,B表示输出的检测框,表示在第i个网格的第j个预设锚框中存在头部病种征象,取值为1,若不存在则为0,pi表示第i个网格处的征象分类概率,qi表示在第i个网格处的病种分类概率,/>表示预测得到的病种掩码,dice为衡量病种掩码预测精度的指标。
在一种可能的实施方式中,在基于所述目标特征图对所述头部CT图像进行分割,得到头部病种征象图像方面,所述图像分割模块62具体用于:
基于所述目标特征图及预设锚框,得到所述头部CT图像中的候选区域;
基于所述候选区域分割出所述头部病种征象图像。
在一种可能的实施方式中,在对采集的头部CT图像进行特征提取,得到目标特征图方面,特征提取模块61具体用于:
对所述头部CT图像进行分割,得到N张颅内部位图;所述N张颅内部位图中的每张颅内部位图包括颅内的一个部位,且所述每张颅内部位图中的部位不重复;N为大于1的整数。
对所述每张颅内部位图进行增强处理,得到增强后的N张颅内部位图;
基于所述增强后的N张颅内部位图得到待处理头部CT图像;
对所述待处理头部CT图像进行特征提取,得到所述目标特征图。
在一种可能的实施方式中,在基于所述增强后的N张颅内部位图得到待处理头部CT图像方面,所述特征提取模块61具体用于:
对所述增强后的N张颅内部位图中的每两张颅内部位图进行重叠检测,得到所述每两张颅内部位图的重叠区域;
获取所述重叠区域内像素点对应的灰度值,并计算该灰度值的平均值;
利用所述平均值替换所述重叠区域内像素点对应的灰度值,得到N张待贴回颅内部位图;
按照所述N张颅内部位图在所述头部CT图像中的位置将所述N张待贴回颅内部位图贴回所述头部CT图像,得到所述待处理头部CT图像。
根据本申请的一个实施例,图6或图7所示的头部CT图像检测装置的各个单元可以分别或全部合并为一个或若干个另外的单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成,这可以实现同样的操作,而不影响本申请的实施例的技术效果的实现。上述单元是基于逻辑功能划分的,在实际应用中,一个单元的功能也可以由多个单元来实现,或者多个单元的功能由一个单元实现。在本申请的其它实施例中,基于头部CT图像检测装置也可以包括其它单元,在实际应用中,这些功能也可以由其它单元协助实现,并且可以由多个单元协作实现。
根据本申请的另一个实施例,可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的例如计算机的通用计算设备上运行能够执行如图2或图5中所示的相应方法所涉及的各步骤的计算机程序(包括程序代码),来构造如图6或图7中所示的头部CT图像检测装置设备,以及来实现本申请实施例的头部CT图像检测方法。所述计算机程序可以记载于例如计算机可读记录介质上,并通过计算机可读记录介质装载于上述计算设备中,并在其中运行。
基于上述方法实施例和装置实施例的描述,本申请实施例还提供一种电子设备。请参见图8,该电子设备至少包括处理器81、输入设备82、输出设备83以及计算机存储介质84。其中,电子设备内的处理器81、输入设备82、输出设备83以及计算机存储介质84可通过总线或其他方式连接。
计算机存储介质84可以存储在电子设备的存储器中,所述计算机存储介质84用于存储计算机程序,所述计算机程序包括程序指令,所述处理器81用于执行所述计算机存储介质84存储的程序指令。处理器81(或称CPU(Central Processing Unit,中央处理器))是电子设备的计算核心以及控制核心,其适于实现一条或多条指令,具体适于加载并执行一条或多条指令从而实现相应方法流程或相应功能。
在一个实施例中,本申请实施例提供的电子设备的处理器81可以用于进行一系列头部CT图像的检测和分类处理:
对采集的头部CT图像进行特征提取,得到目标特征图;
基于所述目标特征图对所述头部CT图像进行分割,得到头部病种征象图像;
对所述头部病种征象图像进行分类处理,得到征象的分类结果、病种的分类结果以及征象与病种的关联关系的分类结果。
再一个实施例中,处理器81执行所述对所述头部病种征象图像进行分类处理,得到征象的分类结果、病种的分类结果以及征象与病种的关联关系的分类结果征象的分类结果,包括:
提取所述头部病种征象图像对应的特征;
将所述头部病种征象图像对应的特征输入全连接层进行分类,经过多分类函数的处理得到所述征象的分类结果,所述征象的分类结果包括征象的类别、征象的检测框以及检测框包含征象的置信度;
将所述头部病种征象图像对应的特征输入全卷积网络进行分类,经过多分类函数的处理得到所述病种的分类结果,以及经过二分类函数的处理得到所述征象与病种的关联关系的分类结果;所述病种的分类结果包括预测出的病种掩码;所述征象与病种的关联关系的分类结果用于表示所述征象的分类结果中的征象是否为所述病种的分类结果中的病种的征象,若是则取值为1,否则取值为0。
再一个实施例中,所述征象的分类结果、所述病种的分类结果以及所述征象与病种的关联关系的分类结果采用训练好的神经网络模型对所述头部CT图像进行分类得到;处理器81还用于执行:
根据所述征象的分类结果和第一金标准计算第一损失;
根据所述征象的分类结果、所述病种的分类结果、所述征象与病种的关联关系的分类结果和第二金标准计算第二损失;
根据所述第一损失、所述第二损失中的至少一种对所述神经网络模型的参数进行调整。
再一个实施例中,处理器81采用以下公式计算所述第二损失:
其中,LOSS为所述第二损失,s表示网格的尺寸,B表示输出的检测框,表示在第i个网格的第j个预设锚框中存在头部病种征象,取值为1,若不存在则为0,pi表示第i个网格处的征象分类概率,qi表示在第i个网格处的病种分类概率,/>表示预测得到的病种掩码,dice为衡量病种掩码预测精度的指标。
再一个实施例中,处理器81执行所述基于所述目标特征图对所述头部CT图像进行分割,得到头部病种征象图像,包括:
基于所述目标特征图及预设锚框,得到所述头部CT图像中的候选区域;
基于所述候选区域分割出所述头部病种征象图像。
再一个实施例中,处理器81执行所述对采集的头部CT图像进行特征提取,得到目标特征图,包括:
对所述头部CT图像进行分割,得到N张颅内部位图;所述N张颅内部位图中的每张颅内部位图包括颅内的一个部位,且所述每张颅内部位图中的部位不重复;N为大于1的整数。
对所述每张颅内部位图进行增强处理,得到增强后的N张颅内部位图;
基于所述增强后的N张颅内部位图得到待处理头部CT图像;
对所述待处理头部CT图像进行特征提取,得到所述目标特征图。
再一个实施例中,处理器81执行所述基于所述增强后的N张颅内部位图得到待处理头部CT图像,包括:
对所述增强后的N张颅内部位图中的每两张颅内部位图进行重叠检测,得到所述每两张颅内部位图的重叠区域;
获取所述重叠区域内像素点对应的灰度值,并计算该灰度值的平均值;
利用所述平均值替换所述重叠区域内像素点对应的灰度值,得到N张待贴回颅内部位图;
按照所述N张颅内部位图在所述头部CT图像中的位置将所述N张待贴回颅内部位图贴回所述头部CT图像,得到所述待处理头部CT图像。
示例性的,上述电子设备可以是服务器、云服务器、计算机主机、服务器集群等,电子设备包括但不仅限于处理器81、输入设备82、输出设备83以及计算机存储介质84。本领域技术人员可以理解,所述示意图仅仅是电子设备的示例,并不构成对电子设备的限定,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。
需要说明的是,由于电子设备的处理器81执行计算机程序时实现上述的头部CT图像检测方法中的步骤,因此上述头部CT图像检测方法的实施例均适用于该电子设备,且均能达到相同或相似的有益效果。
本申请实施例还提供了一种计算机存储介质(Memory),所述计算机存储介质是电子设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机存储介质既可以包括终端中的内置存储介质,当然也可以包括终端所支持的扩展存储介质。计算机存储介质提供存储空间,该存储空间存储了终端的操作***。并且,在该存储空间中还存放了适于被处理器81加载并执行的一条或多条的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器;可选的,还可以是至少一个位于远离前述处理器81的计算机存储介质。在一个实施例中,可由处理器81加载并执行计算机存储介质中存放的一条或多条指令,以实现上述有关头部CT图像检测方法的相应步骤。
示例性的,计算机存储介质的计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,由于计算机存储介质的计算机程序被处理器执行时实现上述的头部CT图像检测方法中的步骤,因此上述头部CT图像检测方法的所有实施例均适用于该计算机存储介质,且均能达到相同或相似的有益效果。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (7)
1.一种头部CT图像检测装置,其特征在于,所述装置包括:
特征提取模块,用于对采集的头部CT图像进行特征提取,得到目标特征图;
图像分割模块,用于基于所述目标特征图对所述头部CT图像进行分割,得到头部病种征象图像;
联合分类模块,用于对所述头部病种征象图像进行分类处理,得到征象的分类结果、病种的分类结果以及征象与病种的关联关系的分类结果,包括:
提取所述头部病种征象图像对应的特征;
将所述头部病种征象图像对应的特征输入全连接层进行分类,经过多分类函数的处理得到所述征象的分类结果;
将所述头部病种征象图像对应的特征输入全卷积网络进行分类,经过多分类函数的处理得到所述病种的分类结果,以及经过二分类函数的处理得到所述征象与病种的关联关系的分类结果;
所述征象的分类结果包括征象的类别、征象的检测框以及检测框包含征象的置信度;所述病种的分类结果包括预测出的病种掩码;所述征象与病种的关联关系的分类结果用于表示所述征象的分类结果中的征象是否为所述病种的分类结果中的病种的征象,若是则取值为1,否则取值为0;
所述征象的分类结果、所述病种的分类结果以及所述征象与病种的关联关系的分类结果由所述联合分类模块采用训练好的神经网络模型对所述头部CT图像进行分类得到;
参数调整模块,用于根据所述征象的分类结果和第一金标准计算第一损失;根据所述征象的分类结果、所述病种的分类结果、所述征象与病种的关联关系的分类结果和第二金标准计算第二损失;根据所述第一损失、所述第二损失中的至少一种对所述神经网络模型的参数进行调整。
2.根据权利要求1所述的装置,其特征在于,在基于所述目标特征图对所述头部CT图像进行分割,得到头部病种征象图像方面,所述图像分割模块具体用于:
基于所述目标特征图及预设锚框,得到所述头部CT图像中的候选区域;
基于所述候选区域分割出所述头部病种征象图像。
3.根据权利要求1或2所述的装置,其特征在于,在对采集的头部CT图像进行特征提取,得到目标特征图方面,所述特征提取模块具体用于:
对所述头部CT图像进行分割,得到N张颅内部位图;所述N张颅内部位图中的每张颅内部位图包括颅内的一个部位,且所述每张颅内部位图中的部位不重复;N为大于1的整数;
对所述每张颅内部位图进行增强处理,得到增强后的N张颅内部位图;
基于所述增强后的N张颅内部位图得到待处理头部CT图像;
对所述待处理头部CT图像进行特征提取,得到所述目标特征图。
4.根据权利要求3所述的装置,其特征在于,在基于所述增强后的N张颅内部位图得到待处理头部CT图像方面,所述特征提取模块具体用于:
对所述增强后的N张颅内部位图中的每两张颅内部位图进行重叠检测,得到所述每两张颅内部位图的重叠区域;
获取所述重叠区域内像素点对应的灰度值,并计算该灰度值的平均值;
利用所述平均值替换所述重叠区域内像素点对应的灰度值,得到N张待贴回颅内部位图;
按照所述N张颅内部位图在所述头部CT图像中的位置将所述N张待贴回颅内部位图贴回所述头部CT图像,得到所述待处理头部CT图像,所述征象的分类结果包括征象的类别、征象的检测框以及检测框包含征象的置信度;所述病种的分类结果包括预测出的病种掩码;所述征象与病种的关联关系的分类结果用于表示所述征象的分类结果中的征象是否为所述病种的分类结果中的病种的征象,若是则取值为1,否则取值为0。
5.一种头部CT图像检测方法,其特征在于,所述方法包括:
对采集的头部CT图像进行特征提取,得到目标特征图;
基于所述目标特征图对所述头部CT图像进行分割,得到头部病种征象图像;
对所述头部病种征象图像进行分类处理,得到征象的分类结果、病种的分类结果以及征象与病种的关联关系的分类结果,包括:
提取所述头部病种征象图像对应的特征;
将所述头部病种征象图像对应的特征输入全连接层进行分类,经过多分类函数的处理得到所述征象的分类结果;
将所述头部病种征象图像对应的特征输入全卷积网络进行分类,经过多分类函数的处理得到所述病种的分类结果,以及经过二分类函数的处理得到所述征象与病种的关联关系的分类结果;
所述征象的分类结果包括征象的类别、征象的检测框以及检测框包含征象的置信度;所述病种的分类结果包括预测出的病种掩码;所述征象与病种的关联关系的分类结果用于表示所述征象的分类结果中的征象是否为所述病种的分类结果中的病种的征象,若是则取值为1,否则取值为0;
所述征象的分类结果、所述病种的分类结果以及所述征象与病种的关联关系的分类结果由采用训练好的神经网络模型对所述头部CT图像进行分类得到;
根据所述征象的分类结果和第一金标准计算第一损失;根据所述征象的分类结果、所述病种的分类结果、所述征象与病种的关联关系的分类结果和第二金标准计算第二损失;根据所述第一损失、所述第二损失中的至少一种对所述神经网络模型的参数进行调整。
6.一种电子设备,包括输入设备和输出设备,其特征在于,还包括:
处理器,适于实现一条或多条指令;以及,
计算机存储介质,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由所述处理器加载并执行如权利要求5中所述的方法。
7.一种计算机存储介质,其特征在于,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由处理器加载并执行如权利要求5中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011514659.0A CN112634226B (zh) | 2020-12-18 | 2020-12-18 | 头部ct图像检测装置、方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011514659.0A CN112634226B (zh) | 2020-12-18 | 2020-12-18 | 头部ct图像检测装置、方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112634226A CN112634226A (zh) | 2021-04-09 |
CN112634226B true CN112634226B (zh) | 2024-05-14 |
Family
ID=75317868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011514659.0A Active CN112634226B (zh) | 2020-12-18 | 2020-12-18 | 头部ct图像检测装置、方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112634226B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147668B (zh) * | 2022-09-06 | 2022-12-27 | 北京鹰瞳科技发展股份有限公司 | 疾病分类模型的训练方法、疾病分类的方法及相关产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363226A (zh) * | 2019-06-21 | 2019-10-22 | 平安科技(深圳)有限公司 | 基于随机森林的眼科病种分类识别方法、装置及介质 |
CN110969613A (zh) * | 2019-12-06 | 2020-04-07 | 广州柏视医疗科技有限公司 | 一种具有影像征象解释的肺结核智能识别方法及*** |
CN111476775A (zh) * | 2020-04-07 | 2020-07-31 | 广州柏视医疗科技有限公司 | Dr征象识别装置和方法 |
CN111968137A (zh) * | 2020-10-22 | 2020-11-20 | 平安科技(深圳)有限公司 | 头部ct图像分割方法、装置、电子设备及存储介质 |
-
2020
- 2020-12-18 CN CN202011514659.0A patent/CN112634226B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363226A (zh) * | 2019-06-21 | 2019-10-22 | 平安科技(深圳)有限公司 | 基于随机森林的眼科病种分类识别方法、装置及介质 |
CN110969613A (zh) * | 2019-12-06 | 2020-04-07 | 广州柏视医疗科技有限公司 | 一种具有影像征象解释的肺结核智能识别方法及*** |
CN111476775A (zh) * | 2020-04-07 | 2020-07-31 | 广州柏视医疗科技有限公司 | Dr征象识别装置和方法 |
CN111968137A (zh) * | 2020-10-22 | 2020-11-20 | 平安科技(深圳)有限公司 | 头部ct图像分割方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112634226A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321920B (zh) | 图像分类方法、装置、计算机可读存储介质和计算机设备 | |
CN107886514B (zh) | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 | |
Nie et al. | Automatic detection of melanoma with yolo deep convolutional neural networks | |
Gunasekara et al. | A systematic approach for MRI brain tumor localization and segmentation using deep learning and active contouring | |
Ahmmed et al. | Classification of tumors and it stages in brain MRI using support vector machine and artificial neural network | |
US11562491B2 (en) | Automatic pancreas CT segmentation method based on a saliency-aware densely connected dilated convolutional neural network | |
CN109584209B (zh) | 血管壁斑块识别设备、***、方法及存储介质 | |
CN110310287B (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
CN112070781B (zh) | 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备 | |
Duan et al. | A novel GA-based optimized approach for regional multimodal medical image fusion with superpixel segmentation | |
CN115601602A (zh) | 癌症组织病理图像分类方法、***、介质、设备及终端 | |
CN110766670A (zh) | 一种基于深度卷积神经网络的乳腺钼靶图像肿瘤定位算法 | |
CN113450328A (zh) | 基于改进神经网络的医学图像关键点检测方法及*** | |
CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
Nazir et al. | Machine Learning‐Based Lung Cancer Detection Using Multiview Image Registration and Fusion | |
CN112634226B (zh) | 头部ct图像检测装置、方法、电子设备及存储介质 | |
CN115375583A (zh) | 一种pet参数图像的增强方法、装置、设备及存储介质 | |
Ramachandran et al. | Mutual informative MapReduce and minimum quadrangle classification for brain tumor big data | |
CN113724185B (zh) | 用于图像分类的模型处理方法、装置及存储介质 | |
Singh et al. | Detection and classification of brain tumor using hybrid feature extraction technique | |
Majji et al. | Smart iot in breast cancer detection using optimal deep learning | |
Kr Ghosh et al. | Development of intuitionistic fuzzy special embedded convolutional neural network for mammography enhancement | |
Jadwaa | X‐Ray Lung Image Classification Using a Canny Edge Detector | |
CN108154107B (zh) | 一种确定遥感图像归属的场景类别的方法 | |
CN116245832A (zh) | 一种图像处理方法、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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40041503 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |