CN112767502A - 基于医学影像模型的影像处理方法及装置 - Google Patents
基于医学影像模型的影像处理方法及装置 Download PDFInfo
- Publication number
- CN112767502A CN112767502A CN202110024946.1A CN202110024946A CN112767502A CN 112767502 A CN112767502 A CN 112767502A CN 202110024946 A CN202110024946 A CN 202110024946A CN 112767502 A CN112767502 A CN 112767502A
- Authority
- CN
- China
- Prior art keywords
- convolution
- processing
- encoder
- pooling
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- 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
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Multimedia (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于医学影像模型的影像处理方法及装置,通过第一编码器对待处理医学影像作卷积池化处理,并对卷积池化处理结果作卷积处理,并通过第一解码器对第一编码器的卷积处理结果作上采样卷积处理。通过第二编码器对第一编码器的卷积池化处理结果作特征图拼接处理,并对拼接处理结果作卷积和/或最大池化操作,最后通过第二解码器对第二编码器的处理结果作卷积池化处理,并根据第二解码器的卷积池化处理结果得到合并特征图。基于此,通过两次编解码的过程,提高医学影像模型的泛化能力。同时,基于医学影像模型的处理基础,得到的合并特征图即待处理医学影像的目标区域,有利于医护人员快速识别目标区域的组织或病灶等,以提高工作效率。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种基于医学影像模型的影像处理方法及装置。
背景技术
医学影像是指为了医疗或医学研究,对人体或人体某部分,以非侵入方式取得内部组织影像的技术与处理过程。一般地,医学影像包含以下两个相对独立的研究方向:医学成像***和医学影像处理。其中,在医院成像***完成了图像成像后,需要对图像进行进一步处理,以便于后续如医学诊断或数据加工等相关处理。
目前,传统的医学影像处理主要是针对图像特性本身的处理,例如对医学影像进行图像增强以便于医护人员观察或对医学影像进行数据压缩以便于跨域传输等。医学影像处理在图像层面上大大便利了医护工作的开展复杂度。但是,医学影像在成像过程中,由于人体个体差异天然导致大量客观干扰因素。以医学影像为对肺部进行成像胸透X光为例,由于成像对象的个体差异,获取到的肺部图像大小不一,难以清晰展示肺部组织,影响诊断等医护工作的效率。
发明内容
基于此,有必要针对传统医学影像还以清晰展示病灶等相关信息,影响医护工作的效率这一缺陷,提供一种基于医学影像模型的影像处理方法及装置。
一种基于医学影像模型的影像处理方法,应用于包括第一编码器、第二编码器、第一解码器和第二解码器的医学影像模型,包括步骤:
获取待处理医学影像;
通过第一编码器对待处理医学影像作卷积池化处理,并对卷积池化处理结果作卷积处理;
通过第一解码器对第一编码器的卷积处理结果作上采样卷积处理;
通过第二编码器对第一编码器的卷积池化处理结果作特征图拼接处理,并对拼接处理结果作卷积和/或最大池化操作;
通过第二解码器对第二编码器的处理结果作卷积池化处理,并根据第二解码器的卷积池化处理结果得到合并特征图。
上述的基于医学影像模型的影像处理方法,获取到待处理医学影像后,通过第一编码器对待处理医学影像作卷积池化处理,并对卷积池化处理结果作卷积处理,并通过第一解码器对第一编码器的卷积处理结果作上采样卷积处理。进一步地,通过第二编码器对第一编码器的卷积池化处理结果作特征图拼接处理,并对拼接处理结果作卷积和/或最大池化操作,最后通过第二解码器对第二编码器的处理结果作卷积池化处理,并根据第二解码器的卷积池化处理结果得到合并特征图。基于此,通过两次编解码的过程,提高医学影像模型的泛化能力。同时,基于医学影像模型的处理基础,得到的合并特征图即待处理医学影像的目标区域,有利于医护人员快速识别目标区域的组织或病灶等,以提高工作效率。
在其中一个实施例中,通过第一编码器对待处理医学影像作卷积池化处理,并对卷积池化处理结果作卷积处理的过程,包括步骤:
通过第一编码器对待处理医学影像依次进行三轮卷积池化处理;其中,每轮卷积池化处理包括两次3x3的卷积操作和一次2x2的最大池化。
在其中一个实施例中,通过第一解码器对第一编码器的卷积处理结果作上采样卷积处理的过程,包括步骤:
通过第一解码器对第一编码器的卷积处理结果作三轮上采样卷积处理;其中,每轮上采样卷积处理包括一次2x2的上采样和两次3x3的卷积操作。
在其中一个实施例中,通过第二编码器对第一编码器的卷积池化处理结果作特征图拼接处理,并对拼接处理结果作卷积和/或最大池化操作的过程,包括步骤;
通过第二编码器对第一轮卷积池化处理结果作第一次特征图拼接处理,并对第一次特征图拼接处理结果并进行一次2x2的最大池化;
通过第二编码器对第二轮卷积池化处理结果、第一次特征图拼接处理结果的2x2的最大池化结果作第二次特征图拼接处理,并对第二次特征图拼接处理结果作两次3x3的卷积操作和一次2x2的最大池化;
拼接第一轮卷积池化处理结果与第二次特征图拼接处理结果的2x2的最大池化结果。
在其中一个实施例中,通过第二解码器对第二编码器的处理结果作卷积池化处理的过程,包括步骤:
通过第二解码器对第二编码器的处理结果作三轮卷积池化处理;其中,每轮卷积池化处理包括两次3x3的卷积操作和一次2x2的最大池化;
对三轮卷积池化处理结果再作两次3x3的卷积操作。
在其中一个实施例中,根据第二解码器的卷积池化处理结果得到合并特征图的过程,包括步骤:
对第二解码器的卷积池化处理结果进行一次1x1的卷积操作,得到合并特征图。
在其中一个实施例中,医学影像模型包括M-ResNet神经网络。
一种基于医学影像模型的影像处理装置,应用于包括第一编码器、第二编码器、第一解码器和第二解码器的医学影像模型,包括:
影像获取模块,用于获取待处理医学影像;
第一处理模块,用于通过第一编码器对待处理医学影像作卷积池化处理,并对卷积池化处理结果作卷积处理;
第二处理模块,用于通过第一解码器对第一编码器的卷积处理结果作上采样卷积处理;
第三处理模块,用于通过第二编码器对第一编码器的卷积池化处理结果作特征图拼接处理,并对拼接处理结果作卷积和/或最大池化操作;
第四处理模块,用于通过第二解码器对第二编码器的处理结果作卷积池化处理,并根据第二解码器的卷积池化处理结果得到合并特征图。
上述的基于医学影像模型的影像处理装置,获取到待处理医学影像后,通过第一编码器对待处理医学影像作卷积池化处理,并对卷积池化处理结果作卷积处理,并通过第一解码器对第一编码器的卷积处理结果作上采样卷积处理。进一步地,通过第二编码器对第一编码器的卷积池化处理结果作特征图拼接处理,并对拼接处理结果作卷积和/或最大池化操作,最后通过第二解码器对第二编码器的处理结果作卷积池化处理,并根据第二解码器的卷积池化处理结果得到合并特征图。基于此,通过两次编解码的过程,提高医学影像模型的泛化能力。同时,基于医学影像模型的处理基础,得到的合并特征图即待处理医学影像的目标区域,有利于医护人员快速识别目标区域的组织或病灶等,以提高工作效率。
一种计算机存储介质,其上存储有计算机指令,计算机指令被处理器执行时实现上述任一实施例的基于医学影像模型的影像处理方法。
上述的计算机存储介质,获取到待处理医学影像后,通过第一编码器对待处理医学影像作卷积池化处理,并对卷积池化处理结果作卷积处理,并通过第一解码器对第一编码器的卷积处理结果作上采样卷积处理。进一步地,通过第二编码器对第一编码器的卷积池化处理结果作特征图拼接处理,并对拼接处理结果作卷积和/或最大池化操作,最后通过第二解码器对第二编码器的处理结果作卷积池化处理,并根据第二解码器的卷积池化处理结果得到合并特征图。基于此,通过两次编解码的过程,提高医学影像模型的泛化能力。同时,基于医学影像模型的处理基础,得到的合并特征图即待处理医学影像的目标区域,有利于医护人员快速识别目标区域的组织或病灶等,以提高工作效率。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述任一实施例的基于医学影像模型的影像处理方法。
上述的计算机设备,获取到待处理医学影像后,通过第一编码器对待处理医学影像作卷积池化处理,并对卷积池化处理结果作卷积处理,并通过第一解码器对第一编码器的卷积处理结果作上采样卷积处理。进一步地,通过第二编码器对第一编码器的卷积池化处理结果作特征图拼接处理,并对拼接处理结果作卷积和/或最大池化操作,最后通过第二解码器对第二编码器的处理结果作卷积池化处理,并根据第二解码器的卷积池化处理结果得到合并特征图。基于此,通过两次编解码的过程,提高医学影像模型的泛化能力。同时,基于医学影像模型的处理基础,得到的合并特征图即待处理医学影像的目标区域,有利于医护人员快速识别目标区域的组织或病灶等,以提高工作效率。
附图说明
图1为医学影像模型结构示意图;
图2为一实施方式的基于医学影像模型的影像处理方法流程图;
图3为另一实施方式的基于医学影像模型的影像处理方法流程图;
图4为另一实施方式的医学影像模型结构示意图;
图5为一实施方式的基于医学影像模型的影像处理装置模块结构图。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果,以下结合附图和实施例对本发明进行进一步的讲解说明。同时声明,以下所描述的实施例仅用于解释本发明,并不用于限定本发明。
本发明实施例提供了一种基于医学影像模型的影像处理方法。
本发明实施例的基于医学影像模型的影像处理方法基于一医学影像模型。医学影像模型基于神经网络构建。作为一个较优的实施方式,医学影像模型包括M-ResNet(Residual Neural Network)神经网络。
图1为医学影像模型结构示意图,如图1所示,医学影像模型包括第一编码器Encode_1、第一解码器Decode_1、第二编码器Encode_2和第二解码器 Decode_2。
图2为一实施方式的基于医学影像模型的影像处理方法流程图,如图2所示,一实施方式的基于医学影像模型的影像处理方法包括步骤S100至步骤 S104:
S100,获取待处理医学影像;
待处理医学影像包括医学影像设备采集的原始数据或未经相关医学、技术处理的原始数据。
待处理医学影像作为特征向量输入医学影像模型,由医学影像模型的第一编码器Encode_1、第一解码器Decode_1、第二编码器Encode_2和第二解码器 Decode_2依次完成向量层面的处理。
S101,通过第一编码器Encode_1对待处理医学影像作卷积池化处理,并对卷积池化处理结果作卷积处理;
通过第一编码器Encode_1对待处理医学影像作卷积池化处理,卷积池化处理后再对卷积池化处理结果作卷积处理,完成第一编码器Encode_1的第一次编码操作。
在其中一个实施例中,图3为另一实施方式的基于医学影像模型的影像处理方法流程图,如图3所示,步骤S101中通过第一编码器Encode_1对待处理医学影像作卷积池化处理,并对卷积池化处理结果作卷积处理的过程,包括步骤S200:
S200,通过第一编码器Encode_1对待处理医学影像依次进行三轮卷积池化处理;其中,每轮卷积池化处理包括两次3x3的卷积操作和一次2x2的最大池化。
图4为另一实施方式的医学影像模型结构示意图,如图4所示,第一编码器Encode_1进行三轮卷积池化,每进行两次3x3的卷积操作后,进行一次2x2 的最大池化。进行三轮卷积池化后,再进行两次3x3的卷积操作。
其中,如图4所示,右指向的箭头表示3x3的卷积层及ReLu激活,用于特征提取;上指向的箭头表示2x2的最大池化层,用于缩小特征图;下指向的箭头表示2x2上采样,用于放大特征图。
S102,通过第一解码器Decode_1对第一编码器Encode_1的卷积处理结果作上采样卷积处理;
通过第一解码器Decode_1对第一编码器Encode_1的卷积处理结果作上采样卷积处理,完成第一解码器Decode_1的第一次解码操作。
在其中一个实施例中,如图3所示,步骤S102中通过第一解码器Decode_1 对第一编码器Encode_1的卷积处理结果作上采样卷积处理的过程,包括步骤 S300:
S300,通过第一解码器Decode_1对第一编码器Encode_1的卷积处理结果作三轮上采样卷积处理;其中,每轮上采样卷积处理包括一次2x2的上采样和两次3x3的卷积操作。
如图4所示,第一解码器Decode_1每进行一次2x2的上采样后,又进行两次3x3的卷积操作,且总共进行了三轮上采样卷积。
S103,通过第二编码器Encode_2对第一编码器Encode_1的卷积池化处理结果作特征图拼接处理,并对拼接处理结果作卷积和/或最大池化操作;
通过第二编码器Encode_2对第一编码器Encode_1的卷积池化处理结果作特征图拼接处理,并对拼接处理结果作卷积和/或最大池化操作,完成第二编码器Encode_2的第二次编码操作。
在其中一个实施例中,步骤S103中通过第二编码器对第一编码器的卷积池化处理结果作特征图拼接处理,并对拼接处理结果作卷积和/或最大池化操作的过程,包括步骤S400至步骤S402:
S400,通过第二编码器对第一轮卷积池化处理结果作第一次特征图拼接处理,并对第一次特征图拼接处理结果并进行一次2x2的最大池化;
S401,通过第二编码器对第二轮卷积池化处理结果、第一次特征图拼接处理结果的2x2的最大池化结果作第二次特征图拼接处理,并对第二次特征图拼接处理结果作两次3x3的卷积操作和一次2x2的最大池化;
S402,拼接第一轮卷积池化处理结果与第二次特征图拼接处理结果的2x2 的最大池化结果。
如图4所示,第一编码器Encode_1将每一轮最后卷积的特征图通过复制连接至第二编码器Encode_2中。第二编码器Encode_2先与第一编码器Encode_1 第一轮复制的特征图进行拼接,然后进行一次2x2的最大池化,再与第一个编码器第二轮复制的特征图进行拼接。再进行两次3x3的卷积操作后,进行一次 2x2的最大池化,再与第一编码器Encode_1复制的特征图进行拼接,总共进行两轮卷积池化及特征图拼接处理。
S104,通过第二解码器Decode_2对第二编码器Encode_2的处理结果作卷积池化处理,并根据第二解码器Decode_2的卷积池化处理结果得到合并特征图。
通过第二解码器Decode_2对第二编码器Encode_2的处理结果作卷积池化处理,并根据第二解码器Decode_2的卷积池化处理结果得到合并特征图,完成第二解码器Decode_2的第二次解码处理。通过两次编解码处理,得到的合并特征图即待处理医学影像的分割后的目标区域图像。
在其中一个实施例中,如图3所示,步骤S104中通过第二解码器Decode_2 对第二编码器Encode_2的处理结果作卷积池化处理的过程,包括步骤S500和 S501:
S500,通过第二解码器Decode_2对第二编码器Encode_2的处理结果作三轮卷积池化处理;其中,每轮卷积池化处理包括两次3x3的卷积操作和一次2x2 的最大池化;
S501,对三轮卷积池化处理结果再作两次3x3的卷积操作。
如图4所示,第二解码器Decode_2每进行两次3x3的卷积操作后,进行一次2x2的最大池化,总共进行三轮卷积池化,进行三轮卷积池化后,再进行两次3x3的卷积操作。
在其中一个实施例中,如图3所示,步骤S104中根据第二解码器Decode_2 的卷积池化处理结果得到合并特征图的过程,包括步骤S600:
S600,对第二解码器Decode_2的卷积池化处理结果进行一次1x1的卷积操作,得到合并特征图。
如图4所示,在步骤S401中最后进行3x3的卷积操作后,再将3x3的卷积操作得到的特征图进行1x1的卷积操作,得到合并特征图。
上述任一实施例的基于医学影像模型的影像处理方法,获取到待处理医学影像后,通过第一编码器Encode_1对待处理医学影像作卷积池化处理,并对卷积池化处理结果作卷积处理,并通过第一解码器Decode_1对第一编码器 Encode_1的卷积处理结果作上采样卷积处理。进一步地,通过第二编码器 Encode_2对第一编码器Encode_1的卷积池化处理结果作特征图拼接处理,并对拼接处理结果作卷积和/或最大池化操作,最后通过第二解码器Decode_2对第二编码器Encode_2的处理结果作卷积池化处理,并根据第二解码器Decode_2的卷积池化处理结果得到合并特征图。基于此,通过两次编解码的过程,提高医学影像模型的泛化能力。同时,基于医学影像模型的处理基础,得到的合并特征图即待处理医学影像的目标区域,有利于医护人员快速识别目标区域的组织或病灶等,以提高工作效率。
本发明实施例还提供了一种基于医学影像模型的影像处理装置。
图5为一实施方式的基于医学影像模型的影像处理装置模块结构图,如图5 所示,一实施方式的基于医学影像模型的影像处理装置包括模块100、模块101、模块102、模块103和模块104:
影像获取模块,用于获取待处理医学影像;
第一处理模块,用于通过第一编码器对待处理医学影像作卷积池化处理,并对卷积池化处理结果作卷积处理;
第二处理模块,用于通过第一解码器对第一编码器的卷积处理结果作上采样卷积处理;
第三处理模块,用于通过第二编码器对第一编码器的卷积池化处理结果作特征图拼接处理,并对拼接处理结果作卷积和/或最大池化操作;
第四处理模块,用于通过第二解码器对第二编码器的处理结果作卷积池化处理,并根据第二解码器的卷积池化处理结果得到合并特征图。
上述的基于医学影像模型的影像处理装置,获取到待处理医学影像后,通过第一编码器对待处理医学影像作卷积池化处理,并对卷积池化处理结果作卷积处理,并通过第一解码器对第一编码器的卷积处理结果作上采样卷积处理。进一步地,通过第二编码器对第一编码器的卷积池化处理结果作特征图拼接处理,并对拼接处理结果作卷积和/或最大池化操作,最后通过第二解码器对第二编码器的处理结果作卷积池化处理,并根据第二解码器的卷积池化处理结果得到合并特征图。基于此,通过两次编解码的过程,提高医学影像模型的泛化能力。同时,基于医学影像模型的处理基础,得到的合并特征图即待处理医学影像的目标区域,有利于医护人员快速识别目标区域的组织或病灶等,以提高工作效率。
本发明实施例还提供了一种计算机存储介质,其上存储有计算机指令,该指令被处理器执行时实现上述任一实施例的基于医学影像模型的影像处理方法。
本领域的技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、随机存取存储器(RAM,RandomAccess Memory)、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对相关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,包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
与上述的计算机存储介质对应的是,在一个实施例中还提供一种计算机设备,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行程序时实现如上述各实施例中的任意一种基于医学影像模型的影像处理方法。
上述计算机设备,获取到待处理医学影像后,通过第一编码器对待处理医学影像作卷积池化处理,并对卷积池化处理结果作卷积处理,并通过第一解码器对第一编码器的卷积处理结果作上采样卷积处理。进一步地,通过第二编码器对第一编码器的卷积池化处理结果作特征图拼接处理,并对拼接处理结果作卷积和/或最大池化操作,最后通过第二解码器对第二编码器的处理结果作卷积池化处理,并根据第二解码器的卷积池化处理结果得到合并特征图。基于此,通过两次编解码的过程,提高医学影像模型的泛化能力。同时,基于医学影像模型的处理基础,得到的合并特征图即待处理医学影像的目标区域,有利于医护人员快速识别目标区域的组织或病灶等,以提高工作效率。
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。
以上实施例仅表达了本发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于医学影像模型的影像处理方法,其特征在于,应用于包括第一编码器、第二编码器、第一解码器和第二解码器的医学影像模型,包括步骤:
获取待处理医学影像;
通过所述第一编码器对所述待处理医学影像作卷积池化处理,并对所述卷积池化处理结果作卷积处理;
通过所述第一解码器对所述第一编码器的卷积处理结果作上采样卷积处理;
通过所述第二编码器对所述第一编码器的卷积池化处理结果作特征图拼接处理,并对所述拼接处理结果作卷积和/或最大池化操作;
通过所述第二解码器对所述第二编码器的处理结果作卷积池化处理,并根据所述第二解码器的卷积池化处理结果得到合并特征图。
2.根据权利要求1所述的基于医学影像模型的影像处理方法,其特征在于,所述通过所述第一编码器对所述待处理医学影像作卷积池化处理,并对所述卷积池化处理结果作卷积处理的过程,包括步骤:
通过所述第一编码器对所述待处理医学影像依次进行三轮卷积池化处理;其中,每轮卷积池化处理包括两次3x3的卷积操作和一次2x2的最大池化。
3.根据权利要求1所述的基于医学影像模型的影像处理方法,其特征在于,所述通过所述第一解码器对所述第一编码器的卷积处理结果作上采样卷积处理的过程,包括步骤:
通过所述第一解码器对所述第一编码器的卷积处理结果作三轮上采样卷积处理;其中,每轮上采样卷积处理包括一次2x2的上采样和两次3x3的卷积操作。
4.根据权利要求2所述的基于医学影像模型的影像处理方法,其特征在于,所述通过所述第二编码器对所述第一编码器的卷积池化处理结果作特征图拼接处理,并对所述拼接处理结果作卷积和/或最大池化操作的过程,包括步骤:
通过所述第二编码器对第一轮卷积池化处理结果作第一次特征图拼接处理,并对所述第一次特征图拼接处理结果并进行一次2x2的最大池化;
通过所述第二编码器对第二轮卷积池化处理结果、所述第一次特征图拼接处理结果的2x2的最大池化结果作第二次特征图拼接处理,并对所述第二次特征图拼接处理结果作两次3x3的卷积操作和一次2x2的最大池化;
拼接所述第一轮卷积池化处理结果与所述第二次特征图拼接处理结果的2x2的最大池化结果。
5.根据权利要求1所述的基于医学影像模型的影像处理方法,其特征在于,所述通过所述第二解码器对所述第二编码器的处理结果作卷积池化处理的过程,包括步骤:
通过所述第二解码器对所述第二编码器的处理结果作三轮卷积池化处理;其中,每轮卷积池化处理包括两次3x3的卷积操作和一次2x2的最大池化;
对所述三轮卷积池化处理结果再作两次3x3的卷积操作。
6.根据权利要求5所述的基于医学影像模型的影像处理方法,其特征在于,所述根据所述第二解码器的卷积池化处理结果得到合并特征图的过程,包括步骤:
对所述第二解码器的卷积池化处理结果进行一次1x1的卷积操作,得到所述合并特征图。
7.根据权利要求1至6任意一项所述的基于医学影像模型的影像处理方法,其特征在于,所述医学影像模型包括M-ResNet神经网络。
8.一种基于医学影像模型的影像处理装置,其特征在于,应用于包括第一编码器、第二编码器、第一解码器和第二解码器的医学影像模型,包括:
影像获取模块,用于获取待处理医学影像;
第一处理模块,用于通过所述第一编码器对所述待处理医学影像作卷积池化处理,并对所述卷积池化处理结果作卷积处理;
第二处理模块,用于通过所述第一解码器对所述第一编码器的卷积处理结果作上采样卷积处理;
第三处理模块,用于通过所述第二编码器对所述第一编码器的卷积池化处理结果作特征图拼接处理,并对所述拼接处理结果作卷积和/或最大池化操作;
第四处理模块,用于通过所述第二解码器对所述第二编码器的处理结果作卷积池化处理,并根据所述第二解码器的卷积池化处理结果得到合并特征图。
9.一种计算机存储介质,其上存储有计算机指令,其特征在于,所述计算机指令被处理器执行时实现如权利要求1至7任意一项所述的基于医学影像模型的影像处理方法。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行程序时实现如权利要求1至7任意一项所述的基于医学影像模型的影像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110024946.1A CN112767502B (zh) | 2021-01-08 | 2021-01-08 | 基于医学影像模型的影像处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110024946.1A CN112767502B (zh) | 2021-01-08 | 2021-01-08 | 基于医学影像模型的影像处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112767502A true CN112767502A (zh) | 2021-05-07 |
CN112767502B CN112767502B (zh) | 2023-04-07 |
Family
ID=75701092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110024946.1A Active CN112767502B (zh) | 2021-01-08 | 2021-01-08 | 基于医学影像模型的影像处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767502B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114601560A (zh) * | 2022-05-11 | 2022-06-10 | 中国科学院深圳先进技术研究院 | 微创手术辅助方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311629A (zh) * | 2020-02-21 | 2020-06-19 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理装置及设备 |
CN111325751A (zh) * | 2020-03-18 | 2020-06-23 | 重庆理工大学 | 基于注意力卷积神经网络的ct图像分割*** |
CN111627012A (zh) * | 2020-05-28 | 2020-09-04 | 华北电力大学(保定) | 一种基于特征融合的深度神经网络表面缺陷检测方法 |
CN111681252A (zh) * | 2020-05-30 | 2020-09-18 | 重庆邮电大学 | 一种基于多路径注意力融合的医学图像自动分割方法 |
CN112150428A (zh) * | 2020-09-18 | 2020-12-29 | 青岛大学 | 一种基于深度学习的医学图像分割方法 |
WO2021003125A1 (en) * | 2019-07-01 | 2021-01-07 | Optimum Semiconductor Technologies Inc. | Feedbackward decoder for parameter efficient semantic image segmentation |
-
2021
- 2021-01-08 CN CN202110024946.1A patent/CN112767502B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021003125A1 (en) * | 2019-07-01 | 2021-01-07 | Optimum Semiconductor Technologies Inc. | Feedbackward decoder for parameter efficient semantic image segmentation |
CN111311629A (zh) * | 2020-02-21 | 2020-06-19 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理装置及设备 |
CN111325751A (zh) * | 2020-03-18 | 2020-06-23 | 重庆理工大学 | 基于注意力卷积神经网络的ct图像分割*** |
CN111627012A (zh) * | 2020-05-28 | 2020-09-04 | 华北电力大学(保定) | 一种基于特征融合的深度神经网络表面缺陷检测方法 |
CN111681252A (zh) * | 2020-05-30 | 2020-09-18 | 重庆邮电大学 | 一种基于多路径注意力融合的医学图像自动分割方法 |
CN112150428A (zh) * | 2020-09-18 | 2020-12-29 | 青岛大学 | 一种基于深度学习的医学图像分割方法 |
Non-Patent Citations (2)
Title |
---|
XIAOLONG MA等: "ResNet Can Be Pruned 60×: Introducing Network Purification and Unused Path Removal (P-RM) after Weight Pruning", 《IEEE XPLORE》 * |
王媛媛等: "基于卷积神经网络的PET/CT多模态图像识别研究", 《电视技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114601560A (zh) * | 2022-05-11 | 2022-06-10 | 中国科学院深圳先进技术研究院 | 微创手术辅助方法、装置、设备及存储介质 |
CN114601560B (zh) * | 2022-05-11 | 2022-08-19 | 中国科学院深圳先进技术研究院 | 微创手术辅助方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112767502B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109509235B (zh) | Ct图像的重建方法、装置、设备及存储介质 | |
US11816870B2 (en) | Image processing method and device, neural network and training method thereof, storage medium | |
WO2022205657A1 (zh) | 一种csm图像分割方法、装置、终端设备及存储介质 | |
CN116433914A (zh) | 一种二维医学图像分割方法及*** | |
KR20190126587A (ko) | 의료 영상 비식별화 시스템, 방법 및 컴퓨터 판독 가능한 기록매체 | |
CN116309648A (zh) | 一种基于多注意力融合的医学图像分割模型构建方法 | |
KR102166835B1 (ko) | 신경망 학습 방법 및 그 장치 | |
CN110674824A (zh) | 基于R2U-Net的手指静脉分割方法、装置和存储介质 | |
CN112767502B (zh) | 基于医学影像模型的影像处理方法及装置 | |
CN116912503B (zh) | 一种基于层级融合策略的多模态mri脑肿瘤语义分割方法 | |
KR102419270B1 (ko) | Mlp 기반 아키텍처를 통한 의료영상 세그먼테이션 장치 및 그 방법 | |
JP2019095980A (ja) | 分類装置、分類方法、プログラム、ならびに、情報記録媒体 | |
CN112767403A (zh) | 医学影像分割模型训练方法、医学影像分割方法及装置 | |
US20210074034A1 (en) | Methods and apparatus for neural network based image reconstruction | |
CN113177938B (zh) | 基于圆形卷积核的脑胶质瘤的分割方法、装置及相关组件 | |
CN114299010A (zh) | 脑部肿瘤图像的分割方法、装置、计算机设备和存储介质 | |
CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
CN113744250A (zh) | 基于U-Net的臂丛神经超声图像分割方法、***、介质和装置 | |
CN114283216A (zh) | 图像去伪影方法、装置、设备及存储介质 | |
CN107799166B (zh) | 医学成像*** | |
Thamm et al. | Detection of large vessel occlusions using deep learning by deforming vessel tree segmentations | |
CN116935051B (zh) | 一种息肉分割网络方法、***、电子设备及存储介质 | |
CN115115537B (zh) | 一种基于掩码训练的图像修复方法 | |
CN114267420A (zh) | 一种癫痫抗药性智能预测方法、装置、设备和介质 | |
CN113139964A (zh) | 多模态图像分割方法、装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |