CN113255756B - 图像融合方法、装置、电子设备及存储介质 - Google Patents
图像融合方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113255756B CN113255756B CN202110551251.9A CN202110551251A CN113255756B CN 113255756 B CN113255756 B CN 113255756B CN 202110551251 A CN202110551251 A CN 202110551251A CN 113255756 B CN113255756 B CN 113255756B
- Authority
- CN
- China
- Prior art keywords
- image
- fusion
- map
- training
- processed
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 218
- 238000012549 training Methods 0.000 claims abstract description 181
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 48
- 238000007781 pre-processing Methods 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 17
- 230000000694 effects Effects 0.000 description 16
- 230000003902 lesion Effects 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像融合方法、装置、电子设备及存储介质，该方法包括：确定主影像图和辅助影像图；其中，所述主影像图和所述辅助影像图中包括病灶信息；将所述主影像与和所述辅助影像输入至预先训练好的目标图像融合模型中，得到目标融合影像图；其中，所述目标图像融合模型是基于训练样本确定的，所述训练样本中包括训练主影像图、训练辅助影像图；所述目标融合图像中包括对两幅影像图中病灶信息的融合信息。本发明实施例的技术方案，实现了将至少两幅包括病灶信息的图像融合在一起，进而使接诊用户对融合图像处理时，可以提高诊疗效率的技术效果。
Description
技术领域
本发明实施例涉及图像融合技术领域，尤其涉及一种图像融合方法、装置、电子设备及存储介质。
背景技术
目前，医疗数据中有超百分之九十的数据量来自于医学影像数据。医学影像数据可以包括：X光片、超声影像、CT计算机断层扫描影像、MRI核磁共振影像等。医疗影像对于病灶检测在辅助诊断和辅助治疗中发挥着重要的作用。
在实际应用的过程中，存在患者多次到不同医院就诊的现象，此时可能存在一段时间内得到的至少两幅医疗影像数据。当患者再次就诊时，接诊用户不止关注当前影像上病灶的情况，还关注前几次影像中病灶区域的变化，结合病灶区域的变化给出相应的诊断建议。
现有技术中，确定病灶区域的变化多是基于接诊用户人工观察的，或者是，将不同时期的影像重叠，形成一幅新的图像。上述两种方式，由于需要人工参与，因此存在人工误差较大的问题，另一种方式，仅仅是对影像进行叠加，导致得到的影像中，病灶区域不准确，进而引起诊断建议不准确，导致对患者的诊疗效果不明显的问题。
发明内容
本发明提供一种图像融合方法、装置、电子设备及存储介质，以实现将两幅影像图进行融合，进而基于融合图像提高诊疗效率和准确率的技术效果。
第一方面，本发明实施例提供了一种图像融合方法，该方法包括：
确定主影像图和辅助影像图；其中，所述主影像图和所述辅助影像图中包括病灶信息；
将所述主影像与和所述辅助影像输入至预先训练好的目标图像融合模型中，得到目标融合影像图；
其中，所述目标图像融合模型是基于训练样本确定的，所述训练样本中包括训练主影像图、训练辅助影像图；所述目标融合图像中包括对两幅影像图中病灶信息的融合信息。
第二方面，本发明实施例还提供了一种图像融合装置，该装置包括：
图像确定模块，用于确定主影像图和辅助影像图；其中，所述主影像图和所述辅助影像图中包括病灶信息；
目标融合图像确定模块，用于将所述主影像与和所述辅助影像输入至预先训练好的目标图像融合模型中，得到目标融合影像图；
其中，所述目标图像融合模型是基于训练样本确定的，所述训练样本中包括训练主影像图、训练辅助影像图；所述目标融合图像中包括对两幅影像图中病灶信息的融合信息。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例任一所述的图像融合方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例任一所述的图像融合方法。
本发明实施例的技术方案，通过在确定主影像图和辅助影像图后，将主影像图和辅助影像图同时输入至预先训练好的目标图像融合模型中后，可以得到包括病灶融合信息的目标融合图像，解决了目前在将图像融合时，无法实现多针图像进行融合的问题，以及融合后影像发生偏移，导致融合效果不佳的问题，实现了可以实施对包括病灶信息的图像记性融合，达到了较好的病灶追踪和识别效果，进而基于融合图像对就诊用户进行诊疗时，可以提高诊疗效率的技术效果。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
图1为本发明实施例一所提供的一种图像融合方法流程示意图；
图2为本发明实施例一所提供的一种图像融合方法流程示意图
图3为本发明实施例二所提供的一种图像融合方法流程示意图；
图4为本发明实施例三所提供的一种图像融合方法流程示意图；
图5为本发明实施例三所提供的一种图像融合方法流程示意图；
图6为本发明实施例四所提供的一种图像融合装置的结构示意图；
图7为本发明实施例五所提供的一种电子设备结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一所提供的一种图像融合方法流程示意图，本实施例可适用于将至少两幅包含病灶信息的医学影像图融合在一起的得到一幅影像图的情况，该方法可以由图像融合装置来执行，该***可以通过软件和/或硬件的形式实现，硬件可以是电子设备，如，移动终端或PC端等。
在介绍本实施例技术方案之前，先对应用场景进行示例性说明。目前，医学影像可以是单张图像，也可以是由连续的多张影像构成，例如，CT图像可以是单张影像，核磁共振图像可以是由连续的多个视频帧(多张连续影像)构成的图像。在本实施例中，可以将医学影像图的图像类型相一致的图像进行融合。图像类型可以理解为，该影像是由单张构成，还是由多个连续视频帧构成。在将图像融合时，若是将两幅影像的多个视频帧进行融合，则两幅影像的视频帧数量应该相同。
如图1所述，本实施例的方法包括：
S110、确定主影像图和辅助影像图。
其中，主影像图和辅助影像图是相互对应的。在将两幅图像融合时，可以预先标记哪幅影像图为主影像图，哪幅影像图为辅助影像图。所述主影像图和所述辅助影像图中包括病灶信息。病灶信息可以包括病灶的部位以及病灶的形状等信息。影像图中的病灶部位可以相同也可以不同，例如，获取到一个全身的影像图和关于心脏的影像图，若需要将两个影像图进行融合，用户可以预先标记主影像图和辅助影像图。标记的方式可以是计算机根据预设算法进行标记，确定主影像图和辅助影像图的目的在于，可以明确将哪幅图像作为主融合图，通常是将辅助影像图融合到主影像图上，即将主影像图作为融合的中心。
在本实施例中，确定主影像图和辅助影像图可以采用如下方式：根据目标内容编辑控件中编辑的内容，确定两幅影像图中的主影像图和辅助影像图。
其中，内容编辑控件中可以编辑相应的内容，例如，可以在内容编辑控件中编辑主影像图的标识和辅助影像图的标识，基于该标识可以确定用户将哪幅图像作为了主影像图。还可以是，在内容编辑控件中编辑相应的文本信息，基于文本信息确定用户将哪幅图像作为了主影像图。
S120、将所述主影像与和所述辅助影像输入至预先训练好的目标图像融合模型中，得到目标融合影像图。
其中，所述目标图像融合模型是基于训练样本确定的，所述训练样本中包括训练主影像图、训练辅助影像图；所述目标融合图像中包括对两幅影像图中病灶信息的融合信息。
具体的，可以将主影像图和辅助影像图作为目标图像融合模型的输入，基于该目标图像融合模型可以对主影像图和辅助影像图进行处理，输出相应的目标融合图像。目标融合图像是基于对主影像图和辅助影像图处理后，得到的融合图像。该融合图像中的融合信息主要是至两幅输入图像中的病灶信息融合后得到的病灶信息。需要说明的是，输入影像图的中的主影像图数量和辅助影像图的数量是相同的，例如，若主影像图是由多个视频帧构成的，那么辅助影像图也是有多个视频帧构成，其视频帧的数量相同。若不同，则无法对其进行处理。
作为上述实施例的一可选实施例，图2为本发明实施例一所提供的一种图像融合方法流程示意图，参见图2，将主影像图和辅助影像图同时输入至预先训练好的目标图像融合模型中(CNN网络)，基于目标图像融合模型可以得到与两幅图像相对应的特征图，可以将主影像图映射到特征图上(映射方法类似于将特征图作为滤波器在主影像图上做卷积操作)，得到一个融合后的影像图，即目标融合图像。该目标融合图像中可以包括融合后的病灶信息。
本发明实施例的技术方案，通过在确定主影像图和辅助影像图后，将主影像图和辅助影像图同时输入至预先训练好的目标图像融合模型中后，可以得到包括病灶融合信息的目标融合图像，解决了目前在将图像融合时，无法实现多针图像进行融合的问题，以及融合后影像发生偏移，导致融合效果不佳的问题，实现了可以实施对包括病灶信息的图像记性融合，达到了较好的病灶追踪和识别效果，进而基于融合图像对就诊用户进行诊疗时，可以提高诊疗效率的技术效果。
实施例二
图3为本发明实施例二所提供的一种图像融合方法流程示意图；在前述实施例的基础上，在基于目标图像融合模型对输入的图像进行处理之前，可以先训练得到目标图像融合模型，其具体的训练方式可以参见本实施例技术方案的详细阐述。其中，与上述实施例相同或者相应的技术术语在此不再赘述。
如图3所示，所述方法包括：
S310、获取训练样本数据集；其中，所述训练样本数据集中包括至少一个训练样本，训练样本中包括预先标记的训练主影像图、训练辅助影像图。具体的，为了提高训练得到的模型的准确度，可以尽可能多而丰富的获取训练样本。训练样本数据集中包括多个训练样本，每个训练样本中都可以包括两幅影像图。同时，为了便于使用，也可以标记主影像图和辅助影像图。
S320、将训练样本中的训练主影像图和所述训练辅助影像图输入至待训练图像融合模型中，得到待处理融合特征图。
其中，基于训练样本数据集中的训练样本对模型训练时，每个训练样本对模型的训练方式都是相同的，因此可以以其中一个训练样本为例，来了解如何训练得到目标图像融合模型。训练样本中的两幅影像图可以分别称为训练主影像图和训练辅助影像图。待训练图像融合模型为模型中的模型参数为默认参数的模型。待处理融合特征图为基于待训练图像融合模型处理得到的融合特征图。
具体的，针对训练样本数据集中的每个训练样本，可以将训练样本中的训练主影像图和训练辅助影像图作为待训练图像融合模型的输入，基于该待训练图像融合模型对两幅图像进行处理，可以得到待处理融合特征图。
在本实施例中，所述将训练样本中的训练主影像和所述训练辅助影像输入至待训练图像融合模型中，得到待处理融合特征图，包括：基于所述待训练图像融合模型中的卷积层和池化层对输入的所述训练主影像图和所述辅助影像图进行处理，得到至少五组预处理特征图；通过对所述至少五组预处理特征图进行处理，得到所述待处理融合特征图。
其中，待训练图像融合模型中包括卷积层和池化层。可以预先设置预处理特征图的组数量，例如，经卷积层和池化层处理后，可以得到多少组预处理特征图。每组预处理特征图中包括两幅特征图，一幅特征图与主影像图相对应，另一幅特征图与辅助影像图相对应。待处理融合特征图为对五组预处理特征图处理后得到的图像。
具体的，在将训练主影像图和训练辅助影像图输入至待训练图像融合模型中后，可以得到至少五组预处理特征图，每组预处理特征图中分别包括与主影像图和辅助影像图相对应的主训练特征图和辅助训练特征图。通过多五组预处理特征图中的图像进行进一步处理，可以得到一幅待处理融合特征图。
在本实施例中，通过对所述至少五组预处理特征图进行处理，得到所述待处理融合特征图，可以是，对至少五组预处理特征图进行形变场处理，得到待处理融合特征图。
示例性的，两幅影像图(训练主影像图和训练辅助影像图)经过待训练图像融合模型后，可以得到5组特征预处理特征图，并采用形变场的方法，进行特征图的尺度对齐后，与第三组特征对齐，如，前两组向下采样，后两组向上采样，最后与第三组特征对其得到一个融合特征图feature1。
此神经网络结构可以先对两幅影像图进行卷积和池化，比方说一开始的影像图是224x224的，处理后就会变成112x112，56x56,28x28,14x14四个不同尺寸的预处理特征图。然后对14x14的预处理特征图进行上采样或者反卷积，得到28x28的预处理特征图，28x28的预处理特征图与之前的28x28的预处理特征图进行通道拼接，然后再对拼接之后的特征图做卷积和上采样，得到56x56的预处理特征图，再与之前第三组的56x56预处理特征图进行拼接，卷积，再上采样，经过四次上采样可以得到一个与输入图像尺寸相同的224x224的预测结果，即得到最终待处理融合特征图。
S330、确定与所述训练主影像图对应的待处理灰度掩膜图，并根据所述待处理灰度掩膜图和所述待处理融合特征图，得到图像相似度值。
其中，灰度掩膜图可以理解为灰度图归一化处理后得到的图像。确定待处理灰度掩膜图可以是，将训练主影像图进行灰度处理，再对每个像素点的灰度值进行归一化处理，得到待处理灰度掩膜图。
具体的，在确定与主影像图对应的待处理灰度掩膜图后，可以根据待处理灰度掩膜图和待处理融合特征图，得到图像相似度值，在本实施例中，确定图像相似度值的原因和好处在于：基于处理结果反向修正待训练图像融合模型中的模型参数。
在本实施例中，所述确定与所述训练主影像图对应的待处理灰度掩膜图，并根据所述待处理灰度掩膜图和所述待处理融合特征图，得到图像相似度值，包括：确定与所述训练主影像图相对应的灰度图，并基于所述灰度图中各个像素点的灰度值，得到与所述训练主影像图对应的待处理灰度掩膜图；通过对所述待处理灰度掩膜图和所述待处理融合特征图进行图像形变并融合，得到辅助灰度掩膜图；基于第一预设相似度确定函数对所述辅助灰度掩膜图和所述待处理灰度掩膜图进行相似度计算，得到所述图像相似度值。
其中，灰度图是将主影像图灰度处理后得到的图像。灰度图中每个像素点对应有相应的像素值，可选的，灰度值，可以对每个灰度值进行归一化处理，如，灰度值除以256，得到与训练主影像图相对应待处理灰度掩膜图。即，待处理灰度掩膜图为对训练主影像灰度处理并归一化之后得到的影像图。辅助灰度掩膜图是对待处理灰度掩膜图和待处理融合特征图形变并融合之后，得到的影像图。此时，辅助灰度掩膜图还为形变展平之后的图像。第一预设相似度确定函数为预先设置的，可以基于此函数对两幅图像进行相似度计算，并可以将基于此函数计算出的结果，作为调整待训练图像融合模型中模型参数的依据。图像相似度值是基于第一预设相似度函数确定的，该相似度值用于确定两幅图像之间的相似程度，例如，相似度值越高，说明两幅图像之间越相似。
示例性的，将与训练主影像图的待处理灰度掩膜图片与待处理融合特征图进行形变，例如，形变主要是将两幅图像中病灶信息所属区域的边缘线进行对其，以实现融合，得到辅助灰度掩膜图。由于辅助灰度掩膜图是形变后得到的，因此可以将辅助灰度掩膜图展平，并基于第一预设相似度确定函数对展平的辅助灰度掩膜图和待处理灰度掩膜图进行相似度计算，得到图像相似度值。
在本实施例中，第一预设相似度确定函数可以是：
其中mi表示待处理灰度掩膜图中像素点的像素值，ni表示辅助灰度掩膜图中像素点的像素值，j表示像素点的总行数和/或总列数。
基于上述公式对辅助灰度掩膜图和待处理灰度掩膜图进行相似度计算，可以得到相似度值。
S340、基于所述图像相似度值，对所述待训练图像融合中的模型参数进行调整，以得到所述目标图像融合模型。
需要说明的是，基于上述第一预设相似度确定函数得到的相似度值，其取值范围在[0,1]之间，当m与n值趋于1，且vector值相等，则说明m，n最为相似，且Sdice的值为1，否则Sdice值为0。相应的，模型中的损失函数的值可以是：L＝1–Sdice，当L＝0时，说明不需要反向梯度传递，即不需要调整模型中的模型参数，反之，则说明需要反向传递，以调整模型中的模型参数。
可以重复执行上述步骤，可选的，S320至S340，以调整模型中的模型参数，直至训练得到目标图像融合模型。目标图像融合模型是基于待训练图像融合模型训练得到的，该模型可以作为最终使用的模型，此时模型中的模型参数均为训练得到的。
S350、确定主影像图和辅助影像图。
S360、将所述主影像与和所述辅助影像输入至预先训练好的目标图像融合模型中，得到目标融合影像图。
本发明实施例的技术方案，在基于目标图像融合模型对两幅影像图像处理之前，可以先对待训练图像融合模型进行处理，以得到目标图像融合模型，进而在基于目标图像融合模型对两幅影像图处理时，可以提高得到融合图像的便捷性和准确性的技术效果。
实施例三
图4为本发明实施例三所提供的一种图像融合方法流程示意图；在前述实施例的基础上，在基于目标图像融合模型对输入的图像进行处理之前，可以先训练得到目标图像融合模型，其具体的训练方式可以参见本实施例技术方案的详细阐述。其中，与上述实施例相同或者相应的技术术语在此不再赘述。
S401、获取训练样本数据集。
需要说明的是，为了进一步提高目标图像融合模型输出结果的准确性，可以在上述技术方案的基础上，训练样本中所包括的信息不仅可以包括训练主影像图、训练辅助影像图，还可以包括训练主影像图对应的训练主影像标签、以及与训练辅助影像图对应的训练辅助影像标签。训练主影像标签和训练辅助影像标签是与病灶信息相对应的二进制标签。
S402、将训练样本中的训练主影像图和所述训练辅助影像图输入至待训练图像融合模型中，得到待处理融合特征图。
S403、基于高斯滤波对所述训练主影像标签和所述训练辅助影像标签进行处理，得到标签处理结果。
其中，由于标签均是与病灶信息相对应的，因此可以基于高斯滤波对二进制标签进行处理，得到与标签相对应的处理结果。
需要说明的是，对训练样本数据集中的每个训练样本数据的处理方式均是相同的，因此以对其中一个训练样本数据为例来介绍。
S404、基于第二预设相似度确定函数对所述标签处理结果进行处理，得到第一相似度值。
其中，第二预设相似度确定函数可以是预先确定的，该相似度函数可以是：其中，ak n、ak m分别为训练主影像图和训练辅助影像图中关于病灶信息的二进制标签，f表示高斯滤波预处理，Sdice其函数的具体表述方式可以参数实施例二中的函数表达式。
第一相似度值可以理解为对标签处理后，得到的相似度值，即，对两幅图像中的病灶信息处理后，得到的相似度值，该相似度值可以表征两幅图像中病灶信息的相似度。
S405、确定与所述训练主影像图对应的待处理灰度掩膜图，并根据所述待处理灰度掩膜图和所述待处理融合特征图，得到第二相似度值。
具体的，可以参见实施例二中的确定与所述训练主影像图对应的待处理灰度掩膜图，并根据所述待处理灰度掩膜图和所述待处理融合特征图，得到相似度值的具体实施方式。可以将此时得到的相似度值作为第二相似度值。
S406、基于所述第一相似度值和所述第二相似度值，确定所述图像相似度值。
可以对第一相似度值和第二相似度值进行计算，可选的，进行累加，得到图像相似度值。
S407、基于所述图像相似度值，对所述待训练图像融合中的模型参数进行调整，以得到所述目标图像融合模型。
S408、确定主影像图和辅助影像图。
此时，在确定主影像图和辅助影像图的同时，可以确定主影像图和辅助影像图中关于病灶信息的二进制标签。
S409、将所述主影像与和所述辅助影像输入至预先训练好的目标图像融合模型中，得到目标融合影像图。
可以将标签、主影像图、辅助影像图输入至预先训练好的目标图像融合模型中，以得到目标融合图像，此种方式提高了得到目标融合影像图的准确性，进而在基于目标融合影像图对患者进行诊疗时，可以提高诊疗效率和准确率的技术效果。
作为上述实施例的一可选实施例，参见图5，可以将训练主影像图和训练辅影像图输入至待训练图像融合模型中(unet网络)，得到至少五组预处理特征图，对至少五组预处理特征图进行对齐，得到待处理融合特征图。基于待处理融合特征图和与主影像的灰度掩膜图进行形变和融合，得到辅助影像灰度掩膜图。对主影像图和辅助影像图的标签进行相似度处理，得到第二相似度值，基于辅助影像灰度掩膜图和待处理灰度掩膜图进行相似度处理，得到第一相似度值。基于第一相似度值和第二相似度值，确定是否对待训练图像融合模型中的模型参数进行调整，直至得到目标图像融合模型。
需要说明的是，上述解释均是以其中一个训练样本对模型进行训练来介绍的，训练样本数据集中的训练样本数据均可以重复执行上述步骤，最终得到目标图像融合模型。
本发明实施例的技术方案，在基于目标图像融合模型对两幅影像图像处理之前，可以先对待训练图像融合模型进行处理，以得到目标图像融合模型，进而在基于目标图像融合模型对两幅影像图处理时，可以提高得到融合图像的便捷性和准确性的技术效果。
实施例四
图6为本发明实施例四所提供的一种图像融合装置的结构示意图；该装置包括图像确定模块610以及目标融合图像确定模块620。
其中，图像确定模块610，用于确定主影像图和辅助影像图；其中，所述主影像图和所述辅助影像图中包括病灶信息；目标融合图像确定模块620，用于将所述主影像与和所述辅助影像输入至预先训练好的目标图像融合模型中，得到目标融合影像图；其中，所述目标图像融合模型是基于训练样本确定的，所述训练样本中包括训练主影像图、训练辅助影像图；所述目标融合图像中包括对两幅影像图中病灶信息的融合信息。
在上述技术方案的基础上，所述图像确定模块，还用于：根据目标内容编辑控件中编辑的内容，确定两幅影像图中的主影像图和辅助影像图。
在上述技术方案的基础上，所述装置还包括：训练图像融合模型模块，用于训练得到所述目标图像融合模型；
训练图像融合模型模块，包括：样本数据获取单元，用于获取训练样本数据集；其中，所述训练样本数据集中包括至少一个训练样本，训练样本中包括预先标记的训练主影像图、训练辅助影像图；
待处理融合特征图确定单元，用于将训练样本中的训练主影像图和所述训练辅助影像图输入至待训练图像融合模型中，得到待处理融合特征图；
图像相似度值确定单元，用于确定与所述训练主影像图对应的待处理灰度掩膜图，并根据所述待处理灰度掩膜图和所述待处理融合特征图，得到图像相似度值；
目标图像融合模型确定单元，用于基于所述图像相似度值，对所述待训练图像融合中的模型参数进行调整，以得到所述目标图像融合模型；其中，所述目标图像融合模型用于对所述输入的两幅影像图进行处理，得到融合影像图。
在上述技术方案的基础上，所述待处理融合特征图确定单元，还包括：
预处理特征图确定子单元，用于基于所述待训练图像融合模型中的卷积层和池化层对输入的所述训练主影像图和所述辅助影像图进行处理，得到至少五组预处理特征图；
待处理融合特征图确定子单元，用于通过对所述至少五组预处理特征图进行处理，得到所述待处理融合特征图。
在上述技术方案的基础上，所述图像相似度值确定单元，包括：
待处理灰度掩膜图确定子单元，用于确定与所述训练主影像图相对应的灰度图，并基于所述灰度图中各个像素点的灰度值，得到与所述训练主影像图对应的待处理灰度掩膜图；
辅助灰度掩膜图确定子单元，用于通过对所述待处理灰度掩膜图和所述待处理融合特征图进行图像形变并融合，得到辅助灰度掩膜图；
图像相似度值确定子单元，用于基于第一预设相似度确定函数对所述辅助灰度掩膜图和所述待处理灰度掩膜图进行相似度计算，得到所述图像相似度值。
在上述技术方案的基础上，所述训练样本数据集中还包括与训练主影像图对应的训练主影像标签、以及与训练辅助影像图对应的训练辅助影像标签，所述图像相似度值确定单元，还包括：
标签处理子单元，用于基于高斯滤波对所述训练主影像标签和所述训练辅助影像标签进行处理，得到标签处理结果；其中，训练主影像标签和训练辅助影像标签是与病灶信息相对应的二进制标签；
第一相似度值确定子单元，用于基于第二预设相似度确定函数对所述标签处理结果进行处理，得到第一相似度值；
第二相似度值确定子单元，用于确定与所述训练主影像图对应的待处理灰度掩膜图，并根据所述待处理灰度掩膜图和所述待处理融合特征图，得到第二相似度值；
图像相似度值确定子单元，用于基于所述第一相似度值和所述第二相似度值，确定所述图像相似度值。
在上述技术方案的基础上，所述目标图像融合模型单元确定模块，还用于：当所述图像相似度值与预设相似度值阈值不一致，则基于所述图像相似度值对所述待训练图像融合模型中的参数进行调整，以得到所述目标图像融合模型。
本发明实施例的技术方案，通过在确定主影像图和辅助影像图后，将主影像图和辅助影像图同时输入至预先训练好的目标图像融合模型中后，可以得到包括病灶融合信息的目标融合图像，解决了目前在将图像融合时，无法实现多针图像进行融合的问题，以及融合后影像发生偏移，导致融合效果不佳的问题，实现了可以实施对包括病灶信息的图像记性融合，达到了较好的病灶追踪和识别效果，进而基于融合图像对就诊用户进行诊疗时，可以提高诊疗效率的技术效果。
本发明实施例所提供的图像融合装置可执行本发明任意实施例所提供的图像融合方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。
实施例五
图7为本发明实施例五提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施例实施方式的示例性电子设备70的框图。图7显示的电子设备70仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备70以通用计算设备的形式表现。电子设备70的组件可以包括但不限于：一个或者多个处理器或者处理单元701，***存储器702，连接不同***组件(包括***存储器702和处理单元701)的总线703。
总线703表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
电子设备70典型地包括多种计算机***可读介质。这些介质可以是任何能够被电子设备70访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
***存储器702可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(RAM)704和/或高速缓存存储器705。电子设备70可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***706可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线703相连。存储器702可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块707的程序/实用工具708，可以存储在例如存储器702中，这样的程序模块707包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块707通常执行本发明所描述的实施例中的功能和/或方法。
电子设备70也可以与一个或多个外部设备709(例如键盘、指向设备、显示器710等)通信，还可与一个或者多个使得用户能与该电子设备70交互的设备通信，和/或与使得该电子设备70能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口711进行。并且，电子设备70还可以通过网络适配器712与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器712通过总线703与电子设备70的其它模块通信。应当明白，尽管图7中未示出，可以结合电子设备70使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元701通过运行存储在***存储器702中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的图像融合方法。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行图像融合方法。
该方法包括：
确定主影像图和辅助影像图；其中，所述主影像图和所述辅助影像图中包括病灶信息；
将所述主影像与和所述辅助影像输入至预先训练好的目标图像融合模型中，得到目标融合影像图；
其中，所述目标图像融合模型是基于训练样本确定的，所述训练样本中包括训练主影像图、训练辅助影像图；所述目标融合图像中包括对两幅影像图中病灶信息的融合信息。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (7)
1.一种图像融合方法，其特征在于，包括：
确定主影像图和辅助影像图；其中，所述主影像图和所述辅助影像图中包括病灶信息；
将所述主影像与和所述辅助影像输入至预先训练好的目标图像融合模型中，得到目标融合影像图；
其中，所述目标图像融合模型是基于训练样本预先确定的；所述目标融合图像中包括对两幅影像图中病灶信息的融合信息；
在所述将所述主影像与和所述辅助影像输入至预先训练好的目标图像融合模型中，得到目标融合图像之前，还包括：
训练得到所述目标图像融合模型；
所述训练得到所述目标融合模型，包括：
获取训练样本数据集；其中，所述训练样本数据集中包括至少一个训练样本，训练样本中包括预先标记的训练主影像图、训练辅助影像图；
将训练样本中的训练主影像图和所述训练辅助影像图输入至待训练图像融合模型中，得到待处理融合特征图；
确定与所述训练主影像图对应的待处理灰度掩膜图，并根据所述待处理灰度掩膜图和所述待处理融合特征图，得到图像相似度值；
基于所述图像相似度值，对所述待训练图像融合中的模型参数进行调整，以得到所述目标图像融合模型；
其中，所述目标图像融合模型用于对所述输入的两幅影像图进行处理，得到融合影像图；
所述将训练样本中的训练主影像和所述训练辅助影像输入至待训练图像融合模型中，得到待处理融合特征图，包括：
基于所述待训练图像融合模型中的卷积层和池化层对输入的所述训练主影像图和所述辅助影像图进行处理，得到至少五组预处理特征图；
通过对所述至少五组预处理特征图进行处理，得到所述待处理融合特征图；
所述确定与所述训练主影像图对应的待处理灰度掩膜图，并根据所述待处理灰度掩膜图和所述待处理融合特征图，得到图像相似度值，包括：
确定与所述训练主影像图相对应的灰度图，并基于所述灰度图中各个像素点的灰度值，得到与所述训练主影像图对应的待处理灰度掩膜图；
通过对所述待处理灰度掩膜图和所述待处理融合特征图进行图像形变并融合，得到辅助灰度掩膜图；
基于第一预设相似度确定函数对所述辅助灰度掩膜图和所述待处理灰度掩膜图进行相似度计算，得到所述图像相似度值。
2.根据权利要求1所述的方法，其特征在于，所述确定所述主影像图和所述辅助影像图，包括：
根据目标内容编辑控件中编辑的内容，确定两幅影像图中的主影像图和辅助影像图。
3.根据权利要求1所述的方法，其特征在于，所述训练样本数据集中还包括与训练主影像图对应的训练主影像标签、以及与训练辅助影像图对应的训练辅助影像标签，所述确定与所述训练主影像图对应的待处理灰度掩膜图，并根据所述待处理灰度掩膜图和所述待处理融合特征图，得到图像相似度值，包括：
基于高斯滤波对所述训练主影像标签和所述训练辅助影像标签进行处理，得到标签处理结果；其中，训练主影像标签和训练辅助影像标签是与病灶信息相对应的二进制标签；
基于第二预设相似度确定函数对所述标签处理结果进行处理，得到第一相似度值；
确定与所述训练主影像图对应的待处理灰度掩膜图，并根据所述待处理灰度掩膜图和所述待处理融合特征图，得到第二相似度值；
基于所述第一相似度值和所述第二相似度值，确定所述图像相似度值。
4.根据权利要求1所述的方法，其特征在于，所述基于所述图像相似度值，对所述待训练图像融合中的模型参数进行调整，以得到所述目标图像融合模型，包括：
当所述图像相似度值与预设相似度值阈值不一致，则基于所述图像相似度值对所述待训练图像融合模型中的参数进行调整，以得到所述目标图像融合模型。
5.一种图像融合装置，其特征在于，包括：
图像确定模块，用于确定主影像图和辅助影像图；其中，所述主影像图和所述辅助影像图中包括病灶信息；
目标融合图像确定模块，用于将所述主影像与和所述辅助影像输入至预先训练好的目标图像融合模型中，得到目标融合影像图；
其中，所述目标图像融合模型是基于训练样本确定的，所述训练样本中包括训练主影像图、训练辅助影像图；所述目标融合图像中包括对两幅影像图中病灶信息的融合信息；
所述装置还包括：
训练图像融合模型模块，用于训练得到所述目标图像融合模型；
所述训练图像融合模型模块，包括：
样本数据获取单元，用于获取训练样本数据集；其中，所述训练样本数据集中包括至少一个训练样本，训练样本中包括预先标记的训练主影像图、训练辅助影像图；
待处理融合特征图确定单元，用于将训练样本中的训练主影像图和所述训练辅助影像图输入至待训练图像融合模型中，得到待处理融合特征图；
图像相似度值确定单元，用于确定与所述训练主影像图对应的待处理灰度掩膜图，并根据所述待处理灰度掩膜图和所述待处理融合特征图，得到图像相似度值；
所述目标图像融合模型确定单元，还用于基于所述图像相似度值，对所述待训练图像融合中的模型参数进行调整，以得到所述目标图像融合模型；其中，所述目标图像融合模型用于对所述输入的两幅影像图进行处理，得到融合影像图；
所述待处理融合特征图确定单元，还包括：
预处理特征图确定子单元，用于基于所述待训练图像融合模型中的卷积层和池化层对输入的所述训练主影像图和所述辅助影像图进行处理，得到至少五组预处理特征图；
待处理融合特征图确定子单元，用于通过对所述至少五组预处理特征图进行处理，得到所述待处理融合特征图；
所述图像相似度值确定单元，包括：
待处理灰度掩膜图确定子单元，用于确定与所述训练主影像图相对应的灰度图，并基于所述灰度图中各个像素点的灰度值，得到与所述训练主影像图对应的待处理灰度掩膜图；
辅助灰度掩膜图确定子单元，用于通过对所述待处理灰度掩膜图和所述待处理融合特征图进行图像形变并融合，得到辅助灰度掩膜图；
图像相似度值确定子单元，用于基于第一预设相似度确定函数对所述辅助灰度掩膜图和所述待处理灰度掩膜图进行相似度计算，得到所述图像相似度值。
6.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的图像融合方法。
7.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-4中任一所述的图像融合方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110551251.9A CN113255756B (zh) | 2021-05-20 | 2021-05-20 | 图像融合方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110551251.9A CN113255756B (zh) | 2021-05-20 | 2021-05-20 | 图像融合方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113255756A CN113255756A (zh) | 2021-08-13 |
| CN113255756B true CN113255756B (zh) | 2024-05-24 |
Family
ID=77182988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110551251.9A Active CN113255756B (zh) | 2021-05-20 | 2021-05-20 | 图像融合方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113255756B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114842239B (zh) * | 2022-04-02 | 2022-12-23 | 北京医准智能科技有限公司 | 一种基于超声视频的乳腺病灶属性预测方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110211079A (zh) * | 2019-05-22 | 2019-09-06 | 首都医科大学 | 医学图像的融合方法及装置 |
| CN111091604A (zh) * | 2019-11-18 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 快速成像模型的训练方法、装置及服务器 |
| CN111275703A (zh) * | 2020-02-27 | 2020-06-12 | 腾讯科技（深圳）有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
| CN111325675A (zh) * | 2018-12-17 | 2020-06-23 | 中国科学院深圳先进技术研究院 | 图像处理方法、装置、设备和存储介质 |
| CN111382796A (zh) * | 2020-03-09 | 2020-07-07 | 广东博智林机器人有限公司 | 图像特征的提取方法、装置、设备及存储介质 |
| CN111445440A (zh) * | 2020-02-20 | 2020-07-24 | 上海联影智能医疗科技有限公司 | 一种医学图像分析方法、设备和存储介质 |
| CN112529909A (zh) * | 2020-12-08 | 2021-03-19 | 北京安德医智科技有限公司 | 一种基于图像补全的肿瘤图像脑区分割方法及*** |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10102451B2 (en) * | 2015-10-13 | 2018-10-16 | Elekta, Inc. | Pseudo-CT generation from MR data using tissue parameter estimation |
| CN108986891A (zh) * | 2018-07-24 | 2018-12-11 | 北京市商汤科技开发有限公司 | 医疗影像处理方法及装置、电子设备及存储介质 |
| CN109741344B (zh) * | 2018-12-28 | 2022-03-18 | 上海联影智能医疗科技有限公司 | 血管分割方法、装置、医疗影像设备及存储介质 |
-
2021
- 2021-05-20 CN CN202110551251.9A patent/CN113255756B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111325675A (zh) * | 2018-12-17 | 2020-06-23 | 中国科学院深圳先进技术研究院 | 图像处理方法、装置、设备和存储介质 |
| CN110211079A (zh) * | 2019-05-22 | 2019-09-06 | 首都医科大学 | 医学图像的融合方法及装置 |
| CN111091604A (zh) * | 2019-11-18 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 快速成像模型的训练方法、装置及服务器 |
| CN111445440A (zh) * | 2020-02-20 | 2020-07-24 | 上海联影智能医疗科技有限公司 | 一种医学图像分析方法、设备和存储介质 |
| CN111275703A (zh) * | 2020-02-27 | 2020-06-12 | 腾讯科技（深圳）有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
| CN111382796A (zh) * | 2020-03-09 | 2020-07-07 | 广东博智林机器人有限公司 | 图像特征的提取方法、装置、设备及存储介质 |
| CN112529909A (zh) * | 2020-12-08 | 2021-03-19 | 北京安德医智科技有限公司 | 一种基于图像补全的肿瘤图像脑区分割方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| PET与MRI图像融合对癫痫疾病诊断的研究;马斌荣, 杨虎, 唐小玲;中国现代医学杂志(18);全文 * |
| 一种基于图像分割的医学图像融合方法;曲桂红, 张大力, 阎平凡;北京生物医学工程(01);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113255756A (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110914866B (zh) | 用于在图像分析中进行解剖结构分割的***和方法 | |
| EP4044115A1 (en) | Image processing method and apparatus based on artificial intelligence, and device and storage medium | |
| CN111291825B (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
| US20220198230A1 (en) | Auxiliary detection method and image recognition method for rib fractures based on deep learning | |
| CN110974306B (zh) | 一种超声内镜下识别和定位胰腺神经内分泌肿瘤的*** | |
| CN111028246A (zh) | 一种医学图像分割方法、装置、存储介质及电子设备 | |
| CN111595850A (zh) | 切片缺陷检测方法、电子装置及可读存储介质 | |
| CN110598714A (zh) | 一种软骨图像分割方法、装置、可读存储介质及终端设备 | |
| CN112396605B (zh) | 网络训练方法及装置、图像识别方法和电子设备 | |
| CN112465834A (zh) | 一种血管分割方法及装置 | |
| CN112598656A (zh) | 一种基于UNet++优化和权值预算的脑肿瘤分割算法 | |
| CN112561877B (zh) | 多尺度双通道卷积模型训练方法、图像处理方法及装置 | |
| CN114565763A (zh) | 图像分割方法、装置、设备、介质及程序产品 | |
| CN114266860A (zh) | 三维人脸模型建立方法、装置、电子设备及存储介质 | |
| CN111192320B (zh) | 一种位置信息确定方法、装置、设备和存储介质 | |
| CN113255756B (zh) | 图像融合方法、装置、电子设备及存储介质 | |
| CN113177957B (zh) | 一种细胞图像的分割方法、装置、电子设备及存储介质 | |
| CN109087357B (zh) | 扫描定位方法、装置、计算机设备及计算机可读存储介质 | |
| CN114066905A (zh) | 一种基于深度学习的医学图像分割方法、***、装置 | |
| WO2019109410A1 (zh) | 用于分割 mri 图像中异常信号区的全卷积网络模型训练方法 | |
| CN114187337B (zh) | 图像配准方法、分割方法、装置、电子设备以及存储介质 | |
| CN112801964B (zh) | 肺部ct图像的多标签智能检测方法、装置、设备和介质 | |
| CN115439453A (zh) | 一种脊椎椎体定位方法、装置、电子设备及存储介质 | |
| 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 | |
| CN112116608B (zh) | 一种导丝分割方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |