CN114820591B - 图像处理方法、装置、电子设备及介质 - Google Patents
图像处理方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN114820591B CN114820591B CN202210635894.6A CN202210635894A CN114820591B CN 114820591 B CN114820591 B CN 114820591B CN 202210635894 A CN202210635894 A CN 202210635894A CN 114820591 B CN114820591 B CN 114820591B
- Authority
- CN
- China
- Prior art keywords
- region
- image
- processed
- interest
- images
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 26
- 210000000481 breast Anatomy 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims description 47
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 208000004434 Calcinosis Diseases 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000003628 erosive effect Effects 0.000 claims description 4
- 239000011800 void material Substances 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 11
- 238000003325 tomography Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000001747 exhibiting effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000004907 gland Anatomy 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000005075 mammary gland Anatomy 0.000 description 2
- 238000009607 mammography Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 208000006994 Precancerous Conditions Diseases 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
- G06T3/067—Reshaping or unfolding 3D tree structures onto 2D planes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T2207/10116—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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开实施例提供了一种图像处理方法、装置、电子设备及介质。该图像处理方法包括获得乳腺断层影像,所述乳腺断层影像包括由多个影像构成的影像序列,从所述影像序列中非连续地选取多个待处理影像,分别识别每个所述待处理影像中的感兴趣区域,并获得每个感兴趣区域的展示优先级,将所述多个待处理影像中的感兴趣区域投影到同一平面以过滤感兴趣区域,从过滤后的感兴趣区域中选择展示优先级最高的数个感兴趣区域进行输出。
Description
技术领域
本说明书涉及计算机视觉技术领域,尤其涉及一种图像处理方法、装置、电子设备及介质。
背景技术
在医学成像领域中,经常显示来自患者的医学图像序列。计算机断层摄影(CT),例如乳腺断层影像(DBT)可以提供患者***结构或组织的三维重建,可以将三维重建显示为二维截面的序列。
来自医学图像序列的特定图像可以包括医师或其他用户特别感兴趣的区域。相关技术中已经存在一些用于检测并提示用户在医学图像序列内的感兴趣区域的方法,这些方法通过检测每个二维截面中的特征位置,以确定感兴趣区域。感兴趣区域可以由方框画出轮廓,由箭头指示,或由颜色和/或强度变化来突出。
对于提醒医师或其他用户在乳腺断层影像中的感兴趣区域,这些方法存在资源消耗多,检测效率低的问题。
发明内容
为解决相关技术中的问题,本公开实施例提供了一种图像处理方法、装置、电子设备及介质。
本公开的一个方面提供了一种图像处理方法,包括:获得乳腺断层影像,所述乳腺断层影像包括由多个影像构成的影像序列,从所述影像序列中非连续地选取多个待处理影像,分别识别每个所述待处理影像中的感兴趣区域,并获得每个感兴趣区域的展示优先级,将所述多个待处理影像中的感兴趣区域投影到同一平面以过滤感兴趣区域,从过滤后的感兴趣区域中选择展示优先级最高的数个感兴趣区域进行输出。
本公开的另一个方面提供了一种图像处理装置,包括获得模块、识别模块、过滤模块和输出模块。获得模块,被配置为获得乳腺断层影像,所述乳腺断层影像包括由多个影像构成的影像序列。识别模块,被配置为从所述影像序列中非连续地选取多个待处理影像,分别识别每个所述待处理影像中的感兴趣区域,并获得每个感兴趣区域的展示优先级。过滤模块,被配置为将所述多个待处理影像中的感兴趣区域投影到同一平面以过滤感兴趣区域。输出模块,被配置为从过滤后的感兴趣区域中选择展示优先级最高的数个感兴趣区域进行输出。
本公开的另一个方面提供了一种电子设备,包括至少一个处理器以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:获得乳腺断层影像,所述乳腺断层影像包括由多个影像构成的影像序列,从所述影像序列中非连续地选取多个待处理影像,分别识别每个所述待处理影像中的感兴趣区域,并获得每个感兴趣区域的展示优先级,将所述多个待处理影像中的感兴趣区域投影到同一平面以过滤感兴趣区域,从过滤后的感兴趣区域中选择展示优先级最高的数个感兴趣区域进行输出。
本公开的另一个方面提供了一种计算机可读存储介质,存储有计算机可读指令,所述指令在被处理器执行时用于实现如上所述的图像处理方法。
本公开的另一个方面提供了一种计算机程序,所述计算机程序包括计算机可执行指令,所述指令在被执行时用于实现如上所述的图像处理方法。
在一些场景下,由于医师并不关心每一个感兴趣区域的具体情况,本公开实施例提供的图像处理方法通过从影像序列中非连续地选取多个待处理影像,分别识别每个所述待处理影像中的感兴趣区域,并投影到同一平面进行过滤,从过滤后的感兴趣区域中选择展示优先级最高的数个感兴趣区域进行输出,从而可以节省大量运算资源,快速而明确地提供数个感兴趣区域的检测结果。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本公开的其它特征、目的和优点将变得更加明显。在附图中:
图1示意性示出应用本公开实施例的图像处理方法的***架构示意图;
图2示意性示出本公开实施例的图像处理方法的流程图;
图3示意性示出本公开实施例的乳腺断层影像的示意图;
图4示意性示出本公开实施例的识别感兴趣区域的流程图;
图5示意性示出本公开另一实施例的识别感兴趣区域的流程图;
图6示意性示出本公开另一实施例的识别感兴趣区域的流程图;
图7示意性示出本公开实施例的识别第二特征区域的流程图;
图8A示意性示出本公开实施例的待处理图像的示意图;
图8B示意性示出本公开实施例的带有掩膜的图像的示意图;
图8C示意性示出本公开实施例的身体轮廓的初步结果的示意图;
图8D示意性示出本公开实施例的身体轮廓膨胀的示意图;
图8E示意性示出本公开实施例的感兴趣区域的示意图;
图9示意性示出本公开实施例的图像处理装置的框图;以及
图10示意性示出适于实现本公开实施例的图像处理方法的计算机***的结构示意图。
具体实施方式
下文中,将参考附图详细描述本公开的示例性实施例,以使本领域技术人员可容易地实现它们。此外,为了清楚起见,在附图中省略了与描述示例性实施例无关的部分。
在本公开中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
应当注意的是,本公开中数据的获取或展示均经用户授权、确认、或由用户主动选择。
本公开的实施例提供了一种图像处理方法,包括:获得乳腺断层影像,所述乳腺断层影像包括由多个影像构成的影像序列,从所述影像序列中非连续地选取多个待处理影像,分别识别每个所述待处理影像中的感兴趣区域,并获得每个感兴趣区域的展示优先级,将所述多个待处理影像中的感兴趣区域投影到同一平面以过滤感兴趣区域,从过滤后的感兴趣区域中选择展示优先级最高的数个感兴趣区域进行输出,从而在医师并不关心每一个感兴趣区域的具体情况的场景下,可以节省大量运算资源,快速而明确地提供数个感兴趣区域的检测结果。
根据本公开实施例,所述感兴趣区域包括微钙化预测区域。乳腺断层影像的三维重建横截面之一可以示出微钙化簇。微钙化簇的发现有利于指示患者的癌症前期状态,但医师对于微钙化簇的具体信息需求较少。因此,通过本公开实施例的方法可以快速地向医师展示抽样检测到的最为明显的数个微钙化簇,便于医师及时做出判断。
应当注意的是,感兴趣区域也可以包括除微钙化簇以外其他类型的病灶或非病灶的预测区域,只要存在类似的需求即可。例如,在一些场景下,感兴趣区域也可以包括肿块等。
以下结合附图,详细说明本公开各实施例提供的技术方案。
图1示意性示出应用本公开实施例的图像处理方法的***架构示意图。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用。例如浏览器类应用、搜索类应用、即时通信类工具等等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种专用或通用的电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。
服务器105可以是提供各种服务的服务器,例如为终端设备101、102、103上所安装的客户端应用提供服务的后端服务器。
服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。
本公开实施例提供的图像处理方法例如可以由终端设备101、102、103执行,也可以由服务器105执行。或者,本公开实施例的图像处理方法可以部分地由终端设备101、102、103执行,其他部分由服务器105执行。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意出本说明书实施例的图像处理方法的流程图。
如图2所示,该图像处理方法包括操作S202、S204、S206和S208。
在操作S202,获得乳腺断层影像,所述乳腺断层影像包括由多个影像构成的影像序列。
在操作S204,从所述影像序列中非连续地选取多个待处理影像,分别识别每个所述待处理影像中的感兴趣区域,并获得每个感兴趣区域的展示优先级。
在操作S206,将所述多个待处理影像中的感兴趣区域投影到同一平面以过滤感兴趣区域。
在操作S208,从过滤后的感兴趣区域中选择展示优先级最高的数个感兴趣区域进行输出。
乳腺断层影像(DBT,Digital Breast Tomosynthesis)是数字乳腺X线摄影术的创新。乳腺断层影像技术使用X射线源在***周围以弧形移动,从***组织中获取信息,以厚度为0.5-1.0毫米***组织“切片”重建高分辨率图像。通过呈现***内特定平面的图像,乳腺断层影像可以消除重叠的***组织,当三维***投影到二维图像平面上时,这些组织可能会在标准***X光检查中掩盖病灶,因此,乳腺断层影像技术更清晰地可视化***病变,并减少由于相邻正常***组织叠加而导致的假阳性结果。
图3示意性示出本公开实施例的乳腺断层影像的示意图。
如图3所示,乳腺断层影像包括由多个影像构成的影像序列。例如,可以以1毫米的厚度拍摄乳腺每一层的影像,拍摄100毫米厚度的***腺体将得到100张二维图像。根据本公开实施例,可以针对左乳和右乳分别拍摄乳腺断层影像。还可以在不同***下拍摄同一乳腺的乳腺断层影像结合使用,以获得更加准确的医学信息。本公开实施例的图像处理方法用于处理某一乳腺在某一***下拍摄的一组二维图像。
返回参考图2。在操作S204,从所述影像序列中非连续地选取多个待处理影像,每一层影像可以单独进行感兴趣区域的检测。微钙化簇、肿块等存在于三维空间中,因此同一感兴趣区域可以同时存在于多个相邻的二维图像上。为了节省计算资源,提升处理效率,可以仅检测部分待处理影像,而不对全部二维影像进行检测。
根据本公开实施例,可以按照预定间隔,从所述影像序列中选取多个待处理影像。例如,可以每隔10层选取一个二维影像作为待处理影像,从而可以大幅降低计算的资源成本和时间成本。作为替代方案,也可以从所述影像序列中随机选取多个待处理影像。
在操作S204,选取待处理影像后,针对所选取的每一个待处理影像,识别其中的感兴趣区域,并获得每个感兴趣区域的展示优先级。例如,可以选用已有的方法识别二维乳腺图像中的微钙化簇。除此以外,本公开还提供了与现有方法不同的多种实施方式,下面结合图4-图7以及图8A-图8E,对本公开实施例的识别感兴趣区域的方法进行介绍。
现有的基于机器学习的感兴趣区域检测方法在乳腺边缘容易出现假阳性结果,为了抑制这种情况的出现,本领域采用的技术方案通常是增加网络层数,同时增加训练样本,然而,这也将导致训练难度大幅提升,并且降低处理效率。
图4示意性示出本公开实施例的识别感兴趣区域的流程图。
如图4所示,该方法包括操作S402、S404和S406。
在操作S402,识别所述待处理影像中的第一特征区域,所述第一特征区域为感兴趣区域的初步预测区域。
根据本公开实施例,可以使用已有的分割算法初步识别感兴趣区域。例如,可以利用经训练的神经网络处理待处理影像,得到第一特征区域。该神经网络例如可以是U Net,可以使用经过训练的U Net处理待处理影像,得到第一特征区域。U Net发表于2015年,为编码器-解码器结构,其网络结构是对称的,因形似英文字母U所以被称为U Net,该网络在数据集有限的情况下能够获得不错的精度。
根据本公开实施例的方法,在检测到感兴趣区域的初步预测区域时,算法还给出了各个初步预测区域的分数,分数越高的区域是感兴趣区域的概率越大。可以将该分数作为感兴趣区域的展示优先级。
在操作S404,通过图像梯度算法识别所述待处理影像中的第二特征区域,所述第二特征区域为身体轮廓区域。
其中,图像梯度算法为使用梯度算子遍历图像以检测边缘的算法,属于传统的图像处理方法。在乳腺影像的身体轮廓检测的特定场景中,由于乳腺以外一般没有任何信号,而乳腺区域一定存在信号,相对于机器学习算法,本公开实施例采用传统的图像梯度算法不仅效率高速度快,而且准确性极高。
在操作S406,基于第二特征区域腐蚀所述第一特征区域,得到所述待处理影像中的感兴趣区域。
根据本公开实施例,可以使用示有第二特征区域的第二特征图与示有第一特征区域的第一特征图逐像素执行运算,以从第一特征区域中剔除第二特征区域。
示例性地,第一特征图包括背景区域和第一特征区域,背景区域的灰度值为0,第一特征区域的灰度值为1;第二特征图包括背景区域和第二特征区域,背景区域的灰度值为0,第二特征区域的灰度值为1。在本示例中,可以先对第二特征图取反,然后与第一特征图逐像素执行逻辑与运算,即得到从第一特征区域中剔除第二特征区域后的感兴趣区域。
根据本公开实施例,利用图像梯度算法检测身体轮廓,用身体轮廓腐蚀初步检测结果,相对于机器学习算法,本公开实施例的感兴趣区域的识别方法不仅效率高速度快,而且可以有效去除腺体边缘的高亮区域,抑制假阳性结果。
由于乳腺断层影像的数据量较大,单个待处理图像的尺寸约为600*1500,直接分割开销太大,本公开另一实施例提供的识别感兴趣区域的方法通过将待处理图像切成一个个不重叠的块,单独分割,最后再将结果拼接到一起,能够提高运算速度。
图5示意性示出本公开另一实施例的识别感兴趣区域的流程图。
如图5所示,该方法包括操作S502、S504和S506。
在操作S502,将一个待处理影像分割为多个块。例如,对于600*1500的待处理影像,可以将其分割为10个300*300的块。
在操作S504,分别识别每个块中的感兴趣区域,得到每个块的识别结果。与操作S402类似,此处可以选用任何可用的现有方法。例如可以使用U net处理每个块,得到识别结果,该识别结果包括每个块预测的感兴趣区域以及各个感兴趣区域的分数。分数越高的区域是感兴趣区域的概率越大,可以将该分数作为感兴趣区域的展示优先级。
在操作S506,拼接所述识别结果,得到所述待处理影像中的感兴趣区域。在这一步中,可以将拼接后相连的两个或更多个感兴趣区域组合为一个感兴趣区域。还可以在组合后,基于两个或更多个感兴趣区域的展示优先级,确定组合后的感兴趣区域的展示优先级。
根据本公开实施例,图4和图5所示的两种方法可以组合使用,既可以解决乳腺断层影像的数据量较大的问题,还能够有效抑制假阳性。下面结合图6所示意的实施例进行说明。
图6示意性示出本公开另一实施例的识别感兴趣区域的流程图。
如图6所示,该方法包括操作S602、S604、S606和S608。其中,操作S602和操作S604与上文图5所示意的操作S502和操作S504相同,此处不再赘述。
在执行操作S606之前,该方法还执行了操作S608。与上文所述的操作S404类似,在操作S608,通过图像梯度算法识别所述待处理影像中的第二特征区域,所述第二特征区域为身体轮廓区域。
在操作S606,拼接所述识别结果,并基于第二特征区域腐蚀拼接的识别结果,得到所述待处理影像中的感兴趣区域。该操作S606可以参考上文描述的操作S506和操作S406,此处不再展开描述。
下面参考图7和图8所示意的实施例,该实施例进一步描述了操作S404或操作S608的可能的具体实施方式。
图7示意性示出本公开实施例的识别第二特征区域的流程图。
如图7所示,该方法包括操作S702、S704、S706、S708和S710。
在操作S702,确定背景灰度值。例如,在乳腺断层影像中,背景灰度值通常为0。
在操作S704,使用掩膜灰度值对与所述背景灰度值不同的像素赋值,形成掩膜。掩膜灰度值可以是非0的任意值,例如可以是1或255。使用掩膜灰度值对灰度值非0的像素赋值,将得到二值化的图像。其中,像素灰度值为掩膜灰度值的部分,称为掩膜。
在操作S706,对所述掩膜进行膨胀处理,以消除内部空洞。根据本公开实施例,由于在乳腺内部,也存在灰度值为0的像素,可以通过膨胀掩膜进行消除。例如可以对灰度值非0的部分膨胀1-2个像素。如此得到的图像,背景区域灰度值为0,乳腺区域灰度值非0。
在操作S708,计算图像梯度,以确定身体轮廓的初步结果。可以使用梯度算子遍历图像以检测边缘,确定身体轮廓的初步结果。
在操作S710,对所述初步结果进行膨胀处理,得到所述第二特征区域。由于身体轮廓的初步结果为一条细线,不能覆盖假阳性区域,因此需要对初步结果进行膨胀,得到一条较粗的轮廓线。
图8A-图8E示意性示出本公开实施例的处理待处理图像过程的多个示意图。
根据本公开实施例,首先确定影像序列中的一个影像为待处理影像,如图8A所示,该待处理影像为乳腺断层影像的一个二维截面。
根据本公开实施例,对于待处理影像还进行掩膜处理,以得到如图8B所示的图像。例如,在待处理影像中,背景灰度值为0,在图8A或图8B中表现为黑色。可以定义掩膜灰度值为255,在图8B中表现为白色。对所有灰度值不为0的像素赋值,使该些像素的灰度值为255,得到带有掩膜的图像。而后对灰度值为255的掩膜进行膨胀处理,以消除内部空间,得到如图8B所示的带有掩膜的图像。
根据本公开实施例,对于带有掩膜的图像,计算图像梯度,以确定身体轮廓的初步结果。可以使用梯度算子遍历如图8B所示意的图像,得到如图8C所示意的身体轮廓的初步结果。
根据本公开实施例,对图8C所示意的初步结果进行膨胀处理,得到第二特征区域,如图8D所示。
另一方面,例如可以利用经训练的神经网络处理待处理影像,得到第一特征区域。例如,该神经网络可以是U Net,可以使用经过训练的U Net处理待处理影像,得到第一特征区域。该第一特征区域中包括可能的微钙化簇以及噪声,噪声主要包括因身体轮廓而产生的噪声。使用如图8D所示的第二特征区域腐蚀该第一特征区域,得到感兴趣区域,如图8E所示。
返回参考图2。在对各个待处理影像中的感兴趣区域检测完成后,可以执行操作S206,将所述多个待处理影像中的感兴趣区域投影到同一平面以过滤感兴趣区域。例如,在微钙化簇的检测过程中,不同的待处理影像中的感兴趣区域可能指示同一微钙化簇。可以将不同待处理影像中的感兴趣区域投影到同一平面,然后过滤其中冗余的部分,如此可以避免误导医生,把一个病灶当做两个病灶。
根据本公开实施例,过滤的方法可以是非极大值抑制(Non-MaximumSuppression,NMS),即抑制不是极大值的元素。非极大值抑制的方法选取邻域里分数最高,并且抑制那些分数低的窗口。
而后,在操作S208,从过滤后的感兴趣区域中选择展示优先级最高的数个感兴趣区域进行输出。例如,在微钙化簇的检测场景下,可以保留展示优先级最高的5个感兴趣区域,这些结果一般都会是很明显的钙化。5个感兴趣区域可能存在于同一个二维影像中,也可能分布在至多5个二维影像中,输出时,可以向用户展示该1-5个二维图像,其中标示了5个检测框,用于提示用户可能存在的微钙化簇。
本公开实施例提供的图像处理方法,通过从影像序列中非连续地选取多个待处理影像,分别识别每个所述待处理影像中的感兴趣区域,并投影到同一平面进行过滤,从过滤后的感兴趣区域中选择展示优先级最高的数个感兴趣区域进行输出,从而可以节省大量运算资源,快速而明确地提供数个感兴趣区域的检测结果。
基于同一发明构思,本公开还提供了一种图像处理装置,下面参照图9对本公开实施例的图像处理装置进行说明。
图9示意性示出本公开实施例的图像处理装置900的框图。其中,该装置900可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图9所示,该图像处理装置900包括获得模块902、识别模块904、过滤模块906以及输出模块908。该图像处理装置900可以执行上文描述的各种方法。
获得模块902,被配置为获得乳腺断层影像,所述乳腺断层影像包括由多个影像构成的影像序列;
识别模块904,被配置为从所述影像序列中非连续地选取多个待处理影像,分别识别每个所述待处理影像中的感兴趣区域,并获得每个感兴趣区域的展示优先级;
过滤模块906,被配置为将所述多个待处理影像中的感兴趣区域投影到同一平面以过滤感兴趣区域;
输出模块908,被配置为从过滤后的感兴趣区域中选择展示优先级最高的数个感兴趣区域进行输出。
根据本公开实施例的技术方案,在医师并不关心每一个感兴趣区域的具体情况的场景下,本公开实施例提供的图像处理装置可以节省大量运算资源,快速而明确地提供数个感兴趣区域的检测结果。
根据本公开实施例,该识别模块可以包括第一识别子模块、第二识别子模块和腐蚀子模块。其中,第一识别子模块被配置为识别所述待处理影像中的第一特征区域,所述第一特征区域为感兴趣区域的初步预测区域。第二识别子模块被配置为通过图像梯度算法识别所述待处理影像中的第二特征区域,所述第二特征区域为身体轮廓区域。腐蚀子模块被配置为基于第二特征区域腐蚀所述第一特征区域,得到所述待处理影像中的感兴趣区域。
根据本公开实施例,该识别模块可以包括分割子模块、第三识别子模块和拼接子模块。其中,分割子模块被配置为将一个待处理影像分割为多个块。第三识别子模块被配置为分别识别每个块中的感兴趣区域,得到每个块的识别结果。拼接子模块被配置为拼接所述识别结果,得到所述待处理影像中的感兴趣区域。
根据本公开实施例,该装置还可以包括第二识别子模块,被配置为通过图像梯度算法识别所述待处理影像中的第二特征区域,所述第二特征区域为身体轮廓区域。该拼接子模块可进一步被配置为拼接所述识别结果,并基于第二特征区域腐蚀拼接的识别结果,得到所述待处理影像中的感兴趣区域。
根据本公开实施例,该第二识别子模块可以包括背景确定单元、掩膜单元、第一膨胀单元、梯度计算单元和第二膨胀单元。其中,背景确定单元被配置为确定背景灰度值。掩膜单元被配置为使用掩膜灰度值对与所述背景灰度值不同的像素赋值,形成掩膜。第一膨胀单元被配置为对所述掩膜进行膨胀处理,以消除内部空洞。梯度计算单元被配置为计算图像梯度,以确定身体轮廓的初步结果。第二膨胀单元被配置为对所述初步结果进行膨胀处理,得到所述第二特征区域。
根据本公开实施例,从所述影像序列中非连续地选取多个待处理影像包括按照预定间隔,从所述影像序列中选取多个待处理影像。
根据本公开实施例,从所述影像序列中非连续地选取多个待处理影像包括从所述影像序列中随机选取多个待处理影像。
根据本公开实施例,所述感兴趣区域包括微钙化预测区域。
本公开还公开了一种电子设备,该电子设备包括存储器和处理器,其中,该存储器用于存储支持电子设备执行上述任一实施例中的图像处理方法的程序,该处理器被配置为用于执行该存储器中存储的程序,以实现如上文图2-图8任一实施例描述的图像处理方法。
图10示意性示出适于实现本公开实施例的图像处理方法的计算机***的结构示意图。
如图10所示,计算机***1000包括处理单元1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行上述实施例中的各种处理。在RAM 1003中,还存储有***1000操作所需的各种程序和数据。处理单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。其中,所述处理单元1001可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地,根据本公开的实施例,上文描述的方法可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在及其可读介质上的计算机程序,所述计算机程序包含用于执行上述方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中电子设备或计算机***中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种图像处理方法,包括:
获得乳腺断层影像,所述乳腺断层影像包括由多个影像构成的影像序列;
从所述影像序列中非连续地选取多个待处理影像,分别识别每个所述待处理影像中的感兴趣区域,并获得每个感兴趣区域的展示优先级;
将所述多个待处理影像中的感兴趣区域投影到同一平面以过滤感兴趣区域,其中,过滤的方法包括非极大值抑制;
从过滤后的感兴趣区域中选择展示优先级最高的数个感兴趣区域进行输出,
其中,所述分别识别每个所述待处理影像中的感兴趣区域,包括:
识别所述待处理影像中的第一特征区域,所述第一特征区域为感兴趣区域的初步预测区域;
通过图像梯度算法识别所述待处理影像中的第二特征区域,所述第二特征区域为身体轮廓区域;
基于第二特征区域腐蚀所述第一特征区域,得到所述待处理影像中的感兴趣区域,
其中,所述基于第二特征区域腐蚀所述第一特征区域包括,使用示有所述第二特征区域的第二特征图与示有所述第一特征区域的第一特征图逐像素执行运算,以从所述第一特征区域中剔除所述第二特征区域。
2.根据权利要求1所述的方法,其中,所述分别识别每个所述待处理影像中的感兴趣区域,包括:
将一个待处理影像分割为多个块;
分别识别每个块中的感兴趣区域,得到每个块的识别结果;
拼接所述识别结果,得到所述待处理影像中的感兴趣区域。
3.根据权利要求2所述的方法,还包括:
通过图像梯度算法识别所述待处理影像中的第二特征区域,所述第二特征区域为身体轮廓区域,
所述拼接所述识别结果,得到所述待处理影像中的感兴趣区域,包括:
拼接所述识别结果,并基于第二特征区域腐蚀拼接的识别结果,得到所述待处理影像中的感兴趣区域。
4.根据权利要求1或3所述的方法,其中,所述通过图像梯度算法识别所述待处理影像中的第二特征区域包括:
确定背景灰度值;
使用掩膜灰度值对与所述背景灰度值不同的像素赋值,形成掩膜;
对所述掩膜进行膨胀处理,以消除内部空洞;
计算图像梯度,以确定身体轮廓的初步结果;
对所述初步结果进行膨胀处理,得到所述第二特征区域。
5.根据权利要求1-3任一项所述的方法,其中,所述从所述影像序列中非连续地选取多个待处理影像,包括以下任意一种:
按照预定间隔,从所述影像序列中选取多个待处理影像;或者
从所述影像序列中随机选取多个待处理影像。
6.根据权利要求1-3任一项所述的方法,其中,所述感兴趣区域包括微钙化预测区域。
7.一种图像处理装置,包括:
获得模块,被配置为获得乳腺断层影像,所述乳腺断层影像包括由多个影像构成的影像序列;
识别模块,被配置为从所述影像序列中非连续地选取多个待处理影像,分别识别每个所述待处理影像中的感兴趣区域,并获得每个感兴趣区域的展示优先级;
过滤模块,被配置为将所述多个待处理影像中的感兴趣区域投影到同一平面以过滤感兴趣区域,其中,过滤的方法包括非极大值抑制;
输出模块,被配置为从过滤后的感兴趣区域中选择展示优先级最高的数个感兴趣区域进行输出,
其中,所述识别模块包括:
第一识别子模块,被配置为识别所述待处理影像中的第一特征区域,所述第一特征区域为感兴趣区域的初步预测区域;
第二识别子模块,被配置为通过图像梯度算法识别所述待处理影像中的第二特征区域,所述第二特征区域为身体轮廓区域;
腐蚀子模块,被配置为基于第二特征区域腐蚀所述第一特征区域,得到所述待处理影像中的感兴趣区域,
其中,所述基于第二特征区域腐蚀所述第一特征区域包括,使用示有所述第二特征区域的第二特征图与示有所述第一特征区域的第一特征图逐像素执行运算,以从所述第一特征区域中剔除所述第二特征区域。
8.根据权利要求7所述的装置,其中,所述识别模块包括:
分割子模块,被配置为将一个待处理影像分割为多个块;
第三识别子模块,被配置为分别识别每个块中的感兴趣区域,得到每个块的识别结果;
拼接子模块,被配置为拼接所述识别结果,得到所述待处理影像中的感兴趣区域。
9.根据权利要求8所述的装置,还包括:
第二识别子模块,被配置为通过图像梯度算法识别所述待处理影像中的第二特征区域,所述第二特征区域为身体轮廓区域,
所述拼接子模块进一步被配置为拼接所述识别结果,并基于第二特征区域腐蚀拼接的识别结果,得到所述待处理影像中的感兴趣区域。
10.根据权利要求7或9所述的装置,其中,所述第二识别子模块包括:
背景确定单元,被配置为确定背景灰度值;
掩膜单元,被配置为使用掩膜灰度值对与所述背景灰度值不同的像素赋值,形成掩膜;
第一膨胀单元,被配置为对所述掩膜进行膨胀处理,以消除内部空洞;
梯度计算单元,被配置为计算图像梯度,以确定身体轮廓的初步结果;
第二膨胀单元,被配置为对所述初步结果进行膨胀处理,得到所述第二特征区域。
11.根据权利要求7-9任一项所述的装置,其中,所述从所述影像序列中非连续地选取多个待处理影像包括以下任意一种:
按照预定间隔,从所述影像序列中选取多个待处理影像;或者
从所述影像序列中随机选取多个待处理影像。
12.根据权利要求7-9任一项所述的装置,其中,所述感兴趣区域包括微钙化预测区域。
13.一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获得乳腺断层影像,所述乳腺断层影像包括由多个影像构成的影像序列;
从所述影像序列中非连续地选取多个待处理影像,分别识别每个所述待处理影像中的感兴趣区域,并获得每个感兴趣区域的展示优先级;
将所述多个待处理影像中的感兴趣区域投影到同一平面以过滤感兴趣区域,其中,过滤的方法包括非极大值抑制;
从过滤后的感兴趣区域中选择展示优先级最高的数个感兴趣区域进行输出,
其中,所述分别识别每个所述待处理影像中的感兴趣区域,包括:
识别所述待处理影像中的第一特征区域,所述第一特征区域为感兴趣区域的初步预测区域;
通过图像梯度算法识别所述待处理影像中的第二特征区域,所述第二特征区域为身体轮廓区域;
基于第二特征区域腐蚀所述第一特征区域,得到所述待处理影像中的感兴趣区域,
其中,所述基于第二特征区域腐蚀所述第一特征区域包括,使用示有所述第二特征区域的第二特征图与示有所述第一特征区域的第一特征图逐像素执行运算,以从所述第一特征区域中剔除所述第二特征区域。
14.一种计算机可读存储介质,其上存储有计算机可读指令,所述指令被处理器执行时使得处理器执行如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210635894.6A CN114820591B (zh) | 2022-06-06 | 2022-06-06 | 图像处理方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210635894.6A CN114820591B (zh) | 2022-06-06 | 2022-06-06 | 图像处理方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114820591A CN114820591A (zh) | 2022-07-29 |
CN114820591B true CN114820591B (zh) | 2023-02-21 |
Family
ID=82520408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210635894.6A Active CN114820591B (zh) | 2022-06-06 | 2022-06-06 | 图像处理方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820591B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951895A (zh) * | 2016-01-07 | 2017-07-14 | 富士通株式会社 | 确定图像中的感兴趣区域的轮廓的方法和*** |
CN109740600A (zh) * | 2019-01-04 | 2019-05-10 | 上海联影医疗科技有限公司 | 高亮病灶区域的定位方法、装置、计算机设备以及存储介质 |
CN109801271A (zh) * | 2019-01-04 | 2019-05-24 | 上海联影医疗科技有限公司 | 钙化簇的定位方法、装置、计算机设备以及存储介质 |
CN110996772A (zh) * | 2017-08-15 | 2020-04-10 | 国际商业机器公司 | 乳腺癌检测 |
CN111566705A (zh) * | 2017-12-29 | 2020-08-21 | 上海联影医疗科技有限公司 | 一种确定医学成像中的感兴趣区域的***和方法 |
CN111583210A (zh) * | 2020-04-29 | 2020-08-25 | 北京小白世纪网络科技有限公司 | 基于卷积神经网络模型集成的乳腺癌图像自动识别方法 |
CN111783878A (zh) * | 2020-06-29 | 2020-10-16 | 北京百度网讯科技有限公司 | 目标检测方法、装置、电子设备以及可读存储介质 |
CN112419292A (zh) * | 2020-11-30 | 2021-02-26 | 深圳云天励飞技术股份有限公司 | 病理图像的处理方法、装置、电子设备及存储介质 |
JP2021029387A (ja) * | 2019-08-20 | 2021-03-01 | コニカミノルタ株式会社 | 医用情報処理装置及びプログラム |
CN112767346A (zh) * | 2021-01-18 | 2021-05-07 | 北京医准智能科技有限公司 | 基于多影像的全卷积单阶段乳腺图像病灶检测方法及装置 |
CN113160199A (zh) * | 2021-04-29 | 2021-07-23 | 武汉联影医疗科技有限公司 | 影像识别方法、装置、计算机设备和存储介质 |
CN113343895A (zh) * | 2021-06-24 | 2021-09-03 | 北京欧珀通信有限公司 | 目标检测方法、目标检测装置、存储介质与电子设备 |
CN113674254A (zh) * | 2021-08-25 | 2021-11-19 | 上海联影医疗科技股份有限公司 | 医学图像异常点识别方法、设备、电子装置和存储介质 |
CN113689412A (zh) * | 2021-08-27 | 2021-11-23 | 中国人民解放军总医院第六医学中心 | 甲状腺图像处理方法、装置、电子设备及存储介质 |
CN114119546A (zh) * | 2021-11-25 | 2022-03-01 | 推想医疗科技股份有限公司 | 检测mri影像的方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103337074B (zh) * | 2013-06-18 | 2016-01-13 | 大连理工大学 | 一种基于主动轮廓模型分割乳腺dce-mri病灶的方法 |
KR102383134B1 (ko) * | 2017-11-03 | 2022-04-06 | 삼성전자주식회사 | 우선 순위에 기반하여 이미지를 처리하는 전자 장치 및 그 동작 방법 |
CN111260642B (zh) * | 2020-02-12 | 2024-06-25 | 上海联影医疗科技股份有限公司 | 一种图像定位方法、装置、设备和存储介质 |
CN114359545A (zh) * | 2021-12-27 | 2022-04-15 | 北京大学第一医院 | 一种图像区域识别的方法及装置、电子设备 |
-
2022
- 2022-06-06 CN CN202210635894.6A patent/CN114820591B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951895A (zh) * | 2016-01-07 | 2017-07-14 | 富士通株式会社 | 确定图像中的感兴趣区域的轮廓的方法和*** |
CN110996772A (zh) * | 2017-08-15 | 2020-04-10 | 国际商业机器公司 | 乳腺癌检测 |
CN111566705A (zh) * | 2017-12-29 | 2020-08-21 | 上海联影医疗科技有限公司 | 一种确定医学成像中的感兴趣区域的***和方法 |
CN109740600A (zh) * | 2019-01-04 | 2019-05-10 | 上海联影医疗科技有限公司 | 高亮病灶区域的定位方法、装置、计算机设备以及存储介质 |
CN109801271A (zh) * | 2019-01-04 | 2019-05-24 | 上海联影医疗科技有限公司 | 钙化簇的定位方法、装置、计算机设备以及存储介质 |
JP2021029387A (ja) * | 2019-08-20 | 2021-03-01 | コニカミノルタ株式会社 | 医用情報処理装置及びプログラム |
CN111583210A (zh) * | 2020-04-29 | 2020-08-25 | 北京小白世纪网络科技有限公司 | 基于卷积神经网络模型集成的乳腺癌图像自动识别方法 |
CN111783878A (zh) * | 2020-06-29 | 2020-10-16 | 北京百度网讯科技有限公司 | 目标检测方法、装置、电子设备以及可读存储介质 |
CN112419292A (zh) * | 2020-11-30 | 2021-02-26 | 深圳云天励飞技术股份有限公司 | 病理图像的处理方法、装置、电子设备及存储介质 |
CN112767346A (zh) * | 2021-01-18 | 2021-05-07 | 北京医准智能科技有限公司 | 基于多影像的全卷积单阶段乳腺图像病灶检测方法及装置 |
CN113160199A (zh) * | 2021-04-29 | 2021-07-23 | 武汉联影医疗科技有限公司 | 影像识别方法、装置、计算机设备和存储介质 |
CN113343895A (zh) * | 2021-06-24 | 2021-09-03 | 北京欧珀通信有限公司 | 目标检测方法、目标检测装置、存储介质与电子设备 |
CN113674254A (zh) * | 2021-08-25 | 2021-11-19 | 上海联影医疗科技股份有限公司 | 医学图像异常点识别方法、设备、电子装置和存储介质 |
CN113689412A (zh) * | 2021-08-27 | 2021-11-23 | 中国人民解放军总医院第六医学中心 | 甲状腺图像处理方法、装置、电子设备及存储介质 |
CN114119546A (zh) * | 2021-11-25 | 2022-03-01 | 推想医疗科技股份有限公司 | 检测mri影像的方法及装置 |
Non-Patent Citations (4)
Title |
---|
Local extraction and detection of early stage breast cancers through a microneedle and nano-Ag/MBL film based painless and blood-free strategy;LimingChen等;《Materials Science and Engineering》;20191206;第109卷;1-8 * |
Prior information guided auto-contouring of breast gland for deformable image registration in postoperative breast cancer radiotherapy;Xin Xie等;《Quantitative Imaging in Medicine and Surgery》;20211231;4721-4730 * |
基于极限学习机的乳腺肿块检测技术研究;王之琼;《中国博士学位论文全文数据库医药卫生科技辑》;20160315;E072-170 * |
基于深度学习的肺结节检测研究;方俊炜;《中国优秀硕士学位论文全文数据库信息科技辑》;20190115;I138-4156 * |
Also Published As
Publication number | Publication date |
---|---|
CN114820591A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598728B (zh) | 图像分割方法、装置、诊断***及存储介质 | |
Banerjee et al. | Automated 3D segmentation of brain tumor using visual saliency | |
US8873824B2 (en) | Breast tomosynthesis with display of highlighted suspected calcifications | |
US11776243B2 (en) | Systems and methods for automated detection of visual objects in medical images | |
US8483462B2 (en) | Object centric data reformation with application to rib visualization | |
CN108876794B (zh) | 体积图像数据中的动脉瘤与载瘤血管的隔离 | |
US20070280525A1 (en) | Methods and Apparatus for Computer Automated Diagnosis of Mammogram Images | |
CA2892543A1 (en) | System and method for improving workflow efficiences in reading tomosynthesis medical image data | |
US10140715B2 (en) | Method and system for computing digital tomosynthesis images | |
CN112927239A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
Swiecicki et al. | A generative adversarial network-based abnormality detection using only normal images for model training with application to digital breast tomosynthesis | |
CN117635519A (zh) | 基于ct图像的病灶检测方法、装置及计算机可读存储介质 | |
KR102182357B1 (ko) | Ct 영상 내 간암 영역 기반으로 3차원 분석을 하는 수술 보조 장치 및 방법 | |
CN111563876A (zh) | 一种医学影像的获取方法、显示方法 | |
CN111028134A (zh) | 图像处理方法、装置、***及介质 | |
CN116433695B (zh) | 一种乳腺钼靶图像的乳腺区域提取方法及*** | |
CN112116623B (zh) | 图像分割方法及装置 | |
CN114820591B (zh) | 图像处理方法、装置、电子设备及介质 | |
CN114708283A (zh) | 图像目标的分割方法、装置、电子设备及存储介质 | |
Huang et al. | Neural network analysis applied to tumor segmentation on 3D breast ultrasound images | |
CN117095177B (zh) | 肾脏图像定位方法、装置和电子设备 | |
JP2005052329A (ja) | 異常陰影候補検出装置およびプログラム | |
CN115984229B (zh) | 模型训练方法、乳腺测量方法、装置、电子设备及介质 | |
Pérez-García et al. | RadEdit: stress-testing biomedical vision models via diffusion image editing | |
JP2006000338A (ja) | 画像処理方法および装置並びにプログラム |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000 Patentee after: Zhejiang Yizhun Intelligent Technology Co.,Ltd. Address before: 100000 floor 12, building a, Zhizhen building, No. 7 Zhichun Road, Haidian District, Beijing Patentee before: Beijing Yizhun Intelligent Technology Co.,Ltd. |