CN116468654A - 图像处理方法、装置、设备及存储介质 - Google Patents
图像处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116468654A CN116468654A CN202310117957.3A CN202310117957A CN116468654A CN 116468654 A CN116468654 A CN 116468654A CN 202310117957 A CN202310117957 A CN 202310117957A CN 116468654 A CN116468654 A CN 116468654A
- Authority
- CN
- China
- Prior art keywords
- images
- interested
- image
- interest
- limb
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000003709 image segmentation Methods 0.000 claims abstract description 107
- 238000012545 processing Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims description 46
- 230000011218 segmentation Effects 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 210000003414 extremity Anatomy 0.000 description 93
- 210000001519 tissue Anatomy 0.000 description 49
- 210000000629 knee joint Anatomy 0.000 description 27
- 210000003141 lower extremity Anatomy 0.000 description 25
- 230000006870 function Effects 0.000 description 12
- 210000000988 bone and bone Anatomy 0.000 description 11
- 210000003127 knee Anatomy 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000002372 labelling Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013150 knee replacement Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000001356 surgical procedure Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 208000012659 Joint disease Diseases 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/20—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
- G06T2207/30008—Bone
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本公开实施例涉及一种图像处理方法、装置、设备及存储介质,其中,该图像处理方法包括获取目标用户的目标肢体部位对应的多张原始图像,其中,多张原始图像按照预设顺序层叠时展示出目标肢体部位的三维模型;对多张原始图像进行裁剪处理得到多张感兴趣图像,其中,感兴趣图像中包括感兴趣肢体部位,感兴趣肢体部位属于目标肢体部位的一部分;对多张感兴趣图像进行图像分割处理得到感兴趣肢体部位中的感兴趣组织对应的图像分割信息。根据本公开实施例,可提高图像处理效率。
Description
技术领域
本公开实施例涉及计算机技术领域,尤其涉及一种图像处理方法、装置、设备及存储介质。
背景技术
随着计算机技术的发展,对用户的相关肢体部位对应的图像进行图像处理,为后续疾病诊断治疗发挥出了极大的作用。例如,膝关节疾病作为临床上非常常见的一种疾病,严重影响了人们的身体健康和生活质量,而单髁和全膝置换手术作为一种重要的治疗手段越来越被大众所接受,其中,在获取用户的下肢全长计算机断层扫描(ComputedTomography,CT)图像后,对下肢全长CT图像进行图像分割处理可以得到将骨骼和其它组织分割开的图像分割信息,而膝关节对应的图像分割信息是膝关节置换手术术前规划阶段的重要参考信息。
目前,有人提出可以采用神经网络来实现图像处理,但是一个用户的相关肢体部位对应的图像可能有很多张,导致图像处理耗时较长,例如,将下肢全长CT图像输入用于图像分割处理的神经网络以得到将骨骼和其它组织分割开的图像分割信息,但是,一个用户的下肢全长CT图像往往有数百甚至上千张之多,导致图像处理耗时较长。目前,针对相关技术中对图像处理效率低的问题,尚未提出有效的解决方案。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开实施例提供了一种图像处理方法、装置、设备及存储介质。
本公开实施例的第一方面提供了一种图像处理方法,该方法包括:
获取目标用户的目标肢体部位对应的多张原始图像,其中,所述多张原始图像按照预设顺序层叠时展示出所述目标肢体部位的三维模型;
对所述多张原始图像进行裁剪处理得到多张感兴趣图像,其中,所述感兴趣图像中包括感兴趣肢体部位,所述感兴趣肢体部位属于所述目标肢体部位的一部分;
对所述多张感兴趣图像进行图像分割处理得到所述感兴趣肢体部位中的感兴趣类型组织对应的图像分割信息。
本公开实施例的第二方面提供了一种图像处理装置,该装置包括:
获取模块,用于获取目标用户的目标肢体部位对应的多张原始图像,其中,所述多张原始图像按照预设顺序层叠时展示出所述目标肢体部位的三维模型;
裁剪模块,用于对所述多张原始图像进行裁剪处理得到多张感兴趣图像,其中,所述感兴趣图像中包括感兴趣肢体部位,所述感兴趣肢体部位属于所述目标肢体部位的一部分;
分割模块,用于对所述多张感兴趣图像进行图像分割处理得到所述感兴趣肢体部位中的感兴趣类型组织对应的图像分割信息。
本公开实施例的第三方面提供了一种电子设备,该服务器包括:处理器和存储器,其中,所述存储器中存储有计算机程序,当所述计算机程序被所述处理器执行时,所述处理器执行上述第一方面的方法。
本公开实施例的第四方面提供了一种计算机可读存储介质,该存储介质中存储有计算机程序,当该计算机程序被处理器执行时,可以实现上述第一方面的方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
本公开实施例,能够获取目标用户的目标肢体部位对应的多张原始图像,其中,多张原始图像按照预设顺序层叠时展示出目标肢体部位的三维模型;对多张原始图像进行裁剪处理得到多张感兴趣图像,其中,感兴趣图像中包括感兴趣肢体部位,感兴趣肢体部位属于目标肢体部位的一部分;对多张感兴趣图像进行图像分割处理得到感兴趣肢体部位中的感兴趣类型组织对应的图像分割信息。相比于直接对图像大小较大的原始图像进行图像分割处理,采用上述技术方案可以先对原始图像进行裁剪处理以得到图像大小较小的感兴趣图像,然后对图像大小较小的感兴趣图像进行图像分割处理,如此,既可减少图像分割处理的工作量大小,又可得到真正关注的感兴趣肢体部位中的感兴趣类型组织对应的图像分割信息,可见,采用上述技术方案可减少图像分割处理所需的时间,从而减少图像处理整体所需的时间,即提高图像处理效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种图像处理方法的流程图;
图2是本公开实施例提供的另一种图像处理方法的流程图;
图3是本公开实施例提供的一种图像处理过程的流程图;
图4是本公开实施例提供的一种关键点识别模型和分割模型的训练过程的流程图;
图5是本公开实施例提供的另一种关键点识别模型和分割模型的训练过程的流程图;
图6是本公开实施例提供的一种图像处理装置的结构示意图;
图7是本公开实施例中的一种电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
申请人经研究发现,关于对用户的相关肢体部位对应的图像进行图像处理,传统的图像处理方法精度较低,为提高图像处理精度可以采用神经网络进行图像处理,但是,一个用户的相关肢体部位对应的图像的数量较多,导致图像处理效率较低。例如,关于对下肢全长CT的图像分割处理,传统的基于HU值阈值信息的图像分割方法,其核心在于找到一个较为合适的阈值来分割骨骼与其它组织,但这类方法过于依赖数据的采集质量,即使许多研究从图像本身出发,提高图像聚类与分割的准确性,但仍然存在分割精度较低的问题。而基于神经内网络的图像分割方法与传统图像分割方法相比,其拥有大量可学习神经元参数与非线性的表达,可以很好的去除CT图像中的噪声信息,提取骨骼特征。但是,针对膝关节置换手术需要的下肢全长CT图像,存在图像尺寸过大,图像分割推理时间长的缺点,这主要是因为一个用户的下肢全长CT图像往往有数百甚至上千张之多,并且在进行图像分割推理时,图像大小和图像分割推理时间基本呈正比关系,下肢全长CT图像的数量多且图像大小较大,均导致图像分割推理时间较长。有鉴于此,申请人考虑到,后续疾病诊断治疗时,医生可能只关注相关肢体部位中的某一部分,例如,对于膝关节置换手术的术前规划,医生重点关注的其实仅仅是膝盖中的膝关节,换句话说,膝盖中的膝关节对应的图像分割信息(即将膝关节和膝盖中其周围其它组织分割开的图像分割信息)对膝关节置换手术的术前规划具有参考意义,下肢中其它肢体部位处将骨骼和其它组织分割开的图像分割信息对膝关节置换手术的术前规划没有参考价值。因此存在较大的可优化空间,基于此,本申请实施例提供一种图像处理方法、装置、设备及存储介质。下面,首先,对图像处理方法进行详细说明。
图1是本公开实施例提供的一种图像处理方法的流程图,该方法可以由一种电子设备来执行。该电子设备可以示例性的理解为诸如手机、平板电脑、笔记本电脑、台式机、智能电视等具有页面展示功能的设备。如图1所示,本实施例提供的方法包括如下步骤:
S110、获取目标用户的目标肢体部位对应的多张原始图像,其中,多张原始图像按照预设顺序层叠时展示出目标肢体部位的三维模型。
具体地,目标肢体部位可以为下肢、头部、或躯干等用户身体上的肢体部位,对此不作限定。
具体地,原始图像的图像类型可以包括CT图像等医学影像,对此不作限定。
具体地,不同原始图像为目标肢体部位的不同切面(或者说断层)对应的图像,其中,多个原始图像对应的多个不同切面平行(这里所述的平行指的是平行和近似平行),多个切面沿垂直于切面的方向的层叠顺序即为预设顺序,因此,将多张原始图像按照预设顺序层叠时,可以展示出三维的目标肢体部位(或者说目标肢体部位的三维模型)。例如,当用户处于平躺状态时,通过CT扫描用户的下肢可以得到多个水平切面对应的多张CT图像(即原始图像),则多个水平切面沿垂直于水平切面的方向的层叠顺序即为预设顺序,将多张CT图像按照预设顺序层叠时,可以展示出三维的全长下肢。
在一些实施例中,S110可以包括:接收其它电子设备发送的多张原始图像;或者;从其它存储设备(例如U盘等)中读取多张原始图像。
S120、对多张原始图像进行裁剪处理得到多张感兴趣图像,其中,感兴趣图像中包括感兴趣肢体部位,感兴趣肢体部位属于目标肢体部位的一部分。
具体地,目标肢体部位包括感兴趣肢体部位,感兴趣肢体部位包括感兴趣类型组织和其它类型组织,感兴趣类型组织为感兴趣的类型的组织。例如,当目标肢体部位为下肢时,感兴趣肢体部位可以包括膝盖,感兴趣类型组织可以包括骨骼(膝盖处的所有骨骼构成膝关节)。
具体地,感兴趣图像为感兴趣肢体部位对应的图像。由于感兴趣肢体部位包括感兴趣类型组合和其它类型组织,因此,多张感兴趣图像中,至少部分数量的感兴趣图像中包括感兴趣类型组织对应的图像区域。例如,可以每张感兴趣图像中均包括感兴趣类型组织对应的图像区域,也可以部分数量的感兴趣图像中包括感兴趣类型组织对应的图像区域,而部分数量的感兴趣图像中不包括感兴趣类型组织对应的图像区域,对此不作限定。
具体地,这里所述的裁剪处理包括:针对某些原始图像,将原始图像中的部分区域裁剪出来得到对应的感兴趣图像,当然,还可以包括:针对某些原始图像,将其整体丢弃。
在一些实施例中,S120可以包括:响应于接收到对原始图像的框选操作,将原始图像中框选操作所选取的图像区域裁剪出来,得到对应的感兴趣图像;或者,将多张原始图像输入训练完成的图像裁剪模型,得到多张感兴趣图像。
S130、对多张感兴趣图像进行图像分割处理得到感兴趣肢体部位中的感兴趣类型组织对应的图像分割信息。
具体地,图像分割信息用于从感兴趣图像中将感兴趣类型组织对应的图像区域分割出来。例如,图像分割信息可以包括图像分割掩模。
在一些实施例中,S130可以包括:基于预设图像分割算法(例如基于HU值阈值信息的图像分割算法),对多张感兴趣图像进行图像分割处理得到感兴趣肢体部位中的感兴趣类型组织对应的图像分割信息。
可以理解的是,目标肢体部位包括感兴趣肢体部位以及其它肢体部位,而通常情况下只关心感兴趣肢体部位中感兴趣类型组织对应的图像分割信息,并不关心其它肢体部位中感兴趣类型组织对应的图像分割信息,因此,可以从多张原始图像中裁剪出感兴趣肢体部位对应的多张感兴趣图像,并仅对感兴趣图像进行图像分割处理,如此,既可得到感兴趣肢体部位的感兴趣类型组织对应的图像分割信息,又可减少图像分割处理所面对的工作量,由此,既可提高图像分割处理效率,又可降低对电子设备的性能要求。例如,在膝关节置换手术的术前规划中只关心下肢的膝盖处骨骼(即膝关节)对应的图像分割信息,并不关心下肢的其它肢体部位处骨骼(即膝关节)对应的图像分割信息,通过本公开实施例,可实现从多张原始图像中裁剪出膝盖对应的多张感兴趣图像,并仅对感兴趣图像进行图像分割处理,如此,既可得到膝盖处的骨骼(即膝关节)对应的图像分割信息,又可减少图像分割处理所面对的工作量。
本公开实施例,能够获取目标用户的目标肢体部位对应的多张原始图像,其中,多张原始图像按照预设顺序层叠时展示出目标肢体部位的三维模型;对多张原始图像进行裁剪处理得到多张感兴趣图像,其中,感兴趣图像中包括感兴趣肢体部位,感兴趣肢体部位属于目标肢体部位的一部分;对多张感兴趣图像进行图像分割处理得到感兴趣肢体部位中的感兴趣类型组织对应的图像分割信息。相比于直接对图像大小较大的原始图像进行图像分割处理,采用上述技术方案可以先对原始图像进行裁剪处理以得到图像大小较小的感兴趣图像,然后对图像大小较小的感兴趣图像进行图像分割处理,如此,既可减少图像分割处理的工作量大小,又可得到真正关注的感兴趣肢体部位中的感兴趣类型组织对应的图像分割信息,可见,采用上述技术方案可减少图像分割处理所需的时间,从而减少图像处理整体所需的时间,即提高图像处理效率。
图2是本公开实施例提供的另一种图像处理方法的流程图。本公开实施例在上述实施例的基础上进行优化,本公开实施例可以与上述一个或者多个实施例中各个可选方案结合。
如图2所示,该图像处理方法可以包括如下步骤。
S210、获取目标用户的目标肢体部位对应的多张原始图像,其中,多张原始图像按照预设顺序层叠时展示出目标肢体部位的三维模型。
具体地,S210与S110类似,此处不再赘述。
S220、获取感兴趣肢体部位中的感兴趣类型组织对应的关键点的关键点坐标。
具体地,关键点可以包括感兴趣肢体部位中所有感兴趣类型组织构成的结构的中心点、重心点等特征点,但并不限于此。例如,膝盖中的骨骼构成膝关节,关键点可以为膝关节股骨表面内外髁中间位置的点。
具体地,关键点坐标为关键点在世界坐标系下的坐标。
在一些实施例中,S220可以包括:响应于接收到关键点选取操作,获取关键点的关键点坐标。
在另一些实施例中,S220可以包括:将多张原始图像输入训练完成的关键点识别模型,得到关键点坐标。
可以理解的是,通过训练完成的关键点识别模型获取关键点坐标,可实现关键点识别的自动化,并且关键点识别模型拥有大量可学习神经元参数,学习能力强,使得训练完成的关键点识别模型能够准确地识别关键点。
S230、根据关键点坐标和预设尺寸信息,对多张原始图像进行裁剪处理得到多张感兴趣图像,其中,多张感兴趣图像按照预设顺序层叠时构成以关键点为中心、尺寸满足预设尺寸信息的多面体。
具体地,预设尺寸信息为多面体的尺寸信息。可选地,多面体可以包括棱柱体、球体等,但并不限于此。
具体地,针对按照预设顺序层叠的多张原始图像,以关键点为中心裁剪出尺寸满足预设尺寸信息的多面体,即可得到多张感兴趣图像。例如,针对按照预设顺序层叠的多张原始图像,以关键点为立方体中心裁剪出X方向的尺寸为25cm、Y方向的尺寸为25cm、以及Z方向的尺寸为30cm的立方体,从而得到多张感兴趣图像。
S240、对多张感兴趣图像进行图像分割处理得到感兴趣肢体部位中的感兴趣类型组织对应的图像分割信息。
在一些实施例中,S240可以包括:将多张感兴趣图像输入训练完成的分割模型,得到图像分割信息。但并不限于此。
可以理解的是,通过训练完成的分割模型获取图像分割信息,可实现分割的自动化,并且分割模型拥有大量可学习神经元参数,学习能力强,使得训练完成的分割模型能够准确地进行图像分割。
本公开实施例,能够获取感兴趣类型组织对应的关键点的关键点坐标,并根据关键点坐标和多面体的预设尺寸信息对多张原始图像进行裁剪处理裁剪出构成多面体的多张感兴趣图像,可使对多张原始图像进行裁剪处理的方式简单、易于实现,并且以与感兴趣肢体部位中的感兴趣类型组织对应的关键点为中心、向外裁剪出尺寸满足预设尺寸信息的多面体,有利于使感兴趣肢体部位中的感兴趣类型组织位于多面体内,从而实现从多张原始图像中将感兴趣肢体部位对应的图像区域裁剪出来,以便于后续根据感兴趣图像确定感兴趣肢体部位中的感兴趣类型组织对应的图像分割信息。
在本公开另一种实施方式中,在对多张原始图像进行裁剪处理得到多张感兴趣图像之前,还包括:对多张原始图像进行降采样处理。相应地,对多张原始图像进行裁剪处理得到多张感兴趣图像,包括:对降采样处理后的多张原始图像进行裁剪处理得到多张感兴趣图像。
具体地,可以采用任意可能的降采样方法对原始图像进行降采样。
可以理解的是,通过降采样处理可减小原始图像的图像大小,从而减小感兴趣图像的图像大小,如此,可进一步减小图像分割处理的工作量,提高图像分割处理效率,从而提高整体图像处理的效率。
在本公开又一种实施方式中,在对多张感兴趣图像进行图像分割处理得到感兴趣肢体部位中的感兴趣类型组织对应的图像分割信息之后,还包括:根据图像分割信息,从多张原始图像中确定感兴趣肢体部位中的感兴趣类型组织对应的图像区域;根据预设顺序层叠显示多张原始图像,其中,感兴趣肢体部位中的感兴趣类型组织对应的图像区域的显示方式为预设显示方式。
具体地,将图像分割信息根据世界坐标系坐标映射回原始图像,即可得到感兴趣肢体部位中的感兴趣类型组织对应的图像区域。根据预设顺序层叠显示多张原始图像可实现三维重建。
具体地,预设显示方式与目标肢体部位中其它肢体部位的显示方式不同,如此,可突出显示感兴趣肢体部位中的感兴趣类型组织,以便于医生快速定位到感兴趣肢体部位中的感兴趣类型组织。
当然,也可以根据图像分割信息,从多张原始图像中提取出感兴趣肢体部位中的感兴趣类型组织对应的图像区域,得到多张目标图像;根据预设顺序层叠展示多张目标图像。如此,可单独展示感兴趣肢体部位中的感兴趣类型组织。
下面,将基于一个具体示例,对本公开实施例提供的图像处理方法进行详细说明。
图3是本公开实施例提供的一种图像处理过程的流程图。
S310、获取患者的下肢全长CT图像。
S320、对下肢全长CT图像进行降采样处理,降采样至3mm。
如此,可缩小图像尺寸,有利于加快关键点识别模型和分割模型的推理时间。
S330、将降采样后的下肢全长CT图像输入关键点识别模型,识别出膝关节对应的中心点。
S340、针对降采样后的下肢全长CT图像,以膝关节对应的中心点作为立方体中心,裁剪出X/Y/Z方向分别为25cm/25cm/30cm的立方体,得到裁剪后的图像。
S350、将裁剪后的图像输入分割模型,得到图像分割掩模。
S360、将图像分割掩模根据世界坐标系坐标映射回下肢全长CT图像进行三维重建。
本公开实施例,可以大幅度缩短模型的算法推理时间,进而缩短整个术前规划时间,提高医生使用体验。
图4是本公开实施例提供的一种关键点识别模型和分割模型的训练过程的流程图。如图4所示,该训练过程可以包括如下步骤。
S410、获取样本用户的目标肢体部位对应的多张原始图像、以及真实的关键点坐标。
具体地,真实的关键点坐标为真实标注出的、感兴趣肢体部位中感兴趣类型组织对应的关键点坐标。
S420、将多张原始图像输入待训练的关键点识别模型,得到待训练的关键点识别模型输出的关键点坐标。
S430、确定真实的关键点坐标和待训练的关键点识别模型输出的关键点坐标之间的第一差异。
具体地,第一差异可以包括待训练的关键点识别模型的损失函数。
S440、根据第一差异调整待训练的关键点识别模型中的参数,直至第一差异小于第一预设阈值。
S450、根据真实的关键点坐标和预设尺寸信息,对多张原始图像进行裁剪处理得到多张感兴趣图像。
具体地,根据真实的关键点坐标和预设尺寸信息,对多张原始图像进行裁剪处理得到多张感兴趣图像,其中,多张感兴趣图像按照预设顺序层叠时构成以关键点为中心、尺寸满足预设尺寸信息的多面体。
S460、获取多张感兴趣图像对应的真实的图像分割信息。
具体地,真实的图像分割信息为真实标注出的、感兴趣肢体部位中感兴趣类型组织对应的图像分割信息。
S470、将多张感兴趣图像输入待训练的分割模型,得到待训练的分割模型输出的图像分割信息。
S480、确定真实的图像分割信息和待训练的分割模型输出的图像分割信息之间的第二差异。
具体地,第二差异可以包括待训练的分割模型的损失函数。
S490、根据第二差异调整待训练的分割模型中的参数,直至第二差异小于第二预设阈值。
可以理解的是,相关技术中直接对图像大小较大的原始图像进行图像分割处理时,则训练用于图像分割处理的神经网络时,需要对整个原始图像进行标注,标注工作量较大。例如,针对膝关节置换手术需要的下肢全长CT图像,存在图像尺寸过大,训练数据获取和标注困难的缺点,这主要是由于一个用户的下肢全长CT图像往往有数百甚至上千张之多,并且在进行标注时图像大小和标注时长呈正比,下肢全长CT图像的数量多且图像大小较大,均导致标注十分耗费时间和精力。然而,在本公开实施例中,分割模型对图像大小较小的感兴趣图像进行图像分割处理而非直接对图像大小较大的原始图像进行分割处理,则在训练分割模型时,只需对图像大小较小的感兴趣图像进行标注即可,如此,可大幅度降低标注工作量。
下面,将基于一个具体示例,对本公开实施例提供的训练过程进行详细说明。
S510、收集多张膝关节CT图像。
S520、将多张膝关节CT图像划分数据集为训练集和测试集。
具体地,收集一批膝关节CT图像,一般为下肢全长CT图像,即图像中包含完整的下肢,将其按照合理比例划分为训练集和测试集。
S530、针对训练集,标注膝关节中心点为关键点。
具体地,定义膝关节股骨表面内外髁中间位置的一个标记点为关键点,该关键点可提供膝关节中心位置信息。标注训练集中的膝关节CT图像中的关键点。
S540、使用标注好关键点的训练集,训练关键点识别模型,以得到损失函数收敛后的关键点识别模型。
具体地,使用标注好关键点的训练集,训练关键点识别模型,用于自动识别膝关节中心关键点。
S550、根据标注的膝关节中心点对膝关节CT图像进行裁剪处理。
具体地,以标注出的关键点为中心,划定一定尺寸的ROI立方体区域对膝关节CT图像进行裁剪处理,可在保留完整的膝关节区域图像的同时,去掉与术前规划无关的图像,减小图像大小。
S560、对裁剪后的训练集进行图像分割信息标注。
S570、使用标注好图像分割信息的裁剪后的训练集,训练分割模型,以得到损失函数收敛后的分割模型。
具体地,使用标注好图像分割信息的裁剪后的训练集,训练分割模型,用于自动分割膝关节部分的CT图像。
当然,后续还可采用测试集测试损失函数收敛后的关键点识别模型和损失函数收敛后的分割模型。
根据本公开实施例,可得到术前规划阶段需要的膝关节关键点识别模型和膝关节分割模型。并且,可大幅度减轻模型训练阶段数据标注的难度,缩短模型训练阶段数据标注的时间。
图6是本公开实施例提供的一种图像处理装置的结构示意图,该图像处理装置可以被理解为上述电子设备或者上述电子设备中的部分功能模块。如图6所示,该图像处理装置600包括:
获取模块610,用于获取目标用户的目标肢体部位对应的多张原始图像,其中,多张原始图像按照预设顺序层叠时展示出目标肢体部位的三维模型;
裁剪模块620,用于对多张原始图像进行裁剪处理得到多张感兴趣图像,其中,感兴趣图像中包括感兴趣肢体部位,感兴趣肢体部位属于目标肢体部位的一部分;
分割模块630,用于对多张感兴趣图像进行图像分割处理得到感兴趣肢体部位中的感兴趣类型组织对应的图像分割信息。
在本公开另一种实施方式中,裁剪模块620可以包括:
第一获取子模块,用于获取感兴趣肢体部位中的感兴趣类型组织对应的关键点的关键点坐标;
第一裁剪子模块,用于根据关键点坐标和预设尺寸信息,对多张原始图像进行裁剪处理得到多张感兴趣图像,其中,多张感兴趣图像按照预设顺序层叠时构成以关键点为中心、尺寸满足预设尺寸信息的多面体。
在本公开又一种实施方式中,第一获取子模块,具体用于将多张原始图像输入训练完成的关键点识别模型,得到关键点坐标。
在本公开再一种实施方式中,分割模块630,具体用于将多张感兴趣图像输入训练完成的分割模型,得到图像分割信息。
在本公开再一种实施方式中,该装置还可以包括:
降采样模块,用于在对多张原始图像进行裁剪处理得到多张感兴趣图像之前,对多张原始图像进行降采样处理。
在本公开再一种实施方式中,该装置还可以包括:
确定模块,用于在对多张感兴趣图像进行图像分割处理得到感兴趣肢体部位中的感兴趣类型组织对应的图像分割信息之后,根据图像分割信息,从多张原始图像中确定感兴趣肢体部位中的感兴趣类型组织对应的图像区域;
展示模块,用于根据预设顺序层叠显示多张原始图像,其中,感兴趣肢体部位中的感兴趣类型组织对应的图像区域的显示方式为预设显示方式。
在本公开再一种实施方式中,该装置还可以包括:训练模块,用于训练关键点识别模型和分割模型的训练,其中,训练模块可以包括:
第二获取子模块,用于获取样本用户的目标肢体部位对应的多张原始图像、以及真实的关键点坐标;
第一输入子模块,用于将多张原始图像输入待训练的关键点识别模型,得到待训练的关键点识别模型输出的关键点坐标;
第一确定子模块,用于确定真实的关键点坐标和待训练的关键点识别模型输出的关键点坐标之间的第一差异;
第一调整子模块,用于根据第一差异调整待训练的关键点识别模型中的参数,直至第一差异小于第一预设阈值;
第二裁剪子模块,用于根据真实的关键点坐标和预设尺寸信息,对多张原始图像进行裁剪处理得到多张感兴趣图像;
第三获取子模块,用于获取多张感兴趣图像对应的真实的图像分割信息;
第二输入子模块,用于将多张感兴趣图像输入待训练的分割模型,得到待训练的分割模型输出的图像分割信息;
第二确定子模块,用于确定真实的图像分割信息和待训练的分割模型输出的图像分割信息之间的第二差异;
第二调整子模块,用于根据第二差异调整待训练的分割模型中的参数,直至第二差异小于第二预设阈值。
本实施例提供的装置能够执行上述任一实施例的方法,其执行方式和有益效果类似,在这里不再赘述。
本公开实施例还提供了一种电子设备,该电子设备包括:存储器,存储器中存储有计算机程序;处理器,用于执行所述计算机程序,当所述计算机程序被所述处理器执行时可以实现上述任一实施例的方法。
示例的,图7是本公开实施例中的一种电子设备的结构示意图。下面具体参考图7,其示出了适于用来实现本公开实施例中的电子设备700的结构示意图。本公开实施例中的电子设备700可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例,不应对本公开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700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程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,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的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或者是上述两者的任意组合。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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开中,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。而在本公开中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
获取目标用户的目标肢体部位对应的多张原始图像,其中,多张原始图像按照预设顺序层叠时展示出目标肢体部位的三维模型;
对多张原始图像进行裁剪处理得到多张感兴趣图像,其中,感兴趣图像中包括感兴趣肢体部位,感兴趣肢体部位属于目标肢体部位的一部分;
对多张感兴趣图像进行图像分割处理得到感兴趣肢体部位中的感兴趣类型组织对应的图像分割信息。
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公开的操作的计算机程序代码,上述程序设计语言包括但不限于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)。
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,该模块、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可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
本公开实施例还提供一种计算机可读存储介质,所述存储介质中存储有计算机程序,当所述计算机程序被处理器执行时可以实现上述任一实施例的方法,其执行方式和有益效果类似,在这里不再赘述。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
获取目标用户的目标肢体部位对应的多张原始图像,其中,所述多张原始图像按照预设顺序层叠时展示出所述目标肢体部位的三维模型;
对所述多张原始图像进行裁剪处理得到多张感兴趣图像,其中,所述感兴趣图像中包括感兴趣肢体部位,所述感兴趣肢体部位属于所述目标肢体部位的一部分;
对所述多张感兴趣图像进行图像分割处理得到所述感兴趣肢体部位中的感兴趣类型组织对应的图像分割信息。
2.根据权利要求1所述的图像处理方法,其特征在于,所述对所述多张原始图像进行裁剪处理得到多张感兴趣图像,包括:
获取所述感兴趣肢体部位中的感兴趣类型组织对应的关键点的关键点坐标;
根据所述关键点坐标和预设尺寸信息,对所述多张原始图像进行裁剪处理得到所述多张感兴趣图像,其中,所述多张感兴趣图像按照所述预设顺序层叠时构成以所述关键点为中心、尺寸满足所述预设尺寸信息的多面体。
3.根据权利要求2所述的图像处理方法,其特征在于,所述获取所述感兴趣肢体部位中的感兴趣类型组织对应的关键点的关键点坐标,包括:
将所述多张原始图像输入训练完成的关键点识别模型,得到所述关键点坐标。
4.根据权利要求1-3任一项所述的图像处理方法,其特征在于,所述对所述多张感兴趣图像进行图像分割处理得到所述感兴趣肢体部位中的感兴趣类型组织对应的图像分割信息,包括:
将所述多张感兴趣图像输入训练完成的分割模型,得到所述图像分割信息。
5.根据权利要求1所述的图像处理方法,其特征在于,在所述对所述多张原始图像进行裁剪处理得到多张感兴趣图像之前,还包括:
对所述多张原始图像进行降采样处理。
6.根据权利要求1所述的图像处理方法,其特征在于,在所述对所述多张感兴趣图像进行图像分割处理得到所述感兴趣肢体部位中的感兴趣类型组织对应的图像分割信息之后,还包括:
根据所述图像分割信息,从所述多张原始图像中确定所述感兴趣肢体部位中的感兴趣类型组织对应的图像区域;
根据所述预设顺序层叠显示所述多张原始图像,其中,所述感兴趣肢体部位中的感兴趣类型组织对应的图像区域的显示方式为预设显示方式。
7.根据权利要求4所述的图像处理方法,其特征在于,关键点识别模型和分割模型的训练过程包括:
获取样本用户的目标肢体部位对应的多张原始图像、以及真实的关键点坐标;
将所述多张原始图像输入待训练的关键点识别模型,得到所述待训练的关键点识别模型输出的关键点坐标;
确定所述真实的关键点坐标和所述待训练的关键点识别模型输出的关键点坐标之间的第一差异;
根据所述第一差异调整所述待训练的关键点识别模型中的参数,直至所述第一差异小于第一预设阈值;
根据所述真实的关键点坐标和预设尺寸信息,对所述多张原始图像进行裁剪处理得到所述多张感兴趣图像;
获取所述多张感兴趣图像对应的真实的图像分割信息;
将所述多张感兴趣图像输入待训练的分割模型,得到所述待训练的分割模型输出的图像分割信息;
确定所述真实的图像分割信息和待训练的分割模型输出的图像分割信息之间的第二差异;
根据所述第二差异调整所述待训练的分割模型中的参数,直至所述所述第二差异小于第二预设阈值。
8.一种图像处理装置,其特征在于,包括:
获取模块,用于获取目标用户的目标肢体部位对应的多张原始图像,其中,所述多张原始图像按照预设顺序层叠时展示出所述目标肢体部位的三维模型;
裁剪模块,用于对所述多张原始图像进行裁剪处理得到多张感兴趣图像,其中,所述感兴趣图像中包括感兴趣肢体部位,所述感兴趣肢体部位属于所述目标肢体部位的一部分;
分割模块,用于对所述多张感兴趣图像进行图像分割处理得到所述感兴趣肢体部位中的感兴趣类型组织对应的图像分割信息。
9.一种电子设备,其特征在于,包括:
处理器和存储器,其中,所述存储器中存储有计算机程序,当所述计算机程序被所述处理器执行时,所述处理器执行权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310117957.3A CN116468654A (zh) | 2023-02-01 | 2023-02-01 | 图像处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310117957.3A CN116468654A (zh) | 2023-02-01 | 2023-02-01 | 图像处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116468654A true CN116468654A (zh) | 2023-07-21 |
Family
ID=87172382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310117957.3A Pending CN116468654A (zh) | 2023-02-01 | 2023-02-01 | 图像处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116468654A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230311A (zh) * | 2018-01-03 | 2018-06-29 | 四川大学 | 一种乳腺癌检测方法及装置 |
CN110148192A (zh) * | 2019-04-18 | 2019-08-20 | 上海联影智能医疗科技有限公司 | 医学影像成像方法、装置、计算机设备和存储介质 |
CN113705522A (zh) * | 2021-09-06 | 2021-11-26 | 北京海航中软科技有限公司 | 一种基于机器视觉的课堂举手识别方法及*** |
CN113705294A (zh) * | 2021-03-04 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 一种基于人工智能的图像识别方法、装置 |
CN113989407A (zh) * | 2021-12-30 | 2022-01-28 | 青岛美迪康数字工程有限公司 | Ct影像中肢体部位识别模型训练方法及*** |
CN114913525A (zh) * | 2022-05-23 | 2022-08-16 | 济南博观智能科技有限公司 | 一种交通信号灯识别方法、装置、设备及存储介质 |
CN115131297A (zh) * | 2022-06-10 | 2022-09-30 | 青岛海信医疗设备股份有限公司 | 一种髋关节检测方法、设备及装置 |
-
2023
- 2023-02-01 CN CN202310117957.3A patent/CN116468654A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230311A (zh) * | 2018-01-03 | 2018-06-29 | 四川大学 | 一种乳腺癌检测方法及装置 |
CN110148192A (zh) * | 2019-04-18 | 2019-08-20 | 上海联影智能医疗科技有限公司 | 医学影像成像方法、装置、计算机设备和存储介质 |
CN113705294A (zh) * | 2021-03-04 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 一种基于人工智能的图像识别方法、装置 |
CN113705522A (zh) * | 2021-09-06 | 2021-11-26 | 北京海航中软科技有限公司 | 一种基于机器视觉的课堂举手识别方法及*** |
CN113989407A (zh) * | 2021-12-30 | 2022-01-28 | 青岛美迪康数字工程有限公司 | Ct影像中肢体部位识别模型训练方法及*** |
CN114913525A (zh) * | 2022-05-23 | 2022-08-16 | 济南博观智能科技有限公司 | 一种交通信号灯识别方法、装置、设备及存储介质 |
CN115131297A (zh) * | 2022-06-10 | 2022-09-30 | 青岛海信医疗设备股份有限公司 | 一种髋关节检测方法、设备及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020215984A1 (zh) | 基于深度学习的医学图像检测方法及相关设备 | |
TWI755853B (zh) | 圖像處理方法、電子設備和電腦可讀儲存介質 | |
US20210158533A1 (en) | Image processing method and apparatus, and storage medium | |
US10810735B2 (en) | Method and apparatus for analyzing medical image | |
Wang et al. | Smartphone-based wound assessment system for patients with diabetes | |
US20200051238A1 (en) | Anatomical Segmentation Identifying Modes and Viewpoints with Deep Learning Across Modalities | |
CN111898696A (zh) | 伪标签及标签预测模型的生成方法、装置、介质及设备 | |
Borsting et al. | Applied deep learning in plastic surgery: classifying rhinoplasty with a mobile app | |
US20200234444A1 (en) | Systems and methods for the analysis of skin conditions | |
CN110941990A (zh) | 基于骨骼关键点进行人体动作评估的方法和装置 | |
CN111091166B (zh) | 图像处理模型训练方法、图像处理方法、设备及存储介质 | |
CN110610181A (zh) | 医学影像识别方法及装置、电子设备及存储介质 | |
CN113706562B (zh) | 图像分割方法、装置、***及细胞分割方法 | |
CN111405314B (zh) | 一种信息处理方法、装置、设备及存储介质 | |
CN113257412B (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
CN113610034B (zh) | 识别视频中人物实体的方法、装置、存储介质及电子设备 | |
CN114328945A (zh) | 知识图谱对齐方法、装置、设备以及存储介质 | |
Khan et al. | ESDMR-Net: A lightweight network with expand-squeeze and dual multiscale residual connections for medical image segmentation | |
CN113822323A (zh) | 脑部扫描图像的识别处理方法、装置、设备及存储介质 | |
Levy et al. | Artificial intelligence evaluation of focused assessment with sonography in trauma | |
Ferreira et al. | A systematic investigation of models for color image processing in wound size estimation | |
CN116468654A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN117078714A (zh) | 图像分割模型训练方法、装置、设备及存储介质 | |
Zhou et al. | Wrist ultrasound segmentation by deep learning | |
Zhang et al. | Breast mass detection in mammography and tomosynthesis via fully convolutional network-based heatmap regression |
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 |