[go: up one dir, main page]

CN111738975B - 图像辨识方法及图像辨识装置 - Google Patents

图像辨识方法及图像辨识装置 Download PDF

Info

Publication number
CN111738975B
CN111738975B CN201910284201.1A CN201910284201A CN111738975B CN 111738975 B CN111738975 B CN 111738975B CN 201910284201 A CN201910284201 A CN 201910284201A CN 111738975 B CN111738975 B CN 111738975B
Authority
CN
China
Prior art keywords
image
computed tomography
tomography image
pixels
sub
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
Application number
CN201910284201.1A
Other languages
English (en)
Other versions
CN111738975A (zh
Inventor
林哲渝
林昭源
黄玉洁
赵益生
许骏鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wistron Corp
Original Assignee
Wistron Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wistron Corp filed Critical Wistron Corp
Publication of CN111738975A publication Critical patent/CN111738975A/zh
Application granted granted Critical
Publication of CN111738975B publication Critical patent/CN111738975B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T2207/30056—Liver; Hepatic
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Pulmonology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种图像辨识方法及图像辨识装置。所述方法包括：取得第一计算机断层图像，包括多个第一像素。从第一像素中取出多个第二像素，并基于第二像素产生第二计算机断层图像。对第二计算机断层图像执行对比度提升演算法，以调整第二计算机断层图像的对比度。在第二计算机断层图像中辨识第一图像区域，以产生第三计算机断层图像，第一图像区域包括第一物件。将第三计算机断层图像区分为多张子图像，并在各子图像中仅保留对应于第一物件的特定图像区域。将前述子图像组合为第四计算机断层图像。以及基于第四计算机断层图像辨识第一物件的物件种类。本发明可针对计算机断层图像达到更佳的辨识效能及准确度。

Description

图像辨识方法及图像辨识装置
技术领域
本发明是有关于一种辨识方法及辨识装置，且特别是有关于一种图像辨识方法及图像辨识装置。
背景技术
近年来，得到肝脏疾病的人数持续不断的增加。一般而言，病人在进行计算机断层摄影(computed tomography，CT)后，将由放射科医师来接续诊断疾病。然而，受限于医疗的人力及相关资源，相关诊断过程多半相当耗时。并且，某些疾病的诊断需要由经验较为丰富的放射科医师才能诊断出来。因此，以目前放射科医师的人数来看，较难应付逐渐增加的肝病患者人数。
到目前为止，市面上也有许多肿瘤位置检测的系统出现，但大多是胸腔位置的结节(Nodule)检测，还未有出现腹腔肝脏的肿瘤检测产品。虽然有不少的学术研究在肝脏肿瘤检测这块领域上钻研，但都仅止于针对肝细胞癌(Hepatocellular carcinoma，HCC)这种疾病做检测，且其准确率也还未达到能够产品化阶段。另外，发生于肝脏上的疾病多达数十种，而只针对一种疾病做检测显然不足以应用于实际案例之中。
发明内容
有鉴于此，本发明提供一种图像辨识方法及图像辨识装置，其可用于解决上述技术问题。
本发明提供一种图像辨识方法，包括：取得一第一计算机断层图像，其中第一计算机断层图像包括多个第一像素，且各第一像素具有一沟道值，各第一像素的沟道值位于一第一范围内；从前述第一像素中取出多个第二像素，并基于前述第二像素产生一第二计算机断层图像，其中各第二像素的沟道值位于一第二范围内，且第二范围小于第一范围；对第二计算机断层图像执行一对比度提升演算法，以调整第二计算机断层图像的一对比度；在第二计算机断层图像中辨识一第一图像区域，以产生一第三计算机断层图像，其中第一图像区域包括一第一物件；将第三计算机断层图像区分为多张子图像，并在各子图像中仅保留对应于第一物件的一特定图像区域；将前述子图像组合为一第四计算机断层图像；以及基于第四计算机断层图像辨识第一物件的一物件种类。
本发明提供一种图像辨识装置，其包括存储电路及处理器。存储电路，存储多个模块。处理器耦接存储电路，存取前述模块以执行下列步骤：取得一第一计算机断层图像，其中第一计算机断层图像包括多个第一像素，且各第一像素具有一沟道值，各第一像素的沟道值位于一第一范围内；从前述第一像素中取出多个第二像素，并基于前述第二像素产生一第二计算机断层图像，其中各第二像素的沟道值位于一第二范围内，且第二范围小于第一范围；对第二计算机断层图像执行一对比度提升演算法，以调整第二计算机断层图像的一对比度；在第二计算机断层图像中辨识一第一图像区域，以产生一第三计算机断层图像，其中第一图像区域包括一第一物件；将第三计算机断层图像区分为多张子图像，并在各子图像中仅保留对应于第一物件的一特定图像区域；将前述子图像组合为一第四计算机断层图像；以及基于第四计算机断层图像辨识第一物件的一物件种类。
基于上述，本发明的图像辨识方法及图像辨识装置可在对计算机断层图像排除沟道值未位于第一范围内的像素以及执行对比度提升演算法之后，依序进行辨识以找出第一图像区域、对应于第一物件的特定图像区域以及第一物件的物件种类。藉此，可达到更佳的辨识效能及准确度。
为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合所附图式作详细说明如下。
附图说明
图1是依据本发明的一实施例绘示的图像辨识装置示意图；
图2是依据本发明的一实施例绘示的图像辨识方法示意图；
图3是依据本发明的一实施例绘示的应用情境图。
附图标号：
100：图像辨识装置
102：存储电路
104：处理器
310：第一计算机断层图像
320：第二计算机断层图像
330：第三计算机断层图像
330a：第一图像区域
330b：子图像
340：第四计算机断层图像
OB1：第一物件
S210～S270：步骤
具体实施方式
概略而言，本发明提出的图像辨识装置可在取得特定的计算机断层图像之后，对此计算机断层图像进行辨识以找出其中的特定物件，并进而判断此特定物件的物件种类。在一实施例中，本发明提出的图像辨识装置可在取得计算机断层图像之后，对其进行辨识以找出其中的肿瘤，并进而判断此肿瘤的肿瘤种类。为便于说明，以下将假设图像辨识装置进行上述图像辨识的标的为摄自于患者腹腔的腹腔计算机断层图像，而图像辨识装置基于此腹腔计算机断层图像所进行的相关辨识操作将在之后作进一步说明。
请参照图1，其是依据本发明之一实施例绘示的图像辨识装置示意图。在图1中，图像辨识装置100包括存储电路102及处理器104。在不同的实施例中，图像辨识装置100可以是个人计算机、笔记型计算机、工作站、服务器、智能型装置或是其他可用于分析、处理计算机断层图像的装置，但可不限于此。
存储电路102例如是任意型式的固定式或可移动式随机存取存储器(RandomAccess Memory，RAM)、只读存储器(Read-Only Memory，ROM)、快闪存储器(Flash memory)、硬盘或其他类似装置或这些装置的组合，而可用以记录多个编程码或模块。
处理器104耦接于存储电路102，并可为一般用途处理器、特殊用途处理器、传统的处理器、数位讯号处理器、多个微处理器(microprocessor)、一个或多个结合数位讯号处理器核心的微处理器、控制器、微控制器、特殊应用集成电路(Application SpecificIntegrated Circuit，ASIC)、场可编程闸阵列电路(Field Programmable Gate Array，FPGA)、任何其他种类的积体电路、状态机、基于进阶精简指令集机器(Advanced RISCMachine，ARM)的处理器以及类似品。
在本发明的实施例中，处理器104可存取存储电路102中记录的模块、编程码来实现本发明提出的图像辨识方法，其细节详述如下。
请参照图2，其是依据本发明之一实施例绘示的图像辨识方法。本实施例的方法可由图1的图像辨识装置100执行，以下即辅以图1所示的器件来说明图2各步骤的细节。另外，为使图2的概念更为清楚，以下将另搭配图3所示的情境进行说明，但其仅用以举例，并非用以限定本发明可能的实施方式。
首先，在步骤S210中，处理器104可取得第一计算机断层图像310。在本实施例中，第一计算机断层图像310例如是摄自于患者腹腔的一张腹腔计算机断层图像，而本发明的图像辨识装置100可在对第一计算机断层图像310进行特定的预处理之后，再通过不同的深度学习模型在经过预处理后的图像中找出肝脏、肝脏中的肿瘤及此肿瘤的肿瘤种类，但本发明可不限于此。
在第一计算机断层图像310中，可包括多个第一像素。并且，基于一般计算机断层图像的特性，各第一像素将具有一沟道值，且此沟道值将位于一第一范围内。在本实施例中，前述沟道值例如是一亨氏单位(Hounsfield units，HU)值，而其值一般介于-2048及30000(即，第一范围)之间，但本发明可不限于此。
然而，由于上述HU值的第一范围过大，不利于处理器104进行后续的相关辨识操作，故处理器104可通过步骤S220来将一部分的第一像素排除，以改善后续辨识操作的效能。
在步骤S220中，处理器104可从第一像素中取出多个第二像素，并基于第二像素产生第二计算机断层图像320，其中各第二像素的沟道值位一第二范围内，且第二范围小于第一范围。在一实施例中，处理器104可从上述第一像素中找出多个第三像素，其中各第三像素的沟道值位于第二范围之外，并从第一计算机断层图像310中移除前述第三像素，以产生仅包括第二像素的第二计算机断层图像320。简言之，处理器104可在界定一较小的第二范围之后，将第一计算机断层图像310中沟道值未位于第二范围中的第三像素移除，藉以让第一计算机断层图像310中仅留下沟道值位于第二范围中的第二像素，以形成第二计算机断层图像320。
在不同的实施例中，上述第二范围可由设计者依需求而定。在一实施例中，由于一般肝脏及肿瘤在计算机断层图像中对应的HU值约略位于-70及200之间，因此处理器104可将第二范围界定为-70及200之间，但可不限于此。在其他实施例中，处理器104亦可经配置以基于其他的一或多个第二范围而产生其他的第二计算机断层图像。亦即，在这些其他的第二计算机断层图像中，将个别仅包括沟道值位于某特定范围内的像素。在一实施例中，前述其他的一或多个第二范围可由放射科医师经实际调整测试后而找出较易于辨识肝脏及肿瘤的HU值而定，但可不限于此。
之后，在步骤S230中，处理器104可对第二计算机断层图像320执行对比度提升演算法，以调整第二计算机断层图像320的对比度。在一实施例中，前述对比度提升演算法例如是直方图等化(histogram equalization)演算法或其他类似的演算法，但可不限于此。具体而言，在对第二计算机断层图像320执行对比度提升演算法之后，可相应地将对应于肝脏及肿瘤的图像区域之间的对比度拉大，藉以增加肿瘤的辨识度，但本发明可不限于此。
由上可知，本发明可通过排除沟道值未位于第一范围内的像素以及执行对比度提升演算法等预处理手段来提升后续图像辨识(例如，肿瘤辨识)的效能。
之后，在步骤S240中，处理器104可在第二计算机断层图像320中辨识第一图像区域330a，以产生第三计算机断层图像330。在图3中，第一图像区域330a例如是包括肿瘤的肝脏的图像区域，且其可包括第一物件OB1。在本实施例中，第一物件OB1例如是位于肝脏内的肿瘤，但本发明可不限于此。在一实施例中，处理器104可将第二计算机断层图像320输入第一深度学习模型，以由第一深度学习模型于第二计算机断层图像320中找出第一图像区域330a。之后，处理器104可从第二计算机断层图像320中移除不属于第一图像区域330a的第二像素，以产生第三计算机断层图像330。
在一实施例中，第一深度学习模型可采用卷积神经网络(Convolutional NeuralNetwork，CNN)架构中的Unet模型或其他类似的模型来实现，但可不限于此。并且，在将第一深度学习模型用于找出第一图像区域330a之前，第一深度学习模型可先基于标注有特定感兴趣区域(region of interest，ROI)的训练图像进行训练，藉以通过训练图像学习这些ROI所具有的特征。因此，在本实施例中，为了令第一深度学习模型具有辨识第一图像区域330a(即，包括肿瘤的肝脏图像区域)的能力，第一深度学习模型可先基于以具有肿瘤的肝脏图像作为ROI的多个训练图像进行学习，以找出具有肿瘤的肝脏的图像区域之特征。
接着，在步骤S250中，处理器104可将第三计算机断层图像330区分为多张子图像330b，并在各子图像330b中仅保留对应于第一物件OB1的特定图像区域。在一实施例中，处理器104可将前述子图像中的一第一子图像输入第二深度学习模型，以由第二深度学习模型于第一子图像中找出对应于第一物件OB1的特定图像区域，其中各子图像包括多个特定像素。之后，处理器104可从第一子图像中移除不属于特定图像区域的特定像素，以令第一子图像仅包括对应于第一物件OB1的特定图像区域。
在一实施例中，处理器104可依据一预设尺寸将第三计算机断层图像330均分为上述子图像330b。举例而言，假设第三计算机断层图像330的尺寸为512x512且预设尺寸为64x64，则处理器104可依据上述预设尺寸将第三计算机断层图像330均分为64张子图像330b，其中各子图像330b的尺寸即为预设尺寸(即，64x64)，但本发明可不限于此。并且，处理器104还可记录上述子图像330b在第三断层图像330中的分布位置，其例如可表征为各子图像330b在第三断层图像330中的坐标，但可不限于此。
之后，处理器104可将上述64张子图像330b个别输入第二深度学习模型，以由第二深度学习模型在各子图像330b中找出对应于第一物件OB1的特定图像区域。之后，处理器104可将各子图像330b中未对应于第一物件OB1的特定像素移除，藉以使得各子图像330b中仅留有对应于第一物件OB1的特定图像区域。简言之，处理器104可将各子图像330b中未出现肿瘤的肝脏区域移除，但本发明可不限于此。
在一实施例中，第二深度学习模型可采用CNN架构中的Unet模型或其他类似的模型来实现，但可不限于此。并且，在将第二深度学习模型用于找出对应于第一物件OB1的特定图像区域之前，第二深度学习模型可先基于标注有特定ROI的训练图像进行训练，藉以通过训练图像学习这些ROI所具有的特征。因此，在本实施例中，为了令第二深度学习模型具有找出对应于第一物件OB1的特定图像区域(例如，肿瘤的图像区域)的能力，第二深度学习模型可先基于以肿瘤作为ROI的子训练图像(其尺寸可对应于子图像330b的尺寸)进行学习，以在这些子训练图像中找出肿瘤的图像区域之特征。在一实施例中，上述子训练图像例如是由标记有ROI(例如肿瘤)的肝脏训练图像均分而成。
通过上述将肝脏训练图像区分为多张子训练图像的作法，可增加第二深度学习模型进行训练的数据量，进而产生更佳的学习效果。并且，由于各子训练图像的尺寸较小，因而使得第二深度学习模型在训练时所需的参数亦相应地减少。藉此，可降低训练上的困难度，并增加辨识的准确度。
在步骤S260中，处理器104可将子图像330b组合为第四计算机断层图像340。在本实施例中，处理器104可依据子图像330b(其仅包括对应于第一物件OB1的特定图像区域)在第三计算机断层图像330中的分布位置将子图像330b组合为第四计算机断层图像340，其中各子图像330b在第三计算机断层图像330中的分布位置对应于在第四计算机断层图像340中的分布位置。
由图3可看出，由于所考虑的子图像330b仅包括对应于第一物件OB1的特定图像区域，故在将各子图像330b组合为第四计算机断层图像340之后，将使得第四计算机断层图像340中仅包括第一物件OB1(即，肿瘤)。
之后，在步骤S270中，处理器104可基于第四计算机断层图像340辨识第一物件OB1的物件种类。在本实施例中，处理器104可将第四计算机断层图像340输入第三深度学习模型，以由第三深度学习模型辨识第一物件OB1的物件种类(例如肿瘤的肿瘤种类)。
在一实施例中，第三深度学习模型可采用CNN架构中的NASnet模型或其他类似的模型来实现，但可不限于此。并且，在将第三深度学习模型用于辨识第一物件OB1的物件种类之前，第三深度学习模型可先基于标注有特定ROI的训练图像进行训练，藉以通过训练图像学习这些ROI所具有的特征。因此，在本实施例中，为了令第三深度学习模型具有辨识第一物件OB1的物件种类(例如肿瘤的肿瘤种类)的能力，第三深度学习模型可先基于对应于一或多种特定肿瘤种类(例如，患有肝细胞癌(HCC)的肿瘤、患有血管瘤(Hemangioma)的肿瘤，或患有局部结节性增生(focal nodular hyperplasia，FNH)的肿瘤)的肿瘤图像作为训练图像进行学习，以学习相应的特征。
由上可知，本发明的图像辨识方法及图像辨识装置可在对计算机断层图像进行所提出的预处理操作之后，通过不同的深度学习模型依序进行辨识以找出第一图像区域(例如包括肿瘤的肝脏图像区域)、对应于第一物件的特定图像区域(例如位于肝脏图像区域中的肿瘤区域)以及第一物件的物件种类(例如肿瘤的肿瘤种类)。藉此，可达到更佳的辨识效能及准确度。
依据本发明之一实施例的一应用情境图。在本实施例中，服务器例如是一医学图像存档与通信系统(Picture archiving and communication system，PACS)系统，其可用于存储各式的医学图像，例如图3中的第一计算机断层图像310。
在一实施例中，当医师欲基于第一计算机断层图像310判断患者是否患有特定的疾病(例如HCC、FNH等)时，可通过其客户端计算机向服务器发出相应的请求。之后，服务器可反应于此请求而将第一计算机断层图像310发送至图像辨识装置100，而图像辨识装置100即可依据先前实施例中的教示而对第一计算机断层图像310进行相关的预处理及辨识等操作，以得知第一物件OB1(例如，肿瘤)的物件种类(例如肿瘤种类)。之后，图像辨识装置100可将原始的第一计算机断层图像310及相关的辨识结果一同回传至上述客户端计算机，以供医师作为诊断时的参考。
此外，图像辨识装置100还可将第一物件OB1以半透明的图层方式迭合于原始的第一计算机断层图像310上，以便于医师进行查看，但本发明可不限于此。
综上所述，本发明的图像辨识方法及图像辨识装置可在对计算机断层图像进行所提出的预处理操作(例如，排除沟道值未位于第一范围内的像素以及执行对比度提升演算法)之后，通过不同的深度学习模型依序进行辨识以找出第一图像区域(例如包括肿瘤的肝脏图像区域)、对应于第一物件的特定图像区域(例如位于肝脏图像区域中的肿瘤区域)以及第一物件的物件种类(例如肿瘤的肿瘤种类)。藉此，可达到更佳的辨识效能及准确度。
并且，经由本发明实施例所辨识而得的肿瘤还可进一步提供予相关的医师作参考，进而提升疾病诊断的效率。
虽然本发明已以实施例揭露如上，然其并非用以限定本发明，任何所属技术领域中技术人员，在不脱离本发明的精神和范围内，当可作些许的更动与润饰，故本发明的保护范围当视权利要求所界定者为准。

Claims (22)

1.一种图像辨识方法，其特征在于，包括：
取得一第一计算机断层图像，其中所述第一计算机断层图像包括多个第一像素，且各所述第一像素具有一沟道值，各所述第一像素的所述沟道值位于一第一范围内；其中，所述沟道值为一亨氏单位值；
从所述多个第一像素中取出多个第二像素，并基于所述多个第二像素产生一第二计算机断层图像，其中各所述第二像素的所述沟道值位于一第二范围内，且所述第二范围小于所述第一范围；
对所述第二计算机断层图像执行一对比度提升演算法，以调整所述第二计算机断层图像的一对比度；
在所述第二计算机断层图像中辨识一第一图像区域，以产生一第三计算机断层图像，其中所述第一图像区域包括一第一物件；
将所述第三计算机断层图像区分为多张子图像，并在各所述子图像中仅保留对应于所述第一物件的一特定图像区域；
将多个子图像组合为一第四计算机断层图像；以及
基于所述第四计算机断层图像辨识所述第一物件的一物件种类；
将所述第三计算机断层图像区分为所述多个子图像的步骤包括：
依据一预设尺寸将所述第三计算机断层图像均分为所述多个子图像，并记录所述多个子图像在所述第三计算机断层图像中的一第一分布位置；
将所述多个子图像组合为所述第四计算机断层图像的步骤包括：
依据所述多个子图像在所述第三计算机断层图像中的所述第一分布位置将所述多个子图像组合为所述第四计算机断层图像，其中各所述子图像在所述第三计算机断层图像中的所述第一分布位置对应于在所述第四计算机断层图像中的一第二分布位置。
2.如权利要求1所述的方法，其特征在于，各所述第一像素的所述沟道值为一亨氏单位值，且所述第一范围介于-2048及30000之间。
3.如权利要求2所述的方法，其特征在于，所述第二范围介于-70及200之间。
4.如权利要求1所述的方法，其特征在于，从所述多个第一像素中取出所述多个第二像素，并基于所述多个第二像素产生所述第二计算机断层图像的步骤包括：
从所述多个第一像素中找出多个第三像素，其中各所述第三像素的所述沟道值位于所述第二范围之外；以及
从所述第一计算机断层图像中移除所述多个第三像素，以产生仅包括所述多个第二像素的所述第二计算机断层图像。
5.如权利要求1所述的方法，其特征在于，所述对比度提升演算法为一直方图等化演算法。
6.如权利要求1所述的方法，其特征在于，在所述第二计算机断层图像中辨识所述第一图像区域，以产生所述第三计算机断层图像的步骤包括：
将所述第二计算机断层图像输入一第一深度学习模型，以由所述第一深度学习模型于所述第二计算机断层图像中找出所述第一图像区域；以及
从所述第二计算机断层图像中移除不属于所述第一图像区域的所述多个第二像素，以产生所述第三计算机断层图像。
7.如权利要求6所述的方法，其特征在于，在各所述子图像中仅保留对应于所述第一物件的所述特定图像区域的步骤包括：
将所述多个子图像中的一第一子图像输入一第二深度学习模型，以由所述第二深度学习模型于所述第一子图像中找出对应于所述第一物件的所述特定图像区域，其中各所述子图像包括多个特定像素；
从所述第一子图像中移除不属于所述特定图像区域的所述多个特定像素，以令所述第一子图像仅包括对应于所述第一物件的所述特定图像区域。
8.如权利要求7所述的方法，其特征在于，基于所述第四计算机断层图像辨识所述第一物件的所述物件种类的步骤包括：
将所述第四计算机断层图像输入一第三深度学习模型，以由所述第三深度学习模型辨识所述第一物件的所述物件种类。
9.如权利要求1所述的方法，其特征在于，所述第一计算机断层图像为摄自一腹腔的一腹腔计算机断层图像。
10.如权利要求9所述的方法，其特征在于，所述第一图像区域对应于所述腹腔中的一肝脏区域，且所述第一物件为位于所述肝脏区域中的一肿瘤。
11.如权利要求10所述的方法，其特征在于，所述第一物件的所述物件种类为所述肿瘤的一肿瘤种类。
12.一种图像辨识装置，其特征在于，包括：
一存储电路，存储多个模块；
一处理器，耦接所述存储电路，存取所述多个模块以执行下列步骤：
取得一第一计算机断层图像，其中所述第一计算机断层图像包括多个第一像素，且各所述第一像素具有一沟道值，各所述第一像素的所述沟道值位于一第一范围内；其中，所述沟道值为一亨氏单位值；
从所述多个第一像素中取出多个第二像素，并基于所述多个第二像素产生一第二计算机断层图像，其中各所述第二像素的所述沟道值位于一第二范围内，且所述第二范围小于所述第一范围；
对所述第二计算机断层图像执行一对比度提升演算法，以调整所述第二计算机断层图像的一对比度；
在所述第二计算机断层图像中辨识一第一图像区域，以产生一第三计算机断层图像，其中所述第一图像区域包括一第一物件；
将所述第三计算机断层图像区分为多张子图像，并在各所述子图像中仅保留对应于所述第一物件的一特定图像区域；
将多个子图像组合为一第四计算机断层图像；以及
基于所述第四计算机断层图像辨识所述第一物件的一物件种类；
所述处理器经配置以：依据一预设尺寸将所述第三计算机断层图像均分为所述多个子图像，并记录所述多个子图像在所述第三计算机断层图像中的一第一分布位置；
所述处理器经配置以：依据所述多个子图像在所述第三计算机断层图像中的所述第一分布位置将所述多个子图像组合为所述第四计算机断层图像，其中各所述子图像在所述第三计算机断层图像中的所述第一分布位置对应于在所述第四计算机断层图像中的一第二分布位置。
13.如权利要求12所述的装置，其特征在于，各所述第一像素的所述沟道值为一亨氏单位值，且所述第一范围介于-2048及30000之间。
14.如权利要求13所述的装置，其特征在于，所述第二范围介于-70及200之间。
15.如权利要求12所述的装置，其特征在于，所述处理器经配置以：
从所述多个第一像素中找出多个第三像素，其中各所述第三像素的所述沟道值位于所述第二范围之外；以及
从所述第一计算机断层图像中移除所述多个第三像素，以产生仅包括所述多个第二像素的所述第二计算机断层图像。
16.如权利要求12所述的装置，其特征在于，所述对比度提升演算法为一直方图等化演算法。
17.如权利要求12所述的装置，其特征在于，所述处理器经配置以：
将所述第二计算机断层图像输入一第一深度学习模型，以由所述第一深度学习模型于所述第二计算机断层图像中找出所述第一图像区域；以及
从所述第二计算机断层图像中移除不属于所述第一图像区域的所述多个第二像素，以产生所述第三计算机断层图像。
18.如权利要求17所述的装置，其特征在于，所述处理器经配置以：
将所述多个子图像中的一第一子图像输入一第二深度学习模型，以由所述第二深度学习模型于所述第一子图像中找出对应于所述第一物件的所述特定图像区域，其中各所述子图像包括多个特定像素；
从所述第一子图像中移除不属于所述特定图像区域的所述多个特定像素，以令所述第一子图像仅包括对应于所述第一物件的所述特定图像区域。
19.如权利要求18所述的装置，其特征在于，所述处理器经配置以：
将所述第四计算机断层图像输入一第三深度学习模型，以由所述第三深度学习模型辨识所述第一物件的所述物件种类。
20.如权利要求12所述的装置，其特征在于，所述第一计算机断层图像为摄自一腹腔的一腹腔计算机断层图像。
21.如权利要求20所述的装置，其特征在于，所述第一图像区域对应于所述腹腔中的一肝脏区域，且所述第一物件为位于所述肝脏区域中的一肿瘤。
22.如权利要求21所述的装置，其特征在于，所述第一物件的所述物件种类为所述肿瘤的一肿瘤种类。
CN201910284201.1A 2019-03-19 2019-04-10 图像辨识方法及图像辨识装置 Active CN111738975B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW108109259 2019-03-19
TW108109259A TWI714025B (zh) 2019-03-19 2019-03-19 影像辨識方法及影像辨識裝置

Publications (2)

Publication Number Publication Date
CN111738975A CN111738975A (zh) 2020-10-02
CN111738975B true CN111738975B (zh) 2023-04-14

Family

ID=67513390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910284201.1A Active CN111738975B (zh) 2019-03-19 2019-04-10 图像辨识方法及图像辨识装置

Country Status (5)

Country Link
US (1) US11010893B2 (zh)
EP (1) EP3712845B1 (zh)
JP (1) JP6810212B2 (zh)
CN (1) CN111738975B (zh)
TW (1) TWI714025B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230218169A1 (en) * 2018-03-30 2023-07-13 A-Moy Limited Brain imaging system and brain imaging method
JP7608119B2 (ja) * 2020-11-12 2025-01-06 キヤノン株式会社 画像処理装置、画像処理方法、撮像装置、プログラムおよび記録媒体
KR102317857B1 (ko) * 2020-12-14 2021-10-26 주식회사 뷰노 병변 판독 방법
TWI836280B (zh) * 2020-12-16 2024-03-21 財團法人工業技術研究院 醫學影像分析方法與裝置
US11610306B2 (en) 2020-12-16 2023-03-21 Industrial Technology Research Institute Medical image analysis method and device
KR102900354B1 (ko) * 2022-11-14 2025-12-15 성균관대학교산학협력단 이미지 처리 방법 및 장치

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101987019A (zh) * 2009-08-03 2011-03-23 徐子海 基于小波变换的pet图像和ct图像异机融合方法
CN102497804A (zh) * 2009-09-17 2012-06-13 富士胶片株式会社 图像判读报告生成设备、方法和程序
CN103732148A (zh) * 2012-02-02 2014-04-16 株式会社东芝 医用图像处理装置、x 射线ct 装置以及医用图像处理方法
CN104135931A (zh) * 2012-02-22 2014-11-05 皇家飞利浦有限公司 用于减少成像数据中的局部伪影的方法和系统
CN105488781A (zh) * 2015-06-01 2016-04-13 深圳市第二人民医院 一种基于ct影像肝脏肿瘤病灶的分割方法
CN108288496A (zh) * 2018-01-26 2018-07-17 中国人民解放军总医院 肿瘤容积智能勾画方法和装置
CN108319894A (zh) * 2017-12-28 2018-07-24 杭州乔戈里科技有限公司 基于深度学习的水果识别方法及装置
CN108470359A (zh) * 2018-02-11 2018-08-31 艾视医疗科技成都有限公司 一种糖尿病性视网膜眼底图像病变检测方法
CN108717554A (zh) * 2018-05-22 2018-10-30 复旦大学附属肿瘤医院 一种甲状腺肿瘤病理组织切片图像分类方法及其装置
CN108734074A (zh) * 2017-04-18 2018-11-02 金佶科技股份有限公司 指纹识别方法以及指纹识别装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07129751A (ja) * 1993-10-29 1995-05-19 Hitachi Medical Corp 医用画像処理装置
JP4393016B2 (ja) * 2000-06-30 2010-01-06 株式会社日立メディコ 画像診断支援装置
US7289841B2 (en) * 2002-10-25 2007-10-30 Koninklijke Philips Electronics N.V. Method and apparatus for volumetric cardiac computed tomography imaging
US6999549B2 (en) * 2002-11-27 2006-02-14 Ge Medical Systems Global Technology, Llc Method and apparatus for quantifying tissue fat content
JP2004222864A (ja) * 2003-01-21 2004-08-12 Mitsubishi Research Institute Inc 診断支援システム、診断支援方法及び診断支援プログラム
GB2416223A (en) * 2004-07-15 2006-01-18 Medicsight Plc Quantification of coronary artery calcification
US8958618B2 (en) * 2012-06-28 2015-02-17 Kabushiki Kaisha Toshiba Method and system for identification of calcification in imaged blood vessels
WO2016080813A1 (en) * 2014-11-21 2016-05-26 Samsung Electronics Co., Ltd. Method and apparatus for processing medical image
CN104574507A (zh) * 2015-01-14 2015-04-29 清华大学 基于多幅断层扫描图像的三维实体构建方法
US9978150B2 (en) * 2015-08-05 2018-05-22 Algotec Systems Ltd. Method and system for spatial segmentation of anatomical structures
US10685429B2 (en) * 2017-02-22 2020-06-16 Siemens Healthcare Gmbh Denoising medical images by learning sparse image representations with a deep unfolding approach
JP7041688B2 (ja) * 2017-03-31 2022-03-24 コニカ ミノルタ ラボラトリー ユー．エス．エー．，インコーポレイテッド 三次元印刷中に複数のセンサーを用いる三次元画像処理
JP7005191B2 (ja) * 2017-06-30 2022-01-21 キヤノンメディカルシステムズ株式会社 画像処理装置、医用画像診断装置、及びプログラム
CN109102506B (zh) 2018-08-20 2021-08-13 东北大学 一种基于三级级联网络进行腹部ct肝脏病变图像的自动分割方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101987019A (zh) * 2009-08-03 2011-03-23 徐子海 基于小波变换的pet图像和ct图像异机融合方法
CN102497804A (zh) * 2009-09-17 2012-06-13 富士胶片株式会社 图像判读报告生成设备、方法和程序
CN103732148A (zh) * 2012-02-02 2014-04-16 株式会社东芝 医用图像处理装置、x 射线ct 装置以及医用图像处理方法
CN104135931A (zh) * 2012-02-22 2014-11-05 皇家飞利浦有限公司 用于减少成像数据中的局部伪影的方法和系统
CN105488781A (zh) * 2015-06-01 2016-04-13 深圳市第二人民医院 一种基于ct影像肝脏肿瘤病灶的分割方法
CN108734074A (zh) * 2017-04-18 2018-11-02 金佶科技股份有限公司 指纹识别方法以及指纹识别装置
CN108319894A (zh) * 2017-12-28 2018-07-24 杭州乔戈里科技有限公司 基于深度学习的水果识别方法及装置
CN108288496A (zh) * 2018-01-26 2018-07-17 中国人民解放军总医院 肿瘤容积智能勾画方法和装置
CN108470359A (zh) * 2018-02-11 2018-08-31 艾视医疗科技成都有限公司 一种糖尿病性视网膜眼底图像病变检测方法
CN108717554A (zh) * 2018-05-22 2018-10-30 复旦大学附属肿瘤医院 一种甲状腺肿瘤病理组织切片图像分类方法及其装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Computer-Aided Medical Image Annotation:Preliminary Results With Liver Lesions in CT;Neda B. Marvasti 等;《IEEE Journal of Biomedical and Health Informatics》;20180930;第22卷(第5期);1561-1570 *
卷积神经网络及其在医学图像分析中的应用研究;梁蒙蒙 等;《生物医学工程学杂志》;20181231;第35卷(第6期);977-985 *
计算机辅助手术系统指导小儿肝脏肿瘤精准手术;董蒨 等;《临床小儿外科杂志》;20171231;第16卷(第6期);533-536 *

Also Published As

Publication number Publication date
US20200302597A1 (en) 2020-09-24
EP3712845B1 (en) 2024-03-27
EP3712845A1 (en) 2020-09-23
JP2020151450A (ja) 2020-09-24
CN111738975A (zh) 2020-10-02
US11010893B2 (en) 2021-05-18
TWI714025B (zh) 2020-12-21
EP3712845C0 (en) 2024-03-27
JP6810212B2 (ja) 2021-01-06
TW202036592A (zh) 2020-10-01

Similar Documents

Publication Publication Date Title
CN111738975B (zh) 图像辨识方法及图像辨识装置
US11568533B2 (en) Automated classification and taxonomy of 3D teeth data using deep learning methods
US11151721B2 (en) System and method for automatic detection, localization, and semantic segmentation of anatomical objects
US11741598B2 (en) Method for aiding visualization of lesions in medical imagery and apparatus using the same
CN110009600A (zh) 一种医学图像区域过滤方法、装置及存储介质
JP2008520317A (ja) 医療画像データ内の腫瘍境界を自動的に検出及び区分するシステム及び方法
KR102280047B1 (ko) 딥 러닝 기반 종양 치료 반응 예측 방법
CN111754453A (zh) 基于胸透图像的肺结核检测方法、系统和存储介质
CN110689521B (zh) 一种医学影像所属人体部位的自动识别方法及系统
Chen et al. Detection of various dental conditions on dental panoramic radiography using faster R-CNN
US11282193B2 (en) Systems and methods for tumor characterization
KR101898580B1 (ko) 영상의 열람을 지원하는 방법 및 이를 이용한 장치
CN114332132A (zh) 图像分割方法、装置和计算机设备
WO2022138277A1 (ja) 学習装置、方法及びプログラム並びに医用画像処理装置
US9454814B2 (en) PACS viewer and a method for identifying patient orientation
CN111166362A (zh) 医学图像的显示方法及装置、存储介质及电子设备
Mammeri et al. A Cascade Model to Detect and Segment Lung Nodule Using YOLOv8 and Resnet50U‐Net
CN118212208A (zh) 一种基于改进特征金字塔网络的口腔x线片慢性根尖周炎诊断系统及诊断方法
Singh et al. Efficient liver and tumor segmentation from CT images using a hybrid ResUNet Model
CN114612373A (zh) 一种图像识别方法及服务器
CN114401673A (zh) 基于vrds 4d医学影像的胃肿瘤识别方法及相关产品
Huang et al. Dsenet: double three-dimensional squeeze-and-excitation network for pulmonary nodule detection
Mračko et al. Enhancing breast microcalcification classification: From binary to three-class classifier
Lu et al. TTNet: Three‐Stages Tooth Segmentation Network Based on Tooth Masks in CBCT Images
HK40041503B (zh) 头部ct图像检测装置、方法、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