[go: up one dir, main page]

TW202008163A - 醫療影像處理方法及裝置、電子設備及儲存介質 - Google Patents

醫療影像處理方法及裝置、電子設備及儲存介質 Download PDF

Info

Publication number
TW202008163A
TW202008163A TW108126233A TW108126233A TW202008163A TW 202008163 A TW202008163 A TW 202008163A TW 108126233 A TW108126233 A TW 108126233A TW 108126233 A TW108126233 A TW 108126233A TW 202008163 A TW202008163 A TW 202008163A
Authority
TW
Taiwan
Prior art keywords
target
feature map
detection module
image
information
Prior art date
Application number
TW108126233A
Other languages
English (en)
Other versions
TWI715117B (zh
Inventor
夏清
高云河
Original Assignee
大陸商北京市商湯科技開發有限公司
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 大陸商北京市商湯科技開發有限公司 filed Critical 大陸商北京市商湯科技開發有限公司
Publication of TW202008163A publication Critical patent/TW202008163A/zh
Application granted granted Critical
Publication of TWI715117B publication Critical patent/TWI715117B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • 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
    • G06T2207/30008—Bone
    • G06T2207/30012—Spine; Backbone
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pathology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本發明實施例公開了一種醫療影像處理方法及裝置、電子設備及儲存介質。所述方法包括：利用第一檢測模組檢測醫療影像，獲得第一目標在第二目標中的第一位置資訊，其中，其所述第二目標包含有至少兩個所述第一目標；利用所述第一檢測模組根據所述第一位置資訊，分割所述第二目標獲得所述第一目標的目標特徵圖及第一診斷輔助資訊。

Description

醫療影像處理方法及裝置、電子設備及 儲存介質
本發明關於資訊技術領域，尤其關於一種醫療影像處理方法及裝置、電子設備及儲存介質。
醫療影像是說明醫生進行診斷的重要輔助資訊。但是在現有技術中都是拍攝出醫療影像之後，醫生拿著醫療影像的實體片子或者在電腦上閱片進行診斷。但是醫療影像一般通過各種射線等拍攝的非表層的結構，局限於拍攝技術可能有些角度是無法看到的，顯然這會影響醫療人員的診斷。故如何向醫療人員提供全面的、完整的及有效的資訊，是現有技術中亟待進一步解決的問題。
有鑑於此，本發明實施例期望提供一種醫療影像處理方法及裝置、電子設備及儲存介質。
本發明的技術方案是這樣實現的：第一方面，本發明實施例提供一種醫療影像處理方法，包括：利用第一檢測模組檢測醫療影像，獲得第一目標在第二目標中的第一位置資訊，其中，其所述第二目標包含有至少兩個所述第一目標；利用所述第一檢測模組根據所述第一位置資訊，分割所述第二目標獲得所述第一目標的目標特徵圖及第一診斷輔助資訊。
基於上述方案，所述利用所述第一檢測模組根據所述第一位置資訊，分割所述第二目標獲得所述第一目標的目標特徵圖及第一診斷輔助資訊，包括：利用所述第一檢測模組根據所述第一位置資訊，對所述第二目標進行圖元級分割得到所述目標特徵圖及所述第一診斷輔助資訊。
基於上述方案，所述方法還包括：利用第二檢測模組檢測醫療影像，獲得所述第二目標在所述醫療影像中的第二位置資訊；根據所述第二位置資訊，從所述醫療影像中分割出包含有所述第二目標的待處理圖像；所述利用第一檢測模組檢測醫療影像獲得第一目標在第二目標中的第一位置資訊，包括：利用所述第一檢測模組檢測所述待處理圖像，獲得所述第一位置資訊。
基於上述方案，所述利用第一檢測模組檢測醫療影像，獲得第一目標在第二目標中的第一位置資訊，包括：利用第一檢測模組檢測待處理圖像或醫療影像，獲得所述第一目標的圖像檢測區；檢測所述圖像檢測區，獲得所述第一目標的外輪廓資訊；根據所述外輪廓資訊生成掩模區，其中，所述掩模區用於分割所述第二目標以獲得所述第一目標的分割圖像。
基於上述方案，所述利用第一檢測模組對所述待處理圖像進行處理，提取出包含有所述第一目標的目標特徵圖及所述第一目標的第一診斷輔助資訊，包括：對所述分割圖像進行處理，得到所述目標特徵圖，其中，一個所述目標特徵圖對應一個所述第一目標；基於所述待處理圖像、所述目標特徵圖及所述分割圖像的至少其中之一，得到所述第一目標的第一診斷輔助資訊。
基於上述方案，所述對所述分割圖像進行處理，得到所述目標特徵圖，包括：利用所述第一檢測模組的特徵提取層，從所述分割圖像中提取出第一特徵圖；利用所述第一檢測模組的池化層，基於所述第一特徵圖生成至少一個第二特徵圖，其中，所述第一特徵圖和所述第二特徵圖的尺度不同；根據所述第二特徵圖得到所述目標特徵圖。
基於上述方案，所述對所述分割圖像進行處理，得到所述目標特徵圖，包括：利用所述第一檢測模組的上採樣層，對所述第二特徵圖進行上採樣得到第三特徵圖；利用所述第一檢測模組的融合層，融合所述第一特徵圖及所述第三特徵圖得到融合特徵圖；或者，融合所述第三特徵圖及與所述第三特徵圖不同尺度的所述第二特徵圖得到融合特徵圖；利用所述第一檢測模組的輸出層，根據所述融合特徵圖輸出所述目標特徵圖。
基於上述方案，所述基於所述待處理圖像、所述目標特徵圖及所述分割圖像的至少其中之一，得到所述第一目標的第一診斷輔助資訊，包括以下至少之一：結合所述待處理圖像及所述分割圖像，確定所述目標特徵圖對應的所述第一目標的第一標識資訊；基於所述目標特徵圖，確定所述第一目標的屬性資訊；基於所述目標特徵圖，確定基於所述第一目標的屬性資訊產生的提示資訊。
基於上述方案，所述方法還包括：利用樣本資訊訓練得到所述第二檢測模組和第一檢測模組；基於損失函數，計算已獲得網路參數的第二檢測模組和所述第一檢測模組的損失值； 若所述損失值小於或等於預設值，完成所述第二檢測模組和所述第一檢測模組的訓練；或，若所述損失值大於所述預設值，根據所述損失值優化所述網路參數。
基於上述方案，所述若所述損失值大於所述預設值，根據所述損失值優化所述網路參數，包括：若所述損失值大於所述預設值，利用反向傳播方式更新所述網路參數。
基於上述方案，所述基於損失函數，計算已獲得所述網路參數的第二檢測模組和所述第一檢測模組的損失值，包括：利用一個損失函數，計算從所述第二檢測模組輸入並從所述第一檢測模組輸出的端到端損失值。
基於上述方案，所述第一檢測模組包括：第一檢測模組；和/或，所述第二檢測模組包括：第二檢測模組。
基於上述方案，所述第二目標為脊柱；所述第一目標為：椎間盤。
第二方面，本發明實施例提供一種醫療影像處理裝置，包括：第一檢測單元，用於利用第一檢測模組檢測醫療影像，獲得第一目標在第二目標中的第一位置資訊，其中，其所述第二目標包含有至少兩個所述第一目標； 處理單元，用於利用所述第一檢測模組根據所述第一位置資訊，分割所述第二目標獲得所述第一目標的目標特徵圖及第一診斷輔助資訊。
基於上述方案，所述處理單元，具體利用所述第一檢測模組根據所述第一位置資訊，對所述第二目標進行圖元級分割得到所述目標特徵圖及所述第一診斷輔助資訊。
基於上述方案，所述裝置還包括：第二檢測單元，用於利用第二檢測模組檢測醫療影像，獲得所述第二目標在所述醫療影像中的第二位置資訊；根據所述第二位置資訊，從所述醫療影像中分割出包含有所述第二目標的待處理圖像；所述第一檢測單元，具體利用所述第一檢測模組檢測所述待處理圖像，獲得所述第一位置資訊。
基於上述方案，所述第一檢測單元，具體利用第一檢測模組檢測待處理圖像或醫療影像，獲得所述第一目標的圖像檢測區；檢測所述圖像檢測區，獲得所述第一目標的外輪廓資訊；根據所述外輪廓資訊生成掩模區，其中，所述掩模區用於分割所述第二目標以獲得所述第一目標。
基於上述方案，所述處理單元，具體用於對所述分割圖像進行處理，得到所述目標特徵圖，其中，一個所述目標特徵圖對應一個所述第一目標；基於所述待處理圖像、所述目標特徵圖及所述分割圖像的至少其中之一，得到所述第一目標的第一診斷輔助資訊。
基於上述方案，所述處理單元，具體用於利用所述第一檢測模組的特徵提取層，從所述分割圖像中提取出第一特徵圖；利用所述第一檢測模組的池化層，基於所述第一特徵圖生成至少一個第二特徵圖，其中，所述第一特徵圖和所述第二特徵圖的尺度不同；根據所述第二特徵圖得到所述目標特徵圖。
基於上述方案，所述處理單元，用於利用所述第一檢測模組的上採樣層，對所述第二特徵圖進行上採樣得到第三特徵圖；利用所述第一檢測模組的融合層，融合所述第一特徵圖及所述第三特徵圖得到融合特徵圖；或者，融合所述第三特徵圖及與所述第三特徵圖不同尺度的所述第二特徵圖得到融合特徵圖；利用所述第一檢測模組的輸出層，根據所述融合特徵圖輸出所述目標特徵圖。
基於上述方案，所述處理單元，具體用於執行以下至少之一：結合所述待處理圖像及所述分割圖像，確定所述目標特徵圖對應的所述第一目標的第一標識資訊；基於所述目標特徵圖，確定所述第一目標的屬性資訊；基於所述目標特徵圖，確定基於所述第一目標的屬性資訊產生的提示資訊。
基於上述方案，所述裝置還包括：訓練單元，用於利用樣本資訊訓練得到所述第二檢測模組和第一檢測模組； 計算單元，用於基於損失函數，計算已獲得網路參數的第二檢測模組和所述第一檢測模組的損失值；優化單元，用於若所述損失值大於預設值，根據所述損失值優化所述網路參數；或者，所述訓練單元，還用於若所述損失值小於或等於所述預設值，完成所述第二檢測模組和所述第一檢測模組的訓練。
基於上述方案，所述優化單元，用於若所述損失值大於所述預設值，利用反向傳播方式更新所述網路參數。
基於上述方案，所述計算單元，用於利用一個損失函數，計算從所述第二檢測模組輸入並從所述第一檢測模組輸出的端到端損失值。
基於上述方案，所述第一檢測模組包括：第一檢測模組；和/或，所述第二檢測模組包括：第二檢測模組。
基於上述方案，所述第二目標為脊柱；所述第一目標為：椎間盤。
協力廠商面，本發明實施例提供一種電腦儲存介質，所述電腦儲存介質儲存有電腦可執行代碼；所述電腦可執行代碼被執行後，能夠實現第一方面任意技術方案提供的方法。
第四方面，本發明實施例提供一種電腦程式產品，所述程式產品包括電腦可執行指令；所述電腦可執行指令被執行後，能夠實現第一方面任意技術方案提供的方法。
第五方面，本發明實施例提供一種影像處理設備，包括：記憶體，用於儲存資訊；處理器，與所述記憶體連接，用於通過執行儲存在所述記憶體上的電腦可執行指令，能夠實現第一方面任意技術方案提供的方法。
本發明實施例提供的技術方案，會利用第一檢測模組檢測醫療模組，將第一目標從其所在第二目標中整個的分離出來；如此，一方面，減少了醫生只能在第二目標中來觀看第一目標，從而使得醫生可以更加全面更加完整的觀看第一目標；另一方面，本發明實施例提供輸出的目標特徵圖，目標特徵圖包含有第一目標的供醫療診斷的特徵，如此去除了干擾非必要的干擾特徵，減少了診斷干擾；再一方面，還會生成第一診斷輔助資訊為醫療人員的診斷提供更多的輔助。如此，在本實施例中通過醫療影像處理方法，可以獲得更加全面更加完整的反應醫療就診第一目標的目標特徵圖像並提供第一診斷輔助資訊，以協助診斷。
110‧‧‧第一檢測單元
120‧‧‧處理單元
圖1為本發明實施例提供的第一種醫療影像處理方法的流程示意圖；圖2為本發明實施例提供的第二種醫療影像處理方法的流程示意圖； 圖3為本發明實施例提供的第三種醫療影像處理方法的流程示意圖；圖4為本發明實施例提供的醫療影像到分割圖像的變化示意圖；圖5為本發明實施例提供的一種醫療影像處理裝置的結構示意圖；圖6為本發明實施例提供的一種醫療影像處理設備的結構示意圖。
以下結合說明書附圖及具體實施例對本發明的技術方案做進一步的詳細闡述。
如圖1所示，本實施例提供一種醫療影像處理方法，包括：步驟S110：利用第一檢測模組檢測醫療影像，獲得第一目標在第二目標中的第一位置資訊，其中，其所述第二目標包含有至少兩個所述第一目標；步驟S120：利用所述第一檢測模組根據所述第一位置資訊，分割所述第二目標獲得所述第一目標的目標特徵圖及第一診斷輔助資訊。
所述第一檢測模組可為具有檢測功能的各種模組。例如，所述第一檢測模組可為各種資訊模組對應的功能模組。所述資訊模組可包括：各種深度學習模組。所述深度 學習模組可包括：神經網路模組、向量機模組等，但是不局限於所述神經網路模組或向量機。
所述醫療影像可為各種醫療診斷過程中拍攝的圖像資訊，例如，核磁共振圖像、再例如，電子電腦斷層掃描(Computed Tomography，CT)圖像。
所述第一檢測模組可為神經網路模組等，神經網路模組可以通過卷積等處理進行第二目標的特徵提取得到目標特徵圖，並生成第一診斷輔助資訊。
在一些實施例中所述醫療影像可包括：Dixon序列，該Dixon序列包含有多張對同一個採集物件不同採集角度採集的二維圖像；這些二維圖像可以用於搭建出所述第一採集物件的三維圖像。
所述第一位置資訊可包括：描述所述第一目標位於第二目標中的位置的資訊，該位置資訊具體可包括：第一目標在圖像座標中的座標值，例如，第一目標邊緣的邊緣座標值、第一目標中心的中心座標值及第一目標在第二目標中各個維度的尺寸值。
所述第一目標為診斷的最終目標，所述第二目標可包括多個所述第一目標。例如，在一些實施例中，所述第二目標可為脊椎，第一目標可為椎骨或相鄰椎骨之間的椎間盤。在另一些實施例中，所述第二目標還可為胸部的胸席；而胸席可以由多根肋骨組成。所述第一目標可為胸席中單根肋骨。
總之，所述第二目標和第一目標可為需要醫療診斷的各種物件；不局限於上述舉例。
在步驟S120可利用第一檢測模組對所述醫療影像進行影像處理，以對第二目標進行分割，使得組成所述第二目標的各個第一目標的目標特徵圖給分離出來，並得到對應的目標特徵圖所包含的第一目標的第一診斷輔助資訊。
在一些實施例中，所述目標特徵圖可包括：從原始的醫療影像中切割出了包含單個第一目標的圖像。
在另一些實施例中，所述目標特徵圖還可包括：基於所述原始的醫療影像重新生成的表徵目標特徵的特徵圖。該特徵圖中包含了需要醫療診斷的各種診斷資訊，同時去除了一些與醫療診斷不相關的細節資訊。例如，以椎間盤為例，椎間盤的外輪廓、形狀及體積與醫療診斷相關的目標特徵，但是椎間盤表面的某些紋理與醫療不相關，此時，所述目標特徵圖可為僅包括：椎間盤的外輪廓、形狀及體積等於醫療診斷相關的資訊，同時去除了與醫療診斷不相關的表面紋理等干擾特徵。這種目標特徵圖輸出之後，醫療人員可以基於目標特徵圖進行診斷時，由於減少了干擾，可以實現快速和精準的診斷。
所述第一診斷輔助資訊可為各種描述對應的目標特徵圖中第一目標的屬性或狀態的資訊。所述第一診斷輔助資訊可為直接附加在所述目標特徵圖中的資訊，也可以是與所述目標特徵圖儲存到同一個檔中的資訊。
例如，第一檢測模組在步驟S120中生成了一個包含有目標特徵圖的診斷檔，該診斷檔可為一個三維動態影像檔；播放該三維動態檔時，通過特定的軟體可以調整三維目標特徵圖當前展示的角度，同時在顯示視窗內會顯示所述第一診斷輔助資訊，如此，醫生等醫療人員在看目標特徵圖的同時，可以看到所述第一診斷輔助資訊，方便醫療人員結合目標特徵圖及第一診斷輔助資訊進行診斷。
此處的三維目標特徵圖可為：由多個二維的目標特徵圖搭建而成的。例如，針對Dixon序列中每一個二維圖像都進行步驟S110至步驟S120的操作，如此，一個二維圖像會生成至少一個目標特徵圖；多個二維圖像會生成多個目標特徵圖，針對同一個第一目標的對應於不同採集角度的目標特徵圖，可以搭建成該第一目標的三維目標特徵。
在一些實施例中，步驟S120中輸出的目標特徵圖也可以是直接完成了三維構建的三維目標特徵圖。
所述第一診斷輔助資訊的類型可包括：文本資訊，例如，以文本的形式進行屬性描述；標注資訊，例如，結合坐標軸等輔助資訊，在坐標軸上通過箭頭及單一文字說明等，標出椎間盤等第一目標不同維度(方向)的尺寸。
在本實施例中，所述目標特徵圖的圖像圖元可與所述待處理圖像的圖元保持一致，例如，所述待處理圖像為包含有N*M個圖元的圖像，則所述目標特徵圖也可以為包含有N*M個圖元的目標特徵圖。
在一些實施例中若所述第二目標包含有F個第一目標，則可輸出F個三維目標特徵圖，或者，輸出F組二維目標特徵；一組二維目標特徵圖對應於一個第一目標，可搭建出該第一目標的三維目標特徵圖。
在一些實施例中，所述目標特徵圖和第一診斷輔助資訊作為兩部分資訊，形成目標特徵檔輸出，例如，所述第一診斷輔助資訊以文本資訊形式儲存在所述目標特徵檔中；所述目標特徵圖以圖片形式儲存在所述目的檔案中。
在另一些實施例中，將第一診斷輔助資訊附加到目標特徵圖上形成診斷圖像；此時，第一診斷輔助資訊及目標特徵圖都是診斷圖像中的一部分，都以圖像資訊儲存。
所述步驟S120可包括：利用所述第一檢測模組根據所述第一位置資訊，對所述第二目標進行圖元級分割得到所述目標特徵圖及所述第一診斷輔助資訊。
在本實施例中利用第二檢測模組對醫療影像中的第二目標進行圖元級別的分割，如此可以實現不同第一目標的完全分離並且邊界的清晰鑒定，方便醫生根據分割形成的目標特徵圖和/或第一診斷輔助資訊進行診斷。
同樣的所述第二檢測模組也可為各種能夠實現第二目標分割的功能模組。例如，所述第二檢測模組也可以為：運行各種資訊模組的功能模組；例如，各種深度學習模組的運行模組。
此處的圖元級別的分割表明分割精度達到圖元精度，例如，在圖像中進行不同的椎間盤分離，或者，在圖 像中進行椎間盤和椎柱的分離時，可以精確都某一個圖元，具體的判斷出圖元是歸屬於椎間盤還是椎柱的；而不是以多個圖元形成的圖元區域作為分割精度，故可以實現第一目標從所述第二目標中精確的分離，以便於精確就診。
如圖2所示，所述方法還包括：步驟S100：利用第二檢測模組檢測醫療影像，獲得所述第二目標在所述醫療影像中的第二位置資訊；步驟S101：根據所述第二位置資訊，從所述醫療影像中分割出包含有所述第二目標的待處理圖像；所述步驟S110可包括步驟S110’：利用所述第一檢測模組檢測所述待處理圖像，獲得所述第一位置資訊。
在本實施例中，所述第二檢測模組可以對所述醫療影像進行預處理，以便後續第一檢測模組從醫療影像中分割出待處理圖像。
在本實施例中，所述第二檢測模組可為神經網路模組，通過神經網路模組中的卷積處理等，至少可獲得所述第二目標的外輪廓資訊等，基於外輪廓資訊得到所述第二位置資訊。如此，待處理圖像相對於原始的醫療影像是切割了對診斷無關的背景資訊及干擾資訊的。
所述背景資訊可為醫療影像中的未攜帶有資訊量的空白圖像區域的圖像資訊。
所述干擾資訊可為所述第二目標以外的圖像資訊。例如，所述醫療影像可為對人體腰部的核磁共振圖像；在該核磁共振圖像中採集了人的腰部，並同時採集了腰部的 組織、腰椎、肋骨等資訊。若第二目標為腰椎，則組織及肋骨所對應的圖像資訊即為所述干擾資訊。
在步驟S100中可以利用第二檢測模組對每一張二維圖像進行檢測，確定出所述第二位置資訊。
所述第二位置資訊可包括：圖像座標中的第二目標所在圖像區域的座標值，例如，第二目標外輪廓在各二維圖像中的座標值。該座標值可為所述第二目標邊緣的邊緣座標值，或者，所述第二目標的尺寸和第二目標中心的中心座標值。所述第二位置資訊可為各種能夠從圖像中定位出所述第二目標的資訊，不局限於所述座標值。再例如，利用各種檢測框對所述圖像檢測，所述第二位置資訊還可為所述檢測框的標識。例如，一張圖像可以由若干個檢測框不重疊且不間隔覆蓋，若第二目標在第T個檢測框中，則所述第T個檢測框的標識即為所述第二位置資訊的一種。總之，所述第二位置資訊有多種形式，既不限於所述座標值也不限於所述檢測框的框標識。
利用第二檢測模組完成所述第二位置資訊的確定之後，根據第二位置資訊從原始的醫療影像中分割出需要第一檢測模組處理的待處理圖像，此處的待處理圖像的分割，可以由所述第二檢測模組處理；也可以由所述第一檢測模組處理，甚至可以由位於所述第二檢測模組和所述第一檢測模組之間的第三子模組處理。
所述待處理圖像是去除了背景資訊和干擾資訊，且包含有所述第二目標的圖像。通過對原始的醫療影像 的處理得到待處理圖像，相對於相關技術中直接對原始醫療影像進行第二目標的分割處理，可以大大的降低運算量，提升處理速率；同時減少因為背景資訊及干擾資訊的引入導致後續目標特徵圖及第一診斷輔助資訊提取不準確的問題，提升了目標特徵圖及第一診斷輔助資訊的精確性。
利用第一檢測模組僅需對所述待處理圖像進行影像處理，就可以實現對第二目標進行分割，使得組成所述第二目標的各個第一目標從原始的醫療影像分離出來，然後通過對分離的醫療影像的處理得到對應的目標特徵圖所包含的第一目標的第一診斷輔助資訊。
在一些實施例中，如圖3所示，所述步驟S110可包括：
步驟S111：利用第一檢測模組檢測所述待處理圖像或醫療影像，獲得所述第一目標的圖像檢測區；
步驟S112：檢測所述圖像檢測區，獲得所述第二目標的外輪廓資訊；
步驟S113：根據所述外輪廓資訊生成掩模區。
步驟S114：根據所述掩模區，從所述醫療影像或待處理圖像中分割出包含第二目標的分割圖像。
例如，利用檢測框對醫療影像或待處理圖像進行分割，得到第一目標所在的圖像檢測區。
對圖像檢測區進行第二目標的外輪廓資訊的提取，例如，通過能夠提取外輪廓的卷積網路，對所述圖像檢測區進行影像處理，就能夠得到所述外輪廓資訊，通過外輪 廓資訊的提取，可以生成掩模區。該掩模區可為剛好覆蓋所述第一目標的矩陣或向量等形式的資訊。所述掩模區是位於所述圖像檢測區內的，且一般所述掩模區的面積小於所述圖像檢測區的面積。所述圖像檢測區可為標準的矩形區域；所述掩模區所對應的區域可為非規則的區域。掩模區的形狀決定於所述第一目標的外輪廓。
在一些實施例中，通過掩模區與醫療影像的相關運算，就可以從所述待處理圖像或醫療影像中提取出所述分割圖像。例如，一張全黑圖像上加一個透明的所述掩模區，得到一個待透明區域的圖像，將該圖像與對應的所述待處理圖像或醫療影像進行重疊之後，就會生成僅包含有第二目標的分割圖像。或者將重疊後的圖像切除掉全黑區域就能夠得到所述分割圖像。再例如，一個全白圖像加上一個透明的所述掩模區，得到一個待透明區域的圖像，將該圖像與對應的醫療影像進行重疊之後，就會生成僅包含有第二目標的分割圖像。或者將重疊後的圖像切除掉全白區域就能夠得到所述分割圖像。又例如，直接基於所述掩模區所在的每一個圖元的圖元座標，直接從醫療影像中提取出對應的分割圖像。
當然以上僅給處理獲得所述分割圖像的幾個舉例，具體的實現方式有多種，不局限於上述任意一種。
在一些實施例中可以基於掩模區來提取所述分割圖像；在另一些實施例中，可以直接基於所述圖像檢測區確定所述分割圖像，可以將圖像檢測區內的醫療影像整體作 為所述分割圖像，相對於基於掩模區確定的待處理圖像，可能會引入少量的背景資訊和/或干擾資訊。
在一些實施例中，所述待處理圖像的獲取方法可包括：利用第二檢測模組檢測醫療影像，得到第二目標的圖像檢測區；檢測第二目標的圖像檢測區，獲得第二目標的外輪廓資訊；根據第二目標的外輪廓資訊對應的掩模區切割出所述待處理圖像。
圖4從左至右依次是：整個腰部的側面核磁共振圖像；與之靠近的中間長條狀的為脊椎的掩模區、單個椎間盤的掩模區、最後是單個椎間盤的分割圖像的示意圖。
在一些實施例中，所述步驟S120可包括：對所述分割圖像進行處理，得到所述目標特徵圖，其中，一個所述目標特徵圖對應一個所述第一目標；基於所述待處理圖像、所述目標特徵圖及所述分割圖像的至少其中之一，得到所述第一目標的第一診斷輔助資訊。
對分割圖像進行影像處理得到目標特徵圖，例如，通過卷積處理得到目標特徵圖。所述卷積處理可包括：利用預先設置的提取特徵的卷積核與待處理圖像的圖像資訊進行卷積，提取出特徵圖。例如，利用神經網路模組中的全連接卷積網路或局部連接卷積網路的卷積處理，輸出所述目標特徵圖。
在本實施例中還會基於所述待處理圖像、所述目標特徵圖及所述分割圖像的至少其中之一，得到所述第一目標的第一診斷輔助資訊，得到所述第一目標的第一診斷輔助資訊。例如，根據目標特徵圖所對應的第一目標在所述待處理圖像中包含的多個第一目標中的排序，得到當前目標特徵圖所對應的第一標識資訊。通過第一標識資訊方便醫生瞭解到當前目標特徵圖展示的第二目標中的哪一個第一目標。
若第二目標為脊柱；所述第一目標可為椎間盤或者椎骨；相鄰兩個椎骨之間設置有一個椎間盤。若所述第一目標為椎間盤，則可以根據相鄰的椎骨的來進行標識。例如，人的脊柱可包括：12節胸椎骨、5個腰椎骨、7個頸椎骨及一個或多個骶椎骨。在本發明實施例中可以根據醫療命名規則，以T表示胸部、L表示腰骶、S表示骶骨、C表示頸部；則椎骨的命名可為T1、T2；而椎間盤可命名為Tm1-m2，表示該椎間盤為第m1節胸椎骨與第m2節胸椎骨之間的椎間盤。T12可用於標識第12節胸椎骨。此處的Tm1-m2及T12均為第一目標的第一標識資訊的一種。但是在具體實現時，所述第一目標的第一標識資訊還可以是採用其他命名規則，例如，以第二目標為基準為例，可以從上之下排序，以排序序號來標識對應的椎骨或椎間盤。
在一些實施例中，所述步驟S120還可包括：直接根據所述目標特徵圖，得到對應的第一目標的第一診斷輔助資訊。例如，第一目標在不同方向上的尺寸，例如，第一目標不的長度及厚度等尺寸資訊。這種尺寸資訊 可為第一目標的屬性資訊的一種。在另一些實施例中，所述屬性資訊還可包括：描述形狀的形狀資訊。
在另一些實施例中，所述第一診斷輔助資訊還包括：各種提示資訊；例如，第一目標產生了與正常的第一目標不一樣的特徵，可以通過生成告警提示資訊，供醫生重點查看；所述提示資訊還可包括：提示資訊，基於第一目標的屬性與標準的屬性，生成提示資訊。這種提示資訊為影像處理設備自動產生的資訊，最終的診療結果可能需要醫療人員進一步確認，故這種提示資訊對於醫療人員而言是另一種提示資訊。
例如，目標特徵圖中展示的某一個第一目標的尺寸過大或者過小，都可能是產生了病變，可以通過提示資訊直接給出病變的預測結論，也可以通過提示資訊提示尺寸過大或者尺寸過小。
總之，所述第一診斷輔助資訊有多種，不局限於上述任意一種。
在一些實施例中，所述步驟S120可包括：利用所述第一檢測模組的特徵提取層，從所述分割圖像中提取出第一特徵圖；利用所述第一檢測模組的池化層，基於所述第一特徵圖生成至少一個第二特徵圖，其中，所述第一特徵圖和所述第二特徵圖的尺度不同；根據所述第二特徵圖得到所述目標特徵圖。
在本實施例中所述第一檢測模組可為神經網路模組，所述神經網路模組可包括：多個功能層；不同的功能層具有不同的功能。每一個功能層均可包括：輸入層、中間層及輸出層，輸入層用於輸入待處理的資訊，中間層進行資訊處理，輸出層輸出處理結果。輸入層、中間層級輸出層之間都可包括多個神經節點。後一個層的任意一個神經節點可以與前一個層所有神經節點均連接，這種輸出全連接神經網路模組。後一個層的神經節點僅與前一個層的部分神經節點連接，這種屬於部分連接網路。在本實施例中，所述第一檢測模組可為部分連接網路，如此可以減少該網路的訓練時長，降低網路的複雜性，提升訓練效率。所述中間層的個數可為一個或多個，相鄰兩個中間層連接。此處的描述的輸入層、中間層及輸出層的原子層，一個原子層包括多個並列設置的神經節點；而一個功能層是包括多個原子層的。
在本實施例中，所述提取層可為卷積層，該卷積層通過卷積運算提取出待處理圖像中不同區域的特徵，例如，提取出輪廓特徵和/或紋理特徵等。
通過特徵提取會生成特徵圖，即所述第一特徵圖。為了減少後續的計算量，在本實施例中會引入池化層，利用池化層的將採樣處理，生成第二特徵圖。所述第二特徵圖包括的特徵個數是少於所述第一特徵圖包含的原始個數的。例如，對所述第一特徵圖進行1/2降採樣，就可以將一個包含有N*M個圖元的第一特徵圖，將採樣成為一個包含有(N/2)*(M/2)圖元的第二特徵圖。在降採樣的過程 中，對一個鄰域進行降採樣。例如，將相鄰的4個圖元組成的2*2的鄰域進行降採樣生成第二特徵圖中一個圖元的圖元值。例如，從2*2的領域中的極大值、極小值、均值或中值作為所述第二特徵圖的圖元值輸出。
在本實施例中可以將極大值作為第二特徵圖中對應圖元的圖元值。
如此，通過降採樣雖小了特徵圖的資訊量，方便後續處理，可以提升速率；同時也提升了單一圖元的感受野。此處的感受野表示的圖像中一個圖元在原始的圖像中所影像或對應的圖元個數。
在一些實施例中，可以通過一次多次的池化操作，得到多個不同尺度的第二特徵圖。例如，對第一特徵圖進行第1次池化操作，得到第一次池化特徵圖；對第一次池化特徵圖進行第2次池化操作，得到第二次池化特徵圖；對第二次池化特徵圖進行第3次池化操作，得到第三次池化特徵圖。以此類推，再進行多次池化時，可以在前一次池化操作的基礎上進行池化，最終得到不同尺度的池化特徵圖。在本發明實施例中將池化特徵圖都稱之為第二特徵圖。
在本實施例中針對第一目標特徵圖可以進行3到5次池化，如此最終得到的第二特徵圖，具有足夠的感受野，同時對後續處理的資訊量降低也是比較明顯的。例如，基於第一特徵圖進行4次池化操作，最終會得到包含的圖元個數最少(即尺度最小)的第4池化特徵圖。
不同次池化操作的池化參數是可以不同的，例如，將採樣的採樣係數是不同，例如，有的池化操作可為1/2，有的可以是1/4之一。在本實施例中，所述池化參數是可以相同的，如此，可以簡化第一檢測模組的模組訓練。所述池化層同樣可對應於神經網路模組，如此可以簡化神經網路模組的訓練，並提升神經網路模組訓練的訓練效率。
在本實施例中，將根據第二特徵圖得到所述目標特徵圖。例如，對最後一次池化得到的池化特徵圖進行上採樣得到與輸入了待處理圖像同圖像解析度的目標特徵圖。在另一些實施例中，所述目標特徵圖的圖像解析度也可以略低於所述待處理圖像。
通過池化操作之後產生的特徵圖中的圖元值實質上體現了醫療影像中相鄰圖元之間的關聯關係。
在一些實施例中，所述對所述分割圖像進行處理，得到所述目標特徵圖，包括：利用所述第一檢測模組的上採樣層，對所述第二特徵圖進行上採樣得到第三特徵圖；利用所述第一檢測模組的融合層，融合所述第一特徵圖及所述第三特徵圖得到融合特徵圖；或者，融合所述第三特徵圖及與所述第三特徵圖不同尺度的所述第二特徵圖得到融合特徵圖；利用所述第一檢測模組的輸出層，根據所述融合特徵圖輸出所述目標特徵圖。
此處的上採樣層也可以由神經網路模組組成，可以對第二特徵圖進行上採樣；通過上採樣可以增加圖元值，所述上採樣的採樣係數可為2倍或4倍採樣。例如，通過上採樣層的上採樣可以將8*8的第二特徵圖，生成16*16的第三特徵圖。
在本實施例中還包括融合層，此處的融合層也可由神經網路模組組成，可以拼接第三特徵圖與第一特徵圖，也可以拼接第三特徵圖與生成所述第三特徵圖的第二特徵圖不同的另一個第二特徵圖。
例如，以將8*8的第二特徵圖為例，通過上採樣得到32*32的第三特徵圖，將該第三特徵圖與32*32的第二特徵圖進行融合，得到融合特徵圖。
此處，融合得到融合特徵圖的兩個特徵圖之間的圖像解析度是相同的，或者說包含的特徵個數或者圖元個數是相同的。例如，特徵圖以矩陣表示，則可認為包含特徵個數相同或包含的圖元個數相同。
融合特徵圖，融合了由於是就低尺度的第二特徵圖的第三特徵圖，故具有足夠的感受野，同時融合高尺度的第二特徵圖或第一特徵圖，也覆蓋了足夠的細節資訊，如此，融合特徵圖兼顧了感受野和資訊細節，方便後續最終生成目標特徵圖可以精準表達第一目標的屬性。
在本實施例中，融合第三特徵圖和第二特徵圖或者融合第三特徵圖及第一特徵圖的過程中，可包括：將多個特徵圖的特徵值進行長度的融合。例如，假設第三特徵圖 的圖像尺寸為：S1*S2；所述圖像尺寸可以用於描述對應的圖像包含的圖元個數或元素格式。在一些實施例中所述第三特徵圖的每一個圖元或元素還對應有：特徵長度；若特徵長度為L1。假設待融合的第二特徵圖的圖像尺寸為S1*S2，每一個圖元或元素的特徵長度為：L2。融合這樣的第三特徵圖和第二特徵圖可包括：形成圖像尺寸為：S1*S2的融合圖像；但是該融合圖像中的每一個圖元或元素的特徵長度可為：L1+L2。當然此處僅是對特徵圖之間融合的一種舉例，具體實現時，所述融合特徵圖的生成方式有多種，不限於上述任意一種。
所述輸出層可以基於概率輸出多個融合特徵圖像中最精準的融合特徵圖像，作為所述目標特徵圖像。
所述輸出層可為：基於softmax函數的softmax層；也可以是基於sigmoid函數的sigmoid層。所述輸出層可以將不同融合特徵圖像的值映射成0到1之間取值，然後這些取值之和可為1，從而滿足概率特性；通過映射後選擇概率值最大的一個融合特徵圖作為所述目標特徵圖輸出。
在一些實施例中，所述步驟S120可包括以下至少之一：結合所述待處理圖像及所述分割圖像，確定所述目標特徵圖對應的所述第一目標的第一標識資訊；基於所述目標特徵圖，確定所述第一目標的屬性資訊；基於所述目標特徵圖，確定所述第一目標的提示資訊。
此處，所述第一診斷輔助資訊可至少包括所述第一標識資訊，在另一些實施例中，所述第一診斷輔助資訊除了所述第一標識資訊以外，還可包括：屬性資訊及提示資訊中的一種或多種。所述屬性資訊可包括：尺寸資訊和/或形狀資訊等。
所述第一標識資訊、屬性資訊及提示資訊的資訊內容可以參見前述部分，此處就不再重複了。
在一些實施例中，所述方法還包括：利用樣本資訊訓練第二檢測模組和第一檢測模組；利用樣本資訊訓練得到所述第二檢測模組和第一檢測模組的網路參數；基於損失函數，計算已獲得所述網路參數的第二檢測模組和所述第一檢測模組的損失值；若所述損失值小於或等於預設值，完成所述第二檢測模組和所述第一檢測模組的訓練；或，若所述損失值大於所述預設值，根據所述損失值優化所述網路參數。
該樣本資訊可包括樣本圖像和醫生已經對第二目標和/或第一目標進行標注的資訊。通過樣本資訊的虛了年可以得到第二檢測模組和第一檢測模組的網路參數。
該網路參數可包括：影響神經節點之間輸入輸出的權值和/或閾值。所述權值與輸入的乘積和與閾值的加權關係，會影像對應神經節點的輸出。
得到網路參數之後並不能保證對應的第二檢測模組和第一檢測模組就具有了精準完成待處理圖像分割及 目標特徵圖生成的功能。故在本實施例中還會進行驗證。例如，通過驗證資訊中的驗證圖像輸入，第二檢測模組和第一檢測模組分別得到自己的輸出，與驗證圖像對應的標注資訊進行比對，利用損失函數可以計算出損失值，該損失值越小表明模組的訓練結果越好，當損失值小於預先設定的預設值時，則可認為完成了網路參數的優化及模組的訓練。若損失值大於預設值可認為需要繼續優化，即模組需要繼續訓練，直到損失值小於或等於所述預設值，或者，優化次數已經達到次數上限則停止模組的訓練。
所述損失函數可為：交叉損失函數或者DICE損失函數等，具體實現時不局限於任意一種。
在一些實施例中，所述若所述損失值大於所述預設值，根據所述損失值優化所述網路參數，包括：若所述損失值大於所述預設值，利用反向傳播方式更新所述網路參數。
所述反向傳播方式可為：從一個層的輸出層向輸入層遍歷各個網路路徑，如此，對於某一個輸出節點而言，聯通到該輸出節點的路徑在反向遍歷時僅會遍歷一次，故利用反向傳播方式更新網路參數，相比從正向傳播方式更新所述網路參數，可以減少網路路徑上的權值和/或閾值的重複處理，可以減少處理量，提升更新效率。正向傳播方式是從輸入層向輸出層方向遍歷網路路徑，來更新網路參數。
在一些實施例中，所述第二檢測模組和第一檢測模組構成了一個端到端模組，所述端到端模組為：將需要 檢測的醫療影像的圖像資訊直接輸入該端到端模組，直接輸出就是想要的輸出結果，這種輸入資訊模組處理後直接輸出結果的模組稱之為端到端模組。但是該端到端模組可以由至少兩個相互連接的子模組構成。第二檢測模組和第一檢測模組的損失值可以分別計算，如此，第二檢測模組和第一檢測模組分別會得到自己的損失值，分別優化自己的網路參數。但是這種優化方式可能會在後續使用時，第二檢測模組的損失和第一檢測模組的損失進行累加放大，導致最終的輸出結果精確度並不高。有鑑於此，所述基於損失函數，計算已獲得所述網路參數的第二檢測模組和所述第一檢測模組的損失值，包括：利用一個損失函數，計算從所述第二檢測模組輸入並從所述第一檢測模組輸出的端到端損失值。
在本實施例中直接利用一個損失函數對包含有第二檢測模組和第一檢測模組的端到端模組計算一個端到端損失值，利用該端到端損失值進行兩個模組的網路參數優化，如此，可以確保模組上線應用時可以獲得足夠精確的輸出結果，即足夠精確的所述目標特徵圖及所述第一診斷輔助資訊。
假設所述步驟S110中的醫療影像稱之為當前醫療影像，且假設所述步驟S120中的目標特徵圖稱之為當前目標特徵圖；則在一些實施例中，所述方法還包括：獲取所述當前醫療影像的第二標識資訊； 根據所述第二標識資訊獲取歷史醫療影像對應的歷史目標特徵圖；比對同一第一目標的當前目標特徵圖和所述歷史目標特徵圖，獲得第二診斷輔助資訊；和/或，根據所述第二標識資訊獲取所述歷史醫療影像對應的第一診斷輔助資訊；比對當前醫療影像的第一診斷輔助資訊和所述歷史醫療影像對應的第一診斷輔助資訊，生成第三診斷輔助資訊。
所述第二標識資訊可為就診物件的物件標識，例如，以人就診為例，所述第二標識資訊可為：就診人的就醫編號或者醫療編號。
在醫療資訊庫中可儲存有歷史的醫療診斷資訊。而歷史醫療影像通過本申請的醫療影像處理方法生成有目標特徵圖及第一診斷輔助資訊。
在本實施例中，通過當前醫療影像與歷史醫療影像所對應的目標特徵圖的比對，可以得到第二診斷輔助資訊，如此，說明醫療人員進行智慧比對。
例如，在一些實施例中，將同一第一目標的歷史目標特徵圖及當前目標特徵圖，生成動畫序列幀或者生成視頻。所述動畫序列幀或者視頻中至少包含有所述歷史特徵圖及當前目標特徵圖的，從而通過動畫序列幀或者視頻的方式，動態表徵同一個就診物件的同一個第一目標的目標特徵圖的變化，方便使用者通過這種視覺化圖像簡便查看到所述同一個第一目標的變化及變化趨勢，方便醫療人員根據這種變化或者變化趨勢給出診斷。此處的同一個第一目標的變 化，可為：同一個第一目標的尺寸變化、形狀變化和/或紋理變化中的一種或多種。
例如，以椎間盤為所述第一目標為例，則所述第二診斷輔助資訊可為描述，所述第一目標的尺寸變化或尺寸變化趨勢的文本資訊和/或圖像資訊。此處的圖像資訊可包括：單張的圖片，也可包括前述的動畫序列幀或者視頻。
此處的包含有所述歷史特徵圖及當前目標特徵圖的動畫序列幀或者視頻，即為所述第二第一診斷輔助資訊的一種。在另一些實施例中，所述第二診斷輔助資訊還可以是文本資訊。
所述第二診斷輔助資訊還可包括：醫療影像處理設備根據歷史特徵圖及當前目標特徵圖得到的設備評估資訊。例如，根據腰椎盤的形變或者厚度變化，給出是否有病變或者病變程度的設備評估資訊。該設備評估資訊可作為醫生的診斷輔助的資訊之一。
在一些實施例中，會結合不同時刻的醫療診斷資訊對應的第一診斷輔助資訊，生成第三診斷輔助資訊，這種第三診斷輔助資訊可以是基於不同時刻的醫療影像所生成的第一診斷輔助資訊的比對差異生成的。例如，所述第三診斷資訊可包括：同一個第一目標的屬性資訊的變化及變化趨勢得到的結論資訊。例如，胸椎間盤T11-T12在兩次就診過程中產生的Dixon序列尺寸是否有變化或者形狀是否有變化的結論。在一些實施例中，所述第三診斷資訊還可以 是直接給出屬性資訊的變化量或變化趨勢；當然也可以是包含與根據這種變化量和/或變化趨勢，給出的設備評估資訊。
歷史醫療影像資訊對應的目標特徵圖及第一診斷輔助資訊可儲存在醫療系統的資訊庫中，可以根據所述第二標識資訊來檢索同一個就診者不同次醫療影像資訊所得到的目標特徵圖及第一診斷輔助資訊，從而設備結合相鄰兩次或多次的醫療影像綜合資訊，此處的綜合資訊可包括前述目標特徵圖、第一診斷輔助資訊、第二診斷輔助資訊及第三診斷輔助資訊中的一個或多個。
在一些實施例中，所述方法還可包括：在步驟S130之後輸出當前醫療影像的目標特徵圖及第一診斷輔助資訊的同時，根據所述第二標識資訊在輸出頁面建立歷史醫療診斷影像所對應的目標特徵圖和/或第一診斷輔助資訊的連結，如此，也方便醫生根據當前需求通過連結簡便獲取歷史醫療影像的目標特徵圖和/或第一診斷輔助資訊。
如圖5所示，本發明實施例提供一種醫療影像處理裝置，包括：第一檢測單元110，用於利用第一檢測模組檢測醫療影像，獲得第一目標在第二目標中的第一位置資訊，其中，其所述第二目標包含有至少兩個所述第一目標；處理單元120，用於利用所述第一檢測模組根據所述第一位置資訊，分割所述第二目標獲得所述第一目標的目標特徵圖及第一診斷輔助資訊。
在一些實施例中，所述第一檢測單元110及處理單元120可為程式單元，在被處理器執行後能夠實現第二目標的第二位置資訊的獲取，待處理圖像的提取及目標特徵圖及第一診斷輔助資訊的確定。
在另一些實施例中，所述第一檢測單元110及處理單元120，可硬體或軟體和硬體的結合。例如，所述第一檢測單元110及處理單元120可對應於現場可程式設計器件或者複雜可程式設計器件。再例如，所述蝴蝶模組、處理單元120及所述處理單元120可對應於專用積體電路(ASIC)。
在一些實施例中，所述處理單元120，具體利用所述第一檢測模組根據所述第一位置資訊，對所述第二目標進行圖元級分割得到所述目標特徵圖及所述第一診斷輔助資訊。
在一些實施例中，所述裝置還包括：第二檢測單元，用於利用第二檢測模組檢測醫療影像，獲得所述第二目標在所述醫療影像中的第二位置資訊；根據所述第二位置資訊，從所述醫療影像中分割出包含有所述第二目標的待處理圖像；所述第一檢測單元110，具體用於檢測所述醫療影像，獲得所述第二目標所在的圖像檢測區；檢測所述圖像檢測區，獲得所述第二目標的外輪廓資訊；根據所述外輪廓資訊生成掩模區。
在一些實施例中，所述處理單元120，用於根據所述掩模區，從所述醫療影像中分割出所述待處理圖像。
在一些實施例中，所述第一檢測單元110，具體利用第一檢測模組檢測待處理圖像或醫療影像，獲得所述第一目標的圖像檢測區；檢測所述圖像檢測區，獲得所述第一目標的外輪廓資訊；根據所述外輪廓資訊生成掩模區，其中，所述掩模區用於分割所述第二目標以獲得所述第一目標。
在一些實施例中，所述處理單元120，具體用於對所述分割圖像進行處理，得到所述目標特徵圖，其中，一個所述目標特徵圖對應一個所述第一目標；基於所述待處理圖像、所述目標特徵圖及所述分割圖像的至少其中之一，得到所述第一目標的第一診斷輔助資訊。
在一些實施例中，所述處理單元120，具體用於利用所述第一檢測模組的特徵提取層，從所述分割圖像中提取出第一特徵圖；利用所述第一檢測模組的池化層，基於所述第一特徵圖生成至少一個第二特徵圖，其中，所述第一特徵圖和所述第二特徵圖的尺度不同；根據所述第二特徵圖得到所述目標特徵圖。
在一些實施例中，所述處理單元120，用於利用所述第一檢測模組的上採樣層，對所述第二特徵圖進行上採樣得到第三特徵圖；利用所述第一檢測模組的融合層，融合所述第一特徵圖及所述第三特徵圖得到融合特徵圖；或者，融合所述第三特 徵圖及與所述第三特徵圖不同尺度的所述第二特徵圖得到融合特徵圖；利用所述第一檢測模組的輸出層，根據所述融合特徵圖輸出所述目標特徵圖。
此外，所述處理單元120，具體用於執行以下至少之一：結合所述待處理圖像及所述分割圖像，確定所述目標特徵圖對應的所述第一目標的第一標識資訊；基於所述目標特徵圖，確定所述第一目標的屬性資訊；基於所述目標特徵圖，確定基於所述第一目標的屬性資訊產生的提示資訊。
在一些實施例中，所述裝置還包括：訓練單元，用於利用樣本資訊訓練得到所述第二檢測模組和第一檢測模組；計算單元，用於基於損失函數，計算已獲得網路參數的第二檢測模組和所述第一檢測模組的損失值；優化單元，用於若所述損失值大於預設值，根據所述損失值優化所述網路參數；或者，所述訓練單元，還用於若所述損失值小於或等於所述預設值，完成所述第二檢測模組和所述第一檢測模組的訓練。
在一些實施例中，所述優化單元，用於若所述損失值大於所述預設值，利用反向傳播方式更新所述網路參數。
在一些實施例中，所述計算單元，用於利用一個損失函數，計算從所述第二檢測模組輸入並從所述第一檢測模組輸出的端到端損失值。
在一些實施例中，所述第二目標為脊柱；所述第一目標為：椎間盤。
以下結合上述任意實施例提供幾個具體示例：
示例1：
首先使用深度學習模組檢測並定位椎間盤，得到每個椎間盤的位置資訊，例如，得到每塊椎間盤的中心座標，並標出它是哪一塊椎間盤(也就是標明該椎間盤位於哪兩塊椎骨之間，例如胸椎T12與腰椎L1之間)。此處的深度學習模組可包括前述的神經網路模組。
結合上一步的檢測的椎間盤的位置資訊，使用深度學習模組對椎間盤進行圖元級的分割，從而得到椎間盤完整的邊界、形狀、體積等資訊，用以輔助醫生診斷。
本示例的深度學習框架是一種全自動的端到端的解決方案，輸入醫學影像即可輸出完整的椎間盤檢測與分割結果。
具體的本示例提供的方法可包括：首先，對椎間盤的Dixon序列中的二維圖像進行預處理，對圖像進行重採樣，如此，相當於複製所述Dixon序列的圖像；而原始的Dixon序列可以用於存檔使用或備份使用。
使用具有檢測功能的神經網路模組檢測椎間盤的位置，得到指定椎間盤的檢測框和位於所述檢測框內的掩模區，所述掩模區域用於下一步對椎間盤的分割，從而得單一的椎間盤。
使用全卷積神經網路模組(如U-Net)，通過降採樣使得卷積核可以擁有更大的感知野。
在通過上採樣將卷積處理的特徵圖，恢復到原圖大小，通過softmax層得到分割結果。該分割結果可包括：目標特徵圖及所述第一診斷輔助資訊。
神經網路模組中可以添加不同尺度的目標特徵圖融合的融合層，以提高分割精度。同步不同尺度圖的融合，以使得同時包含有感知野較大的圖和包含圖像原始細節較大的圖融合到一起，如此，得到圖既具有較大的感知野，同時也包括足夠多的原始細節。
損失函數使用交叉熵損失函數，利用算是函數將網路預測的分割結果與醫生的標注進行比較，通過反向傳播方式更新模組的參數。
分割使用了椎間盤檢測得到的掩模區用以輔助訓練，排除掉大多數無用的背景，使得網路能夠專注於椎間盤附近的區域，能有效提高分割精度。
椎間盤的檢測和掩模區的獲得，以及椎間盤的圖元級分割。
如圖4所示，從左到右分別為：原始的醫療圖像、脊椎分割結果、檢測網路得到的指定椎間盤(T11-S1之間的7塊)的掩模區及椎間盤的分割結果。
椎間盤的檢測和分割可分包括：根據輸入的Dixon序列，利用分割演算法，得到脊椎部分的分割結果，排除其他部分的干擾；具體可包括：將Dixon序列輸入到檢測網路中，利用脊椎分割結果的限制，檢測出椎間盤的具體位置，並生成一個粗略的掩模區用於分割；基於全卷積網路的二維圖像分割。對Dixon序列中每一幀的圖像分別進行分割，之後整合到一起得到一個完整的分割結果。
網路結構採用基於FCN或U-Net及它們的改進模組的結構。將原始的圖像通過不同層的卷積，4次池化操作，將128*128的圖像降採樣為64*64,32*32，16*16，8*8大小的特徵圖。這樣可以使得同樣大小的卷積核能夠有越來越大的感受野。在得到椎間盤的特徵圖之後，通過反卷積或者插值的方法恢復到原始解析度。由於降採樣之後的解析度逐漸降低，會有許多細節資訊的丟失，於是可以使用不同尺度的特徵圖進行融合，如在同解析度的降採樣和上採樣層之間加入短接連接，以在上採樣的過程中逐漸恢復細節資訊。
通過softmax層之後，得到分割結果，與醫生的標注進行對比，計算交叉熵損失或者DICE等其他損失函數。
在計算損失值時，只計算檢測網路的到的椎間盤掩模區的損失，這樣可以忽略大量無關的背景，使得網路能夠專注於椎間盤附近的區域，提高分割準確率。通過反向傳播更新模組參數，反覆運算優化模組，直至模組收斂或者達到最大的反覆運算次數。
使用了脊椎分割作為限制，結合了檢測演算法，該演算法具有更強的穩定性。在檢測之後才進行精確分割，排除了干擾，分割結果更加準確。
使用了脊椎分割作為限制，結合了檢測演算法。該演算法具有更強的穩定性。
在檢測椎間盤之後才進行精確分割，排除了干擾，分割結果更加準確。
分割結果更為準確，從而以此計算得到的體積等參數也更為準確。更好地輔助醫生做出診斷。
如圖6所示，本發明實施例提供了一種影像處理設備，包括：記憶體，用於儲存資訊；處理器，與所述記憶體連接，用於通過執行儲存在所述記憶體上的電腦可執行指令，能夠實現前述一個或多個技術方案提供的影像處理方法，例如，如圖1、圖2和/或圖3所示的方法。
該記憶體可為各種類型的記憶體，可為隨機記憶體、唯讀記憶體、快閃記憶體等。所述記憶體可用於資訊儲存，例如，儲存電腦可執行指令等。所述電腦可執行指令 可為各種程式指令，例如，目的程式指令和/或來源程式指令等。
所述處理器可為各種類型的處理器，例如，中央處理器、微處理器、數位訊號處理器、可程式設計陣列、數位訊號處理器、專用積體電路或影像處理器等。
所述處理器可以通過匯流排與所述記憶體連接。所述匯流排可為積體電路匯流排等。
在一些實施例中，所述終端設備還可包括：通信介面，該通信介面可包括：網路介面、例如，局域網介面、收發天線等。所述通信介面同樣與所述處理器連接，能夠用於資訊收發。
在一些實施例中，所述終端設備還包括人機交互介面，例如，所述人機交互介面可包括各種輸入輸出設備，例如，鍵盤、觸控式螢幕等。
本發明實施例提供了一種電腦儲存介質，所述電腦儲存介質儲存有電腦可執行代碼；所述電腦可執行代碼被執行後，能夠實現前述一個或多個技術方案提供的影像處理方法，例如，可執行圖1、圖2及圖3所示方法中的一個或多個。
所述儲存介質包括：移動存放裝置、唯讀記憶體(ROM，Read-Only Memory)、隨機存取記憶體(RAM，Random Access Memory)、磁碟或者光碟等各種可以儲存程式碼的介質。所述儲存介質可為非瞬間儲存介質。
本發明實施例提供一種電腦程式產品，所述程式產品包括電腦可執行指令；所述電腦可執行指令被執行後，能夠實現前述一個或多個技術方案提供的影像處理方法，例如，可執行圖1、圖2及圖3所示方法中的一個或多個。
本實施例中所述電腦程式產品包含的電腦可執行指令，可包括：應用程式、軟體開發套件、外掛程式或者補丁等。
在本申請所提供的幾個實施例中，應該理解到，所揭露的設備和方法，可以通過其它的方式實現。以上所描述的設備實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，如：多個單元或元件可以結合，或可以集成到另一個系統，或一些特徵可以忽略，或不執行。另外，所顯示或討論的各組成部分相互之間的耦合、或直接耦合、或通信連接可以是通過一些介面，設備或單元的間接耦合或通信連接，可以是電性的、機械的或其它形式的。
上述作為分離部件說明的單元可以是、或也可以不是物理上分開的，作為單元顯示的部件可以是、或也可以不是物理單元，即可以位於一個地方，也可以分佈到多個網路單元上；可以根據實際的需要選擇其中的部分或全部單元來實現本實施例方案的目的。
另外，在本發明各實施例中的各功能單元可以全部集成在一個處理單元中，也可以是各單元分別單獨作為一個單元，也可以兩個或兩個以上單元集成在一個單元中； 上述集成的單元既可以採用硬體的形式實現，也可以採用硬體加軟體功能單元的形式實現。
本領域普通技術人員可以理解：實現上述方法實施例的全部或部分步驟可以通過程式指令相關的硬體來完成，前述的程式可以儲存於一電腦可讀取儲存介質中，該程式在執行時，執行包括上述方法實施例的步驟；而前述的儲存介質包括：移動存放裝置、唯讀記憶體(ROM，Read-Only Memory)、隨機存取記憶體(RAM，Random Access Memory)、磁碟或者光碟等各種可以儲存程式碼的介質。
以上所述，僅為本發明的具體實施方式，但本發明的保護範圍並不局限於此，任何熟悉本技術領域的技術人員在本發明揭露的技術範圍內，可輕易想到變化或替換，都應涵蓋在本發明的保護範圍之內。因此，本發明的保護範圍應以所述權利要求的保護範圍為準。
S110‧‧‧利用第一檢測模組檢測醫療影像，獲得第一目標在第二目標中的第一位置資訊，其中，其所述第二目標包含有至少兩個所述第一目標
S120‧‧‧利用所述第一檢測模組根據所述第一位置資訊，分割所述第二目標獲得所述第一目標的目標特徵圖及第一診斷輔助資訊

Claims (16)

  1. 一種醫療影像處理方法，包括：利用第一檢測模組檢測醫療影像，獲得第一目標在第二目標中的第一位置資訊，其中，其所述第二目標包含有至少兩個所述第一目標；利用所述第一檢測模組根據所述第一位置資訊，分割所述第二目標獲得所述第一目標的目標特徵圖及第一診斷輔助資訊。
  2. 根據請求項1所述的方法，其中，所述利用所述第一檢測模組根據所述第一位置資訊，分割所述第二目標獲得所述第一目標的目標特徵圖及第一診斷輔助資訊，包括：利用所述第一檢測模組根據所述第一位置資訊，對所述第二目標進行圖元級分割得到所述目標特徵圖及所述第一診斷輔助資訊。
  3. 根據請求項1或2所述的方法，其中，所述方法還包括：利用第二檢測模組檢測醫療影像，獲得所述第二目標在所述醫療影像中的第二位置資訊；根據所述第二位置資訊，從所述醫療影像中分割出包含有所述第二目標的待處理圖像； 所述利用第一檢測模組檢測醫療影像獲得第一目標在第二目標中的第一位置資訊，包括：利用所述第一檢測模組檢測所述待處理圖像，獲得所述第一位置資訊。
  4. 根據請求項1或2所述的方法，其中，所述利用第一檢測模組檢測醫療影像，獲得第一目標在第二目標中的第一位置資訊，包括：利用第一檢測模組檢測待處理圖像或醫療影像，獲得所述第一目標的圖像檢測區；檢測所述圖像檢測區，獲得所述第一目標的外輪廓資訊；根據所述外輪廓資訊生成掩模區，其中，所述掩模區用於分割所述第二目標以獲得所述第一目標的分割圖像。
  5. 根據請求項4所述的方法，其中，所述利用第一檢測模組對所述待處理圖像進行處理，提取出包含有所述第一目標的目標特徵圖及所述第一目標的第一診斷輔助資訊，包括：對所述分割圖像進行處理，得到所述目標特徵圖，其中，一個所述目標特徵圖對應一個所述第一目標；基於所述待處理圖像、所述目標特徵圖及所述分割圖像的至少其中之一，得到所述第一目標的第一診斷輔助資訊。
  6. 根據請求項5所述的方法，其中，所述對所述分割圖像進行處理，得到所述目標特徵圖，包括：利用所述第一檢測模組的特徵提取層，從所述分割圖像中提取出第一特徵圖；利用所述第一檢測模組的池化層，基於所述第一特徵圖生成至少一個第二特徵圖，其中，所述第一特徵圖和所述第二特徵圖的尺度不同；根據所述第二特徵圖得到所述目標特徵圖。
  7. 根據請求項6所述的方法，其中，所述對所述分割圖像進行處理，得到所述目標特徵圖，包括：利用所述第一檢測模組的上採樣層，對所述第二特徵圖進行上採樣得到第三特徵圖；利用所述第一檢測模組的融合層，融合所述第一特徵圖及所述第三特徵圖得到融合特徵圖；或者，融合所述第三特徵圖及與所述第三特徵圖不同尺度的所述第二特徵圖得到融合特徵圖；利用所述第一檢測模組的輸出層，根據所述融合特徵圖輸出所述目標特徵圖。
  8. 根據請求項6所述的方法，其中， 所述基於所述待處理圖像、所述目標特徵圖及所述分割圖像的至少其中之一，得到所述第一目標的第一診斷輔助資訊，包括以下至少之一：結合所述待處理圖像及所述分割圖像，確定所述目標特徵圖對應的所述第一目標的第一標識資訊；基於所述目標特徵圖，確定所述第一目標的屬性資訊；基於所述目標特徵圖，確定基於所述第一目標的屬性資訊產生的提示資訊。
  9. 根據請求項3所述的方法，其中，所述方法還包括：利用樣本資訊訓練得到第二檢測模組和第一檢測模組；基於損失函數，計算已獲得網路參數的第二檢測模組和所述第一檢測模組的損失值；若所述損失值小於或等於預設值，完成所述第二檢測模組和所述第一檢測模組的訓練；或，若所述損失值大於所述預設值，根據所述損失值優化所述網路參數。
  10. 根據請求項9所述的方法，其中，所述若所述損失值大於所述預設值，根據所述損失值優化所述網路參數，包括：若所述損失值大於所述預設值，利用反向傳播方式更新所述網路參數。
  11. 根據請求項9所述的方法，其中，所述基於損失函數，計算已獲得所述網路參數的第二檢測模組和所述第一檢測模組的損失值，包括：利用一個損失函數，計算從所述第二檢測模組輸入並從所述第一檢測模組輸出的端到端損失值。
  12. 根據請求項1或2所述的方法，其中，所述第一檢測模組包括：第一檢測模組；和/或，第二檢測模組包括：第二檢測模組。
  13. 根據請求項1或2所述的方法，其中，所述第二目標為脊柱；所述第一目標為：椎間盤。
  14. 一種電腦儲存介質，所述電腦儲存介質儲存有電腦可執行代碼；所述電腦可執行代碼被執行後，能夠實現請求項1至13任一項提供的方法。
  15. 一種電腦程式產品，所述程式產品包括電腦可執行指令；所述電腦可執行指令被執行後，能夠實現請求項1至13任一項提供的方法。
  16. 一種影像處理設備，包括：記憶體，用於儲存資訊；處理器，與所述記憶體連接，用於通過執行儲存在所述記憶體上的電腦可執行指令，能夠實現請求項1至13任一項提供的方法。
TW108126233A 2018-07-24 2019-07-24 醫療影像處理方法及裝置、電子設備及儲存介質 TWI715117B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810818690.XA CN108986891A (zh) 2018-07-24 2018-07-24 医疗影像处理方法及装置、电子设备及存储介质
CN201810818690.X 2018-07-24

Publications (2)

Publication Number Publication Date
TW202008163A true TW202008163A (zh) 2020-02-16
TWI715117B TWI715117B (zh) 2021-01-01

Family

ID=64549848

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108126233A TWI715117B (zh) 2018-07-24 2019-07-24 醫療影像處理方法及裝置、電子設備及儲存介質

Country Status (7)

Country Link
US (1) US20210073982A1 (zh)
JP (1) JP7154322B2 (zh)
KR (1) KR20210002606A (zh)
CN (1) CN108986891A (zh)
SG (1) SG11202011655YA (zh)
TW (1) TWI715117B (zh)
WO (1) WO2020019612A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI755214B (zh) * 2020-12-22 2022-02-11 鴻海精密工業股份有限公司 區分物件的方法、電腦裝置及儲存介質
TWI771761B (zh) * 2020-09-25 2022-07-21 宏正自動科技股份有限公司 醫療影像處理方法及其醫療影像處理裝置
US11475633B2 (en) 2020-12-03 2022-10-18 Industrial Technology Research Institute Method and system for 3D image dynamic correction evaluation and orthotics auxiliary design
US11651588B1 (en) 2020-06-05 2023-05-16 Aetherai Ip Holding Llc Object detection method and convolution neural network for the same
US12094125B2 (en) 2020-12-22 2024-09-17 Hon Hai Precision Industry Co., Ltd. Method of distinguishing objects in images, computing device, and storage medium

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111435432B (zh) * 2019-01-15 2023-05-26 北京市商汤科技开发有限公司 网络优化方法及装置、图像处理方法及装置、存储介质
CN109949309B (zh) * 2019-03-18 2022-02-11 安徽紫薇帝星数字科技有限公司 一种基于深度学习的肝脏ct图像分割方法
CN109978886B (zh) * 2019-04-01 2021-11-09 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN110148454B (zh) * 2019-05-21 2023-06-06 上海联影医疗科技股份有限公司 一种摆位方法、装置、服务器及存储介质
CN110555833B (zh) * 2019-08-30 2023-03-21 联想(北京)有限公司 图像处理方法、装置、电子设备以及介质
CN110992376A (zh) * 2019-11-28 2020-04-10 北京推想科技有限公司 基于ct图像的肋骨分割方法、装置、介质及电子设备
CN111369582B (zh) * 2020-03-06 2023-04-07 腾讯科技（深圳）有限公司 图像分割方法、背景替换方法、装置、设备及存储介质
CN113554742B (zh) * 2020-04-26 2024-02-02 上海联影医疗科技股份有限公司 一种三维图像的重建方法、装置、设备及存储介质
CN111768382B (zh) * 2020-06-30 2023-08-15 重庆大学 一种基于肺结节生长形态的交互式分割方法
CN114820419A (zh) * 2021-01-29 2022-07-29 上海联影医疗科技股份有限公司 扫描参数的确定方法、装置、计算机设备和存储介质
CN113052159B (zh) * 2021-04-14 2024-06-07 中国移动通信集团陕西有限公司 一种图像识别方法、装置、设备及计算机存储介质
CN113112484B (zh) * 2021-04-19 2021-12-31 山东省人工智能研究院 一种基于特征压缩和噪声抑制的心室图像分割方法
CN113255756B (zh) * 2021-05-20 2024-05-24 联仁健康医疗大数据科技股份有限公司 图像融合方法、装置、电子设备及存储介质
CN113269747B (zh) * 2021-05-24 2023-06-13 浙江大学医学院附属第一医院 一种基于深度学习的病理图片肝癌扩散检测方法及系统
CN115482186A (zh) * 2021-06-15 2022-12-16 富泰华工业（深圳）有限公司 瑕疵检测方法、电子设备及存储介质
CN113554619A (zh) * 2021-07-22 2021-10-26 深圳市永吉星光电有限公司 3d医用微型摄像头的图像目标检测方法、系统及装置
TWI795108B (zh) 2021-12-02 2023-03-01 財團法人工業技術研究院 用於判別醫療影像的電子裝置及方法
JP2023091486A (ja) * 2021-12-20 2023-06-30 キヤノン株式会社 情報処理装置、情報処理方法
CN114092482B (zh) * 2021-12-29 2024-11-29 深圳市铱硙医疗科技有限公司 脑部影像分割系统及方法
CN116012324A (zh) * 2022-12-27 2023-04-25 浙江华诺康科技有限公司 一种医学影像质量控制方法、装置和电子装置
KR102632864B1 (ko) * 2023-04-07 2024-02-07 주식회사 카비랩 의미론적 분할을 이용한 3차원 골절 골편 분할 시스템 및 그 방법
CN121002513A (zh) * 2023-04-25 2025-11-21 维萨国际服务协会 用于在机器学习模型中对媒体进行分类、确定提示并发现偏差的文本和媒体编码器
CN116797607A (zh) * 2023-07-20 2023-09-22 北京联影智能影像技术研究院 图像分割方法和装置
CN117668299A (zh) * 2023-11-17 2024-03-08 上海金桥亦法信息技术有限公司 一种基于数据深度学习的数据完善方法以及系统

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011021181A1 (en) * 2009-08-16 2011-02-24 Ori Hay Assessment of spinal anatomy
TWI473598B (zh) * 2012-05-18 2015-02-21 Univ Nat Taiwan Breast ultrasound image scanning and diagnostic assistance system
US9430829B2 (en) * 2014-01-30 2016-08-30 Case Western Reserve University Automatic detection of mitosis using handcrafted and convolutional neural network features
WO2017091833A1 (en) * 2015-11-29 2017-06-01 Arterys Inc. Automated cardiac volume segmentation
CN105678746B (zh) * 2015-12-30 2018-04-03 上海联影医疗科技有限公司 一种医学图像中肝脏范围的定位方法及装置
KR102199152B1 (ko) * 2016-02-15 2021-01-06 각고호우징 게이오기주크 척주배열 추정장치, 척주배열 추정방법 및 척주배열 추정프로그램
US9965863B2 (en) * 2016-08-26 2018-05-08 Elekta, Inc. System and methods for image segmentation using convolutional neural network
CN108229455B (zh) * 2017-02-23 2020-10-16 北京市商汤科技开发有限公司 物体检测方法、神经网络的训练方法、装置和电子设备
US10366491B2 (en) * 2017-03-08 2019-07-30 Siemens Healthcare Gmbh Deep image-to-image recurrent network with shape basis for automatic vertebra labeling in large-scale 3D CT volumes
CN107220980B (zh) * 2017-05-25 2019-12-03 重庆师范大学 一种基于全卷积网络的mri图像脑肿瘤自动分割方法
EP3662444B1 (en) * 2017-07-31 2022-06-29 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for automatic vertebrae segmentation and identification in medical images
WO2019041262A1 (en) * 2017-08-31 2019-03-07 Shenzhen United Imaging Healthcare Co., Ltd. SYSTEM AND METHOD FOR IMAGE SEGMENTATION
US11158047B2 (en) * 2017-09-15 2021-10-26 Multus Medical, Llc System and method for segmentation and visualization of medical image data
CN107784647B (zh) * 2017-09-29 2021-03-09 华侨大学 基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统
WO2019079778A1 (en) * 2017-10-20 2019-04-25 Nuvasive, Inc. INTERVERTEBRAL DISC MODELING
CN107945179A (zh) * 2017-12-21 2018-04-20 王华锋 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法
CN108230323B (zh) * 2018-01-30 2021-03-23 浙江大学 一种基于卷积神经网络的肺结节假阳性筛选方法
US10878576B2 (en) * 2018-02-14 2020-12-29 Elekta, Inc. Atlas-based segmentation using deep-learning
US10902587B2 (en) * 2018-05-31 2021-01-26 GE Precision Healthcare LLC Methods and systems for labeling whole spine image using deep neural network
CN111063424B (zh) * 2019-12-25 2023-09-19 上海联影医疗科技股份有限公司 一种椎间盘数据处理方法、装置、电子设备及存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11651588B1 (en) 2020-06-05 2023-05-16 Aetherai Ip Holding Llc Object detection method and convolution neural network for the same
TWI809410B (zh) * 2020-06-05 2023-07-21 雲象科技股份有限公司 物體偵測方法及其卷積神經網路
TWI771761B (zh) * 2020-09-25 2022-07-21 宏正自動科技股份有限公司 醫療影像處理方法及其醫療影像處理裝置
US11475633B2 (en) 2020-12-03 2022-10-18 Industrial Technology Research Institute Method and system for 3D image dynamic correction evaluation and orthotics auxiliary design
TWI755214B (zh) * 2020-12-22 2022-02-11 鴻海精密工業股份有限公司 區分物件的方法、電腦裝置及儲存介質
US12094125B2 (en) 2020-12-22 2024-09-17 Hon Hai Precision Industry Co., Ltd. Method of distinguishing objects in images, computing device, and storage medium

Also Published As

Publication number Publication date
KR20210002606A (ko) 2021-01-08
JP7154322B2 (ja) 2022-10-17
CN108986891A (zh) 2018-12-11
US20210073982A1 (en) 2021-03-11
JP2021529400A (ja) 2021-10-28
WO2020019612A1 (zh) 2020-01-30
SG11202011655YA (en) 2020-12-30
TWI715117B (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
TWI715117B (zh) 醫療影像處理方法及裝置、電子設備及儲存介質
EP3961500A1 (en) Medical image detection method based on deep learning, and related device
CN116258933B (zh) 基于全局信息感知的医学图像分割装置
US20220198230A1 (en) Auxiliary detection method and image recognition method for rib fractures based on deep learning
US7783096B2 (en) Device systems and methods for imaging
CN112489005B (zh) 骨分割方法及装置、骨折检出方法及装置
EP3726466A1 (en) Autonomous level identification of anatomical bony structures on 3d medical imagery
US20070133736A1 (en) Devices, systems, and methods for imaging
GB2605391A (en) Medical Image Analysis Using Neural Networks
CN107274402A (zh) 一种基于胸部ct影像的肺结节自动检测方法及系统
CN113939844A (zh) 基于多分辨率特征融合的用于在显微镜图像上检测组织病变的计算机辅助诊断系统
JP7456928B2 (ja) 胸部ｘ線画像の異常表示制御方法、異常表示制御プログラム、異常表示制御装置、及びサーバ装置
CN117408908A (zh) 一种基于深度神经网络的术前与术中ct图像自动融合方法
WO2020110774A1 (ja) 画像処理装置、画像処理方法、及びプログラム
CN114565623A (zh) 肺血管分割方法、装置、存储介质及电子设备
CN112686865A (zh) 一种3d视图辅助检测方法、系统、装置及存储介质
CN116897532A (zh) 深度图像的修复方法及装置、摄像头组件及电子设备
CN110009641A (zh) 晶状体分割方法、装置及存储介质
CN120579353A (zh) 基于深度学习与生物力学约束的脊柱侧弯矫形器配准方法
CN119495399B (zh) 一种基于图像识别的整形方案生成方法及系统
WO2025214308A1 (zh) 消化腔内壁三维模型的重建方法、装置、设备和介质
CN112862786B (zh) Cta影像数据处理方法、装置及存储介质
CN112862787B (zh) Cta影像数据处理方法、装置及存储介质
CN116739951A (zh) 一种图像生成器、图像风格转换装置及方法
WO2022233725A1 (en) Stitching multiple images to create a panoramic image