CN108597589B - 模型生成方法、目标检测方法及医学成像系统 - Google Patents
模型生成方法、目标检测方法及医学成像系统 Download PDFInfo
- Publication number
- CN108597589B CN108597589B CN201810395323.3A CN201810395323A CN108597589B CN 108597589 B CN108597589 B CN 108597589B CN 201810395323 A CN201810395323 A CN 201810395323A CN 108597589 B CN108597589 B CN 108597589B
- Authority
- CN
- China
- Prior art keywords
- distance field
- sample
- medical image
- target
- frame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000002059 diagnostic imaging Methods 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 32
- 238000013507 mapping Methods 0.000 claims abstract description 29
- 230000009466 transformation Effects 0.000 claims description 17
- 208000010392 Bone Fractures Diseases 0.000 claims description 6
- 206010028980 Neoplasm Diseases 0.000 claims description 4
- 206010056342 Pulmonary mass Diseases 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 19
- 238000013528 artificial neural network Methods 0.000 description 15
- 238000013527 convolutional neural network Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 210000000988 bone and bone Anatomy 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000002603 single-photon emission computed tomography Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G16H30/20—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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种模型生成方法、目标检测方法及医学成像系统，涉及医学图像处理技术领域，通过距离场确定目标边框，降低了目标检测的复杂度，提高了求解的稳定性。该方法包括模型生成过程和目标检测过程：模型生成过程包括：获取样本医学图像以及样本医学图像对应的样本目标边框；根据样本目标边框，生成距离场；通过人工智能网络对样本医学图像与距离场进行学习，得到它们的映射关系；根据映射关系生成人工智能网络模型。目标检测过程包括：获取受检者目标区域的医学图像；通过人工智能网络模型对医学图像进行处理，得到距离场；根据距离场，在医学图像中确定目标边框。本发明实施例提供的技术方案适用于确定医学图像中目标区域的过程中。
Description
【技术领域】
本发明涉及医学图像处理技术领域，尤其涉及一种模型生成方法、目标检测方法及医学成像系统。
【背景技术】
目标检测是计算机视觉和图像处理的一种特定任务，其目的是在医学图像中确定目标，并在目标上标记一个边框(Bounding Box，又称目标边框)。在医学图像处理技术领域中，目标检测有许多重要应用，比如自动定位器官或者检测特定病灶。
目前，有很多基于卷积神经网络的目标检测方法，目前的方法(比如RCNN(Regionswith CNN features，卷积神经网络特征区域)、Yolo(You Only Look Once，框选识别统一)等都是基于一种叫做边框回归的技术(bounding-box regression)，即将目标边框定义为四个参数(x，y，w，h)，其中(x,y)是目标边框的中心点坐标，w和h是目标边框的宽和高，并以中心点平移和宽高缩放作为数学建模的方法。可以预见的是，若将此模型扩展至三维空间，则会有六个参数，每个参数都需要单独的回归方程。边框回归的技术的另一个缺陷在于，只有获选框接近目标框时，宽高缩放变换才能被认为是线性变换。由于目标区域的大小和长宽比都有可能不同，每次进行边框回归时，都需要充分采样，大多数方法建议从九个大小不同长宽比各异的边框模型开始对目标边框进行回归；并且边框模型的每个参数是独立的一维，在卷积神经网络中，需要一个单独通道去回归每个参数所在维度的值；更复杂的是，在建立模型时，要在多个参数之间建立平衡，否则训练时各参数学习会不平衡，容易生成错误的模型。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
现有技术中的目标检测方法，确定目标边框时需要多个参数(九个边框模型，以及每个目标边框四或六个参数)，增加了问题的复杂度，降低了求解的稳定性。
【发明内容】
有鉴于此，本发明实施例提供了一种模型生成方法、目标检测方法及医学成像系统，在目标检测过程中，通过距离场确定目标边框，降低了目标检测的复杂度，提高了求解的稳定性。
第一方面，本发明实施例提供一种模型生成方法，所述方法包括：
获取样本医学图像以及所述样本医学图像对应的样本目标边框；
根据所述样本目标边框，生成距离场；
通过人工智能网络对所述样本医学图像与所述距离场进行学习，得到所述样本医学图像与所述距离场的映射关系；
根据所述映射关系生成人工智能网络模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，
所述距离场包括边框内距离场；或者，
所述距离场包括边框内距离场和边框外距离场；或者，
所述距离场包括边框内距离场和边框外距离场的加权组合。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述样本目标边框，生成距离场，包括：
分别对所述样本目标边框内外进行二值化处理，并获取二值化结果；
对所述二值化结果进行距离变换，得到距离场。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，当所述样本目标边框为三维边框时，
所述根据所述样本目标边框，生成距离场，包括：分别对所述样本目标边框内、外进行二值化处理，获取二值化结果；并对所述二值化结果进行三维距离变换，得到三维距离场；
所述通过人工智能网络对所述样本医学图像与所述距离场进行学习，得到所述样本医学图像与所述距离场的映射关系，包括：通过人工智能网络对所述样本医学图像与所述三维距离场的每一层进行学习，得到所述样本医学图像与所述三维距离场的映射关系。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述人工智能网络至少包括卷积神经网络、反向传播神经网络、径向基神经网络、感知器神经网络、线性神经网络、自组织神经网络、反馈神经网络、聚类网络、深度学习网络、前馈神经网络中的一种。
第二方面，本发明实施例提供一种医学成像系统，所述医学成像系统包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述医学成像系统实现如上任一方面或任一可能的实现方式所述的方法。
第三方面，本发明实施例提供一种目标检测方法，所述方法包括：
获取受检者目标区域的医学图像；
通过人工智能网络模型对所述医学图像进行处理，得到目标边框对应的距离场，所述人工智能网络模型包括医学图像与所述目标边框对应的距离场的映射关系；
根据所述距离场，在所述医学图像中确定所述目标边框。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述距离场包括边框内距离场；或者，所述距离场包括边框内距离场和边框外距离场。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述距离场，在所述医学图像中确定所述目标边框，包括：
对所述距离场进行距离逆变换，得到所述目标边框。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述目标边框内包括骨骼非连续区域、肺结节区域、肿瘤区域中的至少一种。
第四方面，本发明实施例提供一种医学成像系统，其特征在于，所述医学成像系统包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述医学成像系统实现如上任一方面或任一可能的实现方式所述的方法。
本发明实施例提供了一种模型生成方法、目标检测方法及医学成像系统，在目标检测过程中，通过人工智能网络模型对医学图像进行处理，得到目标边框相应的距离场，进而通过距离场确定目标边框，相比于现有技术中的多个参数确定目标边框，本发明实施提供的方法，仅需要距离场一个参数确定目标边框，把需要计算的参数数量降到了一个，从而降低了目标检测的复杂度，提高了求解的稳定性。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种模型生成的方法流程图；
图2是本发明实施例提供的一种医学图像、目标边框和距离场的示意图；
图3是本发明实施例提供的一种边框内距离场和边框外距离场的示意图；
图4是本发明实施例提供的另一种模型生成的方法流程图；
图5是本发明实施例提供的另一种模型生成的方法流程图；
图6是本发明实施例提供的一种目标检测的方法流程图；
图7是本发明实施例提供的另一种目标检测的方法流程图；
图8是本发明实施例提供的一种模型生成装置的组成框图；
图9是本发明实施例提供的一种目标检测装置的组成框图；
图10是本发明实施例提供的一种医学成像系统的实体组成图；
图11是本发明实施例提供的另一种医学成像系统的实体组成图；
图12是本发明实施例提供的一种具体的医学成像系统的示意图。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，尽管在本发明实施例中可能采用术语第一、第二来描述处理模块，但这些处理模块不应限于这些术语。这些术语仅用来将处理模块彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一处理模块也可以被称为第二处理模块，类似地，第二处理模块也可以被称为第一处理模块。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本发明实施例提供了一种模型生成方法，适用于目标检测中的网络模型生成过程，如图1所示，所述方法包括：
101、获取样本医学图像以及所述样本医学图像对应的样本目标边框。
其中，样本医学图像指的是作为人工智能网络的样本，该样本包含目标区域的医学图像，是前期已知的医学图像。样本医学图像可以是二维医学图像，也可以是三维医学图像。样本医学图像可以是MR(Magnetic Resonance，核磁共振成像)、PET(PositronEmission Computed Tomography，正电子发射计算机断层成像)，SPECT(Single-PhotonEmission Computed Tomography，单光子发射计算机断层成像术)、CT(ComputedTomography，计算机断层扫描)、DR(Digital Radiography，数字平板X线成像)、超声(Ultrasound)等任一医学设备生成的图像，或者前述任一设备之间的融合图像。样本目标边框指的是可以标记样本医学图像中目标区域的边框，可以由样本医学图像确定，是前期已知的目标边框。相应的，样本目标边框也可以是二维边框，或者三维边框。
在一种可选的实现方式中，在确定样本目标边框之前可对样本医学图像进行二值化处理，例如：经过二值化处理后，样本目标边框之内的点灰度值为0，样本目标边框之外的点灰度值为1；或者，经过二值化处理后，样本目标边框之内的点灰度值为1，样本目标边框之外的点灰度值为0。
如图2所示，(1)为样本医学图像，其中标识处长方形小框内为目标区域，目标区域包含骨骼/骨架断裂处，且断裂处位于整个目标框的中间位置；(2)表示目标区域的二值化图像，图中属于样本目标边框内的像素点的灰度值为1，样本目标边框外的像素点的灰度值为0，通过二值化处理标识出的黑色长方形区域为样本目标边框所限定的区域。
102、根据所述样本目标边框，生成距离场。
具体的，样本目标边框由二值化图像表示，距离场由灰度值图像表示，距离场指的是选定区域的每个像素点(即选定点)距离目标区域外的边界像素点的最小距离的集合，因此可以通过距离变换的方法由样本目标边框生成距离场。可选地，距离场可以是欧式(Euclidean)距离变换、倒角(Chamfer)距离变换、Minkowsky距离变换、街区(city-block)距离变换中的一种或者多种的组合。
在第一种可能的实施方式中，距离场为边框内距离场。具体的，边框内距离场指的是，目标边框内的每个像素点为选定点、目标边框外的每个像素点为背景点，进行距离变换得到的距离场。
在该实施方式中，假定目标边框内的图像为A，A内包括多个像素点p；目标边框外的图像为A，其包括多个像素点q，目标边框内的每一点到边界点的最小距离为该点对应的DT值，用公式表述如下：
DT1(p)＝min{d(p,q)} (公式1)
其中，min表示取最小值运算，d表示确定两个像素点之间的距离运算，在此实施方式中，p为选定点，q为变化的边界点。
如图2中(3)所示为利用上述公式获得的与图2(2)的样本目标边框所对应的距离场图像，由于骨架中相对于物体的边界而言处于中心的位置，从理论上讲最接近于物体中心的点应该具有最大的DT1值，因此距离场图像的像素点越亮表示DT1值越大，该部分对应目标框的中心位置或骨骼断裂位置；距离场图像的像素点越暗表示DT1值越小，该部分对应骨骼断裂位置的距离越大。而完全黑色的部分则对应目标框之外。上述通过目标框的距离场确定边界的方式对目标框中心区域具有较好的定位效果。
在第二种可能的实施方式中，距离场包括边框内距离场和边框外距离场。示例性地，边框外距离场指的是，目标边框外的每个像素点为选定点、目标边框内的每个像素点为背景点，进行距离变换得到的距离场。
在此实施方式中，同样假定目标边框内的图像为A，A内包括多个像素点p；目标边框外的图像为
其包括多个像素点q，目标边框内的每一点到边界点的最小距离为该点对应的DT2值，用公式表述如下：
DT2(q)＝min{d(q,p)} (公式2)
其中，min表示取最小值运算，d表示确定两个像素点之间的距离运算，在此实施方式中，q为选定点，p为变化的边界点。
如图3所示，为由目标边框进行距离变换得到的边框内距离场和边框外距离场的示意图。其中，(1)为表示目标边框的两种不同二值化图像(距离场选定点定义不同，左图定义了目标边框内每个像素点到目标边框的距离场，右图定义目标边框外每个像素点到目标边框的距离场)，(2)由(1)中左图得到，为边框内距离场的灰度值图像，(3)由(1)中右图得到，为边框外距离场的灰度值图像。
在第三种可能的实施方式中，距离场包括边框内距离场和边框外距离场的加权组合。在此实施例中，距离场可用如下公式表示：
DT3(p,q)＝αDT1(p,q)+βDT2(q,p)(公式3)
其中，DT3表示加权距离场对应的像素点p的DT值；DT1表示边框内距离场对应的像素点p的DT值；DT1表示边框外距离场对应的像素点p的DT值；α为DT1的权重，β为DT2的权重，0≤α≤1，0≤β≤1，且α+β＝1。设定不同的权重或得到不同的距离场，一方面可以丰富训练样本；另一方面可以提高网络训练的精度。
103、通过人工智能网络对所述样本医学图像与所述距离场进行学习，得到所述样本医学图像与所述距离场的映射关系。
其中，所述人工智能(Artificial Intelligence，AI)网络可以选择卷积神经网络(Convolutional Neural Network，CNN)、反向传播(Back Propagation，BP)神经网络、径向基神经网络、感知器神经网络、线性神经网络、自组织神经网络、反馈神经网络、聚类网络、深度学习网络或者前馈神经网络。具体的，CNN又可以是RCNN(Region-based FullyConvolutional Networks，基于特征区域的完全卷积网络)，fast-RCNN(快速卷积神经网络特征区域)，faster-RCNN(更快卷积神经网络特征区域)，Yolo，Yolo2，Yolo9000或者SSD(Single Shot MultiBox Detector，多层级框选识别统一)。
在一种可能的实施方式中，步骤103以监督式学习方法，通过CNN中的回归网络学习样本医学图像与距离场，得到它们之间的映射关系，根据该映射关系可以自动化设定CNN中的所有参数，也即可以生成人工智能网络模型。
104、根据所述映射关系生成人工智能网络模型。
上述模型生成方法，通过AI网络对若干对样本医学图像和距离场进行机器学习，不断调整网络参数得到样本医学图像与距离场的映射关系，进而根据映射关系生成AI网络模型，完成整个网络模型训练过程。
需要说明的是，当距离场包括边框内距离场和边框外距离场时，AI网络可以学习样本医学图像与两个距离场的映射关系，进而得到的AI网络模型在使用时，可以由医学图像生成两个距离场，进一步由两个距离场确定目标边框，更加精确。
进一步来说，结合前述方法流程，对于步骤102中，样本目标边框生成距离场的具体实现过程，本发明实施例的另一种可能的实现方式还提供了以下方法流程，如图4所示，步骤102包括：
1021、分别对所述样本目标边框内、外进行二值化处理，并获取二值化结果。
1022、对所述二值化结果进行距离变换，得到距离场。
具体的，这里的样本目标边框可以是二维边框或者三维边框，当样本目标边框为二维边框时，可以进行二维距离变换，得到二维距离场；当样本目标边框为三维边框时，可以进行三维距离变换，得到三维距离场。
其中，步骤1022中的距离变换可以是欧氏距离变换(Euclidean DistanceTransform)或者棋盘距离变换(Chessboard Distance Transform)或者街道距离变换(City Block Distance Transform)。
进一步来说，结合前述方法流程，当所述样本目标边框为三维边框时，本发明实施例提供的技术方案可以基于三维边框得到三维距离场，然后通过分层学习的方法来简化神经网络的学习过程。因此本发明实施例的另一种可能的实现方式，针对步骤102以及步骤103的实现还提供了以下方法流程，如图5所示，
步骤102包括：
1023、分别对所述样本目标边框内、外进行二值化处理，获取二值化结果，并对所述二值化结果进行三维距离变换，得到三维距离场。
步骤103包括：
1031、通过人工智能网络对所述样本医学图像与所述三维距离场的每一层进行学习，得到所述样本医学图像与所述三维距离场的映射关系。
步骤1031中将三维空间分层，获得至少一层三维距离场，并输入人工智能网络学习其与样本医学图像的映射关系。
上述实施例通过三维距离场分层训练的方法，可以用二维计算解决三维问题，节省了显卡内存。
本发明实施例提供了一种目标检测方法，适用于确定医学图像中目标区域的过程中，如图6所示，所述方法包括：
201、获取受检者目标区域的医学图像。
其中，受检者目标区域的医学图像指的是包含受检者目标区域的待处理医学图像，可以是二维医学图像，也可以是三维医学图像。医学图像的解释见步骤101此处不再赘述。
202、通过人工智能网络模型对所述医学图像进行处理，得到目标边框对应的距离场。
其中，人工智能网络模型为上述模型生成实施例或任一可能的实现方式所实现的方法生成的，包含医学图像与目标边框对应的距离场的映射关系。
其中，目标边框指的是可以标记待处理医学图像中受检者目标区域的边框。目标边框内可以是骨骼非连续区域、肺结节区域或者肿瘤区域等等。
目标边框对应的距离场可以为边框内距离场；或者，可以包括边框内距离场和边框外距离场。距离场的具体解释见步骤102，此处不再赘述。
203、根据所述距离场，在所述医学图像中确定所述目标边框。
具体的，可以通过距离逆变换的方法由距离场生成目标边框。
上述目标检测方法实施例为人工智能网络模型的使用过程，在目标检测中，通过人工智能网络模型对医学图像进行处理，得到目标边框相应的距离场，进而通过距离场确定目标边框，相比于现有技术中的多个参数确定目标边框，本发明实施提供的方法，仅需要距离场一个参数确定目标边框，把需要计算的参数数量降到了一个，从而降低了目标检测的复杂度，提高了求解的稳定性。
进一步来说，结合前述方法流程，对于步骤203中，距离场生成目标边框的具体实现过程，本发明实施例的另一种可能的实现方式还提供了以下方法流程，如图7所示，步骤203包括：
2031、对所述距离场进行距离逆变换，得到所述目标边框。
其中，步骤2031中的距离逆变换可以是基于Euclidean Distance Transform或者Chessboard Distance Transform或者City Block Distance Transform的逆变换。
本发明实施例提供了一种模型生成装置，适用于模型生成相关方法流程，如图8所示，所述装置包括：
获取单元31，用于获取样本医学图像以及所述样本医学图像对应的样本目标边框。
第一生成单元32，用于根据所述样本目标边框，生成距离场。
学习单元33，用于通过人工智能网络对所述样本医学图像与所述距离场进行学习，得到所述样本医学图像与所述距离场的映射关系。
第二生成单元34，用于根据所述映射关系生成人工智能网络模型。
可选的是，如图8所示，所述第一生成单元32包括：
第一处理模块321，用于分别对所述样本目标边框内、外进行二值化处理，并获取二值化结果。
第二处理模块322，用于对所述二值化结果进行距离变换，得到距离场。
可选的是，如图8所示，当所述样本目标边框为三维边框时，所述第一生成单元32，具体用于分别对所述样本目标边框内、外进行二值化处理，获取二值化结果；并对所述二值化结果进行三维距离变换，得到三维距离场。
所述学习单元33，具体用于通过人工智能网络对所述样本医学图像与所述三维距离场的每一层进行学习，得到所述样本医学图像与所述三维距离场的映射关系。
上述模型生成装置，通过AI网络对若干对样本医学图像和距离场进行机器学习，不断调整网络参数得到样本医学图像与距离场的映射关系，进而根据映射关系生成AI网络模型，完成整个网络模型训练过程。
本发明实施例提供了一种目标检测装置，适用于目标检测相关方法流程，如图9所示，所述装置包括：
获取单元41，用于获取受检者目标区域的医学图像。
处理单元42，用于通过人工智能网络模型对所述医学图像进行处理，得到目标边框对应的距离场，所述人工智能网络模型包括医学图像与所述目标边框对应的距离场的映射关系。
确定单元43，用于根据所述距离场，在所述医学图像中确定所述目标边框。
可选的是，如图9所示，所述确定单元43包括：
处理模块431，用于对所述距离场进行距离逆变换，得到所述目标边框。
可选的是，所述目标边框内包括骨骼非连续区域、肺结节区域、肿瘤区域中的至少一种。
上述目标检测装置，在目标检测中，通过人工智能网络模型对医学图像进行处理，得到目标边框相应的距离场，进而通过距离场确定目标边框，相比于现有技术中的多个参数确定目标边框，本发明实施提供的方法，仅需要距离场一个参数确定目标边框，把需要计算的参数数量降到了一个，从而降低了目标检测的复杂度，提高了求解的稳定性。
本发明实施例提供了一种医学成像系统，如图10所示，所述医学成像系统包括处理器51以及存储器52；所述存储器52用于存储指令，所述指令被所述处理器51执行时，导致所述医学成像系统实现模型生成相关的方法流程。
本发明实施例提供了一种医学成像系统，如图11所示，所述医学成像系统包括处理器61以及存储器62；所述存储器62用于存储指令，所述指令被所述处理器61执行时，导致所述医学成像系统实现目标检测相关的方法流程。
需要说明的是，在实际应用过程中用于实现模型生成相关方法流程的医学成像系统与用于实现目标检测相关方法流程的医学成像系统可以是集成的同一个医学成像系统。在一个具体的实施例中，如图12所示，本发明实施例提供的医学成像系统可以是一台计算机71，计算机71被用于实现实施本发明实施例中披露的特定方法和装置。
可选的是，计算机71可以是一个通用目的的计算机，或一个有特定目的的计算机。
计算机71可以通过其硬件设备、软件程序、固件以及它们的组合来实现本发明实施例的具体实施。
如图12所示，计算机71可以包括内部通信总线711，处理器(processor)712(处理器712可以由一个或多个处理器组成)，只读存储器(ROM)713，随机存取存储器(RAM)714，通信端口715，输入/输出组件716，硬盘717，以及用户界面718。内部通信总线711可以实现计算机71组件间的数据通信，处理器712可以进行判断和发出提示。通信端口715可以实现计算机71与其他部件(图中未示出)，例如外接设备、图像采集设备、数据库、外部存储以及图像处理工作站等，的数据通信。输入/输出组件716支持计算机71与其他部件之间的输入/输出数据流。用户界面718可以实现计算机71和用户之间的交互和信息交换。
可选的是，计算机71还可以通过通信端口715从云端发送和接收数据信息。
需要说明的是，计算机71可以包括不同形式的程序储存单元以及数据储存单元，例如硬盘717，只读存储器(ROM)713，随机存取存储器(RAM)714，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器712所执行的可能的程序指令。
在本发明实施例中，处理器712的指令用于执行模型生成的相关方法流程或者用于执行目标检测的相关方法流程。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (8)
1.一种模型生成方法，其特征在于，所述方法包括：
获取样本医学图像以及所述样本医学图像对应的样本目标边框；
根据所述样本目标边框，生成距离场；所述样本目标边框的中心位置为骨骼断裂位置；
通过人工智能网络对所述样本医学图像与所述距离场进行学习，得到所述样本医学图像与所述距离场的映射关系；
根据所述映射关系生成人工智能网络模型；
所述距离场包括边框内距离场和边框外距离场的加权组合；
其中，所述边框内距离场是所述样本目标边框内的每个像素点为选定点、所述样本目标边框外的每个像素点为背景点，进行距离变换得到的；
所述边框外距离场是所述样本目标边框外的每个像素点为选定点、所述样本目标边框内的每个像素点为背景点，进行距离变换得到的；
当所述样本目标边框为三维边框时，所述距离场为三维距离场，
所述通过人工智能网络对所述样本医学图像与所述距离场进行学习，得到所述样本医学图像与所述距离场的映射关系，包括：将三维空间分层，获得至少一层三维距离场，并通过人工智能网络模型对所述样本医学图像与所述三维距离场的每一层进行学习，得到所述样本医学图像与所述三维距离场的映射关系。
2.根据权利要求1所述的方法，其特征在于，所述根据所述样本目标边框，生成距离场，包括：
分别对所述样本目标边框内、外进行二值化处理，并获取二值化结果；
对所述二值化结果进行距离变换，得到距离场。
3.根据权利要求1所述的方法，其特征在于，所述根据所述样本目标边框，生成距离场，包括：分别对所述样本目标边框内、外进行二值化处理，获取二值化结果；并对所述二值化结果进行三维距离变换，得到三维距离场。
4.一种目标检测方法，其特征在于，所述方法包括：
获取受检者目标区域的医学图像；
通过人工智能网络模型对所述医学图像进行处理，得到目标边框对应的距离场，所述人工智能网络模型包括医学图像与所述目标边框对应的距离场的映射关系；所述目标边框为三维边框时，所述距离场为三维距离场，且所述映射关系是通过将三维空间分层，获得至少一层三维距离场，并通过人工智能网络模型对所述医学图像与所述三维距离场的每一层进行学习得到的；
根据所述距离场，在所述医学图像中确定所述目标边框；所述目标边框的中心位置为骨骼断裂位置；
所述距离场包括边框内距离场和边框外距离场的加权组合；
其中，所述边框内距离场是所述目标边框内的每个像素点为选定点、所述目标边框外的每个像素点为背景点，进行距离变换得到的；
所述边框外距离场是所述目标边框外的每个像素点为选定点、所述目标边框内的每个像素点为背景点，进行距离变换得到的。
5.根据权利要求4所述的方法，其特征在于，所述根据所述距离场，在所述医学图像中确定所述目标边框，包括：
对所述距离场进行距离逆变换，得到所述目标边框。
6.根据权利要求5所述的方法，其特征在于，所述目标边框内还包括肺结节区域、肿瘤区域中的至少一种。
7.一种医学成像系统，其特征在于，所述医学成像系统包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述医学成像系统实现如权利要求1至3任一项所述的方法。
8.一种医学成像系统，其特征在于，所述医学成像系统包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述医学成像系统实现如权利要求4至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810395323.3A CN108597589B (zh) | 2018-04-27 | 2018-04-27 | 模型生成方法、目标检测方法及医学成像系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810395323.3A CN108597589B (zh) | 2018-04-27 | 2018-04-27 | 模型生成方法、目标检测方法及医学成像系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108597589A CN108597589A (zh) | 2018-09-28 |
| CN108597589B true CN108597589B (zh) | 2022-07-05 |
Family
ID=63610925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810395323.3A Active CN108597589B (zh) | 2018-04-27 | 2018-04-27 | 模型生成方法、目标检测方法及医学成像系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108597589B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993066B (zh) * | 2019-03-06 | 2021-05-14 | 开易（北京）科技有限公司 | 面向边线的车辆定位方法和系统 |
| CN113221929A (zh) * | 2020-02-05 | 2021-08-06 | 华为技术有限公司 | 一种图像处理方法以及相关设备 |
| CN114677502B (zh) * | 2022-05-30 | 2022-08-12 | 松立控股集团股份有限公司 | 一种任意倾斜角度的车牌检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016086744A1 (en) * | 2014-12-02 | 2016-06-09 | Shanghai United Imaging Healthcare Co., Ltd. | A method and system for image processing |
| CN106485704A (zh) * | 2016-09-30 | 2017-03-08 | 上海联影医疗科技有限公司 | 血管中心线的提取方法 |
| CN107909622A (zh) * | 2017-11-30 | 2018-04-13 | 上海联影医疗科技有限公司 | 模型生成方法、医学成像的扫描规划方法及医学成像系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070116357A1 (en) * | 2005-11-23 | 2007-05-24 | Agfa-Gevaert | Method for point-of-interest attraction in digital images |
-
2018
- 2018-04-27 CN CN201810395323.3A patent/CN108597589B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016086744A1 (en) * | 2014-12-02 | 2016-06-09 | Shanghai United Imaging Healthcare Co., Ltd. | A method and system for image processing |
| CN106485704A (zh) * | 2016-09-30 | 2017-03-08 | 上海联影医疗科技有限公司 | 血管中心线的提取方法 |
| CN107909622A (zh) * | 2017-11-30 | 2018-04-13 | 上海联影医疗科技有限公司 | 模型生成方法、医学成像的扫描规划方法及医学成像系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108597589A (zh) | 2018-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230104173A1 (en) | Method and system for determining blood vessel information in an image | |
| US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
| CN109685060B (zh) | 图像处理方法和装置 | |
| JP6514325B2 (ja) | 解剖学的ランドマークベースの特徴に基づいた医用画像をセグメント化するためのシステム及び方法 | |
| Saha et al. | A survey on skeletonization algorithms and their applications | |
| CN107909622B (zh) | 模型生成方法、医学成像的扫描规划方法及医学成像系统 | |
| CN107578416B (zh) | 一种由粗到精级联深度网络的心脏左心室全自动分割方法 | |
| Tang et al. | A multi-stage framework with context information fusion structure for skin lesion segmentation | |
| CN111369525B (zh) | 图像分析方法、设备和存储介质 | |
| CN108615237A (zh) | 一种肺部图像处理方法及图像处理设备 | |
| JP2019076699A (ja) | 偽陽性低減での小結節検出 | |
| WO2012109630A2 (en) | Image registration | |
| EP4404148A1 (en) | Image processing method and apparatus, and computer-readable storage medium | |
| CN111932552B (zh) | 一种主动脉建模的方法及装置 | |
| Lei et al. | Echocardiographic image multi‐structure segmentation using Cardiac‐SegNet | |
| CN111798424B (zh) | 一种基于医学图像的结节检测方法、装置及电子设备 | |
| CN108597589B (zh) | 模型生成方法、目标检测方法及医学成像系统 | |
| CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
| Shu et al. | LVC-Net: Medical image segmentation with noisy label based on local visual cues | |
| CN112907569A (zh) | 头部图像区域的分割方法、装置、电子设备和存储介质 | |
| Gu et al. | Pulmonary nodules detection based on deformable convolution | |
| RU2721078C2 (ru) | Сегментация анатомической структуры на основе модели | |
| CN114170212A (zh) | 一种基于ct影像中肺小结节假阳检测方法及系统 | |
| CN110992310A (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
| CN111192320A (zh) | 一种位置信息确定方法、装置、设备和存储介质 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |