CN116128784A - 一种图像处理方法、装置、存储介质及终端 - Google Patents
一种图像处理方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN116128784A CN116128784A CN202111319114.9A CN202111319114A CN116128784A CN 116128784 A CN116128784 A CN 116128784A CN 202111319114 A CN202111319114 A CN 202111319114A CN 116128784 A CN116128784 A CN 116128784A
- Authority
- CN
- China
- Prior art keywords
- feature
- lung
- image
- vector
- feature vector
- 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 15
- 239000013598 vector Substances 0.000 claims abstract description 336
- 238000002591 computed tomography Methods 0.000 claims abstract description 172
- 210000004072 lung Anatomy 0.000 claims abstract description 120
- 238000012545 processing Methods 0.000 claims abstract description 99
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 75
- 230000004927 fusion Effects 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims description 28
- 238000010606 normalization Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 13
- 201000005202 lung cancer Diseases 0.000 description 13
- 208000020816 lung neoplasm Diseases 0.000 description 13
- 206010028980 Neoplasm Diseases 0.000 description 10
- 201000011510 cancer Diseases 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000002685 pulmonary effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种图像处理方法、装置、存储介质及终端，方法包括：获取待处理的肺部CT扫描图像；将该图像输入预先训练的图像处理模型中；输出肺部CT扫描图像对应的多个肺结节参数值；其中，图像处理模型是基于最终目标向量训练生成，最终目标向量是基于已有的临床信息和多个预测向量进行特征融合生成，多个预测向量特征是基于已有历史肺部CT扫描图像序列中各图像的特征向量与相邻图像之间的拍摄间隔时长进行特征融合生成。本申请将根据已有连续多年拍摄的CT影像生成的多个预测向量进行时序上和临床信息上的特征融合，使得最终的特征值更加丰富，导致训练的模型精确度更高，进而提升了识别图像中肺结节参数的精确度。
Description
技术领域
本发明涉及深度学习技术领域，特别涉及一种图像处理方法、装置、存储介质及终端。
背景技术
全球癌症统计数据显示2018年将有1810万新发癌症病例及960万死亡癌症病例，其中肺癌在新发病例及死亡病例中所占比例均为最多，各占11.6％和18.4％，约每5例肺癌患者中便会有1位死亡。肺癌的生存率与诊断时肺癌临床分期密切相关。因为肺癌早期症状不明显，所以诊断时往往已是晚期，丧失了手术治疗机会，预后差。
在现有的肺癌筛查手段中，长期以来低剂量计算机断层扫描(CT)一直被认为是一种潜在的早期筛查工具，对于肺癌高危人群，目前以证明其肺癌死亡率可降低20％。然而由于设备和人员成本，以及任务的复杂性，如何实现准确输出CT图像中的肺结节具体参数具有一定挑战性。肺结节表现出很大范围的形状和特征，因此识别描述它们的特异性很困难，从而降低了识别图像中肺结节参数的精确度。
发明内容
本申请实施例提供了一种图像处理方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本申请实施例提供了一种图像处理方法，方法包括：
获取待处理的肺部CT扫描图像；
将所述肺部CT扫描图像输入预先训练的图像处理模型中；其中，图像处理模型基于最终目标向量训练生成，最终目标向量是基于已有的临床信息和多个预测向量进行特征融合生成，多个预测向量特征是基于已有历史肺部CT扫描图像序列中各图像的特征向量与相邻图像之间的拍摄间隔时长进行特征融合生成；
输出所述肺部CT扫描图像对应的多个肺结节参数值。
可选的，按照以下步骤生成预先训练的图像处理模型，包括：
构建图像处理模型；其中，图像处理模型包括肺结节检测网络、特征提取器、归一化层以及全连接层；
获取已有的连续多个时期的历史肺部CT扫描图像序列；
根据历史肺部CT扫描图像序列、肺结节检测网络、特征提取器、归一化层生成多个组合特征向量序列；
根据全连接层计算每个组合特征向量序列中每个特征向量的第一查找键和第一信息内容；
获取每个特征向量对应的历史肺部CT扫描图像的拍摄间隔时长，并根据每个组合特征向量序列中每个特征向量的第一查找键、第一信息内容以及拍摄间隔时长进行特征融合后生成多个预测特征向量；
提取已有的临床信息，根据临床信息与多个预测特征向量进行特征融合后生成最终目标向量；
基于最终目标向量计算交叉熵损失值，并当交叉熵损失值到达最小时，生成预先训练的图像处理模型。
可选的，根据历史肺部CT扫描图像序列、肺结节检测网络、特征提取器、归一化层生成多个组合特征向量序列，包括：
将历史肺部CT扫描图像序列中距离当前时刻间隔最小的图像确定为目标肺部CT扫描图像；
将目标肺部CT扫描图像输入肺结节检测网络中，输出目标肺部CT扫描图像对应的多个肺结节数据；
根据多个肺结节数据从每个历史肺部CT扫描图像中切割出预设尺寸的多个CT影像切块序列；
将每个CT影像切块序列输入特征提取器中，输出每个CT影像切块序列的多个第一特征向量；
提取多个第一特征向量中每个第一特征向量的正中心特征并输入归一化层后，生成每个CT影像切块序列的多个第二特征向量；
从每个CT影像切块序列的多个第二特征向量中选取同一肺结节在不同时序上的多个特征向量进行组合，得到多个组合特征向量序列。
可选的，根据每个组合特征向量序列中每个特征向量的第一查找键、第一信息内容以及拍摄间隔时长进行特征融合后生成多个预测特征向量，包括：
将每个组合特征向量序列中每个特征向量和与其对应的拍摄间隔时长进行融合，生成每个特征向量的第一融合特征；
根据每个特征向量的第一融合特征计算每个特征向量的注意力权重值；
将每个特征向量的注意力权重值和与其对应的第一信息内容进行数乘并求和，生成多个预测特征向量。
可选的，根据临床信息与多个预测特征向量进行特征融合后生成最终目标向量，包括：
根据已有的临床信息构造关键特征向量；
计算多个预测特征向量中每个预测特征向量的第二查找键与第二信息内容；
基于关键特征向量与每个预测特征向量的第二查找键计算每个预测特征向量的注意力权重；
将每个预测特征向量的注意力权重和与其对应的第二信息内容进行数乘并求和，生成最终目标向量。
可选的，所述当所述交叉熵损失值到达最小时，生成预先训练的图像处理模型，包括：
当所述交叉熵损失值未到达最小时，更新所述图像处理模型的网络参数，并继续执行所述获取已有的连续多个时期的历史肺部CT扫描图像序列的步骤。
第二方面，本申请实施例提供了一种图像处理装置，装置包括：
图像获取模块，用于获取待处理的肺部CT扫描图像；
图像输入模块，用于将所述肺部CT扫描图像输入预先训练的图像处理模型中；其中，所述图像处理模型基于最终目标向量训练生成，所述最终目标向量是基于已有的临床信息和多个预测向量进行特征融合生成，所述多个预测向量特征是基于已有历史肺部CT扫描图像序列中各图像的特征向量与相邻图像之间的拍摄间隔时长进行特征融合生成；
图像输出模块，用于输出所述肺部CT扫描图像对应的多个肺结节参数值。
可选的，所述装置还包括：
模型构建模块，用于构建图像处理模型；其中，所述图像处理模型包括肺结节检测网络、特征提取器、归一化层以及全连接层；
图像序列获取模块，用于获取已有的连续多个时期的历史肺部CT扫描图像序列；
组合特征向量序列生成模块，用于根据所述历史肺部CT扫描图像序列、肺结节检测网络、特征提取器、归一化层生成多个组合特征向量序列；
参数计算模块，用于根据所述全连接层计算每个所述组合特征向量序列中每个特征向量的第一查找键和第一信息内容；
特征融合模块，用于获取所述每个特征向量对应的历史肺部CT扫描图像的拍摄间隔时长，并根据每个所述组合特征向量序列中每个特征向量的第一查找键、第一信息内容以及拍摄间隔时长进行特征融合后生成多个预测特征向量；
最终目标向量生成模块，用于提取所述已有的临床信息，根据所述临床信息与所述多个预测特征向量进行特征融合后生成最终目标向量；
模型生成模块，用于基于所述最终目标向量计算交叉熵损失值，并当所述交叉熵损失值到达最小时，生成预先训练的图像处理模型。
第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果：
在本申请实施例中，图像处理装置首先获取待处理的肺部CT扫描图像，然后将该图像输入预先训练的图像处理模型中，最后输出肺部CT扫描图像对应的多个肺结节参数值；图像处理模型基于最终目标向量训练生成，最终目标向量是基于已有的临床信息和多个预测向量进行特征融合生成，多个预测向量特征是基于已有历史肺部CT扫描图像序列中各图像的特征向量与相邻图像之间的拍摄间隔时长进行特征融合生成。由于本申请将根据已有的连续多个时期的CT影像生成的多个预测向量先和相邻图像之间的拍摄间隔时长进行特征融合，再将融合后的多个特征与已有的临床信息对应的向量进行特征融合，使得最终的特征值更加丰富，导致训练的模型精确度更高，进而提升了识别图像中肺结节参数的精确度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
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，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种图像处理方法的流程示意图；
图2是本申请实施例提供的一种图像处理模型训练方法的流程示意图；
图3是本申请实施例提供的一种图像处理模型训练过程的过程示意图；
图4是本申请实施例提供的一种不同时刻上的肺节点变化示意图；
图5是本申请实施例提供的一种同一结节特征在不同时序上融合的过程示意图；
图6是本申请实施例提供的一种已有的临床信息与统一结节特征融合的过程示意图；
图7是本申请实施例提供的一种图像处理装置的结构示意图；
图8是本申请实施例提供的另一种图像处理装置的结构示意图；
图9是本申请实施例提供的一种组合特征向量序列生成模块的结构示意图；
图10是本申请实施例提供的一种特征融合模块的结构示意图；
图11是本申请实施例提供的一种最终目标向量生成模块的结构示意图；
图12是本申请实施例提供的一种终端的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
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。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，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。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请提供了一种图像处理方法、装置、存储介质及终端，以解决上述相关技术问题中存在的问题。本申请提供的技术方案中，由于本申请将根据已有的连续多个时期的CT影像生成的多个预测向量先和相邻图像之间的拍摄间隔时长进行特征融合，再将融合后的多个特征与已有的临床信息对应的向量进行特征融合，使得最终的特征值更加丰富，导致训练的模型精确度更高，进而提升了识别图像中肺结节参数的精确度，下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图6，对本申请实施例提供的图像处理方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的图像处理装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。
请参见图1，为本申请实施例提供了一种图像处理方法的流程示意图。如图1所示，本申请实施例的方法可以包括以下步骤：
S101，获取待处理的肺部CT扫描图像；
其中，CT即电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查；根据所采用的射线不同可分为：X射线CT(X-CT)以及γ射线CT(γ-CT)等。肺部CT扫描图像是采用电子计算机断层扫描针对人体肺部进行不断扫描后得到的图像。
通常，待处理的肺部CT扫描图像可以是从本地图库中获取的，也可以是实时接收到的CT扫描图像。
在一种可能的实现方式中，当需要进行待处理的图像处理时，首先打开本地图库，该图库中预先保存了大量的CT扫描图像，然后从大量的CT扫描图像中查找并获取待处理的肺部CT扫描图像。
在另一种可能的实现方式中，当需要进行待处理的图像处理时，首先用户终端与CT扫描机建立通信连接，CT扫描机当接收到扫描指令后，针对待处理进行多次扫描，然后将扫描后生成的肺部CT扫描图像发送到用户终端，用户终端可获取到待处理的肺部CT扫描图像。
S102，将所述肺部CT扫描图像输入预先训练的图像处理模型中；
其中，图像处理模型基于最终目标向量训练生成，最终目标向量是基于已有的临床信息和多个预测向量进行特征融合生成，多个预测向量特征是基于已有历史肺部CT扫描图像序列中各图像的特征向量与相邻图像之间的拍摄间隔时长进行特征融合生成。
通常，预先训练的图像处理模型是预测患肺癌风险的数学模型，图像处理模型是由肺结节检测网络、特征提取器、归一化层以及全连接层组成的。
具体的，肺结节检测网络是检测肺部CT扫描图像中肺结节的神经网络，该网络是预先训练好的，只要将待处理的肺部CT扫描图像输入肺结节检测网络中，该网络即可输出CT图像中存在的肺结节。
在一种可能的实现方式中，用户终端在基于步骤S101获取到肺部CT扫描图像后，首先访问预先训练的图像处理模型，然后将该肺部CT扫描图像输入到预先训练的图像处理模型中进行处理，模型处理结束后最终输出肺部CT扫描图像对应的多个肺结节参数值。
S103，输出所述肺部CT扫描图像对应的多个肺结节参数值。
在一种可能的实现方式中，在得到多个肺结节参数值后，多个肺结节参数值可以成为医生疾病诊断的参考数据，医生可以根据该参考数据判断的当前情况。
在本申请实施例中，图像处理装置首先获取待处理的肺部CT扫描图像，然后将该图像输入预先训练的图像处理模型中，最后输出肺部CT扫描图像对应的多个肺结节参数值；图像处理模型基于最终目标向量训练生成，最终目标向量是基于已有的临床信息和多个预测向量进行特征融合生成，多个预测向量特征是基于已有历史肺部CT扫描图像序列中各图像的特征向量与相邻图像之间的拍摄间隔时长进行特征融合生成。由于本申请将根据已有的连续多个时期的CT影像生成的多个预测向量先和相邻图像之间的拍摄间隔时长进行特征融合，再将融合后的多个特征与已有的临床信息对应的向量进行特征融合，使得最终的特征值更加丰富，导致训练的模型精确度更高，进而提升了识别图像中肺结节参数的精确度。
请参见图2，为本申请实施例提供了一种图像处理模型训练方法的流程示意图。如图2所示，本申请实施例的方法可以包括以下步骤：
S201，构建图像处理模型；
其中，图像处理模型包括肺结节检测网络、特征提取器、归一化层以及全连接层；
在本申请实施例中，在训练图像处理模型需要构建初始的图像处理模型，首先根据模型构成参数获取目前已经存在的肺结节检测网络、特征提取器、归一化层以及全连接层，然后根据肺结节检测网络、特征提取器、归一化层以及全连接层构建起图像处理模型。
S202，获取已有的连续多个时期的历史肺部CT扫描图像序列；
其中，历史肺部CT扫描图像序列存在多张肺部CT扫描图像，多张肺部CT扫描图像是已有的连续多个时期的。
例如，已有的连续多个时期的历史肺部CT扫描图像序列中肺部CT扫描图像的数据集为：
其中n表示该数据集包含的CT图片数量，
表示第i个患者在第T年拍摄的CT图片，同理
表示第i个患者在第T-1年拍摄的CT图片，yi为该患者是否一年内患癌症的标签。
S203，根据历史肺部CT扫描图像序列、肺结节检测网络、特征提取器、归一化层生成多个组合特征向量序列；
在本申请实施例中，在得到历史肺部CT扫描图像序列后，首先将历史肺部CT扫描图像序列中距离当前时刻间隔最小的图像确定为目标肺部CT扫描图像，再将目标肺部CT扫描图像输入肺结节检测网络中，输出目标肺部CT扫描图像对应的多个肺结节数据，然后根据多个肺结节数据从每个历史肺部CT扫描图像中切割出预设尺寸的多个CT影像切块序列，再将每个CT影像切块序列输入特征提取器中，输出每个CT影像切块序列的多个第一特征向量，以及提取多个第一特征向量中每个第一特征向量的正中心特征并输入归一化层后，生成每个CT影像切块序列的多个第二特征向量，最后从每个CT影像切块序列的多个第二特征向量中选取同一肺结节在不同时序上的多个特征向量进行组合，得到多个组合特征向量序列。
在一种可能的实现方式中，例如图3所示，首先从历史肺部CT扫描图像序列
中确定出距离当前时刻最近的一张历史肺部CT扫描图像例如为
再将
输入肺结节检测网络D中输出
对应的多个肺结节数据
其中m表示预测该样本包含的结节个数，(xj,yj,zj,pj)表示每个结节的中心点坐标和该结节的概率，根据每个肺结节的概率大小从m个肺结节中选取概率最高的n个肺结节，其次以n个肺结节中心点坐标(xj,yj,zj)为中心，分别在历史肺部CT扫描图像序列
和
上切取96×96×96的立方体，从而得到了预测的切块分别为
和
再将预测的切块输入特征提取器E中，输出每个CT影像切块序列的多个第一特征向量，最终输出3组大小为5×64×24×24×24的特征向量。由于结节均位于每个切块的正中心且体积基本偏小，因此还需要提取每个特征向量的正中心得到5×64×12×12×12的特征并经过maxpooling层，最终得到不同时期上的CT扫描图像的特征向量为：
和
其大小均为5×64，最后在不同时期上的CT扫描图像的特征向量中选取同一肺结节在不同时序上的多个特征向量进行组合，得到多个组合特征向量序列。
例如图4所示，同一患者在相邻时间拍摄CT图像上，结节的变化趋势。其中(1)-(2)可以看出结节随着时间递增明显增大，(3)-(4)的结节大小在不同时间拍摄的图像上无明显变化。
S204，根据全连接层计算每个组合特征向量序列中每个特征向量的第一查找键和第一信息内容；
在一种可能的实现方式中，例如图5所示，在将同一肺结节在不同时序上的多个特征向量进行组合，得到多个组合特征向量序列后，根据全连接层计算每个组合特征向量序列中每个特征向量的第一查找键和第一信息内容，计算公式为：
qi＝Wqfi,vi＝Wvfi,i＝{T-2,T-1,T}；
其中Wq和Wv均为全连接层，fi为1×64的特征向量，经过公式1的计算后得到1×6大小的q和1×64大小的v。其中q表示每个特征的查找键，v表示每个特征的信息内容。
S205，获取每个特征向量对应的历史肺部CT扫描图像的拍摄间隔时长，并根据每个组合特征向量序列中每个特征向量的第一查找键、第一信息内容以及拍摄间隔时长进行特征融合后生成多个预测特征向量；
在本申请实施例中，生成多个预测特征向量时，首先将每个组合特征向量序列中每个特征向量和与其对应的拍摄间隔时长进行融合，生成每个特征向量的第一融合特征，然后根据每个特征向量的第一融合特征计算每个特征向量的注意力权重值，最后将每个特征向量的注意力权重值和与其对应的第一信息内容进行数乘并求和，生成多个预测特征向量。
例如图5所示，在得到每个特征向量的第一查找键和第一信息内容后，由于CT图像是结节在不同时间拍摄的表现，因此我们将不同时间之间间隔的天数也加入到向量q中，故q变成1×7的向量。时间间隔的加入有利于网络学习到更多丰富有用的信息。然后计算每个结节特征向量的注意力值，由于最近一次拍摄的结节特征为最有用的特征信息，因此利用T时刻的查找键来分别和T-2、T-1的查找键计算每个时刻查找键的注意力权重。计算公式为：
其中，<.,.>为向量内积操作。令qm＝qT。
最后将每个时刻查找键的注意力权重ai和与其对应的第一信息内容vi进行数乘并相加后，生成多个大小为1×64的向量{h1,h2,h3,h4,h5}。计算公式为：
S206，提取已有的临床信息，根据临床信息与多个预测特征向量进行特征融合后生成最终目标向量；
在本申请实施例中，首先根据已有的临床信息构造关键特征向量，然后计算多个预测特征向量中每个预测特征向量的第二查找键与第二信息内容，再基于关键特征向量与每个预测特征向量的第二查找键计算每个预测特征向量的注意力权重，最后将每个预测特征向量的注意力权重和与其对应的第二信息内容进行数乘并求和，生成最终目标向量。
在一种可能的实现方式中，例如图6所示，首先选取比较重要的7个临床信息：{年龄、性别、是否吸烟、CT图中最大结节的位置、CT图中最大结节的直径、CT图中最大结节的边缘、CT图中结节的总个数}。将其构造为1×7的向量，再经过一层全连接最终得到1×6的向量，即关键特征向量qm。然后将多个大小为1×64的向量{h1,h2,h3,h4,h5}变换后可得到1×6大小的q和1×64大小的v。其中q表示每个特征的查找键，v表示每个特征的信息内容，其次通过关键特征向量qm和1×6大小的q计算每个结节特征向量的注意力值，注意力值的计算公式为：
si＝<qi,qm>,i＝{1,2,...,5}，其中<.,.>为向量内积操作。这里的qm是第一步中通过临床信息得到的向量，因此是利用临床属性来分别计算每个结节的注意力权重。最后将每个注意力值和对应的信息向量v进行数乘并相加后得到最终目标向量b。最终目标向量b的计算公式为：
S207，基于最终目标向量计算交叉熵损失值，并当交叉熵损失值到达最小时，生成预先训练的图像处理模型。
在本申请实施例中，在得到最终目标向量b后，首先根据最终目标向量计算肺癌患者的患癌概率，然后根据肺癌患者的患癌概率计算交叉熵损失值，最后当交叉熵损失值到达最小时，生成预先训练的图像处理模型，或者当交叉熵损失值未到达最小时，更新图像处理模型的网络参数，并继续执行获取已有的连续多个时期的历史肺部CT扫描图像序列的步骤继续进行模型训练流程。交叉熵损失值的计算公式为：
其中，yi为该患者是否一年内患癌症的标签，pi为肺癌患者的患癌概率。
其中，最终会患癌症的概率计算公式为：p＝Wbb，其中Wb为图像处理模型的网络参数。
进一步地，为增强模型的可解释性，采用七个对肺癌影响较大的临床信息并进行归一化。在使用自注意力机制融合结节特征时，归一化后的将临床信息和每个结节进行比对计算权重。这样有利于增大和临床属性相近的结节所占比重，不仅可以提高预测精度，并大大增强了模型的医学可解释性。
在本申请实施例中，图像处理装置首先获取待处理的肺部CT扫描图像，然后将该图像输入预先训练的图像处理模型中，最后输出肺部CT扫描图像对应的多个肺结节参数值；图像处理模型基于最终目标向量训练生成，最终目标向量是基于已有的临床信息和多个预测向量进行特征融合生成，多个预测向量特征是基于已有历史肺部CT扫描图像序列中各图像的特征向量与相邻图像之间的拍摄间隔时长进行特征融合生成。由于本申请将根据已有的连续多个时期的CT影像生成的多个预测向量先和相邻图像之间的拍摄间隔时长进行特征融合，再将融合后的多个特征与已有的临床信息对应的向量进行特征融合，使得最终的特征值更加丰富，导致训练的模型精确度更高，进而提升了识别图像中肺结节参数的精确度。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
请参见图7，其示出了本发明一个示例性实施例提供的图像处理装置的结构示意图。该图像处理装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括图像获取模块10、图像输入模块20、患癌风险确定模块30。
图像获取模块10，用于获取待处理的肺部CT扫描图像；
图像输入模块20，用于将所述肺部CT扫描图像输入预先训练的图像处理模型中；其中，图像处理模型基于最终目标向量训练生成，最终目标向量是基于已有的临床信息和多个预测向量进行特征融合生成，多个预测向量特征是基于已有历史肺部CT扫描图像序列中各图像的特征向量与相邻图像之间的拍摄间隔时长进行特征融合生成；
图像输出模块30，用于输出所述肺部CT扫描图像对应的多个肺结节参数值。
可选的，如图8所示，所述装置1还包括：
模型构建模块40，用于构建图像处理模型；其中，所述图像处理模型包括肺结节检测网络、特征提取器、归一化层以及全连接层；
图像序列获取模块50，用于获取已有的连续多个时期的历史肺部CT扫描图像序列；
组合特征向量序列生成模块60，用于根据所述历史肺部CT扫描图像序列、肺结节检测网络、特征提取器、归一化层生成多个组合特征向量序列；
参数计算模块70，用于根据所述全连接层计算每个所述组合特征向量序列中每个特征向量的第一查找键和第一信息内容；
特征融合模块80，用于获取所述每个特征向量对应的历史肺部CT扫描图像的拍摄间隔时长，并根据每个所述组合特征向量序列中每个特征向量的第一查找键、第一信息内容以及拍摄间隔时长进行特征融合后生成多个预测特征向量；
最终目标向量生成模块90，用于提取所述已有的临床信息，根据所述临床信息与所述多个预测特征向量进行特征融合后生成最终目标向量；
模型生成模块100，用于基于所述最终目标向量计算交叉熵损失值，并当所述交叉熵损失值到达最小时，生成预先训练的图像处理模型。
可选的，如图9所示，所述组合特征向量序列生成模块60，包括：
目标肺部CT扫描图像确定单元601，用于将所述历史肺部CT扫描图像序列中距离当前时刻间隔最小的图像确定为目标肺部CT扫描图像；
多个肺结节数据输出单元602，用于将所述目标肺部CT扫描图像输入所述肺结节检测网络中，输出所述目标肺部CT扫描图像对应的多个肺结节数据；
CT影像切块切割单元603，用于根据所述多个肺结节数据从每个所述历史肺部CT扫描图像中切割出预设尺寸的多个CT影像切块序列；
第一特征向量输出单元604，用于将每个所述CT影像切块序列输入所述特征提取器中，输出每个CT影像切块序列的多个第一特征向量；
第二特征向量输出单元605，用于提取所述多个第一特征向量中每个第一特征向量的正中心特征并输入所述归一化层后，生成每个CT影像切块序列的多个第二特征向量；
组合特征向量序列生成单元606，用于从所述每个CT影像切块序列的多个第二特征向量中选取同一肺结节在不同时序上的多个特征向量进行组合，得到多个组合特征向量序列。
可选的，如图10所示，所述特征融合模块80，包括：
第一融合特征生成单元801，用于将每个所述组合特征向量序列中每个特征向量和与其对应的所述拍摄间隔时长进行融合，生成每个特征向量的第一融合特征；
注意力权重值计算单元802，用于根据所述每个特征向量的第一融合特征计算所述每个特征向量的注意力权重值；
预测特征向量生成单元803，用于将所述每个特征向量的注意力权重值和与其对应的所述第一信息内容进行数乘并求和，生成多个预测特征向量。
可选的，如图11所示，所述最终目标向量生成模块90，包括：
关键特征向量构造单元901，用于根据所述已有的临床信息构造关键特征向量；
参数计算单元902，用于计算所述多个预测特征向量中每个预测特征向量的第二查找键与第二信息内容；
预测特征向量的注意力权重计算单元903，用于基于所述关键特征向量与所述每个预测特征向量的第二查找键计算所述每个预测特征向量的注意力权重；
最终目标向量生成单元904，用于将所述每个预测特征向量的注意力权重和与其对应的所述第二信息内容进行数乘并求和，生成最终目标向量。
需要说明的是，上述实施例提供的图像处理装置在执行图像处理方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的图像处理装置与图像处理方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请实施例中，图像处理装置首先获取待处理的肺部CT扫描图像，然后将该图像输入预先训练的图像处理模型中，最后输出肺部CT扫描图像对应的多个肺结节参数值；图像处理模型基于最终目标向量训练生成，最终目标向量是基于已有的临床信息和多个预测向量进行特征融合生成，多个预测向量特征是基于已有历史肺部CT扫描图像序列中各图像的特征向量与相邻图像之间的拍摄间隔时长进行特征融合生成。由于本申请将根据已有的连续多个时期的CT影像生成的多个预测向量先和相邻图像之间的拍摄间隔时长进行特征融合，再将融合后的多个特征与已有的临床信息对应的向量进行特征融合，使得最终的特征值更加丰富，导致训练的模型精确度更高，进而提升了识别图像中肺结节参数的精确度。
本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的图像处理方法。
本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的图像处理方法。
请参见图12，为本申请实施例提供了一种终端的结构示意图。如图12所示，终端1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图12所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及图像处理应用程序。
在图12所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的图像处理应用程序，并具体执行以下操作：
获取待处理的肺部CT扫描图像；
将所述肺部CT扫描图像输入预先训练的图像处理模型中；其中，图像处理模型基于最终目标向量训练生成，最终目标向量是基于已有的临床信息和多个预测向量进行特征融合生成，多个预测向量特征是基于已有历史肺部CT扫描图像序列中各图像的特征向量与相邻图像之间的拍摄间隔时长进行特征融合生成；
输出所述肺部CT扫描图像对应的多个肺结节参数值。
在一个实施例中，处理器1001在执行生成预先训练的图像处理模型时，具体执行以下操作：
构建图像处理模型；其中，图像处理模型包括肺结节检测网络、特征提取器、归一化层以及全连接层；
获取已有的连续多个时期的历史肺部CT扫描图像序列；
根据历史肺部CT扫描图像序列、肺结节检测网络、特征提取器、归一化层生成多个组合特征向量序列；
根据全连接层计算每个组合特征向量序列中每个特征向量的第一查找键和第一信息内容；
获取每个特征向量对应的历史肺部CT扫描图像的拍摄间隔时长，并根据每个组合特征向量序列中每个特征向量的第一查找键、第一信息内容以及拍摄间隔时长进行特征融合后生成多个预测特征向量；
提取已有的临床信息，根据临床信息与多个预测特征向量进行特征融合后生成最终目标向量；
基于最终目标向量计算交叉熵损失值，并当交叉熵损失值到达最小时，生成预先训练的图像处理模型。
在一个实施例中，处理器1001在执行根据历史肺部CT扫描图像序列、肺结节检测网络、特征提取器、归一化层生成多个组合特征向量序列时，具体执行以下操作：
将历史肺部CT扫描图像序列中距离当前时刻间隔最小的图像确定为目标肺部CT扫描图像；
将目标肺部CT扫描图像输入肺结节检测网络中，输出目标肺部CT扫描图像对应的多个肺结节数据；
根据多个肺结节数据从每个历史肺部CT扫描图像中切割出预设尺寸的多个CT影像切块序列；
将每个CT影像切块序列输入特征提取器中，输出每个CT影像切块序列的多个第一特征向量；
提取多个第一特征向量中每个第一特征向量的正中心特征并输入归一化层后，生成每个CT影像切块序列的多个第二特征向量；
从每个CT影像切块序列的多个第二特征向量中选取同一肺结节在不同时序上的多个特征向量进行组合，得到多个组合特征向量序列。
在一个实施例中，处理器1001在执行根据每个组合特征向量序列中每个特征向量的第一查找键、第一信息内容以及拍摄间隔时长进行特征融合后生成多个预测特征向量时，具体执行以下操作：
将每个组合特征向量序列中每个特征向量和与其对应的拍摄间隔时长进行融合，生成每个特征向量的第一融合特征；
根据每个特征向量的第一融合特征计算每个特征向量的注意力权重值；
将每个特征向量的注意力权重值和与其对应的第一信息内容进行数乘并求和，生成多个预测特征向量。
在一个实施例中，处理器1001在执行根据临床信息与多个预测特征向量进行特征融合后生成最终目标向量时，具体执行以下操作：
根据已有的临床信息构造关键特征向量；
计算多个预测特征向量中每个预测特征向量的第二查找键与第二信息内容；
基于关键特征向量与每个预测特征向量的第二查找键计算每个预测特征向量的注意力权重；
将每个预测特征向量的注意力权重和与其对应的第二信息内容进行数乘并求和，生成最终目标向量。
在一个实施例中，处理器1001在执行当交叉熵损失值到达最小时，生成预先训练的图像处理模型时，具体执行以下操作：
当交叉熵损失值未到达最小时，更新图像处理模型的网络参数，并继续执行获取已有的连续多个时期的历史肺部CT扫描图像序列的步骤。
在本申请实施例中，图像处理装置首先获取待处理的肺部CT扫描图像，然后将该图像输入预先训练的图像处理模型中，最后输出肺部CT扫描图像对应的多个肺结节参数值；图像处理模型基于最终目标向量训练生成，最终目标向量是基于已有的临床信息和多个预测向量进行特征融合生成，多个预测向量特征是基于已有历史肺部CT扫描图像序列中各图像的特征向量与相邻图像之间的拍摄间隔时长进行特征融合生成。由于本申请将根据已有的连续多个时期的CT影像生成的多个预测向量先和相邻图像之间的拍摄间隔时长进行特征融合，再将融合后的多个特征与已有的临床信息对应的向量进行特征融合，使得最终的特征值更加丰富，导致训练的模型精确度更高，进而提升了识别图像中肺结节参数的精确度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，图像处理的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。
Claims (10)
1.一种图像处理方法，其特征在于，所述方法包括：
获取待处理的肺部CT扫描图像；
将所述肺部CT扫描图像输入预先训练的图像处理模型中；其中，所述图像处理模型基于最终目标向量训练生成，所述最终目标向量是基于已有的临床信息和多个预测向量进行特征融合生成，所述多个预测向量特征是基于已有历史肺部CT扫描图像序列中各图像的特征向量与相邻图像之间的拍摄间隔时长进行特征融合生成；
输出所述肺部CT扫描图像对应的多个肺结节参数值。
2.根据权利要求1所述的方法，其特征在于，按照以下步骤生成预先训练的图像处理模型，包括：
构建图像处理模型；其中，所述图像处理模型包括肺结节检测网络、特征提取器、归一化层以及全连接层；
获取已有的连续多个时期的历史肺部CT扫描图像序列；
根据所述历史肺部CT扫描图像序列、肺结节检测网络、特征提取器、归一化层生成多个组合特征向量序列；
根据所述全连接层计算每个所述组合特征向量序列中每个特征向量的第一查找键和第一信息内容；
获取所述每个特征向量对应的历史肺部CT扫描图像的拍摄间隔时长，并根据每个所述组合特征向量序列中每个特征向量的第一查找键、第一信息内容以及拍摄间隔时长进行特征融合后生成多个预测特征向量；
提取所述已有的临床信息，根据所述临床信息与所述多个预测特征向量进行特征融合后生成最终目标向量；
基于所述最终目标向量计算交叉熵损失值，并当所述交叉熵损失值到达最小时，生成预先训练的图像处理模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述历史肺部CT扫描图像序列、肺结节检测网络、特征提取器、归一化层生成多个组合特征向量序列，包括：
将所述历史肺部CT扫描图像序列中距离当前时刻间隔最小的图像确定为目标肺部CT扫描图像；
将所述目标肺部CT扫描图像输入所述肺结节检测网络中，输出所述目标肺部CT扫描图像对应的多个肺结节数据；
根据所述多个肺结节数据从每个所述历史肺部CT扫描图像中切割出预设尺寸的多个CT影像切块序列；
将每个所述CT影像切块序列输入所述特征提取器中，输出每个CT影像切块序列的多个第一特征向量；
提取所述多个第一特征向量中每个第一特征向量的正中心特征并输入所述归一化层后，生成每个CT影像切块序列的多个第二特征向量；
从所述每个CT影像切块序列的多个第二特征向量中选取同一肺结节在不同时序上的多个特征向量进行组合，得到多个组合特征向量序列。
4.根据权利要求3所述的方法，其特征在于，所述根据每个所述组合特征向量序列中每个特征向量的第一查找键、第一信息内容以及拍摄间隔时长进行特征融合后生成多个预测特征向量，包括：
将每个所述组合特征向量序列中每个特征向量和与其对应的所述拍摄间隔时长进行融合，生成每个特征向量的第一融合特征；
根据所述每个特征向量的第一融合特征计算所述每个特征向量的注意力权重值；
将所述每个特征向量的注意力权重值和与其对应的所述第一信息内容进行数乘并求和，生成多个预测特征向量。
5.根据权利要求4所述的方法，其特征在于，所述根据所述临床信息与所述多个预测特征向量进行特征融合后生成最终目标向量，包括：
根据所述已有的临床信息构造关键特征向量；
计算所述多个预测特征向量中每个预测特征向量的第二查找键与第二信息内容；
基于所述关键特征向量与所述每个预测特征向量的第二查找键计算所述每个预测特征向量的注意力权重；
将所述每个预测特征向量的注意力权重和与其对应的所述第二信息内容进行数乘并求和，生成最终目标向量。
6.根据权利要求2所述的方法，其特征在于，所述当所述交叉熵损失值到达最小时，生成预先训练的图像处理模型，包括：
当所述交叉熵损失值未到达最小时，更新所述图像处理模型的网络参数，并继续执行所述获取已有的连续多个时期的历史肺部CT扫描图像序列的步骤。
7.一种图像处理装置，其特征在于，所述装置包括：
图像获取模块，用于获取待处理的肺部CT扫描图像；
图像输入模块，用于将所述肺部CT扫描图像输入预先训练的图像处理模型中；其中，所述图像处理模型基于最终目标向量训练生成，所述最终目标向量是基于已有的临床信息和多个预测向量进行特征融合生成，所述多个预测向量特征是基于已有历史肺部CT扫描图像序列中各图像的特征向量与相邻图像之间的拍摄间隔时长进行特征融合生成；
图像输出模块，用于输出所述肺部CT扫描图像对应的多个肺结节参数值。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
模型构建模块，用于构建图像处理模型；其中，所述图像处理模型包括肺结节检测网络、特征提取器、归一化层以及全连接层；
图像序列获取模块，用于获取已有的连续多个时期的历史肺部CT扫描图像序列；
组合特征向量序列生成模块，用于根据所述历史肺部CT扫描图像序列、肺结节检测网络、特征提取器、归一化层生成多个组合特征向量序列；
参数计算模块，用于根据所述全连接层计算每个所述组合特征向量序列中每个特征向量的第一查找键和第一信息内容；
特征融合模块，用于获取所述每个特征向量对应的历史肺部CT扫描图像的拍摄间隔时长，并根据每个所述组合特征向量序列中每个特征向量的第一查找键、第一信息内容以及拍摄间隔时长进行特征融合后生成多个预测特征向量；
最终目标向量生成模块，用于提取所述已有的临床信息，根据所述临床信息与所述多个预测特征向量进行特征融合后生成最终目标向量；
模型生成模块，用于基于所述最终目标向量计算交叉熵损失值，并当所述交叉熵损失值到达最小时，生成预先训练的图像处理模型。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-6任意一项的方法步骤。
10.一种终端，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1-6任意一项的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111319114.9A CN116128784A (zh) | 2021-11-09 | 2021-11-09 | 一种图像处理方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111319114.9A CN116128784A (zh) | 2021-11-09 | 2021-11-09 | 一种图像处理方法、装置、存储介质及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116128784A true CN116128784A (zh) | 2023-05-16 |
Family
ID=86308560
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111319114.9A Pending CN116128784A (zh) | 2021-11-09 | 2021-11-09 | 一种图像处理方法、装置、存储介质及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116128784A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117503205A (zh) * | 2024-01-05 | 2024-02-06 | 广州索诺康医疗科技有限公司 | 基于掌超设备的空间复合成像方法、系统、介质及终端 |
| CN117763182A (zh) * | 2023-11-14 | 2024-03-26 | 清华大学深圳国际研究生院 | 舰船图像检索方法、装置、设备和存储介质 |
-
2021
- 2021-11-09 CN CN202111319114.9A patent/CN116128784A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117763182A (zh) * | 2023-11-14 | 2024-03-26 | 清华大学深圳国际研究生院 | 舰船图像检索方法、装置、设备和存储介质 |
| CN117763182B (zh) * | 2023-11-14 | 2024-09-06 | 清华大学深圳国际研究生院 | 舰船图像检索方法、装置、设备和存储介质 |
| CN117503205A (zh) * | 2024-01-05 | 2024-02-06 | 广州索诺康医疗科技有限公司 | 基于掌超设备的空间复合成像方法、系统、介质及终端 |
| CN117503205B (zh) * | 2024-01-05 | 2024-04-09 | 广州索诺康医疗科技有限公司 | 基于掌超设备的空间复合成像方法、系统、介质及终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI832966B (zh) | 用於使用多模態成像和集成機器學習模型的自動靶標和組織分割的方法和設備 | |
| WO2020211293A1 (zh) | 一种图像分割方法及装置、电子设备和存储介质 | |
| US10726295B2 (en) | Control method and recording medium | |
| CN112541928A (zh) | 网络训练方法及装置、图像分割方法及装置和电子设备 | |
| CN112399816A (zh) | 信息处理装置和模型生成方法 | |
| WO2019215604A1 (en) | Systems and methods for detecting an indication of a visual finding type in an anatomical image | |
| CN109074869B (zh) | 医疗诊断支持装置、信息处理方法以及医疗诊断支持系统 | |
| CN107274402A (zh) | 一种基于胸部ct影像的肺结节自动检测方法及系统 | |
| US11875898B2 (en) | Automatic condition diagnosis using an attention-guided framework | |
| CN116128784A (zh) | 一种图像处理方法、装置、存储介质及终端 | |
| KR102750145B1 (ko) | 병변 판독 방법 및 이를 위한 장치 | |
| CN113164142B (zh) | 相似度确定装置、方法及程序 | |
| US20230126877A1 (en) | Synthetic data generation and annotation for tumor diagnostics and treatment | |
| Pham et al. | Chest x-rays abnormalities localization and classification using an ensemble framework of deep convolutional neural networks | |
| CN113963198B (zh) | 一种高光谱图像分类方法、装置、存储介质及终端 | |
| US20250086787A1 (en) | Liver cirrhosis detection in digital images | |
| CN110992312A (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| CN117495693A (zh) | 用于内窥镜的图像融合方法、系统、介质及电子设备 | |
| US11776121B2 (en) | Method and apparatus for providing information needed for diagnosis of lymph node metastasis of thyroid cancer | |
| CN116521915A (zh) | 一种相似医学图像的检索方法、系统、设备及介质 | |
| US12277691B2 (en) | Method and system for outputting a slice corresponding to a target item for 3D image including a plurality of slices | |
| CN117059263A (zh) | 基于双视图胸片的肺动脉高压发生概率的确定方法及系统 | |
| CN108875814A (zh) | 图片检索方法、装置及电子设备 | |
| CN115705932A (zh) | 一种肺结节随访预测方法、装置、设备及存储介质 | |
| KR101455686B1 (ko) | 3차원 초음파 진단기의 진단부위 추출방법 |
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 |