本申请涉及医学图像处理,特别是涉及非限束器区域检测方法、装置、计算机设备和存储介质。
背景技术:
1、在x线设备中,限束器用来遮挡被拍摄者不必要接受x线的区域,从而减少被拍摄者所受x线的剂量。被限束器遮挡的区域称为限束器区域,未被限束器遮挡的区域称为非限束器区域。限束器区域是非诊断区域,需要在最终的成像图像上排除,残留的限束器区域会影响图像的后续处理效果。非限束器区域是诊断区域,非限束器区域的错误裁剪可能会导致诊断区域的丢失,从而形成废片。因此,需要在采集的图像上正确地检测出非限束器区域,裁剪掉限束器区域,保留正确的诊断区域。
2、目前的方案为:基于分割任务对非限束器区域进行检测,得到的掩膜。再经过凸包等一系列复杂的后处理算法对掩膜进行处理,会涉及过多的人工可调参数,导致检测效率低下,且准确性不高。
3、针对相关技术中存在复杂后续处理算法和过多的人工可调参数,导致检测效率低,且准确性不高的问题,目前还没有提出有效的解决方案。
技术实现思路
1、在本实施例中提供了一种非限束器区域检测方法、装置、计算机设备和存储介质,以解决相关技术中存在复杂后续处理算法和过多的人工可调参数,导致检测效率低,且准确性不高的问题。
2、第一个方面,在本实施例中提供了一种非限束器区域检测方法,包括:
3、构建初始神经网络模型,所述初始神经网络模型包括初始卷积神经网络层和初始可微空间到数值变换层;
4、获取批量的样本医学图像和与所述样本医学图像对应的非限束器区域的角点坐标;以批量的所述样本医学图像作为初始神经网络模型的训练样本,以所述角点坐标作为所述初始神经网络模型的学习目标,基于预设的第一损失函数,对所述初始卷积神经网络层进行训练,并基于训练所述初始卷积神经网络层输出的高斯热图和预设的第二损失函数,对所述初始可微空间到数值变换层进行训练,得到目标神经网络模型;
5、将目标医学图像输入到所述目标神经网络模型中进行检测,得到非限束器区域的目标角点坐标;并基于所述目标角点坐标对所述目标医学图像进行处理,得到目标图像。
6、在其中的一些实施例中,所述构建初始神经网络模型,包括:
7、根据编码器和解码器,构建所述初始卷积神经网络层;
8、构建与所述初始卷积神经网络层连接的初始可微空间到数值变换层。
9、在其中的一些实施例中,所述根据编码器和解码器,构建所述初始卷积神经网络层,包括:
10、根据第一标准模块、密集连接模块以及注意力模块,构建编码器;所述第一标准模块包括卷积子层、批标准化子层以及relu激活子层;
11、根据上下文切入模块、第一标准模块以及注意力模块,构建解码器;
12、根据编码器和解码器,构建所述初始卷积神经网络层。
13、在其中的一些实施例中,所述密集连接模块包括至少两个密集连接子模块;
14、所述密集连接子模块包括一个第一标准模块和多个第二标准模块;其中,所述第一标准模块的卷积核大小为1乘1;所述第二标准模块的卷积核大小为3乘3。
15、在其中的一些实施例中,所述第一损失函数为js分布正态损失函数;所述第二损失函数为欧几里得损失函数。
16、在其中的一些实施例中,所述基于训练所述初始卷积神经网络层输出的高斯热图和预设的第二损失函数,对所述初始可微空间到数值变换层进行训练,包括:
17、选择softmax函数对所述初始卷积神经网络层每一个通道输出的高斯热图进行归一化;
18、利用预设的转换矩阵对归一化结果进行f范数处理,并在第二损失函数满足收敛条件时,完成所述初始可微空间到数值变换层的训练。
19、在其中的一些实施例中,所述基于所述目标角点坐标对所述目标医学图像进行处理,得到目标图像,包括:
20、对所述目标医学图像进行预处理;
21、基于所述目标角点坐标构建矩形区域;
22、基于所述矩形区域对预处理后的所述目标医学图像进行裁剪处理,得到目标图像。
23、第二个方面,在本实施例中提供了一种非限束器区域检测装置,包括:构建模块、训练模块以及检测模块;
24、所述构建模块,用于构建初始神经网络模型,所述初始神经网络模型包括初始卷积神经网络层和初始可微空间到数值变换层;
25、所述训练模块,用于获取批量的样本医学图像和与所述样本医学图像对应的非限束器区域的角点坐标;以批量的所述样本医学图像作为初始神经网络模型的训练样本,以所述角点坐标作为所述初始神经网络模型的学习目标,基于预设的第一损失函数,对所述初始卷积神经网络层进行训练,并基于训练所述初始卷积神经网络层输出的高斯热图和预设的第二损失函数,对所述初始可微空间到数值变换层进行训练,得到目标神经网络模型;
26、所述检测模块,用于将目标医学图像输入到所述目标神经网络模型中进行检测,得到非限束器区域的目标角点坐标;并基于所述目标角点坐标对所述目标医学图像进行处理,得到目标图像。
27、第三个方面,在本实施例中提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一个方面所述的非限束器区域检测方法。
28、第四个方面,在本实施例中提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一个方面所述的非限束器区域检测方法。
29、与相关技术相比,在本实施例中提供的非限束器区域检测方法、装置、计算机设备和存储介质,通过构建初始神经网络模型,初始神经网络模型包括初始卷积神经网络层和初始可微空间到数值变换层;获取批量的样本医学图像和与样本医学图像对应的非限束器区域的角点坐标;以批量的样本医学图像作为初始神经网络模型的训练样本,以角点坐标作为初始神经网络模型的学习目标,基于预设的第一损失函数,对初始卷积神经网络层进行训练,并基于训练初始卷积神经网络层输出的高斯热图和预设的第二损失函数,对初始可微空间到数值变换层进行训练,得到目标神经网络模型;将目标医学图像输入到目标神经网络模型中进行检测,得到非限束器区域的目标角点坐标;并基于目标角点坐标对目标医学图像进行处理,得到目标图像;解决了相关技术中存在复杂后续处理算法和过多的人工可调参数,导致检测效率低,且准确性不高的问题,利用目标神经网络模型直接获取目标角点坐标,得到目标图像以实现非限束器区域的快速检测,提高检测的准确性和效率。
30、本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
1.一种非限束器区域检测方法,其特征在于,包括:
2.根据权利要求1所述的非限束器区域检测方法,其特征在于,所述构建初始神经网络模型,包括:
3.根据权利要求2所述的非限束器区域检测方法,其特征在于,所述根据编码器和解码器,构建所述初始卷积神经网络层,包括:
4.根据权利要求3所述的非限束器区域检测方法,其特征在于,所述密集连接模块包括至少两个密集连接子模块;
5.根据权利要求1所述的非限束器区域检测方法,其特征在于,所述第一损失函数为js分布正态损失函数;所述第二损失函数为欧几里得损失函数。
6.根据权利要求1至5任一项所述的非限束器区域检测方法,其特征在于,所述基于训练所述初始卷积神经网络层输出的高斯热图和预设的第二损失函数,对所述初始可微空间到数值变换层进行训练,包括:
7.根据权利要求6所述的非限束器区域检测方法,其特征在于,所述基于所述目标角点坐标对所述目标医学图像进行处理,得到目标图像,包括:
8.一种非限束器区域检测装置,其特征在于,包括:构建模块、训练模块以及检测模块;
9.一种计算机设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的非限束器区域检测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的非限束器区域检测方法的步骤。