从3D图像自动检测目标对象的计算机实现方法和系统技术方案

本公开涉及一种从3D图像自动检测目标对象的计算机实现方法和系统。该方法可以包括接收由成像装置获取的3D图像。该方法可以进一步包括由处理器使用3D学习网络检测包含目标对象的多个边界框。学习网络可以被训练以基于3D图像生成不同尺度的多个特征映射。该方法还可以包括由处理器使用3D学习网络来确定识别每个检测到的边界框的一组参数，并且由处理器基于所述一组参数来定位目标对象。该方法能够借助于3D学习网络从3D图像快速、准确地和自动地检测目标对象。

【技术实现步骤摘要】
从3D图像自动检测目标对象的计算机实现方法和系统相关申请的交叉引用本申请要求于2017年8月9日提交的美国临时申请第62/542,890号的优先权，其全部内容通过引用并入本文。
本公开总体上涉及图像处理和分析。更具体地，本公开涉及用于从3D图像自动定位和检测目标对象的方法和系统。
技术介绍
诊断的准确性和治疗效果取决于医学图像分析的质量，特别是目标对象(诸如器官、组织、目标部位等)的检测。与常规二维成像相比，容积(3D)成像，诸如容积CT，可捕获更有价值的医疗信息，从而有助于更准确的诊断。但是，目标对象通常由经验丰富的医疗人员(诸如放射科医生)检测，而不是由机器来检测，这使得它很繁琐、耗时且容易出错。一个例子是从肺部图像中检测肺结节。图1显示了来自容积胸部CT的轴状面图像的一个例子。白色边界框内的高密度质量对应于肺结节。为了检测这种肺结节，放射科医师必须从容积CT扫描中筛查数百和数千幅图像。由于缺乏3D空间信息，仅仅从2D图像中识别结节并不是一项简单的任务。在2D图像中区分小结节和血管是不容易的，因为2D轴状视图中的血管也是圆形或椭圆形，其看起来像结节。通常，放射科医师需要检查相邻图本文档来自技高网...

【技术保护点】
1.一种从3D图像自动检测目标对象的计算机实现方法，包括：接收由成像装置获取的3D图像；由处理器使用3D学习网络检测包含所述目标对象的多个边界框，其中，所述学习网络被训练以基于所述3D图像生成具有变化尺度的多个特征映射；由处理器使用所述3D学习网络确定识别各个检测到的边界框的一组参数；以及由处理器基于所述一组参数定位所述目标对象。

【技术特征摘要】
2017.08.09 US 62/542,890;2018.06.02 US 15/996,4341.一种从3D图像自动检测目标对象的计算机实现方法，包括：接收由成像装置获取的3D图像；由处理器使用3D学习网络检测包含所述目标对象的多个边界框，其中，所述学习网络被训练以基于所述3D图像生成具有变化尺度的多个特征映射；由处理器使用所述3D学习网络确定识别各个检测到的边界框的一组参数；以及由处理器基于所述一组参数定位所述目标对象。2.根据权利要求1所述的计算机实现方法，其中，所述一组参数包括识别所述3D图像中的各个边界框的位置的坐标。3.如权利要求1所述的计算机实现方法，其中所述一组参数包括识别各个边界框的大小的尺寸。4.根据权利要求1所述的计算机实现方法，其中所述3D学习网络被训练以对所述一组参数执行回归。5.根据权利要求1所述的计算机实现方法，进一步包括将多个锚框与所述3D图像相关联，其中所述一组参数指示各个边界框相对于相应锚框的偏移。6.如权利要求5所述的计算机实现方法，其中，每个锚框与特征映射的栅格单元相关联。7.根据权利要求6所述的计算机实现方法，其中，所述锚框根据所述特征映射的尺度缩放。8.根据权利要求1所述的计算机实现方法，其中所述多个特征映射具有变化的图像尺寸。9.根据权利要求1所述的计算机实现方法，其中所述多个特征映射使用可变尺寸的滑动窗口。10.根据权利要求1所述的计算机实现方法，还包括创建初始边界框，其中检测包含所述目标对象的多个边界框包括将所述初始边界框分类为与多...

【专利技术属性】
技术研发人员：宋麒，孙善辉，陈翰博，白军杰，高峰，尹游兵，
申请(专利权)人：深圳科亚医疗科技有限公司，
类型：发明
国别省市：广东,44