本申请提供一种结节方位识别装置、方法、存储介质及电子设备。所述结节方位识别装置包括：医学影像获取模块，被配置为获取医学影像，所述医学影像包括结节和参考对象；结节方位识别模块，被配置为对所述医学影像进行处理以获取所述结节的坐标信息和所述参考对象的坐标信息，并根据所述结节的坐标信息和所述参考对象的坐标信息识别所述结节的方位。所述结节方位识别装置能够自动实现结节方位检测。位识别装置能够自动实现结节方位检测。位识别装置能够自动实现结节方位检测。
【技术实现步骤摘要】
结节方位识别装置、方法、存储介质及电子设备
[0001]本申请属于图像处理
，涉及一种结节识别装置，特别是涉及一种结节方位识别装置、方法、存储介质及电子设备。
技术介绍
[0002]结节方位检测是医学影像分析领域的一项重要研究方向，其主要目的是根据医学影像确定结节的方位。通过结节方位检测可以大大提高医生的诊断效率和准确性，减轻医生的工作负担，并为患者提供更为及时和准确的治疗。然而，在实际应用中，医学影像具有复杂的结构和丰富的信息，且结节在影像中的形态、大小、位置等差异较大。因此，如何快速、准确地实现结节方位检测已成为相关领域技术人员亟需解决的技术问题之一。
技术实现思路
[0003]本申请提供一种结节方位识别装置，用于快速、准确地实现结节方位检测。
[0004]第一方面，本申请实施例提供一种结节方位识别装置，所述结节方位识别装置包括：医学影像获取模块，被配置为获取医学影像，所述医学影像包括结节和参考对象；结节方位识别模块，被配置为对所述医学影像进行处理以获取所述结节的坐标信息和所述参考对象的坐标信息，并根据所述结节的坐标信息和所述参考对象的坐标信息识别所述结节的方位。
[0005]在第一方面的一种实现方式中，所述结节方位识别模块包括坐标信息获取单元，所述坐标信息获取单元被配置为利用检测识别模型对所述医学影像进行处理以获取所述结节的坐标信息和所述参考对象的坐标信息，所述检测识别模型为训练后的yolov8多任务模型。
[0006]在第一方面的一种实现方式中，所述结节方位识别模块还包括：第一识别单元，被配置为利用所述检测识别模型对所述结节的坐标信息和所述参考对象的坐标信息进行处理以获取结节方位的第一识别结果；第二识别单元，被配置为利用坐标分类模型对所述结节的坐标信息和所述参考对象的坐标信息进行处理以获取结节方位的第二识别结果，所述坐标分类模型为训练后的SVM机器学习模型；结果融合单元，被配置为对所述第一识别结果和所述第二识别结果进行融合以获取所述结节的方位。
[0007]在第一方面的一种实现方式中，所述检测识别模型的获取方法为：构建yolov8初始模型，对所述yolov8初始模型的DFL层的输出进行注意力融合，并为所述yolov8初始模型添加结节方位分类分支。
[0008]在第一方面的一种实现方式中，所述检测识别模型的训练方法包括：步骤a，获取第一训练数据，所述第一训练数据包括第一训练影像及其坐标标注结果和结节方位标注结果，所述第一训练影像包括第一类影像、第二类影像、第三类影像和第四类影像，所述第一类影像不包含所述结节和所述参考对象，所述第二类影像包含所述结节不包含所述参考对象，所述第三类影像包含所述参考对象不包含所述结节，所述第四类影像包含所述结节和
所述参考对象；步骤b，将所述第一训练影像输入所述检测识别模型，获取所述检测识别模型的DFL层的输出数据作为第一数据；步骤c，将所述第一数据输入聚焦层进行特征提取，并将特征提取的结果进行连接以获取第二数据；步骤d，将所述第二数据输入注意力层以获取第三数据；步骤e，将所述第三数据输入softmax层以获取特征权重；步骤f，利用所述特征权重对所述第二数据进行加权，并将加权后的所述第二数据在第一个维度进行逐像素相加以得到第四数据；步骤g，将所述第四数据输入分类头以得到输出结果；步骤h，根据所述输出结果和所述第一训练影像的坐标标注结果以及结节方位标注结果获取损失函数；步骤i，根据所述损失函数调整所述检测识别模型的参数，重复执行步骤b至步骤i直到满足训练终止条件。
[0009]在第一方面的一种实现方式中，所述坐标分类模型的训练方法包括：获取第二训练数据，所述第二训练数据包括第二训练影像及其结节方位标注结果；利用所述检测识别模型对所述第二训练影像进行处理以获取所述结节的预测坐标和所述参考对象的预测坐标；利用所述结节的预测坐标和所述参考对象的预测坐标以及所述第二训练影像的结节方位标注结果对所述坐标分类模型进行训练。
[0010]在第一方面的一种实现方式中，所述结节为甲状腺结节，所述参考对象为气管。
[0011]第二方面，本申请实施例提供一种结节方位识别方法，所述结节方位识别方法包括：获取医学影像，所述医学影像包括结节和参考对象；对所述医学影像进行处理以获取所述结节的坐标信息和所述参考对象的坐标信息，并根据所述结节的坐标信息和所述参考对象的坐标信息识别所述结节的方位。
[0012]第三方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述第二方面所述的结节方位识别方法。
[0013]第四方面，本申请实施例提供一种电子设备，所述电子设备包括：存储器，存储有一计算机程序；处理器，与所述存储器通信相连，调用所述计算机程序时执行上述第二方面所述的结节方位识别方法。
[0014]本申请实施例提供的结节方位识别装置可以自动实现结节方位检测，该过程基本无需人工参与，效率较高。此外，所述结节方位识别装置根据参考对象的坐标信息和结节的坐标信息来识别结节的方位，识别结果准确率较高。
附图说明
[0015]图1显示为本申请一实施例中结节方位识别装置的应用场景示意图。
[0016]图2显示为本申请一实施例中结节方位识别装置的结构示意图。
[0017]图3显示为本申请一实施例中结节方位识别模块的结构示意图。
[0018]图4显示为本申请一实施例中注意力层的结构示意图。
[0019]图5显示为本申请一实施例中坐标分类模型的训练过程流程图。
[0020]图6显示为本申请一实施例中结节方位识别方法的流程图。
[0021]图7显示为本申请一实施例中电子设备的结构示意图。
[0022]元件标号说明
[0023]1ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
电子设备
[0024]11
ꢀꢀꢀꢀꢀꢀꢀꢀ
医学影像获取装置
[0025]12
ꢀꢀꢀꢀꢀꢀꢀꢀ
通用处理器
[0026]121
ꢀꢀꢀꢀꢀꢀꢀ
中央处理器
[0027]122
ꢀꢀꢀꢀꢀꢀꢀ
神经网络处理器
[0028]13
ꢀꢀꢀꢀꢀꢀꢀꢀ
显示器
[0029]14
ꢀꢀꢀꢀꢀꢀꢀꢀ
存储器
[0030]2ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
结节方位识别装置
[0031]21
ꢀꢀꢀꢀꢀꢀꢀꢀ
医学影像获取模块
[0032]22
ꢀꢀꢀꢀꢀꢀꢀꢀ
结节方位识别模块
[0033]221
ꢀꢀꢀꢀꢀꢀꢀ
坐标信息获取单元
[0034]222
ꢀꢀꢀꢀꢀꢀꢀ
第一识别单元
[0035]223
ꢀꢀꢀꢀꢀꢀꢀ
第二识别单元
[0036]224
ꢀꢀꢀꢀꢀꢀꢀ
结果融合单元
[0037]7ꢀꢀꢀ本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种结节方位识别装置，其特征在于，所述结节方位识别装置包括：医学影像获取模块，被配置为获取医学影像，所述医学影像包括结节和参考对象；结节方位识别模块，被配置为对所述医学影像进行处理以获取所述结节的坐标信息和所述参考对象的坐标信息，并根据所述结节的坐标信息和所述参考对象的坐标信息识别所述结节的方位。2.根据权利要求1所述的结节方位识别装置，其特征在于，所述结节方位识别模块包括坐标信息获取单元，所述坐标信息获取单元被配置为利用检测识别模型对所述医学影像进行处理以获取所述结节的坐标信息和所述参考对象的坐标信息，所述检测识别模型为训练后的yolov8多任务模型。3.根据权利要求2所述的结节方位识别装置，其特征在于，所述结节方位识别模块还包括：第一识别单元，被配置为利用所述检测识别模型对所述结节的坐标信息和所述参考对象的坐标信息进行处理以获取结节方位的第一识别结果；第二识别单元，被配置为利用坐标分类模型对所述结节的坐标信息和所述参考对象的坐标信息进行处理以获取结节方位的第二识别结果，所述坐标分类模型为训练后的SVM机器学习模型；结果融合单元，被配置为对所述第一识别结果和所述第二识别结果进行融合以获取所述结节的方位。4.根据权利要求3所述的结节方位识别装置，其特征在于，所述检测识别模型的获取方法为：构建yolov8初始模型，对所述yolov8初始模型的DFL层的输出进行注意力融合，并为所述yolov8初始模型添加结节方位分类分支。5.根据权利要求3所述的结节方位识别装置，其特征在于，所述检测识别模型的训练方法包括：步骤a，获取第一训练数据，所述第一训练数据包括第一训练影像及其坐标标注结果和结节方位标注结果，所述第一训练影像包括第一类影像、第二类影像、第三类影像和第四类影像，所述第一类影像不包含所述结节和所述参考对象，所述第二类影像包含所述结节不包含所述参考对象，所述第三类影像包含所述参考对象不包含所述结节，所述第四类影像包含所述结节和所述参考对象；步骤...
【专利技术属性】
技术研发人员：郭峰，何秀颖，叶秋意，
申请(专利权)人：上海杏脉信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。