CN111028173B - 图像增强方法、装置、电子设备及可读存储介质 - Google Patents
图像增强方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111028173B CN111028173B CN201911258287.7A CN201911258287A CN111028173B CN 111028173 B CN111028173 B CN 111028173B CN 201911258287 A CN201911258287 A CN 201911258287A CN 111028173 B CN111028173 B CN 111028173B
- Authority
- CN
- China
- Prior art keywords
- medical image
- image
- disease
- determining
- weight
- 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 59
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 174
- 201000010099 disease Diseases 0.000 claims abstract description 172
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000004913 activation Effects 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000003902 lesion Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开提供了一种医学图像的图像增强方法、装置、电子设备及可读存储介质,包括:提取医学图像中包括的图像特征,并根据图像特征确定疾病信息;根据疾病信息确定医学图像中是否存在病症;若是,则根据疾病信息、图像特征确定注意力权重;根据注意力权重对医学图像进行处理,得到增强医学图像。本实施例提供的方法、装置、电子设备及可读存储介质,根据疾病信息、图像特征对图像进行增强处理,从而使得图像中与疾病特征更加相符的特征被明显增强,能够有助于医生阅读医学图像。
Description
技术领域
本公开涉及图像处理技术,具体涉及图像增强技术。
背景技术
目前在医疗诊断过程中,阅读医学图像是诊断的重要途径之一,例如医生通过阅读X光片、CT等图像,能够确定内部组织、结构的变化以及病变位置。
现有技术中,医生根据经验读片,并为患者进行诊断。但是,这种方式依赖于医生的经验以及工作状态,经常存在漏检漏看的情况,进而也会影响诊断的准确率。
发明内容
本公开提供一种图像增强方法、装置、电子设备及可读存储介质,从而有助于医生阅读医学图像。
本公开第一个方面是提供一种医学图像的图像增强方法,包括:
提取医学图像中包括的图像特征,并根据所述图像特征确定疾病信息;
根据所述疾病信息确定所述医学图像中是否存在病症;
若是,则根据所述疾病信息、所述图像特征确定注意力权重;
根据所述注意力权重对所述医学图像进行处理,得到增强医学图像。
在一种可选的实施方式中,所述根据所述图像特征确定疾病信息,包括:
将所述图像特征输入全连接层,通过所述全连接层中的Sigmoid函数确定所述疾病信息。
在一种可选的实施方式中,所述通过所述全连接层中的Sigmoid函数确定所述疾病信息,包括:
通过所述全连接层中的Sigmoid函数对所述图像特征进行处理,确定所述医学图像与疾病类别对应的分值;
通过所述Sigmoid函数、所述医学图像与疾病类别对应的分值对所述医学图像进行分类,确定所述医学图像所属的疾病类别。
本实施例提供的方法中,可以通过Sigmoid函数对医学图像进行分类,确定医学图像可能属于的疾病类别。
在一种可选的实施方式中,所述根据所述疾病信息确定所述医学图像中是否存在病症,包括:
根据所述疾病类别对应的阈值、所述医学图像与其所属疾病类别对应的分值确定所述医学图像中是否存在与所述疾病类别对应的病症。
本实施例提供的方法中,还预先设置有各个疾病类别的阈值,从而能够更准确的识别医学图像是否确实属于某一类的疾病类别。
在一种可选的实施方式中,所述根据所述疾病信息、所述图像特征确定注意力权重,包括:
根据图像特征中每个通道的特征、所述医学图像与其所属疾病类别对应的分值、所述疾病类别对应的阈值,确定与每个通道的特征对应的激活权重;
根据每个通道的特征及其对应的激活权重确定注意力权重。
本实施例提供的方法中,可以结合确定的医学图像属于某种疾病类别的分值以及图像特征,确定注意力权重,从而确定出包括疾病特征信息的权重。
在一种可选的实施方式中,所述根据每个通道的特征及其对应的激活权重确定注意力权重,包括:
根据每个通道的特征中的特征值与该通道特征对应的激活权重确定与每个特征值对应的加权结果;
将不同通道对应的特征值的加权结果相加,得到与每个所述特征值对应的注意力权重。
在一种可选的实施方式中,所述根据所述注意力权重对所述医学图像进行处理,得到增强医学图像,包括:
确定所述注意力权重与所述医学图像中各个像素点的对应关系,使用所述注意力权重对对应的像素点的像素值进行加权,得到所述增强医学图像。
将包括疾病特征的注意力权重融合到医学图像中,能够增强医学图像中的潜在的疾病特征,进而有助于医生阅读医学图像。
本公开第二个方面提供一种医学图像的图像增强装置,包括:
提取模块,用于提取医学图像中包括的图像特征,并根据所述图像特征确定疾病信息;
判断模块,用于根据所述疾病信息确定所述医学图像中是否存在病症;
权重确定模块,用于若存在病症,则根据所述疾病信息、所述图像特征确定注意力权重;
增强模块,用于根据所述注意力权重对所述医学图像进行处理,得到增强医学图像。
本公开第三个方面提供一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如第一方面所述的任一种医学图像的图像增强方法。
本公开第四个方面提供一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行任一种如第一方面所述的医学图像的图像增强方法。
本公开提供的医学图像的图像增强方法、装置、电子设备及可读存储介质,包括:提取医学图像中包括的图像特征,并根据图像特征确定疾病信息;根据疾病信息确定医学图像中是否存在病症;若是,则根据疾病信息、图像特征确定注意力权重;根据注意力权重对医学图像进行处理,得到增强医学图像。本实施例提供的方法、装置、电子设备及可读存储介质,根据疾病信息、图像特征对图像进行增强处理,从而使得图像中与疾病特征更加相符的特征被明显增强,能够有助于医生阅读医学图像。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请一示例性实施例示出的医学图像的图像增强方法的流程图;
图2为本申请另一示例性实施例示出的医学图像的图像增强方法的流程图;
图3为本申请一示例性实施例示出的多个通道的特征示意图;
图4为本申请一示例性实施例示出的注意力权重示意图;
图5为本申请一示例性实施例示出的增强医学图像示意图;
图6为本申请一示例性实施例示出的医学图像的图像增强装置的结构图;
图7为本申请另一示例性实施例示出的医学图像的图像增强装置的结构图;
图8为本申请另一示例性实施例示出的电子设备的结构图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
目前,医生给病人诊断时,依赖于为病人拍摄的医学图像。该医学图像例如可以是X光片、CT、核磁共振图像等。这些医学图像能够反映病人内部组织、结构的情况,医生可以凭借经验读片,以确定病人情况。
但是,凭借经验读片,容易发生读片不准确的情况,例如漏读、漏看的情况。
本申请提供的方案,可以识别医学图像中是否存在病症,在存在病症的情况,对医学图像进行增强处理,使得增强后的医学图像更易被医生阅读。
图1为本申请一示例性实施例示出的医学图像的图像增强方法的流程图。
如图1所示,本实施例提供的医学图像的图像增强方法,包括:
步骤101,提取医学图像中包括的图像特征,并根据图像特征确定疾病信息。
其中,本实施例提供的方法可以由具备计算能力的电子设备执行。该电子设备可以是独立的设备,例如计算机。还有可能是集成在其他设备中的计算单元,例如可以是集成在医学图像生成装置中的计算单元。
具体的,当电子设备是独立的设备时,生成医学图像的装置可以与电子设备通过有线或无线的方式连接,该装置可以将生成的医学图像发送到电子设备中,以使电子设备对接收的医学图像进行处理。
若电子设备集成在医学图像生成装置中,则该装置在生成了医学图像后,可以将该图像发送到电子设备中,以使电子设备对接收的医学图像进行处理。
进一步的,本实施例提供的方法可以设置在电子设备中,以使电子设备执行本实施例提供的方法。
实际应用时,本实施例提供的方法还可以封装在预设的模型中,该模型可以设置在电子设备中,电子设备可以通过模型对医学图像进行增强处理。
其中,在接收到医学图像后,可以提取医学图像中的图像特征。具体的,还可以针对不同类型的医学图像设置不同的模型,例如可以设置肺部医学图像对应的模型、肝脏医学图像对应的模型等。可以根据医学图像的类别,使用对应的模型对图像进行处理。
具体的,可以通过卷积层来提取图像特征。可以设置多个卷积层,每个卷积层都可以具有卷积核。通过对输入卷积层的特征数据与该层的卷积核尽心卷积运算,能够得到该卷积层的输出特征。
进一步的,第一卷积层的输入数据可以是医学图像的多通道特征值,例如图像各个像素点对应三通道的像素值。若医学图像是黑白图像,则还可以是图像各个像素点对应的灰度值。
实际应用时,可以根据提取的图像特征确定疾病信息。模型中的卷积层可以通过训练得到。
可以根据最后一个卷积层输出的图像特征确定疾病信息。例如可以是设置一个全连接层,可以将提取的图像特征输入全连接层,使得全连接层确定疾病信息。在最后一个卷积层和全连接层之间还可以设置池化层,可以将卷积层提取的特征数据输入池化层,再由池化层输出图像特征。
其中,全连接层可以根据输入的图像特征对医学图像进行分类,确定医学图像属于的疾病类别。全连接层可以是通过训练得到的。
可以预先收集医学图像,并对这些医学图像进行标注,例如图像中包括的疾病类别。再使用这些带有额外标注信息的数据训练模型,使得模型能够确定疾病信息。
具体的,疾病信息可以包括医学图像属于某一疾病类别的分值。通过全连接层可以对图像特征进行处理,并根据这些特征确定医学图像属于的疾病类别。例如,可以确定医学图像属于各个疾病类别对应的分值,再将其中的最大分值筛选出来,作为疾病信息。
具体可以通过Sigmoid函数确定医学对象属于各个疾病类别对应的分值。
步骤102,根据疾病信息确定医学图像中是否存在病症。
进一步的,全连接层根据医学图像可能属于的疾病类别的分值,来对医学图像进行分类。若医学图像属于每种疾病类别的分值都较低,则可以从中筛选出相对较高的分值,作为疾病信息。此时,有可能医学图像对应的患者并没有该较高分值对应的疾病,只是在医学图像中存在少许与该疾病对应的特征。
因此,本实施例提供的方法中,还可以预先设置与每种疾病类别对应的阈值。这种情况下,疾病信息还可以包括疾病类别对应的阈值。
再通过全连接层确定医学图像可能属于的疾病类别之后,还可以根据医学图像属于该疾病类别的分值、该疾病类别对应的阈值,确定该医学图像是否确实具有与相应疾病类别对应的特征。
其中,可以比对医学图像属于某一种疾病类别的分值与该疾病类别对应的阈值,若分值大于阈值,则可以认为该医学图像确实属于该疾病类别。
具体的,阈值是在测试集测试结果的基础上设定的,设定方式为在测试集取得最大的AUC(Area Under Curve)结果。
进一步的,可以将阈值设置在全连接层。从而可以通过全连接层确定医学图像与各个疾病类别对应分值,再在其中确定出目标分值,比如最大的分值。再获取该目标分值对应的疾病类别的阈值,并比对目标分值与获取的阈值。从而确定医学图像中是否包括该疾病类别对应的病症。
实际应用时,还可以对医学图像进行标记。例如,若确定医学图像中存在病症,则可以将医学图像标记为1,否则,将其标记为0。
其中,若医学图像被标记为1,即确定医学图像属于存在疾病的图像,则可以执行步骤103。
步骤103,若是,则根据疾病信息、图像特征确定注意力权重。
具体的,若医学图像属于存在疾病的图像,例如图像被标记为1,则可以将图像的疾病信息回传到特征提取层,从而根据图像特征、疾病信息共同确定注意力权重。
进一步的,该图像特征可以是最后一层卷积层提取的图像特征。提取的图像特征可以包括多个通道,例如包括k个通道的特征。针对每个通道的特征都可以看作是m*n维度的特征,可以将其看作一个表格,每个格子中具有一个特征值。可以针对每个特征值的位置,都可以确定对应的注意力权重。
实际应用时,不同通道的特征对注意力权重的影响程度不同,因此,还可以根据各个通道的特征以及疾病信息,确定不同通道对应的激活权重。再综合各个通道的激活权重以及各个通道的特征,确定最终的注意力权重。
其中,注意力权重的维度可以与图像特征维度相同,例如,都是m*n的。
步骤104,根据注意力权重对医学图像进行处理,得到增强医学图像。
具体的,若图像特征与医学图像的尺寸相同,则可以直接用图像中的像素值与注意力权重相乘,从而对图像进行增强处理。
若图像特征的尺寸小于医学图像的尺寸,则可以对确定的注意力权重进行插值处理,得到与医学图像尺寸相同的注意力权重。再根据该处理后的注意力权重对图像进行增强处理。
具体的,最终确定的注意力权重中包括疾病信息、图像特征信息,例如,图像特征与疾病特征越相符,则确定的对应的注意力权重越大,则在使用该注意力权重对医学图像进行处理时,对相应位置的图像的增强效果更明显。相应的,图像特征与疾病特征越不相符,则对相应位置的图像的增强效果越不明显。
进一步的,医学图像若包括三个通道的像素值,则可以使用注意力权重对每个通道的像素值进行处理,得到增强后的图像。
电子设备可以输出增强后的医学图像,医生在读片时,可以查看增强后的医学图像,由于该图像中包括增强信息,可以很明显的看到其中发生病变的部分,便于医生更准确的为病人诊断疾病。
本实施例提供的方法用于对医学图像进行增强处理,该方法由设置有本实施例提供的方法的设备执行,该设备通常以硬件和/或软件的方式来实现。
本实施例提供的医学图像的图像增强方法,包括:提取医学图像中包括的图像特征,并根据图像特征确定疾病信息;根据疾病信息确定医学图像中是否存在病症;若是,则根据疾病信息、图像特征确定注意力权重;根据注意力权重对医学图像进行处理,得到增强医学图像。本实施例提供的方法,根据疾病信息、图像特征对图像进行增强处理,从而使得图像中与疾病特征更加相符的特征被明显增强,能够有助于医生阅读医学图像。
图2为本申请另一示例性实施例示出的医学图像的图像增强方法的流程图。
如图2所示,本实施例提供的医学图像的图像增强方法,包括:
步骤201,提取医学图像中包括的图像特征。
步骤201与步骤101中提取图像特征的具体原理和实现方式类似,此处不再赘述。
步骤202,将图像特征输入全连接层,通过全连接层中的Sigmoid函数确定疾病信息。
其中,该图像特征可以是池化层输入全连接层的。通过全连接层中的Sigmoid函数对输入的图像特征进行分析,从而对医学图像进行分类,具体可以确定医学图像可能属于的疾病类别。
全连接层可以根据输入的特征输出分值,例如,可以是医学图像属于各个疾病类别的分值。
具体的,可以在全连接层设置激活函数Sigmoid函数。将确定的分值输入Sigmoid函数,该函数可以将输入特征映射到0-1的范围内,可以根据Sigmoid函数输出的结果对医学图像进行分类。例如,可以将Sigmoid函数输出的值看作是概率,进而可以确定医学图像属于哪个疾病类别的可能性更高,从而得到医学图像对应的疾病信息。比如,可以将概率最大的疾病类别确定为所述医学图像所属的疾病类别。
进一步的,疾病信息可以包括医学图像最可能属于的疾病类别,还可以包括医学图像与该疾病类别对应的分值。
步骤203,根据疾病类别对应的阈值、医学图像与其所属疾病类别对应的分值确定医学图像中是否存在与疾病类别对应的病症。
实际应用时,还可以设置于各个疾病类别对应的阈值。
通过Sigmoid函数对医学图像分类,确定出医学图像所属的目标疾病类别后。还可以获取该目标疾病类别对应的阈值。
其中,可以比对医学图像与目标疾病类别对应的分值与获取的阈值,若分值大于阈值,则可以确定医学图像确实属于该目标疾病类别,否则,认为医学图像不属于该目标疾病类别。
阈值是在测试集测试结果的基础上设定的,设定方式为在测试集取得最大的AUC结果。
若是,则可以执行步骤204。
步骤204,若是,则根据图像特征中每个通道的特征、医学图像与其所属疾病类别对应的分值、疾病类别对应的阈值,确定与每个通道的特征对应的激活权重。
若确定医学图像属于某一疾病类别,即确定病患患有某种疾病,则可以对该医学图像进行增强处理,使得医学图像中的病变位置被明显增强,能够有助于医生阅读医学图像。
其中,若确定医学图像属于目标疾病类别,则可以将医学图像与该目标疾病类别对应的分值以及该目标疾病类别对应的阈值回传到上一层,例如提取上述图像特征的层,从而结合图像特征和分值、阈值,确定特征对应的激活权重。
具体的,提取的特征包括多个通道的特征。例如,可以提取k个通道的特征,每个通道的特征的维度可以是m*n的,即提取的图像特征的维度可以是k*m*n。
进一步的,不同通道的特征对最终注意力权重的影响程度不同,因此,可以针对不同通道的特征确定对应的激活权重。例如,共提取有k个通道的特征,则可以确定对应的k个激活权重。
实际应用时,可以通过下式确定激活权重wk:
其中,其中H代表最后一层特征图的长宽,i和j分别代表某通道特征层的某一像素点,F代表提取到的图像特征,σ代表分经过Sigmoid函数得到的医学图像与其所属疾病类别对应的分值,α代表医学图像与其所属疾病类别对应的阈值。
步骤205,根据每个通道的特征及其对应的激活权重确定注意力权重。
具体的,不同通道的特征对注意力权重的影响程度不同,因此,可以结合不同通道的特征及其对应的激活权重确定注意力权重。
进一步的,可以根据每个通道的特征中的特征值与该通道特征对应的激活权重确定与每个特征值对应的加权结果。由于特征值是从医学图像中提取的与疾病相关的信息,因此,对这些特征进行加权,能够放大其中的疾病特征。
图3为本申请一示例性实施例示出的多个通道的特征示意图。
如图3左侧所示,假设共提取了的图像特征中包括三个通道的特征。第一个通道的特征对应的激活权重是w1,第二个通道的特征对应的激活权重是w2,第三个通道的特征对应的激活权重是w3。
每个通道的特征中都可以包括多个特征值,如图中的dmn、pmn、qmn,例如特征维度是3*3的,则每个通道的特征都可以包括9个特征值。可以将特征值与对应的激活权重相乘,得到每个特征值的加权结果,具体如图3的右侧所示。
其中,可以将不同通道对应的特征值的加权结果相加,得到与每个特征值对应的注意力权重。具体可以将不同通道的特征相同位置特征值的加权结果相加,得到每个特征值对应的注意力权重。
具体可以通过下式确定注意力权重:
Lw=ReLu(∑kwk*Fk)
k用于表示特征的通道标识,例如第一个特征通道的标识、第二个特征通道的标识。Fk用于表示第k个通道的特征。
图4为本申请一示例性实施例示出的注意力权重示意图。
如图4所示,在图3所示实施例的基础上,可以将位置一致的特征值的加权结果进行相加,从而得到每个特征值对应的注意力权重。
本实施例提供的方法中,注意力权重不是一个值。而是包括与特征中每个特征值对应的权重值,通过确定的注意力权重对原始的医学图像进行加权,能够得到增强后的医学图像。
步骤206,确定注意力权重与医学图像中各个像素点的对应关系,使用注意力权重对对应的像素点的像素值进行加权,得到增强医学图像。
其中,若注意力权重的维度与医学图像的尺寸一致,例如都是m*n的,则可以直接用相同位置的权重值与像素值相乘,从而对医学图像进行增强处理。这种情况下,具有相同位置的权重值与像素点具有对应关系。
具体的,若注意力权重的维度与医学图像的尺寸不一致,例如,注意力权重的维度是m*n,医学图像的尺寸是m1*n1。则可以对注意力权重进行插值处理,得到维度是m1*n1注意力权重。这种情况下,可以根据处理后的注意力权重对医学图像进行加权处理。与上述情况类似,可以用相同位置的权重值与像素值相乘,从而对医学图像进行增强处理。
图5为本申请一示例性实施例示出的增强医学图像示意图。
如图5所示,在框选区域内,是通过注意力权重对原图像进行增强后,被明显增强的区域。
本实施例提供的方法中,激活权重中包括医学图像中的疾病特征,并通过对原医学图像增强的方式,将疾病特征融合到医学图像中,从而使医学图像中的疾病特征被增强显示,能够有助于医生阅读医学图像。
图6为本申请一示例性实施例示出的医学图像的图像增强装置的结构图。
如图6所示,本实施例示出的医学图像的图像增强装置,包括:
提取模块61,用于提取医学图像中包括的图像特征,并根据所述图像特征确定疾病信息;
判断模块62,用于根据所述疾病信息确定所述医学图像中是否存在病症;
权重确定模块63,用于若存在病症,则根据所述疾病信息、所述图像特征确定注意力权重;
增强模块64,用于根据所述注意力权重对所述医学图像进行处理,得到增强医学图像。
本实施例提供的医学图像的图像增强装置,包括提取模块,用于提取医学图像中包括的图像特征,并根据图像特征确定疾病信息;判断模块,用于根据疾病信息确定医学图像中是否存在病症;权重确定模块,用于若存在病症,则根据所述疾病信息、所述图像特征确定注意力权重;增强模块,用于根据注意力权重对医学图像进行处理,得到增强医学图像。本实施例提供的装置根据疾病信息、图像特征对图像进行增强处理,从而使得图像中与疾病特征更加相符的特征被明显增强,能够有助于医生阅读医学图像。
本实施例提供的医学图像的图像增强装置的具体原理和实现方式均与图1所示的实施例类似,此处不再赘述。
图7为本申请另一示例性实施例示出的医学图像的图像增强装置的结构图。
如图7所示,本实施例示出的医学图像的图像增强装置,所述提取模块61具体用于:
将所述图像特征输入全连接层,通过所述全连接层中的Sigmoid函数确定所述疾病信息。
可选的,所述提取模块61包括:
分值确定单元611,用于通过所述全连接层中的Sigmoid函数对所述图像特征进行处理,确定所述医学图像与疾病类别对应的分值;
分类单元612,用于通过所述Sigmoid函数、所述医学图像与疾病类别对应的分值对所述医学图像进行分类,确定所述医学图像所属的疾病类别。
可选的,所述判断模块62具体用于:
根据所述疾病类别对应的阈值、所述医学图像与其所属疾病类别对应的分值确定所述医学图像中是否存在与所述疾病类别对应的病症。
可选的,所述权重确定模块63,包括:
激活权重确定单元631,用于根据图像特征中每个通道的特征、所述医学图像与其所属疾病类别对应的分值、所述疾病类别对应的阈值,确定与每个通道的特征对应的激活权重;
注意力权重确定单元632,用于根据每个通道的特征及其对应的激活权重确定注意力权重。
可选的,所述注意力权重确定单元632具体用于:
根据每个通道的特征中的特征值与该通道特征对应的激活权重确定与每个特征值对应的加权结果;
将不同通道对应的特征值的加权结果相加,得到与每个所述特征值对应的注意力权重。
可选的,所述增强模块64具体用于:
确定所述注意力权重与所述医学图像中各个像素点的对应关系,使用所述注意力权重对对应的像素点的像素值进行加权,得到所述增强医学图像。
本实施例提供的医学图像的图像增强装置的具体原理和实现方式均与图2所示的实施例类似,此处不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图8所示,是根据本申请实施例的医学图像的图像增强方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的医学图像的图像增强方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的医学图像的图像增强方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的医学图像的图像增强方法对应的程序指令/模块(例如,附图6所示的提取模块61、判断模块62、权重确定模块63和增强模块63)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的医学图像的图像增强方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据医学图像的图像增强电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至医学图像的图像增强电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
医学图像的图像增强方法的电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与医学图像的图像增强电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (14)
1.一种医学图像的图像增强方法,其特征在于,包括:
提取医学图像中包括的图像特征,并根据所述图像特征确定疾病信息;
根据所述疾病信息确定所述医学图像中是否存在病症;
若是,则根据所述疾病信息、所述图像特征确定注意力权重,所述注意力权重包括与所述图像特征中每个特征值对应的权重值,所述每个特征值对应的权重值是通过将不同通道的特征相同位置特征值的加权结果相加得到;
确定所述注意力权重与所述医学图像中各个像素点的对应关系,使用所述注意力权重对对应的像素点的像素值进行加权,得到增强医学图像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述图像特征确定疾病信息,包括:
将所述图像特征输入全连接层,通过所述全连接层中的Sigmoid函数确定所述疾病信息。
3.根据权利要求2所述的方法,其特征在于,所述通过所述全连接层中的Sigmoid函数确定所述疾病信息,包括:
通过所述全连接层中的Sigmoid函数对所述图像特征进行处理,确定所述医学图像与疾病类别对应的分值;
通过所述Sigmoid函数、所述医学图像与疾病类别对应的分值对所述医学图像进行分类,确定所述医学图像所属的疾病类别。
4.根据权利要求3所述的方法,其特征在于,所述根据所述疾病信息确定所述医学图像中是否存在病症,包括:
根据所述疾病类别对应的阈值、所述医学图像与其所属疾病类别对应的分值确定所述医学图像中是否存在与所述疾病类别对应的病症。
5.根据权利要求4所述的方法,其特征在于,所述根据所述疾病信息、所述图像特征确定注意力权重,包括:
根据图像特征中每个通道的特征、所述医学图像与其所属疾病类别对应的分值、所述疾病类别对应的阈值,确定与每个通道的特征对应的激活权重;
根据每个通道的特征及其对应的激活权重确定注意力权重。
6.根据权利要求5所述的方法,其特征在于,所述根据每个通道的特征及其对应的激活权重确定注意力权重,包括:
根据每个通道的特征中的特征值与该通道特征对应的激活权重确定与每个特征值对应的加权结果;
将不同通道对应的特征值的加权结果相加,得到与每个所述特征值对应的注意力权重。
7.一种医学图像的图像增强装置,其特征在于,包括:
提取模块,用于提取医学图像中包括的图像特征,并根据所述图像特征确定疾病信息;
判断模块,用于根据所述疾病信息确定所述医学图像中是否存在病症;
权重确定模块,用于若存在病症,则根据所述疾病信息、所述图像特征确定注意力权重,所述注意力权重包括与所述图像特征中每个特征值对应的权重值,所述每个特征值对应的权重值是通过将不同通道的特征相同位置特征值的加权结果相加得到;
增强模块,用于根据所述注意力权重对所述医学图像进行处理,得到增强医学图像;
所述增强模块具体用于:
确定所述注意力权重与所述医学图像中各个像素点的对应关系,使用所述注意力权重对对应的像素点的像素值进行加权,得到所述增强医学图像。
8.根据权利要求7所述的装置,其特征在于,所述提取模块具体用于:
将所述图像特征输入全连接层,通过所述全连接层中的Sigmoid函数确定所述疾病信息。
9.根据权利要求8所述的装置,其特征在于,所述提取模块包括:
分值确定单元,用于通过所述全连接层中的Sigmoid函数对所述图像特征进行处理,确定所述医学图像与疾病类别对应的分值;
分类单元,用于通过所述Sigmoid函数、所述医学图像与疾病类别对应的分值对所述医学图像进行分类,确定所述医学图像所属的疾病类别。
10.根据权利要求9所述的装置,其特征在于,所述判断模块具体用于:
根据所述疾病类别对应的阈值、所述医学图像与其所属疾病类别对应的分值确定所述医学图像中是否存在与所述疾病类别对应的病症。
11.根据权利要求10所述的装置,其特征在于,所述权重确定模块,包括:
激活权重确定单元,用于根据图像特征中每个通道的特征、所述医学图像与其所属疾病类别对应的分值、所述疾病类别对应的阈值,确定与每个通道的特征对应的激活权重;
注意力权重确定单元,用于根据每个通道的特征及其对应的激活权重确定注意力权重。
12.根据权利要求11所述的装置,其特征在于,所述注意力权重确定单元具体用于:
根据每个通道的特征中的特征值与该通道特征对应的激活权重确定与每个特征值对应的加权结果;
将不同通道对应的特征值的加权结果相加,得到与每个所述特征值对应的注意力权重。
13.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911258287.7A CN111028173B (zh) | 2019-12-10 | 2019-12-10 | 图像增强方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911258287.7A CN111028173B (zh) | 2019-12-10 | 2019-12-10 | 图像增强方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111028173A CN111028173A (zh) | 2020-04-17 |
CN111028173B true CN111028173B (zh) | 2023-11-17 |
Family
ID=70205242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911258287.7A Active CN111028173B (zh) | 2019-12-10 | 2019-12-10 | 图像增强方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111028173B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204465A (zh) * | 2015-05-27 | 2016-12-07 | 美国西门子医疗解决公司 | 基于知识的超声图像增强 |
CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
WO2019062846A1 (zh) * | 2017-09-28 | 2019-04-04 | 北京西格码列顿信息技术有限公司 | 结合影像识别与报告编辑的医学影像辅助诊断方法及*** |
CN109685819A (zh) * | 2018-12-11 | 2019-04-26 | 厦门大学 | 一种基于特征增强的三维医学图像分割方法 |
CN110084794A (zh) * | 2019-04-22 | 2019-08-02 | 华南理工大学 | 一种基于注意力卷积神经网络的皮肤癌图片识别方法 |
CN110399907A (zh) * | 2019-07-03 | 2019-11-01 | 杭州深睿博联科技有限公司 | 基于诱导注意力的胸腔病症检测方法及装置、存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130268203A1 (en) * | 2012-04-09 | 2013-10-10 | Vincent Thekkethala Pyloth | System and method for disease diagnosis through iterative discovery of symptoms using matrix based correlation engine |
-
2019
- 2019-12-10 CN CN201911258287.7A patent/CN111028173B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204465A (zh) * | 2015-05-27 | 2016-12-07 | 美国西门子医疗解决公司 | 基于知识的超声图像增强 |
WO2019062846A1 (zh) * | 2017-09-28 | 2019-04-04 | 北京西格码列顿信息技术有限公司 | 结合影像识别与报告编辑的医学影像辅助诊断方法及*** |
CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
CN109685819A (zh) * | 2018-12-11 | 2019-04-26 | 厦门大学 | 一种基于特征增强的三维医学图像分割方法 |
CN110084794A (zh) * | 2019-04-22 | 2019-08-02 | 华南理工大学 | 一种基于注意力卷积神经网络的皮肤癌图片识别方法 |
CN110399907A (zh) * | 2019-07-03 | 2019-11-01 | 杭州深睿博联科技有限公司 | 基于诱导注意力的胸腔病症检测方法及装置、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111028173A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11288550B2 (en) | Data processing apparatus and method, recognition apparatus, learning data storage apparatus, machine learning apparatus, and program | |
US11861829B2 (en) | Deep learning based medical image detection method and related device | |
CN110428475B (zh) | 一种医学图像的分类方法、模型训练方法和服务器 | |
CN109191451B (zh) | 异常检测方法、装置、设备和介质 | |
US11900594B2 (en) | Methods and systems for displaying a region of interest of a medical image | |
JP2019530488A (ja) | 深層畳み込みニューラルネットワークを使用した医用画像のためのコンピュータ支援による診断システム | |
CN109074869B (zh) | 医疗诊断支持装置、信息处理方法以及医疗诊断支持*** | |
US10290101B1 (en) | Heat map based medical image diagnostic mechanism | |
CN113939844B (zh) | 检测组织病变的方法、装置和介质 | |
WO2020123749A1 (en) | Object detection in medical image | |
US12009104B2 (en) | Medical image processing apparatus, medical image processing method, machine learning system, and program | |
WO2021189848A1 (zh) | 模型训练方法、杯盘比确定方法、装置、设备及存储介质 | |
US10748282B2 (en) | Image processing system, apparatus, method and storage medium | |
US20210027872A1 (en) | Medical document creation support apparatus, medical document creation support method, and medical document creation support program | |
EP2054829A2 (en) | Anatomy-related image-context-dependent applications for efficient diagnosis | |
EP3852011A2 (en) | Method and apparatus for determining target anchor, device and storage medium | |
EP3905112A1 (en) | Method and apparatus for recognizing text content and electronic device | |
US20210407637A1 (en) | Method to display lesion readings result | |
US20210145389A1 (en) | Standardizing breast density assessments | |
CN111951214B (zh) | 图像中可读区域的分割方法、装置、电子设备及存储介质 | |
CN111028173B (zh) | 图像增强方法、装置、电子设备及可读存储介质 | |
CN112488126A (zh) | 特征图处理方法、装置、设备以及存储介质 | |
CN115631152A (zh) | 超声图像截取方法及装置、电子设备和存储介质 | |
WO2023274599A1 (en) | Methods and systems for automated follow-up reading of medical image data | |
CN111833239B (zh) | 图像的翻译方法和装置、图像翻译模型的训练方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |