CN111166362B - 医学图像的显示方法及装置、存储介质及电子设备 - Google Patents

医学图像的显示方法及装置、存储介质及电子设备 Download PDF

Info

Publication number
CN111166362B
CN111166362B CN201911412140.9A CN201911412140A CN111166362B CN 111166362 B CN111166362 B CN 111166362B CN 201911412140 A CN201911412140 A CN 201911412140A CN 111166362 B CN111166362 B CN 111166362B
Authority
CN
China
Prior art keywords
displayed
image
information
medical image
determining
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
Application number
CN201911412140.9A
Other languages
English (en)
Other versions
CN111166362A (zh
Inventor
王瑜
赵朝炜
吴福乐
周越
孙岩峰
邹彤
张金
张轶曦
宋晓媛
李新阳
王少康
陈宽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Infervision Medical Technology Co Ltd
Original Assignee
Infervision Medical Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Infervision Medical Technology Co Ltd filed Critical Infervision Medical Technology Co Ltd
Priority to CN201911412140.9A priority Critical patent/CN111166362B/zh
Publication of CN111166362A publication Critical patent/CN111166362A/zh
Application granted granted Critical
Publication of CN111166362B publication Critical patent/CN111166362B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/46—Arrangements for interfacing with the operator or the patient
    • A61B6/461—Displaying means of special interest
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
    • A61B8/461—Displaying means of special interest
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Human Computer Interaction (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

公开了一种医学图像的显示方法及装置、计算机可读存储介质及电子设备，涉及图像处理技术领域。该医学图像的显示方法包括：基于待显示医学图像确定待显示组织的类型信息；基于类型信息确定待显示医学图像对应的显示参数；基于显示参数显示待显示医学图像。本公开实施例能够有效优化待显示医学图像的显示效果，进而为更好地辅助医生的诊断工作提供了前提条件。此外，与现有技术相比，由于本公开实施例能够实现待显示医学图像的显示效果的自动优化，因此，本公开实施例能够有效辅助提升医生的工作效率，进而提升用户体验好感度。

Description

医学图像的显示方法及装置、存储介质及电子设备
技术领域
本公开涉及图像处理技术领域，具体涉及医学图像的显示方法及装置、计算机可读存储介质及电子设备。
背景技术
医学图像作为辅助治疗的重要工具，其重要性不言而喻。众所周知，成像设备的类型信息和成像设备对应的成像参数对医学图像的成像效果影响较大。针对同一人体或动物体组织区域，不同类型信息的成像设备所生成的医学图像的成像效果差异较大。此外，即使是同一类型信息的成像设备，当其对应的成像参数不同时，所生成的医学图像的成像效果差异亦较大。
成像效果的差异会为后续的阅片显示等操作造成不便。因此，如何改善医学图像的显示效果成为成为亟待解决的问题。
发明内容
为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种医学图像的显示方法及装置、计算机可读存储介质及电子设备。
在一方面，本公开实施例提供了一种医学图像的显示方法，应用于包括待显示组织的待显示医学图像。该医学图像的显示方法包括：基于待显示医学图像确定待显示组织的类型信息；基于类型信息确定待显示医学图像对应的显示参数；基于显示参数显示待显示医学图像。
在本公开一实施例中，基于类型信息确定待显示医学图像对应的显示参数，包括：基于类型信息确定待显示医学图像对应的窗宽信息和/或窗位信息；基于类型信息确定待显示医学图像对应的显示视图信息，其中，显示视图信息包括缩放比例信息和/或平移信息。
在本公开一实施例中，基于类型信息确定待显示医学图像对应的窗宽信息和/或窗位信息，包括：将类型信息输入至窗宽窗位模型，以确定待显示医学图像对应的窗宽信息和/或窗位信息。
在本公开一实施例中，待显示医学图像为包括左乳腺头足位图像区域、右乳腺头足位图像区域、左乳腺侧斜位图像区域和右乳腺侧斜位图像区域的乳腺钼靶图像。基于类型信息确定待显示医学图像对应的窗宽信息和/或窗位信息，包括：基于类型信息确定左乳腺头足位图像区域、右乳腺头足位图像区域、左乳腺侧斜位图像区域和右乳腺侧斜位图像区域各自对应的窗宽信息和/或窗位信息。
在本公开一实施例中，基于类型信息确定待显示医学图像对应的显示视图信息，包括：将类型信息输入至显示视图模型，以确定待显示医学图像对应的显示视图信息。
在本公开一实施例中，待显示医学图像为包括左乳腺头足位图像区域、右乳腺头足位图像区域、左乳腺侧斜位图像区域和右乳腺侧斜位图像区域的乳腺钼靶图像。基于类型信息确定待显示医学图像对应的显示视图信息，包括：基于类型信息确定左乳腺头足位图像区域、右乳腺头足位图像区域、左乳腺侧斜位图像区域和右乳腺侧斜位图像区域各自对应的显示视图信息。
在本公开一实施例中，基于待显示医学图像确定待显示组织的类型信息，包括：基于待显示医学图像确定待显示组织对应的图像区域；基于图像区域确定待显示组织对应的灰度直方图信息；基于灰度直方图信息确定待显示组织的类型信息。
在本公开一实施例中，基于待显示医学图像确定待显示组织对应的图像区域，包括：将待显示医学图像输入至分割网络模型，以确定第一分割区域，其中，第一分割区域与待显示组织对应；对第一分割区域进行精处理操作，以确定图像分割信息；基于图像分割信息确定待显示组织对应的图像区域。
在本公开一实施例中，对第一分割区域进行精处理操作，以确定图像分割信息，包括：基于第一分割区域确定与待显示组织对应的种子区域；利用能量优化算法对种子区域进行能量分割操作，以确定图像分割信息。
在本公开一实施例中，在对第一分割区域进行精处理操作，以确定图像分割信息之后，还包括：基于图像分割信息确定第二分割区域；基于第二分割区域和待显示组织确定待显示组织对应的关键点信息。其中，基于图像分割信息确定待显示组织对应的图像区域，包括：基于关键点信息对第二分割区域进行裁剪操作，以确定待显示组织对应的图像区域。
在另一方面，本公开一实施例提供了一种医学图像的显示装置，应用于包括待显示组织的待显示医学图像。该医学图像的显示装置包括：类型信息确定模块，用于基于待显示医学图像确定待显示组织的类型信息；显示参数确定模块，用于基于类型信息确定待显示医学图像对应的显示参数；显示模块，用于基于显示参数显示待显示医学图像。
在另一方面，本公开一实施例提供了一种计算机可读存储介质，该存储介质存储有计算机程序，该计算机程序用于执行上述实施例所提及的医学图像的显示方法。
在另一方面，本公开一实施例提供了一种电子设备，该电子设备包括：处理器和用于存储处理器可执行指令的存储器，其中，处理器用于执行上述实施例所提及的医学图像的显示方法。
本公开实施例提供的医学图像的显示方法，通过基于待显示医学图像确定待显示组织的类型信息，然后基于类型信息确定待显示医学图像对应的显示参数，并基于显示参数显示待显示医学图像的方式，实现了基于待显示组织的类型信息显示待显示医学图像的目的。本公开实施例能够有效优化待显示医学图像的显示效果，进而为更好地辅助医生的诊断工作提供了前提条件。此外，与现有技术相比，由于本公开实施例能够实现待显示医学图像的显示效果的自动优化，因此，本公开实施例能够有效辅助提升医生的工作效率，进而提升用户体验好感度。
附图说明
通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1所示为本公开实施例所适用的一场景示意图。
图2所示为本公开实施例所适用的另一场景示意图。
图3所示为本公开一示例性实施例提供的医学图像的显示方法的流程示意图。
图4所示为本公开一示例性实施例提供的基于类型信息确定待显示医学图像对应的显示参数的流程示意图。
图5a至图5c所示为本公开一示例性实施例提供的待显示医学图像的显示效果示意图。
图6所示为本公开另一示例性实施例提供的基于类型信息确定待显示医学图像对应的显示参数的流程示意图。
图7所示为本公开又一示例性实施例提供的基于类型信息确定待显示医学图像对应的显示参数的流程示意图。
图8所示为本公开一示例性实施例提供的基于待显示医学图像确定待显示组织的类型信息的流程示意图。
图9a至图9d所示为本公开一示例性实施例提供的乳腺的类型信息示意图。
图10a至图10d所示为本公开一示例性实施例提供的不同种类型信息的乳腺对应的灰度直方图。
图11所示为本公开一示例性实施例提供的基于待显示医学图像确定待显示组织对应的图像区域的流程示意图。
图12所示为本公开一示例性实施例提供的对第一分割区域进行精处理操作，以确定图像分割信息的流程示意图。
图13所示为本公开另一示例性实施例提供的基于待显示医学图像确定待显示组织对应的图像区域的流程示意图。
图14所示为本公开一示例性实施例提供的待显示组织对应的关键点示意图。
图15a和图15b所示为本公开一示例性实施例提供的不同阶段的灰度直方图。
图16所示为本公开一示例性实施例提供的医学图像的显示装置的结构示意图。
图17所示为本公开一示例性实施例提供的显示参数确定模块的结构示意图。
图18所示为本公开另一示例性实施例提供的显示参数确定模块的结构示意图。
图19所示为本公开又一示例性实施例提供的显示参数确定模块的结构示意图。
图20所示为本公开一示例性实施例提供的类型信息确定模块的结构示意图。
图21所示为本公开一示例性实施例提供的图像区域确定单元的结构示意图。
图22所示为本公开一示例性实施例提供的图像分割信息确定子单元的结构示意图。
图23所示为本公开一示例性实施例提供的图像区域确定单元的结构示意图。
图24所示为本公开一示例性实施例提供的电子设备的结构示意图。
具体实施方式
下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。
医学图像是借助某种介质(如X射线、电磁场、超声波等)与人体或动物体相互作用，把人体或动物体内部组织结构、密度等信息以影像方式呈现的图像。在现代医学中，医学图像是辅助治疗的重要工具。
众所周知，成像设备的类型信息和成像设备对应的成像参数对医学图像的成像效果影响较大。针对同一人体或动物体组织区域，不同类型信息的成像设备所生成的医学图像的成像效果差异较大。此外，即使是同一类型信息的成像设备，当其对应的成像参数不同时，所生成的医学图像的成像效果差异亦较大。成像效果的差异会为后续的阅片显示等操作造成不便。尤其是包括复杂的组织区域的医学图像(比如乳腺钼靶图像)，成像效果的差异会加剧显示效果的差异，进而为后续的阅片显示等操作造成不便。
现有技术中，医生在基于医学图像观察医学图像中组织区域时，为了提高医学图像的显示效果以便更清楚显示组织区域，通常需要对医学图像进行多次缩放和平移操作。因此，现有医学图像的显示方法会降低医生的工作效率，进而降低用户体验好感度。
基于上述提及的技术问题，本公开的基本构思是提出一种医学图像的显示方法及装置、计算机可读存储介质及电子设备。该医学图像的显示方法通过基于待显示医学图像确定待显示组织的类型信息，然后基于类型信息确定待显示医学图像对应的显示参数，并基于显示参数显示待显示医学图像的方式，实现了基于待显示组织的类型信息显示待显示医学图像的目的。本公开实施例能够有效优化待显示医学图像的显示效果，进而为更好地辅助医生的诊断工作提供了前提条件。此外，与现有技术相比，由于本公开实施例能够实现待显示医学图像的显示效果的自动优化，因此，本公开实施例能够有效辅助提升医生的工作效率，进而提升用户体验好感度。
在介绍了本公开的基本原理之后，下面将参考附图来具体介绍本公开的各种非限制性实施例。
图1所示为本公开实施例所适用的一场景示意图。如图1所示，本公开实施例所适用的场景中包括服务器1、图像采集设备2和显示器3。其中，服务器1和图像采集设备2之间存在通信连接关系，并且服务器1和显示器3之间存在通信连接关系。
具体而言，图像采集设备2用于采集包括待显示组织的待显示医学图像，服务器1用于基于图像采集设备2采集的待显示医学图像确定待显示组织的类型信息，并基于类型信息确定待显示医学图像对应的显示参数，显示器3用于基于服务器1确定的显示参数显示该待显示医学图像。即，该场景实现了一种医学图像的显示方法。由于图1所示的上述场景利用服务器1实现了医学图像的显示方法，因此，该场景不但能够提高场景的适应能力，而且能够有效降低图像采集设备2和/或显示器3的计算量。
需要说明的是，本公开还适用于另一场景。图2所示为本公开实施例所适用的另一场景示意图。具体地，该场景中包括图像处理设备4，其中，图像处理设备4包括图像采集模块401、计算模块402和显示模块403。图像采集模块401和计算模块402之间存在通信连接关系，并且，显示模块403和计算模块402之间存在通信连接关系。
具体而言，图像处理设备4中的图像采集模块401用于采集包括待显示组织的待显示医学图像，图像处理设备4中的计算模块402用于基于图像采集模块401采集的待显示医学图像确定待显示组织的类型信息，并基于类型信息确定待显示医学图像对应的显示参数，显示模块403用于基于计算模块402确定的显示参数显示该待显示医学图像。即，该场景实现了一种医学图像的显示方法。由于图2所示的上述场景利用图像处理设备4实现了医学图像的显示方法，无需与服务器等相关装置进行数据传输操作，因此，上述场景能够保证医学图像的显示方法的实时性。
需要说明的是，上述场景中提及的图像采集设备2和图像采集模块401，包括但不限于为X线机、CT(Computed Tomography)扫描仪、MRI(Magnetic Resonance Imaging)设备等图像采集装置。对应地，上述场景中提及的图像采集设备2和图像采集模块401所采集的包括待显示组织的待显示医学图像，包括但不限于为X线图像、CT图像、MRI图像等能够将人体或动物体内部组织结构、密度等信息以影像方式呈现的医学图像。
图3所示为本公开一示例性实施例提供的医学图像的显示方法的流程示意图。具体地，本公开实施例提供的医学图像的显示方法应用于包括待显示组织的待显示医学图像。
如图3所示，本公开实施例提供的医学图像的显示方法包括如下步骤。
步骤10，基于待显示医学图像确定待显示组织的类型信息。
需要说明的是，步骤10中提及的待显示组织，指的是需要进行显示的组织。比如，待显示医学图像为乳腺钼靶图像，待显示组织为乳腺。并且，乳腺的类型包括脂肪型、少量腺体型、多量腺体型和致密型。
步骤20，基于类型信息确定待显示医学图像对应的显示参数。
示例性地，显示参数指的是能够影响待显示医学图像的显示效果的参数。比如，缩放比例参数、平移参数等。
由于不同类型的待显示组织所对应的最佳显示效果是不同的，因此，基于类型信息确定待显示医学图像对应的显示参数能够为实现待显示医学图像的最佳显示效果提供前提条件。示例性地，最佳显示效果指的是能够最大限度地辅助医生进行诊断工作的显示效果。
步骤30，基于显示参数显示待显示医学图像。
在实际应用过程中，首先基于待显示医学图像确定待显示组织的类型信息，然后基于类型信息确定待显示医学图像对应的显示参数，并基于显示参数显示待显示医学图像。
本公开实施例提供的医学图像的显示方法，通过基于待显示医学图像确定待显示组织的类型信息，然后基于类型信息确定待显示医学图像对应的显示参数，并基于显示参数显示待显示医学图像的方式，实现了基于待显示组织的类型信息显示待显示医学图像的目的。本公开实施例能够有效优化待显示医学图像的显示效果，进而为更好地辅助医生的诊断工作提供了前提条件。此外，与现有技术相比，由于本公开实施例能够实现待显示医学图像的显示效果的自动优化，因此，本公开实施例能够有效辅助提升医生的工作效率，进而提升用户体验好感度。
图4所示为本公开一示例性实施例提供的基于类型信息确定待显示医学图像对应的显示参数的流程示意图。在本公开图3所示实施例的基础上延伸出本公开图4所示实施例，下面着重叙述图4所示实施例与图3所示实施例的不同之处，相同之处不再赘述。
如图4所示，在本公开实施例提供的医学图像的显示方法中，基于类型信息确定待显示医学图像对应的显示参数步骤包括如下步骤。
步骤21，基于类型信息确定待显示医学图像对应的窗宽信息和/或窗位信息。
需要说明的是，窗宽信息和窗位信息是CT图像对应的显示信息。其中，窗宽信息指的是CT图像上显示的CT值范围。示例性地，在该CT值范围内的组织和病变均以不同的模拟灰度显示，而CT值高于此范围的组织和病变，均以白影显示，不再有灰度差异。那么，增大窗宽，则图像上显示的CT值范围加大，显示的具有不同密度的组织结构增多，但是各组织结构之间的灰度差别减少。减小窗宽，则图像上显示的组织结构减少，然而各组织结构之间的灰度差别增加。窗位信息指的是窗的中心位置。例如，窗宽为100H，当窗位为0H时，其CT值范围为-50H至+50H。
当待显示组织的类型不同时，待显示医学图像所对应的优选窗宽信息和优选窗位信息亦不同。其中，优选窗宽信息和优选窗位信息指的是能够呈现较好地显示效果的窗宽信息和窗位信息。基于此，基于上述记载的步骤21调整待显示医学图像对应的窗宽信息和/或窗位信息后，能够有进一步优化待显示医学图像的显示效果。
步骤22，基于类型信息确定待显示医学图像对应的显示视图信息，其中，显示视图信息包括缩放比例信息和/或平移信息。
示例性地，待显示医学图像为乳腺钼靶图像，且共包括四个方位的图像区域。其中，该四个方位的图像区域为：左乳腺头足位图像区域、右乳腺头足位图像区域、左乳腺侧斜位图像区域和右乳腺侧斜位图像区域。
在医生的实际诊断过程中，通常需要对比左右***对应的图像，且通常只关注***区域，不对乳腺钼靶图像中的背景区域进行分析诊断。因此，为更好地辅助医生的诊断工作，可基于上述记载的步骤22调整待显示医学图像对应的缩放比例信息，进而对应调整相关图像的缩放比例，以放大***区域，并保证左右***对应的图像处于同一缩放比例范围。
此外，在将左右***对应的图像调整到同一缩放比例范围后，可基于上述记载的步骤22调整待显示医学图像的平移信息，以保证左右***对应的图像的对称性，进而进一步更好地辅助医生的诊断工作。
在实际应用过程中，首先基于待显示医学图像确定待显示组织的类型信息，然后基于类型信息确定待显示医学图像对应的窗宽信息和/或窗位信息，并基于类型信息确定待显示医学图像对应的显示视图信息，继而基于显示参数显示待显示医学图像。
本公开实施例提供的医学图像的显示方法，通过基于类型信息确定待显示医学图像对应的窗宽信息和/或窗位信息，并基于类型信息确定待显示医学图像对应的显示视图信息的方式，实现了基于类型信息确定待显示医学图像对应的显示参数的目的，进而为更好地辅助医生的诊断工作提供了前提条件。
在本公开一实施例中，待显示医学图像为乳腺钼靶图像，且共包括四个方位的图像区域。其中，该四个方位的图像区域为：左乳腺头足位图像区域、右乳腺头足位图像区域、左乳腺侧斜位图像区域和右乳腺侧斜位图像区域。对应地，基于类型信息确定待显示医学图像对应的窗宽信息和/或窗位信息步骤，包括：基于类型信息确定左乳腺头足位图像区域、右乳腺头足位图像区域、左乳腺侧斜位图像区域和右乳腺侧斜位图像区域各自对应的窗宽信息和/或窗位信息。并且，基于类型信息确定待显示医学图像对应的显示视图信息，包括：基于类型信息确定左乳腺头足位图像区域、右乳腺头足位图像区域、左乳腺侧斜位图像区域和右乳腺侧斜位图像区域各自对应的显示视图信息。
下面结合图5a至图5c具体描述上述实施例提及的医学图像的显示方法的技术效果。
图5a至图5c所示为本公开一示例性实施例提供的待显示医学图像的显示效果示意图。具体地，图5a所示待显示医学图像的原始显示效果；图5b所示为调节窗宽信息和窗位信息后，待显示医学图像的显示效果；图5c所示为调节窗宽信息和窗位信息、并且调节显示视图信息后，待显示医学图像的显示效果。
结合图5a至图5c所示能够明确得知，利用上述实施例提及的医学图像的显示方法，能够有效优化医学图像的显示效果，进而为更好地辅助医生的诊断工作提供了前提条件。
图6所示为本公开另一示例性实施例提供的基于类型信息确定待显示医学图像对应的显示参数的流程示意图。在本公开图4所示实施例的基础上延伸出本公开图6所示实施例，下面着重叙述图6所示实施例与图4所示实施例的不同之处，相同之处不再赘述。
如图6所示，在本公开实施例提供的医学图像的显示方法中，基于类型信息确定待显示医学图像对应的窗宽信息和/或窗位信息步骤包括如下步骤。
步骤211，将类型信息输入至窗宽窗位模型，以确定待显示医学图像对应的窗宽信息和/或窗位信息。
示例性地，窗宽窗位模型为深度学习网络模型。窗宽窗位模型的生成过程为：首先确定初始网络模型，然后基于样本图像数据对初始网络模型进行训练，以生成窗宽窗位模型。其中，样本图像数据为与待显示医学图像对应的样本图像数据。比如，待显示医学图像为乳腺钼靶图像，那么，样本图像数据包括多幅乳腺钼靶图像，以及该多幅乳腺钼靶图像中的乳腺各自对应的类型信息，以及该多幅乳腺钼靶图像各自对应的最佳窗宽信息和最佳窗位信息。
优选地，上述样本图像数据中还包括诊断用途信息，以便进一步提高窗宽窗位模型的细粒度和精准度。其中，诊断用途信息包括诊断肿块用途、诊断钙化用途等。
在实际应用过程中，首先基于待显示医学图像确定待显示组织的类型信息，然后将类型信息输入至窗宽窗位模型，以确定待显示医学图像对应的窗宽信息和/或窗位信息，并基于类型信息确定待显示医学图像对应的显示视图信息，继而基于显示参数显示待显示医学图像。
本公开实施例提供的医学图像的显示方法，基于窗宽窗位模型实现了确定待显示医学图像对应的窗宽信息和/或窗位信息的目的。由于窗宽窗位模型能够自适应学习到样本图像数据中的丰富的特征信息，因此，本公开实施例能够有效提高所确定的待显示医学图像对应的窗宽信息和/或窗位信息的精准度。
优选地，在本公开另一实施例中，在基于样本图像数据训练窗宽窗位模型之前，首先基于伽马变换方法和/或者贝塔变换方法和/或灰度直方图均衡化方法等调整方法对样本图像进行优化调整操作。同样地，在将类型信息输入至窗宽窗位模型，以确定待显示医学图像对应的窗宽信息和/或窗位信息之前，基于上述调整方法对待显示医学图像进行优化调整操作。由于上述优化调整操作能够辅助调节显示效果，因此，本公开实施例能够进一步提高上述提及的窗宽窗位模型的细粒度和精准度。
图7所示为本公开又一示例性实施例提供的基于类型信息确定待显示医学图像对应的显示参数的流程示意图。在本公开图4所示实施例的基础上延伸出本公开图7所示实施例，下面着重叙述图7所示实施例与图4所示实施例的不同之处，相同之处不再赘述。
如图7所示，在本公开实施例提供的医学图像的显示方法中，基于类型信息确定待显示医学图像对应的显示视图信息，其中，显示视图信息包括缩放比例信息和/或平移信息步骤包括如下步骤。
步骤221，将类型信息输入至显示视图模型，以确定待显示医学图像对应的显示视图信息，其中，显示视图信息包括缩放比例信息和/或平移信息。
示例性地，显示视图模型的训练过程可参照上述实施例提及的窗宽窗位模型的训练过程，本公开实施例不再详细赘述。
本公开实施例提供的医学图像的显示方法，基于显示视图模型实现了确定待显示医学图像对应的显示视图信息的目的。由于显示视图模型能够自适应学习到样本图像数据中的丰富的特征信息，因此，本公开实施例能够有效提高所确定的待显示医学图像对应的显示视图信息的精准度。
图8所示为本公开一示例性实施例提供的基于待显示医学图像确定待显示组织的类型信息的流程示意图。在本公开图3所示实施例的基础上延伸出本公开图8所示实施例，下面着重叙述图8所示实施例与图3所示实施例的不同之处，相同之处不再赘述。
如图8所示，在本公开实施例提供的医学图像的显示方法中，基于待显示医学图像确定待显示组织的类型信息步骤包括如下步骤。
步骤11，基于待显示医学图像确定待显示组织对应的图像区域。
步骤12，基于图像区域确定待显示组织对应的灰度直方图信息。
应当理解，灰度直方图能够将图像区域中的所有像素，按照灰度值的大小，统计其出现的频率。又由于同一密度的组织区域对应相同的灰度，不同密度的组织区域对应不同的灰度，因此，基于灰度直方图信息能够确定待显示组织的组织区域的密度情况，进而基于密度情况确定待显示组织的类型。
步骤13，基于灰度直方图信息确定待显示组织的类型信息。
在实际应用过程中，首先基于待显示医学图像确定待显示组织对应的图像区域，并基于图像区域确定待显示组织对应的灰度直方图信息，继而基于灰度直方图信息确定待显示组织的类型信息，然后基于类型信息确定待显示医学图像对应的显示参数，并基于显示参数显示待显示医学图像。
本公开实施例提供的医学图像的显示方法，通过基于待显示医学图像确定待显示组织对应的图像区域，并基于图像区域确定待显示组织对应的灰度直方图信息，继而基于灰度直方图信息确定待显示组织的类型信息的方式，实现了基于待显示医学图像确定待显示组织的类型信息的目的。由于基于灰度直方图信息能够快速、精准地确定待显示组织的类型，因此，本公开实施例能够进一步提高确定类型操作的精准度和实时性。
在本公开一实施例中，基于ResNet网络模型实现步骤13中提及的基于灰度直方图信息确定待显示组织的类型的目的。示例性地，该ResNet网络模型的样本图像数据确定过程为：确定与待显示医学图像同类型的多幅样本图像，然后确定该多幅样本图像各自对应的灰度直方图信息，继而基于该多幅样本图像和该多幅样本图像各自对应的灰度直方图信息确定样本图像数据。示例性地，该ResNet网络模型的训练过程为：确定该ResNet网络模型对应的初始网络模型，基于样本图像数据对该初始网络模型进行训练操作，以生成该ResNet网络模型。
下面结合图9a至图9d、以及图10a至图10d说明上述实施例提及的乳腺钼靶图像中的乳腺的类型以及不同的类型各自对应的灰度直方图情况，以进一步证明基于灰度直方图信息能够确定乳腺的类型。
图9a至图9d所示为本公开一示例性实施例提供的乳腺的类型信息示意图。具体而言，图9a所示为脂肪型的乳腺，脂肪型指的是腺体占***的比例为25％以内。图9b所示为少量腺体型的乳腺，少量腺体型指的是腺体占***的比例为25％至50％的闭区间范围。图9c所示为多量腺体型的乳腺，多量腺体型指的是腺体占***的比例为50％至75％的开区间范围。图9d所示为致密型的乳腺，致密型指的是腺体占***的比例为75％或大于75％的范围。
对应地，图10a至图10d所示为本公开一示例性实施例提供的不同种类型信息的乳腺对应的灰度直方图。具体而言，图10a所示为脂肪型的乳腺对应的灰度直方图1。图10b所示为少量腺体型的乳腺对应的灰度直方图2。图10c所示为多量腺体型的乳腺对应的灰度直方图3。图10d所示为致密型的乳腺对应的灰度直方图4。
结合上述图9a至图9d、以及图10a至图10d所示能够明确得知，不同类型的腺体所对应的灰度直方图存在明显区别。由于腺体的密度大于脂肪的密度，因此，当腺体较多时，乳腺整体的密度会较大。从上述灰度直方图1至4中也可以看出，腺体致密程度越高，整体的灰度直方图会向右移动。由此，可基于灰度直方图信息确定乳腺的类型。
图11所示为本公开一示例性实施例提供的基于待显示医学图像确定待显示组织对应的图像区域的流程示意图。在本公开图8所示实施例的基础上延伸出本公开图11所示实施例，下面着重叙述图11所示实施例与图8所示实施例的不同之处，相同之处不再赘述。
如图11所示，在本公开实施例提供的医学图像的显示方法中，基于待显示医学图像确定待显示组织对应的图像区域步骤包括如下步骤。
步骤111，将待显示医学图像输入至分割网络模型，以确定第一分割区域，其中，第一分割区域与待显示组织对应。
示例性地，步骤111中提及的分割网络模型是基于与待显示医学图像对应的样本图像数据训练生成的。其中，样本图像数据的生成过程为：首先确定与上述待显示医学图像同类型的多幅图像，然后对该多幅图像中各自包括的待显示组织进行分割线标注操作，进而确定包括分割线信息和图像信息的样本图像数据。其中，分割网络模型的训练过程为：首先确定初始网络模型，然后基于样本图像数据训练该初始网络模型，进而生成最终的分割网络模型。
可选地，初始网络模型和分割网络模型的模型结构是相同的，初始网络模型和分割网络模型之间的差异为模型的网络参数差异。即，初始网络模型中的网络参数为初始网络参数，然后利用样本图像数据对初始网络模型进行训练，训练过程中会调整初始网络参数，以最终生成分割网络模型中的网络参数。比如，基于梯度下降法不断调节初始网络模型的网络参数，以最终生成分割网络模型中的网络参数。
示例性地，初始网络模型为卷积神经网络(Convolutional Neural Networks,CNN)模型。
步骤112，对第一分割区域进行精处理操作，以确定图像分割信息。
示例性地，步骤112中提及的精处理操作，指的是对第一分割区域进行进一步分割处理操作，以确定图像分割信息。即，经历过精处理后，待显示组织对应的图像分割信息的精准度有所提高。
需要说明的是，本公开实施例对精处理操作的具体类型不进行统一限定，只要精处理操作能够生成精准度更优地图像分割信息即可。比如，精处理操作为基于能量优化算法的分割操作。
步骤113，基于图像分割信息确定待显示组织对应的图像区域。
在实际应用过程中，首先将待显示医学图像输入至分割网络模型，以确定第一分割区域，并对第一分割区域进行精处理操作，以确定图像分割信息，然后基于图像分割信息确定待显示组织对应的图像区域，并基于图像区域确定待显示组织对应的灰度直方图信息，继而基于灰度直方图信息确定待显示组织的类型信息，然后基于类型信息确定待显示医学图像对应的显示参数，并基于显示参数显示待显示医学图像。
由于基于分割网络模型确定第一分割区域的方式能够充分利用深度学习在适应能力和鲁棒性方面的优势，因此，本公开实施例能够进一步提高图像分割操作的适应能力和鲁棒性。又由于精分割操作能够进一步提高第一分割区域的分割精准度，因此，本公开实施例能够进一步提高图像分割操作的分割精准度。
在本公开一实施例中，上述实施例提及的分割网络模型为U-Net网络模型。由于U-Net网络模型能够支持少量样本图像数据前提下的训练过程，因此，本公开实施例能够极大降低训练过程的计算量，尤其对于样本图像数据数量较少的医学图像数据，U-Net网络模型的优势更加明显。此外，由于U-Net网络模型能够实现像素点级别的图像分割操作，因此，本公开实施例能够充分提高分割精准度。
图12所示为本公开一示例性实施例提供的对第一分割区域进行精处理操作，以确定图像分割信息的流程示意图。在本公开图11所示实施例的基础上延伸出本公开图12所示实施例，下面着重叙述图12所示实施例与图11所示实施例的不同之处，相同之处不再赘述。
如图12所示，在本公开实施例提供的医学图像的显示方法中，对第一分割区域进行精处理操作，以确定图像分割信息步骤包括如下步骤。
步骤1121，基于第一分割区域确定与待显示组织对应的种子区域。
示例性地，步骤1121中提及的种子区域，指的是待显示医学图像中的待显示组织对应的种子图像块区域。即，种子图像块区域隶属于待显示组织对应的图像区域。其中，种子图像块区域的尺寸可基于待显示组织以及待显示医学图像的实际情况确定。
应当理解，由于分割网络模型的分割精准度有限，因此，基于分割网络模型确定的第一分割区域中可能包括与待显示组织无关的图像区域。比如，待显示医学图像为乳腺钼靶图像，待显示组织为乳腺，那么，较为理想的第一分割区域中只包括***对应的图像区域。然而，在一种实际情况中，第一分割区域中不仅包括***对应的图像区域，还包括与***位置接近的胸肌对应的图像区域。此外，在另外一种实际情况中，第一分割区域中还可能并未完整包括待显示组织对应的图像区域，比如未包括***的***等结构对应的图像区域。
步骤1122，利用能量优化算法对种子区域进行能量分割操作，以确定图像分割信息。
示例性地，步骤1122中提及的能量分割操作，指的是基于能量最小原则，利用能量优化算法对种子区域进行分割操作，以确定图像分割信息。
在实际应用过程中，首先将待显示医学图像输入至分割网络模型，以确定第一分割区域，继而基于第一分割区域确定与待显示组织对应的种子区域，利用能量优化算法对种子区域进行能量分割操作，以确定图像分割信息，然后基于图像分割信息确定待显示组织对应的图像区域，并基于图像区域确定待显示组织对应的灰度直方图信息，继而基于灰度直方图信息确定待显示组织的类型信息，然后基于类型信息确定待显示医学图像对应的显示参数，并基于显示参数显示待显示医学图像。
本公开实施例提供的医学图像的显示方法，通过基于第一分割区域确定与待显示组织对应的种子区域，然后利用能量优化算法对种子区域进行能量分割操作，以确定图像分割信息的方式，实现了对第一分割区域进行精处理操作，以确定图像分割信息的目的。由于种子区域与待显示组织对应，因此，本公开实施例能够进一步提高所确定的图像分割信息的精准度。
在本公开一实施例中，能量优化算法包括图形切割算法。应当理解，图形切割算法(Graph Cut,GC)为基于最小割最大流算法进行图像分割操作，进而将图像分割为前景区域和背景区域。那么，示例性地，在本公开实施例中，可将种子区域标记为前景区域对应的部分图像区域，将与待显示组织无关的区域标记为背景区域对应的部分图像区域，进而基于图形切割算法分割出图像中的前景区域和背景区域。
在本公开一实施例中，在基于待显示医学图像确定待显示组织的类型信息步骤之前，还包括对待显示医学图像进行预处理操作。示例性地，预处理操作包括如下步骤。
a)对待显示医学图像进行裁剪操作，以去除第一图像区域，其中，第一图像区域与待显示组织之间为第一关联关系。
示例性地，第一图像区域为待显示医学图像中与待显示组织无关的背景区域。
b)对待显示医学图像进行除噪声操作。
示例性地，对待显示医学图像进行除噪声操作的实际实现过程为：利用高斯滤波器去除待显示医学图像中的白噪声。
c)基于待显示医学图像的HU信息去除第二图像区域，其中，第二图像区域与待显示组织之间为第二关联关系。
需要说明的是，HU(Hounsfield Unit)信息能够反映组织结构对X射线的吸收程度，是隶属于医学图像(比如CT图像)的图像特征信息。
示例性地，待显示医学图像为乳腺钼靶图像，第二图像区域为乳腺钼靶图像中的备注信息对应的图像区域。其中，备注信息为待显示医学图像中的备注的患者信息等文字。由于乳腺钼靶图像中的文字等备注信息对应的HU信息与***区域对应的HU信息较为接近，而备注信息通常远离乳腺钼靶图像中的组织结构，因此，本公开实施例能够借助上述步骤c实现去除与备注信息同类型的干扰因素的目的，进而为进一步提高图像分割操作的分割精准度和鲁棒性提供了前提条件。
本公开实施例提供的医学图像的显示方法，通过在基于待显示医学图像确定待显示组织的类型信息步骤之前，对待显示医学图像进行上述预处理操作的方式，进一步优化了待显示医学图像，进而为进一步提高所确定的待显示组织的类型的精准度提供了前提条件。
需要说明的是，上述步骤a至步骤c提及的处理操作，并非是全部必须的，且各处理操作之间亦没有严格的顺序关系。在实际应用过程中，可根据实际情况调整所需要包括的具体步骤以及各步骤之间的顺序关系。
图13所示为本公开另一示例性实施例提供的基于待显示医学图像确定待显示组织对应的图像区域的流程示意图。在本公开图11所示实施例的基础上延伸出本公开图13所示实施例，下面着重叙述图13所示实施例与图11所示实施例的不同之处，相同之处不再赘述。
如图13所示，在本公开实施例提供的医学图像的显示方法中，在对第一分割区域进行精处理操作，以确定图像分割信息步骤之后，还包括如下步骤。
步骤114，基于图像分割信息确定第二分割区域。
步骤115，基于第二分割区域和待显示组织确定待显示组织对应的关键点信息。
并且，在本公开实施例提供的医学图像的显示方法中，基于图像分割信息确定待显示组织对应的图像区域步骤包括如下步骤。
步骤1131，基于关键点信息对第二分割区域进行裁剪操作，以确定待显示组织对应的图像区域。
在实际应用过程中，首先将待显示医学图像输入至分割网络模型，以确定第一分割区域，并对第一分割区域进行精处理操作，以确定图像分割信息，继而基于图像分割信息确定第二分割区域，并基于第二分割区域和待显示组织确定待显示组织对应的关键点信息，然后基于关键点信息对第二分割区域进行裁剪操作，以确定待显示组织对应的图像区域，并基于图像区域确定待显示组织对应的灰度直方图信息，继而基于灰度直方图信息确定待显示组织的类型信息，然后基于类型信息确定待显示医学图像对应的显示参数，并基于显示参数显示待显示医学图像。
本公开实施例提供的医学图像的显示方法，基于待显示组织对应的关键点信息对图像进行了裁剪操作，进而进一步降低了所确定的待显示组织对应的图像区域中所包含的干扰像素量，从而为进一步提高所确定的灰度直方图的精准度提供了前提条件。
图14所示为本公开一示例性实施例提供的待显示组织对应的关键点示意图。如图14所示，待显示组织为乳腺，该乳腺对应的关键点信息为关键点A、B和C的坐标信息。具体地，关键点A位于***区域，关键点B位于第一胸肌区域，关键点C位于第二胸肌区域。
示例性地，关键点A、B和C的确定过程可借助相应的关键点网络模型确定。比如，关键点网络模型为CenterNet网络模型。关键点网络模型的具体训练过程可参见常规的模型训练过程，本公开实施例不再赘述。
需要说明的是，基于关键点A、B和C对图14所示图像进行裁剪操作后，能够裁剪掉与***区域相邻的胸肌区域，进而可进一步提高待显示组织对应的图像区域的精准度。
图15a和图15b所示为本公开一示例性实施例提供的不同阶段的灰度直方图。具体地，图15a所示为直接基于图14所示图像确定的灰度直方图5。图15b所示为基于关键点信息，裁剪掉图14所示图像中的胸肌区域后确定的灰度直方图6。
结合图15a和图15b所示可知，基于关键点信息对图像进行裁剪后，能够进一步提高所确定的灰度直方图的精准度。
图16所示为本公开一示例性实施例提供的医学图像的显示装置的结构示意图。如图16所示，本公开实施例提供的医学图像的显示装置包括：
类型信息确定模块100，用于基于待显示医学图像确定待显示组织的类型信息；
显示参数确定模块200，用于基于类型信息确定待显示医学图像对应的显示参数；
显示模块300，用于基于显示参数显示待显示医学图像。
图17所示为本公开一示例性实施例提供的显示参数确定模块的结构示意图。在本公开图16所示实施例的基础上延伸出本公开图17所示实施例，下面着重叙述图17所示实施例与图16所示实施例的不同之处，相同之处不再赘述。
如图17所示，在本公开实施例提供的医学图像的显示装置中，显示参数确定模块200包括：
窗宽窗位信息确定单元210，用于基于类型信息确定待显示医学图像对应的窗宽信息和/或窗位信息；
显示视图信息确定单元220，用于基于类型信息确定待显示医学图像对应的显示视图信息，其中，显示视图信息包括缩放比例信息和/或平移信息。
图18所示为本公开另一示例性实施例提供的显示参数确定模块的结构示意图。在本公开图17所示实施例的基础上延伸出本公开图18所示实施例，下面着重叙述图18所示实施例与图17所示实施例的不同之处，相同之处不再赘述。
如图18所示，在本公开实施例提供的医学图像的显示装置中，窗宽窗位信息确定单元210包括：
窗宽窗位信息确定子单元2110，用于将类型信息输入至窗宽窗位模型，以确定待显示医学图像对应的窗宽信息和/或窗位信息。
图19所示为本公开又一示例性实施例提供的显示参数确定模块的结构示意图。在本公开图17所示实施例的基础上延伸出本公开图19所示实施例，下面着重叙述图19所示实施例与图17所示实施例的不同之处，相同之处不再赘述。
如图19所示，在本公开实施例提供的医学图像的显示装置中，显示视图信息确定单元220包括：
显示视图信息确定子单元2210，用于将类型信息输入至显示视图模型，以确定待显示医学图像对应的显示视图信息，其中，显示视图信息包括缩放比例信息和/或平移信息。
图20所示为本公开一示例性实施例提供的类型信息确定模块的结构示意图。在本公开图16所示实施例的基础上延伸出本公开图20所示实施例，下面着重叙述图20所示实施例与图16所示实施例的不同之处，相同之处不再赘述。
如图20所示，在本公开实施例提供的医学图像的显示装置中，类型信息确定模块100包括：
图像区域确定单元110，用于基于待显示医学图像确定待显示组织对应的图像区域；
灰度直方图信息确定单元120，用于基于图像区域确定待显示组织对应的灰度直方图信息；
类型信息确定单元130，用于基于灰度直方图信息确定待显示组织的类型信息。
图21所示为本公开一示例性实施例提供的图像区域确定单元的结构示意图。在本公开图20所示实施例的基础上延伸出本公开图21所示实施例，下面着重叙述图21所示实施例与图20所示实施例的不同之处，相同之处不再赘述。
如图21所示，在本公开实施例提供的医学图像的显示装置中，图像区域确定单元110包括：
第一分割区域确定子单元1110，用于将待显示医学图像输入至分割网络模型，以确定第一分割区域，其中，第一分割区域与待显示组织对应；
图像分割信息确定子单元1120，用于对第一分割区域进行精处理操作，以确定图像分割信息；
图像区域确定子单元1130，用于基于图像分割信息确定待显示组织对应的图像区域。
图22所示为本公开一示例性实施例提供的图像分割信息确定子单元的结构示意图。在本公开图21所示实施例的基础上延伸出本公开图22所示实施例，下面着重叙述图22所示实施例与图21所示实施例的不同之处，相同之处不再赘述。
如图22所示，在本公开实施例提供的医学图像的显示装置中，图像分割信息确定子单元1120包括：
种子区域确定子单元11210，用于基于第一分割区域确定与待显示组织对应的种子区域；
能量分割子单元11220，用于利用能量优化算法对种子区域进行能量分割操作，以确定图像分割信息。
图23所示为本公开一示例性实施例提供的图像区域确定单元的结构示意图。在本公开图21所示实施例的基础上延伸出本公开图23所示实施例，下面着重叙述图23所示实施例与图21所示实施例的不同之处，相同之处不再赘述。
如图23所示，在本公开实施例提供的医学图像的显示装置中，图像区域确定单元110还包括：
第二分割区域确定子单元1140，用于基于图像分割信息确定第二分割区域；
关键点信息确定子单元1150，用于基于第二分割区域和待显示组织确定待显示组织对应的关键点信息。
并且，在本公开实施例提供的医学图像的显示装置中，图像区域确定子单元1130包括：
裁剪子单元11310，用于基于关键点信息对第二分割区域进行裁剪操作，以确定待显示组织对应的图像区域。
应当理解，图16至图23提供的医学图像的显示装置中的类型信息确定模块100、显示参数确定模块200和显示模块300，以及类型信息确定模块100中包括的图像区域确定单元110、灰度直方图信息确定单元120和类型信息确定单元130，以及图像区域确定单元110中包括的第一分割区域确定子单元1110、图像分割信息确定子单元1120、图像区域确定子单元1130、第二分割区域确定子单元1140和关键点信息确定子单元1150，以及图像分割信息确定子单元1120中包括的种子区域确定子单元11210和能量分割子单元11220，以及图像区域确定子单元1130中包括的裁剪子单元11310，以及显示参数确定模块200中包括的窗宽窗位信息确定单元210和显示视图信息确定单元220，以及窗宽窗位信息确定单元210中包括的窗宽窗位信息确定子单元2110，以及显示视图信息确定单元220中包括的显示视图信息确定子单元2210的操作和功能可以参考上述图3至图13提供的医学图像的显示方法，为了避免重复，在此不再赘述。
下面，参考图24来描述根据本公开实施例的电子设备。图24所示为本公开一示例性实施例提供的电子设备的结构示意图。
如图24所示，电子设备50包括一个或多个处理器501和存储器502。
处理器501可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备50中的其他组件以执行期望的功能。
存储器502可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器501可以运行所述程序指令，以实现上文所述的本公开的各个实施例的医学图像的显示方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如包括待显示组织的待显示医学图像等各种内容。
在一个示例中，电子设备50还可以包括：输入装置503和输出装置504，这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置503可以包括例如键盘、鼠标等等。该输出装置504可以向外部输出各种信息，包括确定出的待显示组织的类型信息信息等。该输出装置504可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图24中仅示出了该电子设备50中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备50还可以包括任何其他适当的组件。
除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述描述的根据本公开各种实施例的医学图像的显示方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述描述的根据本公开各种实施例的医学图像的显示方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本公开中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种医学图像的显示方法，其特征在于，应用于包括待显示组织的待显示医学图像，所述待显示医学图像为包括左乳腺头足位图像区域、右乳腺头足位图像区域、左乳腺侧斜位图像区域和右乳腺侧斜位图像区域的乳腺钼靶图像，包括：
基于所述待显示医学图像确定所述待显示组织的类型信息；
将所述类型信息输入至窗宽窗位模型，以确定所述左乳腺头足位图像区域、所述右乳腺头足位图像区域、所述左乳腺侧斜位图像区域和所述右乳腺侧斜位图像区域各自对应的窗宽信息和/或窗位信息，其中，所述窗宽窗位模型为深度学习网络模型，所述深度学习网络模型是基于多幅乳腺钼靶图像、该多幅乳腺钼靶图像中的乳腺各自对应的类型信息以及该多幅乳腺钼靶图像各自对应的最佳窗宽信息和最佳窗位信息进行训练的；
基于所述类型信息确定所述待显示医学图像对应的显示视图信息，其中，所述显示视图信息包括缩放比例信息和/或平移信息；
基于所述窗宽信息和/或窗位信息以及所述显示视图信息显示所述待显示医学图像。
2.根据权利要求1所述的方法，其特征在于，所述基于所述类型信息确定所述待显示医学图像对应的显示视图信息，包括：
将所述类型信息输入至显示视图模型，以确定所述待显示医学图像对应的显示视图信息。
3.根据权利要求1所述的方法，其特征在于，所述待显示医学图像为包括左乳腺头足位图像区域、右乳腺头足位图像区域、左乳腺侧斜位图像区域和右乳腺侧斜位图像区域的乳腺钼靶图像，所述基于所述类型信息确定所述待显示医学图像对应的显示视图信息，包括：
基于所述类型信息确定所述左乳腺头足位图像区域、所述右乳腺头足位图像区域、所述左乳腺侧斜位图像区域和所述右乳腺侧斜位图像区域各自对应的显示视图信息。
4.根据权利要求1至3任一所述的方法，其特征在于，所述基于所述待显示医学图像确定所述待显示组织的类型信息，包括：
基于所述待显示医学图像确定所述待显示组织对应的图像区域；
基于所述图像区域确定所述待显示组织对应的灰度直方图信息；
基于所述灰度直方图信息确定所述待显示组织的类型信息。
5.根据权利要求4所述的方法，其特征在于，所述基于所述待显示医学图像确定所述待显示组织对应的图像区域，包括：
将所述待显示医学图像输入至分割网络模型，以确定第一分割区域，其中，所述第一分割区域与所述待显示组织对应；
对所述第一分割区域进行精处理操作，以确定图像分割信息；
基于所述图像分割信息确定所述待显示组织对应的图像区域。
6.根据权利要求5所述的方法，其特征在于，所述对所述第一分割区域进行精处理操作，以确定所述图像分割信息，包括：
基于所述第一分割区域确定与所述待显示组织对应的种子区域；
利用能量优化算法对所述种子区域进行能量分割操作，以确定所述图像分割信息。
7.根据权利要求5或6所述的方法，其特征在于，在所述对所述第一分割区域进行精处理操作，以确定所述图像分割信息之后，还包括：
基于所述图像分割信息确定第二分割区域；
基于所述第二分割区域和所述待显示组织确定所述待显示组织对应的关键点信息；
其中，所述基于所述图像分割信息确定所述待显示组织对应的图像区域，包括：
基于所述关键点信息对所述第二分割区域进行裁剪操作，以确定所述待显示组织对应的图像区域。
8.一种医学图像的显示装置，其特征在于，应用于包括待显示组织的待显示医学图像，所述待显示医学图像为包括左乳腺头足位图像区域、右乳腺头足位图像区域、左乳腺侧斜位图像区域和右乳腺侧斜位图像区域的乳腺钼靶图像，包括：
类型信息确定模块，用于基于所述待显示医学图像确定所述待显示组织的类型信息；
显示参数确定模块，用于将所述类型信息输入至窗宽窗位模型，以确定所述左乳腺头足位图像区域、所述右乳腺头足位图像区域、所述左乳腺侧斜位图像区域和所述右乳腺侧斜位图像区域各自对应的窗宽信息和/或窗位信息，以及用于基于所述类型信息确定所述待显示医学图像对应的显示视图信息，其中，所述显示视图信息包括缩放比例信息和/或平移信息，其中，所述窗宽窗位模型为深度学习网络模型，所述深度学习网络模型是基于多幅乳腺钼靶图像、该多幅乳腺钼靶图像中的乳腺各自对应的类型信息以及该多幅乳腺钼靶图像各自对应的最佳窗宽信息和最佳窗位信息进行训练的；
显示模块，用于基于所述窗宽信息和/或窗位信息和所述显示视图信息显示所述待显示医学图像。
9.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1至7任一所述的医学图像的显示方法。
10.一种电子设备，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于执行上述权利要求1至7任一所述的医学图像的显示方法。
CN201911412140.9A 2019-12-31 2019-12-31 医学图像的显示方法及装置、存储介质及电子设备 Active CN111166362B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911412140.9A CN111166362B (zh) 2019-12-31 2019-12-31 医学图像的显示方法及装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911412140.9A CN111166362B (zh) 2019-12-31 2019-12-31 医学图像的显示方法及装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN111166362A CN111166362A (zh) 2020-05-19
CN111166362B true CN111166362B (zh) 2021-12-03

Family

ID=70620451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911412140.9A Active CN111166362B (zh) 2019-12-31 2019-12-31 医学图像的显示方法及装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN111166362B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111803104B (zh) * 2020-07-20 2021-06-11 上海杏脉信息科技有限公司 一种医学影像显示方法、介质及电子设备
CN112116625A (zh) * 2020-08-25 2020-12-22 澳门科技大学 基于矛盾标记法的心脏ct图像自动分割方法、装置及介质
CN113299370B (zh) * 2021-07-05 2022-03-01 数坤(北京)网络科技股份有限公司 医学图像展示方法、装置、计算机设备和存储介质
CN114663653B (zh) * 2022-05-16 2022-08-12 南京佗道医疗科技有限公司 一种医学影像感兴趣区域的窗位窗宽计算方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR112014014920A8 (pt) * 2011-12-22 2017-06-13 Koninklijke Philips Nv sistema para processar uma imagem da mama, estação de trabalho, aparelho de detecção por imagem, método para processar uma imagem da mama, e, produto de programa de computador
CN103222876B (zh) * 2012-01-30 2016-11-23 东芝医疗***株式会社 医用图像处理装置、图像诊断装置、计算机***以及医用图像处理方法
US20180060535A1 (en) * 2016-08-31 2018-03-01 International Business Machines Corporation Updating probabilities of conditions based on annotations on medical images
CN107833231B (zh) * 2017-11-22 2020-12-04 上海联影医疗科技股份有限公司 医学图像显示方法、装置和计算机存储介质
CN109919254B (zh) * 2019-03-28 2021-08-17 上海联影智能医疗科技有限公司 乳腺密度分类方法、***、可读存储介质和计算机设备
CN110223261B (zh) * 2019-05-20 2022-03-01 上海联影医疗科技股份有限公司 医学图像处理方法和***、存储介质及计算机设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
数字化乳腺X线图像阅片***设计与实现;黄芳;《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》;20140715;20-21 *
非肿块型乳腺癌的钼靶X线诊断分析;史叶锋 等;《实用医学杂志》;20101231;第26卷(第24期);4548-4550 *

Also Published As

Publication number Publication date
CN111166362A (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
CN111166362B (zh) 医学图像的显示方法及装置、存储介质及电子设备
US11880972B2 (en) Tissue nodule detection and tissue nodule detection model training method, apparatus, device, and system
CN110232383B (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别***
JP7194143B2 (ja) 肝臓腫瘍例のレビューを容易にするシステムおよび方法
RU2571523C2 (ru) Вероятностная оптимизация сегментации, основанной на модели
CN111062947B (zh) 一种基于深度学习的x光胸片病灶定位方法及***
CN110832540B (zh) 图像处理***和方法
US20230177677A1 (en) Method and system for performing vessel segmentation in a medical image
CN111008984A (zh) 医学影像中正常器官的轮廓线自动勾画方法及***
CN110046627B (zh) 一种乳腺影像识别的方法及装置
CN102428478A (zh) 多尺度图像归一化和增强
US10726948B2 (en) Medical imaging device- and display-invariant segmentation and measurement
CN112529834A (zh) 病理图像模式在3d图像数据中的空间分布
CN111568451A (zh) 一种曝光剂量调节方法和***
CN114332132A (zh) 图像分割方法、装置和计算机设备
CN111738975B (zh) 图像辨识方法及图像辨识装置
US11049289B2 (en) Systems and methods to semi-automatically segment a 3D medical image using a real-time edge-aware brush
EP3665643B1 (en) X-ray image processing method and system and computer storage medium
CN112634309B (zh) 图像处理方法、装置、电子设备及存储介质
CN116797612B (zh) 基于弱监督深度活动轮廓模型的超声图像分割方法及装置
Cheng et al. Dental hard tissue morphological segmentation with sparse representation-based classifier
Al Abboodi et al. Supervised Transfer Learning for Multi Organs 3D Segmentation With Registration Tools for Metal Artifact Reduction in CT Images
CN111161256A (zh) 图像分割方法、图像分割装置、存储介质及电子设备
US20220044454A1 (en) Deep reinforcement learning for computer assisted reading and analysis
CN111080642A (zh) 基于医学图像的组织分型方法及装置、电子设备

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085

Applicant after: Tuxiang Medical Technology Co., Ltd

Address before: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085

Applicant before: Beijing Tuoxiang Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant