CN113689355B - 图像处理方法、装置、存储介质及计算机设备 - Google Patents
图像处理方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN113689355B CN113689355B CN202111059740.9A CN202111059740A CN113689355B CN 113689355 B CN113689355 B CN 113689355B CN 202111059740 A CN202111059740 A CN 202111059740A CN 113689355 B CN113689355 B CN 113689355B
- Authority
- CN
- China
- Prior art keywords
- medical image
- strengthened
- contour region
- enhanced
- image
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 99
- 238000003672 processing method Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000002787 reinforcement Effects 0.000 claims abstract description 20
- 230000004044 response Effects 0.000 claims abstract description 12
- 230000007547 defect Effects 0.000 claims description 45
- 238000005728 strengthening Methods 0.000 claims description 21
- 210000000056 organ Anatomy 0.000 claims description 18
- 239000000654 additive Substances 0.000 claims description 15
- 230000000996 additive effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 201000010099 disease Diseases 0.000 abstract description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 6
- 210000004204 blood vessel Anatomy 0.000 description 42
- 230000003902 lesion Effects 0.000 description 28
- 208000024891 symptom Diseases 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000002107 myocardial effect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 230000009469 supplementation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 208000007536 Thrombosis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
-
- 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
- G06T2207/20172—Image enhancement details
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了一种图像处理方法、装置、存储介质及计算机设备,其中,本申请实施例中的方法包括:获取待处理医学图像;响应于接收到的待强化指令,从所述待处理医学图像中确定出待强化对象;获取所述待强化对象的关联信息;根据所述关联信息对所述待强化对象进行强化处理,得到强化处理后的医学图像。以此,通过对待处理医学图像进行强化处理,使得处理后的医学图像便于识别,方便根据处理后的医学图像进行疾病诊断。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种图像处理方法、装置、存储介质及计算机设备。
背景技术
目前,常通过AI识别对医学图像进行识别分析,但由于识别算法的精准程度较低,会造成识别出来的图像信息不完整或不清楚,也即无法根据图像信息确定医学图像是否存在病灶,或者无法确定病灶的类型,继而,使得医护人员无法根据医学图像进行疾病诊断。
发明内容
本申请实施例提供一种图像处理方法、装置、存储介质及计算机设备,能够对医学图像进行强化处理,得到清晰的医学图像,并于根据处理后的医学图像进行疾病诊断。
第一方面,本申请实施例提供一种图像处理方法,包括:
获取待处理医学图像;
响应于接收到的待强化指令,从待处理医学图像中确定出待强化对象;
获取待强化对象的关联信息;
根据关联信息对待强化对象进行强化处理,得到强化处理后的医学图像。
第二方面,本申请实施例还提供一种图像处理装置,包括:
图像获取模块,用于获取待处理医学图像;
指令处理模块,用于响应于接收到的待强化指令,从待处理医学图像中确定出待强化对象;
关联信息获取模块,用于获取待强化对象的关联信息;
图像处理模块,用于根据关联信息对待强化对象进行强化处理,得到强化处理后的医学图像。
第三方面,本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,当计算机程序在计算机上运行时,使得计算机执行如本申请任一实施例提供的图像处理方法。
第四方面,本申请实施例还提供一种计算机设备,包括处理器和存储器,存储器有计算机程序,处理器通过调用计算机程序,用于执行如本申请任一实施例提供的图像处理方法。
本申请实施例提供的技术方案,通过获取待处理医学图像;响应于接收到的待强化指令,从待处理医学图像中确定出待强化对象;获取待强化对象的关联信息;根据关联信息对待强化对象进行强化处理,得到强化处理后的医学图像。基于该方案,通过对医学图像进行强化处理,使得处理后的医学图像易于识别,方便医护人员根据医学图像进行疾病诊断,且弥补了AI识别精准性较低的不足。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的图像处理方法的第一种流程示意图。
图2为本申请实施例提供的图像处理方法的第二种流程示意图。
图3为本申请实施例提供的图像处理方法的第三种流程示意图。
图4为本申请实施例提供的图像处理方法的第四种流程示意图。
图5为本申请实施例提供的心肌桥的结构示意图。
图6为本申请实施例提供的图像处理装置的结构示意图。
图7为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本申请的保护范围。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请实施例提供一种图像处理方法,该图像处理方法的执行主体可以是本申请实施例提供的图像处理装置,或者集成了该图像处理装置的计算机设备,其中该图像处理装置可以采用硬件或者软件的方式实现。其中,计算机设备可以是智能手机、平板电脑、掌上电脑、笔记本电脑、或者台式电脑等设备。
请参阅图1,图1为本申请实施例提供的图像处理方法的第一种流程示意图。本申请实施例提供的图像处理方法的具体流程可以如下:
101、获取待处理医学图像。
其中,计算机设备可以从其它存储有待处理医学图像的存储介质中获取到待处理医学图像;计算机设备还可以具有医学图像拍摄功能,当拍摄到医学图像后,则自动识别医学图像;计算机设备还可以连接扫描仪器,当扫描仪器扫描得到数据后则在计算机设备中呈现图像。
由于计算机设备可以获取待处理医学图像的途径有多种,此处不再详举。
可选地,在一实施例中,获取待处理医学图像,包括:
获取原始医学影像;
从原始医学影像中确定出包括器官区域的图像,将包括器官区域的图像作为待处理医学图像。
其中,原始医学影像可以为CT图像、MR图、超声图像等扫描图像。
比如,若计算机设备获取的是CT图像、MR图、超声图像等扫描图像,则可以利用二分类算法、U-net网络模型等深度学习神经网络算法对扫描图像进行分割,进而得到扫描图像中的器官图像,进而可将分割出的器官图像作为待处理医学图像。
又比如,若计算机设备获取的是扫描图像经分割处理后的图像,则可直接将该图像作为待处理医学图像。
在另一实施例中,待处理医学图像还可以为通过AI算法重建处理后的医学影像。
当通过AI算法对原始医学影像进行重建处理之后,处理后的医学影像仍旧存在缺陷需要通过本申请的方案对处理后的医学影像进行强化处理,进而补足AI重建处理的缺陷。
102、响应于接收到的待强化指令,从待处理医学图像中确定出待强化对象。
当获取到待处理医学图像之后,医护人员可以通过操作计算机设备,进而对计算机设备下发待强化指令,计算机设备接收到待强化指令后则响应待强化指令,执行待强化指令对应的操作。当医护人员下发待强化指令后,计算机设备响应待强化指令可以在待处理医学图像中选择待强化对象。
比如,用户可以通过鼠标点击或触摸点击待处理医学图像中疑似病灶的轮廓,进而以点击的方式向计算机设备下发待强化指令,计算机设备响应待强化指令,并同步对待处理医学图像的中疑似病灶的轮廓的点选,进而将轮廓作为待强化对象。
再比如,用户可以通过操作计算机设备的鼠标框选出疑似病灶的图像区域,进而以框选的方式向计算机设备下发待强化指令,计算机设备响应待强化指令,并同步对待处理医学图像中疑似病灶区域的框选操作,进而将框选出的图像区域作为待强化对象。
基于此,确定待强化对象的是基于用户的选择的,而选择的方式有多种,比如点选、框选等,而选择的方式是基于用户下发的待强化指令。
103、获取待强化对象的关联信息。
其中,可以通过对待强化对象进行识别,获取待强化对象周围与其具有高关联性的关联信息,进而通过关联信息对待强化对象进行强化处理。其中,关联信息可以为对待强化对象的形状补充,或者与待强化对象有相似的特性等,只要在某种程度上与待强化对象具有关联即可。
在一些实施例中,获取待强化对象的关联信息,包括:
1031、根据待强化对象的原始图像,确定待强化对象的缺陷类型。
待强化对象可能存在多种不同类型的缺陷,比如,待强化对象为器官区域,将器官区域与其原始图像进行比对,则可能存在的缺陷类型有:原始图像模糊不清、器官区域相较于原始图像存在轮廓不完整的问题、器官区域相较于原始图像的轮廓线条交叠不清等。
1032、确定待强化对象的轮廓区域,根据第一预设阈值沿远离轮廓区域的方向扩大轮廓区域,得到加强区域。
在本实施例中,基于待强化对象的轮廓区域进行加强区域的选择,其中,扩大的方向可为轮廓***区域,通过对轮廓区域进行范围扩大,能够便于后续对轮廓区域进行信息补充,进而补足待强化对象缺失的信息。
其中,第一预设阈值指的是外扩的距离,而距离可根据待强化对象的轮廓区域范围而定,比如,若轮廓区域较大,则将第一预设阈值调高,若轮廓区域较小,则将第一预设阈值调低;或者第一预设阈值由用户自定义设定。
故而,本实施例中并不对第一预设阈值进行数值限定,只要能够得到合理的加强区域即可。
1033、根据待强化对象的缺陷类型从加强区域中确定出待强化对象的关联信息,关联信息为关联体素点。
在本实施例中,待处理医学图像的每个体素点均有一个识别概率值,而不同器官则以识别概率值进行区分。
其中,体素是体积元素(Volume Pixel)的简称,是数字数据于三维空间分割上的最小单位。
基于待强化对象的体素点的识别概率值,可以根据缺陷类型从加强区域中确定出关联体素点,其中,关联体素点与待强化对象识别概率值相近。
104、根据关联信息对待强化对象进行强化处理,得到强化处理后的医学图像。
通过关联信息能够对待强化对象进行信息补足,进而弥补待强化对象的缺陷,使得待强化对象更加清晰、完整。
其中,若待强化对象为通过AI算法重建处理的医学图像,则对其进行强化的目的在于修复其中信息较弱的部分,实现对信息的增强或修正,进而提高待强化对象的信息量,使得待强化对象中在视觉上可见的信息量有所提升。
若待强化对象为原始医学影像分割处理后的图像,则通过对待强化对象的分辨率等作图像处理,提高图像质量,或者增加待强化对象的信息量,使得待强化对象中在视觉上可见的信息量有所提升。
具体实施时,本申请不受所描述的各个步骤的执行顺序的限制,在不产生冲突的情况下,某些步骤还可以采用其它顺序进行或者同时进行。
由上可知,本申请实施例提供的图像处理方法,通过获取于待强化对象相关的关联信息,并通过关联信息对待强化对象进行强化处理,能够使得强化处理后的医学图像清楚、完整,便于医护人员根据强化处理后的医学图像进行诊断,进而识别出病灶及病灶的类型。
根据前面实施例所描述的方法,可知,待处理医学图像包括器官,其中,器官可以为血管、肝脏、肺部、头颈部等,由于人体器官众多,本申请的方法均可应用于包括人体器官的待处理图像方面,因此,以下的实施例中仅以其中的一个器官解释本申请的方案,以下实施例中以血管为例进行说明。
在本申请中列举了血管的三种缺陷类型,以及针对三种缺陷类型进行的强化处理方法,以下将举例作进一步详细说明。
请参阅图2,图2为本发明实施例提供的图像处理方法的第二流程示意图。方法包括:
201、获取待处理医学图像。
其中,待处理医学图像包括血管。
202、响应于接收到的待强化指令,从待处理医学图像中确定出待强化对象。
通过用户的点选或框选操作可以对血管周围的图像进行选择,进而选择出需要强化的部分作为待强化对象。
203、根据待强化对象的原始图像,确定待强化对象的缺陷类型。
在本实施例中,缺陷类型为第一预设类型,第一预设类型指的是疑似病灶。比如,医学图像中的血管位置上存在小凸起,而小凸起可能是病灶也可能是局部高压引起的***,因此,也就无法判断小凸起是否为病灶,则将小凸起设定为疑似病灶。
204、确定待强化对象的轮廓区域,根据第一预设阈值沿远离轮廓区域的方向扩大轮廓区域,得到加强区域。
在本实施例中,通过沿轮廓区域外扩固定距离,即可得到加强区域。
其中,第一预设阈值则指一固定距离,通过将轮廓区域适当扩大,则便于对疑似病灶的待强化对象进行分析。
205、根据待强化对象的缺陷类型从加强区域中确定出待强化对象的关联信息,关联信息为关联体素点。
在本实施例中,对于待强化对象为疑似病灶,则需加强待强化对象的轮廓区域,则将加强区域中与轮廓区域相邻的体素点作为关联体素点。
206、当所述缺陷类型为所述第一预设类型时,根据第二预设阈值从关联体素点中确定出加成体素点。
其中,第二预设阈值可以为识别概率值的范围,也可以为具体数值,具体的设置方式可自定义,此处并不进行限定。
比如,当血管处病灶的识别概率值的范围为2.0-3.0时,可将第二预设阈值设置为2.0-3.0,进而将识别概率值处于2.0-3.0范围的关联体素点作为加成体素点。可以理解地,此处仅是用作举例,并不用于限定本实施例中待强化对象体素点的识别概率值。
再比如,当血管处病灶的识别概率值的范围为2.0-3.0时,可将预设阈值设置为0.2,进而将识别概率值处于0.8-3.2范围内的关联体素点作为加成体素点。
基于第二预设阈值的设定,本实施例中还提供一些实施例确定加成体素点,其中,在一实施例中,当缺陷类型为第一预设类型时,根据第二预设阈值从关联体素点中确定出加成体素点,包括:
2061、从加强区域获取与轮廓区域具有最高关联性的关联体素点。
其中,设定与轮廓区域相邻的体素点与轮廓区域具有高关联性,从加强区域中筛选出与轮廓区域具有高关联性的体素点作为关联体素点。其中,不同轮廓区域位置对应有不同的关联体素点。
比如,轮廓区域上第一体素点的坐标位置为(x,y),而与(x,y)相邻的坐标位置有三个,其中,第二体素点的坐标位置为(x+1,y-1),且第二体素点位于加强区域,则将第二体素点作为与第一体素点具有最高关联性的体素点。
2062、计算具有最高关联性的关联体素点和轮廓区域之间的识别概率值的差值。
根据体素点的坐标位置,确定轮廓区域上所有体素点的关联体素点之后,则求取每组具有最高关联性的体素点之间的识别概率值的差值。其中,每组具有最高关联性的体素点在坐标位置上相邻,且两个相邻的体素点分别位于轮廓区域和加强区域。
比如,上述的第一体素点和第二体素点作为一组具有最高关联性的体素点,计算第一体素点和第二体素点的识别概率值的差值。
将差值小于第二预设阈值的关联体素点作为加成体素点。
其中,第二预设阈值指的是具体的数值,而数值的大小可自定义设置,此处并不进行限定,比如,当第二预设阈值为0.3时,而第一体素点和第二体素点的识别概率值的差值为0.2,则将第二体素点作为加成体素点。
由于第二预设阈值的设置方式有多种,此处不再进行列举,只要能够通过设置第二预设阈值从关联体素点中筛选处加成体素点即可。
207、将加成体素点补充至待强化对象,得到强化处理后的医学图像。
将加成体素点补充至待强化对象后,则对待强化对象的轮廓进行体素点补充,使得疑似病灶的待强化对象的轮廓更加清晰,进而便于医护人员判断处理后的医学图像是否存在病灶。
在一些实施例中,得到强化处理后的医学图像之后,还包括:
判断强化处理后的医学图像中的待强化对象是否为病灶;
若为病灶,则对病灶进行分析;
若不为病灶,则判断是否需要继续对待强化对象进行强化处理;
若需要对待强化对象进行强化处理,则继续执行204-207的步骤,直至能够判断出待处理对象是否为病灶。
在本实施例中,通过对强化处理后的医学图像进行验证,继而继续判断待强化对象是否仍存在缺陷,当存在缺陷的时候继续对其进行强化,使得最终的结果能够对原有的疑似病灶部分进行清楚识别,进而确定其是否为病灶,优化了图像处理的流程。
由上可知,本发明实施例提出的图像处理方法,通过将与待强化对象具有高关联性的关联体素点补充至待强化对象,进而补足待强化对象的关键信息,而使得待强化对象的轮廓更加清楚,便于医护人员识别出是否为病灶。
请参阅图3,图3为本发明实施例提供的图像处理方法的第三流程示意图。方法包括:
301、获取待处理医学图像。
其中,待处理医学图像包括血管。
302、响应于接收到的待强化指令,从待处理医学图像中确定出待强化对象。
通过用户的点选或框选操作可以对血管周围的图像进行选择,进而选择出需要强化的部分作为待强化对象。
303、根据待强化对象的原始图像,确定待强化对象的缺陷类型。
在本实施例中,缺陷类型为第二设类型,第二预设类型指的是征象模糊,征象模糊指的是病灶的征象不清楚,或病灶与血管的分界不清楚,或血管的征象不清楚。
比如,病灶区域与血管之间的对比度较弱,无法区分病灶和血管;
再比如,对扫描图像进行切割时,由于切割不准确,导致血管和病灶的分界不准确;
再比如,血管附近存在一些伪影,进而导致血管的征象模糊,其中,伪影指的是由于人体呼吸、局部扭动等问题,导致图像上出现的虚影;或者,由于血管阻塞,则出现血管局部扩张,也会导致血管的征象模糊。
其中,征象指的是病灶或血管的边界、宽窄程度、弯曲等形态特征。
304、确定待强化对象的轮廓区域,根据第一预设阈值沿远离轮廓区域的方向扩大轮廓区域,得到加强区域。
在本实施例中,则是对待强化对象进行强化处理,当病灶模糊时,则基于轮廓区域,将轮廓区域及其以内的区域作为加强区域,或者,将轮廓区域及其两侧的区域作为加强区域,进而对病灶进行清晰度加强处理。
而当加强区域为待强化对象的区域时,第一预设阈值可视轮廓区域的范围而定;
当加强区域为将轮廓区域及其两侧的区域时,第一预设阈值则存在两个正负值,分别表示向内缩的距离和向外扩的距离。
305、根据待强化对象的缺陷类型从加强区域中确定出待强化对象的关联信息,关联信息为关联体素点。
在本实施例中,则将加强区域中包括轮廓区域的体素点作为关联体素点,进而对病灶进行清晰度修复处理。
306、根据关联信息对待强化对象进行强化处理,得到强化处理后的医学图像。
通过对待强化对象进行清晰度修复处理,能够区分病灶和血管之间的界限,或者修复病灶的轮廓。
由于对关联体素点进行清晰度修复的方式有多种,以下列举了三种清晰度修复方式,针对三种清晰度修复的方法,以下将举例说明。
在一实施例中,根据关联信息对待强化对象进行强化处理,得到强化处理后的医学图像,包括:
当所述缺陷类型为第二预设类型时,增大关联体素点的对比度直至不小于预设对比度阈值,得到强化处理后的医学图像。
在本实施例中,通过对关联体素点的对比度进行调整,进而提高关联体素点的对比度,使得待强化对象更加清晰。
在另一实施例中,根据关联信息对待强化对象进行强化处理,得到强化处理后的医学图像,包括:
当所述缺陷类型为第二预设类型时,通过预设的清晰度修复模型对关联体素点进行清晰度修复处理,得到强化后的医学图像。
在本实施例中,可以预先通过神经网络深度学习算法训练得到清晰度修复模型,其中,在进行清晰度修复模型训练时,可通过学习多个样本,其中,多个样本包括多组图像清晰度修复前后的对比图。
通过将关联体素点输入清晰度修复模型,即可对关联体素点的清晰度进行修复处理,进而得到清晰度修复处理后的医学图像。
其中,通过对关联体素点进行清晰度修复,即可得到待强化对象更加清晰的征象。
或者,在另一实施例中,根据关联信息对待强化对象进行强化处理,得到强化处理后的医学图像,包括:
3061、当所述缺陷类型为第二预设类型时,根据第二预设阈值从关联体素点中确定出加成体素点。
其中,第二预设阈值可以为识别概率值的范围,也可以为具体数值,具体的设置方式可自定义,此处并不进行限定。
比如,当血管处病灶的识别概率值的范围为2.0-3.0,血管的识别概率值的范围为3.5-4.0时,可将第二预设阈值设置为2.0-4.0,进而将识别概率值处于2.0-4.0范围的关联体素点作为加成体素点。可以理解地,此处仅是用作举例,并不用于限定本实施例中待强化对象体素点的识别概率值。
再比如,当血管处病灶的识别概率值的范围为2.0-3.0时,可将预设阈值设置为0.2,进而将识别概率值处于0.8-3.2范围内的关联体素点作为加成体素点。
3062、将加成体素点补充至待强化对象,得到强化处理后的医学图像。
将加成体素点补充至待强化对象后,则对待强化对象的区域进行体素点补充,使得征象模糊的待强化对象的征象更加清晰,进而便于医护人员根据处理后的医学图像判断病灶的具体特征或者分析血管的异常情况。
在一些实施例中,得到强化处理后的医学图像之后,还包括:
判断强化处理后的医学图像中的待强化对象的清晰度是否符合诊断要求;
若符合,则从强化处理后的医学图像中识别病灶;
若不符合,则继续执行304-206的步骤,以对待强度对象继续执行清晰度修复处理步骤,直至待强化对象的清晰度符合诊断要求。
其中,诊断要求指的是医护人员是否能够看清楚医学图像中的病灶的轮廓,或者根据病灶的图像判断出具有病因,或者医护人员能够区分病灶和血管。
在本实施例中,通过对强化处理后的医学图像进行验证,继而继续判断待强化对象是否符合诊断要求,当不符合时继续对其进行清晰度修复,直至医护人员能够区分病灶的具体病因,优化了图像处理的流程。
由上可知,本发明实施例提出的图像处理方法,通过对待强化对象的征象进行清晰度修复,进而使得待强化对象的特征便于识别,且能够区分血管和病灶,以及根据病灶的特征进一步进行医学诊断。
请参阅图4,图4为本发明实施例提供的图像处理方法的第四流程示意图。方法包括:
401、获取待处理医学图像。
其中,待处理医学图像包括血管。
402、响应于接收到的待强化指令,从待处理医学图像中确定出待强化对象。
通过用于的点选或框选操作可以对血管周围的图像进行选择,进而选择出需要强化的部分作为待强化对象。
403、根据待强化对象的原始图像,确定待强化对象的缺陷类型。
在本实施例中,缺陷类型为第三设类型,第三预设类型指的是血管断裂,比如,医学图像中血管出现断裂,此断裂可能为血管具有病灶导致的断裂,也可能是无法显影导致的断裂。
404、确定待强化对象的轮廓区域,根据第一预设阈值沿远离轮廓区域的方向扩大轮廓区域,得到加强区域。
在本实施例中,轮廓区域包括断裂的两个区域,分别为第一轮廓区域和第二轮廓区域,通过将轮廓区域的范围扩大,使得轮廓区域包含第一轮廓区域和第二轮廓区域,进而将包括第一轮廓区域和第二轮廓区域中间的区域作为加强区域。
其中,第一预设阈值指的是外扩的距离,而距离可根据第一轮廓区域和第二轮廓区域之间的距离而定,只要包含两个断裂区域即可。
405、根据待强化对象的缺陷类型从加强区域中确定出待强化对象的关联信息,关联信息为关联体素点。
在本实施例中,对于待强化对象为血管断裂的情况,则将加强区域中位于断裂区域中间位置的体素点作为关联体素点。
406、当所述缺陷类型为第三预设类型时,所述轮廓区域包括第一轮廓区域和第二轮廓区域。
407、根据关联体素点连接第一轮廓区域和第二轮廓区域,以对待强化对象进行断裂修复处理,得到强化处理后的医学图像。
在本实施例中,通过关联体素点对断裂的血管进行连接,得到修复后的血管图像。
由于通过关联体素点对断裂的血管进行连接的方式有多种,以下列举了三种连接方式,针对三种连接方式修复血管的方法,以下将举例说明。
在一实施例中,根据关联信息对待强化对象进行强化处理,得到强化处理后的医学图像,包括:
以第一轮廓区域和/或第二轮廓区域的边缘体素点为起始点,依次连接关联体素点与边缘体素点之间识别概率值最高且满足预设条件的体素点,以对待强化对象进行断裂修复处理,得到强化处理后的医学图像,其中,预设条件为距离最短或连线的平滑度最高。
比如,在一示例中,以第一轮廓区域的边缘体素点中的第三体素点作为起始点,第三体素点的识别概率值为70,在关联体素点中与第三体素点的识别概率值最高的为第四体素点,第四体素点的识别概率值为68,在第二轮廓区域的边缘体素点中,与第三体素点和第四体素点之间具有识别概率值最高的为第五体素点,第五体素点的识别概率值为69,因此,依次连接第一轮廓区域中的第三体素点、关联体素点中的第四体素点和第二轮廓区域中的第五体素点。
以此类推,将第一轮廓区域的边缘体素点、关联体素点和第二轮廓区域中的边缘体素点依次连接,根据第一轮廓区域或第二轮廓区域的边缘体素点的个数,可以得到对应数量的连线。
此处需说明的是,此处建立第一轮廓区域的边缘体素点、关联体素点和第二轮廓区域中的边缘体素点之间的连线并不进行连接顺序的区分,只要三者之间满足识别概率值最高即可。
当得到所有连线之后,在其中筛选出连线满足距离最短或平滑度最好的保留,其中,距离最短指的是相比于和其它体素点连接,目前连线的两端的两个边缘体素点之间的距离最短。
比如,上述示例中,第三体素点的识别概率值为70,第四体素点的识别概率值为68,第五体素点的识别概率值为69,而在第二轮廓区域中还存在第六体素点的识别概率值为69,其中,可连接第三体素点、第四体素点和第五体素点组成第一连线,也可连接第三体素点、第四体素点和第六体素点组成第二连线,由于第一连线长度小于第二连线长度,因此,基于距离最短的前提条件,选中第一连线进行保存。
再比如,上述示例中,若第一连线和第二连线的长度相同,则比较两者的平滑度,其中,第一连线的平滑度高于第二连线,则保留第二连线;或者,直接比较第一连线和第二连线的平滑度。
在另一实施例中,根据关联信息对待强化对象进行强化处理,得到强化处理后的医学图像,包括:
根据最短路径算法,基于关联体素点连接第一轮廓区域和第二轮廓区域,以对待强化对象进行断裂修复处理,得到强化处理后的医学图像。
其中,可通过迪杰斯特拉算法(dijkstra算法),以最短路径依次连接第一轮廓区域、关联体素点和第二轮廓区域中的每个体素点,进而实现对断裂的血管的连接修复。
或者,在另一实施例中,根据关联信息对待强化对象进行强化处理,得到强化处理后的医学图像,包括:
通过预设的断裂修复模型使用关联体素点对第一轮廓区域和第二轮廓区域的边缘体素点进行连接修复,得到强化处理后的医学图像。
其中,通过深度学习神经网络模型训练得到断裂修复模型,将第一轮廓区域、关联体素点和第二轮廓区域作为输入,进而得到修复结果。
在一示例中,训练断裂修复模型可通过血管断裂前后的对比图进行训练;
在另一示例中,也可将血管中心线的图像作为输入训练得到断裂修复模型,其中,血管中心线的图像是根据以往的医学经验构建的模板图像,或者是经过医生大量手动诊断,标记出的血管中心线图像。
在另一示例中,也可将断裂区域的图像和修复结果的图像作为输入,通过深度学习神经网络模型训练得到的断裂修复模型。
在一些实施例中,根据关联体素点连接第一轮廓区域和第二轮廓区域,以对待强化对象进行断裂修复处理,得到强化处理后的医学图像之后,还包括:
判断第一轮廓区域和第二轮廓区域是否仍断裂;
若是,则判定待强化对象是病灶;
若否,则判定待强化对象不是病灶。
在本实施例中,在对血管进行断裂修复之后则判断是否依然处于断裂状态,比如,如图5所示的心肌桥的结构示意图,其中,心肌桥会随心肌运动而伸长或弯曲,进而在显影时心肌桥会呈断裂现象,通过断裂修复是可以看到较弱的连线,说明此特征并不是病灶,是为心肌桥等特殊血管结构。而如钙化、血栓等病灶,则无法进行修复,血管依然是断裂状态,说明此特征为病灶。
由上可知,本发明实施例提出的图像处理方法,通过对断裂的血管进行断裂修复处理,能够进一步判断是否存在病灶,便于后续的医学诊断。
在一实施例中还提供一种图像处理装置500。请参阅图6,图6为本申请实施例提供的图像处理装置500的结构示意图。其中该图像处理装置500应用于计算机设备,该图像处理装置500包括图像获取模块501、指令处理模块502、关联信息获取模块503和图像处理模块504,如下:
图像获取模块501,用于获取待处理医学图像;
指令处理模块502,用于响应于接收到的待强化指令,从待处理医学图像中确定出待强化对象;
关联信息获取模块503,用于获取待强化对象的关联信息;
图像处理模块504,用于根据关联信息对待强化对象进行强化处理,得到强化处理后的医学图像。
在一些实施例中,图像获取模块501还用于:
获取原始医学影像;
从原始医学影像中确定出包括器官区域的图像,将包括器官区域的图像作为待处理医学图像。
在一些实施例中,关联信息获取模块503还用于:
根据待强化对象的原始图像,确定待强化对象的缺陷类型;
确定待强化对象的轮廓区域,根据第一预设阈值沿远离轮廓区域的方向扩大轮廓区域,得到加强区域;
根据待强化对象的缺陷类型从加强区域中确定出待强化对象的关联信息,关联信息为关联体素点。
在一些实施例中,图像处理模块504还用于:
当缺陷类型为第一预设类型时,根据第二预设阈值从关联体素点中确定出加成体素点;
将加成体素点补充至待强化对象,得到强化处理后的医学图像。
在一些实施例中,当缺陷类型为第一预设类型时,根据第二预设阈值从关联体素点中确定出加成体素点,包括:
当缺陷类型为第一预设类型时,从加强区域获取与轮廓区域具有最高关联性的关联体素点;
计算具有最高关联性的关联体素点和轮廓区域之间的识别概率值的差值;
将差值小于第二预设阈值的关联体素点作为加成体素点。
在一些实施例中,图像处理模块504还用于:
当缺陷类型为第二预设类型时,增大关联体素点的对比度直至不小于预设对比度阈值,得到强化处理后的医学图像。
在一些实施例中,图像处理模块504还用于:
当缺陷类型为第二预设类型时,通过预设的清晰度修复模型对关联体素点进行清晰度修复处理,得到强化后的医学图像。
在一些实施例中,图像处理模块504还用于:
当缺陷类型为第三预设类型时,轮廓区域包括第一轮廓区域和第二轮廓区域;
根据关联体素点连接第一轮廓区域和第二轮廓区域,以对待强化对象进行断裂修复处理,得到强化处理后的医学图像。
在一些实施例中,根据关联体素点连接第一轮廓区域和第二轮廓区域,以对待强化对象进行断裂修复处理,得到强化处理后的医学图像,包括:
以第一轮廓区域和/或第二轮廓区域的边缘体素点为起始点,依次连接关联体素点与边缘体素点之间识别概率值最高且满足预设条件的体素点,以对待强化对象进行断裂修复处理,得到强化处理后的医学图像,其中,预设条件为距离最短或连线的平滑度最高。
在一些实施例中,根据关联体素点连接第一轮廓区域和第二轮廓区域,以对待强化对象进行断裂修复处理,得到强化处理后的医学图像,包括:
根据最短路径算法,基于关联体素点连接第一轮廓区域和第二轮廓区域,以对待强化对象进行断裂修复处理,得到强化处理后的医学图像;
或者,通过预设的断裂修复模型使用关联体素点对第一轮廓区域和第二轮廓区域的边缘体素点进行连接修复,得到强化处理后的医学图像。
在一些实施例中,根据关联体素点连接第一轮廓区域和第二轮廓区域,以对待强化对象进行断裂修复处理,得到强化处理后的医学图像之后,还包括:
判断第一轮廓区域和第二轮廓区域是否仍断裂;
若是,则判定待强化对象是病灶;
若否,则判定待强化对象不是病灶。
应当说明的是,本申请实施例提供的图像处理装置500与上文实施例中的图像处理方法属于同一构思,通过该图像处理装置500可以实现图像处理方法实施例中提供的任一方法,其具体实现过程详见图像处理方法实施例,此处不再赘述。
由上可知,本申请实施例提出的图像处理装置,通过对待处理图像进行强化处理,能够使得处理后的图像更加清晰、完整,便于识别,方便医护人员根据处理后的图像进行医学诊断,或者直接显示某些病灶的特征。
本申请实施例还提供一种计算机设备,该计算机设备可以为终端,该终端可以为智能手机、平板电脑、笔记本电脑、触控屏幕、游戏机、个人计算机(PC,PersonalComputer)、个人数字助理(Personal Digital Assistant,PDA)等终端设备。如图7所示,图7为本申请实施例提供的计算机设备的结构示意图。该计算机设备600包括有一个或者一个以上处理核心的处理器601、有一个或一个以上计算机可读存储介质的存储器602及存储在存储器602上并可在处理器上运行的计算机程序。其中,处理器601与存储器602电性连接。本领域技术人员可以理解,图中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
处理器601是计算机设备600的控制中心,利用各种接口和线路连接整个计算机设备600的各个部分,通过运行或加载存储在存储器602内的软件程序和/或模块,以及调用存储在存储器602内的数据,执行计算机设备600的各种功能和处理数据,从而对计算机设备600进行整体监控。
在本申请实施例中,计算机设备600中的处理器601会按照如下的步骤,将一个或一个以上的应用程序的进程对应的指令加载到存储器602中,并由处理器601来运行存储在存储器602中的应用程序,从而实现各种功能:
获取待处理医学图像;
响应于接收到的待强化指令,从待处理医学图像中确定出待强化对象;
获取待强化对象的关联信息;
根据关联信息对待强化对象进行强化处理,得到强化处理后的医学图像。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
可选的,如图7所示,计算机设备600还包括:触控显示屏603、射频电路604、音频电路605、输入单元606以及电源607。其中,处理器601分别与触控显示屏603、射频电路604、音频电路605、输入单元606以及电源607电性连接。本领域技术人员可以理解,图7中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
触控显示屏603可用于显示图形用户界面以及接收用户作用于图形用户界面产生的操作指令。触控显示屏603可以包括显示面板和触控面板。其中,显示面板可用于显示由用户输入的信息或提供给用户的信息以及计算机设备的各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。可选的,可以采用液晶显示器(LCD,Liquid Crystal Display)、有机发光二极管(OLED,Organic Light-EmittingDiode)等形式来配置显示面板。触控面板可用于收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作),并生成相应的操作指令,且操作指令执行对应程序。可选的,触控面板可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器601,并能接收处理器601发来的命令并加以执行。触控面板可覆盖显示面板,当触控面板检测到在其上或附近的触摸操作后,传送给处理器601以确定触摸事件的类型,随后处理器601根据触摸事件的类型在显示面板上提供相应的视觉输出。在本申请实施例中,可以将触控面板与显示面板集成到触控显示屏603而实现输入和输出功能。但是在某些实施例中,触控面板与显示面板可以作为两个独立的部件来实现输入和输出功能。即触控显示屏603也可以作为输入单元606的一部分实现输入功能。
射频电路604可用于收发射频信号,以通过无线通信与网络设备或其他计算机设备建立无线通讯,与网络设备或其他计算机设备之间收发信号。
音频电路605可以用于通过扬声器、传声器提供用户与计算机设备之间的音频接口。音频电路605可将接收到的音频数据转换后的电信号,传输到扬声器,由扬声器转换为声音信号输出;另一方面,传声器将收集的声音信号转换为电信号,由音频电路605接收后转换为音频数据,再将音频数据输出处理器601处理后,经射频电路604以发送给比如另一计算机设备,或者将音频数据输出至存储器602以便进一步处理。音频电路605还可能包括耳塞插孔,以提供外设耳机与计算机设备的通信。
输入单元606可用于接收输入的数字、字符信息或用户特征信息(例如指纹、虹膜、面部信息等),以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
电源607用于给计算机设备600的各个部件供电。可选的,电源607可以通过电源管理***与处理器601逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源607还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管图7中未示出,计算机设备600还可以包括摄像头、传感器、无线保真模块、蓝牙模块等,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
由上可知,本实施例提供的计算机设备,能够获取待处理医学图像,且响应于接收到的待强化指令以确定待强化对象,并获取其关联信息,进而依据关联信息对待强化对象进行强化处理,使得待强化对象的特征完整,便于医护人员识别及诊断。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条计算机程序,该计算机程序能够被处理器进行加载,以执行本申请实施例所提供的任一种图像处理方法中的步骤。例如,该计算机程序可以执行如下步骤:
获取待处理医学图像;
响应于接收到的待强化指令,从待处理医学图像中确定出待强化对象;
获取待强化对象的关联信息;
根据关联信息对待强化对象进行强化处理,得到强化处理后的医学图像。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。由于该存储介质中所存储的计算机程序,可以执行本申请实施例所提供的任一种图像处理方法中的步骤,因此,可以实现本申请实施例所提供的任一种图像处理方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种图像处理方法、装置、介质及计算机设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本申请的限制。
Claims (14)
1.一种图像处理方法,其特征在于,包括:
获取待处理医学图像;
响应于接收到的待强化指令,从所述待处理医学图像中确定出待强化对象;
根据所述待强化对象的原始图像,确定所述待强化对象的缺陷类型;
确定所述待强化对象的轮廓区域,根据第一预设阈值沿远离所述轮廓区域的方向扩大所述轮廓区域,得到加强区域;
根据所述待强化对象的缺陷类型从所述加强区域中确定出所述待强化对象的关联信息,所述关联信息为关联体素点;
根据所述关联信息对所述待强化对象进行强化处理,得到强化处理后的医学图像。
2.根据权利要求1所述方法,其特征在于,所述获取待处理医学图像,包括:
获取原始医学影像;
从所述原始医学影像中确定出包括器官区域的图像,将所述包括器官区域的图像作为所述待处理医学图像。
3.根据权利要求1所述方法,其特征在于,所述待处理医学图像为通过AI算法重建处理后的医学影像。
4.根据权利要求1所述方法,其特征在于,所述根据所述关联信息对所述待强化对象进行强化处理,得到强化处理后的医学图像,包括:
当所述缺陷类型为第一预设类型时,根据第二预设阈值从所述关联体素点中确定出加成体素点;
将所述加成体素点补充至所述待强化对象,得到强化处理后的医学图像。
5.根据权利要求4所述方法,其特征在于,所述当所述缺陷类型为第一预设类型时,根据第二预设阈值从所述关联体素点中确定出加成体素点,包括:
当所述缺陷类型为所述第一预设类型时,从所述加强区域获取与所述轮廓区域具有最高关联性的关联体素点;
计算具有最高关联性的关联体素点和所述轮廓区域之间的识别概率值的差值;
将所述差值小于所述第二预设阈值的关联体素点作为加成体素点。
6.根据权利要求1所述方法,其特征在于,所述根据所述关联信息对所述待强化对象进行强化处理,得到强化处理后的医学图像,包括:
当所述缺陷类型为第二预设类型时,增大所述关联体素点的对比度直至不小于预设对比度阈值,得到强化处理后的医学图像。
7.根据权利要求1所述方法,其特征在于,所述根据所述关联信息对所述待强化对象进行强化处理,得到强化处理后的医学图像,包括:
当所述缺陷类型为第二预设类型时,通过预设的清晰度修复模型对所述关联体素点进行清晰度修复处理,得到强化后的医学图像。
8.根据权利要求1所述方法,其特征在于,所述根据所述关联信息对所述待强化对象进行强化处理,得到强化处理后的医学图像,包括:
当所述缺陷类型为第三预设类型时,所述轮廓区域包括第一轮廓区域和第二轮廓区域;
根据所述关联体素点连接所述第一轮廓区域和所述第二轮廓区域,以对所述待强化对象进行断裂修复处理,得到强化处理后的医学图像。
9.根据权利要求8所述方法,其特征在于,所述根据所述关联体素点连接所述第一轮廓区域和所述第二轮廓区域,以对所述待强化对象进行断裂修复处理,得到强化处理后的医学图像,包括:
以所述第一轮廓区域和/或所述第二轮廓区域的边缘体素点为起始点,依次连接所述关联体素点与所述边缘体素点之间识别概率值最高且满足预设条件的体素点,以对所述待强化对象进行断裂修复处理,得到强化处理后的医学图像,其中,所述预设条件为距离最短或连线的平滑度最高。
10.根据权利要求8所述方法,其特征在于,所述根据所述关联体素点连接所述第一轮廓区域和所述第二轮廓区域,以对所述待强化对象进行断裂修复处理,得到强化处理后的医学图像,包括:
根据最短路径算法,基于所述关联体素点连接所述第一轮廓区域和所述第二轮廓区域,以对所述待强化对象进行断裂修复处理,得到强化处理后的医学图像;
或者,通过预设的断裂修复模型使用所述关联体素点对所述第一轮廓区域和所述第二轮廓区域的边缘体素点进行连接修复,得到强化处理后的医学图像。
11.根据权利要求8至10任一项所述方法,其特征在于,所述根据所述关联体素点连接所述第一轮廓区域和所述第二轮廓区域,以对所述待强化对象进行断裂修复处理,得到强化处理后的医学图像之后,还包括:
判断所述第一轮廓区域和所述第二轮廓区域是否仍断裂;
若是,则判定所述待强化对象是病灶;
若否,则判定所述待强化对象不是病灶。
12.一种图像处理装置,其特征在于,包括:
图像获取模块,用于获取待处理医学图像;
指令处理模块,用于响应于接收到的待强化指令,从所述待处理医学图像中确定出待强化对象;
关联信息获取模块,用于根据所述待强化对象的原始图像,确定所述待强化对象的缺陷类型;
确定所述待强化对象的轮廓区域,根据第一预设阈值沿远离所述轮廓区域的方向扩大所述轮廓区域,得到加强区域;
根据所述待强化对象的缺陷类型从所述加强区域中确定出所述待强化对象的关联信息,所述关联信息为关联体素点;
图像处理模块,用于根据所述关联信息对所述待强化对象进行强化处理,得到强化处理后的医学图像。
13.一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,当所述计算机程序在计算机上运行时,使得所述计算机执行如权利要求1至11任一项所述的图像处理方法。
14.一种计算机设备,包括处理器和存储器,所述存储器存储有计算机程序,其特征在于,所述处理器通过调用所述计算机程序,用于执行如权利要求1至11任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111059740.9A CN113689355B (zh) | 2021-09-10 | 2021-09-10 | 图像处理方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111059740.9A CN113689355B (zh) | 2021-09-10 | 2021-09-10 | 图像处理方法、装置、存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113689355A CN113689355A (zh) | 2021-11-23 |
CN113689355B true CN113689355B (zh) | 2022-07-08 |
Family
ID=78585860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111059740.9A Active CN113689355B (zh) | 2021-09-10 | 2021-09-10 | 图像处理方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689355B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114119578B (zh) * | 2021-12-01 | 2022-07-08 | 数坤(北京)网络科技股份有限公司 | 一种图像处理方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004318693A (ja) * | 2003-04-18 | 2004-11-11 | Konica Minolta Photo Imaging Inc | 画像処理方法、画像処理装置及び画像処理プログラム |
CN108665978A (zh) * | 2018-04-03 | 2018-10-16 | 首都医科大学附属北京同仁医院 | 用于肿瘤mri影像学动态强化程度的分析方法和*** |
CN109886933A (zh) * | 2019-01-25 | 2019-06-14 | 腾讯科技(深圳)有限公司 | 一种医学图像识别方法、装置和存储介质 |
WO2020079694A1 (en) * | 2018-10-17 | 2020-04-23 | Inspekto A.M.V Ltd | Optimizing defect detection in an automatic visual inspection process |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1459257B1 (en) * | 2001-12-07 | 2016-08-31 | Koninklijke Philips N.V. | Medical viewing system and method for spatially enhancing structures in noisy images |
CN101706843B (zh) * | 2009-11-16 | 2011-09-07 | 杭州电子科技大学 | 一种乳腺cr图像交互式读片方法 |
KR101819028B1 (ko) * | 2011-07-11 | 2018-01-16 | 삼성전자주식회사 | 초음파 영상 처리 방법 및 장치 |
CN105976367B (zh) * | 2016-04-29 | 2019-06-28 | 上海联影医疗科技有限公司 | 图像分割方法、肺结节检测方法及其计算机辅助检测*** |
CN106780728B (zh) * | 2017-02-28 | 2020-05-01 | 成都金盘电子科大多媒体技术有限公司 | 一种基于医学影像的单个器官拆分方法及*** |
TWI654584B (zh) * | 2018-03-02 | 2019-03-21 | 由田新技股份有限公司 | 強化工件光學特徵之設備、方法、強化工件光學特徵之深度學習方法及非暫態電腦可讀取記錄媒體 |
US10290084B1 (en) * | 2018-11-14 | 2019-05-14 | Sonavista, Inc. | Correcting image blur in medical image |
CN112330686A (zh) * | 2019-08-05 | 2021-02-05 | 罗雄彪 | 肺部支气管的分割及标定方法 |
CN110705626A (zh) * | 2019-09-26 | 2020-01-17 | 北京市商汤科技开发有限公司 | 一种图像处理方法及装置、电子设备和存储介质 |
CN110689548B (zh) * | 2019-09-29 | 2023-01-17 | 浪潮电子信息产业股份有限公司 | 一种医学图像分割方法、装置、设备及可读存储介质 |
CN111161289B (zh) * | 2019-12-26 | 2023-08-08 | 杭州格像科技有限公司 | 图像中物体轮廓精度提升方法、装置 |
CN111489318B (zh) * | 2020-03-20 | 2023-10-27 | 上海联影智能医疗科技有限公司 | 医学图像增强方法和计算机可读存储介质 |
CN111553858B (zh) * | 2020-04-28 | 2022-04-08 | 四川大学青岛研究院 | 基于生成对抗网络的图像修复方法、***及其应用 |
CN111626998A (zh) * | 2020-05-22 | 2020-09-04 | 深圳前海微众银行股份有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111627037A (zh) * | 2020-05-22 | 2020-09-04 | 深圳前海微众银行股份有限公司 | 图像区域提取方法、装置、设备及存储介质 |
CN111951215A (zh) * | 2020-06-30 | 2020-11-17 | 数坤(北京)网络科技有限公司 | 一种图像检测方法、装置及计算机可读存储介质 |
CN113034389B (zh) * | 2021-03-17 | 2023-07-25 | 武汉联影智融医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN113096213A (zh) * | 2021-04-30 | 2021-07-09 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN113362345B (zh) * | 2021-06-30 | 2023-05-30 | 武汉中科医疗科技工业技术研究院有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
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 |
-
2021
- 2021-09-10 CN CN202111059740.9A patent/CN113689355B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004318693A (ja) * | 2003-04-18 | 2004-11-11 | Konica Minolta Photo Imaging Inc | 画像処理方法、画像処理装置及び画像処理プログラム |
CN108665978A (zh) * | 2018-04-03 | 2018-10-16 | 首都医科大学附属北京同仁医院 | 用于肿瘤mri影像学动态强化程度的分析方法和*** |
WO2020079694A1 (en) * | 2018-10-17 | 2020-04-23 | Inspekto A.M.V Ltd | Optimizing defect detection in an automatic visual inspection process |
CN109886933A (zh) * | 2019-01-25 | 2019-06-14 | 腾讯科技(深圳)有限公司 | 一种医学图像识别方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113689355A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7058373B2 (ja) | 医療画像に対する病変の検出及び位置決め方法、装置、デバイス、及び記憶媒体 | |
EP3982292A1 (en) | Method for training image recognition model, and method and apparatus for image recognition | |
CN110504029B (zh) | 一种医学图像处理方法、医学图像识别方法及装置 | |
CN110276408B (zh) | 3d图像的分类方法、装置、设备及存储介质 | |
CN109191451B (zh) | 异常检测方法、装置、设备和介质 | |
CN113177928B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
US20140200452A1 (en) | User interaction based image segmentation apparatus and method | |
CN109087310B (zh) | 睑板腺纹理区域的分割方法、***、存储介质及智能终端 | |
JP2013051988A (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
US20200334801A1 (en) | Learning device, inspection system, learning method, inspection method, and program | |
CN113689355B (zh) | 图像处理方法、装置、存储介质及计算机设备 | |
CN110648318A (zh) | 用于皮肤病的辅助分析方法及装置、电子设备、存储介质 | |
CN110517771B (zh) | 一种医学图像处理方法、医学图像识别方法及装置 | |
CN113889238B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
CN115601811A (zh) | 面部痤疮的检测方法和装置 | |
JP6744175B2 (ja) | 医用画像表示装置及び読影レポート作成支援装置 | |
CN111401102A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
CN115393251A (zh) | 印制线路板的缺陷检测方法、装置、存储介质及电子设备 | |
CN116452579B (zh) | 一种基于胸片图像的肺动脉高压智能评估方法和*** | |
CN110063753B (zh) | 超声图像中测量胎儿头围的方法与装置 | |
CN115984228A (zh) | 胃镜图像处理方法、装置、电子设备及存储介质 | |
US20240104725A1 (en) | Method, apparatus, and recording medium for analyzing coronary plaque tissue through ultrasound image-based deep learning | |
JP2022179433A (ja) | 画像処理装置及び画像処理方法 | |
CN115375603A (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
CN113610840B (zh) | 图像处理方法、装置、存储介质及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230117 Address after: 518026 Rongchao Economic and Trade Center A308-D9, No. 4028, Jintian Road, Fuzhong Community, Lianhua Street, Futian District, Shenzhen, Guangdong Province Patentee after: Shukun (Shenzhen) Intelligent Network Technology Co.,Ltd. Address before: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing Patentee before: Shukun (Beijing) Network Technology Co.,Ltd. |
|
TR01 | Transfer of patent right |