CN117115068A - 医学图像处理方法、装置、计算机设备和存储介质 - Google Patents
医学图像处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117115068A CN117115068A CN202210515514.5A CN202210515514A CN117115068A CN 117115068 A CN117115068 A CN 117115068A CN 202210515514 A CN202210515514 A CN 202210515514A CN 117115068 A CN117115068 A CN 117115068A
- Authority
- CN
- China
- Prior art keywords
- image
- medical image
- processed
- region
- key
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 36
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims description 64
- 230000036961 partial effect Effects 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 34
- 210000002303 tibia Anatomy 0.000 description 18
- 210000000689 upper leg Anatomy 0.000 description 18
- 230000011218 segmentation Effects 0.000 description 15
- 239000003550 marker Substances 0.000 description 14
- 210000000629 knee joint Anatomy 0.000 description 11
- 210000001264 anterior cruciate ligament Anatomy 0.000 description 10
- 201000008450 Intracranial aneurysm Diseases 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 210000001367 artery Anatomy 0.000 description 8
- 238000007917 intracranial administration Methods 0.000 description 8
- 206010028980 Neoplasm Diseases 0.000 description 6
- 208000015634 Rectal Neoplasms Diseases 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 206010038038 rectal cancer Diseases 0.000 description 6
- 201000001275 rectum cancer Diseases 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000012800 visualization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 208000025674 Anterior Cruciate Ligament injury Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010072970 Meniscus injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 201000008482 osteoarthritis Diseases 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000008733 trauma Effects 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
- 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
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种医学图像处理方法、装置、计算机设备和存储介质。该方法包括:获取待处理医学图像;对待处理医学图像进行截取处理获得中间图像;根据中间图像确定关键区域的信息;根据关键区域的信息,将关键区域回填至待处理医学图像。本申请提供的医学图像处理方法可以准确且快速的确定初始医学图像中的关键区域。
Description
技术领域
本申请涉及医学图像处理技术领域,特别是涉及一种医学图像处理方法、装置、计算机设备和存储介质。
背景技术
膝关节是人体所承受杠杆作用力最强的骨关节,前交叉韧带(Anterior CruciateLigament,ACL)是维持膝关节稳定的主要静力结构,因而在膝关节外伤中以ACL损伤最为常见。ACL损伤会直接造成膝关节失稳,并引起半月板损伤、骨性关节炎等并发症,极大地影响患者的运动功能和生活质量。关节镜下的ACL重建术是世界上治疗ACL损伤的标准方法,为了提高ACL重建术的治疗效果,需要精确的定位ACL股骨附着点和ACL胫骨附着点。
传统技术中,采用解剖结构定位法对ACL股骨附着点和ACL胫骨附着点进行定位。然而,解剖结构定位法会存在ACL附着点定位偏差的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确定位ACL附着点的医学图像处理方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种医学图像处理方法,该方法包括:
获取待处理医学图像;待处理医学图像用于表征初始感兴趣区域;
对待处理医学图像进行截取处理,获得中间图像;中间图像包括初始感兴趣区域中的关键区域;
根据中间图像确定关键区域的信息;关键区域的信息包括关键区域在空间坐标系下的坐标信息;
根据关键区域的信息,将关键区域回填至待处理医学图像。
在其中一个实施例中,根据中间图像确定关键区域的信息,包括:
对中间图像进行像素位置编码以及图像序列编码,得到中间图像对应的编码向量;
根据中间图像对应的编码向量确定关键区域的信息。
在其中一个实施例中,根据编码向量确定关键区域的信息,包括:
对中间图像对应的编码向量进行特征提取,得到中间图像对应的特征向量,将中间图像对应的特征向量转换为多个二维图像;
根据多个二维图像确定关键区域的信息。
在其中一个实施例中,对待处理医学图像进行截取处理,获得中间图像,包括:
从待处理医学图像中截取部分图像;
若部分图像中包括关键区域,则确定部分图像为中间图像;
否则,重新获取部分图像,直至部分图像中包括关键区域。
在其中一个实施例中,对待处理医学图像进行截取处理,包括:
确定待处理医学图像的三维质心,以三维质心为中心,按照预设尺寸对待处理医学图像进行截取处理。
在其中一个实施例中,对待处理医学图像进行截取处理,包括:
在待处理医学图像中随机选取位置点,以位置点为中心,按照预设尺寸对待处理医学图像进行截取处理。
在其中一个实施例中,初始感兴趣区域包括股骨标记区域和胫骨标记区域。
第二方面,本申请提供一种医学图像处理装置,该装置包括:
获取模块,用于获取待处理医学图像;待处理医学图像用于表征初始感兴趣区域;
截取模块,用于对待处理医学图像进行截取处理,获得中间图像;中间图像包括所述初始感兴趣区域中的关键区域;
确定模块,用于根据中间图像确定关键区域的信息;关键区域的信息包括关键区域在空间坐标系下的坐标信息;
回填模块,用于根据关键区域的信息,将关键区域回填至待处理医学图像。
第三方面,本申请提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现如上述实施例提供的方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述实施例提供的方法的步骤。
第五方面,本申请还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上述实施例提供的方法的步骤。
上述医学图像处理方法、装置、计算机设备、存储介质和计算机程序产品,该方法包括待处理医学图像;对待处理医学图像进行截取处理,获取中间图像;根据中间图像确定关键区域的信息;根据关键区域的信息,将关键区域回填至待处理医学图像中。本申请提供的医学图像处理方法通过从包括初始感兴趣区域(股骨区域和胫骨区域)的待处理医学图像中截取出来的中间图像(股骨区域、胫骨区域和前交叉韧带)确定关键区域(前交叉韧带)的信息,可以去除待处理医学图像中除中间图像之外的无关图像,减少确定关键区域的难度,能够提高确定关键区域的准确性和效率。并且,本申请通过将关键区域回填至待处理医学图像中,可以在待处理医学图像中准确的确定前交叉韧带与股骨和胫骨的连接点,即股骨附着点和胫骨附着点。
附图说明
图1为一个实施例中医学图像处理方法的应用环境图;
图2为一个实施例中医学图像处理方法的步骤流程示意图;
图3为另一个实施例中医学图像处理方法的步骤流程示意图;
图4为另一个实施例中医学图像处理方法的步骤流程示意图;
图5为另一个实施例中医学图像处理方法的步骤流程示意图;
图6为另一个实施例中医学图像处理方法的步骤流程示意图;
图7为另一个实施例中医学图像处理方法的步骤流程示意图;
图8为另一个实施例中医学图像处理方法的步骤流程示意图;
图9为一个实施例中医学图像处理装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的医学图像处理方法,可以应用于如图1所示的应用环境中,该应用环境包括终端100和医学扫描设备200。其中,终端100可以通过网络与医学扫描设备200进行通信。终端100可以但不限于是各种个人计算机、笔记本电脑机和平板电脑。医学扫描设备200可以但不限于是CT(Computed Tomography,即电子计算机断层扫描)设备、PET(Positron Emission Computed Tomography,正电子发射型计算机断层显像)设备、MR(Magnetic Resonance,磁共振)设备。本实施例对医学扫描设备200的种类不作限制。
在一个实施例中,如图2所示,提供了一种医学图像处理方法,本实施例以该方法应用于图1中的终端进行举例说明,包括以下步骤:
步骤200、获取待处理医学图像;待处理医学图像用于表征初始感兴趣区域。
待处理医学图像可以是终端对获取到的初始医学图像进行区域分割处理得到的。初始医学图像是指使用医学扫描设备对待检测对象进行扫描得到三维图像。初始医学图像可以直接存储在终端的存储器中,终端在需要时直接在存储器中获取即可。初始感兴趣区域是指待检测对象的初始医学图像中的病灶所在的区域。
初始医学图像中包括初始感兴趣区域和非感兴趣区域,终端在获取到初始医学图像后,对其进行区域分割处理,可以将初始感兴趣区域和非感兴趣区域分割开来,得到用于表征初始感兴趣区域的待处理医学图像。待处理医学图像为三维图像。具体地,终端在对初始医学图像进行区域分割处理时,将初始医学图像中的感兴趣区域作为掩膜图像,根据该掩膜图像和初始医学图像,确定待处理医学图像。也就是说,将初始医学图像中除掩膜图像之外的区域的像素值设为预设值。本实施例对对初始医学图像进行区域分割处理的方法不作限制,只要能够实现其功能即可。
在一个可选的实施例中,可以将初始医学图像输入预先训练好的分割模型中,通过该分割模型可以输出待处理医学图像。分割模型是根据带有标签的初始医学图像训练样本对深度学习网络进行训练得到的。
步骤210、对待处理医学图像进行截取处理,获得中间图像;中间图像包括初始感兴趣区域中的关键区域。
终端在得到待处理医学图像后,确定需要截取的位置和大小,根据截取的位置和大小从待处理医学图像中截取出包括初始感兴趣区域中的关键区域的中间图像。初始感兴趣区域中的关键区域是指初始感兴趣区域中具体的病灶区域。本实施例对对待处理医学图像进行截取处理的过程不作限制,只要能够实现其功能即可。
步骤220、根据中间图像确定关键区域的信息;关键区域的信息包括关键区域在空间坐标系下的坐标信息。
终端在得到包括关键区域的中间图像后,根据该中间图像确定其中的关键区域在空间坐标系下的坐标值。本实施例对根据中间图像确定关键区域的信息的具体方法不作限制,只要能够实现其功能即可。具体地,关键区域的信息还可以包括关键区域的形状和体积等。
步骤230、根据关键区域的信息,将关键区域回填至待处理医学图像。
终端在得到关键区域的信息后,根据关键区域信息中的关键区域的坐标信息,将关键区域回填至待处理医学图像中,使得待处理医学图像中不仅标记有初始感兴趣区域,还标记有初始感兴趣区域中的关键区域。
具体地,关键区域是包含在中间图像中的,中间图像是在待处理医学图像中截取出来的,则在根据关键区域的信息可以在中间图像中标记出关键区域,根据中间图像在待处理医学图像中的位置,则可以将标记有关键区域的中间图像回填至待处理医学图像中。
本申请实施例提供的医学图像处理方法包括获取待处理医学图像;对待处理医学图像进行截取处理,获取中间图像;根据中间图像确定关键区域的信息;根据关键区域的信息,将关键区域回填至待处理医学图像中。本申请提供的医学图像处理方法通过从包括初始感兴趣区域(股骨区域和胫骨区域)的待处理医学图像中截取出来的中间图像(股骨区域、胫骨区域和前交叉韧带)确定关键区域(前交叉韧带)的信息,可以去除待处理医学图像中除中间图像之外的无关图像,减少确定关键区域的难度,能够提高确定关键区域的准确性和效率。并且,本申请通过将关键区域回填至待处理医学图像中,可以在待处理医学图像中准确的确定前交叉韧带与股骨和胫骨的连接点,即股骨附着点和胫骨附着点。
在一个实施例中,如图3所示,涉及根据中间图像确定关键区域的信息的一种可能的实现方式,步骤包括:
步骤300、对中间图像进行像素位置编码以及图像序列编码,得到中间图像对应的编码向量。
中间图像是在待处理医学图像中截取的,待处理医学图像为三维图像,则中间图像也是三维图像。终端在得到中间图像后,对中间图像进行图像序列编码和像素位置编码可以得到中间图像对应的编码向量。
具体地,终端对中间图像进行图像序列编码可以得到N个尺寸为H×W的二维图像,对每一个二维图像进行像素位置编码,即将二维图像中的像素值按照空间坐标由大到小的顺序展平为1个长度为H×W的一维向量P。终端可以通过以下公式对中间图像进行像素位置编码以及图像序列编码。
其中,n代表二维图像块在序列中的位置,m代表每个像素在二维图像中的位置;n∈{1,2,…,N},m∈{1,2,…,H×W},i∈{1,2,…,H×W}。
步骤310、根据中间图像对应的编码向量确定关键区域的信息。
终端在通过对中间图像进行像素位置编码以及图像序列编码得到中间图像对应的编码向量后,编码向量中包括关键区域在空间坐标系中的坐标信息,则通过对编码向量进行分析处理可以得到关键区域的信息。本实施例对根据中间图像对应的编码向量确定关键区域的信息的具体方法不作限制,只要能够实现其功能即可。
在本实施例中,相比于将初始医学图像展平为一维向量,本申请将三维的中间图像通过图像序列编码和像素位置编码,将其转换为编码向量,根据该编码向量确定关键区域信息,可以提高确定关键区域的信息的效率和准确率。
在一个实施例中,如图4所示,涉及根据编码向量确定关键区域的信息的一种可能的实现方式,步骤包括:
步骤400、对中间图像对应的编码向量进行特征提取,得到中间图像对应的特征向量,将中间图像对应的特征向量转换为多个二维图像。
终端通过对得到的中间图像对应的编码向量进行特征提取,可以得到中间图像对应的特征向量。中间图像中包括关键区域和非关键区域,则中间图像对应的特征向量包括关键区域对应的特征向量和非关键区域对应的特征向量。中间图像对应的编码向量是通过对多个二维向量进行像素位置编码得到的,则基于逆向思维,可以将中间图像对应的特征向量转换为多个二维图像。本实施例对具体的特征提取的方法不作限制,只要能够实现其功能即可。
步骤410、根据多个二维图像确定关键区域的信息。
终端在得到中间图像对应的多个二维图像后,可以根据多个二维图像确定关键区域的信息。具体地,二维图像的数量有N个,终端将得到的N个二维图像均上采样至尺寸为H×W图像;终端将N个上采样后的图像分别输入预先训练好的分类模型完成像素级分类,得到分割概率图,也就是说,通过预先训练好的分类模型可以将中间图像对应的特征向量转换成的多个二维图像中关键区域与非关键区域的像素进行分类,从而可以得到关键区域和非关键区域对应的分割概率图;终端在得到分割概率图后,按照预设阈值对分割概率图中的关键区域和非关键区域进行划分,可以将分割概率图转换为二值掩膜图像,该二值掩膜图像包括以非关键区域为背景图像的关键区域对应的图像,二值化掩膜图像包括关键区域的信息。
在本实施例中,根据对中间图像对应的编码向量进行特征提取得到的特征向量,确定多个二维图像,可以加强中间图像中每个切片之间的联系,能够增加确定的多个二维图像的准确性,从而能够提高得到的关键区域的信息的准确性和效率。
在一个可选地实施例中,终端可以将编码向量输入预先训练好的网络模型得到关键区域的信息,即二值化掩膜图像。训练好的网络模型是根据与编码向量相同的训练样本以及关键区域的标签对初始网络模型进行有监督的训练得到的。具体地,网络模型可以是Transformer网络模型,Transformer网络模型包括编码器和解码器。编码器是由若干个多头注意力机制(multi-headed self-attention,MSA)模块和像素级多层感知机(multi-layer perceptron,MLP)层组成。编码器的输入向量为中间图像的图像序列I,I=P+PE。编码器通过对输入向量经过层标准化(Layer Normalization,LN)处理后,对其进行编码,并以残差连接得到输出O。编码器的输出O和输入I之间的映射关系可以表示为:an=MSA(LN(In))+In,on=MLP(LN(an))+an,其中,n∈{1,2,…,N}。解码器接收到编码器的输出O后,对其进行解码处理,可以得到中间图像对应的向量,通过将中间图像对应的向量转换为多个二维图像,然后根据多个二维图像输出二值化掩膜图像,即关键区域的信息。
在一个可选地的实施例中,在将关键区域回填至待处理医学图像后,可以利用基于体素的体绘制方法将待处理医学图像中的初始感兴趣区域和关键区域以不同颜色表示,实现三维可视化。
在一个实施例中,如图5所示,涉及对待处理医学图像进行截取处理,获得中间图像的一种可能的实现方式,步骤包括:
步骤500、从待处理医学图像中截取部分图像。
步骤510、判断部分图像中是否包括关键区域。
终端在得到待处理医学图像后,在待处理医学图像中截取部分图像。本实施例对具体的截取方法不作限制。终端在得到截取到的部分图像后,判断该部分图像中是否包括关键区域。
在一个可选地实施例中,终端可以将部分图像输入预先训练好的判断模型中,根据判断模型的输出结果就可以确定是否包括关键区域。判断模型可以是根据像部分图像一样的多个训练样本,根据需要调整和设置的网络超参数和代价函数进行训练得到的。判断模型的输出为二分类结果,对应于部分图像中包括关键区域和部分图像中不包括关键区域。
步骤520、若部分图像中包括关键区域,则确定部分图像为中间图像;
步骤530、重新获取部分图像,直至部分图像中包括关键区域。
若终端通过判断确定部分图像中包括关键区域,将该部分区域作为对待处理医学图像进行截取处理后,得到的中间图像。若终端通过判断确定部分图像中不包括关键区域,则终端需要获取新的部分图像,对其进行判断,直至获取到的部分图像中包括关键区域为止。
具体地,重新获取部分图像可以是在待处理医学图像中重新截取,也可以是先获取新的待处理医学图像,在新的待处理医学图像中截取部分图像。本实施例对此不作限制,使用者可以根据实际应用场景自行选择。
在本实施例中,在从待处理医学图像中截取到部分图像后,先判断该部分图像中是否包括关键区域,若包括再将其作为中间图像,进行后续处理。这样可以避免在部分图像中不包括关键区域时还进行后续处理,做无用的工作,从而可以提高确定关键区域的信息的效率。
在一个实施例中,涉及对待处理医学图像进行截取处理的一种可能的实现方式,包括:
确定待处理医学图像的三维质心,以三维质心为中心,按照预设尺寸对待处理医学图像进行截取处理。
预设尺寸可以是工作人员根据实际应用场景自行设置的。终端在得到待处理医学图像后,可以先计算待处理医学图像的三维质心,然后以该三维质心为中心,按照预设的尺寸对待处理医学图像进行截取。
具体地,终端可以以三维质心为中心,按照预设尺寸的球体、正方体或者其他不规则的立体结构对待处理医学图像进行截取。
本实施例提供的对待处理医学图像进行截取处理的方法适用于待处理医学图像中的包含关键区域的中间图像的范围在待处理医学图像的三维质心所在的范围内的图像。通过本实施例提供的截取方法可以准确的截取出包括关键区域的中间图像。
在一个实施例中,涉及对待处理医学图像进行截取处理的另一个可能的实现方式,包括:
在待处理医学图像中随机选取位置点,以位置点为中心,按照预设尺寸对待处理医学图像进行截取处理。
预设尺寸可以是工作人员根据实际应用场景自行设置的。终端在得到待处理医学图像后,可以随机选取待处理医学图像中的任意一个位置点作为中心,按照预设尺寸对待处理医学图像进行截取。具体地,终端可以按照预设尺寸的、球体、正方体或者其他不规则的立体结构对待处理医学图像进行截取。
本实施例提供的对待处理医学图像进行截取处理的方法适用于在待处理医学图像中包括多个关键区域的图像。通过本实施例提供的截取方法对待处理医学图像中的多个关键区域均可以进行截取,避免遗漏关键区域,可以提高医学图像处理方法的实用性。
在一个实施例中,初始感兴趣区域包括股骨标记区域和胫骨标记区域。
在初始医学图像为膝关节医学图像时,终端通过对膝关节医学图像进行分割处理,可以得到用于表征股骨区域和胫骨区域的待处理医学图像;此时,初始感兴趣区域包括以不同颜色标记的股骨标记区域和胫骨标记区域。
在一个实施例中,如图6所示,提供一种医学图像处理方法,包括:
步骤600、终端对膝关节医学图像进行分割处理,得到包括股骨标记区域和胫骨标记区域的图像;
步骤610、终端通过计算包括股骨标记区域和胫骨标记区域的图像的三维质心,以三维质心为中心,按照预设尺寸对该图像进行截取处理可以得到包括前交叉韧带(Anterior Cruciate Ligament,ACL)(关键区域)的中间图像;
步骤620、终端根据该中间图像可以得到ACL的信息,并根据该ACL信息将ACL回填至包括股骨标记区域和胫骨标记区域的图像中,使得该图像中包括股骨标记区域、胫骨标记区域和ACL标记区域。
步骤630、终端在得到包括股骨标记区域、胫骨标记区域和ACL标记区域后,对其进行处理实现三维可视化。通过对三维可视化图像中胫骨标记区域进行隐藏,可以得到ACL股骨附着点(即股骨标记区域与ACL标记区域的连接点);通过对三维可视化图像中股骨标记区域进行隐藏,可以得到ACL胫骨附着点(即胫骨标记区域与ACL标记区域的连接点)。
在一个实施例中,若终端在对包括股骨标记区域和胫骨标记区域的图像进行截取处理后的中间图像中不包括关键区域,则可以获取检测对象的另一侧(健康的一侧)的膝关节医学图像进行上述处理过程。在得到检测对象的另一侧的膝关节医学图像的关键区域后,将其与检测对象的膝关节医学图像(具有病灶的一侧)中的股骨标记区域和胫骨标记区域进行刚性配准,可以得到膝关节医学图像(具有病灶的一侧)对应的关键区域。
在一个实施例中,如图7所示,提供一种医学图像处理方法,包括:
步骤700、终端对CT医学图像(初始医学图像)进行分割处理,得到包括颅内动脉标记区域的图像;
步骤710、终端在包括颅内动脉标记区域的图像中随机选取位置点,以该位置点为中心,按照预设尺寸对包括颅内动脉标记区域的图像进行截取处理可以得到包括颅内动脉瘤(关键区域)的中间图像;
步骤720、终端根据该中间图像得到颅内动脉瘤的信息,并根据颅内动脉瘤的信息将颅内动脉瘤回填至包括颅内动脉标记区域的图像中,使得该图像中包括颅内动脉标记区域和颅内动脉瘤标记区域。
步骤730、终端在得到包括颅内动脉标记区域和颅内动脉瘤标记区域后,对其进行处理实现三维可视化。
在一个实施例中,若终端在对包括颅内动脉标记区域的图像进行截取处理后的图像中不包括关键区域,则可以选取新的位置点,以该新的位置点为中心,按照预设尺寸重新对包括颅内动脉标记区域的图像进行截取处理得到新的图像,重复上述过程,直至将包括颅内动脉标记区域的图像中的位置点全部进行了选取为止。
在一个实施例中,如图8所示,提供一种医学图像处理方法,包括:
步骤800、终端对直肠MR医学图像(初始医学图像)进行分割处理,得到包括直肠空腔标记区域的图像;
步骤810、终端在包括直肠空腔标记区域的图像中随机位置点,以该位置点为中心,按照预设尺寸对包括直肠空腔标记区域的图像进行截取处理可以得到包括直肠癌肿瘤(关键区域)的中间图像;
步骤820、终端根据该中间图像可以得到直肠癌肿瘤的信息,并根据直肠癌肿瘤信息将该直肠癌肿瘤回填至包括直肠空腔标记区域的图像中,使得该图像中包括直肠空腔标记区域和直肠癌肿瘤标记区域。
步骤830、终端在得到包括直肠空腔标记区域和直肠癌肿瘤标记区域后,对其进行处理实现三维可视化。
在一个实施例中,若终端在对包括直肠空腔标记区域的图像进行截取处理后的图像中不包括关键区域,则可以选取新的位置点,以该新的位置点为中心,按照预设尺寸重新对包括直肠空腔标记区域的图像进行截取处理得到新的图像,重复上述过程,直至将包括直肠空腔标记区域的图像中的位置点全部进行了选取为止。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的医学图像处理方法的医学图像处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个医学图像处理装置实施例中的具体限定可以参见上文中对于医学图像处理方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种医学图像处理装置,包括:获取模块11、截取模块12、确定模块13和回填模块,其中:
分割模块11用于获取待处理医学图像;待处理医学图像用于表征初始感兴趣区域。
截取模块12用于对待处理医学图像进行截取处理,获得中间图像;中间图像包括初始感兴趣区域中的关键区域。
确定模块13用于根据中间图像确定关键区域的信息;关键区域的信息包括关键区域在空间坐标系下的坐标信息。
回填模块14用于根据所述关键区域的信息,将所述关键区域回填至所述待处理医学图像。
在一个实施例中,确定模块13包括编码单元和确定单元。其中,编码单元用于对中间图像进行像素位置编码以及图像序列编码,得到中间图像对应的编码向量;确定单元用于根据中间图像对应的编码向量确定关键区域的信息。
在一个实施例中,确定单元具体用于对中间图像对应的编码向量进行特征提取,得到中间图像对应的特征向量,将中间图像对应的特征向量转换为多个二维图像;根据多个二维图像确定关键区域的信息。
在一个实施例中,截取模块12用于从待处理医学图像中截取部分图像;若所述部分图像中包括关键区域,则确定部分图像为中间图像;否则,重新获取部分图像,直至部分图像中包括关键区域。
在一个实施例中,截取模块12具体用于确定待处理医学图像的三维质心,以三维质心为中心,按照预设尺寸对待处理医学图像进行截取处理。
在一个实施例中,截取模块12具体还用于在所述待处理医学图像中随机选取位置点,以所述位置点为中心,按照预设尺寸对所述待处理医学图像进行截取处理。
在一个实施例中,初始感兴趣区域包括股骨标记区域和胫骨标记区域。
上述医学图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种医学图像处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待处理医学图像;待处理医学图像用于表征初始感兴趣区域;
对待处理医学图像进行截取处理,获得中间图像;中间图像包括初始感兴趣区域中的关键区域;
根据中间图像确定关键区域的信息;关键区域的信息包括关键区域在空间坐标系下的坐标信息;
根据关键区域的信息,将关键区域回填至待处理医学图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对中间图像进行像素位置编码以及图像序列编码,得到中间图像对应的编码向量;根据中间图像对应的编码向量确定关键区域的信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对中间图像对应的编码向量进行特征提取,得到中间图像对应的特征向量,将中间图像对应的特征向量转换为多个二维图像;根据多个二维图像确定关键区域的信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:从待处理医学图像中截取部分图像;若部分图像中包括关键区域,则确定部分图像为中间图像;否则,重新获取部分图像,直至部分图像中包括关键区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定待处理医学图像的三维质心,以三维质心为中心,按照预设尺寸对待处理医学图像进行截取处理。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在待处理医学图像中随机选取位置点,以位置点为中心,按照预设尺寸对所述待处理医学图像进行截取处理。
在一个实施例中,初始感兴趣区域包括股骨标记区域和胫骨标记区域。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待处理医学图像;待处理医学图像用于表征初始感兴趣区域;
对待处理医学图像进行截取处理,获得中间图像;中间图像包括初始感兴趣区域中的关键区域;
根据中间图像确定关键区域的信息;关键区域的信息包括关键区域在空间坐标系下的坐标信息;
根据关键区域的信息,将关键区域回填至待处理医学图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对中间图像进行像素位置编码以及图像序列编码,得到中间图像对应的编码向量;根据中间图像对应的编码向量确定关键区域的信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对中间图像对应的编码向量进行特征提取,得到中间图像对应的特征向量,将中间图像对应的特征向量转换为多个二维图像;根据多个二维图像确定关键区域的信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:从待处理医学图像中截取部分图像;若部分图像中包括关键区域,则确定部分图像为中间图像;否则,重新获取部分图像,直至部分图像中包括关键区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定待处理医学图像的三维质心,以三维质心为中心,按照预设尺寸对待处理医学图像进行截取处理。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在待处理医学图像中随机选取位置点,以位置点为中心,按照预设尺寸对所述待处理医学图像进行截取处理。
在一个实施例中,初始感兴趣区域包括股骨标记区域和胫骨标记区域。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取待处理医学图像;待处理医学图像用于表征初始感兴趣区域;
对待处理医学图像进行截取处理,获得中间图像;中间图像包括初始感兴趣区域中的关键区域;
根据中间图像确定关键区域的信息;关键区域的信息包括关键区域在空间坐标系下的坐标信息;
根据关键区域的信息,将关键区域回填至待处理医学图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对中间图像进行像素位置编码以及图像序列编码,得到中间图像对应的编码向量;根据中间图像对应的编码向量确定关键区域的信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对中间图像对应的编码向量进行特征提取,得到中间图像对应的特征向量,将中间图像对应的特征向量转换为多个二维图像;根据多个二维图像确定关键区域的信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:从待处理医学图像中截取部分图像;若部分图像中包括关键区域,则确定部分图像为中间图像;否则,重新获取部分图像,直至部分图像中包括关键区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定待处理医学图像的三维质心,以三维质心为中心,按照预设尺寸对待处理医学图像进行截取处理。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在待处理医学图像中随机选取位置点,以位置点为中心,按照预设尺寸对所述待处理医学图像进行截取处理。
在一个实施例中,初始感兴趣区域包括股骨标记区域和胫骨标记区域。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种医学图像处理方法,其特征在于,所述方法包括:
获取待处理医学图像;所述待处理医学图像用于表征初始感兴趣区域;
对所述待处理医学图像进行截取处理,获得中间图像;所述中间图像包括所述初始感兴趣区域中的关键区域;
根据所述中间图像确定所述关键区域的信息;所述关键区域的信息包括所述关键区域在空间坐标系下的坐标信息;
根据所述关键区域的信息,将所述关键区域回填至所述待处理医学图像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述中间图像确定所述关键区域的信息,包括:
对所述中间图像进行像素位置编码以及图像序列编码,得到所述中间图像对应的编码向量;
根据所述中间图像对应的编码向量确定所述关键区域的信息。
3.根据权利要求2所述的方法,其特征在于,所述根据所述编码向量确定所述关键区域的信息,包括:
对所述中间图像对应的编码向量进行特征提取,得到所述中间图像对应的特征向量,将所述中间图像对应的特征向量转换为多个二维图像;
根据所述多个二维图像确定所述关键区域的信息。
4.根据权利要求1所述的方法,其特征在于,所述对所述待处理医学图像进行截取处理,获得中间图像,包括:
从所述待处理医学图像中截取部分图像;
若所述部分图像中包括所述关键区域,则确定所述部分图像为所述中间图像;
否则,重新获取部分图像,直至所述部分图像中包括关键区域。
5.根据权利要求1所述的方法,其特征在于,所述对所述待处理医学图像进行截取处理,包括:
确定所述待处理医学图像的三维质心,以所述三维质心为中心,按照预设尺寸对所述待处理医学图像进行截取处理。
6.根据权利要求1所述的方法,其特征在于,所述对所述待处理医学图像进行截取处理,包括:
在所述待处理医学图像中随机选取位置点,以所述位置点为中心,按照预设尺寸对所述待处理医学图像进行截取处理。
7.根据权利要求1所述的方法,其特征在于,所述初始感兴趣区域包括股骨标记区域和胫骨标记区域。
8.一种医学图像处理装置,其特征在于,所述装置包括:
获取模块,用于获取待处理医学图像;所述待处理医学图像用于表征初始感兴趣区域;
截取模块,用于对所述待处理医学图像进行截取处理,获得中间图像;所述中间图像包括所述初始感兴趣区域中的关键区域;
确定模块,用于根据所述中间图像确定所述关键区域的信息;所述关键区域的信息包括所述关键区域在空间坐标系下的坐标信息;
回填模块,用于根据所述关键区域的信息,将所述关键区域回填至所述待处理医学图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210515514.5A CN117115068A (zh) | 2022-05-12 | 2022-05-12 | 医学图像处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210515514.5A CN117115068A (zh) | 2022-05-12 | 2022-05-12 | 医学图像处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117115068A true CN117115068A (zh) | 2023-11-24 |
Family
ID=88809736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210515514.5A Pending CN117115068A (zh) | 2022-05-12 | 2022-05-12 | 医学图像处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115068A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437392A (zh) * | 2023-12-15 | 2024-01-23 | 杭州锐健医疗科技有限公司 | 交叉韧带止点标记及其模型训练的方法和关节镜*** |
CN117671262A (zh) * | 2023-12-08 | 2024-03-08 | 北京长木谷医疗科技股份有限公司 | 骨科创伤骨折面分割与检测方法、装置及设备 |
-
2022
- 2022-05-12 CN CN202210515514.5A patent/CN117115068A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117671262A (zh) * | 2023-12-08 | 2024-03-08 | 北京长木谷医疗科技股份有限公司 | 骨科创伤骨折面分割与检测方法、装置及设备 |
CN117437392A (zh) * | 2023-12-15 | 2024-01-23 | 杭州锐健医疗科技有限公司 | 交叉韧带止点标记及其模型训练的方法和关节镜*** |
CN117437392B (zh) * | 2023-12-15 | 2024-03-26 | 杭州锐健医疗科技有限公司 | 交叉韧带止点标记及其模型训练的方法和关节镜*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993726B (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
US11610308B2 (en) | Localization and classification of abnormalities in medical images | |
US11593943B2 (en) | RECIST assessment of tumour progression | |
CN109754396B (zh) | 图像的配准方法、装置、计算机设备和存储介质 | |
CN117115068A (zh) | 医学图像处理方法、装置、计算机设备和存储介质 | |
Chen et al. | Anatomy-aware siamese network: Exploiting semantic asymmetry for accurate pelvic fracture detection in x-ray images | |
US20230386048A1 (en) | Ultrasound image segmentation method and apparatus, terminal device, and storage medium | |
US11276490B2 (en) | Method and apparatus for classification of lesion based on learning data applying one or more augmentation methods in lesion information augmented patch of medical image | |
CN115272250B (zh) | 确定病灶位置方法、装置、计算机设备和存储介质 | |
CN113506308A (zh) | 一种医学图像中基于深度学习的椎骨定位与脊柱分割方法 | |
CN115115772A (zh) | 基于三维影像的关键结构重建方法、装置和计算机设备 | |
CN116228787A (zh) | 图像勾画方法、装置、计算机设备、存储介质 | |
CN115861248A (zh) | 医学图像分割方法、医学模型训练方法、装置和存储介质 | |
CN113129418B (zh) | 基于三维影像的目标表面重建方法、装置、设备和介质 | |
CN112950684B (zh) | 基于表面配准的目标特征提取方法、装置、设备和介质 | |
CN113962957A (zh) | 医学图像处理方法、骨骼图像处理方法、装置、设备 | |
US11455755B2 (en) | Methods and apparatus for neural network based image reconstruction | |
CN113327221B (zh) | 融合roi区域的图像合成方法、装置、电子设备及介质 | |
Zhang et al. | A spine segmentation method under an arbitrary field of view based on 3d swin transformer | |
CN115760813A (zh) | 螺钉通道生成方法、装置、设备、介质和程序产品 | |
CN114723723A (zh) | 医学影像处理方法、计算机设备和存储介质 | |
US7519225B2 (en) | Image processing method and apparatus for extracting an image | |
CN114757890A (zh) | 医学图像处理方法、装置、设备和存储介质 | |
CN114169468A (zh) | 图像分类方法、计算机设备、存储介质和计算机程序产品 | |
CN114972026A (zh) | 图像处理方法和存储介质 |
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 |