CN108334733A - 医学图像显示方法、显示系统及计算机可读存储介质 - Google Patents

Abstract

本发明涉及一种医学图像显示方法、显示系统及计算机可读存储介质。所述医学图像显示方法包括：获取医学图像；根据第一算法确定所述医学图像的类别；根据所述医学图像的类别，确定所述医学图像对应窗宽窗位的初始参数；判断所述医学图像的类别是否存在第一调窗系数；若存在第一调窗系数，则基于所述第一调窗系数调整所述初始参数得到第一调整参数，基于所述第一调整参数显示所述医学图像；若不存在第一调窗系数，基于初始参数显示所述医学图像。所述医学图像的显示方法中引入与医学图像类别相对应的第一调窗系数使得医学图像的显示更加稳定可靠。还可以根据不同的应用场景或用户需求改变所述第一调窗系数，使得所述医学图像显示效果更加优异。

Description

医学图像显示方法、显示系统及计算机可读存储介质

技术领域

本发明涉及医学影像应用领域，特别是涉及一种医学图像显示方法、显示系统及计算机可读存储介质。

背景技术

磁共振成像是对人体内含量丰富的氢质子进行成像，可以提供T1(纵向弛豫)，T2(横向弛豫)，PD(质子密度)等丰富的对比，并可进行DWI(Diffusion Weighted Imaging，弥散加权成像)，PWI(Perfusion Weighted Imaging，灌注加权成像)，BOLD(BloodOxygenation Level Dependent，血氧水平依赖)等功能成像。但是，正是因为磁共振成像方式的灵活多样，导致磁共振信号容易受到系统参数，序列参数，线圈因素，磁场等的影响，造成磁共振图像的灰度值在不同系统状态时，不同参数时，不同人体组织时的差异较大。医学工作者无法像阅读CT图像(计算机断层图像)一样使用固定的骨窗，肺窗等预设好的窗宽窗位来阅读磁共振图像。因此需要提供一种可靠的和自适应的自动调窗的方法，能够提供稳定的窗宽窗位以供医学工作者阅读扫描得到的磁共振图像。

发明内容

基于此，有必要针对磁共振信号容易受到系统参数，序列参数，线圈因素，磁场等的影响而不能够准确显示病灶部位信息的问题，提供一种医学图像显示方法。

一种医学图像显示方法，包括：

获取医学图像；

基于所述医学图像，根据第一算法确定所述医学图像的类别；

根据所述医学图像的类别，确定所述医学图像对应窗宽窗位的初始参数；

判断所述医学图像的类别是否存在第一调窗系数；

若所述判断的结果为是，加载所述第一调窗系数，基于所述第一调窗系数调整所述窗宽窗位的初始参数得到窗宽窗位的第一调整参数，基于所述第一调整参数显示所述医学图像；

若所述判断的结果为否，基于所述窗宽窗位的初始参数显示所述医学图像。

在一个实施例中，所述根据所述医学图像的类别，确定所述医学图像对应窗宽窗位的初始参数还包括：

基于第二算法获取所述医学图像对应窗宽窗位的默认参数；

根据所述医学图像的类别，确定所述医学图像的类别对应的初始调窗系数；

基于所述初始调窗系数和所述默认参数确定所述医学图像对应窗宽窗位的初始参数。

在一个实施例中，所述第一调窗系数为预先存储的数据，在所述判断时通过读取预先存储的数据以获取第一调窗系数；确定所述第一调窗系数的方法包括：获取用户输入的第二调整参数；基于所述第二调整参数确定预先存储的所述第一调窗系数。

在一个实施例中，所述基于所述第二调整参数确定预先存储的所述第一调窗系数的过程基于以下算法的任意一种：数据拟合算法或机器学习算法。

在一个实施例中，所述基于所述第二调整参数确定预先存储的所述第一调窗系数的过程基于机器学习算法进行，包括：

获取用户输入的第二调整参数；

触发机器学习算法的学习流程；

确定所述第二调整参数对应的医学图像的类别；

将所述第二调整参数关联到第二调整参数对应的医学图像的类别；

对应所述第二调整参数对应的医学图像的类别生成第二调窗系数；

判断所述第二调整参数对应的医学图像的类别是否存在预先存储的第一调窗系数；

若存在，根据所述第二调窗系数调整所述第一调窗系数；

若不存在，将所述第二调窗系数作为该医学图像类别对应的第一调窗系数。

在一个实施例中，所述方法还包括：

获取用户在操作界面输入的调窗系数；

以所述用户在操作界面输入的调窗系数作为所述第一调窗系数。

在一个实施例中，所述第一算法包括以下的至少一种：基于自组织特征映射的神经网络算法、基于径向基函数的神经网络算法、双模式线性神经网络算法、基于反向误差的神经网络算法、基于扫描线圈信息的算法或者基于扫描序列信息的算法。

在一个实施例中，所述第一算法为基于神经网络的分类方法；

所述第一算法具体包括：

获取多组训练数据的图像类别信息；

获取多组训练数据的窗宽窗位值；

将所述多组训练数据的图像类别信息分别与所述窗宽窗位值对应，建立多层神经网络单元；

对所述多层神经网络单元设置函数对应关系，根据训练数据调整每一层所述神经网络单元中的参数，用以分辨所述医学图像的类别。

一种医学影像显示系统，包括：

存储器，用于存储可由处理器执行的指令；

处理器，用于执行指令，所述指令包括：

获取医学图像；

基于所述医学图像，根据第一算法确定所述医学图像的类别；

根据所述医学图像的类别，确定所述医学图像对应窗宽窗位的初始参数；

判断所述医学图像的类别是否存在第一调窗系数；

若所述判断的结果为是，加载所述第一调窗系数，基于所述第一调窗系数调整所述窗宽窗位的初始参数得到窗宽窗位的第一调整参数，基于所述第一调整参数显示所述医学图像；

若所述判断的结果为否，基于所述窗宽窗位的初始参数显示所述医学图像。

一种用于存储处理器可执行指令的计算机可读存储介质，所述计算机可读存储介质用于执行上述任一项所述的方法。

本发明提供一种医学图像显示方法、显示系统及计算机可读存储介质。所述医学图像显示方法根据第一算法确定所述医学图像的类别，根据所述医学图像的类别确定对应窗宽窗位的初始参数。判断所述医学图像的对应类别是否存在第一调窗系数。如果某一医学图像类别存在第一调窗系数，则根据所述第一调窗系数调整所述初始参数得到窗宽窗位的第一调整参数。基于第一调整参数显示得到医学图像。所述医学图像的显示方法中，所述医学图像可以以所述初始参数或者所述第一调整参数进行显示。所述判断所述医学图像的对应类别是否存在第一调窗系数，以及判断后所执行的两种步骤的设置使得所述医学图像显示方法能够减少磁共振设备受到系统参数、序列参数、线圈因素、磁场等的影响，使得显示的所述医学图像更加清晰。所述医学图像的显示方法中引入与医学图像类别相对应的第一调窗系数使得医学图像的显示更加稳定可靠。还可以根据不同的场景或用户需求改变所述第一调窗系数，使得所述医学图像显示效果更加优异。

附图说明

图1为本发明一个实施例中所述医学图像显示方法的流程图；

图2为本发明一个实施例中所述医学图像显示方法的流程图；

图3为本发明一个实施例中所述医学图像显示方法中用户界面示意图；

图4为本发明一个实施例中所述医学图像显示系统的结构示意图；

图5为本发明一个实施例中所述医学图像显示系统的结构示意图。

附图标记说明：

医学图像显示系统 10

存储器 100

窗宽窗位算法模块 101

图像分类模块 102

动作执行模块 103

指令 110

处理器 200

具体实施方式

为了使本发明的目的、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发明的医学图像显示方法、显示系统及计算机可读存储介质进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

请参阅图1，一种医学图像显示方法，包括：

S100，获取医学图像。

获取医学图像可以为磁共振设备扫描获取图像的过程。这里对于获取的图像并没有限制，可以是人体的不同部位的图像信息。

在一些情况下，医学图像可以不限于是通过磁共振设备获取的磁共振图像，还可以是通过其他医学设备获取的例如：CT图像、PET图像、X光图像等。本实施例的后面步骤主要以磁共振图像进行举例说明，本领域技术人员已知的，本发明也可以适用于其他医学图像。

S200，基于所述医学图像，根据第一算法确定所述医学图像的类别。

医学图像的类别可以是根据人体部位来划分，例如类别可以分为：头部、颈椎部、脊椎部、胸部、肺部、心脏、腿部(大腿、小腿、脚踝、脚趾)等等。

在一些情况下，医学图像的类别还可以结合其他因素(例如图像属于T1加权图像、属于T2加权图像等)来划分，从而在一个人体部位的大类别下可以进一步划分为多个子类别，例如划分为头部一(可以是对应头部T1图像)、头部二(可以是对应头部T2图像)、颈椎部一(可以是对应颈椎部T1图像)、颈椎部二(可以是对应颈椎部T2图像)等等。

S300，根据所述医学图像的类别，确定所述医学图像对应窗宽窗位的初始参数。

由于医学图像的类别不同、图像原始对比度不同，因此为了便于医学工作者(医生、用户)通过图像判断病灶，对应不同类别的图像的窗宽(window width)、窗位(windowlevel)通常也不相同。比如头部和腿部的图像显示的窗宽和窗位一定是不同的。可以在医学图像显示系统中预设置不同的图像类别，不同的图像类别对应不同的窗宽和窗位值(即对应初始参数)。比如，肺部可以对应肺窗，也可以对应纵膈窗。可以理解的，由于仪器设备的结构、成像原理等因素的不同，对于不同的图像类别可以设置不同的初始参数值。同样可以理解，不同的工作者相对于同一图像类别也可以设置不同的初始参数值。同样可以理解，所述医学图像的分类方法并不限制，可以按照医学设备的扫描序列(scan protocol)的相关参数进行分类，也可以按照不同的应用场景进行特殊的分类调整。

S400，判断所述医学图像的对应类别是否存在第一调窗系数。

由于工作者习惯、经验、关注点等因素的不同，对于查看同一张医学图像，不同的工作者对于医学图像有固定喜好(例如喜欢图像整体亮度偏明亮或偏暗)的窗宽窗位值，因此在默认的窗宽窗位基础上需要更进一步的调窗动作。比如：医学设备扫描人体头部得到一个根据初始参数显示的头部医学图像。不同的医学工作者在查看该头部医学图像时，需要个人习惯需要进一步调整窗宽窗位值。在头部医学图像的窗宽窗位初始参数显示的基础上根据不同图像类别(这里对应头部医学图像的类别)设置第一调窗系数来完成对头部医学图像的窗宽窗位的进一步调整。判断当前的医学图像类别是否需要更进一步的调整，才能显示医学工作者需要的、习惯的或者是更关注的图像信息。由于医学图像的类别不同，因此所述第一调窗系数的数值也不相同。即不同的医学图像类别可以对应不同的所述第一调窗系数。

S410，若所述判断的结果为是，加载所述第一调窗系数，基于所述第一调窗系数调整所述窗宽窗位的初始参数得到窗宽窗位的第一调整参数，基于所述第一调整参数显示所述医学图像。

如果判断所述医学图像的对应类别存在第一调窗系数，则加载所述第一调窗系数。可以理解，所述第一调窗系数可以相应的调整显示图像的窗宽窗位。窗宽窗位指的是一幅图像中图像像素的显示区间和位置，用来改变图像对比度，便于发现病灶。根据所述第一调窗系数调整所述窗宽窗位的初始参数得到窗宽窗位的第一调整参数。先将所述初始参数调整为所述第一调整参数，再根据所述第一调整参数显示所述医学图像。

S420，若所述判断的结果为否，基于所述窗宽窗位的初始参数显示所述医学图像。

具体的，如果判断所述医学图像的对应类别不存在第一调窗系数，则基于初始参数显示所述医学图像。如果所述医学图像的类别不存在第一调窗系数，则说明以初始参数显示的医学图像符合医学工作者的习惯、经验、或者能够满足医学工作者的关注点。所述医学图像的对应类别不需要进行调窗操作，则可以直接以窗宽窗位的初始参数显示所述医学图像。

本实施例中，提供的所述医学图像显示方法，获取医学图像；确定所述医学图像的类别；根据所述医学图像的类别，确定所述医学图像对应窗宽窗位的初始参数；判断所述医学图像的类别是否存在第一调窗系数；若所述医学图像的类别存在对应的第一调窗系数，则加载所述第一调窗系数，基于所述第一调窗系数调整所述窗宽窗位的初始参数得到窗宽窗位的第一调整参数，基于所述第一调整参数显示所述医学图像。若所述医学图像的类别不存在对应的第一调窗系数，则基于所述窗宽窗位的初始参数显示所述医学图像。所述医学图像显示方法中，设置不同的所述医学图像的类别，而不同的类别会对应不同的第一调窗系数。所述判断所述医学图像的对应类别是否存在第一调窗系数，以及判断后所执行的两种步骤的设置使得所述医学图像显示方法能够减少磁共振设备受到系统参数、序列参数、线圈因素、磁场强度等的影响，使得显示的所述医学图像更加清晰。所述医学图像的显示方法中引入与医学图像类别相对应的第一调窗系数使得医学图像的显示更加稳定可靠。还可以根据不同的场景或用户需求改变所述第一调窗系数，使得所述医学图像显示效果更加优异。

在一个实施例中，步骤S300还包括：

基于第二算法获取所述医学图像对应窗宽窗位的默认参数。这里的第二算法可以是基于直方图或者神经网络的算法。由于磁共振图像的成像原理，其图像的像素值分布基于多种因素决定，对于同一个部位通常没有固定的窗宽窗位值。根据直方图算法可以直接读取图像的像素分布，从而判断对应该医学图像的窗宽窗位的默认参数。若采用神经网络的算法，则可以根据医学图像对应扫描序列(scan protocol)的重复时间(TR，repetitiontime)、回波时间(TE，echo time)、翻转角(FA，flip angle)以及线圈单元亮度信息可以作为神经网络算法的输入，计算得到对应具体医学图像的窗宽窗位的默认参数。

根据所述医学图像的类别，确定所述医学图像的类别对应的初始调窗系数。此时根据S200由第一算法已计算得到图像的类别，通常为了读片方便，可以对不同的图像类别给不同的初始调窗系数，初始调窗系数可以预先设定，初始调窗系数可以基于前期的统计或一些算法进行确定。

基于所述初始调窗系数和所述默认参数确定所述医学图像对应窗宽窗位的初始参数。此时根据初始调窗系数和默认参数确定窗宽窗位的初始参数。

这里以一个具体实例进行说明，在获取医学图像后，首先可以由直方图算法或者神经网络算法(第二算法)计算得到对应该医学图像窗宽窗位的默认参数，例如默认参数可以是WW＝100，WL＝50。之后可以根据神经网络算法计算得到该医学图像的类别，例如类别为：头部T1图像或者头部T2图像。对于不同类别，会有预先设定好的初始调窗系数，例如对于头部T1图像其初始调窗系数为S_WW＝1.0，S_WL＝1.2，对于头部T2图像其初始调窗系数为S_WW＝1.5，S_WL＝1.3。此时若判断该医学图像类别为头部T1图像，可以将初始调窗系数乘以窗宽窗位的默认参数，计算得到医学图像窗宽窗位的初始参数为WW＝100，WL＝60。之后判断对应头部T1图像这个类别是否存在第一调窗系数，如果存在，例如第一调窗系数为S_WW＝0.8，S_WL＝0.7(该第一调窗系数对应医生喜欢偏明亮的图像)，则加载该第一调窗系数，根据该第一调窗系数和初始参数计算得到窗宽窗位的第一调整参数，例如可以将第一调窗系数乘以窗宽窗位的初始参数得到窗宽窗位的第一调整参数WW＝80，WL＝42，按照第一调整参数显示医学图像，满足医生阅片的需求。

在一个实施例中，所述第一调窗系数为预先存储的数据，在所述判断时读取预先存储的数据以获取第一调窗系数。

可以理解，所述第一调窗系数可以是预先存储的数据。所述第一调窗系数可以是根据不同工作者习惯、经验、个人关注点或者病灶所在位置不同而预先存储的数据信息，比如：有些工作者在读取医学图像的过程中习惯性的选择图像偏明亮或者图像偏暗，都可以通过调整所述第一调窗系数进行设置。如果检测到的是肺窗，那么可以根据不同医生在读取医学图像的过程中的习惯设置所述第一调窗系数，通过读取所述预先存储的数据，得到所述第一调窗系数。

在一个实施例中，所述医学图像显示方法还包括：获取用户输入的窗宽窗位的第二调整参数。基于所述第二调整参数确定预先存储的所述第一调窗系数。

本实施例中，所述第一调窗系数是经过用户在阅览医学图像时手动输入的多个第二调整参数而不断更新形成的。所述第二调整参数可以是用户手动输入、可以每次输入不同的数值、基于输入的第二调整参数可以对第一调窗系数进行多次的调整。所述第二调整参数的设置是为了更加方便根据不同用户的习惯进行对医学图像第一调窗系数的调整。比如：获取医学图像后，经过第一算法确定所述医学图像的类别，确定所述医学图像对应窗宽窗位的初始参数，以用户输入所述第二调整参数作为预先存储的所述第一调窗系数，进一步显示所述医学图像。在用户交互界面，收集用户定制的所述第二调整参数，应用用户定制的所述第二调整参数确定预先存储的所述第一调窗系数。在任意的磁共振扫描协议上，均可以提供与用户进行调窗交互的界面。如下：用户在协议界面上设置好所述第二调整参数之后，将定制的所述第二调整参数收集保存在计算机或磁共振设备中。在磁共振设备扫描结束后进行图像重建时，读取计算机或磁共振设备中用户定制的所述第二调整参数，并应用到磁共振图像重建过程中确定预先存储的所述第一调窗系数。

在一个实施例中，所述基于所述第二调整参数确定预先存储的所述第一调窗系数的过程基于以下算法的任意一种：数据拟合算法或机器学习算法。

可以理解，所述第二调整参数是根据用户的喜好或者习惯进行设置的。可以理解相同的用户的喜好或者习惯是可以经过大数据统计、机器学习、数据拟合等算法学习而得到的。在实际操作过程中可以让计算机或者磁共振扫描机器根据用户的喜好或习惯对所述医学图像的窗宽和窗位的调整进行学习，再根据学习到的数据信息，结合新的扫描过程机器可以自动设置所述第二调整参数。再根据所述第二调整参数确定预先存储的所述第一调窗系数。

本实施例中，采用大量的数据预先学习，将训练好的数据拟合算法或机器学习结构用于磁共振扫描中。所述医学图像的窗宽窗位的初始参数及图像类别，以及用户的调窗习惯(所述第二调窗系数的确定)通过数据拟合算法或机器学习算法学习得到，解决了不同用户对于磁共振设备扫描调窗的不同要求。而且经过学习后，所述可以自动设置得到第二调整参数，大大减少了用户的参与，还能得到用户想要的医学图像信息。

请参阅图2，在一个实施例中，所述基于所述第二调整参数确定预先存储的所述第一调窗系数的过程基于机器学习算法进行，包括：

S500，获取用户输入的所述第二调整参数。

所述第二调整参数可以通过与用户交互的界面或装置完成输入。所述第二调整参数可以是用户窗宽窗位的期望值。所述第二调整参数也可以是根据经验所得的惯用窗宽窗位值。

S600，触发机器学习算法的学习流程。

可以理解，机器学习算法可以通过医学图像的输入或者所述第二调整参数的输入来触发。或者在医学扫描设备的图像阅览界面上设置固定的触发按键来触发机器学习算法。

S700，确定所述第二调整参数对应的所述医学图像的类别。

医学图像的类别可以为多种，此处不再赘述。不同的医学图像的类别对应的第二调整参数也不相同。比如：对于头部一和颈椎一设置的所述第二调整参数一定是不同的。所述第二调整参数是用户基于具体的医学图像进行的相应设置(由用户进行输入)，在本步骤中将对应的医学图像由类似步骤S200的图像分类算法来确定医学图像的类别。

S800，将所述第二调整参数关联到第二调整参数对应的医学图像的类别。

经所述S800步骤后，确定了所述第二调整参数对应的所述医学图像的类别。将所述第二调整参数关联到第二调整参数对应的医学图像的类别，具体的关联过程即为建立第二调整参数与所述第二调整参数对应的医学图像的类别之间的对应关系。

S900，对应所述第二调整参数对应的医学图像的类别生成第二调窗系数。

根据第二调整参数和对应的医学图像的类别生成第二调窗系数，第二调窗系数可以是基于第二调整参数和默认窗宽窗位之间的比例关系进行确定。

S1000，判断所述第二调整参数对应的医学图像的类别是否存在预先存储的第一调窗系数。

判断所述第二调整参数对应的医学图像的类别是否存在预先存储的第一调窗系数可以理解为查看是否存在预先存储的第一调窗系数。

S1100，若存在，根据所述第二调窗系数调整所述第一调窗系数。

若所述第二调整参数对应的医学图像的类别存在预先存储的第一调窗系数，则根据所述第二调窗系数对之前既有的所述第一调窗系数进行更新。

这里的更新可以是直接用第二调窗系数来替换之前存储的第一调窗系数，从而将第二调窗系数作为新的第一调窗系数并进行存储，例如预先存储的第一调窗系数为1.2，基于第二调整参数计算得到的第二调窗系数为1.3，此时可以直接将新的第一调窗系数(更新后的第一调窗系数)确定为1.3。

更新也可以是将第二调窗系数和预先存储的第一调窗系数进行加权，形成新的第一调窗系数并进行存储。例如预先存储的第一调窗系数为1.2，基于第二调整参数计算得到的第二调窗系数为1.3，两者权重均取0.5，则更新后的第一调窗系数为1.25。

这里的更新也可以不局限于以上列举的方式，可以采用更加复杂的算法确定更新后的第一调窗系数。

S1200，若不存在，将所述第二调窗系数作为该医学图像类别对应的第一调窗系数。

若所述第二调整参数对应的医学图像的类别不存在预先存储的第一调窗系数，则所述第二调窗系数作为所述第一调窗系数，即生成了所述第一调窗系数。

可以理解，可以多次输入不同的所述第二调整参数，对不同类别的医学图像进行机器学习。也可以多次输入不同的所述第二调整参数，对同一类别的医学图像进行机器学习。最终优化所述第一调窗系数，使得调窗动作更加容易实现。

本实施例中，通过用户输入所述第二调整参数进一步设置所述第二调窗系数，通过机器学习的方法更新或者获得所述第一调窗系数。所述第一调窗系数的获得可以经过用户输入多次所述第二调整参数最终得出的。

在一个实施例中，所述第一算法包括以下的至少一种：基于自组织特征映射的神经网络算法、基于径向基函数的神经网络算法、双模式线性神经网络算法、基于反向误差的神经网络算法、基于扫描线圈信息的算法或者基于扫描序列信息的算法。

所述基于自组织特征映射(Self-organizing Feature Maps，简称SOM)的神经网络算法采用对输入向量进行区域分类。基于SOM的神经网络算法识别与输入区域临近的区域，还研究输入向量的分布特性和拓扑结构。SOM的神经网络算法能够将任意维输入模式在输出层映射成一维或二维离散图形，并保持其拓扑结构不变。通过对输入模式的自组织学习，在竞争层将分类结果表示出来，可以实现网络对输入模式的反复学习，使连接权值空间分布密度与输入模式的概率分布趋于一致。可以采用基于SOM的神经网络算法获得所述医学图像对应的所述医学图像的类别。

所述基于径向基函数(Radial Basis Function，简称RBF)的神经网络算法。采用RBF作为隐节点的“基”构成隐含层空间，将输入矢量直接(即不需要通过权连接)映射到隐空间。根据Cover定理，RBF网络的隐层的功能就是将低维空间的输入通过非线性函数映射到一个高维空间。然后再在这个高维空间进行曲线的拟合。它等价于在一个隐含的高维空间寻找一个能最佳拟合训练数据的表面。可以采用基于RBF的神经网络算法获得所述医学图像对应的所述医学图像的类别。

可以采用所述双模式线性(Bi-modal linear estimation)神经网络算法，获得所述医学图像对应的所述医学图像的类别。

所述基于反向误差(Back Propagation，简称BP)的神经网络算法是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络算法能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。在BP神经网络现有算法的基础上提出误差反向传播算法(ErrorBack-propagation Training)。误差反向传播算法是通过任意选定一组权值，将给定的目标输出直接作为线性方程的代数和来建立线性方程组，解得待求权，不存在传统方法的局部极小及收敛速度慢的问题，且更易理解。误差反向传播算法可以逼近任意连续函数，具有很强的非线性映射能力，而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，所以它在许多应用领域中起到重要作用。可以采用基于BP的神经网络算法或基于误差反向传播算法获得所述医学图像对应的所述医学图像的类别。

基于扫描线圈信息的算法的形成过程是将获得的所述医学图像的扫描线圈信息输入到基于扫描线圈信息的算法中。利用扫描线圈信息的算法中所述医学图像的特征信息和医学图像的类别之间的对应关系得出对应扫描线圈信息的算法。

基于扫描序列信息的算法的形成过程是将获得的所述医学图像的扫描序列信息输入到基于扫描序列信息的算法中。利用扫描序列信息的算法中所述医学图像的特征信息和医学图像类别之间的对应关系得出对应的扫描序列信息的算法。

在一个实施例中，所述第一算法为基于神经网络的分类方法。所述第一算法可以基于大量的训练数据进行学习。基于神经网络的分类方法学习得到所述第一算法。所述第一算法具体包括：

获取多组训练数据的图像类别信息。所述图像类别信息即，所述医学图像所属的类别比如：头部、颈椎部、脊椎部、胸部、肺部、心脏、腿部(大腿、小腿、脚踝、脚趾)等生物体的几大部分。或者所述医学图像的类别为头部类别下的更精细、更下属的类别比如：头盖骨。所述医学图像还可以包括比头盖骨更下属的类别，如：额骨、颞骨、顶骨、枕骨、蝶骨、筛骨等。

获取多组训练数据的窗宽窗位值。可以理解，每一组所述训练数据都会有相应的窗宽窗位值，通过大量的数据获取各种窗宽窗位的参数值。

将所述多组训练数据的图像类别信息分别与所述窗宽窗位值对应，建立多层神经网络单元。可以理解，所述多层网络单元中的每一层网络单元都存储有所述医学图像类别和对应的窗宽值、对应的窗位值。根据多组训练数据学习所述医学图像类别和所述窗宽窗位参数的对应关系。通过所述对应关系建立多层神经网络单元。

对所述多层神经网络单元设置函数对应关系，根据所述训练数据调整每一层所述神经网络单元中的参数，用以分辨所述医学图像的类别。可以理解，所述神经网络单元可以设置多层，每层神经网络单元设置函数对应关系。由于训练数据较多所述函数对应关系可能存在细微的差别，具体的可以通过调整每一层所述神经网络单元中的参数来确定用以分辨所述医学图像类别的神经网络系统。

在一个实施例中，不同于之前实施例预先存储好的第一调窗系数，在本实施例中如图3中所示，为用户交互界面，此界面可以是图像阅览界面，在此界面根据用户输入的调窗系数(对应窗宽或者窗位的调窗系数)作为第一调窗系数。本实施例的第一调窗系数不采用之前实施例的类似机器学习过程，采用在图像阅览界面由用户直接输入，从而更加直观，调整起来更加便捷。

请参阅图4，提供一种医学影像显示系统10，包括：存储器100，用于存储指令110。处理器200，用于执行存储在所述存储器100的指令110。

所述指令110包括：获取医学图像。

基于所述医学图像，根据第一算法确定所述医学图像的类别。

根据所述医学图像的类别，确定所述医学图像对应窗宽窗位的初始参数。

判断所述医学图像的对应类别是否存在第一调窗系数。

若所述判断的结果为是，加载所述第一调窗系数，基于所述第一调窗系数调整所述窗宽窗位的初始参数得到窗宽窗位的第一调整参数，基于所述第一调整参数显示所述医学图像。

若所述判断的结果为否，基于所述窗宽窗位的初始参数显示所述医学图像。

具体的，所述存储器100中可以存储所述医学图像及其类别、所述医学图像对应窗框窗位的初始参数、所述第一调窗系数、所述第二调窗系数、以及所述第一调窗系数与所述第一调整参数之间的关系、所述第二调窗系数与所述第二调整参数之间的关系。所述存储器100中还存储有所述指令110。所述指令110用以实现对所述医学图像的窗宽窗位进行调整。所述处理器200用于执行存储在所述存储器100的指令110，以完成对所述医学图像的窗宽窗位的调整。

请参阅图5，在一个实施例中，所述医学图像显示系统10，还包括：

窗宽窗位算法模块101，用于根据所述医学图像的初始参数或初始参数对所述医学图像进行不同的计算，以得出不同的调整参数。

具体的，所述窗宽窗位算法模块101，可以根据所述医学图像的初始参数或初始参数对所述医学图像进行不同的计算，以得出不同的调整参数。也可以根据用户在使用过程中不断积累的数据进行系统的训练学习得到调整参数。所述窗宽窗位算法模块101采用的具体算法并不限制，只要能够实现获得窗宽窗位的调整参数都在本发明的保护范围内。

图像分类模块102，用于对所述医学图像进行分类，不同类型的图像设置不同的调整参数。

具体的，所述图像分类模块102用于对所述医学图像进行分类。经过分类后的所述医学图像可以设置不同的调整参数进行后续的显示。可以理解，如果所述医学图像已经能够充分显示用户所需的图像信息，也可以不再设置调整参数，不必对所述医学图像再进行显示。

动作执行模块103，用于根据初始参数、初始参数或不同的调整参数控制显示系统执行不同的动作以显示所述医学图像。

具体的，所述动作执行模块103用于显示所述医学图像信息。在显示过程中需要根据所述窗宽窗位算法模块101或所述图像分类模块102得出的不同调整参数、初始参数或者初始参数来显示所述医学图像。

一种用于存储处理器可执行指令的计算机可读存储介质，所述计算机可读存储介质用于执行以上任一所述的方法。

以上所述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发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种医学图像显示方法，其特征在于，包括：

获取医学图像；

基于所述医学图像，根据第一算法确定所述医学图像的类别；

根据所述医学图像的类别，确定所述医学图像对应窗宽窗位的初始参数；

判断所述医学图像的类别是否存在第一调窗系数；

若所述判断的结果为是，加载所述第一调窗系数，基于所述第一调窗系数调整所述窗宽窗位的初始参数得到窗宽窗位的第一调整参数，基于所述第一调整参数显示所述医学图像；

若所述判断的结果为否，基于所述窗宽窗位的初始参数显示所述医学图像。

2.根据权利要求1所述的医学图像显示方法，其特征在于，所述根据所述医学图像的类别，确定所述医学图像对应窗宽窗位的初始参数还包括：

基于第二算法获取所述医学图像对应窗宽窗位的默认参数；

根据所述医学图像的类别，确定所述医学图像的类别对应的初始调窗系数；

基于所述初始调窗系数和所述默认参数确定所述医学图像对应窗宽窗位的初始参数。

3.根据权利要求1所述的医学图像显示方法，其特征在于，所述第一调窗系数为预先存储的数据，在所述判断时通过读取预先存储的数据以获取第一调窗系数；确定所述第一调窗系数的方法包括：获取用户输入的第二调整参数；基于所述第二调整参数确定预先存储的所述第一调窗系数。

4.根据权利要求3所述的医学图像显示方法，其特征在于，所述基于所述第二调整参数确定预先存储的所述第一调窗系数的过程基于以下算法的任意一种：数据拟合算法或机器学习算法。

5.根据权利要求3所述的医学图像显示方法，其特征在于，所述基于所述第二调整参数确定预先存储的所述第一调窗系数的过程基于机器学习算法进行，包括：

获取用户输入的所述第二调整参数；

触发机器学习算法的学习流程；

确定所述第二调整参数对应的所述医学图像的类别；

将所述第二调整参数关联到第二调整参数对应的医学图像的类别；

对应所述第二调整参数对应的医学图像的类别生成第二调窗系数；

判断所述第二调整参数对应的医学图像的类别是否存在预先存储的第一调窗系数；

若存在，根据所述第二调窗系数调整所述第一调窗系数；

若不存在，将所述第二调窗系数作为该医学图像类别对应的第一调窗系数。

6.根据权利要求1所述的医学图像显示方法，其特征在于，还包括：

获取用户在操作界面输入的调窗系数；

以所述用户在操作界面输入的调窗系数作为所述第一调窗系数。

7.根据权利要求1所述的医学图像显示方法，其特征在于，所述第一算法包括以下的至少一种：基于自组织特征映射的神经网络算法、基于径向基函数的神经网络算法、双模式线性神经网络算法、基于反向误差的神经网络算法、基于扫描线圈信息的算法或者基于扫描序列信息的算法。

8.根据权利要求1所述的医学图像显示方法，其特征在于，所述第一算法为基于神经网络的分类方法；

所述第一算法具体包括：

获取多组训练数据的图像类别信息；

获取多组训练数据的窗宽窗位值；

将所述多组训练数据的图像类别信息分别与所述窗宽窗位值对应，建立多层神经网络单元；

对所述多层神经网络单元设置函数对应关系，根据训练数据调整每一层所述神经网络单元中的参数，用以分辨所述医学图像的类别。

9.一种医学影像显示系统，其特征在于，包括：

存储器，用于存储可由处理器执行的指令；

处理器，用于执行指令，所述指令包括：

获取医学图像；

基于所述医学图像，根据第一算法确定所述医学图像的类别；

根据所述医学图像的类别，确定所述医学图像对应窗宽窗位的初始参数；

判断所述医学图像的类别是否存在第一调窗系数；

若所述判断的结果为是，加载所述第一调窗系数，基于所述第一调窗系数调整所述窗宽窗位的初始参数得到窗宽窗位的第一调整参数，基于所述第一调整参数显示所述医学图像；

若所述判断的结果为否，基于所述窗宽窗位的初始参数显示所述医学图像。

10.一种用于存储处理器可执行指令的计算机可读存储介质，其特征在于，所述计算机可读存储介质用于执行权利要求1-8中任一项所述的方法。