CN109035203A - 医学图像处理方法、装置、设备及存储介质 - Google Patents

医学图像处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN109035203A
CN109035203A CN201810664806.9A CN201810664806A CN109035203A CN 109035203 A CN109035203 A CN 109035203A CN 201810664806 A CN201810664806 A CN 201810664806A CN 109035203 A CN109035203 A CN 109035203A
Authority
CN
China
Prior art keywords
medical image
grey level
level histogram
value
window
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.)
Granted
Application number
CN201810664806.9A
Other languages
English (en)
Other versions
CN109035203B (zh
Inventor
庞晓磊
田广野
陈永健
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.)
Qingdao Hisense Medical Equipment Co Ltd
Original Assignee
Qingdao Hisense Medical Equipment 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 Qingdao Hisense Medical Equipment Co Ltd filed Critical Qingdao Hisense Medical Equipment Co Ltd
Priority to CN201810664806.9A priority Critical patent/CN109035203B/zh
Publication of CN109035203A publication Critical patent/CN109035203A/zh
Application granted granted Critical
Publication of CN109035203B publication Critical patent/CN109035203B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种医学图像处理方法、装置、设备及存储介质。本发明提供的医学图像处理方法包括：获取第一医学图像的灰度直方图；根据所述第一医学图像的灰度直方图和至少一个窗宽窗位，获取第二医学图像的至少一个灰度直方图；确定所述第二医学图像的每个灰度直方图对应的灰阶阈值；从所述至少一个灰度直方图对应的灰阶阈值中，确定最优灰阶阈值；将所述最优灰阶阈值对应的窗宽窗位确定为对所述第一医学图像进行血管图像分割的窗宽窗位。本发明可缩短窗宽窗位的确定过程，减小创建血管三维图像的时间成本，提高用户体验。

Description

医学图像处理方法、装置、设备及存储介质
技术领域
本发明涉及医学图像处理技术，尤其涉及一种医学图像处理方法、装置、设备及存储介质。
背景技术
随着医学图像技术的不断发展，利用数学模型来辅助各种血管疾病的重要手段，丰富的血管三维图像对肿瘤的摘除等手术其具有重要的指导作用。
在血管三维图像的创建过程中，当选择一个窗宽窗位后，可采用该窗宽窗位对一组图像中的每个图像进行调整显示，以将该每个图像中的血管像素点与背景图像进行区分。然而，在某些窗宽窗位下，血管的像素点可能难以与背景图像区分开来，这使得血管像素点的识别不准确，从而影响血管三维图像的生成效果。
因此，为获得尽可能多的血管分支，在血管三维图像的创建过程中，需不断调整窗宽窗位，以找到最佳的窗宽窗位。这使得创建血管三维图像的时间成本较高，其用户体验较差。
发明内容
本发明提供一种医学图像处理方法、装置、设备及存储介质，以缩短窗宽窗位的确定过程，减小创建血管三维图像的时间成本，提高用户体验。
本发明提供一种医学图像处理方法，包括：
获取第一医学图像的灰度直方图；
根据所述第一医学图像的灰度直方图和至少一个窗宽窗位，获取第二医学图像的至少一个灰度直方图；所述第一医学图像和所述第二医学图像分别为同一医学图像的不同格式对应的图像；每个窗宽窗位对应所述第二医学图像的一个灰度直方图；
确定所述第二医学图像的每个灰度直方图对应的灰阶阈值；所述灰阶阈值为所述第二医学图像中背景图像和目标图像的灰阶分界阈值；
从所述至少一个灰度直方图对应的灰阶阈值中，确定最优灰阶阈值；
将所述最优灰阶阈值对应的窗宽窗位确定为对所述第一医学图像进行血管图像分割的窗宽窗位。
本发明还提供一种医学图像处理装置，包括：
获取模块，用于获取第一医学图像的灰度直方图；根据所述第一医学图像的灰度直方图和至少一个窗宽窗位，获取第二医学图像的至少一个灰度直方图；所述第一医学图像和所述第二医学图像分别为同一医学图像的不同格式对应的图像；每个窗宽窗位对应所述第二医学图像的一个灰度直方图；
确定模块，用于确定所述第二医学图像的每个灰度直方图对应的灰阶阈值，所述灰阶阈值为所述第二医学图像中背景图像和目标图像的灰阶分界阈值；从所述至少一个灰度直方图对应的灰阶阈值中确定最优灰阶阈值，并将所述最优灰阶阈值对应的窗宽窗位确定为对所述第一医学图像进行血管图像分割的窗宽窗位。
本发明还可提供一种医学设备，包括：存储器及处理器；所述存储器与所述处理器连接；
所述存储器，用于存储程序指令；
所述处理器，用于在程序指令被执行时，实现上述医学图像处理方法。
本发明还可提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述医学图像处理方法。
本发明提供的医学图像处理方法、装置、设备及存储介质，可通过获取第一医学图像的灰度直方图，根据该第一医学图像的灰度直方图和至少一个窗宽窗位，获取第二医学图像的至少一个灰度直方图，并确定该第二医学图像的每个灰度直方图对应的灰阶阈值，该灰阶阈值为该第二医学图像中背景图像和目标图像的灰阶分界阈值，继而从该至少一个灰度直方图对应的灰阶阈值中确定最优灰阶阈值，将该最优灰阶阈值对应的窗宽窗位确定为对该第一医学图像进行血管图像分割的窗宽窗位，其中，该第一医学图像和该第二医学图像分别为同一医学图像的不同格式对应的图像；每个窗宽窗位对应该第二医学图像的一个灰度直方图。通过执行本发明实施例提供的该医学图像处理方法可自动确定用于血管分割的窗宽窗位，缩短了窗宽窗位的确定过程，减小创建血管三维图像的时间成本，有效提高了用户体验。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，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为本发明提供的一种医学图像处理方法的流程图一；
图2为本发明提供的一种医学图像处理方法所涉及的灰度直方图的示意图一；
图3为本发明提供的一种医学图像处理方法中包含血管的肝脏图像的示意图；
图4为本发明提供的一种医学图像处理方法中肝脏图像的灰度直方图；
图5为本发明提供的一种医学图像处理方法中血管图像的灰度直方图；；
图6为本发明提供的一种医学图像处理方法的流程图二；
图7为本发明提供的一种医学图像处理方法所涉及的灰度直方图二；
图8为本发明提供的一种医学图像处理方法的流程三；
图9为本发明提供的一种医学图像处理方法中误差平方和的示意图一；
图10为本发明提供的一种医学图像处理方法中误差平方和的示意图二；
图11为本发明提供的一种医学图像处理方法所涉及的灰度直方图三；
图12为本发明提供的一种医学图像处理方法的流程图四；
图13为本发明提供的一种医学图像处理装置的结构示意图；
图14为本发明提供的一种医学设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
在对本发明实施例进行详细的解释说明之前，先对本发明实施例的应用场景予以介绍。本发明实施例提供的方法应用于终端，该终端为医疗场景中医疗设备，或称为医学设备、医学图像处理设备等，该医疗设备可以为医学影像的显示装置。示例的，该终端为计算机辅助医疗显示设备，比如计算机、电子计算机断层扫描(Computed Tomography，简称CT)机、核磁共振仪等，该医学影像可以为三维医学重建模型等，本发明实施例对此不做限定。
通过执行下述各实施例提供的医学图像处理方法，可快速确定窗宽窗位，用于将医学图像中的背景图像和目标图像进行分割，进而建立目标图像的三维图像也称三维模型。该医学图像例如可以为包含血管的器官的电子计算机断层扫描(ComputedTomography，简称CT)图像、磁共振成像(Magnetic Resonance Imaging，简称MRI)图像。需要说明的是，本发明所提及的器官例如可以为人或动物身体内的任一器官。该器官例如可以为肝脏、肾脏、心脏等任一器官。
本发明下述各实施例提供的医学图像处理方法可适用于灰度直方图为单峰直方图的医学图像，在该医学图像中，背景图像的像素数波峰与目标图像的像素数波峰较近，中间区域过度比较平缓；或者，在该医学图像中，背景图像的像素数波峰与目标图像的像素数波峰的差距较大，导致较小的波峰“淹没”在较大波峰的下降区域中。当然，该医学图像的直方图还可以为其它的形态，上述仅为可能的示例。在本发明中，背景图像例如可以为医学图像中的肝脏图像，目标图像例如可以为医学图像中的血管图像，也就是说，该医学图像处理方法可用于进行肝脏血管三维建模。
在实际应用过程中，医学设备可通过操作者手动进行调整窗宽窗位，也可通选择优化按钮，实现该窗宽窗位的自动确定，继而进行目标图像的三维建模。该优化按钮例如可以为医学设备的操作界面上的窗宽窗位对应的一键优选按钮。
下述通过多个实施例对本发明实施例提供的医学图像处理方法进行示例说明。
图1为本发明提供的一种医学图像处理方法的流程图一。该医学图像处理方法可由医学设备通过软件和/或硬件的方式实现。如图1所示，该方法可包括：
S101、获取第一医学图像的灰度直方图。
该第一医学图像可以为医学设备采集到的医学图像。该第一医学图像例如可以为医学数字成像和通信(Digital Imaging and Communications in Medicine，简称DICOM)格式的医学图像。以包含血管的肝脏图像为例，则该第一医学图像可以为DICOM格式的肝脏图像。
该第一医学图像上可具有预设的窗宽窗位范围，在该预设的窗宽窗位范围内，可根据预设的窗宽窗位步进值可划分有至少一个窗宽窗位。
对于每个窗宽窗位，均在预设的窗宽窗位浮动范围。因此，对于每个窗宽窗位，可具有对应的最大值和最小值。该每个窗宽窗位所对应的最大值可以包括：该每个窗位窗位对应的浮动后的最大窗宽值和浮动后的最大窗位值，该每个窗宽窗位所对应的最小值可以为该每个窗位窗位对应的浮动后的最小窗宽值和浮动后的最小窗位值。
假设，默认的窗宽窗位可表示为valw_base和vall_base，窗宽的预设浮动值可以为valw_ranges，窗位的预设浮动值可以为vall_ranges，则该一个窗宽窗位所对应的最大窗宽值valw_max，该一个窗宽窗位所对应的最小窗宽值valw_min，该一个窗宽窗位所对应的最大窗位值vall_max，该一个窗宽窗位所对应的最小窗位值vall_min可通过如下公式(1)得到。
该第一医学图像的灰度直方图可包括：一组的该第一医学图像在不同的灰阶上分别的总共N个像素点组成。
假设，灰度直方图上hi为当前灰阶k上的像素数，因此其中，L为最大灰阶，若该第一医学图像为16比特位的图像，则对于该第一医学图像的灰度直方图，L可以为65535。若第二医学图像为8比特位的图像，则对于下述第二医学图像的灰度直方图，L可以为255。
在本发明实施例所涉及的图像处理方法中，所涉及的灰度直方图可以为单峰直方图，其中，有且仅有一个灰阶存在极大的像素数值。在单峰直方图中，峰值像素数的一侧随灰阶值的递增而递增，峰值像素值的另一侧随着灰阶值的递增而递减。
例如根据经验可知，包含血管的肝脏图像的灰度直方图近似高斯分布，也是单峰直方图。因此，本发明的医学图像处理方法可适用于对包含血管的肝脏图像进行处理，继而确定用于进行血管分割的窗宽窗位。
S102、根据该第一医学图像的灰度直方图和至少一个窗宽窗位，获取第二医学图像的至少一个灰度直方图。
该第一医学图像和该第二医学图像分别为同一医学图像的不同格式对应的图像；每个窗宽窗位对应该第二医学图像的一个灰度直方图。
该第二医学图像例如可以为位图(BitMaP，简称BMP)格式的医学图像。以包含血管的肝脏图像为例，则该第二医学图像可以为BMP格式的肝脏图像。该第二医学图像的每个灰度直方图例如可以为0-255灰阶范围的灰度直方图。
该S102中可根据该第一医学图像的灰度直方图和一个窗宽窗位值，获取该第二医学图像的该一个窗宽窗位对应的灰度直方图，对于至少一个窗宽窗位值，便可得到该第二医学图像的至少一个灰度直方图。其中，该第二医学图像的一个灰度直方图可对应第一医学图像中的一个窗宽窗位。
例如，图2为本发明提供的一种医学图像处理方法所涉及的灰度直方图的示意图。如图2所示，该第二医学图像的每个灰度直方图，在灰阶值M处可具有最大的像素数，即像素数波峰值。在[0,M]的灰阶范围内，灰度直方图的像素数单调递增，在[M,L]的灰阶范围内，灰度直方图的像素数单调递减。其中，L为该灰度直方图中最大灰阶值，
S103、确定该第二医学图像的每个灰度直方图对应的灰阶阈值；该灰阶阈值为该第二医学图像中背景图像和目标图像的灰阶分界阈值。
继续参照上述图2，在该图2中在[M,L]的灰阶范围内，灰度直方图的像素数单调递减。因此，每个灰度直方图中，[M,L]的灰阶范围对应的曲线可以为每个灰度直方图的像素数的下降区域，该下降区域例如可包括快速下降区域和平缓下降区域。通过执行S103，例如可确定图2所示的灰度直方图中快速下降区域和平缓下降区域的临界灰阶值，该临界灰阶值，便可以为灰度直方图对应的灰阶阈值。
在该第二医学图像的每个灰度直方图中，灰阶阈值的一侧可以为背景图像对应的灰阶与像素数的对应曲线，灰阶阈值的另一侧可以为目标图像对应的灰阶与像素数的对应曲线，因此，该灰阶阈值为该第二医学图像中背景图像和目标图像的灰阶分界阈值。
在该图2所示的灰度直方图中，若该灰度直方图对应的灰阶阈值为T，则若该灰度直方图中，在[M,T]的灰阶范围对应的曲线例如可以为肝脏图像对应的灰阶与像素数的对应曲线，在[T,L]的灰阶范围对应的曲线例如可以为血管图像对应的灰阶与像素数的对应曲线。
S104、从该至少一个灰度直方图对应的灰阶阈值中，确定最优灰阶阈值。
S105、将该最优灰阶阈值对应的窗宽窗位确定为对该第一医学图像进行血管图像分割的窗宽窗位。
该至少一个灰度直方图对应的灰阶阈值可构成候选的灰阶阈值集合，该方法中，可采用预设的选择算法，从该灰阶阈值集合中，选择一个灰阶阈值作为该最优灰阶阈值。
由于一个灰度直方图对应一个窗宽窗位，可得到一个灰阶阈值，因此，确定从该至少一个灰度直方图对应的灰阶阈值中确定该最优灰阶阈值后，该最优灰阶阈值对应的窗宽窗位便确定了。
例如，图3为本发明提供的一种医学图像处理方法中包含血管的肝脏图像的示意图。图4为本发明提供的一种医学图像处理方法中肝脏图像的灰度直方图。图5为本发明提供的一种医学图像处理方法中血管图像的灰度直方图。
该第一医学图像例如可以为图3所示的包含血管的肝脏图像。
通过执行本发明的医学图像处理方法，在确定了对该第一医学图像进行血管图像分割的窗宽窗位后，可将该图3所示的包含血管的肝脏图像分割为肝脏图像和血管图像。该肝脏图像的灰度直方图例如可以为图4所示，该血管图像的灰度直方图例如可以为图5所示。
本发明提供的医学图像处理方法，可通过获取第一医学图像的灰度直方图，根据该第一医学图像的灰度直方图和至少一个窗宽窗位，获取第二医学图像的至少一个灰度直方图，并确定该第二医学图像的每个灰度直方图对应的灰阶阈值，该灰阶阈值为该第二医学图像中背景图像和目标图像的灰阶分界阈值，继而从该至少一个灰度直方图对应的灰阶阈值中确定最优灰阶阈值，将该最优灰阶阈值对应的窗宽窗位确定为对该第一医学图像进行血管图像分割的窗宽窗位，其中，该第一医学图像和该第二医学图像分别为同一医学图像的不同格式对应的图像；每个窗宽窗位对应该第二医学图像的一个灰度直方图。通过执行本发明实施例提供的该医学图像处理方法可自动确定用于血管分割的窗宽窗位，缩短了窗宽窗位的确定过程，减小创建血管三维图像的时间成本，有效提高了用户体验。
可选的，本发明还提供一种医学图像处理方法。图6为本发明提供的一种医学图像处理方法的流程图二。该图6所示的方法可以为上述图1中确定第一医学图像的灰度直方图的一种可能的示例。如图6所示，该方法在上述实施例的基础上，其中，S101中获取第一医学图像的灰度直方图可以包括：
S601、确定该第一医学图像的最大灰阶值和最小灰阶值。
S602、根据该第一医学图像的最大灰阶值和最小灰阶值，获取该第一医学图像的灰度直方图。
该第一医学图像的最大灰阶值可以表示为Top，该第一医学图像对应的最小灰阶值可以表示为Botm。
若第一医学图像为DICOM格式的医学图像，则该方法中例如可根据该第一医学图像的最大灰阶值Top和最小灰阶值Botm，采用如下公式(2)获取该第一医学图像的灰度直方图。
histom_dicom[Top-Botm]+＝1；if pix_value_tmp≥Top
histom_dicom[0]+＝1；if pix_value_tmp≤Botm
histom_dicom[pix_value_tmp-Botm]+＝1；if Botm<pix_value_tmp＜Top
公式(2)
公式(2)，为了便于理解和后续的处理，对灰阶范围进行了规范化，既最小值均从0开始的分布。histom_dicom[Top-Botm]为DICOM医学图像的规范化的灰度直方图中最大灰阶值所对应的像素数值。pix_value_tmp为DICOM医学图像的灰度直方图中当前像素数对应的灰阶值。histom_dicom[0]为DICOM医学图像规范化的灰度直方图中最小灰阶值0所对应的像素数值。histom_dicom[pix_value_tmp-Botm]为DICOM医学图像规范化灰度直方图中处于最小和最大灰阶值范围的当前灰阶所对应的像素数值。
例如，图7为本发明提供的一种医学图像处理方法所涉及的灰度直方图二。
若该第一医学图像为包含血管的肝脏图像，则该第一医学图像例如可以为上述图3所示。通过执行该S601和S602可得到图7所示的灰度直方图，该图7所示的灰度直方图可以为上述图3所示的包含血管的肝脏图像所对应的灰度直方图。
可选的，如上所示的方法中，S601中确定该第一医学图像的最大灰阶值和最小灰阶值，可以包括：
确定每个窗宽窗位对应的最大灰阶值和最小灰阶值；
从该至少一个窗宽窗位对应的最大灰阶值和最小灰阶值中，确定该第一医学图像的最大灰阶值和最小灰阶值。
假设，对于一个窗宽窗位，其窗宽窗位分别为i和j，则该方法可根据下述公式(3)确定当前窗宽窗位对应的最大灰阶值TopVal和最小灰阶值BottomVal。
其中，offset为预设的灰阶偏移。vall_min、vall_max分别为该第一医学图像对应的最小和最大窗位值。valw_min、valw_max分别为该第一医学图像对应的最小和最大窗宽值。
在确定该至少一个窗宽窗位对应的最大灰阶值和最小灰阶值的情况下，可将该至少一个窗宽窗位对应的最大灰阶值中，最大的灰阶值确定该第一医学图像的最大灰阶值；可将该至少一个窗宽窗位对应的最小灰阶值中，最大的灰阶值确定该第一医学图像的最小灰阶值。
该方法，例如可根据下述公式(4)，从该至少一个窗宽窗位对应的最大灰阶值和最小灰阶值中，确定该第一医学图像的最大灰阶值和最小灰阶值。
公式(4)中，Top为该第一医学图像的最大灰阶值，Botm为该第一医学图像的最小灰阶值。max(·)为取最大值的函数，min(·)为取最小值的函数。Top_tmp为至少一个窗宽窗位中当前窗宽窗位对应的最大灰阶值，Botm_tmp为至少一个窗宽窗位中当前窗宽窗位对应的最小灰阶值。
可选的，在如上所示的方法的基础上，该医学图像处理方法中S102根据该第一医学图像的灰度直方图和至少一个窗宽窗位，获取第二医学图像的至少一个灰度直方图，可以包括：
根据该第一医学图像的灰度直方图、该每个窗宽窗位值对应的最大灰阶值和最小灰阶值、该第一医学图像的最大灰阶值和最小灰阶值，获取该每个窗宽窗位对应的该第二医学图像的灰度直方图。
该方法中，例如可采用下述公式(5)，获取该每个窗宽窗位对应的该第二医学图像的灰度直方图。
hist[0]+＝histom_dicom[tmp_val]；if tmp_val∈[0,BottomVal-Botm]
hist[255]+＝histom_dicom[tmp_val]；if tmp_val∈[Topval-Botm,Top-Botm]
pix_value＝(tmp_val+Botm-BottomVal)/j*255；
hist[pix_value]+＝histom_dicom[tmp_val]；if tmp_val∈[BottomVal-Botm,TopVal-Botm]
公式(5)
公式(5)中，hist[0]为每个窗宽窗位对应的该第二医学图像的灰度直方图中灰阶值0时像素数值。histom_dicom[tmp_val]为该第一医学图像的灰度直方图中当前灰阶值对应的像素数值。tmp_val为当前灰阶值。BottomVal为该每个窗宽窗位对应的最小灰阶值，Botm为第一医学图像的最小灰阶值。hist[255]为第二医学图像的灰度直方图中灰阶值255时所对应的像素数值。Topval为该每个窗宽窗位对应的最大灰阶值，Top为第一医学图像的最大灰阶值。pix_value为像素数的值。hist[pix_value]为第二医学图像的灰度直方图中当前灰阶所对应的像素数值。
本发明实施例提供的上述医学图像处理方法，可通过提供该第一医学图像的灰度直方图以及该第二医学图像的灰度直方图的获取示例，可使得确定的灰度直方图更准确，继而使得灰阶阈值更加准确，保证窗宽窗位的准确确定，有效提高血管分割的效果。
可选的，本发明还可提供一种医学图像处理方法。图8为本发明提供的一种医学图像处理方法的流程三。该图8所示的方法可以为上述图1或图6任一所述的方法中确定灰阶阈值的一种可能的示例。如图8所示，该方法可，该方法在上述实施例的基础上，其中，S103中确定该第二医学图像的每个灰度直方图对应的灰阶阈值可以包括：
S801、确定该每个灰度直方图中候选灰阶范围内的每个候选灰阶值对应的拟合直线。
针对每个候选灰阶值，均执行S801得到每个候选灰阶值对应的拟合直线。
若该每个灰度直方图在灰阶值M处具有最大的像素数，即像素数波峰值，则对于该每个灰度直方图，[M,L]的候选灰阶范围内每个灰阶值k均属于候选灰阶值。也就是说，该至少一个候选灰阶值可位于该[M,L]的候选灰阶范围内。
对于每个候选灰阶值k，可根据该每个灰度直方图中的像素数波峰值即灰阶值M、该每个候选灰阶值k以及最大灰阶值L，得到该每个灰度直方图对应的每个候选灰阶值对应的拟合直线。
继续参照上述图2，其中，一个候选灰阶值对应的拟合直线可以包括：上述图2所示的快速下降区域对应的拟合直线，以及该平缓下降区域对应的拟合直线。
该快速下降区域对应的拟合直线例如可以表示为直线L1，该平缓下降区域对应的拟合直线例如可表示为直线L2。
其中，直线L1可以根据该每个灰度直方图中的像素数波峰值即灰阶值M、该每个候选灰阶值k，采用下述公式(6)得到；直线L2可以根据该每个灰度直方图中的该每个候选灰阶值k、最大灰阶值L，采用下述公式(6)得到。
其中，a1(k)为每个候选灰阶值k对应的直线L1的线性斜率，b1(k)为每个候选灰阶值k对应的直线L2的线性截距。a2(k)为每个候选灰阶值k对应的直线L2的线性斜率，b2(k)为每个候选灰阶值对应的直线L2的线性截距。i为当前灰阶值。
S802、确定该每个候选灰阶值对应的拟合直线与该每个灰度直方图中该每个候选灰阶值对应的灰度线条之间的误差平方和。
若该每个候选灰阶值对应的拟合直线均包括直线L1和直线L2，则对于候选灰阶值k，针对直线L1对应的误差平方和例如可根据下述公式(7)确定。
公式(7)中，ε1(k)为[M,L]的候选灰阶范围内的候选灰阶值k对应的直线L1与该每个灰度直方图的误差平方和。hi为每个灰度直方图中灰阶值i对应的像素数值。为直线L1中灰阶值i对应的像素数值。i为当前灰阶值。k为候选灰阶值。M为该每个灰度直方图中的像素数波峰值所对应的灰阶值。
对于候选灰阶值k，针对直线L2对应的误差平方和例如可根据下述公式(8)确定。
公式(8)中，ε2(k)为[M,L]的候选灰阶范围内的候选灰阶值k对应的直线L2与该每个灰度直方图的误差平方和。hi为每个灰度直方图中灰阶值i对应的像素数值。为直线L2中灰阶值i对应的像素数值。i为当前灰阶值。k为候选灰阶值。M为该每个灰度直方图中的像素数波峰值即灰阶值M。
例如，图9为本发明提供的一种医学图像处理方法中误差平方和的示意图一。如图9所示，通过执行上述S802可得到图9所示的候选灰阶值k下，直线L1的误差平方和ε1(k)，直线L2的误差平方和ε2(k)。
S803、根据最小误差平方和，从该候选灰阶范围内确定该每个灰度直方图对应的灰阶阈值。
该最小误差平方和可以为该候选灰阶范围内所有候选灰阶值对应的误差平方和中的最小误差平方和。
由于该每个候选灰阶值对应的拟合直线例如可包括直线L1和直线L2，那么该方法中，每个候选灰阶值对应的误差平方和可以为候选灰阶值k下，直线L1的误差平方和与直线L2的误差平方和的总和，又称总误差平方和。
因而，对于候选灰阶值k，该候选灰阶值k对应的误差平方和可以采用下述公式(9)确定。
ε(k)＝ε1(k)+ε2(k) 公式(9)
其中，ε(k)为候选灰阶值k对应的误差平方和，ε1(k)为候选灰阶值k下直线L1对应的误差平方和，ε2(k)为候选灰阶值k下直线L2对应的误差平方和。
例如，图10为本发明提供的一种医学图像处理方法中误差平方和的示意图二。如图10所示，该方法中，可根据候选灰阶值k下直线L1对应的误差平方和ε1(k)与直线L2对应误差平方和ε2(k)的总和，得到候选灰阶值k对应的误差平方和ε(k)。
对于候选灰阶范围内的每个候选灰阶值均可得到一个误差平方和，即每个候选灰阶值对应一个误差平方和，那么候选灰阶范围内的所有候选灰阶值值均可具有对应的误差平方和即该候选灰阶范围对应的误差平方和。该方法中，可根据该候选灰阶范围对应的误差平方和中的最小误差平方和，从该候选灰阶范围内确定该每个灰度直方图对应的灰阶阈值。
例如，该方法中可根据最小误差平方和，采用下述公式(10)从该候选灰阶范围内确定该每个灰度直方图对应的灰阶阈值。
公式(10)中，T为该每个灰度直方图对应的灰阶阈值，ε(k)为候选灰阶值对应的误差平方和。min(·)为取最小值的函数。arg为使得ε(k)取得最小值的所有自变量k的集合。
例如，图11为本发明提供的一种医学图像处理方法所涉及的灰度直方图三。例如，通过执行上述图11所示的方法得到灰度直方图对应的灰阶阈值，如图11所示，灰度直方图中，在[M,T]的灰阶范围对应的曲线为快速下降区域的曲线，其可以为肝脏图像对应的灰阶与像素数的对应曲线，在[T,L]的灰阶范围对应的曲线位平缓下降区域，其可以为血管图像对应的灰阶与像素数的对应曲线。
本发明实施例提供的该医学图像处理方法，可通过提供每个灰度直方图对应的灰阶阈值的确定示例，可使得灰阶阈值更加准确，保证窗宽窗位的准确确定，有效提高血管分割的效果。
可选的，本发明还提供一种医学图像处理方法。图12为本发明提供的一种医学图像处理方法的流程图四。该图12所示的方法可以为上述图1中确定确定最优灰阶阈值的一种可能的示例。如图12所示，该方法在上述实施例的基础上，其中，S104中从该至少一个灰度直方图对应的灰阶阈值中，确定最优灰阶阈值可以包括：
S1201、根据每个灰度直方图对应的灰阶阈值，确定该每个灰度直方图中背景图像与目标图像的像素数比值、该每个灰度直方图中背景图像的平均灰度值和该每个灰度直方图中目标图像的平均灰度值。
在每个灰度直方图对应的灰阶阈值确定后，该每个灰度直方图中背景图像和目标图像便可确定了，继而可确定该每个灰度直方图中背景图像与目标图像的像素数比值、该每个灰度直方图中背景图像的平均灰度值和该每个灰度直方图中目标图像的平均灰度值。
S1202、根据该每个灰度直方图中背景图像与目标图像的像素数比值、该每个灰度直方图中背景图像的平均灰度值，和该每个灰度直方图中目标图像的平均灰度值的误差平方和，确定该每个灰度直方图对应的误差平方和。
以包含血管的肝脏图像为例，该每个灰度直方图中背景图像可以为肝脏图像，目标图像可以为血管图像，则该每个灰度直方图中背景图像与目标图像的像素数比值可以为肝脏与血管的体积比，该每个灰度直方图中背景图像的平均灰度值可以为肝脏图像的平均灰度值，该每个灰度直方图中目标图像的平均灰度值可以为血管图像的平均灰度值。
继续以包含血管的肝脏图像为例，若肝脏与血管的体积比ratiol_v满足如下公式(11)，则可确定肝脏与血管的体积比ratiol_v满足预设的要求。
ratiomin≤ratiol_v≤ratiomax 公式(11)
其中，ratiomin为预设的最小体积比，ratiomax为预设的最大体积比，该ratiomin和ratiomax可根据经验预先确定。
若肝脏图像的平均灰度值meanGrayliver，满足如下公式(12)，则可确定肝脏图像的平均灰度值meanGrayliver满足预设的要求。
min_meanGrayliver≤meanGrayliver≤max_meanGrayliver 公式(12)
其中，min_meanGrayliver为预设的肝脏图像的最小平均灰度值，max_meanGrayliver为预设的肝脏图像的最大平均灰度值，该min_meanGrayliver和max_meanGrayliver可根据经验预先确定。
若血管图像的平均灰度值meanGrayvessel，满足如下公式(13)，则可确定血管图像的平均灰度值meanGrayvessel满足预设的要求。
min_meanGrayvessel≤meanGrayvessel≤max_meanGrayvessel 公式(13)
其中，min_meanGrayvessel为预设的肝脏中血管图像的最小平均灰度值，max_meanGrayvessel为预设的肝脏中血管图像的最大平均灰度值，该min_meanGrayvessel和max_meanGrayvessel可根据经验预先确定。
当肝脏与血管的体积比ratiol_v满足上述公式(11)、肝脏图像的平均灰度值meanGrayliver满足上述公式(12)、血管图像的平均灰度值meanGrayvessel满足上述公式(13)，则可采用下述公式(14)确定该每个灰度直方图对应的误差平方和。
其中，error_squa_sum为该每个灰度直方图对应的误差平方和，ratiol_v为肝脏与血管的体积比，ratioemp为预设的肝脏与血管的体积比，其可以为预设的经验值。meanGrayliver为该每个灰度直方图中肝脏图像的平均灰度值，meanGrayl_emp为预设的肝脏图像的平均灰度值，其可以为预设的经验值。meanGrayvessel为该每个灰度直方图中血管图像的平均灰度值，meanGrayv_emp为预设的血管图像的平均灰度值，其可以为预设的经验值。
S1203、从该至少一个灰度直方图对应的灰阶阈值中，确定最小误差平方和的灰度直方图对应的灰阶阈值为该最优灰阶阈值。
该方法中，对于至少一个灰度直方图均执行上述S1202，便可至少一个灰度直方图对应的误差平方和，便可从中确定最小误差平方和，继而确定该最小误差平方和的灰度直方图对应的灰阶阈值为该最优灰阶阈值。
该方法中例如可采用下述公式(15)，从该至少一个灰度直方图对应的灰阶阈值中，确定最小误差平方和的灰度直方图对应的灰阶阈值为该最优灰阶阈值。
Tbest＝arg min(set(error_squa_sum)) 公式(15)
其中，Tbest为最优灰阶阈值，error_squa_sum为每个灰度直方图对应的误差平方和，min(·)为取最小值的函数。arg使得误差平方和取得最小值的所有自变量k的集合，k值在这里只有一个，既就是Tbest。
在Tbest为最优灰阶阈值确定了，便可将该最优灰阶阈值Tbest对应的窗宽窗位确定为最优窗宽窗位wlbest，该最优窗宽窗位wlbest即为对该第一医学图像进行血管图像分割的窗宽窗位。
本发明实施例提供的该医学图像处理方法，可通过提供最优灰阶阈值的确定示例，可使得最优灰阶阈值更加准确，保证窗宽窗位的准确确定，有效提高血管分割的效果。
本发明还提供一种医学图像处理装置。图13为本发明提供的一种医学图像处理装置的结构示意图。如图13所示，该医学图像处理装置1300可包括：
获取模块1301，用于获取第一医学图像的灰度直方图；根据该第一医学图像的灰度直方图和至少一个窗宽窗位，获取第二医学图像的至少一个灰度直方图；该第一医学图像和所述第二医学图像分别为同一医学图像的不同格式对应的图像；每个窗宽窗位对应该第二医学图像的一个灰度直方图。
确定模块1302，用于确定该第二医学图像的每个灰度直方图对应的灰阶阈值，该灰阶阈值为该第二医学图像中背景图像和目标图像的灰阶分界阈值；从该至少一个灰度直方图对应的灰阶阈值中确定最优灰阶阈值，并将该最优灰阶阈值对应的窗宽窗位确定为对该第一医学图像进行血管图像分割的窗宽窗位。
可选的，如上所示的获取模块1301，包括：
第一确定子单元，用于确定该第一医学图像的最大灰阶值和最小灰阶值。
第一获取子单元，用于根据该第一医学图像的最大灰阶值和最小灰阶值，获取该第一医学图像的灰度直方图。
可选的，上述第一确定子单元，具体用于确定每个窗宽窗位对应的最大灰阶值和最小灰阶值；从该至少一个窗宽窗位对应的最大灰阶值和最小灰阶值中，确定该第一医学图像的最大灰阶值和最小灰阶值。
可选的，获取模块1301，还包括：
第二获取子模块，用于根据该第一医学图像的灰度直方图、该每个窗宽窗位对应的最大灰阶值和最小灰阶值、该第一医学图像的最大灰阶值和最小灰阶值，获取该每个窗宽窗位对应的该第二医学图像的灰度直方图。
可选的，确定模块1302，具体用于确定该每个灰度直方图中候选灰阶范围内的每个候选灰阶值对应的拟合直线；确定该每个候选灰阶值对应的拟合直线与该每个灰度直方图中该每个候选灰阶值对应的灰度线条之间的误差平方和；根据最小最差平方和，从该候选灰阶范围内确定为该每个灰度直方图对应的灰阶阈值。
可选的，确定模块1302，具体用于根据每个灰度直方图对应的灰阶阈值，确定该每个灰度直方图中背景图像与目标图像的像素数比值、该每个灰度直方图中背景图像的平均灰度值和该每个灰度直方图中目标图像的平均灰度值；根据该每个灰度直方图中背景图像与目标图像的像素数比值、该每个灰度直方图中背景图像的平均灰度值，和该每个灰度直方图中目标图像的平均灰度值的误差平方和，确定该每个灰度直方图对应的误差平方和；从该至少一个灰度直方图对应的灰阶阈值中，确定最小误差平方和的灰度直方图对应的灰阶阈值为该最优灰阶阈值。
可选的，该第一医学图像为DICOM格式的医学图像；该第二医学图像为BMP格式的医学图像。
本发明提供的医学图像处理装置1300可执行上述图1至图12中任一所述的医学图像处理方法，其具体的实现过程及有益效果与上述实施例类似，在此不再赘述。
本发明还提供一种医学设备。图14为本发明提供的一种医学设备的结构示意图。如图14所示，该医学设备1400可包括：处理器1401和存储器1402。处理器1401可通过总线1403与存储器1402连接。
其中，存储器1402，用于存储程序指令。
处理器1401，可用于调用存储器1402中的程序指令，使得处理器1401获取第一医学图像的灰度直方图；根据该第一医学图像的灰度直方图和至少一个窗宽窗位，获取第二医学图像的至少一个灰度直方图；该第一医学图像和所述第二医学图像分别为同一医学图像的不同格式对应的图像；每个窗宽窗位对应该第二医学图像的一个灰度直方图；
确定该第二医学图像的每个灰度直方图对应的灰阶阈值，该灰阶阈值为该第二医学图像中背景图像和目标图像的灰阶分界阈值；从该至少一个灰度直方图对应的灰阶阈值中确定最优灰阶阈值，并将该最优灰阶阈值对应的窗宽窗位确定为对该第一医学图像进行血管图像分割的窗宽窗位。
可选的，处理器1401，还用于确定该第一医学图像的最大灰阶值和最小灰阶值；根据该第一医学图像的最大灰阶值和最小灰阶值，获取该第一医学图像的灰度直方图；确定每个窗宽窗位对应的最大灰阶值和最小灰阶值；从该至少一个窗宽窗位对应的最大灰阶值和最小灰阶值中，确定该第一医学图像的最大灰阶值和最小灰阶值。
可选的，处理器1401，还用于根据该第一医学图像的灰度直方图、该每个窗宽窗位对应的最大灰阶值和最小灰阶值、该第一医学图像的最大灰阶值和最小灰阶值，获取该每个窗宽窗位对应的该第二医学图像的灰度直方图。
可选的，处理器1401，还用于确定该每个灰度直方图中候选灰阶范围内的每个候选灰阶值对应的拟合直线；确定该每个候选灰阶值对应的拟合直线与该每个灰度直方图中该每个候选灰阶值对应的灰度线条之间的误差平方和；根据最小最差平方和，从该候选灰阶范围内确定为该每个灰度直方图对应的灰阶阈值。
可选的，处理器1401，还用于根据每个灰度直方图对应的灰阶阈值，确定该每个灰度直方图中背景图像与目标图像的像素数比值、该每个灰度直方图中背景图像的平均灰度值和该每个灰度直方图中目标图像的平均灰度值；根据该每个灰度直方图中背景图像与目标图像的像素数比值、该每个灰度直方图中背景图像的平均灰度值，和该每个灰度直方图中目标图像的平均灰度值的误差平方和，确定该每个灰度直方图对应的误差平方和；从该至少一个灰度直方图对应的灰阶阈值中，确定最小误差平方和的灰度直方图对应的灰阶阈值为该最优灰阶阈值。
可选的，该第一医学图像为DICOM格式的医学图像；该第二医学图像为BMP格式的医学图像。
本发明提供的医学设备1400可执行上述图1至图12中任一所述的医学图像处理方法，其具体的实现过程及有益效果与上述实施例类似，在此不再赘述。
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，该计算机程序可被上述图14所述的处理器1401执行实现上任一实施例所示的医学图像处理方法，其具体实现及有效效果，可参见上述，在此不再赘述。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (16)

1.一种医学图像处理方法，其特征在于，包括：
获取第一医学图像的灰度直方图；
根据所述第一医学图像的灰度直方图和至少一个窗宽窗位，获取第二医学图像的至少一个灰度直方图；所述第一医学图像和所述第二医学图像分别为同一医学图像的不同格式对应的图像；每个窗宽窗位对应所述第二医学图像的一个灰度直方图；
确定所述第二医学图像的每个灰度直方图对应的灰阶阈值；所述灰阶阈值为所述第二医学图像中背景图像和目标图像的灰阶分界阈值；
从所述至少一个灰度直方图对应的灰阶阈值中，确定最优灰阶阈值；
将所述最优灰阶阈值对应的窗宽窗位确定为对所述第一医学图像进行血管图像分割的窗宽窗位。
2.根据权利要求1所述的方法，其特征在于，所述获取第一医学图像的灰度直方图，包括：
确定所述第一医学图像的最大灰阶值和最小灰阶值；
根据所述第一医学图像的最大灰阶值和最小灰阶值，获取所述第一医学图像的灰度直方图。
3.根据权利要求2所述的方法，其特征在于，所述确定所述第一医学图像的最大灰阶值和最小灰阶值，包括：
确定每个窗宽窗位对应的最大灰阶值和最小灰阶值；
从所述至少一个窗宽窗位对应的最大灰阶值和最小灰阶值中，确定所述第一医学图像的最大灰阶值和最小灰阶值。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一医学图像的灰度直方图和至少一个窗宽窗位，获取第二医学图像的至少一个灰度直方图，包括：
根据所述第一医学图像的灰度直方图、所述每个窗宽窗位值对应的最大灰阶值和最小灰阶值、所述第一医学图像的最大灰阶值和最小灰阶值，获取所述每个窗宽窗位对应的所述第二医学图像的灰度直方图。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述确定所述第二医学图像的每个灰度直方图对应的灰阶阈值，包括：
确定所述每个灰度直方图中候选灰阶范围内的每个候选灰阶值对应的拟合直线；
确定所述每个候选灰阶值对应的拟合直线与所述每个灰度直方图中所述每个候选灰阶值对应的灰度线条之间的误差平方和；
根据最小误差平方和，从所述候选灰阶范围内确定所述每个灰度直方图对应的灰阶阈值。
6.根据权利要求1-4中任一项所述的方法，其特征在于，所述从所述至少一个灰度直方图对应的灰阶阈值中，确定最优灰阶阈值包括：
根据每个灰度直方图对应的灰阶阈值，确定所述每个灰度直方图中背景图像与目标图像的像素数比值、所述每个灰度直方图中背景图像的平均灰度值和所述每个灰度直方图中目标图像的平均灰度值；
根据所述每个灰度直方图中背景图像与目标图像的像素数比值、所述每个灰度直方图中背景图像的平均灰度值，和所述每个灰度直方图中目标图像的平均灰度值的误差平方和，确定所述每个灰度直方图对应的误差平方和；
从所述至少一个灰度直方图对应的灰阶阈值中，确定最小误差平方和的灰度直方图对应的灰阶阈值为所述最优灰阶阈值。
7.根据权利要求1-4中任一项所述的方法，其特征在于，所述第一医学图像为医学数字成像和通信DICOM格式的医学图像；所述第二医学图像为位图BMP格式的医学图像。
8.一种医学图像处理装置，其特征在于，包括：
获取模块，用于获取第一医学图像的灰度直方图；根据所述第一医学图像的灰度直方图和至少一个窗宽窗位，获取第二医学图像的至少一个灰度直方图；所述第一医学图像和所述第二医学图像分别为同一医学图像的不同格式对应的图像；每个窗宽窗位对应所述第二医学图像的一个灰度直方图；
确定模块，用于确定所述第二医学图像的每个灰度直方图对应的灰阶阈值，所述灰阶阈值为所述第二医学图像中背景图像和目标图像的灰阶分界阈值；从所述至少一个灰度直方图对应的灰阶阈值中确定最优灰阶阈值，并将所述最优灰阶阈值对应的窗宽窗位确定为对所述第一医学图像进行血管图像分割的窗宽窗位。
9.根据权利要求8所述的装置，其特征在于，所述获取模块，包括：
第一确定子单元，用于确定所述第一医学图像的最大灰阶值和最小灰阶值；
第一获取子单元，用于根据所述第一医学图像的最大灰阶值和最小灰阶值，获取所述第一医学图像的灰度直方图。
10.根据权利要求9所述的装置，其特征在于，所述第一确定子单元，具体用于确定每个窗宽窗位对应的最大灰阶值和最小灰阶值；从所述至少一个窗宽窗位对应的最大灰阶值和最小灰阶值中，确定所述第一医学图像的最大灰阶值和最小灰阶值。
11.根据权利要求10所述的装置，其特征在于，所述获取模块，还包括：
第二获取子模块，用于根据所述第一医学图像的灰度直方图、所述每个窗宽窗位对应的最大灰阶值和最小灰阶值、所述第一医学图像的最大灰阶值和最小灰阶值，获取所述每个窗宽窗位对应的所述第二医学图像的灰度直方图。
12.根据权利要求8-11中任一项所述的装置，其特征在于，
所述确定模块，具体用于确定所述每个灰度直方图中候选灰阶范围内的每个候选灰阶值对应的拟合直线；确定所述每个候选灰阶值对应的拟合直线与所述每个灰度直方图中所述每个候选灰阶值对应的灰度线条之间的误差平方和；根据最小最差平方和，从所述候选灰阶范围内确定为所述每个灰度直方图对应的灰阶阈值。
13.根据权利要求8-11中任一项所述的装置，其特征在于，
所述确定模块，具体用于根据每个灰度直方图对应的灰阶阈值，确定所述每个灰度直方图中背景图像与目标图像的像素数比值、所述每个灰度直方图中背景图像的平均灰度值和所述每个灰度直方图中目标图像的平均灰度值；根据所述每个灰度直方图中背景图像与目标图像的像素数比值、所述每个灰度直方图中背景图像的平均灰度值，和所述每个灰度直方图中目标图像的平均灰度值的误差平方和，确定所述每个灰度直方图对应的误差平方和；；从所述至少一个灰度直方图对应的灰阶阈值中，确定最小误差平方和的灰度直方图对应的灰阶阈值为所述最优灰阶阈值。
14.根据权利要求8-11中任一项所述的装置，其特征在于，所述第一医学图像为医学数字成像和通信DICOM格式的医学图像；所述第二医学图像为位图BMP格式的医学图像。
15.一种医学设备，其特征在于，包括：存储器及处理器；所述存储器与所述处理器连接；
所述存储器，用于存储程序指令；
所述处理器，用于在程序指令被执行时，实现权利要求1-7任一项所述的医学图像处理方法。
16.一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1-7任一项所述的医学图像处理方法。
CN201810664806.9A 2018-06-25 2018-06-25 医学图像处理方法、装置、设备及存储介质 Active CN109035203B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810664806.9A CN109035203B (zh) 2018-06-25 2018-06-25 医学图像处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810664806.9A CN109035203B (zh) 2018-06-25 2018-06-25 医学图像处理方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN109035203A true CN109035203A (zh) 2018-12-18
CN109035203B CN109035203B (zh) 2021-01-26

Family

ID=64610407

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810664806.9A Active CN109035203B (zh) 2018-06-25 2018-06-25 医学图像处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN109035203B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110223261A (zh) * 2019-05-20 2019-09-10 上海联影医疗科技有限公司 医学图像处理方法和系统、存储介质及计算机设备
CN111199513A (zh) * 2019-12-30 2020-05-26 上海联影智能医疗科技有限公司 图像处理方法、计算机设备和存储介质
TWI704577B (zh) * 2019-05-10 2020-09-11 長庚醫學科技股份有限公司 循血綠螢光影像分析方法及裝置
CN111803104A (zh) * 2020-07-20 2020-10-23 上海市第六人民医院 一种医学影像显示方法、介质及电子设备
CN111815590A (zh) * 2020-06-29 2020-10-23 苏州润心医疗器械有限公司 基于ct序列图像获取心脏重心和脊椎重心的方法和系统
CN111915543A (zh) * 2020-08-04 2020-11-10 深圳蓝韵医学影像有限公司 基于组织提取的dr图像窗宽窗位自适应调整方法及系统
CN112053328A (zh) * 2020-08-18 2020-12-08 深圳蓝韵医学影像有限公司 数字x射线尘肺图像的处理方法及系统
CN112562829A (zh) * 2021-02-19 2021-03-26 南京景三医疗科技有限公司 一种自适应生成dicom影像默认窗宽窗位的方法
CN115568873A (zh) * 2022-12-07 2023-01-06 佗道医疗科技有限公司 一种ct影像自动调整方法
CN113764072B (zh) * 2021-05-13 2023-04-18 腾讯科技（深圳）有限公司 医疗影像的重建方法、装置、设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7218763B2 (en) * 2003-02-27 2007-05-15 Eastman Kodak Company Method for automated window-level settings for magnetic resonance images
CN101105862A (zh) * 2007-08-02 2008-01-16 宁波大学 一种医学图像窗口参数的自适应调整方法
CN101447081A (zh) * 2008-11-26 2009-06-03 华为技术有限公司 一种用于目标跟踪的商直方图模型更新方法及装置
CN102104784A (zh) * 2010-04-28 2011-06-22 梁威 一种大数据量的像素集窗宽窗位调节方法
CN103092550A (zh) * 2012-12-28 2013-05-08 青岛爱维互动信息技术有限公司 医学图像调窗方法、装置及医学图像实时显示方法
CN103310227A (zh) * 2012-03-16 2013-09-18 上海联影医疗科技有限公司 基于神经网络的自动窗宽窗位提取方法
CN104091309A (zh) * 2014-06-19 2014-10-08 华南理工大学 一种平板x射线图像的均衡显示方法及系统
CN105023253A (zh) * 2015-07-16 2015-11-04 上海理工大学 基于视觉底层特征的图像增强方法
CN105654501A (zh) * 2016-02-22 2016-06-08 北方工业大学 基于模糊阈值的自适应图像分割方法
CN107481208A (zh) * 2017-09-13 2017-12-15 许人灿 Dicom医学影像动态线性调窗方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7218763B2 (en) * 2003-02-27 2007-05-15 Eastman Kodak Company Method for automated window-level settings for magnetic resonance images
CN101105862A (zh) * 2007-08-02 2008-01-16 宁波大学 一种医学图像窗口参数的自适应调整方法
CN101447081A (zh) * 2008-11-26 2009-06-03 华为技术有限公司 一种用于目标跟踪的商直方图模型更新方法及装置
CN102104784A (zh) * 2010-04-28 2011-06-22 梁威 一种大数据量的像素集窗宽窗位调节方法
CN103310227A (zh) * 2012-03-16 2013-09-18 上海联影医疗科技有限公司 基于神经网络的自动窗宽窗位提取方法
CN103092550A (zh) * 2012-12-28 2013-05-08 青岛爱维互动信息技术有限公司 医学图像调窗方法、装置及医学图像实时显示方法
CN104091309A (zh) * 2014-06-19 2014-10-08 华南理工大学 一种平板x射线图像的均衡显示方法及系统
CN105023253A (zh) * 2015-07-16 2015-11-04 上海理工大学 基于视觉底层特征的图像增强方法
CN105654501A (zh) * 2016-02-22 2016-06-08 北方工业大学 基于模糊阈值的自适应图像分割方法
CN107481208A (zh) * 2017-09-13 2017-12-15 许人灿 Dicom医学影像动态线性调窗方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BING-JIN L.等: "A Web-Based Mobile Medical Image Reading System", 《2016 8TH INTERNATIONAL CONFERENCE ON INFORMATION TECHNOLOGY IN MEDICINE AND EDUCATION (ITME)》 *
吕磊 等: "一种16位灰度图像自动调窗算法", 《光电技术应用》 *
杨淑贞 等: "连续窗宽窗位CT图像的分割", 《中国水运》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI704577B (zh) * 2019-05-10 2020-09-11 長庚醫學科技股份有限公司 循血綠螢光影像分析方法及裝置
CN110223261A (zh) * 2019-05-20 2019-09-10 上海联影医疗科技有限公司 医学图像处理方法和系统、存储介质及计算机设备
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系统、存储介质及计算机设备
CN111199513A (zh) * 2019-12-30 2020-05-26 上海联影智能医疗科技有限公司 图像处理方法、计算机设备和存储介质
CN111199513B (zh) * 2019-12-30 2024-03-26 上海联影智能医疗科技有限公司 图像处理方法、计算机设备和存储介质
WO2022000731A1 (zh) * 2020-06-29 2022-01-06 苏州润迈德医疗科技有限公司 基于ct序列图像获取心脏重心和脊椎重心的方法和系统
CN111815590A (zh) * 2020-06-29 2020-10-23 苏州润心医疗器械有限公司 基于ct序列图像获取心脏重心和脊椎重心的方法和系统
CN111803104A (zh) * 2020-07-20 2020-10-23 上海市第六人民医院 一种医学影像显示方法、介质及电子设备
CN111915543A (zh) * 2020-08-04 2020-11-10 深圳蓝韵医学影像有限公司 基于组织提取的dr图像窗宽窗位自适应调整方法及系统
CN112053328A (zh) * 2020-08-18 2020-12-08 深圳蓝韵医学影像有限公司 数字x射线尘肺图像的处理方法及系统
CN112562829B (zh) * 2021-02-19 2021-05-14 南京景三医疗科技有限公司 一种自适应生成dicom影像默认窗宽窗位的方法
CN112562829A (zh) * 2021-02-19 2021-03-26 南京景三医疗科技有限公司 一种自适应生成dicom影像默认窗宽窗位的方法
CN113764072B (zh) * 2021-05-13 2023-04-18 腾讯科技（深圳）有限公司 医疗影像的重建方法、装置、设备及存储介质
CN115568873A (zh) * 2022-12-07 2023-01-06 佗道医疗科技有限公司 一种ct影像自动调整方法
CN115568873B (zh) * 2022-12-07 2023-08-22 佗道医疗科技有限公司 一种ct影像自动调整方法

Also Published As

Publication number Publication date
CN109035203B (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
CN109035203A (zh) 医学图像处理方法、装置、设备及存储介质
US8761475B2 (en) System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans
CN109690554B (zh) 用于基于人工智能的医学图像分割的方法和系统
CN110176012B (zh) 图像中的目标分割方法、池化方法、装置及存储介质
US11653900B2 (en) Data augmentation for training deep learning models with ultrasound images
WO2022089221A1 (zh) 医学图像分割方法、装置、设备、系统及计算机存储介质
US9715754B2 (en) In-plane and interactive surface mesh adaptation
JP5438029B2 (ja) 短軸遅延強調心臓ｍｒｉの自動三次元セグメント化
CN110648337A (zh) 髋关节分割方法、装置、电子设备和存储介质
CN108090909B (zh) 一种基于统计偏微分模型的超声造影图像分割方法
RU2413995C2 (ru) Способ улучшения последующей обработки изображений с использованием деформируемых сеток
CN108364297B (zh) 血管图像分割方法、终端、存储介质
US10019804B2 (en) Medical image processing apparatus, method, and program
JP2004105737A (ja) 心臓磁気共振潅流データのための統合的画像記録方法
CN113362345B (zh) 图像分割方法、装置、计算机设备和存储介质
CN113538209A (zh) 一种多模态医学影像配准方法、配准系统、计算设备和存储介质
CN113160248B (zh) 一种图像处理方法、装置、设备及可读存储介质
CN113962957A (zh) 医学图像处理方法、骨骼图像处理方法、装置、设备
CN116883372A (zh) 一种基于血管区域图像自适应识别肿瘤的方法及系统
CN116168097A (zh) 构建cbct勾画模型和勾画cbct图像的方法、装置、设备及介质
CN108447066A (zh) 胆道图像分割方法、终端、存储介质
CN108765432B (zh) 一种颈动脉内中膜边界自动分割方法与系统
CN116645576B (zh) 超声图像标签处理方法、装置、超声设备及存储介质
CN113793353B (zh) 心肌轮廓确定方法、装置、计算机设备和可读存储介质
EP4254350A1 (en) Determination of illumination parameters in medical image rendering

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