CN109273074B - 一种用于医疗图像的网络模型调整方法及设备 - Google Patents

一种用于医疗图像的网络模型调整方法及设备 Download PDF

Info

Publication number
CN109273074B
CN109273074B CN201811426947.3A CN201811426947A CN109273074B CN 109273074 B CN109273074 B CN 109273074B CN 201811426947 A CN201811426947 A CN 201811426947A CN 109273074 B CN109273074 B CN 109273074B
Authority
CN
China
Prior art keywords
target area
value
target
average brightness
window width
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811426947.3A
Other languages
English (en)
Other versions
CN109273074A (zh
Inventor
左伟
郑超
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.)
Shukun Shenzhen Intelligent Network Technology Co ltd
Original Assignee
Digital Kun (beijing) Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Digital Kun (beijing) Network Technology Co Ltd filed Critical Digital Kun (beijing) Network Technology Co Ltd
Priority to CN201811426947.3A priority Critical patent/CN109273074B/zh
Publication of CN109273074A publication Critical patent/CN109273074A/zh
Application granted granted Critical
Publication of CN109273074B publication Critical patent/CN109273074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G06T7/13—Edge detection
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种用于医疗图像的网络模型调整方法及设备，该方法包括：对医疗图像进行目标区域提取，得到目标区域图；对所述目标区域图进行第一图像处理，得到对应所述目标区域图的直方图；对所述目标区域图进行第二图像处理，得到对应所述目标区域图的平均亮度序列；利用对应所述目标区域图的直方图和平均亮度序列进行神经网络预测，得到神经网络预测结果，所述神经网络预测结果包括所述目标区域的窗宽窗位的预测值。如此，本发明能够针对各种不同的医疗图像进行处理，有效克服传统方法因医生仅仅基于个人喜好设置的窗宽窗位不准确所引起的病灶查看结果不理想的问题，从而大大提高了对医疗图像调整的灵活性和准确度，有助于医生更好的查看病灶。

Description

一种用于医疗图像的网络模型调整方法及设备
技术领域
本发明涉及医学影像技术领域，尤其涉及一种用于医疗图像的网络模型调整方法及设备。
背景技术
在现代医学技术领域中，医生在查看医疗图像中的病灶时通常要进行窗宽窗位调整，以截取医疗图像中最有效的灰度范围映射到人眼最方便的可视范围加以显示，从而方便病灶查看。
但是，当面对不同的病灶时，目前医生仅能基于个人喜好来设置不同的窗宽窗位，这将导致病灶查看的结果并不理想。因此，如何采取准确高效的方法来调整不同医疗图像的窗宽窗位已成为当前亟待解决的问题。
发明内容
本发明实施例为了有效克服现有技术所存在的上述缺陷，创造性地提供一种用于医疗图像的网络模型调整方法及设备。
本发明一方面提供一种用于医疗图像的网络模型调整方法，所述方法包括：对医疗图像进行目标区域提取，得到目标区域图；对所述目标区域图进行第一图像处理，得到对应所述目标区域图的直方图；对所述目标区域图进行第二图像处理，得到对应所述目标区域图的平均亮度序列；利用对应所述目标区域图的直方图和平均亮度序列进行神经网络预测，得到神经网络预测结果，所述神经网络预测结果包括所述目标区域的窗宽窗位的预测值。
在一个实施例中，根据本发明的上述方法，所述方法还包括：判断所述窗宽窗位的预测值与设定值的差值是否超出第一阈值；若所述窗宽窗位的预测值与设定值的差值未超出第一阈值，则输出所述窗宽窗位的预测值。
在一个实施例中，根据本发明的上述方法，所述方法还包括：判断所述窗宽窗位的预测值与设定值的差值是否超出第一阈值；若所述窗宽窗位的预测值与设定值的差值超出第一阈值，则继续进行神经网络再预测，直至神经网络再预测结果中窗宽窗位的预测值与设定值的差值未超出第一阈值。
在一个实施例中，根据本发明的上述方法，所述对所述目标区域图进行第二图像处理，得到对应所述目标区域图的平均亮度序列，包括：提取所述目标区域图中的目标中心线；将所述目标中心线沿延伸方向划分为多个目标区段；提取多个目标区段中每个目标区段的平均亮度中心点；顺次连接所述多个目标区段的所有平均亮度中心点，得到所述平均亮度序列。
在一个实施例中，根据本发明的上述方法，所述目标区域至少包括下述区域之一：血管区域或血管病灶区域。
本发明另一方面还提供一种用于医疗图像的网络模型调整设备，所述设备包括：提取模块，用于对医疗图像进行目标区域提取，得到目标区域图；第一处理模块，用于对所述目标区域图进行第一图像处理，得到对应所述目标区域图的直方图；第二处理模块，用于对所述目标区域图进行第二图像处理，得到对应所述目标区域图的平均亮度序列；预测模块，用于利用对应所述目标区域图的直方图和平均亮度序列进行神经网络预测，得到神经网络预测结果，所述神经网络预测结果包括所述目标区域的窗宽窗位的预测值。
在一个实施例中，根据本发明的上述方法，所述设备还包括：判断模块，用于判断所述窗宽窗位的预测值与设定值的差值是否超出第一阈值；若所述窗宽窗位的预测值与设定值的差值未超出第一阈值，则输出所述窗宽窗位的预测值。
在一个实施例中，根据本发明的上述方法，所述设备还包括：判断模块，用于判断所述窗宽窗位的预测值与设定值的差值是否超出第一阈值；若所述窗宽窗位的预测值与设定值的差值超出第一阈值，则继续进行神经网络再预测，直至神经网络再预测结果中窗宽窗位的预测值与设定值的差值未超出第一阈值。
在一个实施例中，根据本发明的上述方法，所述第二处理模块具体用于，提取所述目标区域图中的目标中心线；将所述目标中心线沿延伸方向划分为多个目标区段；提取多个目标区段中每个目标区段的平均亮度中心点；顺次连接所述多个目标区段的所有平均亮度中心点，得到所述平均亮度序列。
在一个实施例中，根据本发明的上述方法，所述目标区域至少包括下述区域之一：血管区域或血管病灶区域。
本方案用于医疗图像的网络模型调整方法及设备，在调整窗宽窗位的过程中，首先对医疗图像提取所需目标区域，之后对目标区域的图像进行图像再处理，得到了对应目标区域的直方图和平均亮度序列，并将所得到的直方图和平均亮度序列作为输入进行神经网络预测以得到目标区域窗宽窗位预测值。如此，本发明能够针对各种不同的医疗图像进行处理，有效克服传统方法因医生仅仅基于个人喜好设置的窗宽窗位不准确所引起的病灶查看结果不理想的问题，从而大大提高了对医疗图像调整的灵活性和准确度，有助于医生更好的查看病灶。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
在附图中，相同或对应的标号表示相同或对应的部分。
图1为本发明实施例用于医疗图像的网络模型调整方法的实现流程示意图；
图2为本发明实施例用于医疗图像的网络模型调整设备的实现流程示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
图1为本发明实施例用于医疗图像的网络模型调整方法的实现流程示意图。
参考图1，本发明提供一种用于医疗图像的网络模型调整方法，该方法包括：
步骤101，对医疗图像进行目标区域提取，得到目标区域图；
步骤102，对目标区域图进行第一图像处理，得到对应目标区域图的直方图；
步骤103，对目标区域图进行第二图像处理，得到对应目标区域图的平均亮度序列；
步骤104，利用对应目标区域图的直方图和平均亮度序列进行神经网络预测，得到神经网络预测结果，神经网络预测结果包括目标区域的窗宽窗位的预测值。
其中，医疗图像可以为身体组织图像或病灶图像，通过现有技术提取医疗图像中最有效的范围，即目标区域，得到目标区域图，通过目标区域图的显示能够有助于非常方便的查看病灶，并进行窗宽窗位的设定。
在本实施方式中，步骤102与步骤103为互相单独的步骤，并无先后顺序的限定。
在步骤104，利用对应目标区域图的直方图和平均亮度序列作为神经网络的输入进行神经网络训练，从而得到包括目标区域窗宽窗位预测值的神经网络预测结果。
本方案用于医疗图像的网络模型调整方法及设备，在调整窗宽窗位的过程中，首先对医疗图像提取所需目标区域，之后对目标区域的图像进行图像再处理，得到了对应目标区域的直方图和平均亮度序列，并将所得到的直方图和平均亮度序列作为输入进行神经网络预测以得到目标区域窗宽窗位预测值。如此，本发明能够针对各种不同的医疗图像进行处理，有效克服传统方法因医生仅仅基于个人喜好设置的窗宽窗位不准确所引起的病灶查看结果不理想的问题，从而大大提高了对医疗图像调整的灵活性和准确度，有助于医生更好的查看病灶。
在一个实施方式中，方法还包括：判断窗宽窗位的预测值与设定值的差值是否超出第一阈值；若窗宽窗位的预测值与设定值的差值未超出第一阈值，则输出窗宽窗位的预测值。
在一个实施方式中，方法还包括：判断窗宽窗位的预测值与设定值的差值是否超出第一阈值；若窗宽窗位的预测值与设定值的差值超出第一阈值，则继续进行神经网络再预测，直至神经网络再预测结果中窗宽窗位的预测值与设定值的差值未超出第一阈值。
其中，第一阈值为误差允许值，误差允许值的大小可以根据实际情况设定；设定值为医生根据无数次实验所设定的窗宽窗位参考值或已经内置为数据库的窗宽窗位参考值。当窗宽窗位的预测值与设定值的差值未超过误差允许值，则说明神经网络预测的窗宽窗位值与设定值之间差距较小，即神经网络预测成功，那么就直接输出神经网络预测得到的窗宽窗位的预测值；若窗宽窗位的预测值与设定值的差值超过设定的允许误差值，那么说明神经网络预测并未成功，则在第一次训练的基础上继续进行神经网络再预测，直至神经网络再预测结果中窗宽窗位的预测值与设定值的差值未超过第一阈值。神经网络预测方法较为灵活，且可进行多次预测训练，有效克服传统方法因医生仅仅基于个人喜好设置的窗宽窗位不准确所引起的病灶查看结果不理想的问题，从而大大提高预测准确性。
本方案通过增加判断步骤使神经网络通过多次学习以达到接近设定值的窗宽窗位预测值，并且第一阈值可以根据实际需要调整，以适应不同图像的场景需求。本方案中也可以通过算法对窗宽窗位的预测值和设定值进行损失函数计算，当损失函数的运算结果在误差允许范围内，则神经网络预测成功，若在误差允许范围外则继续进行神经网络再预测，直至损失函数的运算结果在误差允许范围内。
在一个实施方式中，对目标区域图进行第二图像处理，得到对应目标区域图的平均亮度序列，包括：提取目标区域图中的目标中心线：将目标中心线沿延伸方向划分为多个目标区段；提取多个目标区段中每个目标区段的平均亮度中心点；顺次连接多个目标区段的所有平均亮度中心点，得到平均亮度序列。
其中，如当目标区域为血管区域图，则提取血管区域图中的血管中心线，将血管中心线沿着血管的延伸方向按照如5毫米的单位长度均匀划分为多个血管区段，提取划分出的多个血管区段中每个血管区段上的平均亮度中心点，再顺次连接多个血管区段的所有平均亮度中心点，从而得到平均亮度序列。这样，能够有效的将所需血管区域的亮度特征提取出来，有助于提高该区域的窗宽窗位预测准确度。
在一个实施方式中，目标区域至少包括下述区域之一：血管区域或血管病灶区域。当目标区域为血管病灶区域图时，同样的，提取血管病灶区域图中的血管病灶中心线，将血管病灶中心线沿延伸方向按照如5毫米的单位长度均匀划分为多个血管病灶区段，提取划分出的多个血管病灶区段中每个病灶区段上的平均亮度中心点，再顺次连接多个血管病灶区段的所有平均亮度中心点，从而得到平均亮度序列。这样，通过提取目标血管病灶区域图，并对其亮度特征进行突出表达，有助于提高该区域的窗宽窗位预测准确性。
图2为本发明实施例用于医疗图像的网络模型调整设备的实现流程示意图。
参考图2，本发明还提供一种用于医疗图像的网络模型调整设备，设备包括：提取模块201，用于对医疗图像进行目标区域提取，得到目标区域图；第一处理模块202，用于对目标区域图进行第一图像处理，得到对应目标区域图的直方图；第二处理模块203，用于对目标区域图进行第二图像处理，得到对应目标区域图的平均亮度序列；预测模块204，用于利用对应目标区域图的直方图和平均亮度序列进行神经网络预测，得到神经网络预测结果，神经网络预测结果包括目标区域的窗宽窗位的预测值。
本方案中采用提取模块201对医疗图像进行目标区域提取，并进一步根据提取的目标区域图进行图像处理和预测，为窗宽窗位的预测提供了更为精确的基础，从而有效帮助提高预测准确性。另外，本实施例中，第一处理模块202和第二处理模块203为互相单独的模块，并无先后顺序的限定。
本方案用于医疗图像的网络模型调整方法及设备，在调整窗宽窗位的过程中，首先对医疗图像提取所需目标区域，之后对目标区域的图像进行图像再处理，得到了对应目标区域的直方图和平均亮度序列，并将所得到的直方图和平均亮度序列作为输入进行神经网络预测以得到目标区域窗宽窗位预测值。如此，本发明能够针对各种不同的医疗图像进行处理，有效克服传统方法因医生仅仅基于个人喜好设置的窗宽窗位不准确所引起的病灶查看结果不理想的问题，从而大大提高了对医疗图像调整的灵活性和准确度，有助于医生更好的查看病灶。
在一个实施方式中，设备还包括：判断模块205，用于判断窗宽窗位的预测值与设定值的差值是否超出第一阈值；若窗宽窗位的预测值与设定值的差值未超出第一阈值，则输出窗宽窗位的预测值。
在一个实施方式中，设备还包括：判断模块205，用于判断窗宽窗位的预测值与设定值的差值是否超出第一阈值；若窗宽窗位的预测值与设定值的差值超出第一阈值，则继续进行神经网络再预测，直至神经网络再预测结果中窗宽窗位的预测值与设定值的差值未超出第一阈值。
其中，第一阈值为误差允许值，大小可以根据实际情况设定，设定值为医生根据无数次实验所设定的窗宽窗位参考值或已经内置为数据库的窗宽窗位参考值。当判断模块205判定窗宽窗位的预测值在误差允许值范围内时，说明神经网络预测结果较为成功，输出神经网络预测的窗宽窗位预测值即可，若判断模块205判定窗宽窗位的预测值在误差允许值范围外时，则说明神经网络预测结果并未成功，那么在第一次训练的基础上继续进行神经网络再预测，一直到神经网络再预测结果中窗宽窗位的预测值与设定值的差值未超过第一阈值。
本方案中也可以通过算法对窗宽窗位的预测值和设定值进行损失函数计算，当判断模块205判定损失函数的运算结果在误差允许范围内，则神经网络预测成功，若判断模块205判定损失函数的运算结果在误差允许范围外则继续进行神经网络再预测，直至损失函数的运算结果在误差允许范围内。神经网络预测方法较为灵活，且可进行多次预测训练，有效克服传统方法因医生仅仅基于个人喜好设置的窗宽窗位不准确所引起的病灶查看结果不理想的问题，从而大大提高预测准确性。
在一个实施方式中，第二处理模块203具体用于，提取目标区域图中的目标中心线；将目标中心线沿延伸方向划分为多个目标区段；提取多个目标区段中每个目标区段的平均亮度中心点；顺次连接多个目标区段的所有平均亮度中心点，得到平均亮度序列。
其中，如当目标区域为血管区域图，则第二处理模块203提取血管区域图中的血管中心线，将血管中心线沿着血管的延伸方向按照如5毫米的单位长度均匀划分为多个血管区段，提取划分出的多个血管区段中每个血管区段上的平均亮度中心点，再顺次连接多个血管区段的所有平均亮度中心点，从而得到平均亮度序列。这样，能够有效的将所需血管区域的亮度特征提取出来，有助于提高该区域的窗宽窗位预测准确度。
在一个实施方式中，目标区域至少包括下述区域之一：血管区域或血管病灶区域。当目标区域为血管病灶区域图时，同样的，提取血管病灶区域图中的血管病灶中心线，将血管病灶中心线沿延伸方向按照如5毫米的单位长度均匀划分为多个血管病灶区段，提取划分出的多个血管病灶区段中每个病灶区段上的平均亮度中心点，再顺次连接多个血管病灶区段的所有平均亮度中心点，从而得到平均亮度序列。这样，通过提取目标血管病灶区域图，并对其亮度特征进行突出表达，有助于提高该区域的窗宽窗位预测准确性。
本方案调整窗宽窗位先对医疗图像提取所需目标区域，后对目标区域的图像进行图像再处理，得到了对应目标区域的直方图和平均亮度序列，并将所得到的直方图和平均亮度序列作为输入进行神经网络预测来得到目标区域窗宽窗位预测值的方法，能够针对各种不同的医疗图像进行有效处理，从而有效克服传统方法中，医生根据喜好针对不同图像进行窗宽窗位值预测时经常出现窗宽窗位设定不正确的情况，大大提高了对医疗图像调整的灵活性和准确度，有助于医生更好的查看病灶。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种用于医疗图像的网络模型调整方法，其特征在于，所述方法包括：
对医疗图像进行目标区域提取，得到目标区域图；
对所述目标区域图进行第一图像处理，得到对应所述目标区域图的直方图；
提取所述目标区域图中的目标中心线；
顺次连接所述目标中心线的所有平均亮度中心点，得到对应所述目标区域图的平均亮度序列；
利用对应所述目标区域图的直方图和平均亮度序列进行神经网络预测，得到神经网络预测结果，所述神经网络预测结果包括所述目标区域的窗宽窗位的预测值。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
判断所述窗宽窗位的预测值与设定值的差值是否超出第一阈值；
若所述窗宽窗位的预测值与设定值的差值未超出第一阈值，则输出所述窗宽窗位的预测值。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
判断所述窗宽窗位的预测值与设定值的差值是否超出第一阈值；
若所述窗宽窗位的预测值与设定值的差值超出第一阈值，则继续进行神经网络再预测，直至神经网络再预测结果中窗宽窗位的预测值与设定值的差值未超出第一阈值。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述顺次连接所述目标中心线的所有平均亮度中心点，得到对应所述目标区域图的平均亮度序列，包括：
将所述目标中心线沿延伸方向划分为多个目标区段；
提取多个目标区段中每个目标区段的平均亮度中心点；
顺次连接所述多个目标区段的所有平均亮度中心点，得到所述平均亮度序列。
5.根据权利要求1至3任一项所述的方法，其特征在于，所述目标区域至少包括下述区域之一：血管区域或血管病灶区域。
6.一种用于医疗图像的网络模型调整设备，其特征在于，所述设备包括：
提取模块，用于对医疗图像进行目标区域提取，得到目标区域图；
第一处理模块，用于对所述目标区域图进行第一图像处理，得到对应所述目标区域图的直方图；
第二处理模块，用于提取所述目标区域图中的目标中心线；顺次连接所述目标中心线的所有平均亮度中心点，得到对应所述目标区域图的平均亮度序列；
预测模块，用于利用对应所述目标区域图的直方图和平均亮度序列进行神经网络预测，得到神经网络预测结果，所述神经网络预测结果包括所述目标区域的窗宽窗位的预测值。
7.根据权利要求6所述的设备，其特征在于，所述设备还包括：
判断模块，用于判断所述窗宽窗位的预测值与设定值的差值是否超出第一阈值；若所述窗宽窗位的预测值与设定值的差值未超出第一阈值，则输出所述窗宽窗位的预测值。
8.根据权利要求6所述的设备，其特征在于，所述设备还包括：
判断模块，用于判断所述窗宽窗位的预测值与设定值的差值是否超出第一阈值；若所述窗宽窗位的预测值与设定值的差值超出第一阈值，则继续进行神经网络再预测，直至神经网络再预测结果中窗宽窗位的预测值与设定值的差值未超出第一阈值。
9.根据权利要求6至8任一项所述的设备，其特征在于，
所述第二处理模块具体用于，将所述目标中心线沿延伸方向划分为多个目标区段；提取多个目标区段中每个目标区段的平均亮度中心点；顺次连接所述多个目标区段的所有平均亮度中心点，得到所述平均亮度序列。
10.根据权利要求6至8任一项所述的设备，其特征在于，所述目标区域至少包括下述区域之一：血管区域或血管病灶区域。
CN201811426947.3A 2018-11-27 2018-11-27 一种用于医疗图像的网络模型调整方法及设备 Active CN109273074B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811426947.3A CN109273074B (zh) 2018-11-27 2018-11-27 一种用于医疗图像的网络模型调整方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811426947.3A CN109273074B (zh) 2018-11-27 2018-11-27 一种用于医疗图像的网络模型调整方法及设备

Publications (2)

Publication Number Publication Date
CN109273074A CN109273074A (zh) 2019-01-25
CN109273074B true CN109273074B (zh) 2019-12-10

Family

ID=65186506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811426947.3A Active CN109273074B (zh) 2018-11-27 2018-11-27 一种用于医疗图像的网络模型调整方法及设备

Country Status (1)

Country Link
CN (1) CN109273074B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111696164B (zh) * 2020-05-15 2023-08-25 平安科技（深圳）有限公司 自适应窗宽窗位调节方法、装置、计算机系统及存储介质
CN111803104B (zh) * 2020-07-20 2021-06-11 上海杏脉信息科技有限公司 一种医学影像显示方法、介质及电子设备
CN113177928B (zh) * 2021-05-18 2022-05-17 数坤(北京)网络科技股份有限公司 一种图像识别方法、装置、电子设备及存储介质
CN114862879B (zh) * 2022-07-05 2022-09-27 深圳科亚医疗科技有限公司 包含生理管状结构的图像的处理方法、处理系统和介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104905808A (zh) * 2014-03-12 2015-09-16 上海联影医疗科技有限公司 定位片图像的实时显示方法和定位片图像的实时显示系统
CN107798660A (zh) * 2017-09-15 2018-03-13 华南理工大学 一种x射线图像的对比度增强方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104905808A (zh) * 2014-03-12 2015-09-16 上海联影医疗科技有限公司 定位片图像的实时显示方法和定位片图像的实时显示系统
CN107798660A (zh) * 2017-09-15 2018-03-13 华南理工大学 一种x射线图像的对比度增强方法

Also Published As

Publication number Publication date
CN109273074A (zh) 2019-01-25

Similar Documents

Publication Publication Date Title
CN109273074B (zh) 一种用于医疗图像的网络模型调整方法及设备
CN107464230B (zh) 图像处理方法及装置
CN110889826B (zh) 眼部oct图像病灶区域的分割方法、装置及终端设备
CN108550150B (zh) 乳腺密度的获取方法、设备及可读存储介质
CN107633237B (zh) 图像背景分割方法、装置、设备及介质
EP3065072A1 (en) Apparatus and method for providing reliability for computer aided diagnosis
JP2017510427A (ja) 放射線画像の肺野セグメンテーション技術及び骨減弱技術
KR102383857B1 (ko) 콥 각도 측정 방법 및 시스템, 콥 각도 측정 프로그램
US20120053446A1 (en) Voting in image processing
CN112017185A (zh) 病灶分割方法、装置及存储介质
CN111563910B (zh) 眼底图像分割方法及设备
CN110738643A (zh) 脑出血的分析方法、计算机设备和存储介质
JP4938427B2 (ja) 脳出血部位体積計算装置
US11263494B2 (en) Classification device, classification method, program, and information recording medium
CN116491893B (zh) 高度近视眼底改变评估方法及装置、电子设备及存储介质
CN116579954B (zh) 一种超高清内窥镜图像智能增强方法
CN111861998A (zh) 一种人体图像质量评估方法、装置、系统和计算机设备
CN110111382B (zh) 不规则区域面积计算方法、装置、计算机设备和存储介质
JP3647970B2 (ja) 領域抽出装置
CN116091444A (zh) 侧枝评价方法及装置、存储介质、终端
CN116309264A (zh) 造影图像判定方法及造影图像判定装置
US8340384B2 (en) Method and apparatus for cerebral hemorrhage segmentation
CN109949243B (zh) 一种钙化伪影消除方法、设备及计算机存储介质
CN109859205B (zh) 一种斑块检测方法及斑块检测设备
CN109919935B (zh) 一种头颈体血管分割方法及设备

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
CP01 Change in the name or title of a patent holder

Address after: 100102 No. 501 No. 12, 5th floor, No. 6, Wangjing Dongyuan District 4, Chaoyang District, Beijing

Patentee after: Shukun (Beijing) Network Technology Co.,Ltd.

Address before: 100102 No. 501 No. 12, 5th floor, No. 6, Wangjing Dongyuan District 4, Chaoyang District, Beijing

Patentee before: SHUKUN (BEIJING) NETWORK TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder
TR01 Transfer of patent right

Effective date of registration: 20230308

Address after: 518000 a308-d9, Rongchao economic and Trade Center, No. 4028, Jintian Road, Fuzhong community, Lianhua street, Futian District, Shenzhen, Guangdong Province

Patentee after: Shukun (Shenzhen) Intelligent Network Technology Co.,Ltd.

Address before: 100102 No. 501 No. 12, 5th floor, No. 6, Wangjing Dongyuan District 4, Chaoyang District, Beijing

Patentee before: Shukun (Beijing) Network Technology Co.,Ltd.

TR01 Transfer of patent right