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。