CN109658401B - 图像处理方法及装置、电子设备和存储介质 - Google Patents
图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN109658401B CN109658401B CN201811535357.4A CN201811535357A CN109658401B CN 109658401 B CN109658401 B CN 109658401B CN 201811535357 A CN201811535357 A CN 201811535357A CN 109658401 B CN109658401 B CN 109658401B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- network
- images
- sample
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 83
- 238000000605 extraction Methods 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 61
- 230000011218 segmentation Effects 0.000 claims abstract description 47
- 238000010586 diagram Methods 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 20
- 230000010412 perfusion Effects 0.000 claims description 102
- 238000012549 training Methods 0.000 claims description 67
- 238000003384 imaging method Methods 0.000 claims description 36
- 239000008280 blood Substances 0.000 claims description 18
- 210000004369 blood Anatomy 0.000 claims description 18
- 239000006185 dispersion Substances 0.000 claims description 17
- 230000003902 lesion Effects 0.000 claims description 13
- 230000003727 cerebral blood flow Effects 0.000 claims description 12
- 230000002490 cerebral effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000009792 diffusion process Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000002597 diffusion-weighted imaging Methods 0.000 description 25
- 210000004556 brain Anatomy 0.000 description 19
- 230000006870 function Effects 0.000 description 16
- 239000002872 contrast media Substances 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000011478 gradient descent method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种图像处理方法及装置、电子设备和存储介质。所述方法包括:对待处理图像序列进行筛选,确定目标图像序列;对目标图像序列进行特征提取,获得目标图像序列的特征图;根据特征图、目标图像序列和待处理图像序列,确定待分割图像;对待分割图像进行区域分割处理,确定待分割图像的目标区域。根据本申请的实施例的图像处理方法,可在待处理图像序列中筛选出目标图像序列,减少时间信息的噪声干扰,降低特征提取处理的计算量。并且,由于减少了噪声干扰,可提高目标区域的识别精度,即,提高对分割图像进行分割处理的处理精度。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
目前,随着深度学习技术的发展,在基于CT灌注成像的病灶检测技术中,已有一些利用深度学习技术进行缺血性脑卒中分割的研究。但是,对这些技术的研究还仅有一些简单的阈值标准,检测结果不够精确,不能反映个体之间的差异。因此,开发出高精度的基于CT灌注参数图的分割算法是一个亟待解决的问题。
发明内容
本申请提出了一种图像处理方法及装置、电子设备和存储介质。
根据本申请的一方面,提供了一种图像处理方法,所述方法包括:
对待处理图像序列进行筛选,确定目标图像序列;
对目标图像序列进行特征提取,获得所述目标图像序列的特征图;
根据所述特征图、所述目标图像序列和所述待处理图像序列,确定待分割图像;
对所述待分割图像进行区域分割处理,确定所述待分割图像的目标区域。
根据本申请的实施例的图像处理方法,可在待处理图像序列中筛选出目标图像序列,减少时间信息的噪声干扰,降低特征提取处理的计算量。并且,由于减少了噪声干扰,可提高目标区域的识别精度,即,提高对分割图像进行分割处理的处理精度。
在一种可能的实现方式中,对待处理图像序列进行筛选,确定目标图像序列,包括:
获取所述待处理图像序列中的多个待处理图像的灌注参数;
根据所述多个待处理图像的灌注参数,获得所述目标图像序列。
通过这种方式,可利用灌注参数筛选出目标图像序列,可减少时间信息的噪声干扰,提高后续的特征提取处理的效果,并提高特征提取处理的处理速度。
在一种可能的实现方式中,根据所述多个待处理图像的灌注参数,获得所述目标图像序列,包括:
根据所述多个待处理图像的灌注参数以及所述多个待处理图像的扫描时间点,确定所述灌注参数的最大值对应的目标时间点;
根据所述目标时间点,确定目标时间区间,所述目标时间点处于所述目标时间区间内;
从所述目标时间区间内的多个待处理图像中确定出所述目标图像序列。
在一种可能的实现方式中,根据所述多个待处理图像的灌注参数,获得所述目标图像序列,包括:
根据所述多个待处理图像的灌注参数和时间戳,确定所述灌注参数与时间的第一关系曲线;
对所述第一关系曲线进行平滑处理,获得第二关系曲线;
根据所述第二关系曲线,从所述多个待处理图像中确定出所述目标图像序列。
在一种可能的实现方式中,根据所述特征图、所述目标图像序列和所述待处理图像序列,确定待分割图像,包括:
根据所述目标图像序列,确定一个或多个第一特征图像;
根据所述待处理图像序列,确定一个或多个第二特征图像;
将所述第一特征图像、第二特征图像和所述特征图输入生成网络进行图像生成处理,获得所述待分割图像。
在一种可能的实现方式中,所述待处理图像序列为在多个时刻获得的灌注加权成像组成的图像序列,
所述第一特征图像包括目标图像序列的弥散系数峰值图;
所述第二特征图像包括脑血容量图、脑血流量图、平均通过时间图、峰值时间图、待处理图像序列的弥散系数峰值图中的至少一种。
在一种可能的实现方式中,对所述待分割图像进行区域分割处理,确定所述待分割图像的目标区域,包括:
将所述待分割图像输入分割网络进行处理,获得所述待分割图像中的各像素点属于目标区域的目标概率以及属于背景区域的背景概率;
根据所述目标概率和所述背景概率,确定所述待分割图像中的目标区域和背景区域。
在一种可能的实现方式中,所述对目标图像序列进行特征提取,获得所述目标图像序列的特征图,包括:
将目标图像序列输入提取网络进行特征提取处理,获得所述目标图像序列的特征图。
在一种可能的实现方式中,所述方法还包括:
通过包括多个待处理样本图像的第一训练集对所述提取网络进行训练,其中,所述待处理样本图像具有目标区域和背景区域的标注。
在一种可能的实现方式中,所述方法还包括:
通过包括多个第一样本特征图像、多个第二样本特征图像、多个样本特征图和多个第一样本图像的第二训练集以及判别网络对所述生成网络进行训练,其中,所述判别网络用于确定图像的真实性判别结果,所述真实性判别结果包括真实图像或生成图像。
在一种可能的实现方式中,通过包括多个第一样本特征图像、多个第二样本特征图像、多个样本特征图和多个第一样本图像的第二训练集以及判别网络对所述生成网络进行训练,包括:
将所述第一样本特征图像、所述第二样本特征图像和所述样本特征图输入所述生成网络,获得样本输出图像;
将所述样本输出图像以及第一样本图像输入所述判别网络,获得所述样本输出图像的真实性判别结果;
响应于所述样本输出图像的真实性判别结果为生成图像的情况下,根据所述第一样本图像和所述样本输出图像确定所述生成网络的网络损失;
根据所述网络损失,对所述生成网络的网络参数进行调整,获得调整后的生成网络。
在一种可能的实现方式中,所述将所述样本输出图像以及第一样本图像输入所述判别网络,获得所述样本输出图像的真实性判别结果之后,还包括:
响应于所述样本输出图像的真实性判别结果为真实图像的情况下,将所述调整后的生成网络确定为训练后的生成网络。
通过这种方式,可通过判别网络来确定生成网络的性能,可加快生成网络的训练速度,提高生成网络的鲁棒性。
在一种可能的实现方式中,所述方法还包括:
通过包括多个第二样本图像的第三训练集对所述分割网络进行训练,其中,所述第二样本图像具有目标区域和背景区域的标注。
在一种可能的实现方式中,所述待处理图像序列为在多个时刻获得的灌注加权成像组成的图像序列,所述目标区域包括第一目标区域和第二目标区域,其中,所述第一目标区域为病变核心区域,所述第二目标区域为半暗带区域。
根据本申请的另一方面,提供了一种图像处理装置,所述装置包括:
筛选模块,用于对待处理图像序列进行筛选,确定目标图像序列;
提取模块,用于对目标图像序列进行特征提取,获得所述目标图像序列的特征图;
确定模块,用于根据所述特征图、所述目标图像序列和所述待处理图像序列,确定待分割图像;
分割模块,用于对所述待分割图像进行区域分割处理,确定所述待分割图像的目标区域。
在一种可能的实现方式中,所述筛选模块被进一步配置为:
获取所述待处理图像序列中的多个待处理图像的灌注参数;
根据所述多个待处理图像的灌注参数,获得所述目标图像序列。
在一种可能的实现方式中,所述筛选模块被进一步配置为:
根据所述多个待处理图像的灌注参数以及所述多个待处理图像的扫描时间点,确定所述灌注参数的最大值对应的目标时间点;
根据所述目标时间点,确定目标时间区间,所述目标时间点处于所述目标时间区间内;
从所述目标时间区间内的多个待处理图像中确定出所述目标图像序列。
在一种可能的实现方式中,所述筛选模块被进一步配置为:
根据所述多个待处理图像的灌注参数和时间戳,确定所述灌注参数与时间的第一关系曲线;
对所述第一关系曲线进行平滑处理,获得第二关系曲线;
根据所述第二关系曲线,从所述多个待处理图像中确定出所述目标图像序列。
在一种可能的实现方式中,所述确定模块被进一步配置为:
根据所述目标图像序列,确定一个或多个第一特征图像;
根据所述待处理图像序列,确定一个或多个第二特征图像;
将所述第一特征图像、第二特征图像和所述特征图输入生成网络进行图像生成处理,获得所述待分割图像。
在一种可能的实现方式中,所述待处理图像序列为在多个时刻获得的灌注加权成像组成的图像序列,
所述第一特征图像包括目标图像序列的弥散系数峰值图;
所述第二特征图像包括脑血容量图、脑血流量图、平均通过时间图、峰值时间图、待处理图像序列的弥散系数峰值图中的至少一种。
在一种可能的实现方式中,所述分割模块被进一步配置为:
将所述待分割图像输入分割网络进行处理,获得所述待分割图像中的各像素点属于目标区域的目标概率以及属于背景区域的背景概率;
根据所述目标概率和所述背景概率,确定所述待分割图像中的目标区域和背景区域。
在一种可能的实现方式中,所述提取模块被进一步配置为:
将目标图像序列输入提取网络进行特征提取处理,获得所述目标图像序列的特征图。
在一种可能的实现方式中,所述装置还包括:
第一训练模块,用于通过包括多个待处理样本图像的第一训练集对所述提取网络进行训练,其中,所述待处理样本图像具有目标区域和背景区域的标注。
在一种可能的实现方式中,所述装置还包括:
第二训练模块,用于通过包括多个第一样本特征图像、多个第二样本特征图像、多个样本特征图和多个第一样本图像的第二训练集以及判别网络对所述生成网络进行训练,其中,所述判别网络用于确定图像的真实性判别结果,所述真实性判别结果包括真实图像或生成图像。
在一种可能的实现方式中,所述第二训练模块被进一步配置为:
将所述第一样本特征图像、所述第二样本特征图像和所述样本特征图输入所述生成网络,获得样本输出图像;
将所述样本输出图像以及第一样本图像输入所述判别网络,获得所述样本输出图像的真实性判别结果;
响应于所述样本输出图像的真实性判别结果为生成图像的情况下,根据所述第一样本图像和所述样本输出图像确定所述生成网络的网络损失;
根据所述网络损失,对所述生成网络的网络参数进行调整,获得调整后的生成网络。
在一种可能的实现方式中,所述第二训练模块被进一步配置为:
响应于所述样本输出图像的真实性判别结果为真实图像的情况下,将所述调整后的生成网络确定为训练后的生成网络。
在一种可能的实现方式中,所述装置还包括:
第三训练模块,用于通过包括多个第二样本图像的第三训练集对所述分割网络进行训练,其中,所述第二样本图像具有目标区域和背景区域的标注。
在一种可能的实现方式中,所述待处理图像序列为在多个时刻获得的灌注加权成像组成的图像序列,所述目标区域包括第一目标区域和第二目标区域,其中,所述第一目标区域为病变核心区域,所述第二目标区域为半暗带区域。
根据本申请的另一方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述图像处理方法。
根据本申请的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述图像处理方法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本申请。
根据下面参考附图对示例性实施例的详细说明,本申请的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本申请的实施例,并与说明书一起用于说明本申请的技术方案。
图1示出根据本申请实施例的图像处理方法的流程图;
图2示出根据本申请实施例的图像处理方法的流程图;
图3示出根据本申请实施例的图像处理方法的流程图;
图4示出根据本申请实施例的图像处理方法的流程图;
图5示出根据本申请实施例的图像处理方法的应用示意图;
图6示出根据本申请实施例的图像处理装置的框图;
图7示出根据本申请实施例的图像处理装置的框图;
图8示出根据本申请实施例的电子装置的框图;
图9示出根据本申请实施例的电子装置的框图。
具体实施方式
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
图1示出根据本申请实施例的图像处理方法的流程图。如图1所示,所述方法包括:
在步骤S11中,对待处理图像序列进行筛选,确定目标图像序列;
在步骤S12中,对目标图像序列进行特征提取,获得所述目标图像序列的特征图;
在步骤S13中,根据所述特征图、所述目标图像序列和所述待处理图像序列,确定待分割图像;
在步骤S14中,对所述待分割图像进行区域分割处理,确定所述待分割图像的目标区域。
根据本申请的实施例的图像处理方法,可在待处理图像序列中筛选出目标图像序列,减少时间信息的噪声干扰,降低特征提取处理的计算量。并且,由于减少了噪声干扰,可提高目标区域的识别精度,即,提高对分割图像进行分割处理的处理精度。
在一种可能的实现方式中,所述图像处理方法可以由终端设备执行,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(PersonalDigital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可由终端设备或图像采集设备(例如相机等)获取待处理图像,并将待处理图像发送至服务器,从而通过服务器执行所述方法。
在一种可能的实现方式中,所述待处理图像序列为在多个时刻获取的灌注加权成像(perfusion-weighted imaging,PWI)组成的图像序列(例如,CT灌注成像序列)。所述目标区域可以是病变区域,在示例中,所述目标区域包括第一目标区域和第二目标区域,其中,所述第一目标区域为病变核心区域,所述第二目标区域为半暗带区域。所述待处理图像也可包括其他图像,本申请对待处理图像的类别不做限制。
在一种可能的实现方式中,在步骤S11中,可从多个时刻获取的待处理图像序列中筛选出目标图像序列,以减少时间信息的噪声干扰。步骤S11可包括:获取所述待处理图像序列中的多个待处理图像的灌注参数;根据所述多个待处理图像的灌注参数,获得所述目标图像序列。
在一种可能的实现方式中,所述待处理图像序列为在多个时刻获取的针对人脑的预设切面的灌注加权成像组成的图像序列(例如,CT灌注成像序列)。在获取所述CT灌注成像序列的过程中,可对人体注射造影剂等用于成像的制剂,当造影剂在血液中弥散开,并且血液流至人脑的各位置时,对人脑的各切面进行扫描,可获得人脑各切面CT灌注成像。所述造影剂在某个切面中的各位置处的血液中达到预设浓度时,造影剂的流动可表示血液的流动,此时,该切面为有效切面;如果造影剂在该切面中的各位置处的血液中未达到预设浓度,则该切面为无效切面。在示例中,预设切面可以是人脑半径最大处的切面,本申请对预设切面不做限制。
待处理图像的灌注参数可包括在待处理图像的时间戳所对应的时刻可获得的有效切面的数量。在示例中,在t1时刻,在人脑半径最大处的切面中,造影剂在该切面各位置处的血液中达到预设浓度,因此人脑半径最大处的切面为有效切面,在t1时刻,人脑的其他切面中,有一部分切面为无效切面,例如,对人脑进行扫描共可获得10个切面的CT灌注成像,在t1时刻,有3个切面为有效切面(即,除人脑半径最大处的切面外,还有两个有效切面),在t2时刻,有4个有效切面(即,人脑半径最大处的切面为有效切面,且还有3个有效切面),在t3时刻,有5个有效切面(即,人脑半径最大处的切面为有效切面,且还有4个有效切面)…因此,人脑半径最大处的切面的在t1时刻、t2时刻、t3时刻…获取的CT灌注成像为待处理图像序列,各待处理图像(即,t1时刻、t2时刻、t3时刻…获取的待处理图像)的灌注参数为3、4、5…本申请对灌注参数的类型不作限制。
在一种可能的实现方式中,灌注参数还可包括在t1时刻、t2时刻、t3时刻…扫描预设切面获取的CT灌注成像进行下采样获得的参数。在示例中,可对在t1时刻、t2时刻、t3时刻…获取的CT灌注成像分别进行下采样,可获得在t1时刻、t2时刻、t3时刻…获取的CT灌注成像的特征向量,并对各CT灌注成像的特征向量进行下采样,可获得CT灌注成像的灌注参数。
在一种可能的实现方式中,灌注参数还可在t1时刻、t2时刻、t3时刻…血液中的造影剂浓度、脑血容量、脑血流量或弥散系数等参数,本申请对灌注参数的类型不作限制。
在一种可能的实现方式中,根据所述多个待处理图像的灌注参数,获得所述目标图像序列,包括:根据所述多个待处理图像的灌注参数以及所述多个待处理图像的扫描时间点,确定所述灌注参数的最大值对应的目标时间点;根据所述目标时间点,确定目标时间区间,所述目标时间点处于所述目标时间区间内;从所述目标时间区间内的多个待处理图像中确定出所述目标图像序列。
在一种可能的实现方式中,多个待处理图像的扫描时间点可根据多个待处理图像的时间戳确定,例如,t1时刻、t2时刻、t3时刻…并可在多个待处理图像的灌注参数中确定出灌注参数的最大值,例如,t1时刻、t2时刻、t3时刻…获取的待处理图像的灌注参数为3、4、5…其中,灌注参数的最大值为t5时刻获取的待处理图像的灌注参数7,即,灌注参数的最大值对应的目标时间点为t5时刻。本申请对目标时间点的确定方式不做限制。
在一种可能的实现方式中,可设定目标图像序列的图像数量,例如,目标图像序列的图像数量为7,则可以以t5时刻为时间区间的中心,并对称地选取t5时刻前后各三个时刻,即t5时刻之前的t2时刻、t3时刻和t4时刻,以及t5时刻之后的t6时刻、t7时刻和t8时刻,即,时间区间为t2时刻-t8时刻。
在一种可能的实现方式中,还可不限制目标图像序列的图像数量,仅预设时间区间的长度,例如,可以以t5时刻为时间区间的中心,并以对称地选取t5时刻前后的预设的时间长度,例如,以t5时刻之前3秒为时间区间的开始时刻,以t5时刻之后3秒为时间区间的结束时刻,即,时间区间为[t5-3s,t5+3s]。也可不以t5时刻为时间区间的中心,例如,时间区间为[t5-4s,t5+5s]。本申请对时间区间的选取方式不做限制。
在一种可能的实现方式中,可选取时间区间内获取的所有待处理图像,作为所述目标图像序列。例如,时间区间为t2时刻-t8时刻,则目标图像序列为t2时刻获取的待处理图像、t3时刻获取的待处理图像…t8时刻获取的待处理图像。例如,时间区间为[t5-3s,t5+3s],时间区间内获取的所有待处理图像为t5-3s时刻获取的待处理图像、t5-1.5s时刻获取的待处理图像、t5时刻获取的待处理图像、t5+1.5s时刻获取的待处理图像和t5+3s时刻获取的待处理图像。又例如,时间区间为[t5-4s,t5+5s],时间区间内获取的所有待处理图像为t5-4s时刻获取的待处理图像、t5-2s时刻获取的待处理图像、t5时刻获取的待处理图像、t5+2s时刻获取的待处理图像和t5+4s时刻获取的待处理图像。本申请对获取待处理图像的时间间隔不做限制。
在一种可能的实现方式中,根据所述多个待处理图像的灌注参数,获得所述目标图像序列,包括:根据所述多个待处理图像的灌注参数和时间戳,确定所述灌注参数与时间的第一关系曲线;对所述第一关系曲线进行平滑处理,获得第二关系曲线;根据所述第二关系曲线,从所述多个待处理图像中确定出所述目标图像序列。
在一种可能的实现方式中,可建立时间与灌注参数的坐标系,并确定多各待处理图像在该坐标系中对应的坐标位置,进一步地,可通过各待处理图像的灌注参数在该坐标系中的位置绘制第一关系曲线。在示例中,该坐标系的水平方向的坐标轴可表示时间,竖直方向的坐标轴可表示灌注参数的数值,可根据各待处理图像的灌注参数和时间戳确定各待处理图像在该坐标系中对应的坐标位置,例如,在t1时刻、t2时刻、t3时刻…获取的待处理图像的灌注参数分别为3、4、5…则各待处理图像在该坐标系中对应的坐标位置分别为(t1,3)、(t2,4)、(t3,5)…可将各坐标位置相连,获得的折线图为所述第一关系曲线。
在一种可能的实现方式中,可对第一关系曲线进行平滑处理,获得第二关系曲线。在示例中,可通过回归、均值滤波、插值等算法对第一关系曲线进行平滑处理,例如,可通过核尺寸(kernel size)为5的均值滤波算法对第一关系曲线进行平滑处理,获得第二关系曲线。
在一种可能的实现方式中,可确定第二关系曲线的最大值,并根据所述最大值对应的时刻选取时间区间。在示例中,第二关系曲线的最大值对应的时刻为tm,可选取tm前后各三个获取到待处理图像的时间戳对应的时刻,例如,tm处于t4时刻以及t5时刻之间,可选取tm时刻之前的t2时刻、t3时刻和t4时刻,以及tm时刻之后的t5时刻、t6时刻和t7时刻,即,时间区间为t2时刻-t7时刻。t2时刻-t7时刻对应的待处理图像即为所述目标图像序列。在示例中,可选取tm前后的预设时间段,例如,可选取tm前3秒到tm后4秒,即,时间区间为[tm-3s,tm+4s],时间区间内获取的所有待处理图像即为所述目标图像序列,例如,tm-2.5s时刻获取的待处理图像、tm-1s时刻获取的待处理图像、tm+0.5s时刻获取的待处理图像、tm+2s时刻获取的待处理图像、tm+3.5s时刻获取的待处理图像可组成所述目标图像序列。
通过这种方式,可利用灌注参数筛选出目标图像序列,可减少时间信息的噪声干扰,提高后续的特征提取处理的效果,并提高特征提取处理的处理速度。
在一种可能的实现方式中,如果直接对待处理图像序列进行特征提取,由于待处理图像序列包括多个时刻获取到的待处理图像,即,包含时间信息,因此需采用3D卷积神经网络进行特征提取,3D卷积神经网络结构复杂,处理效率较低,且时间信息包含较多的噪声干扰,特征提取的效果较差。
在一种可能的实现方式中,在步骤S12中,可通过提取网络获取目标图像序列的特征图,所述提取网络可以是卷积神经网络(例如,用于图像处理的2D卷积神经网络)等神经网络,本申请对提取网络的类型不作限制。在示例中,步骤S12可包括:将目标图像序列输入提取网络进行特征提取处理,获得所述目标图像序列的特征图。
在一种可能的实现方式中,所述提取网络为U型的2D卷积神经网络,所述提取网络可包括卷积层、激活层、下采样层和全连接层等网络层级,所述全连接层可以是提取网络的与输出层相邻的网络层级,提取网络的输入为目标图像序列,经过卷积层、激活层、下采样层中的至少一种的处理后,可获得所述特征图,所述特征图经过全连接层的处理后,可输出特征图的各像素点属于目标区域的概率以及属于背景区域的概率,例如,可将特征图输入全连接层,将各像素点的灰度值、色度值、亮度值等参数通过全连接层的网络参数进行加权处理,并将加权处理后的参数输入sigmoid函数进行处理,可获得各像素点属于目标区域的概率以及属于背景区域的概率。在示例中,可获取全连接层处理之前的特征图。
在一种可能的实现方式中,在通过提取网络进行特征提取处理之前,可对特征提取网络进行训练。可通过各像素点属于目标区域的概率以及属于背景区域的概率训练所述提取网络。
图2示出根据本申请实施例的图像处理方法的流程图。如图2所示,所述方法还包括:
在步骤S15中,通过包括多个待处理样本图像的第一训练集对所述提取网络进行训练,其中,所述待处理样本图像具有目标区域和背景区域的标注。
在一种可能的实现方式中,第一训练集中的多个待处理样本图像可组成多个样本图像序列,可将任一样本图像序列输入所述提取网络,获得该样本图像序列的样本特征图、样本特征图的各像素点属于目标区域的概率以及样本特征图的各像素点属于背景区域的概率。
在一种可能的实现方式中,待处理样本图像具有目标区域和背景区域的标注,例如,可标注目标区域的位置,并将目标区域中的像素点属于目标区域的概率标注为1(属于背景区域的概率标注为0),将目标区域以外的区域中的像素点属于目标区域的概率标注为0(属于背景区域的概率标注为1)。
在一种可能的实现方式中,可根据样本特征图的各像素点属于目标区域的概率以及样本特征图的各像素点属于背景区域的概率与待处理样本图像上标注的概率,确定提取网络的损失函数,例如,根据样本特征图的各像素点属于目标区域的概率以及样本特征图的各像素点属于背景区域的概率与在样本特征图上标注的概率确定提取网络的交叉熵损失函数。
在一种可能的实现方式中,可对所述交叉熵损失函数进行正则化处理,以避免过拟合,并获得所述提取网络的网络损失,并根据网络损失对提取网络进行参数调整。
在一种可能的实现方式中,可按照使网络损失最小化的方向调整提取网络的网络参数。在示例中,可利用梯度下降法将所述网络损失进行反向传播,例如,利用随机梯度下降法将网络损失进行反向传播,以调整提取网络的网络参数,可减小计算量,并防止过拟合。
在一种可能的实现方式中,在提取网络满足训练条件时,获得训练后的提取网络。例如,所述训练条件可以是调整次数,可输入预定数量的样本图像序列,即,将提取网络的网络参数调整预定次数。又例如,所述训练条件可以是网络损失的大小或敛散性,可在网络损失降低到一定程度或收敛于一定阈值内时,停止调整,获得训练后的提取网络。训练后的提取网络即可用于获得目标图像序列的特征图的处理中。
在一种可能的实现方式中,在步骤S13中,可根据所述特征图、目标图像序列和待处理图像序列,确定待分割图像。在示例中,可基于特征图、目标图像序列和待处理图像序列生成待分割图像。
在一种可能的实现方式中,步骤S13可包括:根据所述目标图像序列,确定一个或多个第一特征图像;根据所述待处理图像序列,确定一个或多个第二特征图像;将所述第一特征图像、第二特征图像和所述特征图输入生成网络进行图像生成处理,获得所述待分割图像。
在一种可能的实现方式中,所述待处理图像序列为在多个时刻获得的灌注加权成像组成的图像序列,所述第一特征图像包括目标图像序列的弥散系数峰值图;所述第二特征图像包括脑血容量图(CBV)、脑血流量图(CBF)、平均通过时间图(MTT)、峰值时间图(Tmax)、待处理图像序列的弥散系数峰值图中的至少一种。
在示例中,可获得目标图像序列中的多个图像中的造影剂的弥散系数,例如,可获得目标图像序列中的多个图像对应的时刻的造影剂的渗透流速、渗透途径的均匀程度等参数,并根据所述参数确定多个图像中的造影剂的弥散系数,所述弥散系数的最大值对应的图像,即为所述目标图像序列的弥散系数峰值图。
在示例中,可获得待处理图像序列中的多个图像中的造影剂的弥散系数,在待处理图像序列的各图像的弥散系数中,弥散系数的最大值对应的图像,即为所述待处理图像序列的弥散系数峰值图。
在示例中,还可根据待处理图像序列获得脑血容量图(CBV)、脑血流量图(CBF)、平均通过时间图(MTT)和峰值时间图(Tmax),本申请对获得脑血容量图、脑血流量图、平均通过时间图和峰值时间图的方式不做限制。
在一种可能的实现方式中,可将第一特征图像、第二特征图像和所述特征图输入生成网络进行图像生成处理,获得待分割图像。在示例中,待处理图像序列为CT灌注成像序列,所述带分割图像为生成网络生成的弥散加权成像(diffusion weighted imaging,DWI)。在示例中,所述生成网络可以是用于生成图像的神经网络,例如,U型的卷积神经网络。生成网络可根据第一特征图像、第二特征图像和特征图生成待分割图像(例如,DWI图像),且生成的DWI图像与真实的DWI图像一致,例如,生成的DWI图像与真实的DWI图像中的目标区域和背景区域的位置一致,且生成的DWI图像与真实的DWI图像中各像素点的结构、形态、尺寸、色度值、亮度值、灰度值等参数一致等。
在一种可能的实现方式中,所述生成网络可与判别网络组成生成式对抗网络(Generative Adversarial Networks,GAN),即,所述生成网络可生成待分割图像(例如,DWI图像),并由判别网络对生成的待分割图像的真实性判别结果进行判别,如果待分割图像的真实性判别结果为真实图像,则由生成网络生成的待分割图像与真实拍摄或扫描的图像一致,即,生成质量较高,可进行区域分割处理。
在一种可能的实现方式中,在通过生成网络进行图像生成处理之前,可对生成网络进行训练,例如,可对所述生成式对抗网络进行整体训练。
图3示出根据本申请实施例的图像处理方法的流程图。如图3所示,所述方法还包括:
在步骤S16中,通过包括多个第一样本特征图像、多个第二样本特征图像、多个样本特征图和多个第一样本图像的第二训练集以及判别网络对所述生成网络进行训练,其中,所述判别网络用于确定图像的真实性判别结果,所述真实性判别结果包括真实图像或生成图像。
在一种可能的实现方式中,所述判别网络可以是预训练的神经网络,可用于判别输入的图像是真实获取的图像(例如,真实拍摄到的图像或真实扫描获得的图像)还是人工生成的图像(例如,通过软件绘制等方式生成的图像),所述判别网络的输出可以是输入图像为真实获取的图像的概率,可通过所述概率来确定真实性判别结果,例如,当输入图像为真实获取的图像的概率大于或等于50%时,真实性判别结果为真实图像,当输入图像为真实获取的图像的概率小于50%时,真实性判别结果为生成图像。
在一种可能的实现方式中,生成网络可基于第一样本特征图像、第二样本特征图像、样本特征图生成样本输出图像。在示例中,可获得多组待处理样本图像序列,并筛选出每组待处理样本图像序列中的目标样本图像序列。在示例中,可获取多组CT灌注成像序列,并获取每组CT灌注成像序列的目标样本图像序列,例如,可通过每组CT灌注成像序列的灌注参数,筛选出每组CT灌注成像序列中的样本图像序列。
在一种可能的实现方式中,可获取每组目标样本图像序列的第一样本特征图像,例如,可获取每组目标样本图像序列的弥散系数峰值图。可获取每组待处理样本图像序列的第二样本特征图像,例如,可获取每组待处理样本图像序列(例如,CT灌注成像序列)的弥散系数峰值图,还可获取每组待处理样本图像序列的脑血容量图、脑血流量图、平均通过时间图和峰值时间图。还可通过提取网络对每组目标样本图像序列进行处理,获得每组目标样本图像序列的样本特征图。通过上述方法,可获得多组待处理样本图像序列的第二样本特征图像、分别从多组待处理样本图像序列中筛选出的目标样本图像序列的第一样本特征图像以及样本特征图,即,通过多组待处理样本图像序列获得第二训练集。
在一种可能的实现方式中,通过包括多个第一样本特征图像、多个第二样本特征图像、多个样本特征图和多个第一样本图像的第二训练集以及判别网络对所述生成网络进行训练,包括:将所述第一样本特征图像、所述第二样本特征图像和所述样本特征图输入所述生成网络,获得样本输出图像;将所述样本输出图像以及第一样本图像输入所述判别网络,获得所述样本输出图像的真实性判别结果;响应于所述样本输出图像的真实性判别结果为生成图像的情况下,根据所述第一样本图像和所述样本输出图像确定所述生成网络的网络损失;根据所述网络损失,对所述生成网络的网络参数进行调整,获得调整后的生成网络。
在一种可能的实现方式中,可将任一组待处理样本图像序列的第二样本特征图像以及从该组待处理样本图像序列中筛选出的目标样本图像序列的第一样本特征图像及样本特征图输入所述生成网络,所述生成网络可对第一样本特征图像、第二样本特征图像及样本特征进行处理,获得样本输出图像。
在一种可能的实现方式中,第一样本图像为真实获取的图像,例如,待处理样本图像序列为对人脑进行扫描获取的CT灌注成像序列,第一样本图像为对人脑获取的弥散加权成像。
在一种可能的实现方式中,可将第一样本图像和样本输出图像输入判别网络,样本输出图像为生成网络的输出图像,而第一样本图像为真实获取的图像,因此,第一样本图像和样本输出图像可存在差异。在示例中,所述判别网络以第一样本图像为依据,确定样本输出图像为真实图像的概率,例如,可以以第一样本图像中的多种特征(例如,结构、形态、尺寸、色度值、亮度值、灰度值等特征)作为依据,判断第一样本图像的特征是否与第一样本图像中的特征一致或接近,并输出真实性判别结果。在示例中,如果真实性判别结果为生成图像(例如,样本输出图像为真实图像的概率小于50%),即,判别网络确定样本输出图像是生成的图像,则可对生成网络的网络参数进行调整,以减小第一样本图像和样本输出图像之间的差异,并提高样本输出图像为真实图像的概率。
在一种可能的实现方式中,可根据第一样本图像和样本输出图像之间的差异来确定生成网络的网络损失,例如,可确定第一样本图像和样本输出图像的各像素点之间的交叉熵损失,并根据交叉熵损失确定生成网络的网络损失。在示例中,还可对网络损失进行正则化处理,以防止在训练生成网络时过拟合。
在一种可能的实现方式中,可根据生成网络的网络损失调整生成网络的网络参数,例如,可按照使网络损失最小化的方向,利用梯度下降法(例如,随机梯度下降法)将网络损失进行反向传播,以调整生成网络的网络参数,可减小计算量,防止过拟合。通过调整网络参数,可获得调整后的生成网络。
在一种可能的实现方式中,在调整生成网络的网络参数后,再次向生成网络输入一组待处理样本图像序列的第二样本特征图像以及从该组待处理样本图像序列中筛选出的目标样本图像序列的第一样本特征图像及样本特征图,生成网络可输出真实性判别结果,如果真实性判别结果仍为生成图像,则继续迭代执行上述训练过程。
在一种可能的实现方式中,通过包括多个第一样本特征图像、多个第二样本特征图像、多个样本特征图和多个第一样本图像的第二训练集以及判别网络对所述生成网络进行训练,包括:响应于所述样本输出图像的真实性判别结果为真实图像的情况下,将所述调整后的生成网络确定为训练后的生成网络。即,如果真实性判别结果为真实图像,则样本输出图像与第一样本图像之间的差异较小,即,生成网络生成的样本输出图像与真实获取的图像一致或接近,判别网络已无法分辨出样本输出图像为生成的图像,训练后的生成网络的拟合优度较高,可用于生成待分割图像。
在一种可能的实现方式中,可将生成的待分割图像输入判别网络,获得真实性判别结果,如果真实性判别结果为真实图像,则待分割图像可进行进一步地处理,如果真实性判别结果为生成图像,则可再次训练生成网络。
通过这种方式,可通过判别网络来确定生成网络的性能,可加快生成网络的训练速度,提高生成网络的鲁棒性。
在一种可能的实现方式中,可不使用判别网络,即,在将生成网络训练完成后,直接使用生成网络来生成待分割图像(例如,DWI图像)。
在一种可能的实现方式中,在训练生成网络的过程中,可不使用判别网络,仅对生成网络进行训练。在示例中,待处理样本图像序列为对针对某个人的人脑进行扫描获取的CT灌注成像序列,第一样本图像为对该人的人脑获取的弥散加权成像,即,待处理样本图像序列与第一样本图像匹配。
在一种可能的实现方式中,在将任一组待处理样本图像序列的第二样本特征图像以及从该组待处理样本图像序列中筛选出的目标样本图像序列的第一样本特征图像及样本特征图输入所述生成网络,获得样本输出图像后,可根据样本输出图像以及与该组待处理样本图像序列匹配的第一样本图像确定生成网络的网络损失,在示例中,可根据以下公式(1)确定生成网络的网络损失:
其中,Lg为生成网络的网络损失,DWIg为样本输出图像,DWIr为第一样本图像,在示例中,在第一样本图像中可对目标区域进行标注,‖DWIg-DWIr‖2为样本输出图像与第一样本图像各像素点的参数值(例如,色度值、亮度值、灰度值等参数值)的差所组成的矩阵的二范数,W1为第一权重系数矩阵,在示例中,目标区域中的像素点的权重可比背景区域的像素点的权重更大,通过目标区域和背景区域的符号距离函数(sign distance function,SDF)可确定第一权重系数矩阵W1。为样本输出图像的竖直方向的特征向量,为第一样本图像的竖直方向的特征向量,为样本输出图像的水平方向的特征向量,为第一样本图像的水平方向的特征向量,可通过对第一样本图像和样本输出图像进行特征提取处理获得和例如,可通过预训练的神经网络对第一样本图像和样本输出图像进行特征提取处理,获得和 为的二范数,为的二范数,λ1和λ2均为权值,λ1和λ2的值可以是预设的,本申请对λ1和λ2的值不做限制。
在一种可能的实现方式中,可根据以上网络损失,调整生成网络的网络参数,例如,可按照使网络损失最小化的方向,利用梯度下降法将网络损失进行反向传播,以调整生成网络的网络参数。并在生成网络满足训练条件时,获得训练后的生成网络。所述训练条件可以是调整次数,可将生成网络的网络参数调整预定次数。又例如,训练条件可以是网络损失的大小或敛散性,可在网络损失降低到一定程度或收敛于一定阈值内时,停止调整,获得训练后的生成网络。
在一种可能的实现方式中,在步骤S14中,可通过分割网络对待分割图像进行分割处理,所述分割网络可包括U型的卷积神经网络等神经网络,本申请对分割网络的类型不作限制。
在一种可能的实现方式中,步骤S14可包括:将所述待分割图像输入分割网络进行处理,获得所述待分割图像中的各像素点属于目标区域的目标概率以及属于背景区域的背景概率;根据所述目标概率和所述背景概率,确定所述待分割图像中的目标区域和背景区域。
在一种可能的实现方式中,所述目标区域包括第一目标区域和第二目标区域,例如,所述第一目标区域为病变核心区域,所述第二目标区域为半暗带区域。所述目标概率可包括像素点属于第一目标区域的第一目标概率以及像素点属于第二目标区域的第二目标概率。
在一种可能的实现方式中,所述分割网络包括特征空间维度的注意力机制(self-attention),可通过所述特征空间维度的注意力机制对待分割图像进行通道特征的重标定,例如,可对待分割图像进行卷积处理,获得待分割图像的特征图,并通过特征空间维度的注意力对待分割图像的特征图的每个像素点进行特征增强处理,并将特征增强后的特征图输入全连接层进行处理,例如,在全连接层通过softmax函数对特征增强后的特征图进行处理,获得所述第一目标概率、第二目标概率以及背景概率。
在一种可能的实现方式中,可根据目标概率和背景概率,确定待分割图像的各像素点属于第一目标区域、第二目标区域还是背景区域,继而确定第一目标区域的位置、第二目标区域的位置和背景区域的位置。
在一种可能的实现方式中,在通过分割网络进行区域分割处理之前,可对分割网络进行训练。
图4示出根据本申请实施例的图像处理方法的流程图。如图4所示,所述方法还包括:
在步骤S17中,通过包括多个第二样本图像的第三训练集对所述分割网络进行训练,其中,所述第二样本图像具有目标区域和背景区域的标注。
在一种可能的实现方式中,所述第二样本图像为真实获取的图像,例如,获取的人脑的弥散加权成像,并且,在第二样本图像中可包括对目标区域和背景区域的标注。
在一种可能的实现方式中,可将任一第二样本图像输入分割网络,获取第二样本图像的各像素点属于目标区域的样本目标概率和属于背景区域的样本背景概率,样本目标概率和样本背景概率均为分割网络的输出结果,可能存在误差。
在一种可能的实现方式中,可根据样本目标概率和样本背景概率确定第二样本图像中的样本背景区域和样本目标区域。并可根据样本背景区域和样本目标区域以及目标区域和背景区域的标注之间的误差来确定分割网络的网络损失。在示例中,可根据以下公式(2)来确定分割网络的网络损失:
Ls=W2*CE-log(GD) (2)
其中,Ls为分割网络的网络损失,CE为分割网络的交叉熵损失,可根据样本目标概率和样本背景概率以及标注信息确定分割网络的交叉熵损失。W2为第二权重系数矩阵,在所述标注信息中,目标区域中的像素点的权重可比背景区域的像素点的权重更大,通过目标区域和背景区域的符号距离函数可确定第二权重系数矩阵W2。通过第二权重系数矩阵W2可增大目标区域的权重,有效地降低交叉熵损失,提高训练速度。所述样本目标区域可包括第一样本目标区域(例如,分割网络确定的病变核心区域)和第二样本目标区域(例如,分割网络确定的半暗带区域),GD(Generalize Dice)为第一样本目标区域和第二样本目标区域的重合程度,所述重合程度可用重合的像素点的数量或占比来确定,例如,某像素点属于第一样本目标区域的第一样本目标概率和属于第二样本目标区域的第二样本目标概率接近(例如,第一样本目标概率与第二样本目标概率之间的差小于阈值),可认为在该像素点处第一样本目标区域和第二样本目标区域重合。根据重合程度GD,可平衡样本背景区域和样本目标区域之间的梯度比。
在一种可能的实现方式中,可根据分割网络的网络损失对分割网络进行调整,并在所述分割网络满足训练条件时,获得训练后的分割网络。在示例中,可以以网络损失最小化的方向来调整分割网络的网络参数。所述训练条件可以是调整次数,可将分割网络的网络参数值调整预定次数。在示例中,训练条件可以是网络损失的大小或敛散性,可在网络损失降低到一定程度或收敛于一定阈值内时,停止调整,获得调整后的分割网络。在调整的过程中,可使用设定的学习率将网络损失进行反向梯度传播,从而对分割网络的网络参数进行调整,在调整完成后,可将训练后的分割网络用于确定所述待分割图像中的目标区域和背景区域的过程中。
在一种可能的实现方式中,可在使用所述提取网络、生成网络和分割网络之前,可使用提取网络、生成网络和分割网络的综合网络损失来调整提取网络、生成网络和分割网络的网络参数,使提取网络、生成网络和分割网络能够同时有效。
在示例中,可通过以下公式(3)确定所述综合网络损失:
L=αL1+βLg+γLs (3)
其中,L为所述综合网络损失,L1为提取网络的网络损失,Lg为生成网络的网络损失,Ls为分割网络的网络损失,α为L1的权重,在示例中,α=2,β为Lg的权重,在示例中,β=0.002,γ为Ls的权重,在示例中,γ=1。本申请对各个权重的具体取值不作限制。
在一种可能的实现方式中,可根据综合网络损失同时调整提取网络、生成网络和分割网络的网络损失,并可在综合网络损失降低到一定程度或收敛于一定阈值内时,或者训练次数达到预定次数时,完成训练。在训练中,学习率可被设置为0.0002×1.1x(x为调整的次数),并可在调整次数达到30次、300次和500次中的至少一种时,将学习速率减半。
根据本申请的实施例的图像处理方法,可在待处理图像序列中筛选出目标图像序列,减少时间信息的噪声干扰,降低特征提取处理的计算量,提高特征提取处理的效果。并且,由于减少了噪声干扰,可提高目标区域的识别精度,即,提高对分割图像进行分割处理的处理精度。进一步地,通过判别网络来确定生成网络的性能,可加快生成网络的训练速度,提高生成网络的鲁棒性,从而可生成高质量的带分割图像,提高对目标区域和背景区域的识别的准确率。
图5示出根据本申请实施例的图像处理方法的应用示意图,如图5所示,待处理图像序列可以是灌注加权成像(PWI)序列,可针对人脑获取多个时刻的灌注加权成像序列,并根据灌注加权成像序列中各灌注加权成像的灌注参数,获得PWI目标图像序列。例如,通过灌注参数,可在灌注加权成像序列中筛选出7个灌注加权成像,组成PWI目标图像序列。
在一种可能的实现方式中,可将PWI目标图像序列输入提取网络进行处理,获得PWI目标图像序列的特征图。进一步地,可根据PWI目标图像序列获得目标图像序列的弥散系数峰值图,还可根据待处理图像序列,获得待处理图像序列的弥散系数峰值图,以及脑血容量图(CBV)、脑血流量图(CBF)、平均通过时间图(MTT)、峰值时间图(Tmax)。
在一种可能的实现方式中,可将所述特征图、目标图像序列的弥散系数峰值图、待处理图像序列的弥散系数峰值图、脑血容量图(CBV)、脑血流量图(CBF)、平均通过时间图(MTT)以及峰值时间图(Tmax)输入生成网络进行处理,生成网络可生成弥散加权成像(DWI),即,获得生成的DWI,生成的DWI图像与真实的DWI图像一致,例如,生成的DWI图像与真实的DWI中各像素点的结构、形态、尺寸、色度值、亮度值、灰度值等参数一致。
在一种可能的实现方式中,可将生成的DWI输入分割网络进行处理,可获得生成的DWI的各像素点属于病变核心区域的第一目标概率、属于半暗带区域的第二目标区域以及属于背景区域的背景概率,可根据第一目标概率、第二目标区域和背景概率确定病变核心区域、半暗带区域和背景区域的位置,即,将生成的DWI分割为病变核心区域、半暗带区域和背景区域。
图6示出根据本申请实施例的图像处理装置的框图,如图6所示,所述装置包括:
筛选模块11,用于对待处理图像序列进行筛选,确定目标图像序列;
提取模块12,用于对目标图像序列进行特征提取,获得所述目标图像序列的特征图;
确定模块13,用于根据所述特征图、所述目标图像序列和所述待处理图像序列,确定待分割图像;
分割模块14,用于对所述待分割图像进行区域分割处理,确定所述待分割图像的目标区域。
在一种可能的实现方式中,所述筛选模块被进一步配置为:
获取所述待处理图像序列中的多个待处理图像的灌注参数;
根据所述多个待处理图像的灌注参数,获得所述目标图像序列。
在一种可能的实现方式中,所述筛选模块被进一步配置为:
根据所述多个待处理图像的灌注参数以及所述多个待处理图像的扫描时间点,确定所述灌注参数的最大值对应的目标时间点;
根据所述目标时间点,确定目标时间区间,所述目标时间点处于所述目标时间区间内;
从所述目标时间区间内的多个待处理图像中确定出所述目标图像序列。
在一种可能的实现方式中,所述筛选模块被进一步配置为:
根据所述多个待处理图像的灌注参数和时间戳,确定所述灌注参数与时间的第一关系曲线;
对所述第一关系曲线进行平滑处理,获得第二关系曲线;
根据所述第二关系曲线,从所述多个待处理图像中确定出所述目标图像序列。
在一种可能的实现方式中,所述确定模块被进一步配置为:
根据所述目标图像序列,确定一个或多个第一特征图像;
根据所述待处理图像序列,确定一个或多个第二特征图像;
将所述第一特征图像、第二特征图像和所述特征图输入生成网络进行图像生成处理,获得所述待分割图像。
在一种可能的实现方式中,所述待处理图像序列为在多个时刻获得的灌注加权成像组成的图像序列,
所述第一特征图像包括目标图像序列的弥散系数峰值图;
所述第二特征图像包括脑血容量图、脑血流量图、平均通过时间图、峰值时间图、待处理图像序列的弥散系数峰值图中的至少一种。
在一种可能的实现方式中,所述分割模块被进一步配置为:
将所述待分割图像输入分割网络进行处理,获得所述待分割图像中的各像素点属于目标区域的目标概率以及属于背景区域的背景概率;
根据所述目标概率和所述背景概率,确定所述待分割图像中的目标区域和背景区域。
在一种可能的实现方式中,所述提取模块被进一步配置为:
将目标图像序列输入提取网络进行特征提取处理,获得所述目标图像序列的特征图。
图7示出根据本申请实施例的图像处理装置的框图,如图7所示,所述装置还包括:
第一训练模块15,用于通过包括多个待处理样本图像的第一训练集对所述提取网络进行训练,其中,所述待处理样本图像具有目标区域和背景区域的标注。
在一种可能的实现方式中,所述装置还包括:
第二训练模块15,用于通过包括多个第一样本特征图像、多个第二样本特征图像、多个样本特征图和多个第一样本图像的第二训练集以及判别网络对所述生成网络进行训练,其中,所述判别网络用于确定图像的真实性判别结果,所述真实性判别结果包括真实图像或生成图像。
在一种可能的实现方式中,所述第二训练模块被进一步配置为:
将所述第一样本特征图像、所述第二样本特征图像和所述样本特征图输入所述生成网络,获得样本输出图像;
将所述样本输出图像以及第一样本图像输入所述判别网络,获得所述样本输出图像的真实性判别结果;
响应于所述样本输出图像的真实性判别结果为生成图像的情况下,根据所述第一样本图像和所述样本输出图像确定所述生成网络的网络损失;
根据所述网络损失,对所述生成网络的网络参数进行调整,获得调整后的生成网络。
在一种可能的实现方式中,所述第二训练模块被进一步配置为:
响应于所述样本输出图像的真实性判别结果为真实图像的情况下,将所述调整后的生成网络确定为训练后的生成网络。
在一种可能的实现方式中,所述装置还包括:
第三训练模块17,用于通过包括多个第二样本图像的第三训练集对所述分割网络进行训练,其中,所述第二样本图像具有目标区域和背景区域的标注。
在一种可能的实现方式中,所述待处理图像序列为在多个时刻获得的灌注加权成像组成的图像序列,所述目标区域包括第一目标区域和第二目标区域,其中,所述第一目标区域为病变核心区域,所述第二目标区域为半暗带区域。
可以理解,本申请提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本申请不再赘述。
此外,本申请还提供了关键点检测装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本申请提供的任一种关键点检测方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
在一些实施例中,本申请实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述
本申请实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本申请实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图8是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图8,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图9是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图9,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本申请可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本申请的各个方面。
这里参照根据本申请实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (26)
1.一种图像处理方法,其特征在于,所述方法包括:
对待处理图像序列进行筛选,确定目标图像序列;
对目标图像序列进行特征提取,获得所述目标图像序列的特征图;
根据所述特征图、所述目标图像序列和所述待处理图像序列,确定待分割图像;
对所述待分割图像进行区域分割处理,确定所述待分割图像的目标区域;
其中,根据所述特征图、所述目标图像序列和所述待处理图像序列,确定待分割图像,包括:
根据所述目标图像序列,确定一个或多个第一特征图像;
根据所述待处理图像序列,确定一个或多个第二特征图像;
将所述第一特征图像、第二特征图像和所述特征图输入生成网络进行图像生成处理,获得所述待分割图像,
其中,所述待处理图像序列为在多个时刻获得的灌注加权成像组成的图像序列,
所述第一特征图像包括目标图像序列的弥散系数峰值图;
所述第二特征图像包括脑血容量图、脑血流量图、平均通过时间图、峰值时间图、待处理图像序列的弥散系数峰值图中的至少一种。
2.根据权利要求1所述的方法,其特征在于,对待处理图像序列进行筛选,确定目标图像序列,包括:
获取所述待处理图像序列中的多个待处理图像的灌注参数;
根据所述多个待处理图像的灌注参数,获得所述目标图像序列。
3.根据权利要求2所述的方法,其特征在于,根据所述多个待处理图像的灌注参数,获得所述目标图像序列,包括:
根据所述多个待处理图像的灌注参数以及所述多个待处理图像的扫描时间点,确定所述灌注参数的最大值对应的目标时间点;
根据所述目标时间点,确定目标时间区间,所述目标时间点处于所述目标时间区间内;
从所述目标时间区间内的多个待处理图像中确定出所述目标图像序列。
4.根据权利要求2所述的方法,其特征在于,根据所述多个待处理图像的灌注参数,获得所述目标图像序列,包括:
根据所述多个待处理图像的灌注参数和时间戳,确定所述灌注参数与时间的第一关系曲线;
对所述第一关系曲线进行平滑处理,获得第二关系曲线;
根据所述第二关系曲线,从所述多个待处理图像中确定出所述目标图像序列。
5.根据权利要求1所述的方法,其特征在于,对所述待分割图像进行区域分割处理,确定所述待分割图像的目标区域,包括:
将所述待分割图像输入分割网络进行处理,获得所述待分割图像中的各像素点属于目标区域的目标概率以及属于背景区域的背景概率;
根据所述目标概率和所述背景概率,确定所述待分割图像中的目标区域和背景区域。
6.根据权利要求1所述的方法,其特征在于,所述对目标图像序列进行特征提取,获得所述目标图像序列的特征图,包括:
将目标图像序列输入提取网络进行特征提取处理,获得所述目标图像序列的特征图。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
通过包括多个待处理样本图像的第一训练集对所述提取网络进行训练,其中,所述待处理样本图像具有目标区域和背景区域的标注。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
通过包括多个第一样本特征图像、多个第二样本特征图像、多个样本特征图和多个第一样本图像的第二训练集以及判别网络对所述生成网络进行训练,其中,所述判别网络用于确定图像的真实性判别结果,所述真实性判别结果包括真实图像或生成图像。
9.根据权利要求8所述的方法,其特征在于,通过包括多个第一样本特征图像、多个第二样本特征图像、多个样本特征图和多个第一样本图像的第二训练集以及判别网络对所述生成网络进行训练,包括:
将所述第一样本特征图像、所述第二样本特征图像和所述样本特征图输入所述生成网络,获得样本输出图像;
将所述样本输出图像以及第一样本图像输入所述判别网络,获得所述样本输出图像的真实性判别结果;
响应于所述样本输出图像的真实性判别结果为生成图像的情况下,根据所述第一样本图像和所述样本输出图像确定所述生成网络的网络损失;
根据所述网络损失,对所述生成网络的网络参数进行调整,获得调整后的生成网络。
10.根据权利要求9所述的方法,其特征在于,所述将所述样本输出图像以及第一样本图像输入所述判别网络,获得所述样本输出图像的真实性判别结果之后,还包括:
响应于所述样本输出图像的真实性判别结果为真实图像的情况下,将所述调整后的生成网络确定为训练后的生成网络。
11.根据权利要求5所述的方法,其特征在于,所述方法还包括:
通过包括多个第二样本图像的第三训练集对所述分割网络进行训练,其中,所述第二样本图像具有目标区域和背景区域的标注。
12.根据权利要求1所述的方法,其特征在于,所述待处理图像序列为在多个时刻获得的灌注加权成像组成的图像序列,所述目标区域包括第一目标区域和第二目标区域,其中,所述第一目标区域为病变核心区域,所述第二目标区域为半暗带区域。
13.一种图像处理装置,其特征在于,所述装置包括:
筛选模块,用于对待处理图像序列进行筛选,确定目标图像序列;
提取模块,用于对目标图像序列进行特征提取,获得所述目标图像序列的特征图;
确定模块,用于根据所述特征图、所述目标图像序列和所述待处理图像序列,确定待分割图像;
分割模块,用于对所述待分割图像进行区域分割处理,确定所述待分割图像的目标区域;
其中,所述确定模块被进一步配置为:
根据所述目标图像序列,确定一个或多个第一特征图像;
根据所述待处理图像序列,确定一个或多个第二特征图像;
将所述第一特征图像、第二特征图像和所述特征图输入生成网络进行图像生成处理,获得所述待分割图像,
其中,所述待处理图像序列为在多个时刻获得的灌注加权成像组成的图像序列,
所述第一特征图像包括目标图像序列的弥散系数峰值图;
所述第二特征图像包括脑血容量图、脑血流量图、平均通过时间图、峰值时间图、待处理图像序列的弥散系数峰值图中的至少一种。
14.根据权利要求13所述的装置,其特征在于,所述筛选模块被进一步配置为:
获取所述待处理图像序列中的多个待处理图像的灌注参数;
根据所述多个待处理图像的灌注参数,获得所述目标图像序列。
15.根据权利要求14所述的装置,其特征在于,所述筛选模块被进一步配置为:
根据所述多个待处理图像的灌注参数以及所述多个待处理图像的扫描时间点,确定所述灌注参数的最大值对应的目标时间点;
根据所述目标时间点,确定目标时间区间,所述目标时间点处于所述目标时间区间内;
从所述目标时间区间内的多个待处理图像中确定出所述目标图像序列。
16.根据权利要求14所述的装置,其特征在于,所述筛选模块被进一步配置为:
根据所述多个待处理图像的灌注参数和时间戳,确定所述灌注参数与时间的第一关系曲线;
对所述第一关系曲线进行平滑处理,获得第二关系曲线;
根据所述第二关系曲线,从所述多个待处理图像中确定出所述目标图像序列。
17.根据权利要求13所述的装置,其特征在于,所述分割模块被进一步配置为:
将所述待分割图像输入分割网络进行处理,获得所述待分割图像中的各像素点属于目标区域的目标概率以及属于背景区域的背景概率;
根据所述目标概率和所述背景概率,确定所述待分割图像中的目标区域和背景区域。
18.根据权利要求13所述的装置,其特征在于,所述提取模块被进一步配置为:
将目标图像序列输入提取网络进行特征提取处理,获得所述目标图像序列的特征图。
19.根据权利要求18所述的装置,其特征在于,所述装置还包括:
第一训练模块,用于通过包括多个待处理样本图像的第一训练集对所述提取网络进行训练,其中,所述待处理样本图像具有目标区域和背景区域的标注。
20.根据权利要求13所述的装置,其特征在于,所述装置还包括:
第二训练模块,用于通过包括多个第一样本特征图像、多个第二样本特征图像、多个样本特征图和多个第一样本图像的第二训练集以及判别网络对所述生成网络进行训练,其中,所述判别网络用于确定图像的真实性判别结果,所述真实性判别结果包括真实图像或生成图像。
21.根据权利要求20所述的装置,其特征在于,所述第二训练模块被进一步配置为:
将所述第一样本特征图像、所述第二样本特征图像和所述样本特征图输入所述生成网络,获得样本输出图像;
将所述样本输出图像以及第一样本图像输入所述判别网络,获得所述样本输出图像的真实性判别结果;
响应于所述样本输出图像的真实性判别结果为生成图像的情况下,根据所述第一样本图像和所述样本输出图像确定所述生成网络的网络损失;
根据所述网络损失,对所述生成网络的网络参数进行调整,获得调整后的生成网络。
22.根据权利要求21所述的装置,其特征在于,所述第二训练模块被进一步配置为:
响应于所述样本输出图像的真实性判别结果为真实图像的情况下,将所述调整后的生成网络确定为训练后的生成网络。
23.根据权利要求17所述的装置,其特征在于,所述装置还包括:
第三训练模块,用于通过包括多个第二样本图像的第三训练集对所述分割网络进行训练,其中,所述第二样本图像具有目标区域和背景区域的标注。
24.根据权利要求13所述的装置,其特征在于,所述待处理图像序列为在多个时刻获得的灌注加权成像组成的图像序列,所述目标区域包括第一目标区域和第二目标区域,其中,所述第一目标区域为病变核心区域,所述第二目标区域为半暗带区域。
25.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至12中任意一项所述的方法。
26.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至12中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811535357.4A CN109658401B (zh) | 2018-12-14 | 2018-12-14 | 图像处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811535357.4A CN109658401B (zh) | 2018-12-14 | 2018-12-14 | 图像处理方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109658401A CN109658401A (zh) | 2019-04-19 |
CN109658401B true CN109658401B (zh) | 2022-04-29 |
Family
ID=66114266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811535357.4A Active CN109658401B (zh) | 2018-12-14 | 2018-12-14 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109658401B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287817B (zh) * | 2019-06-05 | 2021-09-21 | 北京字节跳动网络技术有限公司 | 目标识别及目标识别模型的训练方法、装置和电子设备 |
CN110490878A (zh) * | 2019-07-29 | 2019-11-22 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110717522A (zh) * | 2019-09-18 | 2020-01-21 | 平安科技(深圳)有限公司 | 图像分类网络的对抗防御方法及相关装置 |
CN110853111B (zh) * | 2019-11-05 | 2020-09-11 | 上海杏脉信息科技有限公司 | 医学影像处理系统、模型训练方法及训练装置 |
CN112926610A (zh) * | 2019-12-06 | 2021-06-08 | 顺丰科技有限公司 | 车牌图像筛选模型的构建方法与车牌图像筛选方法 |
CN111340775B (zh) * | 2020-02-25 | 2023-09-29 | 湖南大学 | 超声标准切面获取的并行方法、装置和计算机设备 |
CN111639652A (zh) * | 2020-04-28 | 2020-09-08 | 博泰车联网(南京)有限公司 | 一种图像处理方法、装置及计算机存储介质 |
CN112200022A (zh) * | 2020-09-23 | 2021-01-08 | 上海联影医疗科技股份有限公司 | 图像处理方法、医疗成像设备和存储介质 |
CN112749801A (zh) * | 2021-01-22 | 2021-05-04 | 上海商汤智能科技有限公司 | 神经网络训练和图像处理方法及装置 |
CN113034438B (zh) * | 2021-03-01 | 2021-11-23 | 北京安德医智科技有限公司 | 一种ct灌注参数预测方法及装置、电子设备和存储介质 |
CN112862916B (zh) * | 2021-03-11 | 2021-09-10 | 首都医科大学附属北京天坛医院 | Ct灌注功能图量化参数处理设备及方法 |
CN113344807A (zh) * | 2021-05-26 | 2021-09-03 | 商汤集团有限公司 | 图像修复方法及装置、电子设备及存储介质 |
CN113298831B (zh) * | 2021-06-30 | 2022-03-29 | 上海联影医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8355579B2 (en) * | 2009-05-20 | 2013-01-15 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Automatic extraction of planetary image features |
CN105389810A (zh) * | 2015-10-28 | 2016-03-09 | 清华大学 | 血管内斑块的识别系统及方法 |
CN105590324A (zh) * | 2016-02-03 | 2016-05-18 | 上海联影医疗科技有限公司 | 医学图像的分割方法及其装置 |
CN107301645A (zh) * | 2017-06-20 | 2017-10-27 | 上海联影医疗科技有限公司 | 一种数据处理方法和装置 |
CN107704857A (zh) * | 2017-09-25 | 2018-02-16 | 北京邮电大学 | 一种端到端的轻量级车牌识别方法及装置 |
CN108876791A (zh) * | 2017-10-23 | 2018-11-23 | 北京旷视科技有限公司 | 图像处理方法、装置和系统及存储介质 |
CN108932716A (zh) * | 2017-05-26 | 2018-12-04 | 无锡时代天使医疗器械科技有限公司 | 用于牙齿图像的图像分割方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009042129A1 (de) * | 2008-12-22 | 2010-07-22 | Siemens Aktiengesellschaft | Verfahren zur Unterscheidung von grauer und weißer Hirnsubstanz und CT-System zur Durchführung des Verfahrens |
US9655522B2 (en) * | 2014-10-10 | 2017-05-23 | Cedars-Sinai Medical Center | Method and system for “push-button” comprehensive cardiac MR examination using continuous self-gated 3D radial imaging |
CN108875732B (zh) * | 2018-01-11 | 2022-07-12 | 北京旷视科技有限公司 | 模型训练与实例分割方法、装置和系统及存储介质 |
-
2018
- 2018-12-14 CN CN201811535357.4A patent/CN109658401B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8355579B2 (en) * | 2009-05-20 | 2013-01-15 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Automatic extraction of planetary image features |
CN105389810A (zh) * | 2015-10-28 | 2016-03-09 | 清华大学 | 血管内斑块的识别系统及方法 |
CN105590324A (zh) * | 2016-02-03 | 2016-05-18 | 上海联影医疗科技有限公司 | 医学图像的分割方法及其装置 |
CN108932716A (zh) * | 2017-05-26 | 2018-12-04 | 无锡时代天使医疗器械科技有限公司 | 用于牙齿图像的图像分割方法 |
CN107301645A (zh) * | 2017-06-20 | 2017-10-27 | 上海联影医疗科技有限公司 | 一种数据处理方法和装置 |
CN107704857A (zh) * | 2017-09-25 | 2018-02-16 | 北京邮电大学 | 一种端到端的轻量级车牌识别方法及装置 |
CN108876791A (zh) * | 2017-10-23 | 2018-11-23 | 北京旷视科技有限公司 | 图像处理方法、装置和系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109658401A (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109658401B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110084775B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US11532180B2 (en) | Image processing method and device and storage medium | |
EP3770847A1 (en) | Method and device for processing image, and storage medium | |
CN109871883B (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
US20210042474A1 (en) | Method for text recognition, electronic device and storage medium | |
CN111310616B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109522910B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN109544560B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US20210097715A1 (en) | Image generation method and device, electronic device and storage medium | |
WO2022134382A1 (zh) | 图像分割方法及装置、电子设备和存储介质、计算机程序 | |
CN107944447B (zh) | 图像分类方法及装置 | |
WO2016011745A1 (zh) | 图像分割方法、装置及设备 | |
CN110458218B (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
CN109934275B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN107798654B (zh) | 图像磨皮方法及装置、存储介质 | |
CN110889469A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111243011A (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN107944367B (zh) | 人脸关键点检测方法及装置 | |
CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
CN105528765B (zh) | 处理图像的方法及装置 | |
CN106557759B (zh) | 一种标志牌信息获取方法及装置 | |
WO2019205605A1 (zh) | 人脸特征点的定位方法及装置 | |
CN109255784B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109784164B (zh) | 前景识别方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |