CN110223289A - 一种图像处理方法和系统 - Google Patents
一种图像处理方法和系统 Download PDFInfo
- Publication number
- CN110223289A CN110223289A CN201910522844.5A CN201910522844A CN110223289A CN 110223289 A CN110223289 A CN 110223289A CN 201910522844 A CN201910522844 A CN 201910522844A CN 110223289 A CN110223289 A CN 110223289A
- Authority
- CN
- China
- Prior art keywords
- image
- image processing
- focal area
- lesion type
- lesion
- 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.)
- Pending
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请实施例公开了一种图像处理方法和系统。所述图像处理方法在计算设备上实施,所述计算设备包括至少一个处理器,所述图像处理方法包括:所述至少一个处理器确定图像中的病灶类型,其中,所述图像为医疗影像设备获取的目标对象的图像,每个所述图像包括至少一个病灶或者一个病灶的一部分;所述至少一个处理器基于所述病灶类型确定图像处理步骤;所述至少一个处理器根据所述图像处理步骤对所述图像进行处理。
Description
技术领域
本申请涉及医疗影像处理领域,特别涉及一种图像处理方法和系统。
背景技术
随着医疗科技水平的提高和患者需求的发展,为了准确检测患者体内的病灶,医务人员可以对患者进行全身或局部扫描,并根据扫描结果确定诊断结果、治疗方案。扫描获得的图像(医疗影像)通常会进行一系列特定的图像处理,以方便医务人员诊断。
发明内容
本申请实施例之一提供一种图像处理方法,所述图像处理方法在计算设备上实施,所述计算设备包括至少一个处理器,所述图像处理方法包括:所述至少一个处理器确定图像中的病灶类型,其中,所述图像为医疗影像设备获取的目标对象的图像,每个所述图像包括至少一个病灶或者一个病灶的一部分;所述至少一个处理器基于所述病灶类型确定图像处理步骤;所述至少一个处理器根据所述图像处理步骤对所述图像进行处理。
在一些实施例中,所述确定图像中的病灶类型包括:利用训练好的病灶类型识别模型确定图像中的病灶类型。
在一些实施例中,所述确定图像中的病灶类型包括:基于用户对所述图像的病灶类型判断信息,确定所述图像中的所述病灶类型。
在一些实施例中,所述图像处理方法还包括:所述至少一个处理器确定所述图像中的病灶区域。
在一些实施例中,所述确定图像中的病灶区域包括:利用训练好的病灶区域识别模型确定图像中的病灶区域。
在一些实施例中,所述利用所述图像处理步骤对所述图像进行处理包括:根据所述图像处理步骤对所述图像中病灶区域进行处理。
在一些实施例中,所述图像处理方法还包括:所述至少一个处理器对所述图像处理步骤处理后的所述图像中的所述病灶区域进行提示,所述提示的方式包括以下中的一种或者多种的组合:突出显示所述病灶区域、放大显示所述病灶区域、圈选显示所述病灶区域、利用提示标识提示所述病灶区域。
在一些实施例中,所述图像处理步骤包括以下中的一种或者多种的组合:降噪、增强、组织均衡、厚度均衡、LUT变换。
在一些实施例中,所述图像处理方法还包括:所述至少一个处理器对所述图像进行预处理和/或后处理;所述预处理和/或后处理包括以下处理方式中的至少一种:增强处理、插值处理、形态学处理、噪声去除。
本申请实施例之一提供一种图像处理系统,包括:病灶类型确定模块、图像处理步骤确定模块和图像处理模块;所述病灶类型确定模块用于确定图像中的病灶类型,其中,所述图像为医疗影像设备获取的目标对象的图像,每个所述图像包括至少一个病灶或者一个病灶的一部分;所述图像处理步骤确定模块用于基于所述病灶类型确定图像处理步骤;所述图像处理模块用于根据所述图像处理步骤对所述图像进行处理。
在一些实施例中,所述图像处理系统还包括病灶区域确定模块;所述病灶区域确定模块用于确定所述图像中的病灶区域。
在一些实施例中,所述图像处理模块用于:根据所述图像处理步骤对所述图像中病灶区域进行处理。
本申请实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取所述存储介质中的所述计算机指令后,所述计算机执行如本申请任一实施例所述的图像处理方法。
附图说明
本申请将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本申请一些实施例所示的图像处理方法的示例性流程图;
图2是根据本申请一些实施例所示的图像处理系统的模块图;
图3是根据本申请一些实施例所示的病灶类型和/或病灶区域识别模型训练方法的示例性流程图;
图4是根据本申请一些实施例所示的图像处理方法的示例性流程图;
图5-6是根据本申请一些实施例所示的样本图像标注的对比图;
图7-8是根据本申请又一些实施例所示的样本图像标注的对比图;
图9-10是根据本申请一些实施例所示的图像处理方法的应用效果对比图;
图11-12是根据本申请又一些实施例所示的图像处理方法的应用效果对比图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本申请一些实施例所示的图像处理方法的示例性流程图。图像处理方法100可以由图像处理系统200执行。如图1所示,该图像处理方法100可以包括:
步骤110,获取图像。在此步骤中,图像处理系统200可以获取一幅或多幅图像。
在一些实施例中,图像处理系统200可以包括医疗影像设备。该医疗影像设备可以通过扫描目标对象以获得图像(即医疗影像)。医疗影像设备可以包括但不限于X光成像设备、CT成像设备、PET成像设备、MRI成像设备、超声成像设备等。其中,超声成像设备可以包括B超(B-scan ultrasonography)设备、彩色多普勒超声设备、心脏彩超设备、三维彩超设备等。目标对象可以包括头部、胸腔、手臂、手掌、大腿、小腿等一个或多个部位。所获取的图像可以包括但不限于X光图像、CT图像、PET图像、MRI图像、超声图像等。
在一些实施例中,图像处理系统200可以获取已有的图像。例如,图像处理系统200中可以包括存储设备,系统可以从该存储设备中获取(如读取)图像。又例如,图像处理系统200可以从外部存储设备(或云端)获取图像。再例如,图像处理系统200可以通过接口获取图像。接口可以包括程序接口、数据接口、传输接口等。又例如,图像处理系统200可以被外部其他设备或系统调用,在调用时图像被传递给图像处理系统200。
在一些实施例中,图像可以是二维图像或三维图像。图像的格式可以是数字格式,包括但不限于Joint Photographic Experts Group(JPEG)图像格式、TIFF图像格式、GIF图像格式、FPX图像格式、DICOM图像格式等。图像也可以是其他格式。
步骤120,对图像进行预处理。在此步骤中,图像处理系统200可以对图像进行整体预处理。
在一些实施例中,预处理可以包括但不限于增强处理、插值处理、形态学处理、噪声去除等中的一种或几种的组合。例如,预处理可以为增强处理,增强处理可以突出原始图像中某些结构或区域。增强处理可以包括直方图均衡算法、小波变换图像增强算法、偏微分方程图像增强算法、海森矩阵增强算法等中的一种或几种的组合。又例如,预处理可以为插值处理,插值处理可以使原始图像中体素大小均匀。又例如,预处理可以为形态学处理,形态学处理可以采用具有形态结构的元素去处理原始图像中的形状以达到分析和识别目标的目的。形态学处理方法可以包括但不限于膨胀、腐蚀、开运算、闭运算等中的一种或几种的组合。再例如,预处理可以包括噪声去除,噪声去除可以去除原始图像中由于机器噪声、目标运动等带来的干扰。噪声去除可以包括但不限于中值滤波、均值滤波等中的一种或几种的组合。在一些实施例中,预处理还可以包括其他任意合理的处理步骤,本申请对此不做限制。
步骤130,确定图像中的病灶类型。具体的,步骤130可以由图像处理系统200(如病灶类型确定模块210)执行。
病灶是指机体上发生病变的部位。例如,病灶可以包括头、胸、手臂、手掌、大腿、小腿、肝脏、肾脏等部位。在一些实施例中,病灶类型可以用于表示疾病可能发生的部位及该疾病的分类。例如,病灶类型可以包括乳腺癌、乳腺钙化、食道癌、淋巴癌、子宫肌瘤、脑肿瘤、胃出血、腿骨骨折、气胸等。在一些替代性实施例中,病灶类型也可以仅用于表示疾病的分类。例如,病灶类型可以包括骨折、癌症、肿瘤、炎症、出血等。在一些实施例中,病灶类型可以根据疾病的具体情况进一步细分。例如,可以将肿瘤分为良性肿瘤、恶性肿瘤等。在一些实施例中,病灶类型可以根据疾病的不同阶段进一步细分。例如,肿瘤可以进一步细分为早期肿瘤、晚期肿瘤等。
在一些实施例中,当图像中没有病灶时,病灶类型确定模块210可以确定图像中无病灶。例如,病灶类型确定模块210可以利用训练好的病灶类型识别模型101确定图像中无病灶。对于无病灶的图像可以不进行后续处理步骤。以下主要针对图像中包括至少一个病灶或者一个病灶的一部分的情况进行讨论。
在一些实施例中,病灶类型确定模块210可以利用训练好的病灶类型识别模型101确定图像中的病灶类型。病灶类型识别模型可以包括机器学习模型。例如,病灶类型识别模型101可以包括但不限于卷积神经网络(CNN,Convolutional Neural Networks)、循环神经网络(RNN,Recurrent Neural Network)、RCNN(regions with CNN)、Fast-RCNN、BP神经网络、K近邻算法(KNN)、支持向量机(SVM)等中的一种或其任意组合。在一些实施例中,病灶类型确定模块210可以利用训练好的病灶类型识别模型101确定一张图像中的两种或多种病灶类型。在此情况下,病灶类型识别模型101不仅能够确定出图像中的病灶类型,而且能够确定出各个病灶类型所对应的病灶区域。关于病灶类型识别模型的更多细节可以参见图3及其相关描述。在一些实施例中,对于一张图像或一片特定区域,病灶类型确定模块210可以仅确定其对应特定的一种病灶类型。在一些替代性实施例中,对于一张图像或一片特定区域,病灶类型确定模块210可以确定多种病灶类型以及每种病灶类型的概率。例如,对于某肿瘤图像,病灶类型确定模块210可以确定该图像的病灶类型为:良性肿瘤75%;恶性肿瘤25%。
在一些替代性实施例中,病灶类型确定模块210也可以基于用户(如医务人员)对图像的病灶类型判断信息,确定图像中的病灶类型。在一些实施例中,用户可以通过操作终端/人机交互界面输入病灶类型判断信息。具体的,用户输入判断结果的方式可以包括但不限于语音输入、文字输入、鼠标选择输入、触摸屏输入等。
在一些实施例中,病灶类型确定模块210可以首先利用训练好的病灶类型识别模型确定图像中的初步病灶类型,并将该初步病灶类型的信息发送给用户确认(如展示、播报等)。用户可以对该初步病灶类型进行确认或是重新输入/选择,从而确定最终的病灶类型。通过模型识别与人工判断结合的方式,可以提升病灶类型判断的效率及准确率。在一些实施例中,基于用户对图像的判断确定图像中的病灶类型,还可以防止系统故障或者通过病灶类型识别模型无法识别出病灶类型的情况。
在一些实施例中,当图像处理系统200对图像进行了一次处理(如已经执行了步骤110-170),但是用户对处理完的图像质量不够满意时(例如,可能由于病灶类型判断错误导致处理不好),用户可以向系统反馈并使系统对图像进行二次处理(或重新对原图像进行处理)。在对图像进行二次处理(或重新对原图像进行处理)时,病灶类型确定模块210可以基于用户对图像的病灶类型判断信息,确定图像中的病灶类型。
步骤135,确定图像中的病灶区域。具体的,步骤135可以由图像处理系统200(如病灶区域确定模块240)执行。在一些实施例中,病灶区域可以用于反映病灶在图像中所处的区域。病灶区域可以是规则或者不规则的区域。
在一些实施例中,病灶区域确定模块240可以利用训练好的病灶区域识别模型102确定图像中的病灶区域。在一些实施例中,病灶区域识别模型102可以包括机器学习模型。例如,病灶区域识别模型102可以包括但不限于CNN、RNN、RCNN、Fast-RCNN、BP神经网络、KNN、SVM等中的一种或其任意组合。在一些实施例中,病灶区域确定模块240可以利用训练好的病灶区域识别模型102确定一张图像中的两个或多个病灶区域。在此情况下,病灶区域识别模型102不仅能够确定出图像中的病灶区域,而且能够确定出各个病灶区域所对应的病灶类型。关于病灶区域识别模型102的更多细节可以参见图3及其相关描述。
在一些实施例中,病灶区域确定模块240也可以采用其他方式(如基于规则)确定图像中的病灶区域。例如,病灶区域确定模块240可以基于图像各部分的颜色、灰度、形状、纹理等一种或多种图像特征确定图像中的病灶区域。在一些实施例中,图像中可以仅包含一个病灶区域。在一些替代性实施例中,图像中也可以包含两个或以上病灶区域。当图像中包含两个或以上病灶区域时,病灶区域确定模块240可以分别确定出图像中的各个病灶区域。
在一些替代性实施例中,病灶区域确定模块240也可以基于用户(如医务人员)对图像的病灶区域判断信息,确定图像中的病灶区域。在一些实施例中,用户可以通过操作终端/人机交互界面在图像中标注病灶区域以表达其对病灶区域的判断。具体的,病灶区域确定模块240可以通过多种方式获取用户对病灶区域的标注信息。例如,病灶区域确定模块240可以基于用户的鼠标操作选择区域,可以基于用户的键盘操作光标选择标注区域,可以基于用户的触控笔或感应笔选择区域,可以基于用户的触控操作选择标注区域,可以基于用户的手势操作选择标注区域,可以基于用户的语音操作选择标注区域,可以基于识别用户的注视操作选择标注区域,可以基于读取用户的脑波选择标注区域,可以基于扫描用户在其他介质上的标注图像获取标注区域。获取用户对病灶区域的标注信息可以包括但不限于上述方式中的一种或多种。可以对于上述方式组合使用。
在一些实施例中,病灶区域确定模块240可以首先利用训练好的病灶区域识别模型确定图像中的初步病灶区域,并将该初步病灶区域发送给用户确认(如展示、提示等)。用户可以对该初步病灶区域进行确认或是重新标注/修改,从而确定最终的病灶区域。通过模型识别与人工判断结合的方式,可以提升病灶区域判断的效率及准确率。在一些实施例中,基于用户对图像的判断确定图像中的病灶区域,还可以防止系统故障或者通过病灶区域识别模型无法识别出病灶区域的情况。
在一些实施例中,当图像处理系统200对图像进行了一次处理(如已经执行了步骤110-170),但是用户对处理完的图像质量不够满意时(例如,可能由于病灶区域判断错误导致处理不好),用户可以向系统反馈并使系统对图像的病灶区域进行二次处理(或重新处理)。在对图像的病灶区域进行二次处理(或重新处理)时,病灶区域确定模块240可以基于用户对图像的病灶区域判断信息,确定图像中的病灶区域。
步骤140,基于病灶类型确定图像处理步骤。具体的,步骤140可以由图像处理系统200(如图像处理步骤确定模块220)执行。由于用户(如医务人员)对不同病灶类型的图像的关注点有所不同,针对不同病灶类型的图像可以设置不同的图像处理步骤,从而使得处理后的图像更加适合诊断。
在一些实施例中,图像处理步骤可以包括降噪、增强、组织均衡、厚度均衡、LUT(Look-Up Table,查找表)变换等中的一种或其任意组合。在一些实施例中,图像处理步骤中各处理算法之间可以是随机执行的。在一些实施例中,图像处理步骤可以包括各处理算法之间的执行次序,各处理算法可以根据该执行次序先后对图像进行处理。
在一些实施例中,图像处理系统200可以构建图像处理步骤数据库103。例如,图像处理系统200可以针对不同的病灶类型确定其对应的图像处理步骤,并存储到该数据库中。每个病灶类型对应的图像处理步骤可以为:通过试验获得的针对该病灶类型的较优的图像处理步骤。在此基础上,图像处理步骤确定模块220可以基于病灶类型从该图像处理步骤数据库103中调用对应的图像处理步骤。
在一些实施例中,对于一张图像或一片特定区域,当病灶类型确定模块210确定出多种病灶类型以及每种病灶类型的概率时,图像处理步骤确定模块220可以基于该病灶类型信息,利用训练好的机器学习模型确定图像处理步骤。机器学习模型可以包括但不限于CNN、RNN、SVM等一种或多种的任意组合。在一些实施例中,该机器学习模型可以通过样本数据训练获得。在一些实施例中,该样本数据可以包括多张图像、每张图像对应的多种病灶类型和每种病灶类型的概率、以及每张图像对应的图像处理步骤。例如,用户(如医务人员)在对图像的病灶类型进行标注时,可以标注多种病灶类型以及每种病灶类型对应的概率。例如,对于某肿瘤图像,用户可以标注该图像的病灶类型为:良性肿瘤75%;恶性肿瘤25%。又例如,某原始图像(如被标注为多种病灶类型的图像)在经过某图像处理步骤处理后的图像获得了用户的认可,则系统200可以将该原始图像以及该图像处理步骤作为样本数据。
步骤150,根据图像处理步骤对图像进行处理。具体的,步骤150可以由图像处理系统200(如图像处理模块230)执行。在此步骤中,图像处理模块230可以根据图像处理步骤对整体图像进行处理。在一些实施例中,图像处理步骤中各处理算法之间可以是随机执行的。在一些实施例中,图像处理步骤可以包括各处理算法之间的执行次序,各处理算法可以根据该执行次序先后对图像进行处理。
步骤155,根据图像处理步骤对图像中病灶区域进行处理。具体的,步骤155可以由图像处理系统200(如图像处理模块230)执行。
在一些实施例中,图像处理模块230可以仅对病灶区域范围内的区域进行处理。在一些替代性实施例中,图像处理模块230可以对病灶区域的扩展区域进行处理。例如,病灶区域的扩展区域可以为:病灶区域的边界向外扩展一定距离(如0.5cm、1cm、2cm等)后所形成的区域。通过对病灶区域的扩展区域进行处理,可以增大处理范围,便于用户诊断(尤其是对于病灶靠近区域边缘的情况)。
在一些实施例中,当一张图像中包含两个或以上病灶区域时,图像处理模块230可以分别针对图像中的每个病灶区域采取相应的图像处理步骤进行处理。具体的,当图像中两个或以上病灶区域的病灶类型相同时,图像处理模块230可以采用相同的图像处理步骤对该两个或以上病灶区域进行处理。当图像中两个或以上病灶区域的病灶类型不同时,图像处理模块230可以分别对每个病灶区域采取与其对应的图像处理步骤进行处理。
在步骤155中,图像处理模块230通过对图像中的病灶区域(而非图像整体)进行处理,可以提升图像处理效率;并且可以增强病灶区域与非病灶区域的对比,从而便于用户诊断。
步骤157,对处理后的图像中的病灶区域进行提示。在此步骤中,图像处理系统200可以通过对图像中的病灶区域进行提示以引起用户的注意,从而便于用户进行诊断。
在一些实施例中,图像处理系统200可以采用多种方式对处理后的图像中的病灶区域进行提示。在一些实施例中,提示的方式可以包括但不限于:突出显示病灶区域、放大显示病灶区域、圈选显示病灶区域、利用提示标识(如文字、箭头等)提示病灶区域等一种或多种的任意组合。例如,图像处理系统200可以在病灶区域外侧显示轮廓线。又例如,图像处理系统200可以在病灶区域旁边显示箭头(指向病灶区域)和/或标注文字。文字内容可以包括病灶区域的部位、病灶类型等。
在一些替代性实施例中,图像处理系统200也可以采用其它方式提示图像中的病灶区域。例如,语音提示、闪烁提示等。
在一些实施例中,当图像中包含两个或以上病灶区域时,图像处理系统200可以在该图像中分别对每个病灶区域进行提示;或者,图像处理系统200可以显示多张图像,每张图像中对至少一个病灶区域进行提示。
步骤160,对图像进行后处理。在此步骤中,图像处理系统200可以对图像整体进行后处理,或者可以仅针对非病灶区域进行后处理。
在一些实施例中,后处理可以包括但不限于增强处理、插值处理、形态学处理、噪声去除等中的一种或几种的组合。在一些实施例中,图像处理系统200可以仅对图像进行预处理或后处理。在一些实施例中,图像处理系统200也可以同时对图像进行预处理和后处理。在一些替代性实施例中,对图像进行预处理和后处理的步骤也可以省略。
步骤170,输出处理之后的图像。在此步骤中,图像处理系统200可以通过打印、终端展示等方式输出处理之后的图像。输出的图像可以用于供用户(如医务人员)和/或医疗设备进一步诊断;或者可以用于供病患人员了解病灶情况等。在一些实施例中,由于输出的图像是针对特定的病灶类型处理后的图像,可以便于用户更准确的进行诊断。在一些实施例中,由于输出的图像对病灶区域进行了提示,可以有效提升进一步诊断的效率。
在一些实施例中,当用户(如医务人员)对所输出的图像不满意时,用户可以向图像处理系统200反馈,系统可以根据用户的反馈信息对图像(或是病灶区域)进行二次处理(或是重新处理)。在对图像进行二次处理(或重新对原图像进行处理)时,用户可以向系统反馈病灶类型判断信息和/或病灶区域判断信息。
在一些实施例中,用户也可以手动对输出图像进行调整。例如,用户可以手动对图像(或是图像中某区域)进行参数调节(如调节对比度等)。在一些实施例中,图像处理系统200可以记录用户调节之后的图像参数,并可以利用该图像参数更新图像处理步骤数据库103。
应当注意的是,上述有关图像处理方法100的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对图像处理方法100进行各种修正和改变。然而,这些修正和改变仍在本申请的范围之内。例如,可以省略步骤120中对图像的预处理操作,直接对图像进行病灶类型判断。又例如,可以省略步骤160中对图像的后处理操作,直接输出处理之后的图像。再例如,步骤135、步骤155和步骤157可以省略,图像处理系统200可以对图像整体进行处理。又例如,步骤130和步骤135可以同步进行,即图像处理系统200可以同时确定图像中的病灶类型及其所对应的病灶区域。
图2是根据本申请一些实施例所示的图像处理系统的模块图。如图2所示,该图像处理系统200可以包括病灶类型确定模块210、图像处理步骤确定模块220、图像处理模块230和病灶区域确定模块240。
病灶类型确定模块210可以用于确定图像中的病灶类型。例如,病灶类型确定模块210可以利用训练好的病灶类型识别模型101确定图像中的病灶类型。又例如,病灶类型确定模块210可以基于用户(如医务人员)对图像的病灶类型判断信息,确定图像中的病灶类型。
图像处理步骤确定模块220可以用于基于病灶类型确定图像处理步骤。例如,图像处理步骤确定模块220可以基于病灶类型从图像处理步骤数据库103中调用对应的图像处理步骤。
图像处理模块230可以用于根据图像处理步骤对图像进行处理。例如,图像处理模块230可以根据图像处理步骤对整体图像进行处理。又例如,图像处理模块230可以根据图像处理步骤对图像中病灶区域进行处理。在一些实施例中,当一张图像中包含两个或以上病灶区域时,图像处理模块230可以分别针对图像中的每个病灶区域采取相应的图像处理步骤进行处理。
病灶区域确定模块240可以用于确定图像中的病灶区域。例如,病灶区域确定模块240可以利用训练好的病灶区域识别模型102确定图像中的病灶区域。在一些实施例中,病灶区域确定模块240可以利用训练好的病灶区域识别模型102确定一张图像中的两个或多个病灶区域。在一些实施例中,病灶区域确定模块240也可以采用其他方式(如基于规则)确定图像中的病灶区域。例如,病灶区域确定模块240可以基于图像各部分的颜色、灰度、形状、纹理等一种或多种图像特征确定图像中的病灶区域。在一些替代性实施例中,病灶区域确定模块240也可以基于用户(如医务人员)对图像的病灶区域判断信息,确定图像中的病灶区域。
在一些实施例中,图像处理系统200还可以包括其他执行模块。例如,图像处理系统200还可以包括图像获取模块、图像预处理模块、图像后处理模块、图像输出模块、病灶区域提示模块等一种或多种的任意组合。
在一些实施例中,图像处理系统200可以包括计算设备,计算设备可以包括至少一个处理器,该至少一个处理器可以用于实现上述各个模块。在一些实施例中,计算设备可以是单个服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中,计算设备可以是本地的或远程的。在一些实施例中,计算设备还可以在云平台上实现。
在一些实施例中,图像处理系统200还可以包括医疗影像设备、网络、终端、存储器等。医疗影像设备可以用于获取图像。医疗影像设备可以包括但不限于X光成像设备、CT成像设备、PET成像设备、MRI成像设备、超声成像设备等。在一些实施例中,网络可以包括能够促进图像处理系统200的信息和/或数据交换的任何合适的网络。例如,网络可以包括公共网络(如互联网)、私有网络(如局域网(LAN)、广域网(WAN)等)、有线网(如以太网)、无线网络(如802.11网络、WiFi网络等)、蜂窝网络、帧中继网络、虚拟专用网络(VPN)、卫星网络、电话网络、路由器、集线器、服务器计算机等或以上任意组合。在一些实施例中,终端可以包括移动设备、平板电脑、手提电脑等或其任意组合。在一些实施例中,移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、混合现实设备等或其任意组合。在一些实施例中,存储器可以连接到网络与图像处理系统200中的一个或多个其他组件(例如,计算设备、终端等)通信。图像处理系统200中的一个或多个组件可以经由网络访问存储在存储器中的数据或指令。在一些实施例中,存储器可以直接连接到图像处理系统200中的一个或多个其他组件(例如,计算设备、终端等)或与之通信。在一些实施例中,存储器可以是计算设备的一部分。
应当理解,图2所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,以上对于图像处理系统及其模块的描述,仅为描述方便,并不能把本申请限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可以在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。例如,在一些实施例中,图2中披露的病灶类型确定模块210、图像处理步骤确定模块220、图像处理模块230和病灶区域确定模块240可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,病灶类型确定模块210和病灶区域确定模块240可以是两个模块,也可以是一个模块同时具有确定病灶类型和病灶区域的功能。又例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本申请的保护范围之内。
图3是根据本申请一些实施例所示的病灶类型和/或病灶区域识别模型训练方法的示例性流程图。病灶类型和/或病灶区域识别模型训练方法300可以由图像处理系统200执行。如图3所示,该训练方法300可以包括:
步骤310,获取样本图像。在此步骤中,图像处理系统200可以获取用于模型训练的样本图像。
在一些实施例中,样本图像可以包括但不限于X光图像、CT图像、PET图像、MRI图像、超声图像等中的一种或几种的组合。在一些实施例中,样本图像可以从疾病检测中心、医院等机构获取。在一些实施例中,样本图像可以从医学影像的各种开源数据库中获取。开源数据库包括但不限于Github、ISBI、LIDC-IDRI、DDSM MIAS、Cancer Imaging Archive、OsiriX、NITRC等数据库。在一些实施例中,样本图像也可以从志愿者和/或志愿者机构获取。在一些替代性实施例中,样本图像还可以通过其他方式获取,本申请对此不做限制。
步骤320,标注样本图像的病灶类型和/或病灶区域。在此步骤中,用户(如医务人员)可以对样本图像中的病灶类型和/或病灶区域进行标注,图像处理系统200可以获取用户标注后的样本图像。
在一些实施例中,用户可以通过操作终端/人机交互界面标注病灶类型。具体的,用户可以通过人机交互界面输入病灶类型判断信息。用户输入病灶类型判断信息的方式可以包括但不限于语音输入、文字输入、鼠标选择输入、触摸屏输入等。例如,用户在点击图像后,系统可以弹出病灶类型列表,操作人员可以根据判断选择该图像对应的病灶类型。
在一些实施例中,用户可以通过操作终端/人机交互界面标注病灶区域。具体的,用户可以通过多种方式对病灶区域进行标注。例如,用户可以操作鼠标选择区域,用户可以通过键盘操作光标选择标注区域,用户可以通过触控笔或感应笔选择区域,用户可以通过触控操作选择标注区域,用户可以通过手势操作选择标注区域,用户可以基于语音操作选择标注区域,用户可以通过注视操作选择标注区域,用户可以通过脑波选择标注区域等。用户对病灶区域进行标注的方式可以包括但不限于上述方式中的一种或多种的任意组合。
在一些实施例中,用户可以同时标注样本图像的病灶类型和病灶区域。例如,用户可以选择一个病灶区域并输入该病灶区域所对应的病灶类型。在一些实施例中,当一个图像中包含两个以上病灶区域时,用户可以分别标注每个病灶区域并输入每个病灶区域所对应的病灶类型。
图5-6是根据本申请一些实施例所示的样本图像标注的对比图。如图5所示为待标注的图像,如图6所示为标注后的图像。在本实施例中,图像的病灶类型为气胸,用户可以通过操作终端/人机交互界面输入该图像的病灶类型。同时,用户可以通过操作终端/人机交互界面标注气胸的病灶区域610。图7-8是根据本申请又一些实施例所示的样本图像标注的对比图。如图7所示为待标注的图像,如图8所示为标注后的图像。在本实施例中,图像的病灶类型为气胸,用户可以通过操作终端/人机交互界面输入该图像的病灶类型。同时,用户可以通过操作终端/人机交互界面标注气胸的病灶区域810。
在一些实施例中,如图3所示,图像处理系统200可以将上述标注好的样本图像划分为训练集301和测试集302。训练集301可以用于训练病灶类型和/或病灶区域识别模型;测试集302可以用于对训练获得的病灶类型和/或病灶区域识别模型进行测试。具体的,图像处理系统200可以对样本图像按一定比例随机进行划分。例如,训练集和测试集的比例可以为8比2、9比1、9.5比0.5等。
步骤330,将训练集图像输入到初始病灶类型和/或病灶区域识别模型中进行训练,获得病灶类型和/或病灶区域识别模型。
在一些实施例中,初始病灶类型和/或病灶区域识别模型可以包括但不限于卷积神经网络(CNN,Convolutional Neural Networks)、循环神经网络(RNN,Recurrent NeuralNetwork)、RCNN(regions with CNN)、Fast-RCNN、BP神经网络、K近邻算法(KNN)、支持向量机(SVM)等中的一种或其任意组合。在一些实施例中,初始病灶类型识别模型和初始病灶区域识别模型可以相同或者不相同。在一些实施例中,初始病灶类型识别模型和初始病灶区域识别模型可以为同一个模型,该模型既可以用于识别病灶类型,又可以用于识别病灶区域。
在一具体实施例中,初始病灶类型识别模型可以基于卷积神经网络(CNN)模型来构建。CNN模型可以包括一个输入节点和多个输出节点。在训练过程中,输入节点的输入为训练集301,输出节点的输出为图像的病灶类型属于某一类病灶的概率。将训练集301中的样本图像输入到该初始病灶类型识别模型进行训练,即可以获得训练后的病灶类型识别模型。
步骤340,测试病灶类型和/或病灶区域识别模型。
在此步骤中,图像处理系统200可以将测试集302中的样本图像数据输入到步骤330所得的训练后的病灶类型和/或病灶区域识别模型进行测试,获得输出结果。图像处理系统200可以进一步对比模型的输出结果与测试数据的标注是否一致。例如,图像处理系统200可以判断模型识别出的病灶类型与所标注的病灶类型是否一致。又例如,图像处理系统200可以判断模型识别出的病灶区域与所标注的病灶区域是否一致。其中,当模型识别出的病灶区域与所标注的病灶区域的重叠区域大于设定阈值(如识别出的病灶区域的90%;所标注的病灶区域的90%等)时,可以认为两者一致。
步骤350,判断病灶类型和/或病灶区域识别模型是否符合要求。
在此步骤中,图像处理系统200可以统计病灶类型和/或病灶区域识别模型测试结果的正确率,并基于该正确率判断模型是否符合要求。具体的,当模型测试结果的正确率超过预设阈值(如85%、90%、95%、98%等)时,图像处理系统200可以认为该训练后的模型通过测试,模型训练方法300可以进行步骤360。当模型测试结果的正确率低于预设阈值时,图像处理系统200可以认为该训练后的模型没有通过测试,模型训练方法300可以重新进行步骤330。
步骤360,输出训练好的病灶类型和/或病灶区域识别模型。
在一些实施例中,上述训练好的模型可以仅包括病灶类型识别模型,或者仅包括病灶区域识别模型。在一些实施例中,上述训练好的模型可以包括相互独立的病灶类型识别模型和病灶区域识别模型。在一些实施例中,上述训练好的模型也可以包括能够同时识别病灶类型和病灶区域的综合识别模型。
在一些实施例中,病灶区域识别模型可以有多个,不同的病灶类型可以对应不同的病灶区域识别模型。例如,病灶区域识别模型可以包括但不限于气胸区域识别模型、前列腺癌区域识别模型等。在一些实施例中,图像处理系统200可以先使用病灶类型识别模型识别图像中的病灶类型,然后再根据病灶类型,选择对应的病灶区域识别模型识别出病灶区域。
应当注意的是,上述有关模型训练方法300的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对模型训练方法300进行各种修正和改变。然而,这些修正和改变仍在本申请的范围之内。例如,图像处理系统200可以将标注好的样本图像分为训练集、验证集和测试集,当病灶类型和/或病灶区域识别模型初步训练完成之后,图像处理系统200可以使用验证集对模型进行验证。又例如,图像处理系统200可以基于模型在使用过程中的情况(如用户对模型处理结果的反馈)对模型进行定期或不定期更新。
图4是根据本申请一些实施例所示的图像处理方法的示例性流程图。图像处理方法400可以由图像处理系统200执行。
与图像处理方法100相比,图像处理方法400确定图像处理步骤的方式不同。如图4所示,在步骤120(对图像进行预处理)之后,系统200可以执行步骤410:获取图像特征;以及步骤420:基于图像特征确定图像处理步骤。在图像处理方法400中,系统200可以直接基于图像的特征确定图像处理步骤(而无需先确定图像的病灶类型),在一定程度上能够提升图像处理效率。
在一些实施例中,图像特征可以包括但不限于图像的颜色、灰度、对比度、形状、纹理等中的一种或任意组合。在一些实施例中,系统200可以通过多种特征提取方式获取图像特征。例如,系统200可以通过颜色直方图、颜色集、颜色矩、颜色聚合向量、颜色相关图等方式中的一种或任意组合提取图像的颜色特征。又例如,系统200可以通过统计法、几何法、模型法(如马尔可夫随机场模型法、Gibbs随机场模型法等)、信号处理法等方式中的一种或任意组合提取图像的纹理特征。再例如,系统200可以通过边界特征法、傅里叶形状描述符法、几何参数法、形状不变矩法等方式中的一种或任意组合提取图像的形状特征。
在步骤420中,系统200可以基于图像特征确定图像处理步骤。在一些实施例中,系统200可以利用训练好的图像处理步骤确定模型401确定图像处理步骤。
在一些实施例中,图像处理步骤确定模型401可以包括机器学习模型。例如,图像处理步骤确定模型401可以包括但不限于CNN、RNN、RCNN、Fast-RCNN、BP神经网络、KNN、SVM等中的一种或其任意组合。在一些实施例中,图像处理步骤确定模型401可以通过样本数据训练获得。在一些实施例中,样本数据可以包括多张图像及其对应的图像特征、图像处理步骤。例如,某原始图像(或经过预处理的图像)在经过某图像处理步骤处理后的图像获得了用户(如医务人员)的认可,则系统200可以将该原始图像作为样本数据,并提取该原始图像的图像特征。
如图4所示,图像处理方法400中其他步骤(如步骤110、120、150、160、170、135、155、157)均与图1中图像处理方法100的对应步骤相同,具体细节可参见图1及其相关描述,在此不再赘述。
图9-10是根据本申请一些实施例所示的图像处理方法的应用效果对比图。如图9所示为未经处理的腿骨骨折图像;图10所示为经图像处理系统200对图像进行处理之后的腿骨骨折图像。
在本实施例中,图像处理系统200对图像整体进行了处理。当系统200确定图像中的病灶类型为骨折后,系统可以从图像处理步骤数据库103中调取与骨折对应的图像处理步骤,并基于该图像处理步骤对图像进行处理。如图9-10所示,处理后的图像相对于未处理的图像而言,骨头部分的对比度提升,肌肉等其他组织的对比度降低,从而使得骨折区域的特征更加清晰。
图11-12是根据本申请又一些实施例所示的图像处理方法的应用效果对比图。如图11所示为未经处理的乳腺图像,图12为经图像处理系统200对图像病灶区域进行处理之后的乳腺图像。
在本实施例中,图像处理系统200对图像的钙化区域进行了处理。当系统200确定图像中的病灶类型(乳腺钙化)和病灶区域(如图中放大显示区域)后,系统可以从图像处理步骤数据库103中调取与乳腺钙化对应的图像处理步骤,并基于该图像处理步骤对病灶区域进行处理。如图11-12所示,处理后的图像相对于未处理的图像而言,其病灶区域的钙化点被增强,病灶区域的对比度提升,从而使得乳腺钙化的特征更加清晰。在本实施例中,系统200还对处理后的图像中的病灶区域进行了提示(放大显示),以便于用户对病灶区域进行诊断。
本申请实施例可能带来的有益效果包括但不限于:(1)针对图像中不同的病灶类型,采用不同的图像处理方式;(2)增强图像中病灶区域的信息显示效果,使病灶区域更加适合诊断;(3)给用户提供更优质的诊断信息;(4)提升图像处理的效率。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (14)
1.一种图像处理方法,所述图像处理方法在计算设备上实施,所述计算设备包括至少一个处理器,其特征在于,所述图像处理方法包括:
所述至少一个处理器确定图像中的病灶类型,其中,所述图像为医疗影像设备获取的目标对象的图像,每个所述图像包括至少一个病灶或者一个病灶的一部分;
所述至少一个处理器基于所述病灶类型确定图像处理步骤;
所述至少一个处理器根据所述图像处理步骤对所述图像进行处理。
2.如权利要求1所述的图像处理方法,其特征在于,所述确定图像中的病灶类型包括:
利用训练好的病灶类型识别模型确定图像中的病灶类型。
3.如权利要求2所述的图像处理方法,其特征在于,所述病灶类型识别模型包括以下中的至少一种:卷积神经网络、循环神经网络、RCNN、Fast-RCNN、BP神经网络、K近邻算法和支持向量机。
4.如权利要求1所述的图像处理方法,其特征在于,所述确定图像中的病灶类型包括:
基于用户对所述图像的病灶类型判断信息,确定所述图像中的所述病灶类型。
5.如权利要求1所述的图像处理方法,其特征在于,所述方法还包括:
所述至少一个处理器确定所述图像中的病灶区域。
6.如权利要求5所述的图像处理方法,其特征在于,所述确定图像中的病灶区域包括:
利用训练好的病灶区域识别模型确定图像中的病灶区域。
7.如权利要求5所述的图像处理方法,其特征在于,所述利用所述图像处理步骤对所述图像进行处理包括:
根据所述图像处理步骤对所述图像中病灶区域进行处理。
8.如权利要求7所述的图像处理方法,其特征在于,还包括:
所述至少一个处理器对所述图像处理步骤处理后的所述图像中的所述病灶区域进行提示,所述提示的方式包括以下中的一种或者多种的组合:突出显示所述病灶区域、放大显示所述病灶区域、圈选显示所述病灶区域、利用提示标识提示所述病灶区域。
9.如权利要求1所述的图像处理方法,其特征在于,所述图像处理步骤包括以下中的一种或者多种的组合:降噪、增强、组织均衡、厚度均衡、LUT变换。
10.如权利要求1所述的图像处理方法,其特征在于,还包括:
所述至少一个处理器对所述图像进行预处理和/或后处理;
所述预处理和/或后处理包括以下处理方式中的至少一种:增强处理、插值处理、形态学处理、噪声去除。
11.一种图像处理系统,其特征在于,包括:病灶类型确定模块、图像处理步骤确定模块和图像处理模块;
所述病灶类型确定模块用于确定图像中的病灶类型,其中,所述图像为医疗影像设备获取的目标对象的图像,每个所述图像包括至少一个病灶或者一个病灶的一部分;
所述图像处理步骤确定模块用于基于所述病灶类型确定图像处理步骤;
所述图像处理模块用于根据所述图像处理步骤对所述图像进行处理。
12.如权利要求11所述的图像处理系统,其特征在于,还包括病灶区域确定模块;
所述病灶区域确定模块用于确定所述图像中的病灶区域。
13.如权利要求12所述的图像处理系统,其特征在于,所述图像处理模块用于:根据所述图像处理步骤对所述图像中病灶区域进行处理。
14.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取所述存储介质中的所述计算机指令后,所述计算机执行如权利要求1~10中任一项所述的图像处理方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910522844.5A CN110223289A (zh) | 2019-06-17 | 2019-06-17 | 一种图像处理方法和系统 |
EP20825934.1A EP3973506A4 (en) | 2019-06-17 | 2020-06-17 | SYSTEMS AND METHODS FOR IMAGE PROCESSING |
PCT/CN2020/096658 WO2020253745A1 (en) | 2019-06-17 | 2020-06-17 | Systems and methods for image processing |
US17/645,037 US20220114801A1 (en) | 2019-06-17 | 2021-12-17 | Systems and methods for image processing |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910522844.5A CN110223289A (zh) | 2019-06-17 | 2019-06-17 | 一种图像处理方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110223289A true CN110223289A (zh) | 2019-09-10 |
Family
ID=67817436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910522844.5A Pending CN110223289A (zh) | 2019-06-17 | 2019-06-17 | 一种图像处理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110223289A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111048170A (zh) * | 2019-12-23 | 2020-04-21 | 山东大学齐鲁医院 | 基于图像识别的消化内镜结构化诊断报告生成方法与系统 |
CN111127408A (zh) * | 2019-12-12 | 2020-05-08 | 广州柏视医疗科技有限公司 | 基于GrowCut的鼻咽癌原发病灶临床靶区自动勾画方法及系统 |
CN111128348A (zh) * | 2019-12-27 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
TWI705458B (zh) * | 2019-09-19 | 2020-09-21 | 沐恩生醫光電股份有限公司 | 一種醫療影像辨識的方法與系統 |
CN111968078A (zh) * | 2020-07-28 | 2020-11-20 | 北京恒通智控机器人科技有限公司 | 一种变电设备的外观检测方法、装置、设备和存储介质 |
WO2020253745A1 (en) * | 2019-06-17 | 2020-12-24 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
CN112801167A (zh) * | 2021-01-25 | 2021-05-14 | 河北北方学院 | 一种医学影像大数据的分析方法 |
WO2021129323A1 (zh) * | 2019-12-25 | 2021-07-01 | 飞依诺科技(苏州)有限公司 | 超声图像病灶描述方法、装置、计算机设备和存储介质 |
TWI832671B (zh) * | 2023-01-13 | 2024-02-11 | 國立中央大學 | 藉由乳房x光攝影影像運用機器學習進行自動偵測乳癌病灶之方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108242049A (zh) * | 2016-12-26 | 2018-07-03 | 河北天地智慧医疗设备股份有限公司 | 一种针对gpu优化的全尺度dr影像增强处理方法 |
CN108596887A (zh) * | 2018-04-17 | 2018-09-28 | 湖南科技大学 | 一种腹部ct序列图像肝脏肿瘤自动分割方法 |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN108665456A (zh) * | 2018-05-15 | 2018-10-16 | 广州尚医网信息技术有限公司 | 基于人工智能的乳腺超声病灶区域实时标注的方法及系统 |
US20190011996A1 (en) * | 2015-03-06 | 2019-01-10 | Align Technology, Inc. | Intraoral scanner with touch sensitive input |
CN109447966A (zh) * | 2018-10-26 | 2019-03-08 | 科大讯飞股份有限公司 | 医学图像的病灶定位识别方法、装置、设备及存储介质 |
CN109671054A (zh) * | 2018-11-26 | 2019-04-23 | 西北工业大学 | 多模态脑肿瘤mri的无监督分割方法 |
CN109754387A (zh) * | 2018-11-23 | 2019-05-14 | 北京永新医疗设备有限公司 | 医学图像病灶检测定位方法、装置、电子设备及存储介质 |
-
2019
- 2019-06-17 CN CN201910522844.5A patent/CN110223289A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190011996A1 (en) * | 2015-03-06 | 2019-01-10 | Align Technology, Inc. | Intraoral scanner with touch sensitive input |
CN108242049A (zh) * | 2016-12-26 | 2018-07-03 | 河北天地智慧医疗设备股份有限公司 | 一种针对gpu优化的全尺度dr影像增强处理方法 |
CN108596887A (zh) * | 2018-04-17 | 2018-09-28 | 湖南科技大学 | 一种腹部ct序列图像肝脏肿瘤自动分割方法 |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN108665456A (zh) * | 2018-05-15 | 2018-10-16 | 广州尚医网信息技术有限公司 | 基于人工智能的乳腺超声病灶区域实时标注的方法及系统 |
CN109447966A (zh) * | 2018-10-26 | 2019-03-08 | 科大讯飞股份有限公司 | 医学图像的病灶定位识别方法、装置、设备及存储介质 |
CN109754387A (zh) * | 2018-11-23 | 2019-05-14 | 北京永新医疗设备有限公司 | 医学图像病灶检测定位方法、装置、电子设备及存储介质 |
CN109671054A (zh) * | 2018-11-26 | 2019-04-23 | 西北工业大学 | 多模态脑肿瘤mri的无监督分割方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020253745A1 (en) * | 2019-06-17 | 2020-12-24 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
TWI705458B (zh) * | 2019-09-19 | 2020-09-21 | 沐恩生醫光電股份有限公司 | 一種醫療影像辨識的方法與系統 |
US11282200B2 (en) | 2019-09-19 | 2022-03-22 | Muen Biomedical And Optoelectronic Technologies Inc. | Method for recognizing medical image and system of same |
CN111127408A (zh) * | 2019-12-12 | 2020-05-08 | 广州柏视医疗科技有限公司 | 基于GrowCut的鼻咽癌原发病灶临床靶区自动勾画方法及系统 |
CN111127408B (zh) * | 2019-12-12 | 2021-06-15 | 广州柏视医疗科技有限公司 | 基于GrowCut的鼻咽癌原发病灶临床靶区自动勾画方法及系统 |
CN111048170A (zh) * | 2019-12-23 | 2020-04-21 | 山东大学齐鲁医院 | 基于图像识别的消化内镜结构化诊断报告生成方法与系统 |
WO2021129323A1 (zh) * | 2019-12-25 | 2021-07-01 | 飞依诺科技(苏州)有限公司 | 超声图像病灶描述方法、装置、计算机设备和存储介质 |
CN111128348A (zh) * | 2019-12-27 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
CN111128348B (zh) * | 2019-12-27 | 2024-03-26 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
CN111968078A (zh) * | 2020-07-28 | 2020-11-20 | 北京恒通智控机器人科技有限公司 | 一种变电设备的外观检测方法、装置、设备和存储介质 |
CN112801167A (zh) * | 2021-01-25 | 2021-05-14 | 河北北方学院 | 一种医学影像大数据的分析方法 |
TWI832671B (zh) * | 2023-01-13 | 2024-02-11 | 國立中央大學 | 藉由乳房x光攝影影像運用機器學習進行自動偵測乳癌病灶之方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110223289A (zh) | 一种图像处理方法和系统 | |
Altaf et al. | Going deep in medical image analysis: concepts, methods, challenges, and future directions | |
Wang et al. | DeepIGeoS: a deep interactive geodesic framework for medical image segmentation | |
Zhong et al. | 3D fully convolutional networks for co-segmentation of tumors on PET-CT images | |
US11810302B2 (en) | Automated organ risk segmentation machine learning methods and systems | |
Frid-Adar et al. | GAN-based synthetic medical image augmentation for increased CNN performance in liver lesion classification | |
Elyan et al. | Computer vision and machine learning for medical image analysis: recent advances, challenges, and way forward. | |
Khan et al. | Deep neural architectures for medical image semantic segmentation | |
CN106682435B (zh) | 一种多模型融合自动检测医学图像中病变的系统及方法 | |
Zhang et al. | Coarse-to-fine stacked fully convolutional nets for lymph node segmentation in ultrasound images | |
WO2018119766A1 (zh) | 多模态图像处理系统及方法 | |
Liu et al. | Automatic detection of pulmonary nodules on CT images with YOLOv3: development and evaluation using simulated and patient data | |
US11443201B2 (en) | Artificial intelligence-based self-learning in medical imaging | |
US11464491B2 (en) | Shape-based generative adversarial network for segmentation in medical imaging | |
WO2021021329A1 (en) | System and method for interpretation of multiple medical images using deep learning | |
US20240127436A1 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
Torrents-Barrena et al. | TTTS-GPS: Patient-specific preoperative planning and simulation platform for twin-to-twin transfusion syndrome fetal surgery | |
CN115994902A (zh) | 医学图像分析方法、电子设备及存储介质 | |
Wu et al. | Vessel-GAN: Angiographic reconstructions from myocardial CT perfusion with explainable generative adversarial networks | |
Chen et al. | Automated artery localization and vessel wall segmentation using tracklet refinement and polar conversion | |
Shabani et al. | Self-supervised region-aware segmentation of COVID-19 CT images using 3D GAN and contrastive learning | |
US20220301154A1 (en) | Medical image analysis using navigation processing | |
Mahapatra | Learning of Inter-Label Geometric Relationships Using Self-Supervised Learning: Application To Gleason Grade Segmentation | |
Arun Kumar et al. | Review on deep learning-based CAD systems for breast cancer diagnosis | |
Youssef et al. | Integrated deep learning and stochastic models for accurate segmentation of lung nodules from computed tomography images: a novel framework |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |