发明内容
基于此,有必要针对上述技术问题,提供一种能够提高工作效率和准确率的医学图像处理方法、装置、计算机设备和存储介质。
一种医学图像处理方法,所述方法包括:
获取扫描医学图像;
若所述扫描医学图像携带有图像标签信息,则根据所述图像标签信息调用无异常图像模板,基于所述无异常图像模板得到与所述扫描医学图像对应的无异常医学图像;
若所述扫描医学图像未携带有图像标签信息,则调用对抗神经网络,基于所述对抗神经网络生成与所述扫描医学图像对应的无异常医学图像;
根据所述无异常医学图像确定所述扫描医学图像的异常区域。
在其中一个实施例中,所述根据所述图像标签信息调用无异常图像模板,基于所述无异常图像模板得到与所述扫描医学图像对应的无异常医学图像的步骤,包括:
根据所述图像标签信息调用与所述扫描医学图像相匹配的无异常图像模板;
基于拟合系数,将所述无异常图像模板与所述扫描图像进行图像配准,得到与所述扫描医学图像对应的无异常医学图像。
在其中一个实施例中,所述调用对抗神经网络,基于所述对抗神经网络生成与所述扫描医学图像对应的无异常医学图像的步骤,包括:
将所述扫描医学图像输入至所述对抗神经网络;
利用所述对抗神经网络对所述扫描医学图像进行特征提取,得到所述扫描医学图像的偏差场,并根据所述偏差场和所述扫描医学图像生成与所述扫描医学图像对应的无异常医学图像。
在其中一个实施例中,所述获取扫描医学图像之前,还包括训练所述对抗神经网络的步骤,训练所述对抗神经网络的步骤包括:
若接收到的医学图像数据包括无异常医学图像和异常医学图像,则基于所述无异常医学图像和异常医学图像训练预设的对抗神经网络。
在其中一个实施例中,所述获取扫描医学图像之前还包括建立所述无异常图像模板的步骤,包括:
若接收到的医学图像数据包括至少两个无异常医学图像,则对各所述无异常医学图像进行均值计算,得到均值图像;
将各所述无异常图像分别与所述均值图像进行图像配准,得到各所述无异常图像对应的配准图像;
当任意两个所述配准图像之间的相似度均满足预设要求时,对各所述配准图像进行均值计算,并将均值计算后得到的图像作为无异常图像模板。
在其中一个实施例中,所述方法还包括:
当存在至少两个所述配准图像之间的相似度不满足预设要求时,对各所述配准图像进行均值计算,并将均值计算后得到的图像作为更新均值图像;
将各所述配准图像分别与所述更新均值图像进行图像配准,得到各所述无异常图像对应的更新配准图像;
若存在至少两个所述更新配准图像之间的相似度不满足预设要求,将所述更新配准图像作为所述配准图像,返回对各所述配准图像进行均值计算的步骤,直到任意两个更新配准图像之间的相似度均满足所述预设要求为止;
对满足预设要求的各所述更新配准图像进行均值计算,并将均值计算后得到的图像作为无异常图像模板。
在其中一个实施例中,所述根据所述图像标签信息调用与所述扫描医学图像相匹配的无异常图像模板的步骤,包括:
将所述图像标签信息与所述无异常图像模板的模板信息进行匹配;
当存在与所述图像标签信息相匹配的模板信息时,调用相匹配的所述模板信息对应的无异常图像模板,作为与所述扫描医学图像相匹配的无异常图像模板。
一种医学图像处理装置,所述装置包括:
获取模块,用于获取扫描医学图像;
配准模块,用于若所述扫描医学图像携带有图像标签信息,则根据所述图像标签信息调用无异常图像模板,基于所述无异常图像模板得到与所述扫描医学图像对应的无异常医学图像;
生成模块,用于若所述扫描医学图像未携带有图像标签信息,则调用对抗神经网络,基于所述对抗神经网络生成与所述扫描医学图像对应的无异常医学图像;
确定模块,用于根据所述无异常医学图像确定所述扫描医学图像的异常区域。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一项所述的医学图像处理方法。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述任一项所述的医学图像处理方法。
上述医学图像处理方法、装置、计算机设备和存储介质,获取医学扫描设备发送的扫描医学图像,通过判断若确定扫描医学图像携带有图像标签信息,则调用无异常图像模板,基于参考图像模板得到与扫描医学图像对应的无异常图像。而若扫描医学图像未携带有图像标签信息,则调用对抗神经网络,基于对抗神经网络生成与扫描医学图像对应的无异常图像,从而确保基于不同的扫描医学图像获取合适的模型生成无异常图像。然后根据无异常图像即可准确确定出扫描医学图像中的异常区域,无需手动标注还能提高判断的准确率。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的医学图像处理方法,可以应用于如图1所示的应用环境中。其中,医学扫描设备104通过网络与计算机设备102进行通信。计算机设备102获取由医学扫描设备104扫描得到的扫描医学图像。若扫描医学图像携带有图像标签信息,计算机设备102则根据图像标签信息调用无异常图像模板,基于无异常图像模板得到与扫描医学图像对应的无异常图像。若扫描医学图像未携带有图像标签信息,计算机设备102则调用对抗神经网络,基于对抗神经网络生成与扫描医学图像对应的无异常图像。计算及设备102根据无异常图像确定扫描医学图像的异常区域。其中,医学扫描设备104可以但不限于是MRI(核磁共振成像)设备、PET(正电子发射计算机断层显像)设备等,PET/CT(正电子发射断层成像-计算机断层成像系统)设备、PET/MRI(正电子发射断层成像-磁共振成像系统)设备等。计算设备102可以但不限于是各种服务器、个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备、服务器可以理解为独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种医学图像处理方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
步骤S202,获取扫描医学图像。
其中,扫描医学图像是指医学扫描设备对目标区域进行扫描,得到的包含目标区域的图像。具体地,计算机设备所获取的扫描医学图像可以理解从医学扫描设备或者其他具备通信功能设备接收过来。当获取到扫描医学图像后,进一步判断扫描医学图像是否携带有图像标签信息。
步骤S204,若扫描医学图像携带有图像标签信息,则根据图像标签信息调用无异常图像模板,基于无异常图像模板得到与扫描医学图像对应的无异常图像。
其中,图像标签信息是指医学图像的标签信息,即被扫描物体的基本信息,包括但不限于性别、年龄、身高以及目标区域的名称等。无异常图像模板则是预先设定存储的,与扫描医学图像进行比对的参考图像。
具体地,当计算机设备确定所述扫描医学图像携带有图像标签信息,则根据该标签信息调用对应的无异常图像模板。根据调用的无异常图像模板生成对应的无异常图像,该无异常图像作为扫描医学图像对应的参考图像,即为扫描医学图像对应的无异常医学图像。
步骤S206,若扫描医学图像未携带有图像标签信息,则调用对抗神经网络,基于对抗神经网络生成与扫描医学图像对应的无异常图像。
其中,对抗神经网络预先设定并训练好部署在计算机设备的神经网络模型,对抗神经网络(Generative Adversarial Networks,GAN)是一种深度学习的网络模型。对抗神经网络包括两部分:生成网络和辨别网络,其中,生成网络用于生成图像,并且生成的图像应当能够混淆辨别网络。辨别网络则是用于判断图像为真实图像还是生成网络生成的图像,要尽可能的给出准确的判断。
具体地,当计算机设备确定扫描医学没有携带图像标签信息,则直接调用的对抗神经网络,基于对抗神经网络生成无异常图像,该无异常图像作为扫描医学图像对应的参考图像,即作为扫描医学图像对应的无异常医学图像。
步骤S208,根据无异常图像确定扫描医学图像的异常区域。
其中,异常区域是指与无异常图像相比,与无异常图像中不一样的图像区域。例如,图像中所包括的组织结构形状与标准组织结构的形状有一定差异,即可判定为异常区域。或者,组织结构中出现新生物,而新生物呈占位性块状突起。则有新生物的图像与无新生物的图像相比,存在新生物的图像中,该新生物周边的组织结构会被新生物所挤压,呈挤压状态,也可确定为异常区域。
具体地,当计算机设备获取到扫描医学图像对应的参考图像之后,将参考图像与扫描医学图像进行比对,将扫描医学图像与参考图像不一致的区域进行标记,所标记的区域则作为异常区域,后续用户可以通过直接查看扫描医学图像的标记区域进行判断。也就是说,传统手动标注导致工作效率低下,而若没有标注用户同样需要花费大量时间在辨别图像上,因此通过本实施例确定的异常区域可以实现区域的快速定位标注,后续还能够辅助用户进行进一步的判断。
上述医学图像处理方法,获取医学扫描设备发送的扫描医学图像,通过判断若确定扫描医学图像携带有图像标签信息,则调用参考图像模板,基于参考图像模板得到与扫描医学图像对应的参考图像。而若扫描医学图像未携带有图像标签信息,则调用对抗神经网络,基于对抗神经网络生成与扫描医学图像对应的参考图像,从而确保基于不同的扫描医学图像获取合适的模型生成参考图像。然后根据参考图像即可准确确定出扫描医学图像中的异常区域,无需手动标注还能提高判断的准确率。
在一个实施例中,根据图像标签信息调用无异常图像模板,基于参考图像模板得到与扫描医学图像对应的无异常图像的步骤,具体包括:根据图像标签信息调用与扫描医学图像相匹配的无异常图像模板。基于拟合系数,将无异常图像模板与所述扫描图像进行图像配准,得到与所述扫描医学图像对应的无异常医学图像。
其中,图像配准是指将不同的医学图像进行匹配、叠加的过程。在医学领域通常理解为对医学图像进行空间变换的过程,使得被配准的医学图像与另一张医学图像上的对应点达到空间上的一致。即,指两张医学图像上同一特征点有相同的空间位置,也就是说配准后的图像应当使得两张医学图像上所有的特征点都达到空间位置的匹配。拟合系数则是指两张医学图像进行图像配准时,各自所占的显示比例,拟合系数可以理解为根据需求预先设定。
具体地,当计算机设备根据图像标签调用到与扫描医学图像对应的无异常图像模板,获取预设的拟合系数,基于拟合系数将扫描医学图像和无异常图像模板进行图像特征点的匹配以及叠加,得到的图像即作为扫描医学图像对应的无异常图像。例如,拟合系数为5:5,则表示将扫描医学图像和无异常图像进行图像配准时,配准得到的图像上扫描医学图像和无异常图像显示分别占据50%,以50%为例,即表示扫描医学图像和无异常图像模板的显示程度一致。而当拟合系数为7:3时,配准得到的图像上扫描医学图像的显示占比为70%,而无异常图像模板的显示占比为30%。也就是说,在图像配准得到图像上,扫描医学图像的显示占比高于无异常图像模板。从视觉上来说,从图像配准得到的图像上更容易看到扫描医学图像。进一步的,当无异常图像是基于无异常图像模板和扫描医学图像进行图像配准所得,根据该无异常图像即可直接查看到扫描医学图像相对于无异常图像的异常区域,则无需进行比对标注。
在一个实施例中,根据图像标签信息调用与扫描医学图像相匹配的无异常图像模板的步骤,具体包括:将图像标签信息与无异常图像模板的模板信息进行匹配。当存在与图像标签信息相匹配的模板信息时,调用相匹配的模板信息对应的无异常图像模板,作为与扫描医学图像相匹配的无异常图像模板。
其中,模板信息即是指无异常图像模板对应的图像标签信息,因此,扫描医学图像标签的图像标签信息和无异常图像模板标签的模板信息包括同样的信息。具体地,当确定扫描医学图像携带图像标签信息时,将图像标签信息与所有的无异常图像模板的模板信息进行匹配,在无异常图像模板的模板信息中匹配到与图像标签信息一样的模板信息,则确定该匹配的模板信息对应的无异常图像模板为扫描医学图像对应的无异常图像模板。假设扫描医学图像携带的图像标签信息中包括的信息为男、45岁、腹部,而无异常图像模板中存在模板信息男、40-50岁、腹部,则确定图像标签信息男、45岁、腹部与模板信息男、40-50岁、腹部相匹配,将拥有模板信息男、40-50岁、腹部的无异常图像模板作为拥有图像标签信息男、45岁、腹部的扫描医学图像对应的无异常图像模板。在本实施例,由于人体和年龄等会对目标部位产生影响,存在一定的差异。因此依据图像标签信息调用对应的无异常图像模板,使得无异常图像模板与扫描医学图像中更加贴近,提高后续确定异常区域的准确性。
在一个实施例中,调用对抗神经网络,基于对抗神经网络生成与扫描医学图像对应的无异常医学图像的步骤,具体包括:将扫描医学图像输入至对抗神经网络。利用对抗神经网络对扫描医学图像进行特征提取,得到扫描医学图像的偏差场,并根据偏差场和扫描医学图像生成与扫描医学图像对应的无异常医学图像。
其中,偏差场是指光滑、缓慢变化的乘性场。以磁共振扫描设备扫描的磁共振图像为例,由于磁共振扫描设备不完善及其对象自身的特异性,使得磁共振图像总是不可避免的存在一定程度和范围的亮度不均匀,即所谓的偏差场。
具体地,参考图3,将获取到的扫描医学图像作为对抗神经网络的输入,对抗神经网络中的生成网络对扫描医学图像进行卷积池化等一系列操作,生成得到扫描医学图像对应的偏差场,并且根据偏差场和扫描医学图像得到无异常图像。即通过深度学习生成器,对扫描医学图像进行检测估计,从而生成得到一个偏差场,通过将偏差场叠加到输入的扫描医学图像上,从而生成一个无异常图像。然后,将对抗网络中的生成网络生成的图像作为辨别网络的输入,当辨别网络认定该图像为真实图像时,将该图像输出作为扫描医学图像对应的无异常图像。即辨别网络基于无异常图像数据库判别生成网络生成的图像是否为无异常,若是,则将生成网络生成的无异常图像输出,若不是,生成网络则进一步生成另一张图像再给辨别网络进行判别,直到输出图像为止。进一步,当获取到对抗网络生成输出的无异常图像,将该无异常图像与扫描医学图像进行比对标注,确定异常区域。其中,可以理解为,无论扫描医学图像是否携带有图像标签信息,均可以调用对抗神经网络模型。也就是说,当获取到携带有图像标签信息的扫描医学图像时,除了根据图像标签信息调用对应的无异常模板之外,同样可以忽略图像标签信息直接调用对抗神经网络。
在一个实施例中,在获取扫描医学图像之前,还包括建立无异常图像模板和训练对抗神经网络的步骤。其中,无论是建立无异常图像模板还是训练对抗神经网络,都需要获取医学图像数据,根据该医学图像数据建立无异常图像模板或者训练对抗神经网络。
具体地,当接收到医学图像数据后,根据该医学图像数据中包括的图像确定本次接收到的医学图像数据是用于建立无异常图像模板,还是用于训练对抗神经网络。当医学图像数据中包括的是无异常医学图像和异常医学图像,则确定该医学图像数据是用于训练对抗神经网络的,根据无异常医学图像和异常医学图像迭代训练对抗神经网络,直到对抗神经网络中的辨别网络认定生成网络生成的图像是真实的图像为止。而当医学图像数据中包括的时至少两个无异常医学图像时,则确定该医学图像数据是用于建立无异常图像模板的,根据该无异常医学图像建立无异常图像模板。
在一个实施例中,如图4所示,建立无异常图像模板,包括以下步骤:
步骤S402,对各无异常医学图像进行均值计算,得到均值图像。
其中,均值计算是指将无异常医学图像所对应的图像矩阵中的矩阵元素值进行平均计算得到对应矩阵元素的平均值,根据该矩阵元素的平均值组成的图像矩阵所对应的图像为均值图像。假设有三张无异常医学图像,且三张无异常图像中对应的图像矩阵中某一对应的矩阵元素值为a、b和c,则将a、b和c进行均值计算(a+b+c)/3,得到该矩阵元素值的平均值,图像中其他矩阵元素均均作此操作。具体地,当确定医学图像数据中包括的是无异常医学图像时,将所有的无异常医学图像对应的矩阵元素值进行均值计算,从而得到均值图像。
步骤S404,将各无异常图像分别与均值图像进行图像配准,得到各无异常图像对应的配准图像。
具体地,将各无异常图像分别与均值图像进行图像配准得到对应的配准图像,假设三张无异常图像分别为图像1、图像2和图像3,且经过图像1、图像2和图像3的均值运算得到均值图像4之后,将图像1与图像4进行图像配准得到的配准图像11作为图像1对应的配准图像。同样的,将图像2和图像3分别与均值图像4进行图像配准,得到的配准图像22和配准图像33作为图像2和图像3对应的配准图像。
步骤S406,判断任意两个配准图像之间的相似度是否满足预设要求。
步骤S408,当任意两个配准图像之间的相似度均满足预设要求时,对各配准图像进行均值计算,并将均值计算后得到的图像作为无异常图像模板。
具体地,当得到所有无异常图像对应的配准图像之后,判断配准图像之间的相似度是否满足预设的相似度值。并且,是指所有配准图像中任意两个配准图像之间均要满足预设的相似度值,一旦有任意两个配准图像的相似度不满足预设值,则表示没有满足预设要求。例如,配准图像11、配准图像22和配准图像33之间,要配准图像11与配准图像22相似度满足预设相似度值、配准图像11与配准图像33相似度满足预设相似度值以及配准图像33与配准图像22相似度也满足预设相似度值。当确定任意两个配准图像之间的相似度满足预设的相似度值时,则将各配准图像再次进行均值计算,得到均值图像作为无异常图像模板。即,将配准图像11、配准图像22和配准图像33进行均值计算,得到的均值图像作为无异常图像模板。其中,判断图像之间相似度是否满足预设要求可以采用任意一种方式。
在一个实施例中,如图4所示,建立无异常图像模板还包括以下步骤:
步骤S410,当存在至少两个配准图像之间的相似度不满足预设要求时,对各配准图像进行均值计算,并将均值计算后得到的图像作为更新均值图像。
步骤S412,将各配准图像分别与更新均值图像进行图像配准,得到各无异常图像对应的更新配准图像。
步骤S414,判断任意两个更新配准图像之间的相似度是否满足预设要求。
步骤S416,对各更新配准图像进行均值计算,并将均值计算后得到的图像作为无异常图像模板。
步骤S418,若存在至少两个更新配准图像之间的相似度不满足预设要求,将更新配准图像作为配准图像,返回步骤S410。
具体地,当存在至少两个配准图像之间的相似度不满足预设要求时,同样对各配准图像进行均值计算,只是得到的均值图像不作为无异常图像模板,而是作为更新后的均值图像,即更新均值图像。并且,基于该更新后的均值图像与已经得到的配准图像进行图像配准,得到更新后的配准图像,即更新配准图像。再次判断更新后的配准图像之间是否还存在至少两个图像之间不满足预设要求的,若还存在,则将更新配准图像作为配准图像,并返回步骤S410,重新对该更新配准图像进行均值计算的步骤,直到任意两个更新配准图像之间的相似度均满足所述预设要求,则可结束循环。相同的,对满足预设要求的更新配准图像进行均值图像,得到的均值图像作为无异常图像模板。
例如,三张无异常图像分别为图像1、图像2和图像3,且经过图像1、图像2和图像3的均值运算得到均值图像4之后,将图像1与图像4进行图像配准得到的配准图像11作为图像1对应的配准图像。同样的,将图像2和图像3分别与均值图像4进行图像配准,得到的配准图像22和配准图像33作为图像2和图像3对应的配准图像。若配准图像11、配准图像22和配准图像33之间任意两个配准图像之间的相似度均满足预设要求,则对配准图像11、配准图像22和配准图像33再次进行均值计算,得到更新均值图像,即均值图像44,均值图像44作为无异常图像模板。
若配准图像11、配准图像22和配准图像33之间存在至少两个配准图像之间的相似度不满足预设要求,则对配准图像11、配准图像22和配准图像33再次进行均值计算,得到的均值图像44作为更新均值图像。将配准图像11、配准图像22和配准图像33分别与均值图像44进行配准,分别得到对应的更新配准图像111、更新配准图像222和更新配准图像333。进一步判断更新配准图像111、更新配准图像222和更新配准图像333之间相似度是否满足预设要求,若满足,则将更新配准图像111、更新配准图像222和更新配准图像333进行均值计算,得到图像作为无异常图像模板。若不满足,将更新配准图像111、更新配准图像222和更新配准图像333作为配准图像,返回重新计算更新配准图像111、更新配准图像222和更新配准图像333之间的均值,得到下一个均值图像。如此循环,直到得到无异常图像模板。
应该理解的是,虽然图2、4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种医学图像处理装置,包括:获取模块502、配准模块504、生成模块506和确定模块508,其中:
获取模块502,用于获取扫描医学图像。
配准模块504,用于若扫描医学图像携带有图像标签信息,则根据图像标签信息调用无异常图像模板,基于无异常图像模板得到与扫描医学图像对应的无异常医学图像。
生成模块506,用于若扫描医学图像未携带有图像标签信息,则调用对抗神经网络,基于对抗神经网络生成与扫描医学图像对应的无异常医学图像。
确定模块508,用于根据无异常医学图像确定扫描医学图像的异常区域。
在一个实施例中,配准模块504还用于根据图像标签信息调用与扫描医学图像相匹配的无异常图像模板;基于拟合系数,将无异常图像模板与扫描图像进行图像配准,得到与扫描医学图像对应的无异常医学图像。
在一个实施例中,生成模块506还用于将扫描医学图像输入至对抗神经网络;利用对抗神经网络对扫描医学图像进行特征提取,得到扫描医学图像的偏差场,并根据偏差场和扫描医学图像生成与扫描医学图像对应的无异常医学图像。
在一个实施例中,医学图像处理装置还包括训练模块,用于若接收到的医学图像数据包括无异常医学图像和异常医学图像,则基于无异常医学图像和异常医学图像训练预设的对抗神经网络。
在一个实施例中,医学图像处理装置还包括建立模块,用于若接收到的医学图像数据包括至少两个无异常医学图像,则对各无异常医学图像进行均值计算,得到均值图像;将各无异常图像分别与均值图像进行图像配准,得到各无异常图像对应的配准图像;当任意两个配准图像之间的相似度均满足预设要求时,对各配准图像进行均值计算,并将均值计算后得到的图像作为无异常图像模板。
在一个实施例中,建立模块还用于当存在至少两个配准图像之间的相似度不满足预设要求时,对各配准图像进行均值计算,并将均值计算后得到的图像作为更新均值图像;将各配准图像分别与更新均值图像进行图像配准,得到各无异常图像对应的更新配准图像;若存在至少两个更新配准图像之间的相似度不满足预设要求,将更新配准图像作为所述配准图像,返回对各配准图像进行均值计算的步骤,直到任意两个更新配准图像之间的相似度均满足所述预设要求为止;对满足预设要求的各更新配准图像进行均值计算,并将均值计算后得到的图像作为无异常图像模板。
在一个实施例中,配准模块504还用于将图像标签信息与无异常图像模板的模板信息进行匹配;当存在与图像标签信息相匹配的模板信息时,调用相匹配的模板信息对应的无异常图像模板,作为与扫描医学图像相匹配的无异常图像模板。
关于医学图像处理装置的具体限定可以参见上文中对于医学图像处理方法的限定,在此不再赘述。上述医学图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、数据库、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医学图像处理方法。
该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取扫描医学图像;
若扫描医学图像携带有图像标签信息,则根据图像标签信息调用无异常图像模板,基于无异常图像模板得到与扫描医学图像对应的无异常医学图像;
若扫描医学图像未携带有图像标签信息,则调用对抗神经网络,基于对抗神经网络生成与扫描医学图像对应的无异常医学图像;
根据无异常医学图像确定扫描医学图像的异常区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据图像标签信息调用与扫描医学图像相匹配的无异常图像模板;基于拟合系数,将无异常图像模板与扫描图像进行图像配准,得到与扫描医学图像对应的无异常医学图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将扫描医学图像输入至对抗神经网络;利用对抗神经网络对扫描医学图像进行特征提取,得到扫描医学图像的偏差场,并根据偏差场和扫描医学图像生成与扫描医学图像对应的无异常医学图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若接收到的医学图像数据包括无异常医学图像和异常医学图像,则基于无异常医学图像和异常医学图像训练预设的对抗神经网络。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若接收到的医学图像数据包括至少两个无异常医学图像,则对各无异常医学图像进行均值计算,得到均值图像;将各无异常图像分别与均值图像进行图像配准,得到各无异常图像对应的配准图像;当任意两个配准图像之间的相似度均满足预设要求时,对各配准图像进行均值计算,并将均值计算后得到的图像作为无异常图像模板。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当存在至少两个配准图像之间的相似度不满足预设要求时,对各配准图像进行均值计算,并将均值计算后得到的图像作为更新均值图像;将各配准图像分别与更新均值图像进行图像配准,得到各无异常图像对应的更新配准图像;若存在至少两个更新配准图像之间的相似度不满足预设要求,将更新配准图像作为所述配准图像,返回对各配准图像进行均值计算的步骤,直到任意两个更新配准图像之间的相似度均满足所述预设要求为止;对满足预设要求的各更新配准图像进行均值计算,并将均值计算后得到的图像作为无异常图像模板。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将图像标签信息与无异常图像模板的模板信息进行匹配;当存在与图像标签信息相匹配的模板信息时,调用相匹配的模板信息对应的无异常图像模板,作为与扫描医学图像相匹配的无异常图像模板。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取扫描医学图像;
若扫描医学图像携带有图像标签信息,则根据图像标签信息调用无异常图像模板,基于无异常图像模板得到与扫描医学图像对应的无异常医学图像;
若扫描医学图像未携带有图像标签信息,则调用对抗神经网络,基于对抗神经网络生成与扫描医学图像对应的无异常医学图像;
根据无异常医学图像确定扫描医学图像的异常区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据图像标签信息调用与扫描医学图像相匹配的无异常图像模板;基于拟合系数,将无异常图像模板与扫描图像进行图像配准,得到与扫描医学图像对应的无异常医学图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将扫描医学图像输入至对抗神经网络;利用对抗神经网络对扫描医学图像进行特征提取,得到扫描医学图像的偏差场,并根据偏差场和扫描医学图像生成与扫描医学图像对应的无异常医学图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若接收到的医学图像数据包括无异常医学图像和异常医学图像,则基于无异常医学图像和异常医学图像训练预设的对抗神经网络。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若接收到的医学图像数据包括至少两个无异常医学图像,则对各无异常医学图像进行均值计算,得到均值图像;将各无异常图像分别与均值图像进行图像配准,得到各无异常图像对应的配准图像;当任意两个配准图像之间的相似度均满足预设要求时,对各配准图像进行均值计算,并将均值计算后得到的图像作为无异常图像模板。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当存在至少两个配准图像之间的相似度不满足预设要求时,对各配准图像进行均值计算,并将均值计算后得到的图像作为更新均值图像;将各配准图像分别与更新均值图像进行图像配准,得到各无异常图像对应的更新配准图像;若存在至少两个更新配准图像之间的相似度不满足预设要求,将更新配准图像作为所述配准图像,返回对各配准图像进行均值计算的步骤,直到任意两个更新配准图像之间的相似度均满足所述预设要求为止;对满足预设要求的各更新配准图像进行均值计算,并将均值计算后得到的图像作为无异常图像模板。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将图像标签信息与无异常图像模板的模板信息进行匹配;当存在与图像标签信息相匹配的模板信息时,调用相匹配的模板信息对应的无异常图像模板,作为与扫描医学图像相匹配的无异常图像模板。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。