CN110399889B - 医学影像处理方法、装置、设备及存储介质 - Google Patents
医学影像处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110399889B CN110399889B CN201910677083.0A CN201910677083A CN110399889B CN 110399889 B CN110399889 B CN 110399889B CN 201910677083 A CN201910677083 A CN 201910677083A CN 110399889 B CN110399889 B CN 110399889B
- Authority
- CN
- China
- Prior art keywords
- medical image
- processed
- histogram
- category
- determining
- 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 abstract description 12
- 238000005286 illumination Methods 0.000 claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims description 41
- 238000013507 mapping Methods 0.000 claims description 10
- 210000001715 carotid artery Anatomy 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 210000000629 knee joint Anatomy 0.000 claims description 6
- 210000004072 lung Anatomy 0.000 claims description 6
- 238000002604 ultrasonography Methods 0.000 claims description 6
- 238000011976 chest X-ray Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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]
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/10132—Ultrasound image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种医学影像处理方法、装置、设备及存储介质。该医学影像处理的方法包括：获取待处理医学影像的所属类别；确定所述待处理医学影像的梯度直方图；根据所述待处理医学影像的梯度直方图，确定所述待处理医学影像的平均梯度值；确定所述待处理医学影像所属类别的医学影像的平均梯度值及标准直方图；根据所述待处理医学影像的平均梯度值与所述所属类别医学影像的平均梯度值，确定是否需要对所述待处理医学影像进行光照补偿；以及当需要对所述待处理医学影像进行光照补偿时，根据所述标准直方图及所述待处理医学影像的梯度直方图，对所述待处理医学影像进行光照补偿。
Description
技术领域
本发明涉及智能医疗技术领域，具体而言，涉及一种医学影像处理方法、装置、设备及存储介质。
背景技术
医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。医学影像处理是指对已经获得的医学影像作进一步的图像处理，其目的是使原来不够清晰的图像复原，或者是为了突出图像中的某些特征信息，或者是对图像做模式分类等等。
对于在光线较暗条件下拍摄的医学影像，为了更好的识别其中的内容，提升医疗影像识别的准确率，需要对其进行相应地图像处理，例如对其进行光照补偿操作。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明提供一种基于区块链的医学影像处理方法、装置、设备及存储介质。
本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本发明的一方面，提供一种医学影像处理方法，包括：获取待处理医学影像的所属类别；确定所述待处理医学影像的梯度直方图；根据所述待处理医学影像的梯度直方图，确定所述待处理医学影像的平均梯度值；确定所述待处理医学影像所属类别的医学影像的平均梯度值及标准直方图；根据所述待处理医学影像的平均梯度值与所述所属类别医学影像的平均梯度值，确定是否需要对所述待处理医学影像进行光照补偿；以及当需要对所述待处理医学影像进行光照补偿时，根据所述标准直方图及所述待处理医学影像的梯度直方图，对所述待处理医学影像进行光照补偿。
根据本发明的一实施方式，确定所述待处理医学影像所属类别的医学影像的平均梯度值及标准直方图包括：获取标注为光照正常或经光照补偿处理后的医学影像；根据所述医学影像标注的类别，对所述医学影像进行分类存储；针对每一类别中的医学影像，分别确定该类别医学影像中每一医学影像的梯度直方图；以及根据每一医学影像的梯度直方图，获得该类别医学影像的标准直方图，并确定该类别医学影像的平均梯度值。
根据本发明的一实施方式，获取标注为光照正常或经光照补偿处理后的医学影像包括：从已构建的区块链网络中获取标注为光照正常或经光照补偿处理后的所述医学影像。
根据本发明的一实施方式，根据所述待处理医学影像的平均梯度值与所述所属类别医学影像的平均梯度值，确定是否需要对所述待处理医学影像进行光照补偿包括：当所述待处理医学影像的平均梯度值小于所述所属类别医学影像的平均梯度值时，确定需要对所述待处理医学影像进行光照补偿；或者，当所述待处理医学影像的平均梯度值小于所述所属类别医学影像的平均梯度值与一预设参数之和时，确定需要对所述待处理医学影像进行光照补偿。
根据本发明的一实施方式，根据所述标准直方图及所述待处理医学影像的梯度直方图，对所述待处理医学影像进行光照补偿包括：根据所述标准直方图，对所述待处理医学影像的梯度直方图进行拟合，以获得所述待处理医学影像的拟合直方图及其像素映射表和每个像素的补偿值；以及根据所述像素映射表和每个像素的补偿值对所述待处理医学影像进行光照补偿。
根据本发明的一实施方式，对所述待处理医学影像的梯度直方图进行拟合包括：通过二次线性方程，对所述待处理医学影像的梯度直方图进行拟合。
根据本发明的一实施方式，所述所属类别包括：颅脑磁共振血管成像、膝关节CT、肺部CT、胸部X光片或颈动脉超声图像中的全部或部分。
根据本发明的另一方面，提供一种医学影像处理装置，包括：类别获取模块，用于获取待处理医学影像的所属类别；影像确定模块，用于确定所述待处理医学影像的梯度直方图；数值确定模块，用于根据所述待处理医学影像的梯度直方图，确定所述待处理医学影像的平均梯度值；数值获取模块，用于确定所述待处理医学影像所属类别的医学影像的平均梯度值；补偿确定模块，用于根据所述待处理医学影像的平均梯度值与所述所属类别医学影像的平均梯度值，确定是否需要对所述待处理医学影像进行光照补偿；以及影像处理模块，用于当所述补偿确定模块确定需要对所述待处理医学影像进行光照补偿时，根据所述标准直方图及所述待处理医学影像的梯度直方图，对所述待处理医学影像进行光照补偿。
根据本发明的再一方面，提供一种计算机设备，包括：存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令，所述处理器执行所述可执行指令时实现如上述任意一种方法。
根据本发明的再一方面，提供一种计算机可读存储介质，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现如上述任意一种方法。
根据本发明实施方式提供的医学影像处理的方法，基于大量的医学影像获得的各类医学影像的平均梯度值，判断待处理医学影像是否需要进行光照补偿处理。如果需要，再根据基于大量的医学影像获得的各类医学影像的的标准直方图，对该待处理医学图像进行相应的光照补偿处理，以使其在后续内容识别时，可有效提升其识别准确率。
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的，并不能限制本发明。
附图说明
通过参照附图详细描述其示例实施例，本发明的上述和其它目标、特征及优点将变得更加显而易见。
图1是根据一示例性实施方式示出的一种医学影像处理的方法的流程图。
图2是根据一示例性实施方式示出的另一种医学影像处理的方法的流程图。
图3是根据一示例性实施方式示出的再一种医学影像处理方法的流程图。
图4是根据一示例性实施方式示出的一种医学影像处理的装置的框图。
图5是根据一示例性实施方式示出的另一种医学影像处理装置的框图。
图6是根据一示例性实施方式示出的一种电子设备的结构示意图。
图7是根据一示例性实施方式示出的一种计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现或者操作以避免喧宾夺主而使得本发明的各方面变得模糊。
图1是根据一示例性实施方式示出的一种医学影像处理的方法的流程图。
参考图1，医学影像处理的方法10包括：
在步骤S102中，获取待处理医学影像的所属类别。
对于在光照较暗情况下采集的医学影像，为了有效地识别其中的内容，提升图像识别的准确率，需要对其先进行相应的图像处理。
其中，所属类别例如可以包括：颅脑磁共振血管成像、膝关节CT、肺部CT、胸部X光片或颈动脉超声图像中的全部或部分。
在步骤S104中，确定待处理医学影像的梯度直方图。
例如，通过统计该待处理医学影像的像素分布，来确定出该医学影像的梯度直方图。
在步骤S106中，根据待处理医学影像的梯度直方图，确定待处理医学影像的平均梯度值。
例如，可以首先统计出其中每个像素点的梯度值；再根据每一像素的梯度值计算该影像的平均梯度值。
在步骤S108中，确定待处理医学图像所属类别的医学影像的平均梯度值及标准直方图。
为了对该待处理医学影像进行处理，先确定该待处理医学影像所属类别的医学影像的平均梯度值及标准直方图。
在步骤S110中，根据待处理医学影像的平均梯度值与所属类别医学影像的平均梯度值，确定是否需要对待处理医学影像进行光照补偿。
例如，在一些实施例中，当待处理医学影像的平均梯度值小于所属类别医学影像的平均梯度值时，确定需要对待处理医学影像进行光照补偿。
或者，在另一些实施例中，当待处理医学影像的平均梯度值小于所属类别医学影像的平均梯度值与一预设参数之和时，确定需要对待处理医学影像进行光照补偿。
在步骤S112中，当需要对待处理医学影像进行光照补偿时，根据标准直方图及待处理医学影像的梯度直方图，对待处理医学影像进行光照补偿。
在一些实施例中，例如可以首先根据在上述步骤中确定的标准直方图，对待处理医学影像的梯度直方图进行拟合，例如可以通过二次线性方程，对待处理医学影像的梯度直方图进行拟合，以获得待处理医学影像的拟合直方图及其像素映射表和每个像素的补偿值；之后，根据像素映射表和每个像素的补偿值对待处理医学影像进行光照补偿。
对于进行光照补偿后的待处理医学影像，在后续进行图像内容识别时，其识别准确率得到了有效提升。
根据本发明实施方式提供的医学影像处理方法，基于大量的医学影像获得的各类医学影像的平均梯度值，判断待处理医学影像是否需要进行光照补偿处理。如果需要，再根据基于大量的医学影像获得的各类医学影像的的标准直方图，对该待处理医学图像进行相应的光照补偿处理，以使其在后续内容识别时，可有效提升其识别准确率。
应清楚地理解，本发明描述了如何形成和使用特定示例，但本发明的原理不限于这些示例的任何细节。相反，基于本发明公开的内容的教导，这些原理能够应用于许多其它实施方式。
图2是根据一示例性实施方式示出的另一种医学影像处理的方法的流程图。与图1所示的方法10不同之处在于，图2进一步提供了如何确定待处理医学图像所属类别的医学影像的平均梯度值及标准直方图，也即图2所示的方法，进一步提供了对图1中步骤S108的实施例。
参考图2，步骤S108包括：
在步骤S1082中，获取标注为光照正常或经光照补偿处理后的医学影像。
在一些实施例中，例如可以从已构建的区块链网络中获取标注为光照正常或经光照补偿处理后的医学影像。
区块链技术是利用区块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算方式。在区块链技术大多数应用场景中，利用区块链哈希指针的交易链数据结合、加密学的哈希计算和加密学数字签字机制实现交易过程中的多层次证据确认，来实现不同个体交易方之间的信任问题。由于区块链技术所存储的信息，具有非常好的隐私保护效果，且具有公开透明、可追溯及不易篡改等特点，可以基于区块链技术对大量经标注及分类的医学影像进行存储。
这些医学影像例如可以经人工标注为光照正常或经光照补偿处理后的医学影像。
其中，标注为经过光照补偿处理后的医学影像例如可以为经过如下图像处理方法处理后所存储的医学影像：针对不同光线强弱条件下获取的医学影像进行特征提取与对照。例如，可以根据提取的各特征在图像中的相对位置，通过像素值(如图像梯度)的对比计算，确定出光线较弱条件下获取的医学影像的各像素的光照补偿值，并对这些医学影像的每个像素加上相应的光照补偿值，以对这些光线较弱条件下获取的医学影像进行光照补偿。
在基于区块链技术对其进行存储时，除了对光照增强后的医学影像进行存储，还可以将其对应的影像原图同时关联地存储在该区块链网络中。
在步骤S1084中，根据医学影像标注的类别，对医学影像进行分类存储。
在区块链网络中存储的医学影像，除了对光照情况进行标注外，还对其类别进行了标注。
这些类别例如是根据成像方式和拍摄部分进行分类，如可以包括：颅脑磁共振血管成像(Magnetic Resonance Angiography，MRA)、膝关节CT(Computed Tomography，电子计算机断层扫描)、肺部CT、胸部X光片或颈动脉超声图像中的全部或部分。
在步骤S1086中，针对每一类别中的医学影像，分别确定该类别医学影像中每一医学影像的梯度直方图。
梯度直方图是一种解决人体目标检测的图像特征描述子(Feature Descriptor)，该方法使用梯度方向直方图(Histogram of Oriented Gradients，HOG)特征来表达人体，提取人体的外形信息和运动信息，形成丰富的特征集。
针对每一类别中的医学影像，分别统计该类别中每张医学影像的像素分布，以确定出各张医学影像的梯度直方图。
在步骤S1088中，根据每一医学影像的梯度直方图，获得该类别医学影像的标准直方图，并确定该类别医学影像的平均梯度值。
例如，可对确定出的该类别中各医学影像的梯度直方图进行拟合处理，从而获得该类别医学影像的标准直方图。
梯度值又可称为梯度强度。首先，针对每张医学影像，可以首先统计出其中每个像素点的梯度值；之后，根据每一像素的梯度值计算该医学影像的平均梯度值。在计算出每一医学影像的平均梯度值后，计算出该类别医学影像的平均梯度值。
分别计算出的各类别医学影像的标准直方图及平均梯度值可用于对医学影像的处理操作。
此外，还可以通过不断调整和优化上述方法中计算标准直方图的参数、曲线拟合参数等，以期达到最优的图像处理结果。比如，计算标准直方图的参数包括每个直方图采样点的个数n1，所需正常图像的个数n2，以及在后续医学影像处理方法中用于偏低是否需要光照补偿的参数n3等。其中，n1、n2及n3即需要调整和优化的参数。通过对这些参数的不断调整和优化，以期达到经过光照补偿的待处理医学影像的平均亮度和平均梯度与对应正常光照下采集的医学影像的平均亮度与平均梯度的差值最小，从而效地识别医学影像内容和提高医学图像识别的准确率。
根据本发明实施方式提供的医学影像处理的方法，可以进一步利用诸如区块链技术存储的信息所具有的非常好的隐私保护效果，及所具有的公开透明、可追溯及不易篡改等特点，对大量的经标注并分类的医学影像进行存储，这些医学影像包括在光照正常情况下获取的医学影像，还包括在光照较弱情况下获取的、后经光照补偿后的医学影像。基于不同类别，对这些大量的医学影像进行统计，确定出各类别医学影像的标准直方图及平均梯度值，其用于对医学影像的处理操作。
图3是根据一示例性实施方式示出的再一种医学影像处理的方法的流程图。
参考图3，该方法进一步提供了区块链网络构建方法。当从已构建的区块链网络中获取医学影像时，在图2所示的步骤S1082之前，图3所示的方法20还可以包括：
在步骤S202中，以医疗营业机构为节点，构建该区块链网络。
上述医疗营业机构例如可以包括参与该区块链网络的、可实施麻醉手术的大型医院、小型私人诊所、社区医疗服务站等。
或者，上述的医疗营业机构也可以为一个或多个集团公司下属的医疗营业机构。
在实际应用中，该医疗营业机构应以该区块链网络的实际参与者范围来界定，即以实际在该区块链网络系统中注册的成员来界定，本发明不以此为限。
在步骤S204中，以预设的数据存储结构存储上述的标注为光照正常或经光照补偿处理后的医学影像。
此外，还可以将其他证明相关材料的音频、视频、图像等上传至该区块链网络。
对于上述的相关信息，可根据预设的数据存储结构、信息存储方式和协议等来存储上述的医疗数据，以保证信息存储和信息处理的高效性。
表1是根据一示例示出的一个存储实例，需要说明的是，其仅作为示例而非限制本发明。
表1
本领域技术人员可以理解实现上述实施方式的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
此外，需要注意的是，上述附图仅是根据本发明示例性实施方式的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
图4是根据一示例性实施方式示出的一种医学影像处理装置的框图。
参考图4，医学影像处理装置50包括：类别获取模块502、影像确定模块504、数值确定模块506、均值确定模块508、补偿确定模块510及影像处理模块512。
其中，类别获取模块502用于获取待处理医学影像的所属类别。
影像确定模块504用于确定待处理医学影像的梯度直方图。
数值确定模块506用于根据待处理医学影像的梯度直方图，确定待处理医学影像的平均梯度值。
均值确定模块508用于确定待处理医学图像所属类别的医学影像的平均梯度值及标准直方图。
补偿确定模块510用于根据待处理医学影像的平均梯度值与所属类别医学影像的平均梯度值，确定是否需要对待处理医学影像进行光照补偿。
影像处理模块512用于当补偿确定模块510确定需要对待处理医学影像进行光照补偿时，根据标准直方图及所述待处理医学影像的梯度直方图，对待处理医学影像进行光照补偿。在一些实施例中，影像处理模块512包括：光照补偿单元，用于当待处理医学影像的平均梯度值小于所属类别医学影像的平均梯度值时，确定需要对待处理医学影像进行光照补偿；或者，当待处理医学影像的平均梯度值小于所属类别医学影像的平均梯度值与一预设参数之和时，确定需要对待处理医学影像进行光照补偿。
在一些实施例中，影像处理模块512包括：图像拟合单元和光照补偿单元；图像拟合单元用于根据标准直方图，对待处理医学影像的梯度直方图进行拟合，例如可以通过二次线性方程，对待处理医学影像的梯度直方图进行拟合，以获得待处理医学影像的拟合直方图及其像素映射表和每个像素的补偿值；光照补偿单元用于根据像素映射表和每个像素的补偿值对待处理医学影像进行光照补偿。
在一些实施例中，所属类别包括：颅脑磁共振血管成像、膝关节CT、肺部CT、胸部X光片或颈动脉超声图像中的全部或部分。
根据本发明实施方式提供的医学影像处理装置，利用基于大量的医学影像确定的各类医学影像的平均梯度值，判断待处理医学影像是否需要进行光照补偿处理。如果需要，再根据基于大量的医学影像确定的各类医学影像的标准直方图，对该待处理医学图像进行相应的光照补偿处理，以使其在后续内容识别时，可有效提升其识别准确率。
图5是根据一示例性实施方式示出的另一种医学影像处理装置的框图。与图4所示的装置的不同之处在于，图5所示的装置进一步提供了图4中均值确定模块508的内部结构。
参考图5，均值确定模块508包括：影像获取单元5082、影像存储单元5084、影像统计单元5086及参数获得单元5088。
其中，影像获取单元5082用于获取标注为光照正常或经光照补偿处理后的医学影像。例如，可以从已构建的区块链网络中获取。
其中，在一些实施例中，所述类别包括：颅脑磁共振血管成像、膝关节CT、肺部CT、胸部X光片或颈动脉超声图像中的全部或部分。
影像存储单元5084用于根据医学影像标注的类别，对医学影像进行分类存储。
影像统计单元5086用于针对每一类别中的医学影像，分别确定该类别医学影像中每一医学影像的梯度直方图。
参数获得单元5088用于根据每一医学影像的梯度直方图，获得该类别医学影像的标准直方图，并确定该类别医学影像的平均梯度值。
需要注意的是，上述附图中所示的框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图6是根据一示例性实施方式示出的一种电子设备的结构示意图。需要说明的是，图6示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，电子设备800以通用计算机设备的形式表现。电子设备800的组件包括：至少一个中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序代码或者从至少一个存储单元808加载到随机访问存储器(RAM)803中的程序代码而执行各种适当的动作和处理。
特别地，根据本发明的实施例，所述程序代码可以被中央处理单元801执行，使得中央处理单元801执行本说明书上述方法实施例部分中描述的根据本发明各种示例性实施方式的步骤。例如，中央处理单元801可以执行如图1-图3中所示的步骤。
在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。CPU 801、ROM802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入单元806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出单元807；包括硬盘等的存储单元808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信单元809。通信单元809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储单元808。
图7是根据一示例性实施方式示出的一种计算机可读存储介质的示意图。
参考图7所示，描述了根据本发明的实施方式的设置为实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如图1-图3中所示的功能。
以上具体地示出和描述了本发明的示例性实施方式。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (8)
1.一种医学影像处理方法，其特征在于，包括：
获取待处理医学影像的所属类别；
确定所述待处理医学影像的梯度直方图；
根据所述待处理医学影像的梯度直方图，确定所述待处理医学影像的平均梯度值；
确定所述待处理医学影像所属类别的医学影像的平均梯度值及标准直方图；
当所述待处理医学影像的平均梯度值小于所述所属类别医学影像的平均梯度值时，确定需要对所述待处理医学影像进行光照补偿；或者，当所述待处理医学影像的平均梯度值小于所述所属类别医学影像的平均梯度值与一预设参数之和时，确定需要对所述待处理医学影像进行光照补偿；以及
当需要对所述待处理医学影像进行光照补偿时，
根据所述标准直方图，对所述待处理医学影像的梯度直方图进行拟合，以获得所述待处理医学影像的拟合直方图及其像素映射表和每个像素的补偿值；以及
根据所述像素映射表和每个像素的补偿值对所述待处理医学影像进行光照补偿。
2.根据权利要求1所述的方法，其特征在于，确定所述待处理医学影像所属类别的医学影像的平均梯度值及标准直方图包括：
获取标注为光照正常或经光照补偿处理后的医学影像；
根据所述医学影像标注的类别，对所述医学影像进行分类存储；
针对每一类别中的医学影像，分别确定该类别医学影像中每一医学影像的梯度直方图；以及
根据每一医学影像的梯度直方图，获得该类别医学影像的标准直方图，并确定该类别医学影像的平均梯度值。
3.根据权利要求2所述的方法，其特征在于，获取标注为光照正常或经光照补偿处理后的医学影像包括：从已构建的区块链网络中获取标注为光照正常或经光照补偿处理后的所述医学影像。
4.根据权利要求1所述的方法，其特征在于，对所述待处理医学影像的梯度直方图进行拟合包括：通过二次线性方程，对所述待处理医学影像的梯度直方图进行拟合。
5.根据权利要求1或2所述的方法，其特征在于，所述所属类别包括：颅脑磁共振血管成像、膝关节CT、肺部CT、胸部X光片或颈动脉超声图像中的全部或部分。
6.一种医学影像处理装置，其特征在于，包括：
类别获取模块，用于获取待处理医学影像的所属类别；
影像确定模块，用于确定所述待处理医学影像的梯度直方图；
数值确定模块，用于根据所述待处理医学影像的梯度直方图，确定所述待处理医学影像的平均梯度值；
均值确定模块，用于确定所述待处理医学影像所属类别的医学影像的平均梯度值及标准直方图；
补偿确定模块，用于当所述待处理医学影像的平均梯度值小于所述所属类别医学影像的平均梯度值时，确定需要对所述待处理医学影像进行光照补偿；或者，当所述待处理医学影像的平均梯度值小于所述所属类别医学影像的平均梯度值与一预设参数之和时，确定需要对所述待处理医学影像进行光照补偿；以及
影像处理模块，用于当所述补偿确定模块确定需要对所述待处理医学影像进行光照补偿时，根据所述标准直方图，对所述待处理医学影像的梯度直方图进行拟合，以获得所述待处理医学影像的拟合直方图及其像素映射表和每个像素的补偿值；以及
根据所述像素映射表和每个像素的补偿值对所述待处理医学影像进行光照补偿。
7.一种计算机设备，包括：存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令，其特征在于，所述处理器执行所述可执行指令时实现如权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机可执行指令，其特征在于，所述可执行指令被处理器执行时实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910677083.0A CN110399889B (zh) | 2019-07-25 | 2019-07-25 | 医学影像处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910677083.0A CN110399889B (zh) | 2019-07-25 | 2019-07-25 | 医学影像处理方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110399889A CN110399889A (zh) | 2019-11-01 |
| CN110399889B true CN110399889B (zh) | 2021-10-22 |
Family
ID=68325041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910677083.0A Active CN110399889B (zh) | 2019-07-25 | 2019-07-25 | 医学影像处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110399889B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111540443A (zh) * | 2020-04-28 | 2020-08-14 | 青岛海信医疗设备股份有限公司 | 医学影像显示方法和通信终端 |
| CN111477305B (zh) * | 2020-05-11 | 2023-10-31 | 青岛海信医疗设备股份有限公司 | 一种胶片数字化处理方法、终端和拍摄终端 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101582991A (zh) * | 2008-05-13 | 2009-11-18 | 深圳华为通信技术有限公司 | 图像处理方法及装置 |
| CN101887518A (zh) * | 2010-06-17 | 2010-11-17 | 北京交通大学 | 人体检测装置与方法 |
| CN102496152A (zh) * | 2011-12-01 | 2012-06-13 | 四川虹微技术有限公司 | 一种基于直方图的自适应图像对比度增强方法 |
| CN108172275A (zh) * | 2016-12-05 | 2018-06-15 | 北京东软医疗设备有限公司 | 一种医学影像处理方法及装置 |
-
2019
- 2019-07-25 CN CN201910677083.0A patent/CN110399889B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101582991A (zh) * | 2008-05-13 | 2009-11-18 | 深圳华为通信技术有限公司 | 图像处理方法及装置 |
| CN101887518A (zh) * | 2010-06-17 | 2010-11-17 | 北京交通大学 | 人体检测装置与方法 |
| CN102496152A (zh) * | 2011-12-01 | 2012-06-13 | 四川虹微技术有限公司 | 一种基于直方图的自适应图像对比度增强方法 |
| CN108172275A (zh) * | 2016-12-05 | 2018-06-15 | 北京东软医疗设备有限公司 | 一种医学影像处理方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110399889A (zh) | 2019-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Masoudi et al. | Quick guide on radiology image pre-processing for deep learning applications in prostate cancer research | |
| WO2021196955A1 (zh) | 图像识别方法及相关装置、设备 | |
| Chen et al. | Wavelet energy entropy and linear regression classifier for detecting abnormal breasts | |
| CN110276366A (zh) | 使用弱监督模型来检测对象 | |
| CN111696083B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| Rutherford et al. | Automated brain masking of fetal functional MRI with open data | |
| Ding et al. | Brain Medical Image Fusion Based on Dual‐Branch CNNs in NSST Domain | |
| US20180241563A1 (en) | Image fingerprinting | |
| Chang et al. | Retinex image enhancement via a learned dictionary | |
| Kim et al. | Contrast enhancement using histogram equalization based on logarithmic mapping | |
| CN110399889B (zh) | 医学影像处理方法、装置、设备及存储介质 | |
| Li et al. | Insulator defect detection for power grid based on light correction enhancement and YOLOv5 model | |
| Lei et al. | Image quality improvement in cone-beam CT using deep learning | |
| Zhang et al. | An approach for underwater image enhancement based on color correction and dehazing | |
| CN113658175A (zh) | 一种征象数据的确定方法及装置 | |
| Zhou et al. | Learning stochastic object models from medical imaging measurements by use of advanced ambient generative adversarial networks | |
| Markiewicz et al. | MIAP–Web-based platform for the computer analysis of microscopic images to support the pathological diagnosis | |
| CN109961435B (zh) | 脑图像获取方法、装置、设备及存储介质 | |
| Kuo et al. | Gaussian probability bi‐histogram equalization for enhancement of the pathological features in medical images | |
| CN112862752A (zh) | 一种图像处理显示方法、系统电子设备及存储介质 | |
| Zhang et al. | Eliminate the hardware: Mobile terminals-oriented food recognition and weight estimation system | |
| Teh et al. | Brain early infarct detection using gamma correction extreme‐level eliminating with weighting distribution | |
| Cui et al. | [Retracted] Key Technology of the Medical Image Wise Mining Method Based on the Meanshift Algorithm | |
| Rohleder et al. | Cross-domain metal segmentation for CBCT metal artifact reduction | |
| Onal et al. | Automatic vertebra segmentation on dynamic magnetic resonance imaging |
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 |