CN110415239A - 图像处理方法、装置、设备、医疗电子设备以及介质 - Google Patents

图像处理方法、装置、设备、医疗电子设备以及介质 Download PDF

Info

Publication number
CN110415239A
CN110415239A CN201910708114.4A CN201910708114A CN110415239A CN 110415239 A CN110415239 A CN 110415239A CN 201910708114 A CN201910708114 A CN 201910708114A CN 110415239 A CN110415239 A CN 110415239A
Authority
CN
China
Prior art keywords
image
medical image
pixel
magnetic resonance
medical
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.)
Granted
Application number
CN201910708114.4A
Other languages
English (en)
Other versions
CN110415239B (zh
Inventor
张军
王亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201910708114.4A priority Critical patent/CN110415239B/zh
Publication of CN110415239A publication Critical patent/CN110415239A/zh
Application granted granted Critical
Publication of CN110415239B publication Critical patent/CN110415239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G06T2207/20—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

公开了一种基于人工智能的图像处理方法、装置、设备、医疗电子设备以及介质。所述方法包括：获取医学图像，其中所述医学图像包括生物组织的图像；利用回归操作将所述医学图像中的像素点的图像信息映射到预设的区间中以确定所述医学图像的回归结果，其中所述回归结果指示所述医学图像中的像素点对应的生物组织的生理特征；生成所述医学图像的生理特征图，其中所述生理特征图以可视化的方式显示所述医学图像的回归结果。

Description

图像处理方法、装置、设备、医疗电子设备以及介质
技术领域
本申请涉及图像处理领域，具体涉及一种用于医学图像的图像处理方法、装置、设备、医疗电子设备以及介质。
背景技术
对于由医疗电子设备所采集的医学图像，可以对图像执行图像分割处理和/或图像分类处理以实现对于图像内容的识别。例如，可以利用图像分割处理识别医学图像中的预定组织，例如囊肿、肿瘤等区域。又例如，可以利用图像分类确定医学图像所述的类别。例如，可以通过图像分类算法确定医学图像中包含的生物组织属于良性或是恶性。
发明内容
本申请的目的是提供一种用于医学图像的图像处理方法、装置、设备、医疗电子设备以及介质。
根据本申请的一个方面，提供了一种用于医学图像的图像处理方法，包括：获取医学图像，其中所述医学图像包括生物组织的图像；利用回归操作将所述医学图像中的像素点的图像信息映射到预设的区间中以确定所述医学图像的回归结果，其中所述回归结果指示所述医学图像中的像素点对应的生物组织的生理特征；生成所述医学图像的生理特征图，其中所述生理特征图以可视化的方式显示所述医学图像的回归结果。
在一些实施例中，所述医学图像包括至少两个磁共振图像，其中所述至少两个磁共振图像是利用互不相同的扫描序列分别针对所述生物组织生成的磁共振图像。
在一些实施例中，所述回归操作包括：确定由至少两个磁共振图像组成的多通道的待处理图像；以及利用机器学习模型对所述待处理图像进行回归分析。
在一些实施例中，确定由所述至少两个磁共振图像组成的多通道的待处理图像包括：将所述至少两个磁共振图像缩放为同一分辨率，以确定分辨率相同的至少两个磁共振图像；将所述分辨率相同的至少两个磁共振图像中的一个确定为参考图像；基于所述参考图像对所述分辨率相同的至少两个磁共振图像进行配准，以确定配准后的至少两个磁共振图像；以及；将配准后的至少两个磁共振图像组成所述多通道的待处理图像。
在一些实施例中，确定由至少两个磁共振图像组成的多通道的待处理图像包括：基于所述至少两个磁共振图像中的一个确定所述医学图像中的感兴趣区域；基于所述感兴趣区域确定用于所述医学图像的感兴趣区域图像；确定由所述至少两个磁共振图像和所述感兴趣区域图像组成的多通道的待处理图像。
在一些实施例中，生成所述医学图像的生理特征图包括：根据所述医学图像的回归结果确定生理特征图中的像素点的像素值；将所述医学图像中对应的像素点的像素值替换为所述生理特征图中的像素点的像素值，以确定所述医学图像的生理特征图。
在一些实施例中，所述生物组织是乳腺区域，所述生理特征是所述乳腺区域的健康程度。
在一些实施例中，所述机器学习模型是U-Net网络。
在一些实施例中，所述U-Net网络是通过以下步骤训练的：确定包括至少一个训练图像的训练样本集，其中所述至少一个训练图像的像素点标记有用于该像素点的真实回归结果；利用所述U-Net网络对所述训练图像进行回归分析，以得到所述训练图像中像素点的训练回归结果，调整所述U-Net网络的参数使得所述训练回归结果与所述真实回归结果之间的损失最小。
在一些实施例中，所述损失是所述训练回归结果与所述真实回归结果之间的均方差。
根据本申请的另一方面，还提供了一种用于医学图像的图像处理装置，包括：输入单元，配置成获取医学图像，其中所述医学图像包括生物组织的图像；回归处理单元，配置成利用回归操作将所述医学图像中的像素点的图像信息映射到预设的区间中以确定所述医学图像的回归结果，其中所述回归结果指示所述医学图像中的像素点对应的生物组织的生理特征；结果生成单元，配置成生成所述医学图像的生理特征图，其中所述生理特征图以可视化的方式显示所述医学图像的回归结果。
在一些实施例中，所述医学图像包括至少两个磁共振图像，其中所述至少两个磁共振图像是利用互不相同的扫描序列分别针对所述生物组织生成的磁共振图像。
在一些实施例中，所述回归操作包括：确定由所述至少两个磁共振图像组成的多通道的待处理图像；以及利用机器学习模型对所述待处理图像进行回归分析。
在一些实施例中，确定由至少两个磁共振图像组成的多通道的待处理图像包括：将所述至少两个磁共振图像缩放为同一分辨率，以确定分辨率相同的至少两个磁共振图像；将所述分辨率相同的至少两个磁共振图像中的一个确定为参考图像；基于所述参考图像对所述分辨率相同的至少两个磁共振图像进行配准，以确定配准后的至少两个磁共振图像；以及；将配准后的至少两个磁共振图像组成所述多通道的待处理图像。
在一些实施例中，确定由至少两个磁共振图像组成的多通道的待处理图像包括：基于所述至少两个磁共振图像中的一个确定所述医学图像中的感兴趣区域；基于所述感兴趣区域确定用于所述医学图像的感兴趣区域图像；确定由所述至少两个磁共振图像和所述感兴趣区域图像组成的多通道的待处理图像。
在一些实施例中，所述结果生成单元还配置成：根据所述医学图像的回归结果确定生理特征图中的像素点的像素值；将所述医学图像中对应的像素点的像素值替换为所述生理特征图中的像素点的像素值，以确定所述医学图像的生理特征图。
在一些实施例中，所述生物组织是乳腺区域，所述生理特征是所述乳腺区域的健康程度。
在一些实施例中，所述机器学习模型是U-Net网络。
在一些实施例中，所述U-Net网络是通过以下步骤训练的：确定包括至少一个训练图像的训练样本集，其中所述至少一个训练图像的像素点标记有用于该像素点的真实回归结果；利用所述U-Net网络对所述训练图像进行回归分析，以得到所述训练图像中像素点的训练回归结果，调整所述U-Net网络的参数使得所述训练回归结果与所述真实回归结果之间的损失最小。
在一些实施例中，所述损失是所述训练回归结果与所述真实回归结果之间的均方差。
根据本申请的又一方面，还提供了一种基于人工智能的医疗电子设备，包括：图像采集单元，配置成采集医学图像，其中所述医学图像包括生物组织的图像；处理单元，配置成利用基于人工智能的回归操作将所述医学图像中的像素点的图像信息映射到预设的区间中以确定所述医学图像的回归结果，其中所述回归结果指示所述医学图像中的像素点对应的生物组织的生理特征；以及生成所述医学图像的生理特征图；显示单元，配置成显示所述医学图像的生理特征图，其中所述生理特征图以可视化的方式显示所述医学图像的回归结果。
根据本申请的又一方面，还提供了一种图像处理设备，所述设备包括存储器和处理器，其中所述存储器中存有指令，当利用所述处理器执行所述指令时，使得所述处理器执行如前所述的图像处理方法。
根据本申请的又一方面，还提供了一种计算机可读存储介质，其上存储有指令，所述指令在被处理器执行时，使得所述处理器执行如前所述的图像处理方法。
利用本申请提供的用于医学图像的图像处理方法、装置、设备、医疗电子设备以及介质，能够对输入的医学图像进行回归分析，从而以逐像素的方式确定医学图像中的像素点对应的生物组织的生理特征。利用本申请提供的方法能够克服相关技术中仅能够基于整图或区域实现良恶性的判断的缺陷，能够生成用于整张图像的每个像素的生理特征图。利用本申请生成的生理特征图能够直观地对医学图像中包括的生物组织的生物特性进行展示。
附图说明
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地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1示出了根据本申请的图像处理系统的示例性的场景图；
图2示出了根据本申请的实施例提供的图像处理方法的示意性的流程图；
图3A示出了利用不同模态获取的磁共振图像的示例；
图3B示出了配准后的至少两个磁共振图像的示意图；
图3C中示出了利用T1非脂肪抑制图像确定的感兴趣区域的图像；
图3D示出了利用本申请的原理生成的医学图像的生理特征图的示例；
图4示出了根据本申请的实施例提供的图像处理装置的示意性的框图；
图5示出了根据本申请的实施例的医疗电子设备的示意性的框图；以及
图6示出了根据本申请的实施例的计算设备的架构。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本申请中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。在本申请提供的实施例中，通过使用计算机视觉技术，能够利用计算机处理获取并向用户提供图像(例如医学图像)中的更多信息。
机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本申请实施例提供的方案涉及人工智能的计算机视觉和机器学习等技术，具体通过如下实施例进行说明:
图1示出了根据本申请的图像处理系统的示例性的场景图。如图1所示，该图像处理系统100可以包括用户终端110、网络120、服务器130以及数据库140。
用户终端110可以是例如图1中示出的电脑110-1、手机110-2。可以理解的是，事实上，用户终端可以是能够执行数据处理的任何其他类型的电子设备，其可以包括但不限于台式电脑、笔记本电脑、平板电脑、智能手机、智能家居设备、可穿戴设备、车载电子设备、监控设备、医疗电子设备等。
根据本申请提供的用户终端可以用于接收待处理的图像，并利用本申请提供的方法实现图像处理。在一些实施例中，用户终端可以通过用户终端上设置的图像采集设备(例如照相机、摄像机等)采集待处理的图像。例如，用户终端也可以实现为包括图像采集单元和处理单元的医学电子设备。在另一些实施例中，用户终端也可以从独立设置的图像采集设备接收待处理的图像。再例如，用户终端也可以经由网络从服务器接收待处理的图像。这里所述的待处理的图像可以是单独的图像，也可以是视频中的一帧。在待处理的图像是医学图像的情况下，用户终端也可以从医学采集设备接收待处理的图像。这里所说的医学图像可以是例如通过CT、MRI、超声、X光、核素显像(如SPECT、PET)等方法采集的医学图像，也可以是例如心电图、脑电图、光学摄影等显示人体生理信息的图像。
在一些实施例中，可以利用用户终端的处理单元执行本申请提供的图像处理方法。在一些实现方式中，用户终端可以利用用户终端内置的应用程序执行本申请提供的图像处理方法。在另一些实现方式中，用户终端可以通过调用用户终端外部存储的应用程序执行本申请提供的图像处理方法。
在另一些实施例中，用户终端将接收的待处理的图像经由网络120发送至服务器130，并由服务器130执行本申请提供的图像处理方法。在一些实现方式中，服务器130可以利用服务器内置的应用程序执行本申请提供的图像处理方法。在另一些实现方式中，服务器130可以通过调用服务器外部存储的应用程序执行本申请提供的图像处理方法。
网络120可以是单个网络，或至少两个不同网络的组合。例如，网络120可以包括但不限于局域网、广域网、公用网络、专用网络等中的一种或几种的组合。
服务器130可以是一个单独的服务器，或一个服务器群组，群组内的各个服务器通过有线的或无线的网络进行连接。一个服务器群组可以是集中式的，例如数据中心，也可以是分布式的。服务器130可以是本地的或远程的。
数据库140可以泛指具有存储功能的设备。数据库130主要用于存储从用户终端110和服务器130工作中所利用、产生和输出的各种数据。数据库140可以是本地的，或远程的。数据库140可以包括各种存储器、例如随机存取存储器(Random Access Memory(RAM))、只读存储器(Read Only Memory(ROM))等。以上提及的存储设备只是列举了一些例子，该系统可以使用的存储设备并不局限于此。
数据库140可以经由网络120与服务器130或其一部分相互连接或通信，或直接与服务器130相互连接或通信，或是上述两种方式的结合。
在一些实施例中，数据库150可以是独立的设备。在另一些实施例中，数据库150也可以集成在用户终端110和服务器140中的至少一个中。例如，数据库150可以设置在用户终端110上，也可以设置在服务器140上。又例如，数据库150也可以是分布式的，其一部分设置在用户终端110上，另一部分设置在服务器140上。
下文中将详细阐述本申请提供的图像处理方法的流程。
图2示出了根据本申请的实施例提供的图像处理方法的示意性的流程图。其中图2中示出的图像处理方法可以是基于人工智能的图像处理方法。
在步骤S202中，可以获取医学图像，其中所述医学图像包括生物组织的图像。在本申请接下来的描述中以乳腺组织的MRI图像为例描述本公开的原理，然而本领域技术人员可以理解，本申请提供的方法适用于针对任何生物组织任何形式的医学图像。
在一些实施例中，所输入的医学图像可以是任意维度的图像。下文中将以“像素点”为例对所输入的医学图像中的信息进行说明。然而，可以理解的是，当所输入的医学图像是三维图像时，本申请中涉及的像素点实际应该被理解为体素点。当所输入的医学图像具有更高维度时，本申请中涉及的像素点实际应该被理解为更高维度的点。
在一些实施例中，输入的医学图像可以包括至少两个磁共振图像，其中所述至少两个磁共振图像是利用互不相同的扫描序列分别针对相同的所述生物组织生成的磁共振图像。例如，所述至少两个磁共振图像可以包括利用T1造影序列(包含造影前和造影后)、DWI序列、ADC序列、T1非脂肪抑制序列、T2序列等不同模态获取的磁共振图像。本申请在此不限制生成MRI图像的成像序列的具体形式，
可以理解的是，当医学图像是其他类型的图像(例如X光图像、CT图像等)时，输入的医学图像可以是利用不同的图像采集手段获取的相同生物组织的图像。其中，通过不同的图像采集手段获取的相同生物组织的图像能够指示针对同一生物组织的不同生理学信息。
在步骤S204中，可以利用回归操作将所述医学图像中的像素点的图像信息映射到预设的区间中以确定所述医学图像的回归结果，其中所述回归结果指示所述医学图像中的像素点对应的生物组织的生理特征。在一些实施例终，所述生理特征可以指的是所述生物组织的健康程度。
在一些实施例中，所述回归结果包括针对所述医学图像中每个像素点的等级。例如，所述回归结果可以是一个0-1的区间，其中如果像素点的等级越接近于0，那么可以认为该像素点对应的生物组织的健康程度越高。如果像素点的等级越接近于1，那么可以认为该像素点对应的生物组织的健康程度越低。
可以理解的是，上述0-1的回归结果的区间仅是一种示例性的说明，本领域技术人员可以根据实际情况确定该区间的范围和该区间内的数值所表示的意义。例如，本领域技术人员也可以将回归结果确定为一个0-100的区间，其中如果像素点的等级越接近于100，那么可以认为该像素点对应的生物组织的健康程度越高。如果像素点的等级越接近于0，那么可以认为该像素点对应的生物组织的健康程度越低。上述描述并不构成对于本申请的限制。
在一些实施例中，可以利用机器学习模型对所述医学图像执行所述回归操作。在一些实现方法中，所述机器学习模型可以实现为深度神经网络，例如U-Net、Segnet、全卷积网络(Fully Convolutional Network)等。下文中将以U-Net为例解释本申请的原理。然而，本领域技术人员可以理解，可以利用任何适合的深度神经网络或其他形式的机器学习模型实现本公开的原理。
在一些实施例中，所述回归操作可以包括：确定由至少两个磁共振图像组成的多通道的待处理图像。例如，在磁共振图像是三维图像的情况下，可以将至少两个三维的磁共振图像拼接为多通道的四维图像数据，其中每个通道包含一个三维的磁共振图像。可以将上述由至少两个磁共振图像组成的多通道的图像作为待处理图像，并利用训练好的机器学习模型对所述待处理图像进行回归分析。
在一些实施例中，所述回归操作可以包括将待处理的图像均匀分割成图像块，并对分割得到的图像块逐块执行回归操作。然后，可以将针对每个图像块获得的回归结果拼在一起以确定整个医学图像的回归结果。
在一些实施例中，利用不同手段获取的相同生物组织的图像可能具有不同的图像特性。图3A示出了利用不同模态获取的磁共振图像的示例。如图3A所示，T1造影之前和T1造影之后模态获取的图像分辨率为0.8482×0.8482×1.6mm3，图像尺寸为448×448×80。DWI模态和ADC模态获取的图像分辨率为1.771×1.771×4.8mm3，图像尺寸为192×96×32。T1非脂肪抑制模态获取的图像分辨率为0.8036×0.8036×1.6mm3，图像尺寸为448×448×96。T2模态获取的图像分辨率为0.7589×0.7589×4.8mm3，图像尺寸为448×448×32。此外，利用不同模态获取的图像的方向(orientation)和中心偏移量(origin)也可以是不同的。
在上述情况下，为了融合不同模态下获得的图像信息，需要对不同分辨率和尺寸的图像进行配准。然后可以将配准后的至少两个磁共振图像组成所述多通道的待处理图像。
在一些实现方式中，配准过程可以包括将所述至少两个磁共振图像缩放为同一分辨率，以确定分辨率相同的至少两个磁共振图像。例如，可以利用b样条插值的方式将不同分辨率的图像缩放为统一的分辨率。在一个示例中，可以以各向同性的方式对图像进行插值，使得所有图像的分辨率都被插值为1×1×1mm3。
然后，可以将所述分辨率相同的至少两个磁共振图像中的一个确定为参考图像。例如，可以将统一分辨率后的T1造影序列获取的磁共振图像确定为配准过程所需要的参考图像。利用所述参考图像中包含的图像方向信息和中心偏移量可以对其他图像进行旋转和平移，将所有图像配准到统一空间。然后，可以根据参考图像的尺寸对其他图像进行剪裁，使得配准后的所有磁共振图像具有相同的分辨率和图像尺寸。
图3B示出了配准后的至少两个磁共振图像的示意图，其中不同模态下获取的图像的分辨率被统一为1×1×1mm3，图像尺寸被统一为380×380×128。
在一些实施例中，由至少两个磁共振图像组成的多通道的待处理图像还可以包括用于所述医学图像的感兴趣区域的信息。
在一些实现方式中，可以对至少两个磁共振图像中的一个执行图像分割算法，以确定所述医学图像中的感兴趣区域。在一个示例中，可以利用包括人工标注的乳房区域图像训练得到的机器学习模型(例如U-Net网络或其他任何合适的神经网络)实现上述图像分割算法。在另一个示例中，也可以利用人工标注的方法确定所述医学图像中的感兴趣区域。图3C中示出了利用T1非脂肪抑制图像确定的感兴趣区域的图像。
利用上述图像分割算法确定的感兴趣区域，可以确定用于所述医学图像的感兴趣区域图像。其中所述感兴趣区域图像中包括指示所述感兴趣区域的轮廓的信息。
基于上述感兴趣区域图像可以确定由所述至少两个磁共振图像和所述感兴趣区域图像组成的多通道的待处理图像。例如，可以将上述感兴趣区域图像作为一个通道的图像信息与所述至少两个磁共振图像进行拼接，从而为回归操作提供上下文信息，提高图像处理的精度。又例如，也可以根据所述感兴趣区域从所述至少两个磁共振图像中提取对应位置的图像信息，并利用所提取的信息拼接成多通道的待处理图像。
在一些实施例中，上述感兴趣区域图像可以是根据配准后的磁共振图像生成的，也可以是根据原始的磁共振图像生成的。在利用原始的磁共振图像生成感兴趣区域图像的情况下，可以利用前述配准方法将感兴趣区域图像与其他磁共振图像进行配准。
返回参考图2，在步骤S206中，可以生成所述医学图像的生理特征图，其中所述生理特征图以可视化的方式显示所述医学图像的回归结果。图3D示出了利用本申请的原理生成的医学图像的生理特征图的示例。例如，本申请提供的生理特征图可以实现为热力图的形式。其中，图3D的左侧图示出了经过T1序列造影得到的磁共振图像的结果，图3D的右侧示出了该磁共振图像的生理特征图的像素。通过将图3D右侧的像素值覆盖到图3D的左侧对应像素上，可以得到乳腺的磁共振图像的生理特征图表示的回归结果。
在一些实施例中，如前所述，所述医学图像的回归结果指示医学图像中的每个像素点对应的生物组织的生理特征。因此，可以生成对应于医学图像的生理特征图，其中可以通过设置所述生理特征图中的每个像素点的像素值显示对应的医学图像中的像素点的回归结果。
在一些实施例中，可以根据所述医学图像的回归结果确定生理特征图中的像素点的像素值。例如，以回归结果的区间为0-1，并且如果像素点的等级越接近于0则该像素点对应的生物组织的健康程度越高，如果像素点的等级越接近于1则该像素点对应的生物组织的健康程度越低的配置为例，对于等级为0的像素点，可以将该像素对应的生理特征图中的像素点的像素值设置为绿色，对于等级为1的像素点，可以将该像素对应的生理特征图中的像素点的像素值设置为红色。
利用上述方法确定的生理特征图中的像素点的像素值，可以将所述医学图像中对应的像素点的像素值替换为所述生理特征图中的像素点的像素值，以确定所述医学图像的生理特征图。例如，可以对得到的生理特征图进行插值和变换以得到与原始的医学图像分辨率和尺寸相同的生理特征图，并且可以将变换后的生理特征图的像素值覆盖到对应的原始医学图像中。利用这种方式，可以在生理特征图中以可视化的方式显示医学图像中每个像素点的回归结果，并指示医学图像中每个像素点对应的生物组织的生理特征。
利用本申请提供的上述方法，能够对输入的医学图像进行回归分析，从而以逐像素的方式确定医学图像中的像素点对应的生物组织的生理特征。利用本申请提供的方法能够克服相关技术中仅能够基于整图或区域实现良恶性的判断的缺陷，能够生成用于整张图像的每个像素的生理特征图。利用本申请生成的生理特征图能够直观地对医学图像中包括的生物组织的生物特性进行展示。
训练方法
本申请提供的技术方案中的机器学习模型可以是通过下面描述的步骤训练的。以该机器学习模型被实现为U-Net网络为例，可以确定包括至少一个训练图像的训练样本集，其中所述至少一个训练图像的像素点标记有用于该像素点的真实回归结果。例如，可以根据真实情况将训练图像中的正常组织区域的像素的级别标记为0、将良性病变区域的像素的级别标记为0.3、将原位癌区域的像素的级别标记为0.7，以及将浸润性癌的像素的级别标记为1.0。
然后，可以利用利用所述U-Net网络对所述训练图像进行回归分析，以得到所述训练图像中像素点的训练回归结果。可以根据预先定义的损失函数调整所述U-Net网络的参数使得所述训练回归结果与所述真实回归结果之间的损失最小。
在一些实施例中，可以利用前述方法确定训练图像中的感兴趣区域，并对训练图像中不同模态的图像进行配准，从而对融合了不同模态的图像信息和/或感兴趣区域的上下文信息的多通道的图像进行回归分析。在此不再加以赘述。
在一些实施例中，可以将输入的训练图像剪裁为预设大小的图像块，并利用要训练的U-Net网络对剪裁后的图像块进行处理。利用这样的方式能够减小每一次计算时需要的计算资源，减轻数据的计算压力。
在一些实施例中，所述损失可以表示为所述训练回归结果与所述真实回归结果之间的均方差。例如，可以通过下式计算训练回归结果与真实回归结果之间的损失：
其中n是所有图像像素的总数量，i是像素点序号，Yi是在像素i处的真实回归结果，是像素i处的训练回归结果。
通过上述损失函数可以看出，由于上述训练方法中采用的损失函数是均方差的形式而不是互信息熵的形式，因此利用上述方法训练得到的神经网络对输入图像执行的并非是分类操作而是回归操作。利用上述方法得到的机器学习模型对输入图像进行回归操作后，可以得到用于输入图像中每个像素点的评级，其中每个评级的分数能够指示该像素点在回归结果对应的区间中的位置。例如，以正常组织区域的像素的级别标记为0、将良性病变区域的像素的级别标记为0.3、将原位癌区域的像素的级别标记为0.7，以及将浸润性癌的像素的级别标记为1.0，如果像素的回归结果评级为0.8，那么意味着该像素对应的生物组织的生物特性位于原位癌和浸润癌之间的程度。因此，利用本申请的方法训练得到的机器学习模型能够量化地评价医学图像中包含的生物组织的生理特征，而并非是将图像分类为预设的类别。
图4示出了根据本申请的实施例提供的图像处理装置的示意性的框图。其中图4中示出的图像处理装置可以是基于人工智能的图像处理装置。如图4所示，图像处理装置400可以包括输入单元410、回归处理单元420以及结果生成单元430。
输入单元410可以配置成获取医学图像，其中所述医学图像包括生物组织的图像。在本申请接下来的描述中以乳腺组织的MRI图像为例描述本公开的原理，然而本领域技术人员可以理解，本申请提供的方法适用于针对任何生物组织任何形式的医学图像。
在一些实施例中，输入的医学图像可以包括至少两个磁共振图像，其中所述至少两个磁共振图像是利用互不相同的扫描序列分别针对相同的所述生物组织生成的磁共振图像。例如，所述至少两个磁共振图像可以包括利用T1造影序列(包含造影前和造影后)、DWI序列、ADC序列、T1非脂肪抑制序列、T2序列等不同模态获取的磁共振图像。
回归处理单元420可以配置成利用回归操作将所述医学图像中的像素点的图像信息映射到预设的区间中以确定所述医学图像的回归结果，其中所述回归结果指示所述医学图像中的像素点对应的生物组织的生理特征。
在一些实施例中，所述回归结果包括针对所述医学图像中每个像素点的等级。例如，所述回归结果可以是一个0-1的区间，其中如果像素点的等级越接近于0，那么可以认为该像素点对应的生物组织的健康程度越高。如果像素点的等级越接近于1，那么可以认为该像素点对应的生物组织的健康程度越低。
在一些实施例中，可以利用机器学习模型对所述医学图像执行所述回归操作。在一些实现方法中，所述机器学习模型可以实现为深度神经网络，例如U-Net、Segnet、全卷积网络(Fully Convolutional Network)等。下文中将以U-Net为例解释本申请的原理。然而，本领域技术人员可以理解，可以利用任何适合的深度神经网络或其他形式的机器学习模型实现本公开的原理。
在一些实施例中，所述回归操作可以包括：确定由至少两个磁共振图像组成的多通道的待处理图像。例如，在磁共振图像是三维图像的情况下，可以将至少两个三维的磁共振图像拼接为多通道的四维图像数据，其中每个通道包含一个三维的磁共振图像。可以将上述由至少两个磁共振图像组成的多通道的图像作为待处理图像，并利用训练好的机器学习模型对所述待处理图像进行回归分析。
在一些实施例中，所述回归操作可以包括将待处理的图像均匀分割成图像块，并对分割得到的图像块逐块执行回归操作。然后，可以将针对每个图像块获得的回归结果拼在一起以确定整个医学图像的回归结果。
在一些实施例中，利用不同手段获取的相同生物组织的图像可能具有不同的图像特性。例如，T1造影之前和T1造影之后模态获取的图像分辨率为0.8482×0.8482×1.6mm3，图像尺寸为448×448×80。DWI模态和ADC模态获取的图像分辨率为1.771×1.771×4.8mm3，图像尺寸为192×96×32。T1非脂肪抑制模态获取的图像分辨率为0.8036×0.8036×1.6mm3，图像尺寸为448×448×96。T2模态获取的图像分辨率为0.7589×0.7589×4.8mm3，图像尺寸为448×448×32。此外，利用不同模态获取的图像的方向(orientation)和中心偏移量(origin)也可以是不同的。
在上述情况下，为了融合不同模态下获得的图像信息，需要对不同分辨率和尺寸的图像进行配准。然后可以将配准后的至少两个磁共振图像组成所述多通道的待处理图像。
在一些实现方式中，配准过程可以包括将所述至少两个磁共振图像缩放为同一分辨率，以确定分辨率相同的至少两个磁共振图像。例如，可以利用b样条插值的方式将不同分辨率的图像缩放为统一的分辨率。在一个示例中，可以以各向同性的方式对图像进行插值，使得所有图像的分辨率都被插值为1×1×1mm3。
然后，可以将所述分辨率相同的至少两个磁共振图像中的一个确定为参考图像。例如，可以将统一分辨率后的T1造影序列获取的磁共振图像确定为配准过程所需要的参考图像。利用所述参考图像中包含的图像方向信息和中心偏移量可以对其他图像进行旋转和平移，将所有图像配准到统一空间。然后，可以根据参考图像的尺寸对其他图像进行剪裁，使得配准后的所有磁共振图像具有相同的分辨率和图像尺寸。
例如，可以将不同模态下获取的图像的分辨率统一为1×1×1mm3，图像尺寸统一为380×380×128。
在一些实施例中，由至少两个磁共振图像组成的多通道的待处理图像还可以包括用于所述医学图像的感兴趣区域的信息。
在一些实现方式中，可以对至少两个磁共振图像中的一个执行图像分割算法，以确定所述医学图像中的感兴趣区域。在一个示例中，可以利用包括人工标注的乳房区域图像训练得到的机器学习模型(例如U-Net网络或其他任何合适的神经网络)实现上述图像分割算法。在另一个示例中，也可以利用人工标注的方法确定所述医学图像中的感兴趣区域。
利用上述图像分割算法确定的感兴趣区域，可以确定用于所述医学图像的感兴趣区域图像。其中所述感兴趣区域图像中包括指示所述感兴趣区域的轮廓的信息。
基于上述感兴趣区域图像可以确定由所述至少两个磁共振图像和所述感兴趣区域图像组成的多通道的待处理图像。例如，可以将上述感兴趣区域图像作为一个通道的图像信息与所述至少两个磁共振图像进行拼接，从而为回归操作提供上下文信息，提高图像处理的精度。又例如，也可以根据所述感兴趣区域从所述至少两个磁共振图像中提取对应位置的图像信息，并利用所提取的信息拼接成多通道的待处理图像。
在一些实施例中，上述感兴趣区域图像可以是根据配准后的磁共振图像生成的，也可以是根据原始的磁共振图像生成的。在利用原始的磁共振图像生成感兴趣区域图像的情况下，可以利用前述配准方法将感兴趣区域图像与其他磁共振图像进行配准。
结果生成单元可以配置成生成所述医学图像的生理特征图，其中所述生理特征图以可视化的方式显示所述医学图像的回归结果。在一些实施例中，本申请提供的生理特征图可以实现为热力图的形式。
在一些实施例中，如前所述，所述医学图像的回归结果指示医学图像中的每个像素点对应的生物组织的生理特征。因此，可以生成对应于医学图像的生理特征图，其中可以通过设置所述生理特征图中的每个像素点的像素值显示对应的医学图像中的像素点的回归结果。
在一些实施例中，可以根据所述医学图像的回归结果确定生理特征图中的像素点的像素值。例如，以回归结果的区间为0-1，并且如果像素点的等级越接近于0则该像素点对应的生物组织的健康程度越高，如果像素点的等级越接近于1则该像素点对应的生物组织的健康程度越低的配置为例，对于等级为0的像素点，可以将该像素对应的生理特征图中的像素点的像素值设置为绿色，对于等级为1的像素点，可以将该像素对应的生理特征图中的像素点的像素值设置为红色。可以理解的是以上仅给出了医学图像的生理特征图的一种可能的实现方式，本领域技术人员可以根据实际情况设置生理特征图中的像素点的像素值，从而以不同的颜色或灰度指示该像素点对应的生物组织的生理特征。
利用上述方法确定的生理特征图中的像素点的像素值，可以将所述医学图像中对应的像素点的像素值替换为所述生理特征图中的像素点的像素值，以确定所述医学图像的生理特征图。例如，可以对得到的生理特征图进行插值和变换以得到与原始的医学图像分辨率和尺寸相同的生理特征图，并且可以将变换后的生理特征图的像素值覆盖到对应的原始医学图像中。利用这种方式，可以在生理特征图中以可视化的方式显示医学图像中每个像素点的回归结果，并指示医学图像中每个像素点对应的生物组织的生理特征。
利用本申请提供的上述装置，能够对输入的医学图像进行回归分析，从而以逐像素的方式确定医学图像中的像素点对应的生物组织的生理特征。利用本申请提供的方法能够克服相关技术中仅能够基于整图或区域实现良恶性的判断的缺陷，能够生成用于整张图像的每个像素的生理特征图。利用本申请生成的生理特征图能够直观地对医学图像中包括的生物组织的生物特性进行展示。
图5示出了根据本申请的实施例的医疗电子设备的示意性的框图。其中图5中示出的医疗电子设备可以实现如前所述的基于人工智能的图像处理方法。如图5所示，医疗电子设备可以包括图像采集单元510、处理单元520以及显示单元530。
图像采集单元510可以用于采集医学图像。这里所说的医学图像可以是例如通过CT、MRI、超声、X光、核素显像(如SPECT、PET)等方法采集的医学图像，也可以是例如心电图、脑电图、光学摄影等显示人体生理信息的图像。
处理单元520可以配置成执行如本申请图2中提供的方法的步骤，从而实现对于医学图像的回归分析操作，在此不再加以赘述。
显示单元530可以配置成显示所述医学图像的生理特征图。例如，显示单元530可以被实现为任何一种显示器，并可以以可视化的方式向用户显示所述医学图像的回归结果。
在一些实现方式中，本申请提供的医疗电子设备可以是CT、MRI、超声、X光仪器等任何医学成像设备。图像采集单元610可以实现为上述医学成像设备的成像单元，图像特征确定单元620、融合单元630以及分类结果生成单元640可以通过医学成像设备的内部处理单元(例如处理器)实现。利用上述医疗电子设备，能够采集生物组织的医学图像，并对所采集的医学图像进行基于人工智能的图像处理，从而能够向用户(例如医生、病人或研究人员)提供关于生物组织更多的生理特征的信息。在一些实施例中，可以利用本申请提供的医疗电子设备对用户的身体情况进行检查。
此外，根据本申请实施例的方法或装置也可以借助于图6所示的计算设备的架构来实现。图6示出了该计算设备的架构。如图6所示，计算设备600可以包括总线610、一个或至少两个CPU 620、只读存储器(ROM)630、随机存取存储器(RAM)640、连接到网络的通信端口650、输入/输出组件660、硬盘670等。计算设备600中的存储设备，例如ROM 630或硬盘670可以存储本申请提供的用于在视频中对目标进行检测的方法的处理和/或通信使用的各种数据或文件以及CPU所执行的程序指令。计算设备600还可以包括用户界面680。当然，图6所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图6示出的计算设备中的一个或至少两个组件。
本申请的实施例也可以被实现为计算机可读存储介质。根据本申请实施例的计算机可读存储介质上存储有计算机可读指令。当所述计算机可读指令由处理器运行时，可以执行参照以上附图描述的根据本申请实施例的方法。所述计算机可读存储介质包括但不限于例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
本领域技术人员能够理解，本申请所披露的内容可以出现多种变型和改进。例如，以上所描述的各种设备或组件可以通过硬件实现，也可以通过软件、固件、或者三者中的一些或全部的组合实现。
此外，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他的步骤或元素。
此外，虽然本申请对根据本申请的实施例的系统中的某些单元做出了各种引用，然而，任何数量的不同单元可以被使用并运行在客户端和/或服务器上。所述单元仅是说明性的，并且所述系统和方法的不同方面可以使用不同单元。
此外，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，前面或下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种步骤。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。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (15)

1.一种用于医学图像的图像处理方法，包括：
获取医学图像，其中所述医学图像包括生物组织的图像；
利用回归操作将所述医学图像中的像素点的图像信息映射到预设的区间中以确定所述医学图像的回归结果，其中所述回归结果指示所述医学图像中的像素点对应的生物组织的生理特征；
生成所述医学图像的生理特征图，其中所述生理特征图以可视化的方式显示所述医学图像的回归结果。
2.如权利要求1所述的图像处理方法，其中所述医学图像包括至少两个磁共振图像，其中所述至少两个磁共振图像是利用互不相同的扫描序列分别针对所述生物组织生成的磁共振图像。
3.如权利要求2所述的图像处理方法，其中，所述回归操作包括：
确定由所述至少两个磁共振图像组成的多通道的待处理图像；以及
利用机器学习模型对所述待处理图像进行回归分析。
4.如权利要求3所述的图像处理方法，其中，确定由至少两个磁共振图像组成的多通道的待处理图像包括：
将所述至少两个磁共振图像缩放为同一分辨率，以确定分辨率相同的至少两个磁共振图像；
将所述分辨率相同的至少两个磁共振图像中的一个确定为参考图像；
基于所述参考图像对所述分辨率相同的至少两个磁共振图像进行配准，以确定配准后的至少两个磁共振图像；以及；
将配准后的至少两个磁共振图像组成所述多通道的待处理图像。
5.如权利要求3所述的图像处理方法，其中，确定由至少两个磁共振图像组成的多通道的待处理图像包括：
基于所述至少两个磁共振图像中的一个确定所述医学图像中的感兴趣区域；
基于所述感兴趣区域确定用于所述医学图像的感兴趣区域图像；
确定由所述至少两个磁共振图像和所述感兴趣区域图像组成的多通道的待处理图像。
6.如权利要求1所述的图像处理方法，其中生成所述医学图像的生理特征图包括：
根据所述医学图像的回归结果确定热力图中的像素点的像素值；
将所述医学图像中对应的像素点的像素值替换为所述生理特征图中的像素点的像素值，以确定所述医学图像的生理特征图。
7.如权利要求1所述的图像处理方法，其中所述生物组织是乳腺区域，所述生理特征是所述乳腺区域的健康程度。
8.如权利要求3所述的图像处理方法，其中所述机器学习模型是U-Net网络。
9.如权利要求8所述的图像处理方法，其中所述U-Net网络是通过以下步骤训练的：
确定包括至少一个训练图像的训练样本集，其中所述至少一个训练图像的像素点标记有用于该像素点的真实回归结果；
利用所述U-Net网络对所述训练图像进行回归分析，以得到所述训练图像中像素点的训练回归结果，
调整所述U-Net网络的参数使得所述训练回归结果与所述真实回归结果之间的损失最小。
10.如权利要求9所述的图像处理方法，其中所述损失是所述训练回归结果与所述真实回归结果之间的均方差。
11.一种用于医学图像的图像处理装置，包括：
输入单元，配置成获取医学图像，其中所述医学图像包括生物组织的图像；
回归处理单元，配置成利用回归操作将所述医学图像中的像素点的图像信息映射到预设的区间中以确定所述医学图像的回归结果，其中所述回归结果指示所述医学图像中的像素点对应的生物组织的生理特征；
结果生成单元，配置成生成所述医学图像的生理特征图，其中所述生理特征图以可视化的方式显示所述医学图像的回归结果。
12.如权利要求1所述的图像处理装置，其中所述医学图像包括至少两个磁共振图像，其中所述至少两个磁共振图像是利用互不相同的扫描序列分别针对所述生物组织生成的磁共振图像。
13.一种基于人工智能的医疗电子设备，包括：
图像采集单元，配置成采集医学图像，其中所述医学图像包括生物组织的图像；
处理单元，配置成
利用基于人工智能的回归操作将所述医学图像中的像素点的图像信息映射到预设的区间中以确定所述医学图像的回归结果，其中所述回归结果指示所述医学图像中的像素点对应的生物组织的生理特征；以及
生成所述医学图像的生理特征图；
显示单元，配置成显示所述医学图像的生理特征图，其中所述生理特征图以可视化的方式显示所述医学图像的回归结果。
14.一种图像处理设备，所述设备包括存储器和处理器，其中所述存储器中存有指令，当利用所述处理器执行所述指令时，使得所述处理器执行如权利要求1-10中任一项所述的图像处理方法。
15.一种计算机可读存储介质，其上存储有指令，所述指令在被处理器执行时，使得所述处理器执行如权利要求1-10中任一项所述的图像处理方法。
CN201910708114.4A 2019-08-01 2019-08-01 图像处理方法、装置、设备、医疗电子设备以及介质 Active CN110415239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910708114.4A CN110415239B (zh) 2019-08-01 2019-08-01 图像处理方法、装置、设备、医疗电子设备以及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910708114.4A CN110415239B (zh) 2019-08-01 2019-08-01 图像处理方法、装置、设备、医疗电子设备以及介质

Publications (2)

Publication Number Publication Date
CN110415239A true CN110415239A (zh) 2019-11-05
CN110415239B CN110415239B (zh) 2022-12-16

Family

ID=68365255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910708114.4A Active CN110415239B (zh) 2019-08-01 2019-08-01 图像处理方法、装置、设备、医疗电子设备以及介质

Country Status (1)

Country Link
CN (1) CN110415239B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150196265A1 (en) * 2014-01-15 2015-07-16 Alara Systems, Inc Converting low-dose to higher dose mammographic images through machine-learning processes
WO2016196296A1 (en) * 2015-05-29 2016-12-08 Northwestern University Systems and methods for producing quantitatively calibrated grayscale values in magnetic resonance images
CN106408017A (zh) * 2016-09-13 2017-02-15 天津大学 基于深度学习的超生颈动脉内中膜厚度测量装置和方法
US20170071562A1 (en) * 2014-01-15 2017-03-16 Alara Systems, Inc Converting low-dose to higher dose 3d tomosynthesis images through machine-learning processes
CN107403201A (zh) * 2017-08-11 2017-11-28 强深智能医疗科技（昆山）有限公司 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法
CN107481254A (zh) * 2017-08-24 2017-12-15 上海术理智能科技有限公司 医学图像的处理方法、装置、介质和电子设备
CN107492071A (zh) * 2017-08-17 2017-12-19 京东方科技集团股份有限公司 医学图像处理方法及设备
WO2017215284A1 (zh) * 2016-06-14 2017-12-21 山东大学 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法
CN109409503A (zh) * 2018-09-27 2019-03-01 深圳市铱硙医疗科技有限公司 神经网络的训练方法、图像转换方法、装置、设备及介质
CN109458980A (zh) * 2018-11-06 2019-03-12 五邑大学 一种基于线性回归拟合的天线下倾角测量方法
US20190102916A1 (en) * 2017-09-29 2019-04-04 General Electric Company Systems and methods for deep learning-based image reconstruction
CN109741416A (zh) * 2019-01-04 2019-05-10 北京大学深圳医院 核磁共振图像重建方法、装置、计算机设备及其存储介质
CN109754394A (zh) * 2018-12-28 2019-05-14 上海联影智能医疗科技有限公司 三维医学图像处理装置及方法
CN109886279A (zh) * 2019-01-24 2019-06-14 平安科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150196265A1 (en) * 2014-01-15 2015-07-16 Alara Systems, Inc Converting low-dose to higher dose mammographic images through machine-learning processes
US20170071562A1 (en) * 2014-01-15 2017-03-16 Alara Systems, Inc Converting low-dose to higher dose 3d tomosynthesis images through machine-learning processes
WO2016196296A1 (en) * 2015-05-29 2016-12-08 Northwestern University Systems and methods for producing quantitatively calibrated grayscale values in magnetic resonance images
WO2017215284A1 (zh) * 2016-06-14 2017-12-21 山东大学 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法
CN106408017A (zh) * 2016-09-13 2017-02-15 天津大学 基于深度学习的超生颈动脉内中膜厚度测量装置和方法
CN107403201A (zh) * 2017-08-11 2017-11-28 强深智能医疗科技（昆山）有限公司 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法
CN107492071A (zh) * 2017-08-17 2017-12-19 京东方科技集团股份有限公司 医学图像处理方法及设备
CN107481254A (zh) * 2017-08-24 2017-12-15 上海术理智能科技有限公司 医学图像的处理方法、装置、介质和电子设备
US20190102916A1 (en) * 2017-09-29 2019-04-04 General Electric Company Systems and methods for deep learning-based image reconstruction
CN109584321A (zh) * 2017-09-29 2019-04-05 通用电气公司 用于基于深度学习的图像重建的系统和方法
CN109409503A (zh) * 2018-09-27 2019-03-01 深圳市铱硙医疗科技有限公司 神经网络的训练方法、图像转换方法、装置、设备及介质
CN109458980A (zh) * 2018-11-06 2019-03-12 五邑大学 一种基于线性回归拟合的天线下倾角测量方法
CN109754394A (zh) * 2018-12-28 2019-05-14 上海联影智能医疗科技有限公司 三维医学图像处理装置及方法
CN109741416A (zh) * 2019-01-04 2019-05-10 北京大学深圳医院 核磁共振图像重建方法、装置、计算机设备及其存储介质
CN109886279A (zh) * 2019-01-24 2019-06-14 平安科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHEN L C等: "Deeplab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected crfs", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
海金金: "基于CNN的乳腺癌钼靶影像病理学分级算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Also Published As

Publication number Publication date
CN110415239B (zh) 2022-12-16

Similar Documents

Publication Publication Date Title
CN108446730B (zh) 一种基于深度学习的ct肺结节检测装置
JP7297081B2 (ja) 画像分類方法、画像分類装置、医療用電子機器、画像分類機器、及びコンピュータプログラム
US20210365717A1 (en) Method and apparatus for segmenting a medical image, and storage medium
CN109147890B (zh) 一种医学报告的生成方法及设备
TWI777092B (zh) 一種圖像處理方法、電子設備及存儲介質
CN109978037B (zh) 图像处理方法、模型训练方法、装置、和存储介质
CN110321920A (zh) 图像分类方法、装置、计算机可读存储介质和计算机设备
JP7026826B2 (ja) 画像処理方法、電子機器および記憶媒体
CN111368849B (zh) 图像处理方法、装置、电子设备及存储介质
CN107492071A (zh) 医学图像处理方法及设备
CN111369562B (zh) 图像处理方法、装置、电子设备及存储介质
CN108615236A (zh) 一种图像处理方法及电子设备
EP3998579B1 (en) Medical image processing method, apparatus and device, medium and endoscope
WO2023137914A1 (zh) 图像处理方法、装置、电子设备及存储介质
CN111429460A (zh) 图像分割方法、图像分割模型训练方法、装置和存储介质
AU2019430369B2 (en) VRDS 4D medical image-based vein Ai endoscopic analysis method and product
CN110838125A (zh) 医学图像的目标检测方法、装置、设备、存储介质
CN110570394A (zh) 医学图像分割方法、装置、设备及存储介质
Liang et al. Scale-invariant structure saliency selection for fast image fusion
CN116128876B (zh) 一种基于异构域的医学图像分类方法和系统
KR101923962B1 (ko) 의료 영상의 열람을 지원하는 방법 및 이를 이용한 장치
CN115965785A (zh) 图像分割方法、装置、设备、程序产品及介质
CN110415239A (zh) 图像处理方法、装置、设备、医疗电子设备以及介质
CN110706209B (zh) 一种网格网络的大脑磁共振图像肿瘤定位方法
CN114627136A (zh) 一种基于特征金字塔网络的舌象分割与对齐方法

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