CN110428375B - 一种dr图像的处理方法及装置 - Google Patents
一种dr图像的处理方法及装置 Download PDFInfo
- Publication number
- CN110428375B CN110428375B CN201910670303.7A CN201910670303A CN110428375B CN 110428375 B CN110428375 B CN 110428375B CN 201910670303 A CN201910670303 A CN 201910670303A CN 110428375 B CN110428375 B CN 110428375B
- Authority
- CN
- China
- Prior art keywords
- image
- human body
- body part
- gray
- data
- 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 9
- 238000012545 processing Methods 0.000 claims abstract description 77
- 238000003062 neural network model Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000003321 amplification Effects 0.000 claims description 7
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 7
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000013434 data augmentation Methods 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Abstract
本申请提一种DR图像的处理方法、装置及计算机设备。其中,方法包括:将待处理的DR图像输入至预先训练完成的神经网络模型,利用所述神经网络模型识别出所述DR图像中包含的目标人体部位和所述DR图像的质量等级;根据所述目标人体部位和所述DR图像的质量等级确定所述DR图像对应的图像处理参数;使用所述图像处理参数对所述DR图像进行图像处理。本发明具有图像处理更加高效、准确的优点。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种DR图像的处理方法及装置。
背景技术
DR(Digital Radiography,数字化摄影)设备采用数字平板探测器接收X射线球管发出的射线,射线穿过不同密度的物体能量衰减不同,从而在平板探测器端接收到反应物体内部结构的射线,根据该射线进行成像得到DR图像。由于量子噪声及射线散射的存在,经光电转化的图像信号具有大量的噪声,原始图像对比度同时也比较低。此外,DR图像的动态范围较宽,所有信息无法在一个特定的窗宽窗位下呈现,如果需要观察某一部位的细节信息还需要手动调整窗宽窗位,使该区域信息显示出来。因此对原始DR图像的进行图像处理是十分必要的。
现有技术中,一般是通过采用一组默认的图像处理参数对图像的对比度噪声等方面进行优化处理,该图像处理参数包括图像增强系数、图像去噪系数和图像灰度曲线调整系数等;由于实际拍摄出的DR图像情况之间有差异,使用默认参数进行优化处理,不能适用于所有图像,针对个别图像在优化处理过程中还需要进行参数微调,甚至在一些特殊情况比如拍摄剂量偏高或者偏低,导致使用固定参数处理效果比较差,同时对参数微调后也无法满足要求,此时则需要再次曝光拍摄,使患者接受了不必要的二次曝光辐射。
发明内容
有鉴于此,本申请提供一种DR图像的处理方法及装置,以提高图像处理的效率和准确度。
具体地,本申请是通过如下技术方案实现的:
第一方面,本申请实施例提供了一种DR图像的处理方法,所述方法包括:
将待处理的DR图像输入至预先训练完成的神经网络模型,利用所述神经网络模型识别出所述DR图像中包含的目标人体部位和所述DR图像的质量等级;
根据所述目标人体部位和所述DR图像的质量等级确定所述DR图像对应的图像处理参数,使用所述图像处理参数对所述DR图像进行调整。
第二方面,本申请实施例提供了一种DR图像的处理装置,包括:
识别模块,用于将待处理的DR图像输入至预先训练完成的神经网络模型,利用所述神经网络模型识别出所述DR图像中包含的目标人体部位和所述DR图像的质量等级;
确定模块,用于根据所述目标人体部位和所述DR图像的质量等级确定所述DR图像对应的图像处理参数;
图像处理模块,用于使用所述图像处理参数对所述DR图像进行图像处理。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如第一方面任一所述的DR图像的处理方法的步骤。
第四方面,本申请实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面任一所述的DR图像的处理方法的步骤。
本申请提供的一种DR图像的处理方法及装置,通过预先训练完成的神经网络模型从待进行处理的DR图像中识别出该DR图像中包含的目标人体部位和DR图像的质量等级,通过使用根据DR图像中的目标人体部位和该DR图像的质量等级确定出的图像处理参数,对DR图像进行图像处理,相对于现有技术中使用一组固定的图像处理参数进行图像处理的方式相比,具有图像处理更加高效、准确的优点。
附图说明
图1是本申请一示例性实施例示出的一种DR图像的处理方法的流程示意图;
图2是本申请一示例性实施例示出的一种对神经网络模型进行训练的流程示意图;
图3是本申请一示例性实施例示出的一种DR图像的处理装置的结构示意图;
图4是本申请一示例性的实施例示出的一种计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
考虑到现有技术中,在对DR图像进行后续的图像处理过程中,一般是通过采用一组默认的处理参数对图像的对比度噪声等方面进行优化处理,针对于使用该默认参数进行优化处理后效果不佳的DR图像,处理时还需要手动调节处理参数;存在着效率较低的缺陷。基于此,本申请实施例提供了一种DR图像的处理方法,以提高图像处理的效率。
图1是本申请一示例性实施例示出的一种DR图像的处理方法的流程示意图。参照图1所示,该方法包括如下步骤:
S101、将待处理的DR图像输入至预先训练完成的神经网络模型,利用所述神经网络模型识别出所述DR图像中包含的目标人体部位和所述DR图像的质量等级。
由于多数情况下的DR图像的分辨率为14bit的3072*3072像素的灰度图像,该类图像无法直接利用神经网络模型对DR图像进行处理。因此,本申请一实施例中在将待处理DR图像输入至预训练完成的神经网络模型前,将待处理图像按照该预先训练完成的神经网络模型的输入层的输入通道数对待处理的DR图像进行分通道压缩。
示例性的,如果上述预先训练完成的神经网络模型的输入层对应有三个输入通道,则根据待处理DR图像的灰度分布范围,将图像按三种灰度分布范围进行,获得三个通道的压缩后数据;比如,压缩到3个通道的8bit图像中,可以是将灰度为0-500的像素压缩到第一通道,将灰度为500-1500的像素压缩到第二通道,将灰度大于1500的像素压缩到第三通道。如此,即可实现将待处理DR图像压缩得到8bit的三通道图像。
本申请一实施例中,上述预先训练完成的神经网络模型可以是训练后的卷积神经网络模型。
S102、根据所述目标人体部位和所述DR图像的质量等级确定所述DR图像对应的图像处理参数。
本申请实施例,在利用神经网络模型进行识别DR图像之前,先要对神经网络模型进行训练。
图2是本申请一示例性实施例示出的一种对神经网络模型进行训练的流程示意图。参照图2所示,本实施例中,上述神经网络模型是通过以下步骤S201-S203训练的:
S201、获取参考人体部位的DR图像样本,所述DR图像样本包括人体部位标记数据和质量等级标记数据。
上述获取的参考人体部位的DR图像包括各人体部位的原始DR图像,比如:胸部正位、胸部侧位、腰腹部正位、腰腹部侧位等。
在获取原始DR图像后,根据该原始DR图像中所包含的人体部位和该DR图像的质量等级对该DR图像进行标注;该标注的方式可以是人工标注。
上述图像的质量等级包括:图像的灰度等级。如果图像的质量等级为图像的灰度等级,该灰度等级可以是根据DR图像中包含的人体部位的指定区域的灰度平均值,按照该人体部位的DR图像所对应的不同灰度等级的灰度值区间范围确定的。
示例性的,对不同人体部位的DR图像按灰度分为3至4个灰度等级,该灰度等级的个数是根据该人体部位现有DR图像的灰度分布范围确定的。
在确定灰度等级过程中,上述的指定区域的灰度平均值可以是人体部位整个区域的灰度平均值或者是选定的该人体部位中的某一感兴趣区域的灰度平均值,在得到灰度平均值以后,按照该人体部位所对应的不同灰度等级的灰度值区间范围确定灰度等级。
以DR图像为胸部正位图像为例,胸部正位图像的感兴趣区域为肺部纹理,因此以肺部上端约三分之一处的非肋骨区域的平均灰度值来确定该DR图像的灰度等级;以胸部正位图像的灰度等级包括低灰度图像、中灰度图像和高灰度图像为例,当上述的平均灰度值小于第一灰度值时,确定该DR图像为低灰度图像,此时图像的噪声较高;当上述的平均灰度值大于第一灰度参考值小于第二灰度参考值时,确定该DR图像为中灰度图像,这时的图像噪声水平处于正常范围;当上述的平均灰度值大于第二灰度参考值时确定该DR图像为高灰度图像,该DR图像的灰度较高、拍摄图像的X线剂量较大,整体噪声水平较低,此时去噪强度可适当降低。
上述的第一灰度参考值可以是500,上述的第二灰度参考值可以是1300。上述每个人体部位的图像所对应的划分灰度等级的灰度参考值,可以是根据实际操作经验确定的经验值,也可以是根据大数据分析得到的度参考值。
以图像灰度分类的依据是DR的图像灰度值较低时,噪声较高;灰度值较高时,噪声较低。因此指定区域的灰度可以反映这张图像的噪声水平的高低。进而,上述对DR图像样本进行图像质量标注时可以是标注灰度等级标记数据,也可以是在确定灰度等级以后,按照灰度等级与噪声等级的对应关系,直接进行噪声等级标注。
S202、对所述DR图像样本进行数据增广,得到增广后的数据。
可选的,在对DR图像样本标注以后,对该DR图像样本进行压缩,然后对压缩后的图像进行数据扩增,以增加样本数量,得到最终的训练样本集。该数据扩增的方法可以是随机翻转、随机旋转指定角度、随机平移等方法。
S203、利用所述增广后的数据对所述神经网络模型进行训练。
在进行数据增广以后得到数量足够多的DR图像样本,将训练样本集中的DR图像样本输入至神经网络模型进行网络参数训练,最后得到训练完成的神经网络模型。
本申请一可选的实施例中,上述神经网络模型包含全连接层,所述全连接层的网络单元的个数根据所有DR图像样本中的参考人体部位的类别总数设定的。
以上述的神经网络模型为卷积神经网络模型为例,当所选用的卷积神经网络所能够识别物体的种类数远大于所有DR图像中的目标人体部位的总类别数时,在不影响神经网络的抗干扰能力的前提下,降低卷积神经网络模型中全连接层的网络单元个数。以该卷积神经网络为AlexNet网络为例,该AlexNet网络所能够识别的物体种类为1000种,由于实际应用中,DR图像并没有包含如此多类别的人体部位,因此本实施例中对该AlexNet网络结构进行简化,以节省计算资源。由于该AlexNet网络结构中卷积层的参数数据量很小,全连接层的参数数据量比较庞大,是导致网络结构模型文件比较庞大的主要原因。因此,通过降低全连接层的网络单元个数以减小该网络结构的体积;示例性的,将AlexNet网络结构中的三个全连接层的网络单元个数分别由4096、4096、1000降低到1024、1024、1000,此时该网络结构模型文件由320Mb降低到89Mb。该全连接层的结构简化后的网络单元的个数可以在试验中尝试确定。
进而,本实施例中可以将神经网络模型的参数进行调整,精简网络模型,降低对硬件的要求,可以使该网络模型在CPU中的计算速度满足实时计算的要求。
本申请一实施例中,在确定待处理DR图像中包含的目标人体部位和DR图像的质量等级后,查找该目标人体部位对应的质量等级与图像处理参数关系表或者关系曲线,然后根据DR图像的质量等级从该关系表或者关系曲线中匹配出对应的图像处理参数。
S103、使用所述图像处理参数对所述DR图像进行图像处理。
在得到对应的图像处理参数后,使用该图像处理参数对待处理的DR图像进行图像处理,即可得到处理后图像。其中,对DR图像进行图像处理的方式包括但不局限于:多尺度图像增强、图像降噪、灰度曲线映射和计算窗宽窗位。
本实施例中根据DR图像中的不同的人体部位分别设置对应的质量等级与图像处理参数关系表或者是关系曲线,该关系表或者关系曲线中包括图像的不同的质量等级分别对应的图像处理参数。
下面以胸部正位为例说明关系表中所包括的图像处理参数,如下表1所示,
表1
上述表1中包含三个灰度等级,分别为低灰度图、中灰度图和高灰度图,三个灰度等级分别对应不同的图像增强系数、图像去噪系数、图像灰度曲线调整系数和图像窗宽窗位自动调整系数。
图像增强系数用于调整图像增强的强度,当图像增强系数越大时,图像灰度对比更强烈,纹理细节特征更突出。当图像灰度等级偏低时,图像整体灰度偏低,图像灰度对比度差,此时为了突出图像细节,需要更大的图像增强参数。因此,如表1所示,当灰度等级越低时,图像增强系数越大。
图像去噪系数用于调整去除图像噪声的强度,当图像去噪系数越大时,图像去除噪声效果越强,图像越平滑。当图像灰度等级偏低时,图像整体灰度偏低,图像噪声较大,此时为了使图像更平滑,需要更大的图像去噪系数。因此,如表1所示,当灰度等级越低时,图像去噪系数越大。
由于临床图像的前景灰度较低,背景灰度较高;为了更好的观察前景图像信息,通常需要调整图像的灰度曲线,拉伸低灰度,压缩高灰度,图像灰度曲线调整系数就是用于调整图像的灰度分布,当图像灰度曲线调整系数越大时,拉伸图像低灰度,压缩图像高灰度的效果越强,图像前景的灰度对比度也越强。当图像灰度等级偏低时,图像整体灰度偏低,图像前景灰度对比度差,此时为了突出图像前景细节,增大前景图像的灰度对比度,需要更大的图像灰度曲线调整系数。因此,如表1所示,当灰度等级越低时,图像灰度曲线调整系数越大。
图像窗宽窗位调整系数用于调整图像的窗宽窗位,当图像窗宽窗位调整系数越大时,图像的窗宽越大。当图像灰度等级偏低时,图像整体灰度偏低,意味着图像灰度对比度较小,此时为了更好的观察图像,需要更小的窗宽,即较小的图像窗宽窗位调整系数。因此,再如表1所示,当灰度等级越高时,图像增强系数越大。
需要说明的是,此处仅为举例说明,实际过程中为达到更优的图像质量,图像处理参数并不局限于上述几个参数,在图像处理参数确定以后,可以根据该确定的图像处理参数按照现有的图像处理方式对DR图像进行图像处理。
图3是本申请一示例性实施例示出的一种DR图像的处理装置的结构示意图。
参照图3所示,该装置包括:
识别模块301,用于将待处理的DR图像输入至预先训练完成的神经网络模型,利用所述神经网络模型识别出所述DR图像中包含的目标人体部位和所述DR图像的质量等级;
确定模块302,用于根据所述目标人体部位和所述DR图像的质量等级确定所述DR图像对应的图像处理参数;
图像处理模块303,用于使用所述图像处理参数对所述DR图像进行图像处理。
可选的,上述装置,还包括:
获取模块,用于获取参考人体部位的DR图像样本,所述DR图像样本包括人体部位标记数据和质量等级标记数据;
数据增广模块,用于对所述DR图像样本进行数据增广,得到增广后的数据;
训练模块,用于利用所述增广后的数据对所述神经网络模型进行训练。
可选的,上述质量等级包括:灰度等级,所述质量等级标记数据包括灰度等级标记数据;其中,所述灰度等级标记数据根据所述DR图像中包含的人体部位指定区域的灰度平均值和所述人体部位的DR图像所对应的不同灰度等级的灰度值区间范围确定。
可选的,上述神经网络模型包含全连接层,所述全连接层的网络单元的个数根据所有DR图像样本中的参考人体部位的类别总数而确定。
可选的,上述装置,还包括:
压缩模块,用于对所述DR样本图像按三种灰度范围进行压缩,获得三个通道的压缩后数据。
可选的,上述确定模块,具体用于:
根据所述DR图像的质量等级,从预先设置的目标人体部位所对应的质量等级与图像处理参数关系表或者关系曲线中查找出对应的图像处理参数。
图4是本申请一示例性的实施例示出的一种计算机设备的结构示意图。参照图4所示,该计算机设备400,至少包括存储器402和处理器401;所述存储器402通过通信总线403和所述处理器401连接,用于存储所述处理器401可执行的计算机指令;所述处理器401用于从所述存储器402读取计算机指令以实现上述任一实施例所述的系统安装方法的步骤。
该装置通过预先训练完成的神经网络模型从待进行处理的DR图像中识别出该DR图像中包含的目标人体部位和DR图像的质量等级,通过使用根据DR图像中的目标人体部位和该DR图像的质量等级确定出的图像处理参数,对DR图像进行图像处理,相对于现有技术中使用一组固定的图像处理参数进行图像处理的方式相比,具有图像处理更加高效、准确的优点。
本申请又一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,所述程序被处理器执行时实现上述任一实施例所述的DR图像的处理方法的步骤。
上述装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本说明书中描述的主题及功能操作的实施例可以在以下中实现:数字电子电路、有形体现的计算机软件或固件、包括本说明书中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序,即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地,程序指令可以被编码在人工生成的传播信号上,例如机器生成的电、光或电磁信号,该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或它们中的一个或多个的组合。
本说明书中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行,以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)来执行,并且装置也可以实现为专用逻辑电路。
适合用于执行计算机程序的计算机包括,例如通用和/或专用微处理器,或任何其他类型的中央处理单元。通常,中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常,计算机还将包括用于存储数据的一个或多个大容量存储设备,例如磁盘、磁光盘或光盘等,或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据,抑或两种情况兼而有之。然而,计算机不是必须具有这样的设备。此外,计算机可以嵌入在另一设备中,例如移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏操纵台、全球定位系统(GPS)接收机、或例如通用串行总线(USB)闪存驱动器的便携式存储设备,仅举几例。
适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备,例如包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。
虽然本说明书包含许多具体实施细节,但是这些不应被解释为限制任何发明的范围或所要求保护的范围,而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面,在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外,虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护,但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除,并且所要求保护的组合可以指向子组合或子组合的变型。
类似地,虽然在附图中以特定顺序描绘了操作,但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行,以实现期望的结果。在某些情况下,多任务和并行处理可能是有利的。此外,上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离,并且应当理解,所描述的程序组件和系统通常可以一起集成在单个软件产品中,或者封装成多个软件产品。
由此,主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下,权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外,附图中描绘的处理并非必需所示的特定顺序或顺次顺序,以实现期望的结果。在某些实现中,多任务和并行处理可能是有利的。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (12)
1.一种DR图像的处理方法,其特征在于,所述方法包括:
将待处理的DR图像输入至预先训练完成的神经网络模型,利用所述神经网络模型识别出所述DR图像中包含的目标人体部位和所述DR图像的质量等级;
所述质量等级包括:图像的灰度等级;所述灰度等级根据所述DR图像中包含的人体部位的指定区域的灰度平均值,按照该人体部位的DR图像所对应的不同灰度等级的灰度值区间范围确定;
根据所述目标人体部位和所述DR图像的质量等级确定所述DR图像对应的图像处理参数;
使用所述图像处理参数对所述DR图像进行图像处理;
所述根据所述目标人体部位的类别和所述DR图像的质量等级确定所述DR图像对应的图像处理参数,包括:
根据所述DR图像的质量等级,从预先设置的目标人体部位所对应的质量等级与图像处理参数关系表或者关系曲线中查找出对应的图像处理参数。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括对所述神经网络模型进行训练,具体包括:获取参考人体部位的DR图像样本,所述DR图像样本包括人体部位标记数据和质量等级标记数据;
对所述DR图像样本进行数据增广,得到增广后的数据;
利用所述增广后的数据对所述神经网络模型进行训练。
3.根据权利要求2所述的方法,其特征在于,所述质量等级包括:灰度等级,所述质量等级标记数据包括灰度等级标记数据;其中,所述灰度等级标记数据根据所述DR图像中包含的人体部位指定区域的灰度平均值和所述人体部位的DR图像所对应的不同灰度等级的灰度值区间范围确定。
4.根据权利要求2所述方法,其特征在于,所述神经网络模型包含全连接层,所述全连接层的网络单元的个数根据所有DR图像样本中的参考人体部位的类别总数而确定。
5.根据权利要求2所述的方法,其特征在于,在所述对所述DR图像样本进行数据增广之前,所述方法还包括:对所述DR样本图像按三种灰度范围进行压缩,获得三个通道的压缩后数据。
6.一种DR图像的处理装置,其特征在于,包括:
识别模块,用于将待处理的DR图像输入至预先训练完成的神经网络模型,利用所述神经网络模型识别出所述DR图像中包含的目标人体部位和所述DR图像的质量等级;所述质量等级包括:图像的灰度等级;所述灰度等级根据所述DR图像中包含的人体部位的指定区域的灰度平均值,按照该人体部位的DR图像所对应的不同灰度等级的灰度值区间范围确定;确定模块,用于根据所述目标人体部位和所述DR图像的质量等级确定所述DR图像对应的图像处理参数;
图像处理模块,用于使用所述图像处理参数对所述DR图像进行图像处理;
所述确定模块,具体用于:
根据所述DR图像的质量等级,从预先设置的目标人体部位所对应的质量等级与图像处理参数关系表或者关系曲线中查找出对应的图像处理参数。
7.根据权利要求6所述的装置,其特征在于,所述装置,还包括:
获取模块,用于获取参考人体部位的DR图像样本,所述DR图像样本包括人体部位标记数据和质量等级标记数据;
数据增广模块,用于对所述DR图像样本进行数据增广,得到增广后的数据;
训练模块,用于利用所述增广后的数据对所述神经网络模型进行训练。
8.根据权利要求7所述的装置,其特征在于,所述质量等级标记数据包括灰度等级标记数据;其中,所述灰度等级标记数据,根据所述DR图像中包含的人体部位指定区域的灰度平均值和所述人体部位的DR图像所对应的不同灰度等级的灰度值区间范围确定。
9.根据权利要求7所述的装置,其特征在于,所述神经网络模型包含全连接层,所述全连接层的网络单元的个数根据所有DR图像样本中的参考人体部位的类别总数而确定。
10.根据权利要求7所述的装置,其特征在于,所述装置,还包括:
压缩模块,用于对所述DR样本图像按三种灰度范围进行压缩,获得三个通道的压缩后数据。
11.一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,所述程序被处理器执行时实现权利要求1-5任一所述方法的步骤。
12.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910670303.7A CN110428375B (zh) | 2019-07-24 | 2019-07-24 | 一种dr图像的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910670303.7A CN110428375B (zh) | 2019-07-24 | 2019-07-24 | 一种dr图像的处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110428375A CN110428375A (zh) | 2019-11-08 |
CN110428375B true CN110428375B (zh) | 2024-03-01 |
Family
ID=68410553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910670303.7A Active CN110428375B (zh) | 2019-07-24 | 2019-07-24 | 一种dr图像的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110428375B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598768B (zh) * | 2020-07-23 | 2020-10-30 | 平安国际智慧城市科技股份有限公司 | 图像优化处理方法、装置、计算机设备及存储介质 |
CN112560778B (zh) * | 2020-12-25 | 2022-05-27 | 万里云医疗信息科技(北京)有限公司 | Dr图像身体部位识别方法、装置、设备及可读存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915930A (zh) * | 2014-03-14 | 2015-09-16 | 深圳迈瑞生物医疗电子股份有限公司 | 对图像进行灰度补偿和噪声抑制的方法及装置 |
CN106372719A (zh) * | 2016-08-31 | 2017-02-01 | 浙江莱达信息技术有限公司 | 一种医学x光影像处理控制参量的智能优选方法 |
CN107516330A (zh) * | 2017-08-31 | 2017-12-26 | 上海联影医疗科技有限公司 | 模型生成方法、图像处理方法及医学成像设备 |
CN107595312A (zh) * | 2017-08-31 | 2018-01-19 | 上海联影医疗科技有限公司 | 模型生成方法、图像处理方法及医学成像设备 |
CN108141505A (zh) * | 2015-10-30 | 2018-06-08 | 爱克发医疗保健公司 | 用于高位深医学灰度图像的压缩和解压缩方法 |
CN108537794A (zh) * | 2018-04-19 | 2018-09-14 | 上海联影医疗科技有限公司 | 医学图像数据处理方法、装置和计算机可读存储介质 |
CN108596868A (zh) * | 2017-07-26 | 2018-09-28 | 江西中科九峰智慧医疗科技有限公司 | 一种基于深度学习的胸部dr中肺结节识别方法及系统 |
CN108764370A (zh) * | 2018-06-08 | 2018-11-06 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
CN108830782A (zh) * | 2018-05-29 | 2018-11-16 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN109003231A (zh) * | 2018-06-11 | 2018-12-14 | 广州视源电子科技股份有限公司 | 一种图像增强方法、装置和显示设备 |
CN109064428A (zh) * | 2018-08-01 | 2018-12-21 | Oppo广东移动通信有限公司 | 一种图像去噪处理方法、终端设备及计算机可读存储介质 |
CN109300136A (zh) * | 2018-08-28 | 2019-02-01 | 众安信息技术服务有限公司 | 一种基于卷积神经网络的危及器官自动分割方法 |
CN109685206A (zh) * | 2018-09-30 | 2019-04-26 | 上海联影医疗科技有限公司 | 生成用于图像处理的神经网络模型的系统和方法 |
CN109714519A (zh) * | 2017-10-25 | 2019-05-03 | 成都市极米科技有限公司 | 一种自动调整图像画面的方法和系统 |
CN109949277A (zh) * | 2019-03-04 | 2019-06-28 | 西北大学 | 一种基于排序学习和简化残差网络的oct图像质量评价方法 |
-
2019
- 2019-07-24 CN CN201910670303.7A patent/CN110428375B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915930A (zh) * | 2014-03-14 | 2015-09-16 | 深圳迈瑞生物医疗电子股份有限公司 | 对图像进行灰度补偿和噪声抑制的方法及装置 |
CN108141505A (zh) * | 2015-10-30 | 2018-06-08 | 爱克发医疗保健公司 | 用于高位深医学灰度图像的压缩和解压缩方法 |
CN106372719A (zh) * | 2016-08-31 | 2017-02-01 | 浙江莱达信息技术有限公司 | 一种医学x光影像处理控制参量的智能优选方法 |
CN108596868A (zh) * | 2017-07-26 | 2018-09-28 | 江西中科九峰智慧医疗科技有限公司 | 一种基于深度学习的胸部dr中肺结节识别方法及系统 |
CN107516330A (zh) * | 2017-08-31 | 2017-12-26 | 上海联影医疗科技有限公司 | 模型生成方法、图像处理方法及医学成像设备 |
CN107595312A (zh) * | 2017-08-31 | 2018-01-19 | 上海联影医疗科技有限公司 | 模型生成方法、图像处理方法及医学成像设备 |
CN109714519A (zh) * | 2017-10-25 | 2019-05-03 | 成都市极米科技有限公司 | 一种自动调整图像画面的方法和系统 |
CN108537794A (zh) * | 2018-04-19 | 2018-09-14 | 上海联影医疗科技有限公司 | 医学图像数据处理方法、装置和计算机可读存储介质 |
CN108830782A (zh) * | 2018-05-29 | 2018-11-16 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN108764370A (zh) * | 2018-06-08 | 2018-11-06 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
CN109003231A (zh) * | 2018-06-11 | 2018-12-14 | 广州视源电子科技股份有限公司 | 一种图像增强方法、装置和显示设备 |
CN109064428A (zh) * | 2018-08-01 | 2018-12-21 | Oppo广东移动通信有限公司 | 一种图像去噪处理方法、终端设备及计算机可读存储介质 |
CN109300136A (zh) * | 2018-08-28 | 2019-02-01 | 众安信息技术服务有限公司 | 一种基于卷积神经网络的危及器官自动分割方法 |
CN109685206A (zh) * | 2018-09-30 | 2019-04-26 | 上海联影医疗科技有限公司 | 生成用于图像处理的神经网络模型的系统和方法 |
CN109727663A (zh) * | 2018-09-30 | 2019-05-07 | 上海联影医疗科技有限公司 | 生成用于图像处理的神经网络模型的系统和方法 |
CN109949277A (zh) * | 2019-03-04 | 2019-06-28 | 西北大学 | 一种基于排序学习和简化残差网络的oct图像质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110428375A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034078B (zh) | 年龄识别模型的训练方法、年龄识别方法及相关设备 | |
CN108921057B (zh) | 基于卷积神经网络的对虾形态测量方法、介质、终端设备及装置 | |
CN111105424A (zh) | 淋巴结自动勾画方法及装置 | |
CN110428375B (zh) | 一种dr图像的处理方法及装置 | |
CN102096917A (zh) | 胶囊内窥镜冗余图像数据的自动剔除方法 | |
US10726948B2 (en) | Medical imaging device- and display-invariant segmentation and measurement | |
CN111429448B (zh) | 一种基于弱分割信息的生物荧光目标计数方法 | |
CN106296613B (zh) | 一种基于dr机器的双能量减影方法 | |
CN112529146B (zh) | 神经网络模型训练的方法和装置 | |
CN113034389B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN113283485A (zh) | 目标检测方法及其模型的训练方法和相关装置及介质 | |
CN112651468A (zh) | 一种多尺度轻量化图像分类方法及其存储介质 | |
CN114429459A (zh) | 目标检测模型的训练方法及对应的检测方法 | |
CN111046893A (zh) | 图像相似性确定方法和装置、图像处理方法和装置 | |
CN111862071B (zh) | 一种基于ct图像测量腰1椎体ct值的方法 | |
CN111311562B (zh) | 虚焦图像的模糊度检测方法及装置 | |
US9978132B2 (en) | Radiation image processing device, method, and program | |
CN112633113A (zh) | 跨摄像头的人脸活体检测方法及系统 | |
CN112001921A (zh) | 一种基于病灶加权损失函数的新冠肺炎ct影像病灶分割图像处理方法 | |
CN111489318A (zh) | 医学图像增强方法和计算机可读存储介质 | |
CN111126424A (zh) | 一种基于卷积神经网络的超声图像分类方法 | |
CN115880358A (zh) | 定位模型的构建方法、影像标志点的定位方法及电子设备 | |
CN108742663A (zh) | 曝光剂量评价方法、装置及计算机可读存储介质 | |
CN116830121A (zh) | 用于髋部x射线图像中骨矿物质密度估计的半监督学习的方法、设备和存储介质 | |
CN112508171A (zh) | 一种基于多层卷积神经网络的图像深度估计方法和装置 |
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 |