CN110458834A - 一种乳腺肿瘤图像处理系统、方法及装置 - Google Patents

一种乳腺肿瘤图像处理系统、方法及装置 Download PDF

Info

Publication number
CN110458834A
CN110458834A CN201910755538.6A CN201910755538A CN110458834A CN 110458834 A CN110458834 A CN 110458834A CN 201910755538 A CN201910755538 A CN 201910755538A CN 110458834 A CN110458834 A CN 110458834A
Authority
CN
China
Prior art keywords
time
image
signal intensity
magnetic resonance
time point
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
CN201910755538.6A
Other languages
English (en)
Other versions
CN110458834B (zh
Inventor
王亮
张军
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 CN201910755538.6A priority Critical patent/CN110458834B/zh
Publication of CN110458834A publication Critical patent/CN110458834A/zh
Application granted granted Critical
Publication of CN110458834B publication Critical patent/CN110458834B/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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0013—Medical image data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/502—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5601—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution involving use of a contrast agent for contrast manipulation, e.g. a paramagnetic, super-paramagnetic, ferromagnetic or hyperpolarised contrast agent
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead 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
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/026—Measuring blood flow
    • A61B5/0263—Measuring blood flow using NMR
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4312—Breast evaluation or disorder diagnosis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
    • G01R33/56308—Characterization of motion or flow; Dynamic imaging
    • 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]
    • G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast
    • 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
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Signal Processing (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Vascular Medicine (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及医疗影像处理技术领域，主要涉及人工智能中计算机视觉技术，尤其涉及一种乳腺肿瘤图像处理系统、方法及装置，获取针对同一乳腺器官的多个时间点对应的DCE磁共振图像；分别确定各时间点的DCE磁共振图像中同一乳腺肿瘤区域的图像的平均像素灰度值，进而确定达峰时间，根据各时间点的DCE磁共振图像和达峰时间，分别生成达峰时间前的一期时间‑信号强度图像和达峰时间后的二期时间‑信号强度图像；其中，一期时间‑信号强度图像和二期时间‑信号强度图像为3D乳腺肿瘤图像，不同严重程度的乳腺肿瘤区域的像素的灰度值不同。基于DCE磁共振图像，生成两个3D图像，能够提供更多更全面的信息，表达整体乳腺肿瘤区域的变化。

Description

一种乳腺肿瘤图像处理系统、方法及装置
本发明申请是申请日为2019年02月25日、申请号为201910138930.6发明名称为 “一种图像处理方法、装置及系统”的发明申请的分案申请。
技术领域
本发明涉及医疗影像处理技术领域，尤其涉及一种乳腺肿瘤图像处理系统、方法及装置。
背景技术
目前，对于乳腺的磁共振成像(Magnetic Resonance Imaging，MRI)影像肿瘤的分析中，现有技术中，通常是基于动态对比度增强(Dynamic contrast enhanced，DCE)图像，生成相应的时间信号曲线(Time-intensity curve，TIC)曲线来进行分析，具有一定价值。现有技术中，生成TIC曲线主要是通过常规的乳腺磁共振检查，获得多个时间点的DCE磁共振图像，然后在疑似病灶区域中选取一个点，获得该点对应的不同时间点的DCE磁共振图像的像素灰度值，并绘制一条曲线，即TIC曲线，从而可以基于该TIC曲线，确定乳腺肿瘤诊断结果。
但是，现有技术中，基于DCE磁共振图像生成TIC曲线，而TIC曲线为一维曲线，只能表达一个小区域的像素值的变化，并且选取的点，是人为选取的，不同的医生可能选取的点不同，然而不同的点可能会带来不同的诊断结果，比较片面，无法全面并准确地表现病灶区域。
发明内容
本发明实施例提供一种乳腺肿瘤图像处理系统、方法及装置，以解决现有技术中仅能生成一维曲线，参考较为片面，无法全面并准确地表现病灶区域的问题。
本发明实施例提供的具体技术方案如下：
本发明一个实施例提供了一种图像处理方法，包括：
获取针对同一检测目标的多个时间点对应的动态对比度增强DCE磁共振图像；
分别确定各时间点的DCE磁共振图像中同一病灶区域的图像的平均像素灰度值；
根据各时间点对应的平均像素灰度值，确定达峰时间；
根据各时间点的DCE磁共振图像和所述达峰时间，分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像；其中，所述一期时间-信号强度图像和二期时间-信号强度图像为3D图像，不同严重程度的病灶区域的像素的灰度值不同。
本发明另一个实施例一种图像处理装置，包括：
获取模块，用于获取针对同一检测目标的多个时间点对应的动态对比度增强DCE磁共振图像；
第一确定模块，用于分别确定各时间点的DCE磁共振图像中同一病灶区域的图像的平均像素灰度值；
第二确定模块，用于根据各时间点对应的平均像素灰度值，确定达峰时间；
生成模块，用于根据各时间点的DCE磁共振图像和所述达峰时间，分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像；其中，所述一期时间-信号强度图像和二期时间-信号强度图像为3D图像，不同严重程度的病灶区域的像素的灰度值不同。
本发明另一个实施例一种图像处理系统，至少包括：图像采集设备、图像处理设备和显示设备，具体地：
图像采集设备，用于获取针对同一检测目标的多个时间点对应的动态对比度增强DCE磁共振图像；
图像处理设备，用于分别确定各时间点的DCE磁共振图像中同一病灶区域的图像的平均像素灰度值，并根据各时间点对应的平均像素灰度值，确定达峰时间，以及根据各时间点的DCE磁共振图像和所述达峰时间，分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像；其中，所述一期时间-信号强度图像和二期时间-信号强度图像为3D图像，不同严重程度的病灶区域的像素的灰度值不同；
显示设备，用于输出显示所述一期时间-信号强度图像和所述二期时间-信号强度图像。
本发明另一个实施例一种电子设备，包括：
至少一个存储器，用于存储程序指令；
至少一个处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行上述任一种图像处理方法。
本发明另一个实施例一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种图像处理方法的步骤。
本发明实施例中，获取针对同一检测目标的多个时间点对应的DCE磁共振图像；分别确定各时间点的DCE磁共振图像中同一病灶区域的图像的平均像素灰度值；根据各时间点对应的平均像素灰度值，确定达峰时间；根据各时间点的DCE磁共振图像和所述达峰时间，分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像；其中，所述一期时间-信号强度图像和二期时间-信号强度图像为3D图像，不同严重程度的病灶区域的像素的灰度值不同，这样，基于DCE磁共振图像，可以生成两个3D图像，代替传统的一维TIC曲线的方式，不仅可以表达TIC曲线的信息，还可以同时提供所有像素点的良恶性结果，表达整体病灶区域的变化，能够提供更多更全面的病灶区域良恶性趋势的信息，提高诊断的准确性。
附图说明
图1为现有技术中TIC曲线生成原理示意图；
图2为本发明实施例中图像处理方法流程图；
图3为本发明实施例中一种3D乳腺MRI的DCE磁共振图像的三视图；
图4A为本发明实施例中一种3D病灶区域的TIC曲线示意图；
图4B为本发明实施例中TIC曲线对应的一阶梯度曲线示意图；
图5A为本发明实施例中一种一期时间-信号强度图像示意图；
图5B为本发明实施例中一种二期时间-信号强度图像示意图；
图6为本发明实施例中另一种病灶区域中某点的TIC曲线示意图；
图7A为本发明实施例中另一种DCE磁共振图像示意图；
图7B为本发明实施例中另一种达峰时间前的一期时间-信号强度图像示意图；
图7C为本发明实施例中另一种达峰时间后的二期时间-信号强度图像示意图；
图8为本发明实施例中图像处理装置结构示意图；
图9为本发明实施例中图像处理系统结构示意图；
图10为本发明实施例中电子设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，并不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
为便于对本发明实施例的理解，下面先对几个概念进行简单介绍：
造影剂：又称对比剂，是为增强影像观察效果而注入或服用到人体组织或器官的化学制品，这些制品的密度高于或低于周围组织，形成的对比用某些器械显示图像。
磁共振成像(Magnetic Resonance Imaging，MRI)：是断层成像的一种，主要利用磁共振现象从人体中获得电磁信号，并重建出人体信息。
动态对比度增强(Dynamic contrast enhanced，DCE)：可以通过信号增强的程度反映器官或组织的物理及生理特性。实际中，基于DCE-MRI可以多时相扫描，产生连续动态的图像，通过后处理技术能获得一系列半定量及定量参数，更为客观地反映病变的强化特征，对所显示区域的生理特性有着更为丰富全面的信息。
时间信号曲线(Time-intensity curve，TIC)：是基于MRI动态增强扫描，即DCE-MRI产生的时间信号曲线，TIC曲线可以反映组织经过对比剂灌注情况下影像亮度随时间变化的变化情况，通过观察病灶区域中对比剂流入的快慢和多少可以来对病灶例如肿瘤进行定性和分级等分析，具有一定价值，TIC曲线的横坐标为时间，纵坐标为图像中某个点的像素灰度值。
并且为了更好的进行理解，对TIC曲线表示的含义进行说明，TIC曲线可以分为：I型为持续升高型，即在注射对比剂后，病灶的信号强度持续升高，表现为I型曲线的病变倾向于良性病变；II型为平台型，即在注射对比剂后一定时间内病灶的信号强度上升到一定水平后，随后维持较长时间信号强度变化不明显；III型为流出型，即在注射对比剂后病灶的信号强度上升到一定程度后，随后逐渐降低，为快进快出型，III型多为恶性病变。
达峰时间：达到峰值的时间，本发明实施例中主要是针对TIC曲线上信号强度最大变化的时间点。
感兴趣区域(Region Of Interest，ROI)：原始数据上的局部区域，本发明实施例中表示2D或者3D矩形区域，指确定的病灶区域。
病灶：机体上发生病变的部分。
灰度值:表示灰度图像单个像素点的亮度值，值越大，像素点越亮，反之越暗，可以用于描述图像中具体像素的亮度值。
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。
计算机视觉技术(Computer Vision，CV)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、光学字符识别(Optical Character Recognition，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、三维(3Dimensions，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。例如，本申请实施例中可以将人工智能技术应用到医疗领域，主要涉及人工智能中的计算机视觉技术，可以通过计算机视觉技术图像语义理解技术，实现图像切割算法，可以对DCE磁共振图像进行切割，从中确定出可疑的病灶区域，例如乳腺肿瘤区域。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
本申请实施例提供的方案主要涉及人工智能的计算机视觉等技术，具体通过如下实施例进行说明：
现有技术中，对于乳腺的MRI影像肿瘤的分析中，通常是基于DEC图像，生成相应的TIC曲线来进行分析，具体地参阅图1所示，为现有技术中TIC曲线生成原理示意图，通过磁共振扫描，获得多个时间点的DCE磁共振图像，在疑似病灶区域中选取一个点，获得该点对应的不同时间点的DCE磁共振图像的像素灰度值，并绘制一条曲线，即TIC曲线，例如，如图1所示，列举了某点的4个时间点的DCE磁共振图像，分别为t1、t2、t3和t4的DCE磁共振图像，得到该点的如图1中右图所示的TIC曲线，其横坐标为时间点，纵坐标为该点的像素灰度值。
但是，现有技术中生成的TIC曲线为一维曲线，只能表达一个小区域的像素值的变化，并且在绘制TIC曲线时，选取的点，是人为选取的，具有随机性，不同的医生可能选取的点不同，然而不同的点可能会带来不同的诊断结果，比较片面，无法全面并准确地表现病灶区域。
因此，针对上述问题，本发明实施例中提供了一种图像生成方法，可以基于DCE磁共振图像生成3D图像，使用两个3D图像代替传统的TIC曲线，把TIC曲线表达的信息用两个3D图像来表现，获取针对同一检测目标的多个时间点对应的DCE磁共振图像后，确定各时间点的DCE磁共振图像中同一病灶区域的图像的平均像素灰度值，计算达峰时间，进而根据达峰时间和各时间点的DCE磁共振图像，分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像，其各点的像素的灰度值大小，表示病灶区域的供血强度变化速率，可以反映病灶区域的严重程度，从而可以根据一期时间-信号强度图像和二期时间-信号强度图像的像素灰度值，即亮度变化，确定病灶的严重程度，这样，可以生成3D的一期时间-信号强度图像和二期时间-信号强度图像，能够提供更多更全面的病灶信息，展示检测目标的病灶的整体情况，更加全面和直观，并且还可以提供具体的量化信息，从而可以提供更加准确和可靠的诊断依据，提高病变诊断的准确性。
需要说明的是，本发明实例中图像处理方法可以由终端设备执行，例如相应的医疗设备，也可以由服务器执行，例如，终端设备将获得的多个时间点的DCE磁共振图像发送给服务器，并由服务器确定达峰时间，生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像，可以将生成的一期时间-信号强度图像和二期时间-信号强度图像再发送给终端设备，在终端设备可以展示生成的一期时间-信号强度图像和二期时间-信号强度图像，终端设备与服务器之间可以通过互联网相连，实现相互之间的通信，服务器可以认为是提供相应网络服务的后台服务器，对于这两种方式，本发明实施例中并不进行限制。
并且，本发明实施例中，主要是以乳腺的MRI影像肿瘤分析为例进行说明，当然，也可以适用于其它应用场景，本发明实施例中并不进行限制。
参阅图2所示，为本发明实施例中，图像处理方法的流程图，该方法包括：
步骤200：获取针对同一检测目标的多个时间点对应的DCE磁共振图像。
其中，检测目标例如为人体的器官或组织等。
例如，对乳腺肿瘤进行分析时，可以基于磁共振扫描仪器，例如，MRI扫描机，设置扫描参数后，例如，可以设置扫描时间和扫描间隔等参数，对乳腺进行扫描，可以获得针对乳腺的多个时间点对应的DCE磁共振图像。
进一步地，本发明实施例中由于主要目的是进行肿瘤等病变分析，因此，还需要从DCE磁共振图像中确定出病灶区域，本发明实施例中提供了一种可能的实施方式，根据预设图像分割算法和病变特征，从各DCE磁共振图像中确定出病灶区域。
本发明实施例中，进行MRI扫描后，可以获得3D的DCE磁共振图像，可以根据图像分割算法，自动在3D的DCE磁共振图像上确定出可疑的病症区域，例如，肿瘤区域，可以在一个DCE磁共振图像中进行确定，也可以分别在各DCE磁共振图像中进行确定，并且，进一步地，也可以由医生等用户手动在DCE磁共振图像上勾画出病症区域，当然也可以采用其它方式确定病灶区域，并不进行限制。
例如，以乳腺MRI为例，参阅图3所示，为本发明实施例中一种3D乳腺MRI的DCE磁共振图像的三视图，其中图3中左上图为横断面，右上为矢状面，右下为冠状面，(其中左下未示有图像，可以不用考虑)通过手动绘制或图像分割，可以确定出病症区域，如图3中圈中示意的3D区域即是确定出的病症区域，而图3中示意的两条虚线交叉位置的高亮圆形区域是实际肿瘤的位置，因此可知确定出的病症区域基本是准确的。
步骤210：分别确定各时间点的DCE磁共振图像中同一病灶区域的图像的平均像素灰度值。
实际中，每个时间点，都会对应一个DCE序列，即有一个DCE磁共振图像，本发明实施例中，针对任一时间点的DCE磁共振图像，确定病症区域中全部像素的灰度值，计算平均像素灰度值，将平均像素灰度值，作为当前时间点的灰度值，这样，不需要从病灶区域中选取某个点，进行计算，而是计算平均像素灰度值，可以提高准确性，能更准确地表达整个病灶区域的特征。
步骤220：根据各时间点对应的平均像素灰度值，确定达峰时间。
执行步骤220时，具体包括：
S1、根据各时间点对应的平均像素灰度值，生成同一病灶区域的TIC曲线。
即基于各时间点，以及各时间点对应的平均像素灰度值，生成TIC曲线，其横轴表示时间的索引值，纵轴是病灶区域的平均像素灰度值。
S2、确定TIC曲线对应的一阶梯度曲线，将对应的一阶梯度曲线上最高点对应的时间点，作为达峰时间。
本发明实施例中，达峰时间即TIC曲线上信号强度最大变化的点，在计算该信号强度最大变化的点时，可以先计算TIC曲线对应的一阶梯度曲线，由于梯度可以反映变化量，因此一阶梯度曲线上最高点即信号强度最大变化的点，将该点作为达峰时间。
例如，参阅图4A所示，为本发明实施例中一种3D病灶区域的TIC曲线示意图，图4B为本发明实施例中TIC曲线对应的一阶梯度曲线示意图，以28个不同时间点的DCE磁共振图像为例，如图4A所示，横坐标为从0-27时间点，纵坐标为各时间点对应的平均像素灰度值，计算得到图4A的TIC曲线对应的一阶梯度曲线，如图4B所示，可知，在时间索引为4时，为一阶梯度曲线的最高点，因此可以得到达峰时间为4，并且通常可以把这种TIC曲线分为一期时间-信号强度和二期时间-信号强度，以达峰时间为分割点，即在时间索引为4时，TIC曲线一期时间-信号强度结束，二期时间-信号强度开始。
步骤230：根据各时间点的DCE磁共振图像和达峰时间，分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像；其中，一期时间-信号强度图像和二期时间-信号强度图像为3D图像，不同严重程度的病灶区域的像素的灰度值不同。
执行步骤230时，可以有以下几种方式：
第一种方式：分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像，包括：
S1、确定各时间中的起始时间点和结束时间点。
例如，如图4A所示，起始时间点为索引0，结束时间点为索引27。
S2、根据达峰时间的DCE磁共振图像和起始时间点的DCE磁共振图像的差值，生成达峰时间前的一期时间-信号强度图像。
本发明实施例中，一期时间-信号强度图像表示针对TIC曲线的一期计算的时间信号强度图像，例如，如图4A所示，可知一期时间-信号强度图像的起始时间点是时间索引0，截止时间即是达峰时间，为索引4，可以根据时间索引0和时间索引4对应的DCE磁共振图像的差值，计算得到一期时间-信号强度图像。
例如，将一期时间-信号强度图像记为TI1，将时间索引值为t的DCE磁共振图像记为I_DCE(t)，则一期时间-信号强度图像可以表示为：
其中，δ为无穷小量，为了避免计算时分母为0的情况，‘*’为乘法。
TI1可以表示达到达峰时间时的一期信号，相对于I_DCE(0)的增量百分比，即一期时间-信号强度图像的各点的像素的灰度值表示供血强度变化速率，可以反映病灶的严重程度。
S3、根据结束时间点的DCE磁共振图像和达峰时间的DCE磁共振图像的差值，生成达峰时间后的二期时间-信号强度图像。
本发明实施例中，二期时间-信号强度图像表示针对TIC曲线的二期计算的时间信号强度图像，例如，如图4A所示，可知二期时间-信号强度图像的起始时间点是达峰时间，为索引4，截止时间为索引27，可以根据时间索引27和时间索引4对应的DCE磁共振图像的差值，计算得到二期时间-信号强度图像。
例如，将二期时间-信号强度图像记为TI2，将时间索引值为t的DCE磁共振图像记为I_DCE(t)，则二期时间-信号强度图像可以表示为：
TI2可以表示二期信号的末尾某时间点索引，例如t＝27时的DCE磁共振图像的灰度变化，相对于I_DCE(4)的增量百分比，即二期时间-信号强度图像的各点的像素的灰度值也可以表示供血强度变化速率。
第二种方式：分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像，包括：
S1、确定各时间点的起始时间点和结束时间点，并分别从各时间点中采样出预设数目个时间点。
例如，可以根据实际需求进行采样，可以从各时间点中选取多个时间点。
S2、分别确定达峰时间之前采样出的时间点的DCE磁共振图像和起始时间点的DCE磁共振图像的第一差值，并根据各第一差值的平均值，生成达峰时间前的一期时间-信号强度图像。
例如，采样出的时间点为3、4、8、25，达峰时间为4，则计算一期时间-信号强度图像可以表示为：
S3、分别确定达峰时间之后采样出的时间点的DCE磁共振图像和达峰时间的DCE磁共振图像的第二差值，并根据各第二差值的平均值，生成达峰时间后的二期时间-信号强度图像。
例如，计算二期时间-信号强度图像可以表示为：
需要说明的是，本发明实施例中，生成一期时间-信号强度图像和二期时间-信号强度图像，并不仅限于上述两种方式，例如，还可以仅通过达峰时间前除达峰时间之外的某点与起始时间点的差值，来表示一期时间-信号强度图像，也可以仅通过达峰时间后的某点与达峰时间的差值，来表示二期时间-信号强度图像，具体可以根据实际需要和情况进行设置，本发明实施例中并不进行限制，目的是为了生成达峰时间前后可以表示图像灰度值变化的3D图像。
这样，本发明实施例中，由于DCE磁共振图像为3D图像，基于图像灰度值的变化速率，生成的一期时间-信号强度图像和二期时间-信号强度图像也是3D图像，并且，进行MRI扫描时，注射对比剂后，若存在肿瘤等病变，则随着时间变化，图像亮度变化和正常情况下是不一样的，因此，通过图像灰度值的变化生成的一期时间-信号强度图像和二期时间-信号强度图像中各点的像素的灰度值，可以用于确定病灶区域，以及病灶区域的严重程度，灰度值越大，说明图像越亮，则病变可能性越大，通过一期时间-信号强度图像和二期时间-信号强度图像中病灶区域的像素的灰度值的大小，可以确定病变等级，例如，可以判断是否为良性或恶性肿瘤。例如，一期时间-信号强度图像中病灶区域的像素的灰度值为正值，并大于一定阈值，二期时间-信号强度图像中病灶区域的像素的灰度值为负值，并小于一定阈值，则说明灰度值增量逐渐升高，并之后降低，若对应于TIC曲线，类似于快进快出型的TIC曲线，表征病灶区域的严重程度大于设定级别，即通常可以确定为恶性肿瘤。
例如，参阅图5A所示，为本发明实施例中一种一期时间-信号强度图像示意图，如图5A所示，两条虚线交叉的位置表示了病灶区域中的某一个点，可知，可以查看到该点的灰度值为125.2，说明I_DCE(4)相对于I_DCE(0)亮度升高了125.2％，像素灰度值升高。
参阅图5B所示，为本发明实施例中一种二期时间-信号强度图像示意图，如图5B所示，同样两条虚线交叉的位置表示了病灶区域中的某一个点，可以查看到该点的灰度值为-19.06，说明I_DCE(27)相对于I_DCE(4)亮度降低了19.06％，像素灰度值降低，通过对病灶区域中多个点的分析，可知像素灰度值逐渐升高而后降低，病灶区域为肿瘤的可能性较大。
并且通过对应于TIC曲线，也可以得到相似的结论，例如，参阅图6所示，为本发明实施例中另一种病灶区域中某点的TIC曲线示意图，其中，图6(A)为整体TIC曲线，图6(B)为达峰时间之前的TIC曲线示意图，图6(C)为达峰时间之后的TIC曲线示意图，其中，图6的某点指图5A和图5B中两条虚线交叉的位置的像素点，可知，该点对应的TIC曲线为快进快出型，恶性肿瘤可能性更大。
进一步地，也可以设置不同像素的灰度值的大小对应的颜色，例如，灰度值正数由白色到红色逐渐升高，负数由白色到蓝色逐渐降低，则一期时间-信号强度图像和二期时间-信号强度图像上白色可以表示亮度相差不大，红色可以表示亮度升高，蓝色表示亮度降低，从而可以直接根据一期时间-信号强度图像和二期时间-信号强度图像上颜色的变化，来确定病变等级，更加直观。
本发明实施例中，基于获取的DCE磁共振图像，分别确定各时间点的DCE磁共振图像中同一病灶区域的图像的平均像素灰度值，并根据各时间点对应的平均像素灰度值，确定达峰时间；根据各时间点的DCE磁共振图像和达峰时间，分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像，这样，可以基于DCE磁共振图像，生成两个3D图像，代替传统的一维TIC曲线的方式，相比于传统的一维TIC曲线，只能提供一个像素点的良恶性结果，如果医生认为不好，需要重新选取一个点再次进行绘制，医生依靠TIC曲线判断病变良恶性，只能基于某些局部像素点，无法对肿瘤和乳腺整体有一个全局的认识，而通过3D的一期时间-信号强度图像和二期时间-信号强度图像，实现信息的高纬度扩展，不仅可以表达TIC曲线的信息，还可以同时提供所有像素点的良恶性结果，来表达整体病灶区域或整体乳腺区域的变化，可以提供更多更全面的病灶区域良恶性趋势的信息，还可以同时展示多个病灶区域的变化，并且，医生可以结合本发明实施例中的一期时间-信号强度图像和二期时间-信号强度图像，以及传统的TIC曲线，从而进行更准确的诊断，避免医生只通过TIC曲线而带来的诊断错误，例如，如图4A所示为平台型TIC曲线，其诊断意义偏良性，而图6(A)所示的TIC曲线是快进快出型，诊断偏恶性，可知同一个病灶区域由于不同像素点的选取，可能会带来不同的诊断结果，而实际上这个病灶区域的肿瘤是偏恶性的，通过本发明实施例中生成的一期时间-信号强度图像和二期时间-信号强度图像，可以很准确地判断出，提高了诊断的准确性。
基于上述实施例，下面采用一个具体应用场景进行说明，以实现的图像示意图为例对本发明实施例中图像处理方法进行说明。
1)本发明实施例中，通过MIR扫描，可以获得针对乳腺的多个时间点的DCE磁共振图像，将各时间点的DCE磁共振图像作为输入，参阅图7A所示，为本发明实施例中另一种DCE磁共振图像示意图，其中图7A中左上图为横断面，右上为矢状面，右下为冠状面，其中图上的高亮区域为肿瘤的病灶区域。
2)基于输入的DCE磁共振图像，确定达峰时间，并分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像，具体参阅图7B所示，为本发明实施例中另一种达峰时间前的一期时间-信号强度图像示意图，图7C所示，为本发明实施例中另一种达峰时间后的二期时间-信号强度图像示意图，其中，图7B和图7C中仅示出了部分某肿瘤的病灶区域的示意图，显示了这个肿瘤的病灶区域在达峰时间前后的变化情况，高亮区域表示亮度升高的强度，较暗区域表示亮度降低的强度，从图7B和图7C可以看出，这个肿瘤的病灶区域在达峰时间前的高亮区域，表示血液流入升高较强，在达峰时间后的较暗区域，表示血液流出速度较强，可知这是一个快速流入流出型的肿瘤，可以判定为偏恶性。
基于上述实施例，参阅图8所示，本发明实施例中，图像处理装置具体包括：
获取模块80，用于获取针对同一检测目标的多个时间点对应的动态对比度增强DCE磁共振图像；
第一确定模块81，用于分别确定各时间点的DCE磁共振图像中同一病灶区域的图像的平均像素灰度值；
第二确定模块82，用于根据各时间点对应的平均像素灰度值，确定达峰时间；
生成模块83，用于根据各时间点的DCE磁共振图像和所述达峰时间，分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像；其中，所述一期时间-信号强度图像和二期时间-信号强度图像为3D图像，不同严重程度的病灶区域的像素的灰度值不同。
可选的，第一确定模块81进一步用于：根据预设图像分割算法和病变特征，从各DCE磁共振图像中确定出病灶区域。
可选的，根据各时间点对应的平均像素灰度值，确定达峰时间时，第二确定模块82具体用于：
根据各时间点对应的平均像素灰度值，生成所述同一病灶区域的时间信号曲线TIC曲线；确定所述TIC曲线对应的一阶梯度曲线，将所述对应的一阶梯度曲线上最高点对应的时间点，作为达峰时间。
可选的，分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像时，生成模块83具体用于：
确定各时间中的起始时间点和结束时间点；
根据所述达峰时间的DCE磁共振图像和所述起始时间点的DCE磁共振图像的差值，生成达峰时间前的一期时间-信号强度图像；
根据所述结束时间点的DCE磁共振图像和所述达峰时间的DCE磁共振图像的差值，生成达峰时间后的二期时间-信号强度图像。
可选的，分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像时，生成模块83具体用于：
确定各时间点的起始时间点和结束时间点，并分别从各时间点中采样出预设数目个时间点；
分别确定达峰时间之前采样出的时间点的DCE磁共振图像和所述起始时间点的DCE磁共振图像的第一差值，并根据各第一差值的平均值，生成达峰时间前的一期时间-信号强度图像；
分别确定达峰时间之后采样出的时间点的DCE磁共振图像和所述达峰时间的DCE磁共振图像的第二差值，并根据各第二差值的平均值，生成达峰时间后的二期时间-信号强度图像。
基于上述实施例，参阅图9所示，本发明实施例中，一种图像处理系统的结构示意图。
该图像处理系统至少包括图像采集设备90、图像处理设备91和显示设备92。本发明实施例中，图像采集设备90、图像处理设备91和显示设备92为相关的医疗器械，可以集成在同一医疗器械中，也可以分为多个设备，相互连接通信，组成一个医疗系统来使用等。例如，针对乳腺的MRI影响肿瘤的分析，可以集成为MRI扫描机等。
具体地：图像采集设备90，用于获取针对同一检测目标的多个时间点对应的DCE磁共振图像。
图像处理设备91，用于分别确定各时间点的DCE磁共振图像中同一病灶区域的图像的平均像素灰度值，并根据各时间点对应的平均像素灰度值，确定达峰时间，以及根据各时间点的DCE磁共振图像和所述达峰时间，分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像；其中，所述一期时间-信号强度图像和二期时间-信号强度图像为3D图像，不同严重程度的病灶区域的像素的灰度值不同。
其中，具体地图像处理设备91对DCE磁共振图像进行处理并生成一期时间-信号强度图像和二期时间-信号图像的方法，和上述实施例中图像处理方法相同，这里就不再进行赘述了。
显示设备92，用于输出显示所述一期时间-信号强度图像和所述二期时间-信号强度图像。
基于上述实施例，参阅图10所示，本发明实施例中，一种电子设备的结构示意图。
本发明实施例提供了一种电子设备，该电子设备可以包括处理器1010(CenterProcessing Unit，CPU)、存储器1020、输入设备1030和输出设备1040等，输入设备1030可以包括键盘、鼠标、触摸屏等，输出设备1040可以包括显示设备，如液晶显示器(LiquidCrystal Display，LCD)、阴极射线管(Cathode Ray Tube，CRT)等。
存储器1020可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器1010提供存储器1020中存储的程序指令和数据。在本发明实施例中，存储器1020可以用于存储本发明实施例中图像处理方法的程序。
处理器1010通过调用存储器1020存储的程序指令，处理器1010用于按照获得的程序指令执行：
获取针对同一检测目标的多个时间点对应的动态对比度增强DCE磁共振图像；
分别确定各时间点的DCE磁共振图像中同一病灶区域的图像的平均像素灰度值；
根据各时间点对应的平均像素灰度值，确定达峰时间；
根据各时间点的DCE磁共振图像和所述达峰时间，分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像；其中，所述一期时间-信号强度图像和二期时间-信号强度图像为3D图像，不同严重程度的病灶区域的像素的灰度值不同。
可选的，处理器1010进一步用于：根据预设图像分割算法和病变特征，从各DCE磁共振图像中确定出病灶区域。
可选的，根据各时间点对应的平均像素灰度值，确定达峰时间时，处理器1010具体用于：
根据各时间点对应的平均像素灰度值，生成所述同一病灶区域的时间信号曲线TIC曲线；确定所述TIC曲线对应的一阶梯度曲线，将所述对应的一阶梯度曲线上最高点对应的时间点，作为达峰时间。
可选的，分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像时，处理器1010具体用于：
确定各时间中的起始时间点和结束时间点；
根据所述达峰时间的DCE磁共振图像和所述起始时间点的DCE磁共振图像的差值，生成达峰时间前的一期时间-信号强度图像；
根据所述结束时间点的DCE磁共振图像和所述达峰时间的DCE磁共振图像的差值，生成达峰时间后的二期时间-信号强度图像。
可选的分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像时，处理器1010具体用于：
确定各时间点的起始时间点和结束时间点，并分别从各时间点中采样出预设数目个时间点；
分别确定达峰时间之前采样出的时间点的DCE磁共振图像和所述起始时间点的DCE磁共振图像的第一差值，并根据各第一差值的平均值，生成达峰时间前的一期时间-信号强度图像；
分别确定达峰时间之后采样出的时间点的DCE磁共振图像和所述达峰时间的DCE磁共振图像的第二差值，并根据各第二差值的平均值，生成达峰时间后的二期时间-信号强度图像。
需要说明的是，本发明实施例中，主要是针对医疗影像处理，该电子设备可以为医疗设备等，当然可以为服务器，由服务器执行该图像处理方法。
基于上述实施例，本发明实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意方法实施例中的图像处理方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种乳腺肿瘤图像处理系统，其特征在于，至少包括：乳腺肿瘤图像采集设备、乳腺肿瘤图像处理设备和显示设备，具体地：
乳腺肿瘤图像采集设备，用于获取针对同一乳腺器官的多个时间点对应的动态对比度增强DCE磁共振图像；
乳腺肿瘤图像处理设备，用于分别确定各时间点的DCE磁共振图像中同一乳腺肿瘤区域的图像的平均像素灰度值，并根据各时间点对应的平均像素灰度值，确定达峰时间，以及根据各时间点的DCE磁共振图像和所述达峰时间，分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像；其中，所述一期时间-信号强度图像和二期时间-信号强度图像为3D乳腺肿瘤图像，不同严重程度的乳腺肿瘤区域的像素的灰度值不同；
显示设备，用于输出显示所述一期时间-信号强度图像和所述二期时间-信号强度图像。
2.如权利要求1所述的系统，其特征在于，根据各时间点对应的平均像素灰度值，确定达峰时间时，乳腺肿瘤图像处理设备具体用于：
根据各时间点对应的平均像素灰度值，生成所述同一乳腺肿瘤区域的时间信号曲线TIC曲线；
确定所述TIC曲线对应的一阶梯度曲线，将所述对应的一阶梯度曲线上最高点对应的时间点，作为达峰时间。
3.如权利要求1或2所述的系统，其特征在于，分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像时，乳腺肿瘤图像处理设备具体用于：
确定各时间中的起始时间点和结束时间点；
根据所述达峰时间的DCE磁共振图像和所述起始时间点的DCE磁共振图像的差值，生成达峰时间前的一期时间-信号强度图像；
根据所述结束时间点的DCE磁共振图像和所述达峰时间的DCE磁共振图像的差值，生成达峰时间后的二期时间-信号强度图像。
4.如权利要求1或2所述的系统，其特征在于，分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像时，乳腺肿瘤图像处理设备具体用于：
确定各时间点的起始时间点和结束时间点，并分别从各时间点中采样出预设数目个时间点；
分别确定达峰时间之前采样出的时间点的DCE磁共振图像和所述起始时间点的DCE磁共振图像的第一差值，并根据各第一差值的平均值，生成达峰时间前的一期时间-信号强度图像；
分别确定达峰时间之后采样出的时间点的DCE磁共振图像和所述达峰时间的DCE磁共振图像的第二差值，并根据各第二差值的平均值，生成达峰时间后的二期时间-信号强度图像。
5.如权利要求1所述的系统，其特征在于，若一期时间-信号强度图像中乳腺肿瘤区域的像素的灰度值为正值，并大于一定阈值，二期时间-信号强度图像中乳腺肿瘤区域的像素的灰度值为负值，并小于一定阈值，则表征所述乳腺肿瘤区域的严重程度大于设定级别。
6.一种乳腺肿瘤图像处理方法，其特征在于，包括：
获取针对同一乳腺器官的多个时间点对应的动态对比度增强DCE磁共振图像；
分别确定各时间点的DCE磁共振图像中同一乳腺肿瘤区域的图像的平均像素灰度值；
根据各时间点对应的平均像素灰度值，确定达峰时间；
根据各时间点的DCE磁共振图像和所述达峰时间，分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像；其中，所述一期时间-信号强度图像和二期时间-信号强度图像为3D乳腺肿瘤图像，不同严重程度的乳腺肿瘤区域的像素的灰度值不同。
7.一种乳腺肿瘤图像处理装置，其特征在于，包括：
获取模块，用于获取针对同一乳腺器官的多个时间点对应的动态对比度增强DCE磁共振图像；
第一确定模块，用于分别确定各时间点的DCE磁共振图像中同一乳腺肿瘤区域的图像的平均像素灰度值；
第二确定模块，用于根据各时间点对应的平均像素灰度值，确定达峰时间；
生成模块，用于根据各时间点的DCE磁共振图像和所述达峰时间，分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像；其中，所述一期时间-信号强度图像和二期时间-信号强度图像为3D乳腺肿瘤图像，不同严重程度的乳腺肿瘤区域的像素的灰度值不同。
8.如权利要求7所述的装置，其特征在于，根据各时间点对应的平均像素灰度值，确定达峰时间时，第二确定模块具体用于：
根据各时间点对应的平均像素灰度值，生成所述同一病灶区域的时间信号曲线TIC曲线；确定所述TIC曲线对应的一阶梯度曲线，将所述对应的一阶梯度曲线上最高点对应的时间点，作为达峰时间。
9.如权利要求7或8所述的装置，其特征在于，分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像时，生成模块具体用于：
确定各时间中的起始时间点和结束时间点；
根据所述达峰时间的DCE磁共振图像和所述起始时间点的DCE磁共振图像的差值，生成达峰时间前的一期时间-信号强度图像；
根据所述结束时间点的DCE磁共振图像和所述达峰时间的DCE磁共振图像的差值，生成达峰时间后的二期时间-信号强度图像。
10.如权利要求7或8所述的装置，其特征在于，分别生成达峰时间前的一期时间-信号强度图像和达峰时间后的二期时间-信号强度图像时，生成模块具体用于：
确定各时间点的起始时间点和结束时间点，并分别从各时间点中采样出预设数目个时间点；
分别确定达峰时间之前采样出的时间点的DCE磁共振图像和所述起始时间点的DCE磁共振图像的第一差值，并根据各第一差值的平均值，生成达峰时间前的一期时间-信号强度图像；
分别确定达峰时间之后采样出的时间点的DCE磁共振图像和所述达峰时间的DCE磁共振图像的第二差值，并根据各第二差值的平均值，生成达峰时间后的二期时间-信号强度图像。
CN201910755538.6A 2019-02-25 2019-02-25 一种乳腺肿瘤图像处理系统、方法及装置 Active CN110458834B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910755538.6A CN110458834B (zh) 2019-02-25 2019-02-25 一种乳腺肿瘤图像处理系统、方法及装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910138930.6A CN109949274B (zh) 2019-02-25 2019-02-25 一种图像处理方法、装置及系统
CN201910755538.6A CN110458834B (zh) 2019-02-25 2019-02-25 一种乳腺肿瘤图像处理系统、方法及装置

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201910138930.6A Division CN109949274B (zh) 2019-02-25 2019-02-25 一种图像处理方法、装置及系统

Publications (2)

Publication Number Publication Date
CN110458834A true CN110458834A (zh) 2019-11-15
CN110458834B CN110458834B (zh) 2021-02-09

Family

ID=67006896

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201910755538.6A Active CN110458834B (zh) 2019-02-25 2019-02-25 一种乳腺肿瘤图像处理系统、方法及装置
CN201910138930.6A Active CN109949274B (zh) 2019-02-25 2019-02-25 一种图像处理方法、装置及系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201910138930.6A Active CN109949274B (zh) 2019-02-25 2019-02-25 一种图像处理方法、装置及系统

Country Status (5)

Country Link
US (1) US11928816B2 (zh)
EP (1) EP3933759A4 (zh)
CN (2) CN110458834B (zh)
TW (1) TWI788629B (zh)
WO (1) WO2020173416A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458834B (zh) 2019-02-25 2021-02-09 腾讯科技（深圳）有限公司 一种乳腺肿瘤图像处理系统、方法及装置
US11521314B2 (en) * 2019-12-31 2022-12-06 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image processing
CN117496277B (zh) * 2024-01-02 2024-03-12 达州市中心医院(达州市人民医院) 基于人工智能的直肠癌影像数据建模处理方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2299405A2 (en) * 2009-09-17 2011-03-23 Tiffany Shih Method and apparatus for acquiring an image biomarker and prognosing a blood related disease
CN102387747A (zh) * 2009-04-10 2012-03-21 株式会社日立医疗器械 超声波诊断装置以及血流动态的分布像的构成方法
US20150196281A1 (en) * 2012-08-07 2015-07-16 Konica Minolta, Inc. Medical data processing device, medical data processing method, and ultrasound diagnostic device
CN105249990A (zh) * 2015-09-08 2016-01-20 西安交通大学 一种超声造影灌注参量快速成像方法
CN105879064A (zh) * 2016-04-08 2016-08-24 江南大学 SonoVue超声造影技术在诊治肿瘤血管生成拟态中的检查指标
CN107949325A (zh) * 2014-12-26 2018-04-20 东芝医疗系统株式会社 磁共振成像装置、扩散加权图像的生成方法以及图像处理装置
CN108460748A (zh) * 2018-04-28 2018-08-28 东北大学 乳腺肿瘤分析用特征训练参数获取方法、系统及诊断系统
CN109242866A (zh) * 2018-11-08 2019-01-18 中国科学院生物物理研究所 基于扩散磁共振图像的乳腺肿瘤自动辅助检测系统

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7106892B2 (en) * 2002-09-19 2006-09-12 Koninklijke Philips Electronics, N.V. Display of image data information
DE602005011515D1 (de) 2004-03-31 2009-01-22 Toshiba Kk Vorrichtung und Verfahren zur Verarbeitung medizinischer Bilder
US7599542B2 (en) * 2005-04-08 2009-10-06 John Philip Brockway System and method for detection and display of diseases and abnormalities using confidence imaging
JP2007301181A (ja) 2006-05-11 2007-11-22 Ge Medical Systems Global Technology Co Llc 超音波診断装置および画像表示方法
US9953413B2 (en) 2007-02-02 2018-04-24 Apollo Medical Imaging Technology Pty. Ltd. Identification and analysis of lesions in medical imaging
JP5398189B2 (ja) * 2008-07-23 2014-01-29 株式会社日立製作所 磁気共鳴イメージング装置
WO2010014712A1 (en) * 2008-07-29 2010-02-04 Board Of Trustees Of Michigan State University System and method for differentiating benign from malignant contrast-enhanced lesions
JP5455379B2 (ja) * 2009-01-07 2014-03-26 株式会社東芝 医用画像処理装置、超音波診断装置、及び医用画像処理プログラム
WO2012136079A1 (en) 2011-04-07 2012-10-11 The Chinese University Of Hong Kong Method and device for retinal image analysis
CN102247144A (zh) * 2011-04-18 2011-11-23 大连理工大学 基于时间强度特征的乳腺病灶良恶性诊断计算机辅助方法
WO2015029135A1 (ja) * 2013-08-27 2015-03-05 株式会社日立製作所 罹患率評価装置、罹患率評価方法及び罹患率評価プログラム
CN103514607A (zh) * 2013-10-18 2014-01-15 南京信息工程大学 动态对比度增强核磁共振图像检测方法
CN103886576B (zh) * 2013-11-22 2017-06-06 沈阳东软医疗系统有限公司 一种腺体组织特征灰度检测方法及装置
US10176573B2 (en) * 2014-10-13 2019-01-08 Agency For Science, Technology And Research Automatic region-of-interest segmentation and registration of dynamic contrast-enhanced images of colorectal tumors
CA2975295A1 (en) * 2015-02-02 2016-08-11 Novadaq Technologies Inc. Methods and systems for characterizing tissue of a subject
EP3298145A4 (en) 2015-05-22 2018-12-12 La Trobe University Method of diagnosis of breast cancer
JP6707320B2 (ja) * 2015-06-01 2020-06-10 キヤノンメディカルシステムズ株式会社 画像処理装置およびｘ線診断装置
EP4273799A3 (en) 2016-02-08 2023-12-06 Imago Systems, Inc. System and method for the visualization and characterization of objects in images
JP6812815B2 (ja) * 2017-01-31 2021-01-13 株式会社島津製作所 Ｘ線撮影装置およびｘ線画像解析方法
CN107569248B (zh) 2017-08-07 2020-09-11 东软医疗系统股份有限公司 一种乳腺机设备的曝光方法及乳腺机设备
CN110458834B (zh) * 2019-02-25 2021-02-09 腾讯科技（深圳）有限公司 一种乳腺肿瘤图像处理系统、方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102387747A (zh) * 2009-04-10 2012-03-21 株式会社日立医疗器械 超声波诊断装置以及血流动态的分布像的构成方法
EP2299405A2 (en) * 2009-09-17 2011-03-23 Tiffany Shih Method and apparatus for acquiring an image biomarker and prognosing a blood related disease
US20150196281A1 (en) * 2012-08-07 2015-07-16 Konica Minolta, Inc. Medical data processing device, medical data processing method, and ultrasound diagnostic device
CN107949325A (zh) * 2014-12-26 2018-04-20 东芝医疗系统株式会社 磁共振成像装置、扩散加权图像的生成方法以及图像处理装置
CN105249990A (zh) * 2015-09-08 2016-01-20 西安交通大学 一种超声造影灌注参量快速成像方法
CN105879064A (zh) * 2016-04-08 2016-08-24 江南大学 SonoVue超声造影技术在诊治肿瘤血管生成拟态中的检查指标
CN108460748A (zh) * 2018-04-28 2018-08-28 东北大学 乳腺肿瘤分析用特征训练参数获取方法、系统及诊断系统
CN109242866A (zh) * 2018-11-08 2019-01-18 中国科学院生物物理研究所 基于扩散磁共振图像的乳腺肿瘤自动辅助检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴梦琳: "基于对比剂剂量的磁共振动态增强扫描时间信号曲线及半定量参数变化的研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
李珂 等: "乳腺计算机辅助诊断中DCE-MRI图像特征的选择与分析", 《北京生物医学工程》 *

Also Published As

Publication number Publication date
TW202033159A (zh) 2020-09-16
US11928816B2 (en) 2024-03-12
CN109949274B (zh) 2020-12-25
CN109949274A (zh) 2019-06-28
WO2020173416A1 (zh) 2020-09-03
TWI788629B (zh) 2023-01-01
CN110458834B (zh) 2021-02-09
EP3933759A4 (en) 2022-04-20
US20210350537A1 (en) 2021-11-11
EP3933759A1 (en) 2022-01-05

Similar Documents

Publication Publication Date Title
US8270688B2 (en) Method for intelligent qualitative and quantitative analysis assisting digital or digitized radiography softcopy reading
CN112446862B (zh) 一种基于人工智能的动态乳腺超声视频全病灶实时检测和分割装置、系统及图像处理方法
CN110490851B (zh) 基于人工智能的乳腺图像分割方法、装置及系统
CN108701370A (zh) 基于机器学习的基于内容的医学成像渲染
US8150192B2 (en) System and method for feature score mapping and visualization of medical images
RU2640000C2 (ru) Обработка и отображение изображения грудной железы
CN104602610B (zh) 超声波诊断装置、图像处理装置以及图像处理方法
CN110458834A (zh) 一种乳腺肿瘤图像处理系统、方法及装置
CN111598989B (zh) 一种图像渲染参数设置方法、装置、电子设备及存储介质
JP2017070751A (ja) 医用画像処理装置及び医用画像処理プログラム
CN109447088A (zh) 一种乳腺影像识别的方法及装置
CN104720835A (zh) 显示装置、图像显示方法和计算机化断层扫描设备
Mussi et al. A novel ear elements segmentation algorithm on depth map images
CN109461144A (zh) 一种乳腺影像识别的方法及装置
JP7122918B2 (ja) 画像処理装置および画像処理方法
CN114387380A (zh) 用于生成3d医学图像数据的基于计算机的可视化的方法
US8848998B1 (en) Automated method for contrast media arrival detection for dynamic contrast enhanced MRI
JP2023504875A (ja) コンピュータビジョンに基づく導管特徴取得方法、並びに知能顕微鏡、導管組織特徴取得装置、コンピュータプログラム、及びコンピュータ機器
Broos et al. A Framework for Fast Initial Exploration of PC-MRI Cardiac Flow.
Yang et al. Region space guided transfer function design for nonlinear neural network augmented image visualization
Oliveira et al. Automatic Couinaud Liver and Veins Segmentation from CT Images.
Maack et al. Evaluation of the uncertainty-awareness principle using a tumor detection scenario
Zheng et al. Light&Fast Generative Adversarial Network for high-fidelity CT image synthesis of liver tumor
Kuzmin et al. Two-Dimensional Walsh Spectral Transform in Problems of Automated Analysis of Ultrasound Images
Herghelegiu et al. Needle-stability maps for brain-tumor biopsies

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