CN110544250B - 一种医学图像处理方法和系统 - Google Patents
一种医学图像处理方法和系统 Download PDFInfo
- Publication number
- CN110544250B CN110544250B CN201910840699.5A CN201910840699A CN110544250B CN 110544250 B CN110544250 B CN 110544250B CN 201910840699 A CN201910840699 A CN 201910840699A CN 110544250 B CN110544250 B CN 110544250B
- Authority
- CN
- China
- Prior art keywords
- low
- frequency image
- gray value
- image
- transformation
- 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 13
- 230000009466 transformation Effects 0.000 claims abstract description 234
- 210000000746 body region Anatomy 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000009826 distribution Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims description 68
- 238000003860 storage Methods 0.000 claims description 45
- 230000011218 segmentation Effects 0.000 claims description 29
- 230000001131 transforming effect Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000002360 preparation method Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 17
- 230000000875 corresponding effect Effects 0.000 description 143
- 238000003384 imaging method Methods 0.000 description 34
- 230000015654 memory Effects 0.000 description 30
- 230000006870 function Effects 0.000 description 16
- 238000012986 modification Methods 0.000 description 16
- 230000004048 modification Effects 0.000 description 16
- 210000001519 tissue Anatomy 0.000 description 14
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 210000000988 bone and bone Anatomy 0.000 description 10
- 210000003205 muscle Anatomy 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000700 radioactive tracer Substances 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了一种医学图像处理方法和系统。所述医学图像处理方法包括:获取原始图像;基于原始图像生成低频图像和高频图像;根据低频图像的灰度值分布,将所述灰度值分布的灰度值区间分为至少两个灰度值子区间;基于所述至少两个灰度值子区间中至少一个灰度值子区间生成至少一段变换曲线;基于所述至少一段变换曲线对低频图像灰度变换,得到第一低频图像;将所述第一低频图像和高频图像进行融合,获得均衡图像。本申请通过对低频图像中不同人体区域对应的灰度值区域分别进行均衡得到相应的变换曲线,从而可以针对不同灰度值区域对低频图像进行变换,与高频图像融合后得到图像效果较佳的变换图像。
Description
技术领域
本申请涉及图像信息技术领域,特别涉及一种医学图像处理方法和系统。
背景技术
人体构造复杂,例如,骨骼与软组织之间的密度差异很大,直接数字化成像系统(Digital Radiography,DR)可利用人体组织不同密度成分对X射线的衰减不同的特性进行成像。DR系统使用平板探测器等数字设备进行成像后,可以支持很大的动态范围成像,即:只要X射线曝光剂量合理,所有的密度区域都会有有效信号被采集到。但是如果图像不经任何处理,密度差异较大的组织区域仍然不能在一个适当的灰度范围内同时被较好的显示。
发明内容
基于此,本发明的实施例提供了一种医学图像处理方法、系统、装置和计算机可读存储介质。具体包括以下几个方面:
本申请实施例之一提供一种医学图像处理方法。所述方法包括:获取原始图像;基于原始图像生成低频图像和高频图像;根据低频图像的灰度值分布,将所述灰度值分布的灰度值区间分为至少两个灰度值子区间;基于所述至少两个灰度值子区间中至少一个灰度值子区间生成至少一段变换曲线;基于所述至少一段变换曲线对低频图像灰度变换,得到第一低频图像;将所述第一低频图像和高频图像进行融合,获得均衡图像。
在一些实施例中,所述至少两个灰度值子区间包括:低频图像中,人体区域对应的至少一个灰度值子区间和/或背景区域对应的灰度值子区间。
在一些实施例中,所述根据低频图像的灰度值分布,将所述灰度值分布的灰度值区间分为至少两个灰度值子区间还包括:基于低频图像的灰度值分布,确定人体区域与背景区域的分割阈值;基于所述分割阈值将所述低频图像的灰度值区间分为人体区域对应的灰度值子区间以及背景区域对应的灰度值子区间;根据人体区域中的不同组织占人体区域的比例,将人体区域对应的灰度值区间,分为至少一个灰度值子区间。
在一些实施例中,所述人体区域对应的至少一个灰度值子区间包括高衰减区域子区间、中间区域子区间以及低衰减区域子区间中的一个或多个。
在一些实施例中,所述基于所述至少两个灰度值子区间中至少一个灰度值子区间生成至少一段变换曲线还包括:获取灰度值子区间对应的均衡强度;基于灰度值子区间对应的均衡强度,确定灰度值子区间对应的变换曲线,其中,所述灰度值子区间对应的变换曲线的斜率与所述灰度值子区间对应的均衡强度相关。
在一些实施例中,所述基于所述至少两个灰度值子区间中至少一个灰度值子区间生成至少一段变换曲线还包括:基于灰度值子区间对应的均衡强度以及其前一灰度值子区间对应的变换曲线的末端点值生成该灰度子区间对应的变换曲线;其中首个灰度值子区间对应的变换曲线的常数项为所述低频图像的灰度均值。
在一些实施例中,所述基于所述至少一段变换曲线对低频图像灰度变换,得到第一低频图像还包括:将所述至少一个灰度值子区间对应的变换曲线进行曲线拟合,获得平滑的变换曲线;通过所述平滑的变换曲线对低频图像进行灰度变换,得到第一低频图像。
在一些实施例中,所述将所述第一低频图像和高频图像进行融合,获得均衡图像还包括:计算第一低频图像中各像素点相对于所述低频图像的变换比例;基于所述各像素点的变换比例,对高频图像中对应的像素点做灰度变换处理,获得第一高频图像;将所述第一低频图像和所述第一高频图像进行融合,获得均衡图像。
在一些实施例中,所述将所述第一低频图像和高频图像进行融合,获得均衡图像还包括:对所述第一低频图像进行整体灰度变换,得到第二低频图像;将所述第二低频图像和高频图像进行融合,获得均衡图像。
在一些实施例中,所述将所述第一低频图像和高频图像进行融合,获得均衡图像还包括:对所述第一低频图像进行整体灰度变换,得到第二低频图像;计算第一低频图像中各像素点的变换比例;基于所述各像素点的变换比例,对高频图像中对应的像素点做灰度变换,获得第一高频图像;所述将所述第二低频图像和所述第一高频图像进行融合,获得均衡图像。
在一些实施例中,所述对所述第一低频图像进行整体灰度变换,得到第二低频图像还包括:基于所述低频图像的整体均衡强度和/或所述第一低频图像的灰度均值,确定所述整体变换曲线;通过所述整体变换曲线对所述第一低频图像进行灰度变换,得到所述第二低频图像。
本申请实施例之一提供一种医学图像处理系统。所述系统包括第一获取模块、低高频图像生成模块、区间划分模块、变换曲线生成模块、低频图像变换模块和图像融合模块;所述第一获取模块,用于获取原始图像;所述低高频图像生成模块,用于基于原始图像生成低频图像和高频图像;所述灰度值区间划分模块,用于根据低频图像的灰度值分布,将所述灰度值分布的灰度值区间分为至少两个灰度值子区间;所述变换曲线生成模块,用于基于所述至少两个灰度值子区间中至少一个灰度值子区间生成至少一段变换曲线;所述低频图像变换模块,用于基于所述至少一段变换曲线对低频图像灰度变换,得到第一低频图像;所述图像融合模块,用于将所述第一低频图像和高频图像进行融合,获得均衡图像。
本申请实施例之一提供一种医学图像处理装置。所述装置包括至少一个处理器和至少一个存储设备,所述存储设备用于存储指令,当所述至少一个处理器执行所述指令时,实现如本申请任一实施例所述的方法。
本申请实施例之一提供一种计算机可读存储介质。所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如本申请任一实施例所述的方法。
本申请实施例之一提供一种医学图像处理方法。所述方法包括:获取医学图像以及一个或多个均衡强度;基于所述一个或多个均衡强度,对所述医学图像的一个或多个灰度区域进行均衡得到均衡图像;动态显示所述均衡强度对应的变换曲线和/或均衡图像。
在一些实施例中,所述变换曲线包括一段或多段子曲线;所述变换曲线中的一段或多段子曲线分别基于所述一个或多个均衡强度以及所述医学图像的低频图像的一个或多个灰度子区间确定;所述一个或多个灰度子区间与所述一个或多个灰度区域对应。
在一些实施例中,所述获取医学图像以及一个或多个均衡强度,包括:通过用户图形界面上的输入控件获取所述一个或多个均衡强度。
在一些实施例中,所述均衡强度的输入范围为0~20。
在一些实施例中,所述变换曲线包括连续曲线。
本申请实施例之一提供一种医学图像处理系统。所述系统包括第二获取模块、均衡模块和显示模块;所述第二获取模块,用于获取医学图像以及一个或多个均衡强度;所述均衡模块,用于基于所述一个或多个均衡强度,对所述医学图像的一个或多个灰度区域进行均衡得到均衡图像;所述显示模块,用于动态显示所述均衡强度对应的变换曲线和/或均衡图像。
本申请实施例之一提供一种医学图像处理装置。所述装置包括至少一个处理器和至少一个存储设备,所述存储设备用于存储指令,当所述至少一个处理器执行所述指令时,实现如本申请任一实施例所述的方法。
本申请实施例之一提供一种计算机可读存储介质。所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如本申请任一实施例所述的方法。
附图说明
本申请将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本申请一些实施例所示的一种示例性成像系统100的示意图;
图2是根据本申请一些实施例所示的一种示例性计算设备200的硬件和/或软件组件的示意图;
图3是根据本申请一些实施例所示的一种示例性移动设备300的示例性硬件和/或软件组件的示意图;
图4是根据本申请一些实施例所示的一个示例性处理设备400的框图;
图5是根据本申请一些实施例所示的医学图像处理方法500的示例性流程图;
图6是根据本申请一些实施例所示的灰度值区间划分方法600的示例性流程图;
图7是根据本申请一些实施例所示的变换曲线生成方法700的示例性流程图;
图8是根据本申请一些实施例所示的医学图像处理方法800的示例性流程图;
图9是根据本申请一些实施例所示的示例性低频图像灰度直方图900;
图10是根据本申请一些实施例所示的示例性变换曲线1000;
图11是根据本申请一些实施例所示的示例性拟合后的变换曲线1100;
图12是根据本申请一些实施例所示的针对高衰减区域在不同均衡强度下,应用变换曲线所得到的图像1200;
图13是根据本申请一些实施例所示的针对低衰减区域在不同均衡强度下,应用变换曲线所得到的图像1300;
图14是根据本申请一些实施例所示的一个示例性处理设备1400的框图;以及
图15是根据本申请一些实施例所示的医学图像处理方法1500的示例性流程图。
具体实施方式
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的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
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它的步骤或元素。
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,前面或后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个步骤。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。
参照附图并考虑以下描述,本申请的这些和其他特征以及相关的结构元件以及制造的部件和经济的结合的操作和功能的方法可以变得更加明显,且都构成本申请的一部分。然而,应当明确地理解,附图仅仅是为了说明和描述的目的,并不意图限制本申请的范围。应当理解的是,附图不是按比例的。
图1是根据本申请一些实施例所示的一种示例性成像系统100的示意图。
成像系统100可包括成像设备110、网络120、至少一个终端130、处理设备140和存储设备150。该系统100中的各个组件之间可以通过网络120互相连接。例如,成像设备110和至少一个终端130可以通过网络120连接或通信。在一些实施例中,成像设备可以包括数字放射治疗(Digital Radiotherapy,DR)设备、放射性同位素示踪(Radioisotope Tracer,RT)设备、电子计算机断层扫描(Computed Tomography,CT)设备等。
成像设备110可以包括机架111、探测器112、检测区域113、扫描床114和射线发生装置115。机架111可支撑探测器112和射线发生装置115。可将扫描对象放置在扫描床114上用于扫描。扫描对象可以是患者、模体或其他被扫描的物体。扫描床114可以平行于地面。射线发生装置115可向主体发送X射线。通过对扫描对象进行扫描,成像设备110可获取扫描数据,以生成(或重建)图像。
网络120可以包括能够促进成像系统100的信息和/或数据交换的任何合适的网络。在一些实施例中,成像系统100的至少一个组件(例如,成像设备110、处理设备140、存储设备150、至少一个终端130)可以通过网络120与成像系统100中至少一个其他组件交换信息和/或数据。例如,处理设备140可以经由网络120从成像设备110获得二维检测图像。又例如,处理设备140可以通过网络120从至少一个终端130获得用户(如,医生)指令。网络120可以或包括公共网络(例如,互联网)、专用网络(例如,局部区域网络(LAN))、有线网络、无线网络(例如,802.11网络、Wi-Fi网络)、帧中继网络、虚拟专用网络(VPN)、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机和/或其任何组合。例如,网络120可以包括有线网络、有线网络、光纤网络、电信网络、内联网、无线局部区域网络(WLAN)、城域网(MAN)、公共电话交换网络(PSTN)、蓝牙TM网络、ZigBeeTM网络、近场通信(NFC)网络等或其任意组合。在一些实施例中,网络120可以包括至少一个网络接入点。例如,网络120可以包括有线和/或无线网络接入点,例如基站和/或互联网交换点,成像系统100的至少一个组件可以通过接入点连接到网络120以交换数据和/或信息。
至少一个终端130可以与成像设备110、处理设备140和/或存储设备150通信和/或连接。例如,至少一个终端130可以从处理设备140获得经过均衡处理后的图像。在一些实施例中,至少一个终端130可以包括移动设备131、平板计算机132、膝上型计算机133等或其任意组合。例如,移动设备131可以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备等或其任意组合。在一些实施例中,至少一个终端130可以包括输入设备、输出设备等。输入设备可以包括字母数字和其他键,输入设备可以选用键盘、触摸屏(例如,具有触觉或触觉反馈)输入、语音输入、眼睛跟踪输入、大脑监测系统或任何其他类似的输入机制。通过输入设备接收的输入信息可以经由如总线传输到处理设备140,以进行进一步处理。其他类型的输入设备可以包括光标控制装置,例如鼠标、轨迹球或光标方向键等。输出设备可以包括显示器、扬声器、打印机等,或其任意组合。在一些实施例中,至少一个终端130可以是处理设备140的一部分。
处理设备140可以处理从成像设备110、存储设备150、至少一个终端130或成像系统100的其他组件获得的数据和/或信息。在一些实施例中,处理设备140可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中,处理设备140可以是本地的或远程的。例如,处理设备140可以经由网络120从成像设备110、存储设备150和/或至少一个终端130访问信息和/或数据。又例如,处理设备140可以直接连接到成像设备110、至少一个终端130和/或存储设备150以访问信息和/或数据。在一些实施例中,处理设备140可以在云平台上实现。例如,云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等,或其任意组合。在一些实施例中,处理设备140可以由计算设备200实现,如本申请图2所示,该计算设备200包括至少一个组件。
存储设备150可以存储数据、指令和/或任何其他信息。在一些实施例中,存储设备150可以存储从成像设备110、至少一个终端130和/或处理设备140获得的数据。在一些实施例中,存储设备150可以存储处理设备140用来执行或使用来完成本申请中描述的示例性方法的数据和/或指令。在一些实施例中,存储设备150可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可以包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中,存储设备150可以在云平台上实现。
在一些实施例中,存储设备150可以连接到网络120以与成像系统100中的至少一个其他组件(例如,处理设备140、至少一个终端130)通信。成像系统100中的至少一个组件可以经由网络120访问存储设备150中存储的数据或指令。在一些实施例中,存储设备150可以是处理设备140的一部分。
应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域普通技术人员而言,在本申请内容的指导下,可作出多种变化和修改。可以以各种方式组合本申请描述的示例性实施例的特征、结构、方法和其他特征,以获得另外的和/或替代的示例性实施例。例如,存储设备150可以是包括云计算平台的数据存储,例如公共云、私有云、社区和混合云等。然而,变化与修改不会背离本申请的范围。
图2是根据本申请一些实施例所示的一种示例性计算设备200的硬件和/或软件组件的示意图。
计算设备200可以包括处理器210、存储器220、输入/输出(I/O)230和通信端口240。
处理器210可以执行计算机指令(例如,程序代码),并根据本申请描述的方法执行处理设备140的功能。计算机指令可以包括例如执行本申请描述的特定功能的常规方法、程序、对象、组件、数据结构、过程、模块和功能。例如,处理器210可以处理成像设备110、至少一个终端130、存储设备150和/或成像系统100中的任何其他组件的数据。在一些实施例中,处理器210可以包括至少一个硬件处理器,诸如微控制器、微处理器、精简一组指令计算机(RISC)、特定应用集成电路(ASIC)、特定应用一组指令处理器(ASIP)、中央处理单元(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可程序门阵列(FPGA)、高阶RISC机器(ARM)、可编程逻辑装置(PLD)、能够执行至少一个功能的任何电路或处理器或类似物,或其任何组合。
仅为了说明的目的,在计算设备200中仅描述了一个处理器。然而,应该注意的是,本申请中的计算设备200还可以包括多个处理器,由此本申请中描述的由一个处理器执行的操作和/或方法步骤也可以由多个处理器联合地或单独地执行。例如,如果在本申请中,计算设备200的处理器执行操作A和操作B,则应该理解,操作A和操作B也可以由计算设备200中的多个不同的处理器共同地或单独地执行(例如,第一处理器执行操作A并且第二处理器执行操作B、或者第一处理器和第二处理器共同执行操作A和B)。
存储器220可以存储从成像设备110、至少一个终端130、存储设备150和/或成像系统100中的任何其他组件获得的数据/信息。在一些实施例中,存储器220可以包括大容量存储器、可移动存储器、易失性读写内存、只读存储器(ROM)等或其任意组合。例如,大容量存储器可以包括磁盘、光盘、固态硬盘等。可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘和磁带等。易失性读取和写入存储器可以包括随机存取存储器(RAM)。RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDRSDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中,存储器220可以存储至少一个程序和/或指令用来执行在本申请中描述的示例性方法。
输入/输出(I/O)230可以输入和/或输出信号、数据、信息等。在一些实施例中,I/O230可以使用户与处理设备140交互。在一些实施例中,I/O230可以包括输入设备和输出设备。示例性的输入设备的可以包括键盘、鼠标、触摸屏、麦克风等或其任何组合。示例性的输出设备可以包括显示设备、扬声器、打印机、投影仪等或其任何组合。示例性显示设备可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲面显示器、电视设备、阴极射线管等或其任意组合。
通信端口240可以连接到网络(例如,网络120)以促进数据通信。通信端口240可以在处理设备140和成像设备110、至少一个终端130和/或存储设备150之间建立连接。连接可以包括有线连接、无线连接。有线连接可以包括例如电缆、光缆、电话线等或其任意组合。无线连接可以包括例如BluetoothTM链路、Wi-FiTM链路、WiMaxTM链路、WLAN链路、ZigBee链路、行动网络链路(例如,3G、4G、5G等)等或其任意组合。在一些实施例中,通信端口240可以是和/或包括标准化的通信端口,诸如RS232、RS485等。在一些实施例中,通信端口240可以是专门设计的通信端口。例如,通信端口240可以根据数字成像和医学通信(DICOM)协议来设计。
图3是根据本申请一些实施例所示的一种示例性移动设备300的示例性硬件和/或软件组件的示意图。
移动设备300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、输入/输出(I/O)350、内存360、操作系统(OS)370和存储单元390。在一些实施例中,任何其他合适的组件,包括但不限于系统总线或控制器(未示出),也可以包括在移动设备300内。在一些实施例中,操作系统370(例如,iOSTM、AndroidTM、Windows PhoneTM)和至少一个应用程序380可以从存储单元390加载到内存360中,以便CPU 340执行。应用程序380可以用于从处理设备140接收信息和/或数据。用户(如,医生)与信息流的交互可以通过I/O 350实现,并通过网络120提供给处理设备140和/或成像系统100中的其他组件。
为了实施本申请描述的各种模块、单元及其功能,计算机硬件平台可以用在本申请中描述的至少一个组件的硬件平台。具有用户接口组件的计算机可用于实施个人计算机(PC)或任何其他类型的工作站或用户终端设备。若适当编程,计算机也可以充当系统。
图4是根据本申请一些实施例所示的一个示例性处理设备400的框图。
处理设备400包括第一获取模块401、低高频图像生成模块402、灰度值区间划分模块403、变换曲线生成模块404、低频图像变换模块405和图像融合模块406。
第一获取模块401可以获取原始图像。
在一些实施例中,原始图像可以是当前时刻拍摄的图像,也可以是历史时刻拍摄并存储在存储设备(如存储设备150)中的图像。在一些实施例中,该原始图像可以是对应人体区域(如,胸部、腹部、四肢、头部、腰部等)的图像。在一些实施例中,该原始图像可以包括图像信息。例如,信噪比、灰度值、对比度、分辨率等。
低高频图像生成模块402可以基于原始图像生成低频图像和高频图像。
在一些实施例中,原始图像的灰度值f(i,j)可以经过低频滤波器过滤得到低频图像的灰度值fL(i,j),低频图像中携带低频图像的图像信息。其中,i和j分别表示像素点在图像中的坐标位置。在一些实施例中,低频滤波器可以包括均值滤波器、双边滤波器、高斯滤波器、中值滤波器、通用滤波器、可分离滤波器等。在一些实施例中,可以将原始图像的灰度值f(i,j)减去低频图像的灰度值fL(i,j)得到对应的高频图像的灰度值fH(i,j),高频图像中携带高频图像的图像信息。
灰度值区间划分模块403可以根据低频图像的灰度值分布,将所述灰度值分布的灰度值区间分为至少两个灰度值子区间。
在一些实施例中,低频图像的灰度值分布可以由计算机(例如,处理设备140、处理器210等)计算和统计后获得。一些实施例中,至少两个灰度值子区间可以包括:低频图像中,人体区域对应的至少一个灰度值子区间和/或背景区域对应的灰度值子区间。在一些实施例中,该人体区域对应的灰度值子区间可以包括X射线穿过人体区域后的低频图像的灰度值分布,背景区域对应的灰度值子区间可以包括X射线不穿过人体区域而直接曝光后的低频图像的灰度值分布。
在一些实施例中,根据低频图像的灰度值分布,将灰度值分布的灰度值区间分为至少两个灰度值子区间还可以包括:基于低频图像的灰度值分布,确定人体区域与背景区域的分割阈值nPos;基于分割阈值nPos将低频图像的灰度值区间分为人体区域对应的灰度值子区间以及背景区域对应的灰度值子区间;根据人体区域中的不同组织占人体区域的比例,将人体区域对应的灰度值区间,分为至少一个灰度值子区间。关于灰度值区间划分的更多描述可以在本申请的其他地方(如流程图6及其相关描述中)找到,在此不作赘述。
在一些实施例中,人体区域对应的至少一个灰度值子区间可以包括高衰减区域子区间(如图9中,灰度直方图的左端点至拐点x1)、中间区域子区间(如图9中,拐点x1至拐点x2)以及低衰减区域子区间(如图9中,拐点x2至nPos)中的一个或多个。在一些实施例中,高衰减区域可以是对应人体区域的骨组织等对X射线衰减较大的人体部位,低衰减区域可以是对应人体区域的肌肉组织等对X射线衰减较小的人体部位,中间区域可以是对应人体区域的骨组织和肌肉组织的过渡部位,即:对X射线衰减较大和衰减较小的人体部位的过渡部位。
变换曲线生成模块404可以基于至少两个灰度值子区间中至少一个灰度值子区间生成至少一段变换曲线。
在一些实施例中,至少两个灰度值子区间可以包括:低频图像中,人体区域对应的至少一个灰度值子区间和背景区域对应的灰度值子区间。在一些实施例中,至少一段变换曲线可以是人体区域对应的灰度值子区间所生成的变换曲线,也可以是背景区域对应的灰度值子区间所生成的变换曲线。在一些实施例中,至少一段变换曲线可以为连续的曲线。
在一些实施例中,基于至少两个灰度值子区间中至少一个灰度值子区间生成至少一段变换曲线还可以包括:获取灰度值子区间对应的均衡强度;基于灰度值子区间对应的均衡强度,确定灰度值子区间对应的变换曲线,其中,所述灰度值子区间对应的变换曲线的斜率与所述灰度值子区间对应的均衡强度相关。关于变换曲线生成的更多描述可以在本申请的其他地方(如流程图7及其相关描述中)找到,在此不作赘述。
低频图像变换模块405可以基于至少一段变换曲线对低频图像灰度变换,得到第一低频图像。
在一些实施例中,该至少一段变换曲线可以不进行曲线拟合。在一些实施例中,基于至少一段变换曲线对低频图像灰度变换,得到第一低频图像还可以包括:将至少一个灰度值子区间对应的变换曲线进行曲线拟合,如图11所示,获得拟合后的变换曲线;通过拟合后的变换曲线对低频图像进行灰度变换,得到第一低频图像。拟合后的变换曲线相比于之前的变换曲线通常更平滑。在一些实施例中,曲线拟合方法可以是最小二乘法、二次多项式拟合、三次多项式拟合、半对数拟合回归、Log-Log拟合回归、Logit-log、四参数拟合、三次样条插值等。在一些实施例中,第一低频图像的灰度值为gL(i,j)。
在一些实施例中,基于至少一段变换曲线对低频图像灰度变换,得到第一低频图像还可以包括:对第一低频图像进行整体灰度变换,得到第二低频图像。在一些实施例中,对第一低频图像进行整体灰度变换,得到第二低频图像还可以包括:基于低频图像的整体均衡强度和/或第一低频图像的灰度均值,确定整体变换曲线;通过整体变换曲线对第一低频图像进行灰度变换,得到第二低频图像。关于第一低频图像进行整体灰度变换的相关描述可以在本申请的其他地方(步骤505及其相关描述中)找到,在此不作赘述。
图像融合模块406可以将第一低频图像和高频图像进行融合,获得均衡图像。
在一些实施例中,将第一低频图像和高频图像进行融合,获得均衡图像可以包括将第一低频图像中的每个像素点的灰度值与在高频图像中对应的像素点的灰度值进行相加得到均衡图像。在一些实施例中,将所述第一低频图像和高频图像进行融合,获得均衡图像还可以包括:计算第一低频图像中各像素点相对于低频图像的变换比例;基于各像素点的变换比例,对高频图像中对应的像素点做灰度变换处理,获得第一高频图像;将第一低频图像和所述第一高频图像进行融合,获得均衡图像。关于变换比例和对高频图像进行处理获得第一高频图像的相关描述可以在本申请的其他地方(步骤506及其相关描述中)找到,在此不作赘述。
在一些实施例中,将第一低频图像和第一高频图像进行融合可以是将两个图像对应像素点的灰度值相加,得到均衡图像。
在一些实施例中,将所述第一低频图像和高频图像进行融合,获得均衡图像还可以包括:将所述第二低频图像和高频图像进行融合,获得均衡图像。在一些实施例中,该高频图像可以为曲线变换后的第一高频图像。在一些实施例中,将第二低频图像和第一高频图像进行融合可以是将两个图像对应像素点的灰度值相加,得到均衡图像。
应该注意的是,上述关于处理设备400的描述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的修正和改变。然而,这些修正和改变不会背离本申请的范围。在一些实施例中,可以添加至少一个附加模块,或者可以将处理设备400的多个模块组合成一个模块。例如,处理设备400可以进一步包括存储模块。
图5是根据本申请一些实施例所示的医学图像处理方法500的示例性流程图。
步骤501,获取原始图像。
在一些实施例中,原始图像可以是成像设备110在当前时刻拍摄的图像,也可以是历史时刻拍摄并存储在存储设备(如存储设备150)中的图像。例如,所述原始图像可以是通过DR(Digital Radiotherapy)设备拍摄的图像,也可以是通过Mammo设备或者DBT设备拍摄的图像,还可以是其他透视设备(诸如C形臂或者移动C形臂)拍摄的图像。在一些实施例中,该原始图像可以是对应人体区域(如,胸部、腹部、四肢、头部、腰部等)的图像。在一些实施例中,该原始图像可以包括一种或多种图像信息,例如,信噪比、灰度值、对比度、分辨率等。在一些实施例中,第一获取模块401可以获取一个或多个原始图像。
步骤502,基于原始图像生成低频图像和高频图像。
在一些实施例中,原始图像的灰度值f(i,j)可以经过低通滤波器过滤得到低频图像的灰度值fL(i,j),低频图像中携带低频图像的图像信息。其中,i和j分别表示像素点在图像中的坐标位置。在一些实施例中,低通滤波器可以包括均值滤波器、双边滤波器、高斯滤波器、中值滤波器、通用滤波器、可分离滤波器等。在一些实施例中,可以将原始图像的灰度值f(i,j)减去低频图像的灰度值fL(i,j)得到对应的高频图像的灰度值fH(i,j),高频图像中携带高频图像的图像信息。在一些实施例中,原始图像的灰度值f(i,j)可以经过高通滤波器过滤得到高频图像的灰度值fH(i,j)。在一些实施例中,可以将原始图像的灰度值f(i,j)减去高频图像的灰度值fH(i,j)得到对应的低频图像的灰度值fL(i,j)。在一些实施例中,低高频图像生成模块402可以基于原始图像生成低频图像和高频图像。
步骤503,根据低频图像的灰度值分布,将所述灰度值分布的灰度值区间分为至少两个灰度值子区间。
在一些实施例中,低频图像的灰度值分布可以由计算设备200根据低频图像中的图像信息计算和统计后获得。具体地,计算设备200可以根据低频图像中的图像信息获得低频图像的灰度直方图,如图9所示,灰度直方图的横坐标可以表示图像中的像素点的灰度值,纵坐标可以表示图像中具有某种灰度值的像素的个数。在一些实施例中,至少两个灰度值子区间可以包括:低频图像中,人体区域对应的至少一个灰度值子区间(例如,图9中灰度直方图的左端点至nPos点)、背景区域对应的灰度值子区间(例如,图9中nPos点至灰度直方图的右端点)等。在一些实施例中,该人体区域对应的灰度值子区间可以包括X射线穿过人体区域后的低频图像的灰度值分布,背景区域对应的灰度值子区间可以包括X射线不穿过人体区域而直接曝光后的低频图像的灰度值分布(或人体组织区域外的区域对应的灰度值分布)。在一些实施例中,人体区域对应的至少一个灰度值子区间可以包括人体不同组织对应的灰度值子区间,例如,肺部、肌肉、低密度骨骼、高密度骨骼等。需要注意的是,在一些实施例中,至少两个灰度值子区间不必然包括背景区域对应的灰度值子区间。
在一些实施例中,根据低频图像的灰度值分布,将灰度值分布的灰度值区间分为至少两个灰度值子区间还可以包括:基于低频图像的灰度值分布,确定人体区域与背景区域的分割阈值nPos;基于分割阈值nPos将低频图像的灰度值区间分为人体区域对应的灰度值子区间以及背景区域对应的灰度值子区间;根据人体区域中的不同组织占人体区域的比例,将人体区域对应的灰度值区间,分为至少一个灰度值子区间。关于灰度值区间划分的更多描述可以参考本申请的其他地方(如流程图6及其相关描述中),在此不作赘述。
在一些实施例中,人体区域对应的至少一个灰度值子区间可以包括高衰减区域子区间(如图9中,灰度直方图的左端点至拐点x1)、中间区域子区间(如图9中,拐点x1至拐点x2)以及低衰减区域子区间(如图9中,拐点x2至nPos)中的一个或多个。在一些实施例中,高衰减区域可以是对应人体区域的骨骼组织等对X射线衰减较大的人体部位,低衰减区域可以是对应人体区域的肌肉组织等对X射线衰减较小的人体部位,中间区域可以是对应人体区域的骨组织和肌肉组织的过渡部位,即:对X射线衰减较大和衰减较小的人体部位的过渡部位(或两个不连续的子区间之间的子区间)。在一些实施例中,灰度值区间划分模块403可以根据低频图像的灰度值分布,将灰度值分布的灰度值区间分为至少两个灰度值子区间。
步骤504,基于至少两个灰度值子区间中至少一个灰度值子区间生成至少一段变换曲线。
所述变换曲线也可以称为灰度值映射曲线,可以用于调整低频图像中的像素点的灰度值。在一些实施例中,至少一段变换曲线可以为连续的曲线。
在一些实施例中,至少两个灰度值子区间可以包括:低频图像中,人体区域对应的至少一个灰度值子区间、背景区域对应的灰度值子区间等。在一些实施例中,至少一段变换曲线可以包括人体区域对应的灰度值子区间所生成的变换曲线、背景区域对应的灰度值子区间所生成的变换曲线。
在一些实施例中,至少两个灰度值子区间可以包括:低频图像中,人体区域的不同组织对应的灰度值子区间、背景区域对应的灰度值子区间等。在一些实施例中,至少一段变换曲线可以包括人体区域的不同组织对应的灰度值子区间对应的变换曲线(或按不同组织对X射线的衰减程度划分的灰度值子区间所生成的变换曲线)、背景区域对应的灰度值子区间所生成的变换曲线。
在一些实施例中,基于至少两个灰度值子区间中至少一个灰度值子区间生成至少一段变换曲线还可以包括:获取灰度值子区间对应的均衡强度;基于灰度值子区间对应的均衡强度,确定灰度值子区间对应的变换曲线。其中,所述灰度值子区间对应的变换曲线的斜率与所述灰度值子区间对应的均衡强度相关。在一些实施例中,灰度值子区间对应的变换曲线的斜率与所述灰度值子区间对应的均衡强度可以呈正相关或负相关。所述均衡强度表示的实质意义为通过改变灰度值子区间对应的均衡强度可以相应地改变所述灰度值子区间对应的变换曲线的斜率。当通过所述灰度值子区间对应的变换曲线对图像灰度值做变换时可以改变图像的显示效果。关于变换曲线生成的更多描述可以参考本申请的其他地方(如流程图7及其相关描述中),在此不作赘述。在一些实施例中,变换曲线生成模块404可以基于至少两个灰度值子区间中至少一个灰度值子区间生成至少一段变换曲线。
步骤505,基于至少一段变换曲线对低频图像灰度变换,得到第一低频图像。
对所述低频图像应用至少一段变换曲线,可以得到第一低频图像。例如,通过所述变换曲线,可以对所述低频图像的灰度值f(i,j)进行变换,得到第一低频图像的灰度值为gL(i,j)=curve(f(i,j)),即将低频图像中的像素点的灰度值代入至变换曲线中即可得到经过变换后的像素点对应的灰度值。其中,curve表示至少一段变换曲线;i、j表示像素点在图像中的坐标位置。在一些实施例中,可以使用一段或多段变换曲线对低频图像灰度变换,得到第一低频图像。例如,当只使用一段变换曲线对低频图像灰度变换时,只有该段变换曲线对应的灰度值区间内的像素点将被变换,而其他灰度值区间内的像素点的灰度值将保持不变。在一些实施例中,可以对所述低频图像的不同区域应用所述区域对应的变换曲线。例如,可以针对低频图像中的高衰减区域、低衰减区域等应用对应的变换曲线,而保持其他区域的像素点的灰度值不变。
在一些实施例中,低频图像变换模块405可以基于至少一段变换曲线对低频图像灰度变换,得到第一低频图像。在一些实施例中,该至少一段变换曲线可以不进行曲线拟合。例如,可以直接使用所述至少一段变换曲线对所述低频图像进行灰度变换,得到第一低频图像。在一些实施例中,基于所述至少一段变换曲线对低频图像灰度变换,得到第一低频图像还可以包括:将至少一个灰度值子区间对应的变换曲线进行曲线拟合。例如,将如图10所示的变换曲线进行曲线拟合,得到如图11所示的拟合后的变换曲线,通常,拟合后的变换曲线更平滑。通过所述平滑的变换曲线对低频图像进行灰度变换,得到第一低频图像。即将低频图像中的像素点的灰度值代入至所述平滑的变化曲线中即可得到经过变换后的像素点对应的灰度值。在一些实施例中,曲线拟合方法可以是最小二乘法、二次多项式拟合、三次多项式拟合、半对数拟合回归、Log-Log拟合回归、Logit-log、四参数拟合、三次样条插值等。
在一些实施例中,基于至少一段变换曲线对低频图像灰度变换,得到第一低频图像还可以包括:对第一低频图像进行整体灰度变换,得到第二低频图像。例如,可以基于低频图像的整体均衡强度Intensitywhole和/或第一低频图像的灰度均值gLMean,确定整体变换曲线;通过整体变换曲线对第一低频图像进行灰度变换,得到所述第二低频图像。在一些实施例中,通过以下函数(即整体变换曲线),对第一低频图像进行整体灰度变换进行计算得到第二低频图像:
g’L(i,j)=k*gL(i,j)+b (1)
其中,g’L(i,j)为第二低频图像的灰度值,gL(i,j)为第一低频图像的灰度值,k=1-0.02×Intensitywhole,b为第一低频图像的灰度均值gLMean,Intensitywhole为整体区域的均衡强度(可以参考图7及其相关描述)。
在一些实施例中,当整体均衡强度Intensitywhole不为0时,意味着需要对第一低频图像进行整体灰度变换得到第二低频图像。当整体均衡强度Intensitywhole为0时,意味着不对第一低频图像进行整体灰度变换。
步骤506,将第一低频图像和高频图像进行融合,获得均衡图像。
在一些实施例中,将第一低频图像和高频图像进行融合可以包括将第一低频图像中的每个像素点的灰度值与在高频图像中对应的像素点的灰度值进行相加得到均衡图像。所述均衡图像为将原始图像中的低频图像经过灰度值变换(或称为均衡处理)和高频图像进行融合后的图像。在一些实施例中,图像融合模块406可以将第一低频图像和高频图像进行融合,获得均衡图像。
在一些实施例中,将所述第一低频图像和高频图像进行融合,获得均衡图像还可以包括:计算第一低频图像中各像素点相对于低频图像的变换比例;基于各像素点的变换比例,对高频图像中对应的像素点做灰度变换处理,获得第一高频图像;将所述第一低频图像和所述第一高频图像进行融合,获得均衡图像。在一些实施例中,变换比例可以通过以下函数进行计算:
Ratio=|gL(i,j)/fL(i,j)-1|+1 (2)
其中,gL(i,j)为第一低频图像的灰度值,fL(i,j)为低频图像的灰度值。
在一些实施例中,利用该变换比例,通过以下函数对高频图像进行处理获得第一高频图像:
gH(i,j)=fH(i,j)/Ratio2 (3)
其中,gH(i,j)为第一高频图像的灰度值,fH(i,j)为高频图像的灰度值。
在一些实施例中,将所述第一低频图像和高频图像进行融合,获得均衡图像还可以包括:将所述第二低频图像和高频图像进行融合,获得均衡图像。即处理设备400可以在获得第一低频图像后,对所述第一低频图像应用整体变换曲线得到第二低频图像。进一步地,处理设备400可以将所述第二低频图像和高频图像进行融合(例如,将两个图像对应像素点的灰度值相加),获得均衡图像。可选择地,还可以将第一低频图像与步骤502输出的高频图像进行融合。
在一些实施例中,还可以将所述第二低频图像和所述第一高频图像进行融合,获得均衡图像。即处理设备400可以在获得第一低频图像后,对所述第一低频图像应用整体变换曲线得到第二低频图像。进一步地,处理设备400可以将所述第二低频图像和第一高频图像进行融合(例如,将两个图像对应像素点的灰度值相加),获得均衡图像。可选择地,可以将所述第二低频图像和步骤502输出的高频图像进行融合。还可以理解,可以将所述第一低频图像和步骤502输出的高频图像进行融合。
应当注意的是,以上关于流程500及其描述,仅出于说明的目的而提供,并非旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的修正和改变。然而,这些修正和改变不会背离本申请的范围。
图6是根据本申请一些实施例所示的灰度值区间划分方法600的示例性流程图。
步骤601,基于低频图像的灰度值分布,确定人体区域与背景区域的分割阈值nPos。
关于灰度值分布的获取方法可以参考本申请的其他地方(如步骤501~503及其相关描述中),在此不作赘述。在一些实施例中,确定分割阈值nPos可以采用常用的阈值分割方法,例如,最大类间方差法、自适应阈值分割、最大熵阈值分割法、迭代阈值分割法等。以最大类间方差法为例,低频图像的灰度直方图存在两个波峰和两个波峰之间的波谷。可以将两个波峰之间的波谷作为人体区域和背景区域分割阈值nPos。
在一些实施例中,确定分割阈值nPos的方法也可以是操作人员根据选定的百分比进行过滤。例如,可以将整个低频图像的最大灰度值乘以选定的百分比(如90%)后获得的灰度值作为为分割阈值nPos。又例如,可以将整个低频图像的灰度值宽度(fLMax-fLMin)乘以选定的百分比(如90%)加上低频图像的最小灰度(fLMin)值上获得的灰度值作为为分割阈值nPos。在一些实施例中,百分比的选定方法可以是操作人员进行大量实验计算后或根据历史经验对图像观测后确定的。
在一些实施例中,可以将操作人员进行大量实验计算后或根据历史经验对图像观测确定的灰度阈值作为训练样本。将所述训练样本进行机器学习(例如,通过神经网络训练)得到确定分割阈值nPos的识别模型。当需要确定人体区域与背景区域的分割阈值nPos时,只需要将图像的灰度值分布或图像输入到所述识别模型中,可以直接确定出人体区域与背景区域的分割阈值nPos。
在一些实施例中,处理设备400可以计算出该低频图像的最小灰度值fLMin、最大灰度值fLMax及整个低频图像的灰度均值fLMean。在一些实施例中,该灰度均值fLMean可以是灰度值的平均值。例如,该灰度均值fLMean可以是低频图像中的所有像素点的灰度值相加后再除以所有像素点的数量。
步骤602,基于分割阈值将所述低频图像的灰度值区间分为人体区域对应的灰度值子区间以及背景区域对应的灰度值子区间。
在一些实施例中,基于分割阈值nPos,在低频图像的灰度值区间中,可以将低频图像的灰度值fL(i,j)小于分割阈值nPos的部分划分为人体区域对应的灰度值子区间,将低频图像的灰度值fL(i,j)大于分割阈值nPos的部分划分为背景区域对应的灰度值子区间。在一些实施例中,可以通过以下函数计算人体区域直方图的宽度HistogramSpan:
HistogramSpan=nPos-fLMin (4)
其中,HistogramSpan是人体区域直方图的宽度,nPos是人体区域与背景区域的分割阈值,fLMin是低频图像的最小灰度值。
在一些实施例中,该灰度值区间的划分过程可以由灰度值区间划分模块403自动执行,也可以是操作人员通过点击操作界面的“划分区间”按钮后执行。
步骤603,根据人体区域中的不同组织占人体区域的比例,将人体区域对应的灰度值子区间,分为至少一个灰度值子区间。
在一些实施例中,人体区域中的不同组织占人体区域的比例可以是操作人员经验来预设的比例,也可以是计算设备200根据大量实验结果获得的比例平均值。在一些实施例中,可以通过将低频图像输入到经过训练的比例识别模型(例如,神经网络模型)中获得人体区域中的不同组织占人体区域的比例。所述比例识别模型可以通过大量的训练样本训练获得。所述训练样本可以是通过人工标注获得的样本或经过所述比例识别模型识别后的历史样本。
在一些实施例中,人体区域对应的至少一个灰度值子区间可以包括一个或多个高衰减区域子区间、一个或多个中间区域子区间以及一个或多个低衰减区域子区间。在一些实施例中,高衰减区域可以是对应人体区域的骨组织等对X射线衰减较大的人体部位,低衰减区域可以是对应人体区域的肌肉组织等对X射线衰减较小的人体部位,中间区域可以是对应人体区域的骨组织和肌肉组织的过渡部位,即:对X射线衰减较大和衰减较小的人体部位的过渡部位,也可以指两个不连续的子区间之间的子区间。
以所述人体区域对应的至少一个灰度值子区间包括一个高衰减区域子区间、一个中间区域子区间以及一个低衰减区域子区间为例进行说明,可以预设或通过比例识别模型识别高衰减区域占人体区域的比例为AreaH、低衰减区域占人体区域的比例为AreaL。其中AreaH与AreaL之和不超过1。除高衰减区域和低衰减区域占人体区域的比例外的比例即为中间区域占人体区域的比例。
在一些实施例中,高衰减区域与中间区域的拐点x1和中间区域与低衰减区域的拐点x2的灰度值,可以分别通过以下函数计算:
x1=fLMin+AreaH×HistogramSpan (5)
x2=nPos-AreaL×HistogramSpan (6)
其中,fLMin是低频图像的最小灰度值,HistogramSpan是人体区域直方图的宽度,nPos是人体区域与背景区域的分割阈值,AreaH是高衰减区域占人体区域的比例,AreaL是低衰减区域占人体区域的比例。
在一些实施例中,如图9所示,根据上述函数可以将人体区域对应的灰度值子区间划分为高衰减区域子区间[fLMin,x1]、中间区域子区间(x1,x2]以及低衰减区域子区间(x2,nPos]。背景区域的灰度值子区间对应被划分为(nPos,fLMax]。
应当注意的是,以上关于流程600及其描述,仅出于说明的目的而提供,并非旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的修正和改变。然而,这些修正和改变不会背离本申请的范围。
图7是根据本申请一些实施例所示的变换曲线生成方法700的示例性流程图。
步骤701,获取灰度值子区间对应的均衡强度。
所述均衡强度表示的实质意义为通过改变灰度值子区间对应的均衡强度可以相应地改变所述灰度值子区间对应的变换曲线的斜率。当通过所述灰度值子区间对应的变换曲线对图像灰度值做变换时可以改变图像的显示效果(即达到均衡的处理)。在一些实施例中,该均衡强度可以在设备出厂前由厂家预存在设备中,也可以是操作人员(如医生)根据临床经验或大量实验数据临时选取,还可以是操作人员根据临床经验或大量实验数据提前选取并预存在设备中。例如,可以预设均衡强度范围为0~20中的任意值。在一些实施例中,操作人员可以基于均衡后的图像的效果,实时调整不同的灰度值子区间对应的均衡强度。具体地,以所述人体区域对应的至少一个灰度值子区间包括一个高衰减区域子区间、一个中间区域子区间以及一个低衰减区域子区间为例进行说明,该均衡强度可以包括高衰减区域子区间的均衡强度IntensityH、中间区域子区间的均衡强度IntensityM、低衰减区域子区间的均衡强度IntensityL和整体区域的均衡强度Intensitywhole。整体区域可以是整个低频图像对应的区域。仅以示例说明,成像设备110的操作界面可以包括高衰减区域子区间的均衡强度IntensityH、中间区域子区间的均衡强度IntensityM、低衰减区域子区间的均衡强度IntensityL和整体区域的均衡强度Intensitywhole分别对应的选项控件(例如,输入文本框、滑动按钮),操作人员可以通过该选项控件输入或选择不同的均衡强度。
步骤702,基于灰度值子区间对应的均衡强度,确定灰度值子区间对应的变换曲线,其中,所述灰度值子区间对应的变换曲线的斜率与所述灰度值子区间对应的均衡强度相关。
在一些实施例中,基于灰度值子区间对应的均衡强度以及其前一灰度值子区间对应的变换曲线的末端点值生成该灰度值子区间对应的变换曲线;其中,首个灰度值子区间对应的变换曲线的常数项为所述低频图像的灰度均值fLMean。例如,如图9所示,该灰度值子区间可以为中间区域(即拐点x1至拐点x2),前一灰度值子区间为高衰减区域(即灰度直方图的左端点至拐点x1)。
在一些实施例中,灰度值子区间对应的变换曲线的斜率与灰度值子区间对应的均衡强度的相关系数可以由设备厂家人技术人员根据大量数据采集后确定,也可以是设备操作人员(如医生)根据临床经验确定。
在一些实施例中,各灰度值子区间对应的变换曲线可以通过以下函数(7)~(10)计算:
高衰减区域子区间对应的curve 1:yH=k1*x+b (7)
中间区域子区间对应的curve 2:yM=k2*(x-x1)+y1 (8)
低衰减区域子区间对应的curve 3:yL=k3*(x-x2)+y2 (9)
背景区域子区间对应的curve 4:yB=k4*(x-x3)+y3 (10)
其中,高衰减区域子区间x的范围为[fLMin,x1],b为fLMean,k1=1-0.04*IntensityH;
中间区域子区间x的范围为[x1+1,x2],y1为Curve 1(x1),k2=1-0.04*IntensityM;y1=Curve 1(x1)=k1*x1+b;
低衰减区域子区间x的范围为[x2+1,nPos],y2为Curve 2(x2),k3=1-0.04*IntensityL;y2=Curve 2(x2)=k2*(x2-x1)+y1;
背景区域子区间x的范围为[nPos+1,fLMax],x3为fLMax,y3为fLMax,k4=(fLMax-Curve 3(nPos))/(fLMax-nPos);Curve 3(nPos)=k3*(nPos-x2)+y2。
在一些实施例中,通过以上函数计算,如图10所示,可以得到不同灰度值子区间对应的变换曲线,包括四段变换曲线。
在一些实施例中,操作人员可以根据均衡后的图像效果相应地修改不同子区间对应的均衡强度。如图12为针对高衰减区域在不同均衡强度IntensityH下,应用变换曲线所得到的图像的效果对比。针对高衰减区域进行变换只改变骨头的显示效果,而不会影响软组织的显示效果。如图13为针对低衰减区域在不同均衡强度IntensityL下,应用变换曲线所得到的图像的效果对比。针对低衰减区域进行变换只改变软组织的显示效果,而不会影响骨头的显示效果。操作人员可以根据实际的需要,通过调整不同区域的均衡强度,获得均衡后的图像。
应当注意的是,以上关于流程700及其描述,仅出于说明的目的而提供,并非旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的修正和改变。然而,这些修正和改变不会背离本申请的范围。
图8是根据本申请一些实施例所示的医学图像处理方法800的示例性流程图。
步骤801,获取原始图像。
在一些实施例中,步骤801的相关描述具体可以参见步骤501,在此不作赘述。
步骤802,基于原始图像生成低频图像和高频图像。
在一些实施例中,步骤802的相关描述具体可以参见步骤502,在此不作赘述。
步骤803,根据低频图像的灰度值分布,将所述灰度值分布的灰度值区间分为至少两个灰度值子区间。
在一些实施例中,步骤803的相关描述具体可以参见步骤503,在此不作赘述。
步骤804,基于至少两个灰度值子区间中至少一个灰度值子区间生成至少一段变换曲线。
在一些实施例中,步骤804的相关描述具体可以参见步骤504,在此不作赘述。
步骤805,基于至少一段变换曲线对低频图像灰度变换,得到第一低频图像。
在一些实施例中,步骤805的相关描述具体可以参见步骤505,在此不作赘述。处理设备400基于所述至少一段变换曲线对低频图像灰度变换,得到第一低频图像可以得到第一低频图像的灰度值gL(i,j)=curve(f(i,j))。
步骤806,对第一低频图像进行整体灰度变换,得到第二低频图像。
在一些实施例中,处理设备400可以应用整体变换曲线(例如,参见图5中的公式(1))对所述第一低频图像进行整体灰度变换,得到第二低频图像的灰度值g’L(i,j)=k*gL(i,j)+b。
其中,g’L(i,j)为第二低频图像的灰度值,gL(i,j)为第一低频图像的灰度值,k=1-0.02×Intensitywhole,b为第一低频图像的灰度均值gLMean,Intensitywhole为整体区域的均衡强度。
步骤807,计算第一低频图像中各像素点的变换比例。
步骤808,基于各像素点的变换比例,对高频图像中对应的像素点做灰度变换,获得第一高频图像。
在一些实施例中,变换比例可以通过公式(2)进行计算,高频图像做灰度变换可以通过公式(3)变换。有关变换比例计算和高频图像灰度变换的相关描述可以参见步骤506及其相关描述中,在此不作赘述。
步骤809,将所述第二低频图像和所述第一高频图像进行融合,获得均衡图像。
在一些实施例中,将第二低频图像和第一高频图像进行融合(例如,将两个图像对应像素点的灰度值相加),得到均衡图像。
应当注意的是,以上关于流程800及其描述,仅出于说明的目的而提供,并非旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的修正和改变。然而,这些修正和改变不会背离本申请的范围。
图14是根据本申请一些实施例所示的一个示例性处理设备1400的框图。
处理设备1400包括第二获取模块1401、均衡模块1402和显示模块1403。
第二获取模块1401可以获取医学图像以及一个或多个均衡强度。
在一些实施例中,医学图像可以为原始图像。在一些实施例中,均衡强度可以为医学图像处理参数。在一些实施例中,可以通过用户图形界面上的输入控件获取一个或多个均衡强度。在一些实施例中,用户图形界面上均衡强度的取值输入范围可以为0~20。
均衡模块1402可以基于一个或多个均衡强度,对医学图像的一个或多个灰度区域进行均衡得到均衡图像。
在一些实施例中,均衡图像可以为将医学图像中的低频图像经过灰度值变换(或称为均衡处理)和高频图像进行融合后的图像。具体的,可以将医学图像的灰度值经过低通滤波器过滤得到低频图像的灰度值,将原始图像的灰度值减去低频图像的灰度值得到对应的高频图像的灰度值;对低频图像的灰度值进行均衡后,与高频图像进行融合得到均衡图像。在一些实施例中,低频图像的灰度值经计算和统计后可以获得低频图像的灰度值分布。在一些实施例中,低频图像的灰度值分布可以包括一个或多个灰度区域。在一些实施例中,对医学图像的一个或多个灰度区域进行均衡可以为对医学图像中低频图像的一个或多个灰度区域进行均衡。在一些替代性实施例中,还可以对医学图像中的高频图像进行均衡。
在一些实施例中,对低频图像的一个或多个灰度区域进行均衡可以包括基于一个或多个均衡强度对应的一段或多段变换曲线对低频图像的一个或多个灰度区域进行均衡。在一些实施例中,该变换曲线的斜率可以与均衡强度相关。通过均衡强度对应的变换曲线对医学图像的灰度值进行均衡可以改变医学图像的显示效果。
显示模块1403可以动态显示所述均衡强度对应的变换曲线和/或均衡图像。
在一些实施例中,变换曲线可以包括一段或多段子曲线。在一些实施例中,变换曲线中的一段或多段子曲线可以分别基于一个或多个均衡强度以及医学图像的低频图像的一个或多个灰度子区间确定;该一个或多个灰度子区间与该一个或多个灰度区域对应。在一些实施例中,变换曲线可以包括连续曲线。在一些实施例中,可以在用户图形界面上实时动态显示均衡强度对应的变换曲线和均衡图像。通过动态显示变换曲线和均衡图像显示效果,操作人员(如,医生)可以实时观察均衡图像是否满足其所需的显示效果,便于操作人员通过均衡图像进行相关疾病的诊断。
图15是根据本申请一些实施例所示的医学图像处理方法1500的示例性流程图。
步骤1501,获取医学图像以及一个或多个均衡强度。
在一些实施例中,医学图像可以为原始图像。关于原始图像的更多描述可以参见步骤501中的相关描述,在此不作赘述。在一些实施例中,第二获取模块1401可以获取医学图像。该医学图像可以展示在用户图形界面上。
在一些实施例中,均衡强度可以为医学图像处理参数。通过调整均衡强度的取值可以处理相应的医学图像。关于均衡强度的更多描述可以参见本申请其他地方(如流程图5及其描述)中的相关内容,在此不作赘述。在一些实施例中,第二获取模块1401可以获取一个或多个均衡强度。具体的,可以通过用户图形界面上的输入控件获取一个或多个均衡强度。例如,用户可以点击用户图形界面上的“均衡强度”按钮,从而第二获取模块1401可以获取均衡强度,在用户图形界面上展示均衡强度窗口。在一些实施例中,均衡强度的取值大小可以调节。在一些实施例中,用户图形界面上均衡强度的取值输入范围可以为0~20。用户可以在用户图形界面上输入不同的数值以调节均衡强度的大小。
步骤1502,基于一个或多个均衡强度,对医学图像的一个或多个灰度区域进行均衡得到均衡图像。
在一些实施例中,均衡图像可以为将医学图像中的低频图像经过灰度值变换(或称为均衡处理)和高频图像进行融合后的图像。具体的,可以将医学图像的灰度值经过低通滤波器过滤得到低频图像的灰度值,将原始图像的灰度值减去低频图像的灰度值得到对应的高频图像的灰度值;对低频图像的灰度值进行均衡后,与高频图像进行融合得到均衡图像。在一些实施例中,低频图像的灰度值经计算和统计后可以获得低频图像的灰度值分布。在一些实施例中,低频图像的灰度值分布可以包括一个或多个灰度区域。在一些实施例中,对医学图像的一个或多个灰度区域进行均衡可以为对医学图像中低频图像的一个或多个灰度区域进行均衡。在一些替代性实施例中,还可以对医学图像中的高频图像进行均衡。
在一些实施例中,对低频图像的一个或多个灰度区域进行均衡可以包括基于一个或多个均衡强度对应的一段或多段变换曲线对低频图像的一个或多个灰度区域进行均衡。在一些实施例中,该变换曲线的斜率可以与均衡强度相关。关于基于变换曲线对低频图像的灰度区域进行均衡的更多描述可以参见本申请其他地方(如流程图5及其描述)中的相关内容,在此不作赘述。
在一些实施例中,均衡模块1402可以基于一个或多个均衡强度,对医学图像的灰度值进行均衡得到均衡图像。通过均衡强度对应的变换曲线对医学图像的灰度值进行均衡可以改变医学图像的显示效果。
步骤1503,动态显示均衡强度对应的变换曲线和/或均衡图像。
在一些实施例中,变换曲线可以包括一段或多段子曲线。在一些实施例中,变换曲线中的一段或多段子曲线可以分别基于一个或多个均衡强度以及医学图像的低频图像的一个或多个灰度子区间确定;该一个或多个灰度子区间与一个或多个灰度区域对应。在一些实施例中,变换曲线可以包括连续曲线。关于变换曲线确定方法的更多描述可以参见本申请其他地方(如流程图5及其描述)中的相关内容,在此不作赘述。
在一些实施例中,可以在用户图形界面上实时动态显示均衡强度对应的变换曲线和均衡图像。例如,在操作人员(如,医生)连续调整均衡强度的取值时,在用户图形界面上实时动态显示变换曲线和均衡图像的变化过程。在一些实施例中,显示模块1403可以动态显示均衡强度对应的变换曲线和/或均衡图像。通过动态显示变换曲线和均衡图像显示效果,操作人员(如,医生)可以实时观察均衡图像是否满足其所需的显示效果,便于操作人员通过均衡图像进行相关疾病的诊断。
对于本领域的普通技术人员来讲,显然可以对所披露的实施例作出各种改变。在不偏离本申请的原则和范围的情况下,本申请并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
本申请实施例可能带来的有益效果包括但不限于:(1)通过对不同人体区域对应的灰度值区域进行变换函数处理,得到可以针对不同灰度值区域进行处理的变换曲线;(2)通过采用变换曲线对低频图像进行变换,与高频图像进行融合,得到图像效果较佳的变换图像。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (22)
1.一种医学图像处理方法,其特征在于,所述方法包括:
获取原始图像;
基于原始图像生成低频图像和高频图像;
根据低频图像的灰度值分布,确定至少一个拐点;其中,所述至少一个拐点为高衰减区域占人体区域的比例与所述人体区域直方图的宽度的乘积与所述低频图像的最小灰度值之和,或者所述人体区域与背景区域的分割阈值减去低衰减区域占人体区域的比例与所述人体区域直方图的宽度的乘积;
基于所述至少一个拐点,将所述灰度值分布的灰度值区间分为至少两个灰度值子区间;
基于所述至少两个灰度值子区间中至少一个灰度值子区间生成至少一段变换曲线;
基于所述至少一段变换曲线对低频图像灰度变换,得到第一低频图像;
将所述第一低频图像和高频图像进行融合,获得均衡图像。
2.如权利要求1所述的方法,其特征在于,所述至少两个灰度值子区间包括:低频图像中,人体区域对应的至少一个灰度值子区间和/或背景区域对应的灰度值子区间。
3.如权利要求2所述的方法,其特征在于,所述根据低频图像的灰度值分布,确定至少一个拐点还包括:
基于低频图像的灰度值分布,确定人体区域与背景区域的分割阈值;
所述基于所述至少一个拐点,将所述灰度值分布的灰度值区间分为至少两个灰度值子区间还包括:
基于所述分割阈值将所述低频图像的灰度值区间分为人体区域对应的灰度值子区间以及背景区域对应的灰度值子区间;
根据人体区域中的不同组织占人体区域的比例,将人体区域对应的灰度值子区间,分为至少一个灰度值子区间。
4.如权利要求2或3所述的方法,其特征在于,所述人体区域对应的至少一个灰度值子区间包括高衰减区域子区间、中间区域子区间以及低衰减区域子区间中的一个或多个。
5.如权利要求1所述的方法,其特征在于,所述基于所述至少两个灰度值子区间中至少一个灰度值子区间生成至少一段变换曲线还包括:
获取灰度值子区间对应的均衡强度;
基于灰度值子区间对应的均衡强度,确定灰度值子区间对应的变换曲线,其中,所述灰度值子区间对应的变换曲线的斜率与所述灰度值子区间对应的均衡强度相关。
6.如权利要求5所述的方法,其特征在于,所述基于所述至少两个灰度值子区间中至少一个灰度值子区间生成至少一段变换曲线还包括:
基于灰度值子区间对应的均衡强度以及其前一灰度值子区间对应的变换曲线的末端点值生成该灰度值子区间对应的变换曲线;
其中,首个灰度值子区间对应的变换曲线的常数项为所述低频图像的灰度均值。
7.如权利要求1所述的方法,其特征在于,所述基于所述至少一段变换曲线对低频图像灰度变换,得到第一低频图像还包括:
将所述至少一个灰度值子区间对应的变换曲线进行曲线拟合,获得平滑的变换曲线;
通过所述平滑的变换曲线对低频图像进行灰度变换,得到第一低频图像。
8.如权利要求1所述的方法,其特征在于,所述将所述第一低频图像和高频图像进行融合,获得均衡图像还包括:
计算第一低频图像中各像素点相对于所述低频图像的变换比例;
基于所述各像素点的变换比例,对高频图像中对应的像素点做灰度变换处理,获得第一高频图像;
将所述第一低频图像和所述第一高频图像进行融合,获得均衡图像。
9.如权利要求1所述的方法,其特征在于,所述将所述第一低频图像和高频图像进行融合,获得均衡图像还包括:
对所述第一低频图像进行整体灰度变换,得到第二低频图像;
将所述第二低频图像和高频图像进行融合,获得均衡图像。
10.如权利要求1所述的方法,其特征在于,所述将所述第一低频图像和高频图像进行融合,获得均衡图像还包括:
对所述第一低频图像进行整体灰度变换,得到第二低频图像;
计算第一低频图像中各像素点的变换比例;
基于所述各像素点的变换比例,对高频图像中对应的像素点做灰度变换,获得第一高频图像;
所述将所述第二低频和所述第一高频图像进行融合,获得均衡图像。
11.如权利要求9或10所述的方法,其特征在于,所述对所述第一低频图像进行整体灰度变换,得到第二低频图像还包括:
基于所述低频图像的整体均衡强度和/或所述第一低频图像的灰度均值,确定整体变换曲线;
通过所述整体变换曲线对所述第一低频图像进行灰度变换,得到所述第二低频图像。
12.一种医学图像处理系统,包括第一获取模块、低高频图像生成模块、灰度值区间划分模块、变换曲线生成模块、低频图像变换模块和图像融合模块;其特征在于,
所述第一获取模块,用于获取原始图像;
所述低高频图像生成模块,用于基于原始图像生成低频图像和高频图像;
所述灰度值区间划分模块,用于根据低频图像的灰度值分布,确定至少一个拐点;其中,所述至少一个拐点为高衰减区域占人体区域的比例与所述人体区域直方图的宽度的乘积与所述低频图像的最小灰度值之和,或者所述人体区域与背景区域的分割阈值减去低衰减区域占人体区域的比例与所述人体区域直方图的宽度的乘积;以及基于所述至少一个拐点,将所述灰度值分布的灰度值区间分为至少两个灰度值子区间;
所述变换曲线生成模块,用于基于所述至少两个灰度值子区间中至少一个灰度值子区间生成至少一段变换曲线;
所述低频图像变换模块,用于基于所述至少一段变换曲线对低频图像灰度变换,得到第一低频图像;
所述图像融合模块,用于将所述第一低频图像和高频图像进行融合,获得均衡图像。
13.一种医学图像处理装置,其特征在于,所述装置包括至少一个处理器和至少一个存储设备,所述存储设备用于存储指令,当所述至少一个处理器执行所述指令时,实现如权利要求1~11中任一项所述的方法。
14.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~11中任一项所述的方法。
15.一种医学图像处理方法,其特征在于,所述方法包括:
获取医学图像以及一个或多个均衡强度;其中,所述一个或多个均衡强度与一个或多个灰度值子区间对应,所述灰度值子区间由以下方法确定:
根据低频图像的灰度值分布,确定至少一个拐点;其中,所述至少一个拐点为高衰减区域占人体区域的比例与所述人体区域直方图的宽度的乘积与所述低频图像的最小灰度值之和,或者所述人体区域与背景区域的分割阈值减去低衰减区域占人体区域的比例与所述人体区域直方图的宽度的乘积;
基于所述至少一个拐点,将所述灰度值分布的灰度值区间分为至少两个灰度值子区间;
基于所述一个或多个均衡强度,对所述医学图像的一个或多个灰度区域进行均衡得到均衡图像;
动态显示所述均衡强度对应的变换曲线和/或均衡图像。
16.如权利要求15所述的方法,其特征在于,所述变换曲线包括一段或多段子曲线;
所述变换曲线中的一段或多段子曲线分别基于所述一个或多个均衡强度以及所述医学图像的低频图像的一个或多个灰度值子区间确定;所述一个或多个灰度值子区间与所述一个或多个灰度区域对应。
17.如权利要求15所述的方法,其特征在于,所述获取医学图像以及一个或多个均衡强度,包括:
通过用户图形界面上的输入控件获取所述一个或多个均衡强度。
18.如权利要求17所述的方法,其特征在于,所述均衡强度的输入范围为0~20。
19.如权利要求15所述的方法,其特征在于,所述变换曲线包括连续曲线。
20.一种医学图像处理系统,包括第二获取模块、均衡模块和显示模块;其特征在于,
所述第二获取模块,用于获取医学图像以及一个或多个均衡强度;其中,所述一个或多个均衡强度与一个或多个灰度值子区间对应,所述灰度值子区间由以下方法确定:
根据低频图像的灰度值分布,确定至少一个拐点;其中,所述至少一个拐点为高衰减区域占人体区域的比例与所述人体区域直方图的宽度的乘积与所述低频图像的最小灰度值之和,或者所述人体区域与背景区域的分割阈值减去低衰减区域占人体区域的比例与所述人体区域直方图的宽度的乘积;
基于所述至少一个拐点,将所述灰度值分布的灰度值区间分为至少两个灰度值子区间;
所述均衡模块,用于基于所述一个或多个均衡强度,对所述医学图像的一个或多个灰度区域进行均衡得到均衡图像;
所述显示模块,用于动态显示所述均衡强度对应的变换曲线和/或均衡图像。
21.一种医学图像处理装置,其特征在于,所述装置包括至少一个处理器和至少一个存储设备,所述存储设备用于存储指令,当所述至少一个处理器执行所述指令时,实现如权利要求15~19中任一项所述的方法。
22.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求15~19中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910840699.5A CN110544250B (zh) | 2019-09-06 | 2019-09-06 | 一种医学图像处理方法和系统 |
PCT/CN2020/091969 WO2020238819A1 (en) | 2019-05-24 | 2020-05-24 | Systems and methods for image processing |
US17/456,568 US20220084305A1 (en) | 2019-05-24 | 2021-11-24 | Systems and methods for image processing |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910840699.5A CN110544250B (zh) | 2019-09-06 | 2019-09-06 | 一种医学图像处理方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110544250A CN110544250A (zh) | 2019-12-06 |
CN110544250B true CN110544250B (zh) | 2022-09-13 |
Family
ID=68712688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910840699.5A Active CN110544250B (zh) | 2019-05-24 | 2019-09-06 | 一种医学图像处理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110544250B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113079323B (zh) * | 2021-03-31 | 2022-02-11 | 中国科学院长春光学精密机械与物理研究所 | 一种基于二维熵的航天遥感载荷自动曝光方法 |
CN113763352B (zh) * | 2021-09-06 | 2024-04-02 | 杭州类脑科技有限公司 | 一种腹腔积液图像处理方法和系统 |
CN114937019B (zh) * | 2022-05-30 | 2022-12-23 | 杭州健培科技有限公司 | 基于自适应局部灰度均衡的关键点检测方法、装置及应用 |
CN115143896A (zh) * | 2022-06-21 | 2022-10-04 | 深圳市海塞姆科技有限公司 | 一种基于云平台的变形测量方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101430759A (zh) * | 2008-12-04 | 2009-05-13 | 上海大学 | 优化的人脸识别预处理方法 |
CN107292815A (zh) * | 2017-06-14 | 2017-10-24 | 上海联影医疗科技有限公司 | 乳腺图像的处理方法、装置及乳腺成像设备 |
CN108780571A (zh) * | 2015-12-31 | 2018-11-09 | 上海联影医疗科技有限公司 | 一种图像处理方法和系统 |
CN109146814A (zh) * | 2018-08-20 | 2019-01-04 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014206720A1 (de) * | 2014-04-08 | 2015-10-08 | Siemens Aktiengesellschaft | Rauschreduktion in Tomogrammen |
-
2019
- 2019-09-06 CN CN201910840699.5A patent/CN110544250B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101430759A (zh) * | 2008-12-04 | 2009-05-13 | 上海大学 | 优化的人脸识别预处理方法 |
CN108780571A (zh) * | 2015-12-31 | 2018-11-09 | 上海联影医疗科技有限公司 | 一种图像处理方法和系统 |
CN107292815A (zh) * | 2017-06-14 | 2017-10-24 | 上海联影医疗科技有限公司 | 乳腺图像的处理方法、装置及乳腺成像设备 |
CN109146814A (zh) * | 2018-08-20 | 2019-01-04 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
Non-Patent Citations (2)
Title |
---|
基于子图融合技术的图像增强算法;赵蓝飞;《系统工程与电子技术》;20171231;第39卷(第12期);第2840-2848页 * |
红外图像细节增强方法研究;郭中原;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20180415(第04期);正文第4章 * |
Also Published As
Publication number | Publication date |
---|---|
CN110544250A (zh) | 2019-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544250B (zh) | 一种医学图像处理方法和系统 | |
US11554272B2 (en) | System and method for diagnostic and treatment | |
Nelson et al. | New iterative reconstruction techniques for cardiovascular computed tomography: how do they work, and what are the advantages and disadvantages? | |
CN113689342B (zh) | 一种图像质量优化的方法及系统 | |
US11776170B2 (en) | Systems and methods for medical imaging | |
US11375972B2 (en) | Systems and methods for medical imaging | |
US11957499B2 (en) | Systems, methods, devices and storage mediums for obtaining a radiographic image | |
CN109658470B (zh) | 生成图像的系统和方法 | |
US11908568B2 (en) | System and methods for radiographic image quality assessment and protocol optimization | |
US11222447B2 (en) | Inter-frame motion correction in whole-body direct parametric image reconstruction | |
CN107886553B (zh) | 图像重建系统和方法 | |
EP4167861A1 (en) | Imaging systems and methods | |
US20220092787A1 (en) | Systems and methods for processing x-ray images | |
US20210142889A1 (en) | Computer-implemented method for providing an output data set | |
US20230076352A1 (en) | Systems and methods for image processing | |
CN115511723B (zh) | 用于x射线图像的校正的方法和系统以及x射线设备 | |
Lau et al. | Reducing 4DCBCT scan time and dose through motion compensated acquisition and reconstruction | |
US20220022836A1 (en) | Dose reduction for cardiac computed tomography | |
EP3634236A1 (en) | Systems and methods for medical imaging | |
US20240296601A1 (en) | Systems and methods for data processing | |
US20230298233A1 (en) | Systems and methods for material decomposition | |
WO2024002125A1 (en) | Methods and systems for determining scanning parameters | |
Völgyes | Image quality in forensic CT imaging | |
BACK-PROJECTION | ASSUMPTIONS MADE TO DERIVE THE FBP ALGORITHM | |
CN111553958A (zh) | 图像矩阵大小的计算 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |