CN110728678A - 一种图像区域分类方法、系统、装置及存储介质 - Google Patents

一种图像区域分类方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN110728678A
CN110728678A CN201911008158.2A CN201911008158A CN110728678A CN 110728678 A CN110728678 A CN 110728678A CN 201911008158 A CN201911008158 A CN 201911008158A CN 110728678 A CN110728678 A CN 110728678A
Authority
CN
China
Prior art keywords
image
value
area
pixel
determining
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911008158.2A
Other languages
English (en)
Inventor
周海华
冯娟
杨乐
张娜
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare 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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN201911008158.2A priority Critical patent/CN110728678A/zh
Publication of CN110728678A publication Critical patent/CN110728678A/zh
Priority to PCT/CN2020/091969 priority patent/WO2020238819A1/en
Priority to US17/456,568 priority patent/US20220084305A1/en
Pending legal-status Critical Current

Links

Images

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
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种图像区域分类方法、系统、装置存储介质。所述方法包括以下至少一种操作。可以获取原始图像的运算图像，所述运算图像包含原始图像的差分信息。可以将所述运算图像划分为至少一个第一区域，并确定第一区域在所述原始图像上对应的第二区域。可以确定第一区域的至少一个统计值。可以基于所述第一区域的至少一个统计值，确定该第一区域对应的第二区域的类型。本发明所披露的方法，可以基于图像自身的差分信息对图像区域进行分类，有效提高了分类的准确性。

Description

一种图像区域分类方法、系统、装置及存储介质
技术领域
本申请涉及图像处理领域，特别涉及一种图像区域分类方法、系统、装置及存储介质。
背景技术
在使用目标对象的图像进行某些操作时，例如，使用患者的医学图像进行疾病诊断时，需要根据图像的具体情况来进行各种处理，设置不同的处理参数以突出显示感兴趣区域。这就要求将图像内的各个区域先做分类，然后分别处理。这样才能在后续操作中输出高质量的图像。例如，对于疾病诊断所需的医学图像，针对人体组织区域和空气区域的处理方式不同，有效的区域分类可以提高图像处理速度和最后的图像质量，同时提高诊断正确率。
发明内容
本申请的一个方面提供一种图像区域分类方法。所述方法可以包括以下至少一种操作。可以获取原始图像的运算图像；所述运算图像包含原始图像的差分信息。可以将所述运算图像划分为至少一个第一区域，并确定第一区域在所述原始图像上对应的第二区域。可以确定第一区域的至少一个统计值。可以基于所述第一区域的至少一个统计值，确定该第一区域对应的第二区域的类型。
在一些实施例中，所述方法还可以包括以下至少一种操作。可以确定第二区域的至少一个统计值。可以基于所述第一区域的至少一个统计值以及对应的第二区域的至少一个统计值，确定该第一区域对应的第二区域的类型。
在一些实施例中，所述获取原始图像的运算图像，可以包括以下至少一种操作。可以获取原始图像的第一运算图像和第二运算图像。可以基于所述第一运算图像，和/或所述第二运算图像，获取所述原始图像的第三运算图像，将第三运算图像确定为所述原始图像的运算图像。
在一些实施例中，所述基于所述第一运算图像和所述第二运算图像，获取所述原始图像的第三运算图像，可以包括以下至少一种操作。可以将所述第一运算图像和所述第二运算图像中对应像素的图像值进行运算获得对应像素的第三运算值。可以将所述对应像素的第三运算值确定为第三运算图像内的对应像素的图像值。
在一些实施例中，所述获取原始图像的第一运算图像，可以包括以下至少一种操作。可以确定错位行数N，N为大于或等于1的正整数。对于所述原始图像中的至少一行可以进行如下处理，以获取所述第一运算图像。可以获取该行中的像素的图像值与在该像素下方或上方第N行中同列像素的原图像值之间的第一运算值。可以调整该行中的像素的图像值为所述第一运算值。
在一些实施例中，所述获取原始图像的第二运算图像，可以包括以下至少一种操作。可以确定错位列数M，M为大于或等于1的正整数。对于所述原始图像中的至少一列可以进行如下处理，以获得所述第二运算图像。可以获取该列中的像素的图像值与在该像素后方或前方第N行中同列像素的原图像值之间的第二运算值。可以调整该列中的像素的图像值为所述第二运算值。
在一些实施例中，所述统计值可以至少基于区域内的像素的图像值的方差、均值、标准差、或局部直方图确定。
在一些实施例中，所述基于所述第一区域所述至少一个统计值，确定该第一区域对应的第二区域的类型，可以包括以下至少一种操作。可以将所述统计值与第一阈值条件进行比较，获取第一比较结果。可以基于所述第一比较结果确定所述第二区域的类型。或者，可以将所述统计值输入训练好的图像区域类型判定模型，确定所述第二区域的类型。
在一些实施例中，所述基于所述第一区域以及对应的第二区域的所述至少一个统计值，确定该第一区域对应的第二区域的类型，可以包括以下至少一种操作。可以将所述第一区域的统计值和所述第二区域的统计值联合与第二阈值条件进行比较，获取第二比较结果。可以基于所述第二比较结果确定所述第二区域的类型。或者，可以将所述第一区域的统计值与和所述第二区域的统计值输入训练好的图像区域类型判定模型，确定所述第二区域的类型。
在一些实施例中，所述第二区域的类型可以包括有空气区域、无空气区域、和其他区域。
在一些实施例中，所述原始图像基于数字化X射线摄影或乳腺钼靶X摄影获取。
本申请的另一方面提供一种图像区域分类系统，其特征在于，所述系统可以包括运算模块、划分模块和确定模块。所述运算模块，可以用于获取原始图像的运算图像；所述运算图像包含原始图像的差分信息。所述划分模块，可以用于将所述运算图像划分为至少一个第一区域，并确定第一区域在所述原始图像上对应的第二区域。所述确定模块，可以用于确定第一区域的至少一个统计值；以及用于基于所述第一区域的至少一个统计值，确定该第一区域对应的第二区域的类型。
在一些实施例中，所述确定模块可以进一步用于执行以下至少一种操作。可以确定第二区域的至少一个统计值。可以基于所述第一区域的至少一个统计值以及对应的第二区域的至少一个统计值，确定该第一区域对应的第二区域的类型。
在一些实施例中，所述运算模块可以进一步用于执行以下至少一种操作。可以获取原始图像的第一运算图像和第二运算图像。可以基于所述第一运算图像，和/或所述第二运算图像，获取所述原始图像的第三运算图像，将第三运算图像确定为所述原始图像的运算图像。
在一些实施例中，所述运算模块可以进一步用于执行以下至少一种操作。可以将所述第一运算图像和所述第二运算图像中对应像素的图像值进行运算获得对应像素的第三运算值。可以将所述对应像素的第三运算值确定为第三运算图像内的对应像素的图像值。
在一些实施例中，所述运算模块可以进一步用于执行以下至少一种操作。可以确定错位行数N，N为大于或等于1的正整数。对于所述原始图像中的至少一行可以进行如下处理，以获取所述第一运算图像。可以获取该行中的像素的图像值与在该像素下方或上方第N行中同列像素的原图像值之间的第一运算值。可以调整该行中的像素的图像值为所述第一运算值。
在一些实施例中，所述运算模块可以进一步用于执行以下至少一种操作。可以确定错位列数M，M为大于或等于1的正整数。对于所述原始图像中的至少一列可以进行如下处理，以获得所述第二运算图像。可以获取该列中的像素的图像值与在该像素后方或前方第N行中同列像素的原图像值之间的第二运算值。可以调整该列中的像素的图像值为所述第二运算值。
在一些实施例中，所述统计值可以至少基于区域内的像素的图像值的方差、均值、标准差、或局部直方图确定。
在一些实施例中，所述确定模块可以进一步用于执行以下至少一种操作。可以将所述统计值与第一阈值条件进行比较，获取第一比较结果。可以基于所述第一比较结果确定所述第二区域的类型。或者，可以将所述统计值输入训练好的图像区域类型判定模型，确定所述第二区域的类型。
在一些实施例中，所述确定模块可以进一步用于执行以下至少一种操作。可以将所述第一区域的统计值和所述第二区域的统计值联合与第二阈值条件进行比较，获取第二比较结果。可以基于所述第二比较结果确定所述第二区域的类型。或者，可以将所述第一区域的统计值与和所述第二区域的统计值输入训练好的图像区域类型判定模型，确定所述第二区域的类型。
在一些实施例中，所述第二区域的类型可以包括有空气区域、无空气区域、和其他区域。
本申请的另一方面提供一种图像区域分类装置。所述装置包括处理器以及存储器，所述存储器用于存储指令。当所述指令被所述处理器执行时，可以导致所述装置实现如上任意一项所述的图像区域分类方法。
本申请的另一方面提供一种计算机可读存储介质，所述存储介质可以存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机可以运行如上任意一项所述的图像区域分类方法。
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图像区域分类的示例性流程图；
图2是根据本申请一些实施例所示的另一种图像区域分类的示例性流程图；
图3是根据本申请一些实施例所示的获取运算图像的示例性流程图；
图4是根据本申请一些实施例所示的另一种图像区域分类的示例性流程图；
图5是根据本申请一些实施例所示的示例性处理设备的框图；
图6是根据本申请一些实施例所示的示例性原始图像的示意图；
图7A是根据本申请一些实施例所示的示例性第一运算图像的示意图；
图7B是根据本申请一些实施例所示的示例性第二运算图像的示意图；
图8A和图8B是根据本申请一些实施例所示的示例性第三运算图像的示意图；
图9是根据本申请一些实施例所示的示例性原始图像的示意图；
图10是根据本申请一些实施例所示的另一示例性原始图像的示意图。
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“模组”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。
本申请披露了对图像区域进行分类的方法。实现该方法的处理设备在获取原始图像的运算图像后并分块，利用分块后的运算图像和/或对应的分块后的原始图像的统计值与阈值条件进行比较，判断原始图像上不同区块的类别属性，例如，空气区域、少空气区域或是无空气区域。所述方法利用图像本身的特征信息，通过运算判别来确定图像区域的分类结果，可以有效的避免误识别几率，提高后续处理操作得到的图像的质量。在一些实施例中，本申请所披露的方法、系统、装置及存储介质，可以应用于医学诊断和治疗、工业材料检测、安防检查等多种场景中。应当理解的是，本申请的系统及方法的应用场景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他类似情景。
图1是根据本申请一些实施例所示的图像区域分类的示例性流程图。在一些实施例中，流程100可以通过处理逻辑来执行，该处理逻辑可以包括硬件(例如，电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。图1所示的用于图像区域分类的流程100中的一个或多个操作可以通过图5所示的处理设备500实现。例如，流程100可以以指令的形式存储在存储设备中，并由处理设备500执行调用和/或执行。如图1所示，流程100可以包括以下至少一个操作。
步骤110，获取原始图像的运算图像。在一些实施例中，步骤110可以由运算模块510执行。
在一些实施例中，所述原始图像可以为直接用成像设备得到的图像，或者由成像设备得到的图像后进行负片操作后获取的图像。所述成像设备可以是照相机、摄像机、医用成像设备、工业X射线探伤设备、安防监控设备等。示例性的医学成像设备可以包括但不限于电子计算机断层扫描(Computed Tomography，CT)、数字化X射线摄影(DigitalRadiography，DR)、乳腺钼靶X摄影(Mammography)、计算机X射线摄影(ComputedRadiography，CR)、数字减影血管造影机(Digital Subtraction Angiography，DSA)、移动X射线设备(比如移动C臂机)、屏片X射线机、磁共振成像(Magnetic Resonance Imaging，MRI)、超声成像设备(Ultrasound，US)、单光子发射计算机断层成像(Single-PhotonEmission Computed Tomography，SPECT)、正电子发射断层成像(Positron EmissionTomography，PET)、γ相机等或其任意组合。在一些实施例中，所述原始图像可以是由DR、或乳腺钼靶X摄影(Mammography)所获取的医学图像。在一些实施例中，所述原始图像可以是2D图像，也可以是3D图像。处理设备如处理设备500可以通过与成像设备通信，例如，通过有线或无线连接，直接得到所述原始图像。所述原始图像也可以是事先存储在处理设备自身的存储器，或之外的存储设备比如成像设备自身或外接的存储设备或云存储设备中。处理设备如处理设备500可以与访问上述存储器和/或存储设备以获得所述原始图像。
在一些实施例中，所述运算图像可以包括对所述原始图像的属性，例如像素的相关参数(比如像素值、灰度值或亮度等)，进行某种或某几种运算(例如，相加、相减、相乘、相除、开方、平方、积分和/或微分等)后得到的图像。例如，所述运算图像是将所述原始图像每一行或列的像素的灰度值，替换为其与与其相邻的一行或列中对应的像素的灰度值之间的差值后得到的图像。所述运算图像也可以是将像素的相关参数经过计算后得到的两个或两个以上的图像合并后得到的图像。例如，将所述原始图像每一行的像素的灰度值，替换为其与与其后相邻的一行中对应的像素的灰度值之间的差值后得到的图像，与将所述原始图像每一列的像素的灰度值，替换为其与与其后相邻的一列中对应的像素的灰度值之间的差值后得到的图像，进行合并后(例如，像素的灰度值替换为两个差值之间的和)得到的图像可以被指定为所述运算图像。在一些实施例中，所述运算图像可以包括所述原始图像的差分信息。所述差分信息可以是指由于图像中不同像素处于不同的区域而导致的图像属性的差别。不同区域的像素的像素值、灰度值或亮度等，经过运算后所得到的结果可以体现出两个像素之间的差别。例如，一个灰度值较高(比如，200)的像素与一个灰度值较低(比如，10)的像素的灰度值相减得出的灰度值的差值，可以体现两个像素是处于图像中不同的区域内。关于获取所述运算图像的具体描述可以参考本申请其他部分(例如，图4)，在此不再赘述。
步骤120，将所述运算图像划分为至少一个第一区域，并确定第一区域在所述原始图像上对应的第二区域。在一些实施例中，步骤120可以由划分模块520执行。
在一些实施例中，运算图像的划分方法可以是规则划分或不规则划分，所划分的多个区域之间可以是有重叠部分，也可以是完全不重叠。例如，可以在所述运算图像上依次划分多个a×a大小的非重叠区域以获取第一区域，或者以步进的形式，选择一个步长(例如b，b＜a)依次步进获得所述运算图像的多个a×a大小的重叠区域以获取第一区域。又例如，可以任意地将所述运算图像划分为多个相同或不同形状的区域。可以理解的是，选择规则划分时，由于运算图像的行列数与划分得到的第一区域的行列数之间可能不存在整除的关系，则在运算图像的边缘区域划分得到的第一区域的大小可以与在其他区域比如中间区域划分得到的第一区域的大小不同。这同样属于本申请所要求的保护范围之内。在一些实施例中，在原始图像上确定第二区域可以是以与获得第一区域相同的划分方法对原始图像进行划分以得到相应的第二区域。例如，同样在原始图像上依次划分多个a×a大小的非重叠区域以获取第二区域，或者以步进的形式，选择一个步长(例如b，b＜a)依次步进获得所述原始图像的多个a×a大小的重叠区域以获取第二区域。所述第二区域与所述第一区域对应。在一些实施例中，所述第二区域和所述第一区域数量是相同的，以使第一区域和第二区域能够一一对应。在一些实施例中，第二区域的数量可以小于第一区域的数量，多个第一区域对应一个第二区域。结合本申请其他部分(例如，图4)关于运算图像的描述，所述运算图像的大小可以是与所述原始图像的相同或不同。当两者大小不同时，相同的划分方法在两个图像的边缘部分划分得到的区域大小可能不同。在此种情况下，不同大小的区域也可以被认为是对应的。
步骤130，确定所述第一区域的至少一个统计值。在一些实施例中，步骤130可以由确定模块530执行。在一些实施例中，所述统计值可以至少基于区域(例如，第一区域)内像素的图像值的和、方差、均值、标准差、或局部直方图等确定。所述像素的图像值可以是指示像素属性的值，包括但不限于像素值、灰度值、亮度等或其任意组合。处理设备500(例如，确定模块530)可以将区域内所有像素的图像值代入统计值的计算公式，例如方差、均值、或标准差计算公式，或对图像值进行统计确定区域内像素的局部直方图，进而确定所述统计值。
步骤140，基于所述第一区域的至少一个统计值，确定该第一区域对应的第二区域的类型。在一些实施例中，步骤140可以由确定模块530执行。在一些实施例中，所述第二区域的类型可以包括有空气区域、无空气区域、以及其他区域。所述有空气区域可以指的是原始图像中的非成像目标(例如，空气)所属的区域。所述无空气区域可以指的是原始图像中不含有空气的成像目标所属的区域。所述其他区域可以是指原始图像中除去所述有空气区域与所述无空气区域以外的区域。在一些实施例中，所述其他区域可以包括少空气区域，所述少空气区域可以是指原始图像中包含有少量空气的区域。例如，空气在该区域中所占的比例小于空气值阈值。参见图9及图10，图9和图10分别是根据本申请的一些实施例所示的示例性原始图像的示意图。图9是由乳腺钼靶X摄影(Mammography)所获取的人的乳腺图像，其经过了负片操作。图10是由DR所获取的人的胸部图像，同样经过了负片操作。如图9所示，区域910为有空气区域，区域920为无空气区域，其由人的乳腺占据。和图10所示，区域1010为有空气区域，区域1020为无空气区域，其由人的胸腔部分占据，区域1030为其他区域，其由人所穿衣物及空气部分占据。本申请实施例披露的图像区域分类方法，可以有效快速的区分以上区域，提供图像处理速度。
在一些实施方法中，确定模块530可以根据所述第一区域的统计值与第一阈值条件进行比较，获取第一比较结果，并基于所述第一比较结果确定所述第二区域的类型。所述第一阈值条件可以包括对应于所述至少一个统计值中的每一个的阈值。例如，假定所述至少一个统计值包括所述第一区域内的像素的图像值的第一均值和第一标准差，则所述第一阈值条件可以包括一个第一均值阈值和一个第一标准差阈值。所述阈值的大小可以是处理设备如处理设备500中(例如，处理设备500的自身存储器中)的默认值，或者是预先存储在处理设备500外接的存储设备中或云存储设备中，由处理设备500访问读取，或根据先验统计知识确定，或者由用户(例如，医生)输入确定。所述阈值还可以根据不同的应用场景进行调整，本申请不做具体限定。在一些实施例中，所述第一比较结果可以包括每一个统计值与其对应的阈值之间的大小关系。例如，所述第一比较结果可以是所述第一均值大于所述第一均值阈值，所述第一标准差大于所述第一标准差阈值。每一个第一比较结果可以对应于一个第二区域的类型判定。在获取所述第一比较结果后，即可直接得到所述第二区域的类型。作为示例，所述原始图像为由乳腺钼靶X摄影(Mammography)或由DR所获取的图像经过负片操作后得到，假定原始图像的运算图像中某一第一区域的所述第一比较结果为所述第一均值大于所述第一均值阈值，所述第一标准差大于所述第一标准差阈值，原始图像中相应的第二区域的类型可以被确定为无空气区域。假定运算图像中某一第一区域的所述第一比较结果为所述第一均值小于所述第一均值阈值，所述第一标准差小于所述第一标准差阈值，原始图像中相应的第二区域的类型可以被确定为有空气区域。假定运算图像中某一第一区域的所述第一比较结果为所述第一均值大于或等于所述第一均值阈值，所述第一标准差小于或等于所述第一标准差阈值，或运算图像中某一第一区域的所述第一比较结果为所述第一均值小于或等于所述第一均值阈值，所述第一标准差大于或等于所述第一标准差阈值，原始图像中相应的第二区域的类型可以被确定为其他区域。
在一些实施例中，确定模块530可以将第一区域的所述统计值输入训练好的图像区域类型判定模型，确定对应第二区域的类型。所述图像区域类型判定模型可以是包括统计模型、机器学习模型等。示例性的统计模型可以包括但不限于多元回归模型、聚类分析模型、判别分析模型、主成分分析模型、因子分析模型等。示例性的机器模型包括但不限于包括但不限于分类与逻辑回归(Logistic Regression)模型、k-最近邻算法(K-NearestNeighbor，kNN)模型、朴素贝叶斯(Naive Bayes，NB)模型、支持向量机(Support VectorMachine，SVM)、决策树(Decision Tree，DT)模型、随机森林(Random Forests，RF)模型、回归树(Classification and Regression Trees，CART)模型、梯度提升决策树(GradientBoosting Decision Tree，GBDT)模型、xgboost(eXtreme Gradient Boosting)、Adaboost模型、轻量级梯度提升机器(Light Gradient Boosting Machine，LightGBM)、梯度提升机(Gradient Boosting Machines，GBM)、LASSO(Least Absolute Shrinkage and SelectionOperator，LASSO)、人工神经网络(Artificial Neural Networks，ANN)模型等。所述图像区域类型判定模型可以由所述统计值及其对应的图像区域类型进行训练后得到。确定模块530可以直接将所述统计值输入至训练好的图像类型判定模型，以得到关于第二区域的类型判定。
应当注意的是，上述有关流程100的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程100进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。例如，步骤120可以分为多个步骤，例如，包括第一区域划分步骤，以确定所述运算图像中的至少一个第一区域；第二区域确定步骤，确定所述原始图像上与所述第一区域对应的第二区域。又例如，可以在流程100中的其他地方添加一个或以上其他可选步骤(例如，存储步骤、预处理步骤)。还例如，流程100中的所有步骤可以在包括一组指令的计算机可读介质中实现。指令可以以电子流或电信号的形式传输。
图2是根据本申请的一些实施例所示的另一种图像区域分类的示例性流程图。在一些实施例中，流程200可以通过处理逻辑来执行，该处理逻辑可以包括硬件(例如，电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。图2所示的用于图像区域分类的流程200中的一个或多个操作可以通过图5所示的处理设备500实现。例如，流程200可以以指令的形式存储在存储设备中，并由处理设备500执行调用和/或执行。如图2所示，流程200可以包括以下至少一个操作。
步骤210，获得原始图像的运算图像。在一些实施例中，步骤210可以由运算模块510执行。所述原始图像可以为直接用成像设备得到的图像。所述运算图像可以包括对所述原始图像的属性，例如像素的相关参数(比如像素值、灰度值或亮度等)，进行某种或某几种运算(例如，相加、相减、相乘、相除、开方、平方、积分和/或微分等)后得到的图像。步骤210可以与流程100中的110的操作相同或相似，具体描述可以参考步骤110。
步骤220，将所述运算图像划分为至少一个第一区域，并确定第一区域在所述原始图像上对应的第二区域。在一些实施例中，步骤220可以由划分模块520执行。划分模块520可以规则或不规则的划分所述运算图像，得到多个非重叠区域或多个与其他区域有重叠的区域作为所述至少一个第一区域。同时，划分模块520可以以相同的划分方法对所述原始图像进行划分，得到与所述第一区域数量相同的第二区域。步骤220可以与流程100中的120的操作相同或相似，具体描述可以参考步骤120。
步骤230，分别确定所述第一区域及其对应的第二区域的至少一个统计值。在一些实施例中，步骤230可以由确定模块530执行。所述统计值可以至少基于区域(例如，第一区域)内像素的图像值的和、方差、均值、标准差、或局部直方图等确定。所述像素的图像值可以是指示像素属性的值，包括但不限于像素值、灰度值、亮度等或其任意组合。确定模块530可以将像素的图像值代入计算公式以得到所述统计值。可以理解的是，所述第一区域的统计值的个数与类型可以与所述第二统计值的个数与类型不同。
步骤240，基于所述第一区域的至少一个统计值以及对应的第二区域的至少一个统计值，确定该第一区域对应的第二区域的类型。步骤240可以由确定模块530执行。在一些实施例中，所述第二区域的类型可以包括有空气区域、少空气区域和无空气区域。确定模块530可以根据所述第一区域的统计值和所述第二区域的统计值联合与第二阈值条件进行比较，获取第二比较结果，并基于所述第二比较结果确定所述第二区域的类型。所述第二阈值条件可以包括对应于所述第一区域的统计值中的每一个的阈值，以及对应于所述第二区域的统计值中的每一个的阈值。例如，假定所述第一区域的统计值包括所述第一区域内的像素的图像值的第一均值和第一标准差，所述第二区域的统计值包括所述第二区域内的像素的图像值的第二均值，则所述第二阈值条件可以包括对应于第一区域的统计值的一个第一均值阈值和一个第一标准差阈值，以及对应于所述第二区域的统计值的一个第二均值阈值。所述阈值的大小可以是处理设备如处理设备500中(例如，处理设备500的自身存储器中)的默认值，或者是预先存储在处理设备500外接的存储设备中或云存储设备中，由处理设备500访问读取，或根据先验统计知识确定，或者由用户(例如，医生)输入确定。所述阈值还可以根据不同的应用场景进行调整，本申请不做具体限定。在一些实施例中，所述第二比较结果可以包括每一个统计值与其对应的阈值之间的大小关系。例如，所述第二比较结果可以是所述第一均值大于所述第一均值阈值，所述第一标准差大于所述第一标准差阈值，所述第二均值小于所述第二均值阈值。每一个第二比较结果可以对应与一个第二区域的类型判定。在获取所述第二比较结果后，即可直接得到所述第二区域的类型。作为示例，所述原始图像为由乳腺钼靶X摄影(Mammography)或由DR所获取的图像经过负片操作后得到，，假定所述第二较结果为运算图像中某个第一区域的第一均值大于所述第一均值阈值，第一标准差大于所述第一标准差阈值，原始图像中相应的第二区域的第二均值小于所述第二均值阈值，所述第二区域的类型可以被确定为无空气区域。假定所述第二比较结果为运算图像中某个第一区域的第一均值小于所述第一均值阈值，所述第一标准差小于所述第一标准差阈值，所述第二均值大于所述第二均值阈值，原始图像中相应的第二区域的第二区域的类型可以被确定为有空气区域。假定所述第二比较结果为上述两种情况之外，所述第二区域的类型可以被确定为其他区域。
在一些实施例中，确定模块530可以将将所述第一区域的统计值与和所述第二区域的统计值输入训练好的图像区域类型判定模型，确定所述第二区域的类型。所述图像区域类型判定模型可以是包括统计模型、机器学习模型等。示例性的统计模型可以包括但不限于多元回归模型、聚类分析模型、判别分析模型、主成分分析模型、因子分析模型等。示例性的机器模型包括但不限于包括但不限于分类与逻辑回归(Logistic Regression)模型、k-最近邻算法(K-Nearest Neighbor，kNN)模型、朴素贝叶斯(Naive Bayes，NB)模型、支持向量机(Support Vector Machine，SVM)、决策树(Decision Tree，DT)模型、随机森林(Random Forests，RF)模型、回归树(Classification and Regression Trees，CART)模型、梯度提升决策树(Gradient Boosting Decision Tree，GBDT)模型、xgboost(eXtremeGradient Boosting)、Adaboost模型、轻量级梯度提升机器(Light Gradient BoostingMachine，LightGBM)、梯度提升机(Gradient Boosting Machines，GBM)、LASSO(LeastAbsolute Shrinkage and Selection Operator，LASSO)、人工神经网络(ArtificialNeural Networks，ANN)模型等。所述图像区域类型判定模型可以由将所述第一区域的统计值与和所述第二区域的统计值及其对应的第二区域的类型进行训练后得到。确定模块530可以直接将所述第一区域的统计值与和所述第二区域的统计值输入至训练好的图像类型判定模型，以得到关于第二区域的类型判定。
应当注意的是，上述有关流程200的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程200进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。例如，步骤230可以分为多个步骤，例如，包括第一区域的统计值确定步骤，以确定第一区域的至少一个统计值；第二区域的统计值确定步骤，以确定第二区域的至少一个统计值。并且上述两个步骤的顺序可以互换。又例如，可以在流程200中的其他地方添加一个或以上其他可选步骤(例如，存储步骤、预处理步骤)。还例如，流程200中的所有步骤可以在包括一组指令的计算机可读介质中实现。指令可以以电子流或电信号的形式传输。
图3是根据本申请的一些实施例所示的获取运算图像的示例性流程图。在一些实施例中，流程300可以通过处理逻辑来执行，该处理逻辑可以包括硬件(例如，电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。图3所示的用于获取运算图像的流程300中的一个或多个操作可以通过图5所示的处理设备500(例如，运算模块510)实现。例如，流程300可以以指令的形式存储在存储设备中，并由处理设备500执行调用和/或执行。如图3所示，流程300可以包括以下至少一个操作。
步骤310，获取原始图像的第一运算图像和第二运算图像。在一些实施例中，所述第一运算图像和所述第二图像可以是根据一种或以上的计算方式对原始图像的像素的图像值进行计算后得到的图像。仅出于说明的目的，以下以举例的方式，对所述第一运算图像和所述第二运算图像的获取进行阐述。参考图6，图6是根据本申请的一些实施例所示的示例性原始图像的示意图。如图6所示，假定所述原始图像为3×3的图像，其中，每一个像素所处的位置(例如，第几行第几列)以数字p/数字q表示，例如，处于第一行第一列的像素被标识为1/1，每一个像素的图像值(例如，像素值、灰度、或亮度)以字母表示，例如，A、B、C等。在进行计算前，错位行数N可以被确定。N可以是大于或等于1的正整数。N可以是处理设备500的预设值，也可以根据实际情况进行调整。需要注意，N需要小于原始图像的行数。例如，示例中，N需要小于3，即，N可以是1也可以是2。在确定所述错位行数N后，对于原始图像中的至少一行，可以将该行中的像素的图像值确定为该像素的原图像值与在该像素下方或上方第N行中同列像素的原图像值之间的第一运算值。所述第一运算值可以是两个相应的图像值之间经过数学计算后得到的值。所述数学计算可以包括但不限于加、减、乘、除、微分、积分等或其任意组合。仅作为示例，所述第一运算值可以是相应的像素的图像值之间的差值。继续参考图6，假定N＝1，则对于第一行的像素，可以将其图像值确定为该像素与第二行中同列像素的图像值之间的差值。例如，像素1/1的图像值将被确定为A-D，即，由像素1/1的图像值A减去像素2/1的图像值D。像素1/2的图像值将被确定为B-E，即，由像素1/2的图像值B减去像素2/2的图像值E。像素1/3的图像值将被确定为C-F，即，由像素1/3的图像值C减去像素2/3的图像值E。对于第二行的像素，执行与第一行相同的操作，可以得到像素2/1、2/2、以及2/3的图像值分别为D-G、E-H、F-I。对于第三行的像素，由于第三行是原始图像的最后一行，无法进行计算，此种情况下，可以将第三行舍弃。经过计算，可以得到一个像素的图像值改变后的，大小为2×3的图像，如图7A所示。经过上述处理后的原始图像可以被指定为所述第一运算图像。可以理解的是，对于原始图像中的像素的图像值进行计算时，可以是对其中的一行或几行进行计算，例如，只对第二行的像素的图像值进行计算(比如，将像素的图像值确定为其与第一行或第三行同列像素的图像值之间的差值)，其他行的像素的图像值保留。本申请不对此做出限制。
在另一示例中，确定列数M可以被确定。M可以是大于或等于1的正整数。M可以是处理设备500的预设值，也可以根据实际情况进行调整。需要注意，N需要小于原始图像的列数。例如，示例中，M需要小于3，即，M可以是1也可以是2。在确定所述错位列数M后，对于所述原始图像中的至少一列，可以将该列中的像素的图像值确定为该像素的原图像值与在该像素后方或前方第M列中同行像素的图像值之间的第二运算值。所述第二运算值可以是两个相应的图像值之间经过数学计算后得到的值。所述数学计算可以包括但不限于加、减、乘、除、微分、积分等或其任意组合。仅作为示例，所述第二运算值可以是相应的像素的图像值之间的差值。返回参考图6，假定M＝1，则对于第一列的像素，可以将其图像值确定为该像素与第二列中同行像素的图像值之间的差值。例如，像素1/1的图像值将被确定为A-B，即，由像素1/1的图像值A减去像素1/2的图像值B。像素2/1的图像值将被确定为D-E，即，由像素2/1的图像值D减去像素2/2的图像值E。像素3/1的图像值将被确定为G-H，即，由像素3/1的图像值G减去像素3/2的图像值H。对于第二列的像素，执行与第一列相同的操作，可以得到像素1/2、2/2、以及3/2的图像值分别为B-C、E-F、H-I。对于第三列的像素，由于第三列是原始图像的最后一列，无法进行计算，此种情况下，可以将第三列舍弃。经过计算，可以得到一个像素的图像值改变后的，大小为3×2的图像，如图7B所示。经过上述处理后的原始图像可以被指定为所述第二运算图像。可以理解的是，对于原始图像中的像素的图像值进行计算时，可以是对其中的一列或几列进行计算，例如，只对第二列的像素的图像值进行计算(比如，将像素的图像值确定为其与第一列或第三列同行像素的图像值之间的差值)，其他列的像素的图像值保留。本申请不对此做出限制。
步骤320，基于所述第一运算图像和所述第二运算图像，获取所述原始图像的第三运算图像，将第三运算图像确定为所述原始图像的运算图像。
在一些实施例中，处理设备500(例如，运算模块510)可以将所述第一运算图像和所述第二运算图像中对应像素的图像值进行运算获得对应像素的第三运算值。所述对应像素可以是指在两个运算图像中处于相同位置的像素。仅作为说明的目的，以下以举例的方式，对所述第三运算图像和所述第二运算图像的获取进行阐述。参考图7A和图7B，图7A是根据本申请的一些实施例所示的示例性第一运算图像的示意图，图7B是根据本申请的一些实施例所示的示例性第二运算图像的示意图。在获取所述第一运算图像和所述第二运算图像后，对于两个运算图像中都具有的像素，相同位置的像素的图像值进行运算以确定其第三运算值，包括但不限于加、减、乘、除、微分、积分等或其任意组。仅作为示例，可以将两个图像值取绝对值后相加的值作为所述第三运算值。例如，像素1/1的第三运算值可以被确定为(|A-B|+|A-D|)，像素1/2的第三运算值可以被确定为(|B-E|+|B-C|)，像素2/1的第三运算值可以被确定为(|D-G|+|D-E|)，像素2/2的第三运算值可以被确定为(|E-H|+|E-F|)。对于只有其中一个运算图像具有，或两个运算都不具有但存在于原始图像上的像素，可以将该像素的图像值经过某些处理后，例如，取零、取绝对值、平方、开方等，作为该像素的第三运算值。或直接将该像素的图像值(例如，原始图像值、第一运算值或第二运算值)作为该像素的第三运算值。例如，像素1/3的第三运算值可以被确定为(|C-F|)，像素2/3的第三运算值可以被确定为(|F-I|)，像素3/1的第三运算值可以被确定为(|G-H|)，像素3/2的第三运算值可以被确定为(|H-I|)，像素3/3的第三运算值可以被确定为I。计算完毕后，可以将像素的图像值为所述第三运算值的图像确定为原始图像的第三运算图像，如图8A所示。在一些实施例中，对于只有其中一个运算图像具有，或两个运算都不具有但存在于原始图像上的像素，可以舍弃，并将保留的，图像值为所述第三运算值的像素组成的图像作为所述第三运算图像，如图8B所示。可以理解，此时的第三运算图像像素个数小于原始图像或者第一运算图像或者第二运算图像。
在确定所述第三运算图像后，处理设备500(或确定模块320)可以将所述第三运算图像确定为所述原始图像的运算图像。在一些实施例中，处理设备500(或确定模块320)可以在获取所述第一运算图像或第二运算图像后，将所述第一运算图像或第二运算图像确定为所述原始图像的运算图像。
应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。例如，步骤310可以分为多个步骤，例如，包括第一运算图像确定步骤，以获取所述第一运算图像；第二算图像确定步骤，以获取所述第二运算图像。并且上述两个步骤的顺序可以互换。又例如，步骤320可以舍弃，直接在步骤310结束后将所述第一运算图像或第二运算图像确定为原始图像的运算图像。还例如，可以在流程300中的其他地方添加一个或以上其他可选步骤(例如，存储步骤、预处理步骤)。还例如，流程300中的所有步骤可以在包括一组指令的计算机可读介质中实现。指令可以以电子流或电信号的形式传输。
图4是根据本申请的一些实施例所示的图像区域分类的另一示例性流程图。在一些实施例中，流程400可以通过处理逻辑来执行，该处理逻辑可以包括硬件(例如，电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。图4所示的用于图像区域分类的流程400中的一个或多个操作可以通过图5所示的处理设备500实现。例如，流程400可以以指令的形式存储在存储设备中，并由处理设备500执行调用和/或执行。如图4所示，流程400可以包括以下至少一个操作。
步骤410，将原始图像划分为至少一个第三区域，步骤410可以由划分模块520执行。所述原始图像可以为直接用成像设备得到的图像，具体参考图1中步骤110。在一些实施例中，原始图像的划分方法可以是规则划分或不规则划分，所划分的多个区域之间可以是有重叠部分，也可以是完全不重叠。例如，可以在所述原始图像上依次划分多个c×c大小的非重叠区域以获取第三区域，或者以步进的形式，选择一个步长(例如d，d＜c)依次步进获得所述原始图像的多个c×c大小的重叠区域以获取第三区域。又例如，可以任意地将所述原始图像划分为多个相同或不同形状的区域。可以理解的是，选择规则划分时，由于原始图像的行列数与划分得到的第三区域的行列数之间可能不存在整除的关系，则在原始图像的边缘区域划分得到的第三区域的大小可以与在其他区域比如中间区域划分得到的第三区域的大小不同。这同样属于本申请所要求的保护范围之内。
步骤420，获取第三区域的至少一个统计值。所述统计值可以至少基于区域内的像素的图像值的差值、和值、方差、均值、标准差、或局部直方图等确定。所述像素的图像值可以是指示像素属性的值，包括但不限于像素值、灰度值、亮度等或其任意组合。处理设备500(例如，确定模块530)可以将区域内所有像素的图像值代入统计值的计算公式，例如方差、均值、或标准差计算公式，或对图像值进行统计确定区域内像素的局部直方图，进而确定所述统计值。
步骤430，基于所述第三区域的所述至少一个统计值，确定在所述原始图像中该第三区域的类型。所述第三区域的类型可以包括有空气区域、无空气区域无其他区域。关于区域类型的描述可以参考图1中步骤140。在一些实施例中，处理设备500(如确定模块530)可以将所述统计值与第三阈值条件进行比较，获取第三比较结果，并基于所述第三比较结果确定所述第三区域的类型。所述第三阈值条件可以包括对应于所述至少一个统计值中的每一个的阈值。例如，假定所述至少一个统计值包括所述第三域内的像素的图像值的第三均值和第三标准差，则所述第三阈值条件可以包括一个第三均值阈值和一个第三标准差阈值。所述阈值的大小可以是处理设备如处理设备500中(例如，处理设备500的自身存储器中)的默认值，或者是预先存储在处理设备500外接的存储设备中或云存储设备中，由处理设备500访问读取，或根据先验统计知识确定，或者由用户(例如，医生)输入确定。所述阈值还可以根据不同的应用场景进行调整，本申请不做具体限定。在一些实施例中，所述第三比较结果可以包括每一个统计值与其对应的阈值之间的大小关系。例如，所述第三比较结果可以是所述第三均值大于所述第三均值阈值，所述第三标准差大于所述第三标准差阈值。每一个第一比较结果可以对应与一个第三区域的类型判定。在获取所述第三比较结果后，即可直接得到所述第三区域的类型。仅出于说明的目的，假定所述第三比较结果为原始图像中某个第三区域的第三均值大于所述第三均值阈值，第三标准差大于所述第三标准差阈值，所述第三区域的类型可以被确定为无空气区域。假定所述第三比较结果为原始图像中某个第三区域的第三均值小于所述第三均值阈值，所述第三标准差小于所述第三标准差阈值，所述第三区域的类型可以被确定为有空气区域。假定所述第三比较结果为原始图像中某个第三区域的第三均值大于或等于所述第三均值阈值，所述第三标准差小于或等于所述第三标准差阈值，或所述第三比较结果为所述第三均值小于或等于所述第三均值阈值，所述第三标准差大于或等于所述第三标准差阈值，所述第三区域的类型可以被确定为其他区域。
在一些实施例中，确定模块530可以将所述统计值输入训练好的图像区域类型判定模型，确定所述第三区域的类型。关于所述图像区域类型判定模型的简要描述，可以参考图1中步骤140。确定模块530可以直接将所述统计值输入至训练好的图像类型判定模型，以得到关于第三区域的类型判定。
应当注意的是，上述有关流程的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。
图5是根据本申请的一些实施例所示的示例性处理设备的框图。如图5所示，处理设备可以包括运算模块510、划分模块520以及确定模块530。
运算模块510可以获取原始图像的运算图像。所述原始图像可以为直接用成像设备得到的图像。所述运算图像可以包括对所述原始图像的属性，例如像素的相关参数(比如像素值、灰度值或亮度等)，进行某种或某几种运算(例如，相加、相减、相乘、相除、开方、平方、积分和/或微分等)后得到的图像。在一些实施例中，运算模块510可以将原始图像中的至少一行的像素的图像值确定为该像素的原图像值与在该像素下方或上方第N行中同列像素的原图像值之间的第一运算值，并将图像值更改后的原始图像确定为第一运算图像。运算模块510还可以所述原始图像中的至少一列的像素的图像值确定为该像素的原图像值与在该像素后方或前方第M列中同行像素的原图像值之间的第二运算值，并将图像值更改后的原始图像确定为第二运算图像。运算模块510还可以将所述第一运算图像和所述第二运算图像中对应像素的图像值进行运算获得对应像素的第三运算值，并将图像值更改后的运算图像确定所述第三运算图像。运算模块510可以将所述第一运算图像、第二运算图像以及第三运算图像中的一个确定为所述原始图像的运算图像。
划分模块520可以划分图像。在一些实施例中，划分模块520可以将所述运算图像划分为至少一个第一区域，并确定第一区域在所述原始图像上对应的第二区域。划分方法可以是规则划分或不规则划分，所划分的多个区域之间可以是有重叠部分，也可以是完全不重叠。划分后第二区域和第一区域数量可以是相同的以使第一区域和第二区域能够一一对应，也可以是不同的。第二区域的数量可以小于第一区域的数量，多个第一区域对应一个第二区域。划分后对应的第一区域和第二区域的大小也可以是相同或不同的。
确定模块530可以确定第一区域和/或第二区域的至少一个统计值，并基于所述统计值确定第二区域所属的类型。所述统计值可以至少基于区域(例如，第一区域)内像素的图像值的和、方差、均值、标准差、或局部直方图等确定。确定模块530可以将像素的图像值代入计算公式，或对图像值进行统计确定区域内像素的局部直方图，以得到所述统计值。在确定统计值后，确定模块530可以将统计值与阈值条件进行比较，或将统计值输入至训练好的图像区域类型判定模型，确定第二区域的类型。所述类型可以包括有空气区域、无空气区域、以及其他区域。
应当理解，图5所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
需要注意的是，以上对于候选项显示、确定系统及其模块的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，在一些实施例中，例如，图5中披露的运算模块510、划分模块520、确定模块530可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，运算模块510、划分模块520可以是两个模块，也可以是一个模块同时具有获取运算图像和图像区域划分的功能。又例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本申请的保护范围之内。
本申请实施例可能带来的有益效果包括但不限于：利用图像本身的差分信息对图像中的区域分类，准确性更高，避免区域分类错误导致后续图像处理过程中输出低质量的图像，从而影响后续基于图像的操作。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。
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，如在现有的处理设备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)

1.一种图像区域分类方法，其特征在于，所述方法包括：
获取原始图像的运算图像；所述运算图像包含原始图像的差分信息；
将所述运算图像划分为至少一个第一区域，并确定第一区域在所述原始图像上对应的第二区域；
确定第一区域的至少一个统计值；
基于所述第一区域的至少一个统计值，确定该第一区域对应的第二区域的类型。
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：
确定第二区域的至少一个统计值；
基于所述第一区域的至少一个统计值以及对应的第二区域的至少一个统计值，确定该第一区域对应的第二区域的类型。
3.根据权利要求1所述的方法，其特征在于，所述获取原始图像的运算图像，包括：
获取原始图像的第一运算图像和第二运算图像；
基于所述第一运算图像，和/或所述第二运算图像，获取所述原始图像的第三运算图像，将第三运算图像确定为所述原始图像的运算图像。
4.根据权利要求3所述的方法，其特征在于，所述基于所述第一运算图像和所述第二运算图像，获取所述原始图像的第三运算图像，包括：
将所述第一运算图像和所述第二运算图像中对应像素的图像值进行运算获得对应像素的第三运算值；
将所述对应像素的第三运算值确定为第三运算图像内的对应像素的图像值。
5.根据权利要求2所述的方法，其特征在于，所述获取原始图像的第一运算图像，包括：
确定错位行数N，N为大于或等于1的正整数；
对于所述原始图像中的至少一行进行如下处理，以获取所述第一运算图像；
获取该行中的像素的图像值与在该像素下方或上方第N行中同列像素的原图像值之间的第一运算值；
调整该行中的像素的图像值为所述第一运算值；
所述获取原始图像的第二运算图像，包括：
确定错位列数M，M为大于或等于1的正整数；
对于所述原始图像中的至少一列进行如下处理，以获得所述第二运算图像：
获取该列中的像素的图像值与在该像素后方或前方第N行中同列像素的原图像值之间的第二运算值；
调整该列中的像素的图像值为所述第二运算值。
6.根据权利要求1所述的方法，其特征在于，所述统计值至少基于区域内的像素的图像值的方差、均值、标准差、或局部直方图确定。
7.根据权利要求1所述的方法，其特征在于，所述基于所述第一区域所述至少一个统计值，确定该第一区域对应的第二区域的类型，包括：
将所述统计值与第一阈值条件进行比较，获取第一比较结果；
基于所述第一比较结果确定所述第二区域的类型；
或者，
将所述统计值输入训练好的图像区域类型判定模型，确定所述第二区域的类型。
8.根据权利要求2所述的方法，其特征在于，所述基于所述第一区域以及对应的第二区域的所述至少一个统计值，确定该第一区域对应的第二区域的类型，包括：
将所述第一区域的统计值和所述第二区域的统计值联合与第二阈值条件进行比较，获取第二比较结果；
基于所述第二比较结果确定所述第二区域的类型；
或者，
将所述第一区域的统计值与和所述第二区域的统计值输入训练好的图像区域类型判定模型，确定所述第二区域的类型。
9.根据权利要求1所述的方法，其特征在于，所述第二区域的类型包括有空气区域、无空气区域、和其他区域。
10.根据权利要求1-9中任意一项所述的方法，其特征在于，所述原始图像基于数字化X射线摄影或乳腺钼靶X摄影获取。
11.一种图像区域分类系统，其特征在于，所述系统包括运算模块、划分模块以及确定模块，
所述运算模块，用于获取原始图像的运算图像；所述运算图像包含原始图像的差分信息；
所述划分模块，用于将所述运算图像划分为至少一个第一区域，并确定第一区域在所述原始图像上对应的第二区域；
所述确定模块，用于确定第一区域的至少一个统计值；以及用于基于所述第一区域的至少一个统计值，确定该第一区域对应的第二区域的类型。
12.根据权利要求11所述的系统，其特征在于，所述确定模块进一步用于：
确定第二区域的至少一个统计值；
基于所述第一区域的至少一个统计值以及对应的第二区域的至少一个统计值，确定该第一区域对应的第二区域的类型。
13.根据权利要求11所述的系统，其特征在于，所述运算模块被进一步用于：
获取原始图像的第一运算图像和第二运算图像；
基于所述第一运算图像，和/或所述第二运算图像，获取所述原始图像的第三运算图像，将第三运算图像确定为所述原始图像的运算图像。
14.根据权利要求13所述的系统，其特征在于，所述运算模块被进一步用于：
将所述第一运算图像和所述第二运算图像中对应像素的图像值进行运算获得对应像素的第三运算值；
将所述对应像素的第三运算值确定为第三运算图像内的对应像素的图像值。
15.根据权利要求12所述的系统，其特征在于，所述运算模块被进一步用于：
确定错位行数N，N为大于或等于1的正整数；
对于所述原始图像中的至少一行进行如下处理，以获取所述第一运算图像：
获取该行中的像素的图像值与在该像素下方或上方第N行中同列像素的原图像值之间的第一运算值；
调整该行中的像素的图像值为所述第一运算值；
对于所述原始图像中的至少一列进行如下处理，以获得所述第二运算图像：
获取该列中的像素的图像值与在该像素后方或前方第N行中同列像素的原图像值之间的第二运算值；
调整该列中的像素的图像值为所述第二运算值。
16.根据权利要求11或12所述的系统，其特征在于，所述统计值至少基于区域内的像素的图像值的方差、均值、标准差、或局部直方图确定。
17.根据权利要求11所述的系统，其特征在于，所述确定模块被进一步用于：
将所述统计值与第一阈值条件进行比较，获取第一比较结果；
基于所述第一比较结果确定所述第二区域的类型；
或者，
将所述统计值输入训练好的图像区域类型判定模型，确定所述第二区域的类型。
18.根据权利要求12所述的系统，其特征在于，所述确定模块被进一步用于：
将所述第一区域的统计值和所述第二区域的统计值联合与第二阈值条件进行比较，获取第二比较结果；
基于所述第二比较结果确定所述第二区域的类型；
或者，
将所述第一区域的统计值与和所述第二区域的统计值输入训练好的图像区域类型判定模型，确定所述第二区域的类型。
19.根据权利要求11所述的系统，其特征在于所述第二区域的类型包括有空气区域、无空气区域、和其他区域。
20.根据权利要求11-19中任意一项所述的系统，其特征在于，所述原始图像基于数字化X射线摄影或乳腺钼靶X摄影获取。
21.一种图像区域分类装置，其特征在于，所述装置包括处理器以及存储器；所述存储器用于存储指令，其特征在于，所述指令被所述处理器执行时，导致所述装置实现如权利要求1～10中任意一项所述的方法。
22.一种计算机可读存储介质，其特征在于，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，计算机运行如权利要求1～1中任意一项所述的方法。
CN201911008158.2A 2019-05-24 2019-10-22 一种图像区域分类方法、系统、装置及存储介质 Pending CN110728678A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201911008158.2A CN110728678A (zh) 2019-10-22 2019-10-22 一种图像区域分类方法、系统、装置及存储介质
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
CN201911008158.2A CN110728678A (zh) 2019-10-22 2019-10-22 一种图像区域分类方法、系统、装置及存储介质

Publications (1)

Publication Number Publication Date
CN110728678A true CN110728678A (zh) 2020-01-24

Family

ID=69222760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911008158.2A Pending CN110728678A (zh) 2019-05-24 2019-10-22 一种图像区域分类方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN110728678A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396130A (zh) * 2020-12-09 2021-02-23 中国能源建设集团江苏省电力设计院有限公司 静力触探试验岩层智能识别方法、系统、计算机设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903254A (zh) * 2012-12-31 2014-07-02 中国科学院深圳先进技术研究院 一种x光图像处理方法、系统及x光图像处理设备
CN108108739A (zh) * 2017-12-18 2018-06-01 上海联影医疗科技有限公司 图像目标区域的检测方法、装置、x射线系统及存储介质
CN108471995A (zh) * 2015-09-30 2018-08-31 上海联影医疗科技有限公司 确定医学图像中乳房区域的系统和方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903254A (zh) * 2012-12-31 2014-07-02 中国科学院深圳先进技术研究院 一种x光图像处理方法、系统及x光图像处理设备
CN108471995A (zh) * 2015-09-30 2018-08-31 上海联影医疗科技有限公司 确定医学图像中乳房区域的系统和方法
CN108108739A (zh) * 2017-12-18 2018-06-01 上海联影医疗科技有限公司 图像目标区域的检测方法、装置、x射线系统及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396130A (zh) * 2020-12-09 2021-02-23 中国能源建设集团江苏省电力设计院有限公司 静力触探试验岩层智能识别方法、系统、计算机设备及介质

Similar Documents

Publication Publication Date Title
US10332254B2 (en) Computer Aided Diagnosis (CAD) apparatus and method
US11593943B2 (en) RECIST assessment of tumour progression
Chan et al. Effective pneumothorax detection for chest X‐ray images using local binary pattern and support vector machine
Saad et al. Image segmentation for lung region in chest X-ray images using edge detection and morphology
Acharya et al. Particle swarm optimized texture based histogram equalization (PSOTHE) for MRI brain image enhancement
Farahani et al. Lung nodule diagnosis from CT images based on ensemble learning
Banerjee et al. Automated 3D segmentation of brain tumor using visual saliency
Gokulalakshmi et al. ICM-BTD: improved classification model for brain tumor diagnosis using discrete wavelet transform-based feature extraction and SVM classifier
US11615508B2 (en) Systems and methods for consistent presentation of medical images using deep neural networks
Zhu et al. The development and evaluation of a computerized diagnosis scheme for pneumoconiosis on digital chest radiographs
EP3786881A1 (en) Image processing for stroke characterization
Shanker et al. Brain tumor segmentation of normal and lesion tissues using hybrid clustering and hierarchical centroid shape descriptor
Choudhary et al. Skin lesion detection based on deep neural networks
Agarwal et al. A combination of bias-field corrected fuzzy c-means and level set approach for brain MRI image segmentation
Banerjee et al. A CADe system for gliomas in brain MRI using convolutional neural networks
Srinivasa et al. Identifying lung nodules on MRR connected feature streams for tumor segmentation
Ramana Alzheimer disease detection and classification on magnetic resonance imaging (MRI) brain images using improved expectation maximization (IEM) and convolutional neural network (CNN)
Goutham et al. Automatic localization of landmarks in cephalometric images via modified U-Net
CN110728678A (zh) 一种图像区域分类方法、系统、装置及存储介质
Mukherjee et al. Automatic detection and classification of solitary pulmonary nodules from lung CT images
Mortaheb et al. Metal artifact reduction and segmentation of dental computerized tomography images using least square support vector machine and mean shift algorithm
Xu et al. Improved cascade R-CNN for medical images of pulmonary nodules detection combining dilated HRNet
Genc et al. Automated abnormality classification of chest radiographs using MobileNetV2
Nomura et al. Can the spherical gold standards be used as an alternative to painted gold standards for the computerized detection of lesions using voxel-based classification?
Pandey et al. Recognition of X-rays bones: challenges in the past, present and future

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.