CN110832540B - 图像处理系统和方法 - Google Patents
图像处理系统和方法 Download PDFInfo
- Publication number
- CN110832540B CN110832540B CN201780092082.9A CN201780092082A CN110832540B CN 110832540 B CN110832540 B CN 110832540B CN 201780092082 A CN201780092082 A CN 201780092082A CN 110832540 B CN110832540 B CN 110832540B
- Authority
- CN
- China
- Prior art keywords
- image
- low frequency
- gray
- determining
- frequency image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 122
- 238000012545 processing Methods 0.000 title claims abstract description 106
- 230000009466 transformation Effects 0.000 claims abstract description 269
- 210000000481 breast Anatomy 0.000 claims description 199
- 238000003860 storage Methods 0.000 claims description 58
- 210000000056 organ Anatomy 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 50
- 230000011218 segmentation Effects 0.000 claims description 43
- 238000009826 distribution Methods 0.000 claims description 41
- 238000007781 pre-processing Methods 0.000 claims description 39
- 210000004907 gland Anatomy 0.000 claims description 29
- 238000001914 filtration Methods 0.000 claims description 26
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 9
- 230000001131 transforming effect Effects 0.000 claims description 9
- 230000002146 bilateral effect Effects 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 69
- 238000003384 imaging method Methods 0.000 description 51
- 238000012986 modification Methods 0.000 description 22
- 230000004048 modification Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 17
- 230000006835 compression Effects 0.000 description 14
- 238000007906 compression Methods 0.000 description 14
- 238000009607 mammography Methods 0.000 description 14
- 238000002591 computed tomography Methods 0.000 description 13
- 210000001519 tissue Anatomy 0.000 description 12
- 238000006243 chemical reaction Methods 0.000 description 10
- 238000002600 positron emission tomography Methods 0.000 description 10
- 230000000670 limiting effect Effects 0.000 description 9
- 238000002595 magnetic resonance imaging Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000002603 single-photon emission computed tomography Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000002583 angiography Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 210000000232 gallbladder Anatomy 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 239000007943 implant Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 210000005075 mammary gland Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000002445 nipple Anatomy 0.000 description 2
- 210000000813 small intestine Anatomy 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000003826 tablet Substances 0.000 description 2
- 210000000779 thoracic wall Anatomy 0.000 description 2
- 210000003437 trachea Anatomy 0.000 description 2
- 238000011491 transcranial magnetic stimulation Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 210000003932 urinary bladder Anatomy 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000001174 ascending effect Effects 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
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 208000030270 breast disease Diseases 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 210000001072 colon Anatomy 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 210000003238 esophagus Anatomy 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000004379 membrane Anatomy 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000003101 oviduct Anatomy 0.000 description 1
- 210000004224 pleura Anatomy 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 210000000614 rib Anatomy 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000000626 ureter Anatomy 0.000 description 1
- 210000004291 uterus Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/10116—X-ray image
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Threshing Machine Elements (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本申请涉及图像处理系统和方法。所述方法可以获得预处理图像。预处理图像可以分解为低频图像和高频图像。可以基于低频图像确定至少一个灰度变换范围。可以基于至少一个灰度变换范围确定至少一个灰度变换参数。可以基于至少一个灰度变换参数对低频图像进行变换以获得变换后的低频图像。可以通过重建所述变换后的低频图像和所述高频图像,生成转换图像。
Description
相关申请的交叉引用
本申请要求2017年6月14日提交的中国专利申请No.201710447718.9和2017年6月14日提交的中国专利申请No.201710468784.4的优先权,每个申请中的全部内容通过引用的方式包含于此。
技术领域
本申请通常涉及图像处理,具体涉及用于变换图像的系统和方法。
背景技术
成像系统可以在医学领域中发挥重要作用。成像系统可以产生和/或处理医学图像(例如,CT图像、PET图像、MRI图像等)以用于医学诊断或放射疗法。例如,乳腺的CT图像可用于筛查乳腺中的肿块。通常,可以调整医学图像,以便于医生识别潜在的病变。例如,由于难以将组织完全压缩以进行成像,因此通过全场数字乳腺摄影(FFDM)系统获得的乳腺图像可能具有不均匀的灰度分布。可以通过不同的图像处理技术对乳腺图像进行降噪和/或增强。然而,对图像的调整可能是低效的和/或无效的。例如,可能会忽略乳腺图像中感兴趣区域的边缘;图像中的灰度等级可能不均匀,或者图像噪点可能会增强。因此,期望开发一种可以增强图像的对比度和/或对图像进行降噪的图像变换技术。
发明内容
本申请的一个方面涉及一种图像处理方法。该方法可以在至少一台机器上执行,每台机器具有至少一个处理器和一个存储器。所述方法可以包括一个或以上下述操作。可获得经过预处理图像。可以将预处理图像分解为低频图像和高频图像。可以基于低频图像确定至少一个灰度变换范围。可以基于至少一个灰度变换范围确定至少一个灰度变换参数。可以基于至少一个灰度变换参数对低频图像进行变换以获得变换后的低频图像。可以通过重建所述变换后的低频图像和所述高频图像,生成转换图像。
本申请的另一方面涉及存储指令的非暂时性计算机可读介质。所述指令在被至少一个处理器执行时,可以使所述至少一个处理器实现图像处理方法。
本申请的另一方面涉及一种图像处理系统。该系统可以包括至少一个存储设备和至少一个处理器,所述存储设备包含一组指令或程序,所述至少一个处理器被配置为与所述至少一个存储设备通信,其中,当执行该组指令或程序时,所述至少一个处理器被配置为使系统:获得预处理图像;将预处理图像分解为低频图像和高频图像;基于所述低频图像,确定至少一个灰度变换范围;基于所述至少一个灰度变换范围,确定至少一个灰度变换参数;基于所述至少一个灰度变换参数,对所述低频图像进行变换,以获得变换后的低频图像;以及,通过重建所述变换后的低频图像和所述高频图像,生成转换图像。
本申请的另一方面涉及一种图像处理系统。该系统可以包括至少一个处理器和一个被配置为存储指令的存储器。该系统可以进一步包括获取模块,被配置为获取预处理图像;分解子块,被配置为将所述预处理图像分解为低频图像和高频图像;灰度变换范围确定子块,被配置为基于所述低频图像,确定至少一个灰度变换范围;灰度变换参数确定子块,被配置为基于所述至少一个灰度变换范围,确定至少一个灰度变换参数;灰度变换子块,被配置为基于所述至少一个灰度变换参数,对所述低频图像进行变换,以获得变换后的低频图像;以及,图像重建子块,被配置为通过重建所述变换后的低频图像和所述高频图像,生成转换图像。
在一些实施例中,获得预处理图像可以包括以下操作之一或以上:获取初始图像;以及,预处理所述初始图像,以获得所述预处理图像。
在一些实施例中,预处理所述初始图像,以获得所述预处理图像,可以包括以下操作之一或以上:以及,对所述初始图像进行对数变换,以获得所述预处理图像。
在一些实施例中,所述基于所述低频图像,确定至少一个灰度变换范围,可以包括以下操作之一或以上:分割所述低频图像,以获得分割后的低频图像;以及,基于所述分割后的低频图像,确定所述至少一个灰度变换范围。
在一些实施例中,所述预处理所述初始图像,以获得所述预处理图像,可以包括以下操作之一或以上:分割所述初始图像,以获得分割图像;以及,对所述分割图像进行对数变换,以获得所述预处理图像。
在一些实施例中,所述预处理所述初始图像,以获得所述预处理图像,可以包括以下操作之一或以上:对所述初始图像执行对数变换,以获得中间图像;以及,分割所述中间图像,以获得分割后的中间图像,所述分割后的中间图像为所述预处理图像。
在一些实施例中,所述将所述预处理图像分解为低频图像和高频图像,可以包括以下操作之一或以上:基于滤波算法对所述预处理图像进行滤波,从而将所述预处理图像分解为所述低频图像和所述高频图像。
在一些实施例中,所述滤波算法可以包括双边滤波算法或小波滤波算法。
在一些实施例中,所述基于所述低频图像,确定至少一个灰度变换范围,可以包括以下操作之一或以上:基于所述预处理图像、所述低频图像中腺体的第一灰度分布特征、和所述低频图像中脂肪的第二灰度分布特征,确定所述至少一个灰度变换范围。
在一些实施例中,所述基于所述预处理图像、所述低频图像中腺体的第一灰度分布特征、和所述低频图像中脂肪的第二灰度分布特征,确定所述至少一个灰度变换范围,可以包括以下操作之一或以上:确定所述预处理图像的最大灰度值;基于所述低频图像中所述腺体的所述第一灰度分布特征和所述低频图像中所述脂肪的所述第二灰度分布特征,确定所述至少一个灰度变换范围的最小灰度值;以及,基于所述最大灰度值和所述最小灰度值确定所述至少一个灰度变换范围。
在一些实施例中,所述基于所述低频图像中所述腺体的所述第一灰度分布特征和所述低频图像中所述脂肪的所述第二灰度分布特征,确定所述至少一个灰度变换范围的最小灰度值,可以包括以下操作之一或以上:通过编辑所述低频图像,生成第一低频图像;确定分割阈值;基于所述分割阈值分割所述第一低频图像;基于所述分割后的第一低频图像,确定所述低频图像中所述腺体的第一灰度平均值;基于所述分割后的第一低频图像,确定所述低频图像中所述脂肪的第二灰度平均值;以及,基于所述分割阈值、所述第一灰度平均值、和所述第二灰度平均值,确定所述至少一个灰度变换范围的所述最小灰度值。
在一些实施例中,所述通过编辑所述低频图像,生成第一低频图像,可以包括以下操作之一或以上:基于所述低频图像,确定目标器官的宽度;基于所述目标器官的所述宽度,通过裁剪所述低频图像编辑所述低频图像,以得到第二低频图像;以及,通过编辑所述第二低频图像的直方图,生成所述第一低频图像。
在一些实施例中,所述目标器官可以是乳腺。
在一些实施例中,所述基于所述低频图像,确定目标器官的宽度,可以包括以下操作之一或以上:通过移除所述低频图像的第一预定区域,或通过提取所述低频图像的第二预定区域,确定第三低频图像,其中,所述第一预定区域包括非目标器官,所述第二预定区域包括所述目标器官的至少一部分;以及,确定所述目标器官的轮廓与所述第三低频图像的边缘之间的最大距离,其中,所述第三低频图像的所述边缘与所述目标器官的所述轮廓相对。
在一些实施例中,所述基于所述分割阈值、所述第一灰度平均值、和所述第二灰度平均值,确定所述至少一个灰度变换范围的所述最小灰度值,可以包括以下操作之一或以上:确定所述第一灰度平均值和所述第二灰度平均值之间的灰度差;根据所述最大灰度值,确定所述预处理图像的灰度范围;将所述灰度范围划分为预定数量的子范围;确定包括所述灰度差的目标子范围;以及,基于所述目标子范围、所述分割阈值、所述第二灰度平均值、和确定函数,确定所述最小灰度值。
在一些实施例中,所述基于所述目标子范围、所述分割阈值、所述第二灰度平均值、和确定函数,确定所述最小灰度值,可以包括以下操作之一或以上:基于所述目标子范围,确定与用于确定所述最小灰度值的确定函数有关的系数;以及,基于所述系数、所述分割阈值、所述第二灰度平均值、和所述确定函数,确定所述最小灰度值。
在一些实施例中,所述基于所述目标子范围,确定与用于确定所述最小灰度值的确定函数有关的系数,可以包括以下操作之一或以上:响应于确定出所述目标子范围包括所述灰度范围的最大值,将所述系数确定为预定值。
在一些实施例中,所述基于所述目标子范围,确定与用于确定所述最小灰度值的确定函数有关的系数,可以包括以下操作之一或以上:响应于确定出所述目标子范围不包括所述灰度范围的最大值,基于所述灰度差和所述目标子范围的最大值,确定所述系数。
在一些实施例中,所述基于所述低频图像,确定至少一个灰度变换范围,可以包括以下操作之一或以上:确定用于确定所述低频图像中的变换区域的参考距离;确定变换区域的第一边缘和第二边缘,其中,所述第一边缘是所述预处理图像中的轮廓,所述第二边缘与所述第一边缘之间的距离等于所述参考距离;基于所述第一边缘和所述第二边缘,确定所述变换区域;以及,基于所述变换区域中至少两个元素的灰度值,确定所述至少一个灰度变换范围,其中,所述变换区域中的所述至少两个元素中的每个均以一个像素或体素表示。
在一些实施例中,所述基于所述变换区域中至少两个元素的灰度值,确定所述至少一个灰度变换范围,可以包括以下操作之一或以上:确定所述第一边缘上的第一组元素的最大灰度值;确定所述第二边缘上的第二组元素的平均灰度值;以及,基于所述最大灰度值和所述平均灰度值,确定所述至少一个灰度变换范围。
在一些实施例中,所述确定用于确定所述低频图像中的变换区域的参考距离,可以包括以下操作之一或以上:基于所述低频图像,确定器官的宽度;获得所述器官的压缩厚度;以及,基于所述宽度、所述压缩厚度、和预定距离确定模型,确定所述参考距离。
在一些实施例中,所述器官可以是乳腺。
在一些实施例中,所述至少一个灰度变换参数与变换曲线有关,所述基于所述至少一个灰度变换范围,确定所述至少一个灰度变换参数,可以包括以下操作之一或以上:确定所述低频图像中的参考边缘;确定所述低频图像中的至少两个元素与所述参考边缘之间的至少两个距离;确定对应于所述至少两个距离的至少两个平均灰度值,包括确定对应于所述低频图像中所述至少两个元素中的一个或以上元素的一个或以上灰度值,所述一个或以上元素具有相同距离,并基于所述一个或以上灰度值,确定所述至少两个平均灰度值中的一个平均灰度值;基于所述至少两个平均灰度值和所述至少两个距离,确定特征曲线;以及,基于所述特征曲线,确定所述变换曲线,其中,所述变换曲线表示变换前的第一灰度值和变换后的第二灰度值之间的关系。
在一些实施例中,所述通过重建所述变换后的低频图像和所述高频图像,生成转换图像,可以包括以下操作之一或以上:基于所述变换后的低频图像中第一元素的第一灰度值和所述高频图像中第二元素的第二灰度值,确定所述转换图像中每个元素的目标灰度值,所述每个元素是一个像素或体素。
在一些实施例中,所述预处理图像可以包括乳腺。
本申请的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解,本申请的一部分附加特性对于本领域技术人员是明显的。本申请的特征可以通过对以下描述的具体实施例的各个方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。附图未按比例绘制。这些实施例是非限制性的示例性实施例,在这些实施例中,各图中相同的编号表示相似的结构,其中:
图1是根据本申请的一些实施例所示的示例性成像系统的示意图;
图2是根据本申请的一些实施例所示的可以在其上实现处理引擎的计算设备的示例性硬件和/或软件组件的示意图;
图3是根据本申请的一些实施例所示的移动设备的示例性硬件组件和/或软件组件的示意图;
图4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;
图5是根据本申请的一些实施例所示的示例性图像处理模块的框图;
图6是根据本申请的一些实施例所示的示例性灰度变换范围确定子块的框图;
图7是根据本申请的一些实施例所示的变换图像的示例性过程的流程图;
图8是根据本申请的一些实施例的压缩乳腺的示意图;
图9是根据本申请的一些实施例的初始乳腺图像和LOG乳腺图像的示意图;
图10是根据本申请的一些实施例的低频图像和高频图像的示意图;
图11是根据本申请的一些实施例的对包括乳腺的图像进行分割的示例性掩模图像的示意图;
图12是根据本申请的一些实施例所示的确定至少一个灰度变换范围的最小灰度值的示例性过程的流程图;
图13是根据本申请的一些实施例的低频图像的示意图;
图14是根据本申请的一些实施例的低频图像的示意图;
图15是根据本申请的一些实施例所示的基于第一灰度平均值和第二灰度平均值确定至少一个灰度变换范围的最小灰度值的示例性过程的流程图;
图16是根据本申请的一些实施例所示的确定函数的系数k与灰度差“div”之间的示例性关系曲线的示意图;
图17是根据本申请的一些实施例所示的基于变换区域确定至少一个灰度变换范围的示例性过程的流程图;
图18是根据本申请的一些实施例的包括变换区域的LOG乳腺图像的示意图;以及
图19是根据本申请的一些实施例所示的基于预定距离确定模型确定参考距离的示例性过程的流程图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本申请,并且该描述是在特定的应用场景及其要求的环境下提供的。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,并且在不偏离本申请的原则和范围的情况下,本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此,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。
本申请中所使用的术语仅用于描述特定的示例性实施例,并不限制本申请的范围。如本申请使用的单数形式“一”、“一个”及“该”可以同样包括复数形式,除非上下文明确提示例外情形。还应当理解,如在本申请说明书中,术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件,但并不排除存在或添加一个或以上其他特征、整体、步骤、操作、组件、部件和/或其组合的情况。
应当理解的是,本文使用的“系统”、“单元”、“模块”、“和/或”、“子块”是用于按升序区分不同级别的不同构件、元素、部件、部分或组件的方法。但是,如果这些术语达到相同的目的,则可能会被其他表达式替换。
通常,本文所使用的词“模块”、“单元”或“子块”是指体现在硬件或固件中的逻辑或软件指令的集合。本文描述的模块、单元或子块可以被实现为软件和/或硬件,并且可以被存储在任何类型的非暂时性计算机可读介质或另一存储设备中。在一些实施例中,可以编译软件模块/单元/块并将其链接到可执行程序中。应当理解,响应于检测到的事件或中断,软件模块可以从其他模块/单元/子块或者从它们自身被调用,和/或可以被调用。配置为在计算设备(例如,如图2所示的处理器210)上执行的软件模块/单元/子块可在计算机可读介质(例如光盘、数字视频光盘、闪存驱动器、磁盘或任何其他有形介质)上提供,或以数字下载的形式提供(并且可以最初以压缩或可安装的格式存储,需要在执行之前进行安装、解压缩或解密)。这里的软件代码可以被部分的或全部的储存在执行操作的计算设备的存储设备中,并应用在计算设备的操作之中。软件指令可以嵌入在固件中,例如可擦除可编程只读存储器EPROM。还将意识到,硬件模块/单元/子块可以包括在连接的逻辑组件中,例如门和触发器,和/或可以包括在可编程单元中,例如可编程门阵列或处理器。本文描述的模块/单元/子块或计算设备功能可以被实现为软件模块/单元/子块,但是可以以硬件或固件来表示。通常,本文描述的模块/单元/子块是指可以与其他模块/单元/子块组合或者被划分为子模块/子单元/子块的逻辑模块/单元/子块,尽管其物理组织或存储。
将理解的是,当单元、引擎、模块或子块被称为在另一单元、引擎、模块或子块“上”、“连接至”或“耦合至”另一单元、引擎、模块或子块时,它可以直接在其他单元、引擎、模块或子块上,与之连接或与之通信,或者可以存在中间单元、引擎、模块或子块,除非上下文另有明确说明。在本申请中,术语“和/或”可包括任何一个或以上相关所列条目或其组合。
在一些实施例中,成像系统可能包括一个或以上模式,包括数字减影血管造影(DSA)、磁共振成像(MRI)、磁共振血管造影(MRA)、计算机断层扫描(CT)、计算机断层扫描血管造影(CTA)、超声扫描(US)、正电子发射断层扫描(PET)、单光子发射计算机断层扫描(SPECT)、CT-MR、CT-PET、CE-SPECT、DSA-MR、PET-MR、PET-US、SPECT-US、TMS(经颅磁刺激)-MR、US-CT、US-MR、X射线CT、X射线MR、X射线门户、X射线US、Video-CT、Vide-US等,或其任意组合。在一些实施例中,成像系统要扫描的对象可以是器官、纹理、病变、肿瘤、物质等,或其任意组合。仅举例来说,受试者可以包括头部、乳腺、肺、肋骨、椎骨、气管、胸膜、纵隔膜、腹部、长肠、小肠、膀胱、胆囊、三焦、骨盆腔、主干、四肢、骨骼、血管等,或其任意组合。又例如,对象可以包括物理模型。在一些实施例中,成像系统生成的图像可以包括2D图像和/或3D图像。在2D图像中,其最小的可区分元素可以称为一个像素。在3D图像中,其最小的可区分元素可以称为一个体素(“体积像素点”或“体素”)。在一些实施例中,3D图像也可以看作是一系列2D切片或2D层。
根据以下对附图的描述,本申请的这些和其他的特征、特点以及相关结构元件的功能和操作方法,以及部件组合和制造经济性,可以变得更加显而易见,这些附图都构成本申请说明书的一部分。然而,应当理解的是,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。应当理解的是,附图并不是按比例绘制的。
下面的描述为变换图像的图像处理技术提供了参考。可以理解的是,这并不旨在限制本申请的范围。对于具有本领域普通技能的人员,可以在本申请的指导下进行一定数量的变更、变化和/或修改。那些变化、改变和/或修改不脱离本申请的范围。
图1是根据本申请的一些实施例所示的示例性成像系统100的示意图。如图所示,成像系统100可以包括扫描仪110、处理设备120、存储设备130、一个或以上终端140以及网络150。成像系统100中的组件可以以一种或多种方式连接。如图1所示,扫描仪110可以通过网络150连接到处理设备120。又例如,扫描仪110可以如图中扫描仪110和处理设备120的虚线中的双向箭头所示直接连接到处理设备120。再例如,存储设备130可以直接或通过网络150连接到处理设备120。作为又一示例,一个或以上终端140可以直接连接到处理设备120(如连接终端140和处理设备120的虚线箭头所示),也可以通过网络150连接。在一些实施例中,成像系统100可以是乳腺X线摄影系统、胶片乳腺X线摄影系统、全数字化乳腺摄影(FFDM)系统、数字乳腺断层摄影(DBT)系统、对比度增强数字乳腺摄影(CEDM)系统等。成像系统100可以生成二维(2D)或三维(3D)图像。
扫描仪110可以通过扫描对象或其一部分来生成或提供图像数据。在一些实施例中,扫描仪110可以是医学成像设备,例如PET设备、SPECT设备、CT设备、MRI设备等、或其任意组合(例如,PET-CT设备、PET-MRI设备等)。在一些实施例中,扫描仪110可以包括单模态扫描仪。单模态扫描仪可以包括例如磁共振成像(MRI)扫描仪110-1,计算机断层成像(CT)扫描仪110-2和/或正电子发射断层成像(PET)扫描仪110-3。在一些实施例中,扫描仪110可以包括CT扫描仪110-2和PET扫描仪110-3两者。在一些实施例中,可以使用不同的扫描仪分别获取与扫描对象相关的不同形态的图像数据,例如CT图像数据和PET图像数据。在一些实施例中,扫描仪110可以包括多模态扫描仪。所述多模态扫描仪可以包括正电子发射断层成像-计算机断层成像(PET-CT)扫描仪,正电子发射断层成像-磁共振成像(PET-MRI)扫描仪等,或其任意组合。多模态扫描仪可以同时执行多模态成像。例如,PET-CT扫描仪可以在单次扫描中同时生成结构性X射线CT图像数据和功能性PET图像数据。PET-MRI扫描仪可以在单次扫描中同时生成MRI数据和PET数据。
在一些实施例中,扫描对象可以包括身体、物质等或其任何组合。在一些实施例中,扫描对象可以包括身体的特定部分,例如头部、胸部、腹部等,或其任意组合。在一些实施例中,包括特定器官,例如乳腺、食道、气管、支气管、胃、胆囊、小肠、结肠、膀胱、输尿管、子宫、输卵管等。在一些实施例中,扫描对象可以包括物理模型(也称为模体)。物理模型可以包括构造为不同形状和/或尺寸的一个或以上材料。物理模型的不同部分可以由不同的材料制成。不同的材料可能具有不同的X射线衰减系数、不同的示踪同位素和/或不同的氢质子含量。因此,成像系统100可以识别物理模型的不同部分。在本申请中,“扫描客体”和“扫描对象”可互换使用。在一些实施例中,扫描仪110可以包括扫描台。可以将扫描对象放置在扫描台上以进行成像。
在一些实施例中,扫描仪110可以经由网络150将图像数据发送到处理设备120、存储设备130和/或终端140。例如,图像数据可以被发送到处理设备120以进行进一步处理,或者可以被存储在存储设备130中。
处理设备120可以处理从扫描仪110、存储设备130和/或终端140获得的数据和/或信息。例如,处理设备120可以基于由扫描仪110采集的图像数据来确定用于变换一个或以上图像(例如,乳腺图像)的一个或以上变换参数。在一些实施例中,处理设备120可以是单个服务器或服务器组。服务器组可以是集中式或分布式的。在一些实施例中,处理设备120可以是本地的或远程的。例如,处理设备120可以经由网络150访问来自扫描仪110、存储设备130和/或终端140的信息和/或数据。又例如,处理设备120可以直接连接到扫描仪110、终端140和/或存储设备130以访问信息和/或数据。在一些实施例中,处理设备120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、多云等,或其组合。在一些实施例中,处理设备120可以由具有如图2所示的一个或以上组件的计算设备200来实现。
存储设备130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130可以存储从扫描仪110、处理设备120和/或终端140获得的数据。在一些实施例中,存储设备130可以存储处理设备120可以执行或用来执行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130可包括大容量存储器、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、内存卡、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存储器(RAM)。示例性RAM可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(DDR SDRAM)、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ROM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,可以在本申请中其他地方描述的云平台上实现存储设备130。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中,存储设备130可以连接至网络150以与成像系统100中的一个或以上其他组件通信(例如,处理设备120、终端140等)。成像系统100中的一个或以上组件可以通过网络150访问存储在存储设备130中的数据或指令。在一些实施例中,存储设备130可以是处理设备120的一部分。
终端140可以连接到扫描仪110、处理设备120和/或存储设备130和/或与之通信。例如,终端140可以从处理设备120获得处理后的图像。又例如,一个或以上终端140可以获取由扫描仪110获取的图像数据,并将该图像数据发送至处理设备120以进行处理。在一些实施例中,终端140可以包括移动设备140-1、平板计算机140-2、膝上型计算机140-3等,或其任意组合。例如,移动设备140-1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、笔记本电脑、平板电脑、台式机等,或其任何组合。在一些实施例中,终端140可以包括输入设备、输出设备等。输入设备可能包括字母数字和其他按键,可以通过键盘、触摸屏(例如,带有触觉或触觉反馈)、语音输入、眼睛跟踪输入、大脑监控系统或任何其他类似的输入机制来输入。通过输入设备接收到的输入信息可以经由,例如总线,传输到处理设备120,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设备,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,或其组合。在一些实施例中,终端140可以是处理设备120的一部分。
网络150可以包括可以方便成像系统100的信息和/或数据的交换的任何合适的网络。在一些实施例中,一个或以上成像系统100的组件(例如,扫描仪110、处理设备120、存储设备130、终端140等)可以通过网络150与成像系统100的一个或以上其他组件通信信息和/或数据。例如,处理设备120可以经由网络150从扫描仪110获得图像数据。又例如,处理设备120可以经由网络150从终端140获得用户指令。网络150可以是和/或包括公共网络(例如,因特网)、专用网络(例如,局部区域网络(LAN)、广域网(WAN))等)、有线网络(例如以太网)、无线网络(例如802.11网络、Wi-Fi网络等)、蜂窝网络(例如长期演进(LTE)网络)、帧中继网络、虚拟专用网(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150可以包括电缆网络、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)、公用电话交换网(PSTN)、BluetoothTM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150可以包括一个或以上网络接入点。例如,网络150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的一个或以上组件可以通过该有线和/或无线网络接入点连接到网络150以交换数据和/或信息。
该描述旨在说明性的,而不是限制本申请的范围。对于本领域普通技术人员来说,许多替代、修改和变化将是显而易见的。本文描述的示例性实施例的特征、结构、方法和其他特性可以以各种方式组合以获得另外的和/或替代的示例性实施例。例如,存储设备130可以是包括云计算平台的数据存储,诸如公共云、私有云、社区和混合云,等等。然而,这些变化和修改不会背离本申请的范围。
图2是根据本申请的一些实施例所示的可以在其上实现处理设备120的计算设备200的示例性硬件和/或软件组件的示意图。如图2所示,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可以根据本文描述的技术执行计算机指令(例如,程序代码)并执行处理设备120的功能。所述计算机指令可以包括例如执行在此描述的特定功能的常规、程序、对象、组件、数据结构、过程、模块和功能。例如,处理器210可以处理从扫描仪110、终端140、存储设备130和/或成像系统100的任何其他组件获得的图像数据。在一些实施例中,处理器210可以包括一个或以上硬件处理器,诸如微控制器、微处理器、精简指令集计算机(RISC)、特定应用集成电路(ASIC)、特定应用指令集处理器(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)、现场可编程门阵列(FPGA)、高阶RISC机器(ARM)、可编程逻辑器件(PLD)、能够执行一个或以上功能的任何电路或处理器等,或其任何组合。
仅仅为了说明,在计算设备200中仅描述了一个处理器。但是,应注意,本申请中的计算设备200还可包括多个处理器。因此,如本申请中所述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共同或分别执行。例如,如果在计算设备200的本申请处理器中同时执行过程A和过程B,应当理解,过程A和过程B也可以由两个或以上不同的处理器共同或分别在计算设备200中执行(例如,第一处理器执行过程A,第二处理器执行过程B,或者第一处理器和第二处理器共同执行过程A和B)。
存储器220可以存储从扫描仪110、终端140、存储设备130和/或成像系统100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。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、内存卡、压缩盘和磁带等。易失性读写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(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容(Z-RAM)等。ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字通用盘ROM等。在一些实施例中,存储器220可以存储一个或以上程序和/或指令以执行在本申请中描述的示例性方法。例如,存储器220可以存储处理设备120的程序,该程序用于确定与成像系统100所获取的多模态图像有关的一个或以上配准参数。
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/O 230可以实现用户与处理设备120的交互。在一些实施例中,I/O 230可以包括输入设备和输出设备。示例性的输入设备可以包括键盘、鼠标、触控屏幕、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、投影机等,或其任何组合。显示设备的示例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、弯曲屏幕、电视设备、阴极射线管(CRT)、触摸屏幕等,或其任何组合。
通信端口240可以连接到网络(例如,网络150)以方便数据通信。通信端口240可以在处理设备120和扫描仪110、终端140和/或存储设备130之间建立连接。连接可以是有线连接、无线连接、可以启用数据传输和/或接收的任何其他通信连接,和/或这些连接的任何组合。有线连接可以包括例如电缆、光缆、电话线等或其任意组合。所述无线连接可以包括例如蓝牙连接、无线网连接、WiMax连接、WLAN连接、紫蜂连接、移动网络连接(例如,3G、4G、5G网络等)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可以根据医学数字成像和通信(DICOM)协议来设计。
图3是根据本申请的一些实施例所示的可以在其上实现终端140的移动设备300的示例性硬件和/或软件组件的示意图。如图3所示,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、I/O 350、内存360和存储器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),也可包括在移动设备300内。在一些实施例中,移动操作系统370(例如,iOSTM、AndroidTM、WindowsPhoneTM等)和一个或以上应用程序380可从存储器390下载至内存360以及由CPU 340执行。应用程序380可以包括浏览器或任何其他合适的移动应用程序,用于从处理设备120接收和渲染关于图像处理的信息或其他信息。可以通过I/O 350实现用户与信息流的交互,并通过网络150将其提供给处理设备120和/或成像系统100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,计算机硬件平台可用作本文中描述的元素中的一个或以上的元素的硬件平台。具有用户界面元素的计算机可用于实现个人计算机(PC)或任何其他类型的工作站或外部设备。若程控得当,计算机亦可用作服务器。
图4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。处理设备120可以包括获取模块402、控制模块404、处理模块406和存储模块408。处理设备120的至少一部分可以在如图2所示的计算设备或如图3所示的移动设备上实现。
获取模块402可以获取图像数据。获取模块402可以从扫描仪110、存储设备130和/或终端140获取图像数据。在一些实施例中,获取模块402可以经由网络150从外部数据源获取图像数据。在一些实施例中,图像数据可以对应于穿过扫描对象的X射线。在本申请中,“扫描对象”和“扫描客体”可互换使用。在一些实施例中,放射性扫描源可以向扫描对象发射X射线。X射线可以穿过扫描对象并在穿过过程中衰减。X射线的衰减程度可能取决于多种因素,例如,X射线穿过的扫描对象的特性,X射线穿过的扫描对象的厚度等。衰减后的X射线可以被探测器检测,并且被传输到获取模块402。在一些实施例中,获取模块402可以获取用于处理图像数据的指令。指令可以由处理设备120的处理器执行以实现本申请中描述的示例性方法。在一些实施例中,可以将获取的数据发送到存储模块408进行存储。
控制模块404可以控制获取模块402、存储模块408、处理模块406的操作(例如,通过生成一个或以上控制参数),扫描仪110等或其组合。例如,控制模块404可以控制获取模块402以获取图像数据,控制获取图像数据的时序等。又例如,控制模块404可以控制处理模块406以处理由获取模块402获取的图像数据。再例如,控制模块404可以控制扫描仪110的操作。在一些实施例中,控制模块404可以接收来自操作员的实时指令,或检索由用户(例如,医生、技术人员、工程师等)提供的预定指令,以控制扫描仪110、获取模块402和/或处理模块406的一个或以上操作。例如,控制模块404可以调整获取模块402和/或处理模块406以根据实时指令和/或预定指令来生成扫描对象的一个或以上图像。在一些实施例中,控制模块404可以与处理设备120的一个或以上其他模块通信以交换信息和/或数据。
处理模块406可以处理由处理设备120的各种模块提供的信息。处理模块406可以处理由获取模块402获取的图像数据,从存储模块408和/或存储设备130获取的图像数据等。在一些实施例中,处理模块406可以基于图像数据,根据重建技术重建一个或以上图像,生成包括一个或以上图像和/或其他相关信息的报告,和/或执行本申请的各种实施例中用于图像重建的任何其他功能。重建技术可以包括迭代重建算法(例如,统计重建算法)、傅立叶切片定理算法、滤波反投影(FBP)算法、扇束重建算法、解析重建算法等,或其任何组合。在一些实施例中,处理模块406可以减少或去除迭代重建中的伪影和/或噪声。在一些实施例中,处理模块406可以配准多模态图像。例如,处理模块406可以配准CT图像和PET图像。又例如,处理模块406可以配准MRI图像和PET图像。在一些实施例中,处理模块406可以变换图像。在一些实施例中,处理模块406可以改变图像中一个或以上元素的值(例如,灰度值)。在一些实施例中,处理模块406可以基于一个或以上变换技术来变换图像,所述变换技术包括例如灰度变换、权值变换、图像增强等。
存储模块408可以存储图像数据、控制参数、处理后的图像数据等或其组合。在一些实施例中,存储模块408可以存储一个或以上可由处理设备120的处理器执行,以实现本申请中描述的示例性方法的程序和/或指令。例如,存储模块408可以存储可由处理设备120的处理器执行的程序和/或指令,以获取图像数据、基于图像数据重建图像、配准两个或以上图像和/或显示任何中间结果或结果图像。
在一些实施例中,在图1中所示的示例性成像系统100的至少一部分可以实现图4所示的模块。例如,获取模块402、控制模块404、处理模块406和/或存储模块408可以集成到控制台(未示出)中。通过控制台,用户可以设置用于对扫描对象成像的参数、控制成像过程、控制图像重建的参数、调整用于配准多模态图像的参数等。在一些实施例中,控制台可以经由处理设备120和/或终端140来实现。
图5是根据本申请的一些实施例所示的示例性图像处理模块的框图。处理模块406可以包括预处理子块502、分解子块504、灰度变换范围确定子块506、灰度变换参数确定子块508、灰度变换子块510和图像重建子块512。处理模块406的至少一部分可以在如图2所示的计算设备200或如图3所示的移动设备300上实现。
预处理子块502可以对图像进行预处理。在一些实施例中,预处理子块502可以执行包括例如图像归一化、图像平滑、图像抑制、图像编码(或解码)、图像去噪等的预处理。在一些实施例中,预处理子块502可以对图像执行对数变换和/或分割。例如,预处理子块502可以分割图像以获得分割图像;然后,预处理子块502可以对分割后的图像进行对数变换,得到预处理图像。又例如,预处理子块502可以对图像执行对数变换以获得中间图像,并对中间图像进行分割以获得分割后的中间图像,其中,分割后的中间图像可以为预处理图像。
分解子块504可以分解图像(例如,预处理图像)。在一些实施例中,分解子块504可以将图像分解成一个或以上图像,包括例如低频图像和/或高频图像。在一些实施例中,分解子块504可以基于一个或以上频率阈值将图像分解为低频图像和高频图像。例如,分解子块504可以将频率低于或等于频率阈值Tf的子图像确定为低频图像。又例如,分解子块504可以将具有大于或等于频率阈值Tf的频率的子图像确定为高频图像。阈值Tf可以根据成像系统100的默认设置预先确定,或者由用户通过I/O 230或I/O 350确定。在一些实施例中,阈值Tf可以基于图像的处理效率来调整。在一些实施例中,分解子块504可以基于滤波算法对图像进行滤波,从而分解图像。滤波算法可以包括双边滤波算法、小波滤波算法等。双边滤波算法可以具有良好的细节保留的优势。小波滤波算法可以具有适用范围广的优势。
灰度变换范围确定子块506可以确定一个或以上灰度变换范围。在一些实施例中,一个灰度变换范围可以包括最大灰度值,最小灰度值,以及在最大灰度值和最小灰度值之间的灰度值。在一些实施例中,灰度变换范围确定子块506可以根据图像(例如,预处理图像、低频图像、高频图像等)和与图像相关联的灰度分布特征确定灰度变换范围。例如,灰度变换范围确定子块506可以基于预处理后的乳腺图像、低频乳腺图像中腺体的第一灰度分布特征,以及低频乳腺图像中脂肪的第二灰度分布特征,确定乳腺图像的灰度变换范围。在一些实施例中,灰度变换范围确定子块506可以基于低频图像中的变换区域来确定灰度变换范围。关于灰度变换范围确定子块506的更多描述可以在本申请的其他地方(例如,图7及其描述)找到。
灰度变换参数确定子块508可以确定一个或以上灰度变换参数。在一些实施例中,灰度变换参数可以包括一个或以上灰度变换函数,以及一个或以上与其相关的参数。在一些实施例中,在确定了灰度变换范围之后,灰度变换参数确定子块508可以确定一个或以上的灰度变换函数。灰度变换范围可以整体使用,或者可以分为至少两个灰度变换子范围。在一些实施例中,可以根据经验对灰度变换范围进行划分,或者可以根据灰度变换范围的灰度值自动进行划分。在一些实施例中,灰度变换参数确定子块508可以进一步确定与每个灰度变换子范围相对应的灰度变换线段。在一些实施例中,灰度变换参数确定子块508可以通过对灰度变换线段执行曲线拟合来获得变换曲线。在一些实施例中,与变换曲线有关的参数(例如,一个或以上端点、一个或以上斜率等)可以作为灰度变换参数。关于灰度变换参数确定子块508的更多描述可以在本申请的其他地方找到(例如,图7及其描述)。
灰度变换子块510可以变换图像(例如,预处理图像、低频图像、高频图像等)中一个或以上元素的灰度值。在一些实施例中,灰度变换子块510可以变换图像中一个或以上元素的灰度值,以放大或缩小元素的灰度值,提高图像的质量,减少噪声等。在一些实施例中,灰度变换子块510可以基于由灰度变换参数确定子块508确定的灰度变换参数来变换灰度值。关于灰度变换子块510的更多描述可以在本申请的其他地方找到(例如,图7及其描述)。
图像重建子块512可以重建图像。在一些实施例中,图像重建子块512可以生成转换图像。在一些实施例中,图像重建子块512可以基于两个或以上图像来重建图像。例如,图像重建子块512可以通过重建变换后的低频图像,以及高频图像来生成转换图像。在一些实施例中,图像重建子块512可以将变换后的低频子图像中的第一对应元素的第一灰度值与高频子图像中的第二对应元素的第二灰度值相加,从而确定转换图像中的元素。关于图像重建子块512的更多描述可以在本申请的其他地方(例如,图7及其描述)找到。
需要注意的是,以上对处理模块406的描述仅仅是示例,不应被视为是唯一可行的实施方案。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的变化和修改。然而,这些变化和修改不会背离本申请的范围。例如,预处理子块502和分解子块504可以被集成到单个子块中。又例如,可以将灰度变换范围确定子块506,灰度变换参数确定子块508和灰度变换子块510集成到单个子块中。
图6是根据本申请的一些实施例所示的示例性灰度变换范围确定子块的框图。灰度变换范围确定子块506可以包括最大灰度值确定单元602、最小灰度值确定单元604、参考距离确定单元606和变换区域确定单元608。灰度变换范围确定子块506的至少一部分可以在如图2所示的计算设备200或如图3所示的移动设备300上实现。
最大灰度值确定单元602可以确定最大灰度值。在一些实施例中,最大灰度值确定单元602可以根据图像(例如预处理图像)或图像区域的统计灰度特征确定最大灰度值,其中具有最大灰度值的元素通常位于图像中(例如,预处理图像)。
最小灰度值确定单元604可以基于图像(例如,预处理图像、低频图像、高频图像等)来确定最小灰度值。例如,最小灰度值确定单元604可以通过编辑低频图像来生成第一低频图像;最小灰度值确定单元604可以确定分割阈值;最小灰度值确定单元604可以基于分割阈值来分割第一低频图像;最小灰度值确定单元604可以基于分割后的第一低频图像确定低频图像中腺体的第一灰度平均值;最小灰度值确定单元604可以基于分割后的第一低频图像确定低频图像中脂肪的第二灰度平均值;最小灰度值确定单元604可以基于分割阈值,第一灰度平均值和第二灰度平均值来确定最小灰度值。关于最小灰度值确定单元604的更多描述可以在本申请的其他地方(例如,图12及其描述)找到。
参考距离确定单元606可以确定参考距离。在一些实施例中,参考距离可以指器官(例如,乳腺)未压缩部分的宽度。在一些实施例中,参考距离确定单元606可以基于乳腺胸宽,压缩厚度和预定距离确定模型来确定参考距离。关于确定参考距离的更多描述可以在本申请的其他地方(例如,图7和19,及其描述)找到。
变换区域确定单元608可以确定变换区域。在一些实施例中,变换区域可以指的是低频图像的目标区域,其中至少两个元素的灰度已被变换。在一些实施例中,变换区域确定单元608可以根据器官或组织(例如,乳腺)的宽度、器官或组织(例如,乳腺)的压缩厚度,和/或灰度变换距离确定模型(也称为距离确定模型)确定变换区域。在一些实施例中,变换区域确定单元608可以确定变换区域的第一边缘和第二边缘。在一些实施例中,变换区域确定单元608可以基于第一边缘和第二边缘来确定变换区域。在一些实施例中,变换区域可以是第一边缘和第二边缘之间的区域。
应当注意,以上对灰度变换范围确定子块506的描述仅是出于说明的目的,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,做出各种各样的变化和修改。然而,这些变化和修改不会背离本申请的范围。例如,最大灰度值确定单元602和最小灰度值确定单元604可以被集成到一个单元中。又例如,最大灰度值确定单元602和/或最小灰度值确定单元604可以不是必要的。再例如,参考距离确定单元606和变换区域确定单元608可以集成到一个单元中。作为又一示例,参考距离确定单元606和/或变换区域确定单元608可以不是必要的。
图7是根据本申请的一些实施例所示的变换图像的示例性过程的流程图。可以通过集成到成像系统(例如,如图1所示的成像系统100)中的图像处理设备来执行过程700,其可以以软件和/或硬件来实现。例如,过程700可以作为指令(例如,应用程序)的形式存储在存储设备130和/或存储器220中,并由处理设备120(例如,图2所示的处理器210,或图4所示的处理设备120中的一个或以上模块)调用和/或执行。以下所示过程的操作仅出于说明的目的。在一些实施例中,过程700可以利用未描述的一个或以上附加操作,和/或没有讨论的一个或以上操作来完成。另外,以下如图7所示和描述的过程700的操作顺序并非旨在限制。
待变换的图像可以是扫描对象(例如,患者)的特定部分,器官和/或组织的医学图像。在本申请中,出于说明的目的,在以下描述中可以将乳腺图像作为示例。图像处理设备可以被集成到乳腺成像系统(例如,图1所示的成像系统100)中,诸如乳腺X线摄影系统、胶片乳腺X线摄影系统、全数字化乳腺摄影(FFDM)系统等。
在701中,获取模块402可以获取预处理图像。在一些实施例中,获取模块402可以从存储设备130和/或成像系统100的终端140获取预处理图像。在一些实施例中,获取模块402可以通过通信端口240从计算设备200的I/O 230获取预处理图像,和/或通过通信平台310从移动设备300的I/O 350获取预处理图像。可替代地,可以从经由网络150连接到成像系统100的外部数据源获取预处理图像。
预处理图像可以指通过对初始图像执行一个或以上预处理操作而生成的图像。可以基于由扫描仪110采集的原始图像数据来生成初始图像。在一些实施例中,预处理操作可以由预处理子块502来实现。例如,可以通过对初始乳腺图像进行预处理来获得预处理后的乳腺图像,从而可以减少进一步的变换操作的复杂度和计算量。
在一些实施例中,初始乳腺图像可以由成像系统100(例如,乳腺X线摄影系统、胶片乳腺X线摄影系统、全数字化乳腺摄影(FFDM)系统等)生成。示例性的初始乳腺图像如图9所示。如图8和9所示,可以采用FFDM系统,通过用支撑板801和压缩板802压缩乳腺803来从视角804拍摄乳腺803的初始乳腺图像910。当乳腺803被压缩时,由于一个或以上因素(例如,压缩的力的大小、压缩的角度等),接近乳腺803的轮廓的边缘区域805可能没有被很好地压缩,结果导致乳腺803的厚度可能不均匀,并且初始乳腺图像910的灰度分布可能不均匀。如图9进一步所示,中间乳腺区域902可能比靠近乳腺轮廓905的乳腺边缘区域901和/或乳腺根部区域903暗,并且乳腺边缘区域901的灰度可能接近于背景区域904的灰度。初始乳腺图像910可能不适用于乳腺疾病的诊断。因此,可能需要基于一个或以上变换处理(例如,灰度变换)来使初始乳腺图像910的厚度均衡,以使变换后的乳腺图像可以满足临床诊断的需要。
在一些实施例中,预处理操作可以包括对数变换、分割、去噪等。在一些实施例中,预处理子块502可以对初始图像(例如,初始乳腺图像910)执行对数变换以获得预处理图像(例如,预处理的乳腺图像)。可以执行对数变换以将图像变换为对数(LOG)域(即LOG图像)中的另一个图像。例如,预处理子块502可以基于X射线衰减服从指数分布的特性对初始乳腺图像910执行对数变换。初始乳腺图像910可以被变换成LOG域中的乳腺图像(即,图9所示的LOG乳腺图像920)。
可以执行分割操作以分割图像并提取感兴趣的区域(例如,排除图像的背景区域的部分)。在一些实施例中,可以基于一个或以上掩模图像来执行分割操作。掩模图像可以是包括具有值“0”的第一元素集和具有值“1”的第二元素集的二值图。元素可以是像素或体素。在示例性分割操作中,可以提取与掩模图像的值为“0”的第一组元素或值为“1”的第二组元素对应的目标图像(例如,初始图像、低频图像等)的元素,并将其保留在分割图像中,而目标图像的其他元素可能会被删除。示例性的掩模图像如图11所示。在一些实施例中,可以基于初始图像(例如,图9中的初始乳腺图像910)来确定掩模图像。在一些实施例中,可以通过分割初始图像(例如,通过自动分割、边缘检测等)来获得掩模图像。例如,一个或以上非掩模区域(例如,直接曝光区域(例如,背景区域)、胸壁区域、植入物区域等)可以通过分割从初始图像中删除,以致掩模图像可以不包括非掩模区域。
在一些实施例中,分割操作可以在对数变换操作之前或之后执行。例如,预处理子块502可以基于图11所示的掩模图像来分割初始图像(例如,初始乳腺图像910)以获得分割图像(例如,分割后的乳腺图像)。然后,预处理子块502可以对分割后的图像(例如分割后的乳腺图像)进行对数变换,以获得预处理图像。分割后的乳腺图像可以仅包括具有乳腺组织的区域,而没有直接曝光区域(例如,背景区域)、胸壁区域、植入物区域等。又例如,预处理子块502可以对初始图像执行对数变换以获得中间图像(例如LOG乳腺图像),并对中间图像进行分割以获得分割后的中间图像,其中分割后的中间图像可以作为预处理图像。
在703中,分解子块504可以将预处理图像分解成低频图像和高频图像。在一些实施例中,分解子块504可以基于滤波算法对预处理图像进行滤波,从而将预处理图像分解为低频图像(例如,图10中的低频图像1001)和高频图像(例如,图10中的高频图像1002)。滤波算法可以包括双边滤波算法、小波滤波算法等。双边滤波算法可能具有良好的细节保留的优势。小波滤波算法可能具有适用范围广的优势。低频图像可以确定预处理图像的整体形状(或整体灰度)。高频图像可以确定预处理图像的细节。在一些实施例中,可以在随后的灰度变换中使用低频图像,从而可以调整预处理图像的对比度,而不影响预处理图像的细节。
在一些实施例中,分解操作可以在分割操作之前执行。如图10所示,分解子块504可以将中间图像(例如,LOG乳腺图像920)分解为低频图像1001和高频图像1002。然后,预处理子块502可以分割低频图像1001以获得低频乳腺图像1003。低频乳腺图像1003可以在随后的变换中使用。如果在分割操作之前执行分解操作,则低频图像和/或高频图像可能包括背景区域。如果在分割操作之后执行分解操作,则低频图像和/或高频图像可能不包括背景区域。
在705中,灰度变换范围确定子块506可以基于除背景区域之外的低频图像来确定至少一个灰度变换范围。在一些实施例中,灰度变换范围确定子块506可以根据预处理图像、低频图像中腺体的第一灰度分布特征和低频图像中脂肪的第二灰度分布特征,确定至少一个灰度变换范围。
在一些实施例中,灰度变换范围可以包括最大灰度值和最小灰度值。在一些实施例中,最大灰度值确定单元602可以确定最大灰度值。可以基于预处理图像或图像区域的统计灰度特征来确定最大灰度值,其中,具有最大灰度值的元素通常位于预处理图像中。在预处理图像中靠近轮廓的乳腺边缘上的元素的灰度值通常可以大于其他区域的元素的灰度值。在一些实施例中,乳腺轮廓905上的元素的最大灰度值可以被指定为灰度变换范围的最大灰度值。在一些实施例中,可以基于包括或排除背景区域的预处理图像来确定最大灰度值。可以基于低频图像中腺体的第一灰度分布特征和低频图像中脂肪的第二灰度分布特征来确定最小灰度值。关于最小灰度值的确定的更多描述可以在本申请的其他地方(例如,图12及其描述)找到。
在一些实施例中,灰度变换范围确定子块506可以基于低频图像中的变换区域来确定至少一个灰度变换范围。变换区域可以指低频图像的目标区域,在其中至少两个元素的灰度可能已被变换。可以基于器官或组织(例如,乳腺)的宽度、器官或组织(例如,乳腺)的压缩厚度和/或灰度变换距离确定模型(也称为距离确定模型)确定变换区域。
在一些实施例中,乳腺的宽度可以指的是低频图像中乳腺的最大宽度。在一些实施例中,乳腺的最大宽度可以指从乳腺轮廓到与乳腺轮廓相对的图像边缘的垂直距离的最大值(也称为最大距离)。如图8所示,乳腺宽度806可以对应于从乳头到与乳腺轮廓相对的图像边缘的垂直距离。在一些实施例中,可以基于乳腺的宽度806来确定变换区域。
器官或组织(例如,乳腺)的压缩厚度可以指在对器官或组织成像时,压缩的器官或组织与压缩板接触的部分的厚度。如图8所示,乳腺的压缩厚度807可以对应于压缩的乳腺803与压缩板802接触的部分的厚度。可以基于在成像系统100对乳腺进行成像中使用的成像参数来获取乳腺压缩厚度807。
距离确定模型可以是统计模型或智能算法模型(例如,机器学习模型)。在一些实施例中,距离确定模型可以是预定模型或函数。在一些实施例中,可以根据训练数据确定预定的智能算法模型,并且可以将其用于确定灰度变换距离(也称为参考距离)。在一些实施例中,参考距离可以指器官未压缩部分的宽度。例如,如图8所示,靠近乳腺803轮廓的边缘区域805不与压缩板802和支撑板801接触,并且边缘区域805的宽度808可以被指定为参考距离。
在一些实施例中,可以基于以下操作中的一个或以上来确定示例性距离确定模型:可以获取至少两组历史乳腺图像和与历史乳腺图像相对应的历史乳腺压缩厚度;历史乳腺宽度和历史参考距离可根据历史乳腺图像确定;历史乳腺宽度、历史乳腺压缩厚度和/或历史参考距离可以指定为训练数据;可以利用训练数据训练初始模型来确定距离确定模型。关于在低频图像中基于变换区域确定至少一个灰度变换范围的更多描述可以在本申请的其他地方(例如,图17和图19及其描述)找到。
在707中,灰度变换参数确定子块508可以基于至少一个灰度变换范围来确定至少一个灰度变换参数。在一些实施例中,一个灰度变换参数可以包括一个或以上灰度变换函数以及一个或以上与其相关的参数。
在一些实施例中,在确定了至少一个灰度变换范围之后,灰度变换参数确定子块508可以确定一个或以上的灰度变换函数。所述至少一个灰度变换范围可以整体使用,或者可以分为至少两个灰度变换子范围。在一些实施例中,可以根据经验对灰度变换范围进行划分,或者可以根据灰度变换范围的灰度值自动进行划分。例如,可以基于其灰度值来平均划分灰度变换范围。又例如,可以根据与乳腺轮廓具有不同距离的元素(例如,图9所示的乳腺轮廓905)的灰度值来划分灰度变换范围。在一些实施例中,对应于每个灰度变换范围或子范围的灰度变换函数可以是线性的或非线性的。在一些实施例中,可以基于以下操作的一个或以上确定示例性的灰度变换参数:可以将灰度变换范围划分为N个灰度变换子范围,其中N可以是正整数;可以确定与每个灰度变换子范围相对应的灰度变换线段;可以对N个灰度变换线段进行曲线拟合以获得灰度变换参数。
仅作为示例,可以基于低频图像的特征曲线将灰度变换范围划分为N个灰度变换子范围。可以基于灰度变换范围来确定特征曲线。特征曲线可以示出距离和灰度值之间的关系。每个距离可以指低频图像中具有在灰度变换范围内的灰度值的每个元素(例如,像素或体素)到参考边缘(例如,乳腺轮廓)的最小距离。例如,如果将一个元素通过一条线与参考边缘上的每个元素相连,则可以获得具有不同长度的线,并且可以将这些线的最小长度指定为该元素的最小距离。
在一些实施例中,灰度变换范围的最大值可以对应于乳腺轮廓上某个元素的灰度值,而灰度变换范围的最小值可以对应于乳腺区域中一个或以上候选元素的灰度值。灰度变换参数确定子块508可以确定候选元素中距乳腺轮廓的最小距离最大的对应元素。在一些实施例中,可以遍历该对应元素与乳腺轮廓之间的元素,从而可以获得该对应元素与乳腺轮廓之间的具有灰度变换范围内的灰度值的元素的最小距离。
在一些实施例中,可能存在多个具有相同最小距离的元素,并且可以通过取这些元素的平均灰度值来获得对应于最小距离的灰度值。因此,据此可以获得最小距离和相应的灰度值,并且可以以最小距离为横坐标,以相应的灰度值为纵坐标,建立特征曲线(也称为距离灰度曲线)。在一些实施例中,可以基于以下操作的一个或以上来确定特征曲线:可以在低频图像中确定参考边缘(例如,乳腺轮廓);可以确定低频图像中的元素与参考边缘之间的距离(例如,最小距离);以及,可以确定与距离相对应的平均灰度值;可以基于平均灰度值和距离来确定特征曲线。在一些实施例中,可以基于以下操作中的一个或以上确定对应于距离的平均灰度值:可以在低频图像中确定对应于一个或以上元素的一个或以上灰度值,其中一个或以上元素可以具有相同的距离(例如,相同的最小距离);并且可以基于所述一个或以上灰度值确定平均灰度值中的一个平均灰度值。
应当注意,特征曲线可能是横坐标范围有限的离散曲线。横坐标的最小值可以是与灰度变换范围的最大灰度值相对应的某个元素的最小距离。因此,横坐标的最大值可以是与灰度变换范围的最小灰度值相对应的某个元素的最小距离。横坐标的最小值和最大值之间的横坐标值的数量可以是有限数量,而不是无限数量的连续值。在一些实施例中,根据特征曲线,横坐标的最大值和最小值之间可能存在有限数量的灰度值(假设有N个),并且灰度变换范围可以分为对应的N个灰度变换子范围。可以在2017年6月29日提交的题为“图像处理方法和系统”的美国专利申请No.15/638,327中找到特征曲线的更多描述,在此,该专利申请的全文明确地纳入本文。
在一些实施例中,灰度变换参数确定子块508可以进一步确定与每个灰度变换子范围相对应的灰度变换线段。在一些实施例中,可以基于一个或以上默认值来预设每个线段的斜率。在一些实施例中,每个线段的斜率可以根据每个灰度变换子范围和/或灰度变换范围的上限和下限确定。例如,可以将斜率确定为灰度变换范围的最小值的两倍与每个灰度变换子范围的上下限之和的商。在确定斜率之后,可以进一步确定用于表达线段的函数。对于第一线段,第一线段的起点可以对应于灰度变换范围的上限或下限,并且可以基于端点和斜率直接确定第一线段的函数。因此,后续线段的起点可以是先前确定的线段的终点。可以基于先前确定的线段的函数和与先前确定的线段相对应的灰度变换子范围的函数来计算该终点值。类似地,可以确定每个线段的函数。
在一些实施例中,上述线段可以形成一个变换曲线。变换曲线可以指示变换之前的灰度值(也被称为第一灰度值)与变换之后的灰度值(也被称为第二灰度值)之间的关系。
在一些实施例中,灰度变换参数确定子块508可以通过对所有对应的灰度变换线段执行曲线拟合来获得变换曲线。曲线拟合算法可以包括最小二乘算法、拉格朗日插值算法、牛顿迭代算法、三次样条插值等。在一些实施例中,与变换曲线有关的参数(例如,一个或以上端点、一个或以上斜率等)可以被作为灰度变换参数。由于变换曲线是通过曲线拟合获得的,因此基于变换曲线的灰度变换获得的变换后的低频图像中可能发生的灰度跳变会减少。因此,变换后的低频图像中的灰度分布可能更连续、更平滑。
在709中,灰度变换子块510可以基于至少一个灰度变换参数来变换低频图像以获得变换后的低频图像。在一些实施例中,与低频图像相比,变换后的低频图像可以具有均匀的厚度(或灰度分布)。可以基于至少一个灰度变换参数来执行变换。在一些实施例中,可以基于至少一个灰度变换参数来更新低频图像中一个或以上元素的灰度值。在一些实施例中,可以基于至少一个灰度变换参数来更新其灰度值在所述至少一个灰度变换范围内的元素的灰度值。在一些实施例中,根据至少一个灰度变换参数,可以线性或非线性地压缩灰度值。可以在2017年6月29日提交的题为“图像处理方法和系统”的美国专利申请No.15/638,327中找到关于灰度变换的更多描述,在此,该专利申请的全文明确地纳入本文。
在711中,图像重建子块512可以通过重建变换后的低频图像和高频图像来生成转换图像。在一些实施例中,可以将变换后的低频子图像中的第一对应元素的第一灰度值与高频子图像中的第二对应元素的第二灰度值相加来确定转换图像中的元素。与预处理图像相比,转换图像中的乳腺可以具有更均匀的厚度。可以在2017年6月29日提交的题为“图像处理方法和系统”的美国专利申请No.15/638,327中找到关于重建的更多描述,在此,该专利申请的全文明确地纳入本文。
以上关于过程700的描述仅是为了说明而提供的,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,做出各种各样的变化和修改。然而,这些变化和修改不会背离本申请的范围。例如,可以在过程700中的其他地方添加一个或以上其他可选操作(例如,存储操作)。
图8是根据本申请的一些实施例的压缩乳腺的示意图。支撑板801和压缩板802可以被配置为从视角804压缩乳腺803以进行成像。当乳腺803被压缩时,乳腺803的边缘区域805可能没有被很好地压缩,从而基于被压缩的乳腺生成的乳腺图像的灰度分布可能是不均匀的。
图9是根据本申请的一些实施例的初始乳腺图像910和LOG乳腺图像920的示意图。初始乳腺图像910包括接近乳腺轮廓905的边缘区域901。初始乳腺图像910还包括中间乳腺区域902、乳腺根部区域区域903、背景区域904等。通过对初始乳腺图像910执行对数变换来获得LOG乳腺图像920。
图10是根据本申请的一些实施例的低频图像1001和高频图像1002的示意图。基于滤波算法对预处理图像进行滤波可以获得低频图像1001和高频图像1002。进一步分割低频图像1001,可以得到低频乳腺图像1003。
图11是根据本申请的一些实施例的对包括乳腺的图像进行分割的示例性掩模图像的示意图。使用掩模图像1100,可以从乳腺图像去除背景区域。例如,通过基于掩模图像1100分割低频图像1001来获得低频乳腺图像1003。
图12是根据本申请的一些实施例所示的确定至少一个灰度变换范围的最小灰度值的示例性过程的流程图。可以通过集成到成像系统(例如,如图1所示的成像系统100)中的图像处理设备来执行过程1200,其可以以软件和/或硬件来实现。例如,过程1200可以作为指令(例如,应用程序)的形式存储在存储设备130和/或存储器220中,并由处理设备120(例如,图2所示的处理器210,或图4所示的处理设备120中的一个或以上模块)调用和/或执行。以下所示过程的操作仅出于说明的目的。在一些实施例中,过程1200可以利用未描述的一个或以上附加操作,和/或没有讨论的一个或以上操作来完成。另外,以下如图12所示和描述的过程1200的操作顺序并非旨在限制。这里,出于说明的目的,在以下描述中将乳腺图像作为示例。
在1201中,最小灰度值确定单元604可以通过编辑低频图像来生成第一低频图像。在一些实施例中,要编辑的低频图像可以不包括背景区域,在本文中可以称为低频乳腺图像。在一些实施例中,可以执行编辑操作,从低频图像中去除一个或以上灰度值相对较低(或相对较高)并可能成为影响灰度变换范围确定的不稳定因素的元素。在一些实施例中,编辑操作可以包括获取低频乳腺图像的灰度直方图或累积灰度直方图。然后,可以从灰度直方图或累积灰度直方图中删除顶部和/或底部一定百分比的部分。例如,可以将累积频率小于5%或大于95%的部分从累积灰度直方图中删除。在一些实施例中,编辑操作可以包括根据经验或低频乳腺图像的特征来裁剪或去除低频乳腺图像的特定部分。例如,可以根据乳腺中的个体差异从低频乳腺图像中去除从乳腺轮廓的一边开始具有一定宽度的部分。
在一些实施例中,可以基于以下操作中的一个或以上来生成第一低频图像:可以基于低频(乳腺)图像确定目标器官(例如乳腺)的宽度;可以根据目标器官的宽度,通过裁剪低频(乳腺)图像,来编辑低频(乳腺)图像,以获得第二低频图像;可以通过编辑第二低频图像的直方图来生成第一低频图像。
在一些实施例中,可以基于以下操作中的一个或以上来确定乳腺的宽度(也称为乳腺宽度):可以确定第三低频图像;可以确定目标器官的轮廓(例如,乳腺轮廓)和与该目标器官的轮廓相对的第三低频图像的边缘之间的最大距离。在一些实施例中,可以通过去除低频(乳腺)图像的第一预定区域,或通过从图像中提取低频(乳腺)图像的第二预定区域来确定第三低频图像。在一些实施例中,第一预定区域可以包括非目标器官(例如,非乳腺器官,如手臂)。在一些实施例中,第二预定区域可以包括目标器官(例如,乳腺)的至少一部分。
图13是根据本申请的一些实施例的低频图像的示意图。如图13所示,低频乳腺图像1300包括第三低频图像1301。在一些实施例中,可以通过去除第一部分1304和第二部分1305来获得第三低频图像1301。第一部分1304可以具有低频乳腺图像1300中沿着第一预定方向1302的预定比例(例如,1/6)。第二部分1305可以具有低频乳腺图像1300中沿着第二预定方向1303的预定比例(例如,1/6)。在一些实施例中,第三低频图像1301可以通过提取预定区域来获得,所述预定区域从低频乳腺图像1300的乳头部分开始,并且分别沿着第一预定方向1302和第二预定方向1303延伸预定比例(例如,1/3)。在一些实施例中,第一预定方向1302和第二预定方向1303可以与图像边缘远离乳腺轮廓的延伸方向一致。在一些实施例中,可以基于临床经验确定要去除的第一预定区域(例如,第一部分1304和第二部分1305)和要提取的第二预定区域(例如,对应于第三低频图像1301的区域)。根据第三低频图像1301,可以将乳腺轮廓1306和第三低频图像1301中与乳腺轮廓1306相对的边缘1307之间的最大距离确定为乳腺宽度。
在一些实施例中,可以基于乳腺的宽度裁剪低频(乳腺)图像,来编辑低频(乳腺)图像,以获得第二低频图像。在一些实施例中,第二低频图像可以通过裁剪低频(乳腺)图像一定宽度来确定,以去除具有裁剪宽度的部分。可以基于乳腺宽度和裁剪宽度之间的预定关系来确定裁剪宽度。预定关系可以表示乳腺宽度和裁剪宽度之间的比例关系。基于比例关系,可以考虑乳腺的个体差异来确定经验裁剪宽度。在一些实施例中,预定关系可以是根据临床经验获得的经验函数,如公式(1)所示:
Wc/Wr=Wt/Nt, (1)
其中Wc代表待确定的裁剪宽度,Wr代表根据低频乳腺图像获取的乳腺宽度,Wt代表通过统计分析获得的经验乳腺宽度,而Nt是经验数值。
在某些实施例中,Wc、Wr和Wt可能具有相同的宽度单位。在一些实施例中,宽度Wc、Wr和Wt可以由元素数量表示,以数字为单位。在一些实施例中,宽度Wc、Wr和Wt可以用宽度表示,以厘米为单位。在一些实施例中,Nt的单位可以与宽度Wc、Wr和/或Wt相同。例如,如果宽度Wc、Wr和Wt的单位是元素数量,则Nt可以表示元素的经验数量。在一些实施例中,Nt的值可能与低频(乳腺)图像的分辨率有关。例如,如果Wt为1.5cm,Nt为1000,并且每个元素的尺寸为0.085mm,则对应于1.5cm的元素数量约为170,Wt为170,那么裁剪宽度Wc可以为(170*Wr)/1000。
图14是根据本申请的一些实施例的低频图像的示意图。如图14所示,裁剪区域1404的形状类似于乳腺轮廓1401。可以将低频乳腺图像1400的乳腺轮廓1401沿乳腺轮廓1401的径向1402延伸一个裁剪宽度1403的距离到乳腺内部,来确定裁剪区域1404。因此,第二低频图像1405可以通过从低频乳腺图像1400中裁剪该裁剪区域1404获得。
在一些实施例中,可以通过编辑第二低频图像的直方图来确定第一低频图像。在一些实施例中,最小灰度值确定单元604可以获得第二低频乳腺图像的灰度直方图。在一些实施例中,第二低频乳腺图像的灰度直方图可能会被截断。例如,可以从灰度直方图的一侧去除预定比例以获得裁剪的直方图。在一些实施例中,灰度直方图的预定比例可能具有相对较低的灰度值。在一些实施例中,预定比例可以被确定为,例如介于1%和3%之间的值。由于第二低频乳腺图像的灰度直方图被截断,灰度值在去除比例之内的元素可以从第二低频图像中去除,从而可以得到与剪裁后的直方图相对应的第一低频图像。
在1203中,最小灰度值确定单元604可以确定分割阈值。分割阈值可以是第一低频(乳腺)图像中脂肪和腺体的灰度边界。在一些实施例中,分割阈值可以基于OTSU算法来确定。例如,可以基于OTSU算法来处理第一低频(乳腺)图像的灰度直方图,以获得分割阈值。在一些实施例中,分割阈值可以表示为“f_Divide”。
在1205中,最小灰度值确定单元604可以基于分割阈值来分割第一低频图像。在一些实施例中,分割操作可以包括基于分割阈值f_Divide分割第一低频(乳腺)图像的灰度直方图,以获得腺体区域和脂肪区域。在一些实施例中,灰度值小于f_Divide的区域可以被指定为腺体区域,而灰度值大于f_Divide的区域可以被指定为脂肪区域。
在1207中,最小灰度值确定单元604可以基于分割后的第一低频图像(例如,在1205中确定的腺体区域)来确定低频图像中的腺体的第一灰度平均值。在一些实施例中,可以将腺体区域中所有元素的灰度平均值指定为腺体的第一灰度平均值。腺体的第一灰度平均值可以表示为“meanGland”。
在1209中,最小灰度值确定单元604可以基于分割后的第一低频图像(例如,在1205中确定的脂肪区域)来确定低频图像中的脂肪的第二灰度平均值。在一些实施例中,可以将脂肪区域中所有元素的灰度平均值指定为脂肪的第二灰度平均值。脂肪的第二灰度平均值可以表示为“meanFat”。
在1211中,最小灰度值确定单元604可以基于分割阈值、第一灰度平均值和第二灰度平均值来确定至少一个灰度变换范围的最小灰度值。在一些实施例中,可以基于预定函数来确定至少一个灰度变换范围的最小灰度值。预定函数可以包括一个或以上参数,该参数可以包括分割阈值、第一灰度平均值和第二灰度平均值中的至少一个。可以基于临床数据来分析参数,从而确定预定函数。关于所述至少一个灰度变换范围的最小灰度值的确定的更多描述可以在本申请的其他地方(例如,图15和图16及其描述)找到。
以上关于过程1200的描述仅是为了说明而提供的,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,做出各种各样的变化和修改。然而,这些变化和修改不会背离本申请的范围。例如,可以在过程1200中的其他地方添加一个或以上其他可选操作(例如,存储操作)。
图15是根据本申请的一些实施例所示的基于第一灰度平均值和第二灰度平均值确定至少一个灰度变换范围的最小灰度值的示例性过程的流程图。可以通过集成到成像系统(例如,如图1所示的成像系统100)中的图像处理设备来执行过程1500,其可以以软件和/或硬件来实现。例如,过程1500可以作为指令(例如,应用程序)的形式存储在存储设备130和/或存储器220中,并由处理设备120(例如,图2所示的处理器210,或图4所示的处理设备120中的一个或以上模块)调用和/或执行。以下所示过程的操作仅出于说明的目的。在一些实施例中,过程1500可以利用未描述的一个或以上附加操作,和/或没有讨论的一个或以上操作来完成。另外,以下如图15所示和描述的过程1500的操作顺序并非旨在限制。这里,出于说明的目的,在以下描述中将乳腺图像作为示例。在一些实施例中,可以根据过程1500来执行图12所示的过程1200中的操作1211。
在1501中,最小灰度值确定单元604可以确定第一灰度平均值和第二灰度平均值之间的灰度差。在一些实施例中,第一灰度平均值meanGland和第二灰度平均值meanFat之间的灰度差可以表示为“div”,即div=meanFat-meanGland。
灰度差div的值可以定性地表征灰度变换范围的最小值。例如,如果div的值相对较大,则其值可能相对接近f_Divide的值,即,从分割阈值f_Divide往脂肪的灰度稍偏一点。又例如,如果div的值相对较小,则该值可能相对远离f_Divide的值,即,从分割阈值f_Divide往脂肪的灰度偏离多一点。
在1503中,最小灰度值确定单元604可以基于最大灰度值来确定预处理图像的灰度范围。在一些实施例中,最小灰度值确定单元604可以对初始图像或预处理图像的灰度值进行统计分析,以确定最大灰度值(表示为“max”)和最小灰度值(表示为“min”)。通过指定零或最小灰度值“min”作为灰度范围的最小值,并将最大灰度值“max”或最大灰度值“max”与最小灰度值“min”之差的绝对值指定为灰度范围的最大值,可以确定与预处理(乳腺)图像对应的灰度范围。即,灰度范围可以是[0,max]或[min,(max-min)]。
在1505中,最小灰度值确定单元604可以将灰度范围划分为预定数量的子范围。在一些实施例中,预定数量可以根据经验确定,例如3到10之间的值。在一些实施例中,可以基于预定数量和至少一个预定的分段值来划分灰度范围。在一些实施例中,预定分段值可以根据操作1509中所示的系数k的精度来预设。以灰度范围[0,max]为例,如果预定数为5,而预定分段值为100、180、230和280,那么灰度子范围可以是[0,100],[101,180],[181,230],[231,280]和[281,max]。
在1507中,最小灰度值确定单元604可以确定包括灰度差的目标子范围。在一些实施例中,最小灰度值确定单元604可以将灰度差“div”与每个灰度子范围进行比较,以确定包括灰度差“div”的目标子范围。例如,如果“div”等于232,则目标子范围可以是1505中所示的第四级灰度子范围,即[231,280]可以是包括灰度差“div”的目标子范围。
在1509中,最小灰度值确定单元604可以基于目标子范围确定与用于确定最小灰度值的确定函数有关的系数。在一些实施例中,可以基于灰度差“div”和目标子范围来确定系数(例如,系数k)。在一些实施例中,响应于确定目标子范围包括灰度范围的最大值,可以将系数k确定为预定值(例如,1)。例如,如果目标子范围在1505中示出为[281,max],则系数k可以被确定为1。
在一些实施例中,响应于确定出目标子范围不包括灰度范围的最大值,可以基于灰度差、目标子范围的最大值和/或预定函数来确定系数k。预定函数可以用于确定确定函数的系数k。在一些实施例中,通过分析灰度差“div”与至少一个灰度变换范围的最小灰度值之间的关系,可以根据等式(2)凭经验确定预定函数:
k(i)=weight(i)*div/valueMax(i), (2)
其中i代表目标子范围的序列号,“weight”代表基于临床数据确定的权值,“valueMax”代表第i个灰度子范围的最大灰度值。
例如,如果“div”为232,则目标子范围为[231,280],因为[231,280]是子范围[0,100]、[101,180]、[181,230]、[231,280]和[281,max]的第四子范围,所以序列号i可以是4。因此,valueMax(4)为280。假设weight(4)的值为0.9,则k=0.9*232/280=0.75。
在一些实施例中,可以基于系数k和灰度差“div”之间的关系曲线来确定系数k。在一些实施例中,可以基于等式(2)和一个或以上weight(i)的经验值来确定关系曲线。系数k和灰度差“div”之间的示例性关系可以如图16中所示,其示出了根据本申请的一些实施例的确定函数的系数k与灰度差“div”之间的示例性关系曲线。灰度差“div”可以指第一灰度平均值和第二灰度平均值之间的差。
在1511中,最小灰度值确定单元604可以基于系数、分割阈值、第二灰度平均值和确定函数来确定最小灰度值。在一些实施例中,确定函数可以用公式(3)表示:
MinGray=k*f_Divide+(1-k)*meanFat, (3)
其中“MinGray”代表至少一个灰度变换范围的最小灰度值,k代表1509中确定的系数,“f_Divide”代表1203中确定的分割阈值,“meanFat”代表1209中确定的第二个灰度平均值(即脂肪区域的灰度平均值)。应当注意,根据等式(3),如果k等于1,则灰度变换范围的最小灰度值“MinGray”可以是分割阈值“f_Divide”,达到最小灰度值的极限。
以上关于过程1500的描述仅是为了说明而提供的,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,做出各种各样的变化和修改。然而,这些变化和修改不会背离本申请的范围。例如,可以在过程1500中的其他地方添加一个或以上其他可选操作(例如,存储操作)。
图17是根据本申请的一些实施例所示的基于变换区域确定至少一个灰度变换范围的示例性过程的流程图。可以通过集成到成像系统(例如,如图1所示的成像系统100)中的图像处理设备来执行过程1700,其可以以软件和/或硬件来实现。例如,过程1700可以作为指令(例如,应用程序)的形式存储在存储设备130和/或存储器220中,并由处理设备120(例如,图2所示的处理器210,或图4所示的处理设备120中的一个或以上模块)调用和/或执行。以下所示过程的操作仅出于说明的目的。在一些实施例中,过程1700可以利用未描述的一个或以上附加操作,和/或没有讨论的一个或以上操作来完成。另外,以下如图17所示和描述的过程1700的操作顺序并非旨在限制。这里,出于说明的目的,在以下描述中将乳腺图像作为示例。在一些实施例中,可以根据过程1700来执行图7所示的过程700中的操作705。
在1701中,参考距离确定单元606可以确定用于确定低频图像中的变换区域的参考距离。在一些实施例中,可以基于乳腺的宽度、压缩的厚度和预定的距离确定模型来确定参考距离。关于确定参考距离的更多描述可以在本申请的其他地方(例如,图7和19,及其描述)找到。
在1703中,变换区域确定单元608可以确定变换区域的第一边缘和第二边缘。在一些实施例中,第一边缘可以是预处理图像或低频图像中的轮廓(例如,乳腺轮廓)。在一些实施例中,第二边缘可以是远离乳腺轮廓的边缘。在一些实施例中,第二边缘可以是一个边界位置,类似于预处理图像或低频图像中的乳腺轮廓。边界位置可以通过沿径向方向从乳腺轮廓延伸到乳腺内部一定距离(例如,参考距离)来确定。即,第二边缘和第一边缘之间的距离可以等于参考距离。以图18所示的LOG图像1800为例,可以将类似于乳腺轮廓1821的边界1824确定为第二边缘。图18是根据本申请的一些实施例的包括变换区域的LOG乳腺图像1800的示意图。乳腺轮廓1821可以被确定为第一边缘。边界1824可以通过沿着乳腺的径向方向1822从乳腺轮廓1821延伸参考距离1823到乳腺内部来确定。
在1705中,变换区域确定单元608可以基于第一边缘和第二边缘来确定变换区域。变换区域可以是第一边缘和第二边缘之间的区域。以图18所示的LOG图像1800为例,边界1824(第二边缘)与乳腺轮廓1821(第一边缘)之间的区域1825可以是LOG图像1800的变换区域。
在1707中,灰度变换范围确定子块506可以基于变换区域中的元素的灰度值来确定至少一个灰度变换范围。在一些实施例中,变换区域中的元素可以包括第一边缘上的第一组元素和第二边缘上的第二组元素。在一些实施例中,第一组元素可以包括第一边缘上的所有元素。在一些实施例中,第二组元素可以包括第二边缘上的所有元素。在一些实施例中,第一组元素的最大灰度值可以被指定为至少一个灰度变换范围的最大值。在一些实施例中,第二组元素的平均灰度值可以被指定为至少一个灰度变换范围的最小值。可以基于最大灰度值和最小灰度值来确定至少一个灰度变换范围。
以上关于过程1700的描述仅是为了说明而提供的,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,做出各种各样的变化和修改。然而,这些变化和修改不会背离本申请的范围。例如,可以在过程1700的其他地方添加一个或以上其他可选操作(例如,存储操作)。又例如,可以省略操作1705。
图19是根据本申请的一些实施例所示的基于预定距离确定模型确定参考距离的示例性过程的流程图。可以通过集成到成像系统(例如,如图1所示的成像系统100)中的图像处理设备来执行过程1900,其可以以软件和/或硬件来实现。例如,过程1900可以作为指令(例如,应用程序)的形式存储在存储设备130和/或存储器220中,并由处理设备120(例如,图2所示的处理器210,或图4所示的处理设备120中的一个或以上模块)调用和/或执行。以下所示过程的操作仅出于说明的目的。在一些实施例中,过程1900可以利用未描述的一个或以上附加操作,和/或没有讨论的一个或以上操作来完成。另外,以下如图19所示和描述的过程1900的操作顺序并非旨在限制。在一些实施例中,可以根据过程1900来执行图17所示的过程1700中的操作1701。
在1901中,参考距离确定单元606可以基于低频图像来确定器官(或组织)的宽度。在一些实施例中,器官(或组织)可以是乳腺。在一些实施例中,乳腺的宽度可以自动或手动确定。在一些实施例中,乳腺的宽度可以用作距离确定模型的自变量。关于乳腺宽度的确定的更多描述可以在本申请的其他地方(例如,图7及其描述)找到。
在1903中,参考距离确定单元606可以获取器官(例如,乳腺)的压缩厚度。在一些实施例中,器官的压缩厚度可以指乳腺的压缩厚度。在一些实施例中,可以自动或手动确定乳腺的压缩厚度。在一些实施例中,可以基于成像系统100在对乳腺进行成像时所使用的成像参数来获得乳腺的压缩厚度。乳腺压缩厚度可以用作距离确定模型的自变量。关于乳腺压缩厚度的更多描述可以在本申请的其他地方(例如,图7和8,及其描述)找到。
在1905中,参考距离确定单元606可以基于宽度、压缩厚度和预定距离确定模型来确定参考距离。在一些实施例中,宽度和压缩厚度可以是预定距离确定模型的两个参数。确定的参考距离可以进一步用于确定本申请中的至少一个灰度变换范围。在一些实施例中,预定距离确定模型可以是统计模型或智能算法模型(例如,机器学习模型)。例如,预定距离确定模型可以由等式(4)表示:
Dis=a*W+b*T+c, (4)
其中“Dis”代表参考距离,W代表乳腺宽度,T代表乳腺压缩厚度,a、b和c分别代表预定距离确定模型的系数。在一些实施例中,可以基于多组训练参数训练模型,来确定预定距离确定模型的系数。在一些实施例中,多组训练参数中的每组可以包括历史乳腺宽度、历史乳腺压缩厚度、以及与历史乳腺图像相对应的历史参考距离。在一些实施例中,可以基于经验值确定预定距离确定模型的系数。
以上关于过程1900的描述仅是为了说明而提供的,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,做出各种各样的变化和修改。然而,这些变化和修改不会背离本申请的范围。例如,可以在过程1900中的其他地方添加一个或以上其他可选操作(例如,存储操作)。
上文已对基本概念做了描述,显然,对于阅读此申请后的本领域的普通技术人员来说,上述发明披露仅作为示例,并不构成对本申请的限制。虽然此处并未明确说明,但本领域的普通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。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、结构或特性。因此,应当强调并注意的是,本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或以上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,本领域的普通技术人员可以理解,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过程、机器、产品或物质的组合,或对其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(包括韧体、常驻软件、微代码等)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“单元”、“模块”或“系统”。此外,本申请的各方面可以表现为位于一个或以上计算机可读介质中的计算机产品,所述产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序代码的传播数据信号,例如在基带上或作为载波的一部分。此类传播信号可以有多种形式,包括电磁形式、光形式等或任何合适的组合。计算机可读信号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信、传播或传输供使用的程序。位于计算机可读信号介质上的程序代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等,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代码可以用任意一种或以上程序设计语言编写,包括面向对象程序设计语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化程序设计语言如C程序设计语言、Visual Basic、Fortran2103、Perl、COBOL 2102、PHP、ABAP,动态程序设计语言如Python、Ruby和Groovy,或其他程序设计语言等。该程序代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,尽管上述各种组件的实现可以体现在硬件设备中,但是它也可以实现为纯软件解决方案,例如在现有服务器或移动设备上的安装。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请的实施例的描述中,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。然而,本申请的该方法不应被解释为反映所声称的待扫描对象物质需要比每个权利要求中明确记载的更多特征的意图。相反,发明的主体应具备比上述单一实施例更少的特征。
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。
本文中提及的所有专利、专利申请、专利申请公布和其他材料(如论文、书籍、说明书、出版物、记录、事物和/或类似的东西)均在此通过引用的方式全部并入本文以达到所有目的,与上述文件相关的任何起诉文档记录、与本文件不一致或冲突的任何上述文件或对迟早与本文件相关的权利要求书的广泛范畴有限定作用的任何上述文件除外。举例来说,如果在描述、定义和/或与任何所结合的材料相关联的术语的使用和与本文件相关联的术语之间存在任何不一致或冲突,则描述、定义和/或在本文件中使用的术语以本文件为准。
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 (50)
1.一种用于图像处理的系统,包括:
至少一个存储设备,包括一组指令或程序;以及
至少一个处理器,被配置为与所述至少一个存储设备通信,其中,当执行所述一组指令或程序时,所述至少一个处理器被配置为使所述系统:
获得预处理图像;
将所述预处理图像分解为低频图像和高频图像;
基于所述低频图像,确定至少一个灰度变换范围,包括:基于所述预处理图像、所述低频图像中腺体的第一灰度分布特征和所述低频图像中脂肪的第二灰度分布特征,确定所述至少一个灰度变换范围;
基于所述至少一个灰度变换范围,确定至少一个灰度变换参数;
基于所述至少一个灰度变换参数,对所述低频图像进行变换,以获得变换后的低频图像;以及
通过重建所述变换后的低频图像和所述高频图像,生成转换图像。
2. 根据权利要求1所述的系统,其特征在于,所述获得预处理图像,包括:
获取初始图像;以及
预处理所述初始图像,以获得所述预处理图像。
3.根据权利要求2所述的系统,其特征在于,所述预处理所述初始图像,以获得所述预处理图像,包括:
对所述初始图像进行对数变换,以获得所述预处理图像。
4. 根据权利要求3所述的系统,其特征在于,所述基于所述低频图像,确定至少一个灰度变换范围,包括:
分割所述低频图像,以获得分割后的低频图像;以及
基于所述分割后的低频图像,确定所述至少一个灰度变换范围。
5. 根据权利要求2所述的系统,其特征在于,所述预处理所述初始图像,以获得所述预处理图像,包括:
分割所述初始图像,以获得分割图像;以及
对所述分割图像进行对数变换,以获得所述预处理图像。
6. 根据权利要求2所述的系统,其特征在于,所述预处理所述初始图像,以获得所述预处理图像,包括:
对所述初始图像执行对数变换,以获得中间图像;以及
分割所述中间图像,以获得分割后的中间图像,所述分割后的中间图像为所述预处理图像。
7.根据权利要求1所述的系统,其特征在于,所述将所述预处理图像分解为低频图像和高频图像,包括:
基于滤波算法对所述预处理图像进行滤波,从而将所述预处理图像分解为所述低频图像和所述高频图像。
8.根据权利要求7所述的系统,其特征在于,所述滤波算法包括双边滤波算法或小波滤波算法。
9.根据权利要求1所述的系统,其特征在于,所述基于所述预处理图像、所述低频图像中腺体的第一灰度分布特征、和所述低频图像中脂肪的第二灰度分布特征,确定所述至少一个灰度变换范围,包括:
确定所述预处理图像的最大灰度值;
基于所述低频图像中所述腺体的所述第一灰度分布特征和所述低频图像中所述脂肪的所述第二灰度分布特征,确定所述至少一个灰度变换范围的最小灰度值;以及
基于所述最大灰度值和所述最小灰度值确定所述至少一个灰度变换范围。
10.根据权利要求9所述的系统,其特征在于,所述基于所述低频图像中所述腺体的所述第一灰度分布特征和所述低频图像中所述脂肪的所述第二灰度分布特征,确定所述至少一个灰度变换范围的最小灰度值,包括:
通过编辑所述低频图像,生成第一低频图像;
确定分割阈值;
基于所述分割阈值分割所述第一低频图像;
基于所述分割后的第一低频图像,确定所述低频图像中所述腺体的第一灰度平均值;
基于所述分割后的第一低频图像,确定所述低频图像中所述脂肪的第二灰度平均值;以及
基于所述分割阈值、所述第一灰度平均值、和所述第二灰度平均值,确定所述至少一个灰度变换范围的所述最小灰度值。
11.根据权利要求10所述的系统,其特征在于,所述通过编辑所述低频图像,生成第一低频图像,包括:
基于所述低频图像,确定目标器官的宽度;
基于所述目标器官的所述宽度,通过裁剪所述低频图像编辑所述低频图像,以得到第二低频图像;
通过编辑所述第二低频图像的直方图,生成所述第一低频图像。
12.根据权利要求11所述的系统,其特征在于,所述目标器官是乳腺。
13. 根据权利要求11所述的系统,其特征在于,所述基于所述低频图像,确定目标器官的宽度,包括:
通过移除所述低频图像的第一预定区域,或通过提取所述低频图像的第二预定区域,确定第三低频图像,其中,所述第一预定区域包括非目标器官,所述第二预定区域包括所述目标器官的至少一部分;以及
确定所述目标器官的轮廓与所述第三低频图像的边缘之间的最大距离,其中,所述第三低频图像的所述边缘与所述目标器官的所述轮廓相对。
14.根据权利要求10所述的系统,其特征在于,所述基于所述分割阈值、所述第一灰度平均值、和所述第二灰度平均值,确定所述至少一个灰度变换范围的所述最小灰度值,包括:
确定所述第一灰度平均值和所述第二灰度平均值之间的灰度差;
根据所述最大灰度值,确定所述预处理图像的灰度范围;
将所述灰度范围划分为预定数量的子范围;
确定包括所述灰度差的目标子范围;以及
基于所述目标子范围、所述分割阈值、所述第二灰度平均值、和确定函数,确定所述最小灰度值。
15. 根据权利要求14所述的系统,其特征在于,所述基于所述目标子范围、所述分割阈值、所述第二灰度平均值、和确定函数,确定所述最小灰度值,包括:
基于所述目标子范围,确定与用于确定所述最小灰度值的确定函数有关的系数;以及
基于所述系数、所述分割阈值、所述第二灰度平均值、和所述确定函数,确定所述最小灰度值。
16.根据权利要求15所述的系统,其特征在于,所述基于所述目标子范围,确定与用于确定所述最小灰度值的确定函数有关的系数,包括:
响应于确定出所述目标子范围包括所述灰度范围的最大值,将所述系数确定为预定值。
17.根据权利要求15所述的系统,其特征在于,所述基于所述目标子范围,确定与用于确定所述最小灰度值的确定函数有关的系数,包括:
响应于确定出所述目标子范围不包括所述灰度范围的最大值,基于所述灰度差和所述目标子范围的最大值,确定所述系数。
18.根据权利要求1所述的系统,其特征在于,所述基于所述低频图像,确定至少一个灰度变换范围,包括:
确定用于确定所述低频图像中的变换区域的参考距离;
确定变换区域的第一边缘和第二边缘,其中,所述第一边缘是所述预处理图像中的轮廓,所述第二边缘与所述第一边缘之间的距离等于所述参考距离;
基于所述第一边缘和所述第二边缘,确定所述变换区域;以及
基于所述变换区域中至少两个元素的灰度值,确定所述至少一个灰度变换范围,其中,所述变换区域中的所述至少两个元素中的每个均以一个像素或体素表示。
19.根据权利要求18所述的系统,其特征在于,所述基于所述变换区域中至少两个元素的灰度值,确定所述至少一个灰度变换范围,包括:
确定所述第一边缘上的第一组元素的最大灰度值;
确定所述第二边缘上的第二组元素的平均灰度值;以及
基于所述最大灰度值和所述平均灰度值,确定所述至少一个灰度变换范围。
20.根据权利要求18所述的系统,其特征在于,所述确定用于确定所述低频图像中的变换区域的参考距离,包括:
基于所述低频图像,确定器官的宽度;
获得所述器官的压缩厚度;以及
基于所述宽度、所述压缩厚度、和预定距离确定模型,确定所述参考距离。
21.根据权利要求20所述的系统,其特征在于,所述器官是乳腺。
22.根据权利要求1所述的系统,其特征在于,所述至少一个灰度变换参数与变换曲线有关,所述基于所述至少一个灰度变换范围,确定所述至少一个灰度变换参数,包括:
确定所述低频图像中的参考边缘;
确定所述低频图像中的至少两个元素与所述参考边缘之间的至少两个距离;
确定对应于所述至少两个距离的至少两个平均灰度值,包括:
确定对应于所述低频图像中所述至少两个元素中的一个或以上元素的一个或以上灰度值,所述一个或以上元素具有相同距离,以及
基于所述一个或以上灰度值,确定所述至少两个平均灰度值中的一个平均灰度值;
基于所述至少两个平均灰度值和所述至少两个距离,确定特征曲线;以及
基于所述特征曲线,确定所述变换曲线,其中,所述变换曲线表示变换前的第一灰度值和变换后的第二灰度值之间的关系。
23.根据权利要求1所述的系统,其特征在于,所述通过重建所述变换后的低频图像和所述高频图像,生成转换图像,包括:
基于所述变换后的低频图像中第一元素的第一灰度值和所述高频图像中第二元素的第二灰度值,确定所述转换图像中每个元素的目标灰度值,所述每个元素是一个像素或体素。
24.根据权利要求1所述的系统,其特征在于,所述预处理图像包括乳腺。
25.一种用于图像处理的方法,所述方法在至少一个设备上执行,所述至少一个设备中的每一个都具有至少一个处理器和存储器,所述方法包括:
获得预处理图像;
将所述预处理图像分解为低频图像和高频图像;
基于所述低频图像,确定至少一个灰度变换范围,包括:基于所述预处理图像、所述低频图像中腺体的第一灰度分布特征和所述低频图像中脂肪的第二灰度分布特征,确定所述至少一个灰度变换范围;
基于所述至少一个灰度变换范围,确定至少一个灰度变换参数;
基于所述至少一个灰度变换参数,对所述低频图像进行变换,以获得变换后的低频图像;以及
通过重建所述变换后的低频图像和所述高频图像,生成转换图像。
26. 根据权利要求25所述的方法,其特征在于,所述获得预处理图像,包括:
获取初始图像;以及
预处理所述初始图像,以获得所述预处理图像。
27.根据权利要求26所述的方法,其特征在于,所述预处理所述初始图像,以获得所述预处理图像,包括:
对所述初始图像进行对数变换,以获得所述预处理图像。
28. 根据权利要求27所述的方法,其特征在于,所述基于所述低频图像,确定至少一个灰度变换范围,包括:
分割所述低频图像,以获得分割后的低频图像;以及
基于所述分割后的低频图像,确定所述至少一个灰度变换范围。
29. 根据权利要求26所述的方法,其特征在于,所述预处理所述初始图像,以获得所述预处理图像,包括:
分割所述初始图像,以获得分割图像;以及
对所述分割图像进行对数变换,以获得所述预处理图像。
30. 根据权利要求26所述的方法,其特征在于,所述预处理所述初始图像,以获得所述预处理图像,包括:
对所述初始图像执行对数变换,以获得中间图像;以及
分割所述中间图像,以获得分割后的中间图像,所述分割后的中间图像为所述预处理图像。
31.根据权利要求25所述的方法,其特征在于,所述将所述预处理图像分解为低频图像和高频图像,包括:
基于滤波算法对所述预处理图像进行滤波,从而将所述预处理图像分解为所述低频图像和所述高频图像。
32.根据权利要求31所述的方法,其特征在于,所述滤波算法包括双边滤波算法或小波滤波算法。
33.根据权利要求25所述的方法,其特征在于,所述基于所述预处理图像、所述低频图像中腺体的第一灰度分布特征、和所述低频图像中脂肪的第二灰度分布特征,确定所述至少一个灰度变换范围,包括:
确定所述预处理图像的最大灰度值;
基于所述低频图像中所述腺体的所述第一灰度分布特征和所述低频图像中所述脂肪的所述第二灰度分布特征,确定所述至少一个灰度变换范围的最小灰度值;以及
基于所述最大灰度值和所述最小灰度值确定所述至少一个灰度变换范围。
34.根据权利要求33所述的方法,其特征在于,所述基于所述低频图像中所述腺体的所述第一灰度分布特征和所述低频图像中所述脂肪的所述第二灰度分布特征,确定所述至少一个灰度变换范围的最小灰度值,包括:
通过编辑所述低频图像,生成第一低频图像;
确定分割阈值;
基于所述分割阈值分割所述第一低频图像;
基于所述分割后的第一低频图像,确定所述低频图像中所述腺体的第一灰度平均值;
基于所述分割后的第一低频图像,确定所述低频图像中所述脂肪的第二灰度平均值;以及
基于所述分割阈值、所述第一灰度平均值、和所述第二灰度平均值,确定所述至少一个灰度变换范围的所述最小灰度值。
35.根据权利要求34所述的方法,其特征在于,所述通过编辑所述低频图像,生成第一低频图像,包括:
基于所述低频图像,确定目标器官的宽度;
根据所述目标器官的所述宽度,通过裁剪所述低频图像编辑所述低频图像,以得到第二低频图像;
通过编辑所述第二低频图像的直方图,生成所述第一低频图像。
36.根据权利要求35所述的方法,其特征在于,所述目标器官是乳腺。
37. 根据权利要求35所述的方法,其特征在于,所述基于所述低频图像,确定目标器官的宽度,包括:
通过移除所述低频图像的第一预定区域,或通过提取所述低频图像的第二预定区域,确定第三低频图像,其中,所述第一预定区域包括非目标器官,所述第二预定区域包括所述目标器官的至少一部分;以及
确定所述目标器官的轮廓与所述第三低频图像的边缘之间的最大距离,其中,所述第三低频图像的所述边缘与所述目标器官的所述轮廓相对。
38.根据权利要求34所述的方法,其特征在于,所述基于所述分割阈值、所述第一灰度平均值、和所述第二灰度平均值,确定所述至少一个灰度变换范围的所述最小灰度值,包括:
确定所述第一灰度平均值和所述第二灰度平均值之间的灰度差;
基于所述最大灰度值,确定所述预处理图像的灰度范围;
将所述灰度范围划分为预定数量的子范围;
确定包括所述灰度差的目标子范围;以及
基于所述目标子范围、所述分割阈值、所述第二灰度平均值、和确定函数,确定所述最小灰度值。
39. 根据权利要求38所述的方法,其特征在于,所述基于所述目标子范围、所述分割阈值、所述第二灰度平均值、和确定函数,确定所述最小灰度值,包括:
基于所述目标子范围,确定与用于确定所述最小灰度值的确定函数有关的系数;以及
基于所述系数、所述分割阈值、所述第二灰度平均值、和所述确定函数,确定所述最小灰度值。
40.根据权利要求39所述的方法,其特征在于,所述基于所述目标子范围,确定与用于确定所述最小灰度值的确定函数有关的系数,包括:
响应于确定出所述目标子范围包括所述灰度范围的最大值,将所述系数确定为预定值。
41.根据权利要求39所述的方法,其特征在于,所述基于所述目标子范围,确定与用于确定所述最小灰度值的确定函数有关的系数,包括:
响应于确定出所述目标子范围不包括所述灰度范围的最大值,基于所述灰度差和所述目标子范围的最大值,确定所述系数。
42.根据权利要求25所述的方法,其特征在于,所述基于所述低频图像,确定至少一个灰度变换范围,包括:
确定用于确定所述低频图像中的变换区域的参考距离;
确定变换区域的第一边缘和第二边缘,其中,所述第一边缘是所述预处理图像中的轮廓,所述第二边缘与所述第一边缘之间的距离等于所述参考距离;
基于所述第一边缘和所述第二边缘,确定所述变换区域;以及
基于所述变换区域中至少两个元素的灰度值,确定所述至少一个灰度变换范围,其中,所述变换区域中的所述至少两个元素中的每个均以一个像素或体素表示。
43.根据权利要求42所述的方法,其特征在于,所述基于所述变换区域中至少两个元素的灰度值,确定所述至少一个灰度变换范围,包括:
确定所述第一边缘上的第一组元素的最大灰度值;
确定所述第二边缘上的第二组元素的平均灰度值;以及
基于所述最大灰度值和所述平均灰度值,确定所述至少一个灰度变换范围。
44.根据权利要求42所述的方法,其特征在于,所述确定用于确定所述低频图像中的变换区域的参考距离,包括:
基于所述低频图像,确定器官的宽度;
获得所述器官的压缩厚度;以及
基于所述宽度、所述压缩厚度、和预定距离确定模型,确定所述参考距离。
45.根据权利要求44所述的方法,其特征在于,所述器官是乳腺。
46.根据权利要求25所述的方法,其特征在于,所述至少一个灰度变换参数与变换曲线有关,所述基于所述至少一个灰度变换范围,确定所述至少一个灰度变换参数,包括:
确定所述低频图像中的参考边缘;
确定所述低频图像中的至少两个元素与所述参考边缘之间的至少两个距离;
确定对应于所述至少两个距离的至少两个平均灰度值,包括:
确定对应于所述低频图像中所述至少两个元素中的一个或以上元素的一个或以上灰度值,所述一个或以上元素具有相同距离,以及
基于所述一个或以上灰度值,确定所述至少两个平均灰度值中的一个平均灰度值;
基于所述至少两个平均灰度值和所述至少两个距离,确定特征曲线;以及
基于所述特征曲线,确定所述变换曲线,其中,所述变换曲线表示变换前的第一灰度值和变换后的第二灰度值之间的关系。
47.根据权利要求25所述的方法,其特征在于,所述通过重建所述变换后的低频图像和所述高频图像,生成转换图像,包括:
基于所述变换后的低频图像中第一元素的第一灰度值和所述高频图像中第二元素的第二灰度值,确定所述转换图像中每个元素的目标灰度值,所述每个元素是一个像素或体素。
48.根据权利要求25所述的方法,其特征在于,所述预处理图像包括乳腺。
49.一种包含计算机程序产品的非暂时性计算机可读介质,其中,所述计算机程序产品包含指令,所述指令被配置为使计算设备执行以下图像处理方法:
获得预处理图像;
将所述预处理图像分解为低频图像和高频图像;
基于所述低频图像,确定至少一个灰度变换范围,包括:基于所述预处理图像、所述低频图像中腺体的第一灰度分布特征和所述低频图像中脂肪的第二灰度分布特征,确定所述至少一个灰度变换范围;
基于所述至少一个灰度变换范围,确定至少一个灰度变换参数;
基于所述至少一个灰度变换参数,对所述低频图像进行变换,以获得变换后的低频图像;以及
通过重建所述变换后的低频图像和所述高频图像,生成转换图像。
50.一种用于图像处理的系统,所述系统具有至少一个处理器和一个被配置为存储指令的存储器,所述系统包括:
获取模块,被配置为获取预处理图像;
分解子块,被配置为分解所述预处理图像为低频图像和高频图像;
灰度变换范围确定子块,被配置为基于所述低频图像,确定至少一个灰度变换范围,为确定至少一个灰度变换范围,所述灰度变换范围确定子块进一步被配置为:基于所述预处理图像、所述低频图像中腺体的第一灰度分布特征和所述低频图像中脂肪的第二灰度分布特征,确定所述至少一个灰度变换范围;
灰度变换参数确定子块,被配置为基于所述至少一个灰度变换范围,确定至少一个灰度变换参数;
灰度变换子块,被配置为基于所述至少一个灰度变换参数,对所述低频图像进行变换,以获得变换后的低频图像;以及
图像重建子块,被配置为通过重建所述变换后的低频图像和所述高频图像,生成转换图像。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710468784.4A CN107316291B (zh) | 2017-06-14 | 2017-06-14 | 乳腺图像处理方法及乳腺成像设备 |
CN201710447718.9A CN107292815B (zh) | 2017-06-14 | 2017-06-14 | 乳腺图像的处理方法、装置及乳腺成像设备 |
CN2017104687844 | 2017-06-14 | ||
CN2017104477189 | 2017-06-14 | ||
PCT/CN2017/120325 WO2018227943A1 (en) | 2017-06-14 | 2017-12-29 | System and method for image processing |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110832540A CN110832540A (zh) | 2020-02-21 |
CN110832540B true CN110832540B (zh) | 2023-08-01 |
Family
ID=64660640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780092082.9A Active CN110832540B (zh) | 2017-06-14 | 2017-12-29 | 图像处理系统和方法 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP3622476A4 (zh) |
CN (1) | CN110832540B (zh) |
CA (2) | CA3067078C (zh) |
WO (1) | WO2018227943A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8832589B2 (en) | 2013-01-15 | 2014-09-09 | Google Inc. | Touch keyboard using language and spatial models |
CN110752013A (zh) * | 2019-10-29 | 2020-02-04 | 山东大学 | 一种宫颈癌激光图像的数据预处理系统 |
CN111723763B (zh) * | 2020-06-29 | 2024-02-13 | 深圳市艾为智能有限公司 | 基于图像信息统计的场景识别方法 |
CN112651888A (zh) * | 2020-11-25 | 2021-04-13 | 北京字跳网络技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN112966612B (zh) * | 2021-03-10 | 2022-06-03 | 广东海洋大学 | 基于牛顿积分神经动力学的北极海冰遥感图像提取方法 |
CN114298985B (zh) * | 2021-12-16 | 2023-12-22 | 苏州凌云光工业智能技术有限公司 | 缺陷检测方法、装置、设备及存储介质 |
CN116343051B (zh) * | 2023-05-29 | 2023-07-28 | 山东景闰工程研究设计有限公司 | 一种基于遥感影像的地质环境监测方法及系统 |
CN116525073B (zh) * | 2023-07-03 | 2023-09-15 | 山东第一医科大学第一附属医院(山东省千佛山医院) | 一种基于健康体检大数据的数据库智能管理系统 |
CN116879873B (zh) * | 2023-09-08 | 2023-11-24 | 立臻精密智造(昆山)有限公司 | 成像质量检测方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000276590A (ja) * | 1999-03-19 | 2000-10-06 | Canon Inc | 画像処理装置、画像処理システム、画像処理方法、及び記憶媒体 |
JP2004326602A (ja) * | 2003-04-25 | 2004-11-18 | Canon Inc | 画像処理装置、画像処理方法、プログラム及び記録媒体 |
WO2008032610A1 (fr) * | 2006-09-12 | 2008-03-20 | Olympus Corporation | Système de traitement d'image et programme de traitement d'image |
CN101430759A (zh) * | 2008-12-04 | 2009-05-13 | 上海大学 | 优化的人脸识别预处理方法 |
CN103929570A (zh) * | 2013-01-16 | 2014-07-16 | 富士通株式会社 | 图像处理方法和系统 |
CN104574361A (zh) * | 2014-11-27 | 2015-04-29 | 沈阳东软医疗系统有限公司 | 一种乳腺外周组织均衡的图像处理方法和装置 |
CN105488765A (zh) * | 2015-11-23 | 2016-04-13 | 沈阳东软医疗系统有限公司 | 一种图像动态范围调整方法及装置 |
CN105637557A (zh) * | 2013-10-18 | 2016-06-01 | 株式会社理光 | 图像处理设备、图像处理系统、图像处理方法和记录介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7764820B2 (en) * | 2005-08-24 | 2010-07-27 | The General Hospital Corporation | Multi-threshold peripheral equalization method and apparatus for digital mammography and breast tomosynthesis |
JP5275668B2 (ja) * | 2008-04-04 | 2013-08-28 | 富士フイルム株式会社 | 画像処理装置及び画像処理方法 |
KR101689867B1 (ko) * | 2010-09-15 | 2016-12-27 | 삼성전자주식회사 | 영상을 처리하는 방법, 이를 수행하는 영상처리장치 및 의료영상시스템 |
JP5844296B2 (ja) * | 2012-06-11 | 2016-01-13 | 富士フイルム株式会社 | 放射線画像処理装置および方法 |
CN104616255B (zh) * | 2015-01-11 | 2018-01-19 | 北京工业大学 | 基于乳腺x线图像的自适应增强方法 |
KR20160139163A (ko) | 2015-05-27 | 2016-12-07 | 삼성전자주식회사 | 엑스선 장치 및 그 제어방법 |
CN105701796B (zh) * | 2015-12-31 | 2018-09-18 | 上海联影医疗科技有限公司 | 乳房图像的厚度均衡方法及装置、乳房摄影系统 |
CN107292815B (zh) * | 2017-06-14 | 2020-09-01 | 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 |
CN107316291B (zh) * | 2017-06-14 | 2021-04-23 | 上海联影医疗科技股份有限公司 | 乳腺图像处理方法及乳腺成像设备 |
-
2017
- 2017-12-29 CA CA3067078A patent/CA3067078C/en active Active
- 2017-12-29 CA CA3168047A patent/CA3168047A1/en active Pending
- 2017-12-29 EP EP17914031.4A patent/EP3622476A4/en active Pending
- 2017-12-29 WO PCT/CN2017/120325 patent/WO2018227943A1/en unknown
- 2017-12-29 CN CN201780092082.9A patent/CN110832540B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000276590A (ja) * | 1999-03-19 | 2000-10-06 | Canon Inc | 画像処理装置、画像処理システム、画像処理方法、及び記憶媒体 |
JP2004326602A (ja) * | 2003-04-25 | 2004-11-18 | Canon Inc | 画像処理装置、画像処理方法、プログラム及び記録媒体 |
WO2008032610A1 (fr) * | 2006-09-12 | 2008-03-20 | Olympus Corporation | Système de traitement d'image et programme de traitement d'image |
CN101430759A (zh) * | 2008-12-04 | 2009-05-13 | 上海大学 | 优化的人脸识别预处理方法 |
CN103929570A (zh) * | 2013-01-16 | 2014-07-16 | 富士通株式会社 | 图像处理方法和系统 |
CN105637557A (zh) * | 2013-10-18 | 2016-06-01 | 株式会社理光 | 图像处理设备、图像处理系统、图像处理方法和记录介质 |
CN104574361A (zh) * | 2014-11-27 | 2015-04-29 | 沈阳东软医疗系统有限公司 | 一种乳腺外周组织均衡的图像处理方法和装置 |
CN105488765A (zh) * | 2015-11-23 | 2016-04-13 | 沈阳东软医疗系统有限公司 | 一种图像动态范围调整方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2018227943A1 (en) | 2018-12-20 |
EP3622476A1 (en) | 2020-03-18 |
CA3067078A1 (en) | 2018-12-20 |
CA3168047A1 (en) | 2018-12-20 |
EP3622476A4 (en) | 2020-04-01 |
CA3067078C (en) | 2022-10-04 |
CN110832540A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110832540B (zh) | 图像处理系统和方法 | |
US11562469B2 (en) | System and method for image processing | |
US11880978B2 (en) | Methods and systems for image processing | |
US11062449B2 (en) | Method and system for extracting vasculature | |
CN109493951B (zh) | 用于降低辐射剂量的系统和方法 | |
US11232543B2 (en) | System and method for image correction | |
CN112424835B (zh) | 用于图像重建的系统和方法 | |
CN111768343B (zh) | 用于促进检查肝脏肿瘤病例的系统和方法 | |
CN112368738B (zh) | 用于图像优化的系统和方法 | |
US10867375B2 (en) | Forecasting images for image processing | |
US10580181B2 (en) | Method and system for generating color medical image based on combined color table | |
CN111583246A (zh) | 利用ct切片图像对肝脏肿瘤进行分类的方法 | |
CN111166362B (zh) | 医学图像的显示方法及装置、存储介质及电子设备 | |
WO2023125683A1 (en) | Systems and methods for image reconstruction | |
CN113538419B (zh) | 一种图像处理方法和系统 | |
US20240185425A1 (en) | Methods and systems for image processing | |
RU2797310C2 (ru) | Способы и системы для обработки изображений | |
EP4207061A1 (en) | Systems and methods for feature information determination |
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 |