CN110853024A - 医疗图像处理方法、装置、存储介质及电子设备 - Google Patents

医疗图像处理方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN110853024A
CN110853024A CN201911117304.5A CN201911117304A CN110853024A CN 110853024 A CN110853024 A CN 110853024A CN 201911117304 A CN201911117304 A CN 201911117304A CN 110853024 A CN110853024 A CN 110853024A
Authority
CN
China
Prior art keywords
medical image
processing
processed
negation
processing method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911117304.5A
Other languages
English (en)
Other versions
CN110853024B (zh
Inventor
李蓝青
孙岩峰
陈宽
王少康
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.)
Beijing Infervision Technology Co Ltd
Infervision Co Ltd
Original Assignee
Infervision 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 Infervision Co Ltd filed Critical Infervision Co Ltd
Priority to CN201911117304.5A priority Critical patent/CN110853024B/zh
Publication of CN110853024A publication Critical patent/CN110853024A/zh
Application granted granted Critical
Publication of CN110853024B publication Critical patent/CN110853024B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Abstract

公开了一种医疗图像处理方法和装置、存储介质及电子设备，涉及计算机技术领域。该医疗图像处理方法包括：根据待处理医疗图像的属性信息，判断所述待处理医疗图像是否经过取反处理；若所述待处理医疗图像未经过所述取反处理，对所述待处理医疗图像进行所述取反处理，得到取反医疗图像；以及对所述取反医疗图像按照预设方式进行处理；其中，所述预设方式用于调整所述取反医疗图像的对比度。本申请的实施例提供的医疗图像处理方法可以应用在医疗图像的成像设备上，也可以应用在基于医疗图像的CAD算法的应用设备上，从而提高医疗图像对该CAD算法的友好度。

Description

医疗图像处理方法、装置、存储介质及电子设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种医疗图像处理方法、装置、存储介质及电子设备。
背景技术
目前，医疗成像作为医疗诊断的重要参考依据被广泛应用。例如，用于乳腺检查的钼靶成像、用于胸部检查的DR(Digital Radiography，直接数字平板X线成像系统)成像等。但是，这些成像方法得到的医疗图像存在人工诊断时间较长的问题。因此，基于医疗图像的计算机辅助诊断(Computer-Aided Diagnosis,CAD)算法的应用变得很有意义。但是，基于医疗图像的CAD算法存在鲁棒性较差的问题。
因此，如何提高基于医疗图像的CAD算法的鲁棒性成为亟待解决的问题。
发明内容
有鉴于此，本申请实施例致力于提供一种医疗图像处理方法和装置、医疗图像中病灶的识别方法和装置、存储介质及电子设备，以解决现有技术中基于医疗图像的CAD算法鲁棒性较差的问题。
本申请一方面提供了一种医疗图像处理方法，包括：根据待处理医疗图像的属性信息，判断所述待处理医疗图像是否经过取反处理；若所述待处理医疗图像未经过所述取反处理，对所述待处理医疗图像进行所述取反处理，得到取反医疗图像；以及对所述取反医疗图像按照预设方式进行处理；其中，所述预设方式用于调整所述取反医疗图像的对比度。
在本申请的一个实施例中，所述属性信息包括所述待处理医疗图像的头文件信息中关于所述取反处理的字段。
在本申请的一个实施例中，所述对所述待处理医疗图像进行所述取反处理包括：对所述待处理医疗图像进行二值化处理，得到第一医疗图像和所述第一医疗图像的边界灰度阈值；将所述第一医疗图像的所述边界灰度阈值减去所述待处理医疗图像的灰度值，得到第二医疗图像；以及对所述第二医疗图像使用加窗函数，得到第三医疗图像；其中，所述第三医疗图像为所述取反医疗图像。
在本申请的一个实施例中，所述二值化处理采用的方法包括最大类间方差法、直方图法、梯度法或边缘搜索法。
在本申请的一个实施例中，所述对所述取反医疗图像按照预设方式进行处理包括：对所述取反医疗图像进行锐化处理、边缘补偿处理或去噪处理。
在本申请的一个实施例中，所述锐化处理包括非线性变换或线性变换；或，所述去噪处理采用的方法包括高斯滤波法、中值滤波法或高低通滤波法。
在本申请的一个实施例中，在所述对所述取反医疗图像按照预设方式进行处理之后，得到展示医疗图像；其中，所述医疗图像处理方法进一步包括：采用深度生成神经网络模型对所述展示医疗图像进行处理。
在本申请的一个实施例中，所述深度生成神经网络模型包括生成对抗网络模型和变分自编码器网络模型中的至少一种。
在本申请的一个实施例中，在所述对所述取反医疗图像按照预设方式进行处理之后，得到展示医疗图像；其中，所述医疗图像处理方法进一步包括：对所述展示医疗图像进行非线性变换或线性变换。
本申请另一方面提供了一种医疗图像中病灶的识别方法，包括：获取经上述第一方面中任一项所述的医疗图像处理方法处理后的医疗图像；以及对处理后的所述医疗图像进行病灶识别。
本申请再一方面提供了一种医疗图像处理装置，包括：判断模块，用于根据待处理医疗图像的属性信息，判断所述待处理医疗图像是否经过取反处理；取反模块，用于若所述待处理医疗图像未经过所述取反处理，对所述待处理医疗图像进行所述取反处理，得到取反医疗图像；以及第一调整模块，用于对所述取反医疗图像按照预设方式进行处理；其中，所述预设方式用于调整所述取反医疗图像的对比度。
在本申请的一个实施例中，所述属性信息包括所述待处理医疗图像的头文件信息中关于所述取反处理的字段。
在本申请的一个实施例中，所述取反模块对所述待处理医疗图像进行二值化处理，得到第一医疗图像和所述第一医疗图像的边界灰度阈值，将所述第一医疗图像的所述边界灰度阈值减去所述待处理医疗图像的灰度值，得到第二医疗图像，以及对所述第二医疗图像使用加窗函数，得到第三医疗图像；其中，所述第三医疗图像为所述取反医疗图像。
在本申请的一个实施例中，所述二值化处理采用的方法包括最大类间方差法、直方图法、梯度法或边缘搜索法。
在本申请的一个实施例中，所述第一调整模块对所述取反医疗图像进行锐化处理、边缘补偿处理或去噪处理。
在本申请的一个实施例中，所述锐化处理包括非线性变换或线性变换；或，所述去噪处理采用的方法包括高斯滤波法、中值滤波法或高低通滤波法。
在本申请的一个实施例中，在所述对所述取反医疗图像按照预设方式进行处理之后，得到展示医疗图像；其中，所述医疗图像处理装置进一步包括第二调整模块，用于采用深度生成神经网络模型对所述展示医疗图像进行处理。
在本申请的一个实施例中，所述深度生成神经网络模型包括生成对抗网络模型和变分自编码器网络模型中的至少一种。
在本申请的一个实施例中，在所述对所述取反医疗图像按照预设方式进行处理之后，得到展示医疗图像；其中，所述医疗图像处理装置进一步包括第三调整模块，用于对所述展示医疗图像进行非线性变换或线性变换。
本申请又一方面提供了一种医疗图像中病灶的识别装置，包括：获取模块，用于获取经上述第一方面中任一项所述的医疗图像处理方法处理后的医疗图像；以及识别模块，用于对所述处理后的医疗图像进行病灶识别。
本申请又一方面提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述第一方面中任一项所述的医疗图像处理方法，或，所述计算机程序用于执行上述第二方面所述的医疗图像中病灶的识别方法。
本申请又一方面提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于执行上述第一方面中任一项所述的医疗图像处理方法，或，用于执行上述第二方面所述的医疗图像中病灶的识别方法。
在本申请的实施例中，通过对待处理医疗图像的属性信息的判断，从而确定了该待处理医疗图像是否经过了取反处理。由于取反处理是后处理系统的处理过程的第一步，因此，对待处理医疗图像进行是否经过取反处理的判断即可确定该待处理医疗图像是否经过后处理系统的处理。
当本申请的实施例提供的医疗图像处理方法应用在医疗图像的成像设备上，且该成像设备无后处理系统时，该医疗图像处理方法可以对通过该成像设备得到的原始图像进行后处理，以便使得通过该成像设备得到的医疗图像可以适合展示。此外，由于适合展示的医疗图像对于基于医疗图像的CAD算法是友好的，因此，通过该成像设备得到的医疗图像对于该基于医疗图像的CAD算法就是友好的。也就是说，提高了通过该成像设备得到的医疗图像对该基于医疗图像的CAD算法的友好度。
当本申请的实施例提供的医疗图像处理方法应用在医疗图像的成像设备上，且该成像设备有后处理系统时，该医疗图像处理方法可以用于判断通过该成像设备得到的医疗图像是否经过了该成像设备自带的后处理系统的处理。在确定通过该成像设备得到的图像经过该成像设备自带的后处理系统处理后，可以对该成像设备进行调整，以便阻止该成像设备的后处理系统对该成像设备拍摄的图像进行处理。也就是说，可以用本申请的实施例提供的医疗图像的处理方法取代该成像设备自带的后处理系统对该成像设备拍摄的原始图像进行处理，从而避免由于该成像设备自带的后处理系统的处理效果不好而导致的医疗图像对基于医疗图像的CAD算法不友好。换句话说，当经该成像设备自带的后处理系统处理后的医疗图像不适合展示时，该处理后的医疗图像对基于医疗图像的CAD算法是不友好的。为了改善这种情况，可以在该成像设备中安装本申请的实施例提供的医疗图像处理方法，从而避免该成像设备拍摄的原始图像被该后处理系统处理。替代地，该成像设备拍摄的原始图像将被本申请的实施例提供的医疗图像处理方法处理，从而提高通过该成像设备得到的医疗图像对该基于医疗图像的CAD算法的友好度。
再有，当本申请的实施例提供的医疗图像处理方法应用在基于医疗图像的CAD算法的应用设备上时，在进行该CAD算法之前，可以对输入的医疗图像进行是否经过取反处理的判断。当输入的医疗图像未经过取反处理时，本申请的实施例提供的医疗图像处理方法可以对该输入的医疗图像进行处理，以便使得该输入的医疗图像可以适合展示，进而提高了输入的医疗图像对该应用设备上的基于医疗图像的CAD算法的友好度。
在这样的情况下，由于医疗图像的成像设备和基于医疗图像的CAD算法的应用设备均采用了本申请的实施例提供的医疗图像处理方法，从而使得该CAD算法处理的医疗图像可以具有相同或者相近的处理基准，进而提高了医疗图像对于该CAD算法的友好度，也就是说，提高了该CAD算法的鲁棒性、泛化性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是根据本申请一个实施例的医疗图像处理方法的流程示意图。
图2是根据本申请另一个实施例的医疗图像处理方法的流程示意图。
图3a是根据本申请一个实施例的待处理医疗图像的示意图。
图3b是根据本申请一个实施例的取反医疗图像的示意图。
图3c是根据本申请一个实施例的取反医疗图像经锐化处理后的示意图。
图3d是根据本申请一个实施例的展示医疗图像的示意图。
图3e至3i分别是根据本申请的一个实施例的展示医疗图像经传统处理方式处理后的示意图。
图4是根据本申请一个实施例的医疗图像中病灶的识别方法的流程示意图。
图5是根据本申请一个实施例的医疗图像处理装置的结构示意图。
图6是根据本申请另一个实施例的医疗图像处理装置的结构示意图。
图7是根据本申请又一个实施例的医疗图像处理装置的结构示意图。
图8是根据本申请一个实施例的医疗图像中病灶的识别装置的结构示意图。
图9是根据本申请一个实施例的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
申请概述
正如背景技术所述，目前的基于医疗图像的CAD算法存在鲁棒性较差的问题。这些医疗图像可以是灰度图像，且存在像素值变化范围广以及对比度不确定的特点。例如，像素值的范围可以分布在0到4095，甚至上万。下面以乳腺钼靶图像为例，对上述问题的产生原因进行详细说明。
乳腺钼靶是目前临床上普遍应用的筛查手段。它采用X射线成像方法，且经X射线成像后，得到的是乳腺钼靶的原始图像。但是，由于市场定位的不同，有些厂商在钼靶设备上配置了乳腺钼靶的原始图像的后处理系统，然而另外一些厂商却没有在钼靶设备上配置原始图像的后处理系统，从而导致了乳腺钼靶图像有些是经过后处理的，然而另外一些却是没有经过后处理的。在这里，未经过后处理系统处理的乳腺钼靶图像可以是乳腺钼靶的原始图像。
此外，对于那些经过后处理系统处理的乳腺钼靶图像来说，由于不同厂商的后处理系统的处理方式不同，因此，展示效果不同。例如，有些厂商的后处理系统仅对乳腺钼靶的原始图像进行了取反处理，而另一些厂商的后处理系统除了对乳腺钼靶的原始图像进行了取反处理外，还进行了利于展示的优化处理，但不同厂商的优化处理方式不同，从而导致乳腺钼靶图像的展示效果不同。
由此可知，目前乳腺钼靶图像的处理基准并不相同。且正是由于处理基准不同，才导致这些乳腺钼靶图像对于目前的基于乳腺钼靶图像的CAD算法不友好，进而导致基于乳腺钼靶图像的CAD算法出现了鲁棒性较差的问题。在这里，该基于乳腺钼靶图像的CAD算法可以是指乳腺病灶诊断的识别算法。
因此，若是能将乳腺钼靶图像的处理基准调整为相近或相同，将有效改善乳腺钼靶图像对基于乳腺钼靶图像的CAD算法的友好度，进而改善基于乳腺钼靶图像的CAD算法的鲁棒性。
示例性方法
图1是根据本申请一个实施例的医疗图像处理方法的流程示意图。
如图1所示，该医疗图像处理方法可以包括如下步骤。
步骤110，根据待处理医疗图像的属性信息，判断待处理医疗图像是否经过取反处理。
具体地，该待处理医疗图像可以是指上述“申请概述”部分论述的目前得到的医疗图像。例如，该待处理医疗图像可以是指上述“申请概述”部分论述的乳腺钼靶图像。
上述属性信息可以是指表征待处理医疗图像是否经过取反处理的信息。具体地，当经过取反处理时，该待处理医疗图像可以包括该属性信息，且该属性信息指示该待处理医疗图像经过取反处理。当未经过取反处理时，该待处理医疗图像可以不包括该属性信息，或者，该待处理医疗图像包括该属性信息，但该属性信息指示该待处理医疗图像未经过取反处理。例如，在本申请的一个实施例中，该属性信息可以包括待处理医疗图像的头文件信息中关于取反处理的字段。
步骤120，若待处理医疗图像未经过取反处理，对待处理医疗图像进行取反处理，得到取反医疗图像。
具体地，取反医疗图像可以是指待处理医疗图像经过取反处理后的图像。对应到医疗领域的术语来说，取反处理前的图像可以是指反片，取反处理后的图像可以是指正片。
取反处理可以是指反转图像的像素强度，使图像中的前景变为背景，使背景变为前景。例如，像素值0变为255，像素值1变为254，……，像素值254变为1，像素值255变为0。对应的查找表可以为lookup[256]＝{255，254，……，1，0}。由此可见，取反处理的过程是一个一对一的映射过程。
步骤130，对取反医疗图像按照预设方式进行处理。该预设方式可以用于调整取反医疗图像的对比度。
具体地，该预设方式可以是任意一种对对比度进行调整的处理方式，也可以是多种处理方式的组合来调整对比度，以便得到较好的对比度，从而使得调整后的医疗图像可以适合展示。在这里，适合展示的医疗图像可以是指便于进行病灶识别的医疗图像。
在本申请的实施例中，通过对待处理医疗图像的属性信息的判断，从而确定了该待处理医疗图像是否经过了取反处理。由于取反处理是后处理系统的处理过程的第一步，因此，对待处理医疗图像进行是否经过取反处理的判断即可确定该待处理医疗图像是否经过后处理系统的处理。
当本申请的实施例提供的医疗图像处理方法应用在医疗图像的成像设备上，且该成像设备无后处理系统时，该医疗图像处理方法可以对通过该成像设备得到的原始图像进行后处理，以便使得通过该成像设备得到的医疗图像可以适合展示。此外，由于适合展示的医疗图像对于基于医疗图像的CAD算法是友好的，因此，通过该成像设备得到的医疗图像对于该基于医疗图像的CAD算法就是友好的。也就是说，提高了通过该成像设备得到的医疗图像对该基于医疗图像的CAD算法的友好度。
当本申请的实施例提供的医疗图像处理方法应用在医疗图像的成像设备上，且该成像设备有后处理系统时，该医疗图像处理方法可以用于判断通过该成像设备得到的医疗图像是否经过了该成像设备自带的后处理系统的处理。在确定通过该成像设备得到的图像经过该成像设备自带的后处理系统处理后，可以对该成像设备进行调整，以便阻止该成像设备的后处理系统对该成像设备拍摄的图像进行处理。也就是说，可以用本申请的实施例提供的医疗图像的处理方法取代该成像设备自带的后处理系统对该成像设备拍摄的原始图像进行处理，从而避免由于该成像设备自带的后处理系统的处理效果不好而导致的医疗图像对基于医疗图像的CAD算法不友好。换句话说，当经该成像设备自带的后处理系统处理后的医疗图像不适合展示时，该处理后的医疗图像对基于医疗图像的CAD算法是不友好的。为了改善这种情况，可以在该成像设备中安装本申请的实施例提供的医疗图像处理方法，从而避免该成像设备拍摄的原始图像被该后处理系统处理。替代地，该成像设备拍摄的原始图像将被本申请的实施例提供的医疗图像处理方法处理，从而提高通过该成像设备得到的医疗图像对该基于医疗图像的CAD算法的友好度。
再有，当本申请的实施例提供的医疗图像处理方法应用在基于医疗图像的CAD算法的应用设备上时，在进行该CAD算法之前，可以对输入的医疗图像进行是否经过取反处理的判断。当输入的医疗图像未经过取反处理时，本申请的实施例提供的医疗图像处理方法可以对该输入的医疗图像进行处理，以便使得该输入的医疗图像可以适合展示，进而提高了输入的医疗图像对该应用设备上的基于医疗图像的CAD算法的友好度。
在这样的情况下，由于医疗图像的成像设备和基于医疗图像的CAD算法的应用设备均采用了本申请的实施例提供的医疗图像处理方法，从而使得该CAD算法处理的医疗图像可以具有相同或者相近的处理基准，进而提高了医疗图像对于该CAD算法的友好度，也就是说，提高了该CAD算法的鲁棒性、泛化性。
图2是根据本申请另一个实施例的医疗图像处理方法的流程示意图。图3a是根据本申请一个实施例的待处理医疗图像的示意图。图3b是根据本申请一个实施例的取反医疗图像的示意图。
在本申请的一个实施例中，如图2所示，步骤120可以具体包括如下步骤。
步骤1202，对待处理医疗图像(如图3a所示)进行二值化处理，得到第一医疗图像和第一医疗图像的边界灰度阈值。二值化的目的是为了将待处理医疗图像中的目标最大限度保留下来。例如，当该待处理医疗图像对应的是乳腺钼靶图像时，该目标可以是指乳腺。
具体地，在本申请的一个实施例中，该二值化处理采用的方法可以包括最大类间方差(OTSU)法、直方图法、梯度法或边缘搜索法。
最大类间方差法是一种自适应的阈值确定的方法。它可以按照待处理医疗图像的灰度特性，将待处理医疗图像分成背景和目标两部分，或者说，寻找一个分割阈值K，将待处理医疗图像分为背景和目标两部分。具体地，该方法的原理是让背景和目标之间的类间方差最大，且类间方差的最大值对应的阈值即为背景和目标之间的分割阈值K。在这里，背景和目标之间的类间方差越大，背景和目标的差别越大，错分的可能性越小。在这里，可以在目标中取得边界灰度阈值。
直方图法可以包括：构造待处理医疗图像的频率直方图，确定该直方图中的两个最大的波峰，确定这两个最大的波峰之间的最小的波谷，以及将该波谷对应的像素值确定为待处理医疗图像的背景和目标的分割阈值。在这里，也可以在目标中取得边界灰度阈值。
梯度法可以包括：计算待处理医疗图像的多个局部区域的像素值的梯度，确定多个局部区域中像素值变化速度最剧烈的区域，以及在被确定的区域中取得边界灰度阈值。
边缘搜索法可以包括：确定待处理医疗图像的目标的一个边缘点，按照顺时针方向搜索该边缘点的8个邻点，在这8个邻点中确定下一个边缘点，以及如此循环搜索，直至得到一个闭合的点序列。在这里，该点序列可以是指待处理医疗图像中目标的边缘。也就是说，目标的边缘确定之后，目标也就确定了。在这里，也可以在目标中取得边界灰度阈值。
步骤1204，将第一医疗图像的边界灰度阈值减去待处理医疗图像的灰度值，得到第二医疗图像。
具体地，边界灰度阈值可以是指第一医疗图像中各个位置的像素点的像素值。待处理医疗图像的灰度值可以是指待处理医疗图像中各个位置的像素点的像素值。
步骤1206，对第二医疗图像使用加窗函数，得到第三医疗图像。在这里，第三医疗图像可以为取反医疗图像(如图3b所示)。
具体地，对第二医疗图像使用加窗函数可以是指将第二医疗图像的像素值映射到固定的范围内，或者说，对第二医疗图像添加一个像素值范围，从而得到清晰的第三医疗图像，或者说，排除其它像素值对人眼或者识别模型的影响。也就是说，第三医疗图像相较于第二医疗图像更清晰。在这个映射过程中，加窗函数结合了窗宽和窗位进行计算。例如，当第二医疗图像的像素值的分布范围为[0,1000]时，对该第二医疗图像增加一个窗宽为200、窗位为500的窗后，该第二医疗图像中像素值小于400的像素点的像素值被置为400，像素值大于600的像素点的像素值被置为600，而其它像素点的像素值不变。
在这里，窗宽和窗位可以通过对第二医疗图像进行计算后获得。例如，可以对第二医疗图像进行计算，选取95％的图像的像素值的分布范围，排除5％的图像的极端的像素值，从而得到窗宽和窗位。窗位可以是第二医疗图像中待观察的人体组织(例如，乳腺)的观察中心的像素值。窗宽可以是能够被人眼识别的像素值范围。
图3c是根据本申请一个实施例的取反医疗图像经锐化处理后的示意图。
在本申请的一个实施例中，步骤130可以进一步包括：对取反医疗图像进行锐化处理、边缘补偿处理或去噪处理，以便对取反医疗图像进行优化。
具体地，在本申请的一个实施例中，锐化处理可以包括非线性变换或直方图均衡变换等，以便对取反医疗图像(如图3b所示)的局部或全局的对比度进行增强(如图3c所示)。
在本申请的另一个实施例中，去噪处理采用的方法可以包括高斯滤波法、中值滤波法或高低通滤波法。
具体地，高斯滤波法可以是指对整幅取反医疗图像的像素值进行加权平均的过程，针对每一个像素点的像素值，可以由该像素点本身的像素值和邻域内的其它像素值经加权平均后获得。中值滤波法可以是指将取反医疗图像中每一个像素点的灰度值设置为该像素点的一个邻域窗口内的所有像素点的灰度值的中值。高低通滤波法可以是指包括高通滤波和低通滤波中的至少一种。在这里，高通滤波可以是指去掉取反医疗图像中的高频分量，留下低频分量。低通滤波可以是指去掉取反医疗图像中的低频分量，留下高频分量。高频分量可以是指取反医疗图像中强度(亮度/灰度)变化比较平缓的部分。低频分量可以是指取反医疗图像中强度(亮度/灰度)变化比较强的部分。
在本申请的另一个实施例中，当待处理医疗图像对应的是乳腺钼靶图像时，反片的灰度值对应的是X射线对乳腺组织的穿透率。由于边缘效应导致X射线在穿透乳房边缘时，乳房的有效厚度降低，从而导致反片在乳房边缘的存在对比度失真的问题。为了解决这个问题，在得到取反医疗图像之后，该医疗图像处理方法可以进一步包括对取反医疗图像进行边缘补偿处理，以便对补偿乳房边缘的对比度。
在本申请的一个实施例中，在步骤130之后，得到展示医疗图像。该医疗图像处理方法可以进一步包括：采用深度生成神经网络模型对展示医疗图像进行处理。
具体地，在本申请的一个实施例中，该深度生成神经网络模型可以包括生成对抗网络模型和变分自编码器网络模型中的至少一种。
图3d是根据本申请一个实施例的展示医疗图像的示意图。图3e至3i分别是根据本申请的一个实施例的展示医疗图像经传统处理方式处理后的示意图。
可选地，在本申请的另一个实施例中，在步骤130之后，得到展示医疗图像(如图3d所示)之后，该医疗图像处理方法可以进一步包括：对展示医疗图像(如图3d所示)按照传统处理方式进行处理。例如，该传统处理方式可以包括非线性变换或线性变换。该非线性变换采用的方法可以包括全局或局部的直方图均衡化法(如图3e所示)、sigmoid法(如图3f所示)、双向sigmoid法(如图3g所示)、逆sigmoid法(如图3h所示)等。经线性变换后可以如图3i所示。
具体地，在本申请的实施例中，对展示医疗图像进行深度生成神经网络模型处理或进行上述传统处理方式处理的目的是为了生成更多的训练样本，以便对基于医疗图像的CAD算法进行训练，从而提高该基于医疗图像的CAD算法的准确性。
上面描述了根据本申请的实施例的医疗图像处理方法，下面结合图4描述根据本申请的实施例的医疗图像中病灶的识别方法。
图4是根据本申请一个实施例的医疗图像中病灶的识别方法的流程示意图。
如图4所示，该医疗图像中病灶的识别方法可以包括如下步骤。
步骤410，获取经由本申请的实施例提供的任一项医疗图像处理方法处理后的医疗图像。
步骤420，对该处理后的医疗图像进行病灶识别。
该处理后的医疗图像的具体处理过程可以参考上述医疗图像处理方法的实施例，为了避免重复，这里不再赘述。
在本申请的实施例中，通过对待处理医疗图像的属性信息的判断，从而确定了该待处理医疗图像是否经过了取反处理。由于取反处理是后处理系统的处理过程的第一步，因此，对待处理医疗图像进行是否经过取反处理的判断即可确定该待处理医疗图像是否经过后处理系统的处理。
当本申请的实施例提供的医疗图像处理方法应用在医疗图像的成像设备上，且该成像设备无后处理系统时，该医疗图像处理方法可以对通过该成像设备得到的原始图像进行后处理，以便使得通过该成像设备得到的医疗图像可以适合展示。此外，由于适合展示的医疗图像对于基于医疗图像的CAD算法是友好的，因此，通过该成像设备得到的医疗图像对于该基于医疗图像的CAD算法就是友好的。也就是说，提高了通过该成像设备得到的医疗图像对该基于医疗图像的CAD算法的友好度。
当本申请的实施例提供的医疗图像处理方法应用在医疗图像的成像设备上，且该成像设备有后处理系统时，该医疗图像处理方法可以用于判断通过该成像设备得到的医疗图像是否经过了该成像设备自带的后处理系统的处理。在确定通过该成像设备得到的图像经过该成像设备自带的后处理系统处理后，可以对该成像设备进行调整，以便阻止该成像设备的后处理系统对该成像设备拍摄的图像进行处理。也就是说，可以用本申请的实施例提供的医疗图像的处理方法取代该成像设备自带的后处理系统对该成像设备拍摄的原始图像进行处理，从而避免由于该成像设备自带的后处理系统的处理效果不好而导致的医疗图像对基于医疗图像的CAD算法不友好。换句话说，当经该成像设备自带的后处理系统处理后的医疗图像不适合展示时，该处理后的医疗图像对基于医疗图像的CAD算法是不友好的。为了改善这种情况，可以在该成像设备中安装本申请的实施例提供的医疗图像处理方法，从而避免该成像设备拍摄的原始图像被该后处理系统处理。替代地，该成像设备拍摄的原始图像将被本申请的实施例提供的医疗图像处理方法处理，从而提高通过该成像设备得到的医疗图像对该基于医疗图像的CAD算法的友好度。
再有，当本申请的实施例提供的医疗图像处理方法应用在基于医疗图像的CAD算法的应用设备上时，在进行该CAD算法之前，可以对输入的医疗图像进行是否经过取反处理的判断。当输入的医疗图像未经过取反处理时，本申请的实施例提供的医疗图像处理方法可以对该输入的医疗图像进行处理，以便使得该输入的医疗图像可以适合展示，进而提高了输入的医疗图像对该应用设备上的基于医疗图像的CAD算法的友好度。
在这样的情况下，由于医疗图像的成像设备和基于医疗图像的CAD算法的应用设备均采用了本申请的实施例提供的医疗图像处理方法，从而使得该CAD算法处理的医疗图像可以具有相同或者相近的处理基准，进而提高了医疗图像对于该CAD算法的友好度，也就是说，提高了该CAD算法的鲁棒性、泛化性。
示例性装置
图5是根据本申请一个实施例的医疗图像处理装置的结构示意图。
如图5所示，该医疗图像处理装置可以包括判断模块510、取反模块520和第一调整模块530。判断模块510用于根据待处理医疗图像的属性信息，判断待处理医疗图像是否经过取反处理。取反模块520用于若待处理医疗图像未经过取反处理，对待处，理医疗图像进行取反处理，得到取反医疗图像。第一调整模块530用于对取反医疗图像按照预设方式进行处理。预设方式用于调整取反医疗图像的对比度。
在本申请的实施例中，通过对待处理医疗图像的属性信息的判断，从而确定了该待处理医疗图像是否经过了取反处理。由于取反处理是后处理系统的处理过程的第一步，因此，对待处理医疗图像进行是否经过取反处理的判断即可确定该待处理医疗图像是否经过后处理系统的处理。
当本申请的实施例提供的医疗图像处理方法应用在医疗图像的成像设备上，且该成像设备无后处理系统时，该医疗图像处理方法可以对通过该成像设备得到的原始图像进行后处理，以便使得通过该成像设备得到的医疗图像可以适合展示。此外，由于适合展示的医疗图像对于基于医疗图像的CAD算法是友好的，因此，通过该成像设备得到的医疗图像对于该基于医疗图像的CAD算法就是友好的。也就是说，提高了通过该成像设备得到的医疗图像对该基于医疗图像的CAD算法的友好度。
当本申请的实施例提供的医疗图像处理方法应用在医疗图像的成像设备上，且该成像设备有后处理系统时，该医疗图像处理方法可以用于判断通过该成像设备得到的医疗图像是否经过了该成像设备自带的后处理系统的处理。在确定通过该成像设备得到的图像经过该成像设备自带的后处理系统处理后，可以对该成像设备进行调整，以便阻止该成像设备的后处理系统对该成像设备拍摄的图像进行处理。也就是说，可以用本申请的实施例提供的医疗图像的处理方法取代该成像设备自带的后处理系统对该成像设备拍摄的原始图像进行处理，从而避免由于该成像设备自带的后处理系统的处理效果不好而导致的医疗图像对基于医疗图像的CAD算法不友好。换句话说，当经该成像设备自带的后处理系统处理后的医疗图像不适合展示时，该处理后的医疗图像对基于医疗图像的CAD算法是不友好的。为了改善这种情况，可以在该成像设备中安装本申请的实施例提供的医疗图像处理方法，从而避免该成像设备拍摄的原始图像被该后处理系统处理。替代地，该成像设备拍摄的原始图像将被本申请的实施例提供的医疗图像处理方法处理，从而提高通过该成像设备得到的医疗图像对该基于医疗图像的CAD算法的友好度。
再有，当本申请的实施例提供的医疗图像处理方法应用在基于医疗图像的CAD算法的应用设备上时，在进行该CAD算法之前，可以对输入的医疗图像进行是否经过取反处理的判断。当输入的医疗图像未经过取反处理时，本申请的实施例提供的医疗图像处理方法可以对该输入的医疗图像进行处理，以便使得该输入的医疗图像可以适合展示，进而提高了输入的医疗图像对该应用设备上的基于医疗图像的CAD算法的友好度。
在这样的情况下，由于医疗图像的成像设备和基于医疗图像的CAD算法的应用设备均采用了本申请的实施例提供的医疗图像处理方法，从而使得该CAD算法处理的医疗图像可以具有相同或者相近的处理基准，进而提高了医疗图像对于该CAD算法的友好度，也就是说，提高了该CAD算法的鲁棒性、泛化性。
在本申请的一个实施例中，属性信息包括待处理医疗图像的头文件信息中关于取反处理的字段。
在本申请的一个实施例中，取反模块520对待处理医疗图像进行二值化处理，得到第一医疗图像和第一医疗图像的边界灰度阈值，将第一医疗图像的边界灰度阈值减去待处理医疗图像的灰度值，得到第二医疗图像，以及对第二医疗图像使用加窗函数，得到第三医疗图像。在这里，第三医疗图像可以为取反医疗图像。
在本申请的一个实施例中，二值化处理采用的方法包括最大类间方差法、直方图法、梯度法或边缘搜索法。
在本申请的一个实施例中，第一调整模块530对取反医疗图像进行锐化处理、边缘补偿处理或去噪处理。
在本申请的一个实施例中，锐化处理包括非线性变换或线性变换；或，去噪处理采用的方法包括高斯滤波法、中值滤波法或高低通滤波法。
图6是根据本申请另一个实施例的医疗图像处理装置的结构示意图。
在本申请的一个实施例中，在对取反医疗图像按照预设方式进行处理之后，得到展示医疗图像。如图6所示，该医疗图像处理装置可以进一步包括第二调整模块540。第二调整模块540可以采用深度生成神经网络模型对展示医疗图像进行处理。
在本申请的一个实施例中，深度生成神经网络模型包括生成对抗网络模型和变分自编码器网络模型中的至少一种。
图7是根据本申请又一个实施例的医疗图像处理装置的结构示意图。
在本申请的一个实施例中，在对取反医疗图像按照预设方式进行处理之后，得到展示医疗图像。如图7所示，该医疗图像处理装置可以进一步包括第三调整模块550，用于对展示医疗图像进行非线性变换或线性变换。
医疗图像处理装置中的各个模块的操作和功能可以参考上述“示例性方法”中的医疗图像处理的实施例，为了避免重复，这里不再赘述。
上面描述了根据本申请的实施例的医疗图像处理装置，下面结合图8描述根据本申请的实施例的医疗图像中病灶的识别装置。
图8是根据本申请一个实施例的医疗图像中病灶的识别装置的结构示意图。
如图8所示，该医疗图像中病灶的识别装置可以包括获取模块810，用于获取经由本申请的实施例提供的任一项医疗图像处理方法处理后的医疗图像；以及识别模块820，用于对该处理后的医疗图像进行病灶识别。
在本申请的实施例中，通过对待处理医疗图像的属性信息的判断，从而确定了该待处理医疗图像是否经过了取反处理。由于取反处理是后处理系统的处理过程的第一步，因此，对待处理医疗图像进行是否经过取反处理的判断即可确定该待处理医疗图像是否经过后处理系统的处理。
当本申请的实施例提供的医疗图像处理方法应用在医疗图像的成像设备上，且该成像设备无后处理系统时，该医疗图像处理方法可以对通过该成像设备得到的原始图像进行后处理，以便使得通过该成像设备得到的医疗图像可以适合展示。此外，由于适合展示的医疗图像对于基于医疗图像的CAD算法是友好的，因此，通过该成像设备得到的医疗图像对于该基于医疗图像的CAD算法就是友好的。也就是说，提高了通过该成像设备得到的医疗图像对该基于医疗图像的CAD算法的友好度。
当本申请的实施例提供的医疗图像处理方法应用在医疗图像的成像设备上，且该成像设备有后处理系统时，该医疗图像处理方法可以用于判断通过该成像设备得到的医疗图像是否经过了该成像设备自带的后处理系统的处理。在确定通过该成像设备得到的图像经过该成像设备自带的后处理系统处理后，可以对该成像设备进行调整，以便阻止该成像设备的后处理系统对该成像设备拍摄的图像进行处理。也就是说，可以用本申请的实施例提供的医疗图像的处理方法取代该成像设备自带的后处理系统对该成像设备拍摄的原始图像进行处理，从而避免由于该成像设备自带的后处理系统的处理效果不好而导致的医疗图像对基于医疗图像的CAD算法不友好。换句话说，当经该成像设备自带的后处理系统处理后的医疗图像不适合展示时，该处理后的医疗图像对基于医疗图像的CAD算法是不友好的。为了改善这种情况，可以在该成像设备中安装本申请的实施例提供的医疗图像处理方法，从而避免该成像设备拍摄的原始图像被该后处理系统处理。替代地，该成像设备拍摄的原始图像将被本申请的实施例提供的医疗图像处理方法处理，从而提高通过该成像设备得到的医疗图像对该基于医疗图像的CAD算法的友好度。
再有，当本申请的实施例提供的医疗图像处理方法应用在基于医疗图像的CAD算法的应用设备上时，在进行该CAD算法之前，可以对输入的医疗图像进行是否经过取反处理的判断。当输入的医疗图像未经过取反处理时，本申请的实施例提供的医疗图像处理方法可以对该输入的医疗图像进行处理，以便使得该输入的医疗图像可以适合展示，进而提高了输入的医疗图像对该应用设备上的基于医疗图像的CAD算法的友好度。
在这样的情况下，由于医疗图像的成像设备和基于医疗图像的CAD算法的应用设备均采用了本申请的实施例提供的医疗图像处理方法，从而使得该CAD算法处理的医疗图像可以具有相同或者相近的处理基准，进而提高了医疗图像对于该CAD算法的友好度，也就是说，提高了该CAD算法的鲁棒性、泛化性。
示例性电子设备
图9是根据本申请一个实施例的电子设备10的结构示意图。
如图9所示，该电子设备10可以包括处理器11和用于存储处理器11可执行指令的存储器12。处理器11可以用于执行下述“示例性方法”中描述的根据本申请的任意一项实施例所述的医疗图像处理方法。
具体地，该电子设备10可以包括一个或多个处理器11和存储器12。处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现下述“示例性方法”中描述的根据本申请的任意一项实施例所述的医疗图像处理方法。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如，该输入装置13可以包括通信网络连接器、键盘、鼠标等。该输出装置14可以包括显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等。
当然，为了简化，图9中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
本申请的实施例提供了一种计算机可读存储介质。该存储介质存储有计算机程序，计算机程序用于执行“示例性方法”中描述的根据本申请的任意一项实施例所述的医疗图像处理方法。
具体地，除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的医疗图像处理方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的医疗图像处理方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (14)

1.一种医疗图像处理方法，其特征在于，包括：
根据待处理医疗图像的属性信息，判断所述待处理医疗图像是否经过取反处理；
若所述待处理医疗图像未经过所述取反处理，对所述待处理医疗图像进行所述取反处理，得到取反医疗图像；以及
对所述取反医疗图像按照预设方式进行处理；
其中，所述预设方式用于调整所述取反医疗图像的对比度。
2.根据权利要求1所述的医疗图像处理方法，其特征在于，所述属性信息包括所述待处理医疗图像的头文件信息中关于所述取反处理的字段。
3.根据权利要求1所述的医疗图像处理方法，其特征在于，所述对所述待处理医疗图像进行所述取反处理包括：
对所述待处理医疗图像进行二值化处理，得到第一医疗图像和所述第一医疗图像的边界灰度阈值；
将所述第一医疗图像的所述边界灰度阈值减去所述待处理医疗图像的灰度值，得到第二医疗图像；以及
对所述第二医疗图像使用加窗函数，得到第三医疗图像；
其中，所述第三医疗图像为所述取反医疗图像。
4.根据权利要求3所述的医疗图像处理方法，其特征在于，所述二值化处理采用的方法包括最大类间方差法、直方图法、梯度法或边缘搜索法。
5.根据权利要求1所述的医疗图像处理方法，其特征在于，所述对所述取反医疗图像按照预设方式进行处理包括：
对所述取反医疗图像进行锐化处理、边缘补偿处理或去噪处理。
6.根据权利要求5所述的医疗图像处理方法，其特征在于，所述锐化处理包括非线性变换或线性变换；或，所述去噪处理采用的方法包括高斯滤波法、中值滤波法或高低通滤波法。
7.根据权利要求1所述的医疗图像处理方法，其特征在于，在所述对所述取反医疗图像按照预设方式进行处理之后，得到展示医疗图像；
其中，所述医疗图像处理方法进一步包括：
采用深度生成神经网络模型对所述展示医疗图像进行处理。
8.根据权利要求7所述的医疗图像处理方法，其特征在于，所述深度生成神经网络模型包括生成对抗网络模型和变分自编码器网络模型中的至少一种。
9.根据权利要求1所述的医疗图像处理方法，其特征在于，在所述对所述取反医疗图像按照预设方式进行处理之后，得到展示医疗图像；
其中，所述医疗图像处理方法进一步包括：
对所述展示医疗图像进行非线性变换或线性变换。
10.一种医疗图像中病灶的识别方法，其特征在于，包括：
获取经上述权利要求1至9中任一项所述的医疗图像处理方法处理后的医疗图像；以及
对处理后的所述医疗图像进行病灶识别。
11.一种医疗图像处理装置，其特征在于，包括：
判断模块，用于根据待处理医疗图像的属性信息，判断所述待处理医疗图像是否经过取反处理；
取反模块，用于若所述待处理医疗图像未经过所述取反处理，对所述待处理医疗图像进行所述取反处理，得到取反医疗图像；以及
第一调整模块，用于对所述取反医疗图像按照预设方式进行处理；
其中，所述预设方式用于调整所述取反医疗图像的对比度。
12.一种医疗图像中病灶的识别装置，其特征在于，包括：
获取模块，用于获取经上述权利要求1至9中任一项所述的医疗图像处理方法处理后的医疗图像；以及
识别模块，用于对所述处理后的医疗图像进行病灶识别。
13.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-9中任一项所述的医疗图像处理方法，或，所述计算机程序用于执行上述权利要求10所述的医疗图像中病灶的识别方法。
14.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于执行上述权利要求1-9中任一项所述的医疗图像处理方法，或，用于执行上述权利要求10所述的医疗图像中病灶的识别方法。
CN201911117304.5A 2019-11-14 2019-11-14 医疗图像处理方法、装置、存储介质及电子设备 Active CN110853024B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911117304.5A CN110853024B (zh) 2019-11-14 2019-11-14 医疗图像处理方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911117304.5A CN110853024B (zh) 2019-11-14 2019-11-14 医疗图像处理方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN110853024A true CN110853024A (zh) 2020-02-28
CN110853024B CN110853024B (zh) 2020-12-22

Family

ID=69600447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911117304.5A Active CN110853024B (zh) 2019-11-14 2019-11-14 医疗图像处理方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN110853024B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111506074A (zh) * 2020-05-08 2020-08-07 佳木斯大学 一种农作物翻晒吸尘装置机器控制方法
CN112233126A (zh) * 2020-10-15 2021-01-15 推想医疗科技股份有限公司 医学图像的加窗方法及装置
CN113034434A (zh) * 2021-02-03 2021-06-25 深圳市第三人民医院(深圳市肝病研究所) 一种预测covid-19严重程度的多因素人工智能分析方法
CN113674185A (zh) * 2021-07-29 2021-11-19 昆明理工大学 一种基于融合多种图像生成技术的加权平均图像生成方法
CN114663653A (zh) * 2022-05-16 2022-06-24 南京佗道医疗科技有限公司 一种医学影像感兴趣区域的窗位窗宽计算方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101599174A (zh) * 2009-08-13 2009-12-09 哈尔滨工业大学 基于边缘和统计特征的水平集医学超声图像区域轮廓提取方法
CN101727666A (zh) * 2008-11-03 2010-06-09 深圳迈瑞生物医疗电子股份有限公司 图像分割方法及装置、图像倒置判断及胸片前后区分方法
CN101846513A (zh) * 2010-06-17 2010-09-29 中国人民解放军信息工程大学 标志图像识别及中心坐标提取方法
CN101916362A (zh) * 2010-05-28 2010-12-15 深圳大学 一种虹膜定位方法及虹膜识别系统
CN102324048A (zh) * 2011-09-07 2012-01-18 中国刑事警察学院 笔痕特征计算机量化比对辅助分析系统
US20130342692A1 (en) * 2011-01-26 2013-12-26 Nanjing University Ptz video visibility detection method based on luminance characteristic
CN106296699A (zh) * 2016-08-16 2017-01-04 电子科技大学 基于深度神经网络和多模态mri图像的脑肿瘤分割方法
CN106709917A (zh) * 2017-01-03 2017-05-24 青岛海信医疗设备股份有限公司 神经网络模型训练方法、装置及系统
CN109727253A (zh) * 2018-11-14 2019-05-07 西安大数据与人工智能研究院 基于深度卷积神经网络自动分割肺结节的辅助检测方法
CN107016676B (zh) * 2017-03-13 2019-11-08 三峡大学 一种基于pcnn的视网膜血管图像分割方法和系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101727666A (zh) * 2008-11-03 2010-06-09 深圳迈瑞生物医疗电子股份有限公司 图像分割方法及装置、图像倒置判断及胸片前后区分方法
CN101599174A (zh) * 2009-08-13 2009-12-09 哈尔滨工业大学 基于边缘和统计特征的水平集医学超声图像区域轮廓提取方法
CN101916362A (zh) * 2010-05-28 2010-12-15 深圳大学 一种虹膜定位方法及虹膜识别系统
CN101846513A (zh) * 2010-06-17 2010-09-29 中国人民解放军信息工程大学 标志图像识别及中心坐标提取方法
US20130342692A1 (en) * 2011-01-26 2013-12-26 Nanjing University Ptz video visibility detection method based on luminance characteristic
CN102324048A (zh) * 2011-09-07 2012-01-18 中国刑事警察学院 笔痕特征计算机量化比对辅助分析系统
CN106296699A (zh) * 2016-08-16 2017-01-04 电子科技大学 基于深度神经网络和多模态mri图像的脑肿瘤分割方法
CN106709917A (zh) * 2017-01-03 2017-05-24 青岛海信医疗设备股份有限公司 神经网络模型训练方法、装置及系统
CN107016676B (zh) * 2017-03-13 2019-11-08 三峡大学 一种基于pcnn的视网膜血管图像分割方法和系统
CN109727253A (zh) * 2018-11-14 2019-05-07 西安大数据与人工智能研究院 基于深度卷积神经网络自动分割肺结节的辅助检测方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111506074A (zh) * 2020-05-08 2020-08-07 佳木斯大学 一种农作物翻晒吸尘装置机器控制方法
CN111506074B (zh) * 2020-05-08 2022-08-26 佳木斯大学 一种农作物翻晒吸尘装置机器控制方法
CN112233126A (zh) * 2020-10-15 2021-01-15 推想医疗科技股份有限公司 医学图像的加窗方法及装置
CN113034434A (zh) * 2021-02-03 2021-06-25 深圳市第三人民医院(深圳市肝病研究所) 一种预测covid-19严重程度的多因素人工智能分析方法
CN113034434B (zh) * 2021-02-03 2022-09-02 深圳市第三人民医院(深圳市肝病研究所) 一种预测covid-19严重程度的多因素人工智能分析方法
CN113674185A (zh) * 2021-07-29 2021-11-19 昆明理工大学 一种基于融合多种图像生成技术的加权平均图像生成方法
CN113674185B (zh) * 2021-07-29 2023-12-08 昆明理工大学 一种基于融合多种图像生成技术的加权平均图像生成方法
CN114663653A (zh) * 2022-05-16 2022-06-24 南京佗道医疗科技有限公司 一种医学影像感兴趣区域的窗位窗宽计算方法
CN114663653B (zh) * 2022-05-16 2022-08-12 南京佗道医疗科技有限公司 一种医学影像感兴趣区域的窗位窗宽计算方法

Also Published As

Publication number Publication date
CN110853024B (zh) 2020-12-22

Similar Documents

Publication Publication Date Title
CN110853024B (zh) 医疗图像处理方法、装置、存储介质及电子设备
US11379975B2 (en) Classification and 3D modelling of 3D dento-maxillofacial structures using deep learning methods
CN110033456B (zh) 一种医疗影像的处理方法、装置、设备和系统
US10388018B2 (en) Image processing apparatus, image processing method, and storage medium
Zotin et al. Edge detection in MRI brain tumor images based on fuzzy C-means clustering
JP6900581B1 (ja) 顕微鏡スライド画像のための焦点重み付き機械学習分類器誤り予測
CN110176010B (zh) 一种图像检测方法、装置、设备及存储介质
US11669964B2 (en) Systems and methods to facilitate review of liver tumor cases
Kanwal et al. Region based adaptive contrast enhancement of medical X-ray images
US20100329533A1 (en) Image processing method and image processing apparatus
Kashyap et al. Energy-based active contour method for image segmentation
CN111166362B (zh) 医学图像的显示方法及装置、存储介质及电子设备
US10692215B2 (en) Image processing apparatus, image processing method, and storage medium
CN110610498A (zh) 乳腺钼靶图像处理方法、系统、存储介质及设备
Bhairannawar Efficient medical image enhancement technique using transform HSV space and adaptive histogram equalization
Hamad et al. Brain's tumor edge detection on low contrast medical images
CN116630762B (zh) 一种基于深度学习的多模态医学图像融合方法
Lee et al. Blind inverse gamma correction with maximized differential entropy
US9538920B2 (en) Standalone annotations of axial-view spine images
Lepcha et al. Medical image enhancement strategy based on morphologically processing of residuals using a special kernel
Azam et al. Smoke removal and image enhancement of laparoscopic images by an artificial multi-exposure image fusion method
US9153016B2 (en) Method and system for enhancing contrast of spatially-localized phenomena in mammography image
CN116433695B (zh) 一种乳腺钼靶图像的乳腺区域提取方法及系统
CN112884699B (zh) 用于分割图像数据的方法和图像处理设备和计算机程序产品
JP7159341B2 (ja) 正則化再構成のための学習ベースのボクセル進化

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: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085

Applicant after: Tuxiang Medical Technology Co., Ltd

Address before: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085

Applicant before: Beijing Tuoxiang Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant