CN111341419A - 医学图像的处理方法、装置、系统、控制系统及存储介质 - Google Patents

医学图像的处理方法、装置、系统、控制系统及存储介质 Download PDF

Info

Publication number
CN111341419A
CN111341419A CN202010102712.XA CN202010102712A CN111341419A CN 111341419 A CN111341419 A CN 111341419A CN 202010102712 A CN202010102712 A CN 202010102712A CN 111341419 A CN111341419 A CN 111341419A
Authority
CN
China
Prior art keywords
medical image
image
radiation intensity
region
network
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
CN202010102712.XA
Other languages
English (en)
Inventor
欧歌
张海鹏
张永忠
吴琼
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.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group 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 BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN202010102712.XA priority Critical patent/CN111341419A/zh
Publication of CN111341419A publication Critical patent/CN111341419A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • 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
    • G06T2207/20081—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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例提供了一种医学图像的处理方法、装置、系统、控制系统及存储介质。医学图像的处理方法包括：控制扫描设备在第一辐射强度下对待扫描对象进行扫描，得到第一医学图像；识别第一医学图像中的噪声区域和病变区域；控制扫描设备在第二辐射强度下对待扫描对象中与噪声区域和病变区域对应的部分进行扫描，得到第二医学图像；将第一医学图像与第二医学图像合并，得到第三医学图像并输出。本申请实施例通过将不同辐射强度下扫描得到的不同清晰度的医学图像进行合并，可在得到清晰度较高的图像的同时降低辐射危害。

Description

医学图像的处理方法、装置、系统、控制系统及存储介质
技术领域
本申请涉及图像处理技术领域，具体而言，本申请涉及一种医学图像的处理方法、装置、系统、控制系统及存储介质。
背景技术
现代医学影像检查，例如CT(Computed Tomography，电子计算机断层扫描)检查中，影响成像质量的一个重要因素是图像产生的噪声，噪声是由图像扫描过程中扫描设备的扫描辐射强度来决定的，辐射强度越大，噪声越低。辐射强度取决于X线管的管电压、管电流、过滤器及准直器孔径等。
为了降低噪声以提高图像质量，通常希望辐射强度较大，然而辐射强度过大对人体的伤害较大，可能有致癌风险，因此，迫切需要一种既能降低扫描辐射强度又能保证图像质量的技术。
发明内容
本申请针对现有方式的缺点，提出一种医学图像的处理方法、装置、系统、控制系统及存储介质，用以解决现有技术存在的无法同时兼顾图像质量和安全性的技术问题。
第一方面，本申请实施例提供了一种医学图像的处理方法，包括：
控制扫描设备在第一辐射强度下对待扫描对象进行扫描，得到第一医学图像；
识别第一医学图像中的噪声区域和病变区域；
控制扫描设备在第二辐射强度下对待扫描对象中与噪声区域和病变区域对应的部分进行扫描，得到第二医学图像；所述第二辐射强度大于所述第一辐射强度；
将第一医学图像与第二医学图像合并，得到第三医学图像并输出。
第二方面，本申请实施例提供了一种医学图像的处理装置，包括：
第一控制模块，用于控制扫描设备在第一辐射强度下对待扫描对象进行扫描，得到第一医学图像；
目标识别模块，用于识别第一医学图像中的噪声区域和病变区域；
第二控制模块，用于控制扫描设备在第二辐射强度下对待扫描对象中与噪声区域和病变区域对应的部分进行扫描，得到第二医学图像；第二辐射强度大于第一辐射强度；
图像合成模块，用于将第一医学图像与第二医学图像合并，得到第三医学图像并输出。
第三方面，本申请实施例提供了一种计算机控制系统，包括：
存储器；
处理器，与存储器电连接；
存储器存储有计算机程序，计算机程序由处理器执行以实现本申请实施例第一方面提供的医学图像的处理方法。
第四方面，本申请实施例提供了一种医学图像的处理系统，包括扫描设备以及本申请实施例第三方面提供的计算机控制系统，扫描设备与计算机控制系统电连接。
第五方面，本申请实施例提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现本申请实施例第一方面提供的医学图像的处理方法。
本申请实施例提供的技术方案，至少具有如下有益效果：
本申请实施例通过将不同辐射强度下扫描得到的不同清晰度的医学图像进行合并，可在得到清晰度较高的图像的同时降低辐射危害，具体地，通过低辐射强度下的第一次扫描可得到清晰度较低的初始图像(即第一医学图像)，通过在第一医学图像上识别出重点区域(即噪声区域和病变区域)并对该重点区域针对性地进行二次扫描，可得到清晰度较高的重点区域图像(即第二医学图像)，将重点区域图像和初始图像合并后，可得到完整的第三医学图像，第三医学图像中的重点区域清晰度较高，足以满足使用要求，而由于重点区域之外的其它区域在扫描时采用的辐射强度较低，使得第三医学图像的整个扫描过程中的整体辐射强度较低，进而使得整体扫描过程既提升扫描精度和图像质量，也能降低整体辐射强度以及辐射危害，提高检测过程的安全性。
本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例提供的一种医学图像的处理方法的流程示意图；
图2为本申请实施例提供所使用的一种图像分割模型的结构框架示意图；
图3为本申请实施例提供的另一种医学图像的处理方法的流程示意图；
图4为本申请实施例提供的一种医学图像的处理装置的结构框架示意图；
图5为本申请实施例提供的另一种医学图像的处理装置的结构框架示意图；
图6为本申请实施例提供的一种医学图像的处理系统的结构框架示意图；
图7为本申请实施例提供的一种计算机控制系统的结构框架示意图；
图8为本申请实施例提供的另一种医学图像的处理系统的结构框架示意图。
具体实施方式
下面详细描述本申请，本申请的实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的部件或具有相同或类似功能的部件。此外，如果已知技术的详细描述对于示出的本申请的特征是不必要的，则将其省略。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。
本申请实施例提供了一种医学图像的处理方法，如图1所示，该处理方法包括：
S101，控制扫描设备在第一辐射强度下对待扫描对象进行扫描，得到第一医学图像。
可选地，可以通过调节扫描设备的电压、电流等参数，使扫描设备的辐射强度达到第一辐射强度。
S102，识别第一医学图像中的噪声区域和病变区域。
可选地，采用图像分割模型对第一医学图像进行分割，确定出噪声区域和病变区域。噪声区域指医学图像中观察到的亮度水平产生随机波动的区域，以CT图像为例，噪声为一均匀物质扫描图像中各个点之间CT值的随机波动，也可以看作是由多种原因引起的图像矩阵中像素值的误差，产生该随机波动(或误差)的区域为噪声区域；病变区域指机体中产生病变的部分组织所处的区域。
可选地，图像分割模型由以下方式预先训练得出：获取标注有噪声区域和病变区域的多个第一样本图像作为第一训练集；在第一训练集上对图像分割模型进行训练。
可选地，图像分割模型包括级联的特征提取子网络、上采样子网络和图像分割子网络；特征提取子网络提取第一医学图像中各区域的区域特征；上采样子网络将各区域特征放大至第一医学图像中对应区域的尺寸一致，得到初始分割结果；图像分割子网络将初始分割结果与第一医学图像进行叠加，得到分割后的第一医学图像。从分割后的第一医学图像中可以确定出噪声区域、病变区域以及正常区域(即不产生噪声和病变的区域)。
可选地，特征提取子网络包括级联的多个特征提取单元，每个第一特征提取单元包括卷积层，部分特征提取单元还包括池化层；上采样子网络(unsampling)包括多个级联的上采样单元，每个上采样单元均包括卷积层和反卷积层。
在一个可选的实施方式中，特征提取子网络可以是VGG(Visual Geometry GroupNetwork，视觉几何群网络)，例如VGG16，由该VGG16和上采样子网络组成Unet网络，与图像分割子网络共同构成图像分割模型，该模型的一个示例性结构如图2所示。采用Unet网络来构建图像分割模型，可提高分割的准确率。
在另一个可选的实施方式中，上述的Unet网络可以用FCN(Fully ConvolutionalNetworks，全卷积网络)或其它神经网络代替，FCN网络结构简单，易于实现。
如图2所示，Unet网络(即图2中的U型结构)中U型结构的左半部分为VGG16网络，包括间隔排列的多个卷积层和池化层以及底部的两个卷积层；右半部分为上采样子网络，包括间隔排列的多个卷积层和反卷积层。
图2中以CT图像作为第一样本图像作为示例，下面参照图人对本申请实施例中的图像分割原理做进一步介绍：
U型结构左半部分(特征提取子网络)的卷积层通过卷积操作提取输入图像(如图2中的CT图像)中各区域的区域特征，池化层通过降维操作压缩提取到的各区域的区域特征，经过多次卷积操作和降维操作后实现对输入图像的特征提取。
U型结构右半部分(上采样子网络)的卷积层可将左半部分对应层提取到的各区域特征与本层的区域特征进行融合(如图2中带箭头的虚线所示)，以增强本层的特征图像的分辨率，反卷积层可将右半部分卷积层融合后包含各区域特征的特征图像放大，经过多次的融合和放大后可将包含各区域特征的特征图像恢复到原图(即输入图像)大小，并输出至图像分割子网络，得到分割掩膜(Mask)，即为初始分割结果。
图像分割子网络将分割掩膜和输入的CT图像叠加后形成了最终的图像分割结果。
S103，控制扫描设备在第二辐射强度下对待扫描对象中与噪声区域和病变区域对应的部分进行扫描，得到第二医学图像。
可选地，可以通过调节扫描设备的电压、电流等参数，使扫描设备的辐射强度达到第二辐射强度，第二辐射强度大于第一辐射强度。
以CT检查为例，CT检查过程中的辐射强度是由达到探测器的X线量子数(即X线的曝光剂量)来决定的，X线量子数的大小取决于X线管的管电压、管电流、滤过器及准直孔径等参数。因此，在CT检查过程中，可通过调节X线管的管电压、管电流等参数使CT扫描设备在第一辐射强度下或第二辐射强度下进行扫描。
在一个示例中，可将X线管的管电压设置为125kVp(kilovolt peak，千伏峰值)，管电流(第一管电流值)设置为100-150mAs(毫安秒)，从而使CT扫描设备在第二辐射强度下扫描CT图像；可将X线管的管电压设置为125kVp，管电流(第二管电流值)设置为第一管电流值的10％-20％(如10-30mAs)，从而使CT扫描设备在第一辐射强度下扫描CT图像。
在一个更具体的示例中，第一管电流值可以设置为125mAs，第二管电流值可以设置为25mAs。
在图像分割过程确定出第一医学图像中的噪声区域和病变区域后，本申请实施例的方案可针对该噪声区域和病变区域加大辐射强度进行二次扫描，得到针对噪声区域和病变区域的更为清晰的图像，而无需对全部区域加大辐射强度扫描，在保证图像清晰度的同时降低了扫描的辐射强度，提高了扫描的安全性。
S104，将第一医学图像与第二医学图像合并，得到第三医学图像并输出。
可选地，将第一医学图像的图像特征和第二医学图像的图像特征对应叠加，将叠加后的图像特征转换为第三医学图像。
可选地，将第一医学图像的图像特征和第二医学图像的图像特征分别以矩阵形式存储，将两个图像矩阵对应叠加，具体地，将两个图像矩阵中对应位置的参数线性相加，叠加后的图像矩阵转换而成的图像即为第三医学图像。
经过上述合并，可将两次扫描的医学图像组合得到各区域完整的第三医学图像，第三医学图像包括具有清晰度较低的正常区域以及具有清晰度较高的噪声区域和病变区域。
可选地，如图3所示，本申请实施例提供的医学图像的处理方法，在上述步骤S101至S104的基础上，还包括如下步骤：
S105，采用分类模型对第三医学图像进行分类。
可选地，分类模型由以下方式预先训练得出：获取多个标注有类别信息的第二样本图像作为第二训练集；在该第二训练集上对分类模型进行训练。可选地，分类模型可以是卷积神经网络。
可选地，本申请实施例在完成对第三医学图像的分类后，还包括在第三医学图像上标注类别信息并生成报告文本。
类别信息可以是具体疾病类别，则将第三医学图像输入训练好的分类模型后，分类模型可预测出第三医学图像的所属的疾病类别，生成标注有疾病类别的报告文本，可协助医生快速地对患者的疾病做出初步判断，以便采取进一步的针对性措施。
基于同一发明构思，本申请实施例提供的一种医学图像的处理装置，如图4所示，该处理装置包括：第一控制模块401、目标识别模块402、第二控制模块403和图像合成模块404。
第一控制模块401，用于控制扫描设备在第一辐射强度下对待扫描对象进行扫描，得到第一医学图像。
目标识别模块402，用于识别第一医学图像中的噪声区域和病变区域。
第二控制模块403，用于控制扫描设备在第二辐射强度下对待扫描对象中与噪声区域和病变区域对应的部分进行扫描，得到第二医学图像；第二辐射强度大于第一辐射强度。
图像合成模块404，用于将第一医学图像与第二医学图像合并，得到第三医学图像并输出。
可选的，目标识别模块402具体用于：采用图像分割模型对第一医学图像进行分割，确定出噪声区域和病变区域。该图像分割子网络的结构以及训练方式可参照前述实施例，此处不再赘述。
可选的，图像合成模块404还用于：将第一医学图像的图像特征和第二医学图像的图像特征对应叠加，将叠加后的图像特征转换为第三医学图像。
可选地，如图5所示，本申请实施提供的医学图像的处理装置400，除了包括第一控制模块401、目标识别模块402、第二控制模块403和图像合成模块404之外，还包括分类模块405，该分类模块405用于采用分类模型对第三医学图像进行分类。分类模块405的训练方式可参照前述实施例，此处不再赘述。
本实施例的医学图像的处理装置可执行本申请实施例提供的任一种医学图像的处理方法，其实现原理相类似，本实施例中未详细示出的内容可参照前述实施例，此处不再赘述。
基于同一发明构思，本申请实施例提供了一种医学图像的处理系统。
图6示出了该处理系统的一种结构框架图，如图6所示，该处理系统包括电连接的扫描设备610和本申请实施例提供的计算机控制系统620。扫描设备610用于执行具体的扫描动作；计算机控制系统620用于执行本申请实施例提供的医学图像的处理方法，具体地，可对扫描设备610的扫描动作进行控制，还可用于获取扫描得到的医学图像(如第一医学图像和第二医学图像)并对获取到的医学图像进行相应处理，具体可参照前述的方法实施例。
图6中示出了扫描设备610(以CT扫描设备为例)的一种示例性结构框架，在该框架中，扫描设备610包括高压发生器、X线管、准直器、滤过器和探测器。
图7示出了计算机控制系统620的一种结构框架示意图，如图7所示，该计算机控制系统620包括：存储器621和处理器622，存储器621与处理器622电连接，如通过总线623相连；存储器621上存储有计算机程序，该计算机程序由处理器622执行以实现本申请实施例所提供的医学图像的处理方法。
存储器621可以是ROM(Read-Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，可以是RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead-Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
处理器622可以是CPU(Central Processing Unit，中央处理器)、通用处理器，DSP(Digital Signal Processor，数据信号处理器)、ASIC(Application SpecificIntegrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器622也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线623可包括一通路，在上述组件之间传送信息。总线623可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线623或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线623。总线623可以分为地址总线623、数据总线623、控制总线623等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线623或一种类型的总线623。
本技术领域技术人员可以理解，本申请实施例提供的计算机控制系统620可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序，这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如，计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线623的任何类型的介质中。
图8示出了该处理系统的另一种结构框架图，如图8所示，该处理系统还包括图像显示系统630和记录存储系统640，该图像显示系统和记录存储系统均与计算机控制系统620电连接。图像显示系统630可用于显示扫描设备610扫描得到的医学图像(如第一医学图像或第二医学图像)以及计算机控制系统620处理得到的医学图像(如第三医学图像)，记录存储系统640可用于存储上述医学图像。
图6-图8所示的该电子设备的结构框架并不构成对本申请实施例的限定。
本申请实施例提供的医学图像的处理系统和医学图像的计算机控制系统620，与前面所述的各实施例具有相同的发明构思，该控制系统中未详细示出的内容可参照前面所述的各实施例，此处不再赘述。
基于同一发明构思，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本申请实施例所提供的任一医学图像的处理方法。
该计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM、RAM、EPROM(Erasable Programmable Read-Only Memory，可擦写可编程只读存储器)、EEPROM、闪存、磁性卡片或光线卡片。也就是，可读介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。
本申请实施例提供了一种计算机可读存储介质适用于上述任一医学图像的处理方法的各种可选实施方式，在此不再赘述。
本申请实施例提供的计算机可读存储介质，与前面所述的各实施例具有相同的发明构思，该计算机可读存储介质中未详细示出的内容可参照前面所述的各实施例，此处不再赘述。
应用本申请实施例，至少能够实现如下有益效果：
1)本申请实施例通过将不同辐射强度下扫描得到的不同清晰度的医学图像进行合并，可在得到清晰度较高的图像的同时降低辐射危害，具体地，通过低辐射强度下的第一次扫描可得到清晰度的较低的初始图像(即第一医学图像)，通过在第一医学图像上识别出重点区域(即噪声区域和病变区域)并对该重点区域针对性地进行二次扫描，可得到清晰度较高的重点区域图像(即第二医学图像)，将重点区域图像和初始图像合并后，可得到完整的第三医学图像，第三医学图像中的重点区域清晰度较高，足以满足使用要求，而由于重点区域之外的其它区域在扫描时采用的辐射强度较低，使得第三医学图像的整个扫描过程中的整体辐射强度较低，进而使得整体扫描过程既提升扫描精度和图像质量，也能降低整体辐射强度以及辐射危害，提高检测过程的安全性。
2)本申请实施例采用图像分割模型可实现对第一医学图像的分割，进而可识别出噪声区域和病变区域，所采用的图像分割模型经过多个样本图像的训练后可提高识别的准确度。
3)本申请实施例采用分类模型可实现对第三医学图像的分类，确定第三医学图像的类别，在此基础可进一步生成报告辅助医生进行诊断，有助于提高诊断速度，减少人为分类，有助于提高诊断的准确度。
本技术领域技术人员可以理解，本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
在本申请的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种医学图像的处理方法，其特征在于，包括：
控制扫描设备在第一辐射强度下对待扫描对象进行扫描，得到第一医学图像；
识别所述第一医学图像中的噪声区域和病变区域；
控制扫描设备在第二辐射强度下对所述待扫描对象中与所述噪声区域和病变区域对应的部分进行扫描，得到第二医学图像；所述第二辐射强度大于所述第一辐射强度；
将所述第一医学图像与所述第二医学图像合并，得到第三医学图像并输出。
2.根据权利要求1所述的处理方法，其特征在于，所述识别所述第一图像中的噪声区域和病变区域，包括：
采用图像分割模型对所述第一医学图像进行分割，确定出所述噪声区域和所述病变区域。
3.根据权利要求2所述的处理方法，其特征在于，所述图像分割模型包括级联的特征提取子网络、上采样子网络和图像分割子网络；
所述特征提取子网络提取第一医学图像中各区域的区域特征；所述上采样子网络将各所述区域特征放大至与所述第一医学图像中对应区域的尺寸一致，得到初始分割结果；所述图像分割子网络将所述初始分割结果与所述第一医学图像进行叠加，得到分割后的第一医学图像。
4.根据权利要求3所述的处理方法，其特征在于，所述特征提取子网络包括级联的多个特征提取单元，每个所述第一特征提取单元包括卷积层，部分所述特征提取单元还包括池化层；
所述上采样子网络包括多个级联的上采样单元，每个所述上采样单元均包括卷积层和反卷积层。
5.根据权利要求1所述的处理方法，其特征在于，所述将所述第一医学图像与所述第二医学图像合并，得到第三医学图像，包括：
将所述第一图像的图像特征和所述第二图像的图像特征对应叠加，将叠加后的图像特征转换为所述第三医学图像。
6.根据权利要求1或5所述的处理方法，其特征在于，还包括：
采用分类模型对所述第三医学图像进行分类。
7.一种医学图像的处理装置，其特征在于，包括：
第一控制模块，用于控制扫描设备在第一辐射强度下对待扫描对象进行扫描，得到第一医学图像；
目标识别模块，用于识别所述第一医学图像中的噪声区域和病变区域；
第二控制模块，用于控制所述扫描设备在第二辐射强度下对所述待扫描对象中与所述噪声区域和病变区域对应的部分进行扫描，得到第二医学图像；所述第二辐射强度大于所述第一辐射强度；
图像合成模块，用于将所述第一医学图像与所述第二医学图像合并，得到第三医学图像并输出。
8.一种计算机控制系统，其特征在于，包括：
存储器；
处理器，与所述存储器电连接；
所述存储器存储有计算机程序，所述计算机程序由所述处理器执行以实现如权利要求1-6中任一项所述的医学图像的处理方法。
9.一种医学图像的处理系统，其特征在于，包括扫描设备以及如权利要求8所述的计算机控制系统，所述扫描设备与所述计算机控制系统电连接。
10.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的医学图像的处理方法。
CN202010102712.XA 2020-02-19 2020-02-19 医学图像的处理方法、装置、系统、控制系统及存储介质 Pending CN111341419A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010102712.XA CN111341419A (zh) 2020-02-19 2020-02-19 医学图像的处理方法、装置、系统、控制系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010102712.XA CN111341419A (zh) 2020-02-19 2020-02-19 医学图像的处理方法、装置、系统、控制系统及存储介质

Publications (1)

Publication Number Publication Date
CN111341419A true CN111341419A (zh) 2020-06-26

Family

ID=71186974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010102712.XA Pending CN111341419A (zh) 2020-02-19 2020-02-19 医学图像的处理方法、装置、系统、控制系统及存储介质

Country Status (1)

Country Link
CN (1) CN111341419A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114092364A (zh) * 2021-08-12 2022-02-25 荣耀终端有限公司 图像处理方法及其相关设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5103490A (en) * 1990-06-13 1992-04-07 National Computer Systems, Inc. Method and apparatus for storing and merging multiple optically scanned images
CN107798711A (zh) * 2017-12-12 2018-03-13 上海联影医疗科技有限公司 一种医学成像扫描方法和系统
CN108472002A (zh) * 2015-12-17 2018-08-31 皇家飞利浦有限公司 用于医学图像分析的方法和设备
CN110458883A (zh) * 2019-03-07 2019-11-15 腾讯科技（深圳）有限公司 一种医疗影像的处理系统、方法、装置和设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5103490A (en) * 1990-06-13 1992-04-07 National Computer Systems, Inc. Method and apparatus for storing and merging multiple optically scanned images
CN108472002A (zh) * 2015-12-17 2018-08-31 皇家飞利浦有限公司 用于医学图像分析的方法和设备
CN107798711A (zh) * 2017-12-12 2018-03-13 上海联影医疗科技有限公司 一种医学成像扫描方法和系统
CN110458883A (zh) * 2019-03-07 2019-11-15 腾讯科技（深圳）有限公司 一种医疗影像的处理系统、方法、装置和设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114092364A (zh) * 2021-08-12 2022-02-25 荣耀终端有限公司 图像处理方法及其相关设备
CN114092364B (zh) * 2021-08-12 2023-10-03 荣耀终端有限公司 图像处理方法及其相关设备

Similar Documents

Publication Publication Date Title
DE102012211892B4 (de) Verfahren zur Extraktion eines Datensatzes aus einem medizinischen Bilddatensatz sowie medizinische Bildaufnahmeeinrichtung und Computerprogramm
Ali et al. Cone-beam computed tomography analysis of accessory maxillary ostium and Haller cells: Prevalence and clinical significance
Lyu et al. Encoding metal mask projection for metal artifact reduction in computed tomography
EP3238780B1 (de) Verfahren zur unterstützung einer planung einer bestrahlung eines patienten
US20090161939A1 (en) System and method for extracting features of interest from an image
DE10321722A1 (de) Computergestützte Diagnose von Mehrfachenergiebildern
JP2004105731A (ja) コンピュータを利用した医療用画像の処理
US9351695B2 (en) Hybrid dual energy imaging and bone suppression processing
US20130083987A1 (en) System and method for segmenting bones on mr images
Zhang et al. Deep learning based dental implant failure prediction from periapical and panoramic films
DE102011087128B4 (de) Projektionswinkelbestimmung bei einer kontrastmittelgestützten Dual-Energy-Tomosynthese
Yuan et al. Head and neck synthetic CT generated from ultra‐low‐dose cone‐beam CT following Image Gently Protocol using deep neural network
CN111341419A (zh) 医学图像的处理方法、装置、系统、控制系统及存储介质
DE102009032257A1 (de) Verfahren und Vorrichtung zur automatisierten Ermittlung der Mittellinie zumindest eines Teilstücks einer tubulären Gewebestruktur
JP6526428B2 (ja) 医用画像処理装置、医用画像処理方法および医用画像診断装置
WO2009145170A1 (ja) 医用画像処理装置、医用画像処理方法および医用画像処理プログラム
DE102017221924B3 (de) Verfahren zur Fusionierung eines Analysedatensatzes mit einem Bilddatensatz, Positionierungseinrichtung und Computerprogramm
Habibzadeh et al. Diagnostic efficacy of cone-beam computed tomography for detection of vertical root fractures in endodontically treated teeth: a systematic review
Choi et al. Deep learning synthesis of cone-beam computed tomography from zero echo time magnetic resonance imaging
DE102016215105A1 (de) Verfahren und Datenverarbeitungseinheit zum Ermitteln eines Akquisitionsdatenverarbeitungsalgorithmus
DE102005037019A1 (de) Verfahren für eine bildgebende Einrichtung zur anatomischen Zuordnung eines von der bildgebenden Einrichtung erzeugten Bildes und Computerprogrammprodukt, welches zur Ausführung eines derartigen Verfahrens eingerichtet ist
Kim et al. Refinement of image quality in panoramic radiography using a generative adversarial network
DE102016217776A1 (de) Simultane Abbildung von funktionalen und morphologischen Röntgenbilddaten einer Brust
DE112020005870T5 (de) Unterstützungsvorrichtung für dokumentenerstellung, unterstützungsverfahren für dokumentenerstellung und unterstützungsprogramm für dokumentenerstellung
Chen et al. Thyroid nodule detection using attenuation value based on non-enhancement CT images

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