CN111489318A - 医学图像增强方法和计算机可读存储介质 - Google Patents

医学图像增强方法和计算机可读存储介质 Download PDF

Info

Publication number
CN111489318A
CN111489318A CN202010432328.6A CN202010432328A CN111489318A CN 111489318 A CN111489318 A CN 111489318A CN 202010432328 A CN202010432328 A CN 202010432328A CN 111489318 A CN111489318 A CN 111489318A
Authority
CN
China
Prior art keywords
breast
image
region
gland
gray
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
CN202010432328.6A
Other languages
English (en)
Other versions
CN111489318B (zh
Inventor
李哲人
郑介志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Publication of CN111489318A publication Critical patent/CN111489318A/zh
Application granted granted Critical
Publication of CN111489318B publication Critical patent/CN111489318B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G06T5/73—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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

Abstract

本申请涉及一种医学图像增强方法和计算机可读存储介质。该方法包括：将获取的乳腺灰度图像输入图像分割网络中，得到乳房区域分割结果和腺体区域分割结果；根据乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的面积占比；通过面积占比，得到乳房密度分类结果；基于乳腺灰度图像的灰度信息和乳房密度分类结果，对乳腺灰度图像进行增强，得到增强乳腺图像。该方法中通过对乳腺灰度图像进行分类，针对不同乳房密度的图像应用不同的增强策略，可以使不同乳腺灰度图像得到的增强乳腺图像中病灶区域都更加明显，进而在病灶检测过程中更易检测出病灶区域，提高不同类型乳腺灰度图像的病灶检出率。

Description

医学图像增强方法和计算机可读存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种医学图像增强方法和计算机可读存储介质。
背景技术
乳腺癌是严重危害女性健康的恶性肿瘤之一，也是女性癌症致死的主要原因，目前医学上还没有能够有效预防乳腺癌的手段，那么提高乳腺癌影像检查的病灶检出率以对症治疗，对于降低乳腺癌的死亡率具有重要意义。
当前，乳腺X线检查是主流的乳腺癌检查手段，但其诊断效能受乳腺密度影像，特别是对致密型乳腺腺体病灶的检出率存在局限性。因此，需要对乳腺X线影像进行增强以提高病灶的检出率。传统技术中，通常是对乳腺X线影像中的乳房区域做相同的图像增强处理，例如采用非线性增强方法、双顶帽变换方法或非线性反锐化掩膜方法等，可以达到一定的乳腺病灶增强效果。
但是，传统技术中的图像增强方法对特殊类型(如致密型)乳腺的病灶检出率仍较低。
发明内容
基于此，有必要针对传统技术中对特殊类型乳腺的病灶检出率仍较低的问题，提供一种医学图像增强方法和计算机可读存储介质。
一种医学图像增强方法，该方法包括：
将获取的乳腺灰度图像输入图像分割网络中，得到乳房区域分割结果和腺体区域分割结果；
根据乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的面积占比；
通过面积占比，得到乳房密度分类结果；
基于乳腺灰度图像的灰度信息和乳房密度分类结果，对乳腺灰度图像进行增强，得到增强乳腺图像。
在其中一个实施例中，基于乳腺灰度图像的灰度信息和乳房密度分类结果，对乳腺灰度图像进行增强，得到增强乳腺图像，包括：
基于乳腺灰度图像中乳房区域的灰度信息，确定乳房区域对应的第一灰度值分布图；
对第一灰度值分布图进行优化处理，得到第一优化分布图；
根据第一优化分布图对乳房区域的灰度信息进行映射，得到第一增强图像；
根据第一增强图像和第一增强图像对应的第一权重，确定增强乳腺图像；其中，第一权重为根据乳房密度分类结果所确定的。
在其中一个实施例中，上述方法还包括：
确定腺体区域对应的第二灰度值分布图；
对第二灰度值分布图进行优化处理，得到第二优化分布图；
根据第二优化分布图对腺体区域的灰度信息进行映射，得到第二增强图像；
相应的，根据第一增强图像和第一增强图像对应的第一权重，确定增强乳腺图像，包括：
根据第一增强图像和第一权重、以及第二增强图像和第二权重，融合确定增强乳腺图像；其中，第二权重为根据乳房密度分类结果所确定的。
在其中一个实施例中，基于乳腺灰度图像的灰度信息和乳房密度分类结果，对乳腺灰度图像进行增强，得到增强乳腺图像，包括：
确定腺体区域对应的第二灰度值分布图；
对第二灰度值分布图进行优化处理，得到第二优化分布图；
根据第二优化分布图对腺体区域的灰度信息进行映射，得到第二增强图像；
根据第二增强图像和第二权重，确定增强乳腺图像；其中，第二权重为根据乳房密度分类结果所确定的。
在其中一个实施例中，确定腺体区域对应的第二灰度值分布图，包括：
根据腺体区域分割结果，从第一灰度值分布图中获取第二灰度值分布图。
在其中一个实施例中，确定腺体区域对应的第二灰度值分布图，包括：
基于腺体区域分割结果，从乳腺灰度图像的灰度信息中获取腺体区域的灰度信息；
根据腺体区域的灰度信息，确定所述第二灰度值分布图。
在其中一个实施例中，通过面积占比，得到乳房密度分类结果，包括：
将面积占比和腺体区域的灰度信息输入图像分类网络中，得到乳房密度分类结果。
在其中一个实施例中，根据第一增强图像和第一权重、以及第二增强图像和第二权重，融合确定增强乳腺图像，包括：
根据包含WG(k)*G(k)+WL(k)*L(k)的关系式，确定增强乳腺图像；其中，G(k)为第一增强图像，WG(k)为第一权重，L(k)为第二增强图像，WL(k)为第二权重，k为像素点索引。
在其中一个实施例中，上述图像分割网络包括乳房分割网络和腺体分割网络；将获取的乳腺灰度图像输入图像分割网络中，得到乳房区域分割结果和腺体区域分割结果，包括：
将乳腺灰度图像输入乳房分割网络，得到乳房区域掩模；根据乳房区域掩模确定乳房区域坐标信息，作为乳房区域分割结果；
将乳腺灰度图像输入腺体分割网络，得到腺体区域掩模；根据腺体区域掩模确定腺体区域坐标信息，作为腺体区域分割结果。
在其中一个实施例中，乳腺灰度图像包括乳腺斜侧位MLO图像和/或乳腺轴位CC图像。
在其中一个实施例中，根据乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的面积占比，包括：
根据MLO图像的乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的第一面积占比；
根据CC图像的乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的第二面积占比；
根据第一面积占比和第二面积占比，确定面积占比。
在其中一个实施例中，在得到增强乳腺图像之后，上述方法还包括：
将增强乳腺图像输入图像检测网络中，得到乳腺灰度图像的病灶检测结果。
一种医学图像增强装置，该装置包括：
图像分割模块，用于将获取的乳腺灰度图像输入图像分割网络中，得到乳房区域分割结果和腺体区域分割结果；
计算模块，用于根据乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的面积占比；
图像分类模块，用于通过面积占比，得到乳房密度分类结果；
图像增强模块，用于基于乳腺灰度图像的灰度信息和乳房密度分类结果，对乳腺灰度图像进行增强，得到增强乳腺图像。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行该计算机程序时实现以下步骤：
将获取的乳腺灰度图像输入图像分割网络中，得到乳房区域分割结果和腺体区域分割结果；
根据乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的面积占比；
通过面积占比，得到乳房密度分类结果；
基于乳腺灰度图像的灰度信息和乳房密度分类结果，对乳腺灰度图像进行增强，得到增强乳腺图像。
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
将获取的乳腺灰度图像输入图像分割网络中，得到乳房区域分割结果和腺体区域分割结果；
根据乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的面积占比；
通过面积占比，得到乳房密度分类结果；
基于乳腺灰度图像的灰度信息和乳房密度分类结果，对乳腺灰度图像进行增强，得到增强乳腺图像。
上述医学图像增强方法、装置、计算机设备和存储介质，能够将获取的乳腺灰度图像输入图像分割网络中，得到乳房区域分割结果和腺体区域分割结果；根据乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的面积占比，并通过面积占比，得到乳房密度分类结果；基于乳腺灰度图像的灰度信息和乳房密度分类结果，对乳腺灰度图像进行增强，得到增强乳腺图像。该方法中，通过对乳腺灰度图像进行分类，得到乳腺密度分类结果，针对不同乳房密度的图像应用不同的增强策略，可以使不同乳腺灰度图像得到的增强乳腺图像中病灶区域都更加明显，进而在病灶检测过程中更易检测出病灶区域，以提高不同类型乳腺灰度图像的病灶检出率。
附图说明
图1为一个实施例中计算机设备的内部结构图；
图2为一个实施例中医学图像增强方法的流程示意图；
图2a为一个实施例中MLO图像和CC图像的示意图；
图2b为一个实施例中不同密度等级对应的乳房图像的示意图；
图3为另一个实施例中医学图像增强方法的流程示意图；
图4为又一个实施例中医学图像增强方法的流程示意图；
图4a为一个实施例中医学图像增强过程的示意图；
图5为又一个实施例中医学图像增强方法的流程示意图；
图6为又一个实施例中医学图像增强方法的流程示意图；
图7为又一个实施例中医学图像增强方法的流程示意图；
图8为又一个实施例中医学图像增强方法的流程示意图；
图9为一个实施例中医学图像增强装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的医学图像增强方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选地，该计算机设备还可以包括通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端通过网络连接通信。可选地，该计算机设备可以是个人计算机(personal computer，简称PC)，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑(portable android device，简称PAD)、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。
在一个实施例中，提供了一种医学图像增强方法，以该方法应用于图1中的计算机设备为例进行说明，本实施例涉及的是计算机设备对乳腺灰度图像进行分割、分类以及图像增强的具体过程。如图2所示，该方法包括以下步骤：
S101，将获取的乳腺灰度图像输入图像分割网络中，得到乳房区域分割结果和腺体区域分割结果。
其中，在患者做乳腺检查时，通常是采用乳腺钼靶X线机对乳腺进行扫描，得到乳腺钼靶X线图像，其可以在不同的角度下拍摄乳腺组织，以获取不同体位下的乳腺图像，从而使医生较全面的观察乳腺组织信息。该乳腺图像通常可以包括双侧乳腺的斜侧位(Mediolateral Oblique，MLO)图像和轴位(Craniocaudal，CC)图像，关于MLO图像和CC图像的示意图可以参见图2a所示。在从乳腺钼靶X线机中获取到乳腺图像数据后，计算机设备可以选取同侧乳腺图像数据(如选取同侧MLO图像数据和/或CC图像数据)，读取DICOM文件数据中的图像灰度信息，将乳腺图像进行窗宽窗位归一化处理，映射为256灰阶图像，即得到乳腺灰度图像，该乳腺灰度图像中包括各像素点的灰度信息。
然后，计算机设备可以将得到的乳腺灰度图像输入图像分割网络中，进行乳房区域和腺体区域的分割，进而得到乳房区域分割结果和腺体区域分割结果。其中，因乳房包括皮肤、纤维组织、脂肪组织和乳腺等结构，则上述乳房区域中包括腺体区域，即乳房区域分割结果是整个乳房区域的分割，腺体区域分割结果是乳房中的腺体区域的分割。
可选地，上述图像分割网络可以为神经网络，如卷积神经网络、循环神经网络等。可选地，该图像分割网络可以为U-Net网络，将乳腺灰度图像输入该U-Net网络后，经过一系列的卷积层、池化层、全连接层等的操作处理，可以得到乳房区域分割结果和腺体区域分割结果。其中，在使用该图像分割网络之前，计算机设备还可以对其进行训练，可选地，该图像分割网络的训练方式可以包括：获取样本图像和样本图像中的乳房区域金标准、腺体区域金标准，将样本图像输入初始图像分割网络中，可以得到预测乳房区域分割结果和预测腺体区域分割结果，然后计算预测乳房区域分割结果和乳房区域金标准之间的损失、以及预测腺体区域分割结果和腺体区域金标准之间的损失，根据两个损失调整初始图像分割网络的网络参数，以此迭代训练直至网络收敛。
S102，根据乳房区域分割结果和腺体区域分割结果，得到乳房密度分类结果。
具体地，计算机设备在得到上述乳房区域分割结果和腺体区域分割结果后，可以确定出乳房区域的面积大小和其中所包含的腺体区域的面积大小。可选地，可以通过乳房区域中像素点的个数×采样间隔(spacing)得到乳房区域的面积A，通过腺体区域中像素点的个数×采样间隔(spacing)得到腺体区域的面积B，然后将B/A的结果作为腺体区域在乳房区域中的面积占比。可选地，计算机设备还可以直接将(腺体区域中像素点的个数/乳房区域中像素点的个数)的结果作为腺体区域在乳房区域中的面积占比。
其中，根据放射学会提出的BI-RADS将乳腺分为四类：A、脂肪型(乳腺为脂肪组织，腺体占比25％以下)，B、纤维腺体型(或少量腺体型，乳腺内散在腺体，腺体占比25％-50％)，C、不均匀致密型(或多量腺体型，腺体占比51％-75％)，D、致密型(乳腺组织非常致密，腺体占比75％以上)；关于四个密度类别对应的乳房图像可以参见图2b所示。可选地，计算机设备可以通过得到的腺体区域的面积占比，根据上述的分类标准得到该乳腺灰度图像的乳房密度分类结果，即A、B、C、D类别中的一个。
S103，基于乳腺灰度图像的灰度信息和乳房密度分类结果，对乳腺灰度图像进行增强，得到增强乳腺图像。
其中，图像增强是指通过一定手段对原图像附加一些信息或变换数据，有选择的突出图像中感兴趣的特征或者抑制图像中某些不需要的特征，使图像与视觉响应特性相匹配；其目的是：将图像转化为人或机器更容易分析和处理的形式，改善图像的视觉效果，提高图像的清晰度。
具体地，计算机设备得到乳房密度分类结果后，可以获知乳腺灰度图像中乳房的密度程度，那么可以根据该分类结果和乳腺灰度图像的灰度信息，对该乳腺灰度图像进行增强，通过将乳腺灰度图像的灰度信息映射变换至新的灰度信息，进而得到增强乳腺图像。其中，计算机设备可以根据乳房密度分类结果，针对不同密度的图像执行不同强度的增强；可选地，可以设置不同的增强系数，对于乳房密度较小(如类别A)的图像，采用较小的增强系数，对于乳房密度较大(如类别D)的图像，采用较大的增强系数。
可选地，在得到增强乳腺图像之后，计算机设备还可以将增强乳腺图像输入图像检测网络中，得到乳腺灰度图像的病灶检测结果。由此，对于不同乳房密度的图像应用不同的增强策略，可以使得到的增强乳腺图像中病灶区域更明显，进而在病灶检测过程中更易检测出病灶区域。可选地，上述图像检测网络也可以为神经网络，如卷积神经网络、循环神经网络等。
本实施例提供的医学图像增强方法，计算机设备首先将获取的乳腺灰度图像输入图像分割网络中，得到乳房区域分割结果和腺体区域分割结果；然后基于该乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的面积占比，并通过该面积占比，得到乳腺密度分类结果；最后基于乳腺灰度图像的灰度信息和乳房密度分类结果，对乳腺灰度图像进行增强，以得到增强图像图像。该方法中，通过对乳腺灰度图像进行分类，得到乳腺密度分类结果，针对不同乳房密度的图像应用不同的增强策略，可以使不同乳腺灰度图像得到的增强乳腺图像中病灶区域都更加明显，进而在病灶检测过程中更易检测出病灶区域，以提高不同类型乳腺灰度图像的病灶检出率。
在一个实施例中，如图3所示，涉及的是对乳腺灰度图像进行增强，得到增强乳腺图像的具体过程，上述S103可以包括：
S201，基于乳腺灰度图像中乳房区域的灰度信息，确定乳房区域对应的第一灰度值分布图。
S202，对第一灰度值分布图进行优化处理，得到第一优化分布图。
具体地，因乳腺灰度图像中包括各像素点的灰度信息，则计算机设备可以根据上述乳房区域分割结果得到乳房区域的灰度信息，并根据乳房区域的灰度信息，确定乳房区域对应的第一灰度值分布图，该第一灰度值分布图表征的是乳房区域中各像素点的灰度值的分布情况；然后计算机设备对该第一灰度值分布图进行优化处理，调整乳房区域中各像素点灰度值的分布，得到第一优化分布图。
可选地，该第一灰度值分布图可以以直方图形式进行表示，计算机设备首先通过h_I(s)＝n_s/N关系式计算归一化直方图(即第一灰度值分布图)，其中，n_s表示乳房区域内灰度值为s的像素点的个数，s∈[0,L-1]，L＝256，N表示乳房区域内像素点的总个数。然后根据
Figure BDA0002501030460000081
关系式计算目标像素值sk，其中k＝0,1,2...L-1，nj表示乳房区域内像素值为j的像素点的个数，将sk的集合h_U作为直方图均衡化结果(即直方图优化结果)；最后根据的
Figure BDA0002501030460000082
的关系式计算最佳全局直方图，即第一优化分布图，λ为调节系数，通过调节λ的值使得
Figure BDA0002501030460000091
的值最小。其中，直方图均衡化(HE)的基本思想是通过图像的灰度分布直方图确定一条映射曲线(映射函数)，用来对图像进行灰度变换，以达到提高图像对比度(或亮度)的目的。
S203，根据第一优化分布图对乳房区域的灰度信息进行映射，得到第一增强图像。
具体地，计算机设备根据上述第一优化分布图将乳房区域的灰度信息进行映射，需要说明的是，因乳房区域包括腺体区域，则此次映射是对整个乳房的灰度信息进行映射。那么计算机设备可以根据上述映射函数，对乳房区域的灰度信息进行变换，得到第一增强图像(即乳房区域的全局增强图像)。
S204，根据第一增强图像和第一增强图像对应的第一权重，确定增强乳腺图像；其中，第一权重为根据乳房密度分类结果所确定的。
具体地，计算机设备再根据得到的第一增强图像和其对应的第一权重，确定增强乳腺图像。可选地，可以根据Y(k)＝WG(k)*G(k)关系式确定增强乳腺图像，其中G(k)表示第一增强图像，WG(k)表示第一权重，该第一权重为根据乳房密度分类结果所确定的，k表示像素点索引；该第一权重在不同乳房密度分类结果下的取值由经验所得，当乳房密度分类结果为类别A或类别B时，0.8≦WG≦1，当乳房密度分类结果为类别C时，0.5≦WG＜0.8，当乳房密度分类结果为类别D时，0.2≦WG＜0.5。
本实施例提供的医学图像增强方法，计算机设备基于乳腺灰度图像中乳房区域的灰度信息，确定第一灰度值分布图，再对第一灰度值分布图进行优化处理，得到第一优化分布图，根据该第一优化分布图对乳房区域的灰度信息进行映射，得到第一增强图像，最后根据第一增强图像和该第一增强图像对应的第一权重，确定增强乳腺图像。该方法中，通过第一权重对乳房区域的增强图像进行调整，得到最终的增强乳腺图像，因该第一权重是根据乳房密度分类结果所确定的，则可以根据不同类型的乳腺灰度图像得到对应的增强乳腺图像，进而在病灶检测过程中更易检测出病灶区域，以提高不同类型乳腺灰度图像的病灶检出率。
上述实施例描述的是针对整个乳房区域进行图像增强的过程，在实际应用场景中，由于乳腺疾病通常发生在腺体结构上，那么本实施例还可以再对腺体区域进行局部增强。如图4所示，上述方法还包括：
S301，确定腺体区域对应的第二灰度值分布图。
S302，对第二灰度值分布图进行优化处理，得到第二优化分布图。
在一种可实现的方式中，因上述第一灰度值分布图表征的是乳房区域中各像素点的灰度值的分布情况，且乳房区域包括腺体部分，那么计算机设备可以根据腺体区域分割结果，从第一灰度值分布图上确定腺体区域对应的第二灰度值分布图。在另一种可实现的方式中，计算机设备还可以根据腺体区域分割结果，从乳腺灰度图像的灰度信息中确定出腺体区域的灰度信息，并根据腺体区域的灰度信息，直接确定腺体区域对应的第二灰度值分布图。然后计算机设备对该第二灰度值分布图进行优化处理，调整腺体区域中各像素点灰度值的分布，得到第二优化分布图。可选地，对第二灰度值分布图进行优化的过程可以参见对第一灰度值分布图的优化过程。
S303，根据第二优化分布图将腺体区域的灰度信息进行映射，得到第二增强图像。
具体地，计算机设备可以根据第二优化分布图将腺体区域的灰度信息再次进行映射。同样以直方图形式为例进行说明，第二灰度值分布图即局部直方图，可选地，本实施例中可以采用限制对比度自适应直方图均衡方法(Contrast-Limited Adaptive HistogramEqualization,CLAHE)对第二灰度值分布图进行优化处理，再根据得到的第二优化分布图对腺体区域的灰度信息进行映射，以对腺体区域图像进行增强，得到第二增强图像(即腺体区域的局部增强图像)。其中，CLAHE是提升图像的对比度的一种计算机图像处理技术，在CLAHE中，对于每个区域都必须使用对比度限幅，以达到增强图像的目的。可选地，计算机设备在对腺体区域进行局部增强时，也可以对乳房其他区域同时增强，但最终目的以增强腺体区域为主。
S304，根据第一增强图像和第一权重、以及第二增强图像和第二权重，融合确定增强乳腺图像；其中，第一权重和第二权重为根据乳房密度分类结果所确定的。
具体地，计算机设备可以根据上述第一增强图像和第一权重、以及第二增强图像和第二增强图像对应的第二权重，确定增强乳腺图像。可选地，可以根据Y(k)＝WG(k)*G(k)+WL(k)*L(k)关系式确定增强乳腺图像，其中L(k)表示第二增强图像，WL(k)表示第二权重，该第二权重也为根据乳房密度分类结果所确定的；该第二权重在不同乳房密度分类结果下的取值由经验所得，当乳房密度分类结果为类别A或类别B时，0≦WL≦0.2，当乳房密度分类结果为类别C时，0.2＜WL≦0.5，当乳房密度分类结果为类别D时，0.5＜WL≦0.8。关于整个医学图像增强过程的示意图可以参见图4a所示。
本实施例提供的医学图像增强方法，计算机设备还可以确定腺体区域对应的第二灰度值分布图，并对第二灰度值分布图进行优化处理，得到第二优化分布图；然后根据该第二优化分布图对腺体区域的灰度信息进行映射，得到第二增强图像，最后根据第一增强图像和第一权重、以及第二增强图像和第二权重，融合确定增强乳腺图像。该方法中，除了对整个乳房区域进行图像增强外，还对腺体区域进行进一步的增强，可以使得腺体区域更加突出；且腺体区域增强时的第二权重也是根据乳房密度分类结果所确定的，则可以根据不同类型的乳腺灰度图像得到对应的增强乳腺图像，进一步提高不同类型乳腺灰度图像的病灶检出率。
在一个实施例中，计算机设备还可以不针对乳房区域进行全局增强，仅针对腺体区域进行局部增强。可选地，如图5所示，上述S104还可以包括：
S401，确定腺体区域对应的第二灰度值分布图。
S402，对第二灰度值分布图进行优化处理，得到第二优化分布图。
S403，根据第二优化分布图对腺体区域的灰度信息进行映射，得到第二增强图像。
S404，根据第二增强图像和第二权重，确定增强乳腺图像；其中，第二权重为根据乳房密度分类结果所确定的。
具体地，本实施例中，计算机设备确定第二优化分布图的过程，以及对腺体区域的灰度信息进行映射的过程可以参见上述实施例中确定第二优化分布图、对乳房区域的灰度信息进行映射过程的描述，其实现过程原理类似，在此不再赘述。当确定了第二增强图像后，可以根据该第二增强图像和第二权重，确定增强乳腺图像。
本实施例中，通过第二权重对腺体区域的增强图像进行调整，得到最终的增强乳腺图像，因该第二权重是根据乳房密度分类结果所确定的，则可以根据不同类型的乳腺灰度图像得到对应的腺体增强乳腺图像，进而在病灶检测过程中更易检测出病灶区域，以提高不同类型乳腺灰度图像的病灶检出率。
在一个实施例中，还可以借助图像分类网络对乳房密度进行分类，得到乳房密度分类结果，可选地，如图6所示，上述S102可以包括：
S501，根据乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的面积占比。
S502，通过面积占比，得到乳房密度分类结果。
其中，计算机设备确定腺体区域在乳房区域中面积占比的过程可以参见上述实施例的描述，在此不再赘述。通过面积占比得到乳房密度分类结果的步骤可以包括：将面积占比和腺体区域的灰度信息输入图像分类网络中，得到乳房密度分类结果。
具体地，由于上述乳腺灰度图像中包括该图像的灰度信息，那么通过腺体区域分割结果可以从中获取到腺体区域的灰度信息。然后计算机设备将得到的腺体区域的面积占比和腺体区域的灰度信息输入图像分类网络中，得到乳房密度分类结果。即计算机设备可以通过图像分类网络得到当前乳腺灰度图像的乳房密度分类结果(即得到A、B、C、D类别中的一个)。
可选地，图像分类网络可以输出乳房密度分别属于四个密度类别的概率，然后将最大概率值对应的类别作为乳房密度分类结果。示例性的，假设图像分类网络的输出结果为[0.8,0.1,0.1,0]，即属于类别A的概率为0.8，属于类别B的概率为0.1，属于类别C的概率为0.1，属于类别D的概率为0，则可以将类别A作为当前乳腺灰度图像的乳房密度分类结果。
可选地，上述图像分类网络可以为神经网路，如卷积神经网络、循环神经网络等，可选地，该图像分类网路可以为DenseNet网络，该网络的训练方式可以包括：获取样本图像中腺体区域的面积占比及腺体区域的灰度信息，以及该样本图像对应的乳房密度金标准；将样本图像中腺体区域的面积占比及腺体区域的灰度信息输入初始图像分类网络中，得到预测乳房密度分类结果；计算预测乳房密度分类结果和乳房密度金标准之间的损失，根据该损失调整初始图像分类网络的网路参数，由此迭代训练直至网络收敛。利用图像分类网络进行密度分类，可以进一步提高得到的分类结果的准确性，进而提高对乳腺灰度图像进行增强过程的准确性。
通过上述实施例可知，首先需确定出乳房区域分割结果和腺体区域分割结果，因腺体区域是包含在乳房区域内的，则两个区域的分割可以作为不同的处理过程。在一个实施例中，图像分割网络可以包括乳房分割网络和腺体分割网络，分别用于乳房区域的分割和腺体区域的分割，如图7所示，上述S101可以包括：
S601，将乳腺灰度图像输入乳房分割网络，得到乳房区域掩模；根据乳房区域掩模确定乳房区域坐标信息，作为乳房区域分割结果。
S602，将乳腺灰度图像输入腺体分割网络，得到腺体区域掩模；根据腺体区域掩模确定腺体区域坐标信息，作为腺体区域分割结果。
具体地，乳房分割网络和腺体分割网络都可以为神经网络，如U-Net网络。计算机设备将乳腺灰度图像输入乳房分割网络后，可以输出乳房区域掩模，该掩模是将乳房区域和背景区域进行分离，可以用不同颜色对乳房区域和背景区域进行标注；然后根据该掩模中的像素点信息，可以对应确定乳房区域坐标信息，即掩模中每个像素点的坐标是已知的，则整个乳房区域的坐标信息便可以获知；计算机设备便可以将乳房区域坐标信息作为乳房区域分割结果。关于腺体区域分割结果的确定过程可以参见乳房区域分割结果的确定过程的描述，其实现原理类似，在此不再赘述。进而，计算机设备根据乳房区域坐标信息和腺体区域坐标信息，可以计算腺体区域在乳房区域中的面积占比。
本实施例提供的医学图像增强方法，计算机设备将乳腺灰度图像分别输入乳房分割网络和腺体分割网络，以得到乳房区域分割结果和腺体区域分割结果，则乳房分割过程和腺体分割过程可以同时执行，且由不同分割网络执行不同分割过程，减少了单个分割网络的计算数据量，提高了分割效率。
在一个实施例中，上述乳腺灰度图像包括乳腺斜侧位MLO图像和/或乳腺轴位CC图像。当该乳腺灰度图像为MLO图像时，则计算机设备将MLO图像输入图像分割网络中，得到乳房区域分割结果和腺体区域分割结果；根据乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的面积占比；将面积占比和腺体区域的灰度信息输入图像分类网络中，得到乳房密度分类结果；基于MLO图像的灰度信息和乳房密度分类结果，对MLO图像进行增强，得到增强MLO图像。
当该乳腺灰度图像为CC图像时，计算机设备的处理过程与MLO图像类似，在此不再赘述。
当乳腺灰度图像包括MLO图像和CC图像时，计算机设备分别将MLO图像和CC图像输入图像分割网络中(需要说明的是，此处是同侧乳房的MLO图像和CC图像)，得到MLO图像的乳房区域分割结果和腺体区域分割结果、CC图像的乳房区域分割结果和腺体区域分割结果；根据MLO图像的乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的第一面积占比；根据CC图像的乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的第二面积占比；根据第一面积占比和第二面积占比，确定面积占比；将该面积占比和MLO图像中腺体区域的灰度信息、CC图像中腺体区域的灰度信息输入图像分类网络中，得到乳房密度分类结果；基于MLO图像的灰度信息和乳房密度分类结果，对MLO图像进行增强，得到增强MLO图像；基于CC图像的灰度信息和乳房密度分类结果，对CC图像进行增强，得到增强CC图像。
可选地，计算机设备可以将第一面积占比和第二面积占比进行平均求和、或加权求和，以确定上述面积占比。
本实施例提供的医学图像增强方法，乳腺灰度图像包括乳腺斜侧位MLO图像和/或乳腺轴位CC图像，则计算机设备针对不同场景执行不同的图像处理过程，应用场景更广泛，且针对不同乳房密度的图像应用不同的增强策略，进而在病灶检测过程中更易检测出病灶区域，以提高不同类型乳腺灰度图像的病灶检出率。
为更好的理解上述医学图像增强方法的过程，下面以一个整体实施例的方式对该方法再次进行描述，如图8所示，该方法包括：
S701，将获取的乳腺灰度图像输入图像分割网络中，得到乳房区域分割结果和腺体区域分割结果；
S702，根据乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的面积占比；
S703，通过面积占比，得到乳房密度分类结果；
S704，基于乳腺灰度图像中乳房区域的灰度信息，确定乳房区域对应的第一灰度值分布图；
S705，对第一灰度值分布图进行优化处理，得到第一优化分布图；
S706，根据第一优化分布图对乳房区域的灰度信息进行映射，得到第一增强图像；
S707，确定腺体区域对应的第二灰度值分布图；
S708，对第二灰度值分布图进行优化处理，得到第二优化分布图；
S709，根据第二优化分布图对腺体区域的灰度信息进行映射，得到第二增强图像；
S710，根据第一增强图像和第一权重、以及第二增强图像和第二权重，融合确定增强乳腺图像；其中，第一权重和第二权重为根据所述乳房密度分类结果所确定的。
关于各步骤的实现过程可以参见上述实施例的描述，其实现原理和技术效果类似，在此不再赘述。
应该理解的是，虽然图2-图8的流程图中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，这些步骤可以以其它的顺序执行。而且，图2-图8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，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它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。
在一个实施例中，如图9所示，提供了一种医学图像增强装置，包括：图像分割模块11、计算模块12、图像分类模块13和图像增强模块14。
具体地，图像分割模块11，用于将获取的乳腺灰度图像输入图像分割网络中，得到乳房区域分割结果和腺体区域分割结果。
计算模块12，用于根据乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的面积占比。
图像分类模块13，用于通过面积占比，得到乳房密度分类结果。
图像增强模块14，用于基于乳腺灰度图像的灰度信息和乳房密度分类结果，对乳腺灰度图像进行增强，得到增强乳腺图像。
本实施例提供的医学图像增强装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，图像增强模块14，具体用于基于乳腺灰度图像中乳房区域的灰度信息，确定乳房区域对应的第一灰度值分布图；对第一灰度值分布图进行优化处理，得到第一优化分布图；根据第一优化分布图对乳房区域的灰度信息进行映射，得到第一增强图像；根据第一增强图像和第一增强图像对应的第一权重，确定增强乳腺图像；其中，第一权重为根据乳房密度分类结果所确定的。
在一个实施例中，图像增强模块14，还用于确定腺体区域对应的第二灰度值分布图；对第二灰度值分布图进行优化处理，得到第二优化分布图；根据第二优化分布图对腺体区域的灰度信息进行映射，得到第二增强图像；根据第一增强图像和第一权重、以及第二增强图像和第二权重，融合确定增强乳腺图像；其中，第二权重为根据乳房密度分类结果所确定的。
在一个实施例中，图像增强模块14，具体用于确定腺体区域对应的第二灰度值分布图；对第二灰度值分布图进行优化处理，得到第二优化分布图；根据第二优化分布图对腺体区域的灰度信息进行映射，得到第二增强图像；根据第二增强图像和第二权重，确定增强乳腺图像；其中，第二权重为根据乳房密度分类结果所确定的。
在一个实施例中，图像增强模块14，具体用于根据腺体区域分割结果，从第一灰度值分布图中获取第二灰度值分布图。
在一个实施例中，图像增强模块14，具体用于基于腺体区域分割结果，从乳腺灰度图像的灰度信息中获取腺体区域的灰度信息；根据腺体区域的灰度信息，确定所述第二灰度值分布图。
在一个实施例中，图像分类模块13，具体用于将面积占比和腺体区域的灰度信息输入图像分类网络中，得到乳房密度分类结果。
在一个实施例中，图像增强模块14，具体用于根据包含WG(k)*G(k)+WL(k)*L(k)的关系式，确定增强乳腺图像；其中，G(k)为第一增强图像，WG(k)为第一权重，L(k)为第二增强图像，WL(k)为第二权重，k为像素点索引。
在一个实施例中，图像分割网络包括乳房分割网络和腺体分割网络；图像分割模块11，具体用于将乳腺灰度图像输入乳房分割网络，得到乳房区域掩模；根据乳房区域掩模确定乳房区域坐标信息，作为乳房区域分割结果；将乳腺灰度图像输入腺体分割网络，得到腺体区域掩模；根据腺体区域掩模确定腺体区域坐标信息，作为腺体区域分割结果。
在一个实施例中，乳腺灰度图像包括乳腺斜侧位MLO图像和/或乳腺轴位CC图像。
在一个实施例中，计算模块12，具体用于根据MLO图像的乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的第一面积占比；根据CC图像的乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的第二面积占比；根据第一面积占比和第二面积占比，确定面积占比。
在一个实施例中，上述装置还包括检测模块，用于将增强乳腺图像输入图像检测网络中，得到乳腺灰度图像的病灶检测结果。
本实施例提供的医学图像增强装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于医学图像增强装置的具体限定可以参见上文中对于医学图像增强方法的限定，在此不再赘述。上述医学图像增强装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种医学图像增强方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
将获取的乳腺灰度图像输入图像分割网络中，得到乳房区域分割结果和腺体区域分割结果；
根据乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的面积占比；
通过面积占比，得到乳房密度分类结果；
基于乳腺灰度图像的灰度信息和乳房密度分类结果，对乳腺灰度图像进行增强，得到增强乳腺图像。
本实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于乳腺灰度图像中乳房区域的灰度信息，确定乳房区域对应的第一灰度值分布图；
对第一灰度值分布图进行优化处理，得到第一优化分布图；
根据第一优化分布图对乳房区域的灰度信息进行映射，得到第一增强图像；
根据第一增强图像和第一增强图像对应的第一权重，确定增强乳腺图像；其中，第一权重为根据乳房密度分类结果所确定的。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定腺体区域对应的第二灰度值分布图；
对第二灰度值分布图进行优化处理，得到第二优化分布图；
根据第二优化分布图对腺体区域的灰度信息进行映射，得到第二增强图像；
根据第一增强图像和第一权重、以及第二增强图像和第二权重，融合确定增强乳腺图像；其中，第二权重为根据乳房密度分类结果所确定的。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定腺体区域对应的第二灰度值分布图；
对第二灰度值分布图进行优化处理，得到第二优化分布图；
根据第二优化分布图对腺体区域的灰度信息进行映射，得到第二增强图像；
根据第二增强图像和第二权重，确定增强乳腺图像；其中，第二权重为根据乳房密度分类结果所确定的。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据腺体区域分割结果，从第一灰度值分布图中获取第二灰度值分布图。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于腺体区域分割结果，从乳腺灰度图像的灰度信息中获取腺体区域的灰度信息；
根据腺体区域的灰度信息，确定所述第二灰度值分布图。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将面积占比和腺体区域的灰度信息输入图像分类网络中，得到乳房密度分类结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据包含WG(k)*G(k)+WL(k)*L(k)的关系式，确定增强乳腺图像；其中，G(k)为第一增强图像，WG(k)为第一权重，L(k)为第二增强图像，WL(k)为第二权重，k为像素点索引。
在一个实施例中，上述图像分割网络包括乳房分割网络和腺体分割网络；处理器执行计算机程序时还实现以下步骤：
将乳腺灰度图像输入乳房分割网络，得到乳房区域掩模；根据乳房区域掩模确定乳房区域坐标信息，作为乳房区域分割结果；
将乳腺灰度图像输入腺体分割网络，得到腺体区域掩模；根据腺体区域掩模确定腺体区域坐标信息，作为腺体区域分割结果。
在一个实施例中，乳腺灰度图像包括乳腺斜侧位MLO图像和/或乳腺轴位CC图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据MLO图像的乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的第一面积占比；
根据CC图像的乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的第二面积占比；
根据第一面积占比和第二面积占比，确定面积占比。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将增强乳腺图像输入图像检测网络中，得到乳腺灰度图像的病灶检测结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
将获取的乳腺灰度图像输入图像分割网络中，得到乳房区域分割结果和腺体区域分割结果；
根据乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的面积占比；
通过面积占比，得到乳房密度分类结果；
基于乳腺灰度图像的灰度信息和乳房密度分类结果，对乳腺灰度图像进行增强，得到增强乳腺图像。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于乳腺灰度图像中乳房区域的灰度信息，确定乳房区域对应的第一灰度值分布图；
对第一灰度值分布图进行优化处理，得到第一优化分布图；
根据第一优化分布图对乳房区域的灰度信息进行映射，得到第一增强图像；
根据第一增强图像和第一增强图像对应的第一权重，确定增强乳腺图像；其中，第一权重为根据乳房密度分类结果所确定的。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定腺体区域对应的第二灰度值分布图；
对第二灰度值分布图进行优化处理，得到第二优化分布图；
根据第二优化分布图对腺体区域的灰度信息进行映射，得到第二增强图像；
根据第一增强图像和第一权重、以及第二增强图像和第二权重，融合确定增强乳腺图像；其中，第二权重为根据乳房密度分类结果所确定的。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定腺体区域对应的第二灰度值分布图；
对第二灰度值分布图进行优化处理，得到第二优化分布图；
根据第二优化分布图对腺体区域的灰度信息进行映射，得到第二增强图像；
根据第二增强图像和第二权重，确定增强乳腺图像；其中，第二权重为根据乳房密度分类结果所确定的。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据腺体区域分割结果，从第一灰度值分布图中获取第二灰度值分布图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于腺体区域分割结果，从乳腺灰度图像的灰度信息中获取腺体区域的灰度信息；
根据腺体区域的灰度信息，确定所述第二灰度值分布图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将面积占比和腺体区域的灰度信息输入图像分类网络中，得到乳房密度分类结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据包含WG(k)*G(k)+WL(k)*L(k)的关系式，确定增强乳腺图像；其中，G(k)为第一增强图像，WG(k)为第一权重，L(k)为第二增强图像，WL(k)为第二权重，k为像素点索引。
在一个实施例中，上述图像分割网络包括乳房分割网络和腺体分割网络；计算机程序被处理器执行时还实现以下步骤：
将乳腺灰度图像输入乳房分割网络，得到乳房区域掩模；根据乳房区域掩模确定乳房区域坐标信息，作为乳房区域分割结果；
将乳腺灰度图像输入腺体分割网络，得到腺体区域掩模；根据腺体区域掩模确定腺体区域坐标信息，作为腺体区域分割结果。
在一个实施例中，乳腺灰度图像包括乳腺斜侧位MLO图像和/或乳腺轴位CC图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据MLO图像的乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的第一面积占比；
根据CC图像的乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的第二面积占比；
根据第一面积占比和第二面积占比，确定面积占比。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将增强乳腺图像输入图像检测网络中，得到乳腺灰度图像的病灶检测结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种医学图像增强方法，其特征在于，所述方法包括：
将获取的乳腺灰度图像输入图像分割网络中，得到乳房区域分割结果和腺体区域分割结果；
根据所述乳房区域分割结果和所述腺体区域分割结果，计算腺体区域在乳房区域中的面积占比；
通过所述面积占比，得到乳房密度分类结果；
基于所述乳腺灰度图像中乳房区域的灰度信息，确定乳房区域对应的第一灰度值分布图；
对所述第一灰度值分布图进行优化处理，得到第一优化分布图；
根据所述第一优化分布图对所述乳房区域的灰度信息进行映射，得到第一增强图像；
确定腺体区域对应的第二灰度值分布图；
对所述第二灰度值分布图进行优化处理，得到第二优化分布图；
根据所述第二优化分布图对所述腺体区域的灰度信息进行映射，得到第二增强图像；
根据所述第一增强图像和第一权重、以及所述第二增强图像和第二权重，融合确定增强乳腺图像；其中，所述第一权重和所述第二权重为根据所述乳房密度分类结果所确定的。
2.根据权利要求1所述的方法，其特征在于，所述通过所述面积占比，得到乳房密度分类结果，包括：
将所述面积占比和腺体区域的灰度信息输入图像分类网络中，得到所述乳房密度分类结果。
3.根据权利要求1或2所述的方法，其特征在于，所述确定腺体区域对应的第二灰度值分布图，包括：
根据所述腺体区域分割结果，从所述第一灰度值分布图中获取所述第二灰度值分布图。
4.根据权利要求1或2所述的方法，其特征在于，所述确定腺体区域对应的第二灰度值分布图，包括：
基于所述腺体区域分割结果，从所述乳腺灰度图像的灰度信息中获取腺体区域的灰度信息；
根据所述腺体区域的灰度信息，确定所述第二灰度值分布图。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第一增强图像和第一权重、以及所述第二增强图像和第二权重，融合确定增强乳腺图像，包括：
根据包含WG(k)*G(k)+WL(k)*L(k)的关系式，确定所述增强乳腺图像；其中，G(k)为所述第一增强图像，WG(k)为所述第一权重，L(k)为所述第二增强图像，WL(k)为所述第二权重，k为像素点索引。
6.根据权利要求1所述的方法，其特征在于，所述图像分割网络包括乳房分割网络和腺体分割网络；所述将获取的乳腺灰度图像输入图像分割网络中，得到乳房区域分割结果和腺体区域分割结果，包括：
将所述乳腺灰度图像输入所述乳房分割网络，得到乳房区域掩模；根据所述乳房区域掩模确定乳房区域坐标信息，作为所述乳房区域分割结果；
将所述乳腺灰度图像输入所述腺体分割网络，得到腺体区域掩模；根据所述腺体区域掩模确定腺体区域坐标信息，作为所述腺体区域分割结果。
7.根据权利要求1所述的方法，其特征在于，所述乳腺灰度图像包括乳腺斜侧位MLO图像和/或乳腺轴位CC图像。
8.根据权利要求7所述的方法，其特征在于，所述根据所述乳房区域分割结果和所述腺体区域分割结果，计算腺体区域在乳房区域中的面积占比，包括：
根据所述MLO图像的乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的第一面积占比；
根据所述CC图像的乳房区域分割结果和腺体区域分割结果，计算腺体区域在乳房区域中的第二面积占比；
根据所述第一面积占比和所述第二面积占比，确定所述面积占比。
9.根据权利要求1所述的方法，其特征在于，在得到所述增强乳腺图像之后，所述方法还包括：
将所述增强乳腺图像输入图像检测网络中，得到所述乳腺灰度图像的病灶检测结果。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-9中任一项所述方法的步骤。
CN202010432328.6A 2020-03-20 2020-05-20 医学图像增强方法和计算机可读存储介质 Active CN111489318B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010211164 2020-03-20
CN2020102111644 2020-03-20

Publications (2)

Publication Number Publication Date
CN111489318A true CN111489318A (zh) 2020-08-04
CN111489318B CN111489318B (zh) 2023-10-27

Family

ID=71811390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010432328.6A Active CN111489318B (zh) 2020-03-20 2020-05-20 医学图像增强方法和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111489318B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651959A (zh) * 2020-12-31 2021-04-13 山东众阳健康科技集团有限公司 基于动态地图损失神经网络的ct颅内出血检测系统
CN113689355A (zh) * 2021-09-10 2021-11-23 数坤(北京)网络科技股份有限公司 图像处理方法、装置、存储介质及计算机设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5079698A (en) * 1989-05-03 1992-01-07 Advanced Light Imaging Technologies Ltd. Transillumination method apparatus for the diagnosis of breast tumors and other breast lesions by normalization of an electronic image of the breast
CA2025255A1 (en) * 1990-09-13 1992-03-14 Leonard E. Grenier Transillumination method and apparatus for the diagnosis of breast tumors and other breast lesions
US20090252396A1 (en) * 2008-04-04 2009-10-08 Fujifilm Corporation Image processing apparatus and image processing method, and recording medium
CN106780413A (zh) * 2016-11-30 2017-05-31 深圳市安健科技股份有限公司 一种图像增强方法及装置
CN108550150A (zh) * 2018-04-17 2018-09-18 上海联影医疗科技有限公司 乳腺密度的获取方法、设备及可读存储介质
US20180286025A1 (en) * 2015-10-07 2018-10-04 Nanjing Jusha Display Technology Co., Ltd. Display gray scale curve correction system and method for molybdenum target mammography
CN109598702A (zh) * 2018-10-30 2019-04-09 南方医科大学南方医院 对比增强能谱乳腺x线摄影的病灶特征量化方法及系统
CN110136829A (zh) * 2019-05-16 2019-08-16 腾讯科技（深圳）有限公司 乳腺钼靶图像的辅助诊断方法、装置、系统及介质
CN110533609A (zh) * 2019-08-16 2019-12-03 域鑫科技（惠州）有限公司 适用于内窥镜的图像增强方法、装置和存储介质
CN110610498A (zh) * 2019-08-13 2019-12-24 上海联影智能医疗科技有限公司 乳腺钼靶图像处理方法、系统、存储介质及设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5079698A (en) * 1989-05-03 1992-01-07 Advanced Light Imaging Technologies Ltd. Transillumination method apparatus for the diagnosis of breast tumors and other breast lesions by normalization of an electronic image of the breast
CA2025255A1 (en) * 1990-09-13 1992-03-14 Leonard E. Grenier Transillumination method and apparatus for the diagnosis of breast tumors and other breast lesions
US20090252396A1 (en) * 2008-04-04 2009-10-08 Fujifilm Corporation Image processing apparatus and image processing method, and recording medium
US20180286025A1 (en) * 2015-10-07 2018-10-04 Nanjing Jusha Display Technology Co., Ltd. Display gray scale curve correction system and method for molybdenum target mammography
CN106780413A (zh) * 2016-11-30 2017-05-31 深圳市安健科技股份有限公司 一种图像增强方法及装置
CN108550150A (zh) * 2018-04-17 2018-09-18 上海联影医疗科技有限公司 乳腺密度的获取方法、设备及可读存储介质
CN109598702A (zh) * 2018-10-30 2019-04-09 南方医科大学南方医院 对比增强能谱乳腺x线摄影的病灶特征量化方法及系统
CN110136829A (zh) * 2019-05-16 2019-08-16 腾讯科技（深圳）有限公司 乳腺钼靶图像的辅助诊断方法、装置、系统及介质
CN110610498A (zh) * 2019-08-13 2019-12-24 上海联影智能医疗科技有限公司 乳腺钼靶图像处理方法、系统、存储介质及设备
CN110533609A (zh) * 2019-08-16 2019-12-03 域鑫科技（惠州）有限公司 适用于内窥镜的图像增强方法、装置和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘庆庆;刘立;王建;: "基于子区域分类的乳腺密度估计" *
谷宇;吕晓琪;吴凉;郝小静;赵瑛;喻大华;张信雪;张文莉;黄显武;任国印;: "基于NSCT和CLAHE的乳腺钼靶X线图像微钙化点增强方法" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651959A (zh) * 2020-12-31 2021-04-13 山东众阳健康科技集团有限公司 基于动态地图损失神经网络的ct颅内出血检测系统
CN112651959B (zh) * 2020-12-31 2023-08-15 众阳健康科技集团有限公司 基于动态地图损失神经网络的ct颅内出血检测系统
CN113689355A (zh) * 2021-09-10 2021-11-23 数坤(北京)网络科技股份有限公司 图像处理方法、装置、存储介质及计算机设备

Also Published As

Publication number Publication date
CN111489318B (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
CN110321920B (zh) 图像分类方法、装置、计算机可读存储介质和计算机设备
CN110276741B (zh) 结节检测及其模型训练的方法和装置以及电子设备
CN111583199B (zh) 样本图像标注方法、装置、计算机设备和存储介质
CN111667459B (zh) 一种基于3d可变卷积和时序特征融合的医学征象检测方法、系统、终端及存储介质
US20230052133A1 (en) Medical image processing method and apparatus, device, storage medium, and product
US11684333B2 (en) Medical image analyzing system and method thereof
CN111489318B (zh) 医学图像增强方法和计算机可读存储介质
US20210145389A1 (en) Standardizing breast density assessments
CN111583184A (zh) 图像分析方法、网络、计算机设备和存储介质
CN114820652B (zh) 乳腺x线图像局部质量异常区域的分割方法、装置及介质
CN115471470A (zh) 一种食管癌ct图像分割方法
WO2022247573A1 (zh) 模型训练方法、图像处理方法、装置、设备及存储介质
CN111275699A (zh) 医学图像的处理方法、装置、设备及存储介质
KR20200099633A (ko) 영상의 질감 분석 방법 및 컴퓨터 프로그램
CN111209946B (zh) 三维图像处理方法、图像处理模型训练方法及介质
CN111583264A (zh) 图像分割网络的训练方法、图像分割方法和存储介质
CN111862071A (zh) 一种基于ct图像测量腰1椎体ct值的方法
KR20210021663A (ko) 의료 영상 비식별화를 위한 신체 부위 위치 특정 방법, 프로그램 및 컴퓨팅 장치
CN113160199B (zh) 影像识别方法、装置、计算机设备和存储介质
CN113378929B (zh) 一种肺结节生长预测方法和计算机设备
CN112509052B (zh) 黄斑中心凹的检测方法、装置、计算机设备和存储介质
Majji et al. Smart iot in breast cancer detection using optimal deep learning
CN113077440A (zh) 病理图像的处理方法、装置、计算机设备和存储介质
CN112381810A (zh) 一种肺炎图像识别方法、装置及计算设备
CN115018795B (zh) 医学影像中的病灶的匹配方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant