CN111583099A - 图像摆正方法、计算机设备和存储介质 - Google Patents
图像摆正方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111583099A CN111583099A CN202010290129.6A CN202010290129A CN111583099A CN 111583099 A CN111583099 A CN 111583099A CN 202010290129 A CN202010290129 A CN 202010290129A CN 111583099 A CN111583099 A CN 111583099A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- medical image
- neural network
- network model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 239
- 230000009466 transformation Effects 0.000 claims abstract description 224
- 238000003062 neural network model Methods 0.000 claims abstract description 109
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims abstract description 83
- 238000012545 processing Methods 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims description 47
- 238000013519 translation Methods 0.000 claims description 46
- 238000004590 computer program Methods 0.000 claims description 25
- 230000001131 transforming effect Effects 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 13
- 238000001514 detection method Methods 0.000 description 12
- 210000004556 brain Anatomy 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种图像摆正方法、计算机设备和存储介质。所述方法包括：获取待摆正的医学图像；将所述待摆正的医学图像输入至神经网络模型中，得到所述待摆正的医学图像对应的变换参数；所述神经网络模型是基于训练图像和所述训练图像对应的金标准变换参数训练得到的；基于所述待摆正的医学图像对应的变换参数，对所述待摆正的医学图像上的各个点进行变换处理，得到摆正后的医学图像。采用本方法能够节省时间。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种图像摆正方法、计算机设备和存储介质。
背景技术
目前，在利用扫描设备对受检者进行扫描时，通常要求受检者平躺在扫描设备内部，且在扫描过程中保持姿势端正，但是在实际扫描过程中，受限于受检者的身体状况或者扫描设备的硬件限制等条件，受检者在扫描设备中的位置并不总是能满足要求，这样就会造成扫描得到的医学图像出现倾斜，而利用倾斜的医学图像进行后处理，这样得到的后处理结果也是不够准确的，因此，就需要对受检者的医学图像进行摆正。
相关技术中，一般是通过模板配准的方式对倾斜图像进行标准化操作，使倾斜图像处于较为标准的位置，即通过不断地对受检者的医学图像进行线性或非线性变换处理，最终将受检者的医学图像变换到和模板图像近似的位置上，得到摆正后的图像。
然而上述技术存在耗时的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够节省时间的图像摆正方法、装置、计算机设备和存储介质。
一种图像摆正方法，该方法包括：
获取待摆正的医学图像；
将待摆正的医学图像输入至神经网络模型中，得到待摆正的医学图像对应的变换参数；该神经网络模型是基于训练图像和训练图像对应的金标准变换参数训练得到的；
基于待摆正的医学图像对应的变换参数，对待摆正的医学图像上的各个点进行变换处理，得到摆正后的医学图像。
在其中一个实施例中，上述基于待摆正的医学图像对应的变换参数，对待摆正的医学图像上的各个点进行变换处理，得到摆正后的医学图像，包括：
基于待摆正的医学图像对应的变换参数，对摆正后的医学图像上的各个第一像素点的坐标进行变换处理，得到各个第一像素点的坐标在待摆正的医学图像上对应的各个第二像素点的坐标；
将各第二像素点的坐标上的像素值对应回填进各第一像素点，得到摆正后的医学图像。
在其中一个实施例中，上述训练图像和训练图像对应的金标准变换参数的获取方式包括：
获取金标准摆正后的图像；
将金标准摆正后的图像随机进行旋转和平移，得到随机旋转角度和随机平移距离以及随机旋转图像；
将随机旋转图像作为训练图像，以及，将随机旋转角度和随机平移距离作为训练图像对应的金标准变换参数。
在其中一个实施例中，上述训练图像对应的金标准变换参数的获取方式包括：
获取训练图像对应的参考图像；参考图像为正向图像；
根据训练图像和训练图像对应的参考图像，得到训练图像和参考图像之间的变换矩阵；
对变换矩阵进行矩阵分解处理，得到金标准变换参数。
在其中一个实施例中，上述神经网络模型的训练方法包括：
将训练图像输入至初始神经网络模型，得到训练图像对应的预测变换参数；
利用训练图像对应的预测变换参数对训练图像上的各个点进行变换处理，得到训练图像对应的预测摆正图像；
计算训练图像对应的预测变换参数和训练图像对应的金标准变换参数之间的第一损失，以及，计算训练图像对应的预测摆正图像和训练图像对应的金标准摆正后的图像之间的第二损失；
利用第一损失和第二损失对初始神经网络模型进行训练，得到神经网络模型。
在其中一个实施例中，上述神经网络模型的训练方法包括：
将训练图像输入至初始神经网络模型，得到训练图像对应的预测变换参数；
计算训练图像对应的预测变换参数和训练图像对应的金标准变换参数之间的第一损失；
利用第一损失对初始神经网络模型进行训练，得到神经网络模型。
在其中一个实施例中，上述待摆正的医学图像对应的变换参数包括至少一个平移距离和至少一个旋转角度。
在其中一个实施例中，上述将各第二像素点的坐标上的像素值对应回填进各第一像素点，得到摆正后的医学图像，包括：
基于各第二像素点的坐标，确定与各第二像素点相邻的多个第二像素点；
采用预设的插值算法对与各第二像素点相邻的多个第二像素点的像素值进行插值处理，得到各第二像素点对应的目标像素值；
将各第二像素点对应的目标像素值对应回填进各第一像素点，得到摆正后的医学图像。
一种图像摆正装置，该装置包括：
获取模块，用于获取待摆正的医学图像；
确定模块，用于将待摆正的医学图像输入至神经网络模型中，得到待摆正的医学图像对应的变换参数；该神经网络模型是基于训练图像和训练图像对应的金标准变换参数训练得到的；
变换模块，用于基于待摆正的医学图像对应的变换参数，对待摆正的医学图像上的各个点进行变换处理，得到摆正后的医学图像。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待摆正的医学图像；
将待摆正的医学图像输入至神经网络模型中，得到待摆正的医学图像对应的变换参数；该神经网络模型是基于训练图像和训练图像对应的金标准变换参数训练得到的；
基于待摆正的医学图像对应的变换参数，对待摆正的医学图像上的各个点进行变换处理，得到摆正后的医学图像。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待摆正的医学图像；
将待摆正的医学图像输入至神经网络模型中，得到待摆正的医学图像对应的变换参数；该神经网络模型是基于训练图像和训练图像对应的金标准变换参数训练得到的；
基于待摆正的医学图像对应的变换参数，对待摆正的医学图像上的各个点进行变换处理，得到摆正后的医学图像。
上述图像摆正方法、装置、计算机设备和存储介质，通过将获取的待摆正的医学图像输入至神经网络模型中，得到待摆正的医学图像对应的变换参数，基于待摆正的医学图像对应的变换参数对该待摆正的医学图像上的各个点进行变换处理，得到摆正后的医学图像。在该方法中，由于可以通过神经网络模型直接得到待摆正的医学图像对应的变换参数，而不需要通过多次线性或非线性变换才能得到变换参数，因此，本方法可以快速得到变换参数，进而在后续利用变换参数得到摆正后的医学图像时，也可以非常快速地得到，从而可以提高图像摆正的效率，即可以节省图像摆正的时间；另外，由于本方法是通过神经网络模型得到变换参数的，相比较人工通过模板配准的方式得到变换参数，本方法得到的变换参数更加准确，从而利用该更加准确的变换参数得到的摆正后的医学图像也会更加准确。
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为一个实施例中图像摆正方法的流程示意图；
图3为另一个实施例中图像摆正方法的流程示意图；
图4为一个实施例中金标准变换参数的获取的流程示意图；
图5为另一个实施例中金标准变换参数的获取的流程示意图；
图6为一个实施例中神经网络模型训练的流程示意图；
图7为另一个实施例中神经网络模型训练的流程示意图；
图8为一个实施例中图像摆正装置的结构框图。
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。
目前，在利用扫描设备对受检者进行扫描时，通常要求受检者平躺在扫描设备内部，且在扫描过程中保持姿势端正，但是在实际扫描过程中，受限于受检者的身体状况或者扫描设备的硬件限制等条件，受检者在扫描设备中的位置并不总是能满足要求，这样就会造成扫描得到的医学图像出现倾斜，而影像过度倾斜，既不利于医生阅片，且利用倾斜的医学图像进行后处理，这样得到的后处理结果也是不够准确的，因此，就需要对受检者的医学图像进行摆正。相关技术中，一般是通过模板配准的方式对倾斜图像进行标准化操作，使倾斜图像处于较为标准的位置，即通过不断地对受检者的医学图像进行线性或非线性变换处理，最终将受检者的医学图像变换到和模板图像近似的位置上，得到摆正后的图像，该技术不仅需要参考图像，而且也存在耗时的问题。当然对于脑部图像，也有一些方法是通过前连合(anterior commissure，AC)点和后连合(posterior commissure，PC)点之间的连线来实现对脑部图像的摆正的，具体摆正时，一般是确定AC、PC以及中矢面上其他至少一点(AC、PC上方并尽量远离)，根据这些点计算旋转矩阵并对图像进行旋转操作，从而达到对图像进行摆正的效果，然而利用AC-PC进行图像摆正，需要找到AC、PC点的位置，AC和PC点选取位置的准确性决定了摆正后图像是否能够达到预期效果，对于不熟悉脑部解剖结构信息的用户来说很不友好，同时对于需要进行大批量数据的摆正操作的需求来说这种方式需要花费大量时间。基于此，本申请提供一种图像摆正方法、装置、计算机设备和存储介质，可以解决上述技术问题。
本申请提供的图像摆正方法，可以应用于计算机设备，该计算机设备可以是终端或服务器。以计算机设备是终端为例，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图像摆正方法。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。
需要说明的是，本申请实施例的执行主体可以是计算机设备，也可以是图像摆正装置，下面就以计算机设备为执行主体来对本申请实施例的方法进行说明。
在一个实施例中，提供了一种图像摆正方法，本实施例涉及的是如何通过神经网络模型得到变换参数，并利用变换参数对待摆正的医学图像进行摆正的具体过程。如图2所示，该方法可以包括以下步骤：
S202，获取待摆正的医学图像。
在本步骤中，待摆正的医学图像可以是对受检者的受检部位进行扫描得到的医学图像，可以是CT(Computed Tomography，电子计算机断层扫描)图像、PET(PositronEmission Computed Tomography，正电子发射型计算机断层显像)图像、MR(MagneticResonance，磁共振)图像、PET-MR图像、PET-CT图像等等；待摆正的医学图像可以是一维图像、二维图像、三维图像等等。另外，待摆正的医学图像中包括受检部位，这里的受检部位可以是人体的脑部、胸部、腹部、腿部、全身等等，也就是说，这里待摆正的医学图像可以是脑部的医学图像、胸部的医学图像、腹部的医学图像、腿部的医学图像、全身的医学图像等等。当然，待摆正的医学图像也可以预先存储在数据库中，在需要使用时直接从数据库中读取得到该待摆正的医学图像，当然也可以是其他获取方式，本实施例对此不作具体限定。
需要说明的是，本实施例对图像进行摆正，其实质上摆正的是医学图像中受检部位的影像，例如以脑部图像为例，待摆正的医学图像上的脑部影像可能是歪的，那么本实施例就是将歪的脑部摆正，使得脑部影像在整个医学图像中处于一个标准的，比较正的位置。
S204，将待摆正的医学图像输入至神经网络模型中，得到待摆正的医学图像对应的变换参数；该神经网络模型是基于训练图像和训练图像对应的金标准变换参数训练得到的。
其中，神经网络模型可以是卷积神经网络模型、循环神经网络模型等等，当然还可以是其他神经网络模型。
可选的，这里的变换参数包括至少一个平移距离和至少一个旋转角度。也就是说，每个待摆正的医学图像得到的变换参数中可以是包括一个平移距离和一个旋转角度，还可以是包括一个平移距离和多个旋转角度，也可以是包括多个平移距离和一个旋转角度，当然还可以是包括多个平移距离和多个旋转角度。在本实施例中，优选地，每个待摆正的医学图像得到的变换参数中包括三个平移距离和三个旋转角度，三个平移距离分别对应图像在X轴、Y轴、Z轴上的平移距离，三个旋转角度分别对应图像在三个轴上的旋转角度；另外，这里三个平移距离的平移顺序可以根据实际情况而定，本实施例对此不作具体限定，三个旋转角度的旋转顺序在神经网络模型训练时可以预先设定好，这样在实际使用时，通过神经网络模型得到各旋转角度时，也就可以得到各旋转角度的旋转顺序。通过多个平移距离和多个旋转角度，可以充分考虑图像在各个轴向上的平移和旋转，使得到的摆正后的图像更为准确。
在使用神经网络模型之前，也需要对神经网络模型进行训练，这里训练时可以用多个训练图像和每个训练图像对应的金标准变换参数进行训练，通过多个训练图像和多个金标准变换参数就可以对神经网络模型进行训练，得到训练好的神经网络模型。这里的训练图像可以是不同检测对象的任意身体部位的医学图像，每个训练图像对应的金标准变换参数也是可以包括至少一个平移距离和至少一个旋转角度，且每个训练图像的金标准变换参数包括的平移距离和旋转角度的数量相同。
在神经网络模型训练好之后，就可以将获取的待摆正的医学图像输入至该训练好的神经网络模型，得到待摆正的医学图像对应的变换参数。
S206，基于待摆正的医学图像对应的变换参数，对待摆正的医学图像上的各个点进行变换处理，得到摆正后的医学图像。
在本步骤中，在基于上述得到的变换参数对待摆正的医学图像进行变换处理时，可以对待摆正的医学图像上的各个像素点/体素点进行变换处理，在对每个像素点/体素点进行变换处理时，可以是对每个像素点/体素点上的像素值/体素值进行变换处理，也可以是对每个像素点/体素点上的坐标进行变换处理，本实施例对此不作具体限定。
具体的，在得到变换参数之后，可以对待摆正的医学图像上的各个像素点/体素点进行变换处理，得到待摆正的医学图像上的各个像素点/体素点在摆正后的医学图像上对应的各个像素点/体素点，然后将摆正后的医学图像上对应的各个像素点/体素点组合起来就可以得到摆正后的医学图像。当然，这里也可以是将变换参数转化为平移矩阵和旋转矩阵，然后利用矩阵乘法的原理对待摆正的医学图像上的各个点进行处理，得到摆正后的医学图像上的各个点，从而得到摆正后的医学图像。
上述图像摆正方法中，通过将获取的待摆正的医学图像输入至神经网络模型中，得到待摆正的医学图像对应的变换参数，基于待摆正的医学图像对应的变换参数对该待摆正的医学图像上的各个点进行变换处理，得到摆正后的医学图像。在该方法中，由于可以通过神经网络模型直接得到待摆正的医学图像对应的变换参数，而不需要通过多次线性或非线性变换才能得到变换参数，因此，本方法可以快速得到变换参数，进而在后续利用变换参数得到摆正后的医学图像时，也可以非常快速地得到，从而可以提高图像摆正的效率，即可以节省图像摆正的时间；另外，由于本方法是通过神经网络模型得到变换参数的，相比较人工通过模板配准的方式得到变换参数，本方法得到的变换参数更加准确，从而利用该更加准确的变换参数得到的摆正后的医学图像也会更加准确。
在另一个实施例中，提供了另一种图像摆正方法，本实施例涉及的是如何基于神经网络模型得到的变换参数对待摆正的医学图像进行摆正的具体过程。在上述实施例的基础上，如图3所示，上述S206可以包括以下步骤：
S302，基于待摆正的医学图像对应的变换参数，对摆正后的医学图像上的各个第一像素点的坐标进行变换处理，得到各个第一像素点的坐标在待摆正的医学图像上对应的各个第二像素点的坐标。
在本步骤中，在得到待摆正的医学图像对应的变换参数之后，可以根据变换参数和预设的坐标系类别以及预设的各个角度的旋转顺序，得到变换参数对应的旋转矩阵和平移矩阵，然后将旋转矩阵和平移矩阵相乘之后，得到一个变换矩阵，然后对该变换矩阵求逆，得到逆变换矩阵。另外，摆正后的医学图像的坐标系可以根据实际情况确定，一般和待摆正的医学图像的坐标系一致，例如都可以是将图像左上角的点作为原点，频率编码方向和相位编码方向及选层方向作为坐标系的方向建立得到。通过建立的坐标系就可以得到摆正后的医学图像上各个像素点的坐标，这里摆正后的医学图像上的各个像素点记为各个第一像素点。在得到各个第一像素点的坐标之后，可以将各个第一像素点的坐标分别与上述逆变换矩阵做乘法，这样就可以得到各个第一像素点的坐标经过逆变换后对应的坐标，分别记为各第二像素点的坐标。
示例地，以一个待摆正的脑部图像为例，图像上的每个点对应6个参数，假设是左手坐标系，待摆正的医学图像上一个点的坐标为(x,y,z)，摆正后的医学图像上的一个对应点的坐标为(x’,y’,z’)，x、y和z轴方向的三个平移距离分别为mx、my、mz，三个旋转角度分别为θx、θy、θz，三个轴对应的旋转矩阵分别为Tx、Ty、Tz，对应的平移矩阵为Tm，旋转矩阵和平移矩阵对应的公式如下公式(1)-(4)所示：
那么(x,y,z)和(x’,y’,z’)之间的变换公式如下公式(5)所示：
[x',y',z',1]＝[x,y,z,1]×Tx×Ty×Tz×Tm (5)
相应地，对公式(5)中的旋转矩阵和平移矩阵求逆，然后取每个点的坐标的前三位坐标值，就可以得到摆正后的医学图像上的各个点的坐标在摆正前的医学图像上对应的各个点的坐标。
S304，将各第二像素点的坐标上的像素值对应回填进各第一像素点，得到摆正后的医学图像。
在本步骤中，在进行像素值回填时，可选的，可以基于各第二像素点的坐标，确定与各第二像素点相邻的多个第二像素点；采用预设的插值算法对与各第二像素点相邻的多个第二像素点的像素值进行插值处理，得到各第二像素点对应的目标像素值；将各第二像素点对应的目标像素值对应回填进各第一像素点，得到摆正后的医学图像。
也就是说，由于各个第一像素点的坐标对应到各第二像素点的坐标时，有可能会出现第二像素点的坐标为小数的情况，一般像素点的坐标都是整数，如果单纯使用该第二像素点临近的一个整数坐标上的像素值作为该第二像素点上的像素值，很明显这样是不准确的，那么就有可能会出现图像信息损失的问题，因此这里为了避免图像信息的损失，这里不论得到的各第二像素点的坐标是否为小数，都会选择与各第二像素点的坐标临近的多个整数坐标的第二像素点，作为该第二像素点的参考像素点，然后通过线性插值的方法，当然也可以是其他插值方法，对该第二像素点临近的多个整数像素点上的像素值进行加权求和并取平均，并将最后得到的均值作为该第二像素点的目标像素值。上述加权求和中的权重可以是该第二像素点与各相邻第二像素点之间的距离。
在得到各第二像素点的目标像素值之后，就可以将每个第二像素点的目标像素值填入与其对应的第一像素点的位置上，在所有的第一像素点都填满之后，就可以得到摆正后的医学图像。
本实施例提供的图像摆正方法，可以基于待摆正的医学图像对应的变换参数对摆正后的医学图像上的各个第一像素点进行处理，得到各第一像素点对应到待摆正的医学图像上的各第二像素点，并将各第二像素点上的坐标值对应回填至各第一像素点，得到摆正后的医学图像。在本实施例中，由于可以采用像素值回填的方式得到摆正后的医学图像，这样可以完全利用待摆正的医学图像上各个点的像素值，以尽可能地减少图像摆正之后信息的损失，进而可以使最终得到的摆正后的医学图像的精度更高，也更准确。
在另一个实施例中，提供了另一种图像摆正方法，本实施例涉及的是如何神经网络模型在训练时如何获取训练图像对应的金标准变换参数的两种可能的实施方式。在上述实施例的基础上，首先介绍第一种获取方式，如图4所示，上述训练图像对应的金标准变换参数的一种获取方式可以包括以下步骤：
S402，获取金标准摆正后的图像。
S404，将金标准摆正后的图像随机进行旋转和平移，得到随机旋转角度和随机平移距离以及随机旋转图像。
S406，将随机旋转图像作为训练图像，以及，将随机旋转角度和随机平移距离作为训练图像对应的金标准变换参数。
在S402-S406中，这里获取的金标准摆正后的图像一般是多个图像，例如可以是同一个检测对象的不同部位的图像，或者可以是不同检测对象的相同部位的图像，或者可以是不同检测对象的不同部位的金标准医学图像。一般可以通过调整扫描设备参数，在扫描参数为最优时，或者在扫描前纠正检测对象的位置，让检测对象处于标准位置时，对检测对象进行扫描得到的医学图像，并将其作为金标准摆正后的医学图像。
另外，可以将每个金标准摆正后的医学图像随机绕各个坐标轴旋转一次以及沿各个坐标轴平移一次，得到每个金标准摆正后的医学图像对应的一个随机旋转图像，以及一组旋转角度和一组平移距离(每组旋转角度里包括各个轴上的旋转角度，每组平移距离包括各个轴上的平移距离)，然后将每个金标准摆正后的医学图像得到的一个随机旋转图像作为一个训练图像，并将在得到该一个训练图像时的一组旋转角度和一组平移距离，作为该训练图像对应的金标准变换参数。当然也可以将每个金标准摆正后的图像旋转多次和/或平移多次，得到更多个训练图像和每个训练图像对应的金标准变换参数。
接着，参见图5所示，上述训练图像对应的金标准变换参数的另一种获取方式可以包括以下步骤：
S502，获取训练图像对应的参考图像；参考图像为正向图像。
S504，根据训练图像和训练图像对应的参考图像，得到训练图像和参考图像之间的变换矩阵。
S506，对变换矩阵进行矩阵分解处理，得到金标准变换参数。
在S502-S506中，可以将对相同或不同检测对象的相同或不同检测部位进行图像采集，得到多个图像作为训练图像，然后通过每个训练图像对应的一个参考图像对其进行模板配准，这里的参考图像可以和上述S402相同，通过调整扫描设备参数，在扫描参数为最优时，或者在扫描前纠正检测对象的位置，让检测对象的检测部位处于标准位置时，对检测对象的检测部位进行扫描得到的医学图像，并将其作为参考图像，需要说明的是，这里参考图像为正向图像，也就是说，参考图像是图像中的检测部位为摆正状态的图像；另外，这里的参考图像可以只有一个，就是所有训练图像共用一个参考图像，只要这个参考图像是正的图像即可。
在得到多个训练图像和每个训练图像对应的参考图像之后，以一个训练图像和其对应的参考图像为例，可以通过该训练图像上的像素值或坐标值以及其对应的参考图像上的像素值或坐标值，计算得到训练图像和其对应的参考图像之间的变换矩阵，然后按照设定的左右手坐标系，旋转角度的旋转方向，对该变换矩阵进行欧拉角和距离的计算，就可以得到变换矩阵对应的旋转角度(也是欧拉角)和平移距离，并将计算得到旋转矩阵和平移距离作为该训练图像对应的金标准变换参数。对于其他训练图像，也可以按照此方法进行计算，以得到其各自对应的金标准变换参数。
示例地，上述在计算变换矩阵时，假设待摆正的医学图像上有两个点，对应的坐标分别为X1、X2，变换矩阵为C，摆正后的医学图像上也有两个点，对应的坐标分别为Y1、Y2，那么可以得到关系式(X1,X2)·C＝(Y1,Y2)，通过采用待定系数方法、奇异值分解方法、Levenberg-Marquardt等对该关系式进行求解，就可以得到变换矩阵C。
本实施例提供的图像摆正方法，可以通过对金标准摆正后的图像进行随机旋转和平移，得到训练图像和金标准变换参数，也可以通过对训练图像和参考图像之间的变换矩阵进行分解，得到训练图像对应的金标准变换参数。在本实施例中，由于可以通过两种不同方式得到金标准变换参数，因此可以为后续神经网络模型的训练提供数据基础。
在另一个实施例中，提供了另一种图像摆正方法，本实施例涉及的是如何对神经网络模型进行训练的两种可能的实施方式。在上述实施例的基础上，首先介绍第一种训练方式，如图6所示，上述神经网络模型的一种训练方式可以包括以下步骤：
S602，将训练图像输入至初始神经网络模型，得到训练图像对应的预测变换参数。
S604，利用训练图像对应的预测变换参数对训练图像上的各个点进行变换处理，得到训练图像对应的预测摆正图像。
S606，计算训练图像对应的预测变换参数和训练图像对应的金标准变换参数之间的第一损失，以及，计算训练图像对应的预测摆正图像和训练图像对应的金标准摆正后的图像之间的第二损失。
S608，利用第一损失和第二损失对初始神经网络模型进行训练，得到神经网络模型。
在S602-S608，第一损失可以是每个训练图像的预测变换变换和金标准变换参数之间的误差、方差、范数等；第二损失可以是每个训练图像的预测摆正图像和金标准摆正后的图像上的像素值/体素值之间的误差、方差、范数等；在得到第一损失和第二损失时，可以将第一损失作为第一损失函数的值，将第二损失作为第二损失函数的值；在训练神经网络模型时，当神经网络模型的第一损失函数和第二损失函数的和值小于预设的阈值时，或者当第一损失函数和第二损失函数的和值基本稳定时(即不再发生变化时，这里的和值可以是直接相加得到的和值，也可以是加权求和得到的和值)，则可以确定神经网络模型已经训练好，否则还要继续训练，当训练好时可以固定神经网络模型的参数，便于下一步使用。
接着，参见图7所示，上述神经网络模型的另一种训练方式可以包括以下步骤：
S702，将训练图像输入至初始神经网络模型，得到训练图像对应的预测变换参数。
S704，计算训练图像对应的预测变换参数和训练图像对应的金标准变换参数之间的第一损失。
S706，利用第一损失对初始神经网络模型进行训练，得到神经网络模型。
在S702-S706，第一损失和上述第一种训练方式中的相同，在得到第一损失时，可以将第一损失作为第一损失函数的值；在训练神经网络模型时，当神经网络模型的第一损失函数的值小于预设的阈值时，或者当第一损失函数的值基本稳定时(即不再发生变化时)，则可以确定神经网络模型已经训练好，否则还要继续训练，当训练好时可以固定神经网络模型的参数，便于下一步使用。
本实施例提供的图像摆正方法，可以通过计算每个训练图像的预测变换参数和金标准变换参数之间的损失，也可以计算每个训练图像的金标准图像和预测图像之间的损失，然后可以通过变换参数的损失对神经网络模型进行训练，也可以通过变换参数的损失以及图像的损失一起对神经网络模型进行训练，得到训练好的神经网络模型。在本实施例中，由于可以通过多种方式对神经网络模型进行训练，即通过不同层面上的损失来对神经网络模型进行训练，这样神经网络模型结合的损失比较丰富和全面，那么训练得到的神经网络模型也就会更加准确；另外，由于训练时采用了变换参数的损失和图像的损失两者结合的方式，这样可以保证在摆正图像时，摆正前后的图像在局部区域也是可以对应上的，也就是说通过本实施例的方法训练的神经网络模型，在摆正图像时，得到的摆正后的图像的精度更高，即更加准确。
在另一个实施例中，为了便于对本申请的技术方案进行更详细的说明，以下结合一个更加详细的实施例加以说明，该方法可以包括以下步骤S1-S11：
S1，获取金标准摆正后的图像；将金标准摆正后的图像随机进行旋转和平移，得到随机旋转角度和随机平移距离以及随机旋转图像；将随机旋转图像作为训练图像，以及，将随机旋转角度和随机平移距离作为训练图像对应的金标准变换参数；或者，也可以采用S2的方式得到训练图像及金标准变换参数。
S2，获取训练图像以及训练图像对应的参考图像；根据训练图像和训练图像对应的参考图像，得到训练图像和参考图像之间的变换矩阵；对变换矩阵进行矩阵分解处理，得到金标准变换参数。
S3，将训练图像输入至初始神经网络模型，得到训练图像对应的预测变换参数，利用训练图像对应的预测变换参数对训练图像上的各个点进行变换处理，得到训练图像对应的预测摆正图像。
S4，计算训练图像对应的预测变换参数和训练图像对应的金标准变换参数之间的第一损失，以及，计算训练图像对应的预测摆正图像和训练图像对应的金标准摆正后的图像之间的第二损失。
S5，利用第一损失和第二损失对初始神经网络模型进行训练，得到神经网络模型；或者，利用第一损失对初始神经网络模型进行训练，得到神经网络模型。
S6，获取待摆正的医学图像。
S7，将待摆正的医学图像输入至神经网络模型中，得到待摆正的医学图像对应的变换参数。
S8，基于待摆正的医学图像对应的变换参数，对摆正后的医学图像上的各个第一像素点的坐标进行变换处理，得到各个第一像素点的坐标在待摆正的医学图像上对应的各个第二像素点的坐标。
S9，基于各第二像素点的坐标，确定与各第二像素点相邻的多个第二像素点。
S10，采用预设的插值算法对与各第二像素点相邻的多个第二像素点的像素值进行插值处理，得到各第二像素点对应的目标像素值。
S11，将各第二像素点对应的目标像素值对应回填进各第一像素点，得到摆正后的医学图像。
应该理解的是，虽然图2-7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，这些步骤可以以其它的顺序执行。而且，图2-7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的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8所示，提供了一种图像摆正装置，包括：获取模块10、确定模块11和变换模块12，其中：
获取模块10，用于获取待摆正的医学图像；
确定模块11，用于将待摆正的医学图像输入至神经网络模型中，得到待摆正的医学图像对应的变换参数；该神经网络模型是基于训练图像和训练图像对应的金标准变换参数训练得到的；
变换模块12，用于基于待摆正的医学图像对应的变换参数，对待摆正的医学图像上的各个点进行变换处理，得到摆正后的医学图像。
可选的，上述待摆正的医学图像对应的变换参数包括至少一个平移距离和至少一个旋转角度。
关于图像摆正装置的具体限定可以参见上文中对于图像摆正方法的限定，在此不再赘述。
在另一个实施例中，提供了另一种图像摆正装置，在上述实施例的基础上，上述变换模块12可以包括变换单元和回填单元，其中：
变换单元，用于基于待摆正的医学图像对应的变换参数，对摆正后的医学图像上的各个第一像素点的坐标进行变换处理，得到各个第一像素点的坐标在待摆正的医学图像上对应的各个第二像素点的坐标；
回填单元，用于将各第二像素点的坐标上的像素值对应回填进各第一像素点，得到摆正后的医学图像。
可选的，上述回填单元，还用于基于各第二像素点的坐标，确定与各第二像素点相邻的多个第二像素点；采用预设的插值算法对与各第二像素点相邻的多个第二像素点的像素值进行插值处理，得到各第二像素点对应的目标像素值；将各第二像素点对应的目标像素值对应回填进各第一像素点，得到摆正后的医学图像。
在另一个实施例中，提供了另一种图像摆正装置，在上述实施例的基础上，上述装置还可以包括参数获取模块，该参数获取模块，用于获取金标准摆正后的图像；将金标准摆正后的图像随机进行旋转和平移，得到随机旋转角度和随机平移距离以及随机旋转图像；将随机旋转图像作为训练图像，以及，将随机旋转角度和随机平移距离作为训练图像对应的金标准变换参数。
可选的，该参数获取模块，还用于获取训练图像对应的参考图像；参考图像为正向图像；根据训练图像和训练图像对应的参考图像，得到训练图像和参考图像之间的变换矩阵；对变换矩阵进行矩阵分解处理，得到金标准变换参数。
在另一个实施例中，提供了另一种图像摆正装置，在上述实施例的基础上，上述装置还可以包括模型训练模块，该模型训练模块，用于将训练图像输入至初始神经网络模型，得到训练图像对应的预测变换参数；利用训练图像对应的预测变换参数对训练图像上的各个点进行变换处理，得到训练图像对应的预测摆正图像；计算训练图像对应的预测变换参数和训练图像对应的金标准变换参数之间的第一损失，以及，计算训练图像对应的预测摆正图像和训练图像对应的金标准摆正后的图像之间的第二损失；利用第一损失和第二损失对初始神经网络模型进行训练，得到神经网络模型。
可选的，上述模型训练模块，还用于将训练图像输入至初始神经网络模型，得到训练图像对应的预测变换参数；计算训练图像对应的预测变换参数和训练图像对应的金标准变换参数之间的第一损失；利用第一损失对初始神经网络模型进行训练，得到神经网络模型。
关于图像摆正装置的具体限定可以参见上文中对于图像摆正方法的限定，在此不再赘述。
上述图像摆正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，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：
获取待摆正的医学图像；
将待摆正的医学图像输入至神经网络模型中，得到待摆正的医学图像对应的变换参数；该神经网络模型是基于训练图像和训练图像对应的金标准变换参数训练得到的；
基于待摆正的医学图像对应的变换参数，对待摆正的医学图像上的各个点进行变换处理，得到摆正后的医学图像。
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：
基于待摆正的医学图像对应的变换参数，对摆正后的医学图像上的各个第一像素点的坐标进行变换处理，得到各个第一像素点的坐标在待摆正的医学图像上对应的各个第二像素点的坐标；将各第二像素点的坐标上的像素值对应回填进各第一像素点，得到摆正后的医学图像。
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：
获取金标准摆正后的图像；将金标准摆正后的图像随机进行旋转和平移，得到随机旋转角度和随机平移距离以及随机旋转图像；将随机旋转图像作为训练图像，以及，将随机旋转角度和随机平移距离作为训练图像对应的金标准变换参数。
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：
获取训练图像对应的参考图像；参考图像为正向图像；根据训练图像和训练图像对应的参考图像，得到训练图像和参考图像之间的变换矩阵；对变换矩阵进行矩阵分解处理，得到金标准变换参数。
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：
将训练图像输入至初始神经网络模型，得到训练图像对应的预测变换参数；利用训练图像对应的预测变换参数对训练图像上的各个点进行变换处理，得到训练图像对应的预测摆正图像；计算训练图像对应的预测变换参数和训练图像对应的金标准变换参数之间的第一损失，以及，计算训练图像对应的预测摆正图像和训练图像对应的金标准摆正后的图像之间的第二损失；利用第一损失和第二损失对初始神经网络模型进行训练，得到神经网络模型。
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：
将训练图像输入至初始神经网络模型，得到训练图像对应的预测变换参数；计算训练图像对应的预测变换参数和训练图像对应的金标准变换参数之间的第一损失；利用第一损失对初始神经网络模型进行训练，得到神经网络模型。
在一个实施例中，上述待摆正的医学图像对应的变换参数包括至少一个平移距离和至少一个旋转角度。
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：
基于各第二像素点的坐标，确定与各第二像素点相邻的多个第二像素点；采用预设的插值算法对与各第二像素点相邻的多个第二像素点的像素值进行插值处理，得到各第二像素点对应的目标像素值；将各第二像素点对应的目标像素值对应回填进各第一像素点，得到摆正后的医学图像。
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：
获取待摆正的医学图像；
将待摆正的医学图像输入至神经网络模型中，得到待摆正的医学图像对应的变换参数；该神经网络模型是基于训练图像和训练图像对应的金标准变换参数训练得到的；
基于待摆正的医学图像对应的变换参数，对待摆正的医学图像上的各个点进行变换处理，得到摆正后的医学图像。
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：
基于待摆正的医学图像对应的变换参数，对摆正后的医学图像上的各个第一像素点的坐标进行变换处理，得到各个第一像素点的坐标在待摆正的医学图像上对应的各个第二像素点的坐标；将各第二像素点的坐标上的像素值对应回填进各第一像素点，得到摆正后的医学图像。
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：
获取金标准摆正后的图像；将金标准摆正后的图像随机进行旋转和平移，得到随机旋转角度和随机平移距离以及随机旋转图像；将随机旋转图像作为训练图像，以及，将随机旋转角度和随机平移距离作为训练图像对应的金标准变换参数。
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：
获取训练图像对应的参考图像；参考图像为正向图像；根据训练图像和训练图像对应的参考图像，得到训练图像和参考图像之间的变换矩阵；对变换矩阵进行矩阵分解处理，得到金标准变换参数。
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：
将训练图像输入至初始神经网络模型，得到训练图像对应的预测变换参数；利用训练图像对应的预测变换参数对训练图像上的各个点进行变换处理，得到训练图像对应的预测摆正图像；计算训练图像对应的预测变换参数和训练图像对应的金标准变换参数之间的第一损失，以及，计算训练图像对应的预测摆正图像和训练图像对应的金标准摆正后的图像之间的第二损失；利用第一损失和第二损失对初始神经网络模型进行训练，得到神经网络模型。
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：
将训练图像输入至初始神经网络模型，得到训练图像对应的预测变换参数；计算训练图像对应的预测变换参数和训练图像对应的金标准变换参数之间的第一损失；利用第一损失对初始神经网络模型进行训练，得到神经网络模型。
在一个实施例中，上述待摆正的医学图像对应的变换参数包括至少一个平移距离和至少一个旋转角度。
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：
基于各第二像素点的坐标，确定与各第二像素点相邻的多个第二像素点；采用预设的插值算法对与各第二像素点相邻的多个第二像素点的像素值进行插值处理，得到各第二像素点对应的目标像素值；将各第二像素点对应的目标像素值对应回填进各第一像素点，得到摆正后的医学图像。
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)
1.一种图像摆正方法，其特征在于，所述方法包括：
获取待摆正的医学图像；
将所述待摆正的医学图像输入至神经网络模型中，得到所述待摆正的医学图像对应的变换参数；所述神经网络模型是基于训练图像和所述训练图像对应的金标准变换参数训练得到的；
基于所述待摆正的医学图像对应的变换参数，对所述待摆正的医学图像上的各个点进行变换处理，得到摆正后的医学图像。
2.根据权利要求1所述的方法，其特征在于，所述基于所述待摆正的医学图像对应的变换参数，对所述待摆正的医学图像上的各个点进行变换处理，得到摆正后的医学图像，包括：
基于所述待摆正的医学图像对应的变换参数，对所述摆正后的医学图像上的各个第一像素点的坐标进行变换处理，得到各个第一像素点的坐标在所述待摆正的医学图像上对应的各个第二像素点的坐标；
将各所述第二像素点的坐标上的像素值对应回填进各所述第一像素点，得到所述摆正后的医学图像。
3.根据权利要求1所述的方法，其特征在于，所述训练图像和所述训练图像对应的金标准变换参数的获取方式包括：
获取金标准摆正后的图像；
将所述金标准摆正后的图像随机进行旋转和平移，得到随机旋转角度和随机平移距离以及随机旋转图像；
将所述随机旋转图像作为所述训练图像，以及，将所述随机旋转角度和所述随机平移距离作为所述训练图像对应的金标准变换参数。
4.根据权利要求1所述的方法，其特征在于，所述训练图像对应的金标准变换参数的获取方式包括：
获取所述训练图像对应的参考图像；所述参考图像为正向图像；
根据所述训练图像和所述训练图像对应的参考图像，得到所述训练图像和所述参考图像之间的变换矩阵；
对所述变换矩阵进行矩阵分解处理，得到所述金标准变换参数。
5.根据权利要求1-4任意一项所述的方法，其特征在于，所述神经网络模型的训练方法包括：
将所述训练图像输入至初始神经网络模型，得到所述训练图像对应的预测变换参数；
利用所述训练图像对应的预测变换参数对所述训练图像上的各个点进行变换处理，得到所述训练图像对应的预测摆正图像；
计算所述训练图像对应的预测变换参数和所述训练图像对应的金标准变换参数之间的第一损失，以及，计算所述训练图像对应的预测摆正图像和所述训练图像对应的金标准摆正后的图像之间的第二损失；
利用所述第一损失和所述第二损失对所述初始神经网络模型进行训练，得到所述神经网络模型。
6.根据权利要求1-4任意一项所述的方法，其特征在于，所述神经网络模型的训练方法包括：
将所述训练图像输入至初始神经网络模型，得到所述训练图像对应的预测变换参数；
计算所述训练图像对应的预测变换参数和所述训练图像对应的金标准变换参数之间的第一损失；
利用所述第一损失对所述初始神经网络模型进行训练，得到所述神经网络模型。
7.根据权利要求1-4任意一项所述的方法，其特征在于，所述待摆正的医学图像对应的变换参数包括至少一个平移距离和至少一个旋转角度。
8.根据权利要求2所述的方法，其特征在于，所述将各所述第二像素点的坐标上的像素值对应回填进各所述第一像素点，得到所述摆正后的医学图像，包括：
基于各所述第二像素点的坐标，确定与各所述第二像素点相邻的多个第二像素点；
采用预设的插值算法对与各所述第二像素点相邻的多个第二像素点的像素值进行插值处理，得到各所述第二像素点对应的目标像素值；
将各所述第二像素点对应的目标像素值对应回填进各所述第一像素点，得到所述摆正后的医学图像。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
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至8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010290129.6A CN111583099A (zh) | 2020-04-14 | 2020-04-14 | 图像摆正方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010290129.6A CN111583099A (zh) | 2020-04-14 | 2020-04-14 | 图像摆正方法、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111583099A true CN111583099A (zh) | 2020-08-25 |
Family
ID=72122591
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010290129.6A Pending CN111583099A (zh) | 2020-04-14 | 2020-04-14 | 图像摆正方法、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111583099A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113160290A (zh) * | 2021-03-31 | 2021-07-23 | 上海联影医疗科技股份有限公司 | 2d-3d医学图像配准方法、装置及可读存储介质 |
| CN113393468A (zh) * | 2021-06-28 | 2021-09-14 | 北京百度网讯科技有限公司 | 图像处理方法、模型训练方法、装置和电子设备 |
| CN113706583A (zh) * | 2021-09-01 | 2021-11-26 | 上海联影医疗科技股份有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| CN118154481A (zh) * | 2024-05-09 | 2024-06-07 | 杭州脉流科技有限公司 | 头颈ct影像的倾斜校正方法、计算机设备、可读存储介质和程序产品 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229470A (zh) * | 2017-12-22 | 2018-06-29 | 北京市商汤科技开发有限公司 | 文字图像处理方法、装置、设备及存储介质 |
| CN108399408A (zh) * | 2018-03-06 | 2018-08-14 | 李子衿 | 一种基于深度空间变换网络的变形字符矫正方法 |
| CN109145927A (zh) * | 2017-06-16 | 2019-01-04 | 杭州海康威视数字技术股份有限公司 | 一种对形变图像的目标识别方法及装置 |
| CN109241968A (zh) * | 2018-09-25 | 2019-01-18 | 广东工业大学 | 图像内容倾斜角度预测网络训练方法及修正方法、系统 |
| CN109583445A (zh) * | 2018-11-26 | 2019-04-05 | 平安科技（深圳）有限公司 | 文字图像校正处理方法、装置、设备及存储介质 |
| CN109993137A (zh) * | 2019-04-09 | 2019-07-09 | 安徽大学 | 一种基于卷积神经网络的快速人脸矫正方法 |
| WO2019227479A1 (zh) * | 2018-06-01 | 2019-12-05 | 华为技术有限公司 | 人脸旋转图像的生成方法及装置 |
-
2020
- 2020-04-14 CN CN202010290129.6A patent/CN111583099A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145927A (zh) * | 2017-06-16 | 2019-01-04 | 杭州海康威视数字技术股份有限公司 | 一种对形变图像的目标识别方法及装置 |
| CN108229470A (zh) * | 2017-12-22 | 2018-06-29 | 北京市商汤科技开发有限公司 | 文字图像处理方法、装置、设备及存储介质 |
| CN108399408A (zh) * | 2018-03-06 | 2018-08-14 | 李子衿 | 一种基于深度空间变换网络的变形字符矫正方法 |
| WO2019227479A1 (zh) * | 2018-06-01 | 2019-12-05 | 华为技术有限公司 | 人脸旋转图像的生成方法及装置 |
| CN109241968A (zh) * | 2018-09-25 | 2019-01-18 | 广东工业大学 | 图像内容倾斜角度预测网络训练方法及修正方法、系统 |
| CN109583445A (zh) * | 2018-11-26 | 2019-04-05 | 平安科技（深圳）有限公司 | 文字图像校正处理方法、装置、设备及存储介质 |
| CN109993137A (zh) * | 2019-04-09 | 2019-07-09 | 安徽大学 | 一种基于卷积神经网络的快速人脸矫正方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113160290A (zh) * | 2021-03-31 | 2021-07-23 | 上海联影医疗科技股份有限公司 | 2d-3d医学图像配准方法、装置及可读存储介质 |
| CN113393468A (zh) * | 2021-06-28 | 2021-09-14 | 北京百度网讯科技有限公司 | 图像处理方法、模型训练方法、装置和电子设备 |
| CN113706583A (zh) * | 2021-09-01 | 2021-11-26 | 上海联影医疗科技股份有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| CN113706583B (zh) * | 2021-09-01 | 2024-03-22 | 上海联影医疗科技股份有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| CN118154481A (zh) * | 2024-05-09 | 2024-06-07 | 杭州脉流科技有限公司 | 头颈ct影像的倾斜校正方法、计算机设备、可读存储介质和程序产品 |
| CN118154481B (zh) * | 2024-05-09 | 2024-07-26 | 杭州脉流科技有限公司 | 头颈ct影像的倾斜校正方法、计算机设备、可读存储介质和程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111583099A (zh) | 图像摆正方法、计算机设备和存储介质 | |
| US8345927B2 (en) | Registration processing apparatus, registration method, and storage medium | |
| US9471748B2 (en) | Method for sharing medical image data based on cloud platform, cloud platform and system | |
| US7945117B2 (en) | Methods and systems for registration of images | |
| US8249345B2 (en) | Automatic image segmentation using contour propagation | |
| US20110262015A1 (en) | Image processing apparatus, image processing method, and storage medium | |
| CN113397704B (zh) | 机器人定位方法、装置、系统及计算机设备 | |
| CN111179372B (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
| CN111462018B (zh) | 图像中的影像摆正方法、计算机设备和存储介质 | |
| CN110570483A (zh) | 扫描方法、装置、计算机设备和存储介质 | |
| CN113129418B (zh) | 基于三维影像的目标表面重建方法、装置、设备和介质 | |
| Xie et al. | Feature‐based rectal contour propagation from planning CT to cone beam CT | |
| CN110415310A (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
| CN112150571A (zh) | 一种图像运动伪影消除方法、装置、设备及存储介质 | |
| CN111223158B (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
| CN115526929A (zh) | 基于图像的配准方法和装置 | |
| CN112950684B (zh) | 基于表面配准的目标特征提取方法、装置、设备和介质 | |
| CN112150485B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
| US20080279428A1 (en) | Adaptive Point-Based Elastic Image Registration | |
| CN110473241B (zh) | 图像配准方法、存储介质及计算机设备 | |
| US20230099906A1 (en) | Image registration method, computer device, and storage medium | |
| CN113393498A (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
| CN112750152B (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
| KR102689375B1 (ko) | 다방향 엑스선 영상을 이용한 영상 내 골격 추정 장치 및 방법 | |
| CN113393500B (zh) | 脊柱扫描参数获取方法、装置、设备和存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210816 Address after: Room 3674, 3 / F, 2879 Longteng Avenue, Xuhui District, Shanghai, 200232 Applicant after: SHANGHAI UNITED IMAGING INTELLIGENT MEDICAL TECHNOLOGY Co.,Ltd. Applicant after: Lianying intelligent medical technology (Beijing) Co.,Ltd. Address before: Room 3674, 3 / F, 2879 Longteng Avenue, Xuhui District, Shanghai, 200232 Applicant before: SHANGHAI UNITED IMAGING INTELLIGENT MEDICAL TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right |