CN111640111A - 医学图像处理方法、装置及存储介质 - Google Patents
医学图像处理方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111640111A CN111640111A CN202010524714.8A CN202010524714A CN111640111A CN 111640111 A CN111640111 A CN 111640111A CN 202010524714 A CN202010524714 A CN 202010524714A CN 111640111 A CN111640111 A CN 111640111A
- Authority
- CN
- China
- Prior art keywords
- target
- image processing
- physiological state
- determining
- parameter
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 111
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000004891 communication Methods 0.000 claims description 34
- 238000013507 mapping Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000002595 magnetic resonance imaging Methods 0.000 description 75
- 238000011156 evaluation Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 13
- 238000013441 quality evaluation Methods 0.000 description 13
- 238000003062 neural network model Methods 0.000 description 9
- 239000008280 blood Substances 0.000 description 8
- 210000004369 blood Anatomy 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000005481 NMR spectroscopy Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 201000006474 Brain Ischemia Diseases 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 2
- 206010053942 Cerebral haematoma Diseases 0.000 description 2
- 206010008120 Cerebral ischaemia Diseases 0.000 description 2
- 206010018852 Haematoma Diseases 0.000 description 2
- 201000008450 Intracranial aneurysm Diseases 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 206010042928 Syringomyelia Diseases 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 206010008118 cerebral infarction Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 201000011096 spinal cancer Diseases 0.000 description 2
- UCTWMZQNUQWSLP-VIFPVBQESA-N (R)-adrenaline Chemical compound CNC[C@H](O)C1=CC=C(O)C(O)=C1 UCTWMZQNUQWSLP-VIFPVBQESA-N 0.000 description 1
- 229930182837 (R)-adrenaline Natural products 0.000 description 1
- 208000022211 Arteriovenous Malformations Diseases 0.000 description 1
- XUIIKFGFIJCVMT-GFCCVEGCSA-N D-thyroxine Chemical compound IC1=CC(C[C@@H](N)C(O)=O)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 XUIIKFGFIJCVMT-GFCCVEGCSA-N 0.000 description 1
- 206010020523 Hydromyelia Diseases 0.000 description 1
- 208000003618 Intervertebral Disc Displacement Diseases 0.000 description 1
- 206010050296 Intervertebral disc protrusion Diseases 0.000 description 1
- 208000009443 Vascular Malformations Diseases 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000005744 arteriovenous malformation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000037182 bone density Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 229960005139 epinephrine Drugs 0.000 description 1
- 230000009931 harmful effect Effects 0.000 description 1
- 208000003906 hydrocephalus Diseases 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 206010025005 lumbar spinal stenosis Diseases 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 208000005198 spinal stenosis Diseases 0.000 description 1
- 229940034208 thyroxine Drugs 0.000 description 1
- XUIIKFGFIJCVMT-UHFFFAOYSA-N thyroxine-binding globulin Natural products IC1=CC(CC([NH3+])C([O-])=O)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 XUIIKFGFIJCVMT-UHFFFAOYSA-N 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30016—Brain
-
- 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
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请公开了一种医学图像处理方法、装置及存储介质，应用于电子设备，所述方法包括：获取目标对象的初始MRI图像；获取所述目标对象的目标生理状态参数；确定与所述目标生理状态参数对应的目标图像处理参数；依据所述目标图像处理参数对所述初始MRI图像进行图像处理，得到目标MRI图像。采用本申请实施例能够针对生理状态参数配置相应的图像处理参数，有助于提升MRI处理效率以及针对具体用户提升MRI图像质量。
Description
技术领域
本申请涉及医学图像处理技术领域，尤其涉及一种医学图像处理方法、装置及存储介质。
背景技术
随着科技在进步，医学图像在医学诊断过程中的作用越来越明显，并且，逐渐成为医生观察人体病变的主要工具。在对病情进行诊断时，一般是医生根据经验人为的从医学图像中查找表示病灶的感兴趣区域。
核磁共振成像(Magnetic Resonance Imaging，MRI)是断层成像的一种，它利用磁共振现象从人体中获得电磁信号，并重建出人体信息，从而得到MRI图像。它可以直接作出横断面、矢状面、冠状面和各种斜面的体层图像，不会产生CT检测中的伪影；不需注射造影剂；无电离辐射，对机体没有不良影响。MRI对检测脑内血肿、脑外血肿、脑肿瘤、颅内动脉瘤、动静脉血管畸形、脑缺血、椎管内肿瘤、脊髓空洞症和脊髓积水等颅脑常见疾病非常有效。但是，如何对MRI图像进行图像处理的问题亟待解决。
发明内容
本申请实施例提供一种医学图像处理方法、装置及存储介质，能够对MRI进行自动图像处理，提升图像质量。
第一方面，本申请实施例提供一种医学图像处理方法，所述方法包括：
获取目标对象的初始MRI图像；
获取所述目标对象的目标生理状态参数；
确定与所述目标生理状态参数对应的目标图像处理参数；
依据所述目标图像处理参数对所述初始MRI图像进行图像处理，得到目标MRI图像。
第二方面，本申请实施例提供一种医学图像处理装置，所述装置包括：第一获取单元、第二获取单元、确定单元和处理单元，其中，
所述第一获取单元，用于获取目标对象的初始MRI图像；
所述第二获取单元，用于获取所述目标对象的目标生理状态参数；
所述确定单元，用于确定与所述目标生理状态参数对应的目标图像处理参数；
所述处理单元，用于依据所述目标图像处理参数对所述初始MRI图像进行图像处理，得到目标MRI图像。
第三方面，本申请实施例提供一种电子设备，该电子设备包括处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如本申请实施例第一方面所述的方法中所描述的部分或全部步骤的指令。
第四方面，本申请实施例提供了一种计算机可读存储介质，其中，上述计算机可读存储介质用于存储计算机程序，其中，上述计算机程序被处理器执行，以实现如本申请实施例第一方面所述的方法中所描述的部分或全部步骤。
第五方面，本申请实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面所述的方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
实施本申请实施例，具有如下有益效果：
可以看出，在本申请实施例中所描述的医学图像处理方法、装置及存储介质，应用于电子设备，获取目标对象的初始MRI图像，获取目标对象的目标生理状态参数，确定与目标生理状态参数对应的目标图像处理参数，依据目标图像处理参数对初始MRI图像进行图像处理，得到目标MRI图像，用户的生理状态在一定程度上反映了成像效果，因此，针对生理状态参数配置相应的图像处理参数，有助于提升MRI处理效率以及针对具体用户提升MRI图像质量。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1A是本申请实施例提供的一种医学图像处理方法的流程示意图；
图1B是本申请实施例提供的初始MRI图像的演示示意图；
图1C是本申请实施例提供的目标MRI图像的演示示意图；
图2是本申请实施例提供的另一种医学图像处理方法的流程示意图；
图3是本申请实施例提供的一种电子设备的硬件结构示意图；
图4是本申请实施例提供的一种医学图像处理装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，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，都应当属于本申请保护的范围。
以下分别进行详细说明。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
以下，对本申请中的部分用语进行解释说明，以便于本领域技术人员理解。
电子设备可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备(例如智能手表、智能眼镜、智能手环、计步器等)、智能相机(如智能单反摄像机、高速摄像机)、计算设备或通信连接到无线调制解调器的其他处理设备，以及各种形式的用户设备(UserEquipment，UE)，移动台(Mobile Station，MS)，终端设备(terminal device)、核磁共振成像仪等等。为方便描述，上面提到的设备统称为电子设备。
下面对本申请实施例进行详细介绍。
如图1A所示，图1A是本申请实施例提供的一种医学图像处理方法的流程示意图，所述方法包括：
101、获取目标对象的初始MRI图像。
其中，目标对象可以为人、动物或者动物组织。本申请实施例中，电子设备可以获取目标对象的初始MRI图像，该初始MRI图像可以为预先存储的或者现场拍摄的图像。
具体实现中，MRI图像，可以用于对检测脑内血肿、脑外血肿、脑肿瘤、颅内动脉瘤、动静脉血管畸形、脑缺血、椎管内肿瘤、脊髓空洞症和脊髓积水等颅脑常见疾病有效，对腰椎间盘后突、腰椎椎管狭窄、原发性肝癌等疾病的检查也很有效。
102、获取所述目标对象的目标生理状态参数。
其中，目标生理状态参数可以为以下至少一种：心率、血压、血温、血脂含量、血糖含量、铁含量、水分含量、脂肪厚度、血型、性别、年龄、身高、体重、体脂含量、骨骼密度、新陈代谢速率、甲状腺素含量、肾上腺素含量、血小板含量、血氧含量等等，人体内可以植入各种传感器，该传感器可以携带于人体通信芯片，通过该各种传感器可以实现生理状态参数检测，进而，可以通过这些传感器获取目标人体的目标生理状态参数。
其中，人体通信芯片可包括发射器和接收器，人体通信芯片可以连接多个电极，多个指2个或者2个以上，发射器、接收器均分别与至少一个电极连接，连接方式可以为无线连接或者有线连接。人体通信芯片通过电极可向体内输入微弱的电信号，从而实现信息的传输，上述电极可以携带传感器，也可以不携带传感器，传感器可以用于检测人体的各项生理特征(如：血管大小、血氧含量、血温、血脂含量等等)，人体通信芯片可以内植入人体中或者佩带在身上。
可选地，上述步骤101-步骤102之间，还可以包括如下步骤：
A1、对所述初始MRI图像进行图像分割，得到目标区域；
A2、获取所述目标区域的目标图像质量评价值；
A3、在所述目标图像质量评价值低于预设阈值时，执行步骤102。
其中，预设阈值可以由用户自行设置或者系统默认。具体实现中，电子设备可以对初始MRI图像进行图像分割，得到目标区域，图像分割算法可以为以下至少一种：阈值分割算法、边缘分割算法、区域分割算法等等，在此不做限定。进一步地，电子设备可以采用至少一个图像质量评价指标对目标区域进行图像质量评价，得到目标图像质量评价值，图像质量评价指标可以为以下至少一种：信噪比、空间分辨率、信息熵、边缘保持度、清晰度、平均梯度、平均灰度等等，在此不做限定。进而，电子设备可以在目标图像质量评价值低于预设阈值时，执行步骤102，否则，则可以不对初始MRI图像进行处理。
进一步地，上述步骤A2，获取所述目标区域的目标图像质量评价值，可以包括如下步骤：
A21、将所述目标区域进行多尺度特征分解，得到低频特征分量和高频特征分量；
A22、将所述低频特征分量划分为多个区域；
A23、确定所述多个区域中每一区域对应的信息熵，得到多个信息熵；
A24、依据所述多个信息熵确定平均信息熵和第一均方差；
A25、确定所述第一均方差对应的目标调节系数；
A26、依据所述目标调节系数对所述平均信息熵进行调节，得到目标信息熵；
A27、按照预设的信息熵与评价值之间的映射关系，确定所述目标信息熵对应的第一评价值；
A28、获取所述目标区域对应的目标拍摄参数；
A29、按照预设的拍摄参数与低频权重之间的映射关系，确定所述目标拍摄参数对应的目标低频权重，依据该目标低频权重确定目标高频权重；
A30、依据所述高频特征分量确定目标特征点分布密度；
A31、按照预设的特征点分布密度与评价值之间的映射关系，确定所述目标特征点分布密度对应的第二评价值；
A32、依据所述第一评价值、所述第二评价值、所述目标低频权重和所述目标高频权重进行加权运算，得到所述目标图像质量评价值。
具体实现中，电子设备可以采用多尺度分解算法将目标区域进行多尺度特征分解，得到低频特征分量和高频特征分量，多尺度分解算法可以为以下至少一种：金字塔变换算法、小波变换、非下采样轮廓波变换、脊波变换、剪切波变换等等，在此不做限定。
进一步地，电子设备可以将低频特征分量划分为多个区域，该多个区域中每一区域的面积均大于预设面积，每一区域的面积大小相同或者不同，预设面积可以由用户自行设置或者系统默认。低频特征分量反映了图像的主体信息，高频特征分量反映了图像的细节信息。
进一步地，电子设备可以确定多个区域中每一区域对应的信息熵，得到多个信息熵，依据多个信息熵确定平均信息熵和第一均方差，信息熵在一定程度上反映了图像信息多少，均方差则可以反映图像信息的稳定性。电子设备中可以预先存储预设均方差与调节系数之间的映射关系，进而，可以依据该映射关系确定第一均方差对应的目标调节系数，本申请实施例中，调节系数的取值范围可以为-0.15～0.15。
进一步地，电子设备可以依据目标调节系数对平均信息熵进行调节，得到目标信息熵，目标信息熵＝(1+目标调节系数)*平均信息熵。电子设备中可以预先存储预设的信息熵与评价值之间的映射关系，进而，可以按照预设的信息熵与评价值之间的映射关系，确定目标信息熵对应的第一评价值。
另外，电子设备可以获取目标区域对应的目标拍摄参数，目标拍摄参数可以为理解为用于拍摄MRI图像的设备的相关工作参数，目标拍摄参数可以为以下至少一种：核磁共振频率、核磁共振时长、设备的工作电压、设备的工作电流、设备的工作功率等等，在此不做限定。电子设备中还可以预先存储预设的拍摄参数与低频权重之间的映射关系，进而，可以按照预设的拍摄参数与低频权重之间的映射关系，确定目标拍摄参数对应的目标低频权重，依据该目标低频权重确定目标高频权重，目标低频权重+目标高频权重＝1。
进一步地，电子设备可以依据高频特征分量确定目标特征点分布密度，目标特征点分布密度＝高频特征分量的特征点总数量/区域面积。电子设备中还可以预先存储预设的特征点分布密度与评价值之间的映射关系，进而，可以按照预设的特征点分布密度与评价值之间的映射关系，确定目标特征点分布密度对应的第二评价值，最后，依据第一评价值、第二评价值、目标低频权重和目标高频权重进行加权运算，得到目标区域的目标图像质量评价值，具体如下：
目标图像质量评价值＝第一评价值*目标低频权重+第二评价值*目标高频权重
如此，可以基于目标区域的低频分量以及高频分量两个维度进行图像质量评价，能够精准得到与拍摄环境相宜的评价参数，即目标图像质量评价值。
可选地，上述步骤102，获取所述目标对象的目标生理状态参数，可以包括如下步骤：
21、确定所述初始MRI图像对应的目标部位；
22、获取所述目标部位对应的目标标识集，所述目标标识集包括多个人体通信芯片的标识，所述多个人体通信芯片中每一人体通信芯片均用于实现数据采集；
23、获取所述目标标识集对应的所述多个人体通信芯片的采集数据，并通过所述采集数据确定所述目标生理状态参数。
其中，具体实现中，不同的部位关注的生理状态参数不一样，部位可以为以下至少一种：脑部、肝部、手臂、腿部、心脏、脾脏、肾部等等，在此不做限定，例如，心脏需要关注心率，具体地，电子设备可以确定初始MRI图像对应的目标部位，不同的部位需要不同的传感器采集不同的生理状态参数，电子设备中可以预先存储部位与标识集之间的映射关系，依据该映射关系可以获取目标部位对应的目标标识集，该目标标识集可以包括多个人体通信芯片的标识，该多个人体通信芯片中每一人体通信芯片均用于实现数据采集，进而，可以获取目标标识集对应的多个人体通信芯片的采集数据，并通过该采集数据确定目标生理状态参数，如此，可以依据不同部位，获取相应的生理状态参数。
进一步可选地，在所述采集数据包括预设时间段内的心率变化曲线时，上述步骤23，通过所述采集数据确定所述目标生理状态参数，可以包括如下步骤：
231、对所述心率变化曲线进行采样，得到多个心率值，每一心率值对应一个时间点；
232、确定所述多个心率值对应的目标均值和目标均方差；
233、按照预设的均方差与调节系数之间的映射关系，确定所述目标均方差对应的第一调节系数，所述第一调节系数处于0.85～1.2之间；
234、基于所述多个心率值进行拟合，得到目标拟合直线；
235、获取所述目标拟合直线的目标斜率；
236、按照预设的斜率与微调系数之间的映射关系，确定所述目标斜率对应的目标微调系数；
237、依据所述目标微调系数对所述第一调节系数进行调节，得到第二调节系数；
238、依据所述第二调节系数对所述目标均值进行调节，得到目标参考心率，将该目标参考心率作为所述目标生理状态参数。
其中，预设时间段可以由用户自行设置或者系统默认。电子设备中可以预先存储预设的均方差与调节系数之间的映射关系，该调节系数处于0.85～1.2之间，以及，预设的斜率与微调系数之间的映射关系，微调系数的取值范围可以为-0.1～0.1。
具体实现中，电子设备对心率变化曲线进行采样，得到多个心率值，每一心率值对应一个时间点，采样方式可以为离散采样或者均匀采样，进而，可以确定多个心率值对应的目标均值和目标均方差。进而，电子设备可以按照预设的均方差与调节系数之间的映射关系，确定目标均方差对应的第一调节系数。
进一步地，电子设备可以基于多个心率值进行拟合，得到目标拟合直线，可以获取目标拟合直线的目标斜率，并按照预设的斜率与微调系数之间的映射关系，确定目标斜率对应的目标微调系数，进而，可以依据目标微调系数对第一调节系数进行调节，得到第二调节系数，具体如下：
第二调节系数＝(1+目标微调系数)*第一调节系数
最后，电子设备可以依据第二调节系数对目标均值进行调节，得到目标参考心率，将该目标参考心率作为目标生理状态参数，具体如下：
目标参考心率＝目标均值*第二调节系数
如此，一方面结合用户的心率变化稳定性以及变化趋势，综合评价用户在一段时间内的心率值，有助于实现精准心率检测。
103、确定与所述目标生理状态参数对应的目标图像处理参数。
其中，本申请实施例中，图像处理参数可以为以下至少一种：图像增强参数、图像分割参数、图像缩放参数、颜色处理参数、图像降噪参数等等，在此不做限定，图像增强参数可以理解为图像增强算法的控制参数，即用于控制图像增强程度。
可选地，上述步骤103，确定与所述目标生理状态参数对应的目标图像处理参数，可以按照如下方式实施：
按照预设的生理状态参数与图像处理参数之间的映射关系，确定所述目标生理状态参数对应的所述目标图像处理参数。
其中，电子设备中可以预先存储预设的生理状态参数与图像处理参数之间的映射关系，进而，可以依据该映射关系确定目标生理状态参数对应的目标图像处理参数。
104、依据所述目标图像处理参数对所述初始MRI图像进行图像处理，得到目标MRI图像。
本申请实施例中，电子设备可以依据目标图像处理参数对初始MRI图像进行图像处理，得到目标MRI图像，即可以调用目标图像处理参数相应的图像处理算法对初始MRI图像进行图像处理，图像处理可以为以下至少一种：图像增强、图像分割、图像识别、图像分类、图像降噪、特征点提取、特征区域提取等等，在此不做限定。
可选地，所述目标图像处理参数包括多个参数，每一参数对应一个功能算法以及算法优先级，上述步骤104，依据所述目标图像处理参数对所述初始MRI图像进行图像处理，得到目标MRI图像，可以包括如下步骤：
41、获取所述多个参数对应的多个功能算法；
42、依据所述多个参数配置所述多个功能算法，得到配置后的所述多个功能算法；
43、依据所述算法优先级、配置后的所述多个功能算法对所述初始MRI图像进行图像处理，得到所述目标MRI图像。
具体实现中，目标图像处理参数可以包括多个参数，每一参数对应一个功能算法以及算法优先级，不同的参数可以对应同一个功能算法，每一功能算法可以对应一个算法优先级，功能算法可以为以下至少一种：图像增强算法、图像分割算法、图像降噪算法、特征提取算法等等，在此不做限定。
具体地，电子设备可以获取多个参数对应的多个功能算法，进而，可以依据多个参数配置所述多个功能算法，得到配置后的多个功能算法，并依据算法优先级、配置后的多个功能算法对初始MRI图像进行图像处理，得到所述目标MRI图像，例如，算法A+算法B，可以先用算法A对初始MRI进行处理，得到第一结果，再用算法B对第一结果进行处理，得到最终结果。举例说明下，图1B为初始MRI图像，若是兴趣区域提取的话，则如图1C所示，图1C为目标MRI图像。
可以看出，在本申请实施例中所描述的医学图像处理方法，应用于电子设备，获取目标对象的初始MRI图像，获取目标对象的目标生理状态参数，确定与目标生理状态参数对应的目标图像处理参数，依据目标图像处理参数对初始MRI图像进行图像处理，得到目标MRI图像，用户的生理状态在一定程度上反映了成像效果，因此，针对生理状态参数配置相应的图像处理参数，有助于提升MRI处理效率以及针对具体用户提升MRI图像质量。
与上述图1A所示的实施例一致地，请参阅图2，图2是本申请实施例提供的一种医学图像处理方法的流程示意图，如图所示，应用于如图1A所示的电子设备，本医学图像处理方法包括：
201、获取目标对象的初始MRI图像。
202、获取所述目标对象的目标生理状态参数。
203、依据所述目标生理状态参数确定目标身体状况参数。
其中，生理状态参数在一定程度上反映了身体状况，进而，电子设备可以依据目标生理状态参数确定目标对象的目标身体状况参数。
可选地，上述步骤203，依据所述目标生理状态参数确定目标身体状况参数，可以包括如下步骤：
将所述目标生理状态参数输入到预设神经网络模型，得到所述目标身份状况参数。
其中，预设神经网络模型可以为以下至少一种：卷积神经网络模型、全连接神经网络模型、脉冲神经网络模型、循环神经网络模型等等，在此不做限定。
具体实现中，预设神经网络模型可以为预先将不同用户的生理状态参数输入到神经网络模型进行训练，得到身体状况参数，并基于身体状况参数优化神经网络模型，如此，反复操作，直到神经网络模型收敛，得到预设神经网络模型。
204、在所述目标身体状况参数处于预设范围时，确定与所述目标生理状态参数对应的目标图像处理参数。
其中，预设范围可以由用户自行设置或者系统默认。
205、依据所述目标图像处理参数对所述初始MRI图像进行图像处理，得到目标MRI图像。
其中，上述步骤201-步骤205中的其他步骤的具体描述可以参照如图1A所描述的医学图像处理方法的相应步骤，在此不再赘述。
可以看出，在本申请实施例中所描述的医学图像处理方法，应用于电子设备，获取目标对象的初始MRI图像，获取目标对象的目标生理状态参数，依据目标生理状态参数确定目标身体状况参数，在目标身体状况参数处于预设范围时，确定与目标生理状态参数对应的目标图像处理参数，依据目标图像处理参数对初始MRI图像进行图像处理，得到目标MRI图像，用户的生理状态在一定程度上反映了成像效果，因此，针对生理状态参数配置相应的图像处理参数，有助于提升MRI处理效率以及针对具体用户提升MRI图像质量。
与上述实施例一致地，请参阅图3，图3是本申请实施例提供的一种电子设备的结构示意图，如图所示，该电子设备包括处理器、存储器、通信接口以及一个或多个程序，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，本申请实施例中，上述程序包括用于执行以下步骤的指令：
获取目标对象的初始MRI图像；
获取所述目标对象的目标生理状态参数；
确定与所述目标生理状态参数对应的目标图像处理参数；
依据所述目标图像处理参数对所述初始MRI图像进行图像处理，得到目标MRI图像。
可以看出，在本申请实施例中所描述的电子设备，获取目标对象的初始MRI图像，获取目标对象的目标生理状态参数，确定与目标生理状态参数对应的目标图像处理参数，依据目标图像处理参数对初始MRI图像进行图像处理，得到目标MRI图像，用户的生理状态在一定程度上反映了成像效果，因此，针对生理状态参数配置相应的图像处理参数，有助于提升MRI处理效率以及针对具体用户提升MRI图像质量。
可选地，在所述确定与所述目标生理状态参数对应的目标图像处理参数方面，上述程序包括用于执行以下步骤的指令：
按照预设的生理状态参数与图像处理参数之间的映射关系，确定所述目标生理状态参数对应的所述目标图像处理参数。
可选地，在所述获取所述目标对象的目标生理状态参数方面，上述程序包括用于执行以下步骤的指令：
确定所述初始MRI图像对应的目标部位；
获取所述目标部位对应的目标标识集，所述目标标识集包括多个人体通信芯片的标识，所述多个人体通信芯片中每一人体通信芯片均用于实现数据采集；
获取所述目标标识集对应的所述多个人体通信芯片的采集数据，并通过所述采集数据确定所述目标生理状态参数。
可选地，在所述采集数据包括预设时间段内的心率变化曲线时，在所述通过所述采集数据确定所述目标生理状态参数方面，上述程序包括用于执行以下步骤的指令：
对所述心率变化曲线进行采样，得到多个心率值，每一心率值对应一个时间点；
确定所述多个心率值对应的目标均值和目标均方差；
按照预设的均方差与调节系数之间的映射关系，确定所述目标均方差对应的第一调节系数，所述第一调节系数处于0.85～1.2之间；
基于所述多个心率值进行拟合，得到目标拟合直线；
获取所述目标拟合直线的目标斜率；
按照预设的斜率与微调系数之间的映射关系，确定所述目标斜率对应的目标微调系数；
依据所述目标微调系数对所述第一调节系数进行调节，得到第二调节系数；
依据所述第二调节系数对所述目标均值进行调节，得到目标参考心率，将该目标参考心率作为所述目标生理状态参数。
可选地，所述目标图像处理参数包括多个参数，每一参数对应一个功能算法以及算法优先级，在所述依据所述目标图像处理参数对所述初始MRI图像进行图像处理，得到目标MRI图像方面，上述程序包括用于执行以下步骤的指令：
获取所述多个参数对应的多个功能算法；
依据所述多个参数配置所述多个功能算法，得到配置后的所述多个功能算法；
依据所述算法优先级、配置后的所述多个功能算法对所述初始MRI图像进行图像处理，得到所述目标MRI图像。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，电子设备为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所提供的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对电子设备进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
图4是本申请实施例中所涉及的医学图像处理装置400的功能单元组成框图。该医学图像处理装置400，应用于电子设备，所述装置400可以包括：第一获取单元401、第二获取单元402、确定单元403和处理单元404，其中，
所述第一获取单元401，用于获取目标对象的初始MRI图像；
所述第二获取单元402，用于获取所述目标对象的目标生理状态参数；
所述确定单元403，用于确定与所述目标生理状态参数对应的目标图像处理参数；
所述处理单元404，用于依据所述目标图像处理参数对所述初始MRI图像进行图像处理，得到目标MRI图像。
可以看出，在本申请实施例中所描述的医学图像处理装置，应用于电子设备，获取目标对象的初始MRI图像，获取目标对象的目标生理状态参数，确定与目标生理状态参数对应的目标图像处理参数，依据目标图像处理参数对初始MRI图像进行图像处理，得到目标MRI图像，用户的生理状态在一定程度上反映了成像效果，因此，针对生理状态参数配置相应的图像处理参数，有助于提升MRI处理效率以及针对具体用户提升MRI图像质量。
可选地，在所述确定与所述目标生理状态参数对应的目标图像处理参数方面，所述确定单元403具体用于：
按照预设的生理状态参数与图像处理参数之间的映射关系，确定所述目标生理状态参数对应的所述目标图像处理参数。
可选地，在所述获取所述目标对象的目标生理状态参数方面，所述第二获取单元402具体用于：
确定所述初始MRI图像对应的目标部位；
获取所述目标部位对应的目标标识集，所述目标标识集包括多个人体通信芯片的标识，所述多个人体通信芯片中每一人体通信芯片均用于实现数据采集；
获取所述目标标识集对应的所述多个人体通信芯片的采集数据，并通过所述采集数据确定所述目标生理状态参数。
可选地，在所述采集数据包括预设时间段内的心率变化曲线时，在所述通过所述采集数据确定所述目标生理状态参数方面，所述第二获取单元402具体用于：
对所述心率变化曲线进行采样，得到多个心率值，每一心率值对应一个时间点；
确定所述多个心率值对应的目标均值和目标均方差；
按照预设的均方差与调节系数之间的映射关系，确定所述目标均方差对应的第一调节系数，所述第一调节系数处于0.85～1.2之间；
基于所述多个心率值进行拟合，得到目标拟合直线；
获取所述目标拟合直线的目标斜率；
按照预设的斜率与微调系数之间的映射关系，确定所述目标斜率对应的目标微调系数；
依据所述目标微调系数对所述第一调节系数进行调节，得到第二调节系数；
依据所述第二调节系数对所述目标均值进行调节，得到目标参考心率，将该目标参考心率作为所述目标生理状态参数。
可选地，所述目标图像处理参数包括多个参数，每一参数对应一个功能算法以及算法优先级，在所述依据所述目标图像处理参数对所述初始MRI图像进行图像处理，得到目标MRI图像方面，所述处理单元404具体用于：
获取所述多个参数对应的多个功能算法；
依据所述多个参数配置所述多个功能算法，得到配置后的所述多个功能算法；
依据所述算法优先级、配置后的所述多个功能算法对所述初始MRI图像进行图像处理，得到所述目标MRI图像。
可以理解的是，本实施例的医学图像处理装置的各程序模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤，上述计算机包括电子设备。
本申请实施例还提供一种计算机程序产品，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包，上述计算机包括电子设备。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种医学图像处理方法，其特征在于，应用于电子设备，所述方法包括：
获取目标对象的初始MRI图像；
获取所述目标对象的目标生理状态参数；
确定与所述目标生理状态参数对应的目标图像处理参数；
依据所述目标图像处理参数对所述初始MRI图像进行图像处理，得到目标MRI图像。
2.根据权利要求1所述的方法，其特征在于，所述确定与所述目标生理状态参数对应的目标图像处理参数，包括：
按照预设的生理状态参数与图像处理参数之间的映射关系，确定所述目标生理状态参数对应的所述目标图像处理参数。
3.根据权利要求1或2所述的方法，其特征在于，其中，所述获取所述目标对象的目标生理状态参数，包括：
确定所述初始MRI图像对应的目标部位；
获取所述目标部位对应的目标标识集，所述目标标识集包括多个人体通信芯片的标识，所述多个人体通信芯片中每一人体通信芯片均用于实现数据采集；
获取所述目标标识集对应的所述多个人体通信芯片的采集数据，并通过所述采集数据确定所述目标生理状态参数。
4.根据权利要求3所述的方法，其特征在于，在所述采集数据包括预设时间段内的心率变化曲线时，所述通过所述采集数据确定所述目标生理状态参数，包括：
对所述心率变化曲线进行采样，得到多个心率值，每一心率值对应一个时间点；
确定所述多个心率值对应的目标均值和目标均方差；
按照预设的均方差与调节系数之间的映射关系，确定所述目标均方差对应的第一调节系数，所述第一调节系数处于0.85～1.2之间；
基于所述多个心率值进行拟合，得到目标拟合直线；
获取所述目标拟合直线的目标斜率；
按照预设的斜率与微调系数之间的映射关系，确定所述目标斜率对应的目标微调系数；
依据所述目标微调系数对所述第一调节系数进行调节，得到第二调节系数；
依据所述第二调节系数对所述目标均值进行调节，得到目标参考心率，将该目标参考心率作为所述目标生理状态参数。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述目标图像处理参数包括多个参数，每一参数对应一个功能算法以及算法优先级，所述依据所述目标图像处理参数对所述初始MRI图像进行图像处理，得到目标MRI图像，包括：
获取所述多个参数对应的多个功能算法；
依据所述多个参数配置所述多个功能算法，得到配置后的所述多个功能算法；
依据所述算法优先级、配置后的所述多个功能算法对所述初始MRI图像进行图像处理，得到所述目标MRI图像。
6.一种医学图像处理装置，其特征在于，所述装置包括：第一获取单元、第二获取单元、确定单元和处理单元，其中，
所述第一获取单元，用于获取目标对象的初始MRI图像；
所述第二获取单元，用于获取所述目标对象的目标生理状态参数；
所述确定单元，用于确定与所述目标生理状态参数对应的目标图像处理参数；
所述处理单元，用于依据所述目标图像处理参数对所述初始MRI图像进行图像处理，得到目标MRI图像。
7.根据权利要求6所述的装置，其特征在于，在所述确定与所述目标生理状态参数对应的目标图像处理参数方面，所述确定单元具体用于：
按照预设的生理状态参数与图像处理参数之间的映射关系，确定所述目标生理状态参数对应的所述目标图像处理参数。
8.根据权利要求6或7所述的装置，其特征在于，在所述获取所述目标对象的目标生理状态参数方面，所述第二获取单元具体用于：
确定所述初始MRI图像对应的目标部位；
获取所述目标部位对应的目标标识集，所述目标标识集包括多个人体通信芯片的标识，所述多个人体通信芯片中每一人体通信芯片均用于实现数据采集；
获取所述目标标识集对应的所述多个人体通信芯片的采集数据，并通过所述采集数据确定所述目标生理状态参数。
9.一种电子设备，其特征在于，包括处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求1-5任一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现权利要求1至5任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010524714.8A CN111640111A (zh) | 2020-06-10 | 2020-06-10 | 医学图像处理方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010524714.8A CN111640111A (zh) | 2020-06-10 | 2020-06-10 | 医学图像处理方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111640111A true CN111640111A (zh) | 2020-09-08 |
Family
ID=72328948
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010524714.8A Pending CN111640111A (zh) | 2020-06-10 | 2020-06-10 | 医学图像处理方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111640111A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112070707A (zh) * | 2020-11-12 | 2020-12-11 | 国科天成（北京）科技有限公司 | 基于微透镜阵列的真彩像增强器 |
| CN112163941A (zh) * | 2020-09-23 | 2021-01-01 | 深圳市富途网络科技有限公司 | 数据处理方法、装置及存储介质 |
| CN112331314A (zh) * | 2020-11-25 | 2021-02-05 | 中山大学附属第六医院 | 一种图像标注方法、装置、存储介质和电子设备 |
| CN112422301A (zh) * | 2020-11-18 | 2021-02-26 | 重庆无缝拼接智能科技有限公司 | 智慧办公的通信方法及相关产品 |
| CN113299371A (zh) * | 2021-07-05 | 2021-08-24 | 数坤(北京)网络科技股份有限公司 | 医学图像展示方法、装置、计算机设备和存储介质 |
| CN116596919A (zh) * | 2023-07-11 | 2023-08-15 | 浙江华诺康科技有限公司 | 内镜图像质控方法、装置、系统、计算机设备和存储介质 |
| WO2023208193A1 (en) * | 2022-04-29 | 2023-11-02 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for imaging and image data processing |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1696975A (zh) * | 2004-05-14 | 2005-11-16 | 蒲恬 | 一种数字图像增强方法 |
| US20080294017A1 (en) * | 2007-05-22 | 2008-11-27 | Gobeyn Kevin M | Image data normalization for a monitoring system |
| CN101332097A (zh) * | 2007-06-04 | 2008-12-31 | 韦伯斯特生物官能公司 | 使用超声的心脏机械评估 |
| CN102355859A (zh) * | 2009-03-19 | 2012-02-15 | 皇家飞利浦电子股份有限公司 | 功能性成像 |
| US20130051643A1 (en) * | 2011-08-25 | 2013-02-28 | John Irvin Jackson | System and method for distributed processing of tomographic images |
| US20170132491A1 (en) * | 2015-11-06 | 2017-05-11 | Siemens Healthcare Gmbh | Method, computer and imaging apparatus for evaluating medical image data of an examination subject |
| CN106780447A (zh) * | 2016-12-02 | 2017-05-31 | 北京航星机器制造有限公司 | 一种智能选择图像增强方法 |
| CN107369142A (zh) * | 2017-06-29 | 2017-11-21 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
| CN109363633A (zh) * | 2018-09-28 | 2019-02-22 | 合刃科技（深圳）有限公司 | 一种基于光谱特征的信息反馈决策系统 |
| CN110189386A (zh) * | 2019-05-06 | 2019-08-30 | 上海联影医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
| CN110290288A (zh) * | 2019-06-03 | 2019-09-27 | Oppo广东移动通信有限公司 | 图像处理器、图像处理方法、拍摄装置和电子设备 |
-
2020
- 2020-06-10 CN CN202010524714.8A patent/CN111640111A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1696975A (zh) * | 2004-05-14 | 2005-11-16 | 蒲恬 | 一种数字图像增强方法 |
| US20080294017A1 (en) * | 2007-05-22 | 2008-11-27 | Gobeyn Kevin M | Image data normalization for a monitoring system |
| CN101332097A (zh) * | 2007-06-04 | 2008-12-31 | 韦伯斯特生物官能公司 | 使用超声的心脏机械评估 |
| CN102355859A (zh) * | 2009-03-19 | 2012-02-15 | 皇家飞利浦电子股份有限公司 | 功能性成像 |
| US20130051643A1 (en) * | 2011-08-25 | 2013-02-28 | John Irvin Jackson | System and method for distributed processing of tomographic images |
| US20170132491A1 (en) * | 2015-11-06 | 2017-05-11 | Siemens Healthcare Gmbh | Method, computer and imaging apparatus for evaluating medical image data of an examination subject |
| CN106780447A (zh) * | 2016-12-02 | 2017-05-31 | 北京航星机器制造有限公司 | 一种智能选择图像增强方法 |
| CN107369142A (zh) * | 2017-06-29 | 2017-11-21 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
| CN109363633A (zh) * | 2018-09-28 | 2019-02-22 | 合刃科技（深圳）有限公司 | 一种基于光谱特征的信息反馈决策系统 |
| CN110189386A (zh) * | 2019-05-06 | 2019-08-30 | 上海联影医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
| CN110290288A (zh) * | 2019-06-03 | 2019-09-27 | Oppo广东移动通信有限公司 | 图像处理器、图像处理方法、拍摄装置和电子设备 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112163941A (zh) * | 2020-09-23 | 2021-01-01 | 深圳市富途网络科技有限公司 | 数据处理方法、装置及存储介质 |
| CN112070707A (zh) * | 2020-11-12 | 2020-12-11 | 国科天成（北京）科技有限公司 | 基于微透镜阵列的真彩像增强器 |
| CN112422301A (zh) * | 2020-11-18 | 2021-02-26 | 重庆无缝拼接智能科技有限公司 | 智慧办公的通信方法及相关产品 |
| CN112331314A (zh) * | 2020-11-25 | 2021-02-05 | 中山大学附属第六医院 | 一种图像标注方法、装置、存储介质和电子设备 |
| CN113299371A (zh) * | 2021-07-05 | 2021-08-24 | 数坤(北京)网络科技股份有限公司 | 医学图像展示方法、装置、计算机设备和存储介质 |
| CN113299371B (zh) * | 2021-07-05 | 2022-04-26 | 数坤(北京)网络科技股份有限公司 | 医学图像展示方法、装置、计算机设备和存储介质 |
| WO2023208193A1 (en) * | 2022-04-29 | 2023-11-02 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for imaging and image data processing |
| CN116596919A (zh) * | 2023-07-11 | 2023-08-15 | 浙江华诺康科技有限公司 | 内镜图像质控方法、装置、系统、计算机设备和存储介质 |
| CN116596919B (zh) * | 2023-07-11 | 2023-11-07 | 浙江华诺康科技有限公司 | 内镜图像质控方法、装置、系统、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111640111A (zh) | 医学图像处理方法、装置及存储介质 | |
| CN106600609B (zh) | 一种医学图像中脊柱的分割方法及系统 | |
| US7218763B2 (en) | Method for automated window-level settings for magnetic resonance images | |
| US7792339B2 (en) | Method and apparatus for intracerebral hemorrhage lesion segmentation | |
| CN103026379B (zh) | 推算图像噪音水平的方法 | |
| US20110002523A1 (en) | Method and System of Segmenting CT Scan Data | |
| WO2013112452A1 (en) | Automatic implant detection from image artifacts | |
| Tunçay et al. | Realistic microwave breast models through T1-weighted 3-D MRI data | |
| CN107292889B (zh) | 一种肿瘤分割的方法、系统和可读介质 | |
| CN106530236B (zh) | 一种医学图像处理方法及系统 | |
| JP2019512361A (ja) | 体積画像データセット内の血管構造のセグメント化のための方法及びシステム | |
| EP3900625A1 (en) | Method for obtaining an imaging biomarker that quantifies the quality of the trabecular structure of bones | |
| CN106709920B (zh) | 血管提取方法及其装置 | |
| KR20180044421A (ko) | 교정 수술 계획에 사용하기 위해 의료용 임플란트를 가진 환자의 의료 영상화를 위한 시스템 및 방법 | |
| Migliorelli et al. | Automated detection of epileptic ripples in MEG using beamformer-based virtual sensors | |
| KR20140070060A (ko) | Ｍｒｉ 다변수 영상의 획득 장치 및 방법 | |
| KR102351283B1 (ko) | 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치 | |
| CN110598696A (zh) | 医学图像扫描定位方法、医学图像扫描方法和计算机设备 | |
| Jeevakala et al. | A novel segmentation of cochlear nerve using region growing algorithm | |
| Schilde et al. | A three-dimensional geometric-morphometric study to quantify temporal bone growth and its consequences for the success of implanting bone anchored hearing devices | |
| CN110322432B (zh) | 医学图像处理方法、装置、计算机设备和可读存储介质 | |
| US11490830B2 (en) | Apparatus and method for quantification of the mapping of the sensory areas of the brain | |
| DE202021106122U1 (de) | Medizinische Informationsverarbeitungsvorrichtung und medizinisches Informationsverarbeitungssystem | |
| CN111028310A (zh) | 乳腺断层扫描的扫描参数确定方法、装置、终端及介质 | |
| KR101824239B1 (ko) | 금속성 인공음영 감소 방법 및 장치 |
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: 20210428 Address after: 3 / F, building 5, Changyuan new material port engineering technology center, Gaoxin Middle Road, Yuehai street, Nanshan District, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Jieda Medical Instrument Co.,Ltd. Address before: 410000 Hunan province Changsha Kaifu District, Xiangya Road No. 26 Applicant before: Zhan Junkun |
|
| TA01 | Transfer of patent application right |