CN111696164B - 自适应窗宽窗位调节方法、装置、计算机系统及存储介质 - Google Patents
自适应窗宽窗位调节方法、装置、计算机系统及存储介质 Download PDFInfo
- Publication number
- CN111696164B CN111696164B CN202010412059.7A CN202010412059A CN111696164B CN 111696164 B CN111696164 B CN 111696164B CN 202010412059 A CN202010412059 A CN 202010412059A CN 111696164 B CN111696164 B CN 111696164B
- Authority
- CN
- China
- Prior art keywords
- value
- feature vector
- vector
- gray
- truncated
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 233
- 238000013528 artificial neural network Methods 0.000 claims abstract description 122
- 238000012545 processing Methods 0.000 claims abstract description 46
- 230000001105 regulatory effect Effects 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims description 80
- 230000003044 adaptive effect Effects 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000010801 machine learning Methods 0.000 claims description 22
- 238000011478 gradient descent method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 10
- 210000001519 tissue Anatomy 0.000 description 8
- 230000009466 transformation Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域，公开了自适应窗宽窗位调节方法、装置、计算机系统及存储介质，包括：提取待调节图像中各像素的灰度值并汇总获得输入特征向量；通过可导截断模型计算输入特征向量中各灰度值的截断调节系数并汇总形成截断调节向量，及根据截断调节向量调节输入特征向量生成输出特征向量；将输出特征向量发送预设的神经网络，神经网络根据输出特征向量对可导截断模型进行权值更新，使其生成符合神经网络损失函数的输出特征向量，并根据该输出特征向量生成窗宽窗位图像。本发明得到的窗宽窗位图像既符合了用户对窗宽窗位进行调节的需求，又满足了神经网络对窗宽窗位进行处理或分类的要求。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种自适应窗宽窗位调节方法、装置、计算机系统及存储介质。
背景技术
窗宽窗位是医学影像处理中的常用概念；其中，窗宽指CT图像所显示的CT 值范围，其为对图像进行截断的重要指标，窗宽的宽窄直接影响图像的清晰度与对比度，如果使用窄的窗宽，则显示的CT 值范围小，每一灰阶代表的CT 值幅度小，对比度强，适于观察密度接近的组织结构（如脑组织）。反之，如果使用宽的窗宽，则显示的CT值范围大，每一灰阶代表的CT 值幅度大，则图像对比度差，但密度均匀，适于观察密度差别大的结构（如骨与软组织）；窗位指窗宽范围内均值或中心值，其是对图像进行均衡化处理的重要指标,比如一幅CT图像，窗宽为100Hu，窗位选在0Hu；则以窗位为中心（0Hu），向上包括+50Hu，向下包括-50Hu，凡是在这个100Hu 范围内的组织均可显示出来并为人眼所识别。凡是大于+50Hu 的组织均为白色；凡是小于-50Hu 的组织均为黑色，其密度差异无法显示。人眼只能识别土50Hu 范围内的CT 值，每一个灰阶的CT 值范围是100 / 16＝6 . 25 Hu 。
目前的窗宽窗位的调节一般是使用者根据需要或经验自行调节，通常的做法是分析图像的灰度直方图，进行0.01～0.99的灰度裁剪或者基于积分变换的灰度均衡化等操作。
但是采用这种方式进行灰度变换是与后续的神经网络对图片进行数据处理的任务（如：分类、分割、检测等任务）是分割的：而这种基于分析图像的直方图，直接用积分变换的灰度均衡化的线性变换操作会改变图像的结构信息，会因为其线性变换操作而导致所生成的窗宽窗位图像难以满足神经网络的数据处理要求，进而导致神经网络对窗宽窗位的数据处理精度低下。
发明内容
本发明的目的是提供一种自适应窗宽窗位调节方法、装置、计算机系统及存储介质，用于解决现有技术存在的直接用积分变换的灰度均衡化的线性变换操作会改变图像的结构信息，导致所生成的窗宽窗位图像难以满足神经网络的数据处理要求，进而导致神经网络对窗宽窗位的数据处理精度低下的问题；本申请可应用于智慧医疗场景中，从而推动智慧城市的建设。
为实现上述目的，本发明提供一种基于梯度反传的自适应窗宽窗位调节方法，包括：
接收待调节图像，依次提取待调节图像中各像素的灰度值并汇总获得输入特征向量；
通过可导截断模型计算所述输入特征向量中各灰度值的截断调节系数并汇总形成截断调节向量，及根据所述截断调节向量调节所述输入特征向量生成输出特征向量；
将所述输出特征向量发送预设的神经网络，所述神经网络根据输出特征向量对所述可导截断模型进行权值更新，使其生成符合所述神经网络损失函数的输出特征向量，并根据该输出特征向量生成窗宽窗位图像。
上述方案中，依次提取待调节图像中各像素的灰度值并汇总获得输入特征向量的步骤，包括：
提取所述待调节图像中各像素的灰度值；
按照各像素在待调节图像中的位置，排列所述各像素的灰度值并汇总形成输入特征向量。
上述方案中，通过可导截断模型计算所述输入特征向量中各灰度值的截断调节系数并汇总形成截断调节向量的步骤，包括：
创建机器学习模型以及具有可导截断函数的可导截断模型，通过所述机器学习模型预测所述输入特征向量的灰度上限和灰度下限；其中，所述可导截断函数具有可导特性且用于对待调节图像进行均衡化处理和截断处理；
所述可导截断模型根据所述灰度下限和灰度上限，计算所述输入特征向量中各灰度值获得各灰度值的下限差值和上限差值；
对所述下限差值和上限差值进行可导均衡化处理，获得可导均衡下差值和可导均衡上差值，将所述可导均衡下差值与可导均衡上差值相减获得截断调节系数；
各截断调节系数按照与其对应的像素位置进行排列，以汇总形成截断调节向量。
上述方案中，根据所述截断调节向量调节所述输入特征向量生成输出特征向量的步骤，包括：
将截断调节向量中各截断调节系数与所述输入特征向量中各像素的灰度值一一对应；
根据所述截断调节系数调整与其对应的灰度值获得初步输出特征向量；
依次判断所述初步输出特征向量中输出特征值是否大于预设的截断阈值；若大于所述截断阈值，则将所述输出特征值设为保留特征值；若不大于所述截断阈值，则将所述输出特征值进行极值化处理并将其设为极值特征值；
将完成对所述初步输出特征向量中所有输出特征值的截断阈值判断，且仅具有保留特征值和/或极值特征值的初步输出特征向量设为输出特征向量。
上述方案中，所述极值化处理包括以下步骤：
判断所述初步输出特征向量的输出特征值是否小于灰度下限，若小于所述灰度下限，则将所述输出特征值调整为所述灰度下限；若不小于所述灰度下限，则判断所述输出特征值是否大于灰度上限，若大于所述灰度上限，则将所述输出特征值调整为所述灰度上限。
上述方案中，将所述输出特征向量发送预设的神经网络，所述神经网络根据输出特征向量对所述可导截断模型进行权值更新，使其生成符合所述神经网络损失函数的输出特征向量的步骤，包括：
通过前向传播算法将所述输出特征向量输出至神经网络，所述神经网络中每一层依次对所述输出特征向量进行运算获得运算结果，及通过所述神经网络的损失函数计算所述运算结果获得损失值；
接收所述神经网络根据所述损失值，并通过梯度下降法及反向传播算法输出的迭代数据，根据所述迭代数据对所述可导截断模型中的可导截断函数进行求导，并根据求导结果对所述可导截断模型进行权值更新；
通过更新后的可导截断模型，再次计算所述输入特征向量生成输出特征向量并将其发送所述神经网络，直至所述神经网络的损失值达到预设的损失阈值以下，判定所述损失值达到预设的损失阈值以下的输出特征向量，为符合所述神经网络损失函数的输出特征向量。
上述方案中，根据该输出特征向量生成窗宽窗位图像的步骤，包括：
根据所述输出特征向量中的保留特征值或极值特征值，调整待调节图像中各像素的灰度值，使所述待调节图像转为各像素的灰度值，分别与保留特征值或极值特征值一一对应的窗宽窗位图像；
将所述窗宽窗位图像上传至区块链。
为实现上述目的，本发明还提供一种基于梯度反传的自适应窗宽窗位调节装置，包括：
灰度提取模块，用于接收待调节图像，依次提取待调节图像中各像素的灰度值并汇总获得输入特征向量；
可导截断模块，用于通过可导截断模型计算所述输入特征向量中各灰度值的截断调节系数并汇总形成截断调节向量，及根据所述截断调节向量调节所述输入特征向量生成输出特征向量；
图像生成模块，用于将所述输出特征向量发送预设的神经网络，所述神经网络根据输出特征向量对所述可导截断模型进行权值更新，使其生成符合所述神经网络损失函数的输出特征向量，并根据该输出特征向量生成窗宽窗位图像。
为实现上述目的，本发明还提供一种计算机系统，其包括多个计算机设备，各计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述多个计算机设备的处理器执行所述计算机程序时共同实现上述自适应窗宽窗位调节方法的步骤。
为实现上述目的，本发明还提供一种计算机可读存储介质，其包括多个存储介质，各存储介质上存储有计算机程序，所述多个存储介质存储的所述计算机程序被处理器执行时共同实现上述自适应窗宽窗位调节方法的步骤。
本发明提供的自适应窗宽窗位调节方法、装置、计算机系统及存储介质，通过计算输入特征向量中各灰度值的截断调节系数以获得截断调节向量，及根据截断调节向量调节输入特征向量中各像素的灰度值以生成输出特征向量；通过前向传播算法将输出特征向量输出至神经网络，并通过神经网络对可导截断模型中可导截断函数的权值更新，使其生成符合所述神经网络损失函数的输出特征向量，并根据该输出特征向量生成窗宽窗位图像，此时的窗宽窗位图像，因可导截断模型既符合了用户对窗宽窗位进行调节的需求，又因对可导截断函数的权重更新满足了神经网络对窗宽窗位进行处理或分类的要求，使用户在得到符合要求的窗宽窗位图像的同时，还保证了神经网络对窗宽窗位图像的处理精度。
附图说明
图1为本发明自适应窗宽窗位调节方法实施例一的流程图；
图2为本发明自适应窗宽窗位调节方法实施例一中窗宽125HU，床位45HU的图像；
图3为本发明自适应窗宽窗位调节方法实施例一中窗宽80HU,窗位40HU的图像；
图4为本发明自适应窗宽窗位调节方法实施例一S1中获得输入特征向量的流程图；
图5为本发明自适应窗宽窗位调节方法实施例一S2中形成截断调节向量的流程图；
图6为本发明自适应窗宽窗位调节方法实施例一S2中生成输出特征向量的流程图；
图7为本发明自适应窗宽窗位调节方法实施例一S3中生成符合所述神经网络损失函数的输出特征向量的流程图；
图8为本发明自适应窗宽窗位调节装置实施例二的程序模块示意图；
图9为本发明计算机系统实施例三中计算机设备的硬件结构示意图。
附图标记：
1、自适应窗宽窗位调节装置2、计算机设备11、灰度提取模块
12、可导截断模块13、图像生成模块21、存储器 22、处理器
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的自适应窗宽窗位调节方法、装置、计算机系统及存储介质，适用于人工智能的图像检测技术领域，为提供一种基于灰度提取模块、可导截断模块、图像生成模块的自适应窗宽窗位调节方法。本发明通过提取待调节图像中各像素的灰度值并汇总获得输入特征向量；通过可导截断模型计算所述输入特征向量中各灰度值的截断调节系数并汇总形成截断调节向量，及根据所述截断调节向量调节所述输入特征向量生成输出特征向量；将所述输出特征向量发送预设的神经网络，所述神经网络根据输出特征向量对所述可导截断模型进行权值更新，使其生成符合所述神经网络损失函数的输出特征向量，并根据该输出特征向量生成窗宽窗位图像。
实施例一：
请参阅图1，本实施例的一种基于梯度反传的自适应窗宽窗位调节方法，包括：
S1：接收待调节图像，依次提取待调节图像中各像素的灰度值并汇总获得输入特征向量。
S2：通过可导截断模型计算所述输入特征向量中各灰度值的截断调节系数并汇总形成截断调节向量，及根据所述截断调节向量调节所述输入特征向量生成输出特征向量。
S3：将所述输出特征向量发送预设的神经网络，所述神经网络根据输出特征向量对所述可导截断模型进行权值更新，使其生成符合所述神经网络损失函数的输出特征向量，并根据该输出特征向量生成窗宽窗位图像。
在示例性的实施例中，接收从用户端发送或从数据库中提取的待调节图像，依次提取待调节图像中各像素的灰度值，按照各像素的位置排列所述灰度值并汇总形成输入特征向量。
通过设有可导截断函数的可导截断模型，依次计算所述输入特征向量中各灰度值的截断调节系数以获得截断调节向量，及根据所述截断调节向量调节所述输入特征向量中各像素的灰度值以生成输出特征向量；通过前向传播算法将所述输出特征向量输出至神经网络。
所述神经网络根据所述输出特征向量并通过反向传播算法，对所述可导截断模型中可导截断函数的权值更新；通过更新后的可导截断模型再次计算所述输入特征向量获得截断调节向量，及根据所述截断调节向量调节所述输入特征向量生成输出特征向量，直至所述可导截断模型生成的输出特征向量，不再被神经网络通过反向传播算法对所述可导截断模型中可导截断函数进行权值更新时，根据该输出特征向量生成窗宽窗位图像。此时的窗宽窗位图像，因可导截断模型既符合了用户对窗宽窗位进行调节的需求，又因对可导截断函数的权重更新满足了神经网络对窗宽窗位进行处理或分类的要求，使用户在得到符合要求的窗宽窗位图像的同时，还保证了神经网络对窗宽窗位图像的处理精度。
本申请可应用于智慧医疗场景中，从而推动智慧城市的建设。
需要说明的是，所述神经网络是用于对窗宽窗位图像进行进一步处理或加工的网络模型，其类型和数量可根据用户的需要设置；众所周知，任何的神经网络都需要通过前向传播算法对接收到的数据进行前向传播，再通过反向传播算法对神经网络的每个层进行权重和/或偏执值更新，属于现有技术；本申请所解决的问题是如何使窗宽窗位图像能够满足神经网络在数据处理上的要求；本申请所采取的手段是通过设置可导截断模型使待调节图像到窗宽窗位图像的全过程变成可导的计算过程，当神经网络基于损失函数使用梯度下降法进行反向传播时，可对可导截断模型进行权重和/或偏执值更新，使可导截断模型成为了神经网络中的一部分并能够很好的与神经网络的每一层匹配，因此从根源上，也就是从输入神经网络的输出向量特征上保证了与神经网络各层的匹配，进而实现了上述的保证了神经网络对窗宽窗位图像的处理精度。由于神经网络的工作原理属于现有技术，因此在此不做赘述。
本申请中的窗宽指CT图像所显示的CT 值范围，CT值是测定人体某一局部组织或器官密度大小的一种计量单位，通常称亨氏单位（hounsfield unit ，HU），例如：空气为-1000（因为颜色几乎是无），致密骨为+1000（因为颜色特别重）；窗位是指：指窗宽范围内均值或中心值，其是对图像进行均衡化处理的重要指标,比如一幅CT图像，窗宽为100Hu，窗位选在0Hu；则以窗位为中心（0Hu），向上包括+50Hu，向下包括-50Hu，凡是在这个100Hu 范围内的组织均可显示出来并为人眼所识别。凡是大于+50Hu 的组织均为白色；凡是小于-50Hu的组织均为黑色，其密度差异无法显示。
因此，窗宽窗位的调整，是改变整张图像各像素的色差，以突出病灶部位，减轻无关部位，例如：对于同一张脑部CT图，图2是窗宽125HU，床位45HU的图像，图3是窗宽80HU,窗位40HU的图像。
在一个优选的实施例中，请参阅图4，S1中依次所述提取待调节图像中各像素的灰度值并汇总获得输入特征向量的步骤，包括：
S101：提取所述待调节图像中各像素的灰度值。
本步骤中，可通过OpenCV提取待调节图像中各像素的灰度值；所述OpenCV是一种跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效--由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
S102：按照各像素在待调节图像中的位置，排列所述各像素的灰度值并汇总形成输入特征向量。
本步骤中，可根据待调节图像中像素的排布建立像素矩阵，并将OpenCV提取的灰度值按照其像素在待调节图像中的位置（如：行数和列数），将所述灰度值放置在所述像素矩阵中，直至OpenCV提取完毕；此时，所述像素矩阵将成为排列有各像素的灰度值并汇总形成输入特征向量。
在一个优选的实施例中，请参阅图5，S2中通过可导截断模型计算所述输入特征向量中各灰度值的截断调节系数并汇总形成截断调节向量的步骤，包括：
S201：创建机器学习模型以及具有可导截断函数的可导截断模型，通过所述机器学习模型预测所述输入特征向量的灰度上限和灰度下限；其中，所述可导截断函数具有可导特性且用于对待调节图像进行均衡化处理和截断处理。
本步骤中，可导截断函数，如下所示：
其中，，于所述可导截断函数中，k为超参数，用来调节函数的有效激活区间，y为s（y）中的自变量，y包括：/>和；s(y)为截断调节系数，windowmin为窗宽窗位的灰度下限，windowmax为窗宽窗位的灰度上限，x为输入特征向量中的灰度值，/>为截断调节系数。
需要说明的是，通过Sigmoid-k这种连续可导的函数，实现了可导截断函数的可导特性；使得神经网络的梯度反传可对可导截断函数进行求导，进而实现对可导截断函数的权值更新，以使可导截断模型能够生成能够满足神经网络对的处理或分类要求的窗宽窗位图像。
具体地，S201中通过所述机器学习模型预测所述输入特征向量的灰度上限和灰度下限的步骤，包括：
将所述输入特征向量输出至所述机器学习模型；
接收所述机器学习模型对输入特征向量进行运算所生成的，符合神经网络数据处理要求的灰度上限和灰度下限。
其中，可采用训练所述神经网络所使用的训练样本，训练所述机器学习模型，使所述机器学习模型在通过梯度下降法和反向传播算法对其自身权值的更新，符合神经网络对数据处理的要求。
需要说明的是，所述机器学习模型是一种经过训练并收敛所获得的计算机模型，所述机器学习模型可与所述神经网络使用同样的训练样本，使所述机器学习模型对灰度上限和灰度下限的识别能够符合神经网络对数据分类、数据分割、图像识别等数据处理需求，进而使所述机器学习模型可对输入特征向量进行分析，识别待调节图像特有的，且，适合后续图像任务（即：所述神经网络的数据处理任务）的最佳窗宽窗位，于本实施例中，所述最佳窗宽窗位是指所述灰度上限和灰度下限。其中，所述训练收敛是通过梯度下降法和反向传播算法对神经网络的每个层进行权值调节更新，使其收敛并符合训练预期（如：神经网络的损失值小于预设的阈值）的过程；因此，经过所述神经网络的运算所获得的灰度上限和灰度下限是具有梯度反传特性（即：同时符合机器学习模型和神经网络的训练收敛要求）的，故，所述灰度上限和灰度下限符合神经网络的数据处理需求。
对机器学习模型的训练，以及通过机器学习模型分析图像获得灰度上限和灰度下限属于现有技术，而本申请所解决的技术问题是：如何获得具有符合神经网络的梯度反传特性的灰度上限和灰度下限，以及如何将所述灰度上限与灰度下限与待调节图像均衡化操作关联，使经过均衡化操作及截断操作所获得的窗宽窗位图像，满足神经网络在数据处理上的要求；因此，关于机器模型的训练及其分析图像获得灰度上限和灰度下限的过程在此不做赘述。
S202：所述可导截断模型根据所述灰度下限和灰度上限，计算所述输入特征向量中各灰度值获得各灰度值的下限差值和上限差值。
本步骤中，预设的灰度下限和灰度上限windowmin和windowmax，以获得下限差值和上限差值X-windowmin和X-windowmax。
通过灰度下限和灰度上限对待调节图像进行灰度限定以得到下限差值和上限差值，实现了对待调节图像的截断效果；其中，下限差值是指待调节图像的某一像素与灰度下限之间的差值，而上限差值是指该像素与灰度上限之间的差值。
S203：对所述下限差值和上限差值进行可导均衡化处理，获得可导均衡下差值和可导均衡上差值，将所述可导均衡下差值与可导均衡上差值相减获得截断调节系数。
示例性地，将下限差值代入Sigmoid-k函数对其进行逻辑回归，使每个离散化的下限差值都映射到范围为（0,1）范围内，并获得与所述下限差值对应的可导均衡下差值；因Sigmoid-k函数的可导特性，使得回归后所获得的可导均衡下差值具有可导特性；同时，又因Sigmoid-k函数在其定义域内为连续和光滑的函数，因此，对下限差值进行了连续光滑的均衡化处理，并获得了与下限差值对应的可导均衡下差值。
将上限差值代入Sigmoid-k函数对其进行逻辑回归，使每个离散化的上限差值都映射到范围为（0,1）范围内，并获得与所述上限差值对应的可导均衡上差值；因Sigmoid-k函数的可导特性，使得回归后所获得的可导均衡上差值具有可导特性；同时，又因Sigmoid-k函数在其定义域内为连续和光滑的函数，因此，对上限差值进行了连续光滑的均衡化处理，并获得了与上限差值对应的可导均衡上差值。
将所述可导均衡下差值与可导均衡上差值相减所获得的截断调节系数，用于对待调节图像中各像素的灰度值进行计算，以实现对待调节图像进行截断和均衡化处理。
S204：各截断调节系数按照与其对应的像素位置进行排列，以汇总形成截断调节向量。
在一个优选的实施例中，请参阅图6，S2中根据所述截断调节向量调节所述输入特征向量生成输出特征向量的步骤，包括：
S211：将截断调节向量中各截断调节系数与所述输入特征向量中各像素的灰度值一一对应。
S212：根据所述截断调节系数调整与其对应的灰度值获得初步输出特征向量；
本步骤中，可将相互对应的截断调节系数和灰度值相乘获得输出特征值。
示例性地，可通过以下公式计算输入特征向量中各灰度值所对应的输出特征值；
其中，X为输入特征向量，Y为初步特征向量，为截断调节向量。
S213：依次判断所述初步输出特征向量中输出特征值是否大于预设的截断阈值；若大于所述截断阈值，则将所述输出特征值设为保留特征值；若不大于所述截断阈值，则将所述输出特征值进行极值化处理并将其设为极值特征值。
本步骤中，大于截断阈值的输出特征值被视为应当在“观察窗”中显示的像素，而不大于截断阈值的输出特征值则被视为不应当在“观察窗”中显示的像素。于本实施例中，所述截断阈值可设为0。
进一步地，S213中极值化处理包括以下步骤：
判断所述初步输出特征向量的输出特征值是否小于灰度下限，若小于所述灰度下限，则将所述输出特征值调整为所述灰度下限；若不小于所述灰度下限，则判断所述输出特征值是否大于灰度上限，若大于所述灰度上限，则将所述输出特征值调整为所述灰度上限。
本步骤中，所述下灰度极限和上灰度极限可根据需要设置；例如：待调节图像的灰度区间为【-1024,1024】；若灰度下限为0，灰度上限为80；若输出特征值为-20，其小于灰度下限0，因此，将该输出特征值调整为0；若输出特征值为100，其大于灰度上限80，因此将该输出特征值调整为80。
S214：将完成对所述初步输出特征向量中所有输出特征值的截断阈值判断，且仅具有保留特征值和/或极值特征值的初步输出特征向量设为输出特征向量。
在一个优选的实施例中，请参阅图7，S3中将所述输出特征向量发送预设的神经网络，所述神经网络根据输出特征向量对所述可导截断模型进行权值更新，使其生成符合所述神经网络损失函数的输出特征向量的步骤包括：
S301：通过前向传播算法将所述输出特征向量输出至神经网络，所述神经网络中每一层依次对所述输出特征向量进行运算获得运算结果，及通过所述神经网络的损失函数计算所述运算结果获得损失值。
本步骤中，所述损失函数（loss function）是用来估量模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数,通常使用L(Y, f(x))来表示，损失函数越小，模型的鲁棒性就越好；神经网络可通过损失函数计算运算结果和真实结果（如：分类期望结果、分割期望结果）之间的差值，生成损失值。
S302：接收所述神经网络根据所述损失值，并通过梯度下降法及反向传播算法输出的迭代数据，根据所述迭代数据对所述可导截断模型中的可导截断函数进行求导，并根据求导结果对所述可导截断模型进行权值更新。
本步骤中，梯度下降法是在机器学习算法中，以最小化损失函数为目标时，用于一步步迭代求解得到最小化的损失函数及其神经网络的参数值的算法。反向传播算法是借助链式法则，计算两个或两个以上复合函数的导数，将输出单元的梯度反向传播回输入单元，根据计算出的梯度，调整网络的可学习参数的算法；因此，本步骤是神经网络通过反向传播算法并利用梯度下降法，计算神经网络中各层的参数值的方法；当传播至神经网络的输入层时，由于可导截断函数的可导特性，神经网络仍然可通过梯度下降法及反向传播算法向可导截断模型传播迭代数据，以对可导截断函数进行求导，并根据求导结果对所述可导截断模型进行权值更新，即调节可导截断函数中Sigmoid-k函数的k值，使可导截断模型成为神经网络在反向传播过程中的一部分，使其随着神经网络的需求而进行权值更新。
由于反向传播算法和梯度下降法属于现有技术，而本申请所解决的技术问题是，如何能够接受神经网络对可导截断函数的权值更新，使可导截断模块生成的输出特征向量符合神经网络的数据处理需求的问题；因此，反向传播算法和梯度下降法的工作原理在此不做赘述。
S303：通过更新后的可导截断模型，再次计算所述输入特征向量生成输出特征向量并将其发送所述神经网络，直至所述神经网络的损失值达到预设的损失阈值以下，判定所述损失值达到预设的损失阈值以下的输出特征向量，为符合所述神经网络损失函数的输出特征向量。
本步骤中，当神经网络的损失值达到预设的损失阈值以下时，则说明了输出特征向量符合了神经网络对于数据处理的要求，因此将不再对可导截断模块进行权值更新，并将该输出特征向量最为最终可用的输出特征向量。
同时，神经网络还可不对其自身的各层进行权值更新，而直接通过梯度下降法及反向传播算法对可导截断模型进行权值更新，使其生成的输出特征向量符合神经网络损失函数的要求。
需要说明的是，损失函数、通过损失函数计算运算结果获得损失值、以及根据损失值对函数进行求导及权值更新属于现有技术，而本申请所解决的技术问题是如何：使生成的输出特征向量及根据该特征向量所获得的窗宽窗位图像，满足神经网络的数据处理需求，因此损失函数、通过损失函数计算运算结果获得损失值、以及根据损失值对函数进行求导及权值更新在此不做赘述。
在示例性的实施例中，S3中根据该输出特征向量生成窗宽窗位图像的步骤包括：
根据所述输出特征向量中的保留特征值或极值特征值，调整待调节图像中各像素的灰度值，使所述待调节图像转为各像素的灰度值，分别与保留特征值或极值特征值一一对应的窗宽窗位图像；
将所述窗宽窗位图像上传至区块链。
需要说明的是，基于窗宽窗位图像得到对应的摘要信息，具体来说，摘要信息由窗宽窗位图像进行散列处理得到，比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息，以便查证整理表和/或数据表是否被篡改。
本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
实施例二：
请参阅图8，本实施例的一种基于梯度反传的自适应窗宽窗位调节装置1，包括：
灰度提取模块11，用于接收待调节图像，依次提取待调节图像中各像素的灰度值并汇总获得输入特征向量；
可导截断模块12，用于通过可导截断模型计算所述输入特征向量中各灰度值的截断调节系数并汇总形成截断调节向量，及根据所述截断调节向量调节所述输入特征向量生成输出特征向量；
图像生成模块13，用于将所述输出特征向量发送预设的神经网络，所述神经网络根据输出特征向量对所述可导截断模型进行权值更新，使其生成符合所述神经网络损失函数的输出特征向量，并根据该输出特征向量生成窗宽窗位图像。
本技术方案基于人工智能领域的图像检测，通过依次提取待调节图像中各像素的灰度值并汇总获得输入特征向量；通过可导截断模型计算所述输入特征向量中各灰度值的截断调节系数并汇总形成截断调节向量，及根据所述截断调节向量调节所述输入特征向量生成输出特征向量；将所述输出特征向量发送预设的神经网络，所述神经网络根据输出特征向量对所述可导截断模型进行权值更新，使其生成符合所述神经网络损失函数的输出特征向量，并根据该输出特征向量生成窗宽窗位图像，实现对窗宽窗位图像的灰度化图像处理。
实施例三：
为实现上述目的，本发明还提供一种计算机系统，该计算机系统包括多个计算机设备2，实施例二的自适应窗宽窗位调节装置1的组成部分可分散于不同的计算机设备中，计算机设备可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器（包括独立的服务器，或者多个服务器所组成的服务器集群）等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器21、处理器22，如图9所示。需要指出的是，图9仅示出了具有组件-的计算机设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
本实施例中，存储器21（即可读存储介质）包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。当然，存储器21还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备的操作系统和各类应用软件，例如实施例一的自适应窗宽窗位调节装置的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如运行自适应窗宽窗位调节装置，以实现实施例一的自适应窗宽窗位调节方法。
实施例四：
为实现上述目的，本发明还提供一种计算机可读存储系统，其包括多个存储介质，如闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器22执行时实现相应功能。本实施例的计算机可读存储介质用于存储自适应窗宽窗位调节装置，被处理器22执行时实现实施例一的自适应窗宽窗位调节方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种基于梯度反传的自适应窗宽窗位调节方法，其特征在于，包括：
接收待调节图像，依次提取待调节图像中各像素的灰度值并汇总获得输入特征向量；
通过可导截断模型计算所述输入特征向量中各灰度值的截断调节系数并汇总形成截断调节向量，及根据所述截断调节向量调节所述输入特征向量生成输出特征向量；通过可导截断模型计算所述输入特征向量中各灰度值的截断调节系数并汇总形成截断调节向量，及根据所述截断调节向量调节所述输入特征向量生成输出特征向量，包括：创建机器学习模型以及具有可导截断函数的可导截断模型，通过所述机器学习模型预测所述输入特征向量的灰度上限和灰度下限；其中，所述可导截断函数具有可导特性且用于对待调节图像进行均衡化处理和截断处理；所述可导截断模型根据所述灰度下限和灰度上限，计算所述输入特征向量中各灰度值获得各灰度值的下限差值和上限差值；对所述下限差值和上限差值进行可导均衡化处理，获得可导均衡下差值和可导均衡上差值，将所述可导均衡下差值与可导均衡上差值相减获得截断调节系数；各截断调节系数按照与其对应的像素位置进行排列，以汇总形成截断调节向量；所述可导截断函数，包括：；其中，/>，于所述可导截断函数中，k为超参数，用来调节函数的有效激活区间；s(y)为截断调节系数，windowmin为窗宽窗位的灰度下限，windowmax为窗宽窗位的灰度上限，x为输入特征向量中的灰度值，/>为截断调节系数；
将所述输出特征向量发送至预设的神经网络，所述神经网络根据输出特征向量对所述可导截断模型进行权值更新，使其生成符合所述神经网络损失函数的输出特征向量，并根据该输出特征向量生成窗宽窗位图像。
2.根据权利要求1所述的自适应窗宽窗位调节方法，其特征在于，依次提取待调节图像中各像素的灰度值并汇总获得输入特征向量的步骤，包括：
提取所述待调节图像中各像素的灰度值；
按照各像素在待调节图像中的位置，排列所述各像素的灰度值并汇总形成输入特征向量。
3.根据权利要求1所述的自适应窗宽窗位调节方法，其特征在于，根据所述截断调节向量调节所述输入特征向量生成输出特征向量的步骤，包括：
将截断调节向量中各截断调节系数与所述输入特征向量中各像素的灰度值一一对应；
根据所述截断调节系数调整与其对应的灰度值获得初步输出特征向量；
依次判断所述初步输出特征向量中输出特征值是否大于预设的截断阈值；若大于所述截断阈值，则将所述输出特征值设为保留特征值；若不大于所述截断阈值，则将所述输出特征值进行极值化处理并将其设为极值特征值；
完成对所述初步输出特征向量中所有输出特征值的截断阈值判断，且将仅具有保留特征值和/或极值特征值的初步输出特征向量设定为输出特征向量。
4.根据权利要求3所述的自适应窗宽窗位调节方法，其特征在于，所述极值化处理包括以下步骤：
判断所述初步输出特征向量的输出特征值是否小于灰度下限，若小于所述灰度下限，则将所述输出特征值调整为所述灰度下限；若不小于所述灰度下限，则判断所述输出特征值是否大于灰度上限，若大于所述灰度上限，则将所述输出特征值调整为所述灰度上限。
5.根据权利要求1所述的自适应窗宽窗位调节方法，其特征在于，将所述输出特征向量发送至预设的神经网络，所述神经网络根据输出特征向量对所述可导截断模型进行权值更新，使其生成符合所述神经网络损失函数的输出特征向量的步骤，包括：
通过前向传播算法将所述输出特征向量输出至神经网络，所述神经网络中每一层依次对所述输出特征向量进行运算获得运算结果，并通过所述神经网络的损失函数计算所述运算结果获得损失值；
接收所述神经网络根据所述损失值，并通过梯度下降法及反向传播算法输出的迭代数据，根据所述迭代数据对所述可导截断模型中的可导截断函数进行求导，并根据求导结果对所述可导截断模型进行权值更新；
通过更新后的可导截断模型，再次计算所述输入特征向量生成输出特征向量并将其发送至所述神经网络，直至所述神经网络的损失值达到预设的损失阈值以下，判定所述损失值达到预设的损失阈值以下的输出特征向量，为符合所述神经网络损失函数的输出特征向量。
6.根据权利要求1所述的自适应窗宽窗位调节方法，其特征在于，根据该输出特征向量生成窗宽窗位图像的步骤，包括：
根据所述输出特征向量中的保留特征值或极值特征值，调整待调节图像中各像素的灰度值，使所述待调节图像中的各像素的灰度值分别与保留特征值或极值特征值一一对应，以使所述待调节图像转为窗宽窗位图像；
将所述窗宽窗位图像上传至区块链。
7.一种基于梯度反传的自适应窗宽窗位调节装置，其特征在于，包括：
灰度提取模块，用于接收待调节图像，依次提取待调节图像中各像素的灰度值并汇总获得输入特征向量；
可导截断模块，用于通过可导截断模型计算所述输入特征向量中各灰度值的截断调节系数并汇总形成截断调节向量，及根据所述截断调节向量调节所述输入特征向量生成输出特征向量；通过可导截断模型计算所述输入特征向量中各灰度值的截断调节系数并汇总形成截断调节向量，及根据所述截断调节向量调节所述输入特征向量生成输出特征向量，包括：创建机器学习模型以及具有可导截断函数的可导截断模型，通过所述机器学习模型预测所述输入特征向量的灰度上限和灰度下限；其中，所述可导截断函数具有可导特性且用于对待调节图像进行均衡化处理和截断处理；所述可导截断模型根据所述灰度下限和灰度上限，计算所述输入特征向量中各灰度值获得各灰度值的下限差值和上限差值；对所述下限差值和上限差值进行可导均衡化处理，获得可导均衡下差值和可导均衡上差值，将所述可导均衡下差值与可导均衡上差值相减获得截断调节系数；各截断调节系数按照与其对应的像素位置进行排列，以汇总形成截断调节向量；可导截断函数，包括：；其中，/>，于所述可导截断函数中，k为超参数，用来调节函数的有效激活区间；s(y)为截断调节系数，windowmin为窗宽窗位的灰度下限，windowmax为窗宽窗位的灰度上限，x为输入特征向量中的灰度值，/>为截断调节系数；
图像生成模块，用于将所述输出特征向量发送至预设的神经网络，所述神经网络根据输出特征向量对所述可导截断模型进行权值更新，使其生成符合所述神经网络损失函数的输出特征向量，并根据该输出特征向量生成窗宽窗位图像。
8.一种计算机系统，其包括多个计算机设备，各计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述多个计算机设备的处理器执行所述计算机程序时共同实现权利要求1至6任一项所述自适应窗宽窗位调节方法的步骤。
9.一种计算机可读存储介质，其包括多个存储介质，各存储介质上存储有计算机程序，其特征在于，所述多个存储介质存储的所述计算机程序被处理器执行时共同实现权利要求1至6任一项所述自适应窗宽窗位调节方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010412059.7A CN111696164B (zh) | 2020-05-15 | 2020-05-15 | 自适应窗宽窗位调节方法、装置、计算机系统及存储介质 |
| PCT/CN2020/135076 WO2021115356A1 (zh) | 2020-05-15 | 2020-12-10 | 自适应窗宽窗位调节方法、装置、计算机系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010412059.7A CN111696164B (zh) | 2020-05-15 | 2020-05-15 | 自适应窗宽窗位调节方法、装置、计算机系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111696164A CN111696164A (zh) | 2020-09-22 |
| CN111696164B true CN111696164B (zh) | 2023-08-25 |
Family
ID=72477802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010412059.7A Active CN111696164B (zh) | 2020-05-15 | 2020-05-15 | 自适应窗宽窗位调节方法、装置、计算机系统及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111696164B (zh) |
| WO (1) | WO2021115356A1 (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111696164B (zh) * | 2020-05-15 | 2023-08-25 | 平安科技（深圳）有限公司 | 自适应窗宽窗位调节方法、装置、计算机系统及存储介质 |
| CN112529818B (zh) * | 2020-12-25 | 2022-03-29 | 万里云医疗信息科技（北京）有限公司 | 基于神经网络的骨影抑制方法、装置、设备及存储介质 |
| CN112686874A (zh) * | 2020-12-31 | 2021-04-20 | 苏州朗润医疗系统有限公司 | 一种基于卷积神经网络的mri自适应窗宽窗位提取方法 |
| CN112700445B (zh) * | 2021-03-23 | 2021-06-29 | 上海市东方医院（同济大学附属东方医院） | 图像处理方法、装置及系统 |
| CN113177948B (zh) * | 2021-04-15 | 2023-02-03 | 中国海洋大学 | 一种基于语义分割的医学图像自动窗口调节方法及应用 |
| CN114938966A (zh) * | 2022-03-25 | 2022-08-26 | 康达洲际医疗器械有限公司 | 一种基于纳米探针光热增敏的温度场获取系统与方法 |
| CN114937019B (zh) * | 2022-05-30 | 2022-12-23 | 杭州健培科技有限公司 | 基于自适应局部灰度均衡的关键点检测方法、装置及应用 |
| CN115482248B (zh) * | 2022-09-22 | 2023-12-08 | 推想医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
| CN116109644B (zh) * | 2023-04-14 | 2023-06-16 | 东莞市佳超五金科技有限公司 | 用于铜铝转接排的表面缺陷检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184759A (zh) * | 2015-09-22 | 2015-12-23 | 中国科学院西安光学精密机械研究所 | 一种基于直方图紧致性变换的图像自适应增强方法 |
| CN108537794A (zh) * | 2018-04-19 | 2018-09-14 | 上海联影医疗科技有限公司 | 医学图像数据处理方法、装置和计算机可读存储介质 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6175643B1 (en) * | 1997-12-18 | 2001-01-16 | Siemens Corporate Research, Inc. | Neural network based auto-windowing system for MR images |
| CN102855617B (zh) * | 2011-07-01 | 2015-04-08 | 中国科学院深圳先进技术研究院 | 自适应图像处理方法及系统 |
| CN103310227A (zh) * | 2012-03-16 | 2013-09-18 | 上海联影医疗科技有限公司 | 基于神经网络的自动窗宽窗位提取方法 |
| CN104323789B (zh) * | 2014-09-25 | 2017-08-25 | 沈阳东软医疗系统有限公司 | 一种ct扫描图像重建方法及ct扫描仪 |
| WO2017013514A1 (en) * | 2015-07-23 | 2017-01-26 | Koninklijke Philips N.V. | Computed tomography visualization adjustment |
| US10262237B2 (en) * | 2016-12-08 | 2019-04-16 | Intel Corporation | Technologies for improved object detection accuracy with multi-scale representation and training |
| CN109273074B (zh) * | 2018-11-27 | 2019-12-10 | 数坤（北京）网络科技有限公司 | 一种用于医疗图像的网络模型调整方法及设备 |
| CN111696164B (zh) * | 2020-05-15 | 2023-08-25 | 平安科技（深圳）有限公司 | 自适应窗宽窗位调节方法、装置、计算机系统及存储介质 |
-
2020
- 2020-05-15 CN CN202010412059.7A patent/CN111696164B/zh active Active
- 2020-12-10 WO PCT/CN2020/135076 patent/WO2021115356A1/zh active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184759A (zh) * | 2015-09-22 | 2015-12-23 | 中国科学院西安光学精密机械研究所 | 一种基于直方图紧致性变换的图像自适应增强方法 |
| CN108537794A (zh) * | 2018-04-19 | 2018-09-14 | 上海联影医疗科技有限公司 | 医学图像数据处理方法、装置和计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| Automated Spinal Curvature Assessment from X-Ray Images Using Landmarks Estimation Network via Rotation Proposals;Rong Tao et al;Computational Methods and Clinical Applications for Spine Imaging;第95-99页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021115356A1 (zh) | 2021-06-17 |
| CN111696164A (zh) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111696164B (zh) | 自适应窗宽窗位调节方法、装置、计算机系统及存储介质 | |
| US11487995B2 (en) | Method and apparatus for determining image quality | |
| CN111507993B (zh) | 一种基于生成对抗网络的图像分割方法、装置及存储介质 | |
| JP7414901B2 (ja) | 生体検出モデルのトレーニング方法及び装置、生体検出の方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
| US10719693B2 (en) | Method and apparatus for outputting information of object relationship | |
| US20230237841A1 (en) | Occlusion Detection | |
| CN109271958B (zh) | 人脸年龄识别方法及装置 | |
| EP4322056A1 (en) | Model training method and apparatus | |
| CN110462645A (zh) | 具有更新能力的传感器数据处理器 | |
| US11501431B2 (en) | Image processing method and apparatus and neural network model training method | |
| CN110245671B (zh) | 一种内窥镜图像特征点匹配方法及系统 | |
| CN111881926A (zh) | 图像生成、图像生成模型的训练方法、装置、设备及介质 | |
| CN113435583A (zh) | 基于联邦学习的对抗生成网络模型训练方法及其相关设备 | |
| CN113435522A (zh) | 图像分类方法、装置、设备及存储介质 | |
| CN114241569B (zh) | 人脸识别攻击样本的生成方法、模型训练方法及相关设备 | |
| CN112418292A (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
| CN114496083B (zh) | 细胞类型确定方法、装置、设备以及存储介质 | |
| CN113449704B (zh) | 人脸识别模型训练方法、装置、电子设备及存储介质 | |
| CN112395979A (zh) | 基于图像的健康状态识别方法、装置、设备及存储介质 | |
| CN114067057A (zh) | 一种基于注意力机制的人体重建方法、模型、装置 | |
| CN111816300A (zh) | 基于深度强化学习的数据分类方法、装置、设备及介质 | |
| US20230100427A1 (en) | Face image processing method, face image processing model training method, apparatus, device, storage medium, and program product | |
| CN114240954B (zh) | 网络模型的训练方法及装置、图像分割方法及装置 | |
| CN111382791B (zh) | 深度学习任务处理方法、图像识别任务处理方法和装置 | |
| CN111898561A (zh) | 一种人脸认证方法、装置、设备及介质 |
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 |