CN111863206A - 一种图像预处理方法、装置、设备及存储介质 - Google Patents
一种图像预处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111863206A CN111863206A CN202010722648.5A CN202010722648A CN111863206A CN 111863206 A CN111863206 A CN 111863206A CN 202010722648 A CN202010722648 A CN 202010722648A CN 111863206 A CN111863206 A CN 111863206A
- Authority
- CN
- China
- Prior art keywords
- preprocessing
- acquisition data
- image
- image acquisition
- mode
- 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
- 238000007781 pre-processing Methods 0.000 title claims abstract description 265
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012545 processing Methods 0.000 claims description 32
- 238000012805 post-processing Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008707 rearrangement Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000002591 computed tomography Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000002601 radiography Methods 0.000 claims description 3
- 238000002604 ultrasonography Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Multimedia (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像预处理方法、装置、设备及存储介质。通过获取图像采集数据,将图像采集数据输入至预先训练的预处理模式预测模型,得到图像采集数据对应的预处理模式,基于预处理模式对应的预处理算法,执行对图像采集数据的预处理操作。解决了现有技术中对同一套采集数据启动多个预处理过程导致预处理效率较低的问题,通过预处理模式预测模型,可以确定图像采集数据对应的预处理模式,进而提高预处理效率并降低资源浪费。
Description
技术领域
本发明实施例涉及数据处理技术,尤其涉及一种图像预处理方法、装置、设备及存储介质。
背景技术
对于影像设备采集得到的医学图像,后处理工作站提供了多个后处理应用对其进行处理,处理过程通常包括数据重排、部位分割、病灶提取等。这些处理过程的背后是复杂的图像处理算法,属于耗时的过程。因而,对医学图像进行预处理之前,加入一种预处理的机制,在后处理工作站接收到医学图像后进行数据重排、部分分割、病灶提取等过程,并将处理结果保存,操作人员可以直接加载处理结果,省去等待的时间。
随着后处理应用的多样化,对于特定的数据进行何种预处理变得很难判定。如常见的胸部数据,医生是想得到该数据的心脏冠脉结果(对应心脏后处理应用),还是肺部的结节结果(对应肺结节后处理应用),计算机很难对医生的偏好进行判定。也就是说,采用现有的方式对采集数据进行预处理时,往往对同一套采集数据启动多个后处理应用的预处理过程,从而达到提前得到处理结果的目的。
但是,对于一套采集数据,用户一般只需要一个应用的处理结果,多余的处理过程既浪费时间,又浪费计算资源和存储资源。
发明内容
本发明实施例提供了一种图像预处理方法、装置、设备及存储介质,以对一套图像采集数据确定一种预处理模式,进而节约存储资源并提高预处理效率。
第一方面,本发明实施例提供了一种图像预处理方法,包括:
获取图像采集数据;
将所述图像采集数据输入至预先训练的预处理模式预测模型,得到所述图像采集数据对应的预处理模式;
基于所述预处理模式对应的预处理算法,执行对所述图像采集数据的预处理操作。
可选地,所述预处理模式预测模型的训练方法,包括:
获取样本采集数据和样本预处理模式,其中,所述样本采集数据包括用户基本信息、采集设备相关信息以及图像相关信息中的至少一种;
将所述样本采集数据输入至原始预测模型,得到预测预处理模式;
根据所述预测预处理模式和所述样本预处理模式调节所述原始预测模型的网络参数,得到所述预处理模式预测模型。
可选地,所述将所述图像采集数据输入至预先训练的预处理模式预测模型,得到所述图像采集数据对应的预处理模式,包括:
基于所述预处理模式预测模型提取所述图像采集数据的感兴趣区;
根据所述感兴趣区的各像素点的图像信息,确定图像采集数据对应的预处理模式的标签以及各所述标签的概率;
根据各所述标签的概率确定所述图像采集数据对应的预处理模式。
可选地,在所述将所述样本采集数据输入至原始预测模型之前,所述方法还包括:
采用主成分分析法对所述样本采集数据进行去中心化处理,并计算去中心化处理后的样本采集数据的协方差矩阵;
对所述协方差矩阵进行特征值分解,从特征值分解结果中提取设定数量的特征向量,将所述样本采集数据投影至所述特征向量上,得到所述样本采集数据的特征序列。
可选地,所述基于所述预处理模式对应的预处理算法,执行对所述图像采集数据的预处理操作,包括:
根据所述预处理模式携带的标签确定预处理模式对应的应用名称、应用模态以及偏好序列中的至少一种;
基于所述预处理算法的处理逻辑执行对所述图像采集数据的预处理操作,其中,所述预处理操作包括去噪算法、过滤算法以及参数设置处理算法中的至少一种。
可选地,所述图像采集数据为超声图像、磁共振图像、计算机断层扫描图像、数字化X射线摄影扫描图像、分子影像中的任意一种或组合。
可选地,该方法还包括:还包括:
将预处理后的图像采集数据进行数据重排、部位分割以及特征信息提取中的至少一种后处理操作,得到所述图像采集数据对应的重建图像。
第二方面,本发明实施例还提供了一种图像预处理装置,包括:
图像采集数据获取模块,用于获取图像采集数据;
预处理模式确定模块,用于将所述图像采集数据输入至预先训练的预处理模式预测模型,得到所述图像采集数据对应的预处理模式;
预处理执行模块,用于基于所述预处理模式对应的预处理算法,执行对所述图像采集数据的预处理操作。
第三方面,本发明实施例还提供了一种图像预处理设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面中任一项所述的图像预处理方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时实现如第一方面中任一项所述的图像预处理方法。
本实施例提供的技术方案,通过获取图像采集数据,将图像采集数据输入至预先训练的预处理模式预测模型,得到图像采集数据对应的预处理模式,基于预处理模式对应的预处理算法,执行对图像采集数据的预处理操作。解决了现有技术中对同一套采集数据启动多个预处理过程导致预处理效率较低的问题,通过预处理模式预测模型,可以确定图像采集数据对应的预处理模式,进而提高预处理效率并降低资源浪费。
附图说明
图1为本发明实施例一提供的一种图像预处理方法的流程示意图;
图2为本发明实施例一提供的一种图像预处理方法的逻辑示意图;
图3为本发明实施例二提供的一种图像预处理装置的结构示意图;
图4为本发明实施例三提供的一种图像预处理设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种图像预处理方法的流程示意图,本实施例可适用于在获取到图像采集数据时,通过预处理模式预测模型确定预处理模式的情况,该方法可以由图像预处理装置来执行,其中该装置可由软件和/或硬件实现,并一般集成在终端或图像预处理设备中。具体参见图1所示,该方法可以包括如下步骤:
S110,获取图像采集数据。
可以理解的是,图像采集数据是通过图像采集设备采集得到的医学图像,根据图像采集设备的类型,所述图像采集数据可以是超声图像、磁共振图像、计算机断层扫描图像、数字化X射线摄影扫描图像、分子影像中的任意一种或组合。
S120,将图像采集数据输入至预先训练的预处理模式预测模型,得到图像采集数据对应的预处理模式。
可以理解的是,图像采集数据的后处理属于耗时的过程,为了节约图像后处理所需的时间,在对图像采集数据进行后处理之前,加入预处理机制,然而后处理应用多样化,仅根据设定好的模态、图像采集设备对应的部位等方式,不能确定图像采集数据对应的预处理模式,预处理效率较低且浪费资源。对此,本实施例将图像采集数据输入至预先训练的预处理模式预测模型,通过预处理模式预测模型确定图像采集数据对应的预处理模式。可选地,图像采集数据对应的预处理模式的确定方法为:基于预处理模式预测模型提取图像采集数据的感兴趣区,根据感兴趣区的各像素点的图像信息,确定图像采集数据对应的预处理模式的标签以及各标签的概率,根据各标签的概率确定图像采集数据对应的预处理模式。可选地,所述预处理模式的标签可以根据图像采集数据的图像类型、图像采集部位以及预处理模式包括的预处理算法等确定。
具体地,预处理模式预测模型可以包括多个子网络,通过第一子网络提取图像采集数据的至少一个感兴趣区,通过第二子网络计算各个感兴趣区的像素点的图像信息,例如计算各像素点的灰度值等信息,通过第三子网络根据各个感兴趣区的像素点的图像信息确定对应的预处理模式的标签和该标签的概率,并将概率最大的标签对应的预处理模式作为结果输出得到图像采集数据对应的预处理模式。可选地,预处理模式预测模型可以但不限于卷积神经网络、全连接神经网络以及其他神经网络。
可选地,预处理模式预测模型可以通过样本采集数据和样本预处理模式训练得到。预处理模式预测模型的训练方法为:获取样本采集数据和样本预处理模式,其中,所述样本采集数据包括用户基本信息、采集设备相关信息以及图像相关信息中的至少一种;将所述样本采集数据输入至原始预测模型,得到预测预处理模式;根据所述预测预处理模式和所述样本预处理模式调节所述原始预测模型的网络参数,得到所述预处理模式预测模型。所述用户基本信息包括用户性别、身高和体重等信息;采集设备相关信息包括身体检察部位、协议名称、图像采集设备模态、图像采集设备序列描述以及用户摆位状态等信息;所述图像相关信息包括图像切片厚度、像素点间距、图像行数、图像列数、相位信息、心率以及视角等信息。样本采集数据和样本预处理模式可以均携带标签,用于对原始预测模型进行端对端训练。
本实施例中,为了在训练过程降低样本采集数据的特征之间的相关性,在将样本采集数据输入至原始预测模型之前,可以对样本采集数据进行预处理。具体方法为:采用主成分分析法对样本采集数据进行去中心化处理,并计算去中心化处理后的样本采集数据的协方差矩阵,对协方差矩阵进行特征值分解,从特征值分解结果中提取设定数量的特征向量,将样本采集数据投影至特征向量上,得到样本采集数据的特征序列,进而将样本采集数据的特征序列输入至原始预测模型,通过样本采集数据和样本预处理模式对原始预测模型进行训练,得到预处理模式预测模型。可选地,协方差矩阵可以写成一系列线性运算(包括缩放和旋转),特征值分解结果表示旋转矩阵,而特征值表示比例因子,特征向量指向协方差矩阵的数据最大方差的方向,通过将样本采集数据投影至特征向量上,可以降低样本采集数据的维数。
S130,基于预处理模式对应的预处理算法,执行对图像采集数据的预处理操作。
可选地,可以根据预处理模式携带的标签确定预处理模式对应的应用名称、应用模态以及偏好序列中的至少一种,并基于预处理算法的处理逻辑执行对图像采集数据的预处理操作,其中,预处理操作包括去噪算法、过滤算法以及参数设置处理算法中的至少一种。如前述步骤所述,所述预处理模式的标签可以根据图像采集数据的图像类型、图像采集部位以及预处理模式包括的预处理算法等确定,据此,若确定预处理模式携带的标签,根据标签确定该预处理模式的应用名称、应用模态以及偏好序列,选择具体的预处理算法,并根据该预处理算法的处理逻辑执行去噪操作、过滤操作获参数设置操作等,完成对图像采集数据的预处理操作。
如图2所示为一种图像预处理方法的逻辑示意图,图2包括预处理模式预测模型的训练过程和采用预处理模式预测模型确定一种预处理模式的过程。结合图2解释上述内容,在对预处理模式预测模型进行训练时,将样本采集数据和样本预处理模式归档至后处理工作站,接收技师手动触发的某个样本预处理模式,后处理工作站记录技师触发的样本预处理模式对应的样本采集数据,并判断该样本采集数据的数据量是否达到训练样本量,如果达到,根据技师触发的样本预处理模式和对应的样本采集数据训练原始预测模型,将得到的预测预处理模式进行展示,如果确定预测预处理模式是否与样本预处理模式一致,触发其他的样本预处理模式以根据所有的样本预处理模式和样本采集数据训练原始预测模型,直至原始预测模型完成训练,利用训练完成的预处理模式预测模型确定图像采集数据的预处理模式并执行预处理操作。
进一步地,执行完对图像采集数据的预处理操作,可以将预处理后的图像采集数据进行数据重排、部位分割以及特征信息提取中的至少一种后处理操作,得到图像采集数据对应的重建图像。
本实施例提供的技术方案,通过获取图像采集数据,将图像采集数据输入至预先训练的预处理模式预测模型,得到图像采集数据对应的预处理模式,基于预处理模式对应的预处理算法,执行对图像采集数据的预处理操作。解决了现有技术中对同一套采集数据启动多个预处理过程导致预处理效率较低的问题,通过预处理模式预测模型,可以确定图像采集数据对应的预处理模式,进而提高预处理效率并降低资源浪费。
实施例二
图3为本发明实施例二提供的一种图像预处理装置的结构示意图。参见图3所示,该装置包括:图像采集数据获取模块210、预处理模式确定模块220以及预处理模式确定模块230。
其中,图像采集数据获取模块210,用于获取图像采集数据;预处理模式确定模块220,用于将所述图像采集数据输入至预先训练的预处理模式预测模型,得到所述图像采集数据对应的预处理模式;预处理执行模块230,用于基于所述预处理模式对应的预处理算法,执行对所述图像采集数据的预处理操作。
在上述各技术方案的基础上,该装置还包括:预处理模式预测模型训练模块;其中,预处理模式预测模型训练模块,用于获取样本采集数据和样本预处理模式,其中,所述样本采集数据包括用户基本信息、采集设备相关信息以及图像相关信息中的至少一种;
将所述样本采集数据输入至原始预测模型,得到预测预处理模式;
根据所述预测预处理模式和所述样本预处理模式调节所述原始预测模型的网络参数,得到所述预处理模式预测模型。
在上述各技术方案的基础上,预处理模式确定模块220还用于,基于所述预处理模式预测模型提取所述图像采集数据的感兴趣区;
根据所述感兴趣区的各像素点的图像信息,确定图像采集数据对应的预处理模式的标签以及各所述标签的概率;
根据各所述标签的概率确定所述图像采集数据对应的预处理模式。
在上述各技术方案的基础上,该装置还包括:样本采集数据预处理模块;其中,样本采集数据预处理模块,用于采用主成分分析法对所述样本采集数据进行去中心化处理,并计算去中心化处理后的样本采集数据的协方差矩阵;
对所述协方差矩阵进行特征值分解,从特征值分解结果中提取设定数量的特征向量,将所述样本采集数据投影至所述特征向量上,得到所述样本采集数据的特征序列。
在上述各技术方案的基础上,预处理模式确定模块230,用于根据所述预处理模式携带的标签确定预处理模式对应的应用名称、应用模态以及偏好序列中的至少一种;
基于所述预处理算法的处理逻辑执行对所述图像采集数据的预处理操作,其中,所述预处理操作包括去噪算法、过滤算法以及参数设置处理算法中的至少一种。
在上述各技术方案的基础上,所述图像采集数据为超声图像、磁共振图像、计算机断层扫描图像、数字化X射线摄影扫描图像、分子影像中的任意一种或组合。
在上述各技术方案的基础上,该装置还包括:后处理理模块;其中,后处理理模块,用于将预处理后的图像采集数据进行数据重排、部位分割以及特征信息提取中的至少一种后处理操作,得到所述图像采集数据对应的重建图像。
本实施例提供的技术方案,通过获取图像采集数据,将图像采集数据输入至预先训练的预处理模式预测模型,得到图像采集数据对应的预处理模式,基于预处理模式对应的预处理算法,执行对图像采集数据的预处理操作。解决了现有技术中对同一套采集数据启动多个预处理过程导致预处理效率较低的问题,通过预处理模式预测模型,可以确定图像采集数据对应的预处理模式,进而提高预处理效率并降低资源浪费。
实施例三
图4为本发明实施例三提供的一种图像预处理设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性图像预处理设备12的框图。图4显示的图像预处理设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,图像预处理设备12以通用计算设备的形式表现。图像预处理设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
图像预处理设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被图像预处理设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。图像预处理设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如图像预处理装置的图像采集数据获取模块210、预处理模式确定模块220以及预处理模式确定模块230)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(例如图像预处理装置的图像采集数据获取模块210、预处理模式确定模块220以及预处理模式确定模块230)程序模块46的程序/实用工具44,可以存储在例如存储器28中,这样的程序模块46包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块46通常执行本发明所描述的实施例中的功能和/或方法。
图像预处理设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该图像预处理设备12交互的设备通信,和/或与使得该图像预处理设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,图像预处理设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与图像预处理设备12的其它模块通信。应当明白,尽管图中未示出,可以结合图像预处理设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种图像预处理方法,该方法包括:
获取图像采集数据;
将所述图像采集数据输入至预先训练的预处理模式预测模型,得到所述图像采集数据对应的预处理模式;
基于所述预处理模式对应的预处理算法,执行对所述图像采集数据的预处理操作。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种图像预处理方法。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的一种图像预处理方法的技术方案。
实施例四
本发明实施例四还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的一种图像预处理方法,该方法包括:
获取图像采集数据;
将所述图像采集数据输入至预先训练的预处理模式预测模型,得到所述图像采集数据对应的预处理模式;
基于所述预处理模式对应的预处理算法,执行对所述图像采集数据的预处理操作。
当然,本发明实施例所提供的一种计算机可读存储介质,其上存储的计算机程序不限于如上的方法操作,还可以执行本发明任意实施例所提供的一种图像预处理方法中的相关操作。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在图像采集数据、预处理模式、预处理算法等,其中承载了计算机可读的程序代码。这种传播的图像采集数据、预处理模式、预处理算法等形式。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
值得注意的是,上述图像预处理装置的实施例中,所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种图像预处理方法,其特征在于,包括:
获取图像采集数据;
将所述图像采集数据输入至预先训练的预处理模式预测模型,得到所述图像采集数据对应的预处理模式;
基于所述预处理模式对应的预处理算法,执行对所述图像采集数据的预处理操作。
2.根据权利要求1所述的方法,其特征在于,所述预处理模式预测模型的训练方法,包括:
获取样本采集数据和样本预处理模式,其中,所述样本采集数据包括用户基本信息、采集设备相关信息以及图像相关信息中的至少一种;
将所述样本采集数据输入至原始预测模型,得到预测预处理模式;
根据所述预测预处理模式和所述样本预处理模式调节所述原始预测模型的网络参数,得到所述预处理模式预测模型。
3.根据权利要求1所述的方法,其特征在于,所述将所述图像采集数据输入至预先训练的预处理模式预测模型,得到所述图像采集数据对应的预处理模式,包括:
基于所述预处理模式预测模型提取所述图像采集数据的感兴趣区;
根据所述感兴趣区的各像素点的图像信息,确定图像采集数据对应的预处理模式的标签以及各所述标签的概率;
根据各所述标签的概率确定所述图像采集数据对应的预处理模式。
4.根据权利要求2所述的方法,其特征在于,在所述将所述样本采集数据输入至原始预测模型之前,所述方法还包括:
采用主成分分析法对所述样本采集数据进行去中心化处理,并计算去中心化处理后的样本采集数据的协方差矩阵;
对所述协方差矩阵进行特征值分解,从特征值分解结果中提取设定数量的特征向量,将所述样本采集数据投影至所述特征向量上,得到所述样本采集数据的特征序列。
5.根据权利要求3所述的方法,其特征在于,所述基于所述预处理模式对应的预处理算法,执行对所述图像采集数据的预处理操作,包括:
根据所述预处理模式携带的标签确定预处理模式对应的应用名称、应用模态以及偏好序列中的至少一种;
基于所述预处理算法的处理逻辑执行对所述图像采集数据的预处理操作,其中,所述预处理操作包括去噪算法、过滤算法以及参数设置处理算法中的至少一种。
6.根据权利要求1所述的方法,其特征在于,所述图像采集数据为超声图像、磁共振图像、计算机断层扫描图像、数字化X射线摄影扫描图像、分子影像中的任意一种或组合。
7.根据权利要求1所述的方法,其特征在于,还包括:
将预处理后的图像采集数据进行数据重排、部位分割以及特征信息提取中的至少一种后处理操作,得到所述图像采集数据对应的重建图像。
8.一种图像预处理装置,其特征在于,包括:
图像采集数据获取模块,用于获取图像采集数据;
预处理模式确定模块,用于将所述图像采集数据输入至预先训练的预处理模式预测模型,得到所述图像采集数据对应的预处理模式;
预处理执行模块,用于基于所述预处理模式对应的预处理算法,执行对所述图像采集数据的预处理操作。
9.一种图像预处理设备,包括存储器、处理器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,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的图像预处理方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-7中任一项所述的图像预处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010722648.5A CN111863206A (zh) | 2020-07-24 | 2020-07-24 | 一种图像预处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010722648.5A CN111863206A (zh) | 2020-07-24 | 2020-07-24 | 一种图像预处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111863206A true CN111863206A (zh) | 2020-10-30 |
Family
ID=72949923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010722648.5A Pending CN111863206A (zh) | 2020-07-24 | 2020-07-24 | 一种图像预处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111863206A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113067980A (zh) * | 2021-03-23 | 2021-07-02 | 北京澎思科技有限公司 | 图像采集方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040061889A1 (en) * | 2002-09-27 | 2004-04-01 | Confirma, Inc. | System and method for distributing centrally located pre-processed medical image data to remote terminals |
CN108172275A (zh) * | 2016-12-05 | 2018-06-15 | 北京东软医疗设备有限公司 | 一种医学影像处理方法及装置 |
CN108648164A (zh) * | 2018-05-18 | 2018-10-12 | 深圳华声医疗技术股份有限公司 | 超声图像优化方法、装置及计算机可读存储介质 |
CN110993063A (zh) * | 2018-10-02 | 2020-04-10 | 西门子医疗有限公司 | 用于便于由放射科医师和人工智能算法进行联合解释的扫描仪处的医学图像预处理 |
CN111242933A (zh) * | 2020-01-15 | 2020-06-05 | 华南理工大学 | 视网膜图像动静脉的分类装置、设备及存储介质 |
CN111276219A (zh) * | 2020-01-16 | 2020-06-12 | 上海联影医疗科技有限公司 | 一种医疗成像处理方法、装置、设备和介质 |
-
2020
- 2020-07-24 CN CN202010722648.5A patent/CN111863206A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040061889A1 (en) * | 2002-09-27 | 2004-04-01 | Confirma, Inc. | System and method for distributing centrally located pre-processed medical image data to remote terminals |
CN108172275A (zh) * | 2016-12-05 | 2018-06-15 | 北京东软医疗设备有限公司 | 一种医学影像处理方法及装置 |
CN108648164A (zh) * | 2018-05-18 | 2018-10-12 | 深圳华声医疗技术股份有限公司 | 超声图像优化方法、装置及计算机可读存储介质 |
CN110993063A (zh) * | 2018-10-02 | 2020-04-10 | 西门子医疗有限公司 | 用于便于由放射科医师和人工智能算法进行联合解释的扫描仪处的医学图像预处理 |
CN111242933A (zh) * | 2020-01-15 | 2020-06-05 | 华南理工大学 | 视网膜图像动静脉的分类装置、设备及存储介质 |
CN111276219A (zh) * | 2020-01-16 | 2020-06-12 | 上海联影医疗科技有限公司 | 一种医疗成像处理方法、装置、设备和介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113067980A (zh) * | 2021-03-23 | 2021-07-02 | 北京澎思科技有限公司 | 图像采集方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961491B (zh) | 多模态图像截断补偿方法、装置、计算机设备和介质 | |
EP3483895A1 (en) | Detecting and classifying medical images based on continuously-learning whole body landmarks detections | |
US8958614B2 (en) | Image-based detection using hierarchical learning | |
CN109460756B (zh) | 医学影像处理方法、装置、电子设备及计算机可读介质 | |
EP3614390A1 (en) | Imaging and reporting combination in medical imaging | |
US10949966B2 (en) | Detecting and classifying medical images based on continuously-learning whole body landmarks detections | |
EP3722996A2 (en) | Systems and methods for processing 3d anatomical volumes based on localization of 2d slices thereof | |
CN111063422A (zh) | 一种医学图像标注方法、装置、设备及介质 | |
CN113656706A (zh) | 基于多模态深度学习模型的信息推送方法及装置 | |
CN114266896A (zh) | 图像标注方法、模型训练方法及装置、电子设备、介质 | |
CN112634309B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN114331992A (zh) | 图像序列处理方法、装置、计算设备及存储介质 | |
CN111863206A (zh) | 一种图像预处理方法、装置、设备及存储介质 | |
CN111882544B (zh) | 基于人工智能的医学影像显示方法及相关装置 | |
US20230334698A1 (en) | Methods and systems for positioning in an medical procedure | |
CN111144506B (zh) | 基于超声图像的肝包虫识别方法、存储介质及超声设备 | |
CN113409273B (zh) | 一种图像分析方法、装置、设备和介质 | |
CN113902684A (zh) | 图像分割方法及装置、电子设备、存储介质 | |
CN114037830A (zh) | 增强图像生成模型的训练方法、图像处理方法及装置 | |
CN113177923A (zh) | 医学影像内容识别方法、电子设备及存储介质 | |
CN112465834B (zh) | 一种血管分割方法及装置 | |
CN115831324B (zh) | 一种医学图像筛选方法、装置、设备及存储介质 | |
CN112465834A (zh) | 一种血管分割方法及装置 | |
US20240087304A1 (en) | System for medical data analysis | |
CN118039103A (zh) | 一种胸外科手术信息管理方法、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 | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information |