CN112017177B - 一种参考影像确定方法、装置、设备及存储介质 - Google Patents
一种参考影像确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112017177B CN112017177B CN202010933696.9A CN202010933696A CN112017177B CN 112017177 B CN112017177 B CN 112017177B CN 202010933696 A CN202010933696 A CN 202010933696A CN 112017177 B CN112017177 B CN 112017177B
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- target
- index
- interest
- 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 75
- 230000011218 segmentation Effects 0.000 claims description 52
- 238000012216 screening Methods 0.000 claims description 18
- 230000006399 behavior Effects 0.000 claims description 17
- 238000000556 factor analysis Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 210000001519 tissue Anatomy 0.000 description 56
- 210000004556 brain Anatomy 0.000 description 33
- 230000008569 process Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 13
- 210000004885 white matter Anatomy 0.000 description 13
- 210000004884 grey matter Anatomy 0.000 description 10
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 210000005013 brain tissue Anatomy 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013441 quality evaluation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 210000005056 cell body Anatomy 0.000 description 1
- 210000001787 dendrite Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004126 nerve fiber Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种参考影像确定方法、装置、设备及存储介质,其中,方法包括:获取目标影像;根据目标影像,获取目标影像的全局特征;和/或,根据用户对目标影像的操作行为,捕获目标影像中的感兴趣区域,并根据感兴趣区域,获取目标影像的局部特征;根据目标影像的全局特征和/或局部特征,从候选参考影像集中确定与目标影像最相似的候选参考影像,作为目标影像的目标参考影像。本申请提供的参考影像确定方法、装置、设备及存储介质可根据目标影像的全局特征和/或局部特征,从候选参考影像集中为目标影像选出合适的参考影像。
Description
技术领域
本申请涉及医学影像处理技术领域,尤其涉及一种参考影像确定方法、装置、设备及存储介质。
背景技术
在某些应用场景中,针对一目标影像,需要从具有诊断结果的影像组成的影像集中确定出参考影像,以便影像分析人员能够对照该参考影像对目标影像进行研究分析。然而,如何从影像集中确定出较为合适的参考影像是当前亟需解决的问题。
发明内容
有鉴于此,本申请提供了一种参考影像确定方法、装置、设备及存储介质,用以针对一影像,从候选参考影像集中确定出较为合适的参考影像,其技术方案如下:
一种参考影像确定方法,包括:
获取目标影像;
根据所述目标影像,获取所述目标影像的全局特征;和/或,根据用户对所述目标影像的操作行为,捕获所述目标影像中的感兴趣区域,并根据所述感兴趣区域,获取所述目标影像的局部特征;
根据所述目标影像的全局特征和/或局部特征,从候选参考影像集中确定与所述目标影像最相似的候选参考影像,作为所述目标影像的目标参考影像。
可选的,所述根据所述目标影像,获取所述目标影像的全局特征,包括:
根据所述目标影像在预先确定的目标指标集中各指标上的指标值,确定所述目标影像的全局特征,其中,所述目标指标集包括能够反映影像质量的指标。
可选的,确定所述目标指标集,包括:
获取影像样本集,其中,所述影像样本集中的每个影像样本具有质量标签,所述质量标签为质量合格或者质量不合格;
确定所述影像样本集中每个影像样本在预先构建的指标总集中每个指标上的指标值;
根据所述影像样本集中每个影像样本的质量标签,以及每个影像样本在所述指标总集中每个指标上的指标值,确定所述指标总集中每个指标的重要程度;
根据所述指标总集中每个指标的重要程度和预设的筛选规则,从所述指标总集中筛选指标,由筛选出的指标组成目标指标集。
可选的,所述目标指标集包括多个类别的指标,所述多个类别的指标从不同的维度反映影像质量;
所述根据所述目标影像在预先确定的目标指标集中各指标上的指标值,确定所述目标影像的全局特征,包括:
将所述目标影像在所述目标指标集中各指标上的指标值组成第一特征;
根据所述目标影像在所述目标指标集中每个类别的指标上的指标值,确定所述目标影像在每个类别上的质量得分,由确定出的质量得分组成第二特征;
将所述第一特征与所述第二特征组成所述目标影像的全局特征。
可选的,所述根据所述目标影像在所述目标指标集中每个类别的指标上的指标值,确定所述目标影像在每个类别上的质量得分,包括:
对于所述目标指标集中每个类别的指标:
根据该类别的指标对应的因子结构,以及所述目标影像在该类别的指标上的指标值,确定所述目标影像在该类别上的质量得分,其中,该类别的指标对应的因子结构通过对所述影像样本集中各影像样本在所述目标指标集中该类别的指标上的指标值进行探索性因子分析得到;
以得到所述目标影像在每个类别上的质量得分。
可选的,所述根据所述感兴趣区域,获取所述目标影像的局部特征,包括:
确定所述感兴趣区域在所述目标影像中的灰度直方图,并根据所述灰度直方获取所述感兴趣区域的统计特征;
和/或,获取所述感兴趣区域的几何特征;
和/或,获取所述感兴趣区域在全局组织分割中的分布特征;
将针对所述感兴趣区域获取的统计特征、和/或几何特征、和/或分布特征确定为所述目标影像的局部特征。
可选的,所述确定所述感兴趣区域在全局组织分割中的分布特征,包括:
确定所述感兴趣区域经过分割得到的每种组织的部分,在整个所述感兴趣区域上的占比,作为所述感兴趣区域在全局组织分割中的分布特征。
可选的,所述确定所述感兴趣区域经过分割得到的每种组织的部分在整个所述感兴趣区域上的占比,作为所述感兴趣区域在全局组织分割中的分布特征,包括:
若所述感兴趣区域为线段,则确定所述感兴趣区域中经过分割得到的每种组织的部分的长度占所述感兴趣区域的总长度的比例,作为所述感兴趣区域在全局组织分割中的分布特征;
若所述感兴趣区域为闭环图形,则确定所述感兴趣区域中经过分割得到的每种组织的部分的面积占所述感兴趣区域的总面积的比例,作为所述感兴趣区域在全局组织分割中的分布特征。
可选的,所述参考影像确定方法还包括:
根据所述目标影像中的感兴趣区域在全局组织分割中的分布特征,更新所述目标影像的全局特征。
可选的,所述根据所述目标影像中的感兴趣区域在全局组织分割中的分布特征,更新所述目标影像的全局特征,包括:
在所述目标影像的全局特征中的第一特征中添加目标特征,并基于添加目标特征后的第一特征对所述目标影像的全局特征中的第二特征进行更新,得到目标影像的更新后全局特征;
其中,所述目标特征为根据所述目标影像中的感兴趣区域在全局组织分割中的分布特征,对所述第一特征中与每种组织相关的特征进行加权后的特征。
一种参考影像确定装置,包括:目标影像获取模块、影像特征获取模块和参考影像确定模块;
所述目标影像获取模块,用于获取目标影像;
所述影像特征获取模块,用于根据所述目标影像,获取所述目标影像的全局特征;和/或,根据用户对所述目标影像的操作行为,捕获所述目标影像中的感兴趣区域,并根据所述感兴趣区域,获取所述目标影像的局部特征;
所述参考影像确定模块,用于根据所述目标影像的全局特征和/或局部特征,从候选参考影像集中确定与所述目标影像最相似的候选参考影像,作为所述目标影像的目标参考影像。
一种参考影像确定设备,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现上述任一项所述的参考影像确定方法的各个步骤。
一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述任一项所述的参考影像确定方法的各个步骤。
经由上述方案可知,本申请提供的参考影像确定方法、装置、设备及存储介质,在获得目标影像后,可根据目标影像获取目标影像的全局特征,和/或,基于用户对目标影像的操作行为,捕获目标影像中的感兴趣区域,并根据感兴趣区域,获取目标影像的局部特征,进而可根据目标影像的全局特征和/或局部特征,从候选参考影像集中确定与目标影像最相似的候选参考影像,作为目标影像的目标参考影像。由此可见,本申请提供的参考影像确定方法可基于目标影像的全局特征和/或局部特征从候选参考影像集中为目标影像选取出合适的参考影像,从而使得影像分析人员能够对照参考影像对目标影像进行分析,以获得较准确、可解释性的影像分析结果。
附图说明
为了更清楚地说明本发明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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种参考影像确定方法的流程示意图;
图2为本申请实施例提供的一指标类别对应的因子结构的示意图;
图3为本申请实施例提供的确定目标指标集的流程示意图;
图4为本申请实施例提供的另一种参考影像确定方法的流程示意图;
图5为本申请实施例提供的脑结构影像的操作界面示意图;
图6为本申请实施例提供的目标影像中感兴趣区域的示意图;
图7为本申请实施例提供的脑部T1w-MR影像和对其进行组织分割得到的分割结果的示意图;
图8为本申请实施例提供的再一种参考影像确定方法的流程示意图;
图9为本申请实施例提供的又一种参考影像确定方法的流程示意图;
图10为本申请实施例提供的参考影像确定装置的结构示意图;
图11为本申请实施例提供的参考影像确定设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。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。
为了能够实现从候选参考影像集中为一目标影像选取出合适的参考影像,以便影像分析人员能够参照参考影像对目标影像进行研究分析,本案发明人进行了研究,通过研究,提出了一种效果较好的参考影像确定方法,该方法的大致思路是,获取目标影像的全局特征,和/或,根据用户对目标影像的操作行为捕获感兴趣区域,根据感兴趣区域获取目标影像的局部特征,根据目标影像的全局特征和/或局部特征,从候选参考影像集中选取与目标影像相似度最高的影像,作为目标影像的参考影像。
本申请提供的参考影像确定方法适用于需要为影像确定参考影像的任何应用场景,该参考影像确定方法可应用于具有数据处理能力的终端(比如PC、笔记本、平板电脑等),还可应用于服务器(比如,单个服务器、多个服务器、服务器集群等)。接下来,通过下述实施例对本申请提供的参考影像确定方法进行详细介绍。
第一实施例
请参阅图1,示出了本实施例提供的参考影像确定方法的流程示意图,可以包括:
步骤S101:获取目标影像。
其中,目标影像为利用影像采集设备针对指定对象的指定部位采集的影像,比如,利用脑结构影像采集设备针对指定对象的头部采集的脑结构影像,当然本实施例并不限定目标影像为针对头部采集的脑结构影像,其还可以为针对其它部位采集的影像。
步骤S102:根据目标影像,获取目标影像的全局特征。
具体的,根据目标影像,获取目标影像的全局特征的过程可以包括:根据目标影像在预先确定的目标指标集中各指标上的指标值,确定目标影像的全局特征。
其中,目标指标集包括能够反映影像质量的指标,需要说明的是,目标指标集中的指标是从预先构建的指标总集中筛选出的、重要程度相对较高的指标。
优选的,目标指标集中包括多个类型的指标,多个类型的指标从多个不同的维度反映影像质量。示例性的,目标指标集中包括两个类型的指标,其中一个类型的指标为反映影像中信号稳定性的指标,另一类指标为反映影像中信号空间分布的指标。
更为具体的,根据目标影像在预先确定的目标指标集中各指标上的指标值,确定目标影像的全局特征的过程可以包括:将目标影像在目标指标集中各指标上的指标值组成第一特征;根据目标影像在目标指标集中每个类别的指标上的指标值,确定目标影像在每个类别上的质量得分,由确定出的质量得分组成第二特征;将第一特征与第二特征组成目标影像的全局特征。
其中,目标影像在每个类别上的质量得分为根据目标影像在预先确定的目标指标集中各指标上的指标值确定的高维特征。具体的,根据目标影像在目标指标集中每个类别的指标上的指标值,确定目标影像在每个类别上的质量得分的过程可以包括:对于目标指标集中每个类别的指标,根据该类别的指标对应的因子结构,以及目标影像在该类别的指标上的指标值,确定目标影像在该类别上的质量得分,以得到目标影像在每个类别上的质量得分。
需要说明的是,一类别的指标对应的因子结构根据影像样本集中各影像样本在目标指标集中该类别的指标上的指标值确定。在本实施例中,可通过对影像样本集中各影像样本在目标指标集中该类别的指标上的指标值进行探究性因子分析来获得该类别的指标对应的因子结构。
请参阅图2,示出了一类别(假设为类别A)的指标对应的因子结构的一示例的示意图,201部分为属于类别A的指标,其作为一级指标,202为根据一级指标确定的二级指标,图2中的w11为指标1在指标x1上对应的权重,w15为指标5在指标x1上对应的权重,w22为指标2在指标x2上对应的权重,w26为指标6在指标x2上对应的权重,其它以此类推,w1为指标x1在类别A的质量得分上对应的权重,w2为指标x2在类别A的质量得分上对应的权重,其它以此类推。需要说明的是,类别A的指标对应的因子结构可通过图2中示出的所有权重表征。
假设目标指标集中包括两个类别的指标,分别为类别A的指标和类别B的指标,类别A的指标包括指标1~指标5,类别A的指标对应的因子结构由w11(指标1在其所属的二级指标x1上对应的权重)、w13(指标3在其所属的二级指标x1上对应的权重)、w22(指标2在其所属的二级指标x1上对应的权重)、w23(指标3在其所属的二级指标x2上对应的权重)、w34(指标4在其所属的二级指标x3上对应的权重)、w35(指标5在其所属的二级指标x3上对应的权重)、w1(二级指标x1在类别A的质量得分上对应的权重)、w2(二级指标x2在类别A的质量得分上对应的权重)、w3(二级指标x3在类别A的质量得分上对应的权重)表征,指标1~指标5的指标值分别为a1、a2、a3、a4、a5,则目标影像在类别A上的质量得分scoreA=w1*(w11*a1+w13*a3)+w2*(w22*a2+w23*a3)+w3*(w34*a4+w35*a5),目标影像在B类别上的质量得分scoreB采用同样的方式获得,本实施例在此不做赘述。
步骤S103:根据目标影像的全局特征,从候选参考影像集中确定与目标影像最相似的影像,作为目标影像的参考影像。
具体的,对于候选参考影像集中的每个候选参考影像,计算目标影像的全局特征与该候选参考影像的全局特征的相似度(比如余弦相似度),作为目标影像与该候选参考影像的全局相似度,以得到目标影像与候选参考影像集中每个候选参考影像的全局相似度,将候选参考影像集中、与目标影像的全局相似度最大的候选参考影像确定为目标影像的参考影像。其中,确定候选参考影像集中每个候选参考影像的全局特征的方式与确定目标影像的全局特征的方式相同,本实施例在此不做赘述。
本申请实施例提供的参考影像确定方法,在获得目标影像后,可获取目标影像的全局特征,从而可根据目标影像的全局特征,从候选参考影像集中确定目标影像的目标参考影像。由此可见,本申请提供的参考影像确定方法可基于目标影像的全局特征从候选参考影像集中为目标影像选取出合适的参考影像。需要说明的是,在实际应用中,若影像分析人员的关注点为整个影像,则优选采用本实施例提供的参考影像确定方法为目标影像筛选参考影像。
第二实施例
上述实施例在确定目标影像的全局特征时,利用了“预先确定的目标指标集”,本实施例对确定目标指标集的过程进行介绍。
请参阅图3,示出了确定目标指标集的流程示意图,可以包括:
步骤S301:获取影像样本集。
其中,影像样本集中的每个影像样本具有质量标签,质量标签为质量合格或者质量不合格。
需要说明的是,影像样本集中包括多个影像样本,这多个影像样本由影像采集设备按统一的采集标准针对一个或多个对象采集得到。
示例性的,目标影像为脑结构影像,相应的,影像样本集中的影像样本也为脑结构影像样本,影像样本集中的脑结构影像样本可利用多个脑结构影像采集设备采集,多个脑结构影像采集设备在采集脑结构影像样本时,需要按相同的采集参数进行采集,比如,可统一按下表1示出的参数采集:
表1脑结构影像采集设备采集影像的参数
其中,TR(repetition time)是脉冲序列执行所需的时间,TE(echo_time)在梯度回波中指小角度脉冲中点到梯度回波中心的时间间隔,矩阵(Data_matrix)是指磁共振图像层面内行和列的数目,即是频率编码和相位编码上的像素数目,层厚(slice thickness)在层面选择梯度场强和射频脉冲的带宽决定的被激发层面的厚度,FOV(field of view)指的是磁共振脑功能成像设备扫描视野大小。
表1中的T1w为T1加权图像,T2w为T2加权图像。需要说明的是,为了评判被检测组织的特性,通过调节重复时间(TR)和回波时间(TE),可以得到突出某种组织特征参数的图像,此图像称为加权像。同时,在射频脉冲的激发下,人体组织内氢质子吸收能量处于激发状态,射频脉冲终止后,处于激发状态的氢质子恢复其原始状态,这个过程称为弛豫。T1加权图像使用短TR、短TE从而突出组织T1弛豫(纵向弛豫)的差别,侧重脑组织解剖结构,T2加权图像使用长TR、长TE从而突出组织T2弛豫(横向弛豫)的差别,侧重看病理结构或病理变化。
需要说明的是,脑结构影像采集设备在进行影像采集时,通常会同时采集T1加权图像和T2加权图像,实际应用中,可根据具体情况选择将T1加权图像作为本实施例中的脑结构影像样本,还是将T2加权图像作为本实施例中的脑结构影像样本。
在采集得到多个影像样本后,需要由专家通过对每个影像样本进行可视性查看,来对每个影像样本进行质量标注,即标注出质量合格或质量不合格,进而将进行质量标注后的影像样本组成影像样本集。
步骤S303:确定影像样本集中每个影像样本在预先构建的指标总集中每个指标上的指标值。
需要说明的是,预先构建的指标总集中可以包括一个类别的指标,也可以包括多个类别的指标,优选为包括多个类别的指标,这多个类别的指标可从不同维度反映影像的质量。
示例性的,影像样本集中的影像样本为脑结构影像,则预先构建的指标总集中可以包括两类指标,其中一类指标为反映脑结构影像中信号稳定性的指标,另一类指标为反映脑结构影像中信号空间分布的指标。
步骤S303:根据影像样本集中每个影像样本的质量标签,以及每个影像样本在指标总集中每个指标上的指标值,确定指标总集中每个指标的重要度。
具体的,可利用预先构建的影像质量评估模型、影像样本集中每个影像样本的质量标签,以及每个影像样本在指标总集中每个指标上的指标值,确定指标总集中每个指标的重要程度。
更为具体的,针对影像样本集中的影像样本,可按预设的指标输入策略将影像样本集中影像样本在指标总集中指标上的指标值输入影像质量评估模型,根据影像质量评估模型输出的质量评估结果和影像样本的质量标签确定指标总集中各指标的重要度。
步骤S303、根据指标总集中每个指标的重要度和预设的筛选规则,从指标总集中筛选指标,由筛选出的指标组成目标指标集。
需要说明的是,通过步骤a4筛选出的指标的重要度均高于未筛选出的指标的重要度。
步骤a4中的筛选规则可以为多种,本实施例提供如下两种可选的筛选规则:
第一种筛选规则:可按重要度由高到低的顺序对指标总集中的各指标排序,从第一个指标开始,将指标的重要度叠加,直至叠加后的重要度大于或等于第一预设值,假设前M个指标的重要度的和大于预设的第一重要度阈值,则前M个指标即为筛选出的指标。
第二种筛选规则:从指标总集中筛选重要度大于预设的第二重要度阈值的指标。
需要说明的是,本实施例并不限定只可采用上述两种筛选规则中的任一种进行筛选,只要所使用的筛选规则能够从指标总集中筛选出更为重要的指标都属于本申请所要保护的范围。
经由上述过程可从预先针对影像构建的指标总集中筛选出重要度较高的指标,或者说是关键指标。
第三实施例
本实施例提供另一种参考影像确定方法,请参阅图4,示出了该参考影像确定方法的流程示意图,可以包括:
步骤S401:获取目标影像。
其中,目标影像为利用影像采集设备针对指定对象的指定部位采集的影像,比如,利用脑结构影像采集设备针对指定对象的头部采集的脑结构影像。
步骤S402:根据用户对目标影像的操作行为,捕获目标影像中的感兴趣区域,并根据目标影像中的感兴趣区域,获取目标影像的局部特征。
当用户对目标影像进行操作时,表明用户可能有其重点关注的区域,基于此,本实施例根据用户对目标影像的操作行为,捕获目标影像中用户感兴趣的区域,从而根据目标影像中用户感兴趣的区域,获取目标影像的局部特征,进而后续能够基于目标影像的局部特征为目标影像挑选合适的参考影像。请参阅图5,示出了脑结构影像的操作界面示意图,其中图(a)为鼠标单击的图层显示,图(b)为在平面左下角绘制线段,箭头终点位置另外二个图层进行切换;图(c)为鼠标停留3秒的方向选择监测响应事件(如图中的圆圈);图(d)为监测到当前的切面切换图层的鼠标滚轮事件(如图中的圆圈)。
为了后续能够将目标影像与候选参考影像集中的影像进行匹配,本实施例先对目标影像进行图像配准(即,将目标影像配准到指定空间,比如MNI152空间),以得到目标影像的配准图像。需要说明的是,对影像进行图像配准的目的在于,将不同时间、不同设备或者不同条件下采集的多个影像配准到同一空间,便于比较。
另外,需要说明的是,用户通常在目标影像的配准图像中进行操作,即,本实施例先根据用户对目标影像的配准图像中的操作行为,捕获目标影像的配准图像中的感兴趣区域,然后将目标影像的配准图像中的感兴趣区域映射到目标影像中,从而得到目标影像中的感兴趣区域。目标影像中的感兴趣区域可能为线段也可能为闭环图形。请参阅图6,示出了目标影像中的感兴趣区域的示例,图中的601和602所示的感兴趣区域为线段,603和604所示的感兴趣区域为闭环图形。
在本实施例中,根据目标影像中的感兴趣区域,获取目标影像的局部特征的过程可以包括:确定目标影像中的感兴趣区域在目标影像中的灰度直方图,并根据灰度直方获取目标影像中的感兴趣区域的统计特征;和/或,获取目标影像的感兴趣区域的几何特征;和/或,获取目标影像中的感兴趣区域在全局组织分割中的分布特征;将针对目标影像中的感兴趣区域获取的统计特征、和/或几何特征、和/或分布特征确定为目标影像的局部特征。优选的,可同时获取上述三种特征,将三种特征拼接,拼接后特征作为目标影像的局部特征。
其中,目标影像中的感兴趣区域的统计特征可以为均值、方差、歪斜度、峰态、能量熵等特征中的一个或多个的组合,目标影像的感兴趣区域的几何特征可以为距离(如图6中601的长度)、角度(如图6中602两条线段的夹角)、面积(如图6中603、604的面积)等特征中的一个或多个的组合,目标影像的感兴趣区域的在全局组织分割中的分布特征为能够反映目标影像的感兴趣区域在分割得到的每种组织中分布情况的特征。
具体的,确定目标影像中的感兴趣区域在全局组织分割中的分布特征,包括:确定目标影像中的感兴趣区域经过分割得到的每种组织的部分在整个感兴趣区域上的占比,作为目标影像中的感兴趣区域在全局组织分割中的分布特征。
更为具体的,确定目标影像中的感兴趣区域经过分割得到的每种组织的部分在整个感兴趣区域上的占比,作为感兴趣区域在全局组织分割中的分布特征包括:若目标影像中的感兴趣区域为线段,则确定感兴趣区域中经过分割得到的每种组织的部分的长度占感兴趣区域的总长度的比例,作为感兴趣区域在全局组织分割中的分布特征;若感兴趣区域为闭环图形,则确定感兴趣区域中经过分割得到的每种组织的部分的面积占感兴趣区域的总面积的比例,作为感兴趣区域在全局组织分割中的分布特征。
接下来进一步以目标影像为脑结构影像为例,对确定目标影像的感兴趣区域的在全局组织分割中的分布特征的过程进行介绍。
脑的生理结构特别复杂,其中,脑、脊髓内的神经细胞集中的地方构成灰质(GM),长树突和轴突神经元素聚集形成白质(WM),白质不含胞体只有神经纤维,内部又有各种不同功能的神经束,白质的表面覆盖着灰质,而灰质的褶皱面又形成沟回,沟回内充满着脑脊液(CSF)。请参阅图7,图7中的(a)图为脑部T1w-MR影像,图7中的(b)图为对图7中的(a)图进行组织分割后的分割结果图,由(b)图可以看出,脑结构中的灰质、白质和脑脊液被分割开。
若本申请中的目标影像为脑结构影像,则在确定目标影像的感兴趣区域在全局组织分割中的分布特征时,可确定目标影像中的感兴趣区域经过白质的部分在整个感兴趣区域上的占比、经过灰质的部分在整个感兴趣区域上的占比以及经过脑脊液的部分在整个感兴趣区域上的占比,作为感兴趣区域在全局脑组织分割中的分布特征。更为具体的,若目标影像中的感兴趣区域为线段,则确定感兴趣区域中经过白质的部分的长度占感兴趣区域的总长度的比例、经过灰质的部分的长度占感兴趣区域的总长度的比例以及经过脑脊液的部分的长度占感兴趣区域的总长度的比例,作为感兴趣区域在全局脑组织分割中的分布特征;若感兴趣区域为闭环图形,则确定感兴趣区域中经过白质的部分的面积占感兴趣区域的总面积的比例、经过灰质的部分的面积占感兴趣区域的总面积的比例以及经过脑脊液的部分的面积占感兴趣区域的总面积的比例,作为感兴趣区域在全局脑组织分割中的分布特征。
步骤S404:根据目标影像的局部特征,从候选参考影像集中确定与目标影像最相似的候选参考影像,作为目标影像的参考影像。
具体的,对于候选参考影像集中的每个候选参考影像,计算目标影像的局部特征与该候选参考影像的局部特征的相似度(比如余弦相似度),作为目标影像与该候选参考影像的局部相似度,以得到目标影像与候选参考影像集中每个候选参考影像影像的局部相似度,将候选参考影像集中、与目标影像的局部相似度最大的候选参考影像确定为目标影像的参考影像。
确定候选参考影像集中每个影像的局部特征的方式与确定目标影像的局部特征的方式类似。需要说明的是,候选参考影像集中每个候选参考影像的感兴趣区域的确定方式为,对该候选参考影像进行图像配准(同样将该候选参考影像配准到指定空间,比如MNI152空间),根据目标影像的配准图像中的感兴趣区域,确定该候选参考影像的配准图像中的感兴趣区域,然后将该候选参考影像的配准图像中的感兴趣区域映射到该候选参考影像中,从而得到该候选参考影像中的感兴趣区域,进而可根据该候选参考影像中的感兴趣区域,确定该候选参考影像的局部特征(根据候选参考影像中的感兴趣区域,确定候选参考影像的局部特征的过程与根据目标影像中的感兴趣区域,确定目标影像的局部特征的过程相同,具体可参见上述相关部分)。
本实施例提供的参考影像确定方法,在获得目标影像后,可根据目标影像中的用户感兴趣区域获取目标影像的局部特征,进而可根据目标影像的局部特征从候选参考影像集中确定目标影像的目标参考影像。由此可见,本申请实施例提供的参考影像确定方法可基于目标影像的局部特征从候选参考影像集中为目标影像选取出合适的参考影像。需要说明的是,在实际应用中,若影像分析人员的关注点为影像中的局部区域,则优选采用本实施例提供的参考影像确定方法为目标影像筛选参考影像。
第四实施例
本实施例提供再一种参考影像确定方法,请参阅图8,示出了该参考影像确定方法的流程示意图,可以包括:
请参阅图8,示出了本实施例提供的参考影像确定方法的流程示意图,可以包括:
步骤S801:获取目标影像。
其中,目标影像为利用影像采集设备针对指定对象的指定部位采集的影像,比如,利用脑结构影像采集设备针对指定对象的头部采集的脑结构影像。
步骤S802:根据目标影像,获取目标影像的全局特征。
根据目标影像,获取目标影像的全局特征的具体实现过程可参见第一实施例,本实施例在此不做赘述。
步骤S803:根据用户对目标影像的操作行为,捕获目标影像中的感兴趣区域,并获取目标影像的感兴趣区域在全局组织分割中的分布特征。
根据用户对目标影像的操作行为,捕获目标影像中的感兴趣区域,以及获取目标影像的感兴趣区域在全局组织分割中的分布特征的过程可参见第三实施例,本实施例在此不做赘述。
步骤S804:根据目标影像的感兴趣区域在全局组织分割中的分布特征,更新目标影像的全局特征。
具体的,根据目标影像中的感兴趣区域在全局组织分割中的分布特征,更新目标影像的全局特征的过程可以包括:在目标影像的全局特征中的第一特征中添加目标特征,并基于添加目标特征后的第一特征对目标影像的全局特征中的第二特征进行更新,得到更新后的全局特征。其中,目标特征为根据目标影像中的感兴趣区域在全局组织分割中的分布特征,对第一特征中与每种组织相关的特征进行加权后的特征。
示例性的,目标影像为脑结构影像,假设目标影像的全局特征由第一特征f1和第二特征f2组成,且目标影像中的感兴趣区域在全局脑组织分割中的分布特征为目标影像中的感兴趣区域经过白质的部分在整个感兴趣区域上的占比α1、经过灰质的部分在整个感兴趣区域上的占比α2以及经过脑脊液的部分在整个感兴趣区域上的占比α3,则更新目标影像的全局特征的过程为:
按α1对f1中与白质相关的特征加权,按α2对f1中与灰质相关的特征加权,按α3对f1中与脑脊液相关的特征加权,获得加权后特征,将加权后特征添加至f1中,比如,f1包括f11、f12、f13、f14、f15、f16、f17,其中,f12与f13为与白质相关的特征,f14和f15为与灰质相关的特征,f16和f17为与脑脊液相关的特征,则将α1*f12、α1*f13、α2*f14、α2*f15、α3*f16、α3*f17添加至f1中,得到更新后的f1,在获得更新后的f1后,根据更新后的f1更新f2,更新后的f1与更新后的f2组成目标影像的更新后全局特征。
步骤S805:根据目标影像的更新后全局特征,从候选参考影像集中确定与目标影像最相似的候选参考影像,作为目标影像的目标参考影像。
具体的,对于指候选参考影像集中的每个候选参考影像,计算目标影像的更新后全局特征与该候选参考影像的全局特征(此处的全局特征也为采用同样的方式对候选参考影像的全局特征进行更新后的特征)的相似度(比如余弦相似度),作为目标影像与该候选参考影像的全局相似度,以得到目标影像与候选参考影像集中每个候选参考影像的全局相似度,将候选参考影像集中、与目标影像的全局相似度最大的候选参考影像确定为目标影像的目标参考影像。
本实施例提供的参考影像确定方法,在获得目标影像后,首先根据目标影像获取目标影像的全局特征,考虑到用户的操作行为会对全局特征有一定影像,本申请接着根据感兴趣区域在全局组织分割中的分布特征,更新目标影像的全局特征,最后根据目标影像的更新后全局特征,从候选参考影像集中确定目标影像的参考影像。本实施例提供的参考影像确定方法可根据目标影像的全局特征从候选参考影像集中为目标影像选取出合适的参考影像。在实际应用中,若影像分析人员关注影像全局,则可优选采用本实施例提供的参考影像确定方法为目标影像筛选参考影像。
第五实施例
本实施例提供了又一种参考影像确定方法,请参阅图9,示出了该参考影像确定方法的流程示意图,可以包括:
步骤S901:获取目标影像。
其中,目标影像为利用影像采集设备针对指定对象的指定部位采集的影像,比如,利用脑结构影像采集设备针对指定对象的头部采集的脑结构影像。
步骤S902:根据目标影像,获取目标影像的全局特征。
步骤S903:根据用户对目标影像的操作行为,捕获目标影像中的感兴趣区域,并根据目标影像中的感兴趣区域,获取目标影像的局部特征。
本实施例中“根据目标影像,获取目标影像的全局特征”的具体实现过程可参见第一实施例,“根据用户对目标影像的操作行为,捕获目标影像中的感兴趣区域,并根据目标影像中的感兴趣区域,获取目标影像的局部特征”的具体实现过程可参见第三实施例,本实施例在此不作赘述。
需要说明的是,本实施例并不限定步骤S902和步骤S903的执行顺序,可先执行步骤S902,再执行步骤S903,也可先执行步骤S903,再执行步骤S902,还可并行执行S902和S903。
步骤S904:根据目标影像的全局特征和局部特征,从候选参考影像集中确定与目标影像最相似的候选参考影像,作为目标影像的参考影像。
具体的,对于候选参考影像集中的每个候选参考影像,计算目标影像的全局特征与该候选参考影像的全局特征的相似度,作为目标影像与该候选参考影像的全局相似度;计算目标影像的局部特征与该候选参考影像的局部特征的相似度,作为目标影像与该候选参考影像的局部相似度;将目标影像与该候选参考影像的全局相似度与局部相似度加权求和,加权求和后的相似度作为目标影像与该候选参考影像的综合相似度,以得到目标影像与候选参考影像集中的每个候选参考影像的综合相似度,将候选参考影像集中、与目标影像的综合相似度最大的候选参考影像集确定为目标影像的目标参考影像。
假设目标影像与候选参考影像的全局相似度对应的权重为β,则目标影像与候选参考影像的局部相似度对应的权重为1-β,需要说明的是β的取值可根据具体情况设定,比如,若影像分析人员更加关注影像全局,则可将β设置大些,若影像分析人员更加关注影像局部,则可将β设置小些。
可选的,本实施例提供的参考影像确定方法还可以包括:根据目标影像的感兴趣区域在全局组织分割中的分布特征,更新目标影像的全局特征。相应的根据目标影像的局部特征和更新后全局特征,从候选参考影像集中确定与目标影像最相似的候选参考影像,作为目标影像的目标参考影像。其中,根据目标影像的感兴趣区域在全局组织分割中的分布特征,更新目标影像的全局特征的具体实现过程可参见第四实施例,本实施例在此不做赘述。
本实施例提供的参考影像确定方法,在获得目标影像后,可根据目标影像获取目标影像的全局特征,还可根据目标影像中的感兴趣区域,获取目标影像的局部特征,从而根据目标影像的全局特征和局部特征从候选参考影像集中确定目标影像的参考影像。由此可见,本实施例提供的参考影像确定方法可根据目标影像的全局特征和局部特征从候选参考影像集中为目标影像选取出合适的参考影像。需要说明的是,在实际应用中,若影像分析人员需要综合考虑影像全局和局部,则优选采用本实施例提供的参考影像确定方法为目标影像筛选参考影像。
第六实施例
本实施例提供了一种参考影像确定装置,下面对实施例提供的参考影像确定装置进行描述,下文描述的参考影像确定装置与上文描述的参考影像确定方法可相互对应参照。
请参阅图10,示出了本实施例提供的参考影像确定装置的结构示意图,可以包括:目标影像获取模块1001、影像特征获取模块1002和参考影像确定模块1003。
目标影像获取模块1001,用于获取目标影像;
影像特征获取模块1002,用于根据所述目标影像,获取所述目标影像的全局特征;和/或,根据用户对所述目标影像的操作行为,捕获所述目标影像中的感兴趣区域,并根据所述感兴趣区域,获取所述目标影像的局部特征;
参考影像确定模块1003,用于根据所述目标影像的全局特征和/或局部特征,从候选参考影像集中确定与所述目标影像最相似的候选参考影像,作为所述目标影像的目标参考影像。
可选的,影像特征获取模块1002包括:全局特征获取模块。
全局特征获取模块,具体用于根据所述目标影像在预先确定的目标指标集中各指标上的指标值,确定所述目标影像的全局特征,其中,所述目标指标集包括能够反映影像质量的指标。
可选的,本申请实施例提供的参考影像确定装置还可以包括:目标指标集确定模块。目标指标集确定模块可以包括:影像样本集获取模块、指标值确定模块、指标重要度确定模块和指标筛选模块。
影像样本集获取模块,用于获取影像样本集,其中,所述影像样本集中的每个影像样本具有质量标签,所述质量标签为质量合格或者质量不合格。
指标值确定模块,用于确定所述影像样本集中每个影像样本在预先构建的指标总集中每个指标上的指标值。
指标重要度确定模块,用于根据所述影像样本集中每个影像样本的质量标签,以及每个影像样本在所述指标总集中每个指标上的指标值,确定所述指标总集中每个指标的重要程度。
指标筛选模块,用于根据所述指标总集中每个指标的重要程度和预设的筛选规则,从所述指标总集中筛选指标,由筛选出的指标组成目标指标集。
可选的,所述目标指标集包括多个类别的指标,所述多个类别的指标从不同的维度反映影像质量,则全局特征获取模块可以包括:第一特征获取子模块、第二特征获取子模块和全局特征获取子模块。
第一特征获取子模块,用于将所述目标影像在所述目标指标集中各指标上的指标值组成第一特征。
第二特征获取子模块,用于根据所述目标影像在所述目标指标集中每个类别的指标上的指标值,确定所述目标影像在每个类别上的质量得分,由确定出的质量得分组成第二特征。
全局特征获取子模块,用于将所述第一特征与所述第二特征组成所述目标影像的全局特征。
可选的,第二特征获取子模块在根据所述目标影像在所述目标指标集中每个类别的指标上的指标值,确定所述目标影像在每个类别上的质量得分时,具体用于对于所述目标指标集中每个类别的指标:根据该类别的指标对应的因子结构,以及所述目标影像在该类别的指标上的指标值,确定所述目标影像在该类别上的质量得分,其中,该类别的指标对应的因子结构通过对所述影像样本集中各影像样本在所述目标指标集中该类别的指标上的指标值进行探索性因子分析得到;以得到所述目标影像在每个类别上的质量得分。
可选的,影像特征获取模块1002可以包括局部特征获取模块。
局部特征获取模块,具体用于确定所述感兴趣区域在所述目标影像中的灰度直方图,并根据所述灰度直方获取所述感兴趣区域的统计特征;和/或,获取所述感兴趣区域的几何特征;和/或,获取所述感兴趣区域在全局组织分割中的分布特征;将针对所述感兴趣区域获取的统计特征、和/或几何特征、和/或分布特征确定为所述目标影像的局部特征。
可选的,局部特征获取模块在确定所述感兴趣区域在全局组织分割中的分布特征时,具体用于确定所述感兴趣区域经过分割得到的每种组织的部分在整个所述感兴趣区域上的占比,作为所述感兴趣区域在全局组织分割中的分布特征。
可选的,局部特征获取模块在确定所述感兴趣区域经过分割得到的每种组织的部分在整个所述感兴趣区域上的占比,作为所述感兴趣区域在全局组织分割中的分布特征时,具体用于:若所述感兴趣区域为线段,则确定所述感兴趣区域中经过分割得到的每种组织的部分的长度占所述感兴趣区域的总长度的比例,作为所述感兴趣区域在全局组织分割中的分布特征;若所述感兴趣区域为闭环图形,则确定所述感兴趣区域中经过分割得到的每种组织的部分的面积占所述感兴趣区域的总面积的比例,作为所述感兴趣区域在全局组织分割中的分布特征。
可选的,本申请实施例提供的参考影像确定装置还可以包括:全局特征更新模块。
全局特征更新模块,用于根据所述目标影像中的感兴趣区域在全局组织分割中的分布特征,更新所述目标影像的全局特征。
可选的,全局特征更新模块在根据所述目标影像中的感兴趣区域在全局组织分割中的分布特征,更新所述目标影像的全局特征时,具体用于在所述目标影像的全局特征中的第一特征中添加目标特征,并基于添加目标特征后的第一特征对所述目标影像的全局特征中的第二特征进行更新,得到目标影像的更新后全局特征;其中,所述目标特征为根据所述目标影像中的感兴趣区域在全局组织分割中的分布特征,对所述第一特征中与每种组织相关的特征进行加权后的特征。
本实施例提供的参考影像确定装置,在获得目标影像后,可根据目标影像获取目标影像的全局特征,和/或,基于用户对目标影像的操作行为,捕获目标影像中的感兴趣区域,并根据感兴趣区域,获取目标影像的局部特征,进而可根据目标影像的全局特征和/或局部特征,从候选参考影像集中确定与目标影像最相似的候选参考影像,作为目标影像的目标参考影像。由此可见,本实施例提供的参考影像确定装置可基于目标影像的全局特征和/或局部特征从候选参考影像集中为目标影像选取出合适的参考影像,从而使得影像分析人员能够对照参考影像对目标影像进行分析,以获得较准确、可解释性的影像分析结果。
第七实施例
本申请实施例还提供了一种参考影像确定设备,请参阅图11,示出了该参考影像确定设备的结构示意图,该参考影像确定设备可以包括:至少一个处理器1101,至少一个通信接口1102,至少一个存储器1103和至少一个通信总线1104;
在本申请实施例中,处理器1101、通信接口1102、存储器1103、通信总线1104的数量为至少一个,且处理器1101、通信接口1102、存储器1103通过通信总线1104完成相互间的通信;
处理器1101可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器1103可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可调用存储器存储的程序,所述程序用于:
获取目标影像;
根据所述目标影像,获取所述目标影像的全局特征;和/或,根据用户对所述目标影像的操作行为,捕获所述目标影像中的感兴趣区域,并根据所述感兴趣区域,获取所述目标影像的局部特征;
根据所述目标影像的全局特征和/或局部特征,从候选参考影像集中确定与所述目标影像最相似的候选参考影像,作为所述目标影像的目标参考影像。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
第八实施例
本申请实施例还提供一种可读存储介质,该可读存储介质可存储有适于处理器执行的程序,所述程序用于:
获取目标影像;
根据所述目标影像,获取所述目标影像的全局特征;和/或,根据用户对所述目标影像的操作行为,捕获所述目标影像中的感兴趣区域,并根据所述感兴趣区域,获取所述目标影像的局部特征;
根据所述目标影像的全局特征和/或局部特征,从候选参考影像集中确定与所述目标影像最相似的候选参考影像,作为所述目标影像的目标参考影像。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种参考影像确定方法,其特征在于,包括:
获取目标影像;
根据所述目标影像,获取所述目标影像的全局特征;和/或,根据用户对所述目标影像的操作行为,捕获所述目标影像中的感兴趣区域,并根据所述感兴趣区域,获取所述目标影像的局部特征;
根据所述目标影像的全局特征和/或局部特征,从候选参考影像集中确定与所述目标影像最相似的候选参考影像,作为所述目标影像的目标参考影像;
其中,所述根据所述目标影像,获取所述目标影像的全局特征,包括:
根据所述目标影像在预先确定的目标指标集中各指标上的指标值,确定所述目标影像的全局特征,其中,所述目标指标集包括能够反映影像质量的指标;
其中,所述根据所述感兴趣区域,获取所述目标影像的局部特征,包括:
确定所述感兴趣区域在所述目标影像中的灰度直方图,并根据所述灰度直方获取所述感兴趣区域的统计特征;
和/或,获取所述感兴趣区域的几何特征;
和/或,获取所述感兴趣区域在全局组织分割中的分布特征;
将针对所述感兴趣区域获取的统计特征、和/或几何特征、和/或分布特征确定为所述目标影像的局部特征。
2.根据权利要求1所述的参考影像确定方法,其特征在于,确定所述目标指标集,包括:
获取影像样本集,其中,所述影像样本集中的每个影像样本具有质量标签,所述质量标签为质量合格或者质量不合格;
确定所述影像样本集中每个影像样本在预先构建的指标总集中每个指标上的指标值;
根据所述影像样本集中每个影像样本的质量标签,以及每个影像样本在所述指标总集中每个指标上的指标值,确定所述指标总集中每个指标的重要程度;
根据所述指标总集中每个指标的重要程度和预设的筛选规则,从所述指标总集中筛选指标,由筛选出的指标组成目标指标集。
3.根据权利要求1所述的参考影像确定方法,其特征在于,所述目标指标集包括多个类别的指标,所述多个类别的指标从不同的维度反映影像质量;
所述根据所述目标影像在预先确定的目标指标集中各指标上的指标值,确定所述目标影像的全局特征,包括:
将所述目标影像在所述目标指标集中各指标上的指标值组成第一特征;
根据所述目标影像在所述目标指标集中每个类别的指标上的指标值,确定所述目标影像在每个类别上的质量得分,由确定出的质量得分组成第二特征;
将所述第一特征与所述第二特征组成所述目标影像的全局特征。
4.根据权利要求3所述的参考影像确定方法,其特征在于,所述根据所述目标影像在所述目标指标集中每个类别的指标上的指标值,确定所述目标影像在每个类别上的质量得分,包括:
对于所述目标指标集中每个类别的指标:
根据该类别的指标对应的因子结构,以及所述目标影像在该类别的指标上的指标值,确定所述目标影像在该类别上的质量得分,其中,该类别的指标对应的因子结构通过对影像样本集中各影像样本在所述目标指标集中该类别的指标上的指标值进行探索性因子分析得到;
以得到所述目标影像在每个类别上的质量得分。
5.根据权利要求1所述的参考影像确定方法,其特征在于,所述确定所述感兴趣区域在全局组织分割中的分布特征,包括:
确定所述感兴趣区域经过分割得到的每种组织的部分在整个所述感兴趣区域上的占比,作为所述感兴趣区域在全局组织分割中的分布特征。
6.根据权利要求5所述的参考影像确定方法,其特征在于,所述确定所述感兴趣区域经过分割得到的每种组织的部分在整个所述感兴趣区域上的占比,作为所述感兴趣区域在全局组织分割中的分布特征,包括:
若所述感兴趣区域为线段,则确定所述感兴趣区域中经过分割得到的每种组织的部分的长度占所述感兴趣区域的总长度的比例,作为所述感兴趣区域在全局组织分割中的分布特征;
若所述感兴趣区域为闭环图形,则确定所述感兴趣区域中经过分割得到的每种组织的部分的面积占所述感兴趣区域的总面积的比例,作为所述感兴趣区域在全局组织分割中的分布特征。
7.根据权利要求3所述的参考影像确定方法,其特征在于,还包括:
根据所述目标影像中的感兴趣区域在全局组织分割中的分布特征,更新所述目标影像的全局特征。
8.根据权利要求7所述的参考影像确定方法,其特征在于,所述根据所述目标影像中的感兴趣区域在全局组织分割中的分布特征,更新所述目标影像的全局特征,包括:
在所述目标影像的全局特征中的第一特征中添加目标特征,并基于添加目标特征后的第一特征对所述目标影像的全局特征中的第二特征进行更新,得到目标影像的更新后全局特征;
其中,所述目标特征为根据所述目标影像中的感兴趣区域在全局组织分割中的分布特征,对所述第一特征中与每种组织相关的特征进行加权后的特征。
9.一种参考影像确定装置,其特征在于,包括:目标影像获取模块、影像特征获取模块和参考影像确定模块;
所述目标影像获取模块,用于获取目标影像;
所述影像特征获取模块,用于根据所述目标影像,获取所述目标影像的全局特征;和/或,根据用户对所述目标影像的操作行为,捕获所述目标影像中的感兴趣区域,并根据所述感兴趣区域,获取所述目标影像的局部特征;
所述参考影像确定模块,用于根据所述目标影像的全局特征和/或局部特征,从候选参考影像集中确定与所述目标影像最相似的候选参考影像,作为所述目标影像的目标参考影像;
其中,所述影像特征获取模块在根据所述目标影像,获取所述目标影像的全局特征时,具体用于:
根据所述目标影像在预先确定的目标指标集中各指标上的指标值,确定所述目标影像的全局特征,其中,所述目标指标集包括能够反映影像质量的指标;
其中,所述影像特征获取模块在根据所述感兴趣区域,获取所述目标影像的局部特征时,具体用于:
确定所述感兴趣区域在所述目标影像中的灰度直方图,并根据所述灰度直方获取所述感兴趣区域的统计特征;
和/或,获取所述感兴趣区域的几何特征;
和/或,获取所述感兴趣区域在全局组织分割中的分布特征;
将针对所述感兴趣区域获取的统计特征、和/或几何特征、和/或分布特征确定为所述目标影像的局部特征。
10.一种参考影像确定设备,其特征在于,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如权利要求1~8中任一项所述的参考影像确定方法的各个步骤。
11.一种可读存储介质,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,实现如权利要求1~8中任一项所述的参考影像确定方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010933696.9A CN112017177B (zh) | 2020-09-08 | 2020-09-08 | 一种参考影像确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010933696.9A CN112017177B (zh) | 2020-09-08 | 2020-09-08 | 一种参考影像确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112017177A CN112017177A (zh) | 2020-12-01 |
CN112017177B true CN112017177B (zh) | 2023-12-01 |
Family
ID=73517042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010933696.9A Active CN112017177B (zh) | 2020-09-08 | 2020-09-08 | 一种参考影像确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112017177B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563616B (zh) * | 2023-04-23 | 2024-01-30 | 北京大学 | 一种基于神经网络的图像识别方法、计算机设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631457A (zh) * | 2015-12-17 | 2016-06-01 | 小米科技有限责任公司 | 选择图片的方法及装置 |
CN106250421A (zh) * | 2016-07-25 | 2016-12-21 | 深圳市金立通信设备有限公司 | 一种拍摄处理的方法及终端 |
CN106327452A (zh) * | 2016-08-14 | 2017-01-11 | 曾志康 | 一种面向多云雨地区的碎片化遥感影像合成方法及装置 |
CN106780577A (zh) * | 2016-12-02 | 2017-05-31 | 辽宁工程技术大学 | 一种基于组特征的直线匹配方法 |
CN109325977A (zh) * | 2018-11-29 | 2019-02-12 | 苏州中科天启遥感科技有限公司 | 目标区域最优影像选择方法及系统、存储介质、电子设备 |
CN109671110A (zh) * | 2018-12-29 | 2019-04-23 | 西南交通大学 | 一种局部几何结构约束的城区宽基线影像特征点匹配方法 |
CN109741346A (zh) * | 2018-12-30 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 感兴趣区域提取方法、装置、设备及存储介质 |
CN110413828A (zh) * | 2019-07-31 | 2019-11-05 | 中国电子科技集团公司第五十四研究所 | 基于优化遗传算法的遥感海量影像自动筛选方法 |
CN111192682A (zh) * | 2019-12-25 | 2020-05-22 | 上海联影智能医疗科技有限公司 | 一种影像操练数据处理方法、系统及存储介质 |
CN111568422A (zh) * | 2020-05-20 | 2020-08-25 | 科大讯飞股份有限公司 | 影像质量评估方法、指标间关系的获取方法及相关设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7711174B2 (en) * | 2004-05-13 | 2010-05-04 | The Charles Stark Draper Laboratory, Inc. | Methods and systems for imaging cells |
-
2020
- 2020-09-08 CN CN202010933696.9A patent/CN112017177B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631457A (zh) * | 2015-12-17 | 2016-06-01 | 小米科技有限责任公司 | 选择图片的方法及装置 |
CN106250421A (zh) * | 2016-07-25 | 2016-12-21 | 深圳市金立通信设备有限公司 | 一种拍摄处理的方法及终端 |
CN106327452A (zh) * | 2016-08-14 | 2017-01-11 | 曾志康 | 一种面向多云雨地区的碎片化遥感影像合成方法及装置 |
CN106780577A (zh) * | 2016-12-02 | 2017-05-31 | 辽宁工程技术大学 | 一种基于组特征的直线匹配方法 |
CN109325977A (zh) * | 2018-11-29 | 2019-02-12 | 苏州中科天启遥感科技有限公司 | 目标区域最优影像选择方法及系统、存储介质、电子设备 |
CN109671110A (zh) * | 2018-12-29 | 2019-04-23 | 西南交通大学 | 一种局部几何结构约束的城区宽基线影像特征点匹配方法 |
CN109741346A (zh) * | 2018-12-30 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 感兴趣区域提取方法、装置、设备及存储介质 |
CN110413828A (zh) * | 2019-07-31 | 2019-11-05 | 中国电子科技集团公司第五十四研究所 | 基于优化遗传算法的遥感海量影像自动筛选方法 |
CN111192682A (zh) * | 2019-12-25 | 2020-05-22 | 上海联影智能医疗科技有限公司 | 一种影像操练数据处理方法、系统及存储介质 |
CN111568422A (zh) * | 2020-05-20 | 2020-08-25 | 科大讯飞股份有限公司 | 影像质量评估方法、指标间关系的获取方法及相关设备 |
Non-Patent Citations (3)
Title |
---|
Denoising efficiency analysis based on no-reference image quality assessment;Andrey Rubel 等;《2018 14th International Conference on Advanced Trends in Radioelecrtronics, Telecommunications and Computer Engineering (TCSET)》;898-902 * |
基于兴趣区域的无参考型影像质量评价研究;黎朗 等;《海洋测绘》;第36卷(第2期);79-82 * |
基于图像质量评价的航测影像成图质量的研究;刘望明 等;《电子测量技术》;第42卷(第11期);122-127 * |
Also Published As
Publication number | Publication date |
---|---|
CN112017177A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gu et al. | Giqa: Generated image quality assessment | |
Wu et al. | A perceptually weighted rank correlation indicator for objective image quality assessment | |
JP5510688B2 (ja) | 画像のマルチレベル分解を利用して画質計測値を決定する方法およびシステム | |
Lauzon et al. | Simultaneous analysis and quality assurance for diffusion tensor imaging | |
Zhang et al. | Automated quality assessment of cardiac MR images using convolutional neural networks | |
CN111568422B (zh) | 影像质量评估方法、指标间关系的获取方法及相关设备 | |
Alqahtani et al. | An analysis of evaluation metrics of gans | |
Tariq et al. | Why are deep representations good perceptual quality features? | |
CN112017177B (zh) | 一种参考影像确定方法、装置、设备及存储介质 | |
CN116740525B (zh) | 基于数据融合的智能制造质量管理方法 | |
Zhang et al. | Comparison of three-dimensional datasets by using the generalized n-dimensional (nD) feature selective validation (FSV) technique | |
Tian et al. | DHIQA: quality assessment of dehazed images based on attentive multi-scale feature fusion and rank learning | |
Hu et al. | Perceptual quality evaluation for motion deblurring | |
Veenman et al. | Bayesian hierarchical modeling: An introduction and reassessment | |
Salem et al. | Validation of a human vision model for image quality evaluation of fast interventional magnetic resonance imaging | |
Brust et al. | Not just a matter of semantics: the relationship between visual similarity and semantic similarity | |
Maji et al. | Edges, transitions and criticality | |
Schuppert et al. | Whole-body magnetic resonance imaging in the large population-based German National Cohort Study: predictive capability of automated image quality assessment for protocol repetitions | |
Brust et al. | Not just a matter of semantics: The relationship between visual and semantic similarity | |
Happ et al. | The impact of model assumptions in scalar‐on‐image regression | |
Geyer et al. | Deep-learning-based radiointerferometric imaging with GAN-aided training | |
Yan et al. | No-reference remote sensing image quality assessment based on gradient-weighted natural scene statistics in spatial domain | |
Leszczuk et al. | Objective video quality assessment method for face recognition tasks | |
Bergstrom et al. | Understanding the relationship between image quality and convolutional neural network performance | |
Li et al. | MRI Measurement Matrix Learning via Correlation Reweighting |
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 |