CN112052896B - 图像处理方法及装置，分类模型的训练方法及装置 - Google Patents

图像处理方法及装置，分类模型的训练方法及装置 Download PDF

Info

Publication number
CN112052896B
CN112052896B CN202010915140.7A CN202010915140A CN112052896B CN 112052896 B CN112052896 B CN 112052896B CN 202010915140 A CN202010915140 A CN 202010915140A CN 112052896 B CN112052896 B CN 112052896B
Authority
CN
China
Prior art keywords
medical image
image
enhanced
different types
lung
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
Application number
CN202010915140.7A
Other languages
English (en)
Other versions
CN112052896A (zh
Inventor
钏兴炳
邹彤
王瑜
李新阳
王少康
陈宽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Infervision Medical Technology Co Ltd
Original Assignee
Infervision Medical Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Infervision Medical Technology Co Ltd filed Critical Infervision Medical Technology Co Ltd
Priority to CN202010915140.7A priority Critical patent/CN112052896B/zh
Publication of CN112052896A publication Critical patent/CN112052896A/zh
Application granted granted Critical
Publication of CN112052896B publication Critical patent/CN112052896B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请公开了一种图像处理方法及装置，分类模型的训练方法及装置。该图像处理方法包括：获取CT医学图像，其中，所述CT医学图像为动脉期的增强CT医学图像，静脉期的增强CT医学图像或平扫CT医学图像；根据所述CT医学图像，通过分类模型，获取所述CT医学图像为所述动脉期的增强CT医学图像，所述静脉期的增强CT医学图像或所述平扫CT医学图像的分类结果，其中，所述分类模型用于确定所述CT医学图像的类别，能够快速且准确地自动区分平扫CT、静脉期的增强CT以及动脉期的增强CT。

Description

图像处理方法及装置，分类模型的训练方法及装置
技术领域
本发明涉及图像处理技术领域，具体涉及一种图像处理方法及装置，分类模型的训练方法及装置。
背景技术
CT检查是众多医学影像诊断技术中的一种，通过CT检查可以获得平扫CT和增强CT。由于平扫CT和增强CT的应用场景不同，以及众多基于CT的疾病辅助诊断方法和装置对于是否是增强CT都有着明确的判别需求，因此快速准确的区分平扫CT和增强CT是众多医学辅助应用的前提。
一般区分平扫CT和增强CT的方法是通过报告或者胶片上的标志来实现。如果是增强CT，之前一定有平扫CT，医护人员书写报告时，会有[增强后/静脉注入造影剂]等描述；片子如果是增强的，片子上会有[+C]的字样，一般在图像正下方，也有的在左/右上角的信息里。如果知道主动脉在哪里，也可以通过肉眼观察主动脉、静脉管腔内是否是高亮信号来确定。然而，以上方法的缺点是无法大批量自动的实现平扫CT和增强CT的区分，且可能存在人为失误导致标记写错、漏写等。
发明内容
有鉴于此，本申请的实施例致力于提供一种图像处理方法及装置，分类模型的训练方法及装置，能够快速且准确地自动区分平扫CT、静脉期的增强CT以及动脉期的增强CT，从而避免人为失误而导致的标记写错、漏写等情况，以及依靠报告、图像标识和肉眼阅片而导致的区分速度慢等情况。
根据本申请实施例的第一方面，提供了一种图像处理方法，包括：获取CT医学图像，其中，所述CT医学图像为动脉期的增强CT医学图像，静脉期的增强CT医学图像或平扫CT医学图像；根据所述CT医学图像，通过分类模型，获取所述CT医学图像为所述动脉期的增强CT医学图像，所述静脉期的增强CT医学图像或所述平扫CT医学图像的分类结果，其中，所述分类模型用于确定所述CT医学图像的类别。
在一个实施例中，所述方法还包括：将所述CT医学图像转换为灰度图像，以获得所述CT医学图像对应的灰度直方图。
在一个实施例中，所述根据所述CT医学图像，通过分类模型，获取所述CT医学图像为所述动脉期的增强CT医学图像，所述静脉期的增强CT医学图像或所述平扫CT医学图像的分类结果，包括：计算所述CT医学图像对应的灰度直方图的灰度值大于预设灰度阈值的像素的个数；根据所述像素的个数，通过所述分类模型，获取所述分类结果。
在一个实施例中，所述根据所述CT医学图像，通过分类模型，获取所述CT医学图像为所述动脉期的增强CT医学图像，所述静脉期的增强CT医学图像或所述平扫CT医学图像的分类结果，包括：计算所述CT医学图像对应的灰度直方图的均值、方差、熵以及能量中的至少一种；根据所述均值、所述方差、所述熵以及所述能量中的至少一种，通过分类模型，获取所述分类结果。
在一个实施例中，当所述CT医学图像为肺部CT医学图像时，所述获取CT医学图像，包括：根据原始CT医学图像，通过分割模型，获得肺实质图像；基于所述肺实质图像，确定所述CT医学图像。
在一个实施例中，所述基于所述肺实质图像，确定所述CT医学图像，包括：根据所述肺实质图像，通过凸包算法，得到包含心脏和肺实质的所述CT医学图像。
在一个实施例中，所述方法还包括：获取与肺部CT样本图像的肺实质连通域对应的肺实质属性特征，其中，所述肺实质属性特征包括所述肺实质连通域的物理体积、所述肺实质连通域的中心点的CT值、所述肺实质连通域的外接形状的长与宽的比例、所述肺实质连通域的物理高度以及所述肺实质连通域的物理宽度中的至少一种；根据所述肺实质属性特征，训练SVM分类器，以生成所述分割模型，其中，所述分割模型用于对所述肺部CT样本图像进行分割，以分割出所述肺实质。
在一个实施例中，所述获取与肺部CT样本图像的肺实质连通域对应的肺实质属性特征，包括：根据预设CT阈值，获取所述肺部CT样本图像中的CT值小于所述预设CT阈值的像素点；根据所述像素点，通过连通域算法，获取所述肺实质连通域；根据所述肺实质连通域，计算所述肺实质属性特征。
在一个实施例中，所述肺部CT样本图像包括肺实质的标签，所述根据所述肺实质属性特征，训练SVM分类器，以生成所述分割模型，包括：根据所述肺实质属性特征，通过所述SVM分类器，得到所述肺实质的预测分割结果；根据所述肺实质的预测分割结果和所述肺实质的标签，更新所述SVM分类器的参数，得到所述分割模型。
在一实施例中，所述根据原始CT医学图像，通过分割模型，获得肺实质图像，包括：获取与所述原始CT医学图像的肺实质连通域对应的肺实质属性特征；根据所述肺实质属性特征，通过所述分割模型，获得所述肺实质图像。
在一实施例中，所述获取与所述原始CT医学图像的肺实质连通域对应的肺实质属性特征，包括：根据预设CT阈值，获取所述原始CT医学图像中的CT值小于所述预设CT阈值的像素点；根据所述像素点，通过连通域算法，获取所述肺实质连通域；根据所述肺实质连通域，计算所述肺实质属性特征；根据所述肺实质属性特征，通过所述分割模型，获得所述肺实质图像。
根据本申请实施例的第二方面，提供了一种分类模型的训练方法，包括：获取不同类型的CT样本图像，所述不同类型的CT样本图像包括具有第一标签的动脉期的增强CT样本图像，具有第二标签的静脉期的增强CT样本图像，以及具有第三标签的平扫CT样本图像；基于所述不同类型的CT样本图像，训练所述分类模型，其中，所述分类网络模型用于对所述动脉期的增强CT样本图像，所述静脉期的增强CT样本图像，以及所述平扫CT样本图像进行分类。
在一个实施例中，所述方法还包括：将所述不同类型的CT样本图像分别转换为灰度图像，以获得所述不同类型的CT样本图像对应的灰度直方图。
在一个实施例中，所述基于所述不同类型的CT样本图像，训练所述分类模型，包括：计算所述不同类型的CT样本图像对应的灰度直方图的灰度值大于预设灰度阈值的像素的个数，其中，所述不同类型的CT样本图像对应的灰度直方图的所述像素的个数不同；根据所述像素的个数，通过SVM分类器，得到所述不同类型的CT样本图像的预测分类结果；根据所述预测分类结果和第一标签，所述第二标签以及所述第三标签，更新所述SVM分类器的参数，得到所述分类模型。
在一个实施例中，所述基于所述不同类型的CT样本图像，训练所述分类模型，包括：计算所述不同类型的CT样本图像对应的灰度直方图的均值、方差、熵以及能量中的至少一种，其中，所述不同类型的CT样本图像对应的灰度直方图的所述均值、所述方差、所述熵以及所述能量不同；根据所述均值、所述方差、所述熵以及所述能量中的至少一种，通过SVM分类器，得到所述不同类型的CT样本图像的预测分类结果；根据所述预测分类结果和第一标签，所述第二标签以及所述第三标签，更新所述SVM分类器的参数，得到所述分类模型。
在一个实施例中，当所述CT样本图像为肺部CT样本图像时，所述获取不同类型的CT样本图像，包括：根据不同类型的原始CT图像，通过分割模型，获得所述不同类型的原始CT图像对应的肺实质图像；基于所述肺实质图像，确定所述不同类型的CT样本图像。
在一个实施例中，所述基于所述肺实质图像，确定所述不同类型的CT样本图像，包括：根据所述肺实质图像，通过凸包算法，得到包含心脏和肺实质的所述不同类型的CT样本图像。
根据本申请实施例的第三方面，提供了一种图像处理装置，包括：第一获取模块，配置为获取CT医学图像，其中，所述CT医学图像为动脉期的增强CT医学图像，静脉期的增强CT医学图像或平扫CT医学图像；分类模块，配置为根据所述CT医学图像，通过分类模型，获取所述CT医学图像为所述动脉期的增强CT医学图像，所述静脉期的增强CT医学图像或所述平扫CT医学图像的分类结果，其中，所述分类模型用于确定所述CT医学图像的类别。
在一个实施例中，所述装置还包括：用于执行上述实施例提及的图像处理方法中的各个步骤的模块。
根据本申请实施例的第四方面，提供了一种分类模型的训练装置，包括：第二获取模块，配置为获取不同类型的CT样本图像，所述不同类型的CT样本图像包括具有第一标签的动脉期的增强CT样本图像，具有第二标签的静脉期的增强CT样本图像，以及具有第三标签的平扫CT样本图像；训练模块，配置为基于所述不同类型的CT样本图像，训练所述分类模型，其中，所述分类网络模型用于对所述动脉期的增强CT样本图像，所述静脉期的增强CT样本图像，以及所述平扫CT样本图像进行分类。
在一个实施例中，所述训练装置还包括：用于执行上述实施例提及的分类模型的训练方法中的各个步骤的模块。
根据本申请实施例的第五方面，提供了一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器用于执行上述任一实施例所述的图像处理方法，和/或用于执行上述任一实施例所述的分类模型的训练方法。
根据本申请实施例的第六方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一实施例所述的图像处理的方法，和/或用于执行上述任一实施例所述的分类模型的训练方法。
本申请的实施例所提供的一种图像处理方法，通过将CT医学图像输入用于确定该CT医学图像的类别的分类模型，可以获取该CT医学图像为动脉期的增强CT医学图像，静脉期的增强CT医学图像或平扫CT医学图像的分类结果，从而能够快速且准确地自动区分平扫CT、静脉期的增强CT以及动脉期的增强CT，从而避免人为失误而导致的标记写错、漏写等情况，以及依靠报告、图像标识和肉眼阅片而导致的区分速度慢等情况。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1所示为本申请实施例所提供的一种实施环境的示意图。
图2所示为本申请一个实施例提供的图像处理方法的流程示意图。
图3所示为本申请一个实施例提供的肺实质图像的示意图。
图4所示为本申请一个实施例提供的执行凸包算法的示意图。
图5所示为本申请另一个实施例提供的图像处理方法的流程示意图。
图6所示为本申请另一个实施例提供的图像处理方法的流程示意图。
图7所示为本申请一个实施例提供的分割模型的训练方法的流程示意图。
图8所示为本申请一个实施例提供的肺实质连通域与背景连通域的示意图。
图9所示为本申请一个实施例提供的分类模型的训练方法的流程示意图。
图10所示为本申请一个实施例提供的图像处理装置的框图。
图11所示为本申请一个实施例提供的分类模型的训练装置的框图。
图12所示为本申请一个实施例提供的电子设备的结构框图。
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。
申请概述
CT(Computed Tomography)，即电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。根据所采用的射线不同可分为：X射线CT(X-CT)以及γ射线CT(γ-CT)等。
胸部CT是通过X线计算机体层摄影(CT)对胸部进行检查的一种方法。正常胸部CT层面较多，每一层面结构所表现的图像不同。如果无异常，医护人员会在在报告单中写出：“平扫肺窗显示两肺纹理清晰，走向分布无异常，肺实质未见渗出或占位性病变，纵隔窗显示两肺门无增大，气管支气管通畅，强化血管及脂肪间隙清晰，纵隔未见肿大淋巴结。胸膜、肋骨及胸壁软组织未见异常”，意见为胸部CT扫描未见异常。
平扫CT又称普通CT扫描，是指静脉内不给含碘造影剂的扫描，通常用于初次CT检查者。增强CT也叫做强化CT，增强扫描就是把药从静脉(一般为肘前静脉)注入血管内同时进行CT扫描，可以发现平扫(没有向血管内注药扫描)未发现的病灶，主要用于鉴别病变为血管性或非血管性，明确纵膈病变与心脏大血管的关系，了解病变的血供情况以帮助鉴别良、恶性病变等。增加病灶的信息量，以便于对病灶定性分析甚至明确诊断。
根据血管造影的CT检查，可以观察到的血管所处的不同时期。增强CT可以分为动脉期的增强CT和静脉期的增强CT。通俗来说，动脉期一般指的就是动脉血管充盈显影的时期，这个时期通过影像学检查，动脉血管是比较清晰的，如果动脉出现病变，在此时期观察是最佳的。静脉期就是静脉血管充盈显影的时期，这个时期通过影像学检查，静脉血管是比较清晰的，在这个时期观察静脉血管是比较好的。
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)，空气为-1000，致密骨为+1000。实际上CT值是CT图像中各组织与X线衰减系数相当的对应值。无论是矩阵图像或矩阵数字都是CT值的代表，而CT值又是从人体组织、器官的μ值换算而来的。CT值不是绝对不变的数值，它不仅与人体内在因素如呼吸、血流等有关，而且与X线管电压、CT装置、室内温度等外界因素有关，应经常校正，否则将导致误诊。
造影剂浓度越高的地方从影像表现上来看就“越亮”，其对应的CT值就越高，肺部主动脉的增强CT，如动脉期的增强CT，其主动脉处的CT值要明显高于平扫CT，通常为大于100HU的数值。
支持向量机(support vector machines，SVM)是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。SVM的学习算法就是求解凸二次规划的最优化算法。基本思想是求解能够正确划分训练数据集并且几何间隔最大的分离超平面。SVM分类器的分离超平面可以用wx+b＝0来表示。对于线性可分支持向量机，通常可以将一个样本距离分离超平面的远近来表示分类预测的可靠程度：一个样本距离分离超平面越远，则该样本的分类越可靠；一个样本距离分离超平面越近，则该样本的分类就不那么确信。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1是本申请实施例所提供的一种实施环境的示意图。该实施环境包括CT扫描仪130、服务器120和计算机设备110。计算机设备110可以从CT扫描仪130处获取胸部图像，同时，计算机设备110还可以与服务器120之间通过通信网络相连。可选的，通信网络是有线网络或无线网络。
CT扫描仪130用于对人体组织进行X线扫描，得到人体组织的CT图像。在一实施例中，通过CT扫描仪130对胸部进行扫描，可以得到胸部X线正位片，即本申请中的原始CT医学图像。
计算机设备110可以是通用型计算机或者由专用的集成电路组成的计算机装置等，本申请实施例对此不做限定。例如，计算机设备110可以是平板电脑等移动终端设备，或者也可以是个人计算机(Personal Computer，PC)，比如膝上型便携计算机和台式计算机等等。本领域技术人员可以知晓，上述计算机设备110的数量可以一个或多个，其类型可以相同或者不同。比如上述计算机设备110可以为一个，或者上述计算机设备110为几十个或几百个，或者更多数量。本申请实施例对计算机设备110的数量和设备类型不加以限定。计算机设备110中可以部署有分割模型和分类模型，计算机设备110可以利用其上部署的分割模型将其从CT扫描仪130获取的原始CT医学图像进行分割，从而得到肺部CT医学图像，然后计算机设备110再利用其上部署的分类模型将肺部CT医学图像进行分类，从而确定该肺部CT医学图像的类别，即，该肺部CT医学图像为动脉期的增强CT医学图像，静脉期的增强CT医学图像或平扫CT医学图像的分类结果。这样，能够快速且准确地自动区分平扫CT、静脉期的增强CT以及动脉期的增强CT，从而避免人为失误而导致的标记写错、漏写等情况，以及依靠报告、图像标识和肉眼阅片而导致的区分速度慢等情况。
服务器120是一台服务器，或者由若干台服务器组成，或者是一个虚拟化平台，或者是一个云计算服务中心。在一些可选的实施例中，服务器120接收计算机设备110采集到的CT样本图像，并通过CT样本图像对SVM分类器进行训练，以得到分割模型和分类模型。计算机设备110可以将其从CT扫描仪130获取到的原始CT医学图像发送给服务器，服务器120利用其上训练出的分割模型对原始CT医学图像进行分割，从而得到肺部CT医学图像，然后服务器120再利用其上训练出的分类模型将肺部CT医学图像进行分类，从而确定该肺部CT医学图像的类别，即，该肺部CT医学图像为动脉期的增强CT医学图像，静脉期的增强CT医学图像或平扫CT医学图像的分类结果，并将分类结果发送给计算机设备110，以供医护人员查看。这样，能够快速且准确地自动区分平扫CT、静脉期的增强CT以及动脉期的增强CT，从而避免人为失误而导致的标记写错、漏写等情况，以及依靠报告、图像标识和肉眼阅片而导致的区分速度慢等情况。
示例性方法
图2是本申请一个实施例提供的图像处理方法的流程示意图。图2所述的方法由计算设备(例如，服务器)来执行，但本申请实施例不以此为限。服务器可以是一台服务器，或者由若干台服务器组成，或者是一个虚拟化平台，或者是一个云计算服务中心，本申请实施例对此不作限定。如图2所示，该方法如下内容。
S210：获取CT医学图像，其中，所述CT医学图像为动脉期的增强CT医学图像，静脉期的增强CT医学图像或平扫CT医学图像。
该CT医学图像可以为肺部CT医学图像，但是本申请实施例对此不作具体限定，该CT医学图像还可以为其他器官的CT图像，该CT医学图像只要可以包括动脉和静脉即可。本申请实施例也并不限定待分割图像的具体形式，可以是原始CT医学图像，也可以是经过预处理后的CT图像，还可以是原始CT医学图像的一部分。
该CT医学图像可以为动脉期的增强CT医学图像，静脉期的增强CT医学图像和平扫CT医学图像中的任意一个。但是本申请实施例对CT医学图像的具体类型不作具体限定，该CT医学图像还可以为延迟期的增强CT医学图像，延迟期是指随着时间的推移，血管内造影剂逐渐减少，在这一时期就被称为延迟期，此时期主要就是用来观察肿瘤等富含血管组织的关键时期。
在一实施例中，当所述CT医学图像为肺部CT医学图像时，所述获取CT医学图像，包括：根据原始CT医学图像，通过分割模型，获得肺实质图像；基于所述肺实质图像，确定所述CT医学图像。
将原始CT医学图像输入分割模型中，可以得到该原始CT医学图像对应的肺实质图像。该肺实质图像可以为仅包含肺叶的图像，如图3所示。可以看出肺实质所在区域在图像中较暗，但是其边缘清晰，这是由于肺部中有大量的气体，所以组织的平均密度较低。此外，肺实质中的高亮部分一般是血管，气管等结构。
在得到了肺实质图像时，可以直接将该肺实质图像作为该CT医学图像，也可以对该肺实质图像进行预处理，将预处理后的CT图像作为该CT医学图像，本申请实施例对此并不作具体限定。
本申请实施例对该分割模型的具体类型不作限定，该分割模型可以是通过机器学习所获得的浅层模型，例如SWM分类器，或线性回归分类器等等，通过机器学习所获得的分割模型可以实现快速的图像分割，以提高模型分割的效率；该分割模型也可以是指通过深度学习获得的深层模型，该分割模型可以由任意类型的神经网络构成，且这些网络可以以ResNet、ResNeXt或DenseNet等为主干网络，通过深度学习所获得的分割模型可以提高模型分割的准确性。可选地，该分割模型可以为卷积神经网络(Convolutional NeuralNetwork，CNN)、深度神经网络(Deep Neural Network，DNN)或循环神经网络(RecurrentNeural Network，RNN)等。该分割模型可以包括输入层、卷积层、池化层、连接层等神经网络层，本申请实施例对此不作具体限定。另外，本申请实施例对每一种神经网络层的个数也不作限定。
在一实施例中，所述基于所述肺实质图像，确定所述CT医学图像，包括：根据所述肺实质图像，通过凸包算法，得到包含心脏和肺实质的所述CT医学图像。
由于心脏附近包含了大量的动脉和静脉，所以为了使肺部CT医学图像的分类结果更加的精准，可以通过凸包算法，将心脏所在的区域与肺实质所在区域结合在一起，以得到既包含心脏，又包含肺实质的CT医学图像。
凸包算法可以理解为对于平面上的一个点集合(有限或无限)，如果以集合中任意两点P和Q为端点的线段都属于该集合，我们说这个集合是凸的，可以直接说任意两点直接是在该几何图形内部或者边界上则称为凸包。如图4所示，假设平面上有P0至P12共13个点，过某些点作一个多边形(即，P10、P12、P3、P1以及P0)，使这个多边形能把所有点都“包”起来。当这个多边形是凸多边形的时候，称其为“凸包”。
在一实施例中，该凸包算法可以采用穷举法，将肺区域内的所有点两两配对，进而可以将心脏所在区域和肺实质所在区域结合在一起，以形成既包含心脏，又包含肺实质的CT医学图像。该凸包算法还可以采用分治法，Jarvis步进法，Melkman算法等，本申请实施例对此并不作具体限定。
S220：根据所述CT医学图像，通过分类模型，获取所述CT医学图像为所述动脉期的增强CT医学图像，所述静脉期的增强CT医学图像或所述平扫CT医学图像的分类结果，其中，所述分类模型用于确定所述CT医学图像的类别。
在一实施例中，将CT医学图像直接输入用于确定所述CT医学图像的类别分类模型，可以获得CT医学图像为动脉期的增强CT医学图像，静脉期的增强CT医学图像或平扫CT医学图像的分类结果。
在另一实施例中，还可以对CT医学图像进行计算处理，将计算处理后的CT医学图像输入用于确定所述CT医学图像的类别分类模型，可以获得CT医学图像为动脉期的增强CT医学图像，静脉期的增强CT医学图像或平扫CT医学图像的分类结果。
但是本申请实施例对获取分类结果的实施方式并不作具体限定，只要可以得到CT医学图像的分类结果即可。
本申请实施例对该分类模型的具体类型不作限定，该分类模型可以是通过机器学习所获得的浅层模型，例如SWM分类器，或线性回归分类器等等，通过机器学习所获得的分类模型可以实现快速的图像分类，以提高模型分类的效率；该分类模型也可以是指通过深度学习获得的深层模型，该分类模型可以由任意类型的神经网络构成，且这些网络可以以ResNet、ResNeXt或DenseNet等为主干网络，通过深度学习所获得的分类模型可以提高模型分类的准确性。可选地，该分类模型可以为卷积神经网络(Convolutional NeuralNetwork，CNN)、深度神经网络(Deep Neural Network，DNN)或循环神经网络(RecurrentNeural Network，RNN)等。该分类模型可以包括输入层、卷积层、池化层、连接层等神经网络层，本申请实施例对此不作具体限定。另外，本申请实施例对每一种神经网络层的个数也不作限定。
由此可见，通过将CT医学图像输入用于确定该CT医学图像的类别的分类模型，可以获取该CT医学图像为动脉期的增强CT医学图像，静脉期的增强CT医学图像或平扫CT医学图像的分类结果，从而能够快速且准确地自动区分平扫CT、静脉期的增强CT以及动脉期的增强CT，从而避免人为失误而导致的标记写错、漏写等情况，以及依靠报告、图像标识和肉眼阅片而导致的区分速度慢等情况。
在本申请另一个实施例中，如图5所示的方法是图2所示的方法的示例，如图5所示的方法还包括以下内容。
S510：将所述CT医学图像转换为灰度图像，以获得所述CT医学图像对应的灰度直方图。
在一实施例中，对该CT医学图像进行加窗灰阶变换处理，得到与该CT医学图像对应的灰度图像，从而获得该灰度图像的灰度值的分布情况，即，灰度直方图。但是本申请实施例对将CT医学图像转换为灰度图像的具体实施方式并不作具体限定，本领域技术人员可以根据实际的应用需求，选择不同的实现方式。
灰度直方图可理解为关于灰度级分布的函数，是对灰度图像中灰度级分布的统计。灰度直方图是将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率。灰度直方图还可理解为灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。
S520：计算所述CT医学图像对应的灰度直方图的灰度值大于预设灰度阈值的像素的个数。
应当理解，由于造影剂浓度越高的地方从影像表现上来看就“越亮”，其对应的CT值就越高，相应地，像素值(灰度值)也就越大，因此，通过设定一个预设灰度阈值可以将具有造影剂的增强CT和不具有造影剂的平扫CT区分开。但是需要说明的是，本申请实施例并不具体限定预设灰度阈值的具体取值，本领域技术人员可以根据实际的应用需求，来选择不同的预设灰度阈值，只要可以将具有造影剂的增强CT和不具有造影剂的平扫CT区分开即可。
例如，预设灰度阈值设置为1000，那么计算灰度直方图上的灰度值大于1000的像素的个数，这些像素可以认为是具有造影剂的血管所在区域的像素。由于动脉的物理尺寸大于静脉的物理尺寸，所以具有造影剂的动脉所在区域的像素的个数会大于具有造影剂的静脉所在区域的像素的个数。而由于平扫CT不具有造影剂，因此，平扫CT的灰度值大于1000的像素的个数会很少。也就是说，与动脉期的增强CT样本图像对应的该像素的个数大于静脉期的增强CT样本图像对应的该像素的个数，静脉期的增强CT样本图像对应的该像素的个数大于平扫CT样本图像对应的该像素的个数。
S530：根据所述像素的个数，通过所述分类模型，获取所述分类结果。
在一实施例中，在得到了灰度值大于预设灰度阈值的像素的个数后，将像素的个数输入训练好的分类模型中，分类模型可以根据像素的个数的不同，来对CT医学图像进行分类，以区分该CT医学图像为动脉期的增强CT医学图像，静脉期的增强CT医学图像或平扫CT医学图像中的哪一种。
例如，可以设定三个预设数量阈值，分别为第一预设数量阈值、第二预设数量阈值以及第三预设数量阈值，当该像素的个数大于第一预设数量阈值时，分类模型预测该CT医学图像为动脉期的增强CT医学图像，当该像素的个数小于第一预设数量阈值且大于第二预设数量阈值时，分类模型预测该CT医学图像为静脉期的增强CT医学图像，当该像素的个数小于第三预设数量阈值时，分类模型预测该CT医学图像为平扫CT医学图像。
或者，可以设定三个预设比例阈值，分别为第一预设比例阈值、第二预设比例阈值以及第三预设比例阈值，然后计算该像素的个数占灰度图的总像素的比例，当该比例大于第一预设比例阈值时，分类模型预测该CT医学图像为动脉期的增强CT医学图像，当该比例小于第一预设比例阈值且大于第二预设比例阈值时，分类模型预测该CT医学图像为静脉期的增强CT医学图像，当该比例小于第三预设比例阈值时，分类模型预测该CT医学图像为平扫CT医学图像。
但是需要说明的是，本申请实施例并不具体限定，分类模型如何根据像素的个数来对CT医学图像进行分类，本领域技术人员可以根据实际的应用需求，得到不同的实施方式。同时，本申请实施例也并不限定每种实施方式下所设定的预设阈值的具体取值，本领域技术人员可以根据实际的应用需求，得到不同取值的预设阈值。
在本申请另一个实施例中，如图6所示的方法是图2所示的方法的示例，如图6所示的方法还包括以下内容。
图6所示的方法中的步骤S610与图5所示的方法中的步骤S510相同，具体细节将不在此处进行赘述，请参见图5所示的方法中的步骤S510。
S620：计算所述CT医学图像对应的灰度直方图的均值、方差、熵以及能量中的至少一种。
在医学上，直接用灰度直方图可能无法显示出灰度图像的主要特征，可以通过一些统计量来反映灰度图像的灰度直方图，这些统计量被称为灰度直方图的统计特征，该统计特征可以包括均值、方差、熵以及能量。均值反映的是灰度图像的平均灰度值。方差反映的是灰度图像的灰度在数值上的离散分布情况。熵反映的是灰度直方图的分布均匀性。能量反映的是灰度分布的均匀程度，灰度分局较均匀时能量比较大，反之，比较小。
动脉期的增强CT医学图像，静脉期的增强CT医学图像或平扫CT医学图像所对应的灰度直方图的以上统计特征各不相同。
但是需要说明的是，本申请实施例并不限定具体计算灰度直方图的哪些统计特征，可以选择均值、方差、熵以及能量中的至少一种。
因此，通过计算灰度直方图的以上统计特征，可以更加精准地实现对不同类型的CT医学图像的分类。
S630：根据所述均值、所述方差、所述熵以及所述能量中的至少一种，通过分类模型，获取所述分类结果。
在一实施例中，动脉期的增强CT医学图像，静脉期的增强CT医学图像或平扫CT医学图像所对应的灰度直方图的以上统计特征各不相同，分类模型可以根据以上统计特征的不同之处，来对CT医学图像进行分类，以区分该CT医学图像为动脉期的增强CT医学图像，静脉期的增强CT医学图像或平扫CT医学图像中的哪一种。
例如，如上述图5所示的方法中的实施方式一样，也可以设置不同大小的预设阈值，由于动脉期的增强CT医学图像，静脉期的增强CT医学图像或平扫CT医学图像所对应的灰度直方图的以上统计特征各不相同，因此，可以对不同大小的预设阈值与统计特征的取值进行对比，使得分类模型可以对CT医学图像进行分类。
不同的统计特征所对应的预设阈值的大小各不相同，本申请实施例对预设阈值的具体取值并不作具体限定，本领域技术人员可以根据实际的应用需求，得到不同取值的预设阈值。
图7所示为本申请一个实施例提供的分割模型的训练方法的流程示意图。图7所述的方法由计算设备(例如，服务器)来执行，但本申请实施例不以此为限。服务器可以是一台服务器，或者由若干台服务器组成，或者是一个虚拟化平台，或者是一个云计算服务中心，本申请实施例对此不作限定。利用训练好的分割模型可对任一肺部CT医学图像进行分割。如图7所示，该方法如下内容。
S710：获取与肺部CT样本图像的肺实质连通域对应的肺实质属性特征，其中，所述肺实质属性特征包括所述肺实质连通域的物理体积、所述肺实质连通域的中心点的CT值、所述肺实质连通域的外接形状的长与宽的比例、所述肺实质连通域的物理高度以及所述肺实质连通域的物理宽度中的至少一种。
在一实施例中，根据预设CT阈值，获取肺部CT样本图像中的CT值小于预设CT阈值的像素点；根据像素点，通过连通域算法，获取肺实质连通域；根据肺实质连通域，计算肺实质属性特征。
例如，可以参考空气的HU值，将预设CT阈值设置为-900，然后将所有小于-900的像素点均提取出来。通过连通域算法，将这些像素点连接成为连通域，即，三维实体。
应当理解，对于肺部CT样本图像，该连通域不仅包括肺实质连通域，还可以包括背景连通域，如图8所示，中间的黑色区域形成为肺实质连通域，边缘的黑色区域形成为背景连通域，此时，可以只计算与肺实质连通域相关的肺实质属性特征。
该肺实质属性特征包括肺实质连通域的物理体积、肺实质连通域的中心点的CT值、肺实质连通域的外接形状的长与宽的比例、肺实质连通域的物理高度以及肺实质连通域的物理宽度中的至少一种，本申请实施例对此并不作具体限定。
S720：根据所述肺实质属性特征，训练SVM分类器，以生成所述分割模型，其中，所述分割模型用于对所述肺部CT样本图像进行分割，以分割出所述肺实质。
该肺部CT样本图像包括肺实质的标签，该标签可以是训练前经过专业的人员进行标记得到的。
在一实施例中，根据所述肺实质属性特征，通过所述SVM分类器，得到所述肺实质的预测分割结果；根据所述肺实质的预测分割结果和所述肺实质的标签，更新所述SVM分类器的参数，得到所述分割模型。
将肺部CT样本图像输入SVM分类器中，SVM分类器可以对肺部CT样本图像对应的肺实质属性特征进行特征学习，以区分肺实质连通域和背景连通域，从而得到该肺部CT样本图像的肺实质的预测分割结果。也就是说，该SVM分类器可以理解为对肺实质连通域和背景连通域的二分类，SVM分类器可以对肺部CT样本图像对应的肺实质属性特征进行特征学习，从而可以区分出哪个区域是肺实质连通域，哪个区域是背景连通域。
利用损失函数，计算该肺部CT样本图像的肺实质的预测分割结果和该肺部CT样本图像的肺实质的标签之间的相似度损失，可以得到SVM分类器的损失函数值。损失函数值越小，代表肺实质的预测分割结果越接近目标结果，预测正确的准确率越高。相反，损失函数值越大，代表预测正确的准确率越低。
在一实施例中，该损失函数可以为感知机损失函数，当肺部CT样本图像的肺实质被正确分类时，损失趋近0；当肺部CT样本图像的肺实质被错误分类时，可以得到相应的损失函数值，根据该损失函数值，来更新SVM分类器的参数，以得到分割模型。
在另一实施例中，该损失函数还可以为合页损失函数，当肺部CT样本图像的肺实质被正确分类且函数间隔大于1时，合页损失才是0，否则可以得到相应的损失函数值，根据该损失函数值，来更新SVM分类器的参数，以得到分割模型。
在一实施例中，所述根据原始CT医学图像，通过分割模型，获得肺实质图像，包括：获取与所述原始CT医学图像的肺实质连通域对应的肺实质属性特征；根据所述肺实质属性特征，通过所述分割模型，获得所述肺实质图像。
在得到了与原始CT医学图像的肺实质连通域对应的肺实质属性特征后，将肺实质属性特征输入训练好的分割模型中，分割模型可以根据肺实质属性特征，来对原始CT医学图像进行分割，以获得肺实质图像。
具体地，可以根据预设CT阈值，获取原始CT医学图像中的CT值小于所述预设CT阈值的像素点；根据像素点，通过连通域算法，获取肺实质连通域；根据肺实质连通域，计算肺实质属性特征；根据肺实质属性特征，通过上述的分割模型，获得肺实质图像。本实施例中的获取肺实质连通域的具体实现方式与图7所示的方法中的步骤S710类似，在此不再赘述。
图9所示为本申请一个实施例提供的分类模型的训练方法的流程示意图。图9所述的方法由计算设备(例如，服务器)来执行，但本申请实施例不以此为限。服务器可以是一台服务器，或者由若干台服务器组成，或者是一个虚拟化平台，或者是一个云计算服务中心，本申请实施例对此不作限定。利用训练好的分类模型可对任一CT医学图像进行分类。如图9所示，该方法如下内容。
S910：获取不同类型的CT样本图像，所述不同类型的CT样本图像包括具有第一标签的动脉期的增强CT样本图像，具有第二标签的静脉期的增强CT样本图像，以及具有第三标签的平扫CT样本图像。
第一标签、第二标签以及第三标签可以理解为该CT样本图像对应的金标准数据，即该CT样本图像对应已标注好的图像处理结果。例如：在一实施例中，该CT样本图像包括不同类型CT图像，例如，具有第一标签的动脉期的增强CT样本图像，具有第二标签的静脉期的增强CT样本图像，以及具有第三标签的平扫CT样本图像，但是本申请实施例对CT样本图像的具体类型以及具体个数不作具体限定。
第一标签、第二标签以及第三标签可以理解为该CT样本图像对应的金标准数据，即该CT样本图像对应的已标注好的图像处理结果。例如，第一标签是指该CT样本图像为动脉期的增强CT样本图像，第二标签是指该CT样本图像为静脉期的增强CT样本图像，第三标签是指该CT样本图像为平扫CT样本图像。
本实施例中提到的CT样本图像与上述图像处理方法的实施例中的CT医学图像属于同一种类型的图像，在此对CT样本图像不再赘述。该样本图像经过了人工的标记，从而得到了第一标签、第二标签和第三标签。
S920：基于所述不同类型的CT样本图像，训练所述分类模型，其中，所述分类网络模型用于对所述动脉期的增强CT样本图像，所述静脉期的增强CT样本图像，以及所述平扫CT样本图像进行分类。
在一实施例中，可以将不同类型的CT样本图像输入到神经网络中，对神经网络进行训练，以生成训练完成的分类模型。本申请实施例并不具体限定神经网络的具体类型，具体可参见上述图像处理方法的实施例。
在另一实施例中，还可以将不同类型的CT样本图像输入到SWM分类器，或线性回归分类器中，对SWM分类器，或线性回归分类器进行训练，以生成训练完成的分类模型。
需要说明的是，本申请实施例对训练分类模型的具体实现方式不作具体限定。
在本申请另一实施例中，所述方法还包括：将所述不同类型的CT样本图像分别转换为灰度图像，以获得所述不同类型的CT样本图像对应的灰度直方图。
本实施例的获得取不同类型的CT样本图像对应的灰度直方图与上述图像处理方法的实施例中的获取灰度直方图类似，在此不再赘述，具体实施细节请参照上述实施例。
在本申请另一实施例中，所述基于所述不同类型的CT样本图像，训练所述分类模型，包括：计算所述不同类型的CT样本图像对应的灰度直方图的灰度值大于预设灰度阈值的像素的个数，其中，所述不同类型的CT样本图像对应的灰度直方图的所述像素的个数不同；根据所述像素的个数，通过SVM分类器，得到所述不同类型的CT样本图像的预测分类结果；根据所述预测分类结果和第一标签，所述第二标签以及所述第三标签，更新所述SVM分类器的参数，得到所述分类模型。
本实施例所提到的相关步骤与上述图像处理方法的实施例中的相关步骤类似，在此不再赘述，具体实施细节请参照上述实施例。这里只描述不同之处。
将不同类型的CT样本图像输入SVM分类器中，SVM分类器可以对不同类型的CT样本图像对应的像素的个数进行特征学习，以区分不同类型的CT样本图像具体为何种类型的CT图像，从而得到该不同类型的CT样本图像的预测分类结果。也就是说，该SVM分类器可以理解为对动脉期的增强CT样本图像，静脉期的增强CT样本图像以及平扫CT样本图像的三分类，SVM分类器可以对动脉期的增强CT样本图像，静脉期的增强CT样本图像以及平扫CT样本图像对应的像素的个数分别进行特征学习，从而可以区分CT样本图像具体为动脉期的增强CT样本图像，静脉期的增强CT样本图像以及平扫CT样本图像中的哪一种。
利用损失函数，计算该不同类型的CT样本图像的预测分类结果和第一标签，第二标签以及第三标签之间的相似度损失，可以得到SVM分类器的损失函数值。损失函数值越小，代表预测分类结果越接近目标结果，预测正确的准确率越高。相反，损失函数值越大，代表预测正确的准确率越低。
在一实施例中，该损失函数可以为感知机损失函数，当CT样本图像被正确分类时，损失趋近0；当CT样本图像被错误分类时，可以得到相应的损失函数值，根据该损失函数值，来更新SVM分类器的参数，以得到分类模型。
在另一实施例中，该损失函数还可以为合页损失函数，当CT样本图像被正确分类且函数间隔大于1时，合页损失才是0，否则可以得到相应的损失函数值，根据该损失函数值，来更新SVM分类器的参数，以得到分类模型。
在本申请另一实施例中，所述基于所述不同类型的CT样本图像，训练所述分类模型，包括：计算所述不同类型的CT样本图像对应的灰度直方图的均值、方差、熵以及能量中的至少一种，其中，所述不同类型的CT样本图像对应的灰度直方图的所述均值、所述方差、所述熵以及所述能量不同；根据所述均值、所述方差、所述熵以及所述能量中的至少一种，通过SVM分类器，得到所述不同类型的CT样本图像的预测分类结果；根据所述预测分类结果和第一标签，所述第二标签以及所述第三标签，更新所述SVM分类器的参数，得到所述分类模型。
本实施例所提到的相关步骤与上述图像处理方法的实施例中的相关步骤以及上述依据像素个数对分类模型进行训练的步骤类似，在此不再赘述，具体实施细节请参照上述实施例。这里只描述不同之处。
在一实施例中，将不同类型的CT样本图像输入SVM分类器中，SVM分类器可以对不同类型的CT样本图像对应的统计特征进行特征学习，以区分不同类型的CT样本图像具体为何种类型的CT图像，从而得到该不同类型的CT样本图像的预测分类结果。
在本申请另一实施例中，当所述CT样本图像为肺部CT样本图像时，所述获取不同类型的CT样本图像，包括：根据不同类型的原始CT图像，通过分割模型，获得所述不同类型的原始CT图像对应的肺实质图像；基于所述肺实质图像，确定所述不同类型的CT样本图像。
本实施例所提到的相关步骤与上述图像处理方法的实施例中的相关步骤类似，在此不再赘述，具体实施细节请参照上述实施例。
在本申请另一实施例中，所述基于所述肺实质图像，确定所述不同类型的CT样本图像，包括：根据所述肺实质图像，通过凸包算法，得到包含心脏和肺实质的所述不同类型的CT样本图像。
本实施例所提到的相关步骤与上述图像处理方法的实施例中的相关步骤类似，在此不再赘述，具体实施细节请参照上述实施例。
综上所述，本申请通过使用传统的机器学习和图像处理方法，在保证效果的同时，拥有更快的运行速度且占用更小的资源。
示例性装置
本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图10所示为本申请一个实施例提供的图像处理装置的框图。如图10所示，该装置1000包括：
第一获取模块1010，配置为获取CT医学图像，其中，所述CT医学图像为动脉期的增强CT医学图像，静脉期的增强CT医学图像或平扫CT医学图像；
分类模块1020，配置为根据所述CT医学图像，通过分类模型，获取所述CT医学图像为所述动脉期的增强CT医学图像，所述静脉期的增强CT医学图像或所述平扫CT医学图像的分类结果，其中，所述分类模型用于确定所述CT医学图像的类别。
在一个实施例中，所述装置1000还包括：用于执行上述实施例提及的图像处理方法中的各个步骤的模块。
图11所示为本申请一个实施例提供的分类模型的训练装置的框图。如图11所示，该装置1100包括：
第二获取模块1110，配置为获取不同类型的CT样本图像，所述不同类型的CT样本图像包括具有第一标签的动脉期的增强CT样本图像，具有第二标签的静脉期的增强CT样本图像，以及具有第三标签的平扫CT样本图像；
训练模块1120，配置为基于所述不同类型的CT样本图像，训练所述分类模型，其中，所述分类网络模型用于对所述动脉期的增强CT样本图像，所述静脉期的增强CT样本图像，以及所述平扫CT样本图像进行分类。
在一个实施例中，所述装置1100还包括：用于执行上述实施例提及的分类模型的训练方法中的各个步骤的模块。
示例性电子设备
下面，参考图12来描述根据本申请实施例的电子设备。图12图示了根据本申请实施例的电子设备的框图。
如图12所示，电子设备1200包括一个或多个处理器1210和存储器1220。
处理器1210可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备1200中的其他组件以执行期望的功能。
存储器1220可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器1210可以运行所述程序指令，以实现上文所述的本申请的各个实施例的图像处理方法、分类模型的训练方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，电子设备1200还可以包括：输入装置1230和输出装置1240，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如，该输入装置1230可以是上述的麦克风或麦克风阵列，用于捕捉声源的输入信号。在该电子设备是单机设备时，该输入装置1230可以是通信网络连接器。
此外，该输入设备1230还可以包括例如键盘、鼠标等等。
该输出装置1240可以向外部输出各种信息，包括确定出的征象类别信息等。该输出设备1240可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图12中仅示出了该电子设备1200中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备1200还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的图像处理方法、分类模型的训练方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的图像处理方法、分类模型的训练方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。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。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (9)

1.一种图像处理方法，其特征在于，包括：
获取CT医学图像，其中，所述CT医学图像为动脉期的增强CT医学图像，静脉期的增强CT医学图像或平扫CT医学图像；
根据所述CT医学图像，通过分类模型，获取所述CT医学图像为所述动脉期的增强CT医学图像，所述静脉期的增强CT医学图像或所述平扫CT医学图像的分类结果，其中，所述分类模型用于确定所述CT医学图像的类别，
其中，所述方法还包括：
将所述CT医学图像转换为灰度图像，以获得所述CT医学图像对应的灰度直方图，
其中，所述根据所述CT医学图像，通过分类模型，获取所述CT医学图像为所述动脉期的增强CT医学图像，所述静脉期的增强CT医学图像或所述平扫CT医学图像的分类结果，包括：
计算所述CT医学图像对应的灰度直方图的灰度值大于预设灰度阈值的像素的个数；
根据所述像素的个数，通过所述分类模型，获取所述分类结果，
或者，所述根据所述CT医学图像，通过分类模型，获取所述CT医学图像为所述动脉期的增强CT医学图像，所述静脉期的增强CT医学图像或所述平扫CT医学图像的分类结果，包括：
计算所述CT医学图像对应的灰度直方图的均值、方差、熵以及能量中的至少一种；
根据所述均值、所述方差、所述熵以及所述能量中的至少一种，通过分类模型，获取所述分类结果。
2.根据权利要求1所述的方法，其特征在于，当所述CT医学图像为肺部CT医学图像时，所述获取CT医学图像，包括：
根据原始CT医学图像，通过分割模型，获得肺实质图像；
基于所述肺实质图像，确定所述CT医学图像。
3.根据权利要求2所述的方法，其特征在于，所述基于所述肺实质图像，确定所述CT医学图像，包括：
根据所述肺实质图像，通过凸包算法，得到包含心脏和肺实质的所述CT医学图像。
4.根据权利要求2所述的方法，其特征在于，还包括：
获取与肺部CT样本图像的肺实质连通域对应的肺实质属性特征，其中，所述肺实质属性特征包括所述肺实质连通域的物理体积、所述肺实质连通域的中心点的CT值、所述肺实质连通域的外接形状的长与宽的比例、所述肺实质连通域的物理高度以及所述肺实质连通域的物理宽度中的至少一种；
根据所述肺实质属性特征，训练SVM分类器，以生成所述分割模型，其中，所述分割模型用于对所述肺部CT样本图像进行分割，以分割出所述肺实质，
其中，所述根据原始CT医学图像，通过分割模型，获得肺实质图像，包括：
获取与所述原始CT医学图像的肺实质连通域对应的肺实质属性特征；
根据所述肺实质属性特征，通过所述分割模型，获得所述肺实质图像。
5.一种分类模型的训练方法，其特征在于，包括：
获取不同类型的CT样本图像，所述不同类型的CT样本图像包括具有第一标签的动脉期的增强CT样本图像，具有第二标签的静脉期的增强CT样本图像，以及具有第三标签的平扫CT样本图像；
基于所述不同类型的CT样本图像，训练所述分类模型，其中，所述分类网络模型用于对所述动脉期的增强CT样本图像，所述静脉期的增强CT样本图像，以及所述平扫CT样本图像进行分类，
其中，所述方法还包括：
将所述不同类型的CT样本图像分别转换为灰度图像，以获得所述不同类型的CT样本图像对应的灰度直方图，
其中，所述基于所述不同类型的CT样本图像，训练所述分类模型，包括：
计算所述不同类型的CT样本图像对应的灰度直方图的灰度值大于预设灰度阈值的像素的个数，其中，所述不同类型的CT样本图像对应的灰度直方图的所述像素的个数不同；
根据所述像素的个数，通过SVM分类器，得到所述不同类型的CT样本图像的预测分类结果；
根据所述预测分类结果和第一标签，所述第二标签以及所述第三标签，更新所述SVM分类器的参数，得到所述分类模型，
或者，所述基于所述不同类型的CT样本图像，训练所述分类模型，包括：
计算所述不同类型的CT样本图像对应的灰度直方图的均值、方差、熵以及能量中的至少一种，其中，所述不同类型的CT样本图像对应的灰度直方图的所述均值、所述方差、所述熵以及所述能量不同；
根据所述均值、所述方差、所述熵以及所述能量中的至少一种，通过SVM分类器，得到所述不同类型的CT样本图像的预测分类结果；
根据所述预测分类结果和第一标签，所述第二标签以及所述第三标签，更新所述SVM分类器的参数，得到所述分类模型。
6.一种图像处理装置，其特征在于，包括：
第一获取模块，配置为获取CT医学图像，其中，所述CT医学图像为动脉期的增强CT医学图像，静脉期的增强CT医学图像或平扫CT医学图像；
分类模块，配置为根据所述CT医学图像，通过分类模型，获取所述CT医学图像为所述动脉期的增强CT医学图像，所述静脉期的增强CT医学图像或所述平扫CT医学图像的分类结果，其中，所述分类模型用于确定所述CT医学图像的类别，
所述装置还包括：
将所述CT医学图像转换为灰度图像的模块，以获得所述CT医学图像对应的灰度直方图，
其中，所述分类模块进一步配置为：
计算所述CT医学图像对应的灰度直方图的灰度值大于预设灰度阈值的像素的个数；
根据所述像素的个数，通过所述分类模型，获取所述分类结果，
或者，所述分类模块进一步配置为：
计算所述CT医学图像对应的灰度直方图的均值、方差、熵以及能量中的至少一种；
根据所述均值、所述方差、所述熵以及所述能量中的至少一种，通过分类模型，获取所述分类结果。
7.一种分类模型的训练装置，其特征在于，包括：
第二获取模块，配置为获取不同类型的CT样本图像，所述不同类型的CT样本图像包括具有第一标签的动脉期的增强CT样本图像，具有第二标签的静脉期的增强CT样本图像，以及具有第三标签的平扫CT样本图像；
训练模块，配置为基于所述不同类型的CT样本图像，训练所述分类模型，其中，所述分类网络模型用于对所述动脉期的增强CT样本图像，所述静脉期的增强CT样本图像，以及所述平扫CT样本图像进行分类，
所述装置还包括：
将所述不同类型的CT样本图像分别转换为灰度图像的模块，以获得所述不同类型的CT样本图像对应的灰度直方图，
其中，所述训练模块进一步配置为：
计算所述不同类型的CT样本图像对应的灰度直方图的灰度值大于预设灰度阈值的像素的个数，其中，所述不同类型的CT样本图像对应的灰度直方图的所述像素的个数不同；
根据所述像素的个数，通过SVM分类器，得到所述不同类型的CT样本图像的预测分类结果；
根据所述预测分类结果和第一标签，所述第二标签以及所述第三标签，更新所述SVM分类器的参数，得到所述分类模型，
或者，所述训练模块进一步配置为：
计算所述不同类型的CT样本图像对应的灰度直方图的均值、方差、熵以及能量中的至少一种，其中，所述不同类型的CT样本图像对应的灰度直方图的所述均值、所述方差、所述熵以及所述能量不同；
根据所述均值、所述方差、所述熵以及所述能量中的至少一种，通过SVM分类器，得到所述不同类型的CT样本图像的预测分类结果；
根据所述预测分类结果和第一标签，所述第二标签以及所述第三标签，更新所述SVM分类器的参数，得到所述分类模型。
8.一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于执行上述权利要求1至5中任一项所述的方法。
9.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1至5中任一项所述的方法。
CN202010915140.7A 2020-09-03 2020-09-03 图像处理方法及装置，分类模型的训练方法及装置 Active CN112052896B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010915140.7A CN112052896B (zh) 2020-09-03 2020-09-03 图像处理方法及装置，分类模型的训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010915140.7A CN112052896B (zh) 2020-09-03 2020-09-03 图像处理方法及装置，分类模型的训练方法及装置

Publications (2)

Publication Number Publication Date
CN112052896A CN112052896A (zh) 2020-12-08
CN112052896B true CN112052896B (zh) 2021-11-09

Family

ID=73606965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010915140.7A Active CN112052896B (zh) 2020-09-03 2020-09-03 图像处理方法及装置，分类模型的训练方法及装置

Country Status (1)

Country Link
CN (1) CN112052896B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113017670A (zh) * 2021-03-01 2021-06-25 北京小白世纪网络科技有限公司 一种基于3D UNet的纵隔肿物识别方法、装置及存储介质
CN113012118B (zh) * 2021-03-05 2022-04-19 推想医疗科技股份有限公司 图像处理方法以及图像处理装置
CN113222852A (zh) * 2021-05-26 2021-08-06 深圳高性能医疗器械国家研究院有限公司 一种增强ct图像的重建方法
CN113888532A (zh) * 2021-11-09 2022-01-04 推想医疗科技股份有限公司 一种基于平扫ct数据的医学图像分析方法及装置
CN115100230B (zh) * 2022-08-24 2023-02-28 首都医科大学附属北京朝阳医院 基于血管图像的动静脉分离方法、装置、存储介质及终端
CN115994898B (zh) * 2023-01-12 2023-11-14 浙江医准智能科技有限公司 一种纵膈占位病变图像检测方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095910A (zh) * 2015-07-23 2015-11-25 青岛海信医疗设备股份有限公司 一种dicom图像的分类方法
CN107301777A (zh) * 2016-11-25 2017-10-27 上海炬宏信息技术有限公司 基于视频检测技术的车辆违章变道检测方法
CN108806058A (zh) * 2017-05-05 2018-11-13 深圳怡化电脑股份有限公司 一种纸币检测方法及装置
CN110415816A (zh) * 2019-07-26 2019-11-05 郑州大学 一种基于迁移学习的皮肤病临床图像多分类方法
US10699163B1 (en) * 2017-08-18 2020-06-30 Massachusetts Institute Of Technology Methods and apparatus for classification

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110211111A (zh) * 2019-05-31 2019-09-06 上海联影医疗科技有限公司 一种血管提取的方法、装置、图像处理设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095910A (zh) * 2015-07-23 2015-11-25 青岛海信医疗设备股份有限公司 一种dicom图像的分类方法
CN107301777A (zh) * 2016-11-25 2017-10-27 上海炬宏信息技术有限公司 基于视频检测技术的车辆违章变道检测方法
CN108806058A (zh) * 2017-05-05 2018-11-13 深圳怡化电脑股份有限公司 一种纸币检测方法及装置
US10699163B1 (en) * 2017-08-18 2020-06-30 Massachusetts Institute Of Technology Methods and apparatus for classification
CN110415816A (zh) * 2019-07-26 2019-11-05 郑州大学 一种基于迁移学习的皮肤病临床图像多分类方法

Also Published As

Publication number Publication date
CN112052896A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN112052896B (zh) 图像处理方法及装置，分类模型的训练方法及装置
US11896415B2 (en) Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
US9430827B2 (en) Segmentation of a calcified blood vessel
Yip et al. Application of the 3D slicer chest imaging platform segmentation algorithm for large lung nodule delineation
US20110224542A1 (en) Method and System for Automatic Detection and Classification of Coronary Stenoses in Cardiac CT Volumes
US9406141B2 (en) Segmentation of a structure
CN111340827A (zh) 一种肺部ct影像数据处理分析方法及系统
US11386555B2 (en) Assessment of arterial calcifications
CN113066061A (zh) 一种基于mra的动脉瘤检测方法、系统、终端及介质
US11996182B2 (en) Apparatus and method for medical image reading assistant providing representative image based on medical use artificial neural network
WO2022110525A1 (zh) 一种癌变区域综合检测装置及方法
US20210077009A1 (en) Predicting response to therapy for adult and pediatric crohn's disease using radiomic features of mesenteric fat regions on baseline magnetic resonance enterography
US20070223807A1 (en) Medical imaging visibility index system and method for cancer lesions
US11935234B2 (en) Method for detecting abnormality, non-transitory computer-readable recording medium storing program for detecting abnormality, abnormality detection apparatus, server apparatus, and method for processing information
JP2005515874A (ja) 肺の小結節検出時のフォールスポジティブを低減するための気管支壁厚認識
US10395773B2 (en) Automatic characterization of Agatston score from coronary computed tomography
US20230343455A1 (en) Medical image diagnosis assistant apparatus and method for generating and visualizing assistant information based on distributions of signal intensities in medical images
Mukherjee et al. Fully automated longitudinal assessment of renal stone burden on serial CT imaging using deep learning
CN115482223A (zh) 图像处理方法、装置、存储介质及电子设备
WO2022033598A1 (zh) 乳房x射线图像获取方法、装置、计算机设备和存储介质
CN114693640A (zh) 一种基于视频序列的超声图像病灶属性分类处理方法、系统、电子设备及存储介质
Park et al. Separation of left and right lungs using 3-dimensional information of sequential computed tomography images and a guided dynamic programming algorithm
CN112633405A (zh) 模型训练方法、医学影像分析方法及装置、设备、介质
CN113658172B (zh) 图像处理方法及装置、计算机可读存储介质及电子设备
CN112862787B (zh) Cta影像数据处理方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant