CN112288639A - 影像对比减影方法、装置、终端设备及存储介质 - Google Patents
影像对比减影方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN112288639A CN112288639A CN202010697396.5A CN202010697396A CN112288639A CN 112288639 A CN112288639 A CN 112288639A CN 202010697396 A CN202010697396 A CN 202010697396A CN 112288639 A CN112288639 A CN 112288639A
- Authority
- CN
- China
- Prior art keywords
- target image
- image
- target
- difference information
- contrast subtraction
- 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
- 238000011410 subtraction method Methods 0.000 title claims abstract description 28
- 238000013507 mapping Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 23
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 210000004072 lung Anatomy 0.000 description 35
- 238000013135 deep learning Methods 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请适用于图像减影技术领域,尤其涉及一种影像对比减影方法、装置、终端设备及存储介质。该方法根据针对同一目标区域在不同时间拍摄的第一目标影像和第二目标影像之间的形变场,获取第一目标影像和第二目标影像的特征差异信息,再根据特征差异信息和第二目标影像确定对比减影结果,即本申请根据两张影像间形变场自动提取特征差异信息,而无需用户手动提取,可以较为准确地确定两张影像之间的差异,并提高对比减影的效率,从而可以准确地、快速地得到对比减影的分析结果。
Description
技术领域
本申请属于图像减影技术领域,尤其涉及一种影像对比减影方法、装置、终端设备及存储介质。
背景技术
在医院对身体进行检查时,通常需要拍摄影像,常见的如胸部影像,在观察慢性疾病过程中需要对比两张不同时期拍摄的影像,使医生可以了解病人的治疗效果。
现有技术采用手动方式提取两张影像的关键点,将两张影像按关键点的对应关系对齐进而做减影分析,但是手动提取耗时长且效果差,特别是在针对两张差异较大的影像时,无法准确地减影分析出结果。
发明内容
本申请提供了一种影像对比减影方法、装置、终端设备及存储介质,可以解决现有技术无法准确地对两张影像进行减影分析的问题。
第一方面,本申请实施例提供了一种影像对比减影方法,所述影像对比减影方法包括:
获取第一目标影像和第二目标影像,所述第一目标影像与所述第二目标影像为针对同一目标区域在不同时间拍摄的影像;
根据所述第一目标影像和所述第二目标影像,获取所述第一目标影像与所述第二目标影像之间的形变场;
根据所述第一目标影像、所述第二目标影像和所述形变场,获取所述第一目标影像与所述第二目标影像的特征差异信息,所述特征差异信息用于反映所述第一目标影像的像素点与所述第二目标影像对应像素点的像素差异;
根据所述特征差异信息和所述第二目标影像,确定所述第一目标影像和所述第二目标影像的对比减影结果。
第二方面,本申请实施例提供了一种影像对比减影装置,所述影像对比减影装置包括:
目标影像获取模块,用于获取第一目标影像和第二目标影像,所述第一目标影像与所述第二目标影像为针对同一目标区域在不同时间拍摄的影像;
形变场获取模块,用于根据所述第一目标影像和所述第二目标影像,获取所述第一目标影像与所述第二目标影像之间的形变场;
差异信息获取模块,用于根据所述第一目标影像、所述第二目标影像和所述形变场,获取所述第一目标影像与所述第二目标影像的特征差异信息,所述特征差异信息用于反映所述第一目标影像的像素点与所述第二目标影像对应像素点的像素差异;
对比减影模块,用于根据所述特征差异信息和所述第二目标影像,确定所述第一目标影像和所述第二目标影像的对比减影结果。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述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上述第一方面所述的影像对比减影方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的影像对比减影方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得所述终端设备执行如上述第一方面所述的影像对比减影方法。
本申请实施例与现有技术相比存在的有益效果是:本申请根据针对同一目标区域在不同时间拍摄的第一目标影像和第二目标影像之间的形变场,可以获取第一目标影像和第二目标影像的特征差异信息,再根据特征差异信息和第二目标影像可以确定对比减影结果,即本申请根据两张影像间形变场可以自动提取特征差异信息,而无需用户手动提取,可以较为准确地确定两张影像之间的差异,并提高对比减影的效率,从而可以准确地、快速地得到对比减影的分析结果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的影像对比减影方法的流程示意图;
图2是本申请实施例一提供的肺部影像示例图;
图3是本申请实施例一提供的肺部影像的肺部轮廓图示例图;
图4是本申请实施例二提供的影像对比减影方法的流程示意图;
图5是本申请实施例三提供的影像对比减影装置的结构示意图;
图6是本申请实施例四提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请实施例提供了一种影像对比减影方法可以应用于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、云端服务器、个人数字助理(personal digital assistant,PDA)等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
参见图1,是本申请实施例一提供的一种影像对比减影方法的流程,该影像对比减影方法可应用于终端设备,如图1所示,该影像对比减影方法可以包括以下步骤:
步骤S101,获取第一目标影像和第二目标影像。
其中,第一目标影像与第二目标影像为针对同一目标区域在不同时间拍摄的影像,若第一目标影像和第二目标影像为肺部影像,则目标区域可以是指肺部区域,同一目标区域可以是指一个人的肺部区域,不同时间拍摄的影像可以是指第一目标影像与第二目标影像之间有时间间隔,例如,第一目标影像在先拍摄,第二目标影像在后拍摄。
在获取第一目标影像和第二目标影像时,本申请中终端设备可以与存储有第一目标影像和第二目标影像的存储设备连接,终端设备向存储设备发送影像获取指令,存储设备根据影像获取指令将第一目标影像和第二目标影像反馈至终端设备;此外,终端设备还可以连接影像拍摄设备(该影像拍摄设备用于拍摄目标区域的影像),终端设备向影像拍摄设备发送影像获取指令,影像拍摄设备拍摄第一目标影像和第二目标影像后反馈至终端设备。
步骤S102,根据第一目标影像和第二目标影像,获取第一目标影像与第二目标影像之间的形变场。
其中,形变场可以是指将第一目标影像的任一位置的像素点的坐标变换为第二目标影像中对应位置的像素点的坐标,使得两张影像在所有位置均配准的形变向量,位置可以是指影像中任一像素点在实际物体(拍摄的影像对应的物体)上的方位,例如,在肺部影像中第j个像素点对应左肺部的肺尖位置,基于形变场可以实现第一目标影像与第二目标影像的配准。
本申请可以利用训练完成的深度学习网络模型得到形变场,将第一目标影像和第二目标影像输入训练完成的深度学习网络模型中,输出第一目标影像与第二目标影像之间的形变场。
其中,搭建深度学习网络模型中网络模型的结构类似于Unet结构,编码器部分使用的是Resnet残差网络来构建,该深度学习网络模型的输入参数为肺部影像对(即目标影像为肺部影像,第一目标影像和第二目标影像构成影像对),输出参数为形变场,其中,可以采用一千个病人的不同时间段所拍摄的肺部影像对作为数据集对该深度学习网络模型进行训练;另外,在深度学习网络模型的训练过程中,肺部影像对的肺部轮廓可以用于训练网络和优化参数,例如,将一个肺部影像对(包括第一肺部影像和第二肺部影像)输入深度学习网络模型,输出形变场,将第一肺部影像的肺部轮廓图与形变场相乘,判断相乘后的肺部轮廓图与第二肺部影像的肺部轮廓图之间的相似度,以轮廓的相似度的大小训练深度学习网络模型和优化参数,使得训练完成的深度学习网络模型能够准确给出形变场。
步骤S103,根据第一目标影像、第二目标影像和形变场,获取第一目标影像与第二目标影像的特征差异信息。
其中,特征差异信息用于反映第一目标影像的像素点与第二目标影像对应像素点的像素差异,即第一目标影像与第二目标影像中表示相同位置的像素点的像素差异。例如,第一目标影像和第二目标影像均以左上角的第一个像素点为原点,建立坐标系,对于第一目标影像中的第i个像素点(第i个像素点为第一目标影像中的任一像素点),根据形变场对第一目标影像中的第i个像素点进行空间变换后得到该第i个像素点在第二目标影像的坐标系中的坐标,该坐标在第二目标影像中的像素点即为第二目标影像中与第i个像素点对应的像素点,该像素点与第i个像素点的像素差异即为特征差异信息。
可选的是,根据第一目标影像、第二目标影像和形变场,获取第一目标影像与第二目标影像的特征差异信息包括:
根据形变场对第一目标影像做空间变换,获取第一目标影像的映射影像;
根据映射影像和第二目标影像,获取第一目标影像与第二目标影像的特征差异信息。
其中,空间变换可以将第一目标影像与第二目标影像配准,将第一目标影像变换为与第二目标影像配准的影像,即第一目标影像中任一位置的像素点与第二目标影像中表示相同位置的像素点对应,配准之后获取第一目标影像和第二目标影像中表示相同位置的像素点的像素差异,像素差异可以是指像素点的像素值的差值。
本申请还可以根据均方误差(mean-square error,MSE)损失函数来测量映射影像与第二目标影像之间的相似度,在深度学习网络模型的训练过程中,将影像的相似度作为参考量,对深度学习网络模型中的参数进行优化,使得训练完成的深度学习网络模型输出的形变场更加准确,提升目标影像的配准精度。
可选的是,获取第一目标影像和第二目标影像之后,还包括:
获取第二目标影像的目标轮廓图,第二目标影像的目标轮廓图为第二目标影像中目标区域的轮廓图;
相应地,根据映射影像和第二目标影像,获取第一目标影像与第二目标影像的特征差异信息包括:
根据映射影像和第二目标影像,获取映射影像中像素点与第二目标影像中对应像素点的差值信息,差值信息是指映射影像中像素点的像素值与第二目标影像中对应像素点的像素值的差值;
根据差值信息和第二目标影像的目标轮廓图,获取第一目标影像与第二目标影像的特征差异信息。
其中,在第二目标影像为肺部区域的肺部影像时,目标区域为肺部区域,第二目标影像的目标轮廓图即为第二目标影像中肺部轮廓图,根据肺部轮廓图可以将差异限定在肺部区域特征内。如图2所示是肺部影像示例图,如图3所示是肺部影像的肺部轮廓图示例图。
映射影像为与第二目标影像配准的影像,以相同的方式对映射影像和第二目标影像建立坐标系,两张影像中相同坐标点的像素点一一对应,例如,映射影像的第一行第一列的像素点与第二目标影像的第一行第一列的像素点对应,将两张影像中所有对应的像素点的像素值进行差值运算,即可得到差值信息。
可选的是,获取第二目标影像的目标轮廓图包括:
获取针对目标区域的轮廓的分割网络模型;
将第二目标影像输入分割网络模型,获取第二目标影像的目标轮廓图。
其中,分割网络模型包括但不限于Unet网络,将第二目标影像输入Unet网络,输出即为第二目标影像的目标轮廓图,若第二目标影像为肺部影像,第二目标影像的目标轮廓图为肺部区域轮廓。
在实际使用时,若目标影像为医学数字成像和通信(Digital Imaging andCommunications in Medicine,DICOM)格式的影像,需要先将DICOM格式的影像转换成便携式网络图形(Portable Network Graphics,PNG)格式的影像,以满足深度学习网络模型对输入影像的格式要求,由于深度学习网络模型中多采用448*448大小的PNG格式的影像进行训练,因此,输入深度学习网络模型的PNG格式的影像(即第一目标影像和第二目标影像)的大小可以调整为448*448。可选地,用户也可以根据实际需求,自行设定PNG格式的影像的大小,在此不作限定。
可选的是,根据差值信息和第二目标影像的目标轮廓图,获取第一目标影像与第二目标影像的特征差异信息包括:
将差值信息中像素点的差值与第二目标影像的目标轮廓图中对应像素点的像素值相乘,确定相乘后的结果为第一目标影像与第二目标影像的特征差异信息。
其中,差值信息与第二目标影像的目标轮廓图的像素具有相同行数和列数,例如,差值信息中第一行第一列的像素点对应第二目标影像的目标轮廓图的第一行第一列的像素点,将差值信息中像素点的差值与第二目标影像的目标轮廓图中对应像素点的像素值相乘,即差值信息的差值用矩阵表示为差值矩阵,第二目标影像的目标轮廓图的像素值用矩阵表示为目标轮廓矩阵,差值矩阵与目标轮廓矩阵叉乘,叉乘的结果为特征差异矩阵即第一目标影像与第二目标影像的特征差异信息;叉乘之后不是肺部区域的部分均为零,消除了与肺部区域无关的背景值。
步骤S104,根据特征差异信息和第二目标影像,确定第一目标影像和第二目标影像的对比减影结果。
其中,特征差异信息体现了第一目标影像与第二目标影像之间的差异,将该差异与第二目标影像进行融合,可以在第二目标影像中体现对比减影结果。
可选的是,根据特征差异信息和第二目标影像,确定第一目标影像和第二目标影像的对比减影结果包括:
将特征差异信息中像素点的像素值乘以第一权重系数,得到第一乘积;
将第二目标影像中对应像素点的像素值乘以第二权重系数,得到第二乘积;
将第一乘积与第二乘积相加,确定相加后结果为第一目标影像和第二目标影像的对比减影结果,其中,第一权重系数与第二权重系数的和为1。
其中,特征差异信息与第二目标影像的像素具有相同行数和列数,例如,特征差异信息中第一行第一列的像素点对应第二目标影像的第一行第一列的像素点,特征差异信息(即特征差异矩阵)中每一行每一列的像素值乘以第一权重系数得到第一乘积,第二目标影像中每一行每一列的像素值乘以第二权重系数得到第二乘积,第一乘积中每一行每一列的值与第二乘积对应行对应列的值相加,例如,对比减影结果为0.8*M1+0.2*B,其中,M1表示特征差异矩阵,B表示第二目标影像的像素点的像素值构成的矩阵,第一权重系数为0.8,第二权重系数为0.2,第一权重系数与第二权重系数的和为1。
本申请实施例根据针对同一目标区域在不同时间拍摄的第一目标影像和第二目标影像之间的形变场,获取第一目标影像和第二目标影像的特征差异信息,再根据特征差异信息和第二目标影像确定对比减影结果,根据两张影像间形变场可以自动提取特征差异信息,而无需用户手动提取,可以较为准确地确定两张影像之间的差异,并提高对比减影的效率,从而可以准确地、快速地得到对比减影的分析结果。
参见图4,是本申请实施例二提供的一种影像对比减影方法的流程,该影像对比减影方法可应用于终端设备,如图2所示,该影像对比减影方法可以包括以下步骤:
步骤S401,获取第一目标影像和第二目标影像。
步骤S402,根据第一目标影像和第二目标影像,获取第一目标影像与第二目标影像之间的形变场。
步骤S403,对形变场进行平滑处理,获取平滑后的形变场。
其中,本申请对形变场进行平滑处理,可以降低噪声对形变场的影响。可选地,可以采用高斯滤波器对形变场进行平滑处理,也采用其他方式对形变场进行平滑处理,在此不作限定。
步骤S404,根据平滑后的形变场对所述第一目标影像做空间变换,获取第一目标影像的映射影像。
其中,具体内容在上述步骤S103已详细说明,在此不再赘述。
步骤S405,根据映射影像和第二目标影像,获取第一目标影像与第二目标影像的特征差异信息。
步骤S406,根据特征差异信息和第二目标影像,确定第一目标影像和第二目标影像的对比减影结果。
其中,步骤S401、步骤S402和步骤S406分别与上述步骤S101、步骤S102和步骤S104的内容相同,可参考上述步骤S101、步骤S102和步骤S104的描述,在此不再赘述。
本申请实施例通过对形变场进行平滑处理,降低噪声对形变场的影响,能够提高空间变换后映射影像的准确度,从而提高了对比减影结果的准确度。
参见图5,是本申请实施例三提供了一种影像对比减影装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
该影像对比减影装置包括:
目标影像获取模块51,用于获取第一目标影像和第二目标影像,第一目标影像与第二目标影像为针对同一目标区域在不同时间拍摄的影像;
形变场获取模块52,用于根据第一目标影像和第二目标影像,获取第一目标影像与第二目标影像之间的形变场;
差异信息获取模块53,用于根据第一目标影像、第二目标影像和形变场,获取第一目标影像与第二目标影像的特征差异信息,特征差异信息用于反映第一目标影像的像素点与第二目标影像对应像素点的像素差异;
对比减影模块54,用于根据特征差异信息和第二目标影像,确定第一目标影像和第二目标影像的对比减影结果。
可选的是,差异信息获取模块53包括:
映射影像获取单元,用于根据形变场对第一目标影像做空间变换,获取第一目标影像的映射影像;
差异信息获取单元,用于根据映射影像和第二目标影像,获取第一目标影像与第二目标影像的特征差异信息。
可选的是,该影像对比减影装置还包括:
平滑处理模块,用于对形变场进行平滑处理,获取平滑后的形变场;
相应地,映射影像获取单元具体用于:
根据平滑后的形变场对第一目标影像做空间变换,获取第一目标影像的映射影像。
可选的是,该影像对比减影装置还包括:
轮廓获取模块,用于获取第二目标影像的目标轮廓图,第二目标影像的目标轮廓图为第二目标影像中目标区域的轮廓图;
相应地,差异信息获取单元具体用于:
根据映射影像和第二目标影像,获取映射影像中像素点与第二目标影像中对应像素点的差值信息,差值信息是指映射影像中像素点的像素值与第二目标影像中对应像素点的像素值的差值;
根据差值信息和第二目标影像的目标轮廓图,获取第一目标影像与第二目标影像的特征差异信息。
可选的是,根据差值信息和第二目标影像的目标轮廓图,获取第一目标影像与第二目标影像的特征差异信息包括:
将差值信息中像素点的差值与第二目标影像的目标轮廓图中对应像素点的像素值相乘,确定相乘后的结果为第一目标影像与第二目标影像的特征差异信息。
可选的是,轮廓获取模块包括:
分割网络获取单元,用于获取针对目标区域的轮廓的分割网络模型;
轮廓获取单元,用于将第二目标影像输入分割网络模型,获取第二目标影像的目标轮廓图。
可选的是,对比减影模块54包括:
第一乘积获取单元,用于将特征差异信息中像素点的像素值乘以第一权重系数,得到第一乘积;
第二乘积获取单元,用于将第二目标影像中对应像素点的像素值乘以第二权重系数,得到第二乘积;
对比减影单元,用于将第一乘积与第二乘积相加,确定相加后结果为第一目标影像和第二目标影像的对比减影结果,其中,第一权重系数与第二权重系数的和为1。
需要说明的是,上述模块之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例二部分,此处不再赘述。
参见图6,是本申请实施例四提供的一种终端设备的结构示意图。如图6所示,该实施例的终端设备6包括:至少一个处理器60(图6中仅示出一个)、存储器61以及存储在存储器61中并可在至少一个处理器60上运行的计算机程序62,处理器60执行计算机程序62时实现上述影像对比减影方法实施例中的步骤。
该终端设备可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是终端设备6的控制部分举例,并不构成对终端设备6的结构限定,终端设备6还可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所述处理器60可以是CPU,该处理器60还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器61在一些实施例中可以是终端设备6的内部存储单元,例如终端设备6的硬盘或内存。存储器61在另一些实施例中也可以是终端设备6的外部存储设备,例如终端设备6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。进一步地,存储器61还可以既包括终端设备6的内部存储单元也包括外部存储设备。存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如计算机程序的程序代码等。存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程,也可以通过一种计算机程序产品来完成,当计算机程序产品在终端设备上运行时,使得终端设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种影像对比减影方法,其特征在于,所述影像对比减影方法包括:
获取第一目标影像和第二目标影像,所述第一目标影像与所述第二目标影像为针对同一目标区域在不同时间拍摄的影像;
根据所述第一目标影像和所述第二目标影像,获取所述第一目标影像与所述第二目标影像之间的形变场;
根据所述第一目标影像、所述第二目标影像和所述形变场,获取所述第一目标影像与所述第二目标影像的特征差异信息,所述特征差异信息用于反映所述第一目标影像的像素点与所述第二目标影像对应像素点的像素差异;
根据所述特征差异信息和所述第二目标影像,确定所述第一目标影像和所述第二目标影像的对比减影结果。
2.如权利要求1所述的影像对比减影方法,其特征在于,所述根据所述第一目标影像、所述第二目标影像和所述形变场,获取所述第一目标影像与所述第二目标影像的特征差异信息包括:
根据所述形变场对所述第一目标影像做空间变换,获取所述第一目标影像的映射影像;
根据所述映射影像和所述第二目标影像,获取所述第一目标影像与所述第二目标影像的特征差异信息。
3.如权利要求2所述的影像对比减影方法,其特征在于,在所述获取所述第一目标影像与所述第二目标影像之间的形变场之后,还包括:
对所述形变场进行平滑处理,获取平滑后的形变场;
相应地,所述根据所述形变场对所述第一目标影像做空间变换,获取所述第一目标影像的映射影像包括:
根据所述平滑后的形变场对所述第一目标影像做空间变换,获取所述第一目标影像的映射影像。
4.如权利要求2所述的影像对比减影方法,其特征在于,所述获取第一目标影像和第二目标影像之后,还包括:
获取所述第二目标影像的目标轮廓图,所述第二目标影像的目标轮廓图为所述第二目标影像中所述目标区域的轮廓图;
相应地,所述根据所述映射影像和所述第二目标影像,获取所述第一目标影像与所述第二目标影像的特征差异信息包括:
根据所述映射影像和所述第二目标影像,获取所述映射影像中像素点与所述第二目标影像中对应像素点的差值信息,所述差值信息是指所述映射影像中像素点的像素值与所述第二目标影像中对应像素点的像素值的差值;
根据所述差值信息和所述第二目标影像的目标轮廓图,获取所述第一目标影像与所述第二目标影像的特征差异信息。
5.如权利要求4所述的影像对比减影方法,其特征在于,所述根据所述差值信息和所述第二目标影像的目标轮廓图,获取所述第一目标影像与所述第二目标影像的特征差异信息包括:
将所述差值信息中像素点的差值与所述第二目标影像的目标轮廓图中对应像素点的像素值相乘,确定相乘后的结果为所述第一目标影像与所述第二目标影像的特征差异信息。
6.如权利要求4所述的影像对比减影方法,其特征在于,所述获取第二目标影像的目标轮廓图包括:
获取针对所述目标区域的轮廓的分割网络模型;
将所述第二目标影像输入所述分割网络模型,获取第二目标影像的目标轮廓图。
7.如权利要求1至6任一项所述的影像对比减影方法,其特征在于,所述根据所述特征差异信息和所述第二目标影像,确定所述第一目标影像和所述第二目标影像的对比减影结果包括:
将所述特征差异信息中像素点的像素值乘以第一权重系数,得到第一乘积;
将所述第二目标影像中对应像素点的像素值乘以第二权重系数,得到第二乘积;
将所述第一乘积与所述第二乘积相加,确定相加后结果为所述第一目标影像和所述第二目标影像的对比减影结果,其中,所述第一权重系数与所述第二权重系数的和为1。
8.一种影像对比减影装置,其特征在于,所述影像对比减影装置包括:
目标影像获取模块,用于获取第一目标影像和第二目标影像,所述第一目标影像与所述第二目标影像为针对同一目标区域在不同时间拍摄的影像;
形变场获取模块,用于根据所述第一目标影像和所述第二目标影像,获取所述第一目标影像与所述第二目标影像之间的形变场;
差异信息获取模块,用于根据所述第一目标影像、所述第二目标影像和所述形变场,获取所述第一目标影像与所述第二目标影像的特征差异信息,所述特征差异信息用于反映所述第一目标影像的像素点与所述第二目标影像对应像素点的像素差异;
对比减影模块,用于根据所述特征差异信息和所述第二目标影像,确定所述第一目标影像和所述第二目标影像的对比减影结果。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述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至7任一项所述的影像对比减影方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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至7任一项所述的影像对比减影方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010697396.5A CN112288639A (zh) | 2020-07-20 | 2020-07-20 | 影像对比减影方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010697396.5A CN112288639A (zh) | 2020-07-20 | 2020-07-20 | 影像对比减影方法、装置、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112288639A true CN112288639A (zh) | 2021-01-29 |
Family
ID=74420101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010697396.5A Pending CN112288639A (zh) | 2020-07-20 | 2020-07-20 | 影像对比减影方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288639A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4636850A (en) * | 1984-09-07 | 1987-01-13 | Adac Laboratories, Inc. | Apparatus and method for enhancement of video images |
US5161178A (en) * | 1989-10-26 | 1992-11-03 | Kabushiki Kaisha Toshiba | Image display apparatus for radiation diagnosis |
US5982953A (en) * | 1994-09-02 | 1999-11-09 | Konica Corporation | Image displaying apparatus of a processed image from temporally sequential images |
US20050111718A1 (en) * | 2003-11-26 | 2005-05-26 | University Of Chicago | Automated method and system for the evaluation of disease and registration accuracy in the subtraction of temporally sequential medical images |
US20070092124A1 (en) * | 2005-10-17 | 2007-04-26 | Fujifilm Corporation | System for and method of displaying subtraction image and computer program for the system |
US20170076447A1 (en) * | 2015-09-10 | 2017-03-16 | Siemens Healthcare Gmbh | Transformation determination device and method for determining a transformation for image registration |
CN109325971A (zh) * | 2018-08-02 | 2019-02-12 | 沈阳东软医疗系统有限公司 | 图像配准方法及装置 |
US20190188853A1 (en) * | 2016-06-29 | 2019-06-20 | Koninklijke Philips N.V. | Change detection in medical images |
CN111047629A (zh) * | 2019-11-04 | 2020-04-21 | 中国科学院深圳先进技术研究院 | 多模态图像配准的方法、装置、电子设备及存储介质 |
CN111062997A (zh) * | 2019-12-09 | 2020-04-24 | 上海联影医疗科技有限公司 | 一种血管造影成像方法、系统、设备和存储介质 |
CN111179230A (zh) * | 2019-12-18 | 2020-05-19 | 星际空间(天津)科技发展有限公司 | 遥感影像对比变化检测方法、装置、存储介质及电子设备 |
-
2020
- 2020-07-20 CN CN202010697396.5A patent/CN112288639A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4636850A (en) * | 1984-09-07 | 1987-01-13 | Adac Laboratories, Inc. | Apparatus and method for enhancement of video images |
US5161178A (en) * | 1989-10-26 | 1992-11-03 | Kabushiki Kaisha Toshiba | Image display apparatus for radiation diagnosis |
US5982953A (en) * | 1994-09-02 | 1999-11-09 | Konica Corporation | Image displaying apparatus of a processed image from temporally sequential images |
US20050111718A1 (en) * | 2003-11-26 | 2005-05-26 | University Of Chicago | Automated method and system for the evaluation of disease and registration accuracy in the subtraction of temporally sequential medical images |
US20070092124A1 (en) * | 2005-10-17 | 2007-04-26 | Fujifilm Corporation | System for and method of displaying subtraction image and computer program for the system |
US20170076447A1 (en) * | 2015-09-10 | 2017-03-16 | Siemens Healthcare Gmbh | Transformation determination device and method for determining a transformation for image registration |
US20190188853A1 (en) * | 2016-06-29 | 2019-06-20 | Koninklijke Philips N.V. | Change detection in medical images |
CN109325971A (zh) * | 2018-08-02 | 2019-02-12 | 沈阳东软医疗系统有限公司 | 图像配准方法及装置 |
CN111047629A (zh) * | 2019-11-04 | 2020-04-21 | 中国科学院深圳先进技术研究院 | 多模态图像配准的方法、装置、电子设备及存储介质 |
CN111062997A (zh) * | 2019-12-09 | 2020-04-24 | 上海联影医疗科技有限公司 | 一种血管造影成像方法、系统、设备和存储介质 |
CN111179230A (zh) * | 2019-12-18 | 2020-05-19 | 星际空间(天津)科技发展有限公司 | 遥感影像对比变化检测方法、装置、存储介质及电子设备 |
Non-Patent Citations (4)
Title |
---|
GUHA BALAKRISHNAN 等: "VoxelMorph: A Learning Framework for Deformable Medical Image Registration", 《ARXIV:1809.05231V3》, 1 September 2019 (2019-09-01), pages 1 - 16 * |
MANSOUR NEJATI 等: "Nonrigid Image Registration in Digital Subtraction Angiography Using Multilevel B-Spline", 《BIOMED RESEARCH INTERNATIONAL》, pages 1 - 13 * |
李晓楠: "影像学图像减影软件开发及其脑部病变应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 08, pages 138 - 787 * |
棉花糖灬: "【论文笔记】VoxelMorph-无监督医学图像配准模型", pages 1 - 2, Retrieved from the Internet <URL:《https://blog.csdn.net/zuzhiang/article/details/104930247》> * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abdel-Basset et al. | Feature and intensity based medical image registration using particle swarm optimization | |
CN107123137B (zh) | 医学图像处理方法及设备 | |
CN110599526B (zh) | 图像配准方法、计算机设备和存储介质 | |
US20120027277A1 (en) | Interactive iterative closest point algorithm for organ segmentation | |
CN112528831A (zh) | 多目标姿态估计方法、多目标姿态估计装置及终端设备 | |
CN110728673A (zh) | 一种目标部位分析方法、装置、计算机设备及存储介质 | |
Zhou et al. | Fast star centroid extraction algorithm with sub-pixel accuracy based on FPGA | |
CN111459269A (zh) | 一种增强现实显示方法、系统及计算机可读存储介质 | |
CN114937025A (zh) | 图像分割方法、模型训练方法、装置、设备及介质 | |
CN113870215A (zh) | 中线提取方法及装置 | |
CN113298870B (zh) | 一种物体的姿态跟踪方法、装置、终端设备和存储介质 | |
CN109767468B (zh) | 脏器体积检测方法及装置 | |
CN109840515B (zh) | 面部姿态调整方法、装置和终端 | |
CN111968160A (zh) | 图像匹配方法和存储介质 | |
CN112288639A (zh) | 影像对比减影方法、装置、终端设备及存储介质 | |
CN111081372A (zh) | 疾病诊断方法、装置、终端设备及计算机可读存储介质 | |
CN112102327A (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
CN116258813A (zh) | 三维血管模型的构建方法、装置、设备及存储介质 | |
CN113177953B (zh) | 肝脏区域分割方法、装置、电子设备及存储介质 | |
US9582882B2 (en) | Method and apparatus for image registration in the gradient domain | |
CN113850794A (zh) | 一种图像处理方法及装置 | |
Bi et al. | Multiple image features-based retinal image registration using global and local geometric structure constraints | |
CN112435284A (zh) | 图像配准方法、电子设备及存储介质 | |
CN110232326B (zh) | 一种三维物体识别方法、装置及存储介质 | |
Heuschkel et al. | Reconsideration of Bertillonage in the age of digitalisation: Digital anthropometric patterns as a promising method for establishing identity |
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 |