CN112330624A - 医学图像处理方法和装置 - Google Patents
医学图像处理方法和装置 Download PDFInfo
- Publication number
- CN112330624A CN112330624A CN202011205406.5A CN202011205406A CN112330624A CN 112330624 A CN112330624 A CN 112330624A CN 202011205406 A CN202011205406 A CN 202011205406A CN 112330624 A CN112330624 A CN 112330624A
- Authority
- CN
- China
- Prior art keywords
- region
- medical image
- candidate
- area
- target
- 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
Images
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/46—Colour picture communication systems
- H04N1/56—Processing of colour picture signals
- H04N1/60—Colour correction or control
- H04N1/6002—Corrections within particular colour systems
- H04N1/6005—Corrections within particular colour systems with luminance or chrominance signals, e.g. LC1C2, HSL or YUV
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/10056—Microscopic image
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20081—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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种医学图像处理方法和装置,涉及人工智能技术领域,其中,该方法包括:获取医学图像集合;对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域;确定所述候选非病灶区域的区域尺寸信息,作为候选区域尺寸信息;若所述候选区域尺寸信息与所述标注区域尺寸信息不匹配,则根据所述标注区域尺寸信息对所述候选非病灶区域进行调整,得到所述目标医学图像的目标非病灶区域。本申请可以可提高识别非病灶区域的准确度。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种医学图像处理方法和装置。
背景技术
图像分割是把图像分成若干个特定的、具有独特性质的区域并识别出感兴趣的区域过程。随着计算机技术和医疗分析技术的发展,医学图像分割成为医疗分析技术的重中之重,医学图像分割是决定医学图像在临床诊疗中能否提供可靠依据的关键问题。例如,在乳腺癌病理分析过程中,从包括乳腺的医学图像中获取非病灶区域,即非病灶区域是指该医学图像中用于反映未发生病变的区域,即免疫细胞所在的区域;进一步,可根据非病灶区域制定乳腺癌病症的治疗方案。但是,目前主要是通过人工方式对医学图像进行读片,并从医学图像中标注出感兴趣的区域(如非病灶区域),由于人工读片方式存在主观性,导致识别出的区域的准确度比较低。
发明内容
本申请实施例所要解决的技术问题在于,提供一种医学图像处理方法和装置,可提高识别非病灶区域的准确度。
本申请实施例一方面提供一种医学图像处理方法,包括:
获取医学图像集合;所述医学图像集合包括参考医学图像、待识别的目标医学图像以及所述目标医学图像的非病灶区域的标注区域尺寸信息,所述目标医学图像包括病灶区域和非病灶区域,所述参考医学图像包括病灶区域;
对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域;
确定所述候选非病灶区域的区域尺寸信息,作为候选区域尺寸信息;
若所述候选区域尺寸信息与所述标注区域尺寸信息不匹配,则根据所述标注区域尺寸信息对所述候选非病灶区域进行调整,得到所述目标医学图像的目标非病灶区域。
本申请实施例一方面提供一种医学图像处理装置,包括:
获取模块,用于获取医学图像集合;所述医学图像集合包括参考医学图像、待识别的目标医学图像以及所述目标医学图像的非病灶区域的标注区域尺寸信息,所述目标医学图像包括病灶区域和非病灶区域,所述参考医学图像包括病灶区域;
识别模块,用于对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域;
确定模块,用于确定所述候选非病灶区域的区域尺寸信息,作为候选区域尺寸信息;
调整模块,用于若所述候选区域尺寸信息与所述标注区域尺寸信息不匹配,则根据所述标注区域尺寸信息对所述候选非病灶区域进行调整,得到所述目标医学图像的目标非病灶区域。
可选的,所述识别模块对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域的方式包括:
将所述参考医学图像转换为目标颜色空间下的图像,得到转换后的参考医学图像,将所述目标医学图像转换为所述目标颜色空间下的图像,得到转换后的目标医学图像;
获取所述转换后的参考医学图像中的像素点的亮度信息以及所述转换后的目标医学图像中的像素点的亮度信息;
根据所述转换后的参考医学图像中的像素点的亮度信息以及所述转换后的目标医学图像中的像素点的亮度信息,对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域。
可选的,所述识别模型根据所述转换后的参考医学图像中的像素点的亮度信息以及所述转换后的目标医学图像中的像素点的亮度信息,对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域的方式包括:
获取所述转换后的参考医学图像中的像素点的亮度信息以及所述转换后的目标医学图像中的对应像素点的亮度信息之间的差异度;
从所述转换后的目标医学图像中识别亮度信息对应差异度大于差异度阈值的像素点,作为第一目标像素点;
将所述第一目标像素点在所述目标医学图像中所在的区域,确定为所述目标医学图像中的候选非病灶区域。
可选的,所述候选区域尺寸信息包括所述候选非病灶区域在所述目标医学图像中的候选区域占比;所述标注区域尺寸信息包括所述目标医学图像中的非病灶区域在所述目标医学图像中的标注区域占比;
所述调整模块若所述候选区域尺寸信息与所述标注区域尺寸信息不匹配,则根据所述标注区域尺寸信息对所述候选非病灶区域进行调整,得到所述目标医学图像的目标非病灶区域的方式包括:
获取所述候选区域占比与所述标注区域占比之间的区域占比差值;
若所述区域占比差值大于占比阈值,则确定所述候选区域尺寸信息与所述标注区域尺寸信息不匹配;
根据所述标注区域占比对所述候选非病灶区域进行调整,得到所述目标非病灶区域。
可选的,所述调整模块根据所述标注区域占比对所述候选非病灶区域进行调整,得到所述目标非病灶区域的方式包括:
若所述候选区域占比小于所述标注区域占比,则根据所述标注区域占比对所述候选非病灶区域进行扩展处理,得到所述目标非病灶区域;
若所述候选区域占比大于所述标注区域占比,则根据所述标注区域占比对所述候选非病灶区域进行缩小处理,得到所述目标非病灶区域。
可选的,所述调整模块若所述候选区域占比小于所述标注区域占比,则根据所述标注区域占比对所述候选非病灶区域进行扩展处理,得到所述目标非病灶区域的方式包括:
若所述候选区域占比小于所述标注区域占比,则获取扩展参数,所述扩展参数包括扩展形状以及扩展尺寸;
按照所述扩展参数对所述候选非病灶区域进行迭代扩展,得到扩展后的候选非病灶区域;
获取所述扩展后的候选非病灶区域在所述目标医学图像中的区域占比,作为扩展区域占比;
将所述扩展区域占比与所述标注区域占比之间的区域占比差值小于所述占比阈值的扩展后的候选非病灶区域,确定为所述目标非病灶区域。
可选的,所述调整模块若所述候选区域占比小于所述标注区域占比,则根据所述标注区域占比对所述候选非病灶区域进行扩展处理,得到所述目标非病灶区域的方式包括:
若所述候选区域占比小于所述标注区域占比,则获取所述目标医学图像中与所述候选非病灶区域相邻的像素点的像素值,以及所述候选非病灶区域中的像素点的像素值;
根据所述候选非病灶区域中的像素点的像素值,以及与所述候选非病灶区域相邻的像素点的像素值,对所述候选非病灶区域中的像素点以及所述候选非病灶区域相邻的像素点进行聚类处理,得到聚类区域;
获取所述聚类区域在所述目标医学图像中的区域占比,作为聚类区域占比;
若所述聚类区域占比与所述标注区域占比之间的区域占比差值小于所述占比阈值,则将所述聚类区域确定为所述目标非病灶区域。
可选的,所述调整模块根据所述候选非病灶区域中的像素点的像素值,以及与所述候选非病灶区域相邻的像素点的像素值,对所述候选非病灶区域中的像素点以及所述候选非病灶区域相邻的像素点进行聚类处理,得到聚类区域的方式包括:
获取与所述候选非病灶区域相邻的像素点的像素值和所述候选非病灶区域中的像素点的像素值之间的像素差值;
从与所述候选非病灶区域相邻的像素点中确定对应像素差值小于像素差值阈值的像素点,作为第二目标像素点;
将所述目标医学图像中所述第二目标像素点所在的区域与所述候选非病灶区域进行合并,得到所述聚类区域。
可选的,所述调整模块若所述候选区域占比大于所述标注区域占比,则根据所述标注区域占比对所述候选非病灶区域进行缩小处理,得到所述目标非病灶区域的方式包括:
若所述候选区域占比大于所述标注区域占比,则获取缩小处理参数,所述缩小处理参数包括缩小处理的形状以及缩小处理的尺寸;
按照所述缩小处理参数对所述候选非病灶区域进行迭代缩小处理,得到缩小处理后的候选非病灶区域;
获取所述缩小处理后的候选非病灶区域在所述目标医学图像中的区域占比,作为缩小处理后的区域占比;
将所述缩小处理后的区域占比与所述标注区域占比之间的区域占比差值小于所述占比阈值的缩小处理后的候选非病灶区域,确定为所述目标非病灶区域。
可选的,所述候选区域尺寸信息包括所述候选非病灶区域的候选区域尺寸;所述标注区域尺寸信息包括所述目标医学图像中的非病灶区域的标注区域尺寸;
所述调整模块若所述候选区域尺寸信息与所述标注区域尺寸信息不匹配,则根据所述标注区域尺寸信息对所述候选非病灶区域进行调整,得到所述目标医学图像的目标非病灶区域的方式包括:
获取所述候选区域尺寸与所述标注区域尺寸之间的区域尺寸差值;
若所述区域尺寸差值大于尺寸阈值,则确定所述候选区域尺寸信息与所述标注区域尺寸信息不匹配;
根据所述标注区域尺寸对所述候选非病灶区域进行调整,得到所述目标非病灶区域。
可选的,所述确定模块确定所述候选非病灶区域的区域尺寸信息,作为候选区域尺寸信息的方式包括:
获取所述候选非病灶区域的区域尺寸,以及所述目标医学图像的图像尺寸,将所述候选非病灶区域的区域尺寸与所述目标医学图像的图像尺寸之间的比值,确定为所述候选区域占比;或者,
获取所述候选非病灶区域中的像素点数量,以及所述目标医学图像中的像素点数量,将所述候选非病灶区域中的像素点数量与所述目标医学图像中的像素点数量之间的比值,确定为所述候选区域占比;
将所述候选区域占比确定为所述候选区域尺寸信息。
可选的,所述确定模块确定所述候选非病灶区域的区域尺寸信息,作为候选区域尺寸信息的方式包括:
获取所述候选非病灶区域的区域尺寸,得到候选区域尺寸;
将所述候选区域尺寸确定为所述候选区域尺寸信息。
可选的,该装置还包括:
标注模块,用于在所述目标医学图像中对所述目标非病灶区域进行标注,得到标注的目标医学图像;
预测模块,用于采用图像分割模型对所述目标医学图像进行预测,得到所述目标医学图像中的预测非病灶区域,在所述目标医学图像中对所述预测非病灶区域进行标注,得到预测的目标医学图像;
上述调整模块,还用于根据所述标注的目标医学图像以及所述预测的目标医学图像对所述图像分割模型进行调整,得到目标医学图像分割模型。
可选的,所述调整模块根据所述标注的目标医学图像以及所述预测的目标医学图像对所述图像分割模型进行调整,得到目标医学图像分割模型的方式包括:
根据所述标注的目标医学图像以及所述预测的目标医学图像确定所述图像分割模型的预测损失值;
若所述预测损失值不满足收敛条件,则根据所述预测损失值对所述图像分割模型进行调整,得到目标医学图像分割模型。
可选的,所述标注模块在所述目标医学图像中对所述目标非病灶区域进行标注,得到标注的目标医学图像的方式包括:
根据所述目标非病灶区域中的像素点,对所述目标医学图像进行二值化处理;
将二值化处理后的目标医学图像确定为所述标注的目标医学图像。`
本申请实施例一方面提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行如下步骤:
获取医学图像集合;所述医学图像集合包括参考医学图像、待识别的目标医学图像以及所述目标医学图像的非病灶区域的标注区域尺寸信息,所述目标医学图像包括病灶区域和非病灶区域,所述参考医学图像包括病灶区域;
对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域;
确定所述候选非病灶区域的区域尺寸信息,作为候选区域尺寸信息;
若所述候选区域尺寸信息与所述标注区域尺寸信息不匹配,则根据所述标注区域尺寸信息对所述候选非病灶区域进行调整,得到所述目标医学图像的目标非病灶区域。
本申请一方面提供了一种计算机设备,包括:处理器及存储器;
其中,所述处理器用于调用存储器中存储的设备控制应用程序,以实现:
获取医学图像集合;所述医学图像集合包括参考医学图像、待识别的目标医学图像以及所述目标医学图像的非病灶区域的标注区域尺寸信息,所述目标医学图像包括病灶区域和非病灶区域,所述参考医学图像包括病灶区域;
对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域;
确定所述候选非病灶区域的区域尺寸信息,作为候选区域尺寸信息;
若所述候选区域尺寸信息与所述标注区域尺寸信息不匹配,则根据所述标注区域尺寸信息对所述候选非病灶区域进行调整,得到所述目标医学图像的目标非病灶区域。
本申请中,计算机设备可以对目标医学图像和参考医学图像进行差异识别,得到目标医学图像的候选非病灶区域,获取该候选非病灶区域的区域尺寸信息,得到候选区域尺寸信息。如果该候选区域尺寸信息与目标医学图像的标注区域尺寸信息不匹配,表明识别出候选非病灶区域与目标医学图像的实际非病灶区域之间存在较大差异,即识别出的候选非病灶区域的准确度比较低;因此,可根据标注区域尺寸信息对候选非病灶区域进行调整,得到目标医学图像的目标非病灶区域。也就是说,通过根据参考医学图像以及目标医学图像自动识别目标医学图像中的候选非病灶区域,不需要人工参与,可以提高识别非病灶区域的准确度和效率;并根据标注区域尺寸信息对识别出的候选非病灶区域进行调整,可以进一步提高识别非病灶区域的准确度。
附图说明
为了更清楚地说明本申请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是本申请提供的一种医学图像处理系统的架构示意图;
图2a是本申请提供的一种数据交互的场景示意图;
图2b是本申请提供的一种数据交互的场景示意图;
图3是本申请提供的一种医学图像处理方法的流程示意图;
图4是本申请提供的一种获取候选非病灶区域的场景示意图;
图5是本申请提供的一种对候选非病灶区域进行迭代扩展的场景示意图;
图6是本申请提供的一种对图像分割模型进行调整的场景示意图;
图7是本申请提供的一种图像分割模型的示意图;
图8是本申请实施例提供的一种医学图像处理装置的结构示意图;
图9是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大医学图像处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
其中,计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
本申请实施例提供的医学图像处理方法主要涉及人工智能的计算机视觉技术,具体的,利用计算机视觉技术自动识别出医学图像中的非病灶区域,可提高识别非病灶区域的准确度。
首先介绍用于实现本申请的医学图像处理方法的医学图像处理系统,如图1所示,该医学图像处理系统中包括服务器以及至少一个终端。
其中,服务器可以是指用于识别医学图像中感兴趣的区域(如病灶区域或非病灶区域)的设备,本申请以感兴趣的区域为非病灶区域为例进行说明。终端可以是指面向用户的前端设备,具体的,终端可以是指用于获取医学图像的设备,如终端可以是指医学设备,该终端可以对人体或动物的某个部位进行扫描,得到医学图像;或者,终端可以是指非医学设备(如智能手机),该终端可以从医学设备中获取医学图像。
其中,服务器可以是独立的一个物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是医学设备、智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。各个终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接;同时,终端的数量以及服务器的数量可以是一个或多个,本申请对此不做限定。
其中,医学图像可以对人体或动物进行某个部位进行扫描得到的,如医学图像包括胸部的CT扫描图像、磁共振成像(MRI)图像等其他医学图像。医学图像通常包括病灶区域、非病灶区域、病灶区域和非病灶区域;病灶区域可以是指医学图像中用于反映发生病变的区域,非病灶区域可以是指医学图像中用于反映未发生病变的区域,如该非病灶区域可以是指医学图像中免疫细胞所在的区域。
为便于理解,进一步的,请参见图2a和图2b,是本申请实施例提供的一种数据交互的场景示意图,图2a和图2b中以医学图像为有关乳腺的医学图像为例进行说明,对于乳腺癌治疗的过程中,需要获取医学图像中的非病灶区域,根据非病灶区域为乳腺癌患者制定对应的治疗方案,因此,本申请实施例主要涉及如何从医学图像中识别出非病灶区域。具体的,假设该终端为医学设备,如图2a所示,终端可以对某个用户的乳腺进行扫描,得到包括乳腺的全视野数字病理切片11(Whole Slide Image,WSI),该全视野数字病理切片11(Whole Slide Image,WSI)包括肿瘤区域12,肿瘤区域12是指用于反映发生肿瘤病变的区域,肿瘤区域中也包括免疫细胞以及病变细胞;可以对肿瘤区域12进行划分,得到多个子区域,将每个子区域作为一个候选医学图像13。其中,每个候选医学图像中均包括病变细胞,即每个候选医学图像均包括病灶区域;存在候选医学图像中还包括免疫细胞,即存在候选医学图像中还包括非病灶区域。其中,该全视野数字病理切片的尺寸可以为50000mm*50000mm,0.344μm/pixel(微米/像素);每个候选医学图像的图像尺寸均相同,如候选医学图像的尺寸可以为2160mm*2160mm、0.524μm/pixel,当然,该全视野数字病理切片以及候选医学图像的尺寸还可以是其他值,本申请对此不做限定。进一步,如图2a中,终端可以展示关于医学图像的打分界面,该打分界面中包括候选医学图像,以及候选医学图像的打分选项,用户可以通过打分选项为该候选医学图像进行打分,得到打分结果,该打分结果可以包括候选医学图像中的非病灶区域的区域尺寸(即标注区域尺寸)、候选医学图像中的非病灶区域在该候选医学图像中的区域占比(即标注区域占比)中的至少一种。相应地,终端可以获取用户对候选医学图像的打分结果,将该打分结果作为候选医学图像的标注区域尺寸信息。进一步,可以从候选医学图像中筛选出标注区域占比为零(或标注区域尺寸为零)的候选医学图像,作为参考医学图像,即参考医学图像中仅包括病灶区域,不包括非病灶区域;并从候选医学图像中筛选出标注区域占比不为零(或标注区域尺寸不为零)的候选医学图像,作为目标医学图像,即目标医学图像包括病灶区域和非病灶区域。
在终端获取到目标医学图像、参考医学图像,以及目标医学图像的标注区域尺寸信息后,可以根据目标医学图像、参考医学图像,以及目标医学图像的标注区域尺寸信息生成医学图像集合,即将目标医学图像、参考医学图像,以及目标医学图像的标注区域尺寸信息添加至医学图像集合,将该医学图像集合发送至服务器。由于参考医学图像仅包括病灶区域,目标医学图像包括病灶区域和非病灶区域,参考医学图像中的病灶区域与目标医学图像的病灶区域之间具有相似性,参考医学图像的病灶区域与目标医学图像的非病灶区域具有差异性。因此,如图2b所示,服务器可以对该参考医学图像和目标医学图像进行差异识别,得到该目标医学图像的候选非病灶区域;即对该参考医学图像和目标医学图像进行对比,得到目标医学图像中与参考医学图像之间具有差异性的区域,将具有差异性的区域作目标医学图像的候选非病灶区域。如图2b中目标医学图像中包括多个候选非病灶区域,图2b中以白色区域表示候选非病灶区域,图2b仅示意出3个候选非病灶区域,通常目标医学图像中包括3个或3以上的候选区域,各个候选非病灶区域的区域尺寸以及形状均不相同。
如图2b所示,服务器获取到候选非病灶区域后,可以获取该候选非病灶区域的候选区域尺寸信息;将该候选区域尺寸信息与标注区域尺寸信息进行对比,如果该候选区域尺寸信息与标注区域尺寸信息不匹配,表明候选非病灶区域与目标医学图像中实际的非病灶区域之间的差异比较大。因此,服务器可以根据标注区域尺寸信息对该候选非病灶区域进行调整,直至候选非病灶区域与目标医学图像中实际的非病灶区域相同或差异不大时,得到调整后的候选非病灶区域,将调整后的候选非病灶区域确定为目标非病灶区域。该目标非病灶区域可用于为患者制定治疗方案,或者,可用于对图像分割模型的进行训练,即将目标非病灶区域作为用于训练图像分割模型的标注数据,图像分割模型可以是指用于识别医学图像中的非病灶区域的模型。
需要说明的是,上述识别目标医学图像中的非病灶区域的过程可以由服务器来执行,也可以由终端来执行,当然,也可以由终端和服务器共同来执行,本申请对此不做限定。其中,终端执行上述识别目标医学图像中的非病灶区域的过程,以及终端和服务器共同执行上述识别目标医学图像中的非病灶区域的过程,均可以参考服务器执行上述识别目标医学图像中的非病灶区域的过程,重复之处不再赘述。
基于上述的描述,请参见图3,是本申请实施例提供的一种医学图像处理方法的流程示意图。该方法可由计算机设备来执行,该计算机设备可以是指图1中的终端或服务器,或者,该计算机设备可以是指图1中的终端和服务器,即该方法可由终端和服务器共同执行。如图3所示,该医学图像处理方法可以包括如下步骤S101~S104。
S101、获取医学图像集合;该医学图像集合包括参考医学图像、待识别的目标医学图像以及该目标医学图像的非病灶区域的标注区域尺寸信息,该目标医学图像包括病灶区域和非病灶区域,该参考医学图像包括病灶区域。
计算机设备可以获取医学图像集合;该医学图像集合包括参考医学图像、待识别的目标医学图像以及标注区域尺寸信息,该目标医学图像包括病灶区域和非病灶区域,该参考医学图像包括病灶区域;该标注区域尺寸信息包括目标医学图像中的非病灶区域的区域尺寸(即标注区域尺寸)、目标医学图像中的非病灶区域在该目标医学图像中的区域占比(即标注区域占比)中的至少一种。该标注区域尺寸信息可以是指对该目标医学图像中的非病灶区域进行标注(如人工标注)得到的,即可以将标注区域尺寸信息作为目标医学图像的标准区域尺寸信息。
可选的,计算机设备可以生成关于获取目标医学图像的标注区域尺寸信息的任务,将该任务发布给多个用户(如多个医生),获取多个用户对该目标医学图像的打分,得到目标医学图像对应的多个分值,目标医学图像对应的分值用于反映非病灶区域在该目标医学图像中的区域占比,或者反映非病灶区域的区域尺寸。计算机设备可以获取目标医学图像对应的各个分值的出现次数,将出现次数最多的分值,确定为目标医学图像的标注区域尺寸信息;通过根据目标医学图像对应的分值的出现次数,确定目标医学图像的标注区域尺寸信息,可以提高获取标注区域尺寸信息的准确度。可选的,计算机设备可以对目标医学图像对应的各个分值进行平均化处理,得到平均化处理后的分值,将平均化处理后的分值确定为目标医学图像的标注区域尺寸信息;通过对目标医学图像对应的分值进行平均化处理,来确定目标医学图像的标注区域尺寸信息,可以提高获取标注区域尺寸信息的准确度。
S102、对该参考医学图像以及该目标医学图像进行差异识别,得到该目标医学图像中的候选非病灶区域。
由于目标医学图像在一般包括大量的非病灶区域,如果人工标注目标医学图像的非病灶区域,比较费时,并且人工标注的方式比较主观,导致获取到非病灶区域的准确度比较低。因此,计算机设备可以对该参考医学图像以及该目标医学图像进行差异识别,得到该目标医学图像中的候选非病灶区域,即根据参考医学图像以及目标医学图像自动识别目标医学图像中的非病灶区域,可以提高识别非病灶区域的准确度和效率。
S103、确定该候选非病灶区域的区域尺寸信息,作为候选区域尺寸信息。
S104、若该候选区域尺寸信息与该标注区域尺寸信息不匹配,则根据该标注区域尺寸信息对该候选非病灶区域进行调整,得到该目标医学图像的目标非病灶区域。
在步骤S103和S104中,在获取到目标医学图像的候选非病灶区域后,通常识别出候选非病灶区域与目标医学图像的实际非病灶区域之间存在差异,即存在识别出的候选非病灶区域的准确度比较低的情况;因此,需要计算机设备对候选非病灶区域进行调整。具体的,计算机设备可以确定该候选非病灶区域的区域尺寸信息,得到候选区域尺寸信息;该候选区域尺寸信息包括目标医学图像中的候选非病灶区域的区域尺寸(即候选区域尺寸)、候选非病灶区域在该目标医学图像中的区域占比(即候选区域占比)中的至少一种。如可以根据候选非病灶区域的像素点数量以及目标医学图像中的像素点的数量,确定该候选非病灶区域在该目标医学图像中的区域占比,得到候选区域占比;或者,可以根据候选非病灶区域的尺寸以及目标医学图像的尺寸,确定该候选非病灶区域在该目标医学图像中的区域占比,得到候选区域占比;进一步,可根据候选区域占比确定候选区域尺寸信息。
或者,可以根据候选非病灶区域的区域尺寸确定候选区域尺寸信息。若该候选区域尺寸信息与该标注区域尺寸信息不匹配,表明识别出候选非病灶区域与目标医学图像的实际非病灶区域之间存在较大差异,即识别出的候选非病灶区域的准确度比较低;因此,可以根据该标注区域尺寸信息对该候选非病灶区域进行调整,得到该目标医学图像的目标非病灶区域。若该候选区域尺寸信息与该标注区域尺寸信息不匹配,表明识别出候选非病灶区域与目标医学图像的实际非病灶区域之间不存在差异,或者,表明识别出候选非病灶区域与目标医学图像的实际非病灶区域之间存在较小差异,即识别出的候选非病灶区域的准确度比较高;因此,可以将该候选非病灶区域确定为该目标医学图像的目标非病灶区域。
本申请中,计算机设备可以对目标医学图像和参考医学图像进行差异识别,得到目标医学图像的候选非病灶区域,获取该候选非病灶区域的区域尺寸信息,得到候选区域尺寸信息。如果该候选区域尺寸信息与目标医学图像的标注区域尺寸信息不匹配,表明识别出候选非病灶区域与目标医学图像的实际非病灶区域之间存在较大差异,即识别出的候选非病灶区域的准确度比较低;因此,可根据标注区域尺寸信息对候选非病灶区域进行调整,得到目标医学图像的目标非病灶区域。也就是说,通过根据参考医学图像以及目标医学图像自动识别目标医学图像中的候选非病灶区域,不需要人工参与,可以提高识别非病灶区域的准确度和效率;并根据标注区域尺寸信息对识别出的候选非病灶区域进行调整,可以进一步提高识别非病灶区域的准确度。
可选的,上述步骤S102可包括如下步骤s11~s13。
s11、将该参考医学图像转换为目标颜色空间下的图像,得到转换后的参考医学图像,将该目标医学图像转换为该目标颜色空间下的图像,得到转换后的目标医学图像。
s12、获取该转换后的参考医学图像中的像素点的亮度信息以及该转换后的目标医学图像中的像素点的亮度信息。
s13、根据该转换后的参考医学图像中的像素点的亮度信息以及该转换后的目标医学图像中的像素点的亮度信息,对该参考医学图像以及该目标医学图像进行差异识别,得到该目标医学图像中的候选非病灶区域。
在步骤s11~s13中,由于医学图像中同一像素点在不同颜色空间下对对应的亮度信息不一致,因此,避免由于医学图像的颜色空间的不同,影响识别非病灶区域的准确度。计算机设备可以将该参考医学图像转换为目标颜色空间下的图像,得到转换后的参考医学图像,将该目标医学图像转换为该目标颜色空间下的图像,得到转换后的目标医学图像。该目标颜色空间可以是指HED颜色空间、RGB颜色空间或其他颜色空间,本申请对此不做限定。进一步,可以获取该转换后的参考医学图像中的像素点的亮度信息以及该转换后的目标医学图像中的像素点的亮度信息,亮度信息可以是指亮度值或亮度等级;对该转换后的参考医学图像中的像素点的亮度信息与该转换后的目标医学图像中的像素点的亮度信息进行对比,以对该参考医学图像以及该目标医学图像进行差异识别,得到该目标医学图像中的候选非病灶区域。通过对目标医学图像和参考医学图像进行转换,即将目标医学图像和参考医学图像转换至统一的颜色空间下,可避免由于医学图像的颜色空间的不同,影响识别非病灶区域的准确度,提高识别候选非病灶区域的准确度。
例如,如图4所示,计算机设备可以将目标医学图像转换为HED颜色空间下的图像,得到转换后的目标医学图像,从转换后的目标医学图像中分解出dab通道的图像,得到目标dab通道图像。同理,计算机设备可以将参考医学图像转换为HED颜色空间下的图像,得到转换后的参考医学图像,从转换后的参考医学图像中分解出dab通道的图像,得到参考dab通道图像(图4中未示出)。然后采用直方图来描述目标dab通道图像以及参考dab通道图像中的像素点的亮度等级,图4中横坐标表示医学图像的像素点对应的像素值,纵坐标表示医学图像中的像素点的亮度等级。如图4中虚线表示目标dab通道图像(即转换后的目标医学图像)的像素点的亮度等级,实线表示参考dab通道图像(即转换后的参考医学图像)的像素点的亮度等级。从图4中可知,目标dab通道图像中像素值位于[165,195]中的像素点对应的亮度等级,与参考dab通道图像中像素值位于[165,195]中的像素点对应的亮度等级之间的差异比较大,其他像素值处的像素点的亮度等级之间的差异比较小。因此,可以将转换后的目标医学图像中像素值位于[165,195]中的像素点,作为第一目标像素点,可以将第一目标像素点在目标医学图像中所在的区域,作为目标医学图像的候选非病灶区域。
可选的,上述步骤s13可包括如下步骤s21~s23。
s21、获取该转换后的参考医学图像中的像素点的亮度信息以及该转换后的目标医学图像中的对应像素点的亮度信息之间的差异度。
s22、从该转换后的目标医学图像中识别亮度信息对应差异度大于差异度阈值的像素点,作为第一目标像素点。
s23、将该第一目标像素点在该目标医学图像中所在的区域,确定为该目标医学图像中的候选非病灶区域。
在步骤s21~s23中,计算机设备可以获取该转换后的参考医学图像中的像素点的亮度信息以及该转换后的目标医学图像中的对应像素点的亮度信息之间的差异度,即该差异度可以是指该转换后的参考医学图像中的像素点的亮度值以及该转换后的目标医学图像中的对应像素点的亮度值之间的差值,即该差异度可以是指该转换后的参考医学图像中和该转换后的目标医学图像中两个位于相同位置处的像素点的亮度值之间的差值。如果两个像素点均为病灶区域中的像素点,则这两个像素点的亮度信息之间的差异度比较小或者相同;一个像素点的为病灶区域中的像素点,另一个像素点为非病灶区域中的像素点,则这两个像素点的亮度信息之间的差异度比较大。因此,计算机设备可从该转换后的目标医学图像中识别亮度信息对应差异度大于差异度阈值的像素点,作为第一目标像素点;将第一目标像素点在目标医学图像中所在的区域,确定为该目标医学图像中的候选非病灶区域。通过根据该转换后的参考医学图像中的像素点的亮度信息以及该转换后的目标医学图像中的对应像素点的亮度信息之间的差异度,确定候选非病灶区域,可以提高识别非病灶区域的准确度。
可选的,步骤S103可以包括:获取该候选非病灶区域的区域尺寸,以及该目标医学图像的图像尺寸,将该候选非病灶区域的区域尺寸与该目标医学图像的图像尺寸之间的比值,确定为该候选区域占比。或者。获取该候选非病灶区域中的像素点数量,以及该目标医学图像中的像素点数量,将该候选非病灶区域中的像素点数量与该目标医学图像中的像素点数量之间的比值,确定为该候选区域占比。
计算机设备可以获取该候选非病灶区域的区域尺寸,以及该目标医学图像的图像尺寸,该区域尺寸可以是指候选非病灶区域的面积,即区域尺寸为目标医学图像中所有候选非病灶区域的面积的累加之和,图像尺寸可以是指目标医学图像的面积。将该候选非病灶区域的区域尺寸与该目标医学图像的图像尺寸之间的比值,确定为该候选区域占比。例如,该目标医学图像为乳腺癌患者的乳腺医学图像,可以采用如下公式(1)表示候选区域占比,公式(1)中IC值表示候选区域占比,IC(immune cell,免疫细胞)区域面积表示候选非病灶区域的面积,肿瘤区域面积是指目标医学图像的面积。其中,由于识别出的候选非病灶区域存在一定的误差,即候选非病灶区域中包括染色的免疫细胞(即非病灶区域)和免疫细胞周围的非免疫细胞区域(病灶区域);因此,IC区域面积可以表示为:IC区域面积=染色的免疫细胞面积+细胞周围区域的面积。
或者,计算机设备可以获取目标医学图像中各个该候选非病灶区域中的像素点数量的累加之和,得到候选非病灶区域中的像素点数量(即候选非病灶区域的像素点总数量);并获取该目标医学图像中的像素点数量,将该候选非病灶区域中的像素点数量与该目标医学图像中的像素点数量之间的比值,确定为该候选区域占比。例如,该目标医学图像为乳腺癌患者的乳腺医学图像,可以采用如下公式(2)表示候选区域占比,公式(2)中IC值表示候选区域占比,IC区域的像素点数量表示候选非病灶区域中像素点数量,肿瘤区域的像素点数量是指目标医学图像中的像素点数量。
进一步,在获取到候选非病灶区域的候选区域占比后,可以将该候选区域占比确定为该候选非病灶区域的候选区域尺寸信息。
可选的,该候选区域尺寸信息包括该候选非病灶区域在该目标医学图像中的候选区域占比;该标注区域尺寸信息包括该目标医学图像中的非病灶区域在该目标医学图像中的标注区域占比;步骤S104可包括如下步骤s31~s33。
s31、获取该候选区域占比与该标注区域占比之间的区域占比差值。
s32、若该区域占比差值大于占比阈值,则确定该候选区域尺寸信息与该标注区域尺寸信息不匹配。
s33、根据该标注区域占比对该候选非病灶区域进行调整,得到该目标非病灶区域。
在步骤s31~s33中,计算机设备可以获取该候选区域占比与该标注区域占比之间的区域占比差值,如果该区域占比差值小于或等于区域占比阈值,表明候选非病灶区域与目标医学图像的实际区域的差异比较小或相同,则确定该候选区域尺寸信息与该标注区域尺寸信息匹配。如果该区域占比差值大于占比阈值,表明候选非病灶区域与目标医学图像的实际区域的差异比较大,则确定该候选区域尺寸信息与该标注区域尺寸信息不匹配。因此,当该候选区域尺寸信息与该标注区域尺寸信息不匹配时,需要根据该标注区域占比对该候选非病灶区域进行缩小处理,得到该目标非病灶区域,即使目标非病灶区域与目标医学图像中的实际非病灶区域相同或更接近。通过在候选非病灶区域与目标医学图像的实际区域的差异比较大时,根据标注区域占比对该候选非病灶区域进行调整,可以提高识别非病灶区域的准确度。
可选的,步骤s33可包括如下步骤s41~s42。
s41、若该候选区域占比小于该标注区域占比,则根据该标注区域占比对该候选非病灶区域进行扩展处理,得到该目标非病灶区域。
s42、若该候选区域占比大于该标注区域占比,则根据该标注区域占比对该候选非病灶区域进行缩小处理,得到该目标非病灶区域。
在步骤s41~s42中,当该候选区域尺寸信息与该标注区域尺寸信息不匹配时,计算机设备可根据该标注区域占比对该候选非病灶区域进行缩小处理,得到该目标非病灶区域。具体的,若该候选区域占比小于该标注区域占比,则表明候选非病灶区域小于目标医学图像中实际非病灶区域,则根据该标注区域占比对该候选非病灶区域进行扩展处理,得到该目标非病灶区域,即根据该标注区域占比对该候选非病灶区域进行扩大处理,得到该目标非病灶区域。若该候选区域占比大于该标注区域占比,表明候选非病灶区域大于目标医学图像中实际非病灶区域;则可根据该标注区域占比对该候选非病灶区域进行缩小处理,得到该目标非病灶区域。通过根据标注区域占比对候选非病灶区域进行扩展处理或缩小处理,可以提高识别非病灶区域的准确度。
可选的,步骤s41可包括如下步骤s51~s54。
s51、若该候选区域占比小于该标注区域占比,则获取扩展参数,该扩展参数包括扩展形状以及扩展尺寸。
s52、按照该扩展参数对该候选非病灶区域进行迭代扩展,得到扩展后的候选非病灶区域。
s53、获取该扩展后的候选非病灶区域在该目标医学图像中的区域占比,作为扩展区域占比。
s54、将该扩展区域占比与标注区域占比之间的区域占比差值小于该占比阈值的扩展后的候选非病灶区域,确定为该目标非病灶区域。
在步骤s51~s54中,如果该候选区域占比小于该标注区域占比,表明候选非病灶区域小于目标医学图像中的实际非病灶区域,因此,计算机设备可以获取扩展参数,该扩展参数包括扩展形状以及扩展尺寸;扩展形状包括矩形、梯形、菱形等中的至少一种,扩展尺寸是指每次扩展的大小。进一步,可以按照该扩展参数对该候选非病灶区域进行迭代扩展,得到扩展后的候选非病灶区域,即可以按照扩展参数对该候选非病灶区域进行多次扩展,得到多个扩展后的候选非病灶区域,如首先可以按照扩展参数对候选非病灶区域进行扩展,得到第一扩展后的候选非病灶区域;然后按照扩展参数对第一扩展后的候选非病灶区域进行扩展,得到第二扩展后的候选非病灶区域,以此类推。获取到扩展后的候选非病灶区域后,计算机设备可以获取该扩展后的候选非病灶区域在该目标医学图像中的区域占比,作为扩展区域占比;即可获取扩展后的候选非病灶区域的区域尺寸与目标医学图像的图像尺寸之间的占比,得到扩展区域占比;或者,获取扩展后的候选非病灶区域的像素点数量与目标医学图像的像素点数量之间的占比,得到扩展区域占比。在获取到扩展区域占比后,可以获取该扩展区域占比与标注区域占比之间的区域占比差值,将该扩展区域占比与标注区域占比之间的区域占比差值小于该占比阈值的扩展后的候选非病灶区域,确定为该目标非病灶区域。通过对候选非病灶区域进行迭代扩展方式,对候选非病灶区域进行调整,即通过多次对候选非病灶区域进行微调,可以提高获取非病灶区域的准确度。
例如,如果该候选区域占比为0.6%,标注区域占比为2.0%,即候选区域占比小于标注区域占比;如图5所示,计算机设备可以根据扩展参数对候选非病灶区域进行调整。为了便于区分,在对候选非病灶区域进行调整之前,可以根据该候选非病灶区域对目标医学图像进行二值化处理,如采用黑色表示目标医学图像中的病灶区域,采用白色表示目标医学图像中的非病灶区域,得到处理后的目医学图像21。假设迭代参数如下:
kernel=disk(1).astype(np.uint8)
mask_ic=cv2.dilate(mask_init,kernel,iterations=ITERATION)
其中,ITERATION表示迭代次数,即迭代次数可以为5,当然可以为其他值.,mask_init表示上次迭代结果,mask_ic本次的迭代结果,即按照扩展参数对基于上次的迭代结果进行迭代,得到本次的迭代结果。迭代参数中还包括扩展参数,即扩展的形状为梯形、扩展尺寸为8个像素点对应的区域的尺寸。如图5所示,按照扩展参数对处理后的目医学图像21中的候选非病灶区域进行扩展处理,得到第一次扩展后的目标医学图像22;进一步,按照扩展参数第一次扩展后的目标医学图像22中第一次扩展后的候选非病灶区域进行扩展处理,得到第二次扩展后的目标医学图像23;以此类推,可得到第三次扩展后的目标医学图像24、第四次扩展后的目标医学图像25以及第五次扩展后的目标医学图像26。从图5可知,扩展后的目标医学图像中的候选非病灶区域的形状接近梯形,扩展后的候选非病灶区域的区域尺寸不断增大,即扩展区域占比不断增大。如图5中第一次迭代后,扩展区域占比(即扩展后的候选非病灶区域在目标医学图像中是区域占比)为1.1%,第二次迭代后,扩展区域占比为1.8%。第三次迭代后,扩展区域占比为2.5%,第四次迭代后,扩展区域占比为3.4%,第五次迭代后,扩展区域占比为4.3%。由于扩展区域占比1.8%更接近标注区域占比2%,因此,可以将第二次迭代后得到扩展候选非病灶区域,作为目标非病灶区域。
需要说明的是,在对候选非病灶区域进行调整的过程中,目标医学图像的图像尺寸不变,仅候选非病灶区域的区域尺寸以及形状发生变化,或者,仅候选非病灶区域的区域尺寸发生变化。
可选的,步骤s41可包括如下步骤s61~s64。
s61、若该候选区域占比小于该标注区域占比,则获取该目标医学图像中与该候选非病灶区域相邻的像素点的像素值,以及该候选非病灶区域中的像素点的像素值。
s62、根据该候选非病灶区域中的像素点的像素值,以及与该候选非病灶区域相邻的像素点的像素值,对该候选非病灶区域中的像素点以及该候选非病灶区域相邻的像素点进行聚类处理,得到聚类区域。
s63、获取该聚类区域在该目标医学图像中的区域占比,作为聚类区域占比;
s64、若该聚类区域占比与该标注区域占比之间的区域占比差值小于该占比阈值,则将该聚类区域确定为该目标非病灶区域。
在步骤s61~s64中,如果该候选区域占比小于该标注区域占比,表明候选非病灶区域小于目标医学图像中的实际非病灶区域,因此,计算机设备可获取该目标医学图像中与该候选非病灶区域相邻的像素点的像素值,以及该候选非病灶区域中的像素点的像素值。进一步,可根据该候选非病灶区域中的像素点的像素值,以及与该候选非病灶区域相邻的像素点的像素值,对该候选非病灶区域中的像素点以及该候选非病灶区域相邻的像素点进行聚类处理,得到聚类区域;即将相邻的像素点中像素值与候选非病灶区域的像素点的像素值之间差值小于像素差值阈值的像素点,与候选非病灶区域的像素点聚为一类,将与候选非病灶区域的像素点为同一类的像素点以及候选非病灶区域的像素点所在的区域确定为聚类区域。然后,可以获取该聚类区域在该目标医学图像中的区域占比,作为聚类区域占比,即可获取聚类区域的区域尺寸与目标医学图像的图像尺寸之间的占比,得到聚类区域占比;或者,获取聚类区域的像素点数量与目标医学图像的像素点数量之间的占比,得到聚类区域占比。在获取到聚类区域占比后,可以获取该聚类区域占比与该标注区域占比之间的区域占比差值;若该聚类区域占比与该标注区域占比之间的区域占比差值小于该占比阈值,则将该聚类区域确定为该目标非病灶区域。若该聚类区域占比与该标注区域占比之间的区域占比差值大于或等于该占比阈值,则重新对该候选非病灶区域中的像素点以及该候选非病灶区域相邻的像素点进行聚类处理,得到聚类区域。
可选的,步骤s62可包括如下步骤s71~s73。
s71、获取与该候选非病灶区域相邻的像素点的像素值和该候选非病灶区域中的像素点的像素值之间的像素差值。
s72、从与该候选非病灶区域相邻的像素点中确定对应像素差值小于像素差值阈值的像素点,作为第二目标像素点。
s73、将该目标医学图像中该第二目标像素点所在的区域与该候选非病灶区域进行合并,得到该聚类区域。
在步骤s71~s73中,计算机设备可以获取与该候选非病灶区域相邻的像素点的像素值和该候选非病灶区域中的像素点的像素值之间的像素差值,如果两个像素点之间的像素值小于像素差值阈值,则表明这两个像素点之间具有相似性;因此可以从与该候选非病灶区域相邻的像素点中确定对应像素差值小于像素差值阈值的像素点,作为第二目标像素点,将该目标医学图像中该第二目标像素点所在的区域与该候选非病灶区域进行合并,得到该聚类区域。
可选的,上述步骤s42可包括如下步骤s81~s84。
s81、若该候选区域占比大于该标注区域占比,则获取缩小处理参数,该缩小处理参数包括缩小处理的形状以及缩小处理的尺寸。
s83、按照该缩小处理参数对该候选非病灶区域进行迭代缩小处理,得到缩小处理后的候选非病灶区域。
s84、获取该缩小处理后的候选非病灶区域在该目标医学图像中的区域占比,作为缩小处理后的区域占比。
s85、将该缩小处理后的区域占比与该标注区域占比之间的区域占比差值小于该占比阈值的缩小处理后的候选非病灶区域,确定为该目标非病灶区域。
在步骤s81~s84中,如果该候选区域占比大于该标注区域占比,表明候选非病灶区域大于目标医学图像中的实际非病灶区域,因此,计算机设备可以获取缩小处理参数,该缩小处理参数包括缩小处理的形状以及缩小处理的尺寸,缩小处理的尺寸可以是指缩小处理的大小。进一步,可以按照该缩小处理参数对该候选非病灶区域进行迭代缩小处理,得到缩小处理后的候选非病灶区域;即可以按照缩小处理参数对该候选非病灶区域进行多次缩小处理,得到多个缩小处理后的候选非病灶区域,如首先可以按照缩小处理参数对候选非病灶区域进行缩小处理,得到第一缩小处理后的候选非病灶区域;然后按照缩小处理参数对第一缩小处理后的候选非病灶区域进行缩小处理,得到第二缩小处理后的候选非病灶区域,以此类推。获取该缩小处理后的候选非病灶区域在该目标医学图像中的区域占比,作为缩小处理后的区域占比。然后,可以获取该缩小处理后的候选非病灶区域在该目标医学图像中的区域占比,作为缩小处理后的区域占比;即可获取缩小处理后的候选非病灶区域的区域尺寸与目标医学图像的图像尺寸之间的占比,得到缩小处理后的区域占比;或者,获取缩小处理后的候选非病灶区域的像素点数量与目标医学图像的像素点数量之间的占比,得到缩小处理后的区域占比。在获取到缩小处理后的区域占比后,可以获取该缩小处理后的区域占比与该标注区域占比之间的区域占比差值;将该缩小处理后的区域占比与该标注区域占比之间的区域占比差值小于该占比阈值的缩小处理后的候选非病灶区域,确定为该目标非病灶区域。通过根据缩小处理参数对候选非病灶区域进行迭代缩小处理的方式,对候选非病灶区域进行调整,即通过多次对候选非病灶区域进行微调,可以提高获取非病灶区域的准确度。
可选的,上述步骤s42可包括:如果该候选区域占比大于该标注区域占比,计算机设备可以根据候选非病灶区域中的像素点的像素值,对候选非病灶区域的像素点进行聚类处理,将具为同一类的像素点所在的区域,作为缩小处理后的候选非病灶区域。也即获取候选非病灶区域中的各个像素点的像素值之间像素差值,从候选非病灶区域中移除像素差值大于像素差值阈值的像素点所在的区域,得到缩小处理后的候选非病灶区域。进一步,可以获取该缩小处理后的候选非病灶区域在该目标医学图像中的区域占比,作为缩小处理后的区域占比。将该缩小处理后的区域占比与该标注区域占比之间的区域占比差值小于该占比阈值的缩小处理后的候选非病灶区域,确定为该目标非病灶区域。
可选的,步骤S103可以包括:获取该候选非病灶区域的区域尺寸,得到候选区域尺寸,将该候选区域尺寸确定为该候选区域尺寸信息。
计算机设备可以获取该候选非病灶区域的区域尺寸,得到候选区域尺寸,即该候选区域尺寸可以是指该候选非病灶区域的面积;可以将该候选区域尺寸确定为候选区域尺寸信息。
可选的,该候选区域尺寸信息包括该候选非病灶区域的候选区域尺寸;该标注区域尺寸信息包括该目标医学图像中的非病灶区域的标注区域尺寸;上述步骤S104可以包括如下步骤s91~s93。
s91、获取该候选区域尺寸与该标注区域尺寸之间的区域尺寸差值。
s92、若该区域尺寸差值大于尺寸阈值,则确定该候选区域尺寸信息与该标注区域尺寸信息不匹配。
s93、根据该标注区域尺寸对该候选非病灶区域进行调整,得到该目标非病灶区域。
在步骤s91~s93中,计算机设备可以获取该候选区域尺寸与该标注区域尺寸之间的区域尺寸差值,若该区域尺寸差值小于或等于尺寸阈值,表明候选非病灶区域与目标医学图像的实际非病灶区域之间的差异性比较小,则确定该候选区域尺寸信息与该标注区域尺寸信息匹配,可以将候选非病灶区域确定目标医学图像的目标非病灶区域。若该区域尺寸差值大于尺寸阈值,表明候选非病灶区域与目标医学图像的实际非病灶区域之间的差异性比较大,则确定该候选区域尺寸信息与该标注区域尺寸信息不匹配,根据该标注区域尺寸对该候选非病灶区域进行调整,得到该目标非病灶区域。
可选的,上述根据该标注区域尺寸对该候选非病灶区域进行调整,得到该目标非病灶区域,包括:若该候选区域尺寸小于该标注区域尺寸,则根据该标注区域尺寸对该候选非病灶区域进行扩展处理,得到该目标非病灶区域。若该候选区域尺寸大于该标注区域尺寸,则根据该标注区域尺寸对该候选非病灶区域进行缩小处理,得到该目标非病灶区域。
其中,计算机设备根据该标注区域尺寸对该候选非病灶区域进行扩展处理,得到该目标非病灶区域的实现方式,可以参考上述根据该标注区域占比对该候选非病灶区域进行扩展处理,得到该目标非病灶区域的实现方式;计算机设备根据该标注区域尺寸对该候选非病灶区域进行缩小处理,得到该目标非病灶区域的实现方式,可以参见上述根据该标注区域占比对该候选非病灶区域进行缩小处理,得到该目标非病灶区域的实现方式,重复之处,不再赘述。
可选的,该方法还可以包括如下步骤s111~s113。
s111、在该目标医学图像中对该目标非病灶区域进行标注,得到标注的目标医学图像。
s112、采用图像分割模型对该目标医学图像进行预测,得到该目标医学图像中的预测非病灶区域,在该目标医学图像中对该预测非病灶区域进行标注,得到预测的目标医学图像。
s113、根据该标注的目标医学图像以及该预测的目标医学图像对该图像分割模型进行调整,得到目标医学图像分割模型。
在步骤s111~s113中,如图6所示,该目标医学图像的目标非病灶区域可以用于对图像分割模型进行训练;具体的,计算机设备可以在该目标医学图像中对该目标非病灶区域进行标注,得到标注的目标医学图像(即二值化的目标医学图像);即在目标医学图像中标记处目标非病灶区域,以区分目标医学图像中的目标非病灶区域和病灶区域,得到标注的目标医学图像。进一步,可采用图像分割模型对该目标医学图像进行预测,得到该目标医学图像中的预测非病灶区域,在该目标医学图像中对该预测非病灶区域进行标注,得到预测的目标医学图像;该图像分割模型可以是指用于识别医学图像中的非病灶区域的模型。从图6可以可知,通过采用标注的目标医学图像对图像分割模型进行训练后,由图像分割模型所输出的预测的目标医学图像中的非病灶区域的边缘更加平滑、自然,可提高识别非病灶区域的准确度。
其中,如图7所示。该图像分割模型可以是指FC-DenseNet模型(图像语义分割模型),该FC-DenseNet模型可以包括一条下采样路径,一条上采样路径,和残差连接skipconnections组成;skip connections通过重用特征图来帮助上采样路径恢复空间细节信息。其中,下采样路径包括输入层、卷积层、全连接层、关联层、向下过渡层;上采样路径包括输出层、卷积层、全连接层、关联层、向上过渡层。可选的,该图像分割模型还可以是其他模型,如包括但不限于:神经网络(Fully Convolutional Network,FCN)、语义分割网络(SegNet)、PSPNet等等。
可选的,上述步骤s113可包括如下步骤s121~s122。
s121、根据该标注的目标医学图像以及该预测的目标医学图像确定该图像分割模型的预测损失值。
s123、若该预测损失值不满足收敛条件,则根据该预测损失值对该图像分割模型进行调整,得到目标医学图像分割模型。
在步骤s121~s122中,计算机设备可将标注的目标医学图像作为训练图像分割模型的标注数据,根据该标注的目标医学图像以及该预测的目标医学图像确定该图像分割模型的预测损失值,该预测损失值用于反映图像分割模型的预测医学图像的非病灶区域的准确度,即预测损失值越大,表明该图像分割模型对应的准确度越低;预测损失值越小,表明该图像分割模型对应的准确度越高。若该预测损失值满足收敛条件,表明该图像分割模型预测医学图像的非病灶区域的准确度比较高,因此,可以将该图像分割模型作为目标医学图像分割模型。若该预测损失值不满足收敛条件,表明该图像分割模型预测医学图像的非病灶区域的准确度比较低,因此,可以根据该预测损失值对该图像分割模型进行调整,得到目标医学图像分割模型。
可选的,上述步骤s111可包括:根据该目标非病灶区域中的像素点,对该目标医学图像进行二值化处理;将二值化处理后的目标医学图像确定为该标注的目标医学图像。
计算机设备可以根据该目标非病灶区域中的像素点,对该目标医学图像进行二值化处理,即采用第一颜色标记目标医学图像中的目标非病灶区域中的像素点,采用第二颜色标记目标医学图像中的病灶区域中的像素点;第一颜色与第二颜色不相同,如第一颜色可以为白色,第二颜色为黑色。进一步,可以将二值化处理后的目标医学图像确定为该标注的目标医学图像;通过对目标医学图像中的目标非病灶区域和病灶区域进行二值化处理,有利于区分目标医学图像中的目标非病灶区域和病灶区域。
请参见图8,是本申请实施例提供的一种医学图像处理装置的结构示意图。上述医学图像处理装置可以是运行于计算机设备中的一个计算机程序(包括程序代码),例如该医学图像处理装置为一个应用软件;该装置可以用于执行本申请实施例提供的方法中的相应步骤。如图8所示,该医学图像处理装置可以包括:获取模块801、识别模块802、确定模块803、调整模块804、标注模块805以及预测模块806。
获取模块801,用于获取医学图像集合;所述医学图像集合包括参考医学图像、待识别的目标医学图像以及所述目标医学图像的非病灶区域的标注区域尺寸信息,所述目标医学图像包括病灶区域和非病灶区域,所述参考医学图像包括病灶区域;
识别模块802,用于对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域;
确定模块803,用于确定所述候选非病灶区域的区域尺寸信息,作为候选区域尺寸信息;
调整模块804,用于若所述候选区域尺寸信息与所述标注区域尺寸信息不匹配,则根据所述标注区域尺寸信息对所述候选非病灶区域进行调整,得到所述目标医学图像的目标非病灶区域。
可选的,所述识别模块802对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域的方式包括:
将所述参考医学图像转换为目标颜色空间下的图像,得到转换后的参考医学图像,将所述目标医学图像转换为所述目标颜色空间下的图像,得到转换后的目标医学图像;
获取所述转换后的参考医学图像中的像素点的亮度信息以及所述转换后的目标医学图像中的像素点的亮度信息;
根据所述转换后的参考医学图像中的像素点的亮度信息以及所述转换后的目标医学图像中的像素点的亮度信息,对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域。
可选的,所述识别模型根据所述转换后的参考医学图像中的像素点的亮度信息以及所述转换后的目标医学图像中的像素点的亮度信息,对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域的方式包括:
获取所述转换后的参考医学图像中的像素点的亮度信息以及所述转换后的目标医学图像中的对应像素点的亮度信息之间的差异度;
从所述转换后的目标医学图像中识别亮度信息对应差异度大于差异度阈值的像素点,作为第一目标像素点;
将所述第一目标像素点在所述目标医学图像中所在的区域,确定为所述目标医学图像中的候选非病灶区域。
可选的,所述候选区域尺寸信息包括所述候选非病灶区域在所述目标医学图像中的候选区域占比;所述标注区域尺寸信息包括所述目标医学图像中的非病灶区域在所述目标医学图像中的标注区域占比;
所述调整模块804若所述候选区域尺寸信息与所述标注区域尺寸信息不匹配,则根据所述标注区域尺寸信息对所述候选非病灶区域进行调整,得到所述目标医学图像的目标非病灶区域的方式包括:
获取所述候选区域占比与所述标注区域占比之间的区域占比差值;
若所述区域占比差值大于占比阈值,则确定所述候选区域尺寸信息与所述标注区域尺寸信息不匹配;
根据所述标注区域占比对所述候选非病灶区域进行调整,得到所述目标非病灶区域。
可选的,所述调整模块804根据所述标注区域占比对所述候选非病灶区域进行调整,得到所述目标非病灶区域的方式包括:
若所述候选区域占比小于所述标注区域占比,则根据所述标注区域占比对所述候选非病灶区域进行扩展处理,得到所述目标非病灶区域;
若所述候选区域占比大于所述标注区域占比,则根据所述标注区域占比对所述候选非病灶区域进行缩小处理,得到所述目标非病灶区域。
可选的,所述调整模块804若所述候选区域占比小于所述标注区域占比,则根据所述标注区域占比对所述候选非病灶区域进行扩展处理,得到所述目标非病灶区域的方式包括:
若所述候选区域占比小于所述标注区域占比,则获取扩展参数,所述扩展参数包括扩展形状以及扩展尺寸;
按照所述扩展参数对所述候选非病灶区域进行迭代扩展,得到扩展后的候选非病灶区域;
获取所述扩展后的候选非病灶区域在所述目标医学图像中的区域占比,作为扩展区域占比;
将所述扩展区域占比与所述标注区域占比之间的区域占比差值小于所述占比阈值的扩展后的候选非病灶区域,确定为所述目标非病灶区域。
可选的,所述调整模块804若所述候选区域占比小于所述标注区域占比,则根据所述标注区域占比对所述候选非病灶区域进行扩展处理,得到所述目标非病灶区域的方式包括:
若所述候选区域占比小于所述标注区域占比,则获取所述目标医学图像中与所述候选非病灶区域相邻的像素点的像素值,以及所述候选非病灶区域中的像素点的像素值;
根据所述候选非病灶区域中的像素点的像素值,以及与所述候选非病灶区域相邻的像素点的像素值,对所述候选非病灶区域中的像素点以及所述候选非病灶区域相邻的像素点进行聚类处理,得到聚类区域;
获取所述聚类区域在所述目标医学图像中的区域占比,作为聚类区域占比;
若所述聚类区域占比与所述标注区域占比之间的区域占比差值小于所述占比阈值,则将所述聚类区域确定为所述目标非病灶区域。
可选的,所述调整模块804根据所述候选非病灶区域中的像素点的像素值,以及与所述候选非病灶区域相邻的像素点的像素值,对所述候选非病灶区域中的像素点以及所述候选非病灶区域相邻的像素点进行聚类处理,得到聚类区域的方式包括:
获取与所述候选非病灶区域相邻的像素点的像素值和所述候选非病灶区域中的像素点的像素值之间的像素差值;
从与所述候选非病灶区域相邻的像素点中确定对应像素差值小于像素差值阈值的像素点,作为第二目标像素点;
将所述目标医学图像中所述第二目标像素点所在的区域与所述候选非病灶区域进行合并,得到所述聚类区域。
可选的,所述调整模块804若所述候选区域占比大于所述标注区域占比,则根据所述标注区域占比对所述候选非病灶区域进行缩小处理,得到所述目标非病灶区域的方式包括:
若所述候选区域占比大于所述标注区域占比,则获取缩小处理参数,所述缩小处理参数包括缩小处理的形状以及缩小处理的尺寸;
按照所述缩小处理参数对所述候选非病灶区域进行迭代缩小处理,得到缩小处理后的候选非病灶区域;
获取所述缩小处理后的候选非病灶区域在所述目标医学图像中的区域占比,作为缩小处理后的区域占比;
将所述缩小处理后的区域占比与所述标注区域占比之间的区域占比差值小于所述占比阈值的缩小处理后的候选非病灶区域,确定为所述目标非病灶区域。
可选的,所述候选区域尺寸信息包括所述候选非病灶区域的候选区域尺寸;所述标注区域尺寸信息包括所述目标医学图像中的非病灶区域的标注区域尺寸;
所述调整模块804若所述候选区域尺寸信息与所述标注区域尺寸信息不匹配,则根据所述标注区域尺寸信息对所述候选非病灶区域进行调整,得到所述目标医学图像的目标非病灶区域的方式包括:
获取所述候选区域尺寸与所述标注区域尺寸之间的区域尺寸差值;
若所述区域尺寸差值大于尺寸阈值,则确定所述候选区域尺寸信息与所述标注区域尺寸信息不匹配;
根据所述标注区域尺寸对所述候选非病灶区域进行调整,得到所述目标非病灶区域。
可选的,所述确定模块803确定所述候选非病灶区域的区域尺寸信息,作为候选区域尺寸信息的方式包括:
获取所述候选非病灶区域的区域尺寸,以及所述目标医学图像的图像尺寸,将所述候选非病灶区域的区域尺寸与所述目标医学图像的图像尺寸之间的比值,确定为所述候选区域占比;或者,
获取所述候选非病灶区域中的像素点数量,以及所述目标医学图像中的像素点数量,将所述候选非病灶区域中的像素点数量与所述目标医学图像中的像素点数量之间的比值,确定为所述候选区域占比;
将所述候选区域占比确定为所述候选区域尺寸信息。
可选的,所述确定模块803确定所述候选非病灶区域的区域尺寸信息,作为候选区域尺寸信息的方式包括:
获取所述候选非病灶区域的区域尺寸,得到候选区域尺寸;
将所述候选区域尺寸确定为所述候选区域尺寸信息。
可选的,该装置还包括:
标注模块805,用于在所述目标医学图像中对所述目标非病灶区域进行标注,得到标注的目标医学图像;
预测模块806,用于采用图像分割模型对所述目标医学图像进行预测,得到所述目标医学图像中的预测非病灶区域,在所述目标医学图像中对所述预测非病灶区域进行标注,得到预测的目标医学图像;
上述调整模块804,还用于根据所述标注的目标医学图像以及所述预测的目标医学图像对所述图像分割模型进行调整,得到目标医学图像分割模型。
可选的,所述调整模块804根据所述标注的目标医学图像以及所述预测的目标医学图像对所述图像分割模型进行调整,得到目标医学图像分割模型的方式包括:
根据所述标注的目标医学图像以及所述预测的目标医学图像确定所述图像分割模型的预测损失值;
若所述预测损失值不满足收敛条件,则根据所述预测损失值对所述图像分割模型进行调整,得到目标医学图像分割模型。
可选的,所述标注模块805在所述目标医学图像中对所述目标非病灶区域进行标注,得到标注的目标医学图像的方式包括:
根据所述目标非病灶区域中的像素点,对所述目标医学图像进行二值化处理;
将二值化处理后的目标医学图像确定为所述标注的目标医学图像。`
根据本申请的一个实施例,图3所示的医学图像处理方法所涉及的步骤可由图8所示的医学图像处理装置中的各个模块来执行。例如,图3中所示的步骤S101可由图8中的获取模块801来执行,图3中所示的步骤S102可由图8中的识别模块802来执行;图3中所示的步骤S103可由图8中的确定模块803来执行;图3中所示的步骤S104可由图8中的调整模块804来执行。
根据本申请的一个实施例,图8所示的医学图像处理装置中的各个模块可以分别或全部合并为一个或若干个单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个子单元,可以实现同样的操作,而不影响本申请的实施例的技术效果的实现。上述模块是基于逻辑功能划分的,在实际应用中,一个模块的功能也可以由多个单元来实现,或者多个模块的功能由一个单元实现。在本申请的其它实施例中,医学图像处理装置也可以包括其它单元,在实际应用中,这些功能也可以由其它单元协助实现,并且可以由多个单元协作实现。
根据本申请的一个实施例,可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的例如计算机的通用计算机设备上运行能够执行如图3中所示的相应方法所涉及的各步骤的计算机程序(包括程序代码),来构造如图8中所示的医学图像处理装置,以及来实现本申请实施例的医学图像处理方法。上述计算机程序可以记载于例如计算机可读记录介质上,并通过计算机可读记录介质装载于上述计算设备中,并在其中运行。
本申请中,计算机设备可以对目标医学图像和参考医学图像进行差异识别,得到目标医学图像的候选非病灶区域,获取该候选非病灶区域的区域尺寸信息,得到候选区域尺寸信息。如果该候选区域尺寸信息与目标医学图像的标注区域尺寸信息不匹配,表明识别出候选非病灶区域与目标医学图像的实际非病灶区域之间存在较大差异,即识别出的候选非病灶区域的准确度比较低;因此,可根据标注区域尺寸信息对候选非病灶区域进行调整,得到目标医学图像的目标非病灶区域。也就是说,通过根据参考医学图像以及目标医学图像自动识别目标医学图像中的候选非病灶区域,不需要人工参与,可以提高识别非病灶区域的准确度和效率;并根据标注区域尺寸信息对识别出的候选非病灶区域进行调整,可以进一步提高识别非病灶区域的准确度。
请参见图9,是本申请实施例提供的一种计算机设备的结构示意图。如图9所示,上述计算机设备1000可以包括:处理器1001,网络接口1004和存储器1005,此外,上述计算机设备1000还可以包括:用户接口1003,和至少一个通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。其中,用户接口1003可以包括显示屏(Display)、键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是非易失性的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图9所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。
在图9所示的计算机设备1000中,网络接口1004可提供网络通讯功能;而用户接口1003主要用于为用户提供输入的接口;而处理器1001可以用于调用存储器1005中存储的设备控制应用程序,以实现:
获取医学图像集合;所述医学图像集合包括参考医学图像、待识别的目标医学图像以及所述目标医学图像的非病灶区域的标注区域尺寸信息,所述目标医学图像包括病灶区域和非病灶区域,所述参考医学图像包括病灶区域;
对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域;
确定所述候选非病灶区域的区域尺寸信息,作为候选区域尺寸信息;
若所述候选区域尺寸信息与所述标注区域尺寸信息不匹配,则根据所述标注区域尺寸信息对所述候选非病灶区域进行调整,得到所述目标医学图像的目标非病灶区域。
可选的,上述处理器用于调用上述计算机程序,执行对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域的方式包括:
将所述参考医学图像转换为目标颜色空间下的图像,得到转换后的参考医学图像,将所述目标医学图像转换为所述目标颜色空间下的图像,得到转换后的目标医学图像;
获取所述转换后的参考医学图像中的像素点的亮度信息以及所述转换后的目标医学图像中的像素点的亮度信息;
根据所述转换后的参考医学图像中的像素点的亮度信息以及所述转换后的目标医学图像中的像素点的亮度信息,对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域。
可选的,上述处理器用于调用上述计算机程序,执行根据所述转换后的参考医学图像中的像素点的亮度信息以及所述转换后的目标医学图像中的像素点的亮度信息,对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域的方式包括:
获取所述转换后的参考医学图像中的像素点的亮度信息以及所述转换后的目标医学图像中的对应像素点的亮度信息之间的差异度;
从所述转换后的目标医学图像中识别亮度信息对应差异度大于差异度阈值的像素点,作为第一目标像素点;
将所述第一目标像素点在所述目标医学图像中所在的区域,确定为所述目标医学图像中的候选非病灶区域。
可选的,所述候选区域尺寸信息包括所述候选非病灶区域在所述目标医学图像中的候选区域占比;所述标注区域尺寸信息包括所述目标医学图像中的非病灶区域在所述目标医学图像中的标注区域占比;
上述处理器用于调用上述计算机程序,执行若所述候选区域尺寸信息与所述标注区域尺寸信息不匹配,则根据所述标注区域尺寸信息对所述候选非病灶区域进行调整,得到所述目标医学图像的目标非病灶区域的方式包括:
获取所述候选区域占比与所述标注区域占比之间的区域占比差值;
若所述区域占比差值大于占比阈值,则确定所述候选区域尺寸信息与所述标注区域尺寸信息不匹配;
根据所述标注区域占比对所述候选非病灶区域进行调整,得到所述目标非病灶区域。
可选的,上述处理器用于调用上述计算机程序,执行根据所述标注区域占比对所述候选非病灶区域进行调整,得到所述目标非病灶区域的方式包括:
若所述候选区域占比小于所述标注区域占比,则根据所述标注区域占比对所述候选非病灶区域进行扩展处理,得到所述目标非病灶区域;
若所述候选区域占比大于所述标注区域占比,则根据所述标注区域占比对所述候选非病灶区域进行缩小处理,得到所述目标非病灶区域。
可选的,上述处理器用于调用上述计算机程序,执行若所述候选区域占比小于所述标注区域占比,则根据所述标注区域占比对所述候选非病灶区域进行扩展处理,得到所述目标非病灶区域的方式包括:
若所述候选区域占比小于所述标注区域占比,则获取扩展参数,所述扩展参数包括扩展形状以及扩展尺寸;
按照所述扩展参数对所述候选非病灶区域进行迭代扩展,得到扩展后的候选非病灶区域;
获取所述扩展后的候选非病灶区域在所述目标医学图像中的区域占比,作为扩展区域占比;
将所述扩展区域占比与所述标注区域占比之间的区域占比差值小于所述占比阈值的扩展后的候选非病灶区域,确定为所述目标非病灶区域。
可选的,若所述候选区域占比小于所述标注区域占比,则上述处理器用于调用上述计算机程序,执行根据所述标注区域占比对所述候选非病灶区域进行扩展处理,得到所述目标非病灶区域的方式包括:
若所述候选区域占比小于所述标注区域占比,则获取所述目标医学图像中与所述候选非病灶区域相邻的像素点的像素值,以及所述候选非病灶区域中的像素点的像素值;
根据所述候选非病灶区域中的像素点的像素值,以及与所述候选非病灶区域相邻的像素点的像素值,对所述候选非病灶区域中的像素点以及所述候选非病灶区域相邻的像素点进行聚类处理,得到聚类区域;
获取所述聚类区域在所述目标医学图像中的区域占比,作为聚类区域占比;
若所述聚类区域占比与所述标注区域占比之间的区域占比差值小于所述占比阈值,则将所述聚类区域确定为所述目标非病灶区域。
可选的,上述处理器用于调用上述计算机程序,执行根据所述候选非病灶区域中的像素点的像素值,以及与所述候选非病灶区域相邻的像素点的像素值,对所述候选非病灶区域中的像素点以及所述候选非病灶区域相邻的像素点进行聚类处理,得到聚类区域的方式包括:
获取与所述候选非病灶区域相邻的像素点的像素值和所述候选非病灶区域中的像素点的像素值之间的像素差值;
从与所述候选非病灶区域相邻的像素点中确定对应像素差值小于像素差值阈值的像素点,作为第二目标像素点;
将所述目标医学图像中所述第二目标像素点所在的区域与所述候选非病灶区域进行合并,得到所述聚类区域。
可选的,若所述候选区域占比大于所述标注区域占比,则上述处理器用于调用上述计算机程序,执行根据所述标注区域占比对所述候选非病灶区域进行缩小处理,得到所述目标非病灶区域的方式包括:
若所述候选区域占比大于所述标注区域占比,则获取缩小处理参数,所述缩小处理参数包括缩小处理的形状以及缩小处理的尺寸;
按照所述缩小处理参数对所述候选非病灶区域进行迭代缩小处理,得到缩小处理后的候选非病灶区域;
获取所述缩小处理后的候选非病灶区域在所述目标医学图像中的区域占比,作为缩小处理后的区域占比;
将所述缩小处理后的区域占比与所述标注区域占比之间的区域占比差值小于所述占比阈值的缩小处理后的候选非病灶区域,确定为所述目标非病灶区域。
可选的,所述候选区域尺寸信息包括所述候选非病灶区域的候选区域尺寸;所述标注区域尺寸信息包括所述目标医学图像中的非病灶区域的标注区域尺寸;
若所述候选区域尺寸信息与所述标注区域尺寸信息不匹配,则上述处理器用于调用上述计算机程序,执行根据所述标注区域尺寸信息对所述候选非病灶区域进行调整,得到所述目标医学图像的目标非病灶区域的方式包括:
获取所述候选区域尺寸与所述标注区域尺寸之间的区域尺寸差值;
若所述区域尺寸差值大于尺寸阈值,则确定所述候选区域尺寸信息与所述标注区域尺寸信息不匹配;
根据所述标注区域尺寸对所述候选非病灶区域进行调整,得到所述目标非病灶区域。
可选的,上述处理器用于调用上述计算机程序,执行确定所述候选非病灶区域的区域尺寸信息,作为候选区域尺寸信息的方式包括:
获取所述候选非病灶区域的区域尺寸,以及所述目标医学图像的图像尺寸,将所述候选非病灶区域的区域尺寸与所述目标医学图像的图像尺寸之间的比值,确定为所述候选区域占比;或者,
获取所述候选非病灶区域中的像素点数量,以及所述目标医学图像中的像素点数量,将所述候选非病灶区域中的像素点数量与所述目标医学图像中的像素点数量之间的比值,确定为所述候选区域占比;
将所述候选区域占比确定为所述候选区域尺寸信息。
可选的,上述处理器用于调用上述计算机程序,执行确定所述候选非病灶区域的区域尺寸信息,作为候选区域尺寸信息的方式包括:
获取所述候选非病灶区域的区域尺寸,得到候选区域尺寸;
将所述候选区域尺寸确定为所述候选区域尺寸信息。
上述处理器用于调用上述计算机程序,执行:
在所述目标医学图像中对所述目标非病灶区域进行标注,得到标注的目标医学图像;
采用图像分割模型对所述目标医学图像进行预测,得到所述目标医学图像中的预测非病灶区域,在所述目标医学图像中对所述预测非病灶区域进行标注,得到预测的目标医学图像;
根据所述标注的目标医学图像以及所述预测的目标医学图像对所述图像分割模型进行调整,得到目标医学图像分割模型。
可选的,上述处理器用于调用上述计算机程序,执行根据所述标注的目标医学图像以及所述预测的目标医学图像对所述图像分割模型进行调整,得到目标医学图像分割模型的方式包括:
根据所述标注的目标医学图像以及所述预测的目标医学图像确定所述图像分割模型的预测损失值;
若所述预测损失值不满足收敛条件,则根据所述预测损失值对所述图像分割模型进行调整,得到目标医学图像分割模型。
可选的,上述处理器用于调用上述计算机程序,执行在所述目标医学图像中对所述目标非病灶区域进行标注,得到标注的目标医学图像的方式包括:
根据所述目标非病灶区域中的像素点,对所述目标医学图像进行二值化处理;
将二值化处理后的目标医学图像确定为所述标注的目标医学图像。
本申请中,计算机设备可以对目标医学图像和参考医学图像进行差异识别,得到目标医学图像的候选非病灶区域,获取该候选非病灶区域的区域尺寸信息,得到候选区域尺寸信息。如果该候选区域尺寸信息与目标医学图像的标注区域尺寸信息不匹配,表明识别出候选非病灶区域与目标医学图像的实际非病灶区域之间存在较大差异,即识别出的候选非病灶区域的准确度比较低;因此,可根据标注区域尺寸信息对候选非病灶区域进行调整,得到目标医学图像的目标非病灶区域。也就是说,通过根据参考医学图像以及目标医学图像自动识别目标医学图像中的候选非病灶区域,不需要人工参与,可以提高识别非病灶区域的准确度和效率;并根据标注区域尺寸信息对识别出的候选非病灶区域进行调整,可以进一步提高识别非病灶区域的准确度。
应当理解,本申请实施例中所描述的计算机设备1000可执行前文图3所对应实施例中对上述医学图像处理方法的描述,也可执行前文图8所对应实施例中对上述医学图像处理装置的描述,在此不再赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。
本身请提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前文图3对应实施例中对上述医学图像处理方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述。
作为示例,上述程序指令可被部署在一个计算机设备上执行,或者被部署位于一个地点的多个计算机设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算机设备上执行,分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链网络。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,上述的存储介质可为磁盘、光盘、只读存储器(Read-Only Memory,ROM)或随机存储器(Random Access Memory,RAM)等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (15)
1.一种医学图像处理方法,其特征在于,包括:
获取医学图像集合;所述医学图像集合包括参考医学图像、待识别的目标医学图像以及所述目标医学图像的非病灶区域的标注区域尺寸信息,所述目标医学图像包括病灶区域和非病灶区域,所述参考医学图像包括病灶区域;
对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域;
确定所述候选非病灶区域的区域尺寸信息,作为候选区域尺寸信息;
若所述候选区域尺寸信息与所述标注区域尺寸信息不匹配,则根据所述标注区域尺寸信息对所述候选非病灶区域进行调整,得到所述目标医学图像的目标非病灶区域。
2.如权利要求1所述的方法,其特征在于,所述对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域,包括:
将所述参考医学图像转换为目标颜色空间下的图像,得到转换后的参考医学图像,将所述目标医学图像转换为所述目标颜色空间下的图像,得到转换后的目标医学图像;
获取所述转换后的参考医学图像中的像素点的亮度信息以及所述转换后的目标医学图像中的像素点的亮度信息;
根据所述转换后的参考医学图像中的像素点的亮度信息以及所述转换后的目标医学图像中的像素点的亮度信息,对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域。
3.如权利要求2所述的方法,其特征在于,所述根据所述转换后的参考医学图像中的像素点的亮度信息以及所述转换后的目标医学图像中的像素点的亮度信息,对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域,包括:
获取所述转换后的参考医学图像中的像素点的亮度信息以及所述转换后的目标医学图像中的对应像素点的亮度信息之间的差异度;
从所述转换后的目标医学图像中识别亮度信息对应差异度大于差异度阈值的像素点,作为第一目标像素点;
将所述第一目标像素点在所述目标医学图像中所在的区域,确定为所述目标医学图像中的候选非病灶区域。
4.如权利要求1所述的方法,其特征在于,所述候选区域尺寸信息包括所述候选非病灶区域在所述目标医学图像中的候选区域占比;所述标注区域尺寸信息包括所述目标医学图像中的非病灶区域在所述目标医学图像中的标注区域占比;
所述若所述候选区域尺寸信息与所述标注区域尺寸信息不匹配,则根据所述标注区域尺寸信息对所述候选非病灶区域进行调整,得到所述目标医学图像的目标非病灶区域,包括:
获取所述候选区域占比与所述标注区域占比之间的区域占比差值;
若所述区域占比差值大于占比阈值,则确定所述候选区域尺寸信息与所述标注区域尺寸信息不匹配;
根据所述标注区域占比对所述候选非病灶区域进行调整,得到所述目标非病灶区域。
5.如权利要求4所述的方法,其特征在于,所述根据所述标注区域占比对所述候选非病灶区域进行调整,得到所述目标非病灶区域,包括:
若所述候选区域占比小于所述标注区域占比,则根据所述标注区域占比对所述候选非病灶区域进行扩展处理,得到所述目标非病灶区域;
若所述候选区域占比大于所述标注区域占比,则根据所述标注区域占比对所述候选非病灶区域进行缩小处理,得到所述目标非病灶区域。
6.如权利要求5所述的方法,其特征在于,所述若所述候选区域占比小于所述标注区域占比,则根据所述标注区域占比对所述候选非病灶区域进行扩展处理,得到所述目标非病灶区域,包括:
若所述候选区域占比小于所述标注区域占比,则获取扩展参数,所述扩展参数包括扩展形状以及扩展尺寸;
按照所述扩展参数对所述候选非病灶区域进行迭代扩展,得到扩展后的候选非病灶区域;
获取所述扩展后的候选非病灶区域在所述目标医学图像中的区域占比,作为扩展区域占比;
将所述扩展区域占比与所述标注区域占比之间的区域占比差值小于所述占比阈值的扩展后的候选非病灶区域,确定为所述目标非病灶区域。
7.如权利要求5所述的方法,其特征在于,所述若所述候选区域占比小于所述标注区域占比,则根据所述标注区域占比对所述候选非病灶区域进行扩展处理,得到所述目标非病灶区域,包括:
若所述候选区域占比小于所述标注区域占比,则获取所述目标医学图像中与所述候选非病灶区域相邻的像素点的像素值,以及所述候选非病灶区域中的像素点的像素值;
根据所述候选非病灶区域中的像素点的像素值,以及与所述候选非病灶区域相邻的像素点的像素值,对所述候选非病灶区域中的像素点以及所述候选非病灶区域相邻的像素点进行聚类处理,得到聚类区域;
获取所述聚类区域在所述目标医学图像中的区域占比,作为聚类区域占比;
若所述聚类区域占比与所述标注区域占比之间的区域占比差值小于所述占比阈值,则将所述聚类区域确定为所述目标非病灶区域。
8.如权利要求7所述的方法,其特征在于,所述根据所述候选非病灶区域中的像素点的像素值,以及与所述候选非病灶区域相邻的像素点的像素值,对所述候选非病灶区域中的像素点以及所述候选非病灶区域相邻的像素点进行聚类处理,得到聚类区域,包括:
获取与所述候选非病灶区域相邻的像素点的像素值和所述候选非病灶区域中的像素点的像素值之间的像素差值;
从与所述候选非病灶区域相邻的像素点中确定对应像素差值小于像素差值阈值的像素点,作为第二目标像素点;
将所述目标医学图像中所述第二目标像素点所在的区域与所述候选非病灶区域进行合并,得到所述聚类区域。
9.如权利要求5所述的方法,其特征在于,所述若所述候选区域占比大于所述标注区域占比,则根据所述标注区域占比对所述候选非病灶区域进行缩小处理,得到所述目标非病灶区域,包括:
若所述候选区域占比大于所述标注区域占比,则获取缩小处理参数,所述缩小处理参数包括缩小处理的形状以及缩小处理的尺寸;
按照所述缩小处理参数对所述候选非病灶区域进行迭代缩小处理,得到缩小处理后的候选非病灶区域;
获取所述缩小处理后的候选非病灶区域在所述目标医学图像中的区域占比,作为缩小处理后的区域占比;
将所述缩小处理后的区域占比与所述标注区域占比之间的区域占比差值小于所述占比阈值的缩小处理后的候选非病灶区域,确定为所述目标非病灶区域。
10.如权利要求1所述的方法,其特征在于,所述候选区域尺寸信息包括所述候选非病灶区域的候选区域尺寸;所述标注区域尺寸信息包括所述目标医学图像中的非病灶区域的标注区域尺寸;
所述若所述候选区域尺寸信息与所述标注区域尺寸信息不匹配,则根据所述标注区域尺寸信息对所述候选非病灶区域进行调整,得到所述目标医学图像的目标非病灶区域,包括:
获取所述候选区域尺寸与所述标注区域尺寸之间的区域尺寸差值;
若所述区域尺寸差值大于尺寸阈值,则确定所述候选区域尺寸信息与所述标注区域尺寸信息不匹配;
根据所述标注区域尺寸对所述候选非病灶区域进行调整,得到所述目标非病灶区域。
11.如权利要求4所述的方法,其特征在于,所述确定所述候选非病灶区域的区域尺寸信息,作为候选区域尺寸信息,包括:
获取所述候选非病灶区域的区域尺寸,以及所述目标医学图像的图像尺寸,将所述候选非病灶区域的区域尺寸与所述目标医学图像的图像尺寸之间的比值,确定为所述候选区域占比;或者,
获取所述候选非病灶区域中的像素点数量,以及所述目标医学图像中的像素点数量,将所述候选非病灶区域中的像素点数量与所述目标医学图像中的像素点数量之间的比值,确定为所述候选区域占比;
将所述候选区域占比确定为所述候选区域尺寸信息。
12.如权利要求1所述的方法,其特征在于,所述方法还包括:
在所述目标医学图像中对所述目标非病灶区域进行标注,得到标注的目标医学图像;
采用图像分割模型对所述目标医学图像进行预测,得到所述目标医学图像中的预测非病灶区域,在所述目标医学图像中对所述预测非病灶区域进行标注,得到预测的目标医学图像;
根据所述标注的目标医学图像以及所述预测的目标医学图像对所述图像分割模型进行调整,得到目标医学图像分割模型。
13.如权利要求12所述的方法,其特征在于,所述根据所述标注的目标医学图像以及所述预测的目标医学图像对所述图像分割模型进行调整,得到目标医学图像分割模型,包括:
根据所述标注的目标医学图像以及所述预测的目标医学图像确定所述图像分割模型的预测损失值;
若所述预测损失值不满足收敛条件,则根据所述预测损失值对所述图像分割模型进行调整,得到目标医学图像分割模型。
14.如权利要求12所述的方法,其特征在于,所述在所述目标医学图像中对所述目标非病灶区域进行标注,得到标注的目标医学图像,包括:
根据所述目标非病灶区域中的像素点,对所述目标医学图像进行二值化处理;
将二值化处理后的目标医学图像确定为所述标注的目标医学图像。`
15.一种医学图像处理装置,其特征在于,包括:
获取模块,用于获取医学图像集合;所述医学图像集合包括参考医学图像、待识别的目标医学图像以及所述目标医学图像的非病灶区域的标注区域尺寸信息,所述目标医学图像包括病灶区域和非病灶区域,所述参考医学图像包括病灶区域;
识别模块,用于对所述参考医学图像以及所述目标医学图像进行差异识别,得到所述目标医学图像中的候选非病灶区域;
确定模块,用于确定所述候选非病灶区域的区域尺寸信息,作为候选区域尺寸信息;
调整模块,用于若所述候选区域尺寸信息与所述标注区域尺寸信息不匹配,则根据所述标注区域尺寸信息对所述候选非病灶区域进行调整,得到所述目标医学图像的目标非病灶区域。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011205406.5A CN112330624A (zh) | 2020-11-02 | 2020-11-02 | 医学图像处理方法和装置 |
JP2023513235A JP7391267B2 (ja) | 2020-11-02 | 2021-10-19 | 医用画像処理方法、装置、機器、記憶媒体及びコンピュータプログラム |
PCT/CN2021/124781 WO2022089257A1 (zh) | 2020-11-02 | 2021-10-19 | 医学图像处理方法、装置、设备、存储介质及产品 |
EP21884985.9A EP4181059A4 (en) | 2020-11-02 | 2021-10-19 | MEDICAL IMAGE PROCESSING METHOD, APPARATUS, DEVICE, COMPUTER STORAGE MEDIUM AND PRODUCT |
US17/974,453 US20230052133A1 (en) | 2020-11-02 | 2022-10-26 | Medical image processing method and apparatus, device, storage medium, and product |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011205406.5A CN112330624A (zh) | 2020-11-02 | 2020-11-02 | 医学图像处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112330624A true CN112330624A (zh) | 2021-02-05 |
Family
ID=74324366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011205406.5A Pending CN112330624A (zh) | 2020-11-02 | 2020-11-02 | 医学图像处理方法和装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230052133A1 (zh) |
EP (1) | EP4181059A4 (zh) |
JP (1) | JP7391267B2 (zh) |
CN (1) | CN112330624A (zh) |
WO (1) | WO2022089257A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113539439A (zh) * | 2021-07-16 | 2021-10-22 | 数坤(北京)网络科技股份有限公司 | 医学图像的处理方法、装置、计算机设备和存储介质 |
WO2022089257A1 (zh) * | 2020-11-02 | 2022-05-05 | 腾讯科技(深圳)有限公司 | 医学图像处理方法、装置、设备、存储介质及产品 |
WO2022247573A1 (zh) * | 2021-05-26 | 2022-12-01 | 腾讯科技(深圳)有限公司 | 模型训练方法、图像处理方法、装置、设备及存储介质 |
CN115423723A (zh) * | 2022-10-14 | 2022-12-02 | 哈尔滨市科佳通用机电股份有限公司 | 自适应铁路货车异常检测训练集图像增强方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934812B (zh) * | 2019-03-08 | 2022-12-09 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、服务器及存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6955303B2 (ja) | 2017-04-12 | 2021-10-27 | 富士フイルム株式会社 | 医用画像処理装置および方法並びにプログラム |
BR112019022447A2 (pt) | 2017-04-27 | 2020-06-09 | Bober Miroslaw | sistema e método para análise de imagem funduscópica automatizada |
CN108615051B (zh) | 2018-04-13 | 2020-09-15 | 博众精工科技股份有限公司 | 基于深度学习的糖尿病视网膜图像分类方法及系统 |
CN110909756A (zh) | 2018-09-18 | 2020-03-24 | 苏宁 | 用于医学图像识别的卷积神经网络模型训练方法和装置 |
CN110148113A (zh) | 2019-04-02 | 2019-08-20 | 成都真实维度科技有限公司 | 一种基于断层扫描图数据的病灶靶区信息标注方法 |
CN110910348B (zh) * | 2019-10-22 | 2022-12-20 | 上海联影智能医疗科技有限公司 | 一种肺结节的位置分类方法、装置、设备及存储介质 |
CN111062390A (zh) * | 2019-12-18 | 2020-04-24 | 北京推想科技有限公司 | 感兴趣区域标注方法、装置、设备和存储介质 |
CN111291813B (zh) * | 2020-02-13 | 2023-10-31 | 腾讯科技(深圳)有限公司 | 图像标注方法、装置、计算机设备和存储介质 |
CN111127466B (zh) | 2020-03-31 | 2021-06-11 | 上海联影智能医疗科技有限公司 | 医学图像检测方法、装置、设备及存储介质 |
CN112330624A (zh) * | 2020-11-02 | 2021-02-05 | 腾讯科技(深圳)有限公司 | 医学图像处理方法和装置 |
-
2020
- 2020-11-02 CN CN202011205406.5A patent/CN112330624A/zh active Pending
-
2021
- 2021-10-19 EP EP21884985.9A patent/EP4181059A4/en active Pending
- 2021-10-19 WO PCT/CN2021/124781 patent/WO2022089257A1/zh unknown
- 2021-10-19 JP JP2023513235A patent/JP7391267B2/ja active Active
-
2022
- 2022-10-26 US US17/974,453 patent/US20230052133A1/en active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022089257A1 (zh) * | 2020-11-02 | 2022-05-05 | 腾讯科技(深圳)有限公司 | 医学图像处理方法、装置、设备、存储介质及产品 |
WO2022247573A1 (zh) * | 2021-05-26 | 2022-12-01 | 腾讯科技(深圳)有限公司 | 模型训练方法、图像处理方法、装置、设备及存储介质 |
CN113539439A (zh) * | 2021-07-16 | 2021-10-22 | 数坤(北京)网络科技股份有限公司 | 医学图像的处理方法、装置、计算机设备和存储介质 |
CN113539439B (zh) * | 2021-07-16 | 2022-05-10 | 数坤(北京)网络科技股份有限公司 | 医学图像的处理方法、装置、计算机设备和存储介质 |
CN115423723A (zh) * | 2022-10-14 | 2022-12-02 | 哈尔滨市科佳通用机电股份有限公司 | 自适应铁路货车异常检测训练集图像增强方法 |
Also Published As
Publication number | Publication date |
---|---|
US20230052133A1 (en) | 2023-02-16 |
EP4181059A1 (en) | 2023-05-17 |
JP7391267B2 (ja) | 2023-12-04 |
WO2022089257A1 (zh) | 2022-05-05 |
EP4181059A4 (en) | 2024-01-10 |
JP2023539483A (ja) | 2023-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108509915B (zh) | 人脸识别模型的生成方法和装置 | |
Goh et al. | Micro-expression recognition: an updated review of current trends, challenges and solutions | |
CN110689025B (zh) | 图像识别方法、装置、系统及内窥镜图像识别方法、装置 | |
CN112330624A (zh) | 医学图像处理方法和装置 | |
CN112801057B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN111739027B (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
CN110796199A (zh) | 一种图像处理方法、装置以及电子医疗设备 | |
WO2021057148A1 (zh) | 基于神经网络的脑组织分层方法、装置、计算机设备 | |
US20240112329A1 (en) | Distinguishing a Disease State from a Non-Disease State in an Image | |
CN112446322A (zh) | 眼球特征检测方法、装置、设备及计算机可读存储介质 | |
CN114330499A (zh) | 分类模型的训练方法、装置、设备、存储介质及程序产品 | |
CN111127400A (zh) | 一种乳腺病变检测方法和装置 | |
CN116188392A (zh) | 图像处理方法、计算机可读存储介质以及计算机终端 | |
CN114332993A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN114548213A (zh) | 模型训练方法、图像识别方法、终端设备及计算机介质 | |
CN112464827B (zh) | 口罩佩戴识别方法、装置、设备及存储介质 | |
CN114529750A (zh) | 图像分类方法、装置、设备及存储介质 | |
CN113781387A (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
CN116758622A (zh) | 用于出勤管理系统的数据处理方法、装置、系统及介质 | |
CN116805522A (zh) | 诊断报告输出方法、装置、终端及存储介质 | |
CN113723310B (zh) | 基于神经网络的图像识别方法及相关装置 | |
CN113469049B (zh) | 一种疾病信息识别方法、系统、装置及存储介质 | |
CN111598144B (zh) | 图像识别模型的训练方法和装置 | |
CN111582404B (zh) | 内容分类方法、装置及可读存储介质 | |
CN113822846A (zh) | 医学图像中确定感兴趣区域的方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40038711 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |