CN112365433B - Ct图像处理方法、装置、存储介质及电子设备 - Google Patents
Ct图像处理方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112365433B CN112365433B CN202011192724.2A CN202011192724A CN112365433B CN 112365433 B CN112365433 B CN 112365433B CN 202011192724 A CN202011192724 A CN 202011192724A CN 112365433 B CN112365433 B CN 112365433B
- Authority
- CN
- China
- Prior art keywords
- image
- windowed
- model
- processing
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 218
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 71
- 238000012549 training Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 12
- 241001270131 Agaricus moelleri Species 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009394 selective breeding Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 241001085205 Prenanthella exigua Species 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 210000001370 mediastinum Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开涉及一种CT图像处理方法、装置、存储介质及电子设备，所述方法包括：获取待处理的CT图像；根据预设的多种目标窗信息分别对所述CT图像进行加窗处理，获得所述CT图像对应的多个加窗图层，其中，目标窗信息包括目标窗宽信息和目标窗位信息，每一加窗图层为所述CT图像通过一种目标窗信息进行加窗处理所得的图像；将所述CT图像对应的多个加窗图层输入图像处理模型，获得所述CT图像的处理结果。由此可以通过对CT图像进行分层，从而可以使得CT图像的每一图层分别为通过一种目标窗信息进行加窗处理的图像，以获得该CT图像更加全面的特征，有效避免对CT图像加窗处理过程中的特征缺失，提高CT图像处理结果的准确性。
Description
技术领域
本公开涉及图像处理领域，具体地，涉及一种CT图像处理方法、装置、存储介质及电子设备。
背景技术
在目前CT(Computed Tomography，电子计算机断层扫描)图像的处理过程中，在需要观察不同的病灶时需要将该CT图像调节至不同的显示窗口，如观察肺结节、肺癌等肺部疾病时，需要将CT图像调节到肺窗，可以清晰地观察到肺部纹理呈亮白清透，而四周软组织则是暗色，同样的也存在纵膈窗等其他窗口。由于人眼可区分的灰度是有限的，则可以设置不同的窗口以清晰地看清CT图像的各个方面。
现有技术中，在对CT图像进行处理时，通常会先设置需要对该CT图像处理所对应的窗口信息，以对CT图像进行预处理，然而在上述过程中只能通过单一窗口信息进行处理，并且可能会删除掉部分人眼无法观察到、而可以通过计算机技术进行分析的特征信息，导致CT图像处理过程中特征缺失。
发明内容
本公开的目的是提供一种特征全面、准确性高的CT图像处理方法、装置、存储介质及电子设备。
为了实现上述目的，根据本公开的第一方面，提供一种CT图像处理方法，所述方法包括：
获取待处理的CT图像；
根据预设的多种目标窗信息分别对所述CT图像进行加窗处理，获得所述CT图像对应的多个加窗图层，其中，目标窗信息包括目标窗宽信息和目标窗位信息，每一加窗图层为所述CT图像通过一种目标窗信息进行加窗处理所得的图像；
将所述CT图像对应的多个加窗图层输入图像处理模型，获得所述CT图像的处理结果。
可选地，所述图像处理模型包括第一处理子模型、第二处理子模型和第三处理子模型，所述图像处理模型中包括与所述加窗图层一一对应的掩膜矩阵，所述将所述CT图像对应的多个加窗图层输入图像处理模型，获得所述CT图像的处理结果，包括：
将所述CT图像对应的每一所述加窗图层输入所述第一处理子模型，以根据与该加窗图层对应的掩膜矩阵对该加窗图层进行处理，获得该加窗图层对应的特征图层；
通过所述第二处理子模型对每一所述加窗图层对应的特征图层进行融合，获得所述CT图像对应的多通道目标图像；
将所述多通道目标图像输入所述第三处理子模型，获得所述CT图像的处理结果。
可选地，所述掩膜矩阵中的元素与所述CT图像中的像素点一一对应；
所述将所述CT图像对应的每一所述加窗图层输入所述第一处理子模型，以根据与该加窗图层对应的掩膜矩阵对该加窗图层进行处理，获得该加窗图层对应的特征图层，包括：
针对每一所述加窗图层，将所述加窗图层中的每一像素点的像素值、以及该加窗图层对应的掩膜矩阵中与该像素点对应的元素的元素值的乘积确定为该特征图层中该像素点的像素值，以获得该加窗图层对应的特征图层。
可选地，所述图像处理模型通过以下方式获得：
获取训练样本，其中，所述训练样本中包括样本图像以及与所述样本图像对应的目标标签，所述样本图像为CT图像；
根据多种所述目标窗信息分别对所述样本图像进行加窗处理，获得所述样本图像与每一所述目标窗信息对应的多个样本加窗图层；
将所述样本图像对应的每一所述样本加窗图层作为模型的输入，将所述样本图像对应的目标标签作为所述模型的输出，对所述模型进行训练，获得所述图像处理模型。
可选地，所述图像处理模型中包括与所述样本加窗图层一一对应的掩膜矩阵，所述将所述样本图像对应的每一所述样本加窗图层作为模型的输入，将所述样本图像对应的目标标签作为所述模型的输出，对所述模型进行训练，获得所述图像处理模型，包括：
对每一所述掩膜矩阵进行卷积操作，并将进行卷积操作后获得的掩膜矩阵进行归一化映射，获得映射后的掩膜矩阵，其中，所述掩膜矩阵中的元素的元素值初始为1；
将所述样本图像对应的每一所述样本加窗图层和与该样本加窗图层对应的映射后的掩膜矩阵，获得所述样本图像对应的预测结果；
根据所述预测结果和所述样本图像对应的目标标签确定所述模型的损失值，在所述损失值大于预设阈值的情况下，根据所述损失值更新所述模型的参数，其中所述模型的参数包括所述对所述掩膜矩阵进行卷积操作的卷积参数。
可选地，所述方法还包括：
响应于模式选择指令，将所述模式选择指令指示的处理模式确定为所述CT图像对应的目标处理模式，其中，所述处理模式为CT图像分类、CT图像分割、CT图像中的目标物检测中的任一者；
所述将所述CT图像对应的多个加窗图层输入图像处理模型，获得所述CT图像的处理结果，包括：
将所述CT图像对应的多个所述加窗图层输入所述目标处理模式对应的图像处理模型，获得所述CT图像的处理结果。
根据本公开的第二方面，提供一种CT图像处理装置，所述装置包括：
获取模块，用于获取待处理的CT图像；
处理模块，用于根据预设的多种目标窗信息分别对所述CT图像进行加窗处理，获得所述CT图像对应的多个加窗图层，其中，目标窗信息包括目标窗宽信息和目标窗位信息，每一加窗图层为所述CT图像通过一种目标窗信息进行加窗处理所得的图像；
输入模块，用于将所述CT图像对应的多个加窗图层输入图像处理模型，获得所述CT图像的处理结果。
可选地，所述图像处理模型包括第一处理子模型、第二处理子模型和第三处理子模型，所述图像处理模型中包括与所述加窗图层一一对应的掩膜矩阵，所述输入模块包括：
第一输入子模块，用于将所述CT图像对应的每一所述加窗图层输入所述第一处理子模型，以根据与该加窗图层对应的掩膜矩阵对该加窗图层进行处理，获得该加窗图层对应的特征图层；
融合子模块，用于通过所述第二处理子模型对每一所述加窗图层对应的特征图层进行融合，获得所述CT图像对应的多通道目标图像；
第二输入子模块，用于将所述多通道目标图像输入所述第三处理子模型，获得所述CT图像的处理结果。
可选地，所述掩膜矩阵中的元素与所述CT图像中的像素点一一对应；
所述第一输入子模块包括：
针对每一所述加窗图层，将所述加窗图层中的每一像素点的像素值、以及该加窗图层对应的掩膜矩阵中与该像素点对应的元素的元素值的乘积确定为该特征图层中该像素点的像素值，以获得该加窗图层对应的特征图层。
可选地，所述图像处理模型通过以下方式获得：
获取训练样本，其中，所述训练样本中包括样本图像以及与所述样本图像对应的目标标签，所述样本图像为CT图像；
根据多种所述目标窗信息分别对所述样本图像进行加窗处理，获得所述样本图像与每一所述目标窗信息对应的多个样本加窗图层；
将所述样本图像对应的每一所述样本加窗图层作为模型的输入，将所述样本图像对应的目标标签作为所述模型的输出，对所述模型进行训练，获得所述图像处理模型。
可选地，所述图像处理模型中包括与所述样本加窗图层一一对应的掩膜矩阵，所述将所述样本图像对应的每一所述样本加窗图层作为模型的输入，将所述样本图像对应的目标标签作为所述模型的输出，对所述模型进行训练，获得所述图像处理模型，包括：
对每一所述掩膜矩阵进行卷积操作，并将进行卷积操作后获得的掩膜矩阵进行归一化映射，获得映射后的掩膜矩阵，其中，所述掩膜矩阵中的元素的元素值初始为1；
将所述样本图像对应的每一所述样本加窗图层和与该样本加窗图层对应的映射后的掩膜矩阵，获得所述样本图像对应的预测结果；
根据所述预测结果和所述样本图像对应的目标标签确定所述模型的损失值，在所述损失值大于预设阈值的情况下，根据所述损失值更新所述模型的参数，其中所述模型的参数包括所述对所述掩膜矩阵进行卷积操作的卷积参数。
可选地，所述装置还包括：
确定模块，用于响应于模式选择指令，将所述模式选择指令指示的处理模式确定为所述CT图像对应的目标处理模式，其中，所述处理模式为CT图像分类、CT图像分割、CT图像中的目标物检测中的任一者；
所述输入模块包括：
第三输入子模块，用于将所述CT图像对应的多个所述加窗图层输入所述目标处理模式对应的图像处理模型，获得所述CT图像的处理结果。
根据本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面任一所述方法的步骤。
根据本公开的第四方面，提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现上述第一方面任一项所述方法的步骤。
在上述技术方案中，获取待处理的CT图像，并根据预设的多种目标窗信息分别对所述CT图像进行加窗处理，获得所述CT图像对应的多个加窗图层，从而可以将所述CT图像对应的多个加窗图层输入图像处理模型，获得所述CT图像的处理结果。由此通过上述技术方案，可以通过对CT图像进行分层，从而可以使得CT图像的每一图层分别为通过一种目标窗信息进行加窗处理的图像，通过将CT图像基于不同的目标窗信息进行分层，以使得每一图层分别为显示对比度和CT显示范围不同的图像，通过图像分层的处理方式，可以便于后续CT图像中的特征的融合，提高CT图像的处理效率。并且，基于多个目标窗信息对CT图像进行加窗显示，使得在对该CT图像进行处理时可以关注该CT图像在多个窗信息下的特征信息，以获得该CT图像更加全面的特征，有效避免对CT图像加窗处理过程中的特征缺失，提高CT图像处理结果的准确性。另外，通过上述技术方案，无需根据用户经验设置窗信息，避免人为选择窗信息对CT图像处理结果的影响，进一步提高CT图像处理结果的准确性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据本公开的一种实施方式提供的CT图像处理方法的流程图；
图2是根据本公开的一种实施方式提供的获得所述CT图像的处理结果的示例性实现方式的流程图；
图3是根据本公开的一种实施方式提供的CT图像处理装置的框图；
图4是根据一示例性实施例示出的一种电子设备的框图；
图5是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1所示，为根据本公开的一种实施方式提供的CT图像处理方法的流程图，如图1所示，所述方法可以包括：
在步骤11中，获取待处理的CT图像，其中，该CT图像可以是通过任一CT设备获得的任一身体部位的CT图像。
在步骤12中，根据预设的多种目标窗信息分别对CT图像进行加窗处理，获得CT图像对应的多个加窗图层，其中，目标窗信息包括目标窗宽信息和目标窗位信息，每一加窗图层为所述CT图像通过一种目标窗信息进行加窗处理所得的图像。
在该步骤中，该目标窗信息的种类个数以及每种目标窗信息包括的目标窗宽信息、目标窗位信息可以根据实际使用场景进行设置，本公开对此不进行限定。
CT图像中能识别人体内2000个不同灰阶的密度差别，而如背景技术中所述，人眼可区分的灰阶是有限的，人眼能分辨16个灰阶，因此，人眼直接在CT图像上能分辨的CT值范围应为125Hu。换句话说，人体内不同组织对应的CT图像中的CT值只有在相差125Hu以上时，才能为人眼所分辨识别。因此，通常通过对CT图像进行加窗处理，从而将CT图像处理为便于人眼分辨的图像。
其中，窗宽信息可以用于表示CT图像中可以显示的CT值范围，窗位信息可以表示CT图像中观察的中心CT值。示例地，第一种目标窗信息可以为肝窗的窗信息，如窗宽信息为160Hu，窗位信息为30Hu，则在对CT图像进行加窗处理后，其可以显示的CT值范围即为(-50Hu，110Hu)。基于该窗信息对CT图像进行加窗处理，即将该CT图像中处于该CT值范围内的部分分为16个灰阶以使得人眼可以观察对比，即在CT图像中CT值相差10Hu的话，在加窗处理后所得的加窗图层中人眼即可分辨识别该部分区别，在CT图像中CT值小于-50Hu的部分可以显示为黑色，在CT图像中CT值大于110Hu的部分可以显示为白色。由此，通过该第一种目标窗信息可以对CT图像进行加窗处理，以获得第一加窗图层。
又如，第二种目标窗信息可以是腹窗的窗信息，其中目标窗宽信息为240Hu，目标窗位信息为40Hu，则通过该目标窗信息对CT图像进行加窗处理后获得的第二加窗图层中，每一个灰阶对应的CT值范围为15Hu，即在CT图像中CT值相差15Hu的话，在加窗处理后所得的加窗图层中人眼即可分辨识别该部分区别，并且该加窗图层中显示的CT值范围为(-80Hu，160Hu)。在CT图像中CT值小于-80Hu的部分可以显示为黑色，在CT图像中CT值大于160Hu的部分可以显示为白色。
由此，在该步骤中，根据每一目标窗信息对CT图像进行加窗处理，则可以将该CT图像处理为与每一目标窗信息对应的加窗图层，如根据上述两种目标窗信息对CT图像进行处理后获得的加窗图层中显示的CT值范围不同，其加窗图层的显示对比度也不相同，即在CT图像中同一部分可能在不同的加窗图层中显示为不同的灰阶。
由此，可以通过不同的目标窗信息对CT图像进行加窗处理，获得该CT图像在不同显示对比度和CT显示范围下的特征图像，并且将获得的多个加窗处理后的图像作为图层，可以对CT图像进行分层，其中每一图层包含的特征不同，以便于提取该CT图像中更加全面的图像特征。
在步骤13中，将CT图像对应的多个加窗图层输入图像处理模型，获得CT图像的处理结果。
在上述技术方案中，获取待处理的CT图像，并根据预设的多种目标窗信息分别对所述CT图像进行加窗处理，获得所述CT图像对应的多个加窗图层，从而可以将所述CT图像对应的多个加窗图层输入图像处理模型，获得所述CT图像的处理结果。由此通过上述技术方案，可以通过对CT图像进行分层，从而可以使得CT图像的每一图层分别为通过一种目标窗信息进行加窗处理的图像，通过将CT图像基于不同的目标窗信息进行分层，以使得每一图层分别为显示对比度和CT显示范围不同的图像，通过图像分层的处理方式，可以便于后续CT图像中的特征的融合，提高CT图像的处理效率。并且，基于多个目标窗信息对CT图像进行加窗显示，使得在对该CT图像进行处理时可以关注该CT图像在多个窗信息下的特征信息，以获得该CT图像更加全面的特征，有效避免对CT图像加窗处理过程中的特征缺失，提高CT图像处理结果的准确性。另外，通过上述技术方案，无需根据用户经验设置窗信息，避免人为选择窗信息对CT图像处理结果的影响，进一步提高CT图像处理结果的准确性。
可选地，所述图像处理模型包括第一处理子模型、第二处理子模型和第三处理子模型，所述图像处理模型中包括与所述加窗图层一一对应的掩膜矩阵，所述将所述CT图像对应的多个加窗图层输入图像处理模型，获得所述CT图像的处理结果的示例性实现方式如下，如图2所示，该步骤可以包括：
在步骤21中，将CT图像对应的每一加窗图层输入第一处理子模型，以根据与该加窗图层对应的掩膜矩阵对该加窗图层进行处理，获得该加窗图层对应的特征图层。
在一种可能的实施例中，所述掩膜矩阵中的元素与所述CT图像中的像素点一一对应；
相应地，在步骤21中，将CT图像对应的每一加窗图层输入第一处理子模型，以根据与该加窗图层对应的掩膜矩阵对该加窗图层进行处理，获得该加窗图层对应的特征图层的示例性实现方式如下，可以包括：
针对每一所述加窗图层，将所述加窗图层中的每一像素点的像素值、以及该加窗图层对应的掩膜矩阵中与该像素点对应的元素的元素值的乘积确定为该特征图层中该像素点的像素值，以获得该加窗图层对应的特征图层。
示例地，加窗图层表示为Amn，掩膜矩阵表示为Bmn，加窗图层对应的特征图层表示为Cmn，则针对于加窗图层中的任一像素点的像素值Aij而言，其中，i∈[0,m-1],j∈[0,n-1]，可以将加窗图层中Aij与掩膜矩阵中Bij的乘积确定为特征图层中Cij，从而可以确定出特征图层中每一像素点的像素值，即获得该加窗图层对应的特征图层。
其中，与每一加窗图层对应的掩膜矩阵中的元素值均为在图像处理模型的训练过程中确定出的。由此，通过上述技术方案，可以基于与加窗图层对应的掩膜矩阵对该加窗图层中的像素点的特征进行筛选，提高特征筛选的精度，从而获得用于进行CT图像处理的有效特征，提高特征图层中所包含的图像特征的准确性和有效性，为后续基于该特征图层进一步确定CT图像的处理结果提供准确的数据支持。
转回图2，在步骤22中，通过第二处理子模型对每一加窗图层对应的特征图层进行融合，获得CT图像对应的多通道目标图像，其中每一加窗图层对应的特征图层可以对应于多通道目标图像的一个通道，该图像融合的方式为本领域中的常规技术，在此不再赘述。
在步骤23中，将多通道目标图像输入第三处理子模型，获得CT图像的处理结果。
由此，通过上述技术方案，在多通道目标图像中可以包含CT图像在多种目标窗信息下的显示特征，通过先确定CT图像与每一目标窗信息对应的加窗图层的特征图层，可以针对每一目标窗信息中的特征进行筛选，提高确定出的特征图层中所包含特征的全面性和有效性，通过提高每一目标窗信息下的特征图层的特征准确性以提高多通道目标图像的准确度，进而提高处理结果的准确度。
在一种可能的实施例中，所述方法还包括：
响应于模式选择指令，将所述模式选择指令指示的处理模式确定为所述CT图像对应的目标处理模式，其中，所述处理模式为CT图像分类、CT图像分割、CT图像中的目标物检测中的任一者。
在一种可能的实施例中，对CT图像的处理模式可以有多种，用户在进行CT图像处理时，可以选择其想要对该CT图像进行处理的处理模式，从而触发该模式选择指令，以便于根据该模式选择指令确定对CT图像进行处理的目标处理模式。其中，CT图像分类的类别可以为多种，其具体的分类可以根据实际使用场景进行设置，同样地，CT图像分割对应的分割信息和CT图像中的目标物检测中的目标物类型的种类也可以根据实际使用场景进行设置，本公开对此不进行限定。
示例地，每一处理模式可以分别对应有图像处理模型，所述图像处理模型可以通过以下方式训练获得：
获取训练样本，其中，所述训练样本中包括样本图像以及与所述样本图像对应的目标标签，所述样本图像为CT图像；
根据多种所述目标窗信息分别对所述样本图像进行加窗处理，获得所述样本图像与每一所述目标窗信息对应的多个样本加窗图层；
将所述样本图像对应的每一所述样本加窗图层作为模型的输入，将所述样本图像对应的目标标签作为所述模型的输出，对所述模型进行训练，获得所述图像处理模型。
其中，目标标签与处理模式相对应，例如，处理模式为CT图像分类时，训练样本中的样本图像对应的目标标签即为该样本图像所属的类别信息，处理模式为CT图像分割时，训练样本中的样本图像对应的目标标签即为该样本图像中每一部分分别对应的分割信息，处理模式为CT图像中的目标物检测时，训练样本中的样本图像对应的目标标签即为该样本图像中所包含的目标物信息。
在一种可能的实施例中，所述图像处理模型中包括与所述样本加窗图层一一对应的掩膜矩阵，所述将所述样本图像对应的每一所述样本加窗图层作为模型的输入，将所述样本图像对应的目标标签作为所述模型的输出，对所述模型进行训练，获得所述图像处理模型的示例性实现方式如下，该步骤可以包括：
对每一所述掩膜矩阵进行卷积操作，并将进行卷积操作后获得的掩膜矩阵进行归一化映射，获得映射后的掩膜矩阵，其中，所述掩膜矩阵中的元素的元素值初始为1。
其中，所述掩膜矩阵中的元素与所述CT图像中的像素点一一对应。示例地，可以通过相同的卷积核对每一所述掩膜矩阵进行卷积操作，并将进行卷积操作后获得的掩膜矩阵通过sigmoid函数进行归一化映射，从而使得映射后的掩膜矩阵中的每一元素的元素值取值为0-1之间的数值，实现对该CT图像中的像素点的动态选择。其中，sigmoid函数为本领域中常用的激活函数，在此不再赘述。
之后，将所述样本图像对应的每一所述样本加窗图层和与该样本加窗图层对应的映射后的掩膜矩阵，获得所述样本图像对应的预测结果。
示例地，所述图像处理模型包括第一处理子模型、第二处理子模型和第三处理子模型，则在该步骤中，可以将所述样本图像对应的每一所述样本加窗图层输入所述第一处理子模型，以根据与该加窗图层对应的映射后的掩膜矩阵对该样本加窗图层进行处理，获得该样本加窗图层对应的样本特征图层；通过所述第二处理子模型对每一所述样本加窗图层对应的样本特征图层进行融合，获得所述样本图像对应的样本多通道目标图像；将所述样本多通道目标图像输入所述第三处理子模型，获得与所述样本图像的预测结果，处理结果。其中上述步骤的具体实现方式已在上文进行详述，在此不再赘述。
在获得样本图像对应的预测结果后，根据所述预测结果和所述样本图像对应的目标标签确定所述模型的损失值，在所述损失值大于预设阈值的情况下，根据所述损失值更新所述模型的参数，其中所述模型的参数包括所述对所述掩膜矩阵进行卷积操作的卷积参数。在损失值小于或等于预设阈值时，将当前的模型确定为该图像处理模型。
在该实施例中，通过调节该卷积参数以逐渐提高掩膜矩阵进行像素特征筛选的准确度，调整的模型的参数还可以包括第三处理子模型的参数，以进一步提高预测结果的准确度，从而提高该图像处理模型输出结果的准确性。
由此，通过上述技术方案，可以针对对CT图像的每一处理任务训练对应的图像处理模型，保证对CT图像处理的精度，同时可以提高CT图像处理结果的准确度，贴合用户的使用需求，为基于CT图像进行后续分析提供支持。
每一处理模式可以分别对应有图像处理模型，每一处理模式对应的图像处理模型可以根据上文所述训练方式进行训练。相应地，在步骤13中，将CT图像对应的多个加窗图层输入图像处理模型，获得CT图像的处理结果的示例性实现方式如下，该步骤可以包括：
将所述CT图像对应的多个所述加窗图层输入所述目标处理模式对应的图像处理模型，获得所述CT图像的处理结果。
示例地，确定CT图像对应的目标处理模式为CT图像分类，则可以将上述多个加窗图层输入CT图像分类对应的图像处理模型，则获得的CT图像的处理结果可以是该CT图像所属的类别。
由此，通过上述技术方案，可以在对CT图像进行处理时，根据用户选择的目标处理模式，基于该目标处理模式对应的图像处理模型对CT图像进行处理，可以对CT图像进行针对性的处理，贴合用户的使用需求，同时可以提高CT图像的处理结果的准确性，为基于该处理结果进行后续处理提供准确的数据基础。
本公开还提供一种CT图像处理装置，如图3所示，所述装置10包括：
获取模块100，用于获取待处理的CT图像；
处理模块200，用于根据预设的多种目标窗信息分别对所述CT图像进行加窗处理，获得所述CT图像对应的多个加窗图层，其中，目标窗信息包括目标窗宽信息和目标窗位信息，每一加窗图层为所述CT图像通过一种目标窗信息进行加窗处理所得的图像；
输入模块300，用于将所述CT图像对应的多个加窗图层输入图像处理模型，获得所述CT图像的处理结果。
可选地，所述图像处理模型包括第一处理子模型、第二处理子模型和第三处理子模型，所述图像处理模型中包括与所述加窗图层一一对应的掩膜矩阵，所述输入模块包括：
第一输入子模块，用于将所述CT图像对应的每一所述加窗图层输入所述第一处理子模型，以根据与该加窗图层对应的掩膜矩阵对该加窗图层进行处理，获得该加窗图层对应的特征图层；
融合子模块，用于通过所述第二处理子模型对每一所述加窗图层对应的特征图层进行融合，获得所述CT图像对应的多通道目标图像；
第二输入子模块，用于将所述多通道目标图像输入所述第三处理子模型，获得所述CT图像的处理结果。
可选地，所述掩膜矩阵中的元素与所述CT图像中的像素点一一对应；
所述第一输入子模块包括：
针对每一所述加窗图层，将所述加窗图层中的每一像素点的像素值、以及该加窗图层对应的掩膜矩阵中与该像素点对应的元素的元素值的乘积确定为该特征图层中该像素点的像素值，以获得该加窗图层对应的特征图层。
可选地，所述图像处理模型通过以下方式获得：
获取训练样本，其中，所述训练样本中包括样本图像以及与所述样本图像对应的目标标签，所述样本图像为CT图像；
根据多种所述目标窗信息分别对所述样本图像进行加窗处理，获得所述样本图像与每一所述目标窗信息对应的多个样本加窗图层；
将所述样本图像对应的每一所述样本加窗图层作为模型的输入，将所述样本图像对应的目标标签作为所述模型的输出，对所述模型进行训练，获得所述图像处理模型。
可选地，所述图像处理模型中包括与所述样本加窗图层一一对应的掩膜矩阵，所述将所述样本图像对应的每一所述样本加窗图层作为模型的输入，将所述样本图像对应的目标标签作为所述模型的输出，对所述模型进行训练，获得所述图像处理模型，包括：
对每一所述掩膜矩阵进行卷积操作，并将进行卷积操作后获得的掩膜矩阵进行归一化映射，获得映射后的掩膜矩阵，其中，所述掩膜矩阵中的元素的元素值初始为1；
将所述样本图像对应的每一所述样本加窗图层和与该样本加窗图层对应的映射后的掩膜矩阵，获得所述样本图像对应的预测结果；
根据所述预测结果和所述样本图像对应的目标标签确定所述模型的损失值，在所述损失值大于预设阈值的情况下，根据所述损失值更新所述模型的参数，其中所述模型的参数包括所述对所述掩膜矩阵进行卷积操作的卷积参数。
可选地，所述装置还包括：
确定模块，用于响应于模式选择指令，将所述模式选择指令指示的处理模式确定为所述CT图像对应的目标处理模式，其中，所述处理模式为CT图像分类、CT图像分割、CT图像中的目标物检测中的任一者；
所述输入模块包括：
第三输入子模块，用于将所述CT图像对应的多个所述加窗图层输入所述目标处理模式对应的图像处理模型，获得所述CT图像的处理结果。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图4是根据一示例性实施例示出的一种电子设备700的框图。如图4所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出(I/O)接口704，以及通信组件705中的一者或多者。
其中，处理器701用于控制该电子设备700的整体操作，以完成上述的CT图像处理方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的CT图像处理方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的CT图像处理方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的CT图像处理方法。
图5是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图5，电子设备1900包括处理器1922，其数量可以为一个或多个，以及存储器1932，用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器1922可以被配置为执行该计算机程序，以执行上述的CT图像处理方法。
另外，电子设备1900还可以包括电源组件1926和通信组件1950，该电源组件1926可以被配置为执行电子设备1900的电源管理，该通信组件1950可以被配置为实现电子设备1900的通信，例如，有线或无线通信。此外，该电子设备1900还可以包括输入/输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM，LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的CT图像处理方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器1932，上述程序指令可由电子设备1900的处理器1922执行以完成上述的XCT图像处理方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的CT图像处理方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (7)
1.一种CT图像处理方法，其特征在于，所述方法包括：
获取待处理的CT图像；
根据预设的多种目标窗信息分别对所述CT图像进行加窗处理，获得所述CT图像对应的多个加窗图层，其中，目标窗信息包括目标窗宽信息和目标窗位信息，每一加窗图层为所述CT图像通过一种目标窗信息进行加窗处理所得的图像；
将所述CT图像对应的多个加窗图层输入图像处理模型，获得所述CT图像的处理结果；
其中，所述图像处理模型包括第一处理子模型、第二处理子模型和第三处理子模型，所述图像处理模型中包括与所述加窗图层一一对应的掩膜矩阵，所述将所述CT图像对应的多个加窗图层输入图像处理模型，获得所述CT图像的处理结果，包括：
将所述CT图像对应的每一所述加窗图层输入所述第一处理子模型，以根据与该加窗图层对应的掩膜矩阵对该加窗图层进行处理，获得该加窗图层对应的特征图层；
通过所述第二处理子模型对每一所述加窗图层对应的特征图层进行融合，获得所述CT图像对应的多通道目标图像；
将所述多通道目标图像输入所述第三处理子模型，获得所述CT图像的处理结果；
其中，所述掩膜矩阵中的元素与所述CT图像中的像素点一一对应；
所述将所述CT图像对应的每一所述加窗图层输入所述第一处理子模型，以根据与该加窗图层对应的掩膜矩阵对该加窗图层进行处理，获得该加窗图层对应的特征图层，包括：
针对每一所述加窗图层，将所述加窗图层中的每一像素点的像素值、以及该加窗图层对应的掩膜矩阵中与该像素点对应的元素的元素值的乘积确定为该特征图层中该像素点的像素值，以获得该加窗图层对应的特征图层。
2.根据权利要求1所述的方法，其特征在于，所述图像处理模型通过以下方式获得：
获取训练样本，其中，所述训练样本中包括样本图像以及与所述样本图像对应的目标标签，所述样本图像为CT图像；
根据多种所述目标窗信息分别对所述样本图像进行加窗处理，获得所述样本图像与每一所述目标窗信息对应的多个样本加窗图层；
将所述样本图像对应的每一所述样本加窗图层作为模型的输入，将所述样本图像对应的目标标签作为所述模型的输出，对所述模型进行训练，获得所述图像处理模型。
3.根据权利要求2所述的方法，其特征在于，所述图像处理模型中包括与所述样本加窗图层一一对应的掩膜矩阵，所述将所述样本图像对应的每一所述样本加窗图层作为模型的输入，将所述样本图像对应的目标标签作为所述模型的输出，对所述模型进行训练，获得所述图像处理模型，包括：
对每一所述掩膜矩阵进行卷积操作，并将进行卷积操作后获得的掩膜矩阵进行归一化映射，获得映射后的掩膜矩阵，其中，所述掩膜矩阵中的元素的元素值初始为1；
将所述样本图像对应的每一所述样本加窗图层和与该样本加窗图层对应的映射后的掩膜矩阵，获得所述样本图像对应的预测结果；
根据所述预测结果和所述样本图像对应的目标标签确定所述模型的损失值，在所述损失值大于预设阈值的情况下，根据所述损失值更新所述模型的参数，其中所述模型的参数包括所述对所述掩膜矩阵进行卷积操作的卷积参数。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
响应于模式选择指令，将所述模式选择指令指示的处理模式确定为所述CT图像对应的目标处理模式，其中，所述处理模式为CT图像分类、CT图像分割、CT图像中的目标物检测中的任一者；
所述将所述CT图像对应的多个加窗图层输入图像处理模型，获得所述CT图像的处理结果，包括：
将所述CT图像对应的多个所述加窗图层输入所述目标处理模式对应的图像处理模型，获得所述CT图像的处理结果。
5.一种CT图像处理装置，其特征在于，所述装置包括：
获取模块，用于获取待处理的CT图像；
处理模块，用于根据预设的多种目标窗信息分别对所述CT图像进行加窗处理，获得所述CT图像对应的多个加窗图层，其中，目标窗信息包括目标窗宽信息和目标窗位信息，每一加窗图层为所述CT图像通过一种目标窗信息进行加窗处理所得的图像；
输入模块，用于将所述CT图像对应的多个加窗图层输入图像处理模型，获得所述CT图像的处理结果；
所述图像处理模型包括第一处理子模型、第二处理子模型和第三处理子模型，所述图像处理模型中包括与所述加窗图层一一对应的掩膜矩阵，所述输入模块包括：
第一输入子模块，用于将所述CT图像对应的每一所述加窗图层输入所述第一处理子模型，以根据与该加窗图层对应的掩膜矩阵对该加窗图层进行处理，获得该加窗图层对应的特征图层；
融合子模块，用于通过所述第二处理子模型对每一所述加窗图层对应的特征图层进行融合，获得所述CT图像对应的多通道目标图像；
第二输入子模块，用于将所述多通道目标图像输入所述第三处理子模型，获得所述CT图像的处理结果；
所述掩膜矩阵中的元素与所述CT图像中的像素点一一对应；
所述第一输入子模块包括：
针对每一所述加窗图层，将所述加窗图层中的每一像素点的像素值、以及该加窗图层对应的掩膜矩阵中与该像素点对应的元素的元素值的乘积确定为该特征图层中该像素点的像素值，以获得该加窗图层对应的特征图层。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-4中任一项所述方法的步骤。
7.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-4中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011192724.2A CN112365433B (zh) | 2020-10-30 | 2020-10-30 | Ct图像处理方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011192724.2A CN112365433B (zh) | 2020-10-30 | 2020-10-30 | Ct图像处理方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112365433A CN112365433A (zh) | 2021-02-12 |
| CN112365433B true CN112365433B (zh) | 2024-01-30 |
Family
ID=74513903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011192724.2A Active CN112365433B (zh) | 2020-10-30 | 2020-10-30 | Ct图像处理方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112365433B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115239674B (zh) * | 2022-07-29 | 2023-06-23 | 中国人民解放军总医院第一医学中心 | 基于多尺度判别的计算机血管造影成像合成方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111062928A (zh) * | 2019-12-19 | 2020-04-24 | 安徽威奥曼机器人有限公司 | 一种医学ct图像中病变的识别方法 |
| CN111429379A (zh) * | 2020-04-01 | 2020-07-17 | 山东大学 | 一种基于自监督学习的低剂量ct图像去噪方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3814984B1 (en) * | 2018-07-29 | 2024-04-17 | Zebra Medical Vision Ltd. | Systems and methods for automated detection of visual objects in medical images |
-
2020
- 2020-10-30 CN CN202011192724.2A patent/CN112365433B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111062928A (zh) * | 2019-12-19 | 2020-04-24 | 安徽威奥曼机器人有限公司 | 一种医学ct图像中病变的识别方法 |
| CN111429379A (zh) * | 2020-04-01 | 2020-07-17 | 山东大学 | 一种基于自监督学习的低剂量ct图像去噪方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Zihao Li等.MVP-Net: Multi-view FPN with Position-Aware Attention for Deep Universal Lesion Detection.《Lecture Notes in Computer Science》.2019,第11769卷13-21. * |
| 贾晓.区域特性保持的低剂量CT精准成像.《中国博士学位论文全文数据库 医药卫生科技辑》.2019,(第9期),E060-36. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112365433A (zh) | 2021-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108986085B (zh) | Ct图像肺结节检测方法、装置、设备及可读存储介质 | |
| JP2022517925A (ja) | 画像処理方法および装置、電子機器、記憶媒体およびコンピュータプログラム | |
| CN111816312B (zh) | 基于模型解释的健康状态检测方法、设备及可读存储介质 | |
| CN110933312B (zh) | 拍照控制方法及相关产品 | |
| CN112365433B (zh) | Ct图像处理方法、装置、存储介质及电子设备 | |
| US20240153271A1 (en) | Method and apparatus for selecting cover of video, computer device, and storage medium | |
| CN111815606B (zh) | 图像质量评估方法、存储介质及计算装置 | |
| CN110458875A (zh) | 异常点对的检测方法、图像拼接方法、相应装置及设备 | |
| CN115297267B (zh) | 一种用于校准图像采集模组曝光时长的方法以及装置 | |
| CN111028212A (zh) | 关键点检测方法、装置、计算机设备和存储介质 | |
| CN112365507B (zh) | Ct图像处理方法、装置、存储介质及电子设备 | |
| CN111724447B (zh) | 一种图像处理方法、系统及电子设备和存储介质 | |
| CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
| CN112330787B (zh) | 图像标注方法、装置、存储介质和电子设备 | |
| CN114332553A (zh) | 图像处理方法、装置、设备以及存储介质 | |
| JP7073607B2 (ja) | 穀物の識別方法、装置およびコンピュータ記憶媒体 | |
| CN113469972A (zh) | 标注医学切片图像的方法、装置、存储介质及电子设备 | |
| CN111387932A (zh) | 一种视力检测方法、装置及设备 | |
| CN116450907A (zh) | 工艺路线可视化设置方法、系统和可读存储介质 | |
| CN112330665B (zh) | Ct图像处理方法、装置、存储介质和电子设备 | |
| CN112734697B (zh) | 图像处理方法、装置、存储介质和电子设备 | |
| CN111080543B (zh) | 图像处理方法及装置、电子设备及计算机可读存储介质 | |
| CN112906805A (zh) | 图像训练样本筛选和任务模型训练方法、装置及电子设备 | |
| CN115393846B (zh) | 一种血细胞识别方法、装置、设备及可读存储介质 | |
| CN113139563A (zh) | 一种图像分类模型的优化方法及装置 |
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 |