CN112365507B - 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
- CN112365507B CN112365507B CN202011192748.8A CN202011192748A CN112365507B CN 112365507 B CN112365507 B CN 112365507B CN 202011192748 A CN202011192748 A CN 202011192748A CN 112365507 B CN112365507 B CN 112365507B
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- processing
- windowed
- model
- 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 215
- 238000000034 method Methods 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims description 72
- 238000012549 training Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 241001270131 Agaricus moelleri Species 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 238000002591 computed tomography 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
- 238000011176 pooling Methods 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
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 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
- 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
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06T2207/30—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)
- Image Analysis (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；对所述CT图像进行分割，获得所述CT图像对应的多个图像子区域；根据预设的多种目标窗信息，分别对每一所述图像子区域进行加窗处理，获得与该图像子区域对应的多个加窗子区域，其中，目标窗信息包括目标窗宽信息和目标窗位信息；将每一所述图像子区域对应的多个所述加窗子区域输入图像处理模型，获得所述CT图像的处理结果。由此，可以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，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；
对所述CT图像进行分割，获得所述CT图像对应的多个图像子区域；
根据预设的多种目标窗信息，分别对每一所述图像子区域进行加窗处理，获得与该图像子区域对应的多个加窗子区域，其中，目标窗信息包括目标窗宽信息和目标窗位信息；
将每一所述图像子区域对应的多个所述加窗子区域输入图像处理模型，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；
所述将每一所述图像子区域对应的多个所述加窗子区域输入图像处理模型，获得所述CT图像的处理结果，包括：
将每一所述图像子区域对应的多个所述加窗子区域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。
可选地，所述图像处理模型包括第一处理子模型和第二处理子模型，所述将每一所述图像子区域对应的多个所述加窗子区域输入图像处理模型，获得所述CT图像的处理结果，包括：
根据每一所述图像子区域对应的多个所述加窗子区域和所述第一处理子模型，获得每一所述图像子区域的特征向量；
通过所述第二处理子模型对每一所述图像子区域的特征向量进行拼接，并根据拼接获得的所述CT图像的特征向量确定所述CT图像的处理结果。
可选地，所述根据每一所述图像子区域对应的多个所述加窗子区域和所述第一处理子模型，获得每一所述图像子区域的特征向量，包括：
针对每一图像子区域，通过所述第一处理子模型对该图像子区域对应的多个加窗子区域分别进行特征提取，获得所述加窗子区域的特征向量；
根据对应于同一图像子区域的每一所述加窗子区域的特征向量，和每一所述加窗子区域对应的权重进行加权求和，获得所述图像子区域的特征向量。
可选地，所述通过所述第一处理子模型对该图像子区域对应的多个加窗子区域分别进行特征提取，获得所述加窗子区域的特征向量，包括：
在所述加窗子区域的像素值不全为目标像素值的情况下，通过所述第一处理子模块对所述加窗子区域进行特征提取，获得该加窗子区域的特征向量。
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；
对所述样本图像进行分割，获得所述样本图像对应的多个样本子区域；
根据多种所述目标窗信息，分别对每一所述样本子区域进行加窗处理，获得与该样本子区域对应的多个加窗子区域；
将每一所述样本子区域对应的多个加窗子区域作为模型的输入，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。
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；
分割模块，用于对所述CT图像进行分割，获得所述CT图像对应的多个图像子区域；
处理模块，用于根据预设的多种目标窗信息，分别对每一所述图像子区域进行加窗处理，获得与该图像子区域对应的多个加窗子区域，其中，目标窗信息包括目标窗宽信息和目标窗位信息；
输入模块，用于将每一所述图像子区域对应的多个所述加窗子区域输入图像处理模型，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：
第一输入子模块，用于将每一所述图像子区域对应的多个所述加窗子区域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。
可选地，所述图像处理模型包括第一处理子模型和第二处理子模型，所述输入模块包括：
第一处理子模块，用于根据每一所述图像子区域对应的多个所述加窗子区域和所述第一处理子模型，获得每一所述图像子区域的特征向量；
第二处理子模块，用于通过所述第二处理子模型对每一所述图像子区域的特征向量进行拼接，并根据拼接获得的所述CT图像的特征向量确定所述CT图像的处理结果。
可选地，所述第一处理子模块包括：
提取子模块，用于针对每一图像子区域，通过所述第一处理子模型对该图像子区域对应的多个加窗子区域分别进行特征提取，获得所述加窗子区域的特征向量；
加权子模块，用于根据对应于同一图像子区域的每一所述加窗子区域的特征向量，和每一所述加窗子区域对应的权重进行加权求和，获得所述图像子区域的特征向量。
可选地，所述提取子模块用于：
在所述加窗子区域的像素值不全为目标像素值的情况下，通过所述第一处理子模块对所述加窗子区域进行特征提取，获得该加窗子区域的特征向量。
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；
对所述样本图像进行分割，获得所述样本图像对应的多个样本子区域；
根据多种所述目标窗信息，分别对每一所述样本子区域进行加窗处理，获得与该样本子区域对应的多个加窗子区域；
将每一所述样本子区域对应的多个加窗子区域作为模型的输入，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。
根据本公开第三方面，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所述方法的步骤。
在上述技术方案中，通过获取待处理的CT图像，对所述CT图像进行分割，获得所述CT图像对应的多个图像子区域，以根据预设的多种目标窗信息，分别对每一所述图像子区域进行加窗处理，获得与该图像子区域对应的多个加窗子区域，从而可以将每一所述图像子区域对应的多个所述加窗子区域输入图像处理模型，获得所述CT图像的处理结果。由此，通过上述技术方案，在对CT图像进行处理时，可以首先通过超像素分割的方式将相似的像素聚集到一起，获得图像子区域，从而为后续图像处理的过程提供数据基础。同时，通过将每一图像子区域基于多个目标窗信息进行加窗处理，从而可以获得该图像子区域在多种显示对比度和CT显示范围下的加窗子区域，以根据每一图像子区域对应的多个加窗子区域获得该CT图像的特征，即可以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将每一图像子区域对应的多个加窗子区域输入图像处理模型，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，对CT图像进行分割，获得CT图像对应的多个图像子区域。
示例地，在该步骤中，可以预先设置图像分割所得的图像子区域的个数，从而可以基于现有的图像分割技术对该CT图像进行预处理分割，以将该CT图像分割成多个图像子区域，示例地，可以通过SLIC(simple linear iterativeclustering，简单线性迭代聚类)的超像素分割技术、阈值分割技术等对CT图像进行分割，在此不再赘述。
在步骤13中，根据预设的多种目标窗信息，分别对每一图像子区域进行加窗处理，获得与该图像子区域对应的多个加窗子区域，其中，目标窗信息包括目标窗宽信息和目标窗位信息。
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图像中的图像子区域进行加窗处理后，其可以显示的CT值范围即为(-50Hu，110Hu)。基于该窗信息对CT图像的图像子区域进行加窗处理，即将该图像子区域中处于该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，即在图像子区域中CT值相差10Hu的话，在加窗处理后所得的加窗子区域中人眼即可分辨识别该部分区别，在图像子区域中CT值小于-50Hu的部分可以显示为黑色，在图像子区域中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图像子区域进行加窗处理，以获得第一加窗子区域。
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图像子区域进行加窗处理后获得的第二加窗子区域中，每一个灰阶对应的CT值范围为15Hu，即在图像子区域中CT值相差15Hu的话，在加窗处理后所得的加窗子区域中人眼即可分辨识别该部分区别，并且该加窗子区域中显示的CT值范围为(-80Hu，160Hu)。在图像子区域中CT值小于-80Hu的部分可以显示为黑色，在图像子区域中CT值大于160Hu的部分可以显示为白色。
由此，在该步骤中，对每一图像子区域根据每一目标窗信息进行加窗处理，则可以将该图像子区域处理为与每一目标窗信息对应的加窗子区域，如根据上述两种目标窗信息对图像子区域进行处理后获得的加窗子区域中显示的CT值范围不同，其加窗子区域的显示对比度也不相同，即在图像子区域中同一部分可能在不同的加窗子区域中显示为不同的灰阶。
由此，可以通过不同的目标窗信息对图像子区域进行加窗处理，获得该图像子区域中在不同显示对比度和CT显示范围下的特征图像，从而便于提取该图像子区域中更加全面的图像特征。
在步骤14中，将每一图像子区域对应的多个加窗子区域输入图像处理模型，获得CT图像的处理结果。
在上述技术方案中，通过获取待处理的CT图像，对所述CT图像进行分割，获得所述CT图像对应的多个图像子区域，以根据预设的多种目标窗信息，分别对每一所述图像子区域进行加窗处理，获得与该图像子区域对应的多个加窗子区域，从而可以将每一所述图像子区域对应的多个所述加窗子区域输入图像处理模型，获得所述CT图像的处理结果。由此，通过上述技术方案，在对CT图像进行处理时，可以首先通过超像素分割的方式将相似的像素聚集到一起，获得图像子区域，从而为后续图像处理的过程提供数据基础。同时，通过将每一图像子区域基于多个目标窗信息进行加窗处理，从而可以获得该图像子区域在多种显示对比度和CT显示范围下的加窗子区域，以根据每一图像子区域对应的多个加窗子区域获得该CT图像的特征，即可以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。
在一种可能的实施例中，所述方法可以还包括：
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；
对所述样本图像进行分割，获得所述样本图像对应的多个样本子区域；
根据多种所述目标窗信息，分别对每一所述样本子区域进行加窗处理，获得与该样本子区域对应的多个加窗子区域；
将每一所述样本子区域对应的多个加窗子区域作为模型的输入，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。
以下以CT图像分类对应的图像处理模型为例，进行详细说明：
针对每一训练样本，首先对训练样本中的样本图像进行分割，获得所述样本图像对应的多个样本子区域，并根据多种所述目标窗信息，分别对每一所述样本子区域进行加窗处理，获得与该样本子区域对应的多个加窗子区域。其中，该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。
之后，将每一所述样本子区域对应的多个加窗子区域作为模型的输入，从而可以获得模型输出的预测分类信息，则可以将该预测分类信息与该样本图像对应的目标标签，即类别信息确定模型的损失值，示例地，可以以softmax和交叉熵之和作为损失函数以计算损失值，从而可以基于该损失值对图像处理模型的参数进行调整，完成模型的训练，获得图像处理模型。
其中，CT图像分割、CT图像中的目标物检测分别对应的图像处理模型的训练方式与上文所述类似，在此不再赘述。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。
相应地，在步骤14中，将每一图像子区域对应的多个加窗子区域输入图像处理模型，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：
将每一所述图像子区域对应的多个所述加窗子区域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子区域输入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，基于该处理结果进行后续处理提供准确的数据基础。
在一种可能的实施例中，所述图像处理模型包括第一处理子模型和第二处理子模型，在步骤14中，将每一图像子区域对应的多个加窗子区域输入图像处理模型，获得CT图像的处理结果的示例性实现方式如下，如图2所示，该步骤可以包括：
在步骤21中，根据每一图像子区域对应的多个加窗子区域和第一处理子模型，获得每一图像子区域的特征向量。
其中，如上文所述，基于多种目标窗信息可以将一个图像子区域进行加窗处理，获得多个加窗子区域，且每一加窗子区域中的显示特征不同，从而则可以根据该多个加窗子区域对应的特征确定出该图像子区域的特征，与现有技术中直接对CT图像进行加窗处理而言，可以有效增加该每一图像子区域的特征向量中所包含的特征信息。
可选地，根据每一图像子区域对应的多个加窗子区域和第一处理子模型，获得每一图像子区域的特征向量的示例性实现方式如下，该步骤可以包括：
针对每一图像子区域，通过所述第一处理子模型对该图像子区域对应的多个加窗子区域分别进行特征提取，获得所述加窗子区域的特征向量。
示例地，该第一处理子模型中可以包含有卷积层、池化层和全连接层，从而可以通过卷积层中的卷积核对输入的加窗子区域进行卷积操作，并将卷积操作之后获得的向量依次通过池化层和全连接层，从而可以获得该加窗子区域的特征向量。
之后，根据对应于同一图像子区域的每一所述加窗子区域的特征向量，和每一所述加窗子区域对应的权重进行加权求和，获得所述图像子区域的特征向量。
示例地，目标窗信息有5种，在步骤13中，图像子区域A在经过该5种窗信息进行加窗处理后可以获得加窗子区域A1、A2、A3、A4和A5，图像子区域B在经过该5种窗信息进行加窗处理后可以获得加窗子区域B1、B2、B3、B4和B5，则通过第一处理子模型可以分别获得加窗子区域A1、A2、A3、A4、A5、B1、B2、B3、B4和B5的特征向量。因此，在该步骤中，可以进一步根据加窗子区域A1、A2、A3、A4和A5的特征向量确定出图像子区域A的特征向量，根据加窗子区域B1、B2、B3、B4和B5的特征向量确定出图像子区域B的特征向量。
其中，每一加窗子区域对应的权重在所述图像处理模型训练的过程中确定，从而可以在获得每一加窗子区域的特征向量之后，根据其分别对应的权重进行加权求和，从而使得获得的图像子区域的特征向量中可以包含多种窗信息下的特征，提高图像子区域的特征向量所表征的特征的全面性和准确性。
由此，通过上述技术方方案，可以通过对每一加窗子区域分别进行特征提取，从而获得图像子区域的特征向量，一方面可以提高图像子区域的特征向量的准确性和特征全面性，另一方面，可以对每一图像子区域进行单独处理，提高CT图像处理的精度，从而为保证后续CT图像的处理结果的准确性提供数据支持。
转回图2，在获得每一所述图像子区域的特征向量之后，在步骤22中，通过第二处理子模型对每一图像子区域的特征向量进行拼接，并根据拼接获得的CT图像的特征向量确定CT图像的处理结果。
示例地，该第二处理子模型可以为一全连接层，其可以对每一图像子区域的特征向量进行拼接，从而可以获得该CT图像对应的特征向量，该特征向量中则包含该CT图像在多种窗信息下对应的特征，其中，基于全连接层得出CT图像的处理结果的模型参数已在图像处理模型训练的过程中确定出，因此，在该步骤中，则可以直接通过特征向量基于全连接层的参数进行计算以得出模型的输出结果，即CT图像的处理结果，例如该CT图像所属的类别信息。
由此，通过上述技术方案，每一图像子区域都是通过图像分割获得的相似像素，通过先提取每一图像子区域的特征向量，进而获得整个CT图像的特征向量的方式，可以通过提高局部特征的准确性以提高全局特征的准确性，即提高CT图像的特征向量的准确度，进而提高处理结果的准确度。
在一种可能的实施例中，如上文所示，每一目标窗信息中的目标窗位信息和/或目标窗宽信息不同，则可能会出现一图像子区域在根据某一目标窗信息进行加窗处理之后，获得的加窗子区域中的像素值均为显示为黑色或白色的像素，即该图像子区域对应的CT值未在该目标窗信息对应的显示范围内。基于此，本公开还提供以下实施例。
可选地，所述通过所述第一处理子模型对该图像子区域对应的多个加窗子区域分别进行特征提取，获得所述加窗子区域的特征向量的示例性实现方式如下，该步骤可以包括：
在所述加窗子区域的像素值不全为目标像素值的情况下，通过所述第一处理子模块对所述加窗子区域进行特征提取，获得该加窗子区域的特征向量。其中，该目标像素值即为显示为白色或者黑色的像素值，其中，不同的显示方式中对应的白色或黑色的像素值表达方式不同，示例地，采用灰度图显示时，0表示白色，255表示黑色。
在该实施例中，加窗子区域的像素值不全为目标像素值时，即在根据对应的目标窗信息对图像子区域进行加窗处理后，获得的加窗子区域中存在正常显示的灰阶值，即进行加窗处理后获得的像素值中的部分或全部在该目标窗信息对应的显示范围内，此时可以对该加窗子区域进行特征提取，以获得该加窗子区域的特征向量，其中获得该加窗子区域的特征向量的方式已在上文进行详述，在此不再赘述。
在所述加窗子区域的像素值均为目标像素值的情况下，即进行加窗处理后获得的像素值中的全部均不在该目标窗信息对应的显示范围内，即该加窗子区域中不存在有效特征，不对所述加窗子区域进行特征提取，在根据该加窗子区域的特征向量确定图像子区域的特征向量时，可以采用特征填充的方式默认填充以获得该加窗子区域的特征向量。
由此，通过上述技术方案，可以避免对进行加窗处理后的未在目标窗信息的显示范围内的加窗子区域进行不必要的特征处理，提高图像特征提取效率，同时可以提高CT图像处理结果的效率，并可以在一定程度上提高CT图像的处理结果的准确度。
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；
分割模块200，用于对所述CT图像进行分割，获得所述CT图像对应的多个图像子区域；
处理模块300，用于根据预设的多种目标窗信息，分别对每一所述图像子区域进行加窗处理，获得与该图像子区域对应的多个加窗子区域，其中，目标窗信息包括目标窗宽信息和目标窗位信息；
输入模块400，用于将每一所述图像子区域对应的多个所述加窗子区域输入图像处理模型，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：
第一输入子模块，用于将每一所述图像子区域对应的多个所述加窗子区域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。
可选地，所述图像处理模型包括第一处理子模型和第二处理子模型，所述输入模块包括：
第一处理子模块，用于根据每一所述图像子区域对应的多个所述加窗子区域和所述第一处理子模型，获得每一所述图像子区域的特征向量；
第二处理子模块，用于通过所述第二处理子模型对每一所述图像子区域的特征向量进行拼接，并根据拼接获得的所述CT图像的特征向量确定所述CT图像的处理结果。
可选地，所述第一处理子模块包括：
提取子模块，用于针对每一图像子区域，通过所述第一处理子模型对该图像子区域对应的多个加窗子区域分别进行特征提取，获得所述加窗子区域的特征向量；
加权子模块，用于根据对应于同一图像子区域的每一所述加窗子区域的特征向量，和每一所述加窗子区域对应的权重进行加权求和，获得所述图像子区域的特征向量。
可选地，所述提取子模块用于：
在所述加窗子区域的像素值不全为目标像素值的情况下，通过所述第一处理子模块对所述加窗子区域进行特征提取，获得该加窗子区域的特征向量。
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；
对所述样本图像进行分割，获得所述样本图像对应的多个样本子区域；
根据多种所述目标窗信息，分别对每一所述样本子区域进行加窗处理，获得与该样本子区域对应的多个加窗子区域；
将每一所述样本子区域对应的多个加窗子区域作为模型的输入，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。
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CT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 (8)
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；
对所述CT图像进行分割，获得所述CT图像对应的多个图像子区域；
根据预设的多种目标窗信息，分别对每一所述图像子区域进行加窗处理，获得与该图像子区域对应的多个加窗子区域，其中，目标窗信息包括目标窗宽信息和目标窗位信息；
将每一所述图像子区域对应的多个所述加窗子区域输入图像处理模型，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和第二处理子模型，所述将每一所述图像子区域对应的多个所述加窗子区域输入图像处理模型，获得所述CT图像的处理结果，包括：
根据每一所述图像子区域对应的多个所述加窗子区域和所述第一处理子模型，获得每一所述图像子区域的特征向量；
通过所述第二处理子模型对每一所述图像子区域的特征向量进行拼接，并根据拼接获得的所述CT图像的特征向量确定所述CT图像的处理结果；
其中，所述根据每一所述图像子区域对应的多个所述加窗子区域和所述第一处理子模型，获得每一所述图像子区域的特征向量，包括：
针对每一图像子区域，通过所述第一处理子模型对该图像子区域对应的多个加窗子区域分别进行特征提取，获得所述加窗子区域的特征向量；
根据对应于同一图像子区域的每一所述加窗子区域的特征向量，和每一所述加窗子区域对应的权重进行加权求和，获得所述图像子区域的特征向量。
2.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；
所述将每一所述图像子区域对应的多个所述加窗子区域输入图像处理模型，获得所述CT图像的处理结果，包括：
将每一所述图像子区域对应的多个所述加窗子区域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。
3.根据权利要求1所述的方法，其特征在于，所述通过所述第一处理子模型对该图像子区域对应的多个加窗子区域分别进行特征提取，获得所述加窗子区域的特征向量，包括：
在所述加窗子区域的像素值不全为目标像素值的情况下，通过所述第一处理子模块对所述加窗子区域进行特征提取，获得该加窗子区域的特征向量。
4.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；
对所述样本图像进行分割，获得所述样本图像对应的多个样本子区域；
根据多种所述目标窗信息，分别对每一所述样本子区域进行加窗处理，获得与该样本子区域对应的多个加窗子区域；
将每一所述样本子区域对应的多个加窗子区域作为模型的输入，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。
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；
分割模块，用于对所述CT图像进行分割，获得所述CT图像对应的多个图像子区域；
处理模块，用于根据预设的多种目标窗信息，分别对每一所述图像子区域进行加窗处理，获得与该图像子区域对应的多个加窗子区域，其中，目标窗信息包括目标窗宽信息和目标窗位信息；
输入模块，用于将每一所述图像子区域对应的多个所述加窗子区域输入图像处理模型，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和第二处理子模型，所述输入模块包括：
第一处理子模块，用于根据每一所述图像子区域对应的多个所述加窗子区域和所述第一处理子模型，获得每一所述图像子区域的特征向量；
第二处理子模块，用于通过所述第二处理子模型对每一所述图像子区域的特征向量进行拼接，并根据拼接获得的所述CT图像的特征向量确定所述CT图像的处理结果；
所述第一处理子模块包括：
提取子模块，用于针对每一图像子区域，通过所述第一处理子模型对该图像子区域对应的多个加窗子区域分别进行特征提取，获得所述加窗子区域的特征向量；
加权子模块，用于根据对应于同一图像子区域的每一所述加窗子区域的特征向量，和每一所述加窗子区域对应的权重进行加权求和，获得所述图像子区域的特征向量。
6.根据权利要求5所述的装置，其特征在于，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：
第一输入子模块，用于将每一所述图像子区域对应的多个所述加窗子区域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。
7.一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。
8.一种电子设备，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 |
|---|---|---|---|
| CN202011192748.8A CN112365507B (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 |
|---|---|---|---|
| CN202011192748.8A CN112365507B (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 |
|---|---|
| CN112365507A CN112365507A (zh) | 2021-02-12 |
| CN112365507B true CN112365507B (zh) | 2024-02-02 |
Family
ID=74513956
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011192748.8A Active CN112365507B (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) | CN112365507B (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 |
|---|---|---|---|---|
| CN109242844A (zh) * | 2018-09-04 | 2019-01-18 | 青岛大学附属医院 | 基于深度学习的胰腺癌肿瘤自动识别系统、计算机设备、存储介质 |
| 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 |
|---|---|---|---|---|
| CN108022238B (zh) * | 2017-08-09 | 2020-07-03 | 深圳科亚医疗科技有限公司 | 对3d图像中对象进行检测的方法、计算机存储介质和系统 |
-
2020
- 2020-10-30 CN CN202011192748.8A patent/CN112365507B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242844A (zh) * | 2018-09-04 | 2019-01-18 | 青岛大学附属医院 | 基于深度学习的胰腺癌肿瘤自动识别系统、计算机设备、存储介质 |
| 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 (3)
| Title |
|---|
| Omer Kayaalt等.Liver fibrosis staging using CT image texture analysis and soft computing.《Applied Soft Computing》.2014,第25卷399-413. * |
| 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,E060-36. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112365507A (zh) | 2021-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112785565B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
| CN106161967B (zh) | 一种逆光场景全景拍摄方法及移动终端 | |
| CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
| CN108986085B (zh) | Ct图像肺结节检测方法、装置、设备及可读存储介质 | |
| CN111274999B (zh) | 数据处理、图像处理方法、装置及电子设备 | |
| CN113239875B (zh) | 人脸特征的获取方法、系统、装置及计算机可读存储介质 | |
| CN113179421B (zh) | 视频封面选择方法、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 | |
| CN112001983A (zh) | 生成遮挡图像的方法、装置、计算机设备和存储介质 | |
| CN111814820B (zh) | 图像处理方法及装置 | |
| CN112365433B (zh) | Ct图像处理方法、装置、存储介质及电子设备 | |
| CN112330787B (zh) | 图像标注方法、装置、存储介质和电子设备 | |
| CN112149745B (zh) | 确定难例样本的方法、装置、设备及存储介质 | |
| CN111127432B (zh) | 一种医学图像检测方法、装置、设备及存储介质 | |
| CN112668710B (zh) | 模型训练、管状物提取、数据识别方法及设备 | |
| JPWO2011033744A1 (ja) | 画像処理装置、画像処理方法および画像処理用プログラム | |
| CN109658360B (zh) | 图像处理的方法、装置、电子设备和计算机存储介质 | |
| CN115797267A (zh) | 图像质量评估方法、系统、电子设备和存储介质 | |
| Gao et al. | Automated parameter tuning for tone mapping using visual saliency | |
| CN113762382B (zh) | 模型的训练及场景识别方法、装置、设备及介质 | |
| 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 | |
| CN112308815B (zh) | 图像显示方法、装置、服务器、客户端及可读存储介质 | |
| JP2023063807A (ja) | 画像処理装置、画像処理方法、プログラム及び記録媒体 | |
| CN112330665B (zh) | Ct图像处理方法、装置、存储介质和电子设备 | |
| CN107992853B (zh) | 人眼检测方法、装置、计算机设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |