CN112700445B - 图像处理方法、装置及系统 - Google Patents

图像处理方法、装置及系统 Download PDF

Info

Publication number
CN112700445B
CN112700445B CN202110304621.9A CN202110304621A CN112700445B CN 112700445 B CN112700445 B CN 112700445B CN 202110304621 A CN202110304621 A CN 202110304621A CN 112700445 B CN112700445 B CN 112700445B
Authority
CN
China
Prior art keywords
sample
image
detection data
data
activation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110304621.9A
Other languages
English (en)
Other versions
CN112700445A (zh
Inventor
刘中民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai East Hospital Tongji University Affiliated East Hospital
Original Assignee
Shanghai East Hospital Tongji University Affiliated East Hospital
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai East Hospital Tongji University Affiliated East Hospital filed Critical Shanghai East Hospital Tongji University Affiliated East Hospital
Priority to CN202110304621.9A priority Critical patent/CN112700445B/zh
Publication of CN112700445A publication Critical patent/CN112700445A/zh
Application granted granted Critical
Publication of CN112700445B publication Critical patent/CN112700445B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • 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
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本公开实施例提供了一种图像处理方法、装置及系统，所述方法包括：获取CT图像对应的CT检测数据，使用激活层对装置CT检测数据进行激活处理，得到目标CT检测数据，装置激活层中的参数包括与目标任务对应的窗宽和窗位，将装置目标CT检测数据输入识别网络中，使装置识别网络根据装置目标CT检测数据输出指示装置CT图像的图像状态的指示信息，根据装置指示信息，对装置CT图像进行处理。本方法使用激活层确定适用于目标任务的窗宽和窗位，保证了窗宽和窗位的准确性，提升了图像信息的利用率。同时，省去了操作者手动标记窗宽和窗位，减少了操作者的工作量，提高了图像处理效率。

Description

图像处理方法、装置及系统
技术领域
本公开涉及医学技术领域，尤其涉及图像处理方法、装置及系统。
背景技术
目前在对一些部位的CT图像进行处理时，例如，出现突发的传染性病毒疫情时，需要使用CT对受检者的肺部进行检测，以判断受检者的肺部是否感染病毒，在检测肺部CT图像中的肺部影像是否正常时，获取CT图像对应的CT检测数据，获取操作者手动标记的窗宽和窗位，从CT检测数据中获取适于窗宽和窗位的目标CT检测数据，根据目标CT检测数据进行图像处理。
上述方法中，标记窗宽和窗位的操作由操作者手动完成，增加了操作者的工作量，并且容易出现标记错误，导致标记结果不准确，最终影响图像处理效果，影响诊断的准确率。
发明内容
为克服相关技术中存在的问题，本公开提供了一种图像处理方法、装置及系统。
第一方面，提供一种图像处理方法，所述方法包括：
获取CT图像对应的CT检测数据；
使用激活层对所述CT检测数据进行激活处理，得到目标CT检测数据，所述激活层中的参数包括与目标任务对应的窗宽和窗位；
将所述目标CT检测数据输入识别网络中，使所述识别网络根据所述目标CT检测数据输出指示所述CT图像的图像状态的指示信息；
根据所述指示信息，对所述CT图像进行处理；
所述方法还包括利用第一样本CT图像对所述识别网络进行训练，具体包括：
获取第一样本CT图像对应的第一样本CT检测数据，所述第一样本CT检测数据具有指示所述第一样本CT图像的图像状态的第一标注信息；
将所述第一样本CT检测数据输入所述激活层，使所述激活层对所述第一样本CT检测数据进行激活处理，输出第一样本中间数据，所述激活层包括设定窗宽和设定窗位；
将所述第一样本中间数据输入所述识别网络中，使所述识别网络根据所述第一样本中间数据，输出指示所述第一样本CT图像的图像状态的第一指示信息；
根据所述第一标注信息与所述第一指示信息之间的差异，对所述识别网络中的参数进行调整；
所述方法还包括利用第二样本CT图像对所述激活层和调整后的识别网络进行训练，具体包括：
获取针对所述目标任务的第二样本CT图像对应的第二样本CT检测数据，所述第二样本CT检测数据具有指示所述第二样本CT图像的图像状态的第二标注信息；
将所述第二样本CT检测数据输入所述激活层中，使所述激活层对所述第二样本CT数据进行激活处理，输出第二样本中间数据；
将所述第二样本中间数据输入所述调整后的识别网络中，使所述调整后的识别网络根据所述第二样本中间数据，输出所述第二样本CT图像的图像状态的第二指示信息；
根据所述第二标注信息和所述第二指示信息之间的差异，对所述激活层中的参数和所述调整后的识别网络中的参数进行调整。
第二方面，提供一种图像处理装置，所述装置包括：
数据获取模块，被配置为获取CT图像对应的CT检测数据；
数据处理模块，被配置为使用激活层对所述CT检测数据进行激活处理，得到目标CT检测数据，所述激活层中的参数包括与目标任务对应的窗宽和窗位；
数据输入模块，被配置为将所述目标CT检测数据输入识别网络中，使所述识别网络根据所述目标CT检测数据输出指示所述CT图像的图像状态的指示信息；
图像处理模块，被配置为根据所述指示信息，对所述CT图像进行处理；
所述装置还包括第一网络训练模型，所述第一网络训练模块包括：
第一数据获取子模块，被配置为获取第一样本CT图像对应的第一样本CT检测数据，所述第一样本CT检测数据具有指示所述第一样本CT图像的图像状态的第一标注信息；
第一数据输入子模块，被配置为将所述第一样本CT检测数据输入所述激活层，使所述激活层对所述第一样本CT检测数据进行激活处理，输出第一样本中间数据，所述激活层包括设定窗宽和设定窗位；
第二数据输入子模块，被配置为将所述第一样本中间数据输入所述识别网络中，使所述识别网络根据所述第一样本中间数据，输出指示所述第一样本CT图像的图像状态的第一指示信息；
第一参数调整子模块，被配置为根据所述第一标注信息与所述第一指示信息之间的差异，对所述识别网络中的参数进行调整；
所述装置还包括第二网络训练模型，所述第二网络训练模块包括：
第二数据获取子模块，被配置为获取针对所述目标任务的第二样本CT图像对应的第二样本CT检测数据，所述第二样本CT检测数据具有指示所述第二样本CT图像的图像状态的第二标注信息；
第三数据输入子模块，被配置为将所述第二样本CT检测数据输入所述激活层中，使所述激活层对所述第二样本CT数据进行激活处理，输出第二样本中间数据；
第四数据输入子模块，被配置为将所述第二样本中间数据输入调整后的识别网络中，使所述调整后的识别网络根据所述第二样本中间数据，输出所述第二样本CT图像的图像状态的第二指示信息；
第二参数调整子模块，被配置为根据所述第二标注信息和所述第二指示信息之间的差异，对所述激活层中的参数和所述调整后的识别网络中的参数进行调整。
第三方面，提供一种图像处理系统，包括：内部总线，以及通过内部总线连接的存储器、处理器和外部接口；其中，
所述外部接口，用于获取数据；
所述存储器，用于存储图像处理对应的机器可读指令；
所述处理器，用于执行所述机器可读指令，以实现上述第一方面所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开实施例提供了一种图像处理方法，通过增设激活层，激活层中的参数包括与目标任务对应的窗宽和窗位，在处理CT图像时使用激活层确定适用于目标任务的窗宽和窗位，保证了窗宽和窗位的准确性，提升了图像信息的利用率。同时，省去了操作者手动标记窗宽和窗位，减少了操作者的工作量，提高了图像处理效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本公开的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是本公开一示例性实施例示出的一种图像处理方法的流程图；
图2是本公开一示例性实施例示出的一种识别网络的训练方法的流程图；
图3是本公开一示例性实施例示出的一种激活层和识别网络的训练方法的流程图；
图4是本公开一示例性实施例示出的一种图像处理装置的示意图；
图5是本公开一示例性实施例示出的一种图像处理系统的示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
下面结合说明书附图，对本公开实施例进行详细描述。
本公开实施例提供了一种图像处理方法，应用于图像处理系统。在医疗领域中，适用的图像处理系统有多种，例如CT系统等。
图1是本公开一示例性实施例示出的一种图像处理方法的流程图，图1所示的图像处理方法可以包括以下步骤：
在步骤101中，获取CT图像对应的CT检测数据。
CT检测数据可以是CT值。CT值是测定人体某一局部组织或器官密度大小的一种计量单位，通常称亨氏单位（Hounsfield Unit，HU）。CT值是CT图像中各组织与X 线衰减系数相当的对应值。
可以采用相关技术中的方法获取CT图像对应的CT值。
在一个实施例中，CT图像具有三维图像数据，CT检测数据为三维数据，如块状数据。
在步骤102中，使用激活层对CT检测数据进行激活处理，得到目标CT检测数据，激活层中的参数包括与目标任务对应的窗宽和窗位。
窗宽是指显示图像时所选用的CT值范围，窗位是指窗的中心位置。同样的窗宽，由于窗位不同，导致使用的具体CT值范围存在差异。例如，窗宽同为100H，当窗位为0H时，使用的具体CT值范围为-50~+50H；当窗位为+35H时，使用的具体CT值范围为-15~+85H。
本公开实施例中，增设了激活层，激活层中的参数包括窗宽和窗位。使用激活层对CT检测数据进行激活处理，得到目标CT检测数据，具体可以为：使用激活层从CT检测数据中筛选出适于窗宽和窗位的目标CT检测数据。例如，窗宽为100H，窗位为0H，使用激活层从CT检测数据中筛选出-50~+50H内的目标CT检测数据。
在处理与目标任务相关的CT图像时，所使用的激活层中的参数可以包括与目标任务对应的窗宽和窗位。通过使用激活层中的适用于目标任务的窗宽和窗位，实现从CT图像对应的CT检测数据中获取较多的有用数据，充分利用图像信息，同时减少无用数据的获取。
在医疗领域中，目标任务有多种，例如，病毒性肺炎检测任务、肺结节检测任务、血管分割任务、脏器定位任务等。可以针对病毒性肺炎检测任务设置一激活层，激活层中包括与病毒性肺炎检测任务对应的窗宽和窗位；肺结节检测任务设置一激活层，激活层中包括与肺结节检测任务对应的窗宽和窗位；可以针对血管分割任务设置一激活层，激活层中包括与血管分割任务对应的窗宽和窗位；可以针对脏器定位任务设置一激活层，激活层中包括与脏器定位任务对应的窗宽和窗位。
在一个实施例中，激活层包括激活函数，可以使用激活函数对CT检测数据进行激活处理，获得目标CT检测数据。激活函数的表达式如下：
y=ReLU(-ReLU(-λ·x+ww+wl)+ww)
其中，ww为窗宽；wl为窗位；λ为系数。
可以将CT检测数据作为x代入上述表达式中，获得y即目标CT检测数据。
在一个实施例中，激活层包括激活函数，可以使用激活函数对CT检测数据进行激活处理，获得目标CT检测数据。激活函数的表达式如下：
y=ReLU(-ReLU(-λ·x+ww+wl)+wl)
其中，ww为窗宽；wl为窗位；λ为系数。
可以将CT检测数据作为x代入上述表达式中，获得y即目标CT检测数据。
在一个实施例中，激活层包括激活函数，激活函数除ReLU外，还可以是Leaky ReLU等。
激活函数Leaky ReLU的表达式如下：y= Leaky ReLU(-Leaky ReLU(-λ·x+ww +wl)+ww)，或者，y= Leaky ReLU(-Leaky ReLU(-λ·x+ww+wl)+wl)。
在步骤103中，将目标CT检测数据输入识别网络中，使识别网络根据目标CT检测数据输出指示CT图像的图像状态的指示信息。
识别网络具有根据CT检测数据识别CT图像的图像状态，输出CT图像的图像状态的指示信息的功能。识别网络有多种，例如VGG网络等。
在医疗领域中，识别网络具有识别CT图像中的器官结构是否符合要求，当器官结构符合要求时，确定CT图像的图像状态为正常，当器官结构不符合要求时，确定CT图像的图像状态为异常的功能。
指示信息可以是数字或文字等形式。例如，数字0指示CT图像正常，间接指示CT图像中的器官结构符合要求；数字1指示CT图像异常，间接指示CT图像中的器官结构不符合要求。
例如，在对肺部进行检测时，识别网络根据目标CT检测数据识别到肺部结构是否正常，若识别到肺部结构正常，则确定肺部CT图像正常，输出0，若识别到肺部结构不正常，则确定肺部CT图像异常，输出1。
又如，在对肺结节进行检测时，识别网络根据目标CT检测数据识别肺结节是否呈良性，若识别到肺结节呈良性，则确定肺结节CT图像正常，输出0，若识别到肺结节呈恶性，则确定肺结节CT图像异常，输出1。
本实施例中，通过使用激活层对CT检测数据进行激活处理，对CT检测数据进行过滤，去除无用的CT检测数据，获得有用的CT检测数据（即目标CT检测数据）。
过滤前的CT检测数据（即CT图像对应的CT检测数据）具有数据量大、包括较多的无用数据等特点。将过滤前的CT检测数据输入识别网络中，使识别网络对大量CT检测数据进行特征提取，特征提取工作具有工作量大、耗时长等缺点，导致识别网络的处理效率较低。同时较多的无用数据会影响特征提取结果的准确性，易使识别网络提取到错误的特征，输出错误的提示信息。
相比于过滤前的CT检测数据，经过滤得到的目标CT检测数据不包括或仅包括少量的无用数据，目标CT检测数据的数据量较少。将过滤后的目标CT检测数据输入识别网络中，使识别网络对少量CT检测数据进行特征提取，特征提取工作具有工作量小、耗时短等优点，识别网络的处理效率较高。同时，有利于识别网络在进行特征提取时准确提取到特征，识别网络输出准确的提示信息。
虽然本实施例提供的方法中，使用激活层对CT检测数据进行激活处理，执行激活处理操作也会产生一定工作量并消耗一定时间，但是相比于特征提取操作，激活处理操作所产生的工作量要小的多，所消耗的时间要少得多。
因此，相比于将过滤前的CT检测数据直接输入识别网络，获得识别网络输出的指示信息，使用本实施例提供的方法，使用激活层对CT检测数据进行激活处理，将经激活处理得到的目标CT检测数据输入识别网络中，获得识别网络输出的指示信息，具有执行效率高、执行时间短、执行结果准确性高等优点。
在步骤104中，根据指示信息，对CT图像进行处理。
例如，不同图像状态的CT图像对应的存储位置不同，可以根据指示信息，将CT图像存储在相应的存储位置，实现不同图像状态的CT图像的分区存储。
又如，可以根据指示信息，为CT图像添加关于图像状态的注释信息。注释信息与指示信息的信息形式可以相同，也可以不同。例如，当指示信息为0且0指示CT图像正常时，给CT图像添加0，以注释CT图像正常。
本公开实施例提供了一种图像处理方法，通过增设激活层，激活层中的参数包括与目标任务对应的窗宽和窗位，在处理CT图像时，使用激活层确定适用于目标任务的窗宽和窗位，保证了窗宽和窗位的准确性，提升了图像信息的利用率。同时，省去了操作者手动标记窗宽和窗位，减少了操作者的工作量，提高了图像处理效率。
图2是本公开一示例性实施例示出的一种识别网络的训练方法的流程图，图2所示的方法是利用第一样本CT图像对识别网络进行训练，图2所示的方法可以包括以下步骤：
在步骤201中，获取第一样本CT图像对应的第一样本CT检测数据，第一样本CT检测数据具有指示第一样本CT图像的图像状态的第一标注信息。
第一样本CT图像可以是完整CT图像，或者，可以是完整CT图像中的部分图像。例如，第一样本CT图像可以是针对肺部拍摄的完整CT图像，或者，可以是完整CT图像中的仅包括肺结节的CT图像。
在获取第一样本CT图像、确定第一样本CT图像的图像状态后，获取第一样本CT图像对应的第一样本CT检测数据，给第一样本CT检测数据添加第一标注信息，第一标注信息指示第一样本CT图像的图像状态。
可以参照步骤103部分的介绍，确定第一样本CT图像的图像状态。
可以采用相关技术中的方法，获取第一样本CT图像对应的第一样本CT检测数据。
在步骤202中，将第一样本CT检测数据输入激活层，使激活层对第一样本CT检测数据进行激活处理，输出第一样本中间数据，激活层包括设定窗宽和设定窗位。
在执行图2所示的训练方法时，激活层包括设定窗宽和设定窗位，激活层是固定的，仅对识别网络进行训练。例如，激活层包括激活函数：y=ReLU(-ReLU(-λ·x+ww+wl)+ww)，激活函数中的参数ww、wl和λ均具有设定值。
可以根据任务需求，设置激活层中的设定窗宽和设定窗位。例如，针对肺结节检测任务设置一设定窗宽和设定窗位，设定窗宽位于1500~2000HU内，设定窗位位于-450~600HU内，此时λ为1。
第一样本中间数据可以理解为：第一样本CT检测数据中的适于设定窗宽和设定窗位的CT检测数据。
在步骤203中，将第一样本中间数据输入识别网络中，使识别网络根据第一样本中间数据，输出指示第一样本CT图像的图像状态的第一指示信息。
可以参照步骤103部分的介绍，输出第一指示信息，本步骤在此不再赘述。
在步骤204中，根据第一标注信息与第一指示信息之间的差异，对识别网络中的参数进行调整。
可以采用最小梯度等方法，对识别网络中的参数进行调整。
本公开实施例中，激活层包括设定窗宽和设定窗位，激活层是固定的，仅对识别网络进行训练。
图3是本公开一示例性实施例示出的一种激活层和识别网络的训练方法的流程图，图3所示的方法是在图2所示的方法的基础上，利用第二样本CT图像对激活层和调整后的识别网络进行训练，图3所示的方法可以包括以下步骤：
在步骤301中，获取针对目标任务的第二样本CT图像对应的第二样本CT检测数据，第二样本CT检测数据具有指示第二样本CT图像的图像状态的第二标注信息。
在执行图2所示的方法后，通过执行步骤301-步骤304，利用第二样本CT图像对激活层和调整后的识别网络进行训练。
第二样本CT图像是针对目标任务采集的图像。第二样本CT图像可以是完整CT图像，或者，可以是完整CT图像中的部分图像。
在获取第二样本CT图像、确定第二样本CT图像的图像状态后，获取第二样本CT图像对应的第二样本CT检测数据，给第二样本CT检测数据添加第二标注信息，第二标注信息指示第二样本CT图像的图像状态。
在步骤302中，将第二样本CT检测数据输入激活层中，使激活层对第二样本CT数据进行激活处理，输出第二样本中间数据。
使用图2所示的方法仅对识别网络进行训练，激活层未发生变化。在使用图3所示的方法对激活层进行训练的过程中，在首次使用激活层时，激活层包括与目标任务对应的设定窗宽和设定窗位，随着训练过程的进行，激活层中的窗宽和窗位的数值被调整。
在首次使用激活层时，第二样本中间数据可以理解为：第二样本CT检测数据中的适于设定窗宽和设定窗位的CT检测数据。
在再次使用激活层时，第二样本中间数据可以理解为：第二样本CT检测数据中的适于当前窗宽和当前窗位的CT检测数据。
在步骤303中，将第二样本中间数据输入调整后的识别网络中，使调整后的识别网络根据第二样本中间数据，输出第二样本CT图像的图像状态的第二指示信息。
可以参照步骤103部分的介绍，输出第二指示信息，本步骤在此不再赘述。
在步骤304中，根据第二标注信息和第二指示信息之间的差异，对激活层中的参数和调整后的识别网络中的参数进行调整。
对激活层中的参数进行调整可以理解为：对激活层中的窗宽和窗位进行调整，使得调整后的激活层中的窗宽和窗位适用于目标任务。例如，激活层包括激活函数，激活函数如下：y=ReLU(-ReLU(-λ·x+ww+wl)+ww)，可以在训练激活层的过程中，对激活函数中的ww、wl和λ进行调整。
适用的参数调整方法有多种，例如，最小梯度等方法。本公开实施例不限定具体的参数调整方法。
在执行图3所示的方法之前，已经使用图2所示的方法对识别网络中的参数进行调整，使用图3所示的方法主要是对激活层进行调整，因此可以在对激活层中的参数和调整后的识别网络中的参数进行调整的过程中，控制激活层的学习率高于调整后的识别网络的学习率。
可以根据需要和经验设置学习率的大小。例如，激活层的学习率为0.001，识别网络的学习率为0.0001。
本实施例中，对激活层中的参数和识别网络中的参数进行调整，使得调整后的激活层和识别网络适用于目标任务，实现激活层和识别网络相对于目标任务的自适应调节。在执行目标任务时使用适用的激活层和识别网络进行图像处理，能够获得准确的图像处理结果。
由于调整后的激活层适用于目标任务，即调整后的窗宽和窗位适用于目标任务，因此在执行目标任务时使用调整后的窗宽和窗位获取目标CT检测数据，可以有效提升CT图像的图像信息的利用率。
在一些实施例中，第一种情况：识别网络包括卷积层和激活层。在对这类识别网络进行训练时，将样本CT图像对应的CT检测数据输入待训练的识别网络中，同时对卷积层和激活层进行训练。
样本CT图像对应的CT检测数据具有数据量大、包括较多的无用数据等特点，待训练的识别网络需要对大量CT检测数据进行特征提取等处理，具有处理工作量大、耗时长等缺点。同时，较多的无用数据会影响特征提取结果的准确性，阻碍了识别网络的训练，导致识别网络的训练时间较长。
第二种情况：存在独立设置的激活层和识别网络，识别网络可以包括卷积层。在对待训练的激活层和识别网络进行训练时，先对待训练的识别网络进行一次训练，在一次训练结束后，对待训练的激活层和一次训练后的识别网络进行训练，相当于对识别网络进行二次训练，并控制一次训练后的识别网络的学习率低于待训练激活层的学习率，实现对待训练的激活层和识别网络的分步训练。
使用激活层对样本CT图像对应的CT检测数据进行激活处理，目的是去除CT检测数据中的无用的CT检测数据，获得目标CT检测数据，目标CT检测数据具有数据量少、不包括或仅包括少量的无用数据等特点。
待训练的识别网络仅需对具有上述特点的目标CT检测数据进行特征提取等处理，具有处理工作量少、耗时短、准确提取到特征等优点，有利于在短时间内完成识别网络的训练。
基于系统架构不同，第二种情况中的激活层和识别网络的训练方式不同于第一种情况中的识别网络（包括激活层）的训练方式。
训练第二种情况中的识别网络所需的工作量较少、耗时较短，而训练第一种情况中的识别网络所需的工作量较多、耗时较长。
与前述图像处理方法相对应，本公开还提供了图像处理装置及系统的实施例。
参照图4是本公开一示例性实施例示出的一种图像处理装置的示意图，图5所示的图像处理装置包括：
数据获取模块41，被配置为获取CT图像对应的CT检测数据；
数据处理模块42，被配置为使用激活层对所述CT检测数据进行激活处理，得到目标CT检测数据，所述激活层中的参数包括与目标任务对应的窗宽和窗位；
数据输入模块43，被配置为将所述目标CT检测数据输入识别网络中，使所述识别网络根据所述目标CT检测数据输出指示所述CT图像的图像状态的指示信息；
图像处理模块44，被配置为根据所述指示信息，对所述CT图像进行处理。
在一个可选的实施例中，在图4所示的装置的基础上，所述装置还可以包括第一网络训练模型，所述第一网络训练模块可以包括：
第一数据获取子模块，被配置为获取第一样本CT图像对应的第一样本CT检测数据，所述第一样本CT检测数据具有指示所述第一样本CT图像的图像状态的第一标注信息；
第一数据输入子模块，被配置为将所述第一样本CT检测数据输入所述激活层，使所述激活层对所述第一样本CT检测数据进行激活处理，输出第一样本中间数据，所述激活层包括设定窗宽和设定窗位；
第二数据输入子模块，被配置为将所述第一样本中间数据输入所述识别网络中，使所述识别网络根据所述第一样本中间数据，输出指示所述第一样本CT图像的图像状态的第一指示信息；
第一参数调整子模块，被配置为根据所述第一标注信息与所述第一指示信息之间的差异，对所述识别网络中的参数进行调整。
在一个可选的实施例中， 所述装置还可以包括第二网络训练模型，所述第二网络训练模块可以包括：
第二数据获取子模块，被配置为获取针对所述目标任务的第二样本CT图像对应的第二样本CT检测数据，所述第二样本CT检测数据具有指示所述第二样本CT图像的图像状态的第二标注信息；
第三数据输入子模块，被配置为将所述第二样本CT检测数据输入所述激活层中，使所述激活层对所述第二样本CT数据进行激活处理，输出第二样本中间数据；
第四数据输入子模块，被配置为将所述第二样本中间数据输入调整后的识别网络中，使所述调整后的识别网络根据所述第二样本中间数据，输出所述第二样本CT图像的图像状态的第二指示信息；
第二参数调整子模块，被配置为根据所述第二标注信息和所述第二指示信息之间的差异，对所述激活层中的参数和所述调整后的识别网络中的参数进行调整。
在一个可选的实施例中，所述装置还可以包括：
学习率控制模块，被配置为在对所述激活层中的参数和所述调整后的识别网络中的参数进行调整的过程中，控制所述激活层的学习率高于所述调整后的识别网络的学习率。
在一个可选的实施例中，在图4所示的装置的基础上，所述CT检测数据是三维数据。
在一个可选的实施例中，在图4所示的装置的基础上，数据处理模块42，被配置为使用激活函数对所述CT检测数据进行激活处理，所述激活函数的表达式如下：
y=ReLU(-ReLU(-λ·x+ww+wl)+ww)
其中，ww为窗宽；wl为窗位；λ为系数。
参照图5是本公开一示例性实施例示出的一种图像处理系统的示意图，该图像处理系统可以包括：内部总线510，以及通过内部总线510连接的存储器520、处理器530和外部接口540；
其中，外部接口540，用于获取数据；
存储器520，用于存储图像处理对应的机器可读指令；
处理器530，用于执行所述机器可读指令，以实现如下操作：
获取CT图像对应的CT检测数据；
使用激活层对所述CT检测数据进行激活处理，得到目标CT检测数据，所述激活层中的参数包括与目标任务对应的窗宽和窗位；
将所述目标CT检测数据输入识别网络中，使所述识别网络根据所述目标CT检测数据输出指示所述CT图像的图像状态的指示信息；
根据所述指示信息，对所述CT图像进行处理；
利用第一样本CT图像对所述识别网络进行训练，具体包括：
获取第一样本CT图像对应的第一样本CT检测数据，所述第一样本CT检测数据具有指示所述第一样本CT图像的图像状态的第一标注信息；
将所述第一样本CT检测数据输入所述激活层，使所述激活层对所述第一样本CT检测数据进行激活处理，输出第一样本中间数据，所述激活层包括设定窗宽和设定窗位；
将所述第一样本中间数据输入所述识别网络中，使所述识别网络根据所述第一样本中间数据，输出指示所述第一样本CT图像的图像状态的第一指示信息；
根据所述第一标注信息与所述第一指示信息之间的差异，对所述识别网络中的参数进行调整；
利用第二样本CT图像对所述激活层和所述识别网络进行训练，具体包括：
获取针对所述目标任务的第二样本CT图像对应的第二样本CT检测数据，所述第二样本CT检测数据具有指示所述第二样本CT图像的图像状态的第二标注信息；
将所述第二样本CT检测数据输入所述激活层中，使所述激活层对所述第二样本CT数据进行激活处理，输出第二样本中间数据；
将所述第二样本中间数据输入调整后的识别网络中，使所述调整后的识别网络根据所述第二样本中间数据，输出所述第二样本CT图像的图像状态的第二指示信息；
根据所述第二标注信息和所述第二指示信息之间的差异，对所述激活层中的参数和所述调整后的识别网络中的参数进行调整。
在公开实施例中，计算机可读存储介质可以是多种形式，比如，在不同的例子中，所述机器可读存储介质可以是：RAM（Radom Access Memory，随机存取存储器）、易失存储器、非易失性存储器、闪存、存储驱动器（如硬盘驱动器）、固态硬盘、任何类型的存储盘（如光盘、dvd等），或者类似的存储介质，或者它们的组合。特殊的，所述的计算机可读介质还可以是纸张或者其他合适的能够打印程序的介质。使用这些介质，这些程序可以被通过电学的方式获取到（例如，光学扫描）、可以被以合适的方式编译、解释和处理，然后可以被存储到计算机介质中。
以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。

Claims (6)

1.一种图像处理方法，其特征在于，所述方法包括：
获取CT图像对应的CT检测数据；
使用激活层对所述CT检测数据进行激活处理，得到目标CT检测数据，所述激活层中的参数包括与目标任务对应的窗宽和窗位；
将所述目标CT检测数据输入识别网络中，使所述识别网络根据所述目标CT检测数据输出指示所述CT图像的图像状态的指示信息；
根据所述指示信息，对所述CT图像进行处理；
所述方法还包括利用第一样本CT图像对所述识别网络进行训练，具体包括：
获取第一样本CT图像对应的第一样本CT检测数据，所述第一样本CT检测数据具有指示所述第一样本CT图像的图像状态的第一标注信息；
将所述第一样本CT检测数据输入所述激活层，使所述激活层对所述第一样本CT检测数据进行激活处理，输出第一样本中间数据，所述激活层包括设定窗宽和设定窗位；
将所述第一样本中间数据输入所述识别网络中，使所述识别网络根据所述第一样本中间数据，输出指示所述第一样本CT图像的图像状态的第一指示信息；
根据所述第一标注信息与所述第一指示信息之间的差异，对所述识别网络中的参数进行调整；
所述方法还包括利用第二样本CT图像对所述激活层和调整后的识别网络进行训练，具体包括：
获取针对所述目标任务的第二样本CT图像对应的第二样本CT检测数据，所述第二样本CT检测数据具有指示所述第二样本CT图像的图像状态的第二标注信息；
将所述第二样本CT检测数据输入所述激活层中，使所述激活层对所述第二样本CT数据进行激活处理，输出第二样本中间数据；
将所述第二样本中间数据输入所述调整后的识别网络中，使所述调整后的识别网络根据所述第二样本中间数据，输出所述第二样本CT图像的图像状态的第二指示信息；
根据所述第二标注信息和所述第二指示信息之间的差异，对所述激活层中的参数和所述调整后的识别网络中的参数进行调整。
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：
在对所述激活层中的参数和所述调整后的识别网络中的参数进行调整的过程中，控制所述激活层的学习率高于所述调整后的识别网络的学习率。
3.根据权利要求1所述的方法，其特征在于，所述CT检测数据是三维数据。
4.根据权利要求1所述的方法，其特征在于，所述使用激活层对所述CT检测数据进行激活处理，包括：
使用激活函数对所述CT检测数据进行激活处理，所述激活函数的表达式如下：
y=ReLU(-ReLU(-λ·x+ww+wl)+ww)
其中，ww为窗宽；wl为窗位；λ为系数。
5.一种图像处理装置，其特征在于，所述装置包括：
数据获取模块，被配置为获取CT图像对应的CT检测数据；
数据处理模块，被配置为使用激活层对所述CT检测数据进行激活处理，得到目标CT检测数据，所述激活层中的参数包括与目标任务对应的窗宽和窗位；
数据输入模块，被配置为将所述目标CT检测数据输入识别网络中，使所述识别网络根据所述目标CT检测数据输出指示所述CT图像的图像状态的指示信息；
图像处理模块，被配置为根据所述指示信息，对所述CT图像进行处理；
所述装置还包括第一网络训练模型，所述第一网络训练模型 包括：
第一数据获取子模块，被配置为获取第一样本CT图像对应的第一样本CT检测数据，所述第一样本CT检测数据具有指示所述第一样本CT图像的图像状态的第一标注信息；
第一数据输入子模块，被配置为将所述第一样本CT检测数据输入所述激活层，使所述激活层对所述第一样本CT检测数据进行激活处理，输出第一样本中间数据，所述激活层包括设定窗宽和设定窗位；
第二数据输入子模块，被配置为将所述第一样本中间数据输入所述识别网络中，使所述识别网络根据所述第一样本中间数据，输出指示所述第一样本CT图像的图像状态的第一指示信息；
第一参数调整子模块，被配置为根据所述第一标注信息与所述第一指示信息之间的差异，对所述识别网络中的参数进行调整；
所述装置还包括第二网络训练模型，所述第二网络训练模型包括：
第二数据获取子模块，被配置为获取针对所述目标任务的第二样本CT图像对应的第二样本CT检测数据，所述第二样本CT检测数据具有指示所述第二样本CT图像的图像状态的第二标注信息；
第三数据输入子模块，被配置为将所述第二样本CT检测数据输入所述激活层中，使所述激活层对所述第二样本CT数据进行激活处理，输出第二样本中间数据；
第四数据输入子模块，被配置为将所述第二样本中间数据输入调整后的识别网络中，使所述调整后的识别网络根据所述第二样本中间数据，输出所述第二样本CT图像的图像状态的第二指示信息；
第二参数调整子模块，被配置为根据所述第二标注信息和所述第二指示信息之间的差异，对所述激活层中的参数和所述调整后的识别网络中的参数进行调整。
6.一种图像处理系统，其特征在于，包括：内部总线，以及通过内部总线连接的存储器、处理器和外部接口；其中，
所述外部接口，用于获取数据；
所述存储器，用于存储图像处理对应的机器可读指令；
所述处理器，用于执行所述机器可读指令，以实现权利要求1-4中任一项所述的方法。
CN202110304621.9A 2021-03-23 2021-03-23 图像处理方法、装置及系统 Active CN112700445B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110304621.9A CN112700445B (zh) 2021-03-23 2021-03-23 图像处理方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110304621.9A CN112700445B (zh) 2021-03-23 2021-03-23 图像处理方法、装置及系统

Publications (2)

Publication Number Publication Date
CN112700445A CN112700445A (zh) 2021-04-23
CN112700445B true CN112700445B (zh) 2021-06-29

Family

ID=75516787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110304621.9A Active CN112700445B (zh) 2021-03-23 2021-03-23 图像处理方法、装置及系统

Country Status (1)

Country Link
CN (1) CN112700445B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018155765A1 (ko) * 2017-02-22 2018-08-30 연세대학교 산학협력단 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치
CN109598727A (zh) * 2018-11-28 2019-04-09 北京工业大学 一种基于深度神经网络的ct图像肺实质三维语义分割方法
CN110570417A (zh) * 2019-09-12 2019-12-13 慧影医疗科技（北京）有限公司 肺结节分类方法、装置及图像处理设备
CN111696164A (zh) * 2020-05-15 2020-09-22 平安科技（深圳）有限公司 自适应窗宽窗位调节方法、装置、计算机系统及存储介质
CN111833321A (zh) * 2020-07-07 2020-10-27 杭州电子科技大学 一种调窗优化增强的颅内出血检测模型及其构建方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200085382A1 (en) * 2017-05-30 2020-03-19 Arterys Inc. Automated lesion detection, segmentation, and longitudinal identification
US20200265578A1 (en) * 2017-09-08 2020-08-20 The General Hospital Corporation System and method for utilizing general-purpose graphics processing units (gpgpu) architecture for medical image processing
CN109544534B (zh) * 2018-11-26 2020-10-16 上海联影智能医疗科技有限公司 一种病灶图像检测装置、方法和计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018155765A1 (ko) * 2017-02-22 2018-08-30 연세대학교 산학협력단 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치
CN109598727A (zh) * 2018-11-28 2019-04-09 北京工业大学 一种基于深度神经网络的ct图像肺实质三维语义分割方法
CN110570417A (zh) * 2019-09-12 2019-12-13 慧影医疗科技（北京）有限公司 肺结节分类方法、装置及图像处理设备
CN111696164A (zh) * 2020-05-15 2020-09-22 平安科技（深圳）有限公司 自适应窗宽窗位调节方法、装置、计算机系统及存储介质
CN111833321A (zh) * 2020-07-07 2020-10-27 杭州电子科技大学 一种调窗优化增强的颅内出血检测模型及其构建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Estimation of Window Width Setting for CT Scan Brain Images Using Mean of Greyscale Level to Standard Deviation Ratio;C. S. Ee et al.;《2016 International Conference on Robotics,Automation and Sciences》;20170309;第1-6页 *
基于RV-FCN的CT肝脏影像自动分割算法;张杰妹 等;《计算机工程》;20190731;第45卷(第7期);第258-263页 *
基于卷积神经网络的CT图像肺结节检测;谢未央 等;《计算机工程与设计》;20191231;第40卷(第12期);第3575-3581页 *

Also Published As

Publication number Publication date
CN112700445A (zh) 2021-04-23

Similar Documents

Publication Publication Date Title
CN109754387B (zh) 一种全身骨显像放射性浓聚灶的智能检测定位方法
CN111310835B (zh) 目标对象的检测方法及装置
CN109741312A (zh) 一种肺结节鉴别方法、装置、设备及介质
CN109087310B (zh) 睑板腺纹理区域的分割方法、系统、存储介质及智能终端
CN108492327B (zh) Aoi图像匹配方法、系统、可读存储介质及智能设备
CN110570390B (zh) 一种图像检测方法及装置
CN114757950B (zh) 超声图像处理方法、装置以及计算机可读存储介质
CN113159212A (zh) Ocr识别模型训练方法、装置以及计算机可读存储介质
CN112513927A (zh) 基于卷积神经网络的风力涡轮机叶片缺陷检查
CN113836850A (zh) 模型获得方法及系统及装置及介质及产品缺陷检测方法
CN114254146A (zh) 图像数据的分类方法、装置和系统
CN112700445B (zh) 图像处理方法、装置及系统
CN111027474A (zh) 人脸区域获取方法、装置、终端设备和存储介质
CN111128349A (zh) 基于gan的医学影像病灶检测标记数据增强方法及装置
CN114359671A (zh) 基于多目标学习的超声影像甲状腺结节分类方法及系统
CN111401102A (zh) 深度学习模型训练方法及装置、电子设备及存储介质
JP3631095B2 (ja) 照射野領域抽出装置、放射線撮影装置、放射線画像用システム、照射野領域抽出方法、及びコンピュータ可読記憶媒体
CN116486304A (zh) 一种基于超声视频的关键帧提取方法及相关设备
JP2000217818A (ja) 画像診断装置
CN113066108B (zh) 基于eco算法的抗遮挡视觉目标跟踪方法及装置
CN112837283B (zh) 一种肺栓塞检测系统、介质及电子设备
CN111914766B (zh) 一种城市管理业务游商行为检测方法
CN112613503B (zh) 图片类型识别方法及装置
JP2003302898A5 (zh)
WO2023248789A1 (ja) 試料状態判定装置、試料状態判定方法及び試料検査装置

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