CN112734697A - 图像处理方法、装置、存储介质和电子设备 - Google Patents

图像处理方法、装置、存储介质和电子设备 Download PDF

Info

Publication number
CN112734697A
CN112734697A CN202011552542.1A CN202011552542A CN112734697A CN 112734697 A CN112734697 A CN 112734697A CN 202011552542 A CN202011552542 A CN 202011552542A CN 112734697 A CN112734697 A CN 112734697A
Authority
CN
China
Prior art keywords
slice
region
grouping
regions
selection matrix
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.)
Granted
Application number
CN202011552542.1A
Other languages
English (en)
Other versions
CN112734697B (zh
Inventor
王希
何光宇
平安
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.)
Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd
Original Assignee
Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd
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 Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd filed Critical Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd
Priority to CN202011552542.1A priority Critical patent/CN112734697B/zh
Publication of CN112734697A publication Critical patent/CN112734697A/zh
Application granted granted Critical
Publication of CN112734697B publication Critical patent/CN112734697B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种图像处理方法、装置、存储介质和电子设备，涉及图像处理技术领域，该方法包括：将待处理图像划分为第一数量个切片区域，对每个切片区域进行特征提取，以得到每个切片区域的区域特征，根据选择矩阵和每个切片区域的区域特征，将第一数量个切片区域划分为第二数量个分组，选择矩阵用于表征每个切片区域被分配到每个分组的分配概率，根据第二数量个分组，生成第二数量个目标区域。本公开通过选择矩阵和待处理图像划分的每个切片区域的区域特征，对全部切片区域进行分组，并根据分组结果，智能地确定待处理图像中的第二数量个目标区域，不需要人工参与，能够提高对目标区域的识别效率和准确度。

Description

图像处理方法、装置、存储介质和电子设备
技术领域
本公开涉及图像处理技术领域，具体地，涉及一种图像处理方法、装置、存储介质和电子设备。
背景技术
恶性肿瘤是威胁人类健康的主要疾病之一，长期以来，对恶性肿瘤的研究一直是医学界的重要课题。病理图像作为一种临床诊断的重要手段，被广泛应用于对肿瘤情况的判断，医生可以通过识别病理图像中各种类型的区域(例如，正常区域、肿瘤区域和肿瘤微环境区域等)并进行分析，来判断病人的肿瘤情况。然而，随着病人数量的增加，以及专业病理学医生数量的匮乏，通过人工识别病理图像中各种类型的区域，效率低下。并且，要识别病理图像中各种类型的区域，对医生的能力和经验要求较高，容易造成误判或漏判。
发明内容
为了解决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、存储介质和电子设备。
为了实现上述目的，根据本公开实施例的第一方面，提供一种图像处理方法，所述方法包括：
将待处理图像划分为第一数量个切片区域，每个所述切片区域内包括的像素数量相同；
对每个所述切片区域进行特征提取，以得到每个所述切片区域的区域特征；
根据选择矩阵和每个所述切片区域的区域特征，将第一数量个所述切片区域划分为第二数量个分组；所述选择矩阵用于表征每个所述切片区域被分配到每个所述分组的分配概率；
根据第二数量个所述分组，生成第二数量个目标区域；每个所述目标区域对应一个所述分组，每个所述目标区域由对应的所述分组内包括的所述切片区域组成。
可选地，所述对每个所述切片区域进行特征提取，以得到每个所述切片区域的区域特征，包括：
利用尺度不变特征变换SIFT算法，提取每个所述切片区域的SIFT特征；
确定每个所述切片区域对应的灰度共生矩阵GLCM，并根据所述GLCM确定该切片区域的GLCM特征；
将每个所述切片区域的所述SIFT特征和所述GLCM特征，作为该切片区域的所述区域特征。
可选地，所述根据选择矩阵和每个所述切片区域的区域特征，将第一数量个所述切片区域划分为第二数量个分组，包括：
根据所述选择矩阵，确定将所述第一数量个切片区域分配到第二数量个初始分组的第三数量种分组结果；每种所述分组结果用于指示每个所述初始分组包括的所述切片区域；
根据每种所述分组结果中每个所述初始分组中包括的所述切片区域的区域特征，从第三数量种所述分组结果中选取最优分组结果；
根据所述最优分组结果更新所述选择矩阵，并重复执行所述根据所述选择矩阵，确定将所述第一数量个切片区域分配到第二数量个初始分组的第三数量种分组结果，至所述根据所述最优分组结果更新所述选择矩阵的步骤，直至所述最优分组结果满足预设的分组结束条件；
按照所述最优分组结果对第一数量个所述切片区域进行划分，以得到第二数量个所述分组。
可选地，所述根据所述选择矩阵，确定将所述第一数量个切片区域分配到第二数量个初始分组的第三数量种分组结果，包括：
针对每个所述切片区域，选择分配规则；
在所述分配规则为第一分配规则的情况下，将该切片区域随机分配给任一个所述初始分组；
在所述分配规则为第二分配规则的情况下，按照所述选择矩阵中该切片区域被分配到每个所述初始分组的所述分配概率，对该切片区域进行分配。
可选地，所述根据每种所述分组结果中每个所述初始分组中包括的所述切片区域的区域特征，从第三数量种所述分组结果中选取最优分组结果，包括：
针对每种所述分组结果，根据每个所述切片区域的区域特征，确定该种分组结果中每个所述初始分组对应的聚类中心；
根据该种分组结果中每个所述初始分组包括的全部所述切片区域的区域特征，和该初始分组对应的所述聚类中心，确定该种分组结果对应的偏离误差；
将对应的所述偏离误差最小的所述分组结果作为所述最优分组结果。
可选地，所述根据所述最优分组结果更新所述选择矩阵，包括：
针对每个所述切片区域，确定所述最优分组结果中该切片区域所属的历史分组；
根据所述最优分组结果对应的所述偏离误差，对所述选择矩阵中该切片区域被分配到所述历史分组的所述分配概率进行更新。
可选地，所述分组结束条件为：所述最优分组结果对应的所述偏离误差小于或等于预设阈值。
根据本公开实施例的第二方面，提供一种图像处理装置，所述装置包括：
划分模块，用于将待处理图像划分为第一数量个切片区域，每个所述切片区域内包括的像素数量相同；
提取模块，用于对每个所述切片区域进行特征提取，以得到每个所述切片区域的区域特征；
分组模块，用于根据选择矩阵和每个所述切片区域的区域特征，将第一数量个所述切片区域划分为第二数量个分组；所述选择矩阵用于表征每个所述切片区域被分配到每个所述分组的分配概率；
生成模块，用于根据第二数量个所述分组，生成第二数量个目标区域；每个所述目标区域对应一个所述分组，每个所述目标区域由对应的所述分组内包括的所述切片区域组成。
可选地，所述提取模块包括：
提取子模块，用于利用尺度不变特征变换SIFT算法，提取每个所述切片区域的SIFT特征；
所述提取子模块，还用于确定每个所述切片区域对应的灰度共生矩阵GLCM，并根据所述GLCM确定该切片区域的GLCM特征；
第一确定子模块，用于将每个所述切片区域的所述SIFT特征和所述GLCM特征，作为该切片区域的所述区域特征。
可选地，所述分组模块包括：
第二确定子模块，用于根据所述选择矩阵，确定将所述第一数量个切片区域分配到第二数量个初始分组的第三数量种分组结果；每种所述分组结果用于指示每个所述初始分组包括的所述切片区域；
选取子模块，用于根据每种所述分组结果中每个所述初始分组中包括的所述切片区域的区域特征，从第三数量种所述分组结果中选取最优分组结果；
更新子模块，用于根据所述最优分组结果更新所述选择矩阵；
重复执行所述根据所述选择矩阵，确定将所述第一数量个切片区域分配到第二数量个初始分组的第三数量种分组结果，至所述根据所述最优分组结果更新所述选择矩阵的步骤，直至所述最优分组结果满足预设的分组结束条件；
划分子模块，用于按照所述最优分组结果对第一数量个所述切片区域进行划分，以得到第二数量个所述分组。
可选地，所述第二确定子模块用于：
针对每个所述切片区域，选择分配规则；
在所述分配规则为第一分配规则的情况下，将该切片区域随机分配给任一个所述初始分组；
在所述分配规则为第二分配规则的情况下，按照所述选择矩阵中该切片区域被分配到每个所述初始分组的所述分配概率，对该切片区域进行分配。
可选地，所述选取子模块用于：
针对每种所述分组结果，根据每个所述切片区域的区域特征，确定该种分组结果中每个所述初始分组对应的聚类中心；
根据该种分组结果中每个所述初始分组包括的全部所述切片区域的区域特征，和该初始分组对应的所述聚类中心，确定该种分组结果对应的偏离误差；
将对应的所述偏离误差最小的所述分组结果作为所述最优分组结果。
可选地，所述更新子模块用于：
针对每个所述切片区域，确定所述最优分组结果中该切片区域所属的历史分组；
根据所述最优分组结果对应的所述偏离误差，对所述选择矩阵中该切片区域被分配到所述历史分组的所述分配概率进行更新。
可选地，所述分组结束条件为：所述最优分组结果对应的所述偏离误差小于或等于预设阈值。
根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面提供的图像处理方法的步骤。
根据本公开实施例的第四方面，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，以实现第一方面提供的图像处理方法的步骤。
通过上述技术方案，本公开首先通过将待处理图像划分为第一数量个像素数量相同的切片区域，并对每个切片区域进行特征提取，以得到每个切片区域的区域特征，之后根据选择矩阵和每个切片区域的区域特征，将第一数量个切片区域划分为第二数量个分组，选择矩阵用于表征每个切片区域被分配到每个分组的分配概率，最后根据第二数量个分组，生成第二数量个目标区域，其中，每个目标区域对应一个分组，每个目标区域由对应的分组内包括的切片区域组成。本公开通过选择矩阵和待处理图像划分的每个切片区域的区域特征，对全部切片区域进行分组，并根据分组结果，智能地确定待处理图像中的第二数量个目标区域，不需要人工参与，能够提高对目标区域的识别效率和准确度。
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是根据一示例性实施例示出的一种图像处理的流程图；
图2是图1所示实施例示出的一种步骤102的流程图；
图3是图1所示实施例示出的一种步骤103的流程图；
图4是根据一示例性实施例示出的一种图像处理装置的框图；
图5是图4所示实施例示出的一种提取模块的框图；
图6是图4所示实施例示出的一种分组模块的框图；
图7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
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。
在介绍本公开提供的图像处理方法、装置、存储介质和电子设备之前，首先对本公开中各个实施例所涉及的应用场景进行介绍，该应用场景可以是对待处理图像中的目标区域进行识别的场景。该待处理图像可以是病理图像、CT(英文：Computed Tomography，中文：计算机断层扫描)图像、MRI(英文：Magnetic Resonance Imaging，中文：磁共振成像)图像、PET(英文：Positron Emission Computed Tomography，中文：正电子发射型计算机断层显像)等医学图像，也可以是其他任一种包含多种类型的目标区域的图像，每种类型的目标区域具有相似组成成分。例如，在待处理图像为肿瘤的病理图像时，目标区域可以是病理图像中不包含肿瘤和肿瘤微环境的正常区域、包含肿瘤的肿瘤区域或包含肿瘤微环境的肿瘤微环境区域。
图1是根据一示例性实施例示出的一种图像处理的流程图。如图1所示，该方法可以包括以下步骤：
步骤101，将待处理图像划分为第一数量个切片区域，每个切片区域内包括的像素数量相同。
举例来说，由于待处理图像中具有相似组成成分的目标区域的特征相近。因此，可以采用对待处理图像中具有相似特征的区域进行聚类的方式，来自动地生成目标区域，以提高对目标区域的识别效率和准确度。
具体的，为了提高对待处理图像中的目标区域的识别速度，并降低对待处理图像进行处理和分析的数据量，可以先对待处理图像进行划分，以将待处理图像划分为第一数量个像素数量相同的切片区域。例如，在待处理图像的像素为10W*10W的情况下，可以将待处理图像划分成大小为256*256像素的切片区域。
步骤102，对每个切片区域进行特征提取，以得到每个切片区域的区域特征。
进一步的，可以针对每个切片区域，对该切片区域进行特征提取，以得到该切片区域的区域特征，例如，区域特征可以包括SIFT(英文：Scale-invariant featuretransform，中文：尺度不变特征变换)特征和GLCM(英文：Gray-level Co-occurrenceMatrix，中文：灰度共生矩阵)特征。
步骤103，根据选择矩阵和每个切片区域的区域特征，将第一数量个切片区域划分为第二数量个分组。其中，选择矩阵用于表征每个切片区域被分配到每个分组的分配概率。
示例的，如果采用深度学习的方式，来对待处理图像中具有相似特征的区域进行聚类，需要大量精确的标注数据，人工成本高，这就导致了在采用深度学习的方式对待处理图像中具有相似特征的区域进行聚类时，可能会缺乏大量的可用数据。因此，可以采用无监督学习的方式来对待处理图像中具有相似特征的区域进行聚类。具体的，首先可以预先设置第二数量个分组和用于表征每个切片区域被分配到每个分组的分配概率的选择矩阵。其中，选择矩阵的维数为N*K，N为第一数量，K为第二数量。选择矩阵初始时的每个元素对应的数值相同(例如可以均为0.01)，即初始时每个切片区域被分配到任一分组的分配概率相同。
其次，可以按照选择矩阵，对第一数量个切片区域进行指定数量次(例如，1000次)预划分，以得到指定数量种预分组结果，每种预分组结果用于指示每个分组包括的切片区域。然后，可以根据每种预分组结果中每个分组中包括的切片区域的区域特征，从指定数量种预分组结果中选取最优预分组结果。例如，可以针对每种预分组结果，根据该种预分组结果中每个分组包括的切片区域的区域特征，判断该种预分组结果中各切片区域的相似程度，并将相似程度最高的预分组结果作为最优预分组结果。之后可以根据该最优预分组结果对选择矩阵进行更新，以调高在对第一数量个切片区域进行划分时选择该最优预分组结果对应的分组方式的概率。最后判断该最优预分组结果是否满足预设条件，若不满足，重复执行上述步骤，直至该最优预分组结果满足预设条件，将该最优预分组结果作为最终的分组结果，并按照最终的分组结果对第一数量个切片区域进行划分，得到第二数量个分组。其中，预设条件可以是：最优预分组结果中各切片区域的相似程度大于或等于预设阈值。
步骤104，根据第二数量个分组，生成第二数量个目标区域。其中，每个目标区域对应一个分组，每个目标区域由对应的分组内包括的切片区域组成。
在本步骤中，可以将第二数量个分组中每个分组包括的切片区域组成一个目标区域(即每个目标区域对应一个分组)，以得到第二数量个目标区域。其中，每个目标区域可以理解为一个聚类，每个目标区域包括的切片区域即为聚类中的一个对象，目标区域可以是连通的，也可以不连通的。例如，在待处理图像为肿瘤的病理图像的情况下，可以设置3个分组(即第二数量为3)，通过步骤101-步骤104可以得到3个目标区域，3个目标区域可以分别代表正常区域、肿瘤区域和肿瘤微环境区域。进一步的，可以采用不同颜色对这3个目标区域进行标识，以便医生根据这3个目标区域对肿瘤情况进行判断。
综上所述，本公开首先通过将待处理图像划分为第一数量个像素数量相同的切片区域，并对每个切片区域进行特征提取，以得到每个切片区域的区域特征，之后根据选择矩阵和每个切片区域的区域特征，将第一数量个切片区域划分为第二数量个分组，选择矩阵用于表征每个切片区域被分配到每个分组的分配概率，最后根据第二数量个分组，生成第二数量个目标区域，其中，每个目标区域对应一个分组，每个目标区域由对应的分组内包括的切片区域组成。本公开通过选择矩阵和待处理图像划分的每个切片区域的区域特征，对全部切片区域进行分组，并根据分组结果，智能地确定待处理图像中的第二数量个目标区域，不需要人工参与，能够提高对目标区域的识别效率和准确度。
图2是图1所示实施例示出的一种步骤102的流程图。如图2所示，步骤102可以包括以下步骤：
步骤1021，利用SIFT算法，提取每个切片区域的SIFT特征。
举例来说，在得到第一数量个切片区域后，可以针对每个切片区域，利用SIFT算法提取该切片区域的SIFT特征。例如，首先可以采用高斯函数计算模糊模板，并使用模糊模板对该切片区域进行第四数量次高斯模糊处理，以得到第四数量个模糊切片区域。再对第四数量个模糊切片区域中，相邻的模糊切片区域进行相减操作，以得到第五数量个依次排列的差分切片区域。其次，可以针对每个差分切片区域，将该差分切片区域中像素值大于(或小于等于)邻域像素点的像素值的像素点作为极值像素点。其中，该差分切片区域中每个像素点的邻域像素点包括第一像素点和第二像素点，第一像素点包括该像素点周围的相邻像素点，第二像素点包括在相邻差分切片区域中与该像素点对应的像素点，以及在相邻差分切片区域中与该像素点的第一像素点对应的像素点，相邻差分切片区域为该差分切片区域相邻的差分切片区域。然后，可以丢弃曲率大于或等于预设曲率阈值的极值像素点，以得到多个目标特征点。最后将目标特征点周围的图像区域划分为第六数量(例如，16)个区块，再计算每个区块内的梯度值和梯度方向，并根据每个区块内的梯度值和梯度方向，生成每个目标特征点对应的第一特征向量，并将第一特征向量作为SIFT特征。
步骤1022，确定每个切片区域对应的GLCM，并根据GLCM确定该切片区域的GLCM特征。
步骤1023，将每个切片区域的SIFT特征和GLCM特征，作为该切片区域的区域特征。
进一步的，首先可以将每个切片区域转换为该切片区域对应的灰度图像，并按照预设尺寸(例如，5×5或7×7)的滑动窗口和预设步距(例如，预设步距为1)，计算该切片区域对应的灰度图像在0°、45°、90°和135°四个方向上的GLCM。然后确定该切片区域对应的灰度图像在四个方向上的GLCM的特征值，并将这四个方向的GLCM的特征值取平均值后，作为该切片区域对应的特征值共生矩阵。然后，根据该切片区域对应的特征值共生矩阵，确定特征参数，将特征参数对应的第二特征向量作为GLCM特征。其中，特征参数可以包括：能量、对比度、相关、熵和逆差距。利用特征值共生矩阵，确定特征参数的方式可以参考相关技术中的描述，本公开对此不作具体限制。最后，将每个切片区域的SIFT特征和GLCM特征，作为该切片区域的区域特征，例如，可以将第一特征向量和第二特征向量拼接后作为该切片区域的区域特征。
图3是图1所示实施例示出的一种步骤103的流程图。如图3所示，步骤103可以包括以下步骤：
步骤1031，根据选择矩阵，确定将第一数量个切片区域分配到第二数量个初始分组的第三数量种分组结果。其中，每种分组结果用于指示每个初始分组包括的切片区域。
示例的，首先可以预先设置第二数量个初始分组和选择矩阵，每个初始分组对应一个分组。之后可以针对每个切片区域，选择分配规则。例如，可以设置有选择概率，来对该切片区域进行分配。在对该切片区域进行分配时，可以按照选择概率，选择分配规则。举个例子，当选择概率为80％时，在对该切片区域进行分配时，有80％的可能性选择第一分配规则，有20％的可能性选择第二分配规则。通过选择不同的分配规则，能够增加更多的分组可能性，从而提高识别目标区域的准确度。
然后，可以在分配规则为第一分配规则的情况下，将该切片区域随机分配给任一个初始分组。或者，在分配规则为第二分配规则的情况下，按照选择矩阵中该切片区域被分配到每个初始分组的分配概率，对该切片区域进行分配，以得到将第一数量个切片区域分配到第二数量个初始分组的第三数量种分组结果。将切片区域分配到某一个初始分组，实际上是对将切片区域分配到该初始分组对应的分组中进行模拟。需要说明的是，选择矩阵中该切片区域被分配到每个初始分组的分配概率，与该切片区域被分配到每个分组的分配概率相同。
步骤1032，根据每种分组结果中每个初始分组中包括的切片区域的区域特征，从第三数量种分组结果中选取最优分组结果。
在本步骤中，可以先针对每种分组结果，根据每个切片区域的区域特征，确定该种分组结果中每个初始分组对应的聚类中心。例如，可以将每个初始分组包括的全部切片区域的区域特征的平均值，作为该初始分组对应的聚类中心。之后可以根据该种分组结果中每个初始分组包括的全部切片区域的区域特征，和该初始分组对应的聚类中心，确定该种分组结果对应的偏离误差。最后将对应的偏离误差最小的分组结果作为最优分组结果。
其中，偏离误差用于表征该种分组结果中各切片区域的相似程度，偏离误差越小，各切片区域的相似程度越高。确定偏离误差的方式可以是：计算该种分组结果中每个切片区域的区域特征，与该切片区域所属的初始分组对应的聚类中心的目标欧式距离，并将该种分组结果中全部切片区域对应的目标欧式距离之和，作为该种分组结果对应的偏离误差。
步骤1033，根据最优分组结果更新选择矩阵，并重复执行步骤1031至步骤1033，直至最优分组结果满足预设的分组结束条件。
步骤1034，按照最优分组结果对第一数量个切片区域进行划分，以得到第二数量个分组。
举例来说，可以根据最优分组结果对选择矩阵进行更新，以调高在对第一数量个切片区域进行划分时选择该最优分组结果对应的分组方式的概率。对选择矩阵更新完成后，可以认为完成了将第一数量个切片区域划分为第二数量个分组的一轮迭代。之后判断该最优分组结果是否满足预设条件，若不满足，重复执行上述步骤，直至该最优分组结果满足预设条件，将该最优分组结果作为最终的分组结果，并按照最终的分组结果对第一数量个切片区域进行划分，得到第二数量个分组。其中，分组结束条件为：最优分组结果对应的偏离误差小于或等于预设阈值。此外，还可以通过设置最大迭代次数作为分组结束条件，例如，可以设置当完成了将第一数量个切片区域划分为第二数量个分组的10000轮迭代后，按照此时的最优分组结果对第一数量个切片区域进行划分，以得到第二数量个分组。
可选地，步骤1033可以通过以下步骤实现：
步骤(1)，针对每个切片区域，确定最优分组结果中该切片区域所属的历史分组。
步骤(2)，根据最优分组结果对应的偏离误差，对选择矩阵中该切片区域被分配到历史分组的分配概率进行更新。
举例来说，在对选择矩阵进行更新时，可以确定最优分组结果中每个切片区域所属的历史分组(历史分组为第二数量个初始分组中的任一个)，并根据最优分组结果对应的偏离误差，利用预设公式，对选择矩阵中该切片区域被分配到历史分组的分配概率进行更新。预设公式可以包括：P1＝K*P2+1/F，其中，P1为更新后的该切片区域被分配到历史分组的分配概率，P2为更新前的该切片区域被分配到历史分组的分配概率，K为变异系数(例如，K可以取0.9)，F为最优分组结果对应的偏离误差。
综上所述，本公开首先通过将待处理图像划分为第一数量个像素数量相同的切片区域，并对每个切片区域进行特征提取，以得到每个切片区域的区域特征，之后根据选择矩阵和每个切片区域的区域特征，将第一数量个切片区域划分为第二数量个分组，选择矩阵用于表征每个切片区域被分配到每个分组的分配概率，最后根据第二数量个分组，生成第二数量个目标区域，其中，每个目标区域对应一个分组，每个目标区域由对应的分组内包括的切片区域组成。本公开通过选择矩阵和待处理图像划分的每个切片区域的区域特征，对全部切片区域进行分组，并根据分组结果，智能地确定待处理图像中的第二数量个目标区域，不需要人工参与，能够提高对目标区域的识别效率和准确度。
图4是根据一示例性实施例示出的一种图像处理装置的框图。如图4所示，该装置200包括：
划分模块201，用于将待处理图像划分为第一数量个切片区域，每个切片区域内包括的像素数量相同。
提取模块202，用于对每个切片区域进行特征提取，以得到每个切片区域的区域特征。
分组模块203，用于根据选择矩阵和每个切片区域的区域特征，将第一数量个切片区域划分为第二数量个分组。其中，选择矩阵用于表征每个切片区域被分配到每个分组的分配概率。
生成模块204，用于根据第二数量个分组，生成第二数量个目标区域。每个目标区域对应一个分组，每个目标区域由对应的分组内包括的切片区域组成。
图5是图4所示实施例示出的一种提取模块的框图。如图5所示，提取模块202包括：
提取子模块2021，用于利用尺度不变特征变换SIFT算法，提取每个切片区域的SIFT特征。
提取子模块2021，还用于确定每个切片区域对应的灰度共生矩阵GLCM，并根据GLCM确定该切片区域的GLCM特征。
第一确定子模块2022，用于将每个切片区域的SIFT特征和GLCM特征，作为该切片区域的区域特征。
图6是图4所示实施例示出的一种分组模块的框图。如图6所示，分组模块203包括：
第二确定子模块2031，用于根据选择矩阵，确定将第一数量个切片区域分配到第二数量个初始分组的第三数量种分组结果。其中，每种分组结果用于指示每个初始分组包括的切片区域。
选取子模块2032，用于根据每种分组结果中每个初始分组中包括的切片区域的区域特征，从第三数量种分组结果中选取最优分组结果。
更新子模块2033，用于根据最优分组结果更新选择矩阵。
重复执行根据选择矩阵，确定将第一数量个切片区域分配到第二数量个初始分组的第三数量种分组结果，至根据最优分组结果更新选择矩阵的步骤，直至最优分组结果满足预设的分组结束条件。
划分子模块2034，用于按照最优分组结果对第一数量个切片区域进行划分，以得到第二数量个分组。
可选地，第二确定子模块2031用于：
针对每个切片区域，选择分配规则。
在分配规则为第一分配规则的情况下，将该切片区域随机分配给任一个初始分组。
在分配规则为第二分配规则的情况下，按照选择矩阵中该切片区域被分配到每个初始分组的分配概率，对该切片区域进行分配。
可选地，选取子模块2032用于：
针对每种分组结果，根据每个切片区域的区域特征，确定该种分组结果中每个初始分组对应的聚类中心。
根据该种分组结果中每个初始分组包括的全部切片区域的区域特征，和该初始分组对应的所述聚类中心，确定该种分组结果对应的偏离误差。
将对应的偏离误差最小的分组结果作为最优分组结果。
可选地，更新子模块2033用于：
针对每个切片区域，确定最优分组结果中该切片区域所属的历史分组。
根据最优分组结果对应的偏离误差，对选择矩阵中该切片区域被分配到历史分组的分配概率进行更新。
可选地，分组结束条件为：最优分组结果对应的偏离误差小于或等于预设阈值。
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。
综上所述，本公开首先通过将待处理图像划分为第一数量个像素数量相同的切片区域，并对每个切片区域进行特征提取，以得到每个切片区域的区域特征，之后根据选择矩阵和每个切片区域的区域特征，将第一数量个切片区域划分为第二数量个分组，选择矩阵用于表征每个切片区域被分配到每个分组的分配概率，最后根据第二数量个分组，生成第二数量个目标区域，其中，每个目标区域对应一个分组，每个目标区域由对应的分组内包括的切片区域组成。本公开通过选择矩阵和待处理图像划分的每个切片区域的区域特征，对全部切片区域进行分组，并根据分组结果，智能地确定待处理图像中的第二数量个目标区域，不需要人工参与，能够提高对目标区域的识别效率和准确度。
图7是根据一示例性实施例示出的一种电子设备300的框图。如图7所示，该电子设备300可以包括：处理器301，存储器302。该电子设备300还可以包括多媒体组件303，输入/输出(I/O)接口304，以及通信组件305中的一者或多者。
其中，处理器301用于控制该电子设备300的整体操作，以完成上述的图像处理方法中的全部或部分步骤。存储器302用于存储各种类型的数据以支持在该电子设备300的操作，这些数据例如可以包括用于在该电子设备300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302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303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302或通过通信组件305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304为处理器301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305用于该电子设备300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305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300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302，上述程序指令可由电子设备300的处理器301执行以完成上述的图像处理方法。
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 (10)

1.一种图像处理方法，其特征在于，所述方法包括：
将待处理图像划分为第一数量个切片区域，每个所述切片区域内包括的像素数量相同；
对每个所述切片区域进行特征提取，以得到每个所述切片区域的区域特征；
根据选择矩阵和每个所述切片区域的区域特征，将第一数量个所述切片区域划分为第二数量个分组；所述选择矩阵用于表征每个所述切片区域被分配到每个所述分组的分配概率；
根据第二数量个所述分组，生成第二数量个目标区域；每个所述目标区域对应一个所述分组，每个所述目标区域由对应的所述分组内包括的所述切片区域组成。
2.根据权利要求1所述的方法，其特征在于，所述对每个所述切片区域进行特征提取，以得到每个所述切片区域的区域特征，包括：
利用尺度不变特征变换SIFT算法，提取每个所述切片区域的SIFT特征；
确定每个所述切片区域对应的灰度共生矩阵GLCM，并根据所述GLCM确定该切片区域的GLCM特征；
将每个所述切片区域的所述SIFT特征和所述GLCM特征，作为该切片区域的所述区域特征。
3.根据权利要求1所述的方法，其特征在于，所述根据选择矩阵和每个所述切片区域的区域特征，将第一数量个所述切片区域划分为第二数量个分组，包括：
根据所述选择矩阵，确定将所述第一数量个切片区域分配到第二数量个初始分组的第三数量种分组结果；每种所述分组结果用于指示每个所述初始分组包括的所述切片区域；
根据每种所述分组结果中每个所述初始分组中包括的所述切片区域的区域特征，从第三数量种所述分组结果中选取最优分组结果；
根据所述最优分组结果更新所述选择矩阵，并重复执行所述根据所述选择矩阵，确定将所述第一数量个切片区域分配到第二数量个初始分组的第三数量种分组结果，至所述根据所述最优分组结果更新所述选择矩阵的步骤，直至所述最优分组结果满足预设的分组结束条件；
按照所述最优分组结果对第一数量个所述切片区域进行划分，以得到第二数量个所述分组。
4.根据权利要求3所述的方法，其特征在于，所述根据所述选择矩阵，确定将所述第一数量个切片区域分配到第二数量个初始分组的第三数量种分组结果，包括：
针对每个所述切片区域，选择分配规则；
在所述分配规则为第一分配规则的情况下，将该切片区域随机分配给任一个所述初始分组；
在所述分配规则为第二分配规则的情况下，按照所述选择矩阵中该切片区域被分配到每个所述初始分组的所述分配概率，对该切片区域进行分配。
5.根据权利要求3所述的方法，其特征在于，所述根据每种所述分组结果中每个所述初始分组中包括的所述切片区域的区域特征，从第三数量种所述分组结果中选取最优分组结果，包括：
针对每种所述分组结果，根据每个所述切片区域的区域特征，确定该种分组结果中每个所述初始分组对应的聚类中心；
根据该种分组结果中每个所述初始分组包括的全部所述切片区域的区域特征，和该初始分组对应的所述聚类中心，确定该种分组结果对应的偏离误差；
将对应的所述偏离误差最小的所述分组结果作为所述最优分组结果。
6.根据权利要求5所述的方法，其特征在于，所述根据所述最优分组结果更新所述选择矩阵，包括：
针对每个所述切片区域，确定所述最优分组结果中该切片区域所属的历史分组；
根据所述最优分组结果对应的所述偏离误差，对所述选择矩阵中该切片区域被分配到所述历史分组的所述分配概率进行更新。
7.根据权利要求5所述的方法，其特征在于，所述分组结束条件为：所述最优分组结果对应的所述偏离误差小于或等于预设阈值。
8.一种图像处理装置，其特征在于，所述装置包括：
划分模块，用于将待处理图像划分为第一数量个切片区域，每个所述切片区域内包括的像素数量相同；
提取模块，用于对每个所述切片区域进行特征提取，以得到每个所述切片区域的区域特征；
分组模块，用于根据选择矩阵和每个所述切片区域的区域特征，将第一数量个所述切片区域划分为第二数量个分组；所述选择矩阵用于表征每个所述切片区域被分配到每个所述分组的分配概率；
生成模块，用于根据第二数量个所述分组，生成第二数量个目标区域；每个所述目标区域对应一个所述分组，每个所述目标区域由对应的所述分组内包括的所述切片区域组成。
9.一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1-7中任一项所述方法的步骤。
10.一种电子设备，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1-7中任一项所述方法的步骤。
CN202011552542.1A 2020-12-24 2020-12-24 图像处理方法、装置、存储介质和电子设备 Active CN112734697B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011552542.1A CN112734697B (zh) 2020-12-24 2020-12-24 图像处理方法、装置、存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011552542.1A CN112734697B (zh) 2020-12-24 2020-12-24 图像处理方法、装置、存储介质和电子设备

Publications (2)

Publication Number Publication Date
CN112734697A true CN112734697A (zh) 2021-04-30
CN112734697B CN112734697B (zh) 2024-05-28

Family

ID=75615439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011552542.1A Active CN112734697B (zh) 2020-12-24 2020-12-24 图像处理方法、装置、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN112734697B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272303A (zh) * 2022-09-26 2022-11-01 睿贸恒诚(山东)科技发展有限责任公司 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080267471A1 (en) * 2007-04-25 2008-10-30 Siemens Corporate Research, Inc Automatic partitioning and recognition of human body regions from an arbitrary scan coverage image
CN104751449A (zh) * 2015-04-28 2015-07-01 江西科技学院 一种基于粒子群优化的sar图像分割方法
US9092691B1 (en) * 2014-07-18 2015-07-28 Median Technologies System for computing quantitative biomarkers of texture features in tomographic images
CN105701832A (zh) * 2016-01-19 2016-06-22 苏州大学 三维图割算法结合随机游走算法的pet‐ct肺肿瘤分割方法
CN106570873A (zh) * 2016-11-08 2017-04-19 江苏大学 一种医学图像分割方法
CN107506766A (zh) * 2017-08-25 2017-12-22 沈阳东软医疗系统有限公司 图像分割方法及装置
US20180182481A1 (en) * 2016-12-22 2018-06-28 Panasonic Intellectual Property Management Co., Ltd. Control method, information terminal, recording medium, and determination method
EP3375376A2 (en) * 2017-03-17 2018-09-19 Siemens Healthcare GmbH Source of abdominal pain identification in medical imaging
US20180315193A1 (en) * 2017-04-27 2018-11-01 Retinopathy Answer Limited System and method for automated funduscopic image analysis
US20190130110A1 (en) * 2017-11-01 2019-05-02 International Business Machines Corporation Protecting Cognitive Systems from Gradient Based Attacks through the Use of Deceiving Gradients
CN111145147A (zh) * 2019-12-14 2020-05-12 中国科学院深圳先进技术研究院 多模态医学图像的分割方法及终端设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080267471A1 (en) * 2007-04-25 2008-10-30 Siemens Corporate Research, Inc Automatic partitioning and recognition of human body regions from an arbitrary scan coverage image
US9092691B1 (en) * 2014-07-18 2015-07-28 Median Technologies System for computing quantitative biomarkers of texture features in tomographic images
CN104751449A (zh) * 2015-04-28 2015-07-01 江西科技学院 一种基于粒子群优化的sar图像分割方法
CN105701832A (zh) * 2016-01-19 2016-06-22 苏州大学 三维图割算法结合随机游走算法的pet‐ct肺肿瘤分割方法
CN106570873A (zh) * 2016-11-08 2017-04-19 江苏大学 一种医学图像分割方法
US20180182481A1 (en) * 2016-12-22 2018-06-28 Panasonic Intellectual Property Management Co., Ltd. Control method, information terminal, recording medium, and determination method
EP3375376A2 (en) * 2017-03-17 2018-09-19 Siemens Healthcare GmbH Source of abdominal pain identification in medical imaging
US20180315193A1 (en) * 2017-04-27 2018-11-01 Retinopathy Answer Limited System and method for automated funduscopic image analysis
CN107506766A (zh) * 2017-08-25 2017-12-22 沈阳东软医疗系统有限公司 图像分割方法及装置
US20190130110A1 (en) * 2017-11-01 2019-05-02 International Business Machines Corporation Protecting Cognitive Systems from Gradient Based Attacks through the Use of Deceiving Gradients
CN111145147A (zh) * 2019-12-14 2020-05-12 中国科学院深圳先进技术研究院 多模态医学图像的分割方法及终端设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIU, HUI等: "A fast weak-supervised pulmonary nodule segmentation method based on modified self-adaptive FCM algorithm", 《SOFT COMPUTING》 *
陈琳琳: "心脏CT-TEE图像配准", 《中国优秀硕士学位论文全文数据库》 *
韩光辉;刘峡壁;郑光远;: "肺部CT图像病变区域检测方法", 自动化学报, no. 12 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272303A (zh) * 2022-09-26 2022-11-01 睿贸恒诚(山东)科技发展有限责任公司 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统

Also Published As

Publication number Publication date
CN112734697B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
US10810735B2 (en) Method and apparatus for analyzing medical image
CN110163260B (zh) 基于残差网络的图像识别方法、装置、设备及存储介质
TWI832966B (zh) 用於使用多模態成像和集成機器學習模型的自動靶標和組織分割的方法和設備
Lin et al. Fully automated segmentation of brain tumor from multiparametric MRI using 3D context deep supervised U‐Net
CN111161279B (zh) 医学图像分割方法、装置及服务器
CN111445440B (zh) 一种医学图像分析方法、设备和存储介质
CN111145147B (zh) 多模态医学图像的分割方法及终端设备
CN110310280B (zh) 肝胆管及结石的图像识别方法、系统、设备及存储介质
CN111080654B (zh) 图像的病变区域分割方法、装置及服务器
US11684333B2 (en) Medical image analyzing system and method thereof
Thian et al. Deep learning systems for pneumothorax detection on chest radiographs: a multicenter external validation study
JP2016007270A (ja) 医用画像処理装置
CN112150470B (zh) 图像分割方法、装置、介质及电子设备
CN111080592B (zh) 一种基于深度学习的肋骨提取方法及装置
CN113222038A (zh) 基于核磁图像的乳腺病灶分类和定位方法及装置
WO2022247573A1 (zh) 模型训练方法、图像处理方法、装置、设备及存储介质
CN111127487B (zh) 一种实时多组织医学图像的分割方法
CN112330787B (zh) 图像标注方法、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
CN110992310A (zh) 一种确定纵隔淋巴结所在分区的方法及装置
CN113096132B (zh) 图像处理的方法、装置、存储介质和电子设备
Babu et al. Performance analysis of brain tumor detection using optimization based FCM technique on MRI images
CN104156949B (zh) 一种基于特征扩散的ct图像肿瘤组织提取方法
CN113379770B (zh) 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置
CN113362350B (zh) 癌症病历图像的分割方法、装置、终端设备和存储介质

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