CN112767259A - 图像处理方法、装置、计算机设备和存储介质 - Google Patents
图像处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112767259A CN112767259A CN202011603342.4A CN202011603342A CN112767259A CN 112767259 A CN112767259 A CN 112767259A CN 202011603342 A CN202011603342 A CN 202011603342A CN 112767259 A CN112767259 A CN 112767259A
- Authority
- CN
- China
- Prior art keywords
- medical image
- image
- processing model
- sample
- contrast
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 183
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 52
- 238000000605 extraction Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 239000002872 contrast media Substances 0.000 abstract description 20
- 238000002059 diagnostic imaging Methods 0.000 abstract description 10
- 238000003384 imaging method Methods 0.000 abstract description 4
- 210000001519 tissue Anatomy 0.000 description 14
- 210000000056 organ Anatomy 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012307 MRI technique Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像处理方法、装置、计算机设备和存储介质。所述方法包括：获取第一医学图像；将第一医学图像输入预设的处理模型中，通过处理模型，得到第二医学图像；其中，第二医学图像的对比度大于第一医学图像的对比度；处理模型为根据第一样本医学图像及第一样本医学图像对应的金标准图像进行训练所得到的，金标准图像的对比度大于第一样本医学图像的对比度。采用本方法在保证医学图像成像质量的前提下，能够降低医学成像所需的造影剂的剂量，减少造影剂对人体的可能危害。
Description
技术领域
本申请涉及医学成像技术领域，特别是涉及一种图像处理方法、装置、计算机设备和存储介质。
背景技术
医学成像技术能够对人体内部组织进行显示，例如，磁共振成像(MagneticResonance Imaging,MRI)技术能够对人体全身多部位进行安全准确的成像，医学成像技术已成为一种重要的影像检查手段，目前在医院的临床诊断、科学研究上被广泛使用。
但医学成像技术对一些特定组织或较小病变部位(如肿瘤、血管等)无法充分显示，使医生难以分辨人体组织是否发生病变，因此，对医学影像的质量进行提升显得尤为重要。传统技术中，通常是在临床扫描前，为患者注射或口服造影剂，通过改变患者体内局部组织中水质子的弛豫速率而提高正常部位和病变部位的成像对比度，从而提升医学影像的质量。
然而，在扫描前注射或口服的造影剂可能会对人体健康安全带来一定危害，并且造影剂剂量需要达到一定标准，若造影剂剂量未达到该标准则会影响医学影像的对比度。
发明内容
基于此，有必要针对上述技术问题，提供一种在进行医学影像质量提升时，能够保证医学影像的对比度的图像处理方法、装置、计算机设备和存储介质。
一种图像处理方法，所述方法包括：
获取第一医学图像；
将所述第一医学图像输入预设的处理模型中，通过所述处理模型，得到第二医学图像；其中，所述第二医学图像的对比度大于所述第一医学图像的对比度；所述处理模型为根据第一样本医学图像及所述第一样本医学图像对应的金标准图像进行训练所得到的，所述金标准图像的对比度大于所述第一样本医学图像的对比度。
在其中一个实施例中，所述处理模型包括特征提取网络、特征学习网络和图像重建网络，所述将所述第一医学图像输入预设的处理模型中，通过所述处理模型，得到第二医学图像，包括：
将所述第一医学图像输入所述特征提取网络中，通过所述特征提取网络对所述第一医学图像进行特征提取，得到所述第一医学图像的特征；
将所述第一医学图像的特征输入所述特征学习网络中，通过所述特征学习网络对所述第一医学图像的特征进行学习，得到特征图；所述特征图为包含所述第一医学图像各像素之间相互关系的特征图；
将所述特征图输入所述图像重建网络中，通过所述图像重建网络，得到所述第二医学图像。
在其中一个实施例中，所述特征学习网络包括多个特征学习子网络，每个所述特征学习子网络至少包括三个残差结构和注意力机制组合模块，各所述残差结构和注意力机制组合模块间为稠密连接。
在其中一个实施例中，各所述残差结构和注意力机制组合模块包括残差模块、空间注意力模块和通道注意力模块。
在其中一个实施例中，所述处理模型的训练过程包括：
获取第一样本医学图像以及所述第一样本医学图像对应的金标准图像；
根据所述第一样本医学图像和预设的初始处理模型得到第二样本医学图像；所述第二样本医学图像的对比度大于所述第一样本医学图像的对比度；
根据所述第二样本医学图像和所述金标准图像，得到所述初始处理模型的损失函数的值；
根据所述初始处理模型的损失函数的值，对所述初始处理模型的参数进行调整，得到所述处理模型。
在其中一个实施例中，所述第二样本医学图像包括多个图像，所述根据所述第二样本医学图像和所述金标准图像，得到所述初始处理模型的损失函数的值，包括：
获取各所述第二样本医学图像与所述金标准图像的损失函数的值；
对各所述第二样本医学图像与所述金标准图像的损失函数的值进行求和，得到所述初始处理模型的损失函数的值。
在其中一个实施例中，所述根据所述第一样本医学图像和预设的初始处理模型得到第二样本医学图像，包括：
获取所述第一样本医学图像对应的幅值图；
将所述第一样本医学图像对应的幅值图输入所述初始处理模型中，通过所述初始处理模型，得到所述第二样本医学图像。
一种图像处理装置，所述装置包括：
第一获取模块，用于获取第一医学图像；
第一处理模块，用于将所述第一医学图像输入预设的处理模型中，通过所述处理模型，得到第二医学图像；其中，所述第二医学图像的对比度大于所述第一医学图像的对比度；所述处理模型为根据第一样本医学图像及所述第一样本医学图像对应的金标准图像进行训练所得到的，所述金标准图像的对比度大于所述第一样本医学图像的对比度。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取第一医学图像；
将所述第一医学图像输入预设的处理模型中，通过所述处理模型，得到第二医学图像；其中，所述第二医学图像的对比度大于所述第一医学图像的对比度；所述处理模型为根据第一样本医学图像及所述第一样本医学图像对应的金标准图像进行训练所得到的，所述金标准图像的对比度大于所述第一样本医学图像的对比度。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取第一医学图像；
将所述第一医学图像输入预设的处理模型中，通过所述处理模型，得到第二医学图像；其中，所述第二医学图像的对比度大于所述第一医学图像的对比度；所述处理模型为根据第一样本医学图像及所述第一样本医学图像对应的金标准图像进行训练所得到的，所述金标准图像的对比度大于所述第一样本医学图像的对比度。
上述图像处理方法、装置、计算机设备和存储介质，将获取的第一医学图像输入预设的处理模型中，通过该处理模型，得到第二医学图像，其中，得到的第二医学图像的对比度大于第一医学图像的对比度；处理模型为根据第一样本医学图像及该第一样本医学图像对应的金标准图像进行训练所得到的，金标准图像的对比度大于第一样本医学图像的对比度，由于处理模型是通过大量的第一样本医学图像和第一样本医学图像对应的金标准图像进行训练得到的，这样可以得到网络结构较为稳定的处理模型，另外，金标准图像的对比度大于第一样本医学图像的对比度，这样将第一医学图像输入训练好的处理模型中，通过该处理模型就能够得到对比度大于第一医学图像对比度的第二医学图像，在保证医学图像成像质量的前提下，能够降低医学成像所需的造影剂的剂量，减少造影剂对人体的可能危害；另外，在减少造影剂剂量的同时，能够获取对比度大于第一医学图像的第二医学图像，在保证了得到的医学图像的图像质量的同时，也减少了医学成像的花费。
附图说明
图1为一个实施例中图像处理方法的应用环境图；
图2为一个实施例中图像处理方法的流程示意图；
图3为一个实施例中图像处理方法的流程示意图；
图3a为一个实施例中处理模型的结构示意图；
图3b为一个实施例中特征学习子网络的结构示意图；
图3c为一个实施例中残差结构和注意力机制组合模块的结构示意图；
图3d为一个实施例中空间注意力模块的结构示意图；
图3e为一个实施例中通道注意力模块的结构示意图；
图4为一个实施例中图像处理方法的流程示意图；
图5为一个实施例中图像处理方法的流程示意图；
图6为一个实施例中图像处理装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的图像处理方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是个人计算机，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。
以磁共振成像(Magnetic Resonance Imaging,MRI)技术为例，MRI能够对人体全身多部位进行安全准确的成像，是一种重要的影像检查手段，目前在医院的临床诊断、科学研究上被广泛使用。但MRI技术对一些特定组织或较小病变部位(如肿瘤、血管等)无法充分显示，使医生难以分辨人体组织是否发生病变，因此，对磁共振图像的质量进行提升显得尤为重要，通常，在临床磁共振扫描前，会为患者注射一种造影剂(Contrast Agent)，通过改变患者体内局部组织中水质子的弛豫速率而提高正常部位和病变部位的成像对比度，并且能缩短成像时间。常见的造影剂有T1造影剂、T2造影剂、CEST造影剂等，然而，在磁共振扫描前注射或口服的造影剂可能会对人体的健康安全带来一定危害，并且造影剂量需要达到一定标准，否则会影响磁共振成像的对比度，降低得到的磁共振图像质量，基于此，有必要提供一种图像处理方法在减少对患者注射的造影剂剂量的同时，能保证医学图像中目标组织器官与周围组织器官之间的高对比度。
在一个实施例中，如图2所示，提供了一种图像处理方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S201，获取第一医学图像。
其中，第一医学图像为对扫描对象注射低剂量的造影剂进行扫描所得到的。可选的，第一医学图像可以是磁共振(Magnetic Resonance Imaging,MRI)图像，或其他医学影像图像。可选的，第一医学图像可以为扫描对象的脑部图像，也可以为扫描对象的膝关节图像，也可以为扫描对象的其他部位的医学图像。
具体地，计算机设备获取第一医学图像。可选的，计算机设备可以从PACS(PictureArchiving and Communication Systems，影像归档和通信系统)服务器中获取第一医学图像，也可以从对应的医学影像设备中实时地获取第一医学图像。
S202，将第一医学图像输入预设的处理模型中，通过处理模型，得到第二医学图像；其中，第二医学图像的对比度大于第一医学图像的对比度；处理模型为根据第一样本医学图像及第一样本医学图像对应的金标准图像进行训练所得到的，金标准图像的对比度大于第一样本医学图像的对比度。
具体地，计算机设备将获取的第一医学图像输入预设的处理模型中，通过该处理模型，得到第二医学图像；其中，得到的第二医学图像的对比度大于获取的第一医学图像的对比度；预设的处理模型为根据第一样本医学图像以及该第一样本医学图像对应的金标准图像进行训练所得到的，第一样本医学图像对应的金标准图像的对比度大于第一样本医学图像的对比度。可选的，第二医学图像的对比度指的是第二医学图像中目标组织器官与周围组织器官之间的对比度，第一医学图像的对比度指的是第一医学图像中目标组织器官与周围组织器官之间的对比度，相应地，可以理解的是，第一样本医学图像的对比度指的是第一样本医学图像中目标组织器官与周围组织器官之间的对比度，第一样本医学图像对应的金标准图像的对比度指的是该金标准图像中目标组织器官与周围组织器官之间的对比度。可选的，预设的处理模型所对应的网络结构可以是卷积神经网络，也可以是生成对抗网络，也可以是其他的神经网络。需要说明的是，本实施例提供的预设的处理模型的网络结构为LRDNet(Long range dependency network，长距离依赖卷积神经网络)卷积神经网络。
上述图像处理方法中，由于处理模型是通过大量的第一样本医学图像和第一样本医学图像对应的金标准图像进行训练得到的，这样可以得到网络结构较为稳定的处理模型，另外，金标准图像的对比度大于第一样本医学图像的对比度，这样将第一医学图像输入训练好的处理模型中，通过该处理模型就能够得到对比度大于第一医学图像对比度的第二医学图像，在保证医学图像成像质量的前提下，能够降低医学成像所需的造影剂的剂量，减少造影剂对人体的可能危害；另外，在减少造影剂剂量的同时，能够获取对比度大于第一医学图像的第二医学图像，在保证了得到的医学图像的图像质量的同时，也减少了医学成像的花费。
在上述将获取的第一医学图像输入预设的处理模型中，通过处理模型，得到第二医学图像的场景中，在一个实施例中，上述处理模型为LRDNet卷积神经网络模型，该处理模型包括特征提取网络、特征学习网络和图像重建网络，如图3所示，上述S202，包括：
S301，将第一医学图像输入特征提取网络中，通过特征提取网络对第一医学图像进行特征提取，得到第一医学图像的特征。
具体地，如图3a所示，上述处理模型包括特征提取网络、特征学习网络和图像重建网络，计算机设备将上述获取的第一医学图像输入处理模型的特征提取网络中，通过该特征提取网络对上述第一医学图像进行特征提取，得到第一医学图像的特征。可选的，该特征提取网络可以是由一个3×3的卷积层组成。
S302，将第一医学图像的特征输入特征学习网络中，通过特征学习网络对第一医学图像的特征进行学习，得到特征图；特征图为包含第一医学图像各像素之间相互关系的特征图。
具体地，计算机设备将上述得到的第一医学图像的特征输入处理模型的特征学习网络中，通过该特征学习网络对第一医学图像的特征进行学习，得到特征图，其中，该特征图为包含第一医学图像各像素之间相互关系的特征图。可选的，该特征学习网络包括多个特征学习子网络，如图3b所示，每个特征学习子网络至少包括三个RA(Residualattention，残差结构和注意力机制组合)模块，各残差结构和注意力机制组合模块间为稠密连接。可选的，各残差结构和注意力机制组合模块包括残差模块、空间注意力模块和通道注意力模块。可选的，各参数结构和注意力机制组合模块包括的残差模块的数量可根据实际需求进行设置，通常，该残差模块的数量为两个。可选的，特征学习子网络可以为DRA(Dense Residual Attention，稠密连接、残差结构和注意力机制组合)子网络。这里需要说明的是，特征学习子网络包括的各残差结构和注意力机制组合模块间的稠密连接，能够增强信息流动，加快网络的收敛。示例性地，各残差结构和注意力机制组合模块的结构可以如图3c所示，第一部分是两个残差模块，每个残差模块包含两个卷积层，可选的，第二个卷积层的膨胀系数可以为1、2和3等；第二部分是SA(spatial attention,空间注意力)模块，其结构可以如图3d所示，空间注意力模块首先对输入特征图在通道维度上进行全局均值池化，然后利用一个步长为2的3×3卷积层对输入的第一医学图像的特征进行下采样操作，接着利用一个步长为2的3×3反卷积进行上采样操作，并且反卷积后边的激活函数为sigmoid函数；第三部分是CA(channel attention，通道注意力)模块，其结构可以如图3e所示，通道注意力模块首先对输入的第一医学图像的特征在空间维度上进行全局均值池化，然后利用一个1×1卷积层对特征图的通道进行降维操作，维度变为原来的1/n，一般取n＝16，接着利用一个1×1卷积进行升维操作，维度重新增加到原来通道数目，并且第二个卷积层的激活函数必须为sigmoid函数。
S303，将特征图输入图像重建网络中，通过图像重建网络，得到第二医学图像。
具体地，计算机设备将得到的包含第一医学图像各像素之间相互关系的特征图输入处理模型的图像重建网络中，通过该图像重建网络，得到上述第二医学图像。可选的，重建网络也是由一个3x3的卷积层组成，对所有3x3的卷积层均使用零填充方法，卷积核的个数都为64。这里需要说明的是，处理模型的网络结构中使用的激活函数均为Relu函数，网络中不包含批量归一化层。
本实施例中，处理模型为LRDNet卷积神经网络模型，该LRDNet卷积神经网络模型是一种模块化的神经网络结构，可以根据实际应用增加模块的级联个数，通过特征学习网络的通道注意力结构能够获取特征图的通道之间的相互关系，通过空间注意力结构能够获取特征图上不同空间位置的像素之间的联系，使用膨胀卷积扩大感受野，并在网络中增加稠密连接结构，促进不同层级之间的信息流动和长距离依赖，使处理模型能够充分学习到医学图像的长距离依赖信息，进而通过图像重建网络能够对包含第一医学图像各像素之间相互关系的特征图进行重建，得到对比度大于第一医学图像对比度的第二医学图像。
在上述将第一医学图像输入预设的处理模型的场景中，该预设的处理模型为预先训练好的处理模型，在一个实施例中，如图4所示，上述预设的处理模型的训练方法，包括：
S401，获取第一样本医学图像以及金标准图像。
具体地，计算机设备获取第一样本医学图像以及该第一样本医学图像对应的金标准图像。其中，金标准图像的对比度大于第一样本医学图像的对比度。可选的，第一样本医学图像可以为采用低剂量的造影剂对扫描对象进行扫描所得到的，金标准图像可以为采用标准剂量的造影剂对扫描对象进行扫描所得到的。示例性地，可以对扫描对象注射标准剂量的造影剂，等待若干分钟后，利用磁共振扫描获得高对比度的金标准图像；等待若干小时，由于人体代谢的进行，扫描对象体内造影剂浓度会逐渐降低，当造影剂浓度下降到标准剂量的一半时(可以根据具体情况设定低剂量阈值)，再次利用磁共振扫描获得低对比度的医学图像，重复上述操作步骤，得到本实施例中的第一样本医学图像以及该第一样本医学图像对应的金标准图像。可选的，计算机设备获取到第一样本医学图像以及该第一样本医学图像对应的金标准图像后，可以对获取的第一样本医学图像以及该第一样本医学图像对应的金标准图像进行数据增强操作，在一定程度上防止处理模型的过拟合，其中，对获取的第一样本医学图像以及该第一样本医学图像对应的金标准图像进行的数据增强操作可以包括水平翻转、上下翻转，90度左右旋转等。
S402，根据第一样本医学图像和预设的初始处理模型得到第二样本医学图像；第二样本医学图像的对比度大于第一样本医学图像的对比度。
具体地，计算机设备根据上述第一样本医学图像和预设的初始处理模型，得到第二样本医学图像；其中，第二样本医学图像的对比度大于第一样本医学图像的对比度。可选的，计算机设备可以获取第一样本医学图像对应的幅值图，将第一样本医学图像对应的幅值图输入初始处理模型中，通过该初始处理模型，得到上述第二样本医学图像。可选的，计算机设备可以对复数域的第一样本医学图像进行预处理操作，利用其实部和虚部计算第一样本医学图像对应的幅值图。这里需要说明的是，计算机设备也可以直接将第一样本医学图像输入预设的初始处理模型，得到第二样本医学图像。可以理解的是，预设的初始处理模型与上述处理模型的网络结构相同，即预设的初始处理模型也包括特征提取网络、特征学习网络和重建网络，关于初始处理模型的网络结构和原理请参见上述对处理模型的描述，本实施例在此不再赘述。
S403，根据第二样本医学图像和金标准图像，得到初始处理模型的损失函数的值。
具体地，计算机设备根据得到的第二样本医学图像和上述获取的金标准图像，得到处理模型的损失函数的值。可选的，计算机设备在对预设的初始处理模型进行训练的过程中可以采用从粗到细的训练策略对初始处理模型进行训练，得到处理模型包括的网络的中间结果，计算网络的中间损失，根据网络的中间损失得到初始处理模型的损失函数的值。可选的，计算机设备也可以根据得到的第二样本医学图像各像素的像素值和金标准图像各像素的像素值，得到处理模型的损失函数的值。可选的，处理模型的损失函数可以包括L1loss和Perceptual loss。
S404，根据初始处理模型的损失函数的值，对初始处理模型的参数进行调整，得到处理模型。
具体地，计算机设备根据得到的初始处理模型的损失函数的值，对初始处理模型的参数进行调整，得到上述处理模型。可选的，计算机设备可以根据初始处理模型的损失函数的值，对初始处理模型的参数进行调整，直至初始处理模型的损失函数的值达到稳定值或最小值时，将初始处理模型的损失函数的值达到稳定值或最小值时的初始处理模型，确定为上述处理模型。
本实施例中，计算机设备通过获取大量的第一样本医学图像以及该第一样本医学图像对应的金标准图像，将该第一样本医学图像输入预设的初始处理模型，通过该初始处理模型，能够得到第二样本医学图像，从而可以根据该第二样本医学图像和第一样本医学图像对应的金标准图像，得到初始处理模型的损失函数的值，进而可以根据初始处理模型的损失函数的值，对初始处理模型进行参数调整，由于计算机设备是通过大量的第一样本医学图像对初始处理模型进行的训练，第一样本医学图像的数量较多，从而可以对初始处理模型进行比较准确地训练，从而提高了得到的处理模型的准确度。
在上述根据得到的第二样本医学图像和第一样本医学图像对应的金标准图像，得到初始处理模型的损失函数的值的场景中，第二样本医学图像包括多个图像，在一个实施例中，如图5所示，上述S403，包括：
S501，获取各第二样本医学图像与金标准图像的损失函数的值。
具体地，计算机设备获取各第二样本医学图像与金标准图像的损失函数的值。可以理解的是，预设的初始处理模型中间可以有多个输出，各第二样本医学图像即为预设的初始处理模型的中间输出。可选的，计算机设备可以采用下述公式
获取各第二样本医学图像与金标准图像的损失函数的值，式中，
表示各第一样本医学图像与上述金标准图像的损失函数的值，α,β为参数，示例性地，本实施例中α＝1,β＝1，
表示预设处理模型的第i个输出结果，Igt表示第一样本医学图像对应的金标准图像，Φl(Igt)表示处理模型以金标准图像为输入对应的第l层的特征图，
表示初始处理模型以I为输入对应的第l输出的特征图，这里需要说明的是，当初始处理模型中不包括批量归一化层的情况下，l可以取34。这里需要说明的是，初始处理模型为VGG-19模型。
S502，对各第二样本医学图像与金标准图像的损失函数的值进行求和，得到初始处理模型的损失函数的值。
具体地，计算机设备对上述得到的各第二样本医学图像与金标准图像的损失函数的值进行求和，得到初始处理模型的损失函数的值。可选的，计算机设备可以根据公式：
得到初始处理模型的损失函数的值，式中，L表示初始处理模型的损失函数的值，Wi表示权重系数，
表示各第二样本医学图像与金标准图像的损失函数的值，n表示第二样本医学图像与金标准图像的损失函数的值的总个数。
本实施例中，计算机设备获取的各第二样本医学图像与金标准图像的损失函数的值为初始处理模型的各中间输出与金标准图像的损失函数的值，从而可以对各第二样本医学图像与金标准图像的损失函数的值进行求和，准确地得到初始处理模型的损失函数的值，进而可以根据该初始处理模型的损失函数的值，对初始处理模型进行准确地训练，提高了对初始处理模型的训练准确度。
应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种图像处理装置，包括：第一获取模块和第一处理模块，其中：
第一获取模块，用于获取第一医学图像。
第一处理模块，用于将第一医学图像输入预设的处理模型中，通过处理模型，得到第二医学图像；其中，第二医学图像的对比度大于第一医学图像的对比度；处理模型为根据第一样本医学图像及第一样本医学图像对应的金标准图像进行训练所得到的，金标准图像的对比度大于第一样本医学图像的对比度。
本实施例提供的图像处理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述处理模型包括特征提取网络、特征学习网络和图像重建网络；上述第一处理模块包括：特征提取单元、第一获取单元和重建单元，其中：
特征提取单元，用于将第一医学图像输入特征提取网络中，通过特征提取网络对第一医学图像进行特征提取，得到第一医学图像的特征。
第一获取单元，用于将第一医学图像的特征输入特征学习网络中，通过特征学习网络对第一医学图像的特征进行学习，得到特征图；特征图为包含第一医学图像各像素之间相互关系的特征图。
重建单元，用于将特征图输入图像重建网络中，通过图像重建网络，得到第二医学图像。
可选的，特征学习网络包括多个特征学习子网络，每个特征学习子网络至少包括三个残差结构和注意力机制组合模块，各残差结构和注意力机制组合模块间为稠密连接。
可选的，各残差结构和注意力机制组合模块包括残差模块、空间注意力模块和通道注意力模块。
本实施例提供的图像处理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述装置还包括：第二获取模块、第二处理模块、第三获取模块和训练模块，其中：
第二获取模块，用于获取第一样本医学图像以及第一样本医学图像对应的金标准图像。
第二处理模块，用于根据第一样本医学图像和预设的初始处理模型得到第二样本医学图像；第二样本医学图像的对比度大于第一样本医学图像的对比度。
第三获取模块，用于根据第二样本医学图像和金标准图像，得到初始处理模型的损失函数的值。
训练模块，用于根据初始处理模型的损失函数的值，对初始处理模型的参数进行调整，得到处理模型。
本实施例提供的图像处理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第二样本医学图像包括多个图像，，上述第三获取模块包括：第二获取单元和第三获取单元，其中：
第二获取单元，用于获取各第二样本医学图像与金标准图像的损失函数的值。
第三获取单元，用于对各第二样本医学图像与金标准图像的损失函数的值进行求和，得到初始处理模型的损失函数的值。
本实施例提供的图像处理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第二处理模块包括：第四获取单元和处理单元，其中：
第四获取单元，用于获取第一样本医学图像对应的幅值图。
处理单元，用于将第一样本医学图像对应的幅值图输入初始处理模型中，通过初始处理模型，得到第二样本医学图像。
本实施例提供的图像处理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于图像处理装置的具体限定可以参见上文中对于图像处理方法的限定，在此不再赘述。上述图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取第一医学图像；
将第一医学图像输入预设的处理模型中，通过处理模型，得到第二医学图像；其中，第二医学图像的对比度大于第一医学图像的对比度；处理模型为根据第一样本医学图像及第一样本医学图像对应的金标准图像进行训练所得到的，金标准图像的对比度大于第一样本医学图像的对比度。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取第一医学图像；
将第一医学图像输入预设的处理模型中，通过处理模型，得到第二医学图像；其中，第二医学图像的对比度大于第一医学图像的对比度；处理模型为根据第一样本医学图像及第一样本医学图像对应的金标准图像进行训练所得到的，金标准图像的对比度大于第一样本医学图像的对比度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像处理方法，其特征在于，所述方法包括：
获取第一医学图像；
将所述第一医学图像输入预设的处理模型中，通过所述处理模型，得到第二医学图像；其中，所述第二医学图像的对比度大于所述第一医学图像的对比度；所述处理模型为根据第一样本医学图像及所述第一样本医学图像对应的金标准图像进行训练所得到的，所述金标准图像的对比度大于所述第一样本医学图像的对比度。
2.根据权利要求1所述的方法，其特征在于，所述处理模型包括特征提取网络、特征学习网络和图像重建网络，所述将所述第一医学图像输入预设的处理模型中，通过所述处理模型，得到第二医学图像，包括：
将所述第一医学图像输入所述特征提取网络中，通过所述特征提取网络对所述第一医学图像进行特征提取，得到所述第一医学图像的特征；
将所述第一医学图像的特征输入所述特征学习网络中，通过所述特征学习网络对所述第一医学图像的特征进行学习，得到特征图；所述特征图为包含所述第一医学图像各像素之间相互关系的特征图；
将所述特征图输入所述图像重建网络中，通过所述图像重建网络，得到所述第二医学图像。
3.根据权利要求2所述的方法，其特征在于，所述特征学习网络包括多个特征学习子网络，每个所述特征学习子网络至少包括三个残差结构和注意力机制组合模块，各所述残差结构和注意力机制组合模块间为稠密连接。
4.根据权利要求3所述的方法，其特征在于，各所述残差结构和注意力机制组合模块包括残差模块、空间注意力模块和通道注意力模块。
5.根据权利要求1所述的方法，其特征在于，所述处理模型的训练过程包括：
获取第一样本医学图像以及所述第一样本医学图像对应的金标准图像；
根据所述第一样本医学图像和预设的初始处理模型得到第二样本医学图像；所述第二样本医学图像的对比度大于所述第一样本医学图像的对比度；
根据所述第二样本医学图像和所述金标准图像，得到所述初始处理模型的损失函数的值；
根据所述初始处理模型的损失函数的值，对所述初始处理模型的参数进行调整，得到所述处理模型。
6.根据权利要求5所述的方法，其特征在于，所述第二样本医学图像包括多个图像，所述根据所述第二样本医学图像和所述金标准图像，得到所述初始处理模型的损失函数的值，包括：
获取各所述第二样本医学图像与所述金标准图像的损失函数的值；
对各所述第二样本医学图像与所述金标准图像的损失函数的值进行求和，得到所述初始处理模型的损失函数的值。
7.根据权利要求6所述的方法，其特征在于，所述根据所述第一样本医学图像和预设的初始处理模型得到第二样本医学图像，包括：
获取所述第一样本医学图像对应的幅值图；
将所述第一样本医学图像对应的幅值图输入所述初始处理模型中，通过所述初始处理模型，得到所述第二样本医学图像。
8.一种图像处理装置，其特征在于，所述装置包括：
第一获取模块，用于获取第一医学图像；
第一处理模块，用于将所述第一医学图像输入预设的处理模型中，通过所述处理模型，得到第二医学图像；其中，所述第二医学图像的对比度大于所述第一医学图像的对比度；所述处理模型为根据第一样本医学图像及所述第一样本医学图像对应的金标准图像进行训练所得到的，所述金标准图像的对比度大于所述第一样本医学图像的对比度。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011603342.4A CN112767259A (zh) | 2020-12-29 | 2020-12-29 | 图像处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011603342.4A CN112767259A (zh) | 2020-12-29 | 2020-12-29 | 图像处理方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112767259A true CN112767259A (zh) | 2021-05-07 |
Family
ID=75697297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011603342.4A Pending CN112767259A (zh) | 2020-12-29 | 2020-12-29 | 图像处理方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112767259A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114049732A (zh) * | 2021-09-29 | 2022-02-15 | 国网山东省电力公司郓城县供电公司 | 一种变电站视频监控方法、系统及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104107045A (zh) * | 2014-06-30 | 2014-10-22 | 沈阳东软医疗系统有限公司 | 磁共振成像方法和装置 |
| CN108513672A (zh) * | 2017-07-27 | 2018-09-07 | 深圳市大疆创新科技有限公司 | 增强图像对比度的方法、设备及存储介质 |
| CN108537794A (zh) * | 2018-04-19 | 2018-09-14 | 上海联影医疗科技有限公司 | 医学图像数据处理方法、装置和计算机可读存储介质 |
| CN109034198A (zh) * | 2018-06-25 | 2018-12-18 | 中国科学院计算技术研究所 | 基于特征图恢复的场景分割方法和系统 |
| CN109191476A (zh) * | 2018-09-10 | 2019-01-11 | 重庆邮电大学 | 基于U-net网络结构的生物医学图像自动分割新方法 |
| CN109350100A (zh) * | 2018-09-27 | 2019-02-19 | 上海联影医疗科技有限公司 | 医学成像方法、医学成像设备以及计算机可读存储介质 |
| CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
| WO2020135014A1 (zh) * | 2018-12-27 | 2020-07-02 | 深圳先进技术研究院 | 医学成像模型的建立方法、装置、设备及存储介质 |
| CN111899177A (zh) * | 2020-08-05 | 2020-11-06 | 苏州深透智能科技有限公司 | 一种图像处理方法、装置、电子设备和可读存储介质 |
-
2020
- 2020-12-29 CN CN202011603342.4A patent/CN112767259A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104107045A (zh) * | 2014-06-30 | 2014-10-22 | 沈阳东软医疗系统有限公司 | 磁共振成像方法和装置 |
| CN108513672A (zh) * | 2017-07-27 | 2018-09-07 | 深圳市大疆创新科技有限公司 | 增强图像对比度的方法、设备及存储介质 |
| CN108537794A (zh) * | 2018-04-19 | 2018-09-14 | 上海联影医疗科技有限公司 | 医学图像数据处理方法、装置和计算机可读存储介质 |
| CN109034198A (zh) * | 2018-06-25 | 2018-12-18 | 中国科学院计算技术研究所 | 基于特征图恢复的场景分割方法和系统 |
| CN109191476A (zh) * | 2018-09-10 | 2019-01-11 | 重庆邮电大学 | 基于U-net网络结构的生物医学图像自动分割新方法 |
| CN109350100A (zh) * | 2018-09-27 | 2019-02-19 | 上海联影医疗科技有限公司 | 医学成像方法、医学成像设备以及计算机可读存储介质 |
| WO2020135014A1 (zh) * | 2018-12-27 | 2020-07-02 | 深圳先进技术研究院 | 医学成像模型的建立方法、装置、设备及存储介质 |
| CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
| CN111899177A (zh) * | 2020-08-05 | 2020-11-06 | 苏州深透智能科技有限公司 | 一种图像处理方法、装置、电子设备和可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 谭海曙 等: "基于神经网络的图像亮度和对比度自适应增强", 《光电子·激光》, vol. 21, no. 12, 31 December 2010 (2010-12-31), pages 1881 - 1884 * |
| 钮孟洋: "图像超分辨率重建算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2020, no. 1, 15 January 2020 (2020-01-15), pages 138 - 1847 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114049732A (zh) * | 2021-09-29 | 2022-02-15 | 国网山东省电力公司郓城县供电公司 | 一种变电站视频监控方法、系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109993726B (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
| US20200294288A1 (en) | Systems and methods of computed tomography image reconstruction | |
| CN111179372B (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
| WO2021139439A1 (zh) | 图像重建方法、装置、设备、系统及计算机可读存储介质 | |
| CN110473226B (zh) | 图像处理网络的训练方法、计算机设备及可读存储介质 | |
| US11514621B2 (en) | Low-dose image reconstruction method and system based on prior anatomical structure difference | |
| CN111161269A (zh) | 图像分割方法、计算机设备和可读存储介质 | |
| CN111951272A (zh) | 脑部影像的分割方法、装置、计算机设备和可读存储介质 | |
| CN108038840B (zh) | 一种图像处理方法、装置、图像处理设备及存储介质 | |
| CN111243052A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
| CN113487536A (zh) | 图像分割方法、计算机设备和存储介质 | |
| CN116645283A (zh) | 基于自监督感知损失多尺度卷积神经网络的低剂量ct图像去噪方法 | |
| CN116563533A (zh) | 基于目标位置先验信息的医学图像分割方法及系统 | |
| CN112767259A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN113780519A (zh) | 生成对抗网络训练方法、装置、计算机设备和存储介质 | |
| CN117911432A (zh) | 图像分割方法、装置及存储介质 | |
| CN115953420B (zh) | 深度学习网络模型以及医疗图像分割方法、装置和系统 | |
| CN110852993B (zh) | 一种造影剂作用下的成像方法与设备 | |
| KR20190114229A (ko) | 영상 처리 장치 및 방법 | |
| CN112767403A (zh) | 医学影像分割模型训练方法、医学影像分割方法及装置 | |
| CN116091466A (zh) | 图像分析方法、计算机设备和存储介质 | |
| Xie et al. | Inpainting the metal artifact region in MRI images by using generative adversarial networks with gated convolution | |
| CN113705807B (zh) | 神经网络的训练装置及方法，消融布针规划装置及方法 | |
| CN115908610A (zh) | 一种基于单模态pet图像获取衰减校正系数图像的方法 | |
| KR20190117234A (ko) | 인공신경망을 이용한 자기 공명 영상의 영상 프로토콜 선택 장치와 방법 및 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 |
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 |