CN113240666B - 一种医学影像预处理方法、装置、设备及存储介质 - Google Patents

一种医学影像预处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113240666B
CN113240666B CN202110625389.9A CN202110625389A CN113240666B CN 113240666 B CN113240666 B CN 113240666B CN 202110625389 A CN202110625389 A CN 202110625389A CN 113240666 B CN113240666 B CN 113240666B
Authority
CN
China
Prior art keywords
image
training
conversion model
sample
image block
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
CN202110625389.9A
Other languages
English (en)
Other versions
CN113240666A (zh
Inventor
殷保才
孙梅
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.)
iFlytek Co Ltd
Original Assignee
iFlytek 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 iFlytek Co Ltd filed Critical iFlytek Co Ltd
Priority to CN202110625389.9A priority Critical patent/CN113240666B/zh
Publication of CN113240666A publication Critical patent/CN113240666A/zh
Application granted granted Critical
Publication of CN113240666B publication Critical patent/CN113240666B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • 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
    • G06T2207/30204—Marker

Landscapes

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

Abstract

本申请提供了一种医学影像预处理方法、装置、设备及存储介质，其中，方法包括：在获得待处理医学影像后，首先从待处理医学影像中获取候选感兴趣影像块，然后基于预先建立的影像转换模型将候选感兴趣影像块转换为无设备信息的影像块。由于影像转换模型采用对抗生成网络中的生成网络，以使对抗生成网络中的判别网络无法判别训练样本对应的转换后样本所属的域为训练目标训练得到，因此，基于训练得到的影像转换模型能够将从待处理医学影像中获取的候选感兴趣影响块转换为无设备信息的影像块，进而使得后续对无设备信息的候选感兴趣影像块进行感兴趣影像块/非感兴趣影像块的分类时，因无设备信息的影响，能够获得比较准确的分类结果。

Description

一种医学影像预处理方法、装置、设备及存储介质
技术领域
本申请涉及图像处理技术领域，尤其涉及一种医学影像预处理方法、装置、设备及存储介质。
背景技术
医学影像指的是，为了医疗或医学研究，对某个对象或某个对象的某部分，以非侵入方式取得的内部组织影像。
医学影像通过特定设备获取，然而，不同设备(此处的不同设备为泛指，可以指不同厂商的设备，也可以指相同厂商不同型号的设备，还可以指同一型号不同参数配置的设备)都有对应的成像算法，这导致不同设备所生成影像的质量、风格各不相同。图1展示了针对同一部位，通过两个不同设备获取的医学影像，通过图1不难发现，通过两个不同设备获取的医学影像存在差异。
在某些应用场景中，需要从医学影像中检测出感兴趣区域，而通过不同设备获取的医学影像的差异性导致后续在从来自不同设备的医学影像中检测感兴趣区域时，难以获得较好的检测效果。
发明内容
有鉴于此，本申请提供了一种医学影像预处理方法、装置、设备及存储介质，用以解决通过不同设备获取的医学影像的差异性导致后续在从来自不同设备的医学影像中检测感兴趣区域时，难以获得较好检测效果的问题，其技术方案如下：
一种医学影像预处理方法，包括：
获取待处理医学影像；
从所述待处理医学影像获取候选感兴趣影像块；
基于预先建立的影像转换模型，将所述候选感兴趣影像块转换为无设备信息的影像块；
其中，所述影像转换模型以从第一训练医学影像中获取的候选感兴趣影像块为训练样本训练得到，所述影像转换模型采用对抗生成网络中的生成网络，所述影像转换模型的训练目标包括：使所述对抗生成网络中的第一判别网络无法判别所述训练样本对应的转换后样本所属的域，所述训练样本对应的转换后样本为由所述生成网络对所述训练样本进行转换后输出的样本，所述训练样本对应的转换后样本所属的域能够表征获取所述第一训练医学影像的设备。
可选的，所述影像转换模型的训练目标还包括：
使所述对抗生成网络中的第二判别网络无法区分所述训练样本对应的转换后样本与所述训练样本。
可选的，所述影像转换模型的训练目标还包括：
使分类器针对所述训练样本对应的转换后样本预测的类别，与所述训练样本的真实类别一致，其中，所述分类器对输入的样本预测的类别为感兴趣影像块和非感兴趣影像块中的一个。
可选的，所述基于预先建立的影像转换模型，将所述候选感兴趣影像块转换为无设备信息的影像块，包括：
基于所述影像转换模型对所述候选感兴趣影像块进行傅里叶变换，以得到幅值谱和相位谱；
基于所述影像转换模型将所述幅值谱转换为无设备信息的幅值谱；
基于所述影像转换模型将所述无设备信息的幅值谱和所述相位谱经傅里叶反变换，得到无设备信息的影像块。
可选的，所述基于所述影像转换模型将所述幅值谱转换为无设备信息的幅值谱，包括：
基于所述影像转换模型和所述幅度值，确定转换矩阵；
基于所述影像转换模型和所述转换矩阵，将所述幅值谱转换为无设备信息的幅值谱。
可选的，所述从所述待处理医学影像获取候选感兴趣影像块，包括：
基于预先建立的感兴趣区域分割模型，确定所述待处理医学影像对应的分割掩模，其中，所述感兴趣区域分割模型采用基于第二训练医学影像对应的真实分割掩模从所述第二训练医学影像中获取的影像块，以及从所述第二训练医学影像中获取的影像块对应的真实分割掩模训练得到；
基于所述待处理医学影像对应的分割掩模，从所述待处理医学影像中确定候选感兴趣区域；
基于所述候选感兴趣区域的中心，从所述候选感兴趣区域中提取预设尺寸的影像块，作为候选感兴趣影像块。
可选的，所述基于预先建立的感兴趣区域分割模型，确定所述待处理医学影像对应的分割掩模，包括：
基于所述感兴趣区域分割模型，确定所述待处理医学影像对应的概率矩阵，其中，所述概率矩阵中的每个元素为所述待处理医学影像中一元素对应的概率，一元素对应的概率为该元素属于感兴趣区域的概率；
基于预设的二值化阈值，对所述待处理医学影像对应的概率矩阵进行二值化，得到所述待处理医学影像对应的分割掩模；
所述从所述待处理医学影像获取候选感兴趣影像块，还包括：
针对每个候选感兴趣影像块，确定该候选感兴趣影像块中各元素分别对应的概率的平均值，作为该候选感兴趣影像块的得分；
将得分小于预设得分阈值的候选感兴趣影像块确定为非感兴趣影像块并去除。
可选的，建立影像转换模型的过程，包括：
利用对抗生成网络中作为影像转换模型的生成网络对所述训练样本进行转换，得到所述训练样本对应的转换后样本；
利用对抗生成网络中的第一判别网络对所述训练样本对应的转换后样本进行域分类，得到的分类结果作为第一分类结果；
以所述第一分类结果为依据，对作为影像转换模型的生成网络的参数进行更新。
可选的，建立影像转换模型的过程，还包括：
利用对抗生成网络中的第二判别网络对所述训练样本和所述训练样本对应的转换后样本分别进行原始样本和转换后样本的分类，得到的分类结果作为第二分类结果；
所述以所述第一分类结果为依据，对作为影像转换模型的生成网络的参数进行更新，包括：
以所述第一分类结果和所述第二分类结果为依据，对作为影像转换模型的生成网络的参数进行更新。
可选的，所述利用对抗生成网络中的第一判别网络对所述训练样本对应的转换后样本进行域分类，包括：
利用对抗生成网络中的第一判别网络对所述训练样本对应的转换后样本中的每个元素进行域分类。
一种医学影像预处理装置，包括：医学影像获取模块、候选感兴趣影像块获取模块和影像块处理模块；
所述医学影像获取模块，用于获取待处理医学影像；
所述候选感兴趣影像块获取模块，用于从所述待处理医学影像获取候选感兴趣影像块；
所述影像块处理模块，用于基于预先建立的影像转换模型，将所述候选感兴趣影像块转换为无设备信息的影像块；
其中，所述影像转换模型以从第一训练医学影像中获取的候选感兴趣影像块为训练样本训练得到，所述影像转换模型采用对抗生成网络中的生成网络，所述影像转换模型的训练目标包括：使所述对抗生成网络中的第一判别网络无法判别所述训练样本对应的转换后样本所属的域，所述训练样本对应的转换后样本为由所述生成网络对所述训练样本进行转换后输出的样本，所述训练样本对应的转换后样本所属的域能够表征获取所述第一训练医学影像的设备。
可选的，所述影像转换模型的训练目标还包括：
使所述对抗生成网络中的第二判别网络无法区分所述训练样本对应的转换后样本与所述训练样本。
可选的，所述影像块处理模块，具体用于基于所述影像转换模型对所述候选感兴趣影像块进行傅里叶变换，以得到幅值谱和相位谱，基于所述影像转换模型将所述幅值谱转换为无设备信息的幅值谱，基于所述影像转换模型将所述无设备信息的幅值谱和所述相位谱经傅里叶反变换，得到无设备信息的影像块。
一种医学影像预处理设备，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现上述任一项所述的医学影像预处理方法的各个步骤。
一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述任一项所述的医学影像预处理方法的各个步骤。
经由上述方案可知，本申请提供的医学影像预处理方法、装置、设备及存储介质，在获得待处理医学影像后，首先从待处理医学影像中获取候选感兴趣影像块，然后基于预先建立的影像转换模型，将候选感兴趣影像块转换为无设备信息的影像块。由于影像转换模型采用对抗生成网络中的生成网络，以使对抗生成网络中的判别网络无法判别训练样本对应的转换后样本所属的域为训练目标训练得到，因此，训练得到的影像转换模型具备将输入影像转换为无设备信息的影像的能力，这使得基于训练得到的影像转换模型能够将从待处理医学影像中获取的候选感兴趣影响快转换为无设备信息的影像块，即经由本申请提供的医学影像预处理方法可获得无设备信息的候选感兴趣影像块，这使得后续对无设备信息的候选感兴趣影像块进行感兴趣影像块/非感兴趣影像块的分类时，因无设备信息的影响，能够获得比较准确的分类结果(即能够准确地检出感兴趣区域)。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的针对同一部位，通过两个不同设备获取的医学影像；
图2为本申请实施例提供的医学影像预处理方法的流程示意图；
图3为本申请实施例提供的从待处理医学影像获取候选感兴趣影像块的流程示意图；
图4为本申请实施例提供的具有跳层结构的Unet网络的结构示意图；
图5为本申请实施例提供的建立影像转换模型的流程示意图；
图6为本申请实施例提供的由作为影像转换模型的生成网络、第一判别网络、第二判别网络和分类器组成的网络的拓扑结构图；
图7为本申请实施例提供的基于预先建立的影像转换模型，将候选感兴趣影像块转换为无设备信息的影像块的流程示意图；
图8为本申请实施例提供的医学影像预处理装置的结构示意图；
图9为本申请实施例提供的医学影像预处理设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，从医学影像中检测感兴趣区域的方案多为基于分类模型的检测方案，即预先利用训练医学影像训练感兴趣区域/非感兴趣区域的分类模型，然后基于训练得到的分类模型对从待检测医学影像中获取的影像块进行感兴趣区域/非感兴趣区域的分类。
本案发明人通过对上述基于分类模型的检测方案进行研究发现，基于不同设备获取的训练医学影像存在差异，导致使用通过一种设备或多种设备训练得到的分类模型应用于通过与训练时不同设备获取的医学影像时，检测效果不佳。
考虑到基于分类模型的检测方案检测效果不佳，是由设备差异导致的，为了能够提升检测效果，本案发明人想到，可预先将输入分类模型的影像块的设备信息去除，从而提升分类模型的分类效果，沿着这个思路，本案发明人通过不断研究，最终提出了一种医学影像预处理方法，经由该方法可将从待处理医学影像中获取的候选感兴趣影响块转换为无设备信息的影像块，这使得后续对无设备信息的候选感兴趣影像块进行感兴趣影像块/非感兴趣影像块的分类时，因无设备信息的影响，能够获得比较准确的分类结果。
本申请提供的医学影像预处理方法可应用于具有数据处理能力的电子设备，该电子设备可以为网络侧的服务器，也可以为用户侧使用的终端，比如PC、笔记本、PAD、智能手机等。接下来通过下述实施例对本申请提供的医学影像预处理方法进行介绍。
第一实施例
请参阅图2，示出了本申请实施例提供的医学影像预处理方法的流程示意图，该方法可以包括：
步骤S201：获取待处理医学影像。
其中，待处理医学影像可以为通过医疗影像设备针对某个对象或某个对象的指定部位采集的影像，比如，某个对象的肺部CT影像(肺部CT影像多指肺部CT检查的DICOM影像)。
步骤S202：从待处理医学影像获取候选感兴趣影像块。
其中，候选感兴趣影像块为可能为感兴趣影像块的影像块，步骤S202的目的在于，从待处理医学影像中把可能为感兴趣影像块的影像块找出来。具体的，从待处理医学影像获取候选感兴趣影像块的过程可以包括：确定待处理医学影像对应的分割掩模，基于待处理医学影像对应的分割掩模从待处理医学影像中获取候选感兴趣影像块。
步骤S203：基于预先建立的影像转换模型，将候选感兴趣影像块转换为无设备信息的影像块。
其中，影像转换模型以从第一训练医学影像中获取的候选感兴趣影像块为训练样本训练得到，影像转换模型采用对抗生成网络中的生成网络。
影像转换模型的训练目标至少包括第一训练目标，第一训练目标为：使对抗生成网络中的第一判别网络无法判别训练样本对应的转换后样本所属的域，训练样本对应的转换后样本为由生成网络对训练样本进行转换后输出的样本，训练样本对应的转换后样本所属的域能够表征获取第一训练医学影像(即训练样本所在的医学影像)的设备。基于第一训练目标对影像转换模型进行训练，使得影像转换模型能够具备将输入的影像块转换为无设备信息的影像块的能力。
优选的，影像转换模型的训练目标还可以包括第二训练目标，第二训练目标为：使对抗生成网络中的第二判别网络无法区分训练样本对应的转换后样本与训练样本。在上述第一训练目标的基础上，结合第二训练目标对影像转换模型进行训练，使得影像转换模能够具备将输入的影像转换为无设备信息的影像，且使转换后影像与原始影像中除设备信息外的其他信息保持一致的能力，即，使影像转换模型在对输入影像进行转换的过程中不改变、不丢失输入影像中除设备信息外的其它信息。
更为优选的，影像转换模型的训练目标还可以包括第三训练目标，第三训练目标为：使分类器针对训练样本对应的转换后样本预测的类别，与训练样本的真实类别一致，其中，分类器对输入的样本预测的类别为感兴趣影像块和非感兴趣影像块中的一个。考虑到在需要从医学影像中检测感兴趣区域的场景中需要对候选感兴趣影像块进行感兴趣影像块/非感兴趣影像块的分类，为了提升后续的分类效果，可在上述第一训练目标和第二训练目标的基础上，结合第三训练目标对影像转换模型进行训练。
本申请实施例提供的医学影像预处理方法，在获得待处理医学影像后，首先从待处理医学影像中获取候选感兴趣影像块，然后基于预先建立的影像转换模型，将候选感兴趣影像块转换为无设备信息的影像块。由于影像转换模型采用对抗生成网络中的生成网络，以使对抗生成网络中的判别网络无法判别训练样本对应的转换后样本所属的域为训练目标训练得到，因此，训练得到的影像转换模型具备将输入影像转换为无设备信息的影像的能力，这使得基于训练得到的影像转换模型能够将从待处理医学影像中获取的候选感兴趣影响快转换为无设备信息的影像块，即经由本申请实施例提供的医学影像预处理方法可获得无设备信息的候选感兴趣影像块，这使得后续对无设备信息的候选感兴趣影像块进行感兴趣影像块/非感兴趣影像块的分类时，因无设备信息的影响，能够获得比较准确的分类结果(即能够准确地检出感兴趣区域)。
第二实施例
本实施例对上述实施例中的“步骤S202：从待处理医学影像获取候选感兴趣影像块”进行介绍。
请参阅图3，示出了从待处理医学影像获取候选感兴趣影像块的流程示意图，可以包括：
步骤S301：基于预先建立的感兴趣区域分割模型，确定待处理医学影像对应的分割掩模。
其中，兴趣区域分割模型采用基于第二训练医学影像对应的真实分割掩模从第二训练医学影像中获取的影像块，以及从第二训练医学影像中获取的影像块对应的真实分割掩模训练得到。
具体的，建立感兴趣区域分割模型的过程可以包括：
步骤a1、从第二训练数据集中获取第二训练医学影像。
其中，第二训练数据集中包括多个第二训练医学影像，每个第二训练医学影像对应一真实分割掩模。
第二训练医学影像对应的真实分割掩模为与第二训练医学影像尺寸相同的二值分割掩模。
步骤a2、对第二训练医学影像对应的真实分割掩模进行连通域分析，以确定感兴趣区域的中心。
步骤a3、基于感兴趣区域的中心提取预设尺寸的影像块，作为训练影像块，并从第二训练医学影像对应的真实分割掩模中获取训练影像块对应的真实分割掩模。
步骤a4、采用训练影像块以及训练影像块对应的真实分割掩模，训练感兴趣区域分割模型。
具体的，采用训练影像块以及训练影像块对应的真实分割掩模，训练感兴趣区域分割模型的过程包括：将训练影像块输入感兴趣区域分割模型，得到训练影像块对应的概率矩阵；基于预设的二值化阈值对概率矩阵中的每个元素进行二值化，以得到训练影像块对应的预测分割掩模；基于训练影像块对应的预测分割掩模和训练影像块对应的真实分割掩模确定感兴趣区域分割模型的预测损失；根据感兴趣区域分割模型的预测损失更新感兴趣区域分割模型的参数。
需要说明的是，训练影像块对应的概率矩阵中包含训练影像块中每个元素对应的概率，一元素对应的概率为该元素属于感兴趣区域的概率。另外需要说明的是，上述的“二值化阈值”以保证得到较高的感兴趣区域召回率为原则设置。
按上述方式对感兴趣区域分割模型进行多次迭代训练，直至满足训练结束条件，训练结束后得到的模型即为建立的感兴趣区域分割模型。
可选的，本实施例中的感兴趣区域分割模型可以但不限定为具有跳层结构的Unet网络，具有跳层结构的Unet网络如图4所示。
在建立了感兴趣区域分割模型后，便可基于建立的感兴趣区域分割模型，确定待处理医学影像对应的分割掩模，该过程可以包括：
步骤S3011、从待处理医学影像中采样多个影像块。
可选的，可采用基于固定步长的滑窗方式从待处理医学影像中采样多个影像块。
步骤S3012、基于预先建立的感兴趣区域分割模型，确定采样得到的多个影像块分别对应的分割掩模。
对于采样得到的每个影像块：将该影像块输入预先建立的感兴趣区域分割模型，得到该影像块对应的概率矩阵，基于预设的二值化阈值对该影像块对应的概率矩阵进行二值化，以得到该影像块对应的分割掩模。
步骤S3013、将采样得到的多个影像块分别对应的分割掩模融合，生成与待处理医学影像尺寸相同的分割掩模，作为待处理医学影像对应的分割掩模。
步骤S302：基于待处理医学影像对应的分割掩模，从待处理医学影像中确定候选感兴趣区域。
具体的，通过对待处理医学影像对应的分割掩模进行连通域分析，获得待处理医学影像中的候选感兴趣区域。
步骤S303：基于候选感兴趣区域的中心，从候选感兴趣区域中提取预设尺寸的影像块，作为候选感兴趣影像块。
需要说明的是，候选感兴趣影像块的尺寸可根据具体情况设定，比如，在需要从医学影像中检测出感兴趣区域的场景，若医学影像为肺部CT影像，需要检测的是肺部CT影像的肺结节所在区域，则候选感兴趣影像块的尺寸可根据肺结节的尺寸设定，比如设定为26*40*40。
经由上述实现方式可从待处理医学影像获取候选感兴趣影像块。
优选的，为了提高处理效率，在从待处理医学影像获取候选感兴趣影像块后，可先将获得的候选感兴趣影像块中明显不是感兴趣影像块的候选感兴趣影像块去除，只对剩余的候选感兴趣影像块进行后续处理。
其中，将获得的候选感兴趣影像块中明显不是感兴趣影像块的候选感兴趣影像块去除的方式可以为：针对获得的每个候选感兴趣影像块，确定该候选感兴趣影像块中各元素分别对应的概率的平均值，作为该候选感兴趣影像块的得分；将得分小于预设得分阈值的候选感兴趣影像块确定为非感兴趣影像块并去除。
第三实施例
本实施例对“步骤S203：基于预先建立的影像转换模型，将候选感兴趣影像块转换为无设备信息的影像块”的具体实现过程进行介绍。
考虑到将候选感兴趣影像块转换为无设备信息的影像块基于预先建立的影像转换模型实现，本实施例首先对建立影像转换模型的过程进行介绍。
请参阅图5，示出了建立影像转换模型的流程示意图，可以包括：
步骤S501：获取训练样本。
其中，训练样本为从第一训练数据集中的第一训练医学影像中获取的一候选感兴趣影像块，第二训练数据集中包括通过不同的医疗影像设备获取的医学影像。需要说明的是，上述实施例中的第二训练数据集与此处的第一训练数据集可以为同一训练数据集，也可以为不同的训练数据集。
步骤S502：利用对抗生成网络中作为影像转换模型的生成网络对训练样本进行转换，得到训练样本对应的转换后样本。
图6示出了由作为影像转换模型的生成网络601、第一判别网络602、第二判别网络603和分类器604组成的网络的拓扑结构图，将训练样本输入作为影像转换模型的生成网络601进行转换，作为影像转换模型的生成网络601输出训练样本对应的转换后样本。
步骤S503a：利用对抗生成网络中的第一判别网络对训练样本对应的转换后样本进行域分类，得到的分类结果作为第一分类结果。
训练样本对应的转换后样本输入图6中的第一判别网络602进行域分类，从而得到训练样本对应的转换后样本的域分类结果。
需要说明的是，本实施例中的第一判别网络本质上为域分类器，可选的，第一判别网络可以但不限定为采用Resnext-18作为主干网络，并将resnext-18最后的全连接层用1x1x1大小的卷积代替，第一判别网络用于辅助作为影像转换模型的生成网络训练，在对作为影像转换模型的生成网络进行训练前，需要对作为域分类器的第一判别网络进行训练，在对作为域分类器的第一判别网络进行训练时，需要基于标注正确域类别的样本进行训练。另外，在对作为域分类器的第一判别网络进行训练时，可使域分类器针对输入样本输出一个分类结果，也可使域分类器针对输入样本中的每个元素输出一个分类结果，为了获得较好的训练效果，本实施例优选为后者。
在训练好第一判别网络后，利用训练好的第一判别网络辅助训练作为影像转换模型的生成网络，在对作为影像转换模型的生成网络进行训练时，第一判别网络的参数固定不变。由于作为影像转换模型的生成网络的第一训练目标为，使第一判别网络无法判别训练样本对应的转换后样本所属的域(比如将真实域类别为x的样本的域类别判定为y，y与x不同)，因此，在对作为影像转换模型的生成网络进行训练时，需要为输入的样本标注错误的域类别。
在获得第一分类结果后，可以第一分类结果为依据，对作为影像转换模型的生成网络的参数进行更新，即根据第一分类结果和训练样本标注的域类别，确定作为影像转换模型的生成网络的预测损失(比如二值化交叉熵损失)，根据确定出的预测损失对作为影像转换模型的生成网络的参数进行更新。
优选的，为了使影像转换模型在对输入影像进行转换的过程中不改变、不丢失输入影像中除设备信息外的其它信息，即，使转换后影像与转换前影像中除设备信息外的其它信息保持一致，建立影像转换模型的过程还可以包括：
步骤S503b：利用对抗生成网络中的第二判别网络对训练样本和训练样本对应的转换后样本进行原始样本和转换后样本的分类，得到的分类结果作为第二分类结果。
训练样本和训练样本对应的转换后样本输入图6中的第二判别网络603进行原始样本和转换后样本的分类。
需要说明的是，本实施例中的第二判别网络本质上为一样本分类器，可选的，第二判别网络可以但不限定为采用Resnext-18作为主干网络，第二判别网络用于辅助作为影像转换模型的生成网络训练，在对作为影像转换模型的生成网络进行训练前，需要预先对作为样本分类器的第二判别网络进行训练，在对作为样本分类器的第二判别网络进行训练时，需要将标注有样本类别(原始样本/转换后样本)的原始训练样本和原始训练样本对应的转换后样本输入第二判别网络进行训练，需要说明的是，在对第二判别网络进行训练时，需要为原始训练样本和原始训练样本对应的转换后样本标注正确的样本类别，假设“原始样本”这一类别用“1”表示，“转换后样本”这一类别用“0”表示，则为输入第二判别网络的原始训练样本标注“1”，为输入第二判别网络的转换后样本标注“0”。
在训练好第二判别网络后，利用训练好的第二判别网络辅助训练作为影像转换模型的生成网络，在对作为影像转换模型的生成网络进行训练时，第二判别网络的参数固定不变，由于作为影像转换模型的生成网络的第二训练目标为，使第二判别网络无法区分训练样本对应的转换后样本与训练样本(比如，将训练样本对应的转换后样本的类别判别为“原始样本”)，因此，在对作为影像转换模型的生成网络进行训练时，需要为输入第二判别网络的训练样本和训练样本对应的转换后样本标注错误的样本类别，假设“原始样本”这一类别用“1”表示，“转换后样本”这一类别用“0”表示，则为输入第二判别网络的训练样本标注“0”，为输入第二判别网络的转换后样本标注“1”。
步骤S504：以第一分类结果和第二分类结果为依据，对作为影像转换模型的生成网络的参数进行更新。
具体的，根据第一分类结果和训练样本标注的域类别，确定作为影像转换模型的生成网络的预测损失(比如二值化交叉熵损失)，作为第一预测损失，根据第二分类结果、训练样本标注的样本类别(即原始样本/转换后样本)和训练样本对应的转换后样本标注的样本类别(即原始样本/转换后样本)确定作为影像转换模型的生成网络的预测损失(比如二值化交叉熵损失)，作为第二预测损失，根据第一预测损失和第二预测损失对作为影像转换模型的生成网络的参数进行更新。
优选的，建立影像转换模型的过程还可以包括：利用分类器对训练样本对应的转换后样本进行感兴趣影像块和非感兴趣影像块的分类，得到的分类结果作为第三分类结果，即训练样本对应的转换后样本输入图6中的分类器604进行感兴趣影像块和非感兴趣影像块的分类。可选的，对转换后样本进行感兴趣影像块和非感兴趣影像块的分类器可以但不限定为采用Resnext-18作为主干网络。
相应的，以第一分类结果和第二分类结果为依据，对作为影像转换模型的生成网络的参数进行更新的过程包括：以第一分类结果、第二分类结果和第三分类结果为依据，对作为影像转换模型的生成网络的参数进行更新。
具体的，根据第一分类结果和训练样本标注的域类别，确定作为影像转换模型的生成网络的预测损失(比如二值化交叉熵损失)，作为第一预测损失，根据第二分类结果、训练样本标注的样本类别(即原始样本/转换后样本)和训练样本对应的转换后样本标注的样本类别(即原始样本/转换后样本)确定作为影像转换模型的生成网络的预测损失(比如二值化交叉熵损失)，作为第二预测损失，根据第三分类结果和训练样本标注的用于指示训练样本为感兴趣影像块还是为非感兴趣影像块的类别信息(该类别信息为正确的类别信息)，确定影像转换模型的预测损失(比如二值化交叉熵损失)，作为第三预测损失，根据第一预测损失、第二预测损失和第三预测损失对作为影像转换模型的生成网络的参数进行更新。
按上述方式对影像转换模型进行多次迭代训练，直至满足训练结束条件，训练结束后的生成网络即为建立的影像转换模型。本实施例中的影像转换模型可以但不限定为编码器-解码器结构。
需要说明的是，为了提高训练速度，可先利用第二判别网络对作为影像转换模型的生成网络进行预训练，然后再利用第一判别网络和第二判别网络对预训练后的生成网络进一步进行训练，另外需要说明的是，在训练过程中，需要交替训练生成网络和判别网络，即，固定生成网络的参数，对第一判别网络和第二判别网络进行训练，固定第一判别网络和第二判别网络的参数，对生成网络进行训练，在固定生成网络的参数，以对第一判别网络和第二判别网络进行训练时，对第一判别网络和第二判别网络轮流训练，通过不断训练，最终可获得具备如下能力的影像转换模型：将输入的影像转换为无设备信息的影像，且使转换后影像与原始影像中除设备信息外的其他信息保持一致。
接下来，对“基于预先建立的影像转换模型，将候选感兴趣影像块转换为无设备信息的影像块”的实现过程进行介绍。
请参阅图7，示出了基于预先建立的影像转换模型，将候选感兴趣影像块转换为无设备信息的影像块的流程示意图，可以包括：
步骤S701：基于影像转换模型对候选感兴趣影像块进行傅里叶变换，以得到幅值谱和相位谱。
具体的，影像转换模型包括傅里叶变换模块，在获得候选感兴趣影像块后，将候选感兴趣影像块输入影像转换模型的傅里叶变换模块，傅里叶变换模块将输入的候选感兴趣影像块分解为幅值谱和相位谱并输出。
步骤S702：基于影像转换模型将幅值谱转换为无设备信息的幅值谱。
具体的，影像转换模型包括幅值谱转换模块，傅里叶变换模块输出的幅值谱输入幅值谱转换模块，幅值谱转换模块将输入的幅值谱转换为无设备信息的幅值谱。
其中，幅值谱转换模块包括转换矩阵确定子模块和幅值谱转换子模块。傅里叶变换模块输出的幅值谱输入转换矩阵确定子模块，转换矩阵确定子模块根据输入的幅值谱确定转换矩阵并输出，转换矩阵确定子模块输出的转换矩阵和傅里叶变换模块输出的幅值谱输入幅值谱转换子模块，幅值谱转换子模块基于输入的转换矩阵将输入的幅值谱转换为无设备信息的幅值谱，具体的，幅值谱转换子模块将输入的幅值谱与输入的转换矩阵相乘，相乘结果即为无设备信息的幅值谱。
步骤S703：基于影像转换模型将无设备信息的幅值谱和相位谱经傅里叶反变换，得到无设备信息的影像块。
具体的，影像转换模型包括傅里叶反变换模块，傅里叶变换模块输出的相位谱和幅值谱转换模块输出的无设备信息的幅值谱输入傅里叶反变换模块，傅里叶反变换模块对输入的相位谱和无设备信息的幅值谱进行傅里叶反变换，输出无设备信息的影像块。
经由本实施例提供的实现方式可将候选感兴趣影像块转换为无设备信息的影像块。
第四实施例
本申请实施例还提供了一种医学影像预处理装置，下面对本申请实施例提供的医学影像预处理装置进行描述，下文描述的医学影像预处理装置与上文描述的医学影像预处理方法可相互对应参照。
请参阅图8，示出了本申请实施例提供的医学影像预处理装置的结构示意图，可以包括：医学影像获取模块801、候选感兴趣影像块获取模块802和影像块处理模块803。
医学影像获取模块801，用于获取待处理医学影像。
候选感兴趣影像块获取模块802，用于从所述待处理医学影像获取候选感兴趣影像块。
影像块处理模块803，用于基于预先建立的影像转换模型，将所述候选感兴趣影像块转换为无设备信息的影像块。
其中，所述影像转换模型以从第一训练医学影像中获取的候选感兴趣影像块为训练样本训练得到，所述影像转换模型采用对抗生成网络中的生成网络，所述影像转换模型的训练目标包括：使所述对抗生成网络中的第一判别网络无法判别所述训练样本对应的转换后样本所属的域，所述训练样本对应的转换后样本为由所述生成网络对所述训练样本进行转换后输出的样本，所述训练样本对应的转换后样本所属的域能够表征获取所述第一训练医学影像的设备。
可选的，所述影像转换模型的训练目标还包括：使所述对抗生成网络中的第二判别网络无法区分所述训练样本对应的转换后样本与所述训练样本。
可选的，所述影像转换模型的训练目标还包括：使分类器针对所述训练样本对应的转换后样本预测的类别，与所述训练样本的真实类别一致，其中，所述分类器对输入的样本预测的类别为感兴趣影像块和非感兴趣影像块中的一个。
可选的，影像块处理模块803，具体用于基于所述影像转换模型对所述候选感兴趣影像块进行傅里叶变换，以得到幅值谱和相位谱，基于所述影像转换模型将所述幅值谱转换为无设备信息的幅值谱，基于所述影像转换模型将所述无设备信息的幅值谱和所述相位谱经傅里叶反变换，得到无设备信息的影像块。
影像块处理模块803在基于所述影像转换模型将所述幅值谱转换为无设备信息的幅值谱时，具体用于基于所述影像转换模型和所述幅度值，确定转换矩阵，基于所述影像转换模型和所述转换矩阵，将所述幅值谱转换为无设备信息的幅值谱。
可选的，候选感兴趣影像块获取模块802包括：分割掩模确定子模块和候选感兴趣区域确定子模块和候选感兴趣影像块获取子模块。
所述分割掩模确定子模块，用于基于预先建立的感兴趣区域分割模型，确定所述待处理医学影像对应的分割掩模。
其中，所述感兴趣区域分割模型采用基于第二训练医学影像对应的真实分割掩模从所述第二训练医学影像中获取的影像块，以及从所述第二训练医学影像中获取的影像块对应的真实分割掩模训练得到。
所述候选感兴趣区域确定子模块，用于基于所述待处理医学影像对应的分割掩模，从所述待处理医学影像中确定候选感兴趣区域。
所述候选感兴趣影像块获取子模块，用于基于所述候选感兴趣区域的中心，从所述候选感兴趣区域中提取预设尺寸的影像块，作为候选感兴趣影像块。
可选的，所述分割掩模确定子模块，具体用于基于所述感兴趣区域分割模型，确定所述待处理医学影像对应的概率矩阵，基于预设的二值化阈值，对所述待处理医学影像对应的概率矩阵进行二值化，得到所述待处理医学影像对应的分割掩模。其中，所述概率矩阵中的每个元素为所述待处理医学影像中一元素对应的概率，一元素对应的概率为该元素属于感兴趣区域的概率。
可选的，本申请实施例提供的医学影像预处理装置还包括：虚警去除模块。
所述虚警去除模块，用于针对每个候选感兴趣影像块，确定该候选感兴趣影像块中各元素分别对应的概率的平均值，作为该候选感兴趣影像块的得分，将得分小于预设得分阈值的候选感兴趣影像块确定为非感兴趣影像块并去除。
可选的，本申请实施例提供的医学影像预处理装置还包括：模型构建模块。
所述模型构建模块，用于：
利用对抗生成网络中作为影像转换模型的生成网络对所述训练样本进行转换，得到所述训练样本对应的转换后样本；
利用对抗生成网络中的第一判别网络对所述训练样本对应的转换后样本进行域分类，得到的分类结果作为第一分类结果；
以所述第一分类结果为依据，对作为影像转换模型的生成网络的参数进行更新。
可选的，所述模型构建模块，还用于利用对抗生成网络中的第二判别网络对所述训练样本和所述训练样本对应的转换后样本分别进行原始样本和转换后样本的分类，得到的分类结果作为第二分类结果；
所述模型构建模块在以所述第一分类结果为依据，对作为影像转换模型的生成网络的参数进行更新时，具体用于以所述第一分类结果和所述第二分类结果为依据，对作为影像转换模型的生成网络的参数进行更新。
可选的，所述模型构建模块在利用对抗生成网络中的第一判别网络对所述训练样本对应的转换后样本进行域分类时，具体用于利用对抗生成网络中的第一判别网络对所述训练样本对应的转换后样本中的每个元素进行域分类。
本申请实施例提供的医学影像预处理装置，在获得待处理医学影像后，首先从待处理医学影像中获取候选感兴趣影像块，然后基于预先建立的影像转换模型，将候选感兴趣影像块转换为无设备信息的影像块。由于影像转换模型采用对抗生成网络中的生成网络，以使对抗生成网络中的判别网络无法判别训练样本对应的转换后样本所属的域为训练目标训练得到，因此，训练得到的影像转换模型具备将输入影像转换为无设备信息的影像的能力，这使得基于训练得到的影像转换模型能够将从待处理医学影像中获取的候选感兴趣影响快转换为无设备信息的影像块，即经由本申请实施例提供的医学影像预处理装置可获得无设备信息的候选感兴趣影像块，这使得后续对无设备信息的候选感兴趣影像块进行感兴趣影像块/非感兴趣影像块的分类时，因无设备信息的影响，能够获得比较准确的分类结果(即能够准确地检出感兴趣区域)。
第五实施例
本申请实施例还提供了一种医学影像预处理设备，请参阅图9，示出了该医学影像预处理设备的结构示意图，该医学影像预处理设备可以包括：至少一个处理器901，至少一个通信接口902，至少一个存储器903和至少一个通信总线904；
在本申请实施例中，处理器901、通信接口902、存储器903、通信总线904的数量为至少一个，且处理器901、通信接口902、存储器903通过通信总线904完成相互间的通信；
处理器901可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
存储器903可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)等，例如至少一个磁盘存储器；
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
获取待处理医学影像；
从所述待处理医学影像获取候选感兴趣影像块；
基于预先建立的影像转换模型，将所述候选感兴趣影像块转换为无设备信息的影像块；
其中，所述影像转换模型以从第一训练医学影像中获取的候选感兴趣影像块为训练样本训练得到，所述影像转换模型采用对抗生成网络中的生成网络，所述影像转换模型的训练目标包括：使所述对抗生成网络中的第一判别网络无法判别所述训练样本对应的转换后样本所属的域，所述训练样本对应的转换后样本为由所述生成网络对所述训练样本进行转换后输出的样本，所述训练样本对应的转换后样本所属的域能够表征获取所述第一训练医学影像的设备。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
第六实施例
本申请实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：
获取待处理医学影像；
从所述待处理医学影像获取候选感兴趣影像块；
基于预先建立的影像转换模型，将所述候选感兴趣影像块转换为无设备信息的影像块；
其中，所述影像转换模型以从第一训练医学影像中获取的候选感兴趣影像块为训练样本训练得到，所述影像转换模型采用对抗生成网络中的生成网络，所述影像转换模型的训练目标包括：使所述对抗生成网络中的第一判别网络无法判别所述训练样本对应的转换后样本所属的域，所述训练样本对应的转换后样本为由所述生成网络对所述训练样本进行转换后输出的样本，所述训练样本对应的转换后样本所属的域能够表征获取所述第一训练医学影像的设备。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (12)

1.一种医学影像预处理方法，其特征在于，包括：
获取待处理医学影像；
从所述待处理医学影像获取候选感兴趣影像块；
基于预先建立的影像转换模型，将所述候选感兴趣影像块转换为无设备信息的影像块；
其中，所述影像转换模型以从第一训练医学影像中获取的候选感兴趣影像块为训练样本训练得到，所述影像转换模型采用对抗生成网络中的生成网络，所述影像转换模型的训练目标包括：使所述对抗生成网络中的第一判别网络无法判别所述训练样本对应的转换后样本所属的域，所述训练样本对应的转换后样本为由所述生成网络对所述训练样本进行转换后输出的样本，所述训练样本对应的转换后样本所属的域能够表征获取所述第一训练医学影像的设备；
所述基于预先建立的影像转换模型，将所述候选感兴趣影像块转换为无设备信息的影像块，包括：
基于所述影像转换模型对所述候选感兴趣影像块进行傅里叶变换，以得到幅值谱和相位谱；
基于所述影像转换模型将所述幅值谱转换为无设备信息的幅值谱；
基于所述影像转换模型将所述无设备信息的幅值谱和所述相位谱经傅里叶反变换，得到无设备信息的影像块。
2.根据权利要求1所述的医学影像预处理方法，其特征在于，所述影像转换模型的训练目标还包括：
使所述对抗生成网络中的第二判别网络无法区分所述训练样本对应的转换后样本与所述训练样本。
3.根据权利要求2所述的医学影像预处理方法，其特征在于，所述影像转换模型的训练目标还包括：
使分类器针对所述训练样本对应的转换后样本预测的类别，与所述训练样本的真实类别一致，其中，所述分类器对输入的样本预测的类别为感兴趣影像块和非感兴趣影像块中的一个。
4.根据权利要求1所述医学影像预处理方法，其特征在于，所述基于所述影像转换模型将所述幅值谱转换为无设备信息的幅值谱，包括：
基于所述影像转换模型和所述幅度值，确定转换矩阵；
基于所述影像转换模型和所述转换矩阵，将所述幅值谱转换为无设备信息的幅值谱。
5.根据权利要求1所述的医学影像预处理方法，其特征在于，所述从所述待处理医学影像获取候选感兴趣影像块，还包括：
针对获得的每个候选感兴趣影像块，确定该候选感兴趣影像块中各元素分别对应的概率的平均值，作为该候选感兴趣影像块的得分，其中，每个候选感兴趣影像块中各元素分别对应的概率基于预先建立的感兴趣区域分割模型确定，一元素对应的概率为该元素属于感兴趣区域的概率；
将得分小于预设得分阈值的候选感兴趣影像块确定为非感兴趣影像块并去除。
6.根据权利要求1所述的医学影像预处理方法，其特征在于，建立影像转换模型的过程，包括：
利用对抗生成网络中作为影像转换模型的生成网络对所述训练样本进行转换，得到所述训练样本对应的转换后样本；
利用对抗生成网络中的第一判别网络对所述训练样本对应的转换后样本进行域分类，得到的分类结果作为第一分类结果；
以所述第一分类结果为依据，对作为影像转换模型的生成网络的参数进行更新。
7.根据权利要求6所述的医学影像预处理方法，其特征在于，建立影像转换模型的过程，还包括：
利用对抗生成网络中的第二判别网络对所述训练样本和所述训练样本对应的转换后样本分别进行原始样本和转换后样本的分类，得到的分类结果作为第二分类结果；
所述以所述第一分类结果为依据，对作为影像转换模型的生成网络的参数进行更新，包括：
以所述第一分类结果和所述第二分类结果为依据，对作为影像转换模型的生成网络的参数进行更新。
8.根据权利要求6所述的医学影像预处理方法，其特征在于，所述利用对抗生成网络中的第一判别网络对所述训练样本对应的转换后样本进行域分类，包括：
利用对抗生成网络中的第一判别网络对所述训练样本对应的转换后样本中的每个元素进行域分类。
9.一种医学影像预处理装置，其特征在于，包括：医学影像获取模块、候选感兴趣影像块获取模块和影像块处理模块；
所述医学影像获取模块，用于获取待处理医学影像；
所述候选感兴趣影像块获取模块，用于从所述待处理医学影像获取候选感兴趣影像块；
所述影像块处理模块，用于基于预先建立的影像转换模型，将所述候选感兴趣影像块转换为无设备信息的影像块；
其中，所述影像转换模型以从第一训练医学影像中获取的候选感兴趣影像块为训练样本训练得到，所述影像转换模型采用对抗生成网络中的生成网络，所述影像转换模型的训练目标包括：使所述对抗生成网络中的第一判别网络无法判别所述训练样本对应的转换后样本所属的域，所述训练样本对应的转换后样本为由所述生成网络对所述训练样本进行转换后输出的样本，所述训练样本对应的转换后样本所属的域能够表征获取所述第一训练医学影像的设备；
所述影像块处理模块，具体用于基于所述影像转换模型对所述候选感兴趣影像块进行傅里叶变换，以得到幅值谱和相位谱，基于所述影像转换模型将所述幅值谱转换为无设备信息的幅值谱，基于所述影像转换模型将所述无设备信息的幅值谱和所述相位谱经傅里叶反变换，得到无设备信息的影像块。
10.根据权利要求9所述的医学影像预处理装置，其特征在于，所述影像转换模型的训练目标还包括：
使所述对抗生成网络中的第二判别网络无法区分所述训练样本对应的转换后样本与所述训练样本。
11.一种医学影像预处理设备，其特征在于，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1～8中任一项所述的医学影像预处理方法的各个步骤。
12.一种可读存储介质，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，实现如权利要求1～8中任一项所述的医学影像预处理方法的各个步骤。
CN202110625389.9A 2021-06-04 2021-06-04 一种医学影像预处理方法、装置、设备及存储介质 Active CN113240666B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110625389.9A CN113240666B (zh) 2021-06-04 2021-06-04 一种医学影像预处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110625389.9A CN113240666B (zh) 2021-06-04 2021-06-04 一种医学影像预处理方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113240666A CN113240666A (zh) 2021-08-10
CN113240666B true CN113240666B (zh) 2024-04-16

Family

ID=77136819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110625389.9A Active CN113240666B (zh) 2021-06-04 2021-06-04 一种医学影像预处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113240666B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114386454B (zh) * 2021-12-09 2023-02-03 首都医科大学附属北京友谊医院 基于信号混合策略的医疗时序信号数据处理方法
CN114638745B (zh) * 2022-03-16 2023-08-18 江南大学 一种基于多借鉴信息的医学影像智能转换方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111161270A (zh) * 2019-12-24 2020-05-15 上海联影智能医疗科技有限公司 医学影像的血管分割方法、计算机设备和可读存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10984905B2 (en) * 2017-11-03 2021-04-20 Siemens Healthcare Gmbh Artificial intelligence for physiological quantification in medical imaging
CN109003260B (zh) * 2018-06-28 2021-02-09 深圳视见医疗科技有限公司 Ct图像肺结节检测方法、装置、设备及可读存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111161270A (zh) * 2019-12-24 2020-05-15 上海联影智能医疗科技有限公司 医学影像的血管分割方法、计算机设备和可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向高光谱影像分类的生成式对抗网络;张鹏强;刘冰;余旭初;谭熊;杨帆;周增华;;测绘通报(03);全文 *

Also Published As

Publication number Publication date
CN113240666A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN108446730B (zh) 一种基于深度学习的ct肺结节检测装置
CN109741309B (zh) 一种基于深度回归网络的骨龄预测方法及装置
CN107122806B (zh) 一种敏感图像识别方法及装置
CN107480677B (zh) 一种识别三维ct图像中感兴趣区域的方法及装置
CN113240666B (zh) 一种医学影像预处理方法、装置、设备及存储介质
WO2019200782A1 (zh) 样本数据分类方法、模型训练方法、电子设备及存储介质
CN109614869B (zh) 一种基于多尺度压缩奖惩网络的病理图像分类方法
CN111681219A (zh) 基于深度学习的新冠肺炎ct图像分类方法、系统及设备
CN111461243B (zh) 分类方法、装置、电子设备及计算机可读存储介质
CN110796659B (zh) 一种目标检测结果的鉴别方法、装置、设备及存储介质
CN110956615A (zh) 图像质量评估模型训练方法、装置、电子设备及存储介质
CN111920405A (zh) 一种房颤信号识别系统及方法
CN110610123A (zh) 一种多目标车辆检测方法、装置、电子设备及存储介质
CN112771516A (zh) 分类装置、分类方法、程序以及信息记录介质
CN111028940B (zh) 肺结节多尺度检测方法、装置、设备及介质
KR20100116404A (ko) 영상정보로부터 독립세포와 군집세포를 분류하는 방법 및 장치
CN115601299A (zh) 基于图像的肝硬化状态智能评估系统及其方法
CN113177554B (zh) 甲状腺结节识别与分割方法、系统、存储介质及设备
CN111401102A (zh) 深度学习模型训练方法及装置、电子设备及存储介质
KR102230559B1 (ko) 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치
CN109872307B (zh) 一种检测生物组织图像中肿块的方法、相应设备及介质
CN112002407A (zh) 一种基于超声视频的乳腺癌诊断装置及其方法
CN115497092A (zh) 图像处理方法、装置及设备
CN112001896B (zh) 一种甲状腺边界不规则度检测装置
CN110222622B (zh) 一种环境土壤检测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant