CN113592804A - 图像处理方法、装置及设备 - Google Patents
图像处理方法、装置及设备 Download PDFInfo
- Publication number
- CN113592804A CN113592804A CN202110848758.0A CN202110848758A CN113592804A CN 113592804 A CN113592804 A CN 113592804A CN 202110848758 A CN202110848758 A CN 202110848758A CN 113592804 A CN113592804 A CN 113592804A
- Authority
- CN
- China
- Prior art keywords
- image
- image sequence
- time interval
- sequence
- frame
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 210000004072 lung Anatomy 0.000 claims abstract description 103
- 238000000034 method Methods 0.000 claims abstract description 94
- 230000000241 respiratory effect Effects 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 53
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 230000009471 action Effects 0.000 claims description 111
- 230000008859 change Effects 0.000 claims description 86
- 238000012937 correction Methods 0.000 claims description 47
- 230000011218 segmentation Effects 0.000 claims description 33
- 206010006322 Breath holding Diseases 0.000 claims description 24
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 230000007423 decrease Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000005562 fading Methods 0.000 claims 1
- 238000012300 Sequence Analysis Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 64
- 230000008569 process Effects 0.000 description 46
- 238000003745 diagnosis Methods 0.000 description 16
- 230000004199 lung function Effects 0.000 description 16
- 230000017531 blood circulation Effects 0.000 description 10
- 230000033001 locomotion Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000009423 ventilation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003205 diastolic effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000003434 inspiratory effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种图像处理方法、装置及设备,涉及人工智能技术领域,能够降低设备偏差带来干扰信息会引起差异信号的漂移,从一定程度上使得差异信号具有更高的精度,进而提升图像序列分析结果的准确性。其中方法包括:获取肺部区域各个呼吸阶段所采集的第一图像序列,所述第一图像序列包含动态连续的多帧图像;利用灰度校准方法对所述第一图像序列进行校准处理,得到第二图像序列;针对所述第二图像序列中每帧图像进行分割,并将分割后的多帧图像形成各个呼吸阶段对应的图像子序列,与预先配置各个呼吸阶段所对应的模板图像进行配准相减,得到差异信号;将所述差异信号与所述第一图像序列进行融合展示。
Description
技术领域
本申请涉及图像处理技术领域,尤其是涉及到一种图像处理方法、装置及设备。
背景技术
随着计算机技术与医学图像技术的发展,基于动态平板探测器动态肺部诊断功能的应用,对提高医生对肺部功能的正确诊断率有极大的帮助,该过程主要时利用肺部区域图像序列的分析结果来实现肺功能诊断,具体包括:首先采集胸部动态曝光图像,然后确定肺部区域,利用图像序列计算横膈膜运动范围,进而确定呼吸过程中吸气、呼气以及呼吸静止阶段。对于吸气和呼气阶段进行图像配准、时域图像平滑,将对应图像序列中吸气过程中肺野长度区域最大或最小的图像为模板进行数据相减,再将得到的差分信号与图像序列进行伪彩色的显示。类似的对于呼吸静止阶段,根据心脏运动确定心脏的心跳周期,将对应得到心脏舒张期、收缩期对应的图像作为模板进行数据相减,再将得到的差分信号与图像序列进行融合显示,最后根据显示的信号进行肺功能诊断。
由上述肺部功能诊断过程可以看出,肺功能诊断的重点侧重于图像序列的分析过程,即如何通过一个肺部图像序列得到肺功能诊断信息,而肺功能诊断的核心在于利用了在人体呼吸以及心脏循环过程中肺部血液与空气变化导致X射线经过肺部后由于衰减变化引起探测器信号变化的原理,但是由于采集设备部件在工作过程中存在一致性,重复精度等问题,上述肺功能诊断过程并未考虑设备偏差带来干扰信息,例如,高压发生器脉冲曝光出线剂量的一致性、探测器响应的一致性,这些都会引起差异信号的漂移,从而造成图像序列的分析结果不准确,进而影响肺功能诊断结果。
发明内容
有鉴于此,本申请提供了一种图像处理方法、装置及设备,主要目的在于解决现有技术中设备偏差带来干扰信息会引起差异信号的漂移,造成图像序列信号的分析结果不准确,影响肺功能诊断结果的问题。
根据本申请的第一个方面,提供了一种图像处理方法,该方法包括:
获取肺部区域各个呼吸阶段所采集的第一图像序列,所述第一图像序列包含动态连续的多帧图像;
利用灰度校准方法对所述第一图像序列进行校准处理,得到第二图像序列;
针对所述第二图像序列中每帧图像进行分割,并将分割后的多帧图像形成各个呼吸阶段对应的图像子序列,与预先配置各个呼吸阶段所对应的模板图像进行配准相减,得到差异信号;
将所述差异信号与所述第一图像序列进行融合展示。
进一步地,所述获取肺部区域各个呼吸阶段所采集的第一图像序列,具体包括:
预先设置提示用户执行吸气动作涉及的第一时间间隔、执行呼气动作涉及的第二时间间隔以及执行憋气动作涉及的第三时间间隔;
基于所述第一时间间隔、第二时间间隔以及第三时间间隔向用户发送吸气动作、呼气动作以及憋气动作的提示;
接收在预设采集时长内用户执行吸气动作和呼气动作后探测器同步采集的所有图像序列,形成肺部区域各个呼吸阶段的第一图像序列。
进一步地,所述预先设置提示用户执行吸气动作涉及的第一时间间隔、执行呼气动作涉及的第二时间间隔以及执行憋气动作涉及的第三时间间隔,具体包括:
通过监测所述第一图像序列中肺部区域的变化,确定提示用户执行吸气动作涉及的第一时间间隔、执行呼气动作涉及的第二时间间隔以及执行憋气动作涉及的第三时间间隔。
进一步地,在所述基于所述第一时间间隔、第二时间间隔以及第三时间间隔向用户发送吸气动作、呼气动作以及憋气动作的提示之后,所述方法还包括:
利用初始图像序列所确定肺部区域的长度,对所述第一时间间隔以及所述第二时间间隔进行调整,所述初始图像序列为用户首次执行吸气动作和/或呼气动作后探测器同步采集的图像序列。
进一步地,所述利用初始图像序列所确定肺部区域的长度,对所述第一时间间隔以及所述第二时间间隔进行调整,具体包括:
获取用户首次执行吸气动作和/或呼气动作后探测器同步采集的图像序列,作为初始图像序列;
计算所述初始图像序列中每帧图像内肺部区域的长度,并利用所述肺部区域的长度增长或减小幅度变化趋于零时所维持的帧数,对所述第一时间间隔以及所述第二时间间隔进行调整。
进一步地,所述利用灰度校准方法对所述第一图像序列进行校准处理,得到第二图像序列,具体包括:
对所述第一图像序列进行线性化处理,得到第三图像序列,以使得所述第三图像序列中每帧图像的灰度值与射线剂量呈线性关系;
利用所述第三图像序列中参考图像与每一帧图像中相对无衰减变化区域的灰度平均值,确定第一修正因子;
使用所述第一修正因子对所述第三图像序列进行相乘,得到第二图像序列。
进一步地,在所述利用所述第三图像序列中参考图像与每一帧图像中相对无衰减变化区域的灰度平均值,确定第一修正因子之后,所述方法还包括:
将所述每一帧图像中相对无衰减变化区域的灰度平均值带入厚度模型,确定第二修正因子,所述厚度模型为根据灰度平均值得到等效衰减厚度确定与参考图像中无衰减变化区域的相对关系,用于修正图像中由于衰减厚度不同引起的偏差;
使用所述第一修正因子和所述第二修正因子对所述第三图像序列进行相乘,得到第二图像序列。
进一步地,所述利用所述第三图像序列中参考图像与每一帧图像中相对无衰减变化区域的灰度平均值,确定第一修正因子,具体包括:
以所述第三图像序列中第i个图像作为参考图像,计算所述参考图像中相对无衰减变化区域的参考灰度平均值,所述i为大于1且小于N,N为第三图像序列中图像的总帧数;
将所述参考灰度平均值与所述第三图像序列中每一帧图像中相对无衰减变化区域的灰度平均值相比,得到第一修正因子。
进一步地,在所述将所述每一帧图像中相对无衰减变化区域的灰度平均值带入厚度模型,确定第二修正因子之前,所述方法还包括:
利用模拟人体衰减不同厚度的预设图像序列所确定不同厚度对应图像区域的灰度平均值数据,构建厚度模型。
进一步地,所述利用模拟人体衰减不同厚度的预设图像序列所确定不同厚度对应图像区域的灰度平均值数据,构建厚度模型,具体包括:
利用所述预设图像序列参考图像确定的第一修正因子,对所述预设图像序列进行修正处理,得到修正处理后的预设图像序列;
依次在预设图像序列中不同厚度对应的图像区域选取图像块,计算所述图像块的灰度平均值,并采样得到不同厚度衰减变化率的灰度平均值;
依据兰伯特比尔定律计算所述图像块的灰度平均值对应的衰减值;
使用数据拟合模型建立所述不同厚度衰减变化率的灰度平均值与所述衰减值的相对关系,构建厚度模型。
进一步地,所述针对所述第二图像序列中每帧图像进行分割,并将分割后的多帧图像形成各个呼吸阶段对应的图像子序列,与预先配置各个呼吸阶段所对应的模板图像进行配准相减,得到差异信号,具体包括:
针对所述第二图像序列中每帧图像进行肺部区域以及心脏区域的分割,得到分割结果,所述分割结果包括肺部区域图像和心脏区域图像;
利用所述肺部区域图像和心脏区域图像,确定各个呼吸阶段对应的图像子序列;
将各个呼吸阶段对应的图像子序列与各个呼吸阶段所对应的模板图像进行配准相减,得到差异信号,所述各个呼吸阶段对应的模板图像为利用分割结果确定的。
根据本申请的第二个方面,提供了一种图像处理装置,该装置包括:
获取单元,用于获取肺部区域各个呼吸阶段所采集的第一图像序列,所述第一图像序列包含动态连续的多帧图像;
处理单元,用于利用灰度校准方法对所述第一图像序列进行校准处理,得到第二图像序列;
配准单元,用于针对所述第二图像序列中每帧图像进行分割,并将分割后的多帧图像形成各个呼吸阶段对应的图像子序列,与预先配置各个呼吸阶段所对应的模板图像进行配准相减,得到差异信号;
展示单元,用于将所述差异信号与所述第一图像序列进行融合展示。
进一步地,所述获取单元包括:
设置模块,用于预先设置提示用户执行吸气动作涉及的第一时间间隔、执行呼气动作涉及的第二时间间隔以及执行憋气动作涉及的第三时间间隔;
提示模块,用于基于所述第一时间间隔以及第二时间间隔向用户发送吸气动作以及呼气动作的提示;
接收模块,用于接收在预设采集时长内用户执行吸气动作和呼气动作后探测器同步采集的所有图像序列,形成肺部区域各个呼吸阶段的第一图像序列。
进一步地,所述设置模块,具体用于通过监测所述第一图像序列中肺部区域的变化,确定提示用户执行吸气动作涉及的第一时间间隔、执行呼气动作涉及的第二时间间隔以及执行憋气动作涉及的第三时间间隔。
进一步地,所述获取单元还包括:
调整模块,用于在所述基于所述第一时间间隔、第二时间间隔以及第三时间间隔向用户发送吸气动作、呼气动作以及憋气动作的提示之后,利用初始图像序列所确定肺部区域的长度,对所述第一时间间隔以及所述第二时间间隔进行调整,所述初始图像序列为用户首次执行吸气动作和/或呼气动作后探测器同步采集的图像序列。
进一步地,所述调整模块包括:
获取子模块,用于获取用户首次执行吸气动作和/或呼气动作后探测器同步采集的图像序列,作为初始图像序列;
调整子模块,用于计算所述初始图像序列中每帧图像内肺部区域的长度,并利用所述肺部区域的长度增长或减小幅度变化趋于零时所维持的帧数,对所述第一时间间隔以及所述第二时间间隔进行调整。
进一步地,所述校准单元包括:
处理模块,用于对所述第一图像序列进行线性化处理,得到第三图像序列,以使得所述第三图像序列中每帧图像的灰度值与射线剂量呈线性关系;
第一确定模块,用于利用所述第三图像序列中参考图像与每一帧图像中相对无衰减变化区域的灰度平均值,确定第一修正因子;
相乘模块,用于使用所述第一修正因子对所述第三图像序列进行相乘,得到第二图像序列。
进一步地,所述校准单元还包括:
第二确定模块,用于将所述每一帧图像中相对无衰减变化区域的灰度平均值带入厚度模型,确定第二修正因子,所述厚度模型为根据灰度平均值得到等效衰减厚度确定与参考图像中无衰减变化区域的相对关系,用于修正图像中由于衰减厚度不同引起的偏差;
所述相乘模块,还用于使用所述第一修正因子和所述第二修正因子对所述第三图像序列进行相乘,得到第二图像序列。
进一步地,所述第一确定模块,具体用于以所述第三图像序列中第i个图像作为参考图像,计算所述参考图像中相对无衰减变化区域的参考灰度平均值,所述i为大于1且小于N,N为第三图像序列中图像的总帧数;将所述参考灰度平均值与所述第三图像序列中每一帧图像中相对无衰减变化区域的灰度平均值相比,得到第一修正因子。
进一步地,所述校准单元还包括:
构建模块,用于利用模拟人体衰减不同厚度的预设图像序列所确定不同厚度对应图像区域的灰度平均值数据,构建厚度模型。
进一步地,所述构建模块,具体用于利用所述预设图像序列参考图像确定的第一修正因子,对所述预设图像序列进行修正处理,得到修正处理后的预设图像序列;依次在预设图像序列中不同厚度对应的图像区域选取图像块,计算所述图像块的灰度平均值,并采样得到不同厚度衰减变化率的灰度平均值;依据兰伯特比尔定律计算所述图像块的灰度平均值对应的衰减值;使用数据拟合模型建立所述不同厚度衰减变化率的灰度平均值与所述衰减值的相对关系,构建厚度模型。
进一步地,所述配准单元包括:
分割模块,用于针对所述第二图像序列中每帧图像进行肺部区域以及心脏区域的分割,得到分割结果,所述分割结果包括肺部区域图像和心脏区域图像;
第三确定模块,用于利用所述肺部区域图像和心脏区域图像,确定各个呼吸阶段对应的图像子序列;
相减模块,用于将各个呼吸阶段对应的图像子序列与各个呼吸阶段所对应的模板图像进行配准相减,得到差异信号,所述各个呼吸阶段对应的模板图像为利用分割结果确定的。
根据本申请的第三个方面,提供了一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述图像处理方法。
根据本申请的第四方面,提供了一种图像处理设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述图像处理方法。
借由上述技术方案,本申请提供的一种图像处理方法、装置及设备,与目前现有方式中使用一个肺部图像序列得到肺功能诊断信息的方式相比,由于图像采集过程中可能会存在运动,进而造成衰减变化导致灰度变化,本申请在获取肺部区域各个呼吸阶段所采集的第一图像序列后,利用灰度校准方法对第一图像序列进行校准处理,得到第二图像序列,以使得第二图像序列中多帧图像之间灰度变化率在预设数值范围内,能够降低设备部件引起的帧间重复性误差,减少通气信息和血流增强图像中由于信号偏差带来的伪影信息,进一步针对第二图像序列中每帧图像进行分割,并将分割后的多帧图像形成各个呼吸阶段对应的图像子序列,与预先配置各个呼吸阶段对应的模板图像进行配准相减,得到差异信号,并将差异信号与第一图像序列进行融合展示,这里第二图像序列中每帧图像消除了人体厚度差异的影响,从一定程度上使得差异信号具有更高的精度,进而提升图像序列分析结果的准确性。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了本申请实施例提供的一种图像处理方法的流程示意图;
图2示出了本申请实施例提供的另一种图像处理方法的流程示意图;
图3a示出了本申请实施例提供的图像序列采集的流程框图;
图3b示出了本申请实施例提供的优化后图像序列采集的流程框图;
图4a示出了本申请实施例提供的图像序列中多个感兴趣区域的灰度曲线;
图4b示出了本申请实施例提供的图像序列中多个感兴趣区域的灰度变化率曲线;
图5a示出了本申请实施例提供的灰度校准后图像序列中多个感兴趣区域的灰度曲线;
图5b示出了本申请实施例提供的第一次灰度校准后多个感兴趣区域的灰度变化率曲线;
图5c示出了本申请实施例提供的第二次灰度校准后多个感兴趣区域的灰度变化率曲线;
图6示出了本申请实施例提供的一种图像处理装置的结构示意图;
图7示出了本申请实施例提供的另一种图像处理装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
相关技术中,使用动态DR技术,可以实现对肺部区域的图像序列进行采集,在不使用造影剂的情况下,在图像中增强融合显示呼吸过程以及血流变化,用于肺功能诊断,具体可以基于动态平板探测器肺部诊断功能应用,以获取图像序列与肺部区域模板图像的差分信号,并利用该差分信号与图像序列融合显示来实现肺功能诊断。而在实际应用场景中,上述图像处理过程侧重于图像序列的分析过程,而忽略图像序列采集过程中偏差所带来差分信号的干扰,从而使得差分信号中干扰信息角度,影响图像处理的效果,进而造成肺功能诊断结果不准确。
为了解决该问题,本实施例提供了一种图像处理方法,如图1所示,该方法应用于医疗平台的服务端,包括如下步骤:
101、获取肺部区域各个呼吸阶段所采集的第一图像序列。
其中,肺部区域各个呼吸阶段包括呼吸阶段和血液循环阶段,呼吸阶段包括吸气和呼气过程,采集所涉及到采集设备包括球管、高压发生器和探测器。为了减少采集时间,提示与设备曝光的准备过程同步触发,这里提示可以包括但不局限于语音提示、光提示、文字提示等。
具体采集过程当球管、高压发生器和探测器等采集设备准备就绪后,首先通过提示用户吸气和呼气动作,随着用户的吸气和呼气过程,高压发生器驱动球管按照一定的频率触发脉冲信号发射X光信号,然后探测器按照外同步模式采集图像序列,并在服务端接收反馈的图像序列作为第一图像序列进行存储。这里提示用户吸气、呼气动作和憋气动作主要是包括完整的吸气和呼气保持的过程,依次为提示请吸气,延时T1秒后提示请憋气,延时T2秒后提示请呼气,再延时T1秒后提示请憋气,延时T2秒后提示请吸气,以此作为一个采集周期,重复执行上述采集过程,直至采集时间到达设置的采集时间,例如,一个采集周期为10秒,设置的采集时间为20秒,整个采集过程需要两个采集周期。
对于本发明实施例的执行主体可以为图像处理装置,具体可以配置在医疗平台的服务端,通过提示用户执行吸气、呼气动作和憋气动作,并在该过程中使用采集设备协作曝光肺部动态图像以及采集各个呼吸阶段上肺部区域的图像序列,形成肺部区域各个呼吸阶段动态连续的多帧图像,能够将语音控制与图像采集相结合,降低图像采集的难度,改善检查工作流。
102、利用灰度校准方法对所述第一图像序列进行校准处理,得到第二图像序列。
由于图像采集过程中在相同线质下平板探测器像素值与探测器接收剂量呈线性关系,考虑到灰度校准方法以保证图像帧间灰度的一致性,可以利用灰度校准方法对第一图像序列进行校准处理,得到第二图像序列,该第二图像序列中多帧图像之间的灰度变化率在预设数值范围内,经过灰度校准处理后的第二图像序列能够降低由于采集设备部件引起的帧间重复性误差,减少呼吸通气信息和血流增强图像中的伪影。
具体灰度校准方法包括至少一次校准处理,这里可以提供两种校准方式,在实际应用中可以仅使用第一种校准方式进行一次校准处理,也可以结合两种校准方式进行两次校准处理,应说明的是,两次校准处理具有先后顺序,需要先执行第一次校准处理后再执行第二校准处理。针对第一次校准处理,对于第一图像序列中每帧图像,确定图像中相对无衰减变化区域,并计算相对无衰减变化区域对应的灰度平均值,利用灰度平均值的相对比确定第一修正因子,将第一修正因子与第一图像序列相乘,输出第一次校准处理后的图像序列,如果仅执行一次校准处理,则输出的图像序列即为第二图像序列;针对第二次校准处理,将第一次校准处理过程中的平均灰度值输入预先构建的厚度模型,得到第二修正因子,将第二修正因子与第一次校准处理后的的图像序列相乘,输出第二次校准处理后的图像序列,此时输出的图像序列为第二图像序列,这里预先构建的厚度模型能够根据灰度平均值得到等效衰减厚度确定与参考图像中无衰减变化区域的相对关系,用于修正图像中由于衰减厚度不同引起的偏差,参考图像为第一图像序列中选定帧的图像,可以为任一帧图像,这里不进行限定。
经过灰度校准方法处理后的第二图像序列可以消除图像中由于人体厚度差异所带来的偏差,缩减图像序列中各帧图像之间的灰度变化率,进而保证图像序列中图像的一致性。
103、针对所述第二图像序列中每帧图像进行分割,并将分割后的多帧图像形成各个呼吸阶段对应的图像子序列,与预先配置各个呼吸阶段所对应的模板图像进行配准相减,得到差异信号。
这里针对每帧图像进行分割主要是对肺部和/或心脏区域进行分割,对于肺部区域的分割可以通过灰度值和特征的方法确定初始肺部位置,再基于主动轮廓的方法获得肺部的准确分割结果,同理对于心脏区域的分割也可以如此,但是这种分割方式需要反复迭代,运行速度较慢,具体分割过程还可以利用预先训练的分割模型来实现,以获取肺部和/或心脏区域的多帧图像,分割模型可以采用U型网络,并利用大量胸片样本图像进行训练得到,该分割方式具有更高的可靠性,运行速度也更快。
分割后的多帧图像涉及到肺部和/或心脏区域的分割结果,对肺部区域的分割结果分别进一步处理,具体可以根据肺部区域的分割结果获取肺部各子区域的位置,并计算肺部长度,根据呼吸过程中肺部长度的变化曲线提取各个呼吸阶段的最大呼气帧图像和最大吸气帧图像,以确定肺部区域各个呼吸阶段对应的图像子序列。同理,对心脏区域的分割结果进一步处理,具体可以根据心脏区域的分割结果获取心脏璧的位置,根据心脏璧的位置坐标与帧位置的曲线提取各个呼吸阶段中的最大收缩帧图像和最大舒张帧图像,以确定心脏区域各个呼吸阶段对应的图像子序列。
进一步地,由于图像采集过程中人体移动、呼吸带来的组织变化,需要通过配准来将图像子序列与模板图像进行对齐处理,该模板图像为利用分割后多帧图像结合形态学特征所确定,以最大程度减小由于组织运动带来的干扰,具体配准过程需要使用非刚性变换的配准,例如,可通过光流法、基于样条曲线的方法,甚至基于深度学习模型的方法等,这里不进行限定。
104、将所述差异信号与所述第一图像序列进行融合展示。
在展示过程中,一方面,可以融合增强显示,具体对于分析得到肺部通气量和血流变化的差异信号进行灰度映射,根据预定义的灰度与彩色转换查找映射表进行显示,并对空气和血流变化信号使用不同色调的颜色进行区分;另一方面,可针对感兴趣的区域进行测量,具体操作者通过输入设备在某一帧图像上选择感兴趣的区域,计算当前图像序列中每一帧感兴趣区域对应的信号平均值,并将信号平均值与图像帧信号融合绘制成曲线,为操作者提供更定量的数值变化。
本申请实施例提供的图像处理方法,与目前现有方式中使用一个肺部图像序列得到肺功能诊断信息的方式相比,由于图像采集过程中可能会存在运动,进而造成衰减变化导致灰度变化,本申请在获取肺部区域各个呼吸阶段所采集的第一图像序列后,利用灰度校准方法对第一图像序列进行校准处理,得到第二图像序列,以使得第二图像序列中多帧图像之间灰度变化率在预设数值范围内,能够降低设备部件引起的帧间重复性误差,减少通气信息和血流增强图像中由于信号偏差带来的伪影信息,进一步针对第二图像序列中每帧图像进行分割,并将分割后的多帧图像形成各个呼吸阶段对应的图像子序列,与预先配置各个呼吸阶段对应的模板图像进行配准相减,得到差异信号,并将差异信号与第一图像序列进行融合展示,这里第二图像序列中每帧图像消除了人体厚度差异的影响,从一定程度上使得差异信号具有更高的精度,进而提升图像序列分析结果的准确性。
进一步的,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例的具体实施过程,本实施例提供了另一种图像处理方法,如图2所示,该方法包括:
201、预先设置提示用户执行吸气动作涉及的第一时间间隔、执行呼气动作涉及的第二时间间隔以及执行憋气动作涉及的第三时间间隔。
这里提示用户执行吸气动作涉及的第一时间间隔和执行呼气动作过程涉及的第二时间间隔可以相同,这里的时间间隔相当于到提示动作执行时长,例如,提示呼气动作执行时间3秒,提示呼气动作执行时间2秒,具体第一时间间隔、第二时间间隔以及第三时间间隔的设置可根据实际情况进行调整。
由于第一图像序列中包括用户呼吸过程和血液循环过程,实时采集到的第一图像序列中必然会涉及到肺部区域的变化,具体可以通过监测第一图像序列中肺部区域的变化,确定提示用户执行吸气动作涉及的第一时间间隔、执行呼气动作涉及的第二时间间隔以及执行憋气动作涉及的第三时间间隔。
202、基于所述第一时间间隔、第二时间间隔以及第三时间间隔向用户发送吸气动作、呼气动作以及憋气动作的提示。
示例性的,提示过程可以首先提示用户执行吸气动作5秒,然后执行憋气动作3秒,再执行呼气动作5秒,然后执行憋气动作3秒,再提示用户执行呼气动作5秒,这里以吸气-憋气-呼气-憋气-吸气作为一个采集周期,通过提示用户执行相应动作。
203、利用初始图像序列所确定肺部区域的长度,对所述第一时间间隔以及所述第二时间间隔进行调整。
进一步地,为了降低图像采集难度,一种较优的方式可通过对实时采集到的图像分析提取肺部区域,并根据肺长度变化作为反馈,以更准确控制提示的第一时间间隔,从而减少采集时间并且降低采集过程中用户控制吸气动作和呼气动作的难度,降低采集图像序列失败的概率。具体可以获取用户首次执行吸气动作和/或呼气动作后探测器同步采集的图像序列,作为初始图像序列,并计算初始图像序列中每帧图像内肺部区域的长度,并利用肺部区域的长度增长或减小幅度变化趋于零时所维持的帧数,对第一时间间隔和第二时间间隔进行调整,这里当肺部区域的长度增长幅度变化趋于零时所维持的帧数,认为达到最大吸气状态,作为调整后的第一时间间隔,当肺部区域的长度减小幅度变化趋于零时所维持的帧数,认为达到最大呼气状态,作为调整后的第二时间间隔,之后便可使用调整后的第一时间间隔和第二时间间隔来提示用户执行吸气动作和呼气动作。
204、接收在预设采集时长内用户执行吸气动作和呼气动作后探测器同步采集的所有图像序列,形成肺部区域各个呼吸阶段的第一图像序列。
具体在实际应用场景,第一图像序列的采集过程可以如图3a所示,需要预先设置提示用户执行吸气动作涉及的第一时间间隔、执行呼气动作涉及的第二时间间隔以及执行憋气动作涉及的第三时间间隔,对于吸气过程,使用第一时间间隔提示用户执行吸气动作,然后使用第三时间间隔提示用户执行憋气动作,对于呼气过程,使用第二时间间隔提示用户执行呼气动作,然后使用第三时间间隔提示用户执行憋气动作,以此作为一个采集周期,重复提示用户执行吸气动作、呼气动作以及憋气动作;优化后第一图像序列的采集过程可以如图3b所示,第一个采集周期与上文相同,在第执行第二个采集周期时,对于吸气过程,分析首次执行吸气动作后探测器同步采集的图像序列,当肺部长度增长幅度变化趋于零并维持N1帧,N1一般取值3-5,则认为达到最大吸气状态,将N1帧作为调整后的第一时间间隔,并使用调整后的第一时间间隔提示用户执行吸气动作,使用第三时间间隔提示用户执行憋气动作;对于呼气过程,分析首次呼气动作后探测器同步采集的图像序列,当肺部减小幅度变化趋于零并维持N2帧,N2一般取值3-5,则认为达到最大呼气状态,将N2帧作为调整后的第二时间间隔,并使用调整后的第二时间间隔提示用户执行呼气动作,使用第三时间间隔提示用户执行憋气动作,以此作为一个采样周期,重复提示用户执行吸气动作、呼气动作以及憋气动作。
205、对所述第一图像序列进行线性化处理,得到第三图像序列。
在本步骤中,通过对第一图像序列进行线性化处理,即对图像数据灰度值进行处理,得到的第三图像序列能够保证灰度值与射线剂量呈线性关系,一般的平板探测器减去偏移值即可。
206、利用所述第三图像序列中参考图像与每一帧图像中相对无衰减变化区域的灰度平均值,确定第一修正因子。
其中,参考图像可以为第三图像序列中第i个帧图像,这里i为大于1且小于N,N为第三图像序列中图像的总帧数,为了保证选取参考图像中不会出现干扰,通常选取第3-5帧,参考图像中相对无衰减变化的区域指的是无人体组织所对应的背景区域,可以对图像进行前景背景分割来提取背景区域,具体可以采用基于灰度直方图或者区域生长等方法实现。具体实现过程以第三图像序列中任一图像作为参考图像,计算参考图像中相对无衰减变化区域的参考灰度平均值,并将参考灰度平均值与第三图像序列中每一帧图像中相对无衰减变化区域的灰度平均值相比,得到第一修正因子。
可以理解的是,上述第一修正因子为利用图像序列中参考图像与其他帧图像中相对无衰减变化区域的灰度平均值所计算的比值,能够反映图像序列中图像之间灰度变化情况,针对灰度变化较快帧图像需要调整灰度曲线上相应帧上图像的像素值,利用第一修正因子可以对第三图像序列进行第一次校准处理,以保证帧间灰度的一致性。
207、将所述每一帧图像中相对无衰减变化区域的灰度平均值带入厚度模型,确定第二修正因子。
其中,厚度模型为根据灰度平均值得到等效衰减厚度确定与参考图像中无衰减变化区域的相对关系,用于修正图像中由于衰减厚度不同引起的偏差,这里可以利用模拟人体衰减不同厚度的预设图像序列所确定不同厚度对应图像区域的灰度平均值数据,构建厚度模型,
具体构建厚度模型过程中,可以利用预设图像序列参考图像确定的第一修正因子,对预设图像序列进行修正处理,得到修正处理后的预设图像序列,然后依次在预设图像序列中不同厚度对应的图像区域选取图像块,计算图像块的灰度平均值,并采样得到不同厚度衰减变化率的灰度平均值,依据兰伯特比尔定律计算图像块的灰度平均值对应的衰减值,使用数据拟合模型建立不同厚度衰减变化率的灰度平均值与所述衰减值的相对关系,构建厚度模型。
在实际应用场景中,厚度模型可以利用离线同时采集模拟人体衰减不同厚度的PMMA序列,对于采集到的图像经过第一修正因子进行第一次校准处理后,依次在不同厚度(包括0厚度)对应的图像选取图像块,图像块尺寸不小于50*50像素,计算图像块的平均值,可以得到一系列数据GN(i,t),其中,N表示图像总数量,i表示第几个采样,t表示模体厚度,范围可以为0-20。进一步依据布兰特比尔定律I=10×exp(-μ×d)取对数,得到灰度平均值对应的衰减值att(i,t)=-log(Gi(i,t)-offset)/(G0(i,t0)-offset),其中,入射光子数量为10,I为衰减后的光子数量,μ为衰减系数,d为衰减厚度,offset为探测器灰度偏移;
应说明的是,为了而减少由噪声引起的偏差,需要使用局部平滑的局部平均值进行厚度计算,局部平滑可采用盒式滤波器,滤波器尺寸可选20-100。
208、使用所述第一修正因子和所述第二修正因子对所述第三图像序列进行相乘,得到第二图像序列。
由于在图像采集过程中人可能存在运动会造成衰减变化导致灰度变化,通过模拟采集人体肺部的模体进行图像序列采集,模体摆放位置固定不动,分别计算采集原始图像中几个感兴趣区域(ROI1、ROI2、ROI3、ROI4)的灰度平均值,其中每个感兴趣区域尺寸约为100*100像素大小,具体图像序列中每个感兴趣区域ROI的灰度曲线如图4a所示,横轴为图像序列的帧数,纵轴为像素值,不同感兴趣区域ROI使用不同的曲线图形表示,进一步将灰度曲线中每一帧图像的像素值与第一帧的像素值进行比值后形成灰度变化率曲线如图4b所示,从图4b中可明显看出,尽管通过局部平均排除了噪声的影响,肺部所在区域ROI1和ROI2仍然存在很大灰度。这里通过第一修正因子乘第三图像序列,以对图像序列进行第一次灰度校准,通过第二修正因子乘第一次校准后的图像序列,以对图像序列进行第二次灰度校准,两次灰度校准后的灰度曲线如图5a所示,第一次灰度校准后灰度变化率曲线如图5b所示,第二次校准后灰度变化率曲线如图5c所示,从图5b和图5c可看出,经过两次灰度校准后的图像序列中灰度变化率比较平稳,整体灰度保持一致。
209、针对所述第二图像序列中每帧图像进行分割,并将分割后的多帧图像形成各个呼吸阶段对应的图像子序列,与预先配置各个呼吸阶段所对应的模板图像进行配准相减,得到差异信号。
具体地,可以针对第二图像序列中每帧图像进行肺部区域以及心脏区域的分割,得到分割结果,该分割结果包括肺部区域图像和心脏区域图像,进一步利用肺部区域图像和心脏区域图像,确定各个呼吸阶段对应的图像子序列,并将各个呼吸阶段对应的图像子序列与各个呼吸阶段所对应的模板图像进行配准相减,得到差异信号,这里各个呼吸阶段对应的模板图像为利用分割结果确定的。针对肺部区域图像,可以利用肺部区域图像,确定最大吸气帧图像和最大呼气帧图像,针对心脏区域图像,利用心脏区域图像,确定最大收缩帧图像和最大舒张帧图像,进一步根据最大吸气帧图像和最大呼气帧图像、以及最大收缩帧图像和最大舒张帧图像,确定各个呼吸阶段对应的图像子序列。
针对最大吸气帧图像和最大呼气帧图像,具体可以利用肺部区域图像,计算肺尖与横膈膜之间的距离,将肺尖与横膈膜之间的距离形成肺部长度变化曲线,并利用肺部长度变化曲线中的波峰波谷位置,确定最大吸气帧图像与最大呼气帧图像。
针对最大收缩帧图像和最大舒张帧图像,具体可以利用心脏区域图像,提取心脏壁的位置,将心脏壁与帧位置与帧位置形成位置曲线,并利用位置曲线中的局部极大值和极小值位置,确定最大收缩帧图像和最大舒张帧图像。
210、将所述差异信号与所述第一图像序列进行融合展示。
在实际应用场景中,上述图像处理过程可以通过以下多个模块组合来实现,具体包括:图像序列采集模块、校准模块、图像序列分析模块以及显示与人机交互模块,图像序列采集模块用于肺部动态图像序列的曝光以及图像序列的收集,校准模块用于对图像采集模块采集到的图像序列进行预处理以及一致性校准,图像序列分析模块用于针对校准后的图像序列进行配准形成差异信号,显示与人机交互模块用于将差异信号融合至图像序列中,并通过人机交互实现测量的结果显示。
进一步的,作为图1-图2方法的具体实现,本申请实施例提供了一种图像处理装置,如图6所示,该装置包括:获取单元31、处理单元32、配准单元33、展示单元34。
获取单元31,可以用于获取肺部区域各个呼吸阶段所采集的第一图像序列,所述第一图像序列包含动态连续的多帧图像;
处理单元32,可以用于利用灰度校准方法对所述第一图像序列进行校准处理,得到第二图像序列;
配准单元33,可以用于针对所述第二图像序列中每帧图像进行分割,并将分割后的多帧图像形成各个呼吸阶段对应的图像子序列,与预先配置各个呼吸阶段所对应的模板图像进行配准相减,得到差异信号;
展示单元34,可以用于将所述差异信号与所述第一图像序列进行融合展示。
本发明实施例提供的图像处理装置,与目前现有方式中使用一个肺部图像序列得到肺功能诊断信息的方式相比,由于图像采集过程中可能会存在运动,进而造成衰减变化导致灰度变化,本申请在获取肺部区域各个呼吸阶段所采集的第一图像序列后,利用灰度校准方法对第一图像序列进行校准处理,得到第二图像序列,以使得第二图像序列中多帧图像之间灰度变化率在预设数值范围内,能够降低设备部件引起的帧间重复性误差,减少通气信息和血流增强图像中由于信号偏差带来的伪影信息,进一步针对第二图像序列中每帧图像进行分割,并将分割后的多帧图像形成各个呼吸阶段对应的图像子序列,与预先配置各个呼吸阶段对应的模板图像进行配准相减,得到差异信号,并将差异信号与第一图像序列进行融合展示,这里第二图像序列中每帧图像消除了人体厚度差异的影响,从一定程度上使得差异信号具有更高的精度,进而提升图像序列分析结果的准确性。
在具体的应用场景中,如图7所示,所述获取单元31包括:
设置模块311,可以用于预先设置提示用户执行吸气动作涉及的第一时间间隔、执行呼气动作涉及的第二时间间隔以及执行憋气动作涉及的第三时间间隔;
提示模块312,可以用于基于所述第一时间间隔、第二时间间隔以及第三时间间隔向用户发送吸气动作、呼气动作以及憋气动作的提示;
接收模块313,可以用于接收在预设采集时长内用户执行吸气动作和呼气动作后探测器同步采集的所有图像序列,形成肺部区域各个呼吸阶段的第一图像序列。
在具体的应用场景中,所述设置模块311,具体可以用于通过监测所述第一图像序列中肺部区域的变化,确定提示用户执行吸气动作涉及的第一时间间隔、执行呼气动作涉及的第二时间间隔以及执行憋气动作涉及的第三时间间隔。
在具体的应用场景中,如图7所示,所述获取单元31还包括:
调整模块314,可以用于利用初始图像序列所确定肺部区域的长度,对所述第一时间间隔以及所述第二时间间隔进行调整,所述初始图像序列为用户首次执行吸气动作和/或呼气动作后探测器同步采集的图像序列。
在具体的应用场景中,如图7所示,所述调整模块314包括:
获取子模块3141,可以用于获取用户首次执行吸气动作和/或呼气动作后探测器同步采集的图像序列,作为初始图像序列;
调整子模块3142,可以用于计算所述初始图像序列中每帧图像内肺部区域的长度,并利用所述肺部区域的长度增长或减小幅度变化趋于零时所维持的帧数,对所述第一时间间隔以及所述第二时间间隔进行调整。
在具体的应用场景中,如图7所示,所述校准单元32包括:
处理模块321,可以用于对所述第一图像序列进行线性化处理,得到第三图像序列,以使得所述第三图像序列中每帧图像的灰度值与射线剂量呈线性关系;
第一确定模块322,可以用于利用所述第三图像序列中参考图像与每一帧图像中相对无衰减变化区域的灰度平均值,确定第一修正因子;
相乘模块323,可以用于使用所述第一修正因子对所述第三图像序列进行相乘,得到第二图像序列。
在具体的应用场景中,如图7所示,所述校准单元32还包括:
第二确定模块324,可以用于将所述每一帧图像中相对无衰减变化区域的灰度平均值带入厚度模型,确定第二修正因子,所述厚度模型为根据灰度平均值得到等效衰减厚度确定与参考图像中无衰减变化区域的相对关系,用于修正图像中由于衰减厚度不同引起的偏差;
所述相乘模块323,还可以用于使用所述第一修正因子和所述第二修正因子对所述第三图像序列进行相乘,得到第二图像序列。
在具体的应用场景中,所述第一确定模块322,具体可以用于以所述第三图像序列中第i个图像作为参考图像,计算所述参考图像中相对无衰减变化区域的参考灰度平均值,所述i为大于1且小于N,N为第三图像序列中图像的总帧数;将所述参考灰度平均值与所述第三图像序列中每一帧图像中相对无衰减变化区域的灰度平均值相比,得到第一修正因子。
在具体的应用场景中,如图7所示,所述校准单元32还包括:
构建模块325,可以用于利用模拟人体衰减不同厚度的预设图像序列所确定不同厚度对应图像区域的灰度平均值数据,构建厚度模型。
在具体的应用场景中,如图7所示,所述构建模块325,具体可以用于利用所述预设图像序列参考图像确定的第一修正因子,对所述预设图像序列进行修正处理,得到修正处理后的预设图像序列;依次在预设图像序列中不同厚度对应的图像区域选取图像块,计算所述图像块的灰度平均值,并采样得到不同厚度衰减变化率的灰度平均值;依据兰伯特比尔定律计算所述图像块的灰度平均值对应的衰减值;使用数据拟合模型建立所述不同厚度衰减变化率的灰度平均值与所述衰减值的相对关系,构建厚度模型。
在具体的应用场景中,如图7所示,所述配准单元33包括:
分割模块331,可以用于针对所述第二图像序列中每帧图像进行肺部区域以及心脏区域的分割,得到分割结果,所述分割结果包括肺部区域图像和心脏区域图像;
第三确定模块332,可以用于利用所述肺部区域图像和心脏区域图像,确定各个呼吸阶段对应的图像子序列;
相减模块333,可以用于将各个呼吸阶段对应的图像子序列与各个呼吸阶段所对应的模板图像进行配准相减,得到差异信号,所述各个呼吸阶段对应的模板图像为利用分割结果确定的。
需要说明的是,本实施例提供的一种可应用于服务端侧的图像处理装置所涉及各功能单元的其它相应描述,可以参考图1和图2中的对应描述,在此不再赘述。
基于上述如图1-图2所示方法,相应的,本申请实施例还提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述如图1-图2所示的图像处理方法;
基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1-图2所示的方法,以及图6-图7所示的虚拟装置实施例,为了实现上述目的,本申请实施例还提供了一种服务端实体设备,具体可以为计算机,服务器,或者其他网络设备等,该实体设备包括存储介质和处理器;存储介质,用于存储计算机程序;处理器,用于执行计算机程序以实现上述如图1-图2所示的图像处理方法。
可选的,上述实体设备都还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency,RF)电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。
本领域技术人员可以理解,本实施例提供的一种图像处理的实体设备结构并不构成对该实体设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述图像处理的实体设备硬件和软件资源的程序,支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信,以及与信息处理实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现。通过应用本申请的技术方案,与目前现有方式相比,本申请在获取肺部区域各个呼吸阶段所采集的第一图像序列后,利用灰度校准方法对第一图像序列进行校准处理,得到第二图像序列,以使得第二图像序列中多帧图像之间灰度变化率在预设数值范围内,能够降低设备部件引起的帧间重复性误差,减少通气信息和血流增强图像中由于信号偏差带来的伪影信息。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (14)
1.一种图像处理方法,其特征在于,包括:
获取肺部区域各个呼吸阶段所采集的第一图像序列,所述第一图像序列包含动态连续的多帧图像;
利用灰度校准方法对所述第一图像序列进行校准处理,得到第二图像序列;
针对所述第二图像序列中每帧图像进行分割,并将分割后的多帧图像形成各个呼吸阶段对应的图像子序列,与预先配置各个呼吸阶段所对应的模板图像进行配准相减,得到差异信号;
将所述差异信号与所述第一图像序列进行融合展示。
2.根据权利要求1所述的方法,其特征在于,所述获取肺部区域各个呼吸阶段所采集的第一图像序列,具体包括:
预先设置提示用户执行吸气动作涉及的第一时间间隔、执行呼气动作涉及的第二时间间隔以及执行憋气动作涉及的第三时间间隔;
基于所述第一时间间隔、第二时间间隔以及第三时间间隔向用户发送吸气动作、呼气动作以及憋气动作的提示;
接收在预设采集时长内用户执行吸气动作和呼气动作后探测器同步采集的所有图像序列,形成肺部区域各个呼吸阶段的第一图像序列。
3.根据权利要求2所述的方法,其特征在于,所述预先设置提示用户执行吸气动作涉及的第一时间间隔、执行呼气动作涉及的第二时间间隔以及执行憋气动作涉及的第三时间间隔,具体包括:
通过监测所述第一图像序列中肺部区域的变化,确定提示用户执行吸气动作涉及的第一时间间隔、执行呼气动作涉及的第二时间间隔以及执行憋气动作涉及的第三时间间隔。
4.根据权利要求2所述的方法,其特征在于,在所述基于所述第一时间间隔、第二时间间隔以及第三时间间隔向用户发送吸气动作、呼气动作以及憋气动作的提示之后,所述方法还包括:
利用初始图像序列所确定肺部区域的长度,对所述第一时间间隔以及所述第二时间间隔进行调整,所述初始图像序列为用户首次执行吸气动作和/或呼气动作后探测器同步采集的图像序列。
5.根据权利要求4所述的方法,其特征在于,所述利用初始图像序列所确定肺部区域的长度,对所述第一时间间隔以及所述第二时间间隔进行调整,具体包括:
获取用户首次执行吸气动作和/或呼气动作后探测器同步采集的图像序列,作为初始图像序列;
计算所述初始图像序列中每帧图像内肺部区域的长度,并利用所述肺部区域的长度增长或减小幅度变化趋于零时所维持的帧数,对所述第一时间间隔以及所述第二时间间隔进行调整。
6.根据权利要求1所述的方法,其特征在于,所述利用灰度校准方法对所述第一图像序列进行校准处理,得到第二图像序列,具体包括:
对所述第一图像序列进行线性化处理,得到第三图像序列,以使得所述第三图像序列中每帧图像的灰度值与射线剂量呈线性关系;
利用所述第三图像序列中参考图像与每一帧图像中相对无衰减变化区域的灰度平均值,确定第一修正因子;
使用所述第一修正因子对所述第三图像序列进行相乘,得到第二图像序列。
7.根据权利要求6所述的方法,其特征在于,在所述利用所述第三图像序列中参考图像与每一帧图像中相对无衰减变化区域的灰度平均值,确定第一修正因子之后,所述方法还包括:
将所述每一帧图像中相对无衰减变化区域的灰度平均值带入厚度模型,确定第二修正因子,所述厚度模型为根据灰度平均值得到等效衰减厚度确定与参考图像中无衰减变化区域的相对关系,用于修正图像中由于衰减厚度不同引起的偏差;
使用所述第一修正因子和所述第二修正因子对所述第三图像序列进行相乘,得到第二图像序列。
8.根据权利要求6所述的方法,其特征在于,所述利用所述第三图像序列中参考图像与每一帧图像中相对无衰减变化区域的灰度平均值,确定第一修正因子,具体包括:
以所述第三图像序列中第i个图像作为参考图像,计算所述参考图像中相对无衰减变化区域的参考灰度平均值,所述i为大于1且小于N,N为第三图像序列中图像的总帧数;
将所述参考灰度平均值与所述第三图像序列中每一帧图像中相对无衰减变化区域的灰度平均值相比,得到第一修正因子。
9.根据权利要求6所述的方法,其特征在于,在所述将所述每一帧图像中相对无衰减变化区域的灰度平均值带入厚度模型,确定第二修正因子之前,所述方法还包括:
利用模拟人体衰减不同厚度的预设图像序列所确定不同厚度对应图像区域的灰度平均值数据,构建厚度模型。
10.根据权利要求9所述的方法,其特征在于,所述利用模拟人体衰减不同厚度的预设图像序列所确定不同厚度对应图像区域的灰度平均值数据,构建厚度模型,具体包括:
利用所述预设图像序列参考图像确定的第一修正因子,对所述预设图像序列进行修正处理,得到修正处理后的预设图像序列;
依次在预设图像序列中不同厚度对应的图像区域选取图像块,计算所述图像块的灰度平均值,并采样得到不同厚度衰减变化率的灰度平均值;
依据兰伯特比尔定律计算所述图像块的灰度平均值对应的衰减值;
使用数据拟合模型建立所述不同厚度衰减变化率的灰度平均值与所述衰减值的相对关系,构建厚度模型。
11.根据权利要求1-10中任一项所述的方法,其特征在于,所述针对所述第二图像序列中每帧图像进行分割,并将分割后的多帧图像形成各个呼吸阶段对应的图像子序列,与预先配置各个呼吸阶段所对应的模板图像进行配准相减,得到差异信号,具体包括:
针对所述第二图像序列中每帧图像进行肺部区域以及心脏区域的分割,得到分割结果,所述分割结果包括肺部区域图像和心脏区域图像;
利用所述肺部区域图像和心脏区域图像,确定各个呼吸阶段对应的图像子序列;
将各个呼吸阶段对应的图像子序列与各个呼吸阶段所对应的模板图像进行配准相减,得到差异信号,所述各个呼吸阶段对应的模板图像为利用分割结果确定的。
12.一种图像处理装置,其特征在于,包括:
获取单元,用于获取肺部区域各个呼吸阶段所采集的第一图像序列,所述第一图像序列包含动态连续的多帧图像;
处理单元,用于利用灰度校准方法对所述第一图像序列进行校准处理,得到第二图像序列;
配准单元,用于针对所述第二图像序列中每帧图像进行分割,并将分割后的多帧图像形成各个呼吸阶段对应的图像子序列,与预先配置各个呼吸阶段所对应的模板图像进行配准相减,得到差异信号;
展示单元,用于将所述差异信号与所述第一图像序列进行融合展示。
13.一种存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至11中任一项所述的图像处理方法。
14.一种图像处理设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至11中任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110848758.0A CN113592804B (zh) | 2021-07-27 | 2021-07-27 | 图像处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110848758.0A CN113592804B (zh) | 2021-07-27 | 2021-07-27 | 图像处理方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113592804A true CN113592804A (zh) | 2021-11-02 |
CN113592804B CN113592804B (zh) | 2024-05-07 |
Family
ID=78250405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110848758.0A Active CN113592804B (zh) | 2021-07-27 | 2021-07-27 | 图像处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592804B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523924A (zh) * | 2023-07-05 | 2023-08-01 | 吉林大学第一医院 | 一种医学实验用数据处理方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6004270A (en) * | 1998-06-24 | 1999-12-21 | Ecton, Inc. | Ultrasound system for contrast agent imaging and quantification in echocardiography using template image for image alignment |
US6760611B1 (en) * | 1999-04-30 | 2004-07-06 | Hitachi Medical Corporation | Magnetic resonance imaging method and device therefor |
US20090218480A1 (en) * | 2008-02-29 | 2009-09-03 | Srinivasan Govindarajan T | Method of and system for calibration of inspection systems producing x-ray images |
US20120245453A1 (en) * | 2011-03-23 | 2012-09-27 | Erik John Tryggestad | Respiratory interval-based correlation and processing of dynamic imaging data |
EP3107066A1 (en) * | 2015-06-16 | 2016-12-21 | Medizinische Hochschule Hannover | Method of quantitative magnetic resonance lung imaging |
US20180110491A1 (en) * | 2016-10-25 | 2018-04-26 | Konica Minolta, Inc. | Dynamic image processor |
CN108470357A (zh) * | 2018-03-27 | 2018-08-31 | 中科超精(安徽)科技有限公司 | 耦合呼吸时相的弹性配准方法 |
US20190287248A1 (en) * | 2016-07-19 | 2019-09-19 | Radwisp PTE.LTD | Diagnosis support program |
CN110652297A (zh) * | 2019-10-10 | 2020-01-07 | 中国计量大学 | 基于mri技术的肺功能成像处理方法 |
US20200342602A1 (en) * | 2019-04-26 | 2020-10-29 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method and non-transitory computer-readable medium |
-
2021
- 2021-07-27 CN CN202110848758.0A patent/CN113592804B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6004270A (en) * | 1998-06-24 | 1999-12-21 | Ecton, Inc. | Ultrasound system for contrast agent imaging and quantification in echocardiography using template image for image alignment |
US6760611B1 (en) * | 1999-04-30 | 2004-07-06 | Hitachi Medical Corporation | Magnetic resonance imaging method and device therefor |
US20090218480A1 (en) * | 2008-02-29 | 2009-09-03 | Srinivasan Govindarajan T | Method of and system for calibration of inspection systems producing x-ray images |
US20120245453A1 (en) * | 2011-03-23 | 2012-09-27 | Erik John Tryggestad | Respiratory interval-based correlation and processing of dynamic imaging data |
EP3107066A1 (en) * | 2015-06-16 | 2016-12-21 | Medizinische Hochschule Hannover | Method of quantitative magnetic resonance lung imaging |
US20190287248A1 (en) * | 2016-07-19 | 2019-09-19 | Radwisp PTE.LTD | Diagnosis support program |
US20180110491A1 (en) * | 2016-10-25 | 2018-04-26 | Konica Minolta, Inc. | Dynamic image processor |
CN108470357A (zh) * | 2018-03-27 | 2018-08-31 | 中科超精(安徽)科技有限公司 | 耦合呼吸时相的弹性配准方法 |
US20200342602A1 (en) * | 2019-04-26 | 2020-10-29 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method and non-transitory computer-readable medium |
CN110652297A (zh) * | 2019-10-10 | 2020-01-07 | 中国计量大学 | 基于mri技术的肺功能成像处理方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523924A (zh) * | 2023-07-05 | 2023-08-01 | 吉林大学第一医院 | 一种医学实验用数据处理方法及系统 |
CN116523924B (zh) * | 2023-07-05 | 2023-08-29 | 吉林大学第一医院 | 一种医学实验用数据处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113592804B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101428005B1 (ko) | 소수의 저선량 ct 영상을 이용하여 pet 영상을 움직임 보상 및 감쇠 보정하는 방법 | |
US11410312B2 (en) | Dynamic analysis system | |
JP5962237B2 (ja) | 胸部診断支援情報生成方法 | |
JP2005151099A (ja) | 放射線画像処理装置及び処理方法 | |
US20090285361A1 (en) | Energy substraction method and apparatus | |
US9691148B2 (en) | Medical imaging analyzer and medical image processing method | |
JP6662428B2 (ja) | 動態解析システム | |
JP2018000281A (ja) | 動態解析システム | |
US11481957B2 (en) | Medical image processing apparatus and storage medium | |
CN113592804B (zh) | 图像处理方法、装置及设备 | |
US11151715B2 (en) | Dynamic analysis system | |
CN110916703A (zh) | 扫描剂量调制方法、装置、扫描设备及存储介质 | |
US20190298290A1 (en) | Imaging support apparatus and radiographic imaging system | |
JP5125750B2 (ja) | 動態画像診断支援システム | |
US11484221B2 (en) | Dynamic analysis apparatus, dynamic analysis system, expected rate calculation method, and recording medium | |
CN113096210A (zh) | 图像重建方法、装置、电子设备和存储介质 | |
JP2019122449A (ja) | 動態画像解析装置 | |
JP2020044445A (ja) | 動態解析システム、プログラム及び動態解析装置 | |
JP5910646B2 (ja) | 放射線画像撮影システム | |
JP2020501818A (ja) | 被験者の肺状態の評価を支援するシステム | |
JP6102960B2 (ja) | 放射線画像撮影システム | |
JP2018149166A (ja) | 放射線画像処理装置 | |
JP7310239B2 (ja) | 画像処理装置、放射線撮影システム及びプログラム | |
JP2019054991A (ja) | 解析装置及び解析システム | |
US20230394657A1 (en) | Dynamic image analysis apparatus and recording medium |
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 |