CN113724243A - 图像处理方法、装置、电子设备及存储介质 - Google Patents

图像处理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113724243A
CN113724243A CN202111073244.9A CN202111073244A CN113724243A CN 113724243 A CN113724243 A CN 113724243A CN 202111073244 A CN202111073244 A CN 202111073244A CN 113724243 A CN113724243 A CN 113724243A
Authority
CN
China
Prior art keywords
image
marked
images
target
group
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
CN202111073244.9A
Other languages
English (en)
Other versions
CN113724243B (zh
Inventor
刘亚欧
叶初阳
刘成浩
段云云
卓芝政
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.)
Beijing Institute of Technology BIT
Beijing Tiantan Hospital
Original Assignee
Beijing Institute of Technology BIT
Beijing Tiantan Hospital
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT, Beijing Tiantan Hospital filed Critical Beijing Institute of Technology BIT
Priority to CN202111073244.9A priority Critical patent/CN113724243B/zh
Publication of CN113724243A publication Critical patent/CN113724243A/zh
Application granted granted Critical
Publication of CN113724243B publication Critical patent/CN113724243B/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
    • 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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • 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)
  • 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)
  • Image Analysis (AREA)

Abstract

本申请提供一种图像处理方法、装置、电子设备及存储介质，涉及深度学习技术领域。该方法包括：获取至少一组扫描图像，每组扫描图像包括多个待标记图像和多个标准图像；针对每组扫描图像，将每组扫描图像中各待标记图像分别与各标准图像进行图像配准，获取各待标记图像对应的多个参考图像；根据各待标记图像、以及各待标记图像对应的各参考图像，确定各待标记图像中各像素点的异常得分；根据各待标记图像中各像素点的异常得分、以及确定的各待标记图像对应的图像分割阈值，对各待标记图像进行异常像素点标记，得到各待标记图像对应的目标图像。本方法可无需依赖人工标注数据，可大大提高图像中异常像素点的识别效率，进一步地提高图像分割效率。

Description

图像处理方法、装置、电子设备及存储介质
技术领域
本申请涉及深度学习技术领域，具体而言，涉及一种图像处理方法、装置、电子设备及存储介质。
背景技术
脑病灶会使得脑功能发生永久性的改变。对脑病灶的精准分割，使得量化脑病灶各项病理指标，例如病灶总体积，病灶位置与病灶块数量等成为可能，从而为病灶的治疗提供量化数据。
现有技术中，通常是基于深度卷积神经网络实现脑病灶分割方法，而深度卷积神经网络的训练过程需要大量的训练数据，且需要对训练数据进行人工标注。
但是，人工标注需要耗费大量的人力成本，进一步地导致了图像分割效率较低。
发明内容
本申请的目的在于，针对上述现有技术中的不足，提供一种图像处理方法、装置、电子设备及存储介质，以便于解决现有技术中存在的对于病灶图像分割效率较低的问题。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种图像处理方法，包括：
获取至少一组扫描图像，每组扫描图像包括多个待标记图像和多个标准图像，所述待标记图像为含病灶的图像，所述标准图像为不含病灶的正常图像，每组扫描图像分别由不同扫描仪扫描获取，其中，对一个对象进行扫描得到一个或多个所述待标记图像；
针对每组扫描图像，将每组扫描图像中各待标记图像分别与各标准图像进行图像配准，获取各待标记图像对应的多个参考图像，所述参考图像为所述待标记图像对应的不含病灶的正常图像；
根据所述各待标记图像、以及所述各待标记图像对应的各参考图像，确定所述各待标记图像中各像素点的异常得分；
根据所述各待标记图像中各像素点的异常得分、以及确定的所述各待标记图像对应的图像分割阈值，对所述各待标记图像进行异常像素点标记，得到各待标记图像对应的目标图像，所述目标图像包括标记的病灶区域，所述病灶区域由所述异常像素点组成。
可选地，所述根据所述各待标记图像、以及所述各待标记图像对应的各参考图像，确定所述各待标记图像中各像素点的异常得分，包括：
获取目标待标记图像中目标像素点的灰度值、以及所述目标待标记图像对应的各参考图像中所述目标像素点的灰度值，所述目标待标记图像为所述一组扫描图像中的任一待标记图像，所述目标像素点为所述目标待标记图像中各像素点中的任一像素点；
获取所述目标待标记图像对应的各参考图像的预设部位掩膜图像；
根据所述目标待标记图像中目标像素点的灰度值、所述目标待标记图像对应的各参考图像中所述目标像素点的灰度值、以及所述目标待标记图像对应的各参考图像的预设部位掩膜图像，确定所述目标待标记图像中目标像素点的异常得分。
可选地，所述根据所述各待标记图像中各像素点的异常得分、以及确定的所述各待标记图像对应的图像分割阈值，对所述各待标记图像进行图像分割，得到各待标记图像对应的目标图像之前，所述方法还包括：
确定所述各待标记图像所属的扫描图像组中各标准图像中各像素点的异常得分；
根据所述各标准图像中各像素点的异常得分，进行直方图计算，得到各标准图像对应的直方图曲线；
对各标准图像对应的直方图曲线进行平均处理，得到参考曲线；
根据所述各待标记图像中各像素点的异常得分，进行直方图计算，得到输入曲线；
根据所述参考曲线和所述输入曲线，确定所述各待标记图像对应的图像分割阈值。
可选地，所述根据所述参考曲线和所述输入曲线，确定所述各待标记图像对应的图像分割阈值，包括：
确定所述参考曲线与所述输入曲线是否存在分叉点；
若存在，获取所述各待标记图像对应的分叉点的横坐标值；
根据所述各待标记图像对应的分叉点的横坐标值，确定横坐标中值；
根据所述横坐标中值，确定所述各待标记图像对应的图像分割阈值。
可选地，所述根据所述横坐标中值，确定所述各待标记图像对应的图像分割阈值，包括：
若目标待标记图像对应的所述参考曲线与所述输入曲线存在分叉点，且所述分叉点的横坐标值大于所述横坐标中值，则确定所述分叉点的横坐标值为所述目标待标记图像对应的图像分割阈值；
若目标待标记图像对应的所述参考曲线与所述输入曲线存在分叉点，且所述分叉点的横坐标值小于所述横坐标中值，则确定所述横坐标中值为所述目标待标记图像对应的图像分割阈值；
若目标待标记图像对应的所述参考曲线与所述输入曲线不存在分叉点，则确定所述横坐标中值为所述目标待标记图像对应的图像分割阈值。
可选地，所述获取所述目标待标记图像对应的各参考图像的预设部位掩膜图像，包括：
获取每组扫描图像中各标准图像的预设部位掩膜图像；
根据所述每组扫描图像中各标准图像的预设部位掩膜图像，确定每组扫描图像中所述目标待标记图像对应的各参考图像的预设部位掩膜图像，所述预设部位用于表征预设病灶部位。
可选地，所述根据所述各待标记图像中各像素点的异常得分、以及确定的所述各待标记图像对应的图像分割阈值，对所述各待标记图像进行异常像素点标记，得到各待标记图像对应的目标图像，包括：
对所述各待标记图像中像素点的异常得分大于所述各待标记图像对应的图像分割阈值的像素点进行标记，得到所述各待标记图像对应的目标图像。
第二方面，本申请实施例还提供了一种图像处理装置，包括：获取模块、确定模块、标记模块；
所述获取模块，用于获取至少一组扫描图像，每组扫描图像包括多个待标记图像和多个标准图像，所述待标记图像为含病灶的图像，所述标准图像为不含病灶的正常图像，每组扫描图像分别由不同扫描仪扫描获取，其中，对一个对象进行扫描得到一个或多个所述待标记图像；
所述获取模块，用于针对每组扫描图像，将每组扫描图像中各待标记图像分别与各标准图像进行图像配准，获取各待标记图像对应的多个参考图像，所述参考图像为所述待标记图像对应的不含病灶的正常图像；
所述确定模块，用于根据所述各待标记图像、以及所述各待标记图像对应的各参考图像，确定所述各待标记图像中各像素点的异常得分；
所述标记模块，用于根据所述各待标记图像中各像素点的异常得分、以及确定的所述各待标记图像对应的图像分割阈值，对所述各待标记图像进行异常像素点标记，得到各待标记图像对应的目标图像，所述目标图像包括标记的病灶区域，所述病灶区域由所述异常像素点组成。
可选地，所述确定模块，具体用于获取目标待标记图像中目标像素点的灰度值、以及所述目标待标记图像对应的各参考图像中所述目标像素点的灰度值，所述目标待标记图像为所述一组扫描图像中的任一待标记图像，所述目标像素点为所述目标待标记图像中各像素点中的任一像素点；
获取所述目标待标记图像对应的各参考图像的预设部位掩膜图像；
根据所述目标待标记图像中目标像素点的灰度值、所述目标待标记图像对应的各参考图像中所述目标像素点的灰度值、以及所述目标待标记图像对应的各参考图像的预设部位掩膜图像，确定所述目标待标记图像中目标像素点的异常得分。
可选地，所述确定模块，还用于确定所述各待标记图像所属的扫描图像组中各标准图像中各像素点的异常得分；
所述获取模块，还用于根据所述各标准图像中各像素点的异常得分，进行直方图计算，得到各标准图像对应的直方图曲线；
对各标准图像对应的直方图曲线进行平均处理，得到参考曲线；
根据所述各待标记图像中各像素点的异常得分，进行直方图计算，得到输入曲线；
所述确定模块，还用于根据所述参考曲线和所述输入曲线，确定所述各待标记图像对应的图像分割阈值。
可选地，所述确定模块，具体用于确定所述参考曲线与所述输入曲线是否存在分叉点；
若存在，获取所述各待标记图像对应的分叉点的横坐标值；
根据所述各待标记图像对应的分叉点的横坐标值，确定横坐标中值；
根据所述横坐标中值，确定所述各待标记图像对应的图像分割阈值。
可选地，所述确定模块，具体用于若目标待标记图像对应的所述参考曲线与所述输入曲线存在分叉点，且所述分叉点的横坐标值大于所述横坐标中值，则确定所述分叉点的横坐标值为所述目标待标记图像对应的图像分割阈值；
若目标待标记图像对应的所述参考曲线与所述输入曲线存在分叉点，且所述分叉点的横坐标值小于所述横坐标中值，则确定所述横坐标中值为所述目标待标记图像对应的图像分割阈值；
若目标待标记图像对应的所述参考曲线与所述输入曲线不存在分叉点，则确定所述横坐标中值为所述目标待标记图像对应的图像分割阈值。
可选地，所述获取模块，具体用于获取每组扫描图像中各标准图像的预设部位掩膜图像；
根据所述每组扫描图像中各标准图像的预设部位掩膜图像，确定每组扫描图像中所述目标待标记图像对应的各参考图像的预设部位掩膜图像，所述预设部位用于表征预设病灶部位。
可选地，所述标记模块，具体用于对所述各待标记图像中像素点的异常得分大于所述各待标记图像对应的图像分割阈值的像素点进行标记，得到所述各待标记图像对应的目标图像。
第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储介质和总线，存储介质存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以执行时执行如第一方面中提供的方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如第一方面提供的方法的步骤。
本申请的有益效果是：
本申请提供一种图像处理方法、装置、电子设备及存储介质，该方法包括：获取至少一组扫描图像，每组扫描图像包括多个待标记图像和多个标准图像；其中，待标记图像为含病灶的图像，标准图像为不含病灶的正常图像，每组扫描图像分别由不同扫描仪扫描获取，其中，对一个对象进行扫描得到一个或多个待标记图像；针对每组扫描图像，将每组扫描图像中各待标记图像分别与各标准图像进行图像配准，获取各待标记图像对应的多个参考图像，参考图像为待标记图像对应的不含病灶的正常图像；根据各待标记图像、以及各待标记图像对应的各参考图像，确定各待标记图像中各像素点的异常得分；根据各待标记图像中各像素点的异常得分、以及确定的各待标记图像对应的图像分割阈值，对各待标记图像进行异常像素点标记，得到各待标记图像对应的目标图像，目标图像包括标记的病灶区域，病灶区域由异常像素点组成。本方法中，通过将待标记图像与标准图像进行图像配准，以获取待标记图像的参考图像，从而基于参考图像和待标记图像计算待标记图像中各像素点的异常得分，基于异常得分和所确定的图像分割阈值，以对待标记图像中的异常像素点进行标记，以最终从待标记图像中分割得到病灶区域图像。本方法采用标准图像进行图像配准，使得获取的参考图像可以为待标记图像中的异常像素点的确定提供可靠的先验信息。另外，本方法可无需依赖人工标注数据，可大大提高图像中异常像素点的识别效率，进一步地提高图像分割效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1为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为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3为本申请实施例提供的又一种图像处理方法的流程示意图；
图4为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5为本申请实施例提供的又一种图像处理方法的流程示意图；
图6为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7为本申请实施例提供的一种图像处理装置的示意图；
图8为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“脑病灶图像分割”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕脑病灶图像分割进行描述，但是应该理解，这仅是一个示例性实施例。本申请可以应用于任何其他场景。例如，本申请可以应用于图像特征分割、异常图像分割等。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
首先，对本申请所涉及的相关背景知识进行简单说明，以帮助对于方案的理解。
脑病灶会使得脑功能发生永久性的改变。对脑病灶的精准分割，使得量化脑病灶各项病理指标(例如病灶总体积，病灶位置与病灶块数量等)成为可能。随着深度学习技术的普及，基于深度学习的脑病灶分割性能表现可远超传统机器学习和其它一系列自动化分割的方法，在研究界获得了广泛的关注。由于在实际的临床应用中，常常有大量表现正常的脑扫描影像，这些正常表征的影像可以为患者的脑病灶分割提供解剖学的先验信息。借助正常扫描影像计算出的解剖先验信息，可以感知病灶对正常人脑解剖结构的形态改变。
现有的诸多基于深度学习的脑病灶分割方法，都是基于深度卷积神经网络来开发的，然而深度卷积神经网路的训练过程需要大量的训练数据，这就需要大量的原始图像和相对应的人工标注。由于获取大量的人工标注的人力成本极高，因此训练高质量的卷积神经网络在很多应用场合受到限制。
由于上述借助正常扫描影像计算出的解剖先验信息恰好能够直观的体现患者脑扫描影像内的病灶情况，进而可以设计全自动化的方法，根据计算出的先验信息，直接得到患者脑部病灶的分割结果。
基于此，本技术方案主要有两个关键点：1)利用多张健康人的脑部扫描影像，构建正常脑组织的解剖学先验信息，再根据患者图像，计算患者图像内每个像素点的异常得分，得分越高说明相应位置处存在病灶的概率越高；2)根据计算出来的异常得分，进一步设计方案，得到患者图像内的脑部病灶分割结果。基于这两点，我们实际开发出了全自动的脑部病灶分割系统。这种系统的输入是多张健康图像和一张患者图像，输出是与患者图像对应的脑病灶分割结果。此病灶分割系统无需任何人工标注，不需要人工的干预即可完成全自动化的分析，在实际应用中有较高的价值。
如下将通过多个具体的实施例对本申请方法的实现步骤和有益效果进行阐述。
图1为本申请实施例提供的一种图像处理方法的流程示意图；本方法的执行主体可以是终端设备、计算机、服务器等。如图1所示，该方法可包括：
S101、获取至少一组扫描图像，每组扫描图像包括多个待标记图像和多个标准图像。
其中，待标记图像为含病灶的图像，标准图像为不含病灶的正常图像，每组扫描图像分别由不同扫描仪扫描获取，其中，对一个对象进行扫描得到一个或多个待标记图像。
可选地，上述的至少一组扫描图像可以是从医学影像数据库中获取的。每组扫描图像中包括的多张图像可由一种扫描仪扫描获取，且每组扫描图像中均可包括一定数量的待标记图像和预设数量的标准图像，待标记图像可以理解为患者图像，也即，存在病灶的图像。其中，每组扫描图像中包括的待标记图像可以不限于是不同患者的图像，也可以是同一个患者从不同角度进行病灶拍摄所获取的图像。标准图像可以理解为健康人的正常图像。
本实施例中可以以获取三组扫描图像为例，其中第一组扫描图像可以为采用A扫描仪获得的209例扫描图像，图像的物理分辨率为0.5mm×1mm×1mm。其中可包括10例健康受试者扫描得到的标准图像和199例含有白质高信号的待标记图像(患者影像)；第二组扫描图像可以为采用B扫描仪获得的543例扫描图像，其中可包括10例健康受试者扫描得到的标准图像和533例含有白质高信号的待标记图像(患者影像)；第三组扫描图像可以为采用C扫描仪获得的250例扫描图像，其中可包括10例健康受试者扫描得到的标准图像和240例含有白质高信号的待标记图像(患者影像)。
需要说明的是，通过分别获取由不同扫描仪扫描获取的多组扫描图像进行数据处理，可以有效的验证本方法的可行性，使得本方法的实现更具说服力。当然，实际应用中，可不限于通过上述三组扫描图像进行试验。
S102、针对每组扫描图像，将每组扫描图像中各待标记图像分别与各标准图像进行图像配准，获取各待标记图像对应的多个参考图像，参考图像为待标记图像对应的不含病灶的正常图像。
可选地，为了方便对本方法的解释说明，本方法仅以一组扫描图像中各图像的处理过程为例进行方法说明，实际应用中，针对不同组扫描图像中各图像的处理过程均是相同的，可参照一组扫描图像的处理进行理解。
在一些实施例中，针对一组扫描图像中的每个待标记图像，可分别将其与改组扫描图像中的所有标准图像进行图像配准，得到每个待标记图像对应的多个参考图像。这里所执行的图像配准可以是采用现有的图像配准方法来实现，可以是将各标准图像进行相应形变后配准到待标记图像上，得到各待标记图像对应的多个参考图像。由于上述所列举的每组扫描图像中可包括10个标准图像，那么，进行图像配准后，可得到各待标记图像对应的10个参考图像。参考图像可以理解为待标记图像所对应的不含病灶的正常图像，也即，参考图像与待标记图像具有相同的图像结构，但是其不含病灶部分。
本实施例中，可利用ANTs(Advanced Normalization Tools，医学图像配准软件)软件包，实现图像配准，实际应用中，也可利用其它医学图像配准工具包，作为可替代方案。
由于配准算法考虑到了人脑的解剖学结构，因此每个待标记图像对应的10张参考图像可以直接提供解剖学意义上的强度先验信息，可供后续分析算法提取异常位置，并计算异常得分。
S103、根据各待标记图像、以及各待标记图像对应的各参考图像，确定各待标记图像中各像素点的异常得分。
本实施例中，可根据各待标记图像的像素点信息和各待标记图像对应的各参考图像的像素点信息，通过预设的计算策略，计算得到各待标记图像中各像素点的异常得分。
S104、根据各待标记图像中各像素点的异常得分、以及确定的各待标记图像对应的图像分割阈值，对各待标记图像进行异常像素点标记，得到各待标记图像对应的目标图像，目标图像包括标记的病灶区域，病灶区域由异常像素点组成。
在一些实施例中，可将各待标记图像中各像素点的异常得分作为异常判断的标准，与各待标记图像对应的图像分割阈值进行比对，以从待标记图像中确定可能存在病灶的像素点，也即异常像素点。
对于所确定的异常像素点，可在待标记图像中对其进行标记，以区分于正常像素点，得到待标记图像对应的目标图像。进一步地，基于目标图像中的像素点标记信息，可以将被标记的像素点所构成的病灶区域从目标图像中分割出来，从而得到待标记图像对应的病灶分割结果。
可选地，上述各待标记图像对应的图像分割阈值是经过严格计算所确定的，其具有较好的分割效果，可行性较高。
综上，本实施例提供的图像处理方法，包括：获取至少一组扫描图像，每组扫描图像包括多个待标记图像和多个标准图像；其中，待标记图像为含病灶的图像，标准图像为不含病灶的正常图像，每组扫描图像分别由不同扫描仪扫描获取，其中，对一个对象进行扫描得到一个或多个待标记图像；针对每组扫描图像，将每组扫描图像中各待标记图像分别与各标准图像进行图像配准，获取各待标记图像对应的多个参考图像，参考图像为待标记图像对应的不含病灶的正常图像；根据各待标记图像、以及各待标记图像对应的各参考图像，确定各待标记图像中各像素点的异常得分；根据各待标记图像中各像素点的异常得分、以及确定的各待标记图像对应的图像分割阈值，对各待标记图像进行异常像素点标记，得到各待标记图像对应的目标图像，目标图像包括标记的病灶区域，病灶区域由异常像素点组成。本方法中，通过将待标记图像与标准图像进行图像配准，以获取待标记图像的参考图像，从而基于参考图像和待标记图像计算待标记图像中各像素点的异常得分，基于异常得分和所确定的图像分割阈值，以对待标记图像中的异常像素点进行标记，以最终从待标记图像中分割得到病灶区域图像。本方法采用标准图像进行图像配准，使得获取的参考图像可以为待标记图像中的异常像素点的确定提供可靠的先验信息。另外，本方法可无需依赖人工标注数据，可大大提高图像中异常像素点的识别效率，进一步地提高图像分割效率。
图2为本申请实施例提供的另一种图像处理方法的流程示意图；可选地，步骤S103中，根据各待标记图像、以及各待标记图像对应的各参考图像，确定各待标记图像中各像素点的异常得分，可以包括：
S201、获取目标待标记图像中目标像素点的灰度值、以及目标待标记图像对应的各参考图像中目标像素点的灰度值，目标待标记图像为一组扫描图像中的任一待标记图像，目标像素点为目标待标记图像中各像素点中的任一像素点。
本实施例中以任一一组扫描图像中的任一一个待标记图像作为目标待标记图像，对该目标待标记图像中各像素点的异常得分的计算进行说明，对于该组扫描图像中其他待标记图像的处理与之相同，可参考理解。
本实施例中可采用高斯分布参数估计和负对数似然函数的策略来计算目标待标记图像中各像素点的异常得分。
其中，目标像素点可以指目标待标记图像中的任一像素点，对于目标待标记图像中任意像素点的异常得分的获取均可参照其进行计算。
可选地，可获取目标待标记图像中目标像素点的灰度值(扫描强度)，同样的，还可获取目标待标记图像对应的各参考图像在该目标像素点的灰度值，也即，获取参考图像中与待标记图像对应同一像素点的灰度值。
S202、获取目标待标记图像对应的各参考图像的预设部位掩膜图像。
同时，还可获取目标待标记图像对应的各参考图像中预设部位掩膜图像，其中，预设部位可以指病灶所在部位，本方法中以脑组织病灶的研究进行举例，此处，预设部位可以为脑组织，那么，也即获取目标待标记图像对应的各参考图像中脑组织掩膜图像。
S203、根据目标待标记图像中目标像素点的灰度值、目标待标记图像对应的各参考图像中目标像素点的灰度值、以及目标待标记图像对应的各参考图像的预设部位掩膜图像，确定目标待标记图像中目标像素点的异常得分。
假设获取的目标待标记图像中目标像素点的灰度值为xv，目标待标记图像对应的各参考图像中目标像素点的灰度值表示为
Figure BDA0003261217800000121
目标待标记图像对应的各参考图像的预设部位掩膜图像为
Figure BDA0003261217800000122
假设
Figure BDA0003261217800000123
服从均值为μv，方差为
Figure BDA0003261217800000124
的高斯分布
Figure BDA0003261217800000125
对于这个分布的概率密度函数，可以取其负对数作为目标待标记图像中目标像素点的异常得分αv：
Figure BDA0003261217800000126
其中，K的取值为目标待标记图像所对应的参考图像的数量。
通过上述方法，可分别计算出目标待标记图像中各像素点的异常得分。
图3为本申请实施例提供的又一种图像处理方法的流程示意图。可选地，步骤S104中，根据各待标记图像中各像素点的异常得分、以及确定的各待标记图像对应的图像分割阈值，对各待标记图像进行图像分割，得到各待标记图像对应的目标图像之前，本申请的方法还可包括：
S301、确定各待标记图像所属的扫描图像组中各标准图像中各像素点的异常得分。
可选地，通过上述方法可获取一组扫描图像中各待标记图像中各像素点的异常得分。本实施例中，还可分别获取该组扫描图像中各标准图像中各像素点的异常得分。
以上述目标待标记图像中各像素点的异常得分的计算方式类似，本实施例中，针对每张标准图像，可将其与其他9张标准图像进行图像配准，并按照上述步骤S201-S203的方式，计算每张标准图像中各像素点的异常得分。
S302、根据各标准图像中各像素点的异常得分，进行直方图计算，得到各标准图像对应的直方图曲线。
可选地，可从各标准图像的各像素点的异常得分中统计异常得分大于0的值，并计算异常得分大于0的得分均值，取其1/4作为直方图的间隔，再将统计得到的直方图的纵坐标取以10为底的对数，再将每个柱的最高点连成曲线，得到折线图。
S303、对各标准图像对应的直方图曲线进行平均处理，得到参考曲线。
经过上述处理，可得到各标准图像对应的直方图曲线，通过对各直方图曲线进行平均处理，则可得到一参考曲线，其中，平均处理也即对各标准图像对应的直方图曲线中横坐标的值取平均值，将各横坐标的平均值进行连接，得到参考曲线。
S304、根据各待标记图像中各像素点的异常得分，进行直方图计算，得到输入曲线。
而对于各待标记图像，将其各像素点的异常得分同样经过与上述相同的处理，可得到输入曲线，不同之处在于，一个待标记图像本身对应一条输入曲线，故不存在上述平均处理的过程，将每个柱的最高点进行连线后得到的一条折线即为一个待标记图像对应的输入曲线。
S305、根据参考曲线和输入曲线，确定各待标记图像对应的图像分割阈值。
可选地，针对任一待标记图像，可根据待标记图像对应的输入曲线和参考曲线，确定该待标记图像对应的图像分割阈值，针对同一组扫描图像，该组扫描图像中各待标记图像对应的参考曲线是相同的，而针对不同组扫描图像，各组扫描图像中各待标记图像对应的参考曲线可以是不同的。
图4为本申请实施例提供的另一种图像处理方法的流程示意图；可选地，步骤S305中，根据参考曲线和输入曲线，确定各待标记图像对应的图像分割阈值，可以包括：
S401、确定参考曲线与输入曲线是否存在分叉点。
针对任一待标记图像，可通过上述得到的参考曲线和输入曲线，判断参考曲线和输入曲线之间是否存在分叉点，其中，参考曲线和输入曲线可对应绘制在同一曲线图中，可通过曲线图直接获取分叉点信息，或者，也可通过两条曲线的曲线函数，计算分叉点。
S402、若存在，获取各待标记图像对应的分叉点的横坐标值。
当参考曲线和输入曲线存在分叉点时，则可获取该分叉点的横坐标数值。
而当不存在时，则可继续遍历下一张待标记图像，判断下一张待标记图像的输入曲线和参考曲线是否存在分叉点，直到遍历完所有该组扫描图像中的所有待标记图像。
S403、根据各待标记图像对应的分叉点的横坐标值，确定横坐标中值。
对于存在分叉点的情况，在获取到各待标记图像对应的分叉点的横坐标值后，可以对各横坐标值求中值，得到横坐标中值。对于不存在分叉点的待标记图像，可认为其分叉点横坐标的取值为0，不参与计算。
S404、根据横坐标中值，确定各待标记图像对应的图像分割阈值。
基于所得到的横坐标中值，可依次确定各待标记图像对应的图像分割阈值，其中，不同的待标记图像可各自对应不同的图像分割阈值。
图5为本申请实施例提供的又一种图像处理方法的流程示意图；可选地，可选地，步骤S404中，根据横坐标中值，确定各待标记图像对应的图像分割阈值，可以包括：
S501、若目标待标记图像对应的参考曲线与输入曲线存在分叉点，且分叉点的横坐标值大于横坐标中值，则确定分叉点的横坐标值为目标待标记图像对应的图像分割阈值。
可选地，对于目标待标记图像而言，当其对应的参考曲线和输入曲线存在分叉点的情况下，可将分叉点的横坐标值与上述得到的横坐标中值进行比对，以确定目标待标记图像对应的图像分割阈值。
在一种情况下，当分叉点的横坐标值大于上述的横坐标中值时，可以将分叉点的横坐标值作为该目标待标记图像对应的图像分割阈值。
S502、若目标待标记图像对应的参考曲线与输入曲线存在分叉点，且分叉点的横坐标值小于横坐标中值，则确定横坐标中值为目标待标记图像对应的图像分割阈值。
在另一些情况下，当分叉点的横坐标值小于横坐标中值时，则可将横坐标中值作为目标待标记图像对应的图像分割阈值。
S503、若目标待标记图像对应的参考曲线与输入曲线不存在分叉点，则确定横坐标中值为目标待标记图像对应的图像分割阈值。
而当目标待标记图像对应的参考曲线和输入曲线不存在分叉点时，则可将上述得到的横坐标中值作为目标待标记图像的图像分割阈值。
通过上述多种判断方式，针对任意的待标记图像，均可确定其所对应的图像分割阈值。
图6为本申请实施例提供的另一种图像处理方法的流程示意图；可选地，步骤S202中，获取目标待标记图像对应的各参考图像的预设部位掩膜图像，可以包括：
S601、获取每组扫描图像中各标准图像的预设部位掩膜图像。
可选地，针对任一组扫描图像中目标待标记图像，可先获取该组扫描图像中各标准图像的预设部位掩膜图像，本实施例中，可利用FSL BET工具对各标准图像进行预设部位掩膜提取，计算出各标准图像中预设部位的位置，得到各标准图像的预设部位掩膜图像。
S602、根据每组扫描图像中各标准图像的预设部位掩膜图像，确定每组扫描图像中目标待标记图像对应的各参考图像的预设部位掩膜图像，预设部位用于表征预设病灶部位。
可选地，基于各标准图像的预设部位掩膜图像的获取，可确定形变场，而在相同的形变场下可根据各标准图像的预设部位掩膜图像，得到目标待标记图像对应的各参考图像的预设部位掩膜图像。
可选地，步骤S104中，根据各待标记图像中各像素点的异常得分、以及确定的各待标记图像对应的图像分割阈值，对各待标记图像进行异常像素点标记，得到各待标记图像对应的目标图像，可以包括：对各待标记图像中像素点的异常得分大于各待标记图像对应的图像分割阈值的像素点进行标记，得到各待标记图像对应的目标图像。
在一种实现方式中，可将待标记图像中各像素点的异常得分分别与待标记图像对应的图像分割阈值进行比较，将异常得分大于图像分割阈值的像素点作为异常像素点，并在待标记图像中将异常像素点进行标记，例如：高亮显示，或者是添加标记符，从而得到目标图像。
可选地，基于标记有异常像素点的目标图像，还可进一步地从目标图像中将所标记出的异常像素点所构成的图像区域分割出来，从而可精确的从待标记图像中分割得到病灶图像。
综上，本实施例提供的图像处理方法，包括：获取至少一组扫描图像，每组扫描图像包括多个待标记图像和多个标准图像；其中，待标记图像为含病灶的图像，标准图像为不含病灶的正常图像，每组扫描图像分别由不同扫描仪扫描获取，其中，对一个对象进行扫描得到一个或多个待标记图像；针对每组扫描图像，将每组扫描图像中各待标记图像分别与各标准图像进行图像配准，获取各待标记图像对应的多个参考图像，参考图像为待标记图像对应的不含病灶的正常图像；根据各待标记图像、以及各待标记图像对应的各参考图像，确定各待标记图像中各像素点的异常得分；根据各待标记图像中各像素点的异常得分、以及确定的各待标记图像对应的图像分割阈值，对各待标记图像进行异常像素点标记，得到各待标记图像对应的目标图像，目标图像包括标记的病灶区域，病灶区域由异常像素点组成。本方法中，通过将待标记图像与标准图像进行图像配准，以获取待标记图像的参考图像，从而基于参考图像和待标记图像计算待标记图像中各像素点的异常得分，基于异常得分和所确定的图像分割阈值，以对待标记图像中的异常像素点进行标记，以最终从待标记图像中分割得到病灶区域图像。本方法采用标准图像进行图像配准，使得获取的参考图像可以为待标记图像中的异常像素点的确定提供可靠的先验信息。另外，本方法可无需依赖人工标注数据，可大大提高图像中异常像素点的识别效率，进一步地提高图像分割效率。
下述对用以执行本申请所提供的图像处理方法的装置、设备及存储介质等进行说明，其具体的实现过程以及技术效果参见上述，下述不再赘述。
图7为本申请实施例提供的一种图像处理装置的示意图，该图像处理装置实现的功能对应上述方法执行的步骤。该装置可以理解为上述服务器，或服务器的处理器，也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件，如图7所示，该装置可包括：获取模块710、确定模块720、标记模块730；
获取模块710，用于获取至少一组扫描图像，每组扫描图像包括多个待标记图像和多个标准图像，待标记图像为含病灶的图像，标准图像为不含病灶的正常图像，每组扫描图像分别由不同扫描仪扫描获取，其中，对一个对象进行扫描得到一个或多个待标记图像；
获取模块710，用于针对每组扫描图像，将每组扫描图像中各待标记图像分别与各标准图像进行图像配准，获取各待标记图像对应的多个参考图像，参考图像为待标记图像对应的不含病灶的正常图像；
确定模块720，用于根据各待标记图像、以及各待标记图像对应的各参考图像，确定各待标记图像中各像素点的异常得分；
标记模块730，用于根据各待标记图像中各像素点的异常得分、以及确定的各待标记图像对应的图像分割阈值，对各待标记图像进行异常像素点标记，得到各待标记图像对应的目标图像，目标图像包括标记的病灶区域，病灶区域由异常像素点组成。
可选地，确定模块720，具体用于获取目标待标记图像中目标像素点的灰度值、以及目标待标记图像对应的各参考图像中目标像素点的灰度值，目标待标记图像为一组扫描图像中的任一待标记图像，目标像素点为目标待标记图像中各像素点中的任一像素点；
获取目标待标记图像对应的各参考图像的预设部位掩膜图像；
根据目标待标记图像中目标像素点的灰度值、目标待标记图像对应的各参考图像中目标像素点的灰度值、以及目标待标记图像对应的各参考图像的预设部位掩膜图像，确定目标待标记图像中目标像素点的异常得分。
可选地，确定模块720，还用于确定各待标记图像所属的扫描图像组中各标准图像中各像素点的异常得分；
获取模块710，还用于根据各标准图像中各像素点的异常得分，进行直方图计算，得到各标准图像对应的直方图曲线；
对各标准图像对应的直方图曲线进行平均处理，得到参考曲线；
根据各待标记图像中各像素点的异常得分，进行直方图计算，得到输入曲线；
确定模块720，还用于根据参考曲线和输入曲线，确定各待标记图像对应的图像分割阈值。
可选地，确定模块720，具体用于确定参考曲线与输入曲线是否存在分叉点；
若存在，获取各待标记图像对应的分叉点的横坐标值；
根据各待标记图像对应的分叉点的横坐标值，确定横坐标中值；
根据横坐标中值，确定各待标记图像对应的图像分割阈值。
可选地，确定模块720，具体用于若目标待标记图像对应的参考曲线与输入曲线存在分叉点，且分叉点的横坐标值大于横坐标中值，则确定分叉点的横坐标值为目标待标记图像对应的图像分割阈值；
若目标待标记图像对应的参考曲线与输入曲线存在分叉点，且分叉点的横坐标值小于横坐标中值，则确定横坐标中值为目标待标记图像对应的图像分割阈值；
若目标待标记图像对应的参考曲线与输入曲线不存在分叉点，则确定横坐标中值为目标待标记图像对应的图像分割阈值。
可选地，获取模块710，具体用于获取每组扫描图像中各标准图像的预设部位掩膜图像；
根据每组扫描图像中各标准图像的预设部位掩膜图像，确定每组扫描图像中目标待标记图像对应的各参考图像的预设部位掩膜图像，预设部位用于表征预设病灶部位。
可选地，标记模块730，具体用于对各待标记图像中像素点的异常得分大于各待标记图像对应的图像分割阈值的像素点进行标记，得到各待标记图像对应的目标图像。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等，或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。
需要说明的是，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Digital Singnal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(System-on-a-chip，简称SOC)的形式实现。
图8为本申请实施例提供的一种电子设备的结构示意图，该设备可以是具备数据处理功能的计算设备。
该设备可包括：处理器801、存储器802。
存储器802用于存储程序，处理器801调用存储器802存储的程序，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
其中，存储器802存储有程序代码，当程序代码被处理器801执行时，使得处理器801执行本说明书上述“示例性方法”部分中描述的根据本申请各种示例性实施方式的方法中的各种步骤。
处理器801可以是通用处理器，例如中央处理器(CPU)、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器802作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random Access Memory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器802还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
可选地，本申请还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，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)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种图像处理方法，其特征在于，包括：
获取至少一组扫描图像，每组扫描图像包括多个待标记图像和多个标准图像，所述待标记图像为含病灶的图像，所述标准图像为不含病灶的正常图像，每组扫描图像分别由不同扫描仪扫描获取，其中，对一个对象进行扫描得到一个或多个所述待标记图像；
针对每组扫描图像，将每组扫描图像中各待标记图像分别与各标准图像进行图像配准，获取各待标记图像对应的多个参考图像，所述参考图像为所述待标记图像对应的不含病灶的正常图像；
根据所述各待标记图像、以及所述各待标记图像对应的各参考图像，确定所述各待标记图像中各像素点的异常得分；
根据所述各待标记图像中各像素点的异常得分、以及确定的所述各待标记图像对应的图像分割阈值，对所述各待标记图像进行异常像素点标记，得到各待标记图像对应的目标图像，所述目标图像包括标记的病灶区域，所述病灶区域由所述异常像素点组成。
2.根据权利要求1所述的方法，其特征在于，所述根据所述各待标记图像、以及所述各待标记图像对应的各参考图像，确定所述各待标记图像中各像素点的异常得分，包括：
获取目标待标记图像中目标像素点的灰度值、以及所述目标待标记图像对应的各参考图像中所述目标像素点的灰度值，所述目标待标记图像为所述一组扫描图像中的任一待标记图像，所述目标像素点为所述目标待标记图像中各像素点中的任一像素点；
获取所述目标待标记图像对应的各参考图像的预设部位掩膜图像；
根据所述目标待标记图像中目标像素点的灰度值、所述目标待标记图像对应的各参考图像中所述目标像素点的灰度值、以及所述目标待标记图像对应的各参考图像的预设部位掩膜图像，确定所述目标待标记图像中目标像素点的异常得分。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述各待标记图像中各像素点的异常得分、以及确定的所述各待标记图像对应的图像分割阈值，对所述各待标记图像进行图像分割，得到各待标记图像对应的目标图像之前，所述方法还包括：
确定所述各待标记图像所属的扫描图像组中各标准图像中各像素点的异常得分；
根据所述各标准图像中各像素点的异常得分，进行直方图计算，得到各标准图像对应的直方图曲线；
对各标准图像对应的直方图曲线进行平均处理，得到参考曲线；
根据所述各待标记图像中各像素点的异常得分，进行直方图计算，得到输入曲线；
根据所述参考曲线和所述输入曲线，确定所述各待标记图像对应的图像分割阈值。
4.根据权利要求3所述的方法，其特征在于，所述根据所述参考曲线和所述输入曲线，确定所述各待标记图像对应的图像分割阈值，包括：
确定所述参考曲线与所述输入曲线是否存在分叉点；
若存在，获取所述各待标记图像对应的分叉点的横坐标值；
根据所述各待标记图像对应的分叉点的横坐标值，确定横坐标中值；
根据所述横坐标中值，确定所述各待标记图像对应的图像分割阈值。
5.根据权利要求4所述的方法，其特征在于，所述根据所述横坐标中值，确定所述各待标记图像对应的图像分割阈值，包括：
若目标待标记图像对应的所述参考曲线与所述输入曲线存在分叉点，且所述分叉点的横坐标值大于所述横坐标中值，则确定所述分叉点的横坐标值为所述目标待标记图像对应的图像分割阈值；
若目标待标记图像对应的所述参考曲线与所述输入曲线存在分叉点，且所述分叉点的横坐标值小于所述横坐标中值，则确定所述横坐标中值为所述目标待标记图像对应的图像分割阈值；
若目标待标记图像对应的所述参考曲线与所述输入曲线不存在分叉点，则确定所述横坐标中值为所述目标待标记图像对应的图像分割阈值。
6.根据权利要求2所述的方法，其特征在于，所述获取所述目标待标记图像对应的各参考图像的预设部位掩膜图像，包括：
获取每组扫描图像中各标准图像的预设部位掩膜图像；
根据所述每组扫描图像中各标准图像的预设部位掩膜图像，确定每组扫描图像中所述目标待标记图像对应的各参考图像的预设部位掩膜图像，所述预设部位用于表征预设病灶部位。
7.根据权利要求1所述的方法，其特征在于，所述根据所述各待标记图像中各像素点的异常得分、以及确定的所述各待标记图像对应的图像分割阈值，对所述各待标记图像进行异常像素点标记，得到各待标记图像对应的目标图像，包括：
对所述各待标记图像中像素点的异常得分大于所述各待标记图像对应的图像分割阈值的像素点进行标记，得到所述各待标记图像对应的目标图像。
8.一种图像处理装置，其特征在于，包括：获取模块、确定模块、标记模块；
所述获取模块，用于获取至少一组扫描图像，每组扫描图像包括多个待标记图像和多个标准图像，所述待标记图像为含病灶的图像，所述标准图像为不含病灶的正常图像，每组扫描图像分别由不同扫描仪扫描获取，其中，对一个对象进行扫描得到一个或多个所述待标记图像；
所述获取模块，用于针对每组扫描图像，将每组扫描图像中各待标记图像分别与各标准图像进行图像配准，获取各待标记图像对应的多个参考图像，所述参考图像为所述待标记图像对应的不含病灶的正常图像；
所述确定模块，用于根据所述各待标记图像、以及所述各待标记图像对应的各参考图像，确定所述各待标记图像中各像素点的异常得分；
所述标记模块，用于根据所述各待标记图像中各像素点的异常得分、以及确定的所述各待标记图像对应的图像分割阈值，对所述各待标记图像进行异常像素点标记，得到各待标记图像对应的目标图像，所述目标图像包括标记的病灶区域，所述病灶区域由所述异常像素点组成。
9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行时执行如权利要求1至7任一所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的方法的步骤。
CN202111073244.9A 2021-09-14 2021-09-14 图像处理方法、装置、电子设备及存储介质 Active CN113724243B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111073244.9A CN113724243B (zh) 2021-09-14 2021-09-14 图像处理方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111073244.9A CN113724243B (zh) 2021-09-14 2021-09-14 图像处理方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113724243A true CN113724243A (zh) 2021-11-30
CN113724243B CN113724243B (zh) 2022-12-09

Family

ID=78683752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111073244.9A Active CN113724243B (zh) 2021-09-14 2021-09-14 图像处理方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113724243B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332067A (zh) * 2022-01-04 2022-04-12 深圳市澈影医生集团有限公司 一种白质高信号检测系统及方法
CN115346645A (zh) * 2022-10-18 2022-11-15 四川旅鸽科技有限公司 一种医学图像处理方法、装置、存储介质及设备
CN115601630A (zh) * 2022-12-15 2023-01-13 山东天意装配式建筑装备研究院有限公司（Cn） 用于墙板模具自动清理机的污渍识别方法
CN115965629A (zh) * 2023-03-17 2023-04-14 杭州堃博生物科技有限公司 消融区域确定方法、装置、设备及非易失性存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050111720A1 (en) * 2003-11-25 2005-05-26 Gurcan Metin N. Shape estimates and temporal registration of lesions and nodules
CN104778713A (zh) * 2015-04-27 2015-07-15 清华大学深圳研究生院 一种图像处理方法
CN110827308A (zh) * 2019-11-05 2020-02-21 中国医学科学院肿瘤医院 图像处理方法，装置，电子设备及存储介质
CN110853082A (zh) * 2019-10-21 2020-02-28 科大讯飞股份有限公司 医学图像配准方法、装置、电子设备及计算机存储介质
CN112233072A (zh) * 2020-09-30 2021-01-15 张成林 一种病灶检测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050111720A1 (en) * 2003-11-25 2005-05-26 Gurcan Metin N. Shape estimates and temporal registration of lesions and nodules
CN104778713A (zh) * 2015-04-27 2015-07-15 清华大学深圳研究生院 一种图像处理方法
CN110853082A (zh) * 2019-10-21 2020-02-28 科大讯飞股份有限公司 医学图像配准方法、装置、电子设备及计算机存储介质
CN110827308A (zh) * 2019-11-05 2020-02-21 中国医学科学院肿瘤医院 图像处理方法，装置，电子设备及存储介质
CN112233072A (zh) * 2020-09-30 2021-01-15 张成林 一种病灶检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李传富 等: "基于配准方法的颅脑CT图像病变信息自动提取算法", 《中国生物医学工程学报》 *
李哲 等: "基于自动选取最佳阈值的X光图像快速分割方法", 《计算机应用研究》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332067A (zh) * 2022-01-04 2022-04-12 深圳市澈影医生集团有限公司 一种白质高信号检测系统及方法
CN115346645A (zh) * 2022-10-18 2022-11-15 四川旅鸽科技有限公司 一种医学图像处理方法、装置、存储介质及设备
CN115601630A (zh) * 2022-12-15 2023-01-13 山东天意装配式建筑装备研究院有限公司（Cn） 用于墙板模具自动清理机的污渍识别方法
CN115601630B (zh) * 2022-12-15 2023-03-28 山东天意装配式建筑装备研究院有限公司 用于墙板模具自动清理机的污渍识别方法
CN115965629A (zh) * 2023-03-17 2023-04-14 杭州堃博生物科技有限公司 消融区域确定方法、装置、设备及非易失性存储介质
CN115965629B (zh) * 2023-03-17 2023-07-25 杭州堃博生物科技有限公司 消融区域确定方法、装置、设备及非易失性存储介质

Also Published As

Publication number Publication date
CN113724243B (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN113724243B (zh) 图像处理方法、装置、电子设备及存储介质
CN110956635B (zh) 一种肺段分割方法、装置、设备及存储介质
CN110232383B (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
CN110211076B (zh) 图像拼接方法、图像拼接设备和可读存储介质
CN109472761B (zh) 一种基于荧光图像的细胞计数方法及系统
CN111524137A (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN109378068B (zh) 一种鼻咽癌疗效的自动评测方法及系统
CN114240978B (zh) 基于自适应形态学的细胞边缘分割方法和装置
WO2022247573A1 (zh) 模型训练方法、图像处理方法、装置、设备及存储介质
CN112634231A (zh) 一种图像分类方法、装置、终端设备和存储介质
CN111027474B (zh) 人脸区域获取方法、装置、终端设备和存储介质
CN113674228B (zh) 颅脑供血区的识别方法、装置、存储介质和电子设备
CN117218416A (zh) 一种基于卷积神经网络的消化道内镜图像识别方法及系统
CN117372439A (zh) 一种基于核磁和ct融合的子宫病变位置识别方法、系统及介质
US20230115927A1 (en) Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection
CN116230203A (zh) 一种基于机器视觉的中医面诊方法、系统、设备及介质
CN111753723B (zh) 一种基于密度校准的指纹识别方法及装置
CN115984179A (zh) 鼻骨骨折的识别方法、装置、终端及存储介质
CN112750124B (zh) 模型生成、图像分割方法、装置、电子设备及存储介质
CN111145230B (zh) 一种图像配准质量检测方法、装置、设备及存储介质
CN110751158B (zh) 一种治疗床显示器中的数字识别方法、装置及存储介质
CN111753722B (zh) 一种基于特征点类型的指纹识别方法及装置
CN113112475A (zh) 一种基于机器学习的中医耳部五脏区域分割方法和装置
CN111815651A (zh) 一种人脸与身体肤色区域的分割方法、系统及设备
CN114494239B (zh) 病灶识别方法、装置、电子设备及计算机存储介质

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