CN113903433B - 一种图像处理方法、装置和电子设备 - Google Patents

一种图像处理方法、装置和电子设备 Download PDF

Info

Publication number
CN113903433B
CN113903433B CN202111197929.4A CN202111197929A CN113903433B CN 113903433 B CN113903433 B CN 113903433B CN 202111197929 A CN202111197929 A CN 202111197929A CN 113903433 B CN113903433 B CN 113903433B
Authority
CN
China
Prior art keywords
image processing
medical image
image
preset
medical
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
CN202111197929.4A
Other languages
English (en)
Other versions
CN113903433A (zh
Inventor
肖月庭
阳光
郑超
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.)
Shukun Beijing Network Technology Co Ltd
Original Assignee
Shukun Beijing Network Technology 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 Shukun Beijing Network Technology Co Ltd filed Critical Shukun Beijing Network Technology Co Ltd
Priority to CN202111197929.4A priority Critical patent/CN113903433B/zh
Publication of CN113903433A publication Critical patent/CN113903433A/zh
Application granted granted Critical
Publication of CN113903433B publication Critical patent/CN113903433B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种图像处理方法、装置、电子设备和存储介质；本申请实施例可以获取待处理的医学图像；根据所述医学图像，确定所述医学图像对应的目标图像处理逻辑，其中，所述目标图像处理逻辑基于目标图像处理对象的操作特征生成；基于所述目标图像处理逻辑，对所述医学图像进行处理，得到处理后医学图像，其中，所述处理的处理过程符合所述操作特征。通过本申请实施例，可以节省对图像处理的时间，从而提高对医学图像进行处理的效率。

Description

一种图像处理方法、装置和电子设备
技术领域
本申请涉及通讯技术领域，具体涉及一种图像处理方法、装置和电子设备。
背景技术
随着人工智能的发展，尤其是人工神经网络的快速发展，从而使得人工智能技术得到了较为广泛的应用。目前，人工智能技术也应用到了医学领域。例如，可以利用基于人工智能技术的诊断模型对医学图像进行识别处理，从而得到处理后医学图像。但是，由于诊断模型识别得到的处理后医学图像往往格式统一，所以图像处理对象仍需要按照自己的个人习惯对处理后医学图像进行调整或者标记，这将降低对医学图像进行处理的效率。
发明内容
本申请实施例提出了一种图像处理方法、装置和电子设备，可以提高对医学图像进行处理的效率。
本申请实施例提供了一种图像处理方法，包括：
获取待处理的医学图像；
根据所述医学图像，确定所述医学图像对应的目标图像处理逻辑，其中，所述目标图像处理逻辑基于目标图像处理对象的操作特征生成；
基于所述目标图像处理逻辑，对所述医学图像进行处理，得到处理后医学图像，其中，所述处理的处理过程符合所述操作特征。
相应的，本申请实施例还提供了一种图像处理装置，包括：
获取单元，用于获取待处理的医学图像；
确定单元，用于根据所述医学图像，确定所述医学图像对应的目标图像处理逻辑，其中，所述目标图像处理逻辑基于目标图像处理对象的操作特征生成；
模拟操作单元，用于基于所述目标图像处理逻辑，对所述医学图像进行处理，得到处理后医学图像，其中，所述处理的处理过程符合所述操作特征。
在一实施例中，所述模拟操作单元，包括：
解析子单元，用于对所述目标图像处理逻辑进行解析，得到针对所述医学图像的目标图像操作子逻辑和/或目标图像排版子逻辑；
操作处理子单元，用于当所述目标图像处理逻辑包括目标图像操作子逻辑和目标图像排版子逻辑时，基于所述目标图像操作子逻辑，对所述医学图像进行操作处理，得到操作后医学图像；
排版处理子单元，用于基于所述目标图像排版子逻辑，对所述医学图像进行排版处理，得到所述处理后医学图像。
在一实施例中，所述操作处理子单元，包括：
提取模块，用于提取与所述医学图像相关联的医学分类信息；
整合模块，用于将所述医学分类信息和所述医学图像进行整合处理，得到所述操作后医学图像。
在一实施例中，所述确定单元，包括：
匹配子单元，用于将所述医学图像和预设图像标识进行匹配；
确定子单元，用于当所述医学图像和所述预设图像标识相匹配时，将所述预设图像标识对应的预设图像处理逻辑确定为所述目标图像处理逻辑。
在一实施例中，所述图像处理装置，还包括：
模型确定单元，用于利用预设图像处理模型根据所述医学图像，确定所述医学图像对应的目标图像处理逻辑；
模型处理单元，用于利用预设图像处理模型基于所述目标图像处理逻辑，对所述医学图像进行处理，得到处理后医学图像。
在一实施例中，所述图像处理装置，还包括：
接收单元，用于接收信息采集指令；
采集单元，用于根据所述信息采集指令，采集图像处理对象针对预设医学图像训练样本的操作信息；
训练单元，用于利用所述操作信息对预设待训练图像处理模型进行训练，得到所述预设图像处理模型。
在一实施例中，所述训练单元，包括：
特征提取子单元，用于利用所述预设待训练图像处理模型对所述操作信息进行特征提取，得到所述图像处理对象的操作特征；
生成子单元，用于利用所述预设待训练图像处理模型基于所述操作特征生成图像处理逻辑；
处理子单元，用于利用所述图像处理逻辑对所述预设医学图像测试样本进行处理，得到处理后医学图像测试样本；
计算子单元，用于计算所述处理后医学图像测试样本和预设医学图像测试样本标签之间的损失信息；
调整子单元，用于利用所述损失信息对所述预设待训练图像处理模型的模型参数进行调整处理，得到所述预设图像处理模型。
在一实施例中，所述采集单元，包括：
检测子单元，用于根据所述信息采集指令，检测所述图像处理对象针对预设医学图像训练样本的操作指令；
识别子单元，用于当检测到所述操作指令时，对所述预设医学图像训练样本进行识别，得到所述预设医学图像训练样本的变化信息；
关联处理子单元，用于将所述操作指令和所述变化信息进行关联处理，得到所述操作信息。
相应的，本申请实施例还提供一种电子设备，所述电子设备包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行本申请实施例任一提供的图像处理方法。
相应的，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例任一提供的图像处理方法。
本申请实施例可以获取待处理的医学图像；根据所述医学图像，确定所述医学图像对应的目标图像处理逻辑，其中，所述目标图像处理逻辑基于目标图像处理对象的操作特征生成；基于所述目标图像处理逻辑，对所述医学图像进行处理，得到处理后医学图像，其中，所述处理的处理过程符合所述操作特征。通过本申请实施例，可以节省对图像处理的时间，从而提高对医学图像进行处理的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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的附图。
图1是本申请实施例提供的图像处理方法的场景示意图；
图2是本申请实施例提供的图像处理方法的流程示意图；
图3是本申请实施例提供的操作处理的场景示意图；
图4是本申请实施例提供的操作处理的又一场景示意图；
图5是本申请实施例提供的操作处理的又一场景示意图；
图6是本申请实施例提供的操作处理的又一场景示意图；
图7是本申请实施例提供的图像处理方法的又一流程示意图；
图8是本申请实施例提供的图像处理装置的结构示意图；
图9是本申请实施例提供的电子设备的结构示意图。
具体实施方式
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，然而，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。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动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。
本申请实施例提出了一种图像处理方法，该图像处理方法可以由图像处理装置执行，该图像处理装置可以集成在电子设备中。其中，该电子设备可以包括终端以及服务器等中的至少一个。即该图像处理方法可以由终端执行，也可以由服务器执行。
其中，该终端可以包括智能电视、智能手机、智能家居、可穿戴电子设备、 VR/AR产品、车载计算机、个人电脑、台式电脑等等。
其中，服务器可以为多个异构系统之间的互通服务器或者产品验证测试系统的后台服务器，还可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、以及大数据和人工智能平台等基础云计算服务的云服务器等等。
在一实施例中，如图1所示，图像处理装置可以集成在终端或服务器等电子设备上，以实施本申请实施例提出的图像处理方法。具体地，电子设备获取待处理的医学图像；根据医学图像，确定医学图像对应的目标图像处理逻辑，其中，目标图像处理逻辑基于目标图像处理对象的操作特征生成；基于目标图像处理逻辑，对所医学图像进行处理，得到处理后医学图像，其中，处理的处理过程符合所述操作特征。
以下分别进行详细说明，需要说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
本申请实施例将从图像处理装置的角度进行描述，该图像处理装置可以集成在电子设备中，该电子设备可以包括终端，还可以包括服务器等等。
如图2所示，提供了一种图像处理方法，具体流程包括：
101、获取待处理的医学图像。
其中，医学图像可以包括具有跟医学相关的信息的图像。例如，该医学图像可以是生理组织图像，等等。例如，医学图像可以包括电子计算机断层扫描(ComputedTomography，CT)图像、磁共振检查(MagneticResonance,MR) 图像和超声波图像，等等。
在一实施例中，有多种方式可以获取得到待处理的医学图像。例如，可以利用扫描设备对人体生理组织结构进行扫描，获得待处理的医学图像。又例如，可以从图像存储库中获取待处理的医学图像，等等。
在一实施例中，本申请实施例对获取到的待处理的医学图像的数量并没有规定。例如，可以只获取到一张待处理的医学图像。又例如，可以获取到多张待处理的医学图像。
102、根据医学图像，确定医学图像对应的目标图像处理逻辑，其中，目标图像处理逻辑基于目标图像处理对象的操作特征生成。
在现有技术中，可以采用诊断模型对医学图像进行识别处理，得到处理后医学图像。但是，现有的诊断模型识别得到的处理后医学图像往往格式统一，所以图像处理对象仍需要按照自己的个人习惯对处理后医学图像进行调整或者标记等等。因此，本申请实施例提出的图像处理方法中，可以基于不同图像处理对象对医学图像进行标记或者调整等等的图像处理习惯，为待处理的医学图像进行处理。具体的，图像处理装置可以根据医学图像，确定医学图像对应的目标图像处理逻辑。
其中，图像处理逻辑包括对医学图像进行处理时应该遵循的逻辑。例如，图像处理逻辑规定了需要对某种类型的医学图像进行放大，则图像处理装置在对医学图像进行处理时，会对该类型的医学图像进行放大。又例如，当有多张待处理的医学图像时，图像处理逻辑规定了类型为A的医学图像排版在类型为 B的医学图像前面，则图像处理装置在对医学图像进行处理时，会将类型为A 的医学图像排版在类型为B医学图像前面，等等。
在一实施例中，由于本申请实施例提出的图像处理方法可以基于不同图像处理对象对医学图像进行标记或者调整等等的图像处理习惯，为待处理的医学图像进行处理。因此，可以一个图像处理对象对应一个图像处理逻辑，也可以习惯相似的多个图像处理对象对应一个图像处理逻辑。
其中，图像处理对象可以包括医生和/或医师等等会对医学图像进行处理的对象。
在一实施例中，目标图像处理逻辑基于目标图像处理对象的操作特征生成。其中，操作特征包括符合目标图像处理对象对医学图像的处理习惯的特征。由于图像处理对象会按照自己的个人习惯对医学图像进行调整或者标记等等。因此，可以对图像处理对象对医学图像的处理流程进行总结和归纳，从而得到目标图像处理对象的操作特征。
在一实施例中，在获取得到医学图像之后，可以根据医学图像确定医学图像对应的目标处理逻辑。其中，有多种方法可以根据医学图像，确定医学图像对应的目标图像处理逻辑。
例如，可以将医学图像和预设逻辑存储空间的图像标识进行匹配，并根据匹配结果确定目标图像处理逻辑。具体的，步骤“根据医学图像，确定医学图像对应的目标图像处理逻辑”，可以包括：
将医学图像和预设图像标识进行匹配；
当医学图像和预设图像标识相匹配时，将预设图像标识对应的预设图像处理逻辑确定为目标图像处理逻辑。
其中，预设图像标识可以包括预先设置好的图像实例。其中，图像实例可以是以往医生手动处理或修改的图文数据。
在一实施例中，该预设图像标识有对应的预设图像处理逻辑。在将医学图像和预设图像标识进行匹配时，若医学图像和预设图像标识相匹配，则可以将预设图像标识对应的预设图像处理逻辑确定为目标图像处理逻辑。
在一实施例中，还可以采用人工智能的方法根据医学图像，确定医学图像对应的目标图像处理逻辑。例如，可以利用预设图像处理模型根据医学图像，确定医学图像对应的目标图像处理逻辑。
其中，预设图像处理模型可以包括预先设置好的可以执行本申请实施例提出的图像处理方法的深度学习模型或机器学习模型。例如，该预设图像处理模型可以是卷积神经网络(ConvolutionalNeuralNetworks,CNN)、反卷积神经网络(De-ConvolutionalNetworks,DN)、深度神经网络 (DeepNeuralNetworks,DNN)、深度卷积逆向图网络 (DeepConvolutionalInverseGraphicsNetworks，DCIGN)、基于区域的卷积网络(Region-basedConvolutionalNetworks，RCNN)、基于区域的快速卷积网络(FasterRegion-basedConvolutionalNetworks，FasterRCNN)和双向编解码 (BidirectionalEncoderRepresentationsfromTransformers，BERT)模型等等中的任意一种。
103、基于目标图像处理逻辑，对医学图像进行处理，得到处理后医学图像，其中，处理的处理过程符合操作特征。
在一实施例中，在确定了目标图像处理逻辑之后，可以对医学图像进行处理，得到处理后医学图像。其中，对医学图像的处理可以包括图像处理装置根据目标图像处理对象的操作特征，对医学图像进行处理的过程。
例如，可以包括按照预先设置好的处理方式对医学图像进行处理，其中，该预先设置好的处理方式可以是基于目标图像处理对象的操作特征生成的。
又例如，可以基于目标图像处理对象的操作特征，对医学图像进行模拟操作处理，得到处理后医学图像。例如，医生A习惯对医学图像进行放大处理，则图像处理装置在处理医生A的医学图像时，会将医学图像进行放大。又例如，医生B习惯对标记出医学图像的中病灶的严重程度，则图像处理装置在处理图像B的医学图像时，会标记出医学图像中病灶的严重程度。
又例如，对医学图像进行处理还可以包括修正的方式。例如，利用修订后图像处理逻辑替换已有的目标图像处理逻辑中的一个或多个步骤，并基于替换后图像处理逻辑对医学图像进行处理。例如，已有的目标图像处理逻辑包括步骤A、步骤B和步骤C，而替换后图像处理逻辑可以包括步骤A、步骤D和步骤C1。
在一实施例中，在基于目标图像处理逻辑对医学图像进行处理时，可以对目标图像处理逻辑进行解析，得到目标图像处理子逻辑。例如，可以对目标图像处理逻辑进行解析，得到目标图像操作子逻辑。又例如，可以对目标图像处理逻辑进行解析，得到目标图像排版子逻辑。又例如，可以对目标图像处理逻辑进行解析，得到目标图像排版子逻辑和目标图像操作子逻辑。
其中，图像操作子逻辑可以包括说明针对不同类型的医学图像如何进行操作处理的流程。其中，操作处理可以包括会改变或修改医学图像形态的操作。例如，操作处理可以包括对医学图像进行放大、增强对比度、标识等等的操作。
其中，图像排版子逻辑可以包括针对不同类型的医学图像如何进行排版处理的流程。其中，排版处理可以包括会改变医学图像位置的操作。例如，排版处理可以包括将医学图像排版到左上角的操作。又例如，排版处理可以包括将医学图像排版到正中间的操作。又例如，当由多张医学图像时，排版处理可以包括将医学图像的顺序进行编排的操作。
在一实施例中，当只解析得到目标图像操作子逻辑时，可以基于目标图像操作子逻辑对医学图像进行操作处理，得到处理后医学图像。
例如，目标图像操作子逻辑规定对医学图像进行放大处理后，对医学图像进行标识，则图像处理装置会对医学图像进行放大，然后对医学图像进行标识，从而得到处理后医学图像。
在一实施例中，当只解析得到目标图像排版子逻辑时，可以基于目标图像排版子逻辑对医学图像进行排版处理，得到处理后医学图像。
例如，目标图像排版子逻辑规定对将医学图像排版到左上角，则图像处理装置会将医学图像排版到左上角，从而得到处理后医学图像。
又例如，目标图像排版子逻辑规定医学图像1排在医学图像2的后面，则图像处理装置会将医学图像1排在医学图像2的后面，从而得到处理后医学图像。
在一实施例中，当解析得到目标图像操作子逻辑和目标图像排版子逻辑时，可以基于目标图像操作子逻辑，对医学图像进行操作处理，得到操作后医学图像。以及基于目标图像排版子逻辑，对医学图像进行排版处理，得到处理后医学图像。
例如有4张待处理的医学图像，分别是医学图像A、医学图像B、医学图像 C和医学图像D。
其中，目标图像操作子逻辑规定了对医学图像A进行放大处理，对医学图像B进行图像增强处理，对医学图像C添加上对应的诊断信息，以及对医学图像D添加标识。则，图像处理装置会基于目标图像操作子逻辑，首先对医学图像A进行放大处理，然后对医学图像B进行图像增强处理，接下来对医学图像C 添加上对应的诊断信息，最后对医学图像D添加标识。通过上述操作，可以得到操作后医学图像A、操作后医学图像B、操作后医学图像C和操作后医学图像 D。
其中，目标图像排版子逻辑规定按照图像的类型对操作后医学图像进行排序。则图像处理装置会获取每张操作后医学图像的类型，并根据图像的类型对操作后医学图像进行排序。
在一实施例中，在基于目标图像操作子逻辑，对医学图像进行操作处理时，可以提取于医学图像相关联的医学分类信息。并将该医学分类信息和医学图像进行整合处理，得到操作后医学图像。具体的，步骤“基于目标图像操作子逻辑，对医学图像进行操作处理，得到操作后医学图像”，可以包括：
提取与医学图像相关联的医学分类信息；
将医学分类信息和医学图像进行整合处理，得到操作后医学图像。
其中，医学分类信息可以包括基于医学图像的内容对医学图像进行分类的信息。例如，医学分类信息可以是医学图像对应的诊断信息。又例如，医学分类信息可以包括说明医学图像的内容的信息。例如，医学分类信息可以说明医学图像是腹部B超图，还是心脏B超图，等等。
在一实施例中，当医学分类信息是诊断信息时，由于诊断模型对医学图像进行处理时会生成诊断信息，所以可以通过诊断模型提取得到医学图像的医学分类信息。然后，将医学分类信息和医学图像进行整合处理，得到操作后医学图像。例如，可以将诊断信息标注在医学图像上，从而得到操作后医学图像。
在一实施例中，还可以利用人工智能技术对医学图像进行处理，得到处理后医学图像。具体的，步骤“基于目标图像处理逻辑，对医学图像进行处理，得到处理后医学图像”，可以包括：
利用预设图像处理模型基于目标图像处理逻辑，对医学图像进行处理，得到处理后医学图像。
在一实施例中，在利用预设图像处理模型对医学图像进行处理之前，可以对预设待训练图像处理模型进行训练，得到处理后医学图像。具体的，步骤“利用预设图像处理模型根据医学图像，确定医学图像对应的目标图像处理逻辑”之前，可以包括：
接收信息采集指令；
根据信息采集指令，采集图像处理对象针对预设医学图像训练样本的操作信息；
利用操作信息对预设待训练图像处理模型进行训练，得到预设图像处理模型。
其中，预设医学图像训练样本可以包括对预设待训练图像处理模型进行训练时所用到的医学图像。
其中，预设待训练图像处理模型可以包括性能仍未达到要求的模型。
其中，信息采集指令包括会触发图像处理装置进行信息采集的指令。
在一实施例中，为了令预设图像处理模型可以根据医学图像，确定医学图像对应的目标图像处理逻辑以及基于目标图像处理逻辑，对医学图像进行处理，得到处理后医学图像，可以采集图像处理对象对预设医学图像训练样本的操作信息。然后，可以利用操作信息对预设待训练图像处理模型进行训练，从而使得预设待训练图像处理模型从图像处理对象的操作信息中总结出图像处理逻辑。
因此，当接收到信息采集指令之后，图像处理装置可以根据信息采集指令，采集图像处理对象针对预设医学图像训练样本的操作信息。
在一实施例中，步骤“根据信息采集指令，采集图像处理对象针对预设医学图像训练样本的操作信息”，可以包括：
根据信息采集指令，检测图像处理对象针对预设医学图像训练样本的操作指令；
当检测到操作指令时，对预设医学图像训练样本进行识别，得到预设医学图像训练样本的变化信息；
将操作指令和变化信息进行关联处理，得到操作信息。
其中，操作指令可以包括图像处理对象对预设医学图像训练样本进行处理时所触发的指令。例如，当图像处理对象对预设医学图像训练样本进行放大时，图像处理装置可以接收到图像放大指令。又例如，当图像处理对象对预设医学图像训练样本进行排序时，图像处理装置可以接收到图像排序指令。
其中，变化信息可以包括对图像处理对象针对预设医学图像训练样本进行调整时，预设医学图像训练样本产生变化的信息。
例如，如图3所示，图中的001和002分别是医师标注出的待观察内容，则变化信息可以是医生标注的区域。又例如，如图4所示，当图像处理对象将预设医学图像训练样本从003放大为004时，变化信息可以为预设医学图像训练样本从003变成为004对应的信息。又例如，如图5所示，当图像处理对象从预设医学图像训练样本的多个序列005中选择出若干个序列006时，变化信息可以是选择出的若干个序列。又例如，如图6所示，当图像处理对象从预设医学图像训练样本的多个序列007中选择出若干个序列008或009，并对该若干个系列进行排序时，变化信息可以为选择出的若干个序列以及排序信息。
在一实施例中，当图像处理对象对预设医学图像训练样本进行操作时，便会产生一条操作指令。然后，当图像处理装置检测到操作指令时，可以对预设医学图像训练样本进行识别，得到预设医学图像训练样本的变化信息。
其中，有多种方式可以对预设医学图像训练样本进行识别，得到预设医学图像训练样本的变化信息。例如，可以利用光学字符识别 (OpticalCharacterRecognition，OCR)对预设医学图像训练样本进行识别，得到预设医学图像训练样本的变化信息，等等。
在一实施例中，在得到操作信息之后，可以利用操作信息对预设待训练图像处理模型进行训练，得到所述预设图像处理模型。具体的，步骤“利用操作信息对预设待训练图像处理模型进行训练，得到预设图像处理模型”，可以包括：
利用预设待训练图像处理模型对操作信息进行特征提取，得到图像处理对象的操作特征；
利用预设待训练图像处理模型基于操作特征生成图像处理逻辑；
利用图像处理逻辑对预设医学图像测试样本进行处理，得到处理后医学图像测试样本；
计算处理后医学图像测试样本和预设医学图像测试样本标签之间的损失信息；
利用损失信息对预设待训练图像处理模型的模型参数进行调整处理，得到预设图像处理模型。
其中，预设医学图像测试样本标签可以包括医师对医学图像进行操作之后的样本。该预设医学图像测试样本标签可以是具有医师操作痕迹的医学图像。
在一实施例中，有多种方式对操作信息进行特征提取，得到操作特征。例如，可以对操作信息进行卷积操作，从而得到操作特征。又例如，可以对注意力机制对操作信息进行特征提取，得到操作特征，等等。
在一实施例中，在得到操作特征之后，可以利用预设待训练图像处理模型基于操作特征生成图像处理逻辑。
例如，预设待训练图像处理模型可以从操作特征中总结出目标处理对象对医学图像操作的规律，并将这些规律总结生成图像处理逻辑。
在一实施例中，在生成图像处理逻辑之后，可以利用图像处理逻辑对预设医学图像测试样本进行处理，得到处理后医学图像测试样本。然后，可以计算处理后医学图像测试样本和预设医学图像测试样本标签之间的损失信息。其中，可以有多种方式计算处理后医学图像测试样本和预设医学图像测试样本标签之间的损失信息。例如，可以利用L1损失函数计算处理后医学图像测试样本和预设医学图像测试样本标签之间的损失信息。又例如，可以利用L2损失函数计算处理后医学图像测试样本和预设医学图像测试样本标签之间的损失信息，等等。
在一实施例中，在得到损失信息之后，可以利用损失信息对预设待训练图像处理模型的模型参数进行调整处理，得到预设图像处理模型。例如，可以对预设待训练图像处理模型中节点的参数进行调整，从而得到可以生成符合图像操作对象习惯的图像处理逻辑。
在一实施例中，为了提高得到处理后医学图像的准确率，可以将处理后医学图像和预设准确度匹配条件进行匹配，得到匹配结果；当匹配结果为处理后医学图像符合预设准确度匹配条件时，将处理后医学图像发送给目标图像处理对象。例如，可以将处理后医学图像和目标图像操作对象手动操作过的图像进行匹配。若误差率大于预设值，则继续对处理后医学图像进行处理，从而得到符合要求的处理后医学图像。若误差率小于或等于预设值，则将处理后医学图像发送给目标图像处理对象。
其中，该预设值可以为任意的值。例如，该预设值可以为0.05，等等。
本申请实施例提出的图像处理方法可以获取待处理的医学图像；根据医学图像，确定医学图像对应的目标图像处理逻辑，其中，目标图像处理逻辑基于目标图像处理对象的操作特征生成；基于目标图像处理逻辑，对医学图像进行处理，得到处理后医学图像，其中，处理的处理过程符合所述操作特征。通过本申请实施例提出的图像处理方法，可以自动地生成符合目标图像处理对象习惯的处理后医学图像，从而使得目标图像处理对象在接收到处理后医学图像之后，不需要对处理后医学图像进行二次处理，节省了对医学图像进行处理的时间，提高了对医学图像进行处理的效率，从而提高了医师对医学图像进行诊断的效率。
此外，本申请实施例可以将处理后医学图像和预设准确度匹配条件进行匹配，得到匹配结果；当匹配结果为处理后医学图像符合预设准确度匹配条件时，将处理后医学图像发送给目标图像处理对象。通过将处理后医学图像和预设准确度匹配条件进行匹配，可以判断处理后医学图像是否符合要求。当处理后医学图像不符合要求时，可以对处理后医学图像进行再次处理，从而提高了处理后医学图像的准确率。
根据上面实施例所描述的方法，以下将举例作进一步详细说明。
本申请实施例将以图像处理方法集成在电子设备上为例来介绍本申请实施例方法。例如，如图7所示，本申请实施例提出的图像处理方法可以包括：
201、电子设备获取待处理的医学图像。
例如，电子设备获取CT图像、MR图像或者超声波图像，等等。
202、电子设备根据医学图像，确定医学图像对应的目标图像处理逻辑，其中，目标图像处理逻辑基于目标图像处理对象的操作特征生成。
例如，电子设备将医学图像(单个图像或图像组)与数据库中预先存储的图像实例进行匹配。匹配到对应图像实例后，调取与该图像实例对应的目标图像处理逻辑。
203、电子设备基于目标图像处理逻辑，对医学图像进行处理，得到处理后医学图像，其中，处理的处理过程符合操作特征。
在电子设备调取到目标图像处理逻辑之后，可以对该医学图像按照目标图像处理逻辑进行图像处理，得到医师需要的个性化诊断图像。
其中，目标图像处理逻辑的构建可以通过自定义的方式设定。
例如，医师手动对某个图像实例(或图像组实例)中，病灶区域中的征象信息进行标记；对征象信息进行放大、增强对比度等等操作，使得征象信息更加清晰完整；然后，提取与该征象信息相关联的图像(例如医学影像的后处理图像)或相应的文字描述信息(可以从图像中提取，也可以从扫描过程中生成的文字报告中提取)，形成图文信息；最后，对图文信息进行排版，形成符合医师个性化需要的辅助图文信息。通过电子设备记录上述诊断流程，形成于该图像实例相对应的图像处理逻辑，存入数据库。
例如，医师从诊断信息中，提取病灶区域图像；对病灶区域图像进行效果增强处理后，调取病情的描述信息和患者信息；然后，对图文信息进行排版，形成符合医师个性化需要的辅助图文信息。通过电子设备记录上述诊断流程，形成于该图像实例相对应的图像处理流程，存入数据库。
另外，对于病灶区域中征象信息的识别，电子设备可以利用准确的征象信息(或征象图像)作为输入，利用深度学习神经网络进行多次训练，获得图像处理模型，在执行诊断流程时，利用图像处理模型对病灶区域的征象信息进行识别即可。
204、电子设备将处理后医学图像和预设准确度匹配条件进行匹配，得到匹配结果。
执行每个图像处理逻辑对应的步骤时，电子设备可以将处理后医学图像与医师之前手动操作(标记、放大、排版位置等等操作)的结果进行比较。若误差率小于5％，则继续执行下一步流程。若大于5％，则重新在数据库中匹配相同或相似图像实例，继续执行对应的图像处理流程。
优选地，比较的内容还可以包括：图像的对比度、图像范围、纹理特征、病灶位置等等。
205、当匹配结果为处理后医学图像符合预设准确度匹配条件时，电子设备将处理后医学图像发送给目标图像处理对象。
本申请实施例提出的图像处理方法，电子设备可以获取待处理的医学图像；根据医学图像，电子设备确定医学图像对应的目标图像处理逻辑，其中，目标图像处理逻辑基于目标图像处理对象的操作特征生成；基于目标图像处理逻辑，电子设备对医学图像进行处理，得到处理后医学图像，其中，处理的处理过程符合所述操作特征；电子设备将处理后医学图像和预设准确度匹配条件进行匹配，得到匹配结果；当匹配结果为处理后医学图像符合预设准确度匹配条件时，电子设备将处理后医学图像发送给目标图像处理对象。通过本申请实施例提出的方法可以提高对医学图像进行处理的效率。
为了更好地实施本申请实施例提供的图像处理方法，在一实施例中还提供了一种图像处理装置，该图像处理装置可以集成于电子设备中。其中名词的含义与上述图像处理方法中相同，具体实现细节可以参考方法实施例中的说明。
在一实施例中，提供了一种图像处理装置，该图像处理装置具体可以集成在电子设备，例如智能家居等等中，如图8所示，该图像处理装置包括：获取单元301、确定单元302、模拟操作单元303，具体如下：
获取单元301，用于获取待处理的医学图像；
确定单元302，用于根据所述医学图像，确定所述医学图像对应的目标图像处理逻辑，其中，所述目标图像处理逻辑基于目标图像处理对象的操作特征生成；
模拟操作单元303，用于基于所述目标图像处理逻辑，对所述医学图像进行处理，得到处理后医学图像，其中，所述处理的处理过程符合所述操作特征。
在一实施例中，所述模拟操作单元303，包括：
解析子单元，用于对所述目标图像处理逻辑进行解析，得到针对所述医学图像的目标图像操作子逻辑和/或目标图像排版子逻辑；
操作处理子单元，用于当所述目标图像处理逻辑包括目标图像操作子逻辑和目标图像排版子逻辑时，基于所述目标图像操作子逻辑，对所述医学图像进行操作处理，得到操作后医学图像；
排版处理子单元，用于基于所述目标图像排版子逻辑，对所述医学图像进行排版处理，得到所述处理后医学图像。
在一实施例中，所述操作处理子单元，包括：
提取模块，用于提取与所述医学图像相关联的医学分类信息；
整合模块，用于将所述医学分类信息和所述医学图像进行整合处理，得到所述操作后医学图像。
在一实施例中，所述确定单元302，包括：
匹配子单元，用于将所述医学图像和预设图像标识进行匹配；
确定子单元，用于当所述医学图像和所述预设图像标识相匹配时，将所述预设图像标识对应的预设图像处理逻辑确定为所述目标图像处理逻辑。
在一实施例中，所述图像处理装置，还包括：
模型确定单元，用于利用预设图像处理模型根据所述医学图像，确定所述医学图像对应的目标图像处理逻辑；
模型处理单元，用于利用预设图像处理模型基于所述目标图像处理逻辑，对所述医学图像进行处理，得到处理后医学图像。
在一实施例中，所述图像处理装置，还包括：
接收单元，用于接收信息采集指令；
采集单元，用于根据所述信息采集指令，采集图像处理对象针对预设医学图像训练样本的操作信息；
训练单元，用于利用所述操作信息对预设待训练图像处理模型进行训练，得到所述预设图像处理模型。
在一实施例中，所述训练单元，包括：
特征提取子单元，用于利用所述预设待训练图像处理模型对所述操作信息进行特征提取，得到所述图像处理对象的操作特征；
生成子单元，用于利用所述预设待训练图像处理模型基于所述操作特征生成图像处理逻辑；
处理子单元，用于利用所述图像处理逻辑对所述预设医学图像测试样本进行处理，得到处理后医学图像测试样本；
计算子单元，用于计算所述处理后医学图像测试样本和预设医学图像测试样本标签之间的损失信息；
调整子单元，用于利用所述损失信息对所述预设待训练图像处理模型的模型参数进行调整处理，得到所述预设图像处理模型。
在一实施例中，所述采集单元，包括：
检测子单元，用于根据所述信息采集指令，检测所述图像处理对象针对预设医学图像训练样本的操作指令；
识别子单元，用于当检测到所述操作指令时，对所述预设医学图像训练样本进行识别，得到所述预设医学图像训练样本的变化信息；
关联处理子单元，用于将所述操作指令和所述变化信息进行关联处理，得到所述操作信息。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
通过上述的图像处理装置可以实现可以提高处理后医学图像的准确率。
本申请实施例还提供一种电子设备，该电子设备可以包括终端或服务器，比如，电子设备可以作为图像处理终端，该图像处理终端可以为智能电视等等；又比如计算机产品可以为服务器，如图像处理服务器等。如图9所示，其示出了本申请实施例所涉及的终端的结构示意图，具体来讲：
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图9中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户页面和应用程序等，调制解调处理器主要处理无线通讯。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402 可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机产品的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，电子设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
获取待处理的医学图像；
根据所述医学图像，确定所述医学图像对应的目标图像处理逻辑，其中，所述目标图像处理逻辑基于目标图像处理对象的操作特征生成；
基于所述目标图像处理逻辑，对所述医学图像进行处理，得到处理后医学图像，其中，所述处理的处理过程符合所述操作特征。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机产品的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机产品执行上述实施例中各种可选实现方式中提供的方法。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过计算机程序来完成，或通过计算机程序控制相关的硬件来完成，该计算机程序可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例还提供一种存储介质，其中存储有计算机程序，该计算机程序能够被处理器进行加载，以执行本申请实施例所提供的任一种图像处理方法中的步骤。例如，该计算机程序可以执行如下步骤：
获取待处理的医学图像；
根据所述医学图像，确定所述医学图像对应的目标图像处理逻辑，其中，所述目标图像处理逻辑基于目标图像处理对象的操作特征生成；
基于所述目标图像处理逻辑，对所述医学图像进行处理，得到处理后医学图像，其中，所述处理的处理过程符合所述操作特征。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
由于该存储介质中所存储的计算机程序，可以执行本申请实施例所提供的任一种图像处理方法中的步骤，因此，可以实现本申请实施例所提供的任一种图像处理方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种图像处理方法、装置、电子设备和存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书图像不应理解为对本申请的限制。

Claims (12)

1.一种图像处理方法，其特征在于，包括：
获取待处理的医学图像；
根据所述医学图像，确定所述医学图像对应的目标图像处理逻辑，其中，所述目标图像处理逻辑基于目标图像处理对象的操作特征生成；
基于所述目标图像处理逻辑，对所述医学图像进行处理，得到处理后医学图像，其中，所述处理的处理过程符合所述操作特征，通过修订后图像处理逻辑替换已有的目标图像处理逻辑中的一个或多个步骤，并基于替换后目标图像处理逻辑对所述待处理的医学图像进行处理，若执行每个目标图像处理逻辑中对应的步骤时，处理后医学图像与图像处理对象操作的结果满足预设准确度匹配条件，则继续执行所述目标图像处理逻辑中对应的下一步骤。
2.如权利要求1所述的方法，其特征在于，基于所述目标图像处理逻辑，对所述医学图像进行处理，得到处理后医学图像，包括：
对所述目标图像处理逻辑进行解析，得到针对所述医学图像的目标图像操作子逻辑和/或目标图像排版子逻辑；
当所述目标图像处理逻辑包括目标图像操作子逻辑和目标图像排版子逻辑时，基于所述目标图像操作子逻辑，对所述医学图像进行操作处理，得到操作后医学图像；
基于所述目标图像排版子逻辑，对所述医学图像进行排版处理，得到所述处理后医学图像。
3.如权利要求2所述的方法，其特征在于，所述基于所述目标图像操作子逻辑，对所述医学图像进行操作处理，得到操作后医学图像，包括：
提取与所述医学图像相关联的医学分类信息；
将所述医学分类信息和所述医学图像进行整合处理，得到所述操作后医学图像。
4.如权利要求1所述的方法，其特征在于，所述根据所述医学图像，确定所述医学图像对应的目标图像处理逻辑，包括：
将所述医学图像和预设图像标识进行匹配；
当所述医学图像和所述预设图像标识相匹配时，将所述预设图像标识对应的预设图像处理逻辑确定为所述目标图像处理逻辑。
5.如权利要求1所述的方法，其特征在于，所述根据所述医学图像，确定所述医学图像对应的目标图像处理逻辑，包括：
利用预设图像处理模型根据所述医学图像，确定所述医学图像对应的目标图像处理逻辑；
所述基于所述目标图像处理逻辑，对所述医学图像进行处理，得到处理后医学图像，包括：
利用预设图像处理模型基于所述目标图像处理逻辑，对所述医学图像进行处理，得到处理后医学图像。
6.如权利要求5所述的方法，其特征在于，所述利用预设图像处理模型根据所述医学图像，确定所述医学图像对应的目标图像处理逻辑之前，包括：
接收信息采集指令；
根据所述信息采集指令，采集图像处理对象针对预设医学图像训练样本的操作信息；
利用所述操作信息对预设待训练图像处理模型进行训练，得到所述预设图像处理模型。
7.如权利要求6所述的方法，其特征在于，所述利用所述操作信息对预设待训练图像处理模型进行训练，得到所述预设图像处理模型，包括：
利用所述预设待训练图像处理模型对所述操作信息进行特征提取，得到所述图像处理对象的操作特征；
利用所述预设待训练图像处理模型基于所述操作特征生成图像处理逻辑；
利用所述图像处理逻辑对所述预设医学图像测试样本进行处理，得到处理后医学图像测试样本；
计算所述处理后医学图像测试样本和预设医学图像测试样本标签之间的损失信息；
利用所述损失信息对所述预设待训练图像处理模型的模型参数进行调整处理，得到所述预设图像处理模型。
8.如权利要求6所述的方法，其特征在于，所述根据所述信息采集指令，采集图像处理对象针对预设医学图像训练样本的操作信息，包括：
根据所述信息采集指令，检测所述图像处理对象针对预设医学图像训练样本的操作指令；
当检测到所述操作指令时，对所述预设医学图像训练样本进行识别，得到所述预设医学图像训练样本的变化信息；
将所述操作指令和所述变化信息进行关联处理，得到所述操作信息。
9.如权利要求1所述的方法，其特征在于，所述方法还包括：
将所述处理后医学图像和预设准确度匹配条件进行匹配，得到匹配结果；
当所述匹配结果为所述处理后医学图像符合所述预设准确度匹配条件时，将所述处理后医学图像发送给所述目标图像处理对象。
10.一种图像处理装置，其特征在于，包括：
获取单元，用于获取待处理的医学图像；
确定单元，用于根据所述医学图像，确定所述医学图像对应的目标图像处理逻辑，其中，所述目标图像处理逻辑基于目标图像处理对象的操作特征生成；
模拟操作单元，用于基于所述目标图像处理逻辑，对所述医学图像进行处理，得到处理后医学图像，其中，所述处理的处理过程符合所述操作特征，通过修订后图像处理逻辑替换已有的目标图像处理逻辑中的一个或多个步骤，并基于替换后目标图像处理逻辑对所述待处理的医学图像进行处理，若执行每个目标图像处理逻辑中对应的步骤时，处理后医学图像与图像处理对象操作的结果满足预设准确度匹配条件，则继续执行所述目标图像处理逻辑中对应的下一步骤。
11.一种电子设备，其特征在于，包括存储器和处理器；所述存储器存储有计算机程序，
所述处理器用于运行所述存储器内的计算机程序，以执行权利要求1至9任一项所述的图像处理方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条计算机程序，所述计算机程序适于处理器进行加载，以执行权利要求1至9任一项所述的图像处理方法。
CN202111197929.4A 2021-10-14 2021-10-14 一种图像处理方法、装置和电子设备 Active CN113903433B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111197929.4A CN113903433B (zh) 2021-10-14 2021-10-14 一种图像处理方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111197929.4A CN113903433B (zh) 2021-10-14 2021-10-14 一种图像处理方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN113903433A CN113903433A (zh) 2022-01-07
CN113903433B true CN113903433B (zh) 2022-11-15

Family

ID=79192045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111197929.4A Active CN113903433B (zh) 2021-10-14 2021-10-14 一种图像处理方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN113903433B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187805B (zh) * 2022-02-22 2023-05-05 数坤(北京)网络科技股份有限公司 一种征象识别方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109461495A (zh) * 2018-11-01 2019-03-12 腾讯科技（深圳）有限公司 一种医学图像的识别方法、模型训练的方法及服务器
CN110110745A (zh) * 2019-03-29 2019-08-09 上海海事大学 基于生成对抗网络的半监督x光图像自动标注
CN111260797A (zh) * 2020-01-10 2020-06-09 西南交通大学 一种受电弓图像的三维模板自动匹配方法
CN112926677A (zh) * 2021-03-24 2021-06-08 中国医学科学院医学信息研究所 医学图像数据的信息标注方法、装置及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005185560A (ja) * 2003-12-25 2005-07-14 Konica Minolta Medical & Graphic Inc 医用画像処理装置及び医用画像処理システム
US20150235073A1 (en) * 2014-01-28 2015-08-20 The Trustees Of The Stevens Institute Of Technology Flexible part-based representation for real-world face recognition apparatus and methods
CN106570515A (zh) * 2016-05-26 2017-04-19 北京羽医甘蓝信息技术有限公司 处理医学图像的方法和系统
US10366490B2 (en) * 2017-03-27 2019-07-30 Siemens Healthcare Gmbh Highly integrated annotation and segmentation system for medical imaging
US11664114B2 (en) * 2017-05-25 2023-05-30 Enlitic, Inc. Medical scan assisted review system
CA3041140C (en) * 2018-04-26 2021-12-14 NeuralSeg Ltd. Systems and methods for segmenting an image
CN111091539B (zh) * 2019-12-09 2024-03-26 上海联影智能医疗科技有限公司 网络模型训练、医学图像处理方法、装置、介质及设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109461495A (zh) * 2018-11-01 2019-03-12 腾讯科技（深圳）有限公司 一种医学图像的识别方法、模型训练的方法及服务器
CN110110745A (zh) * 2019-03-29 2019-08-09 上海海事大学 基于生成对抗网络的半监督x光图像自动标注
CN111260797A (zh) * 2020-01-10 2020-06-09 西南交通大学 一种受电弓图像的三维模板自动匹配方法
CN112926677A (zh) * 2021-03-24 2021-06-08 中国医学科学院医学信息研究所 医学图像数据的信息标注方法、装置及系统

Also Published As

Publication number Publication date
CN113903433A (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
Faghani et al. Mitigating bias in radiology machine learning: 3. Performance metrics
EP3545470A1 (en) Method for training neuron network and active learning system
CN109074869B (zh) 医疗诊断支持装置、信息处理方法以及医疗诊断支持系统
JP2012118583A (ja) レポート作成支援装置及びその作成支援方法、並びにプログラム
RU2513905C2 (ru) Классификация изображения на основе сегментации изображения
CN111192660B (zh) 一种影像报告分析方法、设备及计算机存储介质
WO2021151302A1 (zh) 基于机器学习的药品质控分析方法、装置、设备及介质
JP5094775B2 (ja) 症例画像検索装置、方法およびプログラム
CN114334169B (zh) 医疗对象的类别决策方法、装置、电子设备及存储介质
CN112530550A (zh) 影像报告生成方法、装置、计算机设备和存储介质
CN113658175A (zh) 一种征象数据的确定方法及装置
CN113903433B (zh) 一种图像处理方法、装置和电子设备
CN113469981A (zh) 图像处理方法、装置及存储介质
CN110491519B (zh) 一种医学数据的检验方法
CN115410717A (zh) 模型训练方法、数据检索方法、影像数据检索方法和装置
CN111341408A (zh) 影像报告模板的生成方法、计算机设备和存储介质
US20070129970A1 (en) Method and apparatus for location and presentation of information in an electronic patient record that is relevant to a user, in particular to a physician for supporting a decision
CN113901764A (zh) 一种内容排版方法、装置、电子设备和存储介质
CN114187281A (zh) 一种图像处理方法、装置、电子设备和存储介质
JP2023020145A (ja) 解析装置、解析方法及びプログラム
US8631025B2 (en) Filter by example
CN115187805B (zh) 一种征象识别方法、装置、电子设备和存储介质
CN114463323B (zh) 一种病灶区域识别方法、装置、电子设备和存储介质
CN110114832A (zh) 用于优化对先前研究的使用的设备、系统和方法
CN114549482A (zh) 一种图像关联方法、装置、电子设备和存储介质

Legal Events

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