CN114219813A - 一种影像处理方法、智能终端及存储介质 - Google Patents
一种影像处理方法、智能终端及存储介质 Download PDFInfo
- Publication number
- CN114219813A CN114219813A CN202111547532.3A CN202111547532A CN114219813A CN 114219813 A CN114219813 A CN 114219813A CN 202111547532 A CN202111547532 A CN 202111547532A CN 114219813 A CN114219813 A CN 114219813A
- Authority
- CN
- China
- Prior art keywords
- image
- segmented
- adjustment value
- target
- original image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 38
- 230000011218 segmentation Effects 0.000 claims description 39
- 238000003709 image segmentation Methods 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 11
- 210000004556 brain Anatomy 0.000 description 21
- 238000012549 training Methods 0.000 description 19
- 210000004204 blood vessel Anatomy 0.000 description 15
- 238000000034 method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 210000000988 bone and bone Anatomy 0.000 description 9
- 230000000302 ischemic effect Effects 0.000 description 8
- 230000002490 cerebral effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 201000006474 Brain Ischemia Diseases 0.000 description 2
- 206010008120 Cerebral ischaemia Diseases 0.000 description 2
- 206010008118 cerebral infarction Diseases 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013135 deep learning 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
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000002604 ultrasonography Methods 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
-
- 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
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- High Energy & Nuclear Physics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Optics & Photonics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Psychiatry (AREA)
- Pulmonology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种影像处理方法、智能终端及存储介质，包括：获取原始影像和所述原始影像对应的若干目标区域；根据所述若干目标区域对所述原始影像进行分割，得到所述原始影像对应的若干分割影像；获取各个分割影像对应的影像信息，根据所述影像信息对所述各个分割影像的显示参数进行调整。本发明根据若干目标区域将原始影像分割成若干分割影像，并根据影像信息分别对若干分割影像的显示参数进行调整，能够对医学影像中的不同生理结构的显示参数同时进行调整，用户在查看医学影像时无需反复调整影像的显示参数，操作简单，便于用户查看。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及的是一种影像处理方法、智能终端及存储介质。
背景技术
医学影像是临床上诊断疾病最常用的方法，现有的医学影像通常包含多种生理结构的影像信息，不同生理结构的影像信息在医学影像中的显示参数会有所不同。当用户在同一张影像中同时观察多种生理结构时，需要不断调整医学影像的显示参数，以使得需要观察的多种生理结构更加清晰，这种往复调整影像显示参数的方式不但操作繁琐，而且不便用户查看。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种影像处理方法、智能终端及存储介质，旨在解决现有医学影像的显示参数调整方法操作繁琐，不便用户查看的问题。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供一种影像处理方法，其中，所述方法包括：
获取原始影像和所述原始影像对应的若干目标区域；
根据所述若干目标区域对所述原始影像进行分割，得到所述原始影像对应的若干分割影像；
获取各个分割影像对应的影像信息，根据所述影像信息对所述各个分割影像的显示参数进行调整。
所述的影像处理方法，其中，所述根据所述若干目标区域对所述原始影像进行分割，得到所述原始影像对应的若干分割影像的步骤包括：
根据所述若干目标区域，确定所述原始影像对应的若干分割区域；
根据所述若干分割区域对所述原始影像进行分割，得到所述原始影像对应的若干分割影像。
所述的影像处理方法，其中，所述根据所述若干目标区域，确定所述原始影像对应的若干分割区域的步骤包括：
将所述若干目标区域，确定为所述原始影像对应的若干分割区域；或
获取所述若干目标区域对应的若干关联区域，将所述若干关联区域确定为所述原始影像对应的若干分割区域。
所述的影像处理方法，其中，所述根据所述若干分割区域对所述原始影像进行分割，得到所述原始影像对应的若干分割影像的步骤包括：
获取所述若干分割区域各自对应的影像分割模型；
将所述原始影像分别输入所述若干分割区域各自对应的影像分割模型，通过所述影像分割模型输出所述原始影像对应的若干分割影像。
所述的影像处理方法，其中，所述显示参数包括对比度、窗宽窗位值以及亮度值中的一种或多种。
所述的影像处理方法，其中，所述根据所述影像信息对所述各个分割影像的显示参数进行调整的步骤包括：
根据所述影像信息以及预先构建的影像信息与参数调整值的对应关系，确定所述各个分割影像对应的参数调整值；
根据所述参数调整值，对所述各个分割影像的显示参数进行调整。
所述的影像处理方法，其中，所述参数调整值包括多个，所述根据所述参数调整值，对所述各个分割影像的显示参数进行调整的步骤包括：
将所述参数调整值输入预先训练的所述各个分割影像对应的筛选模型中，通过所述筛选模型输出所述各个分割影像对应的第一目标调整值；
根据所述第一目标调整值，对所述各个分割影像的显示参数进行调整。
所述的影像处理方法，其中，所述参数调整值包括多个，所述根据所述参数调整值，对所述各个分割影像的显示参数进行调整的步骤包括：
获取预先构建的人眼响应曲线；
根据所述参数调整值和所述人眼响应曲线，确定所述各个分割影像对应的第二目标调整值；
根据所述第二目标调整值，对所述各个分割影像的显示参数进行调整。
所述的影像处理方法，其中，所述参数调整值包括多个，所述根据所述参数调整值，对所述各个分割影像的显示参数进行调整的步骤包括：
获取预先构建的映射关系表；其中，所述映射关系表中存储有各个分割影像的参数调整值对应的清晰度；
根据所述参数调整值和所述映射关系表，确定所述各个分割影像对应的第三目标调整值；
根据所述第三目标调整值，对所述各个分割影像的显示参数进行调整。
所述的影像处理方法，其中，所述根据所述影像信息对所述各个分割影像的显示参数进行调整的步骤之后包括：
对调整显示参数后的各个分割影像进行拼接，得到原始影像对应的目标影像。
所述的影像处理方法，其中，所述对调整显示参数后的各个分割影像进行拼接，得到原始影像对应的目标影像的步骤包括：
获取所述各个分割影像在所述原始影像中的原始像素区域；
将所述原始像素区域替换为调整显示参数后的各个分割影像，得到所述原始影像对应的目标影像。
第二方面，本发明实施例提供一种影像处理装置，其中，所述装置包括：
区域获取模块，用于获取原始影像和所述原始影像对应的若干目标区域；
影像分割模块，用于根据所述若干目标区域对所述原始影像进行分割，得到所述原始影像对应的若干分割影像；
影像调整模块，用于获取各个分割影像对应的影像信息，根据所述影像信息对所述各个分割影像的显示参数进行调整。
第三方面，本发明实施例提供一种智能终端，包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述所述的影像处理方法中的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有多条指令，所述指令适于由处理器加载并执行，以执行实现所述的影像处理方法中的步骤。
本发明的有益效果：本发明根据若干目标区域将原始影像分割成若干分割影像，并根据影像信息分别对各个分割影像的显示参数进行调整，能够对医学影像中的不同生理结构的显示参数同时进行调整，用户在查看医学影像时无需反复调整影像的显示参数，操作简单，便于用户查看。
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中记载的一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的医学影像的示意图；
图2是本发明实施例提供的影像处理方法的流程示意图；
图3是图1的脑部骨骼对应的分割影像；
图4是图1的脑部血管对应的分割影像；
图5是图1的脑部缺血区域对应的分割影像；
图6是图3、图4和图5的分割影像拼接后的示意图；
图7是本发明实施例提供的影像处理装置的原理框图；
图8是本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
医学影像是临床上诊断疾病最常用的方法，现有的医学影像中通常包含多种生理结构的影像信息，例如，如图1所示的医学影像中包含脑部骨骼、脑部血管以及脑部缺血区域等多种生理结构的影像信息，不同生理结构的影像信息在医学影像中的显示参数会有所不同。在同一张影像上同时观察多种生理结构时，需要不断调整医学影像的显示参数，以使得需要观察的多种生理结构变得更加清晰，例如，以图1为例，用户在医学影像上同时观察脑部骨骼、脑部血管以及脑部缺血区域时，需要不断调整医学影像的显示参数，以使得脑部骨骼、脑部血管以及脑部缺血区域变得更加清晰，往复调整影像清晰度非常繁琐，且不便于用户查看。
为了解决现有技术的问题，本实施例提供了一种影像处理方法，通过该方法能够对医学影像中的不同生理结构的显示参数同时进行调整，用户查看医学影像时无需反复调整显示参数，操作简单，便于用户查看。具体实施时，首先获取原始影像和原始影像对应的若干目标区域，然后，根据若干目标区域对原始影像进行分割，得到所述原始影像对应的若干分割影像，最后，获取各个分割影像对应的影像信息，根据所述影像信息对所述各个分割影像的显示参数进行调整，因此，根据若干目标区域将原始影像分割成若干分割影像，并根据影像信息分别对若干分割影像的显示参数进行调整，能够对医学影像中的不同生理结构的显示参数同时进行调整，用户查看医学影像时无需反复调整影像的显示参数，操作简单，便于用户查看。
示例性方法
本发明实施例提供一种影像处理方法，该方法可以应用于智能终端。具体如图2中所示，方法包括：
步骤S100、获取原始影像和所述原始影像对应的若干目标区域。
具体地，原始影像为医学影像，原始影像可以通过电子计算机断层扫描(ComputedTomography，CT)、磁共振检查(Magnetic Resonance,MR)、4D超声波检查等方式对人体生理结构进行扫描获得。医学影像中包含若干生理结构，生理结构可以为心脏、肝脏、肺部、血管、骨骼等，例如，如图1所示的医学影像中，包括三个生理结构，即脑部骨骼、脑部血管以及脑部缺血区域。
所述若干目标区域为所述原始影像中需要观察的生理结构对应的区域，例如，以图1为例，当需要观察脑部血管和脑部缺血区域时，若干目标区域为原始影像中脑部血管所在区域以及脑部缺血区域。原始影像对应的若干目标区域可以根据用户需要进行确定，如根据用户需要观察的病灶或用户观察原始影像的习惯确定，例如用户需要在原始影像上观察病灶A和病灶B，则确定原始影像对应的若干目标区域为病灶A对应的区域以及病灶B对应的区域；又如，在颈部血管影像观察时，对经常会参考观察骨的医生，颈部血管影像中骨对应的区域可能被确定为目标区域，而对不参考观察骨的医生，颈部血管影像中骨对应的区域则不会被确定为目标区域。
本实施例获取原始影像后，进一步获取原始影像对应的若干目标区域，以便后续步骤中根据若干目标区域进行显示参数的调整，从而提高若干目标区域的清晰度，避免用户往复调整影像的显示参数，操作简单，方便用户在同一医学影像上同时查看多种生理结构。
步骤S200、根据所述若干目标区域对所述原始影像进行分割，得到所述原始影像对应的若干分割影像。
本实施例获取到原始影像和原始影像对应的若干目标区域后，根据若干目标区域对原始影像进行分割，将原始影像中的需要进行显示参数调整的若干生理结构单独分割出来，得到原始影像对应的若干分割影像，以便后续步骤中对各个分割影像的显示参数进行调整。例如，以图1为例，当若干目标区域为脑部骨骼、脑部血管、脑部缺血区域时，根据若干目标区域对原始影像进行分割，得到如图3～图5所示的分割影像。
在一具体实施方式中，步骤S200包括：
步骤S210、根据所述若干目标区域，确定所述原始影像对应的若干分割区域；
步骤S220、根据所述若干分割区域对所述原始影像进行分割，得到所述原始影像对应的若干分割影像。
考虑到对原始影像进行分割时，可以直接根据若干目标区域对原始影像进行分割，也可以根据与若干目标区域关联的其它区域对原始影像进行分割，例如，观察目标为A时，不对观察目标A所在的区域进行分割，而对观察目标A的干扰区域进行分割。本实施例根据若干目标区域对原始影像进行分割时，首先根据若干目标区域，确定原始影像对应的若干分割区域，再根据若干分割区域对原始影像进行分割，得到原始影像对应的若干分割影像。
在一具体实施方式中，步骤S210包括：
步骤S211、将所述若干目标区域，确定为所述原始影像对应的若干分割区域；或
步骤S212、获取所述若干目标区域对应的若干关联区域，将所述若干关联区域确定为所述原始影像对应的若干分割区域。
前述步骤中提到根据若干目标区域对原始影像进行分割时，可以直接根据若干目标区域对原始影像进行分割，也可以根据若干目标区域相关联的区域对原始影像进行分割。因此，本实施例根据若干目标区域确定若干分割区域时，可以直接将若干目标区域，作为原始影像对应的若干分割区域，也可以获取若干目标区域对应的若干关联区域，并将若干关联区域确定为原始影像对应的若干分割区域。其中，若干关联区域为原始影像中影响若干目标区域观察的区域，如若干目标区域对应的干扰区域。
在一具体实施方式中，步骤S220包括：
步骤S221、获取所述若干分割区域各自对应的影像分割模型；
步骤S222、将所述原始影像分别输入所述若干分割区域各自对应的影像分割模型，通过所述影像分割模型输出所述原始影像对应的若干分割影像。
为了对原始影像进行分割，本实施例中预先对若干第一网络模型分别进行训练，得到若干分割区域各自对应的影像分割模型，其中，若干第一网络模型可以采用深度学习网络模型或机器学习模型，例如，卷积神经网络(Convolutional Neural Networks,CNN)、反卷积神经网络(De-Convolutional Networks,DN)、深度神经网络(Deep NeuralNetworks,DNN)、深度卷积逆向图网络(Deep Convolutional Inverse GraphicsNetworks，DCIGN)、基于区域的卷积网络(Region-based Convolutional Networks，RCNN)、基于区域的快速卷积网络(Faster Region-based Convolutional Networks，FasterRCNN)和双向编解码(Bidirectional Encoder Representations from Transformers，BERT)模型等。若干第一网络模型训练时采用的第一训练样本集均包括若干训练影像以及若干训练影像对应的真实掩膜图，但是针对不同分割区域对应的影像分割模型，第一网络模型训练时使用的真实掩模图不同，例如，当影像分割模型为脑部血管对应的分割模型时，真实掩膜图为若干训练影像对应的脑部血管影像。具体地，若干第一网络模型的训练过程包括：获取第一训练样本集，将第一训练样本集中的若干训练影像输入第一网络模型中，通过第一网络模型输出若干训练影像对应的预测掩膜图，根据真实掩膜图、预测掩膜图以及第一网络模型的损失函数对第一网络模型进行训练，直至第一网络模型的训练情况满足预设第一条件，得到各个分割区域对应的影像分割模型。
得到各个分割区域对应的影像分割模型后，需要对原始影像进行分割时，首先获取若干分割区域各自对应的影像分割模型，然后将原始影像分别输入所述若干分割区域各自对应的影像分割模型中，通过所述若干分割区域各自对应的影像分割模型分别输出原始影像对应的若干分割影像。
步骤S300、获取各个分割影像对应的影像信息，根据所述影像信息对所述各个分割影像的显示参数进行调整。
影像信息用于区分各个分割影像，其可以为各个分割影像的名称，各个分割影像的类型等，各个分割影像的名称可以根据原始影像针对的目标进行确定，可以为原始影像中的部位、器官、组织等的名称，也可以为原始影像针对的病灶的名称，例如，仍然以图3～图5为例，图3对应的分割影像的影像信息为脑部骨骼，图4对应的分割影像的影像信息为脑部血管，图5对应的分割影像的影像信息为脑部缺血区域。
显示参数包括对比度、窗宽窗位值以及亮度值中的一种或多种，考虑到不同的生理结构在医学影像中的显示参数不同，例如，每个生理结构在医学影像中适合的对比度、窗框窗位值均有所不同，本实施例将原始影像分割成若干分割影像后，进一步获取各个分割影像对应的影像信息，并根据各个分割影像对应的影像信息对各个分割影像的显示参数进行调整，从而实现将不同生理结构对应的分割影像调整到合适的显示参数。
前述步骤中提到，若干分割区域可以为若干目标区域，也可以为若干目标区域对应的若干关联区域，当若干分割区域为若干目标区域，即用户需要观察的生理结构所属的区域时，对若干分割影像的显示参数进行调整，具体是对用户需要观察的生理结构所属的区域的显示参数进行调整。当若干分割区域为若干目标区域对应的若干关联区域时，对若干分割影像的显示参数进行调整，具体是对若干关联区域的显示参数进行调整。例如，观察目标为A，观察目标A的干扰目标为B，不对观察目标A所属的区域进行显示参数调整，而对干扰目标B所属的区域进行显示参数的调整，同样能够提高观察目标A的显示效果。
在一具体实施方式中，步骤S300中所述根据所述影像信息对所述各个分割影像的显示参数进行调整的步骤包括：
步骤S310、根据所述影像信息以及预先构建的影像信息与参数调整值的对应关系，确定所述各个分割影像对应的参数调整值；
步骤S320、根据所述参数调整值，对所述各个分割影像的显示参数进行调整。
为了对不同生理结构对应的分割影像的显示参数进行调整，本实施例预先构建参数调整推荐表，参数调整推荐表中存储有影像信息与参数调整值的对应关系，例如，仍然以图3～图5为例，参数调整推荐表中存储有脑部骨骼对应的参数调整值，脑部血管对应的参数调整值，以及脑部缺血区域对应的参数调整值。在获取各个分割影像对应的影像信息后，根据影像信息以及参数调整推荐表中存储的影像信息与参数调整值的对应关系，确定各个分割影像对应的参数调整值，然后根据参数调整值，对各个分割影像的显示参数进行调整。
参数调整值可以为一种类型的显示参数调整值，如窗宽窗位值，也可以为多种类型的显示参数调整值，如对比度值、窗宽窗位值以及亮度值中的两种或多种。当然，参数调整值的数量可以为一个，如唯一的窗宽窗位值，也可以为多个，如多个窗宽窗位值。当确定的各个分割影像对应的参数调整值为一个时，则可以直接根据参数调整值，对各个分割影像的显示参数进行调整；当确定的各个分割影像对应的参数调整值为多个时，则需要通过智能终端或人为根据经验值从多个参数调整值中筛选出目标调整值，并根据目标调整值对各个分割影像的显示参数进行调整。
在一具体实施方式中，当参数调整值包括多个时，步骤S320包括：
步骤S321、将所述参数调整值输入预先训练的所述各个分割影像对应的筛选模型中，通过所述筛选模型输出所述各个分割影像对应的第一目标调整值；
步骤S322、根据所述第一目标调整值，对所述各个分割影像的显示参数进行调整。
前述步骤中提到各个分割影像对应的参数调整值的数量可以为一个也可以为多个，当各个分割影像对应的参数调整值的数量为多个时，可以将各个分割影像对应的多个参数调整值分别输入预先训练的各个分割影像对应的筛选模型中，通过筛选模型输出各个分割影像对应的第一目标调整值，再根据第一目标调整值，对各个分割影像的显示参数进行调整。具体地，筛选模型对多个参数调整值进行筛选时，可以根据预先设置的第一清晰度阈值对多个参数调整值进行筛选，例如，预先设置的第一清晰度阈值为90％时，从多个参数调整值中筛选出对应的清晰度达到90％的参数调整值作为第一目标调整值。另外，筛选模型对多个参数调整值进行筛选时，也可以根据多个参数调整值对应的清晰度进行筛选，从多个参数调整值中筛选出对应的清晰度最佳的参数调整值作为第一目标调整值。
各个分割影像对应的筛选模型可以采用第二训练样本集对预设的第二网络模型进行训练得到，其中，第二训练样本集中包括若干清晰影像及各个清晰影像对应的参数调整值，对于不同的分割影像对应的筛选模型，其对应的第二训练样本集中的若干清晰影像不同，第二网络模型可以采用现有的深度学习网络模型或机器学习模型。具体地，对第二网络模型进行训练时，首先获取第二训练样本集，然后将第二训练样本集中的若干清晰影像及各个清晰影像对应的参数调整值输入第二网络模型中，通过若干清晰影像及各个清晰影像对应的参数调整值对第二网络模型进行训练，直至第二网络模型的训练情况满足预设条件，得到各个分割影像对应的筛选模型。
在一具体实施方式中，当参数调整值包括多个时，步骤S320包括：
步骤S321′、获取预先构建的人眼响应曲线；
步骤S322′、根据所述参数调整值和所述人眼响应曲线，确定所述各个分割影像对应的第二目标调整值；
步骤S323′、根据所述第二目标调整值，对所述各个分割影像的显示参数进行调整。
当参数调整值的数量包含多个时，也可以不采用前述所述的筛选模型对多个参数调整值进行筛选，而是采用预先构建的人眼响应曲线对多个参数调整值进行筛选。人眼响应曲线根据各个分割影像的参数调整值与清晰度的对应关系预先构建。
本实施例在采用预先构建的人眼响应曲线对多个清晰度调整值进行筛选时，首先获取预先构建的人眼响应曲线，然后根据人眼响应曲线确定各个参数调整值对应的清晰度，接着根据各个参数调整值对应的清晰度，确定各个分割影像对应的第二目标调整值，最后根据第二目标调整值，对各个分割影像的显示参数进行调整。在根据各个参数调整值对应的清晰度确定各个分割影像对应的第二目标调整值时，可以从各个参数调整值中筛选出最佳清晰度对应的参数调整值作为第二目标调整值，也可以从各个参数调整值中筛选出清晰度大于预设第二清晰度阈值的参数调整值作为第二目标调整值。
在一具体实施方式中，当参数调整值包括多个时，步骤S320包括：
步骤S321"、获取预先构建的映射关系表；其中，所述映射关系表中存储有各个分割影像的参数调整值对应的清晰度；
步骤S322"、根据所述参数调整值和所述映射关系表，确定所述各个分割影像对应的第三目标调整值；
步骤S323"、根据所述第三目标调整值，对所述各个分割影像的显示参数进行调整。
当各个分割影像对应的参数调整值的数量为多个时，本实施例也可以采用预先构建的映射关系表对各个分割影像对应的清晰度调整值进行筛选，其中，映射关系表中存储有各个分割影像的参数调整值对应的清晰度，例如，参数调整值120对应的清晰度为80％，参数调整值150对应的清晰度为90％。
本实施例根据映射关系表对各个分割影像对应的多个参数调整值进行筛选时，首先获取预先构建的映射关系表，然后在映射关系表中确定各个参数调整值对应的清晰度，接着根据各个参数调整值对应的清晰度，确定各个分割影像对应的第三目标调整值，最后根据第三目标清晰度调整值，对各个分割影像的显示参数进行调整。在根据各个参数调整值对应的清晰度确定各个分割影像对应的第三目标调整值时，可以从各个参数调整值中筛选出最佳清晰度对应的参数调整值作为第三目标调整值，也可以从各个参数调整值中筛选出清晰度大于预设第三清晰度阈值的参数调整值作为第三目标调整值。
在一具体实施方式中，步骤S300之后还包括：
步骤S400、对调整显示参数后的各个分割影像进行拼接，得到原始影像对应的目标影像。
为了方便用户查看原始影像中的各个生理结构，本实施例对各个分割影像的显示参数进行调整后，进一步对调整显示参数后的各个分割影像进行拼接，将调整显示参数后的各个分割影像拼接为一张完整的医学影像，从而得到原始影像对应的目标影像，如图6所示，为将图3～图5的若干分割影像进行拼接得到的目标影像。由于目标影像中各个生理结构都是经过调整后的清晰的影像，用户在观看多个生理结构时无需往复调整影像清晰度，操作简单，方便用户查看。
在一具体实施方式中，步骤S400包括：
步骤S410、获取所述各个分割影像在所述原始影像中的原始像素区域；
步骤S420、将所述原始像素区域替换为调整显示参数后的各个分割影像，得到所述原始影像对应的目标影像。
在对各个分割影像进行拼接时，本实施例是获取各个分割影像在原始影像中的原始像素区域，然后将各个分割影像对应的原始像素区域分别用调整显示参数后的各个分割影像进行替换，得到原始影像对应的目标影像。在将各个分割影像对应的原始像素区域替换为调整显示参数后的各个分割影像时，会根据各个分割影像的存储形式进行替换。具体地，当各个分割影像以图像本身的形式存储时，将调整显示参数后的各个分割影像直接替换各个分割影像对应的原始像素区域；当各个分割影像以图层的形式存储时，调整显示参数后的各个分割影像以图层的形式替换各个分割影像对应的原始像素区域，如图6所示当调整清晰度后的各个分割影像以图层的形式替换时，各个分割影像的图层框(图6中虚线所示)将被隐去，不会显示。
示例性设备
如图7所示，本发明实施例提供一种影像处理装置，该装置包括：区域获取模块710、影像分割模块720、影像调整模块730。具体地，区域获取模块710，用于获取原始影像和所述原始影像对应的若干目标区域。影像分割模块720，用于根据所述若干目标区域对所述原始影像进行分割，得到所述原始影像对应的若干分割影像。影像调整模块730，用于获取各个分割影像对应的影像信息，根据所述影像信息对所述各个分割影像的显示参数进行调整。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图8所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种影像处理方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在智能终端内部设置，用于检测内部设备的运行温度。
本领域技术人员可以理解，图8中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，包括：处理器、与处理器通信连接的存储介质，存储介质适于存储多条指令；处理器适于调用存储介质中的指令，以执行实现以下操作的指令：
获取原始影像和所述原始影像对应的若干目标区域；
根据所述若干目标区域对所述原始影像进行分割，得到所述原始影像对应的若干分割影像；
获取各个分割影像对应的影像信息，根据所述影像信息对所述各个分割影像的显示参数进行调整。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本发明公开了一种影像处理方法、智能终端及存储介质，包括：获取原始影像和所述原始影像对应的若干目标区域；根据所述若干目标区域对所述原始影像进行分割，得到所述原始影像对应的若干分割影像；获取各个分割影像对应的影像信息，根据所述影像信息对所述各个分割影像的显示参数进行调整。本发明根据若干目标区域将原始影像分割成若干分割影像，并根据影像信息分别对若干分割影像的显示参数进行调整，能够对医学影像中的不同生理结构的显示参数同时进行调整，用户在查看医学影像时无需反复调整影像的显示参数，操作简单，便于用户查看。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (13)
1.一种影像处理方法，其特征在于，所述方法包括：
获取原始影像和所述原始影像对应的若干目标区域；
根据所述若干目标区域对所述原始影像进行分割，得到所述原始影像对应的若干分割影像；
获取各个分割影像对应的影像信息，根据所述影像信息对所述各个分割影像的显示参数进行调整。
2.根据权利要求1所述的影像处理方法，其特征在于，所述根据所述若干目标区域对所述原始影像进行分割，得到所述原始影像对应的若干分割影像的步骤包括：
根据所述若干目标区域，确定所述原始影像对应的若干分割区域；
根据所述若干分割区域对所述原始影像进行分割，得到所述原始影像对应的若干分割影像。
3.根据权利要求2所述的影像处理方法，其特征在于，所述根据所述若干目标区域，确定所述原始影像对应的若干分割区域的步骤包括：
将所述若干目标区域，确定为所述原始影像对应的若干分割区域；或
获取所述若干目标区域对应的若干关联区域，将所述若干关联区域确定为所述原始影像对应的若干分割区域。
4.根据权利要求2所述的影像处理方法，其特征在于，所述根据所述若干分割区域对所述原始影像进行分割，得到所述原始影像对应的若干分割影像的步骤包括：
获取所述若干分割区域各自对应的影像分割模型；
将所述原始影像分别输入所述若干分割区域各自对应的影像分割模型，通过所述影像分割模型输出所述原始影像对应的若干分割影像。
5.根据权利要求1所述的影像处理方法，其特征在于，所述显示参数包括对比度、窗宽窗位值以及亮度值中的一种或多种。
6.根据权利要求1所述的影像处理方法，其特征在于，所述根据所述影像信息对所述各个分割影像的显示参数进行调整的步骤包括：
根据所述影像信息以及预先构建的影像信息与参数调整值的对应关系，确定所述各个分割影像对应的参数调整值；
根据所述参数调整值，对所述各个分割影像的显示参数进行调整。
7.根据权利要求6所述的影像处理方法，其特征在于，所述参数调整值包括多个，所述根据所述参数调整值，对所述各个分割影像的显示参数进行调整的步骤包括：
将所述参数调整值输入预先训练的所述各个分割影像对应的筛选模型中，通过所述筛选模型输出所述各个分割影像对应的第一目标调整值；
根据所述第一目标调整值，对所述各个分割影像的显示参数进行调整。
8.根据权利要求6所述的影像处理方法，其特征在于，所述参数调整值包括多个，所述根据所述参数调整值，对所述各个分割影像的显示参数进行调整的步骤包括：
获取预先构建的人眼响应曲线；
根据所述参数调整值和所述人眼响应曲线，确定所述各个分割影像对应的第二目标调整值；
根据所述第二目标调整值，对所述各个分割影像的显示参数进行调整。
9.根据权利要求6所述的影像处理方法，其特征在于，所述参数调整值包括多个，所述根据所述参数调整值，对所述各个分割影像的显示参数进行调整的步骤包括：
获取预先构建的映射关系表；其中，所述映射关系表中存储有各个分割影像的参数调整值对应的清晰度；
根据所述参数调整值和所述映射关系表，确定所述各个分割影像对应的第三目标调整值；
根据所述第三目标调整值，对所述各个分割影像的显示参数进行调整。
10.根据权利要求1所述的影像处理方法，其特征在于，所述根据所述影像信息对所述各个分割影像的显示参数进行调整的步骤之后包括：
对调整显示参数后的各个分割影像进行拼接，得到原始影像对应的目标影像。
11.根据权利要求10所述的影像处理方法，其特征在于，所述对调整显示参数后的各个分割影像进行拼接，得到原始影像对应的目标影像的步骤包括：
获取所述各个分割影像在所述原始影像中的原始像素区域；
将所述原始像素区域替换为调整显示参数后的各个分割影像，得到所述原始影像对应的目标影像。
12.一种智能终端，其特征在于，包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述权利要求1-11任一项所述的影像处理方法中的步骤。
13.一种计算机可读存储介质，其上存储有多条指令，其特征在于，所述指令适于由处理器加载并执行，以执行实现上述权利要求1-11任一项所述的影像处理方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111547532.3A CN114219813A (zh) | 2021-12-16 | 2021-12-16 | 一种影像处理方法、智能终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111547532.3A CN114219813A (zh) | 2021-12-16 | 2021-12-16 | 一种影像处理方法、智能终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114219813A true CN114219813A (zh) | 2022-03-22 |
Family
ID=80703282
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111547532.3A Pending CN114219813A (zh) | 2021-12-16 | 2021-12-16 | 一种影像处理方法、智能终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114219813A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106780436A (zh) * | 2016-11-18 | 2017-05-31 | 北京郁金香伙伴科技有限公司 | 一种医疗影像显示参数确定方法及装置 |
| CN107833231A (zh) * | 2017-11-22 | 2018-03-23 | 上海联影医疗科技有限公司 | 医学图像显示方法、装置和计算机存储介质 |
| CN110148192A (zh) * | 2019-04-18 | 2019-08-20 | 上海联影智能医疗科技有限公司 | 医学影像成像方法、装置、计算机设备和存储介质 |
| CN111127430A (zh) * | 2019-12-24 | 2020-05-08 | 北京推想科技有限公司 | 确定医学影像显示参数的方法及装置 |
| WO2021004402A1 (zh) * | 2019-07-05 | 2021-01-14 | 深圳数字生命研究院 | 图像识别方法及装置、存储介质和处理器 |
| WO2021010974A1 (en) * | 2019-07-15 | 2021-01-21 | Google Llc | Automatically segmenting and adjusting images |
| WO2021189771A1 (zh) * | 2020-07-30 | 2021-09-30 | 平安科技（深圳）有限公司 | 玻片数字化信息质量检测方法、装置、设备及介质 |
| CN113539439A (zh) * | 2021-07-16 | 2021-10-22 | 数坤(北京)网络科技股份有限公司 | 医学图像的处理方法、装置、计算机设备和存储介质 |
-
2021
- 2021-12-16 CN CN202111547532.3A patent/CN114219813A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106780436A (zh) * | 2016-11-18 | 2017-05-31 | 北京郁金香伙伴科技有限公司 | 一种医疗影像显示参数确定方法及装置 |
| CN107833231A (zh) * | 2017-11-22 | 2018-03-23 | 上海联影医疗科技有限公司 | 医学图像显示方法、装置和计算机存储介质 |
| CN110148192A (zh) * | 2019-04-18 | 2019-08-20 | 上海联影智能医疗科技有限公司 | 医学影像成像方法、装置、计算机设备和存储介质 |
| WO2021004402A1 (zh) * | 2019-07-05 | 2021-01-14 | 深圳数字生命研究院 | 图像识别方法及装置、存储介质和处理器 |
| WO2021010974A1 (en) * | 2019-07-15 | 2021-01-21 | Google Llc | Automatically segmenting and adjusting images |
| CN111127430A (zh) * | 2019-12-24 | 2020-05-08 | 北京推想科技有限公司 | 确定医学影像显示参数的方法及装置 |
| WO2021189771A1 (zh) * | 2020-07-30 | 2021-09-30 | 平安科技（深圳）有限公司 | 玻片数字化信息质量检测方法、装置、设备及介质 |
| CN113539439A (zh) * | 2021-07-16 | 2021-10-22 | 数坤(北京)网络科技股份有限公司 | 医学图像的处理方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11954902B2 (en) | Generalizable medical image analysis using segmentation and classification neural networks | |
| WO2020168934A1 (zh) | 医学影像分割方法、装置、计算机设备和存储介质 | |
| KR101977645B1 (ko) | 안구영상 분석방법 | |
| US20210248751A1 (en) | Brain image segmentation method and apparatus, network device, and storage medium | |
| Araújo et al. | DR| GRADUATE: Uncertainty-aware deep learning-based diabetic retinopathy grading in eye fundus images | |
| CN108334733B (zh) | 医学图像显示方法、显示系统及计算机可读存储介质 | |
| US7869642B2 (en) | Window leveling system and method | |
| US20220092783A1 (en) | Systems and methods for image processing | |
| CN113557714A (zh) | 医学图像处理装置、医学图像处理方法和程序 | |
| CN111815735B (zh) | 一种人体组织自适应的ct重建方法及重建系统 | |
| CN110751187B (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
| CN112950737B (zh) | 基于深度学习的眼底荧光造影图像生成方法 | |
| US20210059758A1 (en) | System and Method for Identification, Labeling, and Tracking of a Medical Instrument | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| CN111524109A (zh) | 头部医学影像的评分方法和装置、电子设备及存储介质 | |
| CN111445575A (zh) | 威利斯环的图像重建方法、装置、电子设备、存储介质 | |
| Korkki et al. | Reduced memory precision in older age is associated with functional and structural differences in the angular gyrus | |
| CN113516701A (zh) | 图像处理方法、装置及其相关设备和存储介质 | |
| WO2023232068A1 (en) | Systems and methods for image processing | |
| CN114219813A (zh) | 一种影像处理方法、智能终端及存储介质 | |
| JP2023134655A (ja) | 医療映像分析方法、医療映像分析装置及び医療映像分析システム | |
| EP3797692B1 (de) | Verfahren und vorrichtung zur ansteuerung eines medizinischen bildgebungsgeräts | |
| Wagner et al. | Saccades are coordinated with directed circuit dynamics and stable but distinct hippocampal patterns that promote memory formation | |
| US20230351557A1 (en) | Method and system for image enhancement | |
| JPH0994243A (ja) | 医用画像の階調自動設定装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220322 |