CN114492599A - 基于傅里叶域自适应的医疗影像预处理方法和装置 - Google Patents

基于傅里叶域自适应的医疗影像预处理方法和装置 Download PDF

Info

Publication number
CN114492599A
CN114492599A CN202210016344.6A CN202210016344A CN114492599A CN 114492599 A CN114492599 A CN 114492599A CN 202210016344 A CN202210016344 A CN 202210016344A CN 114492599 A CN114492599 A CN 114492599A
Authority
CN
China
Prior art keywords
data set
target
image data
domain
samples
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
Application number
CN202210016344.6A
Other languages
English (en)
Inventor
鄂海红
宋美娜
陈正宇
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 University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202210016344.6A priority Critical patent/CN114492599A/zh
Publication of CN114492599A publication Critical patent/CN114492599A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Discrete Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种基于傅里叶域自适应的医疗影像预处理方法和装置，其中，方法包括：获取源域影像数据集和目标域影像数据集；基于目标域影像数据集和DBSCAN聚类算法生成目标数据集；设置光谱邻域交换参数；利用光谱邻域交换参数获取完成傅里叶变换的源域影像数据集和目标数据集的振幅图中的低频部分，将源域影像数据集的振幅图中的低频部分替换为目标数据集的振幅图中的低频部分，对替换后的源域影像数据集的振幅图和相位图进行傅里叶逆变换得到重建影像数据集；利用重建影像数据集与目标数据集的特征距离筛选出目标重建影像数据集。根据本发明的方法解决现有技术中医疗影像的域自适应问题。

Description

基于傅里叶域自适应的医疗影像预处理方法和装置
技术领域
本发明涉及医疗影像预处理技术领域，尤其涉及一种基于傅里叶域自适应的医疗影像预处理方法和装置。
背景技术
随着人工智能在医疗领域的快速发展，越来越多的深度学习模型被用到医疗影像的诊断、分类和分割任务，为医生的提供辅助诊断的建议，如眼底糖尿病视网膜病变的诊断、肺部X光影像新冠诊断等。深度学习模型的应用要求测试数据集与训练数据集的特征分布一致，才能到达模型的最佳预测效果。但是，在实际的医疗影像生成过程中，由于各个医院采用的生成标准不一致，例如关于显影剂的服用量标准、设备参数设置不一致造成影像灰度差别等，造成各个医院之间，甚至同一医院不同数据采集机器之间针对同一个患者的影像数据不同，用来支持人工智能深度学习的时候，其模型参数也会不同。各家医院的数据分布不一致使得深度学习模型在各家医院落地时需要利用本地的医疗影像数据进行重新训练，带来了模型落地效率低，本地数据标注成本高等困难。
在计算机领域，可以将此问题描述为一个医疗影像的域自适应问题。目前针对传统的域自适应问题的解决方案主要有：1)基于差异的域自适应方法，通常用深度学习模型对未标注的测试数据进行标注形成伪标签，利用特殊的方法筛选出高质量的伪标签加入训练集进行二阶段的训练，微调模型网络参数从而消除域偏移。2)基于对抗的域自适应方法，为深度学习模型增加域判别器来进行对抗训练以促进源域和目标域混淆。域判别器分类一个数据是来自于源域还是目标域，当其无法分辨出来时，说明网络已经实现了域自适应。3)基于重建的域自适应方法，通常利用新训练的生成对抗网络(GAN)进行风格迁移，将测试样本向训练样本进行重建，使得测试数据分布向训练数据分布靠拢。方法1)和方法2)都需要介入模型结构或训练流程的修改，工作量大且拓展性较差。方法3)通常需要成对的标注数据，并且生成对抗网络的图片重建效果不稳定，容易丢失图像细节。深度学习医疗影像具有数据量小，标注成本高的特点，且无法容忍影像细节的丢失，所以基于生成对抗网络的重建域自适应方法很难被应用到医疗影像的域自适应中。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种基于傅里叶域自适应的医疗影像预处理方法，以解决现有技术中医疗影像的域自适应问题。
本发明的第二个目的在于提出一种基于傅里叶域自适应的医疗影像预处理装置。
本发明的第三个目的在于提出一种终端。
本发明的第四个目的在于提出一种非瞬时计算机可读存储介质。
为达上述目的，本发明第一方面实施例提出了一种基于傅里叶域自适应的医疗影像预处理方法，包括：
获取源域影像数据集和目标域影像数据集；
对所述目标域影像数据集进行特征化得到目标域特征集，利用DBSCAN聚类算法对所述目标域特征集进行聚类后，基于样本个数最多的簇生成目标数据集；
设置光谱邻域交换参数；
分别对所述源域影像数据集和所述目标数据集中的影像进行傅里叶变换得到对应的振幅图和相位图，并利用所述光谱邻域交换参数，获得对应的振幅图中的低频部分，将所述源域影像数据集的振幅图中的低频部分替换为目标数据集的振幅图中的低频部分，对替换后的源域影像数据集的振幅图和相位图进行傅里叶逆变换得到重建影像数据集；
利用所述重建影像数据集与所述目标数据集的特征距离筛选出目标重建影像数据集。
本发明实施例的方法，基于DBSCAN聚类算法和目标域影像数据集获得目标数据集，在这种情况下引入DBSCAN聚类算法选取最典型的目标域样本以优化特征迁移的效果，另外利用傅里叶正逆变换交换源域影像数据集和目标数据集中的低频部分，获得重建影像数据集，在这种情况下，拉近源域数据与目标域数据的特征分布，不会丢失原有影像的细节和纹理，并基于域特征距离对重建结果排序，从而解决了医疗影像的域自适应问题。
在本发明第一方面实施例的一种基于傅里叶域自适应的医疗影像预处理方法中，所述对所述目标域影像数据集进行特征化得到目标域特征集包括：利用预训练过的无监督屏蔽自动编码器对所述目标域影像数据集进行特征编码，形成目标域特征集。
在本发明第一方面实施例的一种基于傅里叶域自适应的医疗影像预处理方法中，所述利用DBSCAN聚类算法对所述目标域特征集进行聚类后，基于样本个数最多的簇生成目标数据集包括：引入基于密度的DBSCAN聚类算法，初始化扫描半径和最小包含点数两个参数；对所述目标域特征集中未被访问的特征数据样本点，计算各特征数据样本点与其他特征数据样本点的曼哈顿距离；统计所述曼哈顿距离在所述扫描半径内的样本个数，若所述样本个数大于所述最小包含点数，则当前特征数据样本点与其附近特征数据样本点形成一个簇，并递归访问簇内其他特征数据样本点，若所述样本个数小于所述最小包含点数，则标记当前特征数据样本点为噪声点；在所述目标域特征集聚类完成后，确定样本个数最多的簇，并通过距离计算确定出样本个数最多的簇的中心样本，将所述中心样本作为目标数据集。
在本发明第一方面实施例的一种基于傅里叶域自适应的医疗影像预处理方法中，所述设置光谱邻域交换参数包括：定义掩膜和光谱邻域交换参数，所述掩膜表示需要替换的光谱邻域区域，利用所述光谱邻域交换参数确定所述掩膜的区域范围；根据所述源域影像数据集和所述目标数据集的特征偏移量，设置所述光谱邻域交换参数的范围，以及该范围内随机采样的样本个数。
在本发明第一方面实施例的一种基于傅里叶域自适应的医疗影像预处理方法中，所述利用所述光谱邻域交换参数，获得对应的振幅图中的低频部分包括：根据设置的所述光谱邻域交换参数的范围和该范围内的样本个数，首先分别选取该范围的极大值和极小值加入到光谱邻域交换参数样本集中，再从该范围中选取剩下的样本个数的样本加入到所述光谱邻域交换参数样本集中；遍历所述光谱邻域交换参数样本集，选择光谱邻域交换参数形成掩模；利用所述掩模获得所述源域影像数据集和所述目标数据集对应的振幅图中的低频部分。
在本发明第一方面实施例的一种基于傅里叶域自适应的医疗影像预处理方法中，所述从该范围中选取剩下的样本个数的样本加入到所述光谱邻域交换参数样本集中包括：从该范围中使用非等距的随机搜索算法选取剩下的样本个数的样本加入到所述光谱邻域交换参数样本集中。
在本发明第一方面实施例的一种基于傅里叶域自适应的医疗影像预处理方法中，所述利用所述重建影像数据集与所述目标数据集的特征距离筛选出目标重建影像数据集包括：对所述重建影像数据集进行特征化得到重建特征集，计算所述重建特征集与所述目标数据集的曼哈顿距离，对所述曼哈顿距离进行排序，筛选出距离最近的重建影像作为目标重建影像数据集。
为达上述目的，本发明第二方面实施例提出了一种基于傅里叶域自适应的医疗影像预处理装置，包括：
数据获取模块，用于获取源域影像数据集和目标域影像数据集；
数据前处理模块，用于对所述目标域影像数据集进行特征化得到目标域特征集，利用DBSCAN聚类算法对所述目标域特征集进行聚类后，基于样本个数最多的簇生成目标数据集；
参数设置模块，用于设置光谱邻域交换参数；
影像重建模块，用于分别对所述源域影像数据集和所述目标数据集中的影像进行傅里叶变换得到对应的振幅图和相位图，并利用所述光谱邻域交换参数，获得对应的振幅图中的低频部分，将所述源域影像数据集的振幅图中的低频部分替换为目标数据集的振幅图中的低频部分，对替换后的源域影像数据集的振幅图和相位图进行傅里叶逆变换得到重建影像数据集；
重建结果筛选模块，用于利用所述重建影像数据集与所述目标数据集的特征距离筛选出目标重建影像数据集。
本发明实施例的装置，数据前处理模块基于DBSCAN聚类算法和目标域影像数据集获得目标数据集，在这种情况下引入DBSCAN聚类算法选取最典型的目标域样本以优化特征迁移的效果，另外影像重建模块利用傅里叶正逆变换交换源域影像数据集和目标数据集中的低频部分，获得重建影像数据集，在这种情况下，拉近源域数据与目标域数据的特征分布，不会丢失原有影像的细节和纹理，然后重建结果筛选模块基于域特征距离对重建结果排序，从而解决了医疗影像的域自适应问题。
为达上述目的，本发明第三方面实施例提出了一种终端，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明第一方面实施例的一种基于傅里叶域自适应的医疗影像预处理方法。
为了实现上述目的，本发明第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本发明第一方面实施例的一种基于傅里叶域自适应的医疗影像预处理方法。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例所提供的一种基于傅里叶域自适应的医疗影像预处理方法的流程示意图；
图2为本发明实施例所提供的目标数据集生成方法的流程示意图；
图3为本发明实施例所提供的低频部分获得方法的流程示意图；
图4(a)为本发明实施例所提供的源域影像数据集中原始影像的示意图；
图4(b)为图4(a)的对应的重建影像的示意图；
图4(c)为图4(a)的对应的目标影像的示意图；
图5为本发明实施例提供的一种基于傅里叶域自适应的医疗影像预处理装置的结构示意图；
图6为本发明实施例提供的一种终端的结构示意图；
图7本发明实施例提供的操作系统和用户空间的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
下面结合具体的实施例对本发明进行详细说明。
图1为本发明实施例所提供的一种基于傅里叶域自适应的医疗影像预处理方法的流程示意图。
本发明实施例提供了基于傅里叶域自适应的医疗影像预处理方法，以解决现有技术中重建图片时重建效果不稳定且容易丢失图像细节，无法应用到医疗影像的域自适应重建工作中的问题，如图1所示，该基于傅里叶域自适应的医疗影像预处理方法(可以简称为预处理方法)包括以下步骤：
步骤S101，获取源域影像数据集和目标域影像数据集。
在步骤S101中，源域影像数据集为待重建的原始影像数据集。源域影像数据集包括多张待重建的原始影像。原始影像例如是原始医疗影像。源域影像数据集可以用Ds表示，每张原始影像可以用xs表示。源域影像数据集中的影像与目标域影像数据集中的影像是一类影像。目标域影像数据集为与深度学习模型训练集相同或特征相似的影像数据集。目标域影像数据集可以用Dt表示。本实施例中，目标域影像数据集起参考作用，源域影像数据集中的待重建的原始影像在后续重建时，特征分布向目标域影像数据集靠近。
步骤S102，对目标域影像数据集进行特征化得到目标域特征集，利用DBSCAN聚类算法对目标域特征集进行聚类后，基于样本个数最多的簇生成目标数据集。
在步骤S102中，对目标域影像数据集进行特征化得到目标域特征集具体包括：利用预训练过的无监督屏蔽自动编码器对目标域影像数据集Dt进行特征编码，形成目标域特征集。目标域特征集可以用Et表示。其中无监督屏蔽自动编码器在预训练时利用的是大规模的影像数据集。目标域特征集中包括多张完成特征编码后的影像。
在步骤S102中，图2为本发明实施例所提供的目标数据集生成方法的流程示意图。如图2所示，利用DBSCAN聚类算法对目标域特征集进行聚类后，基于样本个数最多的簇生成目标数据集具体包括：引入基于密度的DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)聚类算法，初始化扫描半径和最小包含点数两个参数(步骤S1021)；对目标域特征集中未被访问的特征数据样本点，计算各特征数据样本点与其他特征数据样本点的曼哈顿距离(步骤S1022)；统计曼哈顿距离在扫描半径内的样本个数，若样本个数大于最小包含点数，则当前特征数据样本点与其附近特征数据样本点形成一个簇，并递归访问簇内其他特征数据样本点，若样本个数小于最小包含点数，则标记当前特征数据样本点为噪声点(步骤S1023)；在目标域特征集聚类完成后，确定样本个数最多的簇，并通过距离计算确定出样本个数最多的簇的中心样本，将中心样本作为目标数据集(步骤S1024)。其中步骤S1021中的扫描半径可以用eps表示，最小包含点数可以用minPts表示，步骤S1022中的特征数据样本点为完成特征编码后的影像。目标数据集可以包括一张或多张目标影像(即中心样本)，各目标影像可以用xt表示。在这种情况下，引入基于密度的DBSCAN聚类算法选取最典型的目标域样本，使得选取的目标数据集更能代表目标域影像数据集Dt，从而使得后续傅里叶域自适应影像重建的效果更好。
在另一些实施例中，也可以在样本个数最多的簇中自行选择作为参考的目标数据集。
步骤S103，设置光谱邻域交换参数。
在步骤S103中，设置光谱邻域交换参数具体包括：定义掩膜和光谱邻域交换参数，掩膜表示需要替换的光谱邻域区域，利用光谱邻域交换参数确定掩膜的区域范围；根据源域影像数据集和目标数据集的特征偏移量，设置光谱邻域交换参数的范围，以及该范围内随机采样的样本个数。其中，掩膜可以用符号Mβ表示，β为光谱邻域交换参数，β的范围边界为0到1，该范围内随机采样的样本个数可以用n表示。在一些实施例中n的范围为2到20。在一些实施例中光谱邻域交换参数的范围的设置方式可以是手动设置，在另一些实施例中光谱邻域交换参数的范围的设置方式可以是自动设置。
在步骤S103中，假设影像的中心为坐标轴原点，影像的高为2H，宽为2W，掩膜的高为2h，宽为2w，其中h＝βH，w＝βW，β∈(0,1)，若掩膜以原点为中心，则掩膜Mβ的区域范围为(-βH:βH,-βW:βW)，该掩膜Mβ的区域范围内的值都为0，除该掩膜Mβ的区域范围以外的区域的值都为0，掩膜Mβ的表达式为：
Mβ(h,w)＝1(h,w)∈[-βH:βH,-βW:βW]。
步骤S104，分别对源域影像数据集和目标数据集中的影像进行傅里叶变换得到对应的振幅图和相位图，并利用光谱邻域交换参数，获得对应的振幅图中的低频部分，将源域影像数据集的振幅图中的低频部分替换为目标数据集的振幅图中的低频部分，对替换后的源域影像数据集的振幅图和相位图进行傅里叶逆变换得到重建影像数据集。
在步骤S104中，对源域影像数据集Ds中的待重建的原始影像xs进行快速傅里叶变换，形成振幅图
Figure BDA0003461023990000071
和相位图
Figure BDA0003461023990000072
对目标数据集中的目标影像xt进行快速傅里叶变换，形成振幅图
Figure BDA0003461023990000073
和相位图
Figure BDA0003461023990000074
在步骤S104中，图3为本发明实施例所提供的低频部分获得方法的流程示意图，如图3所示，利用光谱邻域交换参数，获得对应的振幅图中的低频部分包括：根据设置的光谱邻域交换参数的范围和该范围内的样本个数，首先分别选取该范围的极大值和极小值加入到光谱邻域交换参数样本集中，再从该范围中选取剩下的样本个数的样本加入到光谱邻域交换参数样本集中(步骤S1041)；遍历光谱邻域交换参数样本集，选择光谱邻域交换参数形成掩模(步骤S1042)；利用掩模获得源域影像数据集和目标数据集对应的振幅图中的低频部分(步骤S1043)。其中，光谱邻域交换参数样本集可以用Sβ表示，步骤S1041中样本个数为n，在选取极大值和极小值后剩下的样本个数为n-2。步骤S1042中选择光谱邻域交换参数时可以根据需求进行选择。
在一些实施例中，从该范围中选取剩下的样本个数的样本加入到光谱邻域交换参数样本集中包括：从该范围中使用非等距的随机搜索算法选取剩下的样本个数的样本加入到光谱邻域交换参数样本集中。
在步骤S104中，重建影像数据集可以用Df表示，重建影像数据集中的各重建影像可以用xf表示，重建影像xf的表达式为：
Figure BDA0003461023990000081
式中，
Figure BDA0003461023990000082
表示快速傅里叶逆变换，
Figure BDA0003461023990000083
表示点乘。
步骤S105，利用重建影像数据集与目标数据集的特征距离筛选出目标重建影像数据集。
在步骤S105中，利用重建影像数据集与目标数据集的特征距离筛选出目标重建影像数据集包括：对重建影像数据集进行特征化得到重建特征集，计算重建特征集与目标数据集的曼哈顿距离，对曼哈顿距离进行排序，筛选出距离最近的重建影像作为目标重建影像数据集。
在步骤S105中，对重建影像数据集进行特征化的方式可以参照对目标域影像数据集进行特征化的方式。也即利用预训练过的无监督屏蔽自动编码器对重建影像数据集进行特征编码，形成重建特征集。重建特征集可以用Ef表示。
在步骤S105中，曼哈顿距离进行排序，筛选出距离最近的重建影像作为目标重建影像数据集包括：根据重建影像到各聚簇中心的最短曼哈顿距离进行排序，筛选出距离最近的重建影像，将其作为目标重建影像，并形成目标重建影像数据集。
本发明的实施例提出的预处理方法，基于傅里叶域自适应算法，傅里叶域自适应是通过交换源域影像数据集和目标数据集经过傅里叶快速变换后振幅的低频部分再重建，获得重建影像数据集，在这种情况下，保证医疗影像的原始影像的细节和纹理不会丢失的同时，使其特征分布向目标域靠近，拉近了源域数据与目标域数据的特征分布，另外为了降低傅里叶域自适应带来的重建效果不稳定程度，以及降低对目标域典型数据的选取和光谱邻域交换参数β的选取的依赖，本发明的预处理方法在兼顾傅里叶域自适应保证医疗影像纹理细节不丢失的同时，对算法进行改进，引入DBSCAN聚类算法选取最典型的目标域样本优化特征迁移的效果，对光谱邻域交换参数β进行范围内随机采样，并根据重建后图像样本与目标数据集的特征聚类度量排序选取最优结果，优化影像重建效果，解决了医疗影像的域自适应问题。本发明可以应用于医疗影像数据进行深度学习前的预处理方法，使得医疗影像在不丢失原有的细节纹理信息的同时提升深度学习模型的预测效果。另外，本发明的预处理方法不需要进行深度学习训练，只需进行快速的数学运算，节省了大量的训练时间，并且所需的算力资源较少。
在另一些实施例中，基于傅里叶域自适应的医疗影像预处理方法还可以包括：对源域影像数据集中的原始影像、重建影像数据集中的重建影像和目标数据集中的目标影像进行展示。图4(a)为本发明实施例所提供的源域影像数据集中原始影像xs的示意图，图4(b)为图4(a)的对应的重建影像xf的示意图，图4(c)为图4(a)的对应的目标影像xt的示意图。基于图4(a)至图4(a)可知，重建影像xf相比于原始影像xs的对比度更好，且相比于原始影像xs，重建影像xf与目标影像xt的特征分布更接近。
为了实现上述实施例，本发明还提出一种基于傅里叶域自适应的医疗影像预处理装置(可以简称为预处理装置)。
图5为本发明实施例提供的一种基于傅里叶域自适应的医疗影像预处理装置的结构示意图。
如图5所示，该基于傅里叶域自适应的医疗影像预处理装置10包括数据获取模块11、数据前处理模块12、参数设置模块13、影像重建模块14和重建结果筛选模块15。
在本实施例中，数据获取模块11可以用于获取源域影像数据集和目标域影像数据集。数据前处理模块12可以用于对目标域影像数据集进行特征化得到目标域特征集，利用DBSCAN聚类算法对目标域特征集进行聚类后，基于样本个数最多的簇生成目标数据集。参数设置模块13可以用于设置光谱邻域交换参数。影像重建模块14可以用于分别对源域影像数据集和目标数据集中的影像进行傅里叶变换得到对应的振幅图和相位图，并利用光谱邻域交换参数，获得对应的振幅图中的低频部分，将源域影像数据集的振幅图中的低频部分替换为目标数据集的振幅图中的低频部分，对替换后的源域影像数据集的振幅图和相位图进行傅里叶逆变换得到重建影像数据集。重建结果筛选模块15可以用于利用重建影像数据集与目标数据集的特征距离筛选出目标重建影像数据集。
本实施例中，数据获取模块11为预处理装置10的医疗影像数据输入模块，数据获取模块11需要输入两组数据，一组为待重建的原始影像数据集Ds(即源域影像数据集)，另一组为与深度学习模型训练集相同或特征相似的目标域影像数据集Dt。
本实施例中，数据前处理模块12将目标域影像数据集进行特征化得到目标域特征集Et后，从目标域特征集Et中选取目标数据集，目标数据集中的各影像用xt表示。具体地，引入在大规模影像数据集上预训练过的无监督屏蔽自动编码器对目标域影像数据集Dt进行特征编码，形成目标域特征集Et。引入基于密度的DBSCAN聚类算法，初始化扫描半径eps和最小包含点数minPts两个参数，对目标域特征集Et中未被访问的特征数据样本点，计算该样本点与其他样本点的曼哈顿距离，统计曼哈顿距离在扫描半径eps内的样本个数，若样本个数大于最小包含点数minPts，则当前样本点与其附近样本点形成一个簇，并递归访问簇内其他样本点，若样本个数小于最小包含点数minPts，则标记该样本点为噪声点。在目标域特征集Et聚类完成后，确定样本个数最多的簇，并通过距离计算确定出该簇的中心样本，将该中心样本作为选取的目标数据集。
本实施例中，参数设置模块13具体用于定义一个掩膜Mβ，该掩膜Mβ表示需要交换(或替换)的光谱领域区域，β为光谱邻域交换参数，假设影像的中心为坐标轴原点，则掩膜Mβ除了以原点为中心的β∈(0,1)以外的区域的值都为0，掩膜Mβ的表达式为：
Mβ(h,w)＝1(h,w)∈[-βH:βH,-βW:βW]。
本实施例中，参数设置模块13根据源域影像数据集和目标数据集的特征偏移量的大小，手动设置光谱邻域交换参数β的范围(其边界为0到1)，并设置范围内随机采样的样本个数n，n的范围为2到20。
本实施例中，影像重建模块14应用光谱领域交换参数β，对源域影像数据集中的待重建的原始影像向目标域进行重建，具体包括：从源域影像数据集Ds中选取待重建的原始影像xs；对源域影像数据集Ds中的待重建的原始影像xs进行快速傅里叶变换，形成振幅图
Figure BDA0003461023990000101
和相位图
Figure BDA0003461023990000102
对目标数据集中的目标影像xt进行快速傅里叶变换，形成振幅图
Figure BDA0003461023990000103
和相位图
Figure BDA0003461023990000104
根据参数设置模块13设置的光谱邻域交换参数β的范围和该范围内的样本个数n，首先分别选取该β范围的极大值和极小值加入到光谱邻域交换参数样本集Sβ中，再从该β范围中使用非等距的随机搜索算法选取剩下的样本个数n-2的样本加入到光谱邻域交换参数样本集Sβ中；遍历光谱邻域交换参数样本集Sβ，选择光谱邻域交换参数β形成掩模Mβ；利用掩模获得源域影像数据集和目标数据集对应的振幅图中的低频部分；将目标影像的振幅图中的低频部分交换至待重建的原始影像的振幅图中的低频部分中；对替换后的原始影像的振幅图和相位图进行傅里叶逆变换得到重建影像xf，各重建影像xf组成重建影像数据集Df。重建影像xf的表达式为：
Figure BDA0003461023990000105
式中，
Figure BDA0003461023990000106
表示快速傅里叶逆变换，
Figure BDA0003461023990000107
表示点乘。
本实施例中，重建结果筛选模块15利用数据前处理模块12中使用的屏蔽自动编码器对重建影像数据集Df进行特征编码形成重建特征集Ef，并与目标域特征集Et经过DBSCAN聚类后的聚簇中心(即中心样本)计算其曼哈顿距离，根据重建影像到各聚簇中心的最短曼哈顿距离进行排序，筛选出距离最近的重建影像，将其作为最终重建影像(即目标重建影像)，并形成最终重建影像数据集，对最终重建影像数据集进行保存。
本发明的实施例提出的预处理装置，影像重建模块14基于傅里叶域自适应算法，傅里叶域自适应是通过交换源域影像数据集和目标数据集经过傅里叶快速变换后振幅的低频部分再重建，获得重建影像数据集，在这种情况下，保证医疗影像的原始影像的细节和纹理不会丢失的同时，使其特征分布向目标域靠近，拉近了源域数据与目标域数据的特征分布，另外为了降低傅里叶域自适应带来的重建效果不稳定程度，以及降低对目标域典型数据的选取和光谱邻域交换参数β的选取的依赖，本发明的预处理方法在兼顾傅里叶域自适应保证医疗影像纹理细节不丢失的同时，对算法进行改进，数据前处理模块12引入DBSCAN聚类算法选取最典型的目标域样本优化特征迁移的效果，对光谱邻域交换参数β进行范围内随机采样，重建结果筛选模块15根据重建后图像样本与目标数据集的特征聚类度量排序选取最优结果，优化影像重建效果，解决了医疗影像的域自适应问题。本发明可以应用于医疗影像数据进行深度学习前的预处理方法，使得医疗影像在不丢失原有的细节纹理信息的同时提升深度学习模型的预测效果。另外，本发明的预处理方法不需要进行深度学习训练，只需进行快速的数学运算，节省了大量的训练时间，并且所需的算力资源较少。
在另一些实施例中，预处理装置10还可以包括重建结果展示模块。重建结果展示模块可以用于对影像进行展示。其中展示的影像可以包括源域影像数据集中的原始影像xs、重建影像数据集中的重建影像xf和目标数据集中的目标影像xt。
需要说明的是，前述对基于傅里叶域自适应的医疗影像预处理方法实施例的解释说明也适用于该实施例的基于傅里叶域自适应的医疗影像预处理装置，此处不再赘述。
本发明的实施例还提供了一种计算机存储介质，计算机存储介质可以存储有多条指令，指令适于由处理器加载并执行如上述图1-图3所示实施例的基于傅里叶域自适应的医疗影像预处理方法，具体执行过程可以参见图1-图3所示实施例的具体说明，在此不进行赘述。
图6为本发明实施例提供的一种终端的结构示意图；图7本发明实施例提供的操作系统和用户空间的结构示意图。
请参考图6，其示出了本发明一个示例性实施例提供的终端的结构方框图。本发明中的终端可以包括一个或多个如下部件：处理器110、存储器120、输入装置130、输出装置140和总线150。处理器110、存储器120、输入装置130和输出装置140之间可以通过总线150连接。处理器110加载并执行如上述图1-图3所示实施例的基于傅里叶域自适应的医疗影像预处理方法，具体执行过程可以参见图1-图3所示实施例的具体说明，在此不进行赘述。
处理器110可以包括一个或者多个处理核心。处理器110利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储器120内的指令、程序、代码集或指令集，以及调用存储在存储器120内的数据，执行终端100的各种功能和处理数据。可选地，处理器110可以采用数字信号处理(digital signal processing，DSP)、现场可编程门阵列(field－programmable gate array，FPGA)、可编程逻辑阵列(programmable logicArray，PLA)中的至少一种硬件形式来实现。处理器110可集成中央处理器(centralprocessing unit，CPU)、图像处理器(graphics processing unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器110中，单独通过一块通信芯片进行实现。
存储器120可以包括随机存储器(random Access Memory，RAM)，也可以包括只读存储器(read-only memory，ROM)。可选地，该存储器120包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器120可用于存储指令、程序、代码、代码集或指令集。存储器120可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等，该操作系统可以是安卓(Android)系统，包括基于Android系统深度开发的系统、苹果公司开发的IOS系统，包括基于IOS系统深度开发的系统或其它系统。存储数据区还可以存储终端在使用中所创建的数据比如电话本、音视频数据、聊天记录数据，等。
参见图7所示，存储器120可分为操作系统空间和用户空间，操作系统即运行于操作系统空间，原生及第三方应用程序即运行于用户空间。为了保证不同第三方应用程序均能够达到较好的运行效果，操作系统针对不同第三方应用程序为其分配相应的系统资源。然而，同一第三方应用程序中不同应用场景对系统资源的需求也存在差异，比如，在本地资源加载场景下，第三方应用程序对磁盘读取速度的要求较高；在动画渲染场景下，第三方应用程序则对GPU性能的要求较高。而操作系统与第三方应用程序之间相互独立，操作系统往往不能及时感知第三方应用程序当前的应用场景，导致操作系统无法根据第三方应用程序的具体应用场景进行针对性的系统资源适配。
为了使操作系统能够区分第三方应用程序的具体应用场景，需要打通第三方应用程序与操作系统之间的数据通信，使得操作系统能够随时获取第三方应用程序当前的场景信息，进而基于当前场景进行针对性的系统资源适配。
输入装置130用于接收输入的指令或数据，输入装置130包括但不限于键盘、鼠标、摄像头、麦克风或触控设备。输出装置140用于输出指令或数据，输出装置140包括但不限于显示设备和扬声器等。在一个示例中，输入装置130和输出装置140可以合设，输入装置130和输出装置140为触摸显示屏，该触摸显示屏用于接收用户使用手指、触摸笔等任何适合的物体在其上或附近的触摸操作，以及显示各个应用程序的用户界面。触摸显示屏通常设置在终端的前面板。触摸显示屏可被设计成为全面屏、曲面屏或异型屏。触摸显示屏还可被设计成为全面屏与曲面屏的结合，异型屏与曲面屏的结合，本发明实施例对此不加以限定。
除此之外，本领域技术人员可以理解，上述附图所示出的终端的结构并不构成对终端的限定，终端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。比如，终端中还包括射频电路、输入单元、传感器、音频电路、无线保真(wirelessfidelity，WiFi)模块、电源、蓝牙模块等部件，在此不再赘述。
在本发明实施例中，各步骤的执行主体可以是上文介绍的终端。可选地，各步骤的执行主体为终端的操作系统。操作系统可以是安卓系统，也可以是IOS系统，或者其它操作系统，本发明实施例对此不作限定。
本发明实施例的终端，其上还可以安装有显示设备，显示设备可以是各种能实现显示功能的设备，例如：阴极射线管显示器(cathode ray tubedisplay，简称CR)、发光二极管显示器(light-emitting diode display，简称LED)、电子墨水屏、液晶显示屏(liquidcrystal display，简称LCD)、等离子显示面板(plasma display panel，简称PDP)等。用户可以利用终端上的显示设备，来查看显示的文字、图像、视频等信息。终端可以是智能手机、平板电脑、游戏设备、AR(Augmented Reality，增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本、桌面计算设备、可穿戴设备诸如电子手表、电子眼镜、电子头盔、电子手链、电子项链、电子衣物等设备。
本领域的技术人员可以清楚地了解到本发明的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列(Field－ProgrammaBLE GateArray，FPGA)、集成电路(Integrated Circuit，IC)等。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置，可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服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
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，在本发明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，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
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是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random AccessMemory，RAM)、磁盘或光盘等。
以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。

Claims (10)

1.一种基于傅里叶域自适应的医疗影像预处理方法，其特征在于，包括：
获取源域影像数据集和目标域影像数据集；
对所述目标域影像数据集进行特征化得到目标域特征集，利用DBSCAN聚类算法对所述目标域特征集进行聚类后，基于样本个数最多的簇生成目标数据集；
设置光谱邻域交换参数；
分别对所述源域影像数据集和所述目标数据集中的影像进行傅里叶变换得到对应的振幅图和相位图，并利用所述光谱邻域交换参数，获得对应的振幅图中的低频部分，将所述源域影像数据集的振幅图中的低频部分替换为目标数据集的振幅图中的低频部分，对替换后的源域影像数据集的振幅图和相位图进行傅里叶逆变换得到重建影像数据集；
利用所述重建影像数据集与所述目标数据集的特征距离筛选出目标重建影像数据集。
2.根据权利要求1所述的方法，其特征在于，所述对所述目标域影像数据集进行特征化得到目标域特征集包括：
利用预训练过的无监督屏蔽自动编码器对所述目标域影像数据集进行特征编码，形成目标域特征集。
3.根据权利要求1所述的方法，其特征在于，所述利用DBSCAN聚类算法对所述目标域特征集进行聚类后，基于样本个数最多的簇生成目标数据集包括：
引入基于密度的DBSCAN聚类算法，初始化扫描半径和最小包含点数两个参数；
对所述目标域特征集中未被访问的特征数据样本点，计算各特征数据样本点与其他特征数据样本点的曼哈顿距离；
统计所述曼哈顿距离在所述扫描半径内的样本个数，若所述样本个数大于所述最小包含点数，则当前特征数据样本点与其附近特征数据样本点形成一个簇，并递归访问簇内其他特征数据样本点，若所述样本个数小于所述最小包含点数，则标记当前特征数据样本点为噪声点；
在所述目标域特征集聚类完成后，确定样本个数最多的簇，并通过距离计算确定出样本个数最多的簇的中心样本，将所述中心样本作为目标数据集。
4.根据权利要求1所述的方法，其特征在于，所述设置光谱邻域交换参数包括：
定义掩膜和光谱邻域交换参数，所述掩膜表示需要替换的光谱邻域区域，利用所述光谱邻域交换参数确定所述掩膜的区域范围；
根据所述源域影像数据集和所述目标数据集的特征偏移量，设置所述光谱邻域交换参数的范围，以及该范围内随机采样的样本个数。
5.根据权利要求4所述的方法，其特征在于，所述利用所述光谱邻域交换参数，获得对应的振幅图中的低频部分包括：
根据设置的所述光谱邻域交换参数的范围和该范围内的样本个数，首先分别选取该范围的极大值和极小值加入到光谱邻域交换参数样本集中，再从该范围中选取剩下的样本个数的样本加入到所述光谱邻域交换参数样本集中；
遍历所述光谱邻域交换参数样本集，选择光谱邻域交换参数形成掩模；
利用所述掩模获得所述源域影像数据集和所述目标数据集对应的振幅图中的低频部分。
6.根据权利要求5所述的方法，其特征在于，所述从该范围中选取剩下的样本个数的样本加入到所述光谱邻域交换参数样本集中包括：
从该范围中使用非等距的随机搜索算法选取剩下的样本个数的样本加入到所述光谱邻域交换参数样本集中。
7.根据权利要求1所述的方法，其特征在于，所述利用所述重建影像数据集与所述目标数据集的特征距离筛选出目标重建影像数据集包括：
对所述重建影像数据集进行特征化得到重建特征集，计算所述重建特征集与所述目标数据集的曼哈顿距离，对所述曼哈顿距离进行排序，筛选出距离最近的重建影像作为目标重建影像数据集。
8.一种基于傅里叶域自适应的医疗影像预处理装置，其特征在于，包括：
数据获取模块，用于获取源域影像数据集和目标域影像数据集；
数据前处理模块，用于对所述目标域影像数据集进行特征化得到目标域特征集，利用DBSCAN聚类算法对所述目标域特征集进行聚类后，基于样本个数最多的簇生成目标数据集；
参数设置模块，用于设置光谱邻域交换参数；
影像重建模块，用于分别对所述源域影像数据集和所述目标数据集中的影像进行傅里叶变换得到对应的振幅图和相位图，并利用所述光谱邻域交换参数，获得对应的振幅图中的低频部分，将所述源域影像数据集的振幅图中的低频部分替换为目标数据集的振幅图中的低频部分，对替换后的源域影像数据集的振幅图和相位图进行傅里叶逆变换得到重建影像数据集；
重建结果筛选模块，用于利用所述重建影像数据集与所述目标数据集的特征距离筛选出目标重建影像数据集。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
CN202210016344.6A 2022-01-07 2022-01-07 基于傅里叶域自适应的医疗影像预处理方法和装置 Pending CN114492599A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210016344.6A CN114492599A (zh) 2022-01-07 2022-01-07 基于傅里叶域自适应的医疗影像预处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210016344.6A CN114492599A (zh) 2022-01-07 2022-01-07 基于傅里叶域自适应的医疗影像预处理方法和装置

Publications (1)

Publication Number Publication Date
CN114492599A true CN114492599A (zh) 2022-05-13

Family

ID=81509519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210016344.6A Pending CN114492599A (zh) 2022-01-07 2022-01-07 基于傅里叶域自适应的医疗影像预处理方法和装置

Country Status (1)

Country Link
CN (1) CN114492599A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116188481A (zh) * 2023-04-27 2023-05-30 深圳市大数据研究院 图像分割模型训练方法、图像处理方法、系统及电子设备
CN116206108A (zh) * 2023-02-16 2023-06-02 苏州大学 一种基于域自适应的oct图像脉络膜分割网络模型及方法
CN116563957A (zh) * 2023-07-10 2023-08-08 齐鲁工业大学(山东省科学院) 一种基于傅里叶域适应的人脸伪造视频检测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116206108A (zh) * 2023-02-16 2023-06-02 苏州大学 一种基于域自适应的oct图像脉络膜分割网络模型及方法
CN116188481A (zh) * 2023-04-27 2023-05-30 深圳市大数据研究院 图像分割模型训练方法、图像处理方法、系统及电子设备
CN116188481B (zh) * 2023-04-27 2023-10-20 深圳市大数据研究院 图像分割模型训练方法、图像处理方法、系统及电子设备
CN116563957A (zh) * 2023-07-10 2023-08-08 齐鲁工业大学(山东省科学院) 一种基于傅里叶域适应的人脸伪造视频检测方法
CN116563957B (zh) * 2023-07-10 2023-09-29 齐鲁工业大学(山东省科学院) 一种基于傅里叶域适应的人脸伪造视频检测方法

Similar Documents

Publication Publication Date Title
CN111524106B (zh) 颅骨骨折检测和模型训练方法、装置、设备和存储介质
CN114492599A (zh) 基于傅里叶域自适应的医疗影像预处理方法和装置
CN110189246B (zh) 图像风格化生成方法、装置及电子设备
JP2017049996A (ja) 画像認識に用いられるニューラルネットワークの訓練方法及び訓練装置
CN111275784B (zh) 生成图像的方法和装置
CN112839223B (zh) 图像压缩方法、装置、存储介质及电子设备
EP3839824A2 (en) Method and apparatus for generating image, device, medium and program
CN112614144A (zh) 一种图像分割方法、装置、设备及存储介质
CN109815448B (zh) 幻灯片生成方法及装置
CN111862096A (zh) 图像分割方法、装置、电子设备及存储介质
CN112131322A (zh) 时间序列分类方法及装置
CN115965750B (zh) 血管重建方法、装置、计算机设备和可读存储介质
CN112785493A (zh) 模型的训练方法、风格迁移方法、装置、设备及存储介质
CN114330236A (zh) 文字生成方法、装置、电子设备及存储介质
CN106663210A (zh) 基于感受的多媒体处理
CN113920296B (zh) 一种基于对比学习的文本识别方法与系统
JP2024508867A (ja) 画像クラスタリング方法、装置、コンピュータ機器及びコンピュータプログラム
CN110781849A (zh) 一种图像处理方法、装置、设备及存储介质
CN109241930B (zh) 用于处理眉部图像的方法和装置
CN116741197B (zh) 多模态图像生成方法、装置、存储介质及电子设备
CN113269849A (zh) 重建磁共振的方法和设备
CN113516738B (zh) 一种动画处理方法、装置、存储介质及电子设备
CN115205301A (zh) 基于特征空间多视角分析的影像分割方法和装置
CN114399501A (zh) 基于深度学习卷积神经网络的自动分割前列腺全腺体方法
Patil et al. A Review on Disease Prediction using Image Processing

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