CN114742753A - 基于神经网络的图像评估方法和装置 - Google Patents
基于神经网络的图像评估方法和装置 Download PDFInfo
- Publication number
- CN114742753A CN114742753A CN202210200289.6A CN202210200289A CN114742753A CN 114742753 A CN114742753 A CN 114742753A CN 202210200289 A CN202210200289 A CN 202210200289A CN 114742753 A CN114742753 A CN 114742753A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- exposure
- neural network
- exposure 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
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
- G06T7/0004—Industrial image inspection
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- 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
- G06T2207/10004—Still image; Photographic image
Abstract
本申请提出了一种基于神经网络的图像评估方法,涉及图像处理技术领域,其中,该方法包括:获取目标对象的预曝光图像;对预曝光图像进行预处理,将预处理后的预曝光图像输入至预先训练的第一神经网络,得到预曝光图像中的第一目标参数;根据第一目标参数对初始曝光参数进行更新以得到目标曝光参数,根据目标曝光参数获取目标对象的正式曝光图像;对正式曝光图像进行预处理,将预处理后的正式曝光图像输入至预先训练的第二神经网络,得到正式曝光图像中的第二目标参数。采用上述方案的本发明提高图片曝光效率,在保证图像质量的同时提高图像评估准确率。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及基于神经网络的图像评估方法和装置。
背景技术
早期发现是乳腺癌成功治疗的决定性因素。因此多年来医疗机构一直推荐使用乳腺X射线摄影对无症状女性进行定期筛查。目前乳腺病变的主要筛查方式是乳腺X射线摄影,近年来深度学习已经被用于乳腺X射线摄影扫描图像的分类和识别。针对女性乳腺X射线摄影图片的定量评估主要用于指导优化乳腺X射线摄影曝光参数设置,可以在保证图像质量的同时降低对病人的辐射风险。
目前对乳腺X射线摄影扫描图像进行评估的问题十分重要且亟待解决,现有的图像评估方法大多使用使用量表对图像进行评估分类,但是无论使用哪种量表,对图像的主观评估都存在一个普遍的缺点,即不具有可靠的可重复性,且图片分割时以人工划分为主,划分结果很大程度上取决于操作者的经验和技巧,智能化、自动化程度较低,极大影响评估效率。
发明内容
本申请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,本申请的第一个目的在于提出一种基于神经网络的图像评估方法,解决了现有方法的提高图片曝光效率,在保证图像质量的同时提高评估准确率。
本申请的第二个目的在于提出一种基于神经网络的图像评估装置。
为达上述目的,本申请第一方面实施例提出了一种基于神经网络的图像评估方法,包括:获取目标对象的预曝光图像;对预曝光图像进行预处理,将预处理后的预曝光图像输入至预先训练的第一神经网络,得到预曝光图像中的第一目标参数;根据第一目标参数对初始曝光参数进行更新以得到目标曝光参数,根据目标曝光参数获取目标对象的正式曝光图像;对正式曝光图像进行预处理,将预处理后的正式曝光图像输入至预先训练的第二神经网络,得到正式曝光图像中的第二目标参数。
可选地,在本申请的一个实施例中,对预曝光图像进行预处理,或,对正式曝光图像进行预处理,包括:
针对预曝光图像或正式曝光图像,从每幅图像中分离出第一区域和第二区域,其中,第二区域是图像中除第一区域以外的区域;
使用直方图均衡化将所有图像的强度分布调整到相同的范围,并将所有图像的分辨率调整到预设分辨率;
生成均值图像,并从每个图像中减去均值,以使每个图像的特征像素的均值为零。
可选地,在本申请的一个实施例中,在将预处理后的预曝光图像输入至预先训练的第一神经网络之前,方法还包括:
采集训练数据集,训练数据集包括若干配对的训练图像、以及训练图像对应的训练层图像和训练预曝光图像,
使用训练数据集训练深度学习网络模型,得到训练好的第一神经网络、第二神经网络,其中,使用训练数据集训练深度学习网络模型,包括:
对训练数据集中的训练层图像进行图像处理和分割,得到目标参数的数值作为训练数据的标签;
对训练预曝光图像及训练图像进行预处理;
根据生成的标签,将预处理后的训练预曝光图像和训练图像分别输入深度学习网络模型进行训练,得到训练好的第一神经网络、第二神经网络。
为达上述目的,本发明第二方面实施例提出了一种基于神经网络的图像评估装置,包括:获取模块、第一目标参数生成模块、正式曝光图像生成模块、第二目标参数生成模块,其中,
获取模块,用于获取目标对象的预曝光图像;
第一目标参数生成模块,用于使用预处理模块对预曝光图像进行预处理,将预处理后的预曝光图像输入至预先训练的第一神经网络,得到预曝光图像中的第一目标参数;
正式曝光图像生成模块,用于根据第一目标参数对初始曝光参数进行更新以得到目标曝光参数,根据目标曝光参数获取目标对象的正式曝光图像;
第二目标参数生成模块,用于使用预处理模块对正式曝光图像进行预处理,将预处理后的正式曝光图像输入至预先训练的第二神经网络,得到正式曝光图像中的第二目标参数。
可选地,在本申请的一个实施例中,预处理模块,用于:
针对预曝光图像或正式曝光图像,从每幅图像中分离出第一区域和第二区域,其中,第二区域是图像中除第一区域以外的区域;
使用直方图均衡化将所有图像的强度分布调整到相同的范围,并将所有图像的分辨率调整到预设分辨率;
生成均值图像,并从每个图像中减去均值,以使每个图像的特征像素的均值为零。
可选地,在本申请的一个实施例中,还包括训练模块,用于在将预处理后的预曝光图像输入至预先训练的第一神经网络之前,训练第一神经网络和第二神经网络,其中,训练第一神经网络和第二神经网络,包括:
采集训练数据集,训练数据集包括若干配对的训练图像、以及训练图像对应的训练层图像和训练预曝光图像,
使用训练数据集训练深度学习网络模型,得到训练好的第一神经网络、第二神经网络,其中,使用训练数据集训练深度学习网络模型,包括:
对训练数据集中的训练层图像进行图像处理和分割,得到目标参数的数值作为训练数据的标签;
对训练预曝光图像及训练图像进行预处理;
根据生成的标签,将预处理后的训练预曝光图像和训练图像分别输入深度学习网络模型进行训练,得到训练好的第一神经网络、第二神经网络。
为了实现上述目的,本发明第三方面实施例提出了一种非临时性计算机可读存储介质,当所述存储介质中的指令由处理器被执行时,使得能够执行上述基于神经网络的图像评估方法。
本申请的基于神经网络的图像评估方法,通过获取目标对象的预曝光图像;对预曝光图像进行预处理,将预处理后的预曝光图像输入至预先训练的第一神经网络,得到预曝光图像中的第一目标参数;根据第一目标参数对初始曝光参数进行更新以得到目标曝光参数,根据目标曝光参数获取目标对象的正式曝光图像;对正式曝光图像进行预处理,将预处理后的正式曝光图像输入至预先训练的第二神经网络,得到正式曝光图像中的第二目标参数,从而提高图片曝光效率,在保证图像质量的同时提高评估准确率。
本申请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,或通过本申请的实践了解到。
附图说明
本申请上述的和/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为本申请实施例一所提供的一种基于神经网络的图像评估方法的流程示意图;
图2为本申请实施例提供的一种适用于乳腺X射线摄影预曝光和正式曝光图像的腺体密度评估方法的流程示意图;
图3为本申请实施例的适用于乳腺X射线摄影预曝光和正式曝光图像的腺体密度评估应用阶段的流程图;
图4为本申请实施例的适用于乳腺X射线摄影预曝光和正式曝光图像的腺体密度评估训练网络结构示意图;
图5为本申请实施例提供的一种基于神经网络的图像评估装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,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,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于神经网络的图像评估方法和装置。
图1为本申请实施例一所提供的一种基于神经网络的图像评估方法的流程示意图。
如图1所示,该基于神经网络的图像评估方法包括以下步骤:
步骤101,获取目标对象的预曝光图像;
步骤102,对预曝光图像进行预处理,将预处理后的预曝光图像输入至预先训练的第一神经网络,得到预曝光图像中的第一目标参数;
步骤103,根据第一目标参数对初始曝光参数进行更新以得到目标曝光参数,根据目标曝光参数获取目标对象的正式曝光图像;
步骤104,对正式曝光图像进行预处理,将预处理后的正式曝光图像输入至预先训练的第二神经网络,得到正式曝光图像中的第二目标参数。
其中,所述第一目标参数和所述第二目标参数属于同一指标。
本申请实施例的基于神经网络的图像评估方法,通过获取目标对象的预曝光图像;对预曝光图像进行预处理,将预处理后的预曝光图像输入至预先训练的第一神经网络,得到预曝光图像中的第一目标参数;根据第一目标参数对初始曝光参数进行更新以得到目标曝光参数,根据目标曝光参数获取目标对象的正式曝光图像;对正式曝光图像进行预处理,将预处理后的正式曝光图像输入至预先训练的第二神经网络,得到正式曝光图像中的第二目标参数,由此,能够提高图片曝光效率,在保证图像质量的同时提高评估准确率。
进一步地,在本申请实施例中,对预曝光图像进行预处理,或,对正式曝光图像进行预处理,包括:
针对预曝光图像或正式曝光图像,从每幅图像中分离出第一区域和第二区域,其中,第二区域是图像中除第一区域以外的区域;
使用直方图均衡化将所有图像的强度分布调整到相同的范围。所有图像都被调整为较小的分辨率,以获得更高的计算效率;
生成均值图像,并从每个图像中减去均值,以确保每个特征像素的均值为零。
具体地,在本申请实施例中,在将预处理后的预曝光图像输入至预先训练的第一神经网络之前,方法还包括:
采集训练数据集,训练数据集包括若干配对的训练图像、以及训练图像对应的训练层图像和训练预曝光图像,
使用训练数据集训练深度学习网络模型,得到训练好的第一神经网络、第二神经网络,其中,使用训练数据集训练深度学习网络模型,包括:
对训练数据集中的训练层图像进行图像处理和分割,得到目标参数的数值作为训练数据的标签;
对训练预曝光图像及训练图像进行预处理;
根据生成的标签,将预处理后的训练预曝光图像和训练图像分别输入深度学习网络模型进行训练,得到训练好的第一神经网络、第二神经网络。
以乳腺腺体密度评估为例,介绍本申请的卷积神经网络识别与评估系统动态特性的方法:
乳腺组织主要由纤维腺体组织和脂肪组织组成,其中纤维腺体组织在乳腺X射线摄影(DM)图像上表现为致密,脂肪组织表现为几乎透明。在这种情况下,乳腺的腺体密度(MBD)指在乳腺X射线摄影中纤维腺体组织占据乳腺组织的相对质量比例。MBD极高的女性患乳腺癌的风险可能是乳腺组织以脂肪组织为主的女性的4至6倍。这可能是由病因效应或掩蔽效应造成的。病因效应反映在:乳腺癌主要发生在排列在乳腺导管的上皮细胞中,乳腺MBD高反映了乳腺主要由纤维腺体组织组成,因此表明乳腺癌的发展可能性增加。掩蔽效应是由于乳腺X射线摄影照片中检测腺体高密度区域的潜在病变比检测脂肪区域的病变难度增加,因此敏感性降低。所以对乳腺密度较高的女性进行补充筛查将是非常必要的。美国放射学会(American Collegeof Radiology,ACR)乳腺成像报告与数据系统(Breast ImagingReportingand Database System,BI-RADS)2013年第五版对腺体百分含量的划分为:脂肪型(腺体含量<25%),纤维腺体型(腺体含量约25%-50%),不均匀致密型(腺体含量约51%-75%),致密型(腺体含量>75%)。目前有很多方法对乳腺MBD进行评估,主要是基于视觉区域进行定性评估。方法包括BI-RADS分类量表,视觉模拟量表(VAS),半自动阈值分割算法。许多放射科医生会使用其他的方法对乳腺X射线摄影图像中的乳腺成分分类,比如Wolfe等级,Boyd的六分类法,Tabar模式,以及BI-RADS密度等级。
乳腺X射线摄影是通过X射线管经过一定的靶滤过对受检者乳腺进行二维成像,用于检测受检者乳腺内部的肿块和钙化等病变。与此同时,X射线也会对腺体造成辐射风险。为了在尽可能多地降低辐射风险地同时提高诊断图像质量,为受检者进行曝光时设置合适地束流参数尤为重要,其中起到主要影响的是受检者的MBD。所以,在正式曝光之前获取受检者的MBD在摄影过程中十分必要,所以MBD评估准确度、评估效率等研究内容就显得尤为重要。目前进行MBD定量评估所采用的方法主要有以下两种。一是经验丰富的医师根据乳腺体层合成摄影得出的3D图像模型进行层层划分,建立其腺体再乳腺内的3D模型,计算得出MBD;二是让使用Volpara、Quantra等软件对原始乳腺X射线摄影图像来估计乳腺中致密纤维腺体和脂肪组织的体积进行估计,从而对MBD进行评估。
现有的乳腺腺体密度评估技术的缺点主要有:
1)现有技术中提到使用量表对MBD进行评估分类,但是无论使用哪种量表,对MBD的主观评估都存在一个普遍的缺点,即不具有可靠的可重复性。
2)根据乳腺体层合成摄影曝光图像中腺体分割以人工划分为主,划分结果很大程度上取决于操作者的经验和技巧,智能化、自动化程度较低,极大影响诊断效率。
3)Volpara、Quantra软件的MBD评估技术无法对乳腺局部的预曝光图像进行乳腺整体的MBD评估,对正式曝光过程缺乏指导意义,并且自动化程度较低,影响乳腺X射线摄影的曝光效率。
4)目前采用神经网络进行MBD评估的主流方法主要是对MBD进行量表归类,无法得到准确的MBD值,并且该方法是在得到正式曝光图像后进行处理,无法在正式曝光之前得到MBD用于指导乳腺X射线摄影曝光的束流参数,缺少临床试用价值。
深度学习已经被用于乳腺分割,乳腺病变检测,乳腺肿块检测和乳腺肿块分割,各种深度学习方法已经被提出用于其他与乳腺癌相关的任务,如区分良性肿块和恶性肿块以及肿块和微钙化的区分。目前基于深度学习的乳腺MBD估计方法近年来受到越来越多的关注,但是发表的研究数量很少。最近的一项研究利用监督深度学习将乳腺MBD划分为BI-RADS类别,并显示很好的效果。
因此将本申请的卷积神经网络识别与评估系统动态特性的方法应用于乳腺腺体密度评估,在乳腺腺体密度评估时使用深度学习方法,提高乳腺X射线摄影的图像质量和诊断效率。
图2为本申请实施例提供的一种适用于乳腺X射线摄影预曝光和正式曝光图像的腺体密度评估方法的流程示意图,
如图2所示,该适用于乳腺X射线摄影预曝光和正式曝光图像的腺体密度评估方法包括:
获取受检者乳腺图片并进行预曝光,生成预曝光图像;
对预曝光图像进行图像预处理,并将预处理后的图像输入训练好的第一神经网络,完成对受检者腺体密度的预先评估,得到预估腺体密度;
根据预估腺体密度优化乳腺X射线摄影曝光参数,根据优化后的曝光参数对受检者乳腺图片进行正式曝光,得到正式曝光图像,其中,预估腺体密度越大,采取的乳腺X射线摄影曝光参数,如管电压、mAs越高;
对正式曝光图像进行图像预处理,并将预处理后的图像输入训练好的第二神经网络,自动评估得到乳腺腺体密度MBD值。
进一步地,在本申请实施例中,对预曝光图像进行预处理,或,对正式曝光图像进行预处理,包括:
在每副图像中,将全乳区域与非乳区域(即空气和胸肌)自动分离;
使用直方图均衡化将所有图像的强度分布调整到相同的范围。所有图像都被调整为较小的分辨率,以获得更高的计算效率;
生成均值图像,并从每个输入图像中减去均值,以确保每个特征像素的均值为零。
进一步地,在本申请实施例中,在将预处理后的预曝光图像输入至预先训练的第一神经网络之前,还包括神经网络训练,训练过程如图3所示,包括:
采集若干配对的乳腺X射线摄影、乳腺体层合成及预曝光图像;
对所述训练数据集中的训练层图像进行图像处理和分割,得到训练层图像的乳房区域(其中包括皮肤区域、脂肪区域和腺体区域)和非乳房区域,并将训练层按照初始顺序层层叠加,得到乳房的三维体素模型。最后根据乳房的皮肤、腺体、脂肪密度计算得到乳腺腺体密度作为训练数据的标签;
对乳腺X射线摄影图像及预曝光图像进行上述预处理;
根据生成的标签,使用预处理后的预曝光图像和乳腺X射线摄影图像分别输入深度学习网络模型进行训练,得到训练好的第一神经网络、第二神经网络,其中,第一神经网络的结构如图4所示,包括输入层、平均池化层、第一卷积层、第二卷积层、第一最大池化层、第三卷积层、第二最大池化层、第四卷积层、第三最大池化层和全连接层。平均池化层中卷积核为4×4;第一卷积层中卷积核为2×2,该层输出图像特征为32;第二卷积层中卷积核为4×4,该层输出图像特征为128;第一最大池化层中卷积核为2×2;第三卷积层中卷积核为4×4,该层输出图像特征为256;第二最大池化层中卷积核为2×2;第四卷积层中卷积核为4×4,该层输出图像特征为512;第三最大池化层中卷积核为2×2。第二神经网络的结构和第一神经网络完全相同。
在本实施例中,虽然通常描述使用头尾位(CC)或中侧斜(MLO)视图乳腺X射线摄影图像。只要改变数据集进行训练,该网络也可以应用于其他视图,如中外侧(ML),外侧内侧(LM)和设备所照射的其他视图。使用该技术的前提是最终测试使用的图像和数据集的视图保持一致。
本申请的卷积神经网络识别与评估系统动态特性的方法应用在乳腺腺体密度评估时能够提高曝光效率,在保证图像质量的同时减少对受检者的辐射风险,并对正式曝光后摄影图像再次进行腺体密度评估,为下次乳腺X射线摄影筛查提供曝光参考,采用人工智能的方法实现正式曝光过程中MBD的准确估计和束流参数的交互式自动调整,便于提高乳腺X射线摄影的图像质量和诊断效率。
为了实现上述实施例,本申请还提出一种基于神经网络的图像评估装置。
图5为本申请实施例提供的一种基于神经网络的图像评估装置的结构示意图。
如图5所示,该基于神经网络的图像评估装置,包括获取模块、第一目标参数生成模块、正式曝光图像生成模块、第二目标参数生成模块,其中,
获取模块,用于获取目标对象的预曝光图像;
第一目标参数生成模块,用于使用预处理模块对预曝光图像进行预处理,将预处理后的预曝光图像输入至预先训练的第一神经网络,得到预曝光图像中的第一目标参数;
正式曝光图像生成模块,用于根据第一目标参数对初始曝光参数进行更新以得到目标曝光参数,根据目标曝光参数获取目标对象的正式曝光图像;
第二目标参数生成模块,用于使用预处理模块对正式曝光图像进行预处理,将预处理后的正式曝光图像输入至预先训练的第二神经网络,得到正式曝光图像中的第二目标参数。
进一步地,在本申请实施例中,预处理模块,用于:
针对预曝光图像或正式曝光图像,从每幅图像中分离出第一区域和第二区域,其中,第二区域是图像中除第一区域以外的区域;
使用直方图均衡化将所有图像的强度分布调整到相同的范围,并将所有图像的分辨率调整到预设分辨率;
生成均值图像,并从每个图像中减去均值,以使每个图像的特征像素的均值为零。
具体地,在本申请实施例中,还包括训练模块,用于在将预处理后的预曝光图像输入至预先训练的第一神经网络之前,训练第一神经网络和第二神经网络,其中,训练第一神经网络和第二神经网络,包括:
采集训练数据集,训练数据集包括若干配对的训练图像、以及训练图像对应的训练层图像和训练预曝光图像,
使用训练数据集训练深度学习网络模型,得到训练好的第一神经网络、第二神经网络,其中,使用训练数据集训练深度学习网络模型,包括:
对训练数据集中的训练层图像进行图像处理和分割,得到目标参数的数值作为训练数据的标签;
对训练预曝光图像及训练图像进行预处理;
根据生成的标签,将预处理后的训练预曝光图像和训练图像分别输入深度学习网络模型进行训练,得到训练好的第一神经网络、第二神经网络。
需要说明的是,前述对基于神经网络的图像评估方法实施例的解释说明也适用于该实施例的基于神经网络的图像评估装置,此处不再赘述。
为了实现上述实施例,本发明还提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
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,并且本申请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,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,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模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种基于神经网络的图像评估方法,其特征在于,包括以下步骤:
获取目标对象的预曝光图像;
对所述预曝光图像进行预处理,将预处理后的预曝光图像输入至预先训练的第一神经网络,得到所述预曝光图像中的第一目标参数;
根据所述第一目标参数对初始曝光参数进行更新以得到目标曝光参数,根据所述目标曝光参数获取所述目标对象的正式曝光图像;
对所述正式曝光图像进行预处理,将预处理后的正式曝光图像输入至预先训练的第二神经网络,得到所述正式曝光图像中的第二目标参数。
2.如权利要求1所述的方法,其特征在于,对所述预曝光图像进行预处理,或,对所述正式曝光图像进行预处理,包括:
针对所述预曝光图像或所述正式曝光图像,从每幅图像中分离出第一区域和第二区域,其中,所述第二区域是图像中除所述第一区域以外的区域;
使用直方图均衡化将所有图像的强度分布调整到相同的范围,并将所有图像的分辨率调整到预设分辨率;
生成均值图像,并从每个图像中减去均值,以使每个图像的特征像素的均值为零。
3.如权利要求1或2所述的方法,其特征在于,在将预处理后的预曝光图像输入至预先训练的第一神经网络之前,所述方法还包括:
采集训练数据集,所述训练数据集包括若干配对的训练图像、以及所述训练图像对应的训练层图像和训练预曝光图像,
使用所述训练数据集训练深度学习网络模型,得到训练好的第一神经网络、第二神经网络,其中,所述使用所述训练数据集训练深度学习网络模型,包括:
对所述训练数据集中的训练层图像进行图像处理和分割,得到目标参数的数值作为训练数据的标签;
对所述训练预曝光图像及所述训练图像进行所述预处理;
根据生成的标签,将预处理后的训练预曝光图像和训练图像分别输入所述深度学习网络模型进行训练,得到训练好的第一神经网络、第二神经网络。
4.一种基于神经网络的图像评估装置,其特征在于,包括获取模块、第一目标参数生成模块、正式曝光图像生成模块、第二目标参数生成模块,其中,
所述获取模块,用于获取目标对象的预曝光图像;
所述第一目标参数生成模块,用于使用预处理模块对所述预曝光图像进行预处理,将预处理后的预曝光图像输入至预先训练的第一神经网络,得到所述预曝光图像中的第一目标参数;
所述正式曝光图像生成模块,用于根据所述第一目标参数对初始曝光参数进行更新以得到目标曝光参数,根据所述目标曝光参数获取所述目标对象的正式曝光图像;
所述第二目标参数生成模块,用于使用预处理模块对所述正式曝光图像进行预处理,将预处理后的正式曝光图像输入至预先训练的第二神经网络,得到所述正式曝光图像中的第二目标参数。
5.如权利要求4所述的装置,其特征在于,所述预处理模块,用于:
针对所述预曝光图像或所述正式曝光图像,从每幅图像中分离出第一区域和第二区域,其中,所述第二区域是图像中除所述第一区域以外的区域;
使用直方图均衡化将所有图像的强度分布调整到相同的范围,并将所有图像的分辨率调整到预设分辨率;
生成均值图像,并从每个图像中减去均值,以使每个图像的特征像素的均值为零。
6.如权利要求4或5所述的装置,其特征在于,还包括训练模块,用于在将预处理后的预曝光图像输入至预先训练的第一神经网络之前,训练所述第一神经网络和所述第二神经网络,其中,所述训练所述第一神经网络和所述第二神经网络,包括:
采集训练数据集,所述训练数据集包括若干配对的训练图像、以及所述训练图像对应的训练层图像和训练预曝光图像,
使用所述训练数据集训练深度学习网络模型,得到训练好的第一神经网络、第二神经网络,其中,所述使用所述训练数据集训练深度学习网络模型,包括:
对所述训练数据集中的训练层图像进行图像处理和分割,得到目标参数的数值作为训练数据的标签;
对所述训练预曝光图像及所述训练图像进行所述预处理;
根据生成的标签,将预处理后的训练预曝光图像和训练图像分别输入所述深度学习网络模型进行训练,得到训练好的第一神经网络、第二神经网络。
7.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-3中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210200289.6A CN114742753A (zh) | 2022-03-02 | 2022-03-02 | 基于神经网络的图像评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210200289.6A CN114742753A (zh) | 2022-03-02 | 2022-03-02 | 基于神经网络的图像评估方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114742753A true CN114742753A (zh) | 2022-07-12 |
Family
ID=82275647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210200289.6A Pending CN114742753A (zh) | 2022-03-02 | 2022-03-02 | 基于神经网络的图像评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742753A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152233A (zh) * | 2023-04-17 | 2023-05-23 | 北京邮电大学 | 图像处理方法、智能终端及存储介质 |
-
2022
- 2022-03-02 CN CN202210200289.6A patent/CN114742753A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152233A (zh) * | 2023-04-17 | 2023-05-23 | 北京邮电大学 | 图像处理方法、智能终端及存储介质 |
CN116152233B (zh) * | 2023-04-17 | 2023-09-26 | 北京邮电大学 | 图像处理方法、智能终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4310099B2 (ja) | 肺疾患検出のための方法及びシステム | |
Mesanovic et al. | Automatic CT image segmentation of the lungs with region growing algorithm | |
US8340388B2 (en) | Systems, computer-readable media, methods, and medical imaging apparatus for the automated detection of suspicious regions of interest in noise normalized X-ray medical imagery | |
US7903861B2 (en) | Method for classifying breast tissue density using computed image features | |
CN111768343B (zh) | 用于促进检查肝脏肿瘤病例的系统和方法 | |
US20090052763A1 (en) | Characterization of lung nodules | |
CN111383338B (zh) | 用于基于深度学习的图像重建的系统和方法 | |
US20110026791A1 (en) | Systems, computer-readable media, and methods for classifying and displaying breast density | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
JP2012512672A (ja) | 医用画像内病変自動検出方法およびシステム | |
CN109919254B (zh) | 乳腺密度分类方法、系统、可读存储介质和计算机设备 | |
KR20150073628A (ko) | 컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법 | |
CN110348477B (zh) | 医疗图像处理方法、存储介质及计算机设备 | |
Koundal et al. | Challenges and future directions in neutrosophic set-based medical image analysis | |
US20100266173A1 (en) | Computer-aided detection (cad) of a disease | |
Iqbal et al. | Potential lung nodules identification for characterization by variable multistep threshold and shape indices from CT images | |
CN114742753A (zh) | 基于神经网络的图像评估方法和装置 | |
WO2022033598A1 (zh) | 乳房x射线图像获取方法、装置、计算机设备和存储介质 | |
JP2016504070A (ja) | 画像データに基づく組織表面ラフネスの定量化、及びそれに基づく疾患の存在の決定 | |
WO2022153100A1 (en) | A method for detecting breast cancer using artificial neural network | |
da Cruz | Automatic analysis of mammography images | |
da Cruz | Automatic analysis of mammography images: enhancement and segmentation techniques | |
You et al. | Extraction of samples from airway and vessel trees in 3D lung CT based on a multi-scale principal curve tracing algorithm | |
Mesanovic et al. | Application of lung segmentation algorithm to disease quantification from CT images | |
Mohanapriya et al. | Comparison and evaluation of BPN and SVM classifier to diagnose liver lesion using CT image |
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 |