CN116309593B - 基于数学模型的肝脏穿刺活检b超图像处理方法及系统 - Google Patents
基于数学模型的肝脏穿刺活检b超图像处理方法及系统 Download PDFInfo
- Publication number
- CN116309593B CN116309593B CN202310579992.7A CN202310579992A CN116309593B CN 116309593 B CN116309593 B CN 116309593B CN 202310579992 A CN202310579992 A CN 202310579992A CN 116309593 B CN116309593 B CN 116309593B
- Authority
- CN
- China
- Prior art keywords
- image
- target area
- liver
- mathematical model
- biopsy
- 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
Links
- 210000004185 liver Anatomy 0.000 title claims abstract description 75
- 238000013178 mathematical model Methods 0.000 title claims abstract description 58
- 238000001574 biopsy Methods 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims description 19
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000013136 deep learning model Methods 0.000 claims description 17
- 230000003902 lesion Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012317 liver biopsy Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 208000019423 liver disease Diseases 0.000 description 3
- 230000036285 pathological change Effects 0.000 description 3
- 231100000915 pathological change Toxicity 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于数学模型的肝脏穿刺活检B超图像处理方法及系统,本发明在通过数学模型对肝脏B超图像进行处理时,首先通过图像比较的方法识别出最终目标区域的图像,然后将最终目标区域输入到数学模型中进行识别,可大大减少数学模型对B超图像处理的时间,并能提高处理的精度;另外,本发明面对不同B超图像分辨率不同的情况,在标记最终目标区域的图像时,对目标区域的图像的像素点个数进行判断,根据像素点个数对初始目标区域进行调整;以期囊括更多的信息,从而提高数学模型对图像进行处理的准确度。
Description
技术领域
本发明涉及图像处理技术领域,更具体的涉及一种基于数学模型的肝脏穿刺活检B超图像处理方法及系统。
背景技术
肝脏疾病时刻威胁着人类的健康,肝脏疾病的诊断和治疗一直是医学界研究的重点。目前由于肝脏病变引起的疾病成了人类死亡的主要原因之一,如果能够及早的发现这些疾病同时给予治疗,可获得治愈的可能性会大大的增加,其中,对肝脏疾病进行诊断离不开识别肝脏的位置。超声成像技术由于设备操作简便、检查用时短、实时动态、安全无辐射、检查费用低等特点,因此,在临床上主要利用超声技术对肝脏进行识别。利用计算机技术对肝脏穿刺过程中的图像进行自动识别,可以精准把握肝脏穿刺的下针和回针时机,极大减少了人为主观因素,提高肝脏穿刺的准确率,由于B超图像是通过声波反射的原理生成的图像,因此,其在成像过程中必然会产生大量的噪音,影响到医生对肝脏病变位置的识别精度。
现有技术中,一般采用数学模型的方式对B超图像进行处理,用于对B超图像中的有用信息进行提取,以期获取更多有用信息,例如,中国发明专利(CN108053401A)公开了一种B超图像处理方法及装置,用以解决B超处理过程容易导致区域分割模糊的问题。该方法包括:将获取到的B超图像按照设定比例分为训练集和验证集,将训练集和验证集分别按照图像规格进行缩放,得到多个第一训练缩放图像和多个第一验证缩放图像;根据深度卷积分别对第一训练缩放图像和第一验证缩放图像进行语义分割,分别得到训练预测概率和验证预测概率;根据多个训练预测概率,多个验证预测概率与真实标签值的关系,确定训练损失值和验证损失值;通过调整模型超参数对设定模型进行调整,当确定训练损失值和验证损失值均收敛于设置值时,将调整后的设定模型确定为B超图像识别模型;然而,上述方法在对CT处理时,没有对B超图像进行处理即输入到深度学习模型中,会造成模型训练量巨大,且影响模型对图像处理的准确度,因此,现有技术急需一种基于数学模型的肝脏穿刺活检B超图像处理方法及系统,用于减少模型的运算量,并提高模型的处理准确度。
发明内容
本发明要解决的技术问题是针对上述技术方案的不足,提供一种基于数学模型的肝脏穿刺活检B超图像处理方法及系统,用于减少模型的运算量,并提高模型的处理准确度。
为了实现上述目的,根据本发明的一个方面,提供一种基于数学模型的肝脏穿刺活检B超图像处理方法,包括以下步骤:
步骤1: 对B超图像进行目标区域的标记,得到最终目标区域的图像;
步骤2:对所述最终目标区域的图像进行预处理;
步骤3:通过数学模型对经过预处理后的最终目标区域的图像进行处理,识别出肝脏的病变区域,用于指导肝脏穿刺活检。
优选地,本发明在通过数学模型对肝脏图像进行识别时,首先标记出需要识别的目标区域,仅将目标区域输入到数学模型中,从而减少运算时间以及提高B超图像的处理精度;
优选地,本发明通过机器标记的方式标记B超图像的目标区域;
更进一步地,所述机器标记的方式标记B超图像的目标区域具体步骤为:
步骤1.1:选取一张标准肝脏B超图像;
步骤1.2:将需要处理的B超图像与标准肝脏B超图像进行图像比较,找出与所述标准肝脏B超图像相似度最高的区域;作为初始目标区域;
优选地,本发明借助像素图像的图像比较方法对所述需要处理的B超图像与所述标准肝脏B超图像进行图像比较;
更进一步地,所述图像比较的方法为均值哈希(Average Hash,aHash)算法、感知哈希(Perceptual Hash,pHash)算法和差异值哈希(Deference Hash,dHash)算法中的一种;
步骤1.3:判断所述初始目标区域的图像的像素点个数,根据像素点个数对初始目标区域进行调整;
值得强调地,本发明在对目标区域进行选择时,创造性地提出了考虑识别出来的目标区域的像素多少对初始目标区域进行调整,若目标区域的像素较少时,将目标区域的标记框扩大;
优选地,所述判断所述初始目标区域的图像的像素点个数,根据像素点个数对初始目标区域进行调整具体为:若所述初始目标区域的像素点个数小于30万时,则对所述初始目标区域的标记框进行等比例扩大,使像素点个数大于30万,再将扩大的区域图像为最终目标区域的图像,以提高数学模型对肝脏图像进行处理的准确度;若所述目标区域的像素点个数大于等于30万时,则确定所述初始目标区域的图像为最终目标区域的图像;
具体地,所述预处理包括对数逆变换、滤波、降噪;
更进一步地,首先对所述最终目标区域的图像进行对数逆变换,用于将图像转换成回波信号,然后,对所述回波信号进行滤波操作,用于去除回波信号中的噪音,然后,对所述回波信号进行去噪操作,用于进一步去除回波信号中的噪音;
具体地,所述滤波操作为中值滤波,所述去噪操作为斑点去噪;
具体地,所述数学模型可以为支持向量机模型、深度学习模型等;
优选地,本发明中的数学模型为深度学习模型;
更进一步地,所述步骤3具体包括:
步骤3.1:训练深度学习模型;
优选地,所述深度学习模型为U-Net模型,所述步骤3.1具体为:首先将数据集输入到U-Net模型中进行肝脏处理任务的训练,然后通过迭代优化所述U-Net模型,并将模型处理结果与实际结果进行比较,直到误差函数收敛,则深度学习模型训练完成;
步骤3.2:将经过所述预处理的最终目标区域的图像输入到训练好的深度学习模型中,完成肝脏图像中病变区域的识别;
步骤3.3:将识别出的肝脏病变区域的图像进行分割出来发给医生,用于指导肝脏穿刺活检。
根据本发明的另一方面, 本发明还提供一种基于数学模型的肝脏穿刺活检B超图像处理系统,用于B超图像进行处理,其采用上述的基于数学模型的肝脏穿刺活检B超图像处理方法;该系统还包括:
标记模块:用于对B超图像进行目标区域的标记,得到最终目标区域的图像;
预处理模块,用于对所述最终目标区域的图像进行预处理;
图像处理模块,用于通过数学模型对经过预处理后的最终目标区域的图像进行处理,识别出肝脏的病变区域,指导肝脏穿刺活检。
根据本发明的另一方面,本发明还包括一种计算机可读存储介质,计算机可读存储介质上存储有数据处理程序,数据处理程序被处理器执行上述的一种基于数学模型的肝脏穿刺活检B超图像处理方法。
基于上述技术方案,本申请提供的一种基于数学模型的肝脏穿刺活检B超图像处理方法和系统,具有如下技术效果:
本发明在通过数学模型对B超图像进行处理时,首先通过图像比较的方法识别出最终目标区域的图像,然后将最终目标区域输入到数学模型中进行识别,可大大减少数学模型对B超图像处理的时间,并能提高处理的精度;
本发明面对不同B超图像分辨率不同的情况,在标记最终目标区域的图像时,对目标区域的图像的像素点个数进行判断,根据像素点个数对初始目标区域进行调整;以期囊括更多的信息,从而提高数学模型对图像进行处理的准确度。
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要介绍,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,对于本领域的普通技术人员来讲,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为本申请实施例提供的一种基于数学模型的肝脏穿刺活检B超图像处理方法流程图;
图2为本申请实施例提供的机器标记的方式标记B超图像的目标区域具体步骤流程图;
图3为本申请实施例提供的标准肝脏B超图像的示意图;
图4为本申请实施例提供的通过数学模型对经过预处理后的最终目标区域的图像进行处理,识别出肝脏的病变区域,用于指导肝脏穿刺活检的流程图。
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、完整的描述,显然,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,本领域普通技术人员在没有做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。
下面首先结合附图对本申请所涉及的概念进行说明。在此需要指出的是,以下对各个概念的说明,仅为了使本申请的内容更加容易理解,并不表示对本申请保护范围的限定。
实施例一、如图1所示,提供一种基于数学模型的肝脏穿刺活检B超图像处理方法,包括以下步骤:
步骤1: 对B超图像进行目标区域的标记,得到最终目标区域的图像;
实际上,直接采集的原始的B超图像包括了很多与疾病诊断无关的区域,比如说,表皮区域、肌肉组织区域,骨骼等,而与诊断相关的区域可能只占一张完整B超图像的一部分,一般地,医生在手动识别时,会通过经验根据肝脏的形态特征对肝脏进行识别,进而判断肝脏的病变区域,用于指导肝脏穿刺,而通过数学模型进行识别时,如果将一张完整的B超图像全部输入到识别模型中,必将会通过非常长的时间才能识别出肝脏的病变区域,效率不高,并且,由于识别的区域过多,干扰较大,因此,图像的处理精度也会受到影响,因此,本实施例在通过数学模型对肝脏图像进行识别时,首先标记出需要识别的目标区域,仅将目标区域输入到数学模型中,从而减少运算时间以及提高B超图像的处理精度;
具体地,本实施例通过机器标记的方式标记B超图像的目标区域;
更进一步地,如图2所示,所述机器标记的方式标记B超图像的目标区域具体步骤为:
步骤1.1:选取一张标准肝脏B超图像;
如图3所示,本实施例示出了标准的肝脏B超图像,以用于后续的图像比较;步骤1.2:将需要处理的B超图像与标准肝脏B超图像进行图像比较,找出与所述标准肝脏B超图像相似度最高的区域;作为初始目标区域;
实质上,B超图像与普通图像相似,都是由像素构成,因此,可借助像素图像的图像比较方法对所述需要处理的B超图像与所述标准肝脏B超图像进行图像比较;
具体地,所述图像比较的方法为均值哈希(Average Hash,aHash)算法、感知哈希(Perceptual Hash,pHash)算法和差异值哈希(Deference Hash,dHash)算法中的一种;
步骤1.3:判断所述初始目标区域的图像的像素点个数,根据像素点个数对初始目标区域进行调整;
在B超图像采集过程中,不同的采集仪器采集的B超图像的分辨率不同,或者是在操作同一台仪器时,不同的医生设置的采集参数不同,也会导致B超图像的分辨率不同,那么过低的分辨率会导致通过数学模型对B超图像识别时精度降低的问题,因此,本实施例在对目标区域进行选择时,创造性地提出了考虑识别出来的目标区域的像素多少对初始目标区域进行调整,若目标区域的像素较少时,将目标区域的标记框扩大,这样做的目的一方面在于,通过将目标区域的标记框扩大,使得输入到数学模型中的信息较多,一般地,输入的信息越多,则智能的数学模型更容易通过机器学习的方式获取到重要的信息,从而更容易识别出肝脏;另一方面,通过将目标区域的标记框扩大,则相当于囊括了更多的背景信息,从而在将目标区域输入到数学模型中时,由于背景信息增多,数学模型则能较为准确的识别出背景信息,因此,也就能较为准确的将肝脏识别出来,进而提高数学模型对肝脏图像进行处理的准确度;
具体地,所述判断所述初始目标区域的图像的像素点个数,根据像素点个数对初始目标区域进行调整具体为:若所述初始目标区域的像素点个数小于30万时,则对所述初始目标区域的标记框进行等比例扩大,使像素点个数大于30万,再将扩大的区域图像为最终目标区域的图像,以提高数学模型对肝脏图像进行处理的准确度;若所述目标区域的像素点个数大于等于30万时,则确定所述初始目标区域的图像为最终目标区域的图像;
步骤2:对所述最终目标区域的图像进行预处理;
具体地,所述预处理包括对数逆变换、滤波、降噪;
更进一步地,首先对所述最终目标区域的图像进行对数逆变换,用于将图像转换成回波信号,然后,对所述回波信号进行滤波操作,用于去除回波信号中的噪音,然后,对所述回波信号进行去噪操作,用于进一步去除回波信号中的噪音;
具体地,所述滤波操作为中值滤波,所述去噪操作为斑点去噪;
步骤3:通过数学模型对经过预处理后的最终目标区域的图像进行处理,识别出肝脏的病变区域,用于指导肝脏穿刺活检;
具体地,所述数学模型可以为支持向量机模型、深度学习模型等;
更进一步地,本实施例以深度学习模型为例,论述如何通过数学模型对经过预处理后的最终目标区域的图像进行处理,识别出肝脏的病变区域;
如图4所述,所述步骤3具体包括:
步骤3.1:训练深度学习模型;
具体地,所述深度学习模型为U-Net模型,所述步骤3.1具体为:首先将数据集输入到U-Net模型中进行肝脏处理任务的训练,然后通过迭代优化所述U-Net模型,并将模型处理结果与实际结果进行比较,直到误差函数收敛,则深度学习模型训练完成;
步骤3.2:将经过所述预处理的最终目标区域的图像输入到训练好的深度学习模型中,完成肝脏图像中病变区域的识别;
步骤3.3:将识别出的肝脏病变区域的图像进行分割出来发给医生,用于指导肝脏穿刺活检。
值得强调的是,本实施例提供的基于数学模型的肝脏穿刺活检B超图像处理方法和系统,全程都是通过智能数学模型进行B超图像的处理,没有医生的参与,并且,其获取的也仅仅是中间参数,医生会根据此中间参数对实际的病情进行诊断,因此,其并不属于疾病的诊断与治疗方法的范畴。
实施例二、在本实施例的实例中,提供一种基于数学模型的肝脏穿刺活检B超图像处理系统,用于B超图像进行处理,其采用实施例一中的基于数学模型的肝脏穿刺活检B超图像处理方法;该系统还包括:
标记模块:用于对B超图像进行目标区域的标记,得到最终目标区域的图像;
预处理模块,用于对所述最终目标区域的图像进行预处理;
图像处理模块,用于通过数学模型对经过预处理后的最终目标区域的图像进行处理,识别出肝脏的病变区域,指导肝脏穿刺活检。
实施例三,本实施例包括一种计算机可读存储介质,计算机可读存储介质上存储有数据处理程序,数据处理程序被处理器执行实施例一的基于数学模型的肝脏穿刺活检B超图像处理方法。
本领域技术人员应明白,本文的实施例可提供为方法、装置(设备)、或计算机程序产品。因此,本文可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
本文是参照根据本文实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的实施例及/或实施方式,仅是用以说明实现本发明技术的较佳实施例及/或实施方式,并非对本发明技术的实施方式作任何形式上的限制,任何本领域技术人员,在不脱离本发明内容所公开的技术手段的范围,当可作些许的更动或修改为其它等效的实施例,但仍应视为与本发明实质相同的技术或实施例。
Claims (7)
1.一种基于数学模型的肝脏穿刺活检B超图像处理方法,其特征在于,包括以下步骤:
步骤1:对B超图像进行目标区域的标记,得到最终目标区域的图像;
机器标记的方式标记B超图像的目标区域具体步骤为:
步骤1.1:选取一张标准肝脏B超图像;
步骤1.2:将需要处理的B超图像与标准肝脏B超图像进行图像比较,找出与所述标准肝脏B超图像相似度最高的区域;作为初始目标区域;
步骤1.3:判断所述初始目标区域的图像的像素点个数,根据像素点个数对初始目标区域进行调整;
所述步骤1.3中,所述判断所述初始目标区域的图像的像素点个数,根据像素点个数对初始目标区域进行调整具体为:若所述初始目标区域的像素点个数小于30万时,则对所述初始目标区域的标记框进行等比例扩大,使像素点个数大于30万,再将扩大的区域图像为最终目标区域的图像;若所述目标区域的像素点个数大于等于30万时,则确定所述初始目标区域的图像为最终目标区域的图像;
步骤2:对所述最终目标区域的图像进行预处理;
步骤3:通过数学模型对经过预处理后的最终目标区域的图像进行处理,识别出肝脏的病变区域,用于指导肝脏穿刺活检;
所述步骤3具体包括:
步骤3.1:训练深度学习模型;
步骤3.2:将经过所述预处理的最终目标区域的图像输入到训练好的深度学习模型中,完成肝脏图像中病变区域的识别;
步骤3.3:将识别出的肝脏病变区域的图像进行分割出来发给医生,用于指导肝脏穿刺活检。
2.根据权利要求1所述的基于数学模型的肝脏穿刺活检B超图像处理方法,其特征在于,通过机器标记的方式标记B超图像的目标区域。
3.根据权利要求2所述的基于数学模型的肝脏穿刺活检B超图像处理方法,其特征在于,所述步骤1.2中,所述图像比较的方法为均值哈希算法、感知哈希算法和差异值哈希算法中的一种。
4.根据权利要求1所述的基于数学模型的肝脏穿刺活检B超图像处理方法,其特征在于,所述步骤2中,所述预处理包括对数逆变换、滤波、降噪。
5.根据权利要求1所述的基于数学模型的肝脏穿刺活检B超图像处理方法,其特征在于,所述步骤2具体为:首先对所述最终目标区域的图像进行对数逆变换,用于将图像转换成回波信号,然后,对所述回波信号进行滤波操作,用于去除回波信号中的噪音,然后,对所述回波信号进行去噪操作,用于进一步去除回波信号中的噪音;所述滤波操作为中值滤波,所述去噪操作为斑点去噪。
6.根据权利要求5所述的基于数学模型的肝脏穿刺活检B超图像处理方法,其特征在于,所述深度学习模型为U-Net模型,所述步骤3.1具体为:首先将数据集输入到U-Net模型中进行肝脏处理任务的训练,然后通过迭代优化所述U-Net模型,并将模型处理结果与实际结果进行比较,直到误差函数收敛,则深度学习模型训练完成。
7.一种基于数学模型的肝脏穿刺活检B超图像处理系统,其特征在于,采用权利要求1-6任一项的基于数学模型的肝脏穿刺活检B超图像处理方法;该系统还包括:
标记模块:用于对B超图像进行目标区域的标记,得到最终目标区域的图像;
预处理模块,用于对所述最终目标区域的图像进行预处理;
图像处理模块,用于通过数学模型对经过预处理后的最终目标区域的图像进行处理,识别出肝脏的病变区域,指导肝脏穿刺活检。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310579992.7A CN116309593B (zh) | 2023-05-23 | 2023-05-23 | 基于数学模型的肝脏穿刺活检b超图像处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310579992.7A CN116309593B (zh) | 2023-05-23 | 2023-05-23 | 基于数学模型的肝脏穿刺活检b超图像处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309593A CN116309593A (zh) | 2023-06-23 |
CN116309593B true CN116309593B (zh) | 2023-09-12 |
Family
ID=86785374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310579992.7A Active CN116309593B (zh) | 2023-05-23 | 2023-05-23 | 基于数学模型的肝脏穿刺活检b超图像处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309593B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715239A (zh) * | 2015-03-12 | 2015-06-17 | 哈尔滨工程大学 | 一种基于去雾处理和权重分块的车辆颜色识别方法 |
CN105931224A (zh) * | 2016-04-14 | 2016-09-07 | 浙江大学 | 基于随机森林算法的肝脏平扫ct图像病变识别方法 |
CN107346545A (zh) * | 2017-05-22 | 2017-11-14 | 沈阳工业大学 | 用于视杯图像分割的改进区域生长方法 |
CN108629780A (zh) * | 2018-04-23 | 2018-10-09 | 闽江学院 | 基于颜色分解和阈值技术的舌图像分割方法 |
CN109360396A (zh) * | 2018-09-27 | 2019-02-19 | 长江大学 | 基于图像识别技术和NB-IoT技术的远程抄表方法及系统 |
CN111095264A (zh) * | 2017-06-22 | 2020-05-01 | 皇家飞利浦有限公司 | 对象识别系统和方法 |
CN111340805A (zh) * | 2020-04-16 | 2020-06-26 | 张东 | B超图像处理装置、脂肪肝b超图像处理装置及b超系统 |
CN111950595A (zh) * | 2020-07-14 | 2020-11-17 | 十堰市太和医院(湖北医药学院附属医院) | 肝脏病灶图像处理方法、系统、存储介质、程序、终端 |
CN112489082A (zh) * | 2020-12-03 | 2021-03-12 | 海宁奕斯伟集成电路设计有限公司 | 位置检测方法、装置、电子设备以及可读存储介质 |
CN113806103A (zh) * | 2021-07-08 | 2021-12-17 | 荣耀终端有限公司 | 一种数据处理方法、电子设备、芯片系统及存储介质 |
CN114073482A (zh) * | 2020-08-10 | 2022-02-22 | 紫东信息科技(苏州)有限公司 | 胶囊内窥镜滞留检测方法、装置及系统 |
CN114187303A (zh) * | 2021-11-23 | 2022-03-15 | 北京羽医甘蓝信息技术有限公司 | 口腔图像处理方法、装置、电子设备及计算机存储介质 |
CN114463248A (zh) * | 2020-10-30 | 2022-05-10 | 国际商业机器公司 | 用于医学图像的基于种子的分割的种子重新标记 |
CN114545426A (zh) * | 2022-01-20 | 2022-05-27 | 北京旷视机器人技术有限公司 | 定位方法、装置、移动机器人和计算机可读介质 |
CN115686418A (zh) * | 2022-11-21 | 2023-02-03 | 中联重科股份有限公司 | 用于辅助对管的方法、视觉辅助对管系统及控制器 |
-
2023
- 2023-05-23 CN CN202310579992.7A patent/CN116309593B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715239A (zh) * | 2015-03-12 | 2015-06-17 | 哈尔滨工程大学 | 一种基于去雾处理和权重分块的车辆颜色识别方法 |
CN105931224A (zh) * | 2016-04-14 | 2016-09-07 | 浙江大学 | 基于随机森林算法的肝脏平扫ct图像病变识别方法 |
CN107346545A (zh) * | 2017-05-22 | 2017-11-14 | 沈阳工业大学 | 用于视杯图像分割的改进区域生长方法 |
CN111095264A (zh) * | 2017-06-22 | 2020-05-01 | 皇家飞利浦有限公司 | 对象识别系统和方法 |
CN108629780A (zh) * | 2018-04-23 | 2018-10-09 | 闽江学院 | 基于颜色分解和阈值技术的舌图像分割方法 |
CN109360396A (zh) * | 2018-09-27 | 2019-02-19 | 长江大学 | 基于图像识别技术和NB-IoT技术的远程抄表方法及系统 |
CN111340805A (zh) * | 2020-04-16 | 2020-06-26 | 张东 | B超图像处理装置、脂肪肝b超图像处理装置及b超系统 |
CN111950595A (zh) * | 2020-07-14 | 2020-11-17 | 十堰市太和医院(湖北医药学院附属医院) | 肝脏病灶图像处理方法、系统、存储介质、程序、终端 |
CN114073482A (zh) * | 2020-08-10 | 2022-02-22 | 紫东信息科技(苏州)有限公司 | 胶囊内窥镜滞留检测方法、装置及系统 |
CN114463248A (zh) * | 2020-10-30 | 2022-05-10 | 国际商业机器公司 | 用于医学图像的基于种子的分割的种子重新标记 |
CN112489082A (zh) * | 2020-12-03 | 2021-03-12 | 海宁奕斯伟集成电路设计有限公司 | 位置检测方法、装置、电子设备以及可读存储介质 |
CN113806103A (zh) * | 2021-07-08 | 2021-12-17 | 荣耀终端有限公司 | 一种数据处理方法、电子设备、芯片系统及存储介质 |
CN114187303A (zh) * | 2021-11-23 | 2022-03-15 | 北京羽医甘蓝信息技术有限公司 | 口腔图像处理方法、装置、电子设备及计算机存储介质 |
CN114545426A (zh) * | 2022-01-20 | 2022-05-27 | 北京旷视机器人技术有限公司 | 定位方法、装置、移动机器人和计算机可读介质 |
CN115686418A (zh) * | 2022-11-21 | 2023-02-03 | 中联重科股份有限公司 | 用于辅助对管的方法、视觉辅助对管系统及控制器 |
Also Published As
Publication number | Publication date |
---|---|
CN116309593A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
CN108665456B (zh) | 基于人工智能的乳腺超声病灶区域实时标注的方法及系统 | |
CN111539930B (zh) | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 | |
CN108510502B (zh) | 基于深度神经网络的黑色素瘤图片组织分割方法和系统 | |
CN111008984A (zh) | 医学影像中正常器官的轮廓线自动勾画方法及系统 | |
RU2654199C1 (ru) | Сегментация тканей человека на компьютерном изображении | |
CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和系统 | |
Popescu et al. | Retinal blood vessel segmentation using pix2pix gan | |
Sobhaninia et al. | Localization of fetal head in ultrasound images by multiscale view and deep neural networks | |
US20210407097A1 (en) | Method and device of extracting label in medical image | |
CN113989407B (zh) | Ct影像中肢体部位识别模型训练方法及系统 | |
CN110110723A (zh) | 一种图像中目标区域自动提取的方法及装置 | |
CN112950552B (zh) | 一种基于卷积神经网络的肋骨分割标记方法及系统 | |
CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
CN113159223A (zh) | 一种基于自监督学习的颈动脉超声图像识别方法 | |
CN117409002A (zh) | 一种用于创伤的视觉识别检测系统及其检测方法 | |
CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
Wulaning Ayu et al. | Pixel Classification Based on Local Gray Level Rectangle Window Sampling for Amniotic Fluid Segmentation. | |
CN109816665B (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
CN116309593B (zh) | 基于数学模型的肝脏穿刺活检b超图像处理方法及系统 | |
Mouzai et al. | Xray-Net: Self-supervised pixel stretching approach to improve low-contrast medical imaging | |
CN113793316B (zh) | 一种超声扫查区域提取方法、装置、设备和存储介质 | |
CN113808105B (zh) | 一种基于超声扫查的病灶检测方法 | |
CN113362294B (zh) | 含穿刺针超声血管图像的穿刺针识别方法、系统和设备 |
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 |