CN117789933A - 图像处理的分配方法及装置 - Google Patents

Abstract

本申请提供了一种图像处理的分配方法及装置，以及非暂态计算机可读存储介质。所述图像处理的分配方法包括基于医学图像的相关信息，根据分配列表，在多个学习网络模型中选择与该信息相对应的学习网络模型，以及基于所选择的学习网络模型，对医学图像进行图像处理，其中，分配列表包括医学图像的相关信息与多个学习网络模型之间的对应关系列表。

Description

图像处理的分配方法及装置

技术领域

本发明涉及医学图像处理，尤其涉及一种图像处理的分配方法及装置，以及非暂态计算机可读存储介质。

背景技术

通常的，医学成像设备包括计算机断层扫描系统(Computed Tomography,CT)，磁共振成像系统(magnetic resonance imaging,MRI)，X射线成像系统等等，这些医学成像设备都能获取到医学图像，而为了辅助诊断，通常都需要对图像进行图像处理，例如，图像分割，图像后处理等等。

通常的，在获取到医学图像后，会直接在医学成像设备上对医学图像进行图像处理。然而随着辅助诊断的需求的日益增加，利用医学成像设备进行图像处理的计算量以及所需时间都逐渐增加，进而使得成像设备的使用率降低，每天扫描病人的数量也变少。

发明内容

本发明提供一种图像处理的分配方法及装置，以及非暂态计算机可读存储介质。

本发明的示例性实施例提供了一种图像处理的分配方法，所述方法包括基于医学图像的相关信息，根据分配列表，在多个学习网络模型中选择与该信息相对应的学习网络模型，所述分配列表包括医学图像的相关信息与多个学习网络模型之间的对应关系列表；以及基于所选择的学习网络模型，对所述医学图像进行图像处理。

本发明的示例性实施例还提供了一种非暂态计算机可读存储介质，其用于存储计算机程序，所述计算机程序由计算机执行时使计算机执行上述的用于图像处理的分配方法的指令。

本发明的示例性实施例还提供了一种图像处理装置，所述图像处理装置包括多个学习网络模型，存储器以及处理器，所述多个学习网络模型用于对医学图像进行图像处理，所述存储器用于存储分配列表，所述分配列表包括医学图像的相关信息与多个学习网络模型之间的对应关系列表，所述处理器用于基于医学图像的相关信息，根据所述分配列表，在所述多个学习网络模型中选择与该信息相对应的学习网络模型；以及基于所选择的学习网络模型，对所述医学图像进行图像处理。

通过下面的详细描述、附图以及权利要求，其他特征和方面会变得清楚。

附图说明

通过结合附图对于本发明的示例性实施例进行描述，可以更好地理解本发明，在附图中：

图1是根据本发明一些实施例的操作环境的示意图；

图2是根据本发明一些实施例的图像处理装置的示意图；

图3是根据本发明一些实施例的图像处理的操作流程的示意图；

图4是根据本发明一些实施例的医学图像的头文件信息的示意图；

图5是根据本发明一些实施例的分配列表的示意图；

图6是根据本发明一些实施例的图像处理的分配方法的流程图以及

图7是根据本发明另一些实施例的图像处理的分配方法的流程图。

具体实施方式

以下将描述本发明的具体实施方式，需要指出的是，在这些实施方式的具体描述过程中，为了进行简明扼要的描述，本说明书不可能对实际的实施方式的所有特征均作详尽的描述。应当可以理解的是，在任意一种实施方式的实际实施过程中，正如在任意一个工程项目或者设计项目的过程中，为了实现开发者的具体目标，为了满足系统相关的或者商业相关的限制，常常会做出各种各样的具体决策，而这也会从一种实施方式到另一种实施方式之间发生改变。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本发明公开的内容相关的本领域的普通技术人员而言，在本公开揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本公开的内容不充分。

除非另作定义，权利要求书和说明书中使用的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“一个”或者“一”等类似词语并不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同元件，并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，也不限于是直接的还是间接的连接。

图1示出了一些实施例的操作环境100的示意图。如图1所示，操作环境100包括计算机102。计算机102包括处理单元104、系统存储器106、编码解码器105和系统总线108。系统总线108将系统部件(包括但不限于系统存储器106)耦接到处理单元104。

处理单元104可为各种可用处理器中的任何一种。双微处理器和其他多处理器体系结构也可用作处理单元104。

系统总线108可以是若干类型总线结构中的任何一种，包括存储器总线或存储器控制器、外围总线或外部总线、和/或使用任何一种可用总线体系结构的局部总线，这些总线体系结构包括但不限于工业标准体系结构(ISA)、微通道体系结构(MSA)、扩展ISA(EISA)、智能驱动电子器件(IDE)、VESA局部总线(VLB)、外围部件互连(PCI)、插件总线、通用串行总线(USB)、高级图形端口(AGP)、个人计算机存储卡国际协会总线(PCMCIA)、火线(IEEE 104)以及小型计算机系统接口(SCSI)。

系统存储器106包括易失性存储器110和非易失性存储器112。基本输入/输出系统(BIOS)(其包含在诸如启动期间在计算机102内的元件之间传输信息的基本例程)存储在非易失性存储器112中。

另外，编码解码器105可包括编码器或解码器中的至少一者，其中编码器或解码器中的所述至少一者可由硬件、硬件与软件的组合或软件组成。虽然编码解码器105被描绘为单独部件，但编码解码器105可包含在非易失性存储器112内。作为示例而非限制，非易失性存储器112可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦可编程ROM(EEPROM)或闪速存储器。易失性存储器110包括充当外部高速缓存存储器的随机存取存储器(RAM)。作为示例而非限制，RAM有许多形式可供使用，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍数据速率SDRAM(DDRSDRAM)和增强型SDRAM(ESDRAM)。

计算机102还可包括可移动/不可移动、易失性/非易失性计算机存储介质。图1示出了例如盘存储装置114。盘存储装置114包括但不限于如磁盘驱动器、固态盘(SSD)、软盘驱动器、磁带驱动器、Zip驱动器、闪存卡或记忆棒等设备。另外，盘存储装置114可单独包括存储介质或与其他存储介质组合，其他存储介质包括但不限于，诸如压缩盘ROM设备(CD-ROM)、CD可记录驱动器(CD-R驱动器)、CD可重写驱动器(CD-RW驱动器)或数字通用盘ROM驱动器(DVD-ROM)等光盘驱动器。为便于盘存储设备114连接到系统总线108，通常使用可移动或不可移动接口，诸如接口116。

应当理解，图1描述了在用户与在合适的操作环境100中描述的基本计算机资源之间担当中介的软件。此类软件包括操作系统118。可储存在盘存储装置114上的操作系统118用于控制并分配计算机102的资源。应用程序120利用了由操作系统118通过存储在系统存储器106中或盘存储装置114上的程序模块124及程序数据126(诸如启动/关闭事务表等)对资源的管理。应当理解，要求保护的主题可以用各种操作系统或操作系统的组合来实现。

用户通过一个或多个输入设备128将命令或信息输入到计算机102中。输入设备128包括但不限于，诸如鼠标、轨迹球、触针、触摸板等指向设备、键盘、麦克风、操纵杆、游戏手柄、圆盘式卫星天线、扫描仪、电视调谐卡、数字相机、数字摄像机、网络摄像头、麦克风等。这些及其他输入设备经由一个或多个接口端口130，通过系统总线108连接到处理单元104。一个或多个接口端口130包括例如串行端口、并行端口、游戏端口以及通用串行总线(USB)。

一个或多个输出设备136使用与一个或多个输入设备相同类型的一些端口。因此，例如，USB端口可用于向计算机102提供输入，并且将信息从计算机102输出到输出设备136。提供输出适配器134，以说明存在一些需要特殊适配器的输出设备136，如监视器、扬声器和打印机及其他输出设备136。作为示例而非限制，输出适配器134包括在输出设备136与系统总线108之间提供一种连接手段的显卡和声卡。应当注意，其他设备和/或设备系统同时提供输入与输出能力，诸如一个或多个远程计算机138。

计算机102可使用到一个或多个远程计算机(诸如一个或多个远程计算机138)的逻辑连接在联网环境中操作。一个或多个远程计算机138可以是个人计算机、服务器、云端、路由器、网络PC、工作站、基于微处理器的电器、对等设备、智能手机、平板电脑或其他网络节点，例如，医学影像存储与传输系统(Picture Archiving and Communication System,PACS)，并且通常包括相对于计算机102所描述的许多元件。为简洁起见，仅随一个或多个远程计算机138示出存储器存储设备140。一个或多个远程计算机138通过网络接口142逻辑地连接到计算机102，然后经由一个或多个通信连接144连接。网络接口142涵盖有线和/或无线通信网络，诸如局域网(LAN)和广域网(WAN)及蜂窝网络。LAN技术包括光纤分布式数据接口(FDDI)、铜线分布式数据接口(CDDI)、以太网、令牌环等。WAN技术包括但不限于点对点链路、如综合业务数字网(ISDN)及其变体的电路交换网络、分组交换网络以及数字用户线(DSL)。

一个或多个通信连接144是指用于将网络接口142连接到总线108的硬件/软件。虽然为了清楚说明起见，将通信连接144示出于计算机102内部，但它也可位于计算机102外部。仅出于示例性目的，连接到网络接口142所需的硬件/软件包括内部和外部技术，诸如包括常规电话级调制解调器、电缆调制解调器及DSL调制解调器在内的调制解调器、ISDN适配器以及有线和无线以太网卡、集线器和路由器。

本发明提出了一种能够对医学图像进行图像处理的装置，其独立于医学成像系统，且能够接收并处理各种类型的医学图像，例如，CT图像、MR图像、X射线图像、PET图像、超声图像等等，并对医学图像进行各种图像处理，例如，图像分割，图像特征提取，图像渲染，图像后处理，图像编辑等等操作，并能够将处理后的图像进行显示、存储和/或传输，该图像处理装置包括如图1所示的操作环境。

图2示出了本发明一些实施例的图像处理装置的示意图。如图2所示，图像处理装置200包括处理器210，存储器220和多个学习网络模型230。

多个学习网络模型230用于对医学图像进行图像处理。存储器220用于存储分配列表，其中，分配列表包括医学图像的相关信息与多个学习网络模型之间的对应关系列表。处理器210用于基于医学图像的相关信息，根据分配列表，在多个学习网络模型中选择与该信息相对应的学习网络模型；以及基于所选择的学习网络模型，对医学图像进行图像处理。

具体地，分配列表以查找表(Look Up Table,LUT)的形式存储在存储器中。具体地，存储器除了能够存储分配列表，还能够存储医学图像以及经过图像处理后的医学图像。图像处理装置200除了包括上述的模块，还可以包括至少一个接口，以通过外接显示器对医学图像、处理后的图像进行显示，或者通过有线或无线的方式接收或发送医学图像或处理后的图像。

具体地，多个学习网络模型能够分别对不同种类的医学图像进行图像处理的模型，例如，CT图像、MR图像、X射线图像等等；当然地，也可以包括对医学图像的不同扫描部位进行图像处理的模型，例如，脑部、胸部等等；当然地，也可以包括对医学图像进行不同种类的图像处理的模型，例如图像分割，图像优化和图像渲染等等。

在一些实施例中，多个学习网络模型包括n个CT模型，m个MR模型以及t个X射线模型中的至少二个，其中，n个CT模型用于分别对CT图像中的n个扫描部位进行图像处理，m个MR模型用于分别对MR图像中的m个扫描部位进行图像处理，t个X射线模型用于分别对X射线图像中的t个扫描部位进行图像处理，n、m、t为整数。例如，多个学习网络模型可以包括2个CT模型、1个MR模型、1个X射线模型，当然地，多个学习网络模型还可以包括2个CT模型、1个MR模型；当然地，多个学习网络模型还可以包括1个MR模型、1个X射线模型，本发明并不限制每个模型的数量，多个学习网络模型可以包括任意组合的模型。

当然地，即使在最初的图像处理装置中并未存在某一学习网络模型，用户可以根据需要将学习网络模型添加到图像处理装置中。

图像处理装置中的学习网络模型是事先被训练好然后被加载或存储到图像处理装置中，在用户使用的过程中，可以将满足预设条件的图像输入到学习网络模型的训练模块，以对学习网络模型进行优化，满足预设条件的图像可以是用户认为图像处理效果好的图像或者处理器对图像处理后的图像进行图像质量评估后的图像等等，本发明并未限制学习网络模型优化的方法。

在一些实施例中，上述的学习网络模型是基于训练模块根据训练数据集进行训练得到的。在一些实施例中，训练模块可以包括用于存储训练数据集的第一模块，用于基于模型进行训练和/或更新的第二模块，以及用于连接第一模块和第二模块的通讯网络。在一些实施例中，第一模块包括第一处理单元和第一存储单元，其中第一存储单元用于存储训练数据集，第一处理单元用于接收相关的指令(例如，获取训练数据集)并根据指令发送训练数据集，此外，第二模块包括第二处理单元和第二存储单元，其中第二存储单元用于存储训练模型，第二处理单元用于接收相关的指令、进行网络的训练和/或更新等，在另一些实施例中，还可以将训练数据集存储在第二模块的第二存储单元中，训练系统可以不包括第一模块。在一些实施例中，通讯网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

一旦数据(例如，训练的模型)被生成和/或配置，数据就可以被复制和/或加载到图像处理装置200中，这可以以不同的方式完成。例如，可以通过处理器与学习网络模型的载体之间的定向连接或链路加载模型。就这一点而言，可以使用可用的有线和/或无线连接和/或根据任何合适的通信(和/或网络)标准或协议来完成不同元件之间的通信。备选地或另外地，数据可以间接地加载到图像处理装置200中。例如，数据可以存储到合适的机器可读介质(例如，闪存卡等)中，然后使用该介质将数据加载到图像处理装置200(现场，诸如由系统的用户或授权人员)，或者数据可以下载到能够本地通信的电子设备(例如，笔记本电脑等)中，然后在现场使用(例如，由系统的用户或授权人员)该设备以将该数据经由直接连接(例如，USB连接器等)上传到图像处理装置200中。

如本文所讨论的，深度学习技术(又被称为深度机器学习、分层学习或深度结构化学习等)采用用于学习的人工神经网络。深度学习方法的特征在于使用一个或多个网络架构来提取或模拟感兴趣数据。深度学习方法可以使用一个或多个处理层(例如，输入层、输出层、卷积层、归一化层、采样层等等，按照不同的深度网络模型可以具有不同数量和功能的处理层)来完成，其中层的配置和数量允许深度网络处理复杂的信息提取和建模任务。通常通过所谓的学习过程(或训练过程)来估计网络的特定参数(又可以称为“权重”或“偏差”)。被学习或训练的参数通常会导致(或输出)一个对应于不同级别层的网络，因此提取或模拟初始数据的不同方面或前一层的输出通常可以表示层的层次结构或级联。在图像处理或重建的过程中，这可以表征为相对于数据中的不同特征级别的不同层。因此，处理可以分层进行，即，较早或较高级别的层可以对应于从输入数据中提取“简单”特征，接着是将这些简单特征组合成表现出更高复杂度的特征的层。实际上，每层(或者更具体地，每层中的每个“神经元”)可以采用一个或多个线性和/或非线性变换(所谓的激活函数)来将输入数据处理为输出数据表示。多个“神经元”的数量可以是在多个层之间恒定的，或者可以从层到层变化。如本文所讨论的，作为解决特定问题的深度学习过程的初始训练的一部分，训练数据集包括已知输入值(例如，样本图像或图像进行坐标变换的像素矩阵)以及深度学习过程的最终输出的期望(目标)输出值(例如，图像或识别判断结果)。以这种方式，深度学习算法可以(以监督或引导的方式或以无监督或非指导的方式)处理该训练数据集，直到识别出已知输入和期望输出之间的数学关系和/或识别和表征每层的输入和输出之间的数学关系。学习过程通常利用(部分)输入数据，并为该输入数据创建网络输出，然后将创建的网络输出与该数据集的期望输出进行比较，然后使用创建的和期望的输出之间的差异来迭代地更新网络的参数(权重和/或偏差)。通常可以使用随机梯度下降(Stochastic gradientdescent,SGD)方法来更新网络的参数，然而本领域技术人员应当理解也可以使用本领域中已知的其他方法来更新网络参数。类似地，可以采用单独的验证数据集以对所训练的网络进行验证，其中已知输入和期望输出都是已知的，通过将已知输入提供给所训练的网络可以得到网络输出，然后将该网络输出与(已知的)期望输出进行比较以验证先前的培训和/或防止过度培训。

图3示出了本发明一些实施例的图像处理装置的操作流程的示意图，图4示出了本发明一些实施例的医学图像的头文件信息的示意图，图5示出了本发明一些实施例的分配列表的示意图。如图3-5所示，图像处理装置中的操作300包括如下流程：

首先，获取医学图像(301)，该医学图像可以是自医学成像系统以有线或无线方式传输到图像处理装置的，也可以是通过工作站或PACS获取的，当然的也可以是通过其他任意适宜的方式获取的，例如，通过外接的可移动存储装置。

其次，处理器能够获取医学图像的相关信息(310)，医学图像的相关信息包括成像设备类型，扫描部位和可能的疾病类型中的至少一个。

在一些实施例中，相关信息是通过对医学图像进行图像识别获取到的信息，例如，通过图像识别获取的扫描部位。在另一些实施例中，相关信息是通过头文件DICOM信息获取到的，具体的，如图4所示，医学图像的DICOM文件通常包括很多信息，例如，设备类型，扫描部位，可能的疾病类型等等信息，其中，设备类型包括CT、MR、X射线、PET、PET-CT等等，扫描部位包括脑部、胸部、腹部、下肢等等，可能的疾病类型包括脑肿瘤、肺结节等等，在DICOM文件中，相关的信息可能不是通过上述的文字的形式显示和存储的，可能是通过英文或其他缩写或数字的形式，例如，chest等等。

再者，处理器能够基于分配列表判断是否有该相对信息所对应的学习网络模型(320)。当分配列表中存在相对应的学习网络模型时，选择该学习网络模型并将医学图像输入到模型中(330)，并对医学图像进行相对应的图像处理(340)。经过图像处理的图像能够通过外接的显示器显示给用户，也可以存储在图像处理装置的存储器中，还可以发送给其他设备或显示接口或PACS系统等等。

在一些实施例中，分配列表包括医学图像的相关信息与多个学习网络模型之间的对应关系列表，具体的，分配列表包括成像设备类型和扫描部位与多个学习网络模型的对应关系。具体的，如图5所示，在一些非限定的实施例中，当获取到的医学图像中的“设备类型”为“MR”，且“扫描部位”为“胸部”或“肺部”的，则将该医学图像输入到MR胸部处理模型中；当获取到的医学图像中的“设备类型”为“CT”，且“扫描部位”为“胸部”时，则将该医学图像输入到CT胸部处理模型中；当获取到的医学图像中的“设备类型”为“CT”，且“扫描部位”为“脑部”时，则将该医学图像输入到CT脑部处理模型中；当获取到的医学图像中的“设备类型”为“X射线”，且“扫描部位”为“胸部”或“胸片”时，则将该医学图像输入到X-ray胸部处理模型中；当获取到的医学图像中的“设备类型”为“X射线”，且“扫描部位”为“下肢”或“骨龄”时，则将该医学图像输入到X-ray骨龄处理模型中。

当然的，设备类型除了显示“X射线”，还可以显示为“X-ray”或“DXR”，“脑部”还可以显示为“大脑”、“左脑”或“右脑”等等，还可以用相对应的英文或者代码表示，这方面并不做限制，可以根据医学成像系统中的扫描协议中的命名规则做相适应地修改。

当然地，学习网络模型并不限于图5中所示出的5种学习网络模型，也可以仅包括其中的几种，或还可以包括其他任何类型的学习网络模型。此外，分配列表中的对应关系也并不限于图中所示出的对应关系，例如，针对MR胸部处理模型，还可以将“MR”和“脊椎”所对应的相关信息与其关联，当然还有其他任何适宜的对应关系。

当学习网络模型中仅存在一种针对MR图像的处理，则可以将分配列表设备为当“设备类型”为“MR”的图像均输入到该学习网络模型中，不需要判断扫描部位。

当然地，也可以采用DICOM信息中的“可能的疾病类型”信息，例如，当“可能的疾病类型”为“脑肿瘤”时，将相应的医学图像输入到CT脑处理模型中。针对“可能的疾病类型”，既可以进一步限制设备类型，也可以不限制设备类型，仅采用“可能的疾病类型”进行图像处理的分配。

考虑到用户在设置扫描协议时，信息输入不准确或缺失导致DICOM信息不全或不精确，处理器进一步配置为当分配列表中不存在相对应的学习网络模型时，将医学图像输入到每一个模型中并分别进行图像处理350，然后，基于预设的规则，在分配列表中创建或增加任一相关信息和学习网络模型的对应关系。其中，预设的规则包括任一学习网络模型输出的处理后的图像被评估成功的次数超过预设次数，例如，成功的次数不小于三次，即当包含某一种相关信息的医学图像被输入到同一个学习网络模型中进行图像处理成功的次数大于或等于三次，则在分配列表中创建该对应关系，之后，当该相关信息重新被重新输入到图像处理装置中，则直接基于分配列表选择学习网络模型并进行图像处理。

具体的，当将医学图像分别输入到每一个学习网络模型进行图像处理之后，然后处理器能够对经过图像处理后的图像进行评估，即判断处理后的图像是否成功(360)。在一些实施例中，可以基于图像质量评估和部位匹配度，序列完整性评估中的至少一个对处理后的图像是否成功进行评估。

具体的，图像质量评估能够用于评估图像处理后的图像的图像质量，可以从包括解剖结构清晰度、目标部位对比度、图像信号均匀度、图像噪声水平、伪影抑制程度中一个或多个维度去判断，图像质量的评估可以是基于深度学习进行的，也可以是基于其他任何适宜的方式进行的。部位匹配度是指在经过图像分割之后的部位的完整性评估，例如，可以通过检测被分割部位的边界来判断其分割后的完整性，或者基于与标准扫描部位模型之间的对比或匹配来判断，或者基于其他任何适宜的方式进行的。序列完整性评估是指对经过图像分割之后的图像的序列进行检查，以评估序列是否完整，是否有遗漏或缺失。

在一些实施例中，处理器除了能够基于图像质量评估和部位匹配度，序列完整性评估中的一个或多个指标对图像进行评估，还能够基于其他适宜的指标对图像进行评估。

当处理器评估处理后的图像成功时，则处理器能够将该相关信息与处理成功的学习网络模型的对应关系加入到临时分配列表中，并将该对应关系的计数加一(380)，之后处理器能够判断在临时分配列表中是否有对应关系的计数超过预设阈值(390)，例如，超过2次，如果超过2次，则将临时分配列表中的该对应关系加入到分配列表中(395)，并将临时分配列表中该相关信息与其他学习网络模型的对应关系删除，如果不超过2次，则不进行操作。当处理器评估处理后的图像不成功时，则相关信息和模型的对应关系的计数不变或不进行相关的操作或不创建临时对应关系(370)。

在一些非限定的实施例中，以图5中的分配列表为例，例如，如果当前的医学图像A的相关信息为“CT+腹部”，即“设备类型”为“CT”，而“扫描部位”为“腹部”，由于分配列表中没有“CT+腹部”所对应的学习网络模型，则处理器能够将医学图像A输入到每一个学习网络模型中，当然的，由于医学图像A的相关信息中明确为CT图像，也可以仅把医学图像A输入到CT胸部处理模型和CT脑处理模型中，分别利用这两个学习网络模型对医学图像进行处理，以得到经CT胸部处理模型处理后的图像B和经CT脑处理模型处理后的图像C，处理器能够分别对图像B和图像C进行评估，例如，图像B被评估为图像处理成功，则处理器创建临时分配列表，以示出上述对应关系的条目，例如：

相关信息	学习网络模型	计数
			CT+腹部	CT胸部处理模型	1
CT+腹部	CT脑处理模型	0

之后，当医学图像D中的相关信息也显示为“CT+腹部”，则处理器也分别将医学图像D分别输入到CT胸部处理模型和CT脑处理模型中进行图像处理，并将相关的对应关系计数加1，当“CT+腹部”与“CT胸部处理模型”的对应关系计数大于或等于3时，将“CT+腹部”与“CT胸部处理模型”的对应关系加入到图5所示的分配列表中，并将“CT+腹部”与“CT脑处理模型”的对应关系删除。

该临时分配列表可以是在原分配列表中临时创建的，也可以是单独创建并存储的。当然地，该临时分配列表也可以仅显示计数加一的条目，对于图像处理被评估不成功的对应关系不添加或显示，例如：

相关信息	学习网络模型	计数
			CT+腹部	CT胸部处理模型	1

在一些实施例中，当医学图像E的相关信息中仅包括扫描部位，仅显示“腹部”，则处理器无法判断该图像是什么设备类型得到的，则直接将医学图像E输入到所有的学习网络模型中进行图像处理，并分别进行评估。

在一些实施例中，当某种设备类型仅对应一种学习网络模型，例如，针对MR图像，仅存在MR脑部处理模型一种学习网络模型，则处理器能够被配置成将所有相关信息中设备类型为“MR”的图像都输入到MR脑部处理模型中进行图像处理。

图6示出了根据本发明一些实施例的图像处理的分配方法600的流程图。如图6所示，图像处理的分配方法600包括步骤610和步骤620。

在步骤610中，基于医学图像的相关信息，根据分配列表，在多个学习网络模型中选择与该信息相对应的学习网络模型，所述分配列表包括医学图像的相关信息与多个学习网络模型之间的对应关系列表。

具体地，医学图像的相关信息包括成像设备类型，扫描部位和可能的疾病类型中的至少一个。扫描部位的获取包括对医学图像进行图像识别或通过提取医学图像的DICOM信息。

分配列表包括成像设备类型和扫描部位与多个学习网络模型的对应关系，且所述选择学习网络模型包括基于医学图像的成像设备类型和扫描部位，选择相对应的学习网络模型。

多个学习网络模型能够分别对不同种类的医学图像进行图像处理的模型，例如，CT图像、MR图像、X射线图像等等。多个学习网络模型能够用于对图像进行图像分割，图像优化和图像渲染中的至少一个。

多个学习网络模型包括n个CT模型，m个MR模型以及t个X射线模型中的至少二个，其中，n个CT模型用于分别对CT图像中的n个扫描部位进行图像处理，m个MR模型用于分别对MR图像中的m个扫描部位进行图像处理，t个X射线模型用于分别对X射线图像中的t个扫描部位进行图像处理，n、m、t为整数。

在步骤620中，基于所选择的学习网络模型，对医学图像进行图像处理。

具体的，学习网络模型能够对医学图像进行图像处理，例如，进行图像分割，以识别病灶、辅助诊断。

图7示出了根据本发明另一些实施例的图像处理的分配方法700的流程图。与图6示出的图像处理的分配方法600不同的是，图像处理的分配方法700进一步包括判断步骤，判断所述医学图像的相关信息在分配列表中是否存在相对应的学习网络模型，且当任一个相关信息在分配列表中没有对应的学习网络模型时，基于预设的规则，在分配列表中创建该相关信息与学习网络模型的对应关系。具体地，预设的规则包括任一个学习网络模型输出的处理后的图像被评估成功的次数超过预设次数。具体地，包括步骤730，步骤740和步骤750。

在步骤730中，将医学图像输入到每个学习网络模型中分别进行图像处理。

在一些实施例中，根据医学图像DICOM信息中的成像设备类型，将医学图像输入到对应于成像设备类型的一个或多个学习网络模型中。在另一些实施例中，当DICOM信息中的成像设备类型缺失时，则将医学图像输入到每一个学习网络模型中分别进行图像处理。

在步骤740中，当任一个学习网络模型输出的处理后的图像成功，则创建临时的相关信息与学习网络模型的对应关系，并且计数加一。

具体的，对经过图像处理后的图像进行评估，即判断处理后的图像是否成功。在一些实施例中，可以基于图像质量评估和部位匹配度，序列完整性评估中的至少一个对处理后的图像是否成功进行评估。

在一些实施例中，在临时分配列表中创建相关信息与每一个学习网络模型的对应关系，并将被评估之后，将被评估为成功的学习网络模型的对应关系计数加一，其他的计数仍保持不变。在另一些实施例中，在图像被评估之后，将临时分配列表中添加或创建相关信息与成功的学习网络模型之间的对应关系，其他的对应关系不添加。

在一些实施例中，除了创建临时的分配列表以及计数增加的方式进行记录，还可以采用其他任何适宜的方式进行记录。

在步骤750中，当该临时对应关系的计数达到预设值时，在所述分配列表中创建新的相关信息与学习网络模型的对应关系。

在一些非限定的实施例中，当该临时的对应关系的计数大于或等于三次时，在分配列表中创建该对应关系。当然地，该预设的计数不限于3次，也可以设置任意的次数，比如，设置的多一些，以使得给匹配关系更精确，或者设置的少一些，以减少处理器的计算量或工作量。

一旦新的对应关系被加入到分配列表中，之后的医学图像中出现该新增加的相关信息，则直接根据分配列表将医学图像分配给相对应的学习网络模型进行图像处理。

本发明提出的图像处理的分配方法及图像处理装置，首先，在图像处理装置中加载多个学习网络模型，以可以对医学图像进行不同种类的图像处理，或者对不同类型的医学图像进行相同的或不同的图像处理。其次，设置独立于医学成像系统的图像处理装置，一方面能够对医学图像进行不同类型的处理，另一方面能够不占用医学成像系统的扫描时间，能够提升扫描效率，提高每天的扫描数量。再者，在图像处理装置中设置分配方法，将医学图像分配给每个学习网络模型，将图像处理被评估成功的计数超过预设值对应关系的添加或创建到分配列表中，以在医学图像的相关信息不精确或缺失的情况也能进行图像处理。

本发明还可以提供一种非暂态计算机可读存储介质，其用于存储指令集和/或计算机程序，该指令集和/或计算机程序由计算机执行时使计算机执行上述的图像处理的分配方法，执行该指令集和/或计算机程序的计算机可以为医学成像系统的计算机，也可以为医学成像系统的其它装置/模块，在一种实施例中，该指令集和/或计算机程序可以编制于计算机的处理器/控制器中。

具体地，该指令集和/或计算机程序由计算机执行时使计算机：

基于医学图像的相关信息，根据分配列表，在多个学习网络模型中选择与该信息相对应的学习网络模型，所述分配列表包括医学图像的相关信息与多个学习网络模型之间的对应关系列表；

基于所选择的学习网络模型，对所述医学图像进行图像处理。

如上所述的指令可以被合并为一个指令执行，任一指令也可以被拆分成多个指令以执行，此外，也并不限于按照上述的指令执行顺序。

如本文使用的，术语“计算机”可包括任何基于处理器或基于微处理器的系统，其包括使用微控制器、精简指令集计算机(RISC)、专用集成电路(ASIC)、逻辑电路和能够执行本文描述的功能的任何其它电路或处理器的系统。上文的示例只是示范性的，并且从而不意在采用任何方式限制术语“计算机”的定义和/或含义。

指令集可包括各种命令，其指示作为处理机的计算机或处理器执行特定的操作，例如各种实施例的方法和过程。指令集可采用软件程序的形式，该软件程序可形成一个或多个有形的非暂时性计算机可读介质的一部分。该软件可采用例如系统软件或应用软件的各种形式。此外，该软件可采用独立程序或模块的集合、在更大程序内的程序模块或程序模块的一部分的形式。该软件还可包括采用面向对象编程的形式的模块化编程。输入数据由处理机的处理可响应于操作者命令，或响应于先前的处理结果，或响应于由另外一个处理机作出的请求。

本发明的示例性实施例提供了一种图像处理的分配方法，所述方法包括基于医学图像的相关信息，根据分配列表，在多个学习网络模型中选择与该信息相对应的学习网络模型，所述分配列表包括医学图像的相关信息与多个学习网络模型之间的对应关系列表；以及基于所选择的学习网络模型，对所述医学图像进行图像处理。

具体地，医学图像的相关信息包括成像设备类型，扫描部位和可能的疾病类型中的至少一个。

具体地，所述扫描部位的获取包括对医学图像进行图像识别或通过提取医学图像的头文件信息。

具体地，所述分配列表包括成像设备类型和扫描部位与多个学习网络模型的对应关系，且所述选择学习网络模型包括基于所述成像设备类型和所述扫描部位，选择相对应的学习网络模型。

具体地，所述多个学习网络模型包括n个CT模型，m个MR模型以及t个X射线模型中的至少二个，其中，n个CT模型用于分别对CT图像中的n个扫描部位进行图像处理，m个MR模型用于分别对MR图像中的m个扫描部位进行图像处理，t个X射线模型用于分别对X射线图像中的t个扫描部位进行图像处理，n、m、t为整数。

具体地，所述多个学习网络模型能够用于对图像进行图像分割，图像优化和图像渲染中的至少一个。

具体地，所述图像处理的分配方法进一步包括：判断所述医学图像的相关信息在所述分配列表中是否存在相对应的学习网络模型。

具体地，当任一个相关信息在所述分配列表中没有对应的学习网络模型时，基于预设的规则，在所述分配列表中创建该相关信息与学习网络模型的对应关系。

具体地，预设的规则包括任一个学习网络模型输出的处理后的图像被评估成功的次数超过预设次数。

具体地，基于图像质量评估和部位匹配度，序列完整性评估中的至少一个对所述处理后的图像是否成功进行评估。

具体地，基于预设的规则，创建新的相关信息与学习网络模型的对应关系包括将医学图像输入到每个学习网络模型中分别进行图像处理；当任一个学习网络模型输出的处理后的图像被评估为成功，则创建临时的相关信息与学习网络模型的对应关系，并且计数加一；以及当该临时对应关系的计数达到预设值时，在所述分配列表中创建新的相关信息与学习网络模型的对应关系。

本发明的示例性实施例还提供了一种非暂态计算机可读存储介质，其用于存储计算机程序，所述计算机程序由计算机执行时使计算机执行的指令包括：基于医学图像的相关信息，根据分配列表，在多个学习网络模型中选择与该信息相对应的学习网络模型，所述分配列表包括医学图像的相关信息与多个学习网络模型之间的对应关系列表；以及基于所选择的学习网络模型，对所述医学图像进行图像处理。

具体地，所述指令进一步包括对医学图像识别以获取医学图像的扫描部位。

具体地，所述指令进一步包括提取医学图像的头文件信息，以获取成像设备类型，扫描部位和可能的疾病类型中的至少一个。

具体地，所述指令进一步包括基于所述成像设备类型和所述扫描部位，选择相对应的学习网络模型。

具体地，所述指令进一步包括：判断所述医学图像的相关信息在所述分配列表中是否存在相对应的学习网络模型。

具体地，所述指令进一步包括：当任一个相关信息在所述分配列表中没有对应的学习网络模型时，基于预设的规则，在所述分配列表中创建该相关信息与学习网络模型的对应关系。

具体地，预设的规则包括任一个学习网络模型输出的处理后的图像被评估成功的次数超过预设次数。

具体地，所述指令进一步包括：基于图像质量评估和部位匹配度，序列完整性评估中的至少一个对所述处理后的图像是否成功进行评估。

具体地，所述指令进一步包括：将医学图像输入到每个学习网络模型中分别进行图像处理；当任一个学习网络模型输出的处理后的图像被评估为成功，则创建临时的相关信息与学习网络模型的对应关系，并且计数加一；以及当该临时对应关系的计数达到预设值时，在所述分配列表中创建新的相关信息与学习网络模型的对应关系。

本发明的示例性实施例还提供了一种图像处理装置，所述图像处理装置包括多个学习网络模型，存储器以及处理器，所述多个学习网络模型用于对医学图像进行图像处理，所述存储器用于存储分配列表，所述分配列表包括医学图像的相关信息与多个学习网络模型之间的对应关系列表，所述处理器用于基于医学图像的相关信息，根据所述分配列表，在所述多个学习网络模型中选择与该信息相对应的学习网络模型；以及基于所选择的学习网络模型，对所述医学图像进行图像处理。

具体地，医学图像的相关信息包括成像设备类型，扫描部位和可能的疾病类型中的至少一个。

具体地，所述处理能够基于医学图像进行图像识别或通过提取医学图像的头文件信息来获取扫描部位的相关信息。

具体地，所述分配列表包括成像设备类型和扫描部位与多个学习网络模型的对应关系，且所述选择学习网络模型包括基于所述成像设备类型和所述扫描部位，选择相对应的学习网络模型。

具体地，所述多个学习网络模型包括n个CT模型，m个MR模型以及t个X射线模型中的至少二个，其中，n个CT模型用于分别对CT图像中的n个扫描部位进行图像处理，m个MR模型用于分别对MR图像中的m个扫描部位进行图像处理，t个X射线模型用于分别对X射线图像中的t个扫描部位进行图像处理，n、m、t为整数。

具体地，所述多个学习网络模型能够用于对图像进行图像分割，图像优化和图像渲染中的至少一个。

具体地，所述处理器能够进一步用于判断所述医学图像的相关信息在所述分配列表中是否存在相对应的学习网络模型。

具体地，当任一个相关信息在所述分配列表中没有对应的学习网络模型时，所述处理器能够基于预设的规则，在所述分配列表中创建该相关信息与学习网络模型的对应关系。

具体地，预设的规则包括任一个学习网络模型输出的处理后的图像被评估成功的次数超过预设次数。

具体地，所述处理器能够基于图像质量评估和部位匹配度，序列完整性评估中的至少一个对所述处理后的图像是否成功进行评估。

具体地，所述处理器进一步用于将医学图像输入到每个学习网络模型中分别进行图像处理；当任一个学习网络模型输出的处理后的图像被评估为成功，则创建临时的相关信息与学习网络模型的对应关系，并且计数加一；以及当该临时对应关系的计数达到预设值时，在所述分配列表中创建新的相关信息与学习网络模型的对应关系。

上面已经描述了一些示例性实施例，然而，应该理解的是，可以做出各种修改。例如，如果所描述的技术以不同的顺序执行和/或如果所描述的系统、架构、设备或电路中的组件以不同方式被组合和/或被另外的组件或其等同物替代或补充，则可以实现合适的结果。相应地，其他实施方式也落入权利要求的保护范围内。

Claims (13)

1.一种图像处理的分配方法，其包括：

基于当前医学图像的相关信息，根据分配列表，在多个学习网络模型中选择与该信息相对应的学习网络模型，所述分配列表包括医学图像的相关信息与多个学习网络模型之间的对应关系列表；以及

基于所选择的学习网络模型，对所述当前医学图像进行图像处理。

2.如权利要求1所述的图像处理的分配方法，其中，医学图像的相关信息包括成像设备类型，扫描部位和可能的疾病类型中的至少一个。

3.如权利要求2所述的图像处理的分配方法，其中，所述扫描部位的获取包括对医学图像进行图像识别或通过提取医学图像的头文件信息。

4.如权利要求2所述的图像处理的分配方法，其中，所述分配列表包括成像设备类型和扫描部位与多个学习网络模型的对应关系，且所述选择学习网络模型包括基于所述成像设备类型和所述扫描部位，选择相对应的学习网络模型。

5.如权利要求1所述的图像处理的分配方法，其中，所述多个学习网络模型包括n个CT模型，m个MR模型以及t个X射线模型中的至少二个，其中，n个CT模型用于分别对CT图像中的n个扫描部位进行图像处理，m个MR模型用于分别对MR图像中的m个扫描部位进行图像处理，t个X射线模型用于分别对X射线图像中的t个扫描部位进行图像处理，n、m、t为整数。

6.如权利要求1所述的图像处理的分配方法，其中，所述多个学习网络模型能够用于对图像进行图像分割，图像优化和图像渲染中的至少一个。

7.如权利要求1所述的图像处理的分配方法，其中，进一步包括：判断所述医学图像的相关信息在所述分配列表中是否存在相对应的学习网络模型。

8.如权利要求1所述的图像处理的分配方法，其中，当任一个相关信息在所述分配列表中没有对应的学习网络模型时，基于预设的规则，在所述分配列表中创建该相关信息与学习网络模型的对应关系。

9.如权利要求8所述的图像处理的分配方法，其中，预设的规则包括任一个学习网络模型输出的处理后的图像被评估成功的次数超过预设次数。

10.如权利要求9所述的图像处理的分配方法，其中，基于图像质量评估和部位匹配度，序列完整性评估中的至少一个对所述处理后的图像是否成功进行评估。

11.如权利要求8所述的图像处理的分配方法，其中，基于预设的规则，创建新的相关信息与学习网络模型的对应关系包括：

将医学图像输入到每个学习网络模型中分别进行图像处理；

当任一个学习网络模型输出的处理后的图像被评估为成功，则创建临时的相关信息与学习网络模型的对应关系，并且计数加一；以及

当该临时对应关系的计数达到预设值时，在所述分配列表中创建新的相关信息与学习网络模型的对应关系。

12.一种非暂态计算机可读存储介质，其用于存储计算机程序，所述计算机程序由计算机执行时使计算机执行权利要求1-11任一项所述的图像处理的分配方法。

13.一种图像处理装置，其包括：

多个学习网络模型，其用于对医学图像进行图像处理；

存储器，其用于存储分配列表，所述分配列表包括医学图像的相关信息与所述多个学习网络模型之间的对应关系列表；

处理器，其用于：

基于医学图像的相关信息，根据所述分配列表，在所述多个学习网络模型中选择与该信息相对应的学习网络模型；以及

基于所选择的学习网络模型，对所述医学图像进行图像处理。