图像处理方法、装置、电子设备及计算机存储介质制造方法及图纸

本申请提供了一种图像处理方法、装置、电子设备及计算机存储介质，首先获取目标用户的胸片图像；接着，将所述胸片图像输入训练好的分割模型，根据所述训练好的分割模型的输出确定原始肋骨图像；最后，对所述原始肋骨图像进行分割处理，得到目标肋骨图像，所述分割处理用于获取无粘连的肋骨图像。可以将深度学习的神经网络模型与后续处理结合，自动分割出每一根肋骨都独立的目标肋骨图像，提升图像处理的准确性和效率，也为医生提供了便利。

Image processing method, device, electronic equipment and computer storage medium

【技术实现步骤摘要】
图像处理方法、装置、电子设备及计算机存储介质
本申请涉及医学图像处理领域，特别是一种图像处理方法、装置、电子设备及存储介质。
技术介绍
医生通过胸部数字X线摄影(DigitalRadiography，DR)图像能有效对肺癌等疾病进行提前诊断，但已知的胸片图像通常采用正位拍摄，导致医生对疾病的判读容易受到肋骨等骨组织的干扰，因此对胸片图像中的肋骨进行准确分割成为非常重要的工作。现有的肋骨分割方案主要采用传统的图像处理算法，例如先分割肺野以去除肺区外的信息干扰，再根据肋骨与肺区内不同组织的对比度差异进行固定阈值分割，并定位肋骨位置，最后按照肋骨形态进行曲线拟合。上述现有方案过于依赖肺野分割结果，使得分布于肺区外的部分肋骨容易被去除；由于患者的体征各不相同，以及医生对设备操作时的参数设置差异，使得胸片图像中像素值分布差异大，选择固定阈值分割难以保证图像处理算法的鲁棒性；由于不同患病的肋骨分布和同一患者各肋骨形态均不相同，采用相同的曲线拟合参数也难以保证图像处理算法的鲁棒性。
技术实现思路
基于上述问题，本申请提出了一种图像处理方法、装置、电子设备及计算机存储介质，可以基于深度学习的神经网络模型和分割处理得到无粘连的肋骨图像，大大提升了图像处理的准确性和效率。本申请实施例第一方面提供了一种图像处理方法，包括：获取目标用户的胸片图像；将所述胸片图像输入训练好的分割模型，根据所述训练好的分割模型的输出确定原始肋骨图像；对所述原始肋骨图像进行分割处理，得到目标肋骨图像，所述分割处理用于获取无粘连的肋骨图像。本申请实施例第二方面提供了一种图像处理装置，所述装置包括处理单元和通信单元，所述处理单元用于：获取目标用户的胸片图像；将所述胸片图像输入训练好的分割模型，根据所述训练好的分割模型的输出确定原始肋骨图像；对所述原始肋骨图像进行分割处理，得到目标肋骨图像，所述分割处理用于获取无粘连的肋骨图像。本申请实施例第三方面提供了一种电子设备，包括处理器、存储器，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如本申请实施例第一方面任一方项所描述的步骤的指令。本申请实施例第四方面提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如本申请实施例第一方面任一项所描述的方法。本申请实施例第五方面提供了一种计算机产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。通过实施上述申请实施例，可以得到以下有益效果：上述图像处理方法、装置、电子设备及计算机存储介质，首先获取目标用户的胸片图像；接着，将所述胸片图像输入训练好的分割模型，根据所述训练好的分割模型的输出确定原始肋骨图像；最后，对所述原始肋骨图像进行分割处理，得到目标肋骨图像，所述分割处理用于获取无粘连的肋骨图像。可以将深度学习的神经网络模型与后续处理结合，自动分割出每一根肋骨都独立的目标肋骨图像，提升图像处理的准确性和效率，也为医生提供了便利。附图说明为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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为本申请实施例提供的图像处理方法的系统构架图；图2为本申请实施例提供的一种图像处理方法的流程示意图；图3为本申请实施例提供的一种语义分割模型(DeepLab-V3+)的结构示意图；图4a为本申请实施例提供的虚警区域和断裂区域的示意图；图4b为基于图4a的预处理步骤的流程示意图；图5a为本申请实施例提供的骨架提取图像的结构示意图；图5b为本申请实施例提供的一条肋骨分割线的结构示意图；图6a为本申请实施例提供的一种基于图5a的取反步骤的流程示意图；图6b为本申请实施例提供的一种确定肋骨分割线步骤的流程示意图；图6c为本申请实施例提供的一种肋骨分割图像的结构示意图；图6d为本申请实施例提供的一种目标肋骨图像的结构示意图；图7为本申请实施例提供的另一种图像处理方法；图8为本申请实施例提供的一种电子设备的结构示意图；图9为本申请实施例提供的一种图像处理装置的功能单元组成框图。具体实施方式为了使本
的人员更好地理解本申请方案，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、完整地描述，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作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。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。本申请实施例所涉及到的电子设备可以是具备通信能力的电子设备，该电子设备可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其他处理设备，以及各种形式的用户设备(UserEquipment，UE)，移动台(MobileStation，MS)，终端设备(terminaldevice)等等。下面结合图1对本申请实施例中的图像处理方法的系统架构作详细说明，图1为本申请实施例提供的图像处理方法的系统架构图，包括医学影像获取装置110、服务器120以及图像输出装置130，其中上述医学影像获取装置110可以采用数字化成像(DigitalRadiography，DR)技术，采用DR技术可以高效地获取到清晰的便于处理的胸片图像，且上述医学影像获取装置110与服务器120有线或无线连接，上述服务器120内置深度学习的分割模型及相关处理算法，可以在获取到上述医学影像获取装置110发送的胸片图像后对上述胸片图像进行处理得到目标肋骨图像，上述目标肋骨图像表示每根肋骨都独立显示的且无粘连的肋骨图像，上述图像输本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，包括：/n获取目标用户的胸片图像；/n将所述胸片图像输入训练好的分割模型，根据所述训练好的分割模型的输出确定原始肋骨图像；/n对所述原始肋骨图像进行分割处理，得到目标肋骨图像，所述分割处理用于获取无粘连的肋骨图像。/n

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：
获取目标用户的胸片图像；
将所述胸片图像输入训练好的分割模型，根据所述训练好的分割模型的输出确定原始肋骨图像；
对所述原始肋骨图像进行分割处理，得到目标肋骨图像，所述分割处理用于获取无粘连的肋骨图像。


2.根据权利要求1所述的方法，其特征在于，所述对所述原始肋骨图像进行分割处理，得到目标肋骨图像，包括：
对所述原始肋骨图像进行预处理，得到处理后的原始肋骨图像，所述预处理包括虚警抑制和断裂补充；
对所述处理后的原始肋骨图像进行再处理，得到所述目标肋骨图像。


3.根据权利要求2所述的方法，其特征在于，所述对所述原始肋骨图像进行预处理，得到处理后的原始肋骨图像，包括：
获取所述原始肋骨图像的预设面积范围，所述预设面积阈值包括最大面积阈值和最小面积阈值；
根据所述最小面积阈值确定所述原始肋骨图像的虚警区域；
根据所述最大面积阈值和所述最小面积阈值确定所述原始肋骨图像的断裂区域；
根据所述虚警区域和所述断裂区域确定所述处理后的原始肋骨图像。


4.根据权利要求3所述的方法，其特征在于，所述根据所述虚警区域和所述断裂区域确定所述处理后的原始肋骨图像，包括：
删除所述虚警区域；
将为同一肋骨的所述断裂区域进行曲线拟合，以及，将不为同一肋骨的所述断裂区域的分别进行曲线拟合。


5.根据权利要求2所述的方法，其特征在于，所述对所述处理后的原始肋骨图像进行再处理，得到所述目标肋骨图像，包括：
通过骨架提取将所述处理后的原始肋骨图像拆分为粘连区域图像和非粘连区域图像，所述粘连区域图像包括肋骨粘连图像；
对所述肋骨粘...

【专利技术属性】
技术研发人员：程虎，殷保才，王凤艳，刘文超，
申请(专利权)人：科大讯飞股份有限公司，
类型：发明
国别省市：安徽;34