图像处理方法、装置、设备和存储介质制造方法及图纸

本申请涉及一种图像处理方法、装置、计算机设备和存储介质。所述方法包括：获取待检测对象的至少两个不同模态下的医学图像；所述至少两个不同模态下的医学图像均包括感兴趣区域；将所述至少两个不同模态下的医学图像进行拼接处理，得到拼接后的多模态医学图像；将所述多模态医学图像分别输入至至少两个神经网络模型中，并对各所述神经网络模型的输出结果进行处理，确定所述多模态医学图像对应的目标分割图像；所述目标分割图像包括所述感兴趣区域。采用本方法能够提高检测效率和检测准确性。

Image processing methods, devices, devices and storage media

【技术实现步骤摘要】
图像处理方法、装置、设备和存储介质
本申请涉及图像处理
，特别是涉及一种图像处理方法、装置、设备和存储介质。
技术介绍
脑小血管疾病(cerebralsmallvesseldisease，CSVD)主要是脑内小血管病变导致的疾病，其是临床诊断中常见且严重的一种疾病，该病的病灶一般很难被发现，因此患者一旦发病就可能会造成严重的后果，所以对脑小血管疾病的检测就显得尤为重要。相关技术中在对脑小血管疾病进行检测时，大多是医生通过反复观察患者拍摄的各个模态的医学图像，凭借经验确定出病灶区域，然后依据得到的病灶区域对患者进行预防或治疗。然而上述技术存在检测效率慢，且误检率高的问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高检测效率和检测准确性的图像处理方法、装置、设备和存储介质。一种图像处理方法，该方法包括：获取待检测对象的至少两个不同模态下的医学图像；至少两个不同模态下的医学图像均包括感兴趣区域；将至少两个不同模态下的医学图像进行拼接处理，得到拼接后的多模态医本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，所述方法包括：/n获取待检测对象的至少两个不同模态下的医学图像；所述至少两个不同模态下的医学图像均包括感兴趣区域；/n将所述至少两个不同模态下的医学图像进行拼接处理，得到拼接后的多模态医学图像；/n将所述多模态医学图像分别输入至至少两个神经网络模型中，并对各所述神经网络模型的输出结果进行处理，确定所述多模态医学图像对应的目标分割图像；所述目标分割图像包括所述感兴趣区域。/n

【技术特征摘要】
1.一种图像处理方法，其特征在于，所述方法包括：
获取待检测对象的至少两个不同模态下的医学图像；所述至少两个不同模态下的医学图像均包括感兴趣区域；
将所述至少两个不同模态下的医学图像进行拼接处理，得到拼接后的多模态医学图像；
将所述多模态医学图像分别输入至至少两个神经网络模型中，并对各所述神经网络模型的输出结果进行处理，确定所述多模态医学图像对应的目标分割图像；所述目标分割图像包括所述感兴趣区域。


2.根据权利要求1所述的方法，其特征在于，所述至少两个神经网络模型包括第一神经网络模型和第二神经网络模型，所述将所述多模态医学图像分别输入至至少两个神经网络模型中，并对各所述神经网络模型的输出结果进行处理，确定所述多模态医学图像对应的目标分割图像，包括：
将所述多模态医学图像分别输入至所述第一神经网络模型和所述第二神经网络模型中，得到第一分割图像和第二分割图像；所述第一分割图像和所述第二分割图像均包括感兴趣区域；
将所述第一分割图像和所述第二分割图像进行均值处理，得到多模态医学图像对应的目标分割图像。


3.根据权利要求1所述的方法，其特征在于，所述至少两个神经网络模型均包括下采样双卷积层和上采样卷积层，所述将所述多模态医学图像分别输入至至少两个神经网络模型中，并对各所述神经网络模型的输出结果进行处理，确定所述多模态医学图像对应的目标分割图像，包括：
将所述多模态医学图像分别输入至所述双卷积层中进行特征提取处理以及融合处理，确定所述多模态医学图像的融合特征；
将所述多模态医学图像融合特征分别输入至所述上采样卷积层中进行逆卷积处理以及跳层连接处理，得到各所述神经网络模型的输出结果；
对各所述神经网络模型的输出结果进行处理，确定所述多模态医学图像对应的目标分割图像。


4.根据权利要求2所述的方法，其特征在于，所述第一神经网络模型和所述第二神经网络模型的训练方法包括：
获取样本图像集；所述样本图像集已标注感兴趣区域；
基于所述样本图像集对初始第一神经网络模型进行训练，...

【专利技术属性】
技术研发人员：陈冉，沈宏，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：上海;31